两阶段鲁棒优化与CCG算法实现详解

1. 两阶段鲁棒优化与CCG算法概述

在工程优化领域，两阶段鲁棒优化问题是一类具有重要实际应用价值的数学模型。这类问题的核心特征在于决策过程被明确划分为两个阶段：第一阶段（here-and-now决策）需要在不确定性显现前做出不可更改的决策，第二阶段（wait-and-see决策）则可以根据实际发生的不确定性情况进行适应性调整。这种建模方式特别适合那些需要预先投入资源，但实际效果受未来不确定性影响的场景，比如电力系统调度、供应链管理和金融投资等领域。

列约束生成法(Column-and-Constraint Generation, CCG)是解决这类问题的有效算法。它通过迭代过程逐步逼近最优解：每次迭代都会根据当前解生成新的约束条件和决策变量（列），从而不断改进对原问题的近似。这种方法的优势在于它不需要一次性考虑所有可能的不确定性情景，而是通过智能地识别关键情景来降低计算复杂度。

2. 算法实现环境配置

2.1 工具链选择与配置

实现CCG算法需要以下工具组合：

• MATLAB：作为算法开发的主要平台，提供矩阵运算和算法原型开发的便利环境
• YALMIP：一个强大的建模语言，用于定义和求解优化问题
• CPLEX：商业级数学规划求解器，用于高效求解生成的优化问题

安装配置步骤：

1. 确保已安装MATLAB（建议R2018b或更新版本）
2. 下载YALMIP工具箱并添加到MATLAB路径
3. 安装CPLEX优化器并配置MATLAB接口

注意：学术用户通常可以免费获取CPLEX的学术许可证。在实际应用中，如果没有CPLEX，也可以使用YALMIP支持的其他求解器如Gurobi或MOSEK。

2.2 基础参数设置

在开始实现算法前，需要明确定义问题的各个组成部分。以下是一个典型的两阶段鲁棒优化问题的参数结构：

matlab复制% 问题维度参数
n = 2; % 第一阶段决策变量维度
m = 3; % 第二阶段决策变量维度

% 目标函数系数
c = [1; 2]; % 第一阶段目标系数
d = [3; 4; 5]; % 第二阶段目标系数

% 约束矩阵
A = [1 1; 2 3]; % 第一阶段约束矩阵
B = [1 0 1; 0 1 1]; % 第二阶段约束矩阵
b = [4; 5]; % 资源限制向量

这些参数定义了问题的基本结构，在实际应用中需要根据具体问题进行调整。

3. CCG算法核心实现

3.1 主问题与子问题分解

CCG算法通过分解为主问题和子问题来迭代求解。主问题包含当前所有生成的约束和变量，而子问题则用于识别新的关键约束。

主问题建模：

matlab复制function [master_problem, x] = build_master_problem(c, A, b)
    x = sdpvar(length(c), 1); % 第一阶段变量
    eta = sdpvar(1, 1); % 辅助变量，表示第二阶段最坏情况下的成本
    
    % 目标函数：最小化第一阶段成本+最坏情况下第二阶段成本
    master_obj = c'*x + eta;
    
    % 初始约束（仅包含第一阶段约束）
    master_constraints = [A*x <= b, eta >= 0];
    
    master_problem = struct('obj', master_obj, 'constraints', master_constraints, 'vars', x, 'eta', eta);
end

3.2 子问题与不确定性集合

子问题的任务是针对给定的第一阶段决策x，找到使总成本最大的不确定性情景。这通常需要定义不确定性集合，例如：

matlab复制% 定义不确定性集合参数
u = sdpvar(m, 1); % 不确定性变量
U_A = [1 0 -1; -1 1 0]; % 不确定性集合约束矩阵
U_b = [2; 2]; % 不确定性集合边界

% 子问题构建
function [sub_problem, y] = build_sub_problem(d, B, b, U_A, U_b)
    y = sdpvar(length(d), 1); % 第二阶段变量
    u = sdpvar(size(U_A, 2), 1); % 不确定性变量
    
    sub_obj = d'*y; % 子问题目标
    sub_constraints = [B*y <= b + u, U_A*u <= U_b, y >= 0];
    
    sub_problem = struct('obj', sub_obj, 'constraints', sub_constraints, 'vars', y, 'u', u);
end

3.3 CCG迭代过程实现

完整的CCG算法迭代流程如下：

matlab复制% 算法参数设置
max_iter = 20; % 最大迭代次数
tol = 1e-4; % 收敛容差
gap = inf; % 初始间隙
lower_bound = -inf; % 下界
upper_bound = inf; % 上界
iter = 0; % 迭代计数器

% 记录迭代历史
history = struct('lb', [], 'ub', [], 'x', [], 'time', []);

% 初始化主问题
[master, x] = build_master_problem(c, A, b);
ops = sdpsettings('solver', 'cplex', 'verbose', 0);

while iter < max_iter && gap > tol
    iter = iter + 1;
    
    % 求解主问题
    optimize(master.constraints, master.obj, ops);
    x_val = value(x);
    eta_val = value(master.eta);
    lower_bound = value(master.obj);
    
    % 求解子问题
    [sub, y] = build_sub_problem(d, B, b, U_A, U_b);
    assign(x, x_val); % 固定第一阶段决策
    optimize(sub.constraints, -sub.obj, ops); % 最大化子问题
    
    % 更新上界
    current_ub = c'*x_val + value(sub.obj);
    if current_ub < upper_bound
        upper_bound = current_ub;
    end
    
    % 计算间隙
    gap = upper_bound - lower_bound;
    
    % 记录迭代信息
    history.lb(iter) = lower_bound;
    history.ub(iter) = upper_bound;
    history.x(:,iter) = x_val;
    history.time(iter) = toc;
    
    % 生成新约束并添加到主问题
    y_val = value(y);
    new_constraint = master.eta >= d'*y_val;
    master.constraints = [master.constraints, new_constraint];
end

4. 算法实现细节与优化

4.1 初始解生成策略

良好的初始解可以显著加快CCG算法的收敛速度。实践中可以采用以下策略：

1. 确定性等价问题法：求解不确定性取期望值时的确定性优化问题
2. 极端情景法：考虑不确定性集合的顶点作为初始情景
3. 启发式方法：根据问题特性设计专门的启发式规则

matlab复制% 确定性等价初始解示例
u_mean = zeros(size(U_A, 2), 1); % 取不确定性均值
optimize([B*y <= b + u_mean, y >= 0], d'*y, ops);
initial_y = value(y);
master.constraints = [master.constraints, master.eta >= d'*initial_y];

4.2 收敛加速技巧

1. 多情景添加：每次迭代添加多个关键情景而非单个
2. 信赖域策略：限制x的变化范围以避免振荡
3. 并行求解：利用并行计算同时评估多个情景

matlab复制% 多情景添加示例
[sub1, y1] = build_sub_problem(d, B, b, U_A, U_b);
[sub2, y2] = build_sub_problem(d, B, b, U_A, U_b);
% 求解多个子问题并添加所有活跃约束

4.3 数值稳定性处理

鲁棒优化问题常遇到数值稳定性问题，可采取以下措施：

1. 问题缩放：对变量和约束进行适当缩放
2. 正则化：添加小的二次项改善问题条件数
3. 求解器参数调整：调整CPLEX的数值参数

matlab复制% 在目标函数中添加小量正则项
rho = 1e-6;
master_obj = c'*x + eta + rho*(x'*x);

5. 应用案例与结果分析

5.1 测试问题描述

考虑一个资源分配问题：

• 第一阶段：决定两种资源的采购量（x₁, x₂）
• 第二阶段：根据实际需求分配资源
• 不确定性：需求波动在±20%范围内

5.2 收敛过程分析

通过记录迭代过程中的上下界，可以观察算法收敛情况：

5.3 敏感性分析

考察不同参数设置对算法性能的影响：

1. 不确定性集合大小：集合越大，收敛所需迭代次数通常越多
2. 问题规模：变量和约束数量增加会显著增加每次迭代时间
3. 收敛容差：更严格的容差要求会增加迭代次数

6. 实践建议与常见问题

6.1 实现中的常见陷阱

1. 子问题无界：确保不确定性集合是紧致的
2. 收敛缓慢：检查是否识别了所有关键情景
3. 数值问题：注意大M法的参数选择

重要提示：当使用大M法处理逻辑约束时，M值应尽可能小但足够大。过大的M会导致数值不稳定，而过小的M可能导致错误解。

6.2 性能优化建议

1. 热启动：利用前一次迭代的解作为当前迭代的初始点
2. 约束筛选：移除不活跃约束以减少问题规模
3. 分解策略：对大规模问题考虑更精细的分解方法

6.3 扩展应用方向

1. 多阶段鲁棒优化：将CCG扩展到三个阶段或更多
2. 分布鲁棒优化：结合概率信息改进不确定性描述
3. 整数决策变量：处理混合整数鲁棒优化问题

7. 代码结构优化建议

为提高代码的可维护性和可扩展性，建议采用模块化设计：

code复制/TwoStageRO
│── /src
│   ├── MasterProblem.m    % 主问题构建
│   ├── SubProblem.m       % 子问题构建
│   ├── CCGSolver.m        % CCG算法主循环
│   └── utils/            % 辅助函数
│       ├── plotResults.m
│       └── saveResults.m
│── /examples
│   ├── ResourceAllocation.m % 应用案例
│   └── TestCases.m         % 测试用例
│── README.md               % 项目说明

这种结构便于功能扩展和代码重用，特别适合研究不同应用场景下的两阶段鲁棒优化问题。