两阶段鲁棒优化与CCG算法在工厂选址中的应用

1. 两阶段鲁棒优化与CCG算法概述

工厂选址与生产计划调整的决策问题，本质上是一个典型的两阶段鲁棒优化问题。第一阶段需要确定工厂选址等长期决策（x变量），第二阶段则根据实际需求情况（y变量）调整生产计划。这种问题最大的挑战在于需求不确定性——我们无法预知未来的确切需求，但又不希望因为过度保守而付出过高成本。

列约束生成法（Column-and-Constraint Generation, CCG）正是为解决这类问题而生的利器。它通过主问题（Master Problem）和子问题（Subproblem）的交替求解，逐步逼近最优解。主问题负责在当前已知的恶劣场景下寻找最优决策，子问题则负责发掘新的、可能更恶劣的场景。这种"打地鼠"式的策略，使得我们无需一次性考虑所有可能的极端情况，大大降低了计算复杂度。

关键优势：CCG算法将原本需要同时处理无穷多场景的NP难问题，转化为一系列可操作的线性规划问题，在保证鲁棒性的同时维持了计算可行性。

2. 算法实现核心架构

2.1 主问题构建与动态约束管理

主问题的核心思想是在已知的恶劣场景集合下，寻找成本最低的决策方案。MATLAB实现中，我们使用YALMIP工具箱定义优化变量和约束：

matlab复制%% 主问题初始化
MP = optimizer([], obj, sdpsettings('solver','cplex'), u_real, {x, y, obj});
iter = 1;
LB = -inf;  % 下界初始化为负无穷
UB = inf;    % 上界初始化为正无穷
cutCount = 0; % 动态约束计数器

while abs(UB - LB) > 1e-3
    % 决策变量定义
    x = sdpvar(n,1);  
    y = sdpvar(m,1);
    eta = sdpvar(1);  % 辅助变量，表示最坏情况下的第二阶段成本
    
    constraints = [x >= 0, y >= 0]; 
    % 动态添加历史约束
    for k = 1:cutCount
        constraints = [constraints, A{k}*y + B{k}*x <= d{k}]; 
    end