[논문 리뷰] A Benson-Type Algorithm for Bounded Convex Vector Optimization Problems with Vertex Selection

Daniel Dörfler, Andreas Löhne외 2명|arXiv (Cornell University)|2020. 06. 28.

Sparse and Compressive Sensing Techniques참고 문헌 44인용 수 22

한 줄 요약

이 논문은 경계가 있는 볼록 벡터 최적화 문제를 해결하는 벤슨 유형 알고리즘을 위한 정점 선택(VS) 규칙을 제안하며, 각 반복에서 어느 정점을 잘라내야 할지를 전략적으로 선택함으로써 효율성을 향상시킨다. 더 저렴한 2차 하위문제를 풀고 단일 부등식을 통한 최적성 검증을 통해 스칼라화의 수를 줄임으로써 수렴 속도를 높이고, 정확도를 손상시키지 않은 채 더 희소하고 다루기 쉬운 해 집합을 얻는다.

ABSTRACT

We present an algorithm for approximately solving bounded convex vector optimization problems. The algorithm provides both an outer and an inner polyhedral approximation of the upper image. It is a modification of the primal algorithm presented by L\"ohne, Rudloff, and Ulus in 2014. There, vertices of an already known outer approximation are successively cut off to improve the approximation error. We propose a new and efficient selection rule for deciding which vertex to cut off. Numerical examples are provided which illustrate that this method may solve fewer scalar problems overall and therefore may be faster while achieving the same approximation quality.

연구 동기 및 목표

• 기존의 벤슨 유형 알고리즘이 각 반복마다 많은 스칼라 프로그램을 풀어야 하는 비효율성 문제를 해결하기 위해.
• 경계가 있는 볼록 벡터 최적화 문제에 대한 다각형 근사 알고리즘에서 스칼라화의 수를 줄이기 위해.
• 수렴 속도를 높이면서도 동일한 근사 정확도를 유지하는 계산적으로 효율적인 정점 선택 규칙을 제공하기 위해.
• 모든 반복 단계에서 근사 오차를 실시간으로 알 수 있도록 하여 알고리즘의 투명성과 의사결정 지원을 향상시키기 위해.

제안 방법

• 현재 내부 및 외부 다각형 근사 간의 하우스도르프 거리에 기반한 히우리스틱 정점 선택 규칙을 도입한다.
• 이미지 공간(사전상공간이 아닌)에서 볼록 2차 하위문제를 사용하여 후보 정점을 평가하며, 이는 표준 스칼라화보다 훨씬 저렴하게 풀 수 있다.
• 이전 반복에서 구한 해의 최적성을 검증하기 위해 단일 부등식 검사를 수행하여 중복 계산을 피한다.
• 알고리즘 전반에 걸쳐 상부 이미지의 내부 및 외부 다각형 근사를 유지한다.
• L"ohne 등 (2014)의 원래 프리미벌 알고리즘에서 임의의 정점 선택을 새로운 VS 규칙으로 대체함으로써 수정한다.
• 추가 비용 없이도 모든 반복 단계에서 근사 오차를 추적할 수 있는 효율적인 구현 전략을 제공한다.

실험 결과

연구 질문

• RQ1 더 스마트한 정점 선택 규칙이 볼록 벡터 최적화를 위한 벤슨 유형 알고리즘에서 스칼라화의 수를 줄일 수 있는가?
• RQ2 제안된 정점 선택 규칙이 동일한 근사 정확도를 유지하면서도 더 빠른 수렴을 이끌 수 있는가?
• RQ3 추가 계산 없이도 알고리즘 실행 중에 근사 오차를 지속적으로 모니터링할 수 있는가?
• RQ4 실제 문제와 학술 문제에서 원래 알고리즘과 비교해 런타임과 해 집합 크기 측면에서 신규 방법은 어떻게 성능을 내는가?
• RQ5 머신 러닝과 같은 고차원 변수 공간을 가진 문제에 대해 이 방법은 효율적으로 적용될 수 있는가?

주요 결과

• 제안된 정점 선택 규칙은 모든 테스트 사례에서 스칼라화의 수를 줄여 계산 시간을 단축시켰다.
• 머신 러닝 사례(엘라스틱 넷)에서, 모든 데이터 세트에서 정점 선택을 통해 근사 오차가 더 작았고, 테스트 MSE는 유사하게 유지되었다.
• 트러스 설계 문제에서는 정점 수가 크게 줄었는데, 예를 들어 ε = 0.2일 때 약 110개에서 43개의 약한 최소값으로 감소하였다. 정확도 손실 없이도 성능 향상이 있었다.
• 알고리즘이 매 반복 단계에서 현재 근사 오차를 제공함으로써 더 나은 의사결정과 모니터링이 가능해졌다.
• 원래 알고리즘과 동일한 근사 정확도를 달성했지만, 특히 스칼라화가 비싼 고차원 문제에서는 더 적은 스칼라화 수를 기록하였다.