运筹学读书笔记---Benders Decomposition

最新推荐文章于 2023-04-14 05:42:43 发布

IELBHJY

最新推荐文章于 2023-04-14 05:42:43 发布

阅读量3.3k

点赞数 4

分类专栏：运筹学学习笔记文章标签：算法 python

本文链接：https://blog.csdn.net/ielbhjy/article/details/105465816

版权

运筹学学习笔记专栏收录该内容

3 篇文章 1 订阅

订阅专栏

1、前言

最近在读这本厚厚的运筹学书籍，发现这本书写的真的好。大规模优化方法系列，有个叫benders分解的算法，之前只是听过名字，不懂具体原理。仔细啃了一下，还是很有意思的。

2、分解策略

$min (cx+fy)$

$(BP)\quad s.t.\quad Ax+Fy\geq b\\ ""\qquad \qquad \qquad x\geq 0,y\geq 0 \quad y\ is\ integer$

如果y值固定，上述问题就变成一个线性规划问题。因此，在第l次迭代时。选取部分整数决策变量y(l)并固定相应的值，从而将整数规划转化为只包含连续决策变量的问题，如下所示：

$min (cx+f y(l))$

$(BP(l))\quad s.t.\quad Ax\geq b-Fy(l)\\ ""\qquad \qquad \qquad x\geq 0$

由BP(l)的对偶问题得到第l次迭代的Benders的子问题。

$max\ v(b-Fy(l)) + fy(l)$

$(BD(l))\quad s.t.\quad vA\leq c\\ ""\qquad \qquad \quad\qquad v\geq 0$

当求解对偶子问题(BD(l))时，可能会出现两种情形：子问题的最优解对应一个极点v(i)或者子问题无界，最优解对应一个极方向v(j)。因此，在benders主问题求解变量y的整数规划模型如下形式：

$min z$

$(BM)\quad s.t.\quad z\geq fy+v(i)(b-Fy) ,i\in\ P\\ ""\qquad \qquad \qquad \quad 0\geq v(j)(b-Fy),j\in\ D\\ ""\qquad \qquad \qquad \quad y\geq 0, y\ is\ integer$

当考虑所有的极点和极方向时，BM问题一定可以找到最优的y，但此时的模型可能包含指数级别的数量的极点和大量的极方向。和列生成算法类似，限制主问题只考虑当前迭代时生成的极点和极方向，每次迭代会逐步添加新的极点和极方向。

$min z$

$(BM(l))\quad s.t.\quad z\geq fy+v(i)(b-Fy) ,i\in\ P(l)\\ ""\qquad \qquad \qquad \quad 0\geq v(j)(b-Fy),j\in\ D(l)\\ ""\qquad \qquad \qquad \quad y\geq 0, y\ is\ integer$

3、最优性原理

如果第 $l$ 次迭代 $(BD(l))$ 模型的值小于等于上一次迭代得到的限制主问题最优目标函数值小,即 $v(BD(l))\leq v(BM(l-1))$

因为 $(BD(l))$ 的约束比 $(BM)$ 的约束少，所以 $(BD(l))$ 是 $(BM)$ 的上界，即 $v(BD(l))\geq v(BM)$ 。随着迭代过程 $BM(l)$ 中约束条件越来越多， $v(BM(l))$ 的值应该是增加的，所以 $v(BM(l-1))$ 是 $v(BM)$ 的下界，即 $v(BM(l-1))\leq v(BM)$ 。所以每次迭代中会有 $v(BD(l))\geq v(BM)\geq v(BM(l-1))$ ,一旦 $v(BD(l))\le v(BM(l-1))$ ,迭代达到终止条件。

4、整体流程

第0步：初始化。 $l=1$ 。

第1步：Benders子问题 $(BD(l-1))$ 求解。若目标函数值有界限，得到极点，进入第2步。若目标函数无界，得到极方向，进入第3步。

第2步：算法终止判断。如果停止，得到 $y(l)$ ,进而求解 $x(l)$ 。

第3步：限制主问题更新，将新得到的极点和极方向以约束条件的形式添加到 $(BM(l))$ zhong。

第4步：主问题求解。求解 $BM(l)$ 得到 $y(l)$ 和目标函数z。 $l=l+1$ ，返回第1步。

5、基于Gurobi模型构建

import gurobipy as gp
from gurobipy import GRB
import numpy as np

class Benders_Example(object):
    def __init__(self,i_num,j_num):
        self.j_num = j_num
        self.i_num = i_num
        self.f = [400, 250, 300]
        self.d = [75, 90, 81, 26, 57]
        self.cost = [[4, 7, 3, 12, 15],
                     [13, 11, 17, 9, 19],
                     [8, 12, 10, 7, 5]]

    def build_model(self):
        model = gp.Model("Benders")
        x_ij = model.addVars(self.i_num,self.j_num,vtype=GRB.CONTINUOUS,obj=self.cost,lb=0,ub=GRB.INFINITY,name="x")
        y_i = model.addVars(self.i_num,vtype=GRB.BINARY,obj=self.f,name="y")
        model.modelSense=GRB.MINIMIZE

        #add constr
        model.addConstrs((x_ij.sum(i,"*") <= y_i[i] * sum(self.d) for i in range(self.i_num)),name='c1')

        model.addConstrs((x_ij.sum("*",j) == self.d[j] for j in range(self.j_num)),name='c2')

        model.write("benders.lp")
        model.optimize()
        print("model obj = ",model.objVal)
        for i in range(self.i_num):
            print("y(%d)=%lf" % (i,y_i[i].x))
            for j in range(self.j_num):
                print(x_ij[i,j].x)

6、基于Gurobi实现Benders算法

只是粗略的实现，直接建模型求解和用benders算法求解。代码框架还需要优化，后边有时间再打磨。

github:https://github.com/IELBHJY/OperationsResearch/tree/master/Benders

参考资料：本文资料是来自<<Optimization in Operations Research 2nd Edition>>

IELBHJY

关注

4
点赞
踩
28

收藏

觉得还不错? 一键收藏
5
评论
运筹学读书笔记---Benders Decomposition

1、前言最近在读这本厚厚的运筹学书籍，发现这本书写的真的好。大规模优化方法系列，有个叫benders分解的算法，之前只是听过名字，不懂具体原理。仔细啃了一下，还是很有意思的。2、分解策略如果y值固定，上述问题就变成一个线性规划问题。因此，在第l次迭代时。选取部分整数决策变量y(l)并固定相应的值，从而将整数规划转化为只包含连续决策...
复制链接

扫一扫