分枝定界法（Branch-and-Cut）

已于 2022-03-17 14:06:44 修改
阅读量8.4k 收藏 22
点赞数
分类专栏： 理论基础 文章标签： 线性代数
于 2022-03-17 13:38:50 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_46170191/article/details/123546813
版权

核心思想：
把全部可行解空间反复地分割为越来越小的子集，称为分支；并且对每个子集内的解集计算一个目标下界（对于最小值问题），这称为定界。
在每次分枝后，凡是界限超出已知可行解集目标值的那些子集不再进一步分枝，这样，许多子集可不予考虑，这称剪枝。

简单来讲就是：最优性条件与分而治之：
①设有最大化的整数规划问题A，先解与之相应的线性规划问题B
②若B的最优解符合A的整数条件，该解即为A的解
③若B的最优解不符合A的整数条件，那么B的最优目标函数必是A的最优目标函数Z^{*}的上界，记作\overline{Z}。而A的任意可行解的目标函数值将是Z^{*}的一个下界\underline{Z}  

⑤解整数规划的连续松弛问题（线性规划）来得到该子问题的上界\overline{Z}

④分支定界法就是设置解整数规划的连续松弛问题（线性规划）来得到子问题，将B的可行域分成子区域（称为分支）的方法，通过子问题求解，逐步减小\overline{Z}和增大\underline{Z}，最终求到Z^{*}

 优缺点：难于应对大规模问题

基本流程：

标准式，目标函数为最大值

①设整数规划问题为IP,对应松弛的线性规划问题为LP,（LP可理解为删除整数条件后的线性回话问题）。

求解LP，可能得到如下几种情况
LP无可行解，则IP也没有可行解.
LP有最优解切解的各个分量均为整数，即已经为IP问题的最优解，停止计算.
LP有最优解，但不符合IP中的整数条件的要求，设此时的目标数值为\overline{Z} , IP问题的最优目标值为Z^{*}，则满足\overline{Z}≥Z^{*}，即松弛的线性规划解\overline{Z}为整数规划解Z^{*}的上界。任意可行解的目标函数值将是Z^{*}的一个下界\underline{Z} （一般取0）


②迭代

分支：在LP的最优解中任选一个不符合整数条件的变量x_{j}（一般选择最大值的非整数分量构造添加约束条件），一般 添加大于x_{j}向上取整，小于x_{j}向下取整，将这两个条件分别加入问题LP，从而将LP拆分为两个子问题LP1和LP2. 在松弛整数约束的条件下分别求解LP1和LP2.

定界：以每个子问题为一个分支并表明求解结果，与其他问题的解进行比较，找到最优目标函数值的最小者作为新的上界\overline{Z}，从符合整数条件的分支中，找出目标函数值的最大者作为新的下界\underline{Z} 

剪枝：各分支的最优目标函数值中若存在小于下界\underline{Z}，则剪去该分支，如果大于且不符合整数条件，则重复分支步骤，直到最优目标函数值为止，得到最优整数解。

 

 算法

​
 

weixin_46170191
关注
专栏目录
五大常用算法之分支定界法
feiyangtianyao的专栏
06-29 2万+
看了五大常用算法之一这篇博文，感觉理解了很多，可是纯粹都是理论，缺少一些示例，所以准备综合一篇博文，以帮助自己记忆，原文： 一、基本描述     类似于回溯法，也是一种在问题的解空间树T上搜索问题解的算法。但在一般情况下，分支限界法与回溯法的求解目标不同。回溯法的求解目标是找出T中满足约束条件的所有解，而分支限界法的求解目标则是找出满足约束条件的一个解，或是在满足约束条件的解中
整数规划-分支定界法
Kilig___的博客
12-23 1962
而目前我们得到整数可行解的目标函数值为950，如果后续求到的解质量非常差，我们也可以把950当为问题的最优解，如果后续有更高质量的解，我们可以将更高质量的解作为最优解。子问题2无需再搜索了，子问题2当前UB为1000，继续往下搜索，增加约束，UB只会越来越低，因此子问题2的孩子节点不可能再有解>1000的情况，因此可以确定子问题6得出的解即为最优解。但是在大部分的规划问题中，A都并不满足幺模矩阵，单纯形法可以解决线性规划，但是并不能保证所得出的最优解为整数解，因此就需要一种单独针对整数变量求解的方法。
分支定界算法
06-21
算法的主要部分其实就是一句话，使用的库函数实现的，前面所有的内容都是为使用那个库函数做准备，只是把系数矩阵、右值矩阵之类的变量准备好而已。 函数中调用了两个小函数，一个是用边集合生成邻接矩阵的函数，一个是生成最短路径的floyd算法。需要的话可以查看我的另外两个上传的资料
分支定界方法（branch and cut，branch and price的基础）
热门推荐
sinat_41348401的博客
10-18 1万+
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
Branch-and-Cut（CVRP问题）
sky的博客
08-23 3492
Branch and cut 是一个基于线性规划的branch and bound 方法，通过有效不等式来加强线性松弛 ...
分支定界法
mf190135的博客
03-25 4844
分支定界法在优化算法中的应用和python的代码编写
分支定界(branch-and-bound)，分支切割(branch-and-cut)，分支定价(branch-and-price)
最新发布
天天向上的专栏
04-11 2092
组合优化问题、混合整数规划模型的相关论文中经常接触这 3 个名词：分支定界(branch-and-bound)，分支切割(branch-and-cut)，分支定价(branch-and-price)，有时候会混淆。
干货 | 10分钟搞懂branch and bound（分支定界）算法的代码实现附带java代码
infinitor的博客
07-23 2698
Outline 前言 Example-1 Example-2 运行说明 00 前言 前面一篇文章我们讲了branch and bound算法的相关概念。可能大家对精确算法实现的印象大概只有一个，调用求解器进行求解，当然这只是一部分。其实精确算法也好，启发式算法也好，都是独立的算法，可以不依赖求解器进行代码实现的，只要过程符合算法框架即可。 只不过平常看到的大部分是精确算法在各种整数规划模型上的...
枝切法实现相位解缠INSAR相位解缠
05-02
枝切法，又称为分枝切割法或Branch Cut Method，是一种广泛应用的相位解缠算法。它的基本思想是通过寻找相位变化的最优路径，即枝切，来实现相位的连续表示。在二维平面上，相位解缠可以被视为寻找一条连接所有点的...
运筹学方面的几个经典VC代码
04-04
7. **BGMMA（可能是一个特定的优化算法，如Branch-and-Cut with Global Multistart Metaheuristic Algorithm）** BGMMA可能是一个结合了分枝定界和全局多启动元启发式算法的优化方法，用于处理复杂的优化问题。这类...
MATLAB算法实战应用案例精讲-【人工智能】对比学习（概念篇）
qq_36130719的博客
05-03 9034
对比学习」属于无监督学习的一种，即给一堆数据，没有标签，自己学习出一种特征表示。我们知道的无监督方法有聚类(迭代地更新聚类中心，让属于同一类的样本更近，不同类的样本更远)，自编码器(输入x->特征隐层编码->解码恢复出x'，让x'和x接近)，那对比学习又是怎么个操作，怎么构建loss反向传播呢？对比学习，关键是「对比」，根据聚类和自编码器的思想，对比应该也是有A和B更近，A和C更远这种比较性的思想的。所以关键在于如何拿到B和C。（其实聚类也算是一种对比）
【整数规划】孙小玲 | 课程内容介绍
蹦擦擦嘿
04-17 2196
整数规划是运筹学与最优化理论的重要分支之一，在众多领域尤其是交通领域有着广泛的应用。本系列笔记来源于2012年复旦大学管理学院教授孙小玲在台湾国立杨明交通大学开放课程整数规划。孙老师师道唯真，讲课深入浅出，所讲整数规划是难得的好课。
分枝定界法
jahup的博客
01-25 1301
1.分支界定法(可求纯或混合整数线性规划): 2.割平面法(可求纯或混合整数线性规划): 3.隐枚举法(求"0-1"整数规划): 4.匈牙利法—解决指派问题（“0-1”规划特殊情形）: 5.蒙特卡洛法(求解各种类型的规划) ...
干货 | 10分钟掌握branch and cut（分支剪界）算法原理附带C++求解TSP问题代码
weixin_30565199的博客
08-13 323
00 前言 branch and cut其实还是和branch and bound脱离不了干系的。所以，在开始本节的学习之前，请大家还是要务必掌握branch and bound算法的原理。 01 应用背景 Branch and cut is a method of combinatorial optimization for solving integer linear program...
分支定界算法(c++)
dianzi1117的博客
09-27 1327
用c++也写了分支定界算法，解决背包问题。 参考：https://www.geeksforgeeks.org/implementation-of-0-1-knapsack-using-branch-and-bound/ #include <iostream> #include <algorithm> #include <stack> #i...
Python 实现整数线性规划：分枝定界法（Branch and Bound）
06-11
分枝定界法是一种求解整数线性规划问题的常用方法。该方法的基本思想是将整数线性规划问题不断分解成子问题，然后对每个子问题进行求解，直到得到最优解。 Python 实现整数线性规划的分枝定界法，可以基于 Python 的优化库 `PuLP`。以下是一个简单的示例代码： ```python from pulp import * # 定义整数线性规划问题 prob = LpProblem("Integer Linear Programming", LpMinimize) # 添加变量 x1 = LpVariable("x1", lowBound=0, cat='Integer') x2 = LpVariable("x2", lowBound=0, cat='Integer') # 添加目标函数 prob += 3*x1 + 4*x2 # 添加约束条件 prob += 2*x1 + x2 >= 3 prob += x1 + 2*x2 >= 3 # 求解 prob.solve() # 输出结果 print("Status:", LpStatus[prob.status]) print("Minimum value:", value(prob.objective)) print("Optimal solution:") for v in prob.variables(): print(v.name, "=", v.varValue) ``` 以上代码是一个简单的整数线性规划问题的求解示例，其中定义了两个变量 `x1` 和 `x2`，并添加了目标函数和两个约束条件。通过 `prob.solve()` 方法进行求解，并输出最优解及对应的变量取值。 分枝定界法的实现，可以通过递归地将当前问题分解成两个子问题，并对子问题进行求解，直到得到最优解。在每次分解时，需要对当前解的上下界进行计算，并通过 `prob +=` 方法添加上下界约束条件。具体实现可以参考以下示例代码： ```python from pulp import * # 定义整数线性规划问题 prob = LpProblem("Integer Linear Programming", LpMinimize) # 添加变量 x1 = LpVariable("x1", lowBound=0, cat='Integer') x2 = LpVariable("x2", lowBound=0, cat='Integer') # 添加目标函数 prob += 3*x1 + 4*x2 # 添加初始约束条件 prob += 2*x1 + x2 >= 3 prob += x1 + 2*x2 >= 3 def solve_branch_and_bound(prob): # 求解当前问题 prob.solve() # 获取当前解的上下界 upper_bound = value(prob.objective) lower_bound = upper_bound # 分解问题并求解 for v in prob.variables(): # 向上取整 upper_value = int(v.varValue) + 1 # 向下取整 lower_value = int(v.varValue) # 分解为两个子问题 prob1 = LpProblem("Integer Linear Programming", LpMinimize) prob2 = LpProblem("Integer Linear Programming", LpMinimize) # 添加变量 x1 = LpVariable("x1", lowBound=0, cat='Integer') x2 = LpVariable("x2", lowBound=0, cat='Integer') # 添加目标函数 prob1 += 3*x1 + 4*x2 prob2 += 3*x1 + 4*x2 # 添加约束条件 for c in prob.constraints: prob1 += c prob2 += c # 添加上下界约束条件 if v.name == 'x1': prob1 += x1 >= upper_value prob2 += x1 <= lower_value elif v.name == 'x2': prob1 += x2 >= upper_value prob2 += x2 <= lower_value # 求解子问题 prob1.solve() prob2.solve() # 计算上下界 if value(prob1.objective) < value(prob2.objective): upper_bound = min(upper_bound, value(prob1.objective)) else: upper_bound = min(upper_bound, value(prob2.objective)) lower_bound = max(lower_bound, value(prob1.objective), value(prob2.objective)) # 判断是否达到最优解 if upper_bound == lower_bound: return upper_bound # 分解子问题并求解 for v in prob.variables(): # 向上取整 upper_value = int(v.varValue) + 1 # 向下取整 lower_value = int(v.varValue) # 分解为两个子问题 prob1 = LpProblem("Integer Linear Programming", LpMinimize) prob2 = LpProblem("Integer Linear Programming", LpMinimize) # 添加变量 x1 = LpVariable("x1", lowBound=0, cat='Integer') x2 = LpVariable("x2", lowBound=0, cat='Integer') # 添加目标函数 prob1 += 3*x1 + 4*x2 prob2 += 3*x1 + 4*x2 # 添加约束条件 for c in prob.constraints: prob1 += c prob2 += c # 添加上下界约束条件 if v.name == 'x1': prob1 += x1 >= upper_value prob2 += x1 <= lower_value elif v.name == 'x2': prob1 += x2 >= upper_value prob2 += x2 <= lower_value # 判断是否需要继续分解 if min(value(prob1.objective), value(prob2.objective)) > upper_bound: continue # 递归求解子问题 if value(prob1.objective) <= value(prob2.objective): upper_bound = min(upper_bound, solve_branch_and_bound(prob1)) else: upper_bound = min(upper_bound, solve_branch_and_bound(prob2)) return upper_bound # 求解 optimal_value = solve_branch_and_bound(prob) # 输出结果 print("Minimum value:", optimal_value) print("Optimal solution:") for v in prob.variables(): print(v.name, "=", v.varValue) ``` 以上代码实现了整数线性规划的分枝定界法，其中 `solve_branch_and_bound` 方法用于递归地分解问题并求解。在每次分解时，都会计算当前解的上下界，并根据上下界约束条件进行分解。通过递归求解子问题，最终得到最优解。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值