本文提出了一種名為 IPDS-ADMM 的新演算法,用於解決一大類非凸非光滑複合優化問題,該演算法僅需目標函數中的一個區塊具有連續性,並證明了其收斂性及迭代複雜度。
본 논문에서는 최소한의 연속성 가정 하에서 비볼록 최적화 문제를 해결하기 위한 새로운 근접 선형화 교대 방향 승수법(ADMM) 알고리즘인 IPDS-ADMM을 제안하며, 특히 목적 함수의 마지막 블록에서만 연속성을 요구합니다. IPDS-ADMM은 증가하는 페널티와 감소하는 스무딩 전략을 사용하여 수렴성을 보장하며, 연관된 선형 연산자가 전사일 경우 전역적 수렴을 위해 과완화 단계 크기를 사용하고, 그렇지 않을 경우 저완화 단계 크기를 사용합니다.
This paper proposes IPDS-ADMM, a novel proximal linearized ADMM algorithm employing an increasing penalty and decreasing smoothing strategy, to efficiently solve multi-block nonconvex composite optimization problems with minimal continuity assumptions, achieving an oracle complexity of O(ǫ−3) for an ǫ-approximate critical point.
本論文提出了一種基於問題導向的情境縮減 (PDSR) 框架,用於解決電力系統隨機優化問題,旨在通過識別對最優目標值和決策制定具有相對較大影響的顯著情境(例如,最壞情況),在可接受的計算時間內實現對原始最優性的卓越逼近。
본 논문에서는 전력 시스템의 확률적 최적화 문제에서 기존 시나리오 감소 기법의 한계를 지적하고, 문제 구조를 시나리오 감소 프로세스에 통합하는 새로운 문제 중심 시나리오 감소(PDSR) 프레임워크를 제안합니다.
本稿では、電力システムの確率的最適化において、従来の統計的近似に基づくシナリオ削減手法の限界を克服するため、問題構造を考慮した新規シナリオ削減フレームワークを提案する。
本文提出了一種新的優化算法系列,稱為各向異性高斯平滑梯度下降 (AGS-GD)、AGS 隨機梯度下降 (AGS-SGD) 和 AGS-Adam,它們採用各向異性高斯平滑來增強傳統的基於梯度的優化方法,包括 GD、SGD 和 Adam,旨在解決優化方法陷入局部最小值的問題。
본 논문에서는 기존 경사 기반 최적화 알고리즘(GD, SGD, Adam)이 가지는 지역 최적값에 갇히는 문제를 해결하기 위해 비등방성 가우시안 스무딩을 활용한 새로운 최적화 알고리즘들을 제안합니다.
This article introduces a novel optimization technique, Anisotropic Gaussian Smoothing (AGS), which enhances traditional gradient-based optimization algorithms (GD, SGD, Adam) by employing a non-local gradient derived from anisotropic Gaussian smoothing, enabling them to effectively escape suboptimal local minima and improve convergence.
本文提出了一種名為區塊協調差分凸演算法(Bdca)的新方法,用於解決具有可分離結構的非凸優化問題,並證明了其收斂性。