On Exact and Inexact RLT and SDP-RLT Relaxations of Quadratic Programs with Box Constraints
二次规划与框约束涉及最小化一个可能的非凸二次函数的下限和上界的每个变量。这是一个众所周知的NP难问题,经常出现在各种应用中。我们专注于两个凸松弛,即RLT(Reformulation-Linearization Technique)松弛和SDP-RLT松弛通过添加半定约束的RLT松弛。这两个松弛产生的下界的最优值的二次规划框约束。我们提出了完整的代数描述的一组实例,承认确切的RLT松弛以及那些承认确切的SDP-RLT松弛。我们表明,我们的描述可以转换成算法,有效地构建实例与精确或不精确的放松。
2023-03-12 math.OC
Tight semidefinite programming relaxations for sparse box-constrained quadratic programs
Lehigh University(利哈伊大学)
本文提出了一种基于重构线性化技术的紧半正定规划松弛方法,用于解决稀疏盒约束二次规划问题,并给出了多项式规模的可构造性证明。
2026-10-14 math.OC
Relaxations of KKT Conditions do not Strengthen Finite RLT and SDP-RLT Bounds for Nonconvex Quadratic Programs
本文研究非凸二次规划中纳入KKT最优性条件对RLT与SDP-RLT松弛界的影响,证明有限值情形下界不变,并通过无界实例说明其可能产生误导。
2025-06-11 math.OC
Sharp Singularity-Degree Bounds for Equality-Generated SDP-RLT Relaxations of Binary Programs
School of Mathematical and Statistical Sciences, Clemson University(克莱姆森大学数学与统计科学学院)
本文针对二元规划的等式生成SDP-RLT松弛,确定其最坏情况奇异度的紧界为⌊n/2⌋,该界小于SDP通用界,可预先估计奇异度与误差界的Hölder指数。
2026-09-01 math.OC
A relaxation approach to UBPPs based on equivalent DC penalized factorized matrix programs
无约束二元多项式规划在科学和工程领域有着广泛的应用。通过利用其DC约束的SDP重构的全局精确惩罚,我们实现了一个等效的DC惩罚SDP,并提出了一种连续松弛方法,通过寻找有限个DC惩罚SDP的临界点,随着惩罚因子的增加。一个全局收敛的优化最小化(MM)方法外推也被开发来捕捉这样的临界点。在较弱的条件下,证明了松弛方法输出的秩一投影是UBPP的一个近似可行解,并从最优解量化了其目标值的上界.与SDP松弛法配备了一个特殊的随机舍入技术和DC松弛方法的基础上的解决方案的线性SDPs的数值比较证实了所提出的松弛方法的效率,它可以解决\textbf{20000}变量的情况下,\textbf{15}分钟,并产生一个上限的最佳值和已知的最佳值的相对误差最多\textbf{1.824\%}和\textbf{2.870\%},分别。
2021-11-06 math.OC
Trust--Region Problems with Linear Inequality Constraints: Exact SDP Relaxation, Global Optimality and Robust Optimization
球上非凸二次函数极小化的信赖域问题是求解非线性最优化问题的信赖域方法中的一个关键子问题。它具有精确半定线性规划松弛(SDP松弛)和强对偶性等性质。不幸的是,这样的属性不,在一般情况下,持有扩展的信赖域问题具有额外的线性约束。本文证明了经典信赖域问题的两个有用而强大的特征在新的维数条件下对于带线性不等式约束的扩展信赖域问题仍然成立。首先,我们建立了一类扩展信赖域问题有一个精确的SDP-松弛,它没有斯莱特约束规格。这是通过证明一个系统的二次和仿射函数参与的模型满足范围凸性时,尺寸条件得到满足。其次,我们证明了尺寸条件与斯莱特条件一起确保了一组组合的第一和第二阶拉格朗日乘子条件是必要的和充分的扩展信赖域问题的全局最优性,从而为强对偶。最后,我们证明了扩展的信赖域模型的维数条件是容易满足的,所产生的鲁棒最小二乘问题(LSP),以及作为一个等价的半定线性规划问题的鲁棒二阶锥规划模型问题(SOCP)的重新制定。这使我们得出结论,在温和的假设下,求解矩阵范数不确定性或多面体不确定性下的鲁棒(LSP)或(SOCP)相当于求解SDP,因此,它们的解可以在多项式时间内验证。
2013-09-11 math.OC
An SDP dual relaxation for the Robust Shortest Path Problem with ellipsoidal uncertainty: Pierra's decomposition method and a new primal Frank-Wolfe-type heuristics for duality gap evaluation
这项工作解决了鲁棒对应的最短路问题(RSPP)与相关的不确定性集。由于这个问题是困难的,启发式方法,基于Frank-Wolfe的算法命名为离散Frank-Wolf(DFW),最近被提出。本文的目的是提出一个半定规划松弛的RSPP,提供了一个下界,以验证方法,如DFW算法。放松的问题的结果,从一个二元化,这是{通过}一个重新制定的RSPP到一个二次问题。然后松弛的问题是解决使用稀疏版本的Pierra的分解在积空间的方法。这种验证方法适用于大规模的问题。数值实验表明,放松和启发式方法得到的解决方案之间的差距是相对较小的。
2021-10-29 math.OC stat.AP
On the tightness of an SDP relaxation for homogeneous QCQP with three real or four complex homogeneous constraints
本文研究具有三个实数或四个复数齐次约束的齐次QCQP问题,提出了一个基于SDP松弛及其对偶最优解对的充分必要检测条件,用于验证SDP松弛的紧性,并据此在多项式时间内求得全局最优解,同时推广了S-lemma和Yuan's lemma。
2023-04-09 math.OC
Improving Clique Decompositions of Semidefinite Relaxations for Optimal Power Flow Problems
RTE(法国输电系统运营商RTE);Université Paris 13(巴黎第十三大学);Polytechnique Montréal(蒙特利尔高等综合理工学院);University of Edinburgh(爱丁堡大学)
半定规划(SDP)为最优潮流问题提供了严格的下界。然而,解决大规模SDP问题需要利用稀疏性。在本文中,我们实验几个团分解算法,导致不同的重新制定,我们表明,分辨率是高度敏感的团分解过程。我们的主要贡献是证明,最小化弦扩展中的附加边的数量并不总是合适的,以获得一个良好的团分解。
2019-12-19 cs.RO math.OC
Benchmarking of quantum and classical SDP relaxations for QUBO formulations of real-world logistics problems
本文针对现实物流中的车辆路径与货架陈列 QUBO 实例,基准测试基于平方和与 Hamiltonian Updates 的经典及量子 SDP 松弛,揭示真实结构带来的挑战。
2025-03-13 math.OC quant-ph
A Less Noise-Sensitive SDP Relaxation in Wireless Sensor Network Localization
有各种各样的方法来解决定位问题,其中半定规划的方法已经显示出很大的性能,在复杂性和准确性方面。在本文中,我们引入了一类对噪声不太敏感的松弛,以降低基于SDP的方法的复杂性。我们将松弛算法应用到基于边的半定规划(ESDP)方法中,得到的模型称为PESDP。仿真结果表明,我们提出的PESDP方法是较低的噪声敏感性和速度相比,原来的ESDP。
2014-12-25 math.OC
Least Square Estimation-Based SDP Cuts for SOCP Relaxation of AC OPF
提出了一种仿射不等式生成方法来加强交流最优潮流问题的二阶锥规划松弛。仿射不等式作为切割,以摆脱与半定规划(SDP)松弛的AC OPF的可行域之外的点。因此,仿射不等式被称为SDP割。虽然具有SDP松弛的AC OPF具有高计算复杂性,但是具有SOCP的AC OPF具有低得多的计算复杂性。最近的研究发现,SDP松弛的可行域包含在SOCP松弛的可行域内。因此,将SDP切割集成到SOCP松弛中提供了与SDP松弛相比更好的可扩展性以及与SOCP松弛相比更紧的间隙。通过求解最小二乘估计(LSE)问题,并进一步探索LSE的几何特征,生成SDP割集。分析中还采用了一般可行割生成方法。我们发现LSE方法产生的SDP割确实是可行割。SDP切割有效地减少了搜索空间。通过对几条母线到几百条母线的系统的实例分析,证明了该方法在减小间隙方面是非常有效的。
2016-09-16 math.OC
A feasible method for general convex low-rank SDP problems
针对含半正定矩阵与非负向量的一般凸低秩SDP问题,提出基于黎曼优化的秩-支撑自适应可行方法,证明收敛性,结合随机扰动与对偶精化策略求解退化问题,拓展了黎曼优化的应用范围。
2023-12-13 math.OC
RiNNAL+: a Riemannian ALM Solver for SDP-RLT Relaxations of Mixed-Binary Quadratic Programs
本文提出 RiNNAL+ 求解器,通过证明 MBQP 的 DNN 松弛可降维等价于 SDP-RLT 松弛,并设计低秩流形优化与投影梯度交替的混合方法,以极少调优高效求解大规模 DNN 问题。
2025-07-18 math.OC
A Globally Convergent LP and SOCP-based algorithm for Semidefinite Programming
半定规划(SDP)是数值优化中最通用的框架之一,作为许多圆锥规划的推广和NP-难组合问题的松弛。它们的主要缺点是它们的计算和内存复杂性,这对现成的SDP求解器可解决的问题的大小设置了实际限制。为了规避这一事实,已经提出了许多算法来利用特定问题的结构,并增加这些问题实例的SDP的可扩展性。然而,一般情况下的服务提供点的进展并不那么陡峭。在本文中,由Ahmadi和霍尔的早期结果的动机,我们表明,一般SDP可以解决$ε$ -最优性,在多项式时间内,通过执行一系列计算要求较低的线性或二阶锥程序。此外,我们提供了一个界上的迭代次数需要达到$ε$ -最优。这些结果使用随机SDPs和来自SDPLib数据集的众所周知的问题来说明。
2022-02-24 math.OC
Spectral Outer-Approximation Algorithms for Binary Semidefinite Problems
针对二元二次约束二次规划重构的二元半定问题,提出一种基于谱分解的谱外逼近算法,实验表明其与现有最先进求解器竞争力相当或更优。
2025-06-23 math.OC
On the Equivalence of SDP Feasibility and a Convex Hull Relaxation for System of Quadratic Equations
证明了{ \it半定规划}(SDP)的可行性问题等价于求解有限二次方程组的{ \it凸包松弛}(SLP).一方面,这提供了对SDP的简单描述。另一方面,这种等价性使得可以基于求解CHR来描述用于SDP可行性的{ \it三角算法}的版本。具体地,三角算法或者计算SDP的最小范数可行解的近似,或者使用其{ \it距离对偶},在不存在规定范数内的解时提供分离。每次迭代的最坏情况复杂度是计算在该迭代中出现的对称矩阵的最大特征值。迭代总数的替代复杂性界限可以导出。因此,三角形算法为SDP可行性和SDP优化提供了一种替代现有的邻近点算法。特别地,基于初步的计算结果,我们可以通过三角形算法有效地解决{ \it二元二次}可行性的SDP松弛。这在求解MAX-CUT的SDP松弛问题中得到了应用。我们还表明,在测试的情况下,凸二次不等式系统的可行性,该问题是减少到一个相应的问题,其中最坏情况下的复杂性,通过三角形算法的每次迭代是解决{ \it置信域子问题}。在此基础上,我们讨论了三角形算法和三角形算法在求解一般多项式方程中的潜在推广。
2020-08-16 cs.CC math.OC
On Equivalence and Computational Efficiency of the Major Relaxation Methods for Minimum Ellipsoid Containing the Intersection of Ellipsoids
研究了包含多个椭球相交的最小椭球问题,该问题在信息科学、目标跟踪和数据融合等领域有着广泛的应用。目前主要有三种松弛法,即SDP松弛法、S-过程松弛法和定界椭球松弛法,它们是由不同的思想或观点导出的。然而,这些方法之间的相互关系尚不清楚。本文分三个阶段揭示了三种松弛法的等价性。首先,SDP松弛法可等效简化为解耦的SDP松弛法。其次,通过严格的分析,证明了SDP松弛法与S-过程松弛法的等价性。第三,我们建立了解耦SDP松弛法和边界椭球松弛法之间的等价性。因此,通过解耦的SDP松弛法将三种松弛法统一起来。通过对计算复杂性的分析,解耦SDP松弛法的计算量最小。上述结果对集员滤波和分布式估计融合的研究具有一定的参考价值。最后,通过典型的信息融合滤波算例,对每种方法的性能进行了评价。
2018-03-31 math.OC
Dimensionality reduction of SDPs through sketching
我们将展示如何使用正映射来绘制半定规划(SDP),以降低其维数。更准确地说,我们使用Johnson \hyp{} Lindenstrauss变换来产生更小的SDP,其解决方案保持可行性或以高概率近似原始问题的值。这些技术允许改进复杂性和存储空间要求。他们适用于问题中的Schatten 1-范数的矩阵指定的SDP和解决方案的问题是恒定的问题的大小。此外,我们提供了一些结果,澄清了积极的,线性草图在这种情况下的局限性。
2018-11-15 cs.DS math.OC
Comparative Evaluation of SDP, SOCP, and QC Convex Relaxations for Large-Scale Market-Based AC Optimal Power Flow
Technical University of Munich(慕尼黑工业大学)
本文比较了SDP、SOCP和QC松弛在大规模市场导向ACOPF中的性能,通过统一框架评估了不同松弛方法的求解质量、运行时间和内存消耗,为选择合适松弛方法提供了指导。
2026-02-15 math.OC
A structural geometrical analysis of weakly infeasible SDPs
在这篇文章中,我们提出了半定可行性问题(SDFPs)的几何理论分析。这是通过将SDFP分解为更小的问题来完成的,以保留原始问题的大多数可行性属性的方式。有了这种技术,我们开发了一个详细的分析弱不可行SDFP清楚地和系统地了解弱不可行性如何出现在半定规划。特别是,我们表明,对于一个弱不可行的问题,在$n\times n$矩阵,在最多$n-1$方向需要接近半正定锥。我们还提出了一个讨论SDFP和相关的复杂性结果的可行性证书。
2015-07-28 math.OC
Complexity of Chordal Conversion for Sparse Semidefinite Programs with Small Treewidth
针对小树宽稀疏半定规划,通过构造扩展聚合稀疏图并证明其小树宽可保证弦转换实现每迭代线性时间求解,涵盖多个实际应用。
2024-07-08 math.OC
Entropy Penalized Semidefinite Programming
半定规划(SDP)的低秩方法最近引起了人们的极大兴趣,特别是在机器学习应用中。它们的分析通常涉及基于行列式或Schatten范数的惩罚,由于计算量大,在实践中很难实现。在本文中,我们提出了熵罚半定规划(EP-SDP),它提供了一个统一的框架,广泛的罚函数在实践中使用,以促进低秩的解决方案。我们发现,EP-SDP问题允许有效的数值算法具有(几乎)线性时间复杂度的梯度迭代,这使得它适用于许多机器学习和最优化问题。我们说明了我们的方法在几个组合优化和机器学习问题的实际效率。
2019-08-01 math.OC
A Faster Small Treewidth SDP Solver
半定规划是最优化和理论计算机科学中的基本工具。它已被广泛用作解决许多问题的黑盒,如嵌入,复杂性,学习和差异。半定编程的一个自然设置是小树宽设置。以前在小树宽设置下最好的SDP求解器是Zhang-Lavaei '18,它需要$n^{1.5} τ^{6.5}$时间。在这项工作中,我们展示了如何解决一个半定规划与$n \times n$变量,$m$约束和$τ$树宽在$n τ^{2ω+0.5}$时间,其中$ω< 2.373$表示矩阵乘法的指数。我们给出了第一个SDP求解器,它在此设置下以线性变量的数量在时间上运行。此外,我们改善了运行时间,解决了一个线性规划与tau树宽从$n τ^2$(Dong-Lee-Ye '21)到$n τ^{(ω+1)/2}$。
2022-11-11 cs.DS math.OC
Semidefinite Programming Approach for the Quadratic Assignment Problem with a Sparse Graph
两个邻接矩阵之间的匹配问题可以表示为NP难的二次指派问题(QAP)。以前的工作半定规划(SDP)放宽到QAP产生的解决方案,往往是紧在实践中,但这样的SDP通常规模差,涉及矩阵变量的尺寸$n^2$,其中n是节点的数量。为了实现加速,我们提出了一个进一步放宽的SDP涉及的维数$\mathcal{O}(n)$没有大于的边缘的数量在一个图形的正半定矩阵。松弛可以通过考虑图中的团而不是边来进一步加强。这种新的松弛的对偶问题具有自然的三块结构,可以通过收敛的增广方向乘法(ADMM)以分布式方式解决,其中每次迭代最昂贵的步骤是计算维度$\mathcal{O}(n)$的矩阵的特征分解。新的SDP松弛产生强界的二次指派问题,其中一个图是稀疏的,减少了计算复杂性和运行时间,并可以用于在核磁共振光谱(NMR)的上下文中,以解决分配问题。
2017-03-27 math.OC
SDP Achieves Exact Minimax Optimality in Phase Synchronization
研究了带噪声测量$Y=z^*z^{*H}+σW\in\mathbb{C}^{n\times n}$的相位同步问题,其中$z^*$是$n$维复单位模向量,$W$是复值高斯随机矩阵.假设以概率$p$观察到每个条目$Y_{jk}$。我们证明了一个SDP松弛的MLE实现下的归一化平方$\ell_2$损失的误差界$(1+o(1))\frac{σ^2}{2np}$。这个结果符合问题的极大极小下界,甚至前导常数也是尖锐的。SDP的分析基于等价的非凸规划,其解可以表征为提升到更高维度空间的广义幂迭代的不动点。这一观点统一了三种不同方法:极大似然法、SDP和广义幂方法的统计最优性证明。该技术也适用于分析的SDP $\mathbb{Z}_2$同步,我们实现了极小极大最佳误差$\exp\left(-(1-o(1))\frac{np}{2σ^2}\right)$与一个尖锐的常数的指数。
2022-03-18 math.OC math.ST stat.ML
A predictor-corrector algorithm for semidefinite programming that uses the factor width cone
提出了一种求解半定规划问题的内点方法。用于求解SDP的标准内点算法在正半定矩阵空间中工作。与此相反,所提出的算法工作在常数\emph{factor width}的矩阵锥。这种适应性使得所提出的方法比标准IPM更适合并行化。我们证明了整体收敛,并提供了一个复杂性分析。我们的工作受到Ahmadi,Dash,Majumdar和Hall的一系列论文的启发,并建立在Roig-Solvas和Sznaier最近的预印本上[arXiv:2202.12374,2022]。
2023-01-16 math.OC
Semidefinite Relaxation for Two Mixed Binary Quadratically Constrained Quadratic Programs: Algorithms and Approximation Bounds
针对两类混合二元二次约束二次规划(MBQCQP)提出了新的半定规划(SDP)松弛技术,并分析了它们的逼近性能。第一类问题是在$N$维实或复欧几里得空间中求两个最小范数向量,使得满足$2M$凹二次函数中的$M$。通过采用一个特殊的随机舍入过程,我们证明了该模型的最优解的范数与其SDP松弛之间的比率在真实情况下由$\frac{54M^2}π$上界,在复杂情况下由$\frac{24M}{\sqrtπ}$上界。第二类问题找到一系列的最小范数向量的二次约束和基数约束的二元和连续变量。我们表明,在这种情况下的逼近比也是有界的,独立的问题的真实和复杂的情况下的尺寸。
2014-03-17 math.OC
The Maximum Singularity Degree for Linear and Semidefinite Programming
School of Mathematical and Statistical Sciences, Clemson University(克莱姆森大学数学与统计科学学院)
本文研究线性与半定规划中面缩减序列的最大奇异度,证明LP中最小FR序列构成固定向量空间的基,并证明寻找SDP最长FR序列是NP困难的,揭示最短与最长序列的显著差异。
2026-09-18 math.OC
Revisiting Atomic Norm Minimization: A Sequential Approach for Atom Identification and Refinement
本文提出一种不依赖半正定规划的低复杂度序贯原子识别与细化算法(SAIR),通过基于极限的新表示揭示ANM与贝叶斯方法的联系,在估计精度和计算效率上优于现有方法。
2024-11-13 math.OC
Lower bounds on the size of semidefinite programming relaxations
我们介绍了一种方法证明下界的效力半定规划(SDP)松弛组合问题。特别地,我们证明了$n$ -顶点图上的割、TSP和稳定集多面体不是任何SDP的可行域的线性图像(即,任何光谱面体)的尺寸小于$2^{n^c}$,对于某个常数$c > 0$。这一结果产生的第一个超多项式下界的半定扩张复杂性的任何显式家庭的多面体。我们的研究结果如下从一个一般的技术证明下界的半正定矩阵的秩。为此,我们建立了一个密切的连接任意SDP和那些所产生的平方和SDP层次。对于近似最大约束满足问题,我们证明了多项式大小的SDPs是等效的权力所产生的程度- $O(1)$平方和松弛。这个结果意味着,例如,没有一个多项式大小的SDP弛豫族可以实现比MAX-3-SAT的7/8近似更好的结果。
2014-11-24 cs.CC math.CO math.OC
On the simplicity and conditioning of low rank semidefinite programs
Cornell University(康奈尔大学)
低秩矩阵恢复问题广泛出现在统计学、组合学和成像学中。解决这些问题的一个著名方法是制定和解决一个半定规划(SDP)。通常已知,具有完美数据的SDP的精确解恢复原始低秩矩阵恢复问题的解。更具有挑战性的是,要证明用有噪声的问题数据制定的SDP的近似解可接受地解决了原始问题;参数通常是针对每个问题设置的,并且可能很复杂。在本说明中,我们确定了一组条件,我们称之为简单性,限制由于噪声问题数据或不完全收敛的错误。从这个意义上说,简单的SDP是鲁棒的:简单的SDP可以在规模上(近似)有效地求解;并且即使在有噪声的数据下,所得到的近似解也是可信的。此外,我们表明,简单持有一般,也为许多结构化的低秩矩阵恢复问题,包括随机块模型,$\mathbb{Z}_2$同步,矩阵完成。形式上,我们称一个SDP是单的,如果它有一个满射约束映射,有唯一的原始解和对偶解对,并且满足强对偶和严格互补。然而,简单并不是万能的:我们表明,Burer-Monteiro制定的SDP可能有虚假的二阶临界点,即使是一个简单的SDP秩1的解决方案。
2021-07-23 cs.LG math.OC stat.ML
Smoothed analysis for low-rank solutions to semidefinite programs in quadratic penalty form
TTI Chicago(芝加哥丰田理工学院);Princeton University(普林斯顿大学);Microsoft Research(微软研究院)
半定规划在学习和组合优化中有着重要的应用。在追求低秩的解决方案和低复杂度的算法,我们考虑的Burer-Monteiro分解方法解决SDP。我们表明,所有近似的局部最优解是全局最优的适当秩约束的SDP的处罚制定,只要约束的数量规模与所需的秩的最优解的次二次方。我们的结果是基于一个简单的惩罚函数制定的秩约束SDP随着平滑的分析,以避免最坏情况下的成本矩阵。我们列举了我们的结果,两个应用程序,即最大割和矩阵完成。
2018-03-01 cs.LG math.OC stat.ML
Semidefinite Programming versus Burer-Monteiro Factorization for Matrix Sensing
UC Berkeley(加州大学伯克利分校)
许多基本的低秩最优化问题,如矩阵完备化、相位同步/恢复、电力系统状态估计和鲁棒PCA,都可以用矩阵传感问题来表示。求解矩阵传感问题的两种主要方法是基于半定规划(SDP)和Burer-Monteiro(B-M)分解。SDP方法具有较高的计算复杂度和空间复杂度,而B-M方法由于问题的非凸性可能返回伪解。这些方法成功的现有理论保证导致了类似的保守条件,这可能错误地暗示这些方法具有可比的性能。在本文中,我们阐明了这两种方法之间的一些主要差异。首先,我们提出了一类结构矩阵完备化问题,B-M方法失败的压倒性的概率,而SDP方法的工作正确。其次,我们确定了一类高度稀疏矩阵完成问题的B-M方法的作品和SDP方法失败。第三,我们证明,虽然B-M方法表现出相同的性能独立的秩的未知的解决方案,SDP方法的成功是相关的秩的解决方案,并提高秩的增加。与现有的文献,主要集中在这些情况下的矩阵传感的SDP和B-M的工作,本文提供了第一个结果的独特的优点,每种方法的替代方法。
2022-08-15 cs.LG math.OC
An Enhanced Semidefinite Relaxation Model Combined with Clique Graph Merging Strategy for Efficient AC Optimal Power Flow Solution
本文提出一种增强半定松弛模型,整合λ二次凸松弛、有效不等式、边界收紧算法及团图合并策略,以更紧下界和更高效率求解交流最优潮流,并在大规模算例上验证了有效性。
2024-09-29 cs.SY eess.SY math.OC
Solving Max-Cut to Global Optimality via Feasibility-Preserving Graph Neural Networks
Davidson School of Chemical Engineering, Purdue University(普渡大学化学工程大卫逊学院);Faculty of Computer Science, RWTH Aachen University(亚琛工业大学计算机科学学院);Jacobs Technion-Cornell Institute, Cornell Tech(技术学院-康奈尔研究所)
本文提出一种专门用于最大割问题的图神经网络,作为轻量级的SDP求解器替代品,能有效降低精确求解最大割问题的计算成本。
2026-05-08 cs.LG math.OC
A Faster Interior Point Method for Semidefinite Programming
半定规划(SDP)是一类基本的优化问题,最近在近似算法、量子复杂性、鲁棒学习、算法舍入和对抗性深度学习中有重要应用。本文提出了一种快速的内点算法来求解具有可变长度$n \times n$和$m$约束的时间上为\begin{align*} \widetilde{O}(\sqrt{n}( mn^2 + m^ω+ n^ω) \log(1 / ε) ), \end{align*}的一般SDPs,其中$ω$是矩阵乘法的指数,$ε$是相对精度.在$m \geq n$的主要情况下,我们的运行时间优于之前最快的SDP求解器,后者基于Jiang、Lee、Song和Wong的切割平面方法[JLSW 20]。我们的算法的运行时间可以自然地解释如下:$\widetilde{O}(\sqrt{n} \log (1/ε))$是我们的内点方法所需的迭代次数,$mn^2$是输入大小,$m^ω+ n^ω$是每次迭代中反转Hessian和松弛矩阵的时间。这些构成了进一步提高内点方法求解通用SDP的运行时间的天然障碍。
2020-09-21 cs.DS math.OC
Facial Reduction and SDP Methods for Systems of Polynomial Equations
University of Western Ontario(韦仕敦大学);University of Waterloo(滑铁卢大学);Chongqing Key Lab. of Automated Reasoning and Cognition, CIGIT(中国科学院重庆智能计算研究院自动化推理与认知重点实验室)
本文提出结合面减少与SDP方法分析实多项式方程组的0维和正维度实理想,通过MATLAB和Maple实现,展示了DR方法在某些问题中的优势及面减少在正则化和降维中的作用。
2015-04-01 cs.SY eess.SY math.OC
Computational complexity of sum-of-squares bounds for copositive programs
本文研究协正规划 SOS 松弛的计算复杂性,给出其固定精度下多项式时间可计算的充分条件,并证明图稳定数界可高效计算。
2025-01-07 cs.CC math.OC
Biconvex Relaxation for Semidefinite Programming in Computer Vision
University of Maryland, College Park(马里兰大学学院公园分校);Cornell University(康奈尔大学)
半定规划是计算机视觉中不可或缺的工具,但是半定规划的通用求解器对于大规模问题来说通常太慢并且内存密集。我们提出了一个通用的框架来近似解决大规模半定问题(SDP)在低复杂度。我们的方法,被称为双凸松弛(BCR),转换成一个特定的双凸优化问题,然后可以在原来的,低维的变量空间在低复杂度的一般SDP。由此产生的双凸问题解决了使用一个有效的交替最小化(AM)程序。由于AM有可能陷入局部最小值,我们提出了一个通用的初始化方案,使BCR开始接近全局最优-这是我们的算法快速收敛到最优或接近最优的解决方案的关键。我们展示了我们的方法在计算机视觉中的三个应用程序,即分割,共分割和流形度量学习的功效。BCR实现了与最先进的SDP方法相当的解决方案质量,加速比在4倍到35倍之间。与此同时,BCR比以前的方法处理更通用的SDP集,后者更专业。
2016-08-08 cs.CV cs.NA math.NA
Quantum Alternating Direction Method of Multipliers for Semidefinite Programming
School of Mathematical Sciences, Peking University(北京大学数学科学学院);Beijing International Center for Mathematical Research, Peking University(北京大学北京国际数学研究中心)
本文提出一种量子交替方向乘子法用于解决大规模半正定规划问题,通过设计多项式近似算子和量子奇异值变换提升效率,证明在强对偶条件下可收敛到ε-最优解。
2026-06-28 math.OC quant-ph
Denoising modulo samples: k-NN regression and tightness of SDP relaxation
许多现代应用涉及获取函数$f$的噪声模样本,其目标是恢复$f$的原始样本的估计。对于Lipschitz函数$f:[0,1]^d \to \mathbb{R}$,假设给定样本$y_i = (f(x_i) + η_i)\bmod 1; \quad i=1,\dots,n$,其中$η_i$表示噪声。假设$η_i$是零均值i.i.d高斯的,和$x_i$的形成一个均匀的网格,我们推导出一个两阶段的算法,恢复估计的样本$f(x_i)$与一个统一的错误率$O((\frac{\log n}{n})^{\frac{1}{d+2}})$保持高概率。第一阶段包括将点嵌入到单位复圆上,并通过$k$ NN(最近邻)估计器获得$f(x_i)\bmod 1$的去噪估计。第二阶段涉及一个顺序的解包过程,该过程将来自第一阶段的去噪模$1$估计解包。样本$f(x_i)$的估计随后可用于构造具有前述均匀误差率的函数$f$的估计。最近,Cucuringu和Tyagi提出了一种对模$1$数据进行去噪的替代方法,该方法与它们在单位复圆上的表示一起工作。他们制定了一个光滑正则化最小二乘问题的产品流形上的单位圆,其中的光滑度是衡量相对于拉普拉斯算子的接近图$G$涉及的$x_i$的。这是一个非凸二次约束二次规划(QCQP),因此他们提出了基于松弛的半定规划(SDP)求解。我们得到了充分的条件下,SDP是一个紧松弛的QCQP。因此,…
2021-05-02 math.OC math.ST stat.ML
Chordal and factor-width decompositions for scalable semidefinite and polynomial optimization
半定规划和多项式优化的弦和因子宽度分解方法最近已使大型线性系和中型非线性系统的分析和控制成为可能。弦分解利用了半定规划(SDP)中半定矩阵的稀疏性,从而可以更有效地求解具有较小半定约束的等价SDP。因子宽度分解,而不是放松或加强SDP与密集的半定矩阵到更容易处理的问题,交易的可行性或最优性较低的计算复杂性。本文综述了这两种分解方法在大规模半定和多项式优化方面的最新进展,突出了它们之间的联系和区别。我们还表明,弦和因子宽度分解允许显着的计算节省了一系列的经典问题,从控制理论,和最近的问题,从机器学习。最后,我们概述了未来研究的可能方向,有可能促进高效的优化为基础的研究日益复杂的大型动力系统。
2021-07-06 cs.SY eess.SY math.DS
Dual Conic Proxy for Semidefinite Relaxation of AC Optimal Power Flow
NSF Artificial Intelligence Institute for Advances in Optimization(NSF人工智能优化先进研究所);Georgia Institute of Technology(佐治亚理工学院)
本文首次提出面向交流最优潮流半定松弛的对偶锥代理,结合神经网络与可微对偶补全保证对偶可行性,并利用自监督学习高效训练,在多个电网基准上以数量级加速超越较弱锥松弛。
2025-05-07 cs.LG math.OC
A low-rank augmented Lagrangian method for large-scale semidefinite programming based on a hybrid convex-nonconvex approach
本文提出HALLaR,一种用于大规模半定规划的低秩增广拉格朗日方法,结合混合低秩技术,在多个实例上以更短时间获得更高精度解。
2024-03-16 cs.NA math.NA math.OC