[论文解读] Benders, Nested Benders and Stochastic Programming: An Intuitive Introduction

James K. Murphy|arXiv (Cornell University)|Dec 11, 2013

Numerical Methods and Algorithms参考文献 11被引用 18

一句话总结

本文为Benders分解及其在随机规划中的扩展——嵌套Benders（Nested Benders）提供了直观且易于理解的介绍，使大规模多阶段随机优化问题得以求解。它解释了两阶段问题的L-shaped方法，并通过递归Benders割线将该方法推广至多阶段情形，为不具备高深数学基础的实践者提供了清晰的框架。

ABSTRACT

This article aims to explain the Nested Benders algorithm for the solution of large-scale stochastic programming problems in a way that is intelligible to someone coming to it for the first time. In doing so it gives an explanation of Benders decomposition and of its application to two-stage stochastic programming problems (also known in this context as the L-shaped method), then extends this to multi-stage problems as the Nested Benders algorithm. The article is aimed at readers with some knowledge of linear and possibly stochastic programming but aims to develop most concepts from simple principles in an understandable way. The focus is on intuitive understanding rather than rigorous proofs.

研究动机与目标

• 为初学者提供Benders分解及其在随机规划中应用的友好、直观的解释。
• 阐明Benders分解与两阶段随机规划中L-shaped方法之间的关系。
• 通过嵌套Benders算法将Benders框架扩展至多阶段随机规划问题。
• 使具备线性规划与随机规划基础知识的读者能够理解高级分解技术。
• 强调概念理解而非形式化证明，以支持实际实现。

提出的方法

• 采用逐步推导与图示相结合的方法，直观解释两阶段随机规划中的Benders分解。
• 将L-shaped方法介绍为适用于含整数或连续变量的两阶段随机规划问题的Benders分解特例。
• 通过迭代应用Benders割线，将主问题与子问题分解，实现第一阶段决策与期望后继成本的分离。
• 通过在每一阶段递归应用Benders分解，将该方法推广至多阶段问题，形成嵌套Benders算法。
• 采用场景分解方法，通过子问题求解处理每个场景，并在场景树的每个节点生成最优性割线。
• 采用基于对偶的方法，从子问题解中生成最优性与可行性割线，并迭代更新主问题。

实验结果

研究问题

• RQ1 如何直观理解并应用Benders分解于两阶段随机规划问题？
• RQ2 L-shaped方法与随机规划中Benders分解之间存在何种关系？
• RQ3 如何将Benders分解扩展以处理多阶段随机规划问题？
• RQ4 两阶段与多阶段随机分解在结构与算法上存在哪些关键差异？
• RQ5 实践者如何在无需深厚理论背景的情况下实现嵌套Benders？

主要发现

• L-shaped方法被证明是应用于含线性子问题的两阶段随机规划问题的Benders分解的特例。
• 嵌套Benders通过在各阶段递归应用Benders割线，为求解多阶段随机规划问题提供了系统性框架。
• 该方法可将大规模随机规划问题分解为主问题与子问题，提升计算可处理性。
• 本文证明，从对偶子问题解中导出的最优性割线可有效收紧主问题的近似。
• 当子问题不可行时，生成可行性割线，确保主问题保持有界并收敛。
• 该方法在场景树规模庞大时依然有效，因其避免了一次性求解完整问题。