1 / 23

第 3 章 整数规划 (Integer Programming)

第 3 章 整数规划 (Integer Programming). 网 络 优 化. Network Optimization. 清华大学课号： 70420133 （研）. 清华大学数学科学系 谢金星 办公室：理科楼 2206# （电话： 010-62787812 ） Email:jxie@math.tsinghua.edu.cn http://faculty.math.tsinghua.edu.cn/~jxie/courses/netopt. 整数规划问题 的例子. 例（续例 1.4 ） 指派问题 (Assignment Problem)

molly
Download Presentation

第 3 章 整数规划 (Integer Programming)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 第3章 整数规划(Integer Programming) 网络优化 Network Optimization 清华大学课号：70420133（研） 清华大学数学科学系谢金星 办公室：理科楼2206# （电话：010-62787812） Email:jxie@math.tsinghua.edu.cn http://faculty.math.tsinghua.edu.cn/~jxie/courses/netopt

  2. 整数规划问题的例子 例（续例1.4）指派问题(Assignment Problem) 一家公司经理准备安排N名员工去完成N项任务，每人一项. 由于各员工的特点不同，不同的员工去完成同一项任务时所获得的回报是不同的. 如何分配工作方案可以使总回报最大？ 线性整数规划(LIP) 非线性整数规划(NIP) 纯整数规划(PIP) 混合整数规划(MIP) 特例：0-1规划 许多网络优化问题也可以用整数规划(IP)来建模

  3. ，A是行满秩的，且 ，A是行满秩的，且 3.1.1 整数规划问题的几种描述形式 线性规划（LP：Linear Programming）问题的标准形式 纯整数线性规划(PILP，以后简称整数规划（IP）)的标准形式

  4. 3.1.1 整数规划问题的几种描述形式 整数规划的一般形式 整数规划的规范形式 整数规划的上述三种形式是等价的：一种形式下的实例，可以简单地等价变化为另一种形式下的实例.

  5. x2 C A 目标函数下降方向 B x1 3.2.2 整数规划问题的求解难度 整数规划问题是NP困难的. 为什么不先求解相应的线性规划问题（一般称为整数规划问题的线性规划松弛问题，或简称LP-Relaxation），然后将得到的解四舍五入到最接近的整数？ IP可行解对应于整点A(2,2)和B(1,1),而最优解为A点.但LP松弛的最优解为C(3.5,2.5)

  6. 3.2全么模阵 IP的LP松弛的最优解什么时候一定是整数解呢？ 假设在（3.1）式所示的线性规划问题中等式约束个数等于决策变量个数(m=n), 则此时的等式约束构成一个线性方程组Ax=b. 如果方阵A为整数矩阵且b为整数向量, 则det(A)和det(Aj)都是整数. 当然，解x未必是整数向量. 如果det(A) = 1或-1, 则解x一定是整数向量.

  7. - Hoffman-Kruskal定理（1956） 定理3.1 设在（3.1）式所示的线性规划问题中A为整数矩阵，且A 满行秩，则下面三个条件等价： （1）对每个基矩阵B，其行列式det（B）=1或-1. （2）对任何整数向量b，其可行域 的每个极点都是整数向量. （3）对每个基矩阵B，其逆矩阵也是整数矩阵. 证明（1）=>（2）： （2）=>（3）：设B为任一基矩阵，如果其逆矩阵不是整数矩阵，任取整数向量y 使得 ，这里ei表示第i个分量为1其余分量为0的“单位向量”. 令 ，则b为整数向量，且向量 为D（b）的一个极点的基向量，因此是整数向量. 因此 为整数向量，即 是整数矩阵. (3)=>(1)：设B为任一基矩阵，由于 ，又知B 和 都是整数矩阵，所以det（B）=1或-1. 3.2全么模阵

  8. –定义 3.2全么模阵 定义3.1 如果一个矩阵A的任何子方阵的行列式的值都等于0，1或-1，则称A是全么模的（TU：Totally Unimodular，又译为全单位模的），或称A是全么模矩阵. 全么模矩阵的元素只能取0，1和-1. • 定理3.2 （全么模矩阵的性质）下列命题等价： • A是全么模矩阵. • -A是全么模矩阵. • AT是全么模矩阵. • （A，A）是全么模矩阵. • （A，I） ，（A，0）是全么模矩阵. A为全么模矩阵时的整数规划问题实际上等价于对应的LP松弛问题（单纯形算法）.

  9. - 充分条件 A的每一列均含有两个非零元， 则det（A） =0. 3.2全么模阵 定理3.3 设A是由0，1和-1组成的矩阵，如果下面两个条件同时成立，则A为全么模矩阵. （1）A的每一列至多含有两个非零元素. （2）A的行可以分为A1，A2两个集合，使得：如果A的一列中有两个符号不同的元素，则相应的两行在同一集合A1或A2中；如果A的一列中有两个符号相同的元素，则相应的两行分别位于两个集和A1和A2中. 证明如果矩阵A满足条件（1）和（2），则A的任意子矩阵仍然满足条件（1）和（2）. 所以，只需证明当A为方阵且满足条件（1）和（2）时，det（A）= 0，1或-1即可. 下面用数学归纳法证明 当A为1阶方阵时，显然=0，1或-1. 假设结论对任意（n-1）阶方阵均成立，下面考虑A为n阶方阵的情形. 有且只有以下三种可能： A的某一列元素全为0，则det（A） =0. A的某一列元素只有一个不为0 ，则det（A） =0 ，1或-1.

  10. - 与网络优化的关系 3.2全么模阵 推论（1）一个有向图的关联矩阵为全么模矩阵. （2）一个无向图的关联矩阵为全么模矩阵，当且仅当该图为二部图. 当采用整数规划来描述网络优化问题时，其约束矩阵一般是有向图的关联矩阵或它的简单变形，一般都是全么模矩阵. 因此可以认为，许多网络优化问题都是一类特殊的整数规划，其LP松弛与原问题有相同的最优解. 网络优化处于线性规划和整数规划的结合点上，或者说处于连续优化和离散优化（组合优化）的结合点上.

  11. 3.3分数割平面法 首先用原始单纯形法求解整数线性规划（3.2）的LP松弛（3.1），得到一个最优基本解. 设它对应的基为B，且设对应的单纯形表中第i个方程(第i行)为： （i=0,1,2,…,m) 记 Gomory（1958） 如果给线性规划增加一个约束，则原线性规划问题的可行域集合可能缩小, 即可行域相当于被“割掉”了一块. 基本思想：如果给整数线性规划增加一个线性约束，而没有“割掉”其任何可行整数解，则新问题与原问题有相同的整数解. 增加的相应约束通常被称为割平面（Cutting Plane）. 对约束方程两边取“地板函数”（用 表示），即取小于或等于对应的实数值的最大整数值. 由于x为非负整数，所以

  12. 令 则 为了将它加入已经得到的单纯形表并仍然保持一个基本解,将它进一步变为 其中s为引进的新变量（非负）. 引理3.1 约束(3.10)加入到LP松弛问题的最优表之后，没有割掉任何整数可行点；并且当 不是整数时，新表里是一个对偶基本可行解，但不是原始可行解. • s与B一起构成新的基变量；基本解中 分数割平面法 两式相减： 第i行的Gomory割 • 单纯形表第0行不变，所以基本解是对偶基本可行解.

  13. 分数对偶算法算法(Fractional Dual Algorithm,Gomory,1958) STEP0. 解ILP的LP松弛问题. 如果松弛问题无解,则令 feasible=“no”；否则得松弛问题的最优解,令feasible=“yes”, 继续STEP1. STEP1. 如果feasible=“no”, 则原问题无解, 结束; 如果feasible=“yes”且是整数解, 则得到原问题的最优解, 结束; 否则继续STEP2. STEP2. 选取某行生成割平面；在单纯形表中加上生成的Gomory割（3.10）和对应的基变量s. STEP3. 应用对偶单纯形法求解新问题. 如果对偶问题无解, 令feasible=“no”；否则设为新的当前最优解. 转STEP1.

  14. b -z = 0 0 -1 0 0 = 6 3 2 1 0 = 0 -3 2 0 1 分数对偶算法算法(Fractional Dual Algorithm,Gomory,1958) 例3.1 用分数割平面法求解： 将其LP松弛问题化为标准形：

  15. b b b -z = -z = -z = 0 0 3/2 -3/2 0 0 0 0 -1 0 1/4 0 1/2 1/4 0 = = = 1 6 6 6 1 3 2 0 0 1/6 1 1 -1/6 0 -1 = = = 0 0 3/2 -3/2 0 -3 1 2 1 0 1/4 0 1/4 1/2 1 分数对偶算法算法(Fractional Dual Algorithm,Gomory,1958)

  16. b b b b -z= -z= -z= -z= 1 3/2 1 3/2 0 0 0 0 0 0 0 0 0 1/4 1/4 0 0 1/4 0 1/4 1 0 1 0 0 = = = = 2/3 1 1 2/3 1 1 1 1 0 0 0 0 0 1/6 1/6 0 -1/3 -1/6 -1/6 -1/3 2/3 0 0 2/3 0 = = = = 1 1 3/2 3/2 0 0 0 0 1 1 1 1 0 1/4 1/4 0 0 1/4 0 1/4 1 1 0 0 0 = = = = 2 -1/2 2 -1/2 0 0 0 0 0 0 0 0 1 1 -1/4 -1/4 1 -1/4 -1/4 1 -4 -4 1 1 0 = -2/3 0 0 0 -2/3 -2/3 1 分数对偶算法算法(Fractional Dual Algorithm,Gomory,1958)

  17. b b -z= -z= 1 1 0 0 0 0 0 0 0 0 1 1 0 0 = = 2/3 1 1 1 0 0 0 0 -1/3 0 1 2/3 -1/2 0 = = 1 1 0 0 1 1 0 0 0 0 1 1 0 0 = = 1 2 0 0 0 0 1 1 1 0 -4 -5 3/2 0 = = 1 -2/3 0 0 0 0 0 0 -2/3 1 -2/3 1 -3/2 1 分数对偶算法算法(Fractional Dual Algorithm,Gomory,1958) 得到最优解为（1，1），是整数解. 结束，原问题最优解为（1，1），最大值为1.

  18. 对分数割平面算法,我们作以下几点说明 (1)该算法能否保证其有限性,即是否一定在有限步内停止?我们知道,线性规划的单纯形法可能出现循环,因此不一定在有限步内停止.所以, 分数割平面算法也不一定在有限步内停止.但是,当在(对偶)单纯形法中采用字典序反循环法则时,可以证明分数割平面算法一定在有限步内停止. (2)可以看出,该算法在计算过程中不断增加割平面的个数,因此约束越来越多.为了防止割平面个数任意增加,一般可以作如下处理:如果一个松弛变量应进入基,则将相应的行和列从单纯形表中去掉,即去掉了对应的割平面.因此,单纯形表中的约束行数不会多于变量个数. (3) 该算法在计算机上实现过程中会有一点麻烦:由于存在误差,判定一个实数是否为整数是比较困难的.为了克服这一困难,人们提出了全整数算法. (4) 分数对偶算法采用对偶单纯形法,在达到最优解之前得不到原问题的可行解,因此如果计算时间过长而不得不中间停机时,结果往往无法使用.为了解决这一问题,人们提出了原始整数割平面算法.

  19. 3.4 分枝定界法（Branch and Bound） 基本思想：隐式地枚举一切可行解（组合优化） 所谓分枝，就是逐次对解空间进行划分；而所谓定界，是指对于每个划分后的解空间（即每个分枝），要计算原问题的最优解的下界（对极小化问题）. 这些下界用来在求解过程中判定是否需要对目前的解空间（即分枝）进一步划分，也就是尽可能去掉一些明显的非最优点，从而避免完全枚举. 定界方法中经常采用的有Lagrange松弛方法和线性规划松弛方法等 若在某一时刻，得到一个全整数解的费用为zm，则zm为原问题的一个上界; 否则得该分枝的一个下界，继续分枝．

  20. STEP2. 生成k的各分枝 及其对应的下界zi. STEP3.对分枝 : 如果分枝i得到的是全整数解且zi<U, 则令U=zi且 currentbest=i；如果分枝i得到的不是全整数解且<U, 则把i加入activeset中. 分枝定界算法 STEP0. 令activeset={0}(原问题);U = ∞；currentbest=0. STEP1. 如果activeset=, 则已经得到原问题的最优解, 结束; 否则从活跃分枝点集合activeset中选择一个分枝点k；将k从activeset中去掉, 继续STEP2. STEP4. 转STEP1.

  21. 该问题的LP松弛解为 ,不是整数解,最优值为z0=-4. (P1): (P0)加上 ; (P2): (P0)加上 . 问题(P1)的LP松弛解为 ,不是整数解,最优值为z1=-3.5 (P3): (P1)加上 ; (P4): (P1)加上 . 分枝定界算法 –例 例3.2 用分枝定界法求解： （P0） 问题(P3)的LP松弛无可行解.

  22. 问题(P4)的LP松弛解为 ,不是整数解,最优值为z4=-3.25 (P5): (P4)加上 ; (P6): (P4)加上 . 问题(P1)的LP松弛解为 ,是整数解,最优值为z6=-3. P0 再看问题(P2).问题(P2)的LP松弛解为 ,不是整数解,最优值为z2=-2.5 > z6 ,因此没有必要继续从问题(P2)进行分枝. P1 P2 P4 P3 , P5 P6 分枝定界算法 –例 问题(P5)的LP松弛无可行解.

  23. 布 置 作 业 目的 掌握整数规划的基本概念； 掌握全么模阵的基本概念和性质； 掌握割平面法和分枝定界算法 内容 《网络优化》第95-96页 3; 7; 10（2）； 9*(1)（min改为max, 此题选做）

More Related