线性规划技巧: Benders Decomposition

2020-03-14 本文已影响0人胡拉哥

Benders分解由Jacques F. Benders在1962年提出^[1]. 它是一种把线性规划问题分解为小规模子问题的技巧. 通过迭代求解主问题和子问题, 从而逼近原问题的最优解. 与列生成(Column Generation)相比, Benders分解是一种行生成(Row Generation)技巧: 主问题的约束来自子问题的解. 本文介绍的内容基于 Georrion和Graves^[2].

问题描述

考虑如下的数学规划问题 $P(x,y)$ :
$\begin{aligned} \min ~ & c^{T} x + f(y) \\ & A x + F(y) = b \\ & x \geq 0 \\ & y \in Y \end{aligned}$
其中 $A\in \mathbb{R}^{m \times n}$ , $c\in \mathbb{R}^n$ , $b\in \mathbb{R}^m$ , $y\in\mathbb{R}^p$ . $f(y)$ 和 $F(y)$ 可以是非线性的. $Y$ 可以是离散或连续的. 给定 $y$ , 上述问题则变成了一个标准的线性规划问题, 记作 $P(x|y)$ .

假设. $\forall y\in Y$ , 线性规划 $P(x|y)$ 存在最优解. (否则原问题也不存在最优解.）

Benders分解

等价形式

先把原问题 $P(x,y)$ 写成如下形式:
$\min_{y \in Y} \{ f(y) + \min_x \{c^Tx | Ax = b - F(y), x\geq 0\} \}$

根据假设, 问题
$P(x|y): \quad \min_x \{c^Tx | Ax=b-F(y), x\geq 0\}$
存在最优解. 其对偶问题
$D(u|y):\quad \max_u \{ [b-F(y)]^Tu | A^T u \leq c \}$
的最优解也存在. (不会写对偶? 这篇文章手把手教你: <线性规划技巧: 如何写对偶问题>) .

因此 $P(x, y)$ 进而可以写成:
$\min_{y \in Y} \{ f(y) + \max_u \{ [b-F(y)]^Tu | A^T u \leq c \} \}.$

写成上述形式的好处是 $D(u|y)$ 中的约束与变量 $y$ 无关. 因此, 其最优解一定是多面体(Polytope) $Q=\{u | A^Tu\leq c\}$ 中的一个顶点. 令 $U$ 代表多面体 $Q$ 顶点的集合. 因此原问题等价于
$P(u,y): \quad \min_{y \in Y} \{ f(y) + \max_{u\in U} [b-F(y)]^T u \}.$

再把 $P(u, y)$ 写成数学规划的形式 $P_1(u,y)$ :
$\begin{aligned} \min ~ & f(y) + z \\ \text{ s.t. } & [b-F(y)]^Tu \leq z, \quad u \in U \\ & y \in Y. \end{aligned}$

问题分解

对原问题 $P(x, y)$ , 我们先固定 $y$ 得到 $P(x|y)$ , 然后考虑其对偶问题 $D(u|y)$ . 通过这种方式我们把原问题转化成等价问题 $P_1(u,y)$ . 在新问题 $P_1(u,y)$ 中, 每个约束条件对应一个对偶问题 $D(u|y)$ 的基本解, 且目标函数 $f(y)+z$ 与 $u$ 无关. 这样一来, 使得我们可以通过迭代的方式进行求解: 主问题 $P_1(u,y)$ 一开始只考虑少量的约束, 然后通过求解对偶问题 $D(u|y)$ 添加新的约束到 $P_1(u,y)$ , 直到逼近最优解.

主问题 $M(y, z)$
$\begin{aligned} \min ~ & f(y) + z \\ \text{s.t. } & [b - F(y)]^T u \leq z, \quad u \in B \\ & y\in Y. \end{aligned}$

我们知道 $u$ 是多面体 $\{u| A^T u \leq c \}$ 的顶点. 是否需要把所有顶点加入到主问题中? 回顾主问题 $P(u,y)$ 的目标函数 $\min_{y \in Y} \{ f(y) + \max_{u\in U} [b-F(y)]^T u \}$ . 显然, 我们应该找到 $u$ 使得 $[b-F(y)]^Tu$ 最大化.

子问题 $S(u|y)$

$\begin{aligned} \max ~ [b-F(y)]^T u \\ \text{s.t. } A^T u \leq c. \end{aligned}$

求解过程

思路

初始化主问题. 令 $B=\emptyset$ . 换句话说, 主问题一开始不考虑关于 $u$ 的约束. 令 $z=0$ , 然后求解 $M(y, z=0)$ , 从而得到子问题的输入 $y_0$ .
令OPT(master)代表最优解的值. 由于主问题只考虑了部分约束, 因此OPT(master)是原问题 $P_1(u,y)$ 最优解的下界.
求解子问题 $S(u|y_0)$ 得到 $u_1$ , 然后把约束 $[b-F(y)]^T u_1 \leq z$ 添加到主问题 $M(y, z)$ .
令OPT(sub)代表子问题最优解的值. 回顾原问题 $P(u,y)$ 的目标函数 $f(y) + \max_u [b-F(y)]^Tu$ , 因此 $f(y)$ +OPT(sub)是原问题最优解的上界.
反复求解主问题和子问题直到上下界相等(或非常接近).

伪代码

Init: B = empty; UB = inf; e = -1e-4;
solve master problem M(y, z) by fixing z := 0 and get y;
let LB := f(y) + z;
While UB - LB > e: 
    solve sub problem S(u|y) and get u;
    update UB := min {UB, f(y) + OPT(sub)};
    add constraint [b-F(y)]^T u <= z to the master problem;
    solve master problem M(y, z) and get y;
    update LB := OPT(master);
EndWhile

说明

迭代过程中LB不会减小, UB不会增大.
如果子问题的最优解满足唯一性, 这个迭代过程收敛(证明略).

例子: 设施选址问题(A Facility Location Problem)

某个工厂需要开设一些仓库, 用来向它的客户提供仓储和配送服务.

考虑 $m$ 个候选仓库和 $n$ 个客户.
新建一个仓库有开仓成本. 服务一个客户有连接成本, 例如为客户提供配送服务和退换货服务带来的成本等.
我们需要决定开设哪些仓库, 并指定每个客户对应的服务仓库.
目标是最小化开仓成本与所有客户的连接成本之和.

图片来自网络.

(如上图所示, 蓝色方框代表开设的仓库, 其它候选仓库未展示. 红色圆圈代表客户. 黑色的线代表服务关系.)

整数线性规划

Indices

$i$ -- 仓库
$j$ -- 客户

Parameters

$f_i$ -- 仓库 $i$ 的开仓成本
$c_{i,j}$ -- 仓库 $i$ 服务客户 $j$ 的连接成本

Decision Variables

$x_{i,j}\in \{0,1\}$ -- 仓库 $i$ 是否服务客户 $j$
$y_i\in \{0, 1\}$ -- 仓库 $i$ 是否开设

$\begin{align} \min ~ & \sum_{i=1}^m \sum_{j=1}^n c_{i,j} x_{i,j} + \sum_{i=1}^m f_i y_i \\ \text{ s.t. } & \sum_{i=1}^m x_{i, j} = 1,\quad \forall j \\ & x_{i, j} \leq y_i, \quad \forall i, j \\ & x_{i, j}, y_i \in \{ 0, 1 \}, \quad \forall i, j \end{align}$

如果开设仓库确定, 我们指定离客户最近的仓库来服务这个客户, 从而达到连接成本最低. 因此, 设施选址问题的核心是决定开设哪些仓库, 因而上述规划的决策变量 $x_{i,j}$ 的取值范围可以写成 $x_{i,j} \geq 0$ . 我们得到如下规划 $P(x,y)$ :

$\begin{align} \min ~ & \sum_{i=1}^m \sum_{j=1}^n c_{i,j} x_{i,j} + \sum_{i=1}^m f_i y_i \\ \text{ s.t. } & \sum_{i=1}^m x_{i, j} = 1,\quad \forall j \\ & x_{i, j} \leq y_i, \quad \forall i, j \\ & x_{i, j} \geq 0, ~ y_i \in \{ 0, 1 \}, \quad \forall i, j \end{align}$

Benders分解

给定 $y_i$ , $P(x|y)$ 的最优解等价于如下问题的最优解.
$\begin{align} \min ~ & \sum_{ i=1}^{m} \sum_{j=1}^{n} c_{i,j} x_{i,j} \\ \text{ s.t. } & \sum_{i=1}^{m} x_{i, j} = 1, \quad \forall j \\ & x_{i, j} \leq y_i, \quad \forall i, j \\ & x_{i, j} \geq 0, \quad \forall i, j \end{align}$
它的对偶问题则是我们要求解的子问题 $S(\alpha, \beta|y)$ :
$\begin{align} \max ~ & \sum_{ j=1}^n \alpha_j - \sum_{i=1}^m \sum_{j=1}^{n} y_i \beta_{i, j} \\ \text{s.t. } & \alpha_j - \beta_{i, j} \leq c_{i,j}, \quad \forall i, j \\ & \beta_{i, j} \geq 0 \end{align}$

结合原问题 $P(x,y)$ 的目标, 我们得到主问题 $M_0(y, z)$ :
$\begin{align} \min ~ & \sum_{i=1}^{m} f_i y_i + z \\ \text{ s.t. } & \sum_{ j=1}^{n } \alpha_j - \sum_{i=1}^{m} \sum_{j=1}^{n} y_i \beta_{i, j} \leq z, \quad \forall (\alpha, \beta) \in B \\ & y_i \in \{ 0,1\}, \quad \forall i \end{align}$

注意: 我们需要检查本文开头提到的假设是否成立. 即, 对任意可行的 $y_i$ , 子问题 $S(\alpha, \beta|y)$ 是否存在最优解. 事实上, 当 $y_i=0, \forall i$ 时, 子问题的目标函数的最大值是 $+\infty$ , 因而不存在最优解! 因此我们需要为主问题添加约束来保证假设条件成立. 注意到原问题 $P(x,y)$ 的最优解至少要保证开设1个仓库, 把它加入主问题的约束从而保证了子问题最优解的存在(想想为什么).

主问题 $M(y,z)$
$\begin{align} \min ~ & \sum_{i=1}^{m} f_i y_i + z \\ \text{ s.t. } & \sum_{ j=1}^{n} \alpha_j - \sum_{i=1}^{m} \sum_{j=1}^{n} y_i \beta_{i, j} \leq z, \quad \forall (\alpha, \beta) \in B \\ & \sum_i {y_i} \geq 1 \\ & y_i \in \{ 0,1\}, \quad \forall i \end{align}$

说明主问题 $M(y,z)$ 的约束条件一开始为空, 即 $B=\emptyset$ . 它的约束条件通过求解子问题得到.

Python实现

主问题模型

# master_model.py

from ortools.linear_solver import pywraplp

import numpy as np


class MasterModel(object):

    def __init__(self, f, fix_z=None):
        """
        :param f: 开仓成本(m维向量)
        :param fix_z: 限定z的值. 目的是初始化的时候令z=0,然后求解主问题得到y的值.
        """
        self._solver = pywraplp.Solver('MasterModel',
                                       pywraplp.Solver.GLOP_LINEAR_PROGRAMMING)
        self._f = f
        self._fix_z = fix_z
        self._m = len(self._f)
        self._y = None  # 决策变量
        self._z = None  # 决策变量
        self._solution_y = None  # 计算结果
        self._solution_z = None  # 计算结果
        # 迭代求解之前会调用add_constraint
        # 所以决策变量的初始化要放在前面
        self._init_decision_variables()
        self._init_constraints()
        self._init_objective()

    def _init_decision_variables(self):
        self._y = [self._solver.NumVar(0, 1, 'y[%d]' % i)
                   for i in range(self._m)]
        self._z = self._solver.NumVar(-self._solver.Infinity(), self._solver.Infinity(), 'z')

    def _init_objective(self):
        obj = self._solver.Objective()
        for i in range(self._m):
            obj.SetCoefficient(self._y[i], self._f[i])
        obj.SetCoefficient(self._z, 1)
        obj.SetMinimization()

    def add_constraint(self, alpha, beta):
        """ Benders主流程会调用此方法为主问题增加新的约束.

        :param alpha: 子问题的解
        :param beta: 子问题的解
        """
        ct = self._solver.Constraint(sum(alpha), self._solver.Infinity())
        for i in range(self._m):
            ct.SetCoefficient(self._y[i], sum(beta[i]))
        ct.SetCoefficient(self._z, 1)

    def _init_constraints(self):
        if self._fix_z is not None:
            ct = self._solver.Constraint(self._fix_z, self._fix_z)
            ct.SetCoefficient(self._z, 1)

        ct = self._solver.Constraint(1, self._solver.infinity())
        for i in range(self._m):
            ct.SetCoefficient(self._y[i], 1)

    def solve(self):
        self._solver.Solve()
        self._solution_y = [self._y[i].solution_value() for i in range(self._m)]
        self._solution_z = self._z.solution_value()

    def get_solution(self):
        return self._solution_y, self._solution_z

    def get_objective_value(self):
        return sum(np.array(self._solution_y) * np.array(self._f)) + self._solution_z

子问题模型

# sub_model.py

from ortools.linear_solver import pywraplp
import numpy as np


class SubModel(object):

    def __init__(self, y, C):
        """
        :param y: 主问题的解(代表y_i=1代表开设仓i)
        :param C: 连接成本(m*n维矩阵)
        """
        self._solver = pywraplp.Solver('SubModel',
                                       pywraplp.Solver.GLOP_LINEAR_PROGRAMMING)
        self._y = y
        self._c = C
        self._m = len(self._c)
        self._n = len(self._c[0])
        self._alpha = None  # 决策变量
        self._beta = None  # 决策变量
        self._constraints = []  # 所有约束(后续获取对偶变量, 得到原始问题的解)
        self._solution_alpha = None  # 计算结果
        self._solution_beta = None  # 计算结果

    def _init_decision_variables(self):
        self._alpha = [self._solver.NumVar(-self._solver.Infinity(),
                                           self._solver.Infinity(),
                                           'alpha[%d]' % j)
                       for j in range(self._n)]

        self._beta = [[self._solver.NumVar(0, self._solver.Infinity(), 'beta[%d][%d]' % (i, j))
                      for j in range(self._n)] for i in range(self._m)]

    def _init_constraints(self):
        for i in range(self._m):
            self._constraints.append([])
            for j in range(self._n):
                ct = self._solver.Constraint(-self._solver.Infinity(), self._c[i][j])
                ct.SetCoefficient(self._alpha[j], 1)
                ct.SetCoefficient(self._beta[i][j], -1)
                self._constraints[i].append(ct)

    def _init_objective(self):
        obj = self._solver.Objective()
        for j in range(self._n):
            obj.SetCoefficient(self._alpha[j], 1)
        for i in range(self._m):
            for j in range(self._n):
                obj.SetCoefficient(self._beta[i][j], -self._y[i])

        obj.SetMaximization()

    def solve(self):
        self._init_decision_variables()
        self._init_constraints()
        self._init_objective()
        self._solver.Solve()
        self._solution_alpha = [self._alpha[j].solution_value() for j in range(self._n)]
        self._solution_beta = [[self._beta[i][j].solution_value()
                                for j in range(self._n)]
                               for i in range(self._m)]

    def get_solution(self):
        return self._solution_alpha, self._solution_beta

    def get_objective_value(self):
        return sum(self._solution_alpha) - sum(np.array(self._y) * np.sum(self._solution_beta, axis=1))

    def get_dual_values(self):
        """ 得到原问题的解: x[i][j]
        """
        return [[self._constraints[i][j].dual_value()
                for j in range(self._n)]
                for i in range(self._m)]

Benders分解流程

# benders_proc.py

import numpy as np

from master_model import MasterModel
from sub_model import SubModel


class BendersProc(object):
    """ Benders分解流程
    """

    def __init__(self, f, C, max_iter=10000):
        """
        :param f: 开仓成本(m维向量)
        :param C: 连接成本(m*n矩阵), 其中m是候选设施的数量, n是客户的数量
        :param max_iter: 最大循环次数
        """
        self._f = f
        self._c = C
        self._iter_times = 0
        self._max_iter = max_iter
        self._status = -1  # -1:执行错误; 0:最优解; 1: 达到最大循环次数
        self._ub = np.inf
        self._lb = -np.inf
        self._solution_x = None  # 计算结果
        self._solution_y = None  # 计算结果

    def _stop_criteria_is_satisfied(self):
        """ 根据上下界判断是否停止迭代
        """
        if self._ub - self._lb < 0.0001:
            self._status = 0
            return True
        if self._iter_times >= self._max_iter:
            if self._status == -1:
                self._status = 1
            return True
        return False

    def solve(self):
        # 初始令z=0. 求解主问题得到y
        master0 = MasterModel(self._f, fix_z=0)
        master0.solve()
        y, z = master0.get_solution()
        # 下面的迭代需要重新生成master对象
        # 因为master0中z=0是约束条件
        master = MasterModel(self._f)
        sub = None
        # 迭代过程
        while not self._stop_criteria_is_satisfied():
            # 求解子问题
            sub = SubModel(y, self._c)
            sub.solve()
            # 更新上界
            fy = sum(np.array(self._f) * np.array(y))
            self._ub = min(self._ub, fy + sub.get_objective_value())
            # 生成主问题的约束
            alpha, beta = sub.get_solution()
            master.add_constraint(alpha, beta)
            master.solve()
            # 更新y和下界
            y, z = master.get_solution()
            self._lb = master.get_objective_value()

            print(">>> iter %d: lb = %.4f, ub = %.4f" % (self._iter_times, self._lb, self._ub))
            self._iter_times += 1

        # 保存结果
        self._solution_x = sub.get_dual_values()
        self._solution_y = y

        status_str = {-1: "error", 0: "optimal", 1: "attain max iteration"}
        print(">>> Terminated. Status:", status_str[self._status])

    def print_info(self):
        print("---- Solution ----")
        res = {}
        for i in range(len(self._f)):
            if self._solution_y[i] == 0:
                continue
            connected_cities = [str(j) for j in range(len(self._c[0]))
                                if self._solution_x[i][j] > 0]
            res[i] = ', '.join(connected_cities)

        for f, c in res.items():
            print("open facility: %d, connected cities: %s" % (f, c))

主函数

# main.py

from benders_proc import BendersProc
from data import f, C  # data.py包含了一个实例


if __name__ == '__main__':
    bp = BendersProc(f, C)
    bp.solve()
    bp.print_info()

完整代码

参考文献

J.F. Benders. Partitioning Procedures for Solving Mixed-Variables Programming Problems. Numerische Mathematik, Vol. 4, 1962. ↩
A.M. Geoffrion and G.W. Graves. Multicommodity distribution system design by benders decomposition. Management Science 20, no. 5, 822–844, 22, 1974. ↩