[논문 리뷰] Chance-constrained optimization with tight confidence bounds

Mark Cannon|arXiv (Cornell University)|2017. 11. 10.

Risk and Portfolio Optimization참고 문헌 21인용 수 9

한 줄 요약

이 논문은 확률 제약 조건 최적화에서 기존 방법보다 더 날카운 감도 구간을 확보하는 데 성공한 랜덤 샘플 기반 기각 전략을 제안한다. 독립적 샘플링과 경험적 위반 검증을 통해, 문제의 특정 하위집합에 대해 정확한 사후 감도 구간을 제공하는 반복적 시나리오 접근법을 가능하게 하며, 결정적 기각 전략에 비해 근사 정확도가 크게 향상된다.

ABSTRACT

Convex sample approximations of chance-constrained optimization problems are considered, in which chance constraints are replaced by sets of sampled constraints. We propose a randomized sample selection strategy that allows tight bounds to be derived on the probability that the solution of the sample approximation is feasible for the original chance constraints when a subset of the sampled constraints is discarded. These confidence bounds are shown to be tighter than the bounds that apply if constraints are discarded according to optimal or greedy discarding strategies. We further show that the same confidence bounds apply to solutions that are obtained from a two stage process in which a sample approximation of a chance-constrained problem is solved, then an empirical measure of the violation probability of the solution is obtained by counting the number of violations of an additional set of sampled constraints. We use this result to design a repetitive scenario approach that meets required tolerances on violation probability given any specified a priori and a posteriori probabilities. These bounds are tighter than confidence bounds available for previously proposed repetitive scenario approaches, and we show that the posterior bounds are exact for a particular problem subclass. The approach is illustrated through numerical examples, and extensions to problems involving multiple chance constraints are discussed.

연구 동기 및 목표

• 비중요한 위반 확률을 가진 확률 제약 조건에 대해 고정밀 근사치를 확보하는 데에 기존 시나리오 접근법의 한계를 해결하기 위해.
• 최적 또는 탐욕적 기각 전략보다 더 날카운 사전 및 사후 감도 구간을 제공하는 랜덤 샘플 선택 전략을 개발하기 위해.
• 지정된 위반 확률 허용 오차를 충족하는 반복적 시나리오 접근법을 설계하기 위해.
• 제안된 감도 구간이 특정 문제 하위집합에 대해 정확한지 확인하여 신뢰성과 정확도를 향상시키기 위해.

제안 방법

• 결정적 최적화나 휴리스틱 기반 기각이 아닌, 제약 조건을 랜덤으로 선택하고 기각하는 랜덤 샘플 기반 기각 전략을 제안한다.
• 이항분포와 베타분포의 조합적 성질을 활용하여, 샘플 문제의 해가 원래의 확률 제약 조건을 만족할 확률에 대한 날카운 감도 구간을 유도한다.
• 두 단계 과정을 도입한다: 먼저 샘플 문제를 풀고, 그 다음 독립적인 샘플 세트에서 위반 확률을 평가하여 경험적 사후 감도 구간을 확보한다.
• 반복적 시나리오 접근법을 적용하여, 독립적인 다중샘플을 사용해 반복적으로 샘플링, 해를 구하고, 검증을 수행함으로써 감도 구간을 정밀화한다.
• 감도 구간을 표현하기 위해 베타분포와 정규화된 비정규화 베타 함수를 사용하며, 이는 특정 문제 하위집합에 대해 정확한 사후 감도 구간을 가능하게 한다.
• 보울의 부등식과 전체 확률의 법칙을 활용하여 사전 및 사후 감도 구간을 통합된, 보수적이지만 날카운 종합 감도 추정치로 조합한다.

실험 결과

연구 질문

• RQ1 확률 제약 조건 최적화에서 결정적 또는 탐욕적 기각 전략에 비해 랜덤 샘플 기반 기각 전략이 더 날카운 해의 타당성 감도 구간을 제공할 수 있는가?
• RQ2 위반 확률에 대한 요구되는 허용 오차를 충족하면서 개선된 감도 구간을 확보할 수 있는 반복적 시나리오 접근법은 어떻게 설계할 수 있는가?
• RQ3 제안된 감도 구간이 특정 하위집합의 확률 제약 조건 문제에 대해 정확한가?
• RQ4 독립적인 검증 샘플을 사용함으로써 사후 감도 구간을 보수적이지 않게 하고 기존 방법보다 더 날카운 것으로 만들 수 있는가?
• RQ5 샘플 크기와 랜덤화의 영향은 해의 타당성 보장의 정확도와 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 제안된 랜덤 기각 전략은 최적 또는 탐욕적 기각 전략보다 더 날카운 감도 구간을 제공하여 근사 정확도를 향상시킨다.
• 유도된 감도 구간은 추가적인 문제 특화 정보 없이도 향상될 수 없음을 의미하는 날카운 감도를 가진다.
• 특정 문제 하위집합에 대해 사후 감도 구간은 정확하며, 이는 진짜 위반 확률 분포와 정확히 일치함을 의미한다.
• 반복적 시나리오 접근법은 이전 연구들보다 더 날카운 사전 감도 구간을 달성하며, 식 (4.3)의 구간은 명시적으로 유도되고 검증되었다.
• 정확성이 입증된 문제 하위집합에서 사후 감도 구간(식 4.1)은 비보수적이며, 기존 방법보다 개선된 신뢰성을 보여준다.
• 수치 예제를 통해 제안된 방법의 효과성을 입증하였으며, 다중 확률 제약 조건으로의 확장도 논의되어 있어 확장성과 강건성을 입증한다.