Per formalizzare il concetto sono necessarie alcune nozioni relative ai poliedri e alla loro descrizione.
|
|
- Enrichetta Poletti
- 7 anni fa
- Visualizzazioni
Transcript
1 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 alcune nozioni relative ai poliedri e alla loro descrizione. Definizione: Date due disuguaglianze valide π t x π 0 e µ t x µ 0 per P = {x R n + : Ax b}, la prima domina la seconda se esiste u > 0 tale che uµ π e π 0 uµ 0 con (π, π 0 ) (uµ, uµ 0 ). In tal caso {x R n + : π t x π 0 } {x R n + : µ t x µ 0 } Esempio: x 1 +3x 2 4 domina 2x 1 +4x 2 9 visto che per (π, π 0 ) = (1, 3, 4) e (µ, µ 0 ) = (2, 4, 9) abbiamo 1 2 µ π e π µ 0. 1
2 Definizione: Una disuguaglianza valida π t x π 0 è ridondante nella descrizione di P se esistono k 2 disuguaglianze valide π i x π i 0 per P con u i > 0, 1 i k, tali che ( k i=1 u iπ i )x k i=1 u iπ i 0 domina π t x π 0. Esempio: P = {(x 1, x 2 ) R 2 + : x 1 + 2x 2 4, x 1 2x 2 3, x 1 + x 2 5/3, 1 x 1 3} x 1 +x 2 5/3 è ridondante perché è dominata da x 1 +x 2 3/2, che è implicata da x 1 +2x 2 4 e x 1 1 (con u 1 = u 2 = 1 2 ) Osservazione: Quando P = conv(x) non è noto esplicitamente, verificare la ridondanza può essere molto difficile. In pratica è importante non usare disuguaglianze che sono dominate da altre già disponibili. 2
3 Facce e faccette dei poliedri Per semplicità assumiamo che P sia di dimensione piena, i.e., non esista alcuna equazione a t x = b soddisfatta simultaneamente da tutti i punti x P Teorema: Se P è di dimensione piena, P possiede un unica descrizione minimale P = {x R n : a t ix b i, i = 1,..., m} dove ogni disuguaglianza è unica a meno di un moltiplicatore positivo. Ogni disuguaglianza è necessaria: rimuovendone una qualunque si ottiene un poliedro diverso da P. Inoltre ogni disuguaglianza valida per P che non sia un multiplo positivo di una delle a t i x b i è ridondante (può ottenersi come combinazione lineare a coefficienti non-negativi di disuguaglianze valide) 3
4 Caratterizzazione alternativa delle disuguaglianze necessarie Definizioni I punti x 1,..., x k sono affinemente indipendenti se le k 1 direzioni x 2 x 1,..., x k x 1 sono linearmente indipendenti. La dimensione di P, dim(p ), è pari al massimo numero di punti affinemente indipendenti di P meno 1. Sia F = {x P : π t x = π 0 } per una qualsiasi disuguaglianza π t x π 0 valida per P. Allora F è una faccia di P e la disuguaglianza π t x π 0 rappresenta o definisce F. Se F è una faccia di P e dim(f ) = dim(p ) 1, allora F è una faccetta di P. Conseguenze: Le facce di un poliedro sono dei poliedri e un poliedro ha un numero finito di facce. Teorema: Se P è di dimensione piena una disuguaglianza valida è necessaria per la descrizione di P se e solo se definisce una faccetta di P. 4
5 Esempio Sia il poliedro P R 2 descritto dalle seguenti disuguaglianze: x 1 + 2x 2 4 (1) x 1 2x 2 3 (2) x 1 + x (3) x 1 3 (4) x 1 1 (5) Verificare che P è di dimensione piena. Stabilire quali disuguaglianze definiscono delle faccette di P e quali sono ridondanti. 5
6 Come stabilire che una disuguaglianza valida è una faccetta? Consideriamo X Z n + e una disuguaglianza valida π t x π 0 per X Ipotesi: conv(x) è limitato e di dimensione piena Due principali approcci per stabilire che π t x π 0 è una faccetta di P = conv(x): 1) Approccio diretto (definizione): Trovare n punti x 1,..., x n X che soddisfano la disuguaglianza con il segno di uguaglianza (π t x = π 0 ) e mostrare che sono affinemente indipendenti. 2) Approccio indiretto: (i) Selezionare t punti di X, con t n, che soddisfano π x = π 0. Suppore che giacciano tutti su uno stesso generico iperpiano µ x = µ 0. (ii) Risolvere il sistema lineare n µ j x k j = µ 0 per k = 1,..., t j=1 nelle n + 1 incognite µ 0, µ 1,..., µ n. (iii) Se l unica soluzione risulta essere uguale a λ(π, π 0 ) con λ 0, allora la disuguaglianza π x = π 0 definisce una faccetta di conv(x). 6
7 Esempio: Sia X = {(x, y) R m {0, 1} : m i=1 x i my, 0 x i 1 i} i) Verificare che dim(conv(x)) = m + 1. ii) Mostrare che la disuguaglianza valida x i y definisce una faccetta di conv(x) usando l approccio indiretto. Consideriamo i punti (0, 0), (e i, 1) e (e i + e j, 1) per j i che sono ammissibili e soddisfano x i = y Poiché (0, 0) appartiene all iperpiano definito da m k=1 µ kx k + µ m+1 y = µ 0, allora µ 0 = 0. Poiché (e i, 1) appartiene all iperpiano definito da m k=1 µ kx k + µ m+1 y = µ 0, allora µ i = µ m+1 Poiché (e i + e j, 1) appartiene all iperpiano definito da m k=1 µ kx k µ i y = µ 0, allora µ j = 0 per j i Quindi l iperpiano è µ i x i µ i y = 0 e la disuguaglianza x i y definisce una faccetta. 7
8 Disuguaglianze di copertura per il problema di zaino binario Sia X = {x {0, 1} n : n j=1 a jx j b} con b > 0 e N = {1,..., n}. Ipotesi: Per ogni j con 1 j n, a j > 0 (ponendo eventualmente x j = 1 x j) e a j b. Definizione: Un sottoinsieme C N è una copertura per X se j C a j > b. Una copertura è minimale se per ogni j C, C \ {j} non è una copertura. Esempio: Per X = {x {0, 1} 7 : 11x 1 + 6x 2 + 6x 3 + 5x 4 + 5x 5 + 4x 6 + x 7 19} due coperture minimali sono: {1, 2, 3} e {3, 4, 5, 6} Proposizione: Se C è una copertura per X, la disuguaglianza x j C 1 j C è valida per X, ed è chiamata disuguaglianza di copertura. Esempio: Per X = {x {0, 1} 7 : 11x 1 + 6x 2 + 6x 3 + 5x 4 + 5x 5 + 4x 6 + x 7 19} alcune disuguaglianze di copertura minimale sono: x 1 + x 2 + x 3 2, x 1 + x 2 + x 6 2, x 1 + x 5 + x 6 2, x 3 + x 4 + x 5 + x 6 3 8
9 Le disuguaglianze di copertura possono essere rafforzate? Proposizione: Se C è una copertura per X, la disuguaglianza di copertura estesa x j C 1 j E(C) è valida per X, dove E(C) = C {j N : a j a i for all i C}. Esempio: Per X = {x {0, 1} 7 : 11x 1 + 6x 2 + 6x 3 + 5x 4 + 5x 5 + 4x 6 + x 7 19} la disuguaglianza di copertura estesa per C = {3, 4, 5, 6} è che naturalmente domina x 1 + x 2 + x 3 + x 4 + x 5 + x 6 3 (6) x 3 + x 4 + x 5 + x 6 3. Osservazione: Poiché a 1 = 11, a 6 = 4, a i 5 per i {2, 3, 4, 5} e b = 19, se x 1 = 1 al massimo una delle altre variabili in (6) può assumere il valore 1 e la disuguaglianza 2x 1 + x 2 + x 3 + x 4 + x 5 + x 6 3 è valida e domina a sua volta (6). Si può rafforzare in modo sistematico queste disuguaglianze per ottenere disuguaglianze valide non ridondanti (che definiscono faccette)? 9
10 Procedura per rafforzare le disuguaglianze di copertura ( lifting ) Siano j 1,..., j r gli indici di N \ C e si ponga t = 1. Sia t 1 i=1 α j i x ji + j C x j C 1 la disuguaglianza ottenuta all iterazione precedente. All iterazione t, si determina il valore massimo di α jt per cui α jt x jt + t 1 i=1 α ji x ji + j C è valida per X risolvendo il problema (di zaino binario) x j C 1 ζ t = max t 1 i=1 α j i x ji + j C x j s.v. t 1 i=1 a j i x ji + j C a jx j b a jt x {0, 1} C +t 1 e ponendo α t = C 1 ζ t. Termina quando t = r. N.B.: ζ t = spazio masssimo consumato dalle variabili di indici C {j 1,..., j t 1 } quando x jt = 1. Proposizione: Se C copertura minimale e a i b i N, si ottiene una facetta di conv(x). Esempio: Applicando questa procedura di lifting a x 3 + x 4 + x 5 + x 6 3 considerando nell ordine x 1, x 2 e x 7, si ottiene la disuguaglianza valida 2x 1 + x 2 + x 3 + x 4 + x 5 + x 6 3 che definisce un facetta. 10
11 Separazione delle disuguaglianze di copertura Scopo: Data una soluzione non intera x con 0 x j 1, 1 j n, stabilire se x soddisfa tutte le disuguaglianze di copertura o determinarne una violata. Poiché j C x j C 1 si può anche scrivere come j C (1 x j) 1, basta rispondere alla seguente domanda: esiste un sottoinsieme C N tale che j C a j > b e j C (1 x j ) < 1? Se z {0, 1} n è il vettore binario caratteristico del sottoinsieme C N, ciò equivale alla domanda: ζ = min{ j N (1 x j )z j : j N a jz j > b, z {0, 1} n } < 1? Proposizione: (i) Se ζ 1, x soddisfa tutte le disuguaglianze di copertura. (ii) Se ζ < 1 con soluzione ottima z, allora j C x j C 1 con C = {j : zj taglia x di una quantità 1 ζ. = 1, 1 j n}, 11
12 Disuguaglianze per il problema del massimo insieme stabile Definizioni: Dato G = (V, E) non orientato, un sottoinsieme S V è detto stabile se {i, j} / E per ogni coppia di nodi i, j S. Un sottoinsieme K V è una clique se {i, j} E per ogni coppia di nodi i, j K. Un S V è uno stabile massimale (nel senso dell inclusione) se S {i} non è uno stabile, per ogni i V \ S. Un K V è una clique massimale se K {i} non è una clique, per ogni i V \ S. Problema: ( Stable set problem o Independent set problem ) Dato G = (V, E) non orientato, determinare un sottoinsieme S V stabile di cardinalità massima. N P -difficile con importanti applicazioni Considerando per ogni i V una variabile binaria x i che indica se i S, una formulazione di PLI è: max i V x i (7) s.v. x i + x j 1 {i, j} E (8) x i {0, 1} i V (9) 12
13 1) Disuguaglianze di clique Per qualsiasi clique K V di G, la disuguaglianza x i 1 (10) è valida. i K Procedura di separazione: Data x soluzione ottima del rilassamento continuo del PLI (7)-(9) con gli eventuali vincoli (10) generati finora, si assegna un peso x i ad ogni nodo i V e si cerca una clique K V di peso totale massimo. Se i K x i > 1, la disuguaglianza di clique i K x i 1 è chiaramente violata da x, altrimenti tutte quelle non ancora introdotte nella formulazione sono soddisfatte da x. Visto che il problema di separazione è NP-difficile, si adoperano euristiche. Proprietà: Le disuguaglianze di clique non dominate sono quelle che corrispondono a clique massimali. Consideriamo due clique K e K, con K K. La disuguaglianza corrispondente a K contiene tutte la variabili di quella relativa a K, più tutte quelle con indice in K \ K. Dato lo stesso termine noto, la disuguaglianza relativa a K domina quella relativa a K. 13
14 2) Disuguaglianze di buca dispari Definizione: Un insieme H V è una buca (hole) se il sottografo indotto da H è un ciclo semplice, i.e., i nodi in H sono connessi da un ciclo e per ogni coppia di nodi i, j non adiacenti {i, j} / E. Esempio: ciclo esterno di una ruota con n = 6 nodi Proprietà: Per ogni buca di cardinalità dispari, la disuguaglianza è valida. i H x i H 2 = H 1 2 Non si può selezionare più della metà dei nodi di qualsiasi buca. Per le buche di cardinalità H dispari, il limite è quindi pari a H 1 2. Osservazione: Le disuguaglianze relative alle buche pari e alle buche dispari con 3 nodi, sono implicate dai vincoli (8) e (10). Una buca dispari con 3 nodi è una clique; ogni disuguaglianza di buca pari si può ottenere aggregando le disuguaglianze (8) relative a tutti i lati della buca, con fattori moltiplicativi 1 2. Esercizio: verificare che le disuguaglianze di buca dispari con n 5 sono dei tagli di Chvátal-Gomory. 14
15 Proprietà: Le disuguaglianze di buca dispari si possono separare cercando un cammino minimo tra n = V coppie di nodi in un grafo bipartito ausiliario con costi opportuni sui lati. Data x soluzione ottima del rilassamento continuo corrente, cerchiamo una disuguaglianza di buca dispari violata da x. Costruiamo un grafo bipartito G = (V, E ) ausiliario (V = V 1 V 2 con V 1 e V 2 insiemi stabili), inserendo ogni nodo i V di G in V 1 e una sua copia i in V 2. Per ogni lato {i, j} E, creiamo in G due lati {i, j } e {i, j}, dove i, j V 1 e i, j V 2. Ad ogni lato {i, j } E assegnamo un costo 1 x i x j. In questo modo, un ciclo C in G ha costo {i,j} C (1 x i x j) = C 2 i V (C) x i = V (C) 2 dove V (C) è l insieme dei nodi di C. Se tale costo < 1, allora i V (C) x i i V (C) x i, V (C) 1 2 è violata da x. Per considerare tutte le possibili buche dispari, basta cercare per ogni i V 1 un cammino minimo p i dal nodo i V 1 alla sua copia i V 2. - Se p i è una buca e il suo costo < 1, abbiamo una disuguaglianza violata. - Se p i non è una buca e il suo costo < 1, allora contiene un sottociclo dispari di costo necessariamente inferiore (dato che costi x i 0), a cui corrisponde una disuguaglianza violata. - Se tutti i cammini individuati hanno costi 1, x soddisfa tutte le disuguaglianze di buca dispari. 15
16 Disuguaglianze di taglio per il problema del TSP asimmetrico Problema: Dato G = (V, A) orientato e un costo c ij per ogni arco (i, j) A, determinare un circuito hamiltoniano di costo totale minimo. Formulazione di PLI: min s.v. (i,j) A c ijx ij (11) i: (i,j) A x ij = 1 j (12) j: (i,j) A x ij = 1 i (13) (i,j) A: i S, j V \S x ij 1 S V, S (14) x ij {0, 1} (i, j) A (15) dove i vincoli (14) sono i cosiddetti vincoli di taglio ( cut-set inequalities ) Benché le disuguaglianze (14) siano in numero esponenziale, è possibile risolvere il rilassamento continuo tenendone conto in modo implicito tramite un approccio di tipo piani di taglio (cf. laboratorio 2). Proposizione: Data una soluzione ottima x del rilassamento continuo corrente (ossia (11)-(13) con gli eventuali vincoli (14) generati finora e x ij 0, (i, j) A), un vincolo (14) violato (se esiste) può essere generato risolvendo una sequenza di istanze del problema di taglio minimo relativo al grafo G. 16
17 Disuguaglianze per il problema del TSP a premi ( prize collecting TSP ) Problema: Dato G = (V, E) non orientato con n nodi e m lati, un costo c e per ogni lato e E e un premio p i per ogni nodo i V, determinare un ciclo che i) inizia e finisce nel nodo 1, ii) visita almeno due altri nodi, iii) visita al più una volta ogni altro nodo, e che massimizzi la somma dei premi associati ai nodi visitati. N P -difficile e nasce come sottoproblema di importanti problemi di instradamento. Considerando per ogni e E (i V ) la variabile binaria x e (y i ) con x e = 1 (y i = 1) se e solo se il lato e (nodo i) appartiene al ciclo scelto, una possibile formulazione di PLI è: max i V p iy i e E c ex e (16) e δ(i) x e = 2y i i V, (17) e E(S) x e i S\{k} y i k S, S V \ {1}, (18) y 1 = 1, x {0, 1} m, y {0, 1} n (19) I vincoli (18) sono detti di eliminazione dei sottocicli generalizzati ( GSEC: generalized subtour elimination constraints ). 17
18 Come tener conto in modo implicito delle GSEC che sono in numero esponenziale? Algoritmo di separazione per le GSEC Sia V = V \ {1} e E = E \ {δ(1)}. Sia z il vettore caratteristico dell insieme S V. Allora i vettori (x, y ) violano la GSEC definita da S e k se ovvero se e solo se ζ k > 0 dove ζ k = max{ e={i,j} E :i<j e E (S) x ez i z j x e > i S\{k} i V \{k} y i, y i z i : z {0, 1} n 1, z k = 1} (20) Problema quadratico 0 1 senza vincoli che si può risolvere in tempo polinomiale, convertendolo in un PLI e mostrando che nel suo rilassamento continuo il vincolo di integralità è ridondante. Poiché k {2,..., n}, il problema di separazione per le GSEC si può ricondurre alla risoluzione di n 1 problemi di flusso massimo. Per dettagli: L. Wolsey, Integer Programming, Wiley, p
19 Equivalenza tra separazione e ottimizzazione Consideriamo una famiglia di PL min{ c t x : x P o } con o O, dove P o = { x R n o : A o x b o } poliedro limitato con coefficienti razionali (interi) e un numero elevatissimo (e.g. esponenziale) di vincoli Adottiamo un approccio in cui questi vincoli vengono generati solo se necessari Esempio: rilassamento continuo del TSP asimmetrico con i vincoli di taglio (O insieme di tutti i grafi) Ipotesi: Anche se il numero di vincoli m o di P o è esponenziale in n o (e.g. O(2 n o )), A o e b o sono specificati in modo conciso (in funzione di un numero polinomiale di parametri, rispetto ad n o ). Altro esempio: Problema dell accoppiamento ( matching ) di cardinalità massima in un grafo Per ogni G = (V, E), il politopo degli accoppiamenti ( matching politope ) equivale a {x R E + : (Edmonds 65) e δ(i) conv({x {0, 1} E : x e 1, i V, e E(T ) x e e δ(i) x e 1, i V }) ( T 1), T V con T 3 dispari} 2 19
20 Problema di ottimizzazione: Dato un poliedro limitato P R n e un vettore razionale c R n, trovare un x P che minimizza c t x su x P oppure stabilire che P è vuoto. N.B.: si suppone che P sia limitato (politopo) solo per evitare il caso in cui il problema è illimitato Problema di separazione: Dato un poliedro limitato P R n e un vettore razionale x R n, stabilire che x P oppure determinare un vettore π R n tale che πx < πx per ogni x P (ossia individuare un taglio che separa x da P ). Teorema: (conseguenza del teorema di Grötschel, Lovász, Schriver 1988) Il problema di separazione per una famiglia di poliedri può essere risolto in tempo polinomiale in n e log U se e solo se il problema di ottimizzazione su quella famiglia di poliedri può essere risolto in tempo polinomiale in n e log U, dove U è un limite superiore su tutti a ij e b i. Dimostrazione basata sul metodo dell elissoide (Khachiyan 1970), primo algoritmo polinomiale per i problemi di PL. L algoritmo non risulta efficiente in practica ma l equivalenza guida nella ricerca di algoritmi polinomiali efficienti. Conseguenza: I rilassamenti continui delle precedenti formulazioni di PLI per il TSP asimmetrico e il TSP a premi possono essere risolti in tempo polinomiale nonstante il numero esponenziale di vincoli. 20
21 Principali criticità nel progetto di un metodo basato sui piani di taglio Dato un problema di ottimizzazione discreta con coefficienti c i razionali min{ c t x : x X R n +} Bisogna tener presente che: descrivere una o più famiglie di disuguaglianze valide forti per P = conv(x) può essere difficile il corrispondente problema di separazione può richiedere uno sforzo computazionale notevole per risolvere in modo esatto problemi difficili le disuguaglianze valide forti devono essere inserite in un metodo di tipo Branch-and-Bound, che diventa quindi di tipo Branch-and-Cut. 21
3.6 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
DettagliParte IV: Rafforzamento di formulazioni e algoritmo dei piani di taglio
Parte IV: Rafforzamento di formulazioni e algoritmo dei piani di taglio Nozioni di geometria Definizione: Un vettore y R n è combinazione conica dei vettori { 1,, k } se esistono k coefficienti reali λ
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
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
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
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
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
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
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: 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
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
Dettagli3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE. E. Amaldi Fondamenti di R.O. Politecnico di Milano 1
3 CENNI DI TEORIA DELLA COMPLESSITA COMPUTAZIONALE E. Amaldi Fondamenti di R.O. Politecnico di Milano 1 Scopo: Stimare l onere computazionale per risolvere problemi di ottimizzazione e di altra natura
Dettagli3.4 Metodo di Branch and Bound
3.4 Metodo di Branch and Bound Consideriamo un generico problema di Ottimizzazione Discreta dove X è la regione ammissibile. (P ) z = max{c(x) : x X} Metodologia generale di enumerazione implicita (Land
Dettagli3.6 Rilassamento Lagrangiano
3.6 Rilassamento Lagrangiano Consideriamo un generico problema di Programmazione Lineare Intera min {c t x : Ax b, Dx d, x Z n } con tutti i coefficienti interi, dei vincoli Ax b facili e altri Dx d difficili.
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
DettagliRilassamento Lagrangiano
RILASSAMENTO LAGRANGIANO 1 Rilassamento Lagrangiano Tecnica più usata e conosciuta in ottimizzazione combinatoria per il calcolo di lower/upper bounds (Held and Karp (1970)). Si consideri il seguente 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
Dettagli5.3 Tagli di Chvàtal-Gomory per il problema della massima clique
5.1 Posizionamento di aeroporti hub Nel trasporto aereo non ci sono connessioni dirette tra ogni coppia di aeroporti. Ad esempio, i passeggeri dei viaggi intercontinentali in partenza da aeroporti minori
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
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)
DettagliRICERCA OPERATIVA (a.a. 2014/15) Nome: Cognome: Matricola:
o Appello // RICERCA OPERATIVA (a.a. /) 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 partire
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
DettagliCapitolo 3: Ottimizzazione Discreta. E. Amaldi DEIB, Politecnico di Milano
Capitolo 3: Ottimizzazione Discreta E. Amaldi DEIB, Politecnico di Milano 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati o approssimati come problemi di Programmazione
DettagliPrima prova Intermedia di Ricerca Operativa 2 COMPITO A Esercizio 1 (7 punti): LIFO
Prima prova Intermedia di Ricerca Operativa 2 COMPITO A 13 novembre 2015 Nome e Cognome Matricola: Esercizio 1 (7 punti): Si consideri il seguente problema di programmazione lineare intera. max 32x 1 +
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
Dettagli5.1 Metodo Branch and Bound
5. Metodo Branch and Bound Consideriamo un generico problema di ottimizzazione min{ c(x) : x X } Idea: Ricondurre la risoluzione di un problema difficile a quella di sottoproblemi più semplici effettuando
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
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
DettagliRICERCA OPERATIVA (a.a. 2008/09) Nome: Cognome: Matricola:
o Appello /09/009 RICERCA OPERATIVA (a.a. 008/09) Nome: Cognome: Matricola: ) Si applichi l algoritmo di Kruskal per determinare un albero di copertura di costo minimo sul grafo in figura. Per ogni iterazione
Dettagli5.5 Programmazione quadratica (PQ)
5.5 Programmazione quadratica (PQ Minimizzare una funzione quadratica soggetta a vincoli lineari: 1 min x t Qx + c t x 2 s.v. a t i x b i i D (P a t i x = b i i U x R n dove Q matrice n n, D e U sono gli
DettagliRilassamento Lagrangiano
Rilassamento Lagrangiano AA 2009/10 1 Rilassamento Lagrangiano Tecnica più usata e conosciuta in ottimizzazione combinatoria per il calcolo di lower/upper bounds (Held and Karp (1970)). Si consideri il
Dettagli5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate. min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n
5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe
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
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.
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
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
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
DettagliRICERCA OPERATIVA (a.a. 2018/19)
Secondo appello //9 RICERCA OPERATIVA (a.a. 8/9) Nome: Cognome: Matricola: ) Si consideri il seguente problema di PL: min y + y y y y y = y + y y = y, y, y, y Si verifichi se la soluzione ȳ =,,, sia ottima
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:
Dettagli4.4 Programmazione quadratica
4.4 Programmazione quadratica Minimizzare una funzione quadratica soggetta a vincoli lineari: min 1 2 xt Qx + c t x s.v. a t i x b i i D (P) a t i x = b i i U x R n dove Q matrice n n, D e U sono gli insiemi
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
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)}
DettagliRICERCA OPERATIVA (a.a. 2018/19) Nome: Cognome: Matricola:
Primo appello //9 RICERCA OPERATIVA (a.a. /9) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL max x + x x + x x + x x x x x applicando l algoritmo del Simplesso Primale, per via algebrica,
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 5: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano
Capitolo 5: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano 5.1 Modelli di PLI, formulazioni equivalenti ed ideali Il modello matematico di un problema di Ottimizzazione Discreta è molto spesso
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
Dettagli4.5 Metodo del simplesso
4.5 Metodo del simplesso min z = c T x s.v. Ax = b x 0 PL in forma standard Esamina una sequenza di soluzioni di base ammissibili con valori non crescenti della funzione obiettivo fino a raggiungerne una
DettagliModelli di Programmazione Lineare. PRTLC - Modelli
Modelli di Programmazione Lineare PRTLC - Modelli Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver Come ricavare una stima dell ottimo Rilassamento continuo - generazione di
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)
Dettagli5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate
5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f (x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe
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
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
DettagliEsercizi sulla Programmazione Lineare. min. cx Ax b x 0
Soluzioni 4.-4. Fondamenti di Ricerca Operativa Prof. E. Amaldi Esercizi sulla Programmazione Lineare 4. Risoluzione grafica e forma standard. Si consideri il problema min x cx Ax b x dove x = (x, x )
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)
Dettagli4.5 Metodo del simplesso
4.5 Metodo del simplesso min z = c T x s.v. Ax = b x PL in forma standard Esamina una sequenza di soluzioni di base ammissibili con valori non crescenti della funzione obiettivo fino a raggiungerne una
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
DettagliSe il grafo è bipartito, un accoppiamento viene anche detto assegnamento.
1. Accoppiamento Definizione. Dato un grafo (non orientato) G =(N,E), un sottoinsieme M di archi, tale che ogni nodo del grafo è incidente in al più unarcodim, viene detto accoppiamento, (matching). I
Dettaglia 11 a 12 a 1n a 21 a 22 a 2n a m1 a m2 a mn mentre le variabili decisionali sono rappresentate dal vettore colonna n-dimensionale x,
Università degli Studi di Roma Tor Vergata Facoltà di Ingegneria Appunti dal corso di Metodi e Modelli di Ottimizzazione Discreta 1 A.A. 2018-2019 Prof. Sara Nicoloso A seconda del tipo di variabili che
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
DettagliCOMPITO DI RICERCA OPERATIVA APPELLO DEL 08/01/04
COMPITO DI RICERCA OPERATIVA APPELLO DEL 08/01/04 Esercizio 1 Si risolva con il metodo branch-and-bound il seguente problema di PLI max x 1 + x 4x 1 + x + x = 0 x 1 + x + x 4 = x 1, x, x, x 4 0 x 1, x,
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
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
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
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
DettagliProblemi, istanze, soluzioni
lgoritmi e Strutture di Dati II 2 Problemi, istanze, soluzioni Un problema specifica una relazione matematica tra dati di ingresso e dati di uscita. Una istanza di un problema è formata dai dati di un
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
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),
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
DettagliRICERCA OPERATIVA (a.a. 2012/13) Nome: Cognome: Matricola:
o Appello 9/9/ RICERCA OPERATIVA (a.a. /) Nome: Cognome: Matricola: ) Si individui un albero dei cammini minimi di radice sul grafo in figura 6-7 utilizzando l algoritmo più appropriato dal punto di vista
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. 2017/18) Nome: Cognome: Matricola:
Sesto appello 7/7/8 RICERCA OPERATIVA (a.a. 7/8) Nome: Cognome: Matricola: ) Si risolva il seguente problema di PL applicando l algoritmo del Simplesso Duale, per via algebrica, a partire dalla base B
DettagliRicerca Operativa A.A. 2017/2018
Ricerca Operativa A.A. 2017/2018 Esercizi su modelli di programmazione lineare intera - Soluzioni Nota Vengono fornite delle possibili soluzioni. Potrebbero esserci soluzioni alternative altrettanto valide.
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
DettagliRICERCA OPERATIVA (a.a. 2015/16) Nome: Cognome: Matricola:
o Appello 8// RICERCA OPERATIVA (a.a. /) 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
DettagliCOMPITO DI RICERCA OPERATIVA. max x 1 + x 2 x 1 2x 2 + x 3 = 4 x 1 x 2 x 3 = 3 x 2 + 2x 3 = 1 x 1, x 2, x 3 0
COMPITO DI RICERCA OPERATIVA ESERCIZIO. (5 punti) Sia dato il seguente problema di PL: max x + x 2 x 2x 2 + x 3 = 4 x x 2 x 3 = 3 x 2 + 2x 3 = x, x 2, x 3 0 Utilizzando il metodo due fasi, si stablisca
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
DettagliParte 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
Dettaglii completi l'esecuzione dell'algoritmo di programmazione dinamica per questo problema restituendo il valore ottimo e una soluzione ottima del problema
Compito di Ricerca Operativa II Esercizio ( punti). ia dato il problema di flusso massimo sulla rete in figura (le capacit a degli archi sono riportate sopra di essi). 0 8 i consideri il seguente flusso
DettagliSOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n
SPAZI E SOTTOSPAZI 1 SOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n Spazi di matrici. Spazi di polinomi. Generatori, dipendenza e indipendenza lineare, basi e dimensione. Intersezione e somma di sottospazi,
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 7 x x Utilizzando il Teorema degli scarti complementari, si dimostri che
DettagliRICERCA OPERATIVA (a.a. 2017/18) Nome: Cognome: Matricola:
Appello straordinario //8 RICERCA OPERATIVA (a.a. 7/8) 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
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
DettagliRicerca Operativa 2. Ricerca Operativa 2 p. 1/6
Ricerca Operativa 2 Ricerca Operativa 2 p. 1/6 Introduzione In questo corso ci occuperemo di problemi di ottimizzazione. Ricerca Operativa 2 p. 2/6 Introduzione In questo corso ci occuperemo di problemi
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
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
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
DettagliSoluzione dei problemi di Programmazione Lineare Intera
Fondamenti di Ricerca Operativa T-A a.a. 2015-2016 Soluzione dei problemi di Programmazione Lineare Intera Andrea Lodi, Enrico Malaguti, Paolo Tubertini, Daniele Vigo rev. 2. ottobre 2016 Fondamenti di
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
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
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
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. 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
DettagliProblemi di Instradamento di Veicoli
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Problemi di Instradamento di Veicoli Renato Bruni bruni@dis.uniroma1.it Il materiale presentato è derivato
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 -
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
DettagliProblemi di Flusso: Il modello del Trasporto
Problemi di Flusso: Il modello del rasporto Andrea Scozzari a.a. 2014-2015 April 27, 2015 Andrea Scozzari (a.a. 2014-2015) Problemi di Flusso: Il modello del rasporto April 27, 2015 1 / 25 Problemi su
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
Dettagli