) a j x j b; x j binarne (j N) całkowitoliczbowe; przyjmujemy (bez straty ogólności): c j > 0, 0 <a j b (j N), P n

Podobne dokumenty
Programowanie liniowe całkowitoliczbowe. Tadeusz Trzaskalik

etody programowania całkowitoliczboweg

zadaniem programowania liniowego całkowitoliczbowego. nazywamy zadaniem programowania liniowego 0-1. Zatem, w

5. Rozwiązywanie układów równań liniowych

Układy równań liniowych

Programowanie liniowe całkowitoliczbowe

Standardowe zadanie programowania liniowego. Gliwice 1

Algorytmy i struktury danych.

Kolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

METODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?

PROGRAMOWANIE KWADRATOWE

Wykład 5. Metoda eliminacji Gaussa

Metody teorii gier. ALP520 - Wykład z Algorytmów Probabilistycznych p.2

Metoda graficzna może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład):

Programowanie liniowe

Programowanie nieliniowe

OPTYMALIZACJA DYSKRETNA

Zagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka

Obliczenia naukowe Wykład nr 8

Algorytm simplex i dualność

Programowanie liniowe metoda sympleks

Elementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe

Badania operacyjne. te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze.

Rozwiązywanie układów równań liniowych

PROGRAMOWANIE NIELINIOWE

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Programowanie matematyczne

[1] E. M. Reingold, J. Nievergelt, N. Deo Algorytmy kombinatoryczne PWN, 1985.

Wykład z modelowania matematycznego. Zagadnienie transportowe.

Programowanie liniowe metoda sympleks

Zaawansowane metody numeryczne

Elementy Modelowania Matematycznego

Aproksymacja. j<k. L 2 p[a, b] l 2 p,n X = Lemat 1. Wielomiany ortogonalne P 0,P 1,...,P n tworza przestrzeni liniowej Π n. Dowód.

1 Układy równań liniowych

Wstęp do metod numerycznych Eliminacja Gaussa Równania macierzowe. P. F. Góra

Programowanie liniowe całkowitoliczbowe

Temat: Algorytmy zachłanne

Wykład na Politechnice Krakowskiej w dniu 18 stycznia 2012 r. ZADAŃ I ALGORYTMÓW W OPTYMALIZACJI DYSKRETNEJ

Układy równań i nierówności liniowych

Dualność w programowaniu liniowym

Programowanie liniowe metoda sympleks

Wykład 6. Metoda eliminacji Gaussa: Eliminacja z wyborem częściowym Eliminacja z wyborem pełnym

Jeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze,

Zaawansowane metody numeryczne

Zagadnienie transportowe

Metody Rozmyte i Algorytmy Ewolucyjne

1 Programowanie całkowitoliczbowe PLC

Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE

1 Macierze i wyznaczniki

Badania operacyjne egzamin

Modele całkowitoliczbowe zagadnienia komiwojażera (TSP)

Macierze. Rozdział Działania na macierzach

Programowanie liniowe

EGZAMIN - Wersja A. ALGORYTMY I STRUKTURY DANYCH Lisek89 opracowanie kartki od Pani dr E. Koszelew

Analiza numeryczna Lista nr 3 (ćwiczenia) x x 2 n x.

ZADANIA OPTYMALIZCJI BEZ OGRANICZEŃ

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

ZAGADNIENIE TRANSPORTOWE

Wstęp do metod numerycznych Eliminacja Gaussa Faktoryzacja LU. P. F. Góra

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra

Programowanie liniowe

Obliczenia iteracyjne

Programowanie dynamiczne i algorytmy zachłanne

1 Zbiory i działania na zbiorach.

Wstęp do metod numerycznych SVD, metody iteracyjne i metoda gradientów. P. F. Góra

Wprowadzenie do badań operacyjnych - wykład 2 i 3

OPTYMALIZACJA W LOGISTYCE

SVM: Maszyny Wektorów Podpieraja cych

PROGRAMOWANIE SIECIOWE. METODA ŚCIEŻKI KRYTYCZNEJ

WYKORZYSTANIE NARZĘDZIA Solver DO ROZWIĄZYWANIA ZAGADNIEŃ TRANSPORTOWYCH Z KRYTERIUM KOSZTÓW

Niesimpleksowe metody rozwia zywania zadań PL. Seminarium Szkoleniowe Edyta Mrówka

Elementy Modelowania Matematycznego

Wstęp do metod numerycznych Metody iteracyjne i metoda gradientów. P. F. Góra

Wstęp do metod numerycznych Eliminacja Gaussa i faktoryzacja LU. P. F. Góra

Sieć (graf skierowany)

UKŁADY ALGEBRAICZNYCH RÓWNAŃ LINIOWYCH

TEORETYCZNE PODSTAWY INFORMATYKI

Wstęp do metod numerycznych Faktoryzacja QR i SVD. P. F. Góra

Rozdział 5. Macierze. a 11 a a 1m a 21 a a 2m... a n1 a n2... a nm

Rozwiązanie Ad 1. Model zadania jest następujący:

(Dantzig G. B. (1963))

Rozdział 1 PROGRAMOWANIE LINIOWE

Modelowanie całkowitoliczbowe

Programowanie liniowe

Struktury danych i złożoność obliczeniowa Wykład 7. Prof. dr hab. inż. Jan Magott

c j x x

doc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.

OSTASZEWSKI Paweł (55566) PAWLICKI Piotr (55567) Algorytmy i Struktury Danych PIŁA

Wstęp do metod numerycznych Algebraiczna metoda gradientów sprzężonych. P. F. Góra

Algebra liniowa. Macierze i układy równań liniowych

Analiza numeryczna Kurs INP002009W. Wykłady 6 i 7 Rozwiązywanie układów równań liniowych. Karol Tarnowski A-1 p.

Algorytmy i struktury danych. Co dziś? Tytułem przypomnienia metoda dziel i zwyciężaj. Wykład VIII Elementarne techniki algorytmiczne

1 Macierz odwrotna metoda operacji elementarnych

Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych. Piotr Kaczyński. Badania Operacyjne

Laboratorium Metod Optymalizacji

Metody Ilościowe w Socjologii

Zastosowania wyznaczników

[1] R. K. Ahuja, T. L. Magnanti, J. B. Orlin, Network Flows: Theory, Algorithms, and Applications, Prentice Hall, 1993.

Transkrypt:

PDczęść4 8. Zagadnienia załadunku 8.1 Klasyczne zagadnienia załadunku (ozn. N = {1, 2,..., n} Binarny problem ( (Z v(z =max c j x j : a j x j b; x j binarne (j N zakładamy, że wszystkie dane sa całkowitoliczbowe; przyjmujemy (bez straty ogólności: c j > 0, 0 <a j b (j N, P n a j >b. algorytm zachłanny: x j =1 gdy a j b P j 1 k=1 a kx k ; x j =0 wpp. relaksacja liniowa ( i relaksacja Lagrange a: (Z v(z =max c j x j : a j x j b,0 x j 1(j N ( Ã! (L u v(l u =max c j x j + u b a j x j : x j binarne (j N, u 0 c n Tw. Jeżeli uporzadkujemy... c 2 c 1, to x =(1,..., 1,x p, 0,..., 0, ³ a n a 2 a 1 gdzie x p = b P p 1 a j /a p (0 < x p 1 - zmienna ułamkowa, jest optymalnym rozwiazaniem Z. Wyznaczenie x wymaga O(n operacji; uwaga: uporzadkowanie wielkości c j /a j wymaga O(n log n porównań Całkowitoliczbowy problem (ZC ( v(zc=max c j x j : ( kx ozn. v k (y =max c j x j : zależności rekurencyjne: a j x j b; x j 0 całk. (j N kx a j x j y, x j 0 całk. dla j =1,..., k I : v k (y = max {c kx k + v k 1 (y a k x k } (k =1,..., n; y =0, 1,...,b x k =0,1,...[y/a k ] II : v k (y =max{v k 1 (y; c k + v k (y a k,a k y} (k =1,...,n; y =0, 1,..., b warunki poczatkowe: v 0 (y =0dla y =0, 1,..., b Zależność I wyraża zasadę programowania dymanicznego: odpowiedźnapytanie,jakijest optymalny załadunek, można udzielić wn etapach; na każdym etapie należy podejmować optymalna decyzję. Aby rozwiazać ZC, tj. obliczyć v n (b, trzebawykonać O(nb porównań idodawań. 1

8.2 Zagadnienia załadunku z separacja Problemy te polegaja na rozmieszczeniu ładunków w dostępnych pomieszczeniach z uwzględnieniem ograniczeń wynikajacych z wymagań separacji, tzn. konieczności fizycznego oddzielenia ładunków. Klasyczny problem Klasyczny problem załadunku separowalnego polega na określeniu optymalnego rozmieszczenia produktów w dostępnych przedziałach w ten sposób, aby w dowolnym pomieszczeniu znajdował się conajwyżej jeden rodzaj produktu. Zakładamy, że znane sa: niezbędne przestrzenie do załadowania określonych produktów, pojemność poszczególnych pomieszczeń oraz koszty przechowywania produktów w tych pomieszczeniach. m - liczba ładunków; n - liczba pomieszczeń; M = {1,..., m},n = {1,..., n} ; a i -niezbędna przestrzeń do załadowania dostępnej wielkości i-tego towaru (i M; a i 0; b j -pojemność j-tego pomieszczenia (j N; b j 0; c i,j - jednostkowy zysk z umieszczenia i-tego towaru w j-tym pomieszczeniu (i M,j N; c i,j 0; Model klasycznego problemu Z max dla i M oraz j N c i,j x i,j (1 x i,j a i (1a; x i,j b j y i,j (1b; y i,j 1 (1c x i,j 0 - ilość i-tego ładunku umieszczonego w j-tym pomieszczeniu; y i,j - zmienna binarna; y i,j =1gdy x i,j > 0, y i,j =0gdy x i,j =0. Problem Z(Y - problem załadunku zredukowany do (1, (1a oraz (1b, gdzie Y =[y i,j ] m n jest tablicabinarn a spełniajac a warunek (1c. Problem dualny DZ(Y : " X m υ(dz(y = min a i u i + (b j y i,j w i,j u i + w i,j c i,j dla i M oraz j N; u i 0,w i,j 0 - zmienne dualne odpowiadajace ograniczeniom (1a oraz (1b. Problem DZ(Y jest separowalny względem i M ;można zdekomponować gonapod- problemy DZ i (Y : " min a i u i + (b j y i,j w i,j 2

u i + w i,j c i,j dla j N; u i 0,w i,j 0. Powyższe ograniczenia zapiszemy w postaci u i + w i,j s i,j = c i,j dla j N, gdzie s i,j 0 inastępnie jako układ u i + w i,1 s i,1 = c i,1 w i,j + w i,j+1 + s i,j s i,j+1 = c i,j+1 c i,j dla j =1,..., n 1, u i w i,n + s i,n = c i,n Ponieważ każda zmienna występuje dokładnie w dwóch równaniach z przeciwnymi znakami, układ ten reprezentuje macierz incydencji pewnej sieci skierowanej. Do rozwiazania podproblemów DZ i (Y można zaadaptować algorytm rozwiazuj acy problem najtańszego przepływu wnastępujacej sieci skierowanej. Metoda mnożników Lagrange a Zdefiniujemy relaksację Lagrange alz(λ dla problemu Z, właczaj ac trudne ograniczenia (1c do funkcji celu: " m! X υ(lz(λ = max c i,j x i,j + λ j Ã1 y i,j, x i,j a i oraz x i,j b j y i,j dla i M, j N; zmienne: x i,j 0, y i,j {0, 1} ; λ =(λ 1,..., λ n 0 -mnożniki Lagrange a. Oczywiście υ(z υ(lz(λ dla wszystkich λ 0. Problem LZ(λ jest separowalny względem i M ;można zdekomponować gonapod- problemy LZ i (λ : " υ(lz i (λ = max c i,j x i,j λ j y i,j, x i,j a i oraz x i,j b j y i,j dla j N; x i,j 0, y i,j {0, 1}. 3

Mamy υ(lz(λ = υ(lz i (λ + λ j. Problem LZ i (λ jest równoważny następujacemu nieliniowemu problemowi ZN i (λ : ½ 0 jeżeli x υ(zn i (λ = max d i,j (x i,j, d i,j (x i,j = i,j =0 c i,j x i,j λ j jeżeli x i,j > 0 x i,j a i oraz x i,j b j dla j N; x i,j 0. ZN i (λ jest problemem załadunku (bez separacji z kosztem progowym. Opracowano efektywny algorytm rozwiazywania tego problemu. Zatem relaksacja Lagrange a LZ(λ może być użyta do określenia górnego oszacowania optymalnej wartości funkcji celu problemu Z. Zmodyfikowany problem Problem ten uzyskuje się z klasycznego problemu poprzez modyfikację ograniczeń zwiazanych zseparacj a ładunków. Separacja ta opisana jest za pomoca macierzy binarnej S =[s i,k ] m m : s i,k =0- i-ty produkt może być umieszczony razem z k-tym; s i,k =1- i-ty produkt nie może być umieszczony razem z k-tym; macierz S jest symetryczna, a elementy na głównej przekatnej sa równe zero; Model zmodyfikowanego problemu max c i,j x i,j x i,j a i dla i M; x i,j b j dla j N; x i,j x k,j s i,k =0 dla i, k M (i 6= k, j N; Można zrezygnować zograniczeń nieliniowych poprzez wprowadzenie zmiennych binarnych y i,j (i M, j N: s i,k (y i,j + y k,j 1 dla i M; k = i +1,..., m; j N. 4

Metoda dekompozycji Bendersa (klasyczny problem Krok 0 (Start Start z dowolnego dopuszczalnego rozwiazania problemu dualnego DZ(Y, gdzie Y =0(zerowa tablica. Rozwiazanie w postaci: u i =0oraz w ij = c ij jest dopuszczalnym startowym rozwiazaniem. Krok 1 (Faza programowania dyskretnego Rozwiaż problem: max z z a i u i (b j w ij y ij 0 y ij 1 dla j =1, 2,..., n Zmiennymi w tym problemie sa z oraz y ij (zmienne binarne, natomiast w ij oraz u i sa stałe (przyjęte w kroku 0. Niech z oraz Y =[yij] będaoptymalnymrozwi azaniem ww problemu. Krok 2 (Faza programowania liniowego Rozwiaż problemdualnydz(y dla obliczonych w kroku 1 elementów y ij = yij. Zmiennymi w tym problemie sa u i oraz w ij. Niech u i oraz wij będa optymalnym rozwiazaniem ww problemu. Krok 3 (Test stopu Jeżeli z v(dz(y, tozakończ obliczenia (przy pomocy yij wyznacz optymalne rozwiazanie x ij. W przeciwnym przypadku przejdźdokroku1dodaj ac do ograniczeń problemu dyskretnego nierówność z a i u i (b j wijy ij 0. 5