Augmented Lagrangian method
PulseAugur coverage of Augmented Lagrangian method — every cluster mentioning Augmented Lagrangian method across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
物理感知的AI模型在电力流优化方面显示出改进的标度
研究人员研究了规模对交流最优潮流（ACOPF）的物理感知代理模型的影响。通过对各种模型和数据集大小进行扫描，他们发现均方误差（MSE）和增广拉格朗日（AL）目标都随着标度的增加而遵循幂律，但速率不同。与MSE相比，AL目标在约束违反方面有了显著的降低，在可比的训练时间增加和可忽略的内存开销下，实现了近30倍的改进。这表明训练目标的选择对代理模型的质量如何随着规模的增加而演变起着关键作用。
-
新研究强调因果发现方法中的缺陷
Sairam Sundararaman 在 arXiv 上发表的一篇新论文详细阐述了在增强拉格朗日因果发现中，可撤销先验的“指导而非束缚”方法的两个根本性缺陷。研究表明，增强拉格朗日方法中的顺序惩罚提升可能会在数据能够反驳正确因果边之前就抑制它们，并且标准的关联匹配目标会在一条边及其反向边之间产生一个无法解决的僵局。该论文引入了 DADU 松弛规则，表明它违反了防止这种抑制所必需的条件，并从数学上证明了关联匹配中的成本僵局，建议使用协…
-
混合新方法通过进化算法增强约束优化
研究人员开发了一种新的混合增广拉格朗日（HyAL）方法，该方法结合了增广拉格朗日框架和进化算法在约束优化问题上的优势。这种新颖的方法利用进化技术来解决增广拉格朗日迭代中的子问题，增强了探索能力并有助于跳出局部最优。在基准问题上的实验表明，HyAL能够持续获得高质量的解决方案，其性能优于纯进化方法，并且在高维问题上具有更好的可扩展性。该方法在具有多个局部最小值和鞍点的复杂景观上，也超越了最先进的数值优化算法。
-
新的矩阵值优化方法改进了机器学习中的约束处理
研究人员证明了约束优化中的增广拉格朗日方法与乐观对偶方法之间的等价性，并将其扩展到矩阵值参数。他们提出了一个加性原理，即原始轨迹取决于校正矩阵之和，而与它们在增广和乐观通道之间的分配无关。这导致了一种混合设计，该设计优化了步长限制，并在非线性等式约束问题上优于纯粹的方法，尽管它在约束雅可比矩阵病态的情况下存在局限性。