[論文レビュー] Optimal Solutions for Multi-Unit Combinatorial Auctions: Branch and Bound Heuristics

Rica Gonen, Daniel Lehmann|ArXiv.org|Feb 20, 2002

Auction Theory and Applications参考文献 10被引用数 8

ひとこと要約

本稿では、多単位組み合わせ入札（MUCAs）の最適解を理論的に最適な入札順序付けヒューリスティクスを用いた分枝限定法によって最適に解くためのアルゴリズムを提案する。平均単価の上界を用い、刈り込みを最大化する基準に基づいて入札を優先順位付けすることで、大規模な入札において最適解が総実行時間の0.02%未塔で得られ、従来手法に比べて解の発見速度が著しく優れている。

ABSTRACT

Finding optimal solutions for multi-unit combinatorial auctions is a hard problem and finding approximations to the optimal solution is also hard. We investigate the use of Branch-and-Bound techniques: they require both a way to bound from above the value of the best allocation and a good criterion to decide which bids are to be tried first. Different methods for efficiently bounding from above the value of the best allocation are considered. Theoretical original results characterize the best approximation ratio and the ordering criterion that provides it. We suggest to use this criterion.

研究の動機と目的

• 同一および異なるアイテムのバンドルに入札する複数の入札者を含む多単位組み合わせ入札（MUCAs）における最適割り当てを求める計算の難しさに対処すること。
• タイトな上界と知的な入札順序付けを用いて、探索空間を効率的に刈り込む分枝限定フレームワークを開発すること。
• 刈り込み効果を最大化する理論的に最適な入札順序付け基準を特定し、最適解の発見を加速すること。
• 提案されたヒューリスティクスが、既存の手法と比較して最適解に至るまでの時間を著しく短縮できることを実証すること。

提案手法

• メモリに部分解しか保持しない深さ優先の分枝限定探索とバックトラックを用いて解空間を探索する。
• 未割当アイテムから得られる最大値を推定するための平均単価上界を用い、部分木の早期刈り込みを可能にする。
• 理論的に最適な順序付けヒューリスティクス（式6）を適用し、解の改善可能性と最大刈り込みを考慮して入札を優先順位付けする。
• 現在の部分解と上界の和が、これまでに発見された最良解以下の場合は、部分木を刈り込むように組み合わせる。
• 各部分問題がより小さいMUCAsである再帰的構造を採用し、各レベルで同じ問題タイプを維持する。
• 計算が遅いため、実際には投影やLPに基づく複雑な上界は除外し、高速な平均単価上界に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 分枝限定法におけるMUCAsの刈り込みを最大化する理論的に最適な入札順序付け基準は何か？
• RQ2 提案された順序付けヒューリスティクスは、最適解を発見するまでの時間をどれほど短縮できるか？
• RQ3 単純な平均単価上界は、高速な計算を維持しながら十分な刈り込み能力を有するか？
• RQ4 CAMUSのような既存のアルゴリズムと比較して、提案手法の解の発見時間および総実行時間の性能はどの程度か？
• RQ5 問題のサイズ（入札数および物品数）の増加に伴い、アルゴリズムの実行時間の増加傾向はいかなるものか？

主な発見

• 150件の入札を含む入札において、最適解が総実行時間の0.02%未塔で得られ、大部分の時間が最適性の証明に費やされていることが示された。
• 提案された順序付けヒューリスティクス（式6）により、最適解に至るまでの時間が指数関数的に短縮され、問題サイズが大きくなるに従い、解の発見に要する時間の割合が少なくとも指数関数的に減少した。
• 実験では対数スケールで線形成長を示すため、実行時間は入札数に対して準指数的（sub-exponential）に増加した。
• 物品数に対しての実行時間の増加は、CAMUSが示す指数的感度とは対照的に、本手法は準指数的成長を示した。
• 25MBを消費して著しく遅い動作を示すCAMUSと比較して、640KBのメモリしか使用しない本手法は、優れた解の発見速度を達成した。
• 平均単価上界は高速かつ効果的であり、テストされた分布では投影上界などより複雑な上界を上回ったため、実験では唯一これを使用した。