[논문 리뷰] The Information-Collecting Vehicle Routing Problem: Stochastic Optimization for Emergency Storm Response

Lina Al‐Kanj, Warren B. Powell외 1명|arXiv (Cornell University)|2016. 05. 18.

Vehicle Routing Optimization Methods참고 문헌 34인용 수 13

한 줄 요약

이 논문은 폭풍으로 인한 정전 사태에 대비해 몬테카를로 트리 검색(Monte Carlo tree search)을 사용한 확률적 후행 정책을 제안하여 유티리티 트럭의 라우팅을 최적화한다. 이 방법은 고장 신고와 동시에 정보 수집을 통해 믿음 상태를 명시적으로 갱신한다. 낮은 전화 확률 조건에서도 산업 표준의 승격 히ュ리스틱보다 최대 49%까지 고객 정전 시간을 줄였다.

ABSTRACT

Utilities face the challenge of responding to power outages due to storms and ice damage, but most power grids are not equipped with sensors to pinpoint the precise location of the faults causing the outage. Instead, utilities have to depend primarily on phone calls (trouble calls) from customers who have lost power to guide the dispatching of utility trucks. In this paper, we develop a policy that routes a utility truck to restore outages in the power grid as quickly as possible, using phone calls to create beliefs about outages, but also using utility trucks as a mechanism for collecting additional information. This means that routing decisions change not only the physical state of the truck (as it moves from one location to another) and the grid (as the truck performs repairs), but also our belief about the network, creating the first stochastic vehicle routing problem that explicitly models information collection and belief modeling. We address the problem of managing a single utility truck, which we start by formulating as a sequential stochastic optimization model which captures our belief about the state of the grid. We propose a stochastic lookahead policy, and use Monte Carlo tree search (MCTS) to produce a practical policy that is asymptotically optimal. Simulation results show that the developed policy restores the power grid much faster compared to standard industry heuristics.

연구 동기 및 목표

• 고장 난 고객의 일부만 전화를 통해 고장을 알리는 상황에서 폭풍 후 전력 복구를 신속히 수행하는 데 도전하는 것.
• 유티리티 트럭을 수리 차량뿐만 아니라 믿음 상태를 향상시키기 위한 능동적 정보 수집 수단으로 간주하여 라우팅 정책을 개발하는 것.
• 비상 대응를 위한 확률적 차량 라우팅 프레임워크에서 물리적 상태, 정보 상태, 믿음 상태의 상호작용을 통합적으로 모델링하는 것.
• 실제 시뮬레이션 환경에서 산업 히ュ리스틱보다 우수한 점진적으로 최적화된 정책을 설계하고 평가하는 것.

제안 방법

• 물리적 상태(트럭 및 전력망 상태), 정보 상태(전화 기록), 믿음 상태(망 내 고장 확률 분포)를 통합한 순차적 확률 최적화 모델로 문제를 수립한다.
• 기존 폭풍 및 전력망 데이터와 실시간 전화 데이터를 조합하여 네트워크 전역의 고장 가능성 확률을 추정하는 믿음 모델을 제안한다.
• 믿음 공간에서 탐색과 이용의 균형을 이루기 위해 특수화된 몬테카를로 트리 검색(Monte Carlo tree search)을 활용한 확률적 후행 정책을 적용한다.
• 전력망을 시뮬레이션하고, 다양한 전화 확률과 폭풍 조건 하에서 라우팅 정책의 성능을 평가하기 위해 시뮬레이터를 사용한다.
• 고장 세그먼트를 식별하고 모든 고장 난 구성 요소가 복구되도록 하기 위해 내리고장 추적 및 위로고장 추적 알고리즘을 적용한다.
• 고객 정전 시간, 복구되지 않은 고장 수, 복구 소요 시간 등의 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 고장 난 고객의 일부만 전화를 통해 고장을 알리는 상황에서 유티리티 트럭을 어떻게 라우팅하여 고객 정전 시간을 최소화할 수 있는가?
• RQ2 트럭이 능동적으로 정보를 수집함으로써 믿음 정확도를 얼마나 향상시키고 복구 시간을 얼마나 줄일 수 있는가?
• RQ3 몬테카를로 트리 검색 기반의 확률적 후행 정책이 폭풍 대응 상황에서 산업 표준 히ュ리스틱을 능가할 수 있는가?
• RQ4 고객 전화 확률이 변화함에 따라 제안된 정책의 성능은 어떻게 변하는가?
• RQ5 믿음 기반 라우팅은 전화 기반 승격 방식에 비해 복구되지 않은 고장 수를 얼마나 줄이는가?

주요 결과

• 1% 전화 확률 조건에서 후행 정책은 평균 고객 정전 시간을 2.34×10⁴에서 1.58×10⁴로 줄여 승격 히ュ리스틱 대비 33% 향상시켰다.
• 100% 전화 확률 조건에서 후행 정책은 7.2시간 만에 전력망을 복구했고, 승격 정책은 20.34시간이 소요되어 복구 시간을 60% 이상 단축시켰다.
• 1% 전화 확률 조건에서도 후행 정책은 모든 고장을 복구했지만, 승격 정책는 평균 1건의 고장을 복구하지 못했다.
• 최저 전화 확률(1%)에서 후행 정책은 승격 히ュ리스틱 대비 고객 정전 시간을 49% 감소시켰다.
• 승격 히ュ리스틱는 전화가 없는 세그먼트에 고장이 존재하더라도 이를 탐지하지 못했는데, 이는 전화 위치에만 의존하기 때문이다.
• 후행 정책의 믿음 갱신 활용 덕분에 전화 기반 승격 방식이 놓친 하류 고장을 효율적으로 탐지할 수 있었다.