Column-and-row Generation 列和行生成算法（三）

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。