[논문 리뷰] The matching relaxation for a class of generalized set partitioning problems

Phillippe Samer, Evellyn Cavalcante외 2명|arXiv (Cornell University)|2016. 06. 29.

Maritime Ports and Logistics참고 문헌 40인용 수 2

한 줄 요약

이 논문은 보조 그래프에서 최대 가중치 매칭을 이용하여 일반화된 세트 분할 문제(GSPP)에 대한 두 가지 조합적 하한을 제안한다. 이는 더 빠른 이중 하한 계산과 효과적인 변수 감소를 가능하게 하며, 해법의 성능을 향상시킨다. 이 방법은 해법의 정확도를 유지하면서도 정확한 방법에 비해 평균 30%의 시간만을 소모하여 해양 물류 벤치마크 문제의 83%에서 최적 또는 근사 최적 해를 도출한다. 이는 수리 휴리스틱 및 리 릿지 relaxation 기반 최적화에서 뛰어난 성능을 보여준다.

ABSTRACT

This paper introduces a discrete relaxation for the class of combinatorial optimization problems which can be described by a set partitioning formulation under packing constraints. We present two combinatorial relaxations based on computing maximum weighted matchings in suitable graphs. Besides providing dual bounds, the relaxations are also used on a variable reduction technique and a matheuristic. We show how that general method can be tailored to sample applications, and also perform a successful computational evaluation with benchmark instances of a problem in maritime logistics.

연구 동기 및 목표

• 패킹 제약 조건 하에서 일반화된 세트 분할 문제(GSPP)에 대한 효율적인 이중 하한을 개발하는 것.
• 전통적인 선형계획법(LP) 리 릿지화보다 빠른 속도를 보이는 가중치 매칭 기반의 조합적 리 릿지화를 도입하는 것.
• 실제 최적화에 적용하기 위해 이러한 리 릿지화를 변수 감소 및 수리 휴리스틱 설계에 활용하는 것.
• 기존 최적 해가 알려진 실제 해양 물류 문제에 대해 성능을 입증하는 것.
• 조합적 하한이 적용 분야에 특화된 리 릿지화로 확장 가능하며 강력한 성능을 발휘할 수 있음을 보여주는 것.

제안 방법

• 작업 할당과 자원 호환성 정보를 바탕으로 두 개의 그래프를 구성하여 상호 배타성 관계를 모델링하는 것.
• 이 그래프들에서 최대 가중치 매칭을 계산하여 GSPP 수식의 하한을 도출하는 것.
• 더 강력한 매칭 하한을 기준으로 하여 수리 휴리스틱 및 변수 감소 기법에서 변수 선택을 수행하는 것.
• 전체 정수계획법을 풀기 전에 변수 수를 줄이기 위해 리 릿지화를 적용하는 것.
• 조합적 하한을 사용해 변수 우선순위를 정함으로써 해법 속도를 향상시키는 수리 휴리스틱을 활용하는 것.
• 문제에 특화된 그래프 구성 방식을 통해 직업 스케줄링, 승무원 관리, 항만 물류 등 다양한 응용 분야에 맞게 방법을 조정하는 것.

실험 결과

연구 질문

• RQ1 구축된 그래프에서 최대 가중치 매칭이 패킹 제약 조건이 있는 GSPP에 대해 효과적인 이중 하한을 제공할 수 있는가?
• RQ2 조합적 매칭 리 릿지화는 속도와 하한 품질 측면에서 전통적인 LP 리 릿지화와 비교해 어떻게 성능을 발휘하는가?
• RQ3 이러한 하한은 대규모 GSPP 문제에서 변수 수를 효과적으로 줄이는 데 활용될 수 있는가?
• RQ4 해법 품질을 희생시키지 않고도 매칭 기반 리 릿지화가 수리 휴리스틱의 해법 시간을 얼마나 향상시킬 수 있는가?
• RQ5 이 방법은 최소한의 수정으로 다양한 적용 분야에 일반화 및 적응 가능할 수 있는가?

주요 결과

• 논문에서 수학적으로 증명한 바와 같이, 매칭 리 릿지화는 다른 리 릿지화 방법보다 더 강력한 하한을 제공한다.
• 해양 물류 벤치마크에서 이 방법은 83%의 문제에서 알려진 최적 해를 도출하였고, 나머지 문제들에서는 최적 해로부터 4% 이내의 해를 확보하였다.
• 수리 휴리스틱은 평균적으로 정확한 방법에 비해 소요 시간의 30%만을 사용하여 최적 또는 근사 최적 해를 도출하였다.
• 예제 23에서는 기준 방법 대비 최적 해를 8배 더 빠르게 도달하였다.
• 예제 28에서는 기준 런타임의 6% 미만으로 최적 해로부터 3% 이내의 해를 확보하였다.
• 변수 감소 기법은 모델 크기를 크게 줄였으며, 일부 경우에서 최대 90%의 변수를 제거하여 확장성 향상을 이룬 바 있다.