[논문 리뷰] Meta Partial Benders Decomposition for the Logistics Service Network Design Problem

Simon Belieres, Mike Hewitt외 2명|arXiv (Cornell University)|2020. 09. 30.

Vehicle Routing Optimization Methods참고 문헌 26인용 수 9

한 줄 요약

이 논문은 원래의 제품 집합을 분할하여 유도된 상품 그룹인 초상품(초상품)을 기반으로 다수의 마스터 문제 간에 동적으로 전환하는 적응형 벤더스 분해 알고리즘인 메타 부분 벤더스 분해(Meta-PBD)를 제안한다. 최적화 과정에서 초상품의 수와 구조를 지능적으로 변화시킴으로써 Meta-PBD는 단일 마스터 문제를 사용하는 부분 벤더스 분해(PBD)보다 훨씬 우수한 원시 해와 낮은 최적성 갭을 달성하며, 산업용 LSNDP 인스턴스에서 평균 최적성 갭을 34.20%에서 8.12%로 감소시킨다.

ABSTRACT

Supply chain transportation operations often account for a large proportion of product total cost to market. Such operations can be optimized by solving the Logistics Service Network Design Problem (LSNDP), wherein a logistics service provider seeks to cost-effectively source and fulfill customer demands of products within a multi-echelon distribution network. However, many industrial settings yield instances of the LSNDP that are too large to be solved in reasonable run-times by off-the-shelf optimization solvers. We introduce an exact Benders decomposition algorithm based on partial decompositions that strengthen the master problem with information derived from aggregating subproblem data. More specifically, the proposed Meta Partial Benders Decomposition intelligently switches from one master problem to another by changing both the amount of subproblem information to include in the master as well as how it is aggregated. Through an extensive computational study, we show that the approach outperforms existing benchmark methods and we demonstrate the benefits of dynamically refining the master problem in the course of a partial Benders decomposition-based scheme.

연구 동기 및 목표

• 산업 환경에서 대규모 물류 서비스 네트워크 설계 문제(LSNDP)의 계산 불가능성 문제를 해결한다.
• 고정된 마스터 문제 설정이 부분 벤더스 분해(PBD)의 수렴를 정지시키거나 약한 경계를 제공할 수 있는 한계를 극복한다.
• 알고리즘 진행 상황에 따라 초상품 집합을 적응적으로 조정함으로써 벤더스 분해 중 마스터 문제의 강도를 향상시키는 동적 전략을 개발한다.
• 단일 마스터 PBD나 일반 목적 솔버로는 달성할 수 없는 대규모 LSNDP 인스턴스에 대해 해 품질과 수렴 속도를 향상시킨다.

제안 방법

• 벤더스 분해 과정에서 다수의 마스터 문제 간에 동적으로 전환하는 메타휴리스틱 프레임워크인 Meta-PBD를 도입한다.
• 각 초상품이 원래 제품의 부분집합을 분할을 통해 집합화한 것으로, 하나 이상의 초상품을 사용하여 마스터 문제를 수립한다.
• 특정 구조적 조건 하에서 초상품 기반 마스터 문제와 원래 LSNDP 수식이 증명 가능하게 동일한 결과를 낼 수 있도록 하는 분할 전략을 사용한다.
• 최적성 갭과 이중 경계 향상 정도와 같은 수렴 지표를 기반으로 초상품의 수와 구성을 동적으로 조정한다.
• 유효한 부등식과 휴리스틱 가격 설정을 통합하여 마스터 문제를 추가로 강화하고 수렴 속도를 가속화한다.
• 다단계 네트워크, 다수의 제품, 시간 확장 계획 기간을 포함한 산업용 LSNDP 인스턴스에 알고리즘을 적용한다.

실험 결과

연구 질문

• RQ1 부분 벤더스 분해에서 마스터 문제 설정을 동적으로 적응시킴으로써 대규모 LSNDP 인스턴스의 해 품질과 수렴 속도를 향상시킬 수 있는가?
• RQ2 초상품(집합화된 상품)의 수와 구조를 다양화할 경우, 벤더스 기반 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ3 어떤 조건에서 초상품 기반 마스터 문제는 원래 LSNDP 수식과 증명 가능하게 동일한가?
• RQ4 실제 산업용 LSNDP 인스턴스에서 Meta-PBD는 단일 마스터 PBD 및 상용 솔버와 비교해 최적성 갭과 해 품질 측면에서 어떻게 성과를 내는가?

주요 결과

• Meta-PBD는 24개의 산업용 LSNDP 인스턴스에서 평균 최적성 갭을 단일 PBD의 34.20%에서 8.12%로 감소시켜 해 품질 향상의 상당한 개선을 보였다.
• 19개의 인스턴스에서 단일 PBD보다 더 우수한 원시 해를 생성했으며, 비용 효율성 측면에서 평균 20% 향상되었다.
• 18개의 인스턴스에서 단일 PBD보다 더 우수한 이중 해를 달성하여 더 강력한 이중 경계와 더 빠른 수렴을 나타냈다.
• 60개 노드, 600개 시간 단위의 대규모 인스턴스에서는 Meta-PBD와 단일 PBD 모두 5시간 이내에 최적성을 증명하지 못했지만, Meta-PBD는 더 나은 해를 도출했다.
• 동적 전환 전략은 탐색 공간을 다양화하여 조기 정체를 방지하고, 더 유망한 해 공간 영역을 탐색할 수 있도록 했다.
• 다양한 네트워크 구성(S/W 시즌용, 0/20/40/60개 노드)에서 강건하게 작동하며, 인스턴스 크기가 증가할수록 일관된 성능 향상이 관찰되었다.