[論文レビュー] A Review on Bilevel Optimization: From Classical to Evolutionary Approaches and Applications

Ankur Sinha, Pekka Malo+1 more|arXiv (Cornell University)|May 17, 2017

Optimization and Variational Analysis参考文献 175被引用数 8

ひとこと要約

本稿は、古典的および進化的アプローチを網羅的にレビューし、最適化戦略、構造的マッピング、経済学、物流、公共政策分野への応用に焦点を当てたバイレベル最適化の包括的レビューを提供する。非凸性とNP困難性の課題を強調し、複雑なインスタンスを扱うために進化的アルゴリズムの導入を提唱するとともに、多目的および不確実なバイレベル問題における主要な研究ギャップを特定する。

ABSTRACT

Bilevel optimization is defined as a mathematical program, where an optimization problem contains another optimization problem as a constraint. These problems have received significant attention from the mathematical programming community. Only limited work exists on bilevel problems using evolutionary computation techniques; however, recently there has been an increasing interest due to the proliferation of practical applications and the potential of evolutionary algorithms in tackling these problems. This paper provides a comprehensive review on bilevel optimization from the basic principles to solution strategies; both classical and evolutionary. A number of potential application problems are also discussed. To offer the readers insights on the prominent developments in the field of bilevel optimization, we have performed an automated text-analysis of an extended list of papers published on bilevel optimization to date. This paper should motivate evolutionary computation researchers to pay more attention to this practical yet challenging area.

研究の動機と目的

• 古典的数学的プログラミングと現代の進化的計算技術を網羅するバイレベル最適化の体系的レビューを提供すること。
• 特に反応集合および最適値関数マッピングを含む、バイレベル問題の構造的性質を特定・分析し、解法手順の単純化を図ること。
• 非凸性、非線形性、離散変数を伴うバイレベル問題を扱う古典的手法の限界を強調し、進化的アルゴリズムの使用を動機づけること。
• 多目的バイレベル最適化や不確実性下でのバイレベル問題といった、未開拓の研究分野を探索すること。
• 特に大規模および実世界の応用を想定した進化的バイレベル最適化におけるオープンチャレンジと機会を特定することで、さらなる研究を刺激すること。

提案手法

• 反応集合マッピングおよび最下位レベルの最適値関数マッピングの近似を提案し、バイレベル問題を単一レベルの同等問題に還元すること。
• KKT再定式化、分枝限定法、パラメトリックプログラミングなどの古典的手法を、バイレベル問題に適用してレビューすること。
• 非凸性、非線形性、離散変数を扱える能力から、進化的アルゴリズム（EAs）がバイレベル問題の解決に有効な代替手段であることを検討すること。
• メタモデル化技術、特に最下位問題を回避する方法や、局所的近似に用いる補助モデルの使用を議論すること。
• Apache Sparkのような分散コンピューティングプラットフォームを活用し、大規模問題に適した進化的バイレベルアルゴリズムのスケーラビリティを向上させること。
• 意思決定変数および好みの不確実性を統合するアプローチを分析し、ロバストなバイレベル最適化のための初期フレームワークを提案すること。

実験結果

リサーチクエスチョン

• RQ1 反応集合や最適値関数といった構造的マッピングを用いて、バイレベル最適化問題をどのように再定式化できるか。
• RQ2 特に非凸およびNP困難なケースにおいて、古典的手法の計算的および理論的限界は何か。
• RQ3 進化的アルゴリズムは、非線形性、非凸性、離散的意思決定変数という課題に対して、どのように効果的に対処できるか。
• RQ4 多目的バイレベル最適化および優先順位的または変数的不確実性下のバイレベル問題における主な研究ギャップは何か。
• RQ5 Apache Sparkのような現代の分散コンピューティングプラットフォームは、進化的バイレベル最適化アルゴリズムのスケーラビリティをどのように向上させられるか。

主な発見

• バイレベル最適化は強くNP困難であり、解の最適性を検証することさえNP困難であるため、古典的手法の適用範囲が制限される。
• KKT再定式化や分枝限定法といった古典的手法は、特定のクラスのバイレベル問題、特に線形または凸インスタンスに対してのみ有効である。
• 進化的アルゴリズムは、グローバルサーチ能力と滑らかでない、非凸の地形に対しても頑健であるため、複雑なバイレベル問題の解決において有望である。
• 反応集合または値関数マッピングの近似により、バイレベル問題を単一レベル問題に変換でき、解法手順が顕著に単純化される。
• 多目的バイレベル最適化は依然として未開拓であり、特に両レベルでの意思決定者間の相互作用および不確実な好みの取り扱いに関する研究が不足している。
• Apache Sparkのような分散コンピューティングフレームワークは、進化的バイレベルアルゴリズムのスケーラビリティ向上に潜在的効果を示すが、実用的導入にはさらなるアルゴリズム的イノベーションが求められる。