論文の概要: When Does Learned Constraint Selection Pay in Security-Constrained Optimisation? A Boundary Map from SCOPF to Unit Commitment
- arxiv url: http://arxiv.org/abs/2611.15142v1
- Date: Wed, 11 Nov 2026 07:31:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.074217
- Title: When Does Learned Constraint Selection Pay in Security-Constrained Optimisation? A Boundary Map from SCOPF to Unit Commitment
- Title(参考訳): セキュリティ制約付き最適化における学習者選択報酬はいつになるか? : SCOPFからユニットコミットへの境界マップ
- Abstract要約: 学習した選択が、トレーニング中に観察されるすべての制約を強制する固定された傘セットを破るかどうかを問う。
我々の基準、予備料金は、これに先立って答える。
PGLib-OPFネットワークを1万台まで含むシステムでテストしています。
- 参考スコア(独自算出の注目度): 1.532621663166734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning-to-optimise methods for security-constrained optimal power flow (SCOPF) predict the security constraints that bind on each instance and solve only the reduced problem, with reported speed-ups of two to four orders of magnitude over the full problem. We ask whether learned selection beats the strongest learning-free alternative: a fixed umbrella set enforcing every constraint observed to bind in training. Our criterion, the price of a spare, answers this in advance: an enforced but inactive constraint is free, so the umbrella is exactly optimal wherever feasible, and learning can pay only where a spare decision carries a price. We test it systematically, including every PGLib-OPF network up to 10,000 buses. For SCOPF on a fixed network the umbrella is never beaten: its median size is five constraints across 43 networks, with no size trend, and our selector, while reproducing speed-ups of published magnitude (about x80,000 at case500), gains at most 0.25 ms over the umbrella and violates constraints on 4-5% of instances. Configuration diversity can break the umbrella's coverage on a small, densely meshed network but not at 2,000 buses, and we certify coverage with conformal risk control. In unit commitment, where a spare has a price, a static commitment loses 4-12% out of sample, and a predict-repair-reduce pipeline recovers it (cost gap 0.2-2.9%, fully feasible, 16-161x faster than the MILP). In our experiments, whether learning pays depends not on problem size but on whether a spare carries a price.
- Abstract(参考訳): セキュリティ制約付き最適電力流(SCOPF)の学習・最適化手法は、各インスタンスに結合するセキュリティ制約を予測し、削減された問題のみを解決し、全問題に対して2~4桁のスピードアップを報告した。
学習した選択が最強の学習自由の選択肢に勝るかどうかを問う。トレーニングにおいて観察されるすべての制約を強制する固定された傘セット。
強制的だが非アクティブな制約は無料なので、傘は可能な限り最適であり、予備的な決定が価格を持つ場合にのみ、学習が支払うことができます。
PGLib-OPFネットワークを1万台まで含むシステムでテストしています。
固定ネットワーク上のSCOPFでは、傘の中央値サイズは43のネットワークに5つの制約があり、サイズトレンドがなく、セレクタと我々のセレクタが、発行されたサイズ(ケース500で約80,000)のスピードアップを再現する一方で、傘の最大0.25msが増加し、インスタンスの4-5%が制約に違反している。
構成の多様性は、小さな、密集したネットワーク上の傘のカバレッジを損なう可能性があるが、2,000のバスにはならない。
ユニットコミットでは、スペアが価格を持つ場合、スタティックコミットはサンプルから4-12%の損失を出し、予測再生パイプラインがそれを回復する(コストギャップ0.2-2.9%、完全に実現可能で、MILPより16-161倍速い)。
我々の実験では、学習の報酬は問題のサイズではなく、余剰が価格をもたらすかどうかにかかっている。
関連論文リスト
- Convex-SKM-Net: Low-Latency Block Halfspace Corrections for Neural Convex Constraint Satisfaction [5.910446447473465]
本研究では,凸制約満足層であるConvex-SKM-Netを紹介した。
GPUフレンドリーな行列演算を用いた最小変位ブロック問題に対して、固定深さ2重射影勾配(Dual PGD)を適用する。
我々は予測器と正定モビリティを共同で学習し、補正幾何を適用して客観的品質を向上させる。
論文 参考訳(メタデータ) (2026-10-28T02:45:00Z) - Greedy Local Learning for Language Model Pretraining: Gaps and Objective Design [36.09456937532108]
ローカライズ学習はエンドツーエンドのバックプロパゲーション分類と競合するものであり、小さなトランスフォーマーでは、並列スピードアップにとって最悪の損失であることが知られている。
本研究は, ケチラ最適予算において, 125M と400M のパラメータを 1,2,4 ドルのブロックで表し, 補助設計をネットワークアーキテクチャと学習目標に分解した。
論文 参考訳(メタデータ) (2026-10-04T02:10:52Z) - Quality-Constrained Routing over a Fixed Pool of Quantized Mixture-of-Experts Instances [5.053749663617978]
Quantized Mixture-of-Experts (MoE) サービスは、1つのベースモデルのいくつかのプリマテリアル化されたインスタンスを保持することができる。
インスタンスの実体化とレプリカ数はメモリを消費するので、アップストリームのプロビジョニング決定として扱います。
各要求をルーティングして、クラスレベルの期待品質劣化予算の下で、モデル化されたスループットを最大化する。
論文 参考訳(メタデータ) (2026-09-11T07:57:25Z) - When and How Severely: Scenario-Specific Safety Envelopes for Driving VLAs [0.0]
ISO 21448の下でのVLA(Vision-Language-Action)運転プランナーの安全性の保証は、オペレーショナル・デザイン・ドメイン(ODD)仕様に依存している。
15,968対(クリップ,アタック)で10Bパラメータのオープンウェイト駆動VLAであるAlpamayo R1を評価した。
全体の安全閾値が$leq 50$で15%の平均変位誤差 (ADE) の予算マスクは、テストグリッドの上部を許容する、よくサンプリングされたシナリオである。
論文 参考訳(メタデータ) (2026-06-12T08:20:06Z) - Learning to Cover: Online Learning and Optimization with Irreversible Decisions [50.5775508521174]
我々は,個別かつ不可逆な意思決定を対象とするオンライン学習と最適化の問題を定義した。
各期間において、意思決定者は、オープンする施設を選択し、それぞれの成功に関する情報を受け取り、将来の決定を導くために分類モデルを更新する。
目的は,多数の施設を対象とする地平線を特徴とし,カバー対象を反映するチャンス制約の下で施設開口を最小化することである。
論文 参考訳(メタデータ) (2024-06-20T23:00:25Z) - Probably Anytime-Safe Stochastic Combinatorial Semi-Bandits [81.60136088841948]
本稿では,時間軸における後悔を最小限に抑えるアルゴリズムを提案する。
提案アルゴリズムは,レコメンデーションシステムや交通機関などの分野に適用可能である。
論文 参考訳(メタデータ) (2023-01-31T03:49:00Z) - A Unifying Framework for Online Optimization with Long-Term Constraints [62.35194099438855]
我々は,意思決定者が長期的制約の対象となる一連の意思決定をしなければならないオンライン学習問題について検討する。
目標は、全報酬を最大化し、同時に、$T$ラウンド全体で小さな累積違反を達成することである。
本稿では,この一般クラス問題に対して,未知のモデルに基づいて報酬と制約が選択された場合と,各ラウンドで敵が選択した場合の双方において,最良世界型アルゴリズムを提示する。
論文 参考訳(メタデータ) (2022-09-15T16:59:19Z) - Online Learning with Knapsacks: the Best of Both Worlds [54.28273783164608]
オンライン学習の課題として,意思決定者が,リソース制約の有限セットに違反することなく,期待する報酬を最大化したい,という課題を提起する。
当社のフレームワークは,意思決定者がそのエビデンスを柔軟かつコスト論的に扱えるようにします。
論文 参考訳(メタデータ) (2022-02-28T12:10:48Z) - Safe Online Bid Optimization with Return-On-Investment and Budget
Constraints subject to Uncertainty [87.81197574939355]
最適化問題と学習問題の両方について検討する。
我々は、潜在的に線形な数の制約違反を犠牲にして、サブ線形後悔を保証するアルゴリズム、すなわちGCBを提供する。
より興味深いことに、我々はGCB_safe(psi,phi)というアルゴリズムを提供し、サブ線形擬似回帰と安全性w.h.p.の両方を、耐性 psi と phi を受け入れるコストで保証する。
論文 参考訳(メタデータ) (2022-01-18T17:24:20Z)
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。