[논문 리뷰] An evolutionary solver for linear integer programming

João Pedro Pedroso|arXiv (Cornell University)|2014. 07. 27.

Metaheuristic Optimization Algorithms Research참고 문헌 16인용 수 6

한 줄 요약

이 논문은 혼합정수선형계획문제(MILPs)를 해결하기 위해 유전적 진화 과정을 통해 정수변수를 고정하고, 그로 인해 생기는 연속형선형계획문제(LP)를 심플렉스 또는 내점법을 통해 정확히 해결하는 진화적 알고리즘을 제안한다. 이 방법은 몇몇 기준 문제에서 전통적인 분할정복법보다 뛰어난 성능을 보이며, 특히 좋은 타당해를 신속하게 찾는 데서 뛰어나며, 분할정복법이 실패하는 어려운 인스턴스에서도 강력한 성능을 보인다.

ABSTRACT

In this paper we introduce an evolutionary algorithm for the solution of linear integer programs. The strategy is based on the separation of the variables into the integer subset and the continuous subset; the integer variables are fixed by the evolutionary system, and the continuous ones are determined in function of them, by a linear program solver. We report results obtained for some standard benchmark problems, and compare them with those obtained by branch-and-bound. The performance of the evolutionary algorithm is promising. Good feasible solutions were generally obtained, and in some of the difficult benchmark tests it outperformed branch-and-bound.

연구 동기 및 목표

• 정수변수를 고정한 후 연속변수에 대해 정확한 LP 해법을 활용하는 하이브리드 진화적 알고리즘을 개발하는 것.
• 분할정복법이 실패하거나 너무 느린 경우, 혼합정수선형계획문제(MILPs)에 대해 고품질의 타당해를 찾는 데 도전하는 것.
• 실제 적용에서 신속한 타당해가 필요한 경우, 진화적 알고리즘이 분할정복법과 같은 정확한 방법과 보완적으로 기능할 잠재력을 탐색하는 것.
• 특정 문제에 맞는 연산자, 로컬 서치, 나선타입 진화 전략의 효과를 평가하여 MILPs 해결에 미치는 영향을 분석하는 것.

제안 방법

• 알고리즘은 변수를 정수(진화 알고리즘으로 처리)와 연속(선형계획법 솔버로 해결)으로 분리한다.
• 개체군 내 각 개체는 정수변수 값의 고정된 조합(유전자)을 나타내며, 이에 대응하는 연속변수들은 정확한 LP 해법을 통해 계산된다.
• 적합도는 정수변수를 고정한 후 도출된 LP의 목적함수 값에 의해 결정된다.
• 진화 과정은 나선타입 공유, 적응형 파rameter 제어, 그리고 국소 탐색 절차를 통해 수렴성과 다양성을 향상시킨다.
• 유전적 연산자(교배, 변이, 미세세포분열)는 정수변수 유전자에 적용되며, 재조합과 나선타입 재조합을 통해 개체군의 다양성을 유지한다.
• 알고리즘은 하이브리드 전략을 사용한다: 새로운 개체를 생성한 후 연속변수들은 LP 솔버를 통해 계산되고, 그 결과 해는 적합도 평가를 위해 평가된다.

실험 결과

연구 질문

• RQ1 정수변수 최적화와 연속변수 최적화를 분리함으로써 진화적 알고리즘이 혼합정수선형계획문제를 효과적으로 해결할 수 있는가?
• RQ2 제안된 진화적 솔버의 성능은 표준 MILP 기준 문제에서 기존의 분할정복법과 비교해 어떻게 되는가?
• RQ3 어떤 경우에 진화적 알고리즘이 분할정복법을 능가하는가, 특히 타당해를 신속하게 찾는 데서 성능이 뛰어난가?
• RQ4 나선타입 공유, 국소 탐색, 문제에 특화된 연산자의 영향은 알고리즘의 수렴성과 해 품질에 어떤 영향을 미치는가?

주요 결과

• 테스트된 모든 기준 문제에 대해 진화적 알고리즘이 좋은 타당해를 성공적으로 찾았으며, 몇몇 인스턴스에서는 분할정복법과 비교해 성능이 유사하거나 뛰어나다.
• 일부 어려운 기준 문제에서는 진화적 알고리즘이 최적해에 도달하기 위해 필요한 LP 해법 횟수가 분할정복법보다 적어 성능이 뛰어나다.
• 분할정복법이 합리적인 시간 내에 좋은 타당해를 찾지 못한 경우, 진화적 알고리즘은 고품질의 타당해를 성공적으로 식별하였다.
• 나선타입 공유, 국소 탐색, 적응형 파rameter 제어의 통합은 알고리즘 성능을 크게 향상시켰으며, 단일 나선타입 실행에서는 효과가 떨어지는 경향을 보였다.
• 분할정복법이 어려워하는 문제들에서도 알고리즘이 뛰어난 안정성을 보였으며, 이는 두 접근법 간에 상호보완적인 강점이 있음을 시사한다.