HoP：面向硬约束优化的同胚极坐标学习
机器学习
2025-02-04 v1 人工智能
最优化与控制
摘要
约束优化要求高效的求解器，这促进了学习优化（L2O）方法的发展。作为一种数据驱动的方法，L2O利用神经网络高效地产生近似解。然而，确保神经网络输出的最优性和可行性仍然是一个重大挑战。为了解决这个问题，我们引入了同胚极坐标学习（HoP），通过在神经网络中嵌入同胚映射来解决星凸硬约束优化问题。这种双射结构使得端到端训练无需额外的惩罚或校正。为了性能评估，我们评估了HoP在多种合成优化任务和无线通信实际应用中的性能。在所有情况下，HoP都能在严格保持可行性的同时，获得比现有L2O方法更接近最优解的解。
引用
@article{arxiv.2502.00304,
title = {HoP: Homeomorphic Polar Learning for Hard Constrained Optimization},
author = {Ke Deng and Hanwen Zhang and Jin Lu and Haijian Sun},
journal= {arXiv preprint arXiv:2502.00304},
year = {2025}
}
备注
in submission