Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ISSNll1007-021406/10 pp301–316
DOI: 1 0 . 2 6 5 9 9 / T S T . 2 0 1 8 . 9 0 1 0 0 8 9
V o l u m e 2 4, N u m b e r 3, J u n e 2 0 1 9
Método de tunelización a través de Centroid Simplex Centroid para programación lineal continua por tramos
Abstracto:
Este documento trabaja en un algoritmo heurístico con determinaciones para la optimización global de la
programación lineal continua de piezas (CPWL). La programación de CPWL ampliamente aplicada se puede
transformar de manera equivalente en programación de D.C. y optimización cóncava sobre un poliedro. Teniendo
en cuenta que los conjuntos de súper niveles de funciones cóncavas lineales a trozos son poliedros, proponemos
el algoritmo Hill Tunneling a través del algoritmo Weigh Centroid Centroid (HTWSC), que puede escapar de un
óptimo local para alcanzar el otro lado de su superficie de contorno cortando el super- ajuste de nivel. La ruta de
búsqueda para la construcción de túneles en pendientes se establece a través del centroide ponderado de un
simplex construido. En los experimentos numéricos, primero se estudian diferentes métodos de ponderación, y se
elige el mejor para el algoritmo HTWSC propuesto. Luego, el algoritmo HTWSC se compara con el método de
desvío de pendientes y el software CPLEX para la programación de enteros mixtos equivalentes, con resultados
que indican su rendimiento superior en términos de eficiencia numérica y la capacidad de búsqueda global.
Palabras claves: optimización global; piecewise lineal; cóncavo minimization; método de plano tajante; cerro tunneling
En particular, un algoritmo heurístico reciente con donde todas las funciones máximas son las funciones
de base de
determinacy, nombró el Cerro Detouring (HD) El GHH modelo, y N O y N denotar los números del
método , es destacable. HD Proporciona el “dejar y
[18]
positivos y negativos unos, respectivamente.
el reingreso que” busca estrategia: después de un local Consiguientemente, problema .2/ puede ser
óptimo está obtenido, la búsqueda deja el ámbito reformulated como.
factible primero y es entonces dirigido en la superficie D.C. Programando dado por
de contorno, hasta que cruza con el ámbito factible otra min p.z/ (4)
vez. Esta estrategia Dónde
X
Conjunto. Motivado por este, proponemos el uso del p.z/D max fUnO T zCbOk j g— max fUn T
X zCbkj g
cerro
kj kj
1™j ™nk 1™j ™lk
tunneling Método para huir el local optima más kD1 kD1
efficiently por atajar el super-nivelar puesto. Como (5)
cada cual
Buscando ruta para el cerro tunneling está establecido Según el encima análisis, cualquier CPWL
por utilizar el weighted centroid de un construido La minimización puede ser representada tan problema
simplex, el algoritmo propuesto se apellida Cerro .4/.
Tunneling vía Weighted Simplex Centroid (HTWSC). En el resto de este papel, sin comentarios especiales,
El resto de este papel está organizado como sigue. un CPWL la programación refiere a problema .4/.
Sección 2 contains los fondos teóricos y algunos obras 2.1.2 transformación cóncava Equivalente
preliminares. Sección 3 demuestra la motivación detrás Para hacer la propuesta de el HTWSC el algoritmo más
del uso del cerro tunneling método. Sección 4 marcos agudo en las secciones siguientes, una
el HTWSC algoritmo y habla los asuntos de realización, transformación más lejana tiene que ser implemented
y varias ponderación por adelantado. Por presentar variables nuevas hk ,
Los métodos están propuestos en Sección 5. El min p.z/ Puede ser transformado equivalently al
numérico
problema declaró abajo.
NO N
X X
Los experimentos están dirigidos en Sección 6, y los min hk — max fUn
kj T z C bkj g;
1™j ™l k
resultados están presentados. Finalmente, las
conclusiones están dadas en
kD1 kD1
Sección 7. s.t. UnO T z C bOk ™ hk ; 1 ™ j ™ nk ; 1 ™ k ™ NO
j
2 Preliminar kj (6)
Claramente, problema .6/ es una minimización
En esta sección, primero derivamos la equivalencia cóncava sobre un poliedro convexo. Para
del CPWL programación y el cóncavo piecewise simplicidad, por denotar h D
programación lineal. Entonces algunos definiciones .h1 ; h2 ; : : : ; hNO /T y x D .hT ; z T /T , podemos express
pertinentes y Problema (5) en su forma equivalente,
M
˚
Las haciendas están presentadas. Finalmente, el método Mi ( Min Un
X 1™j ij
Tx C )
utilizado en buscar local óptimo es discutido concisely. n f .x/ D
™Ni Σ js.t. C x ™ g
bij
kD1 (7)
2.1 Representación y transformación. idéntico de local optima con el siguiente unconstrained
2.1.1 Representación de problema CPWL problema para un ny r > rO.
N
Debido a la existencia de las funciones de pena exactas min Fr .z/ D f0.z/ C r max f0; fi .z/G (2)
en un n y CPWL problema[19] , allí exists rO > 0, el i D1
completeness
cual resulta en problema (1) teniendo el conjunto A causa de el del Generalizado
Hinging Hyperplane (GHH) modeloŒ20], cualquier Dónde M denota el número de las funciones mínimas
Zhiming Xu et al.: Method of Hill Tunneling via Weighted Simplexminf·g,
Centroid C
for2Continuous
Rm—n, g 2Piecewise
Rm, unLinear Programming
n 303
continuo PLF, incluyendo Fr .z/ En problema (2), ij 2 R , bij 2 R, 8i; j
puede ser descrito en el siguiente GHH forma: .
Problema .7/ es una minimización cóncava sobre un
poliedro convexo. Sin pérdida de generalidad,
asumimos que problema .7/ es nondegenerate, y el
ámbito factible, denotado por ˝ D fxj C x ™ gde g,
es acotado y cerró. De hecho, cuándo tratando
problemas concretos dónde
˝ Es unbounded, podemos añadir el ató
constreñimientos como
bl ™ x ™ bu, Los cuales tienen significados prácticos.
2.2 Definiciones y haciendas.
Para comodidad, algunos haciendas y definiciones
básicas están presentadas por adelantado.
N O N
2.2.1 Definiciones
X X
max OfaO kj
T zCb g— max fUn kj T zCbkj g
Dado el GHH función objetiva f .x/ En Fórmula .7/
k D1 1™j ™nk
kD1
1™j ™lk (3) Y cualquier x, definimos el índice puesto en x para 81
kj ™i ™M
304 Tsinghua Science and Technology, June 2019, 24(3): 301–316
Como . Σ
˚ ix D j junijT x C bij D fun T x C bij g (8)
1™j ™Ni
min
ij
Asomado por el azul dashed polygonal línea. La faceta contorno, como asomado por el segmento de línea de
puntos rojo. Cifra 3 espectáculos sus proyecciones al
horizonte.
Aparte de los conceptos definieron encima, un
concepto de existir de μ -extension también será
implicado más tarde en el texto. La definición está citada
como sigue Œ21].
Definición 4 Dado una función cóncava f y un
punto x 2 Rn, supone aquello μ satisface μ ™ f .x/, y
Procedimientos.
Property 2 Fo un ny x O 2n R , el super-level puso
fx 2 Rn jf .x/ “ f .xO / G es un convex poliedro.
Esta hacienda ha sido probada en Ref. [18], y
también puede ser hecho fuera en Higo. 2. El super-
nivelar puesto degenerates a polígonos en la situación
donde x 2 R2. Más tarde, el método de plano tajante será
presentado en el HTWSC el algoritmo basado en este
property.
2.3 Local optima obtainment Higo. 5 Ilustración de cerro detouring método[18].
El global buscando procedimiento para Fórmula .7/ en Con el valor de un local óptimo x0, y la línea azul abajo
las secciones siguientes empezarán de un locales es la periferia del ámbito factible.
optimal vértice. Muchos descienden algoritmos, como
Para ilustración más lejana, proyectamos Higo. 5
el subgradient método[22], puede ser aplicado en buscar al horizonte, como está asomado en Higo. 6. Como
el local optima de tal problems aquello es tampoco puede ser visto, la línea sólida rodea el ámbito
separable ni convexo. De hecho, en gracia a Hacienda 1, factible, el dashed la línea es el contorno surfas Tf .x0 /
un local óptimo de problema .7/ puede ser obtenido por
correspondiendo a x 0 , y x ×
solucionar una serie de problemas de elepé. Es el mínimo global.
Given x Q 2 ˝ y ' 2 ˚xQ , denotar tél optimal Los pasos principales del HD método en Higo. 6
solución el folloproblema de elepé del ala por xN . puede ser declarado brevemente como sigue:
'T '
minfUn xQ
x C bxQ js.t. C x ™ gde g (16) ● Inicio del localmente óptimo x , y0 encontrar todo el
Entonces, según Hacienda 1, el control de mosto Bordes de ˝ qué cruzar en x0. Búsqueda a lo largo
siguiente: T T
de los bordes hasta el contorno surfas Tf .x0 / está
f .xN / ™ Un' xN C b ' ™ un' xQ C b ' D f .x logrado en x i ; i D 1; 2;
Q/ (17)
x
xQ
Qx Qx Q ● Escoge x , el punto de intersección más cercano al.
Aquello es a sa y, x N es una solución factible de objetiva cóncava parece para ser un “cerro” en la
problema (7) aquello no es worse que xQ . situación donde x 2 R2. La línea roja en el “cerro” es el
De ahí, el local optimal la rutina puede ser diseñada contorno
como foll ows. Empezando de un punto factible xQ
, elige arriba de un ' 2 ˚x Q y sol ve elepé
(Formula (16)) para obtener una solución mejor de
problema (7), denotado por xN . Actualización xQ con
x N , y repetir el above pasos. Va en hasta que
nosotros achieve tal un x0, donde el optimal solución
de Fórmula (16) es x0 él para cualquier ' 2 ˚x0 .
Entonces, x0 es el obtenido
Local óptimo. Más allá, si el simplex el método para
elepé es
exploited, x0 tiene que ser un vertex de ˝.
3 Motivación
Cuándo un local óptimo está obtenido, el HD método,
el cual motiva el cerro tunneling el método propuesto en
esta prenda, proporciona una estrategia para huir la
trampa local para ir en buscar una solución mejor. De
ahí, el HD el método tiene que ser sketched primero.
3.1 HD method Y su inadequacy
Los procedimientos del HD el método es sketched en
Higo. 5, el cual está citado de Ref. [18]. La función
1
Ámbito
Zhiming factible,
Xu et y proyecto
al.: Method x1—x0 envialaWeighted
of Hill Tunneling faceta Simplex Centroid for Continuous Piecewise Linear Programming 307
1
de contorno T . Entonces llevar fuera búsqueda
de línea para encontrar x3.
● Repite hasta la faceta de contorno T × está
logrado, por qué Tf .x0 / re-cruza con el
ámbito factible. Entonces retomar el local
optimal rutina.
Como el origen de buscar de el HD el método está
cerrado al presente local óptimo mientras el valor de
función objetivo no es mejor que el presente dentro
bastante una área cercana, el detouring el proceso
puede tomar un tiempo muy largo en actuar el iteratión.
Intuitively, más que.
bypassing El ámbito factible gradualmente de un local (2) Repite los pasos siguientes hasta el stop el
óptimo a otro, sea mucho más eficaz de atajar el ámbito criterio está cumplido.
directamente. Motivado por esta idea, proponemos una (a) Lleva fuera μ -prórrogas de x k para obtener el
aproximación nueva (“cerro tunneling”) a Puntos de prórroga xk ; xk ; : : : ; xk .
1 2 n
Mejorar la eficacia del HD método. (b) Estructura un .n — 1/-dimensional simplex Sk con
3.2 Cerro tunneling estrategia xk1 ; xk
2 ; :: :n
; x k Como sus vértices.
(c) Tomar el .n — 1/-dimensional hyperplane Hk,
El cerro tunneling la estrategia huye un local óptimo por donde Sk está localizado en como plano
directamente atajando el super-nivelar puesto para tajante, para cortar fuera una parte del ámbito
lograr el otro lado de el cerro de función “objetivo”, factible que no contiene cualquier punto
como está asomado en Higo. 7. Esta aproximación superior a x 0. Esto hace el ámbito factible
realza la eficacia de huir, y así contribuye en improving encoge a un ámbito nuevo más pequeño
global buscando. denotado por ˝k D fxj C k x ™ gk g.
Más allá, la ruta de buscar para el cerro tunneling (d) Si ˝k D ∅, entonces x0 es el global óptimo,
puede ser determinado vía el weighted centroid de un rescindir el algoritmo; o más, computar el
construido simplex, el cual toma a lo largo de la weighted centroid de S k después de que
información ponderación
De interrelación entre el ámbito factible y xk ; xk ; : : : ; xk , de alguna manera, denotado por
C k.
1 2 n
˝0 ˝, y el actual tunneling origen x1 x0 .
B D .b1 ; b2 ; : : : ; bn /T 2 Rn—n , y b N D .bN1 ; bN2 ; : : : ; De hecho, Sk, el simplex obtuvo en el k-th iteración,
bNnT 2 Rn . está localizado en un (n—1)-dimensional hyperplane
Proposition 1 As for the coefficient matrix B in
H
k W ckTx D gk . Entonces, k Para ser el tajante
definimos H
Constreñimiento de desigualdad (18), si B—1 D .d1; d2; El plano obtenido en el k-th iteración.
: : : ; dn/, entonces —d1; —d2; : : : ; —dn es el dirigió Es obvio que xk , como el origen de μ -prórrogas,
bordes de x 0 a sus vértices adyacentes del ámbito localiza en el lado opuesto de H k para poner ˝k—
Qk . Por tanto, por añadir un constreñimiento nuevo
1 nS
factible. O equivalently, —d1; —d2; : : : ; —dn es el n
direcciones el μ -prórrogas.
paraDada derivado de el plano tajante a ˝ k—1 , un encogido new el
La prueba
siempre que BB—1 D I , allí tener que
ámbito factible está
\ ˚formado abajo:
ˇ T Σ
Ser b T d D 1 y b T d D 0npara cualquier 1 ™ i; j
™
x ˇc x “ Gk ; si c xT < k gkI
T
T
8
< ˝k—1
i i j i ˝k D \˚ ˇ k
Σ k D
T
j j i j
:˝
Con i ¤ j . Además, bj es el vector normal de k—1 x ˇc x ™ Gk ; más
k
j j i j j
x D
\ Signo .cTx — G /].cTx — /™0
d // j j G
d i// j j
j D1
fxjC k x ™ g k g (21)
j ¤i Dónde signo .·/ Denota la función de signo.
Esto asoma que di es paralelo a la línea de borde dónde 4.2.4 Weighted centroid Cálculo
i i 0 i i i 0
T
bi x0 D bNi ; 8i (20) centroid De S k, por utilizar
k k k k k k
Para cualquier t > 0. Esto indica que
0 x C
i td Ck D w 1x 1 C w 2x 2C · · · C wn xn (22)
dissatisfies
Constreñimiento (18). Es decir, cada vector di con el El propósito de ponderación los vértices de S k es
origen x0 puntos al exteriores del ámbito factible o los para tomar ventaja llena de la información de la
vectores —di ; 1 ™ i ™ n es direcciones señalando a interrelación entre el ámbito factible y la superficie
los vértices adyacentes de x 0. □ de contorno actual1 en2puntos nxk ; xk ; : : : ; xk , para
Por de este modo, las direcciones para el μ -prórrogas señalar fuera la dirección más eficaz para tunneling.
en el Varios métodos de ponderación serán hablados más
Primera iteración está derivada. tarde encima.
4.2.2 Simplex construcción 4.2.5 Cerro tunneling y la faceta que constata
En el k-th iteración, vectores x k — xk Cuándo el weighted centroid Ck ha sido obtenido en
i ; 1 ™ i ™ n,
generado por el n μ -prórrogas xk ; xk ; : : : ; x k el k-th iteración, llevamos fuera μ -prórroga de x k
también
1 2 n
Como el origen xk , es afín independiente. (Esto está A lo largo de la dirección de C k — xk . Esto es el cerro
declarado en Sección 4.2.1 con k D 1, y será tunneling operación en el k-th iteración.
declarado en Sección 4.2.7 con k “ 2.) Por ello un (n Denotamos el punto de prórroga obtenido
— 1)-dimensional simplex Sk puede1ser2construido después de que cerro tunneling como xk 0 , entonces
n
con x k ; xk ; : : : ; x k como sus vértices. Además, hay xk 0 2 Tμ . We Selecciona un candidato ' 2 ˚xk
combinando Sk con punto xk , 0 y obtener
0
el correspondiente 0
x x
Define Sk como el simplex obtuvo en el k-th La faceta obtenida después del k-th iteración de cerro
iteración. tunneling,
312 Tsinghua Science and Technology, June 2019, 24(3): 301–316
Denotado
por Wk W UnT x C bk (23)
k
Similar al análisis en Proposición 1, denotando B—1 ● Umbral de iteración del Set K y umbral de tiempo T ;
D .d1; d2; : : : ; dn/, vectores —d1; —d2; : : : ; —dn es ● Parámetros de carga de modelo (7), y encontrar una
paralelo a las direcciones que señalan a los vértices solución factible xO ;
Mientras k ™ K y t ™ T hacer
adyacentes del vértice factible más cercano a la faceta
● Inicio de x O para computar un local óptimo vertex x 0 ;
de contorno T k—1, respectivamente. Es decir,. ● Dejado k D 1, μ D f .x0 /, ˝0 ˝, x1 x0 ;
—d1; —d2; : : : ; —dn es las direcciones para llevar ● Descubrir el matricial B refirió en Fórmula (18) y
fuera del μ -prórrogas en el k-th iteración. Más computar el inverse B—1 D .d1; d2; : : : ; dn/;
● Dejado .d1; d2; : : : ; dn/ WD — .d1; d2; : : : ; dn/;
allá, nosotros
Denotar el μ -prórrogas en el k-th iteración por x1 ; i D
i
1 repite
1; 2; : : : ; n, entonces el grupo de vector x i — x1; i ● Búsqueda a lo largo de d 1; d2; : : : ; dn
D 1; 2; : : : ; n, es afín independiente. respectivamente de x k
Para coger el μ -prórrogas
1
xk2 ; xk ; :n: : ; xk ;
4.2.8 Evitación de ● Constatar el tajante hyperplane Hk W cT x D gk
bucle
k
Con x k ; xk ; : : : ; xk ;
1 2 n
El algoritmo tendría que parar la iteración cuándo uno ● Actualización ˝k vía Formula (21), y dejado ˝
de los criterios siguientes está cumplido. ˝k ;
Criterio 1: ˝k D ∅ después de emplear el tajante Si ˝k D ∅ entonces
● Rescindir el algoritmo y regreso x0;
Plano Hk. Esto significa que hay no punto factible que Fin si
es superior al actual local óptimo x por todas ●Ponderación1 xk 2; xk ; : :n: ; x k con k k
1 w2 ; w ; : :n: ;
0 partes el k
w,
Y computar Ck vía Fórmula (22);
Ámbito factible ˝. Así, rescindimos el algoritmo por ● Lleva fuera de el μ -extension xk 0 en la
este tiempo y regresar el global óptimo x0. dirección de C k — x k originando de x k ;
Criterio 2: El tiempo de correr cumple t “ T o el Repite
● Elige arriba de un candidato ' 2 ˚xk 0 , y
Número de iteración cumple k “ K, donde T y K obtener el
es
Los parámetros de umbral que es bastante grande. En Faceta correspondiente Por Fórmula (10);
Wx'0
este caso, rescindimos el algoritmo y regreso x0 como k
● Dejado Wk '
Wxk 0 ;
el
optimal Solución. Este criterio está puesto para ● Solucionando elepé (24) y grabar el óptimo .sO ; x
O /;
asegurar que el ● Dejado xk 0 xO ;
El algoritmo genera una solución en un tiempo sensato.
Hasta que sO ™ 0k o un TxO C bk D f .xk /;
4.2.9 Criterio de parón
5 Varios Métodos de Ponderación
La ocupación del plano tajante altera la parte del ámbito
factible cerró a x k , donde el cerro tunneling inicios de
proceso de en cada iteración. Este hecho asegura que las
rutas de buscar para cerro tunneling es diferente de uno
otro, incluso aunque cualquier dos del contorno de
empezar las facetas son igual. Así, el bucle del cerro
repetitivo tunneling puede ser evitado
espontáneamente.
4.3 esquema de Algoritmo
A suma arriba del encima, el esquema del HTWSC el
algoritmo está dado en Algoritmo 1.
Si sO > 0 entonces Fin mientras
Zhiming Xu et● al.: Methodelof
Descubrir Hill Tunneling
matricial B refirió via
a enWeighted ● Fines
Fórmula Simplex Centroid for Continuous
de algoritmoPiecewise
y regreso Linear
x0 . Programming 315
(25) y computar el inverse B—1 D
.d1; d2; : : : ; dn/;
● Dejado .d1; d2; : : : ; dn/ WD — .d1; d2; : : : ; 5.1 HTWSC-1
dn/;
● Dejado xk C1 xO y k k C 1; El más intuitional método de ponderación es
Fin si ponderación igual , el cual llamamos “HTWSC-1”.
Hasta que sO ™ 0 o k > K;
1 2 n
Posible a través del cerro establecido tunneling El método de ponderación igual no considera la
dirección, el plan de ponderación
1 2 den x k ; xk ; : : : ; información estructural y la relación posicional
xk , los vértices de
Sk, tendría que ser diseñado rationally. Varias De la función objetiva y el ámbito factible.
ponderación Consiguientemente, el HTWSC-1 no puede actuar
Los métodos están propuestos en esta sección de efficiently a pesar de su simplicidad.
perspectivas diferentes, nombrados HTWSC-1 a
HTWSC-6.
316 Tsinghua Science and Technology, Junek 2019, 24(3): 301–316
k 1=s
5.2 HTWSC-2
wi D i (27)
˝ T k—1 ik por † D
˝ k dónde xk está localizado, denotado
1 k
re-intersects
2 after
is a greater likelihood that T
the hill tunneling process when the tunneling direction T ;
deflects to xk. , denoted by xk — . i
i
μ k ˛
T k—1
; el otro es la distancia de el μ -prórroga x k
index Aquello mide algo de dis tfT k ; ˝ik g. Más HTWSC-4 es diseñó basado en el otro un, la distancia
specifically, s ki es proporcional a dist fTi k ; ˝k g de prórroga kx k — xki k.
mientras
sik > 0, y s k ™
i 0 indica distfT ; ˝ik g D 0.
k
Para cualquier dado i D 1; 2; : : : ; n, un más grande
i
kx k —for Continuous Piecewise Linear Programming 317
Zhiming Xu et al.: Method of Hill Tunneling via Weighted Simplex Centroid
Por tanto, HTWSC-2 está propuesto como sigue:isi xk k would Asegura un más grande i distfT k; ˝kg
k
s > 0 para cada i D 1; 2; : : : ; n, conjunto con otras afecciones que se mantienen estable, como
ilustrados en Higo. 13.
i
318 Tsinghua Science and Technology, June 2019, 24(3): 301–316
i i
Evidentemente, HTWSC-6 es sólo el opuesto de
Entonces de esta perspectiva, HTWSC-4 está HTWSC-4, y cuál es el superior uno aquello
propuesto como necesita ser probado en práctica. De hecho, todo el
1
seis
kx k —x k k
wk D 1 (29) Métodos de ponderación propusieron de varias
i 1 i perspectivas
1
C C ··· C Es diferente de uno otro así que su necesidad de
kx1k —x k k kx2k —x k k n k —x k k
kx
HTWSC-4 también podría ser entendido de un punto actuaciones para ser comparado. La comparación será
de vista diferente. De hecho,
i kx k — xk k asoma la llevada fuera a través de experimentos numéricos en la
tendencia del cerro-shaped función objetiva a lo largo sección próxima, y el mejor uno será escogido como el
de la dirección método de ponderación final para el HTWSC algoritmo.
.x ik — xk /. El más grandei kx k — xk k es, el más
suave las laderas “de cerro” objetivas, y el más
6 Numéricoal Resultados
despacio las disminuciones de valor objetivas. i En esta sección, enfoca en los experimentos numéricos
HTWSC-4 conjuntos i cada wk inversely y el análisis de resultados. Primero, probamos
proporcionales a k x k — xk k, el cual en práctica hace HTWSC-1 a HTWSC-6 con aleatoriamente ejemplos
el obtenido
i tunneling dirección deflect a dónde kx k — numéricos generados, y escoger el mejor como los
xk k es relativamente pequeño. Por tanto, este métodos de ponderación para el HTWSC algoritmo.
método puede acelerar el proceso de decrecimiento de Entonces, el performance de HTWSC está comparado
valor objetivo y finalmente mejorar la eficacia al HD algoritmo y CPLEX para el equivalente MIP.
algorítmica. Las computaciones están dirigidas en una máquina de
5.5 HTWSC-5 Windows con Núcleo i3 3.30 GHz procesador y 8 GB
de RAM. HTWSC Y HD está implementado con
HTWSC-3 y HTWSC-4 es ambos simplificaron
Matlab 2010un, mientras MIP con CPLEX 12.4.
aproximaciones de HTWSC-2, y está propuesto a
dearrugar la carga de computación. Aun así, el 6.1 objetos de Prueba
factor †ik en HTWSC-3 y el factor kx k —i xk k es El conjunto de prueba P consta de aleatoriamente
coupled factores que unf fect distfT ik ; ˝k g together, generado CPWL problemas en la forma siguiente:
más que tocar una parte por separado. M
X
Considerando que la carga de computación de i ij
cualquier. 1
Es para mezclar los pesos en ambos métodos con min ˇ max fUn T x C bij g
™j ™Ni
(32)
iguales
2@ P n
1 P 1 A
†j k kx k —x k k Con respecto al parámetro L, sin pérdida de
j D1 j D1 j
2 prueba p
Para ser concreto, dado un problema de Cartafp 2 P W Ep;s ™ Ep;s×; 8s× 2
SRs Sg (35)
P , por un D
lado, lo podemos tomar tan problema (4), y entonces Carta P
transformar
lo A problema (6) siguiendo el proceso descrito en Aquí “la carta” es cardinality función, y E p;s está puesto
2
Sección 2.1.2. Por añadir en los constreñimientos x como
Œ0; 1]N más allá, el problema de prueba p está convertido Ep;s D vp;s — minfvp;s× W s× 2 SgC
a una minimización cóncava sobre un poliedro convexo, j minfvp;s× W s× 2 Sgj (36)
el cual es en la forma de modelo (7) y puede ser Dónde vp;s es el optimal valor de solver s 2 S en
solucionado con solver HD o el HTWSC el algoritmo solucionar p 2 P .
con los métodos de ponderación propuestos diferentes Además, basado en PR, otra actuación, perfil
propuso. Proporción Superior General (GSR), está definido como
Por otro lado, después del dado p 2 P es Automovilísticod fp 2 P W PRp;s
™ ıg
(37)
Transformado a modelo (7), pueda ser convertido al GSRs .ı/ D Carta P
Equivalente MIP modelo (33) más Claramente, PRp;s “ 1, así ı “ 1. De hecho, SRs es
Zhiming Xu et al.:
allá.Method of Hill Tunneling via Weighted Simplexun
Centroid for Continuous Piecewise Linear Programming 321
caso especial de GSR s .ı/, aquello es, SRs D
M
X GSRs.1/.
min yi ;
i D1
6.4 Resultados numéricos de métodos
s.t. C x ™ g; de ponderación diferente
Higo. 26 Diferencias de optimal actuación en P 5, 50, N=5, Higo. 30 Diferencias de optimal actuación en P 5, 150, N=5,
M=50. M=150.
Higo. 27 Diferencias de optimal actuación en P 10, 50, N=10, Higo. 31 Diferencias de optimal actuación en P 10, 150,
M=50. N=10, M=150.
Higo. 28 Diferencias de optimal actuación en P 50, 50, N=50, Higo. 32 Diferencias de optimal actuación en P 50, 150,
M=50. N=50, M=150.
Higo. 29 Diferencias de optimal actuación en P 100, 50, Higo. 33 Diferencias de optimal actuación en P 100, 150,
N=100, M=50. N=100, M=150.
5% en los problemas de prueba con varios N . Esto Con un más bajo N , HD actúa relativamente pobre, y
significa que la diferencia del optimal la actuación no es su optimal valores encima algunos problemas de prueba
obvia en este caso. son encima 10% peores que aquellos de HTWSC (ve
Cifras 30–33 espectáculo que cuándo M es Higo. 30) e incluso supera 50% (Higo. 31).
relativamente grande, las diferencias del optimal la Conversaly con un más alto N , MIP actúa
actuación expande. relativamente
Zhiming Xu et al.: Method of Hill Tunneling via Weighted Simplex Centroid for Continuous Piecewise Linear Programming 325
equilibrio químico, Ciencia de Gestión, vol. 5, núm. 1, pp.
Pobre. Su optimal los valores son encima 5%–10%
38–43,
peores que aquellos de HTWSC encima 80% de los
problemas de prueba, como asomados en Higo. 32 e
Higo. 33.
6.5.4 Resumen
Considerando el solucionando efficiency, el HTWSC
comparte una actuación similar con HD y MIP cuándo
la escala de problema es pequeña, y superioridad de
espectáculos cuándo la escala de problema es grande.
En plazos de optimizar capacidad, HTWSC asoma la
actuación mejor en todas las clases de balanza de
problema.
En general, comparado a HD y MIP, HTWSC posee
una superioridad obvia en plazos de ambas eficacia
numérica y capacidad de búsqueda global.
7 Conclusión
CPWL La programación puede ser convertida a un D.C.
Programación con equivalency, y entonces a un
cóncavo piecewise minimización lineal sobre un
poliedro. A pesar de que el local optima puede ser
fácilmente obtenido vía algoritmos de descenso, cómo
para huir trampas locales efficiently para globales
buscando restos un disputó asuntos. En esta obra,
proponemos el HTWSC algoritmo cuáles pueden huir
un locales óptimos efficiently por atajar el super-nivelar
puesto para buscar por otro lado del cerro-shaped
función objetiva cóncava. Cada tunneling la ruta está
establecida vía un weighted simplex centroid. Varios
métodos de ponderación están estudiados para
seleccionar el mejor uno para el propuesto HTWSC.
Además, por explotar técnicas maduras como elepé y
búsqueda lineales programación, así como el cutting
método de plano, la eficacia de buscar de HTWSC está
mejorado bruscamente. Finalmente, el HTWSC el
algoritmo asoma eficacia numérica mejor y la capacidad
de búsqueda global cuándo comparada con CPLEX y el
HD método.
Acknowledgment
Este proyecto era conjuntamente supported por la
Búsqueda Básica ClaveNacional y Desarrollo (973)
Programa de China (Núm. 2012CB720505) y la Fundación
de Ciencia Natural Nacional de China (Nos. 61473165 y
61134012)..
Remisiones
[20]S. Wang Y X. Sol, Generalización de hinging hyperplanes, Y N. Sultanova, Subgradient método para nonconvex
Transacciones de IEEE encima Teoría de Información, nonsmooth optimización, Revista de Teoría de
vol. 51, núm. 12, pp. 4425–4431, 2005. Optimización y Aplicaciones, vol. 157, núm. 2, pp. 416–
[21]R. Horst Y H. Tuy, Optimización Global: 435, 2013.
Aproximaciones Deterministas. Ciencia de salmer & [23]E. D. Dolan Y J. J. Más, Benchmarking optimización
Medios de comunicación Empresariales, 1996. Software con perfiles de actuación, Programación
[22]Un. M. Bagirov, L. Jin, N. Karmitsa, Un. Al Nuaimat, Matemática, Serie B, vol. 91, núm. 2, pp. 201–213, 2002.