[论文解读] A Benson-Type Algorithm for Bounded Convex Vector Optimization Problems with Vertex Selection

Daniel Dörfler, Andreas Löhne+2 more|arXiv (Cornell University)|Jun 28, 2020

Sparse and Compressive Sensing Techniques参考文献 44被引用 22

一句话总结

本文提出了一种针对Benson型算法求解有界凸向量优化问题的顶点选择（VS）规则，通过在每次迭代中战略性地选择要截断的顶点，提升了算法效率。通过求解更廉价的二次子问题，并利用单个不等式验证最优性，该方法减少了所需标量化（scalarization）的次数，从而实现更快的收敛速度，同时得到更粗粒度、更易管理的解集，且不损失近似质量。

ABSTRACT

We present an algorithm for approximately solving bounded convex vector optimization problems. The algorithm provides both an outer and an inner polyhedral approximation of the upper image. It is a modification of the primal algorithm presented by L\"ohne, Rudloff, and Ulus in 2014. There, vertices of an already known outer approximation are successively cut off to improve the approximation error. We propose a new and efficient selection rule for deciding which vertex to cut off. Numerical examples are provided which illustrate that this method may solve fewer scalar problems overall and therefore may be faster while achieving the same approximation quality.

研究动机与目标

• 解决现有Benson型算法在每次迭代中需求解大量标量化问题所导致的效率低下问题。
• 减少有界凸向量优化问题中多面体近似算法的标量化次数。
• 提供一种计算高效的顶点选择规则，以加快收敛速度，同时保持相同的近似精度。
• 实现在每次迭代中都能实时掌握近似误差，提升算法透明度与决策支持能力。

提出的方法

• 提出一种基于当前内多面体与外多面体近似之间Hausdorff距离的启发式顶点选择规则。
• 在像空间（非原像空间）中使用凸二次子问题来评估候选顶点，其求解成本低于标准标量化方法。
• 通过单个不等式检查验证先前迭代中解的最优性，避免冗余计算。
• 在整个算法执行过程中同时维护上像的内多面体与外多面体近似。
• 通过将L"ohne等（2014）原始算法中的任意顶点选择替换为新的VS规则，对原始算法进行改进。
• 提出一种高效的实现策略，可在不增加额外计算成本的前提下，实时追踪每次迭代的近似误差。

实验结果

研究问题

• RQ1 更智能的顶点选择规则是否能减少Benson型算法在凸向量优化中所需的标量化次数？
• RQ2 所提出的顶点选择规则是否能在保持相同近似质量的前提下实现更快的收敛速度？
• RQ3 是否能在算法执行过程中持续监控近似误差，而无需额外计算？
• RQ4 在真实世界与学术问题中，新方法与原始算法在运行时间与解集规模方面相比如何？
• RQ5 该方法是否能高效应用于高维变量空间的问题（如机器学习中的问题）？

主要发现

• 所提出的顶点选择规则在所有测试实例中均减少了所需标量化次数，从而显著提升了计算速度。
• 在机器学习示例（弹性网络）中，所有数据集中近似误差均更小，同时测试MSE保持相近。
• 在桁架设计问题中，解集规模显著减小——例如在ε = 0.2时，弱极小化点从110个减少至43个，且未损失精度。
• 该算法可在每次迭代中提供当前近似误差的实时信息，从而支持更优的决策与监控。
• 该方法在保持与原始算法相同近似质量的同时，显著减少了标量化次数，尤其在标量化成本高昂的高维问题中优势明显。