{
  "id": "cutting-plane-method",
  "title": "割平面法",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "割平面法通过迭代添加线性不等式，排除不合要求的解，同时保留所有可行解或有效的目标值界，以求解优化问题。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "割平面算法",
    "切平面法"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/cutting-plane-method/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/cutting-plane-method/",
      "json": "https://aiwiki.page/en/cutting-plane-method.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "割平面法是数学优化中的一类算法，通过不断添加称为割的线性不等式，逐步改进对原问题的近似。每个割都会排除当前近似中的一部分，同时不排除任何必须保留的解。在整数规划中，割通常用于剔除连续松弛中的分数解，同时保留所有可行整数解。在凸优化中，割可以将不可行点与可行域分离，也可以给出目标函数的仿射下界。\n\n这一术语指的是一种算法框架，而非某个单一算法。其效果取决于如何生成割、如何选择下一个候选解，以及如何管理累积的不等式。"
    },
    {
      "heading": "几何原理",
      "text": "线性不等式\n\n\\[a^\\top x\\le b\\]\n\n定义了一个半空间，其边界是超平面 \\(a^\\top x=b\\)。设原问题的可行集为 \\(S\\)，而一个较简单的集合 \\(P_k\\) 包含它：\n\n\\[S\\subseteq P_k.\\]\n\n如果候选点 \\(x^{(k)}\\in P_k\\) 不符合要求，割平面算法就寻找一个满足下列条件的不等式：\n\n\\[a^\\top x\\le b\\quad\\text{for every }x\\in S, \\qquad a^\\top x^{(k)}>b.\\]\n\n下一个近似为\n\n\\[P_{k+1}=P_k\\cap\\{x:a^\\top x\\le b\\}.\\]\n\n因此，这个割保留了 \\(S\\)，却排除了当前候选点。\n\n如果保留已生成的割，各次近似便构成嵌套序列：\n\n\\[P_0\\supseteq P_1\\supseteq P_2\\supseteq\\cdots\\supseteq S.\\]\n\n如果这些近似由有限个线性不等式定义，那么它们就是多面体。\n\n一个基本区别在于：有效不等式在整个目标集合上都成立，而分离割除此之外还会排除当前考察的点。当前点已经满足的有效不等式可能在之后发挥作用，但此时并不能将该点分离出去。"
    },
    {
      "heading": "一般算法",
      "text": "典型的基于优化的割平面过程具有以下结构：\n\n- 构造松弛问题。 用一个更简单的问题替代原问题，使其可行域包含原问题的可行集。\n- 求解当前松弛问题。 得到一个候选解，以及原问题最优值的一个界。\n- 检验候选解。 判断它是否满足被省略的要求，或者当前近似是否已经足够精确。\n- 生成割。 添加一个或多个被候选解违反的不等式。\n- 重复。 在确认最优性、不可行性或达到规定精度后停止。\n\n当前的松弛问题通常称为主问题。它往往是一个线性规划问题，但也可能是二次规划、锥规划或其他形式的主问题。\n\n对于最小化问题，有效的松弛会给出最优值的下界，而任意可行解都会给出上界。两者之差可用作停止准则。对于最大化问题，上下界的角色则相反。\n\n并非所有割平面算法都通过优化主问题来选择下一个点。定位类方法会从已知包含某个解的区域中选取一个代表点，再利用新信息缩小该区域。"
    },
    {
      "heading": "整数规划中的割平面",
      "text": "考虑整数线性规划\n\n\\[\\min\\{c^\\top x:Ax\\le b,\\ x\\in\\mathbb Z^n\\}.\\]\n\n其线性规划松弛将 \\(x\\in\\mathbb Z^n\\) 替换为 \\(x\\in\\mathbb R^n\\)。松弛问题通常更容易求解，但其最优解可能含有非整数分量。\n\n令\n\n\\[S=\\{x\\in\\mathbb Z^n:Ax\\le b\\}.\\]\n\n对 \\(S\\) 有效的每个线性不等式，对其凸包 \\(\\operatorname{conv}(S)\\) 也有效。因此，整数规划中的割可以理解为对整数凸包近似的逐步改进。\n\n如果松弛精确描述了整数凸包，而且能够取得有限最优值，那么它就存在整数最优解。然而，显式描述这个凸包可能需要数量极其庞大的不等式。割平面法会按需生成选定的不等式，而不是预先构造完整的描述。\n\n一个简单例子\n\n考虑\n\n\\[\\begin{aligned} \\max\\quad &x_1+x_2\\\\ \\text{subject to}\\quad &2x_1+2x_2\\le3,\\\\ &x_1,x_2\\in\\mathbb Z_{\\ge0}. \\end{aligned}\\]\n\n连续松弛的最优值为 \\(3/2\\)。将其约束除以二，得到\n\n\\[x_1+x_2\\le\\frac32.\\]\n\n由于左端在每个整数可行点处都是整数，这个不等式可以加强为\n\n\\[x_1+x_2\\le1.\\]\n\n加强后的不等式排除了所有目标值为 \\(3/2\\) 的松弛最优解，同时保留了每个可行整数点。因此，整数问题的最优值为 \\(1\\)。\n\n这一加强后的不等式对原来的连续区域并不有效：它成立的依据是整数性。\n\nChvátal–Gomory 割\n\nChvátal–Gomory 割推广了上述舍入思路。对于纯整数系统 \\(Ax\\le b\\)，选取非负乘子 \\(u\\)，使 \\(u^\\top A\\) 的系数均为整数。于是，每个可行整数点都满足\n\n\\[(u^\\top A)x\\le \\lfloor u^\\top b\\rfloor.\\]\n\n非负线性组合保持了有效性，而由于左端的取值为整数，可以将右端向下取整。\n\n反复施加多轮此类割，可以逐步加强松弛。对于有理多面体，原则上经过有限轮即可得到整数凸包。不过，这里的一轮在概念上是施加该类型的所有割；这一结果并不保证任意逐个添加割的策略都能迅速终止。\n\nGomory 分数割\n\n经典的 Gomory 分数割由纯整数问题的单纯形表中的一行推导而来。设该行为\n\n\\[x_B+\\sum_j a_jx_j=b,\\]\n\n其中列出的所有变量都被约束为非负整数。记\n\n\\[\\operatorname{frac}(t)=t-\\lfloor t\\rfloor.\\]\n\n如果 \\(b\\) 不是整数，对应的割为\n\n\\[\\sum_j\\operatorname{frac}(a_j)x_j \\ge \\operatorname{frac}(b).\\]\n\n在当前基本解处，非基变量 \\(x_j\\) 均为零，因此该不等式被违反。其有效性可由单纯形表中的等式和变量的整数性推出。\n\n当部分变量为连续变量时，不能原样套用这个公式。混合整数问题所使用的割，必须考虑哪些变量需要取整数。"
    },
    {
      "heading": "凸优化中的割平面",
      "text": "割平面法也利用了凸函数的支撑几何性质。\n\n对于凸函数 \\(f\\)，其在 \\(x^{(k)}\\) 处的一个次梯度 \\(g_k\\) 在整个定义域上满足\n\n\\[f(x)\\ge f(x^{(k)})+g_k^\\top(x-x^{(k)})\\]\n\n。如果 \\(f\\) 可微，其梯度就是一个次梯度。\n\n这个不等式给出了一个全局仿射下界。将这些下界累积起来，可得到分段线性模型\n\n\\[m_k(x)= \\max_{i=1,\\ldots,k} \\left\\{ f(x^{(i)})+g_i^\\top(x-x^{(i)}) \\right\\},\\]\n\n且有 \\(m_k(x)\\le f(x)\\)。\n\nKelley 割平面法\n\n对于\n\n\\[\\min_{x\\in X}f(x),\\]\n\n其中 \\(X\\) 是凸集，Kelley 方法通过求解下列问题来选择新的候选点：\n\n\\[\\begin{aligned} \\min_{x,t}\\quad &t\\\\ \\text{subject to}\\quad &t\\ge f(x^{(i)})+g_i^\\top(x-x^{(i)}), &&i=1,\\ldots,k,\\\\ &x\\in X. \\end{aligned}\\]\n\n当 \\(X\\) 是多面体时，这是一个线性规划问题。为了使主问题适定，需要选用合适的初始定义域或其他界定结构。\n\n主问题的最优值给出真实最小值的下界。已计算的可行目标值中的最佳值则给出上界。两者之间的间隙可以用来确认近似最优性。\n\n虽然这些割给出的是函数的下界，但它们构成的是函数上图的外近似；上图是满足 \\(t\\ge f(x)\\) 的点对 \\((x,t)\\) 所组成的集合。\n\n凸约束的割\n\n设有约束\n\n\\[h(x)\\le0,\\]\n\n其中 \\(h\\) 为凸函数。如果 \\(h(x^{(k)})>0\\)，且 \\(g_k\\) 是 \\(x^{(k)}\\) 处的一个次梯度，那么每个可行点都满足\n\n\\[h(x^{(k)})+g_k^\\top(x-x^{(k)})\\le0.\\]\n\n这个不等式排除了当前不可行点，同时保留了该约束的可行域。\n\n凸性是上述论证成立的关键。非凸函数的切线近似不一定是全局下界，可能会错误地排除可行解或最优解。"
    },
    {
      "heading": "分离与计算复杂度",
      "text": "分离预言机接收一个候选点，要么确认该点属于目标凸集，要么返回一个分离不等式。这使得割平面算法能够处理约束数量过多、无法显式列出的集合。\n\n例如，旅行商问题的某些模型包含指数数量的子回路消除不等式。求解器可以只从其中一部分不等式开始，在不断生成解的过程中寻找被违反的不等式。\n\n椭球法确立了分离与优化之间的重要联系。在适当的编码、有界性和精度假设下，可以利用高效的分离过程，实现凸集上的高效优化。相关的多项式时间结果，并不意味着每种实际的割平面实现都具有多项式时间复杂度，也不意味着对每一类有用的割都容易求解分离问题。\n\n寻找一个被违反的强不等式，本身就可能是一个困难的优化问题。因此，实际算法往往将精确分离过程与启发式搜索相结合。"
    },
    {
      "heading": "相关方法与实用变体",
      "text": "分支切割法\n\n现代混合整数求解器通常将割平面与分支定界法结合，形成分支切割法。\n\n割用于加强松弛、改善界；分支则将搜索划分为若干子问题。这两种机制相辅相成：割可能避免大量分支，而当割的生成停滞时，分支可以继续推动求解。\n\n全局割在原问题的整个可行集上都有效。局部割可能依赖于搜索树某个节点所施加的限制，因此仅在对应的子树内有效。混淆这些有效范围，可能使优化结果失效。\n\n本德斯分解\n\n本德斯分解将问题分为主问题和子问题。在满足相应线性或凸性假设的条件下，利用子问题的信息，可以在主变量空间中生成可行性割或最优性割。\n\n如果固定一组变量后，剩余优化问题会显著简化，这种方法就很有用；许多规划模型和基于情景的模型都具有这种特点。\n\n稳定化方法与束方法\n\n未经稳定化的凸割平面法可能在相距很远的点之间来回跳动，因为累积形成的下界模型在这些位置过于乐观。束方法保留次梯度信息，同时加入稳定化机制，通常通过近端项或信赖域来实现。\n\n这类方法保留了利用支撑不等式构建模型的核心思想，同时控制新计算点的选择。"
    },
    {
      "heading": "历史",
      "text": "割平面的思想沿着几条相互关联的路线发展而来。20 世纪 50 年代，乔治·丹齐格、雷·富尔克森和塞尔默·约翰逊对旅行商问题的研究，展示了如何利用针对特定问题的不等式来加强线性规划模型。\n\n拉尔夫·戈莫里于 1958 年提出了适用于整数规划的一般割平面过程。小 J. E. 凯利于 1960 年提出的方法将逐次构造支撑超平面的思想应用于凸优化。雅克·本德斯于 1962 年提出的分解方法，则为从子问题生成割提供了另一个影响深远的框架。\n\n后续的发展将通用割、针对特定问题的分离方法、分解和搜索结合起来。这种组合成为大规模混合整数优化的核心。"
    },
    {
      "heading": "局限性与实现问题",
      "text": "仅仅保证割有效，并不能确保它在计算中有用。需要考虑的重要因素包括：\n\n- 强度。 一个割可能排除了当前点，却只使目标值的界得到轻微改善。\n- 生成成本。 搜索强割的开销，可能超过后续改进所节省的成本。\n- 主问题规模增长。 累积大量不等式会增加内存占用和求解时间。\n- 冗余。 相似的割可能增加大量计算工作，却几乎不能进一步收紧松弛。\n- 数值条件。 系数过大或尺度不佳，可能给浮点运算带来问题。\n- 收敛假设。 有限终止或收敛是否成立，取决于问题类别、选择规则、算术模型和其他算法细节。\n\n因此，实际实现会对割进行筛选、缩放、老化管理，有时还会删除割。如果删除了割，逐次得到的松弛就不一定仍然嵌套；除非单独保留先前有效的界，否则其界也不一定单调改善。\n\n还应区分特定精确算术过程的理论有限收敛结果，与采用数值容差时的实际表现。一个点可能在求解器容差范围内被视为可行，却仍以很小的幅度违反某个数学不等式。可靠的实现必须妥善处理这些容差，不能将无效不等式当作合法的割。"
    }
  ],
  "links": [
    "mathematical-optimization",
    "integer-programming",
    "convex-optimization",
    "half-space",
    "hyperplane",
    "polyhedron",
    "feasible-set",
    "linear-programming",
    "convex-hull",
    "convex-function",
    "gradient",
    "traveling-salesman-problem",
    "branch-and-bound",
    "floating-point-arithmetic"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}