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 Receptors N

co-­‑axial ¡matrices ¡ sewers aqueducts Activities (93) wind generators roads Activities bridges M dams mines wells movement of dangerous material information systems .... Pressures Receptors N

co-­‑axial ¡matrices ¡ Pressures Activities NEGATIVE: (29) M energy consumption water consumption modification of water flows dispersion of dangerous material production of waste prod. smells Pressures prod. noise prod. electromagnetic fields risk of accidents Receptors ... N POSITIVE: (19) creation of work opportunities reduction of pollution creation of new ecosystems savings of natural resources ...

co-­‑axial ¡matrices ¡ Activities M Stability of riverbeds Quality of sea Receptors (23) Pressures Quality of river waters Quality of underground water Quality of atmosphere Human wellbeing Receptors Quality of landscapes N Availability of energy Value of cultural heritage ....

co-­‑axial ¡matrices ¡ M Activities Industrial transformations H H M L L M Pressures Creat. work opport. Receptors Gas emissions N

[ICLP'10] ¡LP ¡model ¡-­‑ ¡Strategic ¡ Environmental ¡Assessment ¡ H 0.75 • Qualita1ve ¡values ¡converted ¡into ¡ M 0.5 numerical ¡values, ¡suggested ¡by ¡the ¡expert ¡ 0.25 L -0.25 L • Given ¡a ¡vector ¡of ¡ac1vi1es, ¡compute ¡ M -0.5 pressures ¡as ¡ H -0.75 i j, p = m a ∑ ¡ ∀ j j i • and ¡receptors ¡as ¡ i j, r = n p ∑ ∀ j j i

Emilia ¡Romagna ¡ ¡ Regional ¡Energy ¡Plan ¡2011-­‑13 ¡ • EU ¡direc1ve ¡20-­‑20-­‑20: ¡objec1ves ¡for ¡2020 ¡ – 20% ¡reduc1on ¡CO 2 ¡emissions ¡ – 20% ¡energy ¡comes ¡from ¡renewable ¡sources ¡ ¡ energy savings energy requirements 20% from renewable for 2013 sources 2010 2013 2020

Renewable ¡energy ¡requirement ¡ ¡ • Requirement ¡for ¡2013: ¡ ¡ • 177 ¡kTOE ¡of ¡electricity ¡from ¡renewables ¡ ¡ Wind generators Biomasses Hydroelectric Thermodynamic Photovoltaic solar

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 ¡ simulator MW of installed Incentives, power regional policies, taxes, ... � 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 ¡ DECISION POSSIBLE OPTIMAL OPTIMIZATION DECISIONS SCENARIOS SUPPORT SYSTEM ENRICHED MODEL machine learning Learned function TRAINING SET SCENARIOS OBSERVABLES Simulator

ML-­‑Based ¡Integra1on ¡& ¡ Op1misa1on ¡ � Learn ¡Constraints ¡ DECISION POSSIBLE OPTIMAL OPTIMIZATION for ¡DSS, ¡ ¡ DECISIONS SCENARIOS SUPPORT SYSTEM � Define ¡regional ¡ ENRICHED MODEL energy ¡plans ¡ � Respect ¡budget ¡ machine learning constraints. ¡ TRAINING SET SCENARIOS OBSERVABLES Simulator

BD-­‑based ¡integra1on ¡ TENTATIVE DECISION POSSIBLE OPTIMAL OPTIMIZATION DECISIONS SCENARIO SUPPORT SYSTEM NO-GOODS Negative OBSERVABLES Simulator VALIDATION Positive OPTIMAL SCENARIO

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 ¡ 5€/W 10W 9W 4€/W 9W

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 ¡