【分枝定界法】分枝定界法是什么？请详细进行解释

资源存储库

已于 2025-03-03 21:39:17 修改

阅读量1.4k

点赞数 42

分类专栏：笔记算法文章标签：算法

于 2025-03-03 21:28:44 首次发布

本文链接：https://blog.csdn.net/wq6qeg88/article/details/145999604

版权

算法同时被 2 个专栏收录

248 篇文章

订阅专栏

笔记

241 篇文章

订阅专栏

分枝定界法是什么？请详细进行解释

分枝定界法（Branch and Bound，B&B）详解

分枝定界法是什么？请详细进行解释

分枝定界法（Branch and Bound，B&B）详解

分枝定界法（Branch and Bound，简称 B&B）是一种用于求解混合整数线性规划（MILP）和整数规划（IP）的经典算法。

它是一种全局优化方法，主要用于解决 NP-hard 问题，如整数规划、组合优化问题、约束优化问题等。

1. 算法思想

分枝定界法的核心思想是将原问题分解成多个子问题（分枝），并利用上下界剪枝（定界）以减少计算量。

整个求解过程可以类比于在解空间树中进行深度优先或广度优先搜索。

主要包含以下三个步骤：

松弛求解（Relaxation）：首先忽略整数约束，求解对应的线性规划（LP）松弛问题，获得一个下界解。
分枝（Branching）：如果松弛解包含非整数变量，则选择某个非整数变量，创建两个新的子问题，一个向下取整，另一个向上取整。
定界（Bounding）：计算子问题的最优解，并利用已知的上下界剪枝（如果某个子问题的解比当前最优解差，则丢弃该分支）。

2. 算法步骤

假设要最小化一个整数规划问题：

步骤 1：求解松弛问题

忽略整数约束，将整数变量放宽为连续变量，求解对应的LP松弛问题。
如果松弛解已经是整数解，则该解即为最优解，结束算法。
如果松弛解包含非整数变量，则需要进行分枝。

步骤 2：分枝（Branching）

选择一个非整数变量，创建两个子问题：
- 左分支：添加约束 $x_i \leq \lfloor x_i^* \rfloor$ （向下取整）
- 右分支：添加约束 $x_i \geq \lceil x_i^* \rceil$ （向上取整）
这样，原问题被拆分成两个更小的子问题，每个子问题的解空间更小。

步骤 3：定界（Bounding）

计算两个子问题的LP 松弛解，得到它们的下界。
设当前已找到的最优整数解的目标值为 $z^*$ （上界），如果某个子问题的最优解 $z$ 满足：
$z \geq z^*$ ，说明该分支不可能优于当前最优解，可以剪枝（Pruning）。
若某个分支的 LP 解仍然是非整数，则继续递归分枝。
若某个分支的 LP 解为整数，并且优于 $z^*$ ，则更新最优解。

步骤 4：剪枝（Pruning）

剪枝可以显著减少计算量：
上界剪枝（如果当前解比最优解差，则丢弃）。
下界剪枝（如果某个子问题的 LP 解已经最优，则不再深入搜索）。
可行性剪枝（如果某个子问题的约束导致无可行解，则丢弃）。

3. 算法示例

示例问题

步骤 1：求解 LP 松弛问题

忽略整数约束，求解线性规划：
假设松弛解为 $x_1^* = 2.7, x_2^* = 3.6$ ，目标函数值 $z^* = 3(2.7) + 5(3.6) = 27.9$ 。
由于 $x_1^*$ 和 $x_2^*$ 都不是整数，因此需要分枝。

步骤 2：分枝

选取 $x_2 = 3.6$ 进行分枝，产生两个子问题：
左分支：添加约束 $x_2 \leq 3$
右分支：添加约束 $x_2 \geq 4$

步骤 3：求解新问题

分别求解这两个子问题的 LP 松弛解，继续分枝，直到所有变量均为整数。
在搜索过程中，通过上下界剪枝，减少不必要的计算。

步骤 4：获取最优解

假设找到最优整数解 $x_1 = 2, x_2 = 3$ ，则最优目标值为 $3(2) + 5(3) = 21$ 。
结束搜索，返回最优解。

4. 分枝定界法的剪枝策略

上界剪枝（Upper Bound Pruning）：如果一个分支的最优解比当前已知的最优解更差，则丢弃该分支。
下界剪枝（Lower Bound Pruning）：如果一个分支的最优解无法改善当前最优解，则不再深入搜索。
可行性剪枝（Feasibility Pruning）：如果一个子问题的约束不可行，则直接丢弃。