Algoritmi euristici: III Ricerca Locale

Documenti analoghi
4. ALGORITMI GREEDY. cambia-monete scheduling a minimo il ritardo. Il problema del cambia-monete. Proprietà di una soluzione ottima

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

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

6. Catene di Markov a tempo continuo (CMTC)

{ 1, 2,..., n} Elementi di teoria dei giochi. Giovanni Di Bartolomeo Università degli Studi di Teramo

CAPITOLO IV CENNI SULLE MACCHINE SEQUENZIALI

Intorduzione alla teoria delle Catene di Markov

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Ricerca Operativa e Logistica Dott. F.Carrabs e Dott.ssa M.Gentili. Modelli per la Logistica: Single Flow One Level Model Multi Flow Two Level Model

Modelli decisionali su grafi - Problemi di Localizzazione

Esercizio. Alcuni esercizi su algoritmi e programmazione. Schema a blocchi. Calcolo massimo, minimo e media

4.6 Dualità in Programmazione Lineare

* * * Nota inerente il calcolo della concentrazione rappresentativa della sorgente. Aprile 2006 RL/SUO-TEC 166/2006 1

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività

Circuiti elettrici in regime stazionario

La retroazione negli amplificatori

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

Geometria molecolare con distanze Euclidee

Introduzione al Machine Learning

Strutture deformabili torsionalmente: analisi in FaTA-E

RICHIAMI SULLA RAPPRESENTAZIONE IN COMPLEMENTO A 2

MODELLISTICA SIMULAZIONE. Appunti sul corso di. tenuto dal Prof. Balestrino e dall Ing. Caiti nell A.A. 1996/97

IL GRUPPO SIMMETRICO S n

Integrazione numerica dell equazione del moto per un sistema lineare viscoso a un grado di libertà. Prof. Adolfo Santini - Dinamica delle Strutture 1

Metodi di Ottimizzazione mod. Modelli per la pianificazione delle attività

Dipartimento di Statistica Università di Bologna. Matematica finanziaria aa Lezione 1: Martedì 17/2/2015

Il traffico è un gioco?

Calibrazione. Lo strumento idealizzato

Il Ministro delle Infrastrutture e dei Trasporti

Apprendimento Automatico e IR: introduzione al Machine Learning

INTRODUZIONE ALL ESPERIENZA 4: STUDIO DELLA POLARIZZAZIONE MEDIANTE LAMINE DI RITARDO

INDAGINE ESAUSTIVA O CAMPIONARIA?

Variabili statistiche - Sommario

Generalità. Problema: soluzione di una equazione differenziale alle derivate ordinarie di ordine n: ( )

COMPORTAMENTO DINAMICO DI ASSI E ALBERI

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Corso di laurea in Economia marittima e dei trasporti

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Potenzialità degli impianti

Il modello markoviano per la rappresentazione del Sistema Bonus Malus. Prof. Cerchiara Rocco Roberto. Materiale e Riferimenti

InfoCenter Product A PLM Application

Ottimizzazione nella gestione dei progetti Capitolo 6 Project Scheduling con vincoli sulle risorse CARLO MANNINO

Scelta dell Ubicazione. di un Impianto Industriale. Corso di Progettazione Impianti Industriali Prof. Sergio Cavalieri

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita

Il dimensionamento dei sistemi di fabbricazione

Algebra Sia A un anello commutativo. Si ricorda che in un anello commutativo vale il teorema binomiale, cioè. (a + b) n = a i b n i i.

Studio grafico-analitico di una funzioni reale in una variabile reale

I generatori dipendenti o pilotati e gli amplificatori operazionali

Linguaggio C. funzioni e procedure. Università degli Studi di Brescia. Docente: Massimiliano Giacomin

GURU. Facebook. Gli strumenti avanzati di Facebook ADS WEBLIME

IL RUMORE NEGLI AMPLIFICATORI

FORMAZIONE ALPHAITALIA

Individuazione di linee e curve. Minimi quadrati. Visione e Percezione. Model fitting: algoritmi per trovare le linee. a = vettore dei parametri

STATISTICA DESCRITTIVA CON EXCEL

Strumenti della Teoria dei Giochi per l Informatica A.A. 2009/10. Lecture 10: 6-7 Maggio Meccanismi con Pagamenti: Applicazioni e Limiti

2.4 Tecniche e algoritmi di riuso statico

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc /2007

- Riproduzione riservata - 1

IMPIANTI DI DISTRIBUZIONE

I materiali ferromagnetici sono fortemente non lineari a causa dell'insorgere di fenomeni di saturazione e degli effetti isteretici.

5. Baricentro di sezioni composte

STATO LIMITE ULTIMO DI INSTABILITA

CORRETTA RAPPRESENTAZIONE DI UN RISULTATO: LE CIFRE SIGNIFICATIVE

POR FESR Sardegna Asse VI Competitività BANDO PUBBLICO. Voucher Startup Incentivi per la competitività delle Startup innovative

V n. =, e se esiste, il lim An

Corso di Economia Applicata

Ministero dell Ambiente e della Tutela del Territorio e del Mare MANUALE OPERATIVO PER IL SISTEMA DI MISURAZIONE E VALUTAZIONE DEL PERSONALE

Misure Topografiche Tradizionali

METODI BAYESIANI PER IL CONTROLLO STATISTICO DI QUALITA

Il campionamento casuale semplice

I SINDACATI E LA CONTRATTAZIONE COLLETTIVA. Il ruolo economico del sindacato in concorrenza imperfetta, in cui:

Ricerca di radici di equazioni non lineari

Manuale di istruzioni Manual de Instruções Millimar C1208 /C 1216

Luciano Battaia. Versione del 22 febbraio L.Battaia. Condensatori e resistenze

LA CALIBRAZIONE NELL ANALISI STRUMENTALE

Il Ministro delle Infrastrutture e dei Trasporti

Soluzioni per lo scarico dati da tachigrafo innovativi e facili da usare.

Fotogrammetria. O centro di presa. fig.1 Geometria della presa fotogrammetrica

PROGRAMMAZIONE DIDATTICA

Competizione di prezzo. Cles a.a

Corso di laurea in Ingegneria per l Ambiente e il Territorio a.a RETI TOPOGRAFICHE

Leggere i dati da file

Tutti gli strumenti vanno tarati

Campo di applicazione

Rappresentazione dei numeri PH. 3.1, 3.2, 3.3

Grafi ed equazioni topologiche

Statistica descrittiva

Ettore Limoli. Lezioni di Matematica Prof. Ettore Limoli. Sommario. Calcoli di regressione

STATISTICA DESCRITTIVA - SCHEDA N. 5 REGRESSIONE LINEARE

Newsletter "Lean Production" Autore: Dott. Silvio Marzo

La regressione. La Regressione. La Regressione. min. min. Var X. X Variabile indipendente (data) Y Variabile dipendente

Condensatori e resistenze

Markov Random Field. Teoria e applicabilità nell elaborazione delle immagini. Giovanni Bianco. Febbraio i

Economia del turismo

Il patrimonio informativo aziendale come supporto alle attività di marketing

AVVISO PUBBLICO Costituzione di short list: Servizio di pulizie presso l Istituto di Ricerca Biogem s.c.ar.l. Via Camporeale, Ariano Irpino (AV)

Questo è il secondo di una serie di articoli, di

Costruzioni in c.a. Metodi di analisi

Transcript:

Algortm eurstc: III Rcerca Locale Danele Vgo D.E.I.S. - Unverstà d Bologna dvgo@des.unbo.t rev. 1.0 - dcembre 2003 Algortm d Rcerca Locale partono da una soluzone (ammssble) cercano teratvamente d mglorarla effettuando semplc modfce della soluzone corrente (mosse) (ad esempo scamb tra element n soluzone e non) Termnano quando non esstono pù modfce del tpo prescelto n grado d mglorare la soluzone corrente n nglese dett Local Searc algortms Eurst.2

Algortm d Rcerca Locale (2) Es. KP-01, z = Σ p x, e W = Σ w x tp d mosse: 1. Inserzone: Se esste un oggetto non n soluzone ce può sessere nserto, nsersclo nello zano 2. Scambo 1-1: Se esste una coppa d oggett d cu l prmo sa n soluzone ed l secondo no, scambal tra loro 3. Scambo 1-2: dem, ma con una terna d oggett d cu l prmo sa n soluzone e gl altr no Eurst.3 Algortm d Rcerca Locale (3) S può esegure: l prmo scambo mglorante (frst mprovement) l mglore tra quell ammssbl (best mprovement) L nseme delle soluzon ottenbl dalla soluzone corrente con un tpo d mossa s cama ntorno (negborood) Eurst.4

Negborood Functon Dato un problema d ottmzzazone P = ( f, S ) S nseme soluzon ammssbl d P f : S R funzone obettvo S* nseme delle soluzon ottme Negborood, (Intorno, Vcnato): N : S 2 S ce S defnsce N() S nseme delle soluzon prossme ad In generale s assume ce N(), S Gl algortm Local Searc cercano d mglorare una soluzone esplorandone un Negborood Eurst.5 Iteratve Improvement Algortm Algortmo base Local Searc (a dscesa semplce) Versone Frst Improvement Procedure FI_Smple_Descent (s) /*s S sol. nzale*/ Trovata := TRUE ; wle Trovata = TRUE do Trovata := FALSE ; for eac s' N (s) do f f (s') < f (s) ten s := s' ; Trovata = TRUE ; break; end wle; return (s); Eurst.6

Iteratve Improvement Algortm (2) Converge ad un ottmo locale s rspetto ad N( ) ossa una soluzone s : f (s) f () N(s) versone Best Improvement Procedure BI_Smple_Descent (s) Trovata := TRUE ; wle Trovata = TRUE do Trovata := FALSE ; s_best = s; for eac s' N (s) do f f (s') < f (s_best) ten s_best = s f s_best < > s ten s := s_best ; Trovata = TRUE ; end wle; return (s); Eurst.7 Iteratve Improvement Algortm (3) N(s) := cardnaltà del Negborood Ogn terazone dell algortmo rcede tempo: O( N(s) * tempo necessaro a valutare f(s) ) Il numero d terazon necessare a raggungere l ottmo locale può essere molto elevato Eurst.8

Algortm Local Searc Applcabltà molto generale Flessbltà rspetto a modfce del problema Rcedono : Valutatore d una soluzone (Funzone obettvo) Verfca d ammssbltà d una soluzone Negborood functon Tecnca d esplorazone effcente del Negborood S possono applcare ance quando la soluzone non è ammssble f.ob. LS = f.ob. + penaltà * volazone de vncol Eurst.9 Algortm Local Searc (2) Problema centrale: Defnzone del Negborood Fortemente dpendente dal problema Non esstono regole general Obettvo: costrure Negborood Functons ce conducano a soluzon d elevata qualtà Dato un problema è possble defnre dvers tp d Negborood Functons Es. KP-01: nserzone, scambo 1-1, scambo 1-2 Eurst.10

Negborood Basat su Scamb (excange negboroods) Classe molto generale: S applcano quando la soluzone è una sequenza (TSP) o una partzone (KP) Es. KP-01, z = Σ p x, e W = Σ w x 1. Inserzone: Se esste un oggetto : x = 0 e W + w K, pon x = 1 ed aggorna z e W Valutazone della soluzone: tempo costante O(1) N (s) = O(n) Tempo per una terazone: O(n) Eurst.11 Negborood Basat su Scamb (2) 2. Scambo 1-1: Se esste una coppa (, ): x = 1 e x = 0 e con p p, w w (con Greedy ma verfcato) pon x = 0 e x = 1 ed aggorna z e W Valutazone della soluzone: tempo costante O(1) N (s) = O(n 2 ) = Tempo per una terazone 3. Scambo 1-2: Se esste una terna (,, ): x = 1 e x = x = 0 e p < p + p, W w + w + w K pon x = 0 e x = x = 1 ed aggorna z e W Valutazone della soluzone: tempo costante O(1) N (s) = O(n 3 ) = Tempo per una terazone Eurst.12

Scamb per TSP Data una soluzone s questa può essere descrtta medante l vettore de successor σ() := successore vertce nella soluzone 1 3 2 4 5 6 1 2 3 4 5 6 σ() 2 4 1 6 3 5 π() 3 1 5 2 6 4 Se la soluzone è orentata s possono defnre: π () := predecessore vertce nella soluzone S not ce π (σ ()) = σ (π ()) = Eurst.13 Scamb per TSP (2) s rmuovono k arc da s e s sosttuscono con k arc precedentemente non n s. k = 2 σ() σ() σ() 1. s rmuovono gl arc (,σ()) e (,σ()) 2. s nserscono gl arc (, ) e (σ(),σ()) σ() costo nuova sol. γ = c, + c σ(),σ() - c ι,σ() - c,σ() N(s) = O(n 2 ), valutazone n O(1) Eurst.14

Scamb per TSP (3) Se problema orentato (ATSP) per rottenere una soluzone ammssble vanno nvertt tutt gl arc tra e σ() σ() σ() γ = c, + c σ(),σ() - c ι,σ() - c,σ() + c, - c, per ogn arco nvertto valutazone n O(n) (s può fare n tempo costante) σ() σ() Eurst.15 Scamb per TSP (3) k = 3 σ() σ() σ() s può rcombnare n 4 mod dvers σ() N(s) = O(n 3 ), valutazone n O(1) Eurst.16

Scamb per TSP (4) σ() σ() σ() σ() σ() σ() σ() σ() Eurst.17 Scamb Or-opt Caso specale d 3-opt s consderano gl scamb n cu un gruppo d vertc consecutv (1 3) s nsersce tra 2 vertc adacent O(n²) scamb per tpo σ() σ() =σ() =σ() Eurst.18

Mglorament La qualtà dell ottmo locale raggunto dpende dalla soluzone nzale e dal negborood usato Tecnca Mult-Start s_best := + ; repeat Genera una soluzone s (dversa ad ogn terazone); s' = Smple_Descent(s); /* o BI_Smple_Descent(s) */ f f (s') < f (s_best) ten s_best := s'; untl (crtero d arresto) /*nº terazon, tempo massmo*/ S può usare un dverso N( ) ad ogn terazone Eurst.19