Chance-constrained quasi-convex optimization with application to data-driven switched systems control
我们研究准凸优化问题,其中只有一个子集的约束可以被采样,但一个人会希望获得的解决方案相对于初始(未知)最优化问题的概率保证。即使我们的结果部分适用于一般的拟凸问题,在这项工作中,我们介绍和研究一个特殊的子类,我们称之为“拟线性问题”。我们为这些问题提供了最优性条件。在此基础上,我们将机会约束凸优化方法推广到了拟线性最优化问题。最后,我们表明,这种方法是有用的黑箱切换线性系的稳定性分析,从一个有限集的采样轨迹。它使我们能够计算一个大类的切换线性系的JSR的概率上界。
2021-01-05 cs.SY eess.SY math.OC
Regularization in Data-driven Predictive Control: A Convex Relaxation Perspective
University of California San Diego(加利福尼亚大学圣地亚哥分校)
本文通过凸松弛视角探讨数据驱动预测控制中正则化的作用,提出A-DDPC方法,通过迭代算法解决内层问题,实验表明其在减少偏差和方差误差方面优于现有方法。
2026-10-19 cs.SY eess.SY math.OC
A convex data-driven approach for nonlinear control synthesis
Sandia National Laboratories(桑迪亚国家实验室);Clemson University(克莱姆森大学);Georgia Institute of Technology(佐治亚理工学院)
我们考虑一类非线性控制综合问题的基础数学模型是不明确的。我们提出了一个数据驱动的方法来稳定系统时,只有样本轨迹的动态是可访问的。我们的方法是建立在基于密度函数的几乎处处稳定性证明,这是对偶的李雅普诺夫函数的动态系统。与基于李雅普诺夫的方法,密度函数导致一个凸的制定的联合搜索的控制策略和稳定性证书。这种类型的凸问题可以通过调用平方和(SOS)的机制来有效地解决。对于数据驱动的部分,我们利用的事实,对偶结果的稳定性理论的动力系统可以理解使用线性Perron-Frobenius和Koopman运营商。这种连接使我们能够使用数据驱动的方法来近似这些运营商结合SOS技术的凸制定控制合成。所提出的方法的有效性证明通过几个例子。
2020-06-28 cs.RO cs.SY eess.SY
DiscoverDCP: A Data-Driven Approach for Construction of Disciplined Convex Programs via Symbolic Regression
Department of Electrical Engineering and Computer Sciences University of California, Berkeley(电气工程与计算机科学系加州大学伯克利分校)
DiscoverDCP 通过符号回归与 DCP 规则结合,构建可验证的凸模型,用于系统辨识和安全关键任务。
2025-12-03 cs.AI cs.LG cs.SY
Convex Data-Driven Contraction With Riemannian Metrics
本文针对多项式动力系统,提出利用 Riemannian 度量、闭环收缩凸判据与对偶结果检验无限维约束的数据驱动收缩方法,并通过线性与非线性数值算例验证其有效性。
2025-06-10 cs.SY eess.SY math.OC
An overview of optimal control optimization problems driven by non-convexity measures
最近,文献动态一致的风险措施,扩大了风险敏感的业绩评价的选择。一个运行的例子包括累积前景理论和条件方差风险。它们中的大多数可以一般地解释为给定随机变量的非线性变换。非凸性蕴含着许多数学难题和挑战。综述了非凸测度驱动的动态规划最优控制最优化问题的研究进展。
2020-12-11 math.OC
Robustness certificates in data-driven non-convex optimization with additively-uncertain constraints
Politecnico di Milano(米兰理工大学)
本文提出了一种在数据驱动非凸优化中处理加法不确定约束的方法,通过最小计算量获得鲁棒性证书,并通过单位承诺问题验证了其有效性与效率。
2026-02-24 cs.SY eess.SY math.OC
Convex and Nonconvex Sublinear Regression with Application to Data-driven Learning of Reach Sets
University of California, Santa Cruz(加州大学圣克鲁兹分校)
我们考虑从有限数据中估计一个紧集,通过次线性回归近似该集的支持函数。支撑函数唯一地刻画了直到凸化闭包的紧集,并且是次线性的(凸的以及一次正齐次的)。相反,任何次线性函数都是紧集的支撑函数。我们利用这个属性来转录的任务学习一个紧凑的集,学习其支持功能。我们提出了两个算法进行次线性回归,一个通过凸和另一个通过非凸规划。凸规划方法涉及求解二次规划(QP)。非凸规划方法涉及训练输入次线性神经网络。我们说明了所提出的方法,通过数值例子学习的控制动力学的集值输入不确定性的轨迹数据的到达集。
2023-03-23 cs.AI cs.LG cs.SY
Fast convex optimization via inertial systems with asymptotically vanishing viscosity and Hessian-driven damping
本文研究了一族由渐近消失粘性和Hessian驱动阻尼惯性系统离散化得到的惯性算法的收敛速度,证明了在凸及Polyak-Łojasiewicz条件下的次线性收敛和强凸条件下的线性收敛,为Nesterov加速梯度法提供了新见解。
2025-07-17 math.OC
Convex Optimization-Based Model Predictive Control for the Guidance of Active Debris Removal Transfers
针对主动碎片清除转移制导问题,提出基于凸优化的MPC方法,利用GEqOE和split-Edelbaum参考更新消除逐次凸化,并在高保真模型下实现无迭代精确求解。
2023-08-17 math.OC
Data-Driven Stochastic Optimal Control using Linear Transfer Operators
我们提供了一个数据驱动的框架,连续时间随机动力系统的最优控制。所提出的框架依赖于涉及线性Perron-Frobenius(P-F)和Koopman算子的线性算子理论。我们的第一个结果涉及P-F算子提供了一个凸的制定最优控制问题的对偶空间的密度。这种随机最优控制问题的凸形式导致一个无穷维凸规划。使用P-F算子的数据驱动近似获得凸规划的有限维近似。我们的第二个结果表明,使用Koopman算子,这是对偶的P-F算子,随机最优控制设计。我们证明了Hamilton Jacobi Bellman(HJB)方程可以用Koopman算子表示。我们提供了一个迭代过程,沿着一个流行的政策迭代算法的基础上的数据驱动近似的Koopman算子求解HJB方程。这两个公式,即涉及P-F算子的凸公式和使用HJB方程的Koopman公式,可以被视为彼此对偶,其中由于P-F和Koopman算子的对偶性质,对偶性随之而来。最后,我们提出了几个数值例子来证明所开发的框架的有效性。
2022-02-03 cs.SY eess.SY math.OC
Domain-Driven Solver (DDS) Version 2.0: a MATLAB-based Software Package for Convex Optimization Problems in Domain-Driven Form
Domain-Driven Solver(DDS)是一个基于MATLAB的软件包,用于以Domain-Driven形式解决凸优化问题[Karimi and Tunçel,arXiv:1804.06925]。DDS的当前版本接受以下函数/集合约束的所有组合:(1)对称圆锥(LP,SOCP和SDP);(2)SOCP可表示的二次约束;(3)定义为单变量凸函数的epigraphs的任意二维凸集集合的直和(包括作为特例的几何规划和熵规划);(4)广义幂锥;(5)矩阵范数上图(包括作为线性子空间上的核范数的特殊情况的最小化);(6)向量相对熵;(7)量子熵和量子相对熵的epigraphs;以及(8)涉及双曲多项式的约束。DDS是[Karimi and Tunçel,arXiv:1804.06925]中设计和分析的不可行启动原始对偶法的实际实现。这份手稿包含了用户指南,以及算法实现所需的理论结果。为了帮助用户,我们提供了许多示例。我们还讨论了一些实现细节和技术,我们用来提高效率和进一步扩展的软件,以涵盖新兴类的凸优化问题。
2020-11-10 cs.MS 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
Investigating Sparse Reconfigurable Intelligent Surfaces (SRIS) via Maximum Power Transfer Efficiency Method Based on Convex Relaxation
本文采用基于凸松弛的最大功率传输效率方法,研究稀疏可重构智能表面(SRIS),分析性能与稀疏性的权衡,发现仅50%的可调元件仍能显著影响性能。
2023-08-31 cs.SY eess.SY math.OC
Nonlinear Density-Driven Optimal Control (D2OC) for Multi-Agent Spatial Coverage via Sequential Convex Programming
Texas Tech University(德克萨斯理工大学)
本文提出非线性密度驱动最优控制(D2OC)扩展,通过序列凸规划实现多智能体空间覆盖,在保持分布式密度驱动特性的同时,显著降低计算成本并保证覆盖性能。
2026-10-06 cs.MA cs.RO cs.SY
On Distributionally Robust Multistage Convex Optimization: Data-driven Models and Performance
Texas A&M University(德克萨斯农工大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种基于数据驱动的分布鲁棒多阶段凸优化模型,通过Wasserstein模糊集和SSSO实现,提升了小数据下的优化性能。
2025-11-21 math.OC
Data-Driven Chance Constrained Optimization under Wasserstein Ambiguity Sets
ETH Zürich(苏黎世联邦理工学院)
本文提出了一种数据驱动的方法来解决分布鲁棒机会约束优化问题,通过考虑有限样本或不确定性现实化,定义机会约束对所有接近经验分布的分布有效,并展示了凸内近似和切割面算法的应用。
2018-10-10 cs.SY eess.SY math.OC
Inertial primal-dual dynamics with Hessian-driven damping and Tikhonov regularization for convex-concave bilinear saddle point problems
本文提出一种结合Hessian驱动阻尼和Tikhonov正则化的惯性对偶动力学方法,用于高效求解凸-凹双线性鞍点问题,并证明了其在收敛速度和轨迹强收敛方面的双重优势。
2025-07-15 math.OC
Fast convex optimization via inertial dynamics combining viscous and Hessian-driven damping with time rescaling
在希尔伯特设置,我们开发的快速方法凸无约束优化。我们依赖于一个惯性系统的渐近行为相结合的几何阻尼与时间尺度。要最小化的凸函数通过其梯度进入动态。动力学模型包括三个随时间变化的系数,一个是粘性阻尼系数,第二个是附加到Hessian驱动阻尼,第三个是时间标度系数。我们研究了在一般条件下,包括阻尼和时间尺度系数的值的收敛速度。所得到的结果是基于一个新的李雅普诺夫分析,他们包括已知的结果的主题。我们特别注意的情况下,渐近消失的粘性阻尼,这是直接相关的加速梯度法的Nesterov。Hessian驱动的阻尼显著地减少了振荡方面。作为一个主要结果,我们得到了指数收敛速率的值,而不假设强凸性的目标函数。这些动态的时间离散化打开了一个大类的惯性优化算法的大门。
2020-09-16 math.OC
Data-driven online convex optimization for control of dynamical systems
提出了一种数据驱动的在线凸优化算法用于控制动力系统。特别是,该控制方案利用一个初始测量的输入输出轨迹和行为系统理论,使其能够处理未知的离散时间线性定常系统以及先验未知的时变费用函数。此外,所提出的方法仅需要输出反馈而不是全状态测量。对闭环系统性能的分析表明,当费用函数的变化为次线性时,该算法达到了次线性遗憾。所提出的算法的有效性,即使在有噪声的测量的情况下,示出了一个仿真例子。
2021-11-02 math.OC
Scen-Opt: A Scenario Optimization Toolbox for Data-Driven Convex Programming
Vanderbilt University(范德堡大学);Politecnico di Milano(米兰理工大学);University of Brescia(布雷西亚大学);Newcastle University(纽卡斯尔大学)
本文提出Scen-Opt,一个基于场景理论的开源Python工具箱,支持数据驱动凸规划并提供统计保证,通过Web界面和多种数据格式实现用户友好的优化求解。
2026-10-07 cs.LG cs.MS cs.SY
Inertial Primal-Dual Dynamics Methods Featuring Implicit Hessian-Driven Damping for Convex Optimization Problems in Continuous and Discrete Time
Chongqing Technology and Business University(重庆工商大学);Sichuan University(四川大学);Sunway University(双威大学)
本文针对带线性等式约束的强凸优化问题,提出带隐式海森驱动阻尼的惯性原始-对偶动力学,推导对应的离散算法,证明其收敛速率与连续系统一致,还扩展到非光滑情形并通过数值实验验证。
2026-09-01 math.OC
Data-Driven Mirror Descent with Input-Convex Neural Networks
学习优化是一种新兴的框架,旨在通过利用训练数据来加速某些最优化问题的解决方案。学习优化求解器已经被证明在收敛速度方面优于经典优化算法,特别是对于凸问题。许多现有的数据驱动的最优化方法是基于参数化的更新步骤和学习的最佳参数(通常标量)从可用的数据。基于经典的镜像下降(MD)算法,提出了一种新的函数参数化学习凸优化算法。具体来说,我们试图学习最佳Bregman距离MD建模的基础凸函数使用输入凸神经网络(ICNN)。ICNN的参数通过在预定次数的迭代之后最小化在MD迭代器处评估的目标目标函数来学习。镜像映射的逆映射使用另一个神经网络近似建模,因为精确的逆映射难以计算。我们推导出收敛速度界的建议学习镜像下降(LMD)的方法与近似逆镜像映射和各种凸问题,如图像修复,去噪,学习两个类支持向量机(SVM)分类器和固定功能的多类线性分类器进行广泛的数值评估。
2023-02-24 math.OC
A Physics-Constrained Data-Driven Approach Based on Locally Convex Reconstruction for Noisy Database
物理约束数据驱动计算是一种新兴的混合方法,它将通用物理定律与实验数据的数据驱动模型相结合,用于科学计算。提出了一种新的数据驱动的模拟方法,结合局部凸重构,称为局部凸数据驱动(LCDD)计算,以提高精度和鲁棒性的数据驱动计算中的数据集的噪声和离群值。在该方法中,对于通过物理模拟获得的给定状态,通过将该状态投影到基于最近的实验数据重构的相关联的局部凸流形上来寻求相应的最优实验解。这种局部数据结构的学习过程对噪声数据不太敏感,因此产生更好的准确性。惩罚松弛也被引入到重铸的非负最小二乘的上下文中,可以有效地解决局部学习求解器。再生核近似与稳定的节点积分的物理流形的解决方案,以允许减少应力应变数据在离散点的LCDD学习求解器的有效性增强。由于固有的流形学习特性,LCDD在实际工程应用中相对稀疏的高维数据集上表现良好。数值试验表明,LCDD在处理噪声数据库时比标准的最小距离数据驱动格式提高了近一个数量级的精度,并且在局部应力应变关系为线性时达到了线性精度。
2020-01-14 cs.CE math.OC physics.comp-ph
Heavy-ball dynamics with Hessian-driven damping for non-convex optimization under the Łojasiewicz condition
本文针对满足Łojasiewicz条件的光滑非凸优化问题,研究带Hessian驱动阻尼的Heavy-ball动力学,给出最优收敛速率保证,改进现有线性速率,补充稳定性估计与鞍点规避结果。
2025-06-13 math.OC
A Universal Transfer Theorem for Convex Optimization Algorithms Using Inexact First-order Oracles
本文提出了一种通用转换定理,能够将任何基于精确一阶信息的凸优化算法以黑盒方式转换为可处理非精确一阶信息的算法,适用于更广泛的算法类别及结构化非凸问题。
2024-06-01 math.OC
A Data-driven Approach to Robust Control of Multivariable Systems by Convex Optimization
利用多变量系统在不同工作点的频域数据,设计了一种针对测量噪声和多模型不确定性的鲁棒控制器。该控制器是完全参数化的矩阵多项式函数,可以制定为一个集中式,分散式或分布式控制器。所有标准的性能规格,如$H_2$,$H_\infty$和环路整形被认为是在一个统一的框架连续和离散时间系统。首先将控制问题转化为一个凸-凹最优化问题,然后通过对初始控制器的凹部分进行线性化,将其转化为凸优化问题。该性能准则在迭代算法中单调收敛于局部最优解。通过仿真算例比较了该方法与采用非光滑优化的固定结构控制器和全阶最优控制器的有效性。最后,利用陀螺仪的实验数据设计了数据驱动控制器,并成功应用于实际系统中。
2017-08-09 math.OC
Dueling Convex Optimization with General Preferences
Toyota Technological Institute at Chicago(芝加哥丰田技术研究所);Tel Aviv University(特拉维夫大学);Google(谷歌)
我们解决问题的\emph{convex optimization with dueling feedback},其中的目标是最小化凸函数给出了较弱形式的\emph{dueling}反馈。每个查询由两个点组成,竞争反馈返回两个查询点的函数值的(噪声)单位二进制比较。通过\emph{transfer function}将函数值转换为单个比较位。这个问题以前已经解决了一些限制类的传递函数,但在这里,我们考虑一个非常一般的传递函数类,其中包括所有的功能,可以近似为一个有限的多项式与最小程度的$p$。我们的主要贡献是一个有效的算法,收敛速度$\smash{\widetilde O}(ε^{-4p})$光滑凸目标函数,和$\smash{\widetilde O}(ε^{-2p})$的最佳速度时,目标是光滑和强凸的。
2022-09-27 cs.LG math.OC
Inertial Primal Dual Dynamics with Hessian-driven Damping for Saddle Point Problems
Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, University of Groningen(格罗宁根大学伯努利数学、计算机科学与人工智能研究所)
该研究针对带双线性耦合的光滑鞍点问题提出两种含Hessian驱动阻尼的惯性原始对偶动力系统,推导了不同凸性条件下的收敛速率,并将其应用于仿射约束凸优化以补充现有结果。
2026-07-31 math.OC
Primal-dual dynamics featuring Hessian-driven damping and variable mass for convex optimization problems
Chongqing Key Laboratory of Statistical Intelligent Computing and Monitoring, College of Mathematics and Statistics, Chongqing Technology and Business University(重庆工商大学数学与统计学院,统计智能计算与监测重庆市重点实验室)
本文提出一种新的Tikhonov正则化对偶动力系统,通过可变质量与Hessian驱动阻尼解决带线性等式约束的凸优化问题,通过Lyapunov分析证明轨迹强收敛于最优解并获得对偶间隙、目标残差和可行性违反的收敛速率。
2026-03-31 math.OC
Online convex optimization for data-driven control of dynamical systems
提出了一种基于在线凸优化的离散线性动力系统控制算法。该算法是数据驱动的,即,不需要系统的模型,并且能够处理先验未知的和时变的费用函数。为此,我们利用一个单一的持续激励的输入输出序列的系统和结果的行为系统理论,使其能够处理未知的线性定常系统。此外,我们考虑噪声输出反馈,而不是完整的状态测量,并允许一般的经济费用函数。我们的闭环分析表明,该算法是能够实现次线性遗憾,测量噪声只增加了一个额外的常数项的遗憾上界。为了做到这一点,我们推导出一个数据驱动的表征的稳态流形的未知系统。此外,我们的算法是能够渐近准确地估计测量噪声。通过一个详细的热控仿真实例说明了该方法的有效性和应用前景。
2022-11-16 math.OC
Characterization of Maximizers in A Non-Convex Geometric Optimization Problem With Application to Optical Wireless Power Transfer Systems
针对光学无线能量传输中的非凸几何优化问题,利用分岔理论刻画极大值点,证明了临界距离下的唯一全局优化解,并局部确定极大值点数目,数值实验验证了理论结果。
2024-04-22 math.OC
Time Versus Energy in the Averaged Optimal Coplanar Kepler Transfer towards Circular Orbits
本文的目的是比较平均最优共面转移到圆形轨道时的转移时间转移和能量消耗的成本。虽然能量情况导致使用黎曼几何的标准工具(曲率计算、测地凸性)来分析2D黎曼度量,但时间最小情况与不光滑的芬斯勒度量相关联。然而,定性分析的测地流在这篇文章中给出了描述的最优转移。特别地,我们证明了椭圆域的测地凸性。
2015-08-22 math.OC
On a Probabilistic Approach for Inverse Data-Driven Optimal Control
针对智能体非凸成本函数估计的逆问题,提出结合概率描述、通过凸优化求解的方法,还解决了相关正向最优控制问题,经摆稳定仿真验证了算法有效性。
2023-07-21 cs.SY eess.SY math.OC
Navigation with Probabilistic Safety Constraints: Convex Formulation
我们考虑安全约束下的导航问题。安全约束是概率性的,其中给定集合被分配一个安全度,一个介于0和1之间的数字,0是安全的,1是不安全的。确定性不安全集将作为所提出的安全性概率描述的一个特殊情况出现。我们提供了一个凸公式的导航问题的概率安全约束。凸制定是可能的,通过提升的对偶空间的密度使用线性转移算子理论方法涉及Perron-Frobenius和Koopman运营商的导航问题。凸公式导致一个无穷维的概率安全验证和控制设计的可行性问题。最优化问题的有限维近似依赖于线性传递算子的数据驱动近似。
2022-03-23 math.OC
Fast convex optimization via inertial dynamics with Hessian driven damping
首先研究了二阶发展方程$$\ddot{x}(t) + \fracα{t} \dot{x}(t) + β\nabla^2 Φ(x(t))\dot{x} (t) + \nabla Φ(x(t)) = 0,$$的轨道的快速极小化性质,其中$Φ:\mathcal H\to\mathbb R$是作用在实Hilbert空间$\mathcal H$上的光滑凸函数,$α$,$β$是正参数.该惯性系统结合了渐近消失的各向同性粘性阻尼和几何Hessian驱动阻尼,这使得它自然地与牛顿和Levenberg-Marquardt方法相关。对于$α\geq 3$、$β>0$,沿着任何轨迹,获得值$$Φ(x(t))- \min_{\mathcal H}Φ=\mathcal O\left(t^{-2}\right)$$的快速收敛,以及梯度$\nablaΦ(x(t))$到零的快速收敛。对于$α>3$,只要假设$Φ$有极小值,我们证明了任何轨迹都弱收敛到$Φ$和$ Φ(x(t))-\min_{\mathcal H}Φ= o(t^{-2})$的极小值。强收敛在各种实际情况下建立。对于强凸的情况下,收敛可以任意快,这取决于$α$的选择。更准确地说,我们有$Φ(x(t))- \min_{\mathcal H}Φ= \mathcal O(t^{-\frac{2}{3}α})$。我们将结果推广到一般的真下连续凸函数$Φ: \m…
2016-01-26 math.OC
Randomized Geometric Algebra Methods for Convex Neural Networks
Stanford University(斯坦福大学)
本文提出将随机算法引入Clifford几何代数,通过凸优化训练神经网络至全局最优,并验证该方法在GPT-4和BERT嵌入的文本分类迁移学习任务中比传统方法更稳定可靠。
2024-06-08 cs.LG math.OC stat.ML
Inertial Methods with Viscous and Hessian driven Damping for Non-Convex Optimization
本文研究非凸优化中同时引入粘性阻尼与Hessian驱动阻尼的二阶惯性动力学,给出显式和隐式两种设置下的收敛条件、收敛速率及离散算法,并首次处理目标函数仅局部Lipschitz光滑时的回溯策略收敛保证。
2025-06-05 math.OC
Data-driven control and transfer learning using neural canonical control structures*
该研究提出结合神经网络自编码器与神经规范控制结构的间接数据驱动控制及迁移学习方法,实现Brunovsky规范形采样系统辨识与跨参数系统的控制器迁移,经学术和工业算例验证有效。
2023-02-08 math.OC
On Data-Driven Computation of Information Transfer for Causal Inference in Dynamical Systems
在本文中,我们提供了一种新的方法来捕捉因果相互作用的动力系统从时间序列数据。在\cite{sinha_IT_CDC2016}中,我们证明了现有的信息传递测度,即有向信息、Granger因果关系和传递熵不能捕捉到动力系统中真正的因果相互作用,并提出了一种新的捕捉到真正因果相互作用的信息传递定义。本文的主要贡献是表明,建议的定义中的信息传输\cite{sinha_IT_CDC2016} \cite{sinha_IT_ICC}可以计算从时间序列数据。我们使用转移算子理论框架,包括Perron-Frobenius和Koopman算子,用于系统动力学的数据驱动近似和信息转移的计算。通过线性和非线性系统动力学的算例验证了算法的有效性。
2018-03-22 math.OC
Data-Driven Motion Planning for Uncertain Nonlinear Systems
Department of Mechanical Engineering, Michigan State University(机械工程系,密歇根州立大学);Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室(MERL))
本文提出一种仅依赖数据的非线性系统运动规划框架,通过构建重叠不变多面体、学习椭球不变集与增益、插值控制实现安全运动,仿真验证了其生成复杂非线性系统安全可行路径的有效性。
2025-07-31 cs.LG cs.RO cs.SY
On Convex Data-Driven Inverse Optimal Control for Nonlinear, Non-stationary and Stochastic Systems
University of Salerno(萨勒诺大学);University of Sannio(萨尼奥大学)
本文针对非线性、非平稳和随机系统,提出一种凸优化方法,从观测数据中重建智能体可能非凸的成本函数,并通过仿真和硬件实验验证了有效性。
2024-06-26 cs.IT cs.LG cs.RO
First order optimization methods based on Hessian-driven Nesterov accelerated gradient flow
提出了一种新的动态惯性牛顿系统--Hessian-driven Nesterov加速梯度流(H-NAG)。通过裁剪的李雅普诺夫函数建立了连续轨迹的收敛性,并提出了新的一阶加速最优化方法。结果表明,对于凸和强凸目标,(半)隐格式总是能达到线性速率,而显格式具有最优(加速)速率。特别是,Nesterov的最佳方法是从我们的H-NAG流的显式方案中恢复的。此外,还提出了求解复合最优化问题的加速分裂算法。
2019-12-24 math.OC
On the effect of perturbations in first-order optimization methods with inertia and Hessian driven damping
具有粘性和Hessian驱动阻尼的二阶连续时间耗散动力系统启发了求解凸优化问题的有效一阶算法。在保持Nesterov型加速度的快速收敛特性的同时,Hessian驱动阻尼使得可以显着衰减振荡。为了研究这些算法的稳定性扰动,我们分析了相应的连续系统的行为时,梯度计算受到外源性的附加误差。我们提供了一个定量分析的渐近行为的两种类型的系统,那些隐式和显式海森驱动阻尼。我们考虑凸,强凸,和非光滑的目标函数定义在一个真正的希尔伯特空间,并表明,根据制定,不同的可积性条件的扰动足以保持系统的收敛速度。我们强调隐式和显式Hessian阻尼之间的差异,并特别指出,隐式情况下所需的目标和扰动的假设比显式情况下更严格。
2022-03-17 math.OC
A second order dynamical system with Hessian-driven damping and penalty term associated to variational inequalities
在两个凸函数都是二次连续可微的假设下,我们考虑了一个凸目标函数的极小化问题,该问题服从另一个凸函数的极小值集。我们接近这个最优化问题从连续的角度来看,通过一个二阶动力系统与海森驱动的阻尼和惩罚项对应的约束函数。通过构造适当的能量泛函,证明了该微分方程生成的轨迹弱收敛于最优化问题的极小值,以及目标函数值沿轨迹的收敛性.所进行的调查依赖于结合连续版本的Opial引理的Lyapunov分析。在目标函数是强凸的情况下,我们甚至可以证明轨迹的强收敛性。
2016-08-14 math.DS math.OC
A Data-Driven Convex Programming Approach to Worst-Case Robust Tracking Controller Design
研究离散线性系基于输入输出数据的有限时域鲁棒跟踪控制问题。我们利用行为理论,通过一组无噪声的历史数据来表示系统轨迹,而不是使用显式的系统模型。通过假设最近的输出数据可用于控制器的噪声项验证二次界的影响,我们制定了一个最优化问题的线性成本和LMI约束求解鲁棒跟踪问题,没有任何近似。我们的方法取决于与数据相关的系统表示兼容的噪声轨迹的参数化和重新制定的跟踪成本,这使得应用程序的S-引理。此外,我们提出了一种方法,用于减少的计算复杂性,并证明了所得到的LMI的大小不与历史数据的数量的规模。最后,我们表明,所提出的配方可以很容易地将执行器的干扰,以及对输入和输出的约束。新的控制器的性能进行了讨论,通过仿真。
2021-02-23 math.OC
The Fitzpatrick function - a bridge between convex analysis and multivalued stochastic differential equations
利用Fitzpatrick函数,我们刻画了由极大单调算子(或特别是次微分算子)驱动的不同类型的确定性和随机微分方程的解作为适当选择的凸下连续函数的极小点.这种技巧为所考虑的方程解的存在性提供了一种新的方法。
2009-12-15 math.DS math.OC
Convergence Analysis of Hessian-Damped Tikhonov Regularized Dynamics with Oscillation Control for Convex-Concave Bilinear Saddle Point Problems
School of Mathematical Sciences, University of Electronic Science and Technology of China(电子科技大学数学科学学院)
本文提出一种通用的二阶原始对偶动力系统,结合Tikhonov正则化和Hessian驱动阻尼,用于求解凸凹双线性鞍点问题。通过构造Lyapunov函数分析了系统的渐近收敛性,证明了轨迹强收敛于最小范数解,并抑制了振荡。
2026-05-12 math.DS math.OC
On Fluid mechanics formulation of Monge-Kantorovich Mass Transfer Problem
Monge-Kantorovich传质问题等价地表示为一个势函数的凸优化问题。根据这一提法的迭代算法确定的解决方案。它是一个梯度流算法,每个迭代求解一个线性椭圆型方程。分析了该方法的适定性和收敛性,并给出了数值结果。
2007-02-08 math.AP math.OC
Convex Optimization-based Model Predictive Control for Active Space Debris Removal Mission Guidance
本文提出一种基于凸优化的MPC算法用于主动碎片清除任务制导,通过split-Edelbaum方法生成高精度参考轨迹并集成相位调整,在含推力误差的高保真模型中验证了其鲁棒性,确保航天器在不确定性下仍能到达目标碎片。
2023-11-18 math.OC
Data-driven two-stage conic optimization with zero-one uncertainties
研究了两阶段凸锥最优化问题中的高维零-一随机参数问题。这些参数通常表示网络元件的故障,并且在若干应用中构成罕见的、高影响的随机事件。给定一个稀疏的训练数据集的参数,我们激励和研究的问题,使用Wasserstein模糊集集中在经验分布的分布鲁棒制定。我们提出了一个简单的,易于处理的,保守的近似这个问题,可以有效地计算和迭代改进。我们的方法依赖于一个优化的混合整数圆锥规划表示集的凸包,然后通过使用提升和投影技术的近似这个凸包的重新制定。我们说明了我们的方法的实际可行性和强大的样本外性能的非线性最优潮流和多商品的网络设计问题,受随机突发事件的影响,我们报告的改进高达20\%,比现有的样本平均近似和两阶段的鲁棒最优化方法。
2021-07-17 math.OC