論文の概要: Towards Accelerating Benders Decomposition via Reinforcement Learning Surrogate Models

• arxiv url: http://arxiv.org/abs/2307.08816v1
• Date: Mon, 17 Jul 2023 20:11:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 17:18:47.680214
• Title: Towards Accelerating Benders Decomposition via Reinforcement Learning Surrogate Models
• Title（参考訳）: 強化学習サロゲートモデルによるベンダー分割促進に向けて
• Authors: Stephen Mak, Kyle Mana, Parisa Zehtabi, Michael Cashmore, Daniele Magazzeni, Manuela Veloso
• Abstract要約: 本稿では,NP-hard整数マスター問題の代わりに代理モデルを用いてBenders分解(BD)を高速化する手法を提案する。 我々は、他の加速BD実装と比較して平均収束率が30%速いことを観察した。
• 参考スコア（独自算出の注目度）: 18.73792945351436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic optimization (SO) attempts to offer optimal decisions in the presence of uncertainty. Often, the classical formulation of these problems becomes intractable due to (a) the number of scenarios required to capture the uncertainty and (b) the discrete nature of real-world planning problems. To overcome these tractability issues, practitioners turn to decomposition methods that divide the problem into smaller, more tractable sub-problems. The focal decomposition method of this paper is Benders decomposition (BD), which decomposes stochastic optimization problems on the basis of scenario independence. In this paper we propose a method of accelerating BD with the aid of a surrogate model in place of an NP-hard integer master problem. Through the acceleration method we observe 30% faster average convergence when compared to other accelerated BD implementations. We introduce a reinforcement learning agent as a surrogate and demonstrate how it can be used to solve a stochastic inventory management problem.
• Abstract（参考訳）: 確率最適化(SO)は不確実性の存在下で最適な決定を下そうとする。 多くの場合 これらの問題の古典的な定式化は (a)不確実性を捉えるのに必要なシナリオの数、及び (b)現実世界の計画問題の離散的性質。 これらのトラクタビリティ問題を解決するために、実践者は問題をより小さく、よりトラクタブルなサブプロブレムに分割する分解方法に目を向ける。 本論文の焦点分解法は,シナリオ独立性に基づいて確率的最適化問題を分解するBenders decomposition (BD) である。 本稿では,NP-hard整数マスター問題の代わりに代理モデルを用いてBDを高速化する手法を提案する。 加速度法により、他の加速BD実装と比較して30%高速な平均収束を観測する。 本稿では,強化学習エージェントをサロゲートとして導入し,確率的在庫管理問題の解法を実証する。

関連論文リスト

• A Pure Quantum Approximate Optimization Algorithm Based on CNR Operation [0.0]
  汎用的な純粋量子近似最適化アルゴリズムを提案する。 このアルゴリズムは$p$レベルの分割・対数構造に構成されている。 2つの最適化問題の必要なキュービット数が10である場合、アルゴリズムの性能を詳細に示す。
  論文  参考訳（メタデータ） (2023-10-27T06:54:39Z)
• Accelerated First-Order Optimization under Nonlinear Constraints [73.2273449996098]
  我々は、制約付き最適化のための一階アルゴリズムと非滑らかなシステムの間で、新しい一階アルゴリズムのクラスを設計する。 これらのアルゴリズムの重要な性質は、制約がスパース変数の代わりに速度で表されることである。
  論文  参考訳（メタデータ） (2023-02-01T08:50:48Z)
• 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)
• Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
  バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。 両レベル最適化のための2つの新しいアルゴリズムを提案する。 両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
  論文  参考訳（メタデータ） (2021-06-08T21:05:30Z)
• 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)
• Optimal and Practical Algorithms for Smooth and Strongly Convex Decentralized Optimization [21.555331273873175]
  ネットワークのノードにまたがるスムーズな凸関数の和を分散化最小化する作業について検討する。 本稿では,この分散最適化問題に対する2つの新しいアルゴリズムを提案し,複雑性を保証する。
  論文  参考訳（メタデータ） (2020-06-21T11:23:20Z)
• Effective Dimension Adaptive Sketching Methods for Faster Regularized Least-Squares Optimization [56.05635751529922]
  スケッチに基づくL2正規化最小二乗問題の解法を提案する。 我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
  論文  参考訳（メタデータ） (2020-06-10T15:00:09Z)
• Private Stochastic Convex Optimization: Optimal Rates in Linear Time [74.47681868973598]
  本研究では,凸損失関数の分布から得られた個体群損失を最小化する問題について検討する。 Bassilyらによる最近の研究は、$n$のサンプルを与えられた過剰な人口損失の最適境界を確立している。 本稿では,余剰損失に対する最適境界を達成するとともに,$O(minn, n2/d)$グラデーション計算を用いて凸最適化アルゴリズムを導出する2つの新しい手法について述べる。
  論文  参考訳（メタデータ） (2020-05-10T19:52:03Z)

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。