[논문 리뷰] On Solving Boolean Multilevel Optimization Problems

Josep Argelich, Inês Lynce외 1명|ArXiv.org|2009. 03. 31.

Constraint Satisfaction and Optimization참고 문헌 22인용 수 25

한 줄 요약

이 논문은 소프트웨어 패키지 업그레이드 가능성과 같이 기존 MaxSAT 및 의사-이진(Boolean, PB) 솔버가 확장성에서 실패하는 계층적 최적화 문제를 해결하기 위해 특화된 알고리즘을 제안한다. 특수화된 BMO 솔버를 통한 렉시코그래픽 선호도 처리를 통합함으로써, 이 접근법은 성능 향상이 수개의 주기 수준에 이르게 하여, 이전에 존재하는 솔버가 합리적인 시간 내에 처리할 수 없는 인스턴스를 해결한다.

ABSTRACT

Many combinatorial optimization problems entail a number of hierarchically dependent optimization problems. An often used solution is to associate a suitably large cost with each individual optimization problem, such that the solution of the resulting aggregated optimization problem solves the original set of hierarchically dependent optimization problems. This paper starts by studying the package upgradeability problem in software distributions. Straightforward solutions based on Maximum Satisfiability (MaxSAT) and pseudo-Boolean (PB) optimization are shown to be ineffective, and unlikely to scale for large problem instances. Afterwards, the package upgradeability problem is related to multilevel optimization. The paper then develops new algorithms for Boolean Multilevel Optimization (BMO) and highlights a large number of potential applications. The experimental results indicate that the proposed algorithms for BMO allow solving optimization problems that existing MaxSAT and PB solvers would otherwise be unable to solve.

연구 동기 및 목표

• 기존 MaxSAT 및 PB 솔버가 계층적으로 의존하는 최적화 문제를 해결할 때 나타나는 확장성 한계를 해결하기 위해.
• 실세계 문제인 소프트웨어 패키지 업그레이드 가능성과 같은 문제들을 부울 다수준 최적화(Boolean Multilevel Optimization, BMO) 인스턴스로 모델링하고 해결하기 위해.
• 다수준 선호도의 렉시코그래픽 구조를 활용한 전용 알고리즘을 개발하여 성능 향상 달성하기 위해.
• BMO 전용 솔버가 대규모 문제 인스턴스에서 일반적인 MaxSAT 및 PB 솔버보다 뚜렷이 뛰어난 성능을 보임을 입증하기 위해.
• AI 및 시스템 설정 분야에서 선호 기반 최적화를 위한 실용적인 프레임워크로 BMO를 정립하기 위해.

제안 방법

• 다중 목표 함수에 대한 렉시코그래픽 선호도 순서를 갖는 부울 최적화 문제로 다수준 최적화를 수학적으로 정의한다.
• 두 가지 BMO 알고리즘을 도입한다: 가중치가 부여된 MaxSAT 기반(BMO rsc)과 의사-이진 최적화 기반(BMO ipb).
• 특히 대규모 인스턴스에서의 효율성을 향상시키기 위해 점진적 하한 계산과 추론 규칙 최적화를 활용한다.
• 계층적 선호도를 표현하기 위해 완화 변수와 가중 카디널리티 문장을 사용하여, 우선순위가 높은 목표가 낮은 목표보다 먼저 최적화되도록 보장한다.
• 원래 문제를 렉시코그래픽 순서 기준을 유지하는 BMO 인스턴스로 변환한다.
• 높은 수준의 제약 조건 만족을 우선시하고 낮은 수준에서 해를 정밀하게 조정하는 하이브리드 해결 전략을 적용한다.

실험 결과

연구 질문

• RQ1 기존 MaxSAT 및 PB 솔버는 소프트웨어 패키지 업그레이드 가능성과 같은 대규모 다수준 최적화 문제에 효과적으로 확장될 수 있는가?
• RQ2 계층적 선호도의 렉시코그래픽 구조가 부울 최적화에서 솔버 성능에 어떤 영향을 미치는가?
• RQ3 특화된 BMO 알고리즘이 다수준 문제에서 일반 목적의 MaxSAT 및 PB 솔버를 능가할 수 있는가?
• RQ4 점진적 하한 및 추론 규칙 제거와 같은 솔버 전용 기능이 BMO 성능에 어떤 영향을 미치는가?
• RQ5 실세계 응용에서 문제 크기가 증가함에 따라 BMO 솔버는 어떻게 확장되는가?

주요 결과

• BMO rsc 알고리즘은 IncWMaxSatz의 성능을 크게 향상시켜 인스턴스 크기의 영향을 줄이고, 2000개 패키지까지의 확장성을 가능하게 했다.
• i2000u98 인스턴스에서 BMO ipb는 IncWMaxSatz를 사용할 경우 해결 시간을 900초 이상에서 90.15초로 단축시켜 뚜렷한 효율성 향상을 보였다.
• Bsolo는 BMO ipb로 강화된 후 12개의 테스트 인스턴스를 모두 해결했으나, 기본 PB 솔버는 다수의 대규모 인스턴스에서 실패했다.
• BMO ipb 강화 덕분에 Sat4jPB는 이전에 중단되었던 모든 인스턴스를 해결할 수 있었으며, 이는 안정성 향상을 보여주었다.
• 인스턴스 크기가 증가하더라도 BMO 기반 솔버는 안정된 성능을 유지했고, 일부 이상치 외에는 예측 불가능한 성능 저하를 보이지 않았다. 반면 기본 솔버는 예측 불가능한 성능 저하를 보였다.
• BMO rsc 및 BMO ipb 접근법은 기존에 해결이 불가능했던 인스턴스, 예를 들어 i500u98 및 i1000u98를 해결할 수 있게 하였으며, 이는 기본 솔버가 900초 타임아웃 내에 해결하지 못했던 문제들이다.