迈向可靠的神经优化器：动态数据驱动应用系统中的置换等变神经近似
系统与控制
2025-08-28 v1 系统与控制
摘要
动态数据驱动应用系统（DDDAS）推动了能够适应来自传感器网络的流式、异构和异步数据的优化方法的发展。许多成熟的优化求解器，如分支定界法、梯度下降法和牛顿-拉夫森法，依赖于迭代算法，其逐步收敛的特性使它们对于实时、多传感器环境而言过于缓慢。在我们最近的工作中，我们引入了 LOOP-PE（学习优化优化过程，排列等变版本），这是一种前馈神经近似模型，具有集成的可行性恢复函数。LOOP-PE 以任意顺序处理来自可变数量传感器的输入，使其对传感器丢失、通信延迟和系统扩展具有鲁棒性。其排列等变架构确保重新排列输入数据会一致地重新排列相应的调度决策，无需重新训练或预对齐。可行性通过广义规范映射强制执行，保证输出满足物理和操作约束。我们通过一个受 DDDAS 启发的虚拟电厂（VPP）案例研究来说明该方法，该 VPP 管理多个分布式发电代理（DERs），以在尊重系统限制的同时最大化可再生能源利用率。结果表明，LOOP-PE 在动态、无序和分布式感知条件下产生接近最优、可行且高度自适应的决策，在速度和灵活性方面显著优于基于迭代算法的求解器。在此，我们扩展了早期工作，对 LOOP-PE 的设计和运行提供了额外的分析和解释，特别强调了其可行性保证和排列等变特性。
引用
@article{arxiv.2508.19364,
title = {Towards Reliable Neural Optimizers: Permutation-Equivariant Neural Approximation in Dynamic Data Driven Applications Systems},
author = {Meiyi Li and Javad Mohammadi},
journal= {arXiv preprint arXiv:2508.19364},
year = {2025}
}