论文地址:Linear Programs with Column-Dependent-Rows
the dual of (MP) - MP的对偶问题
Dual master problem:
基于DMP中的DMP-y,我们可以写出yk的reduced cost:
实际上,这个式子很难去真正地衡量yk的cost,因为像第一节中说的一样,Pricing model对新列的判定不一定仍然有效,因为PP中只有对对偶的部分描述(只有对列的部分)仍然可用。这种情况下,cost很有可能是正值,生成将会提前终止。具体阐述可以参见这篇文章。
所以,我们要考虑新的生成算法。
overview of the proposed column-and-row generation algorithm
算法的基本流程如下图所示:
- 构造初始的SRMP并solve it
- 新的y变量生成则调用y-PSP(列生成)
- 新的x变量生成则调用x-PSP(列生成)
- 没有新的x或y变量生成则调用row-generating PSP(行生成)
其中,因为dual变量被修改了,所以在x-PSP和row-generating PSP之后都要再来一次y-PSP。如果连续求y-PSP,x-PSP和row-generating PSP都没有产生负的reduced cost(FLAG=0),则算法终止。
注意,不是所有的问题都需要用到全部的三个PSP,而且它们的解决顺序不重要,但是通常情况下row-generating PSP是最耗资源的。
可以看出,整个算法基于一种很简单的假设——thinking-ahead approach。
thinking-ahead approach
“超前思考”的意思是,它会计算缺失linking constraint的对偶变量的正确值,就好像它们存在于公式中一样。
也就是说,假设基于当前SRMP中的行(即使缺失了部分),变量仍可以正确地被估计出来。
所以,在所有子问题中,都不考虑缺失新加入的行/列对dual变量的影响。
y-Pricing Subproblem(y-PSP)
这个子问题使用已知对偶变量的值检查对偶约束(DMP-y)的可行性。
y-PSP:
具体来说,这个子问题是为了去决定是否新增一个yk变量,通过看这个y-PSP的解是不是负值。如果是负值则产生一个新的yk变量,如果是非负值,则进入下一个子问题。
在这个过程中,尤其是对CDR-problems with interaction,重新调用y-PSP之前,需要增加一些相关的linking constraint和x变量。
所以,对这两种不同问题的处理是不一样的。例如,在MSCS问题(CDR-problems with no interaction)中,这个子问题产生第一个阶段的cutting pattern,但只对应于已知的intermediate rolls。但在QSC问题(CDR-problems with interaction)中,需要增加一些约束(9-11),且yl需要存在于SRMP中。
当y-PSP不能产生更多的新列时,可以保证由当前在SRMP中的最小变量集所引起的所有linking constraint已经产生。
x-Pricing Subproblem(x-PSP)
此子问题试图通过识别违反的约束(DMP-x)来生成新的x变量,并假设SRMP中的约束数量是固定的。
x-PSP:
类似于y-PSP,当产生新的x变量时,相关的最小变量集应该已经存在于SRMP。所以,新的可以带来负cost的x变量的探索将会被限制在相关变量集引入的x变量的索引集中。
同样,对于不同的问题(取决于变量的参数是怎么样的),x-PSP的处理过程是不一样的。
例如,在MSCS问题中,这个子问题可以解释为产生第二个阶段的cutting pattern,但这模式只消耗对应于当前SRMP产生的第一阶段的cutting pattern产生的intermediate rolls。但在QSC问题中,根本不需要x-PSP,因为相应公式中的x变量是辅助的,并且已在y-PSP中与由一组新的y变量引起的一组新的linking constraint一起被添加到SRMP。
算法的最后一部分Row-Generating Pricing Subproblem太复杂了,下一节整节来介绍。