sinat_41348401的博客

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。

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 dime

探测节点很快，节点所在的支被切掉（整数解，更差的非整数解，或不可行三种情形之一），此时求解会很快，反应在求解器的输出日志上就是，需要备探测的节点在减少。求解器用的是分支定界框架，准确的说用的是分支切割算法，在分支定界的框架中不断自动添加各种割cut，直到“所有”节点探测完毕。从公式上可以看出，当gap下降很快，要么是上界在降低（更好的整数解），要么是下界在提升（更好的下界）。gap下降很快，这种情况要么是找到了更好的上界，更小的整数解（最小化问题），要么是更好的下界，gap体现了目前求解的状态，直观的说，

没有完全等价的线性化方法）。要说明的是这是一种近似线性化，并不是完全等价，存在一定的误差。（McCormick envelope的形式），也叫McCormick包络。假如是两个变量z=xy，x和y是连续变量，

性质是最优解中会出现的性质，那么没有出现这些性质的，不会是最优解（或者说别的解已经包含这些特征了，这个点是无用的），我们说这个点被支配，会进行砍枝操作。在研究的过程中，需要根据问题属性设计出节点的下界。对于调度问题来说，就是部分调度PS下最好的解是多少，即LB。这两点是我们设计出定制的分支定界算法的核心，是我们的工作量体现，更是影响算法表现效果的关键。推导出下界，最好是比较紧的下界，对于后续分支树有巨大好处。不同于经典分支定界的线性松弛法，即线性松弛解为下界。

支配规则的作用是删去一系列被支配的节点，也就是我们说的剪支。大白话理解就是这个节点的信息太差，有比它更好的，已经包含了相应的信息，所以它没什么作用了，这样一来，剪支后的分支树叶子节点变少，我们探索就容易了。线性松弛的解大于等于UB，该枝不可能产生更好的整数解了，因为该枝的整数解比线性松弛的解还大，得到的整数解不会更新UB。对更新UB无用，所以剪支。支配规则需要我们来进行推导，也是体现我们工作量创新点，以及体现我们对问题的理解，定制化算法的关键。πx≤π0，证明左边的π更大，或者是右边的π0更小。

（1）分支定界：是（本质上（2）分支切割：是。比如VRP问题中的k-paths割，即若干顾客的需求量至少需要的车辆数。（3）分支定价：将原问题重写，如VRP问题中将x_{ijk}的3-index模型改写为路径y_{r}的1-index模型（RMP）；然后根据子问题的检验数不断添加新的路径，再次求解RMP，若是非整数解则分支。需要改写模型；而且需要求解子问题（设计出有效的算法，比如标签算法，支配规则等）。别的与前两者区别不大。

MIP精确算法包含，分支定界、分支切割、分支定价还有benders分解等等。前者是以分支定界为框架的一类算法；后者是以分解为框架的一类算法。甚至还包括拉格朗日松弛等等，我觉得除了算法细则需要搞清楚外，更关键的是弄懂界。因为拉格朗日算法目前不熟，所以下面我具体总结分支定界的一类算法和benders分解算法界的确定原则。本篇以min问题为例。

但如果是x=m.addVar(lb=0, float(’inf’), obj=2, vtype=GRB.CONTINUOUS)，那么目标函数中会出现z=2x一项。我们常见的目标函数写法通常是定义好式子z=f(x,y,...)，然后用m.setObjective(z, GRB。如果obj=0，即该变量不出现在目标函数中，也是默认的形式，我们见得最多。添加的时候用addTerm()，删除的时候用remove()。（2）但还有一种写法，是在定义变量的时候来构造目标函数。此处的obj是变量在目标函数中的系数。

拉格朗日松弛 lagrangian relaxation首先介绍下拉格朗日松弛的出发点，以及该方法所属的门类；再介绍下拉格朗日松弛法需要处理的难点和注意事项。

一般我们经常可以看到的是经典的benders，此处我也结合经典的benders梳理下思路。

如果是无界的，那么可以检查变量和约束的上下界设置，是否有可能出现无界情况。feasRelaxS() 和 feasRelax() 函数的功能，是在用户原有模型基础上，为变量和约束添加松弛变量，让松弛模型变得可行，然后通过最小化松弛量来获得一个最小违反变量和约束限制的模型。这种情况下，用户可以将原模型中的变量边界和约束的 Force 属性设定为1，然后运行ComputeIIS()，那么Gurobi 只会专注在新增加的约束和变量边界上，不但溯源的时间会更短，而且提供的信息可以更容易让用户发现问题。

如原来的MIP模型为model，则松弛后的求解方式可以为下述：

一般来讲，valid inequality在模型未求解之前，就可以全部列举出来；而cuts，一般是模型求解过程中，随着迭代，才可以生成的。（我自己使用的感觉是，添加了有效不等式，与不加有效不等式相比，一开始的效果会非常明显。但是之后进程提升的效果并不明显。有效不等式valid inequality和割平面cuts是不同的两个东西。但是cuts会在之后的进程中起到作用，一点点切割可行域。个人感觉是两者都需要，关键在于对问题本身的了解和研究。但是其实，这两者的概念，也没有说分得那么清楚。

但其实不是的。model.optimize()的完整形式是model.optimize(callback=none)，既我们没有赋予括号中任何信息。但其实callback功能十分强大，在后期实现分支定价，分支切割算法的时候经常用。callback可以实现监视，干预，也就是部分程度和gurobi求解器实现交流交互，管理gurobi的优化进程。更多callback的分析可以看gurobi自带的参考资料，即refman.pdf文件。

也就是说解决大规模问题，现在的主流的精确算法是BCP，与之比较的是ALNS，自适应大邻域搜索（别的什么遗传算法，粒子群等等，根本不能与之比）。BCP和ALNS的特点是用局部搜索来逼近全局搜索最优点。换句话说，开发大规模的精确算法，可以与之一比的是ALNS，别的启发式算法不要比

CW分解是类似的思路，也是让子问题不断生成新列添加到松弛主问题中，让松弛的主问题不断逼近一开始的原问题，直到不能改进时，可以认为松弛的主问题等价于原始问题了。

在学习列生成和分解算法的时候，会频繁用到线性规划和对偶的知识，可以说LP和DP是基础。因此理解线性规划和对偶的本质是很重要的。单纯形法是纯代数运算，从一个顶点跳到另一个顶点；且我们知道最优解一定在顶点取得，可是为什么在顶点一定会取得最优解？为什么从一个顶点跳到另一顶点，通过进基出基就可以实现，它俩为什么是一一对应的？除此以外，在分解算法中的极点和极射线和LP的解是什么样的对应关系？这些问题，应该说必须了解了线性规划和对偶的本质才能够深刻理解，而不至于陷入机械无脑的计算。大概看了慕课的课程，感觉山东大

Benders分解作为3大分解算法之一，听过很久了。好像目前最新的是Benders逻辑分解，比着Benders分解又升级进步了。UTD24中有一些相关的文章，我也在慢慢拜读中。经典的3大分解算法分别是：（1）Benders decomposition (主要思想是行生成+割平面方法)；（2）Dantzig-Wolfe decomposition (主要思想其实就是列生成)；（3）Lagrangian decomposition (主要思想是 Lagrangian relaxation)。分解

相信大家在求解的时候，总会看到这个，这就是gurobi的求解日志（log file）。默认是直接开启的，可以通过：python m.setParam("OutputFlag", 0)进行关闭。为0就是关闭，默认为1打开。（Gurobi版本9默认不输出日志文件(log file)，版本9相比之前版本，创建日志文件的默认设置有所更改；默认日志文件仅适用于gurobi_cl和带有v9.0的交互式shell。如果想输出log file，需要修改LogFile参数：self.m.setParam(GRB....

本篇以离散/组合最优化为基准面，讨论算法评价尺度。最优化问题是从一系列选择中选出最符合要求的那个结果，用数学语言来说就是在一系列定义域内找寻符合约束的最好解。所以三个要点要明晰：变量，约束，目标函数。最优化问题可以分为离散问题和连续问题。离散问题在生活实践中最为常见，而组合优化问题是从一系列组合中找到最好的一个组合，在实际中和离散问题区别不大，所以我们也把离散优化叫做组合最优化，方法是通用的。最优化是从一系列方案（也叫可行域）中找到最好的方案。而算法就是寻找组合问题方案（可行解）的方法。假如得到

P是在多项式时间可以“解决”的一类问题。NP（Non-deterministic Polynomial）是多项式时间可以“验证”解是否正确。可以解决，必然可以验证解是否正确。因此P是NP。但NP不一定是P。因此P=NP尚不确定。NP完备（NP complete，NPC）有两个条件：第一是NP，第二必须所有NP都可以规约到它。NP难（NP-hard）满足NPC第二条条件，所有NP都可以规约到它，但是它本身并不一定是NP。NP-Hard问题要比 NPC问题的范围广。如TSP问题。（也就是即使有一天发现

目录1. 分支切割算法简介2.分支切割原理，及需要考虑的方面3.分支切割算法的关键4.总结1. 分支切割算法简介分支切割算法，即branch and cut，是branch and bound分支定界+cutting plane割平面。同理我们类比分支定价branch and price，是branch and bound分支定界+column generation列生成。两者都是精确算法。解决的是整数规划问题。我们通过松弛IP得到LP，最好松弛得到的LP就是整数解。但是实.

1.智能算法-运筹优化里头有整理得非常系统全面的资料可供学习，十分推荐。2.菜鸟的算法之路 写得中肯实在。不打广告不炫技，分享python代码。也很推荐。

运筹我们最先接触分支定界算法，也就是由Land Doig和Dakin在20实世纪60年代初提出的branch and bound算法，用在整数规划（全部决策变量是整数）中。其实用在混合整数规划（部分决策变量是整数）中也是可以的（本身混合整数规划就能够转化为整数规划）。目前很多求解器，如cplex和gurobi就是基于分支定界算法框架设计的。1.基础版的分支定界算法（假设是min问题）首先介绍几个定理：（1）若上界和下界相等，且上界是整数可行解，那么上界对应的可行解就是最优解。备注：假如上

如果你刚刚入门线性规划，对于线性规划的基本原理、概念、术语，以及 Gurobi 内部的核心算法不了解的话，请花费 10分钟时间，阅读以下二个科普文章。如果对于英文不熟练的话，可以采用谷歌浏览器，然后选择翻译为中文。LP 基础：https://www.gurobi.com/resource/linear-programming-basics/MIP 基础： https://www.gurobi.com/resource/mip-basics/一.优化基础优化中非常重要的3个要素，分别是：决策变量、

gurobi与python应用2指南见refman，或者google进gurobi官网借助翻译软件为中文1.定义变量2.约束部分指南见refman，或者google进gurobi官网借助翻译软件为中文1.定义变量常见的定义变量是:m.addvars()// An highlighted blockaddVars ( *indices, lb=0.0, ub=float(’inf’), obj=0.0, vtype=GRB.CONTINUOUS,name="" );默认下界为0。当下界比0

观感上来说，gurobi+python更友好。因为和我们见到的数学模型差不多，编译与识别都比较友好。而matlab+gurobi，因为循环的原因，可能看起来比较臃肿。MATLAB基于Yalmip调用solver(Gurobi、Cplex)是非常容易上手的一门语言，直接点setup接口就可用，很简单，但感觉有点慢，电话吭哧吭哧的风扇声特别大，不知道是不是自己系统的原因。而python+gurobi就快了很多，而且现在很多例子给的都是python搭建的，应该后者比较好。以用导学。后续暂时用pytho

以下内容是自己的小思考，可能有不对的地方。1.优化是一项系统工程，是决策中的一环，需要前后很多环节互相配合协作。简而言之，数据（输入）>>优化模型（处理）>>结果方案（输出）。优化是其中最重要的一环。我们做优化之前，很多时候假设数据信息已知；即使不知道，也假设服从一定的概率分布等，或是需要通过各种预测手段预测数据。这里要需要预测人员的配合和帮助。如果涉及到多个目标，往往得到的是一系列满意解。管理者需要根据偏好，通盘考量，给出最终的方案。也就是优化的最终解释权归决策者所有。优化

整数规划入门1.引言几乎每个接触运筹学的人都是从线性规划开始。以清华大学出版的，或是胡运权老师出版的《运筹学》为教材，线性规划；对偶规划和灵敏度分析；运输问题；目标规划；整数规划，指派问题；分支定界割平面；图论里的生成树；最短路，最大流，最大割；以及动态规划；网络评审技术等等。可以说几乎囊括了运筹学的整个分支，其实每个章节拿出来都是可以大书特书的。整数规划是其中的一个小章节，同时也是一类生活中非常常见的问题。生活中的二元决策太多了，yes or no是与非的二元选择；或是物品属性无法分割的整数决策。

Gurobi搭建模型思路基本思路一、准备工作：anaconda+gurobi搭建二、重点：建模建模顺序工具建模部分基本思路anaconda、python、pycharm选择。1.pycharm适用于群体开发项目时用，是个大型的集中平台。数据库、代码、项目、环境等等资源。2.python适合深入研究python的人使用，对使用者要求较高。3.anaconda比较适合一般人，也是个开发平台，可视化效果比较好。一、准备工作：anaconda+gurobi搭建anaconda 3.* 自带spyder

列生成column generation算法，是求解大规模线性规划问题的一种常用算法，在运筹优化领域有着非常广泛的应用。本篇介绍它的最初形式，原理及应用。1.最初是为了解决下料问题即cut-stock problem。这个问题在cplex和gurobi的代码例子中都有。思路：P1——P2——（1）常规建模P1即min{消耗的大卷数}但当大卷数特别多时，求解不易。（2）转化为P2...

灵敏度分析的意义（LP<——>LP的反问题即灵敏度分析）决策，特别是运筹建模。最终求得的是在一定约束下得到的最优解。但是支撑这个模型的资源以及利润值并非是现实实际，而是根据以往经验得到的（也就是说未来可能发生变化），那么依赖于此所建立的模型最优解是否还能用？因此就需要灵敏度分析了，就是在什么样的变化范围内最优解或者说决策不会发生变化？还有：在什么样的区间变化时，对最终的决策有什么样的影响？这样的分析结果比给出最优解，对于现实实际才有指导意义。...