[论文解读] Robust Optimization for Tree-Structured Stochastic Network Design

Xiaojian Wu, Akshat Kumar+2 more|arXiv (Cornell University)|Dec 1, 2016

Fish Ecology and Management Studies参考文献 11被引用 4

一句话总结

本文提出了一种针对边概率存在区间不确定性时的树状结构随机网络设计的鲁棒优化框架，特别应用于鱼类保护中的河流网络障碍物移除问题。该方法提出一种双层优化方法，结合混合整数线性规划（MILP）与全多项式时间近似方案（FPTAS），通过舍入动态规划（RDP）实现，以最大化鲁棒比并最小化遗憾值，在大规模河流网络上的实验表明其鲁棒性优于基线方法。

ABSTRACT

Stochastic network design is a general framework for optimizing network connectivity. It has several applications in computational sustainability including spatial conservation planning, pre-disaster network preparation, and river network optimization. A common assumption in previous work has been made that network parameters (e.g., probability of species colonization) are precisely known, which is unrealistic in real- world settings. We therefore address the robust river network design problem where the goal is to optimize river connectivity for fish movement by removing barriers. We assume that fish passability probabilities are known only imprecisely, but are within some interval bounds. We then develop a planning approach that computes the policies with either high robust ratio or low regret. Empirically, our approach scales well to large river networks. We also provide insights into the solutions generated by our robust approach, which has significantly higher robust ratio than the baseline solution with mean parameter estimates.

研究动机与目标

• 解决以往随机网络设计方法假设网络参数精确已知的局限性，这在生态应用中并不现实。
• 为鱼类通行概率仅知区间边界的河流网络设计开发一种可扩展的规划方法。
• 通过在对抗性参数选择下最大化鲁棒比并最小化遗憾值，计算对参数不确定性具有鲁棒性的策略。
• 实现管理措施对区间边界和网络结构的双重修改，而不同于以往仅能改变网络结构的工作。
• 为面临生态模型不精确的环境科学家提供一种实用的计算工具，用于保护规划。

提出的方法

• 将鲁棒网络设计问题建模为双层优化：外层优化最大化决策策略的鲁棒比，内层优化通过在区间边界内选择对抗性参数来最小化该比值。
• 将决策优化问题编码为混合整数线性规划（MILP），以在固定对抗性参数下寻找最优策略。
• 开发一种舍入动态规划（RDP）算法作为内层比值最小化问题的FPTAS，该问题在计算上比外层问题更困难。
• 采用约束生成过程，迭代添加最具对抗性的参数集合与策略，以逐步优化解空间。
• 采用舍入技术以高效近似最优对抗性策略与概率，确保在有界误差下实现多项式时间收敛。
• 将该框架应用于树状结构河流网络，其中节点代表河段，边代表具有不确定通行概率的障碍物。

实验结果

研究问题

• RQ1 当边概率仅知区间边界时，能否为树状结构随机网络设计开发一种鲁棒优化框架？
• RQ2 如何有效将同时修改区间边界与网络结构的管理措施整合进鲁棒网络设计中？
• RQ3 样本平均近似（SAA）方法是否适用于此更丰富的动作空间，还是需要新方法？
• RQ4 基于FPTAS的内层最大化双层优化方法能否产生比基线方法具有更高鲁棒比和更低遗憾值的策略？
• RQ5 所计算策略的鲁棒性与基于均值估计或最坏情况假设的策略相比如何？

主要发现

• 所提出的RDP算法产生的鲁棒比大于最优值（OPT），遗憾值小于OPT，表明在对抗性环境下接近最优。
• 在22个节点的网络上，RDP算法的运行速度比标准动态规划快100至600倍，且解质量损失可忽略不计。
• 在2028个节点的河流网络上，鲁棒比在2分钟内收敛，表明K的取值（设为K_u = K）适中即可实现近似最优性能。
• MRR策略（最大化鲁棒比）实现了最高的鲁棒比与最低的遗憾值，表明两种鲁棒性度量之间存在强相关性。
• 可视化结果显示，MRR策略将预算分配至多个关键区域，防止对抗性利用，而中点策略则将行动集中于主干河道。
• 在9335个节点的网络上，预算为5%时，MRR策略即使未将K调至收敛区域，仍保持高度鲁棒性，证实了其可扩展性与鲁棒性。