鲁棒优化入门(4)-两阶段鲁棒优化及行列生成算法(C&CG)超详细讲解(附matlab代码)

这篇具有很好参考价值的文章主要介绍了鲁棒优化入门(4)-两阶段鲁棒优化及行列生成算法(C&CG)超详细讲解(附matlab代码)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

        本文的主要参考文献:
Zeng B , Zhao L . Solving Two-stage Robust Optimization Problems by A Constraint-and-Column Generation Method[J]. Operations Research Letters, 2013, 41(5):457-461.

1.两阶段鲁棒优化问题的引入

        鲁棒优化是应对数据不确定性的一种优化方法,但单阶段鲁棒优化过于保守。为了解决这一问题,引入了两阶段鲁棒优化(Two-stage Robust Optimization)以及更一般的多阶段鲁棒优化,其核心思想是将决策问题分为两个阶段。第一阶段是进行初步决策,第二阶段是根据第一阶段的决策结果制定更好的决策策略,应对数据不确定性的影响。这种方法可以降低保守性,提高鲁棒性。

        假设一阶段和二阶段决策问题都是线性规划,并且不确定性集合U是一个有限的离散集合或者多面体集。使用y表示第一阶段决策变量,x表示第二阶段决策变量,表示不确定矢量。在此假设下的两阶段鲁棒优化的一般形式为:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

其中:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        向量c,b,d,h和矩阵A , G , E , M都是确定性的数值,不确定性体现在向量u上。注意到第二阶段优化的约束条件F(y,u)是关于不确定性u的线性函数。

        原文献中提供了以运输问题作为算例,具体如下:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

其中,yi为0-1变量,表示是否在i地建设仓库,zi表示仓库i储存的商品数量,xij表示从i仓库到j客户运送的商品数量,fi表示建设仓库i的固定成本,ai表示仓库i存储商品的单位成本,cij表示从i仓库到j客户运送单位商品的成本,ki表示仓库i的最大容量,dj表示客户j的需求。

        不确定变量为客户的需求,表达方式如下:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        具体算例参数:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        根据上面的公式,我们可以写出各个参数矩阵以及变量的表达式:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        用matlab代码表示:

%% 参数矩阵

f = [400; 414; 326];

a = [18; 25; 20];

k = 800;

C = [22, 33, 24;

     33, 23, 30;

     20, 25, 27];

d_ = [206; 274; 220];

d_wave = 40;

gamma = [1.8,1.2];

P = [1 1;1 1;1 0];



%% 决策变量

y = binvar(3,1);

z = sdpvar(3,1);

x = sdpvar(3,3,’full’);

d = sdpvar(3,1);

g = sdpvar(3,1);

        可以尝试求解一下这个确定性优化问题,和后面的两阶段鲁棒优化进行对比:

%% 目标函数

objective = f'*y + a'*z + sum(sum(C.*x));



%% 约束条件

Constraints = [];

Constraints = [Constraints , z >= 0 , x >= 0 , g >= 0 , g <= 1];

Constraints = [Constraints , z <= k*y];

Constraints=[Constraints , sum(x) <= z'];

Constraints=[Constraints ,sum(x,2) >= d];

Constraints=[Constraints ,d == d_ + g*d_wave];

Constraints=[Constraints ,g'*P <= gamma];



%% 设置求解器

ops=sdpsettings('verbose', 3, 'solver', 'gurobi');

sol=optimize(Constraints,objective,ops);

        优化结果为:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

         进一步把算例写成两阶段鲁棒优化的形式:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

         针对这个两阶段鲁棒优化问题,可以分别采用Benders对偶割平面法和C&CG算法进行求解。

2.Benders对偶割平面法

2.1基本原理

        Benders对偶割平面法可以用于解决两阶段鲁棒优化问题,首先将两阶段鲁棒优化问题分解为两部分:主问题(Master Problem,MP)和子问题(Subproblem,SP)。主问题包含第一阶段的决策变量y以及仅与y有关的约束和子问题返回的割,还包括辅助变量η,用于评估第二阶段目标函数的取值。子问题包含第二阶段的决策变量x和不确定变量u,旨在给出第二阶段目标函数值的一个界限值。针对式(1)中描述的两阶段鲁棒优化问题,其主问题MP可以写成:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        主问题是一个线性规划问题。子问题SP则为:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        而子问题是一个双层线性规划问题(如果不知道双层规划的概念,可以去看看我之前的几篇博客双层优化入门-CSDN博客),其中上层优化的决策变量是u,下层优化的决策变量是x,而且在下层优化中,变量y和u的值都是确定的,可以视为参数。

        对于双层优化形式的子问题的求解,主要有以下几种方式:

        1.通过对偶变换将双层优化问题转为单层优化问题,再进行求解,可以使用智能优化算法、等价线性化、二次规划求解器(例如gurobi)等方式进行求解;

        2.采用智能优化算法进行求解(可参考博客双层优化入门(3)—基于智能优化算法的求解方法);

        3.采用KKT条件进行求解(可参考博客双层优化基本原理与求解方法、基于yalmip的双层优化求解)。

        在这里我们使用KKT条件来求解子问题,可以将双层优化的子问题转换为下列单层优化的形式:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

(补充说明)

        上面给出的式子是经过化简的,并不是最初的KKT条件,因此有读者和我反映,看起来有点懵圈。我在此把详细的转换步骤写一下:

        首先由于子问题的内层优化问题是min形式,需要把约束条件都转为≥0的形式:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        根据这个优化问题的形式,可以写出子问题内层优化的拉格朗日函数: 

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        其中,π和θ都是拉格朗日乘子。根据拉格朗日函数进一步写出KKT条件: 

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        这就是初始的KKT条件,接下来看一下文献中是如何对这组式子进行化简的。首先根据式(1)和(4)可以得到: 

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        然后,根据式(1)和(3)可以得到: 

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        这样化简之后,就得到了和原文中相同的形式。根据化简的结果,大家应该能知道化简的目的:消去变量θ,减少优化问题中变量的数目。实际上几乎所有的KKT条件都可以这样进行处理,之后有机会再和大家讲讲,这里不再赘述。

        化简后的KKT条件也存在非线性形式,可以使用大M法引入二进制中间变量进行线性化,将其转换为混合整数规划的形式:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

         对于一般形式的两阶段鲁棒优化问题(如式(1)),Benders对偶切平面算法求解的流程如下:

        步骤1:设定目标函数上界UB=+∞, 下界LB=-∞,迭代次数k=0。

步骤2:求解主问题MP

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

 求出最优解(yk+1*,ηk+1*),并更新LB=max{LB,c T yk+1*+ηk+1*};

步骤3:求解子问题SP:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

         求出子问题的最优目标函数值Qk+1*以及最优解(uk+1*,xk+1*),并更新UB=min{UB,cT yk *+Q(yk*)}。

        步骤4:如果UB-LB ≤ ε(事先设定的运行偏差),则输出优化结果,并退出循环。否则令k=k+1,将约束两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现添加到主问题MP中并返回步骤2。

从上述步骤中可以看到,算法迭代的过程会不断向主问题添加约束条件两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现,也就是割平面,因此被称为Benders对偶割平面法。

2.2 算例分析

        采用文献中给出的运输问题作为算例,使用matlab+yalmip工具箱+gurobi求解器进行求解。

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

         为了求解这个两阶段鲁棒优化问题,我们首先需要把这个优化问题分解成主问题和子问题。而且为了方便理解,重写成符合标准两阶段鲁棒优化问题的形式,其中重写后的优化问题部分变量或系数矩阵和原优化问题中重复,我都加了上标一撇(‘)以示区别,具体步骤如下:

主问题MP_BD

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

子问题SP_BD

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        步骤1:设定目标函数上界UB=+∞, 下界LB=-∞,迭代次数k=0。

        步骤2:求解主问题MP_BD,得到最优解(,),并更新LB=max{LB,};

        步骤3:求解子问题SP_BD,得到子问题的最优目标函数值Qk*以及最优解(uk*,xk*),并更新UB=min{UB,两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现}。

        步骤4:如果UB-LB ≤ ε(事先设定的允许偏差),则输出优化结果,并退出循环。否则令k=k+1,将约束两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现添加到主问题MP中并返回步骤2。

        采用matlab编程进行求解,结果如下:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

          与确定性优化的结果对比如下:

变量

确定性优化

两阶段鲁棒优化

最优目标函数值

30566

33680

y

[1 1 0]

[1 0 1]

z

[426 274 0]

[255.2 0 516.8]

x

g

[0 0 0]

[0 1 0.8]

d

[206 274 220]

[206 314 252]

3.列与约束生成算法(C&CG)

3.1 基本原理

        Benders对偶割平面法通过将两阶段鲁棒优化分解为主问题和子问题,不断交替求解,并将子问题的求解结果作为主问题增加的约束条件,以此达到迭代收敛的目的。C&CG算法和Benders对偶割平面法原理有一些相似,但也存在明显的差异,其基本原理如下:

        在C&CG算法的求解过程中,主问题中首先将不考虑不确定变量的影响,作为一个确定性优化进行求解。但不确定变量的最恶劣场景肯定会对主问题的决策产生影响,所以C&CG算法的本质思想就是在确定性优化求解的基础上,不断添加相对恶劣的场景以及对应的子问题决策变量和约束条件,从而使目标函数上界和下界不断得到改进,直到算法收敛,这种思想也被称为“追索权(recourse)”决策:在主问题不考虑不确定性的基础上,不断根据子问题决策带来的不确定性进行修正决策,来保证最终解的鲁棒性。

        根据C&CG算法的基本原理,我们可以想到,如果不确定集是一个离散的有限集,那么也可以通过枚举法来求解两阶段鲁棒优化问题。但实际情况肯定不会这么简单,还是需要通过C&CG算法交替迭代求解,具体步骤如下:

主问题MP_CCG

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

其中,xl是第l次迭代添加的决策变量,两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现是第l次迭代子问题的最恶劣场景,因为第l次迭代时子问题中已经求解了两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现的值,所以在主问题中就可以看作已知的参数。

子问题SP_CCG

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

         步骤1:设定目标函数上界UB=+∞, 下界LB=-∞,迭代次数k=0。

        步骤2:求解主问题MP_CCG,得到最优解两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现,并更新LB=max{LB,两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现};

        步骤3:求解子问题SP_CCG,得到子问题的最优目标函数值Qk*以及最优解(uk*,xk*),并更新UB=min{UB,两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现}。

        步骤4:如果UB-LB ≤ ε(事先设定的允许偏差),则输出优化结果,并退出循环。否则转到步骤5.

        步骤5:判断子问题是否存在最优解。

        若Q(yk+1*)<+∞,即子问题存在最优解,则创建变量xk+1并给主问题MP_CCG添加以下约束:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

其中uk+1*是第k次迭代时子问题求解出来的最恶劣场景。

随后更新k= k+1,并转到步骤2。

        若Q(yk+1*)=+∞,即子问题不存在最优解,则创建变量xk+1并给主问题MP_CCG添加以下约束:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

 随后更新k= k+1,并转到步骤2。

        从C&CG算法的步骤可以看到,在迭代的过程中在不断地向主问题添加决策变量以及约束条件,也就是优化问题的行和列都在增加,因此才被称为column-and-constraint generation (C&CG) 算法。

        原文献中解释了C&CG算法和Benders对偶割平面算法的区别,具体如下:

(1) 在主问题中,C&CG算法通过在每次迭代中引入一组新变量来增加解空间的维数,而Benders对偶割平面算法则使用相同的变量集合。

(2) 在处理可行性问题方面,C&CG算法提供了一种通用的方法,而Benders对偶割平面算法是针对特定问题的。

(3) 在计算复杂度方面,与Benders对偶割平面算法相比,C&CG算法在求解主问题时使用更多变量和约束条件。然而,若第二阶段的决策问题为LP问题,根据原文中的命题1和2,Benders对偶割平面算法的复杂度为O(pq),C&CG算法的复杂度将为O(p)(p是不确定集U的极值点数,q为满足GTπ≤b和π≥0的集合{π}中的极值点数量,具体见原文献中的描述)。因此C&CG算法的收敛速度要更快。

(4) 在求解问题的能力方面,Benders-dual对偶割平面算法需要将第二阶段的问题转换为线性规划问题,而C&CG算法不关心第二阶段的变量类型。如果第二阶段是混合整数规划,可以采用嵌套C&CG算法进行求解。

3.2 算例分析

        同样采用文献中给出的运输问题作为算例,使用matlab+yalmip工具箱+gurobi求解器进行求解。

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        和Benders-dual对偶割平面算法一样,我们首先需要把这个优化问题分解成主问题和子问题,并将优化问题重写成符合标准两阶段鲁棒优化问题的形式,具体步骤如下:

主问题MP_CCG

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

子问题SP_BD

 两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

        步骤1:设定目标函数上界UB=+∞, 下界LB=-∞,迭代次数k=0。

        步骤2:求解主问题MP_CCG,得到最优解两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现,并更新LB=max{LB,两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现};

        步骤3:求解子问题SP_CCG,得到子问题的最优目标函数值Qk*以及最优解(uk*,xk*),并更新UB=min{UB,两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现}。

        步骤4:如果UB-LB ≤ ε(事先设定的允许偏差),则输出优化结果,并退出循环。否则转到步骤5.

        步骤5:判断子问题是否存在最优解。

        若Q(yk+1*)<+∞,即子问题存在最优解,则创建变量xk+1并给主问题MP_CCG添加以下约束:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

 其中uk+1*是第k次迭代时子问题求解出来的最恶劣场景。随后更新k= k+1,并转到步骤2。

        若Q(yk+1*)=+∞,即子问题不存在最优解,则创建变量xk+1并给主问题MP_CCG添加以下约束:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

随后更新k= k+1,并转到步骤2。

运行结果如下,和Benders对偶割平面方法一样,但收敛速度更快:

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

两阶段鲁棒优化,论文复现,鲁棒优化入门,两阶段鲁棒优化,列与约束生成,matlab,CCG,文章复现

 4.完整代码获取链接

        想获取完整代码,可以戳下面这个链接:

两阶段鲁棒优化以及列与约束生成算法(C&CG)的matlab代码文章来源地址https://www.toymoban.com/news/detail-519299.html

到了这里,关于鲁棒优化入门(4)-两阶段鲁棒优化及行列生成算法(C&CG)超详细讲解(附matlab代码)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 微电网两阶段鲁棒优化经济调度方法(Python代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Python代码实现 上一次用

    2023年04月18日
    浏览(44)
  • 鲁棒优化入门(5)—Matlab+Yalmip求解鲁棒优化编程实战

            之前的博客:鲁棒优化入门(二)——基于matlab+yalmip求解鲁棒优化问题         去年发布了使用Yalmip工具箱求解鲁棒优化问题的博客之后,陆陆续续有朋友问我相关的问题,有人形容从学习这篇博客到求解论文中的鲁棒优化问题,就好像刚学会求导公式,就要

    2024年02月08日
    浏览(51)
  • 分布式鲁棒优化基础知识学习 | Ref:《鲁棒优化入门》「运筹OR帷幄」

    鲁棒:考虑最坏情况; 分布:最坏情况的主体是环境参数的分布变量。 从数学角度说,分布式鲁棒优化囊括随机规划和传统鲁棒优化两种形式。 当分布式鲁棒优化下,环境变量的分布函数获知时,分布鲁棒优化退化为随机优化;仅知其不确定集时,退化为经典鲁棒优化。

    2024年02月08日
    浏览(46)
  • 【算法题】动态规划中级阶段之最长回文子串、括号生成、跳跃游戏

    动态规划(Dynamic Programming,简称 DP)是一种解决多阶段决策过程最优化问题的方法。它是一种将复杂问题分解成重叠子问题的策略,通过维护每个子问题的最优解来推导出问题的最优解。 动态规划的主要思想是利用已求解的子问题的最优解来推导出更大问题的最优解,从而

    2024年02月12日
    浏览(43)
  • 【鲁棒优化】微电网鲁棒优化定价方案研究(Matlab代码实现)

    💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码、数据、文章

    2024年02月12日
    浏览(76)
  • 【机会约束、鲁棒优化】机会约束和鲁棒优化研究优化【ccDCOPF】研究(Matlab代码实现)

      💥💥💞💞 欢迎来到本博客 ❤️❤️💥💥 🏆博主优势: 🌞🌞🌞 博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。 ⛳️ 座右铭: 行百里者,半于九十。 📋📋📋 本文目录如下: 🎁🎁🎁 目录 💥1 概述 📚2 运行结果 🎉3 参考文献 🌈4 Matlab代码实现 ​ 随

    2024年02月06日
    浏览(44)
  • 优化|鲁棒优化基础

     作者:苏向阳 本文讲解了鲁棒优化的基础内容,内容主要分为3个部分:1.不确定性最优化。2.不确定集。3.对等式转换理论。在末尾附上了一个简单的算例及代码便于读者理解。该文也是【运筹OR帷幄】鲁棒优化电子书系列的文章内容之一。 1.1 不确定优化方法 实际生活中很

    2024年02月05日
    浏览(37)
  • 3d max省时插件CG MAGIC功能中的材质参数可一键优化!

    渲染的最终结果就是为了让渲染效果更加真实的体现。 对于一些操作上,可能还是费些时间,VRay可以说是在给材质做加法的路上越走越远,透明度、凹凸、反射等等参数细节越做越多。 对于材质参数调节的重要性大家都心里有数的。 VRay材质系统的每一次加法和更加精细的

    2024年02月12日
    浏览(34)
  • OR青年 | 分布鲁棒优化研究报告

    作者信息: 胡海涛,东北财经大学,管理科学与工程学院,管理科学与工程在读博士 本文系『OR青年计划』成果,是胡同学在孙秋壮老师指导下完成。由『运筹OR帷幄』社区主办的『OR青年计划』,旨在帮助对运筹学应用有理想和追求的同学,近距离与学界、业界导师交流课

    2024年02月14日
    浏览(43)
  • 智能优化算法应用:基于材料生成算法3D无线传感器网络(WSN)覆盖优化 - 附代码

    摘要:本文主要介绍如何用材料生成算法进行3D无线传感器网(WSN)覆盖优化。 本文主要基于0/1模型,进行寻优。在二维平面上传感器节点的感知范围是一个以节点为圆心,半径为 R n R_n R n ​ 的圆形区域,该圆形区域通常被称为该节点的“感知圆盘”, R n R_n R n ​ 称为传感器

    2024年02月03日
    浏览(54)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包