ترجمه فارسی مقاله یادگیری خود سنجی از حلال های تکراری برای بهینه سازی محدود

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Self-Supervised Learning of Iterative Solvers for Constrained Optimization
عنوان مقاله به فارسی یادگیری خود سنجی از حلال های تکراری برای بهینه سازی محدود
نویسندگان Lukas Lüken, Sergio Lucia
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Optimization and Control,یادگیری ماشین , بهینه سازی و کنترل ,
توضیحات Submitted 12 September, 2024; originally announced September 2024. , Comments: 13 pages, 1 figure
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 13 صفحه ، 1 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Obtaining the solution of constrained optimization problems as a function of parameters is very important in a multitude of applications, such as control and planning. Solving such parametric optimization problems in real time can present significant challenges, particularly when it is necessary to obtain highly accurate solutions or batches of solutions. To solve these challenges, we propose a learning-based iterative solver for constrained optimization which can obtain very fast and accurate solutions by customizing the solver to a specific parametric optimization problem. For a given set of parameters of the constrained optimization problem, we propose a first step with a neural network predictor that outputs primal-dual solutions of a reasonable degree of accuracy. This primal-dual solution is then improved to a very high degree of accuracy in a second step by a learned iterative solver in the form of a neural network. A novel loss function based on the Karush-Kuhn-Tucker conditions of optimality is introduced, enabling fully self-supervised training of both neural networks without the necessity of prior sampling of optimizer solutions. The evaluation of a variety of quadratic and nonlinear parametric test problems demonstrates that the predictor alone is already competitive with recent self-supervised schemes for approximating optimal solutions. The second step of our proposed learning-based iterative constrained optimizer achieves solutions with orders of magnitude better accuracy than other learning-based approaches, while being faster to evaluate than state-of-the-art solvers and natively allowing for GPU parallelization.

چکیده به فارسی (ترجمه ماشینی)

به دست آوردن راه حل مشکلات بهینه سازی محدود به عنوان تابعی از پارامترها در بسیاری از برنامه ها مانند کنترل و برنامه ریزی بسیار مهم است.حل چنین مشکلات بهینه سازی پارامتری در زمان واقعی می تواند چالش های مهمی را به وجود آورد ، به ویژه هنگامی که برای به دست آوردن راه حل های بسیار دقیق یا دسته ای از راه حل ها لازم است.برای حل این چالش ها ، ما یک حل کننده تکراری مبتنی بر یادگیری را برای بهینه سازی محدود پیشنهاد می کنیم که می تواند با شخصی سازی حل کننده به یک مشکل بهینه سازی پارامتری خاص ، راه حل های بسیار سریع و دقیق را بدست آورد.برای مجموعه ای از پارامترهای مشکل بهینه سازی محدود ، ما اولین قدم را با یک پیش بینی کننده شبکه عصبی پیشنهاد می کنیم که راه حل های اولیه دوتایی از یک درجه معقول از دقت را ارائه می دهد.این راه حل دوتایی اولیه در مرحله دوم توسط یک حل کننده تکراری آموخته شده به شکل یک شبکه عصبی به درجه بسیار بالایی از دقت بهبود می یابد.یک عملکرد از دست دادن جدید مبتنی بر شرایط بهینه Karush-Kuhn-Tucker معرفی شده است ، و این امکان را فراهم می کند که آموزش کاملاً خودکاره ای از هر دو شبکه عصبی را بدون نیاز به نمونه گیری قبلی از راه حل های بهینه ساز فراهم کند.ارزیابی انواع مشکلات تست پارامتری درجه دوم و غیرخطی نشان می دهد که پیش بینی کننده به تنهایی با طرح های خودكاری اخیر برای تقریب راه حل های بهینه در حال حاضر رقابت است.مرحله دوم بهینه ساز محدود شده مبتنی بر یادگیری مبتنی بر یادگیری ما ، با سفارشات دقت بیشتری نسبت به سایر رویکردهای مبتنی بر یادگیری ، راه حل هایی را به دست می آورد ، در حالی که سریعتر از حلال های پیشرفته ارزیابی می شود و به طور بومی اجازه موازی سازی GPU را می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.