Macchine parallele M 1 M 2 M 3 J 1 J 2 LAVORI J 3 J 4
|
|
- Dario Tosi
- 5 anni fa
- Visualizzazioni
Transcript
1 Macchine parallele M 1 J 1 J 2 LAVORI M 2 J 3 J 4 M 3
2 Macchine parallele
3 Scheduling su macchine parallele scorrelate R C max Descrizione del problema n lavori devono essere processati da m macchine diverse (unrelated) disposte in parallelo. Le macchine possono eseguire un solo lavoro alla volta. Ogni lavoro deve essere eseguito su una ed una sola macchina senza interruzione. Dati I tempi di processamento p ij, i=1,, m, del lavoro j sulla macchina i sono noti. Obiettivo Assegnare i lavori alle macchine in modo tale da minimizzare il tempo totale di completamento della macchina più carica (equivalente a minimizzare il makespan).
4 Scheduling su macchine parallele scorrelate R C max Obiettivo Trovare un assegnamento dei lavori alle macchine che minimizza il makespan (C max ) equivale a bilanciare il più possibile i carichi di lavoro delle macchine.
5 Esempio Macchine Lavori Una soluzione ammissibile M 1 J 1 J 4 M 2 J 5 J 2 M 3 J 3 34 t
6 Esempio Macchine Lavori Una soluzione ottima M 1 J 1 J 4 M 2 J 5 J 3 M 3 J 2 33 t
7 Complessità Il problema è NP-completo anche con due macchine identiche m=2 p ij = p j i = 1,..., m P2 C max
8 Un algoritmo approssimato per Pm C max Regola LPT (Longest Processing Time): assegna alle macchine (che si rendono) disponibili i lavori non eseguiti con tempo di esecuzione più grande. Permette di trovare una soluzione che non dista più di un dato valore dall ottimo (algoritmo approssimato)
9 Un algoritmo approssimato per Pm C max Esempio regola LPT J p j m=4 Soluzione LPT M 1 J 1 J 7 J 9 M 2 J 2 J 8 M 3 J 3 J 5 M 4 J 4 J 6 15 t
10 Un algoritmo approssimato per Pm C max J p j Soluzione Ottima M 1 J 1 J 5 M 2 J 2 J 6 M 3 J 3 J 4 M 4 J 7 J 8 J 9 12 t
11 Un algoritmo approssimato per Pm C max Si può dimostrare che vale il seguente rapporto di approssimazione: C max (LPT) C max (OPT) m C max (LPT): soluzione trovata con la regola LPT C max (OPT): soluzione ottima
12 Un algoritmo approssimato per Pm C max Esempio regola LPT J p j m=4 C max (LPT) C max (OPT) = = m = = 15 12
13 Il problema con premption Pm prmp C max Consideriamo il problema di schedulare n lavori su m macchine identiche con l obiettivo di minimizzare il makespan, e con la possibilità di interrompere l esecuzione dei lavori. Uno stesso lavoro può quindi essere eseguito su più macchine. Il problema è formulabile come problema di Programmazione Lineare e quindi risolubile in tempo polinomiale.
14 Il problema con premption Pm prempt C max Una Formulazione di PL Definizione delle variabili C i, i=1,, m, tempo di completamento della macchina i x ij = tempo di lavoro j assegnato alla macchina i C max = max i = 1,..., m { C } tempo di completamento di tutto il sistema i
15 Una formulazione di PL per Pm prempt C max Funzione obiettivo Il tempo di completamento C i della generica macchina i è pari a: C i = C max = max i=1,...,m n x ij j=1 n { C } i = max i=1,...,m x ij j=1
16 Una formulazione di PL per Pm prempt C max Vincoli Ogni lavoro deve essere completato m x ij i=1 = p j j = 1,...,n
17 Una formulazione di PL per Pm prempt C max Vincoli Il tempo totale di ogni lavoro non può superare C max m x ij i=1 C max j = 1,...,n (il vincolo implica che le esecuzioni di uno stesso lavoro su diverse macchine non possono sovrapporsi)
18 Una formulazione di PL per Pm prempt C max Vincoli Il tempo totale di lavoro di ogni macchina non può superare C max n x ij j=1 C max i = 1,...,m
19 Una formulazione di PL per Pm prempt C max min C max tale che m x ij i=1 m x ij i=1 n x ij j=1 x ij 0 = p j j = 1,...,n C max j = 1,...,n C max i = 1,...,m
20 Una formulazione di PLI per R C max
21 Una formulazione di PLI per R C max Definizione delle variabili C i, i=1,, m, tempo di completamento della macchina i 1 se lavoro j è assegnato alla macchina i x ij = 0 altrimenti C max = max i = 1,..., m { C } tempo di completamento di tutto il sistema i
22 Una formulazione di PLI per R C max Funzione obiettivo C i, i=1,, m, tempo di completamento della macchina i C i = n j=1 p ij x ij C max = max i=1,...,m n { C } i = max i=1,...,m p ij x ij j=1
23 Una formulazione di PLI per R C max Vincoli Ogni lavoro deve essere assegnato ad esattamente una macchina m x ij i=1 = 1 j = 1,...,n
24 Una formulazione di PLI per R C max min C max = min max i=1,...,m tale che m = 1 j = 1,...,n i=1 x ij { } x ij 0,1 n { C } i = min max i=1,...,m p ij x ij j=1
25 Una formulazione di PLI per R C max min C max = min max i=1,...,m tale che m = 1 j = 1,...,n i=1 x ij { } x ij 0,1 n { C } i = min max i=1,...,m p ij x ij j=1 Funzione obiettivo non lineare
26 Una formulazione di PLI per R C max min C max tale che C i = m i=1 x ij n p ij x ij C max i = 1,...,m j=1 = 1 j = 1,...,n { } x ij 0,1
27 Esempio Consideriamo un problema con 10 macchine e 10 lavori. In tabella sono riportati i tempi di processamento: Lavori Macchine
28 Formulazione con Excel
29 Formulazione con Excel
30 Formulazione con Excel
31 Soluzione del rilassamento lineare
32 Formulazione con Cplex min Cmax subject to 3 x0,0 + 7 x0, x0, x0, x0, x0, x0, x0, x0, x0,9 - Cmax <= 0 85 x1,0 + 3 x1, x1, x1, x1, x1, x1, x1, x1, x1,9 - Cmax <= 0 16 x2, x2, x2, x2, x2, x2, x2, x2,7 + 3 x2, x2,9 - Cmax <= 0 43 x3, x3, x3, x3, x3,4 + 7 x3, x3, x3,7 + 7 x3, x3,9 - Cmax <= 0 78 x4, x4, x4, x4,3 + 5 x4, x4, x4,6 + 1 x4, x4, x4,9 - Cmax <= 0 94 x5, x5, x5, x5, x5, x5, x5, x5, x5,8 + 7 x5,9 - Cmax <= 0 86 x6, x6, x6, x6, x6, x6, x6, x6, x6, x6,9 - Cmax <= 0 44 x7,0 + 6 x7, x7, x7, x7, x7, x7, x7, x7, x7,9 - Cmax <= 0 62 x8, x8, x8, x8, x8, x8, x8, x8, x8, x8,9 - Cmax <= 0 98 x9, x9, x9, x9, x9, x9, x9, x9, x9, x9,9 - Cmax <= 0 x0,0 + x1,0 + x2,0 + x3,0 + x4,0 + x5,0 + x6,0 + x7,0 + x8,0 + x9,0 =1 x0,1 + x1,1 + x2,1 + x3,1 + x4,1 + x5,1 + x6,1 + x7,1 + x8,1 + x9,1 =1 x0,2 + x1,2 + x2,2 + x3,2 + x4,2 + x5,2 + x6,2 + x7,2 + x8,2 + x9,2 =1 x0,3 + x1,3 + x2,3 + x3,3 + x4,3 + x5,3 + x6,3 + x7,3 + x8,3 + x9,3 =1 x0,4 + x1,4 + x2,4 + x3,4 + x4,4 + x5,4 + x6,4 + x7,4 + x8,4 + x9,4 =1 x0,5 + x1,5 + x2,5 + x3,5 + x4,5 + x5,5 + x6,5 + x7,5 + x8,5 + x9,5 =1 x0,6 + x1,6 + x2,6 + x3,6 + x4,6 + x5,6 + x6,6 + x7,6 + x8,6 + x9,6 =1 x0,7 + x1,7 + x2,7 + x3,7 + x4,7 + x5,7 + x6,7 + x7,7 + x8,7 + x9,7 =1 x0,8 + x1,8 + x2,8 + x3,8 + x4,8 + x5,8 + x6,8 + x7,8 + x8,8 + x9,8 =1 x0,9 + x1,9 + x2,9 + x3,9 + x4,9 + x5,9 + x6,9 + x7,9 + x8,9 + x9,9 =1 integers x0,0 x0,1 x0,2... x9,8 x9,9 end
33 La tecnica del Rilassamento Lagrangiano nella soluzione di problemi di PLI: Un applicazione a R C max
34 Il Rilassamento Lagrangiano nei problemi di PLI Si consideri il seguente problema di PLI, P: z* = mincx Ax b (1) Cx d (2) x { 0,1} n,b R m 1,d Rm 2 c R n vettore riga
35 Il Rilassamento Lagrangiano nei problemi di PLI Si consideri il seguente problema di PLI, P: z* = mincx Ax b (1) Cx d (2) x { 0,1} n,b R m 1,d Rm 2 c R n vettore riga Supponiamo che P sia difficile da risolvere
36 Supponiamo invece che sia di facile risoluzione il problema rilassato P R : mincx Cx d (2) x { 0,1} n Il Rilassamento Lagrangiano dei vincoli (1) consiste nell'inserire una combinazione pesata di tali vincoli nella funzione obiettivo
37 Il Rilassamento Lagrangiano dei vincoli (1) consiste nell'inserire una combinazione pesata di tali vincoli nella funzione obiettivo. Si ottiene il seguente Problema Lagrangiano: mincx + λ(b-ax) Cx d (2) x { 0,1} n con λ 0 vettore riga di dimensione m 1 Supponiamo che il Problema Lagrangiano sia ancora facile da risolvere per ogni λ 0
38 La funzione L(λ) (con λ 0 vettore riga di dim. m 1 ): { } L(λ) = min cx + λ(b Ax) :Cx d,x { 0,1} n è detta funzione Lagrangiana, il vettore λ è detto vettore dei moltiplicatori di Lagrange
39 Vale la seguente proprietà: La funzione lagrangiana è un lower bound alla soluzione ottima del problema iniziale P per ogni vettore λ 0: L(λ) z * λ R m 1 +
40 Dimostrazione Infatti, per ogni vettore λ 0 si ha: { } z* = min cx : Ax b;cx d,x { 0,1} n { } min cx + λ(b Ax) : Ax b;cx d,x { 0,1} n
41 Dimostrazione(segue) Infatti, per ogni vettore λ 0 si ha: { } z* = min cx : Ax b;cx d,x { 0,1} n { } min cx + λ(b Ax) : Ax b;cx d,x { 0,1} n { } = L(λ) min cx + λ(b Ax) :Cx d,x { 0,1} n
42 Il miglior lower bound è ottenuto calcolando il Duale Lagrangiano { } L(λ * ) = max L(λ) : λ 0 L(λ * ) può essere ottenuto risolvendo un problema di ottimizzazione non differenziabile L(λ) L(λ * ) λ * λ
43 Teorema. Sia z* PL il valore della soluzione otttima del rilassamento lineare di P : z PL = mincx Ax b (1) Cx d (2) 0 x 1 si ha L(λ * ) z* PL
44 Teorema. Sia z* PL il valore della soluzione otttima del rilassamento lineare di P : si ha Dim. z PL = mincx Ax b (1) Cx d (2) 0 x 1 L(λ * ) z* PL { { { } n } : λ 0 } L(λ * ) = max min cx + λ(b Ax) :Cx d,x 0,1 max{ min{ cx + λ(b Ax) :Cx d,0 x 1} : λ 0}
45 Teorema. Sia z* PL il valore della soluzione otttima del rilassamento lineare di P : si ha Dim. z PL = mincx Ax b (1) Cx d (2) 0 x 1 L(λ * ) z* PL { { { } n } : λ 0 } L(λ * ) = max min cx + λ(b Ax) :Cx d,x 0,1 max{ min{ cx + λ(b Ax) :Cx d,0 x 1} : λ 0} max{ min{ cx + λ(b Ax) + µ(d Cx) : x 1,x 0} : λ 0,µ 0} max{ min{ cx + λ(b Ax) + µ(d Cx) +ν(x 1) : x 0} : λ 0,µ 0,ν 0} =
46 Dim. (segue) L(λ * )... max{ min{ cx + λ(b Ax) + µ(d Cx) +ν(x 1) : x 0} : λ 0,µ 0,ν 0} = max{ min {(c λa µc +ν)x + bλ + dµ ν1: x 0} : λ 0,µ 0,ν 0} = W
47 Dim. (segue) L(λ * )... max{ min{ cx + λ(b Ax) + µ(d Cx) +ν(x 1) : x 0} : λ 0,µ 0,ν 0} = max{ min {(c λa µc +ν)x + bλ + dµ ν1: x 0} : λ 0,µ 0,ν 0} = W Se (c λa µc +ν) < 0 per x = + si ha min {(c λa µc +ν)x + bλ + dµ ν1: x 0} = Se (c λa µc +ν) 0 la soluzione ottima è x = 0 e si ha min {(c λa µc +ν)x + bλ + dµ ν1: x 0} = bλ + dµ ν1
48 Dim. (segue) L(λ * )... max{ min{ cx + λ(b Ax) + µ(d Cx) +ν(x 1) : x 0} : λ 0,µ 0,ν 0} = max{ min {(c λa µc +ν)x + bλ + dµ ν1: x 0} : λ 0,µ 0,ν 0} = W Se (c λa µc +ν) < 0 per x = + si ha min {(c λa µc +ν)x + bλ + dµ ν1: x 0} = Se (c λa µc +ν) 0 la soluzione ottima è x = 0 e si ha min {(c λa µc +ν)x + bλ + dµ ν1: x 0} = bλ + dµ ν1 per cui ha senso considerare solo vettori (c λa µc +ν) 0 in corrispondenza dei quali si ha x = 0 min {(c λa µc +ν)x + bλ + dµ ν1: x 0} = bλ + dµ ν1
49 Dim. (segue) L(λ * )... max{ min{ cx + λ(b Ax) + µ(d Cx) +ν(x 1) : x 0} : λ 0,µ 0,ν 0} = max{ min {(c λa µc +ν)x + bλ + dµ ν1: x 0} : λ 0,µ 0,ν 0} = W per cui ha senso considerare solo vettori (c λa µc +ν) 0 in corrispondenza dei quali si ha x = 0 min {(c λa µc +ν)x + bλ + dµ ν1: x 0} = bλ + dµ ν1 W = max{ bλ + dµ ν1: c λa µc +ν 0,λ 0,µ 0,ν 0}
50 Dim. (segue) W = max{ bλ + dµ ν1: c λa µc +ν 0,λ 0,µ 0,ν 0} = 1 min{ cx : Ax b,cx d,0 x 1} = Z * PL 1 La penultima uguaglianza discende dalla teoria della dualità.
51 Calcolo del Duale Lagrangiano L * Metodo del subgradiente Il calcolo del duale lagrangiano L*=L(λ * ) può essere effettuato attraverso il metodo del subgradiente che genera una successione di punti del tipo: λ k = λ k-1 + θ k d k tale che lim k->+ L(λ k )= L *
52 Calcolo del Duale Lagrangiano L * Metodo del subgradiente Nel metodo del subgradiente si ha: λ k = λ k-1 + θ k d k tale che lim k->+ L(λ k )= L * dove θ k = α k UB L(λ k 1 ) s k è il passo d k = sk s k è una direzione di salita
53 Calcolo del Duale Lagrangiano L * Metodo del subgradiente θ k = α k UB L(λ k 1 ) s k è il passo d k = sk s k è una direzione di salita s k è un subgradiente di L in λ k 1 0 < α k 2
54 Calcolo del Duale Lagrangiano L * Metodo del subgradiente Può essere dimostrato che un subgradiente s k di L in λ k 1 è dato da: s k = b Ax k dove x k è la soluzione del Problema Lagrangiano L(λ k 1 )
55 L(λ k 1 )
56 Un applicazione al problema R C max min C max tale che C i = m i=1 x ij n p ij x ij C max i = 1,...,m (1) j=1 = 1 j = 1,...,n (2) x ij 0,1 { } (3)
57 Rilassamento Lagrangiano dei vincoli (1) L(λ) = min C max + ( x ij C max ) tale che m i=1 x ij m i=1 λ i n j=1 p ij = 1 j = 1,...,n (2) x ij 0,1 { } (3)
58 Rilassamento Lagrangiano dei vincoli (1) m n L(λ) = min C max + λ i ( p ij x ij C max ) : (2), (3) i=1 j=1 = m m n = min (1 λ i )C max + λ i p ij x ij : (2), (3) i=1 i=1 j=1 = L 1 (λ) + L 2 (λ) = m min (1 λ i )C max : C max 0 + i=1 m n m min λ i p ij x ij : x ij = 1 j, x ij 0,1 i=1 j=1 i=1 { } i, j
59 Soluzione del problema L(λ) Si possono distinguere i due seguenti casi: 1. Se Σ i λ i >1 C max = + L 1 (λ) = - L(λ) = - non significativo! 2. Se Σ i λ i 1 L 1 (λ) = 0 L(λ) = L 2 (λ) Nel calcolo di L( λ * ) posso considerare solo il caso 2.
60 Soluzione del problema L(λ) 2. Se Σ i λ i 1 Il problema lagrangiano diventa quindi: ( ) = L ( 2 λ) = L λ min m x ij i=1 m n i=1 j=1 x ij 0,1 λ i p ij x ij = 1 j = 1,...,n { } i = 1,...m; j = 1,...,n
61 Soluzione del problema L(λ) L( λ) = L 2 λ m x ij i=1 x ij 0,1 " $ n j=1 m i=1 ( ) = min# λ i p ij = 1 j = 1,...,n { } L(λ) puo essere decomposto in n sottoproblemi, uno per ogni lavoro. Per il lavoro k si ha: min m i = 1 x ik x ik m i = 1 = λ 1 i p ik %$ x ik { 0,1 } i = 1,..., m x ij & $ ' ($
62 Soluzione del problema L(λ) L(λ) può essere decomposto in n sottoproblemilavori. Per il lavoro k si ha: min m i = 1 x ik x ik m i = 1 = λ 1 i p ik x ik { 0,1 } i = 1,..., n
63 Soluzione del problema L(λ) L(λ) può essere decomposto in n sottoproblemilavori. Per il lavoro k si ha: min m i = 1 x ik x ik m i = 1 = λ 1 i p ik x ik { 0,1 } i = 1,..., n La soluzione del sottoproblema associato al lavoro k consiste nell assegnare k alla macchina i per cui è minimo il prodotto λ i p ik.
64 Osservazione 1: è sufficiente considerare solo moltiplicatori Lagrangiani tali che Σ i λ i = 1 Infatti: Sia λ : 0 < Σ i λ i < 1, e sia λ : λ ' i = λ i / m i = 1,...,m i=1 λ i m = 1 Siano X e X ' i corrispondenti assegnamenti in L(λ) e L(λ ' ), si ha: X =X ' Soluzione del problema L(λ) λ > λ L(λ ' ) > L(λ) i=1 λ ' i
65 Soluzione del problema L(λ) Osservazione 2: λ vettore, λ i 0 i, si ha: L(λ) è un Lower Bound della soluzione ottima.
66 Soluzione del problema L(λ) Osservazione 2: λ vettore, λ i 0 i, si ha: L(λ) è un Lower Bound della soluzione ottima. Ogni soluzione ammissibile del problema Lagrangiano è un assegnamento dei lavori alle macchine, ed è quindi anche ammissibile per il problema originale R C max, fornisce, cioé un Upper Bound della soluzione ottima di R C max
67 Metodo del subgradiente Per una fissata iterazione it e vettore λ it-1, sia x it la soluzione del problema Lagrangiano L(λ it-1 ) Sia C max it il massimo tempo di completamento relativo a x it Nota: in realtà, in L(λ), C max può assumere qualsiasi valore maggiore o uguale 0
68 Metodo del subgradiente Un subgradiente s it all iterazione it è: s i it n j=1 = p ij x ij it it C max = C it it i C max i = 1,...,m Il nuovo vettore dei moltiplicatori è: λ i it it s = max 0,λ it 1 i +θ it i s it i = 1,...,m, θ it = α C it -L(λ it 1 ) max, 0 < α 2 s it
69 Esercizio Si consideri la seguente istanza di R C max con 3 macchine, M 1, M 2, ed M 3,e5lavori, j 1,j 2,j 3,j 4,j 5. I tempi di processamento, p ij, di ogni job j su ogni macchina i sono riportati nella tabella seguente. Table 2: Tempi di processamento p ij p ij j 1 j 2 j 3 j 4 j 5 M M M Una formulazione del problema è la seguente min D 5P p ij x ij apple D for i =1,...,3 j=1 3P x ij = 1 for j =1,...,5 i=1 x ij 2 {0, 1} for j =1,...,5andi =1,...,3
70 Esercizio (segue) Dove x ij è p a r i a d 1 s e i l l a v o r o j è a s s e g n a t o a l l a m a c c h i n a i e0altrimenti. Siscriva per esteso la formulazione del problema utilizzando i dati di Tabella 2. Si e ettui il 5P rilassamento lagrangiano dei vincoli p ij x ij apple D, per i =1,...,3. Si calcoli il valore j=1 della funzione lagrangiana L( ) in corrispondenza del vettore dei moltiplicatori, con componenti 1 =1/7, 2 =4/7 e 3 =2/7. λ 1 = 3/7 λ 2 = 2/7 λ 3 = 2/7
71 λ 1 = 3/7 λ 2 = 2/7 λ 3 = 2/7 Esercizio (segue) Soluzione del problema lagrangiano: Il lavoro j è assegnato alla macchina i per cui è prodotto λ i p ij p ij j 1 j 2 j 3 j 4 j 5 M M M minimo il " $ L( λ) = L 2 ( λ) = min# λ i p ij m i=1 x ij = 1 j = 1,...,n { } x ij 0,1 %$ n j=1 m i=1 x ij & $ ' ($
72 λ 1 = 3/7 λ 2 = 2/7 λ 3 = 2/7 Esercizio (segue) p ij j 1 j 2 j 3 j 4 j 5 M M M Soluzione del problema lagrangiano: Il lavoro j è assegnato alla macchina i per cui è minimo il prodotto λ i p ij j 1 è assegnato alla macchina 2 j 2 è assegnato alla macchina 3 j 3 è assegnato alla macchina 1 j 4 è assegnato alla macchina 1 j 5 è assegnato alla macchina 2 L( λ) = L 2 ( λ) = min# λ i p ij m i=1 x ij = 1 j = 1,...,n { } x ij 0,1 " $ %$ n j=1 m i=1 x ij & $ ' ($ L(λ)=(3(25+10)+2(15+10)+2*20)/7=195/7=27,85 e quindi: LB=28
73 λ 1 = 3/7 λ 2 = 2/7 λ 3 = 2/7 Esercizio (segue) p ij j 1 j 2 j 3 j 4 j 5 M M M La soluzione del problema lagrangiano è un assegnamento ammissibile per R C max. j 1 è assegnato alla macchina 2 j 2 è assegnato alla macchina 3 j 3 è assegnato alla macchina 1 j 4 è assegnato alla macchina 1 j 5 è assegnato alla macchina 2 Si ha quindi: C max = C 1 = p 13 + p 14 = 35
74 λ 1 = 3/7 λ 2 = 2/7 λ 3 = 2/7 j 1 è assegnato alla macchina 2 j 2 è assegnato alla macchina 3 j 3 è assegnato alla macchina 1 j 4 è assegnato alla macchina 1 j 5 è assegnato alla macchina 2 Esercizio (segue) p ij j 1 j 2 j 3 j 4 j 5 M M M Subgradiente s: s 1 it s 2 it s 3 it 5 j=1 it = p 1j x 1j 5 j=1 it = p 2 j x 2 j 5 j=1 it = p 3 j x 3 j it C max it C max it C max = C it it 1 C max = C it it 2 C max = C it it 3 C max = = 0 = = 10 = =-15
75 Esercizio (segue) Quanto vale la soluzione ottima del problema originale? p ij j 1 j 2 j 3 j 4 j 5 M M M min Cmax subject to 40 x0, x0, x0, x0, x0,4 - Cmax <= 0 15 x1, x1, x1, x1, x1,4 - Cmax <= 0 50 x2, x2, x2, x2, x2,4 - Cmax <= 0 x0,0 + x1,0 + x2,0 =1 x0,1 + x1,1 + x2,1 =1 x0,2 + x1,2 + x2,2 =1 x0,3 + x1,3 + x2,3 =1 x0,4 + x1,4 + x2,4 =1 x0,5 + x1,5 + x2,5 =1 integers x0,0 x0,1 x0,2 x0,3 x0,4 x1,0 x1,1 x1,2 x1,3 x1,4 x2,0 x2,1 x2,2 x2,3 end
76 Esercizio (segue) Quanto vale la soluzione ottima del problema originale? Nodes Cuts/ Node Left Objective IInf Best Integer Best Bound ItCnt Gap * % * % % * % 0 0 cutoff % Elapsed time = 0.05 sec. (0.15 ticks, tree = 0.00 MB, solutions = 3) Root node processing (before b&c): Real time = 0.03 sec. (0.09 ticks) Parallel b&c, 4 threads: Real time = 0.03 sec. (0.01 ticks) Sync time (average) = 0.00 sec. Wait time (average) = 0.00 sec. p ij j 1 j 2 j 3 j 4 j 5 M M M MIP - Integer optimal solution: Objective = e+01 Solution time = 0.08 sec. Iterations = 7 Nodes = 0
77 Esercizio (segue) Quanto vale la soluzione del Rilassamento Lineare? min Cmax subject to 40 x0, x0, x0, x0, x0,4 - Cmax <= 0 15 x1, x1, x1, x1, x1,4 - Cmax <= 0 50 x2, x2, x2, x2, x2,4 - Cmax <= 0 x0,0 + x1,0 + x2,0 =1 x0,1 + x1,1 + x2,1 =1 x0,2 + x1,2 + x2,2 =1 x0,3 + x1,3 + x2,3 =1 x0,4 + x1,4 + x2,4 =1 x0,5 + x1,5 + x2,5 =1 end Cmax= 28,51 p ij j 1 j 2 j 3 j 4 j 5 M M M
Macchine parallele M 1 M 2 M 3 J 1 J 2 LAVORI J 3 J 4
Macchine parallele M 1 J 1 J 2 LAVORI M 2 J 3 J 4 M 3 Macchine parallele Scheduling su macchine parallele scorrelate R C max Descrizione del problema n lavori devono essere processati da m macchine diverse
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
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
DettagliDualità Lagrangiana. Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, Pisa
Dualità Lagrangiana Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 3 Novembre 2015 Ricerca Operativa 2 Laurea Magistrale in
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
DettagliCOMPITO DI RICERCA OPERATIVA. max x 1 + 2x 2 + x 3 x 1 x 2 + x 3 = 1 2x 1 + 3x 2 + x 4 = 2
COMPITO DI RICERCA OPERATIVA ESERCIZIO. (9 punti) Sia dato il seguente problema di PL: max x + 2x 2 + x 3 x x 2 + x 3 = 2x + 3x 2 + x 4 = 2 x, x 2, x 3, x 4 0 Si determini il duale del problema ( punto).
DettagliStime dell ottimo - Rilassamenti. PRTLC - Rilassamenti
Stime dell ottimo - Rilassamenti PRTLC - Rilassamenti Schema delle esercitazioni Come ricavare la soluzione ottima Modelli Solver commerciali Come ricavare una stima dell ottimo: rilassamenti Rilassamento
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
Dettagli5.1 Metodo Branch and Bound
5. Metodo Branch and Bound Si consideri il problema min{ c(x) : x X } Idea: Ricondurre la risoluzione di un problema difficile a quella di sottoproblemi più semplici effettuando una partizione (ricorsiva)
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
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.
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),
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
DettagliCondizioni di Karush-Kuhn-Tucker e Programmazione Lineare
Condizioni di Karush-Kuhn-Tucker e Programmazione Lineare A. Agnetis 1 Richiami su condizioni di Karush-Kuhn-Tucker e convessità Si consideri il problema di ottimizzazione vincolata: min f(x) (1) x X R
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
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
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
DettagliProblemi di Localizzazione Impianti
Sapienza Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Problemi di Localizzazione Impianti Renato Bruni bruni@dis.uniroma1.it Il materiale presentato è derivato
DettagliPROGRAMMAZIONE LINEARE A NUMERI INTERI
PROGRAMMAZIONE LINEARE A NUMERI INTERI N.B. Nei seguenti esercizi vengono utilizzate, salvo diversa indicazione, le seguenti notazioni: PLO programma lineare ordinario S a insieme delle soluzioni ammissibili
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
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
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:
DettagliI Appello Ricerca Operativa 2 bis Compito A
I Appello Ricerca Operativa 2 bis Compito A Cognome e nome:. Esercizio 1. Si consideri il problema del matching di cardinalità massima in un grafo G ed il suo problema di decisione associato: esiste un
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)}
Dettagli1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44;
1) Data la seguente istanza di TSP (grafo completo con 5 nodi): c 12 = 52; c 13 = 51; c 14 = 40; c 15 = 53; c 23 = 44; c 24 = 15; c 25 = 12; c 34 = 32; c 35 = 55; c 45 = 24 Si calcoli l ottimo duale (formulazione
DettagliRICERCA OPERATIVA (a.a. 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
DettagliCOMPITO DI RICERCA OPERATIVA. min 2x 1 x 2 + x 3 x 4 x 1 x 2 + x 3 + x 4 = 5 x 1 + x 2 + x 3 3. x 1, x 2, x 3, x 4, x 5 I
COMPITO DI RICERCA OPERATIVA ESERCIZIO. (8 punti) Sia dato il seguente problema di PL: min x x + x x 4 x x + x + x 4 = 5 x + x + x x, x, x, x 4 0 Lo si trasformi in forma standard ( punto). Si determini
DettagliRICERCA OPERATIVA. Tema d esame del 04/12/2008 (Simulazione 1)
RICERCA OPERATIVA Tema d esame del 04/12/2008 (Simulazione 1) COGNOME: NOME: MATRICOLA: 1. Un azienda meccanica deve pianificare il lavoro delle sue tre macchine per un dato giorno. I lotti che è possibile
DettagliBranch-and-bound per TSP
p. 1/6 Branch-and-bound per TSP Anche qui, rispetto allo schema generale visto in precedenza dobbiamo specificare: p. 1/6 Branch-and-bound per TSP Anche qui, rispetto allo schema generale visto in precedenza
DettagliTecniche di Decomposizione per Programmazione Lineare Intera (Mista)
Tecniche di Decomposizione per Programmazione Lineare Intera (Mista) Domenico Salvagnin 2011-06-12 1 Introduzione Dato un problema di programmazione lineare intera (mista), non è sempre possibile (o conveniente)
DettagliDualitá in Programmazione Lineare e alcune conseguenze
Dualitá in Programmazione Lineare e alcune conseguenze Giacomo Zambelli 1 Dualitá per problemi in forma standard Si consideri il seguente problema di PL in forma standard: z = max c x Ax = b (1) ove A
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.
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
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)
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
DettagliParte III: Algoritmo di Branch-and-Bound
Parte III: Algoritmo di Branch-and-Bound Divide et Impera Sia z * max {c T x : x S} (1) un problema di ottimizzazione combinatoria difficile da risolvere. Domanda: E possibile decomporre il problema (1)
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Problema dell assegnamento e matrici totalmente unimodulari
Metodi e Modelli per l Ottimizzazione Combinatoria Problema dell assegnamento e matrici totalmente unimodulari L. De Giovanni G. Zambelli 1 Problema dell assegnamento Sia dato un grafo non orientato bipartito
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
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
DettagliSi consideri il seguente tableau ottimo di un problema di programmazione lineare
ESERCIZIO 1 Si consideri il seguente tableau ottimo di un problema di programmazione lineare -25/3 0 4/3 19/6 9/2 0 0 0 7/6 1 0 1-1/2-3/2 1 0 0 3/2 11/3 1-2/3-1/3 0 0 0 0 2/3 2/3 0 1/3 1/6-1/2 0 1 0 7/6
DettagliOttimizzazione Combinatoria 2 Presentazione
Ottimizzazione Combinatoria Presentazione ANTONIO SASSANO Università di Roma La Sapienza Dipartimento di Informatica, Automatica e Gestionale «Antonio Ruberti» Roma, Febbraio Prerequisiti (cosa sapete)
DettagliALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I
ALGORITMI DI OTTIMIZZAZIONE M Esercizi Parte I Esercizio 1 Dati n oggetti ed un contenitore, ad ogni oggetto j (j = 1,, n) sono associati un peso p j ed un costo c j (con p j e c j interi positivi). Si
DettagliProblemi di Ottimizzazione
Problemi di Ottimizzazione Obiettivo: misura della qualità di una soluzione. Vincoli: condizioni che devono essere soddisfatte per ottenere una soluzione ammissibile. Problema di Ottimizzazione: determina
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
DettagliBranch and Bound. Branch and Bound p. 1/3
Branch and Bound Branch and Bound p. 1/3 Branch-and-bound Un esempio di problema di PLI: P 0 : max x 1 + 3x 2 (u 1 ) x 1 1 2 (u 2 ) 5x 1 + 3x 2 5 (u 3 ) x 1 + 7 5 x 2 13 2 x 1,x 2 0 x 1,x 2 I Branch and
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
DettagliCOMPITO DI RICERCA OPERATIVA. max 3x 1 + 2x 2 x x 2 + x 3 = 4 2x 1 + x 2 + x 4 = 3
COMPITO DI RICERCA OPERATIVA ESERCIZIO 1. (7 punti) Sia dato il seguente problema di PL: max 3x 1 + 2x 2 x 1 + 1 2 x 2 + x 3 = 4 2x 1 + x 2 + x 4 = 3 Lo si risolva con l algoritmo che si ritiene più opportuno
DettagliMetodi di Ottimizzazione mod. Modelli per la pianificazione delle attività
Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività Paolo Detti Dipartimento di Ingegneria dell Informazione e Scienze Matematiche Università di Siena Metodi di Ottimizzazione mod.
DettagliSull algoritmo di ascesa duale per il problema della localizzazione di impianti
Sull algoritmo di ascesa duale per il problema della localizzazione di impianti A. Agnetis In queste note presentiamo l algoritmo di ascesa duale per la generazione di lower bound di buona qualità per
DettagliRICERCA OPERATIVA. Tema d esame del 13/12/2005
RICERCA OPERATIVA Tema d esame del 13/12/2005 COGNOME: NOME: MATRICOLA: 1. Un associazione umanitaria ha raccolto 150.000 euro per inviare dei pacchetti regalo natalizi ai bambini di Haiti. Per l acquisto
DettagliEsame di Ricerca Operativa del 09/01/15. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del 0/0/ (Cognome) (Nome) (Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min 7 y +y + y + y +y +7 y y +y y y
DettagliScuola di Dottorato in Ingegneria L. da Vinci. Problemi di estremo vincolato ed applicazioni. Introduzione ai problemi di estremo
Scuola di Dottorato in Ingegneria L. da Vinci Problemi di estremo vincolato ed applicazioni Pisa, 28-29 Maggio, 2009 Introduzione ai problemi di estremo G. Mastroeni Ricercatore, Dipartimento di Matematica
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
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
DettagliCOMPITO DI RICERCA OPERATIVA. max x 1 + x 2 x 1 + x 2 1 x 1 + x 2 2. Lo si trasformi in forma standard e se ne determini una soluzione ottima.
COMPITO DI RICERCA OPERATIVA APPELLO DEL 06/07/05 ESERCIZIO 1. (5 punti) Sia dato il seguente problema di PL: max x 1 + x 2 x 1 + x 2 1 x 1 + x 2 2 x 1 0 x 2 0 Lo si trasformi in forma standard e se ne
DettagliRICERCA OPERATIVA. Tema d esame del 04/03/2008 (Simulazione)
RICERCA OPERATIVA Tema d esame del 04/03/2008 (Simulazione) COGNOME: NOME: MATRICOLA:. Una nota azienda automobilistica produce due modelli di auto (un utilitaria e una berlina), che rivende con un guadagno
DettagliEsame di Ricerca Operativa del 13/06/17. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del /0/ (Cognome) (Nome) (Numero di Matricola) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y y + y + y + y y + y y +y +y
DettagliOrganizzazione della produzione
Scheduling Organizzazione della produzione PRODOTTO che cosa chi ORGANIZZAZIONE PROCESSO come FLUSSO DI PRODUZIONE COORDINAMENTO PIANIFICAZIONE SCHEDULING quando Pianificazione della produzione: schedulazione
DettagliDualitá. Dualitá p. 1/4
Dualitá Dualitá p. 1/4 Dualitá p. 2/4 Dualitá Problema di PL in forma standard max cx Ax = b x 0 Chiamato problema primale. A questo associato un altro problema di PL, detto problema duale: min ub ua c
DettagliAlgoritmo di Branch & Bound
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Algoritmo di Branch & Bound Docente: Renato Bruni bruni@dis.uniroma.it Corso di: Ottimizzazione Combinatoria
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
DettagliTeoria della Complessità Computazionale
Teoria della Complessità Computazionale Daniele Vigo D.E.I.S. - Università di Bologna dvigo@deis.unibo.it Rev. 1.3, 11/00 rev. 1.3 - Novembre 2000 Teoria della Complessità Studia la difficoltà dei problemi
DettagliIl Branch & Bound. Definizione 1. Sia S R n. La famiglia S = {S 1, S 2,..., S k S} tale che S 1 S 2 S k = S viene detta suddivisione di S.
Il Branch & Bound Il metodo Branch & Bound è una tecnica che permette di risolvere all ottimo un generico problema di Programmazione Lineare Intera. Tale metodo si basa su due concetti cardine: quello
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:
DettagliProgrammazione Matematica / A.A Soluzioni di alcuni esercizi
Programmazione Matematica / A.A. 8-9 Soluzioni di alcuni esercizi Esercizi - I 3. Aggiungiamo al problema una variabile v, e richiediamo che v soddisfi v n a ij x j b i. j= Fissato x, il minimo v che soddisfa
DettagliAlgoritmo dibranch & Bound
Sapienza Università di Roma - Dipartimento di Ingegneria Informatica, Automatica e Gestionale Algoritmo dibranch & Bound Docente: Renato Bruni bruni@dis.uniroma.it Corso di: Ottimizzazione Combinatoria
DettagliTeoria della Programmazione Lineare Intera
0 Teoria della Programmazione Lineare Intera 0. INTRODUZIONE Come visto precedentemente, molti problemi particolarmente importanti dal punto di vista applicativo sono riconducibili alla soluzione di un
DettagliUniversità degli Studi di Roma La Sapienza
Università degli Studi di Roma La Sapienza Dipartimento di Informatica e Sistemistica A. Ruberti Proff. Gianni Di Pillo and Laura Palagi Note per il corso di OTTIMIZZAZIONE (a.a. 2007-08) Dipartimento
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
DettagliEsercizi di Programmazione Lineare - Dualità
Esercizi di Programmazione Lineare - Dualità Esercizio n1 Dato il seguente problema 3 + 3 2 2 + a scriverne il duale; b risolvere il duale (anche geometricamente indicando cosa da esso si può dedurre sul
DettagliAlgoritmi per la programmazione lineare: il metodo del simplesso
Algoritmi per la programmazione lineare: il metodo del simplesso Dipartimento di Informatica, Universita' di Pisa A.A. 2018/2019 Contenuti della lezione Problemi di programmazione lineare, forma standard
DettagliProgrammazione Matematica: VII La scomposizione di Dantzig Wolfe
Programmazione Matematica: VII La scomposizione di Dantzig Wolfe Daniele Vigo D.E.I.S. Università di Bologna dvigo@deis.unibo.it rev..0 Maggio 2004 Scomposizione di problemi Accade spesso che un problema
DettagliIl teorema di dualità forte
Complementi di Algoritmi e Strutture Dati Il teorema di dualità forte Docente: Nicolò Cesa-Bianchi versione 13 maggio 2018 Ricordiamo la formulazione del problema di programmazione lineare nella sua forma
DettagliNLP KKT 1. Le condizioni necessarie di ottimo per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J
NLP KKT 1 Le condizioni necessarie di ottimo per il problema min f o (x) g i (x) 0 i I h j (x) = 0 j J sono, riferite ad un punto ammissibile x*, μ 0 f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0
Dettaglicittà
Esercitazione 11-4-18 Esercizio 1. Si consideri il problema di trovare il ciclo hamiltoniano di costo minimo su una rete di 5 città, le cui distanze reciproche sono indicate in tabella: città 2 3 4 5 1
DettagliRegistro dell'insegnamento
Registro dell'insegnamento Anno accademico 2016/2017 Prof. MARCO SCIANDRONE Settore inquadramento MAT/09 - RICERCA OPERATIVA REGISTRO Scuola Ingegneria NON CHIUSO Dipartimento Ingegneria dell'informazione
DettagliLA STRUTTURA DEI PROBLEMI DI OTTIMIZZAZIONE. L'ipotesi di razionalità implica che un decisore cerchi di
LA STRUTTURA DEI PROBLEMI DI OTTIMIZZAZIONE L'ipotesi di razionalità implica che un decisore cerchi di individuare la migliore tra tutte le alternative a sua disposizione. Problemi di ottimizzazione =
DettagliEsercizi sulla Programmazione Lineare Intera
Soluzioni 4.7-4.0 Fondamenti di Ricerca Operativa Prof. E. Amaldi Esercizi sulla Programmazione Lineare Intera 4.7 Algoritmo del Simplesso Duale. Risolvere con l algoritmo del simplesso duale il seguente
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
DettagliAA Prova del 30 Novembre 2011 Compito A
Metodi e Modelli di Ottimizzazione Discreta (10 cfu), I parte; Metodi e Modelli di Ottimizzazione Discreta 1 (5 cfu); Metodi e Modelli di Ottimizzazione Discreta 1 On Line; Ricerca Operativa 1-2, II parte;
Dettagli1. Considerazioni generali
1. Considerazioni generali Modelli di shop scheduling In molti ambienti produttivi l esecuzione di un job richiede l esecuzione non simultanea di un certo numero di operazioni su macchine dedicate. Ogni
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
DettagliPROVE D'ESAME 1997/98
PROVE D'ESAME 1997/98 PROVA PARZIALE DEL 28/11/1997 1) Si consideri il seguente problema di programmazione lineare P: min z = x 1 + 2x 2 s.t. x 1 + x 2 6 2x 1 + x 2 10 x 1 4 x 1, x 2 0 a - Scrivere le
DettagliEsame di Ricerca Operativa del 09/06/14. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del 09/0/ (Cognome) (Nome) (Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: max x x x x +x x x x +x x + x x Base
DettagliEsame di Ricerca Operativa del 16/02/15. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del /0/ Cognome) Nome) Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y + y +0 y +0 y +y + y y y +y y y y
DettagliEsame di Ricerca Operativa del 23/02/17
Esame di Ricerca Operativa del /0/ (Cognome) (Nome) (Numero di Matricola) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y + y + y + y y +0 y + y y y
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,
DettagliEsame di Ricerca Operativa del 21/07/15. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del /0/ (Cognome) (Nome) (Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y +y + y + y + y + y y y + y y +
Dettagli2.6 Calcolo degli equilibri di Nash
92 2 Giochi non Cooperativi Per queste estensioni di giochi non finiti si possono provare risultati analoghi a quelli visti per i giochi finiti. Rimandiamo alla bibliografia per uno studio più approfondito
DettagliEsame di Ricerca Operativa
Esame di Ricerca Operativa (Cognome) (Nome) (Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y + y + y +7 y +y + y y y +y y y = y y +y
DettagliEsame di Ricerca Operativa del 04/07/17
Esame di Ricerca Operativa del 0/0/ (Cognome) (Nome) (Numero di Matricola) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y y + y + y + y + y +9 y y y
DettagliAA Prova del 4 Dicembre 2012 Compito A
Prova del 4 Dicembre 2012 Compito A A.1). (14 punti) Un agenzia viaggi sta organizzando una visita guidata a Berlino: per questo motivo ha selezionato 11 escursioni, tra tante che erano possibili. Scrivere
DettagliEsame di Ricerca Operativa del 09/06/15. Esercizio 1. Completare la seguente tabella considerando il problema di programmazione lineare:
Esame di Ricerca Operativa del 0/0/ Cognome) Nome) Corso di laurea) Esercizio. Completare la seguente tabella considerando il problema di programmazione lineare: min y + y + y +0 y +y + y y y + y y y y
Dettaglimax z = c T x s.t. Ax b
3 PROGRAMMAZIONE LINEARE A NUMERI INTERI 51 3 Programmazione lineare a numeri interi 3.1 Problemi lineari interi Dato il problema lineare ordinario (PLO): aggiungendo la condizione di integrità: max z
DettagliA.A Fondamenti di Ricerca Operativa. 2. Determinare β affinchè il poliedro descritto dal sistema di disequazioni
A.A. 08-09 Fondamenti di Ricerca Operativa. Si consideri il problema min x + x + 4x 3 3x 4 x + x 3 = 5 x + x 4 = x, x, x 3, x 4 0 Stabilire se il problema ha insieme ammissibile vuoto, oppure è illimitato,
Dettaglia ij x j ) L i vincoli rilassati: a ij x j b i (i = 1,..., m) si inizia con un λ qualunque (es. λ i = 0 i);
Determinazione di buoni moltiplicatori lagrangiani 1) Quando possibile, mediante analisi teorica del problema. 2) Metodo iterativo. Consideriamo il caso: funzione obiettivo: c j x j + λ i (b i j i j vincoli
Dettagli