Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Investigations with Monte Carlo Tree Search for Finding Better Multivariate Horner Schemes Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

Constraint-Handling with Support Vector Decoders

verfasst von : Jörg Bremer, Michael Sonnenschein

Erschienen in: Agents and Artificial Intelligence

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A comparably new application for support vector machines is their use for meta-modeling the feasible region in constrained optimization problems. Applications have already been developed to optimization problems from the smart grid domain. Still, the problem of a standardized integration of such models into (evolutionary) optimization algorithms was as yet unsolved. We present a new decoder approach that constructs a mapping from the unit hyper cube to the feasible region from the learned support vector model. Thus, constrained problems are transferred into unconstrained ones by space mapping for easier search. We present result from artificial test cases as well as simulation results from smart grid use cases for real power planning scenarios.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Mapping Multichannel Documents to Attentive Tasks: Ensuring Information Gain and Detecting Failure
Nächstes Kapitel Generation of Learning Situations According to the Learner’s Profile Within a Virtual Environment
Literatur
1.
Michalewicz, Z., Schoenauer, M.: Evolutionary algorithms for constrained parameter optimization problems. Evol. Comput. 4, 1–32 (1996)CrossRef
2.
Kramer, O.: A review of constraint-handling techniques for evolution strategies. Appl. Comp. Intell. Soft Comput. 2010, 3:1–3:19 (2010)
3.
Bremer, J., Rapp, B., Sonnenschein, M.: Support vector based encoding of distributed energy resources’ feasible load spaces. In: IEEE PES Conference on Innovative Smart Grid Technologies Europe, Chalmers Lindholmen, Gothenburg, Sweden (2010)
4.
Bremer, J., Sonnenschein, M.: Constraint-handling for optimization with support vector surrogate models - a novel decoder approach. In: Filipe, J., Fred, A. (eds.) ICAART 2013 - Proceedings of the 5th International Conference on Agents and Artificial Intelligence. Barcelona, vol. 2, pp. 91–105. SciTePress, Spain (2013)
5.
Coello Coello, C.A.: Theoretical and numerical constraint-handling techniques used with evolutionary algorithms: a survey of the state of the art. Comput. Methods Appl. Mech. Eng. 191, 1245–1287 (2002)MathSciNetCrossRefMATH
6.
Liepins, G.E., Vose, M.D.: Representational issues in genetic optimization. J. Exp. Theor. Artif. Intell. 2, 101–115 (1990)CrossRef
7.
Koziel, S., Michalewicz, Z.: Evolutionary algorithms, homomorphous mappings, and constrained parameter optimization. Evol. Comput. 7, 19–44 (1999)CrossRef
8.
Kim, D.G.: Riemann mapping based constraint handling for evolutionary search. In: SAC, pp. 379–385 (1998)
9.
Bremer, J., Rapp, B., Sonnenschein, M.: Encoding distributed search spaces for virtual power plants. In: IEEE Symposium Series in Computational Intelligence 2011 (SSCI 2011), Paris, France (2011)
10.
Blank, M., Gerwinn, S., Krause, O., Lehnhoff, S.: Support vector machines for an efficient representation of voltage band constraints. In: Innovative Smart Grid Technologies, IEEE PES (2011)
11.
Pereira, J., Viana, A., Lucus, B., Matos, M.: A meta-heuristic approach to the unit commitment problem under network constraints. Int. J. Energ. Sect. Manage. 2, 449–467 (2008)CrossRef
12.
Guan, X., Zhai, Q., Papalexopoulos, A.: Optimization based methods for unit commitment: Lagrangian relaxation versus general mixed integer programming. In: IEEE Power Engineering Society General Meeting, vol. 2, p. 1100 (2003)
13.
Tröschel, M., Appelrath, H.-J.: Towards reactive scheduling for large-scale virtual power plants. In: Braubach, L., van der Hoek, W., Petta, P., Pokahr, A. (eds.) MATES 2009. LNCS, vol. 5774, pp. 141–152. Springer, Heidelberg (2009)CrossRef
14.
Kok, K., Derzsi, Z., Gordijn, J., Hommelberg, M., Warmer, C., Kamphuis, R., Akkermans, H.: Agent-based electricity balancing with distributed energy resources, a multiperspective case study. In: Hawaii International Conference on System Sciences, p. 173 (2008)
15.
Mihailescu, R.-C., Vasirani, M., Ossowski, S.: Dynamic coalition adaptation for efficient agent-based virtual power plants. In: Klügl, F., Ossowski, S. (eds.) MATES 2011. LNCS, vol. 6973, pp. 101–112. Springer, Heidelberg (2011)CrossRef
16.
Ramchurn, S.D., Vytelingum, P., Rogers, A., Jennings, N.R.: Agent-based control for decentralised demand side management in the smart grid. In: Sonenberg, L., Stone, P., Tumer, K., Yolum, P. (eds.) AAMAS, IFAAMAS, pp. 5–12 (2011)
17.
Schölkopf, B., Mika, S., Burges, C., Knirsch, P., Müller, K.R., Rätsch, G., Smola, A.: Input space vs. feature space in kernel-based methods. IEEE Trans. Neural Netw. 10(5), 1000–1017 (1999)CrossRef
18.
Ben-Hur, A., Siegelmann, H.T., Horn, D., Vapnik, V.: Support vector clustering. J. Mach. Learn. Res. 2, 125–137 (2001)
19.
Juszczak, P., Tax, D., Duin, R.P.W.: Feature scaling in support vector data description. In: Deprettere, E., Belloum, A., Heijnsdijk, J., van der Stappen, F. (eds.) Proceedings of the ASCI 2002, 8th Annual Conference of the Advanced School for Computing and Imaging, pp. 95–102 (2002)
20.
Kwok, J., Tsang, I.: The pre-image problem in kernel methods. IEEE Trans. Neural Netw. 15, 1517–1525 (2004)CrossRef
21.
Mika, S., Schölkopf, B., Smola, A., Müller, K.R., Scholz, M., Rätsch, G.: Kernel PCA and de-noising in feature spaces. In: Proceedings of the 1998 Conference on Advances in Neural Information Processing Systems II. MIT Press, Cambridge, pp. 536–542 (1999)
22.
Kennedy, J., Eberhart, R.: Particle swarm optimization. In: Proceedings of the 1995 IEEE International Conference on Neural Networks, vol. 4, IEEE, pp. 1942–1948 (1995)
23.
Karaboga, D., Basturk, B.: A powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. J. Glob. Optim. 39, 459–471 (2007)MathSciNetCrossRefMATH
24.
25.
Michalewicz, Z.: Genetic algorithms + data structures = evolution programs, 3rd edn. Springer, London (1996)MATH
26.
Richardson, J.T., Palmer, M.R., Liepins, G.E., Hilliard, M.R.: Some guidelines for genetic algorithms with penalty functions. In: Proceedings of the 3rd International Conference on Genetic Algorithms. Morgan Kaufmann Publishers Inc., San Francisco, pp. 191–197 (1989)
27.
Himmelblau, D.: Applied Nonlinear Programming. McGraw-Hill, New York (1972)MATH
28.
Thomas, B.: Mini-Blockheizkraftwerke: Grundlagen, Gerätetechnik, Betriebsdaten. Vogel Buchverlag (2007)
29.
Hansen, N.: The CMA evolution strategy: a comparing review. In: Lozano, J., Larranaga, P., Inza, I., Bengoetxea, E. (eds.) Towards a new evolutionary computation. Advances in the Estimation of Distribution Algorithms, vol. 192, pp. 75–102. Springer, Heidelberg (2006)CrossRef
Metadaten
Titel
Constraint-Handling with Support Vector Decoders
verfasst von
Jörg Bremer
Michael Sonnenschein
Copyright-Jahr
2014
Verlag
Springer Berlin Heidelberg
Buch
Agents and Artificial Intelligence

Print ISBN: 978-3-662-44439-9

Electronic ISBN: 978-3-662-44440-5

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-662-44440-5_14