A mixed-integer approximation of robust optimization problems with mixed-integer adjustments
针对含连续与离散底层变量的可调鲁棒优化三层难题,提出弱连接实例下的混合整数近似法,可将其转化为单层问题以利用高效求解器,并通过电力系统优化应用验证了价值。
2023-07-19 math.OC
On the Relation Between Affinely Adjustable Robust Linear Complementarity and Mixed-Integer Linear Feasibility Problems
本文将可调鲁棒线性互补问题的结果推广到凸紧致不确定性集合,并证明在多面体不确定性集合下,求解可调鲁棒解等价于求解混合整数线性可行性问题。
2023-11-01 math.OC
Multistage Robust Mixed-Integer Optimization Under Endogenous Uncertainty
内生的,即决策相关的,不确定性已收到越来越多的兴趣在随机规划社区。然而,在鲁棒优化上下文中,它很少被考虑。本文研究了具有决策依赖不确定集的多级鲁棒混合整数优化问题。建议的框架允许我们考虑连续和整数追索权,包括追索权的决定,影响不确定性集。我们得到一个易于处理的问题,利用最近的进展,在建设非线性决策规则,并引入连续追索权的不连续分段线性决策规则。进行计算实验,以获得见解的影响,内生的不确定性,离散追索权的好处,和计算性能。我们的研究结果表明,在解决方案中的保守性水平可以显着降低,如果内生不确定性和混合整数追索权适当建模。
2020-08-26 math.OC
Multistage Robust Discrete Optimization via Quantified Integer Programming
决策需要考虑到不确定的环境。在过去的几十年里,鲁棒优化已经成为一种卓越的方法来产生免疫不确定性的解决方案。鲁棒离散最优化的主要焦点是分析和解决一个或两个阶段的问题,其中决策者在对解决方案的部分被固定后获得的额外知识做出反应时具有有限的选择。由于其计算难度,超过两个阶段的多阶段问题得到较少的关注。在本文中,我们认为,多级强大的离散问题,可以看到通过镜头的量化的整数规划,其中强大的工具,以减少搜索树的大小已经开发。通过制定整数和量化的整数规划公式,可以比较两个世界的最先进的求解器的性能。使用选择,分配,批量和背包问题作为一个测试平台,我们表明,最多九个阶段的问题可以在合理的时间内解决到最优。
2021-02-10 math.OC
Integer Programming Approaches for Distributionally Robust Chance Constraints with Adjustable Risks
本文研究Wasserstein模糊性下具有可调风险容差的分布鲁棒机会约束规划,针对由此产生的NP-hard问题,为左右侧不确定性推导了混合整数规划重构及有效不等式,并通过多规模实例验证了方法有效性。
2024-07-24 math.OC
Computing Two-Stage Robust Optimization with Mixed Integer Structures
本文针对基于决策依赖不确定性的两阶段鲁棒混合整数规划,提出精确与近似求解算法,克服现有局限,并通过理论分析与数值实验验证其有效性与建模能力。
2023-12-21 math.OC
A Decomposition Method for Distributionally-Robust Two-stage Stochastic Mixed-integer Cone Programs
给出了分布鲁棒两阶段随机混合整数凸锥规划的一个分解算法,并给出了分布鲁棒两阶段随机混合整数二阶锥规划的一个重要特例.这推广了Sen和Sherali~[数学规划106(2):203-223,2006]提出的算法。我们表明,所提出的算法是收敛的,如果第二阶段的问题解决到最优的现任第一阶段的解决方案,并解决一个最优化问题,以确定最坏情况下的概率分布是可用的。第二阶段的问题可以使用分支切割算法来解决。最后给出了分解算法的实例。对设施定位问题的随机规划推广的计算结果表明,所提出的方法显着的解决方案的时间改善。许多模型的解决方案是棘手的广泛形式制定成为可能。计算结果表明,解决方案的时间要求并没有显着增加时,考虑分布鲁棒对应的随机规划模型。
2019-11-20 math.OC
Robust Quadratic Programming with Mixed-Integer Uncertainty
研究了鲁棒凸二次规划问题,其中不确定性问题的参数可以包含连续和整数分量。在不确定性集的自然有界性假设下,我们证明了一般性问题是适合于多项式大小的确切的共正规划重构。这些凸优化问题是NP难的,但承认保守的半定规划(SDP)的近似,可以有效地解决。我们证明了流行的近似S-引理方法-这是有效的,只有在连续的不确定性的情况下-是弱于我们的近似。我们还表明,所有的结果可以推广到两阶段的鲁棒二次优化设置,如果问题有完全追索权。我们评估了我们提出的SDP重新制定的有效性,并证明了它们的优越性,在最小二乘法,项目管理和多项报童问题的情况下,国家的最先进的解决方案。
2018-12-18 math.OC
Pragmatic distributionally robust optimization for simple integer recourse models
受连续型模型成功的启发,处理分布不确定性下的混合整数补偿(MIR)模型的标准方法是使用分布鲁棒优化(DRO)。然而,我们认为,这种建模的选择并不总是合理的,因为DRO技术通常是非常具有挑战性的计算时,整数决策变量参与。这就是为什么我们提出了一个从根本上不同的方法,MIR模型分布的不确定性,旨在获得模型与改进的计算处理。对于简单整数补偿(SIR)模型的特殊情况下,我们证明了听话的模型可以通过务实地选择不确定性集。在这里,我们考虑的不确定性集的基础上的Wasserstein距离,也广义矩条件。我们比较我们的方法与标准的DRO和讨论潜在的概括我们的想法更一般的MIR模型。我们的分析的一个重要的副作用是推导出SIR模型的凸近似的性能保证。与文献相比,这些误差界不仅对连续分布有效,而且对任何分布都成立。
2022-06-27 math.OC
Piecewise constant decision rules via branch-and-bound based scenario detection for integer adjustable robust optimization
具有不确定参数和整数决策变量的多阶段问题是鲁棒优化(RO)最困难的应用之一。在这些问题中的挑战是找到最佳的此时此刻的决定,考虑到观望的决定必须适应不确定参数的显示值。Postek和den Hertog(2016)以及Bertsimas和Dunning(2016)提出通过自适应划分不确定性集来构建分段常数决策规则来解决这些问题。通过分离不确定参数的所谓关键场景来迭代更新该集合的分区。这两篇参考文献都提出了识别这些关键场景的方法。然而,这些方法最适合于具有连续决策变量和许多不确定约束的问题。特别是,他们不能确定信息集的关键情况下,整数问题的不确定性,在目标函数只。在这篇文章中,我们针对现有方法的这一缺点,引入了一个通用的关键场景检测方法的混合整数可调鲁棒最优化问题,是基于分支定界树用于解决相应的静态问题。对路线规划问题的数值实验表明,我们的通用方法优于Postek和den Hertog(2016)的特定问题方法。
2018-05-29 math.OC
A Robust Mixed Integer Optimization Model to Utilize Regenerative Energy of Trains in a Railway Network
本文提出了一个鲁棒混合整数最优化模型,以利用铁路网中列车产生的再生制动能量。电动训练在制动期间产生再生能量,该再生能量在现有技术中经常损失。为了利用这种能量,我们计算出一个时间表,该时间表使合适的训练对的制动和加速阶段之间的总重叠时间最大化,使得制动训练的再生能量可以转移到合适的加速阶段。我们将我们的最优化模型应用于不同的情况下,铁路网络的时间跨度为6小时。对于每一个实例,我们的模型都能很快找到最佳时间表(最大运行时间为86.64秒)。与现有的时间表相比,我们观察到每种情况下可再生能源的利用率都有显着提高。
2015-07-07 math.OC
K-Adaptability in Two-Stage Mixed-Integer Robust Optimization
本文研究了两阶段混合离散-连续决策的两阶段鲁棒最优化问题。尽管它们的应用范围广泛,这些问题提出了两个基本的挑战:(i)他们构成无限维的问题,需要一个有限维的近似,和(ii)离散追索权的存在决定通常禁止基于对偶的解决方案。我们解决第一个挑战,通过研究一个$K$ -适应性制定,选择$K$候选追索政策之前,观察实现的不确定参数,并实现这些政策的最佳实现后是已知的。我们解决第二个挑战,通过一个分支定界计划,享有渐近收敛一般和有限收敛在特定条件下。我们说明了我们的算法在数值实验中的性能,涉及基准数据从几个应用领域。
2018-07-27 math.OC
Multistage Distributionally Robust Mixed-Integer Programming with Decision-Dependent Moment-Based Ambiguity Sets
研究了内生不确定性下的多阶段分布鲁棒混合整数规划,其中阶段不确定性的概率分布依赖于前几阶段的决策.我们首先考虑两个模糊集定义的决策相关的界限上的第一和第二时刻的不确定参数和平均值和协方差阵,完全匹配的决策相关的经验,分别。对于这两个集合,我们表明,在每个阶段的子问题可以被改写为一个混合整数线性规划(MILP)。此外,我们将(Delage和Ye,2010)中的一般基于矩的模糊性集扩展到多级决策相关的设置,并推导出逐阶段子问题的混合整数半定规划(MISDP)重新表述。我们开发的方法来达到多级MISDP的最佳目标值的下限和上界,并近似使用一系列的MILP。我们部署的随机对偶动态整数规划(SDDiP)的方法来解决问题的三个模糊集下的风险中性或风险厌恶的目标函数,并进行数值研究的多级设施选址实例具有不同的大小在不同的参数和不确定性设置。我们的研究结果表明,SDDiP快速找到最优解的前两个模糊集下的中等规模的实例,也找到了良好的近似边界下的第三个模糊集的多级MISDP。我们还证明了在多级决策过程中,将决策相关的分布模糊性的有效性。
2020-09-25 math.OC
Mixed-Integer Programming for a Class of Robust Submodular Maximization Problems
该研究针对两类鲁棒子模最大化问题,利用子模性重构问题并开展多面体研究,提出嵌入子模不等式的延迟割生成框架精确求解,还给出第二类变体的可行解算法及间隙,经供水管网传感器布置真实数据集验证有效。
2023-06-09 math.OC
A fast approximate column-and-constraint generation method for two-stage robust mixed-integer programs
University of Passau(帕绍大学);Technical University of Munich(慕尼黑工业大学)
本文提出一种针对两阶段鲁棒混合整数规划的快速近似列与约束生成方法,通过引入对偶界、自适应时间限制和间隙传播等加速技术,有效解决了计算复杂的第二阶段问题,并在更大规模实例上展现出优越性能与普适性。
2025-11-03 math.OC
The complexity landscape of robust (integer) linear programming
LIRMM, University of Montpellier, CNRS(法国国家科学研究中心蒙彼利埃大学LIRMM实验室);University of Amsterdam(阿姆斯特丹大学);University of Passau(帕绍大学)
该研究系统分类静态、两阶段及K-适应性三类鲁棒优化问题的计算复杂性,证明其归属于多项式层次、实数存在理论或不可判定问题,还给出双层线性优化属NP类的另一证明及K-适应性的相关归约结论。
2026-11-10 math.OC
Uncertainty Preferences in Robust Mixed-Integer Linear Optimization with Endogenous Uncertainty
在鲁棒优化中,人们试图在不确定性不确定决策下做出决策,目标是找到具有最佳最坏情况性能的解决方案。不确定数据的可能实现的集合由所谓的不确定性集合描述。在许多情况下,决策者可能会影响她所面临的不确定性制度,例如,通过投资市场研究或更高精度的机器。最近,这种情况在文献中通过引入决策相关不确定性集(内生不确定性)来解决,即,其结构取决于(通常是离散的)决策变量的不确定性集合。通过这种方式,可以对降低鲁棒性成本与影响不确定性所需的投资成本之间的权衡进行建模。然而,这里还有另一个交易要做。对于不同的不确定性机制,不仅最坏情况下的最优解不同,而且该解的其他方面,如最大遗憾,最佳情况下的性能或性能的可预测性也不同。决策者可能仍然对性能保证感兴趣,但同时愿意放弃最坏情况下的性能,如果其他方面可以通过切换到合适的不确定性机制来增强。我们引入不确定性偏好的概念,以捕捉这样的立场。我们提出了三种方法来形式化的不确定性偏好和研究所产生的数学模型。我们的目标是对这些模型进行重新表述/近似,这些模型可以用标准方法求解。主力是混合整数线性和圆锥优化。我们应用我们的框架不确定的最短路问题,并进行数值实验所产生的模型。我们可以证明,我们的模型可以很好地处理标准的混合整数线性求解器。
2022-01-24 math.OC
Distributionally Risk-Receptive and Robust Multistage Stochastic Integer Programs and Interdiction Models
本文研究分布风险接受与鲁棒的多阶段随机混合整数规划,提出基于割平面和重构的有限收敛求解算法,计算表明割平面法速度提升超2400%,并验证了其在揭示网络漏洞和缓解数据损坏方面的作用。
2024-09-24 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
A robust optimization approach for dynamic traffic signal control with emission considerations
我们考虑一个信号网络上的解析信号控制问题,其交通流动态由Lighthill-Whitham-Richards(LWR)模型(Lighthill和Whitham,1955; Richards,1956)描述。这个问题明确地解决交通衍生的排放作为侧约束。我们试图解决这个问题,使用混合整数数学规划的方法。这类问题,我们称之为LWR-Emission(LWR-E),以前已经进行了一定程度的分析。由于混合整数规划在许多情况下实际上是有效的(Bertsimas等人,2011 b),具有整数变量的事实并不是解决LWR-E问题的最大挑战;相反,它是潜在的非线性和非凸排放相关约束/目标的存在,使程序计算昂贵。为了解决这一计算挑战,我们提出了一种新的重组的LWR-E问题作为一个混合整数线性规划(MILP)。这种方法依赖于存在一个统计上有效的宏观关系之间的总排放率和同一环节的车辆占有率。这种关系近似与某些功能的形式和相关的不确定性处理明确使用鲁棒优化(RO)技术。RO允许在温和条件下将排放相关约束和/或目标重新表述为线性型。为了进一步降低计算成本,我们采用链路传输模型来描述交通动态的好处是更少的(整数)变量和更少的潜在流量持有。建议的MILP明确捕获车辆溢出,避免交通滞留,同时最大限度地减少旅行延误,并解决与排放相关的问题。
2016-03-24 math.OC
A Safe Approximation Based on Mixed-Integer Optimization for Non-Convex Distributional Robustness Governed by Univariate Indicator Functions
Friedrich-Alexander-Universität, Erlangen-Nürnberg(弗里德里希·亚历山大大学埃尔朗根-纽伦堡分校);Linköping University(林雪平大学)
本文提出了一种基于混合整数优化的安全近似方法,用于解决包含单变量指示函数的非凸分布鲁棒优化问题,通过离散化近似确保解的可行性。
2026-10-15 math.OC
Robust Design of Multi-Energy Systems Accounting for Mixed-Integer Operational Problems
Institute of Climate and Energy Systems, Energy Systems Engineering (ICE-1), Forschungszentrum Jülich GmbH(于利希研究中心);RWTH Aachen University(亚琛工业大学);JARA-ENERGY(JARA-能源)
本文研究了多能源系统鲁棒设计中混合整数运算问题对鲁棒性的影响,提出了一种混合方法验证设计鲁棒性,结果表明启发式方法可能在非凸性存在时仍能识别鲁棒设计,但需结合严格方法确保鲁棒性。
2026-08-04 math.OC
On Tractability, Complexity, and Mixed-Integer Convex Programming Representability of Distributionally Favorable Optimization
针对分布有利优化(DFO)因内部下确界算子难以保持凸性的挑战,研究其可处理性与复杂度,建立充要条件,证明其具备混合整数凸规划可表示性并通过数值验证有效性。
2024-01-31 math.OC
A Computational Study for Solving Decision-Dependent Robust Problems as Bilevel Optimization Problems
Trier University(特里尔大学);University of Montpellier(蒙彼利埃大学);CNRS(法国国家科学研究中心);University of Technology Nuremberg (UTN)(纽伦堡工业大学)
研究将依赖决策的鲁棒优化问题作为双层优化问题求解,对比经典鲁棒优化对偶化技术与双层技术,发现双层技术虽类似但计算量更大,对混合整数线性模型表示的情况,比较双层方法与文献方法,结果显示双层方法计算时间表现更好。
2026-07-07 math.OC
A Lagrangian Dual Method for Two-Stage Robust Optimization with Binary Uncertainties
本文提出了一种新的精确方法来计算具有类别或二值不确定数据的两阶段鲁棒最优化问题的最坏情况参数实现。这些问题的传统精确算法,特别是Benders分解和列和约束生成,通过求解混合整数双线性优化子问题来计算最坏情况的参数实现。然而,它们的数值解可能是计算上昂贵的,这不仅是由于它们在重新公式化双线性项之后产生的大尺寸,而且还因为它们的变量的决策无关界限通常是未知的。我们提出了一种替代拉格朗日对偶方法,绕过这些困难,很容易集成在任何算法。我们将该方法专门用于解决应用程序中常见的二进制参数打开或关闭约束的问题,并讨论对缺乏相对完整追索权的问题和具有整数追索权的问题的扩展。数值实验提供了证据显着的计算改进现有的方法。
2022-01-15 math.OC
Robust Integer Programming
我们提供了一个复杂性分类的四个变种的强大的整数规划时,底层的Graver基础。我们讨论的应用程序,强大的多商品流和多维运输,并描述了一个有效的参数化的强大的整数规划。
2014-02-13 cs.DM cs.DS math.CO
Exact and Heuristic Methods for $Γ$-Robust Min-Max Problems
Eindhoven University of Technology(埃因霍温理工大学)
本文研究带Γ-鲁棒不确定数据的混合整数线性极大极小问题,提出精确与启发式求解方法,经560个背包拦截问题实例测试,该启发式方法能缩小最优性间隙且性能优于基准方法。
2026-08-19 math.OC
Efficient and Robust Mixed-Integer Optimization Methods for Training Binarized Deep Neural Networks
University of Siegen(锡根大学);African Institute for Mathematical Sciences(非洲数学科学研究所)
与经典的深度神经网络相比,由于其减少了内存消耗和计算需求,其二进制化版本对于资源有限设备上的应用程序非常有用。在这项工作中,我们研究了具有二进制激活函数和连续或整数权重的深度神经网络(BDNN)。我们表明,BDNN可以重新制定为一个混合整数线性规划与有界的权空间,可以解决的经典混合整数规划求解器的全局最优性。此外,局部搜索启发式计算局部最优网络。此外,为了提高效率,我们提出了一个迭代的数据分裂启发式迭代分裂训练集成更小的子集,通过使用k-均值方法。之后,在一个给定的子集中的所有数据点被迫遵循相同的激活模式,这导致了一个更小的整数变量的数量在混合整数规划制定,因此计算的改进。最后,第一次提出了一个强大的模型,它在训练过程中加强了BDNN的鲁棒性。所有方法都在随机和真实数据集上进行了测试,我们的结果表明,所有模型通常都可以在小型网络架构上与经典DNN竞争,甚至优于经典DNN,这证实了内存或计算能力有限的应用程序的可行性。
2021-10-25 cs.LG math.OC
Distributionally Robust Airport Ground Holding Problem under Wasserstein Ambiguity Sets
University of Michigan(密歇根大学);University of Maryland(马里兰大学)
本文提出了一种鲁棒框架和方法,用于在存在容量不确定性时优化机场地面延误决策,通过结合凯利切割平面方法与整数L形方法,显著提升了计算效率并增强了决策的鲁棒性。
2026-11-06 math.OC
From Uncertainty Data to Robust Policies for Temporal Logic Planning
我们考虑的问题,综合鲁棒干扰反馈政策的系统执行复杂的任务。我们制定的线性时态逻辑规范的任务,并通过混合整数约束编码到一个优化框架。系统动态和规格都是已知的,但受不确定性的影响。不确定性的分布是未知的,但是可以获得实现。我们引入了一个数据驱动的方法,其中的约束满足一组实现,并提供概率泛化保证作为一个函数的数量考虑实现。我们使用单独的机会约束满足规范和操作约束。这使我们能够独立地量化它们的违规概率。我们计算的干扰反馈政策的混合整数线性或二次最优化问题的解决方案。通过使用反馈,我们可以利用过去实现的信息,并提供了更广泛的情况下相比,静态输入序列的可行性。我们证明了所提出的方法在两个强大的运动规划案例研究自动驾驶。
2018-08-27 math.OC
Ensemble Methods for Robust Support Vector Machines using Integer Programming
University of Amsterdam(阿姆斯特丹大学)
在这项工作中,我们研究二进制分类问题,我们假设我们的训练数据是不确定的,即精确的数据点是未知的。为了在鲁棒机器学习领域解决这个问题,目的是开发对训练数据中的小扰动鲁棒的模型。我们研究了强大的支持向量机(SVM)和扩展的经典方法的集成方法,迭代地解决了一个非强大的SVM对不同的扰动的数据集,其中的扰动是由一个对抗性的问题。之后,对于未知数据点的分类,我们对所有计算的SVM解决方案进行多数投票。我们研究了对抗问题的三种不同的变体,确切的问题,一个放松的变体和一个有效的启发式变体。虽然精确的和放松的变量可以使用整数规划公式建模,启发式的可以通过一个简单而有效的算法来实现。所有派生的方法进行测试,随机和现实的数据集和结果表明,派生的集成方法有一个更稳定的行为时,改变保护水平相比,经典的强大的SVM模型。
2022-03-03 cs.LG math.OC
Heuristic solutions to robust variants of the minimum-cost integer flow problem
Privredna banka Zagreb(萨格勒布商业银行);University of Zagreb, Faculty of Science(萨格勒布大学理学院)
本文讨论了鲁棒优化应用于网络流。最小费用整数流问题的两个强大的变种。因此,在问题制定的不确定性是有限的弧单位成本和明确给定的情况下表示。结果表明,这两个问题的变种是NP-困难的。为了解决所考虑的变量,提出了几种基于局部搜索或进化计算的算法。在适当的问题实例上进行实验评估。
2019-07-21 cs.AI cs.NE math.OC
Affinely Adjustable Robust Linear Complementarity Problems
线性互补性问题是一个强有力的工具,用于模拟许多实际相关的情况,如市场均衡。它们还连接了数学的许多子领域,如对策论、最优化和矩阵理论。尽管它们与优化密切相关,但LCP对不确定性的保护-特别是在鲁棒优化的意义上-仍然处于起步阶段。在过去的几年中,鲁棒LCP仅使用严格和$Γ$鲁棒性的概念进行了研究。不幸的是,这两个概念都会导致无法保证鲁棒解决方案的存在的问题。在本文中,我们考虑仿射可调的鲁棒LCP。在后者中,允许LCP解决方案的一部分通过在不确定性中仿射的函数进行调整。我们表明,这个概念的鲁棒性允许建立强大的不确定矩阵和向量的情况下,分别,从存在性结果可以得出的解决方案的特征。我们的主要结果是有效的情况下,一个不确定的LCP向量。在这里,我们还提供了关于LCP矩阵的解的唯一性的充分条件。此外,基于仿射可调鲁棒解的特征,我们推导出一个混合整数规划公式,允许解决相应的鲁棒对应。如果,此外,一定的LCP矩阵是半正定的,我们证明多项式时间的可解性和鲁棒解的唯一性。如果LCP矩阵是不确定的,则为每个标称矩阵开发解决方案的特征,即,特别地,这些特征与标称矩阵的确定性无关。稳健的解决方案也被证明是唯一的正定LCP矩阵,但唯一性和混合整数规划配方仍然是开放的问题,如果名义LCP矩阵不是PSD。
2021-10-22 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
Distributed Mixed-Integer Linear Programming via Cut Generation and Constraint Exchange
信息物理网络系统中的许多问题都可以表示为混合线性规划,其中约束分布在智能体之间。在本文中,我们提出了一个分布式的算法框架来解决这类最优化问题在对等网络中没有协调员,有限的计算和通信能力。在每个通信回合,代理本地解决一个小的线性规划,生成合适的切割平面和通信的固定数量的积极约束。在分布式框架内,我们首先提出了一个算法,在整数值的最优成本的假设下,保证有限时间收敛到一个最优解。其次,我们提出了一个算法,一般问题,提供了一个次优的解决方案,以给定的公差在有限数量的通信轮。这两种算法都适用于异步、有向、不可靠的网络。最后,通过数值计算,我们分析了算法的可扩展性方面的网络规模。此外,对于一个多智能体多任务分配问题,我们表明,一致的理论,其鲁棒性的数据包丢失。
2019-06-04 math.OC
Robust Gas Pipeline Network Expansion Planning to Support Power System Reliability
我们研究的问题,最优输运容量扩张规划的天然气管道网络,以服务日益增长的需求,燃气发电厂越来越多地用于提供基本负荷,灵活性,和备用发电的大容量电力系统。其目的是确定可以添加到网络中以提供服务于未来负载的额外容量的额外管道和气体压缩机的最小成本集合。这种组合最优化问题最初制定为一个混合整数非线性规划,然后我们扩展到占天然气发电生产的需求和预期未来负荷的不确定性的固有的可变性。我们认为在这里的稳态流建模,同时确保解决方案是可行的所有可能的值的区间不确定性的负载,这将导致一个具有挑战性的半无限的问题。我们应用以前推导的单调性属性,使简化的问题,只需要在两个极端的情况下的约束满足,然后制定鲁棒的天然气管道网络扩展规划问题,使用混合整数二阶锥制定。我们考虑比利时网络测试案例的案例研究,以检查所提出的方法的性能。
2021-01-25 math.OC
Learning-Based Hierarchical Approach for Fast Mixed-Integer Optimization
Princeton University(普林斯顿大学)
本文提出一种基于学习的分层方法,通过分解混合整数规划问题并利用凸优化技术,实现快速求解高质量解。
2025-12-03 math.OC
Robust-and-Cheap Framework for Network Resilience: A Novel Mixed-Integer Formulation and Solution Method
弹性和鲁棒性是网络可靠性和攻击容忍度分析中的重要性质。近几十年来,各种定性和定量方法在解决网络弹性和鲁棒性方面做出了重大贡献。然而,缺乏精确的方法,如混合整数规划(MIP)模型是明智的文献。在本文中,我们对有关网络针对目标攻击和随机攻击的弹性和鲁棒性的文献做出了贡献,并提出了一个考虑网络图论方面的MIP模型。建议的MIP模型包括两个阶段,在第一阶段中的最坏情况下的攻击被确定。然后,第二阶段的问题最大化的最坏情况下的攻击,通过增加链路考虑链路增加的财务预算的网络弹性。此外,我们提出了一个解决方案的方法,(i)提供了一个紧密放松的MIP制定放宽一些完整性的限制,(ii)利用问题的结构,并减少了第二阶段的问题,一个不太复杂,但等价的问题,及(iii)确定基本的背包约束,并产生提升覆盖不等式(LCI)等约束。我们总结了随机生成网络的数值实验,然后将我们的结果扩展到电力系统网络。数值实验表明,所提出的鲁棒和廉价的网络弹性框架的适用性和计算效率。
2022-12-14 math.CO math.OC
A solution robustness approach applied to network optimization problems
解决方案的鲁棒性侧重于名义解决方案和场景解决方案之间的结构相似性。大多数鲁棒优化方法只关注质量鲁棒性,并且仅通过目标函数值来评估其解的相关性。然而,更重要的是优化解决方案的鲁棒性,并且一旦发现不确定性,就找到与标称解决方案$x^{nom}$尽可能相似的替代方案解决方案$x^s$。例如,当鲁棒解决方案定期实施或不确定性较晚时,就会发生这种情况。我们将$x^{nom}$和$x^s$之间的距离称为解决方案成本。我们考虑的主动问题,最大限度地减少平均解决方案的成本在一个离散集的场景,同时确保最优的名义目标的$x^{nom}$。我们证明了两个不同的解决方案的距离$d_{val}$和$d_{struct}$的主动问题是NP-难的整数最小成本流问题与不确定的弧需求和整数最大流问题与不确定的弧容量。对于这两个问题,我们证明,一旦不确定性被发现,即使确定一个反应的解决方案$x^r$与一个最小的距离给定的解决方案$x^{nom}$是NP-困难的$d_{struct}$,它是多项式$d_{val}$。我们强调解决方案的鲁棒性的好处在一个案例研究的铁路规划问题。首先,我们比较我们的主动方法锚定和$k$距离的方法。然后,我们展示了主动解决方案的效率超过反应式解决方案。最后,我们说明了解决方案的成本降低时放松的最优性约束的名义目标的积极主动的解决方案$x^{nom}$。
2021-10-22 math.OC
Distributionally Robust Bottleneck Combinatorial Problems: Uncertainty Quantification and Robust Decision Making
研究了具有随机费用的数据驱动的分布鲁棒瓶颈组合问题(DRBCP),其中费用向量的概率分布包含在以Wasserstein距离指定的经验分布为中心的分布球中.我们从不同的应用中研究了两种不同版本的DRBCP:(i)受多跳无线网络应用的启发,我们首先研究了DRBCP(表示为DRBCP-U)的不确定性量化,其中决策者希望准确估计DRBCP的最坏情况值。DRBCP-U的难点在于处理它的最大-最小-最大形式。幸运的是,瓶颈组合问题的替代形式,从他们的阻滞剂,使我们能够得到等价的确定性的重新制定,这可以通过混合整数规划计算。此外,通过绘制DRBCP-U之间的连接,其抽样平均近似对应经验分布下,我们表明,Wasserstein半径可以选择的顺序为负平方根的样本量,改善现有的已知结果;和(ii)接下来,乘车共享应用程序的动机,决策者选择最佳的服务和乘客匹配,最大限度地减少不公平。这就产生了决策DRBCP(表示为DRBCP-D)。对于DRBCP-D,我们证明了它的最优解也是最优的采样平均近似对应,和Wasserstein半径可以选择在一个类似的顺序DRBCP-U。当样本量较小时,我们提出利用DRBCP-D的最优值来构造一个无差异解空间,并提出一个替代决策鲁棒模型,该模型能找到最佳无差异解以最小化经验方差.我们进一步证明了决策鲁棒模型可以被改写为一个混合整数规划。
2021-02-22 math.OC
Convergence of a Scholtes-type Regularization Method for Cardinality-Constrained Optimization Problems with an Application in Sparse Robust Portfolio Optimization
本文研究了具有基数约束的一般非线性规划问题。通过放松自然混合整数规划公式中的二元变量,我们得到了一个几乎等价的非线性规划问题,因此仍然难以解决。因此,我们应用Scholtes型正则化方法来获得一系列更容易解决的问题,并研究所获得的KKT点的收敛性。我们表明,这样的序列收敛到一个S-平稳点,这对应于一个局部极小的原问题的假设下凸。此外,我们考虑投资组合的最优化问题,我们最小化的基数约束下的投资组合的风险度量。考虑了各种风险度量,特别是收益率正态分布下的风险价值和条件风险价值,以及矩条件下的稳健度量。对于这些被表述为具有基数约束的非线性规划问题的投资问题,我们对取自文献的大量模拟实例进行了数值研究,并与其他考虑的解决方案方法相比,阐明了Scholtes型正则化方法的计算性能:一个混合整数求解器,一个直接的连续重构求解器和Kanzow-Schwartz正则化方法,这已经被应用到Markowitz投资组合问题。
2017-03-30 math.OC
Robust Truss Topology Optimization via Semidefinite Programming with Complementarity Constraints: A Difference-of-Convex Programming Approach
针对不确定静态外载荷的桁架结构鲁棒拓扑优化问题可以用混合整数半定规划来描述。虽然用分支定界法可以求出全局最优解,但它非常耗时。本文提出了一种替代提法,半定规划互补约束,并提出了一个有效的启发式。所提出的方法是基于DC(凸差分)规划的凹凸过程。结果表明,该方法往往能在求解几十个凸优化子问题的计算量内找到一个实际合理的桁架设计。
2017-12-09 math.OC
Robust optimization for the pooling problem
池化问题具有应用,例如,在石油化工精炼、水网络和供应链中,并在全局优化中得到广泛研究。到目前为止,它在很大程度上被确定性地对待,忽略了参数不确定性的影响。本文应用两种鲁棒优化方法,重构和切割平面,非线性,非凸池问题。鲁棒优化的大多数应用都是凸或混合整数线性问题。我们探讨了鲁棒优化的全局最优化问题的背景下,这是凹的不确定的参数,考虑不确定的入口浓度的池化问题的适用性。我们比较了计算效率的重新和切割平面的方法为三个常用的不确定性集的几何形状的14个池化问题的实例,并演示了如何占不确定性改变的最优解。
2019-06-18 math.OC
A Sequential Deep Learning Algorithm for Sampled Mixed-integer Optimisation Problems
University of Sydney(悉尼大学);University of Ottawa(渥太华大学)
混合整数优化问题可能在计算上具有挑战性。在这里,我们介绍和分析了两个有效的算法,一个特定的序贯设计,旨在处理这一类内的采样问题。在这两种算法的每个迭代步骤中,我们首先测试给定测试解决方案的可行性,同时确定违反的约束条件。随后,一个优化问题被构造与约束集组成的当前的基础-即,最小的一组约束,充分规定了当前的测试解决方案-以及与有限数量的识别违反样本的约束。我们表明,这两种算法表现出有限时间收敛到最优解。算法2的特征在于神经网络分类器,与算法1相比,其显著提高了计算性能。通过鲁棒最优潮流、鲁棒机组组合和鲁棒随机混合整数线性规划三个数值试验,定量地验证了这些算法的有效性。
2023-03-05 cs.LG math.OC
Data-Driven Distributionally Robust Mixed-Integer Control through Lifted Control Policy
本文针对不确定线性系统的有限时域分布鲁棒混合整数控制问题,提出分布鲁棒提升控制策略(DR-LCP)方法,以高效获得高质量近似解,并从理论和实验两方面验证了其优越性。
2025-02-08 cs.SY eess.SY math.OC
Modeling to Generate Alternatives for Robustness of Mixed Integer DC Optimal Power Flow
H. Milton School of Industrial and Systems Engineering, Georgia Institute of Technology(佐治亚理工学院 H.米尔顿工业与系统工程学院)
本文提出利用建模生成替代方案(MGA)解决直流最优潮流线性化在边缘情况下产生不可行整数解的问题,在13个测试网络中均成功找到可行解,并指出搜索准则需针对网络定制。
2025-10-23 cs.SY eess.SY math.OC
A study of distributionally robust mixed-integer programming with Wasserstein metric: on the value of incomplete data
本研究针对带目标参数不确定性的线性MILP问题,同时考虑数据与分布不确定性,构建三层DRO模型,证明双仿射损失下可单层MILP重构,特定数据不确定性下可快速求解,并通过数值实验验证了模型性能与计算复杂度。
2024-03-05 cs.DM math.OC
A Mixed-Integer SDP Solution Approach to Distributionally Robust Unit Commitment with Second Order Moment Constraints
研究了一种考虑可再生能源不确定性的电力系统机组组合问题。我们假设随机参数的一阶矩和二阶矩可以从历史数据中推断出来,然后用来模拟概率分布的集合。由此产生的问题是一个两阶段的分布式鲁棒机组组合与二阶矩约束,我们表明,它可以被改写为一个混合整数半定规划(MI-SDP)有限约束。该问题的求解算法包括求解一系列松弛的MI-SDP和一个可行性检查和顶点生成子程序。在证明半定规划(SDP)问题具有强对偶性的基础上,提出了求解MI-SDP问题的割平面算法,并引入了SDP松弛算法来求解这类难处理的双凸优化问题.在IEEE 6节点系统上的实验结果表明,在不进行任何参数调整的情况下,分布式鲁棒UC方法的实时运行代价优于确定性UC方法和两阶段鲁棒UC方法,且具有更高的调度可靠性。
2019-10-27 cs.SY eess.SY math.OC
Distributionally Robust Regularization of Sparse Integer Programming Trained Learning Models
IBM Research(IBM研究院)
针对规则集稀疏性与预测精度的权衡,本文提出基于分布鲁棒优化和列生成的稀疏规则集合集成学习方法,并通过理论与实验证明其在泛化、计算成本和可解释性上的优势。
2026-10-16 cs.AI cs.LG math.OC
Deep Learning for Two-Stage Robust Integer Optimization
University of Toronto(多伦多大学);TU Delft(代尔夫特理工大学);University of Amsterdam(阿姆斯特丹大学)
针对整数变量下两阶段鲁棒优化(2RO)难以求解大规模算例的问题,提出结合定制神经网络的列与约束生成算法Neur2RO,可快速生成高质量解,显著优于现有方法。
2024-11-01 cs.AI cs.LG math.OC
A Branch-and-Cut Algorithm for Mixed Integer Bilevel Linear Optimization Problems and Its Implementation
在本文中,我们描述了一个全面的算法框架,解决混合整数双层线性最优化问题(MIBLP)使用广义分支和切割的方法。提出的框架合并功能从现有的算法(传统的混合整数线性最优化和MIBLP)与新技术,以产生一个灵活和强大的框架,能够解决广泛的两级最优化问题。该框架已在开源求解器MibS中完全实现。本文介绍了MibS提供的算法选项,并提出了计算结果评估的有效性的各种选项的解决方案的一些类的双层最优化问题从文献。
2021-04-19 cs.GT math.OC
On a class of data-driven mixed-integer programming problems under uncertainty: a distributionally robust approach
National Research University Higher School of Economics(国立研究型高等经济学院)
在这项研究中,我们分析线性混合整数规划问题,其中的成本向量的分布只能通过有限的训练数据集观察。与相关研究相比,我们假设成本向量的每个分量的随机观测值的数量可能会有所不同。然后,目标是找到将数据集转换为目标函数的期望值的估计的预测规则和提供最优决策的关联估计的处方规则。我们的目标是找到最保守的预测和处方规则,满足某些指定的渐近保证的样本量趋于无穷大。我们证明了在一些温和的假设下,所得到的向量最优化问题承认一个Pareto最优解具有一些吸引人的理论性质。特别地,该解决方案可以通过求解关于所有概率分布的分布鲁棒优化(DRO)问题来获得,所述所有概率分布具有与经验边缘分布的给定分量相对熵距离。事实证明,只要存在一个有效的算法,相应的确定性问题,概述的DRO问题可以得到有效的解决。此外,我们进行了数值实验,所提出的方法的样本外的性能进行了分析。
2022-05-18 cs.LG math.OC stat.AP
Dominance-based linear formulation for the Anchor-Robust Project Scheduling Problem
在加工时间不确定的项目调度问题中,锚-鲁棒项目调度问题是寻找一个最大完工时间有界的基线调度和一个开工时间有保证的最大工件集。该问题被证明是NP难的,即使预算的不确定性。在目前的工作中,我们设计的混合整数规划(MIP)配方,是有效的各种不确定性集,包括预算的不确定性。提出了一种新的解决方案之间的主导地位,导致MIP制定。我们进一步研究了问题的组合结构。预算的不确定性下的非平凡多项式的情况下展出,其中基于优势的制定产生一个多面体的整数解的表征。在更一般的情况下,优势为基础的配方被证明是紧密的比所有以前已知的配方。在数值实验中,我们研究了该公式在多项式情况下的实例上的表现,无论是预算的不确定性集还是涉及多个预算的更复杂的不确定性集。
2021-06-22 cs.DM math.OC
Randomized Constraints Consensus for Distributed Robust Mixed-Integer Programming
在本文中,我们考虑一个网络的处理器,旨在合作解决混合整数凸规划的不确定性。每个节点只知道一个共同的费用函数和它的局部不确定约束集。我们提出了一个随机的,分布式算法工作在异步,不可靠和定向通信。该算法是基于本地计算和通信范式。在每个通信回合,节点执行两个更新:(i)验证,其中它们以随机方式检查候选最佳点的鲁棒可行性,以及(ii)优化步骤,其中它们与邻居交换其候选基础(定义解的最小约束集)并本地解决最优化问题。作为主要的结果,我们表明,处理器可以停止算法后,有限数量的通信轮(无论是因为验证已成功的足够数量的轮或因为一个给定的阈值已达到),使候选人最优解是一致的。共同的解决方案被证明是-具有高置信度-可行的,因此,除了具有任意小的概率测度的子集的不确定性的整个集合的最佳。我们使用两个例子:一个随机的,不确定的混合整数线性规划和无线传感器网络中的分布式定位所提出的分布式算法的有效性。分布式算法在多核平台上实现,其中节点异步通信。
2019-07-09 cs.DC cs.SY eess.SY