[论文解读] The discrete moment problem with nonconvex shape constraints

Xi Chen, Simai He+3 more|arXiv (Cornell University)|Aug 7, 2017

Risk and Portfolio Optimization参考文献 39被引用 3

一句话总结

本文通过利用反凸优化，开发了一种求解具有非凸形状约束（特别是对数凹性和恒定失效率（IFR）分布）的离散矩问题的精确算法。证明了最优极点解在最多 m 个部分内为分段几何形式，适用于低维参数空间中的高效计算，并且其边界比单峰松弛更紧致。

ABSTRACT

The discrete moment problem is a foundational problem in distribution-free robust optimization, where the goal is to find a worst-case distribution that satisfies a given set of moments. This paper studies the discrete moment problems with additional "shape constraints" that guarantee the worst case distribution is either log-concave or has an increasing failure rate. These classes of shape constraints have not previously been studied in the literature, in part due to their inherent nonconvexities. Nonetheless, these classes of distributions are useful in practice. We characterize the structure of optimal extreme point distributions by developing new results in reverse convex optimization, a lesser-known tool previously employed in designing global optimization algorithms. We are able to show, for example, that an optimal extreme point solution to a moment problem with $m$ moments and log-concave shape constraints is piecewise geometric with at most $m$ pieces. Moreover, this structure allows us to design an exact algorithm for computing optimal solutions in a low-dimensional space of parameters. Moreover, We describe a computational approach to solving these low-dimensional problems, including numerical results for a representative set of instances.

研究动机与目标

• 解决离散矩问题在非凸形状约束（如对数凹性与 IFR）下缺乏理论与计算框架的问题。
• 刻画在这些非凸约束下最优极点分布的结构。
• 开发一种在低维参数空间中求解此类问题的精确计算算法。
• 通过数值结果表明，对数凹性约束相比单峰松弛可获得更紧的边界。
• 将矩问题解的适用性扩展到实际鲁棒优化场景，其中对数凹性或 IFR 分布较为常见。

提出的方法

• 使用反凸优化（一种在全局优化中较少为人所知的工具），分析并构建在非凸形状约束下的最优解结构。
• 通过将问题转化为涉及隐函数导数的非线性方程组，推导出最优性的解析条件。
• 在单变量区间上应用牛顿法求解最优性条件的根，确保收敛至全局最优解。
• 通过施加约束 α + β ≤ 0，确保在分布中间索引处满足对数凹性，从而保持形状特性。
• 将原始高维问题简化为对关键参数（α, β）的低维参数化搜索，实现精确解的计算。
• 采用参数化公式，其中最优解通过求解由 KKT 条件和隐函数导数导出的方程组来确定。

实验结果

研究问题

• RQ1 具有非凸对数凹性形状约束的离散矩问题的最优极点解具有何种结构形式？
• RQ2 反凸优化如何应用于刻画非凸分布约束下的全局最优解？
• RQ3 在离散矩问题中，强制实施对数凹性是否能比单峰性获得更紧的尾部概率边界？
• RQ4 在低维参数空间中，此类问题的精确求解在计算复杂度和可行性方面如何？
• RQ5 与仅使用矩或单峰约束相比，对数凹性和 IFR 约束在多大程度上改善了鲁棒优化结果？

主要发现

• 具有 m 个矩和对数凹性约束的离散矩问题的最优极点解为分段几何形式，且最多包含 m 个部分。
• 所提出的算法通过将问题简化为对关键参数的一维搜索，实现精确解的计算，从而支持全局优化。
• 数值结果表明，对数凹性约束相比单峰松弛可显著获得更紧的尾部概率上下界。
• 当 n=5, S₁=1.9, S₂=1.3 时，对数凹性边界的范围为 0.9000–1.0000，而单峰松弛的边界为 0.8750–1.0000。
• 当 n=11, S₁=5.2, S₂=15.1 时，对数凹性边界的范围为 0.9310–0.9921，而单峰松弛的边界更松，为 0.9208–1.0000。
• 在所有测试实例中，该方法均获得了更紧的边界，证实了强制实施更强形状约束（如对数凹性）的价值。