Non-convex Optimization in Networks
Upcoming SlideShare
Loading in...5
×
 

Non-convex Optimization in Networks

on

  • 2,507 views

Some attempts to improve non-convex optimization algorithms for problems in networks

Some attempts to improve non-convex optimization algorithms for problems in networks

Statistics

Views

Total Views
2,507
Views on SlideShare
2,497
Embed Views
10

Actions

Likes
0
Downloads
29
Comments
0

1 Embed 10

http://www.slideshare.net 10

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Non-convex Optimization in Networks Non-convex Optimization in Networks Presentation Transcript

  • Summer 2008 Internship Report Advisor: Prof. Angela Y. Zhang The Chinese University of Hong Kong, Hong Kong Student: Pratik Poddar Indian Institute of Technology Bombay, India Topic: Non­Convex Optimization  Problems in Networks    
  • Introduction 3 topics to be discussed:  1) Polyblock Algorithm for Monotonic Optimization 2) Network Utility Maximization 3) Internet Congestion Control Problem    
  • Basics of Optimization ● Standard Optimization problem ● Linear Optimization problem ● Convex Optimization problem ● Monotonic Optimization problem    
  • Polyblock Algorithm ● We have had two major events in the history of  optimization theory. ●  The first was linear programming and simplex  method in late 1940s­ early 1950s. ● The second was convex optimization and interior  point method in late 1980s­ early 1990s.     
  • Polyblock Algorithm ● Convex optimization problems are known to be  solved, very reliably and efficiently. ● "..in fact, the great watershed in optimization isn't  between linearity and nonlinearity, but convexity  and nonconvexity" ­ R. Tyrrell Rockafellar, in   SIAM Review, 1993    
  • Polyblock Algorithm ● Current research in optimization is mainly to have  that third event ­ Solving non­convex optimization  efficiently. Although solving convex optimization  problems is easy and non­convex optimization  problems is hard, but a variety of approaches have  been proposed to solve non­convex optimization  problems.    
  • Polyblock Algorithm ● In 2000, H. Tuy proposed an algorithm to solve  optimization problems involving d.i functions under  monotonic constraints. ● This algorithm (Polyblock Algorithm) was inspired  by the idea of Polyhedral Outer Approximation  Method for maximizing a quasi­convex function  over a convex set.    
  • Polyblock Algorithm ● What is a polyblock?  ● Then what is the difference between a polyblock and  a polyhedron? ● What are its properties? ● How is polyblock algorithm implemented?    
  • Polyblock Algorithm as in [1]    
  • Implementation of Polyblock Algorithm ● Consider the following optimization problem:                             minimize    x1 + x2                                                          such that     (x1­3)  + 9(x2­3) ≥ 0                   3                                    5x1 + 6x2 – 36 ≤ 0                                                         (x1,x2) ∊ [0,6]2    
  • Implementation of Polyblock Algorithm ● Feasible region of the problem    
  • Implementation of Polyblock Algorithm    
  • Introduction 3 topics to be discussed: 1) Polyblock Algorithm for Monotonic Optimization 2) Network Utility Maximization 3) Internet Congestion Control Problem    
  • Network Utility Maximization ● The framework of Network Utility Maximization  (NUM) has found many applications in network rate  allocation algorithms and Internet Congestion  Control Protocols.    
  • Network Utility Maximization ● Problem: Consider a network with L links, each with  a fixed capacity cl bps, and S sources (i.e. end  users), each transmitting at the rate of xs bps. Each  source s uses the set L(s) of links in its path and has  a utility function Us(xs). Each link l is shared by a set  S(l) of sources. So, Network Utility Maximization is  basically the problem of maximizing the total utility  of the system over source rates subject to congestion  constraints for all links.    
  • Network Utility Maximization Mathematically,    
  • Network Utility Maximization ● Concave Utilities ­ Follows from Law of  Diminishing Marginal Utilities. Convex  Optimization Problem. ● U(x) = log (1+x) U(x) x    
  • NUM for Concave Utilities ● The problem of Network Utility Maximization in  case of concave utilities is essentially a convex  optimization problem which is solvable efficiently  and exactly.    
  • Network Utility Maximization ● Non­Concave Utilities – In multimedia applications  on Internet, the utilities are non­concave. Non­ convex optimization problem.  ● U(x) =  (1 + e­ax+b) ­1  U(x) x    
  • NUM for Non-Concave Utilities ● The problem is a non­convex optimization problem.  Three ways have been suggested to solve it. ● In [3],  a 'self­regulation' heuristic is proposed,  however it converges only to a sub­optimal solution. ● In [4], a set of sufficient and necessary conditions is  presented under which the canonical distributed  algorithm converges to a global optimal solution.  However, these conditions may not hold in most  cases.    
  • NUM for Non-Concave Utilities ● In [2], Using a family of convex SDP relaxations  based on the sum­of­squares method and  Positivestellensatz Theorem in real algebraic  geometry, a centralized computational method to  bound the total network utility in polynomial time is  proposed. ● This is effectively a centralized method to compute  the global optimum when the utilities can be  transformed into polynomial utilities.    
  • NUM for Non-Concave Utilities ● In summary, currently there is no theoretically  polynomial­time algorithm (distributed or  centralised) known for non­concave utility  maximization. ● We worked to find ways to convexify the above  problem.     
  • Idea and motivation ● The set may not be a convex set but if it can be  broken into a constant number of convex sets, we  can solve the problem in polynomial time.    
  • Idea and motivation    
  • Idea and motivation    
  • Idea and motivation    
  • Motivation ● By this method, we can solve NUM problem in  polynomial time. NUM finds applications in  network rate allocation algorithms and Internet  Congestion Control Protocol.    
  • Introduction Not so much related topics: 1) Polyblock Algorithm for Monotonic Optimization 2) Network Utility Maximization 3) Internet Congestion Control Problem    
  • Internet Congestion Control ● Internet relies on congestion control implemented in  the end­systems to prevent offered load exceeding  network capacity, as well as allocate network  resources to different users and applications. ● In the past, the applications (email, file transfer) had  concave utilities (i.e were elastic). As number of  multimedia applications are increasing, there are  various talks on different congestion controls.    
  • Internet Congestion Control ● In [5], It has been argued that fairness congestion  control does not maximize the network's utility.  Infact, Admission control is shown to be better  control (in terms of both elastic and inelastic  utilities) than Fair Congestion Control in a  simplified case.  ● Let α be the desired rate of inelastic flows, m be the  number of inelastic flows and n be the number of  elastic flows.     
  • Fair Congestion Control ● Perform TCP­friendly congestion control. We model  it as the same fair congestion control as adopted for  elastic flows, with a slight difference. When the fair  share is smaller than α, then the fair share is used,  but when the fair share is greater than α, the  inelastic flow would still consume α.    
  • Admission Control ● Perform admission control but no congestion control  once admitted. Assume the network already has n  elastic flows and m inelastic flows, a new inelastic  flow is admitted iff nε + (m­1)α <=1 ● Here ε represents the minimum rate admission  control scheme tries to leave for elastic traffic.  Depending upon α, we can have two cases:    
  • Aggressive Admission Control ● ε <<< α – The arriving flow is admitted as long as it  is possible to allocate to it the desired rate of α, even  if this means all elastic flows have to run at their  minimum rate of ε. ● So, an inelastic flow is admitted iff (m+1)α ≤ 1 and  an elastic flow is always admitted.    
  • Fair Admission Control ● ε = α – The arriving flow is admitted as long as its  desired rate is no greater than the prevailing fair  share for each elastic flow. ● So, an inelastic flow is admitted iff (m+n+1)α ≤ 1  and an elastic flow is always admitted. ● In [5], it is proved that Fair Admission control is  better than both Aggressive Admission contol and  Fair Congestion Control.    
  • Idea ● Solving the optimization problem using the  polyblock algorithm would help us to prove (or  disprove) that admission control is better than fair  congestion control. ● Status: Coding to check it under progress.    
  • Thank You...........    
  • Bibliography ● [1] H. Tuy, ”Monotonic Optimization: Problems and Solution Approaches”,  SIAM Journal on Optimization, 11:2(2000), 464­494 ● [2]  M. Fazel, M. Chiang, ”Network Utility Maximization With Nonconcave  Utilities Using Sum­of­Squares Method”, Proc. IEEE CDC, December 2005 ● [3] J.W.Lee, R.R. Mazumdar, N. Shroff, ”Non­convex optimization and rate  control for multi­class services in the Internet”, Proc. IEEE Infocom, March  2004  ● [4] M. Chiang, S. Zhang, P. Hande, ”Distributed rate allocation for inelastic  flows: Optimization framework, optimality conditions, and optimal  algorithms”, Proc. IEEE Infocom, March 2005  ● [5] D. M. Chiu, A. ­S. W. Tam, ”Fairness of traffic controls for inelastic  flows in the Internet”, Comput. Netw. (2007), doi:10.1016/j.comnet.   2006.12.2006