基于三次正则化的分布式随机嵌套优化
最优化与控制
2021-08-06 v3
摘要
本文考虑一个嵌套随机分布式优化问题。其中，利用内层问题实现值的近似解来获得外层问题决策变量的分布式随机三次正则化牛顿（DiSCRN）更新。我们给出一个涉及具有不同偏好的电动汽车用户的例子，表明该模型适用于且足够复杂于多种数据驱动的多智能体场景，而非嵌套模型则不然。本文的两个主要贡献是：(i) 提出求解内层优化问题的局部停止准则，其保证外层问题更新的充分精度；(ii) 提出求解外层问题的新颖 DiSCRN 算法，并从理论上证明其有效性。仿真表明，在高度非凸场景下，该方法比标准梯度和牛顿外层问题更新更稳定且收敛更快，并且我们还展示了该方法可推广至考虑电阻性电池损耗和分时定价模型在时间区间上的电动汽车充电场景。
引用
@article{arxiv.2008.13291,
title = {Distributed Stochastic Nested Optimization via Cubic Regularization},
author = {Tor Anderson and Sonia Martinez},
journal= {arXiv preprint arXiv:2008.13291},
year = {2021}
}