[논문 리뷰] A Scalable Algorithm for Two-Stage Adaptive Linear Optimization

Dimitris Bertsimas, Shimrit Shtern|arXiv (Cornell University)|2018. 07. 08.

Risk and Portfolio Optimization참고 문헌 14인용 수 9

한 줄 요약

이 논문은 이차적 적응형 선형 최적화를 위한 컬럼 앤 컨스트레인트 생성(CCG) 알고리즘의 확장 가능하고 타당성 보장이 가능한 방법을 제안한다. CCG 프레임워크에 타당성 오라클을 통합함으로써, 계산적 확장성은 유지하면서도 타당한 해가 존재할 경우 첫 번째 단계의 결정이 항상 타당함을 보장한다. 이는 대규모 문제에서 기존 방법보다 해의 품질과 확장성 면에서 뛰어나다.

ABSTRACT

The column-and-constraint generation (CCG) method was introduced by \citet{Zeng2013} for solving two-stage adaptive optimization. We found that the CCG method is quite scalable, but sometimes, and in some applications often, produces infeasible first-stage solutions, even though the problem is feasible. In this research, we extend the CCG method in a way that (a) maintains scalability and (b) always produces feasible first-stage decisions if they exist. We compare our method to several recently proposed methods and find that it reaches high accuracies faster and solves significantly larger problems.

연구 동기 및 목표

• 원래의 컬럼 앤 컨스트레인트 생성(CCG) 방법이 문제의 타당성에도 불구하고 첫 번째 단계의 결정이 타당하지 않을 수 있는 문제를 해결하기 위해.
• 타당한 해가 존재할 경우 첫 번째 단계의 결정의 타당성을 보장하면서도 CCG 방법의 확장성을 유지하기 위해.
• 다각형 불확실성 집합 하에서 대규모 이차적 적응형 최적화 문제를 위한 강력하고 계산적으로 효율적인 알고리즘 개발을 위해.
• 전력 시스템 및 공급망 관리와 같이 타당성이 핵심적인 실제 적용 분야를 위한 실용적이고 신뢰할 수 있는 해법 제공을 위해.

제안 방법

• 이 방법은 CCG 알고리즘을 확장하여, 주어진 집합 U 내 모든 불확실성 실현에 대해 후보 제1단계 결정이 타당한지 확인하는 타당성 오라클을 통합한다.
• 각 반복에서, 알고리즘은 레이더스 유형의 보조 문제를 풀어 현재 제1단계 결정에 대해 가장 악성인 불확실성 시나리오를 식별한다.
• 보조 문제가 제2단계 문제에서의 타당성 위반을 드러내면, 타당성 컷이 주 문제에 추가되어 타당하지 않은 제1단계 해를 배제한다.
• 알고리즘은 주 문제(제1단계 결정 최적화)와 보조 문제(타당성 및 최적성 검증)를 번갈아가며 풀며, 필요할 경우에만 컷을 추가한다.
• 타당성 오라클은 오직 타당한 제1단계 결정만 고려하게 하여, 알고리즘이 타당하지 않은 해로 수렴하는 것을 방지한다.
• 이 방법은 레이더스 분해에 기반하며, CCG의 유한 수렴 성질을 유지하면서도 타당성 보장을 추가로 제공한다.

실험 결과

연구 질문

• RQ1 원래의 CCG 방법이 타당하지 않은 해를 생성할 수 있음에도 불구하고, CCG 방법을 개선하여 제1단계 결정의 타당성을 보장할 수 있는가?
• RQ2 CCG 프레임워크에 타당성 오라클을 통합함으로써 확장성은 유지하면서도 해의 신뢰성은 향상되는가?
• RQ3 제안된 방법은 대규모 이차적 적응형 최적화 문제에서 기존의 접근법과 비교해 해의 품질과 계산 효율성 면에서 어떻게 성과를 내는가?
• RQ4 실제로 타당성 오라클은 반복 횟수를 얼마나 줄이고 수렴을 얼마나 향상시키는가?

주요 결과

• 제안된 알고리즘은 타당한 해가 존재할 경우 항상 타당한 제1단계 결정을 생성하여 원래의 CCG 방법에서 발생하던 타당성 문제를 완전히 제거한다.
• 경쟁 방법들인 CCG, 선형화, MIO 기반 방법들과 비교해 더 높은 해의 정확도를 더 빨리 달성한다.
• 이전에는 불가능했던 훨씬 더 큰 이차적 적응형 최적화 문제를 타당성 보장과 함께 성공적으로 해결한다.
• 전력 시스템 및 네트워크 문제에 대한 계산 실험에서, 최첨단 대안들과 비교해 뛰어난 확장성과 강건성을 보였다.
• 타당성 오라클의 통합은 최소한의 계산 오버헤드를 유발하면서도 타당하고 최적의 해로 수렴함을 보장한다.