分支定界算法详解

求解整数规划问题的利器，通过“分支-定界-剪枝”高效搜索最优解

一、算法核心思想

分支定界（Branch and Bound）是一种系统化的搜索算法，专门用于求解整数规划、组合优化等NP难问题。其核心思想可以概括为三步：

1. 分支：将原问题分解成若干子问题

2. 定界：计算每个子问题的上下界

3. 剪枝：通过比较界限，剪掉不可能包含最优解的子问题

这种方法将指数级的搜索空间大幅缩小，是运筹学中最经典的精确算法之一。

二、算法基本步骤

以一个简单的整数规划为例：

text

min  x1 + 2x2
s.t. x1 + x2 ≥ 3
     x1, x2 ∈ {0,1,2}

2.1 初始化

• 设置当前最优解 $x^* = \infty$

• 设置上界 $UB = \infty$（最小化问题）

2.2 根节点求解

求解线性松弛（去掉整数约束），得到：

• 松弛解：$(x_1, x_2) = (1.5, 1.5)$

• 目标值：4.5 → 这是下界 $LB = 4.5$

通过启发式找到一个整数可行解 $(2, 1)$，目标值4 → 更新上界 $UB = 4$

2.3 分支

选择变量 $x_1$ 进行分支：

• 子问题1：$x_1 \le 1$，松弛解得 $(1, 2)$，目标值5 → $LB = 5 \ge UB = 4$，剪枝

• 子问题2：$x_1 \ge 2$，松弛解得 $(2, 1)$，目标值4 → 整数解，更新 $UB = 4$，剪枝

2.4 算法结束

最优解为 $(2, 1)$，目标值4

三、最大化与最小化的界定义

理解上下界的定义是掌握分支定界的关键：

关系：$下界 \le 最优值 \le 上界$

四、核心策略详解

4.1 分支策略

① 最不可行分支

选择离整数最远的变量进行分支（分数部分最接近0.5）

python

# 计算分数部分
fraction = min(x - floor(x), ceil(x) - x)
# 选择fraction最大的变量

② 伪成本分支

维护每个变量向上/向下分支的历史改进信息，用于估计未来分支效果

• $\psi_j^+$：向上分支的单位改进

• $\psi_j^-$：向下分支的单位改进

③ 强分支

临时对候选变量进行分支并求解，选择改进最大的变量（精确但计算量大）

④ 可靠性分支（现代求解器默认）

• 信息不足时使用强分支

• 信息充足后使用伪成本估计

4.2 节点选择策略

4.3 定界方法

4.4 剪枝技巧

剪枝时机

• 节点生成后：边界检查、可行性检查

• 节点求解后：界比较、整数性、不可行性、支配性

• 全局界更新后：回溯检查、批量剪枝

特殊剪枝

• 对称性剪枝（如TSP中固定起点）

• 支配性剪枝（如路径比较：在旅行商问题中，假设有两条部分路径都访问了相同的城市集合，但一条路径长度更短，则另一条路径被支配，可以剪枝。）

• 整数性剪枝：线性松弛之后，得到的解已经是整数可行解了，可以更新问题的全局上/下界，并回溯将节点剪枝

4.5 数值稳定性

设置容忍度避免浮点误差误判：

• 整数性容忍度：$10^{-6}$

• 最优性容忍度：$10^{-6}$

五、算法流程图

text

开始
  ↓
求解根节点松弛
  ↓
初始化全局界
  ↓
┌─────────────────┐
│ 选择节点        │
│ (DFS/Best Bound)│
└────────┬────────┘
         ↓
┌─────────────────┐
│ 分支            │
│ (选择变量)      │
└────────┬────────┘
         ↓
┌─────────────────┐
│ 定界            │
│ (求解松弛)      │
└────────┬────────┘
         ↓
    是否可剪枝？
    ↙        ↘
  是          否
   ↓           ↓
 剪枝      加入待探索列表
   ↓           ↓
└─────────────┘
         ↓
    待探索列表空？
        ↓ 是
     输出最优解

六、总结

分支定界算法的成功依赖于四个关键要素：

1. 紧的界：好的松弛方法 + 高效的启发式

2. 聪明的分支策略：平衡计算与树大小

3. 高效的节点管理：控制内存与速度

4. 利用问题特性：定制化剪枝

实际应用中，现代求解器（如CPLEX、Gurobi、SCIP）通常采用分支切割法，结合分支定界与割平面，并配合可靠性分支、混合节点选择等策略，实现高效求解。