逻辑benders分解

云湖在成长

已于 2024-05-08 16:03:29 修改

阅读量783

点赞数 27

分类专栏：优化算法学习思考总结运筹优化理论文章标签：算法

于 2024-04-12 21:00:59 首次发布

本文链接：https://blog.csdn.net/sinat_41348401/article/details/137692399

版权

学习思考总结同时被 3 个专栏收录

54 篇文章 7 订阅

订阅专栏

运筹优化理论

33 篇文章 47 订阅

订阅专栏

优化算法

22 篇文章 30 订阅

订阅专栏

1.可行割

（1）组合benders割（本质是cover cut 覆盖割）

（2）最小可行割（minimal infeasible set，MIS）

2.最优割

（1）常规最优割

（2）analytical benders cut——需要严格的数学证明

注：

LBBD的两种实现方式：

branch and check步骤：

前文综述：

benders分解算法逻辑思路整理（加星）-CSDN博客

以下默认为min问题。

benders分解是指把问题分解为主问题和子问题。主问题松弛后得到的信息输入到子问题中，求解子问题后生成一些割加入到主问题中去。加入的割可以提升主问题的下界（主问题提供的解），继续反馈给子问题后，降低了上界（子问题提供的解），直到上下界相等，求解完成。

经典的benders分解，指的是子问题是线性规划问题；

基于整数的benders分解，指的是子问题是整数规划；

而基于逻辑的benders分解，指的是子问题返给主问题的割是根据逻辑得到的割。

对于调度问题，通常有以下几种。

1.可行割

类似背包约束。假设问题的上界是13。子问题得到的解为15，此时返回可行割。

（1）组合benders割（本质是cover cut 覆盖割）

即当前的解不合理，需要从当前被分配的工件集中去除至少1个工件。下图中M2机器至少得去除一个工件， $\sum_{j\in R_{k}}^{}v_{jk}\leqslant \left | R_{k} \right |-1=4-1=3$ 。

将该cut加入到主问题中，告诉主问题下次必须得从 $R_{k}=\left \{ 1,3,5,6\right \}$ 中去除至少1个工件，使得新工件集合数量 $\sum_{j\in R_{k}}^{}v_{jk}$ 最多为3个。即下次主问题中必须有一个 $v_{jk}$ 取值会有变化，从1变为0，即从原本的分配中被移除。

但是该cut效果有限，原因是，只能保证删除1个。删除1个后就失效了。需要我们继续添加割，此时迭代步骤会变多。

因此我们想要得到更好的可行割，更强的割，希望割去更多的工件，减少了迭代反复的次数，加速算法的收敛，求解效率会提高。

（2）最小可行割（minimal infeasible set，MIS）

最小可行割就是为了解决上述问题而产生的。它计算了每个批次最多保存的工件的个数。

首先介绍最小子集：

即当前的≥上界，但再继续删除就＜上界了，寻找这样的一个边界集合 $S_{k}$ 。

需要从 $R_{k}$ 中依次移除工件，只要解≥上界，就依次移除，即 $v_{jk}=1$ 变为 $v_{jk}=0$ 。继续移除，直到移除后子问题的解（上界）＜上界了，就得到最终的最小可行割 $S_{k}$ ，如V2所示。

2.最优割

主问题因为松弛掉部分约束，得到的是下界，是基于部分信息得到的决策。我们希望子问题得到一些割进而能提升主问题的下界。

（1）常规最优割

普适性比较强：

若下一次主问题求解时：

a）分配给机器k的工件仍为相同的一组工件 $v_{jk}=1$ ，即 $\sum_{j\in R_{k}}^{}v_{jk}=\left | R_{k} \right |$ ，此时有 $C_{max}=C_{max}^{\ast }\left ( R_{k} \right )$ 。

告诉主问题，假如下次你仍然分配这些工件给机器k，则最大完工时间如（V5）所示。

b）分配的解有变化，假如某工件从机器k上被移除，则右边为0或负数，此时V5是无效的。

总之该式给与了一个下界。

由于上述割在被移除的时候，不等式右边直接缩减为0，因此需要考虑增强技术。常用的是分析bender割。

（2）analytical benders cut——需要严格的数学证明

以带有设置时间的UPM问题为例，通常 $\Delta _{j}=p_{kj}+max_{i\in R_{k}, i\neq j}\left \{ s_{kij} \right \}$ 。

分析如下：假如将工件j移除，则 $v_{jk}=0$ 。则最多减少了加工时间 $p_{kj}$ 以及可能的最大设置时间 $s_{kij}\left ( i\neq j \right )$ 。这是最多可能减少的部分，因此为主问题提供了一个更紧的下界。

注：

LBBD的两种实现方式：

branch and check步骤：

（1）因为子问题需要多次求解，因此当主问题复杂，子问题简单时，适合用本方法。特别是branch and check法，主问题只需要求解一次。更加的适用。

（2）其它的一些加强技术包括，提升主问题的下界。因为初始主问题包含的信息很少，所以最好加入一些有效不等式，得到一些较好的下界。换句话说，有效不等式加入主问题中很有用。

（3）其它的一些加强的benders cut。

云湖在成长

关注

27
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
逻辑benders分解

benders分解是指把问题分解为主问题和子问题。主问题松弛后得到的信息输入到子问题中，求解中去。加入的割可以提升主问题的下界（主问题提供的解），继续反馈给子问题后，降低了上界（子问题提供的解），直到上下界相等，求解完成。经典的benders分解，指的是子问题是线性规划问题；基于整数的benders分解，指的是子问题是整数规划；而基于逻辑的benders分解，指的是子问题返给主问题的割是根据逻辑得到的割。对于调度问题，通常有以下几种。
复制链接

扫一扫