[논문 리뷰] A decentralized approach to multi-agent MILPs: finite-time feasibility and performance guarantees

Alessandro Falsone, Kostas Margellos외 1명|arXiv (Cornell University)|2017. 06. 27.

Transportation and Mobility Innovations인용 수 5

한 줄 요약

이 논문은 전역 결합 제약 조건을 가진 대규모 다중 에이전트 혼합정수선형계획문(MILPs)을 해결하기 위한 탈중앙화되고 반복적인 알고리즘을 제안한다. 이중 분해와 적응형 제약 조건 강화를 사용함으로써, 유한 시간 내에 타당해를 보장하고 반복 과정에서 가장 우수한 타당해를 추적함으로써 성능을 향상시킨다. 전기자동차 충전 문제에 대한 수치 실험에서 이전 방법들을 능가한다.

ABSTRACT

We address the optimal design of a large scale multi-agent system where each agent has discrete and/or continuous decision variables that need to be set so as to optimize the sum of linear local cost functions, in presence of linear local and global constraints. The problem reduces to a Mixed Integer Linear Program (MILP) that is here addressed according to a decentralized iterative scheme based on dual decomposition, where each agent determines its decision vector by solving a smaller MILP involving its local cost function and constraint given some dual variable, whereas a central unit enforces the global coupling constraint by updating the dual variable based on the tentative primal solutions of all agents. An appropriate tightening of the coupling constraint through iterations allows to obtain a solution that is feasible for the original MILP. The proposed approach is inspired by a recent method to the MILP approximate solution via dual decomposition and constraint tightening, and presents the advantage of guaranteeing feasibility in finite-time and providing better performance guarantees. The two approaches are compared on a numerical example on plug-in electric vehicles optimal charging.

연구 동기 및 목표

• 혼합정수 결정변수와 전역 결합 제약 조건을 가진 대규모 다중 에이전트 최적화 문제를 해결하기 위해.
• 히우리스틱 복구 절차에 의존하지 않고, 유한 시간 내에 타당해를 보장하는 탈중앙화 알고리즘을 개발하기 위해.
• 단순히 타당성뿐 아니라 반복 과정에서 가장 우수한 타당해를 추적함으로써 해의 성능을 향상시키기 위해.
• 기존 이중 분해 접근법보다 더 보수적인 성능 보장을 제공하기 위해.
• 다중 에이전트 네트워크에서 개인정보 보호를 고려한 분산 최적화를 가능하게 하기 위해.

제안 방법

• 이 방법은 전역 MILP를 더 작은 국소 MILP로 분해하기 위해 이중 분해를 사용하며, 각 에이전트는 국소 비용과 제약 조건을 사용하여 이를 풀게 된다.
• 중앙 단위는 일시적인 원본 해를 기반으로 이중 변수를 업데이트하고, 결합 제약 조건을 적응형으로 강화함으로써 전역 제약 조건을 강제한다.
• 에이전트의 해에서 얻은 범위 정보를 사용하여 반복적으로 제약 조건 강화를 적용함으로써, 유한 시간 내에 타당해를 확보한다.
• 알고리즘은 지금까지 발견한 가장 우수한 타당해를 기록함으로써 시간이 지남에 따라 성능을 향상시킨다.
• 성능 중심의 변형(알고리즘 2)은 타당해 중에서 가장 우수한 비용을 저장하고 업데이트하여, 최적에 가까운 결과로의 수렴을 향상시킨다.
• 비용 함수의 선형성 덕분에 다각체 집합 내의 정점 탐색을 활용한다.

실험 결과

연구 질문

• RQ1 다중 에이전트 MILPs에 전역 결합 제약 조건이 존재할 때, 탈중앙화 알고리즘이 유한 시간 내에 타당해를 보장할 수 있는가?
• RQ2 타당성을 훼손하지 않고 탈중앙화 MILP 해법의 성능을 어떻게 향상시킬 수 있는가?
• RQ3 제약 조건 강화 전략은 이중 분해 기반 MILP 해법의 보수성을 줄일 수 있는가?
• RQ4 반복 과정에서 가장 우수한 타당해를 추적하는 것이 최종 성능에 어떤 영향을 미치는가?
• RQ5 이 방법은 중앙 조정자가 없는 완전히 분산된 환경으로 확장될 수 있는가?

주요 결과

• 제안된 알고리즘은 이전 방법이 타당해를 수렴하지 못할 수 있는 것과 달리, 적응형 제약 조건 강화를 통해 원래 MILP에 대해 유한 시간 내에 타당해를 보장한다.
• 성능 중심의 변형(알고리즘 2)은 1000회의 실행 동안 최적 비용과의 상대 거리 히스토그램을 통해 최적 비용에 훨씬 더 가까운 해를 달성한다.
• 250台의 플러그인 전기자동차를 대상으로 한 1000회 테스트 실행에서, 알고리즘 2는 알고리즘 1보다 상대적으로 최적 비용과의 거리가 훨씬 낮았으며, 대부분의 결과가 0에 가까웠다.
• 표준 이중 분해와 비교해 보수적인 성능 보장을 제공하며, 추가 복구 단계 없이도 하위최적 또는 타당해가 아닌 해를 유도하는 경우가 많다.
• 중앙 단위는 반복 과정 동안 가장 우수한 타당해를 추적하고 저장할 수 있어, 타당성을 포기하지 않고도 성능 향상을 이룬다.
• 에이전트는 원시 데이터를 공유하지 않고 국소 해와 비용만 공유하므로, 국소 데이터의 개인정보 보호를 유지한다.