[논문 리뷰] Evolutionary Bi-objective Optimization for the Dynamic Chance-Constrained Knapsack Problem Based on Tail Bound Objectives

Hirad Assimi, Oscar Harper외 3명|arXiv (Cornell University)|2020. 02. 17.

Advanced Multi-Objective Optimization Algorithms참고 문헌 22인용 수 9

한 줄 요약

이 논문은 항목의 무게가 확률적이고 캐릭터의 용량이 시간에 따라 변화하는 동적 확률적 제약 조건이 있는 배낭 문제를 위한 이중목적 진화 알고리즘을 제안한다. 확률적 제약 조건을 충족시키는 데 필요한 최소 용량 한도를 추정하는 새로운 제2목적을 도입함으로써, 동적이고 불확실한 조건 하에서 최적해를 안정적으로 추적할 수 있으며, 해의 품질과 안정성 측면에서 단일목적 방법보다 뛰어나다.

ABSTRACT

Real-world combinatorial optimization problems are often stochastic and dynamic. Therefore, it is essential to make optimal and reliable decisions with a holistic approach. In this paper, we consider the dynamic chance-constrained knapsack problem where the weight of each item is stochastic, the capacity constraint changes dynamically over time, and the objective is to maximize the total profit subject to the probability that total weight exceeds the capacity. We make use of prominent tail inequalities such as Chebyshev's inequality, and Chernoff bound to approximate the probabilistic constraint. Our key contribution is to introduce an additional objective which estimates the minimal capacity bound for a given stochastic solution that still meets the chance constraint. This objective helps to cater for dynamic changes to the stochastic problem. We apply single- and multi-objective evolutionary algorithms to the problem and show how bi-objective optimization can help to deal with dynamic chance-constrained problems.

연구 동기 및 목표

• 확률적 항목 무게와 시간에 따라 변화하는 용량 제약 조건을 가진 동적 확률적 제약 조건이 있는 배낭 문제를 해결하는 데 도전한다.
• 동적 요소와 확률적 요소를 별개로 다루는 것이 아니라 통합적인 최적화 프레임워크를 개발한다.
• 특정 해에 대해 실행 가능한 최소 용량 한도를 추정하는 보조 목표를 도입함으로써 해의 신뢰성과 동적 변화에 대한 적응성을 향상시킨다.
• 불확실성과 동적 변화 하에서 복잡한 실세계 최적화 문제를 다루는 데 있어 이중목적 진화 알고리즘의 효과를 평가한다.
• 단일목적 방법과 최신 다중목적 알고리즘인 NSGA-II와 비교하여, 테일 부등식(Chebyshev, Chernoff)을 사용한 이중목적 접근의 성능을 평가한다.

제안 방법

• 해 $ x $ 가 정해진 확률로 확률적 제약 조건을 충족시키는 데 필요한 최소 용량 한도를 추정하는 제2목적 함수 $ C^* $ 를 도입한다.
• 테일 부등식—Chebyshev 부등식과 Chernoff 한계—을 사용하여 $ C^* $ 의 상한을 계산함으로써 확률적 환경에서의 효율적 근사가 가능하도록 한다.
• 단일목적 및 다중목적 진화 알고리즘((1+1)-EA, POSDC, NSGA-II 등)을 사용하여 수익과 $ C^* $ 를 동시에 최적화한다.
• 정해진 폭으로 매 $ \tau $ 반복마다 제약 조건 한계를 갱신함으로써 동적 용량 변화를 모델링하여 실시간 환경 변화를 시뮬레이션한다.
• 모든 동적 변화 이후에도 빠른 적응을 가능하게 하기 위해 두 목표 모두에 대해 비열등한 해의 집단을 유지한다.
• NSGA-II를 수정하여 각 용량 한도에 대해 최고의 해를 유지하고, 제안된 POSDC 알고리즘과의 공정한 비교를 보장한다.

실험 결과

연구 질문

• RQ1 특화된 제2목적을 가진 이중목적 진화 접근법이 단일목적 최적화에 비해 동적 확률적 제약 조건이 있는 배낭 문제에서 성능을 향상시킬 수 있는가?
• RQ2 테일 부등식(Chebyshev 및 Chernoff)은 확률적 제약 조건을 충족시키는 데 필요한 최소 용량 한도 $ C^* $ 를 근사하는 데 얼마나 효과적인가?
• RQ3 $ C^* $ 를 목표로 포함함으로써 알고리즘이 동적 용량 변화 하에서 이동하는 최적해를 추적하는 능력이 향상되는가?
• RQ4 해의 품질과 수렴성 측면에서 POSDC의 성능은 NSGA-II와 비교해 어떻게 되는가?
• RQ5 다양한 동적 파라미터(예: $ \tau $, $ \delta $, $ \alpha $)는 최적화 과정의 오프라인 오차와 안정성에 어떤 영향을 미치는가?

주요 결과

• 제안된 $ C^* $ 목표를 가진 이중목적 접근법은 특히 높은 동적 및 확률적 복잡성 하에서, 총 오프라인 오차가 낮고 표준편차가 감소한 점에서 단일목적 (1+1)-EA 보다 일관되게 뛰어난 성능을 보였다.
• Chernoff 한계를 사용한 알고리즘은 Chebyshev 부등식을 사용한 알고리즘보다 더 뛰어난 성능을 보였으며, 특히 더 엄격한 제약 조건 설정($ \alpha = 0.01 $)에서 두드러졌다.
• 항목 수 $ r = 2000 $ 일 때, 더 큰 개체군 크기 덕분에 POSDC는 (1+1)-EA보다 더 높은 해 품질을 달성했다.
• Chernoff 한계를 사용할 경우 NSGA-II는 POSDC와 유사한 성능을 보였지만, 가장 단순한 인스턴스($ \delta = 25, \alpha = 0.01 $)에서는 POSDC가 NSGA-II를 능가했으며, 이는 선택 및 다양성 메커니즘에서의 우수성을 시사한다.
• 동적 변화 빈도가 증가함에 따라(작은 $ \tau $), POSDC는 다양한 용량 한도에 걸쳐 다양하고 비열등한 해를 유지할 수 있는 능력 덕분에 더 뛰어난 성능을 유지했다.
• 제안된 $ C^* $ 목표는 동적 변화 이후 빠른 적응을 가능하게 하며, 알려진 타당성 마진을 가진 즉시 사용 가능한 해 집합을 제공한다.