論文の概要: Methodologies for Selection of Optimal Sites for Renewable Energy Under
a Diverse Set of Constraints and Objectives
- arxiv url: http://arxiv.org/abs/2309.07651v1
- Date: Thu, 14 Sep 2023 12:16:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 15:06:24.851474
- Title: Methodologies for Selection of Optimal Sites for Renewable Energy Under
a Diverse Set of Constraints and Objectives
- Title（参考訳）: 多様な制約・目的条件の下での再生可能エネルギー最適部位の選択方法
- Authors: Arunabha Sen, Christopher Sumnicht, Sandipan Choudhuri, Suli Adeniye,
Amit B. Sen
- Abstract要約: サイト選択問題に対する2つの異なるモデル – 粗い粒度ときめ細かい粒度 – について検討する。
粗粒度モデルを用いて、2つの異なる利益指標に対して保証された性能バウンドを持つ近似アルゴリズムを提供する。
細粒度モデルに対しては,線形プログラムを用いて最適解を求める手法を提案する。
- 参考スコア（独自算出の注目度）: 0.7589678255312521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present methodologies for optimal selection for renewable
energy sites under a different set of constraints and objectives. We consider
two different models for the site-selection problem - coarse-grained and
fine-grained, and analyze them to find solutions. We consider multiple
different ways to measure the benefits of setting up a site. We provide
approximation algorithms with a guaranteed performance bound for two different
benefit metrics with the coarse-grained model. For the fine-grained model, we
provide a technique utilizing Integer Linear Program to find the optimal
solution. We present the results of our extensive experimentation with
synthetic data generated from sparsely available real data from solar farms in
Arizona.
- Abstract（参考訳）: 本稿では,異なる制約条件と目的条件下での再生可能エネルギーサイトの最適選択手法を提案する。
サイト選択問題に対する2つの異なるモデル - 粗粒度と細粒度 - を検討し, 解を求める。
私たちは、サイトをセットアップする利点を測定する複数の異なる方法を考えています。
粗粒度モデルを用いた2つの異なる利益指標に対して,性能が保証された近似アルゴリズムを提供する。
細粒度モデルでは,整数線形プログラムを用いて最適解を求める手法を提案する。
本研究は,アリゾナ州のソーラーファームから得られる少ない実データから得られた合成データを用いた広範囲な実験結果である。
関連論文リスト
- Model Fusion through Bayesian Optimization in Language Model Fine-Tuning [16.86812534268461]
下流タスクのための微調整された事前学習モデルは、様々な領域にまたがる適応性と信頼性で広く採用されているテクニックである。
本稿では,多目的ベイズ最適化により,所望の計量と損失の両方を最適化する新しいモデル融合手法を提案する。
各種下流タスクを対象とした実験では,ベイズ最適化誘導方式による大幅な性能向上が見られた。
論文 参考訳（メタデータ） (2024-11-11T04:36:58Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳（メタデータ） (2024-09-04T14:36:20Z) - Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。
本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。
提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
論文 参考訳（メタデータ） (2024-03-20T00:41:12Z) - Stop Relying on No-Choice and Do not Repeat the Moves: Optimal,
Efficient and Practical Algorithms for Assortment Optimization [38.57171985309975]
本研究では,emphPlackett Luce (PL) を用いたコンソーシアム選択問題に対する効率的なアルゴリズムを開発した。
提案手法は,既存の手法の限界を無視し,実用的かつ確実に最適である。
論文 参考訳（メタデータ） (2024-02-29T07:17:04Z) - Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [42.47298301874283]
拡散モデルを用いてデータ多様体内で最適化を行う。
目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。
提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-02-28T03:09:12Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-10-08T23:39:38Z) - Scalable Distributional Robustness in a Class of Non Convex Optimization
with Guarantees [7.541571634887807]
分散ロバスト最適化 (DRO) は, サンプルベース問題と同様に, 学習におけるロバスト性を示す。
実世界における課題を解くのに十分ではない混合整数クラスタリングプログラム (MISOCP) を提案する。
論文 参考訳（メタデータ） (2022-05-31T09:07:01Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳（メタデータ） (2022-05-05T13:40:08Z) - Learning Proximal Operators to Discover Multiple Optima [66.98045013486794]
非家族問題における近位演算子を学習するためのエンドツーエンド手法を提案する。
本手法は,弱い目的と穏やかな条件下では,世界規模で収束することを示す。
論文 参考訳（メタデータ） (2022-01-28T05:53:28Z) - Model Selection in Batch Policy Optimization [88.52887493684078]
バッチポリシー最適化におけるモデル選択の問題について検討する。
我々は,任意のモデル選択アルゴリズムが競争力を得るために最適にトレードオフすべきという誤りの3つの源を同定する。
論文 参考訳（メタデータ） (2021-12-23T02:31:50Z) - Mixed-Integer Optimization with Constraint Learning [4.462264781248437]
我々は、学習制約を伴う混合整数最適化のための幅広い方法論基盤を確立する。
我々は多くの機械学習手法の混合整数最適化・表現性を利用する。
本手法は,World Food Programme計画と化学療法最適化の両方で実証する。
論文 参考訳（メタデータ） (2021-11-04T20:19:55Z)
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。