論文の概要: Optimization for One, Feasibility for Most: Decoupling Optimization from Feasibility in Chance-Constrained Programs

• arxiv url: http://arxiv.org/abs/2610.19027v1
• Date: Tue, 13 Oct 2026 18:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.742982
• Title: Optimization for One, Feasibility for Most: Decoupling Optimization from Feasibility in Chance-Constrained Programs
• Title（参考訳）: 最多可能性の1つの最適化:チャンス制約プログラムにおける実現可能性から最適化を分離する
• Abstract要約: CCSP(Chance-Constrained Program)は、高い確率で不確実な制約を満たす解を必要とする。 標準手法は、サンプル平均近似(SAA)に基づく修正を考慮し、シナリオを直接最適化に組み込む。 提案手法は,実現可能性評価から最適化を分離する構造化サンプリングフレームワークであるACCESS(Adaptive Chance-Constrained Exploration via Structured Sampling)を提案する。
• 参考スコア（独自算出の注目度）: 24.45201310234923
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chance-constrained stochastic programs (CCSPs) require solutions that satisfy uncertain constraints with high probability. Standard approaches either embed scenarios directly into optimization by considering sample average approximation (SAA)-based reformulations, growing prohibitively expensive and often failing to find feasible solutions; or employ conservative reformulations that guarantee feasibility but sacrifice objective quality by design. We propose ACCESS (Adaptive Chance-Constrained Exploration via Structured Sampling), a structured sampling framework that decouples optimization from feasibility evaluation. First, high-quality candidate solutions are generated by solving many inexpensive single-scenario subproblems, avoiding sampling directly in the constrained high-dimensional solution space. Second, feasibility is assessed separately via large-scale batched simulation over a massive number of scenarios, which is naturally amenable to GPU parallelism. That reduces the search from a high-dimensional solution space to a two-dimensional parameter space controlling conservatism and scenario diversity; while concentrating on candidates near the feasibility boundary, where high-quality feasible solutions lie. We also introduce a variant, ACCESS($δ$), which provides certified feasibility guarantees with probability $1-δ$. Experiments across three benchmark classes and five scenario distributions show that ACCESS matches or exceeds the best objective found by any method in nearly every setting, while ACCESS($δ$) is empirically feasible on every instance. The conservative reformulations remain several percent worse in objective, and SAA is frequently infeasible while taking an order of magnitude longer on the harder benchmarks.
• Abstract（参考訳）: 確率制約付き確率論的プログラム(CCSP)は、高い確率で不確実な制約を満たす解を必要とする。 標準的アプローチは、サンプル平均近似(SAA)に基づく修正を考慮すれば、シナリオを直接最適化に組み込むか、不当に高価になり、実現可能な解決策を見つけられなかったり、あるいは、実現可能性を保証するが設計による客観的品質を犠牲にする保守的な改革を採用するかのいずれかである。 提案するACCESS(Adaptive Chance-Constrained Exploration via Structured Sampling)は,実行可能性評価から最適化を分離する構造化サンプリングフレームワークである。 第一に、高品質な候補解は、制約された高次元の解空間で直接サンプリングされるのを避けるために、多くの安価な単一シナリオのサブプロブレムを解くことによって生成される。 第二に、実現可能性は大規模なバッチシミュレーションを通じて、多数のシナリオに対して別々に評価されます。 これにより、高次元の解空間から、保守性やシナリオの多様性を制御する2次元のパラメータ空間への探索を減らすことができる。 また ACCESS($δ$) という変種を導入し, 確率1-δ$ で認証された実現可能性を保証する。 3つのベンチマーククラスと5つのシナリオディストリビューションでの実験では、ACCESSは、ほぼすべての設定において、任意のメソッドによって見つかる最高の目標に一致または超えているのに対し、ACCESS($δ$)は、すべてのインスタンスで経験的に実現可能である。 保守的な改革は客観的に数パーセント悪化し続けており、SAAはより厳しいベンチマークで桁違いに長引いているが、しばしば実現不可能である。

関連論文リスト

• Do We Really Need to Approach the Entire Pareto Front in Many-Objective Bayesian Optimisation? [10.970091142734603]
  多目的最適化は、3つ以上の目的を持つ最適化問題を含む。 目的の数が増加するにつれて、パレートフロント全体を適切に表現するために必要な解の数が大幅に増加する。 本稿では、目的間の良好なトレードオフをもたらす方向に沿って、解の質を向上させることを目的とした、アンダーラインポイントに基づくアンダーラインマルチアンダーラインオブジェクティブ検索フレームワーク(SPMO)を提案する。
  論文  参考訳（メタデータ） (2026-04-10T15:27:49Z)
• Feasibility-Driven Trust Region Bayesian Optimization [0.048748194765816946]
  FuRBOは、次の候補解が選択される信頼領域を反復的に定義する。 我々は,フルBBOB制約ベンチマークスイートの広範なテストを通じて,FuRBOの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2025-06-17T15:16:22Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Cascading CMA-ES Instances for Generating Input-diverse Solution Batches [1.932871350415445]
  ポストホックなユーザの好みに合わせて柔軟性を提供するため、高品質の多様なソリューションのバッチを目指すことが望ましい場合が多い。 本稿では,共分散行列適応進化戦略(CMA-ES)の並列実行をカスケード方式でタブ領域を継承する手法を提案する。 我々は,CMA-ES-Diversity Search (CMA-ES-DS)アルゴリズムが与えられた最小距離要件を尊重する高品質な解バッチを抽出できるトラジェクトリを生成することを実証的に実証した。
  論文  参考訳（メタデータ） (2025-02-19T13:55:51Z)
• An Efficient Approach for Solving Expensive Constrained Multiobjective Optimization Problems [0.0]
  効率的な確率的選択に基づく制約付き多目的EAをPSCMOEAと呼ぶ。 a) 評価された解の実現可能性と収束状態に基づく適応探索境界同定スキームのような新しい要素を含む。 ECMOPを模擬する低評価予算を用いて, 幅広い制約付き問題に対して, 数値実験を行った。
  論文  参考訳（メタデータ） (2024-05-22T02:32:58Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• Evolutionary Optimization of High-Coverage Budgeted Classifiers [1.7767466724342065]
  予算付き多機能分類器(MSC)プロセスは、部分的特徴取得および評価ステップのシーケンスを通じて入力される。 本稿では,不確定な予測のための端末拒否オプションを組み込んだ問題固有MSCを提案する。 アルゴリズムの設計は、一意化による集約性能の概念を尊重しながら効率を重視している。
  論文  参考訳（メタデータ） (2021-10-25T16:03:07Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)
• 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。