[论文解读] Semidefinite programming relaxations for linear semi-infinite polynomial programming
本文提出了一种针对线性半无限多项式规划（LSIPP）问题的半定规划（SDP）松弛层次结构，利用平方和表示法和Putinar的Positivstellensatz定理实现收敛。该方法可提取近似最小化点，并提供收敛速率估计，且可扩展至更广泛的半无限规划问题。
This paper studies a class of so-called linear semi-infinite polynomial programming (LSIPP) problems. It is a subclass of linear semi-infinite programming problems whose constraint functions are polynomials in parameters and index sets are basic semialgebraic sets. We present a hierarchy of semidefinite programming (SDP) relaxations for LSIPP problems. Convergence rate analysis of the SDP relaxations is established based on some existing results. We show how to verify the compactness of feasible sets of LSIPP problems. In the end, we extend the SDP relaxation method to more general semi-infinite programming problems.
研究动机与目标
- 为在基本半代数集上具有多项式约束的线性半无限多项式规划（LSIPP）问题，开发一种SDP松弛层次结构。
- 利用Putinar的Positivstellensatz的复杂度界，建立SDP松弛层次结构的收敛速率估计。
- 通过辅助SDP松弛方法，提供一种可计算的可行集紧致性验证方法。
- 将SDP松弛框架扩展至具有半代数约束或s.o.s-凸目标函数的更一般半无限规划问题。
- 使能从SDP松弛中提取近似最小化点，适用于函数逼近等应用。
提出的方法
- 将LSIPP问题表述为广义矩问题（GMP），并基于Putinar的Positivstellensatz推导出对偶SDP松弛层次结构。
- 通过使用平方和（s.o.s.）表示法将原问题提升至更高维空间，构建SDP松弛层次结构。
- 利用紧集上非负多项式平方和表示法，确保松弛序列的收敛性。
- 通过求解辅助LSIPP问题并利用SDP松弛计算正的下界，验证LSIPP可行集的紧致性。
- 通过将s.o.s-凸目标函数和半代数约束转换为等价的SDP形式，将该方法扩展至一般SIP问题。
- 利用Schur补和矩阵不等式表示法，将所得优化问题简化为标准SDP形式。
实验结果
研究问题
- RQ1能否为LSIPP问题构建一种SDP松弛层次结构，以保证收敛至全局最优解？
- RQ2如何利用现有的复杂度结果估计SDP松弛层次结构的收敛速率？
- RQ3LSIPP问题的可行集紧致性的条件是什么？如何在计算上验证该紧致性？
- RQ4SDP松弛框架能否扩展至具有非多项式或s.o.s-凸目标函数的一般半无限规划问题？
- RQ5在实际中，从SDP松弛层次结构中能多大程度上提取近似最小化点？
主要发现
- 在标准假设下，包括矩锥的Archimedean性，所提出的SDP松弛层次结构可收敛至LSIPP问题的全局最优值。
- 利用Putinar的Positivstellensatz的复杂度界，推导出收敛速率估计，为收敛速度提供理论保证。
- 通过求解有限个辅助LSIPP问题并利用SDP松弛计算下界，可验证LSIPP可行集的紧致性，有限收敛意味着可计算的下界。
- 对于可行集 $ S $ 为闭有界区间的LSIPP问题，SDP松弛层次结构的有限收敛性可保证，从而实现紧致性的精确验证。
- 可从SDP松弛中提取近似最小化点，如数值示例所示，其精度很高（例如，示例4.6中误差为 $ ext{error} imes 10^{-6} $）。
- 该方法可扩展至具有s.o.s-凸目标函数的一般SIP问题，在适当条件下，松弛问题可简化为单个SDP，如定理4.5和示例4.7所示。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。