[논문 리뷰] CVXPY: A Python-Embedded Modeling Language for Convex Optimization

Steven Diamond, Stephen Boyd|arXiv (Cornell University)|2016. 03. 03.

Advanced Optimization Algorithms Research참고 문헌 12인용 수 475

한 줄 요약

CVXPY는 컨벡스 최적화를 위한 Python-임베디드 DSL을 제공하며, 자연스러운 문제 정의, 부호화된 DCP 기반 볼록성 검증, 매개변수, 그리고 솔버 백엔드와의 객체지향 모델링을 가능하게 한다.

ABSTRACT

CVXPY is a domain-specific language for convex optimization embedded in Python. It allows the user to express convex optimization problems in a natural syntax that follows the math, rather than in the restrictive standard form required by solvers. CVXPY makes it easy to combine convex optimization with high-level features of Python such as parallelism and object-oriented design. CVXPY is available at http://www.cvxpy.org/ under the GPL license, along with documentation and examples.

연구 동기 및 목표

• 수학을 따르는 방식으로 볼록 최적화 문제를 표현하기 위한 DSL의 필요성을 제고한다.
• 부호화된 규칙적 볼록 프로그래밍과 매개변수와 같은 기능을 갖춘 Python-임베디드 언어로 CVXPY를 소개한다.
• 병렬 처리 및 OO 설계에 대한 기존 Python 기능과 CVXPY의 통합 방식을 보여준다.
• 다른 매개변수 값들에 대해 문제를 구성하고 해결하며 재사용하는 방법을 시연한다.

제안 방법

• 변수, 목적 함수, 제약 조건에 대해 수학식에 병행하는 Pythonic 구문을 제공한다.
• 볼록 함수의 그래프 구현을 사용하여 문제를 conic form으로 변환한다.
• 다양한 솔버 특성을 지닌 cone solvers(CVXOPT, ECOS, SCS)와 CVXPY를 인터페이스한다.
• 부호 추적(sign tracking)을 포함한 disciplined convex programming(signed DCP)을 확장하여 볼록성 검증을 강화한다.
• 수치 값이 재구성 없이도 달라질 수 있는 고정-심볼 속성 상수로서의 매개변수를 도입한다.
• 복잡한 최적화 작업을 위한 문제의 객체지향적 구성과 합성 가능한 그래프 구조를 가능하게 한다.

실험 결과

연구 질문

• RQ1 수학 표기를 반영하는 Python-embedded DSL에서 볼록 최적화 문제를 어떻게 표현할 수 있는가?
• RQ2 표현식의 부호를 추적하여 표준 DCP를 넘는 볼록성 검증을 CVXPY가 어떻게 수행할 수 있는가?
• RQ3 이용 가능한 cone solvers를 사용하여 문제를 어떻게 efficiently 해결하고 더 큰 문제로 확장할 수 있는가?
• RQ4 다른 값들에서 문제 구조를 재사용하는 데 있어 매개변수의 역할은 무엇인가?
• RQ5 객체지향적 접근 방식이 모듈식이고 재사용 가능한 최적화 문제 설계에 어떻게 도움이 되는가?

주요 결과

• CVXPY는 수학적 문제 진술을 반영하는 간단하고 읽기 쉬운 Python 구문을 제공한다.
• 문제는 그래프 구현을 통해 conic form으로 변환되며, cone solvers로의 해가 가능하다.
• CVXPY는 CVXOPT, ECOS, SCS 솔버와 인터페이스하여 다양한 확장성과 정확도를 가진 interior-point와 first-order 방법를 제공한다.
• Signed DCP는 부호를 추적하여 볼록성 검증을 확장하고, 더 많은 문제 구성이 볼록한 것으로 인식되도록 한다.
• 매개변수는 특정 상수를 바꿔가며 관련되지 않은 부분의 재계산 없이 반복된 문제를 효율적으로 해결하게 하며; 병렬 처리는 트레이드-오프 곡선을 가속화할 수 있다.
• 객체지향적 접근 방식은 구성요소(변수, 비용, 제약조건)로부터 문제를 구성하고 이를 더 큰 문제로 합성하는 것을 가능하게 한다.