单循环确定性与随机内部点算法用于非线性约束优化
原文中文,约200字,阅读约需1分钟。发表于: 。该研究针对非线性约束的连续优化问题,提出了一种新的内部点算法框架。通过采用单循环结构,该算法能够在目标函数值和导数无法精确计算的情况下,利用随机梯度估计进行优化,显示出良好的数值性能,具有重要的应用潜力。
通过使用随机TR和ARC方法,可以减少每次迭代的传播开销,实现近似二阶最优性,并满足不精确性的温和条件。数值实验表明,该算法在相同或相似次数的迭代时,计算开销较当前的二阶方法更少。
该研究针对非线性约束的连续优化问题,提出了一种新的内部点算法框架。通过采用单循环结构,该算法能够在目标函数值和导数无法精确计算的情况下,利用随机梯度估计进行优化,显示出良好的数值性能,具有重要的应用潜力。
通过使用随机TR和ARC方法,可以减少每次迭代的传播开销,实现近似二阶最优性,并满足不精确性的温和条件。数值实验表明,该算法在相同或相似次数的迭代时,计算开销较当前的二阶方法更少。