HUANet：用于约束凸优化的硬约束展开式 ADMM
HUANet: Hard-Constrained Unrolled ADMM for Constrained Convex Optimization
精选理由
将ADMM展开为可训练网络，兼顾求解加速与约束满足，提升凸优化和控制应用效率。
AI 摘要
arXiv:2604.13179v2 公告类型：replace-cross 摘要：本文提出了 HUANet，这是一种约束深度神经网络架构，将交替方向乘子法（ADMM）展开为可训练的神经网络，以加速参数化约束凸优化。现有的端到端学习方法通常将参数映射到解视为黑箱映射，往往未显式融入最优性原理，也无法保证满足约束。为解决这些局限，HUANet 在每次展开的 ADMM 迭代中嵌入硬约束神经网络，其中可微校正阶段用于强制满足原始子问题的仿射等式约束。此外，我们将一阶最优性条件纳入自监督训练损失，以促进所提出展开算法的收敛。针对基准优化问题和一个控制应用开展的大量数值实验，证明并验证了 HUANet 在加速约束凸优化求解方面的有效性。