BriefGPT - AI 论文速递
·
参数化的凸辅助目标函数逼近在摊还优化中的应用
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该论文提出了一种用于近似协调优化中的目标函数的参数化凸次级法（PCM）方法。该方法利用参数化的log-sum-exp网络学习目标函数，并通过使用凸优化算法可靠且快速地找到全局最小值。
🎯
关键要点
-
该论文提出了一种参数化凸次级法（PCM）方法，用于近似协调优化中的目标函数。
-
目标函数的近似器表示为 PCM 和非负间隙函数之和，优化变量中的 PCM 凸函数下界限制了目标函数的近似器。
-
PCM 的全局最小值达到了目标函数近似器的全局最小值，能够通过一次凸优化获得。
-
该方法利用参数化的 log-sum-exp 网络作为 PCM，提出了扩展的参数化 log-sum-exp 网络。
-
通过数值模拟展示了该方法在非参数化凸目标函数逼近和基于学习的非线性模型预测控制中的性能和特点。
-
仿真结果表明该方法可用于学习目标函数，并通过凸优化算法快速找到全局最小值。
➡️
