雙層優化

Accedi

本文提出了一種名為基於共識的雙層優化 (CB2O) 的新型粒子群優化算法，用於解決上下層目標函數皆可能非凸的雙層優化問題，並從理論上和實驗上驗證了該算法的有效性。

本文提出了一種基於無重複抽樣的雙層優化演算法 WiOR-BO，並證明其在解決非凸-強凸雙層優化問題上，相較於傳統基於獨立抽樣的演算法，具有更快的收斂速度。

本文提出了一種將雙層優化問題重新表述為極小極大問題的新方法，並介紹了一種名為 MinimaxOPT 的多階段梯度下降上升算法來有效地解決這個問題，從而顯著降低計算成本並提高性能。

Neur2BiLO 是一個基於學習的框架，用於解決混合整數非線性雙層優化問題，它利用神經網路預測領導者或追隨者的價值函數，並將其嵌入到易於求解的混合整數規劃中，從而快速生成高質量的解決方案。

本論文提出了一種名為 DRC-BLEA 的動態資源分配框架，用於提高演化雙層優化的效率，其核心思想是通過競爭性準並行範式，將更多計算資源優先分配給更有可能產生優良解的任務，從而減少資源消耗並提升整體收斂速度。

本研究針對下層問題具有耦合約束的雙層優化問題，提出了一種基於障礙函數的重構方法，並設計了相應的演算法，在較弱的條件下證明了演算法的收斂性。

本文提出了兩種全新且完全無需調參的雙層優化演算法 D-TFBO 和 S-TFBO，它們能自動調整更新步長，並在理論上能達到與依賴參數調校的演算法相媲美的收斂速度。

Chi Siamo

Prodotti

Risorse