面向实时二次优化的端到端学习热启动方法
最优化与控制
2022-12-19 v1
摘要
一阶方法因其较低的单步迭代代价，被广泛用于实时应用中的凸二次规划（QP）求解。然而，它们可能面临向精确解缓慢收敛的问题。本文提出一种框架，针对实时应用中流行的一阶方法Douglas-Rachford（DR）分裂，在一类参数化QP上学习有效的热启动。该框架由两个模块组成：一个前馈神经网络模块，以QP的参数为输入并输出热启动；一个从该热启动执行固定次数DR分裂迭代并输出候选解的模块。我们框架的一个关键特征是通过DR迭代进行反向传播从而实现端到端学习。为说明方法的有效性，我们给出了基于Rademacher复杂度的泛化界，其随训练问题数与迭代次数同时改善。我们进一步将方法应用于三个实时问题，观察到通过学习良好的热启动，能够显著减少获得高质量解所需的迭代次数。
引用
@article{arxiv.2212.08260,
title = {End-to-End Learning to Warm-Start for Real-Time Quadratic Optimization},
author = {Rajiv Sambharya and Georgina Hall and Brandon Amos and Bartolomeo Stellato},
journal= {arXiv preprint arXiv:2212.08260},
year = {2022}
}