이 글은 논문 Robust Optimization for Process Scheduling Under Uncertainty(2008) 에 대한 설명입니다. 논문 원본에 대한 링크는 아래에 적어놓았습니다.
논문 원본 : https://pubs.acs.org/doi/full/10.1021/ie071431u
이 논문은 Robust Optimization을 이용한 공정 스케줄링의 불확실성 문제를 다룬다.
Robust counterpart optimization은 기존의 시나리오 기반의 확률적 프로그래밍 방법에 비해, 불확실한 파라미터 수에 따라 문제의 규모가 증가하지 않는다는 이점을 갖는다.
Soyster’s worst-case scenario formulation, Ben-Tal and Nemirovski’s formulation, and a formulation proposed by Bertsimas and Sim라는 세가지 Robust counterpart optimization 공식을 연구하여 불확실한 스케줄링 문제를 풀었다.
결과적으로는 Bertsimas and Sim이 제안한 model이 불확실한 스케줄링 문제에 가장 적합한 모델이다.
-> Bertsimas and Sim이 제안한 model의 이점
불확실성을 갖는 Process scheduling에 대해 많은 현장에서 큰 관심을 가지고 있는데 이는 스케줄링과 관련된 많은 매개변수가 정확히 알려져 있지 않기 때문이다.
불확실성을 처리하는 스케줄링 방법은 Reactive scheduling과 Preventive scheduling으로 나뉜다. 이 논문에서는 Preventive scheduling에 대해 다룬다.
Robust schedule을 생성할 때는 시나리오 기반 확률 프로그래밍과 Robust counterpart optimization이 있다.
과거 Robust scheduling 연구들은 시나리오 기반 formulation을 따르고 있으며, 이들은 불확실한 parameter의 수가 늘어날 때마다 시나리오 수가 기하급수적으로 증가하는 문제가 있다. 이 때문에 다수의 불확실한 parameter가 존재하는 문제를 해결할 때 어려움을 겪는다.
이러한 시나리오 기반 formulation의 대안으로 Robust counterpart optimization이 제안되었다.
Robust counterpart optimization의 주요 장점은 불확실한 데이터의 기본 확률 분포에 대한 가정이 필요하지 않으며, Risk에 대한 다른 Attitudes를 통합하는 방법을 제공한다는 것이다.
Robust Optimization의 목적은 불확실한 데이터에 따라 다양하게 발생하는 결과에 잘 대처할 수 있는 Solution을 선택하는 것이다. 이때 불확실한 데이터는 알 수는 없지만 경계가 있는 것으로 가정되며, 그 공간의 Convexity를 가정한다.
불확실한 Parameter를 갖는 최적화 문제는 Robust counterpart optimization 문제로 재구성된다. 이때 불확실성 데이터의 확률 분포에 대한 정보를 요구하지 않고, Expected value objective function을 최적화하지 않는다. 단지, 주어진 불확실한 공간 전체에 대해 실현 가능성을 적용함으로써 견고성과 유연성을 보장한다.
이 논문에서는 MILP 문제를 가정하여 Robust counterpart optimization formulations가 제시된다.
(1) 목적함수는 제약조건으로 변환될 수 있다.
(2) The right-hand-side 값이 불확실한 경우 고정값이 1인 Xn+1을 도입해 원래 제약조건을 아래와 같이 변경할 수 있다.
(3) X의 계수가 불확실한 파라미터라고 가정하면 아래와 같이 전개된다.
위와 같은 Formulation에서의 제약식의 목적은 불확실한 계수의 모든 가능한 값에 대해 솔루션이 가능한 상태로 유지되도록 보장하는 것이다.
해당 Formulation을 사용하는 이유는 불확실성으로부터 최대한의 보호(매우 보수적) 를 받기 위함이다. 하지만 데이터의 모든 실현 가능성이 고려되기 때문에 솔루션이 지나치게 비관적일 수 있으며 문제가 실현 불가능할 가능성이 높아진다.
-> 예를들어, 모든 처리시간과 모든 수요가 Maximum을 취하는 경우, Plant가 고정된 시간 범위 내에서 수요를 충족할 수 없기 때문에, 실행 불가능한 Schedule이 발생할 수 있다.
위 식은 최대 Budget parameter까지 불확실한 파라미터가 동시에 Worst-case를 얻을 수 있다는 요건을 나타낸다. Budget parameter가 정수로 나타났을 때 명확히 알 수 있다.
따라서, Robust formulation은 아래와 같다.
이 모델에서는 Budget parameter로 Worst-case를 동시에 취할 수 있는 계수의 수를 제한하기 때문에 Linear formulation이 유지된다.
그리고 Bertsimas and Sim은 Robust counterpart formulation에 대해, 제약 조건 위반에 대한 확률 경계를 계산했다.
(1) Soyster's formulation
n + q개의 변수와 m + 2q개의 제약조건을 가지며, Linear formulation이지만 솔루션의 보수성을 제어할 수 없다.
Soyster의 worst-case formation은 변수와 제약이 최소인 가장 단순한 공식이지만 솔루션 보수성을 조정할 수 없기 때문에 생성된 솔루션이 지나치게 비관적일 수 있다.
(2) Ben-Tal and Nemirovski's Formulation
n + 2k개의 변수와 m + 2k개의 제약조건을 갖는 2차 원뿔 문제(비선형)이며, 제약 조건 위반 확률에 대한 파라미터를 통해 보수성의 정도를 제어할 수 있다.
(3) Bertsimas and Sim's Formulation
n + j + k + q개의 변수와 m + k + 2q개의 제약조건을 갖는 선형 최적화 문제이며, Budget parameter를 통해 솔루션의 보수성의 정도를 제어한다.
솔루션 보수성을 조정할 수 있는 유연성을 가진 선형 공식으로, 문제 크기가 크게 증가하지 않는다. 모든 Robust counterpart formulation은 Original deterministic formulation과 동일한 수의 이항 변수를 가집니다.
(12) : n시점에서 각 단위의 작업을 하나만 수행 가능하다.
(13) : 물질적 균형
(14), (15) : 생산 단위의 저장 및 용량 제한
(16) : Demand 제약
(17)~(24) : 생산 단위에서 Task 지속시간 및 시퀀스 요건에 따른 시간제한
이 예는 Ierapetritou, Floudas[4]에서 가져온 것으로, 3개의 Feed를 사용하여 2개의 제품을 생산한다. 이 예를 통해 다른 유형의 불확실성을 고려해 이전에 언급된 3가지 Robust counterpart optimization 기법을 비교한다.
Soyster 공식은 Worst-case(제품 1,2의 최소 가격은 9.5, 14.25 / 원자재 비용의 최대값은 5.25, 5.25, 5.25)에 대해 푼 결과로 959.56이다.
Ben-Tal 공식은 제약을 위반할 확률을 최대 28.4%와 10%의 두가지 경우로 문제를 풀었다.
Bertsimas-Sim 공식은 0~5사이의 Budget parameter를 사용해 풀었다.
결과적으로, 제약 위반 최대 확률이 같을 때, Bertimas-Sim의 공식이 Ben-Tal보다 더 높은 이익을 창출하며, 이는 Ben-Tal 공식이 더 보수적임을 의미한다.
제품 2가 제품 1보다 가치가 높기 때문에 <Figure 2> 에서는 제품 1을 52, 제품 2를 87.5만큼 생산하고자 한다.
하지만 제품 1, 2의 수요가 [25, 75]의 범위에 있기 때문에 불확실한 범위를 포함하는 Feasible한 스케줄은 <Figure 3> 과 같으며, 제품 1과 2를 각각 58, 70.3만큼 생산한다.
이 예는 Wu, Ierapetritou[5]에서 가져온 것으로 3개의 Feed로 8개의 Task를 통해 4개의 제품을 생산한다. 그리고 중간에는 9개의 Intermediates(중간체)가 존재한다. 전체 공정에서 총 6개의 다른 Units도 필요하다.
프로세스 스케줄링 문제에서 발생하는 다양한 불확실성에 대처하는 Robust preventive schedule을 생성하기 위한 연구는 주로 시나리오 기반의 확률적 스케줄링으로 이뤄졌었다. 하지만 이 방법은 불확실성을 갖는 parameter가 증가할 때마다 문제의 크기가 기하급수적으로 증가한다는 단점이 있다.
이러한 단점을 극복하기 위해 Robust counterpart optimization이 등장했다. 이 논문에서는 3가지의 Robust counterpart optimization을 연구하고 성능을 비교했다. 그 결과 Bertsimas, Sim[3]에 의해 제안된 Formulation이 불확실성을 갖는 스케줄링 문제에 적합하며, 문제의 크기를 실질적으로 증가시키지 않고, 선형성을 유지하며, 모든 제약 조건에 대한 conservatism의 정도를 제어하고 Budget paraneter를 사용하여 Robust optimization 문제에 대한 실현 가능성을 보장한다.
[1] Soyster, A. L. Convex programming with set-inclusive constraints and applications to inexact linear programming. Oper. Res. 1973, 21, 1154.
[2] Ben-Tal, A.; Nemirovski, A. Robust solutions of Linear Programming problems contaminated with uncertain data. Math. Prog. 2000, 88, 411.
[3] Bertsimas, D.; Sim, M. Robust Discrete optimization and Network Flows. Math. Prog. 2003, 98, 49.
[4] Ierapetritou, M. G.; Floudas, C. A. Effective continuous-time formulation for short-term scheduling. 1. Multipurpose batch processes. Ind. Eng. Chem. Res. 1998, 37, 4341.
[5] Wu, D.; Ierapetritou, M. G. Decomposition approaches for the efficient solution of short-term scheduling problems. Comput. Chem. Eng. 2003, 27, 1261.
[6] Lin, X.; Janak, S. L.; Floudas, C. A. A new robust optimization approach for scheduling under uncertainty: I. bounded uncertainty. Comput. Chem. Eng. 2004, 28, 1069.
[7] Ierapetritou, M. G.; Floudas, C. A. Effective continuous-time formulation for short-term scheduling. 1. Multipurpose batch processes. Ind. Eng. Chem. Res. 1998, 37, 4341.