使用图采样与粗化求解大规模供应链模型
最优化与控制
2021-11-03 v1
摘要
我们提出了一种图采样与粗化方案(gSC),用于计算大规模供应链模型的上下界。使用边采样方案构建低复杂度问题,以求得原模型的近似(但可行)解并计算下界(针对最大化问题)。该方案在思想上类似于广泛用于随机规划求解的所谓样本平均近似方案。图粗化(聚合)方案用于计算上界并估计近似解的最优性间隙。粗化方案使用节点采样选取一小组支撑节点以引导节点/边聚合,并证明粗化模型给出了原模型的松弛及有效上界。我们提供的数值证据表明,gSC相比最先进求解器在求解时间与内存占用上均有显著改进。具体地,我们研究了一个包含超过3800万变量的供应链设计模型(混合整数线性规划),并展示gSC在不到22分钟内找到了最优性间隙<0.5%的解。
引用
@article{arxiv.2111.01249,
title = {Solution of Large-Scale Supply Chain Models using Graph Sampling & Coarsening},
author = {Jiaze Ma and Victor M. Zavala},
journal= {arXiv preprint arXiv:2111.01249},
year = {2021}
}
备注
23 pages, 12 figures