基于少样本物理引导时空图卷积网络的机组组合学习求解方法
系统与控制
2024-05-03 v1 机器学习
系统与控制
摘要
本文提出了一种少样本物理引导时空图卷积网络（FPG-STGCN），以快速求解机组组合（UC）问题。首先，对 STGCN 进行定制以参数化 UC。然后，提出了少样本物理引导学习方案。该方案利用商业优化器生成的少量典型 UC 解来跳出局部最小值，并利用增广拉格朗日方法来满足约束。为了在学习过程中进一步实现整数变量的可行性与连续松弛，提出了 Tanh-Sign 复合的直通估计器，以对混合整数解空间进行完全可微处理。基于 IEEE 基准的案例研究证明，我们的方法在 UC 可行性上优于主流学习方法，并在效率上超越传统求解器。
引用
@article{arxiv.2405.01200,
title = {Learning-to-solve unit commitment based on few-shot physics-guided spatial-temporal graph convolution network},
author = {Mei Yang and Gao Qiu andJunyong Liu and Kai Liu},
journal= {arXiv preprint arXiv:2405.01200},
year = {2024}
}