Robust Nonlinear L2 Filtering of Uncertain Lipschitz Systems via Pareto Optimization
University of Alberta(阿尔伯塔大学);Maplesoft
本文提出了一种基于LMI框架的新方法,用于鲁棒H∞滤波,针对具有时变不确定性的利普希茨非线性系统,通过凸多目标优化同时最大化系统利普希茨常数和扰动抑制水平,保证估计误差动态的渐近稳定性与指数收敛性。
2014-03-01 cs.SY eess.SY math.OC
Optimization of a Dynamic Profit Function using Euclidean Path Integral
在瓦尔拉斯系统、帕累托最优和非合作反馈纳什均衡下,利用欧几里德路径积分求出了企业的最优策略。我们定义了动态最优策略,并发展了一个费曼型路径积分方法来捕获所有的非加性凸策略。我们还表明,该方法可以解决非线性的情况下,例如Merton-Garman-Hamilton系统,传统的庞特里亚金最大值原理不能解决的封闭形式。此外,在瓦尔拉斯系统下,我们能够求解线性约束下的最优策略,目标函数是关于策略的线性。
2020-02-21 econ.TH math.OC math.PR
A descent method for nonsmooth multiobjective optimization problems on Riemannian manifolds
该研究提出黎曼流形上非光滑多目标优化的下降法,仅需目标函数局部利普希茨连续,通过黎曼ε-次梯度凸包获下降方向结合Armijo线搜索,证明有限步收敛到帕累托最优必要条件点,数值实验验证了方法有效性。
2025-01-13 math.OC
Unboundedness of the images of set-valued mappings having closed graphs: Application to vector optimization
本文提出了欧氏空间中具有闭图的集值映射像无界性的判别准则,并应用于向量优化,证明了解映射定义域非闭时弱Pareto解集的无界性及拟凸问题中解集不连通时各连通分支的无界性。
2024-09-22 math.OC
A Pareto Dominance Principle for Data-Driven Optimization
针对随机优化中未知真实分布的问题,提出满足样本外失望上界约束下最小化样本内风险的帕累托支配型数据驱动决策方法,证明其对应分布鲁棒优化模型,且非独立同分布数据下仍成立。
2023-12-14 math.OC
Robust Optimization Approach for Solving Uncertain Multiobjective Optimization Problems Using the Projected Gradient Method
本文将投影梯度法扩展至不确定多目标优化问题,结合逐目标最坏情况代价构建鲁棒对等模型,提出投影梯度下降算法并证明其收敛到鲁棒弱Pareto最优解,数值实验验证了方法有效性。
2025-03-09 math.OC
Non-Extreme Individual Minima for Improved Pareto Front Sampling Efficiency and Decision-Making
Systems Modeling and Simulation, Saarland University, Saarbrücken, Germany(萨尔兰大学)
本文提出非极端个体极值概念,通过改进帕累托前沿采样效率和决策制定方法,提升多目标优化的实用性与鲁棒性。
2026-02-25 math.OC
Approximating Multiple Robust Optimization Solutions in One Pass via Proximal Point Methods
本文提出一种基于近端点方法的程序,可一次性逼近多个Pareto有效鲁棒解,将计算需求从N×T降至2×T,并在鲁棒线性优化问题中证明了其精确性或高概率近似保证。
2024-10-03 math.OC
Multi-objective Robust Optimization using a Post-optimality Sensitivity Analysis Technique: Application to a Wind Turbine Design
对于多目标最优化鲁棒优化问题,设计变量和设计环境参数的变化包括小变化和大变化。前者对性能函数和/或约束影响较小,后者是指对性能函数和/或约束影响较大的。本文讨论了性能函数的鲁棒性。讨论了多目标鲁棒最优化问题的后最优性灵敏度分析技术,并引入了两个鲁棒性指标。第一种考虑性能函数对设计变量和设计环境参数的小变化的鲁棒性。第二鲁棒性指标表征了性能函数对设计环境参数的大变化的鲁棒性。它是基于解决方案的能力,以保持一个良好的帕累托排名不同的设计环境参数,由于大的变化。将解的鲁棒性作为鲁棒性函数空间中的向量,鲁棒性函数空间由两个鲁棒性指标定义。因此,设计者可以比较所有帕累托最优解的鲁棒性并做出决定。最后,通过两个实例说明了本文的研究成果。第一个例子是一个数值问题,而第二个问题处理的多目标稳健优化设计的浮动风力涡轮机。
2014-12-03 math.OC
Inverse multiobjective optimization: Inferring decision criteria from data
这是一个非常具有挑战性的任务,以确定某个决定的基础上的目标,特别是如果几个,可能相互冲突的标准是同样重要的,一个连续的最佳折衷的决定存在。这个任务可以理解为多目标优化的逆问题,目标是找到给定Pareto集的目标向量。为此,我们提出了一种方法来构造多目标最优化问题(MOP)的目标向量,使得Pareto临界集包含一组给定的数据点或决策向量。其核心思想是将多目标KKT条件中的目标向量视为变量,然后搜索使所得方程组的欧几里德范数最小的目标。通过在有限维的基础上表达的目标,我们把这个问题转化为一个齐次,线性方程组,可以有效地解决。这种方法有许多重要的潜在应用。除了目标的识别(从干净的和有噪声的数据),该方法可用于昂贵的MOPs,这产生显着的加速代理模型的建设。这两个应用程序都说明了使用几个例子。
2019-01-18 math.OC
A Hybrid 2-stage Neural Optimization for Pareto Front Extraction
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Oden Institute for Computational Engineering and Sciences(奥登计算工程与科学研究所)
分类、推荐和排名问题通常涉及具有附加约束的竞争目标(例如,以满足公平性或多样性标准)。这样的优化问题是相当具有挑战性的,通常涉及非凸函数以及在平衡权衡中考虑用户偏好。帕累托解代表了联合优化多个竞争目标的最优边界。经常使用的线性标量化策略的一个主要障碍是,由此产生的优化问题可能并不总是收敛到全局最优。此外,这样的方法每次运行仅返回一个解点。帕累托解集是针对不同权衡选择的多次运行中所有此类全局最优解的子集。因此,帕累托前沿只能通过线性标量化问题的多次运行来保证,其中所有运行都收敛到它们各自的全局最优值。因此,为实际问题提取帕累托前沿在计算上是难以处理的,具有大量的计算开销、有限的可扩展性和降低的准确性。我们提出了一个强大的,低成本的,两阶段的,混合神经帕累托优化方法,是准确的和规模(计算空间和时间)与数据维度,以及功能和约束的数量。第一阶段(神经网络)有效地提取一个弱的帕累托前沿,使用弗里茨-约翰条件作为约束,没有假设的凸性的目标或约束。第二阶段(有效帕累托过滤器)提取强帕累托最优子集给定的弱前从阶段1。Fritz-John条件为我们提供了真实和网络提取的弱Pareto前沿之间的近似误差的理论界。数值实验表明,一组典型的基准问题和公平性优化任务从以前的作品的准确性和效率。
2021-02-13 cs.LG math.OC
Novel insights into Pareto fronts in multiobjective topology optimization and a comparative study of scalarization strategies
KU Leuven(荷语鲁汶大学);Technische Universität Ilmenau(伊尔梅瑙工业大学);Technical University of Denmark(丹麦技术大学)
本文理论比较了加权和、ε-约束与Pascoletti-Serafini标量化方法,揭示了拓扑优化中Pareto前沿由局部前沿片段组成,可能导致非凸不连通前沿,并通过数值实验展示了不同方法的逼近效果。
2026-08-27 math.OC
A general theory of singular values with applications to signal denoising
研究了向量空间上两个竞争范数$\|\cdot\|_X$和$\|\cdot\|_Y$的Pareto前沿.对于给定的矢量$c$,帕累托边界描述了分解$c=a+b$的$(\|a\|_X,\|b\|_Y)$的可能值。矩阵的奇异值分解与谱范数和核范数的Pareto前沿密切相关。我们将发展一个一般理论,将矩阵的奇异值的概念推广到具有对偶范数的任意有限维欧几里德向量空间。这也推广了作者在以前的工作中介绍的张量的对角奇异值分解。我们可以将结果应用于去噪,其中$c$是噪声信号,$a$是稀疏信号,$b$是噪声。应用包括1D全变分去噪、2D全变分Rudin-Osher-Fatemi图像去噪、LASSO、基追踪去噪和张量分解。
2017-05-30 cs.IT cs.NA math.IT
Including robustness in multi-criteria optimization for intensity-modulated proton therapy
我们提出了一种方法,包括强度调制质子治疗(IMPT)的多标准优化(MCO)框架的鲁棒性。该方法允许同时探索不同目标之间的权衡以及鲁棒性和标称计划质量之间的权衡。在MCO中,预先计算每个计划强调不同治疗计划目标的计划数据库,以近似帕累托曲面。可以通过在帕累托表面上导航来选择在不同目标之间达到最佳平衡的IMPT治疗计划。在我们的方法中,鲁棒性集成到MCO通过添加鲁棒目标和约束的MCO问题。鲁棒性问题的不可预测性通过预先计算的标称场景和一些预定义的错误场景的剂量影响矩阵来建模。鲁棒目标表示对于任何错误场景可以实现的最差目标函数值。该优化方法是基于线性投影求解器,并能够处理大的问题尺寸所产生的精细剂量网格分辨率,许多情况下,和大量的质子笔形束。一个颅底的情况下,用于演示鲁棒优化方法。它表明,鲁棒optimizationmethod的设置和范围误差的治疗计划的敏感性降低到一定程度上,是没有实现的安全裕度的方法。脉络膜病例进行了更详细的分析,以证明所涉及的目标剂量不足和脑干保留以及鲁棒性和标称计划质量之间的权衡。后者说明了MCO在稳健规划方面的优势。对于所有的情况下,每个帕累托最优计划的鲁棒优化需要不到5分钟的标准计算机上,使计算友好的界面可能的规划。
2011-12-22 math.OC physics.med-ph
Collaborative Pareto Set Learning in Multiple Multi-Objective Optimization Problems
School of Mathematics and Statistics, Guangdong University of Technology(广东工业大学数学与统计学院);Department of Computer Science and Engineering, Southern University of Science and Technology(南方科技大学计算机科学与工程系)
针对现有 Pareto 集学习(PSL)方法无法同时处理多个多目标优化问题(MOP)的低效性,本文提出协作 Pareto 集学习框架(CoPSL),通过共享层和特定层架构同时学习多个 MOP 的 Pareto 集,显著提升了近似效率和鲁棒性。
2025-04-05 cs.LG math.OC
Second-order cone programming for distributionally robust compliance optimization of trusses considering input distribution uncertainty
The University of Tokyo(东京大学)
针对输入数据有限导致分布不确定性的问题,提出基于条件风险价值(CVaR)的双目标桁架柔度优化模型,并证明在均匀核或三角核下可简化为二阶锥规划。
2025-09-10 math.OC
Robust Online Learning for Resource Allocation -- Beyond Euclidean Projection and Dynamic Fit
Technische Universität München(慕尼黑工业大学)
在线学习的文献集中在设计算法,以确保次线性增长的累积长期约束违反。这种保证的缺点是严格可行的动作可能会抵消其他时隙上的约束违反。出于这个原因,我们引入了一个新的性能指标称为$\hCFit$,其特定的实例是累积的约束违反的积极的一部分。我们提出了一类非因果关系的在线决策,保证,在缓慢变化的环境中,这个数量的次线性增长,尽管嘈杂的一阶反馈算法。此外,我们通过数值实验证明了我们的方法相对于最先进的性能增益。
2019-10-21 cs.LG math.OC
ROBBO: An Efficient Method for Pareto Front Estimation with Guaranteed Accuracy
ROBBO是一种高效的双目标优化帕累托前沿估计方法,通过有限采样保证近似误差在预设容差内,并在理论和数值上优于现有方法,已应用于路径跟踪和反应器优化。
2025-06-22 cs.SY eess.SY math.OC
The stochastic multi-gradient algorithm for multi-objective optimization and its application to supervised machine learning
冲突函数的优化在决策制定中至关重要,现实世界的应用经常涉及不确定或未知的数据,导致随机型的多目标最优化(MOO)问题。我们研究了随机多梯度(SMG)方法,作为经典的单目标优化随机梯度法的扩展。在SMG方法的每一次迭代中,通过求解一个二次子问题来计算一个随机多梯度方向,并且证明了即使所有的梯度估计都是无偏的,这个方向也是有偏的。我们建立率计算一个点的帕累托前,类似于已知的随机梯度在凸和强凸的情况下。该分析处理了多梯度中的偏差和限制Pareto点的未知先验权重。SMG方法被构造成用于计算整个Pareto前沿的Pareto前沿型算法。帕累托前沿SMG算法能够鲁棒地确定帕累托前沿的合成测试问题的数量。人们可以将其应用于监督机器学习产生的任何随机MOO问题,我们报告了逻辑二进制分类的结果,其中多个目标对应于不同来源的数据组。
2021-02-05 cs.NA math.NA math.OC
A Dual Basis Approach for Structured Robust Euclidean Distance Geometry
Department of Statistics and Data Science University of Central Florida(统计与数据科学系 佛罗里达中央大学);Department of Mathematics Tufts University(数学系 塔夫茨大学);Department of Statistics and Data Science Department of Computer Science University of Central Florida(统计与数据科学系 计算机科学系 佛罗里达中央大学)
针对含异常值的部分观测EDM,提出基于非正交对偶基的RoDEoDB框架,实现点配置的精确恢复,并在传感器定位和分子构象任务中验证优越性。
2025-05-23 cs.IT cs.LG math.IT
Non-Euclidean Contraction Theory for Robust Nonlinear Stability
本文研究了动力系统关于非欧范数的收缩稳定性和增量稳定性的充要条件。首先,我们引入弱对作为一个框架来研究关于任意范数的压缩性,并刻画了它们的性质。我们介绍和研究的符号和最大配对的$\ell_1$和$\ell_\infty$规范,分别。利用弱对,我们建立了压缩的五个等价刻画,包括向量场的单边利普希茨条件以及相应Jacobian的矩阵测度和Demidovich条件.第三,我们扩展我们的收缩框架在两个方向:我们证明了连续向量场的收缩等价,我们正式的平衡收缩,这确保指数收敛到一个平衡的较弱的概念。最后,作为应用,我们提供了(i)增量输入状态稳定性和有限输入状态增益性质的收缩系统,和(ii)的Lipschitz互连收缩系统的一般定理,其中的Hurwitzness的增益矩阵意味着收缩性的关联系统。
2022-08-01 cs.SY eess.SY math.OC
Robust Implicit Networks via Non-Euclidean Contractions
Politecnico di Torino(都灵理工大学);Institute for Problems in Mechanical Engineering, Russian Academy of Sciences(俄罗斯科学院机械工程问题研究所)
隐式神经网络,也就是,深度平衡网络是一类隐式深度学习模型,其中通过求解不动点方程来执行函数评估。它们推广了经典的前馈模型,等价于无限深度的权重绑定前馈网络。虽然隐式模型显示出更高的精度和显着减少内存消耗,但它们可能会遭受不适定性和收敛不稳定性。本文提出了一个新的框架,我们称之为非欧单调算子网络(NEMON),设计适定性和鲁棒的隐式神经网络的收缩理论的基础上的非欧范数$\ell_{\infty}$。我们的框架包括:(i)一个新的适定性条件的基础上单侧Lipschitz常数,(ii)计算不动点的平均迭代,和(iii)输入输出Lipschitz常数的显式估计。此外,我们设计了一个训练问题的适定性条件和平均迭代作为约束,并实现强大的模型,与输入输出Lipschitz常数作为正则化。我们的$\ell_{\infty}$适定性条件导致一个更大的多面体训练搜索空间比现有的条件和我们的平均迭代享受加速收敛。最后,我们评估我们的框架在图像分类通过MNIST和CIFAR-10数据集。我们的数值结果表明,更小的输入输出Lipschitz界的隐式模型的精度和鲁棒性。代码可在https://github.com/davydovalexander/Non-Euclidean_Mon_Op_Net上获得。
2022-01-26 cs.LG cs.SY eess.SY
A Multi-Stage Supply Chain Network Optimization Using Genetic Algorithms
在今天的全球商业市场上,单个公司不再作为拥有独特品牌的独立实体竞争,而是作为供应链环节的组成部分竞争。任何企业成功的关键是满足客户的需求,这可能会导致成本降低和服务水平的提高。在供应链网络中,在竞争和协作的环境中,决策是在产品需求、成本、价格、交货期、质量等不确定性的情况下做出的。如果决策不当,可能会导致成本高昂的库存过剩或无法满足客户需求的库存不足。在这项工作中,我们开发了一个双目标模型,最大限度地减少系统范围内的供应链成本和延迟交付的产品配送中心的三级供应链。为多目标最优化问题选择一组Pareto前沿需要鲁棒且高效的方法,该方法可以搜索整个空间。我们使用进化算法来找到一组帕累托前沿已被证明是有效的,在寻找整个帕累托前沿。
2014-08-04 cs.NE math.OC
From Dual Tracking to Clipping: Provably Faster Distributionally Robust Multi-Objective Optimization
Department of Computer Science(计算机科学系);Texas A& M University(德克萨斯A&M大学);University of Maryland(马里兰大学)
本文提出分布鲁棒多目标优化(DR-MOO),通过多梯度下降算法(MGDA)在非凸设定下实现ε-Pareto- stationary点,改进样本复杂度至O(ε^{-4})。
2026-10-07 cs.LG math.OC
The Karush-Kuhn-Tucker Optimality Conditions for Multi-Objective Interval-Valued Optimization Problem on Hadamard Manifolds
本文研究了Hadamard流形上多目标区间值优化问题的KKT最优性条件,在LU和CW序下定义了Pareto最优解,并在凸性、伪凸性和广义Hukuhara差下提出KKT条件,证明了其比欧氏空间上的现有结果更具一般性。
2024-08-26 math.DG math.OC
Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach
Georgia Institute of Technology(佐治亚理工学院);University of California, Santa Barbara(加州大学圣巴巴拉分校)
提出了一种基于非欧收缩理论的隐式神经网络训练和鲁棒性验证的理论和计算框架。其基本思想是将神经网络的鲁棒性分析转化为可达性问题,并利用$\ell_{\infty}$ -范数输入输出Lipschitz常数和网络的紧包含函数过逼近其可达集。首先,对于一个给定的隐式神经网络,我们使用$\ell_{\infty}$ -矩阵措施,提出了它的适定性的充分条件,设计了一个迭代算法来计算其不动点,并提供其$\ell_\infty$ -范数输入输出Lipschitz常数的上界。其次,我们介绍了一个相关的嵌入式网络,并表明嵌入式网络可以用来提供一个$\ell_\infty$ -范数盒过逼近的可达集的原始网络。此外,我们使用嵌入式网络设计了一个迭代算法来计算原系统的紧包含函数的上界。第三,我们利用Lipschitz常数的上界和紧包含函数的上界设计了两个隐式神经网络的训练和鲁棒性验证算法。最后,我们应用我们的算法训练隐式神经网络的MNIST数据集和比较我们的模型的鲁棒性,通过现有的方法在文献中训练的模型。
2022-08-08 cs.LG cs.SY eess.SY
Structured Sampling for Robust Euclidean Distance Geometry
University of Central Florida(中佛罗里达大学);Tufts University(塔夫茨大学)
针对稀疏离群值干扰下基于距离测量的点位置估计问题,提出一种结合Nyström方法和鲁棒主成分分析的新算法,无需目标节点间距离测量,仅处理局部距离矩阵子集,在传感器定位等场景中实现高效鲁棒的位置估计。
2025-02-18 cs.IT cs.LG math.IT
Adaptive Metrics for Norm-Minimization-Based Outer Approximation in Convex Vector Optimization
King Fahd University of Petroleum & Minerals(国王法赫德国王石油与矿产大学);Interdisciplinary Research Center for Smart Mobility and Logistics, King Fahd University of Petroleum & Minerals(国王法赫德国王石油与矿产大学智能交通与物流交叉研究中心)
提出一种自适应度量框架,通过动态改变标量化度量并利用问题几何结构,在凸向量优化的外部逼近算法中实现更优的收敛速率和迭代次数减少。
2026-07-15 cs.NA math.NA math.OC