[논문 리뷰] A Sigmoidal Approximation for Chance-Constrained Nonlinear Programs

Yankai Cao, Ví­ctor M. Zavala|arXiv (Cornell University)|2020. 04. 06.

Risk and Portfolio Optimization참고 문헌 22인용 수 9

한 줄 요약

이 논문은 표준 비선형 프로그래밍 솔버를 통한 확장 가능한 해법을 가능하게 하는, 확률제약 비선형 프로그램을 위한 보수적인 시그모이드 근사인 SigVaR를 소개한다. 조건부가치의 위험(CVaR)과 매개변수를 연결함으로써, CVaR보다 보수성을 감소시키면서도 계산 가능성을 유지하며, 화염 방출 시스템 설계 사례 연구에서 비용을 12.5% 절감하고 타당성 확률을 향상시켰다.

ABSTRACT

We propose a sigmoidal approximation for the value-at-risk (that we call SigVaR) and we use this approximation to tackle nonlinear programs (NLPs) with chance constraints. We prove that the approximation is conservative and that the level of conservatism can be made arbitrarily small for limiting parameter values. The SigVar approximation brings scalability benefits over exact mixed-integer reformulations because its sample average approximation can be cast as a standard NLP. We also establish explicit connections between SigVaR and other smooth sigmoidal approximations recently reported in the literature. We show that a key benefit of SigVaR over such approximations is that one can establish an explicit connection with the conditional value at risk (CVaR) approximation and exploit this connection to obtain initial guesses for the approximation parameters. We present small- and large-scale numerical studies to illustrate the developments.

연구 동기 및 목표

• 혼합정수재구성의 복잡성을 피하면서도 계산 가능성이 확보된 확률제약 비선형 프로그램(CC-NLP)의 근사법을 개발하기 위해.
• 특히 대규모 응용에서 발생하는 기존 근사법(예: CVaR 및 Bernstein)의 본질적 보수성을 감소시키기 위해.
• 시그모이드 근사를 CVaR와 연결하는 매개변수화 체계를 수립하여 초기 추측 값 선택과 수렴성을 향상시키기 위해.
• 작은 규모와 큰 규모 문제에 대한 수치 실험을 통해 확장성과 보수성 감소를 입증하기 위해.
• 고매개변수 시그모이드 근사에서 발생하는 수치적 불안정성을 적응형 알고리즘 체계로 완화하기 위해.

제안 방법

• 확률제약 내 이산 지표 함수를 대체하기 위해 부드럽고 미분 가능한 함수로 구성된 시그모이드 근사인 SigVaR를 제안한다.
• μ와 τ로 매개변수화된 시그모이드 함수를 사용하여 VaR의 부드러운 근사를 정의함으로써, 보수성과 극한에서 정확한 VaR로의 수렴을 보장한다.
• SigVaR의 표본 평균 근사(SAA)를 사용하여 문제를 표준 비선형 프로그래밍(NLP)으로 변환함으로써, 효율적인 NLP 솔버의 사용을 가능하게 한다.
• SigVaR와 CVaR 간의 이론적 연결 고리를 확립하여, CVaR 해를 기반으로 SigVar 매개변수를 초기화하고 반복 횟수를 줄일 수 있도록 한다.
• 점진적으로 μ와 τ를 증가시켜 근사를 정밀화하는 반복 알고리즘(SigVaR-Alg)을 설계함으로써, 보수성과 수치적 안정성 간의 균형을 확보한다.
• 소규모 확률제약 최적 제어 문제와 18,000개 변수를 포함한 대규모 화염 방출 시스템 설계 문제에 대해 방법을 구현하고 테스트한다.

실험 결과

연구 질문

• RQ1 확률제약 비선형 프로그램에 대해 보수적이면서도 확장 가능한 부드러운 시그모이드 근사를 구성할 수 있는가?
• RQ2 SigVaR의 보수성은 CVaR 및 기타 부드러운 근사와 비교해 어떻게 되며, 체계적으로 감소시킬 수 있는가?
• RQ3 시그모이드 근사의 매개변수를 CVaR 결과를 활용해 효과적으로 초기화할 수 있는가? 이는 수렴성을 향상시키는가?
• RQ4 대규모 응용에서 계산 효율성, 보수성, 타당성 확률 간의 상호 상충 관계는 어떠한가?
• RQ5 극단적인 매개변수 값에서 수치적 안정성은 어떻게 행동하며, 알고리즘적으로 이를 완화할 수 있는가?

주요 결과

• SigVaR는 증명된 보수성을 지니며, 근사 매개변수 μ와 τ가 그 극한 값에 가까워질수록 보수성이 임의로 작아질 수 있다.
• CVaR-P 해와 비교해 화염 방출 시스템 설계 문제의 비용을 9.6% 절감했으며, 비용은 $121,170에서 $109,488로 감소했고, 타당성 확률은 0.951을 유지했다.
• SigVaR 해를 사용했을 때 확률제약를 충족할 확률은 0.951로, 요구된 0.95와 매우 가까워 비용과 신뢰성 간 효과적인 균형을 이룬 것으로 나타났다.
• SigVaR-Alg 알고리즘은 반복적 정밀화를 통해 보수성을 성공적으로 감소시켰으며, μ=320 및 τ=0.42에서 439회의 IPOPT 반복과 45초의 해소 시간으로 수렴을 달성했다.
• 부드러운 SS-P 근사와 비교해 SigVaR는 더 낮은 비용(109,488 대비 116,472)과 더 높은 타당성 확률을 기록하여 열등한 성능를 보였다.
• 큰 μ와 τ 값에서 수치적 불안정성이 관찰되었지만, 제안된 알고리즘 체계는 매개변수를 점진적으로 증가시키고 CVaR 기반 초기화를 통해 이를 완화했다.