PDE约束优化控制问题-NN求解含参问题

已于 2023-02-15 08:52:01 修改
阅读量128 收藏
点赞数
分类专栏： PDE约束优化控制问题 文章标签： pytorch 深度学习 神经网络
于 2022-02-16 19:46:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/forrestguang/article/details/122970504
版权
该博客介绍了如何利用神经网络（NN）解决偏微分方程（PDE）约束的优化控制问题，特别是含参问题。在算例1中，通过将ub作为第三个维度处理，可以适应性地解决一系列问题。算例2探讨了多个参数的情况，一次性求解不同参数组合下的问题，例如(μ1, μ2) = (0.25, 2.5)，并提供了使用dolfin求解的对比示例。" 116885222,7800548,逐步回归分析：方法与应用,"['数据挖掘', '机器学习', '统计分析', 'Python', '回归分析']
摘要由CSDN通过智能技术生成

算例1（gongwei修改ub含参问题）

在这里插入图片描述
把ub当成第三个维度传入NN，相应修改 y d , f , u a c c y_d,f,u_{acc}

了解本专栏 订阅专栏 解锁全文
PDE约束优化控制问题-神经网络求解几何参数泊松约束问题
forrestguang的博客
03-11 268
算例1（gongwei） basicgeo.py 结果整理代码 算例2:box(μ1,μ2)(\mu_1,\mu_2)(μ1​,μ2​) min⁡u∈Uad,yJ(y,u)=12∥y−yd∥L2(Ω)2+α2∥u∥L2(Ω)2,Ω=[0,2]×[0,1]−B(1.5,0.5,μ1). s.t. {−Δy=u,in  Ω,y=1,on  ∂Ω.B(1.5,0.5,μ1)=(x−1.5)2+(y−0.5)2≤μ12.yd={1,x<1μ2,else.u∈Uad={u:0≤u≤10
PDE约束优化控制问题-神经网络结合惩罚函数求解
forrestguang的博客
01-27 377
算例引入 这里我们以下面这个算例为根本，相继介绍神经网络+penalty以及神经网络+ALM如何求解约束优化问题。 min⁡y,uJ(y,u)=12∫Ω(y−yΩ)2+u2dxdy+∫∂ΩeΓyds. s.t. −Δy+y=u+eΩ,x∈Ω,∂y∂n=0,x∈∂Ω.0≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \frac{1}{2}\int_{\Omega} (y - y_{\Omega})^2 + u^2 dx d
PDE约束优化控制问题-神经网络求解L1稀疏优化
forrestguang的博客
03-17 271
（圆形区域L1优化） 算例来源于下列文献： 该论文给出了算例的参考结果 下面我们将展示我们的算例结果： DAL+dolfin代码 r""" Solves a optimal control problem constrained by the Poisson equation: min_(u, m) \int_\Omega 1/2 || u - d ||^2 + 1/2 || f ||^2 subject to grad \cdot \grad u = f in
PDE约束优化控制问题-固定参数pinn,DAL对比
forrestguang的博客
02-18 446
算例引入 { minimize J(y,u):=12∥y−yd∥L22+α2∥u∥L22 subject to {−Δy=u in Ωy=0 on ∂Ωandyd={1,0≤x0≤1,μ2else.\left\{\begin{aligned} \text { minimize } &J(y, u):=\frac{1}{2}\left\|y-y_{d}\right\|_{L^{2}}^{2}+\fra
PDE约束优化控制问题求解-间断问题
forrestguang的博客
02-07 633
min⁡y,uJ(y,u)=∫Ω(y−yΩ)2dxdy s.t. −Δy=u+eΩ,x∈Ω,y=0,x∈∂Ω.−1≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \int_{\Omega} (y - y_{\Omega})^2 dx dy \\ \text { s.t. } & - \Delta y = u + e_{\Omega},\mathbf{x} \in \Omega, \\{ }&y = 0, \math
PDE约束优化控制问题求解-基础入门
forrestguang的博客
08-06 625
问题引入 给出两个优化问题： 问题1 min⁡y,uJ(y,u)=12∫Ω(y−yΩ)2+u2dxdy+∫∂ΩeΓyds. s.t. −Δy+y=u+eΩ,x∈Ω,∂y∂n=0,x∈∂Ω.0≤u≤1.\begin{array}{cl} \min _{y,u} & J(y,u) = \frac{1}{2}\int_{\Omega} (y - y_{\Omega})^2 + u^2 dx dy + \int_{\partial \Omega} e_{\Gamma}y
PDE约束优化控制问题-NN结合DAL
forrestguang的博客
02-16 260
引入算例基本形式 min⁡u∈Uad,yJ(y,u)=12∥y−yd∥L2(Ω)2+α2∥u∥L2(Ω)2,Ω=[0,1]d. s.t. {−Δy=u,in  Ω,y=y0,on  ∂Ω.\begin{aligned} &\min_{u \in U_{ad},y} J(y,u) = \frac{1}{2}\|y - y_d\|^{2}_{L^{2}(\Omega)} + \frac{\alpha}{2}\|u\|^2_{L^{2}(\Omega)} ,\quad \Ome
ALM结合神经网络求解PDE约束优化控制问题
forrestguang的博客
05-16 218
算法介绍 一般问题引入 {min⁡(y),u)∈Y×UJ(y,u), s.t. F(y,u)=0. and u∈Uad\left\{\begin{aligned} \min _{(y), u) \in Y \times U} J(y, u),\\ \text { s.t. }\mathbf{F}(y, u) = 0 .\\ \text{ and } u\in U_{ad} \end{aligned}\right.⎩⎪⎪⎨⎪⎪⎧​(y),
深度学习笔记19-YOLOv5-C3模块实现(Pytorch)
m0_67869333的博客
03-28 298
三、训练模型 1.编写训练函数 2.编写测试函数 3.正式训练 2.模型评估 五、总结 1. YOLO的C3模块
Pytorch中DataLoader的介绍
weixin_70673823的博客
03-29 1051
Pytorch中DataLoader的介绍——DataLoader的使用说明及使用实例
YOLOv12即插即用-Pconv(风车卷积)
llz19670的博客
04-01 135
PinwheelConv（风车状卷积）充分利用了IRST（红外搜索与跟踪）中的高斯分布特性，以极少的参数实现了高效且更大感受野的特性。此外，本文还提出了一种简单而高效的，有效缓解了标签 IoU 变化带来的不稳定性。通过与现有卷积模块和损失函数的广泛对比，所提出的方法在准确性和鲁棒性方面始终优于最先进的方法，展现出卓越的性能和广泛的应用潜力。
PyTorch 2.6.0没有对应的torch-sparse版本，不要下载pytorch最新版本，否则用不了图神经网络torch_geometric
qlkaicx的博客
03-29 515
步骤命令卸载 PyTorch 2.6.0安装 PyTorch 2.5.1 CPU 版安装 PyG 依赖安装 PyG。
ubuntu22安装nvdiffrast 和pytorch3d
qq_45769627的博客
04-01 84
如果上面的不成功，且你配置了ssh，那么可以试试ssh。
用 pytorch 从零开始创建大语言模型（三）：编码注意力机制
xzs1210652636的博客
03-29 818
本章内容包括： - 探索在神经网络中使用注意力机制的原因 - 介绍一个基本的自注意力框架，并逐步过渡到增强型自注意力机制 - 实现一个因果注意力模块，使得LLM能够一次生成一个token - 使用dropout随机屏蔽部分注意力权重以减少过拟合 - 将多个因果注意力模块堆叠成一个多头注意力模块 在上一章中，你学习了如何为训练LLM准备输入文本。这包括将文本划分为单词和子词的token，这些token可以被编码为向量表示，即所谓的**嵌入（embeddings）**，供LLM使用。
【强化学习】【1】【PyTorch】【强化学习简介优化框架】
4AM_明朝百晓生
04-01 380
为帮助学习者系统掌握该领域的核心知识与实践技能，本课程整合西湖大学赵世钰教授权威课程体系、Python代码驱动的实战项目以及模块化知识图谱（ShareNote），构建"理论-算法-实现"三位一体的强化学习教学框架.延伸概念：回合(Episode)、策略(Policy)、回报(Return)、折扣因子。核心三要素：状态(State)、动作(Action)、奖励(Reward)同策略(On-policy) vs 异策略(Off-policy)对比。策略迭代(Policy Iteration)算法。
Pytorch学习笔记（十二）Learning PyTorch - NLP from Scratch
nenchoumi3119的博客
03-27 1639
这篇博客瞄准的是 pytorch 官方教程中章节的部分。
PyTorch 深度学习实战（27）：扩散模型（Diffusion Models）与图像生成
m0_60414444的博客
03-28 715
线性或余弦噪声计划。
Pytorch 张量操作
最新发布
qq_34941290的博客
04-01 69
构建一个简单的 CNN 模型，包含一个卷积层，用于提取频谱特征。
PyTorch 分布式训练（Distributed Data Parallel, DDP）简介
old_power的博客
03-28 793
DDP是PyTorch 提供的分布式训练接口
PINN方法求解求解pde
01-01
### 使用物理信息神经网络（PINN）求解偏微分方程 #### 物理信息神经网络概述 物理信息神经网络（Physics-Informed Neural Networks, PINNs）是一种结合了传统神经网络架构与物理学定律的方法，用于高效求解偏微分方程。这种方法通过引入物理约束条件作为损失函数的一部分，在不依赖大量数据的情况下能够获得较为精确的结果。 #### 构建PINN模型 构建一个有效的PINN模型涉及以下几个方面： - **定义输入变量**：对于大多数时空问题而言，时间\(t\)和空间坐标\(\mathbf{x}\)构成主要的输入参数。 - **设计网络结构**：采用多层感知机或多维卷积等形式建立深层前馈神经网络。该网络接收上述提到的时间及位置向量并输出待求未知场量及其导数形式[^1]。 ```python import torch from torch import nn class Net(nn.Module): def __init__(self, layers): super(Net, self).__init__() # 初始化全连接层列表 linears = [] for i in range(len(layers)-2): linears.append(nn.Linear(layers[i], layers[i+1])) linears.append(nn.Tanh()) # 添加最后一层线性变换 linears.append(nn.Linear(layers[-2], layers[-1])) self.linears = nn.Sequential(*linears) def forward(self, t, x): input_tensor = torch.cat([t,x], dim=1) output = self.linears(input_tensor) return output ``` #### 设定残差项与边界条件 为了使训练过程更加贴近实际物理现象，需将原始PDE转换成相应的弱形式或强形式下的残差表达式，并将其加入到总的目标函数之中；同时也要考虑初始时刻以及边界的特定情况加以适当处理[^3]。 ```python def compute_residual(net, t, x): u = net(t.requires_grad_(), x.requires_grad_()) du_dt = torch.autograd.grad(u.sum(), t, create_graph=True)[0] du_dx = torch.autograd.grad(u.sum(), x, create_graph=True)[0] d2u_dxx = torch.autograd.grad(du_dx.sum(), x, retain_graph=True, create_graph=True)[0] residual = du_dt + u * du_dx - nu * d2u_dxx return residual.pow(2).mean() ``` #### 训练流程 利用随机梯度下降算法或其他优化器调整权重直至收敛至全局最优解附近为止。期间可借助Adam等自适应学习率策略加速这一进程。值得注意的是，合理的超参设置有助于缓解过拟合风险并提高泛化能力[^2]。 ```python optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate) for epoch in range(num_epochs): optimizer.zero_grad() loss_pde = compute_residual(net, t_train, x_train) loss_bc = boundary_condition_loss(net, bc_data) total_loss = loss_pde + lambda_param*loss_bc total_loss.backward() optimizer.step() if epoch % print_every == 0: print(f'Epoch {epoch}, Loss: {total_loss.item()}') ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

谨慎付费（看不懂试读博客不要订阅）

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值