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。