[論文レビュー] A Transformation-Proximal Bundle Algorithm for Solving Large-Scale Multistage Adaptive Robust Optimization Problems.

Chao Ning, Fengqi You|arXiv (Cornell University)|Oct 13, 2018

Supply Chain and Inventory Management被引用数 1

ひとこと要約

本稿では、 recourse 決定を状態意思決定と局所的意思決定に分解し、状態意思決定に対してはアフィン意思決定ルールを適用し、問題を同等の2段階ロバスト最適化に変換することで、大規模な多段階適応的ロバスト最適化のための変換近接バンドル法を提案する。この手法は在庫管理において平均的に1.68%の双対ギャップで近似的最適解を達成し、標準的なアフィン法が34.88%のギャップを示すのとは対照的に顕著に優れている。

ABSTRACT

This paper presents a novel transformation-proximal bundle algorithm to solve multistage adaptive robust mixed-integer linear programs (MARMILPs). By explicitly partitioning recourse decisions into state decisions and local decisions, the proposed algorithm applies affine decision rule only to state decisions and allows local decisions to be fully adaptive. In this way, the MARMILP is proved to be transformed into an equivalent two-stage adaptive robust optimization (ARO) problem. The proposed multi-to-two transformation scheme remains valid for other types of non-anticipative decision rules besides the affine one, and it is general enough to be employed with existing two-stage ARO algorithms for solving MARMILPs. The proximal bundle method is developed for the resulting two-stage ARO problem. We perform a theoretical analysis to show finite convergence of the proposed algorithm with any positive tolerance. To quantitatively assess solution quality, we develop a scenario-tree-based lower bounding technique. Computational studies on multiperiod inventory management and process network planning are presented to demonstrate its effectiveness and computational scalability. In the inventory management application, the affine decision rule method suffers from a severe suboptimality with an average gap of 34.88%, while the proposed algorithm generates near-optimal solutions with an average gap of merely 1.68%.

研究の動機と目的

• 大規模な多段階適応的ロバスト混合整数線形計画問題（MARMILPs）の計算上の非効率性に対処し、スケーラブルな解法を可能にする。
• 多段階設定における従来のアフィン意思決定ルールの部分最適性を克服し、局所的意思決定に対して完全な適応性を許容する。
• MARMILPsを同等の2段階ロバスト最適化問題に変換する一般化された変換スキームを構築し、解の品質を保持する。
• 近接バンドル法フレームワークを用いて、任意の正の許容誤差のもとで解法の有限収束を保証する。
• 実務的解の品質を定量的に評価できるシナリオツリーに基づく下界推定手法を提供する。

提案手法

• recourse 決定を状態意思決定（アフィン意思決定ルール近似）と局所的意思決定（完全適応的）に分割することで、多段階問題の構造的分解を可能にする。
• 任意の非予見的意思決定ルールに有効な、多段階から2段階への変換スキームを適用し、MARMILPを同等の2段階適応的ロバスト最適化（ARO）問題に再定式化する。
• 得られた2段階ARO問題に特化した近接バンドル法を開発し、任意の正の許容誤差のもとで有限収束を保証する。
• シナリオツリーに基づく下界推定手法を統合し、双対ギャップを推定し、解の品質を実証的に検証する。
• 既存の2段階AROアルゴリズムを基盤とし、提案された変換により多段階問題への適用性を高める。
• バンドル法における近接項を用いて、主問題における部分問題の解の安定化と収束加速を実現する。

実験結果

リサーチクエスチョン

• RQ1 一般化された変換スキームは、多段階適応的ロバスト最適化問題を同等の2段階問題に変換可能であり、解の品質を保持できるか？
• RQ2 アフィン意思決定ルールを状態意思決定にのみ適用することで、保守的過剰性を低減しつつ計算の実行可能性を維持できるか？
• RQ3 提案された近接バンドル法は、2段階ARO問題の文脈で任意の正の許容誤差のもとで有限収束を達成できるか？
• RQ4 シナリオツリーに基づく下界推定手法は、多段階ロバスト最適化における解の品質評価の信頼性をどの程度向上できるか？
• RQ5 実世界の応用において、標準的なアフィン意思決定ルール手法と比較して、提案されたアルゴリズムの解の品質とスケーラビリティはどの程度優れているか？

主な発見

• 提案されたアルゴリズムは、多期間在庫管理問題において平均的に1.68%の双対ギャップを達成し、近似的最適性を示している。
• これに対して、標準的なアフィン意思決定ルール手法は、同じテスト例において深刻な部分最適性を示し、平均的に34.88%の双対ギャップを示している。
• 変換近接バンドル法は、任意の正の許容誤差のもとで有限収束を保証し、理論的堅牢性を確立している。
• プロセスネットワーク計画と在庫管理における計算実験を通じて、大規模問題に対しても効果的にスケーリングできることを示している。
• シナリオツリーに基づく下界推定手法は、解の品質を信頼性高く定量的測定可能にし、実証的検証を可能にしている。
• 多段階から2段階への変換スキームは一般性があり、既存の2段階AROアルゴリズムと互換性があるため、実用的応用性が向上している。