[논문 리뷰] VPSolver 3: Multiple-choice Vector Packing Solver

Filipe Brandão|arXiv (Cornell University)|2016. 02. 16.

Optimization and Packing Problems참고 문헌 7인용 수 3

한 줄 요약

이 논문은 VPSolver 3.0.0에서 다중선택 벡터 포장 문제를 위한 새로운 그래프 구축 및 압축 알고리즘을 소개한다. 이는 한 번의 실행으로 모든 백준 유형과 항목의 변형을 통합한 압축된 아크-플로우 모델을 효율적으로 생성할 수 있도록 한다. 기존 방법에 비해 모델 크기와 계산 시간을 크게 줄였으며, 선형 이론의 경계는 유지한다.

ABSTRACT

VPSolver is a vector packing solver based on an arc-flow formulation with graph compression. In this paper, we present the algorithm introduced in VPSolver 3.0.0 for building compressed arc-flow models for the multiple-choice vector packing problem.

연구 동기 및 목표

• 모든 백준 유형과 항목의 변형을 한 번의 모델에 통합하는 다중선택 벡터 포장 문제(MVP)를 위한 더 효율적인 그래프 구축 방법을 개발하는 것.
• 그래프 압축과 동적 프로그래밍을 활용하여 MVP의 아크-플로우 모델의 크기와 계산 비용을 줄이는 것.
• 다양한 백준 유형에 걸쳐 모든 유효한 포장 패턴을 포함하는 단일 실행으로 압축된 그래프를 생성할 수 있도록 기존 아크-플로우 공식화를 개선하는 것.
• 이전에 최대 갭이 1.0027임이 입증된 강력한 선형 이론 경계를 유지하면서 확장성과 성능을 향상시키는 것.
• 다양한 응용 분야를 지원하기 위해 감소를 통한 벡터 포장으로의 환원을 가능하게 하는 확장성 있고 일반적인 목적의 솔버를 제공하는 것.

제안 방법

• 공간 사용량(각 차원별), 항목 인덱스, 사용 횟수를 기반으로 상태를 생성하기 위해 동적 프로그래밍 재귀를 사용하며, 상태 공간 활용도를 극대화하기 위해 업프로젝션을 수행한다.
• 원천에서 목적지까지의 각 경로가 유효한 포장 패턴을 나타내는 방향성 비순환 다중그래프를 구축한다. 간선은 항목의 변형과 가중치로 레이블이 된다.
• 최종적으로 압축 단계에서 상태 벡터를 집계하여 노드를 재레이블링하고, 자기 순환 간선을 제거함으로써 그래프 크기를 줄이되, 유효한 경로는 유지한다.
• 내부 노드를 목적지 노드로 연결하기 위해 지배되지 않는 백준 유형에만 연결함으로써 전이 감소를 적용하여 중복 간선을 최소화한다.
• 기존 연구에서 각 백준 유형별로 별도의 그래프를 생성하는 것과 달리, 모든 백준 유형의 그래프를 한 번의 실행으로 통합 구축한다.
• 비어 있는 용량을 모델링하기 위해 손실 간선(0,0)을 통합하고, 유량 공식화를 위해 목적지에서 원천으로의 피드백 루프를 허용한다.

실험 결과

연구 질문

• RQ1 다중선택 벡터 포장 문제에서 모든 백준 유형과 항목의 변형을 위한 단일 통합 아크-플로우 그래프를 생성할 수 있는가?
• RQ2 그래프 압축을 효과적으로 적용하여 모델 크기를 줄이면서 기존 길모어-고머리 공식화와의 등가성을 유지할 수 있는가?
• RQ3 전이 감소가 다양한 백준 유형에 걸쳐 내부 노드를 목적지 노드로 연결하는 데 필요한 간선 수에 어떤 영향을 미치는가?
• RQ4 기존의 각 백준 유형별로 별도의 그래프를 생성하는 방법에 비해 신규 알고리즘이 성능과 모델 크기 측면에서 어떻게 비교되는가?
• RQ5 신규 방법이 이전 아크-플로우 공식화에서 관찰된 강력한 선형 이론 성질을 어느 정도 유지하는가?

주요 결과

• 단일 백준 유형과 항목당 단일 변형이 존재할 경우, 신규 알고리즘이 원래 방법과 동일한 압축된 그래프를 생성한다.
• 다양한 백준 유형이 존재할 경우, 알고리즘은 한 번의 실행으로 모든 백준 유형에 걸쳐 유효한 포장 패턴을 포함하는 단일 그래프를 구축하여 복잡도를 감소시킨다.
• 일般적으로 이전의 각 백준 유형별 별도 그래프 생성 방법보다 더 작은 그래프를 생성하여 공간 효율성을 향상시킨다.
• 특히 많은 백준 유형이 존재하는 인스턴스에서 이전 방법보다 알고리즘이 훨씬 빠르다.
• 아크-플로우 공식화는 길모어-고머리 모델과 동등하며, 최대 절대 갭이 1.0027임을 유지한다.
• 전이 감소를 사용함으로써 내부 노드에서 목적지 노드로 연결하는 데 필요한 간선 수가 감소하며, 특히 변수 백준 크기 문제에서는 노드당 하나의 간선만 필요로 할 수 있다.