ترجمه فارسی مقاله یک رویکرد یادگیری مولد عمیق برای بهینه‌سازی قوی تطبیقی ​​دو مرحله‌ای

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 A Deep Generative Learning Approach for Two-stage Adaptive Robust Optimization
عنوان مقاله به فارسی یک رویکرد یادگیری مولد عمیق برای بهینه‌سازی قوی تطبیقی ​​دو مرحله‌ای
نویسندگان Aron Brenner, Rahman Khorramfar, Jennifer Sun, Saurabh Amin
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Systems and Control,Machine Learning,سیستم ها و کنترل , یادگیری ماشین ,
توضیحات Submitted 5 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
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

Two-stage adaptive robust optimization is a powerful approach for planning under uncertainty that aims to balance costs of "here-and-now" first-stage decisions with those of "wait-and-see" recourse decisions made after uncertainty is realized. To embed robustness against uncertainty, modelers typically assume a simple polyhedral or ellipsoidal set over which contingencies may be realized. However, these simple uncertainty sets tend to yield highly conservative decision-making when uncertainties are high-dimensional. In this work, we introduce AGRO, a column-and-constraint generation algorithm that performs adversarial generation for two-stage adaptive robust optimization using a variational autoencoder. AGRO identifies realistic and cost-maximizing contingencies by optimizing over spherical uncertainty sets in a latent space using a projected gradient ascent approach that differentiates the optimal recourse cost with respect to the latent variable. To demonstrate the cost- and time-efficiency of our approach experimentally, we apply AGRO to an adaptive robust capacity expansion problem for a regional power system and show that AGRO is able to reduce costs by up to 7.8% and runtimes by up to 77% in comparison to the conventional column-and-constraint generation algorithm.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی تطبیقی ​​دو مرحله ای یک رویکرد قدرتمند برای برنامه ریزی تحت عدم اطمینان است که هدف آن تعادل هزینه های تصمیمات مرحله اول "در اینجا و اکنون" با تصمیمات مراجعه کننده "انتظار و دیدن" است که پس از عدم اطمینان انجام می شود.برای جاسازی استحکام در برابر عدم اطمینان ، مدل سازان به طور معمول یک مجموعه ساده یا بیضوی ساده را فرض می کنند که ممکن است احتمالات تحقق یابد.با این حال ، این مجموعه های عدم قطعیت ساده تمایل دارند که تصمیم گیری بسیار محافظه کارانه در صورت عدم قطعیت ها با ابعاد بالا انجام شود.در این کار ، ما Agro را معرفی می کنیم ، یک الگوریتم تولید ستون و محدوده ای که نسل متناقض را برای بهینه سازی تطبیقی ​​دو مرحله ای با استفاده از یک autoencoder متنوع انجام می دهد.Agro با بهینه سازی مجموعه های عدم قطعیت کروی در یک فضای نهفته با استفاده از یک رویکرد صعود شیب پیش بینی شده که هزینه مراجعه بهینه را با توجه به متغیر نهفته متمایز می کند ، احتمالی واقع گرایانه و با هزینه حداکثر را مشخص می کند.برای نشان دادن هزینه و کارآیی زمان رویکرد ما به صورت تجربی ، ما کشاورزی را برای یک مشکل گسترش ظرفیت قوی سازگار برای یک سیستم قدرت منطقه ای اعمال می کنیم و نشان می دهیم که کشاورزی قادر است هزینه ها را تا 7.8 ٪ کاهش دهد و تا زمان های 77 ٪در مقایسه با الگوریتم تولید ستون و محدوده معمولی.

📚 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.