DC3: طريقة تعلم للتحسين مع قيود صارمة

تنشأ مشاكل التحسين الكبيرة مع قيود صارمة في العديد من البيئات، ومع ذلك، غالبًا ما تكون الحلول التقليدية بطيئة بشكل غير معقول، مما يحفز استخدام الشبكات العميقة كحلول "تقريبية" رخيصة. للأسف، approaches التعلم العميق الساذجة عادةً لا يمكنها فرض القيود الصارمة لمثل هذه المشاكل، مما يؤدي إلى حلول غير قابلة للتنفيذ. في هذا العمل، نقدم إكمال وتصحيح القيود العميقة (DC3)، وهو خوارزمية لمعالجة هذا التحدي. بشكل محدد، تفرض هذه الطريقة القابلية عن طريق إجراء تفاضلي، والذي يكمل ضمنيًا الحلول الجزئية لتلبية قيود المساواة ويفكك التصحيحات المعتمدة على التدرج لتلبية قيود عدم المساواة. نوضح فعالية DC3 في كل من مهام التحسين الاصطناعية والإعداد الواقعي لتدفق الطاقة الأمثل AC، حيث تشفر القيود الصارمة الفيزياء الخاصة بالشبكة الكهربائية. في كلتا الحالتين، تحقق DC3 قيم هدف قريبة من المثلى مع الحفاظ على القابلية.