i-Future报告｜基于机器学习的非线性规划内点法

文章预览

编者按： 论文《IPM-LSTM: A Learning-Based Interior Point Method for Solving Nonlinear Programs》为学习优化相关研究工作，研究团队成员为高熙、熊锦欣、王阿康、段启宏、薛江、史清江。在这项工作中，研究团队针对一般的非线性规划问题，提出了一种基于内点法的学习优化方法。该研究通过利用长短期记忆网络求解内点法中最耗时的线性系统部分实现了加速内点法的目的，并在理论上基于不精确内点法给出了为了使学习优化方法可以收敛，神经网络求解线性系统所需满足的精度和有界性条件。通过在二次规划和二次约束二次规划等非线性规划问题上进行实验，研究团队展现了算法不仅可以端到端地给出高质量近似解，而且在内点法求解器的热启动上也展现出了优于其他学习优化方法的表现。 论文链接：https://arxiv.org/abs/2410.15731 近期，该论文被NeurIPS 2024接收。 ………………………………