diskrete optimierung: fallstudien aus der praxis · 2009-05-12 · diskrete optimierung:...
TRANSCRIPT
![Page 1: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/1.jpg)
Diskrete Optimierung: Fallstudien aus der PraxisBranch and Bound – Grundlagen
Barbara Langfeld, Michael Ritter, Barbara Wilhelm
Technische Universität München
20A
![Page 2: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/2.jpg)
Ganzzahlige Programmierung
max cT xAx ≤ bx ≥ 0x ∈ Zn
x1
x2
P
c
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 3: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/3.jpg)
Ganzzahlige Programmierung
max cT xAx ≤ bx ≥ 0x ∈ Zn
x1
x2
P
c
PI
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 4: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/4.jpg)
Branching
LP-Relaxation: x (0) =
(1.52.5
)
x (0)1 /∈ Z Teilprobleme:
x1 ≤⌊x (0)
1
⌋= 1
oder x1 ≥⌈x (0)
1
⌉= 2
für jedes Teilproblem:Prozedur wiederholen
x1
x2
P
c
x (0)
Branching
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 5: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/5.jpg)
Branching
LP-Relaxation: x (0) =
(1.52.5
)x (0)
1 /∈ Z Teilprobleme:
x1 ≤⌊x (0)
1
⌋= 1
oder x1 ≥⌈x (0)
1
⌉= 2
für jedes Teilproblem:Prozedur wiederholen
x1
x2
P
c
x (0)
Branching
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 6: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/6.jpg)
Branching
LP-Relaxation: x (0) =
(1.52.5
)x (0)
1 /∈ Z Teilprobleme:
x1 ≤⌊x (0)
1
⌋= 1
oder x1 ≥⌈x (0)
1
⌉= 2
für jedes Teilproblem:Prozedur wiederholen
x1
x2
P
P(1)
x (0)
Branching
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 7: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/7.jpg)
Branching
LP-Relaxation: x (0) =
(1.52.5
)x (0)
1 /∈ Z Teilprobleme:
x1 ≤⌊x (0)
1
⌋= 1
oder x1 ≥⌈x (0)
1
⌉= 2
für jedes Teilproblem:Prozedur wiederholen
x1
x2
P
P(2)
x (0)
Branching
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 8: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/8.jpg)
Branching
LP-Relaxation: x (0) =
(1.52.5
)x (0)
1 /∈ Z Teilprobleme:
x1 ≤⌊x (0)
1
⌋= 1
oder x1 ≥⌈x (0)
1
⌉= 2
für jedes Teilproblem:Prozedur wiederholen
x1
x2
P(1) P(2)
Branching
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 9: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/9.jpg)
Branching
LP-Relaxation: x (0) =
(1.52.5
)x (0)
1 /∈ Z Teilprobleme:
x1 ≤⌊x (0)
1
⌋= 1
oder x1 ≥⌈x (0)
1
⌉= 2
für jedes Teilproblem:Prozedur wiederholen
x1
x2
P(1) P(2)
BranchingB. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 10: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/10.jpg)
Bounding
x1
x2
c
Px (0)
beste Lösung: ?? Zielfunktionswert: ??B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 11: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/11.jpg)
Bounding
x1
x2
c
P(1) P(2)
beste Lösung: ?? Zielfunktionswert: ??B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 12: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/12.jpg)
Bounding
x1
x2
c
P(2)
x (2)
beste Lösung: ?? Zielfunktionswert: ??B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 13: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/13.jpg)
Bounding
x1
x2
c
P(2)
x (2)
beste Lösung: ?? Zielfunktionswert: ??B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 14: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/14.jpg)
Bounding
x1
x2
c
P(3)
x (3)
beste Lösung: ?? Zielfunktionswert: ??B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 15: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/15.jpg)
Bounding
x1
x2
c
P(3)
x (3)
beste Lösung: ?? Zielfunktionswert: ??B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 16: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/16.jpg)
Bounding
x1
x2
c
P(5)
x (5)
beste Lösung: ?? Zielfunktionswert: ??B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 17: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/17.jpg)
Bounding
x1
x2
c
P(5)
x (5)
beste Lösung: (2, 1)T Zielfunktionswert: 3B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 18: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/18.jpg)
Bounding
x1
x2
c
P(1)
x (1)
beste Lösung: (2, 1)T Zielfunktionswert: 3B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 19: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/19.jpg)
Bounding
x1
x2
c
P(1)
x (1)
cT x (1) = 2.5
beste Lösung: (2, 1)T Zielfunktionswert: 3B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 20: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/20.jpg)
Bounding
x1
x2
c
P(1)
x (1)
cT x (1) = 2.5
BoundingB. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 21: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/21.jpg)
Branch & Bound: Überblick
Initialisieren Ende
Knotenauswahl Knoten übrig?
Schranken bestimmen
Knoten abschneiden ?
Branching
Ja
Nein
JaNein
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 22: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/22.jpg)
Branch & Bound: Bestandteile
Knotenauswahl: Welches Teilproblem zuerst?Schranken: Woher gute globale und lokale Schranken?
Abschneiden: Baum möglichst klein halten!Branching: Wieviele und welche Teilprobleme?
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 23: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/23.jpg)
Branch & Bound für ILP
Knotenauswahl Schranken Abschneiden Branching
allgemein
zulässige Lösung findenSchranken verbessernBaum klein haltengute Lösung finden
für ILP
Teilproblem Teil-PolyederGüteschätzung: Dualitätslücke
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 24: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/24.jpg)
Branch & Bound für ILP
Knotenauswahl Schranken Abschneiden Branching
allgemein
globale untere Schranke: Mindestwert der Lösunglokale obere Schranken: Höchstwert der Lösungin Teilproblemgute Schranken kleiner BaumRechenaufwand
für ILP
global: zulässige ganzzahlige Lösung, Heuristiklokal: LP-Relaxation
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 25: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/25.jpg)
Branch & Bound für ILP
Knotenauswahl Schranken Abschneiden Branching
allgemein
lokale Schranke < globale Schranke AbschneidenBaum klein haltenevtl. vorzeitiger Abbruch Güte der Lösung?
für ILP
Vergleich der Schranken
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 26: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/26.jpg)
Branch & Bound für ILP
Knotenauswahl Schranken Abschneiden Branching
allgemein
wenige Zweige, kleiner Baumschnell Lösung findengute Schranken
für ILP
fraktionelle Komponente wählenauf- und abrunden, evtl. mehrere Zweigeandere Ideen kommende Stunden
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 27: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/27.jpg)
Zusammenfassung: Branch & Bound
allgemein
exakter AlgorithmusPrototyp, Details müssen festgelegt werdenentscheidend: gute Schranken, Branching, Knotenauswahl
für ILP
wichtigster ILP-Algorithmus in der PraxisPerformancegarantie: Dualitätslückeproblemangepasste Strategien hilfreichKombinationen mit Heuristiken, Approximationsalgorithmen,Schnittebenen-Verfahren
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis
![Page 28: Diskrete Optimierung: Fallstudien aus der Praxis · 2009-05-12 · Diskrete Optimierung: Fallstudien aus der Praxis BranchandBound–Grundlagen BarbaraLangfeld,MichaelRitter,BarbaraWilhelm](https://reader034.vdocuments.mx/reader034/viewer/2022042402/5f14477aa7a28736a005c1b3/html5/thumbnails/28.jpg)
Zusammenfassung: Branch & Bound
allgemein
exakter AlgorithmusPrototyp, Details müssen festgelegt werdenentscheidend: gute Schranken, Branching, Knotenauswahl
für ILP
wichtigster ILP-Algorithmus in der PraxisPerformancegarantie: Dualitätslückeproblemangepasste Strategien hilfreichKombinationen mit Heuristiken, Approximationsalgorithmen,Schnittebenen-Verfahren
B. Langfeld, M. Ritter, B. Wilhelm | Diskrete Optimierung: Fallstudien aus der Praxis