ICLRApr, 2021

DC3: 具有硬约束的优化学习方法

PDF
TL;DR本文提出了一个名为 DC3 的算法，采用可微分的方法来强制完成部分解，以满足等式约束，并展开基于梯度的校正来满足不等式约束。在合成优化任务和交流电力优化方面，DC3 都取得了近乎最优的目标值，同时保持可行性，因此适用于硬约束的优化问题。
optimizationhard constraintsdeep networksdifferentiable procedurefeasibility
发现论文，激发创造
  • 自监督平等嵌入深度拉格朗日对偶算法在近似约束优化中的应用

    提出 DeepLDE 框架，使用等式嵌入和原始 - 对偶方法学习寻找无标签最优解决方案，保证可行解，并证明了收敛性。该方法可以更快速地解决具有等式和不等式约束的问题，并且在仿真结果中达到了最小的优化差距和最快的计算时间。

    Jun, 2023

  • UDC: 大规模组合优化问题的统一神经分而治之框架

    该研究论文介绍了一种统一的神经分治框架（UDC），用于解决一般的大规模组合优化问题。UDC 采用了一种分治 - 征服 - 重组（DCR）训练方法，通过采用高效的图神经网络（GNN）进行全局分治和采用固定长度子路径求解器征服子问题，实现广泛的适用性，并在 10 个代表性的大规模组合优化问题中取得了优越的性能。

    Jun, 2024

  • DeepOPF: 基于深度神经网络的安全受限直流最优潮流方法

    DeepOPF 是一种基于深度学习神经网络的电力系统优化算法，适用于直流安全约束最优潮流问题 (SC-DCOPF)，能够通过学习映射函数预测发电量并重构相位角，并通过后处理过程保证解的可行性，相比最先进的求解器，计算时间快 2 倍以上，同时仅有不到 0.2% 的最优性损失。

    Oct, 2019

  • 受约束稀疏优化的高效 DC 算法

    本文提出使用新的 DC 形式表示 $\ell_0$ 约束，以便 Proximal DC 算法可以将其子问题减少到对凸集的投影运算；并通过使用 Nesterov 的加速技术，提出了加速 PDCA 算法以实现最优收敛率，并在数值实验中发挥良好的效果。

    Jan, 2017

  • 深度网络上强制加入硬限制：承诺与局限

    本文介绍了如何在深度神经网络中实施硬约束来提高预测质量，并通过与软约束相比的实验结果证明了软约束比硬约束更加有效。

    Jun, 2017

  • 基于专家模型的物理约束扩展

    通过使用 Mixture-of-Experts (MoE)，我们开发了一种可扩展的方法来强制执行硬物理约束，以增强神经 PDE 求解器在预测挑战性非线性系统动力学方面的准确性，并改善训练稳定性以及在训练和推断阶段所需的计算时间。

    Feb, 2024

  • DeepOPF：用于直流最优潮流的深度神经网络

    利用深度神经网络构建 “DeepOPF” 模型，解决直流电力最优潮流问题；通过统一采样和降低数据维度等方式，模型速度较传统方法快两个数量级，并保证解的可行性。

    May, 2019

  • DeepSaDe：学习保证域约束满足的神经网络

    本文提供了一种训练神经网络的方法，用于满足各种领域约束。该方法将线性模型学习的思路引入神经网络，并添加了关键的约束传播和基于梯度下降和 CSP 求解的权重更新。实验结果表明，该方法足够灵活，可以保证满足神经网络中的广泛分布的约束。

    Mar, 2023

  • 学习可微分的处理硬约束系统的求解器

    提出一种实用的方法，通过神经网络来精确实现偏微分方程控制，利用可微分优化和隐式函数定理来有效实施物理约束，模型能够在域内提供准确满足期望物理约束的连续解。

    Jul, 2022

  • DeepOPF: 一种面向 AC 最优潮流问题的可行性优化深度神经网络方法

    使用深度神经网络（DeepOPF）方法解决交流最优潮流（AC-OPF）问题可提高计算速度两个数量级，并且可以保持物理和运行约束的一致性，并使用零阶梯度估计技巧在培训过程中维护剩余的不等式约束条件。

    Jul, 2020