Stochastic Approximation Algorithms for Constrained Optimization Problems
约束优化问题的随机逼近算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于通用随机优化理论，未给出结构估计或其他所列领域的具体模型依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
约束优化问题的随机逼近算法
- 研究问题
- 当目标函数未知、只能在可行参数处观测含噪函数值时，怎样通过随机迭代求解由多个不等式界定的约束优化问题？
- 方法与思路
- 作者结合随机逼近与非线性规划技术，为若干序贯蒙特卡洛或随机逼近算法建立随机迭代序列的收敛结论。
- 材料陈述的贡献
- 摘要称，几乎所有样本路径上的任一收敛子序列，其极限均满足某个约束最优性必要条件，提供算法的理论保证。
- 阅读关注点
- 应核对噪声与步长条件、约束处理方式、迭代序列是否有收敛子序列，以及该必要条件与局部极小点的关系。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；满足最优性必要条件不等于找到局部或全局最小值，完整序列收敛和速率未说明。
原文摘要
The paper gives convergence theorems for several sequential Monte-Carlo or stochastic approximation algorithms for finding a local minimum of a function $f(\bullet)$ on a set $C$ defined by $C = \{x: q^i(x) \leqq 0, i = 1, 2, \cdots, s\}. f(\bullet)$ is unknown, but "noise perturbed" values can be observed at any desired parameter $x \in C$. The algorithms generate a sequence of random variables $\{X_n\}$ such that (for a.a. $\omega$) any convergent subsequence of $\{X_n(\omega)\}$ converges to a point where a certain necessary condition for constrained optimality holds. The techniques are drawn from both stochastic approximation, and non-linear programming.