优化 | 线性化：0-1变量乘以连续变量的线性化

作者：刘兴禄， 清华大学

清华-伯克利深圳学院，博士在读

欢迎关注我们的微信公众号 运小筹

非线性整数规划模型

考虑下面的非线性整数规划

max ⁡     3 y + x z s . t .     2 y + 3 z ⩽ 12 x + y ⩽ 1 x , y , ∈ { 0 , 1 } ， 0 ⩽ z ⩽ 100 \begin{aligned} \max \quad \,\,\,& 3y + xz \\ s.t. \quad \,\,\,& 2y + 3z \leqslant 12 \\ & x + y \leqslant 1 \\ & x, y, \in \{0, 1\}， 0 \leqslant z \leqslant 100 \end{aligned} maxs.t.​3y+xz2y+3z⩽12x+y⩽1x,y,∈{0,1}，0⩽z⩽100​

Gurobi求解代码

from gurobipy import * 
model = Model('non-linear model')
x = model.addVar(lb=0, ub=1, vtype=GRB.BINARY, name='x')
y = model.addVar(lb=0, ub=1, vtype=GRB.BINARY, name='y')
z = model.addVar(lb=0, ub=100, vtype=GRB.CONTINUOUS, name='z') 

model.setObjective(3 * y + x*z, GRB.MAXIMIZE)
model.addConstr(2 * y + 3*z <= 12)
model.addConstr(x + y <= 1) 

model.optimize() 

print('x:', x.x)
print('y:', y.x)
print('z:', z.x) 

求解结果

Optimal solution found (tolerance 1.00e-04)
Best objective 4.000000000000e+00, best bound 4.000000000000e+00, gap 0.0000%
x: 1.0
y: 0.0
z: 4.0

线性化

• 令 $w=xz$，且$w\in [0,U]$
• 引入下面的辅助约束
  $$\begin{array}{rl}& w⩽Ux\\ & w⩽z\\ & w⩾z-U(1-x)\end{array}$$

原模型等价为

max ⁡     3 y + x z s . t .     2 y + 3 z ⩽ 12 x + y ⩽ 1 w ⩽ U x w ⩽ z w ⩾ z − U ( 1 − x ) x , y , ∈ { 0 , 1 } ， 0 ⩽ z , w ⩽ U \begin{aligned} \max \quad \,\,\,& 3y + xz \\ s.t. \quad \,\,\,& 2y + 3z \leqslant 12 \\ & x + y \leqslant 1 \\ &w \leqslant Ux \\ &w \leqslant z \\ &w \geqslant z - U(1-x) \\ & x, y, \in \{0, 1\}， 0 \leqslant z, w \leqslant U \end{aligned} maxs.t.​3y+xz2y+3z⩽12x+y⩽1w⩽Uxw⩽zw⩾z−U(1−x)x,y,∈{0,1}，0⩽z,w⩽U​

具体推导见视频详解。
令
$$\begin{array}{r}w=xz\end{array}$$
我们分为下面几种情况讨论：

• 情况1
  $\text{if}x=0,\text{then}w=0$, 容易得到$w-Mx⩽0$, 整理得$w⩽Mx$,这里$M$是$w$的一个上界即可，我们取最紧的上界，即$M=U$。因此该式化简为

$$\begin{array}{rl}& w⩽Ux\end{array}$$
另外，我们易得
$$\begin{array}{rl}& w⩽z\end{array}$$

• 情况2
  $\text{if}x=1,\text{then}w=z$, 由于逻辑约束不能写等号，因此我们将$=$分成2个。

（1） $\text{if}x=1,\text{then}w⩾z$, 此时$\text{if}1-x=0,\text{then}z-w⩽0$, 也就是$z-w-M\left(1-x\right)⩽0$, 进而得到
$$\begin{array}{rl}& w⩾z-M\left(1-x\right)\end{array}$$
这里仍然取$M=U$。

（2） $\text{if}x=1,\text{then}w⩽z$, 此时$\text{if}1-x=0,\text{then}w-z⩽0$, 也就是$w-z-M\left(1-x\right)⩽0$, 进而得到
$$\begin{array}{rl}& w⩽z+M\left(1-x\right)\end{array}$$
这里仍然取$M=U$。

这样，$\text{if}x=1,\text{then}w⩾z$

并且， $\text{if}x=1,\text{then}w⩽z$

同时约束，就得到了$\text{if}x=1,\text{then}w=z$.

但是其实，$\text{if}x=1,\text{then}w⩽z$是不需要的，因为前面已经有了
$w⩽z$的约束，因此，约束

$$\begin{array}{rl}& w⩽z+M\left(1-x\right)\end{array}$$

可以被约束$w⩽z$给dominate掉，也就是说，$w⩽z+M\left(1-x\right)$是冗余的。

下面我们用代码进行验证。

from gurobipy import * 
model = Model('non-linear model')
x = model.addVar(lb=0, ub=1, vtype=GRB.BINARY, name='x')
y = model.addVar(lb=0, ub=1, vtype=GRB.BINARY, name='y')
z = model.addVar(lb=0, ub=100, vtype=GRB.CONTINUOUS, name='z') 
w = model.addVar(lb=0, ub=100, vtype=GRB.CONTINUOUS, name='w') 

model.setObjective(3 * y + w, GRB.MAXIMIZE)
model.addConstr(2 * y + 3*z <= 12)
model.addConstr(x + y <= 1) 
model.addConstr(w <= 100 * x) 
model.addConstr(w <= z)
model.addConstr(w >= z - 100 * (1 - x))  
# model.addConstr(w <= z + 100 * (1 - x)) 
model.optimize() 


print('x:', x.x)
print('y:', y.x)
print('z:', z.x) 
print('w:', w.x)  

求解结果为

Optimal solution found (tolerance 1.00e-04)
Best objective 4.000000000000e+00, best bound 4.000000000000e+00, gap 0.0000%
x: 1.0
y: 0.0
z: 4.0
w: 4.0

可见结果是一致的。

总结

一个0-1变量$x$和一个连续变量$z$相乘，$0⩽z⩽U$，则可以用下面3个约束以及一个辅助变量等价线性化。

• 引入辅助变量$w=xz$, 且$w\in [0,U]$.
• 加入下面的3个约束
  $$\begin{array}{rl}& w⩽Ux\\ & w⩽z\\ & w⩾z-U(1-x)\end{array}$$

---

欢迎关注我们的微信公众号 运小筹

公众号往期推文如下