前言

学习列生成之前，有一些前置基础需要理解，不然就没法继续往下学了。所以为了写这篇文章，我提前铺垫了3篇文章帮助自己把基础捡起来！

1. 单纯形法：运筹学基础（一）求解线性规划的单纯形法详解
2. 检验数：运筹学基础（四）：单纯形法中检验数（reduced cost）的理解
3. 对偶问题：运筹学基础（五）：对偶问题及其性质

今天终于可以进入正题了！

从Cutting stock problem说起

有一堆固定长度的钢管，不同的顾客想要长度不一样的钢管若干，怎么切割钢管能够使得消耗的钢管数最少？

常规建模

【集合】

• $K$：未切割的钢管集合；
• $I$：所需钢管的种类集合；

【参数】

• $D_i$：第$i$种钢管的需求数量；
• $L_k$：第$k$根未切钢管的长度；
• $L_i$：第$i$种钢管的长度；

【决策变量】

• $x_{ki}$：第$k$根钢管切割第$i$种长度的数量；
• $y_k$：第$k$根钢管是否使用；

【数学模型】

目标函数：最小化使用的钢管数量
约束条件：

1. 每根钢管被切割的总长度，不多于该根钢管的总长度；
2. 每种钢管被切割的数量不低于该种钢管的总需求量；

m i n ∑ k ∈ K y k s . t . ∑ i ∈ I x k i L i ≤ L k ∗ y k , ∀ k ∈ K ∑ k ∈ K x k i ≥ D i , ∀ i ∈ I x k i ∈ { 0 , 1 } , ∀ k ∈ K , i ∈ I y k ∈ { 0 , 1 } , ∀ k ∈ K min \quad \sum_{k\in K}y_k\\ s.t. \sum_{i\in I}x_{ki}L_i\leq L_k*y_k, \forall k \in K\\ \sum_{k\in K}x_{ki} \geq D_i, \forall i \in I\\ x_{ki} \in \{0, 1\}, \forall k\in K, i\in I\\ y_{k} \in \{0, 1\}, \forall k\in K mink∈K∑​yk​s.t.i∈I∑​xki​Li​≤Lk​∗yk​,∀k∈Kk∈K∑​xki​≥Di​,∀i∈Ixki​∈{0,1},∀k∈K,i∈Iyk​∈{0,1},∀k∈K

问题：该建模方式求解不高效（怎么理解），因此有人想出了第二种建模思路。

Column generation reformulation

假设所有的切割方式已知，我们用：

• $P$表示所有的切割方案集合；
• $C_{pi}$表示在第$p$种切割方式下，能切割出的第$i$种钢管的数量；

定义新的决策变量：

• $z_p$：表示执行第$p$种切割模式的钢管的数量。

数学模型表示如下：
$$\begin{gathered} min\sum _{p\in P}{z}_p \\ s.t.\sum _{p\in P}{C}_{pi}{z}_p\ge D_i,\forall i\in I \\ {z}_p\ge 0,z_{p}isinteger,\forall p\in P \end{gathered}$$

核心问题：切割模式非常多，穷举出来几乎是不可能的，也没有必要（因为不是所有的切割模式都会被用到）！那么如何去寻找最优的切割模式呢？

铛铛铛铛，列生成法正式登场！

列生成法

核心思想

列生成法本质上也是单纯形法的一种形式。常规的单纯形法要求可以把所有变量显式的表达出来，但是诸如cutting stock problem之类的问题，可能无法做到这一点，因此常规的单纯形法就束手无策了。

回想一下单纯形法的迭代过程，基变量的个数等于约束的个数，每次找一个非基变量入基（这个非基变量的增加，要能优化目标函数），直到不能改善目标函数值为止。可以发现，在这个过程中，并不是所有的变量都会用到！

因此有人想到：

1. 可以先把原问题($P_0$)限制($restrict$)到一个规模很小的问题($P_1$)上，然后用单纯形法求解$P_1$。但此时求的最优解是$P_1$的最优解，不是原问题的最优解。
2. 因此还需要一个子问题(subproblem)去检查是否存在一个非基变量，其reduced cost小于0（即改变量的增大可以进一步优化目标函数），如果存在，就把这个非基变量相关的系数列加入到$P_1$的系数矩阵中，回到第一步。直到找不到reduced cost小于0的非基变量，即找到了原问题的最优解。

为了获取更优的目标值，往往会选择reduced cost最小的非基变量（切割模式）加入到$P_1$中，那么如何寻找reduced cost最小的非基变量呢？

回答这个问题之前，有一些相关概念先快速弄清楚。

相关概念

Master Problem (MP)

对于一般问题而言，如果要用CG（column generation）求解，一般要转化成set covering model，类似于上面的cutting stock model。不是很理解为什么

转为称为set covering model的问题就称为MP，例如：

Linear Master Problem (LMP)

如果MP里存在整数变量，要先进行线性松弛，MP线性松弛以后的问题就是LMP。

Restricted Linear Master Problem (RLMP)

将LMP限制（restrict）到一个规模更小（即变量数量更少）的问题，就称为RLMP了。

可以看到，下式相比原来的linear master problem，restricted linear master problem相当于把$y_{k+1}...y_n$强制限制为非基变量了。

subproblem（核能预警，非常重要）

subproblem就是帮助我们找到，当前是否还有非基变量加入$P_1$能够使得目标函数值进一步改善的。理解subproblem的前提是，弄清楚检验数和对偶变量之间的关系。

我们做一下推导：

假设我们找到了原问题的最优解$[x_B,0]$，那么此时原问题的检验数一定都是大于等于0的，即：
$$C_N^T-C_B^T{B}^{-1}N\ge 0$$
可以得到：
$$C_N^T\ge C_B^T{B}^{-1}N$$
我们计算一下：
$$\begin{gathered} C_B^T{B}^{-1}A= \\ {C}_B^T{B}^{-1}[B,N]= \\ [C_B^T,C_B^T{B}^{-1}N]\le \\ [C_B^T,C_N^T]= \\ {C}^T \end{gathered}$$
提炼一下上式推导过程中的首尾：
$$C_B^T{B}^{-1}A\le C^T$$

观察一下对偶问题的约束条件：
$$y^{T}A\le C^T$$

发现：
$$C_B^T{B}^{-1}$$
是对偶问题的一个可行解！

我们继续证明它不仅是一个可行解，而且是最优解：
令：
$$y^T=C_B^T{B}^{-1}$$
此时对偶问题的目标函数值为：
$$y^{T}A=C_B^T{B}^{-1}b=$$
这里有个转换是：
$$x_B=B^{-1}b$$
在我的文章运筹学基础（四）：单纯形法中检验数（reduced cost）的理解里有相关推导。

因此：
$$y^{T}A=C_B^T{B}^{-1}b=C_B^T{x}_B=C^{T}x$$
根据对偶问题的最优性性质，可知$y^T$为对偶问题的最优解。

于是检验数的表达式可以写成：
$$C_N^T-C_B^T{B}^{-1}N=y^{T}N$$

所谓的subproblem就是根据该公式，在$y_{k+1}...y_n$中找到检验数为负，并且最小的非基变量，将变量对应的那一列添加到RLMP中。

算法流程图

CG求解cutting stock problem

题目如下：

第一步：求解RLMP的最优解

第二步：求解subproblem
$c_i$表示在新的这种切割模式下，切割第$i$种钢管的数量。
23+27=20米，正好为钢管的总长度，符合条件。

第三步：加入新的切割模式到原来的模型中，继续求解

第四步：继续求解subproblem，无更好的切割模式，终止

适用场景：large linear programming

约束的数量有限，但是变量的数量非常多的大规模线性规划问题。例如：机组人员调度问题(Crew Assignment Problem)、切割问题(Cutting Stock Problem)、车辆路径问题(Vehicle Routing Problem)、单资源工厂选址问题(The single facility location problem )等。

参考资料

1. 带你彻底了解Column Generation（列生成）算法的原理
2. 大规模优化求解器-Gurobi-教程