通过使用数据驱动的 Primal-Dual Contextual Bayesian Optimization（PDCBO）方法，研究了室温控制器参数调节问题，旨在最小化能源消耗，同时满足用户的每日温度舒适度要求。实验表明，相比其他基于贝叶斯优化的方法，PDCBO 方法在节省能源消耗的同时能够保持用户日常温度舒适度在可接受的阈值以下，还能自动跟踪时变的舒适度阈值。此外，还研究了在给定能源预算的约束下最小化舒适度不适问题，PDCBO 方法相比于目前的优化方法在保持日常能源消耗在阈值以下的同时，能够降低平均不适度高达 63%。

Oct, 2023

该研究针对具有耦合黑盒约束和已知仿射约束的分布式多智能体贝叶斯优化问题，提出了一种原始 - 对偶分布式算法，其与单智能体情况下黑盒目标函数和约束函数的遗憾 / 违规边界相似。此外，该算法保证了已知仿射约束的累积违规性的 O (N√T) 界，其中 N 是智能体数量。因此，平均样本满足仿射约束的误差不超过 O (N/√T)。此外，我们确定了某些条件，使得我们的算法能够对累积违规率进行更强的限制，并在没有仿射约束的情况下提供最佳迭代收敛。然后，该方法应用于来自高斯过程的采样实例和无线通信的实际最优功率分配问题；结果表明我们的方法既能提供接近最优的性能，又能保持平均违规性较小，验证了我们的理论分析。

Oct, 2023

研究了具有先验未知约束的贝叶斯优化及其在优化问题中的应用，并提供了解决此类问题的通用框架，并在潜在 Dirichlet 分配，神经网络调整和哈密顿蒙特卡罗优化等问题中进行了有效性实证。

Mar, 2014

我们提出了一种新颖的基于梯度的在线优化框架，用于解决在网络物理和机器人系统中经常出现的随机规划问题。我们的问题形式化考虑了模拟网络物理系统的约束条件，该系统通常具有连续的状态和动作空间，是非线性的，并且状态只被部分观测到。我们还在学习过程中将动力学的近似模型作为先验知识纳入其中，并表明即使是动力学的粗略估计也能显着改善算法的收敛性。我们的在线优化框架包括梯度下降和拟牛顿方法，并在非凸环境中对我们的算法进行了统一的收敛性分析。我们还研究了系统动力学建模误差对算法收敛速度的影响。最后，我们在柔性梁、四足行走机器人的仿真和乒乓球机器人的实际实验中评估了我们的算法。

Apr, 2024

在这项工作中，我们提出了一种基于 GoOSE 算法的实时纯数据驱动的自适应控制方法，用于在线调整低级控制器参数，从而处理性能和稳定性的要求，并通过修改负载和参考步长将其与插值约束优化方法进行比较，用于评估算法在半导体行业应用中实现的真实精密运动系统的性能。

Apr, 2024

该论文研究了在线最优控制问题，提出了一种基于 OGD-BZ 算法的解决方案，并分析了该算法的策略遗憾问题。

Oct, 2020

使用贝叶斯优化方法，利用核密度估计来在线学习连续环境变量的概率密度函数，提出了两个算法来优化函数在未知分布下的期望，实验证明这两个算法的效果有效。

Dec, 2023

该论文研究在线控制问题，通过使用单一无噪声轨迹计算干扰累积并通过在线梯度下降更新参数，提出了一种数据驱动的策略来减小控制器的后悔。

Aug, 2023

本文研究了具有时间变化的约束条件的在线凸优化问题，并提出了一种算法，其收敛性具有一定的时间复杂度，并且可以在没有先验知识的情况下达到无偏的最优解。

Feb, 2017

提出和分析一种新型的 Follow-the-Perturbed-Leader 类型算法，用于在线方式解决一般的长期受约束的优化问题，其中目标和约束不一定是凸的。通过将随机线性扰动和强凸扰动分别引入原始和对偶方向，搜索全局极小极大点作为解决方案，并基于两个特定的预期静态累积遗憾定义，推导出这类问题的第一个次线性 $O (T^{8/9})$ 遗憾复杂度。该算法应用于解决长期（风险）受约束的河流污染源辨识问题，验证了理论结果的有效性，并表现出比现有方法更优越的性能。

Nov, 2023