PROJETO DE REDE COM CUSTOS CONVEXOS E BALANCEAMENTO DE FLUXOS
|
|
- Leonor Gabeira Lima
- 6 Há anos
- Visualizações:
Transcrição
1 PROJETO DE REDE COM CUSTOS CONVEXOS E BALANCEAMENTO DE FLUXOS Pollyanna G. Faria Dias pollyanna@cpdee.ufmg.br Rodney Rezende Saldanha rodney@cpdee.ufmg.br Gilberto de Miranda Jr. miranda@dep.ufmg.br Ricardo Saraiva de Camargo rcamargo@dep.ufmg.br Departamento de Engenharia Elétrica UFMG - Universidade Federal de Minas Gerais Av. Antônio Carlos, 6627, Pampulha, CEP Belo Horizonte, MG, Brasil Departamento de Engenharia de Produção UFMG - Universidade Federal de Minas Gerais Av. Antônio Carlos, 6627, Pampulha, CEP Belo Horizonte, MG, Brasil ABSTRACT Convex Flow Balancing Network Design In this work, the single source tree network design problem under convex costs is addressed. This is a referential problem when designing networks for materials, energy or data transportation. The modeling effort yields a large scale mixedinteger nonlinear program which is very hard to solve. In order to overcome the solution difficulties, two distinct solution methods are deployed: The first of them is the Generalized Benders Decomposition method; the second technique combines the Outer Approximation method with the ideas of projection in Benders Decomposition in order to imply the technique Hybrid-OA. The Hybrid-OA method is very effective on solving instances up to 702 edges, under reasonable computational costs, and makes the further application of the proposed technique to even more sophisticated models promising. KEYWORDS: Network Design Problems, Benders Decomposition, Outer Approximation Artigo submetido em 03/02/2011 (Id.: 01261) Revisado em 26/04/2011, 20/06/2011 Aceito sob recomendação do Editor Associado Prof. Luís Fernando C. Alberto RESUMO O problema de projeto de redes arborescentes de fonte única com custos convexos é abordado neste trabalho. Trata-se de problema referencial no projeto de redes de transporte de matéria, energia ou informação. Resulta do esforço de modelagem um programa não-linear inteiro misto de grande escala e de difícil resolução. Para superar tais dificuldades, dois métodos distintos são aplicados ao problema: O primeiro deles é a técnica de Decomposição de Benders Generalizada; o segundo método combina a técnica de Aproximação Externa com as idéias de projeção subjacentes à Decomposição de Benders para derivar a técnica OA-Híbrido. O método OA- Híbrido se mostra muito eficiente na solução de instâncias com até 702 arcos, obtendo custos de computação bastante razoáveis, tornando promissora a sua aplicação a problemas ainda mais sofisticados. PALAVRAS-CHAVE: Problemas de Projeto de Rede, Decomposição de Benders, Aproximação Externa. 1 INTRODUÇÃO O problema de projeto de rede faz parte das atividades de planejamento estratégico de empresas que operam sistemas Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro
2 de transporte de passageiros, carga, energia ou informação. O objetivo é atender às demandas dos clientes, respeitando os níveis de serviço pré-estabelecidos e assegurando o lucro e a eficiência da operação. Portanto devem ser considerados tanto o aspecto da adequação da infra-estrutura para manter o nível de serviço necessário quanto a necessidade de operação otimizada que racionalize o uso da capacidade instalada. Encontrar o melhor equilíbrio entre estas duas visões aparentemente conflitantes investir mais em infra-estrutura e aumentar a capacidade instalada ou priorizar a otimização das práticas operacionais é a raiz de uma estratégia de negócio bem sucedida. Uma forma de buscar tal equilíbrio é estudar o problema de projeto de rede sob a perspectiva da Programação Matemática. Assim, o problema consiste basicamente em ligar um servidor aos seus diversos clientes dispersos geograficamente, satisfazendo a demanda a um custo total mínimo. Os custos envolvidos são os de transporte/transmissão, de instalação de infra-estrutura e de qualidade de serviço, ou congestionamento. Do ponto de vista matemático, o problema pode ser visto como uma generalização do Problema da Árvore de Steiner em um grafo direcionado (Maculan, 1987). De fato, ao se desconsiderar custos de transmissão e os de serviço nas conexões, tem-se basicamente o problema de Steiner (Maculan, 1987; Hwang and Richards, 1992). Desprezandose os custos fixos, tem-se um problema de transbordo de fonte única (Dantzig, 1962). Problemas de projeto de rede constituem uma classe importante de problemas de otimização combinatória, com aplicações diretas nas áreas de distribuição de energia elétrica como em (Benchakroun et al., 1992) e (Ramirez-Rosado and Dominguez-Navarro, 2006), de transporte de cargas fracionadas (Cordeau et al., 2006), de transporte público (Contreras et al., 2009; Contreras et al., 2010), de redes de acesso local de telefonia (Randazzo and Luna, 2001), e de redes de computadores (Klincewicz, 1998; Altiparmak et al., 2003). No contexto brasileiro, um grande exemplo de problema de projeto de rede é o programa Luz para Todos. O governo brasileiro lançou em 2003 o desafio de acabar com a exclusão elétrica no país. O programa é coordenado pelo Ministério de Minas e Energia, operacionalizado pela Eletrobrás e executado pelas concessionárias de energia elétrica e cooperativas de eletrificação rural. O objetivo do programa é garantir o acesso ao serviço público de energia elétrica a todos os domicílios e estabelecimentos do meio rural. É considerado o programa de inclusão elétrica mais ambicioso implementado no mundo. Outro exemplo é o Projeto Banda Larga nas Escolas Públicas Urbanas que tem por objetivo levar a Internet, em banda larga, a mais de 64 mil escolas públicas urbanas do país. Todas as escolas públicas urbanas deverão ser conectadas à Internet e o serviço mantido, de forma gratuita, até De acordo com estimativas do Ministério da Educação, mais de 50 milhões de alunos - 86% dos estudantes brasileiros - serão beneficiados pelo projeto. Apesar de se acreditar que as técnicas aqui propostas são de escopo geral e que podem ser aplicadas a problemas reais tanto de projeto de redes de distribuição de energia quanto de projeto de redes de dados, é fácil ver que o modelo corrente descreve melhor as redes de transporte de informação, estando distante dos modelos mais modernos utilizados no projeto de redes de distribuição de energia. Entretanto, com as devidas adequações, na linha proposta por (Benchakroun et al., 1992), é possível abordar problemas de projeto de redes de transmissão de energia que envolvam funções sofisticadas, desde que o esforço de convexificação garanta boa precisão na descrição dos efeitos não-lineares. Neste trabalho, redes arborescentes de fonte única são tratadas considerando-se custos de instalação de infra-estrutura, de transporte e de congestionamento, sendo estes últimos responsáveis pela degradação dos níveis de serviço e das economias de escala em cada arco da rede. Resulta desse esforço um programa matemático inteiro misto não-linear de difícil resolução, uma vez que não-linearidades aumentam os gaps de integralidade em qualquer formulação. Uma abordagem capaz de resolver eficientemente a formulação é desenvolvida através de técnicas de decomposição, mais especificamente, usando o método de decomposição de Benders (Benders, 1962). Este método se mostra muito eficiente em outros tipos de problemas de projeto de rede (Costa, 2005). Entretanto, em função da complexidade do problema aqui abordado e da estrutura especial da formulação, o método pode ser combinado com outra técnica clássica de decomposição: Aproximação Externa (Fletcher and Leyfer, 1994). Esta combinação inovadora permitiu reduzir o tempo computacional de resolução e aumentar o tamanho das redes usadas como teste. O artigo está assim organizado: na Seção 2, as definições usadas e a formulação proposta são apresentadas. A decomposição de Benders é formalizada na Seção 3, enquanto a Aproximação Externa e a combinação com o primeiro método são mostradas na Seção 4. Finalmente, os experimentos computacionais e os comentários finais são feitos nas Seções 5 e 6, respectivamente. 50 Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro 2012
3 2 DEFINIÇÕES E FORMULAÇÃO Uma rede genérica é representada por um grafo direcionado Γ(V, E), onde V e E são os conjuntos de nodos e de arcos que representam as conexões possíveis entre os nodos, respectivamente. Um arco ou ligação entre os nodos i e j é representado por (i, j) E, onde i, j V. Seja ainda s o nodo fonte, que deve enviar matéria energia ou informação a um conjunto K de nodos de demanda. Cada um deles possuindo uma demanda d k 0 distinta, onde k K e K V. O custo unitário de transporte/transmissão da demanda do nó k K no arco (i, j) E é representando por c ijk. Assumese que c ijk = θ k δ ij, k K, onde θ k é o custo específico de transporte da demanda do nó k e δ ij é a distância entre os nodos i e j. Desta forma, o custo unitário de transporte fica dependente tanto do nó da destino e quanto do comprimento do arco. Caso isto não seja necessário, faz-se θ k = θ, k K. O custo de ativação do arco é dado por b ij, onde b ij = ζ ij δ ij, (i, j) E e ζ ij é o custo da instalação da infraestrutura por unidade de distância. A formulação proposta utiliza ainda as seguintes variáveis de decisão: x ij {0, 1}, (i, j) E, que indica se o arco (i, j) é ativado (x ij = 1) ou não (x ij = 0); f ijk 0, para representar o fluxo com destino a k K passando pelo arco (i, j) E; e g ij 0, representando o fluxo global do arco (i, j) E. A função convexa não-linear de degradação do nível de serviço é representada pelo custo de congestionamento no arcos, sendo separável por arco e representada pela seguinte lei de potência τ ij (g ij ) = e g p ij, (i, j) E (1) Em que e > 0 e p 1 são escalares representando a participação dos custos de congestionamento na composição do custo total. Valores elevados para e e p implicam em um peso maior dos efeitos de congestionamento no projeto de rede. O modelo proposto resulta em: min [b ij x ij + τ ij (g ij ) + c ijk f ijk ] (2) k K sujeito a: x ij 1 j V (3) i f ijk g ij = 0 (i, j) E (4) k K (s,j) E (i,k) E f sjk = d k k K (5) f ikk = d k k K (6) f ijk = (j,i) E f jik j V \ {s}, k K : k j (7) f ijk d k x ij (i, j) E, k K (8) f ijk 0 (i, j) E, k K (9) g ij 0 (i, j) E (10) x ij {0, 1} (i, j) E (11) A função objetivo (2) possui 3 termos: O primeiro termo contabiliza o custo total da instalação dos arcos; o segundo calcula os custos convexos de congestionamento; enquanto o terceiro totaliza o custo de transporte das diversas demandas. As restrições de configuração (3) obrigam a geração de arborescências ao impedir a incidência de mais de um arco em cada nodo. As restrições (4) calculam o fluxo global que atravessa o arco (i, j). As restrições (5) (7) garantem o balanço de fluxo para cada produto em cada nodo desde a origem s até cada nodo de destino k. As restrições de acoplamento (8) permitem que o fluxo passe através do arco (i, j) somente se o mesmo estiver instalado. Finalmente, (9) e (10) são as restrições de não negatividade para os fluxos f ijk e g ij respectivamente, enquanto as restrições (11) obrigam a integralidade das variáveis x ij. 3 DECOMPOSIÇÃO DE BENDERS A técnica de Decomposição de Benders é uma abordagem clássica de solução de problemas de otimização combinatória, baseada nas idéias de particionamento e geração de restrições. (Benders, 1962) propôs um método de particionamento para resolver problemas de programação inteira mista e não-linear. O método particiona o problema em dois níveis: no nível superior resolve-se um problema mestre inteiro e no nível inferior resolve-se um subproblema contínuo. O primeiro consiste em uma versão relaxada do problema original ao qual se adicionam em vôo novas restrições, enquanto o segundo consiste no problema original resolvido para um dado valor fixado das variáveis inteiras. Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro
4 3.1 Problema Mestre O método de Decomposição de Benders trata problemas essencialmente via projeção, seguido por linearização externa, dualização e relaxação. Começa-se por uma projeção do problema (2) - (11) no espaço das variáveis topológicas x, resultando em b ij (x ij ) + υ(x) (12) min x X onde X = {x Existem fluxos viáveis que satisfazem (3) - (10)} e onde υ(x) é calculado resolvendo o seguinte problema υ(x) = min (f,g) G ij (g ij ) + [τ c ijk f ijk ] (13) k K sujeito a condição (8) para x fixado onde G = {(f, g) f 0 e g 0} satisfazendo (3) - (7). Associando um vetor de variáveis duais α 0 às restrições de acoplamento (8), relembrando que a hipótese de convexidade para τ ij (g ij ) garante gap de otimalidade nulo para qualquer x X, o valor ótimo do subproblema (13) é dado por ou υ(x) = max α 0 [min (f,g) G + k K +min (f,g) G [τ ij (g ij ) c ijk f ijk + k K α ijk (f ijk d k x ij )]] (14) υ(x) = max α 0 [ [τ ij g(ij) + k K k K α ijk d k x ij (c ijk + α ijk )f ijk ]] (15) O problema completo (12) fica então equivalente a min x X { b ij x ij + max α 0 [ +min (f,g) G k K α ijk d k x ij [τ ij g(ij) + (c ijk + α ijk )f ijk ]]} (16) k K Utilizando agora uma variável auxiliar t, o problema (2)-(11) é equivalente a b ij x ij + t (17) min t,x X s.a: t k K [τ ij g(ij) + k K α ijk d k x ij + min (f,g) G (c ijk + α ijk )f ijk ], α 0 (18) O problema reformulado (17) - (18) é de resolução extremamente difícil, uma vez que se trata de problema de otimização de dimensão infinita. Entretanto é possível superar tal dificuldade através de uma estratégia de relaxação, garantindo que o procedimento gere somente um número de restrições exponencial com o número de variáveis inteiras (da ordem de 2 n em programção 0 1, uma restrição por solução inteira viável) no pior caso, possuindo portanto número finito de passos, uma vez estabelecidas algumas propriedades de (2) - (11). Segundo (Geoffrion, 1972), tais propriedades decorrem da convexidade da função τ ij (g ij ) e da separabilidade linear do problema entre f e x, garantindo a convergência para o ótimo global. Para maiores detalhes de natureza teórica e provas de convergência, ver a definição da Propriedade P em (Geoffrion, 1972). 3.2 O Problema Mestre Relaxado O método de Decomposição de Benders generalizado resolve o problema (17)-(18) baseado na estratégia de relaxação, ignorando todas exceto um pequeno grupo de restrições(18). Esta estratégia requer um procedimento que adicione iterativamente tais restrições ao problema mestre quando necessário. Então,a cada iteração h, o valor ótimo de υ(x h ) é encontrado a partir de (15) após resolver o subproblema para um dado projeto de rede x h e recuperar-se o vetor dos multiplicadores duais Lagrangeanos α h. Portanto o valor ótimo de υ(x h ) é dado por min (f,g) G υ(x h ) = k K [τ ij g(ij) + k K αijkd h k x h ij + (c ijk + α h ijk)f ijk ] (19) A partir de (18), tem-se a seguinte restrição associada com α h : t αijkd h k x ij + min (f,g) G k K [τ ij g(ij) + k K (c ijk + α h ijk)f ijk ] (20) 52 Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro 2012
5 e isolando o valor do mínimo dado por (19), obtém-se o seguinte corte baseado em x h e α h, conhecido como o corte de Benders. t υ(x h ) + k K αijkd h k (x h ij x ij ) (21) Observa-se que a manipulação fez uso da separabilidade do problema como apontado ao final da seção 3.1. Sem tal característica, que advém do acoplamento de natureza linear entre f e x, seria muito mais trabalhoso obter uma expressão fechada para o corte de Benders como a equação (21). Além disso, utilizar apenas as restrições restantes escritas sobre x, adicionando-se (21), não garante que a solução obtida pelo problema mestre a cada iteração h constitui uma árvore conectando o nodo fonte a todos os nodos em K. Algumas vezes, a solução dada pelo problema mestre relaxado pode implicar em ciclos na topologia proposta ou em sub-árvores desconexas. A fim de tratar este problema, explora-se a estratégia de trabalhar com ambos os conjuntos de variáveis de x e g no problema mestre relaxado. A idéia aqui é garantir o fechamento do balanço de fluxos no nível superior, evitando a geração de topologias inviáveis. Através deste artifício, garante-se que todas as soluções obtidas pelo programa mestre serão arborescências. Esta abordagem explora também a informação de acoplamento das variáveis f ijk e g ij do modelo original (2) - (11). Logo, o novo problema mestre relaxado, adicionadas as variáveis g é agora dado por x ij 1 j V (23) i (i,k) E g ik g ij (k,j) E (j,i) E (s,j) E g sj = k K g kj = d k k K (24) g ji = 0 j V \ K {s} (25) d k (26) g ij k K d k x ij (i, j) E (27) t v(x h ) + k K g ij 0 x ij {0, 1} t 0 αijk h d k (x h ij x ij ) h = 1,..., H (28) (i, j) E (i, j) E As restrições (24)-(27) são restrições de balanço de fluxo no espaço de variáveis g. Resolver o problema mestre com estas restrições e variáveis adicionais é computacionalmente oneroso, mas evita o uso dos cortes de Benders do tipo II, isto é, cortes associados a raios extremos do poliedro original (2) - (11). Caso contrário, gastaria-se tempo para resolver programas inteiros apenas para descartar configurações de rede inviáveis. Isto decorre da diferença entre o espaço inteiro-viável do problema mestre e o espaço inteiro-viável do problema original (2) - (11), sugerindo o uso de restrições de configuração adicionais para amenizar tais dificuldades. Para maiores detalhes técnicos sobre a geração de cortes de Benders associados a raios-extremos do poliedro de um problema, veja o desenvolvimento envolvendo o Lema de Farkas em (Lasdon, 1970). Na próxima seção, a solução do subproblema de Benders para um dado x h é investigada. 3.3 Subproblema Não-linear min b ij x ij + t (22) sujeito a: Desde que τ ij (g ij ) é uma função crescente e convexa, o subproblema não-linear obtido fazendo x = x h tem solução global. Dualizando-se (4) com o auxílio das variáveis β 0 obtém-se uma decomposição Lagrangeana em dois subproblemas envolvendo os conjuntos de variáveis f e g respectivvamente, como mostrado em (29) e (30). Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro
6 r(β ij ) = min g 0,f 0 ij (g ij ) + [τ c ijk f ijk ] + k K β ij ( f ijk g ij ) (29) () k K logo r(β ij ) = min fk 0 (c ijk + β ij )f ijk + k K min gij 0 (τ ij (g ij ) β ij g ij ) (30) (s,j) E (i,k) E f h sjk = d k (34) f h ikk = d k (35) f h ijk = (j,i) E f h jik j V \ {s}, k j (36) f h ijk d k x h ij (i, j) E (37) f h ijk 0 (i, j) E O subproblema primal (33)-(37) possui uma única e trivial solução dada por (38) Dada a hipótese de convexidade de τ ij (g ij ), o problema dual Lagrangeano associado a β, que também responde o valor ótimo do subproblema υ(x h ) para um dado x h, é dado por f h ijk = { dk se (i, j) C h ks Ah 0 caso contrário (38) υ(x h ) = max β 0 r(β) (31) Observando que os valores de x h e g h são conhecidos para h a partir da solução do problema mestre relaxado, resta determinar o valor ótimo de β associado com a solução corrente. Aplicando-se diretamente a condições de Karush- Kuhn-Tucker ao problema (31), e focando o mínimo mais à direita, τ ij (g ij ) β ij g ij, (i, j) E, determina-se o valor ótimo de cada componente β ij associada com x h como β h ij = τ (g h ij), (i, j) E (32) Portanto, a partir de uma solução ótima x h do problema mestre relaxado, onde se tem como subproduto o cálculo dos valores de g h, é trivial obter β h através da equação (32) o que possibilita a determinação das demais variáveis duais associadas com o subproblema Lagrangeano em f via programação linear. 3.4 Subproblema Linear: Primal e Dual Fixados os valores ótimos de β ij, (i, j) E na iteração h, o subproblema Lagrangeano em f, isto é, o o primeiro termo da equação (30), é escrito para cada destino k K como min sujeito a: (c ijk + β h ij)f h ijk (33) Em que Cks h Ah é o subconjunto de arcos da arborescência A h que pertence ao caminho do produto k desde a origem s. Com a solução do subproblema primal, pode-se calcular o valor de υ(x h ) facilmente a cada iteração de Benders. Infelizmente, não se produz valores ótimos das variáveis duais αijk h. Portanto é preferível trabalhar a versão dual de (33)- (37). Associando os variáveis duais p h sk, ph kk, ph jk e αh ijk às restrições (34), (35), (36) e (37), respectivamente, e lembrando que x h ij está fixado pelo o problema mestre relaxado, escreve-se o problema dual de (33)-(37) para cada destino k K como s.a: max ph,α h 0d k (p h kk p h sk x h ijα h ijk) (39) p h jk p h ik α h ijk c ijk + β h ij, (i, j) E (40) Ressalta-se que enquanto o subproblem linear primal tem solução única, sua contraparte dual pode ter múltiplas soluções ótimas tornando a escolha adequada de variáveis duais ótimas um tópico à parte. No presente trabalho, optou-se por descartar técnicas de geração de cortes Pareto-ótimos. As variáveis duais ótimas foram determinadas através da solução de (39)-(40) via algoritmo padrão de programação linear. Doravante, nos referimos à técnica apresentada nesta seção como Generalized Benders Decomposition ou mais simplesmente GBD. 4 APROXIMAÇÃO EXTERNA A técnica conhecida como Aproximação Externa(OA) (do inglês Outer Approximation) foi desenvolvida em trabalhos 54 Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro 2012
7 pioneiros de (Duran and Grossman, 1986), (Fletcher and Leyfer, 1994) e (Yuan et al., 1988). É um método simples mas eficiente para resolução de problemas inteiros nãolineares, utilizando uma abordagem de planos cortantes. A técnica de Aproximação Externa tem sido aplicada em otimização de síntese de processos (Grossmann and Kravanja, 1995), (Karuppiah et al., 2008), e em várias outras aplicações de projeto em engenharia. Mais recentemente, o método tem sido aplicado a sistemas logísticos como em (Huang et al., 2005) e em problemas de otimização em geral (Grossmann and Kravanja, 1995). O método também possui uma técnica de coordenação entre o problema mestre e o subproblema, trabalhando de forma similar à técnica GBD, mas os problemas mestres de OA são escritos no espaço de todas as variáveis do problema, dispensando a projeção no espaço das variáveis inteiras. Este recurso melhora o poder dos planos cortantes gerados e assegura a convergência em um número de iterações menor que o obtido ao se aplicar a técnica de GBD. Como desvantagem, a solução do problema mestre é mais cara, geralmente aumentando o tempo de solução e o esforço computacional à medida que a o tamanho da instância aumenta. Para entender o desenvolvimento da técnica de OA, uma revisão geral do método é necessária. Dado um problema não-linear inteiro misto em sua representação algébrica mais básica, onde f e x representam o conjunto das variáveis contínuas e discretas, respectivamente, φ : R qxs R e γ : R qxs R m são duas funções continuamente diferenciáveis, e F e X são conjuntos poliedrais s.a: min φ(x, f) (41) γ j (x, f) 0 j = 1,..., m (42) x X, X Z q (43) f F (44) É possível reduzir este problema a um problema não-linear ao escolher um vetor fixo x = x h, f F, para cada iteração h, produzindo o seguinte subproblema não-linear (x h, f h ). Então é possível reescrever o problema (41)-(44) como sendo equivalente ao problema linear inteiro misto s.a: min ξ (47) ( ξ φ(x h, f h ) + φ(x h, f h x x h ) f f h ( 0 γ(x h, f h ) + γ(x h, f h x x h ) f f h ) h = 1,..., H (48) ) h = 1,..., H (49) ξ 0 (50) x X, X Z q f F onde H representa o número máximo de iterações e ξ representa uma variável de estimativa para função objetivo. O problema (47)-(50) é conhecido como problema mestre OA. As restrições (48)-(49) são responsáveis pela aproximação externa da função objetivo e de sua região viável, respectivamente. Quando as funções γ(x, f) são convexas e as restrição de qualificação são atendidas para cada solução de (45) - (46), então as restrições (49) são necessárias e suficientes para o método OA aproximar externamente a região viável. Ressalta-se que as restrições (49) tem dupla função no método OA: além de assegurar a viabilidade, são responsáveis por realizar a aproximação externa da região viável, se γ(x, f) for não-linear. No caso da formulação (2)-(11), a função objetivo é separável em termos lineares e um único termo não-linear, ( τ ij(g ij )). Logo, este é o único termo que precisa sofrer a aproximação externa. Portanto pode-se substituir somente τ k (g k ) por ξ k para cada k na função objetivo e adicionar a restrição (48) no formato de (52). s.a: min φ(x h, f) (45) γ j (x h, f) 0 j = 1,..., m (46) f F Quando o problema acima é resolvido (45)-(46), este permite deduzir os gradientes das funções φ(x, f) e γ j (x, f), j em min [b ij x ij + ξ ij + c ijk f ijk ] (51) k s.a: (5) - (11), (23) - (27) e ξ ij τ ij (gij) h + βij(g h ij gij) h (i, j) E, h = 1,..., H (52) ξ ij 0 (i, j) E (53) Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro
8 A restrição (49) não está presente na formulação (51)-(53), porque as restrições de acoplamento são lineares (poliedrais), tornando desnecessária a inserção destes cortes. Além do mais, como esperado, esta formulação é muito grande para ser resolvida eficientemente. A grande dimensão do conjunto de variáveis f representa grande sobrecarga durante a resolução do problema mestre OA. Uma maneira de lidar com esta desvantagem é projetar essas variáveis para fora da formulação, desde que algumas manipulações sejam realizadas. A idéia aqui é permitir a solução do problema mestre OA, por meio de algoritmo de decomposição de Benders. Criase então um método híbrido: lida-se com a não-linearidade via OA e com a parte de grande escala via Decomposição de Benders. Isto implica que as famílias de planos cortantes (55) - (56) podem ser adicionadas ao problema mestre em qualquer ordem. min [b ij x ij + ξ ij + k s.a: (10) - (11), (23) - (27) e t k ] (54) ξ ij τ(g h ij) + β h ij(g ij g h ij) (i, j) E, h = 1,..., H (55) t k υ k (x l ) + (i,j) α l ijkd k (x l ij x ij ) k K, ξ ij 0 t k 0 l = 1,..., L (56) (i, j) E k K Destaca-se que a estratégia de solução proposta tanto pode ser vista como a solução do programa mestre OA via decomposição de Benders, quanto como a solução do mestre (nãolinear inteiro) de Benders via OA. Não há entrelaçamento entre as duas famílias de cortes: dada uma solução do mestre (x, g), tanto cortes OA quanto cortes de Benders podem ser deduzidos sem ordem pré-imposta. De agora em diante, esta estratégia de solução recebe o nome de OA-Híbrido. É importante ressaltar que, assim como a técnica GBD, o método de aproximação externa tem prova de convergência global. Tal prova depende da convexidade das funções nãolineares envolvidas e do espaço de soluções viáveis ser igualmente convexo, desde que as Condições de Slater sejam verificáveis para cada solução de (45)-(46). Para questões adicionais associadas a tais condições de convergência, verificar (Fletcher and Leyfer, 1994). 5 EXPERIMENTOS COMPUTACIONAIS Para avaliar a performance dos algoritmos propostos, dois conjuntos de experimentos computacionais foram executados. Para estes dois conjuntos, foram utilizadas o conjunto de instâncias disponíveis na biblioteca online QA- PLIB, disponível em qaplib/inst.html. As instâncias de teste foram retiradas entre aquelas propostas por Nugent et al., por serem consideradas as de maior dificuldade, uma vez que todas correspondem a grafo completo, possuindo (n 2 n) arcos e todos os nodos com grau (n 1). As instâncias selecionadas também possuem matrizes de distâncias baseadas na Distância Manhattan, o que eleva o número de níveis de simetria entre soluções e em geral torna mais difícil obter prova de otimalidade. Os nomes das instâncias foram codificadas como n, onde n é o numero de nodos da rede. As instâncias tem tamanho de 12, 14, 15, 16, 17, 18, 20, 21, 22, 24, 25, 27 respectivamente. Para cada instância, os valores do fator de congestionamento aplicados foram 0, 001, 0, 01 e 0, 1. O número de variáveis inteiras e contínuas, e os tamanhos dos conjuntos E e K são mostrados na Tabela 1. Tabela 1: Espaço das Variáveis das 12 instâncias Instância E K Num Var Int Num Var Cont Os dois conjuntos de testes demonstram como a infraestrutura da rede se altera quando o fator de congestionamento é incrementado. Os testes computacionais foram escritos na linguagem AMPL CPLEX utilizando um sistema operacional Linux 64 bits. Os experimentos foram testados em uma estação de trabalho com um processador Intel Core 2 Quad 2.4 GHz e 8Gb de RAM, com tempo limite de segundos (24 horas). Em todos os testes conduzidos a lei de potência que modela os custos de congestionamento (1) foi escrita com p = 2. A Figura (1) ilustra um exemplo do impacto do congestionamento em uma instância de 18 nodos. A Figura 1-(a) apresenta os nodos e as conexões possíveis, na qual os vértices 56 Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro 2012
9 em negrito e em branco são os nodos de demanda unitária e os de transbordo, respectivamente; e os valores ao lado das arestas representam o comprimento das mesmas. O sorvedouro é representado pelo círculo 1. Na Figura 1-(b), a configuração ótima sem considerar os impactos de congestionamento é mostrada, enquanto na Figura 1-(c) tem-se a estrutura ótima ao se incluir os efeitos de degradação de nível de serviço (e = 0, 1). Nestas duas últimas figuras, os valores ao lado das arestas são o fluxo total passando pelas mesmas. Pode-se ver nas Figuras 1-(b) e 1-(c), que as arestas (2, 7), (7, 6), (14, 13) e (13, 18) deixam de ser ativadas ao se considerar os efeitos de congestionamento. Valores dos limites: UB e LB GBD LB GBD UB OA Híbrido LB OA Híbrido UB Iteração Figura 2: Efeito tail-off da instância 17 com custo de congestionamento igual a 0,1 Figura 1: Exemplo de um caso com 18 nodos. A comparação entre os algoritmos de GBD e OA-Híbrido para cada instância são apresentadas na Tabela 2. Para cada conjunto de testes, foram analisados o valor do custo de congestionamento (e), o número de iterações(it), os limites inferior (LB) e superior (UB), o gap de otimalidade, onde gap = (UB LB)/UB, e o tempo computacional gasto, medido em segundos (T[s]). A Tabela 2 demonstra que o método OA-Híbrido apresenta os melhores desempenhos para níveis maiores de congestionamento. Em média, o método é 406, 2 vezes mais rápido que o GBD. Para níveis médios (e = 0, 01), o método OA- Híbrido é apenas 37, 3 vezes melhor. Observando o número de iterações, o método OA-Híbrido requer em média 158, 2 menos iterações do que o GBD. Isso pode ser melhor entendido ao ser observar a redução do efeito tail-off na convergência dos métodos. A Figura 2 apresenta a convergência dos dois métodos ao resolver a instância 17. Nesta figura os limites LB e UB são plotados em função do número de iterações. Como se pode ver, o método GBD requer um número elevado de iterações até a convergência dos dois limites. Esse comportamento de convergência é conhecido como tail-off : é relativamente baixo o custo computacional para calcular limites próximos do ótimo, mas muito oneroso zerar efetivamente o gap de otimalidade. No caso do OA-Híbrido, os limites superior e inferior convergem muito rapidamente para o ótimo. Além disso, o tempo computacional em função do número de nodos é apresentado na Figura 3. O aumento do número de nodos e consequentemente o aumento do número de arcos não influencia tanto o desempenho do método OA-Híbrido quanto o desempenho do método GBD. Este último possui um desempenho que piora sensivelmente ao se aumentar o tamanho da rede. Tempo computacional (s) GBD OA Híbrido Tamanho das Instâncias Figura 3: Comparação de Tempo Computacional para todas as instâncias com custo de congestionamento igual a 0,1 Finalmente, ainda na Tabela 2, há algumas instâncias de menor número de nodos com tempos de computação ligeiramente superiores aos de outras instâncias maiores, como por exemplo ao se comparar os tempos de solução das instâncias 20 e 21 com 25 e 27. Esse resultado não é inesperado, uma vez que a dificuldade de resolução de um problema de pro- Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro
10 Tabela 2: Tabela comparativa entre os métodos GDB e OA-Híbrido. GBD OA-Híbrido Inst e It LB UB gap T[s] e It LB UB gap T[s] 0, , ,0350 0, , , ,0350 0, , , ,3500 0, , , ,3500 0, , , ,9000 0, , , ,9000 0, , , ,0150 0, , , ,0150 0, , , ,1500 0, , , ,1500 0, , , ,5000 0, ,1 8 22, ,5000 0, , , ,0300 0, , , ,0300 0, , , ,3000 0, , , ,3000 0, , , ,5000 0, , , ,5000 0, , , ,0560 0, , , ,0560 0, , , ,5600 0, , , ,5600 0, , , ,0000 0, , , ,0000 0, , , ,0350 0, , , ,0350 0, , , ,3500 0, , , ,3500 0, , , ,9000 0, , , ,9000 0, , , ,0310 0, , , ,0550 0, , , ,3100 0, , , ,0550 0, , , ,6000 0, , , ,8000 0, , , ,0140 0, , , ,0350 0, , , ,1400 0, , , ,3500 0, , , ,4000 0, , , ,9000 0, , , ,0140 0, , , ,0570 0, , , ,1400 0, , , ,5700 0, , , ,6000 0, , , ,4000 0, , , ,0050 0, , , ,0050 0, , , ,0500 0, , , ,0500 0, , , ,0500 0, , , ,0500 0, , , ,0140 0, , , ,0310 0, , , ,0500 0, , , ,3100 0, , , ,5000 0, , , ,1000 0, , , ,0050 0, , , ,0300 0, , , ,0500 0, , , ,3000 0, , , ,5000 0, , , ,0000 0, , , ,0050 0, , , ,0310 0, , , ,0500 0, , , ,3100 0, , , ,5000 0, , , ,1000 0, gramação não-linear inteira mista não é dada exclusivamente pelo seu tamanho. Tal esforço de computação é resultado da interferência de diversos fatores, tipicamente dos trade-offs e das heterogeneidades que a estrutura de custos da instância propicia, e até mesmo de questões relativas a instabilidades de natureza numérica. 6 CONCLUSÕES Este trabalho apresentou duas técnicas diferentes para a resolução de problemas de projeto de rede de grande escala sob congestionamento: A técnica GBD e o método de OA- Híbrido. Ambas foram capazes de resolver instâncias de até 27 nodos (702 arcos) utilizando a linguagem AMPL. Os resultados foram obtidos em tempo razoável, chegando a um tempo computacional de 68 segundos para o método OA- Híbrido com 27 nodos (702 arcos) contra segundos para o método GBD. De modo geral a abordagem proposta para a solução de programas não-lineares inteiros mistos como o modelo de projeto de rede com custos não-lineares se comporta bem, e o esquema de decomposição de Benders generalizado associado a técnica de Aproximação Externa é bem sucedido ao tratar um problema de tais características. Isso acontece devido à grande redução do efeito tail-off e também à grande utilidade dos cortes de Benders para melhorar a relaxação de programação linear do problema mestre. Pesquisas futuras devem agregar cortes Pareto-ótimos implementados via Branch-and-Cut e a medição do trade-off entre o uso de restrições lineares de configuração e de cortes de viabilidade. REFERÊNCIAS Altiparmak, F., Dengiz, B. and Smith, A. E. (2003). Optimal design of reliable computer networks: A comparison of metaheuristics, Journal of Heuristics 9: Benchakroun, A., Ferland, J. and Cleroux, R. (1992). Distribution-system planning through a generalized Benders decompostion approach, European Journal of Operational Research 62(2): Benders, J. (1962). Partitioning procedures for solving mixed integer variables programming problems, Numerische 58 Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro 2012
11 Methematik 4: Contreras, I., Fernández, E. and Marín, A. (2009). Tight bounds from a path based formulation for the tree of hubs location problem, Computers and Operations Research 36(12): Contreras, I., Fernández, E. and Marín, A. (2010). The tree of hubs location problem, European Journal of Operational Research 202: Cordeau, J., Pasin, F. and Solomon, M. (2006). An integrated model for logistics network design, Annals of Operations Research 144: Costa, A. (2005). A survey on benders decomposition applied to fixed-charge network design problems, Computers and Operations Research 32: Maculan, N. (1987). The Steiner problem in graphs, Annals of Discrete Mathematics 31: Ramirez-Rosado, I. J. and Dominguez-Navarro, J. A. (2006). New multiobjective tabu-search algorithm for fuzzy optimal planning of power distribution systems, Transactions on Power Systems 21: Randazzo, C. and Luna, H. (2001). A comparison of optimal methods for local access uncapacitated network design, The Annals of Operations Research 106: Yuan, X., Zhang, S., Piboleau, S. and Domenech, S. (1988). Une methode d optimisation nonlineare an variables pour la conception de procedes., Operations Research 33: 331. Dantzig, G. (1962). Linear Programming and Extensions, Princeton University Press. Duran, M. and Grossman, I. (1986). An outer-approximation algorithm for a class of mixed-integer nonlinear programs, Mathematical Programming 36: 307. Fletcher, R. and Leyfer, S. (1994). Solving mixed integer nonlinear programs by outer approximation, Mathematical Programming 66: 327. Geoffrion, A. (1972). Generalized benders decomposition, Journal of Optimization Theory and Applications 10: Grossmann, I. and Kravanja, Z. (1995). Mixed-integer nonlinear programming techniques for process systems engineering., Computers and Chemical Engineering 19: Huang, S., Batta, R. and Nagi, R. (2005). Distribution network design: Selection and sizing of congested connections, Naval Research Logistics 52(8): Hwang, F. and Richards, D. (1992). Steiner tree problems, Networks 22: Karuppiah, R., Furman, K. C. and Grossmann, I. E. (2008). Global optimization for scheduling refinery crude oil operations, Computers and Chemical Engineering 32(11): Klincewicz, J. G. (1998). Hub location in backbone/tributary network design: a review, Location Science 6: Lasdon, L. (1970). Optimization Theory for Large Systems, Macmillan, London. Revista Controle & Automação/Vol.23 no.1/janeiro e Fevereiro
POLLYANNA GRAZIELLE FARIA DIAS PROJETO DE REDE COM CUSTOS CONVEXOS E BALANCEAMENTO DE FLUXOS
POLLYANNA GRAZIELLE FARIA DIAS PROJETO DE REDE COM CUSTOS CONVEXOS E BALANCEAMENTO DE FLUXOS Belo Horizonte 11 de março de 2011 Universidade Federal de Minas Gerais Escola de Engenharia Programa de Pós-Graduação
Otimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita
Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita Geraldo R. Mauri Universidade Federal do Espírito Santo - UFES mauri@cca.ufes.br Luiz A. N. Lorena
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
Um método ótimo para um problema de projeto de redes em anel com custos de congestionamento
Um método ótimo para um problema de projeto de redes em anel com custos de congestionamento João Fernando Machry Sarubbi 1, Henrique Pacca Loureiro Luna 2, Philippe Mahey 3 1 Departamento de Ciência da
UM ALGORITMO EXATO PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
UM ALGORITMO EXATO PARA O PROBLEMA DA DIVERSIDADE MÁXIMA João Leonardo Ribeiro Neto PUC Minas - Instituto de Ciências Exatas e Informática Av. Dom José Gaspar, 500 - Coração Eucarístico CEP: 30535-901
Aula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Um algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
Aula 12: Programação Inteira
Aula 12: Programação Inteira Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Aula de Hoje 1 Programação Inteira: A Formulação
Implementação em Paralelo da Decomposição de Benders Aplicada a Sistemas Eixo Raio
Implementação em Paralelo da Decomposição de Benders Aplicada a Sistemas Eixo Raio Diana Campos Leão, Gleicy Aparecida Cabral, Raquel da Silva Cabral Departamento de Ciência da Computação Universidade
Técnicas para Programação Inteira e Aplicações em Problemas de Roteamento de Veículos 41
4 Resolução de IPs A teoria de programação linear foi proposta na década de 40 e logo foi observado que seria desejável a resolução de problemas que apresentavam variáveis do tipo inteiro [37]. Isto levou
Resolução de problemas difíceis de programação linear através da relaxação Lagrangeana
problemas difíceis de programação linear através da relaxação Lagrangeana Ana Maria A.C. Rocha Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho arocha@dps.uminho.pt http://www.norg.uminho.pt/arocha
Modelos e Algoritmos para o Problema de Atribuio de Capacidades e Roteamento de Fluxos em Redes de Comunicao p.1/42
Modelos e Algoritmos para o Problema de Atribuição de Capacidades e Roteamento de Fluxos em Redes de Comunicação Defesa de Tese de Doutorado Ricardo Poley Martins Ferreira DCC - UFMG Modelos e Algoritmos
Code: Luiza Rodrigues Matos, Daisy Paes Silva, Edilaine Martins Soler. Universidade Estadual Paulista "Júlio de Mesquita Filho" (UNESP)
A Comparison Between the Efficiency of the Outer Approximation Method and the Branch-and-Bound Method to Solve the Optimal Power Flow Problem with Discrete Control Variables Code: 19.024 Luiza Rodrigues
OPTIMIZAÇÃO NÃO LINEAR EM REDES
OPTIMIZAÇÃO NÃO LINEAR EM REDES Luis Ernesto Torres Guardia Departamento de Engenharia de Produção Universidade Federal Fluminense Rua Passo da Pátria 156, São Domingos 24210-240, Niterói, R.J., Brasil
UNIVERSIDADE ESTADUAL PAULISTA CAMPUS DE ILHA SOLTEIRA FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA
Nível: Mestrado/Doutorado Histórico: Inicialmente, o número de créditos das disciplinas era 8. Passou para 6 créditos em 31/01/01. Voltou para 8 créditos em 28/05/04 Docente(s) Responsável(eis): Prof.
Formulações Multifluxo de Problemas de Otimização Combinatória
Formulações Multifluxo de Problemas de Otimização Combinatória Henrique Pacca L. Luna Sociedade Brasileira de Pesquisa Operacional Escuela Latino Americana de Verano de Investigacion Operativa - XII ELAVIO
Problemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
2.3 Formulação de um Problema de Pooling
8 Formulações Matemáticas para Problemas de Blending/Pooling min cost(x 1,x 2 ) = θ 1 x 1 + θ 2 x 2 (2.5) Com θ 1 e θ 2 também eles escalares representam o custo dos produtos x 1 e x 2. Este é o exemplo
Aula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo
Aula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464 / PCC174 Departamento de Computação - UFOP Breve Revisão Programação Linear vs Programação Inteira Modelagem
Resolução do problema do caixeiro viajante assimétrico (e uma variante) através da relaxação Lagrangeana
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
Método geração de colunas e heurísticas para o Problema da Mochila Compartimentada. Resumo
Método geração de colunas e heurísticas para o Problema da Mochila Compartimentada Aline Aparecida de Souza Leão Maristela Oliveira dos Santos Marcos Nereu Arenales Universidade de São Paulo-USP Av Trabalhador
II Seminário da Pós-graduação em Engenharia Elétrica
UMA INVESTIGAÇÃO DOS PARÂMETROS NOS MÉTODOS MISTOS DE OTIMIZAÇÃO NÃO LINEAR Ellen Cristina Ferreira Aluna do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Profa. Dra. Edméa Cássia Baptista
Lista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + y s.a x + y x + y 5 b) Max z = x + y s.a x + y 0 x + y 5 c) Max z = x + y s.a x + 9y 6 8 x +
Um Modelo Integrado para o Projeto de Redes Logísticas com Decisões de Localização de Instalações, Produção, Transporte e Estoques.
Marcelo Maciel Monteiro Um Modelo Integrado para o Projeto de Redes Logísticas com Decisões de Localização de Instalações, Produção, Transporte e Estoques. Tese de Doutorado Tese apresentada ao Programa
Parte II. Aplicações em Roteamento de Veículos
Parte II Aplicações em Roteamento de Veículos 5 Problema de Roteamento de Veículos com Restrição de Capacidade O problema de roteamento de veículos com restrição de capacidade, mais conhecido pela sua
Lista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + 2 y s.a x + y 2 x + y 5 x, y 0, x e y inteiros b) Max z = 2 x + y s.a x + 2y 0 x + y 25 x, y
XLVII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL
O PROBLEMA DE LOCALIZAÇÃO DE CONCENTRADORES EM ÁRVORES: UM PROCEDIMENTO PARA ACELERAR UM ALGORITMO BASEADO EM DECOMPOSIÇÃO DE BENDERS João Carlos Abreu Júnior 1 Thiago F. Noronha 1 Andréa Cynthia Santos
MÉTODO DE DECOMPOSIÇÃO DE BENDERS APLICADO A LOCALIZAÇÃO DE CONCENTRADORES EM REDES DO TIPO EIXO-RAIO COM ALOCAÇÃO SIMPLES
MÉTODO DE DECOMPOSIÇÃO DE BENDERS APLICADO A LOCALIZAÇÃO DE CONCENTRADORES EM REDES DO TIPO EIXO-RAIO COM ALOCAÇÃO SIMPLES Raphael Castro raphaelufop@yahoo.com.br Ricardo Saraiva de Camargo rcamargo@dep.ufmg.br
Recebido em 08 de Novembro, 2016 / Aceito em 19 de Junho, 2018
Tema Tendências em Matemática Aplicada e Computacional, 19, N. 3 (2018), 547-558 2018 Sociedade Brasileira de Matemática Aplicada e Computacional www.scielo.br/tema doi: 10.5540/tema.2018.019.03.0547 Relaxação
Algoritmos de Caminho Mínimo Parte 1
Algoritmos de Caminho Mínimo Parte 1 A journey of a thousand miles starts with a single step and if that step is the right step, it becomes the last step. Index 1. Introduction 2. Applications 3. Tree
ALGORITMOS EXATOS PARA O PROBLEMA DO CAMINHO MAIS CURTO ROBUSTO E PARA O PROBLEMA DE LOCALIZAÇÃO DE CONCENTRADORES EM ÁRVORE
ALGORITMOS EXATOS PARA O PROBLEMA DO CAMINHO MAIS CURTO ROBUSTO E PARA O PROBLEMA DE LOCALIZAÇÃO DE CONCENTRADORES EM ÁRVORE JOÃO CARLOS ABREU JÚNIOR ALGORITMOS EXATOS PARA O PROBLEMA DO CAMINHO MAIS
LOCALIZAÇÃO DE SERVIDORES E DESENHO DE REDES LOCAIS INTEGRADAS
LOCALIZAÇÃO DE SERVIDORES E DESENHO DE REDES LOCAIS INTEGRADAS Pollyanna G. Faria Dias Depto. de Ciências Exatas e Tecnologia, Centro Universitário de Belo Horizonte, pollyannagdias@yahoo.com Gilberto
Alocação de Unidades via Relaxação Lagrangeana
Alocação de Unidades via Relaxação Lagrangeana Prof. Antonio Simões Costa Grupo de Sistemas de Potência EEL - UFSC Relaxação Lagrangeana: Conceitos Iniciais 2 1 Alocação de Unidades via Relaxação Lagrangeana
Cálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Branch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
INFORMAÇÕES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOBJETIVO
INFORMAÇÕES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOBJETIVO Jesus Ossian da Cunha Silva, Programa de Engenharia de Sistemas e Computação-PESC, COPPE, UFRJ 21941-972, Rio de Janeiro, RJ E-mail: jossian@cos.ufrj.br.
Máquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Programação Linear Inteira. C. Requejo (UA) Métodos de Investigação Operacional MIO / 30
Programação Linear Inteira Programação Linear Inteira C. Requejo (UA) Métodos de Investigação Operacional MIO 2016 1 / 30 Programação Linear Inteira Programação Linear Inteira Resolução de problemas de
4 Relaxação lagrangeana para AGMD
4 Relaxação lagrangeana para AGMD A utilização de relaxação lagrangeana, para a resolução de problemas de otimização combinatória NP-difíceis, foi iniciada com a contribuição fundamental de Held e Karp
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Reconfiguração de Sistemas de Distribuição Visando Balanceamento entre Alimentadores Através de Técnica de Decomposição
Reconfiguração de Sistemas de Distribuição Visando Balanceamento entre Alimentadores Através de Técnica de Decomposição Code: 02.010 S. C. A. de Ferreira, T. L. O. Araújo, L. W. Oliveira, J. S. Carvalho
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos Teobaldo L. Bulhões Júnior a a Instituto de Computação, Universidade Federal Fluminense, Niterói, RJ, Brazil
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Problemas de programação geométrica signomial via otimização DC
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Problemas de programação geométrica signomial via otimização DC Clarissa Pessoa Borges Fernandes Faculdade Maurício de Nassau João Pessoa, PB E-mail:
Pesquisa Operacional / Programação Matemática
Pesquisa Operacional / Programação Matemática Otimização discreta Modelagem com variáveis binárias: problemas clássicos Breve Comentários (aula anterior) Em geral, não faz sentido resolver a relaxação
Método Preditor-Corretor Aplicado ao Fluxo de Carga Ótimo com Correções Não-lineares nas Condições de Otimalidade
Método Preditor-Corretor Aplicado ao Fluxo de Carga Ótimo com Correções Não-lineares nas Condições de Otimalidade Roy Wilhelm Probst Departamento Acadêmico de Matemática UTFPR Curitiba PR E-mail: rwprobst@utfpr.edu.br
UM ESTUDO COMPUTACIONAL DE MODELOS MATEMÁTICOS PARA O PROJETO DE REDES DE TELECOMUNICAÇÕES COM TOPOLOGIA EM ANEL
UM ESTUDO COMPUTACIONAL DE MODELOS MATEMÁTICOS PARA O PROJETO DE REDES DE TELECOMUNICAÇÕES COM TOPOLOGIA EM ANEL Elder Magalhães Macambira Universidade Federal da Paraíba Departamento de Estatística Cidade
6 Experimentos realizados
6 Experimentos realizados 6.1 Considerações iniciais Resolvemos os modelos de PLIM utilizando o resolvedor CPLEX, baseado no método de branch-and-bound. Resolvemos as relaxações lineares dos mesmos modelos
Problemas de Fluxo em Redes
CAPÍTULO 7 1. Conceitos fundamentais de grafos Em muitos problemas que nos surgem, a forma mais simples de o descrever, é representá-lo em forma de grafo, uma vez que um grafo oferece uma representação
Pedro Tiago Barbosa do Couto. Resolução de problemas de transporte rodoviário de cargas utilizando programação inteira DISSERTAÇÃO DE MESTRADO
Pedro Tiago Barbosa do Couto Resolução de problemas de transporte rodoviário de cargas utilizando programação inteira DISSERTAÇÃO DE MESTRADO DEPARTAMENTO DE ENGENHARIA ELÉTRICA Programa de Pós graduação
Programação Inteira. Prof. Ricardo Santos
Programação Inteira Prof. Ricardo Santos Introdução Um problema com variáveis inteiras e reais é denominado problema de Programação Inteira Mista (PIM) quando tem a seguinte forma: PIM z=max cx+dy Ax+Dy
Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
5 CAPÍTULO BUSCA EM VIZINHANÇA VARIÁVEL PARA LOCALIZAÇÃO E ROTEAMENTO Silva, Lorrany Cristina da 1 *; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional
Algoritmos Exatos 3.1. Relaxação Lagrangeana
3 Algoritmos Exatos Nesse capítulo, apresenta-se alguns algoritmos exatos para o CVRP que são baseados em diferentes técnicas e formulações para a obtenção de limites inferiores para a solução ótima do
Problema do Caminho Mínimo
Departamento de Engenharia de Produção UFPR 63 Problema do Caminho Mínimo O problema do caminho mínimo ou caminho mais curto, shortest path problem, consiste em encontrar o melhor caminho entre dois nós.
Programação Linear Aplicada em Redes de Telecomunicações. Prof. Rodrigo de Souza Couto
Programação Linear Aplicada em Redes de Telecomunicações Prof. Rodrigo de Souza Couto Informações Gerais Prof. Rodrigo de Souza Couto E-mail: rodsouzacouto@ieee.org Página da disciplina: http://www.lee.eng.uerj.br/~rodrigo/proglin
3 Decisões de Localização de Instalações
3 Decisões de Localização de Instalações Historicamente, o estudo contemporâneo dos problemas de localização foi iniciado por Alfred Weber, que estudou a localização de uma fábrica com o objetivo de minimizar
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados Marcelo Lisboa Rocha, Sóstenes Pereira Gomes Departamento de Ciência da Computação Fundação UNIRG Alameda
1-1 PESQUISA OPERACIONAL INTRODUÇÃO
1-1 PESQUISA OPERACIONAL INTRODUÇÃO Regra do Jogo 1-2 Provas MAN ADM 1 a Prova: 8 ou 10 de maio 2 a Prova: 12 ou14 de junho Substitutiva: 18 ou 21 de junho Média P = Média das Provas T = Média dos Testes
Teoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada.
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br Grafos e Algoritmos Preparado a partir do texto: Rangel, Socorro.
Aula 26: Branch-and-Price
Aula 26: Branch-and-Price Otimização Linear e Inteira Túlio Toffolo http://www.toffolo.com.br BCC464 / PCC174 2018/2 Departamento de Computação UFOP Aula de Hoje 1 Branch-and-Price Exemplo: Problema da
Aplicação do Método de Barreira Logarítmica na Resolução de um Problema de Programação Linear.
Aplicação do Método de Barreira Logarítmica na Resolução de um Problema de Programação Linear. Rodrigo Romais (FCSGN) 1 r.romais@gmail.com Resumo: Métodos numéricos de Ponto Interior são extremamente úteis
Modelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Aula 19: Lifting e matrizes ideais
Aula 19: Lifting e matrizes ideais Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound Formulações
Um modelo do Método dos Volumes Finitos com malha não estruturada
Trabalho apresentado no III CMAC - SE, Vitória-ES, 015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um modelo do Método dos Volumes Finitos com malha não estruturada
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Modelagem Matemática de Problemas de Programação Linear
Capítulo 1 Modelagem Matemática de Problemas de Programação Linear 1.1. Introdução Neste Capítulo analisamos brevemente a estratégia usada para encontrar a modelagem matemática de um problema de programação
Controle de Sistemas Dinâmicos Aplicações ao Carregamento de Veículos Elétricos
Estratégias de Decomposição para Otimização e Controle de Sistemas Dinâmicos Aplicações ao Carregamento de Veículos Elétricos Orientador: Eduardo Camponogara Coorientador: Helton Fernando Scherer 29 de
CURSO DE MESTRADO EM Construções Metálicas
CURSO DE MESTRADO EM Construções Metálicas DEPARTAMENTO DE ENGENHARIA CIVIL - ESCOLA DE MINAS UNIVERSIDADE FEDERAL DE OURO PRETO Disciplina: Otimização Estrutural I Carga Horária: 45 Código: CIV 733 Responsável:
Métodos Exatos para PI - Parte 1: Branch-and-Bound
Introdução à Otimização Combinatória Métodos Exatos para PI - Parte 1: Professora: Rosiane de Freitas (rosiane@icomp.ufam.edu.br) Bruno Raphael Cardoso Dias Prof. Estágio em Docência (bruno.dias@icomp.ufam.edu.br)
Experimentos e Resultados
6 Experimentos e Resultados Neste capítulo apresentamos os experimentos realizados e os resultados obtidos pelas heurísticas apresentadas. A primeira parte do capítulo aborda os experimentos e resultados
Modelo de Optimização de Investimentos para Sistemas de Transformação AT/MT e Distribuição MT
21 a 25 de Agosto de 2006 Belo Horizonte - MG Modelo de Optimização de Investimentos para Sistemas de Transformação AT/MT e Distribuição MT Eng. Daniel González Sarkis Chilectra S.A. dags@chilectra.cl
3 Metaeurísticas e Resolvedores MIP
3 Metaeurísticas e Resolvedores MIP A combinação entre metaeurísticas e resolvedores MIP é uma estratégia relativamente recente, tendo seus primeiros estudos realizados ao longo da última década. O survey
MODELAGEM E SOLUÇÃO DO PROBLEMA DE SELEÇÃO DE PONTOS DE PARADA DE ÔNIBUS CONTRATADOS PARA TRANSPORTE DE FUNCIONÁRIOS
MODELAGEM E SOLUÇÃO DO PROBLEMA DE SELEÇÃO DE PONTOS DE PARADA DE ÔNIBUS CONTRATADOS PARA TRANSPORTE DE FUNCIONÁRIOS Denis Ferreira da Silva Filho 1 ; Tatiana Balbi Fraga 2 1 Estudante do Curso de Engenharia
SUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Engenharia Industrial
Programação Inteira: Partição e Avaliação, Planos de Corte (Mestrado) Engenharia Industrial http://dps.uminho.pt/pessoais/zan - Escola de Engenharia Departamento de Produção e Sistemas 1 PI: Introdução
Uma solução exata para o Problema de Localização de Concentradores com Alocação Múltipla
XII Worshop de Computação Aplicada - WORCAP 2012 Uma solução exata para o Problema de Localização de Concentradores com Alocação Múltipla Wesley Gomes de Almeida 1, Edson Luiz França Senne 2, Horacio Hidei
CAPÍTULO IV PROGRAMAÇÃO LINEAR INTEIRA (PLI)
CAPÍTULO IV PROGRAMAÇÃO LINEAR INTEIRA (PLI) Prof. Gilson Fernandes da Silva Departamento de Ciências Florestais e da Madeira (DCFM) Programa de Pós-graduação em Ciências Florestais (PPGCF) Universidade
Programação Linear/Inteira
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira Prof. Thiago Alves de Queiroz Aula 6 Thiago Queiroz (IMTec) Aula 6 Aula 6 1 / 45 Otimização Discreta A característica de otimização
TÍTULO DO PROJETO: O problema de empacotamento de figuras usando suas equações. Área do Conhecimento (Tabela do CNPq):
INSTITUCIONAL/IFSP PROJETO DE PESQUISA TÍTULO DO PROJETO: O problema de empacotamento de figuras usando suas equações Área do Conhecimento (Tabela do CNPq): 3. 0 8. 0 2. 0 2-4 1. RESUMO O problema de empacotamento
Projeções Multi-dimensionais
Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 23 de setembro de 2010 Introdução
OTIMIZAÇÃO DE CIRCUITOS DE INSPEÇÃO DE PAVIMENTOS: APLICAÇÃO À REDE RODOVIÁRIA NACIONAL
OTIMIZAÇÃO DE CIRCUITOS DE INSPEÇÃO DE PAVIMENTOS: APLICAÇÃO À REDE RODOVIÁRIA NACIONAL Caso de Estudo: Infraestruturas de Portugal S.A. Alexandre B. Gonçalves, CERIS-ICIST Marta Castilho Gomes, CERIS-CESUR
Palestra COPPE Elétrica. Dezembro de 2010
Palestra COPPE Elétrica Dezembro de 2010 Aplicações de Computação Evolutiva e Otimização Multi-objetivo em Sistemas Elétricos de Potência Oriane Magela Neto Depto. De Engenharia Elétrica da UFMG Sistemas
Máquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Prof. Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 19 de Junho de 2017 2/27 Máquinas de Vetores de Suporte Support Vector Machines (SVM)
Um método exato de busca para se calcular o multiplicador lagrangeana/surrogate (lagsur) para o Problema Generalizado de Atribuição
Um método exato de busca para se calcular o multiplicador lagrangeana/surrogate (lagsur) para o Problema Generalizado de Atribuição Marcelo Gonçalves Narciso Embrapa Informática Agropecuária Luiz Antônio
RAPHAEL REIS MAURO DE CASTRO SISTEMAS EIXO-RAIO DE ALOCAÇÃO SIMPLES: MODELOS E ALGORITMOS
RAPHAEL REIS MAURO DE CASTRO SISTEMAS EIXO-RAIO DE ALOCAÇÃO SIMPLES: MODELOS E ALGORITMOS Belo Horizonte 03 de dezembro de 2010 Universidade Federal de Minas Gerais Instituto de Ciências Exatas Programa
Teoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Otimização Vetorial Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução
Teoria da Computação. Complexidade computacional classes de problemas
Teoria da Computação Complexidade computacional classes de problemas 1 Universo de problemas Problemas indecidíveis ou não-computáveis Não admitem algoritmos Problemas intratáveis Não admitem algoritmos
MÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS
MÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS Rômulo Louzada Rabello Universidade Federal do Espírito Santo Alegre, ES, 29500-00, Brasil
Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões.
Edgard Jamhour Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões. Procura encontrar soluções ótimas ou próximo de ótimas para problemas de engenharia industrial, economia e finanças,
Prática 00. Total 04. Pré-requisitos. No. De Créditos 04
Disciplina Otimização Combinatória Departamento Carga Horária Semanal MINISTÉRIO DA EDUCAÇÃO E CULTURA PRÓ-REITORIA DE GRADUAÇÃO 1 PROGRAMA DE DISCIPLINA Departamento de Computação Teórica Pré-requisitos
DEPARTAMENTO DE ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA MECÂNICA Otimização: Algoritmos e Aplicações na Engenharia Mecânica ENG1786 & MEC2403 Ivan Menezes 2018-2 1 EMENTA 1. Introdução 1.1 Definições Básicas 1.2 Classificação dos
UM ESTUDO SOBRE O PROBLEMA DA ÁRVORE GERADORA MÍNIMA COM ESTRUTURA DO GRAFO FUZZY
UM ESTUDO SOBE O POBLEMA DA ÁVOE GEADOA MÍNIMA COM ESTUTUA DO GAFO FUZZY Márcia Tomie Taahashi Universidade Federal de Uberlândia FAMAT/UFU Av. João Naves de Ávila, 22, Campus Sta. Mônica Bloco F, sala8,
Programação Linear/Inteira - Aula 5
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira - Aula 5 Prof. Thiago Alves de Queiroz Aula 5 Thiago Queiroz (IMTec) Aula 5 Aula 5 1 / 43 Análise de Sensibilidade Estudar o efeito
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP John Lennon Damas David UFG/Campus Catalão johnlennon_13@yahoo.com.br Hélio Yochihiro Fuchigami