[論文レビュー] Stochastic Vehicle Routing with Recourse

Inge Li Goertz, Viswanath Nagarajan+1 more|arXiv (Cornell University)|Feb 26, 2012

Vehicle Routing Optimization Methods参考文献 31被引用数 5

ひとこと要約

本稿は、需要分布を用いて固定ルートを計画し、需要実現後により高価なリカバリー経路を計算する、Stochastic Vehicle Routing Problem with Recourse に対する $O(\log^2 n \cdot \log(n\lambda))$-近似アルゴリズムを提示する。この手法は、問題をナップサックランク関数オリエンティアリングに還元し、サンプリングに基づく線形計画法緩和と確率的丸めを用いることで、近似保証を達成する。

ABSTRACT

We study the classic Vehicle Routing Problem in the setting of stochastic optimization with recourse. StochVRP is a two-stage optimization problem, where demand is satisfied using two routes: fixed and recourse. The fixed route is computed using only a demand distribution. Then after observing the demand instantiations, a recourse route is computed -- but costs here become more expensive by a factor lambda. We present an O(log^2 n log(n lambda))-approximation algorithm for this stochastic routing problem, under arbitrary distributions. The main idea in this result is relating StochVRP to a special case of submodular orienteering, called knapsack rank-function orienteering. We also give a better approximation ratio for knapsack rank-function orienteering than what follows from prior work. Finally, we provide a Unique Games Conjecture based omega(1) hardness of approximation for StochVRP, even on star-like metrics on which our algorithm achieves a logarithmic approximation.

研究の動機と目的

• 需要が確率的で、リカバリーコストが要因 $\lambda$ で高騰する2段階的確率的車両ルーティング問題に対処すること。
• 固定ルートコストと期待される高価なリカバリーコストの合計を最小化する固定ルート戦略を設計すること。
• 任意の需要分布に対して多項式時間で動作する、性能保証が得られる近似アルゴリズムを提供すること。
• 問題をナップサックランク関数オリエンティアリングに帰着させることで、タイトな近似比を確立すること。
• Unique Games 猜定に基づく $\omega(1)$ の近似困難性を示し、アルゴリズムの近似比がほぼ最適であることを証明すること。

提案手法

• 問題は、サブモジュラーオリエンティアリングの特殊ケースであるナップサックランク関数オリエンティアリングに還元される。
• 確率的出現を伴う頂点の部分集合における期待最小スパニングツリー（MST）コストの推定に、サンプリングに基づく推定技術が用いられる。
• 頂点を固定ルートでカバーされるもの（$D_1$）とリカバリーが必要なもの（$D_2$）に分割するための変数を用いた整数計画法（IP）が定式化される。
• IPは、期待リカバリーコストを経験的MSTとフロー値を用いて推定するために、$m = \text{poly}(n, \lambda)$ 個の需要実現のサンプルを用いる。
• IPの線形計画法緩和を解き、確率的丸めルールにより $D_1 = \{v : x_v > 1/2\}$ を設定することで固定ルートを定義する。
• 固定ルートは、$D_1$ 上での近似VRP解の $O(\log(n\lambda)/\log\!\log(n\lambda))$ 個のコピーとして構築され、残りの需要に対しては貪欲にリカバリー経路が計算される。

実験結果

リサーチクエスチョン

• RQ1 任意の需要分布下でのStochastic VRP with Recourseに対する最良の近似比は何か？
• RQ2 この問題は、既知の近似保証を持つ既知の組合せ最適化問題に効果的に還元可能か？
• RQ3 多項式時間アルゴリズムを設計するにあたり、期待リカバリーコストを十分に正確に推定するにはどうすればよいか？
• RQ4 提案された近似比はタイトか、より強い近似困難性の境界を示せるか？
• RQ5 Unique Games 猜定は、Stochastic VRP with Recourse に対して定数倍近似不可能性を示唆するか？

主な発見

• 本稿は、任意の需要分布下で、Stochastic VRP with Recourse に対して $O(\log^2 n \cdot \log(n\lambda))$-近似を達成する。
• アルゴリズムの性能は、問題をナップサックランク関数オリエンティアリングに還元し、この部分問題の近似比を改善することで導出される。
• 期待リカバリーコストは $\text{poly}(n, \lambda)$ 個のサンプルを用いて推定され、定数の加法的誤差内に収束することが保証される。
• サンプリングに基づく推定を用いたLP緩和は、高確率で真の目的関数を定数倍以内に近似する解を生成する。
• Unique Games 猜定に基づく $\omega(1)$ の近似困難性結果が確立され、定数倍近似が可能でないことは、この猜定が成り立たない限り成立しないことが示された。
• アルゴリズムはスターマトリクス上でも対数的近似比を達成し、既知の近似困難性下限と対数的要因を除いて一致する。