論文の概要: A QUBO Formulation for Minimum Loss Spanning Tree Reconfiguration
Problems in Electric Power Networks
- arxiv url: http://arxiv.org/abs/2109.09659v2
- Date: Tue, 15 Mar 2022 18:59:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 05:30:04.372190
- Title: A QUBO Formulation for Minimum Loss Spanning Tree Reconfiguration
Problems in Electric Power Networks
- Title(参考訳): 電力ネットワークにおける最小損失スパンニングツリー再構成問題に対するQUBOの定式化
- Authors: Filipe F. C. Silva, Pedro M. S. Carvalho, Luis A. F. M. Ferreira,
Yasser Omar
- Abstract要約: 分散グリッドの最適再構成のための2次非制約バイナリ最適化(QUBO)を新たに導入する。
一般定式化の具体例として33ノードテストネットワークを用いる。
この例の最適解を求め, 独立手法による最適解との比較により検証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a novel quadratic unconstrained binary optimization (QUBO)
formulation for a classical problem in electrical engineering -- the optimal
reconfiguration of distribution grids. For a given graph representing the grid
infrastructure and known nodal loads, the problem consists in finding the
spanning tree that minimizes the total link ohmic losses. A set of constraints
is initially defined to impose topologically valid solutions. These constraints
are then converted to a QUBO model as penalty terms. The electrical losses
terms are finally added to the model as the objective function to minimize. In
order to maximize the performance of solution searching with classical solvers,
with hybrid quantum-classical solvers and with quantum annealers, our QUBO
formulation has the goal of being very efficient in terms of variables usage. A
standard 33-node test network is used as an illustrative example of our general
formulation. Model metrics for this example are presented and discussed.
Finally, the optimal solution for this example was obtained and validated
through comparison with the optimal solution from an independent method.
- Abstract(参考訳): 配電網の最適再構成である電気工学における古典的問題に対する2次非拘束二元最適化(QUBO)の新たな定式化を導入する。
グリッドインフラストラクチャと既知のノード負荷を表す所定のグラフの場合、問題は、全リンクオーミック損失を最小化するスパンディングツリーを見つけることにある。
制約の集合は最初、位相的に有効な解を課すために定義される。
これらの制約は罰則としてQUBOモデルに変換される。
電気損失項は最終的に最小化の目的関数としてモデルに追加される。
古典的解法,ハイブリッド量子古典解法,および量子アンニールを用いた解探索の性能を最大化するために,我々のQUBO定式化は,変数使用量の観点から非常に効率的であることを目標としている。
一般的な定式化の例として,標準33ノードテストネットワークを用いる。
この例のモデルメトリクスを提示し、議論する。
最後に,本例の最適解を独立な方法による最適解と比較し,検証を行った。
関連論文リスト
- A Hybrid Quantum-Classical Approach to the Electric Mobility Problem [0.8796261172196743]
NP-hard Electric Vehicle Fleet Charging and Allocation Problemのためのハイブリッド量子古典ルーチンを提案する。
分解法の性能を古典的・量子的メタヒューリスティックスで評価する。
提案手法の主な利点は、多くの不等式制約のある現実的な問題に対して量子ベースの方法を可能にすることである。
論文 参考訳(メタデータ) (2023-10-04T12:14:56Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Variational Amplitude Amplification for Solving QUBO Problems [0.0]
本研究は、キュービット重畳状態に適したQUBO問題に焦点をあてる。
我々は、QUBOをコストオラクルの演算として符号化する回路設計を、標準Grover拡散演算子$U_textrms$と組み合わせると、最適および近似最適解に対応する状態の測定確率が高くなることを示す。
論文 参考訳(メタデータ) (2023-01-31T14:33:40Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳(メタデータ) (2022-11-16T18:59:54Z) - Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。
シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文 参考訳(メタデータ) (2022-10-17T17:30:09Z) - Physics-Informed Neural Network Method for Parabolic Differential
Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。
ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。
本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
論文 参考訳(メタデータ) (2022-08-18T05:00:24Z) - Neural-network preconditioners for solving the Dirac equation in lattice
gauge theory [0.5999777817331318]
この研究は、格子量子場理論におけるウィルソン・ディラック正規方程式の解を加速するためのニューラルネットワークベースのプレコンディショナーを開発する。
また、小さな格子体積のアンサンブルで訓練されたプレコンディショナーを用いて、格子体積の何倍も大きいアンサンブルのためのプレコンディショナーを構築することができる。
論文 参考訳(メタデータ) (2022-08-04T15:50:41Z) - Optimization Induced Equilibrium Networks [76.05825996887573]
暗黙の方程式によって定義されるディープニューラルネットワーク(DNN)のような暗黙の平衡モデルは最近ますます魅力的になりつつある。
我々は,パラメータが少ない場合でも,OptEqが従来の暗黙的モデルより優れていることを示す。
論文 参考訳(メタデータ) (2021-05-27T15:17:41Z) - dNNsolve: an efficient NN-based PDE solver [62.997667081978825]
ODE/PDEを解決するためにデュアルニューラルネットワークを利用するdNNsolveを紹介します。
我々は,dNNsolveが1,2,3次元の幅広いODE/PDEを解くことができることを示す。
論文 参考訳(メタデータ) (2021-03-15T19:14:41Z)
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。