用于大规模随机最优控制问题的可大规模并行化邻近算法
最优化与控制
2021-07-06 v1
摘要
基于场景的随机最优控制问题深受维数灾难之苦，因为它们很容易增长到六位数和七位数的规模。一阶方法是合适的，因为它们能够处理此类大规模问题，但可能在合理的迭代次数内无法获得精确解。为了获得更高精度和高速的解，本文我们提出了两种邻近拟牛顿有限内存算法——应用于对偶问题的MinFBE和牛顿型交替最小化算法（NAMA）——它们可以在图形处理单元（GPUs）等同步硬件上大规模并行化。我们在涉及数百万变量的大规模问题上展示了这些方法在收敛速度和可并行性方面的性能。
引用
@article{arxiv.2107.01745,
title = {Massively parallelizable proximal algorithms for large-scale stochastic optimal control problems},
author = {Ajay K. Sampathirao and Panagiotis Patrinos and Alberto Bemporad and Pantelis Sopasakis},
journal= {arXiv preprint arXiv:2107.01745},
year = {2021}
}