从一维cutting问题看列生成算法
列生成算法
列生成在求解大型线性规划时往往都表现良好,在很多时候,一个变量很多的线性规划问题中,往往很多的列是用不到的,或者说,它们并不影响最优解的求解。列生成正是基于这样一种思想,从有限列出发,每次在求解限制问题后,判断是否达到最优,若达到,则返回结果,否则,添加新的列,继续求解,直到求出最优解为止。
本文将从列生成原理的证明,基于一维cutting问题的步骤说明和python代码实现来详细讲解列生成算法。同时比较该问题的几种模型在gurobi求解下的速度和解的质量。
一维cutting问题
一维cutting问题可以描述为:假设有无限多的长度为 L L L的木板和 n n n种类型的需求,第 i i i ( i i i=1,…, n n n)类型需求的尺寸为 l i l_i li,需求数量为 d i d_i di,设 M = { 1 , 2 , . . . , m } M=\{1,2,...,m\} M={ 1,2,...,m}, N = { 1 , 2 , . . . , n } N=\{1,2,...,n\} N={ 1,2,...,n}试求如何选择下料方式,在满足需求的情况下,使得使用的木板(board)数目最少?
在进一步说明列生成之前,我们先看一维cutting问题的相关模型描述比较不同模型求解的效率。
该问题的模型建立是简单的,在建立第一个模型之前,我们先定义相关的决策变量:
y j = 1 y_j=1 yj=1 如果第 j j j个木板被使用,否则 y j = 0 y_j=0 yj=0, y j ∈ { 0 , 1 } y_j \in \{0,1\} yj∈{
0,1};
x i j x_{ij} xij 代表来自第 j j j个木板的第 i i i中类型需求的数量, x i j ∈ N x_{ij}\in\N xij∈N.
m o d e l model model 1 : 1: 1:
m i n ∑ j ∈ M y j min\sum\limits_{j\in M}y_j minj∈M∑yj (1)
s.t. I y j ≥ x i j , i ∈ N , j ∈ M Iy_j\ge x_{ij},i\in N,j\in M Iyj≥xij,i∈N,j∈M (2)
∑ j ∈ M l i x i j ≤ L , j ∈ M \sum\limits_{j\in M}l_ix_{ij}\le L,j\in M j∈M∑lixij≤L,j∈M (3)
∑ i ∈ N x i j ≥ d i , i ∈ N \sum\limits_{i\in N}x_{ij}\ge d_i, i\in N i∈N∑xij≥di,i∈N (4)
公式(1)定义了问题的目标,即使用的board数量最少,显然, I I I是一个充分大的数,且 m = ∑ i ∈ N d i m=\sum\limits_{i\in N}d_i m=i∈N∑di显然是该问题的一个上界。当然, m m m取值越大意味着更多的决策变量,而实际上,任何一种启发式方法或者可行方案下使用的board数目都是该问题的一个可行上界。而在该问题中,我们取简单上界 m = ∑ i ∈ N ⌈ d i ⌊ L l i ⌋ ⌉ m=\sum\limits_{i \in N}{\left\lceil \frac{d_i}{\left\lfloor \frac{L}{l_i} \right\rfloor} \right\rceil} m=i∈N∑⌈⌊liL⌋di⌉。公式(2)限制了当 y j = 0 y_j=0 yj=0时,即第 j j j个board不被使用时, x i j = 0 x_{ij}=0 xij=0。其中, I I I是一个充分大的常数,因此当 y j = 0 y_j=0 yj=0时,对 x i j x_{ij} xij不作约束。公式(3)限制了从board j j j上切下的物品尺寸总和不能超过baord的总长 L L L。公式(4)则表示相应的需求约束。
我们通过一个实例的求解来说明下这个模型的求解效率,我们设 L = 110 L=110 L=110,考虑5种不同的需求如下表所示。
尺寸 l i l_i li | 20 | 45 | 50 | 55 | 75 |
---|---|---|---|---|---|
需求 d i d_i di | 48 | 35 | 24 | 10 | 8 |
将数据代入模型1,python编程,调用gurobi求解得到的结果为 O P T = 47 OPT=47