Resolução do problema do caixeiro viajante assimétrico (e uma variante) através da relaxação Lagrangeana

Transcrição

1 Resolução do problema do caixeiro viajante assimétrico (e uma variante) através da relaxação Ana Maria A.C. Rocha e João Luís C. Soares Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho arocha@dps.uminho.pt Departamento de Matemática Faculdade de Ciências e Tecnologia Universidade de Coimbra jsoares@mat.uc.pt jsoares Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 1/54

2 Conteúdo Conteúdo Resolução do problema do caixeiro viajante assimétrico Resolução do problema do reparador viajante Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 2/54

3 Conteúdo Conteúdo Resolução do problema do caixeiro viajante assimétrico Resolução do problema do reparador viajante Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 2/54

4 Conteúdo Conteúdo Resolução do problema do caixeiro viajante assimétrico Resolução do problema do reparador viajante Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 2/54

5 Conteúdo Conteúdo Resolução do problema do caixeiro viajante assimétrico Resolução do problema do reparador viajante Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 2/54

6 Conteúdo Conteúdo Resolução do problema do caixeiro viajante assimétrico Resolução do problema do reparador viajante Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 2/54

7 Conteúdo Conteúdo Resolução do problema do caixeiro viajante assimétrico Resolução do problema do reparador viajante Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 2/54

8 Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 3/54

9 Alguns problemas de optimização linear originários de aplicações do mundo real têm: um grande número de variáveis e/ou um grande número de restrições dificilmente podem ser resolvidos por métodos do tipo simplex de uma forma eficiente Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 4/54

10 Alguns problemas de optimização linear originários de aplicações do mundo real têm: um grande número de variáveis e/ou um grande número de restrições Exemplos: dificilmente podem ser resolvidos por métodos do tipo simplex de uma forma eficiente Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 4/54

11 Alguns problemas de optimização linear originários de aplicações do mundo real têm: um grande número de variáveis e/ou um grande número de restrições Exemplos: dificilmente podem ser resolvidos por métodos do tipo simplex de uma forma eficiente - problema do caixeiro viajante Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 4/54

12 Alguns problemas de optimização linear originários de aplicações do mundo real têm: um grande número de variáveis e/ou um grande número de restrições Exemplos: dificilmente podem ser resolvidos por métodos do tipo simplex de uma forma eficiente - problema do caixeiro viajante - problema do reparador viajante Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 4/54

13 Definição Dual Vantagens Limitações Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 5/54

14 Definição Dual Vantagens Limitações z = min cx s.a Ax b, 0 x 1, (1) Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 6/54

15 Definição Dual Vantagens Limitações z = min cx s.a Ax b, 0 x 1, A relaxação de (1) relativamente às restrições de desigualdade é dada por { min cx + π (Ax b) z (π) s.a 0 x 1 para um vector dual de multiplicadores π 0. (1) (2) Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 6/54

16 Definição Dual Vantagens Limitações z = min cx s.a Ax b, 0 x 1, A relaxação de (1) relativamente às restrições de desigualdade é dada por { min cx + π (Ax b) z (π) s.a 0 x 1 para um vector dual de multiplicadores π 0. Note-se que z(π) z para todo π 0, ou seja, z(π) é um limite inferior para o valor óptimo de (1). O problema que permite determinar o melhor de todos os limites inferiores é o problema Lagrangeano dual de (1). (1) (2) Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 6/54

17 Problema dual O problema dual de (1) é definido por Definição Dual Vantagens Limitações max z (π) s.a π 0. (3) Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 7/54

18 Problema dual O problema dual de (1) é definido por Definição Dual Vantagens Limitações max z (π) s.a π 0. As principais características do problema dual são: (3) côncavo Vantagem não diferenciável Limitação Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 7/54

19 Vantagens da relaxação Porquê resolver o problema dual em vez do primal? Definição Dual Vantagens Limitações 1. o cálculo de z(π) pode ser mais simples, em termos computacionais, do que resolver o problema primal; 2. o problema dual é um problema côncavo de maximização que implica que todo o seu máximo local também é máximo global; 3. os limites superiores para o valor óptimo do problema primal encontrados na resolução do problema dual podem ser úteis na resolução de, por exemplo, um problema de optimização combinatória subjacente ao primal ou no contexto da resolução aproximada de um problema primal para definir soluções admissíveis pela via heurística. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 8/54

20 Limitações da relaxação Dificuldades na resolução do problema dual Definição Dual Vantagens Limitações 1. a avaliação de z(π) requer a resolução de um problema de optimização; 2. a função z é, em geral, não diferenciável e, por isso, os métodos clássicos de Optimização Não Linear não podem ser usados na resolução do problema dual. Existem vários métodos que permitem resolver o problema dual, como por exemplo, Algoritmo do subgradiente (Subgradient algorithm) Geração de colunas (Column generation) Métodos de feixe (Bundle methods) Algoritmo volumétrico (Volume algorithm) Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 9/54

21 Algoritmo do Algoritmo volumétrico Combinar AV Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 10/54

22 Algoritmo do Algoritmo do Algoritmo volumétrico Combinar AV Desde os inícios dos anos 70 que o algoritmo do subgradiente, inicialmente proposto por Polyak (1969), é usado para produzir limites inferiores de problemas lineares de grandes dimensões. Existem muitas experiências feitas com este algoritmo produzindo muito boas aproximações à solução dual. Vantagens é um método simples de implementar; necessita de pouca memória de armazenamento; funciona bem, fornecendo boas aproximações à solução em dezenas ou centenas de iterações. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 11/54

23 Algoritmo do Algoritmo do Algoritmo volumétrico Combinar AV Desvantagens não tem um critério de paragem bem definido; baseia-se no limite máximo do número de iterações ou no limite do número de passos em que não se verifique melhoria na aproximação; tem um comportamento de ziguezague tornando a procura do óptimo mais lenta; que se deve ao facto de o algoritmo não ser de subida não preservar em memória os subgradientes anteriores; não produz soluções para as variáveis primais, o que leva à aplicação de um procedimento diferente para a sua computação. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 12/54

24 Algoritmo volumétrico Algoritmo do Algoritmo volumétrico Combinar AV O Algoritmo Volumétrico (AV), introduzido por Barahona e Anbil (2000), é uma extensão do método do subgradiente que foi desenvolvido para produzir simultaneamente limites inferiores soluções duais admissíveis boas aproximações às soluções primais. O algoritmo volumétrico além de ser muito rápido a produzir boas aproximações à solução primal requer também pouca memória de armazenamento. Pertence ao projecto COIN-OR (Common Optimization Interface for Operations Research). Disponível em Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 13/54

25 Algoritmo volumétrico Algoritmo do Algoritmo volumétrico Combinar AV Vantagens tem um critério de paragem bem definido, baseado no limite máximo do número de iterações ou na violação máxima das restrições ser inferior a uma pequena quantidade positiva ( 0) e a diferença relativa entre o limite inferior e a aproximação primal ser inferior a uma pequena quantidade ( 0); não tem um comportamento de ziguezague porque se garante que o algoritmo é de subida os subgradientes são calculados como combinação linear dos subgradientes anteriores; produz aproximações às soluções primais como combinação linear das soluções anteriores. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 14/54

26 Algoritmo volumétrico Algoritmo do Algoritmo volumétrico Combinar AV Entrada: π 0 Inicialização: Obter y 0 uma solução óptima em z(π 0 ) e definir v 0 = b Ay 0 z(π 0 ). Iniciar π 1 = π 0, x 1 = y 0, w 1 = v 0, j = 1 e k = 1. Iteração Genérica j: Passo 1: Para algum comprimento do passo s j > 0, definir π j = [ π k + s j w j ] +. Passo 2: Obter y j uma solução óptima em z(π j ) e definir v j = b Ay j z(π j ). Passo 3: Para algum α j [0, 1], definir x j+1 = α j y j + (1 α j ) x j w j+1 = α j v j + (1 α j ) w j. Passo 4: Se z(π j ) > z( π k ) então definir π k+1 = π j e fazer k k + 1. Passo 5: Testar critério de paragem. Fazer j j + 1 e voltar ao Passo 1. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 15/54

27 Combinar o Algoritmo volumétrico com... Algoritmo do Algoritmo volumétrico Combinar AV... outras técnicas de optimização na resolução de problemas lineares difíceis: métodos do tipo simplex para resolver o problema do caixeiro viajante assimétrico modelo relaxado modelo inteiro Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 16/54

28 Combinar o Algoritmo volumétrico com... Algoritmo do Algoritmo volumétrico Combinar AV... outras técnicas de optimização na resolução de problemas lineares difíceis: métodos do tipo simplex para resolver o problema do caixeiro viajante assimétrico modelo relaxado modelo inteiro métodos do tipo simplex para resolver o problema do reparador viajante modelo relaxado modelo inteiro Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 16/54

29 Resolução do problema do caixeiro viajante assimétrico PCV PCVA Formulações Notação matricial Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 17/54

30 Problema do caixeiro viajante Dado um conjunto de cidades e conhecidas as distâncias entre cada uma delas, pretende-se determinar o circuito de menor comprimento que passa por todas as cidades, exactamente uma vez, e que termina na cidade de onde partiu. PCV PCVA Formulações Notação matricial Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 18/54

31 Problema do caixeiro viajante PCV PCVA Formulações Notação matricial A estrutura matemática do problema do caixeiro viajante é um grafo em que cada cidade é um nó e as linhas que unem todos os nós são denominadas por arcos. Associada a cada linha está uma distância ou custo. Uma viagem, que passe por todas as cidades uma única vez, corresponde a qualquer subconjunto de linhas do grafo e é designado por circuito Hamiltoniano, na teoria de grafos. O comprimento de um circuito é a soma do comprimento das linhas que fazem parte da viagem Circuito óptimo Comprimento do circuito = Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 19/54

32 Problema do caixeiro viajante Problema simétrico Problema assimétrico PCV PCVA Formulações Notação matricial No caso do problema assimétrico as distâncias entre duas cidades podem ser diferentes, consoante os trajectos são percorridos num ou noutro sentido Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 20/54

33 Problema do caixeiro viajante PCV PCVA Formulações Notação matricial Aplicações: Determinação de percursos óptimos em transporte de pessoas ou mercadorias ex: autocarro de escola Subproblema de problemas de distribuição e planeamento de rotas de veículos ex: determinar, para um dado conjunto de veículos, qual o percurso que cada veículo deve efectuar, de modo a, no seu conjunto, servir todos os clientes Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 21/54

34 Problema do caixeiro viajante assimétrico PCV PCVA Formulações Notação matricial Matematicamente, o PCVA pode ser definido por min c ij x ij s.a (i,j) A (i,j) δ + (i) (i,j) δ (j) x ij = 1 (i V ) x ij = 1 (j V ) eliminação de subcircuitos x ij {0, 1} ((i, j) A) V = {1,..., n} representa o conjunto de vértices A = {(i, j) : i, j V ; i j} o conjunto de arcos δ (j) denota o conjunto dos arcos que convergem para o vértice j δ + (i) denota o conjunto dos arcos que divergem do vértice i Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 22/54

35 Problema do caixeiro viajante assimétrico PCV PCVA Formulações Notação matricial As restrições de eliminação de subcircuitos podem ser modeladas de várias formas: usando desigualdades que envolvem apenas as variáveis x ij ou formulação natural variáveis adicionais que podem ou não estar associadas aos arcos formulação estendida Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 23/54

36 Eliminação de subcircuitos PCV PCVA Formulações Notação matricial Formulação clássica - DFJ A representação das restrições de eliminação de subcircuitos mais conhecida, proposta por Dantzig, Fulkerson e Johnson (1954), que é uma formulação natural, é x ij S 1 (S V \ {1}). (i,j) A(S) Esta formulação envolve O ( n 2) variáveis e O (2 n ) restrições. envolve um número exponencial de restrições Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 24/54

37 Eliminação de subcircuitos PCV PCVA Formulações Notação matricial Vários investigadores propuseram formulações que envolvem um número polinomial de restrições, à custa da introdução de variáveis auxiliares (formulações estendidas). É o caso, por exemplo, das formulações de: Miller, Tucker e Zemlin (1960), Gavish e Graves (1978), Wong (1980) e Claus (1984). Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 25/54

38 Eliminação de subcircuitos PCV PCVA Formulações Notação matricial Formulação de fluxo desagregado A formulação (estendida) de fluxo desagregado, proposta por Claus (1984), que usa o conceito de redes de fluxos é dada por y1j k yj1 k = 1 (k V \ {1}) (1,j) δ + (1) (k,j) δ + (k) (i,j) δ + (i) y k kj y k ij (j,1) δ (1) (j,k) δ (k) (j,i) δ (i) y k jk = 1 (k V \ {1}) y k ji = 0 (k V \ {1}, i V \ {1, k}) 0 y k ij x ij ((i, j) A, k V \ {1}) Esta formulação envolve O ( n 2) variáveis binárias, O ( n 3) variáveis contínuas e O ( n 3) restrições. envolve um número polinomial de restrições Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 26/54

39 Problema do caixeiro viajante assimétrico Em notação matricial, o PCVA é definido por min cx PCV PCVA Formulações Notação matricial em que: s.a Dx = 1l By k = b k (k V 1 ) x y k 0 (k V 1 ) (x, y) inteiros D é a matriz de incidência nó-aresta do grafo bipartido não orientado G = (V V, A); 1l é um vector coluna de tudo uns; B é a matriz de incidência nó-arco do grafo orientado G e para cada k V 1 V \ {1}; (4) b k é um vector coluna de tudo zeros excepto para b k 1 = 1 e b k k = 1. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 27/54

40 Problema Lagrangeano PCV PCVA Formulações Notação matricial A relaxação do problema (4), relativamente às restrições de conservação de fluxo, é dada por z(π) = min cx + k V 1 π ( k b k By k) s.a Dx = 1l x y k 0 (k V 1 ) y k 0 (k V 1 ) x 0 para um dado vector de multiplicadores π. O problema dual de (4) é definido por z L = max (5) { z (π) : π = [ π k] R ( V 1) V } (6) Uma solução óptima do problema (5) pode ser obtida através da resolução de um adequado problema de afectação. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 28/54

41 Resolução do modelo relaxado Para um vector c definido, componente a componente, por PCV PCVA Formulações Notação matricial c ij = c ij k V 1 max ( (π k i π k j ), 0 ), o problema Lagrangeano (5) é equivalente ao problema de afectação min cx s.a Dx = 1l, x 0 Se x é uma solução óptima de (7) então ( x, ȳ), com ȳ = ȳ( x) definido por ȳ k ij(x) = { x ij se π k i πk j 0, 0 se π k i πk j < 0. } ((i, j) A, k V 1 ) (7) é solução óptima para o problema Lagrangeano (5). Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 29/54

42 Resolução do modelo relaxado PCV PCVA Formulações Notação matricial Em cada iteração do algoritmo volumétrico resolve-se o problema de afectação. Entrada: π 0 R ( V 1) V. Inicialização: Resolver (5) com π = π 0 para obter a solução (x 0, y 0 ). Definir v 0 = b By 0 z(π 0 ). Iniciar π 1 = π 0, ( x, ȳ) = (x 0, y 0 ), w = v 0, j = 1 e l = 1. Iteração Genérica j: Passo 1: Para algum comprimento do passo s j > 0, definir π j = π l + s j w. Passo 2: Obter (x j, y j ) uma solução óptima de (5). Definir v j = [v k,j ] z(π j ) com v k,j = b k By k,j. Passo 3: Para algum α j [0, 1], definir ( x, ȳ) = α j (x j, y j ) + (1 α j ) ( x, ȳ) w = α j v j + (1 α j ) w. Passo 4: Se z(π j ) > z( π l ), então definir π l+1 = π j e fazer l l + 1. Passo 5: Testar critério de paragem. Fazer j j + 1 e voltar para Passo 1. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 30/54

43 Estratégia para o modelo relaxado Resolver relaxação linear do problema do caixeiro viajante assimétrico através de: algoritmo volumétrico PCV PCVA Formulações Notação matricial + CPLEX Comparar os resultados desta estratégia com: CPLEX Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 31/54

44 Resultados obtidos com o modelo relaxado PROBLEMA PCV PCVA Formulações Notação matricial PCVA Núm. Núm Núm. Óptimo vértices arcos variáveis Frácc. ftv CPLEX (dualopt) Núm. Iterações Tempo (seg.) VOLUMÉTRICO CPLEX Núm. L Violação Tempo Núm. Tempo It. (dual) Máx. (seg.) It. (seg.) Tempo Total Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 32/54

45 Resultados obtidos com o modelo relaxado PCV PCVA Formulações Notação matricial ft70 ft53 ry48p p43 ftv70 ftv64 ftv55 ftv47 ftv44 ftv38 ftv35 ftv33 br17 AV+CPLEX CPLEX Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 33/54

46 Estratégia para o modelo inteiro Resolver problema do caixeiro viajante assimétrico (inteiro) através de: PCV PCVA Formulações Notação matricial algoritmo volumétrico + heurísticas + CPLEX-MIP Comparar os resultados desta estratégia com: CPLEX-MIP Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 34/54

47 Estratégia para o modelo inteiro As heurísticas utilizadas tinham como objectivo: PCV PCVA Formulações Notação matricial averiguar a adequação do AV como mecanismo de identificação de arcos que não participam na solução óptima inteira. As ideias utilizadas foram: 1. executar o algoritmo volumétrico ao problema 2. com a solução do AV, fixar a zero todas as variáveis cujo valor da solução primal fosse igual ou inferior a custo reduzido associado à restrição dual correspondente fosse superior ou igual a executar o CPLEX MIP ao problema reduzido Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 35/54

48 Resultados obtidos com o modelo inteiro PROBLEMA PCV PCVA Formulações Notação matricial PCVA Núm. Núm Núm. Óptimo vértices arcos var. Inteiro ftv CPLEX-MIP Núm. Iterações Tempo (seg.) VOLUMÉTRICO HEURÍSTICA CPLEX-MIP Núm. Tempo Redução Núm. Tempo It. (seg.) var. It. (seg.) Tempo Total Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 36/54

49 Resultados obtidos com o modelo inteiro AVH+CPLEXMIP CPLEXMIP ftv38 PCV PCVA Formulações Notação matricial ftv35 ftv33 br17 Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 37/54

50 Resolução do problema do reparador viajante PRV Formulação Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 38/54

51 Problema do reparador viajante PRV Formulação Dado um conjunto de cidades e conhecidas as distâncias entre cada uma delas, pretende-se determinar o circuito que minimiza a soma acumulada das distâncias (ao longo do circuito) que passa por todas as cidades, exactamente uma vez, e que termina na cidade de onde partiu. A estrutura matemática do problema do reparador viajante é semelhante à do problema do caixeiro viajante. Neste caso, o comprimento de um circuito é o total da soma dos acumulados das linhas até cada nó que faz parte da viagem. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 39/54

52 Problema do reparador viajante PRV Formulação Suponhamos que temos um grafo com n nós. Em cada nó existe uma máquina para ser reparada, e existe apenas um reparador. Dado o tempo requerido pelo reparador para viajar entre nós, pretende-se encontrar um circuito que minimize o tempo total de espera para todas as máquinas Circuito óptimo Comprimento do circuito = 42 Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 40/54

53 Problema do reparador viajante PRV Formulação O problema do reparador viajante é também conhecido por problema do distribuidor (delivery man problem) problema da latência mínima (minimum latency problem) problema do caixeiro viajante com custos acumulados (traveling salesman problem with cumulative costs) Aplicações: Problemas de distribuição em que se pretende minimizar o tempo de espera de cada cliente ex: distribuição de pizzas Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 41/54

54 Formulação do reparador viajante Seja G = (V, A) um grafo não orientado. PRV Formulação O objectivo do problema do reparador viajante com tempo de espera diferenciados é determinar um percurso H em G definido por H = {1, (1 i 1, i 2 ), i 2, (i 2, i 3 ), i 3..., i n, (i n, i n+1 1), 1}, que minimiza a soma do tempo de viagem mais a soma do total da percepção do tempo de espera para cada cliente. Matematicamente, a função custo total é dada por (i,j) A(H) c 1 ij + n k=2 ( k 1 ) c k i l i l+1 l=1 Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 42/54

55 Problema do reparador viajante Formulação em notação matricial: min c 1 x + k V 1 c k y k PRV Formulação s.a Dx = 1l By k = b k (k V 1 ) x y k 0 (k V 1 ) (x, y) inteiros (8) Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 43/54

56 Problema Lagrangeano A relaxação do problema (8), relativamente às restrições de conservação de fluxo, é dada por min c 1 x + k V 1 c k y k + k V 1 π k ( b k By k) PRV Formulação z(π) = s.a Dx = 1l x y k 0 (k V 1 ) y k 0 (k V 1 ) x 0 para um dado vector de multiplicadores π. (9) O problema dual de (8) é definido por z L = max { z (π) : π = [ π k] R ( V 1) V } (10) Uma solução óptima do problema (9) pode ser obtida através da resolução de um adequado problema de afectação. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 44/54

57 Resolução do modelo relaxado Para um vector c definido, componente a componente, por PRV Formulação c = c ij c 1 ij + k V 1 ( c k ij π k i + π k j ), o problema Lagrangeano (9) é equivalente ao problema de afectação min cx s.a Dx = 1l, x 0 Se x é uma solução óptima de (11) então ( x, ȳ), com ȳ = ȳ( x) definido por ȳ k ij = x ij se c k ij πk i + πk j < 0 ξ [0, x ij ] se c k ij πk i + πk j = 0 0 se c k ij πk i + πk j > 0 (11) ((i, j) E, k V 1) é solução óptima para o problema Lagrangeano (9). Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 45/54

58 Resolução do modelo relaxado PRV Formulação Em cada iteração do algoritmo volumétrico resolve-se o problema de afectação. Entrada: π 0 R ( V 1) V. Inicialização: Resolver (9) com π = π 0 para obter a solução (x 0, y 0 ). Definir v 0 = b By 0 z(π 0 ). Iniciar π 1 = π 0, ( x, ȳ) = (x 0, y 0 ), w = v 0, j = 1 e l = 1. Iteração Genérica j: Passo 1: Para algum comprimento do passo s j > 0, definir π j = π l + s j w. Passo 2: Obter (x j, y j ) uma solução óptima de (9). Definir v j = [v k,j ] z(π j ) com v k,j = b k By k,j. Passo 3: Para algum α j [0, 1], definir ( x, ȳ) = α j (x j, y j ) + (1 α j ) ( x, ȳ) w = α j v j + (1 α j ) w. Passo 4: Se z(π j ) > z( π l ), então definir π l+1 = π j e fazer l l + 1. Passo 5: Testar critério de paragem. Fazer j j + 1 e voltar para Passo 1. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 46/54

59 Estratégia para o modelo relaxado PRV Formulação As instâncias do problema do reparador viajante com tempos de espera diferenciados são baseadas em instâncias do caixeiro viajante assimétrico retiradas da TSPLib com custos adicionais (percepção dos tempos de espera) na função objectivo. Os custos associados à percepção do tempo de espera para cada cliente foram definidos por c k i j i j+1 = c 1 i j i j+1 ξ/100 em que para cada par (k, (i j, i j+1 )) foi gerado ξ como sendo um número aleatório pertencente ao intervalo [80,120] usando o zero como semente. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 47/54

60 Estratégia para o modelo relaxado Resolver relaxação linear do problema do reparador viajante através de: algoritmo volumétrico PRV Formulação + CPLEX Comparar os resultados desta estratégia com: CPLEX Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 48/54

61 Estratégia para o modelo relaxado PROBLEMA PRV Formulação PRV Núm. Núm Núm Óptimo vértices arcos var. Frácc. ftv CPLEX (dualopt) Núm. Iterações Tempo (seg.) VOLUMÉTRICO CPLEX Núm. L Violação Tempo Núm. Tempo It. (dual) Máx. (seg.) It. (seg.) Tempo Total Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 49/54

62 Estratégia para o modelo relaxado AV+CPLEX CPLEX PRV Formulação ft70 ft53 ry48p ftv70 ftv64 ftv55 ftv47 ftv44 ftv38 ftv35 ftv33 Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 50/54

63 Estratégia para o modelo inteiro Resolver problema do reparador viajante (inteiro) através de: PRV Formulação algoritmo volumétrico + heurísticas + CPLEX-MIP Comparar os resultados desta estratégia com: CPLEX-MIP Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 51/54

64 Estratégia para o modelo inteiro Resolver problema do reparador viajante (inteiro) através de: PRV Formulação algoritmo volumétrico + Branch-and-Bound Comparar os resultados desta estratégia com: CPLEX-MIP Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 52/54

65 Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 53/54

66 O algoritmo volumétrico pode ajudar: na identificação de { uma boa base } inicial aproximada para a resolução exacta { } PCVA de formulações do ; PRV na obtenção de soluções óptimas, quando combinado com outras técnicas. Estúdio de Optimização, DMAT, FCTUC, Abril 2006 Ana Maria Rocha - p. 54/54