An Online Algorithm for Smoothed Online Convex Optimization
An Online Algorithm for Smoothed Online Convex Optimization
复制标题
一种在线平滑凸优化算法
DOI：
10.1145/3374888.3374892
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
A. Wierman
中科院分区：
文献类型：
--
作者：
Gautam Goel;A. Wierman
我们认为在线凸优化（OCO）的设置中的成本是m-强凸的和在线学习者支付切换成本，改变轮之间的决定。我们表明，最近提出的在线平衡下降（OBD）算法是恒定的竞争力，在这种情况下，与竞争比3+O（1/m），无论周围的尺寸。我们证明了我们的方法的一般性，通过显示OBD框架可以用来构建有竞争力的LQR控制算法。
We consider Online Convex Optimization (OCO) in the setting where the costs are m-strongly convex and the online learner pays a switching cost for changing decisions between rounds. We show that the recently proposed Online Balanced Descent (OBD) algorithm is constant competitive in this setting, with competitive ratio 3+O(1/m), irrespective of the ambient dimension. We demonstrate the generality of our approach by showing that the OBD framework can be used to construct competitive a algorithm for LQR control.
DOI：
10.4230/lipics.approx-random.2015.96
发表时间：
2015
期刊：
--
影响因子：
--
作者：
N. Bansal;Anupam Gupta;Ravishankar Krishnaswamy;K. Pruhs;Kevin Schewior;C. Stein
通讯作者：
N. Bansal;Anupam Gupta;Ravishankar Krishnaswamy;K. Pruhs;Kevin Schewior;C. Stein
快与慢的思考：跨时间尺度的优化分解
DOI：
10.1109/cdc.2017.8263834
发表时间：
2017
期刊：
56th IEEE Conference on Decision and Control
影响因子：
--
作者：
Goel, Gautam;Chen, Niangjun;Wierman, Adam
通讯作者：
Wierman, Adam