Convex-SKM-Net：面向神经凸约束满足的低延迟分块半空间修正

快速推理和严格的约束满足对于基于学习的决策至关重要。现有方法通常依赖特定于约束的投影或可行集参数化，而迭代修复的代价可能很高。我们提出 Convex-SKM-Net，这是一种凸约束满足层，可利用残差和（次）梯度预言机构造线性化半空间，无需特定于约束的不等式投影器。该方法通过 GPU 友好的矩阵运算，对最小位移分块问题执行固定深度的对偶投影梯度下降（dual PGD）。我们联合学习预测器和正定移动性矩阵，使修正几何结构能够自适应，从而提升目标质量。我们证明了在固定对偶深度下外层迭代序列的收敛性，并证明了在 Slater 条件和次梯度有界的情况下，距离意义下的线性收敛性。在三个二阶锥模型预测控制（SOC-MPC）时域和六个电力系统凸松弛问题上，我们的所有测试输出均满足 $10^{-3}$ 的可行性容差。与最新约束满足方法的比较表明，在 SOC-MPC 上推理速度最高提升 $144.3\times$，在联合训练的凸二次约束二次规划（QCQP）基准上最高提升 $7.7\times$。在 QCQP 上，平均目标差距为 $0.012\%$，并且在 $10^{-4}$ 容差下所有测试均可行。学习移动性使五个随机种子下仿射任务的平均差距降低了 $22.4\%$，并在匹配的电力系统比较中改善了差距。