.png){kind=icon}
返回
A linear programming framework and an improved backtracking strategy for multiple-gradient descent
.png){kind=icon}
OA
AI
DOI：10.1016/j.cam.2025.117324.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种计算在共享无约束域上定义的两个或多个可微函数的共同下降方向的方法。在此基础上，提出了一种用于多目标优化问题的替代性多梯度下降（Multiple-Gradient Descent）过程。该方法的核心是求解一个相对廉价的线性规划（LP）问题，其中目标函数和约束条件由所涉及函数的梯度构造而成。具体而言，LP的构建方式设计为：当共同下降方向不存在时，若存在垂直于所有目标梯度方向的方向，该方法仍能产生该方向。此外，提出了一种定制的回溯策略，通过改进对帕累托集和前沿的探索，增强了多梯度下降方法（特别是与所提出的基于LP的方向计算方法结合时）的性能。理论分析和标准基准问题的实验结果被提供，以评估所提出技术的有效性。
Keyword:
Multiple-gradient descent
Multi-objective optimization
Linear programming
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
2.6
论文数:
336
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容