[论文解读] BilevelJuMP.jl: Modeling and Solving Bilevel Optimization in Julia

Joaquim Dias Garcia, Guilherme Bodin+1 more|arXiv (Cornell University)|May 4, 2022

Advanced Optimization Algorithms Research被引用 6

一句话总结

BilevelJuMP.jl 是一个 Julia 软件包，允许使用 JuMP 的代数语法对双层优化问题进行建模和求解，支持上下两层的锥型、二次型、非线性和整数约束。它利用 MPEC 重构方法（如强对偶性、大 M 法和乘积法），并集成 Ipopt、SCIP 和 Xpress 等求解器，使用户能够通过现成的 MIP 和 NLP 求解器快速原型设计并求解复杂的双层模型。

ABSTRACT

In this paper we present BilevelJuMP, a new Julia package to support bilevel optimization within the JuMP framework. The package is a Julia library that enables the user to describe both upper and lower-level optimization problems using the JuMP algebraic syntax. Due to the generality and flexibility our library inherits from JuMP's syntax, our package allows users to model bilevel optimization problems with conic constraints in the lower level and all JuMP supported constraints in the upper level (Conic, Quadratic, Non-Linear, Integer, etc.). Moreover, the user-defined problem can be subsequently solved by various techniques relying on mathematical program with equilibrium constraints (MPEC) reformulations. Manipulations on the original problem data are possible due to MathOptInterface.jl's structures and Dualization.jl features. Hence, the proposed package allows quickly model, deploy, and thereby experiment bilevel models based on off-the-shelf mixed integer linear programming and nonlinear solvers.

研究动机与目标

• 解决现有代数建模语言在双层优化方面缺乏灵活、高层级建模支持的问题。
• 使用户能够使用直观的 JuMP 语法，在上层表达多种约束类型，下层表达锥型约束的双层问题。
• 提供统一接口，支持多种重构技术（如强对偶性、大 M 法、乘积法及混合模式），将双层问题转换为单层形式。
• 通过与 MathOptInterface 和 Dualization.jl 集成，利用如 Ipopt、SCIP 和 Xpress 等成熟求解器，促进快速原型设计与实验。
• 通过 QuadraticToBinary 等包实现变量边界自动处理与自动重构，支持混合整数和非线性双层问题。

提出的方法

• 使用 JuMP 的代数语法，通过 Upper() 和 Lower() 作用域显式分离上下两层优化问题的定义。
• 利用 MathOptInterface.jl 抽象表示和操作问题结构，实现透明的重构与求解器接口对接。
• 应用 MPEC 重构方法（如强对偶性、Fortuny-Amat-McCarl 大 M 法和基于乘积的方法）将双层问题转换为等价的单层形式。
• 通过 SecondOrderCone() 及其桥接（如 SOCtoNonConvexQuad）在下层支持锥型约束，并将其映射为 NLP 求解器可用的二次形式。
• 通过 MixedMode 支持混合模式重构，允许对不同约束使用不同的重构策略（如指示约束、乘积重构），实现异构约束的组合处理。
• 通过元求解器（如 QuadraticToBinary.Optimizer）与外部求解器集成，自动处理变量边界和二值化扩展。

实验结果

研究问题

• RQ1 如何在 Julia 的高层代数建模语言中，有效建模并求解下层具有锥型约束的双层优化问题？
• RQ2 哪些重构策略（如强对偶性、大 M 法、基于乘积的方法）最有效，能将双层问题转化为适合现成求解器处理的单层形式？
• RQ3 自动变量边界设定与二值化扩展技术在多大程度上能提升双层目标函数中双线性项的可解性？
• RQ4 如何实现混合模式重构策略，以组合不同重构技术（如指示约束与乘积重构）处理异构约束？
• RQ5 在 Julia 中集成先进的建模与重构工具，能否显著加快跨多样化应用领域中双层模型的原型设计与部署速度？

主要发现

• BilevelJuMP.jl 有效支持在下层使用锥型约束、上层支持广泛约束类型（锥型、二次型、非线性、整数）的双层问题建模，且使用 JuMP 语法实现。
• 该包通过模块化接口支持多种 MPEC 重构技术（如强对偶性、大 M 法、基于乘积的方法），允许用户根据问题选择最合适的策略。
• 通过 MOI 桥接（如 SOCtoNonConvexQuad）与 Ipopt 和 SCIP 等求解器集成，可在重构后使用基于 NLP 的方法求解含二阶锥约束的问题。
• MixedMode 重构策略成功组合了不同重构技术（如对线性约束使用指示约束，对锥型约束使用乘积重构），使混合整数和非线性双层问题可通过 MISOCP 求解器求解。
• 通过 QuadraticToBinary.Optimizer 实现的自动变量边界设定与二值化扩展，能够稳健处理上层目标函数中的双线性项，即使变量无显式边界亦可。
• 该包通过实际示例展示了实际可用性，包括 Chi 等人（2014）提出的锥型双层问题，分别通过基于 NLP 和 MIP 的重构方法求解，均实现了准确的收敛性与解的质量。