0.引言
上一篇博客介绍了使用Yalmip工具箱求解单阶段鲁棒优化的方法。这篇文章将和大家一起继续研究如何使用Yalmip工具箱求解两阶段鲁棒优化(默认看到这篇博客时已经有一定的基础了,如果没有可以看看我专栏里的其他文章)。关于两阶段鲁棒优化与列与约束生成算法的原理,之前的博客已经详细地介绍过了,这里就不再过多介绍,主要是结合实例来讲解编程思路。这篇博客用到了两个算例,1个是两阶段鲁棒优化问题和列与约束生成算法的开山鼻祖[1],另一个是电气专业中两阶段鲁棒优化问题最热门的文章之一[2],相信大家在网上见到过无数号称完美复现的代码,但实际上大部分都是有问题的(包括我自己早期写的代码,也是被网上的代码带歪了,后面理解慢慢深入才发现问题所在)。
求解两阶段鲁棒优化问题一共有两个难点,一是求解max-min或者min-max形式的子问题,其实就是求解一个单阶段鲁棒优化,上一篇博客我已经非常详细地介绍了求解方式,借助Yalmip工具箱,共有三种不同的方式可以解决。二是主问题和子问题的迭代求解,也就是列与约束生成算法(C&CG)的实现。很多代码在复现C&CG算法时并没有向主问题同时添加列(变量)和约束,这也是代码中最常见的问题。针对这两个难点,我将用两个不同的算例详细地进行讲解。
此外,文献[1]和[2]中都是采用了先将约束条件写成紧凑的矩阵形式,然后再对子问题进行处理的方式,很多朋友和我反映这部分太难处理了,实际问题的约束建模过程中经常包括循环语句,想要转成矩阵形式确实很不容易。这篇文章中我将分别采用两种不同的方式求解鲁棒优化。一是采用原始的约束条件,省去将约束条件转为矩阵形式的步骤,这种方式数学公式可能会更繁琐,但比起矩阵形式的转换,理解起来会更容易一些。二是采用矩阵形式进行编程,在博客中我教大家一种非常简单就能将约束写为矩阵形式的方法,文中只是介绍了如何使用,之后也会单独写博客对此详细展开。
总之,这篇博客干货满满,可以认真通读一遍,跟着博客中的思路亲自动手使用Matlab+ Yalmip实现两阶段鲁棒优化的编程(博客中提到的所有例子我都提供了相应的代码)。相信大家理解后,面对任何类型的两阶段鲁棒优化问题都能迅速使用类似的方法进行解决。
博客中主要包含8大内容:
①.拿到一个复杂的两阶段鲁棒优化问题的分析步骤和方法。
②.采用Yalmip工具箱中的uncertain函数和鲁棒优化模块求解两阶段鲁棒优化的子问题。
③.Yalmip工具箱中的鲁棒优化模块和常规的求解思路有什么异同。
④.使用KKT条件求解两阶段鲁棒优化的子问题,并使用C&CG算法进行迭代求解。
⑤.使用对偶变换求解两阶段鲁棒优化的子问题,并使用C&CG算法进行迭代求解。
⑥.采用Yalmip工具箱的内置函数,将线性约束写成紧凑矩阵形式的方法。
⑦.矩阵形式的两阶段鲁棒优化问题,如何快速写出子问题内层优化的KKT条件,并使用C&CG算法进行迭代求解。
⑧.矩阵形式的两阶段鲁棒优化问题,如何快速写出子问题内层优化的对偶问题,并使用C&CG算法进行迭代求解。
由于博客篇幅较长,将分上下两篇发布,其中上篇使用的是文献[1]中的算例,包含上述①-⑤的内容。下篇使用文献[2]中的算例,包含上述①、④、⑥-⑧的内容。
这篇博客是上篇的内容。
1.两阶段鲁棒优化基本形式
如文献[1]中所述,标准的两阶段鲁棒优化问题的形式为:

其中,y为第一阶段决策变量,u为不确定变量,x为第二阶段决策变量。和分析单阶段鲁棒优化问题的五个特征一样,拿到一个复杂的两阶段鲁棒优化问题先不用慌,按照下面的步骤进行分析即可:
1)确定第一阶段决策变量有哪些,将其与变量y对应。
2)确定第二阶段决策变量有哪些,将其与变量x对应。
3)确定不确定变量有哪些,将其与变量u对应。
4)确定优化问题中不确定集合的形式,并考虑是否可以直接使用Yalmip中的鲁棒优化模块进行求解。
5)确定目标函数是否有仅包含第一阶段决策变量的项,如果有的话可以单独拿出来。
6)确定子问题的目标函数,将其与鲁棒优化的标准形式相对应。
7)确定约束条件,考虑是否包含非线性约束,是否需要线性化。
8)求解max-min或者min-max类型的子问题。
9)使用迭代方式,将子问题产生的变量和约束不断添加到主问题中,最终得到最优解。
下面分别以文献[1]和[2]中的优化问题进行讲解说明:
2.两阶段鲁棒运输问题编程实战
文献[1]中算例分析部分运输问题的两阶段鲁棒优化模型如下:
5940



被折叠的 条评论
为什么被折叠?



