原对偶列生成方法(PDCGM)是一种通用的列生成技术,它依赖于原对偶内点方法来解决受限主问题。使用此内点方法变量可以获得次优且中心良好的对偶解,从而自然稳定柱生成。如文献中最近所述,与依赖于极端最优对偶解决方案的标准列生成相比,通常可以观察到对oracle的调用次数和CPU时间的减少。然而,这些结果是基于从组合应用的线性松弛中获得的相对较小的问题。在本文中,我们在更广泛的背景下,即在求解大规模凸优化问题时,研究PDCGM的行为。我们选择了出现在重要现实环境中的应用程序,如数据分析(多核学习问题)、不确定性决策(两阶段随机规划问题)和电信和运输网络(多商品网络流问题)。在数值实验中,我们使用公开的基准实例将PDCGM的性能与文献中不同方法的最新结果进行比较,这些方法是迄今为止最佳的可用结果。对这些结果的分析表明,PDCGM提供了比专用方法更具吸引力的替代方法,因为它在迭代次数和CPU时间方面仍然具有竞争力,即使对于大规模优化问题也是如此。
原始语言 | 英语 |
---|
页面(从至) | 47-82 |
---|
日记账 | 数学规划计算 |
---|
体积 | 8 |
---|
发行编号 | 1 |
---|
早期在线日期 | 2015年9月3日 |
---|
内政部 | |
---|
出版物状态 | 已发布-2016年3月 |
---|