Cap1 Formulações PDF

Formulações - Cap 1 Wolsey
Alexandre Salles da Cunha

Geraldo Robson Mateus
Agosto 2008
Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Problemas de Programação Inteira
Considere o Programa Linear (PL)
max{cx : Ax ≤ b, x ≥ 0}, (1)
onde A ∈ Rm×n , c ∈ Rn , b ∈ Rn .
Se algumas (não todas) variáveis de decisão devem assumir

valores inteiros, temos o Mixed Integer Program:
(MIP) max{cx + hy : Ax + Gy ≤ b, x ≥ 0, y inteiro}, (2)

max{cx : Ax ≤ b, x ≥ 0}, (1)

Se todas as variáveis de decisão devem assumir valores
inteiros, temos o Integer Program:
(IP) max{cx : Ax ≤ b, x ≥ 0, x inteiro}, (3)

max{cx : Ax ≤ b, x ≥ 0}, (1)

Se todas as variáveis de decisão devem assumir valores
inteiros, temos o Integer Program:
(IP) max{cx : Ax ≤ b, x ≥ 0, x inteiro}, (3)
Se todas as variáveis de decisão devem assumir valores 0 ou 1,
temos o Binary Integer Program:
(BIP) max{cx : Ax ≤ b, x ∈ {0, 1}n }. (4)

Problemas de Otimização Combinatória
Nos é dado um conjunto base N = {1, 2, ...., n}, pesos

{cj : j ∈ N} e uma famı́lia de subconjuntos F de
subconjuntos de N;


subconjuntos de N;
O Problema de Otimzização Combinatória definido sobre o
conjunto de possı́veis subconjuntos viáveis de N, F, é dado
por:
(COP) min{ cj : S ∈ F}. (5)
j∈S


subconjuntos de N;
O Problema de Otimzização Combinatória definido sobre o
conjunto de possı́veis subconjuntos viáveis de N, F, é dado
por:
(COP) min{ cj : S ∈ F}. (5)
j∈S
Em algumas situações, é melhor formularmos um COP como

um MIP ou como um IP. Em outras, é mais vantajoso tratar
implicitamente o conjunto de possı́veis soluções viáveis.

Formulando IPs e MIPs
Assim como em Programação Linear, desejamos transcrever uma

descrição de um problema em termos de uma formulação, de uma
forma sistemática, procurando separar os dados da instância do
problema e as variáveis empregadas no modelo. Isto é feito:
Definindo aquelas que parecem ser as variáveis de decisão
necessárias;


necessárias;
Empregando estas variáveis para definir um conjunto de
restrições, de forma que as soluções viáveis do modelo
correspondam ao conjunto de soluções viáveis do problema;


necessárias;
Empregando estas variáveis para definir um conjunto de
restrições, de forma que as soluções viáveis do modelo
correspondam ao conjunto de soluções viáveis do problema;
Usando estas variáveis para definir a função objetivo do
problema.

Alguns Problemas de Programação Inteira Clássicos
O Problema de Atribuição (The Assignment Problem)

O Problema da Mochila {0 − 1} (The {0 − 1} Knapsack
Problem)
O Problema de Cobertura de Conjuntso (The Set Covering
Problem)
O Problema do Caixeiro Viajante (The Traveling Salesman
Problem - TSP)

O Problema da Atribuição - Descrição
Existem n pessoas que devem executar um total de n tarefas. Cada

pessoa deve executar uma e apenas uma das n tarefas. Nenhuma
tarefa pode deixar de ser executada. Alguns indivı́duos são mais
aptos a desenvolver certas tarefas que outros. Assim sendo, há
uma estimativa do custo cij que é incorrido caso a pessoa i execute
a tarefa j.
Objetivo do problema: encontrar uma atribuição de tarefas a

pessoas que minimize o custo total da execução das n tarefas.

Formulando o Problema da Atribuição
Definição de variáveis: xij ∈ {0, 1}, assumindo valor 1 caso
a tarefa j seja designada à pessoa j.

Definição das restrições:

Cada pessoa realiza uma única tarefa:
n
xij = 1, ∀i = 1, . . . , n
j=1

n
xij = 1, ∀i = 1, . . . , n
j=1
Cada tarefa é realizada uma única vez:
n
xij = 1, ∀j = 1, . . . , n
i =1

n
xij = 1, ∀i = 1, . . . , n
j=1
n
xij = 1, ∀j = 1, . . . , n
i =1
As variáveis xij são binárias:
xij ∈ {0, 1}, ∀i = 1, . . . , n, ∀j = 1, . . . , n

n
xij = 1, ∀i = 1, . . . , n
j=1
n
xij = 1, ∀j = 1, . . . , n
i =1
As variáveis xij são binárias:
xij ∈ {0, 1}, ∀i = 1, . . . , n, ∀j = 1, . . . , n
Definição da Função Objetivo: O custo deve ser
n n
minimizado: min cij xij .
i =1 j=1

Problema da Atribuição - Formulação Matemática
n n

min cij xij : x ∈ P ∩ Bn×n (6)
i =1 i =1
onde a região poliédrica P é dada por:

n
xij = 1, ∀i = 1, . . . , n (7)
j=1

n
xij = 1, ∀j = 1, . . . , n (8)
i =1

O Problema da Mochila {0 − 1}
Uma empresa dispõe de b unidades monetárias que serão

empregadas para selecionar alguns de n projetos de investimento
disponı́veis. Para que o projeto j seja selecionado, é necessário
incorrer em um gasto de aj unidades monetárias. Neste caso, o
projeto oferece um retorno de cj unidades monetárias.
Objetivo do problema: encontrar um portfolio de projetos que

maximize o retorno e que consuma no máximo b unidades
monetárias.

Formulando o Problema da Mochila {0 − 1}
Definição de variáveis: xj ∈ {0, 1}, assumindo valor 1 caso o

projeto j seja escolhido, 0 caso contrário.




O dispêndio total é limitado ao orçamento disponı́vel:
n
aj xj ≤ b,
j=1


n
aj xj ≤ b,
j=1


n
aj xj ≤ b,
j=1
As variáveis xj são binárias: xj ∈ {0, 1}, ∀j = 1, . . . , n


n
aj xj ≤ b,
j=1
Definição da Função Objetivo: O retorno deve ser
n
maximizado: max cj xj .
j=1

O Problema da Mochila {0 − 1} - Formulação Matemática
 
n 
max cj xj : x ∈ P ∩ Bn (9)
 
j=1
onde P é dada por:

n
aj xj ≤ b. (10)
j=1

O Problema de Cobertura de Conjuntos
Neste problema deseja-se, dado um conjunto N = {1, . . . , n} de

potenciais centros de serviços de emergência e um conjunto
M = {1, . . . , m} de localidades a serem atendidas por estes
serviços, decidir onde instalar um subconjunto dos centros de
serviços.
Para cada centro de serviço j, Sj designa o subconjunto de
localidades de M que podem ser atendidas por j ∈ N. O custo de
instalar o centro de serviço j é cj .
Objetivo do problema: Encontrar um subconjunto de centros de

serviço, de mı́nimo custo de instalação, tal que toda localidade seja
atendida por pelo menos um centro de serviço instalado.

Formulação de Otimização Combinatória
 


minT ⊆N cj : Sj = M. (11)
 
j∈T j∈T

Formulando o problema como um Programa Inteiro
Definindo a matriz de indicência A: aij = 1, caso a localidade

i possa ser atendida pelo centro de serviço j (isto é, aij = 1 se
i ∈ Sj ), 0, caso contrário.


centro de serviço j seja instalado, 0 caso contrário.




Cada localidade i deve ser coberta por pelo menos um centro

n
de serviço: aij xj ≥ 1, ∀i ∈ M.
j=1



n
j=1



n
j=1
Definição da Função Objetivo: O custo de instalação dos
n
centros deve ser minimizado: min cj xj .
j=1

O Problema da Cobertura de Conjuntos - Formulação de
Prog. Inteira
 
n 
min cj xj : x ∈ P ∩ Bn (12)
 
j=1

n
aij xj ≥ 1, ∀i ∈ M. (13)
j=1

O Problema do Caixeiro Viajante
Um robot deve soldar um conjunto N = {1, . . . , n} de pontos em

uma placa metálica automotiva que está sendo montada. O custo
de deslocamento do robot do ponto de solda i para o ponto de
solda j é cij .
Objetivo do problema: Definir uma rota ou uma sequência de

pontos a serem soldados, de mı́nimo custo.

Formulando o TSP como um Programa Inteiro

o ponto j seja soldado logo após o ponto i , 0, caso contrário.




O
robot deixa cada ponto de solda exatamente uma vez:
xij = 1, ∀i ∈ N,
j:j=i


O
xij = 1, ∀i ∈ N,
j:j=i
O
robot chega a cada ponto de solda exatamente uma vez:
xij = 1, ∀j ∈ N,
i :i =j


O
xij = 1, ∀i ∈ N,
j:j=i
O
xij = 1, ∀j ∈ N,
i :i =j

Garantia de conectividade: xij ≥ 1, ∀S ⊂ N, S = ∅,
i ∈S j∈S
restrições cut-set ou eliminação sub-rotas


O
xij = 1, ∀i ∈ N,
j:j=i
O
xij = 1, ∀j ∈ N,
i :i =j

i ∈S j∈S
Variáveis de decisão: xij ∈ {0, 1}, ∀i, j ∈ N, i = j}.


O
xij = 1, ∀i ∈ N,
j:j=i
O
xij = 1, ∀j ∈ N,
i :i =j

i ∈S j∈S
Variáveis de decisão: xij ∈ {0, 1}, ∀i, j ∈ N, i = j}.
Função Objetivo: O custo
total de deslocamento do robot
deve ser mı́nimo: min xij cij
j∈N i ∈N:i =j

TSP - Formulação Matemática
 
 
min xij cij : x ∈ P ∩ Bn(n−1) (14)
 
j∈N i ∈N:i =j

xij = 1, ∀i ∈ N, (15)
j:j=i

xij = 1, ∀j ∈ N, (16)
i :i =j

xij ≥ 1, ∀S ⊂ N, S = ∅. (17)
i ∈S j∈S

Algumas técnicas de modelagem
Dicotomia ou disjunção
Aproximação de funções não lineares por uma função linear
por partes
Custos Fixos
Variáveis discretas
Qualidade e comparação entre formulações.

Dicotomia ou disjunções
max f (x) :
g (x) ≥ 0 ou h(x) ≥ 0 ou ambas (18)
A restrição disjuntiva (18) pode ser transformada em:
g (x) ≥ δg (19)
h(x) ≥ (1 − δ)h (20)

δ ∈ {0, 1} (21)
onde g e h são limites inferiores para g (x) e h(x), respectivamente.

Dicotomia - satisfazendo pelo menos k restrições
max f (x), tal que, pelo menos k das restrições

gi (x) ≥ 0, i ∈ {1, 2, . . . , m} devem ser satisfeitas (22)
Associamos a cada restrição gi (x) um limite inferior g i e uma

variável binária δi que assume valor 1 caso gi (x) não seja
necessariamente satisfeita, ou 0 caso seja satisfetia.

Dicotomia - satisfazendo pelo menos k restrições
max f (x), tal que, pelo menos k das restrições

gi (x) ≥ 0, i ∈ {1, 2, . . . , m} devem ser satisfeitas (22)
Associamos a cada restrição gi (x) um limite inferior g i e uma

variável binária δi que assume valor 1 caso gi (x) não seja
necessariamente satisfeita, ou 0 caso seja satisfetia.
A condição (22) pode ser reescrita como:
gi (x) ≥ δi g i , ∀i ∈ {1, 2, . . . , m},

m
δi ≤ m − k
i =1
δ ∈ Bm

Restrições condicionais
f (x) > 0 ⇒ g (x) ≥ 0. (23)
Observe que (23) equivale a
g (x) ≥ 0, ou f (x) ≤ 0, ou ambas. (24)

f (x) > 0 ⇒ g (x) ≥ 0. (23)
g (x) ≥ 0, ou f (x) ≤ 0, ou ambas. (24)
Seja f um limite superior para f (x)

f (x) > 0 ⇒ g (x) ≥ 0. (23)
g (x) ≥ 0, ou f (x) ≤ 0, ou ambas. (24)
Seja f um limite superior para f (x)

Então reescrevemos (24) como
g (x) ≥ δg
f (x) ≤ (1 − δ)f .

Aproximando uma função não linear por outra, linear por
partes

Modelagem
Escolhemos uma malha S = {s1j = lj , s2j , . . . , spj = uj } com p
pontos,

Modelagem
Escolhemos uma malha S = {s1j = lj , s2j , . . . , spj = uj } com p
pontos,
Escrevemos xj e a aproximação g (xj ) (conjunto de p − 1
segmentos de reta) como uma combinação convexa dos
pontos que formam a malha:

p
xj = λk skj , (25)
k=1

p
g (xj ) = λk fkj , (26)
k=1

p
λk = 1, (27)
k=1
λk ≥ 0. (28)

Modelagem
Qualquer ponto (xi , g (xj )) pode ser representado como uma

combinação convexa dos pontos extremos do intervalo em que se
situa. Precisamos, entretanto, garantir que não mais de dois
pontos sejam empregados na combinação convexa.

Modelagem
Vamos associar uma variável de decisão binária δi a cada um
dos p − 1 segmentos de reta que formam g (xj ),

Modelagem
δi vale 1 caso f (xj ) seja localmente aproximada pelo
segmento i ∈ {1, . . . , p − 1} cujos extremos são (s(ij) , fij ) e
(s((i +1)j , f(i +1)j ), ou vale 0 caso não seja.

Modelagem
δi vale 1 caso f (xj ) seja localmente aproximada pelo
segmento i ∈ {1, . . . , p − 1} cujos extremos são (s(ij) , fij ) e
(s((i +1)j , f(i +1)j ), ou vale 0 caso não seja.
Então, em adição ao sistema (??)-(??) incluı́mos:
λ1 ≤ δ1
λk ≤ δk + δk+1 , ∀k = 2, . . . , p − 2
λp ≤ δp−1

p−1
δk = 1
k=1
δ ∈ Bp−1

Modelando custos fixos
Suponha que se deseja modelar uma função de custo não linear

satisfazendo:
h(x) = f + px se 0 < x ≤ C ;
h(x) = 0, se x = 0,
onde f , p > 0.
Introduzimos uma variável binária y que assume valor 1 quando

x > 0, 0 caso contrário e reescrevemos a função custo como:
h(x) = yf + px, para x ≤ Cy , y ∈ {0, 1}.
Observe que, embora este modelo não exclua y = 1, x = 0, esta

solução é subótima para f > 0.

Comparando formulações
Exemplo: Uncapacitated lot sizing
O problema consiste em definir um plano de produção de um único

produto em um perı́odo de tempo de n perı́odos. Os seguintes
dados são conhecidos:
ft - custo fixo incorrido caso haja produção no perı́odo t,

pt - custo unitário de produção em t,
ht - custo unitário de estoque em t,
dt - demanda a ser satisfeita em t.

Comparando formulações - ULS
Variáveis de decisão
xt - quantidade produzida em t,

st - quantidade de estoque ao final de t,

y ∈ {0, 1}, assumindo valor 1 se ocorrer produçã em t, 0, c.c.

y ∈ {0, 1}, assumindo valor 1 se ocorrer produçã em t, 0, c.c.
Para lidar com os custos fixos,
n vamos assumir que um limite
superior M (por exemplo t=1 dt , se sn = 0) na quantidade a
ser produzida em t seja conhecido.

ULS - Modelo 1

n
n
n
min pt xt + ht st + f t yt
t=1 t=1 t=1
st−1 + xt = dt + st , ∀t = 1, . . . , n,
xt ≤ Myt , ∀t = 1, . . . , n,
s0 = 0, st , xt ≥ 0, yt ∈ {0, 1}, ∀t = 1, . . . , n.

ULS - Modelo 1 - Reescrevendo a função objetivo

t
t
Observe que st = xi − di
i =1 i =1

ULS - Modelo 1 - Reescrevendo a função objetivo

t
t
Observe que st = xi − di
i =1 i =1
Assim sendo temos:
n
n
n
pt xt + ht st + f t yt =
t=1 t=1 t=1
t

n
n
t
n
pt xt + ht xi − di + f t yt =
t=1 t=1 i =1 i =1 t=1

n n
n
t n
pt + hi xt − ht di + f t yt =
t=1 i =t t=1 i =1 t=1

n n
ct xt + f t yt − K
t=1 t=1

n
t
n
, onde K = ht di e ct = pt + hi .
t=1 i =1 i =t
ULS - modelo 2
O(n2 ) variáveis e restrições.
Novas variáveis de decisão:

ULS - modelo 2
wit - quantidade produzida no perı́odo i que atenderá a
demanda do perı́odo t

ULS - modelo 2
yt ∈ {0, 1}, assumindo valor 1 caso ocorra produção em t, 0,
caso contrário.

ULS - modelo 2
caso contrário.
Novas restrições:

t
wit = dt , ∀t = 1, . . . , n,
i =1
wit ≤ dt yi , ∀i , t i ≤ t
wit ≥ 0, ∀i , t : i ≤ t, yt ∈ {0, 1} ∀t.

ULS - modelo 2
caso contrário.
Novas restrições:

t
wit = dt , ∀t = 1, . . . , n,
i =1
wit ≤ dt yi , ∀i , t i ≤ t
wit ≥ 0, ∀i , t : i ≤ t, yt ∈ {0, 1} ∀t.
Função Objetivo:

n
n
n
min ci wit + f t yt
i =1 t=i t=1
ULS - Comparando os modelos
Considere a seguinte vetor de incidência:
xt = dt , yt = M
dt
, ∀t = 1, . . . , n.

xt = dt , yt = Mdt
, ∀t = 1, . . . , n.
Esta solução satisfaz à formulação P1 , do Modelo 1, dada por:
st−1 + xt = dt + st ⇒ st−1 = st = 0, ∀t = 1, . . . , n
dt
xt ≤ Myt ⇒ dt ≤ M , ∀t = 1, . . . , n
M
xt ≥ 0, 0 ≤ yt ≤ 1, ∀t = 1, . . . , n

xt = dt , yt = Mdt
, ∀t = 1, . . . , n.
Esta solução satisfaz à formulação P1 , do Modelo 1, dada por:
st−1 + xt = dt + st ⇒ st−1 = st = 0, ∀t = 1, . . . , n
dt
xt ≤ Myt ⇒ dt ≤ M , ∀t = 1, . . . , n
M
xt ≥ 0, 0 ≤ yt ≤ 1, ∀t = 1, . . . , n
Porém, não satisfaz à formulação P2 , do Modelo 2:
wii = di , wit = 0, ∀i < t, ∀t = 1, . . . , n
wit ≤ dt yi , ∀i , t i ≤ t ⇒

di
wii ≤ di yi , = di < di
M

ULS - Comparação de Modelos
Pode-se mostrar (Cap. 5) que a formulação P2 é mais forte que

P1 , isto é, P2 ⊂ P1 . Mais do que isto, P2 define a envoltória
convexa do conjunto de vetores de indidência dos planos de
produção associados ao ULS.

Formulações boas e ideais
Poliedro
Corresponde à interseção de um número finito de restrições
lineares. Exemplo: P = {x ∈ Rn+ : aj x ≤ bj , j = 1, . . . , m}.
Formulação
Dado um conjunto discreto X = {x k ∈ Zn+ : k = 1, ..., p}, dizemos
que o poliedro P fornece uma formulação para X se e somente se
X = P ∩ Zn+ .
Envoltória convexa de X
A envoltória convexa de um conjunto de pontos discretos X é:
p
p
conv (X ) = {x ∈ R+ : x =
n λj x ,
j
λj = 1, λj ≥ 0, ∀j}.
j=1 j=1

Proposição
conv (X ) é um poliedro;
Os pontos extremos de conv (X ) pertencem a X .
Corolário
O IP {min cx : x ∈ X } pode ser substituı́do pelo programa linear
equivalente {min cx : x ∈ conv (X )}.

Uma formulação é tanto melhor quanto mais próxima for, no

sentido geométrico, de conv (X ).
Dadas duas formulações, P1 e P2 , P1 é melhor (ou mais forte)
que P2 se e somente se P1 ⊂ P2 .

Exemplo: Mochila {0 − 1}
P1 = {x ∈ R4 : 0 ≤ x ≤ 1, 83x1 + 61x2 + 49x3 + 20x4 ≤ 100}
P2 = {x ∈ R4 : 0 ≤ x ≤ 1, 4x1 + 3x2 + 2x3 + 1x4 ≤ 4}

 4 :


 x ∈ R 0 ≤ x ≤ 1 

 
4x1 + 3x2 + 2x3 + x4 ≤ 4
P3 =

 x1 + x2 + x3 ≤ 1 
 
x1 + x4 ≤ 1
Veremos como mostrar que P3 ⊂ P2 ⊂ P1 .

Cap1 Formulações 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

Cap1 Formulações PDF

Uploaded by

Copyright:

Available Formats

Formulações - Cap 1 Wolsey

Alexandre Salles da Cunha

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Se algumas (não todas) variáveis de decisão devem assumir

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Se algumas (não todas) variáveis de decisão devem assumir

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Se algumas (não todas) variáveis de decisão devem assumir

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Nos é dado um conjunto base N = {1, 2, ...., n}, pesos

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Nos é dado um conjunto base N = {1, 2, ...., n}, pesos

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Nos é dado um conjunto base N = {1, 2, ...., n}, pesos

Em algumas situações, é melhor formularmos um COP como

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Assim como em Programação Linear, desejamos transcrever uma

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Assim como em Programação Linear, desejamos transcrever uma

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Assim como em Programação Linear, desejamos transcrever uma

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

O Problema de Atribuição (The Assignment Problem)

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Existem n pessoas que devem executar um total de n tarefas. Cada

Objetivo do problema: encontrar uma atribuição de tarefas a

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

onde a região poliédrica P é dada por:

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Uma empresa dispõe de b unidades monetárias que serão

Objetivo do problema: encontrar um portfolio de projetos que

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definição de variáveis: xj ∈ {0, 1}, assumindo valor 1 caso o

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definição de variáveis: xj ∈ {0, 1}, assumindo valor 1 caso o

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definição de variáveis: xj ∈ {0, 1}, assumindo valor 1 caso o

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definição de variáveis: xj ∈ {0, 1}, assumindo valor 1 caso o

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definição de variáveis: xj ∈ {0, 1}, assumindo valor 1 caso o

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definição de variáveis: xj ∈ {0, 1}, assumindo valor 1 caso o

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

onde P é dada por:

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Neste problema deseja-se, dado um conjunto N = {1, . . . , n} de

Objetivo do problema: Encontrar um subconjunto de centros de

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definindo a matriz de indicência A: aij = 1, caso a localidade

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definindo a matriz de indicência A: aij = 1, caso a localidade

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definindo a matriz de indicência A: aij = 1, caso a localidade

Alexandre Salles da Cunha Geraldo Robson Mateus Formulações - Cap 1 Wolsey

Definindo a matriz de indicência A: aij = 1, caso a localidade