Nov, 2023

加速二阶段随机电力调度问题的学习整合 L 型双阶段随机电力调度问题

PDF
TL;DR该研究利用机器学习提出了增强型 Benders 分解算法，用于解决两阶段随机安全约束机组组合问题。通过创建更紧凑的限制条件和减小主问题的规模，以降低计算成本和内存使用量。相较于传统的多限制条件 Benders 分解算法，在多个测试系统上的仿真研究表明，该学习辅助的 Benders 分解算法在解决两阶段随机安全约束机组组合问题方面具有显著的效果。
发现论文，激发创造
  • 利用支持向量机对 Benders 割分类在解决双阶段随机规划问题中的应用

    本文提出了一种基于学习的 Benders 分解算法，使用支持向量机分类器识别关键切割面来加速解决双阶段随机规划问题，实验结果表明该方法可以显著降低不同大小和复杂度问题的求解时间。

    Jun, 2019

  • 通过强化学习替代模型加速斯特列若分解

    通过使用替代的代理模型加速 Benders 分解方法，相较于其他加速的实施方案，我们观察到平均收敛速度提高了 30%。我们介绍了一种基于强化学习代理的替代模型，并展示了如何用其解决随机库存管理问题。

    Jul, 2023

  • 无线资源分配的广义班德分解加速

    利用机器学习技术对广义班德尔分解算法进行加速的研究表明，学习到的割线分类器和割线回归器分别用于标记有用和无用的割线，从而减少了主问题的复杂度，而不会损失优化结果，并且在无线网络中具有较强的实用性。

    Mar, 2020

  • 时空深度学习辅助降低安全约束单位组合问题

    该研究使用高级机器学习模型通过考虑基于图神经网络 (GNN) 的空间相关性和基于长短期记忆 (LSTM) 网络的时间序列研究模式，来挖掘电力系统历史数据中的地理和时间相关性，以有效预测发电机等级计划，应用于 SCUC 模型简化，提高计算效率而不影响解决方案的质量

    Jun, 2023

  • 基于 Transformer 的大规模多阶段随机优化的逐阶分解

    通过引入 TranSDDP，一种基于 Transformer 的分阶段分解算法，我们有效地为大规模多阶段随机规划问题生成了分段线性逼近，显著减少了计算时间同时保持解决方案的质量，从而标志着在处理大规模多阶段随机规划问题方面的一个有希望的进展。

    Apr, 2024

  • 图分解的端到端学习

    提出了一种基于条件随机场的端到端可训练框架来解决图分解问题，用于图的二值化和特征表示学习，并在 MNIST 和真实世界中的多人姿态估计任务中进行了验证。

    Dec, 2018

  • 通过人工智能，让基于分解的优化摒弃人类干涉：第二部分。学习初始化

    通过机器学习方法学习大规模优化问题的分解式解决方法，从而在计算时间上实现最优初始化，进而用于解决混合整数模型预测控制问题，结果表明该方法能显著减少解决时间并减少所需数据。

    Oct, 2023

  • 两阶段 ML 引导的不确定性顺序决策规则

    在这篇论文中，介绍了一种名为 Two-Stage General Decision Rules (TS-GDR) 的新方法，通过使用深度递归神经网络来解决顺序决策问题，并应用于长期水热调度问题，显著提高了解决方案质量并大幅减少计算时间。

    May, 2024

  • 贝叶斯深度学习中不确定性分解的高效和风险敏感学习

    本文介绍了一种基于贝叶斯神经网络与潜变量的概率模型可用于对数据中的复杂噪声模式进行建模和决策，同时提出了一种通过不确定性分解策略辨识有信息量的数据点以及如何平衡预期成本、模型偏差与噪声厌恶的新型风险敏感标准用于强化学习。

    Oct, 2017

  • 基于数据驱动的设计优化的二阶段代理建模及应用于复合微结构生成

    提出了一种新颖的两阶段机器学习的代理建模框架，用于解决科学和工程领域中的反问题。该框架的独特贡献在于集成了符合推理，提供了一种多功能且高效的方法，可以广泛应用。通过进行基准测试和研究集中在纤维增强复合材料的微机械建模的工程应用，结果证实了我们提出的框架的优越性，因为它始终产生更可靠的解决方案。因此，引入的框架为促进机器学习的代理模型在实际应用中的相互作用提供了独特的视角。

    Jan, 2024