Il metodo del simplesso. Il metodo del simplesso p. 1/127
|
|
- Salvatore Adamo
- 6 anni fa
- Visualizzazioni
Transcript
1 Il metodo del simplesso Il metodo del simplesso p. 1/127
2 I problemi di PL in forma standard I problemi di PL in forma standard hanno la seguente formulazione: max cx a i x = b i x 0 i = 1,...,m o, equivalentemente, in forma matriciale: max cx Ax = b x 0 Il metodo del simplesso p. 2/127
3 Un osservazione Osservazione 1 Ogni problema di PL in forma canonica puó essere trasformato in uno equivalente in forma standard. Il metodo del simplesso p. 3/127
4 Dimostrazione Problema di PL in forma canonica max cx a i x b i x 0 i = 1,...,m a i x b i a i x + y i = b i, y i 0. Quindi, il problema di PL in forma canonica é equivalente al seguente: max cx a i x + y i = b i x 0 y i 0 i = 1,...,m i = 1,...,m che é in forma standard. Il metodo del simplesso p. 4/127
5 Continua Ogni problema di PL puó essere ricondotto ad uno equivalente in forma canonica. Il metodo del simplesso p. 5/127
6 Continua Ogni problema di PL puó essere ricondotto ad uno equivalente in forma canonica. Ogni problema in forma canonica puó essere ricondotto ad uno equivalente in forma standard. Il metodo del simplesso p. 5/127
7 Continua Ogni problema di PL puó essere ricondotto ad uno equivalente in forma canonica. Ogni problema in forma canonica puó essere ricondotto ad uno equivalente in forma standard. Quindi: ogni problema di PL puó essere ricondotto ad uno equivalente in forma standard. Il metodo del simplesso p. 5/127
8 Continua Ogni problema di PL puó essere ricondotto ad uno equivalente in forma canonica. Ogni problema in forma canonica puó essere ricondotto ad uno equivalente in forma standard. Quindi: ogni problema di PL puó essere ricondotto ad uno equivalente in forma standard. NB: nella pratica si passa direttamente da un problema di PL in forma generica ad uno equivalente in forma standard, senza passare necessariamente attraverso un problema in forma canonica. Il metodo del simplesso p. 5/127
9 Un esempio Si trasformi il seguente problema di PL in forma generica in un problema di PL in forma standard min x 1 + x 2 + x 3 x 1 + 2x 2 x 3 3 x 1 + 4x 2 + 5x 3 = 5 x 1 2x 2 + x 3 3 x 1 0 x 2 0 x 3 libera in segno Il metodo del simplesso p. 6/127
10 Ipotesi aggiuntiva Si richiede che la matrice dei vincoli A R m n abbia rango pari a m, il numero delle sue righe, il che equivale a richiedere equivalentemente che: non ci sono righe di A ottenibili come combinazioni lineari di altre righe di A; esistono m colonne della matrice A che formano una matrice quadrata invertibile. NB: Si puó dimostrare che anche questa non é una condizione restrittiva e che ci si puó sempre ricondurre ad essa. Il metodo del simplesso p. 7/127
11 Esempi A 1 = Rango di A 1 < m = 3 A 2 = [ ] Rango di A 2 = m = 2 Il metodo del simplesso p. 8/127
12 Base di un problema di PL Si definisce base di un problema di PL in forma standard un sottinsieme: B = {x i1,...,x im } di m delle n variabili del problema di PL con la proprietá che la matrice A B R m m ottenuta considerando le sole colonne di A relative alle variabili x ik, k = 1,...,m, sia invertibile. Le variabili dell insieme B verranno dette variabili in base, quelle al di fuori di B verranno raggruppate nell insieme: N = {x im+1,...,x in } e verranno dette variabili fuori base. Il metodo del simplesso p. 9/127
13 Un esempio Dato max 3x 1 + 4x 2 + 2x 3 + 2x 4 + x 5 x 1 + 2x 2 + 2x 3 + x 4 x 5 = 2 x 1 + 2x 2 + x 3 + 4x 4 2x 5 = 2 x 1,x 2,x 3,x 4,x 5 0 Matrice dei vincoli A = [ ] Il metodo del simplesso p. 10/127
14 Continua B 1 = {x 1,x 2 } non é una base. Infatti [ ] 1 2 A B1 = non é invertibile 1 2 Invece, B 2 = {x 1,x 3 } é una base in quanto: [ ] 1 2 A B2 = é invertibile 1 1 Allo stesso modo si verifichi che B 3 = {x 3,x 4 } e B 4 = {x 4,x 5 } sono basi. Il metodo del simplesso p. 11/127
15 Soluzioni di base Data una base B, indichiamo con: x B R m il vettore delle variabili in base Il metodo del simplesso p. 12/127
16 Soluzioni di base Data una base B, indichiamo con: x B R m il vettore delle variabili in base x N R n m il vettore delle variabili fuori base Il metodo del simplesso p. 12/127
17 Soluzioni di base Data una base B, indichiamo con: x B R m il vettore delle variabili in base x N R n m il vettore delle variabili fuori base c B R m il vettore dei costi relativi alle variabili in base Il metodo del simplesso p. 12/127
18 Soluzioni di base Data una base B, indichiamo con: x B R m il vettore delle variabili in base x N R n m il vettore delle variabili fuori base c B R m il vettore dei costi relativi alle variabili in base c N R n m il vettore dei costi relativi alle variabili fuori base Il metodo del simplesso p. 12/127
19 Soluzioni di base Data una base B, indichiamo con: x B R m il vettore delle variabili in base x N R n m il vettore delle variabili fuori base c B R m il vettore dei costi relativi alle variabili in base c N R n m il vettore dei costi relativi alle variabili fuori base A N R m (n m) la matrice ottenuta da A considerando le sole colonne relative alle variabili fuori base. Il metodo del simplesso p. 12/127
20 Nell esempio Con la base B = {x 1,x 3 } abbiamo: x B = (x 1 x 3 ) Il metodo del simplesso p. 13/127
21 Nell esempio Con la base B = {x 1,x 3 } abbiamo: x B = (x 1 x 3 ) x N = (x 2 x 4 x 5 ) Il metodo del simplesso p. 13/127
22 Nell esempio Con la base B = {x 1,x 3 } abbiamo: x B = (x 1 x 3 ) x N = (x 2 x 4 x 5 ) c B = (3 2) Il metodo del simplesso p. 13/127
23 Nell esempio Con la base B = {x 1,x 3 } abbiamo: x B = (x 1 x 3 ) x N = (x 2 x 4 x 5 ) c B = (3 2) c N = (4 2 1) Il metodo del simplesso p. 13/127
24 Nell esempio Con la base B = {x 1,x 3 } abbiamo: x B = (x 1 x 3 ) x N = (x 2 x 4 x 5 ) c B = (3 2) c N = (4 2 1) A N = [ ] Il metodo del simplesso p. 13/127
25 Riscrittura della riformulazione Possiamo ora riscrivere il problema di PL in forma standard nella seguente forma equivalente: max c B x B + c N x N A B x B + A N x N = b x B,x N 0 e quindi anche in questo modo: Il metodo del simplesso p. 14/127
26 Riscrittura della riformulazione Possiamo ora riscrivere il problema di PL in forma standard nella seguente forma equivalente: max c B x B + c N x N A B x B + A N x N = b x B,x N 0 e quindi anche in questo modo: max c B x B + c N x N A B x B = b A N x N x B,x N 0 Il metodo del simplesso p. 14/127
27 Nell esempio max c B x B {}}{ 3x 1 + 2x 3 + c N x N {}}{ 4x 2 + 2x 4 + x 5 A B x B {}}{ x 1 + 2x 3 + A N x N {}}{ 2x 2 + x 4 x 5 = 2 x 1 + x 3 + 2x 2 + 4x 4 2x 5 = 2 x 1,x }{{} 3,x 2,x 4,x 5 0 }{{} x B x N Il metodo del simplesso p. 15/127
28 E quindi... max c B x B {}}{ 3x 1 + 2x 3 + A B x B {}}{ x 1 + 2x 3 = c N x N {}}{ 4x 2 + 2x 4 + x 5 b A N x N {}}{ 2 2x 2 x 4 + x 5 x 1 + x 3 = 2 2x 2 4x 4 + 2x 5 x 1,x }{{} 3,x 2,x 4,x 5 0 }{{} x B x N Il metodo del simplesso p. 16/127
29 Continua Moltiplichiamo ora i vincoli di uguaglianza per A 1 B : max c B x B + c N x N A 1 B A Bx B = A 1 B b A 1 B A Nx N x B,x N 0 e quindi da A 1 B A Bx B = Ix B = x B max c B x B + c N x N x B = A 1 B b A 1 B A Nx N x B,x N 0 Questo equivale a risolvere il sistema dato dai vincoli di uguaglianza considerando la variabili in base come incognite del sistema e quelle fuori base come parametri. Il metodo del simplesso p. 17/127
30 Nell esempio max 3x 1 + 2x 3 + 4x 2 + 2x 4 + x 5 x 1 = 2 2x 2 7x 4 + 3x 5 x 3 = 0 + 3x 4 x 5 x 1,x 3,x 2,x 4,x 5 0 Il metodo del simplesso p. 18/127
31 Riformulazione rispetto alla base B Infine, sostituendo x B nell obiettivo: max c B A 1 B b + (c N c B A 1 B A N)x N x B = A 1 B b A 1 B A Nx N x B,x N 0 Questa riformulazione viene detta riformulazione del problema di PL rispetto alla base B. NB: tale riformulazione é del tutto equivalente al problema originario di PL. Il metodo del simplesso p. 19/127
32 Nell esempio Riformulazione rispetto alla base B = {x 1,x 3 }: max 6 2x 2 13x 4 + 8x 5 x 1 = 2 2x 2 7x 4 + 3x 5 x 3 = 0 + 3x 4 x 5 x 1,x 3,x 2,x 4,x 5 0 Il metodo del simplesso p. 20/127
33 Soluzioni di base Si definisce soluzione di base associata alla base B, la seguente soluzione del sistema di vincoli di uguaglianza ottenuta ponendo x N = 0: Nell esempio: x B = A 1 B b x N = 0. x 1 = 2 x 3 = 0 x 2 = x 4 = x 5 = 0 Il metodo del simplesso p. 21/127
34 Ammissibilitá e non degenerazione Se A 1 B b 0 la soluzione di base si dice ammissibile. Questo vuol dire che appartiene alla regione ammissibile del problema di PL in quanto, oltre a soddisfare i vincoli di uguaglianza del problema, soddisfa anche quelli di non negativitá delle variabili. Il metodo del simplesso p. 22/127
35 Ammissibilitá e non degenerazione Se A 1 B b 0 la soluzione di base si dice ammissibile. Questo vuol dire che appartiene alla regione ammissibile del problema di PL in quanto, oltre a soddisfare i vincoli di uguaglianza del problema, soddisfa anche quelli di non negativitá delle variabili. Se inoltre si ha A 1 B b > 0 si parla di soluzione di base non degenere, altrimenti si parla di soluzione di base degenere. Il metodo del simplesso p. 22/127
36 Nell esempio B 2 = {x 1,x 3 } soluzione di base ammissibile e degenere B 3 = {x 3,x 4 }: la soluzione di base é x 3 = 6/7 x 4 = 2/7 x 1 = x 2 = x 5 = 0, che é ammissibile e non degenere B 4 = {x 4,x 5 }: la soluzione di base é x 4 = 1 x 5 = 3 x 1 = x 2 = x 3 = 0, che é non ammissibile. Il metodo del simplesso p. 23/127
37 Osservazione Data una soluzione di base ammissibile e non degenere esiste un unica base che la rappresenta, mentre una soluzione di base ammissibile e degenere é rappresentata da piú basi. Si verifichi, ad esempio, che la base B 5 = {x 1,x 4 } ha come soluzione di base associata: x 1 = 2 x 4 = 0 x 2 = x 3 = x 5 = 0, che é la stessa associata alla base B 2. Il metodo del simplesso p. 24/127
38 Ma cosa hanno a che fare le basi e le soluzioni di base con il teorema fondamentale della PL? Il metodo del simplesso p. 25/127
39 Ma cosa hanno a che fare le basi e le soluzioni di base con il teorema fondamentale della PL? La risposta ci viene dalla seguente osservazione. Osservazione 3 L insieme dei vertici di S a coincide con l insieme delle soluzioni di base ammissibili del problema di PL. In pratica, vertici e di soluzioni di base ammissibili sono la stessa cosa vista da due punti di vista diversi: quello geometrico (i vertici) e quello algebrico (le soluzioni di base ammissibili). Il metodo del simplesso p. 25/127
40 Basi adiacenti Due basi B e B si definiscono adiacenti se hanno m 1 variabili uguali e differiscono per una sola variabile. Nell esempio le basi B 3 = {x 3,x 4 } e B 4 = {x 4,x 5 } sono adiacenti, mentre non lo sono B 2 = {x 1,x 3 } e B 4. Il metodo del simplesso p. 26/127
41 Soluzioni di base adiacenti Due soluzioni di base distinte si definiscono adiacenti se esistono due basi B e B che le rappresentano e che sono tra loro adiacenti. Il metodo del simplesso p. 27/127
42 Soluzioni di base adiacenti Due soluzioni di base distinte si definiscono adiacenti se esistono due basi B e B che le rappresentano e che sono tra loro adiacenti. Si noti che due basi adiacenti non corrispondono necessariamente a due soluzioni di base adiacenti. Esse infatti possono corrispondere alla stessa soluzione di base come accade, ad esempio, con le basi B 2 = {x 1,x 3 } e B 5 = {x 1,x 4 }. Il metodo del simplesso p. 27/127
43 Riformulazione rispetto alla base B Sia data la base: con B = {x i1,...,x im }. N = {x im+1,...,x in } l insieme delle variabili fuori base. Abbiamo visto che, data la base B, la riformulazione del problema di PL rispetto alla base B é data da max c B A 1 B b + (c N c B A 1 B A N)x N x B = A 1 B b A 1 B A Nx N x B,x N 0 Il metodo del simplesso p. 28/127
44 Continua Indichiamo con: γ 0 il valore c B A 1 B b; γ j, j = 1,...,n m, le componenti del vettore c N c B A 1 B A N; β r, r = 1,...,m, le componenti del vettore A 1 B b; α rj, r = 1,...,m, j = 1,...,n m, le componenti della matrice A 1 B A N Il metodo del simplesso p. 29/127
45 Continua In forma scalare possiamo riscrivere la riformulazione rispetto alla base B nel seguente modo: max γ 0 + n m j=1 γ jx im+j x i1 = β 1 + n m j=1 α 1jx im+j x ik = β k + n m j=1 α kjx im+j x im = β m + n m j=1 α mjx im+j x 1,...,x n 0 Il metodo del simplesso p. 30/127
46 Nell esempio Riformulazione rispetto alla base B 2 = {x 1,x 3 }: max 6 2x 2 13x 4 + 8x 5 x 1 = 2 2x 2 7x 4 + 3x 5 x 3 = 0 + 3x 4 x 5 x 1,x 3,x 2,x 4,x 5 0 Il metodo del simplesso p. 31/127
47 Passaggio ad una base adiacente Supponiamo ora di voler passare dalla base B alla base adiacente B ottenuta rimuovendo da B la variabile x ik, 1 k m, e sostituendola con la variabile fuori base x im+h, 1 h n m, ovvero: B = {x i1,...,x ik 1,x im+h,x ik+1,...,x im }. La prima domanda che ci dobbiamo porre é : Il metodo del simplesso p. 32/127
48 Passaggio ad una base adiacente Supponiamo ora di voler passare dalla base B alla base adiacente B ottenuta rimuovendo da B la variabile x ik, 1 k m, e sostituendola con la variabile fuori base x im+h, 1 h n m, ovvero: B = {x i1,...,x ik 1,x im+h,x ik+1,...,x im }. La prima domanda che ci dobbiamo porre é : quando B é effettivamente una base. Perché lo sia si deve avere che A B é invertibile. Il metodo del simplesso p. 32/127
49 Continua Si ha che A B é invertibile e quindi B é una base se e solo se nella riformulazione associata alla base B il coefficiente di x im+h nell equazione relativa a x ik é diverso da 0, ovvero se e solo se: α kh 0. Nell esempio: {x 1,x 2 } Il metodo del simplesso p. 33/127
50 Continua Si ha che A B é invertibile e quindi B é una base se e solo se nella riformulazione associata alla base B il coefficiente di x im+h nell equazione relativa a x ik é diverso da 0, ovvero se e solo se: α kh 0. Nell esempio: {x 1,x 2 } non é una base {x 1,x 5 } Il metodo del simplesso p. 33/127
51 Continua Si ha che A B é invertibile e quindi B é una base se e solo se nella riformulazione associata alla base B il coefficiente di x im+h nell equazione relativa a x ik é diverso da 0, ovvero se e solo se: α kh 0. Nell esempio: {x 1,x 2 } non é una base {x 1,x 5 } é una base Il metodo del simplesso p. 33/127
52 L operazione di cardine Tale operazione consente di passare dalla riformulazione rispetto alla base B a quella rispetto alla base adiacente B. Per fare questo dovremo compiere le seguenti operazioni. Ricavare x im+h dall equazione relativa a x ik, cioé: x im+h = β k α kh + 1 α kh x ik n m j=1, j h α kj α kh x im+j. sostituire ogni occorrenza della variabile x im+h nelle restanti equazioni e nell obiettivo con la parte destra di tale equazione Il metodo del simplesso p. 34/127
53 Esempio Dalla riformulazione rispetto a B 2 = {x 1,x 3 } a quella rispetto a B 6 = {x 1,x 5 } Ricavo x 5 dall equazione relativa a x 3 x 5 = 0 x 3 + 3x 4 Il metodo del simplesso p. 35/127
54 Esempio Dalla riformulazione rispetto a B 2 = {x 1,x 3 } a quella rispetto a B 6 = {x 1,x 5 } Ricavo x 5 dall equazione relativa a x 3 x 5 = 0 x 3 + 3x 4 Sostituisco la parte destra dell equazione nei restanti vincoli e nell obiettivo max 6 2x 2 13x 4 + 8(0 x 3 + 3x 4 ) x 1 = 2 2x 2 7x 4 + 3(0 x 3 + 3x 4 ) x 5 = 0 x 3 + 3x 4 x 1,x 3,x 2,x 4,x 5 0 Il metodo del simplesso p. 35/127
55 Riformulazione rispetto a B 6 = {x 1, x 5 } max 6 2x 2 8x x 4 x 1 = 2 2x 2 + 2x 4 3x 3 x 5 = 0 x 3 + 3x 4 x 1,x 3,x 2,x 4,x 5 0 Il metodo del simplesso p. 36/127
56 Nota bene Per poter recuperare dalle riformulazioni alcune informazioni (nel seguito vedremo, ad esempio, come sfruttare la riformulazione rispetto a una base B per poter ottenere la matrice A 1 B ) é necessario mantenere un ordine tra le variabili in una base. Quindi se nella base B la variabile x im+h sostituisce la variabile x ik a cui corrisponde la k-esima equazione della riformulazione rispetto a B, nella riformulazione rispetto a B l equazione relativa alla variabile x im+h dovrá ancora essere la k-esima, mentre la posizione delle equazioni relative a tutte le altre variabili deve rimanere invariata rispetto alla precedente riformulazione. Il metodo del simplesso p. 37/127
57 Nell esempio la variabile x 5 ha preso il posto della x 3 e l equazione relativa alla x 5 é stata messa nella stessa posizione (la seconda) in cui si trovava quella della x 3, mentre la restante equazione ha mantenuto la posizione originaria. Il metodo del simplesso p. 38/127
58 Un altro esempio Passaggio da B 6 = {x 1,x 5 } a B 4 = {x 4,x 5 } Ricavo x 4 dall equazione relativa a x 1 x 4 = 1 + 1/2x 1 + x 2 + 3/2x 3 Il metodo del simplesso p. 39/127
59 Un altro esempio Passaggio da B 6 = {x 1,x 5 } a B 4 = {x 4,x 5 } Ricavo x 4 dall equazione relativa a x 1 x 4 = 1 + 1/2x 1 + x 2 + 3/2x 3 Sostituisco la parte destra dell equazione nei restanti vincoli e nell obiettivo max 6 2x 2 8x ( 1 + 1/2x 1 + x 2 + 3/2x 3 ) x 4 = 1 + 1/2x 1 + x 2 + 3/2x 3 x 5 = 0 x 3 + 3( 1 + 1/2x 1 + x 2 + 3/2x 3 ) x 1,x 3,x 2,x 4,x 5 0 Il metodo del simplesso p. 39/127
60 Continua Riformulazione rispetto a B 4 = {x 4,x 5 }: max /2x 1 + 9x /2x 3 x 4 = 1 + 1/2x 1 + x 2 + 3/2x 3 x 5 = 3 + 3/2x 1 + 3x 2 + 7/2x 3 x 1,x 3,x 2,x 4,x 5 0 Il metodo del simplesso p. 40/127
61 Nota bene Le operazioni di cardine che abbiamo eseguito sugli esempi ci hanno consentito di passare da una base ad una adiacente e, nel secondo esempio, anche da una soluzione di base ad una adiacente. Tuttavia, nel secondo caso siamo passati da una soluzione di base ammissibile (quella associata a B 6 ) ad una non ammissibile (quella associata a B 4 ). Nell algoritmo di risoluzione che ci apprestiamo a discutere la scelta della base adiacente verso cui muoversi non verrá fatta a caso come abbiamo fatto nei precedenti esempi, ma sará guidata da regole precise che fondamentalmente ci consentiranno di spostarsi tra vertici della regione ammissibile migliorando il valore della funzione obiettivo. Il metodo del simplesso p. 41/127
62 Ipotesi iniziale Data la base B e la riformulazione rispetto ad essa: max γ 0 + n m j=1 γ jx im+j x i1 = β 1 + n m j=1 α 1jx im+j x ik = β k + n m j=1 α kjx im+j x im = β m + n m j=1 α mjx im+j x 1,...,x n 0 supponiamo che β k 0,k = 1,...,m, ovvero la base B é ammissibile (la soluzione di base associata é ammissibile). Il metodo del simplesso p. 42/127
63 Nota bene Due problemi non banali sono: stabilire se esiste una base ammissibile (o, equivalentemente, stabilire se S a ) nel caso esista, determinarne una. Questi problemi li affronteremo in seguito. Per il momento supponiamo di avere giá a disposizione una base ammissibile B. Il metodo del simplesso p. 43/127
64 Coefficienti di costo ridotto I coefficienti γ j delle variabili fuori base nell obiettivo della riformulazione rispetto alla base B vengono detti coefficienti di costo ridotto delle variabili fuori base. Questi esprimono la variazione dell obiettivo in corrispondenza dell incremento di un unitá della variabile fuori base corrispondente. Il metodo del simplesso p. 44/127
65 Infatti se consideriamo l obiettivo della riformulazione: γ 0 + n m j=1 γ j x im+j, e supponiamo di tenere a 0 il valore di tutte le variabili fuori base tranne la variabile x im+h il cui valore viene incrementato a 1, otteniamo Il nuovo valore dell obiettivo γ 0 + γ h con una variazione rispetto al valore γ 0 (quello nella soluzione di base associata a B) pari proprio al valore γ h del coefficiente di costo ridotto della variabile fuori base x im+h. Il metodo del simplesso p. 45/127
66 Un esempio Sia data la seguente riformulazione rispetto alla base ammissibile {x 1,x 2 } di un problema di PL: max 2 + x 3 x 4 x 1 = 2 + x 3 + x 4 x 2 = 1 + 2x 3 + x 4 x 1,x 2,x 3,x 4 0 Il valore dell obiettivo nella corrispondente soluzione di base é la costante che appare nell obiettivo (2). Il metodo del simplesso p. 46/127
67 Continua Se teniamo a 0 il valore di x 4 e portiamo a 1 quello di x 3, il valore dell obiettivo diventa 3, con una variazione pari al coefficiente di costo ridotto (+1) di x 3 Se teniamo a 0 il valore di x 3 e portiamo a 1 quello di x 4, il valore dell obiettivo diventa 1, con una variazione pari al coefficiente di costo ridotto (-1) di x 4 Il metodo del simplesso p. 47/127
68 Verifica di ottimalitá Alla base ammissibile B é associata una soluzione di base ammissibile (un vertice di S a ). Posso stabilire se questa soluzione appartiene a S ott? Il metodo del simplesso p. 48/127
69 Verifica di ottimalitá Alla base ammissibile B é associata una soluzione di base ammissibile (un vertice di S a ). Posso stabilire se questa soluzione appartiene a S ott? Data una variabile fuori base, il cui valore é nullo nella soluzione di base associata a B, quando "conviene" far crescere da 0 il valore di tale variabile? Il metodo del simplesso p. 48/127
70 Verifica di ottimalitá Alla base ammissibile B é associata una soluzione di base ammissibile (un vertice di S a ). Posso stabilire se questa soluzione appartiene a S ott? Data una variabile fuori base, il cui valore é nullo nella soluzione di base associata a B, quando "conviene" far crescere da 0 il valore di tale variabile? Solo quando il suo coefficiente di costo ridotto é positivo, altrimenti il valore dell obiettivo o rimane invariato (se il coefficiente é nullo) o diminuisce (se é negativo). Il metodo del simplesso p. 48/127
71 Quindi se tutte le variabili fuori base hanno coefficiente di costo ridotto minore o uguale a 0, ovvero γ j 0 j = 1,...,n m. la soluzione di base associata a B é soluzione ottima del problema di PL. Il metodo del simplesso p. 49/127
72 Una dimostrazione formale Il valore dell obiettivo in corrispondenza della soluzione di base associata a B é γ 0. Il metodo del simplesso p. 50/127
73 Una dimostrazione formale Il valore dell obiettivo in corrispondenza della soluzione di base associata a B é γ 0. Inoltre in S a si ha x im+j 0, j = 1,...,n m. Il metodo del simplesso p. 50/127
74 Una dimostrazione formale Il valore dell obiettivo in corrispondenza della soluzione di base associata a B é γ 0. Inoltre in S a si ha x im+j 0, j = 1,...,n m. Quindi per il valore dell obiettivo in S a si avrá: γ 0 + n m j=1 γ j x im+j }{{}}{{} 0 0 γ 0, Il metodo del simplesso p. 50/127
75 Una dimostrazione formale Il valore dell obiettivo in corrispondenza della soluzione di base associata a B é γ 0. Inoltre in S a si ha x im+j 0, j = 1,...,n m. Quindi per il valore dell obiettivo in S a si avrá: γ 0 + n m j=1 γ j x im+j }{{}}{{} 0 0 γ 0, ovvero in S a il valore dell obiettivo non puó mai superare il valore γ 0. Essendo questo anche il valore dell obiettivo per la nostra soluzione di base, tale soluzione di base é anche soluzione ottima del nostro problema. Il metodo del simplesso p. 50/127
76 In forma vettoriale Ricordando che γ j sono le componenti del vettore c N c B A 1 B A N (detto anche, per questa ragione, vettore dei coefficienti di costo ridotto), in forma vettoriale la condizione sufficiente di ottimalitá si esprime nel modo seguente: c N c B A 1 B A N 0. Il metodo del simplesso p. 51/127
77 La condizione non é necessaria! Puó succedere che la soluzione di base sia giá una soluzione ottima ma la condizione di ottimalitá non sia soddisfatta. Ció peró puó accadere solo nel caso di una soluzione di base degenere. Il metodo del simplesso p. 52/127
78 Un esempio Sia data la seguente riformulazione rispetto alla base {x 3,x 4 } di un problema di PL: max x 1 x 3 = 1 x 2 x 4 = x 1 x 1,x 2,x 3,x 4 0 La soluzione di base corrispondente é: x 3 = 1 x 4 = 0 x 1 = x 2 = 0. Si noti che é degenere. La condizione di ottimalitá non é soddisfatta (il coefficiente di x 1 nell obiettivo é pari a 1). Il metodo del simplesso p. 53/127
79 Continua Passiamo ora, con l operazione di cardine, alla base adiacente {x 1,x 3 }. La riformulazione rispetto a questa base é la seguente: max x 4 x 3 = 1 x 2 x 1 = x 4 x 1,x 2,x 3,x 4 0 Ora la condizione di ottimalitá é soddisfatta e quindi la soluzione di base associata é ottima. Ma se osserviamo la soluzione di base associata, questa coincide esattamente con la precedente. Il metodo del simplesso p. 54/127
80 Osservazione Si puó dimostrare che data una soluzione di base ottima esiste sempre almeno una base corrispondente per la quale la condizione di ottimalitá é soddisfatta. Nell esempio abbiamo visto come la stessa soluzione di base sia rappresentata sia dalla base {x 3,x 4 } che dalla base {x 1,x 3 }. La prima base non soddisfa la condizione, ma questa é soddisfatta dalla seconda base. Il metodo del simplesso p. 55/127
81 Verifica di illimitatezza Supponiamo ora che la condizione di ottimalitá non sia soddisfatta. Un altra domanda che possiamo porci é la seguente: quando il problema ha valore dell obiettivo illimitato? Il metodo del simplesso p. 56/127
82 Verifica di illimitatezza Supponiamo ora che la condizione di ottimalitá non sia soddisfatta. Un altra domanda che possiamo porci é la seguente: quando il problema ha valore dell obiettivo illimitato? Una condizione sufficiente perché questo si verifichi é la seguente: γ h > 0 : α rh 0 r = 1,...,m. Il metodo del simplesso p. 56/127
83 Infatti nella riformulazione rispetto alla base B poniamo a zero tutte le variabili fuori base tranne la variabile x im+h con γ h > 0. Ció che rimane é: max γ 0 + γ h x im+h x i1 = β 1 + α 1h x im+h x im = β m + α mh x im+h x 1,...,x n 0 Cosa succede se faccio crescere il valore della variabile x im+h? Il metodo del simplesso p. 57/127
84 Continua Per ogni r {1,...,m}: x ir = β r }{{} 0 + α }{{} rh x im+h }{{} 0 0 0, quindi per ogni possibile valore non negativo di x im+h le variabili in base continuano ad avere valore non negativo e quindi rimaniamo all interno di S a. Ma vediamo ora cosa succede all obiettivo: Il metodo del simplesso p. 58/127
85 Continua Per ogni r {1,...,m}: x ir = β r }{{} 0 + α }{{} rh x im+h }{{} 0 0 0, quindi per ogni possibile valore non negativo di x im+h le variabili in base continuano ad avere valore non negativo e quindi rimaniamo all interno di S a. Ma vediamo ora cosa succede all obiettivo: γ 0 + γ }{{} h x im+h >0 }{{} +, x im+h + da cui S ott = in quanto il valore dell obiettivo é illimitato in S a. Il metodo del simplesso p. 58/127
86 Un esempio Sia data la seguente riformulazione rispetto alla base {x 1,x 2 } di un problema di PL: max 2 + x 3 x 4 x 1 = 2 + x 3 + x 4 x 2 = 1 + 2x 3 + x 4 x 1,x 2,x 3,x 4 0 Il coefficiente di x 3 nell obiettivo é positivo e non negativi sono anche i coefficienti di x 3 nelle equazioni dei vincoli. Il metodo del simplesso p. 59/127
87 Continua Se poniamo x 4 = 0 e x 3 = t 0 il problema diventa: max 2 + t x 1 = 2 + t x 2 = 1 + 2t x 1,x 2,x 3,x 4 0 da cui si nota che i punti x 1 = 2 + t x 2 = 1 + 2t x 3 = t x 4 = 0 sono tutti in S a per ogni t 0, mentre il valore dell obiettivo cresce a + al crescere di t a +. Il metodo del simplesso p. 60/127
88 Cambio di base Cosa succede se nessuna delle due condizioni di arresto (ottimalitá e illimitatezza) é soddisfatta? Il metodo del simplesso p. 61/127
89 Cambio di base Cosa succede se nessuna delle due condizioni di arresto (ottimalitá e illimitatezza) é soddisfatta? Effettuo un cambio di base passando da quella attuale ad una adiacente. Ma come scelgo la base adiacente verso cui spostarmi? Il metodo del simplesso p. 61/127
90 Cambio di base Cosa succede se nessuna delle due condizioni di arresto (ottimalitá e illimitatezza) é soddisfatta? Effettuo un cambio di base passando da quella attuale ad una adiacente. Ma come scelgo la base adiacente verso cui spostarmi? Voglio cercare di spostarmi in una base adiacente che: sia ancora ammissibile la soluzione di base corrispondente abbia valore della funzione obiettivo non peggiore rispetto a quella attuale. Il metodo del simplesso p. 61/127
91 Variabile da far entrare in base Scelgo la variabile fuori base da far entrare in base cercando di garantire un miglioramento del valore dell obiettivo Quali variabili fuori base (e quindi a valore nullo nella soluzione di base) possono consentirmi di migliorare il valore dell obiettivo? Il metodo del simplesso p. 62/127
92 Variabile da far entrare in base Scelgo la variabile fuori base da far entrare in base cercando di garantire un miglioramento del valore dell obiettivo Quali variabili fuori base (e quindi a valore nullo nella soluzione di base) possono consentirmi di migliorare il valore dell obiettivo? Dovremo far crescere quelle con coefficiente di costo ridotto γ j positivo (facendo crescere le altre il valore dell obiettivo diminuisce oppure non cambia). Quindi dobbiamo restringere l attenzione alle sole variabili x im+j tali che γ j > 0. Il metodo del simplesso p. 62/127
93 E se c é piú di una variabile con coefficiente di costo ridotto positivo? Qui adotteremo la regola di scelta tra queste variabili che consiste nel scegliere quella che fa crescere piú rapidamente il valore dell obiettivo e cioé la variabile x im+h tale che: γ h = max γ j, j=1,...,n m tenendo comunque presente che questa non é l unica regola possibile. Nel caso il massimo sia raggiunto da piú variabili adottiamo (come pura convenzione) la regola di selezionare la variabile con indice piú piccolo. Il metodo del simplesso p. 63/127
94 Nell esempio Data la seguente riformulazione rispetto alla base {x 1,x 2 } di un problema di PL: max 2 + 2x 3 + 2x 4 + x 5 x 1 = 1 x 3 + x 4 + x 5 x 2 = 2 x 3 x 4 x 5 x 1,x 2,x 3,x 4,x 5 0 Il metodo del simplesso p. 64/127
95 Nell esempio Data la seguente riformulazione rispetto alla base {x 1,x 2 } di un problema di PL: max 2 + 2x 3 + 2x 4 + x 5 x 1 = 1 x 3 + x 4 + x 5 x 2 = 2 x 3 x 4 x 5 x 1,x 2,x 3,x 4,x 5 0 In questo caso tutte le variabili fuori base hanno coefficiente di costo ridotto positivo. Tra queste considero quelle il cui coefficiente di costo ridotto é massimo (la x 3 e la x 4 ). Tra le due scelgo quella con indice minore e quindi la x 3. Quindi scegliamo la variabile fuori base x 3 come nuova variabile da far entrare in base. Il metodo del simplesso p. 64/127
96 Variabile uscente dalla base Una volta scelta la variabile x im+h che dovrá entrare in base, quale variabile in base dovrá farle posto, ovvero quale sará la variabile in base x ik che dovrá uscire dalla base? Il metodo del simplesso p. 65/127
97 Variabile uscente dalla base Una volta scelta la variabile x im+h che dovrá entrare in base, quale variabile in base dovrá farle posto, ovvero quale sará la variabile in base x ik che dovrá uscire dalla base? Se la scelta della variabile che entra in base é guidata dal desiderio di far crescere il valore dell obiettivo, la scelta della variabile uscente dalla base sará motivata dal desiderio di non uscire dalla regione ammissibile. Il metodo del simplesso p. 65/127
98 Continua Nella riformulazione rispetto alla base corrente fissiamo a 0 tutte le variabili fuori base tranne la x im+h. Si avrá dunque: max γ 0 + γ h x im+h x i1 = β 1 + α 1h x im+h x im = β m + α mh x im+h x 1,...,x n 0 Fino a quando possiamo far crescere il valore di x im+h senza uscire dalla regione ammissibile? Il metodo del simplesso p. 66/127
99 Continua Abbiamo due casi: Caso 1 Per tutti gli r {1,...,m} tali che α rh 0 vediamo che: x ir = β r + α }{{} rh x im+h }{{} 0 0 β r 0. Quindi in questo caso non abbiamo alcuna restrizione sulla crescita di x im+h. Il metodo del simplesso p. 67/127
100 Continua Caso 2 Per gli r tali che α rh < 0, allora vediamo che il valore di x im+h puó crescere al massimo fino a: β r α rh e oltre questo valore la variabile x ir assume valori negativi (si esce quindi dalla regione ammissibile S a ). Il metodo del simplesso p. 68/127
101 Quindi se vogliamo rimanere in S a, ci dobbiamo arrestare non appena una variabile x ir con α rh < 0 si annulla al crescere di x im+h. Questa sará la variabile x ik tale che α kh < 0 e β k α kh = { min β } r. r : α rh <0 α rh (Criterio dei minimi rapporti). Nel caso il minimo sia raggiunto da piú variabili la scelta ricade, per convenzione, su quella con indice piú piccolo. La variabile x ik sará quella che uscirá dalla base. Il metodo del simplesso p. 69/127
102 Nell esempio Abbiamo precedentemente scelto x 3 come variabile entrante in base. Quale variabile dovrá uscire dalla base? Il metodo del simplesso p. 70/127
103 Nell esempio Abbiamo precedentemente scelto x 3 come variabile entrante in base. Quale variabile dovrá uscire dalla base? Sia la x 1 che la x 2 sono candidate (per entrambe il coefficiente di x 3 nelle rispettive equazioni é negativo). Qual é la prima che si annulla al crescere di x 3? Il metodo del simplesso p. 70/127
104 Continua Fissando a 0 tutte le variabili fuori base tranne la x 3 si ottiene: max 2 + 2x 3 x 1 = 1 x 3 x 2 = 2 x 3 x 1,x 2,x 3,x 4,x 5 0 e si puó vedere che per mantenersi in S a (cioé per mantenere non negative le variabili in base x 1 e x 2 ) possiamo far crescere x 3 al massimo fino al valore 1. In corrispondenza di tale valore si annulla la variabile x 1 e tale variabile sará quella che dovrá uscire di base. Il metodo del simplesso p. 71/127
105 Continua Equivalentemente, utilizzando il criterio dei minimi rapporti: x = 1 x = 2. Il minimo dei rapporti (pari a 1) é raggiunto in corrispondenza della variabile x 1 e quindi questa sará la variabile che dovrá uscire dalla base. Il metodo del simplesso p. 72/127
106 E infine una volta selezionata la variabile entrante in base (la x im+h ) e quella uscente di base (la x ik ) con le regole viste, non resta che compiere l operazione di cardine nel modo giá descritto in precedenza ottenendo la riformulazione rispetto alla nuova base B. Il metodo del simplesso p. 73/127
107 Nell esempio Entra x 3 ed esce x 1. L operazione di cardine porta alla seguente riformulazione rispetto alla nuova base B = {x 2,x 3 }: max 4 2x 1 + 4x 4 + 3x 5 x 3 = 1 x 1 + x 4 + x 5 x 2 = 3 + x 1 2x 4 2x 5 x 1,x 2,x 3,x 4,x 5 0 Il metodo del simplesso p. 74/127
108 Ed ora non facciamo altro che iterare sulla nuova base B quanto fatto sulla base precedente B. Il metodo del simplesso p. 75/127
109 L algoritmo del simplesso Inizializzazione Sia B 0 una base ammissibile e k = 0. Il metodo del simplesso p. 76/127
110 L algoritmo del simplesso Inizializzazione Sia B 0 una base ammissibile e k = 0. Passo 1- verifica ottimalitá Se soddisfatta la condizione di ottimalitá: STOP. La soluzione di base associata a B k é una soluzione ottima del problema. Altrimenti si vada al Passo 2. Il metodo del simplesso p. 76/127
111 L algoritmo del simplesso Inizializzazione Sia B 0 una base ammissibile e k = 0. Passo 1- verifica ottimalitá Se soddisfatta la condizione di ottimalitá: STOP. La soluzione di base associata a B k é una soluzione ottima del problema. Altrimenti si vada al Passo 2. Passo 2 - verifica di illimitatezza Se é soddisfatta la condizione di illimitatezza, allora: STOP, si ha S ott = in quanto l obiettivo del problema é illimitato. Altrimenti si vada al Passo 3. Il metodo del simplesso p. 76/127
112 L algoritmo del simplesso Inizializzazione Sia B 0 una base ammissibile e k = 0. Passo 1- verifica ottimalitá Se soddisfatta la condizione di ottimalitá: STOP. La soluzione di base associata a B k é una soluzione ottima del problema. Altrimenti si vada al Passo 2. Passo 2 - verifica di illimitatezza Se é soddisfatta la condizione di illimitatezza, allora: STOP, si ha S ott = in quanto l obiettivo del problema é illimitato. Altrimenti si vada al Passo 3. Passo 3 - scelta variabile entrante in base Si selezioni la variabile x im+h che dovrá entrare in base attraverso la regola vista. Il metodo del simplesso p. 76/127
113 Il metodo del simplesso Passo 4 - scelta variabile uscente dalla base Si selezioni la variabile x ik che dovrá uscire dalla base attraverso la regola vista. Il metodo del simplesso p. 77/127
114 Il metodo del simplesso Passo 4 - scelta variabile uscente dalla base Si selezioni la variabile x ik che dovrá uscire dalla base attraverso la regola vista. Passo 5 - operazione di cardine Si generi la nuova base B k+1 sostituendo in B k la variabile x ik con la variabile x im+h e si esegua la corrispondente operazione di cardine. Quindi, si ponga k = k + 1 e si ritorni al Passo 1. Il metodo del simplesso p. 77/127
115 Nell esempio Condizione di ottimalitá? Il metodo del simplesso p. 78/127
116 Nell esempio Condizione di ottimalitá? NO Il metodo del simplesso p. 78/127
117 Nell esempio Condizione di ottimalitá? NO Condizione di illimitatezza? Il metodo del simplesso p. 78/127
118 Nell esempio Condizione di ottimalitá? NO Condizione di illimitatezza? NO Il metodo del simplesso p. 78/127
119 Nell esempio Condizione di ottimalitá? NO Condizione di illimitatezza? NO Variabile entrante in base: Il metodo del simplesso p. 78/127
120 Nell esempio Condizione di ottimalitá? NO Condizione di illimitatezza? NO Variabile entrante in base: x 4 Il metodo del simplesso p. 78/127
121 Nell esempio Condizione di ottimalitá? NO Condizione di illimitatezza? NO Variabile entrante in base: x 4 Variabile uscente dalla base: Il metodo del simplesso p. 78/127
122 Nell esempio Condizione di ottimalitá? NO Condizione di illimitatezza? NO Variabile entrante in base: x 4 Variabile uscente dalla base: x 2 Il metodo del simplesso p. 78/127
123 Nell esempio Condizione di ottimalitá? NO Condizione di illimitatezza? NO Variabile entrante in base: x 4 Variabile uscente dalla base: x 2 Operazione di cardine: max 10 2x 2 x 5 x 3 = 5/2 1/2x 1 1/2x 2 x 4 = 3/2 + 1/2x 1 1/2x 2 x 5 x 1,x 2,x 3,x 4,x 5 0 Il metodo del simplesso p. 78/127
124 Continua Condizione di ottimalitá? Il metodo del simplesso p. 79/127
125 Continua Condizione di ottimalitá? SI! Il metodo del simplesso p. 79/127
126 Continua Condizione di ottimalitá? SI! Soluzione ottima: Il metodo del simplesso p. 79/127
127 Continua Condizione di ottimalitá? SI! Soluzione ottima: soluzione di base associata alla base {x 3,x 4 }: x 1 = x 2 = x 5 = 0 x 3 = 5/2 x 4 = 3/2 Il metodo del simplesso p. 79/127
128 Continua Condizione di ottimalitá? SI! Soluzione ottima: soluzione di base associata alla base {x 3,x 4 }: Valore ottimo: x 1 = x 2 = x 5 = 0 x 3 = 5/2 x 4 = 3/2 Il metodo del simplesso p. 79/127
129 Continua Condizione di ottimalitá? SI! Soluzione ottima: soluzione di base associata alla base {x 3,x 4 }: x 1 = x 2 = x 5 = 0 x 3 = 5/2 x 4 = 3/2 Valore ottimo: γ 0 = 10 Il metodo del simplesso p. 79/127
130 Puntualizzazione L algoritmo del simplesso e i suoi derivati (di cui vedremo un esempio piú avanti) non sono gli unici algoritmi di risoluzione per problemi di PL. Altri metodi di risoluzione per i problemi di PL sono i cosidetti algoritmi del punto interno. Il metodo del simplesso p. 80/127
131 E non dimentichiamo che abbiamo ipotizzato di avere giá a disposizione una base ammissibile B 0 ma non abbiamo ancora visto come si puó stabilire se esiste e, nel caso esista, come trovarla. Il metodo del simplesso p. 81/127
132 Miglioramento valore obiettivo Il valore dell obiettivo nella nuova soluzione di base ottenuta sostituendo x ik nella base con x im+h é con: γ 0 γ h β k α kh. β k 0 per l ammissibilitá della soluzione di base associata a B. Il metodo del simplesso p. 82/127
133 Miglioramento valore obiettivo Il valore dell obiettivo nella nuova soluzione di base ottenuta sostituendo x ik nella base con x im+h é con: γ 0 γ h β k α kh. β k 0 per l ammissibilitá della soluzione di base associata a B. γ h > 0 per la regola di scelta della variabile entrante in base. Il metodo del simplesso p. 82/127
134 Miglioramento valore obiettivo Il valore dell obiettivo nella nuova soluzione di base ottenuta sostituendo x ik nella base con x im+h é con: γ 0 γ h β k α kh. β k 0 per l ammissibilitá della soluzione di base associata a B. γ h > 0 per la regola di scelta della variabile entrante in base. α kh < 0 per la regola di scelta della variabile uscente dalla base. Il metodo del simplesso p. 82/127
135 Quindi... γ 0 γ h }{{} >0 0 {}}{ β k α kh }{{} <0 γ 0. ovvero: il valore dell obiettivo nella nuova soluzione di base associata a B é non peggiore rispetto al valore γ 0 nella soluzione di base associata a B. Il metodo del simplesso p. 83/127
136 Inoltre......se β k > 0, il che si verifica sempre nel caso di soluzioni di base non degeneri, il nuovo valore dell obiettivo é strettamente migliore rispetto al precedente. Nel caso degenere puó succedere che i due valori siano uguali. In questo caso si puó dimostrare che le due basi B e B rappresentano la stessa soluzione di base. Il metodo del simplesso p. 84/127
137 Finitezza del simplesso Se tutte le soluzioni di base ammissibili in un problema di PL sono non degeneri, allora il metodo del simplesso termina in un numero finito di iterazioni. Il metodo del simplesso p. 85/127
138 Infatti ad ogni iterazione la nuova soluzione di base ammissibile (o vertice) ha un valore strettamente migliore rispetto alla precedente e quindi é diversa da tutte quelle che la hanno preceduta. Il metodo del simplesso p. 86/127
139 Infatti ad ogni iterazione la nuova soluzione di base ammissibile (o vertice) ha un valore strettamente migliore rispetto alla precedente e quindi é diversa da tutte quelle che la hanno preceduta. Essendo il numero di soluzioni di base ammissibili finito ( i vertici sono in numero finito), il metodo dovrá arrestarsi dopo un numero finito di iterazioni o restituendo una soluzione ottima oppure stabilendo che il problema ha obiettivo illimitato. Il metodo del simplesso p. 86/127
140 E nel caso degenere? Si può verificare la situazione di ciclaggio. Il metodo del simplesso p. 87/127
141 E nel caso degenere? Si può verificare la situazione di ciclaggio. Trovandosi in un vertice degenere, l algoritmo del simplesso può generare la seguente sequenza di basi che rappresentano tutte questo stesso vertice degenere: Il metodo del simplesso p. 87/127
142 E nel caso degenere? Si può verificare la situazione di ciclaggio. Trovandosi in un vertice degenere, l algoritmo del simplesso può generare la seguente sequenza di basi che rappresentano tutte questo stesso vertice degenere: B t Il metodo del simplesso p. 87/127
143 E nel caso degenere? Si può verificare la situazione di ciclaggio. Trovandosi in un vertice degenere, l algoritmo del simplesso può generare la seguente sequenza di basi che rappresentano tutte questo stesso vertice degenere: B t B t+1 Il metodo del simplesso p. 87/127
144 E nel caso degenere? Si può verificare la situazione di ciclaggio. Trovandosi in un vertice degenere, l algoritmo del simplesso può generare la seguente sequenza di basi che rappresentano tutte questo stesso vertice degenere: B t B t+1 B t+r 1 Il metodo del simplesso p. 87/127
145 E nel caso degenere? Si può verificare la situazione di ciclaggio. Trovandosi in un vertice degenere, l algoritmo del simplesso può generare la seguente sequenza di basi che rappresentano tutte questo stesso vertice degenere: B t B t+1 B t+r 1 B t+r = B t. Il metodo del simplesso p. 87/127
146 E nel caso degenere? Si può verificare la situazione di ciclaggio. Trovandosi in un vertice degenere, l algoritmo del simplesso può generare la seguente sequenza di basi che rappresentano tutte questo stesso vertice degenere: B t B t+1 B t+r 1 B t+r = B t. Una volta tornato nella base B t si ripete tutto il ciclo: siamo entrati in un loop! Il metodo del simplesso p. 87/127
147 Ma la situazione di ciclaggio si verifica molto raramente nella pratica ed esistono anche regole particolari per la scelta delle variabili da far entrare e uscire di base, dette regole anticiclaggio (che non vedremo), che consentono all algoritmo di terminare in un numero finito di iterazioni. Il metodo del simplesso p. 88/127
148 Soluzioni ottime uniche e multiple Una volta trovata una soluzione ottima del problema (un punto in S ott ) ci possiamo chiedere se ce ne sono altre. Il metodo del simplesso p. 89/127
149 Soluzioni ottime uniche e multiple Una volta trovata una soluzione ottima del problema (un punto in S ott ) ci possiamo chiedere se ce ne sono altre. Se γ j < 0 allora: soluzione ottima unica j = 1,...,m, Il metodo del simplesso p. 89/127
150 Infatti in S a si avrá: γ 0 + n m j=1 γ j x im+j }{{}}{{} <0 0 γ 0, Il metodo del simplesso p. 90/127
151 Infatti in S a si avrá: γ 0 + n m j=1 γ j x im+j }{{}}{{} <0 0 γ 0, Inoltre: x im+j > 0 γ 0 + n m γ j x im+j < γ 0 j=1 Il metodo del simplesso p. 90/127
152 Infatti in S a si avrá: γ 0 + n m j=1 γ j x im+j }{{}}{{} <0 0 γ 0, Inoltre: x im+j > 0 γ 0 + n m j=1 γ j x im+j < γ 0 Quindi il valore ottimo γ 0 si ottiene solo con x im+j = 0 j, ovvero nella soluzione di base attuale. Il metodo del simplesso p. 90/127
153 Esempio max 4 x 1 x 2 x 3 = 2 + x 1 x 2 x 4 = 1 2x 2 x 1,x 2,x 3,x 4 0 Il metodo del simplesso p. 91/127
154 E se esiste un qualche γ h = 0? Esistono in tal caso piú soluzioni ottime? Il metodo del simplesso p. 92/127
155 E se esiste un qualche γ h = 0? Esistono in tal caso piú soluzioni ottime? Non é detto. Sono possibili diversi casi. Il metodo del simplesso p. 92/127
156 Riformulazione ristretta Riscriviamo la riformulazione rispetto alla base B tenendo a 0 tutte le variabili fuori base tranne la x im+h con γ h = 0. Avremo: max γ 0 x i1 = β 1 + α 1h x im+h x im = β m + α mh x im+h x 1,...,x n 0 Il metodo del simplesso p. 93/127
157 Caso 1 Esiste h tale che γ h = 0 e α rh 0 r = 1,...,m, Il metodo del simplesso p. 94/127
158 Caso 1 Esiste h tale che γ h = 0 e α rh 0 r = 1,...,m, Esiste certamente un insieme illimitato di soluzioni ottime. Il metodo del simplesso p. 94/127
159 Esempio Per tutti i t 0, i punti sono soluzioni ottime. max 4 x 2 x 3 = 2 + x 1 x 2 x 4 = 1 2x 2 x 1,x 2,x 3,x 4 0 x 1 = t x 2 = 0 x 3 = 2 + t x 4 = 1 Il metodo del simplesso p. 95/127
160 Caso 2 Esiste h tale che γ h = 0 e r : α rh < 0 si ha che β r > 0, Il metodo del simplesso p. 96/127
161 Caso 2 Esiste h tale che γ h = 0 e r : α rh < 0 si ha che β r > 0, Esiste certamente un insieme limitato di soluzioni ottime: il segmento che congiunge la soluzione di base attuale con quella (distinta) ottenuta attraverso un operazione di cardine che fa entrare in base x im+h e sceglie secondo la regola giá vista la variabile da far uscire di base. Il metodo del simplesso p. 96/127
162 Esempio Per tutti i t [0, 1], i punti sono soluzioni ottime. max 4 x 2 x 3 = 2 + x 1 x 2 x 4 = 1 x 1 + 2x 2 x 1,x 2,x 3,x 4 0 x 1 = t x 2 = 0 x 3 = 2 + t x 4 = 1 t Il metodo del simplesso p. 97/127
163 Caso 3 Per ogni h tale che γ h = 0 si ha che: r : α rh < 0 e β r = 0, Il metodo del simplesso p. 98/127
164 Caso 3 Per ogni h tale che γ h = 0 si ha che: r : α rh < 0 e β r = 0, In tal caso non possiamo dire se esiste un unica soluzione ottima o se vi sono soluzioni ottime multiple. Il metodo del simplesso p. 98/127
165 Esempio 1 max 4 x 2 x 3 = 2 + x 1 x 2 x 4 = x 1 x 2 x 1,x 2,x 3,x 4 0 Esiste una sola soluzione ottima. Il metodo del simplesso p. 99/127
166 Esempio 2 Tutte le soluzioni: max 2 x 3 x 4 = x 1 x 2 x 3 x 5 = x 1 + x 2 + x 3 x 1,x 2,x 3,x 4,x 5 0 x 3 = x 4 = x 5 = 0 x 1 = x 2 = α α 0, sono ammissibili e ottime (il caso α = 0 coincide con la soluzione di base associata alla base {x 4,x 5 }). Il metodo del simplesso p. 100/127
167 Come calcolare A 1 B Come vedremo é importante conoscere, data una base B e la relativa matrice A B, l inversa A 1 B di tale matrice. Non é peró sempre necessario calcolare da zero tale inversa. In alcuni casi la riformulazione rispetto alla base B ci fornisce giá la matrice A 1 B. Quali sono questi casi? Il metodo del simplesso p. 101/127
168 Come calcolare A 1 B Come vedremo é importante conoscere, data una base B e la relativa matrice A B, l inversa A 1 B di tale matrice. Non é peró sempre necessario calcolare da zero tale inversa. In alcuni casi la riformulazione rispetto alla base B ci fornisce giá la matrice A 1 B. Quali sono questi casi? Quelli in cui alcune colonne della matrice A formano la matrice identica I, ovvero esistono m variabili [x t1,...,x tm ] le cui corrispondenti colonne nella matrice A formano la matrice identica di ordine m m. Il metodo del simplesso p. 101/127
169 Esempio max x 1 x 3 2x 4 2x 5 x 1 + x 2 + x 4 = 8 x 1 x 2 + x 3 = 4 x 1 + 2x 2 + x 5 = 12 x 1,x 2,x 3,x 4,x 5 0 Il metodo del simplesso p. 102/127
170 Esempio max x 1 x 3 2x 4 2x 5 x 1 + x 2 + x 4 = 8 x 1 x 2 + x 3 = 4 x 1 + 2x 2 + x 5 = 12 x 1,x 2,x 3,x 4,x 5 0 Prendiamo le m = 3 variabili [x 4,x 3,x 5 ] Il metodo del simplesso p. 102/127
171 Esempio max x 1 x 3 2x 4 2x 5 x 1 + x 2 + x 4 = 8 x 1 x 2 + x 3 = 4 x 1 + 2x 2 + x 5 = 12 x 1,x 2,x 3,x 4,x 5 0 Prendiamo le m = 3 variabili [x 4,x 3,x 5 ] x x x Il metodo del simplesso p. 102/127
172 Riformulazione modificata max c B A 1 B b + (c N c B A 1 B A N)x N x B = A 1 B b A 1 B A Nx N x B,x N 0 Il metodo del simplesso p. 103/127
173 Riformulazione modificata max c B A 1 B b + (c N c B A 1 B A N)x N x B = A 1 B b A 1 B A Nx N x B,x N 0 Riscriviamo questa portando tutte le variabili fuori base nella parte sinistra delle equazioni dei vincoli, ovvero: max c B A 1 B b + (c N c B A 1 B A N)x N x B + A 1 B A Nx N = A 1 B b x B,x N 0 Il metodo del simplesso p. 103/127
174 Lettura dell inversa La prima colonna di A 1 B é la colonna relativa a x t 1 nella riformulazione modificata, la seconda colonna di A 1 B é la colonna relativa a x t2 nella riformulazione modificata, eccetera fino alla m-esima colonna di A 1 B che é la colonna relativa a x tm nella riformulazione modificata. NB: l ordine delle variabili x tr, r = 1,...,m, é essenziale. Il metodo del simplesso p. 104/127
175 Sull esempio Base B 0 = {x 4,x 3,x 5 }. La riformulazione rispetto a questa base é la seguente: max x 1 + 3x 2 x 4 = 8 x 1 x 2 x 3 = 4 x 1 + x 2 x 5 = 12 x 1 2x 2 x 1,x 2,x 3,x 4,x 5 0 Il metodo del simplesso p. 105/127
176 Sull esempio Base B 0 = {x 4,x 3,x 5 }. La riformulazione rispetto a questa base é la seguente: max x 1 + 3x 2 x 4 = 8 x 1 x 2 x 3 = 4 x 1 + x 2 x 5 = 12 x 1 2x 2 x 1,x 2,x 3,x 4,x 5 0 Con una prima operazione di cardine scambiamo x 1 e x 3 nella base. Il metodo del simplesso p. 105/127
177 Continua Base B 1 = {x 4,x 1,x 5 } max 24 6x 3 + 9x 2 x 4 = 4 + x 3 2x 2 x 1 = 4 x 3 + x 2 x 5 = 8 + x 3 3x 2 x 1,x 2,x 3,x 4,x 5 0 Il metodo del simplesso p. 106/127
178 Continua Base B 1 = {x 4,x 1,x 5 } max 24 6x 3 + 9x 2 x 4 = 4 + x 3 2x 2 x 1 = 4 x 3 + x 2 x 5 = 8 + x 3 3x 2 x 1,x 2,x 3,x 4,x 5 0 Poi, con una seconda operazione di cardine scambiamo x 2 e x 4 nella base. Il metodo del simplesso p. 106/127
179 Continua Base B 2 = {x 2,x 1,x 5 } max 6 3/2x 3 9/2x 4 x 2 = 2 + 1/2x 3 1/2x 4 x 1 = 6 1/2x 3 1/2x 4 x 5 = 2 1/2x 3 + 3/2x 4 x 1,x 2,x 3,x 4,x 5 0 Il metodo del simplesso p. 107/127
180 Continua A questo punto ci chiediamo: data la base B = {x 2,x 1,x 5 } con la relativa matrice di base: A B = qual é l inversa di tale matrice? Il metodo del simplesso p. 108/127
Il metodo del simplesso. Il metodo del simplesso p. 1/8
Il metodo del simplesso Il metodo del simplesso p. 1/8 Ipotesi iniziale Data la base B e la riformulazione rispetto a essa: max γ 0 + n m j=1 γ jx im+j x i1 = β 1 + n m j=1 α 1jx im+j x ik = β k + n m
DettagliIl metodo del simplesso. Il metodo del simplesso p. 1/12
Il metodo del simplesso Il metodo del simplesso p. 1/12 I problemi di PL in forma standard I problemi di PL in forma standard hanno la seguente formulazione: max cx a i x = b i x 0 i = 1,...,m o, equivalentemente,
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
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:
Dettagli5.4.5 Struttura dell algoritmo ed esempi
CAPITOLO 5. IL METODO DEL SIMPLESSO 6 5.4.5 Struttura dell algoritmo ed esempi Come abbiamo già ampiamente osservato, la fase II del metodo del simplesso, a partire da una soluzione di base ammissibile,
DettagliIntroduzione al Metodo del Simplesso. 1 Soluzioni di base e problemi in forma standard
Introduzione al Metodo del Simplesso Giacomo Zambelli 1 Soluzioni di base e problemi in forma standard Consideriamo il seguente problema di programmazione lineare (PL), relativo all esempio di produzione
Dettaglix 1 x 2 x 3 x 5 La base iniziale è B 0 = I e risulta x B 0 = , x N 0 = Iterazione 0. Calcolo dei costi ridotti. γ 0 = c N 0 (N 0 ) T c B 0 =
56 IL METODO DEL SIMPLESSO 7.4 IL METODO DEL SIMPLESSO In questo paragrafo sono riportati alcuni esercizi risolti sul metodo del simplesso. Alcuni sono risolti utilizzando la procedura di pivot per determinare,
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
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
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
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
DettagliAppunti per il corso di Ricerca Operativa 1
Appunti per il corso di Ricerca Operativa 1 Capitolo 1 Introduzione La prima domanda da porsi riguarda gli scopi che si prefigge la Ricerca Operativa. Possiamo definirla come uno strumento per prendere
DettagliIl metodo del simplesso
Capitolo 5 Il metodo del simplesso 5. La forma standard Esercizio 5.. Porre il problema di Programmazione Lineare: in forma standard. min x +x + x + x x +x 5 x 4 x, x Si trasformano i vincoli di disuguaglianza
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
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
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
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
DettagliProblemi di flusso a costo minimo
p. 1/7 Problemi di flusso a costo minimo È data una rete (grafo orientato e connesso) G = (V,A). (i,j) A c ij, costo di trasporto unitario lungo l arco (i, j). i V b i interi e tali che i V b i = 0. 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
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
DettagliUniversità Ca Foscari Venezia
Università Ca Foscari Venezia Dipartimento di Scienze Ambientali, Informatica e Statistica Giovanni Fasano Brevi FAQ sul Metodo del SIMPLESSO Università Ca Foscari Venezia, Dipartimento di Management,
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte II)
Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte II) Luigi De Giovanni Giacomo Zambelli 1 I passi dell algoritmo del simplesso L
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
DettagliCosti ridotti e ottimalità
Costi ridotti e ottimalità condizione sufficiente di ottimalità spostamento su una base adiacente rif. Fi 3.2; Ricapitolando Sin qui abbiamo un algoritmo enumerativo applicabile quando P è un ( politopo,
Dettagli2. ALGORITMO DEL SIMPLESSO
. ALGORITMO DEL SIMPLESSO R. Tadei Una piccola introduzione R. Tadei SIMPLESSO L obiettivo del capitolo è quello di fornire un algoritmo, l algoritmo del simplesso, che risolve qualsiasi problema di programmazione
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
DettagliL ALGORITMO DEL SIMPLESSO REVISIONATO
L ALGORITMO DEL SIMPLESSO REVISIONATO L'algoritmo del simplesso revisionato costituisce una diversa implementazione dell algoritmo standard tesa a ridurre, sotto certe condizioni, il tempo di calcolo e
DettagliIntroduzione soft alla matematica per l economia e la finanza. Marta Cardin, Paola Ferretti, Stefania Funari
Introduzione soft alla matematica per l economia e la finanza Marta Cardin, Paola Ferretti, Stefania Funari Capitolo Sistemi di equazioni lineari.8 Il Teorema di Cramer Si consideri un generico sistema
DettagliConvergenza del Simplesso e regole anti-ciclaggio
Convergenza del Simplesso e regole anti-ciclaggio degenerazione e ciclaggio un esempio di ciclaggio regole anti-ciclaggio rif. Fi 3.2.6, BT 3.4 (Esempio 3.6), BT 3.7; Degenerazione e ciclaggio ( ) n n!
DettagliSISTEMI LINEARI, METODO DI GAUSS
SISTEMI LINEARI, METODO DI GAUSS Abbiamo visto che un sistema di m equazioni lineari in n incognite si può rappresentare in forma matriciale come A x = b dove: A è la matrice di tipo (m, n) dei coefficienti
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
DettagliLEZIONE 3. a + b + 2c + e = 1 b + d + g = 0 3b + f + 3g = 2. a b c d e f g
LEZIONE 3 3.. Matrici fortemente ridotte per righe. Nella precedente lezione abbiamo introdotto la nozione di soluzione di un sistema di equazioni lineari. In questa lezione ci poniamo il problema di descrivere
DettagliProgrammazione Lineare: problema del trasporto Ing. Valerio Lacagnina
Problemi di trasporto Consideriamo un problema di programmazione lineare con una struttura matematica particolare. Si può utilizzare, per risolverlo, il metodo del simplesso ma è possibile realizzare una
DettagliRicerca Operativa. G. Liuzzi. Lunedí 23 Marzo Il Metodo del Simplesso Java API Problema di Trasporto
1 Lunedí 23 Marzo 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR SHHHHH... Simplesso in 2 fasi Fase I (rg(a) m) Se P non è ammissibile, STOP Altrimenti 1 elimina da (A... b) eventuali
DettagliSi consideri il sistema a coefficienti reali di m equazioni lineari in n incognite
3 Sistemi lineari 3 Generalità Si consideri il sistema a coefficienti reali di m equazioni lineari in n incognite ovvero, in forma matriciale, a x + a 2 x 2 + + a n x n = b a 2 x + a 22 x 2 + + a 2n x
DettagliConvergenza del Simplesso e regole anti-ciclaggio
Convergenza del Simplesso e regole anti-ciclaggio degenerazione e ciclaggio un esempio di ciclaggio regole anti-ciclaggio rif. Fi 3.2.6, BT 3.4 (Esempio 3.6), BT 3.7; Sulla convergenza del metodo del simplesso
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
Dettagli1 Il metodo dei tagli di Gomory
Il metodo dei tagli di Gomory Esercizio Sia dato il problema min(x x ) x + x (P 0 ) x + x x, x 0, interi. Calcolare la soluzione ottima applicando il metodo dei tagli di Gomory. Risoluzione Per applicare
DettagliLezione 7: Il Teorema di Rouché-Capelli
Lezione 7: Il Teorema di Rouché-Capelli In questa lezione vogliamo rivisitare i sistemi lineari e dare alcuni risultati che ci permettono di determinare dato un sistema lineare se ammette soluzioni e da
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
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 )
Dettagli1 Ampliamento del piano e coordinate omogenee
1 Ampliamento del piano e coordinate omogenee Vogliamo dare una idea, senza molte pretese, dei concetti che stanno alla base di alcuni calcoli svolti nella classificazione delle coniche. Supponiamo di
DettagliIntroduzione al Metodo agli Elementi Finiti (FEM) (x, y) Γ Tale formulazione viene detta Formulazione forte del problema.
Introduzione al Metodo agli Elementi Finiti (FEM) Consideriamo come problema test l equazione di Poisson 2 u x 2 + 2 u = f(x, y) u = f y2 definita su un dominio Ω R 2 avente come frontiera la curva Γ,
DettagliMassimi e minimi vincolati
Massimi e minimi vincolati Data una funzione G C 1 (D), dove D è un aperto di R 2, sappiamo bene dove andare a cercare gli eventuali punti di massimo e minimo relativi. Una condizione necessaria affinché
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
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
DettagliEsercizi svolti. delle matrici
Esercizi svolti. astratti. Si dica se l insieme delle coppie reali (x, y) soddisfacenti alla relazione x + y è un sottospazio vettoriale di R La risposta è sì, perchè l unica coppia reale che soddisfa
Dettagli3x 2 = 6. 3x 2 x 3 = 6
Facoltà di Scienze Statistiche, Algebra Lineare 1 A, GParmeggiani LEZIONE 7 Sistemi lineari Scrittura matriciale di un sistema lineare Def 1 Un sistema di m equazioni ed n incognite x 1, x 2, x n, si dice
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
DettagliElementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari
Elementi di Algebra Lineare Matrici e Sistemi di Equazioni Lineari Antonio Lanteri e Cristina Turrini UNIMI - 2016/2017 Antonio Lanteri e Cristina Turrini (UNIMI - 2016/2017 Elementi di Algebra Lineare
DettagliAnalisi Matematica 1 e Matematica 1 Geometria Analitica: Coniche
Analisi Matematica 1 e Matematica 1 Geometria Analitica: Coniche Annalisa Amadori e Benedetta Pellacci amadori@uniparthenope.it pellacci@uniparthenope.it Università di Napoli Parthenope Contenuti Coniche
DettagliFunzioni implicite - Esercizi svolti
Funzioni implicite - Esercizi svolti Esercizio. È data la funzione di due variabili F (x, y) = y(e y + x) log x. Verificare che esiste un intorno I in R del punto di ascissa x 0 = sul quale è definita
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
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
DettagliRisoluzione di sistemi lineari
Risoluzione di sistemi lineari Teorema (Rouché-Capelli) Dato il sistema di m equazioni in n incognite Ax = b, con A M at(m, n) b R n x R n [A b] si ha che: matrice dei coefficienti, vettore dei termini
DettagliLa dualità nella Programmazione Lineare
Capitolo 3 La dualità nella Programmazione Lineare 3.1 Teoria della dualità Esercizio 3.1.1 Scrivere il problema duale del seguente problema di Programmazione Lineare: min x 1 x 2 + x 3 2x 1 +3x 2 3 x
DettagliESERCIZI SULLE MATRICI
ESERCIZI SULLE MATRICI Consideriamo il sistema lineare a, x + a, x + + a,n x n = b a, x + a, x + + a,n x n = b a m, x + a m, x + + a m,n x n = b m di m equazioni in n incognite che ha a, a,n A = a m, a
DettagliMetodo delle due fasi
Metodo delle due fasi Il problema artificiale la fase I del Simplesso esempi rif. Fi 3.2.5; Osservazione Nel problema min{c T x : Ax = 0, x 0}, dell esempio precedente si ha che b 0 e A contiene una matrice
DettagliRette e piani in R 3
Rette e piani in R 3 In questa dispensa vogliamo introdurre in modo elementare rette e piani nello spazio R 3 (si faccia riferimento anche al testo Algebra Lineare di S. Lang). 1 Rette in R 3 Vogliamo
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
DettagliPrecorso di Matematica
UNIVERSITÀ DEGLI STUDI ROMA TRE FACOLTA DI ARCHITETTURA Precorso di Matematica Anna Scaramuzza Anno Accademico 2005-2006 4-10 Ottobre 2005 INDICE 1. ALGEBRA................................. 3 1.1 Equazioni
DettagliRicerca Operativa Note su Programmazione Lineare e Metodo del Simplesso (parte III)
Ricerca Operativa Note su Programmazione Lineare e Metodo del Simplesso (parte III) L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di
DettagliSistemi II. Sistemi II. Elisabetta Colombo
Corso di Approfondimenti di Matematica per Biotecnologie, Anno Accademico 2011-2012, http://users.mat.unimi.it/users/colombo/programmabio.html 1 2 3 con R.C.+ o 1.10 Rango massimo e determinante con R.C.+
Dettaglia + 2b + c 3d = 0, a + c d = 0 c d
SPAZI VETTORIALI 1. Esercizi Esercizio 1. Stabilire quali dei seguenti sottoinsiemi sono sottospazi: V 1 = {(x, y, z) R 3 /x = y = z} V = {(x, y, z) R 3 /x = 4} V 3 = {(x, y, z) R 3 /z = x } V 4 = {(x,
Dettagli7.5 Il caso vincolato: preliminari
7.5 Il caso vincolato: preliari Consideriamo ora il problema vincolato 3, che qui riscriviamo: fx gx 0 hx = 0, 13 con g : IR n IR p e h : IR n IR m, m n. Ricordiamo che F = {x IR n : gx 0, hx = 0}, denota
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
DettagliSistemi lineari - Parte Seconda - Esercizi
Sistemi lineari - Parte Seconda - Esercizi Terminologia Operazioni elementari sulle righe. Equivalenza per righe. Riduzione a scala per righe. Rango di una matrice. Forma canonica per righe. Eliminazione
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:
DettagliRicerca Operativa Note su Programmazione Lineare e Metodo del Simplesso (parte II)
Ricerca Operativa Note su Programmazione Lineare e Metodo del Simplesso (parte II) L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di
DettagliMetodi per la risoluzione di sistemi lineari
Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante
DettagliApplicazioni eliminazione di Gauss
Applicazioni eliminazione di Gauss. Premessa Nel seguito supporremo sempre di applicare il metodo di eliminazione di Gauss allo scopo di trasformare la matrice del sistema Ax = b in una matrice triangolare
DettagliIl modello duale. Capitolo settimo. Introduzione
Capitolo settimo Il modello duale Introduzione Il modello duale e la teoria della dualità assumono una grande importanza nella teoria della programmazione matematica. In questo testo i modelli primale
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
DettagliAlcune nozioni di calcolo differenziale
Alcune nozioni di calcolo differenziale G. Mastroeni, M. Pappalardo 1 Limiti per funzioni di piu variabili Supporremo noti i principali concetti algebrici e topologici relativi alla struttura dello spazio
Dettagli( ) le colonne della matrice dei coefficienti, con. , risulta A 3 = A 1 + 4A 2 + 4A 5, A 4 = A 1 + A 2,
1 Elementi di Analisi Matematica e Ricerca Operativa prova del 6 luglio 2016 1) Discutere il seguente problema di Programmazione Lineare: Trovare il massimo di p x 1, x 2, x 3, x 4 # x 2 + 4 x 3 + x 4
DettagliTeoria della Dualità: I Introduzione
Teoria della Dualità: I Introduzione Daniele Vigo D.E.I.S. Università di Bologna dvigo@deis.unibo.it rev. 1.2 Maggio 2004 Dualità Per ogni problema PL, detto primale, ne esiste un altro, detto duale, costruito
DettagliEsercitazione 6 - Soluzione
Anno Accademico 28-29 Corso di Algebra Lineare e Calcolo Numerico per Ingegneria Meccanica Esercitazione 6 - Soluzione Immagine, nucleo. Teorema di Rouché-Capelli. Esercizio Sia L : R 3 R 3 l applicazione
Dettagli0.1 Condizione sufficiente di diagonalizzabilità
0.1. CONDIZIONE SUFFICIENTE DI DIAGONALIZZABILITÀ 1 0.1 Condizione sufficiente di diagonalizzabilità È naturale porsi il problema di sapere se ogni matrice sia o meno diagonalizzabile. Abbiamo due potenziali
DettagliUNITÀ DIDATTICA 5 LA RETTA
UNITÀ DIDATTICA 5 LA RETTA 5.1 - La retta Equazione generica della retta Dalle considerazioni emerse nel precedente capitolo abbiamo compreso come una funzione possa essere rappresentata da un insieme
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
Dettagli1) Hamming bound, coset, codici equivalenti
Argomenti della Lezione ) Hamming bound, coset, codici equivalenti 2) Esercizi sui codici lineari a blocchi Osservazione () Per effettuare la decodifica a rivelazione di errore si può seguire una delle
DettagliLezione 6 Richiami di Geometria Analitica
1 Piano cartesiano Lezione 6 Richiami di Geometria Analitica Consideriamo nel piano due rette perpendicolari che si intersecano in un punto O Consideriamo ciascuna di queste rette come retta orientata
DettagliI teoremi della funzione inversa e della funzione implicita
I teoremi della funzione inversa e della funzione implicita Appunti per il corso di Analisi Matematica 4 G. Mauceri Indice 1 Il teorema della funzione inversa 1 Il teorema della funzione implicita 3 1
DettagliLa notazione usata è quella usuale nel caso scalare, ed è estesa al caso generale. Consideriamo una forma quadratica:
. SU ALCUNI OPERAORI DI DERIVAZIONE Alcune operazioni tipiche dell analisi matematica hanno un diretto riscontro in termini matriciali. Consideriamo ad esempio una forma lineare: f() l l + l +..l n n ;
Dettagli04 - Numeri Complessi
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 04 - Numeri Complessi Anno Accademico 2013/2014 M. Tumminello, V. Lacagnina e
DettagliAppunti di matematica per le Scienze Sociali Parte 1
Appunti di matematica per le Scienze Sociali Parte 1 1 Equazioni 1.1 Definizioni preliminari 1.1.1 Monomi Si definisce monomio ogni prodotto indicato di fattori qualsiasi, cioè uguali o diseguali, numerici
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
Dettaglimisura. Adesso, ad un arbitrario punto P dello spazio associamo una terna di numeri reali x
4. Geometria di R 3. Questo paragrafo è molto simile al paragrafo : tratta infatti delle proprietà geometriche elementari dello spazio R 3. Per assegnare delle coordinate nello spazio, fissiamo innanzitutto
DettagliSISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI
SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI Appunti presi dalle lezioni del prof. Nedo Checcaglini Liceo Scientifico di Castiglion Fiorentino (Classe 4B) January 17, 005 1 SISTEMI LINEARI Se a ik, b i R,
DettagliMetodi per la risoluzione di sistemi lineari
Metodi per la risoluzione di sistemi lineari 1 Sistemi di equazioni lineari 1.1 Determinante di matrici quadrate Ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante della matrice
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
DettagliAutovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti)
Autovalori e autovettori, matrici simmetriche e forme quadratiche (cenni) (prof. M. Salvetti) April 14, 2011 (alcune note non complete sugli argomenti trattati: eventuali completamenti saranno aggiunti)
DettagliProgrammazione Matematica: VI Estensioni dell algoritmo del Simplesso
Programmazione Matematica: VI Estensioni dell algoritmo del Simplesso Daniele Vigo D.E.I.S. Università di Bologna dvigo@deis.unibo.it rev. 1.0 Aprile 2004 Algoritmo del Simplesso L algoritmo del Simplesso
DettagliTeorema delle Funzioni Implicite
Teorema delle Funzioni Implicite Sia F una funzione di due variabili definita in un opportuno dominio D di R 2. Consideriamo l equazione F (x, y) = 0, questa avrà come soluzioni coppie di valori (x, y)
DettagliCorso di Matematica Applicata A.A
Corso di Matematica Applicata A.A. 2012-2013 Programmazione lineare (II parte) Prof.ssa Bice Cavallo Soluzione di un problema PL Soluzione ottima Variabili slack e surplus A R mxn Ax b s R m, s i 0 : Ax
Dettagli1 Il polinomio minimo.
Abstract Il polinomio minimo, così come il polinomio caratterisico, è un importante invariante per le matrici quadrate. La forma canonica di Jordan è un approssimazione della diagonalizzazione, e viene
DettagliIL METODO DEL SIMPLESSO
IL METODO DEL SIMPLESSO Il metodo del Simplesso 1 si applica nella risoluzione di un problema di Programmazione Lineare 2 (funzione e vincoli lineari) quando le variabili di azione o iniziali sono almeno
DettagliRegistro Lezioni di Algebra lineare del 15 e 16 novembre 2016.
Registro Lezioni di Algebra lineare del 15 e 16 novembre 2016 Di seguito si riporta il riassunto degli argomenti svolti; i riferimenti sono a parti del Cap8 Elementi di geometria e algebra lineare Par5
DettagliCondizione di allineamento di tre punti
LA RETTA L equazione lineare in x e y L equazione: 0 con,,, e non contemporaneamente nulli, si dice equazione lineare nelle due variabili e. Ogni coppia ; tale che: 0 si dice soluzione dell equazione.
DettagliLEZIONE 5. AX = 0 m,1.
LEZIONE 5 5 isoluzione di sistemi Supponiamo che AX = B sia un sistema di equazioni lineari Ad esso associamo la sua matrice completa (A B Per quanto visto nella precedente lezione, sappiamo di poter trasformare,
Dettagli