Stochastic Asymptotic Stabilizers for Deterministic Input-Affine Systems based on Stochastic Control Lyapunov Functions
本文针对确定性输入仿射控制系统,提出了一种随机渐近镇定方法,该控制系统通过在控制输入中加入高斯白噪声而随机化。给出了扩散系数使得系统存在随机控制李雅普诺夫函数的充分条件。为了说明该充分条件的有效性,作者提出了随机连续反馈律,使得Brockett积分器的原点依概率全局渐近稳定.
2011-12-26 math.OC
Towards stochastic realization theory for Generalized Linear Switched Systems with inputs: decomposition into stochastic and deterministic components and existence and uniqueness of innovation form
本文研究随机广义线性切换系统,证明输出可分解为确定性与随机分量,进而给出创新形式状态空间表示的存在性及最小唯一性条件。
2024-03-16 math.OC
Stochasticity of Deterministic Gradient Descent: Large Learning Rate for Multiscale Objective Function
University of Science and Technology of China(中国科学技术大学);Georgia Institute of Technology(佐治亚理工学院)
这篇文章表明,确定性梯度下降,它不使用任何随机梯度近似,仍然可以表现出随机行为。特别是,它表明,如果目标函数表现出多尺度行为,那么在一个大的学习率制度,只解决宏观,但不是微观细节的目标,确定性GD动力学可以变得混乱和收敛到一个局部极小,但统计分布。一个充分条件也建立了近似这个长时间的统计限制的重新缩放吉布斯分布。提供理论和数值演示,理论部分依赖于使用有界噪声(而不是离散扩散)的随机映射的建设。
2020-11-02 cs.LG cs.NA math.DS
Solving deterministic and stochastic equilibrium problems via augmented Walrasian
本文描述了一种求解确定性和随机Walras均衡模型的方法,该方法是将最大值点为平衡点的双函数与给定问题相联系.数值过程依赖于这个双函数的增广。所提出的程序的收敛性证明依赖于相关的片面收敛。在我们的模型的动态版本中,确定性和随机性,我们主要关注的是为代理人提供一种将商品从一个时间段转移到下一个时间段的机制的模型,可能只是储蓄,但也允许通过生产进行商品转换
2016-12-05 math.OC
Stochastic versus Deterministic in Stochastic Gradient Descent
Tsinghua University(清华大学);The Hong Kong Polytechnic University(香港理工大学)
本文从随机与确定性角度分析了小批量随机梯度下降的收敛性,揭示了两种梯度计算对算法性能的不同影响,并展示了改进的收敛速度和更小的收敛区域。
2026-04-05 math.OC
Comparing Deterministic and Stochastic Parameter Recovery Algorithms Applied to Chaotic Systems
Stanford University(斯坦福大学);Oregon State University(俄勒冈州立大学);California Institute of Technology(加州理工学院)
针对混沌系统含噪数据,比较确定性与随机参数恢复算法,发现确定性算法在精度、稳定性和计算效率上更优。
2026-06-18 math.OC nlin.CD
An Adaptive Augmented Lagrangian Method for Deterministic and Stochastic Nonconvex Optimization
UNC–Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出自适应罚参数更新与完整对偶步长的不精确增广拉格朗日算法,适用于确定性、随机函数及约束的非凸优化,经CUTEst与机器学习随机问题实验验证其优势。
2026-08-31 math.OC
Another proof for the equivalence between invariance of closed sets with respect to stochastic and deterministic systems
本文对G. da Prato和H. Frankowska认为--在最小假设下--闭集相对于随机控制系统是不变的当且仅当它相对于(相关的)确定性控制系统是不变的。
2007-11-08 math.OC math.PR
Mixed Deterministic and Random Optimal Control of Linear Stochastic Systems with Quadratic Costs
本文研究了一类线性随机系统的混合最优控制问题,该系统具有二次型性能指标,有两个控制器:一个只能选择确定性时间函数,称为确定性控制器,另一个可以选择适应性随机过程,称为随机控制器。在适当的假设下证明了最优控制的存在性。最优控制的特点是通过一个系统的完全耦合的正倒向随机微分方程(FB-SDEs)的平均场型。我们通过解两个(但解耦的)Riccati方程来求解FBSDES,并利用两个Riccati方程的解分别给出了确定性和随机控制器的最优反馈律.最优状态满足一个平均场型线性随机微分方程。奇异和无限时间的情况下,也解决了。
2017-08-22 math.OC
Deterministic Control of Stochastic Reaction-Diffusion Equations
考虑半线性随机偏微分方程的确定性控制问题。在乘性噪声的情况下,最优控制的存在性和最优性的必要条件。在加性噪声的情况下,我们通过伴随演算获得了成本泛函的梯度表示。对确定性控制和加性噪声的限制避免了引入后向SPDE的必要性。基于这种新的表示,我们提出了一种概率非线性共轭梯度下降法来逼近最优控制,并将我们的结果应用于随机Schlögl模型.在随机系统的最优控制不同于确定性系统的最优控制的情况下,我们也给出了一些分析。
2020-07-13 math.OC math.PR
The Deterministic and Stochastic Shallow Lake Problem
研究了确定性和随机性浅水湖问题的福利函数。我们证明了福利函数是相关Bellman方程的黏性解,我们建立了几个性质,包括它在无穷远处的渐近行为,我们提出了一个收敛的单调数值格式.
2017-12-12 math.CA math.OC math.PR
A Sequential Quadratic Programming Method for Optimization with Stochastic Objective Functions, Deterministic Inequality Constraints and Robust Subproblems
本文将鲁棒序列二次规划方法推广到随机目标函数与确定性约束问题,结合随机线搜索全局化步长,并证明算法几乎必然收敛到KKT点。
2024-10-04 math.OC
Deterministic Income with Deterministic and Stochastic Interest Rates
我们考虑一个拥有初始资本和收入的个人或家庭,将其建模为具有连续漂移率的确定性过程。首先,我们将贴现率建模为零息债券的价格,假设短期利率演化为Ornstein-Uhlenbeck过程。然后,考虑几何布朗运动作为偏好函数和Ornstein-Uhlenbeck过程作为短期利率。假设经济主体的主要利益是最大化从给定时间到有限确定性时间范围$T\in\R_+$或在随机设置中无限时间范围的(预期)贴现消费的累积值。在前两种情况下,我们找到了价值函数和最优策略的显式表达式。在第三种情况下,我们必须应用粘度分析。
2016-03-31 math.OC q-fin.PM
Convex Analytic Method Revisited: Further Optimality Results and Performance of Deterministic Policies in Average Cost Stochastic Control
凸分析方法已被证明是研究无限期平均费用最优随机控制问题的一种非常通用的方法。在本文中,我们重新审视凸分析方法,并作出了三个主要贡献:(i)我们提出了一个存在性结果的控制马尔可夫模型,缺乏弱连续性的过渡核,但在每个固定的状态变量的行动变量是强连续的。(ii)对于标准Borel空间中的平均成本随机控制问题,虽然现有的结果建立了固定(可能是随机的)政策的最优性,但很少有结果可用于确定性策略的最优性。我们回顾现有的结果,并提出进一步的条件下,平均成本最优随机控制问题承认最优解是确定性平稳。(iii)我们建立的条件下,固定的确定性(和量化)的政策下的性能是密集的随机平稳策略下的性能值的集合。
2022-08-03 math.OC
A trust-region method for derivative-free nonlinear constrained stochastic optimization
在这项工作中,我们介绍了随机非线性约束无导数最优化方法(S)NOWPAC(随机非线性最优化路径增广约束)。该方法扩展了无导数优化器NOWPAC适用于不确定性下的优化。它是基于一个置信域框架,利用本地完全二次代理模型结合高斯过程代理,以减轻噪音的目标函数和约束评估。我们展示了我们的算法的性能从CUTEst基准套件的各种强大的最优化问题通过比较其他国家的最先进的最优化方法。虽然我们专注于强大的优化基准问题,以证明(S)NOWPAC的能力,优化器可以适用于广泛的应用在非线性约束随机最优化。
2022-01-21 math.OC
Universal methods for variational inequalities: deterministic and stochastic cases
本文提出通用邻近镜像方法求解确定性与随机情形下具有Hölder连续算子的变分不等式,无需预知问题类别或算子信息即可自动适应噪声与Hölder连续性,并证明其具有最坏情形最优复杂度。
2024-10-03 math.OC
Random directions stochastic approximation with deterministic perturbations
Indian Institute of Technology Madras(印度理工学院马德拉斯分校);Indian Institute of Science(印度科学研究所);University of Maryland(马里兰大学)
我们为最近提出的随机方向随机逼近(RDSA)[17]引入了确定性扰动方案,并提出了新的一阶和二阶算法。在后一种情况下,这些是第一个二阶算法,将确定性扰动。我们证明了在确定性扰动下的算法中的梯度和/或Hessian估计是渐近无偏的,因此该算法是可证明收敛的。此外,我们推导出收敛速度建立的一阶和二阶算法的优越性,为特殊情况下的凸和二次最优化问题,分别。数值实验验证了理论结果。
2019-03-28 cs.LG math.OC
Stochastic Control Problems with Unbounded Control Operators: solutions through generalized derivatives
本文讨论希尔伯特空间中一类随机控制问题,它在一些典型的应用中(如边界控制和控制中含有时滞的时滞方程的控制),由于控制算子的无界性和转移半群的正则性缺乏,很难应用动态规划方法.我们引入了一个特定的概念,偏导数,专为这种情况下,我们开发了一种方法来证明,相关的HJB方程有一个解决方案,有足够的规律,以找到反馈形式的最优控制。
2022-10-13 math.OC
Adaptive Sampling Quasi-Newton Methods for Derivative-Free Stochastic Optimization
我们考虑随机零阶最优化问题,它出现在设置从模拟优化强化学习。我们提出了一种自适应采样拟牛顿法,我们估计的梯度的随机函数使用有限差分内一个共同的随机数框架。我们采用修改后的版本的范数检验和内积拟牛顿检验来控制样本量中使用的随机逼近。我们提供了初步的数值实验来说明所提出的方法的潜在性能优势。
2019-10-29 math.OC stat.ML
Stochastic Optimization with Parametric Cost Function Approximations
一个广泛使用的启发式求解随机最优化问题是使用确定性滚动时域过程,它已被修改,以处理不确定性(如缓冲库存,进度松弛)。这种方法因其使用随机问题的确定性近似而受到批评,这是随机规划的主要动机。我们通过确定确定性和随机性方法作为解决随机基础模型(可能是模拟器或真实世界)的策略来重新定义这一争论。随机前瞻模型(随机规划)需要一系列的近似,以保持问题易于处理。相比之下,所谓的确定性模型实际上是参数修改的费用函数近似,其使用对目标函数和/或约束的参数调整。然后,这些参数在随机基础模型中进行优化,该模型不需要进行随机规划所需的任何类型的简化。我们正式提出了这种策略,并描述了一个基于梯度的随机搜索策略,以优化参数。
2017-03-14 math.OC
Exploiting Negative Curvature in Deterministic and Stochastic Optimization
本文讨论的问题,它是否可以是有益的优化算法,以遵循负曲率的方向。虽然先前的工作已经建立了收敛结果的算法,集成下降和负曲率步骤,还没有广泛的数值证据表明,这种方法提供了一致的性能改善。在本文中,我们提出了新的框架相结合的下降和负曲率方向:交替两步方法和动态步骤的方法。我们的方法与以前提出的方法的区别在于,它们基于目标函数的(估计)上界模型做出算法决策。这方面的一个结果是,我们的框架可以,在理论上,采用固定的步长,这使得方法很容易从确定性转换到随机设置。对于确定性问题,我们表明,我们的动态框架的实例产生收益的性能相比,相关的方法,只遵循下降步骤。我们还表明,收益可以在一个随机设置的情况下,当一个标准的随机梯度型方法可能会取得缓慢的进展。
2018-04-04 math.OC
Finitely Convergent Deterministic and Stochastic Iterative Methods for Solving Convex Feasibility Problems
我们提出了一种新的收敛方法来解决定义在一个可能无限大的约束池上的凸可行性问题。在这方面的其他工作,我们假设的内部的解决方案是非空的,某些超松弛参数形成一个发散级数。我们结合我们的方法与一个非常一般的一类确定性控制序列,粗略地说,我们要求,我们迟早会遇到一个违反约束,如果一个存在。特别是通过循环、重复和远程设定控制来满足这一要求。此外,它几乎肯定满足随机控制。
2020-09-20 math.OC
Stochastic Passivity in Stochastic Differential Equations: A Port-Hamiltonian Perspective
University of Wuppertal(伍珀塔尔大学)
本文从端口哈密顿视角出发,研究随机微分方程中的随机能控性问题,提出新的能控性概念并分析线性随机系统的性质。
2025-12-05 math.OC math.PR
Stochastic and deterministic formulations for capacity firming nominations
本文讨论了一个并网光伏电站的能量管理,再加上电池储能设备,在法国能源监管委员会的容量固定规格。论文的贡献是定位在研究的连续性,采用随机模型,通过考虑存储设备来优化可再生能源在日前市场的出价。所提出的确定性和随机性方法是最优化问题,其被公式化为具有线性约束的二次问题。该案例研究是一个真正的微电网与光伏生产现场监测。结果表明,通过使用一个理想的预测,产生无偏PV情景的随机制定的有效性。
2021-06-04 cs.SY eess.SY math.OC
Stochastic homogenization of deterministic control problems
本文研究了平稳遍历随机环境中一类控制问题的均匀化问题。这个问题主要是在与Hamilton-Jacobi方程的均匀化有关的变分法中研究的。我们推广的结果相当一般的状态动力学和宏观非齐次拉格朗日控制问题。此外,我们的方法证明均匀化较弱的增长假设下的拉格朗日,即使在研究的变分设置。
2018-06-20 math.AP math.OC
Non-local Hamilton-Jacobi-Bellman equations for the stochastic optimal control of path-dependent piecewise deterministic processes
University of Bologna(博洛尼亚大学);University of Central Florida(中佛罗里达大学)
本文研究路径依赖分段确定性过程的最优控制,建立了动态规划原理,并证明值函数为非局部路径依赖HJB方程的唯一极小极大解,首次给出此类方程非光滑解的适定性结果。
2025-10-25 math.AP math.OC math.PR
An Accelerated Directional Derivative Method for Smooth Stochastic Convex Optimization
我们考虑光滑随机凸优化问题的背景下的算法是基于目标函数的方向导数。该上下文可以被认为是无导数优化和基于梯度的优化之间的中间上下文。我们假设,在任何给定的点和任何给定的方向,目标函数的方向导数在该点和该方向上的随机逼近可与一些加性噪声一起使用。假设噪声具有未知的性质,但其绝对值有界。我们强调,我们考虑在任何方向上的方向导数,而不是坐标下降法只使用在坐标方向上的导数。对于这种设置,我们提出了一个非加速和加速方向导数方法,并提供其复杂性的界限。我们的非加速算法具有类似于基于梯度的算法的复杂度界,即没有任何维度依赖因子。我们的加速算法有一个复杂性界,这与加速的基于梯度的算法的复杂性界的问题维度的平方根的一个因素。我们将这些结果推广到强凸问题。
2020-09-21 cs.CC cs.DS math.OC
Probabilistic Reachability Analysis of Stochastic Control Systems
本文提出统一框架,通过解耦确定性输入与随机扰动,并引入平均矩生成函数给出高概率界,从而改进连续时间随机控制系统的可达集估计。
2024-09-03 cs.SY eess.SY math.OC
Comparative prediction of confirmed cases with COVID-19 pandemic by machine learning, deterministic and stochastic SIR models
在本文中,我们提出了一种机器学习技术和SIR模型(确定性和随机情况)与数值近似来预测感染COVID-19的病例数,无论是在几天内还是在接下来的三周内。与[1]一样,基于[2]的公开数据,我们估计参数并进行预测,以帮助找到控制局势的具体行动。乐观估计,部分国家的疫情将很快结束,而对全球大部分国家而言,抗疫的冲击不会迟于5月初。
2020-04-24 math.OC q-bio.PE stat.ML