[논문 리뷰] Chance-Constrained Combinatorial Optimization with a Probability Oracle and Its Application to Probabilistic Partial Set Covering

Hao-Hsiang Wu, Si̇mge Küçükyavuz|arXiv (Cornell University)|2017. 08. 08.

Risk and Portfolio Optimization참고 문헌 35인용 수 5

한 줄 요약

이 논문은 샘플링 기반 방법에서 타당성 컷을 향상시키기 위해 확률 오라클을 사용하는 새로운 알고리즘을 제안한다. 계수 강화 오라클(κ=2)을 통해 무작위 선택된 해를 기반으로 한 타당성 컷을 강화함으로써, 선형 임계 모델에서 최대 90개 노드까지의 확률적 부분 집합 커버링 문제에 대해 정확한 해를 효율적으로 도출할 수 있다.

ABSTRACT

We investigate a class of chance-constrained combinatorial optimization problems. Given a pre-specified risk level $ε\in [0,1]$, the chance-constrained program aims to find the minimum cost selection of a vector of binary decisions $x$ such that a desirable event $\mathcal{B}(x)$ occurs with probability at least $ 1-ε$. In this paper, we assume that we have an oracle that computes $\mathbb P( \mathcal{B}(x))$ exactly. Using this oracle, we propose a general exact method for solving the chance-constrained problem. In addition, we show that if the chance-constrained program is solved approximately by a sampling-based approach, then the oracle can be used as a tool for checking and fixing the feasibility of the optimal solution given by this approach. We demonstrate the effectiveness of our proposed methods on a variant of the probabilistic set covering problem (PSC), which admits an efficient probability oracle. We give a compact mixed-integer program that solves PSC optimally (without sampling) for a special case. For large-scale instances for which the exact methods exhibit slow convergence, we propose a sampling-based approach that exploits the special structure of PSC. In particular, we introduce a new class of facet-defining inequalities for a submodular substructure of PSC, and show that a sampling-based algorithm coupled with the probability oracle solves the large-scale test instances effectively.

연구 동기 및 목표

• 불확실성 하에서 확률 제약 조건이 있는 조합 최적화 문제를 해결하는 데 발생하는 계산적 과제를 해결하기 위해.
• 커버리지에 확률 제약 조건이 있는 확률적 부분 집합 커버링(PPSC) 문제를 효율적으로 다룰 수 있는 샘플링 기반 알고리즘을 개발하기 위해.
• 동적 프로그래밍을 활용해 타당성 컷을 점검하고 강화하는 확률 오라클을 설계하여 수렴 속도를 향상시키기 위해.
• 계수 강화 컷(κ=2)이 기존의 무작위 선택 컷보다 해를 구하는 데 소요되는 시간과 컷의 수에서 뚜렷한 성능 향상을 보이는지 입증하기 위해.
• 하위모듈라 구조를 활용해 선형 임계 모델 하에서 PPSC에 대한 압축된 MIP 수식을 도출하기 위해.

제안 방법

• 두 단계 알고리즘을 도입한다: 하위모듈라 및 타당한 부등식을 포함한 벤더스 단계, 그 다음에 동적 프로그래밍을 활용한 오라클 단계로 타당성을 검증한다.
• 실제 분포 기반으로 해가 타당한지 확인하기 위해 동적 프로그래밍 기반의 확률 오라클을 활용한다. 이는 뿌리가 샘플링된 시나리오에만 기반하는 것이 아니라 실제 분포를 고려한다.
• 마스터 문제에서 타당성 컷의 강도를 향상시키기 위해 계수 강화된 무작위 선택 컷(식 (5), κ=2)을 사용한다.
• 보조 변수를 제거하고 하위모듈라 커버리지 함수를 활용함으로써, 선형 임계 모델 하에서 PPSC에 대한 압축된 MIP 수식(31)을 유도한다.
• Kempe 등 [13]에서 제안한 라이브 아크 그래프 시나리오 생성 방법을 적용하여 커버리지 함수의 하위모듈라 구조를 유지하는 시나리오를 생성한다.
• 정규화된 등가 수식(11)을 사용하고, 이를 오라클로 강화한 샘플링 기반 지연 제약 조건 생성(DCG) 방법과 비교한다.

실험 결과

연구 질문

• RQ1 확률 오라클은 샘플링 기반 알고리즘에서 확률 제약 조건이 있는 조합 최적화 문제를 해결할 때 타당성 컷의 수와 해를 구하는 데 소요되는 시간을 뚜렷이 줄일 수 있는가?
• RQ2 타당성 컷의 계수 강화(κ=2 대비 κ=1)는 PPSC 인스턴스에서 알고리즘 성능에 어떤 영향을 미치는가?
• RQ3 하위모듈라 구조를 활용해 선형 임계 모델 하에서 PPSC에 대한 압축된 MIP 수식을 유도할 수 있는가?
• RQ4 더 강력한 타당성 컷 사용은 더 큰 네트워크에서 수렴 속도 향상과 더 나은 확장성 달성에 기여하는가?
• RQ5 오라클 기반 방법은 샘플 근사에서 비타당한 해를 신뢰성 있게 식별하고 효과적인 컷 생성을 이끌 수 있는가?

주요 결과

• 계수 강화 컷(κ=2)을 사용함으로써, 단위 비용 인스턴스에서 |V|=60일 경우 해를 구하는 데 소요되는 시간이 시간 제한을 초과하는 상태에서 6분 이내로 감소하였고, |V|=90일 경우 20분 이내로 줄어들었다.
• 기존의 무작위 선택 컷(κ=1)은 시간 제한 내에 어떤 인스턴스도 해결하지 못했지만, κ=2를 사용함으로써 테스트된 모든 인스턴스를 완전히 해결할 수 있었다.
• 선형 임계 모델 하에서, X̄=∅일 때 하위모듈라 부등식(14)만으로도 커버리지 함수를 충분히 기술할 수 있어, 압축된 MIP 수식(31)을 도출할 수 있었다.
• 제안된 오라클 기반 방법은 샘플 근사에서 비타당한 해를 성공적으로 식별하고 효과적인 컷 추가를 이끌어내어 수렴 속도를 향상시켰다.
• 오라클 단계를 통합한 정규화된 등가 수식(11)은 표준 샘플링 기반 방법보다 성능이 뛰어나며, 특히 강화된 컷을 함께 사용할 경우 더욱 두드러졌다.
• 압축된 MIP 수식(31)은 선형 임계 모델 하에서 전체 수식(11)과 동일하며, 표준 MIP 솔버를 통해 정확한 해를 도출할 수 있다.