[論文レビュー] Ranking and Selection under Input Uncertainty: Fixed Confidence and Fixed Budget

Di Wu, Enlu Zhou|arXiv (Cornell University)|Aug 28, 2017

Simulation Techniques and Applications参考文献 36被引用数 5

ひとこと要約

本稿では、固定信頼性および固定予算設定の両方において、入力の不確実性を考慮した新しいランク付けと選択手順を提案する。逐次的排除と最適計算予算配分フレームワークを用いる。期待実行時間および誤った選択確率に関する理論的保証を提供し、マルチステージ生産インベントリ問題における数値的検証を通じて、性能の向上を示す。

ABSTRACT

In stochastic simulation, input uncertainty (IU) is caused by the error in estimating the input distributions using finite real-world data. When it comes to simulation-based Ranking and Selection (RS (ii) for fixed budget, a joint budget is assumed to be available for both collecting input data and running simulations. New procedures are proposed for each formulation using the frameworks of Sequential Elimination and Optimal Computing Budget Allocation, with theoretical guarantees provided accordingly (e.g., upper bound on the expected running time and finite-sample bound on the probability of false selection). Numerical results demonstrate the effectiveness of our procedures through a multi-stage production-inventory problem.

研究の動機と目的

• 限られた現実世界のデータから推定される入力分布を伴う確率的シミュレーションにおける入力不確実性の課題に対処すること。
• 入力データ収集とシミュレーション実行の間で固定された予算を共同で割り当てる新しいランク付けと選択手順の開発。
• 期待実行時間の上界および有限標本における誤った選択確率の上界を含む、理論的性能保証の確保。
• 既存のRSフレームワーク（逐次的排除および最適計算予算配分）を、入力不確実性に対応できるように拡張すること。
• 現実的なマルチステージ生産インベントリ問題における数値実験を通じて、提案手法の有効性の実証。

提案手法

• 選択プロセス中に入力分布の推定誤差を組み込むことで、入力不確実性を考慮した逐次的排除フレームワークの適応。
• 入力不確実性下でのRS手順に最適計算予算配分（OCBA）の原則を統合し、効率性の向上を図る。
• 入力データ収集とシミュレーション実行の間で動的にリソースを配分する統合的予算配分戦略の使用。
• 有限標本条件下での期待実行時間および誤った選択確率に関する理論的境界の導出。
• 入力推定とシミュレーション出力の分散の両方を考慮して、信頼区間を更新する逐次的サンプリングおよび排除ルールの適用。
• 入力不確実性に起因する誤差伝搬を制御することで、高い確率で正しい最良システムへの収束を保証。

実験結果

リサーチクエスチョン

• RQ1 入力不確実性を扱いながらも理論的性能保証を維持できるように、ランク付けと選択手順をどのように設計できるか？
• RQ2 入力データ収集とシミュレーション実行の間で、正しい選択確率を最適化するための統合的予算配分戦略は何か？
• RQ3 固定予算および固定信頼性設定の両方において、入力不確実性下で期待実行時間および誤った選択確率に関する理論的境界を確立できるか？
• RQ4 提案手法は、入力不確実性下で、既存のRSアプローチと比較して、どのようにロバストネスと効率性に優れているか？
• RQ5 入力推定誤差は、シミュレーション実験におけるランク付けと選択手順の性能にどのような影響を与えるか？

主な発見

• 提案手法は、入力不確実性下でも期待実行時間の理論的上界および有限標本における誤った選択確率の上界を達成する。
• 固定予算手順は、入力データ収集とシミュレーション実行の間でリソース配分を効果的にバランスさせ、選択の正確性を向上させる。
• 固定信頼性手順は、不確実な入力が存在しても、期待実行時間を制御しつつ高い確率で正しい選択を保証する。
• マルチステージ生産インベントリ問題における数値結果から、提案手法がベースライン手法よりも選択の正確性と効率性の両面で優れていることが示された。
• OCBAおよび逐次的排除フレームワークに不確実な入力を統合することで、シミュレーション実験におけるシステム選択のよりロバストで信頼性の高い方法が得られた。