ArcLP: A Matlab implementation of an $\mathcal{O}(\sqrt{n}L)$ arc-search infeasible interior-point algorithm for linear programming
本文实现了具有最优O(√n L)多项式界的线性规划弧搜索不可行内点算法,经Netlib基准测试,其计算性能与Mehrotra预测-校正算法相当,且能求解大规模问题。
2026-08-03 math.OC
A Limiting Analysis on Regularization of Singular SDP and its Implication to Infeasible Interior-point Algorithms
我们考虑半定规划的原始对偶对,并假设它们是不适定的,即,原始和对偶都是弱可行或弱不可行的。在这种情况下,强对偶可能会崩溃,原始对偶和对偶可能会有一个非零的对偶间隙。然而,有任意的小扰动的问题数据,使扰动的原始对偶对强可行,从而零的对偶差距。在本文中,我们进行了渐近分析的最优值的扰动驱动到零。具体地说,我们固定两个正定矩阵(典型的是单位矩阵),并将原、对偶的相关仿射空间向这两个正定矩阵的方向以不同的比例稍微移动,使得扰动问题具有内部可行解,并分析了当扰动降为零时,扰动问题的最优值的行为.我们的分析的一个关键特征是,没有进一步的假设,如紧凑性或约束规格。结果表明,扰动问题的最优值收敛于原问题的原始和对偶最优值之间的值。最后,分析导致我们的相对令人惊讶的后果,不可行的内点算法SDP生成一个序列收敛到一个数之间的原始和双最优值,即使在存在一个非零的对偶间隙。我们期望,这个属性可能是特别有用的解决混合整数SDP与不可行的内点方法。
2022-10-24 math.OC
A new search direction for full-Newton step infeasible interior-point method in linear optimization
本文研究了线性最优化的全牛顿步不可行邻域点法。该方法通过对系统中心方程进行代数等价变换,从而定义了中心路径,并证明了该方法在多项式时间内找到问题的$\varepsilon$-最优解.
2021-02-14 cs.NA math.NA math.OC
On the behavior of Lagrange multipliers in convex and non-convex infeasible interior point methods
我们分析了由内点方法(IPM)在凸和非凸设置产生的序列。我们证明了移动的原始可行性在相同的速度作为障碍参数$μ$确保拉格朗日乘子序列保持有界,提供原始序列的极限点有一个拉格朗日乘子。此结果不需要约束规格。我们还保证IPM找到一个解决方案,满足严格互补性,如果存在。另一方面,如果原始可行性降低得太慢,则算法收敛到最小互补点;如果原始可行性降低得太快,并且拉格朗日乘子的集合是无界的,则拉格朗日乘子的范数趋于无穷大。我们的理论具有重要的意义,IPM的设计。具体来说,我们表明,IPOPT,一个算法,不仔细控制原始可行性有实际问题的双重乘数值增长到不必要的大值。相反,\citet*{hinder2018one}的单阶段IPM(一种控制原始可行性的算法,正如我们的理论所建议的那样)没有这样的问题。
2019-06-11 math.OC
A primal-dual interior-point method capable of rapidly detecting infeasibility for nonlinear programs
借助于对数障碍增广拉格朗日函数,我们可以得到非线性规划的障碍问题的松弛变量的封闭解。由此,提出了一个两参数原始-对偶非线性系统,当其中一个参数为零时,该系统分别对应于非线性规划的Karush-Kuhn-Tucker点和不可行稳定点.基于这个独特的系统,我们提出了一个原始-对偶内点方法能够快速检测非线性规划的不可行性。该方法生成内点迭代而不截断步长。证明了当障碍参数趋于零时,该方法收敛于原问题的Karush-Kuhn-Tucker点。否则,尺度参数趋于零,并且该方法收敛到原问题的不可行稳定点或奇异稳定点。此外,我们的方法具有快速检测问题的不可行性的能力。在适当的条件下,当原问题可行时,该方法可以超线性或二次收敛到Karush-Kuhn-Tucker点;当原问题不可行时,该方法也可以超线性或二次收敛到不可行驻点.初步的数值结果表明,该方法在求解一些简单但困难的问题和CUTE集合中的标准测试问题时是有效的,其中在求解文献中提出的两个不可行问题和一个适定的可行反例时,证明了该方法的超线性收敛.
2018-07-08 math.OC
Primal-Dual Interior-Point Methods for Domain-Driven Formulations
本文研究了求解凸优化问题的不可行起始原-对偶内点方法,该方法具有典型的自然形式,我们称之为区域驱动形式。我们的算法扩展了许多优势的原始-对偶内点技术可用于圆锥公式,如目前最好的复杂性界限,和更强大的证书近似最优性,无界性和不可行性,域驱动的配方。即使在线性规划的情况下,对于所使用的不可行启动设置来说,复杂性结果也是新的。除了复杂性的结果,我们的算法的目的是扩大应用程序,和软件的内点方法,以更广泛的类的问题超越对称锥优化。
2019-03-13 math.OC
Iteration Complexity of an Infeasible Interior Point Methods for Seconder-order Cone Programming and its Warmstarting
研究了二阶锥规划(SOCP)的一种不可行内点方法(IPM)的最坏情况迭代复杂性,与可行IPM相比,该方法更便于热启动.该方法基于齐次自对偶模型和Monteiro-Zhang搜索方向族。它的最坏情况迭代复杂度是$O\left(k^{1/2}\log\left(ε^{-1}\right)\right)$,以将原始残差、对偶残差和互补缺口减少$ε$的因子,其中$k$是锥约束的数量。该结果与可行IPM的最佳已知结果相同。研究了热启动提高复杂度界的条件。
2023-01-24 cs.CC math.OC
An inexact infeasible arc-search interior-point method for linear optimization problems
Institute of Science Tokyo(东京科学大学)
本文提出一种结合弧搜索策略和近似解牛顿系统的近似不可行内点法,通过更精确地逼近中央路径,提高了迭代次数和计算时间的效率。
2026-01-07 cs.NA math.NA math.OC
A primal-dual interior-point relaxation method for nonlinear programs
我们证明了经典的对数障碍问题等价于一个特殊的对数障碍正松弛问题的障碍和标度参数。在此基础上,提出了一种求解非线性规划问题的线搜索原对偶内点松弛法。该方法不要求原迭代或对偶迭代都是邻域点,这与文献中已有的内点方法有显著的不同。为了保证算法的整体收敛,采用了一种新的既依赖于原始变量又依赖于对偶变量的对数障碍罚函数,其中罚参数自适应地更新。在不假设任何正则性条件的情况下,证明了只要障碍参数趋于零,我们的方法将终止于原问题的一个近似KKT点。本文给出了一些初步的数值结果,包括一个适定问题的结果,对于这个适定问题,许多线搜索内点方法都不能证明是全局收敛的;一个可行问题的结果,对于这个可行问题,LICQ和MFCQ不能保持在解上;以及CUTE集合的一些标准测试问题。这些结果表明,我们的算法不仅是有效的适定的可行问题,但也适用于一些不适定的可行问题,甚至一些不可行的问题。
2018-07-09 math.OC
An infeasible interior-point arc-search method with Nesterov's restarting strategy for linear programming problems
本文针对线性规划问题提出两种结合Nesterov重启策略的弧搜索内点法,其中第二种融合Mehrotra型思想,在数值实验中显著减少了迭代次数与计算时间。
2023-09-28 cs.NA math.NA math.OC
Stable interior-point method for convex quadratic programming with strict error bounds
提出了求解一类二次目标函数为非线性规划问题的一种短步长内点法。凸二次规划问题可以转化为这类问题。该方法具有弱多项式时间复杂度。给出了该方法数值稳定性的完整证明。没有要求的可行性,行秩的约束雅可比矩阵,严格互补性,或条件的问题。不可行的问题被解决到一个最优的内部最小二乘解。
2018-05-10 math.OC
A one-phase interior point method for nonconvex optimization
Wachter和Biegler的工作表明,为线性规划开发的不可行启动内点方法(IPM)在没有显著修改的情况下不能适用于非线性最优化,即,使用两阶段或惩罚方法。我们提出了一个IPM,通过仔细的初始化和更新的松弛变量,保证找到一个一阶证书的局部不可行性,局部最优性或无界的(移位)可行域。我们提出的算法不同于其他IPM方法的非凸规划,因为我们减少原始可行性在同一速率的障碍参数。这给出了具有更鲁棒收敛特性的算法,并且非常类似于来自线性规划的成功算法。我们实现了该算法,并与IPOPT的CUTEst问题的一个子集。我们的算法需要类似的中位数迭代次数,但只有9%的问题失败,而IPOPT为16%。不可行的变种的CUTEst问题的实验表明检测不可行性的优越性能。我们实现的代码可以在https://github.com/ohinder/OnePhase上找到。
2018-01-11 math.OC
An Interior Point-Proximal Method of Multipliers for Convex Quadratic Programming
本文将不可行内点法(IPM)与邻近乘子法(PMM)相结合。所得到的算法(IP-PMM)被解释为一个原始-对偶正则IPM,适用于求解线性约束凸二次规划问题。我们将内点方法的几次迭代应用于邻近乘子方法的每个子问题。一旦找到PMM子问题的满意解,我们更新PMM参数,形成新的IPM邻域并重复此过程。在这个框架下,我们证明了多项式复杂性的算法,在标准的假设。据我们所知,这是原始-对偶正则化IPM的第一个多项式复杂度结果。该算法是指导使用一个单一的罚参数,即对数障碍。换句话说,我们表明,IP-PMM继承IPMs的多项式复杂性,以及严格的凸性的PMM子问题。罚参数的更新由IPM控制,因此是良好调整的,并且不依赖于所解决的问题。此外,我们研究的行为时,它被应用到一个不可行的问题,并确定了一个必要条件不可行的方法。后者用于构建不可行性检测机制。随后,我们提供了一个强大的实现所提出的算法,并测试了一组小到大规模的线性和凸二次规划问题。数值结果表明,在IPM中使用正则化的好处,以及该方法的可靠性。
2020-03-05 math.OC
An inexact potential reduction method for linear programming
分析了一类利用非精确方向的内点方法。对求解线性规划的内点法中的线性系组进行了重新表述,使其解对右端的扰动不太敏感。对于新的系统,制定了一个实施条件,控制解决方案中的相对误差。基于这个条件,描述了一种可行和一种不可行的势约简方法,这些方法保留了精确方向已知的收敛性和复杂性界限。
2016-07-29 math.OC
Status Determination by Interior-Point Methods for Convex Optimization Problems in Domain-Driven Form
我们研究了以域驱动形式给出的凸优化问题的几何结构,并利用对偶理论对这些问题的可能状态进行了分类。我们的域驱动形式的对偶理论,它接受圆锥和非圆锥约束,让我们确定和证明一个问题的状态,严格的圆锥公式的最佳方法(已被证明是非常有效的,在这种情况下)。我们分析了一个不可行的启动原始对偶法域驱动的形式在返回证书的定义状态的性能。我们的迭代复杂性边界为这个更实际的域驱动的形式匹配最好的圆锥公式。最后,我们提出了一些停止准则的实际算法的基础上,从我们的分析得到的见解。
2019-01-21 math.OC
Design and implementation of a modular interior-point solver for linear optimization
本文介绍了开放源码的线性最优化内点求解器Tulip的算法设计与实现。它实现了一个正则化的同质内点算法与多个中心校正,因此处理无界和不可行的问题。求解器是用Julia编写的,因此允许灵活和高效的实现:Tulip的算法框架完全脱离了线性代数实现和模型的算术。特别是,这允许无缝集成结构化问题的专用例程。广泛的计算结果报告。我们发现Tulip在H. Mittelmann's benchmark of barrier线性规划求解器。此外,我们设计了专门的线性代数例程结构化的主问题的背景下,Dantzig-Wolfe分解。这些例程在电力系统运行和两阶段随机规划中出现的大型和密集实例上产生十倍的加速,从而优于最先进的商业内点方法求解器。最后,我们说明郁金香的能力,使用不同级别的算术精度,通过解决问题的扩展精度。
2020-06-23 math.OC
PIQP: A Proximal Interior-Point Quadratic Programming Solver
本文提出PIQP,一种结合不可行内点法与乘子近端法的高性能稀疏QP求解器,无需约束线性独立性即可处理病态凸QP问题,适用于嵌入式应用,在多项基准测试中性能优于现有商业与开源求解器。
2023-09-15 math.OC
An Interior Point-Proximal Method of Multipliers for Positive Semi-Definite Programming
本文将[An内点-Proximal Method of Multipliers for Convex二次规划,Computational Optimization and Applications,78,307- 351(2021)]中提出的乘子内点-Proximal Method of Multipliers(IP-PMM)推广到求解线性正半定规划(SDP)问题,允许相关牛顿系统的解不精确。特别是,我们结合了不可行的内点方法(IPM)与乘法器的近似方法(PMM)和解释的算法(IP-PMM)作为一个原始-对偶正则IPM,适用于解决SDP问题。我们对PMM的每个子问题进行迭代,直到找到满意的解,然后更新PMM参数,形成一个新的IPM邻域,重复这个过程。在这个框架下,我们证明了多项式复杂性的算法,在温和的假设下,而不需要精确的计算牛顿方向。此外,我们提供了一个必要条件缺乏强的二元性,这可以作为一个基础,构建检测机制,识别病理情况下,在IP-PMM。
2021-09-08 math.OC
Polynomial worst-case iteration complexity of quasi-Newton primal-dual interior point algorithms for linear programming
拟牛顿法是用于大规模数值优化的公知技术。他们在最优化问题中使用Hessian近似,在非线性方程组中使用Jacobian近似。在内点上下文中,拟牛顿算法计算与牛顿系统相关联的矩阵的低秩更新,而不是在每次迭代时从头开始计算。本文证明了线性规划的简化拟牛顿原对偶内点算法具有多项式最坏情况迭代复杂度。考虑了算法的可行和不可行情况,分析了中心路径的最常见邻域。据我们所知,这是第一次尝试为这些方法提供多项式最坏情况下的迭代复杂度界限。不出所料,当使用拟牛顿方向时获得的最坏情况的复杂度结果比采用牛顿方向时的结果更差。然而,拟牛顿更新是非常有吸引力的大规模最优化问题,其中分解矩阵的成本是远远高于解决线性系的成本。
2022-09-09 math.OC
An Inexact Tensor-Train Primal-Dual Interior-Point Method for Semidefinite Programs
Imperial College London(帝国理工学院);University of Bath(巴斯大学)
针对半定规划中解非低秩但可低张量列车秩近似的问题,介绍一种利用张量分解和原始对偶不可行内点框架的方法,实验表明该方法能处理大规模问题,有精度保证且张量列车秩适中,为相关问题求解提供新途径。
2026-07-15 math.OC
Iterative Descent Method for Generalized Leontief Model
本文考虑广义Leontief模型。证明了在一定条件下,基于不可行内点算法的迭代下降法可解。在严格正的起点上证明了该方法的收敛性。最后给出了一个数值例子来验证算法的性能
2018-12-10 math.OC
On the Differentiability of the Primal-Dual Interior-Point Method
针对原对偶内点法在主动不等式约束下导数不连续的问题,提出对数屏障松弛技术结合始终可行的ℓ₁惩罚凸二次规划求解算法,实现可并行的光滑可微求解器,已在机器人任务验证并开源JAX实现。
2024-06-18 math.OC
Superlinear Convergence of an Interior Point Algorithm on Linear Semi-definite Feasibility Problems
本文针对线性半定可行性问题,提出一种实用的初始迭代,使不可行内点算法在求解齐次可行性模型时保证超线性收敛,克服了现有条件不实用的缺陷。
2024-08-21 math.OC
Algorithms for Convex Quadratic Programming
本论文的主要贡献是发展了一个求解凸二次规划的新算法。它是在结合乘数的方法与不可行的有效集方法。我们的方法是迭代的。在每一步中,我们计算一个增广拉格朗日函数。然后,我们最小化这个功能使用不可行的有效集方法,已经成功地应用于类似的问题。在此之后,我们更新的等式约束的拉格朗日乘子。最后,从实际拉格朗日函数的最优解出发,再次尝试用不可行有效集方法直接求解凸二次规划。我们的方法的计算经验表明,通常只有很少(大多数时间只有一个)外迭代(乘数更新),也只有很少(大多数时间小于十)内迭代(拉格朗日函数的最小化)需要达到最优解。毕业论文的组织如下。我们用一些贯穿始终的注释来结束这一章。在第二章中,我们展示了不同QP问题公式的等价性,并提出了一些重要的所谓的直接法求解等式约束QP。在第三章中,我们将介绍线性和凸二次规划的内点方法的最重要的方面。第4章讨论了实用有效的可行有效集方法的组成部分。最后,第五章详细描述了我们的拉格朗日不可行有效集方法,并进一步给出了所涉及的子算法的收敛性分析。
2014-09-18 math.OC
Constrained LQR Design Using Interior-Point Arc-Search Method for Convex Quadratic Programming with Box Constraints
虽然经典的LQR设计方法在实际工程设计中取得了很大的成功,但在某些情况下,由于执行器的饱和,经典的设计方法需要修改。这个修改后的问题有时被称为约束LQR设计。对于离散系统,约束LQR设计问题等价于带框约束的凸二次规划问题。我们将表明,邻点法是非常有效的,因为这个问题的初始内点是可用的,一个条件是不成立的一般凸二次规划问题。我们将设计一个有效的和高效的算法约束LQR设计问题使用的特殊结构的盒子约束和最近推出的弧搜索技术的内点算法。我们将证明该算法是多项式的,并具有凸二次规划的最佳已知的复杂性界。该算法在MATLAB中实现。最后给出了约束LQR设计的算例,验证了该方法的有效性。该算法可以很容易地用于模型预测控制。
2013-04-17 math.OC
Efficient Use of Quantum Linear System Algorithms in Interior Point Methods for Linear Optimization
量子计算在优化领域引起了极大的兴趣,因为它可能比传统的超级计算机更快地解决各类优化问题。一些研究者提出了量子计算方法,特别是量子内点方法(QIPMs),用于求解凸优化问题,例如线性优化、半定优化和二阶锥优化问题。他们中的大多数人在每次迭代中应用量子线性系统算法来计算牛顿步长。然而,在QIPM中使用量子线性求解器带来了许多挑战,例如具有病态系统和量子求解器的相当大的误差。本文研究了如何有效地使用量子线性求解器在QIPM。在此基础上,提出了求解线性优化问题的不精确不可行量子内点方法。我们还讨论了如何在不增加量子求解器时间的情况下,通过迭代精化得到精确解。最后,我们的QIPM使用量子模拟器的QISKIT实现的计算结果进行了分析。
2023-02-10 math.OC quant-ph
A computationally efficient arc-search interior-point algorithm for nonlinear constrained optimization
本文提出一种计算高效的非线性约束优化弧搜索内点算法,利用二阶导数构造搜索弧,通过复用首个线性方程组的矩阵分解降低计算成本,证明了收敛性且初步测试验证了其优势。
2025-01-06 math.OC
Interior Point Differential Dynamic Programming
本文提出了一种新的微分动态规划(DDP)算法,用于求解带不等式约束的离散时间有限时间最优控制问题。使用原对偶内点方法开发了两种变体,即可行IPDDP算法和不可行IPDDP算法,并表征了它们的局部二次收敛性。我们证明了算法的稳定点是扰动的KKT点,因此可以任意移动到局部最优解附近。由于没有活动集方法的负担,它可以处理非线性状态和输入不等式约束,而不会明显增加其计算复杂性相对于无约束的情况下。所提出的算法的性能进行了证明,使用三个不同的问题的数值实验:控制限制倒立摆,停车场,和unicipalent运动控制和避障。
2020-10-20 cs.SY eess.SY math.OC
Safe Bayesian Optimization using Interior-Point Methods -- Applied to Personalized Insulin Dose Guidance
本文研究了具有安全关键约束的系统的贝叶斯优化问题,其中目标函数和约束都是未知的,但可以通过查询系统来观察。在安全关键型应用程序中,在不可行点查询系统可能会产生灾难性的后果。这样的系统需要一个安全的学习框架,使得性能目标可以被优化,同时以高概率满足安全关键约束。在本文中,我们提出了一个安全的贝叶斯优化框架,确保查询的点总是在内部的部分显示的安全区域,从而保证约束满足高概率。所提出的内点贝叶斯优化框架可以与任何采集功能一起使用,使其具有广泛的适用性。所提出的方法的性能证明使用个性化的胰岛素给药应用程序的1型糖尿病患者。
2022-05-04 cs.SY eess.SY math.OC
Parallel Interior-Point Solver for Block-Structured Nonlinear Programs on SIMD/GPU Architectures
我们研究如何将标准的内点方法移植到新的exascale结构中,用于求解具有状态方程的块结构非线性规划。在计算上,我们将内点算法分解为两个连续的操作:导数的评估和相关的Karush-Kuhn-Tucker(KKT)线性系的解决方案。我们的方法使用两个级别的并行加速这两个操作。首先,我们使用粗并行将计算分布在多个进程上。其次,每个进程都在本地使用SIMD/GPU加速器,以使用细粒度并行来加速操作。通过消除相应方程中的不等式和状态变量,将KKT系统简化为对问题自由度的灵敏度进行编码的稠密矩阵,从而大大减少了内存交换。我们证明了该方法的能力,超级计算机北极星,未来的exascale极光系统的测试平台。每个节点都配备了四个GPU,这是一种适合我们两级方法的设置。随机最优潮流问题的实验表明,该方法可以实现50倍的速度相比,国家的最先进的方法。
2023-01-12 math.OC
An Inexact Feasible Quantum Interior Point Method for Linearly Constrained Quadratic Optimization
量子线性系统算法(QLSA)具有加速依赖于求解线性系的算法的潜力。内点方法是求解最优化问题的一类基本的多项式时间算法。IPM在每次迭代时求解牛顿线性系以找到搜索方向,因此QLSA可以潜在地加速IPM。由于当代量子计算机中的噪声,这种量子辅助IPM(QIPM)仅允许牛顿线性系的不精确解。通常,不精确的搜索方向会导致不可行的解决方案。在我们的工作中,我们提出了一个不精确可行的QIPM(IF-QIPM),并显示其在解决线性约束二次最优化问题的优势。我们还将该算法应用到$\ell_1$ -范数软间隔支持向量机(SVM)问题,并获得最佳的复杂度对维数的依赖。这个复杂性界优于任何现有的产生经典解的经典或量子算法。
2023-01-13 math.OC quant-ph
A Non-Archimedean Interior Point Method for Solving Lexicographic Multi-Objective Quadratic Programming Problems
本文提出非阿基米德内点法(NA-IPM),利用无穷大和无穷小数扩展原始-对偶内点法,能在多项式时间内收敛至全局最优并透明处理不可行性与无界性,有效解决字典序多目标二次规划问题。
2024-09-25 math.OC
An Oblivious Ellipsoid Algorithm for Solving a System of (In)Feasible Linear Inequalities
椭球算法是计算$n$变量$(P): A^{\top}x \le u$的$m$线性不等式组的解的基本算法,当其解集具有正体积时。然而,当$(P)$是不可行的,椭圆算法没有机制来证明$(P)$是不可行的。这与处理$(P)$的另外两种基本算法,即单纯形法和边界点法形成对比,其中的每一种都可以以产生$(P)$的解或通过产生替代系统$\mathrm{({\it Alt})}: Aλ= 0$、$u^{\top}λ< 0$、$λ\ge 0$的解来证明$(P)$不可行的方式容易地实现。本文提出了一种不经意椭球算法(OEA),它可以产生$(P)$的解,也可以产生$\mathrm{({\it Alt})}$的解。根据尺寸和其他自然条件的措施,基本OEA的计算复杂性可能比标准椭球算法更差,相同或更好。我们还提出了两个修改版本的OEA,其计算复杂度优于OEA时,$n \ll m$。这在第一修改版本中通过证明不可行性而实际上不产生$\mathrm{({\it Alt})}$的解来实现,并且在第二修改版本中通过使用更多的存储器来实现。
2020-12-28 math.OC
Combining Reinforcement Learning with Arc-search Interior-Point Method for Path Planning
Air Force Research Laboratory(美国空军研究实验室)
提出一种结合强化学习与弧搜索内点法的框架,利用强化学习的实时决策能力和弧搜索内点法的优化性能,实现障碍物环境下的高效路径规划。
2026-06-09 math.OC
A New Preconditioning Approach for an Interior Point-Proximal Method of Multipliers for Linear and Convex Quadratic Programming
在本文中,我们解决的线性和二次规划问题,往往是大规模的有效数值解。为此,我们设计了一个不可行的内点方法,融合了邻近方法的乘数,这反过来又导致原始-对偶正则化内点方法。这种方法的应用会导致一系列越来越病态的线性系,由于内存和CPU时间的限制,这些线性系并不总是能用因式分解法求解。我们提出了一种新的预处理策略,它是基于一个适当的稀疏化的正规方程矩阵的线性情况下,也构成了一个块对角预处理器的基础,以加速MINRES的线性系所产生的一般二次规划问题的解决方案。一系列测试问题的数值结果表明,所提出的预处理策略的鲁棒性,连同它的能力,以解决非常大的尺寸线性系。
2020-12-11 cs.NA math.NA math.OC
An Inexact Feasible Interior Point Method for Linear Optimization with High Adaptability to Quantum Computers
本文提出一种非精确可行内点法IF-IPM,通过新颖线性系统生成非精确但可行的步长,并证明其具有与最优精确IPMs相当的迭代复杂度,同时结合量子线性系统算法和迭代细化方案以高效求解线性优化问题。
2025-07-03 math.OC
A Second-Order Descent Algorithm for Nonlinear Equality Constrained Optimization
School of Mathematics and Statistics, Henan Normal University(河南师范大学数学与统计学院)
针对含一般不等式约束的优化问题,提出基于内点法的ARCBIP算法,采用向边界分数规则等技术,通过数值实验验证其性能并分析全局收敛性。
2026-10-19 math.OC
An Adaptive Cubic Regularisation Algorithm Based on Interior-Point Methods for Optimization with General Inequality Constraints
School of Mathematics and Statistics, Henan Normal University(河南师范大学数学与统计学院);Mathematics and Science College, Shanghai Normal University(上海师范大学数理学院)
本文提出基于内点法的自适应三次正则化算法,用于解决具有通用不等式约束的非线性优化问题,通过构造ARC子问题和边界规则处理线性化约束,并通过复合步法和降维Hessian方法保证全局收敛性。
2026-06-05 math.OC
A Fast Polynomial-time Primal-Dual Projection Algorithm for Linear Programming
Tsinghua University(清华大学);National University of Singapore(新加坡国立大学);Delft University of Technology(代尔夫特理工大学)
本文提出了一种多项式对偶投影算法,用于平衡可行和不可行实例的性能,并在某些情况下比先前算法表现更优。
2018-10-10 cs.DS cs.NA math.NA
An Augmented Lagrangian Method on GPU for Security-Constrained AC Optimal Power Flow
Mines Paris-PSL(巴黎矿业学院);University of Freiburg(弗赖堡大学);Argonne National Laboratory(阿贡国家实验室);Massachusetts Institute of Technology(麻省理工学院)
提出基于GPU的增广拉格朗日方法MadNCL,求解大规模安全约束交流最优潮流,通过无主元分解并行化,在500母线256预想事故下3分钟内求解,远快于Knitro。
2025-10-15 math.OC
A novel augmented Lagrangian method of multipliers for optimization with general inequality constraints
我们引入了一个二次可微的增广拉格朗日函数来求解具有一般不等式约束的非线性最优化问题,并证明了原问题的严格局部极小值是增广拉格朗日函数的一个近似严格局部解.提出了一种新的增广拉格朗日乘子法。我们的方法起源于Hetenes-Powell增广拉格朗日量的推广,并且是增广拉格朗日量和邻近点技术的组合。它与现有的ALM共享类似的算法框架,用于具有不等式约束的优化,但是它可以使用二阶导数并且不依赖于不等式约束集合上的投影。在每次迭代中,我们的方法解决了一个两次连续可微的无约束优化子问题的原始变量。对偶迭代、惩罚和平滑参数自适应更新。分析了算法的全局收敛性和局部收敛性。在不假设任何约束规格的情况下,证明了该方法具有强的整体收敛性。当收敛点是极小点时,该方法既可以收敛到KKT点,也可以收敛到奇异平稳点。当问题不可行时,它也可能收敛到非线性规划的不可行稳定点。此外,我们的方法是能够快速检测可能的不可行性的解决问题。在适当的条件下,它是局部线性收敛到KKT点,这是一致的ALMs的等式约束优化。一些小的基准测试问题的初步数值实验证明了我们的理论结果。
2021-06-29 math.OC
A Massively Parallel Interior-Point Method for Arrowhead Linear Programs with Local Linking Structure
本文提出一种并行内点方法,利用箭头形结构分解线性方程,适用于大规模线性规划问题,尤其在处理具有大量非零元素的约束矩阵时表现出色。
2026-04-09 math.OC
An Integer Interior Point Method for Min-Cost Flow Using Arc Contractions and Deletions
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Max Planck Center for Visual Computing and Communication(马克斯·普朗克视觉计算与通信中心);Saarbrücken Graduate School for Computer Science(萨尔布吕肯计算机科学研究生院)
本文提出一种整数内点法,通过边收缩和删除避免多面体边界,实现预期O(m^{3/2})时间复杂度的随机算法,使用整数运算避免浮点误差问题。
2016-12-14 cs.DS cs.NA math.NA
A single loop method for quadratic minmax optimization
University of Southampton(南安普顿大学);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
针对带耦合内部约束的二次极小极大问题,提出一种不区分内外层的不可行内点型单循环方法,证明其非退化平稳点的吸引性,且在特定情形下具多项式复杂度,实验显示其优于现有算法。
2026-08-28 math.OC
Deep Unfolding of a Proximal Interior Point Method for Image Restoration
CentraleSupélec(中央理工-高等电力学院);INRIA Saclay(法国国家信息与自动化研究所萨克雷分院);Université Paris-Saclay(巴黎萨克雷大学);unimore(摩德纳-雷焦艾米利亚大学)
变分方法具有嵌入解的先验知识的能力,被广泛应用于求解不适定反问题。然而,这些方法的性能水平显着取决于一组参数,这可以通过计算昂贵和耗时的方法来估计。相比之下,深度学习提供了非常通用和高效的架构,但牺牲了可解释性,因为它经常被用作黑盒,对其输出没有任何精细的控制。深度展开提供了一种方便的方法来结合基于变分的方法和深度学习方法。从变分公式的图像恢复,我们开发iRestNet,神经网络架构展开一个接近内点算法。硬约束,编码所需的属性恢复的图像,被纳入网络由于对数障碍,而障碍参数,步长,和惩罚权重的学习网络。我们推导出针对各种约束选择的邻近算子梯度的显式表达式,这允许使用梯度下降和反向传播来训练iRestNet。此外,我们提供了一个常见的反问题的例子,关于网络的稳定性的理论结果。图像去模糊问题的数值实验表明,所提出的方法相比,无论是最先进的变分和机器学习方法的图像质量。
2020-01-21 cs.LG math.OC
Collision Avoidance Maneuver Optimization with a Multiple-Impulse Convex Formulation
提出了一种计算短期相遇最优避碰机动的方法。机动被建模为多脉冲处理脉冲的情况下,并近似有限燃烧弧与短的警报时间或使用低推力推进。机动设计被表述为一系列凸优化问题,通过最先进的原始-对偶邻域点算法在多项式时间内求解。所提出的方法计算最优解没有假设的推力弧结构和推力方向。对于具有数百个变量和约束的最优化问题,执行时间仅为几分之一秒,因此适合于自主计算。
2021-06-09 math.OC
Reduced-Space Interior Point Methods in Power Grid Problems
由于严重的环境问题,电力系统必须适应可再生能源发电的显著渗透水平,这需要智能电网控制方法。相关的最优控制问题是大规模的非线性最优化问题,具有多达数亿的变量和约束。内点方法在计算上变得难以处理,主要是由于大型线性系的解决方案。本文针对内点法在求解安全约束最优潮流问题时的计算瓶颈问题,采用降维空间拟牛顿IPM算法,由于伴随方法固有的并行性,可以利用高性能计算机。降维空间IPM方法和伴随方法是求解(安全约束)最优潮流问题的一种新方法。这些都是以前使用的偏微分方程约束优化。所提出的方法是适合于高性能的架构,由于固有的并行性,伴随方法在梯度评估,因为个别意外情况下建模的独立集的约束。初步评估的性能和收敛性进行研究的缩减空间的方法。
2020-01-29 cs.CE cs.DC math.OC