[論文レビュー] Chance-Constrained Combinatorial Optimization with a Probability Oracle and Its Application to Probabilistic Partial Set Covering

Hao-Hsiang Wu, Si̇mge Küçükyavuz|arXiv (Cornell University)|Aug 8, 2017

Risk and Portfolio Optimization参考文献 35被引用数 5

ひとこと要約

本稿では、サンプリングベースの手法における妥当性カットの強化に確率オラクルを用いることで、確率的組合せ最適化問題に対する新しいアルゴリズムを提案する。係数強化オラクル（κ=2）により、no-goodカットを強化することで、解法時間と必要カット数を顕著に削減し、線形しきい値モデル下での確率的部分集合被覆問題について、最大90ノードの規模で効率的な正確解法を実現する。

ABSTRACT

We investigate a class of chance-constrained combinatorial optimization problems. Given a pre-specified risk level $ε\in [0,1]$, the chance-constrained program aims to find the minimum cost selection of a vector of binary decisions $x$ such that a desirable event $\mathcal{B}(x)$ occurs with probability at least $ 1-ε$. In this paper, we assume that we have an oracle that computes $\mathbb P( \mathcal{B}(x))$ exactly. Using this oracle, we propose a general exact method for solving the chance-constrained problem. In addition, we show that if the chance-constrained program is solved approximately by a sampling-based approach, then the oracle can be used as a tool for checking and fixing the feasibility of the optimal solution given by this approach. We demonstrate the effectiveness of our proposed methods on a variant of the probabilistic set covering problem (PSC), which admits an efficient probability oracle. We give a compact mixed-integer program that solves PSC optimally (without sampling) for a special case. For large-scale instances for which the exact methods exhibit slow convergence, we propose a sampling-based approach that exploits the special structure of PSC. In particular, we introduce a new class of facet-defining inequalities for a submodular substructure of PSC, and show that a sampling-based algorithm coupled with the probability oracle solves the large-scale test instances effectively.

研究の動機と目的

• 不確実性下での確率的組合せ最適化問題を解く際の計算的課題に対処すること。
• 被覆に関する確率的制約を満たす確率的部分集合被覆（PPSC）問題を、効率的に扱えるサンプリングベースのアルゴリズムを開発すること。
• 動的計画法を用いて妥当性カットのチェックと強化を行う確率オラクルを設計し、収束性を向上させること。
• 係数強化カット（κ=2）が、従来のno-goodカットと比較して解法時間とカット数の両面で顕著に優れていることを実証すること。
• 部分集合被覆関数の劣微分性の性質を活用して、線形しきい値モデル下でのPPSCに対するコンact MIP定式化を導出すること。

提案手法

• 2段階アルゴリズムを導入：第1段階は部分集合被覆関数と有効不等式を用いたベンドラス法、第2段階は動的計画法を用いた妥当性の確認を行うオラクル段階。
• 真の確率分布に基づいて解の妥当性を確認する動的計画法に基づく確率オラクルを採用し、サンプルされたシナリオのみを基準とするのではなく、真の分布を考慮する。
• 不等式（5）を用いて係数強化されたno-goodカット（κ=2）を導入し、マスタープロブレムにおける妥当性カットの強度を向上させる。
• 補助変数を投影して取り除き、劣微分被覆関数を活用することで、線形しきい値モデル下でのPPSCに対するコンact MIP定式化（31）を導出する。
• Kempeら[13]が提案した「ライブアークグラフ」シナリオ生成法を採用し、被覆関数の劣微分構造を保持するシナリオを生成する。
• 決定的同等定式化（11）を用い、サンプリングベースの遅延制約生成（DCG）法と比較するが、両者ともにオラクルを統合して強化する。

実験結果

リサーチクエスチョン

• RQ1 確率オラクルは、確率的組合せ最適化問題に対するサンプリングベースのアルゴリズムにおいて、妥当性カットの数と解法時間を顕著に削減できるか？
• RQ2 妥当性カットの係数強化（κ=2 対 κ=1）は、PPSCインスタンスにおけるアルゴリズムの性能にどのように影響するか？
• RQ3 劣微分構造を活用することで、線形しきい値モデル下でのPPSCに対してコンact MIP定式化を導出可能か？
• RQ4 より強い妥当性カットの使用は、より大きなネットワークにおける収束速度とスケーラビリティの向上に寄与するか？
• RQ5 オラクルベースの手法は、サンプル近似における不適切な解を信頼性高く同定し、効果的なカット生成を導けるか？

主な発見

• 係数強化カット（κ=2）を用いることで、ユニットコストインスタンスにおいて、|V|=60では解法時間が時間制限を超えることなく6分未満に、|V|=90では20分未満に短縮された。
• 従来のno-goodカット（κ=1）では、時間制限内にいかなるインスタンスも解けなかったが、κ=2を用いることで、全テストインスタンスを完全に解くことが可能になった。
• 線形しきい値モデルでは、X̄=∅のとき劣微分不等式（14）が十分に被覆関数を捉え、コンact MIP定式化（31）を導出可能である。
• 提案されたオラクルベースの手法は、サンプル近似における不適切な解を的確に同定し、効果的なカット追加を可能にし、収束性を向上させた。
• オラクル段階を統合した決定的同等定式化（11）は、標準的なサンプリングベースの手法を上回り、特に係数強化カットを組み合わせた場合に顕著な性能向上を示した。
• コンact MIP（31）は、線形しきい値モデル下で完全定式化（11）と同等であり、標準的なMIPソルバを用いて正確解法が可能である。