...

Disuguaglianze di tipo cover

by user

on
Category: Documents
0

views

Report

Comments

Transcript

Disuguaglianze di tipo cover
Metodi e Modelli per l’Ottimizzazione Combinatoria
Cover inequalities
L. De Giovanni
M. Di Summa
In questa lezione introdurremo una classe di disuguaglianze, dette cover inequalities,
che permettono di migliorare la formulazione del problema dello zaino. Vedremo poi come
tali disuguaglianze trovino applicazione in problemi di programmazione lineare intera più
generali.
1
Cover inequalities per il problema dello zaino
Nel problema dello zaino (detto anche knapsack) sono dati n oggetti di peso a1 , . . . , an
e profitto p1 , . . . , pn ciascuno, ed un contenitore (lo zaino) la cui portata massima è β.
Si chiede di determinare un sottoinsieme degli n oggetti che possa essere sistemato nel
contenitore senza eccedere la sua portata massima e che dia il massimo profitto possibile.
Nel seguito assumeremo che a1 , . . . , an e β siano tutti numeri interi.1 Usando variabili
binarie x1 , . . . , xn , dove xi = 1 se e solo se l’oggetto i viene selezionato, possiamo formulare
il problema dello zaino tramite il seguente programma lineare intero:
max
n
X
s.t.
n
X
pi xi
(1)
ai xi ≤ β,
(2)
i=1
i=1
0 ≤ xi ≤ 1,
xi ∈ Z,
i = 1, . . . , n,
i = 1, . . . , n.
(3)
(4)
La regione ammissibile del rilassamento continuo, data dai vincoli (2)–(3), è generalmente molto lontana dalla formulazione ideale del problema. Si può dunque pensare di
introdurre delle disuguaglianze che migliorino la formulazione: tali disuguaglianze devono essere soddisfatte da tutte le soluzioni intere del problema, ma devono dar luogo, se
possibile, ad un rilassamento continuo più vicino alla formulazione ideale.
1
Ricordiamo che dal punto di vista implementativo lavoriamo sempre con numeri razionali. Partendo
da valori razionali di a1 , . . . , an e β, possiamo ridurci a valori interi moltiplicando questi valori per il loro
minimo comune denominatore. Il problema risultante è del tutto equivalente a quello dato, in quanto
stiamo solo cambiando l’unità di misura del peso.
1
Cover inequalities
1.1
Cover inequalities
Chiamiamo cover un qualunque sottoinsieme degli n oggetti che ecceda la portata dello
zaino: dunque una cover è un sottoinsieme C ⊆ {1, . . . , n} tale che
X
ai > β.
i∈C
Ricordando che a1 , . . . , an e β sono tutti interi, la condizione può essere riscritta cosı̀:
X
ai ≥ β + 1.
i∈C
Data una cover C, poiché gli oggetti di C non possono essere sistemati nello zaino tutti
assieme, ne segue che almeno uno di tali oggetti dovrà essere sacrificato. In altre parole,
dei |C| oggetti di C, al massimo |C|−1 possono essere selezionati. Vale dunque la seguente
disuguaglianza:
X
xi ≤ |C| − 1.
i∈C
Tale disuguaglianza è detta cover inequality.
Aggiungendo tutte le cover inequalities alla formulazione originale del problema dello
zaino, si ottiene una formulazione migliore (si può dimostrare, tuttavia, che quella ottenuta non è ancora la formulazione ideale). Purtroppo, però, il numero di cover inequalities
è esponenzialmente grande, in quanto nel caso peggiore ne abbiamo una per ogni sottoinsieme non vuoto di {1, . . . , n}. Anche se, nei casi pratici, solo una parte dei sottoinsiemi
di {1, . . . , n} sono cover, il numero di cover è comunque troppo grande per poter pensare
di aggiungere alla formulazione tutte le cover inequalities. Ci poniamo dunque l’obiettivo
di aggiungere tali disuguaglianze dinamicamente solo quando sono realmente necessarie.
1.2
Separazione delle cover inequalities
Supponiamo di aver risolto il rilassamento continuo (1)–(3) (ad esempio col metodo del
simplesso), ottenendo una soluzione x̄ non intera. Ci chiediamo se esista una cover inequality violata da x̄, con l’obiettivo di aggiungere tale disuguaglianza alla formulazione
e risolvere nuovamente il programma lineare ottenuto. Il problema di trovare una cover
inequality violata da x̄, o decidere che non ce ne sono, è il problema di separazione per le
cover inequalies.
Decidere se esiste una cover inequality violata da x̄ significa decidere se esiste un
sottoinsieme C ⊆ {1, . . . , n} tale che
P
(i)
i∈C ai ≥ β + 1;
Pn
(ii)
i=1 x̄i > |C| − 1.
L. De Giovanni M. Di Summa - Metodi e Modelli per l’Ottimizzazione Combinatoria
2
Cover inequalities
La condizione (i) definisce una cover, mentre la (ii) dice che x̄ non soddisfa la cover
inequality corrispondente a C.
Introduciamo le variabili binarie z1 , . . . , zn , dove zi = 1 se e solo se l’oggetto i fa parte
della cover C. La condizione (i) può essere scritta come segue:
n
X
ai zi ≥ β + 1.
Notando che
i=1
Pn
i=1 zi =
n
X
|C|, possiamo riscrivere la condizione (ii) cosı̀:
x̄i zi >
i=1
n
X
zi − 1,
n
X
cioè
i=1
(1 − x̄i )zi < 1.
i=1
Consideriamo il seguente problema di programmazione lineare intera:
n
X
(1 − x̄i )zi
min
s.t.
i=1
n
X
ai zi ≥ β + 1,
(5)
(6)
i=1
0 ≤ zi ≤ 1,
zi ∈ Z,
i = 1, . . . , n,
i = 1, . . . , n.
(7)
(8)
I vincoli del problema assicurano che le zi definiscano una cover. Sia z̄ P
la soluzione ottima
(intera) di questo problema. Se il valore ottimo è inferiore a 1, allora ni=1 (1 − x̄i )z̄i < 1,
il che, come visto, significa che la cover inequality definita da z̄ è violata da x̄. Altrimenti,
se il valore ottimo
è ≥ 1, allora non esiste alcuna cover inequality violata, in quanto in
P
questo caso ni=1 (1 − x̄i )zi ≥ 1 per qualunque vettore z che definisce una cover.
Possiamo quindi decidere se esiste una cover inequality violata da x̄ (e in tal caso
trovarla) risolvendo il problema di programmazione lineare intera (5)–(8). Si noti che
tale problema è molto simile al problema dello zaino (1)–(4) da cui siamo partiti, dunque apparirebbe molto più sensato risolvere direttamente il problema iniziale piuttosto
che risolverne uno molto simile solo per trovare una disuguaglianza da aggiungere alla
formulazione. Vedremo tra un attimo, tuttavia, come questo approccio sia molto più
promettente in situazioni più generali.
2
Cover inequalities per problemi binari generici
Consideriamo un generico problema di programmazione lineare intera in cui tutte le
variabili sono binarie:
max cT x
s.t. Ax ≤ b,
0 ≤ xi ≤ 1,
xi ∈ Z,
i = 1, . . . , n,
i = 1, . . . , n.
L. De Giovanni M. Di Summa - Metodi e Modelli per l’Ottimizzazione Combinatoria
(9)
(10)
(11)
(12)
3
Cover inequalities
L’osservazione cruciale è che ogni singolo vincolo del sistema Ax ≤ b può essere visto
come un vincolo di tipo knapsack (2). In altre parole, se sostituiamo il sistema Ax ≤ b
con uno qualunque dei suoi vincoli, eliminando tutti gli altri, otteniamo un rilassamento
del problema che ha esattamente la forma del problema dello zaino. È dunque possibile
aggiungere alla formualzione le cover inequalities associate a ciascuno dei problemi dello
zaino che si ottengono in questo modo (eliminando cioè tutti i vincoli tranne uno). Anche
in questo caso il numero di cover inequalities sarà enorme, dunque ci proponiamo di usare
quanto visto sopra per aggiungere tali disuguglianze all’occorrenza.
Supponiamo di aver risolto il rilassamento continuo (9)–(11), ottenendo una soluzione
non intera x̄. Per ogni problema dello zaino ottenuto rimuovendo tutti i vincoli del sistema
Ax ≤ b tranne uno, ci chiediamo se esista una cover inequality violata da x̄. A questo
scopo, è sufficiente risolvere un problema della forma (5)–(8). Se il valore ottimo di tale
problema è inferiore a 1, allora otteniamo una cover inqueality violata da x̄ che possiamo
aggiungere alla formulazione; altrimenti non ci sono cover inequalities violate da x̄. A
questo punto possiamo risolvere nuovamente il rilassamento continuo comprensivo delle
disuguaglianze aggiunte ed iterare il procedimento fino a quando si scopre che la soluzione
corrente soddisfa tutte le cover inequalities. L’algoritmo proposto è schematizzato qui
sotto:
Generazione di cover inequalities
1. Si risolva il rilassamento continuo (9)-(11) e sia x̄ la soluzione
ottima trovata.
2. Se x̄ è intera allora STOP: soluzione ottima intera.
3. Per ogni vincolo del sistema Ax ≤ b, si risolva il corrispondente
programma lineare intero (5)-(8) (dove a1 , . . . , an e β sono
rispettivamente i coefficienti ed il termine noto del vincolo
considerato). Sia z̄ la soluzione ottima intera trovata.
4. Se il valore ottimo del problema (5)-(8) è inferiore a 1, allora z̄
individua una cover inequality violata, definita da C = {i : z̄i = 1}.
5. Se per tutti problemi (5)-(8) risolti al passo precedente il valore
ottimo è ≥ 1, allora non ci sono cover inequalities violate: STOP.
6. Si aggiungano alla formualzione le cover inequalities violate che
sono state trovate, si risolva il programma lineare ottenuto, si
chiami x̄ la soluzione ottima trovata e si torni al passo 2.
Si noti che l’algoritmo prevede di risolvere numerosi problemi della forma (5)-(8),
che sono problemi di programmazione lineare intera e dunque in generale particolarmente
difficili. Tuttavia, il problema (5)-(8) è uno dei più semplici problemmi di programmazione
L. De Giovanni M. Di Summa - Metodi e Modelli per l’Ottimizzazione Combinatoria
4
Cover inequalities
lineare intera e dunque, sebbene in linea di principio potrebbe essere necessario un tempo
esponenziale per risolverlo, nella pratica si giunge alla soluzione ottima in tempi molto
ragionevoli.
Come detto, l’algoritmo termina quando la soluzione corrente non viola alcuna delle
cover inequalities associate ai vincoli del problema. È tuttavia possibile interrompere
l’algoritmo prematuramente, qualora si ritenga di aver aggiunto un numero di disuguaglianze sufficiente a definire una buona formulazione del problema. In entrambi i casi,
se la soluzione x̄ non è ancora intera, si può applicare il branch-and-bound. Il fatto di
aver aggiunto le cover inequalities permette di partire da una formulazione migliore e dà
ragionevoli speranze che il branch-and-bound termini più rapidamente. Questo tipo di
approccio, in cui si rafforza la formulazione del rilassamento continuo e poi si applica
il branch-and-bound, è detto cut-and-branch. Se si decide di aggiungere disuguaglianze
per rafforzare la formulazione in tutti i nodi dell’albero di branch-and-bound, si parla di
branch-and-cut.
L. De Giovanni M. Di Summa - Metodi e Modelli per l’Ottimizzazione Combinatoria
5
Fly UP