Компьютерные науки > Машинное обучение [представлено 15 сентября 2026 года] Название: Адаптационная гибридная связь с оператором, частично перекрывающийся метод чередования Schwarz и усиленный учебный вид PDF HTML (экспериментальный) Резюме: Методы разложения доменов Гибрид обеспечивают гибкие рамки для объединения моделей полного порядка (FOM) и модели сокращенного заказа (Roms), но обычно предполагается, что модель, присвоенная каждому поддомну, закреплена на протяжении всего процесса моделирования. Это ограничивает возможности решения проблем переходного периода, когда местные особенности распространяются через сферу и регионы, требующие с течением времени изменений в разрешении на основе высокой степени верности. Мы внедряем подход, основанный на укреплении обучения (RL), для онлайновой адаптации моделей FOM-ROM в сочетании с переплетающимся методом чередования Schwarz (O-SAM) — итеративным методом разложения доменов, который решает поддоменные - местные проблемы при обмене информацией об урегулировании через пограничные условия передачи на перекрывающихся интерфейсах. Дип Q-сети (DQNs) обучаются офлайновому отбору среди поддомен - местных FOM и предварительно подготовленных роботов Opinotor Indance (OpInf) с использованием награды за сбалансированность точности, стоимости и частота перепутывания моделей. После прохождения профессиональной подготовки эта политика проводится на предсказуемой основе в случае проблем, не наблюдаемых во время обучения, без необходимости…
Адаптивное гибридное сцепление с выводом оператора, перекрывающийся метод чередования Schwarz и усиленное обучение
arXiv: 2609.17837v1 Аннонс Тип: новое резюме: методы разложения гибридных доменов обеспечивают гибкие рамки для сцепки моделей полного заказа (FOM) и модели сокращенного порядка (Roms), но обычно предполагается, что модель, присвоенная каждому поддомену, закреплена на протяжении всего процесса моделирования. Это ограничивает возможности решения проблем переходного периода, когда местные особенности распространяются через сферу и регионы, требующие с течением времени изменений в разрешении на основе высокой степени верности. Мы внедряем подход, основанный на укреплении обучения (RL), для онлайновой адаптации моделей FOM-ROM в сочетании с переплетающимся методом чередования Schwarz (O-SAM) — итеративным методом разложения доменов, который решает поддоменные - местные проблемы при обмене информацией об урегулировании через пограничные условия передачи на перекрывающихся интерфейсах. Дип Q-сети (DQNs) обучаются офлайновому отбору среди поддомен - местных FOM и предварительно подготовленных роботов Opinotor Indance (OpInf) с использованием награды за сбалансированность точности, стоимости и частота перепутывания моделей. После прохождения подготовки