Capitolo 3: Ottimizzazione Discreta. E. Amaldi DEIB, Politecnico di Milano

Transcript

1 Capitolo 3: Ottimizzazione Discreta E. Amaldi DEIB, Politecnico di Milano

2 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati o approssimati come problemi di Programmazione Lineare in cui tutte (alcune) variabili sono vincolate ad assumere valori interi. Definizione: Programmazione Lineare Intera (PLI): min c t x Ax b x 0 intere dove la matrice A è di dimensione m n, i vettori c e b sono di dimensione n e rispettivamente m. Se tutte le variabili devono assumere valori binari si tratta di Programmazione Lineare Binaria (PL0 1) Programmazione Lineare Mista-Intera (PLMI): min c t 1x + c t 2y A 1 x + A 2 y b x 0, y 0 intere dove le matrici A 1 e A 2 sono di dimensione m n 1 e rispettivamente m n 2, i vettori c 1, c 2 e b sono di dimensione n 1, n 2 e rispettivamente m. 1

3 Alcuni modelli di PLI e PLMI: 1) Problema di Zaino Binario Knapsack Un azienda deve decidere come investire un capitale b. Sono disponibili n investimenti. Sia a i la somma da investire nel caso si scelga di effettuare l i-esimo investimento, con 1 i n. Sia p i il profitto atteso dell i-esimo investimento. Problema: determinare quali investimenti effettuare in modo da massimizzare il profitto atteso totale. 2

4 Alcuni modelli di PLI e PLMI: 1) Problema di Zaino Binario Knapsack Un azienda deve decidere come investire un capitale b. Sono disponibili n investimenti. Sia a i la somma da investire nel caso si scelga di effettuare l i-esimo investimento, con 1 i n. Sia p i il profitto atteso dell i-esimo investimento. Problema: determinare quali investimenti effettuare in modo da massimizzare il profitto atteso totale. Formulazione di PLI Variabili di decisione: x i = 1 se si effettua l i-esimo investimento e x i = 0 altrimenti, con 1 i n max n i=1 p ix i n i=1 a ix i b x i {0, 1} i Svariate applicazioni dirette e indirette (come sotto-problema) 3

5 2) Problema di Assegnamento Assignment Dati n progetti (jobs) e n ingegneri (macchine), supponiamo che ogni progetto possa essere eseguito da qualsiasi ingegnere. Sia c ij il costo se i-esimo progetto è eseguito dal j-esimo ingegnere, con 1 i, j n. Ogni progetto deve essere assegnato esattamente ad un ingegnere e ogni ingegnere deve vedersi assegnare esattamente un progetto. Problema: decidere quale progetto assegnare ad ogni ingegnere in modo da minimizzare il costo totale necessario per completare tutti i progetti. Numero di soluzioni ammissibili = n! 4

6 2) Problema di Assegnamento Assignment Dati n progetti (jobs) e n ingegneri (macchine), supponiamo che ogni progetto possa essere eseguito da qualsiasi ingegnere. Sia c ij il costo se i-esimo progetto è eseguito dal j-esimo ingegnere, con 1 i, j n. Ogni progetto deve essere assegnato esattamente ad un ingegnere e ogni ingegnere deve vedersi assegnare esattamente un progetto. Problema: decidere quale progetto assegnare ad ogni ingegnere in modo da minimizzare il costo totale necessario per completare tutti i progetti. Formulazione di PLI Variabili di decisione: x ij = 1 se i-esimo progetto viene assegnato al j-esimo ingegnere e x ij = 0 altrimenti, con 1 i, j n min n n i=1 j=1 c ijx ij s.v. n i=1 x ij = 1 n j=1 x ij = 1 x ij {0, 1} j i i, j 5

7 3) Problema di Copertura di un Insieme Set Covering Siano insieme M = {1, 2,..., m} famiglia {M 1,..., M n } di n suoi sottoinsiemi ( M j M per ogni j = 1,..., n) per ogni j con 1 j n, costo c j di M j determinare quali sottoinsiemi selezionare per coprire tutti gli elementi di M minimizzando il costo totale. 6

8 3) Problema di Copertura di un Insieme Set Covering Siano insieme M = {1, 2,..., m} famiglia {M 1,..., M n } di n suoi sottoinsiemi ( M j M per ogni j = 1,..., n) per ogni j con 1 j n, costo c j di M j determinare quali sottoinsiemi selezionare per coprire tutti gli elementi di M minimizzando il costo totale. Formulazione di PLI Variabili di decisione: x j = 1 se si seleziona M j e x j = 0 altrimenti, con 1 j n min s.v. n j=1 c jx j j:i M j x j 1 i (1) x j {0, 1} j dove i vincoli (1) sono quelli di copertura 7

9 Set covering : min n c j x j : Ax e, x {0, 1} n j=1 dove A = [a ij ] con a ij = 1 se i M j e a ij = 0 altrimenti, ed e = (1, 1,..., 1) t Esempio: localizzazione di servizi di emergenza (ambulanze o vigili del fuoco) M = { aree da coprire }, M j = { aree raggiungibili in 10 min dal sito candidato j } Set packing : max n c j x j : Ax e, x {0, 1} n j=1 dove i parametri c j rappresentano profitti Esempio: localizzazione di impianti ad elevato impatto ambientale (discariche o inceneritori) M = { città }, M j = { città con impatto ambientale del sito candidato j sopra soglia } 8

10 Set partitioning : min o max n c j x j : Ax = e, x {0, 1} n j=1 dove i parametri c j possono rappresentare sia costi che profitti Esempio: formazione dei turni di volo degli equipaggi di una compagnia aerea Si considera un orizzonte di pianificazione prefissato M = { tappe di volo }, tappa = singola fase di volo (tra decollo e atterraggio) da effettuare secondo orari prestabiliti M j = { turni ammissibili }, turno ammissibile = sottoinsieme di tappe di volo che possono essere concatenate in base alla normativa (durata complessiva e periodi di riposo) 9

11 4) Problema del Commesso Viaggiatore (asimmetrico) Asymmetric Traveling Salesman Problem (ATSP) Dato un grafo orientato G = (V, A) con V = {1, 2,..., n} e un costo c ij R associato ad ogni arco (i, j) A, determinare un ciclo Hamiltoniano, i.e., un ciclo che visita esattamente una volta ogni nodo e torna al nodo di partenza, di costo totale minimo. 10

12 4) Problema del Commesso Viaggiatore (asimmetrico) Asymmetric Traveling Salesman Problem (ATSP) Dato un grafo orientato G = (V, A) con V = {1, 2,..., n} e un costo c ij R associato ad ogni arco (i, j) A, determinare un ciclo Hamiltoniano, i.e., un ciclo che visita esattamente una volta ogni nodo e torna al nodo di partenza, di costo totale minimo. Se il grafo G è completo, il numero di cicli Hamiltoniani = (n 1)! Anche versione simmetrica con grafo non orientato Molte varianti con - vincoli di precedenza - vincoli temporali (istante al più presto e al più tardi di visita per ogni nodo) - vincolo di capacità del veicolo - più veicoli da instradare ( Vehicle Routing Problem ) -... Molteplici applicazioni: logistica, sequenziamento di operazioni, VLSI,... Sito web dedicato al TSP: 11

13 Una formulazione di PLI Variabili di decisione: x ij = 1 se il ciclo Hamiltoniano contiene l arco (i, j) e x ij = 0 altrimenti, per (i, j) A min s.v. (i,j) A c ijx ij i: (i,j) A x ij = 1 j j: (i,j) A x ij = 1 i (i,j) A: i S, j V \S x ij 1 S V, S (2) x ij {0, 1} (i, j) A dove i vincoli (2) sono i cosiddetti vincoli di taglio ( cut-set inequalities ) 12

14 Una formulazione di PLI: Variabili di decisione: x ij = 1 se il ciclo Hamiltoniano contiene l arco (i, j) e x ij = 0 altrimenti, per (i, j) A min (i,j) A c ijx ij s.v. i: (i,j) A x ij = 1 j j: (i,j) A x ij = 1 i (i,j) A: i S, j V \S x ij 1 S V, S (3) x ij {0, 1} (i, j) A dove i vincoli (3) sono i cosiddetti vincoli di taglio ( cut-set inequalities ) Formulazione di PLI alternativa: (i,j) A: i,j S x ij S 1 S V, 2 S n 1 (4) con i cosiddetti vincoli di eliminazione dei sottocicli ( subtour elimination inequalities ) al posto dei vincoli (3) Osservazione: I vincoli (3) e (4) sono in numero esponenziale rispetto alla dimensione di G. 13

15 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi soddisfacendo la domanda. Per ogni articolo i, con 1 i n, c i > 0 indica il costo unitario, f i > 0 il costo fisso (se si produce) e k i > 0 la capacità produttiva. 14

16 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi soddisfacendo la domanda. Per ogni articolo i, con 1 i n, c i > 0 indica il costo unitario, f i > 0 il costo fisso (se si produce) e k i > 0 la capacità produttiva. Formulazione di PLMI Variabili di decisione: x i = quantità di articolo i prodotta, con 1 i n y i = 1 se x i > 0 e y i = 0 altrimenti, con 1 i n min n i=1 (c ix i + f i y i ) s.v. x i k i y i i vincoli di domanda... x i 0 i y i {0, 1} i 15

17 5) Mix produttivo con costi fissi Un azienda deve decidere quali/quanti articoli produrre il prossimo mese in modo da minimizzare i costi soddisfacendo la domanda. Per ogni articolo i, con 1 i n, c i > 0 indica il costo unitario, f i > 0 il costo fisso (se si produce) e k i > 0 la capacità produttiva. Formulazione di PLMI Variabili di decisione: x i = quantità di articolo i prodotta, con 1 i n y i = 1 se x i > 0 e y i = 0 altrimenti, con 1 i n min n i=1 (c ix i + f i y i ) s.v. x i k i y i i vincoli di domanda... x i 0 i y i {0, 1} i N.B.: La formulazione non è del tutto esatta, la soluzione x i = 0 e y i = 1 per ogni i è ammissibile per il PLMI, anche se non può essere ottima (minimizzazione e costi fissi f i positivi). 16

18 6) Localizzazione ottima senza vincoli di capacità Uncapacitated Facility Location (UFL) Siano M = {1, 2,..., m} insieme di clienti N = {1, 2,..., n} insieme di siti nei quali si possono localizzare dei depositi per ogni j N, f j costo fisso di utilizzo del deposito in j per ogni coppia i M e j N, c ij costo di trasporto se tutta la domanda del cliente i è soddisfatta dal deposito j, determinare dove localizzare i depositi in modo da soddisfare la domanda di tutti i clienti minimizzando i costi (costi di trasporto e costi di utilizzo). 17

19 Formulazione di PLMI Variabili di decisione: x ij = frazione della domanda del cliente i soddisfatta dal deposito j, con 1 i m e 1 j n y j = 1 se si utilizza il deposito j e y j = 0 altrimenti, con 1 j n min i M s.v. j N c ijx ij + j N f jy j j N x ij = 1 i M i M x ij my j j N (5) y j {0, 1} j N 0 x ij 1 i M, j N con n vincoli (5) che legano le variabili x ij e y j Variante: Se d i indica la domanda del cliente i e k j la capacità del deposito j, gli eventuali vincoli di capacità: d i x ij k j y j i M j N 18

20 7) Pianificazione della produzione multi-periodo Uncapacitated Lot-Sizing (ULS) Un impresa deve pianificare la produzione di un solo tipo di prodotto per i prossimi n mesi. Si suppone che il magazzino sia vuoto all inizio del periodo di pianificazione e che alla fine del periodo debbano rimanere in magazzino 50 unità. Siano f t costo fisso di produzione nel periodo t p t costo unitario di produzione nel periodo t h t costo unitario di immagazzinamento nel periodo t d t domanda per il periodo t determinare un piano di produzione per i prossimi n mesi che permetta di minimizzare i costi (produzione e magazzino) soddisfacendo la domanda ad ogni periodo. Formulare il problema come un PLMI. 19

21 Formulazione di PLMI Variabili di decisione: x t = quantità prodotta nel periodo t, con 1 t n s t = quantità in magazzino alla fine del periodo t, con 0 t n y t = 1 se si attiva la produzione nel periodo t e y j = 0 altrimenti, con 1 t n min n t=1 p tx t + n t=1 h ts t + n t=1 f ty t s.v. s t = s t 1 + x t d t t x t My t s 0 = 0, s n = 50 s t, x t 0 y t {0, 1} t t t t dove M > 0 è un limite superiore sulla massima quantità prodotta durante qualsiasi periodo. Ad esempio: x t ( n t=1 d t + s n s 0 )y t N.B.: Poiché s t = t i=1 x i t i=1 d i, è possibile eliminare le variabili s t di magazzino 20

22 3.2 Formulazioni alternative ed ideali In Programmazione Lineare (PL) le migliori formulazioni sono le più compatte (con il minor numero di variabili/vincoli) visto che la complessità computazionale dei problemi cresce polinomialmente con n e m. La scelta della formulazione è importante ma non determina in modo critico la possibilità di risolvere o meno il problema. La situazione è molto diversa per i problemi di PLI e PLMI: estese campagne computazionali indicano che la scelta della formulazione è cruciale. Per capire cosa caratterizza le buone formulazioni, partiamo dal concetto di rilassamento continuo (lineare) di un PLI o PLMI. 21

23 Definizione: Dato un qualsiasi problema di PLMI (PLI) z P LMI = min c t 1x + c t 2y s.v. A 1 x + A 2 y b (6) x 0, y 0 intere (7) il suo rilassamento continuo (lineare) è il seguente problema di PL: z P L = min c t 1x + c t 2y s.v. A 1 x + A 2 y b (8) x 0, y 0 (9) dove il vincolo di interezza sulle variabili y j è omesso. Se una variabile intera y j nel PLMI è tale che 0 y j u j, nel rilassamento continuo y j [0, u j ]. Sia X P LMI la regione ammissibile del PLMI definita da (6)-(7) e X P L quella del rilassamento continuo definita da (8)-(9). Conseguenze: Poiché X P LMI X P L e i problemi sono di minimizzazione, abbiamo: z PL z PLMI, ovvero z P L è un limite inferiore rispetto a z P LMI ; se una soluzione ottima x P L del rilassamento continuo è ammissibile per il PLMI (PLI) di partenza, è anche ottima per quest ultimo. Se il PLMI è di massimizzazione, chiaramente z PLMI z PL. 22

24 Qualsiasi problema di PLI/PLMI ammette un numero infinito di formulazioni corrette alternative con regioni ammissibili del rilassamento continuo diverse. Definizione: Un poliedro P R n 1+n 2 (sottoinsieme definito da un numero finito di vincoli lineari) è una formulazione di un insieme X R n 1 Z n 2 se e solo se X = P (R n 1 Z n 2). N.B.: Nel caso dei costi fissi, non abbiamo considerato l insieme X = {(0, 0), (x i, 1) per 0 < x k i } ma X {(0, 1)}. Esempi: 1) Due formulazioni alternative per il TSP con vincoli di taglio o di eliminazione di sotto-cicli. 2) Formulazione di PLMI alternativa per il problema UFL: min i M j N c ijx ij + j N f jy j s.v. j N x ij = 1 i M x ij y j i M, j N (10) y j {0, 1} j N 0 x ij 1 i M, j N con mn vincoli (10) che legano le variabili x ij e y j. 23

25 Le formulazioni alternative possono adoperare variabili aggiuntive o variabili diverse. Nel primo caso si parla di formulazioni estese. Esempio: Formulazione di PLMI estesa per il problema ULS 24

26 Le formulazioni alternative possono adoperare variabili aggiuntive o variabili diverse. Nel primo caso si parla di formulazioni estese. Esempio: Formulazione di PLMI estesa per il problema ULS Variabili di decisione: w it = quantità prodotta nel periodo i e venduta nel periodo t, con 1 i t n + 1 y t = 1 se si attiva la produzione nel periodo t e y j = 0 altrimenti, con 1 t n min n n i=1 t=i c itw it + n t=1 f ty t s.v. t i=1 w it = d t n i=1 w i,n+1 = 50 w it d t y i w it 0 y t {0, 1} t, 1 t n (magazzino alla fine) i, t, i t i, t, i t con i costi aggregati (produzione e magazzino) c it = p i + h i h t 1. N.B.: Per ogni periodo i, si può aggiungere il vincolo x i = n t=i w it che esprime la vecchia variabile x i in funzione delle nuove w it t 25

27 Sia X = {x 1,..., x k } l insieme delle soluzioni ammissibili di un PLI. Supponiamo X sia limitato (finito). Teorema: conv(x) è un poliedro e i punti estremi di conv(x) appartengono a X. Questo risultato, che vale anche per insiemi X illimitati di punti interi e di punti misti interi, implica: min{c t x : x X} = min{c t x : x conv(x)} In teoria, il problema di PLI/PLMI si può ricondurre ad un singolo problema di PL! In pratica, anche per X limitato, la formulazione ideale è spesso di dimensione esponenziale o difficile da determinare. Chiaramente la regione ammissibile P del rilassamento continuo di qualsiasi formulazione soddisfa X = {x Z n : Ax b} conv(x) P. Definizione: La formulazione ideale di un insieme X R n è il poliedro conv(x). Dato un insieme X R n e due formulazioni P 1 e P 2 di X, la formulazione P 1 domina (è più stringente di) quella P 2 se P 1 P 2. Infatti, se z i = min{c t x : x P i Z n }, il bound z 1 è almeno altrettanto stringente di z 2, ovvero z P LI = min{c t x : x X} z 1 z 2. 26

28 1) Localizzazione ottima senza vincoli di capacità Uncapacitated Facility Location (UFL) Proprietà: Il rilassamento continuo della formulazione di PLMI alternativa (con i vincoli x ij y j ) domina quello della prima formulazione di PLMI (con i vincoli aggregati i M x ij my j ). Siano P 1 = e P 2 = { (x, y) R nm+n : { (x, y) R nm+n : } j N x ij = 1 i, x ij y j i, j, 0 x ij 1 i, j, 0 y j 1 j j N x ij = 1 i, } i M x ij my j j, 0 x ij 1 i, j, 0 y j 1 j, chiaramente P 1 P 2 (sommando gli m vincoli x ij y j per un dato j si ottiene i M x ij my j per quel j). Inoltre è facile esibire un (x, y) che appartiene a P 2 ma non appartiene a P 1 2) TSP simmetrico Confronto tra le due formulazioni alternative nella seconda serie di esercizi 27

29 Confronto tra formulazioni con variabili diverse Consideriamo una prima formulazione con tutte variabili intere (PLI) min{c t x : x P 1 Z n 1 } con P 1 R n 1, e una formulazione estesa min{c t (x, w) : (x, w) P 2 (Z n 1 R n 2 )} con P 2 R n 1 R n 2. Definizione: Dato un insieme convesso P R n 1 R n 2, la proiezione di P sul sottospazio R n 1 è Π x (P ) = {x R n 1 : (x, w) P per qualche w R n 2 } Esempio: proiezione di un poliedro tridimensionale Per confrontare una formulazione P 1 R n 1 e una formulazione estesa P 2 R n 1 R n 2, si confrontando quindi P 1 e Π x (P 2 ). 28

30 Come determinare le proiezioni dei poliedri sui sottospazi di R n? Metodo di eliminazione di Fourier-Motzkin (inizio 800): Prima procedura per determinare una soluzione ammissibile di un sistema di disuguaglianze lineari Idea: Ad ogni iterazione viene eliminata una variable, combinando in tutti i modi possibili le disuguaglianze correnti, fino ad ottenere un sistema in una sola variabile. Descrizione 29

31 Esempio: x 1 +x 2 3 (11) 1 2 x 1 +x 2 0 (12) x 2 2 (13) Eliminazione di x 2 (proiezione del poliedro delle soluzioni ammissibili di (11)-(13) sul sottospazio di x 1 ): 3 x 1 x x 1 x 2 x 2 2 considerando tutte le coppie di disuguaglianze (... x 2 e x 2... ) si ottiene 3 x x 1 2 ovvero 1 x 1 4, quindi la proiezione [1, 4]. Eliminazione di x 1 (proiezione del poliedro delle soluzioni ammissibili di (11)-(13) sul sottospazio di x 2 ): si ottiene 1 x 2 2 quindi la proiezione [1, 2]. Complessità: il numero di vincoli aggiuntivi può crescere esponenzialmente rispetto al numero delle variabili originarie 30

32 Confronto con formulazione estesa: Pianificazione della produzione multi-periodo (ULS) Consideriamo la formulazione P 1 descritta da e Π x,s,y (P 2 ), con P 2 descritto da s t = s t 1 + x t d t x t My t s 0 = 0, s t, x t 0 t t t 0 y t 1 t t i=1 w it = d t t w it d t y i i, t, i t x i = n t=i w it i (14) w it 0 i, t, i t 0 y t 1 t E facile verificare che Π x,s,y (P 2 ) P 1. Ad esempio, il punto x t = d t, y t = d t /M per ogni t è un punto estremo di P 1 che non appartiene a Π x,s,y (P 2 ). Proposizione: P 2 è la formulazione ideale, ovvero descrive il guscio convesso di tutte le soluzioni ammissibili (misto intere) di ULS. 31