論文の概要: Parallel Dynamic Programming for Conic Linear Quadratic Control
- arxiv url: http://arxiv.org/abs/2606.24632v1
- Date: Tue, 23 Jun 2026 14:26:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:49.015283
- Title: Parallel Dynamic Programming for Conic Linear Quadratic Control
- Title（参考訳）: 円錐線形二次制御のための並列動的計画法
- Authors: Luyao Zhang, Gabriel Bravo-Palacios, Brian Plancher, Sergio Grammatico,
- Abstract要約: 線形二次制御問題は線形制御理論とモデル予測制御(MPC)の中心にある
本稿では,乗算器の交互方向法(ADMM)を用いて,円錐最適制御問題を計算的に要求する並列時間アプローチを提案する。
2つの実世界のアプリケーションに関する数値ベンチマークでは、マルチコアCPUハードウェアに関する既存のアプローチと比べて5倍のスピードアップを示している。
- 参考スコア（独自算出の注目度）: 11.017626990661059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Linear Quadratic (LQ) control problems are at the heart of linear control theory and Model Predictive Control (MPC). While performant, standard approaches to solving such problems are inherently serial, limiting real-time scalability despite the parallel computing power available on modern multi-core CPUs. Contributing to addressing this challenge and motivated by ``divide and conquer'' strategies, we present a parallel-in-time approach that solves computationally demanding conic optimal control problems through the use of the alternating direction method of multipliers (ADMM). In particular, we formulate the inner primal update of ADMM as an LQ problem and split the reformulated problem along the time horizon. This enables us to derive a variant of the Riccati recursion using dynamic programming to solve each subproblem in parallel. Numerical benchmarks on two real-world applications demonstrate as much as a 5x speedup compared to existing related approaches on multi-core CPU hardware.
- Abstract（参考訳）: 線形二次制御問題は線形制御理論とモデル予測制御(MPC)の中心にある。
性能は高いが、そのような問題を解決するための標準的なアプローチは本質的にシリアルであり、現代のマルチコアCPUで利用可能な並列計算能力にもかかわらず、リアルタイムのスケーラビリティを制限する。
本稿では,この課題に対処し,<divide and conquer'戦略に動機づけられた並列・イン・タイム・アプローチを提案し,乗算器の交互方向法(ADMM)を用いて,円錐最適制御問題を計算的に要求する手法を提案する。
特に,ADMMの内部更新をLQ問題として定式化し,時間軸に沿って修正問題を分割する。
これにより、動的プログラミングを用いてRiccati再帰の変種を導出し、各サブプロブレムを並列に解くことができる。
2つの実世界のアプリケーションに関する数値ベンチマークでは、マルチコアCPUハードウェアに関する既存のアプローチと比べて5倍のスピードアップを示している。
関連論文リスト
- IsoCompute Playbook: Optimally Scaling Sampling Compute for LLM RL [75.28528082188787]
大規模言語モデル(LLM)におけるオンライン強化学習手法におけるサンプリング計算の最適割当について検討する。
並列ロールアウトの計算最適数は,計算予算とともに予測可能で増加し,飽和することがわかった。
本結果は,RLスケーリング法則を規範的割り当て規則として再考し,計算効率の高いLLM RLポストトレーニングのための実践的ガイダンスを提供する。
論文 参考訳（メタデータ） (2026-03-12T16:49:21Z) - Para-B&B: Load-Balanced Deterministic Parallelization of Solving MIP [50.917107318582715]
MIP(Mixed-integer Programming)は、連続型と整数型の両方の決定変数を組み込むことで線形プログラミングを拡張する。
本稿では,高性能MIPソルバであるHiGHSに対して,決定論的並列分岐結合の完全なオープンソース実装を初めて提案する。
本手法では,ワーカスレッド間で完全なソルバ状態を複製することにより,厳密な決定性を保証する新しいデータ並列アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-02-10T14:17:53Z) - Inference-Aware Meta-Alignment of LLMs via Non-Linear GRPO [55.574265038358455]
推論対応メタアライメント(IAMA)は、大きな言語モデルを多様な人間の好みに合わせる新しいアプローチである。
IAMAは、異なる推論時間アライメントアルゴリズムによって複数のタスクに効果的にアライメントできるようにベースモデルを訓練する。
確率測度の空間における最適解に確実に収束する非線形GRPOを提案する。
論文 参考訳（メタデータ） (2026-02-02T03:50:42Z) - Online Inference of Constrained Optimization: Primal-Dual Optimality and Sequential Quadratic Programming [55.848340925419286]
等式制約と不等式制約を持つ2次最適化問題の解に対するオンライン統計的推測について検討した。
これらの問題を解決するための逐次プログラミング(SSQP)手法を開発し、目的の近似と制約の線形近似を逐次実行することでステップ方向を計算する。
本手法は,Hjek と Le Cam の意味での最適原始双対制限行列を用いて局所正規性を示す。
論文 参考訳（メタデータ） (2025-11-27T06:16:17Z) - Machine Learning-assisted High-speed Combinatorial Optimization with Ising Machines for Dynamically Changing Problems [0.0]
パラメータチューニングを伴わずに多種多様な問題を高速に解くため,組込みIsing マシンを用いた手法を提案する。
無線マルチホップネットワークのTDMAスケジューリングにおいて,従来の手法よりも高速に処理できることを示す。
論文 参考訳（メタデータ） (2025-03-31T11:31:36Z) - Parallel splitting method for large-scale quadratic programs [1.4519462317941787]
SPLITは、大規模二次プログラムを小さなサブプロブレムに分解し、並列に解決するフレームワークである。
SPLITは、高品質なソリューションを提供しながら、計算時間を大幅に削減できることを示す。
論文 参考訳（メタデータ） (2025-03-21T09:45:47Z) - Beyond Quantum Annealing: Optimal control solutions to MaxCut problems [0.7864304771129751]
量子アニーリング (Quantum Annealing, QA) は、2つのハミルトニアン項、単純ドライバーと複素問題ハミルトニアンを線形結合で混合することに依存する。
本稿では,2方向に沿って線形スケジュールを改善するための異なる手法を提案する。
論文 参考訳（メタデータ） (2024-05-14T14:08:55Z) - Scaling Distributed Deep Learning Workloads beyond the Memory Capacity
with KARMA [58.040931661693925]
冗長な再計算とアウト・オブ・コアの手法を組み合わせた戦略を提案する。
最先端のアウト・オブ・コア手法を用いて,6種類のモデルで平均1.22倍の高速化を実現した。
我々のデータ並列化ソリューションは,Megatron-LMやTurning-NLGといった大規模モデルのトレーニングにおいて,複雑なハイブリッドモデル並列性よりも優れる。
論文 参考訳（メタデータ） (2020-08-26T07:24:34Z) - Accelerating Feedforward Computation via Parallel Nonlinear Equation
Solving [106.63673243937492]
ニューラルネットワークの評価や自己回帰モデルからのサンプリングなどのフィードフォワード計算は、機械学習においてユビキタスである。
本稿では,非線形方程式の解法としてフィードフォワード計算の課題を定式化し,ジャコビ・ガウス・シーデル固定点法とハイブリッド法を用いて解を求める。
提案手法は, 並列化可能な繰り返し回数の削減(あるいは等値化)により, 元のフィードフォワード計算と全く同じ値が与えられることを保証し, 十分な並列化計算能力を付与する。
論文 参考訳（メタデータ） (2020-02-10T10:11:31Z)
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。