Tecniche euristiche greedy
|
|
- Eleonora Falco
- 5 anni fa
- Visualizzazioni
Transcript
1 Tecniche euristiche greedy PRTLC -
2 Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali
3 Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo: rilassamenti Rilassamento continuo - generazione di colonne Rilassamento Lagrangiano e surrogato
4 Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo: rilassamenti Rilassamento continuo - generazione di colonne Rilassamento Lagrangiano e surrogato Come ricavare una soluzione ammissibile Euristiche greedy e tecniche costruttive (costruiscono una soluzione ammissibile) Euristiche di ricerca locale (partono da una soluzione data e la migliorano)
5 (goloso) Costruisce la soluzione per passi
6 (goloso) Costruisce la soluzione per passi Inizialmente parte da una soluzione vuota Ad ogni iterazione aggiunge un elemento alla soluzione, mantenendo la soluzione parziale potenzialmente ammissibile
7 (goloso) Costruisce la soluzione per passi Inizialmente parte da una soluzione vuota Ad ogni iterazione aggiunge un elemento alla soluzione, mantenendo la soluzione parziale potenzialmente ammissibile In ogni iterazione seleziona la scelta migliore sulla base della soluzione attuale (scelta miopica)
8 (goloso) Costruisce la soluzione per passi Inizialmente parte da una soluzione vuota Ad ogni iterazione aggiunge un elemento alla soluzione, mantenendo la soluzione parziale potenzialmente ammissibile In ogni iterazione seleziona la scelta migliore sulla base della soluzione attuale (scelta miopica) Le decisioni non vengono ridiscusse (soluzione non ottima, in generale) Si eseguono un numero di iterazioni note a priori (polinomiali nelle dimensioni del problema)
9 Ingredienti Struttura della soluzione, gli elementi che la compongono
10 Ingredienti Struttura della soluzione, gli elementi che la compongono Criterio per selezionare la miglior scelta da fare data la soluzione parziale corrente
11 Ingredienti Struttura della soluzione, gli elementi che la compongono Criterio per selezionare la miglior scelta da fare data la soluzione parziale corrente Verifica dell ammissibilità della soluzione parziale
12 Schema dell algoritmo begin { X :=,
13 Schema dell algoritmo begin { X :=,S:=E;
14 Schema dell algoritmo begin { X :=,S:=E; repeat { e:= Best(S); (miglior scelta) S:= S\{e}
15 Schema dell algoritmo begin { X :=,S:=E; repeat { e:= Best(S); (miglior scelta) S:= S\{e} if(x e è ammissibile) then X:=X e;
16 Schema dell algoritmo begin { end} X :=,S:=E; repeat { e:= Best(S); (miglior scelta) S:= S\{e} if(x e è ammissibile) then X:=X e; }until (S= X completa)
17 Connessione di una rete Problema Una rete rappresentata da un grafo non direzionato G = (N, A) Costo associato ad ogni arco della rete Selezionare un sottoinsieme di archi in modo da collegare tutti i nodi della rete a costo minimo Albero di copertura di costo minimo
18 per albero di copertura di costo minimo Kruskal Soluzione è rappresentata da un sottoinsieme di archi
19 per albero di copertura di costo minimo Kruskal Soluzione è rappresentata da un sottoinsieme di archi Gli elementi della soluzione sono archi: ad ogni iterazione seleziono il nuovo arco da aggiungere
20 per albero di copertura di costo minimo Kruskal Soluzione è rappresentata da un sottoinsieme di archi Gli elementi della soluzione sono archi: ad ogni iterazione seleziono il nuovo arco da aggiungere La miglior scelta è l arco di costo minimo
21 per albero di copertura di costo minimo Kruskal Soluzione è rappresentata da un sottoinsieme di archi Gli elementi della soluzione sono archi: ad ogni iterazione seleziono il nuovo arco da aggiungere La miglior scelta è l arco di costo minimo Soluzione parziale è ammissibile se non contiene cicli e può essere completata connettendo tutti i nodi
22 per albero di copertura di costo minimo Kruskal Inizialmente la solusione è l insieme vuoto Gli archi vengono ordinati dal meno costoso al più costoso Ad ogni iterazione si estrae il primo arco dall elenco Se l arco scelto non genera cicli con quelli già selezionati viene aggiunto alla soluzione La procedura termina quando tutti i nodi sono collegati (la soluzione contiene N 1 archi) Per questo problema il greedy garantisce di trovare sempre la soluzione ottima
23 Dati Insieme A di possibili siti in cui installare antenne
24 Dati Insieme A di possibili siti in cui installare antenne Un costo di installazione di un antenna associato ad ogni possibile sito Un insieme di test point T, da servire
25 Dati Insieme A di possibili siti in cui installare antenne Un costo di installazione di un antenna associato ad ogni possibile sito Un insieme di test point T, da servire Distanza d ij tra ogni possibile antenna i e ogni test point j Distanza massima R tra antenna e test point che possono comunicare
26 Problema Decidere dove installare le antenne in modo che per ogni test point ci sia almeno un antenna a distanza inferiore a R
27 Problema Decidere dove installare le antenne in modo che per ogni test point ci sia almeno un antenna a distanza inferiore a R con l obiettivo di minimizzare il costo complessivo delle antenne installate
28 Modello Variabili y i i A : y i = 1 se viene installata un antenna nel sito i
29 Modello Variabili y i i A : y i = 1 se viene installata un antenna nel sito i Modello min i A c i y i m ij y i 1, i A j T
30 Algoritmo greedy Inizialmente non ci sono antenne scelte
31 Algoritmo greedy Inizialmente non ci sono antenne scelte I siti vengono ordinati per costo descrescente
32 Algoritmo greedy Inizialmente non ci sono antenne scelte I siti vengono ordinati per costo descrescente Si aggiunge l antenna migliore finché tutti i test point non sono coperti
33 Algoritmo greedy Inizialmente non ci sono antenne scelte I siti vengono ordinati per costo descrescente Si aggiunge l antenna migliore finché tutti i test point non sono coperti Varianti Ordinare per rapporto tra costo e numero di test point raggiunti crescente: c i {j T : d ij R}
34 Algoritmo greedy Inizialmente non ci sono antenne scelte I siti vengono ordinati per costo descrescente Si aggiunge l antenna migliore finché tutti i test point non sono coperti Varianti Ordinare per rapporto tra costo e numero di test point raggiunti crescente: c i {j T : d ij R} Ordinare per rapporto crescente tra costo e numero di test point raggiunti che non sono ancora coperti dalla soluzione corrente
35 Caso con antenne capacitate Come cambia il problema Ogni antenna può servire un numero massimo di test point (P)
36 Caso con antenne capacitate Come cambia il problema Ogni antenna può servire un numero massimo di test point (P) Oltre alla localizzazione delle antenne bisogna definire anche l assegnamento
37 Caso con antenne capacitate Come cambia il problema Ogni antenna può servire un numero massimo di test point (P) Oltre alla localizzazione delle antenne bisogna definire anche l assegnamento Come cambia il Si ordinano i siti e si seleziona il miglior sito Si assegnano all antenna scelta al più P test point coperti dal sito
38 Caso con antenne capacitate Come cambia il problema In questo modo si garantisce l ammissibilità? Cosa accade se un test point è raggiungibile da una sola antenna e se ad essa sono già stati assegnati P test point?
39 Caso con antenne capacitate Come cambia il problema In questo modo si garantisce l ammissibilità? Cosa accade se un test point è raggiungibile da una sola antenna e se ad essa sono già stati assegnati P test point? Possiamo ad esempio ordinare i test point coperti dall antenna selezionata in base al numero di antenne che li possono servire.
40 j V : (i,j) A k K min (i,j) A xij k xji k = j V : (j,i) A c ij y ij 1 se i = s k, 1 se i = t k 0 se i s k, t k, d k x k ij λy ij, (i, j) A µ ij 0 x k ij {0, 1}, y ij Z +
41 Elementi della soluzione Instradamento delle domande Dimensionamento dei canali sugli archi
42 Elementi della soluzione Instradamento delle domande Dimensionamento dei canali sugli archi Fissato l instradamento il dimensionamento è una conseguenza
43 Elementi della soluzione Instradamento delle domande Dimensionamento dei canali sugli archi Fissato l instradamento il dimensionamento è una conseguenza Basiamo il greedy sull instradamento
44 Ordiniamo le domande per quantità di traffico descrescente Per ogni domanda calcoliamo il percorso con il minor costo incrementale Assegnamo costo 0 agli archi su cui è disponibile una capacità superiore all entità della domanda Assegnamo costo pari all installazione del numero di canali necessario per gestire la domanda considerata Calcoliamo il cammino minimo sulla base di questi costi Instradiamo la domanda sul percorso calcolato Aggiorniamo il dimensionamento della capacità sugli archi coinvolti
45 Esempio Tre domande: 1 da 1 a 6, di traffico 7 2 da 1 a 4, di traffico 3 3 da 1 a 5, di traffico 2 Capacità dei canali λ = 10
46 Soluzione Ordino le domande per volume di traffico non crescente (1,2,3) Tutti gli archi hanno costo originale
47 Soluzione Ordino le domande per volume di traffico non crescente (1,2,3) Tutti gli archi hanno costo originale La domanda 1 è instradata sul cammino minimo (1, 2), (2, 3), (3, 6), su ciascun arco si installa un canale
48 Soluzione Ordino le domande per volume di traffico non crescente (1,2,3) Tutti gli archi hanno costo originale La domanda 1 è instradata sul cammino minimo (1, 2), (2, 3), (3, 6), su ciascun arco si installa un canale Considero la seconda domanda: i costi degli archi (1, 2), (2, 3), (3, 6) sono nulli La seconda domanda è instradata sul cammino (1, 2), (2, 3), (3, 4): sull arco (3, 4) si installa un canale
49 Soluzione Ordino le domande per volume di traffico non crescente (1,2,3) Tutti gli archi hanno costo originale La domanda 1 è instradata sul cammino minimo (1, 2), (2, 3), (3, 6), su ciascun arco si installa un canale Considero la seconda domanda: i costi degli archi (1, 2), (2, 3), (3, 6) sono nulli La seconda domanda è instradata sul cammino (1, 2), (2, 3), (3, 4): sull arco (3, 4) si installa un canale Considero la terza domanda: tutti gli archi hanno costo originale, tranne (3, 4) e (3, 6), di costo nullo La domanda è instradata sull arco (1, 5), su cui si installa un canale.
50 Soluzione Su ogni arco della soluzione è installato un canale costo complessivo 24
51 È la soluzione ottima? Su ogni arco della soluzione è installato un canale costo complessivo 23
52 Problema: dati Insieme I di trasmettitori
53 Problema: dati Insieme I di trasmettitori Insieme F di frequenze che possono essere assegnate ai trasmettitori
54 Problema: dati Insieme I di trasmettitori Insieme F di frequenze che possono essere assegnate ai trasmettitori Distanza d ij tra il trsmettitore i e il trasmettitore j
55 Problema: dati Insieme I di trasmettitori Insieme F di frequenze che possono essere assegnate ai trasmettitori Distanza d ij tra il trsmettitore i e il trasmettitore j Problema Assegnare una frequenza a ciascun trasmettitore
56 Problema: dati Insieme I di trasmettitori Insieme F di frequenze che possono essere assegnate ai trasmettitori Distanza d ij tra il trsmettitore i e il trasmettitore j Problema Assegnare una frequenza a ciascun trasmettitore garantendo che due trasmettitori che distano meno di d non siano assegnati alla stessa frequenza
57 Problema: dati Insieme I di trasmettitori Insieme F di frequenze che possono essere assegnate ai trasmettitori Distanza d ij tra il trsmettitore i e il trasmettitore j Problema Assegnare una frequenza a ciascun trasmettitore garantendo che due trasmettitori che distano meno di d non siano assegnati alla stessa frequenza con l obiettivo di minimizzare il numero di frequenze usate
58 Modello x if {0, 1} = 1 se al trasmettitore i è assegnata la frequenza f y f {0, 1} = 1 se la frequenza f viene usata min f F x if = 1 f F y f i I x if + x jf 1 f F, i, j I : d ij d x if y f i I, f F
59 Problema di coloramento di grafo
60 Soluzione euristica Idea Seleziono il nodo con grado massimo Assegno una frequenza (colore) Coloro la sua stella Cerco un nuovo nodo non ancora colorato
61
62
63
64 Stime dell ottimo Clique Sottoinsieme di nodi completamente connesso Bound Devono essere tutti di colori diversi Il numero minimo di colori è maggiore od uguale alla cardinalità della clique massima
Tecniche euristiche Ricerca Locale
Tecniche euristiche Ricerca Locale PRTLC - Ricerca Locale Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo: rilassamenti Rilassamento
DettagliStime dell ottimo - Rilassamenti. PRTLC - Rilassamenti
Stime dell ottimo - Rilassamenti PRTLC - Rilassamenti Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo: rilassamenti Rilassamento
DettagliAlberi di copertura. Mauro Passacantando. Dipartimento di Informatica Largo B. Pontecorvo 3, Pisa
Alberi di copertura Mauro Passacantando Dipartimento di Informatica Largo B. Pontecorvo, Pisa mpassacantando@di.unipi.it M. Passacantando TFA 0/ - Corso di Ricerca Operativa Università di Pisa / 9 Definizioni
DettagliIl problema del commesso viaggiatore
Il problema del commesso viaggiatore Mauro Passacantando Dipartimento di Informatica Largo B. Pontecorvo 3, Pisa mpassacantando@di.unipi.it M. Passacantando TFA 2012/13 - Corso di Ricerca Operativa Università
DettagliIl Problema dell Albero Ricoprente Minimo (Shortest Spanning Tree - SST)
Il Problema dell Albero Ricoprente Minimo (Shortest Spanning Tree - SST) È dato un grafo non orientato G=(V,E). Ad ogni arco e i E, i=1,,m, è associato un costo c i 0 7 14 4 10 9 11 8 12 6 13 5 17 3 2
DettagliI Appello Ricerca Operativa 2 bis Compito A
I Appello Ricerca Operativa 2 bis Compito A Cognome e nome:. Esercizio 1. Si consideri il problema del matching di cardinalità massima in un grafo G ed il suo problema di decisione associato: esiste un
DettagliINSTRADAMENTO: ALGORITMO DI KRUSKAL
UNIVERSITA' DEGLI STUDI DI BERGAMO Dipartimento di Ingegneria INSTRADAMENTO: ALGORITMO DI KRUSKAL FONDAMENTI DI RETI E TELECOMUNICAZIONE A.A. 2012/13 - II Semestre Esercizio 1 Sia dato il grafo G= (N,
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) protocolli reti IP memorizzazione compatta di
Dettagli3.2 Rilassamenti lineari/combinatori e bounds
3.2 Rilassamenti lineari/combinatori e bounds Consideriamo un problema di Ottimizzazione Discreta min{f(x) : x X} e sia z il valore di una soluzione ottima x X. Metodi di risoluzione spesso generano una
DettagliESERCIZIO 1: Punto 1
ESERCIZIO : Punto La seguente matrice è una matrice delle distanze di un istanza del problema del Commesso Viaggiatore. - - - - - - - Calcolare.Il valore del rilassamento che si ottiene determinando l
DettagliOttimizzazione Combinatoria e Reti (a.a. 2007/08)
o Appello 6/07/008 Ottimizzazione Combinatoria e Reti (a.a. 007/08) Nome Cognome: Matricola: ) Dopo avere finalmente superato l esame di Ricerca Operativa, Tommaso è pronto per partire in vacanza. Tommaso
DettagliMETODI DELLA RICERCA OPERATIVA
Università degli Studi di Cagliari FACOLTA' DI INGEGNERIA CORSO DI METODI DELLA RICERCA OPERATIVA Dott.ing. Massimo Di Francesco (mdifrance@unica.it) i i Dott.ing. Maria Ilaria Lunesu (ilaria.lunesu@unica.it)
DettagliFormulazioni. Consideriamo il seguente problema di Knapsack 0-1. max (5x x 2. ) st 3x x 2. < 6 x {0,1} 2
Formulazioni Consideriamo il seguente problema di Knapsack 0-1 max (5x 1 + 2x 2 ) st 3x 1 + 4x 2 < 6 x {0,1} 2 Insiemi ammissibili F = {(0, 0), (0, 1), (1, 0)} Rappresentiamo sul piano gli insiemi ammissibili.
DettagliAlgoritmi e Strutture Dati
Algoritmi Golosi (Greedy) Maria Rita Di Berardini, Emanuela Merelli 1 1 Dipartimento di Matematica e Informatica Università di Camerino un algoritmo goloso correttezza Problema della selezione di attività
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) diffusione di messaggi segreti memorizzazione
DettagliParte IV: Matrici totalmente unimodulari
Parte IV: Matrici totalmente unimodulari Formulazioni Consideriamo il seguente problema di Knapsack 0-1 max (5x 1 + 2x 2 ) st 3x 1 + 4x 2 < 6 x {0,1} 2 Insiemi ammissibili F = {(0, 0), (0, 1), (1, 0)}
DettagliNome Cognome: RICERCA OPERATIVA (a.a. 2012/13) 5 o Appello 14/1/ Corso di Laurea: L Sp Matricola:
o Appello // RICERCA OPERATIVA (a.a. /) Nome Cognome: Corso di Laurea: L- Sp Matricola: ) Si individui un albero dei cammini minimi di radice sul grafo in figura. - - Si utilizzi l algoritmo più appropriato
DettagliProblema del cammino minimo
Algoritmi e Strutture di Dati II Problema del cammino minimo Un viaggiatore vuole trovare la via più corta per andare da una città ad un altra. Possiamo rappresentare ogni città con un nodo e ogni collegamento
DettagliPossibile applicazione
p. 1/4 Assegnamento Siano dati due insiemi A e B entrambi di cardinalità n. Ad ogni coppia (a i,b j ) A B è associato un valore d ij 0 che misura la "incompatibilità" tra a i e b j, anche interpretabile
DettagliIl problema del commesso viaggiatore e problemi di vehicle routing
Il problema del commesso viaggiatore e problemi di vehicle routing Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 2 Dicembre
Dettagli4.1 Localizzazione e pianificazione delle base station per le reti UMTS
esercitazione Ottimizzazione Prof E Amaldi Localizzazione e pianificazione delle base station per le reti UMTS Consideriamo il problema di localizzare un insieme di stazioni radio base, base station (BS),
DettagliConstraint Satisfaction Problems
Constraint Satisfaction Problems Corso di Intelligenza Artificiale, a.a. 2017-2018 Prof. Francesco Trovò 19/03/2018 Constraint Satisfaction problem Fino ad ora ogni stato è stato modellizzato come una
Dettagli3.1 Progetto di rete con capacità
.1 Progetto di rete con capacità Un azienda deve progettare la propria rete di telecomunicazioni per permettere l invio di una quantità di dati d k 0 per ogni coppia origine-destinazione di nodi (s k,t
DettagliMassimo flusso e matching
Capitolo Massimo flusso e matching. Problema del massimo matching. Nel problema del massimo matching è dato un grafo non orientato G(V, A); un matching in G è un insieme di archi M A tale che nessuna coppia
DettagliALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I
ALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I Esercizio 1 Dati n oggetti ed un contenitore, ad ogni oggetto j (j = 1,, n) sono associati un peso p j ed un costo c j (con p j e c j interi positivi). Si
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) memorizzazione compatta di sequenze (DNA) diffusione
DettagliRICERCA OPERATIVA (a.a. 2016/17) Nome: Cognome: Matricola:
Secondo appello //0 RICERCA OPERATIVA (a.a. 0/) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x x x x x + x x x per via algebrica, mediante l algoritmo del Simplesso Primale a partire
DettagliAlgoritmi euristici. Parte I: metodi classici
Algoritmi euristici. Parte I: metodi classici Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it rev. 1.0 - febbraio 2003 Algoritmi Euristici Algoritmi Euristici, Approssimati, Approssimanti
DettagliRichiami di Teoria dei Grafi. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Richiami di Teoria dei Grafi Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Teoria dei grafi La Teoria dei Grafi costituisce, al pari della Programmazione Matematica, un corpo
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) memorizzazione compatta di sequenze (DNA) diffusione
DettagliAlgoritmo basato su cancellazione di cicli
Algoritmo basato su cancellazione di cicli Dato un flusso ammissibile iniziale, si costruisce una sequenza di flussi ammissibili di costo decrescente. Ciascun flusso è ottenuto dal precedente flusso ammissibile
DettagliRICERCA OPERATIVA (a.a. 2011/12) Nome: Cognome: Matricola:
5 o Appello 8/0/0 RICERCA OPERATIVA (a.a. 0/) Nome: Cognome: Matricola: ) Si individui un albero dei cammini minimi di radice sul grafo in figura, utilizzando l algoritmo più appropriato dal punto di vista
Dettagli2.3 Cammini ottimi. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
. Cammini ottimi E. Amaldi Fondamenti di R.O. Politecnico di Milano .. Cammini minimi e algoritmo di Dijkstra Dato un grafo orientato G = (N, A) con una funzione di costo c : A c ij R e due nodi s e t,
DettagliGestione della produzione e della supply chain Logistica distributiva
Gestione della produzione e della supply chain Logistica distributiva Paolo Detti Dipartimento di Ingegneria dell Informazione e Scienze Matematiche Università di Siena Convergenza dell algoritmo Se non
DettagliEsame di Ricerca Operativa del 21/02/19. max 3 x 1 +x 2 6 x x x 1 +2 x x 1 3 x x 1 4 x x 1 +2 x x 1 x 2 3
Esame di Ricerca Operativa del /0/ Cognome) Nome) Numero di Matricola) Esercizio. Effettuare due iterazioni dell algoritmo del simplesso primale. max x +x x +0 x x + x 8 x x x x x + x x x passo {,} passo
DettagliEsame di Ricerca Operativa del 23/02/17
Esame di Ricerca Operativa del /0/ (Cognome) (Nome) (Numero di Matricola) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y + y + y + y y +0 y + y y y
DettagliUNIVERSITÀ DEGLI STUDI ROMA TRE Collegio Didattico in Ingegneria Informatica corso di Ricerca operativa 2. Esercizi sul problema dell assegnamento
UNIVERSITÀ DEGLI STUDI ROMA TRE Collegio Didattico in Ingegneria Informatica corso di Ricerca operativa Esercizi sul problema dell assegnamento Richiami di Teoria Ricordiamo che, dato un grafo G=(N,A),
DettagliEsame di Ricerca Operativa del 04/07/17
Esame di Ricerca Operativa del 0/0/ (Cognome) (Nome) (Numero di Matricola) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y y + y + y + y + y +9 y y y
DettagliEsame di Ricerca Operativa del 16/02/15. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del /0/ Cognome) Nome) Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y + y +0 y +0 y +y + y y y +y y y y
DettagliAlgoritmi e Strutture Dati
Algoritmi e Strutture Dati Minimo albero ricoprente Fabio Patrizi 1 Albero ricoprente Sia G=(V,E) un grafo non orientato e connesso. Un albero ricoprente di G è un sottografo T G tale che: T è un albero;
DettagliRICERCA OPERATIVA (a.a. 2015/16) Nome: Cognome: Matricola:
o Appello // RICERCA OPERATIVA (a.a. /) Nome: Cognome: Matricola: ) Si consideri il seguente problema di PL: max x + x x x x x x + x x Si applichi l algoritmo del Simplesso Duale, per via algebrica, a
DettagliEsame di Ricerca Operativa del 30/06/14. max 4 x 1 7 x 2 x 1 +7 x 2 7 x 1 4 x 2 7 x 1 +5 x 2 5 x 1 x 2 5 x 2 1 x 1 +4 x 2 6
Esame di Ricerca Operativa del 0/0/ Cognome) Nome) Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x 7 x x +7 x 7 x x 7 x + x x x x x
DettagliEsame di Ricerca Operativa del 11/1/19
Esame di Ricerca Operativa del // (Cognome) (Nome) (Numero di Matricola) Esercizio. (a) Risolvere il seguente problema di programmazione lineare, determinandone il problema duale ed applicando l algoritmo
DettagliAlgoritmi e Strutture Dati
Algoritmi e Strutture Dati Minimo albero ricoprente Domenico Fabio Savo 1 Albero ricoprente Sia G=(V,E) un grafo non orientato e connesso. Un albero ricoprente di G è un sottografo T G tale che: T è un
Dettaglicittà
Esercitazione 11-4-18 Esercizio 1. Si consideri il problema di trovare il ciclo hamiltoniano di costo minimo su una rete di 5 città, le cui distanze reciproche sono indicate in tabella: città 2 3 4 5 1
DettagliEsame di Ricerca Operativa del 03/07/18. Base x degenere y Indice Rapporti Indice entrante uscente
Esame di Ricerca Operativa del 0/0/8 Cognome) Nome) Numero di Matricola) Esercizio. Effettuare due iterazioni dell algoritmo del simplesso duale per il problema min y + y + y + y + y +8 y y +y y y y y
Dettagli1) Disegnare la rete di progetto con le attività sugli archi, e la rete di progetto con le attività sui nodi.
Un progetto di ricerca e sviluppo di una società si compone di 12 (principali) attività con precedenze, durate normali b ij (in giorni), costi diretti c ij (in dollari) delle attività alla loro durata
DettagliRICERCA OPERATIVA (a.a. 2017/18) Nome: Cognome: Matricola:
Terzo appello //8 RICERCA OPERATIVA (a.a. 7/8) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x x x x x x x x x applicando l algoritmo del Simplesso Primale, per via algebrica, a
DettagliEsame di Ricerca Operativa del 18/06/18
Esame di Ricerca Operativa del 8/0/8 (Cognome) (Nome) (Numero di Matricola) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x x x +x x x x +x x x x + x
DettagliRicerca Operativa A.A. 2007/ Esercitazione di laboratorio: Branch and Bound.
Ricerca Operativa A.A. 2007/2008 17. Esercitazione di laboratorio: Branch and Bound. Luigi De Giovanni - Ricerca Operativa - 17. Esercitazione di laboratorio: Branch and Bound 17.1 . Luigi De Giovanni
DettagliUn esempio di applicazione della programmazione lineare intera al progetto di una rete stradale con vincoli di network survivability
Un esempio di applicazione della programmazione lineare intera al progetto di una rete stradale con vincoli di network survivability Corso di Ricerca Operativa per il Corso di Laurea Magistrale in Ingegneria
DettagliMinimo albero di copertura
apitolo 0 Minimo albero di copertura efinizione 0.. ato un grafo G = (V, E) non orientato e connesso, un albero di copertura di G è un sottoinsieme T E tale che il sottografo (V, T ) è un albero libero.
DettagliEsame di Ricerca Operativa del 25/06/12
Esame di Ricerca Operativa del /0/ Cognome) Nome) Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x x x x x + x x x 8 x x x + x x x Base
DettagliEsame di Ricerca Operativa del 11/02/2015
Esame di Ricerca Operativa del /0/0 (Cognome) (Nome) (Matricola) Esercizio. Un azienda produce tipi di TV (, 0, 0 e pollici) ed è divisa in stabilimenti (A e B). L azienda dispone di 0 operai in A e 0
DettagliIntroduzione ai grafi
TFA A048 Anno Accademico 2012-13 Outline Cenni storici sui grafi Nozioni introduttive: cammini, connessione, alberi, cicli Cammini di costo minimo Origini storiche La nascita della teoria dei grafi risale
DettagliPROBLEMA DEI CAMMINI MINIMI [CORMEN ET AL. CAP. 24] Il costo di cammino minimo da un vertice u ad un vertice v è definito nel seguente modo:
PROBLEMA DEI CAMMINI MINIMI [CORMEN ET AL. CAP. 24] Sia G = (V,E) un grafo orientato ai cui archi è associato un costo W(u,v). Il costo di un cammino p = (v 1,v 2,...,v k ) è la somma dei costi degli archi
DettagliProblemi di localizzazione
Problemi di localizzazione Claudio Arbib Università di L Aquila Prima Parte (marzo 200): problemi con singolo decisore . Introduzione Un problema di localizzazione consiste in generale nel decidere dove
DettagliEuristiche per il Problema del Commesso Viaggiatore
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Euristiche per il Problema del Commesso Viaggiatore Renato Bruni bruni@dis.uniroma.it Il materiale presentato
DettagliQuinto appello 27/6/ = 4. B b B = 2 b N = 4
Quinto appello // RICERCA OPERATIVA (a.a. /) Nome: Cognome: Matricola: ) Si risolva il problema di PL dato applicando l algoritmo del Simplesso Duale, per via algebrica, a partire dalla base B {, }. Per
Dettagli3.3 Problemi di PLI facili
3.3 Problemi di PLI facili Consideriamo un generico problema di PLI espresso in forma standard min{c t x : Ax = b, x Z n +} (1) dove A Z m n con n m, e b Z m. Supponiamo che A sia di rango pieno. Sia P
DettagliAlgoritmi Greedy. Tecniche Algoritmiche: tecnica greedy (o golosa) Un esempio
Algoritmi Greedy Tecniche Algoritmiche: tecnica greedy (o golosa) Idea: per trovare una soluzione globalmente ottima, scegli ripetutamente soluzioni ottime localmente Un esempio Input: lista di interi
Dettagli1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44;
1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44; c 24 = 15; c 25 = 12; c 34 = 32; c 35 = 55; c 45 = 24 Si calcoli l ottimo duale (formulazione
DettagliRICERCA OPERATIVA (a.a. 2014/15) Nome: Cognome: Matricola:
3 o Appello /2/2 RICERCA OPERATIVA (a.a. 2/) Nome: Cognome: Matricola: ) Si risolva algebricamente il seguente problema di PL max x 2x 2 x x 2 2 x x + x 2 3 x 2 7 mediante l algoritmo del Simplesso Primale
DettagliGestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena
Gestione della produzione e della supply chain Logistica distributiva Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Un algoritmo per il flusso a costo minimo: il simplesso
Dettagli2.3.3 Cammini ottimi nei grafi senza circuiti
.. Cammini ottimi nei grafi senza circuiti Sia un grafo G = (N, A) orientato senza circuiti e una funzione di costo che assegna un valore c ij R ad ogni arco (i, j) A circuito Proprietà I nodi di un grafo
DettagliAA Prova del 4 Dicembre 2012 Compito A
Prova del 4 Dicembre 2012 Compito A A.1). (14 punti) Un agenzia viaggi sta organizzando una visita guidata a Berlino: per questo motivo ha selezionato 11 escursioni, tra tante che erano possibili. Scrivere
DettagliGrafo per n/m/g/c max r i =0
M1 M2 M3 M JOB SHOP SENZA RICIRCOLAZIONE Grafo per n/m/g/c max r i =0 Archi (precedenze) disgiuntivi(macch.) Arco(precedenza) congiuntivo(pezzi) 1,1 2,1 3,1 I 2,2 1,2,2 3,2 F 1,3 2,3,3 Operazione(i,j):
DettagliEsame di Ricerca Operativa del 15/01/19. max 6 x 1 x 2 6 x x x 1 +2 x x 1 3 x x 1 4 x x 1 +2 x x 1 x 2 19
Esame di Ricerca Operativa del /0/9 Cognome) Nome) Numero di Matricola) Esercizio. Effettuare due iterazioni dell algoritmo del simplesso primale: max x x x + x x + x 8 x x x x x + x x x 9 passo {,} passo
DettagliProgettazione di Algoritmi
Corso di laurea in Informatica Prova scritta del: Progettazione di Algoritmi 0/06/06 Prof. De Prisco Inserire i propri dati nell apposito spazio. Non voltare la finché non sarà dato il via. Dal via avrai
DettagliLABORATORIO DI ALGORITMI E STRUTTURE DATI A-L. Ingegneria e scienze informatiche Cesena A.A: 2016/2017 Docente: Greta Sasso
LABORATORIO DI ALGORITMI E STRUTTURE DATI A-L Ingegneria e scienze informatiche Cesena A.A: 2016/2017 Docente: Greta Sasso Minimum Spanning Tree Albero di copertura (Spanning Tree): un albero di copertura
Dettagli2 OTTIMIZZAZIONE SU GRAFI. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
2 OTTIMIZZAZIONE SU GRAFI E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Molti problemi decisionali possono essere formulati utilizzando il linguaggio della teoria dei grafi. Esempi: - problemi di
DettagliProblemi dello zaino e di bin packing
Problemi dello zaino e di bin packing Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 2 Dicembre 2014 Ricerca Operativa 2 Laurea
DettagliMatroidi, algoritmi greedy e teorema di Rado
Matroidi, algoritmi greedy e teorema di Rado per il corso di Laboratorio di Algoritmi e Ricerca Operativa Dott. Alberto Leporati / Prof.ssa Enza Messina Dipartimento di Informatica, Sistemistica e Comunicazione
DettagliEsame di Ricerca Operativa del 08/01/13. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del 08/0/ Cognome) Nome) Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x + x x +x x x 0 x + x x x 8 x x 8
DettagliFlusso a Costo Minimo
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Flusso a Costo Minimo Docente: Renato Bruni bruni@dis.uniroma.it Corso di: Ottimizzazione Combinatoria Dal
DettagliEsame di Ricerca Operativa del 09/01/15. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del 0/0/ (Cognome) (Nome) (Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min 7 y +y + y + y +y +7 y y +y y y
DettagliPROBLEMA DEL COMMESSO VIAGGIATORE
PROBLEMA DEL COMMESSO VIAGGIATORE INTRODUZIONE Il problema del commesso viaggiatore (traveling salesman problem :TSP) è un classico problema di ottimizzazione che si pone ogni qual volta, dati un numero
DettagliAMPL Problemi su Reti
Dipartimento di Matematica Università di Padova Corso di Laurea Informatica Outline Problemi su Reti Cammino Minimo Molti problemi di ottimizzazione combinatoria possono essere modellati ricorrendo ai
DettagliAlgoritmi Euristici. Corso di Laurea in Informatica e Corso di Laurea in Matematica. Roberto Cordone DI - Università degli Studi di Milano
Algoritmi Euristici Corso di Laurea in Informatica e Corso di Laurea in Matematica Roberto Cordone DI - Università degli Studi di Milano Lezioni: Martedì 14.30-16.30 in Aula Omega Venerdì 14.30-16.30 in
DettagliOttimizzazione Combinatoria 2 Presentazione
Ottimizzazione Combinatoria Presentazione ANTONIO SASSANO Università di Roma La Sapienza Dipartimento di Informatica, Automatica e Gestionale «Antonio Ruberti» Roma, Febbraio Prerequisiti (cosa sapete)
DettagliBranch-and-bound per TSP
p. 1/6 Branch-and-bound per TSP Anche qui, rispetto allo schema generale visto in precedenza dobbiamo specificare: p. 1/6 Branch-and-bound per TSP Anche qui, rispetto allo schema generale visto in precedenza
DettagliProblema dell albero di cammini minimi (SPT, Shortest Path Tree) o problema dei cammini minimi :
Per almeno una delle soluzioni ottime { P i, i r } del problema generalizzato, l unione dei cammini P i forma un albero di copertura per G radicato in r e orientato, ossia un albero la cui radice è r i
DettagliCOMPITO DI RICERCA OPERATIVA. max 8 5x 1 3x 2 x 3 = 1 + 4x 1 + x 2 x 4 = 1 x 1 + x 2 x 5 = 5 x 1 x 2
COMPITO DI RICERCA OPERATIVA ESERCIZIO. (5 punti) Dato un problema di PL, la sua riformulazione rispetto alla base B = {x 3, x, x 5 } é la seguente: max 8 5x 3x x 3 = + x + x x = x + x x 5 = 5 x x Solo
DettagliNome Cognome... Firma...
Prova del 2 Dicembre 2013 Compito A A.1). (14 punti) Due elettricisti stanno progettando un nuovo impianto elettrico. Hanno a disposizione 50 componenti, con caratteristiche tecniche diverse, e devono
DettagliPROBLEMI SU GRAFO (combinatori)
PROLMI SU GRO (combinatori) In molti problemi il numero di soluzioni ammissibili è finito. Questi problemi sono quasi sempre descritti su grafi. Rete stradale: come andare da a in tempo minimo? Grafo orientato
DettagliAlgoritmi esatti. La teoria ci dice che per problemi difficili (come il
p. 1/4 Algoritmi esatti La teoria ci dice che per problemi difficili (come il KNAPSACK o, ancora di più, il TSP ) i tempi di risoluzione delle istanze, calcolati tramite analisi worst-case, tendono a crescere
DettagliAlgoritmi e Strutture di Dati (3 a Ed.) Algoritmo dei tre indiani. Alan Bertossi, Alberto Montresor
Algoritmi e Strutture di Dati ( a Ed.) Algoritmo dei tre indiani Alan Bertossi, Alberto Montresor Vediamo a grandi linee un algoritmo proposto da Kumar, Malhotra e Maheswari (978) come raffinamento di
DettagliEsame di Ricerca Operativa. x 1 +2 x 2 6 x 1 +x 2 6 x 1 4 x 1 1
Esame di Ricerca Operativa (Cognome) (Nome) (Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x + x x +x x 0 x + x x +x x x Base Soluzione
DettagliWeek #9 Assessment. Practice makes perfect... November 23, 2016
Week #9 Assessment Practice makes perfect... November 23, 2016 Esercizio 1 Un azienda di trasporto deve caricare m camion {1,..., m} in modo da servire giornalmente un dato insieme di clienti. Nei camion
DettagliRicerca per ispezione guidata (Branch and Bound) per min L max con r j 0
Per esporre il più importante algoritmo per lo scheduling in sistemi ad instradamento differenziato occorre considerare un estensione del min L max Ricerca per ispezione guidata (Branch and Bound) per
DettagliAlgoritmi e Strutture Dati
Cognome................................ Nome................................... Matricola............................... Algoritmi e Strutture Dati Prova scritta del 4 luglio 207 TEMPO DISPONIBILE: 2 ore
DettagliRICERCA OPERATIVA (a.a. 2017/18) Nome: Cognome: Matricola:
Primo appello 9//8 RICERCA OPERATIVA (a.a. 7/8) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x + x x + x x x x x applicando l algoritmo del Simplesso Primale, per via algebrica,
Dettagli