[論文レビュー] Machine-learning-based arc selection for constrained shortest path problems in column generation

Mouad Morabit, Guy Desaulniers+1 more|arXiv (Cornell University)|Jan 7, 2022

Transportation Planning and Optimization被引用数 6

ひとこと要約

本稿では、制約付き最短経路問題（SPPRC）の解法を高速化するため、列生成におけるアーク選択に機械学習ベースのヒューリスティクスを提案する。過去のデータを用いて高潜力なアークを特定する教師ありモデルを訓練することで、ネットワークサイズを15–25%削減し、車両ルーティングおよびキャパシティスケジューリングの応用において計算時間を最大40%まで短縮しながら、解の品質を維持する。

ABSTRACT

Column generation is an iterative method used to solve a variety of optimization problems. It decomposes the problem into two parts: a master problem, and one or more pricing problems (PP). The total computing time taken by the method is divided between these two parts. In routing or scheduling applications, the problems are mostly defined on a network, and the PP is usually an NP-hard shortest path problem with resource constraints. In this work, we propose a new heuristic pricing algorithm based on machine learning. By taking advantage of the data collected during previous executions, the objective is to reduce the size of the network and accelerate the PP, keeping only the arcs that have a high chance to be part of the linear relaxation solution. The method has been applied to two specific problems: the vehicle and crew scheduling problem in public transit and the vehicle routing problem with time windows. Reductions in computational time of up to 40% can be obtained.

研究の動機と目的

• 列生成における価格設定問題の計算負荷を軽減すること、特にNP困難なSPPRCの変種に対して。
• ネットワーク内の関連性の低いアークを知的に削除することで、車両ルーティングおよびキャパシティスケジューリング問題の解法を高速化すること。
• 過去の実行履歴を活用してアーク選択をガイドする汎用的でデータ駆動型のヒューリスティクスを開発すること。
• 価格設定問題の解法に要する時間を大幅に短縮しながら、解の品質を維持すること。
• C2およびRC2 VRPTWインスタンスを含む多様な問題インスタンスにおいて、本手法の有効性を評価すること。

提案手法

• 過去の列生成イテレーションからの履歴データを用いて、教師あり機械学習モデルを訓練し、優れた品質の経路に含まれる可能性の高いアークを予測する。
• 減少コストとリソース制約を特徴量として用い、改善する列に寄与する可能性の高いアークをランク付けし、そのうちの上位を選択する。
• 選択されたアークによって構成される縮小ネットワークを、各価格設定イテレーションで使用し、探索空間を顕著に縮小する。
• 縮小ネットワークが十分な列を生成できない場合には、動的に元のフルネットワークに切り替えることで収束を保証する。
• 本手法は、車両およびキャパシティスケジューリング（VCSP）と、時間窓付き車両ルーティング問題（VRPTW）の両方へ適用可能であり、それぞれに特化したアーク選択戦略を採用する。
• 新しいインスタンスに対して再訓練することで、未観測の問題インスタンスへも汎用性を発揮できるようにする。

実験結果

リサーチクエスチョン

• RQ1 SPPRCの価格設定問題において、機械学習モデルが高潜力なアークを効果的に予測できるか。
• RQ2 学習されたパターンに基づくアーク選択が、解の品質を劣化させることなく、どの程度列生成を高速化できるか。
• RQ3 従来のヒューリスティックなアーク削除手法と比較して、機械学習ベースのアーク選択は、速度と解の品質の両面で優れているか。
• RQ4 車両ルーティングおよびキャパシティスケジューリング問題において、本機械学習モデルは未観測の新規インスタンスに対しても十分に汎用性を示せるか。
• RQ5 なぜ本手法は特定のVRPTWインスタンスクラス（例：C2およびRC2）では性能を発揮しないのか。また、その問題を緩和できるか。

主な発見

• 提案手法により、平均してネットワークサイズが15%～25%削減され、価格設定サブプロブレムの高速化が顕著に実現された。
• 時間窓付き車両ルーティング問題（VRPTW）において、計算時間が最大40%短縮された。全インスタンス平均でも2%の改善が得られた。
• 車両およびキャパシティスケジューリング問題（VCSP）では、計算時間が最大27%短縮された。
• 機械学習モデルは未観測の新規インスタンスに対しても良好に汎用性を示し、異なる問題クラスにおいても高い性能を維持した。
• 全体の精度は87%と高く維持されていたが、C2およびRC2 VRPTWインスタンスでは効果が低下しており、C2インスタンスでは再現率94%、精度94%を示した。これは、インスタンス固有の課題を示唆している。
• C2インスタンスに特化してモデルを再訓練しても、顕著な性能向上が得られなかったため、これらのインスタンスに固有の構造的差異が存在すると考えられる。