lareton / transport_network_optimization

Исследование ускоренных покомпонентных методов поиска равновесий в двухстадийной модели равновесного распределения транспортных потоков

Имплементации экспериментов для статьи: "Об ускоренных покомпонентных методах поиска равновесий в двухстадийной модели равновесного распределения транспортных потоков"

https://arxiv.org/abs/2307.10469

В репозитории имплементирована транспортная двухстадийная модель (файл transport_problem.py - class DualOracle) и несколько различных алгоритмов оптимизации:

• USTM - универсальный метод подобных треугольников (Universal Method of Similar Triangles): градиентный шаг сразу по всем переменным.
• USTM-Sinkhorn - градиентный шаг по t и решение задачи по остальным переменным с помощью алгоритма Синхорна
• ACRCD* - ускоренный покомпонетный метод (Accelerated by Coupling Ran- domized Coordinate Descent – ACRCD) - оптимизация происходит по блокам переменных - вероятность выбора блока зависит от (не)гладкости функции по данному блоку.

P. S. Для метода ACRCD* убрана адаптивность по (не)гладкости из-за проблем со сходимостью - запуски производились с подобранными константами гладкости.

Репозиторий содержит результаты вычислительных экспериментов по качеству сходимости перечисленных методов на реальных графах. Для тестирования использовались графы из репозитория. Для того чтобы оценивать сходимость методов было выбрано два критерия: зазор двойственности (разность между значением прямой и двойственной функции) и норма градиента по переменным λ и μ. Итоговая метрика объединяет оба критерия:

  # results: AlgoResults from algorithms
  x = results.history_count_calls
  dual_gap = results.history_dual_gap
  dual_gap_clipped = np.maximum(0, dual_gap)
  la_mu_end_norm = np.linalg.norm(np.hstack([oracle_stacker.optim_params.la, oracle_stacker.optim_params.mu]))               
  metric = 2 * np.array(results.history_la_mu_grad_norm) * la_mu_end_norm + dual_gap_clipped

  # (x, metric) - result plot

Метрики фиксировались относительно текущего кол-ва оракульных вызовов. Графики всех экспериментов можно найти в папке.

Эксперименты

Создание среды

>>> conda create --name transport_env -c conda-forge graph-tool
>>> conda activate transport_env
>>> pip install -r requirements.txt
>>> conda install ipykernel
>>> python -m ipykernel install --user --name transport_env --display-name "transport_env"

Запуск и сравнение всех алгоритмов: comparison of all algorithms

Тестирование покомпонетных методов на тестовой задаче:

• TestProblem

Реализации самих методов и интерфейсов для работы с транспортной задачей:

• USTM
• USTM_Sinkhorn
• ACRCD*

Ноутбуки с использование каждого из перечисленных алгоритмов в отдельности (неактуально)

• USTM
• USTM_Sinkhorn
• ACRCD*

Тестовая задача

Для проверки эффективности покомпонентного метода на описанном в статье классе min-min задач сначала была введена "искусственная" тестовая задача оптимизации, зависящая от двух блоков переменных: TestProblem. На ней провелось сравнение алгоиртмов USTM и ACRCD*.

Определение тестовой задачи

Результаты экспериментов показали что метод эффективен на данной задаче достичь одного и того же значения метрики можно за значительно меньшее кол-во обращений к "дорогому" оракулу. Это означает что с помощью данного метода для описанных задач достигается общее ускорение по времени работы алгоритма.

После этого было проведено тестирование на транспортной задаче. Используемые графы:

• SiouxFalls
• Anaheim
• Chicago
• Berlin

Транспортная задача

Описанные алгоритмы было запущены на нескольких графах, получены схожие результаты

Визуализация сравнения алгоритмов на графе Anaheim

Визуализация сравнения алгоритмов на графе Sioux Falls

Заключение

График демонстрирует, что применительно к задаче поиска равновесий в двухстадийной модели, из-за того, что оракул по негладкому блоку переменных сильно дороже оракула по гладкому блоку, получается, что эффект от расщепления оракульных сложностей проявляется не так ярко, как потенциально мог бы проявляться в целом на рассматриваемом классе min-min задач. Поэтому ключевую роль играют именно численные эксперименты, которые показали, что алгоритм ACRCD, хоть и является "физичным", однако работает хуже, чем обычный USTM и USTM-Sinkhorn!