[論文レビュー] Evolutionary Bi-objective Optimization for the Dynamic Chance-Constrained Knapsack Problem Based on Tail Bound Objectives

Hirad Assimi, Oscar Harper+3 more|arXiv (Cornell University)|Feb 17, 2020

Advanced Multi-Objective Optimization Algorithms参考文献 22被引用数 9

ひとこと要約

本稿では、アイテムの重さが確率的であり、ナップサックの容量が時間とともに変化する動的チャンス制約付きナップサック問題に対して、二目的進化的アルゴリズムを提案する。新たな第二の目的関数として、チャンス制約を所定の確率で満たすために必要な最小容量境界を推定するものにより、不確実性と動的変化の下でも最適解を安定的かつ柔軟に追跡可能となり、単目的手法に比べて解の品質と安定性に優れる。

ABSTRACT

Real-world combinatorial optimization problems are often stochastic and dynamic. Therefore, it is essential to make optimal and reliable decisions with a holistic approach. In this paper, we consider the dynamic chance-constrained knapsack problem where the weight of each item is stochastic, the capacity constraint changes dynamically over time, and the objective is to maximize the total profit subject to the probability that total weight exceeds the capacity. We make use of prominent tail inequalities such as Chebyshev's inequality, and Chernoff bound to approximate the probabilistic constraint. Our key contribution is to introduce an additional objective which estimates the minimal capacity bound for a given stochastic solution that still meets the chance constraint. This objective helps to cater for dynamic changes to the stochastic problem. We apply single- and multi-objective evolutionary algorithms to the problem and show how bi-objective optimization can help to deal with dynamic chance-constrained problems.

研究の動機と目的

• 確率的アイテム重さと時間変動する容量制約を有する動的チャンス制約付きナップサック問題を解く挑戦に応えること。
• 動的要因と確率的要因を独立に扱うのでなく、統合的な最適化フレームワークを構築すること。
• 特定の解に対して最小の実行可能容量境界を推定する第二の目的関数を導入することで、動的変化への解の信頼性と適応性を向上させること。
• 不確実性と動的変化の下で複雑な現実世界の最適化問題を扱う際、二目的進化的アルゴリズムの有効性を評価すること。
• チェビシェフ不等式およびチェルノフ不等式を用いた尾不等式によるアプローチと、単目的手法および最先端の多目的アルゴリズム（例：NSGA-II）を比較して、性能を評価すること。

提案手法

• 解 $ x $ が所定の確率でチャンス制約を満たすために必要な最小容量境界を推定する第二の目的関数 $ C^* $ を導入する。
• 尾不等式（チェビシェフの不等式およびチェルノフの上限）を用いて $ C^* $ の上界を計算し、確率的状況下での効率的近似を可能にする。
• 単目的および多目的進化的アルゴリズム（例：(1+1)-EA、POSDC、NSGA-II）を用い、利益と $ C^* $ を同時に最適化する。
• 容量制約の変化を、$ \tau $ イテレーションごとに所定の大きさで更新することでモデル化し、リアルタイムの環境変化を模擬する。
• 各動的変更後に迅速な適応が可能となるよう、両目的において非優越解の集合を維持する。
• NSGA-IIを修正し、各容量境界に対して最良の解を保持させ、提案された POSDC アルゴリズムとの公準な比較を可能にする。

実験結果

リサーチクエスチョン

• RQ1 特化した第二の目的関数を有する二目的進化的手法は、単目的最適化に比べ、動的チャンス制約付きナップサック問題において性能を向上させることができるか？
• RQ2 尾不等式（チェビシェフおよびチェルノフ）は、チャンス制約付き解の最小容量境界 $ C^* $ の近似にどの程度有効か？
• RQ3 $ C^* $ を目的関数に組み込むことで、動的容量変化下での移動する最適解の追跡能力が向上するか？
• RQ4 POSDC の性能は、解の品質および収束性の観点から NSGA-II に比べて優れているか？
• RQ5 動的パラメータ（例：$ \tau $、$ \delta $、$ \alpha $）の変化が、オフライン誤差および最適化プロセスの安定性に与える影響は何か？

主な発見

• 第二の目的関数 $ C^* $ を有する二目的手法は、特に高い動的および確率的複雑性下でも、単目的の (1+1)-EA に比べ、合計オフライン誤差が低く、標準偏差も小さいという点で一貫して優れている。
• $ C^* $ の推定にチェルノフの上限を用いたアルゴリズムは、チェビシェフの不等式を用いたものよりも優れた性能を示し、特に制約がきつい状況（$ \alpha = 0.01 $）で顕著である。
• $ r = 2000 $ の場合、POSDC は (1+1)-EA よりも高い解の品質を達成しており、より大きな集団サイズのおかげで、トレードオフ空間の探索がより良好に行われている。
• チェルノフの上限を用いた場合、NSGA-II は POSDC と同等の性能を示すが、最も単純なインスタンス（$ \delta = 25, \alpha = 0.01 $）では POSDC が NSGA-II を上回っており、選択および多様性維持機構に優位性があることが示唆される。
• 動的変化の頻度が高まる（$ \tau $ が小さくなる）ほど、POSDC は多様で非優越な解をさまざまな容量境界にわたって保持できるため、より優れた性能を維持する。
• 提案された $ C^* $ 目的関数により、動的変更後、既知の実行可能マージンを有する即時適用可能な解の集合を提供できるため、迅速な適応が可能となる。