[논문 리뷰] Online Stochastic Bin Packing

Varun Gupta, Ana Radovanović|arXiv (Cornell University)|2012. 11. 12.

Optimization and Search Problems참고 문헌 18인용 수 25

한 줄 요약

이 논문은 볼록 최적화의 내부점 방법에 영감을 얻어 분포 무관(independent of distribution)인 온라인 스토하스틱 박스 패킹 알고리즘의 가족을 제안한다. 이 알고리즘들은 모든 항목 크기 분포에서 $Ø(\sqrt{T})$의 덧셈적 열등성(suboptimality)을 달성하며, 이는 이전의 학습 기반 또는 분포에 특화된 방법들이 제약 조건이 있는 경우에만 $o(T)$의 손실(regret)을 달성하는 것과 대비된다.

ABSTRACT

Bin packing is an algorithmic problem that arises in diverse applications such as remnant inventory systems, shipping logistics, and appointment scheduling. In its simplest variant, a sequence of $T$ items (e.g., orders for raw material, packages for delivery) is revealed one at a time, and each item must be packed on arrival in an available bin (e.g., remnant pieces of raw material in inventory, shipping containers). The sizes of items are i.i.d. samples from an unknown distribution, but the sizes are known when the items arrive. The goal is to minimize the number of non-empty bins (equivalently waste, defined to be the total unused space in non-empty bins). This problem has been extensively studied in the Operations Research and Theoretical Computer Science communities, yet all existing heuristics either rely on learning the distribution or exhibit $o(T)$ additive suboptimality compared to the optimal offline algorithm only for certain classes of distributions (those with sublinear optimal expected waste). In this paper, we propose a family of algorithms which are the first truly distribution-oblivious algorithms for stochastic bin packing, and achieve $\mathcal{O}(\sqrt{T})$ additive suboptimality for all item size distributions. Our algorithms are inspired by approximate interior-point algorithms for convex optimization. In addition to regret guarantees for discrete i.i.d. sequences, we extend our results to continuous item size distribution with bounded density, and also prove a family of novel regret bounds for non-i.i.d. input sequences. To the best of our knowledge these are the first such results for non-i.i.d. and non-random-permutation input sequences for online stochastic packing.

연구 동기 및 목표

• 기존 히우리스틱이 분포 학습이 필요하거나 특정 분포에서만 작동하며 하위선형 최적 낭비(sublinear optimal waste)를 달성하는 등의 온라인 스토하스틱 박스 패킹의 격차를 메운다.
• 항목 크기 분포에 대한 사전 지식이 전혀 필요 없는 진정으로 분포 무관인 알고리즘을 개발하며, 강력한 손실 한계를 확보한다.
• 온라인 스토하스틱 박스 패킹에서 i.i.d. 또는 무작위 순열이 아닌 입력 시퀀스에 대해 처음으로 손실 보장을 제공한다.
• 이산적 i.i.d. 시퀀스에서의 이론적 결과를 밀도가 유계인 연속 분포로 확장한다.
• 모든 항목 크기 분포에서 $Ø(\sqrt{T})$의 덧셈적 열등성을 달성하며, 기저 분포의 성질과는 무관하다.

제안 방법

• 벌칙이 부여된 라그랑주 이중 프레임워크를 사용하여 온라인 박스 패킹 문제를 볼록 최적화 문제로 공식화한다.
• 내부점 방법에 기반한 원-쌍대 알고리즘을 설계하며, 벌칙 함수(예: 로그 장벽 또는 이동된 제곱형)가 부드럽고 안정성을 보장한다.
• 현재 상태와 항목 도착에 따라 박스 사용을 동적으로 조정하는 업데이트 규칙을 사용하여 라그랑주 함수를 점진적으로 최소화한다.
• 두 번째 차수 테일러 전개와 벌칙 함수의 성질을 이용해 각 항목 도착 시 라그랑주 함수의 기대 변화를 근사한다.
• 온라인 알고리즘의 라그랑주 함수 변화와 이상적인 오프라인 알고리즘 $A_F$의 변화를 연결하여 손실 한계를 유도한다.
• 집중성과 부드러움의 논증을 적용하여, 모든 분포에서 열등성 갭이 $\mathcal{O}(\sqrt{T})$로 증가함을 보여준다. 이는 연속적 및 비-i.i.d. 입력까지 포함된다.

실험 결과

연구 질문

• RQ1 분포 학습 없이 모든 항목 크기 분포에서 $\mathcal{O}(\sqrt{T})$의 덧셈적 열등성을 달성할 수 있는 온라인 박스 패킹 알고리즘을 설계할 수 있는가?
• RQ2 볼록 최적화에서 유래한 내부점 방법을 스토하스틱 박스 패킹의 온라인 및 순차적 의사결정에 어떻게 적응시킬 수 있는가?
• RQ3 비-i.i.d. 또는 반적대적 입력 시퀀스에서 온라인 스토하스틱 박스 패킹에 대해 어떤 손실 한계를 확보할 수 있는가?
• RQ4 분포 무관 알고리즘이 헤비 꼬리 또는 유계 밀도를 갖는 분포를 포함한 모든 분포에서 $T$에 대해 하위선형(sublinear) 열등성을 달성할 수 있는가?
• RQ5 이 설정에서 수렴성과 손실 간의 최적 트레이드오프를 제공하는 원-쌍대 프레임워크 내의 어떤 벌칙 함수가 최적인가?

주요 결과

• 로그 장벽 벌칙을 사용한 제안된 원-쌍대 알고리즘은 $Tb(F) + 4\sqrt{BT\log(T+1)}$의 손실이 상한선으로 제시되며, 여기서 $b(F)$는 항목당 최적의 기대 낭비이다.
• 이동된 제곱형 벌칙 함수를 사용할 경우, 로그 인자에 의존하지 않는 더 날카운 손실 상한선 $Tb(F) + \sqrt{2BT}$를 달성한다.
• 이 알고리즘은 연속 분포를 포함한 모든 항목 크기 분포에서 $\mathcal{O}(\sqrt{T})$의 덧셈적 열등성을 달성한다.
• 비-i.i.d. 또는 반적대적 시퀀스에 대해서도 이 프레임워크는 i.i.d. 및 무작위 순열 가정을 초월한 새로운 손실 상한선을 제공한다.
• 이 방법은 분포 무관이다: 항목 크기의 기저 분포를 추정하거나 학습할 필요가 없다.
• 이론적 분석은 모든 분포에서 사용된 상자 수의 기대값이 최적의 오프라인 해로부터 $\mathcal{O}(\sqrt{T})$ 이내에 있음을 입증한다.