Data-driven decision-focused surrogate modeling

要約

リアルタイム設定で計算上困難な非線形最適化問題を解決するための意思決定中心のサロゲート モデリングの概念を導入します。
提案されたデータ駆動型フレームワークは、より単純な方法を学習しようとしています。
決定予測誤差を最小限に抑えるようにトレーニングされた凸型の代理最適化モデル。決定予測誤差は、元の最適化モデルと代理最適化モデルの最適解の差として定義されます。
バイレベル プログラムとして定式化された学習問題は、以前の研究で得た分解ベースの解法アルゴリズムを適用したデータ駆動型の逆最適化問題とみなすことができます。
私たちは、化学反応器、熱交換器ネットワーク、材料混合システムなどの一般的な非線形化学プロセスの最適化を含む数値実験を通じてフレームワークを検証します。
また、意思決定中心のサロゲート モデリングと標準的なデータ駆動型サロゲート モデリング手法との詳細な比較を示し、私たちのアプローチがデータ効率が大幅に向上し、同時に高い意思決定予測精度を備えたシンプルなサロゲート モデルを生成することを示します。

要約(オリジナル)

We introduce the concept of decision-focused surrogate modeling for solving computationally challenging nonlinear optimization problems in real-time settings. The proposed data-driven framework seeks to learn a simpler, e.g. convex, surrogate optimization model that is trained to minimize the decision prediction error, which is defined as the difference between the optimal solutions of the original and the surrogate optimization models. The learning problem, formulated as a bilevel program, can be viewed as a data-driven inverse optimization problem to which we apply a decomposition-based solution algorithm from previous work. We validate our framework through numerical experiments involving the optimization of common nonlinear chemical processes such as chemical reactors, heat exchanger networks, and material blending systems. We also present a detailed comparison of decision-focused surrogate modeling with standard data-driven surrogate modeling methods and demonstrate that our approach is significantly more data-efficient while producing simple surrogate models with high decision prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google