本文的主要参考文献：
Zeng B , Zhao L . Solving Two-stage Robust Optimization Problems by A
Constraint-and-Column Generation Method[J]. Operations Research Letters, 2013,
41(5):457-461.
1.两阶段鲁棒优化问题 ** 的引入**
鲁棒优化是应对数据不确定性的一种优化方法，但单阶段鲁棒优化过于保守。为了解决这一问题，引入了两阶段鲁棒优化(Two-stage Robust
Optimization)以及更一般的多阶段鲁棒优化，其核心思想是将决策问题分为两个阶段。第一阶段是进行初步决策，第二阶段是根据第一阶段的决策结果制定更好的决策策略，应对数据不确定性的影响。这种方法可以降低保守性，提高鲁棒性。
假设一阶段和二阶段决策问题都是线性规划，并且不确定性集合U是一个有限的离散集合或者多面体集。使用y表示第一阶段决策变量，x表示第二阶段决策变量，表示不确定矢量。在此假设下的两阶段鲁棒优化的一般形式为：
其中：
向量c,b,d,h和矩阵A , G , E ,
M都是确定性的数值，不确定性体现在向量u上。注意到第二阶段优化的约束条件F(y,u)是关于不确定性u的线性函数。
原文献中提供了以运输问题作为算例，具体如下：
其中，yi为0-1变量，表示是否在i地建设仓库，zi表示仓库i储存的商品数量，xij表示从i仓库到j客户运送的商品数量，fi表示建设仓库i的固定成本，ai表示仓库i存储商品的单位成本，cij表示从i仓库到j客户运送单位商品的成本，ki表示仓库i的最大容量，dj表示客户j的需求。
不确定变量为客户的需求，表达方式如下：
具体算例参数：
根据上面的公式，我们可以写出各个参数矩阵以及变量的表达式：
用matlab代码表示：
%% 参数矩阵
f = [400; 414; 326];
a = [18; 25; 20];
k = 800;
C = [22, 33, 24;
33, 23, 30;
20, 25, 27];
d_ = [206; 274; 220];
d_wave = 40;
gamma = [1.8,1.2];
P = [1 1;1 1;1 0];
%% 决策变量
y = binvar(3,1);
z = sdpvar(3,1);
x = sdpvar(3,3,’full’);
d = sdpvar(3,1);
g = sdpvar(3,1);
可以尝试求解一下这个确定性优化问题，和后面的两阶段鲁棒优化进行对比：
%% 目标函数
objective = f'*y + a'*z + sum(sum(C.*x));
%% 约束条件
Constraints = [];
Constraints = [Constraints , z >= 0 , x >= 0 , g >= 0 , g <= 1];
Constraints = [Constraints , z <= k*y];
Constraints=[Constraints , sum(x) <= z'];
Constraints=[Constraints ,sum(x,2) >= d];
Constraints=[Constraints ,d == d_ + g*d_wave];
Constraints=[Constraints ,g'*P <= gamma];
%% 设置求解器
ops=sdpsettings('verbose', 3, 'solver', 'gurobi');
sol=optimize(Constraints,objective,ops);
优化结果为：
进一步把算例写成两阶段鲁棒优化的形式：
针对这个两阶段鲁棒优化问题，可以分别采用Benders对偶割平面法和C&CG算法进行求解。
2.Benders对偶割平面法
2.1基本原理
Benders对偶割平面法可以用于解决两阶段鲁棒优化问题，首先将两阶段鲁棒优化问题分解为两部分：主问题(Master
Problem,MP)和子问题(Subproblem,SP)。主问题包含第一阶段的决策变量y以及仅与y有关的约束和子问题返回的割，还包括辅助变量η，用于评估第二阶段目标函数的取值。子问题包含第二阶段的决策变量x和不确定变量u，旨在给出第二阶段目标函数值的一个界限值。针对式(1)中描述的两阶段鲁棒优化问题，其主问题
** MP** 可以写成：
主问题是一个线性规划问题。子问题 ** SP** 则为：
而子问题是一个双层线性规划问题(如果不知道双层规划的概念，可以去看看我之前的几篇博客双层优化入门-
CSDN博客)，其中上层优化的决策变量是u，下层优化的决策变量是x，而且在下层优化中，变量y和u的值都是确定的，可以视为参数。
对于双层优化形式的子问题的求解，主要有以下几种方式：
1.通过对偶变换将双层优化问题转为单层优化问题，再进行求解，可以使用智能优化算法、等价线性化、二次规划求解器(例如gurobi)等方式进行求解；
2.采用智能优化算法进行求解(可参考博客双层优化入门(3)—基于智能优化算法的求解方法)；
3.采用KKT条件进行求解(可参考博客双层优化基本原理与求解方法、基于yalmip的双层优化求解)。
在这里我们使用KKT条件来求解子问题，可以将双层优化的子问题转换为下列单层优化的形式：
（补充说明）
上面给出的式子是经过化简的，并不是最初的KKT条件，因此有读者和我反映，看起来有点懵圈。我在此把详细的转换步骤写一下：
首先由于子问题的内层优化问题是min形式，需要把约束条件都转为≥0的形式：
根据这个优化问题的形式，可以写出子问题内层优化的拉格朗日函数：
其中，π和θ都是拉格朗日乘子。根据拉格朗日函数进一步写出KKT条件：
这就是初始的KKT条件，接下来看一下文献中是如何对这组式子进行化简的。首先根据式(1)和(4)可以得到：
然后，根据式(1)和(3)可以得到：
这样化简之后，就得到了和原文中相同的形式。根据化简的结果，大家应该能知道化简的目的： ** 消去变量** ** θ** **
，减少优化问题中变量的数目** 。实际上几乎所有的KKT条件都可以这样进行处理，之后有机会再和大家讲讲，这里不再赘述。
化简后的KKT条件也存在非线性形式，可以使用大M法引入二进制中间变量进行线性化，将其转换为混合整数规划的形式：
对于一般形式的两阶段鲁棒优化问题(如式(1))，Benders对偶切平面算法求解的流程如下：
步骤1：设定目标函数上界UB=＋∞， 下界LB=-∞，迭代次数k=0。
步骤2：求解主问题 ** MP** ：
求出最优解(yk+1*，ηk+1*)，并更新LB=max{LB,c T yk+1*+ηk+1*}；
步骤3：求解子问题 ** SP** :
求出子问题的最优目标函数值Qk+1以及最优解( ** u* k+1*， ** x** k+1*)，并更新UB=min{UB,cT yk
+Q(yk)}。
步骤4：如果UB-LB ≤
ε(事先设定的运行偏差)，则输出优化结果，并退出循环。否则令k=k+1，将约束添加到主问题 ** MP**
中并返回步骤2。
从上述步骤中可以看到，算法迭代的过程会不断向主问题添加约束条件，也就是割平面，因此被称为Benders对偶割平面法。
2.2 算例分析
采用文献中给出的运输问题作为算例，使用matlab+yalmip工具箱+gurobi求解器进行求解。
为了求解这个两阶段鲁棒优化问题，我们首先需要把这个优化问题分解成主问题和子问题。而且为了方便理解，重写成符合标准两阶段鲁棒优化问题的形式，其中重写后的优化问题部分变量或系数矩阵和原优化问题中重复，我都加了上标一撇(‘)以示区别，具体步骤如下：
主问题 ** MP** ** _BD** ：
子问题 ** SP** ** _BD** ：
步骤1：设定目标函数上界UB=＋∞， 下界LB=-∞，迭代次数k=0。
步骤2：求解主问题 ** MP** ** _BD** ，得到最优解(,)，并更新LB=max{LB,}；
步骤3：求解子问题 ** SP** ** _BD** ，得到子问题的最优目标函数值Qk以及最优解( ** u* k*， **
x** k*)，并更新UB=min{UB,}。
步骤4：如果UB-LB ≤
ε(事先设定的允许偏差)，则输出优化结果，并退出循环。否则令k=k+1，将约束添加到主问题 ** MP**
中并返回步骤2。
采用matlab编程进行求解，结果如下：
与确定性优化的结果对比如下：
变量
|
确定性优化
|
两阶段鲁棒优化
—|—|—
最优目标函数值
|
30566
|
33680
y
|
[1 1 0]
|
[1 0 1]
z
|
[426 274 0]
|
[255.2 0 516.8]
x
|
|
g
|
[0 0 0]
|
[0 1 0.8]
d
|
[206 274 220]
|
[206 314 252]
3 ** . ** 列与约束生成算法(C &CG)****
3.1 基本原理
Benders对偶割平面法通过将两阶段鲁棒优化分解为主问题和子问题，不断交替求解，并将子问题的求解结果作为主问题增加的约束条件，以此达到迭代收敛的目的。C&CG算法和Benders对偶割平面法原理有一些相似，但也存在明显的差异，其基本原理如下：
在C&CG算法的求解过程中，主问题中首先将不考虑不确定变量的影响，作为一个确定性优化进行求解。但不确定变量的最恶劣场景肯定会对主问题的决策产生影响，所以C&CG算法的本质思想就是在确定性优化求解的基础上，不断添加相对恶劣的场景以及对应的子问题决策变量和约束条件，从而使目标函数上界和下界不断得到改进，直到算法收敛，这种思想也被称为“追索权(recourse)”决策：在主问题不考虑不确定性的基础上，不断根据子问题决策带来的不确定性进行修正决策，来保证最终解的鲁棒性。
根据C&CG算法的基本原理，我们可以想到，如果不确定集是一个离散的有限集，那么也可以通过枚举法来求解两阶段鲁棒优化问题。但实际情况肯定不会这么简单，还是需要通过C&CG算法交替迭代求解，具体步骤如下：
主问题 ** MP** ** _CCG** ：
其中，x _ l_ 是第 _ l_
次迭代添加的决策变量，是第 _ l_
次迭代子问题的最恶劣场景，因为第 _ l_
次迭代时子问题中已经求解了的值，所以在主问题中就可以看作已知的参数。
子问题 ** SP** ** _CCG** ：
步骤1：设定目标函数上界UB=＋∞， 下界LB=-∞，迭代次数k=0。
步骤2：求解主问题 ** MP** ** _CCG**
，得到最优解，并更新LB=max{LB,}；
步骤3：求解子问题 ** SP** ** _CCG** ，得到子问题的最优目标函数值Qk以及最优解( ** u* k*， **
x** k*)，并更新UB=min{UB,}。
步骤4：如果UB-LB ≤ ε(事先设定的允许偏差)，则输出优化结果，并退出循环。否则转到步骤5.
步骤5：判断子问题是否存在最优解。
若 _ Q_ (yk+1*)<+∞，即子问题存在最优解，则创建变量xk+1并给主问题 ** MP** ** _CCG** 添加以下约束：
其中uk+1*是第k次迭代时子问题求解出来的最恶劣场景。
随后更新k= k+1，并转到步骤2。
若 _ Q_ (yk+1*)=+∞，即子问题不存在最优解，则创建变量xk+1并给主问题 ** MP** ** _CCG**
添加以下约束：
随后更新k= k+1，并转到步骤2。
从C&CG算法的步骤可以看到，在迭代的过程中在不断地向主问题添加决策变量以及约束条件，也就是优化问题的行和列都在增加，因此才被称为column-and-
constraint generation (C&CG) 算法。
原文献中解释了C&CG算法和Benders对偶割平面算法的区别，具体如下：
(1) 在主问题中，C&CG算法通过在每次迭代中引入一组新变量来增加解空间的维数，而Benders对偶割平面算法则使用相同的变量集合。
(2) 在处理可行性问题方面，C&CG算法提供了一种通用的方法，而Benders对偶割平面算法是针对特定问题的。
(3)
在计算复杂度方面，与Benders对偶割平面算法相比，C&CG算法在求解主问题时使用更多变量和约束条件。然而，若第二阶段的决策问题为LP问题，根据原文中的命题1和2，Benders对偶割平面算法的复杂度为O(pq)，C&CG算法的复杂度将为O§(p是不确定集
** U** 的极值点数，q为满足GTπ≤b和π≥0的集合{π}中的极值点数量，具体见原文献中的描述)。因此C&CG算法的收敛速度要更快。
(4) 在求解问题的能力方面，Benders-
dual对偶割平面算法需要将第二阶段的问题转换为线性规划问题，而C&CG算法不关心第二阶段的变量类型。如果第二阶段是混合整数规划，可以采用嵌套C&CG算法进行求解。
3.2 算例分析
同样采用文献中给出的运输问题作为算例，使用matlab+yalmip工具箱+gurobi求解器进行求解。
和Benders-
dual对偶割平面算法一样，我们首先需要把这个优化问题分解成主问题和子问题，并将优化问题重写成符合标准两阶段鲁棒优化问题的形式，具体步骤如下：
主问题 ** MP** ** _CCG** ：
子问题 ** SP** ** _BD** ：
步骤1：设定目标函数上界UB=＋∞， 下界LB=-∞，迭代次数k=0。
步骤2：求解主问题 ** MP** ** _CCG**
，得到最优解，并更新LB=max{LB,}；
步骤3：求解子问题 ** SP** ** _CCG** ，得到子问题的最优目标函数值Qk以及最优解( ** u* k*， **
x** k*)，并更新UB=min{UB,}。
步骤4：如果UB-LB ≤ ε(事先设定的允许偏差)，则输出优化结果，并退出循环。否则转到步骤5.
步骤5：判断子问题是否存在最优解。
若 _ Q_ (yk+1*)<+∞，即子问题存在最优解，则创建变量xk+1并给主问题 ** MP** ** _CCG** 添加以下约束：
其中uk+1*是第k次迭代时子问题求解出来的最恶劣场景。随后更新k= k+1，并转到步骤2。
若 _ Q_ (yk+1*)=+∞，即子问题不存在最优解，则创建变量xk+1并给主问题 ** MP** ** _CCG**
添加以下约束：
随后更新k= k+1，并转到步骤2。
运行结果如下，和Benders对偶割平面方法一样，但收敛速度更快：
 4 ** .
** 完整代码获取链接****
想获取完整代码，可以戳下面这个链接：
两阶段鲁棒优化以及列与约束生成算法(C&CG)的matlab代码
接下来我将给各位同学划分一张学习计划表！
学习计划
那么问题又来了，作为萌新小白，我应该先学什么，再学什么？
既然你都问的这么直白了，我就告诉你，零基础应该从什么开始学起：
阶段一：初级网络安全工程师
接下来我将给大家安排一个为期1个月的网络安全初级计划，当你学完后，你基本可以从事一份网络安全相关的工作，比如渗透测试、Web渗透、安全服务、安全分析等岗位；其中，如果你等保模块学的好，还可以从事等保工程师。
综合薪资区间6k~15k
1、网络安全理论知识（2天）
①了解行业相关背景，前景，确定发展方向。
②学习网络安全相关法律法规。
③网络安全运营的概念。
④等保简介、等保规定、流程和规范。（非常重要）
2、渗透测试基础（1周）
①渗透测试的流程、分类、标准
②信息收集技术：主动/被动信息搜集、Nmap工具、Google Hacking
③漏洞扫描、漏洞利用、原理，利用方法、工具（MSF）、绕过IDS和反病毒侦察
④主机攻防演练：MS17-010、MS08-067、MS10-046、MS12-20等
3、操作系统基础（1周）
①Windows系统常见功能和命令
②Kali Linux系统常见功能和命令
③操作系统安全（系统入侵排查/系统加固基础）
4、计算机网络基础（1周）
①计算机网络基础、协议和架构
②网络通信原理、OSI模型、数据转发流程
③常见协议解析（HTTP、TCP/IP、ARP等）
④网络攻击技术与网络安全防御技术
⑤Web漏洞原理与防御：主动/被动攻击、DDOS攻击、CVE漏洞复现
5、数据库基础操作（2天）
①数据库基础
②SQL语言基础
③数据库安全加固
6、Web渗透（1周）
①HTML、CSS和JavaScript简介
②OWASP Top10
③Web漏洞扫描工具
④Web渗透工具：Nmap、BurpSuite、SQLMap、其他（菜刀、漏扫等）
那么，到此为止，已经耗时1个月左右。你已经成功成为了一名“脚本小子”。那么你还想接着往下探索吗？
阶段二：中级or高级网络安全工程师（看自己能力）
综合薪资区间15k~30k
7、脚本编程学习（4周）
在网络安全领域。是否具备编程能力是“脚本小子”和真正网络安全工程师的本质区别。在实际的渗透测试过程中，面对复杂多变的网络环境，当常用工具不能满足实际需求的时候，往往需要对现有工具进行扩展，或者编写符合我们要求的工具、自动化脚本，这个时候就需要具备一定的编程能力。在分秒必争的CTF竞赛中，想要高效地使用自制的脚本工具来实现各种目的，更是需要拥有编程能力。
零基础入门的同学，我建议选择脚本语言Python/PHP/Go/Java中的一种，对常用库进行编程学习
搭建开发环境和选择IDE，PHP环境推荐Wamp和XAMPP，IDE强烈推荐Sublime；
Python编程学习，学习内容包含：语法、正则、文件、 网络、多线程等常用库，推荐《Python核心编程》，没必要看完
用Python编写漏洞的exp,然后写一个简单的网络爬虫
PHP基本语法学习并书写一个简单的博客系统
熟悉MVC架构，并试着学习一个PHP框架或者Python框架 (可选)
了解Bootstrap的布局或者CSS。
阶段三：顶级网络安全工程师
如果你对网络安全入门感兴趣，那么你需要的话可以点击这里👉网络安全重磅福利：入门&进阶全套282G学习资源包免费分享！
学习资料分享
当然，只给予计划不给予学习资料的行为无异于耍流氓，这里给大家整理了一份【282G】的网络安全工程师从入门到精通的学习资料包，可点击下方二维码链接领取哦。
扫一扫
312
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
