Linear Programming Based Optimality Conditions and Approximate Solution of a Deterministic Infinite Horizon Discounted Optimal Control Problem in Discrete Time
最近的研究表明,离散时间的确定性无限时域折扣最优控制问题与某个无限维线性规划问题及其对偶问题密切相关。在本文中,我们使用这些结果建立这个最优控制问题的最优性条件,并应用它们来构造一个近最优控制。
2018-02-16 math.OC
A Decomposition Based Approach for Solving a General Bilevel Linear Programming
双层优化在决策过程中有着广泛的应用。然而,仍然缺乏一个有效的算法来确定一个双层最优化问题的最优解,特别是对于一个大规模的问题。针对这一问题,提出了一种求解一般双层线性规划(GBLP)的分解算法。在大型测试系统上的仿真结果验证了该方法的正确性和有效性。
2016-05-17 math.OC
Adaptive dynamic programming-based algorithm for infinite-horizon linear quadratic stochastic optimal control problems
研究了一类连续时间随机系统的无限时域线性二次型随机(LQS)最优控制问题。利用自适应动态规划(ADP)技术,提出了一种新的无模型策略迭代(PI)算法。该PI算法不需要系统系数矩阵的所有信息,仅利用在固定时间间隔上采集的输入和系统状态数据进行迭代。最后,通过数值算例验证了算法的可行性.
2022-10-10 math.OC
Hybrid Quantum Benders' Decomposition For Mixed-integer Linear Programming
Benders分解算法是数学规划中用于求解具有特定块结构的复杂混合整数线性规划(MILP)问题的技术。Benders分解的策略可以描述为分而治之的策略。Benders的分解算法已被用于各种应用,如通信,网络和机器学习。然而,Benders分解中的主要问题仍然是NP难的,这促使我们采用量子计算。本文提出了一种混合量子Benders分解算法。我们将Benders分解的主问题转化为二次无约束二进制优化(QUBO)模型,并使用最先进的量子退火器进行求解。最后,对计算结果进行了分析,并讨论了该算法的可行性.由于我们在Benders分解的主问题中进行了重新表述,因此我们的混合算法可以同时利用经典计算机和量子计算机的优势,从而保证求解MILP问题的解的质量。
2021-12-15 math.OC
Contractivity of Bellman Operator in Risk Averse Dynamic Programming with Infinite Horizon
研究了一个具有无穷长时间的风险规避动态规划问题。首先,所需的假设是制定有问题很好地定义。然后推导出Bellman方程,这也可以看作是一个独立的强化学习问题。证明了Bellman算子是压缩算子,保证了用于动态规划和强化学习问题的各种求解算法的收敛性,并在数值迭代算法上证明了这一点.
2022-08-03 math.OC stat.AP
Dynamic programming for discrete-time finite horizon optimal switching problems with negative switching costs
本文研究了有限时域上的离散时间最优切换问题。底层模型具有运行奖励、终端奖励和符号(正和负)转换成本。利用鞅方法的最优停止问题,我们扩展了一个众所周知的显式动态规划方法计算的价值函数和最优策略的情况下签署的转换成本。
2015-07-14 math.OC math.PR
Compactification Method in Linear Programming Approach to Infinite-Horizon Optimal Control Problems with a Noncompact State Constraint
针对离散时间无限时域最优控制中状态约束非紧的难题,本文采用Alexandroff紧化处理无界状态约束的无限维LP问题,并建立时间贴现与长期平均准则最优值间的渐近关系。
2023-04-24 math.OC
Rolling Horizon Policies in Multistage Stochastic Programming
多阶段随机规划(MSP)是一类不确定条件下的序贯决策模型。由于决策结构的连续性和问题数据的不确定性(由于所谓的维数灾难),MSP问题以其计算上的棘手性而闻名。一个常见的方法来解决MSP问题与大量的阶段是滚动时域(RH)的程序,其中一个解决一系列的MSP问题与较少的阶段。这导致了一个微妙的问题,即在RH过程中使用的较小问题中包括多少个阶段。本文讨论这个问题,有限和无限的地平线MSP问题。对于贴现成本的无限地平线的情况下,我们推导出一个界,它可以用来规定一个ε-足够的阶段数。对于有限时间范围的情况,我们从近似动态规划的角度提出了一种启发式方法,为RH过程中的每个滚动提供足够数量的阶段。通过对一个水热发电规划问题的数值实验,验证了所提方法的有效性。
2021-02-09 math.OC
A dynamic programming approach to solving constrained linear-quadratic optimal control problems
约束线性二次型调节器问题的解由其最优有效集的集合决定。我们提出了一个算法,构造这一组的活动集为所需的地平线N从地平线N-1。虽然如何将时域N-1的最优反馈律本身扩展到时域N并不明显,但存在两个连续时域长度的最优活动集之间的简单关系。具体地,如果约束是逐阶段排序的,则水平N的每个最优活动集是水平N-1的最优活动集的超集。的stagewise处理结果在一个有利的计算工作。此外,如果存在有限时域,该算法很容易检测出当前时域的解等于无限时域的解。
2019-10-24 math.OC
Stacked adaptive dynamic programming with unknown system model
自适应动态规划是一个集合术语,用于描述无限时域最优控制的各种方法。所有方法的共同之处是基于动态规划原理的无限时域费用函数的近似。通常,它们还需要系统的动态模型的知识。在目前的工作中,应用自适应动态规划的动态模型是未知的控制器的系统。为了实现控制算法,系统的动态模型估计与卡尔曼滤波器。提出了一种叠层控制方案来提高控制器的性能。在仿真中验证了新方法的功能,并与运行成本梯度下降表示的基线进行了比较。
2020-07-08 math.DS math.OC
Gramian Tensor Decomposition via Semidefinite Programming
在本文中,我们研究了一个对称张量分解问题,Gramian分解,提出了一个秩最小化问题。我们研究放松的问题,并考虑的情况下,放松的解决方案是一个解决方案,原来的问题。在张量秩和阶的某些情况下,我们一般地证明了松弛的解在原解中是最优的。在其他情况下,我们提出了有趣的例子和方法,证明了这个问题的复杂性。
2017-08-08 math.AG math.OC
Quadratic Programming Over Ellipsoids (with Applications to Constrained Linear Regression and Tensor Decomposition)
提出了一种求解椭球上二次规划问题的新算法。这是通过分裂成两个优化子问题,二次规划在一个领域和正交投影的问题。接下来,一个增广拉格朗日算法开发了这个多约束优化。利用球面上的QP可以通过解一个长期方程得到一个封闭的形式,我们得到了长期方程极小值的一个更严格的界。我们也建议从二次约束的矩阵中产生一个新的具有低条件数的PSD矩阵。这种修正方法提高了所提出的增广拉格朗日算法的收敛性。最后,给出了二次约束QP在有界线性回归和张量分解中的应用。
2017-11-13 math.OC
Optimal bounds for numerical approximations of finite horizon problems based on dynamic programming approach
Universidad de Valladolid(瓦拉多利德大学);Universidad Autónoma de Madrid(马德里自治大学)
本文基于动态规划方法,为有限时间 horizon 问题的数值近似提供了最优界,并在标准正则性假设下实现了时间和空间的一阶收敛性。
2026-02-18 math.OC
Decomposition Algorithms for Stochastic Programming on a Computational Grid
我们描述了两阶段的随机线性规划追索权的算法和它们的实现在网格计算平台上。特别是,我们研究串行和异步版本的L形方法和信赖域方法。所选择的并行平台是Condor系统提供的动态、异构、机会平台。这些算法是主-工作者类型的(工作者用于解决第二阶段的问题,MW运行时支持库(支持主-工作者计算)是实现的关键。大样本平均近似的问题,从文献中的计算结果。
2001-06-18 math.OC
Error analysis for POD Approximations of infinite horizon problems via the Dynamic Programming approach
本文研究了高维非线性动力系统的无穷时域最优控制问题。利用动态规划方法,通过将值函数表征为对应的Hamilton-Jacobi-Bellman(HJB)方程的唯一黏性解,可以计算出非线性反馈律.然而,瓶颈主要是由于维数灾难和HJB方程只能在一个相对较小的维度可解。因此,降阶模型推导出的动力系统,并为此目的,本征正交分解(POD)的方法。通过先验误差分析估计了HJB方程中的误差,为POD方法提出了一种新的采样策略。数值实验验证了理论结果。
2015-11-01 math.OC
On proximal augmented Lagrangian based decomposition methods for dual block-angular convex composite programming problems
对于具有对偶块角结构的凸复合规划问题,我们设计了基于非精确近似增广拉格朗日分解方法。我们的方法特别适合于凸二次规划问题所产生的随机规划模型。算法框架是基于在[Chen,Sun,Toh,Math. Prog. 161:237--270]的目标问题的对偶,以及最近开发的对称高斯-赛德尔分解定理的应用解决一个邻近的多块凸复合二次规划问题。算法设计中的关键问题首先是设计合适的近似项来分解目标问题的对偶变量块的计算,使每次迭代中的子问题更容易求解,其次是开发新的数值格式来有效地求解分解的子问题。我们的不精确增广拉格朗日分解方法有保证的收敛性。我们提出了一个应用所提出的算法的双重非负松弛的无容量限制的设施定位问题,以及两阶段的随机最优化问题。我们进行了大量的数值实验,以评估我们的方法对国家的最先进的求解器,如Guidelines和MOSEK的性能。此外,我们提出的算法也毫不逊色于著名的渐进式对冲算法的Rockafellar和Wets。
2023-03-13 math.OC
Accelerated Benders decomposition for bi-objective mixed integer programming
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);Hankuk University of Foreign Studies(韩国外国语大学)
针对双目标混合整数规划中的可持续供应链网络设计问题,提出重用加权求和法先前迭代的Benders割来初始化主问题,从而显著减少计算时间。
2026-10-06 math.OC
Dynamic programming for infinite horizon boundary control problems of PDE's with age structure
针对一类具有线性状态方程和凸代价的无限时域边界控制问题,提出了一种动态规划方法。证明了该问题的值函数是相应的定态Hamilton-Jacobi-Bellman方程的唯一正则解,并以此证明了反馈控制的存在唯一性.研究这类问题的想法来自于经济应用,特别是来自于具有陈年资本的最优投资模型。Faggian已经在有限视界的情况下研究了这类问题。无限视界的情况更难处理,从经济应用的角度来看,它更有趣,其中主要的问题是长期的最优轨迹和控制的行为。无限视界的研究在这里是通过相应的有限视界问题的非平凡的限制程序。
2008-06-26 math.AP math.OC
Dual dynamic programming for stochastic programs over an infinite horizon
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院 H. 米尔顿·斯图尔特工业与系统工程学院)
针对无限期随机规划,本文提出CE-Inf-EDDP算法,通过整合割共享等策略提升迭代复杂度,在报童及水火电规划问题中大幅缩短迭代时间并改善解质量。
2026-08-12 math.OC
A semi-proximal augmented Lagrangian based decomposition method for primal block angular convex composite quadratic conic programming problems
针对具有原始块角结构的凸复合二次锥规划问题,提出了一种基于半邻近增广拉格朗日分解的求解方法。使用我们的算法框架,我们能够自然地得到几个众所周知的增广拉格朗日分解方法的随机规划,如对角二次近似法的Mulvey和Ruszczyovski。此外,我们能够得到新的增强和推广这些众所周知的方法。我们还提出了一个半近似对称的高斯-赛德尔为基础的交替方向法的乘数解决相应的对偶问题。数值结果表明,我们的算法可以很好地执行,即使是非常大的情况下,原始块角凸QP问题。例如,一个具有多个$300,000$线性约束和$12,500,000$非负变量的实例在小于一分钟内求解,而Guesthouse花费了3个多小时,另一个具有多个$331,000$线性约束和$986,000$非负变量的实例{ \tt qp-gridgen 1}在大约5分钟内求解,而Guesthouse花费了35分钟以上。
2018-12-12 math.OC
A Unified Algorithmic Framework of Symmetric Gauss-Seidel Decomposition based Proximal ADMMs for Convex Composite Programming
针对凸组合最优化问题,给出了几种基于对称Gauss-Seidel分解的多块邻近交替方向法的推广.所提出的方法统一和完善了许多建设性的技术,分别开发的多块ADMM型算法的计算效率。具体而言,优化增广拉格朗日函数,不定邻近项,不精确对称高斯-赛德尔分解定理,近似求解子问题的容差准则,以及大的对偶步长,都被纳入一个算法框架,我们命名为sGS-imiPADMM。从近年来多块ADMM的收敛变体的流行,特别是对于高维多块凸复合锥规划问题,本文提出的统一,以及相应的收敛性结果,可能有很大的潜力,促进许多多块ADMM在各种问题设置的实施。
2019-04-04 math.OC
A Decomposition Augmented Lagrangian Method for Low-rank Semidefinite Programming
我们开发了一种基于增广拉格朗日框架的分解方法来解决广泛的半定规划问题,可能与非线性目标函数,非光滑正则化,一般线性等式/不等式约束。特别地,半正定变量和一组线性约束可以通过矩阵分解转化为光滑流形上的变量。非光滑正则化和其他一般的线性约束由增广拉格朗日方法处理。因此,每个子问题都可以用流形上的半光滑牛顿法求解。理论上,我们证明了在一定条件下,分解子问题的一阶和二阶最优性必要条件最优性条件对于原子问题也是充分的。对黎曼子问题和增广拉格朗日方法进行了收敛性分析。大规模半定规划问题,如最大割,最近的相关估计,聚类和稀疏主成分分析广泛的数值实验表明,我们提出的方法相比,其他国家的最先进的方法的强度。
2023-03-07 math.OC
Generalized Dual Dynamic Programming for Infinite Horizon Problems in Continuous State and Action Spaces
我们描述了一个非线性推广的对偶动态规划理论和它的应用价值函数估计确定性控制问题的连续状态和动作空间,在一个离散时间无限的地平线设置。我们证明,利用贝尔曼算子的单调性,一个阶段的政策评估的结果,可以用来产生非线性下界的最优值函数,是有效的整个状态空间的本德类型的参数。这些界限包含反映系统成本、动态和约束的函数形式的项。我们提供了一个迭代算法,产生连续更好的近似的最优值函数,并证明在一定的假设下,它实现了任意低的期望贝尔曼最优性公差在预先选定的点在状态空间,在有限数量的迭代。我们还描述了证明所生成的值函数的质量的方法。我们证明了系统的尺寸太大,传统的动态规划方法是实用的方法的有效性。
2018-10-04 math.OC
Infinite Horizon Average Cost Dynamic Programming Subject to Total Variation Distance Ambiguity
针对一类受控过程条件分布,分析了无穷时域minimax平均费用马尔可夫控制模型(MCM),这类受控过程条件分布属于一个球,关于全变差距离度量,以半径为$R\in [0,2]$的已知标称受控条件分布为中心,其中最小化是控制策略,最大化是条件分布.在执行最大化时,获得动态规划方程,该方程除了标准项之外还包括剩余成本的振荡器半范数。首先,分析有限状态空间和控制空间的动态规划方程。我们表明,如果标称受控过程分布是不可约的,那么对于每个平稳马尔可夫控制策略的受控过程的最大化条件分布也是不可约的$R \in [0,R_{max}]$。其次,在Borel空间上分析了广义动态规划。我们推导出任何控制策略为最优的充要条件。通过分析,导出了新的动态规划方程和新的策略迭代算法。新的策略迭代算法(适用于有限字母空间)的主要特点是,通过使用最大化条件分布,这是通过注水解决方案获得的政策评估和政策改进的步骤。最后,通过实例说明了新的动态规划方程和相应的策略迭代算法的应用。
2015-12-21 math.OC
Two-Stage Dual Dynamic Programming with Application to Nonlinear Hydro Scheduling
我们提出了一个近似的方法来解决非线性控制问题,在长时间的视野,其中完整的非线性模型是保留在地平线的初始部分,而地平线的其余部分使用线性松弛建模。由于这个近似问题可能仍然太大,无法直接求解,我们提出了一个基于Benders分解的求解算法,该算法在求解地平线的非线性和线性部分之间进行迭代。这扩展了通常用于线性化水电系统优化的对偶动态规划方法。我们证明了所提出的算法收敛有限次迭代后,即使非线性初始阶段的问题得到不精确的解决。我们还绑定的次优的水平分裂方法相对于原始的非线性问题,在线性和非线性状态输入轨迹之间的映射的属性。然后,我们将此方法应用到一个多水库水电系统的案例研究,近似的非线性水头效应,在第二阶段使用麦考密克信封。我们证明了,近最优解可以得到在一个收缩的水平设置时,全非线性模型是用于只有一个短的初始部分的水平。对于这个例子,该方法被证明是更实际的比传统的动态规划和多细胞麦考密克包络近似文献。
2019-12-19 math.OC
Infinite time horizon stochastic recursive control problems with jumps: dynamic programming and stochastic verification theorems
本文研究带跳的无限时间域随机递归控制问题,建立动态规划原理关联值函数与HJB型积分-偏微分方程粘性解,推导经典解与粘性解框架下的随机验证定理,指出其与有限时间域方法存在重要差异。
2024-08-14 math.OC
Pseudo basic steps: Bound improvement guarantees from Lagrangian decomposition in convex disjunctive programming
本文提出伪基本步骤操作,利用拉格朗日分解为凸析取规划的基本步骤改进提供可证明的界,并在K均值聚类实例上显著提升界质量。
2025-01-25 math.OC
On Dynamic Programming Decompositions of Static Risk Measures in Markov Decision Processes
University of New Hampshire(新罕布什尔大学);HEC Montréal(蒙特利尔高等商学院);Amazon(亚马逊公司);Google Research(谷歌研究院)
本文证明强化学习中用于CVaR和EVaR的离散风险水平动态规划分解本质上始终次优,而VaR的分解成立,揭示了这些风险度量在鞍点性质上的关键差异。
2024-04-23 cs.AI math.OC
Integer Programming, Constraint Programming, and Hybrid Decomposition Approaches to Discretizable Distance Geometry Problems
距离几何问题(Distance Geometry Problem,DGP)的目标是在给定一个整数维K和一个简单的、边权为正的无向图G的情况下,找到一个将每个顶点映射到K维空间中一个坐标的实现函数,使得顶点坐标对之间的距离等于G中相应的边权。所谓的离散化假设减少了搜索空间的实现,一个有限的离散,可以探索通过分支和修剪(BP)算法。给定G中的离散化顶点顺序,BP算法构造二叉树,其中层上的节点提供对应于该层的顶点的所有可能坐标。本文的重点是为一类可离散的DGP寻找最优BP树。更具体地说,我们的目标是找到一个离散化顶点的顺序G,产生一个BP树的分支数量最少。我们提出了一个整数规划配方和三个约束规划配方,所有显着优于国家的最先进的切割平面算法这个问题。此外,在解决大的和低密度的输入图的实例的困难,我们开发了两个混合分解算法,加强了一组有效的不等式,进一步提高了问题的可解性。
2020-10-10 cs.DS math.OC
Time Blocks Decomposition of Multistage Stochastic Optimization Problems
针对多阶段随机优化的大规模复杂性,提出按时间块进行状态归约,证明归约动态规划方程,并说明其在双时间尺度问题中的应用潜力。
2023-04-28 math.OC
Asymptotic Analysis of Empirical Dynamic Programming in Infinite-Horizon Stochastic Optimal Control
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院 H. 米尔顿·斯图尔特工业与系统工程学校)
研究无限时域随机最优控制问题,推导基于样本近似的统计极限定理,包括在不同条件下的中心极限定理,比较不同方法的渐近结果,还给出非唯一最优策略模型的极限定理,并通过实例说明理论。
2026-07-24 math.OC math.PR
Convergence of a Solution Algorithm in Indefinite Quadratic Programming
证明了对于线性约束下的不定二次规划问题,只要问题有解,由Proximal DC分解算法$R$-产生的迭代序列线性收敛于Karush-Kuhn-Tucker点.本文的另一个主要结果是,如果初始点取自问题的适当邻域,则由该算法生成的DCA序列收敛于问题的局部唯一解.为了处理隐式定义的迭代序列,使用了仿射变分不等式的局部误差界和新的技巧.文中给出了数值结果,分析了分解参数的影响,并对Proximal DC分解算法和Projection DC分解算法进行了比较。我们的研究结果补充了Le Thi,Huynh和Pham Dinh(J. Optim. 179(2018),103 - 126)。
2018-10-04 math.OC
Receding Horizon Differential Dynamic Programming Under Parametric Uncertainty
广义多项式混沌(gPC)理论由于其传播不确定性演化的能力,已被广泛用于表示系统中的参数不确定性。在最优控制的背景下,gPC可以与几种优化技术相结合,以实现有效处理这种类型的不确定性的控制策略。这样一种合适的方法是微分动态规划(DDP),导致一种算法,该算法继承了高维系统的可扩展性和后者的快速收敛性质。在本文中,我们扩展了这种组合,旨在获得概率保证的非线性约束的满意度。特别是,我们利用gPC的能力,表达高阶矩的不确定性分布-没有任何高斯假设-我们将机会约束,导致表达式涉及的状态协方差。此外,我们证明,通过实施我们的算法在一个滚动时域的方式,我们能够计算控制策略,有效地减少积累的轨迹上的不确定性。我们的方法的适用性进行了验证,通过仿真结果的差分轮式机器人和四旋翼,执行避障任务。
2021-10-01 math.OC
Network Migration Problem: A Logic-based Benders Decomposition Approach Driven by Column Generation and Constraint Programming
针对电信网络迁移问题,提出首个基于逻辑的Benders分解精确方法,结合约束规划列生成与子问题约束规划,适用于类似整数规划,在六个真实网络上验证高效。
2021-11-08 cs.NI math.OC
On-Line Policy Iteration for Infinite Horizon Dynamic Programming
ASU(亚利桑那州立大学);MIT(麻省理工学院)
在本文中,我们提出了一个在线的政策迭代(PI)算法的有限状态无限地平线折扣动态规划,其中的政策改进操作是在线进行的,只有在系统运行过程中遇到的状态。这允许当前策略的持续更新/改进,从而导致在线PI的形式,该在线PI在新的状态和控制生成时将改进的控制并入当前策略中。该算法收敛在一个有限的阶段,一种类型的局部最优的政策,并建议PI和多智能体PI的变体的可能性,其中的政策改进是简化的。此外,该算法可以用于在线重新规划,也非常适合在线PI算法的价值和政策的近似。
2021-06-01 cs.AI cs.SY eess.SY
Finding a second Hamiltonian decomposition of a 4-regular multigraph by integer linear programming
针对4-正则多重图的第二个Hamilton分解问题,提出基于DFJ与MTZ公式的整数线性规划模型,并结合变邻域下降和链式边固定,实验表明二者分别在有向与无向情形表现突出。
2022-01-11 math.CO math.OC
Benders Decomposition using Graph Modeling and Multi-Parametric Programming
本文提出一种结合图建模与多参数规划的Benders分解加速框架,通过代理子问题求解实现显著加速并保持收敛保证,应用于两阶段随机规划。
2025-08-01 math.OC
Dual Dynamic Programming for Multi-Scale Mixed-Integer MPC
提出了一种求解多尺度混合整数模型预测控制(MPC)问题的对偶动态整数规划(DDIP)框架。这样的问题出现在涉及长视野和/或精细时间离散化以及混合整数状态和控制(例如,调度逻辑和离散致动器)。该方法使用了一个嵌套的切割平面计划,执行前向和后向扫描沿时间范围自适应近似成本去功能。DDIP方案可以处理一般MPC配方与混合整数控制和状态,并可以执行前向-后向扫描块时间分区。我们证明了所提出的方案的性能,通过解决混合整数MPC的问题,出现在中央供暖,通风和空调(HVAC)工厂的调度。我们表明,该计划是可扩展的,并显着优于最先进的混合整数求解器。
2020-07-17 math.DS math.OC
A Single-Loop Minorized Dual Decomposition Method for Nonsmooth Multi-Stage Stochastic Programming
Nanjing Normal University(南京师范大学);Sun Yat-sen University(中山大学)
针对非光滑复合目标的多阶段随机规划问题,提出一种单循环最小化对偶分解方法,利用阶段和场景可分解结构,通过对称高斯-赛德尔交替方向乘子法更新,实现全局收敛和并行计算。
2026-06-19 math.OC
Neural networks for multi-horizon stochastic programming
University of Southampton(南安普顿大学);University of Milano-Bicocca(米兰比可卡大学);University of Bergamo(贝加莫大学)
本文提出了一种基于神经网络的多时间尺度随机规划求解方法,通过替代模型提升了计算效率和解决方案的稳健性。
2025-12-02 math.OC
Totally $Δ$-Modular Tree Decompositions of Graphic Matrices for Integer Programming
School of Mathematics, Georgia Institute of Technology(佐治亚理工学院数学学院)
本文提出了一种基于树分解的参数,用于解决具有两个非零条目每行的矩阵的整数规划问题,扩展了传统图分解参数的应用范围,并给出了相关定理的类比。
2026-04-23 cs.DM cs.DS math.CO
Fast Approximate Dynamic Programming for Infinite-Horizon Markov Decision Processes
在本研究中,我们考虑具有可分离成本及状态与输入变量受限制之随机非线性系统之无限时域、折扣成本最优控制。利用线性时间勒让德变换,我们提出了一种新的数值方案,实现相应的值迭代(VI)算法的共轭域。详细分析了算法的收敛性、时间复杂度和误差。特别是,与离散化的大小$X$和$U$的状态和输入空间,分别,所提出的方法降低了时间复杂度的VI算法从$O(XU)$到$O(X+U)$,通过取代的最小化操作在原始域中的共轭域中的一个简单的除了。
2022-03-17 cs.SY eess.SY math.OC
Improved DC Programming Approaches for Solving the Quadratic Eigenvalue Complementarity Problem
本文讨论了用凸差分(DC)规划方法求解二次特征值互补性问题(QEiCP)。我们首先表明,QEiCP可以表示为直流规划问题。然后,我们研究不同的直流规划公式QEiCP和讨论他们的直流算法的基础上一个著名的方法- DCA。提出了一种新的局部dc分解算法,其目的是在迭代过程的某些邻域内,针对目标问题的具体特征,构造一个更好的dc分解。这种新的程序产生更快的收敛速度和更好的精度计算的解决方案。数值结果表明,新的直流算法在实践中的效率。
2019-02-13 math.OC
On Infinite Linear Programming and the Moment Approach to Deterministic Infinite Horizon Discounted Optimal Control Problems
Delft Center for Systems and Control, TU Delft(代尔夫特理工大学系统与控制中心)
本文通过将无限时间折扣最优控制问题转化为无限维线性规划问题,证明了两者等价性,并利用矩方法近似价值函数和设计反馈控制器。
2017-06-07 cs.SY eess.SY math.OC
Semidefinite Programming Duality in Infinite-Horizon Linear Quadratic Differential Games
本文将半定规划的分析应用扩展至连续时间无限时间线性二次微分博弈,利用Gramian表示技术提出新的原对偶方法建立鞍点,并首次将其用于LQ博弈和$\mathcal{H}_\infty$控制的原对偶分析。
2025-04-03 math.OC
Decomposition-Coordination Method for Finite Horizon Bandit Problems
针对多臂赌博机动态规划的指数复杂度,本文提出 DeCo 分解-协调启发式方法,将问题并行化为单臂问题,实现近线性计算时间,并在实验中优于经典算法且接近遗憾下界。
2024-05-21 math.OC
A Decomposition Method for Distributionally-Robust Two-stage Stochastic Mixed-integer Cone Programs
给出了分布鲁棒两阶段随机混合整数凸锥规划的一个分解算法,并给出了分布鲁棒两阶段随机混合整数二阶锥规划的一个重要特例.这推广了Sen和Sherali~[数学规划106(2):203-223,2006]提出的算法。我们表明,所提出的算法是收敛的,如果第二阶段的问题解决到最优的现任第一阶段的解决方案,并解决一个最优化问题,以确定最坏情况下的概率分布是可用的。第二阶段的问题可以使用分支切割算法来解决。最后给出了分解算法的实例。对设施定位问题的随机规划推广的计算结果表明,所提出的方法显着的解决方案的时间改善。许多模型的解决方案是棘手的广泛形式制定成为可能。计算结果表明,解决方案的时间要求并没有显着增加时,考虑分布鲁棒对应的随机规划模型。
2019-11-20 math.OC
Chance-Constrained Two-Stage Unit Commitment under Uncertain Load and Wind Power Output Using Bilinear Benders Decomposition
本文研究了考虑负荷和风力发电量不确定性的机组组合问题。UC问题被表述为一个机会约束的两阶段随机规划问题,其中机会约束用于限制负载不平衡的概率。除了传统的混合整数线性规划公式使用Big-M,我们提出了机会约束的双线性混合整数公式,然后推导出其线性对应的McCormick线性化方法。然后,我们开发了一个双线性变形的Benders分解方法,这是一个易于实现的算法,以解决由此产生的大规模线性对应。对典型IEEE系统的仿真结果表明:(i)双线性混合整数规划公式比传统公式更强;(ii)Benders分解算法比直接使用专业求解器计算线性和双线性机会约束UC模型快数量级.
2016-11-27 math.OC
Decomposition algorithms for globally solving mathematical programs with affine equilibrium constraints
带有仿射平衡约束的数学规划问题(AMPEC)是一个双层规划问题,其中下层是一个参数仿射变分不等式。我们制定了一些类的双层规划的形式MPEC。然后,我们使用正则化技术来制定所产生的问题作为一个数学规划与两个凸函数(DC函数)的差异定义的附加约束。这种DC分解的一个主要特征是第二个分量仅取决于下层问题中的参数。这个属性使我们能够开发分支定界算法,用于全局求解AMPEC,其中自适应矩形平分只发生在参数的空间中。作为一个例子,我们使用所提出的算法来解决一个双层纳什古诺均衡市场模型。计算结果表明了该算法的有效性。
2011-05-17 math.OC
Parallel Sequential Quadratic Programming with Overlapping Graph Decomposition and Exact Augmented Lagrangian
University of Chicago(芝加哥大学);Georgia Tech(佐治亚理工学院);Massachusetts Institute of Technology(麻省理工学院);Argonne National Laboratory(阿贡国家实验室)
本文提出一种并行序列二次规划方法,通过重叠图分解和精确增广拉格朗日函数解决大规模图结构非线性规划问题,实现全局收敛与局部线性收敛率。
2026-05-16 math.OC
On the integration of Dantzig-Wolfe and Fenchel decompositions via directional normalizations
几十年来,混合整数线性规划的线性松弛和界的加强一直是一个活跃的研究课题。基于枚举的整数规划方法,如基于线性规划的分支定界法,利用强对偶边界来探测可行空间中的无希望区域。在本文中,我们考虑通过Dantzig-Wolfe和Fenchel分解的复合线性规划的加强。我们提供这两个经典的方法的几何解释。出于这些几何解释,我们引入了一种新的方法来解决Fenchel子问题,并介绍了一种新的分解相结合的Dantzig-Wolfe和Fenchel分解的原始方式。我们进行了广泛的计算活动,评估性能的新的分解不可分割的流问题。非常有前途的结果时,新的方法相比,经典的分解方法。
2023-03-27 math.OC
Decomposition in conic optimization with partially separable structure
线性规划的分解技术很难推广到具有一般非多面体凸锥的锥最优化问题,因为锥不等式在变量之间引入了额外的非线性耦合。然而,在许多应用中,凸锥具有部分可分离的结构,这允许它们以更简单的低维锥来表征。最重要的例子是弦稀疏模式的稀疏半定规划。在这里,部分可分性来自于团分解定理,该定理描述了具有弦稀疏模式的半正定和半正定可完备矩阵。本文描述了一种利用部分分离性的二次曲线线性最优化的分解方法。该方法基于Spingarn的等式约束凸优化方法,结合一种快速的邻近点方法来计算邻近算子。
2013-06-01 math.OC
Leveraging GPU batching for scalable nonlinear programming through massive Lagrangian decomposition
我们提出了一个信赖域牛顿算法ExaTron的实现有界约束非线性规划问题,完全运行在多个GPU上。在CPU和GPU之间没有数据传输的情况下,我们的实现在内存受限的情况下消除了一个主要的性能瓶颈,特别是在批量解决许多小问题时。我们讨论了我们的核函数和核心操作的设计原则和实现细节。不同的设计选择是合理的数值实验。通过使用分布式控制的交流最优潮流,其中一个大的问题被分解成许多较小的非线性程序,使用拉格朗日方法的应用程序,我们证明了ExaTron的计算性能的首脑会议超级计算机在橡树岭国家实验室。我们的数值计算结果显示,相对于批量大小和GPU的数量和超过35倍的加速比在一个节点上的40个CPU上的6个GPU的线性缩放。
2021-06-28 cs.DC cs.MS math.OC
Minimum Flow Decomposition in Graphs with Cycles using Integer Linear Programming
最小流分解(MFD)-找到一个最小的加权源到汇路径集,完美地分解流的问题-是计算机科学中的经典问题,它的变体是生物信息学和交通运输等不同领域的强大模型。即使在非循环图上,这个问题也是NP难的,大多数实际的解决方案都是通过解析法或近似法。虽然有一个广泛的机构的研究无环图,目前,没有\emph{exact}解决方案的图与循环。在本文中,我们提出了第一个ILP制定的三个自然变种的MFD问题的图与周期,要求分解只包括加权源到汇的路径或周期,步道,和步行,分别。在生物信息学和交通运输的三个日益复杂的数据集上,我们的方法在10分钟内解决了任何问题。我们的实现可以在github.com/algbio/MFD-ILP上免费获得。
2023-01-16 cs.DS math.CO math.OC