[논문 리뷰] Distributionally Robust Chance-Constrained Bin Packing

Shujun Zhang, Ruiwei Jiang외 1명|arXiv (Cornell University)|2016. 09. 30.

Multi-Criteria Decision Making인용 수 5

한 줄 요약

이 논문은 항목 무게의 평균과 공분산 정보만을 사용하여 분포 불확실성에 대비한 강건성을 확보하는 분포로 부터의 강건한 확률 제약을 가진 백팩 문제(DCBB) 모델을 제안한다. 문제를 0-1 2차원 콘 프로그래밍으로 재구성하고, 하위모듈라리티(submodularity)를 활용하여 확장된 폴리마트로이드 부등식을 도출함으로써 공식화를 크게 강화하고, 분할정복 알고리즘을 통해 효율적인 해를 도출한다. 다양한 시험 사례에서 뛰어난 계산 성능을 입증한다.

ABSTRACT

Chance-constrained bin packing problem allocates a set of items into bins and, for each bin, bounds the probability that the total weight of packed items exceeds the bin's capacity. Different from the stochastic programming approaches relying on full distributional information of the random item weights, we assume that only the information of the mean and covariance matrix is available. Accordingly, we consider distributionally robust chance-constrained bin packing (DCBP) models. Using two types of ambiguity sets, we equivalently reformulate the DCBP models as 0-1 second-order cone (SOC) programs. Furthermore, we exploit the submodularity of the 0-1 SOC constraints under special and general covariance matrices, and derive extended polymatroid inequalities to strengthen the 0-1 SOC formulations. We then incorporate these valid inequalities in a branch-and-cut algorithm for efficiently solving the DCBP models. Finally, we demonstrate the computational efficacy of our approaches and performance of DCBP solutions on test instances with diverse problem sizes, parameters, and item weight uncertainty.

연구 동기 및 목표

• 완전한 분포가 아닌 평균과 공분산 정보만을 기반으로 하여 확률 프로그래밍의 한계를 극복한다.
• 항목 무게 분포의 모호성 하에 확률 제약을 가진 백팩 문제에 대한 분포로 부터의 강건 최적화 프레임워크를 개발한다.
• 하위모듈라리티 기반의 확장된 폴리마트로이드 부등식을 활용하여 DCBP 모델의 공식화를 강화하여 해법 효율성을 향상시킨다.
• 0-1 2차원 콘 프로그래밍 재구성된 DCBP 문제에 특화된 분할정복 알고리즘을 설계하고 구현한다.
• 다양한 불확실성 수준과 문제 크기를 가진 다양한 시험 사례에서 제안된 방법의 계산 효용성과 강건성을 평가한다.

제안 방법

• 평균과 공분산 정보를 기반으로 하는 두 가지 유형의 모호성 집합을 사용하여 DCBP 문제를 재구성함으로써, 완전한 분포 가정 없이도 분포로 인한 강건성을 확보한다.
• 확률 제약을 가진 모델을 0-1 2차원 콘 프로그래밍(SOC) 프로그램으로 재구성함으로써 현대적인 콘 최적화 솔버의 활용을 가능하게 한다.
• 특수한(예: 대각 행렬) 및 일반적인 공분산 행렬의 경우에 대해 0-1 SOC 제약의 하위모듈라리티를 활용하여 타당한 확장된 폴리마트로이드 부등식을 유도한다.
• 유도된 확장된 폴리마트로이드 부등식을 분할정복 알고리즘의 컷 평면으로 통합하여 공식화를 강화하고 수렴 속도를 향상시킨다.
• 재구성된 DCBP 모델의 0-1 2차원 콘 프로그래밍 구조에 특화된 분할정복 프레임워크를 구현하여 대규모 사례의 효율적 해법을 도모한다.
• 수치 실험을 통해 강화된 공식화의 성능과 해법 알고리즘의 유효성을 다양한 문제 설정에서 검증한다.

실험 결과

연구 질문

• RQ1 항목 무게의 평균과 공분산 정보만을 사용하여 분포로 인한 강건한 확률 제약을 가진 백팩 문제 모델을 어떻게 재구성할 수 있는가?
• RQ2 평균과 공분산로 정의된 모호성 집합 하에서 DCBP 모델의 등가 2차원 콘 프로그래밍 재구성은 무엇인가?
• RQ3 0-1 SOC 제약의 하위모듈라리티는 DCBP 공식화를 위한 더 강력한 타당 부등식을 도출하는 데 어떻게 활용될 수 있는가?
• RQ4 확장된 폴리마트로이드 부등식은 DCBP 모델의 계산 성능에 어느 정도 향상되는가?
• RQ5 다양한 불확실성 수준과 문제 크기를 가진 시험 사례에서 제안된 분할정복 알고리즘이 표준 방법에 비해 성능 면에서 어떻게 비교되는가?

주요 결과

• DCBP 모델은 평균과 공분산 기반의 모호성 집합을 사용하여 0-1 2차원 콘 프로그래밍으로 성공적으로 재구성되었으며, 분포 불확실성에 대비한 강건성을 확보할 수 있었다.
• 0-1 SOC 제약의 하위모듈라리티를 활용하여 확장된 폴리마트로이드 부등식을 도출할 수 있었고, 이는 공식화를 강화하고 정수성 갭을 감소시켰다.
• 분할정복 알고리즘에 확장된 폴리마트로이드 부등식을 통합함으로써 계산 효율성과 해법 속도에 상당한 향상이 있었다.
• 제안된 방법은 고도의 불확실성과 큰 문제 크기를 가진 다양한 시험 사례에서도 강력한 계산 효용성을 보였다.
• DCBP 해법은 분포 이동에 대해서도 강건한 성능을 유지하였으며, 가정된 분포에서 벗어난 항목 무게 변화에도 타당성과 근사 최적성 유지가 가능했다.
• 계산 실험 결과, 강화된 공식화가 최적성 갭을 감소시키고 수렴을 위해 필요한 분할정복 노드 수를 줄이는 것으로 확인되었다.