两阶段鲁棒优化的 Benders分解与行列生成(C&CG) 算法

行列生成算法(CCG)的基本思想是将问题分解为一个主问题(Master Problem)和一个子问题(Subproblem)。主问题包含小部分原始决策变量，而子问题通常包含大多数决策变量。主问题的目标是生成一个合理的子问题，以便在子问题中生成一些列(或变量)，这些列会在主问题中加入，并优化主问题。这个过程迭代进行，直到找到最优解决方案。

行列生成算法通常用于解决那些具有大规模整数规划问题的情况，由于传统的整数规划方法效率较低，这种方法通过将问题分解成子问题来减小问题规模，从而加速了求解过程。

1. 两阶段鲁棒优化与Benders对偶切平面方法

本文讨论的一阶段与二阶段的问题均为线性规划问题，且不确定集为有限离散集(finite discrete set)或多面体集(polyhedron)。令y为一阶段决策变量，x为二阶段决策变量。不确定集μ为离散集或多面体集，则二阶段鲁棒优化的一般形式(加粗的字母表示向量形式)一阶段问题为：

其中，F(x,u)为二阶段问题，如下：

即一阶段问题中不考虑不确定性，做出决策。之后将一阶段的变量y作为常数传入二阶段问题进行求解。这只是建模的思路，想要得到最优解还需要对模型做一些变换及用到算法。此时二阶段问题为max-min问题，我们根据对偶理论将内层的min问题做一次变换，令π为对偶变量，则转换后的二阶段问题如下，这个问题也是Bender对偶方法的子问题。

此时的二阶段问题为max问题，但注意不确定参数u与对偶变量π 均为决策变量，目标函数中存在二次项，该问题为双线性(Bilinear)问题，该问题通常为NP-Hard问题。双线性问题的求解可以通过近似方法，也可以利用不确定集的特性将其等价为混合整数规划(Mixed Integer Linear Problem, MILP)问题进行紧缺求解。这转换过程依赖于一个重要的性质:如果U是多面体集，则U和π合二为一的最优解总是在其各自的可行集中取极值点，本文后续的实例中也会用到类似的转化方法。我们在此处直接将二阶段问题看作可以求解，则Benders对偶切平面算法的流程如下：

Benders-dual Cutting Plane Algorithm1. 设定目标值上界UB=＋∞， 下界LB=-∞，当前迭代次数k=0。2. 求解以下主问题(Master Problem, MP):3. 求解以下子问题(SubProblem，SP):4. 如果UB-LB≤ε，其中ε为预先设定好的可以接受的偏差，则返回当前的目标值和最优解y，并退出循环。否则设定k=k+1，将以下约束添加到主问题MP1中：并返回第2步。

2. CCG算法

为了使得算法便于理解，我们首先考虑当不确定集μ为有限离散集合时的情况，即μ={u1,u2,...,ur}，{x1,x2,..., xr}为每种情况下对应的二阶段决策变量。考虑到每种情况下的不确定性，则第一节中的两阶段鲁棒优化可表示如下：

在这种情况下，求解两阶段鲁棒优化可以看作求解一个大规模的混合整数规划(MILP)问题。当不确定集规模很大或者为多面体集时，通过上述这种考虑不确定集μ中所有可能的场景来求解并不现实。但是上式中的第2、3条约束，我们可以根据不确定集μ上的一个子集来为上述问题提供一个有效的松弛解，以及一个对应的目标值下界。因此，通过逐渐为原问题中添加特定场景来拓展问题，可以逐渐得到预期更强的下界。

基于以上的思想，提出了行列生成算法，通过识别到不确定集中重要的场景来拓展主问题的不确定集，即动态生成相应的决策量和约束2、3。

与Benders分解类似，行列生成算法也应用了主-子问题的框架，子问题如下：

以下是CCG的一般步骤：

初始阶段：开始时，主问题包含小部分列，子问题包含所有剩余的列。通常，主问题是一个松弛问题，允许不可行解。

求解主问题：求解主问题，找到一组列的部分解。这些列通常不是整数值，但可以通过约束条件得到整数值。

求解子问题：使用部分解生成一个子问题，它包含一些列，通常是从主问题的线性松弛解中选择的。子问题是一个优化问题，目标是找到最优的列，以便将它们加入主问题。

整数规划检查：检查子问题中的列是否可以舍入为整数值。如果可以，就将它们加入主问题，并重新开始主问题的求解。

终止条件：重复步骤2-4，直到主问题达到最优解，或者无法找到更多的整数解。

3.实例：

参考Zeng Bo老师2013年发表于《Operations Research Letters》上的文章《Solving two-stage robust optimization problems using a column-and-constraint generation method》和原文电子版全文。本文免费提供使用求解器求解的CCG代码，有需要的小伙伴可以关注文章结尾公众号，截图后台发给小编，我将程序发给您，谢谢~

问题描述：

不确定量描述：

使用求解器直接求解，得目标值为30536，y=[1,0,1]，z=[220,0,480]，x=[[0,0,220]，[0,0,0]，[206,274,0]]。

两阶段鲁棒模型

不确定量描述：

4.程序结果：

5.部分程序

clear all
clc
close all
MP =  MPParams();
SP = SPParams();
 [d,dconstrains] = UncertaintySet(); % 不确定性参数
theta = sdpvar(1);
[MPconstrains,MPFunc] =  MPconstrainsAndFunc(MP);
[SPconstrains,SPFunc] =SPConstrainsAndFunc(MP,SP,d);
constrains = [MPconstrains;
              theta >= SPFunc;
              SPconstrains;
              dconstrains];
 
opt = sdpsettings('verbose',1,'solver','cplex');
result = optimize(constrains,MPFunc + theta,opt); % 主问题求解
LB = value(MPFunc + theta)
%%
clear MP SP theta
MP =  MPParams();
SP = SPParams();
theta = sdpvar(1);
[MPconstrains,MPFunc] =  MPconstrainsAndFunc(MP);
[SPconstrains,SPFunc] =SPConstrainsAndFunc(MP,SP,value(d));
constrains = [MPconstrains;
              theta >= SPFunc;
              SPconstrains;
              ];
 
opt = sdpsettings('verbose',1,'solver','cplex');
result = optimize(constrains,MPFunc + theta,opt); % 主问题求解
LB = value(MPFunc + theta)

%% 子问题
KKT =  KKTParams();
% clear d
%  [d,dconstrains] = UncertaintySet(); % 不确定性参数
[SPconstrains,pi,SPFunc] =  SPKKT(MP,SP,KKT,d);
SPKKTconstrains = [SPconstrains;dconstrains];

result = optimize(SPKKTconstrains,-SPFunc,opt); % 主问题求解
UB = value(SPFunc) +value(MPFunc)



%%
cons = [];
while abs(UB-LB) >1e-5
     clear  SP 
%     MP =  MPParams();
      SP = SPParams();
%      theta = sdpvar(1);
    [MPconstrains,MPFunc] = MPconstrainsAndFunc(MP);
    [SPconstrains,SPFunc] = SPConstrainsAndFunc(MP,SP,value(d));
    value(d)
    cons = [cons; theta >= SPFunc; SPconstrains];
    constrains = [MPconstrains;cons];
    result = optimize(constrains,MPFunc + theta,opt); % 主问题求解
    LB = max(LB, value(MPFunc + theta))
    
    % 子问题
%     clear SP
%     SP = SPParams();
    [SPconstrains,pi,SPFunc] =  SPKKT(MP,SP,KKT,d);
    constrains = [SPconstrains;dconstrains];
    result = optimize(constrains,-SPFunc,opt); % 主问题求解
    UB = min(UB,value(SPFunc) +value(MPFunc))
    
end

参考文献：

Zeng, B., & Zhao, L. (2013). Solving two-stage robust optimization problems using a column-and-constraint generation method. Operations Research Letters, 41(5), 457-461

欢迎关注哦~小编将剩余代码发给您，谢谢！