論文の概要: A Scalable Learned Iterative Solver for Nonlinear MPC via Temporal Decomposition

• arxiv url: http://arxiv.org/abs/2610.13480v1
• Date: Fri, 09 Oct 2026 12:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.56329
• Title: A Scalable Learned Iterative Solver for Nonlinear MPC via Temporal Decomposition
• Title（参考訳）: 時間分解による非線形MPCのためのスケーラブル学習型反復解法
• Abstract要約: 制約最適化のための学習型反復解法(LISCO)を開発した。 ネットワークサイズを地平線から独立させるため,問題解決アーキテクチャにおける問題の時間的構造を利用する。 クローズドループ再サンプリング戦略は、さらにトレーニング分布とクローズドループ動作とを追加のサンプリングコストで整合させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Nonlinear model predictive control (NMPC) can be applied to large nonlinear systems with complex objectives while enforcing constraints, but the cost of solving the underlying optimization problems limits real-time application for systems with fast dynamics or many states. Neural networks can reduce this online cost by approximating the control law, but may violate constraints and typically require many precomputed optimizer solutions for training. The learning-based iterative solver for constrained optimization (LISCO) instead learns to predict primal-dual steps toward satisfaction of the Karush-Kuhn-Tucker (KKT) conditions through self-supervised training without precomputed solutions, but its dense, monolithic architecture grows with the prediction horizon. We remove this horizon dependence by exploiting the temporal structure of the problem in the solver architecture, which makes the network size independent of the horizon while leaving the training loss and the solver iteration unchanged. A closed-loop resampling strategy further aligns the training distribution with closed-loop operation at no additional sampling cost. On an economic NMPC benchmark of a CSTR cascade, the proposed solver scales to larger problems than monolithic LISCO and achieves median speedups of up to a factor of four over IPOPT. In closed loop, it achieves comparable control performance to IPOPT with no observed constraint violations.
• Abstract（参考訳）: 非線形モデル予測制御(NMPC)は制約を課しながら複雑な目的を持つ大規模非線形システムに適用できるが、根底にある最適化問題の解決コストは、高速な力学や多くの状態を持つシステムのリアルタイム適用を制限する。 ニューラルネットワークは、制御法則を近似することで、このオンラインコストを削減することができるが、制約に違反し、トレーニングのために多くの事前計算されたオプティマイザソリューションを必要とする。 制約付き最適化(LISCO)のための学習ベースの反復解法は、事前に計算された解を使わずに自己教師付きトレーニングを通じてカルーシュ・クーン・タッカー(KKT)条件の満足度への原始的なステップを予測することを学習するが、その密集したモノリシックなアーキテクチャは予測の地平線とともに成長する。 本研究では, ネットワークサイズを水平線から独立にし, トレーニング損失と解の繰り返しを一定に保ったままにすることで, この水平線依存を解消する。 クローズドループ再サンプリング戦略は、さらにトレーニング分布とクローズドループ動作とを追加のサンプリングコストで整合させる。 CSTRカスケードの経済的なNMPCベンチマークでは、提案手法はモノリシックLISCOよりも大きな問題にスケールし、IPOPTよりも最大4倍の中央値のスピードアップを達成する。 クローズドループでは、観察された制約違反なしに、IPOPTに匹敵する制御性能を達成する。

関連論文リスト

• Amortized Nonlinear Model Predictive Control [3.2228025627337864]
  最適制御は、現在の状態と参照に依存するコストパラメータを持つ状態依存二次プログラム(QP)によって近似できることを示す。 カーテシアンエンドエフェクタートラッキングを用いた3リンク平面ロボットアームのアプローチを検証し,NLPソルバ上でのオーダー・オブ・マグニチュード・スピードアップを実証した。
  論文  参考訳（メタデータ） (2026-06-04T08:15:23Z)
• AdamFLIP: Adaptive Momentum Feedback Linearization Optimization for Hard Constrained PINN Training [9.082213877961541]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)によって支配される前方および逆問題を解くフレキシブルな枠組みを提供する 標準的なPINNトレーニングは、通常、手動で選択した重みを使ったPDE残差、データミスマッチ、初期/境界条件を組み合わせたソフトペナルティの定式化に依存している。 本研究では, PINN トレーニングを等式制約付き最適化問題として再検討し, 適応モーメントフィードバック線形化最適化をハード制約型 PINN (AdamFLIP) に適用する。
  論文  参考訳（メタデータ） (2026-05-08T19:13:15Z)
• Lightweight Quantum Agent for Edge Systems: Joint PQC and NOMA Resource Allocation [17.22802177593535]
  モバイルエッジデバイスとインテリジェントコンピューティングエッジ(ICE)システムに関する既存の研究は、ポスト量子(PQC)モジュールのエネルギー消費を見落としている。 従来のリソース割り当ては、リアルタイムな意思決定の要求を満たしていない。 本稿では,PQCモジュールの静的電力消費制約を組み込んだ多段階混合プログラミング(MINLP)モデルを提案する。
  論文  参考訳（メタデータ） (2026-04-28T15:29:30Z)
• Deep Learning-Accelerated Surrogate Optimization for High-Dimensional Well Control in Stress-Sensitive Reservoirs [0.0]
  応力に敏感な非伝統的な貯水池における生産最適化は, 圧力駆動流と破壊導電率低下とマトリックス透水率の非線形トレードオフによって制御される。 本研究では,高次元ウェルコントロールのためのディープラーニングに基づくサロゲート最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T01:04:08Z)
• When Learning Hurts: Fixed-Pole RNN for Real-Time Online Training [58.25341036646294]
  本研究では,再帰性極の学習がデータに有意な利点をもたらしない理由を解析的に検討し,実時間学習シナリオを実証的に提供する。 固定極ネットワークは、トレーニングの複雑さを低減し、オンラインリアルタイムタスクにより適していることを示す。
  論文  参考訳（メタデータ） (2026-02-25T00:15:13Z)
• Optimization Proxies using Limited Labeled Data and Training Time -- A Semi-Supervised Bayesian Neural Network Approach [3.26805553822503]
  制約付き最適化問題は、在庫管理や電力網など、さまざまなエンジニアリングシステムで発生する。 標準ディープニューラルネットワーク(DNN)ベースの機械学習プロキシは、ラベル付きデータが不足し、トレーニング時間が制限された実用的な環境では有効ではない。
  論文  参考訳（メタデータ） (2024-10-04T02:10:20Z)
• Efficiently Training Deep-Learning Parametric Policies using Lagrangian Duality [55.06411438416805]
  制約付きマルコフ決定プロセス(CMDP)は、多くの高度な応用において重要である。 本稿では,パラメトリックアクターポリシーを効率的に訓練するための2段階深度決定規則(TS-DDR)を提案する。 現状の手法と比較して, 解の質を高め, 数桁の計算時間を削減できることが示されている。
  論文  参考訳（メタデータ） (2024-05-23T18:19:47Z)
• Efficient Parallel Split Learning over Resource-constrained Wireless Edge Networks [44.37047471448793]
  本稿では,エッジコンピューティングパラダイムと並列分割学習(PSL)の統合を提唱する。 そこで本研究では,モデル学習を高速化するために,効率的な並列分割学習(EPSL)という革新的なPSLフレームワークを提案する。 提案するEPSLフレームワークは,目標精度を達成するために必要なトレーニング遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2023-03-26T16:09:48Z)
• 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。