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$L$的木板和$n$种类型的需求，第$i$ ($i$=1,…,$n$)类型需求的尺寸为$l_i$，需求数量为$d_i$，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：
$y_j=1$ 如果第$j$个木板被使用，否则$y_j=0$， y j ∈ { 0 , 1 } y_j \in \{0,1\} yj​∈{ 0,1};
$x_{ij}$ 代表来自第$j$个木板的第$i$中类型需求的数量，$x_{ij}\in \mathbb{N}$.

$model$ $1:$
$min\sum _{j\in M}{y}_j$ （1）

s.t. $I{y}_j\ge x_{ij},i\in N,j\in M$ （2）

$\sum _{j\in M}{l}_i{x}_{ij}\le L,j\in M$ (3)

$\sum _{i\in N}{x}_{ij}\ge d_i,i\in N$ (4)

公式(1)定义了问题的目标，即使用的board数量最少，显然，$I$是一个充分大的数，且$m=\sum _{i\in N}{d}_i$显然是该问题的一个上界。当然，$m$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$m=\sum _{i\in N}\lceil \frac{d_i}{\lfloor \frac{L}{l_i}\rfloor }\rceil$。公式（2）限制了当$y_j=0$时，即第$j$个board不被使用时，$x_{ij}=0$。其中，$I$是一个充分大的常数，因此当$y_j=0$时，对$x_{ij}$不作约束。公式(3)限制了从board $j$上切下的物品尺寸总和不能超过baord的总长$L$。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$L=110$，考虑5种不同的需求如下表所示。

尺寸$l_i$	20	45	50	55	75
需求$d_i$	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