【0基础运筹学】【超详细】列生成(Column Generation)
目录
- 相关教程
- 相关文献
- 前言
- 从一个例子出发:Cutting Stock Problem
- 问题描述
- 分析
- 建模
- Master Problem(MP)
- Restricted Master Problem(RMP)
- Restricted Linear Master Problem(RLMP)
- Dual of Restricted Linear Master Problem
- Subproblem
- 迭代
- 列生成:Cutting Stock Problem
- 问题描述
- 建模
- Master Problem(MP)
- Restricted Master Problem(RMP)
- Dual of Restricted Master Problem
- Subproblem
- 迭代
- 流程图
- 总结
列生成(Column generation)
是一种解决大型线性程序的有效算法。
相关教程
- 【从零开始】coin-or/CoinUtils Osi Clp Cgl Cbc源码构建debug(CLion/CMake)
相关文献
- Column generation(wikipedia)
- 干货 | 10分钟带你彻底了解column generation(列生成)算法的原理附java代码
- 列生成和分支定价
- 线性规划技巧: 列生成(Column Generation)
- 列生成算法原理(单纯形基础)
- 列生成(Column Generation)算法
- 【Column Generation思考-02】|从对偶的角度理解Cutting Stock Problem【更新版本】
- Gilmore P C, Gomory R E. A linear programming approach to the cutting-stock problem[J]. Operations research, 1961, 9(6): 849-859.
- 运筹说 第21期 | 算法介绍之列生成算法
前言
之前一直想跟大家分享一下列生成(Column generation)
,也全网搜了许多文档、视频、论文等。大部分教程抽象程度较高,需要具备大量的基础知识才能看明白,于是写一篇尽可能0基础上手的分享,希望能帮到也在从事相关行业的你。
一定有人会问,有没有行生成算法?当然有啦!!!有机会之后给大家分享!!!——@小猪快跑
从一个例子出发:Cutting Stock Problem
问题描述
卖家有3种长度的木材:9cm(5元),14cm(9元),16cm(10元)。
买家需要木材:4cm(30根),5cm(20根),7cm(40根)。
于是卖家需要通过切割木材
满足买家的需求,而且卖家希望成本最低
从而达到受益最大。
分析
首先我们来简单思考下,一根9cm的木材能有多少种切法满足买家需要的4cm,5cm,7cm
cost(元) | 切前木材长度(cm) | 4cm木材数量 | 5cm木材数量 | 7cm木材数量 |
---|---|---|---|---|
5 | 9 | 1 | 0 | 0 |
5 | 9 | 2 | 0 | 0 |
5 | 9 | 0 | 1 | 0 |
5 | 9 | 1 | 1 | 0 |
5 | 9 | 0 | 0 | 1 |
本着不浪费的中华传统美德,显然第二行的切法比第一行更好
一些哟(^U^)ノ~YO
我们一般习惯称一种切割方法为cutting pattern
。
好啦,之后就非常easy的搞定之后的(只保留比较好的pattern)。
All Cutting Pattern:
cost(元) | 切前木材长度(cm) | 4cm木材数量 | 5cm木材数量 | 7cm木材数量 | 符号 |
---|---|---|---|---|---|
5 | 9 | 2 | 0 | 0 | x1x_1x1 |
5 | 9 | 1 | 1 | 0 | x2x_2x2 |
5 | 9 | 0 | 0 | 1 | x3x_3x3 |
9 | 14 | 3 | 0 | 0 | x4x_4x4 |
9 | 14 | 2 | 1 | 0 | x5x_5x5 |
9 | 14 | 1 | 2 | 0 | x6x_6x6 |
9 | 14 | 1 | 0 | 1 | x7x_7x7 |
9 | 14 | 0 | 1 | 1 | x8x_8x8 |
9 | 14 | 0 | 0 | 2 | x9x_9x9 |
10 | 16 | 4 | 0 | 0 | x10x_{10}x10 |
10 | 16 | 2 | 0 | 1 | x11x_{11}x11 |
10 | 16 | 1 | 1 | 1 | x12x_{12}x12 |
10 | 16 | 0 | 3 | 0 | x13x_{13}x13 |
于是我们只需要从All Cutting Pattern
里面确定每个Pattern需要几次
就行了。(举个例子:比如x1=30\bm{x_1=30}x1=30代表我们使用第1种切法切了30根9cm长度的木材)。
我们目标是用最少的钱
完成买家的需求,也就是每个Pattern的cost×数量\bm{cost\times }\textbf{数量}cost×数量的总和。
5x1+5x2+5x3+9x4+9x5+9x6+9x7+9x8+9x9+10x10+10x11+10x12+10x135x_1+5x_2+5x_3+9x_4+9x_5+9x_6+9x_7+9x_8+9x_9+10x_{10}+10x_{11}+10x_{12}+10x_{13}5x1+5x2+5x3+9x4+9x5+9x6+9x7+9x8+9x9+10x10+10x11+10x12+10x13
另外呢我们需要满足买家数量上的要求
。
4cm要超过30根:
2x1+x2+0x3+3x4+2x5+x6+x7+0x8+0x9+4x10+2x11+x12+0x13≥302x_1+x_2+0x_3+3x_4+2x_5+x_6+x_7+0x_8+0x_9+4x_{10}+2x_{11}+x_{12}+0x_{13}\geq 302x1+x2+0x3+3x4+2x5+x6+x7+0x8+0x9+4x10+2x11+x12+0x13≥30
5cm要超过20根:
0x1+x2+0x3+0x4+x5+2x6+0x7+x8+0x9+0x10+0x11+x12+3x13≥200x_1+x_2+0x_3+0x_4+x_5+2x_6+0x_7+x_8+0x_9+0x_{10}+0x_{11}+x_{12}+3x_{13}\geq 200x1+x2+0x3+0x4+x5+2x6+0x7+x8+0x9+0x10+0x11+x12+3x13≥20
7cm要超过70根:
0x1+0x2+x3+0x4+0x5+0x6+x7+x8+2x9+0x10+x11+x12+0x13≥400x_1+0x_2+x_3+0x_4+0x_5+0x_6+x_7+x_8+2x_9+0x_{10}+x_{11}+x_{12}+0x_{13}\geq 400x1+0x2+x3+0x4+0x5+0x6+x7+x8+2x9+0x10+x11+x12+0x13≥40
建模
Master Problem(MP)
根据上面的分析,我们已经有了决策变量xix_ixi,我们有了目标函数最少的钱
,我们也有了相应的约束满足买家数量上的要求
,于是乎我们可以来建模啦!!!
定义决策变量xi\bm{x_i}xi为使用第iii种Pattern的根数。
min5x1+5x2+5x3+9x4+9x5+9x6+9x7+9x8+9x9+10x10+10x11+10x12+10x13\min{5x_1+5x_2+5x_3+9x_4+9x_5+9x_6+9x_7+9x_8+9x_9+10x_{10}+10x_{11}+10x_{12}+10x_{13}}min5x1+5x2+5x3+9x4+9x5+9x6+9x7+9x8+9x9+10x10+10x11+10x12+10x13
s.t.s.t.s.t.
2x1+x2+0x3+3x4+2x5+x6+x7+0x8+0x9+4x10+2x11+x12+0x13≥302x_1+x_2+0x_3+3x_4+2x_5+x_6+x_7+0x_8+0x_9+4x_{10}+2x_{11}+x_{12}+0x_{13}\geq 302x1+x2+0x3+3x4+2x5+x6+x7+0x8+0x9+4x10+2x11+x12+0x13≥30
0x1+x2+0x3+0x4+x5+2x6+0x7+x8+0x9+0x10+0x11+x12+3x13≥200x_1+x_2+0x_3+0x_4+x_5+2x_6+0x_7+x_8+0x_9+0x_{10}+0x_{11}+x_{12}+3x_{13}\geq 200x1+x2+0x3+0x4+x5+2x6+0x7+x8+0x9+0x10+0x11+x12+3x13≥20
0x1+0x2+x3+0x4+0x5+0x6+x7+x8+2x9+0x10+x11+x12+0x13≥400x_1+0x_2+x_3+0x_4+0x_5+0x_6+x_7+x_8+2x_9+0x_{10}+x_{11}+x_{12}+0x_{13}\geq 400x1+0x2+x3+0x4+0x5+0x6+x7+x8+2x9+0x10+x11+x12+0x13≥40
xi∈Nx_i\in\mathbb{N}xi∈N
每一列:一种可行的切割方案需要被执行的次数
,或者多少根棒材使用这种切割方案
每一行:一种棒材的需求必须要被满足
Restricted Master Problem(RMP)
有时候MP
的规模会非常大,于是我们考虑如果先用几种Pattern
得到一个可行的方案(可能不是最优解),然后我们有了这个可行解后再去依次看如果增加其他Pattern
会不会有更好的解,而直接求解MP
可能在给定时间内无法得到可行解。
于是顺着这个思路我们构建RMP
(要注意我们选择的Pattern
至少能得到一个可行解):
定义决策变量xi\bm{x_i}xi为使用第iii种Pattern的根数。
min5x1+5x2+5x3\min{5x_1+5x_2+5x_3}min5x1+5x2+5x3
s.t.s.t.s.t.
2x1+x2+0x3≥302x_1+x_2+0x_3\geq 302x1+x2+0x3≥30
0x1+x2+0x3≥200x_1+x_2+0x_3\geq 200x1+x2+0x3≥20
0x1+0x2+x3≥400x_1+0x_2+x_3\geq 400x1+0x2+x3≥40
xi∈Nx_i\in\mathbb{N}xi∈N
Restricted Linear Master Problem(RLMP)
常规的列生成方法都是解决LP问题的,这时候我们做一些适当的松弛(也就是xi∈Nx_i\in\mathbb{N}xi∈N变成xi≥0x_i\geq 0xi≥0)。
于是顺着这个思路我们构建RLMP
(要注意RLMP
的可行解并不一定是RMP
的可行解,但我们只需要把解上取整即可):
定义决策变量xi\bm{x_i}xi为使用第iii种Pattern的根数。
min5x1+5x2+5x3\min{5x_1+5x_2+5x_3}min5x1+5x2+5x3
s.t.s.t.s.t.
2x1+x2+0x3≥302x_1+x_2+0x_3\geq 302x1+x2+0x3≥30
0x1+x2+0x3≥200x_1+x_2+0x_3\geq 200x1+x2+0x3≥20
0x1+0x2+x3≥400x_1+0x_2+x_3\geq 400x1+0x2+x3≥40
xi≥0x_i\geq 0xi≥0
然后我们可以用LP求解器
直接求解上述模型(这里我用Clp
来举例,当然你可以使用你喜欢的求解器)
(为了排版整洁方便阅读,我会把代码放在文末)
直接运行得到
理论上来说我们应该对结果
上取整
,但我们将在得到松弛后的MP
解之后再上取整会更方便高效,所以这里我们不进行上取整
(不过好像刚好解是整数Σ(⊙▽⊙"a——@小猪快跑):
Objectivevalue=325Objective \: value = 325Objectivevalue=325
x1=5x_1 = 5x1=5
x2=20x_2 = 20x2=20
x3=40x_3 = 40x3=40
我们试图来解释一下solution的含义:用5个Pattern 1(也就是说选了5根9cm的木材,每根都切成2个4cm),类似的又用了20个Pattern 2和40个Pattern 3,这样的选择能使我们总花费最少——325元。
Dual of Restricted Linear Master Problem
现在我们从另一个角度来考虑
RMP
。
【卖家】直接购买成品(切割后的木材),转手卖给客户,类似中间商。
【卖家】目标:最多花多少钱购买成品挣得要比自己生产多。
【卖家】约束:需要给成品定一个心理价位。这些心理价位必须满足:对于任意切割方案,购买成品的钱 <= 自己生产的钱
。(比如说,卖家花5元买到1根9cm的木材可以切割成2个4cm成品,也就是说卖家如果直接购买2个4cm的成品价格超过5元那不如自己生产了。写成公式:2y1≤52y_1\leq 52y1≤5,其中y1\bm{y_1}y1为4cm木材的心理价格)
————————————————————————————————————————————————————————
定义决策变量yi\bm{y_i}yi分别为4cm(30根),5cm(20根),7cm(40根)木材的心理价格。
max30y1+20y2+40y3\max{30y_1+20y_2+40y_3}max30y1+20y2+40y3
s.t.s.t.s.t.
2y1+0y2+0y3≤52y_1+0y_2+0y_3\leq 52y1+0y2+0y3≤5
y1+y2+0y3≤5y_1+y_2+0y_3\leq 5y1+y2+0y3≤5
0y1+0y2+y3≤50y_1+0y_2+y_3\leq 50y1+0y2+y3≤5
yi≥0y_i\geq 0yi≥0
直接求解:
Objectivevalue=325Objective \: value = 325Objectivevalue=325
y1=2.5y_1 = 2.5y1=2.5
y2=2.5y_2 = 2.5y2=2.5
y3=5.0y_3 = 5.0y3=5.0
我们试图来解释一下solution的含义:4cm、5cm、7cm成品木材的心理价格分别是2.5元、2.5元、5元,最多花325元购买成品挣得要比自己生产多。
也就是说只要价格比2.5元、2.5元、5元低,卖家就赚了
。
Subproblem
- 单纯形法检验数的含义:该产品(变量)的市场价格与该产品的隐含成本之差。市场价格高于隐含成本,即检验数大于零时,则可将该产品投入生产。
- 原问题检验数对应其对偶问题的一个基解
如果你知道检验数的概念,会很快理解subproblem,不过在这里我会假设你不知道,试图用最简单的方法让你理解——@小猪快跑
在
dual
问题中我们计算出成品的心理价格。接下来我们想知道是不是存在更省钱的Pattern。
首先我们来思考一下如何判定一个Pattern是不是更省钱。
例子1:9cm的木材完全浪费掉也是一种Pattern,但一根9cm的木材要5元,也就是说卖家损失了5元。
例子2:Pattern 9:14cm木材(9元)切割成2根7cm成品(使用Pattern 1、2、3的7cm心理价格是5元)。也就是卖家只用Pattern 1、2、3这三种切割方法的时候,只要用低于5元的价格购买7cm再卖掉就比自己切割赚钱了,而如果加上了Pattern 9,卖家如果用5元的价格就不如自己直接用Pattern 9来的赚钱,而是必须低于4.5元(9元/2)的价格购买7cm再卖掉才比自己切割赚钱。
有了上面两个例子我们已经逐渐清晰如何去判定一个Pattern是不是更省钱。
也就是说我们的目标是去寻找一个新Pattern:新Pattern切割后的成品在老Pattern下的心理价格 > 新Pattern的价格
定义决策变量aj\bm{a_{j}}aj是新Pattern切割后4cm,5cm,7cm木材的数量。
新Pattern切割后的成品在老Pattern下的心理价格【2.5a1+2.5a2+5a32.5a_1+2.5a_2+5a_32.5a1+2.5a2+5a3】>新Pattern的价格【9元(14cm)】
即:
2.5a1+2.5a2+5a3>92.5a_1+2.5a_2+5a_3>92.5a1+2.5a2+5a3>9
⇒9−(2.5a1+2.5a2+5a3)<0\Rightarrow 9-(2.5a_1+2.5a_2+5a_3)<0⇒9−(2.5a1+2.5a2+5a3)<0(不等号左边我们一般称之为检验数
,这就是我们常说的检验数判定解是否是最优解
)
这里我们用一个约束转换成目标函数的小技巧:令z=9−(2.5a1+2.5a2+5a3)z=9-(2.5a_1+2.5a_2+5a_3)z=9−(2.5a1+2.5a2+5a3),如果minz\min zminz比0还大,那说明不存在z>0z>0z>0的解,也就是不存在更省钱的Pattern。
新Pattern切割后总长度不能超过原始木材长度:4a1+5a2+7a3≤144a_1+5a_2+7a_3\leq 144a1+5a2+7a3≤14
综合起来就是:
min9−(2.5a1+2.5a2+5a3)\min{9-(2.5a_1+2.5a_2+5a_3)}min9−(2.5a1+2.5a2+5a3)
4a1+5a2+7a3≤144a_1+5a_2+7a_3\leq 144a1+5a2+7a3≤14
于是我们分别建立9cm、14cm、16cm的Subproblem :
————————————————————————————————————————————————————————
Subproblem 1(9cm,5元)
定义决策变量aj\bm{a_{j}}aj是Pattern切割后4cm,5cm,7cm木材的数量。
minz=5−(2.5a1+2.5a2+5a3)\min{z=5-(2.5a_1+2.5a_2+5a_3)}minz=5−(2.5a1+2.5a2+5a3)
s.t.s.t.s.t.
4a1+5a2+7a3≤94a_1+5a_2+7a_3\leq 94a1+5a2+7a3≤9
ai∈Na_i\in\mathbb{N}ai∈N
求解得:a=(2,0,0)T,z=0a=(2,0,0)^T, z=0a=(2,0,0)T,z=0
————————————————————————————————————————————————————————
Subproblem 2(14cm,9元)
定义决策变量aj\bm{a_{j}}aj是Pattern切割后4cm,5cm,7cm木材的数量。
minz=9−(2.5a1+2.5a2+5a3)\min{z=9-(2.5a_1+2.5a_2+5a_3)}minz=9−(2.5a1+2.5a2+5a3)
s.t.s.t.s.t.
4a1+5a2+7a3≤144a_1+5a_2+7a_3\leq 144a1+5a2+7a3≤14
ai∈Na_i\in\mathbb{N}ai∈N
求解得:a=(0,0,2)T,z=−1\bm{a=(0,0,2)^T, z=-1}a=(0,0,2)T,z=−1
————————————————————————————————————————————————————————
Subproblem 3(16cm,10元)
定义决策变量aj\bm{a_{j}}aj是Pattern切割后4cm,5cm,7cm木材的数量。
minz=10−(2.5a1+2.5a2+5a3)\min{z=10-(2.5a_1+2.5a_2+5a_3)}minz=10−(2.5a1+2.5a2+5a3)
s.t.s.t.s.t.
4a1+5a2+7a3≤164a_1+5a_2+7a_3\leq 164a1+5a2+7a3≤16
ai∈Na_i\in\mathbb{N}ai∈N
求解得:a=(4,0,0)T,z=0a=(4,0,0)^T, z=0a=(4,0,0)T,z=0
迭代
我们发现Subproblem 2的z<0z<0z<0,于是我们把a=(0,0,2)Ta=(0,0,2)^Ta=(0,0,2)T这个Pattern加入到
RLMP
中,因为这就是我们找到的更省钱的Pattern。
定义决策变量xi\bm{x_i}xi为使用第iii种Pattern的根数。
min5x1+5x2+5x3+9x9\min{5x_1+5x_2+5x_3+9x_9}min5x1+5x2+5x3+9x9
s.t.s.t.s.t.
2x1+x2+0x3+0x9≥302x_1+x_2+0x_3+0x_9\geq 302x1+x2+0x3+0x9≥30
0x1+x2+0x3+0x9≥200x_1+x_2+0x_3+0x_9\geq 200x1+x2+0x3+0x9≥20
0x1+0x2+x3+2x9≥400x_1+0x_2+x_3+2x_9\geq 400x1+0x2+x3+2x9≥40
xi≥0x_i\geq 0xi≥0
求解后得到:
Objectivevalue=305Objective \: value = 305Objectivevalue=305
x1=5x_1 = 5x1=5
x2=20x_2 = 20x2=20
x3=0x_3 = 0x3=0
x9=20x_9 = 20x9=20
y1=2.5y_1 = 2.5y1=2.5
y2=2.5y_2 = 2.5y2=2.5
y9=4.5y_9 = 4.5y9=4.5
由于x3=0x_3=0x3=0,所以我们可以从模型中舍去x3x_3x3。
于是我们分别建立9cm、14cm、16cm的Subproblem :
————————————————————————————————————————————————————————
Subproblem 1(9cm,5元)
定义决策变量aj\bm{a_{j}}aj是Pattern切割后4cm,5cm,7cm木材的数量。
minz=5−(2.5a1+2.5a2+4.5a9)\min{z=5-(2.5a_1+2.5a_2+4.5a_9)}minz=5−(2.5a1+2.5a2+4.5a9)
s.t.s.t.s.t.
4a1+5a2+7a9≤94a_1+5a_2+7a_9\leq 94a1+5a2+7a9≤9
ai∈Na_i\in\mathbb{N}ai∈N
求解得:a=(2,0,0)T,z=0a=(2,0,0)^T, z=0a=(2,0,0)T,z=0
————————————————————————————————————————————————————————
Subproblem 2(14cm,9元)
定义决策变量aj\bm{a_{j}}aj是Pattern切割后4cm,5cm,7cm木材的数量。
minz=9−(2.5a1+2.5a2+4.5a9)\min{z=9-(2.5a_1+2.5a_2+4.5a_9)}minz=9−(2.5a1+2.5a2+4.5a9)
s.t.s.t.s.t.
4a1+5a2+7a9≤144a_1+5a_2+7a_9\leq 144a1+5a2+7a9≤14
ai∈Na_i\in\mathbb{N}ai∈N
求解得:a=(0,0,2)T,z=0a=(0,0,2)^T, z=0a=(0,0,2)T,z=0
————————————————————————————————————————————————————————
Subproblem 3(16cm,10元)
定义决策变量aj\bm{a_{j}}aj是Pattern切割后4cm,5cm,7cm木材的数量。
minz=10−(2.5a1+2.5a2+4.5a9)\min{z=10-(2.5a_1+2.5a_2+4.5a_9)}minz=10−(2.5a1+2.5a2+4.5a9)
s.t.s.t.s.t.
4a1+5a2+7a9≤164a_1+5a_2+7a_9\leq 164a1+5a2+7a9≤16
ai∈Na_i\in\mathbb{N}ai∈N
求解得:a=(4,0,0)T,z=0a=(4,0,0)^T, z=0a=(4,0,0)T,z=0
所有的Subproblem目标z≥0z \geq 0z≥0,那就说明不存在更好的Pattern,于是最终的解(记得
上取整
):x1=5,x2=20,x9=20x_1 = 5, x_2 = 20, x_9 = 20x1=5,x2=20,x9=20
以上整个算法过程我们就称之为——列生成
列生成:Cutting Stock Problem
本节需要一定的运筹学基础,但如果你已经看完上文的话,我相信理解起来也会非常简单了。——@小猪快跑
提出Gomory割的大佬Gomory在IBM的时候,与另一个大佬Gilmore 共同提出了著名的Column Generation:
参考文献:
@article{gilmore1961linear,
title={A linear programming approach to the cutting-stock problem},
author={Gilmore, Paul C and Gomory, Ralph E},
journal={Operations research},
volume={9},
number={6},
pages={849–859},
year={1961},
publisher={INFORMS}
}
问题描述
卖家有nnn种长度的木材:LiL_iLi m(cic_ici元)
买家需要mmm种长度的木材:lil_ili m(did_idi根)
于是卖家需要通过切割木材
满足买家的需求,而且卖家希望成本最低
从而达到受益最大。
建模
Master Problem(MP)
min∑i=1ncixis.t.∑i=1naijxi≥bi,j=1,2,...,mxi∈N,∀i\begin{aligned} & \min{\sum_{i=1}^n c_ix_i} \\ & s.t. \sum_{i=1}^n a_{ij}x_i \geq b_i , j=1,2,...,m \\ & x_i\in\mathbb{N}, \forall i \end{aligned} mini=1∑ncixis.t.i=1∑naijxi≥bi,j=1,2,...,mxi∈N,∀i
Restricted Master Problem(RMP)
min∑i=1kcixis.t.∑i=1kaijxi≥bi,j=1,2,...,mxi∈N,∀i\begin{aligned} & \min{\sum_{i=1}^k c_ix_i} \\ & s.t. \sum_{i=1}^k a_{ij}x_i \geq b_i , j=1,2,...,m \\ & x_i\in\mathbb{N}, \forall i \end{aligned} mini=1∑kcixis.t.i=1∑kaijxi≥bi,j=1,2,...,mxi∈N,∀i
也就是MP问题变量数从nnn减少到kkk个,需要注意我们强制了xi(i>k)x_i(i>k)xi(i>k)的变量为非基变量。
Dual of Restricted Master Problem
为了在Subproblem中计算检验数:σj=cj−cBB−1aj\sigma_j = c_j-c_BB^{-1}a_jσj=cj−cBB−1aj,我们需要计算出cBB−1c_BB^{-1}cBB−1,一般来说他有两重含义:
- 通过求解RMP问题得到的影子价格(shadow price)。
- 通过求解RMP对偶问题得到的对偶变量(dual variable)。
我们一般使用第2种对偶问题求解。因为RMP一般变量极多,而单纯形法对于变量多的问题求解很困难。原问题的变量对应对偶问题的约束,目标系数对应约束边界,约束矩阵倒转过来。
所以在对偶问题上就没有这个困扰。
Subproblem
mincj−∑ωiais.t.∑i=1mliai≤Ljai≥0,∀i\begin{aligned} & \min c_j-\sum \omega_i a_{i} \\ & s.t. \sum_{i=1}^m l_{i}a_i \leq L_j \\ & a_i\geq 0, \forall i \end{aligned} mincj−∑ωiais.t.i=1∑mliai≤Ljai≥0,∀i
迭代
检验数小于0的话,就把Pattern加入列,进行下一次迭代,直到所有检验数大于等于0。最后上取整结果即可。
流程图
总结
- 列生成算法主要用于求解
变量多
,但大部分变量取值为0
的线性规划问题。 - 总体思路是先选出小部分变量构建
RMP
(也就是其余变量取值都是0)快速得到一个可行解,之后再通过Subproblem计算检验数(reduced cost)寻找有没有更好的变量加入模型再次求解,直到找不到更好的变量。 - 为什么增加变量可以让目标值更好呢?原问题增加变量=>对偶问题增加约束=>对偶问题最优值不变或者变小(对偶问题是max问题,约束越多可行域越小,自然目标函数优度下降)=>原问题最优值不变或者变小(对偶问题和原问题最优解是一样的)
事实上,我们需要找的变量是能在对偶问题中让最优解不满足新增的约束。
【0基础运筹学】【超详细】列生成(Column Generation)相关推荐
- DM数据库——模式、表、索引管理基础(超详细版)
DM数据库--模式.表.索引管理基础(超详细版) 一.管理模式对象的空间 1.DM8对普通表和索引提供的参数 2.DM8对HUGE表提供的参数 3.空间限制 4.查看占用的空间 二.管理表 1.设计表 ...
- 大学计算机基础知识点图文,大学计算机基础知识点超详细总结
大学计算机基础知识点超详细总结 第一章 计算机及信息技术概述1. 电子计算机的发展历程①1946 年 2 月由宾夕法尼亚大学研制成功的 ENIAC 是世界上第一台电子数字计算机. "诞生了一 ...
- mysql超详细教程_MySQL8.0.23安装超详细教程
前言 最近在做一个人脸识别的项目,需要用数据库保存学生信息与前段交互. MySQL的优点 1.mysql性能卓越,服务稳定,很少出现异常宕机. 2.mysql开放源代码且无版权制约,自主性及使用成本低 ...
- MySQL数据库零基础教学[超详细]
文章较长,但很详细,大家选择性观看即可 文章目录 一.数据库简介 二.MySQL数据类型常用类型 三.常用Sql语句 (1)Sql语句简介 SQL的概念 (2)数据定义语言DDL`create,alt ...
- PyQt5基础知识 超详细!!!(含代码)
在哔哩哔哩中看的教程整理的笔记:视频链接https://www.bilibili.com/video/BV1VE411t7kC?p=1 目录 一.水平布局 二.垂直布局 三.Grid 栅格布局 四. ...
- 一篇搞定css基础(超详细,附代码)
第一章:css概述 1.1.css的简介 1)什么是CSS css中文名称叫层叠样式表,层叠为css的布局,表示布局方式是通过一层层来实现的:样式是布局层的显示效果,主要是通过css提供的一些属性和属 ...
- java春招面试冲刺系列:mysql基础知识超详细复习
目录 基础 番外篇 MySQL体系结构 MySQL基准测试 数据库结构优化 MySQL的复制功能 MySQL日志 索引 表中有多个索引,优化器怎么决定使用哪个索引 SQL查询优化 数据库监控 常用命令 ...
- 【JAVA基础】初学者指南--两万字知识点总结--零基础,超详细 。
Java基础知识 JAVA入门 JAVA三大版本 JAVA的特性和优势 JAVA运行机制 JVM.JRE.JDK JAVA开发环境搭建 变量.数据类型和运算符 变量(variable) 变量的本质 变 ...
- 【深度学习】基础知识 | 超详细逐步图解 Transformer
作者 | Chilia 整理 | NewBeeNLP 1. 引言 读完先修知识中的文章之后,你会发现:RNN由于其顺序结构训练速度常常受到限制,既然Attention模型本身可以看到全局的信息, 那么 ...
- 第一章 R语言编程基础(超详细)
目录 1.1 工作环境 1.1.1 R的历史与发展 1.1.2 R的资源 1.1.3 RGui 1.1.4 Rstudio 1.1.5 为什么选择R 1.1.6 Tips for R 1.1.6 Ti ...
最新文章
- android中文首字母排序,Android上汉字按拼音排序如何实现?
- 有趣而又被忽略的Unity技巧
- 田志刚:人跟人差距怎么那么大呢?
- Python应用02--批量往Mysql数据库插入数据
- 计算机有残留office,电脑中无法安装Office2013删除残留文件的方法
- STM32F10x_StdPeriph_Lib_V3.5.0库与系统滴答定时器(Systick)
- 【Docker】Asp.net core在docker容器中的端口问题
- js 数组 ajax php,js里面的对象ajax post到php端直接变成数组了?
- python中的order_Hive中Order by和Sort by的区别是什么?
- Python数据结构与算法(二)栈和队列
- JAVA毕业设计河南口腔医疗机构线上服务系统计算机源码+lw文档+系统+调试部署+数据库
- Java枚举(enum)
- python 实体识别_英文实体识别的python实现
- [转帖]AMD、英特尔为何争相走向胶水多核处理器?真相在此
- assimp批量转模型_IGS模型批量转换成STL模型
- 怎么用python画房子_python绘图作业:使用pygame库画房子
- python 实现单链表 Lined List
- 【机器学习算法面试题】四.深度神经网络中激活函数有哪些?
- composer搭建php框架,利用 Composer 一步一步构建自己的 PHP 框架(一)——基础准备...
- 位宽512bit显卡_显卡位宽是什么?详解显卡位宽基础知识科普!