Programmazione Intera

Slides:



Advertisements
Presentazioni simili
Master Bioinformatica 2002: Grafi Problema: cammini minimi da tutti i vertici a tutti i vertici Dato un grafo pesato G =(V,E,w), trovare un cammino minimo.
Advertisements

Politecnico di Torino Tesi di Laurea
programmazione lineare: un esempio
Algoritmi e Strutture Dati Capitolo 2 Modelli di calcolo e metodologie di analisi.
RAGGIUNGIBILITA E RAGGIUNGIBILITA DEBOLE DEI SISTEMI POSITIVI A TEMPO DISCRETO Maria Elena Valcher Universita di Padova Bertinoro, Luglio 2006.
Alberi binari Definizione della struttura dati: struct tree { };
1 Esempi di consistenza sui limiti Non consistente sui limiti, considera Z=2, poi X-3Y=10 Ma il dominio qui sotto e consistente sui limiti: Confrontare.
Seminario su clustering dei dati – Parte II
Modelli e Algoritmi della Logistica
Modelli e Algoritmi per la Logistica
Modelli e Algoritmi per la Logistica
1. ( punti 7 ) Siano dati un insieme di localizzazioni potenziali (nodi grandi) ed un insieme di clienti da servire (nodi piccoli). Il costo di afferenza.
1. ( punti 7 ) Siano dati un insieme di localizzazioni potenziali (nodi grandi) ed un insieme di clienti da servire (nodi piccoli). Il costo di afferenza.
Algoritmi e Strutture Dati
Economia Applicata all’Ingegneria
Prof. Cerulli – Dott.ssa Gentili
Prof. Cerulli – Dott.ssa Gentili
Università degli Studi di Bologna
Algoritmi di classificazione e reti neurali Seminario su clustering dei dati Università Sapienza di Roma Dipartimento di ingegneria Informatica, Automatica.
Risolvere vincoli soft Francesca Rossi Giugno 2004.
Camil Demetrescu, Irene Finocchi, Giuseppe F. ItalianoAlgoritmi e strutture dati Algoritmi e Strutture Dati Capitolo 2 Modelli di calcolo e metodologie.
Progetti Regole dei progetti Due studenti per progetto Due studenti per progetto Lavoro indipendente, con coordinamento per mettere insieme le due.
Grafi: rappresentazione e visita
Università degli Studi di Cagliari FACOLTA’ DI INGEGNERIA
Modelli e Algoritmi per la Logistica Lezione – 7 Pianificazione degli Investimenti ANTONIO SASSANO Università di Roma“La Sapienza” Dipartimento di Informatica.
Programmazione lineare: un esempio Mix produttivo ottimo con risorse vincolate Materiale di studio: M. Fischetti, Lezioni di RO, Cap. 3. Libreria Progetto.
Programmazione Lineare INTERA Fischetti Cap 5, Potenzialità espressive delle variabili binarie Linearizzazione di espressioni non lineari Branch and Bound.
Un sistema di sicurezza dei dati.  La crittografia, il cui termine indica "nascosto", è la branca della crittologia che tratta delle "scritture nascoste",
Dualità in Programmazione Lineare Cap 4 Fischetti pg
Programmazione lineare: un esempio Mix produttivo ottimo con risorse vincolate Materiale di studio: M. Fischetti, Lezioni di RO, Cap. 3. Libreria Progetto.
La seguente matrice è una matrice delle distanze di un’istanza del problema del Commesso Viaggiatore. Calcolare un lower bound per il valore del ciclo.
Punto di massimo, minimo relativo e assoluto
Endogenous restricted participation
Il Piano Cartesiano seconda parte.
LA RETTA SUL PIANO CARTESIANO
Branch and Bound Lezione n°19 Prof.ssa Rossella Petreschi
Endogenous restricted participation
Algoritmi e Strutture dati a.a.2010/2011 Prof.ssa Rossella Petreschi
Il simplesso in forma tabellare
La circonferenza, il cerchio, e
Programmazione Lineare INTERA II … continua
Branch and Bound Lezione n°14 Prof.ssa Rossella Petreschi
per l’economia e la finanza Prof.ssa Cristiana Mammana
Coseno di un angolo.
Algoritmi Avanzati a.a.2014/2015 Prof.ssa Rossella Petreschi
Algoritmi Avanzati a.a.2013/2014 Prof.ssa Rossella Petreschi
Lezione n°17 Prof.ssa Rossella Petreschi
Funzioni crescenti e funzioni decrescenti
programmazione lineare
Programmazione Bilivello
Geometria Euclidea Euclide è noto soprattutto come autore degli Elementi, la più importante opera di geometria dell'antichità; tuttavia di lui si sa pochissimo.
Programmazione Bilivello
Algoritmi e Strutture Dati
Il modello duale.
Parabola a cura Prof sa A. SIA.
Ricerca Operativa 3a parte
Lezione n°18 Prof.ssa Rossella Petreschi
Principali Algoritmi di Scheduling
Ricerca Operativa 1a De Luca Cardillo Dorotea
Programmazione Dinamica: tecnica risolutiva che conduce all’ottimo, non fornisce algoritmi risolutivi generali. Stadi: fasi in cui il problema è scomposto.
Branch and Bound Lezione n°18 Prof.ssa Rossella Petreschi
Esempi e definizioni per modelli di Programmazione Lineare 1a parte marzo /01/2019.
Dualità a.a /01/2019.
Ricerca Operativa 2a parte
Schema generale, visita in ampiezza e profondità.
Algoritmi Avanzati a.a.2011/2012 Prof.ssa Rossella Petreschi
Interpretazione Astratta
Algoritmi Avanzati Prof.ssa Rossella Petreschi
Grafi e problem solving
Utilità ordinale in 3D U Y X utilità UC UA UB XB YB XC YA YC XA B
Transcript della presentazione:

Programmazione Intera

Poliedro P e insieme X dei punti interi Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1 , x2  0 interi f.o. B Vertice ottimo continuo Punto ottimo intero D A z = 23.89 P z = 20 C

Formulazioni equivalenti e nocciolo convesso Vertice ottimo continuo Punto ottimo intero P x1 x2 P = {x  0 : Ax  b} P^ = {x  0 : A^x  b^} P' P^ Nocciolo convesso

Piano di taglio Tx  b0 1) Tx*  b0 2) Tx  b0  x  S f.o. x2 x*

Piano di taglio Tx  b0 1) Tx*  b0 2) Tx  b0  x  S f.o. x2 x* P

Piano di taglio Tx  b0 1) Tx*  b0 2) Tx  b0  x  S x2 x* f.o. P

Piano di taglio Tx  b0 1) Tx*  b0 2) Tx  b0  x  S x2 x* f.o. P

Piano di taglio Tx  b0 1) Tx*  b0 2) Tx  b0  x  S x2 x* f.o. P

Piano di taglio Tx  b0 1) Tx*  b0 2) Tx  b0  x  S x2 x* f.o. P

Albero delle soluzioni Insieme delle soluzioni S0 Sottoinsieme S1 Sottoinsieme S2

Albero di ricerca best-first 1 S1 S2 2 3 S12 S11 4 5 S121 S122 6

Albero di ricerca depth-first Insieme S0 Sottoinsieme S1 Sottoinsieme S11 Sottoinsieme S111

Albero di ricerca depth-first 1 S1 S2 6 2 S11 S12 5 3 S111 4 S112

Un problema di P.L. intera x1 x2 z Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1 , x2  0 interi P z*c = 23.89 x*1 = 4.51 x*2 = 4.95 (S1) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x1 , x2 interi (S2) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  5 x1 , x2 interi

Sottoinsiemi S1 e S2 esaminati dall’algoritmo Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x1 , x2 interi (S2) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  5 x1 , x2 interi x1 x2 P S1 z x1 x2 P S2 z

Sottoinsiemi S1 e S2 esaminati dall’algoritmo Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x1 , x2 interi (S2) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  5 x1 , x2 interi (S1) x1* = 4 x2* = 4.73 z* = 22.2 (S2) x1* = 5 x2* = 3.3 z* = 20.0 x1 x2 P S2 S1 z 4.7 3.3

Sottoinsiemi S11 e S12 esaminati dall’algoritmo (S1) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x1 , x2 interi x1 x2 P S11 4 z (S11) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x2  4 x1 , x2 interi (S12) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x2  5 x1 , x2 interi

Sottoinsiemi S11 e S12 esaminati dall’algoritmo Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x2  4 x1 , x2 interi (S12) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x2  5 x1 , x2 interi (S11) x1* = 4 x2* = 4 z* = 20 (S12) Non ammette soluzioni ammissibili perché il suo dominio di definizione è vuoto x1 x2 P S11 4 z 5 4

La soluzione di S11 è soluzione del problema generale (S11) Max z = 2x1 + 3x2 s.a  1.3x1 + 3x2  9 3x1 + 0.9x2  18 x1  4 x2  4 x1 , x2 interi x1 x2 P S11 z (S11) x1 = 4 x2 = 4 z = 20 Il valore di z diventa il limite inferiore della f.o. del problema intero originario. z = 20 LI = 20

Albero delle soluzioni generato dall’algoritmo Branch and Bound LS = 23.89 LS = 22.2 S1 S2 LS = 20.0 = LS = 20.0 S11 S12 Soluzione ammissibile = LI = 20.0

Problema dello zaino (Knapsack problem) Parametri di ingresso:  ·      il vettore dei pesi dei prodotti p = ( p1,..., pn) ·      il vettore dei valori unitari dei prodotti v = (v1,..., vn) ·      il vettore delle disponibilità n = (n1,..., nn) ·      il parametro di peso massimo b b  pj, j = 1, …, n Il modello generale: Max z =  j = 1, n vj xj s.a  j = 1, n pj xj  b xj  nj j = 1,…, n xj  0 intero j = 1,…, n

Problema dello zaino binario Il modello generale: Max z =  j = 1, n vj xj s.a  j = 1, n pj xj  b xj  nj j = 1,…, n xj  0 intero j = 1,…, n Il modello dello Zaino binario: Max z =  j = 1, n vj xj s.a  j = 1, n pj xj  b xj  {0, 1} j = 1,…, n

Problema dello zaino binario Un esempio Il modello dello Zaino binario: Max z =  j = 1, n vj xj s.a  j = 1, n pj xj  b xj  {0, 1} j = 1,…, n Il modello: Max z = 32xA + 36xB +15xC +20xD + 5xE s.a 16xA + 9xB + 5xC + 8xD + 5xE  32 xA, xB, xC, xD, xE = 0/1

Problema dello zaino binario Un esempio Il modello: Max z = 32xA + 36xB +15xC +20xD + 5xE s.a 16xA + 9xB + 5xC + 8xD + 5xE  32 xA, xB, xC, xD, xE = 0/1 Valore Peso Valore/peso A B C D E Peso Valore Valore/peso B 36 9 4 C 15 5 3 D 20 8 2.5 A 32 16 2 E 1 32 16 2 36 9 4 15 5 3 20 8 2.5 5 5 1

Problema dello zaino binario Un esempio LS = 91 z = 76 S1 xA = 0 S2 xA = 1 LS= 88 Soluzione intera = LS= 85 S21 xD = 0 S22 xD = 1 LS= 84 z = 83 S211 xE = 0 LS= 79 S212 xE = 1 LS= 70 S221 xB = 0 S222 xB = 1 Soluzione intera = LS < zc = LS < zc = Problema inammissibile =