Computational Optimization and Applications· 2026Q1
İç Nokta Yöntemlerinde Adaptif Takviyeli Öğrenme
Reinforcement learning for adaptive interior point methods in convex quadratic programming
- 1atıf
- Q1SCImago
- 2026yıl
Kısa özet
Takviyeli öğrenme (RL), hafif bir eğitimden sonra, düzenlileştirilmiş iç nokta çözücüleri için hiperparametre ayarını otomatikleştirerek dışbükey kuadratik programlamada önemli ölçüde hızlanma sağlar ve yüksek doğruluklu çözümlere daha hızlı yakınsamayı başarır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Dışbükey kuadratik programlama için düzenlileştirilmiş iç nokta çözücülerinde hiperparametre ayarını optimize etmek üzere takviyeli öğrenme (RL) uygulanmaktadır.
- RL yaklaşımı, yavaş kuyruk yakınsama sorununu ele alır ve çözücü performansını artırarak yüksek doğruluklu çözümler elde edilmesini sağlar.
- Sayısal deneyler, hafif bir RL eğitiminin, öğrenilen politikanın çeşitli problem sınıfları ve boyutlarına genelleme yapmasını sağladığını göstermektedir.
- Yöntem, çözücü ayarını kolaylaştırır ve genel optimizasyon sürecini hızlandırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Quadratic programming is a workhorse of modern nonlinear optimization, control, and data science. Although regularized methods offer convergence guarantees under minimal assumptions on the problem data, they can exhibit the slow tail-convergence typical of first-order schemes, thus requiring many iterations to achieve high-accuracy solutions. Moreover, hyperparameter tuning significantly impacts the solver performance but how to find an appropriate parameter configuration remains an elusive research question. To address these issues, we explore how data-driven approaches can accelerate the solution process. Aiming at high-accuracy solutions, we focus on a regularized interior-point solver and carefully handle its two-loop flow and control parameters. We will show that reinforcement learning can make a significant contribution to facilitating the solver tuning and to speeding up the optimization process. Numerical experiments demonstrate that, after a lightweight training, the learned policy generalizes well to different problem classes with varying dimensions.
Yazarların özeti; kaynağından alınmıştır. Computational Optimization and Applications, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Sayısal Analiz
Numerical AnalysisMathematics