論文の概要: Fast Block Linear System Solver Using Q-Learning Schduling for Unified
Dynamic Power System Simulations
- arxiv url: http://arxiv.org/abs/2110.05843v1
- Date: Tue, 12 Oct 2021 09:10:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 22:53:19.907992
- Title: Fast Block Linear System Solver Using Q-Learning Schduling for Unified
Dynamic Power System Simulations
- Title(参考訳): 動的系統シミュレーションのためのQラーニングスケジューリングを用いた高速ブロック線形系解法
- Authors: Yingshi Chen and Xinli Song and HanYang Dai and Tao Liu and Wuzhi
Zhong and Guoyang Wu
- Abstract要約: タスクスケジューリングにQ-ラーニングに基づく新しい手法を用いる。
KLUより2~6倍高速であることを示す。
- 参考スコア(独自算出の注目度): 2.1509980377118767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a fast block direct solver for the unified dynamic simulations of
power systems. This solver uses a novel Q-learning based method for task
scheduling. Unified dynamic simulations of power systems represent a method in
which the electric-mechanical transient, medium-term and long-term dynamic
phenomena are organically united. Due to the high rank and large numbers in
solving, fast solution of these equations is the key to speeding up the
simulation. The sparse systems of simulation contain complex nested block
structure, which could be used by the solver to speed up. For the scheduling of
blocks and frontals in the solver, we use a learning based task-tree scheduling
technique in the framework of Markov Decision Process. That is, we could learn
optimal scheduling strategies by offline training on many sample matrices. Then
for any systems, the solver would get optimal task partition and scheduling on
the learned model. Our learning-based algorithm could help improve the
performance of sparse solver, which has been verified in some numerical
experiments. The simulation on some large power systems shows that our solver
is 2-6 times faster than KLU, which is the state-of-the-art sparse solver for
circuit simulation problems.
- Abstract(参考訳): 本稿では,電力系統の統一動的シミュレーションのための高速ブロック直接解法を提案する。
タスクスケジューリングにQ-ラーニングに基づく新しい手法を用いる。
電力系統の統一動的シミュレーションは、電気機械的な過渡現象、中長期の動的現象を有機的に結合する手法である。
解法における高い階数と多数の数のため、これらの方程式の高速解がシミュレーションを高速化する鍵となる。
シミュレーションのスパースシステムは複雑なネストブロック構造を含み、この構造はソルバによって高速に使用することができる。
解法におけるブロックとフロントのスケジューリングには,マルコフ決定プロセスのフレームワークにおいて,学習に基づくタスクツリースケジューリング手法を用いる。
つまり、多くのサンプル行列のオフライントレーニングによって最適なスケジューリング戦略を学べる。
そして、どんなシステムでも、学習したモデル上で最適なタスク分割とスケジューリングが得られる。
学習に基づくアルゴリズムは,いくつかの数値実験で検証されたスパースソルバの性能向上に役立つ。
大規模電力系統のシミュレーションにより,回路シミュレーション問題に対する最先端の分散解法であるkluより2~6倍高速であることが判明した。
関連論文リスト
- Towards Automated Algebraic Multigrid Preconditioner Design Using Genetic Programming for Large-Scale Laser Beam Welding Simulations [0.0]
我々は、利用可能な個々のコンポーネントから効率的なマルチグリッドサイクルを構築するために、進化的アルゴリズムを用いる。
この技術はレーザービーム溶接プロセスの有限要素シミュレーションに適用される。
論文 参考訳(メタデータ) (2024-12-11T08:24:38Z) - Data-Driven H-infinity Control with a Real-Time and Efficient
Reinforcement Learning Algorithm: An Application to Autonomous
Mobility-on-Demand Systems [3.5897534810405403]
本稿では,線形離散時間系のH$_infty$制御を解くために,モデルフリー,リアルタイム,データ効率のQ-ラーニングに基づくアルゴリズムを提案する。
適応最適制御器を設計し、システムダイナミクスの知識を必要とせず、アクションと批評家ネットワークのパラメータをオンラインで学習する。
論文 参考訳(メタデータ) (2023-09-16T05:02:41Z) - Algorithms for perturbative analysis and simulation of quantum dynamics [0.0]
我々はダイソン級数とマグナス展開の両方を計算・利用するための汎用アルゴリズムを開発した。
モデルパラメータ空間の領域における忠実度を近似するためにこれらのツールの使い方を実証する。
計算前のステップを,元法よりも少ない項数で多変数展開問題と表現できることを示す。
論文 参考訳(メタデータ) (2022-10-20T21:07:47Z) - Constructing Optimal Contraction Trees for Tensor Network Quantum
Circuit Simulation [1.2704529528199062]
量子回路シミュレーションにおける重要な問題の1つは、縮退木の構築である。
本稿では,最適な縮尺木を構築するための新しい時間アルゴリズムを提案する。
提案手法は、試験された量子回路の大部分において、優れた結果が得られることを示す。
論文 参考訳(メタデータ) (2022-09-07T02:50:30Z) - Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。
本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。
現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
論文 参考訳(メタデータ) (2022-04-14T17:46:26Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳(メタデータ) (2021-09-16T04:48:13Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳(メタデータ) (2021-04-07T17:59:23Z) - Accelerating GMRES with Deep Learning in Real-Time [0.0]
GMRESの解決までの時間を短縮するために使用できるリアルタイム機械学習アルゴリズムを紹介します。
私たちのフレームワークは、ディープラーニングアルゴリズムをその場で統合する点で、斬新です。
論文 参考訳(メタデータ) (2021-03-19T18:21:38Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳(メタデータ) (2020-12-16T21:43:38Z) - Reinforcement Learning with Fast Stabilization in Linear Dynamical
Systems [91.43582419264763]
未知の安定化線形力学系におけるモデルベース強化学習(RL)について検討する。
本研究では,環境を効果的に探索することで,基盤システムの高速安定化を証明できるアルゴリズムを提案する。
提案アルゴリズムはエージェント環境相互作用の時間ステップで$tildemathcalO(sqrtT)$ regretを達成した。
論文 参考訳(メタデータ) (2020-07-23T23:06:40Z) - Physarum Powered Differentiable Linear Programming Layers and
Applications [48.77235931652611]
一般線形プログラミング問題に対する効率的かつ微分可能な解法を提案する。
本稿では,ビデオセグメンテーションタスクとメタラーニングにおける問題解決手法について述べる。
論文 参考訳(メタデータ) (2020-04-30T01:50:37Z)
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。