关于Bender decomposition分解算法解析附python代码

最新推荐文章于 2025-06-04 21:48:26 发布

晚风热吻于我

最新推荐文章于 2025-06-04 21:48:26 发布

阅读量1.8k

点赞数 17

CC 4.0 BY-SA版权

文章标签：算法 python 开发语言

本文链接：https://blog.csdn.net/2301_79911052/article/details/139276016

1.Bender decomposition分解算法的原理

2.Bender decomposition算法的python实现

最近在学习鲁棒优化的时候看到了一个新算法也就是本文的Bender 分解算法本着求知的态度，看了网上的众多解释可教程，大概算是有点了解了，顺手写个blog记录一下吧，附上复现的python代码和matlab代码

一、Bender decomposition算法的原理

Bender分解算法是用来求解MIP问题的，特别是对于大规模混合整数规划问题有奇效，注：当然这也是我道听途说，gpt也是这样说的，实际上的求解效率笔者没有和其他精确算法进行对比过
其本质思想就是将复杂的变量给置换出来，考虑如下模型(MIP)：
$\begin{aligned}&\min_{x,y}&&cx+fy\\&\mathrm{s.t.}&&Ax+By=b\\&&&x\geqslant0\\&&&y\in Y\subseteq\mathbb{R}^n\end{aligned}$
其中x是连续决策变量，y是整数变量
其中 $c\in\mathbb{R}^{1\times m},f\in\mathbb{R}^{1\times n}$ ,是行向量，其维度分别为 $m\times1$ 和 $n\times1$ 。 $A, B$ 是约束矩阵，其维度分别为 $A\in\mathbb{R}^{r\times m},B\in\mathbb{R}^{r\times n}$ 。 $b$ 为右端常数项。
这个模型进行求解的时候是比较困难的，于是Jacques F. Benders 在1962年想到将y这个复杂变量给提前确定好，也就是固定一个值，于是就得了一个LP问题：
$\begin{aligned}&\text{SP:}\quad\min_{x}\quad cx\\&\text{s.t.}\quad Ax=b-B\bar{y}\\&x\geqslant0\end{aligned}$
这个问题里面只有一个线性变量 $x$ 不是np-hard问题，自然可以很轻松的求解，学术上也就称这个问题为子问题(subproblem)
同时对比初始问题余下的也就叫主问题(master problem),如下所示：