肖现涛

个人信息Personal Information

教授

博士生导师

硕士生导师

性别:男

毕业院校:大连理工大学

学位:博士

所在单位:数学科学学院

办公地点:海山楼(大黑楼)B1107

电子邮箱:xtxiao@dlut.edu.cn

扫描关注

个人简介Personal Profile

 肖现涛,大连理工大学数学科学学院,教授、博士生导师,担任运筹学与控制论研究所所长。他于2003年7月获郑州大学系统科学与数学系理学学士学位,2009年7月获大连理工大学数学科学学院运筹学与控制论专业理学博士学位。2009年7月至今在大连理工大学数学科学学院工作,2021年12月晋升为教授,2019年7月开始担任博士生导师。他的研究兴趣为数学优化的理论、算法和应用,具体包括非凸随机优化算法、求解期望约束随机优化的随机近似算法、求解复合优化问题的二阶算法、求解机会约束优化的光滑化方法和逆优化问题的研究等。部分论文发表在SIAM Journal on Optimization、Mathematics of Operations Research、INFORMS Journal on Computing、Journal of Scientific Computing、SCIENCE CHINA Mathematics、JOTA等期刊。主持国家自然科学基金面上项目(2项)、青年基金、天元基金,教育部博士点基金(新教师类)。参与国家重点研发计划‘数学和应用研究’专项、国家自然科学基金重大研究计划-培育项目、面上基金,教育部人文社科项目。中国运筹学会数学规划分会理事,中国运筹学会智能工业数据解析与优化专业委员会理事。


主讲本科生必修课《优化方法》、工科研究生《优化方法》、本科生选修课《运筹学》、研究生课程《非线性最优化基础》、《随机优化》、《数值优化》等。主编教材两部,《最优化方法》(大连理工大学出版社出版,2021),《数值优化方法》(高教出版社出版,2022)。荣获2017年校教学质量优良奖。指导学生获2020届校优秀毕业论文。


个人主页: https://xiantaoxiao.github.io


主要研究成果


(1) 求解复合优化的二阶算法

复合优化在包括机器学习、图像处理、信号处理、统计等诸多领域有广泛的应用,求解它的一阶算法众多,但是收敛速度较慢,这在理论上是无法克服的。由于复合优化的非光滑特性使得二阶算法的构造困难。我们通过利用一阶算法的不动点迭代,构造了带正则投影步的半光滑牛顿法,有良好的数值效果,引起了一定的关注。然后,我们又将该算法应用于求解随机复合优化问题,构造了随机半光滑牛顿法,证明了该算法的概率1的全局收敛性和期望意义下的局部收敛速度。

相关论文

1. X. Xiao, Y. Li, Z. Wen, L. Zhang. A regularized semi-smooth Newton method with projection steps for composite convex programs. Journal of Scientific Computing, 2018, 76(1), 364-389 https://doi.org/10.1007/s10915-017-0624-3

2. A. Milzarek, X. Xiao, S. Cen, Z. Wen, M. Ulbrich. A stochastic semismooth Newton method for nonsmooth nonconvex optimization. SIAM Journal on Optimization, 2019, 29(4), 2916-2948 https://doi.org/10.1137/18M1181249

3. A. Milzarek, X. Xiao, Z. Wen, M. Ulbrich. On the local convergence of a stochastic semismooth Newton method for nonsmooth nonconvex optimization. SCIENCE CHINA Mathematics, 2022, 65(10):2151-2170 https://doi.org/10.1007/s11425-020-1865-1


(2) 求解期望约束随机优化的随机近似算法

带多个期望函数不等式约束的随机优化问题是随机优化领域的标准模型,在机器学习、投资组合等领域有很多的应用,但是求解该问题的有效算法目前还比较少。我们首先构造了一类求解该问题的随机近似算法---惩罚随机近似算法,建立了该算法的几乎肯定意义下的全局收敛性和期望意义下的收敛速度。然后我们又构造了一类随机增广拉格朗日型算法---随机临近乘子法。为了解决子问题难以求解的缺点,我们还进一步提出了基于模型的随机临近乘子法。根据问题的特性,通过选取适当的模型,可以使得子问题有效求解。

相关论文

1. X. Xiao. Penalized stochastic gradient methods for stochastic convex optimization with expectation constraints. Optimization-online

2. L. Zhang, Y. Zhang, X. Xiao, J. Wu. Stochastic Approximation Proximal Method of Multipliers for Convex Stochastic Programming. Mathematics of Operations Research, 2023, 48(1):177-193 https://doi.org/10.1287/moor.2022.1257

3. L. Zhang, Y. Zhang, J. Wu, X. Xiao. Solving Stochastic Optimization with Expectation Constraints Efficiently by a Stochastic Augmented Lagrangian-Type Algorithm. INFORMS Journal on Computing, 2022, 34(6), 2989-3006 https://doi.org/10.1287/ijoc.2022.1228



(3) 求解机会约束优化问题的光滑化方法

机会约束是处理优化问题中随机因素最常用最有效的手段之一,但是由于机会约束本身是非光滑非凸的,难以处理。针对机会约束的非光滑特性,我们提出了一个光滑化框架,将机会约束转化为近似的光滑约束,并应用序列凸近似算法进行求解。基于变分分析的理论,我们讨论了近似问题的最优解和最优值与原问题的最优解与最优值的关系。该成果在机会约束优化领域引起了一定的关注。

相关论文

1. F. Shan, L. Zhang, X. Xiao. A smoothing function approach to joint chance-constrained programs. Journal of Optimization Theory and Applications, 2014, 163(1), 181-199 https://doi.org/10.1007/s10957-013-0513-3

2. F. Shan, X. Xiao, L. Zhang. Convergence analysis on a smoothing approach to joint chance constrained programs. Optimization, 2016, 65(12), 2171-2193 https://doi.org/10.1080/02331934.2016.1233551




  • 教育经历Education Background
  • 工作经历Work Experience
  • 研究方向Research Focus
  • 社会兼职Social Affiliations
  • 大规模优化问题的随机方法
  • 机会约束优化
  • 特殊结构凸规划的二阶算法