💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
《高维多阶段随机规划问题的正则化分解与马尔可夫不确定性》
摘要:我们针对高维多阶段随机优化问题,其中可能包含大量时间段/阶段(例如数百个)、高维资源状态变量和马尔可夫信息过程,开发了一种二次正则化方法。在温和的技术假设下,我们证明了结果算法在有限次迭代后收敛到最优策略。我们使用大型输电网的能量存储优化设置进行了计算实验,这激发了我们问题的空间和时间维度。我们的数值结果表明,所提出的方法比传统方法表现出更快的收敛速度,对于高维问题,观察到更大的收益。
关键词:多阶段随机优化、二次正则化、嵌套分解、随机双动态规划
📚2 运行结果
部分代码:
# HB-State ################### ic('------ HB-State --------') # Set algorithm parameter p_gain = options.PG i_gain = options.IG ic(mass, p_gain, i_gain) # Zero Initial Condition # pim_s_init = np.hstack((x_init,10*np.zeros(3*N*n))) # Random Initial Condition pim_s_init = np.hstack((x_init,10*z_init,10*np.random.random(2*N*n))) # Solve sln_pim_s = solve_ivp( PIM, t_span = [0,options.T_MAX], y0 = pim_s_init, max_step = 0.05, ) ax1.plot(sln_pim_s.t, dist(sln_pim_s.y[0:N*n,:] ), label='HB-State') ################ ################ ################ # Plotting properties ax1.set_yscale('log') plt.legend(fontsize=13) ax1.set_xlabel(r'$\mathrm{Time[s]}$') ax1.set_ylabel(r'$\frac{1}{N}\sum_{i=1}^N|w_i-w^*|$') ax1.set_title(r'$C = {}$, $k_{{\rm p}} = {}$, $k_{{\rm I}} = {}$'.format(int(options.COND_NUM), options.PG, options.IG) ) # Ticker locmaj = matplotlib.ticker.LogLocator(base=10,numticks=6) ax1.yaxis.set_major_locator(locmaj) locmin = matplotlib.ticker.LogLocator(base=10.0, subs=np.arange(0,1,0.1), numticks=30) ax1.yaxis.set_minor_locator(locmin) ax1.yaxis.set_minor_formatter(matplotlib.ticker.NullFormatter()) fig1.savefig('../results/least_square_kappa_' + str(int(options.COND_NUM)) + '_kp_' + str(int(options.PG*100)) + '_ki_' + str(int(options.IG*100)) + '_mass100_' + str(int(mass*100)) + '.png', bbox_inches='tight', dpi=600) plt.show()
🎉3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。