[論文レビュー] A Benson-Type Algorithm for Bounded Convex Vector Optimization Problems with Vertex Selection

Daniel Dörfler, Andreas Löhne+2 more|arXiv (Cornell University)|Jun 28, 2020

Sparse and Compressive Sensing Techniques参考文献 44被引用数 22

ひとこと要約

本稿では、有界凸ベクトル最適化問題を解くベンソン型アルゴリズムに適した頂点選択（VS）ルールを提案する。各反復でどの頂点をカットオフするかを戦略的に選ぶことで、計算効率が向上する。より安価な二次部分問題を解き、最適性を単一の不等式で確認することで、スカラライゼーションの回数を削減する。その結果、収束が速くなり、近似品質を損なわずに解集合が粗く、より取り扱いやすいものとなる。

ABSTRACT

We present an algorithm for approximately solving bounded convex vector optimization problems. The algorithm provides both an outer and an inner polyhedral approximation of the upper image. It is a modification of the primal algorithm presented by L\"ohne, Rudloff, and Ulus in 2014. There, vertices of an already known outer approximation are successively cut off to improve the approximation error. We propose a new and efficient selection rule for deciding which vertex to cut off. Numerical examples are provided which illustrate that this method may solve fewer scalar problems overall and therefore may be faster while achieving the same approximation quality.

研究の動機と目的

• 各反復ごとに多数のスカラープログラムを解く必要がある、従来のベンソン型アルゴリズムの非効率性を是正すること。
• 有界凸ベクトル最適化問題に対する多面体近似アルゴリズムにおけるスカラライゼーション回数を削減すること。
• 収束速度を向上させつつ、同じ近似精度を維持できる計算的に効率的な頂点選択ルールを提供すること。
• 反復のたびに近似誤差を即時把握できるようにし、アルゴリズムの透明性と意思決定支援を高めること。

提案手法

• 現在の内部および外部多面体近似間のハウスドルフ距離に基づくヒューリスティックな頂点選択ルールを導入する。
• （前像空間ではなく）像空間における凸二次部分問題を用いて候補頂点を評価し、標準的なスカラライゼーションよりも安価に解ける。
• 直前の反復で得られた解の最適性を確認するための単一の不等式チェックを採用し、重複計算を回避する。
• アルゴリズム全体を通じて、上位像の内部および外部多面体近似を維持する。
• L"ohneら（2014）の原初アルゴリズムから、任意の頂点選択を本提案のVSルールに置き換える。
• 反復ごとに近似誤差を追跡する効率的な実装戦略を提供し、追加コストなしに実現する。

実験結果

リサーチクエスチョン

• RQ1 より知的な頂点選択ルールにより、凸ベクトル最適化におけるベンソン型アルゴリズムのスカラライゼーション回数を削減できるか？
• RQ2 提案された頂点選択ルールは、同じ近似品質を保ちながら収束を速めることができるか？
• RQ3 追加計算なしに、アルゴリズム実行中における近似誤差を継続的にモニタリングできるか？
• RQ4 実世界および学術的問題において、本手法は元のアルゴリズムと比較して実行時間および解集合サイズの点で優れているか？
• RQ5 機械学習のような高次元変数空間を有する問題に対しても、本手法は効率的に適用可能か？

主な発見

• 提案された頂点選択ルールは、テスト例のすべてでスカラライゼーション回数を削減し、計算時間が短縮された。
• 機械学習例（エラスティックネット）では、全データセットで頂点選択を用いた場合の近似誤差が小さく、テストMSEは同等であった。
• ラーメン設計問題では、解集合サイズが顕著に削減された（例：ε = 0.2のとき、弱最小解が110個から43個に減少）。精度の損失はなかった。
• アルゴリズムは反復のたびに現在の近似誤差を把握でき、意思決定および監視の質が向上した。
• 元のアルゴリズムと同等の近似品質を達成したが、スカラライゼーション回数が減少した。特に、スカラライゼーションに高コストがかかる高次元問題において顕著な利点を示した。