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研究（Python代码实现）

 💥💥💞💞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

📚2 运行结果

🎉3 参考文献

🌈4 Python代码及文章

---

💥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。

🌈4 Python代码及文章