【运筹优化】整数规划优化方法：割平面法详解 + Java调用Cplex代码实战

---

一、割平面法介绍

割平面法（Cutting Plane Method）是 R. Gomory 于 1958 年首次提出，主要用于求解整数线性规划模型，其主要思想是：先不考虑整数约束，求解原问题相应的线性松弛问题，并通过不断引入割平面（有效不等式）来缩进线性松弛模型，使得松弛模型不断逼近原整数规划模型的可行域，进而求出原问题的最优解。

对于IP问题而言，B&B有很多提高分枝定界效率的技巧，同样割平面法也有很多增加效率的技巧，比如如何添加有效的割平面，从而提高算法的收敛速度。

下面给出了割平面法的一般流程：

• 步骤1：初始化。松弛整数规划模型为线性松弛模型，松弛模型记作 $LP$
• 步骤2：求解当前 $LP$ ，记其最优解为 $x$
• 步骤3：如果 $x$ 为整数解，则其就是原整数模型的最优解，程序结束
• 步骤4：鉴别有效不等式。生成可以切除解 $x$ 的有效不等式，并将其加入 $LP$
• 步骤5：转到步骤1

---

二、有效不等式

2.1 有效不等式简介

定义：如果一个线性不等式对于原整数规划模型的所有整数解都成立，那么这个线性不等式就称为原整数规划模型的有效不等式

有效不等式通常会增强其线性松弛模型的有效性

然而，并不是所有有效不等式都可以增强线性松弛模型的有效性。为了增强线性松弛模型的有效性，一个有效不等式必须切除一些在线性模型中可行，但是在整数模型中不可行的解。

一个例子如下所示：

m a x 3 x 1 + 14 x 2 + 18 x 3 s . t . 3 x 1 + 5 x 2 + 6 3 ≤ 10 x 1 , x 2 , x 3 ∈ { 0 , 1 } \begin{align} max \quad &3x_1+14x_2+18x_3 \\ s.t. \quad &3x_1+5x_2+6_3\le 10 \\ &x_1,x_2,x_3 \in \{0,1\} \end{align} maxs.t.​3x1​+14x2​+18x3​3x1​+5x2​+63​≤10x1​,x2​,x3​∈{0,1}​​

它的线性最优解为$(0,0.8,1)$。判断下面不等式是否有效，是否可以加强线性模型：

• $x_2+x_3\le 1$：观察模型可知，$x_2$ 和 $x_3$ 不能同时取 $1$，所以它是原整数模型的有效不等式。并且当前线性模型的最优解 $(0,0.8,1)$ 不满足该不等式 $0.8+1>1$ ，所以它可以增强线性松弛模型的有效性
• $x_1+x_2+x_3\le 1$：由于 $(1,0,1)$ 是原整数模型的可行解，且不满足该不等式，所以该不等式不是有效不等式
• $3x_1+5x_2\le 10$：观察模型可知，因为约束(2)的存在，所以原整数模型的可行解一定满足该不等式，所以它是有效不等式。但是，对于松弛模型的所有可行解，也都满足该不等式，所以该不等式不能加强线性松弛模型的有效性

最后，总结一个平凡有效的有效不等式应该满足下面两个条件：

• 不能切掉原整数模型的可行解
• 要能切掉线性松弛模型中的可行解

2.2 强有效不等式

在介绍强有效不等式前，先介绍两个基本概念：占优和冗余。

占优：简单来说，假设有两个有效不等式A和B，如果A能切除的解B都能切除，并且B还能切除更多的解，那么就称B占优A。

具体示例如下（假设 x 1 , x 2 ∈ { 0 , 1 } x_1,x_2 \in \{0,1\} x1​,x2​∈{0,1}）：

$$\begin{gathered} A:x_1+2x_2\le 2 \\ B:x_1+x_2\le 1 \end{gathered}$$

冗余：简单来说，如果不等式A并不能切除任何的可行解，那么就称A是冗余的。

具体示例如下（假设 $x_1\ge 0$）：

$$A:x_1\ge -1$$

强有效不等式：如果不等式A是有效不等式，且不存在有效不等式B占优A，则称A是强有效不等式

---

三、常用有效不等式

3.1 Chvatal-Gomory Cut

Chvatal-Gomory 割平面也被称为 Chvatal-Gomory Cut，是一种简单的有效不等式。原则上，一个整数规划模型的任意有效不等式都可以由这类有效不等式生成。

下面介绍 Chvatal-Gomory Cut 的生成步骤（又称为 Chvatal-Gomory 方法）：

• （1）已知 $IP$ 的一个有效不等式 $A$ 为 ${\sum }_{j=1}^n{a}_j{x}_j\le b$（这可以从基础约束中直接获得）
• （2）在 $A$ 的两边同时乘上一个非负数 $u$，从而得到一个新的不等式 $B:{\sum }_{j=1}^{n}u{a}_j{x}_j\le ub$
• （3）对不等式 $B$ 的左端系数和右端系数分别向下取整可以得到不等式 $C:{\sum }_{j=1}^n\lfloor u{a}_j\rfloor x_j\le \lfloor ub\rfloor$。 有效不等式 $C$ 就被称为 Chvatal-Gomory Cut

定理：整数规划模型的任意有效不等式都可以通过执行有限次的 Chvatal-Gomory 方法得到（因为生成 Chvatal-Gomory Cut 的步骤(2)中使用到的非负数 $u$ 有很多可能的取值，并且有效不等式之间的加减运算又可以构造出新的不等式）

下面用一个简单例子来展示生成 Chvatal-Gomory Cut 的过程：

考虑如下的 0-1 整数规划模型的约束条件：

x 1 + 4 x 2 ≤ 2 6 x 1 − x 2 ≤ 5 x 1 , x 2 ∈ { 0 , 1 } \begin{align} &x_1+4x_2 \le 2 \\ &6x_1-x_2 \le 5 \\ & x_1,x_2 \in \{0,1\} \end{align} ​x1​+4x2​≤26x1​−x2​≤5x1​,x2​∈{0,1}​​

假设对于两个约束的非负数 $u$ 分别取 $u_1=\frac{1}{7}$ 和 $u_2=\frac{1}{3}$，然后在不等式 （4）的两边乘上 $u_1$，在不等式（5）的两边乘上 $u_2$，可以得到两个新的不等式：

$$\begin{array}{rl}& \frac{1}{7}{x}_1+\frac{4}{7}{x}_2\le \frac{2}{7}\\ & 2x_1-\frac{1}{3}{x}_2\le \frac{5}{3}\end{array}$$

对上述两个不等式（7）和（8）进行加权求和，得到有效不等式为：
$$\begin{array}{rl}& \frac{15}{7}{x}_1+\frac{5}{21}{x}_2\le \frac{41}{21}\end{array}$$

然后，对不等式（9）的左端和右端系数向下取整，得到新的有效不等式（10），这就是一个 Chvatal-Gomory Cut：
$$\begin{array}{rl}& 2x_1\le 1\end{array}$$

当然，针对这个案例，我们还可以进一步对不等式（10）加强：由于 x 1 ∈ { 0 , 1 } x_1 \in \{0,1\} x1​∈{0,1} 且 $2x_1\le 1$ ，所以就可以得到 :

$$\begin{array}{rl}& x_1=0\end{array}$$

直接就可以把 $x_1$ 的值给确定下来了~！

3.2 Gomory Cut

Gomory Cut 是第一个通用的割平面方法，其基本思想是先求解整数线性规划模型的线性松弛得到最优基，然后选择松弛问题最优解中的非整数基，利用其相应的约束构造 Gomory Cut

3.2.1 纯整数规划模型

考虑如下的纯整数规划模型：

$$\begin{array}{rl}min& z={\mathbf{c}}^{\mathbf{T}}\mathbf{x}\\ s.t.& \mathbf{Ax}=\mathbf{b}\\ & \mathbf{x}\in {\mathbf{Z}}_{+}^{\mathbf{n}}\end{array}$$

其中，$\mathbf{A}$ 是一个 $m\times n$ 的矩阵。假设已知其线性松弛模型的最优基 $\mathbf{B}$，不妨假设 $\mathbf{B}$ 对应的列为 $\mathbf{A}$ 的前 $m$ 列，记作 $\mathbf{A}=(\mathbf{B},\mathbf{N})$，则模型（12）-（14）可以写成下面的形式：

$$\begin{array}{rl}min& z={\bar{c}}_0+\sum _{j\in NB}{\bar{c}}_j{x}_j\\ s.t.& x_{B_i}+\sum _{j\in NB}{\bar{a}}_{ij}{x}_j={\bar{b}}_i\forall i=1,...,m\\ & \mathbf{x}\in {\mathbf{Z}}_{+}^{\mathbf{n}}\end{array}$$

其中，$x_{B_i}$ 为第 $i$ 个基变量，${\bar{b}}_i\ge 0(i=1,...,m)$，$NB$ 是非基变量指标集

如果线性松弛模型的最优解不是整数解，必然存在某行的右端项 ${\bar{b}}_i$ 是非整数的。

因此，我们可以利用 Chvatal-Gomory 方法得到有效不等式：

$$\begin{array}{rl}& x_{B_i}+\sum _{j\in NB}\lfloor {\bar{a}}_{ij}\rfloor x_j\le \lfloor {\bar{b}}_i\rfloor \end{array}$$

将式（18）两端乘 $-1$ 并与等式（16）相加，可得到如下所示的有效不等式，称之为 基本的Gomory Cut：

$$\begin{array}{rl}& \sum _j({\bar{a}}_{ij}-\lfloor {\bar{a}}_{ij}\rfloor )x_j\ge {\bar{b}}_i-\lfloor {\bar{b}}_i\rfloor \end{array}$$

对于任意行 $i=1,...,m$ 和任意列 $j=1,...,n$ ，定义 $f_{i0}={\bar{b}}_i-\lfloor {\bar{b}}_i\rfloor$，$f_{ij}={\bar{a}}_{ij}-\lfloor {\bar{a}}_{ij}\rfloor$，则不等式（19）还可以等效表达为：

$$\begin{array}{rl}& \sum _j{f}_{ij}{x}_j\ge f_{i0}\end{array}$$

下面给出加强的Gomory Cut：

$$\begin{array}{rl}& \sum _{f_{ij}\le f_{i0}}{f}_{ij}{x}_j+\sum _{f_{ij}>f_{i0}}\frac{f_{i0}}{1-f_{i0}}(1-f_{ij})x_j\ge f_{i0}\end{array}$$

不等式（21）比不等式（20）更强（证明过程略）

3.2.2 混合整数规划模型

上面介绍的 Gomory Cut 只适用于纯整数规划模型，下面介绍适用于混合整数规划模型的 Gomory Cut

考虑下面的混合整数规划模型：

$$\begin{array}{rl}min& z={\mathbf{c}}_1^{\mathbf{T}}\mathbf{x}+{\mathbf{c}}_2^{\mathbf{T}}\mathbf{y}\\ s.t.& {\mathbf{A}}_1\mathbf{x}+{\mathbf{A}}_2\mathbf{y}=\mathbf{b}\\ & \mathbf{x}\in {\mathbf{R}}_{+}^{{\mathbf{n}}_1},\mathbf{y}\in {\mathbf{Z}}_{+}^{{\mathbf{n}}_2}\end{array}$$

其中，${\mathbf{A}}_1$ 和 ${\mathbf{A}}_2$ 分别是 $m\times n_1$ 和 $m\times n_2$ 的矩阵，${\mathbf{c}}_1\in {\mathbf{R}}^{{\mathbf{n}}_1},{\mathbf{c}}_2\in {\mathbf{R}}^{{\mathbf{n}}_2},\mathbf{b}\in {\mathbf{R}}^{\mathbf{m}}$

假设已知其线性松弛问题的最优基 $\mathbf{B}$，并且在 $\mathbf{B}$ 中存在并未取到整数值的基变量 $y_{B_i}$，则其对应的等式约束可以写成以下形式：

$$\begin{array}{rl}& y_{B_i}+\sum _{j\in N_2}{\bar{a}}_{ij}{y}_j+\sum _{j\in N_1}{\bar{a}}_{ij}{x}_j={\bar{b}}_i\end{array}$$

其中，$N_2$ 对应非基变量中的整数变量，$N_1$ 对应非基变量中的实数变量

则可以给出适用于混合整数规划模型的 Gomory Cut 如下所示（称之为 Gomory 混合整数割）：

$$\begin{array}{rl}& \sum _{f_{ij}\le f_{i0}}{f}_{ij}{y}_j+\sum _{f_{ij}>f_{i0}}\frac{f_{i0}(1-f_{ij})}{1-f_{i0}}{y}_{ij}+\sum _{{\bar{a}}_{ij}>0}{\bar{a}}_{ij}{x}_j+\sum _{{\bar{a}}_{ij}<0}\frac{f_{i0}}{1-f_{i0}}{\bar{a}}_{ij}{x}_j\ge f_{i0}\end{array}$$

3.3 Mixed Integer Rounding Cut

设 $N=\{(x,y)\in R_{+}\times Z_{+}|x+y\ge b\}$，如果 $f=b-\lfloor b\rfloor >0$，则

$$\begin{array}{rl}& x\ge f(\lceil b\rceil -y)或\frac{x}{y}+y\ge \lceil b\rceil \end{array}$$

是集合 $N$ 的有效不等式，称为 Mixed Integer Rounding Cut（混合舍入整数割）

3.4 Covering Cut

考虑 0-1 背包集合（$b$ 为背包的容量，$w_j$为第 $j$ 个物品的重量，$x_j$ 表示是否放入第 $j$ 个物品）：

N = { x ∈ { 0 , 1 } n ∣ ∑ j = 1 n w j x j ≤ b } \begin{align} &N=\{ x\in \{0,1\}^n | \sum_{j=1}^{n}{w_jx_j} \le b\} \end{align} ​N={x∈{0,1}n∣j=1∑n​wj​xj​≤b}​​

如果集合 $C$ 满足 ${\sum }_{j\in C}{w}_j>b$，则称 $C$ 是一个覆盖，若覆盖集合 $C$ 中去掉任何一个元素之后都不再是覆盖，则称 $C$ 为最小覆盖

由覆盖的定义可以得到如下的 Covering Cut（覆盖不等式）：

$$\begin{array}{rl}& \sum _{j\in C}{x}_j\le |C|-1\end{array}$$

接着，我们还可以得到 加强的Covering Cut （证明过程略）：

$$\begin{array}{rl}& \sum _{j\in E(C)}{x}_j\le |C|-1\end{array}$$

其中， E ( C ) = C ∪ { j ∣ w j ≥ w i , ∀ i ∈ C } E(C)=C \cup \{j|w_j\ge w_i,\forall i \in C\} E(C)=C∪{j∣wj​≥wi​,∀i∈C}

---

四、Java调用Cplex代码实战

4.1 实战1：基于 Gomory Cut 的割平面法求解 IP

考虑下面的纯整数规划模型：

m a x x 1 + x 2 s . t . − x 1 + x 2 ≤ 4 3 x 1 + x 2 ≤ 2 x 1 , x 2 ∈ { 0 , 1 } \begin{align} max \quad &x_1+x_2 \\ s.t. \quad &-x_1+x_2 \le 4 \\ & 3x_1+x_2\le 2 \\ &x_1,x_2 \in \{0,1\} \end{align} maxs.t.​x1​+x2​−x1​+x2​≤43x1​+x2​≤2x1​,x2​∈{0,1}​​

Java代码实现如下：

未完待续...