文献

J-GLOBAL ID：201702272311716427   整理番号：17A0408754

無効電力最適化のための移動強化学習を用いたバイオにヒントを得た最適化の加速【Powered by NICT】

Accelerating bio-inspired optimizer with transfer reinforcement learning for reactive power optimization

著者 (4件)： Zhang Xiaoshun (College of Electric Power, South China University of Technology, Guangzhou, 510640, China) ,  Yu Tao (College of Electric Power, South China University of Technology, Guangzhou, 510640, China) ,  Yang Bo (Faculty of Electric Power Engineering, Kunming University of Science and Technology, Kunming, 650504, China) ,  Cheng Lefeng (College of Electric Power, South China University of Technology, Guangzhou, 510640, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 116  ページ： 26-38  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本論文では,大規模電力系統における無効電力最適化(RPO)を解くための転送強化学習(TRL)に関連する新規加速バイオインスパイアード最適化(ABO)を提案した。メモリ行列は,種々の深い状態-行動ペアの記憶,異なる最適化タスク間の知識学習・蓄積・転送に使用されるを表現するために採用した。連想メモリは記憶行列の次元を顕著に低減する導入であり,そこでは一つ以上の要素は協調マルチバイオンによる更新を行うことができる。勝利または高速政策山登り(WoLF PHC)を学習も収束を加速するために使用されている。,ABOはそれらの類似性に従ってソースタスクの事前知識を利用することにより,厳密な大域的最適化への最近接解を迅速にできる。ABOの性能をIEEEの118母線システムとIEEEの300母線系統にRPOを評価した。シミュレーション結果は,ABO血液型は他のそれよりも大域的収束能力と安定性,収束速度の大きさの1桁を向上させるような既存人工知能アルゴリズムより優れていることを検証した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 記憶装置 ,  *強化学習 ,  IEEE ,  *学習 ,  人工知能 ,  類似性 ,  *最適化 ,  連想メモリ ,  電力系統 ,  高速度
準シソーラス用語： 収束速度 ,  大域的最適化 ,  事前知識 ,  登山 ,  *無効電力最適化 , 【Automatic Indexing@JST】

著者キーワード (6件)： I加速バイオにヒントを得た最適化 ,  移動強化学習 ,  メモリ行列 ,  協調マルチバイオン ,  WoLF PHC ,  無効電力最適化

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 無効電力最適化 ,  強化学習 ,  ヒント ,  最適化 ,  加速