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 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
An Infeasible-Point Subgradient Method Using Adaptive Approximate Projections
本文提出了一种新的次梯度法,用于求解凸集上非光滑凸函数的极小化问题。为了加快计算速度,我们使用自适应近似投影,只需要在精确投影的一定距离内移动(在算法过程中会减少)。特别是,我们方法中的迭代在整个过程中可能是不可行的。然而,我们提供的条件,确保收敛到一个最佳的可行点,在适当的假设。一个收敛的结果处理的步长序列是固定的先验。另外两个结果处理动态Polyak型步长取决于最佳目标函数值的下限或上限估计,分别。此外,我们简要概述了两个应用:凸机会约束的优化,并找到最小l1范数解欠定线性系,在压缩感知的一个重要问题。
2013-03-08 math.OC
Handling of constraints in multiobjective blackbox optimization
这项工作提出了两个新的约束处理方法到黑盒约束多目标优化算法DMulti-MADS,扩展的网格自适应直接搜索(MADS)算法的单目标约束优化的集成。约束被聚合成一个单一的约束违反函数,这是使用在两阶段的方法,其中的可行点的研究是优先的,如果没有之前改善当前的解决方案集,或在一个渐进的障碍的方法,其中任何试验点的约束违反函数值高于阈值被拒绝。该阈值随着迭代而逐渐减小。在单目标的情况下,它被证明,这两个变量产生可行和/或不可行的序列,收敛到一组局部Pareto最优点的可行情况下或在不可行的情况下,克拉克平稳点根据约束违反功能。计算实验表明,这两种方法是有竞争力的其他国家的最先进的算法。
2022-04-02 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
Two computationally efficient polynomial-iteration infeasible interior-point algorithms for linear programming
自内点方法发展之初,理论结果与数值经验观测之间就存在着令人困惑的差距,即:具有好的多项式界限的算法在计算上不是有效的,并且在计算中证明有效的算法不具有好的或任何多项式界限。Todd在2002年提出了一个问题:“我们能找到一种理论上和实际上都有效的方法来重新优化吗?“这份文件是缩小差距的一项努力。提出了两种弧搜索不可行内点算法,其不可行中心路径邻域比现有的不可行内点算法都要宽,并证明了算法的收敛性。我们表明,第一个算法是多项式和它的简化版本,如果它终止于有限的迭代,有一个复杂性界等于最好的已知的复杂性界的所有(可行或不可行)的内点算法。我们证明了所提出的算法的计算效率,通过测试所有Netlib线性规划问题的标准式和比较的数值结果所获得的Mehrotra的预测校正算法和最近开发的更有效的弧搜索算法(这两种算法的收敛性是未知的)。我们的结论是,新提出的算法不仅是多项式,而且计算上的竞争力相比Mehrotra的预测校正算法和高效的弧搜索算法。
2018-03-01 math.OC
A branch-and-cut algorithm for vehicle routing problems with three-dimensional loading constraints
本文提出一种基于不可行路径消除的分支切割算法,通过增量可行性性质、变体相关提升步骤、约束规划精确装载求解及极值点装箱启发式等方法,显著提升了3L-CVRP的求解性能,并首次证明多个已知启发式解的最优性。
2024-02-21 math.OC
Computing the Feasible Spaces of Optimal Power Flow Problems
最优潮流(OPF)问题的求解为电力系统提供了一个最小费用运行点。最优潮流求解技术的性能在很大程度上取决于问题的可行空间。本文提出了一种算法,可证明计算整个可行空间的小OPF问题,在指定的离散化公差。具体而言,通过离散化某些OPF问题的不等式约束来计算可行空间,以获得一组潮流方程。在每个离散点的潮流方程的所有解决方案,得到使用数值多项式同伦连续(NPHC)算法。为了提高计算的易处理性,“边界收紧”和“网格修剪”算法使用凸松弛来消除对离散化点的考虑,对于这些离散化点,潮流方程是可证明不可行的。该算法被用来生成两个小的测试用例的可行空间。
2016-08-01 math.OC
A feasible smoothing accelerated projected gradient method for nonsmooth convex optimization
针对非光滑凸优化,提出一种保证变量可行性的光滑加速投影梯度方法,通过Lyapunov函数证明$O(k^{-1}\log k)$收敛率,并在桁架鲁棒柔顺度优化中验证。
2023-12-12 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
The Convergence Properties of Infeasible Inexact Proximal Alternating Linearized Minimization
本文研究了不可行非精确近端交替线性化极小化方法(PALM-I)的收敛性质,通过构造代理序列克服目标值非单调性问题并设计可实现的非精确准则,证明了聚点稳定性、迭代收敛性及渐近收敛速率,数值实验验证了其在CPU时间上的优势。
2022-04-13 math.OC
Single-Projection Procedure for Infinite Dimensional Convex Optimization Problems
本文研究实 Hilbert 空间中可由单次投影求解的凸优化问题,引入约束集“尖锐性”性质,将已有线性规划结果推广到多解、无严格互补性及非线性凸约束情形,并给出投影成为解所需距离的定量估计。
2024-04-09 math.OC
A Scalable Algorithm for Two-Stage Adaptive Linear Optimization
提出了一种求解两阶段自适应优化问题的列约束生成方法(CCG),该方法由\citet{Zeng2013}提出。我们发现,CCG方法是相当可扩展的,但有时,在某些应用程序中,往往会产生不可行的第一阶段的解决方案,即使问题是可行的。在这项研究中,我们扩展了CCG方法的方式,(a)保持可扩展性和(b)总是产生可行的第一阶段的决定,如果它们存在。我们将我们的方法与最近提出的几种方法进行比较,发现它更快地达到高精度,并解决了更大的问题。
2018-07-08 math.OC
Open Loop Layout Optimization: Feasible Path Planning and Exact Door-to-Door Distance Calculation
针对开环布局问题中现有质心近似距离方法导致的布局不可行或距离低估问题,提出首个纳入欧几里得度量下精确门到门距离与可行路径的数学模型及嵌入精确路径计算的元启发式框架,实验表明其解质量和适用性更优。
2025-04-17 math.OC
Fidelity and interruption control for expensive constrained multi-fidelity blackbox optimization
本文提出一种保真度与中断控制优化算法,通过双邻接矩阵估计不可行点并提前中断评估,作为中间组件连接任意直接搜索求解器与多保真黑盒问题,实验表明在提供初始可行点时能显著提升解的质量。
2024-08-05 math.OC
Faster Maximum Feasible Subsystem Solutions for Dense Constraint Matrices
Carleton University(卡尔顿大学)
寻找不可行的线性约束集合的最大基数可行子集是最大可行子系统问题(MAX FS)。解决这个问题在机器学习和压缩传感等广泛的应用中至关重要。虽然MAX FS是NP难的,但存在有用的启发式算法,但这些算法对于大型问题可能很慢。我们扩展了密集约束矩阵情况下的现有启发式算法,以大大提高其速度,同时保持或提高解决方案质量。我们测试扩展算法的两个应用程序,具有密集的约束矩阵:二进制分类,压缩感知和稀疏恢复。在这两种情况下,速度大大提高,而不损失准确性。
2021-02-10 cs.LG math.OC
Blameless and Optimal Control under Prioritized Safety Constraints
针对多项安全约束联合不可行的最优控制问题,提出无责最优性概念,并证明需顺序求解至少两个优化问题,以先确定最高可行优先级再优化任务目标。
2023-11-03 math.OC
ElastiQP: An Always-Feasible QP Solver for Constrained Robot Control
Stanford University(斯坦福大学);Massachusetts Institute of Technology(麻省理工学院)
针对约束机器人控制中QP求解器因约束冲突而不可行的问题,提出ElastiQP,一种通过逐约束l1松弛和解析折叠松弛变量保持系统规模恒定的对偶有效集求解器,实现微秒级性能,并在不可行时快速返回可用解。
2026-09-17 cs.RO math.OC
Inferring Linear Feasible Regions using Inverse Optimization
考虑一个问题,其中专家提供了一组可行的观测,并定义了一个成本函数,该函数表征了哪些观测占主导地位,因此是首选的。我们的目标是找到一组线性约束,使所有给定的观测可行,同时使首选的成本(目标)函数的最佳。通过这样做,我们推断出线性规划问题的隐可行域。提供这样的可行域(i)建立用于将未来观测分类为可行或不可行的基线,以及(ii)允许使用灵敏度分析来辨别最优解的变化,如果目标函数在未来改变的话。在本文中,我们提出了一个逆优化框架,以恢复使用多个过去的观察作为输入的前向最优化问题的约束。我们专注于线性模型中的目标函数是已知的,但约束矩阵是部分或全部未知。我们提出了一个通用的逆优化方法,恢复完整的约束矩阵,然后引入一个易于处理的等价的重新制定。此外,我们提供并讨论了几个广义损失函数,告知用户偏好和历史数据的基础上的可行域的理想属性。我们的数值例子验证了我们的方法的有效性,强调所提出的措施之间的差异,并提供大规模实施的直觉。我们进一步展示了我们的方法,使用饮食推荐问题,以显示所提出的模型可以帮助每个节食者的个性化约束。
2020-06-25 math.OC
Convex Relaxation of Bilinear Matrix Inequalities Part II: Applications to Optimal Control Synthesis
本文第一部分提出了一类求解双线性矩阵不等式(BMI)约束最优化问题的惩罚凸松弛。在这一部分中,我们将我们的方法推广到一个顺序方案,该方案从任意初始点(可行或不可行)开始,并求解一系列惩罚凸松弛,以便找到BMI最优化问题的可行且接近最优解。我们评估所提出的方法的性能上的H2和Hinfinity最优控制器设计问题的集中式和分散式结构。基于各种基准控制对象的实验结果表明,与现有方法相比,所提出的方法具有良好的性能。
2018-09-26 math.OC
Augmented Lagrangian methods for infeasible convex optimization problems and diverging proximal-point algorithms
INRIA, Ecole Normale Supérieure(法国国家信息与自动化研究所,巴黎高等师范学院)
本文研究了增广拉格朗日方法在处理可能不可行的凸优化问题时的收敛性,揭示了在弱假设下迭代序列收敛于最邻近可行问题的解,并建立了从基本序列收敛到更精确收敛速率的更强收敛结果。
2026-03-16 cs.NA math.NA math.OC
Augmented Lagrangian methods for convex optimization with priority constraints via an infeasibility control framework
Tokyo Metropolitan University(东京都立大学);Toyota Motor Corporation(丰田汽车公司);Kyoto University(京都大学)
本文研究了具有优先级等式约束的凸优化问题,提出了一种基于分层最优偏移概念的新解决方案框架,定义了分层最优解,并通过不相容性控制框架实现对优先级约束的系统处理。
2026-05-20 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 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
Diagnosing Infeasible Optimization Problems Using Large Language Models
Purdue University(普渡大学)
针对优化模型不可行时诊断难度高、需专业背景的问题,提出基于GPT-4、结合优化求解器与多种提示技术的OptiChat系统,可交互诊断不可行来源并给出改进建议,提升不同用户的模型理解效率。
2023-08-23 cs.CL cs.HC cs.LG
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
Moment Relaxations of Optimal Power Flow Problems: Beyond the Convex Hull
最优潮流是电力系统最优化问题的核心问题之一。从Lasserre层次多项式优化的“矩”松弛全局解决许多OPF问题。以往的工作说明了高阶矩松弛逼近OPF问题的非凸可行空间的凸包的能力。使用一个小的测试用例,本文重点讨论的能力的时刻松弛全局解决问题的目标函数,有无约束的最小值在不可行的点内的非凸约束的凸包。
2016-12-08 math.OC
Solver-Free Heuristics to Retrieve Feasible Points for Offshore Wind Farm Collection System
提出了一套海上风力收集系统问题的无解算器算法。目前,这种类型的方法是不能够应付典型的约束,和他们的变化最小化仅为累积电缆长度。第一个算法是一个两步决策过程,其中的输出是一个树状网的设计满足电缆热限制的约束,但容易违反平面性约束。随后,电缆交叉修复启发式,以固定不可行的点从第一个启发式。最后,改进启发式(负循环取消改进启发式)接管以改进可行点。后者迭代地交换电缆,意图找到负成本的周期,从而节省投资。逻辑学的顺序支持问题的最重要的限制。工作流程的适用性是通过一组大规模的真实世界的海上风电场经验证明。数值结果表明:(i)可行点可以在计算时间内以秒为单位检索,以及(ii)热启动可以帮助求解器更快地收敛,解决时间为几个小时的问题。
2021-08-31 cs.SY eess.SY math.OC
Exact Distribution Optimal Power Flow (D-OPF)Model using Convex Iteration Technique
配电网最优潮流(D-OPF)模型是近年来集中管理的配电网优化运行的研究热点。由于非凸公式难以求解,已经提出了几种松弛法;然而,从松弛模型获得的解的精确性仍然是一个问题。在本文中,我们确定了一个这样的问题有关的径向配电馈线二阶锥规划(SOCP)松弛不产生一个解决方案,是可行的,相对于原来的非线性OPF模型。具体来说,我们制定了一个OPF模型的光伏托管容量问题,以获得最大的光伏容量,馈线可以整合,而不违反操作限制。这个问题的SOCP松弛产生不可行的解决方案。为了解决这个问题,我们提出了一个凸迭代技术,同时实现最佳和可行的OPF解决方案的PV托管(最大化)问题。该方法在每次SOCP迭代中最大限度地减少了与原始非线性约束的可行性差距。使用IEEE-13节点和IEEE-123节点测试系统验证了所提出方法的有效性。
2019-12-06 math.OC
Inexact Accelerated Proximal Gradient Method Revisit: An Economical Variant via Shadow Points
Singapore University of Technology and Design(新加坡科技设计大学)
本文提出SpinAPG方法,通过引入影点实现不精确APG方法的改进,保留加速收敛特性并减少计算开销。
2026-02-11 math.OC
Deep FlexQP: Accelerated Nonlinear Programming via Deep Unfolding
Georgia Institute of Technology(佐治亚理工学院);Massachusetts Institute of Technology(麻省理工学院)
Deep FlexQP通过深度展开学习反馈策略,实现加速的非线性规划求解,优于现有方法并在多个基准测试中表现优异。
2026-03-05 cs.AI math.OC
QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power Flow Solutions Under Constraints
J.P. Morgan AI Research(摩根大通人工智能研究院);ExxonMobil Technology and Engineering Company – Research(埃克森美孚技术与工程公司研究院);Rice University(莱斯大学);Argonne National Laboratory(阿贡国家实验室)
本文提出QCQP-Net框架,通过由QCQP隐式定义的专用激活函数和新颖损失函数,使神经网络在低计算成本下可靠预测满足约束的交流最优潮流解,显著提升可行率并降低发电成本。
2024-01-11 cs.LG math.OC
OPF-Learn: An Open-Source Framework for Creating Representative AC Optimal Power Flow Datasets
University of Washington(华盛顿大学);University of Colorado Boulder(科罗拉多大学博尔德分校);National Renewable Energy Laboratory(国家可再生能源实验室)
可再生能源发电水平的不断提高激发了人们对数据驱动的交流最优潮流(AC OPF)方法的兴趣,以管理不确定性;然而,缺乏纪律严明的数据集创建和基准测试禁止文献中的方法之间进行有用的比较。为了增强信心,模型必须能够在各种操作条件下可靠地预测解决方案。本文为Julia和Python开发了OPF学习包,该包使用一种计算效率高的方法来创建代表性数据集,这些数据集跨越AC OPF可行域的广泛范围。负荷分布均匀采样从一个凸集,包含AC最优潮流可行集。对于每个不可行点发现,凸集减少使用不可行性证书,发现使用一个放松的配方的属性。与文献中看到的传统技术相比,该框架可以生成更能代表整个可行空间的数据集,从而提高机器学习模型的性能。
2021-11-03 cs.LG cs.SY eess.SY