論文の概要: DC3: A learning method for optimization with hard constraints
- arxiv url: http://arxiv.org/abs/2104.12225v1
- Date: Sun, 25 Apr 2021 18:21:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-28 05:02:44.493869
- Title: DC3: A learning method for optimization with hard constraints
- Title(参考訳): DC3: 制約付き最適化のための学習方法
- Authors: Priya L. Donti, David Rolnick, J. Zico Kolter
- Abstract要約: この問題に対処するアルゴリズムとして,Deep Constraint Completion and Correction (DC3)を提案する。
DC3は、等式制約を満たす部分解と不等式制約を満たすアンロールベースの補正を暗黙的に完成する。
合成最適化タスクとAC最適電力流の実世界設定の両方でDC3の有効性を実証します。
- 参考スコア(独自算出の注目度): 85.12291213315905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large optimization problems with hard constraints arise in many settings, yet
classical solvers are often prohibitively slow, motivating the use of deep
networks as cheap "approximate solvers." Unfortunately, naive deep learning
approaches typically cannot enforce the hard constraints of such problems,
leading to infeasible solutions. In this work, we present Deep Constraint
Completion and Correction (DC3), an algorithm to address this challenge.
Specifically, this method enforces feasibility via a differentiable procedure,
which implicitly completes partial solutions to satisfy equality constraints
and unrolls gradient-based corrections to satisfy inequality constraints. We
demonstrate the effectiveness of DC3 in both synthetic optimization tasks and
the real-world setting of AC optimal power flow, where hard constraints encode
the physics of the electrical grid. In both cases, DC3 achieves near-optimal
objective values while preserving feasibility.
- Abstract(参考訳): ハード制約を伴う大きな最適化問題は、多くの設定で発生するが、古典的解法はしばしば制限的に遅く、安価な「近似解法」としてディープネットワークの使用を動機付けている。
残念なことに、ナイーブなディープラーニングのアプローチは、一般的にそのような問題の厳しい制約を強制できないため、実現不可能なソリューションに繋がる。
本稿では,この問題に対処するアルゴリズムであるDeep Constraint Completion and Correction(DC3)を提案する。
具体的には、等式制約を満たすために部分解を暗黙的に完成し、不等式制約を満たすために勾配に基づく補正をアンロールする、微分可能な手順によって実現可能である。
本研究では,電気グリッドの物理をハード制約がエンコードする交流最適潮流の合成最適化タスクと実世界設定におけるdc3の有効性を実証する。
どちらの場合も、DC3は実現可能性を維持しながら、ほぼ最適の目標値を達成する。
関連論文リスト
- Learning Constrained Optimization with Deep Augmented Lagrangian Methods [60.94111369773497]
機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。
本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。
これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
論文 参考訳(メタデータ) (2024-03-06T04:43:22Z) - FlowPG: Action-constrained Policy Gradient with Normalizing Flows [14.98383953401637]
ACRL(Action-Constrained reinforcement learning)は、安全クリティカルなリソース関連意思決定問題を解決するための一般的な手法である。
ACRLの最大の課題は、各ステップにおける制約を満たす有効なアクションを取るエージェントを確保することである。
論文 参考訳(メタデータ) (2024-02-07T11:11:46Z) - Self-supervised Equality Embedded Deep Lagrange Dual for Approximate
Constrained Optimization [3.66831710941348]
ニューラルネットワーク(NN)を用いた高速最適近似器としてDeepLDEを提案する。
不等式制約を課すために,DeepLDEと初等・非双対学習法の収束を証明した。
提案したDeepLDEソリューションは,最小のNNベースアプローチ間の最適ラグギャップを実現する。
論文 参考訳(メタデータ) (2023-06-11T13:19:37Z) - An Efficient Learning-Based Solver for Two-Stage DC Optimal Power Flow
with Feasibility Guarantees [7.823240833741512]
本稿では,より効率的かつ最適な方法で2段階問題の解法を提案する。
ゲージマップと呼ばれるテクニックが学習アーキテクチャ設計に組み込まれ、学習したソリューションがネットワークの制約に対して実現可能であることを保証する。
標準IEEEシステムにおけるシミュレーション結果から, 反復解法や広く用いられているアフィンポリシと比較して, 提案手法は良質な解を学習するだけでなく, 桁違いの計算を高速化することがわかった。
論文 参考訳(メタデータ) (2023-04-03T22:56:08Z) - Adaptivity and Non-stationarity: Problem-dependent Dynamic Regret for
Online Convex Optimization [93.71361250701075]
本稿では,スムーズさを生かし,問題依存量による動的後悔のT$への依存を補う新しいオンラインアルゴリズムを提案する。
この結果が本質的な難易度に適応するのは, 既往の結果よりも厳密であり, 最悪の場合, 同一の値が保証されるためである。
論文 参考訳(メタデータ) (2021-12-29T02:42:59Z) - Adversarially Robust Learning for Security-Constrained Optimal Power
Flow [55.816266355623085]
我々は、N-kセキュリティ制約付き最適電力流(SCOPF)の課題に取り組む。
N-k SCOPFは電力網の運用における中核的な問題である。
N-k SCOPF を極小最適化問題とみなす。
論文 参考訳(メタデータ) (2021-11-12T22:08:10Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2020-07-14T12:38:21Z) - Neural Networks for Encoding Dynamic Security-Constrained Optimal Power
Flow [0.0]
本稿では,それまでの難解な最適化制約を捕捉し,それらを混合整数線形プログラムに変換するフレームワークを提案する。
我々は,N-1セキュリティと小信号安定性を考慮した電力系統運用へのアプローチを実証し,コスト最適解を効率的に得る方法を示した。
論文 参考訳(メタデータ) (2020-03-17T21:01:17Z) - Optimizing Wireless Systems Using Unsupervised and
Reinforced-Unsupervised Deep Learning [96.01176486957226]
無線ネットワークにおけるリソース割り当てとトランシーバーは、通常最適化問題の解決によって設計される。
本稿では,変数最適化と関数最適化の両問題を解くための教師なし・教師なし学習フレームワークを紹介する。
論文 参考訳(メタデータ) (2020-01-03T11:01:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。