自监督学习的约束优化迭代求解器
原文中文,约300字,阅读约需1分钟。发表于: 。本研究解决了实时获取约束优化问题高精度解的挑战。提出了一种基于学习的迭代求解器,通过神经网络预测和改进求解,实现了高度准确的自监督训练。实验表明,该方法在准确性和计算速度上优于现有学习方法,具有广泛的应用潜力。
本文介绍了一种新的自监督训练方法Primal-Dual Learning(PDL),用于直接逼近受约束优化问题的最优解。PDL通过同时训练原始神经网络和对偶神经网络来模仿增广Lagrangian方法的轨迹,实验证明PDL在非线性优化基准测试中表现出极小的约束违规和微小的最优性差距,与ALM优化非常接近,并且在最优性差距、约束违规和训练时间方面表现出更好或相似的性能。