論文の概要: Accelerating genetic optimization of nonlinear model predictive control
by learning optimal search space size
- arxiv url: http://arxiv.org/abs/2305.08094v1
- Date: Sun, 14 May 2023 08:10:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 17:45:08.704199
- Title: Accelerating genetic optimization of nonlinear model predictive control
by learning optimal search space size
- Title（参考訳）: 最適探索空間サイズ学習による非線形モデル予測制御の遺伝的最適化
- Authors: Eslam Mostafa, Hussein A. Aly, Ahmed Elliethy
- Abstract要約: 本稿では,最適空間サイズを学習することで,NMPCの最適化を高速化する手法を提案する。
提案手法を2つの非線形システムで比較し,他の2つのNMPC手法と比較した。
- 参考スコア（独自算出の注目度）: 0.8057006406834467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nonlinear model predictive control (NMPC) solves a multivariate optimization
problem to estimate the system's optimal control inputs in each control cycle.
Such optimization is made more difficult by several factors, such as
nonlinearities inherited in the system, highly coupled inputs, and various
constraints related to the system's physical limitations. These factors make
the optimization to be non-convex and hard to solve traditionally. Genetic
algorithm (GA) is typically used extensively to tackle such optimization in
several application domains because it does not involve differential
calculation or gradient evaluation in its solution estimation. However, the
size of the search space in which the GA searches for the optimal control
inputs is crucial for the applicability of the GA with systems that require
fast response. This paper proposes an approach to accelerate the genetic
optimization of NMPC by learning optimal search space size. The proposed
approach trains a multivariate regression model to adaptively predict the best
smallest search space in every control cycle. The estimated best smallest size
of search space is fed to the GA to allow for searching the optimal control
inputs within this search space. The proposed approach not only reduces the
GA's computational time but also improves the chance of obtaining the optimal
control inputs in each cycle. The proposed approach was evaluated on two
nonlinear systems and compared with two other genetic-based NMPC approaches
implemented on the GPU of a Nvidia Jetson TX2 embedded platform in a
processor-in-the-loop (PIL) fashion. The results show that the proposed
approach provides a 39-53\% reduction in computational time. Additionally, it
increases the convergence percentage to the optimal control inputs within the
cycle's time by 48-56\%, resulting in a significant performance enhancement.
The source code is available on GitHub.
- Abstract（参考訳）: 非線形モデル予測制御(NMPC)は、制御サイクル毎にシステムの最適制御入力を推定するために多変量最適化問題を解く。
このような最適化は、システム内で継承された非線形性、高度に結合された入力、システムの物理的制限に関連する様々な制約などによってより困難にされている。
これらの要因により、最適化は非凸であり、伝統的に解決するのは難しい。
遺伝的アルゴリズム(GA)は、解推定に差分計算や勾配評価を含まないため、いくつかのアプリケーション領域でそのような最適化に取り組むために一般的に広く使われている。
しかし、GAが最適制御入力を探索する検索空間のサイズは、迅速な応答を必要とするシステムによるGAの適用性に不可欠である。
本稿では,NMPCの遺伝的最適化を最適探索空間サイズを学習することで高速化する手法を提案する。
提案手法は多変量回帰モデルを訓練し,制御サイクル毎に最小探索空間を適応的に予測する。
この探索空間内の最適制御入力を探索できるように、推定最小の探索空間がGAに供給される。
提案手法はgaの計算時間を短縮するだけでなく,各サイクルにおける最適制御入力を得る可能性を向上させる。
提案手法は2つの非線形システム上で評価され、Nvidia Jetson TX2組み込みプラットフォームのGPU上に実装された他の2つの遺伝的NMPCアプローチと比較された。
その結果,提案手法は計算時間を39-53\%削減できることがわかった。
さらに、サイクル時間内の最適な制御入力に対する収束率を48-56\%増加させ、結果として大幅な性能向上をもたらす。
ソースコードはgithubで公開されている。
関連論文リスト
- Scalable Bayesian Optimization via Focalized Sparse Gaussian Processes [8.40647440727154]
我々は,より効率的な表現力を検索空間の関連領域に割り当てることのできる,疎いGPを用いたベイズ最適化アルゴリズムについて論じる。
本研究では,FocalBOが大量のオフラインおよびオンラインデータを効率よく活用し,ロボット形態学設計における最先端性能と585次元筋骨格系を制御できることを示す。
論文 参考訳（メタデータ） (2024-12-29T06:36:15Z) - Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection [0.0]
本研究では,Frog-Snake prey-predation Relationship Optimization (FSRO)アルゴリズムを提案する。
カエルとヘビの捕食関係から着想を得て、離散最適化問題に適用した。
提案アルゴリズムは26種類の機械学習データセットを用いて特徴選択に関する計算実験を行う。
論文 参考訳（メタデータ） (2024-02-13T06:39:15Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。
本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
論文 参考訳（メタデータ） (2023-01-30T15:46:39Z) - Genetically Modified Wolf Optimization with Stochastic Gradient Descent
for Optimising Deep Neural Networks [0.0]
本研究の目的は、人口ベースメタヒューリスティックアルゴリズムを用いて、ニューラルネットワーク(NN)重み付けを最適化するための代替アプローチを分析することである。
Grey Wolf (GWO) と Genetic Modified Algorithms (GA) のハイブリッドをグラディエント・Descent (SGD) と組み合わせて検討した。
このアルゴリズムは、高次元性の問題にも対処しながら、エクスプロイトと探索の組み合わせを可能にする。
論文 参考訳（メタデータ） (2023-01-21T13:22:09Z) - High-dimensional Bayesian Optimization Algorithm with Recurrent Neural
Network for Disease Control Models in Time Series [1.9371782627708491]
本稿では,リカレントニューラルネットワークを組み合わせた高次元ベイズ最適化アルゴリズムを提案する。
提案したRNN-BOアルゴリズムは,低次元空間における最適制御問題を解くことができる。
また、RNN層の異なる数の影響や、ソリューションの品質と関連する計算努力のトレードオフに対する訓練のエポックスについても論じる。
論文 参考訳（メタデータ） (2022-01-01T08:40:17Z) - High dimensional Bayesian Optimization Algorithm for Complex System in
Time Series [1.9371782627708491]
本稿では,新しい高次元ベイズ最適化アルゴリズムを提案する。
モデルの時間依存特性や次元依存特性に基づいて,提案アルゴリズムは次元を均等に低減することができる。
最適解の最終精度を高めるために,提案アルゴリズムは,最終段階におけるアダムに基づく一連のステップに基づく局所探索を追加する。
論文 参考訳（メタデータ） (2021-08-04T21:21:17Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Global Optimization of Gaussian processes [52.77024349608834]
少数のデータポイントで学習したガウス過程を訓練した空間定式化を提案する。
このアプローチはまた、より小さく、計算的にもより安価なサブソルバを低いバウンディングに導く。
提案手法の順序の順序による時間収束を,総じて低減する。
論文 参考訳（メタデータ） (2020-05-21T20:59:11Z) - 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) - Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。
本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。
その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文 参考訳（メタデータ） (2020-02-04T20:00:28Z)
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。