[论文解读] Scenario-based Stochastic Constraint Programming

Suresh Manandhar, Ş. Armağan Tarim+1 more|ArXiv.org|May 22, 2009

Constraint Satisfaction and Optimization参考文献 9被引用 28

一句话总结

本文通过引入基于情景的语义，扩展了随机约束规划，使其能够编译为传统约束规划，从而可使用现有求解器。该方法支持多个机会约束、多样化的目标（如下行风险最大化），并能生成鲁棒解，已在金融、农业和生产等实际应用中通过随机OPL实现。

ABSTRACT

To model combinatorial decision problems involving uncertainty and probability, we extend the stochastic constraint programming framework proposed in [Walsh, 2002] along a number of important dimensions (e.g. to multiple chance constraints and to a range of new objectives). We also provide a new (but equivalent) semantics based on scenarios. Using this semantics, we can compile stochastic constraint programs down into conventional (nonstochastic) constraint programs. This allows us to exploit the full power of existing constraint solvers. We have implemented this framework for decision making under uncertainty in stochastic OPL, a language which is based on the OPL constraint modelling language [Hentenryck et al., 1999]. To illustrate the potential of this framework, we model a wide range of problems in areas as diverse as finance, agriculture and production.

研究动机与目标

• 解决先前随机约束规划框架的局限性，这些框架假设随机变量相互独立，且仅支持单一全局机会约束。
• 支持建模涉及不确定性的复杂现实决策问题，如金融、农业和生产计划领域的问题。
• 提供一个灵活的框架，支持超出期望值的多种目标，包括下行风险最大化和解的鲁棒性。
• 通过基于情景的语义，将随机规划编译为标准约束规划，从而实现与现有约束求解器的集成。
• 通过情景缩减和鲁棒解技术降低计算复杂度，以最小化解的不稳定性（solution nervousness）。

提出的方法

• 为随机约束规划引入基于情景的语义，其中每个情景代表随机变量的一种可能实现，从而实现与传统约束规划的等价性。
• 通过枚举情景并将约束编码于所有可能结果之上，将随机约束规划编译为标准约束规划。
• 支持多个机会约束，每个约束要求在至少 θ 比例的情景中满足，且阈值可针对每个约束独立配置。
• 通过 `robust <Var>;` 声明引入鲁棒性，确保所选决策变量在所有情景中取相同值，从而减少解的不稳定性。
• 采用随机规划中的情景缩减技术（如 Dupacová 等人提出的方法），在保持解质量的前提下最小化情景数量。
• 利用结合约束规划与整数规划技术的混合求解器，高效求解编译后的非随机规划问题。

实验结果

研究问题

• RQ1 如何扩展随机约束规划以支持具有独立阈值的多个机会约束，而非单一全局约束？
• RQ2 是否可以使用基于情景的语义将随机约束规划编译为传统约束规划，而无需修改现有求解器？
• RQ3 如何有效建模并优化期望值之外的目标，如最大化下行风险或最小化波动范围？
• RQ4 可采用哪些技术在保持解质量与计算可处理性的前提下减少情景数量？
• RQ5 如何生成鲁棒解以最小化动态不确定性决策中的解的不稳定性？

主要发现

• 基于情景的语义提供了随机约束规划的等价重表述，使其可编译为标准约束规划，从而在现成求解器上执行。
• 该框架支持具有独立阈值的多个机会约束，显著提升了原始 Walsh（2002）公式的表达能力。
• 在随机OPL中的实现成功建模了多种现实世界问题，包括债券投资组合平衡、护士排班以及生产/库存控制。
• 通过 `robust <Var>;` 声明生成的鲁棒解通过在所有情景中固定关键决策变量，有效减少了解的不稳定性，但代价是期望目标值升高。
• 情景缩减技术在保持解质量的同时有效减少了情景数量，提升了计算效率。
• 该框架支持广泛的目标类型，包括下行风险最大化和波动范围最小化，使决策能够超越期望值优化，实现风险感知决策。