3

我正在尝试使用 GLPK 和 CBC 解决 MIP，但两个求解器都无法有效地找到解决方案。GLPK 求解器日志显示，它可以快速找到与真正最优值相差 0.1% 以内的解决方案，但随后会花费很长时间才能找到真正的最优值。

我知道我可以使用miptolarg 来设置容差——我的问题是，这个问题会导致求解器在找到真正的最优值时效率低下吗？我经常用稍微不同的输入来解决这个问题的版本，它们会在不到一秒钟的时间内解决。

这是一个包含我的问题规范的文件，可以在 GLPK 中运行glpsol --cpxlp anonymizedlp.lp。

下面是一些 GLPK 日志——您会看到在 54K 次迭代中找到了接近最优的 MIP 解决方案，然后分支树开始不断增长：

GLPSOL: GLPK LP/MIP Solver, v4.61
Parameter(s) specified in the command line:
 --cpxlp /var/folders/g6/fs71g8j575v4_whqythqw7h40000gn/T/11446-pulp.lp -o
 /var/folders/g6/fs71g8j575v4_whqythqw7h40000gn/T/11446-pulp.sol
Reading problem data from '/var/folders/g6/fs71g8j575v4_whqythqw7h40000gn/T/11446-pulp.lp'...
664 rows, 781 columns, 2576 non-zeros
443 integer variables, 338 of which are binary
3195 lines were read
GLPK Integer Optimizer, v4.61
664 rows, 781 columns, 2576 non-zeros
443 integer variables, 338 of which are binary
Preprocessing...
213 constraint coefficient(s) were reduced
524 rows, 652 columns, 2246 non-zeros
318 integer variables, 213 of which are binary
Scaling...
 A: min|aij| =  1.282e-01  max|aij| =  1.060e+07  ratio =  8.267e+07
GM: min|aij| =  7.573e-01  max|aij| =  1.320e+00  ratio =  1.744e+00
EQ: min|aij| =  6.108e-01  max|aij| =  1.000e+00  ratio =  1.637e+00
2N: min|aij| =  3.881e-01  max|aij| =  1.355e+00  ratio =  3.491e+00
Constructing initial basis...
Size of triangular part is 524
Solving LP relaxation...
GLPK Simplex Optimizer, v4.61
524 rows, 652 columns, 2246 non-zeros
      0: obj =  -0.000000000e+00 inf =   2.507e+02 (195)
    238: obj =  -5.821025664e+06 inf =   0.000e+00 (0)
*   363: obj =  -7.015287886e+04 inf =   0.000e+00 (0) 1
OPTIMAL LP SOLUTION FOUND
Integer optimization begins...
+   363: mip =     not found yet <=              +inf        (1; 0)
+  8606: mip =     not found yet <=  -7.015289436e+04        (8239; 0)
+ 13027: mip =     not found yet <=  -7.015289436e+04        (12660; 0)
+ 16367: mip =     not found yet <=  -7.015289436e+04        (16000; 0)
+ 19135: mip =     not found yet <=  -7.015289436e+04        (18768; 0)
+ 21523: mip =     not found yet <=  -7.015289436e+04        (21156; 0)
+ 23667: mip =     not found yet <=  -7.015289436e+04        (23300; 0)
+ 25415: mip =     not found yet <=  -7.015289436e+04        (25048; 0)
+ 27260: mip =     not found yet <=  -7.015289436e+04        (26893; 0)
+ 29055: mip =     not found yet <=  -7.015289436e+04        (28688; 0)
+ 30770: mip =     not found yet <=  -7.015289436e+04        (30403; 0)
+ 32362: mip =     not found yet <=  -7.015289436e+04        (31995; 0)
Time used: 60.0 secs.  Memory used: 14.1 Mb.
+ 33876: mip =     not found yet <=  -7.015289436e+04        (33509; 0)
+ 35338: mip =     not found yet <=  -7.015289436e+04        (34971; 0)
+ 36721: mip =     not found yet <=  -7.015289436e+04        (36354; 0)
+ 38080: mip =     not found yet <=  -7.015289436e+04        (37713; 0)
+ 39372: mip =     not found yet <=  -7.015289436e+04        (39005; 0)
+ 40601: mip =     not found yet <=  -7.015289436e+04        (40234; 0)
+ 41837: mip =     not found yet <=  -7.015289436e+04        (41470; 0)
+ 43036: mip =     not found yet <=  -7.015289436e+04        (42669; 0)
+ 44192: mip =     not found yet <=  -7.015289436e+04        (43825; 0)
+ 45350: mip =     not found yet <=  -7.015289436e+04        (44983; 0)
+ 46374: mip =     not found yet <=  -7.015289436e+04        (46007; 0)
+ 47281: mip =     not found yet <=  -7.015289436e+04        (46914; 0)
Time used: 120.0 secs.  Memory used: 20.4 Mb.
+ 48220: mip =     not found yet <=  -7.015289436e+04        (47853; 0)
+ 49195: mip =     not found yet <=  -7.015289436e+04        (48828; 0)
+ 50131: mip =     not found yet <=  -7.015289436e+04        (49764; 0)
+ 51110: mip =     not found yet <=  -7.015289436e+04        (50743; 0)
+ 52131: mip =     not found yet <=  -7.015289436e+04        (51764; 0)
+ 53092: mip =     not found yet <=  -7.015289436e+04        (52725; 0)
+ 53901: >>>>>  -7.015398607e+04 <=  -7.015289436e+04 < 0.1% (53532; 0)
+ 61014: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (57365; 3302)
+ 64785: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (61136; 3302)
+ 67671: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (64022; 3302)
+ 70330: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (66681; 3302)
+ 72613: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (68964; 3302)
+ 74731: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (71082; 3302)
Time used: 180.0 secs.  Memory used: 29.9 Mb.
+ 76685: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (73036; 3302)
+ 78508: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (74859; 3302)
+ 80220: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (76571; 3302)
+ 81852: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (78203; 3302)
+ 83368: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (79719; 3302)
+ 84815: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (81166; 3302)
+ 86126: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (82477; 3302)
+ 87358: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (83709; 3302)
+ 88612: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (84963; 3302)
+ 89821: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (86172; 3302)
+ 90989: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (87340; 3302)
+ 92031: mip =  -7.015398607e+04 <=  -7.015290061e+04 < 0.1% (88382; 3302)
4

2 回答 2

3

SCIP能够在几分之一秒内解决问题。三种启发式方法（锁、移位和单选）产生越来越好的解决方案，直到达到双重界限。它在根节点中解决，没有任何切割平面。

如果没有预求解，即删除了一半的约束和一半的二进制变量，SCIP 需要更长的时间来求解它。它仍然在根节点中解决，只添加了很少的切割平面，并且相同的启发式方法找到了 3 个整数可行解，包括最优解。

尽管这并不能回答您关于为什么这个问题对于 GLPK 或 CBC 来说很难的问题，但至少对于 SCIP 来说并不难，它也是开源的并且对学者来说是免费的。很可能其中一个启发式算法没有在其他求解器中实现，因为在 SCIP 中禁用启发式算法会使找到解决方案变得更加困难——分支根本无法解决这个问题。

你需要有正确的启发式。

于 2017-05-29T16:15:12.167 回答
3

理论

即使是 0-1整数规划也是NP-hard，这基本上意味着，没有有效的算法（对于一般问题），除非P=NP.

这对您的问题意味着什么：

这意味着，存在可以建模为 MIP 的问题，仅包含 100 个和更少的变量，并且您的求解器无法解决它（优化）。让我更清楚一点：对于你给我的每个 MIP 求解器，我可以构造一个可能有 100 个变量的实例，而你的求解器无法解决这些变量（这可以针对每个 NP 难的问题完成，尽管我们谈论的是一般问题这里是整数编程）。

处理 NP-hard 问题就是使用关于您的问题和数据的假设，以便能够修剪掉指数级大的搜索空间（对于每个 NP-hard 问题都需要遍历）。但是：意味着，对于所有一般问题（部分相关：没有免费午餐定理P!=NP） ，没有算法可以做到这一点（利用特定问题的东西）！结果：所有优秀的 MIP 求解器都是为解决常见问题而构建的，这对许多人来说很重要，并且由于这种良好且有用的启发式算法（例如切割平面）被开发出来。

所以现在我们知道，所有成功的 MIP 求解器都是启发式的，经过调整可以更快地解决更常见的问题，并且可能在其他问题上失败（再次：没有免费午餐定理）。鉴于上述假设，这不会消失。尝试不同的求解器并调整不同的参数会有所帮助（夸张地说：不同的参数 = 不同的求解器）！

至少还有一件事要说：

即使我们将自己限制在一个简单的装箱问题上，也有简单的实例和困难的实例。其中一些将立即解决，而另一些则永远不会停止。很难分析哪些实例是困难的，哪些不是。但是这些差异在求解时间方面可能会产生非常高的差异，这是 NP 硬度的自然结果！

关于SAT 问题存在一些有趣的（基于统计物理的）研究，其中研究人员发现并量化了相变现象，这告诉我们，哪些问题（在变量/子句比率方面）在随机问题方面是困难的公式。

（一些介绍性的博客条目涵盖了其中的一些内容：SAT Solvers: Is SAT Hard or Easy？

练习（仅备注）

像 Gurobi 和 CPLEX 这样的商业求解器比 CBC 和 co 强大得多。（而且 CBC 已经是一个非常好的求解器）并且它们都为学术工作提供免费许可证。但是他们遇到了这篇文章中提到的同样的问题。

在参数方面，应该提到，通常可以将参数调整为：

  • 快速找到一个好的解决方案（启发式的高频）
  • 获得良好的边界（切割平面的高频）
  • 证明最佳（我再次假设切割平面的 hf，但我不确定）

在这篇优秀的论文中解释了这些调整：“解决困难混合整数线性规划的实用指南，你应该阅读它。

也许还可以检查完整与不完整的方法（SAT-world 中的示例：DPLL/CDCL 与随机搜索）来解决优化问题以理解，为什么某些调整更擅长取得一些进展 = 获得更好的目标，而另一些更擅长证明我们达到了最低限度。

于 2017-05-26T19:26:11.487 回答