Huge tables and multicommodity flows are fixed parameter tractable via unimodular integer Caratheodory
三向表问题是判断是否存在一个满足给定线和的l × m × n表,如果存在,则找到一个表。对于l=3,它已经是NP完全的,并且每个有界整数规划都可以在多项式时间内同构地表示为某个3 × m × n表问题。最近,该问题被证明是固定参数易处理的参数l,m。在这里,我们扩展了这一点,并表明,巨大的版本的问题,其中变量侧n是一个巨大的数字编码的二进制,也是固定参数易处理的参数l,m。我们还得出结论,巨大的多商品流问题的m个供应商和一个巨大的消费者数量n是固定参数的参数参数化的商品和消费者类型。我们的工具之一是关于幺模幺半群的一个定理,它本身就很有趣。幺半群问题是判断给定的整数向量是否是给定的整数向量集合的有限非负整数组合,如果存在,则找到这样的分解。我们考虑由不等式系统隐式给出的集合。对于这样的集合,最近的研究表明,在固定的维度上,这个问题在多项式时间内是可解的,其度在维度上是指数的。本文证明了当定义该集合的不等式系统是由一个全幺模矩阵定义时,幺半群问题即使在变维情况下也能在多项式时间内求解。
2016-06-27 cs.CC cs.DM cs.DS
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
Accelerating Benders decomposition for solving a sequence of sample average approximation replications
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出通过Benders分解加速求解序列样本平均近似复制的方法,利用前期求解信息减少后续复制的计算时间。
2026-01-21 math.OC
An Augmented Lagrangian Coordination-Decomposition Algorithm for Solving Distributed Non-Convex Programs
提出了一种新的增广拉格朗日方法,用于求解分布式框架下具有非线性费用和约束耦合的非凸规划问题。提出的分解算法由两层组成:外层是一个标准的乘子方法,对非线性等式约束进行惩罚,而内层由块坐标下降(BCD)方案组成。基于乘子方法的标准结果和最近的结果在近端正则化BCD技术,它被证明是收敛到一个KKT点的非凸非线性规划下的半代数性假设。数值算例验证了算法的有效性。
2014-07-21 math.OC
Randomized Algorithms for Solving Singular Value Decomposition Problems with Matlab Toolbox
本文综述了用于SVD的随机线性代数算法,通过数值实验展示RSVD方法在图像恢复中的效果,并提供包含实现与测试示例的Matlab工具箱。
2024-02-26 math.OC
Network Flow based approaches for the Pipelines Routing Problem in Naval Design
在本文中,我们提出了一个一般的方法,最佳的自动布线的空间管道最近的合作Ghenova,领先的海军工程公司的动机。我们提供了一个最低成本的多商品网络流为基础的模型,将所有的技术要求,一个可行的管道路由的问题。设计了一种分支切割方法,并推导出了不同的数学算法,有效地解决了这个问题。我们报告了一组计算实验的结果,以评估问题的性能,以及我们的合作伙伴公司提供的一个真实世界的海军实例的案例研究。
2021-08-01 cs.CE math.OC
Disaggregated Benders decomposition and lazy constraints for solving the budget-constrained dynamic uncapacitated facility location and network design problem
本文提出了一种求解动态无容量约束设施选址和网络设计问题(DUFLNDP)的方法。这是一个问题,其中网络必须被构建或扩展,并且设施被放置在网络中,受到预算的约束,以便满足多个需求。在满足需求的情况下,目标是最小化网络的运行成本和将需求转移到设施的成本。这个问题可以同时分解为两个不同的集合,从而产生许多更小的模型,这些模型可以更容易地解决。使用分解的Benders分解和惰性约束,我们解决了许多以前没有解决过的最优性问题。我们使用一个分析程序来生成Benders最优切割,这是可证明的帕累托最优。
2017-03-20 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
A Novel Approach for Solving Security Constrained Optimal Power Flow Using the Inverse Matrix Modification Lemma and Benders Decomposition
针对电力系统复杂度提升下可靠性分析需提速的问题,提出结合Sherman-Morrison-Woodbury恒等式与Benders分解的SCOPF求解新方法,500节点系统中较预防性N-1策略降耗时83.5%,兼顾可靠运行与成本降低。
2023-05-02 math.OC
Solving the Integrated Bin Allocation and Collection Routing Problem for Municipal Solid Waste: a Benders Decomposition Approach
本文针对城市固体废弃物管理中的垃圾收集点选址/容量确定与车辆收集路径设计两个相互依赖的战术规划问题,提出 Benders 分解方法,并在阿根廷布兰卡港市真实实例上验证其相比完整 MIP 模型具有更短的计算时间。
2022-10-03 math.OC
A Relaxation-Based Decomposition Approach for Solving a Supported-Evacuation Problem in Wildfires
Telfer School of Management, University of Ottawa(渥太华大学特尔弗管理学院)
针对野火脆弱人群受支持疏散问题,开发两阶段随机优化模型,采用含组合Benders割等的基于逻辑的Benders分解方法,经实际数据验证可提升疏散效率。
2026-08-07 math.OC
Disaggregated Benders Decomposition for solving a Network Maintenance Scheduling Problem
我们考虑一个问题,一个网络和一组维护请求进行。我们希望以这样一种方式安排维护,以尽量减少对网络总吞吐量的影响。我们应用分解的Benders切割和惰性约束来解决问题的最优性,以及探索该技术的优点和缺点。我们证明了我们的Benders切割是帕累托最优的。LP松弛的解决方案还提供了进一步的有效不等式,以减少总的求解时间。我们实现这些技术在以前的论文中提出的模拟数据,并比较我们的解决方案技术,以前的方法和直接MIP制定。我们证明了许多问题的最优性,以前没有被证明。
2017-03-16 math.OC
A Parallel Decomposition Scheme for Solving Long-Horizon Optimal Control Problems
我们提出了一个时间分解方案解决长期最优控制问题。在该方案中,时域被分解成一组部分重叠的区域的子域。与子域相关联的子问题并行求解,以获得组装以获得全局轨迹的局部原始-对偶轨迹。我们提供了一个充分条件,保证该计划的收敛性。该条件表明扰动对边界条件的影响(即,初态和终端对偶/伴随变量)应该随着远离边界而渐近衰减。该条件还揭示了如果重叠的大小足够大,则该方案收敛,并且收敛速度随着重叠的大小而提高。我们证明了线性二次型问题满足渐近衰减条件,我们讨论了数值策略,以确定是否在更一般的情况下,该条件成立。我们利用一个非凸最优控制问题来说明所提出的方案的性能。
2019-09-13 math.OC
An Interior-Point Lagrangian Decomposition Method for Separable Convex Optimization
本文利用拉格朗日对偶分解和内点框架,提出了一种求解大规模可分凸问题的分布式算法。通过在普通拉格朗日量中加入自协调的障碍项,我们在较弱的假设下证明了相应的增广对偶函数族是自协调的。证明了新算法的全局收敛性和高度并行性,从而使牛顿法有效地用于中心路径的跟踪成为可能,并适用于求解大规模的可分凸问题。
2013-02-13 math.OC
Consensus-Based Dantzig-Wolfe Decomposition
Dantzig-Wolfe分解(DWD)是求解大规模线性规划问题的经典算法,其约束矩阵包含一组独立的块和一组连接行。该算法将模型分解成一个主问题和一组独立的子问题,这些子问题可以以分布式方式求解。在典型的实现中,主问题是集中解决的。在某些情况下,集中解决主问题是不可取的或不可行的,例如在分散存储数据的情况下,或者当负责子问题的独立代理人希望信息隐私时。在本文中,我们提出了一个完全分布式DWD算法,它依赖于解决主问题,使用基于共识的交替方向法的乘法器(ADMM)方法。我们推导出所提出的方法的最优性差距和可行性违反的误差界。我们提供了初步的计算结果,我们的算法使用的消息传递接口(MPI)实现从文献和合成的情况下,我们获得高质量的解决方案切割股票的实例。
2021-01-11 math.OC
Benders Cut Classification via Support Vector Machines for Solving Two-stage Stochastic Programs
本文考虑了不确定参数的有限样本下具有完全补偿的两阶段随机规划的Benders分解。我们定义的折弯机削减绑定在最终的最优解或显着改善边界的迭代作为有价值的削减。我们提出了一种学习增强的Benders分解(LearnBD)算法,该算法在每次迭代中增加了一个切割分类步骤,以选择性地生成更有可能是有价值的切割。LearnBD算法包括两个阶段:(i)采样切割并从训练问题中收集信息,以及(ii)使用支持向量机(SVM)切割分类器解决测试问题。我们运行的LearnBD算法的能力限制的设施位置和多商品网络设计的不确定需求的情况下。我们的研究结果表明,SVM切割分类器有效地识别有价值的削减,和LearnBD算法减少了总的解决时间的所有实例的不同大小和复杂性的问题。
2020-10-15 math.OC
A Cutting-plane and Benders' Decomposition Algorithm for Two-Stage Distributionally Robust Convex programs
Northwestern University(西北大学)
本文提出结合割平面、Benders 分解与 branch-and-union 的有限收敛算法,用于两阶段分布鲁棒随机混合整数凸规划,实验表明其显著优于商业求解器。
2025-09-29 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
Optimal control for a class of linear evolution equations with transformed proper orthogonal decomposition
Technische Universität Berlin(柏林工业大学);Institute of Mathematics, Technische Universität Berlin(柏林工业大学数学研究所);University of Potsdam(波茨坦大学)
本文提出利用移位本征正交分解构建降维模型,结合先降维后优化框架解决高维输运主导PDE的最优控制问题,证明了降维模型解的存在唯一性及最优控制的存在性,并对比了移位POD与标准POD的计算性能。
2026-10-27 math.OC
SCDA: School Compatibility Decomposition Algorithm for Solving the Multi-School Bus Routing and Scheduling Problem
用最少的公交车安全地满足学校的交通需求是学校交通主管的最高财务目标之一。为了实现这一目标,一个好的和有效的方法来解决路由和调度问题是必需的。随着计算能力的提高,校车路径与调度问题的求解成为研究的热点。我们表明,一个集成的多校车路线和调度可以制定与出行兼容性的帮助。提出了一种新的分解算法来求解集成模型。这种集成模型和分解方法的优点在于,在考虑出行相容性的前提下,在分解过程中不会丢失路径子问题和调度子问题之间的相互联系。结果表明,所提出的分解问题可以提供解决方案,使用相同数量的总线集成模型在更短的时间(仅为0.6%),所提出的方法可以节省高达26%的总线数量从现有的研究。
2018-04-10 cs.AI math.OC
Generalized Benders Decomposition for one Class of MINLPs with Vector Conic Constraint
本文主要研究了巴拿赫空间中一类带向量锥约束的混合整数非线性规划问题。深入研究了凸向量最优化问题的对偶理论在这类MINLP问题中的应用。借助于对偶性,我们利用广义Benders分解方法建立了求解该MINLP的算法。文中还给出了算法的几个收敛性定理。收敛定理推广和发展了有限维空间中MINLP的已有结果。
2015-06-26 math.OC
Price decomposition in large-scale stochastic optimal control
我们感兴趣的是最优驱动的动力系统,可以由外源噪声的影响。这通常被称为随机最优控制(SOC)问题,而动态规划(DP)原理是解决它的自然方法。不幸的是,DP面临所谓的维数灾难:求解DP方程的复杂性随着足以做出最优决策的信息变量(状态变量)的维数呈指数增长。对于一类大的SOC问题,其中包括重要的实际问题,我们提出了一个原始的方式获得的策略来驱动系统。我们介绍的算法是基于拉格朗日松弛,其中的应用程序分解是众所周知的确定性框架。然而,它的应用程序,这样的闭环问题是不简单的,需要一个额外的统计近似的对偶过程。本文给出了一个收敛性证明,它直接来自于最优化中对偶问题的经典结果,并扩大了我们的近似所造成的误差。数值结果也提供了一个大规模的SOC问题。这个想法扩展了Barty,Carpentier和Girardeau(2010)提出的原始DADP算法。
2010-12-15 math.OC
Multicut decomposition methods with cut selection for multistage stochastic programs
我们介绍了一个变种的多割分解算法(MuDA),称为CuSMuDA(切割选择多割分解算法),用于解决多级随机线性规划,采用策略来选择最相关的削减近似追索函数。我们证明了收敛的方法在有限数量的迭代,并用它来解决6个投资组合问题的直接交易成本下的回报不确定性和6个库存管理问题下的需求不确定性。在所有的问题实例中,CuSMuDA比MuDA快得多:对于所考虑的库存问题快5.1到12.6倍,对于库存问题快6.4到15.7倍。
2019-07-22 math.OC
Fast Inexact Decomposition Algorithms For Large-Scale Separable Convex Optimization
本文提出了一种新的求解可分凸优化问题的不精确对偶分解算法。该算法结合了对偶拉格朗日分解、平滑和过度间隔三种技术。该算法在每次迭代中只需要一个原始步骤和两个对偶步骤,并允许不精确地并行求解每个分量的子问题。此外,算法参数自动更新,没有任何调整策略,在增广拉格朗日方法。我们分析了算法的收敛性,并估计了其$O(\frac{1}{\varepsilon})$最坏情况的复杂度。数值算例验证了理论结果。
2013-02-07 math.OC
Solving decision problems with endogenous uncertainty and conditional information revelation using influence diagrams
针对影响图数学规划表述的建模与计算局限,提出整合条件非预期性约束以处理两类内生不确定性的方法,结合子图分解提升性能,并通过大规模气候减缓成本效益问题验证框架有效性。
2025-06-18 math.OC
A Proximal Decomposition Method for Solving Convex Variational Inverse Problems
UPMC Université Paris 06(巴黎第六大学);Laboratoire Jacques-Louis Lions – UMR 7598(雅克-路易·利翁斯实验室);Université Paris-Est(巴黎东大学);Institut Gaspard Monge and UMR CNRS 8049(加斯帕尔·蒙日研究所)
提出一种用于Hilbert空间中多个凸函数和最小化问题的近端分解算法,可处理任意数量的非光滑函数,并证明其收敛性,在信号与图像处理中展示数值应用。
2009-06-23 cs.NA math.NA math.OC
Shareability Network Based Decomposition Approach for Solving Large-scale Single School Routing Problems
我们认为,单学校路由问题(SSRP),学生从一个单一的学校拿起一队校车,受一组约束。通常对校车施加的限制是巴士容量,学生到接送点的最大步行距离以及每个学生的最大通勤时间。这是具有共同目的地的车辆路径问题(VRP)的一个特例。我们提出了一种分解方法来解决这个问题的基础上现有的概念的共享网络,这已被用于最近的上下文中的动态拼车问题。此外,我们提出了一个简化的公式来解决SSRP之间的联系,SSRP和加权集合覆盖问题(WSCP)。为了将此方法扩展到大规模问题实例,我们提出了i)基于可共享网络的分解方法的节点压缩方法,以及ii)在实践中表现良好的基于启发式的边缘修剪技术。我们表明,压缩的问题导致一个线性规划(ILP)的降维,可以有效地解决使用现成的ILP求解器。在合成的波士顿公立学校(BPS)实例上进行了数值实验,以评估我们的方法的性能。同时,我们提出的SSRP公式允许一个自然扩张引入替代交通模式的学生,这有效地减少了每个学校所需的巴士数量,导致平均15%的成本降低。此外,两个国家的最先进的大规模SSRP解决技术相比,我们提出的方法在基准网络和我们的方法优于这两种技术在一个单一的学校设置。
2022-04-07 math.OC physics.soc-ph
A Decomposition Method for Solving Sensitivity-Based Distributed Optimal Power Flow
National Renewable Energy Laboratory(美国国家可再生能源实验室);Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种基于灵敏度的分布式OPF求解方法,利用ADMM算法提高计算效率,相比传统方法快14倍。
2025-12-27 cs.SY eess.SY math.OC
Combining Lagrangian Decomposition and Excessive Gap Smoothing Technique for Solving Large-Scale Separable Convex Optimization Problems
Department of Electrical Engineering (ESAT-SCD) and Optimization in Engineering Center (OPTEC), K.U. Leuven(荷语鲁汶大学电气工程系(ESAT-SCD)与工程优化中心(OPTEC));Hanoi University of Science(河内科技大学)
提出一种结合拉格朗日对偶分解、过度间隙和平滑技术的新算法,动态更新平滑参数以实现数值鲁棒性,并证明在弱条件下收敛速度为O(1/k)。
2011-11-30 cs.SY eess.SY math.OC
A New Computational Approach for Solving Linear Bilevel Programs Based on Parameter-Free Disjunctive Decomposition
针对线性双层规划单层重构中big-M计算NP难的问题,提出一种无参数的基于析取的分解算法,可保证最优解并展现良好性能。
2024-06-16 cs.SY eess.SY math.OC
Solving high-dimensional nonlinear filtering problems using a tensor train decomposition method
本文提出了一种有效的解决高维非线性滤波(NLF)问题的数值方法。具体来说,我们使用张量训练分解方法来解决所产生的NLF问题的前向Kolmogorov方程(FKE)。我们的方法包括离线和在线阶段。在离线阶段,我们使用有限差分法离散的偏微分算子参与FKE和提取低维结构的解决方案空间中使用张量训练分解方法。此外,我们使用张量训练分解方法来近似FKE算子的演化。在在线阶段,使用预先计算的低秩近似张量,我们可以快速求解FKE给定的新的观测数据。因此,我们可以实时地解决NLF问题。在一些温和的假设下,我们提供了所提出的方法的收敛性分析。最后,我们提出的数值结果显示所提出的方法在解决高维NLF问题的效率和精度。
2019-08-12 cs.CE cs.NA cs.SY
Nested Column Generation decomposition for solving the Routing and Spectrum Allocation problem in Elastic Optical Networks
随着互联网流量的持续增长和光谱的稀缺,持续需要优化该资源的使用。在使用灵活频率网格范例提供弹性光网络的过程中,电信运营商必须处理NP完全的组合优化问题,即路由和频谱分配(RSA)问题。在我们之前的研究中,我们使用了非线性规划,并提出了一个基于光路分解的列生成算法,这被证明是迄今为止最有效的,我们现在考虑传统的配置分解,在过去的其他作品中已经研究过。在这个过程中,我们使用两个变量集而不是单个变量集创建了一个新的数学模型。同样重要的是,我们独立地重新发现了嵌套列生成技术,并使用它提出了一个算法,该算法对使用相同配置分解的先前算法进行了相当大的改进。与最新的此类现有研究相比,我们的算法实现了1%的准确性差距,而之前的研究为14.3%,平均运行时间快了两个数量级。
2020-01-17 cs.DS cs.NI math.OC
Combining Convex-Concave Decompositions and Linearization Approaches for solving BMIs, with application to Static Output Feedback
K.U. Leuven(荷语鲁汶大学);Katholieke Universiteit Leuven(荷语鲁汶大学)
提出一种将双线性映射分解为两个半正定凸映射之差,并通过线性化凹部分转化为凸子问题的新优化方法,用于求解双线性矩阵不等式约束下的凸函数最小化问题,并应用于输出反馈控制器综合。
2011-09-15 cs.SY eess.SY math.OC
Smoothed Two-Stage Decomposition Algorithm for Solving Large-Scale Transmission and Distribution AC-OPF Problems
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Northwestern University(西北大学)
针对分布式能源资源集成带来的大规模输配电交流最优潮流问题,提出平滑两阶段分解优化器,通过分解问题结构并行求解,不依赖近似或松弛,经实验验证求解时间减少、可扩展性增加,有效助力DER集成。
2026-07-21 cs.SY eess.SY math.OC
Accelerating L-shaped Two-stage Stochastic SCUC with Learning Integrated Benders Decomposition
Louisiana State University(路易斯安那州立大学)
本文提出三种基于机器学习的Benders分解增强变体,通过回归和分类方法生成更紧的割并精简主问题,有效降低了两阶段随机SCUC的计算成本与内存使用。
2023-11-17 cs.LG math.OC
Improving Clique Decompositions of Semidefinite Relaxations for Optimal Power Flow Problems
RTE(法国输电系统运营商RTE);Université Paris 13(巴黎第十三大学);Polytechnique Montréal(蒙特利尔高等综合理工学院);University of Edinburgh(爱丁堡大学)
半定规划(SDP)为最优潮流问题提供了严格的下界。然而,解决大规模SDP问题需要利用稀疏性。在本文中,我们实验几个团分解算法,导致不同的重新制定,我们表明,分辨率是高度敏感的团分解过程。我们的主要贡献是证明,最小化弦扩展中的附加边的数量并不总是合适的,以获得一个良好的团分解。
2019-12-19 cs.RO math.OC
A regularization-patching dual quaternion optimization method for solving the hand-eye calibration problem
Hangzhou Dianzi University(杭州电子科技大学);The Hong Kong Polytechnic University(香港理工大学);City University of Hong Kong(香港城市大学)
手眼标定问题是机器人研究中的一个重要应用问题。基于对偶四元数向量的2-范数,提出了一种新的对偶四元数优化手眼标定方法。将对偶四元数优化问题分解为两个四元数优化子问题。第一个四元数优化子问题控制机器人手的旋转。通过特征值分解或奇异值分解可以有效地求解。如果第一四元数优化子问题的最优值为零,则系统在旋转方向上是无噪声的,即,存在一个“完美”的机器人手运动,它能精确地满足所有测试姿态的旋转。在这种情况下,我们应用正则化技术来解决第二子问题,以最小化平移的距离。另外,我们应用修补技术来解决第二个四元数优化子问题。然后求解第二个四元数优化子问题就转化为求解一个二次约束二次规划问题。这样,我们就对手眼标定问题的解集给出了完整的描述。这在手眼校准文献中是新的。数值结果也显示了所提出的方法的有效性。
2022-09-16 cs.RO math.OC
Sequential decomposition of stochastic Stackelberg games
本文研究了一个离散时间的随机Stackelberg对策,该对策具有一个领导者和多个追随者。跟随者和领导者都有条件独立的私有类型,以行动和先前的状态为条件,作为受控的马尔可夫过程进化。我们的目标是计算随机Stackelberg均衡的游戏中的领导者承诺的动态策略。每个追随者的策略是领导者的策略和其他追随者的策略的最佳对策,而每个领导者的策略是最优的,如果追随者采取最佳对策。一般来说,计算这样的均衡需要求解整个博弈的不动点方程。在本文中,我们提出了一个向后递归算法,计算这样的战略,解决较小的不动点方程每次$t$。在此基础上,我们计算了一个安全实例和一个用于~ \cite{El17}(beeps)的动态信息设计实例的随机Stackelberg均衡。
2022-09-19 cs.GT econ.TH math.OC
Model-Free Optimal Control of Linear Multi-Agent Systems via Decomposition and Hierarchical Approximation
为大规模多智能体系统(MAS)设计最优线性二次型调节器(LQR)是一项耗时的工作,因为它涉及求解大型矩阵Riccati方程。当设计需要使用强化学习(RL)等方案以无模型的方式完成时,情况会进一步恶化。为了降低计算复杂度,我们将大规模LQR设计问题分解为多个较小尺寸的LQR设计问题。我们认为目标函数被指定在一个无向图,并铸造分解为一个图聚类问题。该图被分解成两部分,一部分由独立的连接组件集群组成,另一部分包含连接不同集群的边。因此,所得到的控制器具有由两个组件组成的分层结构。第一个组件通过使用RL算法以无模型的方式解决较小尺寸的LQR设计问题来优化每个独立集群的性能。第二个组成部分占目标耦合不同的集群,这是通过解决最小二乘问题在一个镜头。虽然次优,分层控制器坚持一个特定的结构,指定的目标函数中的代理间的耦合和分解策略。建立数学公式,以找到一个分解,最大限度地减少所需的通信链路的数量或减少最优性差距。数值模拟提供突出的优点和缺点的建议的设计。
2021-03-17 cs.MA cs.SY eess.SY