Fugu-MT 論文翻訳(概要): Combinatorial Auctions and Graph Neural Networks for Local Energy Flexibility Markets

論文の概要: Combinatorial Auctions and Graph Neural Networks for Local Energy Flexibility Markets

arxiv url: http://arxiv.org/abs/2307.13470v1
Date: Tue, 25 Jul 2023 13:01:25 GMT
ステータス: 処理完了
システム内更新日: 2023-07-26 17:06:23.348002
Title: Combinatorial Auctions and Graph Neural Networks for Local Energy Flexibility Markets
Title（参考訳）: 地域エネルギーフレキシビリティ市場のための組合せオークションとグラフニューラルネットワーク
Authors: Awadelrahman M. A. Ahmed, Frank Eliassen and Yan Zhang
Abstract要約: 本稿では,地域エネルギー自由市場のための新しいオークションフレームワークを提案する。本稿では、単純だが強力な三部グラフ表現とグラフニューラルネットワークに基づくモデルの設計について述べる。
参考スコア（独自算出の注目度）: 5.518608095840581
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This paper proposes a new combinatorial auction framework for local energy flexibility markets, which addresses the issue of prosumers' inability to bundle multiple flexibility time intervals. To solve the underlying NP-complete winner determination problems, we present a simple yet powerful heterogeneous tri-partite graph representation and design graph neural network-based models. Our models achieve an average optimal value deviation of less than 5\% from an off-the-shelf optimization tool and show linear inference time complexity compared to the exponential complexity of the commercial solver. Contributions and results demonstrate the potential of using machine learning to efficiently allocate energy flexibility resources in local markets and solving optimization problems in general.
Abstract（参考訳）: 本稿では,複数のフレキシブル時間間隔をバンドルできないプロプライマーの問題に対処する,地域エネルギー自由市場のための新しい組み合わせオークションフレームワークを提案する。 NP完全勝者決定問題の解法として、単純だが強力な三部グラフ表現とグラフニューラルネットワークモデルの設計を提案する。本モデルでは,市販の最適化ツールから平均最適値の偏差を5倍以下に抑え,市販の解法に比べて線形推論時間の複雑さを示す。コントリビューションと結果は、機械学習を用いて地域市場におけるエネルギー柔軟性資源を効率的に配分し、一般に最適化問題を解く可能性を示している。

関連論文リスト

DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-08-13T07:56:21Z)
Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文参考訳（メタデータ） (2024-05-07T17:44:54Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
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。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
Flex-Net: A Graph Neural Network Approach to Resource Management in Flexible Duplex Networks [11.89735327420275]
本研究では,静的時間スケジューリングを伴わないフレキシブルネットワークの総和率について検討する。 NPハードな無線リソース管理問題におけるグラフネットワーク(GNN)の最近の成功により、我々はFlex-Netという新しいGNNアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-01-20T12:49:21Z)
Symmetric Tensor Networks for Generative Modeling and Constrained Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文参考訳（メタデータ） (2022-11-16T18:59:54Z)
End-to-End Pareto Set Prediction with Graph Neural Networks for Multi-objective Facility Location [10.130342722193204]
施設配置問題(FLP)は、サプライチェーンやロジスティクスで広く見られるNPハード最適化問題の典型的なクラスである。本稿では,システム全体のコストを同時に最小化し,システム信頼性を最大化する多目的施設配置問題(MO-FLP)について考察する。ノードとエッジの暗黙グラフ表現を学習するために、2つのグラフニューラルネットワークを構築した。
論文参考訳（メタデータ） (2022-10-27T07:15:55Z)
Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
論文参考訳（メタデータ） (2022-10-17T17:30:09Z)
Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels [67.81799703916563]
低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
論文参考訳（メタデータ） (2021-05-10T17:42:01Z)
A Fast Graph Neural Network-Based Method for Winner Determination in Multi-Unit Combinatorial Auctions [44.14410999484577]
オークション(Auction, ACA)は、クラウドコンピューティングを含むさまざまな分野におけるリソース割り当ての効率的なメカニズムである。競売人の収入を最大化するために入札者間でアイテムを割り当てることの問題は、NP完全で解決不可能である。本稿では、機械学習(ML)技術を活用して、この問題を解決するための新たな低複雑さアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-29T00:22:37Z)
Regularized Online Allocation Problems: Fairness and Beyond [7.433931244705934]
本稿では, 総資源消費に作用する非線形正規化器を含む変種である, 語彙化オンライン割当問題を紹介する。この問題では、要求は時間とともに繰り返し届き、各要求に対して、意思決定者は報酬を生成しリソースを消費するアクションを取る必要があります。目的は、資源制約を受ける加算可分な報酬と非分離可正則化器の値とを同時に最大化することである。
論文参考訳（メタデータ） (2020-07-01T14:24:58Z)
Erdos Goes Neural: an Unsupervised Learning Framework for Combinatorial Optimization on Graphs [35.14404918074861]
本研究では,グラフ上での組合せ最適化問題に対する教師なし学習フレームワークを提案する。エルドスの確率論的手法に触発され、ニューラルネットワークを用いて集合上の確率分布をパラメータ化する。ネットワークが適切に選択された損失に最適化された場合、学習された分布は、制御された確率、低コストな積分解を含むことを示す。
論文参考訳（メタデータ） (2020-06-18T16:13:36Z)

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。