論文の概要: Automated Heuristic Design for Unit Commitment Using Large Language Models

• arxiv url: http://arxiv.org/abs/2506.12495v1
• Date: Sat, 14 Jun 2025 13:16:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.39006
• Title: Automated Heuristic Design for Unit Commitment Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたユニットコミットの自動ヒューリスティック設計
• Authors: Junjin Lv, Chenggang Cui, Shaodi Zhang, Hui Chen, Chunyang Gong, Jiaming Liu,
• Abstract要約: ユニットコミット(UC)問題は、電力システムの最適スケジューリングにおける古典的な課題である。 本稿では,大規模言語モデルに基づく関数空間探索(FunSearch)手法を提案する。 結果から,FunSearchはサンプリング時間,評価時間,システム全体の運用コストの面で,優れた性能を示した。
• 参考スコア（独自算出の注目度）: 7.319412558420025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Unit Commitment (UC) problem is a classic challenge in the optimal scheduling of power systems. Years of research and practice have shown that formulating reasonable unit commitment plans can significantly improve the economic efficiency of power systems' operations. In recent years, with the introduction of technologies such as machine learning and the Lagrangian relaxation method, the solution methods for the UC problem have become increasingly diversified, but still face challenges in terms of accuracy and robustness. This paper proposes a Function Space Search (FunSearch) method based on large language models. This method combines pre-trained large language models and evaluators to creatively generate solutions through the program search and evolution process while ensuring their rationality. In simulation experiments, a case of unit commitment with \(10\) units is used mainly. Compared to the genetic algorithm, the results show that FunSearch performs better in terms of sampling time, evaluation time, and total operating cost of the system, demonstrating its great potential as an effective tool for solving the UC problem.
• Abstract（参考訳）: Unit Commitment (UC) 問題は、電力システムの最適スケジューリングにおける古典的な課題である。 長年の研究と実践により、合理的な単位コミットメント計画の定式化は、電力系統の運用の経済的効率を著しく向上させることができることが示されている。 近年、機械学習やラグランジアン緩和法などの技術の導入により、UC問題の解法は多様化しつつあるが、精度と堅牢性の観点からはまだ課題に直面している。 本稿では,大規模言語モデルに基づく関数空間探索(FunSearch)手法を提案する。 この方法は、事前学習された大きな言語モデルと評価器を組み合わせて、プログラムの探索と進化プロセスを通じて、その合理性を確保しながらソリューションを創造的に生成する。 シミュレーション実験では、主に(10\)単位に対する単位コミットメントのケースが使用される。 遺伝的アルゴリズムと比較すると、FunSearchはサンプリング時間、評価時間、システム全体の運用コストにおいて優れた性能を示し、UC問題の解決に有効なツールとしての可能性を示している。

関連論文リスト

• Enhancing Multi-Step Reasoning Abilities of Language Models through Direct Q-Function Optimization [49.362750475706235]
  強化学習(Reinforcement Learning, RL)は、大規模言語モデルを人間の好みと整合させ、複雑なタスクを遂行する能力を向上させる上で重要な役割を担っている。 反応生成過程をマルコフ決定プロセス(MDP)として定式化し,ソフトアクター・クリティック(SAC)フレームワークを用いて,言語モデルによって直接パラメータ化されたQ関数を最適化する,直接Q関数最適化(DQO)を提案する。 GSM8KとMATHという2つの数学問題解決データセットの実験結果から、DQOは従来の手法よりも優れており、言語モデルを整合させるための有望なオフライン強化学習手法として確立されている。
  論文  参考訳（メタデータ） (2024-10-11T23:29:20Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• ALT: An Automatic System for Long Tail Scenario Modeling [15.76033166478158]
  この問題に対処するために,ALTという自動システムを提案する。 各種自動機械学習関連技術を活用するなど,我々のシステムで使用されるアルゴリズムを改善するために,いくつかの取り組みがなされている。 システムを構築するには、システムの観点から多くの最適化が行われ、本質的なモジュールは武装している。
  論文  参考訳（メタデータ） (2023-05-19T02:35:39Z)
• FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions [7.674715791336311]
  本稿では,スパース関数オン・ファンクション回帰問題において特徴選択を行うための,新しい,柔軟な,超効率的なアプローチを提案する。 我々はそれをスカラー・オン・ファンクション・フレームワークに拡張する方法を示す。 AOMIC PIOP1による脳MRIデータへの応用について述べる。
  論文  参考訳（メタデータ） (2023-03-26T19:41:17Z)
• Reinforcement Learning and Tree Search Methods for the Unit Commitment Problem [0.0]
  ユニットコミットメント問題は、需要を満たすために生成ユニットの運用スケジュールを決定する。 より厳格に不確実性を説明できるアプローチは、運用コストを大幅に削減する可能性がある。 モデルフリーRLとモデルベースプランニングを組み合わせた新しい手法であるガイドツリーサーチを開発した。
  論文  参考訳（メタデータ） (2022-12-12T16:03:31Z)
• An Optimization Method-Assisted Ensemble Deep Reinforcement Learning Algorithm to Solve Unit Commitment Problems [3.303380427144773]
  ユニットコミットメントは、日々の電力市場における根本的な問題である。 UCの問題を効率的に解くことは重要である。 近年の人工知能の進歩は、UCの問題を解決するための強化学習の能力を実証している。
  論文  参考訳（メタデータ） (2022-06-09T03:36:18Z)
• Sample-Efficient, Exploration-Based Policy Optimisation for Routing Problems [2.6782615615913348]
  本稿では,エントロピーに基づく新しい強化学習手法を提案する。 さらに、我々は、期待したリターンを最大化する、政治以外の強化学習手法を設計する。 我々のモデルは様々な経路問題に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-31T09:51:48Z)
• A Two-stage Framework and Reinforcement Learning-based Optimization Algorithms for Complex Scheduling Problems [54.61091936472494]
  本稿では、強化学習(RL)と従来の運用研究(OR)アルゴリズムを組み合わせた2段階のフレームワークを開発する。 スケジューリング問題は,有限マルコフ決定過程 (MDP) と混合整数計画過程 (mixed-integer programming process) の2段階で解決される。 その結果,本アルゴリズムは,アジャイルな地球観測衛星スケジューリング問題に対して,安定かつ効率的に十分なスケジューリング計画を得ることができた。
  論文  参考訳（メタデータ） (2021-03-10T03:16:12Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。