Cap2 OtimalidadeRelaxacoes PDF

Otimalidade, Relaxações e Limites - Cap.
2 -
Wolsey
Alexandre Salles da Cunha e Geraldo Robson Mateus
Agosto 2008
Alexandre Salles da Cunha e Geraldo Robson Mateus Otimalidade, Relaxações e Limites - Cap. 2 - Wolsey
Resolvendo um IP ou COP
Como provamos que o problema z = {max cx : x ∈ X ⊆ Zn } foi

resolvido ?
Precisamos encontrar:
Uma solução viável x ∗ e, consequentemente, um limite inferior
(primal, no caso de maximização) z ≥ z = cx ∗ ;

resolvido ?
Um limite superior z (ou um limite dual): z ≤ z.

resolvido ?
Um limite superior z (ou um limite dual): z ≤ z.
Estes limites devem ser tais que z = z.
Estrutura geral de um algoritmo exato para resolver um IP
Gerar uma sequência decrescente de limites superiores {z k }

(duais, no caso de maximização, primais no caso de
minimização)
Gerar uma sequência crescente de limites inferiores {z k }
(primais, no caso de maximização, duais no caso de
minimização) e parar quando z k = z k para algum k.
Se o critério de parada é: z k = z k , para algum k, a solução

encontrada é ótima, e o algoritmo é exato.
Estrutura geral de um algoritmo exato para resolver um IP
Gerar uma sequência decrescente de limites superiores {z k }

(duais, no caso de maximização, primais no caso de
minimização)
Gerar uma sequência crescente de limites inferiores {z k }
(primais, no caso de maximização, duais no caso de
minimização) e parar quando z k = z k para algum k.
Se o critério de parada é: z k = z k , para algum k, a solução

encontrada é ótima, e o algoritmo é exato.
z k −z k
Se o critério de parada é: zk
≤ ε, a solução é dita ε-ótima.
A simples tarefa que nos cabe. Encontrar:
Limites primais: encontrar soluções viáveis

Heurı́sticas;
Ao longo da própria geração de limites duais;
Limites duais: principalmente através de relaxações
Obtendo limites duais, ou limites dados por Relaxações
A idéia central consiste em substituir o problema original,

geralmente difı́cil de ser resolvido, por um problema mais fácil, cujo
valor ótimo é não menor que z (caso maximização).
Como definir este problema relaxado:

Ampliamos o conjunto de soluções viáveis, de forma que se
otimiza sobre um conjunto maior;
Substituı́mos a função objetivo max(min) por outra que
assuma um valor não menor (maior) que a original em
qualquer ponto do problema original (inteiro).
Relaxação
Definição
Dizemos que um problema de otimização (RP)
z R = max {f (x) : x ∈ T ⊆ Rn }
é uma relaxação para o (IP)
z = max {c(x) : x ∈ X ⊆ Rn }
se:
1 X ⊆ T (o conjunto de soluções viáveis do problema relaxado
contém o conjunto de soluções original);
2 f (x) ≥ c(x), ∀x ∈ X .
Limites duais
Proposição
Se RP é uma relaxação para IP, então z R ≥ z
Prova
Seja x ∗ a solução de IP.

Por um lado, como x ∗ ∈ X e X ⊆ T temos que x ∗ ∈ T .
Por outro, temos que c(x ∗ ) ≤ f (x ∗ ).
Pela otimalidade de z R , temos então que
z R ≥ f (x ∗ ) ≥ c(x ∗ ) = z.
Algumas relaxações
1 Relaxação de Programação Linear

2 Relaxações Combinatórias
3 Relaxação Lagrangeana
4 Relaxação de Espaço de Estados (Programação Dinâmica) -
Cap. 5
Relaxações
Definição - Relaxação de Programação Linear

Dado o IP z = {max cx : x ∈ P ∩ Zn } e a formulação
P = {x ∈ Rn : Ax ≤ b}, a Relaxação de Programação Linear
associada ao IP corresponde ao Programa Linear
z LP = {max cx : x ∈ P}.
Observe que a função objetivo do problema relaxado não é

menor que a do problema original, para qualquer solução
viável do problema original (IP);
Observe ainda que P ∩ Zn ⊆ P, isto é, o domı́nio do problema
relaxado contém o domı́nio original.
Logo z ≤ z LP .
Relaxação Linear
Exemplo
Dado o IP:
z = max 4x1 −x2
7x1 −2x2 ≤ 14
x2 ≤3 (1)
2x1 −2x2 ≤ 3
x ∈ Z2+
O vetor (2, 1) é uma solução viável, logo z ≥ 7.

O valor da relaxação linear de (1) é z LP = 59 7 , obtida para
x = ( 20
7 , 3). Como os coeficientes da função objetivo do IP
59
são inteiros temos que z ≤
7 = 8.
Relaxação Linear e a qualidade da formulação
A qualidade dos limites duais determina a qualidade da formulação

Dadas duas formulações P1 , P2 para o (IP)
z = {max cx : x ∈ X ⊆ Zn }, tais que P1 é uma formulação melhor
que P2 , isto é: P1 ⊂ P2 . Se ziLP = {max cx : x ∈ Pi } para i = 1, 2
denota o valor das respectivas relaxações lineares, então z1LP ≤ z2LP
para todo c ∈ Rn .
Relaxações: Existência de Soluções
Proposição
Se RP é inviável, então o IP é inviável
Prova
Seja X = ∅ o conjunto de soluções do problema relaxado (RP) e T
o conjunto de soluções do problema original (IP). Como RP é uma
relaxação temos que T ⊆ X = ∅, logo T = ∅.
Relaxações: Prova de Otimalidade
Proposição
Se a solução x para o problema relaxado RP é viável para (IP) e se
f (x) = c(x), então x resolve IP.
Prova
Como x é uma solução viável, z ≥ c(x). Por outro lado, f (x )
fornece um limite superior válido para z. Por hipótese f (x ) = c(x ).
Assim sendo, temos z ≤ f (x ) = c(x ) ≥ z e então z = f (x).
Prova de otimalidade
Exemplo
Uma solução da Relaxação Linear do IP
z = max 7x1 + 4x2 + 5x3 + 2x4

3x1 + 3x2 + 4x3 + 2x4 ≤ 6 (2)
x ∈ B4
é dada por x = (1, 1, 0, 0)t ∈ B4 .

Como x satisfaz o requisito de integralidade, x resolve o IP.
Relaxações Combinatórias
Definição
Sempre que o problema relaxado for um problema de otimização
combinatória, a relaxação associada é dita combinatória.
Exemplos:
Caixeiro Viajante Assimétrico: Problema de Atribuição.
Caixeiro Viajante Simétrico: Relaxação: 1-tree.
Problema da Mochila: Problema da Mochila em Coeficientes
Inteiros.
Caixeiro Viajante Assimétrico
Entrada: Digrado D = (N, A), custos associados aos arcos
{cij : (i , j) ∈ A}.
 
 
z = min xij cij : x ∈ P ∩ B|A| (3)
 
j∈N i ∈N:i =j
onde P é dada por:

xij = 1, ∀i ∈ N, (4)
j:j=i

xij = 1, ∀j ∈ N, (5)
i :i =j

xij ≥ 1, ∀S ⊂ N, S = ∅. (6)
i ∈S j∈S
Relaxação de Atribuição
 
 
z atrib = min xij cij : x ∈ Patrib ∩ B|A| (7)
 
j∈N i ∈N:i =j
onde Patrib é dada por:

xij = 1, ∀i ∈ N,
j:j=i

xij = 1, ∀j ∈ N,
i :i =j
Observe que:
P ⊂ Patrib
a função objetivo de IP é maior ou igual à função objetivo do
problema relaxado, ambas avaliadas para qualquer solução
viável do TSP assimétrico, isto é, z ≥ z atrib .
O Problema do Caixeiro Viajante Simétrico
Entrada: grafo não direcionado G = (N, E ), custos {ce : e ∈ E }

|E |
z = min xe ce : x ∈ P ∩ B (8)
e∈E
onde P é dada por:

xe = 2, ∀i ∈ N, (9)
e∈δ(i )

xe ≤ |S| − 1, ∀S ⊂ N, |S| ≥ 2. (10)
e∈E (S)
Relaxação 1-tree para o TSP Simétrico - Held e Karp
(1970)
Uma 1-tree corresponde à união de :

duas arestas incidentes ao vértice depósito 1;
uma árvore geradora do conjunto de vértices {2, 3, . . . , n}.
1
Relaxação 1-tree para o TSP Simétrico - Held e Karp
(1970)

1−tree |E |
z = min xe ce : x ∈ P1−tree ∩ B (11)
e∈E
onde P1−tree é dado por:

xe = 2 (12)
e∈δ(1)

xe ≤ |S| − 1, ∀S ⊆ (N \ {1}), |S| ≥ 2. (13)
e∈E (S)
Observação
A relaxação 1-tree é solúvel em tempo polinomial.
O Problema da Mochila com coeficientes quaisquer
Proposição
n

Uma relaxação do conjunto X = {x ∈ Zn+ : aj xj ≤ b} é dada
j=1
n

pelo conjunto X = {x ∈ Zn+ :
aj xj ≤
b}.
j=1
Prova
n
n

aj xj ≤ a j xj ≤ b
j=1 j=1

n os vetores de incidência x ∈ X são inteiros, temos que
Como
j=1
a

j xj deve ser necessariamente uma quantidade inteira.
Logo nj=1
aj xj ≤
b. Ou seja, todo x ∈ X é tal que
x ∈ X .
Relaxação Lagrangeana
Vamos considerar o IP
z = {max cx : Ax ≤ b, x ∈ S ⊆ Zn }.
Se o problema é muito difı́cil de se resolver diretamente,

podemos relaxar um conjunto de restrições, por exemplo
{Ax ≤ b} e resolver o problema remanescente
z R = {max cx : x ∈ S ⊆ Zn }. Claramente z ≤ z R .
Na relaxação Lagrangeana, não apenas relaxamos um
conjunto de restrições que dificultam a solução de um IP.
Também adicionamos este conjunto de restrições à função
objetivo do problema relaxado.
Proposição
Seja (PLAG)
z(u) = max {cx + u(b − Ax) : x ∈ X }.
Então z(u) ≥ z, ∀u ≥ 0.
Prova
Seja x a solução ótima do IP.
Proposição
Seja (PLAG)
z(u) = max {cx + u(b − Ax) : x ∈ X }.
Então z(u) ≥ z, ∀u ≥ 0.
Prova
Como x resolve o IP, x ∈ X é uma solução viável para
(PLAG).
Proposição
Seja (PLAG)
z(u) = max {cx + u(b − Ax) : x ∈ X }.
Então z(u) ≥ z, ∀u ≥ 0.
Prova
(PLAG).
Como u ≥ 0 e Ax ≤ b temos que z = cx ≤ cx + u(b − Ax).
Proposição
Seja (PLAG)
z(u) = max {cx + u(b − Ax) : x ∈ X }.
Então z(u) ≥ z, ∀u ≥ 0.
Prova
(PLAG).
Por outro lado, pela otimalidade de z(u) temos que
z(u) ≥ cx + u(b − Ax).
Proposição
Seja (PLAG)
z(u) = max {cx + u(b − Ax) : x ∈ X }.
Então z(u) ≥ z, ∀u ≥ 0.
Prova
(PLAG).
Por outro lado, pela otimalidade de z(u) temos que
z(u) ≥ cx + u(b − Ax).
Logo z = cx ≤ cx + u(b − Ax) ≤ z(u).
Dualidade em Programação Linear
Considere o par de problemas
(P) { max cx : Ax ≤ b, x ∈ Rn+ }
(D) { min ub : uA ≥ c, u t ∈ Rm
+}
Sabemos que cx ≤ ub para quaisquer vetores

{x ∈ Rn+ : Ax ≤ b} e {u ∈ Rm
+ : uA ≥ c}.
Em particular, se x e u resolvem P e D, respectivamente,
temos que cx = ub (Dualidade forte).
Dualidade - Caso geral
Definição
Os problemas
(P) z = { max c(x) : x ∈ X }
(D) w = { min w (u) : u ∈ U}
formam um par primal-dual fraco se c(x) ≤ w (u) para quaisquer
x ∈ X , u ∈ U. Se, além disto z = w então (P) e (D) formam um
par primal-dual forte.
Vantagem da dualidade sobre a relaxação

A relaxação só fornece um limite superior válido se resolvida na
otimalidade. Por outro lado, qualquer solução viável de D fornece
um limite superior válido para P (obviamente caso P e D formem
um par primal-dual fraco).
Dualidade - Programação Inteira
Proposição
Os problemas (P) z = {max cx : Ax ≤ b, x ∈ Zn+ } e (D)
w LP = {min ub : uA ≥ c, u ∈ Rm
+ } formam um par primal-dual
fraco.
Prova
Considere (RLP) z LP = {max cx : Ax ≤ b, x ∈ Rn+ }, a

relaxação linear de (P).
Claramente z ≤ z LP .
Como (RLP) e (D) formam um par primal-dual, temos que
z LP ≤ w LP .
Logo z ≤ z LP ≤ w LP .
Um exemplo de Dualidade Fraca em Programação Inteira
Definição - Emparelhamento ou matching

Dado um grafo G = (V , E ) um emparelhamento (matching)
consiste em um conjunto de arestas M ⊆ E tal que não existem
duas arestas em M que possuem a mesma extremidade.
Definição - Cobertura de arestas por vértices

Dado um grafo G = (V , E ) uma cobertura das arestas de E por
vértices é um conjunto R ⊂ V tal que toda aresta de E possui
uma extremidade em R.
Emparelhamento × Cobertura de arestas por vértices
2 3
5 4
8 6
Estes problemas formam um par primal-dual fraco
Proposição
Os problemas (P) {max M⊆E |M| : Mé um emparelhamento de E }
e (D) {min C ⊆V |C | : Cé uma cobertura de arestas por vértices}
formam um par primal-dual fraco.
Prova da dualidade fraca
Definição
Vamos definir A ∈ Bn×m (n = |V |, m = |E |) da seguinte forma:
aj,e = 1 caso o vértice j seja extremidade da aresta e, ou 0, caso
contrário.
Prova
Escrevemos o Problema de Emparelhamento de Máxima
Cardinalidade e o Problema de Cobertura Mı́nima de arestas por
vértices, respectivamente
como:

m m e
zmatch = max x
j=1 j : Ax ≤ 1, x ∈ Z +

n n
PL PL
zcov = min i =1 yj : yA ≥ 1, y ∈ Z+ . Sejam zmatch e zcov ,
respectivamente, os valores ótimos das relaxações lineares destes
programas. Então temos que zcov ≥ zcov PL e z PL
match ≤ zmatch . Por
outro lado, as relaxações lineares destes programas formam um par
LP
primal-dual: zmatch LP .
≤ zcov
LP
Logo: zmatch ≤ zmatch LP ≤ z
≤ zcov cov .
Estes problemas não formam um par primal-dual forte
Prova
Seja G = (V , E ), por exemplo, uma clique tal que |V | é ı́mpar ou
então um caminho hamiltoniano envolvendo número de vértices
|V | ı́mpar.

Cap2 OtimalidadeRelaxacoes PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cap2 OtimalidadeRelaxacoes PDF

Uploaded by

Copyright:

Available Formats

Otimalidade, Relaxações e Limites - Cap.

Alexandre Salles da Cunha e Geraldo Robson Mateus

Como provamos que o problema z = {max cx : x ∈ X ⊆ Zn } foi

Como provamos que o problema z = {max cx : x ∈ X ⊆ Zn } foi

Como provamos que o problema z = {max cx : x ∈ X ⊆ Zn } foi

Gerar uma sequência decrescente de limites superiores {z k }

Se o critério de parada é: z k = z k , para algum k, a solução

Gerar uma sequência decrescente de limites superiores {z k }

Se o critério de parada é: z k = z k , para algum k, a solução

Limites primais: encontrar soluções viáveis

A idéia central consiste em substituir o problema original,

Como definir este problema relaxado:

é uma relaxação para o (IP)

Seja x ∗ a solução de IP.

1 Relaxação de Programação Linear

Definição - Relaxação de Programação Linear

Observe que a função objetivo do problema relaxado não é

O vetor (2, 1) é uma solução viável, logo z ≥ 7.

A qualidade dos limites duais determina a qualidade da formulação

z = max 7x1 + 4x2 + 5x3 + 2x4

é dada por x = (1, 1, 0, 0)t ∈ B4 .

onde P é dada por:

onde Patrib é dada por:

Entrada: grafo não direcionado G = (N, E ), custos {ce : e ∈ E }

onde P é dada por:

Uma 1-tree corresponde à união de :

onde P1−tree é dado por:

Se o problema é muito difı́cil de se resolver diretamente,

z(u) = max {cx + u(b − Ax) : x ∈ X }.

z(u) = max {cx + u(b − Ax) : x ∈ X }.

z(u) = max {cx + u(b − Ax) : x ∈ X }.

z(u) = max {cx + u(b − Ax) : x ∈ X }.

z(u) = max {cx + u(b − Ax) : x ∈ X }.

Considere o par de problemas

(P) { max cx : Ax ≤ b, x ∈ Rn+ }

Sabemos que cx ≤ ub para quaisquer vetores

Vantagem da dualidade sobre a relaxação

Considere (RLP) z LP = {max cx : Ax ≤ b, x ∈ Rn+ }, a

Definição - Emparelhamento ou matching

Definição - Cobertura de arestas por vértices

You might also like