【数学建模笔记 02】数学建模的整数规划

02. 整数规划

定义

规划中的变量 (部分或全部) 限制为整数时，称为整数规划。

若在线性规划模型中变量限制为整数，则称为整数线性规划。

分类：

• 变量全限制为整数时，称纯 (完全) 整数规划；
• 变量部分限制为整数时，称混合整数规划。

求解方法

分枝定界法

思路：将可行解空间分割为越来越小的子集，对每个子集内的解集计算目标下界，超出已知可行解集目标值的子集不再进一步分枝。

步骤

1. **分枝：**在问题中任选一个不符合整数条件的变量 $x_j=b_j$，取小于 $b_j$ 的最大整数和大于 $b_j$ 的最小整数，构造新的约束条件
   $$x_j\le [b_j],x_j\ge [b_j]+1$$
   将约束条件加入原问题，构造两个新问题；

2. **定界：**对于新问题的解，从符合整数条件的分枝中，找出目标函数值最大作为新的下界；

3. **比较与剪枝：**若分枝的解小于下界，则去除该分枝；若分枝的解大于下界且不符合整数条件，重复步骤 1，直到解等于下界。

例子

$$\max z=40x_1+90x_2$$

$$\{\begin{array}{rl}& 9x_1+7x_2\le 56\\ & 7x_1+20x_2\le 70\\ & x_1,x_2\ge 0\\ & x_1,x_2\in Z\end{array}$$

1. 求解与定界

记问题 $B$，首先不考虑整数限制，得
$$x_1=4.8092,x_2=1.8168,z=355.8779$$

而 $x_1=0,x_2=0$ 时 $z=0$，则为 $z^{\ast }$ 的下界，记 $\underline{z}$。

即
$$\underline{z}=0$$

2. 分枝再求解

对 $x_1,x_2$ 任选一个进行分枝，设选 $x_1$ 分枝，有：
$$x_1\le [4.8092]=4,x1\ge [4.8092]+1=5$$

对于 $x_1\le 4$​，构成新的约束条件，记问题 $B_1$：
$$\{\begin{array}{rl}& 9x_1+7x_2\le 56\\ & 7x_1+20x_2\le 70\\ & 0\le x_1\le 4\\ & x_2\ge 0\end{array}$$
解得
$$x_1=4,x_2=2.1,z=349$$
对于 $x_1\ge 5$​，构成新的约束条件，记问题 $B_2$​：
$$\{\begin{array}{rl}& 9x_1+7x_2\le 56\\ & 7x_1+20x_2\le 70\\ & x_1\ge 5\\ & x_2\ge 0\end{array}$$
解得
$$x_1=5,x_2=1.57,z=341.4$$

3. 再定界

$B_1,B_2$ 的解均不满足整数条件，下界不变，即
$$\underline{z}=0$$

两个问题的解均不等于下界，继续分枝。

4. 再分枝再求解

对问题 $B_1$ 再分枝，由于 $x_1$ 满足整数条件，选 $x_2$：
$$x_2\le [2.1]=2,x_2\ge [2.1]+1=3$$
分别构成问题 $B_{11},B_{12}$​。

最优解分别为：

• $B_{11}:x_1=4,x_2=2,z=340$
• $B_{12}:x_1=1.43,x_2=3,z=327.14$​

同样对问题 $B_2$​ 再分枝，有：

• $B_{21}:x_1=5.44,x_2=1,z=308$

• $B_{22}$​ 无可行解

5. 再定界

$B_{11},B_{12},B_{21},B_{22}$ 中，$B_{11}$ 满足整数条件，作为下界，即
$$\underline{z}=340$$
其余分枝解均小于下界，被剪枝，保留 $B_{11}$。

而 $B_{11}$ 满足整数条件，无需继续分枝，作为最终解，即
$$x_1=4,x_2=2,z=340$$

过滤隐枚举法

思路：排除掉不可能的变量取值集合，只检查变量取值组合的一部分，就能求到问题的最优解。

过滤隐枚举法是解 0-1 型整数规划的一种解法。

步骤

1. 试探求一个可行解 $x=(x1,x2,\dots ,x_n)$，代入得 $z=j_1$​；
2. 增加约束条件 $z\ge j_1$；
3. 继续试探求解并更新约束条件，从而抬高过滤门槛，减少计算量。

蒙特卡洛法

对可行解集进行随机取样，选取部分解集代入计算。

Python 代码

利用 cvxpy 包可以直接进行整数规划的求解。

对于问题：
$$\underset{x_1,x_2}{\min }z=40x_1+90x_2$$

$$s.t.\{\begin{array}{rl}& 9x_1+7x_2\le 56,\\ & 7x_1+20x_2\ge 70,\\ & x_1,x_2\ge 0,\\ & x_1,x_2\in Z.\end{array}$$

代码如下：

# %%

import numpy as np
import cvxpy as cp

# %%

# 目标函数形如 min c^T·x
c = np.array([40, 90])

# 约束形如 a·x <= b
a = np.array([[9, 7],
              [-7, -20]])
b = np.array([56, -70])

# 两个整数决策变量
x = cp.Variable(2, integer=True)

# 目标函数
z = cp.Minimize(c * x)

# 约束条件
cons = [a * x <= b,
        x >= 0]

# 问题模型
prob = cp.Problem(z, cons)
prob.solve(solver='GLPK_MI', verbose=True)

# %%

print('best z =', prob.value)
print('best x =', x.value)

输出：

best z = 350.0
best x = [2. 3.]

因此有最优解
$$x_1=2,x_2=3$$
时，$z$ 取得最小值 350.