[论文解读] Mixed-Integer Optimization for Loopless Flux Distributions in Metabolic Networks

Troppens, Hannah, Mathieu Besançon+2 more|arXiv (Cornell University)|Jan 1, 2024

Constraint Satisfaction and Optimization被引用 90

一句话总结

本论文介绍了 SCIP Optimization Suite 9.0，这是针对数学优化领域领先开源框架的一次重大更新。该版本引入了增强的对称性处理机制、新型非线性处理器、改进的原始启发式算法、先进的割平面生成技术，以及针对 Rust、C++ 和 Python 的新接口。该套件在困难的 MILP 实例上实现了 6% 的速度提升，在困难的 MINLP 实例上节点数最多减少 46%，显著提升了 SCIP 8.0 版本的求解性能与可靠性。

ABSTRACT

Constraint-based metabolic models can be used to investigate the intracellular physiology of microorganisms. These models couple genes to reactions, and typically seek to predict metabolite fluxes that optimize some biologically important metric. Classical techniques, like Flux Balance Analysis (FBA), formulate the metabolism of a microbe as an optimization problem where growth rate is maximized. While FBA has found widespread use, it often leads to thermodynamically infeasible solutions that contain internal cycles (loops). To address this shortcoming, Loopless-Flux Balance Analysis (ll-FBA) seeks to predict flux distributions that do not contain these loops. ll-FBA is a disjunctive program, usually reformulated as a mixed-integer program, and is challenging to solve for biological models that often contain thousands of reactions and metabolites. In this paper, we compare various reformulations of ll-FBA and different solution approaches. Overall, the combinatorial Benders' decomposition is the most promising of the tested approaches with which we could solve most instances. However, the model size and numerical instability pose a challenge to the combinatorial Benders' method.

研究动机与目标

• 提升 SCIP Optimization Suite 在混合整数规划与非线性规划问题上的性能与鲁棒性。
• 通过新增接口（Rust、C++、Python）以及对外部求解器的增强支持，扩展 SCIP 的功能。
• 通过在对称性处理、割平面生成和原始启发式算法方面的先进算法改进，提升解的效率。
• 通过 PaPILO 中的证明日志功能与机器可验证证书，确保正确性与可验证性。
• 通过 UG 支持高性能计算，通过 GCG 实现分解，从而实现大规模优化问题的可扩展求解。

提出的方法

• 利用 nauty 和 sassy 的接口，对非二值变量和自定义约束实现增强的对称性处理，通过约束处理器回调实现对称性检测。
• 引入新型非线性处理器用于处理符号函数，并对二次约束采用单调强化技术，以收紧松弛问题。
• 开发新型指示潜水启发式算法，扩展动态分区搜索，并引入在线调度机制用于原始启发式算法，以加速可行解的发现。
• 实现新型 Lagromory 分离器，并改进割平面选择策略，包括集成与动态割平面选择。
• 在评分函数中引入新的 GMI 分支规则作为优先级选择机制，提升分支决策质量。
• 新增接口：rustscip（Rust）、SCIP++（C++）、PySoPlex（Python），并增强 AMPL 与 Julia 的支持，以提升可访问性与可扩展性。

实验结果

研究问题

• RQ1 如何将对称性处理从二值变量推广至更广泛的混合整数规划问题，并扩展至自定义约束？
• RQ2 新型非线性处理器与强化技术对 MINLP 问题的松弛质量与求解速度有何影响？
• RQ3 新型原始启发式算法与在线调度机制在混合整数规划中对可行解发现的改进程度如何？
• RQ4 新型割平面生成器与选择策略如何影响分支定界树的规模与整体求解时间？
• RQ5 通过新增接口与与 HiGHS、SoPlex 等外部求解器的集成，实际性能提升有多大？

主要发现

• SCIP 9.0 比 SCIP 8.0 多求解了 19 个 MILP 实例，在受影响实例上实现 2% 的速度提升，在已求解问题中节点数减少 17%。
• 在需要 ≥1000 秒的困难 MILP 实例上，SCIP 9.0 实现 6% 的速度提升与 46% 的节点数减少，表明对挑战性问题有显著改进。
• 对于 MINLP 问题，SCIP 9.0 多求解了 5 个实例，整体时间提升 4%，在共享求解实例中节点数减少 13%。
• 非凸 MINLP 问题在 SCIP 9.0 中实现 8% 的速度提升，表明对复杂非凸结构的处理能力得到增强。
• PaPILO 中新增的证明日志功能可生成用于预处理的机器可验证证书，显著提升正确性与可信度。
• 新增接口（rustscip、SCIP++、PySoPlex）以及 PySCIPOpt 在 PyPI 上的增强支持，提升了在各类编程生态中的可访问性与集成能力。