TSINGHUA CIENCIA Y TECNOLOGÍA

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

Zhiming Xu, Yu Bai, Kuangyu Liu, y Shuning Wang×

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

manuscrito recibió: 2017-11-22; aceptado: 2018-02-22

1 Introducción
El Continuo PieceWise Lineal (CPWL) problema de
minimización puede ser declarado en la forma
siguiente:
min ff0 .z/js.t.fi .z/ ™ 0; i D 1; 2; : : : ; N g (1)
dónde z 2 Rn y cada fi .z/; i D 1; 2; : : : ; N es un
Piecewise Función Lineal (PLF).
Debido a sus características concretas, CPWL
programando
Tiene perspectivas de aplicación ancha. Por un lado, la
capacidad de aproximación arbitraria en cualquier
nonlinear función[1] lo hace más flexible y aplicable
que Programación Lineal (elepé) en tales problemas
como

● Zhiming Xu, Yu Bai, Kuangyu Liu, y Shuning Wang es con el

Laboratorio Nacional para Ciencia de Información y
Tecnología, Departamento de Automatización, Tsinghua
Universidad, Beijing 100084, China. Email:
xzmnudt@163.com; baiyu13 @mails.tsinghua.edu.cn;
409890573@qq.com; swang@mail. tsinghua.edu.cn.
● Zhiming Xu Es también con Facultad de Universidad de
Ingeniería de Fuerza de Aire, Xi'un 710051, China.
× A quien la correspondencia tendría que ser dirigida. El
Modeling de caja negra e identificación de sistema. Por
otro lado, compared con otras formas de nonlinear
programación, la linealidad local de PLFs nos habilito
para proponer algoritmos más eficaces[2–9].
En general, cuándo tratando la minimización de
separable y convexo PLFs con desigualdades lineales,
las soluciones son más fáciles cuándo actuados
utilizando los algoritmos de existir[10–12]. Aun así,
consiguiendo el global optimality de un PLF, el cual es
tampoco separable ni convexo, es NP-duro[13]. El más
método utilizado generalmente es a reformulate el
CPWL problemas de minimización a equivadejó
Programación de Entero Mixto (MIP) problemas[14–16].
Aun así, no podemos esperar obtener el globales
óptimos para problemas de escala grande dentro de un
periodo de tiempo aceptable por siguiente este método.
Otras alternativas son los algoritmos heurísticos ,
incluyendo el aleatorios[17] y aproximaciones
deterministas[18–20]. A pesar de los beneficios de
eficacia alta en práctica real, fallando para garantizar el
global o incluso el local optimality resultados en la
actuación inestable de las aproximaciones aleatorias.
Por tanto, la corriente study foco en los algoritmos
heurísticos con determinacy..
 302 Tsinghua Science and Technology, June 2019, 24(3): 301–316

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

Evasiones el locales óptimos por bypassing el super-level O

N N

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

Y el espacio de índice en x como

˚x D ˚x1 ~ ˚x2 ~ · · · ~x (9)
˚M

Definición 1 Para un punto dado x 2 R n, dado

cualquier ' D .k1 ; k2 ; : : : ; kM / 2 ˚x , el GHH función
f .x/ Puede ser simplificado a una expresión afín
asociada, denotado por'
Un T x C b ' (10)
x x
Higo. 2 Ilustración de la superficie de contorno y la faceta de
Dónde contorno.
MX M X
' '
Un
x
D un
i
ik ; b D
x i
(11)
bi k
i D1 i D1

Entonces, la función afín .10/ se apellida una Faceta de

f .x/ En x, denotado porx W ' .
Cifra 1 ilustra el concepto de faceta en la situación
donde x 2 R2.
Definición 2 Dado μ 2 R, el conjunto f x j f .x/ D μ g
se apellida una Superficie de Contorno de f .x/, denotado por T μ .
Definición 3 Dado una superficie de contorno Tμ y una faceta
W W UnT x C b, si
\˚ Σ Higo. 3 Ilustración de la superficie de contorno y la faceta de
Tμ x ˇf .x/ D unT x C b ¤ ∅ (12) contorno en el horizonte.

Entonces la Faceta de Contorno asociada está

definida como &0 es un número positivo bastante sumo. Para la
˚ Σ
Tμ;T D x ˇf .x/ D μ; f .x/ D unT x C b (13) dirección
d 2 Rn n f0g, dejado
Cifra 2 ilustra los conceptos de superficie de
& D min f&0 ; sup ft W f .x C t d / “ μ gg (14)
contorno y faceta de contorno. La superficie de
Ent
contorno degenerates a 0
Línea de contorno en la situación donde x 2 R2, onc
como es es

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

Higo. 1 Ilustración de una faceta.

de contorno degenerates al segmento de línea del
 x D x &C d (15)
Zhiming Xu et al.: Method of Hill Tunneling via Weighted Simplex Centroid for Continuous Piecewise Linear Programming 305
se apellida el μ -Prórroga de f en la dirección
de d.
Originando de x .
2.2.2 Haciendas
Para cualquier cóncavo PLF f .x/, allí aguanta dos
haciendas útiles como listó abajo.
Hacienda 1 Si f .x/ D unT x C b; 8x 2 D
controles para un conjunto abierto D c Rn,
entonces f .x/ ™ UnT x C b; 8x 2 Rn.
Esta hacienda puede ser vista evidentemente en
Higo. 4, y sea utilizado más tarde para derivar
el local optimal

Higo. 4 Ilustración de Hacienda 1.

 306 Tsinghua Science and Technology, June 2019, 24(3): 301–316

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.

Higo. 6 Ilustración de cerro detouring método en el

horizonte.
 308 Tsinghua Science and Technology, June 2019, 24(3): 301–316

bypassing El ámbito factible gradualmente de un local
óptimo a otro, sea mucho más eficaz de atajar el ámbito
directamente. Motivado por esta idea, proponemos una
aproximación nueva (“cerro tunneling”) a
Mejorar la eficacia del HD método.
3.2 Cerro tunneling estrategia
El cerro tunneling la estrategia huye un local óptimo por
directamente atajando el super-nivelar puesto para
lograr el otro lado de el cerro de función “objetivo”,
como está asomado en Higo. 7. Esta aproximación
realza la eficacia de huir, y así contribuye en improving
global buscando.
Más allá, la ruta de buscar para el cerro tunneling
puede ser determinado vía el weighted centroid de un
construido simplex, el cual toma a lo largo de la
información
De interrelación entre el ámbito factible y
(2) Repite los pasos siguientes hasta el stop el
criterio está cumplido.
(a) Lleva fuera μ -prórrogas de x k para obtener el
Puntos de prórroga xk ; xk ; : : : ; xk .
1 2 n
(b) Estructura un .n — 1/-dimensional simplex Sk con
xk1 ; xk
2 ; :: :n
; x k Como sus vértices.
(c) Tomar el .n — 1/-dimensional hyperplane Hk,
donde Sk está localizado en como plano
tajante, para cortar fuera una parte del ámbito
factible que no contiene cualquier punto
superior a x 0. Esto hace el ámbito factible
encoge a un ámbito nuevo más pequeño
denotado por ˝k D fxj C k x ™ gk g.
(d) Si ˝k D ∅, entonces x0 es el global óptimo,
rescindir el algoritmo; o más, computar el
weighted centroid de S k después de que
ponderación
xk ; xk ; : : : ; xk , de alguna manera, denotado por
C k.
1 2 n
˝0 ˝, y el actual tunneling origen x1 x0 .

Higo. 7 Ilustración de cerro tunneling método.

El contorno presente surfas Tf .x0 / . Por

razonablemente ponderación los vértices de el
construidos simplex, pueda
deviate Como efficiently como posible del local optima
a través del establecido buscando ruta.
Así, el método propuesto se apellida el método de
cerro tunneling vía weighted simplex centroid.

4 Método de Cerro Tunneling vía Weighted

Simplex Centroid
En esta sección, una descripción detallada del HTWSC
el algoritmo está dado, incluyendo el marco
algorítmico, análisis técnico, y detalles de
implementación.
4.1 Marco algorítmico
El principal procedures del HTWSC en huir del
presente local optimal vértice x0 es como sigue, y el
detalló las discusiones están proporcionadas
sucesivamente.
(1) Inicializar el número de iteración k D 1, el
presente optimal valor μ D f .x0/, el ámbito factible
actual
 (e) Túnel el cerro-shaped función objetiva cóncava a
Zhiming Xu etde
lo largo al.:laMethod of Hill
dirección de Tunneling
— x kvia Weighted
con el Simplex Centroid for Continuous Piecewise Linear Programming 309
Ck
origen xk , y obtener otro μ -faceta de contorno
por otro lado del “cerro”, denotado por T k .
(f) Control si la superficie de contorno Tμ cruza
con ˝ k en T k u otra faceta de contorno
adyacente se acerca T k .
(g) Si el resultado de comprobar es sí, paso fuera
de la iteración y retomar el proceso de
optimización local con el intersective punto; o
más, cifra fuera del punto más cercano en T μ a
˝ k en el sitio encima o cercano T k , denotado
por xk C1.
(h) k k C 1.
4.2 Análisis teórico y tecnología detallada
En esta sección, la implementación de algoritmo
detallada así como algunos el análisis teórico será
declarado paso a paso.
4.2.1 μ -prórrogas en la primera iteración
Aguanta que k D 1 en la primera iteración. Por este
tiempo, x1, el origen del μ -prórrogas, es sólo el actual
local optimal vértice x0, y las direcciones para prórroga
son el dirigió bordes de x 0 a los vértices adyacentes
del ámbito factible.
En otras palabras,, llevamos fuera búsquedas
de línea a lo largo de todos los bordes de ˝ 0 D ˝
cuáles cruzan en x0 , hasta que th ey logra el contorno
surfas Tf .x0 / respetoively. Entonces,
Los puntos de intersección son el μ -prórrogas en el
primero
Iteración.
Dado que x0 es un vértice nondegenerate, como está
asumido anteriormente, tiene que haber n vértices
adyacentes a x 0. Tan, resulte para ser n μ -prórrogas,
denotados por x1; i D 1; 2; : : : ; n, por ello haciendo i
el grupo de vector
 310 Tsinghua Science and Technology, June 2019, 24(3): 301–316
4.2.3 Ocupación del tajante hyperplane
x1i — x1; i D 1; 2; : : : ; n afín independiente.
En el k-th iteración, considerando el co nvexity de ˝
La aproximación para calcular el n direcciones para S Qk , overlapping el concunvity de el
k—1 y
el μ - las prórrogas en la primera iteración está dada en
objetoive función f , pueda ser deducido
T que no hay
detalles abajo tan Proposición 1. Q0 óptimo
ningún punto superior a el presente local k—1 x
En gracia al nondegeneracy de vértice x0, tiene que T
en ˝ S.
haber n constreñimientos de desigualdad críticos en x0 k
Inspirado en esto, podemos cortar unw ay ˝k—1 SQk
en problema (7). Denotamos estos n constreñimientos
de
de desigualdad crítica por ˝k—1 en cada iteración, sin unf fecting el global

Bx ™ bN (18) Óptimo. Concretely, esta operación puede ser llevada

fuera
Entonces allí tiene que aguantar x0 D B —1 bN por este Por emplear el tan-plano tajante llamado.
tiempo, where

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

hyperplane fxj b T x DbN g, por ello d //fxj b T x DbN controles de g ( ˇ )

ˇ
n ˇŒ k k k k k
Para cualquier i ¤ j . Entonces,
podemos afirmar aquello C k—1x
™ gk—1
n
k k k k k
d // fxjbj T x D bNj g; 81 ™ i ™ n (19) k k

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

hyperplanes fxj bj T x DbNj g; j ¤ i cruza en. Si ˝k ¤ ∅ en el k-th iteración, confiar pesos

 Además, allí controles wk; wk; : : : ; wk singly A x k ; xk ; : : : ; x k bajo un
Zhiming Xu et al.: Method of Hill Tunneling via Weighted Simplex Centroid for Continuous Piecewise Linear Programming 311
1 2 n
biT.x 0 C t d / D bTx C t bTd D bTx C t > certain rule. Then, we calculate1Ck, 2the weighted
n

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
origen x0 puntos al exteriores del ámbito factible o los
vectores —di ; 1 ™ i ™ n es direcciones señalando a
los vértices adyacentes de x 0. □ de contorno actual1 en2puntos nxk ; xk ; : : : ; xk , para
Por de este modo, las direcciones para el μ -prórrogas
en el
Primera iteración está derivada.
4.2.2 Simplex construcción
En el k-th iteración, vectores x k — xk
i ; 1 ™ i ™ n,
generado por el n μ -prórrogas xk ; xk ; : : : ; x k
también
1 2 n
Como el origen xk , es afín independiente. (Esto está
declarado en Sección 4.2.1 con k D 1, y será
declarado en Sección 4.2.7 con k “ 2.) Por ello un (n
— 1)-dimensional simplex Sk puede1ser2construido
n
con x k ; xk ; : : : ; x k como sus vértices. Además,
combinando Sk con punto xk ,
El propósito de ponderación los vértices de S k es
para tomar ventaja llena de la información de la
interrelación entre el ámbito factible y la superficie
señalar fuera la dirección más eficaz para tunneling.
Varios métodos de ponderación serán hablados más
tarde encima.
4.2.5 Cerro tunneling y la faceta que constata
Cuándo el weighted centroid Ck ha sido obtenido en
el k-th iteración, llevamos fuera μ -prórroga de x k
A lo largo de la dirección de C k — xk . Esto es el cerro
tunneling operación en el k-th iteración.
Denotamos el punto de prórroga obtenido
después de que cerro tunneling como xk 0 , entonces
hay xk 0 2 Tμ . We Selecciona un candidato ' 2 ˚xk
0 y obtener
0
el correspondiente 0
x x

Un n-dimensional simplex S Puede ser formado Faceta W

'
Por utilizar Eq. (10). Tomamos Como
Qk también. Nosotros k
W 'k el

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

Entonces, nosotros correspondingly take

k
Tf .x 0 /;Tk , el contorno
facet En xk 0 como el contorno facet obtuvo en el k-th
Iteración, denotado por T k.
4.2.6 Faceta de contorno que comprueba
Después del k-th cerro tunneling proceso, la faceta de
contorno T k tiene que ser comprobado para evaluar si
la superficie de contorno Tμ intersects con el actual
factible Higo. 9 Caso 1 en faceta de contorno que
comprueba.
Ámbito ˝k en T k u otras facetas de contorno
adyacente. Esto significa que comprobamos si hay
T Este caso significa xO … Tμ , como visto en
Tμ ˝k ¤ ∅ encima Higo. 10.
Additionally, there must be f .xO / < f .xk
T k or around it. /

El comprobando puede ser implementado por Según Hacienda 1.

solucionar la programación de elepé siguiente:
En este caso, el algoritmo tiene que
min s; reinicialización T k a un adyacente μ -contorno
s.t. C k x — gk ™ S; unT
k x C bk ™ f .xk / (24) facet más cercano a ˝ k , y reestrenar la faceta
dónde s 2 R, S D .s; s; : : : ; s/T . Además, C k y de contorno que comprueba proceso. Con más
detalle, seleccionamos un candidato f acet de f
k ew Wk ,
.x/ En xpor
Denotó O , Wx O W unT x C bxO , para ser el
n
G es las matrices de parámetro correspondientes en xO
k
Formula (21), el cual describe ˝k . UnT x C bk es Y derivar el correspondiente nuevo . Entonces,
el T nosotros
k
Ecuación de Wk En Fórmula (23). Supone re-Solucionar problema (24). Dado el super-
definición de aquello nivelar puesto

.sO ; xO / Es el optimal solución de problema (24). fx j f .x/ “ f .xk / G es convexo, este

Entonces, bajo la situación que ˝k ¤ ∅, sO puede ser resultado de mosto de acción de reinicialización
considerado como un índice que mide algo de la en un nuevo y más pequeño s. O
Repetimos esta reinicialización y operaciones de
distancia entre ˝k y T k , como ilustrado en Higo. 8. control, hasta que lo
Hay tres casos cuándo solucionando elepé (24). Turnos a Caso 1 o Caso 2.
(1) Caso 1: sO ™ 0
T
k 4.2.7 μ -Prórrogas con k “ 2
En este caso, T ˝k ¤ ∅, y x O es una
solución factible no peor que x0, como asomado Cuándo la faceta de contorno que comprueba
en Higo. 9. Entonces el algoritmo tiene que ventajas a Caso 2 en el .k — 1/-th iteración con k
reenter el local optimal procedimientos de x O . “ 2, como asomado en Higo. 8, tenga que proceder
(2) Caso 2: sO > 0; unTxO C bk D f .xk / al k-th iteración. Por este tiempo, el origen de el μ -
T extensions es xk C1 D xO , el cual está obtenido en la
faceta de contorno que comprueba proceso en el .k —
1/-th iteración, y las direcciones pueden ser
k
En este caso, sO > 0 implica T k ˝k D ∅,
Y un kTxO C bk D f .xk / Indica xO 2 Tfk.x / ,
como sh own en Higo. 8. Entonces, dejado xk C1
D x O y empezar la iteración próxima de este
punto.
(3) Caso 3: sO > 0; unT
k
xO C bk < f .xk /
 Constatado como sigue.
Zhiming Xu et al.: Method of Hill Tunneling via Weighted Simplex Centroid
Bajo elfornondegenerate
Continuous Piecewise Linear Programming
suposición, 313
tiene que haber
n C 1 constreñimientos de todo en problema (24)
crítico en el óptimo .sOk; xO /. Como T xO C bk D f .xk
/ En Caso 2, el otro n constreñimientos del n C 1
críticos unos implican

Higo. 8 Ilustración de faceta de contorno que

comprueba.

Higo. 10 Caso 3 en faceta de contorno que

comprueba.
 314 Tsinghua Science and Technology, June 2019, 24(3): 301–316

Parámetro s, denotado por Algoritmo 1 HTWSC algoritmo para cóncavo CPWL

Bx — GQ ™ (25) programación
Inicializa
SQ

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;

Para huir el local optimal trampa como efficiently wk D wk D · · · D wk D n (26)

como 1

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
ponderación
Los métodos están propuestos en esta sección de
perspectivas diferentes, nombrados HTWSC-1 a
HTWSC-6.
De la función objetiva y el ámbito factible.
Consiguientemente, el HTWSC-1 no puede actuar
efficiently a pesar de su simplicidad.
 316 Tsinghua Science and Technology, Junek 2019, 24(3): 301–316
k 1=s
5.2 HTWSC-2
wi D i (27)

Para tomar ventaja llena de la información estructural 1=s1k C 1=sk2 C · · · C 1=snk

así como la información de puesto relativa de la función O más, elegir un índice i aquello cumple
i sk ™ 0 y
objetiva y el ámbito factible, el segundo método de poner el peso correspondiente
i como w k D
j 1, mientras
ponderación es propuso basado en las distancias de la k
w D 0; j ¤ i simultáneamente.
superficie de contorno Tμ alrededor de cada de HTWSC-2 usos la información integrada del
Los puntos xk ; xk ; : : : ; A el ámbito factible ˝k , Problema, el cual es beneficioso para optimizar el
xk
1 2 n
Llamado HTWSC-2. tunneling Dirección. Aun así, necesita solucionar n
Para cualquier
i xk ; i D 1; 2; : : : ; n, siguiendo el problemas de elepé en cada iteración de computación de
proceso de la faceta que constata en Sección 4.2.5, peso, el cual dirige a una carga de cálculo pesada que
podemos obtener una faceta de la función i objetiva f puede afectar la eficacia algorítmica. Para vencer este
.x/i En punto xk , denotado por W k , y entonces i la potential shortcoming, métodos de ponderación
k
faceta de contorno correspondiente T . diferente basaron en HTWSC-2 está propuesto en el
Entonces, denotamos la distancia entre T k y i˝ k siguiendo a disminución la carga de computación.
˚ Σ ˚ Σk
Por distTik; ˝k . El más pequeño el dist Ti ; ˝ k 5.3 HTWSC-3
es, el
Pueda ser observado que hay dos factores
Más cercano a ˝ k la superficie de contorno actual Tμ
importantes afectando
i k distfT k
; ˝ g: uno es el
es alrededor
i punto xk . Así si la dirección para
dihedral ángulo
tunneling
i deflects a x k , habría un más sumo
likelihood que Tμ re-
intersects ˝k after the hill tunneling process. As can be

Visto en Higo. 11, T k es más cercano a ˝ que T k , y

allí. Entre la faceta de contorno T k y la faceta de contorno
i

˝ 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

from its origin xk i xk

from its origin
1
Para cualquier dado i D 1; 2; : : : ; n, un más pequeño
De ahí, parece para ser un método de ponderación
†ik aseguraría un más pequeño distfT k ; ˝k g con
razonable que cadaiwk acaece inversely proporcional a
otras afecciones quei se mantienen estable, como
dist fTi k ; ˝k g.
ilustrados en Higo. 12. Esto
Nos motivo para proponer HTWSC-3 como
Considerando que el cuadrático distfT k ; ˝k g puede no
i
†—1
Ser salido oportunamente, la simplificación más wikD †—1 C †—1 Cik · · · C †—1 (28)
lejana es
Necesario. Similar al análisis en Sección 4.2.6, si
1k 2k nk

Solucionamos problema (24) mientras reemplazando 5.4 HTWSC-4

parámetros unk HTWSC-3 es propuso basado encima uno del
Y b k con el counterparts en la ecuación de definición importante k ik
i
De W i
k
, entonces el obtenido sO , denotadoi por s
Factores que afecta distfT ; ˝ g, el dihedral ángulo
k
k
, es un †.

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.

FiG. 11 Improving tunneling direction con dist fTi k ;˝ k g.

FiG. 12 Influencia de † ik en distfT k ; ˝ k g.

i
 318 Tsinghua Science and Technology, June 2019, 24(3): 301–316

Buscando en un sitio lejos bastante del actual local

optimal trampa, la dirección sugerida podría ser
supuesta para conseguir una región lo más lejos posible
del local óptimo después de tunneling. De esta
perspectiva, el método de ponderación tendría que seri
propuesto de modo que cada wk
Es proporcional a k xi k — xk k, como
kx k — xk k
wik D kx k — xk k C kxi k — xk k C · · · C kx k
— xk k
1 2 n
(31)
FiG. 13 Influencia de k x k — xk k en distfT k ; ˝ k g. Este método de ponderación es el propuesto HTWSC-6.

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
de vista diferente. De hecho,
i kx k — xk k asoma la
tendencia del cerro-shaped función objetiva a lo largo
de la dirección
.x ik — xk /. El más grandei kx k — xk k es, el más
suave las laderas “de cerro” objetivas, y el más
despacio las disminuciones de valor objetivas. i En esta sección, enfoca en los experimentos numéricos
HTWSC-4 conjuntos i cada wk inversely
proporcionales a k x k — xk k, el cual en práctica hace
el obtenido
i tunneling dirección deflect a dónde kx k —
xk k es relativamente pequeño. Por tanto, este
método puede acelerar el proceso de decrecimiento de
valor objetivo y finalmente mejorar la eficacia
algorítmica.
5.5 HTWSC-5
HTWSC-3 y HTWSC-4 es ambos simplificaron
aproximaciones de HTWSC-2, y está propuesto a
dearrugar la carga de computación. Aun así, el
factor †ik en HTWSC-3 y el factor kx k —i xk k es
coupled factores que unf fect distfT ik ; ˝k g together,
más que tocar una parte por separado.
Considerando que la carga de computación de
cualquier.
actuaciones para ser comparado. La comparación será
llevada fuera a través de experimentos numéricos en la
sección próxima, y el mejor uno será escogido como el
método de ponderación final para el HTWSC algoritmo.
6 Numéricoal Resultados
y el análisis de resultados. Primero, probamos
HTWSC-1 a HTWSC-6 con aleatoriamente ejemplos
numéricos generados, y escoger el mejor como los
métodos de ponderación para el HTWSC algoritmo.
Entonces, el performance de HTWSC está comparado
al HD algoritmo y CPLEX para el equivalente MIP.
Las computaciones están dirigidas en una máquina de
Windows con Núcleo i3 3.30 GHz procesador y 8 GB
de RAM. HTWSC Y HD está implementado con
Matlab 2010un, mientras MIP con CPLEX 12.4.
6.1 objetos de Prueba
El conjunto de prueba P consta de aleatoriamente
generado CPWL problemas en la forma siguiente:
M
X
i ij
1

†ik O k x ki — xk k es bastante ligero, intentamos para

integrar HTWSC-3 y HTWSC-4. Uno de las maneras
de integrar.

Es para mezclar los pesos en ambos métodos con min ˇ max fUn T x C bij g
™j ™Ni
(32)
iguales

Proporción, los cuales pueden ser tomados tan i D1

HTWSC-5. Esto Dónde ˇi 2 f1; —1g, y un ij 2 RN , bij 2 R, 8i; j ,
El método está expresado como
 0 1
Zhiming Xu et al.: Method of Hill Tunneling via Weighted SimplexMientras ™NiContinuous
Centroid for L con parámetro L denotando
Piecewise Linear el 319
Programming
1
superior
1 i k Atado de cada Ni . Entonces la medida de problema
1 (30) evidentemente
k B †ik kx k —x k
w D B C C depends on parameters L, M , and N .
C
i n n

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

5.6 HTWSC-6 Generalidad, dejamos L Uniformemente. Como a

D 3 M.

Y N , varios problemas prácticos requieren varios

A pesar de las perspectivas que el encima métodos de parámetros de dimensión, N , y diferentes basis números
ponderación están propuestos de, hay todavía un de función, M , satisface requisitos de exactitud de
diferentes un. Dado que el propósito de cerro tunneling aproximación diferentes. Tomando estos a cuenta,
es para ir en. pusimos el M
 320 Tsinghua Science and Technology, June 2019, 24(3): 301–316
81 ™ j ™ Ni ; 1 ™ i ™ M;
Gama como f 10; 30; 50; 80; 100; 120; 150; 180; 200g, Ni
y X
y .i; j / D Ni — 1;
El N gama como f 3; 5; 8; 10; 30; 50; 80; g100 . j D1
Además, denotamos un grupo de mismo-sized
81 ™ i ™ M;
problemas de prueba como PDn;m, con DN n y M m.
Entonces el conjunto de prueba P puede ser expresado y .i; j / 2 f0; 1g ;
S
como la unión disjunta de subconjuntos
D Pn;m, aquello 81 ™ j ™ Ni ; 1 ™ i ™ M (33)
significa P Pn;m. Aquí x, y, y todo el y .i; j / Es variables de decisión,
Para comodidad, todos los problemas de prueba están y U es un positivo escalar aquello es bastante
restringidos a el mismo ámbito factible Œ0; 1]N , y 20 grande. En este tiempo, CPLEX puede ser aplicado
problemas de prueba para cada Pn;m está generado. Los para asomar la actuación de solver MIP.
parámetros en cada problema de prueba están generados
Durante nuestros experimentos numéricos, el límite
con los pasos siguientes:
atado superior en CPU el tiempo en cada prueba es T D
(1) ˇi Toma valor de 1;f — g posibilidad igual;
1 con
500 s.
(2) Ni Toma valor de 1; f 2; 3 g con
6.3 perfiles de Actuación
posibilidad igual;
(3) Generar cada componente de vector unij con
Uniforme distribution encima Œ—1; 1];
U

(4) Cifra fuera de el superior atado bij y el

L
más bajo atado ijb de escalar bij , los cuales Dado el conjunto de problema P y un solver conjunto
aseguran S , uno puede evaluar la actuación de un solver s 2 S
Aquello hyperplane ij un T x C bij D 0 cruza con en P de dos aspectos: el tiempo de operación y el
Œ0; 1] , entonces seleccionar bij con
N optimal valores. El más corto runtimes y el más optimal
ij uniforme en Œb ; b ].
distribución L U valores, el más excelentes la actuación algorítmica. Para
ij
asegurar la consistencia de las evaluaciones sobre
6.2 esquema Experimental
problemas en balanza diferente, presentamos los
Brevemente hablando, las actuaciones de HTWSC-1 perfiles de actuación siguientes referencing en Ref.
a HTWSC-6 encima probar puesto P está estudiado [23]. Cuándo analizando los resultados de s 2 S en p 2
en la primera fase. Entonces, los métodos de P , los perfiles de actuación, Proporción de Actuación
ponderación mejores están seleccionados para (PR) y Proporción Superior (SR), está definido como
aplicación en el HTWSC el algoritmo utilizado en
experimentos subsiguientes. Estos están probados

Con aleatoriamente generado numérico examples, a Ep;s (34)

PR D
través de
p;s
Qué las eficacias de solvers HTWSC, HD, y MIP está minfEp;s× W s× 2 Sg
analizado comprehensively. Y

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

yi ™ Un En la primera fase de experimentos, el solver conjunto

ij T x C bij ;
81 ™ j ™ Ni ; 1 ™ i ™ M; S está designado como S D fHTWSC-iW i D 1; 2; :
: : ; 6g, y
Los resultados están ilustrados de dos aspectos de
Unij T x Cij b i ™ y C Uy solucionar
.i; j / ;
efficiency and optimizing capacity.
 322 Tsinghua Science and Technology, June 2019, 24(3): 301–316

6.4.1 Solucionando eficacia

El mediano corriendo tiempo t s está calculado en cada
subconjunto Pn;m, para asomar la eficacia de
solucionar de solver s 2 S en solucionar problemas
con la misma escala de N D n y M D m.
Como asomado en Higos. 14 y 15, HTWSC-1,
HTWSC-3, y HTWSC-4 acción un similar
solucionando eficacia, el cual es superior a aquellos de
otros métodos de ponderación.
Higo. 17 proporción Superior de HTWSC-1 a HTWSC-6 con
6.4.2 Optimizando capacidad más alto N (=50).
Para estudiar el optimizando capacity de solver s 2 S,
SRs preocupándose sobre el optimal el valor está
calculado en cada Pn;m. Más allá, N D 5, N D 50, M
D 50, y M D 150 está tomado para representar
cuatro situaciones típicas de más bajos N , más altos
N , más bajos M , y más altos M , para demostrar los
resultados.
Como asomado en Higos. 16–19, HTWSC-1,
HTWSC-3, y
Higo. 18 proporción Superior de HTWSC-1 a HTWSC-6 con
más bajo M (=50).

Higo. 14 Solucionando eficacia de HTWSC-1 a HTWSC-6

con varios M; N=5.
Higo. 19 proporción Superior de HTWSC-1 a HTWSC-6 con
más alto M (=150).

HTWSC-4 posee superioridad obvia que el otros.

Higo. 15 Solucionando eficacia de HTWSC-1 a HTWSC-6
con varios N; M=50.
Higo. 16 proporción Superior de HTWSC-1 a HTWSC-6 con
más bajo N (=5).
Además, HTWSC-4 consigue el mejor SR en todo el
cuatro típico situations exceptúa que de M D 50.
6.4.3 Resumen
Los resultados numéricos asoman que HTWSC-1,
HTWSC- 3, y HTWSC-4 tiene la actuación mejor entre
todos los métodos de ponderación. Comparten un
similares solucionando eficacia, mientras que HTWSC-
4 espectáculos el mejores optimizando capacidad en
tres de las cuatro situaciones típicas. Por tanto,
HTWSC-4 está seleccionado a aplicado en el HTWSC
algoritmo en experimentos subsiguientes.
6.5 Comparación de actuación entre HTWSC, HD,
y MIP
En esta fase, el tanlver conjunto S está designado como
S D fHTWSC; HD; MIPg, donde el solver HTWSC
refiere
 Zhiming Xu et al.: Method of Hill Tunneling via Weighted Simplex Centroid for Continuous Piecewise Linear Programming 323

A HTWSC-4 según la fase anterior.

6.5.1 Solucionando eficacia
Está observado que todos los tres algoritmos comparten
un similares solving eficacia cuándo la escala de
problema es relativamente pequeña.
En Higos. 20 y 21, el tiempo de correr con MIP
tiene un aumento sustancial, como los aumentos de
escala del problema. Esto es porque la rama y el método
atado utilizado en CPLEX para MIP es un exhaustivo Higo. 22 proporción Superior de cada algoritmo con más bajo
cumplidohod, y la complejidad es de el mismo orden N (=5).
como el combinatorial número. Por contraste, corriendo
tiempo con HD y HTWSC aumento despacio, y que con
HTWSC es siempre el relativamente más pequeño un.
6.5.2 Optimizando capacidad
Aquí todavía calculamos el optimizando SR en las
cuatro situaciones de más bajos N , más altos N , más
bajos M , y más altos M , para estudiar las capacidades
de optimizar..
Como asomado en Higos. 22–25, el HTWSC el
algoritmo consigue 100% SR en todas las cuatro Higo. 23 proporción Superior de cada algoritmo con más
situaciones de más bajos N , más altos N , más bajos M alto N
, y más altos M , respectivamente. Especialmente (=50).
cuándo la escala de problema no es demasiado grande
para el MIP algoritmo para proporcionar el cierto global
optimum, el global optimality del HTWSC la solución
puede ser fácilmente verificó. Así, el HTWSC el
algoritmo posee el mejor optimizando capacidad.
6.5.3 Comparación más lejana en típico Pm;n
Para tomar un cariz más cercano en las diferencias
entre

Higo. 24 proporción Superior de cada algoritmo con más bajo

M (=50).

Higo. 20 Solucionando eficacia de cada algoritmo con

varios.
M, N=5.
Higo. 25 proporción Superior de cada algoritmo con más
alto M
(=150).

El optimal actuación de los tres algoritmos, algunos las

comparaciones más lejanas están llevadas fuera en
varios típicos Pm;n, por calcular el optimizando GSR.ı/.
Como puede ser observado de Higos. 26–29,
cuándo M es relativamente pequeño, las diferencias
entre el optimal los valores de los tres algoritmos son
Higo. 21 Solucionando eficacia de cada algoritmo con varios
N, M=50.
uniformemente menos de.
 324 Tsinghua Science and Technology, June 2019, 24(3): 301–316

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
significa que la diferencia del optimal la actuación no es
obvia en este caso.
Cifras 30–33 espectáculo que cuándo M es
relativamente grande, las diferencias del optimal la
actuación expande.
Con un más bajo N , HD actúa relativamente pobre, y
su optimal valores encima algunos problemas de prueba
son encima 10% peores que aquellos de HTWSC (ve
Higo. 30) e incluso supera 50% (Higo. 31).
Conversaly con un más alto N , MIP actúa
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

[1]L. Breiman, Hinging hyperplanes para regresión,

classification y aproximación de
función, Transacciones de IEEE encima Teoría de
Información, vol. 39, núm. 3, pp. 999–1013, 1993.
[2]G. Dantzig, S. Johnson, W. Blanco, y M. Ciencia, Un
Aproximación de programación lineal al problema de
 1958.
[3]S.
326Zionts, Lineal y Programación de Entero. Prentice Tsinghua Science and Technology, June 2019, 24(3): 301–316
Sala, 1974.
[4]G. B. Dantzig, Prórrogas y Programación Lineales.
Princeton Prensa universitaria, 1963.
[5]Un. Charnes Y W. W. Cooper, modelos de Gestión
y aplicaciones industriales de programación lineal,
Ciencia de Gestión, vol. 4, núm. 1, pp. 38–91, 1957.
[6]Un. Charnes Y C. E. Lemke, Minimización de nonlinear
separable Convexo functionals, Logística de Búsqueda
Naval Trimestral, vol. 1, núm. 4, pp. 301–312, 1954.
[7]H. M. Wagner, Principios de búsqueda de
operaciones,
La búsqueda operacional Trimestral, vol. 21, núm. 4,
1970. [8]G. B. Dantzig, avances Recientes en
programación lineal,
Ciencia de gestión, vol. 2, núm. 2, pp. 131–144, 1956.
[9]J. K. Ho, Relaciones entre Formulaciones Lineales de
Separable Convexo Piecewise Programas Lineales.
Salmer, pp. 126–140, 1985.
[10]R. Fourer, Un simplex algoritmo para piecewise-lineal
Programación I: Derivation y prueba, Programación
Matemática, vol. 33, núm. 2, pp. 204–233, 1985.
[11]R. Fourer, Un simplex algoritmo para piecewise-lineal
Programación II: Finiteness, viabilidad y degeneracy,.
Programación matemática, vol. 41, nos. 1–3, pp. 281–
315, 1988.
[12]R. Fourer, Un simplex algoritmo para piecewise-
programación lineal III: aplicaciones y análisis
Computacionales, Programación Matemática, vol. 53,
nos. 1–3, pp. 213–235, 1992.
[13]Un. B. Keha, I. R. de Farias, y G. L. Nemhauser,
Una rama-y-algoritmo cortado con fuerade variables
binarias para nonconvex piecewise optimización lineal,
Búsqueda de Operaciones, vol. 54, núm. 5, pp. 847–858,
2006.
[14]B. Gendron, K. L. Croxton, y T. L. Magnanti, Un
Comparación de mixto-el entero que programa modelos
para nonconvex piecewise problemas de minimización de
coste lineales, Ciencia de Gestión, vol. 49, núm. 9, pp.
1268–1273, 2003.
[15]J. P. Vielma, S. Ahmed, y G. Nemhauser, Mixto-entero
Modelos para nonseparable piecewise optimización
lineal: Unificando marco y prórrogas, Búsqueda de
Operaciones, vol. 58, núm. 2, pp. 303–315, 2010.
[16]Un. B. Keha, J. Un. G. L. Ismael, y R. De Farias,
Modelos para representar piecewise funciones de coste
lineal,
Letras de Búsqueda de las operaciones, vol. 32, núm. 1,
pp. 44–48,
2004.
[17]X. Xi, J. Xu, X. Mu, y S. Wang, Continuo piecewise
programación lineal vía optimización cóncava y
algoritmo genético, en Proc. Decisión y Control (CDC),
2012 IEEE 51.ª Conferencia Anual encima, Osaka,
Japón, 2012, pp. 2509–2514.
[18]X. Huang, J. Xu, X. Mu, y S. Wang, El cerro detouring
Método para minimizar hinging hyperplanes funciones,
Búsqueda & de Operaciones de los Ordenadores, vol. 39,
núm. 7, pp. 1763–1770, 2012.
[19]X. Huang, J. Xu, y S. Wang, pena Exacta
Y optimality afección para nonseparable continuo
piecewise programación lineal, Revista de Teoría de
Optimización y Aplicaciones, vol. 155, núm. 1, pp. 145–
164,
2012.
 Zhiming Xu et al.: Method of Hill Tunneling via Weighted Simplex Centroid for Continuous Piecewise Linear Programming 327
[20]S. Wang Y X. Sol, Generalización de hinging hyperplanes,
Transacciones de IEEE encima Teoría de Información,
vol. 51, núm. 12, pp. 4425–4431, 2005.
[21]R. Horst Y H. Tuy, Optimización Global:
Aproximaciones Deterministas. Ciencia de salmer &
Medios de comunicación Empresariales, 1996.
[22]Un. M. Bagirov, L. Jin, N. Karmitsa, Un. Al Nuaimat,
Zhiming Xu Recibió el BS grado en
2006 y SEÑORA grado en 2009 de
Universidad Nacional de Tecnología de
Defensa en China. Es actualmente un
PhD candidato en Departamento de
Automatización, Tsinghua Universidad,
Beijing, China. Es al mismo tiempo un
lecturer en Universidad de Ingeniería de
Fuerza de Aire, Xi'un,
China. Ha participado en varios proyectos de búsqueda
concedieron de MÁS y NSFC. Sus áreas de búsqueda activas
incluyen nonlinear optimización, ingeniería de sistema, y redes
ad hoc móviles.
Kuangyu Liu received El BS grado de
Huazhong Universidad de Ciencia y
Tecnología, China, en 2008, y la
SEÑORA grado en ingeniería de sistema
de Huazhong Universidad de Ciencia y
Tecnología, China, en 2012. Es
actualmente un PhD candidato en el
Department de Automatización, Tsinghua
Universitario, China. Sus intereses de búsqueda incluyen
comprimidos notando y piecewise programación lineal.
Y N. Sultanova, Subgradient método para nonconvex
nonsmooth optimización, Revista de Teoría de
Optimización y Aplicaciones, vol. 157, núm. 2, pp. 416–
435, 2013.
[23]E. D. Dolan Y J. J. Más, Benchmarking optimización
Software con perfiles de actuación, Programación
Matemática, Serie B, vol. 91, núm. 2, pp. 201–213, 2002.
Shuning Wang Recibió el BS grado de
Hunan Universidad, Porcelana en 1982, la
SEÑORA y el PhD grados tanto en motor
de sistemaering de Huazhong Universidad
de Ciencia y Tecnología, Porcelana en
1984 y 1998, respectivamente. Sea un
asociar profesor de 1992 a 1993 y un
profesor lleno de 1994 a 1995, en el
Instituto de Ingeniería de Sistemas, Huazhong Universidad de
Ciencia y Tecnología. Desde entonces 1996, ha sido un profesor
lleno en Departamento de Automatización, Tsinghua
Universidad, China. Sus intereses de búsqueda actuales son
principalmente en métodos prácticos en desarrollo para nonlinear
identificación de sistema, control, y optimización vía piecewise-
aproximación lineal.
Yu Bai Recibió el BS grado en 2013 de
Beihang Universidad en China. Es
actualmente un PhD candidato de
Departamento de Automatización,
Tsinghua Universidad, Beijing, China. Su
foco de intereses de búsqueda importante
en continuo piecewise aplicación y
optimización lineales.