Optimal Allocation of Static Var Compensator via Mixed Integer Conic Programming
诸如静止无功补偿器（SVC）的并联FACTS装置能够提供本地无功功率补偿。它们被广泛用于网络中，以减少有功功率损耗并改善电压分布。提出了一种基于混合整数圆锥规划（MICP）的输电网SVC优化配置模型，该模型考虑了负荷的不确定性。负荷的不确定性是由许多情况下。利用重构和线性化技术，将原非凸模型转化为凸二阶锥规划（SOCP）模型。基于IEEE 30节点系统的算例验证了该规划模型的有效性。
2017-03-29 math.OC
Sparse Inverse Covariance Selection via Alternating Linearization Methods
Lehigh University（利哈伊大学）；Columbia University（哥伦比亚大学）
高斯图模型在统计学习中有很大的兴趣。由于不同节点之间的条件独立性对应于高斯分布的逆协方差矩阵中的零项，因此可以通过从样本数据估计稀疏逆协方差矩阵，通过求解具有$\ell_1$正则化项的凸最大似然问题来学习图的结构。在本文中，我们提出了一个一阶方法的基础上交替线性化技术，利用问题的特殊结构，特别是，在每次迭代中解决的子问题有封闭形式的解决方案。此外，我们的算法在$O(1/ε)$迭代中获得了一个$ε$ -最优解.在基因关联网络的合成数据和真实数据上的数值实验表明，该算法的实用版本优于其他竞争算法。
2010-10-30 cs.LG math.OC stat.ML
GPU-Parallel Linearization Error Bounds for Real-Time Robust Optimal Control of Nonlinear and Neural Network Dynamics
提出GPU并行线性化误差界（LEBs），结合系统级综合与鲁棒控制求解器，实现非线性与神经网络动力学实时鲁棒最优控制，在168维状态上达到67 Hz求解速度。
2026-07-02 cs.AI cs.LG cs.RO
Robust Remanufacturing Planning with Parameter Uncertainty
我们考虑的问题，再制造规划的统计估计误差的存在。确定最佳的再制造时机，首先，需要建模的系统的状态转换。然而，对这些概率的估计常常受到数据不足的影响，而且很不准确，导致性能严重下降。为了减轻转移概率的不确定性的影响，我们开发了一种新的数据驱动的再制造规划建模框架，决策者可以保持稳健的统计估计误差。我们将再制造规划问题建模为一个鲁棒的马尔可夫决策过程，并构造包含高置信度真实转移概率分布的模糊集。我们进一步建立结构属性的最优鲁棒政策和见解再制造规划。对NASA涡扇发动机的计算研究表明，我们的数据驱动的决策框架始终产生更好的最坏情况下的性能和更高的可靠性的性能保证
2021-03-17 math.OC
Sinkhorn Linearization and the Spectral Proxy: Unifying the Statistical and Algorithmic Theory of Feature-Parameterized Inverse Optimal Transport via a Single Spectral Sandwich
School of Medicine, Nankai University（南开大学医学院）；College of Artificial Intelligence, Nankai University（南开大学人工智能学院）
该研究针对特征参数化逆最优传输，提出Sinkhorn线性化与谱代理，建立谱三明治核心界，推导可识别性等四项定理及误设观察，统一其统计与算法理论。
2026-08-14 cs.LG math.OC math.ST
Production and distribution planning, scheduling, and routing optimization in a yogurt supply chain under demand uncertainty: A case study
针对需求不确定的酸奶供应链，构建混合整数非线性规划模型并采用鲁棒模糊规划与遗传算法求解，通过案例验证其能优化生产配送调度与路径决策。
2024-06-09 math.OC
Chance-Constrained Nonlinear Covariance Control via Robust Linearization Remainder Bounds
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
本文提出序列凸规划框架，结合鲁棒线性化余项界与随机线性矩阵不等式，实现非线性系统的机会约束协方差控制，仿真验证其约束满足性。
2026-09-17 cs.SY eess.SY math.OC
Approximate Stochastic Optimal Control for Linear Time Invariant Systems with Heavy-tailed Disturbances
针对受多变量$t$扰动的线性定常系统，提出了一种基于分位数重构的开环控制方案。多变量$t$扰动是由重尾现象引起的，该重尾现象在多车辆规划问题中通过未建模的扰动力、线性化效应或故障致动器而出现。我们的方法依赖于凸分位数的多面体目标集和规范的碰撞避免约束，使快速计算。我们嵌入分位数近似的学生的$t$分布和β素数分布在一个不同的凸函数框架来计算可证明的安全，但可能是次优控制器。我们证明了我们的方法与三个卫星交会的例子，并提供了与粒子控制的比较。
2022-10-17 cs.SY eess.SY math.OC
Orbital Stabilization of Point-to-Point Maneuvers in Underactuated Mechanical Systems
NTNU（挪威科技大学）
研究了通过连续静态状态反馈控制，使非线性控制系统产生渐近稳定的异宿轨道的问题。主要动机来自于在欠驱动机械系统中确保收敛到所谓的点到点机动的问题。也就是说，在其状态-控制空间中的光滑曲线，这是一致的系统动力学和连接两个（线性）可镇定的平衡点。所提出的方法使用了一个特定的参数化，连同一个状态投影到机动相结合的两个线性化技术，用于此目的：雅可比线性化在边界上的平衡和沿轨道的横向线性化。这使得稳定的控制增益离线计算解决一个半定规划问题。所得到的非线性控制器，同时渐近稳定的轨道和最终的平衡，是时不变的，局部Lipschitz连续的，不需要切换，并有一个熟悉的前馈加反馈的结构。该方法还补充了同步功能为基础的参数规划机械系统与一个程度的欠驱动这样的演习。通过对"蝴蝶"机器人上两点之间滚动的球的非弹性操作任务的数值模拟，验证了该综合方法的有效性。
2022-11-14 cs.RO cs.SY eess.SY
Excessive Transverse Coordinates for Orbital Stabilization of (Underactuated) Mechanical Systems
基于横向线性化的方法已成为欠驱动机械系统（周期）运动轨道稳定反馈设计的最突出的方法之一。然而，在$n$维状态空间中，这需要知道一组独立于$(n-1)$的横向坐标，其可以是非平凡的，并且其定义可能针对不同的运动（轨迹）而变化。在本文中，我们认为，而不是一个通用的一组$excessive$横向坐标定义的一个特定的参数化的运动和投影算子恢复的“位置”沿轨道。我们提出了一个建设性的程序，获得相应的横向线性化，以及状态的反馈控制器呈现所需的轨迹（局部）渐近轨道稳定的存在的充分条件。将该方法应用于欠驱动小车-单摆系统关于其不稳定直立位置的振动镇定，其中采用了一种新的基于虚拟约束的运动规划方法进行轨迹生成。
2020-05-03 cs.SY eess.SY math.OC
Hybrid optimal control with mixed-integer Lagrangian methods
针对混合系统最优控制因组合特性难以高效优化的问题，提出一种基于增广拉格朗日框架、带信赖域逐次混合整数线性化的先离散后优化方法，无需松弛整数约束，在多类问题上验证了良好性能。
2025-05-17 math.OC
Risk-Averse Stochastic Optimal Control: an efficiently computable statistical upper bound
针对风险厌恶型随机最优控制问题，本文提出基于SDDP类算法的统计上界构造方法，适用于一大类凸单调条件风险映射，并通过实际水热规划问题验证了其有效性，解决了该领域的长期难题。
2023-05-02 math.OC
A Real-Time Approach for Chance-Constrained Motion Planning with Dynamic Obstacles
University of Luxembourg（卢森堡大学）；Interdisciplinary Centre for Security, Reliability and Trust（安全、可靠性与信任跨学科中心）；ispace Europe（ispace欧洲公司）
不确定的动态障碍物，如行人或车辆，对具有安全保证的最佳机器人导航构成了重大挑战。以前的工作运动规划遵循两个主要的策略，以提供一个安全的边界上的障碍物的空间：多面体，如长方体，或非线性可微表面，如椭球体。前一种方法依赖于析取编程，它具有相对较高的计算成本，随着障碍物的数量呈指数增长。后一种方法需要局部线性化，以找到一个易于处理的机会约束的评估，这大大减少了剩余的自由空间，并导致过度保守的轨迹，甚至不可行。在这项工作中，我们提出了一种混合的方法，避免了这两种策略的陷阱，同时保持原来的安全保证。其关键思想在于获得一个安全的可微近似的析取机会约束约束的障碍。所得到的非线性优化问题不需要机会约束线性化和析取规划，因此可以有效地求解，以满足多障碍情况下的快速实时的【形】要求。我们通过数学证明，仿真和真实的实验验证了我们的方法与空中机器人使用非线性模型预测控制，以避免行人。
2020-05-07 cs.RO math.OC
Risk-Averse Planning via CVaR Barrier Functions: Application to Bipedal Robot Locomotion
California Institute of Technology（加州理工学院）
在存在随机不确定性的情况下实施安全是一个具有挑战性的问题。传统上，研究人员在这种情况下提出了统计平均值的安全性作为安全措施。然而，只有当系统在大量运行中的安全行为令人感兴趣时，确保统计平均值中的安全性才是合理的，这排除了在实际场景中使用平均安全性。在本文中，我们提出了一个风险敏感的安全概念，称为条件风险价值（CVaR）安全，这是关注在最坏的情况下实现的安全性能。我们引入CVaR障碍函数作为一种工具，以执行CVaR的安全性，并提出其布尔组合物的条件。给定一个传统的控制器，我们表明，我们可以设计一个最小干扰CVaR安全控制器通过求解差分凸规划。我们阐明了所提出的方法，将其应用到双足机器人运动的案例研究。
2021-03-06 cs.RO math.OC
Fast DTW and Fuzzy Clustering for Scenario Generation in Power System Planning Problems
电力系统规划问题成为计算棘手的，如果一个帐户的所有不确定的操作方案。因此，人们选择一个子集的情况下，代表可能/极端的操作条件，例如，重夏，重冬，轻夏，等等。然而，这样的方法可能无法准确地捕捉之间存在的依赖关系，可再生能源发电（RG）和系统负载之间的富RG电力系统。本文提出了使用快速动态时间规整（FDTW）和模糊c-均值++（FCM++）聚类占关键统计特性的负荷和RG场景生成电力系统规划问题。使用美国电力网络的案例研究，并与现有的场景生成技术的比较证明了所提出的方法的好处。
2021-05-26 eess.SP math.OC
Multi-Agent Search for a Moving and Camouflaging Target
本文研究异构多智能体搜索随机运动伪装目标的规划问题，将凸混合整数非线性规划线性化，并结合预处理、惰性约束和基于束的割平面方法提升大规模求解效率。
2023-11-01 cs.SY eess.SY math.OC
A Scalable Method for Optimal Path Planning on Manifolds via a Hopf-Lax Type Formula
针对光滑函数图像流形上的最优路径规划问题，提出一种基于广义Hopf-Lax型公式的原始对偶混合梯度启发算法，该算法高效且不依赖网格，可扩展至高维问题。
2024-12-17 cs.NA math.NA math.OC
Machine learning strategies for path-planning microswimmers in turbulent flows
我们开发了一个对抗强化学习计划的microswimmer在统计均匀和各向同性湍流流体流动，在两个（2D）和三维（3D）。我们表明，该计划允许microswimmer找到非平凡的路径，这使他们能够达到一个目标平均在更短的时间比一个天真的microswimmer，试图在任何时刻的时间和在空间中的一个给定的位置，游泳的目标的方向。我们使用二维和三维（不可压缩）纳维-斯托克斯方程的伪谱直接数值模拟（DNSs）来获得湍流。然后，我们引入被动的microswimmer，试图沿着一个给定的方向在这些流中游泳;的microswimmer不影响流，但他们被平流。
2021-05-07 math.OC physics.flu-dyn stat.ML
Robust Nonlinear Optimal Control via System Level Synthesis
针对受范数有界扰动的非线性系统有限时域约束鲁棒最优控制问题，提出基于一阶泰勒展开分解与系统级综合的方法，联合优化多要素以降低规划保守性，并通过刚体旋转控制实验验证了优势。
2025-07-31 cs.SY eess.SY math.OC
Non-Gaussian Chance-Constrained Trajectory Planning for Autonomous Vehicles under Agent Uncertainty
Massachusetts Institute of Technology（麻省理工学院）
智能体行为可以说是自动驾驶车辆轨迹规划中最大的不确定性来源。这个问题激发了大量的工作，在行为预测社区学习丰富的分布的未来状态和行动的代理。然而，目前大多数关于代理或障碍物不确定性下的机会约束轨迹规划的工作要么假设高斯不确定性或线性约束，这是有限的，要么需要采样，这在计算上难以编码在优化问题中。在本文中，我们通过提出一种由具有潜在非高斯分量的多项式和混合模型定义的上限机会约束的方法来扩展最新技术水平。我们的方法实现了它的通用性，通过使用统计矩的分布在浓度不等式的上限约束违反的概率。通过这种方法，基于优化的轨迹规划器可以规划相对于代表智能体未来位置预测的广泛分布的机会约束的轨迹。在实验中，我们表明，由此产生的优化问题可以解决与国家的最先进的非线性规划求解器计划轨迹足够快，在线使用。
2020-07-15 cs.RO cs.SY eess.SY
