[论文解读] Learning-Assisted Competitive Algorithms for Peak-Aware Energy Scheduling

Russell Lee, Mohammad Hajiesmaili+1 more|arXiv (Cornell University)|Nov 18, 2019

Optimization and Search Problems参考文献 23被引用 8

一句话总结

该论文提出了一种学习增强型竞争算法，用于数据中心的峰值感知能效调度，通过整合机器学习预测来提升性能，同时保持最坏情况下的鲁棒性。所提出的 ${\lambda}\texttt{BED}$ 算法在真实数据上相比纯在线算法性能提升 15.13%，且当预测误差趋近于零时，其行为具有理论最优性。

ABSTRACT

In this paper, we study the peak-aware energy scheduling problem using the competitive framework with machine learning prediction. With the uncertainty of energy demand as the fundamental challenge, the goal is to schedule the energy output of local generation units such that the electricity bill is minimized. While this problem has been tackled using classic competitive design with worst-case guarantee, the goal of this paper is to develop learning-assisted competitive algorithms to improve the performance in a provable manner. We develop two deterministic and randomized algorithms that are provably robust against the poor performance of learning prediction, however, achieve the optimal performance as the error of prediction goes to zero. Extensive experiments using real data traces verify our theoretical observations and show 15.13% improved performance against pure online algorithms.

研究动机与目标

• 解决在能源需求不确定、波动剧烈的情况下，数据中心的峰值感知能效调度挑战。
• 改进传统在线算法因最坏情况性能保证而过于保守的问题。
• 将机器学习预测整合到竞争算法中，以在预测准确时实现更优性能，同时在预测不佳时仍保持鲁棒性。
• 即使在预测不准确的情况下，也保持理论性能保证（竞争比），确保在实际部署中的可靠性。

提出的方法

• 设计一种基于 BED（最佳努力调度）算法的机器学习增强变体，命名为 ${\lambda}\texttt{BED}$，该算法将在线决策与机器学习预测相结合。
• 使用参数 $\lambda$ 平衡机器学习预测与保守的在线策略，确保在预测不准确时仍具有鲁棒性。
• 将能效调度问题建模为混合成本函数，结合体积定价与峰值定价，其中峰值需求乘以高额峰值价格 $p_m$。
• 采用基于投影的方法，以强制执行发电机输出的爬坡约束，确保调度的物理可行性。
• 引入一致性-鲁棒性分析框架，从理论上分析性能：一致性衡量预测准确时的性能提升，鲁棒性确保最坏情况下的性能边界。
• 使用数据中心的真实世界数据轨迹，对理论结论进行经验验证，并与纯在线算法进行性能对比。

实验结果

研究问题

• RQ1 能否在不牺牲最坏情况性能保证的前提下，将机器学习预测集成到竞争性在线算法中用于能效调度？
• RQ2 学习增强型算法的性能如何随预测精度变化？一致性与鲁棒性之间的理论权衡是什么？
• RQ3 与纯在线方法相比，学习增强型算法在真实世界数据中心能效调度中能将电费降低多少？
• RQ4 诸如爬坡限制和发电机容量等系统约束如何影响学习增强型算法的性能？
• RQ5 所提出的算法是否优于现有在线算法，特别是在纯在线算法性能下降的场景中（例如，发电机容量较高时）？

主要发现

• ${\lambda}\texttt{BED}$ 算法在真实数据轨迹上相比纯在线算法，电费降低 15.13%，展现出显著的实际性能提升。
• 当预测误差趋近于零时，${\lambda}\texttt{BED}$ 达到最优性能，与离线最优解的理论下限一致。
• 即使预测质量较差，该算法仍能保持可证明的鲁棒性能，确保最坏情况下的性能保证不被破坏。
• 当发电机容量超过峰值需求的 60% 时，纯在线算法（如 BED）出现性能下降；${\lambda}\texttt{BED}$ 通过利用预测避免了这一问题。
• ${\lambda}\texttt{BED}$ 的竞争比在所有峰值价格水平下均优于 BED，尤其在中等峰值价格区间内提升最为显著。
• 放松爬坡约束可提升两类算法的竞争比，但 ${\lambda}\texttt{BED}$ 凭借对预测和灵活性的更好利用，始终保持更优性能。