MMJul, 2019

基于模型无关的无监督学习方法解决带约束优化问题

PDF
TL;DR本文提出一种无模型学习框架来解决无法推导出目标函数或限制条件的优化问题，同时将神经网络用于参数化所需优化的函数、参数化瞬时限制条件相关的拉格朗日乘数以及逼近未知的目标函数或限制条件。数值和模拟结果验证了所提出的框架的有效性，并以功率控制问题作为例子证明了模型无关学习的效率。
wireless communicationsoptimization problemsconstrained optimizationmodel-free learningneural networks
发现论文，激发创造
  • 无监督深度学习优化具有瞬时和统计约束的无线系统

    本论文提出了使用无监督深度学习解决无约束和有约束变量优化问题的统一框架，并以资源配置为例证明了这一框架的有效性。实验结果表明，与监督学习相比，无监督学习在保证服务质量约束的同时可以更快地达到最优策略和减少 QoS 违规概率。

    May, 2020

  • 使用无监督和强化 - 无监督深度学习优化无线系统

    本文介绍了无监督学习和强化学习算法，用于解决无模型或函数优化问题，其中深度神经网络可用于维度较高的可变优化问题，而强化学习适用于不可行的情况，并以用户关联问题为例进行模拟和应用验证。

    Jan, 2020

  • 在无线系统中学习最佳资源分配

    本研究探讨在无线通信系统中设计最优资源分配策略。使用深度神经网络进行训练，同时解决主次变量优化问题。通过数值模拟，验证了所提出方法在许多无线资源分配问题中的有效性。

    Jul, 2018

  • 无监督学习优化：为 URLLC 训练深度神经网络

    本文提出了一种基于无监督深度学习的学习优化的框架，用于解决数值优化问题，可同时应用于函数和变量优化问题，并以超高可靠性通信为例，证明了深度学习可实现无监督学习下的变量优化保障极高的可靠性通信。

    May, 2019

  • 未知约束的贝叶斯优化

    研究了具有先验未知约束的贝叶斯优化及其在优化问题中的应用，并提供了解决此类问题的通用框架，并在潜在 Dirichlet 分配，神经网络调整和哈密顿蒙特卡罗优化等问题中进行了有效性实证。

    Mar, 2014

  • 无线控制系统在非平稳通道中的学习

    该文考虑了一组通过非稳态无线信道相互连接的多个独立控制系统，通过在固定预算内分配发送功率，最大化所有系统的控制性能。通过对未知无线信道进行采样，可以将问题转化为经验风险最小化问题，并使用 Lagrangian dual 问题进行约束优化。由于无线信道的非稳态性，最优的功率分配必须随着信道的演化而持续学习和更新。通过使用牛顿法以随时间演化为样本的对偶函数，学习接近最优的功率分配策略并取得二次收敛特性。数值模拟阐明了该方法的近最优性能和在无线控制问题上的稳定性。

    Mar, 2018

  • 端到端的约束优化学习：综述

    本文从最近使用机器学习来解决约束优化问题的尝试入手，重点调查了将组合求解器和优化方法与机器学习架构集成的工作。这些方法有望开发新的混合机器学习和优化方法，以快速预测组合问题的近似解并启用结构逻辑推理。本文概述了这一新兴领域的最新进展。

    Mar, 2021

  • 约束优化学习：识别最佳主动约束集

    该论文探讨了通过学习相关的活动约束集来直接学习最优解决方案，从而减少实时求解计算上昂贵的大规模参数程序的需要，并提出了一种流式算法来学习相关的活动集。

    Feb, 2018

  • 基于价值限制的无模型连续控制

    提出了一种基于 Lagrangian relaxation 的约束强化学习方法，通过同时优化任务奖励和某些辅助成本来确保任务成功，展示了在连续控制基准任务、优化能量的四足动物运动任务以及实际机器人臂夹取任务上，该方法的有效性。

    Feb, 2019

  • 分布式优化的深度学习：无线资源管理应用

    本文研究了在无线网络中解决分布式非凸约束优化问题的深度学习框架，其中使用基于本地信息的有效状态分配。通过引入深度神经网络，将原始问题转化为基于非凸约束的 DNN 的训练任务，并开发了一种基于原始 - 对偶方法的约束训练策略，为分布式实现开发了一种新的输出二值化技术。实验结果证实了该方法的有效性。

    May, 2019