論文の概要: Learning-enabled Acceleration of Scenario-based Model Predictive Control

• arxiv url: http://arxiv.org/abs/2607.12775v1
• Date: Tue, 14 Jul 2026 13:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.161894
• Title: Learning-enabled Acceleration of Scenario-based Model Predictive Control
• Title（参考訳）: シナリオベースモデル予測制御の学習支援高速化
• Abstract要約: 本稿では,シナリオベースモデル予測制御(SBMPC)問題を効率的に解くための,学習促進型マルチプライヤ代替指向法(ADMM)アルゴリズムを提案する。 我々は,SBMPC問題をADMMを介して分解可能なコンセンサス形式に再構成し,シナリオ依存のダイナミクスを非予測的制約から分離する。 この分解に基づいて, コスト関数のモローエンベロープ学習を利用してADMMの一次更新を高速化する, 既存の学習最適化スキームを利用する。
• 参考スコア（独自算出の注目度）: 1.838884769821944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scenario-based model predictive control (SBMPC) is a variant of model predictive control (MPC) that explicitly accounts for uncertainty by optimizing control actions over multiple predicted scenarios. However, its computational complexity increases rapidly with the number of scenarios and prediction horizon, limiting is applicability to real-time planning and control. This paper presents a learning-accelerated Alternating Direction Method of Multipliers (ADMM) algorithm for efficiently solving SBMPC problems by leveraging parallel computing and Moreau envelope learning, while maintaining high solution accuracy. We reformulate the SBMPC problems into consensus forms that can be decomposed via ADMM, separating the scenario-dependent dynamics from non-anticipativity constraints and enabling parallel updates across scenarios and time steps. Building on this decomposition, we utilize existing learning-to-optimize schemes, which leverages Moreau envelope learning of the cost function to accelerate the primal update in ADMM, thereby reducing computation time. The proposed framework is evaluated on a microgrid energy management problem subject to load and renewable generation uncertainties. Comparisons with IPOPT and MadNLP, popular and modern nonlinear programming solvers, demonstrate substantial computational speedups while maintaining reliable closed-loop control performance.
• Abstract（参考訳）: シナリオベースのモデル予測制御(SBMPC)は、モデル予測制御(MPC)の変種であり、複数の予測シナリオに対して制御アクションを最適化することで不確実性を明示的に説明する。 しかし、その計算複雑性はシナリオの数や予測水平線によって急速に増大し、制限はリアルタイムの計画と制御に適用可能である。 本稿では,並列計算とモローエンベロープ学習を利用してSBMPC問題を効率よく解き、解の精度を高く保ちながら効率よく解くための学習促進型マルチプライヤ代替指向法(ADMM)を提案する。 我々は,SBMPC問題をADMMを介して分解可能なコンセンサス形式に再構成し,シナリオ依存のダイナミクスを非予測的制約から切り離し,シナリオと時間ステップの並列更新を可能にする。 この分解に基づいて,コスト関数のモローエンベロープ学習を利用してADMMの一次更新を高速化し,計算時間を短縮する,既存の学習最適化スキームを利用する。 提案手法は、負荷および再生可能エネルギーの不確実性を考慮したマイクログリッドエネルギー管理問題に基づいて評価される。 IPOPT と MadNLP との比較では, 信頼性の高いクローズドループ制御性能を維持しつつ, 計算速度が大幅に向上した。

関連論文リスト

• Implicit Maximum Likelihood Estimation for Real-time Generative Model Predictive Control [5.692340907039085]
  Implicit Maximum Likelihood Estimation (IMLE) は、計画のための新たな生成モデリング手法である。 本結果は,IMLEが標準オフライン強化学習ベンチマーク上での競合性能を実証するものである。 我々はまた、IMLEをクローズドループの人間ナビゲーションシナリオで検証し、高速かつ適応的な計画生成を可能にする方法を示す。
  論文  参考訳（メタデータ） (2026-03-14T03:39:31Z)
• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• Intersection of Reinforcement Learning and Bayesian Optimization for Intelligent Control of Industrial Processes: A Safe MPC-based DPG using Multi-Objective BO [0.0]
  Model Predictive Control (MPC)ベースのReinforcement Learning (RL)は、Deep Neural Network (DNN)ベースのRL手法の、構造化された解釈可能な代替手段を提供する。 標準MPC-RLアプローチは、収束の遅さ、パラメータ化の制限による最適条件学習、オンライン適応時の安全性の問題に悩まされることが多い。 MPC-RLと多目的ベイズ最適化(MOBO)を統合した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-14T02:31:52Z)
• Can Prompt Difficulty be Online Predicted for Accelerating RL Finetuning of Reasoning Models? [65.18157595903124]
  本研究では任意のプロンプトの反復的近似評価について検討する。 Model Predictive Prompt Selection (MoPPS)はベイズにおけるリスク予測フレームワークである。 MoPPSは迅速な困難を確実に予測し、ロールアウトを大幅に削減したトレーニングを加速する。
  論文  参考訳（メタデータ） (2025-07-07T03:20:52Z)
• Integrating Reinforcement Learning and Model Predictive Control with Applications to Microgrids [14.389086937116582]
  本研究は,有限水平最適制御問題を効率的に解くために,強化学習とモデル予測制御(MPC)を統合するアプローチを提案する。 我々のアプローチは、離散変数の決定を連続変数の決定から切り離すことによってこの問題を軽減することを目的としている。 提案手法では,MPC制御器のオンライン問題を混合整数線形プログラムから線形プログラムへ簡易化する。
  論文  参考訳（メタデータ） (2024-09-17T15:17:16Z)
• Fractional Deep Reinforcement Learning for Age-Minimal Mobile Edge Computing [11.403989519949173]
  本研究は,AOI( Age-of-Information)によって測定された計算集約更新の時系列に焦点をあてる。 我々は,AoIのタスク更新とオフロードポリシを分断形式で共同で最適化する方法について検討する。 実験の結果,提案アルゴリズムは,いくつかの非フラクタルベンチマークと比較して平均AoIを57.6%削減できることがわかった。
  論文  参考訳（メタデータ） (2023-12-16T11:13:40Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• UAV Path Planning Employing MPC- Reinforcement Learning Method for search and rescue mission [0.0]
  複雑で不確実な環境での無人航空路計画(UA V)の課題に取り組む。 本稿では,Long-Short-Term Memory (LSTM) ネットワークに基づくモデル予測制御(MPC)を,Deep Deterministic Policy Gradientアルゴリズムに統合して設計する。
  論文  参考訳（メタデータ） (2023-02-21T13:39:40Z)
• Neural Predictive Control for the Optimization of Smart Grid Flexibility Schedules [0.0]
  モデル予測制御(MPC)は,格子フレキシビリティの最適スケジューリング問題を数学的に定式化する手法である。 MPC法は時間制約グリッド最適化の正確な結果を約束するが、大規模で複雑な電力系統モデルに必要な計算時間によって本質的に制限される。 線形及び非線形電力系統の最適制御ポリシーを模倣により学習するニューラルネットワーク予測制御方式を提案する。
  論文  参考訳（メタデータ） (2021-08-19T15:12:35Z)
• Covert Model Poisoning Against Federated Learning: Algorithm Design and Optimization [76.51980153902774]
  フェデレーテッド・ラーニング(FL)はパラメータ伝達中にFLモデルに対する外部攻撃に対して脆弱である。 本稿では,最先端の防御アグリゲーション機構に対処する有効なMPアルゴリズムを提案する。 実験の結果,提案したCMPアルゴリズムは,既存の攻撃機構よりも効果的で,かなり優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-28T03:28:18Z)
• Stein Variational Model Predictive Control [130.60527864489168]
  不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。 モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。 この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
  論文  参考訳（メタデータ） (2020-11-15T22:36:59Z)
• 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。