[논문 리뷰] Geometric Duality for Convex Vector Optimization Problems

Frank Heyde|arXiv (Cornell University)|2011. 09. 16.

Advanced Optimization Algorithms Research참고 문헌 12인용 수 8

한 줄 요약

이 논문은 레지오-펜켈 코너지와 이阶 미분을 이용하여 다중 목표 선형 프로그래밍의 기하 이중성 이론을 일반 볼록 벡터 최적화 문제로 확장한다. 이는 프리미벌과 듀얼 확장 이미지 집합의 최소 면들 사이에 포함관계 역전, 일대일 대응을 수립함으로써 이루어지며, 최소한의 정규성 가정 하에 비다각형, 비다각형 순서 콘의 경우에도 적용 가능하다. 주요 기여는 면 차원 보완성과 유지하는 일반화된 이중성 프레임워크를 제공하는 것으로, 선형 사례를 초월한 볼록 설정에 적용된다.

ABSTRACT

Geometric duality theory for multiple objective linear programming problems turned out to be very useful for the development of efficient algorithms to generate or approximate the whole set of nondominated points in the outcome space. This article extends the geometric duality theory to convex vector optimization problems.

연구 동기 및 목표

• 비다각형 순서 콘을 갖는 일반 볼록 벡터 최적화 문제로 다중 목표 선형 프로그래밍의 기하 이중성 이론을 일반화한다.
• 선형 사례를 초월하여 프리미벌과 듀얼 이미지 집합의 최소 면들 사이에 포함관계 역전, 일대일 대응을 유지하는 이중성 프레임워크를 수립한다.
• 선형 설정에서의 대응 면의 차원 보완성 성질을 이阶 미분을 이용해 볼록 설정으로 일반화한다.
• 결과 공간 내의 폴라리티 관계를 통해 공액 함수의 에피그래프 변환을 통해 이중 문제를 제시한다.
• 제안된 이론의 특수한 경우로 일반 순서 콘을 갖는 선형 벡터 최적화 문제에 대한 기존 결과를 회복하고 略도 확장한다.

제안 방법

• 적절한 볼록 분석 도구 적용을 위해 볼록 벡터 최적화 문제의 확장 이미지 집합을 적절한 닫힘, 볼록 함수 $ f $의 에피그래프로 변환한다.
• 레지오-펜켈 공액 함수 $ f^* $를 통해 이중 문제를 정의하며, 이중 이미지 집합은 적절한 변환 하에 $ f^* $의 에피그래프에 대응한다.
• 이중 이미지 집합 $ \mathcal{D} $의 $ K $-최대 노출 면들에서 프리미벌 이미지 집합 $ \mathcal{P} $의 상대적 $ C $-최소 노출 면들로 보존하는 포함관계 역전 및 전단사 성질을 갖는 이중 맵 $ \widehat{\Psi} $를 수립한다.
• 이阶 미분과 두르핀 지표를 활용하여 선형 사례에서의 면 차원 보완성을 일반화한다.
• 함수 $ f $와 $ f^* $의 이阶 미분 간 폴라리티 관계를 유도하며, $ \operatorname{Ind}_{\mathcal{D},-\operatorname{id}}(v|\eta^*(y)) = \left[\operatorname{Ind}_{\mathcal{P},T}(y|\eta(v))\right]^\circ $ 로 표현한다. 이는 선형 사례의 차원 보완성을 일반화한다.
• 변환 행렬 $ T $, $ T^{-1} $, $ c^* $를 특수화하여 일반 순서 콘을 갖는 선형 벡터 최적화 문제에 이 프레임워크를 적용하며, 기존에 알려진 이중성 결과를 특수한 경우로 회복한다.

실험 결과

연구 질문

• RQ1 비다각형 이미지 집합을 갖는 일반 볼록 벡터 최적화 문제로 다중 목표 선형 프로그래밍의 기하 이중성 이론을 어떻게 확장할 수 있는가?
• RQ2 볼록 설정에서 프리미벌과 듀얼 이미지 집합의 최소 면들 사이의 이중 맵의 정밀한 특성은 무엇인가?
• RQ3 이阶 미분을 이용해 선형 사례를 초월한 대응 면의 차원 보완성 성질은 어떻게 일반화되는가?
• RQ4 레지오-펜켈 공액 함수는 결과 공간 내에서 이중 문제를 구성하고 이중 관계를 수립하는 데 어떤 역할을 하는가?
• RQ5 이 이론은 일반 순서 콘(비다각형, 비고체)을 갖는 선형 벡터 최적화 문제에 대한 기존 이중성 결과를 회복하고 확장할 수 있는가?

주요 결과

• 논문은 이중 이미지 집합 $ \mathcal{D} $의 모든 $ K $-최대 노출 면들 집합과 프리미벌 이미지 집합 $ \mathcal{P} $의 모든 상대적 $ C $-최소 노출 면들 집합 사이에 포함관계 역전, 전단사 대응을 갖는 이중 맵 $ \widehat{\Psi} $를 수립한다.
• 모든 대응 면 쌍 $ F^* \subset \mathcal{D} $ 및 $ \widehat{\Psi}(F^*) \subset \mathcal{P} $ 에 대해, 이阶 미분은 폴라리티 관계를 만족한다: $ \operatorname{Ind}_{\mathcal{D},-\operatorname{id}}(v|\eta^*(y)) = \left[\operatorname{Ind}_{\mathcal{P},T}(y|\eta(v))\right]^\circ $, 이는 선형 사례를 일반화한다.
• 프리미벌 이미지 집합 $ \mathcal{P} $ 가 다각형인 경우, 이중 이미지 집합 $ \mathcal{D} $ 도 다각형이며, 차원 보완성 성립: $ \dim F^* + \dim \widehat{\Psi}(F^*) = q - 1 $, 고전적 선형 이중성 결과를 확장한다.
• 이 프레임워크는 내부가 공집인 경우도 포함한 일반 순서 콘 $ K $ 에도 적용 가능하며, 이미지 집합이 다각형이 아니어도 되므로 기하 이중성의 적용 범위를 크게 넓힌다.
• 이론은 일반 순서 콘을 갖는 선형 벡터 최적화 문제에 대한 알려진 이중성 결과를 회복하고 약간 확장하며, 거래비용이 포함된 금융수학 문제에서 나타나는 경우에도 적용 가능하다.
• 변환 $ T $, $ T^{-1} $, $ c^* $ 를 통해 선형 사례에서 이중 이미지 집합 $ \mathcal{D} $ 를 명시적으로 계산할 수 있으며, $ \mathcal{D} = \left\{ \begin{pmatrix} w \\ s \end{pmatrix} \;\big|\; c^*(w) \in C^+, s \leq \sup\{ b^T u \mid u \geq 0, A^T u = \Gamma^T c^*(w) \} \right\} $ 로 표현된다.