샘플 평균 기반 확률동적계획과 모델예측제어의 샘플 외 성능 비교

초록

**
본 논문은 샘플 평균 근사(SAA) 기반 확률동적계획(SDP)과 모델예측제어(MPC)의 샘플 외(out‑of‑sample) 성능을 비교한다. 비용‑대‑수익 함수가 볼록 혹은 오목일 때, MPC가 평균 제약을 갖는 분포 모호성(DRO) 문제와 동등함을 보이며, 실제 평균이 알려진 경우 성능 보장을 제공한다. 특히 가격 변동이 오른쪽 꼬리가 두꺼운 비대칭 분포일 때, 작은 샘플 크기에서도 MPC가 SDP보다 우수할 수 있음을 수익 최적화 예제로 증명한다.

**

상세 분석

**
이 연구는 다단계 확률 최적화에서 흔히 마주치는 “샘플이 적은” 상황을 정밀히 분석한다. 저자들은 먼저 전통적인 샘플 평균 근사(SAA)를 이용해 확률동적계획(SDP)과 모델예측제어(MPC)를 각각 정의한다. SDP는 베일만 연산자를 통해 기대값을 직접 계산하지만, 샘플 수 N이 작을 경우 기대값 추정이 크게 왜곡될 위험이 있다. 반면 MPC는 N개의 샘플 평균 μ_N을 고정된 예측값으로 사용해 미래 불확실성을 무시하고 결정 규칙을 도출한다. 이 차이를 분포 모호성(DRO) 관점에서 해석하면, MPC는 “평균 제약(mean‑constrained) 모호성 집합” 안에서 최악의(또는 최선의) 분포에 대해 강건하게 최적화하는 과정과 동일함을 보인다.

핵심은 베일만 연산자 B_M이 오목성 보존(concavity‑preserving) 혹은 볼록성 보존(convexity‑preserving) 특성을 갖는가에 있다. 오목성 보존이면 Jensen 부등식에 의해 기대값을 평균으로 대체해도 원래 비용 함수의 하한을 유지하므로, B_M이 해결하는 문제는 평균 제약을 갖는 DRO와 동등하다(정리 1). 따라서 실제 평균 μ가 정확히 알려진 경우, MPC는 최악의 경우에도 SDP보다 손실이 크지 않다는 보장을 얻는다. 반대로 볼록성 보존이면 같은 논리가 최선의 경우에 적용되어, MPC는 “분포 낙관적 최적화(DOO)”와 동등해진다(정리 1의 역).

이론적 결과를 뒷받침하기 위해 저자들은 수익 최적화 모델을 제시한다. 재고를 보유하고 시장 가격 ξ_t에 따라 판매하는 다단계 문제에서, 비용 함수는 재고 보유비용과 판매 수익의 차이로 정의된다. 이 문제는 상태와 제어가 1차원이며, 베일만 연산자가 오목성을 보존한다는 조건을 만족한다. 저자들은 N개의 샘플을 이용해 SDP와 MPC 각각의 최적 정책을 명시적으로 도출하고, 진짜 분포(예: 지수분포) 하에서의 기대 수익을 계산한다. 결과적으로, 오른쪽 꼬리가 두꺼운 비대칭 분포에서는 μ_N이 실제 평균보다 낮게 편향될 가능성이 커져, MPC가 과소평가된 평균을 기준으로 보수적인 재고 결정을 내리게 된다. 이때 할인 인자 β가 1에 가까워질수록 장기 기대 수익 차이가 급격히 확대되어, MPC의 이득이 무한대로 발산한다는 흥미로운 현상이 관찰된다.

또한 저자들은 “샘플이 특정 조건을 만족하면 MPC가 SDP보다 적어도 동등한 성능을 보인다”는 충분조건을 제시한다. 이 조건은 샘플 평균이 실제 평균보다 과소평가되지 않을 경우이며, 실험적으로는 샘플 크기가 5~10 정도면 충분히 만족한다는 점을 보여준다. 마지막으로 수치 실험을 통해 다양한 분포(정규, 로그정규, 지수)와 할인 인자에 대해 이론적 예측이 실증적으로 일치함을 확인한다.

전체적으로 이 논문은 확률동적계획과 모델예측제어 사이의 관계를 분포 모호성이라는 통합 프레임워크로 연결함으로써, 언제 MPC가 샘플이 적은 상황에서도 강건하게 작동할 수 있는지를 명확히 제시한다. 이는 실무에서 대규모 상태공간을 다루면서도 데이터가 제한적인 경우, MPC를 선택할 근거를 제공한다는 점에서 큰 의의를 가진다.

**