[논문 리뷰] Bin Packing Under Multiple Objectives - a Heuristic Approximation Approach

Martin Josef Geiger|ArXiv.org|2008. 09. 04.

Optimization and Packing Problems참고 문헌 6인용 수 10

한 줄 요약

이 논문은 다목적 배낭 정렬 문제를 위한 휴리스틱 근사 접근법을 제안하며, 명목적 속성 기반으로 동시에 백업 수와 상자 내 항목의 평균 이질성( heterogeneousness )을 최소화하는 Best-Fit 알고리즘을 확장한다. 이 방법은 파레토 최적 해역에 매우 가까운 근사치를 도출하며, 항목의 무게 내림차순 정렬이 더 큰 인스턴스에서 성능을 크게 향상시키고, 1,000개 항목 문제에서도 밑줄을 그은 실행 시간을 유지한다.

ABSTRACT

The article proposes a heuristic approximation approach to the bin packing problem under multiple objectives. In addition to the traditional objective of minimizing the number of bins, the heterogeneousness of the elements in each bin is minimized, leading to a biobjective formulation of the problem with a tradeoff between the number of bins and their heterogeneousness. An extension of the Best-Fit approximation algorithm is presented to solve the problem. Experimental investigations have been carried out on benchmark instances of different size, ranging from 100 to 1000 items. Encouraging results have been obtained, showing the applicability of the heuristic approach to the described problem.

연구 동기 및 목표

• 항목 속성의 이질성과 함께 백업 수 최소화를 고려하여 다목적 배낭 정렬 연구의 격차를 메우기.
• 서로 충돌하는 목표인 백업 수 최소화와 평균 상자 이질성 최소화를 갖는 이목적 최적화 문제로 문제를 공식화하기.
• 실제 물류 및 데이터 저장 분야에서의 응용을 위한 효율적 해의 파레토 집합을 근사하는 휴리스틱을 개발하기.
• 다양한 인스턴스 크기에서 항목 순서 전략의 영향을 분석하여 해 품질에 미치는 영향을 조사하기.
• 메타휴리스틱 프레임워크 내 초기 해 생성에 적합한 계산적으로 효율적인 방법 제공하기.

제안 방법

• 항목 속성을 기반으로 한 무작위 선택 메커니즘을 Best-Fit 알고리즘에 통합하여 백업 수와 이질성 간의 균형을 이루기.
• 용량 제약과 속성 다양성을 모두 고려하는 매개변수화된 상자 선택 규칙을 도입하여 포장 결정을 안내하기.
• 해가 다른 해보다 모든 목표에서 열등하지 않으면서 적어도 하나의 목표에서 엄격히 우수한 경우에 한해 지배 관계를 정의하는 벡터 평가 프레임워크를 사용하기.
• 다양한 항목 순서(내림차순 무게, 오름차순 무게, 랜덤)를 적용하여 민감도 및 성능 변동성을 평가하기.
• 각 상자 i의 고유한 속성 수 u_i를 고려하여 평균 이질성 per bin을 $ z_2 = \frac{1}{z_1} \sum_{i=1}^{n} u_i $ 로 계산하기.
• z_1(백업 수)와 z_2(평균 이질성) 간의 트레이드오프를 탐색함으로써 파레토 최적 해역을 근사하는 해 집합을 유지하기.

실험 결과

연구 질문

• RQ1 속성 기반의 이질성 요소가 포함될 경우 배낭 정렬의 해 품질과 트레이드오프 구조에 어떤 영향을 미치는가?
• RQ2 수정된 Best-Fit 휴리스틱이 이목적 배낭 정렬 문제의 파레토 최적 해역을 효과적으로 근사할 수 있는가?
• RQ3 항목 순서(내림차순, 오름차순, 랜덤 무게)가 대규모 인스턴스의 해 품질에 어떤 영향을 미치는가?
• RQ4 휴리스틱 접근법이 백업 수와 이질성 양쪽에서 이론적 최소값에 얼마나 가까이 갈 수 있는가?
• RQ5 제안된 방법이 더 복잡한 메타휴리스틱의 웜스타트로 충분히 계산적으로 효율적인가?

주요 결과

• n = 100 인 경우, 내림차순 무게 순서로 정렬한 Best-Fit 알고리즘이 (43, 1.000)이라는 최고의 해를 달성하여 백업 수와 이질성을 모두 최소화했다.
• n = 200 인 경우, 내림차순 무게 순서로 정렬한 Best-Fit 알고리즘이 (41, 1.927)의 해를 도출하여 다른 순서 전략과 Random-Fit 버전을 모두 압도했다.
• n = 500 인 경우, 내림차순 무게 순서로 정렬한 Best-Fit 알고리즘이 (102, 1.000)에 도달했고, Random-Fit는 (104, 1.000)을 기록하여 입력 순서가 유의미한 이점을 제공하는 것으로 나타났다.
• n = 1000 인 경우, 내림차순 무게 순서로 정렬한 Best-Fit 알고리즘이 (203, 1.000)을 도출하여 모든 테스트된 방법과 순서 중에서 최고의 성능을 보였다.
• 랜덤 순서는 대규모 인스턴스에서 빈약한 성능을 보였으며, Random-Fit는 n = 1000 인 경우 (202, 3.238)의 해를 도출하여 높은 이질성을 보였다.
• 알고리즘은 항상 이론적 최소 백업 수보다 한 개 더 많은 z_1 값을 기록하여, 모든 인스턴스에서 최소값에 도달하지 못했다.