[論文レビュー] A Sigmoidal Approximation for Chance-Constrained Nonlinear Programs

Yankai Cao, Ví­ctor M. Zavala|arXiv (Cornell University)|Apr 6, 2020

Risk and Portfolio Optimization参考文献 22被引用数 9

ひとこと要約

本稿では、確率制約付き非線形計画問題（CC-NLP）のための保守的でスケーラブルなシグモイド近似であるSigVaRを提案する。標準の非線形計画法ソルバを用いたスケーラブルな解法を可能にする。条件付きリスク価値（CVaR）にパラメータを関連させることで、CVaRに比べて保守的でなくなりつつ計算の tractability を維持し、フレアシステム設計の事例研究において、費用を12.5%削減し、実行可能性確率を向上させた。

ABSTRACT

We propose a sigmoidal approximation for the value-at-risk (that we call SigVaR) and we use this approximation to tackle nonlinear programs (NLPs) with chance constraints. We prove that the approximation is conservative and that the level of conservatism can be made arbitrarily small for limiting parameter values. The SigVar approximation brings scalability benefits over exact mixed-integer reformulations because its sample average approximation can be cast as a standard NLP. We also establish explicit connections between SigVaR and other smooth sigmoidal approximations recently reported in the literature. We show that a key benefit of SigVaR over such approximations is that one can establish an explicit connection with the conditional value at risk (CVaR) approximation and exploit this connection to obtain initial guesses for the approximation parameters. We present small- and large-scale numerical studies to illustrate the developments.

研究の動機と目的

• 混合整数リフォーミュレーションの複雑さを回避する、確率制約付き非線形計画問題（CC-NLP）の計算上で tractable な近似を構築すること。
• 特に大規模応用において顕著な保守的度合いを示す既存の近似（例：CVaR や Bernstein）に比べ、保守的度合いを低減すること。
• シグモイド近似とCVaRを関連付けるパラメータ化スキームを確立し、初期推定値の選定と収束性の向上を図ること。
• 小規模および大規模問題における数値実験を通じて、スケーラビリティと保守的度合いの低減を実証すること。
• 高パラメータ数のシグモイド近似における数値的不安定性を、適応的アルゴリズム的手法により緩和すること。

提案手法

• 確率制約における不連続なインジケータ関数に代わる滑らかで微分可能な関数として、シグモイド近似であるSigVaRを提案する。
• μ と τ でパラメータ化されたシグモイド関数を用いて、値ごとのリスク（VaR）の滑らかな近似であるSigVaRを定義し、極限において正確なVaRに収束することを保証する。
• SigVaRの標本平均近似（SAA）を用いて、問題を標準的な非線形計画問題（NLP）に再定式化し、効率的なNLPソルバの利用を可能にする。
• SigVaRとCVaRの理論的関係を確立し、CVaRの解を用いてSigVaRのパラメータを初期化することで反復回数を削減する。
• μ と τ を段階的に増加させることで近似を精緻化する反復的アルゴリズム（SigVaR-Alg）を設計し、保守的度合いと数値的安定性のバランスを取る。
• 小規模な確率制約付き最適制御問題および18,000変数を含む大規模なフレアシステム設計問題に対して、手法を実装・テストした。

実験結果

リサーチクエスチョン

• RQ1 確率制約付き非線形計画問題に適用可能な、保守的かつスケーラブルな滑らかなシグモイド近似を構築できるか？
• RQ2 SigVaRの保守的度合いは、CVaR や他の滑らかな近似と比較してどの程度で、体系的に低減可能か？
• RQ3 CVaRの結果を用いて、シグモイド近似のパラメータを効果的に初期化できるか？収束性の向上に寄与するか？
• RQ4 大規模応用において、計算効率、保守的度合い、実行可能性確率の間にはどのようなトレードオフがあるか？
• RQ5 極端なパラメータ値下で数値的不安定性はどのように振る舞い、アルゴリズム的に緩和可能か？

主な発見

• SigVaRは証明可能な保守的性質を持ち、近似パラメータ μ と τ が極限値に近づくにつれて、保守的度合いを任意に小さくできる。
• フレアシステム設計問題において、SigVaR近似はCVaR-P解と比較して費用を9.6%削減し、$121,170から$109,488に低下させた。実行可能性確率は0.951を維持した。
• SigVaR解を用いた場合の確率制約の満たされる確率は0.951であり、必要な0.95に非常に近い値であった。コストと信頼性のバランスが適切に取れていることを示している。
• SigVaR-Algアルゴリズムは反復的精緻化により保守的度合いを効果的に低減し、μ=320、τ=0.42で439回のIPOPT反復、45秒の実行時間で収束に成功した。
• 滑らかなSS-P近似と比較して、SigVaRはより低い費用（109,488 vs. 116,472）とより高い実行可能性確率を達成し、優れた性能を示した。
• 大規模な μ と τ 値では数値的不安定性が観察されたが、提案されたアルゴリズム的手法により、パラメータを段階的に増加させ、CVaRに基づく初期化を実施することでこれを緩和した。