Parte IV: Rafforzamento di formulazioni e algoritmo dei piani di taglio
|
|
- Dante Camillo Alfieri
- 4 anni fa
- Visualizzazioni
Transcript
1 Parte IV: Rafforzamento di formulazioni e algoritmo dei piani di taglio
2 Nozioni di geometria Definizione: Un vettore y R n è combinazione conica dei vettori { 1,, k } se esistono k coefficienti reali λ 1,,λ k tali che y = Σ λ i i, con λ i > 0, per ogni i = 1,,k. k i = 1 Definizione: Un vettore y R n è combinazione affine dei vettori { 1,, k } se esistono k coefficienti reali λ 1,,λ k tali che y = Σ λ i i, k con Σ λ i = 1. i = 1 Definizione: Un vettore y R n è combinazione convessa dei vettori { 1,, k } se esistono k coefficienti reali λ 1,,λ k tali che y = Σ λ i i, k con Σ λ i = 1 e λ i > 0, per ogni i = 1,,k. i = 1 k i = 1 k i = 1
3 Nozioni di geometria Definizione: Dato un insieme S R n, l involucro convesso di S, conv(s), è l insieme di tutti i vettori ottenibili come combinazione convessa di sottoinsiemi finiti di vettori di S. Definizione: Dato un insieme convesso S, un vettore y S si dice estremo se e solo se esso non è ottenibile come combinazione convessa di altri vettori in S. Definizione: Un poliedro P = { R n : A < b} è un insieme convesso con un numero finito di punti estremi detti vertici di P.
4 Nozioni di geometria Definizione: Una disequazione a T < α è valida per il poliedro P = { R n : A < b} se e solo se P { R n : a T < α}, ovvero se e solo se la disequazione è soddisfatta da tutte le soluzioni ammissibili del sistema A < b (diremo che a T < α è implicata dal sistema A < b). Definizione: Una disequazione valida a T < α definisce una faccia F = P { R n : a T = α}. L insieme { R n : a T = α} è detto iperpiano di supporto di F. Ogni faccia di un poliedro è essa stessa un poliedro. Definizione: La dimensione di un poliedro P, dim(p), è data dal massimo numero di vettori affinemente indipendenti appartenenti a P meno uno. Data una faccia F di P, risulta sempre dim(f) < dim (P). Se dim(f) = dim(p), F è detta faccia impropria di P. Se dim(f) = dim(p) 1, F è detta faccia massimale di P. Se dim(f) = 0, F coincide con un vertice di P.
5 Nozioni di geometria La rappresentazione A < b di un poliedro P non è univocamente determinata. Infatti, è sempre possibile aggiungere alla rappresentazione nuove disuguaglianze valide per P, ottenute come combinazione conica delle disequazioni del sistema A < b, senza modificare la regione ammissibile. Definizione: Una rappresentazione A < b è minimale se, rimuovendo una qualsiasi disequazione dal sistema si ottiene un nuovo sistema A < b tale che P { R n : A < b }. Definizione: Se P R n è tale che dim(p) = n, una rappresentazione A < b è minimale se e solo se ogni disequazione del sistema definisce una faccia massimale di P.
6 Formulazioni di problemi di PL 0-1 Ricordiamo che, date due diverse formulazioni lineari P 1 e P 2 di un problema di programmazione lineare 0-1 della forma (1), diremo che P 1 è migliore di P 2 se e solo se P 1 P 2. La formulazione ottima di un problema di programmazione lineare 0-1 della forma (1) ma c T S (S {0,1} n ) è costituita dal poliedro contenuto in tutti i poliedri contenenti S, ovvero dall involucro convesso conv(s). Indichiamo con P S la formulazione ottima.
7 Formulazioni di problemi di PL 0-1 Ricordiamo ancora che, dato un problema di programmazione lineare 0-1 ma c T (1) S (S {0,1} n ) un poliedro P = { R n : A < b} è una formulazione lineare del problema se e solo se S = P {0,1} n. Teorema: Un problema di programmazione lineare 0-1 della forma (1) ammette sempre una formulazione lineare conv(s) con la proprietà che S se e solo se è un vertice di conv(s).
8 Formulazioni di problemi di PL 0-1 Dal teorema precedente, possiamo riscrivere il problema (1) nella forma ma c T (2) P S Infatti, poiché i vertici di P S coincidono con i vettori in S, risolvere il problema (1) è equivalente ad individuare un vertice di P S che massimizzi c T, ovvero ad individuare un vertice ottimo per il problema (2). Pertanto, ogni problema di programmazione lineare 0-1 può essere espresso come problema di programmazione lineare.
9 Formulazioni di problemi di PL 0-1 Il fatto che si possa passare da un problema di programmazione lineare 0-1 a un problema di programmazione lineare suggerisce importanti conseguenze riguardanti la complessità computazionale: infatti, è noto che un problema di programmazione lineare può essere risolto in tempo e spazio polinomiali ricorrendo a opportuni algoritmi. ATTENZIONE! E sbagliato pensare che algoritmi polinomiali per problemi di programmazione lineare possano essere utilizzati per risolvere qualsiasi problema di programmazione lineare 0-1.
10 Formulazioni di problemi di PL 0-1 Alcuni metodi per la programmazione lineare richiedono una rappresentazione esplicita della formulazione P S. Tale rappresentazione è teoricamente ottenibile per qualsiasi problema di programmazione lineare 0-1 ma è spesso algoritmicamente impraticabile. Invece altri metodi,come il Metodo dell Ellissoide, si accontentano di una rappresentazione implicita della formulazione P S fornita dal cosiddetto Oracolo di Separazione. Tale oracolo è realizzato da un algoritmo che, dato un vettore R n, o genera un iperpiano che separa da P S oppure conclude che P S. L oracolo di separazione descrive P S in modo algoritmico e rende i metodi che lo utilizzano indipendenti dal numero di disequazioni della rappresentazione esplicita.
11 Rafforzamento di formulazioni Il problema di knapsack ma < 6 {0,1} 2 ha come rilassamento lineare ma < 6 1 > 0 2 > 0 1 < 1 2 < 1 Sia * LP la soluzione ottima del rilassamento.
12 Oracolo di Separazione Dato il vettore * LP, l oracolo di separazione consente di individuare una disequazione soddisfatta da tutti i vettori in P S (valida per P S ), e non soddisfatta dal vettore * LP, OPPURE di concludere che * LP P S. Dal punto di vista geometrico, l oracolo costruisce, se esiste, un iperpiano che separa * LP da P S. Se tale iperpiano non esiste allora il punto * LP appartiene a P S. L iperpiano individuato è detto iperpiano di separazione o piano di taglio.
13 Oracolo di Separazione 2 * LP 1 L oracolo viene generalmente realizzato tramite un algoritmo detto Algoritmo di Separazione.
14 Disuguaglianze valide per il Knapsack 0-1 Consideriamo l insieme X = { {0,1} n : Σ a j j < b}. n j = 1 Definizione: Un insieme C N è un cover se e solo se Σ a j > b. j C Un cover è minimale se, comunque preso j C, l insieme C \ { j } NON è un cover. Osservazione: Un insieme C è un cover se e solo se il suo vettore caratteristico C non è ammissibile per X.
15 Disuguaglianze valide per il Knapsack 0-1 Teorema: Se C N è un cover per X, la disequazione è valida per X. Σ j < C 1 (*) j C Dimostrazione: Dimostriamo che se un generico vettore R non soddisfa il vincolo (*) allora R X. Se R è tale che Σ R j > C 1, allora R C = C e quindi C j C R. Pertanto: ovvero R X. n Σ a j jr = Σ a j > Σ a j > b j =1 j R j C
16 Consideriamo il problema di knapsack ma < 19 {0,1} 7 Esempio La soluzione associata al suo rilassamento lineare è ( * ) LP = (1, 1, 1/3, 0, 0, 0, 0). Una disequazione cover violata da ( * ) LP è la disequazione < 2. Qual è il problema di separazione che consente di individuare una disequazione di tipo cover violata da ( * ) LP?
17 Oracolo di separazione Riscriviamo la disequazione Σ j < C 1 nella forma 1 + Σ j - C < Σ ( j 1) < 0 j C j C La disequazione è violata da ( * ) LP se e solo se: 1 + Σ (( * j ) LP 1) > 0 Quindi, possiamo massimizzare la violazione definendo SEP = ma {Σ (( * j ) LP 1) : Σ a j > b} C N j C j C j C j C Un algoritmo per SEP è un oracolo di separazione.
18 Oracolo di separazione Siano y * SEP z * SEP la soluzione ottima del problema SEP, e il corrispondente valore della funzione obiettivo. Se 1 + z * > 0, allora esiste una disuguaglianza cover violata da y * SEP. Se 1 + z * SEP < 0, allora non esiste una disuguaglianza cover violata da y * SEP. A questo punto non resta che formulare come programmazione lineare 0-1 il problema di separazione.
19 Formulazione del problema di separazione Il problema di separazione può essere formulato come un problema di programmazione lineare 0-1 in cui la variabile y j = 1 se j C e y j = 0 altrimenti. Funzione Obiettivo ma Σ (( * j ) LP 1)y j j N Vincoli Σ a j y j > b + 1 j N y {0,1} n Osservazione: I coefficienti in funzione obiettivo sono < 0 e quindi il problema non ammette una soluzione banale.
20 Trasformazione Ponendo w j = 1 y j, il problema di separazione diventa Funzione Obiettivo ma Σ (( * j ) LP 1) Σ ((* j ) LP 1)w j j N Vincoli Σ a j w j > Σ a j + b + 1 j N w {0,1} n j N j N Poiché Σ (( * j ) LP 1) è una costante possiamo non tenerne j N conto nella funzione obiettivo.
21 un problema di knapsack Funzione Obiettivo ma Σ (1 ( * j ) LP )w j j N Vincoli Σ a j w j < Σ a j b 1 j N j N w {0,1} n
22 Esempio ma < 19 {0,1} 7 * LP = (1, 1, 1/3, 0, 0, 0, 0) Problema di separazione ma (1 1) w 1 + (1 1) w 2 + (1-1/3) w 3 + w 4 + w 5 + w 6 + w 7 11 w w w w w w 6 + w 7 < = 18 w {0,1} 7
23 Separazione Problema di separazione ma 2/3 w 3 + w 4 + w 5 + w 6 + w 7 11 w w w w w w 6 + w 7 < 18 w {0,1} 7 Soluzione ottima w* = (0, 0, 0, 1, 1, 1, 1) di valore 4 Riportiamola nello spazio delle y: y* = (1, 1, 1, 0, 0, 0, 0) di valore z * SEP = 2/3. Pertanto, 1 + z * SEP = 1/3 > 0
24 Separazione 1. Il valore di 1 + z * SEP cover violata. è > 0, ovvero esiste una disequazione 2. Il cover associato alla violazione è formato dagli indici che hanno valore 1 in y *, ovvero y* = (1, 1, 1, 0, 0, 0, 0) corrisponde al cover C = {1, 2, 3}. 3. La disequazione è scritta in corrispondenza degli indici in C, ossia C = {1, 2, 3} corrisponde a < C 1 = 2
25 Algoritmo dei piani di taglio Dato il rilassamento lineare di un problema di knapsack 1. Calcola la soluzione ottima * LP. 2. Se * LP {0, 1} n STOP, altrimenti vai al passo Definisci il problema di separazione. 4. Risolvi il problema di separazione. 5. Se esiste una disequazione cover violata aggiungila alla formulazione corrente e torna al punto 1, altrimenti STOP.
26 Pianificazione degli investimenti Dati I = {1, 2,, n} = insieme di investimenti attivabili su un orizzonte temporale T = {1, 2,, t} di t periodi Ad ogni investimento i è associato un indice di redditività c i Ogni investimento i genera un flusso di cassa a i = (a i1, a i2,, a it ) (> 0 introiti, < 0 esborsi) per ogni periodo j T Per ogni periodo j T esiste un budget b j che limita gli esborsi (flussi di cassa negativi). Problema Determinare un insieme di investimenti I * I che massimizza la redditività e che rispetta il vincolo per cui la somma dei flussi di cassa degli investimenti attivati in ogni periodo j T non superi il budget b j.
27 Esempio a 12 = 10 a 13 = 2 a 11 =2 Investimento 1 a 22 = 3 a 21 =3 a 23 =5 Investimento 2 a 31 = 6 a 33 = 3 a 32 =2 Investimento 3 Periodo 1 b 1 = 4 Periodo 2 b 2 = 5 Periodo 3 b 3 = 1
28 Esempio Nell esempio precedente, se vengono attivati tutti e tre gli investimenti il vincolo di budget nel periodo 2 NON è rispettato. Formulazione Variabili decisionali i = 1 se il progetto i è attivato i = 0 altrimenti ma Σ c i i i I Σ a ij i > b j i I {0,1} n j T ma c T A > b {0,1} n
29 Rilassamento lineare Per migliorare la formulazione precedente, consideriamo un singolo vincolo di budget del sistema A > b e il problema di Knapsack continuo ad esso associato: ma c T a T j > b j 0 < < 1 cambiamo segno nel vincolo ma c T a T j < b j 0 < < 1 (KP j )
30 Rafforzamento L insieme delle soluzioni del problema di pianificazione originario è costituito dall intersezione degli insiemi delle soluzioni dei singoli problemi di knapsack (KP j ). Pertanto, è possibile rafforzare ciascun problema KP j, ad esempio con disequazioni cover, per ottenere un rafforzamento della formulazione di pianificazione.
31 Esempio Consideriamo la seguente istanza di un problema di pianificazione: I = {1, 2, 3, 4, 5} T = {1, 2, 3} c = (3, 7, 3, 5, 7) = Redditività b = (-2, 0, -5) = Budget a 1 = (-4, 1, -2) = Flusso di Cassa I 1 a 2 = (2, -4, 1) = Flusso di Cassa I 2 a 3 = (1, 3, -5) = Flusso di Cassa I 3 a 4 = (1, -3, -2) = Flusso di Cassa I 4 a 5 = (-3, 4, 1) = Flusso di Cassa I 5
32 Esempio ma La soluzione ottima di (PL) è: * PL = [0.67; 1; 0.74; 0.96; 1] di valore z* = (PL) Il rilassamento lineare si scrive (considerando il cambiamento di segno sul vincolo di budget)
33 Esempio Consideriamo a questo punto il primo vincolo di budget e il problema di knapsack continuo ad esso associato: ma (KP 1 ) Effettuiamo un cambio di variabili per ottenere tutti coefficienti positivi nel vincolo di knapsack: J( ) = {2, 3, 4} y i = 1 i per ogni i J( ). Si ottiene: y y y
34 Esempio Dobbiamo vedere se esiste una cover violata rispetto alla soluzione: * PL = [0.67; 1 1 = 0 ; = 0.26; = 0.04; 1] Risolvendo il problema di separazione si individua la cover violata < 1, che si può aggiungere direttamente alla formulazione, essendo già nelle variabili. Osservazione: Se la cover contiene variabili y, bisogna effettuare il cambio di variabile y h = 1 h prima di aggiungere la disequazione alla formulazione La nuova soluzione ottima del RL (peraltro intera) è * = [0; 1; 1; 1; 1] di valore z* = 22.
Parte V: Rafforzamento di formulazioni e algoritmo dei piani di taglio
Parte V: Rafforamento di formulaioni e algoritmo dei piani di taglio Noioni di geometria Definiione: Un vettore y R n è combinaione conica dei vettori {,, k } se esistono k coefficienti reali λ,,λ k tali
DettagliContenuto e scopo presentazione. Modelli Lineari Interi/Misti. Piani di taglio. Piani di taglio. Piani di taglio Versione 31/08/
Contenuto e scopo presentazione Contenuto: viene presentato un altro metodo di soluzione di problemi di ILP o di MILP. Modelli Lineari Interi/Misti Piani di taglio Versione /8/. Scopo: fornire le capacità
DettagliProgrammazione Lineare Intera
Programmazione Lineare Intera Andrea Scozzari a.a. 2012-2013 May 10, 2013 Andrea Scozzari (a.a. 2012-2013) Programmazione Lineare Intera May 10, 2013 1 / 16 Programmazione Lineare Intera: Metodo dei Piani
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi, poliedri Sia a un vettore non nullo
DettagliSistemi compatibili (Il metodo di Fourier-Motzkin)
Sistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Universitàdegli Studi di L Aquila Sommario 1. Poliedri 2. Diseguaglianze implicate 3. Poliedri compatibili 4. Proiezione di un poliedro
DettagliSistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila
Sistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila Sommario 1. Sistemi di disequazioni lineari e poliedri 2. Poliedri e insiemi convessi 3. Disequazioni
DettagliSistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila
Sistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila Sommario Poliedri Poliedri compatibili Diseguaglianzeimplicate Proiezione di un poliedro Definizione
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi Definizione Sia a un vettore non
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Cover inequalities
Metodi e Modelli per l Ottimizzazione Combinatoria Cover inequalities L. De Giovanni M. Di Summa In questa lezione introdurremo una classe di disuguaglianze, dette cover inequalities, che permettono di
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi Definizione Sia a un vettore non
Dettagli4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1
4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1 Problemi di programmazione matematica: min f () s.v. X n insieme delle soluzioni ammissibili con funzione obiettivo
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare p. 1/39 Geometria della programmazione lineare Mariantonia Cotronei Facoltà di Ingegneria Università degli Studi Mediterranea di Reggio Calabria Geometria della programmazione
DettagliRicerca Operativa. G. Liuzzi. Lunedí 20 Aprile 2015
1 Lunedí 20 Aprile 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Rilassamento di un problema Rilassare un problema di Programmazione Matematica vuol dire trascurare alcuni (tutti i)
Dettagli3.6 Metodi basati sui piani di taglio
3.6 Metodi basati sui piani di taglio Problema generale di Programmazione Lineare Intera (PLI) con A matrice m n e b vettore n 1 razionali min{ c t x : x X = {x Z n + : Ax b} } Sappiamo che esiste una
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.
DettagliProgrammazione Lineare Intera: Piani di Taglio
Programmazione Lineare Intera: Piani di Taglio Andrea Scozzari a.a. 2014-2015 April 22, 2015 Andrea Scozzari (a.a. 2014-2015) Programmazione Lineare Intera: Piani di Taglio April 22, 2015 1 / 23 Programmazione
Dettagli5.5 Metodi dei piani di taglio
5.5 Metodi dei piani di taglio Problema generale di Programmazione Lineare Intera (PLI) max{c t x : x X} dove X = {x Z n + : Ax b}, con A matrice m n e b vettore n 1 razionali Proposizione: conv(x) = {x
Dettagli4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1
4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1 Problemi di programmazione matematica: min s.v. f () X n dove X è la regione delle soluzioni ammissibili con funzione
DettagliIl metodo dei Piani di Taglio (Cutting Planes Method)
Il metodo dei Piani di Taglio (Cutting Planes Method) E un metodo di soluzione dei problemi (IP) di tipo generale. L idea di base: Se la soluzione di (RL) non è intera allora la soluzione ottima intera
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)}
DettagliProgrammazione lineare: basi e soluzioni di base
Programmazione lineare:basi e soluzioni di base p. 1/33 Programmazione lineare: basi e soluzioni di base Mariantonia Cotronei Facoltà di Ingegneria Università degli Studi Mediterranea di Reggio Calabria
DettagliProgrammazione Lineare Intera. Programmazione Lineare Intera p. 1/4
Programmazione Lineare Intera Programmazione Lineare Intera p. 1/4 Programmazione Lineare Intera Problema di PLI in forma standard: max cx Ax = b x 0, x I n I insieme degli interi. Regione ammissibile:
DettagliSoluzione dei Problemi di Programmazione Lineare
Soluzione dei Problemi di Programmazione Lineare Consideriamo un problema di Programmazione Lineare (PL) con m vincoli ed n variabili in Forma Standard dove: ma 0 c A b ( ) 0 ( 2) R è il vettore n delle
DettagliTeoria della Programmazione Lineare Intera
Teoria della Programmazione Lineare Intera Laura Galli Dipartimento di Informatica Largo B. Pontecorvo, 567 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 7 Ottobre 0 Ricerca Operativa Laurea
DettagliEsercizi di Programmazione Lineare
Esercizi di Programmazione Lineare 1 grafica Si consideri il seguente problema di programmazione lineare: max 3x 1 + 2x 2 s.t. + 2x 1 + x 2 4 2x 1 + x 2 2 + x 1 x 2 1 x 1, x 2 0 a) Risolvere il problema
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
DettagliRicerca Operativa. Ricerca Operativa p. 1/6
Ricerca Operativa Ricerca Operativa p. 1/6 Ricerca Operativa Disciplina basata sulla modellizzazione e la risoluzione tramite strumenti automatici di problemi di decisione complessi. In tali problemi la
Dettagli1. Dare la definizione di funzione lineare. R: Una funzione lineare di n variabili è una funzione del tipo. c 1 x 1 + c 2 x c n x n,
VERTICIDIUNPOLIEDRO 31 Esercizi di riepilogo sui Capitoli 1 5 1. Dare la definizione di funzione lineare. R: Una funzione lineare di n variabili è una funzione del tipo dove c 1,c 2,...,c n sono numeri
DettagliUniversità di L Aquila. Claudio Arbib. Ricerca Operativa. Basi in IR n
Università di L Aquila Claudio Arbib Ricerca Operativa Basi in IR n Sommario Combinazione lineare, affine, conica e convessa Dipendenza e indipendenza lineare e affine Basi per un insieme di vettori di
DettagliMatrici unimodulari e totalmente unimodulari
Matrici unimodulari e totalmente unimodulari Sia una matrice intera di dimensione con, si dice unimodulare se presa una qualsiasi sottomatrice di ordine massimo (di dimensione ) vale det = 1, +1, 0. Una
DettagliTeoria della Programmazione Lineare. Teoria della Programmazione Lineare p. 1/8
Teoria della Programmazione Lineare Teoria della Programmazione Lineare p. 1/8 I problemi di PL in forma canonica In forma scalare: max n j=1 c jx j n j=1 a ijx j b i x j 0 i = 1,...,m j = 1,...,n Teoria
DettagliTrasformazione di Problemi Non Lineari
Capitolo 2 Trasformazione di Problemi Non Lineari 2.1 Trasformazione in problema di PL In questa sezione, verranno presentati tre classi di problemi di programmazione non lineare che, attraverso l uso
DettagliTagli Split per Programmazione Lineare Intera Mista
Tagli Split per Programmazione Lineare Intera Mista Domenico Salvagnin 2011-05-29 1 Introduzione Consideriamo la regione ammissibile di un problema di programmazione lineare intera mista Ax + Gy = b (1.1)
Dettaglimin det det Allora è unimodulare se e solo se det 1, 1, 0 per ogni sottomatrice quadrata di di qualsiasi dimensione.
Se è unimodulare e è intero allora il poliedro 0 ha vertici interi. Sia un vertice di Per definizione esiste allora una base di tale che, 0 Poiché è non singolare ( invertibile det 0) si ha che det 1 è
DettagliTecniche di Decomposizione per Programmazione Lineare Intera (Mista)
Tecniche di Decomposizione per Programmazione Lineare Intera (Mista) Domenico Salvagnin 2011-06-12 1 Introduzione Dato un problema di programmazione lineare intera (mista), non è sempre possibile (o conveniente)
DettagliProblemi di Ottimizzazione
Problemi di Ottimizzazione x = (x 1,..., x n ) R n : vettore di variabili decisionali F R n : insieme delle soluzioni ammissibili (regione ammissibile) : F R: funzione obiettivo (P) min (x) x F ovvero
DettagliCapitolo 2: Preliminari ed elementi di analisi convessa. E. Amaldi DEIB, Politecnico di Milano
Capitolo 2: Preliminari ed elementi di analisi convessa E. Amaldi DEIB, Politecnico di Milano 2.1 Concetti di base In R n con norma euclidea x S R n è un punto interno di S se ε > 0 tale che B ε (x) =
DettagliFigura 1: 1) Si scriva la formulazione del problema come problema di PLI (con un numero minimo di vincoli) e la matrice dei vincoli.
ESERCIZIO 1 Sia dato il grafo orientato in Figura 1. Si consideri il problema di flusso a 1 2 4 Figura 1: costo minimo su tale grafo con b 1 = 4 b 2 = 2 b = b 4 = e c 12 = 2 c 1 = 4 c 14 = 1 c 2 = 1 c
DettagliProgrammazione Matematica: III.1 - Programmazione Lineare
Programmazione Matematica: III.1 - Programmazione Lineare Daniele Vigo D.E.I.S. Università di Bologna dvigo@deis.unibo.it rev. 1.0 ottobre 2003 Programmazione Lineare Def.: (F, ϕ ) è un problema di Programmazione
DettagliProgrammazione Lineare
Programmazione Lineare Andrea Scozzari a.a. 2012-2013 March 14, 2013 Andrea Scozzari (a.a. 2012-2013) Programmazione Lineare March 14, 2013 1 / 18 Metodo del Simplesso Dato un problema di PL in forma standard
DettagliPROGRAMMAZIONE LINEARE E DUALITA'
PROGRAMMAZIONE LINEARE E DUALITA' 1) Dati i punti di R 2 (1, 2), (1, 4), (2, 3), (3, 5), (4, 1), (4, 2), (5, 5), (6, 2), (6, 5). Determinare graficamente: A - L'involucro convesso di tali punti. B - Quali
DettagliFederica Gregorio e Cristian Tacelli
1 Sistemi lineari Federica Gregorio e Cristian Tacelli Un sistema lineare m n (m equazioni in n incognite) è un insieme di equazioni lineari che devono essere soddisfatte contemporaneamente a 11 x 1 +
DettagliSoluzione dei problemi di Programmazione Lineare Intera
Fondamenti di Ricerca Operativa T-A a.a. 2014-2015 Soluzione dei problemi di Programmazione Lineare Intera Andrea Lodi, Enrico Malaguti, Daniele Vigo rev. 1.1.a ottobre 2014 Fondamenti di Ricerca Operativa
DettagliRegistro dell'insegnamento
Registro dell'insegnamento Anno accademico 2016/2017 Prof. MARCO SCIANDRONE Settore inquadramento MAT/09 - RICERCA OPERATIVA REGISTRO Scuola Ingegneria NON CHIUSO Dipartimento Ingegneria dell'informazione
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I)
Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I) Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema
DettagliIntroduzione al Column Generation Caso di Studio: il Bin Packing Problem
Introduzione al Column Generation Caso di Studio: il Bin Packing Problem November 15, 2014 1 / 26 Introduzione Il column generation è una metodologia che può essere usata per risolvere problemi di ottimizzazione
DettagliParte V: Rilassamento Lagrangiano
Parte V: Rilassamento Lagrangiano Tecnica Lagrangiana Consideriamo il seguente problema di Programmazione Lineare Intera: P 1 min c T x L I Ax > b Cx > d x > 0, intera in cui A = matrice m x n C = matrice
DettagliAlgoritmo Branch and Cut (B&C)
Programmazione Lineare Intera: III Algoritmo Branch and Cut Daniele Vigo DEIS Università di Bologna dvigo@deisuniboit rev.0 aprile 2005 Algoritmo Branch and Cut (B&C) Sviluppato negli anni 90, nasce come
DettagliTeoria della Complessità Computazionale
Teoria della Complessità Computazionale Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it Rev. 1.3, 11/00 rev. 1.3 - Novembre 2000 Teoria della Complessità Studia la difficoltà dei problemi
Dettagli5.3 Metodo dei piani di taglio
5.3 Metodo dei piani di taglio (PLI) min s.v. c T x Ax b x interi X Ipotesi: a ij, c j e b i interi Osservazione: La regione ammissibile di un PLI può essere descritta mediante dei vincoli più o meno stringenti
DettagliPer formalizzare il concetto sono necessarie alcune nozioni relative ai poliedri e alla loro descrizione.
3.7.4 Disuguaglianze valide forti Cerchiamo disuguaglianze valide forti, ovvero disuguaglianze valide che forniscano migliori formulazioni (più stringenti). Per formalizzare il concetto sono necessarie
DettagliAlgoritmi per la programmazione lineare: il metodo del simplesso
Algoritmi per la programmazione lineare: il metodo del simplesso Dipartimento di Informatica, Universita' di Pisa A.A. 2018/2019 Contenuti della lezione Problemi di programmazione lineare, forma standard
DettagliNoi ci occuperemo esclusivamente dei casi n = 2 e n = 3. Se n = 2, la quadrica Q p sarà detta conica di equazione p, e indicata con C p.
Durante il corso abbiamo studiato insiemi (rette e piani) che possono essere descritti come luogo di zeri di equazioni (o sistemi) di primo grado. Adesso vedremo come applicare quanto visto per studiare
Dettagli5.5 Metodi generali per la soluzione di problemi
5.5 Metodi generali per la soluzione di problemi di PLI I problemi di PLI hanno caratteristiche molto diverse dai problemi di PL. In alcuni casi, la soluzione del problema lineare rilassato, ottenuto cioè
DettagliTeoria della Programmazione Lineare
6 Teoria della Programmazione Lineare In questo capitolo iniziamo lo studio formale dei problemi di Programmazione Lineare e, in particolare, dimostriamo il Teorema fondamentale della Programmazione Lineare.
DettagliEsempi. In R 2, le coppia (2, 5) è combinazione lineare dei vettori (0, 1) e (1, 1). Infatti:
Combinazioni lineari [Abate, 4.2] Sia V uno spazio vettoriale e v 1, v 2,..., v n dei vettori di V. Diremo che un vettore w V è combinazione lineare dei vettori v 1,..., v n se esistono a 1, a 2,..., a
Dettagli5.2 IL TEOREMA FONDAMENTALE DELLA PROGRAMMAZIONE LINEARE
94 TEORIA DELLA PROGRAMMAZIONE LINEARE 5.2 IL TEOREMA FONDAMENTALE DELLA PROGRAMMAZIONE LINEARE Quanto fino ad ora esaminato permette di enunciare e dimostrare un risultato di fondamentale importanza che
Dettagli7.9 Il caso vincolato: vincoli di disuguaglianza
7.9 Il caso vincolato: vincoli di disuguaglianza Il problema con vincoli di disuguaglianza: g i (x) 0, i = 1,..., p, (51) o, in forma vettoriale: g(x) 0, può essere trattato basandosi largamente su quanto
DettagliIl teorema di dualità forte
Complementi di Algoritmi e Strutture Dati Il teorema di dualità forte Docente: Nicolò Cesa-Bianchi versione 13 maggio 2018 Ricordiamo la formulazione del problema di programmazione lineare nella sua forma
DettagliMatematica Computazionale(6cfu) Ottimizzazione(8cfu) (a.a , lez.3)
Docente: Marco Gaviano (e-mail:gaviano@unica.it) Corso di Laurea in Infomatica Corso di Laurea in Matematica Matematica Computazionale(6cfu) Ottimizzazione(8cfu) (a.a. 5-6 lez.) Matematica Computazionale
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)
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
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
DettagliParte III: Algoritmo di Branch-and-Bound
Parte III: Algoritmo di Branch-and-Bound Divide et Impera Sia z * max {c T x : x S} (1) un problema di ottimizzazione combinatoria difficile da risolvere. Domanda: E possibile decomporre il problema (1)
DettagliA.A Fondamenti di Ricerca Operativa. 2. Determinare β affinchè il poliedro descritto dal sistema di disequazioni
A.A. 08-09 Fondamenti di Ricerca Operativa. Si consideri il problema min x + x + 4x 3 3x 4 x + x 3 = 5 x + x 4 = x, x, x 3, x 4 0 Stabilire se il problema ha insieme ammissibile vuoto, oppure è illimitato,
DettagliRicerca Operativa. G. Liuzzi. Lunedí 9 Marzo Programmazione Matematica Geometria di R n Esempi Teoria della PL Forma Standard. logo.
1 Lunedí 9 Marzo 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Problema di Ottimizzazione min(o max) f (x) con la restrizione x S dove f (x) : R n R è detta funzione obiettivo S R n
DettagliSviluppando ancora per colonna sulla prima colonna della prima matrice e sulla seconda della seconda matrice si ottiene:
M. CARAMIA, S. GIORDANI, F. GUERRIERO, R. MUSMANNO, D. PACCIARELLI RICERCA OPERATIVA Isedi Esercizi proposti nel Cap. 5 - Soluzioni Esercizio 5. - La norma Euclidea di è 9 6 5 - Il versore corrispondente
DettagliProgrammazione Lineare Intera (ILP)
Programmazione Lineare Intera (ILP) (P) min (x), x F Z : R n ->R è lineare: (x) = c, x = c 1 x 1 + c 2 x 2 +... + c n x n F R n è definito da : g i (x) 0 (i = 1,...,m), con g i : R n R lineare i Z insieme
DettagliAlgoritmo del Simplesso
Algoritmo del Simplesso Renato Bruni bruni@dis.uniroma.it Univertà di Roma Sapienza Corso di Ricerca Operativa, Corso di Laurea Ingegneria dell Informazione Vertici e Punti Estremi di un Poliedro Un poliedro
DettagliRICERCA OPERATIVA (9 cfu)
a PROVA scritta di RICERCA OPERATIVA (9 cfu) gennaio Cognome Nome Ai fini della pubblicazione (cartacea e elettronica) del risultato ottenuto nella prova di esame, autorizzo al trattamento dei miei dati
DettagliNote per le esercitazioni di Geometria 1 a.a. 2007/08 A. Lotta. Metodi per il calcolo del rango di una matrice
Note per le esercitazioni di Geometria 1 a.a. 2007/08 A. Lotta Versione del 21/12/07 Metodi per il calcolo del rango di una matrice Sia A M m,n (K). Denotiamo con A (i) la riga i-ma di A, i {1,..., m}.
DettagliI. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.
ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio
DettagliOTTIMIZZAZIONE LINEARE MULTICRITERIO
OTTIMIZZAZIONE LINEARE MULTICRITERIO NOTAZIONE Siano x ed y vettori di R n indicati estesamente con x x x x 1 Μ i Μ n, y y1 Μ yi Μ y n e si ponga N = {1,2,, n}. Scriveremo allora: x y ( x è diverso da
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
DettagliNote sull algoritmo di Gauss
Note sull algoritmo di Gauss 29 settembre 2009 Generalità Un sistema lineare di m equazioni in n incognite x,..., x n è un espressione del tipo: a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n
Dettagli3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI
3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI ESISTENZA DI UN PUNTO DI OTTIMO VINCOLATO Il problema di ottimizzazione vincolata introdotto nel paragrafo precedente può essere formulato nel modo seguente:
DettagliElementi di Algebra Lineare Spazi Vettoriali
Elementi di Algebra Lineare Spazi Vettoriali Antonio Lanteri e Cristina Turrini UNIMI - 2016/2017 Antonio Lanteri e Cristina Turrini (UNIMI - 2016/2017) Elementi di Algebra Lineare 1 / 41 index Spazi vettoriali
DettagliGEOMETRIA 1 seconda parte
GEOMETRIA 1 seconda parte Cristina Turrini C. di L. in Fisica - 2014/2015 Cristina Turrini (C. di L. in Fisica - 2014/2015) GEOMETRIA 1 1 / 40 index Spazi vettoriali 1 Spazi vettoriali 2 Sottospazi 3 Sistemi
DettagliRisoluzione di problemi di programmazione lineare tramite generazione di colonne
Risoluzione di problemi di programmazione lineare tramite generazione di colonne A. Agnetis 1 Introduzione In alcune applicazioni, un problema può essere formulato in termini di programmazione lineare,
DettagliRicerca Operativa. Programmazione Lineare. Università Mediterranea di Reggio Calabria Decisions Lab
Ricerca Operativa Programmazione Lineare Università Mediterranea di Reggio Calabria Decisions Lab Ottimizzazione In un problema di ottimizzazione si cerca di massimizzare o minimizzare una quantità specifica,
DettagliRicerca Operativa a.a : IV appello
Ricerca Operativa a.a. 2015-2016: IV appello (Prof. Fasano Giovanni) Università Ca Foscari Venezia - Sede di via Torino 5 settembre 2016 Regole per l esame: la violazione delle seguenti regole comporta
Dettagli4.3 Esempio metodo del simplesso
4.3 Esempio metodo del simplesso (P ) min -5x 4x 2 3x 3 s.v. 2x + 3x 2 + x 3 5 4x + x 2 + 2x 3 3x + 4x 2 + 2x 3 8 x, x 2, x 3 Per mettere il problema in forma standard si introducono le variabili di scarto
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
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
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
DettagliFACOLTA DI ECONOMIA ESAME SCRITTO DI RICERCA OPERATIVA. Verona, 5 Febbraio , : ; ;,, trovare il punto di
Verona, Febbraio 99 ) Dato il problema min( cx + cx ) x+ x x = x + x x = ax + x x = x i 0 i =,... a) dire, giustificando, per quali valori di c, c ed a in una soluzione ammissibile si ha x =x =/; la soluzione
Dettagli25 - Funzioni di più Variabili Introduzione
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 25 - Funzioni di più Variabili Introduzione Anno Accademico 2013/2014 M. Tumminello
Dettagli1 PRELIMINARI 1.1 NOTAZIONI. denota l insieme vuoto. a A si legge a appartiene a A oppure a è elemento di A.
1 PRELIMINARI 1.1 NOTAZIONI denota l insieme vuoto. a A si legge a appartiene a A oppure a è elemento di A. B A si legge B è un sottoinsieme di A e significa che ogni elemento di B è anche elemento di
DettagliRicerca Operativa a.a : III appello
Ricerca Operativa a.a. 2015-2016: III appello (Prof. Fasano Giovanni) Università Ca Foscari Venezia - Sede di via Torino 7 giugno 2016 Regole per l esame: la violazione delle seguenti regole comporta il
Dettagli5 PROGRAMMAZIONE LINEARE INTERA (PLI) E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
5 PROGRAMMAZIONE LINEARE INTERA (PLI) E. Amaldi Fondamenti di R.O. Politecnico di Milano Programma lineare intero: (PLI) min c T x Ax b x 0 intero Ipotesi: A, b interi La condizione di interezza non è
DettagliCapitolo 3: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati come problemi di Programmazione Lineare
DettagliStudio generale di una quadrica
Studio generale di una quadrica Manlio De Domenico 19 Giugno 2003 Definizione 1 Si definisce quadrica Q un equazione algebrica F (x 1, x 2, x 3, x 4 ) = 0 del secondo ordine omogenea. Detta A la matrice
DettagliForme quadratiche in R n e metodo del completamento dei quadrati
Chapter 1 Forme quadratiche in R n e metodo del completamento dei quadrati Ricordiamo che a determinare il tipo (definita positiva o negativa, semidefinita positiva o negativa, indefinita) di una forma
DettagliLe condizioni di Karush-Kuhn-Tucker
Capitolo 9 Le condizioni di Karush-Kuhn-Tucker 9. Introduzione In questo capitolo deriveremo le condizioni necessarie di Karush-Kuhn-Tucker (KKT) per problemi vincolati in cui S è descritto da vincoli
DettagliElementi di Algebra Lineare Spazi Vettoriali
Elementi di Algebra Lineare Spazi Vettoriali Antonio Lanteri e Cristina Turrini UNIMI - 2015/2016 Antonio Lanteri e Cristina Turrini (UNIMI - 2015/2016) Elementi di Algebra Lineare 1 / 37 index Spazi vettoriali
DettagliGeometria della Programmazione Lineare
Capitolo 2 Geometria della Programmazione Lineare In questo capitolo verranno introdotte alcune nozioni della teoria dei poliedri che permetteranno di cogliere gli aspetti geometrici della Programmazione
Dettagli1 Programmazione Lineare Intera
1 Programmazione Lineare Intera Fino ad ora abbiamo affrontato problemi in cui le variabili potevano assumere valori reali. Ora invece ci concentreremo su problemi in cui le variabili possono assumere
Dettagli