概要

本論文は、二段階適応的ロバスト最適化（ARO）における計算上の課題を解決するため、L2O-CCGという新しい枠組みを提案しています。エネルギーシステムの脱炭素化やマイクログリッド運用など、不確実性を含む最適化問題において、最悪ケースシナリオを特定する敵対的部分問題が計算のボトルネックになっています。本研究は、機械学習を活用して汎用的な敵対的ソルバーを開発し、異なる不確実性集合間での一般化能力を実現します。

ポイント

  • 計算上の課題: 二段階ARO における敵対的部分問題は、再利用価値関数が非凹型で不確実性集合が変動する場合に特に困難
  • 既存手法の限界: 従来のアプローチは価値関数や不確実性集合の特定の構造的仮定に依存し、条件変化時に性能が低下
  • L2O-CCGの提案: 制約・列生成（CCG）アルゴリズム内に構造認識的な敵対的ソルバーを統合した二段階フレームワーク
  • 学習型ソルバー: 従来のソルバー探索を、不確実性集合間で一般化可能な学習型近接勾配オプティマイザーに置き換え
  • 応用可能性: エネルギーシステムや電力ネットワーク最適化など、脱炭素化関連の不確実性を含む大規模最適化問題への適用可能性

出典

L2O-CCG: Adversarial Learning with Set Generalization for Adaptive Robust Optimization

この記事はAIが海外情報を要約・翻訳したものです。元記事は出典リンクをご覧ください。