論文の概要: Data-driven Prediction of Relevant Scenarios for Robust Optimization
- arxiv url: http://arxiv.org/abs/2203.16642v1
- Date: Wed, 30 Mar 2022 19:52:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 16:11:31.656174
- Title: Data-driven Prediction of Relevant Scenarios for Robust Optimization
- Title（参考訳）: ロバスト最適化のための関連シナリオのデータ駆動予測
- Authors: Marc Goerigk and Jannis Kurtz
- Abstract要約: 離散的な不確実性集合を持つロバストな1段階と2段階の問題について検討する。
本稿では,一連の開始シナリオで反復解法をシード化するデータ駆動型計算を提案する。
実験の結果,提案手法によって少数の優れたスタートシナリオを予測しても,反復的手法の時間を大幅に短縮できることがわかった。
- 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: In this work we study robust one- and two-stage problems with discrete
uncertainty sets which are known to be hard to solve even if the underlying
deterministic problem is easy. Popular solution methods iteratively generate
scenario constraints and possibly second-stage variables. This way, by solving
a sequence of smaller problems, it is often possible to avoid the complexity of
considering all scenarios simultaneously. A key ingredient for the performance
of the iterative methods is a good selection of start scenarios. In this paper
we propose a data-driven heuristic to seed the iterative solution method with a
set of starting scenarios that provide a strong lower bound early in the
process, and result in considerably smaller overall solution times compared to
other benchmark methods. Our heuristic learns the relevance of a scenario by
extracting information from training data based on a combined similarity
measure between robust problem instances and single scenarios. Our experiments
show that predicting even a small number of good start scenarios by our method
can considerably reduce the computation time of the iterative methods.
- Abstract（参考訳）: 本研究は,決定論的問題が容易であっても解くのが難しい離散不確実性集合を持つ一段階と二段階の頑健な問題について検討する。
一般的なソリューションメソッドは、シナリオ制約や第2ステージ変数を反復的に生成します。
このように、より小さな問題の列を解くことで、全てのシナリオを同時に考慮する複雑さを避けることができる。
反復的なメソッドのパフォーマンスの重要な要素は、スタートシナリオの優れた選択である。
本稿では,データ駆動型ヒューリスティックによる反復解法を,プロセスの早い段階で強い下界を与える一連の開始シナリオでシードし,その結果,他のベンチマーク手法と比較して解時間を大幅に短縮する手法を提案する。
我々のヒューリスティックは、堅牢な問題インスタンスと単一シナリオの類似度の組み合わせに基づいて、トレーニングデータから情報を抽出することで、シナリオの関連性を学ぶ。
実験の結果,本手法により少数の優れた開始シナリオを予測しても,反復手法の計算時間を著しく短縮できることがわかった。
関連論文リスト
- Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [61.580419063416734]
最近の構造化学習手法のストリームは、様々な最適化問題に対する技術の実践的状態を改善している。
鍵となる考え方は、インスタンスを別々に扱うのではなく、インスタンス上の統計分布を利用することだ。
本稿では,最適化を容易にし,一般化誤差を改善するポリシを摂動することでリスクを円滑にする手法について検討する。
論文 参考訳（メタデータ） (2024-07-24T12:00:30Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Variational Annealing on Graphs for Combinatorial Optimization [7.378582040635655]
解変数間の統計的依存関係を捉える自己回帰的手法は,多くのCO問題に対して優れた性能を示すことを示す。
本稿では,一組の解変数の構成を単一トークンで表すサブグラフトークン化を提案する。
論文 参考訳（メタデータ） (2023-11-23T18:56:51Z) - Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。
これらの問題に対する新規で簡単な最適化法を開発した。
結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
論文 参考訳（メタデータ） (2021-09-23T17:38:24Z) - Faster Randomized Methods for Orthogonality Constrained Problems [4.352318127577628]
ランダム化プレコンディショニングの応用を、データサイエンスで広く普及している別の重要な問題に拡張する方法を示す。
本稿では,支配的正準相関の計算問題とフィッシャー線形判別分析問題について述べる。
論文 参考訳（メタデータ） (2021-06-22T21:15:00Z) - 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) - Beyond Worst-Case Analysis in Stochastic Approximation: Moment
Estimation Improves Instance Complexity [58.70807593332932]
近似問題に対する勾配に基づく手法のオラクル複雑性について検討する。
最悪のケースの複雑さではなく、インスタンス依存の複雑さに焦点を当てます。
提案アルゴリズムとその解析はモーメント推定の成功を理論的に正当化する。
論文 参考訳（メタデータ） (2020-06-08T09:25:47Z) - Statistically Guided Divide-and-Conquer for Sparse Factorization of
Large Matrix [2.345015036605934]
統計的問題をスパース係数回帰として定式化し、分割コンカレントアプローチでそれに取り組む。
第1段階分割では、タスクを1組の同時並列推定(CURE)問題に単純化するための2つの潜時並列アプローチについて検討する。
第2段階分割では、CUREの全解を効率的に追跡するために、一連の単純な増分経路からなる段階学習手法を革新する。
論文 参考訳（メタデータ） (2020-03-17T19:12:21Z) - Complexity of Stochastic Dual Dynamic Programming [7.177693955272473]
まず, 簡単な多段最適化問題の解法として, 基本的動的切削平面法が要求する反復数, すなわち複雑性を確立する。
次に、これらの基本的なツールを洗練し、決定論的および双対動的プログラミング手法の反復複雑性を確立する。
論文 参考訳（メタデータ） (2019-12-16T20:56:46Z) - The Simulator: Understanding Adaptive Sampling in the
Moderate-Confidence Regime [52.38455827779212]
エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。
適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。
我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
論文 参考訳（メタデータ） (2017-02-16T23:42:02Z)
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。