KI-gestützte Projektion revolutioniert monotone Optimierung

Monotone Optimierungsprobleme werden traditionell mit speziellen globalen Solver‑Methoden wie dem Polyblock Outer Approximation (POA) gelöst. Diese Verfahren setzen jedoch voraus, dass die Zielfunktion und die Nebenbedingungen explizit vorliegen – ein Anspruch, der in vielen datengetriebenen Anwendungen nicht erfüllt ist.

In der neuen Studie wird ein lernorientierter Ansatz vorgestellt, der KI‑Modelle direkt in den POA‑Algorithmus einbettet. Anstatt die klassische, rechenintensive Bisection‑Methode zu nutzen, wird die Projektion des POA‑Primitives über die radiale Inverse vorhergesagt. Dadurch entfällt ein großer Teil der Laufzeit.

Die Autoren präsentieren Homogeneous‑Monotone Radial Inverse (HM‑RI) Netzwerke – neuronale Architekturen, die Monotonie und Homogenität explizit erzwingen. Diese Eigenschaften ermöglichen eine schnelle und zuverlässige Schätzung der Projektion, ohne die mathematische Struktur des Problems zu verletzen.

Eine theoretische Analyse der radialen Inversen zeigt, dass ein HM‑RI‑Predictor unter milden strukturellen Bedingungen exakt die radiale Inverse einer gültigen Menge monotone Nebenbedingungen repräsentiert. Damit wird die mathematische Konsistenz des Ansatzes garantiert.

Um den Trainingsaufwand zu reduzieren, entwickeln die Forscher relaxierte Monotonie‑Bedingungen, die weiterhin mit POA kompatibel bleiben. Diese Vereinfachungen führen zu einer effizienteren Modellbildung, ohne die Leistungsfähigkeit zu beeinträchtigen.

In umfangreichen Benchmarks – darunter unbestimmte quadratische Programmierung, multiplikative Programmierung und Optimierung der Sendeleistung – erzielt der Ansatz signifikante Geschwindigkeitsvorteile gegenüber direkter Funktionsschätzung. Gleichzeitig bleibt die Lösungsqualität hoch, und die Methode übertrifft Baselines, die die monotone Struktur nicht nutzen.