論文の概要: CONFIG: Constrained Efficient Global Optimization for Closed-Loop
Control System Optimization with Unmodeled Constraints
- arxiv url: http://arxiv.org/abs/2211.11822v1
- Date: Mon, 21 Nov 2022 19:44:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 19:30:57.169028
- Title: CONFIG: Constrained Efficient Global Optimization for Closed-Loop
Control System Optimization with Unmodeled Constraints
- Title（参考訳）: CONFIG:非モデル制約を用いた閉ループ制御系最適化のための制約付きグローバル最適化
- Authors: Wenjie Xu, Yuning Jiang, Bratislav Svetozarevic, Colin N. Jones
- Abstract要約: OPTアルゴリズムは未知系の非モデル制約による閉ループ制御性能を最適化するために用いられる。
その結果,提案アルゴリズムは,最適性保証のないCEI (Constrained expecteded Improvement) アルゴリズムと競合する性能を達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 11.523746174066702
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, the CONFIG algorithm, a simple and provably efficient
constrained global optimization algorithm, is applied to optimize the
closed-loop control performance of an unknown system with unmodeled
constraints. Existing Gaussian process based closed-loop optimization methods,
either can only guarantee local convergence (e.g., SafeOPT), or have no known
optimality guarantee (e.g., constrained expected improvement) at all, whereas
the recently introduced CONFIG algorithm has been proven to enjoy a theoretical
global optimality guarantee. In this study, we demonstrate the effectiveness of
CONFIG algorithm in the applications. The algorithm is first applied to an
artificial numerical benchmark problem to corroborate its effectiveness. It is
then applied to a classical constrained steady-state optimization problem of a
continuous stirred-tank reactor. Simulation results show that our CONFIG
algorithm can achieve performance competitive with the popular CEI (Constrained
Expected Improvement) algorithm, which has no known optimality guarantee. As
such, the CONFIG algorithm offers a new tool, with both a provable global
optimality guarantee and competitive empirical performance, to optimize the
closed-loop control performance for a system with soft unmodeled constraints.
Last, but not least, the open-source code is available as a python package to
facilitate future applications.
- Abstract（参考訳）: 本稿では,unmodeled制約のある未知システムの閉ループ制御性能を最適化するために,単純かつ効率的な制約付きグローバル最適化アルゴリズムであるconfigアルゴリズムを適用した。
既存のガウス過程に基づく閉ループ最適化法は、局所収束(例えば、safeopt)のみを保証できるか、あるいは既知の最適性保証(例えば、制約付き期待改善)を全く持たないかのいずれかであるが、最近導入されたconfigアルゴリズムは理論的な大域的最適性保証を享受することが証明されている。
本研究では,アプリケーションにおけるCONFIGアルゴリズムの有効性を実証する。
このアルゴリズムは、最初に人工数値ベンチマーク問題に適用され、その効果を補う。
続いて、連続発振タンク反応器の古典的制約付き定常最適化問題に適用する。
シミュレーションの結果,本アルゴリズムは,既知の最適性保証を持たないcei(constrained expected improvement)アルゴリズムに匹敵する性能を実現することができた。
このように、CONFIGアルゴリズムは、ソフトな非モデル制約を持つシステムの閉ループ制御性能を最適化するために、証明可能なグローバル最適性保証と競合的な経験的性能の両方を備えた新しいツールを提供する。
最後に、オープンソースコードは将来のアプリケーションを容易にするpythonパッケージとして利用可能である。
関連論文リスト
- Provably Faster Algorithms for Bilevel Optimization via Without-Replacement Sampling [96.47086913559289]
勾配に基づくアルゴリズムはバイレベル最適化に広く用いられている。
本研究では,より高速な収束率を実現する非置換サンプリングに基づくアルゴリズムを提案する。
合成および実世界の両方のアプリケーションに対してアルゴリズムを検証する。
論文 参考訳（メタデータ） (2024-11-07T17:05:31Z) - Adaptive Bayesian Optimization for High-Precision Motion Systems [2.073673208115137]
低レベル制御パラメータをオンラインチューニングすることで、適応制御のためのリアルタイム純粋データ駆動モデルフリーアプローチを提案する。
我々は安全かつサンプル効率のよいベイズ最適化アルゴリズムであるGoOSEをベースとした。
半導体産業に応用した実精度運動システムにおけるアルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2024-04-22T21:58:23Z) - Principled Preferential Bayesian Optimization [22.269732173306192]
優先ベイズ最適化(BO)の問題について検討する。
一対の候補解よりも優先的なフィードバックしか持たないブラックボックス関数を最適化することを目指している。
この問題を解決するために,効率的な計算手法を用いた楽観的アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-02-08T02:57:47Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Quantum approximate optimization via learning-based adaptive
optimization [5.399532145408153]
量子近似最適化アルゴリズム(QAOA)は、目的最適化問題の解法として設計されている。
その結果,アルゴリズムは速度,精度,効率,安定性の点で従来の近似よりも大幅に優れていた。
この研究はQAOAの全パワーを解き放つのに役立ち、実践的な古典的なタスクにおいて量子的優位性を達成するための道を開く。
論文 参考訳（メタデータ） (2023-03-27T02:14:56Z) - An Efficient Batch Constrained Bayesian Optimization Approach for Analog
Circuit Synthesis via Multi-objective Acquisition Ensemble [11.64233949999656]
MACE(Multi-objective Acquisition Function Ensemble)を用いた並列化可能なベイズ最適化アルゴリズムを提案する。
提案アルゴリズムは,バッチサイズが15のときの非制約最適化問題に対する微分進化(DE)と比較して,シミュレーション全体の時間を最大74倍削減することができる。
制約付き最適化問題に対して,提案アルゴリズムは,バッチサイズが15の場合に,重み付き改善に基づくベイズ最適化(WEIBO)アプローチと比較して最大15倍の高速化を実現することができる。
論文 参考訳（メタデータ） (2021-06-28T13:21:28Z) - Optimizing Optimizers: Regret-optimal gradient descent algorithms [9.89901717499058]
我々は,後悔最適アルゴリズムの存在,一意性,一貫性について検討する。
制御問題に対する一階最適条件を提供することにより、後悔最適アルゴリズムはそれらの力学において特定の構造を満たす必要があることを示す。
それらを近似する高速な数値法を提案し,長期的後悔を直接最適化する最適化アルゴリズムを生成する。
論文 参考訳（メタデータ） (2020-12-31T19:13:53Z) - Recent Theoretical Advances in Non-Convex Optimization [56.88981258425256]
近年、深層ネットワークにおける非最適化アルゴリズムの解析やデータ問題への関心が高まっており、非最適化のための理論的最適化アルゴリズムの最近の結果の概要を概説する。
論文 参考訳（メタデータ） (2020-12-11T08:28:51Z) - 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) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳（メタデータ） (2020-02-13T05:42:27Z)
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。