[论文解读] Min-Max Regret Problems with Ellipsoidal Uncertainty Sets

André Chassein, Marc Goerigk|arXiv (Cornell University)|Jun 3, 2016

Risk and Portfolio Optimization参考文献 20被引用 9

一句话总结

本文提出了针对椭球不确定性集下最小-最大 regret组合优化问题的精确解法，引入了两类割平面和两种子问题线性化技术以实现场景松弛。关键贡献在于，类型2割平面与子问题线性化B显著优于其他方法，尤其在偏差矩阵较密集时，可显著加快实际求解最优解的速度。

ABSTRACT

We consider robust counterparts of uncertain combinatorial optimization problems, where the difference to the best possible solution over all scenarios is to be minimized. Such minmax regret problems are typically harder to solve than their nominal, non-robust counterparts. While current literature almost exclusively focuses on simple uncertainty sets that are either finite or hyperboxes, we consider problems with more flexible and realistic ellipsoidal uncertainty sets. We present complexity results for the unconstrained combinatorial optimization problem and for the shortest path problem. To solve such problems, two types of cuts are introduced, and compared in a computational experiment.

研究动机与目标

• 为解决现有研究中针对有限或超盒集之外的灵活、现实的不确定性集下最小-最大 regret 问题研究不足的问题。
• 研究在椭球不确定性下最小-最大 regret 问题的计算复杂度，特别是针对无约束问题与最短路径问题。
• 提出并比较基于场景松弛的高效精确解法，采用两类割平面与两种子问题线性化技术。
• 在无约束问题与最短路径问题上，通过计算实验评估这些方法的性能。
• 识别在何种条件下特定类型的割平面与线性化策略能显著提升计算性能。

提出的方法

• 将最小-最大 regret 问题建模为椭球不确定性集下的鲁棒对偶形式，涵盖轴对齐与一般椭球，作为组合优化问题的鲁棒对偶。
• 在场景松弛过程中引入两类割平面——类型1与类型2，以迭代方式精炼最坏情况场景集合。
• 提出两种线性化技术（A 与 B），用于求解给定解下最坏情况场景的子问题。
• 采用分支定割框架，其中割平面根据子问题识别出的最坏情况场景动态生成。
• 使用性能轮廓分析法，比较 C1-A、C1-B、C2-A 与 C2-B 解法在多个实例类别中的计算效率。
• 每实例设置 900 秒时间限制，并将 CPLEX 中的数值失败计为时间限制超限以用于评估。

实验结果

研究问题

• RQ1 与有限集或超盒集相比，使用椭球不确定性集时，最小-最大 regret 问题的计算复杂度如何变化？
• RQ2 能否为具有椭球不确定性集的最小-最大 regret 问题开发高效的精确算法，特别是针对无约束问题与最短路径问题？
• RQ3 在椭球不确定性下的场景松弛中，哪类割平面（类型1或类型2）能减少迭代次数并实现更快收敛？
• RQ4 在生成最坏情况场景时，哪种子问题线性化方法（A 或 B）能提供更好的性能与数值稳定性？
• RQ5 在何种条件下解法性能显著提升，特别是偏差矩阵 C 的矩阵密度与数值大小方面？

主要发现

• 对于无约束问题，类型2割平面显著优于类型1割平面，尤其当偏差矩阵 C 较密集且数值较大时，可显著减少所需迭代次数。
• 子问题线性化 B 在求解最坏情况场景子问题中始终优于线性化 A，从而实现更快的整体收敛。
• C2-B 解法（即类型2割平面配合线性化 B）在无约束问题中整体表现最佳，能在 900 秒时间限制内求解更多实例。
• 对于最短路径问题，C2-B 的性能优势不如在无约束问题中明显，因为类型2割平面常不可行，但 C2-B 仍优于其他组合。
• 由于线性化 B 中大数值的 bigM 常数导致 CPLEX 出现数值不稳定，造成五个实例失败，这些失败被计为时间限制超限。
• C2-B 与其他方法的性能差距在 C 矩阵密集且数值较大时最为显著，此时仅需两个割平面（y=0 与 y=1）即可最优求解问题。