[论文解读] Sparsity-Constrained Transportation Problem

Annie I. Chen, Stephen C. Graves|arXiv (Cornell University)|Feb 10, 2014

Optimization and Mathematical Programming参考文献 4被引用 3

一句话总结

本文提出了一种两阶段的稀疏化-优化算法，用于求解具有入库流量稀疏性约束的大规模运输问题，实现了在线零售供应链中高效的商品库存定位。该方法在计算速度上比混合整数规划（MIP）快达166倍，同时获得接近最优的解（平均间隙为5%），并可扩展至64个商品规模，而MIP因内存限制无法求解。

ABSTRACT

We study the solution of a large-scale transportation problem with an additional constraint on the sparsity of inbound flows. Such problems arise in the management of inventory for online retailers that operate with many order fulfillment centers; each stock-keeping unit is typically kept in a limited number of these order fulfillment centers so as to reduce the operational overhead in the supply chain network. We propose a computationally efficient algorithm that solves this sparsity-constrained optimization problem while bypassing complexities of the conventional integer programming approach. The effectiveness of the algorithm is demonstrated through a series of numerical experiments on synthetic data.

研究动机与目标

• 为解决大规模在线零售网络中库存定位的挑战，其中每个商品仅需存储在有限数量的履行中心，以减少运营开销。
• 开发一种计算高效的替代方法，用于求解具有入库流量稀疏性约束的大规模运输问题，替代混合整数规划（MIP）。
• 为稀疏入库运输问题提供可扩展的、接近最优的解决方案，此类问题因内存和时间限制而对传统MIP方法不可行。
• 通过在不同规模的合成数据上进行数值实验，证明所提算法的有效性。

提出的方法

• Sparsify-Improve算法包含两个阶段：首先，通过贪心稀疏化步骤，基于成本和流量大小为每个商品选择一组履行中心，以满足稀疏性约束。
• 其次，通过局部优化阶段，利用线性规划在稀疏性约束下调整流量，以进一步降低总成本。
• 稀疏化阶段采用启发式方法，优先选择流量贡献高且边际成本低的履行中心，从而在保持可行性的同时确保稀疏性。
• 优化阶段求解一系列稀疏线性规划（sparse-LPs），在每个商品固定的活跃履行中心集合下优化流量分配。
• 算法参数设置为 $k_1 = \lceil \sqrt{|I|} \rceil$ 用于稀疏化，$k_2 = 20$ 用于优化迭代次数，以实现计算效率的最优平衡。
• 该方法通过将稀疏性约束视为组合选择问题，并采用迭代局部优化求解，避免了MIP中的整数约束。

实验结果

研究问题

• RQ1 启发式两阶段算法是否能在求解具有入库流量稀疏性约束的大规模运输问题时优于混合整数规划（MIP）？
• RQ2 Sparsify-Improve算法如何在显著降低计算时间的同时，保持较高的解质量（最优性间隙）？
• RQ3 该算法在问题规模上的可扩展性如何，特别是在MIP因内存限制而失效的情况下？
• RQ4 算法参数 $k_1$ 和 $k_2$ 如何影响解质量与计算开销之间的权衡？
• RQ5 所提方法是否可有效应用于包含数千个商品和履行中心的真实在线零售库存定位问题？

主要发现

• Sparsify-Improve算法在所有测试问题规模下均实现了平均5%的最优性间隙，解始终在MIP最优成本的5%以内。
• 对于64个商品的问题，MIP因内存耗尽而失败，无法输出结果，而Sparsify-Improve算法在1,058.28秒内完成。
• 对于最小规模实例（$|I|=1$），Sparsify-Improve算法相比MIP将平均计算时间减少了166.09倍，且随着问题规模增大，性能优势进一步提升。
• 平均而言，Sparsify-Improve算法在 $|I|=8$ 情况下比MIP快44.03%，在 $|I|=16$ 时速度提升比达到29.77倍。
• 该算法在每种问题规模下10个随机网络实例中均表现出稳健性，解质量稳定且方差极低。
• 该方法成功处理了最多64个商品和100个需求区域的问题，展现出在MIP因内存限制而不可行时的可扩展性。