Dual Interior Point Optimization Learning
Georgia Institute of Technology(佐治亚理工学院)
针对约束优化中传统求解器速度慢的问题,本文提出对偶内点优化学习方法,通过平滑自监督损失函数训练对偶线性优化代理,结合对偶补全策略保证可行性,提升求解速度且最优性间隙低于1%。
2025-02-12 cs.LG math.OC
Learning Optimization Proxies for Large-Scale Security-Constrained Economic Dispatch
Georgia Institute of Technology(佐治亚理工学院)
安全约束经济调度(SCED)是输电系统运营商(TSO)在保证电网可靠运行的同时,实时清除能源市场的基本优化模型。在运营不确定性日益增加的背景下,由于可再生发电机和分布式能源的渗透率增加,运营商必须持续实时监控风险,即,他们必须快速评估系统在负载和可再生能源生产的各种变化下的行为。不幸的是,考虑到实时操作的严格约束,系统地解决每个这样的场景的优化问题是不实际的。为了克服这一限制,本文提出学习SCED的优化代理,即,一个机器学习(ML)模型,可以在毫秒内预测SCED的最佳解决方案。受MISO市场清算优化的原则分析的启发,本文提出了一种新的ML管道,解决了学习SCED解决方案的主要挑战,即,负荷、可再生能源产出和生产成本的可变性,以及承诺决策的组合结构。一种新的分类,然后回归架构,还提出了进一步捕捉SCED解决方案的行为。法国传输系统的数值实验报告,并证明该方法的能力,在一个时间框架内,是兼容的实时操作,准确的优化代理,产生相对误差低于$0.6\%$。
2021-12-27 cs.LG cs.SY eess.SY
Dual Conic Proxies for AC Optimal Power Flow
Georgia Institute of Technology(佐治亚理工学院)
针对现有学习方法无法为 AC-OPF 提供有效对偶边界的问题,本文提出一种嵌入可微对偶可行性恢复的新架构,结合自监督学习训练二阶锥松弛代理,有效提供对偶边界并免除了昂贵数据生成。
2024-03-26 cs.LG math.OC
Robust Feasible Route Construction through Collaborative Partition Optimization
Department of Electrical and Computer Engineering, Carnegie Mellon University(卡内基梅隆大学电气与计算机工程系)
研究大规模车辆路径问题,提出协作路由构造框架CoRC,通过子问题间客户与车辆交换优化,实验表明其能构建可行解,比其他方法更具鲁棒性和扩展性。
2026-07-07 cs.AI math.OC
Manifold learning and optimization using tangent space proxies
University of Chicago(芝加哥大学);Pritzker School of Molecular Engineering, University of Chicago(芝加哥大学普利兹克分子工程学院);Department of Medicine, University of Chicago(芝加哥大学医学院);Committee on Immunology, University of Chicago(芝加哥大学免疫学委员会);Institute for Biophysical Dynamics, University of Chicago(芝加哥大学生物物理动力学研究所);CZ Biohub Chicago, LLC(CZ 芝加哥生物中心有限责任公司);NSF-Simons National Institute for Theory and Mathematics in Biology(NSF-Simons 生物学理论与数学国家研究所)
本文提出一种基于图集图表示的框架,用于高效逼近流形上的微分几何基本元素,并在格拉斯曼流形优化、点云学习及黎曼支持向量机中展示其优势。
2025-01-22 cs.LG math.OC
Feasible-side global convergence in experimental optimization
我们提出了一个标准形式的实验最优化问题,并回顾了最先进的方法来解决这个问题,因为在这些方法中没有保证整体收敛到一个最优点,通过唯一可行的迭代,我们提出了一组充分条件,以加强这一行为。
2014-06-16 math.OC
Subgradient method with feasible inexact projections for constrained convex optimization problems
本文提出了一种新的求解不可微约束凸优化问题的不精确投影次梯度方法。该方法将$ε$ -次梯度方法与一个过程相结合,以获得一个可行的不精确投影到约束集。采用众所周知的外源步长,Polyak的步长,和动态步长的方法所产生的序列的渐近收敛的结果和迭代复杂性的界限建立。
2020-06-15 math.OC
Learning Optimization Proxies for Sequential Contextual Stochastic Programs: An Order Fulfillment Application
H. Milton Stewart School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院工业与系统工程系);Tippie College of Business, University of Iowa(爱荷华大学蒂普皮商学院)
针对需要亚秒级响应的序列上下文随机程序,提出一种场景嵌入神经网络代理,通过离线训练和在线解码器保证可行性,在订单履行中实现2800倍加速和3.3%成本改进。
2026-06-25 cs.LG 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
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
On representations of the feasible set in convex optimization
考虑凸优化问题$\min \{f(x) : g_j(x)\leq 0, j=1,...,m\}$,其中$f$是凸的,可行集K是凸的,Slater条件成立,但函数$g_j$不一定是凸的.我们证明了,对于任何表示的K,满足一个温和的非退化假设,每个极小是一个Karush-Kuhn-Tucker(KKT)点,反之,每个KKT点是一个极小。也就是说,KKT最优性条件是必要的和充分的凸规划,其中假设$g_j$是凸的。所以在凸优化中,就KKT点而言,真正重要的是K的几何形状,而不是它的表示。
2009-11-06 math.OC
A feasible adaptive refinement algorithm for linear semi-infinite optimization
提出了一种求解线性半无限规划问题的数值方法,该方法所产生的迭代对原问题是可行的。这是通过构建一系列标准的线性规划问题的连续离散化的索引集,使近似区域包括在原来的可行域。证明了所得到的近似解收敛于原问题的解,并且所得到的近似问题的最优目标函数值是单调递减的,并收敛于LSIP的最优值.一个自适应的细化过程的设计离散的指标集和更新的近似问题的约束。数值实验验证了该算法的性能。
2021-01-25 math.OC
Inverse Optimization via Learning Feasible Regions
针对逆优化中可行域学习导致非凸训练的问题,提出带两种损失的约束参数化假设类与定制求解算法,在合成数据和电力系统场景中验证了优于现有方法的性能。
2025-05-21 math.OC
A feasible second order bundle algorithm for nonsmooth nonconvex optimization problems with inequality constraints: II. Implementation and numerical results
本文给出了求解带有不等式约束的非光滑非凸最优化问题的可行二阶聚束法\cite{HannesPaperB}的具体实现。它通过求解一个凸二次约束二次规划来计算搜索方向。此外,某些版本的搜索方向的问题进行了讨论,这种方法的适用性是合理的数值计算使用不同的求解器的搜索方向。最后,良好的性能的二阶聚束法证明了与其他求解器的测试结果比较的例子的霍克-Schittkowski集合,自定义的例子中出现的情况下,找到排除框的二次约束满足问题,和高维分段二次的例子。
2015-06-26 math.OC
$\{\text{PF}\}^2$ES: Parallel Feasible Pareto Frontier Entropy Search for Multi-Objective Bayesian Optimization
提出了并行可行Pareto前沿熵搜索($\{\text{PF}\}^2$ ES)--一种新的支持未知约束和批量查询的多目标贝叶斯优化的信息论获取函数。由于表征候选评估和(可行的)帕累托边界之间的互信息的复杂性,现有的方法必须要么采用粗糙的近似,显着妨碍其性能或依赖于昂贵的推理方案,大大增加了优化的计算开销。相反,通过使用变分下界,$\{\text{PF}\}^2$ ES提供了互信息的低成本和准确的估计。我们基准$\{\text{PF}\}^2$ ES对其他信息理论的采集功能,展示其竞争力的性能,优化合成和现实世界的设计问题。
2023-02-21 cs.LG math.OC
Feasible-Set Reshaping for Constraint Qualification in Optimization-Based Control
State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University(合成过程工业综合自动化国家重点实验室,东北大学);Tongji University(同济大学);New York University(纽约大学)
本文提出一种可行集重塑方法,用于优化控制中确保约束资格,通过重构可行集满足LICQ条件,并验证了其有效性。
2025-12-14 cs.SY eess.SY math.OC
A Feasible Method for Constrained Derivative-Free Optimization
本文提出一种在目标函数导数不可用但约束导数已知时求解约束优化的方法,通过插值构建二次模型并在信赖域约束下计算步长,数值结果验证了其潜力。
2024-02-19 math.OC
A feasible second order bundle algorithm for nonsmooth, nonconvex optimization problems with inequality constraints: I. Derivation and convergence
本文将求解非光滑无约束极小化问题的著名的牛顿法的SQP方法推广到非线性约束的情形。该方法不使用罚函数或滤波器或改进函数来处理约束的存在,而是通过求解凸二次约束二次规划来确定搜索方向,以获得好的迭代点。与此过程中出现的问题有关的捆绑过程中,以及在线搜索进行了讨论。在适当的假设下,证明了该方法的整体收敛性.
2015-06-26 math.OC
Feasible Path SQP Algorithm for Simulation-based Optimization Surrogated with Differentiable Machine Learning Models
本文提出一种基于可行路径序列二次规划的确定性算法框架,通过计算导数并消除中间变量,高效优化嵌入可微机器学习模型的仿真优化问题。
2025-01-29 math.OC
Subdifferentials and Stability Analysis of Feasible Set and Pareto Front Mappings in Linear Multiobjective Optimization
研究了R^n中关于不等式约束的右端摄动的参数化多目标线性最优化问题。我们的重点是测量可行集的变化和Pareto前沿映射周围的名义元素,同时注意一些特定的方向。这个想法是形式化的所谓epigraphical的多功能,这是通过增加一个固定的锥到原来的映射的图像定义。通过epigraphical可行映射和Pareto front映射,我们描述了相应的向量次微分,并利用它们通过计算相应的Lipschitz模来验证扰动映射的Lipschitz稳定性.普通线性规划的特殊情况下进行了分析,我们表明,这两个多功能的次微分的比例子集。我们还提供了一种方法来计算线性规划的最优值,而不知道任何最优解。文中还给出了一些实例。
2019-07-23 math.OC
Sufficient Decision Proxies for Decision-Focused Learning
Delft University of Technology(代尔夫特理工大学)
本文提出了一种新的决策代理方法,用于决策聚焦学习,通过分析问题性质来提高决策质量,同时保持学习任务的复杂度。
2026-09-18 cs.LG math.OC
A Feasible Direction Method with Active-Set Identification for Derivative-Free Optimization
Argonne National Laboratory(阿贡国家实验室);Lehigh University(利哈伊大学)
针对带仿真不等式约束的无导数优化,提出带有效集识别的可行方向信赖域方法,可高效生成可行试验点,在 CUTEst 问题上表现优于 SQP 类方法。
2026-10-30 math.OC
Frank-Wolfe Methods with an Unbounded Feasible Region and Applications to Structured Learning
Frank-Wolfe(FW)方法是解决结构化统计学习中出现的大规模凸优化问题的一种常用算法。然而,传统的Frank-Wolfe方法仅适用于可行域有界的情况,这限制了其在实际中的适用性。基于统计学习中的两个应用,$\ell_1$趋势滤波问题和广义核范数约束下的矩阵最优化问题,研究了一类凸优化问题,其中无界可行域是无界线性子空间和有界约束集的直和.针对这类具有无界可行域的凸优化问题,提出了两种新的Frank-Wolfe方法:无界Frank-Wolfe方法(uFW)和无界Away-Step Frank-Wolfe方法(uAFW).我们证明了在适当的正则性条件下,无界Frank-Wolfe方法具有$O(1/k)$次线性收敛速度,无界Away-Step Frank-Wolfe方法具有线性收敛速率,当可行域有界时,与著名的Frank-Wolfe方法结果相匹配.此外,计算实验表明,我们提出的方法似乎优于其他解决方案。
2021-10-07 math.OC
The Convex Feasible Set Algorithm for Real Time Optimization in Motion Planning
University of California at Berkeley(加州大学伯克利分校);FANUC Corporation(发那科公司)
随着机器人技术的发展,对实时运动规划的需求越来越大。然而,由于环境中的障碍物,规划问题是高度非凸的,这使得它很难实现实时计算使用现有的非凸优化算法。本文介绍了一种求解具有凸代价和非凸约束的非凸优化问题的快速算法--凸可行集算法。其思想是为原问题找到一个凸可行集,并使用凸约束迭代求解一系列子问题。证明了算法的可行性和收敛性。讨论了该方法在移动机器人运动规划中的应用。仿真结果表明了该算法的有效性。
2018-05-19 cs.RO math.OC
Machine Learning Powered Feasible Path Framework with Adaptive Sampling for Black-box Optimization
Institute of Process Engineering, Chinese Academy of Science(中国科学院过程工程研究所);School of Chemical Engineering, University of Chinese Academy of Science(中国科学院大学化学工程学院);Centre for Process Integration, Department of Chemical Engineering, School of Engineering, The University of Manchester(曼彻斯特大学工程学院化学工程系过程集成中心);Carbon Neutral Intelligent Industry Innovation Working Committee, China Institute for Innovation and Development Strategy(中国创新与发展战略研究院碳中和智能产业创新工作委员会)
提出机器学习驱动的可行路径优化框架(MLFP),结合自适应采样与代理模型,处理含复杂约束的黑箱优化,以较少评估快速稳健收敛至KKT点,优于现有算法。
2025-09-25 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
A Partially Feasible Distributed SQO Method for Two-block General Linearly Constrained Smooth Optimization
针对含线性等式与不等式约束的两块大规模光滑优化,提出可并行分解QO子问题并保持不等式可行性的PFD-SQO方法,证明其收敛与复杂度性质并通过算例和电力调度验证有效性。
2023-09-26 math.OC
An Infeasible-Start Framework for Convex Quadratic Optimization, with Application to Constraint-Reduced Interior-Point Methods
提出了一个框架,通过调用现有的可行启动算法为不等式约束的一般凸二次规划(CQP)从一个不可行的起点求解。中心工具是一个精确罚函数计划配备了惩罚参数更新规则。可行启动算法只需满足某些一般要求,更新规则也是如此。在温和的假设下,该框架被证明收敛于CQP与不等式和等式约束,并在一个可以忽略的额外成本,每次迭代,产生一个不可行的证书,连同一个可行点(近似)$\ell_1$ -最不放松可行的问题时,给定的问题没有一个可行解。该框架被应用到一个可行的开始约束减少的内点算法以前被证明是高性能的问题,更多的约束比变量(“不平衡”)。与流行的代码(SDPT 3,SeDuMi,MOSEK)的数值比较报告随机生成的问题和支持向量机分类器训练问题。结果表明,前者通常优于后者的不平衡问题。
2019-12-09 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 Constraint Handling Approach with Guaranteed Feasibility for Surrogate Based Optimization
无约束的最优化方法,如基于代理的优化(SBO)方法和遗传(GAs)或进化(EAs)算法,在昂贵的黑盒函数的约束优化领域已经得到普及。然而,约束处理方法,这两类求解器,通常不保证严格可行的候选人在优化。这可能成为应用工程问题中的一个问题,其中设计变量必须保持可行,以确保模拟不会失败。我们提出了一个约束处理方法,计算成本低的约束函数,保证严格可行的候选人时,使用代理优化。我们比较我们的方法与其他SBO,GA/EA和基于梯度的算法在两个(相对简单和相对困难)的分析检验函数,并应用完全解决计算流体动力学(CFD)问题有关的优化波动游泳的鱼一样的身体,并表明,该算法显示出良好的结果,同时保证可行的候选人。
2021-07-21 math.OC physics.flu-dyn
Curvature of Feasible Sets in Offline and Online Optimization
众所周知,凸优化中的可行集的曲率允许算法具有更好的收敛速度,并且对于离线和在线问题都重新对这个主题感兴趣。在本文中,利用几何和凸分析的结果,我们进一步理解了曲率在优化中的作用:- 我们首先证明了两个曲率概念的等价性,即强凸性和规范体,证明了Abernethy等人的一个猜想。这表明弗兰克-沃尔夫-Wang和Abernethy的一种新的方法在强凸可行集上加快了收敛速度$O(\frac{1}{t^2})$,而不需要对目标函数作额外的假设。- 在在线线性优化中,我们确定了两个主要性质,有助于解释\emph{why/when}跟随领导者(FTL)在强凸集上只有对数遗憾。这允许人们直接恢复Huang等人的最近结果,证明了当增益向量为非负时,FTL在强凸集上具有对数后悔性。- 我们提供了一个有效的强凸逼近凸体的过程,同时顺利权衡逼近误差和曲率。这使得一个扩展的强凸集上的一般凸集的改进算法。作为一个具体的应用,我们将Dekel等人关于在线线性优化的结果推广到一般的凸集。
2021-05-11 cs.DS math.OC
Unsupervised Training of Diffusion Models for Feasible Solution Generation in Neural Combinatorial Optimization
Korea University(高丽大学);LG AI Research(LG人工智能研究院);Gauss Labs Inc.(高斯实验室公司)
针对神经组合优化方法依赖专家搜索、适用范围受限的问题,提出无监督框架IC/DC,通过自监督训练扩散模型并采用新型架构捕捉物品关系,在PMSP和ATSP上取得了优于现有方法的性能。
2025-02-12 cs.AI cs.LG math.OC
Log-sum-exp optimization problem subjected to Lukasiewicz fuzzy relational inequalities
本文引入了一个非线性最优化问题,其目标函数为凸对数和指数函数,可行域定义为由Lukasiewicz t-范数定义的模糊关系不等式组。给出了判定问题可行性的若干充要条件。可行解集的特征在于一个有限数量的封闭凸细胞。由于FRI的可行解集合是非凸的,因此不能直接采用常规方法。提出了一种求解该非线性问题的算法。证明了该算法能找到精确的最优解,并给出了一个例子来说明所提出的算法。
2022-06-20 math.OC
A new scheme for approximating the weakly efficient solution set of vector rational optimization problems
本文给出了一类有理目标向量最优化问题的弱有效解集在由多个多项式不等式定义的可行集上的一种新的逼近方法.更确切地说,我们提出了一个程序,以获得一系列的明确的近似的弱有效解集的问题。每个近似是一个单一的多项式和可行集的子水平集的交集。为此,我们利用与所考虑的问题,并构建多项式逼近,它从上面的可行集的实现功能。值得注意的是,该结构可以转换为半定规划问题。几个非平凡的例子来说明所提出的新方案。
2022-05-25 math.OC
Non-Attainment of Minima in Non-Polyhedral Conic Optimization: A Robust SOCP Example
Michigan State University(密歇根州立大学)
本文研究了二次锥规划中极小值未达成的现象,通过构造反例揭示非多面体几何导致可行集像非闭合的问题,并提出多面体近似和正则化作为缓解策略。
2025-12-30 math.OC
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
Separable Concave Optimization Approximately Equals Piecewise-Linear Optimization
研究了紧可行集上非负可分凹函数的极小化问题。我们近似这个问题的一个因素内的1+ 1/2的分段线性最小化问题在同一可行集。我们的主要结果是,当可行集是一个多面体,结果块的数量是多项式的输入大小的多面体和线性的1/1。对于许多实际的凹成本问题,所得到的分段线性成本问题可以被表述为一个研究充分的离散最优化问题。因此,各种多项式时间精确算法,近似算法,和多项式时间算法的离散最优化问题立即产生完全多项式时间近似计划,近似算法,和多项式时间算法的相应凹成本问题。我们在两个问题上说明我们的方法。针对凹成本多商品流问题,设计了一种新的启发式算法,并通过计算实验研究了其性能。我们能够近似解决比以前可能的更大的测试实例,并获得平均4.27%的最优解。对于凹费用设施点定位问题,我们得到了一个新的1.4991+ λ的近似算法.
2012-01-16 math.OC
"Efficient" Subgradient Methods for General Convex Optimization
提出了一种求解一般凸优化问题的次梯度法,其主要要求是已知一个严格可行点。生成一个可行的迭代序列,该序列收敛到用户指定的最优性误差内。在每次迭代时通过线搜索来保持可行性,从而避免了对可行域的正交投影的需要(该操作限制了传统次梯度方法的实用性)。Lipschitz连续性是不需要的,但该算法被证明具有收敛速度类似于传统方法的速度,虽然测量误差相对,而传统的错误是绝对的。该算法是使用一个基本的框架,可以用来设计其他这样的算法。
2016-05-27 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
Anytime-Feasible Gradient Descent for Constrained Optimization Under Gradient Uncertainty
Johns Hopkins University(约翰斯·霍普金斯大学)
针对梯度不确定下的非线性约束优化,提出任意时刻可行的一阶方法,通过二阶锥规划和带保护回溯保证严格可行性与目标下降,并在多智能体导航中验证了噪声下的无碰撞性能。
2026-09-22 cs.SY eess.SY 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
Consensus-based Optimization and Ensemble Kalman Inversion for Global Optimization Problems with Constraints
我们介绍了一种实用的方法,将平等和不等式约束的基础上随机相互作用粒子系统的全局最优化方法,特别是基于共识的优化(CBO)和集合卡尔曼反演(EKI)。与文献中的其他方法不同,我们提出的方法并不约束的动态的状态空间的可行域在任何时候,粒子在整个空间中的演变,但被吸引到可行集的惩罚项添加到目标函数的装置,在CBO的情况下,一个额外的松弛漂移。我们研究了该方法的性质,通过相关的平均场Fokker-Planck方程,并证明其性能在几个测试问题的数值实验。
2021-11-04 math.OC
Interior-point algorithms with full Newton steps for nonsymmetric convex conic optimization
针对非对称凸锥优化问题,提出仅需原始锥对数齐次自协调障碍函数的全牛顿步原始-对偶可行内点算法,达到最优理论迭代复杂度,兼容对偶证明框架,在困难多项式优化问题上表现出高效性与数值可靠性。
2025-02-22 math.OC
Exploiting Algebraic Structure in Global Optimization and the Belgian Chocolate Problem
比利时巧克力问题涉及在多项式的非凸区域上最大化参数δ。在本文中,我们详细介绍了这个问题的全局最优化方法,优于以前这样的方法,利用底层的代数结构。以前的工作集中在迭代法,由于复杂的非凸可行域,可能需要多次迭代或导致非最优的δ。相比之下,我们的方法以非迭代方式定位δ的最大已知值。我们通过使用代数结构来直接达到大的极限值,将问题简化为一个更简单的组合最优化问题。虽然这些极限值不一定是可行的,但我们给出了一个显式算法,可以用可行的δ来任意逼近它们。使用这种方法,我们找到了迄今为止已知的最大δ值,δ = 0.9808348。我们还证明,在低程度的设置,我们的方法恢复以前已知的上界的δ和以前的方法收敛到我们找到的δ。
2017-08-27 math.OC
Mixed-integer linearity in nonlinear optimization: a trust region approach
针对非线性优化结合多面体与整数约束的计算难题,提出带信赖域保障的序列混合整数线性化方法,可从任意起点收敛到可行关键点,并在非光滑最优控制、网络设计运营中验证了应用价值。
2024-10-07 math.OC
Constrained Optimization via Constraint-Induced Geometry: Implicit Feasible Dynamics and Optimality from Stationarity
该研究提出几何感知约束优化框架Gravidy,针对不同可行集设计适配几何与隐式算法,实验表明其收敛快且能保持迭代可行性,可利用稀疏性。
2026-08-04 math.OC
Robust Paths: Geometry and Computation
本文针对鲁棒优化中不确定性集合校准成本高且缺乏系统性的问题,提出鲁棒路径概念,揭示其可刻画为曲线到可行域的Bregman投影,并证明可用确定性问题的近端点法等标准算法轨迹近似,给出误差界及零误差条件,并在投资组合优化和对抗性深度学习中验证其实际价值。
2025-08-27 math.OC
Penalized Semidefinite Programming for Quadratically-Constrained Quadratic Optimization
本文对非凸二次约束二次规划给出了一种新的惩罚半定规划方法。我们将惩罚条款的凸松弛的目标,以检索可行的和近最优解的非凸QCQP。引入广义线性无关约束规格(GLICQ)准则,证明了任意充分接近可行集的GLICQ正则点都可以用来构造适当的惩罚项,从而得到可行解.受这些结果的启发,我们开发了一个启发式的顺序程序,保留可行性,旨在提高在每次迭代的目标值。对大规模系统辨识问题以及二次规划(QPLIB)库中的基准实例进行的数值实验表明,所提出的惩罚半定规划能够找到非凸QCQP的近最优解.
2020-04-29 math.OC
A New Superlinearly Convergent Algorithm of Combining QP Subproblem with System of Linear Equations for Nonlinear Optimization
本文讨论了一类带非线性不等式约束的最优化问题。基于序列二次规划算法的思想和强次可行方向方法,提出了一种新的超线性收敛算法。该算法的初始迭代点可以任意选取。在每次迭代中,新算法求解一个总是可行的二次规划子问题和一个或两个具有公共系数矩阵的线性方程组。此外,系数矩阵是一致非奇异的。经过有限次迭代后,迭代点总是能进入问题的可行集,搜索方向通过求解一个二次规划子问题和仅一个线性方程组得到。在适当的假设下,新算法具有全局收敛性和超线性收敛性,且不需要严格互补性。最后,一些初步的数值实验表明,该算法是有前途的。
2012-06-27 math.OC
Approximating Energy-Regulation Feasible Region of Virtual Power Plants: A Data-driven Inverse Optimization Approach
Tsinghua University(清华大学)
针对虚拟电厂可行域聚合方法通用性与适应性不足的问题,提出数据驱动逆优化方法,采用虚拟电池模型并基于多场景数据确定参数,数值测试验证了方法准确性,助力利用分布式能源灵活性。
2026-08-27 cs.SY eess.SY math.OC
Convex Optimization with Nested Evolving Feasible Sets
本文研究了可行集随时间演化的一系列嵌套问题,提出懒算法和Frugal算法,在不同凸性条件下实现最优的后悔和移动成本控制。
2026-08-18 cs.DS cs.LG math.OC
Safe Zeroth-Order Convex Optimization Using Quadratic Local Approximations
我们解决黑盒凸优化问题,其中的目标和约束函数是不明确的,但可以在可行集内采样。因此,挑战在于生成一系列可行点,这些可行点朝着最优解收敛。通过利用目标函数和约束函数的光滑特性的知识,我们提出了一种新的零阶方法,SZO-QQ,迭代计算约束函数的二次近似,构造局部可行集并对其进行优化。我们证明了在每次迭代中产生的目标值序列的收敛性。通过实验,我们表明,我们的方法可以实现更快的收敛速度相比,最先进的零阶方法的凸优化。
2022-11-07 cs.SY eess.SY math.OC
Concave tents: a new tool for constructing concave reformulations of a large class of nonconvex optimization problems
Faculty of Mathematics, University of Vienna, Austria(维也纳大学数学学院)
本文提出“凹帐篷”概念,通过锥优化问题的最优值函数为一大类非凸优化问题构造凹近似与凹重构,并提出双重提升策略及原始启发式方法,数值实验表明其作为分支定界算法的上界过程具有优势。
2025-09-17 math.OC
Verifying Global Optimality of Candidate Solutions to Polynomial Optimization Problems using a Determinant Relaxation Hierarchy
我们提出了一种方法来验证一个给定的可行点的多项式最优化问题是全局最优的。该方法依赖于Lasserre层次结构和Lasserre关于凸性的重要性的结果的可行集,而不是个人的约束。通过只专注于证明全局最优性和放松Lasserre层次结构使用必要条件的正半定性的基础上矩阵行列式,所提出的方法是可实现的计算易处理的线性规划。我们证明了这种方法通过应用程序的多项式优化,包括用于操作电力系统的最优潮流问题的几个实例。
2021-01-03 math.OC