[논문 리뷰] Designing Tractable Piecewise Affine Policies for Multi-Stage Adjustable Robust Optimization

Simon Thomä, Grit Walther외 1명|arXiv (Cornell University)|2022. 07. 01.

Advanced Control Systems Optimization참고 문헌 62인용 수 4

한 줄 요약

이 논문은 비음수 우측항 불확실성을 가진 다단계 조정 가능 로버스트 최적화(ARO)에 대해 해석 가능한 조각별 선형 정책을 제안한다. 새로운 지배 불확실성 집합을 구성하고 정점 해의 볼록 조합을 활용하여 선형 프로그래밍을 통한 효율적 해법을 가능하게 하며, 보다 강력한 근사 경계를 확보하고 기존 선형 정책보다 훨씬 빠른 계산 속도를 달성하면서도 해의 품질을 유지하거나 향상시킨다.

ABSTRACT

We study piecewise affine policies for multi-stage adjustable robust optimization (ARO) problems with non-negative right-hand side uncertainty. First, we construct new dominating uncertainty sets and show how a multi-stage ARO problem can be solved efficiently with a linear program when uncertainty is replaced by these new sets. We then demonstrate how solutions for this alternative problem can be transformed into solutions for the original problem. By carefully choosing the dominating sets, we prove strong approximation bounds for our policies and extend many previously best-known bounds for the two-staged problem variant to its multi-stage counterpart. Moreover, the new bounds are - to the best of our knowledge - the first bounds shown for the general multi-stage ARO problem considered. We extensively compare our policies to other policies from the literature and prove relative performance guarantees. In two numerical experiments, we identify beneficial and disadvantageous properties for different policies and present effective adjustments to tackle the most critical disadvantages of our policies. Overall, the experiments show that our piecewise affine policies can be computed by orders of magnitude faster than affine policies, while often yielding comparable or even better results.

연구 동기 및 목표

• 비음수 우측항 불확실성이 있는 다단계 조정 가능 로버스트 최적화(ARO)의 계산 비가역성 문제를 해결하기 위해.
• 다단계 환경에서 강력한 근사 보장을 유지하면서도 계산적으로 효율적인 정책을 설계하기 위해.
• 이전에 근사 경계가 없었던 일반적인 다단계 문제로 이중단계 ARO의 근사 경계를 확장하기 위해.
• 불확실성 분할 방법에서 발생하는 지수적 증가 문제를 정점 해의 볼록 조합을 통해 극복하기 위해.
• 조각별 선형 정책이 선형 정책보다 수십 배에서 수백 배 빠른 속도로 계산 가능하면서도 동일하거나 더 우수한 성능을 달성할 수 있음을 보여주기 위해.

제안 방법

• 다단계 ARO 문제를 선형 프로그래밍으로 재구성할 수 있도록 허용하는 새로운 지배 불확실성 집합을 구성하기 위해.
• 절곡점과 볼록 조합을 활용하여 원래의 불확실성 공간에서 스케일 조정된 공간으로의 비예측적 사상(mapping)을 사용하기 위해.
• 불확실성 구성 요소로 매개변수화된 정점 해의 볼록 조합으로서 조각별 선형 정책을 정의하기 위해.
• 모든 불확실성 실현값에서 유효한 볼록 조합을 보장하기 위해 불확실성 집합 정의에서의 강화된 제약 조건을 활용하기 위해.
• 불확실성 공간의 재매개변수화를 통해 지배 불확실성 집합에서의 해를 원래 문제로 다시 변환하기 위해.
• 수치 실험에서 성능을 검증하기 위해 초구 및 예산 제약 불확실성 집합에 대한 효율적인 샘플링 기법을 적용하기 위해.

실험 결과

연구 질문

• RQ1 비음수 우측항 불확실성이 있는 다단계 ARO에 대해 해석 가능한 조각별 선형 정책를 설계할 수 있는가?
• RQ2 이러한 정책이 일반적인 다단계 설정에서 어떤 근사 경계를 도출할 수 있는가?
• RQ3 기존의 선형 및 조각별 선형 정책과 비교해 볼 때, 이러한 정책은 계산 속도와 해의 품질 측면에서 어떻게 다른가?
• RQ4 제안된 방법을 통해 이중단계 ARO의 근사 경계를 다단계 경우로 확장할 수 있는가?
• RQ5 실제 적용에서 제안된 정책의 잠재적인 단점들을 완화하기 위한 조정 조치는 무엇인가?

주요 결과

• 제안된 조각별 선형 정책는 선형 정책보다 수십 배에서 수백 배 빠른 속도로 계산 가능하면서도 동일하거나 더 뛰어난 해의 품질을 달성할 수 있다.
• 이 방법은 일반적인 다단계 ARO 문제에 대해 강력한 근사 경계를 확보하며, 이는 이 분야에서 처음으로 도출된 경계이다.
• 저자는 지배 불확실성 집합에서 유도된 해가 원래 문제에 대해 유효한 해로 변환될 수 있으며, 성능이 보장됨을 증명한다.
• 스케일 조정된 불확실성 집합에서 정점 해의 볼록 조합을 구성함으로써 선형 프로그래밍을 통한 효율적 해법이 가능해진다.
• 수치 실험 결과, 제안된 정책는 핵심 성능 지표에서 다른 정책을 능가하거나 동등하게 유지하며, 발견된 약점을 보완하기 위한 효과적인 조정 조치가 가능하다.
• 초구 및 예산 제약 불확실성 집합에 대한 샘플링 기법은 효율적이며, 수치 검증에서 높은 수용률을 보였다.