x 2 (20, 60) z = 200 (40, 30) z = 100 z = 0 x 1 40

Transcript

1 Mauro Dell Amico Dipartimento di Scienze e Metodi dell Ingegneria (DISMI) Università degli studi di Modena e Reggio Emilia Via Amendola 2, Pad. Morselli, Reggio Emilia web: mauro.dellamico@unimore.it tel:

2 INDICE 1. Programmazione Lineare in Pillole 2. Miscellanea di problemi di ottimizzazione combinatoria 3. Programmazione Lineare Intera 4. Teoria della Complessitá 5. Algoritmi euristici 6. Algoritmi Metaeuristici 7. Distribuzione e trasporti 8. VRP: modelli esatti 9. VRP: metodi euristici

3 x 2 60 (20, 60) z = 200 z = 100 (40, 30) z = 0 x 1 40

4 Programmazione Lineare Continua - in pillole 1 Programmazione Lineare Un modello di Programmazione Lineare chiede di massimizzare o minimizzare una funzione lineare, soggetta a ua serie di restrizioni descritte da vincoli lineari. Un modello lineare é costituito dai seguenti componenti: - Un insieme di variabili decisionali - Una funzione obiettivo - Un insieme di vincoli L importanza della programmazione lineare deriva da: Molti problemi reali sono per loro natura lineari Molti problemi reali possono essere approssimati efficentemente da funzioni lineari Ci sono diverse applicazioni consolidate negli ambiti del - Produzione - Distribuzione - Marketing - Finanza (investment) - Pubblicitá - Agricoltura -... Inoltre esistono algoritmi effcienti per risolvere problemi lineari anche di grandissime dimensioni.

5 Programmazione Lineare Continua - in pillole 2 Un semplice esempio Una ditta realizza due prodotti che hanno un guadagno unitario di 3 e 5 euro, rispettivamente. Il sistema produttivo é costituito da due reparti di lavorazione ed uno di assemblaggio. Rep. Prod. 1 40/ora Rep. Prod. 2 60/ora Reparto Assemblaggio P1=60s P2=40s Il reparto 1 lavora solo il prodotto 1 e ne produce al massimo 40 all ora Il reparto 2 lavora solo il prodotto 2 e ne produce al massino 60 all ora Nel reparto di assemblaggio sono necessari un minuto per ogni prodotto di tipo 1 e 40 secondi per ogni prodotto 2. Si vuole determinare il mix ottimale che massimizza il guadagno.

6 Programmazione Lineare Continua - in pillole 3 x 1,x 2 = numero di prodotti di ogni tipo realizzatio in un ora (P) maxz = 3x 1 + 5x 2 s.t. x 1 40 x x x (3x 1 +2x 2 180) x 1, x 2 0 x 2 z = (20, 60) z = 3x 1 +5x 2 fascio di rette parallele z = 100 (40, 30) z = 0 x 1 40 Soluzione ottima x 1 = 20,x 2 = 60, z = 360 Teorema Se l insieme P delle soluzioni ammissibili di un problema di Programmazione Lineare Continua è limitato, allora esiste almeno un vertice di P ottimo.

7 Programmazione Lineare Continua - in pillole 4 Non sempre abbiamo una soluzione... maxz = x 1 + x 2 s.t. x 1 x 2 3 (I) 3x 1 + x 2 3 (II) 4x 1 + x 2 2 (III) x 1, x 2 0 II III Problema illimitato I Attenzione! se la f.o. fosse minx 1 + x 2 la soluzione ottima sarebbe x = (1,0) minz = 2x 1 x 2 s.t. x 1 + x 2 4 (I) 2x 1 + 3x 2 6 (II) x 1 2 (III) x 2 4 (IV) x 1, x 2 0 II IV III problema I vuoto

8 Programmazione Lineare Continua - in pillole 5 Forma standard (P) maxz = 3x 1 + 5x 2 s.t. x 1 40 x x 1 + 2x x 1, x 2 0 Forma STANDARD = solo equazioni, variabili non-negative aggiungo tre variabili dummy o slack (P ) maxz = 3x 1 + 5x 2 s.t. x 1 + x 3 = 40 x 2 + x 4 = 60 3x 1 + 2x 2 + x 5 = 180 x 1, x 2, x 3, x 4, x sistema di m = 3 equazioni in n = 5 incognite = 2 soluzioni; - fisso i valori di due variabili a piacere e ottengo un sistema In generale abbiamo (n m) gradi di libertá: a n m variabili possiamo assegnare un valore qualunque; poi si risolve il sistema m m rimanente. - a 2 variabili possiamo assegnare un valore qualunque, poi si risolve il sistema 3 3 il sistema in base alle altre variabili

9 Programmazione Lineare Continua - in pillole 6 (P ) maxz = 3x 1 + 5x 2 s.t. x 1 + x 3 = 40 x 2 + x 4 = 60 3x 1 + 2x 2 + x 5 = 180 x 1, x 2, x 3, x 4, x 5 0 x 2 (0,60) (0,60,40,0,60) (20,60) (20,60,20,0,0) 60 (40,30) (40,30,0,30,0) (0,0) (0,0,40,60,180) x 1 40 (40,0) (40,0,0,60,60) Ogni vertice é l itersezione di due vincoli in ogni vertice due variabili (slack o originali) hanno valore zero I vertici sono un sottoinsieme dei punti che si ottengono fissando due variabli a zero e risolvendo il sistema rispetto alle rimanenti In altre parole scelte m (3 nell esempio) variabili ed azzerate le rimanenti n m (2 nell esempio) si ottengono tutti i vertici... ed altri punti

10 Programmazione Lineare Continua - in pillole 7 Vincoli Rappresentazione matriciale x 1 + x 3 = 40 x 2 + x 4 = 60 3x 1 + 2x 2 + x 5 = x 1 = x 2 = x 3 = 180 A x 4 b x 5 x Funzione obiettivo Ax = b maxz = 3x 1 + 5x x 1 x 2 c T x x 3 x 4 x 5 maxz = c T x Ax = b x 0 max{c T x : Ax = b,x 0}

11 Programmazione Lineare Continua - in pillole 8 Vertici e soluzioni di base Selezioniamo tante variabili quante sono le equazioni (m) e diamo valore zero alle altre. Risolviamo rispetto alle variabili di base. Es. selezioniamo x 3,x 4,x 5 x 1 = x 2 = 0 x 1 +x 3 = 40 x 2 +x 4 = 60 3x 1 +2x 2 +x 5 = 180 Sia A una matrice (m n) x T = (0,0,40,60,180) x 3 = 40 x 4 = 60 x 5 = 180 Una base é una sottomatrice B ottenuta selezionando m colonne linearmente indipendenti; variabili in base (x B ): variabili associate alle colonne di B variabili fuori base (x F ): variabili associate ad A\B A = B = x B = (x 3,x 4,x 5 ) x F = (x 1,x 2 ) x 2 60 (20, 60) la soluzione x = (0,0,40,60,180) corrisponde al punto origine degli assi z = 200 z = 100 (40, 30) z = 0 x 1 40

12 Programmazione Lineare Continua - in pillole 9 x 2 60 V 1 (0,60,40,0,60) V 2 (20,60,20,0,0) Ogni vertice ha una base associata V 3 (40,30,0,30,0) x 1 40 V 4 (40,0,0,60,60) O (0,0,40,60,180) x 1 x 2 x 3 x 4 x x B = (x 2,x 3,x 5 ): x 3 = 40 B = x 2 = x 2 +x 5 = 180 x 3 = 40 x 2 = 60 x 5 = 60 x B = (x 1,x 2,x 3 ): x 1 +x 3 = 40 B = x 2 = x 1 +2x 2 = 180 x = (0,60,40,0,60), vertice V 1 x 1 = 20 x 2 = 60 x 3 = 20 x B = (x 1,x 2,x 4 ): x 1 = 40 B = x 2 +x 4 = x 1 +2x 2 = 180 x = (20,60,20,0,0), vertice V 2 x 1 = 40 x 2 = 30 x 4 = 30 x = (40,30,0,30,0), vertice V 3

13 Programmazione Lineare Continua - in pillole 10 Soluzione del sistema in a forma matriciale x x 2 40 Ax = b x 3 = x x x 1 x 2 x 3 Risolvendo rispetto a x B [ x4 x 5 ] = B x b F x F b Ax = b Bx B +Fx F = b x B = B 1 b B 1 Fx F Soluzione di base: x F = 0, x B = B 1 b ammissibile: se x B = B 1 b 0 degenere se x B ha una o più componenti nulle Ogni soluzione di base ammissibile del sistema Ax = b corrisponde ad un vertice Ogni vertice corrisponde a una o piú soluzioni di base, ammissibili (sono dette degeneri se ve ne é piú di una)

14 Programmazione Lineare Continua - in pillole 11 Soluzioni degeneri x 1 2 x 2 2 x 1 + x 2 4 x 1 2 x 2 2 x 1 + x B 1 B 2 B x 1 +x 3 = 2 x 2 +x 4 = 2 x 1 +x 2 +x 5 = 4 A = B 1 = B 2 = B 3 = x 1 +x 3 = 2 x 2 = 2 x 1 +x 2 = 4 x 1 = 2 x 2 +x 4 = 2 x 1 +x 2 = 4 x 1 = 2 x 2 = 2 x 1 +x 2 +x 5 = 4 x 1 = 2 x 2 = 2 x 3 = 0 x 1 = 2 x 2 = 2 x 4 = 0 x 1 = 2 x 2 = 2 x 5 = 0

15 Programmazione Lineare Continua - in pillole 12 Il metodo del simplesso Algoritmo del simplesso: (prima versione ) Identifica una soluzione di base ammissibile. while ( la soluzione non e ottima ne illimitata) begin trasforma la base corrente in una base vicina con valore della funzione obiettivo minore end L algoritmo termina in tempo finito : ( n m ) = n! m!(n m)! basi x 2 V 1 (0,60,40,0,60) B 1 = V 2 (20,60,20,0,0) B 2 = B 0 = x 1 O (0,0,40,60,180)

16 Programmazione Lineare Continua - in pillole 13 Test di ottimalità Quando risolviamo il sistema Ax = b rispetto a una base anche la funzione obiettivo puó essere riscritta [ ] xb A = [B F] x = c T = [c T B ct F ] x F Bx B +Fx F = b x B = B 1 b B 1 Fx F, B 1 b 0 z = c T x c T B B 1 b+(c T F ct B B 1 F)x F = c T B B 1 b+c T F x F c T = c T c T B B 1 A costi ridotti rispetto alla base B I costi ridotti delle variabili in base sono zero c T B = c T B c T BB 1 B = c T B c T BI = 0 I costi ridotti delle variabili fuori base sono liberi c T F = c T F c T BB 1 F In una soluzione di base x B = B 1 b, x F = 0 z B = c T x = c T BB 1 b+c T Fx F = c T BB 1 b valore soluzione Se x F passa dal valore zero a un valore positivo, la funzione obiettivo cresce o cala a seconda del segno dei costi ridotti Teorema: una soluzione di base di un problema di PLC in forma di minimo è ottima se i costi ridotti sono non negativi (c T 0) (Per un problema di PLC in forma di massimo una soluzione di base è ottima se i costi ridotti sono non positivi)

17 Programmazione Lineare Continua - in pillole 14 Dieta Esercizio: Una dieta per dimagrire prevede giornalmente Kilo calorie, 55 g di proteine e 800 mg di calcio In una prima ipotesi selezioniamo 6 alimenti, con le caratteristiche della tabella Energia Proteine Calcio Prezzo Quantitá Alimento Quantitá (Kcal) (g) (mg) (Euro) massima Cerali 28 g ,30 60 g Pollo 100 g , g Uovo ,20 2 Latte intero 250 ml ,40 2 l Torta di mele 170 g , g Maiale e piselli 260 g , g Quale é la dieta giornaliera di costo minimo, che rispetta i requisiti relativi ad energia, calcio e proteine?

18

19 Miscellanea di problemi 15 Il problema dei trasporti n sorgenti caratterizzate da una capacità massima a i,i = 1,...,n m destinazioni (pozzi) con richiesta b j,j = 1,...,m c ij = costo di trasposto unitario dalla sorgente i alla destinazione j Problema: Determinare l insieme dei trasporti che fornisce ad ogni destinazione la quantità di merce desiderata, senza eccedere le capacità delle sorgenti e minimizzando il costo totale. a n a n 1 a 2 a 1 c ij 3 b m b 2 b 1 Modello matematico x ij = quantità trasportata da i a j min n i=1 m c ij x ij j=1 m x ij a i, i = 1,...,n j=1 n x ij b j, j = 1,...,m i=1 x ij 0, (intera) i = 1,...,n, j = 1,...,m

20 Miscellanea di problemi 16 Assegnamento lineare Data una matrice quadrata C = [c ij ] di n righe e colonne, assegnare ogni riga ad una colonna minimizzando la somma degli elementi di C selezionati e in modo tale che ogni colonna sia assegnata ad una ed una sola riga (Dati n lavoratori, n lavori ed il costo c ij del lavoro j se eseguito dal lavoratore i, assegnare ogni lavoratore ad uno ed un solo lavoro, minimizzando il costo totale) Modello matematico x ij = { 1 la riga i è assegnata alla colonna j 0 altrimenti min n i=1 n c ij x ij j=1 n x ij = 1, i = 1,...,n j=1 n x ij = 1, j = 1,...,n i=1 x ij {0,1} Caso particolare del problema dei trasporti in cui il numero delle sorgenti è uguale al numero delle destinazioni, le capacità e le richieste sono tutte uguali ad uno ( n = m, a i = 1(i = 1,...,n), b j = 1(j = 1,...,n) )

21 Miscellanea di problemi 17 Localizzazione di servizi N = {1,...,n} insieme delle potenziali localizzazioni del servizio I = {1,...,m} insieme dei clienti La località j N ha capacità u j e costo di attivazione c j Il cliente i I ha una richiesta pari a b i h ij è il costo da sostenere per servire il cliente i dalla località j Ogni cliente deve essere servito da una sola località Modello matematico x j = y ij = { 1 se viene posto un servizio nella località j 0 altrimenti { 1 se il cliente i viene servito dalla località j 0 altrimenti min c j x j + h ij y ij j N i I j N y ij = 1 i I (1) j N b i y ij u j x j j N (2) i I x j {0,1} j N y ij {0,1} i I,j N (1) Ogni cliente è servito da una sola località (2) La capacità del servizio attivo deve essere sufficiente per soddisfare tutti suoi clienti; un cliente può essere servito solo da un servizio attivato

22 Miscellanea di problemi 18 Il problema Knapsack Sono dati n possibili investimenti Il j-esimo investimento, j = 1,...,n ha una rendita p j e un impegno di capitale w j Il budget disponibile è pari a b (b w j j, n j=1 w j > b) Problema: determinare l insieme di investimenti che dà il massimo rendimento impegnando al massimo un capitale pari al budget Modello matematico x j = { 1 se l investimento j-esimo è scelto 0 altrimenti n max p j x j j=1 n w j x j b j=1 x j {0,1} j = 1,...,n

23 Miscellanea di problemi 19 Il Bin Packing Sono dati n oggetti L oggetto j-esimo (j = 1,...,n) è caratterizzato da un volume w j Si hanno a disposizione contenitori identici di capacità c Problema: assegnare tutti gli oggetti ai contenitori in modo tale che: il volume totale degli oggetti in ogni contenitore non superi c il numero dei contenitori usati sia minimizzato Modello matematico x ij = z i = { 1 se l oggetto j-esimo è assegnato al contenitore i-esimo 0 altrimenti { 1 se il contenitore i-esimo è usato 0 altrimenti n min i=1 z i n w j x ij cz i, i = 1,...,n j=1 n x ij = 1, j = 1,...,n i=1 x ij {0,1} i,j = 1,...,n z i {0,1} i = 1,...,n

24 Miscellanea di problemi 20 Parallel Processor Scheduling Problem Definizione: Dati n lavori j, ognuno richiedente un tempo di lavorazione p j (j = 1,...,n), e date m macchine identiche in parallelo, ognuna in grado di svolgere un lavoro alla volta, il parallel processor scheduling problem (noto come P C max nella letteratura scientifica) richiede di assegnare i lavori alle macchine in modo che sia minimo l istante di fine dell ultima lavorazione (makespan). Il P C max ha applicazioni soprattutto nell ambito dello scheduling e dell ottimizzazione della produzione. Modello Matematico: Definiamo una variabile binaria: { 1 se assegno il lavoro j alla macchina i, x ij = 0 altrimenti per i = 1,...,m e j = 1,...,n; e una variabile lineare non negativa z = makespan. Il P C max può essere modellato come: z(p C max ) = min z (3) m x ij = 1 j = 1,...,n (4) i=1 n p j x ij z i = 1,...,m (5) j=1 x ij {0,1} i = 1,...,m;j = 1,...,n (6)

25 Miscellanea di problemi 21 Traveling Salesman Problem Datop un grafo G = (V,E) con costi c e sui lati, trovare un circuito elementare (che passa per ogni vertice una sola volta) che tocca tutti i vertici e ha costo totale minimo. Le applicazioni sono molteplici e vanno dal sequenziamento del genoma, al piazzamento dei dispositivi sulle schede elettroniche, alla pianificazione di giri di raccolta/distribuzione. Recentemente UBER ha lanciato un app basata sulla soluzione del TSP

26 Miscellanea di problemi 22 x e = { 1 se il lato e E e scelto 0 altrimenti min c e x e (7) e E s.t. x e = 2 i V (8) e δ(i) e E(S) x e S 1 0 S V (9) x e {0,1} e E (10) δ(i) = insieme dei lati incidenti nel vertice i E(S) = insieme dei lati contenuti nell insieme di vertici S

27 Miscellanea di problemi 23 Modello TSP con numero polinomiale di variabili (Millet, Tucker e Zemlin, 1960) Grafo G = (V,A) con insieme dei vertici V = {1,2,...,n}, insieme degli archi A = {(i,j) : i,j V} e costi c ij (i,j) A. { 1 se arco (i,j) e scelto x ij = 0 altrimenti s.t. min n i=1 n c ij x ij j=1 y j = ordine di visita del vertice j (11) n x ij = 1 j = 1,...,n (12) i=1 n x ij = 1 i = 1,...,n (13) j=1 y j y i +n(1 x ij ) 1 i = 1,...,n;j = 2,...,n (14) x ii = 0 i = 1,...,n (15) y 1 = 1 (16) 2 y i n i = 2,...,n (17) x ij {0,1} i,j = 1,...,n (18) y i 0 i = 1,...,n (19)

28 Miscellanea di problemi 24 Miscelazione Ottimale (Blending) due benzine (B1,B2) ottenute miscelando tre petroli (P1, P2, P3) Le percentuali dei petroli nelle benzine sono limitate come in tabella B1 B2 min max min max P P P ricavi: (B1,B2) (20,15) cent/litro costi: (P1,P2,P3) (5,8,7) cent/litro disponibilità giornaliere (P1,P2,P3) ( ,70.000, ) Modello matematico Variabili immediate: B1,B2 = litri delle due benzine ottenuti P1,P2,P3 = litri dei tre petroli utilizzati p i,j = percentuale del petrolio i nella benzina j I vincoli di blending sono: 0,2 p 11 0,3; 0,1 p 21 0,2 etc. Il legame tra litri di benzine e di petroli è: P1 = p 11 B1+p 12 B2 non lineare!

29 Miscellanea di problemi 25 Un alternativa: x ij = litri del petrolio i esimo nella benzina j-esima i {1,2,3}; j {1,2} Funzione obiettivo max 20(x 11 +x 21 +x 31 )+15(x 12 +x 22 +x 32 ) 5(x 11 +x 12 ) 8(x 21 +x 22 ) 7(x 31 +x 32 ) = 15x x x x 12 +7x 22 +8x 32 Vincoli disponibilità prodotti primi Vincoli di miscelazione x 11 +x x 21 +x x 31 +x x (x 11 +x 21 +x 31 ) 0.8x x x 31 0 x (x 11 +x 21 +x 31 ) 0.7x x x 31 0 x (x 11 +x 21 +x 31 ) 0.1x x x 31 0 x (x 11 +x 21 +x 31 ) 0.2x x x 31 0 x (x 11 +x 21 +x 31 ) 0.5x x x 31 0 x (x 11 +x 21 +x 31 ) 0.7x x x 31 0 Idem per la seconda benzina... Vincoli di non negatività x ij 0 i = 1,2,3;j = 1,2

30 Miscellanea di problemi 26 Fixed Charge n prodotti che potrebbero essere realizzati k j > 0 costo fisso (charge) di inizio j-esima produzione c j costo unitario prodotto j-esimo ulteriori vincoli lineari di produzione: Ax b Problema: quali e quanti prodotti si devono realizzare (rispettando i vincoli Ax b) per minimizzare i costi? Modello matematico x j = quantità del j-esimo prodotto funzione obiettivo (j-esimo prodotto): f(x j ) = { kj +c j x j se x j > 0 0 se x j = 0 f(x j ) k j x j Funzione obiettivo non lineare!

31 Miscellanea di problemi 27 y j = { 1 se xj > 0 0 altrimenti Le variabili y j sono definite da una condizione logica implemento la condizione logica con vincoli: y j {0,1} x j My j,j = 1,...,n M costante positiva grande x j > 0 y j = 1 x j = 0 nessun vincolo su y j Se la funzione obiettivo minimizza il valore delle y j allora nella soluzione ottima: se x j = 0 allora anche y j = 0 min n c j x j + j=1 n k j y j j=1 Ax b x j My j, y j {0,1} x j 0, j = 1,...,n j = 1,...,n

32 Miscellanea di problemi 28 Schedulazione su singolo processore (con deadlines e release times) n lavori ognuno caratterizzato da: p j = tempo di processamento r j = istante minimo di inizio release time d j = istante massimo di completamento deadline Problema: assegnare i lavori ad un singolo processore che può eseguire una sola lavorazione alla volta, rispettando i release times e le deadlines e minimizzando la somma dei tempi di completamento delle lavorazioni. Modello matematico C j = istante di completamento del lavoro j Data una coppia di lavori j,k allora C j C k p k j k oppure C k C j p j k j x jk = { 1 se il lavoro j è schedulato prima del lavoro k 0 altrimenti 1 j < k n n min j=1 C j C j C k p k +M(1 x jk ) 0 j < k n C k C j p j +Mx jk 0 j < k n p j +r j C j d j j = 1,...,n x jk {0,1} 0 j < k n

33 P convex hull

34 Programmazione Lineare Intera 29 Programmazione Lineare Intera (PLI) minc T x Ax = b x 0 x intero Se non c è il vincolo di interezza il problema è facile: PLC Si possono risolvere problemi di PLI rimuovendo il vincolo di interezza e arrotondando la soluzione del corrispondente problema di PLC? ottimo PLI 2 ottimo PLC arrotondamento PLC Si ottengono soluzioni: A) utili B) inutili C) non ammissibili

35 Programmazione Lineare Intera 30 Caso A, soluzioni utili problemi in cui i valori delle variabili nella soluzione ottima sono molto elevati. Es. pezzi da produrre (elevata quantità): PLC PLI (arrotondamento) x 1 = x 2 = x 3 = Poca differenza dal punto di vista pratico Caso B, soluzioni inutili Problemi in cui i valori delle variabili decisionali ottime sono molto piccoli numero di edifici da realizzare numero di veicoli da assegnare ad un servizio opportunità di una scelta (variabili booleane)... Caso C, soluzioni non ammissibili ottimo PLC ottimo PLI Nessuno dei quattro punti interi più vicini all ottimo della PLC è ammissibile per il problema di PLI

36 Programmazione Lineare Intera 31 Rilassamento continuo: problema di PLC ottenuto da un problema di PLI eliminando il vincolo di interezza z PLI = min{c T x : x X}, X = P Z n X P z PL z PLI z PL = min{c T x : x P} Il valore della soluzione ottima del rilassamento continuo è un lower bound del valore ottimo del problema di PLI (upper bound se il problema è di massimo) se lasoluzione ottimax del problema rilassatocontinuo ha tutte le componenti intere allora è ottima anche per il problema di PLI Si definisce chiusura convessa di un insieme S (conv(s)) il piú piccolo insieme convesso che contiene S. Se sapessimo individuare la chiusura convessa (conv(x)) di X z PLI = min{c T x : x X} = min{c T x : x conv(x)} e si potrebbe risolvere il problema di PLI con un algoritmo per la PLC. P convex hull

37 Programmazione Lineare Intera 32 Algoritmo Cutting Plane X = P Z n insieme soluzioni problema di PLI PL = problema di PLC ottenuto rimuovendo i vincoli di interezza dal problema di PLI x = soluzione ottima di PL una disuguaglianza α T x α 0 si dice taglio (cutting plane) se: (1) α T x α 0 x X (nessuna soluzione (intera) del problema originale diventa inammissibile ) (2) α T x > α 0 (x non è più ammissibile) convex hull x (ottimo per PL) piano di taglio valido (supporto)

38 Programmazione Lineare Intera 33 Algoritmo Cutting Plane begin 1. risolvi il rilassamento continuo del problema; if (il problema è vuoto o illimitato) then stop; else sia x la soluzione ottima del problema rilassato; 2. while x non intero do 3. individua un taglio valido α T x α 0 4. aggiungi ai vincoli α T x+x n+1 = α 0 ; 5. risolvi il nuovo problema di PLC e chiama x la nuova soluzione; if (il problema non ha soluzione) then stop; end while end. La procedura determina la soluzione ottima: P contiene tutte e sole le soluzioni intere di X (più altre non intere) i tagli aggiunti non eliminano soluzioni intere PL e PLI hanno la stessa funzione obiettivo La procedura è molto buona quanto la soluzione ottima del problema PL non è troppo diversa da quella del problema PLI Svantaggi il numero delle iterazioni del ciclo while non è polinomiale il problema di PLC da risolvere diventa sempre più grande lunghi tempi di calcolo

39 Programmazione Lineare Intera 34 Si consideri il problema P 0 Branch and Bound min{z(x) : x S(P 0 )}. Branch-and-bound: consiste di due fasi 1) suddivisione di P 0 in sottoproblemi la cui unione equivale a P 0, cioè: P 1,P 2,...,P q (a) tutti i problemi hanno la stessa f.o. z q (b) S(P k ) = S(P 0 ) k=1 z(p 0 ) = min{z(p 1 ),z(p 2 ),...,z(p q )}. È preferibile che S(P i ) S(P j ) = P i,p j : i j. 2) applicare una tecnica di bounding per risolvere in maniera implicita P k (k = 1,...,q) Risolvere P k 1. determinare la soluzione ottima di P k (modo esplicito), oppure 2. dimostrare che S(P k ) = (modo esplicito), oppure 3. (modo implicito) dimostrare che z(p k ) ẑ = miglior soluzione ammissibile ottenuta in precedenza. Ad ogni problema non risolto con (1-3) viene applicato lo stesso procedimento di separazione in sottoproblemi.

40 Programmazione Lineare Intera 35 Albero decisionale P 0 P 1 P 2... P q... Per descrivere teoricamente l intero albero decisionale basta definire il criterio di separazione (branching) Per risolvere un problema con tecnica branch-and-bound occorre anche definire: 1. La strategia di esplorazione dell albero; 2. il metodo di calcolo dei lower bound, per ogni nodo; 3. eventuali criteri di dominanza; 4....

41 Programmazione Lineare Intera 36 z = max{ Branch-and-bound per problemi knapsack n p j x j : j=1 n w j x j c,x j {0,1},j = 1,...,n} j=1 regola di separazione: fissare x j a 0 oppure 1 struttura dell albero: - n livelli - il livello j è associato alla variabile x j x 1 = 1 x 1 = 0 x 2 = 1 x 2 = x n = 1 x n = 0 x n = 1 x n = 0 Vi sono 2 n foglie e 2 n+1 1 nodi in totale Upper bound: rilassamento continuo (si puó risolvere im maniera efficente con un metodo polinomiale )

42 Programmazione Lineare Intera 37 Esempio p j = (25,30,35,19,10), w j = (3,4,5,3,2), c = 11 0 UB = 83 x 1 = 1 x 1 = 0 c = UB = 77 x 2 = 1 x 2 = 0 c = UB = 79 soluzione intera x = (1,0,1,1,0),z = 79 x 3 = 0 3 UB = 79 x 4 = 1 x 4 = 0 4 soluzione intera x = (1,1,0,1,0),z = 74 5 soluzione intera x = (1,1,0,0,1),z = 65

43 Programmazione Lineare Intera 38 Branch and Bound Standard per problemi di PLI Problema rilassato: rilassamento continuo Regola di branch: scegli x j = α, con α = valore frazionario e genera due figli con: (1) x j α (2) x j α Esempio max x 1 +x 2 4x 1 2x 2 1 4x 1 +2x x 2 1 x 1,x 2 0 intere P 0 P 0 : UB(P 0 ) = 4, x = (1.5,2.5); Variabile x 1 = 1.5, frazionaria. P 1 : x 1 1 P 2 : x 1 2

44 Programmazione Lineare Intera 39 P 1 : x 1 1 P 2 : x 1 2 P 1 P 2 P 1 : UB(P 1 ) = 2.5, x = (1,1.5); P 2 : UB(P 2 ) = 3.5, x = (2,1.5); Variabile x 2 = 1.5, frazionaria Variabile x 2 = 1.5, frazionaria P 3 P 3 : x 2 1 P 4 : x 2 2 P 4 inammissibile P 3 : UB(P 1 ) = 3.25, x = (2.25,1); Variabile x 1 = 2.25, frazionaria P 4 : inammissibile P 5 : x 1 2 P 6 : x 1 3 regione ammissibile = inammissibile segmento [(2,0.5),(2,1)], soluzione ottima UB(P 5 ) = 3, x = (2,1). P 1 : eliminato da upper bound

45 Programmazione Lineare Intera 40 L albero delle decisioni (tecnica Highest-First) UB=4 P 0 x 1 1 x 1 2 UB=2.5 UB=3.5 P 1 P 2 P 5 z=3 x 2 1 x 2 2 UB=3.25 vuoto P 3 P 4 x 1 2 x 1 3 vuoto P 6

46 Programmazione Lineare Intera 41 Branch and Cut Si divide il problema in sottoproblemi in cui una o più variabili hanno un valore fissato. Come in un Branch and Bound classico, per ogni sottoproblema si calcolano i lower bound proposti e si effettua una delle seguenti decisioni: 1. Si taglia il nodo perchè non promettente; 2. Si torna indietro perchè si è trovato una soluzione ammissibile; 3. Si ramifica ulteriormente. Ad ogni nodo si possono aggiungere piani di taglio per ridurre lo spazio delle soluzioni ammissibili. La tecnica risultante è di tipo Branch and Bound con l aggiunta di tali piani di taglio. Il modo utilizzato per ramificare è definito strategia di branching.

47

48 Teoria della complessita 42 Definiamo: Definizioni e Obiettivi P un problema di ottimizzazione o di decisione. Dato un insieme di soluzioni possibili, determinare quella di costo minimo (o profitto massimo). Esempi: Knapsack Problem (KP01), Bin Packing Problem (BPP), Cammino minimo(spp), minimo albero ricoprente(sst), Traveling Salesman Problem (TSP), Vehicle Routing Problem (VRP),... A un particolare algoritmo per la risoluzione di P. Ovvero una particolare sequenza di operazioni che ci permetta di determinare la soluzione ottima del problema P. I un istanza di P. Ovvero un caso numerico associato al problema P. L obiettivo della teoria della complessità è duplice: 1. Determinare l efficienza di uno specifico algoritmo A per la risoluzione di un problema P. In tal modo, qualora si abbiano a disposizione più algoritmi, si potrà scegliere quello più efficiente. 2. Determinare la complessità di un problema P come la complessità dell algoritmo A più efficiente per P. In questo modo si può valutare la difficoltà intrinseca di un problema. Per problemi facili andremo sempre alla ricerca della soluzione ottima, mentre per problemi difficili ci accontentermo, eventualmente, di soluzioni approssimate.

49 Teoria della complessita 43 Complessità di un algoritmo La compessità di un algoritmo A può essere vista come la misura del tempo necessario per la sua esecuzione su una data istanza. Con questo criterio la complessità risulterebbe strettamente dipendente dalla macchina risolutrice utilizzata. Più veloce è il computer utilizzato, più veloce risulta la ricerca dell ottimo. Vogliamo esprimere la complessità come misura indipendente dal processore utilizzato. Definiamo un operazione elementare come: un assegnamento; un confronto; un operazione aritmetica. Definiamo infine la compessità di un algoritmo A come il numero di operazioni elementari necessarie per portare a termine A su una determinata istanza I.

50 Teoria della complessita 44 Stima della complessità E importante notare come il numero di operazioni sia dipendente da quella che è la grandezza dell istanza I presa in considerazione. In linea generale, più l istanza è grande, più sarà elevato il numero di operazioni richieste per A. La dimensione dell istanza I, ovvero dell input del nostro algoritmo A, corrisponde al numero di bit necessari a codificare l input stesso. Di solito si considera il numero di valori numerici (in seguito definito n) che appaiono in I, che è proporzionale al numero di bit. Notiamo inoltre come sia difficile determinare in modo esatto il numero di operazioni elementari richieste da un algoritmo. Inoltre non è necessario arrivare ad un tale livello di precisione. Ciò che conta è avere una stima del numero di operazioni. Al fine di ottenere una tale stima, introduciamo alcune funzioni di interesse.

51 Teoria della complessita 45 Ordine di... Date due funzioni f,g : N N, si ha: f(n) = O(g(n)) se esiste una costante c 0 > 0 e un valore n, tale che f(n) c 0 g(n) per ogni n n. In altre parole, per n sufficentemente grande, g(n) è un limite superiore o upper bound di f(n) a meno di una costante moltiplicativa. Esempio: f(n) = 5n 3 +3n 2 +2n+6 avremo che g(n) = n 3 e f(n) = O(g(n)) = O(n 3 ), in quanto per k 16 ho f(n) kg(n). Esempio: f(n) = 2 n +n 2 avremo che g(n) = 2 n e f(n) = O(g(n)) = O(2 n ), in quanto per k 3 ho f(n) kg(n). Il nostro obiettivo è quello di stimare la complessità di un algoritmo con una data funzione O(g(n)), dove tipicamente n rappresenterà la grandezza di I.

52 Teoria della complessita 46 Dimensione di un istanza In un istanza I di un BPP con n oggetti, abbiamo come input gli n valori dei pesi degli oggetti e un valore aggiuntivo che esprime la capacità del bin, per un totale di n+1 valori. Stimeremo la dimensione dell istanza I con il valore n. La stima è ragionevole, in quanto esprimeremo la complessità con un O( ), dove le costanti saranno tutte trascurate. In un istanza I di un KP01 con n oggetti, abbiamo come input 2n valori (n profitti e n pesi) più un valore per la capacità del contenitore. Con ragionamento analogo al precedente, stimeremo la dimensione dell istanza I con il valore n. Dato un grafo di n vertici, diremo che la dimensione dell istanza è n (a volte può anche essere utile considerare il numero di lati m). Questo grafo potrà essere input di problemi di vario tipo, quali: SPP; SST; TSP; VRP;...