求解机会约束规划的回溯算法研究.pdfVIP

第四届中国不确定系统年会论文集 桂林，2006年8月18—22日，第161-166页 求解机会约束规划的回溯算法 麻倩倩马新顺石彤菊 华北电力大学数理学院，河北省保定市071003 擒要机会约束规划是一类重要的随机规划，在实际中有着广泛的应用。本文研究了一类机会 约束随机规划的近似求解问题，给出了基于蒙特卡罗随机模拟的回溯求解算法，该方法通过在 迭代过程中逐步增加抽样次数和精确求解确定性数学规划，最终得到机会约束规划的最优解。 文中讨论了最优解的计算方法及算法迭代终止条件。最后，通过一个算例验证了该方法的有效 性。 关键词机会约束随机规划，蒙特卡罗模拟，回溯优化法，样本路径方法 1引言 考虑如下的机会约束随机规划问题(cP)o I E[f(x xam_】)善， 、 。Is．t．Pr{g，(工，孝)≤0，J=1，2，…，P}≥口 c 式中：X∈X R4为d维决策变量，孝为n维连续型随机向量，其联合分布函数为F(孝)； Pr表示概率测度，口(0≤口≤1)为机会约束的置信水平；E为关于善期望算子，即 f(x，孝)c坍(善) o)EEf(x，孝)】=f。2( 当xE 凸，且概率测度Pr为伪凹函数时，则机会约束规划(CP)为凸规划o，这仅是理论上的一 个结果。 机会约束规划(CP)为一类重要的随机规划，已经得到广泛应用。实际中，由于随机 向量f高维特征使得不可能直接由式(2)计算数学期望值，且机会约束条件 (MonteCarlo)随机模拟的近似求解方法，其基本思想是将问题转化为样本确定性数学规 划问题，其中需要通过随机模拟技术检验机会约束条件是否满足。在这种方法中，如何选 择样本的容量至关求解的准确性。理论上，为了求出机会约束规划的最优解，样本容量的 选择应由善的分布规律F(善)决定，但没有一般的确定方法。若选择的容量太小，则由于 麻倩倩马新顺石彤菊 约束及目标变异太大产生误导搜索方向而找不到最优解，而太大的容量又导致计算时间过 长而不可行，实际中往往由人为主观或经大量试验确定，具有很大的盲目性。为了解决这 一问题本文提出一种基于样本路径的回溯逼近(Retrospective 求解法，其本质是在求解过程中动态选择样本容量以满足所需的精度要求。 回溯逼近的概念最早由文献0提出，并在该文给出了一个概念性的方法框架，文献 0在研究分位数计算问题时给出了一个求解随机方程的回溯逼近算法(烈)，文献0研究 了基于独立和不完全独立随机抽样的求解随机方程根的两种回溯逼近算法，结果表明它们 都能以概率1收敛到方程的根，文献0综述了回溯法的发展并给出一类回溯优化方法框架。 在此基础上，本文进一步发展了这种方法并应用到求解机会约束规划(cP)问题，构造了 求解该问题的样本路径回溯逼近算法，并通过算例验证了该方法的有效性。 2回溯逼近求解法 为研究(CP)的嵌入随机模拟的回溯逼近算法，构造一个新的函数h(x，告)如下： 揪④-{艺1’裂五彩如√。1’2’…∥ 则有 E[h(x，善)】_上。矗(z，孝)卯(孝) =(口-1)pr{g，(工，舌)≤0，J=1,2，…，P} +口(1一pr{g，(z，善)≤0，J=1,2，…，p}) =06--pr{g，(x，孝)≤0，J=1,2，…，P)