論文の概要: Tightening Discretization-based MILP Models for the Pooling Problem
using Upper Bounds on Bilinear Terms
- arxiv url: http://arxiv.org/abs/2207.03699v1
- Date: Fri, 8 Jul 2022 05:28:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 08:28:12.024947
- Title: Tightening Discretization-based MILP Models for the Pooling Problem
using Upper Bounds on Bilinear Terms
- Title(参考訳): 双線型項上の上限を用いたプーリング問題の引き締め離散化に基づくミルプモデル
- Authors: Yifu Chen, Christos T. Maravelias, Xiaomin Zhang
- Abstract要約: 線形項による非最適化問題の解法として,離散化に基づく手法が提案されている。
本稿では,離散化に基づくMILPモデルを用いてプール問題の解法を提案する。
- 参考スコア(独自算出の注目度): 2.6253445491808307
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discretization-based methods have been proposed for solving nonconvex
optimization problems with bilinear terms. These methods convert the original
nonconvex optimization problems into mixed-integer linear programs (MILPs).
Compared to a wide range of studies related to methods to convert nonconvex
optimization problems into MILPs, research on tightening the resulting MILP
models is limited. In this paper, we present tightening constraints for the
discretization-based MILP models for the pooling problem. Specifically, we
study tightening constraints derived from upper bounds on bilinear term and
exploiting the structures resulting from the discretization. We demonstrate the
effectiveness of our constraints, showing computational results for MILP models
derived from different formulations for (1) the pooling problem and (2)
discretization-based pooling models. Computational results show that our
methods reduce the computational time for MILP models on CPLEX 12.10. Finally,
we note that while our methods are presented in the context of the pooling
problem, they can be extended to address other nonconvex optimization problems
with upper bounds on bilinear terms.
- Abstract(参考訳): 非凸最適化問題を双線型項で解くために離散化に基づく手法が提案されている。
これらの手法は、元の非凸最適化問題を混合整数線形プログラム(MILP)に変換する。
非凸最適化問題をMILPに変換する手法に関する幅広い研究と比較して、結果のMILPモデルの強化に関する研究は限られている。
本稿では,プール問題に対する離散化に基づくMILPモデルの厳密化制約について述べる。
具体的には, 双線形項上界から引き起こされる制約の厳密化と, 離散化による構造の利用について検討する。
この制約の有効性を実証し,(1)プーリング問題,(2)離散化型プーリングモデルについて異なる定式化から導出したmilpモデルの計算結果を示す。
計算結果から,本手法はcplex 12.10におけるミルプモデルの計算時間を短縮することを示した。
最後に,本手法はプール問題の文脈で提案されるが,双線型項上の上限を持つ他の非凸最適化問題に対処するために拡張可能であることに留意する。
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) - Double Duality: Variational Primal-Dual Policy Optimization for
Constrained Reinforcement Learning [132.7040981721302]
本研究では,訪問尺度の凸関数を最小化することを目的として,制約付き凸決定プロセス(MDP)について検討する。
制約付き凸MDPの設計アルゴリズムは、大きな状態空間を扱うなど、いくつかの課題に直面している。
論文 参考訳(メタデータ) (2024-02-16T16:35:18Z) - 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) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳(メタデータ) (2022-10-21T13:19:45Z) - Faster Algorithm and Sharper Analysis for Constrained Markov Decision
Process [56.55075925645864]
制約付き意思決定プロセス (CMDP) の問題点について検討し, エージェントは, 複数の制約を条件として, 期待される累積割引報酬を最大化することを目的とする。
新しいユーティリティ・デュアル凸法は、正規化ポリシー、双対正則化、ネステロフの勾配降下双対という3つの要素の新たな統合によって提案される。
これは、凸制約を受ける全ての複雑性最適化に対して、非凸CMDP問題が$mathcal O (1/epsilon)$の低い境界に達する最初の実演である。
論文 参考訳(メタデータ) (2021-10-20T02:57:21Z) - Zeroth and First Order Stochastic Frank-Wolfe Algorithms for Constrained
Optimization [13.170519806372075]
2組の制約を持つ凸最適化の問題は、半定値プログラミングの文脈で頻繁に発生する。
最初の制約セットへのプロジェクションは困難であるため、プロジェクションフリーなアルゴリズムを探索する必要がある。
提案アルゴリズムの有効性は, スパース行列推定, 半定緩和によるクラスタリング, および一様スペースカット問題の適用性について検証した。
論文 参考訳(メタデータ) (2021-07-14T08:01:30Z) - Conditional gradient methods for stochastically constrained convex
minimization [54.53786593679331]
構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。
私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。
提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
論文 参考訳(メタデータ) (2020-07-07T21:26:35Z) - Consistency analysis of bilevel data-driven learning in inverse problems [1.0705399532413618]
本稿では,データからの正規化パラメータの適応学習を最適化により検討する。
線形逆問題に対する我々のフレームワークの実装方法を示す。
勾配降下法を用いてオンライン数値スキームを導出する。
論文 参考訳(メタデータ) (2020-07-06T12:23:29Z) - A Survey of Constrained Gaussian Process Regression: Approaches and
Implementation Challenges [0.0]
実証性や有界制約、単調性および凸性制約、微分方程式制約、境界条件制約を含むガウス過程制約のいくつかのクラスの概要を提供する。
本稿では,各手法の背景にある戦略と実装の違いを比較し,制約によってもたらされる計算上の課題について議論する。
論文 参考訳(メタデータ) (2020-06-16T17:03:36Z) - Consistent Second-Order Conic Integer Programming for Learning Bayesian
Networks [2.7473982588529653]
連続観測データからBNのスパースDAG構造を学習する問題について検討する。
この数学的プログラムの最適解は、ある条件下では望ましい統計的性質を持つことが知られている。
ほぼ最適解を得るために, 分岐・結合プロセスの終了に向け, 早期停止条件を提案する。
論文 参考訳(メタデータ) (2020-05-29T00:13:15Z)
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。