Stackelberg博弈问题双层模型转化为MPEC模型的三种方法

Stackelberg博弈问题双层模型转化为MPEC模型的三种方法

Stackelberg博弈问题的求解可以利用模型转换将下层问题以约束集的形式添加到上层优化中的三种方法。

1.构造 KKT条件

在进行双层博弈模型转换时候，首先要判断下层模型的类型，尤其是在现在Stackelberg博弈在电力市场应用中。下层跟随者的问题，大都是具有含参变量的凸规划问题。当下层跟随者问题是凸的，且非线性时候时。可以利用KKT条件把下层跟随者问题替换掉。这样构建KKT条件时候会形成互补约束。所以说Stackelberg博弈在经过KKT条件转换后形成具有均衡约束的数学优化问题（MPEC----Mathematical Programming with Equilibrium Constraints）

MPEC模型如下：

在Stackelberg博弈的双层博弈中用KKT条件转化成MPEC模型后，进行求解，因为转化后的模型中互补约束都为非线性的，可以直接用互补求解器进行求解，但是求得的均衡解可能不唯一。因此通常用大M法对互补约束进行松弛，把非线性转化为线性。但是这样会涉及到大M的取值问题。如何取得一个合适的 M，对结果有着直接的影响。M取值范围的选取仍然是一个值得深入研究的问题。

2.对偶转换

当下层问题满足强对偶性质时候，利用强对偶理论，把下层问题转化为上层问题的约束。实际上当下层问题是线性且凸的时候时，就可以适用对偶转化。
强对偶性：强对偶性意味着原问题与对偶问题的最优值达到相等，没有对偶间隙。

个人看法：对偶转换和KKT转化相比，不同点在于，1：少了对应的互补约束。2：多了对应的互补松弛性。也就是原问题的最优解等于对偶问题的最优解（强对偶性）。对偶公式等价于KKT最优性条件，但在计算上优于后者，这主要是由于缺乏互补性约束，从而简化了强平稳条件的后续推导。

在进行对偶转化后，如上公式，肯定会让问题出现双线性化的。因此下一步解决的步骤，大都是把非线性问题线性化。而针对出现的双线性问题，大都应用互补线性约束进行替代。如下：

然后对于那些互补线性问题，在用M法进行线性化，最后求解器求解。

3.枚举法

第三种枚举法，是针对只有当在某些投资博弈问题中，由于下层问题中存在0-1变量，或者下层转换到上层时新引入了 0-1变量，无法使用 KKT或者对偶理论。部分文献为了方便对模型转换和求解，通过枚举部分 0-1量，构造混合整数线性约束（Mixed Integer Linear Constraints, MILCs）。
第三种感兴趣的同学可以参考：Yaser T, Mohammad R, Francois R. Sequential coordination of transmission expansion planning with strategic generation investments[J]. IEEE Transactions on Power Systems, 2017, 32(4): 2521-2534.

最后，可能上述中存在许多问题，希望指正。
遗留问题：
1：EPEC的下层强平稳性指的是什么，到底是不是强对偶性对应的等式？
2：在构建MPEC后联合形成的EPEC中，因为上层领导者不止一个，所以对应的可能有多个目标函数，因此EPEC在解决多目标函数时候的具体做法。
参考文献归类：
KKT方法：
1.Using EPECs to Model Bilevel Games in Restructured Electricity Markets with Locational Prices
2.Energy Pricing and Dispatch for Smart Grid Retailers Under Demand Response and Market Price Uncertainty
对偶转化：
1.An EPEC Approach to the Yearly Maintenance Scheduling of Generating Units
2.Equilibria in an Oligopolistic Electricity Pool With Stepwise Offer Curves
3.Integrated Demand Response programs and energy hubs retail energy market modelling
4.A Mixed-Integer LP Procedure for the Analysis of Electric Grid Security Under Disruptive Threat