[論文レビュー] Automated Design of Heuristics for the Container Relocation Problem

Mrko Đurasević, Mateja Đumić|arXiv (Cornell University)|Jul 28, 2021

Maritime Ports and Logistics被引用数 1

ひとこと要約

本論文は、コンテナリレーショニング問題（CRP）のためのヒューリスティックルール（RRs）を自動的に進化させるために遺伝的プログラミング（GP）を提案し、手作業で設計されたルールを上回ることを示している。GPはスタック選択のための優先度式を進化させ、多様な未学習問題においてコンテナの再配置回数とクレーン作業時間を削減するRRsを生成する。

ABSTRACT

The container relocation problem is a challenging combinatorial optimisation problem tasked with finding a sequence of container relocations required to retrieve all containers by a given order. Due to the complexity of this problem, heuristic methods are often applied to obtain acceptable solutions in a small amount of time. These include relocation rules (RRs) that determine the relocation moves that need to be performed to efficiently retrieve the next container based on certain yard properties. Such rules are often designed manually by domain experts, which is a time-consuming and challenging task. This paper investigates the application of genetic programming (GP) to design effective RRs automatically. The experimental results show that GP evolved RRs outperform several existing manually designed RRs. Additional analyses of the proposed approach demonstrate that the evolved rules generalise well across a wide range of unseen problems and that their performance can be further enhanced. Therefore, the proposed method presents a viable alternative to existing manually designed RRs and opens a new research direction in the area of container relocation problems.

研究の動機と目的

• コンテナリレーショニング問題（CRP）における効果的な再配置ルール（RRs）を手作業で設計することは、時間がかかり、専門知識を要するという課題に対処すること。
• ドメインの専門知識に依存しない高パフォーマンスのRRsを自動生成するための手法を確立すること。
• GPで進化させたRRsが未学習の問題インスタンスにどれほど一般化できるかを評価すること。
• GPで生成されたRRsが実世界のCRP応用において、既存の手作業で設計されたヒューリスティクスの代替手段として実用的であるかを検討すること。

提案手法

• 遺伝的プログラミング（GP）を用いて、ヤード状態の特徴に基づきスタックに優先度スコアを割り当てる数学的式を自動的に進化させる。
• 進化した式は、将来の再配置を最小限に抑えるために、再配置戦略（RS）が最適なスタックを選択するのを導く。
• GPフレームワークは、端末ノード（例：RI, DIFF, SH, EMP, AVG, CUR）と関数ノードのセットを用いて、木構造の優先度関数を構築する。
• 2つの手法が評価された：'制限付き'（RE）と'非制限付き'（UN）、それぞれGPプロセスにおける端末ノードの選択および使用方法が異なる。
• パラメータチューニングと最良の進化ルールの選定のために、問題インスタンスのサブセットを用いた検証プロセスが実施された。
• 進化したRRsの性能は、未学習のテストインスタンスを用いて2つの主要な指標、すなわちコンテナ再配置回数とクレーン作業時間で評価された。

実験結果

リサーチクエスチョン

• RQ1 遺伝的プログラミングは、再配置回数とクレーン作業時間の観点で、既存の手作業で設計されたルールを上回るCRP用の再配置ルール（RRs）を効果的に生成できるか？
• RQ2 GPで進化させたRRsは、構造的・運用的特性が異なる未学習の問題インスタンスにどれほど一般化できるか？
• RQ3 端末ノードの集合を縮小するか、複数の優先度関数を進化させることで、GPで進化させたRRsの性能をさらに向上させられるか？
• RQ4 進化したRRsにおいて最も影響力のあるヤード状態の特徴（端末ノード）は何か？また、それらは意思決定にどのように寄与しているか？

主な発見

• GPで進化させたRRsは、RE、RI、RIL、Min-Maxなど、いくつかの既存の手作業で設計されたルールを再配置回数およびクレーン作業時間の両面で顕著に上回った。
• 最も性能が低かったGPで進化させたルールですら、すべてのテストインスタンスにおいて、最もパフォーマンスの高かった手作業で設計されたルールを上回った。
• 進化したRRsは未学習の問題に強く一般化しており、多様なヤード構成やコンテナの取り出し順序に対しても高いロバストネスを示した。
• 端末ノードの集合を縮小することで性能がさらに向上した：UN方式では、4つの端末ノード（SH, EMP, DIFF, RI）でのみ使用した場合に最も良い結果が得られた。
• 端末ノードRIとDIFFは、進化したルールで最も頻繁に使用されており、最も影響力のある要因であることが判明した。これは、再配置意思決定においてこれらの要因が極めて重要な役割を果たしていることを示している。
• 本手法は効率的であり、低コストのトレーニング時間と無視できる実行オーバーヘッドを備えており、他の最適化手法との統合にも適している。