[論文レビュー] The matching relaxation for a class of generalized set partitioning problems

Phillippe Samer, Evellyn Cavalcante+2 more|arXiv (Cornell University)|Jun 29, 2016

Maritime Ports and Logistics参考文献 40被引用数 2

ひとこと要約

本稿では、補助グラフにおける最大重み付きマッチングを用いて、一般化された集合分割問題（GSPP）の2つの組み合わせ的下界を提案する。これにより、双対下界の高速化と有効な変数削減が可能となり、海運物流のベンチマークインスタンスの83%で最適または近似最適解が得られ、正確な手法に比べて30%の時間で実行される。これは、マテューリスティクスおよび緩和に基づく最適化において優れた性能を示している。

ABSTRACT

This paper introduces a discrete relaxation for the class of combinatorial optimization problems which can be described by a set partitioning formulation under packing constraints. We present two combinatorial relaxations based on computing maximum weighted matchings in suitable graphs. Besides providing dual bounds, the relaxations are also used on a variable reduction technique and a matheuristic. We show how that general method can be tailored to sample applications, and also perform a successful computational evaluation with benchmark instances of a problem in maritime logistics.

研究の動機と目的

• パッキング制約下での一般化された集合分割問題（GSPP）に対する効率的な双対下界の開発を目的とする。
• 従来のLP緩和よりも高速である、重み付きマッチングに基づく組み合わせ的緩和を提案すること。
• これらの緩和を、実用的最適化のための変数削減およびマテューリスティクス設計に応用すること。
• 既知の最適解が存在する実世界の海運物流インスタンスを用いて、有効性を実証すること。
• 組み合わせ的下界が、強い性能を示す応用固有の緩和に拡張可能であることを示すこと。

提案手法

• タスク割り当てとリソースの互換性に基づいて2つのグラフを構築し、対象の非可換性をモデル化する。
• これらのグラフ上で最大重み付きマッチングを計算し、GSPP定式化の下界を導出する。
• より強いマッチング下界を、マテューリスティクスと変数削減技術における変数選択基準として用いる。
• 完全な整数計画問題を解く前に、変数数を削減するために緩和を適用する。
• 組み合わせ的下界を用いて変数の優先順位を決定することで、解法速度を向上させるマテューリスティクスを採用する。
• 問題固有のグラフ構築により、ジョブスケジューリング、クルー管理、港物流など、特定の応用分野に適合させる。

実験結果

リサーチクエスチョン

• RQ1 構築されたグラフにおける最大重み付きマッチングは、パッキング制約を伴うGSPPに対して効果的な双対下界を提供できるか？
• RQ2 組み合わせ的マッチング緩和は、LP緩和と比較して、下界の品質と計算速度の両面で優れているか？
• RQ3 これらの下界は、大規模なGSPPインスタンスにおける変数数の削減に有効に利用できるか？
• RQ4 マテューリスティクスにおいて、解の品質を損なわず、解法時間をどの程度改善できるか？
• RQ5 この手法は、最小限の変更で多様な応用分野に一般化・適応可能か？

主な発見

• マッチング緩和は、論文で形式的に証明されたように、他の緩和手法よりも強い下界を提供する。
• 海運物流のベンチマークにおいて、83%のインスタンスで既知の最適解が得られ、残りのインスタンスでは最適値の4%以内の解が得られた。
• マテューリスティクスは、平均的に正確な手法に比べて30%の時間で最適または近似最適解を達成した。
• インスタンス23では、ベースライン手法よりも最適解が8倍速く得られた。
• インスタンス28では、ベースライン実行時間の6%未満で最適値の3%以内の解に到達した。
• 変数削減技術によりモデルサイズが著しく縮小され、一部のケースでは変数の90%が削除され、スケーラビリティが向上した。