What if analysis through simula1on-op1miza1on hybrids Marco - - PowerPoint PPT Presentation

What ¡if ¡analysis ¡through ¡ simula1on-­‑op1miza1on ¡hybrids ¡

Marco ¡Gavanelli, ¡Fabrizio ¡Riguzzi ¡Univ. ¡of ¡ Ferrara ¡ Michela ¡Milano ¡Univ. ¡of ¡Bologna ¡ Barry ¡O’Sullivan, ¡4C, ¡University ¡College ¡Cork ¡ Alan ¡Holland, ¡4C, ¡University ¡College ¡Cork ¡

¡

Agenda ¡

Public ¡Policy ¡Making ¡ Scenario ¡genera1on ¡is ¡somewhat ¡arbitrary ¡ How ¡can ¡we ¡provide ¡decision ¡support? ¡

• Op1misa1on ¡

Simula1on ¡

Context: ¡Subsidies ¡for ¡renewable ¡technologies ¡ ¡

Outline

• Strategic ¡Environmental ¡Assessment ¡in ¡the ¡

Emilia-­‑Romagna ¡region ¡

• An ¡(Integer) ¡Linear ¡Programming ¡model ¡
• Regional ¡planning: ¡the ¡regional ¡energy ¡plan ¡

2011-­‑2013 ¡in ¡Emilia-­‑Romagna ¡

• Public ¡Policy ¡Making ¡
• Scenario ¡genera1on ¡is ¡somewhat ¡arbitrary ¡
• How ¡can ¡we ¡provide ¡decision ¡support? ¡
• Op1misa1on ¡
• Simula1on ¡
• Context: ¡Subsidies ¡for ¡renewable ¡technologies ¡

co-­‑axial ¡matrices ¡

Activities

M

Pressures

N

Receptors

co-­‑axial ¡matrices ¡

Activities

M

Pressures

N

Receptors Activities (93)

sewers aqueducts wind generators roads bridges dams mines wells movement of dangerous material information systems ....

co-­‑axial ¡matrices ¡

Activities

M

Pressures

N

Receptors Pressures

NEGATIVE: (29)

energy consumption water consumption modification of water flows dispersion of dangerous material production of waste

• prod. smells
• prod. noise
• prod. electromagnetic fields

risk of accidents ...

POSITIVE: (19)

creation of work opportunities reduction of pollution creation of new ecosystems savings of natural resources ...

co-­‑axial ¡matrices ¡

Activities

M

Pressures

N

Receptors Receptors (23)

Stability of riverbeds Quality of sea Quality of river waters Quality of underground water Quality of atmosphere Human wellbeing Quality of landscapes Availability of energy Value of cultural heritage ....

co-­‑axial ¡matrices ¡

Activities Pressures

N

Receptors

M

H M L Industrial transformations Gas emissions H M L

• Creat. work opport.

[ICLP'10] ¡LP ¡model ¡-­‑ ¡Strategic ¡ Environmental ¡Assessment ¡

• Qualita1ve ¡values ¡converted ¡into ¡

numerical ¡values, ¡suggested ¡by ¡the ¡expert ¡

• Given ¡a ¡vector ¡of ¡ac1vi1es, ¡compute ¡

pressures ¡as ¡ ¡

• and ¡receptors ¡as ¡

i i j j

a m = p j,

∑

∀

H M L H M L 0.75 0.5 0.25

• 0.25
• 0.5
• 0.75

i i j j

p n = r j,

∑

∀

Emilia ¡Romagna ¡ ¡ Regional ¡Energy ¡Plan ¡2011-­‑13 ¡

• EU ¡direc1ve ¡20-­‑20-­‑20: ¡objec1ves ¡for ¡2020 ¡

– 20% ¡reduc1on ¡CO2 ¡emissions ¡ – 20% ¡energy ¡comes ¡from ¡renewable ¡sources ¡

¡

2010 2020 energy savings 2013 energy requirements for 2013 20% from renewable sources

Renewable ¡energy ¡requirement ¡ ¡

• Requirement ¡for ¡2013: ¡ ¡
• 177 ¡kTOE ¡of ¡electricity ¡from ¡renewables ¡

¡

Hydroelectric Photovoltaic Thermodynamic solar Wind generators Biomasses

DSS ¡for ¡policy ¡makers ¡

We ¡developed ¡a ¡DSS ¡to ¡aid ¡policy ¡makers ¡

taking ¡complex ¡decisions ¡for ¡regional ¡planning ¡ ¡

Aspects ¡considered: ¡

¡impacts ¡of ¡ac1vi1es ¡and ¡strategies ¡contained ¡in ¡the ¡plan; ¡

• E.g. ¡Pollutants ¡in ¡the ¡air ¡/ ¡seawater, ¡etc. ¡

Receptors ¡

• E.g., ¡air ¡quality, ¡quality ¡of ¡the ¡waters, ¡etc. ¡

constraints ¡on ¡impacts ¡and ¡receptors; ¡ financial ¡aspects ¡and ¡budget ¡constraints; ¡ Objec1ves ¡and ¡EU ¡guidelines ¡

Costs ¡and ¡incen1ves ¡

Region ¡cannot ¡afford ¡to ¡build ¡the ¡plants ¡ Can ¡incen1vise ¡private ¡stakeholders ¡ What ¡results ¡can ¡be ¡expected? ¡ How ¡do ¡people ¡react ¡to ¡different ¡subsidy ¡ policies? ¡

Social ¡Simula1on ¡

Incentives, regional policies, taxes, ... simulator MW of installed power

Agent-­‑based ¡social ¡simula1on ¡aids ¡the ¡policy ¡ maker ¡to ¡understand ¡the ¡individual ¡perspec1ve ¡ In ¡the ¡literature ¡they ¡have ¡been ¡used ¡in ¡a ¡ generate ¡and ¡test ¡fashion ¡via ¡what ¡if ¡analysis ¡

Op1miza1on-­‑Simula1on ¡hybrids ¡

We ¡propose ¡to ¡integrate ¡op1miza1on ¡and ¡simula1on ¡ via: ¡

Machine ¡learning ¡ Mechanism ¡Design ¡ ¡

ML-­‑based ¡integra1on ¡

Simulator

DECISION OPTIMIZATION SUPPORT SYSTEM machine learning

POSSIBLE DECISIONS OPTIMAL SCENARIOS SCENARIOS OBSERVABLES

TRAINING SET

ENRICHED MODEL

Learned function

ML-­‑Based ¡Integra1on ¡& ¡ Op1misa1on ¡

Learn ¡Constraints ¡ for ¡DSS, ¡ ¡ Define ¡regional ¡ energy ¡plans ¡

Respect ¡budget ¡

• constraints. ¡

Simulator

DECISION OPTIMIZATION SUPPORT SYSTEM machine learning

POSSIBLE DECISIONS OPTIMAL SCENARIOS SCENARIOS OBSERVABLES

TRAINING SET

ENRICHED MODEL

BD-­‑based ¡integra1on ¡

Simulator DECISION OPTIMIZATION SUPPORT SYSTEM

POSSIBLE DECISIONS TENTATIVE OPTIMAL SCENARIO

OBSERVABLES

NO-GOODS

VALIDATION

Negative OPTIMAL SCENARIO Positive

Mechanism ¡Design ¡

Auc1on ¡Design ¡ Strategic ¡Self-­‑interested ¡agents ¡ Solu1on ¡Concept ¡

Nash ¡Equilibrium ¡

Incen1ve ¡Compa1ble ¡subsidy ¡auc1ons ¡

Budget ¡balance ¡ Efficiency ¡ Private ¡informa1on ¡

Design ¡Challenges ¡

Alloca1on ¡Monotonicity ¡

if ¡you ¡bid ¡more, ¡the ¡likelihood ¡of ¡being ¡awarded ¡a ¡ subsidy ¡increases ¡

Tractability ¡ Efficiency ¡

Example: ¡Disbursing ¡subsidies ¡for ¡ solar ¡panels ¡

Simple ¡Greedy ¡Algorithm ¡(to ¡spread ¡pain) ¡

• 1. order ¡devices ¡most ¡expensive ¡to ¡cheapest ¡
• 2. Assign ¡each ¡panel ¡in ¡turn ¡to ¡household ¡that ¡has ¡

lowest ¡declared ¡cost ¡imposi1on ¡thus ¡far. ¡

Non-­‑monotonicity ¡

• 3 ¡devices ¡{d1, ¡d2, ¡d3}, ¡wamage ¡{10, ¡9+ε, ¡9+ε}, ¡price{60,60,60} ¡
• 2 ¡house-­‑owners ¡{h1, ¡h2} ¡
• Private ¡informa,on: ¡Value ¡{5€/W, ¡(5-­‑ε)€/W} ¡
• Alloca,on: ¡d1→h1, ¡d2→h2, ¡d3→h2 ¡L

L ¡Inefficient! ¡

• L

L ¡Non-­‑Monotone ¡

• Increase ¡V2 ¡to ¡€5+ε/W ¡
• Alloca,on ¡decreases ¡in ¡size ¡
• Monotone ¡algorithms ¡required ¡

Non-­‑monotonicity ¡

• 3 ¡devices ¡{d1, ¡d2, ¡d3}, ¡wamage ¡{10, ¡9, ¡9}, ¡price{60,60,60} ¡
• 2 ¡house-­‑owners ¡{h1, ¡h2} ¡
• Private ¡informa,on: ¡Value ¡{5€/W, ¡4€/W} ¡
• Alloca,on: ¡d1→h1, ¡d2→h2, ¡d3→h2 ¡L

L ¡Inefficient! ¡

• L

L ¡Non-­‑Monotone ¡

• Increase ¡V2 ¡to ¡€5+ε/W ¡
• Alloca,on ¡decreases ¡in ¡size ¡
• Monotone ¡algorithms ¡required ¡

Non-­‑monotonicity ¡

10W 9W 9W

5€/W 4€/W

Solu1on ¡

Applica1on ¡of ¡monotone ¡alloca1on ¡scheme ¡ [Kovacs,2005] ¡ “Cri1cal ¡payment” ¡scheme ¡

Agent’s ¡don’t ¡pay ¡all ¡of ¡their ¡declared ¡value ¡ Payment ¡depends ¡on ¡lower ¡bidder(s) ¡

Implica1ons ¡

Simula1on ¡of ¡truthful ¡values ¡gives ¡more ¡accurate ¡ guidance ¡to ¡policy ¡makers ¡ ¡

Conclusion ¡

Problem: ¡mixing ¡regional ¡planning ¡with ¡ implementa1on ¡strategy. ¡ ¡ Approach ¡

planning ¡-­‑ ¡combinatorial ¡op1miza1on ¡problem ¡ Implementa1on ¡requires ¡a ¡simulator ¡to ¡ understand ¡complex ¡agent ¡interac1ons ¡

Technique ¡for ¡op1miza1on ¡+ ¡simula1on ¡ ¡ Two ¡alterna1ves ¡to ¡aid ¡this ¡process ¡