[논문 리뷰] Runtime Analysis of RLS and the (1+1) EA for the Chance-constrained Knapsack Problem with Correlated Uniform Weights

Yue Xie, Aneta Neumann외 2명|arXiv (Cornell University)|2021. 02. 10.

Optimization and Packing Problems참고 문헌 29인용 수 4

한 줄 요약

이 논문은 그룹 내에서 상관관계가 있는 균일한 무게를 가진 확률적 제약 조건이 있는 배낭 문제에 대해 랜덤화된 국소 탐색(RLS)과 (1+1) 엘리트 알고리즘((1+1) EA)의 최초 런타임 분석을 제시한다. 타당해를 찾는 데에는 RLS가 O(n log n), (1+1) EA가 O(n² log n)의 상한을 가지며, 균일한 이익 프로파일과 임의의 이익 프로파일 조건에서 각각 최적해를 찾는 데에는 O(n³)과 O(n³(log n + log p_max))의 상한을 확보한다.

ABSTRACT

Addressing a complex real-world optimization problem is a challenging task. The chance-constrained knapsack problem with correlated uniform weights plays an important role in the case where dependent stochastic components are considered. We perform runtime analysis of a randomized search algorithm (RSA) and a basic evolutionary algorithm (EA) for the chance-constrained knapsack problem with correlated uniform weights. We prove bounds for both algorithms for producing a feasible solution. Furthermore, we investigate the behavior of the algorithms and carry out analyses on two settings: uniform profit value and the setting in which every group shares an arbitrary profit profile. We provide insight into the structure of these problems and show how the weight correlations and the different types of profit profiles influence the runtime behavior of both algorithms in the chance-constrained setting.

연구 동기 및 목표

• 상관관계가 있는 균일한 무게를 가진 확률적 제약 조건이 있는 배낭 문제에서 RLS와 (1+1) EA의 기대 최적화 시간을 분석하는 것.
• 무게 상관관계와 이익 프로파일이 확률적 제약 조건 설정에서 랜덤화 탐색 알고리즘의 런타임 행동에 미치는 영향을 조사하는 것.
• 다양한 이익 구성 조건 하에서 타당해 및 최적해를 찾는 데 소요되는 시간에 대한 이론적 상한을 제공하는 것.
• 기존의 확률적 제약 최적화 이론 작업을 확장하여, 진정으로 새로운 설정인 그룹 간 무게 상관관계를 통합하는 것.

제안 방법

• 연구는 K개의 그룹으로 나뉘어진 항목을 가진 확률적 제약 조건이 있는 배낭 문제를 모델링하며, 각 그룹 내에서 무게는 상관관계가 있고 균일하게 분포되어 있다.
• 제약 위반 확률을 추정하기 위해 체비셰프 부등식 기반의 서rogate 함수를 사용하여 표준 진화 알고리즘의 적용을 가능하게 한다.
• 다음으로, 기대 타당해 및 최적해 도달 시간을 유한하게 하기 위해 곱셈 드리프트 분석을 사용하여 런타임 분석을 수행한다.
• 균일한 이익 케이스에서는 균형 잡힌 해의 구조적 성질과 2비트 플립 시퀀스를 활용하여 향상 단계의 상한을 도출한다.
• 임의이지만 그룹 대칭적인 이익의 경우, 타당성을 유지하면서 이익을 증가시키는 2비트 플립 시퀀스를 구성하며, 각 단계의 기대 수익은 g(x)/(e n²)로 상한을 설정한다.
• 그룹 크기와 이익 분산을 고려하여, 최대 이익과 최소 위반 확률를 가지는 해에 도달하는 데 필요한 단계 수를 분석함으로써 이론적 상한을 유도한다.

실험 결과

연구 질문

• RQ1 상관관계가 있는 균일한 무게를 가진 확률적 제약 조건이 있는 배낭 문제에서 RLS와 (1+1) EA가 타당해를 찾는 데 기대되는 런타임은 얼마인가?
• RQ2 그룹 간 무게 상관관계가 존재할 경우, 랜덤화 탐색 알고리즘의 수렴 시간에 어떤 영향을 미치는가?
• RQ3 모든 항목의 이익 값이 동일한 경우(균일한 이익)에, 확률적 제약 조건 설정 하에서의 런타임 상한은 무엇인가?
• RQ4 각 그룹이 동일한 임의의 이익 값 세트를 가지지만 그룹 간 이익이 다를 경우, 알고리즘 성능은 어떻게 변화하는가?
• RQ5 의존적인 확률적 무게를 가진 확률적 제약 조건 설정에서 곱셈 드리프트 분석이 효과적으로 적용되어 상한을 도출할 수 있는가?

주요 결과

• 상관관계가 있는 균일한 무게를 가진 확률적 제약 조건이 있는 배낭 문제에서 RLS는 기대 시간 O(n log n) 내에 타당해를 찾으며, (1+1) EA는 O(n² log n)의 시간을 소요한다.
• 균일한 이익 케이스에서 RLS는 최적해에 도달하는 데 기대 시간 O(n³)이 필요하고, (1+1) EA는 O(n³ log n)의 시간이 소요된다.
• 임의이지만 그룹 대칭적인 이익의 경우, (1+1) EA는 최적해를 찾는 데 O(n³(log n + log p_max))의 상한을 확보한다.
• RLS는 임의의 이익 케이스에서 최적해에 도달하는 데 O(n³)의 상한을 확보하여, 이는 알고리즘이 이익 크기 변화에 (1+1) EA보다 덜 민감함을 시사한다.
• 분석 결과, 그룹 크기의 분산이 최소화된 균형 잡힌 해의 구조가 제약 위반 확률을 최소화하는 데 핵심적인 역할을 한다는 것이 드러났다.
• 타당성을 유지하면서 이익을 증가시키는 2비트 플립 시퀀스의 사용은 곱셈 드리프트 상한을 도출하는 데 기여하여 날카운 런타임 추정치를 이끌어냈다.