論文の概要: Exact and Evolutionary Algorithms for Sequential Multi-Objective Transmission Topology Planning

• arxiv url: http://arxiv.org/abs/2605.03753v1
• Date: Tue, 05 May 2026 13:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.954645
• Title: Exact and Evolutionary Algorithms for Sequential Multi-Objective Transmission Topology Planning
• Title（参考訳）: 逐次多目的伝送トポロジー計画のための厳密かつ進化的アルゴリズム
• Authors: Job Groeneveld, Miguel Muñoz, Jan Viebahn, Alessandro Zocca,
• Abstract要約: 日頭伝達トポロジ計画と混雑管理は逐次多目的最適化問題である。 そこで我々は,2つの補完的アルゴリズム,すなわち,正確な方法と改良された進化列挙法を開発した。
• 参考スコア（独自算出の注目度）: 39.32074713418988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address day-ahead transmission topology planning and congestion management as a sequential, multi-objective optimization problem and develop two complementary algorithms for it: an exact enumeration method and a tailored evolutionary heuristic. The problem is formulated with four operational objectives reflecting real TSO decision criteria: worst-case line loading under $N-1$ security, topological depth, number of switching actions, and time spent in non-reference topologies, over a 24-hour horizon. We introduce the block algorithm, an exact method that exploits the temporal block structure of feasible strategies to enumerate the complete Pareto front; for fixed operational bounds on depth and switch count, its evaluation count grows polynomially with the planning horizon. We complement it with a multi-objective evolutionary algorithm based on NSGA-III, with structure-guided initialization and problem-specific variation operators tailored to the topology-planning structure. Using real operational data from the Dutch high-voltage grid operated by TenneT TSO, we show that the block algorithm computes the full Pareto front for a highly congested day in under three minutes, and that the evolutionary algorithm converges toward but does not recover the exact front. The block algorithm thus provides both a practical decision-support tool and a ground-truth benchmark for future heuristic and learning-based methods on this problem class.
• Abstract（参考訳）: 我々は,日頭伝達トポロジ計画と混雑管理を逐次的・多目的最適化問題として扱い,それを補完する2つのアルゴリズムである正確な列挙法と改良された進化的ヒューリスティックを開発した。 問題は、実際のTSO決定基準を反映した4つの運用目標によって定式化されている:$N-1$以下の最悪のケースラインローディング、トポロジの深さ、スイッチングアクションの数、および24時間の地平線上での非参照トポロジに費やされた時間である。 ブロックアルゴリズムは,完全なパレートフロントを列挙するために,実現可能な戦略の時間的ブロック構造を利用する,正確な手法である。 NSGA-IIIに基づく多目的進化アルゴリズムを用いて,構造誘導初期化と位相計画構造に合わせた問題固有変動演算子を補完する。 TenneT TSO が運用するオランダの高電圧グリッドの実際の運用データを用いて,ブロックアルゴリズムは3分以内の混雑時間で全パレートフロントを計算し,進化的アルゴリズムは収束するが,正確なフロントを回復しないことを示す。 ブロックアルゴリズムは,この問題クラスにおける将来のヒューリスティックおよび学習に基づく手法に対して,実践的な意思決定支援ツールと基礎的信頼度ベンチマークの両方を提供する。

関連論文リスト

• Learning Optimal Signal Temporal Logic Decision Trees for Classification: A Max-Flow MILP Formulation [5.924780594614676]
  本稿では,データから時間的時間的論理特性を推定するための新しい枠組みを提案する。 混合整数線形プログラミング最適化問題として推論過程を定式化する。 結果木に最大フローアルゴリズムを適用すると、この問題はグローバルな最適化問題に変換される。 我々は,2クラス,複数クラス,複雑な式分類シナリオを含む3つのケーススタディを実施している。
  論文  参考訳（メタデータ） (2024-07-30T16:56:21Z)
• A Block-Coordinate Descent EMO Algorithm: Theoretical and Empirical Analysis [17.89683724761454]
  進化的多目的最適化において,ブロック座標降下が効率的である条件が存在するかを検討する。 本稿では,GSEMOのブロックコーディネートバージョンを提案し,その実行時間を標準GSEMOアルゴリズムと比較する。
  論文  参考訳（メタデータ） (2024-04-04T23:50:18Z)
• Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
  本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。 提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。 大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
  論文  参考訳（メタデータ） (2022-11-02T14:35:13Z)
• Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
  本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。 シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
  論文  参考訳（メタデータ） (2022-09-15T07:22:58Z)
• Accelerating ERM for data-driven algorithm design using output-sensitive techniques [26.32088674030797]
  データ駆動型アルゴリズム設計のための効率的な学習アルゴリズムを開発するための技術について研究する。 提案手法は,超平面の集合によって誘導されるポリトープを列挙する出力感受性アルゴリズムである。 本稿では、価格問題、リンクベースのクラスタリング、動的プログラミングに基づくシーケンスアライメントのアルゴリズムを提供することにより、我々の技術を説明する。
  論文  参考訳（メタデータ） (2022-04-07T17:27:18Z)
• ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
  バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。 既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。 本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
  論文  参考訳（メタデータ） (2021-10-13T19:36:50Z)
• Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
  通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。 我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。 我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
  論文  参考訳（メタデータ） (2021-06-08T15:54:44Z)
• Lagrangian Decomposition for Neural Network Verification [148.0448557991349]
  ニューラルネットワーク検証の基本的なコンポーネントは、出力が取ることのできる値のバウンダリの計算である。 ラグランジアン分解に基づく新しい手法を提案する。 ランニングタイムのごく一部で、既成の解法に匹敵するバウンダリが得られることを示す。
  論文  参考訳（メタデータ） (2020-02-24T17:55:10Z)

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。