Il Tableau M M O M M M M M M M M O M M M M. valore dell obiettivo (soluzione corrente) coeff. dell obiettivo. nomi delle variabili fuori base

Documenti analoghi
Esempi di Problemi di Programmazione Lineare

Analisi di Post-Ottimalità (Analisi della Sensitività della Soluzione)

Metodo delle due fasi

Lezioni di Ricerca Operativa

4.5 Metodo del simplesso

4.5 Metodo del simplesso

Soluzione dei Problemi di Programmazione Lineare

Introduzione al Metodo del Simplesso. 1 Soluzioni di base e problemi in forma standard

min 2x 1 +4x 2 2x 3 +2x 4 x 1 +4x 2 +2x 3 + x 4 =6 2x 1 + x 2 +2x 3 + x 5 =3 x 0.

La retta. Materia: Matematica Autore: Mario De Leo

Sviluppando ancora per colonna sulla prima colonna della prima matrice e sulla seconda della seconda matrice si ottiene:

Esercizi sulla Programmazione Lineare. min. cx Ax b x 0

Programmazione Matematica / A.A Soluzioni di alcuni esercizi

Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte II)

x 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 =

Il metodo del simplesso

Algoritmo del simplesso

Ricerca Operativa. G. Liuzzi. Giovedí 19 Marzo Tableau del Simplesso Esempio Fase I del Simplesso Esempio

Università Ca Foscari Venezia

Problema. Sistemi lineari. Problema. Problema. Quali sono i potenziali in ogni nodo? Leggi di Kirkoff e di Ohm:

Ottimizzazione Combinatoria Totale Unimodularità

Lezioni di Ricerca Operativa

Ricerca Operativa A.A. 2007/2008

Programmazione Matematica / A.A Soluzioni di alcuni esercizi

Note per le esercitazioni di Geometria 1 a.a. 2007/08 A. Lotta. Metodi per il calcolo del rango di una matrice

2. Fissato nello spazio un punto O, consideriamo lo spazio vettoriale geometrico

Approssimazione secondo il criterio dei minimi quadrati (caso. discreto) sistema sovradeterminato m > n

APPUNTI DI CALCOLO NUMERICO

IL METODO DEL SIMPLESSO

Convergenza del Simplesso e regole anti-ciclaggio

Note per il corso di Geometria Corso di laurea in Ing. Edile/Architettura. 4 Sistemi lineari. Metodo di eliminazione di Gauss Jordan

Convergenza del Simplesso e regole anti-ciclaggio

Corso di Matematica per la Chimica

Il metodo dei Piani di Taglio (Cutting Planes Method)

ALGORITMO DEL SIMPLESSO. Una piccola introduzione. Ricerca Operativa. Prof. R. Tadei. Politecnico di Torino. Simplesso / 1.

Corso di Matematica per la Chimica

SI RICORDA CHE LE LEZIONI DI MERCOLEDÌ 5 E 12 APRILE SI TERRANNO IN AULA D3 DALLE 9 ALLE 11

2. Risolvere con il metodo di eliminazione di Gauss con pivoting parziale il seguente sistema lineare:

Teorema Data una base ammissibile B della matrice A del problema (7.3.1). Se per qualche indice i {1,...,n m} abbiamo che:

Si considera, come al solito, un problema di programmazione lineare in forma standard:

L ALGORITMO DEL SIMPLESSO REVISIONATO

Matrici triangolari [Abate, 3.2] Lezioni 05 e 06. Determinante di una matrice triangolare [Abate, es. 9.3] Matrici ridotte per righe.

2. ALGORITMO DEL SIMPLESSO

2. SIMPLESSO. Ricerca Operativa. 2 Esercizi sul simplesso. Politecnico di Torino CeTeM

Estrazione solido-liquido

LEZIONE N.7 INTRODUZIONE AI METODI DI PROGRAMMAZIONE LINEARE, IL METODO DEL SIMPLESSO. 1di 18

1 Il metodo dei tagli di Gomory

LA RETTA DI REGRESSIONE LINEARE E SISTEMI SOVRADETERMINATI

Sistemi II. Sistemi II. Elisabetta Colombo

Maturità scientifica P.N.I Q.1

5.1 Metodo Branch and Bound

Sistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara

Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso

CIRCUITI MAGNETICI GIOGO TRAFERRO COLONNA

Programmazione lineare

Motivazioni. Sistemi lineari. Obiettivo. Il problema

Programmazione Matematica Lineare

PreCorso di Matematica - PCM Corso M-Z

Richiami di Algebra Lineare

m O Esercizio (tratto dal Problema 4.29 del Mazzoldi 2)

Programmazione Matematica: V- La forma Tableau

Ricerca Operativa. Programmazione Lineare. Università Mediterranea di Reggio Calabria Decisions Lab

Si noti che la matrice trasposta A ha lo stesso determinante. Questa proprietà è generale;

MATRICI E SISTEMI LINEARI

Rango di una matrice e teorema di Rouché-Capelli

Sistemi lineari - Parte Seconda - Esercizi

Algebra lineare. Laboratorio di programmazione e calcolo CdL in Chimica. Pierluigi Amodio

Analisi II. Foglio di esercizi n.1 26/9/2018

Complementi di Matematica e Calcolo Numerico C.L. Chimica Industriale A.A

Ricerca Operativa Note su Programmazione Lineare e Metodo del Simplesso (parte II)

Matrice incidenza =

Il modello duale. Capitolo settimo. Introduzione

Potenze, logaritmi, equazioni esponenziali e logaritmiche.

Automazione I. 16 Gennaio 2015

Dualitá in Programmazione Lineare e alcune conseguenze

Ottimizzazione Combinatoria 2 Rilassamento Lagrangiano e Metodo Subgradiente

Programmazione Matematica: VI Estensioni dell algoritmo del Simplesso

Sistemi Lineari. Andrea Galasso

Note sui sistemi lineari

Metodo degli Elementi finiti: elementi monodimensionali Risoluzione di casi con più elementi

BIOLOGIA A. A CHIMICA

Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I)

x n i sima pos. x, y = x T y = x i y i R. i=1

CORSO DI LAUREA IN INGEGNERIA EDILE/ARCHITETTURA

3.6 Metodi basati sui piani di taglio

Ricerca Operativa Note su Programmazione Lineare e Metodo del Simplesso (parte III)

Introduzione alla programmazione lineare

LABORATORIO DI PROGRAMMAZIONE E CALCOLO Docente E. Carlini A.A. 2012/13 Foglio di esercizi N.8 con la collaborazione di Andrea Pugliese

Carlo Sintini, Problemi di maturità, 1965 Settembre, matematicamente.it

5.3 Metodo dei piani di taglio

min 4x 1 +x 2 +x 3 2x 1 +x 2 +2x 3 = 4 3x 1 +3x 2 +x 3 = 3 x 1 +x 2 3x 3 = 5 Innanzitutto scriviamo il problema in forma standard: x 1 x 2 +3x 3 = 5

Sistemi di equazioni lineari

5.4.5 Struttura dell algoritmo ed esempi

Geometria BAER PRIMO CANALE Foglio esercizi 1

Gestione della produzione e della supply chain Logistica distributiva. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Argomento 13 Sistemi lineari

Rette e piani nello spazio

Transcript:

Il ableau L algorito del siplesso può essere eseguito utilizzando una tabella, detta ableau, in cui vengono disposti i coefficienti della funzione obiettivo e dei vincoli. ali coefficienti sono quelli delle equazioni (5) in cui tutte le variabili sono state portate al prio ebro: xb i + yijx j = yi0 i = 0,, K, j R coeff. dell obiettivo valore dell obiettivo (soluzione corrente) noi delle variabili in base noi delle variabili fuori base xb L xb r L xb L x j L xk L x0 0 L 0 L 0 L y0j L y0k L y00 xb L 0 L 0 L yj L yk L y0 M M O M M M M M xbr 0 L L 0 L yrj L yrk L yr0 M M M O M M M M xb 0 L 0 L L yj L yk L y0 coeff. delle variabili in base valori delle variabili in base (soluzione corrente) coeff. delle variabili fuori base PL-48

L algorito del siplesso applicato al ableau. Inizializzazione. Costruire il tableau iniziale con una soluzione di base aissibile. 2. Verifica dell ottialità. Se nella riga di x 0 non esistono coefficienti negativi la soluzione corrente è ottia e l algorito terina. Altrienti andare al passo 3. 3. Scelta della variabile entrante in base. Scegliere una variabile fuori base x k tale che y 0k <0 (ad esepio, scegliere il coefficiente più piccolo), ed andare al passo 4. 4. Scelta della variabile uscente dalla base. Se tutti i coefficienti nella colonna di x k sonoy ik 0 i =,..., non esiste ottio finito e l algorito terina. Altrienti calcolare i rapporti yi0 i =,..., yik tra i coeff. dell ultia colonna con i coeff. positivi della colonna di x k, e scegliere la riga r-esia associata al rapporto più piccolo. Il coeff. y rk è il pivot. 5. Pivoting. Portare in base x k al posto di x Br dividendo la riga r-esia per il pivot, quindi sottraendo la nuova riga r alle altre righe del tableau, obiettivo incluso, dopo averla oltiplicata per il corrispondente coeff. della colonna k. In questo odo la nuova colonna k sarà forata da tutti coeff. nulli tranne il coeff. r-esio uguale ad. Scabiare i noi delle variabili x k e. Andare al passo 2. x Br PL-49

L inizializzazione dell algorito del siplesso Il problea dell inizializzazione corrisponde a verificare se il problea di PL aette soluzione, ed in caso positivo a deterinarne una. Inizializzazione con variabili di slack. Un caso seplice è quello in cui tutti i vincoli sono disuguaglianze. [ ] Ax b Ax + Is = b A I x s = b quindi si può scegliere B=I coe base iniziale, corrispondente alla soluzione aissibile xb s b x N = x = 0 In generale, tutte le volte che la atrice A contiene una atrice identica I coe inore x è possibile scegliere B=I coe base iniziale, e ettere nella base iniziale le variabili corrispondenti alle colonne di I. Metodi generali di inizializzazione. Esistono due etodi generali: a) Il etodo a due fasi ( wo-phases Method) b) Il etodo del Big-M (o delle penalità) PL-50

Il etodo a due fasi E un etodo che può essere usato per verificare l esistenza di soluzioni in un sistea di disuguaglianze. E dato il problea (P) ax x c 0 = x Ax = b x 0 I Fase (Definizione e soluzione del problea ausiliario) Si definisce un problea ausiliario (A) in z = y = yi j= Ax + Iy = b x 0 y 0 dove = M M Posto z y = var. x n var. è sepre possibile definire coe soluzione di base iniziale per (A) zb y b z N = x = 0 quindi risolvere (A) con l algorito del siplesso. PL-5

II Fase (Inizializzazione e soluzione del problea originale) Se la soluzione ottia di (A) è tale che z=0, allora nessuna variabile y i, i=,...,, è riasta in base all ottio, ed in tal caso il problea originale (P) aette soluzione. y = x Infatti, sia z la soluzione ottia di (A), con y = 0. Allora Ax + Iy = b Ax = b quindi x è anche soluzione di (P) e può essere usata coe soluzione iniziale per risolvere (P). Se invece z>0, allora qualche variabile y i, i=,...,, è riasta in base all ottio, ed assue valore positivo. In questo caso il problea originale (P) non aette soluzione. Se, infatti, fosse stato possibile deterinare un vettore x tale da soddisfare i vincoli di (P), la soluzione di (A) lo avrebbe certaente utilizzato per annullare (quindi iniizzare) l obiettivo z. PL-52

Il etodo del Big-M Con questo etodo si introducono delle variabili ausiliarie coe nel etodo a due fasi. Quindi si risolve una versione odificata del problea originale, penalizzando nella funzione obiettivo le variabili ausiliarie. E dato il problea (P) ax x c 0 = x Ax = b x 0 Si costruisce una versione odificata (P ) del problea (P) introducendo variabili ausiliarie (una variabile per vincolo) ax c x M y = c x M y Ax + Iy = b x 0 y 0 n i i i= j= = dove M M e M è un coeff. scalare tale che Posto y z = x una soluzione di base iniziale per (P ) è zb y b z N x 0 j M >> ci, b j, aij i, j PL-53

Risolvendo (P ) le variabili y j, penalizzate dai big-m nell obiettivo, sono forzate ad uscire dalla base. Se nella soluzione ottia di (P ) tutte le y j sono fuori base, si ha che y z = Ax Iy b Ax b x = 0 x + = = il vettore x è anche la soluzione ottia di (P). Rispetto al etodo a due fasi risolvere il problea (P ) equivale a risolvere il problea originale (P). PL-54