基于图神经网络的主动集求解器温启动
机器学习
2026-05-20 v2
摘要
二次规划（QP）求解器在实时控制和优化中广泛应用，但其计算成本常常限制了在时间关键场景中的适用性。为解决此问题，本文提出一种基于图神经网络（GNN）的学习-优化方法，用于预测双变量 QP 求解器 DAQP 中的主动约束。该方法利用 QP 的结构属性，通过将其表示为二分图来学习对最优主动集的近似，以有效地对求解器进行温启动。在不同问题规模下，GNN 一致地减少了求解器迭代次数，性能相当于多层感知器基线。在与基线不同的是，我们的 GNN 方法在训练时使用可变问题规模，能够推广到未见的维度，显示出灵活性和可扩展性。这些结果凸显了结构感知学习在实时应用（如模型预测控制）中加速优化的潜力。
引用
@article{arxiv.2511.13174,
title = {Warm-starting active-set solvers using graph neural networks},
author = {Ella J. Schmidtobreick and Daniel Arnström and Paul Häusner and Jens Sjölund},
journal= {arXiv preprint arXiv:2511.13174},
year = {2026}
}
备注
Accepted at Learning for Dynamics and Control Conference (L4DC)