[논문 리뷰] Machine-learning-based arc selection for constrained shortest path problems in column generation

Mouad Morabit, Guy Desaulniers외 1명|arXiv (Cornell University)|2022. 01. 07.

Transportation Planning and Optimization인용 수 6

한 줄 요약

이 논문은 제약 조건이 있는 최단 경로 문제(SPPRC)의 해를 가속화하기 위해 컬럼 생성에서 간선 선택을 위한 기계학습 기반 휴리스틱을 제안한다. 이전의 역사적 데이터를 기반으로 고성능 간선를 식별하기 위해 지도 학습 모델을 훈련시켜 네트워크 크기를 평균 15–25% 감소시키며, 차량 경로 문제 및 승무원 스케줄링 응용 분야에서 계산 시간을 최대 40% 절감하면서도 해 품질을 유지한다.

ABSTRACT

Column generation is an iterative method used to solve a variety of optimization problems. It decomposes the problem into two parts: a master problem, and one or more pricing problems (PP). The total computing time taken by the method is divided between these two parts. In routing or scheduling applications, the problems are mostly defined on a network, and the PP is usually an NP-hard shortest path problem with resource constraints. In this work, we propose a new heuristic pricing algorithm based on machine learning. By taking advantage of the data collected during previous executions, the objective is to reduce the size of the network and accelerate the PP, keeping only the arcs that have a high chance to be part of the linear relaxation solution. The method has been applied to two specific problems: the vehicle and crew scheduling problem in public transit and the vehicle routing problem with time windows. Reductions in computational time of up to 40% can be obtained.

연구 동기 및 목표

• 특히 NP-난이도 SPPRC 변종에 대해 컬럼 생성의 가격 설정 문제에서 계산 부담을 줄이기 위해.
• 네트워크에서 덜 관련성이 높은 간선를 지능적으로 제거하여 차량 경로 문제 및 승무원 스케줄링 문제의 해를 가속화하기 위해.
• 과거 실행 데이터를 활용하여 가격 설정 하위 문제에서의 간선 선택을 이끄는 일반화 가능한 데이터 기반 휴리스틱을 개발하기 위해.
• 해 품질을 유지하면서도 가격 설정 문제를 해결하는 데 소요되는 시간을 크게 줄이기 위해.
• 어려운 C2 및 RC2 VRPTW 인스턴스를 포함한 다양한 문제 인스턴스에 대해 방법의 효과성을 평가하기 위해.

제안 방법

• 이전 컬럼 생성 반복 과정에서의 역사적 데이터를 기반으로 지도 기반 기계학습 모델을 훈련시켜, 양호한 품질의 경로에 포함될 가능성이 높은 간선를 예측한다.
• 감소된 비용과 자원 제약 조건을 특징으로 사용하여 간선를 순위 매기며, 개선 컬럼에 기여할 가능성이 높은 간선들만 선택한다.
• 선택된 간선들은 각 가격 설정 반복에서 사용되는 축소된 네트워크를 구성하며, 이로 인해 탐색 공간이 크게 축소된다.
• 축소된 네트워크가 충분한 컬럼을 생성하지 못할 경우 동적으로 전체 네트워크로 전환하여 수렴성을 보장한다.
• 이 방법은 차량 및 승무원 스케줄링(VCSP)과 시간 창이 있는 차량 경로 문제(VRPTW)에 적용되며, 각각에 대해 별도의 간선 선택 전략을 사용한다.
• 새로운 인스턴스에 대한 일반화를 위해 모델을 재훈련한다.

실험 결과

연구 질문

• RQ1 기계학습 모델이 SPPRC 가격 설정 문제에서 고성능 간선를 효과적으로 예측하여 네트워크 크기를 줄일 수 있는가?
• RQ2 학습된 패턴에 기반한 간선 선택이 해 품질을 떨어뜨리지 않고 컬럼 생성을 얼마나 가속화할 수 있는가?
• RQ3 속도와 해 품질 측면에서 기존 휴리스틱 제거 방법에 비해 기계학습 기반 간선 선택의 성능은 어떻게 비교되는가?
• RQ4 기계학습 모델이 차량 경로 문제 및 승무원 스케줄링 문제에서 새로운, 알려지지 않은 인스턴스에 잘 일반화되는가?
• RQ5 왜 일부 VRPTW 인스턴스 유형(예: C2 및 RC2)에서 성능이 열등한가, 그리고 이를 완화할 수 있는가?

주요 결과

• 제안된 방법은 평균적으로 네트워크 크기를 15%에서 25%까지 감소시켜 가격 설정 하위 문제의 처리 속도를 크게 향상시켰다.
• 시간 창이 있는 차량 경로 문제(VRPTW)에서 계산 시간이 최대 40% 감소했으며, 모든 인스턴스 평균에서 2%의 개선을 달성했다.
• 차량 및 승무원 스케줄링 문제(VCSP)에서는 계산 시간이 최대 27% 감소했다.
• 기계학습 모델은 새로운, 알려지지 않은 인스턴스에 잘 일반화되어 다양한 문제 유형에서 뛰어난 성능을 유지했다.
• 전반적인 정확도가 87%에 도달했음에도 불구하고, C2 및 RC2 VRPTW 인스턴스에서 성능이 저하되었으며, C2 인스턴스에서만 재현율 94%와 정확도 94%를 기록하여 인스턴스 특성에 기인한 도전 과제가 있음을 시사했다.
• C2 인스턴스에 전용으로 모델을 재훈련해도 성능 향상이 유의미하게 이루어지지 않아, 이러한 인스턴스에 내재된 구조적 차이가 원인임을 시사했다.