Extracting Alternative Solutions from Benders Decomposition
本文提出一种后处理方法,利用Benders分解的割池提取多个最优和近最优替代解,并给出几何框架,应用于随机规划和干扰建模。
2025-09-11 math.OC
Deepest Cuts for Benders Decomposition
Tippie College of Business, University of Iowa(爱荷华大学蒂皮商学院);The Paul Merage School of Business, University of California, Irvine(加州大学欧文分校保罗·梅拉吉商学院)
针对Benders分解中割平面不唯一的问题,提出基于$\ell_p$范数的最深割统一选择技术,结合几何解释设计相关算法,可减少迭代次数与计算时间,早期迭代即可生成高质量界。
2024-05-18 math.OC
Logic-based Benders decomposition for large-scale optimization
基于逻辑的Benders分解(Logic-based Benders decomposition,LBBD)是经典Benders分解的一个实质性推广,原则上,它允许子问题是任何最优化问题,而不是特定的线性或非线性规划问题。当某些决策变量是固定的时,它适合于解耦或以其他方式简化的各种大规模问题。本章介绍了LBBD的基本理论,并解释了经典的Benders分解是一种特殊情况。它还描述了分支和检查,LBBD的一个变体,只解决了一次主问题。它详细说明了如何弯曲切割和子问题松弛可以开发一些规划和调度问题。然后,它描述了LBBD在三个大规模的案例研究中的作用。本章的结论是一个广泛的调查LBBD文献,组织的问题域,让读者探索如何弯曲机削减已开发出广泛的应用。
2019-10-25 math.OC
A Framework for Handling and Exploiting Symmetry in Benders Decomposition
Eindhoven University of Technology(埃因霍温理工大学)
提出在Benders分解框架内检测和处理对称性的理论,通过定制图捕获主问题与子问题的对称性,并设计对称Benders割的分离与聚合技术,显著减少子问题求解次数。
2026-10-02 math.OC
Benders Cut Filtering for Affine Potential-Based Flow Problems with Robustness Scenarios and Topology Switching
Chair of Operations Research, RWTH Aachen University(运筹学教席,亚琛工业大学)
本文研究了Benders切分法在仿射势流问题中的应用,提出基于违反程度、多样性及混合策略的切分方法,通过计算实验验证了这些方法在减少求解时间方面的有效性。
2026-04-28 math.OC
Data-driven Adaptive Benders Decomposition for the Stochastic Unit Commitment Problem
本文提出了一个数据驱动版本的Benders分解算法应用于随机机组组合(SUC)问题。所提出的方法的目的是找到一个权衡的大小Benders主问题和迭代次数,直到收敛。使用聚类技术,我们利用包含在拉格朗日乘数的弯曲子问题,以聚合的最优切割,而不损害的关键信息,是通过主问题的信息。此外,我们开发了一个外部并行化方案,通过解决一系列计算量较小的SUC实例的场景集的某些分区,找到SUC问题的最优解。我们的计算结果的IEEE 3区RTS-96电力系统,说明我们的数据驱动的Benders算法的性能改善,在解决方案的时间和问题的大小,相比,无论是SUC广泛的配方和流行的单和多切割Benders配方。
2019-12-02 math.OC
On Generating Lagrangian Cuts for Two-Stage Stochastic Integer Programs
本文研究了两阶段随机整数规划的拉格朗日截集生成方法。拉格朗日切割可以被添加到一个Benders重新制定,并来自解决单一的情况下整数规划子问题中使用的nonanticipative拉格朗日对偶的随机整数规划。虽然拉格朗日切割有可能显着增强Benders松弛,但生成拉格朗日切割可能需要计算。我们研究新的技术产生拉格朗日削减获得的方法,提供显着的改善,迅速放松的目标。计算结果表明,我们所提出的方法提高了Benders松弛显着快于以前的方法生成拉格朗日切割,当使用在分支和切割算法,显着降低了搜索树的大小为三类测试问题。
2022-01-20 math.OC
Benders Decomposition for Bi-objective Linear Programs
本文提出将双目标单纯形算法与Benders分解相结合的新分解方法,用于求解双目标线性规划,通过主问题和子问题迭代生成最优性与可行性割,从而获得完整极端有效解集,并验证了其正确性与性能。
2024-08-29 math.OC
Accelerated Benders decomposition for bi-objective mixed integer programming
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学);Hankuk University of Foreign Studies(韩国外国语大学)
针对双目标混合整数规划中的可持续供应链网络设计问题,提出重用加权求和法先前迭代的Benders割来初始化主问题,从而显著减少计算时间。
2026-10-06 math.OC
Generalized Benders Decomposition for one Class of MINLPs with Vector Conic Constraint
本文主要研究了巴拿赫空间中一类带向量锥约束的混合整数非线性规划问题。深入研究了凸向量最优化问题的对偶理论在这类MINLP问题中的应用。借助于对偶性,我们利用广义Benders分解方法建立了求解该MINLP的算法。文中还给出了算法的几个收敛性定理。收敛定理推广和发展了有限维空间中MINLP的已有结果。
2015-06-26 math.OC
A stabilised Benders decomposition with adaptive oracles applied to investment planning of multi-region power systems with short-term and long-term uncertainty
提出了一种基于自适应预言机的Benders分解方法,用于求解具有列有界块对角结构的大规模优化问题,其中子问题在右侧和费用系数不同.自适应折弯机通过迭代构建不精确的切割平面和有效的上界和下界来显著减少计算工作量。然而,自适应折弯机和标准折弯机可能会遭受严重的振荡时,解决多区域的投资规划问题。因此,我们提出了稳定的自适应折弯机水平集方法和自适应选择的子问题,以解决每个迭代更准确的信息。此外,我们提出了一个动态水平集方法,以提高稳定的自适应折弯机的鲁棒性,通过调整每次迭代的水平集。我们比较稳定的自适应折弯机与不稳定版本的自适应折弯机与一个子问题解决每个迭代和标准折弯机的多区域长期电力系统投资规划问题的短期和长期的不确定性。该问题被表述为多水平随机规划。实现了四种算法来解决多达10亿个变量和45亿个约束的线性规划。计算结果表明:a)在1.00%的收敛容限下,所提出的稳定化方法比标准折弯机快113.7倍,比不稳定的自适应折弯机快2.14倍; b)对于0.10%收敛容限,所提出的稳定化方法比标准Bender快45.5倍,而不稳定的自适应Bender无法解决最大实例,收敛容限由于严重的振荡和c)动态水平集方法使稳定更鲁棒。
2022-09-07 math.OC
Sparse Convex Quantile Regression: A Generalized Benders Decomposition Approach
针对稀疏凸分位数回归的计算挑战,研究改进经典CQR模型并提出适配的广义Benders分解算法及增强元启发式方法,经实验验证兼具准确性、可扩展性与实用价值。
2025-09-02 math.OC
Benders Subproblem Decomposition for Bilevel Problems with Convex Follower
双层优化制定递阶决策过程,出现在许多现实世界的应用,如定价,网络设计,和基础设施防御规划。本文研究了一类上层问题为整数变量,下层问题具有强对偶的双层最优化问题。我们提出了一个专门的Benders分解方法来解决这类双层问题,它将Benders子问题分解为两个更容易处理的,顺序可解的问题,可以被解释为上层和下层的问题。我们表明,Benders子问题分解结转到一个有趣的扩展的双层问题,连接上层的解决方案与较低的水平对偶解,并讨论了一些特殊情况下的双层问题,允许序列独立的子问题分解。几个新的计划产生数值稳定的削减,找到一个好的现任解决方案,并加快搜索树进行了讨论。一个计算研究表明,所提出的方法的计算效益超过一个国家的最先进的双层定制的分支和切割方法,商业求解器,和标准的Benders方法的标准测试用例和激励应用程序在顺序的能源市场。
2021-04-19 math.OC
A branch-and-Benders-cut algorithm for a bi-objective stochastic facility location problem
在许多现实世界的最优化问题中,多个目标起作用,并且输入参数受到不确定性的影响。本文以救灾和公共设施选址为应用背景,对一类双目标随机设施定位问题进行建模和求解。所考虑的目标是成本和未覆盖的需求,而在不同的人口中心的需求是不确定的,但其概率分布是已知的。后一种信息用于产生一组情景。为了解决基本的最优化问题,我们采用了Benders'型分解方法,这是被称为L形方法的随机规划,我们将其嵌入到一个最近开发的分支定界框架的双目标整数优化。我们分析和比较不同的切割生成方案,我们展示了它们如何影响下界集的计算,从而确定最佳性能的方法。最后,我们比较的分支和弯曲切割的方法,一个直接的分支和界限的实现的基础上确定性的等效配方。
2020-04-22 math.OC
Logic-Based benders Decomposition for Wildfire Suppression
我们研究的问题,在燃烧的景观灭火资源,以尽量减少总面积烧毁。景观被建模为一个有向图,节点表示景观的区域,弧表示相邻关系。使用最小旅行时间原理对火灾蔓延进行建模。我们提出了一个非线性整数规划制定和精确解的方法,利用基于逻辑的Benders分解。我们基准的方法对一个混合整数规划和迭代局部搜索元启发式的文献。我们能够在合理的时间内解决具有挑战性的实例以证明最优性。
2022-09-03 math.OC
Stochastic and Chance-Constrained Conic Distribution System Expansion Planning Using Bilinear Benders Decomposition
二阶圆锥规划(SOCP)已被用于电力系统的各种应用,如运行和扩展规划建模。在本文中,我们提出了一个两阶段的随机混合整数SOCP(MISOCP)模型的配电系统扩展规划问题,考虑不确定性,也捕捉非线性交流潮流。为了避免由于一些极端情况而导致的昂贵的投资计划,我们进一步提出了一个可能导致成本效益解决方案的机会约束变体。为了解决计算的挑战,我们扩展了基本的Benders分解方法,并开发了一个双线性变量来计算随机和机会约束的MISOCP公式。一组数值实验来说明我们的模型和计算方法的性能。特别是,结果表明,我们的Benders分解算法在处理随机场景的数量级上大大优于专业的MISOCP求解器。
2017-04-01 math.OC
Chance Constrained Mixed Integer Program: Bilinear and Linear Formulations, and Benders Decomposition
本文研究了有限离散情景集上的机会约束混合整数规划问题。通过研究一个非传统的双线性混合整数公式,我们得到了它的线性对应公式,并表明它们可能比现有的线性公式更强。我们还开发了一个变种的詹森不等式,扩展了随机规划。为了解决这个具有挑战性的问题,我们提出了一个变种的Benders分解方法的双线性型,这实际上提供了一个易于使用的算法框架,进一步改进,以及一些增强策略的基础上的结构特性或詹森不等式。计算结果表明,Benders分解方法与相应的增强技术相结合,在求解机会约束规划或检测其不可行性方面的性能比商业求解器提高了数量级.
2014-05-31 math.OC
A Combinatorial Benders Decomposition Framework for Two-Dimensional Irregular Bin Packing Problems with Convex Polygons
University of Science and Technology of China(中国科学技术大学)
本文提出一种精确的组合Benders分解框架,结合模式主问题与几何可行性oracle,通过分支定价和动态Benders割求解凸多边形二维不规则装箱问题,在540个基准实例中为318个实例找到最优解,优于直接MIP和基线Benders方法。
2026-09-22 math.OC
Logic-based Benders Decomposition and Binary Decision Diagram Based Approaches for Stochastic Distributed Operating Room Scheduling
分布式手术室(OR)调度问题的目的是找到一个手术分配到手术室之间的合作医院,共享他们的等候名单和OR。我们提出了一个随机扩展这个问题的手术时间被认为是不确定的。为了获得具有挑战性的随机模型的解决方案,我们使用样本平均近似,并开发了两个增强的分解框架,使用基于逻辑的Benders(LBBD)最优切割和基于二元决策图的Benders切割。具体而言,据我们所知,推导LBBD最优切割在随机规划的情况下是新的文献。我们在医院数据集上的计算实验表明,随机制定产生强大的时间表,我们的算法提高了计算效率。
2020-10-02 math.OC
Accelerated Benders Decomposition for Variable-Height Transport Packaging Optimisation
本文研究变高运输包装优化问题,将其建模为含超七十亿变量的混合整数问题,通过KD-Tree算法、解析变换及高效Benders子问题实现,在笔记本上约三小时求解,显著节省内存并获三个数量级加速。
2023-08-02 math.OC
Stochastic Planning and Scheduling with Logic-Based Benders Decomposition
我们应用基于逻辑的Benders分解(LBBD)的两阶段随机规划和调度问题,其中第二阶段是一个调度任务。主问题用混合整数/线性规划求解,子问题用约束规划求解。作为Benders切割,我们使用简单的nogood切割以及我们为此应用开发的基于分析逻辑的切割。我们发现LBBD在计算上优于整数L形方法,LBBD的分支和检查变体快了几个数量级,允许解决更大的实例。这主要是由于整数L形方法产生的计算开销,同时产生经典的Benders削减从连续松弛的整数规划子问题。据我们所知,这是第一次应用LBBD两阶段随机最优化与调度第二阶段的问题,和第一次比较LBBD与整数\mbox{L-shaped}方法。结果表明,LBBD可能是一个很有前途的方法来解决其他随机和鲁棒的最优化问题整数或组合资源。
2020-12-28 math.OC
Approximating value functions via corner Benders' cuts
University of Waterloo(滑铁卢大学);University of Florida(佛罗里达大学)
本研究提出一种从高维多面体基导出的锥松弛生成Benders割的高效算法,可恢复Dantzig-Wolfe规划的线性规划界,并提升了随机需求车辆路径问题现有最优算法的性能。
2025-10-01 math.OC
Disaggregated Benders decomposition and lazy constraints for solving the budget-constrained dynamic uncapacitated facility location and network design problem
本文提出了一种求解动态无容量约束设施选址和网络设计问题(DUFLNDP)的方法。这是一个问题,其中网络必须被构建或扩展,并且设施被放置在网络中,受到预算的约束,以便满足多个需求。在满足需求的情况下,目标是最小化网络的运行成本和将需求转移到设施的成本。这个问题可以同时分解为两个不同的集合,从而产生许多更小的模型,这些模型可以更容易地解决。使用分解的Benders分解和惰性约束,我们解决了许多以前没有解决过的最优性问题。我们使用一个分析程序来生成Benders最优切割,这是可证明的帕累托最优。
2017-03-20 math.OC
A Neural Benders Decomposition for the Hub Location Routing Problem
本研究提出模仿学习框架增强Benders分解,解决子问题退化问题,通过两种策略加速对偶解获取,实验验证显著提升分解效率。
2023-09-02 math.OC
Disaggregated Benders Decomposition for solving a Network Maintenance Scheduling Problem
我们考虑一个问题,一个网络和一组维护请求进行。我们希望以这样一种方式安排维护,以尽量减少对网络总吞吐量的影响。我们应用分解的Benders切割和惰性约束来解决问题的最优性,以及探索该技术的优点和缺点。我们证明了我们的Benders切割是帕累托最优的。LP松弛的解决方案还提供了进一步的有效不等式,以减少总的求解时间。我们实现这些技术在以前的论文中提出的模拟数据,并比较我们的解决方案技术,以前的方法和直接MIP制定。我们证明了许多问题的最优性,以前没有被证明。
2017-03-16 math.OC
Chance-Constrained Two-Stage Unit Commitment under Uncertain Load and Wind Power Output Using Bilinear Benders Decomposition
本文研究了考虑负荷和风力发电量不确定性的机组组合问题。UC问题被表述为一个机会约束的两阶段随机规划问题,其中机会约束用于限制负载不平衡的概率。除了传统的混合整数线性规划公式使用Big-M,我们提出了机会约束的双线性混合整数公式,然后推导出其线性对应的McCormick线性化方法。然后,我们开发了一个双线性变形的Benders分解方法,这是一个易于实现的算法,以解决由此产生的大规模线性对应。对典型IEEE系统的仿真结果表明:(i)双线性混合整数规划公式比传统公式更强;(ii)Benders分解算法比直接使用专业求解器计算线性和双线性机会约束UC模型快数量级.
2016-11-27 math.OC
Disjunctive Benders Decomposition
School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院)
本文提出改进Benders分解方法,生成凸包有效不等式,解决传统Benders切片仅在连续松弛下紧的问题。通过整合离散规划与Benders分解,引入利用现有切片生成 oracle 构建凸包不等式的流程,适用于混合二进制线性规划,无需求解混合整数规划主问题。
2026-05-15 math.OC
A hybrid Benders decomposition and bees algorithm matheuristic approach to transmission expansion planning considering energy storage
本文介绍了一种新的混合优化算法,结合了元启发式搜索和整数规划的元素。这种新的数学方法结合了Benders分解和蜜蜂算法的元素,创建了蜜蜂-Benders混合算法(BBHA),该算法保留了两种方法的许多优点。具体来说,它被设计为易于并行化,以快速产生良好的解决方案,同时在运行足够长的时间时仍然保持最优性的保证。该算法进行了测试,使用输电网络扩展和储能规划模型,一个具有挑战性的和非常大规模的混合整数线性规划问题。输电网络规划问题本身就很困难。当在网络中包括存储系统的规划时,必须考虑需求随时间的变化,这显著增加了最优化问题的大小和难度。BBHA被证明是非常有效的混合数学算法,执行至少以及无论是本德分解或蜜蜂算法,这些都是有效的自己,并显着改善的个别方法,其中没有一个组成部分具有明显的优势。虽然本文证明了在具体的电网规划问题的有效性,该算法可以很容易地应用到任何混合整数线性规划,并预计特别好地工作时,这是一个结构,是服从Benders分解。
2019-03-09 math.OC
A Novel Approach for Solving Security Constrained Optimal Power Flow Using the Inverse Matrix Modification Lemma and Benders Decomposition
针对电力系统复杂度提升下可靠性分析需提速的问题,提出结合Sherman-Morrison-Woodbury恒等式与Benders分解的SCOPF求解新方法,500节点系统中较预防性N-1策略降耗时83.5%,兼顾可靠运行与成本降低。
2023-05-02 math.OC
Benders decomposition approach to solve the capacitated facility location problem
设施选址问题是运筹学中最重要的问题之一,其目标是使设施的总费用(包括开放设施的费用和运输费用)最小化。这项研究解决了FL的问题,其中每个设施的能力是有限的。由于该问题属于NP难问题,因此我们使用Benders分解(BD)方法来有效地解决FL问题。在本文中,我们实现了经典的BD算法和一些加速BD方法,如Pareto最优切割和L形分解方法。此外,我们提出并实现了混合Pareto-L-shaped(PL)方法,并评估所实现的算法的性能。结果表明,L形分解在时间和迭代次数方面优于其他算法,而经典的BD收敛速度较慢,特别是在大规模上。
2021-04-22 math.OC
Stabilized Benders decomposition for energy planning under climate uncertainty
针对气候不确定性下的两阶段随机能源规划问题,提出带稳定化与并行化的 Benders 分解,显著提升大规模情景下的求解效率和稳健性。
2023-11-24 math.OC
A Framework for Generalized Benders' Decomposition and Its Application to Multilevel Optimization
本文提出一种推广经典 Benders 分解的优化框架,并将其用于多层/多阶段混合整数线性优化,以深化对对偶性和价值函数的理解。
2021-04-13 math.OC
A Redesigned Benders Decomposition Approach for Large-Scale In-Transit Freight Consolidation Operations
随着网络购物和第三方物流的发展,人们对大规模的在途货物集运问题的最优解重新产生了兴趣。给定分布在空间和时间上的多个装运的装运日期、尺寸、原产地、目的地和到期日,该问题需要确定何时在中间合并点将这些装运中的一些装运合并为一个装运,以便在满足到期日约束的同时最小化装运成本。在本文中,我们开发了一个混合整数规划制定的多周期货运整合问题,涉及多个产品,供应商,和潜在的整合点。然后使用Benders分解将大量的整数货物合并变量替换为少量的连续变量,从而在不影响最优性的情况下减小问题的大小。我们的研究结果表明,Benders分解提供了一个显着的规模在求解器的性能。我们展示了我们的方法使用一个大规模的情况下,超过2750万个变量和920万个约束。
2018-01-26 math.OC
Benders Decomposition using Graph Modeling and Multi-Parametric Programming
本文提出一种结合图建模与多参数规划的Benders分解加速框架,通过代理子问题求解实现显著加速并保持收敛保证,应用于两阶段随机规划。
2025-08-01 math.OC
Accelerating L-shaped Two-stage Stochastic SCUC with Learning Integrated Benders Decomposition
Louisiana State University(路易斯安那州立大学)
本文提出三种基于机器学习的Benders分解增强变体,通过回归和分类方法生成更紧的割并精简主问题,有效降低了两阶段随机SCUC的计算成本与内存使用。
2023-11-17 cs.LG math.OC
Analyzing Performance and Scalability of Benders Decomposition for Generation and Transmission Expansion Planning Models
Princeton University(普林斯顿大学)
本文研究了Benders分解在发电与输电扩展规划模型中的性能与可扩展性,探讨了改进收敛速度的方法,并展示了通过正则化等策略优化求解效率的成果。
2026-03-31 math.OC
Benders decomposition for the large-scale probabilistic set covering problem
针对概率集合覆盖问题,提出基于Benders分解的高效算法,通过初始割、启发式及混合整数舍入增强割,在最多500行、5000列和2000场景下优于先进MIP求解器。
2025-01-24 math.OC
Accelerating Benders decomposition for solving a sequence of sample average approximation replications
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出通过Benders分解加速求解序列样本平均近似复制的方法,利用前期求解信息减少后续复制的计算时间。
2026-01-21 math.OC
A Cutting-plane and Benders' Decomposition Algorithm for Two-Stage Distributionally Robust Convex programs
Northwestern University(西北大学)
本文提出结合割平面、Benders 分解与 branch-and-union 的有限收敛算法,用于两阶段分布鲁棒随机混合整数凸规划,实验表明其显著优于商业求解器。
2025-09-29 math.OC
Evaluating Resilience of Electricity Distribution Networks via A Modification of Generalized Benders Decomposition Method
本文提出了一种计算方法来评估电力分配网络(DN)的网络物理故障的弹性。在我们的模型中,我们考虑攻击者的目标是多个DN组件,以最大限度地减少DN运营商的损失。我们考虑两种类型的操作员响应:(i)协调的应急响应;(ii)不协调的自主断开,这可能导致级联故障。为了评估响应(i)下的弹性,我们求解了一个双层混合二阶锥规划,由于内部问题中的混合整数变量和非凸约束,该规划在计算上具有挑战性。我们的解决方案是基于广义Benders分解方法,它实现了计算时间和解决方案的精度之间的合理权衡。我们的方法涉及修改弯曲切割的基础上,对径向DN的功率流的结构见解。我们评估DN弹性响应下(ii)通过顺序计算自治组件断开由于操作边界的侵犯,导致初始攻击和潜在的级联故障。我们的方法有助于估计响应(i)下的弹性增益,相对于(ii)。
2020-11-30 math.OC
Benders decomposition for Network Design Covering Problems
我们考虑网络设计问题的两个覆盖变体。我们给出一组源/目的地对,称为O/D对,如果网络中存在从源到目的地的路径,其长度不大于给定的阈值,则每个这样的O/D对都被覆盖。在第一个问题中,称为最大覆盖网络设计问题,必须确定一个网络,最大限度地满足总需求的覆盖O/D对受到预算约束的网络的设计成本。在第二个问题中,称为部分覆盖网络设计问题,设计成本最小化,而下界设置在总需求覆盖。在提出公式后,我们开发了一个Benders分解方法来解决问题。此外,我们考虑几种稳定化方法来确定Benders削减以及除了割集不等式的主问题。我们还考虑了在我们的方法中添加初始解的影响。计算实验表明,这些不同方面的效率。
2021-09-06 math.OC
Benders' decomposition of the unit commitment problem with semidefinite relaxation of AC power flow constraints
在本文中,我们提出了一个公式的机组组合问题的交流潮流约束。它是通过Benders分解,其中的机组组合主问题制定为一个混合整数问题与线性化的发电约束,以提高收敛性。在子问题中采用了矩形交流最优潮流的半定规划松弛法,提供了一定程度的保守性。数值算例研究,包括6节点和IEEE 118节点网络,提供了我们的建议来测试的有效性。我们表明,在我们的数值实验中,使用这种策略提高了质量的可行性和最优性削减所产生的解决方案的凸松弛的子问题,从而减少了算法收敛所需的迭代次数。
2020-11-23 math.OC
Adaptive Subproblem Selection in Benders Decomposition for Survivable Network Design Problems
Chair of Operations Research, RWTH Aachen University(运筹学教席,亚琛工业大学)
本文提出了一种适应性子问题选择方法,通过多标准评分策略和在线训练的逻辑回归模型,减少Benders分解中不必要的子问题求解,提升求解效率和稳定性。
2026-04-10 math.OC
A Stochastic Benders Decomposition Scheme for Large-Scale Stochastic Network Design
Sloan School of Management and Operations Research Center, Massachusetts Institute of Technology(麻省理工学院斯隆管理学院及运筹学中心);Department of Analytics, Marketing and Operations, Imperial College Business School(帝国理工商学院分析、营销与运营系);Management Science and Operations, London Business School(伦敦商学院管理科学与运营系);Operations Research Center, Massachusetts Institute of Technology(麻省理工学院运筹学中心)
本文提出一种随机Benders分解方法,通过采样历史数据生成确定性有效切口,解决大规模随机网络设计问题,实现更优的求解效率和精度。
2024-04-29 math.OC
Accelerating Stochastic Energy System Optimization Models: Temporally Split Benders Decomposition
针对小时级分辨率随机容量扩展规划问题求解耗时的问题,提出时间分裂的Benders分解方法,通过重构储能约束实现时间并行优化,使计算时间最多减少80%以上。
2025-08-14 math.OC
Solving the Integrated Bin Allocation and Collection Routing Problem for Municipal Solid Waste: a Benders Decomposition Approach
本文针对城市固体废弃物管理中的垃圾收集点选址/容量确定与车辆收集路径设计两个相互依赖的战术规划问题,提出 Benders 分解方法,并在阿根廷布兰卡港市真实实例上验证其相比完整 MIP 模型具有更短的计算时间。
2022-10-03 math.OC
A Benders Decomposition Approach for the k-Defensive Domination Problem
Boğaziçi University(博阿齐西大学);Turkish-German University(土德大学);Koç University(科奇大学)
本文提出了一种基于Benders分解的算法,用于解决k-防御支配问题,通过引入组合方法和多重切分策略,提高了计算效率,并提出了两种新的增强策略,包括基于聚类覆盖的启发式方法和初始切分启发式方法,实验表明该方法能解决传统方法无法处理的问题。
2026-05-19 math.OC
One Benders cut to rule all schedules in the neighbourhood
针对非同类并行机器调度问题,提出将 Local Branching 集成到 Branch-and-Check 方案中,通过构造特定 $4$-OPT 邻域并应用 Benders 割一次性消除次优解,显著减少了最优性间隙并加速了收敛。
2025-04-01 math.OC
Benders Decomposition for Passenger-Oriented Train Timetabling with Hybrid Periodicity
Beijing Jiaotong University(北京交通大学);RPTU Kaiserslautern-Landau(莱茵兰-普法尔茨科技大学凯泽斯劳滕-兰道分校);Lanzhou Jiaotong University(兰州交通大学);Fraunhofer Institute for Industrial Mathematics(弗劳恩霍夫工业数学研究所);TU Berlin(柏林工业大学)
针对乘客需求波动下周期性时刻表灵活性不足的问题,本研究提出混合周期性列车时刻表模型,结合时刻表调整与非周期性列车插入,融入乘客路径规划,采用Benders分解算法求解,有效降低乘客出行成本。
2025-11-13 math.OC
Learning continuous Q-Functions using generalized Benders cuts
Q函数广泛应用于离散时间学习和控制中,当给定初态和输入时,对给定控制策略所产生的未来成本进行建模。虽然Q函数的一些性质已经被理解,但为连续问题生成最优策略的Q函数通常很难计算。即使当系统模型可用时,最优控制通常也难以实现,除非在极少数情况下恰好存在解析解,或者可以计算出显式精确解。通常需要离散状态和动作空间,或者用难以先验选择的基来参数化Q函数。本文描述了一种基于模型的算法,基于广义Benders理论,产生越来越紧密的外近似的最佳Q函数。在强对偶假设下,我们证明了该算法在状态输入空间中的任意有限个点处,在有限次迭代中产生任意小的Bellman最优性误差。在额外的假设下,当输入由算法的更新Q函数在线确定时,同样的保证成立。我们证明了这些性质的数值标量和8维系统。
2019-02-20 math.OC
Benders Decomposition for Robust Tactical Railway Crew Scheduling
针对铁路战术乘务调度中提前告知排班与应对时刻表变动的矛盾,提出两阶段加速Benders分解算法构建鲁棒模板集合,在荷兰铁路实例上验证了方法的成本效益与求解效率优势。
2024-10-08 math.OC
Graph-Based Imitation and Reinforcement Learning for Efficient Benders Decomposition
Department of Chemical Engineering and Material Science, University of Minnesota(明尼苏达大学化学工程与材料科学系);McKetta Department of Chemical Engineering, University of Texas at Austin(德克萨斯大学奥斯汀分校麦凯塔化学工程系)
针对Benders分解计算效率不足的问题,提出结合图神经网络、模仿学习与强化学习的端到端智能体框架,经两类优化问题验证可有效缩短求解时间且不损失解质量。
2025-11-14 math.OC
Towards large-scale probabilistic set covering problems: an efficient Benders decomposition approach
School of Mathematics and Statistics, Beijing Institute of Technology(北京理工大学数学与统计学院);State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院数学科学学院国家重点实验室);School of Mathematical Sciences, University of Chinese Academy of Sciences(中国科学院大学数学科学学院)
本文提出一种高效的Benders分解算法,用于解决大规模概率集覆盖问题,该方法在变量数量和Benders切割分离效率上具有优势,并通过数值实验验证其有效性。
2026-03-23 math.OC
Accelerated Benders Decomposition and Local Branching for Dynamic Maximum Covering Location Problems
针对动态最大覆盖选址问题大规模实例缺乏精确求解方法的现状,本文扩展了静态情况下的branch-and-Benders-cut方法,并提出了一种带有新颖距离度量和高效子问题求解技术的局部分支方案。
2023-10-25 math.OC