Relaxa¸c˜ ao Lagrangiana M.P. Mello Roteiro Contexto Teoria Aspectos pr´ aticos Heur´ ıstica lagrangiana Redu¸c˜ ao do problema Aplica¸c˜oes Referˆ encias Relaxa¸c˜ ao Lagrangiana Margarida P. Mello MT852 – 15 de maio, 2009
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Relaxacao Lagrangiana
Margarida P. Mello
MT852 – 15 de maio, 2009
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
1 Contexto
2 Teoria
3 Aspectos praticos
4 Heurıstica lagrangiana
5 Reducao do problema
6 Aplicacoes
7 Referencias
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Contexto
Cotas superioressolucoes viaveis
Cotas inferioressolucoes inviaveis
Valor
Valor otimo
(minimizacao)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Heurısticas
Destinadas a classes especıficasBusca localTempera simuladaAlgoritmos geneticosRedes neurais. . .
Relaxacoes
LinearLagrangiana
Valor
Valor otimo
(minimizacao)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Usos
• como um metodo
• como um coadjuvante (e.g., R.L. + B&B)
• na avaliacao de resultados obtidos com outras heurısticas
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Usos
• como um metodo
• como um coadjuvante (e.g., R.L. + B&B)
• na avaliacao de resultados obtidos com outras heurısticas
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Usos
• como um metodo
• como um coadjuvante (e.g., R.L. + B&B)
• na avaliacao de resultados obtidos com outras heurısticas
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Ideia
Problema linear inteiro(PI ) min zPI = cx
s.a A1x ≥ b1
A2x ≥ b2
xj ∈ Z, ∀j
Se λ ≥ 0, zPI ≥ z ′:min z ′ = cx + λ(b1 − A1x)
s.a A1x ≥ b1
A2x ≥ b2
xj ∈ Z, ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Ideia
Problema linear inteiro(PI ) min zPI = cx
s.a A1x ≥ b1
A2x ≥ b2
xj ∈ Z, ∀j
Se λ ≥ 0, zPI ≥ z ′:min z ′ = cx + λ(b1 − A1x)
s.a A1x ≥ b1
A2x ≥ b2
xj ∈ Z, ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Problema linear inteiro(PI ) min zPI = cx
s.a A1x ≥ b1
A2x ≥ b2
xj ∈ Z+, ∀j
E z ′ ≥ z(λ):(PRλ) min z(λ) = cx + λ(b1 − A1x)
s.a A2x ≥ b2
xj ∈ Z+, ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Problema linear inteiro(PI ) min zPI = cx
s.a A1x ≥ b1
A2x ≥ b2
xj ∈ Z+, ∀j
E z ′ ≥ z(λ):(PRλ) min z(λ) = cx + λ(b1 − A1x)
s.a A2x ≥ b2
xj ∈ Z+, ∀j
}Q
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Resultado importante
Dual Lagrangiano (melhor cota inferior)
(DL) zDL = maxλ≥0
z(λ)
Teorema (Nemhauser & Wolsey, p. 327–328)
zDL = min{cx | A1x ≥ b1, x ∈ conv (Q)}
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Resultado importante
Dual Lagrangiano (melhor cota inferior)
(DL) zDL = maxλ≥0
z(λ)
Teorema (Nemhauser & Wolsey, p. 327–328)
zDL = min{cx | A1x ≥ b1, x ∈ conv (Q)}
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema
min 3x1 − x2
s.a x1 − x2 ≥ −1 (1)−x1 + 2x2 ≤ 5 (2)3x1 + 2x2 ≥ 3 (3)6x1 + x2 ≤ 15 (4)
x1, x2 ≥ 0x1, x2 ∈ Z
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
1
1
(2)(1)
(3)
(4)
• •
• •
• •
• •
•
c
•x∗PI
•x∗PL
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
1
1
(2)(1)
(3)
(4)
• •
• •
• •
• •
•
c
•x∗PI
•x∗PL
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
1
1
(2)(1)
(3)
(4)
• •
• •
• •
• •
•
c
•x∗PI
•x∗PL
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
1
1
(2)(1)
(3)
(4)
• •
• •
• •
• •
•
c
•x∗PI
•x∗PL
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
conv(Q)
1
1
• •
• •
• •
• •
•
c
−A1
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
conv(Q)
1
1
• •
• •
• •
• •
••
• •
c
−A1
λ (0, 5/3) (5/3, 3) (3,∞)
x∗(λ) (0, 2) (1, 0) (2, 0)
z(λ) −2 + λ 3− 2λ 6− 3λ
⇒ zDL = z(
53
)= −1
3
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
conv(Q)
1
1
• •
• •
• •
• •
••
• •
conv(Q
) ∩ {x | A
1 x ≥ b1 }
c
−A1
λ (0, 5/3) (5/3, 3) (3,∞)
x∗(λ) (0, 2) (1, 0) (2, 0)
z(λ) −2 + λ 3− 2λ 6− 3λ
⇒ zDL = z(
53
)= −1
3
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
conv(Q)
1
1
• •
• •
• •
• •
• ••
• •
conv(Q
) ∩ {x | A
1 x ≥ b1 }
c
−A1
• x∗DL
• x∗PI
•x∗PL
λ (0, 5/3) (5/3, 3) (3,∞)
x∗(λ) (0, 2) (1, 0) (2, 0)
z(λ) −2 + λ 3− 2λ 6− 3λ
⇒ zDL = cx∗DL = −13
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
conv(Q)
1
1
• •
• •
• •
• •
• ••
• •
conv(Q
) ∩ {x | A
1 x ≥ b1 }
c
−A1
• x∗DL
• x∗PI
•x∗PL
λ (0, 5/3) (5/3, 3) (3,∞)
x∗(λ) (0, 2) (1, 0) (2, 0)
z(λ) −2 + λ 3− 2λ 6− 3λ
⇒ zDL = cx∗DL = −13
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
conv(Q)
1
1
• •
• •
• •
• •
• ••
• •
conv(Q
) ∩ {x | A
1 x ≥ b1 }
c
−A1
• x∗DL
• x∗PI
•x∗PL
λ (0, 5/3) (5/3, 3) (3,∞)
x∗(λ) (0, 2) (1, 0) (2, 0)
z(λ) −2 + λ 3− 2λ 6− 3λ
⇒ zDL = cx∗DL = −13
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
x1
x2
conv(Q)
1
1
• •
• •
• •
• •
• ••
• •
conv(Q
) ∩ {x | A
1 x ≥ b1 }
c
−A1
• x∗DL
• x∗PI
•x∗PL
λ (0, 5/3) (5/3, 3) (3,∞)
x∗(λ) (0, 2) (1, 0) (2, 0)
z(λ) −2 + λ 3− 2λ 6− 3λ
⇒ zDL = cx∗DL = −13
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
Gap de dualidade
zPI − zDL = 1−(−1
3
)=
4
3
Comparando com relaxacao linear
xPL =
(1
5,
6
5
)⇒ zPL = −3
5
LogozPI > zDL > zPL
Note que x∗(λ∗) e viavel para (PI ), porem nao e otima para(PI ).
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
Gap de dualidade
zPI − zDL = 1−(−1
3
)=
4
3
Comparando com relaxacao linear
xPL =
(1
5,
6
5
)⇒ zPL = −3
5
LogozPI > zDL > zPL
Note que x∗(λ∗) e viavel para (PI ), porem nao e otima para(PI ).
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
Gap de dualidade
zPI − zDL = 1−(−1
3
)=
4
3
Comparando com relaxacao linear
xPL =
(1
5,
6
5
)⇒ zPL = −3
5
LogozPI > zDL > zPL
Note que x∗(λ∗) e viavel para (PI ), porem nao e otima para(PI ).
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
Gap de dualidade
zPI − zDL = 1−(−1
3
)=
4
3
Comparando com relaxacao linear
xPL =
(1
5,
6
5
)⇒ zPL = −3
5
LogozPI > zDL > zPL
Note que x∗(λ∗) e viavel para (PI ), porem nao e otima para(PI ).
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
Gap de dualidade
zPI − zDL = 1−(−1
3
)=
4
3
Comparando com relaxacao linear
xPL =
(1
5,
6
5
)⇒ zPL = −3
5
LogozPI > zDL > zPL
Note que x∗(λ∗) e viavel para (PI ), porem nao e otima para(PI ).
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Demonstracao
Fato (N&W, p. 106): se dados sao racionais, conv(Q) epoliedro racional e min{dx | x ∈ Q} = min{dx | x ∈ conv(Q)}.
conv(Q) = conv(P) + conic(R).
z(λ) = min{(c − λA1)x + λb1 | x ∈ Q}= min{cx + λ(b1 − A1x) | x ∈ conv(Q)}
=
+∞, se Q = P = ∅−∞, se ∃r j ∈ R | (c − λA1)r j < 0cxk + λ(b1 − A1)xk , c.c., para algum xk ∈ P
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Demonstracao
Fato (N&W, p. 106): se dados sao racionais, conv(Q) epoliedro racional e min{dx | x ∈ Q} = min{dx | x ∈ conv(Q)}.
conv(Q) = conv(P) + conic(R).
z(λ) = min{(c − λA1)x + λb1 | x ∈ Q}= min{cx + λ(b1 − A1x) | x ∈ conv(Q)}
=
+∞, se Q = P = ∅−∞, se ∃r j ∈ R | (c − λA1)r j < 0cxk + λ(b1 − A1)xk , c.c., para algum xk ∈ P
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Demonstracao
Fato (N&W, p. 106): se dados sao racionais, conv(Q) epoliedro racional e min{dx | x ∈ Q} = min{dx | x ∈ conv(Q)}.
conv(Q) = conv(P) + conic(R).
z(λ) = min{(c − λA1)x + λb1 | x ∈ Q}= min{cx + λ(b1 − A1x) | x ∈ conv(Q)}
=
+∞, se Q = P = ∅−∞, se ∃r j ∈ R | (c − λA1)r j < 0cxk + λ(b1 − A1)xk , c.c., para algum xk ∈ P
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
dem. — cont.
LogozDL = max
λ≥0min
x∈conv(Q){cx + λ(b1 − A1x)}
= maxz,λ
z
z ≤ cxk + λ(b1 − A1xk), ∀xk ∈ P
(c − λA1)r j ≥ 0, ∀r j ∈ R
λ ≥ 0= max
z,λz
z + λ(A1xk − b1) ≤ cxk , ∀xk ∈ P
λA1r j ≤ cr j , ∀r j ∈ R
λ ≥ 0
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
dem. — cont.
LogozDL = max
λ≥0min
x∈conv(Q){cx + λ(b1 − A1x)}
= maxz,λ
z
z ≤ cxk + λ(b1 − A1xk), ∀xk ∈ P
(c − λA1)r j ≥ 0, ∀r j ∈ R
λ ≥ 0
= maxz,λ
z
z + λ(A1xk − b1) ≤ cxk , ∀xk ∈ P
λA1r j ≤ cr j , ∀r j ∈ R
λ ≥ 0
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
dem. — cont.
LogozDL = max
λ≥0min
x∈conv(Q){cx + λ(b1 − A1x)}
= maxz,λ
z
z ≤ cxk + λ(b1 − A1xk), ∀xk ∈ P
(c − λA1)r j ≥ 0, ∀r j ∈ R
λ ≥ 0= max
z,λz
z + λ(A1xk − b1) ≤ cxk , ∀xk ∈ P
λA1r j ≤ cr j , ∀r j ∈ R
λ ≥ 0
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
dem. — cont.
Teor. de dualidade de PL ⇒
zDL = min c(∑
k αkxk +∑
j µj rj)
∑k αk = 1
A1(∑
k αkxk +∑
j µj rj)≥ b1 (
∑k αk)
αk , µj ≥ 0, ∀k , j
= mins.a
cxA1x ≥ b1
x ∈ conv(Q)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
dem. — cont.
Teor. de dualidade de PL ⇒
zDL = min c(∑
k αkxk +∑
j µj rj)
∑k αk = 1
A1(∑
k αkxk +∑
j µj rj)≥ b1 (
∑k αk)
αk , µj ≥ 0, ∀k , j
= mins.a
cxA1x ≥ b1
x ∈ conv(Q)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
CorolarioSe
conv(Q) ∩ {x | A2x ≥ b2} =conv{x | A1x ≥ b1,A2x ≥ b2, xj ∈ Z+},
entao cota fornecida por relaxacao lagrangiana coincide comcota fornecida por relaxacao linear.
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Questoes importantes
• Estrategia: quais restricoes relaxar/dualizar?Levar em consideracao
• a qualidade da cota zDL
• a facilidade de solucao de (PRλ)• a facilidade de solucao de (DL)
• Tatica: como estimar/atualizar λ?
• metodo do subgradiente
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Questoes importantes
• Estrategia: quais restricoes relaxar/dualizar?Levar em consideracao• a qualidade da cota zDL
• a facilidade de solucao de (PRλ)• a facilidade de solucao de (DL)
• Tatica: como estimar/atualizar λ?
• metodo do subgradiente
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Questoes importantes
• Estrategia: quais restricoes relaxar/dualizar?Levar em consideracao• a qualidade da cota zDL
• a facilidade de solucao de (PRλ)
• a facilidade de solucao de (DL)
• Tatica: como estimar/atualizar λ?
• metodo do subgradiente
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Questoes importantes
• Estrategia: quais restricoes relaxar/dualizar?Levar em consideracao• a qualidade da cota zDL
• a facilidade de solucao de (PRλ)• a facilidade de solucao de (DL)
• Tatica: como estimar/atualizar λ?
• metodo do subgradiente
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Questoes importantes
• Estrategia: quais restricoes relaxar/dualizar?Levar em consideracao• a qualidade da cota zDL
• a facilidade de solucao de (PRλ)• a facilidade de solucao de (DL)
• Tatica: como estimar/atualizar λ?
• metodo do subgradiente
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Questoes importantes
• Estrategia: quais restricoes relaxar/dualizar?Levar em consideracao• a qualidade da cota zDL
• a facilidade de solucao de (PRλ)• a facilidade de solucao de (DL)
• Tatica: como estimar/atualizar λ?• metodo do subgradiente
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Metodo do subgradiente
(PRλ) max z(λ) = cx + λ(b − Ax)
s.a x ∈ X
• z(λ) e convexa, linear por partes.
• (b − Ax∗(λ)) ∈ ∂z(λ)
Passo 1 (Inicializacao)k ← 0Chuta λ0
Passo 2 (Iteracao)Enquanto nao satisfaz criterio de paradaλ← λk
Seja xk ∈ argmax{cx + λk(b − Ax) | x ∈ X}λk+1
i = [λki − µk(b − Axk)i ]
+
k ← k + 1
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Metodo do subgradiente
(PRλ) max z(λ) = cx + λ(b − Ax)
s.a x ∈ X
• z(λ) e convexa, linear por partes.
• (b − Ax∗(λ)) ∈ ∂z(λ)
Passo 1 (Inicializacao)k ← 0Chuta λ0
Passo 2 (Iteracao)Enquanto nao satisfaz criterio de paradaλ← λk
Seja xk ∈ argmax{cx + λk(b − Ax) | x ∈ X}λk+1
i = [λki − µk(b − Axk)i ]
+
k ← k + 1
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Metodo do subgradiente
(PRλ) max z(λ) = cx + λ(b − Ax)
s.a x ∈ X
• z(λ) e convexa, linear por partes.
• (b − Ax∗(λ)) ∈ ∂z(λ)
Passo 1 (Inicializacao)k ← 0Chuta λ0
Passo 2 (Iteracao)Enquanto nao satisfaz criterio de paradaλ← λk
Seja xk ∈ argmax{cx + λk(b − Ax) | x ∈ X}λk+1
i = [λki − µk(b − Axk)i ]
+
k ← k + 1
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Metodo do subgradiente
(PRλ) max z(λ) = cx + λ(b − Ax)
s.a x ∈ X
• z(λ) e convexa, linear por partes.
• (b − Ax∗(λ)) ∈ ∂z(λ)
Passo 1 (Inicializacao)k ← 0Chuta λ0
Passo 2 (Iteracao)Enquanto nao satisfaz criterio de paradaλ← λk
Seja xk ∈ argmax{cx + λk(b − Ax) | x ∈ X}λk+1
i = [λki − µk(b − Axk)i ]
+
k ← k + 1
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Metodo do subgradiente
(PRλ) max z(λ) = cx + λ(b − Ax)
s.a x ∈ X
• z(λ) e convexa, linear por partes.
• (b − Ax∗(λ)) ∈ ∂z(λ)
Passo 1 (Inicializacao)k ← 0Chuta λ0
Passo 2 (Iteracao)Enquanto nao satisfaz criterio de paradaλ← λk
Seja xk ∈ argmax{cx + λk(b − Ax) | x ∈ X}λk+1
i = [λki − µk(b − Axk)i ]
+
k ← k + 1
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema de cobertura
(PI ) min cxs.a Ax ≥ 1
xj ∈ {0, 1} ∀j
Dualizando restricoes de cobertura
(PRλ) min (c − λA)x +∑
i λi= Cx +∑
i λi
s.a xj ∈ {0, 1} ∀j
Solucao otima
x∗j (λ) =
{1, se Cj ≤ 00, c.c.
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema de cobertura
(PI ) min cxs.a Ax ≥ 1
xj ∈ {0, 1} ∀j
Dualizando restricoes de cobertura
(PRλ) min (c − λA)x +∑
i λi= Cx +∑
i λi
s.a xj ∈ {0, 1} ∀j
Solucao otima
x∗j (λ) =
{1, se Cj ≤ 00, c.c.
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema de cobertura
(PI ) min cxs.a Ax ≥ 1
xj ∈ {0, 1} ∀j
Dualizando restricoes de cobertura
(PRλ) min (c − λA)x +∑
i λi= Cx +∑
i λi
s.a xj ∈ {0, 1} ∀j
Solucao otima
x∗j (λ) =
{1, se Cj ≤ 00, c.c.
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema da mochila
z = max 10y1 + 4y2 + 14y3
3y1 + y2 + 4y3 ≤ 4y ∈ B3.
Dualizando a restricao de capacidade
zDL = minλ≥0
z(λ),
z(λ) = max (10− 3λ)y1 + (4− λ)y2 + (14− λ)y3 + 4λy ∈ B3,
onde λ ≥ 0.
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema da mochila
z = max 10y1 + 4y2 + 14y3
3y1 + y2 + 4y3 ≤ 4y ∈ B3.
Dualizando a restricao de capacidade
zDL = minλ≥0
z(λ),
z(λ) = max (10− 3λ)y1 + (4− λ)y2 + (14− λ)y3 + 4λy ∈ B3,
onde λ ≥ 0.
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema da mochila
z = max 10y1 + 4y2 + 14y3
3y1 + y2 + 4y3 ≤ 4y ∈ B3.
Dualizando a restricao de capacidade
zDL = minλ≥0
z(λ),
z(λ) = max (10− 3λ)y1 + (4− λ)y2 + (14− λ)y3 + 4λy ∈ B3,
onde λ ≥ 0.
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
Logo
z(λ) = max{0, 10− 3λ}+ max{0, 4− λ}+ max{0, 14− 4λ}+ 4λ
z(λ) = funcao convexa, linear por partes
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
Logo
z(λ) = max{0, 10− 3λ}+ max{0, 4− λ}+ max{0, 14− 4λ}+ 4λ
z(λ) = funcao convexa, linear por partes
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λ
y
1
1415
28 •
••
•
(10/3, 44/3) (7/2, 29/2)
(4, 16)
y = z(λ)
λ (0, 10/3) (10/3, 7/2) (7/2, 4) (4,∞)
y∗ (1, 1, 1) (0, 1, 1) (0, 1, 0) (0, 0, 0)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 1
1 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/2
2 max{4− 12 (4− 0− 1− 0), 0} = 2 1
2 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
λk+1 = max{λk − µk(4− 3y∗1 − y∗2 − 4y∗3 ), 0}
µk = µoρk , com λ0 = 0, µ0 = 1 e ρ = 1/2
k λ µ
0 0 11 max{0− 1(4− 3− 1− 4), 0} = 4 1/22 max{4− 1
2 (4− 0− 1− 0), 0} = 2 12 1/4
3 max{52 −
14 (4− 3− 1− 4), 0} = 3 1
2 1/8
4 max{72 −
18 (4− 0− 1− 4), 0} = 3 5
8 1/16
5 max{298 −
116 (4− 0− 1− 0), 0} = 3 7
16 1/32
6 max{5516 −
132 (4− 0− 1− 4), 0} = 3 15
32 1/64
7 max{11132 −
164 (4− 0− 1− 4), 0} = 3 31
64 1/128
8 max{22364 −
1128 (4− 0− 1− 4), 0} = 3 63
128 1/256
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
Embora λ3 = 7/2 = λ∗, o subgradiente
(b − Ay∗(λ3)) = 4− 0− 1− 4 6= 0
⇒ otimalidade nao e detectada
Inducao ⇒ λk = 3 + 716 + 1
32
k−6∑i=0
(1
2
)i
, para k ≥ 6
Logo
λk −→k →∞
3 +7
16+
2
32=
7
2
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
Embora λ3 = 7/2 = λ∗, o subgradiente
(b − Ay∗(λ3)) = 4− 0− 1− 4 6= 0
⇒ otimalidade nao e detectada
Inducao ⇒ λk = 3 + 716 + 1
32
k−6∑i=0
(1
2
)i
, para k ≥ 6
Logo
λk −→k →∞
3 +7
16+
2
32=
7
2
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
Embora λ3 = 7/2 = λ∗, o subgradiente
(b − Ay∗(λ3)) = 4− 0− 1− 4 6= 0
⇒ otimalidade nao e detectada
Inducao ⇒ λk = 3 + 716 + 1
32
k−6∑i=0
(1
2
)i
, para k ≥ 6
Logo
λk −→k →∞
3 +7
16+
2
32=
7
2
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
Embora λ3 = 7/2 = λ∗, o subgradiente
(b − Ay∗(λ3)) = 4− 0− 1− 4 6= 0
⇒ otimalidade nao e detectada
Inducao ⇒ λk = 3 + 716 + 1
32
k−6∑i=0
(1
2
)i
, para k ≥ 6
Logo
λk −→k →∞
3 +7
16+
2
32=
7
2
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema simetrico do caixeiro viajante (Held & Karp)
(PI ) min∑
e∈E cexe
s.a∑
e∈δ(i) xe = 2 ∀i ∈ V∑e∈E(S) xe ≤ |S | − 1 ∀2 ≤ |S | ≤ |V | − 1
xj ∈ {0, 1} ∀j
Dualizando restricoes de dupla incidencia no no i , para i 6= 1
(PRλ) min∑
e∈E (ce − λi − λj)xe + 2∑
i∈V λi
s.a∑
e∈δ(1) xe = 2∑e∈E(S) xe ≤ |S | − 1 ∀2 ≤ |S | ≤ |V | − 1, 1 /∈ S∑e∈E xe = n
xj ∈ {0, 1} ∀j
Solucao de (PRλ) e 1-arvore
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema simetrico do caixeiro viajante (Held & Karp)
(PI ) min∑
e∈E cexe
s.a∑
e∈δ(i) xe = 2 ∀i ∈ V∑e∈E(S) xe ≤ |S | − 1 ∀2 ≤ |S | ≤ |V | − 1
xj ∈ {0, 1} ∀j
Dualizando restricoes de dupla incidencia no no i , para i 6= 1
(PRλ) min∑
e∈E (ce − λi − λj)xe + 2∑
i∈V λi
s.a∑
e∈δ(1) xe = 2∑e∈E(S) xe ≤ |S | − 1 ∀2 ≤ |S | ≤ |V | − 1, 1 /∈ S∑e∈E xe = n
xj ∈ {0, 1} ∀j
Solucao de (PRλ) e 1-arvore
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Problema simetrico do caixeiro viajante (Held & Karp)
(PI ) min∑
e∈E cexe
s.a∑
e∈δ(i) xe = 2 ∀i ∈ V∑e∈E(S) xe ≤ |S | − 1 ∀2 ≤ |S | ≤ |V | − 1
xj ∈ {0, 1} ∀j
Dualizando restricoes de dupla incidencia no no i , para i 6= 1
(PRλ) min∑
e∈E (ce − λi − λj)xe + 2∑
i∈V λi
s.a∑
e∈δ(1) xe = 2∑e∈E(S) xe ≤ |S | − 1 ∀2 ≤ |S | ≤ |V | − 1, 1 /∈ S∑e∈E xe = n
xj ∈ {0, 1} ∀j
Solucao de (PRλ) e 1-arvore
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
Grafo completo com 5 nos. Matriz de custos
(ce) =
30 26 50 40
24 40 5024 26
30
Se λ = (0, 0,−15, 0, 0) e ce = ce − λiλj
(ce) =
30 42 50 40
39 40 5039 41
30
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
Grafo completo com 5 nos. Matriz de custos
(ce) =
30 26 50 40
24 40 5024 26
30
Se λ = (0, 0,−15, 0, 0) e ce = ce − λiλj
(ce) =
30 42 50 40
39 40 5039 41
30
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
1-arvore e solucao otima
1 2
3
4
5
30
39
3930
40
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont.
1-arvore e solucao otima
1 2
3
4
5
30
39
3930
40
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Decomposicao lagrangiana
min cxs.a Ax ≥ b
Bx ≥ dxj ∈ Z ∀j
Introduzindo copias das variaveis
min cxs.a Ax ≥ b
y = xBy ≥ dxj , yj ∈ Z ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Decomposicao lagrangiana
min cxs.a Ax ≥ b
Bx ≥ dxj ∈ Z ∀j
Introduzindo copias das variaveis
min cxs.a Ax ≥ b
y = xBy ≥ dxj , yj ∈ Z ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
Dualizando as igualdades
min cx + λ(x − y)s.a Ax ≥ b
By ≥ dxj , yj ∈ Z ∀j
Problema pode ser decomposto
min (c + λ)xs.a Ax ≥ b
xj ∈ Z ∀je
min −λys.a By ≥ d
yj ∈ Z ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo — cont
Dualizando as igualdades
min cx + λ(x − y)s.a Ax ≥ b
By ≥ dxj , yj ∈ Z ∀j
Problema pode ser decomposto
min (c + λ)xs.a Ax ≥ b
xj ∈ Z ∀je
min −λys.a By ≥ d
yj ∈ Z ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Melhorando o problema relaxadoProblema de cobertura
(PI ) min cxs.a Ax ≥ 1
xj ∈ {0, 1} ∀j
Se A e m× n, 1 ≤∑
j xj ≤ m e redundante para (PI ), mas naopara (PRλ)Introduzindo esta restricao temos cota melhor
(PRλ) min (c − λA)x +∑
i λi= Cx +∑
i λi
s.a 1 ≤∑
j xj ≤ m
xj ∈ {0, 1} ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Melhorando o problema relaxadoProblema de cobertura
(PI ) min cxs.a Ax ≥ 1
xj ∈ {0, 1} ∀j
Se A e m× n, 1 ≤∑
j xj ≤ m e redundante para (PI ), mas naopara (PRλ)
Introduzindo esta restricao temos cota melhor
(PRλ) min (c − λA)x +∑
i λi= Cx +∑
i λi
s.a 1 ≤∑
j xj ≤ m
xj ∈ {0, 1} ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
Melhorando o problema relaxadoProblema de cobertura
(PI ) min cxs.a Ax ≥ 1
xj ∈ {0, 1} ∀j
Se A e m× n, 1 ≤∑
j xj ≤ m e redundante para (PI ), mas naopara (PRλ)Introduzindo esta restricao temos cota melhor
(PRλ) min (c − λA)x +∑
i λi= Cx +∑
i λi
s.a 1 ≤∑
j xj ≤ m
xj ∈ {0, 1} ∀j
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Heurıstica lagrangiana
x∗(λ) x , solucao viavel para (PI )(fornece cota superior para zPI )
Exemplo: problema de cobertura
• S = {j | x∗j (λ) = 1}• N = {i | Ai.x∗ = 0}• Para i ∈ N
Seja j ∈ argmin{cj | aij = 1}Faca S ← S ∪ {j}
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Heurıstica lagrangiana
x∗(λ) x , solucao viavel para (PI )(fornece cota superior para zPI )
Exemplo: problema de cobertura
• S = {j | x∗j (λ) = 1}• N = {i | Ai.x∗ = 0}• Para i ∈ N
Seja j ∈ argmin{cj | aij = 1}Faca S ← S ∪ {j}
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
(cj) = (2, 3, 4, 5)
A =
1 0 1 01 0 0 10 1 1 1
λ = (1.5, 1.6, 2.2)
x∗(λ) = (1, 0, 0, 0)
Aplicando o procedimento:S = {1}, N = {3} e j = 2⇒ x = (1, 1, 0, 0) (solucao otima!)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
(cj) = (2, 3, 4, 5)
A =
1 0 1 01 0 0 10 1 1 1
λ = (1.5, 1.6, 2.2)
x∗(λ) = (1, 0, 0, 0)
Aplicando o procedimento:S = {1}, N = {3} e j = 2⇒ x = (1, 1, 0, 0) (solucao otima!)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
(cj) = (2, 3, 4, 5)
A =
1 0 1 01 0 0 10 1 1 1
λ = (1.5, 1.6, 2.2)
x∗(λ) = (1, 0, 0, 0)
Aplicando o procedimento:S = {1}, N = {3} e j = 2⇒ x = (1, 1, 0, 0) (solucao otima!)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
(cj) = (2, 3, 4, 5)
A =
1 0 1 01 0 0 10 1 1 1
λ = (1.5, 1.6, 2.2)
x∗(λ) = (1, 0, 0, 0)
Aplicando o procedimento:S = {1}, N = {3} e j = 2⇒ x = (1, 1, 0, 0) (solucao otima!)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Exemplo
(cj) = (2, 3, 4, 5)
A =
1 0 1 01 0 0 10 1 1 1
λ = (1.5, 1.6, 2.2)
x∗(λ) = (1, 0, 0, 0)
Aplicando o procedimento:S = {1}, N = {3} e j = 2⇒ x = (1, 1, 0, 0) (solucao otima!)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Reducao do problema
Dimensao reduzida via fixacao de variaveis
Exemplo: problema de cobertura
• x∗ = x∗(λ) inviavel
• xH = x∗ + y viavel, y obtido com algoritmo guloso, comona heurıstica lagrangiana
• N1 = {j | cj −∑
i λiaij > 0}N0 = {j | cj −
∑i λiaij < 0} ⊆ {j | x∗j = 1}
• z = melhor cota superior conhecida (valor de melhorsolucao viavel conhecida)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Reducao do problema
Dimensao reduzida via fixacao de variaveis
Exemplo: problema de cobertura
• x∗ = x∗(λ) inviavel
• xH = x∗ + y viavel, y obtido com algoritmo guloso, comona heurıstica lagrangiana
• N1 = {j | cj −∑
i λiaij > 0}N0 = {j | cj −
∑i λiaij < 0} ⊆ {j | x∗j = 1}
• z = melhor cota superior conhecida (valor de melhorsolucao viavel conhecida)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Reducao do problema
Dimensao reduzida via fixacao de variaveis
Exemplo: problema de cobertura
• x∗ = x∗(λ) inviavel
• xH = x∗ + y viavel, y obtido com algoritmo guloso, comona heurıstica lagrangiana
• N1 = {j | cj −∑
i λiaij > 0}N0 = {j | cj −
∑i λiaij < 0} ⊆ {j | x∗j = 1}
• z = melhor cota superior conhecida (valor de melhorsolucao viavel conhecida)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Reducao do problema
Dimensao reduzida via fixacao de variaveis
Exemplo: problema de cobertura
• x∗ = x∗(λ) inviavel
• xH = x∗ + y viavel, y obtido com algoritmo guloso, comona heurıstica lagrangiana
• N1 = {j | cj −∑
i λiaij > 0}N0 = {j | cj −
∑i λiaij < 0} ⊆ {j | x∗j = 1}
• z = melhor cota superior conhecida (valor de melhorsolucao viavel conhecida)
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Proposicao (Wolsey, p. 178)Se k ∈ N1 e∑
i
λi +∑j∈N0
(cj −∑
i
λiaij) + (ck −∑
i
λiaik) ≥ z
entao xk = 0 em qualquer solucao viavel melhor do que a atualcandidata.Se k ∈ N0 e∑
i
λi +∑
j∈N0\k
(cj −∑
i
λiaij) + (ck −∑
i
λiaik) ≥ z
entao xk = 1 em qualquer solucao viavel melhor do que a atualcandidata.
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Aplicacoes
Line segmentation problem
Problema de designacao generalizado
Problema de localizacao com capacidades
Problema de entregas
Problema do caixeiro viajante assimetrico generalizado
Problema do particionamento de operacoes
Problema de cobertura com capacidade
Problema de designacao multi-recurso
Problema de designacao com restricoes adicionais
Problema de distribuicao
RelaxacaoLagrangiana
M.P. Mello
Roteiro
Contexto
Teoria
Aspectospraticos
Heurısticalagrangiana
Reducao doproblema
Aplicacoes
Referencias
Referencias
J.E. Beasley, Lagrangean relaxation, in Modern Heuristic Tech-niques for Combinatorial Problems, C. Reeves (ed.), BlackwellScientific Publishing (1993) 143–303.
M. Held, R.M. Karp, The traveling salesman problem and mini-mum spanning trees, Operations Research 18 (1970), 1138–1162.
M. Held, R.M. Karp, The traveling salesman problem and mini-mum spanning trees: part II, Mathematical Programming 1(1971), 6–25.
G.L. Nemhauser, L.A. Wolsey, Integer and Combinatorial Opti-mization, Wiley, New York, 1988.