列生成学习笔记

联系我：ligong15 AT foxmail.com

基于之前单纯形法实现，进一步学习列生成算法。列生成算法是解决大规模线性规划的一种算法。

头两年一直没搞明白列生成算法原理及应用（啥都别说了，我知道我笨），最近重新学习的时候发现网上简单明了的资料多了起来（干货 | 10分钟带你彻底了解column generation（列生成）算法的原理附java代码），自己也大致有了一些体会。

列生成中过程在于生成“列”，以常见得cutting stock problem 为例，“列”相当于切割的方案。

模型中，生成新的“列”意味着当前的解仍有改进的余地，那么如何判定解是否有改进的余地，回归到线性规划模型本身

在单纯形法迭代过程中，通过计算检验数，以判定当前解是否有改进的余地。列生成算法当前迭代过程中，在目前已有方案的前提下，判定是否存在能够对解有改进的方案。

每一次列生成迭代完成后，参考，每个非基变量也有，所有的非基变量对应的检验数表明非基变量不会对解有任何改进。那么列生成算法思路则是搜索新的非基变量对应的，若存在能使的，则存在能够对解进行改进的新的方案。下一次迭代中，则将新的入基，求解出新的线性规划问题的解。

由此，思路便大致理清楚了：

step 1 ：对于一个线性规划问题，由于列生成算法需要set covering model形式，则第一步是将其重构为该形式下的Linear Master Problem（LMP）。

step 2：上述说到，列生成相当于寻找新的能使解改进的方案，那么最开始进行迭代的方案集合们，便形成了一个Restricted Linear Master Problem（RLMP），后续求解的过程便是判定方案集合是否最优（包含了最优解的集合），并决定是否继续求解。

step 3：求解当前RLMP，由于RLMP是线性规划，那么可以求得最优解。

step 4：通过求解问题的Subproblem（是否存在能使的），判定方案集合是否最优，若不是最优，则将使的对应的选为换入变量，进一步迭代；若是最优，则算法结束。

 

代码详见我的GitHub

 

附：今天跟别人在讨论过程中，才意识到一个问题，在达到最优之前，应该说cg构成的lp不是能够完整描述问题的lp，是在不断地添加列的过程中，向原问题的lp接近。cg的点在于对问题的分解，即当问题规模较大，直接列lp再进行bnb的话效果不佳，因此通过cg对lp进行适当的取舍。