CCG算法在两阶段鲁棒优化中的MATLAB实现与应用

1. 项目概述：CCG算法在两阶段鲁棒优化中的应用

在电力系统调度、物流路径规划等实际工程问题中，决策者常常面临两阶段决策场景：第一阶段需要提前确定基础设施投资或资源分配方案，第二阶段则需应对不确定因素（如需求波动、设备故障）下的实时调整。这类问题天然具备"决策-观测-响应"的时序特征，传统随机规划方法因依赖精确概率分布而存在局限性，而鲁棒优化通过设定不确定性集合来规避这一弱点。

列约束生成法(Column-and-Constraint Generation, CCG)作为求解两阶段鲁棒优化问题的经典算法，其核心思想是通过主问题（Master Problem）和子问题（Subproblem）的迭代求解，逐步逼近原问题的最优解。主问题负责生成候选的第一阶段决策方案，子问题则针对当前方案寻找最恶劣的不确定性情景，并将对应约束反馈给主问题。这种"切割平面"式的求解策略，特别适合处理具有离散决策变量和复杂耦合约束的工程优化问题。

2. 核心算法原理与MATLAB实现框架

2.1 两阶段鲁棒优化模型构建

典型的两阶段鲁棒优化问题可表述为：

code复制min_x c^T x + max_u∈U min_y d^T y
s.t. Ax ≥ b
      Wy ≥ h - Tx - Mu
      x∈X, y∈Y

其中x为第一阶段决策变量，y为第二阶段决策变量，u为不确定性参数。集合U描述不确定性的可能范围，通常采用多面体或椭球集合来表征。

在MATLAB中构建该模型时，建议采用结构体存储模型参数：

matlab复制model.c = [1; 2; 3]; % 第一阶段成本系数
model.d = [4; 5];    % 第二阶段成本系数
model.A = [1 0 1; 0 1 1]; % 第一阶段约束矩阵
model.W = [1 0; 0 1];     % 第二阶段约束矩阵
model.T = [1 0 0; 0 1 0]; % 耦合约束矩阵
model.U_vertices = [0 1; 1 0]; % 不确定性集合顶点

2.2 CCG算法迭代流程实现

CCG算法的MATLAB实现核心在于构建主-子问题迭代循环：

matlab复制function [x_opt, obj_val] = CCG_solver(model, max_iter, tol)
    % 初始化
    LB = -inf; UB = inf; 
    x_hist = []; u_hist = [];
    
    for k = 1:max_iter
        % 主问题求解
        [x_k, obj_k] = solve_master(model, x_hist, u_hist);
        LB = max(LB, obj_k);
        
        % 子问题求解
        [u_k, y_k, sub_obj] = solve_subproblem(model, x_k);
        UB = min(UB, model.c'*x_k + sub_obj);
        
        % 收敛判断
        if UB - LB < tol
            break;
        end
        
        % 添加新约束
        x_hist = [x_hist, x_k];
        u_hist = [u_hist, u_k];
    end
    x_opt = x_k;
    obj_val = UB;
end

关键实现细节：

1. 主问题需动态添加Benders割平面约束：

matlab复制function [x, obj] = solve_master(model, x_hist, u_hist)
    n_x = length(model.c);
    n_scen = size(x_hist,2);
    
    % 使用YALMIP建模
    x = sdpvar(n_x,1);
    eta = sdpvar(1,1); % 辅助变量
    
    Constraints = [model.A*x >= model.b];
    for s = 1:n_scen
        % 添加场景割约束
        Constraints = [Constraints, ...
            eta >= model.d'*solve_subproblem(model, x_hist(:,s))];
    end
    
    optimize(Constraints, model.c'*x + eta);
    x = value(x);
    obj = value(model.c'*x + eta);
end

2. 子问题采用对偶变换转化为MILP：

matlab复制function [u_opt, y_opt, obj] = solve_subproblem(model, x)
    n_u = size(model.U_vertices,2);
    n_y = length(model.d);
    
    % 顶点法表示多面体集合
    lambda = sdpvar(size(model.U_vertices,1),1);
    u = sdpvar(n_u,1);
    y = sdpvar(n_y,1);
    
    Constraints = [...
        u == model.U_vertices'*lambda, ...
        sum(lambda) == 1, lambda >= 0, ...
        model.W*y >= model.h - model.T*x - model.M*u];
    
    optimize(Constraints, -model.d'*y);
    u_opt = value(u);
    y_opt = value(y);
    obj = value(model.d'*y_opt);
end

3. 工程实践中的关键优化技巧

3.1 不确定性集合的紧凑表示

对于高维不确定性集合，直接使用顶点枚举法会导致计算复杂度爆炸。可采用以下改进方案：

1. 范数约束表示：

matlab复制% 椭球不确定性集合
model.U_norm = @(u) norm(u, 2) <= Gamma;

在子问题中转化为二阶锥约束：

matlab复制Constraints = [model.W*y >= model.h - model.T*x - model.M*u,
               norm(u) <= Gamma];

2. 预算不确定性（Budget Uncertainty）：

matlab复制% 每个时段的不确定性总量受限
model.U_budget = @(u) sum(abs(u)) <= Gamma;

3.2 加速收敛的启发式策略

1. 初始场景生成：

matlab复制% 使用极端场景初始化
u_hist = [model.U_vertices'; -model.U_vertices'];

2. 并行子问题求解：

matlab复制parfor s = 1:n_scen
    [u_k{s}, y_k{s}, sub_obj(s)] = solve_subproblem(model, x_k);
end
[worst_obj, idx] = max(sub_obj);
u_worst = u_k{idx};

3. 信赖域约束（Trust Region）：

matlab复制% 限制相邻迭代解的变化幅度
delta = 0.1;
Constraints = [Constraints, norm(x - x_prev, inf) <= delta];

4. 典型应用案例：微电网容量规划

4.1 问题建模

考虑微电网中光伏容量x的投资决策（第一阶段），面对光伏出力不确定性u∈[0.7, 1.3]倍预测值，需调度柴油发电机y满足负荷需求（第二阶段）：

matlab复制model.c = 800;   % 光伏单位投资成本
model.d = 1000;  % 柴油发电成本
model.A = 1;     % 光伏容量上限
model.b = 200;   % 最大允许容量
model.W = 1;     % 柴油机出力约束
model.h = 150;   % 负荷需求
model.T = 1;     % 光伏出力贡献
model.M = -1;    % 不确定性影响
model.U_vertices = [0.7; 1.3]; % 出力波动范围

4.2 求解结果分析

通过CCG算法迭代5次后收敛：

code复制迭代1: LB=120000, UB=195000  
迭代2: LB=135000, UB=165000
迭代3: LB=142500, UB=157500
迭代4: LB=146250, UB=151875
迭代5: LB=148125, UB=150938 (收敛)
最优容量: x*=148.2 kW

4.3 灵敏度分析工具实现

研究预算参数Γ对解的影响：

matlab复制Gamma_range = 0:0.1:1;
results = zeros(length(Gamma_range),3);

for i = 1:length(Gamma_range)
    model.U_norm = @(u) norm(u) <= Gamma_range(i);
    [x_opt, obj] = CCG_solver(model, 10, 1e-3);
    results(i,:) = [Gamma_range(i), x_opt, obj];
end

plot(results(:,1), results(:,2), 'o-');
xlabel('Uncertainty budget Γ'); 
ylabel('Optimal capacity (kW)');

5. 常见问题与调试技巧

5.1 数值稳定性问题

1. 比例缩放：

matlab复制% 将成本系数归一化
max_c = max(abs(model.c));
model.c = model.c / max_c;
model.d = model.d / max_c;

2. 正则化约束：

matlab复制Constraints = [Constraints, norm(x, inf) <= 1e6];

5.2 非预期循环问题

1. 重复场景检测：

matlab复制if any(all(abs(u_hist - u_k') < 1e-4, 2))
    warning('Duplicate scenario detected');
    break;
end

2. 目标值震荡处理：

matlab复制if k > 3 && abs(UB_history(end)-UB_history(end-1)) < tol
    % 启用加强切割
    add_deep_cut();
end

5.3 性能优化建议

1. 热启动策略：

matlab复制ops = sdpsettings('solver','gurobi','usex0',1);
optimize(Constraints, Objective, ops);

2. 模型预处理：

matlab复制% 识别并移除冗余约束
model.A = unique(round(model.A*1e6)/1e6, 'rows');

3. 求解器参数调优：

matlab复制ops = sdpsettings('solver','cplex',...
                 'cplex.timelimit',3600,...
                 'cplex.mip.tolerances.mipgap',1e-4);

6. 扩展应用与前沿方向

1. 多阶段鲁棒优化：

matlab复制% 嵌套CCG算法
for stage = n_stages:-1:1
    [x{stage}, obj(stage)] = CCG_solver(model{stage}, x{stage+1});
end

2. 数据驱动不确定性集合：

matlab复制% 基于历史数据构建集合
U_DR = Polyhedron('V', pca(historical_data));

3. 分布式CCG算法：

matlab复制% 对区域分解问题并行求解
spmd
    local_u = solve_local_subproblem(x_coord);
end
global_u = gcat(local_u, 1);

实际工程应用中，建议结合CPLEX或GUROBI等商业求解器提升大规模问题求解效率。对于特别复杂的问题，可考虑采用Benders分解与拉格朗日松弛的混合策略。在MATLAB实现时，使用YALMIP或CVX等建模工具可显著提升代码可读性和维护性。