优化模型的关键：ARR

目录

简介

1.近似 Approximation

2.重构 Reformulation

3.松弛 Relaxation

4.降维 Decomposition

---

简介

Principle ARR – Shu-Cherng Fang
• Approximation – “accept good-enough” to make problem easy
• Reformulation – “change view” to make the problem clear and simple
• Relaxation – “drop difficulties” to get a bound of the problem
• Decomposition – “reduce dimensionality”

1.近似 Approximation

非线性转化为线性本质就是近似，无论是我们手动近似还是求解器内部线性逼近（想一下两个连续变量连续乘积线性化，以及分段函数线性化等），本质都是近似。

近似的本质是≈，不是精确的，因此存在着一定的误差。

2.重构 Reformulation

用不同的形式来写模型，如VRP中的3index，2index，以及1index模型；再比如我们把解的模型转化为极射线和极点表示的模型等等。

重构的本质是让模型更紧，或是可以利用到更多理论性质。我们熟知的D-W分解，或是bender分解它其实也算是一种重构。

3.松弛 Relaxation

松弛的本质是提供一个界，从而提供一个更好的参照系，或者是在求解器求解时砍掉更多的枝干；或者是与启发式算法对比提供一个更好的标杆。

我们熟知的拉格朗日算法松弛、线性松弛应归于此类。

4.降维 Decomposition

降维的本质是把幂指级的问题降为若干个小幂指级相加的问题。比如1个100维的问题变为求解100个1维问题，难度系数一下子降低很多。

降维的关键是，怎么保证若干个低维度的问题等价于原来的高维度的问题。（可以回想下benders分解，它的本质也是降维。）

降维我还可以举个例子，联军难破，但各个击破就容易得多。关键在于怎么瓦解联盟，像反间计，张仪的连横本质就是降维，破除多维护，降低难度。

这四种方式并不是孤立的，事实上，很多时候一个好的建模求解可能包含多种。