論文の概要: Electric Power Demand Portfolio Optimization by Fermionic QAOA with Self-Consistent Local Field Modulation
- arxiv url: http://arxiv.org/abs/2505.02282v1
- Date: Sun, 04 May 2025 22:44:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.528925
- Title: Electric Power Demand Portfolio Optimization by Fermionic QAOA with Self-Consistent Local Field Modulation
- Title（参考訳）: 自己整合性局所場変調を用いたフェルミオンQAOAによる電力需要ポートフォリオ最適化
- Authors: Takuya Yoshioka, Keita Sasada, Yuichiro Nakano, Keisuke Fujii,
- Abstract要約: 我々は、フェミオンQAOAを改善し、最小限のリスクで目標電力量の発電を目的とした電力需要ポートフォリオの最適化に適用する。
我々の新しいアルゴリズムであるFQAOA-SCLFMは、運転者ハミルトンの自己整合局所場変調(SCLFM)を利用して、目標電力量の制約を近似的に積分することができる。
- 参考スコア（独自算出の注目度）: 13.675793501531256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantum Approximation Optimization Algorithms (QAOA) have been actively developed, among which Fermionic QAOA (FQAOA) has been successfully applied to financial portfolio optimization problems. We improve FQAOA and apply it to the optimization of electricity demand portfolios aiming to procure a target amount of electricity with minimum risk. Our new algorithm, FQAOA-SCLFM, allows approximate integration of constraints on the target amount of power by utilizing self-consistent local field modulation (SCLFM) in a driver Hamiltonian. We demonstrate that this approach performs better than the currently widely used $XY$-QAOA and the previous FQAOA in all instances subjected to this study.
- Abstract（参考訳）: 量子近似最適化アルゴリズム (QAOA) は, 金融ポートフォリオ最適化問題へのFermionic QAOA (FQAOA) の適用に成功している。
我々は、FQAOAを改善し、最小限のリスクで目標電力量の発電を目的とした電力需要ポートフォリオの最適化に適用する。
我々の新しいアルゴリズムであるFQAOA-SCLFMは、運転者ハミルトンの自己整合局所場変調(SCLFM)を利用して、目標電力量の制約を近似的に積分することができる。
この手法は、現在広く使われている$XY$-QAOAや、この研究の対象となっているすべての事例において、以前のFQAOAよりも優れていることを示す。
関連論文リスト
- Energy Optimized Piecewise Polynomial Approximation Utilizing Modern Machine Learning Optimizers [0.9208007322096533]
カムプロファイルにおける弾性ひずみエネルギーを最小限に抑える枠組みを導入し,よりスムーズな運動を実現する。
実験により本手法の有効性が確認され, エネルギー消費に対する近似品質の可能性が確認された。
論文 参考訳（メタデータ） (2025-03-12T12:23:15Z) - QCQP-Net: Reliably Learning Feasible Alternating Current Optimal Power
Flow Solutions Under Constraints [4.1920378271058425]
本稿では,ACOPFネットワークに計算効率よく入力をマッピングする新しい計算学習ACOPFを提案する。
提案手法は,既存のアプローチが失敗する状況において,優れた実現可能性率とコストを達成できることをシミュレーションにより示す。
論文 参考訳（メタデータ） (2024-01-11T20:17:44Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Mean-Field Approximate Optimization Algorithm [0.17812428873698405]
平均場近似最適化アルゴリズム(平均場AOA)は、QAOAの量子進化を古典的なスピン力学に置き換えることで開発された。
我々は,シェリントン・カークパトリック(SK)モデルにおけるQAOAとパーティション問題を比較検討した。
そこで本アルゴリズムは,古典的に解けない問題から解ける最適化問題を記述するためのツールとして機能する。
論文 参考訳（メタデータ） (2023-03-01T08:47:06Z) - GP CC-OPF: Gaussian Process based optimization tool for
Chance-Constrained Optimal Power Flow [54.94701604030199]
Gaussian Process (GP) ベースのChance-Constrained Optimal Flow (CC-OPF) は、電力グリッドにおけるエコノミックディスパッチ(ED)問題のためのオープンソースのPythonコードである。
CC-OPモデルに基づく新しいデータ駆動手法を提案し,複雑性と精度のトレードオフにより大規模な回帰問題を解く。
論文 参考訳（メタデータ） (2023-02-16T17:59:06Z) - Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian
Processes [57.70237375696411]
入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。
提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
論文 参考訳（メタデータ） (2022-08-30T09:27:59Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳（メタデータ） (2022-07-21T23:02:35Z) - Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。
我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。
すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
論文 参考訳（メタデータ） (2020-10-01T18:14:11Z) - A Dynamical Systems Approach for Convergence of the Bayesian EM
Algorithm [59.99439951055238]
我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。
本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。
高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-23T01:34:18Z)
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。