matlab vrp 线性规划,VRP算法学习

title: VRP算法学习

author: Chen Yanbo

mathjax: true

date: 2019-04-13 14:41:48

tags:

列生成

介绍

列生成算法是求解大规模整数规划问题的优化算法，其理论基础由Danzig 等于1960 年提出，1995年Desrochers等将列生成算法实际应用到驾驶员调度及VRP问题中。目前，列生成已经被成功应用于多个领域列生成求解过程中，将整数规划问题线性松弛后成为 主问题MP(Master Problem)。鉴于变量规模较大，初始时只考虑小部分变量，构造 限制主问题RMP(Restricted Master Problem)，通过求解受限主问题的最优解，获得线性规划的对偶变量，并在构造网络中寻找可以使目标函数优化的新变量，并将之加入到受限主问题中再次进行求解，如此迭代，直到无法寻找到可使目标函数优化的变量，得到松弛问题的最优解。如果解为整数，则为原问题的最优解，如果存在非整数解，则需要进行分支定界寻找整数解。

算法

(1)主问题与初始可行解

\begin{align}

&\min \sum_{j \in J} c_j \lambda_j\

s.t \quad &\sum_{j \in J} a_j \lambda_j\geq b \

& \lambda\geq 0,j \in J

\end{align}

这是一个通用的线性规划模型，其中集合J代表所有的列(column)。MP的对偶变量用非负向量

来表示，根据对偶理论，我们希望找到一个

能够使得

的值最小。

(2)受限主问题求解及对偶变量

当

的值很大时，这种直接定价(pricing)的方法运算成本很高。所以考虑取一个合理的子集

来操作，用 间接枚举(implicit enumeration)的方法来计算 检验成本(reduced cost)，得到限制主问题。假设

和

分别是当前RMP的原始最优解和对偶最优解，给定一个集合A，它由列(column)

组成，目标函数的成本系数

可以通过关于

的函数式