[論文レビュー] Distributionally Robust Chance-Constrained Bin Packing

Shujun Zhang, Ruiwei Jiang+1 more|arXiv (Cornell University)|Sep 30, 2016

Multi-Criteria Decision Making被引用数 5

ひとこと要約

本稿では、アイテムの重さの分布に起因する不確実性に対して頑健性を確保するために、重さの平均と分散情報のみを用いる、分布的に頑健なチャンス制約付きビンパッキング（DCBP）モデルを提案する。問題を0-12次錐計画（SOC）問題として定式化し、部分集合関数の単調性を活用して拡張ポリマトロイド不等式を導出することで、定式化を著しく強化し、分枝カット法を用いた効率的な解法を可能にした。広範なテストインスタンスにおいて優れた計算性能を示した。

ABSTRACT

Chance-constrained bin packing problem allocates a set of items into bins and, for each bin, bounds the probability that the total weight of packed items exceeds the bin's capacity. Different from the stochastic programming approaches relying on full distributional information of the random item weights, we assume that only the information of the mean and covariance matrix is available. Accordingly, we consider distributionally robust chance-constrained bin packing (DCBP) models. Using two types of ambiguity sets, we equivalently reformulate the DCBP models as 0-1 second-order cone (SOC) programs. Furthermore, we exploit the submodularity of the 0-1 SOC constraints under special and general covariance matrices, and derive extended polymatroid inequalities to strengthen the 0-1 SOC formulations. We then incorporate these valid inequalities in a branch-and-cut algorithm for efficiently solving the DCBP models. Finally, we demonstrate the computational efficacy of our approaches and performance of DCBP solutions on test instances with diverse problem sizes, parameters, and item weight uncertainty.

研究の動機と目的

• 完全な分布の仮定を必要とせず、平均と分散の部分的分布情報に依存することで、ビンパッキングにおける確率的プログラミングの限界を克服すること。
• アイテムの重さ分布の不確実性（アンビギュイティ）を考慮した、チャンス制約付きビンパッキングの分布的に頑健な最適化フレームワークを構築すること。
• 部分集合関数に基づく拡張ポリマトロイド不等式を用いて、DCBPモデルの定式化を強化し、解法の効率を向上させること。
• 0-12次錐計画問題として再定式化されたDCBP問題に特化した分枝カットアルゴリズムを設計および実装すること。
• 多様なテストインスタンス、特に不確実性レベルや問題サイズが異なる状況下で、提案手法の計算的有効性と頑健性を評価すること。

提案手法

• 平均と分散情報に基づく2種類のアンビギュイティ集合を用いてDCBP問題を定式化し、完全な分布の仮定を必要とせずに分布的不確実性に対して頑健性を確保すること。
• チャンス制約付きモデルを0-12次錐計画（SOC）問題に再定式化することで、現代の凸計画ソルバの利用を可能にすること。
• 特別な（例：対角行列）および一般の共分散行列の両方の下で、0-1 SOC制約の部分集合関数の単調性を活用し、有効な拡張ポリマトロイド不等式を導出すること。
• 導出された拡張ポリマトロイド不等式を分枝カットアルゴリズムのカット平面として統合し、定式化をタイトにし、収束を加速すること。
• 再定式化されたDCBP問題の0-1SOC構造に特化した分枝カットフレームワークを実装し、大規模インスタンスの効率的解法を実現すること。
• 数値実験を通じて、強化された定式化の性能と解法アルゴリズムの有効性を、多様な問題設定において検証すること。

実験結果

リサーチクエスチョン

• RQ1 アイテムの重さの平均と分散情報のみを用いて、分布的に頑健なチャンス制約付きビンパッキングモデルをどのように定式化できるか？
• RQ2 平均と分散に基づくアンビギュイティ集合を用いた場合、DCBPモデルの等価な2次錐計画（SOC）再定式化はどのような形か？
• RQ3 0-1SOC制約の部分集合関数の単調性をどのように活用して、DCBP定式化のためのより強い有効不等式を導出できるか？
• RQ4 拡張ポリマトロイド不等式は、DCBPモデルの計算性能をどの程度向上させるか？
• RQ5 不確実性レベルや問題サイズが異なるテストインスタンスにおいて、提案された分枝カットアルゴリズムは、標準的手法と比較してどの程度の性能を示すか？

主な発見

• DCBPモデルは、平均と分散に基づくアンビギュイティ集合を用いて、0-12次錐計画問題に成功裏に再定式化され、分布的不確実性に対して頑健性を有することが確認された。
• 0-1SOC制約の部分集合関数の単調性を活用することで、定式化を強化し、整数性ギャップを低減する拡張ポリマトロイド不等式を導出可能である。
• 分枝カットアルゴリズムに拡張ポリマトロイド不等式を組み込むことで、計算効率と解法速度に顕著な向上が見られた。
• 提案手法は、高不確実性や大規模問題を含む多様なテストインスタンスにおいて、優れた計算的有効性を示した。
• DCBPの解は、分布のシフトに対しても頑健に性能を維持し、想定された分布から外れたアイテムの重さに対しても、妥当性と近似的最適性を保った。
• 計算実験の結果、強化された定式化により、最適性ギャップが縮小され、収束に必要な分枝カットノードの数も削減された。