Operacion Byb, Gomory

ESCUELA TCNICA SUPERIOR DE INGENIERA
D DD DEPARTAMENTO DE EPARTAMENTO DE EPARTAMENTO DE EPARTAMENTO DE O OO ORGANIZACIN RGANIZACIN RGANIZACIN RGANIZACIN I II INDUSTRIAL NDUSTRIAL NDUSTRIAL NDUSTRIAL
Optimizacin lineal entera mixta
Andrs Ramos
Universidad Pontificia Comillas
http://www.iit.upcomillas.es/aramos/
Andres.Ramos@upcomillas.es
CONTENIDO
INTRODUCCIN
MTODOS DE SOLUCIN
MTODO DE RAMIFICACIN Y
ACOTAMIENTO
DUALITY (master)
Optimizacin lineal entera mixta - 1
DUALITY (master)
PREPROCESSING (master)
BRANCH AND CUT METHOD (master)
Mixed integer programming problem (MIP)
Many times we need integer or binary variables. Some
decisions can not be modeled with continuous variables
Investment decisions
Connection of a machine
Location of a warehouse
Selection of a product
Where do you apply radiotherapy to maximize the impact on cancerous
Where do you apply radiotherapy to maximize the impact on cancerous
cells and minimize the damage to other cells?
Introduccin
Un problema de programacin lineal entero mixto (MIP) es un
problema lineal (LP) con algunas variables enteras
Programacin lineal entera mixta (MILP)
x R
+
, y Z
+
Programacin entera pura (PIP)
x Z
+
Programacin binaria (0-1 MIP, 0-1 IP, BIP)
Programacin binaria (0-1 MIP, 0-1 IP, BIP)
x {0,1}: variables de asignacin, lgicas
Son ms difciles de resolver que los problemas LP
Primer algoritmo de resolucin se formul por Ralph Gomory
en 1958
CONTENIDO
INTRODUCCIN
MTODOS DE SOLUCIN
ACOTAMIENTO
DUALITY (master)
DUALITY (master)
Mtodos de solucin
Relajacin lineal y discretizacin
Enumeracin exhaustiva
Ramificacin y acotamiento (branch and bound)
Mtodo de los planos de corte
Ramificacin y corte (branch and cut)
Relajacin lineal y discretizacin (i)
Problema relajado: aqul donde a las variables enteras se les
permite tomar valores reales
Si la solucin cumple las condiciones de integralidad entonces
es el ptimo del problema entero
Politopo entero: todos los puntos extremos son enteros.
Coincide con la envoltura convexa de las soluciones.
Es entero si la matriz A es totalmente unimodular (toda submatriz
cuadrada tiene determinante 1, 0 -1).
Problema de transporte, asignacin, flujo de coste mnimo.
Politopo NO entero
Relajacin lineal y discretizacin (ii)
La solucin de un problema entero NO es necesariamente la
solucin del problema relajado discretizada heursticamente
(redondeada a los valores enteros ms prximos).
Solucin aproximada si las variables enteras toman valores elevados
Posible prdida de optimalidad
Posible prdida de factibilidad
Los mtodos metaheursticos son una alternativa a los de
Los mtodos metaheursticos son una alternativa a los de
programacin matemtica (algoritmos genticos, bsqueda
heurstica, etc.)
Discretizacin: prdida de factibilidad
2
1 2
1 2
1 2
max
0.5
3.5
, 0
i
x
x x
x x
x x x
+
+
Z
x2
ptimo LP
ptimo IP
Heurstico
x1
1 2
0.5 x x + =
1 2
3.5 x x + =
Solucin LP: (1.5,2)
Soluciones discretizadas: (1,2) o bien (2,2), resultan infactibles
Soluciones enteras ptimas: (1,1) o bien (2,1)
x1
Discretizacin: prdida de optimalidad
1 2
1 2
1
1 2
max 5
10 20
2
, 0
i
x x
x x
x
x x x
+
+
Z
ptimo IP
ptimo LP
Heurstico
1 2
10 20 x x + =
2
x
Solucin LP: (2,9/5)
Solucin discretizada: (2,1)
Solucin entera ptima: (0,2)
1
2 x =
1
x
Enumeracin exhaustiva
No es viable, debido a que el nmero de soluciones crece
exponencialmente
En un problema BIP de n variables hay 2
n
posibles soluciones
Mtodos de solucin
Prdida de convexidad de la regin factible. Los puntos de su
interior no se pueden poner como combinacin lineal convexa
de sus puntos extremos.
Prdida de la potencia matemtica asociada a variables
continuas (derivadas, condiciones de optimalidad,
sensibilidades, etc.).
La solucin de un problema MIP es ms difcil que la de un
problema LP. Requiere ms tiempo de clculo y ms
requisitos de memoria.
CONTENIDO
INTRODUCCIN
MTODOS DE SOLUCIN
ACOTAMIENTO
DUALITY (master)
DUALITY (master)
Mtodo de ramificacin y acotamiento (branch and
bound)
Enumeracin implcita de las soluciones enteras factibles.
Utiliza el principio de divide y vencers.
Divide (ramifica) el conjunto de soluciones enteras en subconjuntos
disjuntos cada vez menores.
Determina (acota) el valor de la mejor solucin del subconjunto.
En problema de maximizacin una cota inferior de la solucin ptima de
un problema MIP es la mayor solucin entera factible encontrada hasta el
un problema MIP es la mayor solucin entera factible encontrada hasta el
momento.
En problema de maximizacin una cota superior de la solucin ptima de
un problema MIP es la solucin ptima del problema lineal relajado RMIP
o LP.
Poda (elimina) la rama del rbol si la cota indica que no puede contener
la solucin ptima.
Procedimiento (i)
1. Inicializacin
Inicializa la cota superior de la f.o. , en problemas de
maximizacin
Resolver una relajacin del problema (habitualmente la lineal, aunque
pueden usarse otras). ste es el nodo raz.
Aplicar acotamiento o poda y criterio de optimalidad al problema
completo.
*
z =
completo.
Si no se puede etiquetar el problema como no podado, comienza una
iteracin completa.
2. Iteracin
Ramificacin
Seleccionar uno de los nodos entre los no explorados (nodos restantes).
Ver criterios de seleccin
Seleccionar una variable entera que tenga valor continuo en la solucin
ptima del nodo relajado. Ver criterios de seleccin
Procedimiento (ii)
Sea el valor ptimo en el problema relajado
Se ramifica en dos ramas incorporando las restricciones
siendo la parte entera de
Para variables binarias es fijar el valor de la variable a 0 a 1. No se puede
repetir la ramificacin.
Cada vez que se ramifica se aade una restriccin (anlisis de sensibilidad
mediante el mtodo simplex dual). El problema primal resulta infactible.
*
j
x
*
*

1
j j
j j
x x
x x
( +
*
j
x (

*
j
x
mediante el mtodo simplex dual). El problema primal resulta infactible.
El problema dual resulta factible pero no ptimo.
Cada rama elimina la solucin ptima del problema anterior.
Acotamiento
Para cada nodo se obtiene su f.o. .
z
Procedimiento (ii)
Poda
Se intentan eliminar nodos (ramas) del rbol. Aplicar los siguientes
criterios de poda para un problema de maximizacin:
1. Solucin (entera o no) peor que la solucin entera actual , siendo el
valor de la funcin objetivo para la solucin entera actual. Se poda la rama.
2. Solucin entera mejor que la actual . nueva solucin entera
actual
Se aplica el criterio 1 a todos los nodos no podados con la nueva solucin
entera actual.
*
z z
*
z
*
z z >
*
z z =
entera actual.
3. Infactible. Se poda la rama.
3. Criterio de optimalidad
Parar cuando no existan nodos sin analizar. La solucin entera actual
es la ptima.
Si no, realizar otra iteracin.
Ejemplo
1 2 3 4
1 3
1 2 3
1 2
max 4 2 7
5 10
1
6 5 0
z x x x x
x x
x x x
x x
= +
+
+

1 2
1 3 4
6 5 0
2 2 3
0 1, , 4
enteras 1, , 3
j
j
x x
x x x
x j
x j

+
=
=
Resolucin (i)
1. Inicializacin
Se resuelve el problema LP relajado
2. Iteracin 1
Se ramifica con la primera variable que debiera ser entera y no lo es, .
Rama 1:
Cualquier solucin descendiente tendr
Rama 2: infactible. Se poda la rama
14.25 z =
1 2 3 4
( , , , ) (1.25,1.5,1.75, 0) x x x x =
1
x
1 2 3 4
( , , , ) (1,1.2,1.8, 0) x x x x = 14.2 z =
1
1 x
14.2 z
1
2 x
3. Iteracin 2
Se ramifica con la primera variable que debiera ser entera y no lo es, .
Rama 3:
Rama 4:
2
x
1
2
1
1
x
x
14.16 z =

1 2 3 4
( , , , ) (0.83,1,1.83, 0) x x x x =

14.16 z

1
2
1
2
x
x
12.16 z =

1 2 3 4
( , , , ) (0.83, 2,1.83, 0) x x x x =

12.16 z

Resolucin (ii)
4. Iteracin 3
Se selecciona la rama 3 por tener la mayor funcin objetivo.
Se ramifica con la variable .
Rama 5:
Primera solucin entera del problema MIP
1
x
1
2
1
1
1
0
x
x
x
13.5 z =
1 2 3 4
( , , , ) (0, 0, 2, 0.5) x x x x =
*
13.5 z =
Primera solucin entera del problema MIP
Rama 6: infactible
La rama 4 se puede podar porque su funcin objetivo es menor (en
maximizacin) que la solucin entera actual.
5. Criterio de optimalidad
Solucin ptima alcanzada por no existir ramas sin explorar.
*
13.5 z =
1
2
1
1
1
1
x
x
x
rbol
z=14.25
(1.25,1.5,1.75,0)
Rama 2
INFACTIBLE
Rama 1
z=14.2
(1,1.2,1.8,0)
1
1 x
1
2 x
2
1 x
2
2 x
Rama 4
z=12.16
(0.83,2,1.83,0)
Rama 3
z=14.16
(0.83,1,1.83,0)
Rama 5
z=13.5
(0,0,2,0.5)
Rama 6
INFACTIBLE
2 2
1
1 x
1
0 x
*
13.5 z =
1 2 3 4
( , , , ) (0, 0, 2, 0.5) x x x x =
Interpretacin geomtrica del mtodo de ramificacin
y acotamiento
ZLP
Zlp1
Zlp2
Zlp3=entero
Zlp4 peor que Zlp3, descartar
Linear problem (LP). Example 1
,
max 3 2
11
4 2 32
, 0
x y
x y
x y
x y
x y
+
+
+
10
12
14
16
4x+2y=32
3x+2y=27
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11
3x+2y=27
(5,6)
* *
LP solution
27
( , ) (, !)
z
x y
=
=
Pure integer problem (PIP). Example 1
,
max 3 2
11
4 2 32
, 0
,
x y
x y
x y
x y
x y
x y
+
+
+
+

10
12
14
16
4x+2y=32
3x+2y=27
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11
3x+2y=27
(5,6)
* *
PIP solution
27
( , ) (, !)
z
x y
=
=
Pure integer problem (PIP). Linear relaxation.
Example 2
10
12
14
16
4x+2y=32
3x+2y=27.5
,
11"
max 3 2
4 2 32
, 0
x y
x y
x y
x y
x y
+
+
+

0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11.5
3x+2y=27.5
(4.5,7)
* *
LP relaxation" Pro#lem 0
27"
( , ) (4", 7)
z
x y
=
=
Pure integer problem (PIP). Branch and Bound.
Example 2
10
12
14
16
4x+2y=32
3x+2y=27.5
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11.5
3x+2y=27.5
(4.5,7)
* *
LP Pro#lem 2
27
( , ) (, !)
z
x y
=
=
,
11"
max 3 2
4 2
2
, 0
3
x y
x y
x y
x y
x y
x
+
+
+
Pure integer problem (PIP). Branch and Bound.

Example 2
10
12
14
16
4x+2y=32
3x+2y=27.5
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11.5
3x+2y=27.5
(4.5,7)
* *
LP Pro#lem 4
2!
( , ) (4, 7)
z
x y
=
=
,
max 3 2
4 2
11"
32
, 0
4
7
x y
x y
x y
x y
x
x
y
y
+
+
+

10
12
14
16
4x+2y=32
3x+2y=27
,
max 3 2
4 2
11"
32
, 0
,
x y
x y
x y
x y
x y
x y
+
+
+
+

* *
PIP solution
27
( , ) (, !)
z
x y
=
=
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11.5
3x+2y=27
(5,6)
, x y
+

Estrategias bsicas
1. Buscar factibilidad
Ramificacin y exploracin en profundidad (avariciosa greedy) en el
rbol fijando recursivamente las variables fraccionarias ms prximas
a su valor entero en el nodo seleccionado.
2. Demostrar optimalidad
Supuesto que se disponga de una solucin entera se desea probar que
Supuesto que se disponga de una solucin entera se desea probar que
sta es ptima. Se seleccionan las variables que tienen un gran impacto
en la funcin objetivo para descartar ramas del rbol lo antes posible.
Implantacin de estrategias
1. Seleccin de la variable entera a ramificar
La encontrada en primer lugar
La de mayor o menor infactibilidad entera
2. Seleccin de la rama a resolver
La ms reciente. Bueno para la reoptimizacin por el mtodo simplex.
Aqulla con valor de la funcin objetivo ms cercano o alejado al
ptimo (mejor o peor cota)
Relajacin del criterio de poda
Marca la diferencia entre acabar un problema con una solucin
cuasiptima dentro de una cierta tolerancia conocida y NO
solucionar el problema. Fundamental en la solucin de
problemas reales.
Criterio de parada sin explorar exhaustivamente el rbol.
Se aade un criterio de poda (para maximizacin) con una
Se aade un criterio de poda (para maximizacin) con una
cierta tolerancia para una solucin no entera mejor (pero no
significativamente) que la solucin entera actual
Relativa
Absoluta
(error de tolerancia relativo, por ejemplo 10
-3
) OPTCR
(error de tolerancia absoluto), ambas constantes conocidas OPTCA
* *
(1 ) z z z +
* *
z z z +
Parmetros de control del B&B (i)
Prioridad en la seleccin de variables
Habitualmente se debe ramificar antes en las que ms impacto tienen
en la f.o. (por ejemplo, variables de inversin frente a las de operacin)
GUB (generalized upper bound) o SOS (special ordered sets)
En la ramificacin normal cuando una el resto quedan fijadas a
1
1
k
j
j
x
=
=
1 x =
En la ramificacin normal cuando una el resto quedan fijadas a
0. En la rama con hay a su vez posibilidades
La ramificacin GUB se hace ordenando las variables pertenecientes al
conjunto GUB en dos subconjuntos ms equilibrados, hasta que la
suma de las variables de un conjunto sobrepasa 0.5
1
j
x =
0
j
x = 1 k
0 1, ,
0 1, ,
i
i
j
j
x i r
x i r k
= =
= = +
{ }
*
1
min : 0.5
i
t
j
i
r t x
=
=
Parmetros de control del B&B (ii)

Cota inicial (cutoff, incumbent)
Se trata de una cota inicial vlida de la f.o. estimada por el usuario
Mtodo de solucin de los problemas LP
Primera iteracin (punto interior o simplex)
Iteraciones sucesivas (simplex primal o dual con diferentes estrategias
de seleccin de VBE)
CONTENIDO
INTRODUCCIN
MTODOS DE SOLUCIN
ACOTAMIENTO
DUALITY (master)
DUALITY (master)
Pure integer problem (PIP). Dual variables
We know how to obtain dual variables of an LP problem.
They are calculated at the same time than the optimal solution
But we do not know how to obtain these dual variables in a
MIP problem because we have solved many LP problems for
reaching the optimal integer solution
Pure integer problem (PIP). Dual variables. Example 2
10
12
14
16
4x+2y=32
3x+2y=27
Obtain dual variables manually (resolving the model)
,
max 3 2
4 2
11"
32
, 0
,
x y
x y
x y
x y
x y
x y
+
+
+
+

* *
* *
1 2
PIP solution
27
( , ) (, !)
( , ) (0, 0)
z
x y

=
=
=
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11.5
3x+2y=27
(5,6)
, x y
+

,
11"
max 3 2
4 2
32
, 0
x y
x y
x y
x y
x
x y
+
+
+
=
10
12
14
16
4x+2y=32
3x+2y=27
Lets try fixing one variable
* *
* *
1 2
LP solution
27
( , ) (, !)
( , ) (0,1)
z
x y

=
=
=
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11.5
3x+2y=27
(5,6)
,
11"
max 3 2
4 2
32
!
, 0
x y
x y
x y
x y
y
x y
+
+
+
=
10
12
14
16
4x+2y=32
3x+2y=27
Lets try fixing the other variable
* *
* *
1 2
LP solution
27
( , ) (, !)
( , ) (0, 0"7)
z
x y

=
=
=
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11.5
3x+2y=27
(5,6)
,
max 3 2
4 2
11"
32
!
, 0
x y
x y
x y
x y
x
y
x y
+
+
+
=
=
10
12
14
16
4x+2y=32
3x+2y=27
Lets try fixing both variables
, 0 x y
* *
* *
1 2
LP solution
27
( , ) (, !)
( , ) (0, 0)
z
x y

=
=
=
0 2 4 6 8 10 12
0
2
4
6
8
10
x
y
x+y=11.5
3x+2y=27
(5,6)
,
1
2
3
max
4
6 :
3
2 12 :
, integer
x y
z x y
x
y
x y
x y
= +
+
+
( , ) (3,5) x y =
5
6
7
8
9
2x+y=12
z=7.25

1 2
( , ) (0, 0) =
0 2 4 6 8 10 12
0
1
2
3
4
5
x
y
x/3+y=6
5
6
7
8
9
2x+y=12
z=7.25
,
1
2
3
max
4
6.5 :
3
2 12 :
, integer
x y
z x y
x
y
x y
x y
= +
+
+
( , ) (3,5) x y =
0 2 4 6 8 10 12
0
1
2
3
4
5
x
y
x/3+y=6.5
1 2
( , ) (0, 0) =
Dual variables in a MIP problem
In an LP problem the complementarity slackness condition
states:
If constraint is binding dual variable may be different from 0
If constraint is non binding dual variable is necessarily 0
In a MIP problem
It is not clear how to obtain dual variables in a MIP problem
There must be those corresponding to node that has provided the
optimal solution in B&B algorithm
optimal solution in B&B algorithm
In practice:
Fixe all the integer variables to their optimal values and solve the
corresponding LP problem to determine the dual variables
CONTENIDO
INTRODUCCIN
MTODOS DE SOLUCIN
ACOTAMIENTO
DUALITY (master)
DUALITY (master)
Preproceso
Tcnicas enfocadas a reducir sustancialmente las dimensiones
o fortalecer la formulacin del problema. Especialmente
relevante para resolver problemas MIP
Dos formulaciones de un problema entero se dicen 0-1 equivalentes si
tienen las mismas soluciones enteras.
Dadas dos formulaciones equivalentes de un problema entero, se dice
que una es ms fuerte que la otra, si la regin factible de su relajacin
lineal est estrictamente contenida en la regin factible de la otra. Se
encuentran antes soluciones enteras factibles y se pueden podar ms
ramas del rbol.
Medida: intervalo de integralidad (integrality gap) diferencia entre f.o.
de problema MIP y LP
Tcnicas de preproceso
Preproceso general
Reforzamiento de cotas
Eliminacin de restricciones redundantes
Asignacin de variables
Preproceso mixto 0-1
Reduccin de coeficientes
Reforzamiento de cotas
Aumentar cotas inferiores y disminuir cotas superiores
mediante inspeccin de restricciones
Especialmente para variables enteras
Puede asignar variables o detectar infactibilidades
Para la primera restriccin
Reforzamiento de cotas (i)
1 2 3
1 2 3
1 2 3
1 2 3
max2
5 2 8 15
8 3 9
6
x x x
x x x
x x x
x x x
+
+
+
+ +
1
2
3
0 3
0 1
1
x
x
x


Para la segunda restriccin
1 2 3 1
3 1 2 3
2 1 3 2
5 2 8 15 2 1 8 1 15 9 9 5
8 5 2 15 5 0 2 1 15 17 17 8
2 5 8 15 5 0 8 1 15 7 7 2 cota superflua
x x x x
x x x x
x x x x
+ + =
+ + + + =
+ + =
1 2 3 1
2 1 3 2
3 1 2 3
8 3 9 3 1 1 9 7 7 8
3 8 9 8 9/ 5 1 9 4.4 4.4 cota superflua
8 3 9 8 9/ 5 3 1 9 8.4 8.4 cota superflua
x x x x
x x x x
x x x x
+ + + + =
+ + + + =
+ + =
3 1 2 3
8 5 2 15 5 7 8 2 1 15 101/ 8 101 64 x x x x + + + + =
1
2
3
0.875 1.8
0 1
1 1.578
x
x
x

Reforzamiento de cotas (ii)
Sea la restriccin
Si entonces
0 0
1
n
j j
j
j j j
a x a x b
l x u
=
+

0
0 a >
0 0
: 0 : 0
j j
j j j j
j a j a
x b a l a u a
> <
| |

|
|
\

Si entonces
0
0 a <
\
0 0
: 0 : 0
j j
j j j j
j a j a
x b a l a u a
> <
| |

|
|
\

Si una variable debe ser entera y sus cotas no lo son, stas se
pueden ajustar
Reforzamiento de cotas (iii)

j
j j j j j j
x
l x u l x u
+
( (
(

Eliminacin de restricciones redundantes (i)
Si una restriccin se satisface incluso en la situacin ms
difcil la restriccin puede ser eliminada.
Detecta redundancia por medio de cotas de variables
Para restricciones se igualan a cota superior las variables con
coeficientes > 0 y a cota inferior las dems.
3 2 6 x x +
Var binarias son redundantes
Las restricciones suelen ser redundantes a consecuencia del
proceso de asignacin de variables o reforzamiento de cotas.
1 2
1 2
1 2
3 2 6
3 2 3
3 2 3
x x
x x
x x
+

1
2
0 1
0 1
x
x

Eliminacin de restricciones redundantes (ii)
Sea la restriccin
Es redundante si
1
n
j j
j
j j j
a x b
l x u
=
a u a l b +

Es infactible si
: 0 : 0
j j
j j j j
j a j a
a u a l b
> <
+

: 0 : 0
j j
j j j j
j a j a
a l a u b
> <
+ >

Asignacin de variables (i)
Identificar variables que pueden fijarse a uno de sus valores
(0/1) ya que el otro no puede ser solucin factible y ptima.
Si un valor de una variable no puede satisfacer una restriccin,
aun cuando las dems variables tomen sus valores ms
favorables para intentar cumplirla, la variable debe fijarse al
valor opuesto.
siendo
1
1 2 1
1 2 3
3 2
3 2 0
5 2 2
x
x x x
x x x
+ =
`
+
)
1
2
3
0 1
0 1
0 1
x
x
x

Asignacin de variables (ii)
Procedimiento para restricciones
Identificar la variable con el mayor coeficiente positivo. Si la suma de
dicho coeficiente y cualquier coeficiente negativo excede la cota de la
restriccin, la variable debe fijarse a 0.
1
1 2 1
1 2 3
3 2
3 2 1
5 2 2
x
x x x
x x x
+ =
`
+
)
1 2 3 )
1 2 3 3
2 1 0 x x x x + =
1 2 3 1 3
3 3 2 1, 0 x x x x x + = =
1 2 1 2
3 2 1 0, 1 x x x x = =
Reaccin en cadena: el procedimiento se repetir para las
siguientes variables con el mayor coeficiente.
1 2 3 1
1 4 5 4 5
5 6 6
3 2 2 1
1 0, 0
0 0
x x x x
x x x x x
x x x
+ =
+ + = =
+ =
Reduccin de coeficientes (i)
Reduce la regin factible del problema LP sin eliminar
soluciones factibles del problema BIP modificando los
coeficientes de las restricciones.
Procedimiento para restricciones
1. Calcular S = suma de valores a
j
positivos
2. Elegir cualquier a
j
0 tal que S < b + |a
j
|
1 1 2 2 n n
a x a x a x b + + +
2. Elegir cualquier a
j
0 tal que S < b + |a
j
|
No existe no se puede ajustar ms la restriccin
3. Ir a 1.
0
j j j j j
a a S b b S a a a b b > = = = =
0
j j j j
a a S b a a < = =
1
1 1 1 2
2 3 5
0 5 4 2
5 4 1 5 2 3 1 3 3 3
S
a
a b a b x x
= + =
< +
= = = = = = +
Reduccin de coeficientes (ii)
{ }
1 2
1 2
2 3 4
, 0,1
x x
x x
+

1 1 1 2
5 4 1 5 2 3 1 3 3 3 a b a b x x = = = = = = +
2
2 2 1 2
1 3 4
0 4 3 3
4 3 1 4 3 1 1 1 1
S
a
a b a b x x
= + =
< +
= = = = = = +
Reduccin de coeficientes (iii)
2
2.5
3
x
2
Original
constraint
Second
additional
constraint
0 0.5 1 1.5 2 2.5 3
0
0.5
1
1.5
x1
x
2
1 2
1 x x +
1 2
2 3 4 x x +
1 2
3 3 x x +
constraint
First
additional
constraint
CONTENIDO
INTRODUCCIN
MTODOS DE SOLUCIN
ACOTAMIENTO
DUALITY (master)
DUALITY (master)
Generacin de planos de corte
Nueva restriccin que reduce la regin factible del problema
LP sin eliminar soluciones factibles del problema IP.
Deducida vlidamente de restricciones del problema
Procedimiento de mtodo de planos de corte
1. Inicializar resolviendo el problema relajado LP
1. Inicializar resolviendo el problema relajado LP
2. Si la solucin ptima es entera finalizar. Si no, continuar a paso 3
3. Obtener un plano de corte que viole la solucin ptima actual
4. Aadir el plano de corte a las restricciones y reoptimizar. Ir a paso 2.
Planos de corte de tipo cubrimiento
Considera cualquier restriccin de tipo con variables
binarias con todos los coeficientes no negativos (restriccin
tipo mochila)
Encontrar grupo de variables (cubrimiento minimal) tal que
Se viola la restriccin si las variables del cubrimiento son 1 y el resto
son 0
Se satisface la restriccin si una de las variables del cubrimiento se
Se satisface la restriccin si una de las variables del cubrimiento se
hace 0
Formacin del plano de corte
siendo N el nmero de variables del cubrimiento
{ }
1 2 3 4
6 3 5 2 9
0,1
i
x x x x
x
+ + +
1 2 4
2 3 4
1 3
2
2
1
x x x
x x x
x x
+ +
+ +
variables del cubrimiento -1 N
Planos de corte de Gomory (i)

Sea el problema
Sea una variable x
i
no entera. La fila en la tabla del simplex es:
El plano de corte de Gomory es:
1 1 1
( )
B N N
x B b Nx B b B Nx

= =
N
i i it t
t x
x b y x
=

min
T
x
c x
Ax b
x
+
=

El plano de corte de Gomory es:
o bien
siendo f
i
y f
it
son las partes fraccionales de e y
it
La variable de exceso del corte es entera si las var son enteras
Este corte elimina la solucin ptima no entera anterior
N
i i it t
t x
x b y x
(

(

( )
N
it it t i i
t x
y y x b b
(

(

N
it t i
t x
f x f
i
b
Planos de corte de Gomory (ii)
X_1 X_2 HLG_1 HLG_2 HLG_3
Z 0.000 0.000 9.143 17.286 0.000 179.857
X_2 0.000 1.000 0.000 1.000 0.000 3.000
HLG_3 0.000 0.000 -0.286 1.429 1.000 3.28
1 2
1 2
2
1 2
1 2
max4
7 2 14
3
2 2 3
, 0 y enteras
x x
x x
x
x x
x x
1 2
1 2 1
2 2
1 2 3
1 2 1 2 3
max4
7 2 14
3
2 2 3
, , , , 0 y enteras
x x
x x h
x h
x x h
x x h h h
+ =
+ =
+ =

HLG_3 0.000 0.000 -0.286 1.429 1.000 3.28
X_1 1.000 0.000 0.143 0.286 0.000 2.857
se introduce el corte
X_1 X_2 HLG_1 HLG_2 HLG_3 EXC_1
Z 0.000 0.000 0.000 0.000 0.500 3.000 7.500
X_2 0.000 1.000 0.000 0.000 -0.500 1.000 0.500
HLG_2 0.000 0.000 0.000 1.000 0.500 -1.000 2.500
X_1 1.000 0.000 0.000 0.000 0.000 1.000 2.000
HLG_1 0.000 0.000 1.000 0.000 -1.000 -5.000 1.000
y luego el corte
que ya da lugar a la solucin ptima entera
1 2
0.143 0.286 0.857 h h +
3
0.5 0.5 h
Planos de corte de Gomory (iii)
2
2.5
3
3.5
4
x
2
1 2
2 2 3 x x
1 2
7 2 14 x x
2
3 x
0 0.5 1 1.5 2 2.5 3 3.5 4
0
0.5
1
1.5
2
x1
x
2
1 2
2 2 3 x x
Planos de corte de Gomory (iv)
1 2
1 2 2
1
1
0.143 0.286 0.857
1 2 6
(14 7 2 ) (3 )
7 7 7
7 14
2
h h
x x x
x
x
+
+ +


3
1 2
1 2
0.5 0.5
3 2 2 1
1
h
x x
x x
+

Planos de corte de Gomory (v)
2.5
3
3.5
4
1 2
7 2 14 x x
2
3 x
1
2 x
1 2
1 x x
Second
Gomory cut
0 0.5 1 1.5 2 2.5 3 3.5 4
0
0.5
1
1.5
2
1 2
2 2 3 x x
First
Gomory cut
Mtodo de ramificacin y corte (branch and cut)
Mtodo de ramificacin y acotamiento + Mtodo de planos de
corte en los nodos
Disminuye mucho el tiempo de resolucin
Procedimiento
Eleccin de un nodo para evaluar (inicialmente el nodo raz es el
problema original relajado) y resolucin
Decisin sobre generar o no planos de corte. Si se obtienen se aaden
al problema y se resuelve ste.
Podar y ramificar con los criterios del mtodo de ramificacin y
acotamiento.
Andrs Ramos
www.upcomillas.es
www.upcomillas.es
Andrs Ramos
Universidad Pontificia Comillas
http://www.iit.upcomillas.es/aramos/
Andres.Ramos@upcomillas.es

Operacion Byb, Gomory

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Operacion Byb, Gomory

Cargado por

Copyright:

Formatos disponibles

ESCUELA TCNICA SUPERIOR DE INGENIERA

Optimizacin lineal entera mixta - 24

Pure integer problem (PIP). Branch and Bound.

Pure integer problem (PIP). Example 2

Parmetros de control del B&B (ii)

Optimizacin lineal entera mixta - 39

Optimizacin lineal entera mixta - 48

Optimizacin lineal entera mixta - 50

Optimizacin lineal entera mixta - 56

variables del cubrimiento -1 N

Planos de corte de Gomory (i)

Optimizacin lineal entera mixta - 61

Optimizacin lineal entera mixta - 62

Optimizacin lineal entera mixta - 64

También podría gustarte