鲁棒凸优化
详细信息和选项
稳健优化也称为最坏情况优化。 鲁棒优化通常用于解决由参数约束的参数表示的不确定性下的优化问题。 稳健优化给出了最保守的解决方案,即对于所有可能的参数值,都可以实现给定的最优值。 稳健优化找到稳健极小值 它解决了以下问题: -
减少 哪里 稳健最小化 满足 为所有人 在参数集中。 稳健最小值 满足 为所有人 在参数集中。 线性等式约束 或 可能包括在 pcon公司 或 真空开关 . 鲁棒凸优化 [ (f) , 欺骗 , 变量 , 部分 ] 也可以使用。 约束条件 欺骗 自动分离为纯参数约束 以及可能取决于参数的可变约束 。此表单与兼容 参数凸优化 . 如果一个鲁棒优化问题可以转化为一种可以通过凸优化求解或近似的形式,那么它就被认为是可处理的。 牵引性取决于可变约束类型的组合 以及参数约束的类型 . 以下可变约束和参数约束的组合被认为是可处理的: -
可变约束 参数约束 通常,变量约束 转化为形式的二次曲线约束 ,其中 是其中之一 “非负锥体” , “标准圆锥” 或 “半定锥” 以及对 和 关于参数应该是仿射的。 当目标函数 取决于参数或非线性,一个附加变量 介绍了用题词变换和问题变换具有客观性 带有附加约束 . 变量和参数规范 变量 和 部分 每个都应该是一个列表,其中的元素以下列形式之一给出变量或参数: -
v(v) 具有推断维度的变量或具有名称的标量参数 v(v) ∈ 雷亚尔 实标量变量 v(v) ∈ 整数 整数标量变量 v(v) ∈ 复合物 复数标量变量 v(v) ∈ ℛ 限制在几何区域内的向量变量 v(v) ∈ 矢量 [ n个 , dom公司 ] 矢量变量输入 , 或 v(v) ∈ 矩阵 [ { 米 , n个 } , dom公司 ] 矩阵变量 , 或 可能的解决方案属性 " 支柱 " 包括: -
“PrimalMinimizer” 最小化的变量值列表 “原始最小化规则” 变量的值 变量 = { v(v) 1 , … } 最小化 “原始最小化向量” 最小化的向量 “基本最小值” 最小值 { " 支柱 1 " , " 支柱 2 " , … } 几个解决方案属性 可以提供以下选项: -
最大迭代次数 自动 要使用的最大迭代次数 方法 自动 使用的方法 绩效目标 $绩效目标 尝试优化的性能方面 公差 自动 用于内部比较的容差 选项 方法 方法 可用于指定要使用的方法。 可用的方法包括: -
自动 自动选择方法 “剪切集” 使用切割集方法 “多面体近似” 近似 “标准圆锥” 具有一组线性约束的约束 “SCS” SCS公司 ( 分裂二次曲线解算器 ) 图书馆 “CSDP” CSDP公司 ( COIN半定规划 ) 图书馆 “DSDP” DSDP公司 ( 半定规划 ) 图书馆 一些不易处理的鲁棒优化问题可以用割集方法近似求解。