[논문 리뷰] TSSOS: a Julia library to exploit sparsity for large-scale polynomial optimization

Victor Magron, Jie Wang|arXiv (Cornell University)|2021. 03. 01.

Numerical Methods and Algorithms참고 문헌 27인용 수 12

한 줄 요약

TSSOS는 순간-SOS 계층에서 상관 및 항 희박성을 활용하여 대규모 다항식 최적화를 가속화하는 줄리아 라이브러리로, 수천 개의 변수를 가진 문제를 효율적으로 해결할 수 있게 한다. 이는 상당한 확장성 향상을 이룩하여 최대 6,698개의 변수를 가진 AC-OPF 사례에서 1% 이내의 최적성 갭을 확보함으로써 전역 최적성의 증명을 가능하게 한다.

ABSTRACT

The Julia library TSSOS aims at helping polynomial optimizers to solve large-scale problems with sparse input data. The underlying algorithmic framework is based on exploiting correlative and term sparsity to obtain a new moment-SOS hierarchy involving potentially much smaller positive semidefinite matrices. TSSOS can be applied to numerous problems ranging from power networks to eigenvalue and trace optimization of noncommutative polynomials, involving up to tens of thousands of variables and constraints.

연구 동기 및 목표

• 변수 수가 증가함에 따라 발생하는 큰 정수형 프로그래밍(SDP) 완화 문제의 계산 비효율성을 해결하기 위해 구조적 희박성을 활용하여 표준 순간-SOS 계층의 계산 불가능성을 해결한다.
• 변수 수 증가에 따라 발생하는 큰 정수형 프로그래밍(SDP) 완화 문제의 성능 저하 문제를 해결한다.
• SDP 완화 크기를 줄이기 위해 상관 및 항 희박성을 모두 통합한 확장 가능한 프레임워크를 개발한다.
• 수천 개의 변수를 가진 실제 문제들, 예를 들어 최적 전력 흐름(AC-OPF) 문제에서 전역 최적성 증명을 가능하게 한다.
• 확장 가능한 라이브러리 아키텍처를 통해 가환 및 비가환 다항식 최적화를 모두 지원한다.

제안 방법

• 다항식 최적화 문제(POPs)를 정수형 완화를 포함한 표준 순간-SOS 계층으로 재구성한다.
• 상관 희박성 적용을 위해 csp(상관 희박성 패턴) 그래프를 구성하고, 체인달 확장을 계산하여 변수 간 의존성을 분해한다.
• 항 희박성 도입을 위해 다항식의 지지(set)를 분석하여 순간 행렬 및 국소화 행렬의 크기를 추가로 감소시킨다.
• 상관 및 항 희박성을 통합하여 더 작은 블록 대각형 SDP 완화를 가진 희박한 순간-SOS 계층을 구축한다.
• 효율적인 모델링을 위해 지원 및 계수 배열을 사용하는 네이티브 희박 다항식 표현 방식을 활용해 줄리아에서 프레임워크를 구현한다.
• 비가환 다항식 최적화를 위해 NCTSSOS 서브모듈을 통한 확장을 통해 고유값 및 추적 최소화 문제를 지원한다.

실험 결과

연구 질문

• RQ1 항 희박성은 상관 희박성과 효과적으로 통합되어 다항식 최적화에서 SDP 완화 크기를 줄일 수 있는가?
• RQ2 TSSOS 프레임워크는 수천 개의 변수를 가진 대규모 POPs에 대해 얼마나 확장성 향상을 이룰 수 있는가?
• RQ3 TSSOS는 고차원 사례를 포함한 실제 산업 문제인 AC-OPF에서 전역 최적성 증명을 수행할 수 있는가?
• RQ4 TSSOS의 성능은 메모리 및 런타임 측면에서 밀도 있는 또는 표준 희박한 순간-SOS 접근 방식과 비교해 어떻게 되는가?
• RQ5 이 프레임워크는 고유값 최소화와 같은 비가환 다항식 최적화 문제로 효율적으로 확장될 수 있는가?

주요 결과

• TSSOS는 PGLiB 라이브러리의 13개의 모든 AC-OPF 테스트 케이스에서 최적성 갭을 1% 이내로 감소시켜 전역 최적성의 증명을 성공적으로 수행하였다.
• 가장 큰 테스트 사례인 3022_goc_sad는 6,698개의 변수와 29,283개의 제약 조건을 포함하며, 갭은 0.47%이고 런타임은 1,340초였다.
• 비가환 Broyden 밴드 함수에 대해 TSSOS는 600개의 변수까지 효율적으로 확장되었고, 밀도 있는 접근 방식은 메모리 제한으로 실패하였다.
• TSSOS의 희박한 접근 방식은 14개의 AC-OPF 테스트 케이스 전부에서 전역 최적성 증명을 달성하였으며, 1951_rte_api(4,634개의 변수)는 0.32%의 갭을 기록하였다.
• 라이브러리에서 지원 및 계수 배열의 사용은 밀도 있는 행렬 표현 방식을 피함으로써 빠른 모델링을 가능하게 하여 효율성을 크게 향상시켰다.
• NCTSSOS 모듈은 비가환 환경에서 고유값 및 추적 최소화 문제를 효율적으로 해결할 수 있도록 하여 최대 600개의 변수까지 확장 가능한 성능을 제공한다.