[論文レビュー] Algorithm Engineering in Robust Optimization

Marc Goerigk, Anita Schöbel|arXiv (Cornell University)|May 19, 2015

Risk and Portfolio Optimization参考文献 41被引用数 10

ひとこと要約

この論文は、理論的設計と実装のギャップを埋めるために、アルゴリズム工学を強化された最適化に統合することを提唱している。アルゴリズム工学のサイクル（設計、実装、実験的評価）を適用することで、比較研究、性能保証、標準化されたライブラリといった未開発分野を特定し、より実用的で再現可能なかつての強化された最適化研究への構造的アプローチを提案している。

ABSTRACT

Robust optimization is a young and emerging field of research having received a considerable increase of interest over the last decade. In this paper, we argue that the the algorithm engineering methodology fits very well to the field of robust optimization and yields a rewarding new perspective on both the current state of research and open research directions. To this end we go through the algorithm engineering cycle of design and analysis of concepts, development and implementation of algorithms, and theoretical and experimental evaluation. We show that many ideas of algorithm engineering have already been applied in publications on robust optimization. Most work on robust optimization is devoted to analysis of the concepts and the development of algorithms, some papers deal with the evaluation of a particular concept in case studies, and work on comparison of concepts just starts. What is still a drawback in many papers on robustness is the missing link to include the results of the experiments again in the design.

研究の動機と目的

• 強化された最適化研究における体系的な実験的評価とフィードバックループの欠如に対処すること。
• 強化された最適化における用語の統一とアルゴリズム的アプローチの統一を通じて、同様の概念の重複的再発明を減らすこと。
• 強化された最適化のための性能保証と標準化されたアルゴリズムライブラリの開発を促進すること。
• 強化された概念とアルゴリズムを、互いにおよび非強化されたソリューションと比較して評価する比較研究を促進すること。
• 理論的強化された最適化と実世界の応用とのギャップを、研究サイクルに実験的検証を組み込むことで埋めること。

提案手法

• アルゴリズム工学のサイクル（設計、実装、理論的および実験的評価）を、強化された最適化研究のフレームワークとして採用すること。
• 既存の強化された最適化の文献を分析し、アルゴリズム工学のサイクルの各段階がどの程度の研究で適用されているかを特定すること。
• 実世界の事例研究（例：乗客情報システム、鉄道計画）を用いて、実験による反復的改善を示すこと。
• 実験フィードバックに基づく反復的モデル改善を提案すること。例えば、時刻表システムにおいて、厳密な強化から回復可能強化に移行する例。
• 不確実性集合の選定の重要性と、計算複雑性および解の品質に与える影響を強調すること。
• 再定式化手法を超える多様なアルゴリズム的アプローチをサポートする、専用の強化された最適化ライブラリの構築を提唱すること。

実験結果

リサーチクエスチョン

• RQ1 強化された最適化研究において、アルゴリズム工学のサイクルの各段階（設計、実装、評価）がどの程度適用されているか。
• RQ2 多くの強化された最適化研究が、実験結果をモデル設計にフィードバックしない理由は何か。また、そのフィードバックループをどのように回復できるか。
• RQ3 強化された最適化における比較研究の開発に課される主な障壁は何であり、どのように克服できるか。
• RQ4 異なる強化された最適化の概念とアルゴリズム間で、性能保証を体系的に開発・比較する方法は何か。
• RQ5 標準化された強化された最適化ライブラリが、研究と実用的展開の両面で果たす役割は何か。

主な発見

• 多くの強化された最適化論文は、概念分析とアルゴリズム設計に焦点を当てているが、実験的評価や実験からのフィードバックループが欠落している。
• 性能評価と手法選定の観点から重要であるにもかかわらず、強化された概念とアルゴリズム間の比較研究は依然として稀である。
• 統一された分類体系の欠如により、類似の概念の重複的開発と、分野全体における一貫性の欠如した用語の使用が生じている。
• 実世界の応用（例：乗客情報システム）からの実験結果は、厳密な強化解が解の品質の著しい損失を伴うため、実用的ではないことを示した。
• アルゴリズム工学のサイクルを反復的に適用すること（例：厳密な強化から回復可能強化への移行）により、実世界の事例研究でより実用的かつ効果的なソリューションが得られた。
• 現在、モデリングや再定式化手法を超える多様なアルゴリズム的アプローチをサポートする専用の強化された最適化ライブラリは存在せず、これは顕著な研究的・実用的ギャップを示している。