論文の概要: Accelerating L-shaped Two-stage Stochastic SCUC with Learning Integrated Benders Decomposition

• arxiv url: http://arxiv.org/abs/2311.10835v1
• Date: Fri, 17 Nov 2023 19:31:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 13:57:50.293306
• Title: Accelerating L-shaped Two-stage Stochastic SCUC with Learning Integrated Benders Decomposition
• Title（参考訳）: 統合ベンダ分解学習によるl型2段確率scucの高速化
• Authors: Fouad Hasan, Amin Kargarian
• Abstract要約: 本稿では,二段階セキュリティ制約付き単位コミットメント問題の解法として,Benders分解の強化版を提案する。 目標は、より厳密なカットを作成し、マスター問題のサイズを小さくすることで、Benders分解の計算コストとメモリ使用量を削減することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Benders decomposition is widely used to solve large mixed-integer problems. This paper takes advantage of machine learning and proposes enhanced variants of Benders decomposition for solving two-stage stochastic security-constrained unit commitment (SCUC). The problem is decomposed into a master problem and subproblems corresponding to a load scenario. The goal is to reduce the computational costs and memory usage of Benders decomposition by creating tighter cuts and reducing the size of the master problem. Three approaches are proposed, namely regression Benders, classification Benders, and regression-classification Benders. A regressor reads load profile scenarios and predicts subproblem objective function proxy variables to form tighter cuts for the master problem. A criterion is defined to measure the level of usefulness of cuts with respect to their contribution to lower bound improvement. Useful cuts that contain the necessary information to form the feasible region are identified with and without a classification learner. Useful cuts are iteratively added to the master problem, and non-useful cuts are discarded to reduce the computational burden of each Benders iteration. Simulation studies on multiple test systems show the effectiveness of the proposed learning-aided Benders decomposition for solving two-stage SCUC as compared to conventional multi-cut Benders decomposition.
• Abstract（参考訳）: ベンダー分解は大きな混合整数問題を解くために広く使われている。 本稿では、機械学習を活用し、二段階確率的セキュリティ制約単位コミットメント(SCUC)を解決するためのBenders分解の強化版を提案する。 この問題はマスター問題と負荷シナリオに対応するサブプロブレムに分解される。 目標は、ベンダー分解の計算コストとメモリ使用量を削減し、よりタイトなカットを作成し、マスター問題のサイズを減らすことである。 回帰ベンダ,分類ベンダ,回帰分類ベンダの3つのアプローチが提案されている。 regressorはロードプロファイルシナリオを読み、サブproblemのobjective function proxy変数を予測し、マスター問題のより厳密なカットを形成する。 基準は、低い限界改善への貢献に関するカットの有用性のレベルを測定するために定義される。 実現可能な領域を形成するために必要な情報を含む有用なカットを、分類学習者と無関係に識別する。 マスター問題に対して有用なカットを反復的に追加し、不要なカットを破棄して各ベンダーイテレーションの計算負担を軽減する。 複数の試験系におけるシミュレーション研究により,従来のマルチカットベンダ分解に比べて2段階scucに対する学習支援ベンダ分解の有効性が示された。

関連論文リスト

• Maximum a Posteriori Inference for Factor Graphs via Benders' Decomposition [0.38233569758620056]
  一般ベイズ因子モデルにおける最大a-ポストペリオーリ推定法を提案する。 ベイジアン・ガウス混合モデルと潜在ディリクレ割り当てに対するMAP推定アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-10-24T19:57:56Z)
• Multi-Granularity Semantic Revision for Large Language Model Distillation [66.03746866578274]
  LLM蒸留における多粒性セマンティックリビジョン法を提案する。 シーケンスレベルでは、シーケンス修正と再生戦略を提案する。 トークンレベルでは、蒸留目的関数として、Kulback-Leibler損失を補正する分布適応クリッピングを設計する。 スパンレベルでは、シーケンスのスパン前処理を利用して、スパン内の確率相関を計算し、教師と学生の確率相関を一貫性に制約する。
  論文  参考訳（メタデータ） (2024-07-14T03:51:49Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
  滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。 提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
  論文  参考訳（メタデータ） (2022-02-26T19:10:48Z)
• Solution Path Algorithm for Twin Multi-class Support Vector Machine [6.97711662470035]
  本論文は, ツインマルチクラスサポートベクトルマシンの高速正規化パラメータチューニングアルゴリズムについて述べる。 新たなサンプルデータセット分割法を採用し,ラグランジアン乗算器は分数線形であることが証明された。 提案手法は,グリッド探索手法の計算コストを指数レベルから定数レベルに削減し,優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2020-05-30T14:05:46Z)
• On Distributed Non-convex Optimization: Projected Subgradient Method For Weakly Convex Problems in Networks [13.385373310554327]
  Moreau subgradient 法は、機械学習における線形シャープネス問題を収束させる。 理論的保証を伴う下位段階法の分散実装を提案する。
  論文  参考訳（メタデータ） (2020-04-28T01:01:49Z)
• Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
  コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。 非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。 また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
  論文  参考訳（メタデータ） (2020-04-11T03:50:59Z)
• Multiclass classification by sparse multinomial logistic regression [10.312968200748116]
  スパース多項ロジスティック回帰による高次元多クラス分類を考察する。 本稿では,複雑性ペナルティを伴うペナル化最大度に基づく特徴選択手法を提案する。 我々は,小クラスと多数のクラスに対応する2つのレギュレーションが存在することを示した。
  論文  参考訳（メタデータ） (2020-03-04T08:44:48Z)
• Accelerating Generalized Benders Decomposition for Wireless Resource Allocation [40.75748765274763]
  一般化ベンダー分解(英: Generalized Benders decomposition、GBD)は、混合整数非線形プログラミング(MINLP)問題に対する大域的最適アルゴリズムである。 本稿では、機械学習(ML)技術を活用し、マスター問題の複雑性の低減を目的としたGBDの高速化を提案する。
  論文  参考訳（メタデータ） (2020-03-03T02:11:42Z)
• Upper Confidence Primal-Dual Reinforcement Learning for CMDP with Adversarial Loss [145.54544979467872]
  マルコフ決定過程(CMDP)に対するオンライン学習の検討 本稿では,遷移モデルから標本化した軌跡のみを必要とする,新しいEmphupper confidence primal-dualアルゴリズムを提案する。 我々の分析では、ラグランジュ乗算過程の新たな高確率ドリフト解析を、高信頼強化学習の記念後悔解析に組み入れている。
  論文  参考訳（メタデータ） (2020-03-02T05:02:23Z)

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。