Sparse sum-of-squares (SOS) optimization: A bridge between DSOS/SDSOS and SOS optimization for sparse polynomials
University of Oxford(牛津大学);Imperial College London(帝国理工学院)
本文研究了三种可计算的松弛方法在稀疏非负多项式优化中的关系:稀疏和平方(SOS)优化、对角占优和平方(DSOS)优化以及缩放对角占优和平方(SDSOS)优化。证明了SSOS多项式集合严格包含DSOS/SDSOS多项式空间。因此,当适用时,SSOS优化比DSOS/SDSOS方法更不保守。大规模稀疏多项式优化问题的数值结果证明了这一点,并表明尽管需要求解半正定规划,SSOS优化在某些情况下比DSOS/SDSOS方法更快。
2018-07-14 cs.SY eess.SY math.OC
Low-Rank and Lifted Semidefinite Programming for Mixed-Integer Polynomial Power Grid Optimization
University of Vermont(佛蒙特大学)
本文提出将低秩半定规划与基于矩的松弛收紧相结合,用于求解交流最优输电切换问题,并通过原始-对偶目标一致性和原始可行性验证,获得全局最优解,可作为分支定界法的可扩展替代方案。
2026-10-01 cs.SY eess.SY math.OC
Optimal Power Flow as a Polynomial Optimization Problem
IBM Research - Ireland(IBM 爱尔兰研究中心)
将交流最优功率流问题转化为多项式优化问题,可实现大规模实例的求解并保证理论上的渐近收敛性。
2014-11-20 cs.SY eess.SY math.OC
SOSOPT: A Toolbox for Polynomial Optimization
SOSOPT是用于解决多项式优化问题的Matlab工具箱,介绍了SOS可行性问题、SOS优化及与SDP的联系,涵盖安装、约束设置和优化选项配置。
2013-08-08 cs.SY eess.SY math.OC
Sparse Polynomial Optimization with Matrix Constraints
University of California San Diego(加州大学圣地亚哥分校);Shenzhen University(深圳大学);Hong Kong Baptist University(香港浸会大学)
本文研究带矩阵约束的稀疏多项式优化问题,提出稀疏矩阵Moment-SOS松弛层级,证明其紧致性充要条件、凸情形下的紧致性,给出紧致性检测与极小解提取方法,实验验证了方法的有效性。
2025-10-03 math.OC
The Sweet Spot of Bound Tightening for Topology Optimization
University of Málaga(马拉加大学)
本文提出一种拓扑感知的边界紧缩方法,通过网络结构选择性放松切换变量,以在计算效率与边界紧度之间取得平衡。
2026-02-10 math.OC
Tight Lower Complexity Bounds for Strongly Convex Finite-Sum Optimization
Huazhong University of Science and Technology(华中科技大学);National University of Singapore(新加坡国立大学)
最优和优化在机器学习领域中起着重要的作用,因此近年来引起了人们的极大兴趣。为了解决这个优化问题,已经提出了各种随机增量梯度方法,保证其收敛性的复杂性上限和下限。然而,这些下限依赖于某些条件:确定性优化算法,或用于选择分量函数的固定概率分布。同时,在某些情况下,一些下界甚至不匹配的最好的已知方法的上界。为了打破这些限制,我们推导出严格的随机增量梯度方法,包括SAG,SAGA,SVRG,和SARAH,有限和优化的两个典型情况下的复杂性较低的界限。具体来说,我们的结果紧密匹配的卡秋莎或VRADA的上复杂度时,每个组件功能是强凸和光滑,并紧密匹配的SDCA没有对偶和卡秋莎X的上复杂度时,有限和功能是强凸和组件功能是平均光滑。
2022-06-19 cs.LG math.OC stat.ML
Peppy: An AI-Assisted Workflow for Tight Convergence Analysis of Optimization Algorithms
Rice University(莱斯大学);Johns Hopkins University(约翰斯·霍普金斯大学);Google Inc.(谷歌公司);Data Science and AI Institute, Johns Hopkins University(约翰斯·霍普金斯大学数据科学与人工智能研究所)
Peppy是一种AI辅助工作流,通过领域知识和SymPy验证,为优化算法提供严谨的紧收敛性证明,并解决开放问题。
2026-09-29 math.OC
Constructing Tight Quadratic Relaxations for Global Optimization: I. Outer-Approximating Twice-Differentiable Convex Functions
Carnegie Mellon University(卡内基梅隆大学);Mitsubishi Electric Research Labs(三菱电机研究实验室);Georgia Institute of Technology(佐治亚理工学院)
本文提出了一种新的切线平面算法,用于构建二次可微凸函数的紧二次下界,以提高确定性全局优化的效率和精度。
2024-08-23 math.OC
A Characterization for Tightness of the Sparse Moment-SOS Hierarchy
本文研究稀疏多项式优化的稀疏 Moment-SOS 松弛层次,证明了其紧性当且仅当目标可表为稀疏非负多项式之和,并给出了凸性等充分条件。
2025-05-03 math.OC
Efficient Rank Minimization to Tighten Semidefinite Programming for Unconstrained Binary Quadratic Optimization
本文提出了一种低秩半定规划方法,并将其应用于无约束二元二次问题的半定松弛。该方法改进了半定规划松弛问题的现有解,得到了较低秩的解。该方法不需要在正半定矩阵的锥上进行投影,因而计算效率高。它的性能方面的目标改进和降秩测试多个图的大规模Gset图集合和二进制最优化问题从Biq Mac集合。
2017-08-05 cs.CC math.OC
Sparse Copositive Polynomial Optimization
Shanghai Jiaotong University(上海交通大学);Xiangtan University(湘潭大学);University of California San Diego(加州大学圣迭戈分校);Hong Kong Baptist University(香港浸会大学)
本文研究了目标函数为稀疏多项式、约束在非负正交体上的半正定优化问题,提出稀疏矩-SOS松弛方法,并证明其在cop-SOS凸性假设下为紧致条件,相较于传统密集方法更具计算效率。
2026-03-31 math.OC
Moment/Sum-of-Squares Hierarchy for Complex Polynomial Optimization
考虑了在由实值复多项式不等式定义的紧集上求实值复多项式的全局最优值的问题。它简化为解决一系列复杂的半定规划松弛,由于D 'Angelo和Putinar在2008年发现的Positivstellenstatz,这些松弛变得越来越紧。换句话说,Lasserre层级可以被转置为复数。我们提出了一种利用稀疏性的方法,并将复杂的层次结构应用于具有数千个复变数的问题。这些问题包括在欧洲高压输电网络中计算最优潮流。
2016-09-30 math.OC
Smoothing Meets Perturbation: Unified and Tight Analysis for Nonconvex-Concave Minimax Optimization
Sauder School of Business, University of British Columbia(不列颠哥伦比亚大学 Sauder 商学院);Ivey Business School, University of Western Ontario(韦仕敦大学 Ivey 商学院)
本文研究了光滑非凸-凹极小极大优化问题,提出两种加速机制:双扰动和平滑。通过分析游戏平稳性和优化平稳性,证明平滑加速两者收敛,而双扰动仅提升游戏平稳性。提出扰动平滑GDA方法,提升游戏平稳性效率并保持优化平稳性最优率。
2026-04-29 math.OC
Local Versus Global Conditions in Polynomial Optimization
本文综述了多项式最优化中的局部和全局最优性条件。我们总结了它们之间的关系。
2015-05-01 math.OC
Douglas-Rachford splitting and ADMM for nonconvex optimization: tight convergence results
虽然最初设计和分析的凸问题,交替方向法的乘法器(ADMM)和它的近亲,道格拉斯-拉赫福德分裂(DRS)和道格拉斯曼-拉赫福德分裂(PRS),已被观察到表现非常好,当应用于某些类别的结构化非凸最优化问题。然而,部分整体收敛的结果,在非凸设置最近才出现。在本文中,我们展示了如何道格拉斯-Rachford包络(DRE),在2014年推出,可以用来统一和大大简化的理论,设计ADMM,DRS和PRS的整体收敛保证适用于非凸问题的限制条件较少,较大的步长和过松弛因子比以前已知的。事实上,当超松弛因子在$(0,2]$范围内时,我们的界是紧的. ADMM的分析使用了一个通用的原始等价与DRS,概括了已知的对偶算法。
2018-11-09 math.OC
Stochastic Polynomial Optimization
本文研究了带多项式的随机最优化问题。我们提出了一个具有样本平均值和扰动的最优化模型。采用Lasserre型Moment-SOS松弛法求解样本平均优化问题。研究了优化及其松弛的性质。数值实验。
2019-08-15 math.OC
Chance-constrained optimization with tight confidence bounds
考虑了机会约束最优化问题的凸样本逼近,其中机会约束被样本约束集所代替。我们提出了一个随机化的样本选择策略,允许严格的边界上的概率,样本近似的解决方案是可行的原始机会约束时,被丢弃的采样约束的子集。这些置信界限被证明是更严格的界限,如果约束被丢弃,根据最佳或贪婪丢弃策略。我们进一步表明,相同的置信区间适用于解决方案,从两个阶段的过程中,其中一个样本近似的机会约束问题得到解决,然后通过计数的数量的额外的一组采样约束的违规行为的解决方案的违规概率的经验措施。我们使用这个结果来设计一个重复的情况下的方法,满足所需的公差的违规概率给定任何指定的先验和后验概率。这些界限比以前提出的重复场景方法的置信界限更紧,我们表明后界对于特定的问题子类是精确的。通过数值例子说明了这种方法,并扩展到涉及多个机会约束的问题进行了讨论。
2018-05-19 math.OC
Convexification of box-constrained polynomial optimization problems via monomial patterns
凸化是全局多项式优化的核心技术。目前,在理论和实践中相互竞争的方法主要有两种:非线性规划方法和基于实代数正性证明的方法。从计算的角度来看,前者是比较便宜的,但通常不提供严格的放松相对于原来的问题的界限。后者通常在计算上是昂贵的,但确实提供了严格的松弛。我们将这两种方法嵌入到一个统一的单项松弛框架中。我们开发了一个凸化策略,允许权衡计算费用的边界的质量。计算实验显示了非常令人鼓舞的结果。
2021-09-28 math.OC
A Lagrange Multiplier Expression Method for Bilevel Polynomial Optimization
本文研究二层多项式最优化问题。为了解决这些问题,我们给出了一种基于多项式优化松弛的方法。每个松弛是从Kurash-Kuhn-Tucker(KKT)条件下的下层优化和交换技术半无限规划。对于KKT条件,拉格朗日乘子表示为多项式或有理函数。Moment-SOS松弛法用于求解多项式优化松弛法。在一般假设下,证明了该算法解二层多项式最优化问题的收敛性。数值实验表明了该方法的有效性。
2021-06-09 math.OC
Noncommutative Polynomial Optimization
在这一章中,我们给出了非交换多项式最优化问题的埃尔米特平方和方法。这是一个扩展的平方和方法多项式优化所产生的真正的代数几何。我们提供了一个温和的介绍这种方法的基本理论,并强调其重要性。
2021-09-02 math.OC
Solvability of a Regular Polynomial Vector Optimization Problem without Convexity
本文研究了非空闭集上非凸正则多项式向量最优化问题的可解性。引入了多项式向量最优化问题的正则性条件,研究了正则性条件的性质和刻画。在正则性条件下,研究了问题解集的非空性和有界性。作为结果,我们建立了非凸多项式向量最优化问题的两个Frank-Wolfe型定理。最后,我们研究了非凸正则多项式向量最优化问题解的稳定性。
2021-01-11 math.OC
Log-Polynomial Optimization
University of California San Diego(加州大学圣地亚哥分校);Hong Kong Baptist University(香港浸会大学);Shanghai Jiao Tong University(上海交通大学)
本文提出了一种基于截断K-矩问题的松弛层次结构,用于解决对数多项式优化问题,并通过数值实验验证了其有效性。
2026-01-06 math.OC
Bernstein Polynomial Relaxations for Polynomial Optimization Problems
本文研究了多项式最优化问题的伯恩斯坦多项式松弛算法。我们提出了一个进步的越来越精确的LP松弛的基础上表示给定的多项式在其伯恩斯坦形式,作为一个线性组合的伯恩斯坦多项式。著名的单位盒上的伯恩斯坦多项式的界限结合伯恩斯坦多项式之间的线性相互关系,帮助我们制定“伯恩斯坦不等式”,产生更严格的下界的POP在有界矩形域。所得结果可推广到多面体和半代数域上的优化问题。我们还研究了技术,以提高精度,这些放宽考虑更高程度的松弛,和一个分支和削减计划
2015-09-03 math.OC
Tight Lower Bounds for Binary First-Order Oracles for Convex Optimization
Johns Hopkins University(约翰斯·霍普金斯大学);UC Berkeley(加州大学伯克利分校);Microsoft Research and Computer Science Department, PUC-Rio(微软研究院与里约热内卢天主教大学计算机系)
研究混合整数凸优化在两种“逐位”预言机下的信息复杂度,通过建立新下界证明复杂度在连续决策变量数上是二次的,且新下界紧,揭示标准比特表示在解决约束凸优化问题时关于所需信息量是最佳方式。
2026-07-16 math.OC
Optimization of Polynomials with Sparsity Encoded in a Few Linear Forms
我们考虑多项式的几个线性型,并显示如何利用这种类型的稀疏优化的一些特定的域,如欧几里德球或多面体。此外,简单的过程允许检测这种形式的稀疏性,并且还允许通过这种稀疏多项式提供任何多项式的近似。
2022-04-04 math.OC
Regularization Methods for SDP Relaxations in Large Scale Polynomial Optimization
研究了大规模多项式优化问题的半定规划松弛算法。当使用边界点法时,通常只能解决小问题或中等规模的问题。本文研究求解多项式最优化问题的正则化方法。我们描述了这些具有块结构的半定优化方法,并将其应用于求解大规模多项式最优化问题。各种数值例子的性能进行测试。通过正则化方法,可以在常规计算机上解决更大的问题,这几乎是不可能的内点方法。
2011-12-05 math.OC
An Approach to Constrained Polynomial Optimization via Nonnegative Circuit Polynomials and Geometric Programming
在这篇文章中,我们结合了多项式优化的两个发展。一方面,我们考虑基于非负回路多项式之和的非负性证书,这是第二和第三作者最近提出的。另一方面,我们研究了约束多项式最优化问题的几何规划方法,这是最近由Ghasemi和Marshall发展起来的。我们表明,这两个结果的组合产生一个新的方法来解决某些类的约束多项式最优化问题。我们测试的新方法实验和比较它的半定规划在各种例子。
2018-06-05 math.AG math.OC
Tight Time Complexities in Parallel Stochastic Optimization with Arbitrary Computation Dynamics
本文提出通用计算模型刻画分布式随机优化中任意计算动态,建立适用于Minibatch SGD、Asynchronous SGD、Picky SGD等方法的紧下界,并证明Rennala SGD和Malenia SGD在常数因子内达到最优时间复杂度。
2025-02-06 cs.CC math.OC
Utopia point method based robust vector polynomial optimization scheme
本文针对无凸性假设的鲁棒向量多项式优化问题,提出结合乌托邦点标量化与“联合+边际”松弛的求解方案,并兼顾理论与计算分析。
2022-09-11 math.OC
Convex Generalized Nash Equilibrium Problems and Polynomial Optimization
本文研究了由多项式给出的凸广义纳什均衡问题。我们使用有理和参数表达式的拉格朗日乘子制定有效的多项式优化计算广义纳什均衡(GNEs)。半定松弛的Moment-SOS族被用来解决多项式优化。在一些一般假设下,我们证明了该方法可以找到一个GNE,如果存在一个,或检测不存在的GNE。数值实验表明了该方法的有效性。
2021-11-08 math.OC
Multi-Degrees in Polynomial Optimization
研究了目标函数为多项式且约束条件为多项式等式约束的结构化最优化问题。该结构来源于多元多项式环上的多重分次。对于固定的多个度,我们确定了复杂的临界点的一般数量。这用作最优化问题的代数复杂性的度量。讨论了数值非线性代数的计算和证明方法。
2022-09-21 math.AG math.OC
Tight Linear Convergence Rate of ADMM for Decentralized Optimization
本文考虑利用网络拓扑信息来提高ADMM的收敛速度,使网络节点协同工作以最小化目标。这样的问题可以有效地解决使用ADMM通过分解成更容易的子问题的目标。合理利用网络拓扑结构可以显著提高算法性能。混合ADMM通过考虑节点中心性来探索利用节点信息的方向,但未能利用边缘信息。本文填补了这一空白,将节点和边缘信息,并提供了一个新的收敛速度界的分散ADMM,明确地依赖于网络拓扑结构。这样一个新的界限对于某些类的问题是可以达到的,因此是紧的。显式的依赖性进一步表明可能的方向,以达到最佳性能的边缘权重的最优设计。数值实验表明,简单的启发式方法可以获得更好的性能,并表现出对拓扑变化的鲁棒性。
2019-05-24 cs.DC eess.SP math.OC
Polynomial Optimization Relaxations for Generalized Semi-Infinite Programs
本文针对多项式形式的广义半无限规划,提出基于拉格朗日乘子表达式和多项式扩张的多项式优化松弛层级方法,证明其收敛性,并给出凸无穷约束情形下的精确求解条件,数值实验验证了计算效率。
2025-04-14 math.OC
On the strength of recursive McCormick relaxations for binary polynomial optimization
递归McCormick松弛是求解二元多项式最优化问题的最常用的凸化方法之一。众所周知,这些松弛的质量和大小都取决于递归序列,并且找到最佳递归序列相当于解决困难的组合最优化问题。在本文中,我们证明了任何递归McCormick松弛都隐含在扩展花松弛中,扩展花松弛是一种线性规划松弛,是Del Pia和Khajavirad 2018年引入的花松弛的自然推广,对于具有固定次数的二元多项式最优化问题,可以在强多项式时间内求解。
2023-01-18 math.OC
Polynomial Optimization via Random Projection and Consensus
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
提出一种基于随机线性子空间投影的黑盒方法,将大型半定规划约简为多个小规模半定规划,并在多项式优化问题上验证了其可扩展性的提升。
2025-09-16 math.OC
A Tight Theory of Error Feedback Algorithms in Distributed Optimization
Inria, D.I. ENS, CNRS, PSL Research University, Paris, France(法国国家信息与自动化研究所、巴黎综合理工学院、法国国家科学研究中心、巴黎高等师范学院、法国巴黎)
本文针对分布式优化中的两种主流误差反馈算法(EF和EF21),通过确定最优步长和构造最优Lyapunov函数,给出了紧致的收敛性分析,结果与智能体数量无关且恢复单智能体情形下的已知最优保证。
2026-05-29 cs.LG math.OC
The pseudo-Boolean polytope and polynomial-size extended formulations for binary polynomial optimization
本文引入伪布尔多面体,并借助带符号超图给出其具有多项式规模扩展表述的充分条件,统一并扩展了三次及以上二元多项式优化问题凸包多项式规模扩展表述的已有结果。
2024-07-01 cs.DM math.OC
PCPOP.jl: A Julia package for partially commutative polynomial optimization
The University of Hong Kong(香港大学);Université libre de Bruxelles(布鲁塞尔自由大学)
介绍用于多项式优化的Julia包PCPOP,支持多种优化类型,具备精确算术计算及多种便利功能,尤其为部分可交换变量多项式计算实现专门框架,在量子信息问题计算上优势显著。
2026-07-14 math.OC quant-ph
Computational Tradeoffs of Optimization-Based Bound Tightening in ReLU Networks
Universidad de Chile(智利大学);Bucknell University(巴克内尔大学);Pontificia Universidad Católica de Chile(智利天主教大学);Universidad de O’Higgins(奥希金斯大学);Instituto Sistemas Complejos de Ingeniería (ISCI)(复杂系统工程研究所)
本研究针对ReLU网络MILP模型依赖的激活界,探究界的紧致性与模型求解计算量的权衡,并基于网络结构、正则化和舍入的影响给出模型实现指南。
2024-01-30 cs.LG math.OC
Tight Regret Bounds for Noisy Optimization of a Brownian Motion
Imperial College London(帝国理工学院);National University of Singapore(新加坡国立大学)
我们考虑一维布朗运动的贝叶斯优化问题,其中$T$自适应选择的观测值被高斯噪声破坏。我们表明,最小可能的预期累积遗憾和最小可能的预期简单遗憾量表分别为$Ω(σ\sqrt{T / \log (T)}) \cap \mathcal{O}(σ\sqrt{T} \cdot \log T)$和$Ω(σ/ \sqrt{T \log (T)}) \cap \mathcal{O}(σ\log T / \sqrt{T})$,其中$σ^2$是噪声方差。因此,我们的上限和下限紧到$\mathcal{O}( (\log T)^{1.5} )$的因子。上限使用基于置信界限和布朗运动的马尔可夫性质(以及其他有用的性质)的算法,下限基于二进制假设检验的简化。
2022-01-15 cs.IT cs.LG math.IT
FPTAS for mixed-integer polynomial optimization with a fixed number of variables
当变量个数固定时,我们证明了在凸多胞体中的混合整数集上最大化非负多项式问题的FPTAS的存在性。
2005-05-31 math.OC
Optimality conditions for homogeneous polynomial optimization on the unit sphere
本文证明了对于球面上的齐次多项式优化,如果目标$f$在输入空间中是通用的,则满足一阶和二阶必要最优性条件的所有可行点都是局部极小点,这解决了Lasserre最近的工作中提出的一个问题(Optimization Letters,2021).作为推论,这意味着当$f$是通用的时,Lasserre的层次具有有限收敛性。
2022-10-04 math.OC
A Julia Module for Polynomial Optimization with Complex Variables applied to Optimal Power Flow
输电网络中的许多最优化问题都可以用复变数多项式问题来表示。具有复变数的多项式最优化问题包括优化实值多项式,该实值多项式的变量和系数是服从某些复多项式等式或不等式约束的复数。这些问题通常直接转换为实变量,或者使用极坐标形式,或者使用矩形形式。在这项工作中,我们提出了一个朱莉娅模块,允许在原来的复杂制定的多项式问题的表示。该模块适用于电力系统优化,其通用设计可以描述电力系统问题的几种变体。文中给出了交流最优潮流和连续安全约束最优潮流的计算结果。
2019-04-18 math.OC
A polynomial-time solvable class of sparse box-constrained polynomial optimization problems
Lehigh University(利哈伊大学)
本文研究在单位超立方体上最小化多项式函数的问题,通过将多项式表示为超图并利用其稀疏性,提出了一种多项式时间求解的新条件。识别出在最优解中取二值的变量子集,并通过消除小且弱耦合的连续变量块,将问题转化为可高效求解的结构化二元优化问题。
2026-10-28 math.OC
Distributionally Robust Variance Minimization: Tight Variance Bounds over $f$-Divergence Neighborhoods
分布鲁棒优化(DRO)是一种广泛使用的框架,用于在随机性和模型形式不确定性的情况下优化目标泛函。许多DRO问题的实际解决方案中的关键步骤是对所选模型模糊度集(通常是无穷维的)的优化进行易于处理的重新表述。以前的工作已经解决了这个问题的情况下,目标功能是一个期望值。在本文中,我们研究的目标泛函是一个期望值和方差惩罚项的总和。证明了相应的方差惩罚DRO问题在$f$ -发散邻域上可以转化为有限维凸优化问题。该结果还提供了对方差的严格的不确定性量化界限。
2021-04-20 math.OC math.PR
A novel exact approach to polynomial optimization
本文提出一种基于线性乘凸函数分解的多项式优化精确方法,通过构造最紧凸松弛下界提升分支定界效率,实验表明其优于BARON和SOS,可在一小时内求解40变量3次及20变量4次问题。
2025-07-02 math.OC
Exploiting Sparsity in Complex Polynomial Optimization
本文提出稀疏自适应复moment-HSOS层级,用于复多项式优化,通过数值实验证明其在计算成本与界质量间提供有效权衡。
2025-04-28 math.OC
Tightening Discretization-based MILP Models for the Pooling Problem using Upper Bounds on Bilinear Terms
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Princeton University(普林斯顿大学)
基于离散化的方法已经被提出用于解决具有双线性项的非凸最优化问题,例如池化问题。这些方法将原来的非凸最优化问题转化为混合整数线性规划问题。在本文中,我们研究这些MILP模型的池化问题的收紧方法,并推导出有效的约束条件,使用双线性项的上界。计算结果表明,我们的方法在减少解决方案的时间方面的有效性。
2023-01-16 cs.LG math.OC
Bounded Global Optimization for Polynomial Programming using Binary Reformulation and Linearization
本文给出了有界变量多项式规划问题全局最优化的一种近似方法。该方法采用一种重构和线性化技术,将原多项式最优化问题转化为一对混合二元线性规划。这两个整数线性重新制定的解决方案提供了上界和下界的整体解决方案,原来的多项式计划。这些界限的紧密性、近似每个多项式表达式的误差以及在重新表述过程中必须添加的约束的数量都取决于用户为原始多项式程序中的每个变量指定的误差容限。当这些误差容限接近于零时,重新制定的程序的大小增加,并且计算出的区间界限收敛到真正的全局解。
2012-05-29 math.OC
Global solutions to general polynomial benchmark optimization problems
本文的目标是解决一类高次多项式基准最优化问题,包括Goldstein-Price问题和三峰骆驼背问题。利用推广的正则对偶理论,将非凸原问题转化为凸区域(无对偶间隙)上的凹对偶问题,从而得到整体解.
2012-07-27 math.OC
Symmetries in polynomial optimization
本章研究利用对称性降低多项式优化计算复杂度,重点探讨矩-SOS层级中表示论与不变量理论的应用,并介绍通用对称性约简技术。
2023-05-09 math.OC
On the solution existence and stability of polynomial optimization problems
本文引入并研究了目标函数为多项式的最优化问题的一个渐近正则性条件。在这个正则性条件下,渐近分析中的正规化论证使我们能够看到这些问题解的存在性以及解的稳定性。证明了正则最优化问题的Frank-Wolfe型定理和非正则伪凸最优化问题的Eaves型定理。此外,我们还得到了多项式最优化问题解映射的上连续性和局部上Hölder稳定性等稳定性结果.最后讨论了正则性条件的泛在性。
2021-08-09 math.OC
A Certificate of Unboundedness for Polynomial Optimization Problems
School of Electrical, Computer and Energy Engineering, Arizona State University(亚利桑那州立大学电气、计算机与能源工程学院)
本文提出一种预处理算法,用于判断多项式优化问题是否从下无界,从而在求解前提供关于问题渐进行几何的信息。
2026-05-09 math.OC