For optimization problems with sparse linear equality constraints, we observe that the (1,1) block of the inverse KKT matrix remains unchanged when projected onto the nullspace of the constraints. We develop reduced compact representations of the limited-memory BFGS Hessian to compute search directions efficiently. Orthogonal projections are implemented by sparse QR factorization or preconditioned LSQR iteration. In numerical experiments two proposed trust-region algorithms improve in computation times, often significantly, compared to previous implementations and compared to IPOPT.


翻译:对于线性平等限制稀少的优化问题,我们注意到,KKT矩阵反面的(1,1)块在被投放到限制的空格上时保持不变,我们开发了有限的模拟BFGS Hessian 的缩略图,以有效计算搜索方向,通过稀疏的QR因数化或附设的LSQR迭代来实施正向预测。在数字实验中,两个拟议的信任区域算法在计算时间上有所改进,与以往的执行和IPOPT相比,往往显著改善。

0
下载
关闭预览

相关内容

剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
专知会员服务
50+阅读 · 2020年12月14日
【NeurIPS 2020】大规模分布式鲁棒优化方法
专知会员服务
25+阅读 · 2020年10月13日
TensorFlowLite:端侧机器学习框架
专知会员服务
32+阅读 · 2020年8月27日
【干货书】真实机器学习,264页pdf,Real-World Machine Learning
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
5+阅读 · 2017年11月20日
VIP会员
相关资讯
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
5+阅读 · 2017年11月20日
Top
微信扫码咨询专知VIP会员