[論文レビュー] Optimal Solution Predictions for Mixed Integer Programs

Jian-Ya Ding, Chao Zhang+5 more|arXiv (Cornell University)|Jun 23, 2019

Vehicle Routing Optimization Methods参考文献 12被引用数 7

ひとこと要約

本論文では、三部図グラフ表現とグラフ畳み込みネットワーク（GCNs）を用いたグラフベースの機械学習フレームワークを提案する。このフレームワークは、混合整数計画問題（MIPs）における二値変数の最適解値を予測することを目的としている。繰り返し出現するMIPインスタンス間の構造的類似性を活用することで、局所的ブランチングカットを生成し、8種類の問題タイプにおいて最先端のMIPソルバーにおけるプライマル解探索を顕著に改善する。

ABSTRACT

Mixed Integer Programming (MIP) is one of the most widely used modeling techniques for combinatorial optimization problems. In many applications, a similar MIP model is solved on a regular basis, maintaining remarkable similarities in model structures and solution appearances but differing in formulation coefficients. This offers the opportunity for machine learning methods to explore the correlations between model structures and the resulting solution values. To address this issue, we propose to represent an MIP instance using a tripartite graph, based on which a Graph Convolutional Network (GCN) is constructed to predict solution values for binary variables. The predicted solutions are used to generate a local branching type cut which can be either treated as a global (invalid) inequality in the formulation resulting in a heuristic approach to solve the MIP, or as a root branching rule resulting in an exact approach. Computational evaluations on 8 distinct types of MIP problems show that the proposed framework improves the primal solution finding performance significantly on a state-of-the-art open-source MIP solver.

研究の動機と目的

• 同じ構造を保ちつつ係数が変化する類似したMIPインスタンスを繰り返し解く課題に対処すること。
• MIPインスタンス間の構造的および解の類似性を活用し、機械学習を用いて解法の効率を向上させること。
• 二値変数の解を正確に予測する手法を開発し、MIP解法をヒューリスティックまたは正確にガイドすること。
• 学習済み予測結果をブランチングルールやカットとして統合し、MIP解法プロセスにおける性能向上を図ること。

提案手法

• 制約、変数、およびそれらの関係を捉える三部図グラフとして各MIPインスタンスを表現すること。
• 三部図グラフ上でグラフ畳み込みネットワーク（GCN）を学習させ、二値変数の最適値を予測すること。
• 予測された解をもとに、ヒューリスティック不等式またはルートブランチングルールとして機能する局所的ブランチング型カットを生成すること。
• 予測されたカットを、ヒューリスティックとしてのグローバル制約または正確な方法としてのブランチングルールとしてMIPソルバーに統合すること。
• 繰り返し出現するMIPインスタンス間の構造的一致性を活用し、GCNモデルの一般化を可能にすること。
• さまざまなMIP問題にフレームワークを適用し、耐久性および性能向上の有効性を評価すること。

実験結果

リサーチクエスチョン

• RQ1 MIPインスタンスの三部図グラフ表現上で学習されたGCNモデルは、最適な二値変数値を効果的に予測できるか？
• RQ2 予測された解は、プライマル解の質および収束速度という観点から、MIP解法の性能にどのように影響を与えるか？
• RQ3 標準的なMIP技術と比較して、学習されたカットやブランチングルールは、どの程度解法性能を向上させるか？
• RQ4 異なる定式化係数を有する多様なMIP問題タイプに、このフレームワークは一般化可能か？

主な発見

• 提案されたGCNベースのフレームワークは、最先端のオープンソースMIPソルバーにおいて、プライマル解探索の性能を顕著に向上させる。
• 本手法は8種類の異なるMIP問題タイプにわたり性能向上を達成し、広範な適用可能性を示している。
• 予測された解をもとに生成された局所的ブランチングカットは、高品質なプライマル解への収束を高速化する。
• 本フレームワークはヒューリスティック解法モードと正確解法モードの両方をサポートしており、後者では解の最適性を維持している。
• 三部図グラフ表現は、MIPモデルとその解との間の構造的相関を効果的に捉えている。
• 繰り返し出現するMIPインスタンスにおける共通する構造的パターンを活用することで、学習と予測精度が向上している。