IPOPT
PulseAugur coverage of IPOPT — every cluster mentioning IPOPT across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的自监督学习框架解决了复杂的电网优化问题
研究人员开发了一种新颖的自监督学习框架，称为惩罚+序列线性化可行性搜索（SLFS），旨在解决配电网中的多相交流最优潮流（AC-OPF）问题。该方法不需要标记的最优解，而是通过可微分不动点潮流求解器直接从AC-OPF目标和约束中进行训练。该框架使用Sherman-Morrison-Woodbury更新和M步雅可比近似来有效地处理拓扑变化，并在推理时提供可行性保证。在各种IEEE馈线上的测试表明，与IPOPT等传统求解器相比，速度显著提高…
-
GENCO 神经网络求解器统一电网分析任务，提供显著加速
研究人员开发了 GENCO，这是一种专为电力传输电网稳态分析设计的统一神经网络求解器。这种新架构可以在单个模型中处理潮流、最优潮流和状态估计任务。GENCO 表现出显著的加速，在潮流计算方面比传统方法快 30 倍，在最优潮流计算方面快 85 倍，同时在状态估计方面也显示出更强的鲁棒性。
-
新框架使用物理信息图神经网络实现更快、更鲁棒的潮流解决方案
研究人员开发了PINCO，一个新颖的无监督学习框架，它结合了图神经网络和物理信息神经网络来解决交流最优潮流（AC-OPF）问题。该方法通过处理未经过滤的数据（包括病态情况和高达N-2故障的拓扑变化）来增强鲁棒性。PINCO还引入了一个聚类分支，无需传统求解器即可区分可行解和不可行解，在约束满足方面达到了与现有方法相当的水平，同时提供了显著的计算加速。
-
混合新方法通过进化算法增强约束优化
研究人员开发了一种新的混合增广拉格朗日（HyAL）方法，该方法结合了增广拉格朗日框架和进化算法在约束优化问题上的优势。这种新颖的方法利用进化技术来解决增广拉格朗日迭代中的子问题，增强了探索能力并有助于跳出局部最优。在基准问题上的实验表明，HyAL能够持续获得高质量的解决方案，其性能优于纯进化方法，并且在高维问题上具有更好的可扩展性。该方法在具有多个局部最小值和鞍点的复杂景观上，也超越了最先进的数值优化算法。
-
新的ADMM算法加速场景模型预测控制
研究人员开发了一种新颖的学习加速交替方向乘子法（ADMM）算法，以显著加速基于场景的模型预测控制（SBMPC）。该方法重新构建了SBMPC问题，以实现跨场景和时间步长的并行更新，并利用Moreau包络学习来加速计算。在微电网能源管理问题上的评估显示，与IPOPT和MadNLP等传统求解器相比，该方法在保持精确控制性能的同时，实现了显著的加速。
-
新系统Pharos提升城市空域无人机安全性
研究人员开发了Pharos，一个专为复杂城市环境设计的新型多无人机空域管理系统。该系统旨在通过防止碰撞和减轻人类恐惧来提高安全性，定位在完全分布式和集中式控制范式之间。Pharos利用MAPPO算法进行高效协调，与现有基准相比，在减轻人类恐惧方面提高了52%以上，并提高了70%的空间利用率。
-
新AI求解器从KKT条件学习优化，超越IPOPT
研究人员开发了一种新颖的自监督学习方法，用于约束优化问题的迭代求解器。该方法利用神经网络预测初始解，并使用学习到的迭代求解器进行精炼，以 Karush-Kuhn-Tucker (KKT) 条件为基础的损失函数进行指导。这种方法允许在没有预先求解的优化器解的情况下进行训练，并理论上保证收敛到KKT点。实验表明，与现有求解器相比，即使在非凸问题上，该方法也显著提高了速度和准确性。
-
新型机器人导航系统使用贝叶斯优化增强规划
研究人员开发了一种新的无地图自主机器人导航框架，该框架将反应式规划与非线性模型预测控制（MPC）相结合。该系统使用基于 LiDAR 的高斯占用表示和 A* 搜索算法来生成无碰撞轨迹，然后由 MPC 公式进行跟踪。为了优化控制器参数，采用了利用树状 Parzen 估计器（TPE）和高斯过程代理的离线贝叶斯优化方案。该框架在 Unitree Go2 机器人在模拟和物理硬件上成功进行了评估，实现了 90.0% 的导航成功率，并展示了从模拟到…
-
Microsoft Research 发布 GridSFM 以加速电网分析
Microsoft Research 开发了 GridSFM，这是一种紧凑型基础模型，旨在快速准确地预测电网中的最优潮流。该模型可以在几毫秒内近似复杂的交流最优潮流计算，而以前这项任务需要数小时。通过实现更快的分析，GridSFM 旨在减少因拥堵和可再生能源限制造成的巨大年度损失，同时提高电网的可靠性和稳定性。
-
WARP基准测试挑战AI在电网求解器上的热启动声明
研究人员开发了WARP，一个用于优化电网运行的新基准测试和模型。先前用于预测内点求解器热启动迭代的机器学习方法，由于不恰当的基线比较而被发现无效。新的WARP模型是一个编码-处理-解码交互网络，可预测完整的对偶原始状态，将求解器迭代次数减少了85%，并能在不重新训练的情况下适应网络拓扑变化。