PDE约束优化控制问题-神经网络求解L1稀疏优化

已于 2023-04-13 22:09:10 修改
阅读量226 收藏
点赞数
分类专栏： PDE约束优化控制问题 文章标签： mesh python 机器学习
于 2022-03-17 13:18:29 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/123547687
版权

（圆形区域L1优化）

在这里插入图片描述

在这里插入图片描述
算例来源于下列文献：
在这里插入图片描述
该论文给出了算例的参考结果
在这里插入图片描述
下面我们将展示我们的算例结果：

DAL+dolfin代码

r""" Solves a optimal control problem
了解本专栏 订阅专栏 解锁全文
Galerkin码农选手
关注
专栏目录
订阅专栏
深度学习求解稀疏最优控制问题的并行化算法
forrestguang的博客
05-29 787
稀疏最优控制问题 问题改编自论文An FE-Inexact Heterogeneous ADMM for Elliptic Optimal Control Problems with L1-Control Cost {min⁡y(μ),u(μ)J(y(μ),u(μ))=12∥y(μ)−yd(μ)∥L2(Ω)2+α2∥u(μ)∥L2(Ω)2+μ∥u(μ)∥L1, subject to {−Δy(μ)=u(μ)+f(μ), in Ω(μ),y(μ)=0,&nbs
数学系硕士研究生的科研过程——PDE约束下含参优化控制问题的深度学习算法
forrestguang的博客
08-28 773
笔者今天上午收到了之前北大课题组老板的通知，得知研究生期间和学长合作的论文终于被siam接收，终于为自己研究生涯画上了一个句号。这里打算分享一下个人的科研过程以及这篇论文的工作，即将读研或者打算读研的同学或许可以从中获得益处。论文今天被接收，距离见刊尚有一段时间，因此这里只能提供arxiv上的论文链接。
凸优化、轨迹优化、最优控制
牛仔很忙
01-23 2662
优化问题，其实是一个经典问题了。其在工程上应用更值得关注。 在自动驾驶的规划、控制中应用广泛： CasADi - Docs https://www.youtube.com/watch?v=lx8RcYcYVuU Convex Optimization | edX CasADi/ACADOS学习 - 知乎 CasADi - Blog - Optimal control problems in a nutshell GitHub - xqmoo8/MINLP: 关于MINLP问题的一些资料（R
来自 PDE 的残差神经网络
wuyuanli_r的博客
01-25 1019
残差神经网络 参考文献 Deep Residual Learning for Image Recognition 对输入的向量 x, 经过 线性变换后, 再非线性变换, 然后线性变换, 最后加上 x. 写成公式 F(x)+x:=W2σ(W1x)+x. \text{F}(x) +x:=W_2\sigma(W_1x) +x. F(x)+x:=W2​σ(W1​x)+x. σ:R→R\sigma: \R \to \Rσ:R→R 是激活函数. 残差主要的作用是避免梯度消失. **残差卷积神经网络与PDE ** 对残
最优控制理论 七、关于数值求解算法的总结及软件分享
MSysのCSDN
07-31 7085
总结了数值求解轨迹优化常用的直接法、间接法，列举了我见到的最优控制求解软件。
带约束的最优化问题
热门推荐
NewThinker_wei 的专栏
11-01 5万+
学习支持向量机SVM时，拉格朗日对偶、Slater条件、KKT条件等一大堆概念席卷而来，让没系统学习过凸优化的笔者一头雾水，估计不少人都是这样吧。 为什么要引入一堆系数把约束条件与目标函数组合到一起？为什么满足了KKT条件就是符合条件的解? 为什么可以转化为对偶问题？什么是Slater条件？
用于发现 PDE 模型的稀疏约束神经网络
稀疏约束神经网络在偏微分方程模型发现中的应用Gert-Jan Both，1 GijsV ermarieün，2Remy Kusters11Universite´ de Paris，INSERM U1284，Center for Research and Interdisciplinarity（CRI），F-75006Paris，...
稀疏约束神经网络在偏微分方程模型发现中的应用
稀疏约束神经网络在偏微分方程模型发现中的应用Gert-Jan Both，1 Gijs Vermarieün，2Remy Kusters11巴黎大学，巴黎大学U1284，研究和跨学科中心（CRI），F-75006 Paris，France2荷兰莱顿大学莱顿天文台gert-jan....
偏微分方程约束下的优化控制问题（PDE-constrained optimal control problems）
forrestguang的博客
02-08 1323
{min⁡(y(x),u(x))∈Y×UJ(y(x),u(x)), s.t. F(y(x),u(x))=0 in Ω, and u(x)∈Uad,\left\{\begin{aligned} &\min _{(y(\mathbf{x}), u(\mathbf{x})) \in Y \times U} J(y(\mathbf{x}), u(\mathbf{x}) ),\\ &\text { s.t. } \ \mathbf{F}(y(\mathbf{x}),u(\mathbf{x
基于神经网络算法的函数寻优和工程优化
心升明月的博客
10-10 3380
文献[1]的研究以生物神经系统和人工神经网络为灵感，提出了一种求解复杂优化问题的元启发式优化算法——神经网络算法(Neural network algorithm, NNA)，它是基于人工神经网络(Artificial neural networks, ANNs)的独特结构而发展起来的。为了解决优化问题，需要将决策变量的值表示为一个数组。在解释NNA过程之前，应该先介绍一下用来描述这种算法的关键术语。每个个体或代理，一个包含每个优化变量的值的集合，被称为“模式解”(例如，在GA中，这个数组被称为“染色体”)
从有约束条件下的凸优化角度思考神经网络训练过程中的L2正则化
weixin_30596343的博客
05-30 461
从有约束条件下的凸优化角度思考神经网络训练过程中的L2正则化 神经网络在训练过程中,为应对过拟合问题,可以采用正则化方法(regularization),一种常用的正则化方法是L2正则化. 神经网络中L2正则化的定义形式如下: \[ J(W,b)=\frac{1}{m}\sum_{i=1}^{m}l(y^{(i)},\hat y^{(i)})+\frac{\lambda}{2m}\su...
第八章神经网络8.5优化函数
qq_43742590的博客
11-29 572
一、引入：反向传播算法 二、优化器optimizer 使用方法： 1、实例化优化器对象并将其传入model.compile() optimizer='adam' 2、通过名称调用优化器 optimizer=tf.keras.optimizers.Adam(learning_rate=0.001) 常见的优化函数： SGD：随机梯度下降优化器，通过抽取m个独立同分布样本，计算平均梯度值。 RM...
【智能优化算法】基于改进非线性收敛因子灰狼优化算法求解单目标优化问题附matlab代码
qq_59747472的博客
02-10 820
1 简介 基于非线性收敛因子改进的灰狼优化算法(GWO-S)进行8组标准测试函数的实验测试,结果表明 ​,GWO-S能在较短的时间寻优. 2 部分代码 %___________________________________________________________________% % Grey Wolf Optimizer function [Alpha_score,Alpha_pos,Convergence_curve]=GWO(SearchAgents_no
C++/OpenGL 入门(18):读取obj文件并贴图
娱乐至上的博客
03-03 9717
介绍obj文件用txt打开后的格式含义，OpenGL读取obj文件，调试中遇到的错误与解决办法，附上完整代码
自助餐剩余食品识别图像分割系统：教学内容全覆盖
sgcsdn99的博客
11-04 900
数据集信息展示在本研究中，我们使用的数据集名为“9_5_Merged”，该数据集专门用于训练改进YOLOv8-seg的自助餐剩余食品识别图像分割系统。该数据集包含71个类别，涵盖了丰富多样的食品种类，旨在提高模型对不同类型剩余食品的识别和分割能力。通过对这些类别的细致划分，我们希望能够实现更高精度的图像分割，进而优化自助餐剩余食品的管理和利用。
Day21包和模块
weixin_50199478的博客
10-30 629
一个.py文件就是一个模块。模块是含有一系列数据、函数、类等的程序。包是将模块以文件夹的组织形式进行分组管理的方法，以便更好地组织和管理相关模块。包是一个包含一个特殊的__init__.py文件的目录。
Python 类和对象
最新发布
疯一样的码农
11-04 571
在 Python 中，类是一个对象创建的蓝图。它指定了对象（实例）将具有的属性和方法的集合。类通过封装数据和行为，促进了代码的组织、复用和模块化。使用类可以建模现实世界中的对象，定义其属性，并更有效地控制应用程序的复杂性。在 Python 中，一切都是对象，所有的数据类型和结构都是特定类的实例。对象是类的实例，具有用于修改数据的方法和存储数据的属性。理解对象对于掌握 Python 中的面向对象编程（OOP）范式至关重要。
探索 Python 的新天地：Helium 库揭秘
AIGC搞起
11-04 578
在自动化测试和网页交互的领域，Selenium 是一个强大的工具，但它的复杂性和陡峭的学习曲线让许多开发者望而却步。Helium库的出现，以其简洁的 API 和易用性，为 Python 开发者提供了一个新的选择。它不仅简化了 Selenium 的使用，还自带 WebDriver，减少了配置的复杂性。Helium 以其简洁的 API 和易用性，为 Python 开发者提供了一个强大的 Selenium 替代方案。它不仅减少了代码量，还简化了 WebDriver 的管理，使得自动化测试和网页交互变得更加容易。
Python中的模块
piziliul的博客
11-04 168
创建introduce.py模块文件。创建my_info.py模块文件。
pde约束优化控制问题求解-间断问题
09-08
PDE约束优化控制问题是指在优化问题中存在偏微分方程（Partial Differential Equation, PDE）约束的控制问题。常见的PDE约束包括椭圆型、抛物型和双曲型方程等。 而间断问题是指在优化控制问题中，相关参数或变量会突然发生改变，即存在间断点的情况。间断问题的出现常常是由于系统的特性突变、外部扰动或控制策略的调整等原因引起的。 解决PDE约束优化控制问题的间断问题，可以采用以下方法： 1. 近似法：通过使用适当的数值方法，将偏微分方程转化为一系列离散点上的代数方程，然后利用求解代数方程的方法求解。在这种方法下，需要考虑间断点对数值方法的影响，并采取相应的调整措施。 2. 多模型方法：将间断问题转化为多个连续的子问题，每个子问题对应一段不连续的参数或变量。然后在每段连续区间上求解连续的PDE约束优化控制问题，最后将所有段的解整合起来。这种方法的关键是确定每个段的边界条件，以及在段之间实现平滑过渡。 3. 非光滑控制方法：通过使用非光滑控制理论，考虑到间断点的存在，建立非光滑控制模型，并在该模型下进行求解。这种方法的优势是能够处理复杂的间断问题，但需要深入研究非光滑控制理论及其应用。 总之，解决PDE约束优化控制问题求解的间断问题是一个具有挑战性的任务，需要合适的数值方法、数学模型和算法来克服。不同的方法适用于不同的问题，具体的选择应根据具体问题的特点和要求来决定。
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

Galerkin码农选手

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