論文の概要: Transformer-based Stagewise Decomposition for Large-Scale Multistage Stochastic Optimization

• arxiv url: http://arxiv.org/abs/2404.02583v1
• Date: Wed, 3 Apr 2024 09:08:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 18:00:28.405797
• Title: Transformer-based Stagewise Decomposition for Large-Scale Multistage Stochastic Optimization
• Title（参考訳）: 変圧器を用いた大規模多段階確率最適化のための段階分解
• Authors: Chanyeong Kim, Jongwoong Park, Hyunglip Bae, Woo Chang Kim,
• Abstract要約: 本稿では,トランスフォーマーに基づく段階分解アルゴリズムであるTrranSDDPを紹介する。 本研究では,値関数の分数次線形近似を効率よく生成することを示す。
• 参考スコア（独自算出の注目度）: 1.3124513975412255
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Solving large-scale multistage stochastic programming (MSP) problems poses a significant challenge as commonly used stagewise decomposition algorithms, including stochastic dual dynamic programming (SDDP), face growing time complexity as the subproblem size and problem count increase. Traditional approaches approximate the value functions as piecewise linear convex functions by incrementally accumulating subgradient cutting planes from the primal and dual solutions of stagewise subproblems. Recognizing these limitations, we introduce TranSDDP, a novel Transformer-based stagewise decomposition algorithm. This innovative approach leverages the structural advantages of the Transformer model, implementing a sequential method for integrating subgradient cutting planes to approximate the value function. Through our numerical experiments, we affirm TranSDDP's effectiveness in addressing MSP problems. It efficiently generates a piecewise linear approximation for the value function, significantly reducing computation time while preserving solution quality, thus marking a promising progression in the treatment of large-scale multistage stochastic programming problems.
• Abstract（参考訳）: 大規模マルチステージ確率計画 (MSP) 問題の解法は、確率的双対動的計画法 (SDDP) や、サブプロブレムサイズや問題数の増加など、一般的に用いられる段階分解アルゴリズムとして重要な課題である。 伝統的なアプローチでは、値関数を部分線型凸関数として近似し、段階的部分プロブレムの原始および双対解から次々に下向きの切断平面を蓄積する。 これらの制約を認識し,新しいトランスフォーマーに基づく段階分解アルゴリズムであるTranSDDPを導入する。 この革新的なアプローチはTransformerモデルの構造的利点を活用し、値関数を近似するために下位の切断平面を統合するシーケンシャルな手法を実装している。 数値実験により,MSP問題に対するTranSDDPの有効性が確認された。 値関数のピースワイズ線形近似を効率よく生成し、解品質を維持しながら計算時間を著しく短縮し、大規模多段階確率計画問題の処理における有望な進展を示す。

関連論文リスト

• M-HOF-Opt: Multi-Objective Hierarchical Output Feedback Optimization via Multiplier Induced Loss Landscape Scheduling [4.499391876093543]
  ニューラルワークによってパラメータ化された多くの損失項の多目的最適化のための重み乗算器のオンライン選択に対処する。 本手法は乗算器レスであり,エポックの時間スケールで動作する。 また、既存の多目的ディープラーニング手法の過剰なメモリ要件と重い計算負担を回避する。
  論文  参考訳（メタデータ） (2024-03-20T16:38:26Z)
• Toward TransfORmers: Revolutionizing the Solution of Mixed Integer Programs with Transformers [3.107843027522116]
  混合整数プログラムの課題に対処するためにトランスフォーマーモデルを用いた革新的なディープラーニングフレームワークを導入する。 提案手法は,MIP問題のバイナリ変数の予測にトランスフォーマーを用いた最初の手法である。 本稿では,変圧器ニューラルネットワークを用いてCLSPソリューションを学習する効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-20T21:13:38Z)
• Non-stationary Reinforcement Learning under General Function Approximation [60.430936031067006]
  まず,非定常MDPに対する動的ベルマンエルダー次元(DBE)と呼ばれる新しい複雑性指標を提案する。 提案する複雑性指標に基づいて,SW-OPEAと呼ばれる新しい信頼度セットに基づくモデルフリーアルゴリズムを提案する。 SW-OPEAは,変動予算がそれほど大きくない限り,有効に有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-01T16:19:37Z)
• Numerical Methods for Convex Multistage Stochastic Optimization [86.45244607927732]
  最適化プログラミング(SP)、最適制御(SOC)、決定プロセス(MDP)に焦点を当てる。 凸多段マルコフ問題の解決の最近の進歩は、動的プログラミング方程式のコスト対ゴー関数の切断面近似に基づいている。 切削平面型法は多段階問題を多段階的に扱えるが、状態(決定)変数は比較的少ない。
  論文  参考訳（メタデータ） (2023-03-28T01:30:40Z)
• Neural Stochastic Dual Dynamic Programming [99.80617899593526]
  我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。 $nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
  論文  参考訳（メタデータ） (2021-12-01T22:55:23Z)
• Two-Stage Stochastic Optimization via Primal-Dual Decomposition and Deep Unrolling [86.85697555068168]
  2段階のアルゴリズム最適化は、様々な工学や科学的応用において重要な役割を果たす。 特に長期変数と短期変数が制約の中で結合されている場合、アルゴリズムは効率的ではない。 PDD-SSCAが既存のソリューションよりも優れたパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-05-05T03:36:00Z)
• Conditional gradient methods for stochastically constrained convex minimization [54.53786593679331]
  構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。 私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。 提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
  論文  参考訳（メタデータ） (2020-07-07T21:26:35Z)
• 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)
• Complexity of Stochastic Dual Dynamic Programming [7.177693955272473]
  まず, 簡単な多段最適化問題の解法として, 基本的動的切削平面法が要求する反復数, すなわち複雑性を確立する。 次に、これらの基本的なツールを洗練し、決定論的および双対動的プログラミング手法の反復複雑性を確立する。
  論文  参考訳（メタデータ） (2019-12-16T20:56:46Z)

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。