Esimerkki 2 (Kaupparatsuongelma eli TSP)



Samankaltaiset tiedostot
73125 MATEMAATTINEN OPTIMOINTITEORIA 2

Mat Lineaarinen ohjelmointi

5. Lineaarisen optimoinnin perusprobleemat

1. osa, ks. Solmu 2/ Kahden positiivisen luvun harmoninen, geometrinen, aritmeettinen ja + 1 u v 2 1

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

YKSIULOTTEINEN JÄNNITYSTILA

Insinöörimatematiikka IA

( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.

1 Eksponenttifunktion määritelmä

Äärettämän sarjan (tai vain sarjan) sanotaan suppenevan eli konvergoivan, jos raja-arvo lims

MATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai

9. Lineaaristen differentiaaliyhtälöiden ratkaisuavaruuksista

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

2 Konveksisuus ja ratkaisun olemassaolo

6 Vektoriavaruus R n. 6.1 Lineaarikombinaatio

RATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan

LIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3

Avaruuden R n aliavaruus

Ryhmän osajoukon generoima aliryhmä ja vapaat ryhmät

Insinöörimatematiikka D

12. Hessen matriisi. Ääriarvoteoriaa

Epäyhtälöoppia matematiikkaolympialaisten tehtäviin

1 Lineaariavaruus eli Vektoriavaruus

Tehtäviä neliöiden ei-negatiivisuudesta

b 1. b m ) + ( 2b Ax) + (b b)

Kertaa tarvittaessa induktiota ja rekursiota koskevia tietoja.

****************************************************************** ****************************************************************** 7 Esim.

Kokonaislukuoptiomointi Leikkaustasomenetelmät

Solmu 3/ toteutuu kaikilla u,v I ja λ ]0,1[. Se on aidosti konveksi, jos. f ( λu+(1 λ)v ) < λf(u)+(1 λ)f(v) (2)

802320A LINEAARIALGEBRA OSA I

Insinöörimatematiikka D

S Laskennallinen systeemibiologia

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!

MATEMATIIKAN JA TILASTOTIETEEN LAITOS

3 x < < 3 x < < x < < x < 9 2.

Kanta ja dimensio 1 / 23

Lineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.

1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).

Matematiikan tukikurssi

2 avulla. Derivaatta on nolla, kun. g( 3) = ( 3) 2 ( 3) 5 ( 3) + 6 ( 3) = 72 > 0. x =

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h

Analyysi A. Harjoitustehtäviä lukuun 1 / kevät 2018

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Insinöörimatematiikka D

T Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen

4.3 Signaalin autokorrelaatio

Diskreetin Matematiikan Paja Ratkaisuja viikolle 4. ( ) Jeremias Berg. n(n + 1) 2. k =

ominaisvektorit. Nyt 2 3 6

Insinöörimatematiikka D

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2018 Harjoitus 3 Ratkaisuehdotuksia.

Ortogonaalisuus ja projektiot

JAKSO 2 KANTA JA KOORDINAATIT

Aritmeettinen jono

3 Lukujonot matemaattisena mallina

SMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi

Lineaarialgebra ja matriisilaskenta II. LM2, Kesä /141

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

3 x < < 3 x < < x < < x < 9 2.

Laaja matematiikka 2 Kertaustehtäviä Viikko 17/ 2005

9.7 Matriisinormit. Vaasan yliopiston julkaisuja 225. Ei siis lainkaan ongelmia defektiivisyydestä.

2 u = 0. j=1. x 2 j=1. Siis funktio v saavuttaa suurimman arvonsa jossakin alueen Ω pisteessä x. Pisteessä x = x on 2 v. (x ) 0.

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

10 Kertolaskusääntö. Kahta tapahtumaa tai satunnaisilmiötä sanotaan riippumattomiksi, jos toisen tulos ei millään tavalla vaikuta toiseen.

Lineaarialgebra ja matriisilaskenta II Syksy 2009 Laskuharjoitus 1 ( ) Ratkaisuehdotuksia Vesa Ala-Mattila

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi Luennot, osa II

Insinöörimatematiikka D

Kuvaus. Määritelmä. LM2, Kesä /160

Stokastiikan perusteet Harjoitukset 1 (Todennäköisyysavaruus, -mitta ja -funktio)

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Algebra I Matematiikan ja tilastotieteen laitos Ratkaisuehdotuksia harjoituksiin 5 (6 sivua)

MS-C1340 Lineaarialgebra ja

, on säännöllinen 2-ulotteinen pinta. Määrää T x0 pisteessä x 0 = (0, 1, 1).

Kombinatoriikka. Iiro Honkala 2015

EX1 EX 2 EX =

Tilastollinen todennäköisyys

3.6. Geometrisen summan sovelluksia

1 Sisätulo- ja normiavaruudet

Avaruuden kolme sellaista pistettä, jotka eivät sijaitse samalla suoralla, määräävät

7. Aliavaruudet. Lineaariset yhtälöryhmät

802320A LINEAARIALGEBRA OSA II

Käänteismatriisi 1 / 14

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

Anna jokaisen kohdan vastaus kolmen merkitsevän numeron tarkkuudella muodossa

Matriisi on suorakulmainen lukukaavio. Matriiseja ovat esimerkiksi: ,, x1 x. Matriiseihin perehtyminen voidaan perustella useilla järkisyillä.

Lineaarikuvauksen R n R m matriisi

Täydellisyysaksiooman kertaus

Funktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.

Insinöörimatematiikka D

3.4 Käänteiskuvauslause ja implisiittifunktiolause

Vektorien virittämä aliavaruus

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

4 KORKEAMMAN KERTALUVUN LINEAARISET DIFFERENTIAALIYHTÄLÖT. Kertaluvun n lineaarinen differentiaaliyhtälö ns. standardimuodossa on

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

λ x = 0,100 nm, Eγ = 0,662 MeV, θ = 90. λ λ+ λ missä ave tarkoittaa aikakeskiarvoa.

Transkriptio:

10 Esimerkki 2 (Kaupparatsuogelma eli TSP) Kauppamatkustaja o kierrettävä kaupukia site, että hä lähtee kaupugista 1 ja palaa sie sekä käy jokaisessa muussa kaupugissa täsmällee kerra. Matka kaupugista i kaupukii j o c ij, joka ei välttämättä ole sama molempii suutii. Haettava lyhi kiertomatka. Kyseie ogelma tuetaa imellä Travelig Salesma Problem, TSP. Kyse o siis siitä, missä järjestyksessä kaupugit tulee kiertää, jotta yhteelaskettu matka olisi piei mahdollie. Eri mahdollisuuksia o paljo: (-1)!. Kovikaa moi kaupparatsu ei ehkä käytä mallia kuukaude työsuuitelmaa tehdessää, mutta silti TSP o aalogia kautta yksi käytetyimmistä kokoaislukumalleista. Se soveltuu tilateisii, joissa o tehtävä joo operaatioita, joide järjestys voi olla muute vapaa, mutta eroa o eri järjestyste kustauksilla. TSP voidaa muotoilla lukuisilla eri tavoilla. Otetaa yt käyttöö malli, jossa biäärimuuttujat x ij = 1, jos kaupugista i meää seuraavaksi kaupukii j, ja muute x ij = 0. Silloi rajoitusehtoia ovat yhtälöt x i1 + + x i = 1, i = 1,, x 1j + + x j = 1, j = 1,, Näistä esimmäie yhtälöippu takaa se, että kaupugista i lähdetää täsmällee yhtee kaupukii, ja jälkimmäie, että kaupukii j saavutaa täsmällee yhdestä kaupugista. Lisäksi tarvitaa vaikeammi muotoiltavissa oleva ehto, joka kieltää erilliste alireittie sytymise. Eräs tällaie kostruktio koostuu epäyhtälöistä, joissa jokaiselle kaupukijouko {1, 2,, } aidolle epätyhjälle osajoukolle S vaaditaa muuttujie x ij summaksi 1, ku i S ja j S. Tällöi siis reitti pakotetaa ulos osajoukosta S.

11 Miimoitavaa kustausfuktioa o i j c ij x ij. Oheisissa kuvissa o 300 kaupugi TSP esi satuaisratkaisua ja sitte heuristise algoritmi (myöhemmi käsiteltävä 2-opt) atamaa (lähes) optimiratkaisua.

12 Kauppamatkustaja ogelmaa voi palauttaa esimerkiksi peräkkäisiä työvaiheita sisältäviä ogelmia valmistuksessa. Esimerkiksi jos piirilevyy o porattava reikiä aettuihi paikkoihi ja reiä poraamisee meee vakioaika, ii aikaero eri poraustapoje välille sytyy pora terä siirtelystä. Ogelma o silloi TSP.

13 Esimerkki 3 (Toimipistee sijaitiogelma) O valittava sijaiit perustettaville keskusvarastoille. Mahdollisia sijaitipaikkoja ovat ealta selvitetyt paikkakuat i = 1,2,,. Palveltavia liikkeitä ovat j =1, 2,, m. Jos varasto perustetaa paikkakualle i, siitä aiheutuvat kiiteät kustaukset f i. Kuljetuskustaukset varastosta i liikkeesee j ovat c ij, jos liikkee j koko tarve toimitettaisii varastosta i. Ogelmaa o selvittää, motako varastoa perustetaa ja mille paikkakuille valituista mahdollisista e sijoitetaa. Muuttuja y i = 1, jos paikkakualle perustetaa varasto, ja y i = 0 muute. Reaalimuuttuja x ij kertoo se osuude, mikä paikkakualla i oleva varasto hoitaa liikkee j tarpeesta, 0 x ij 1. Miimoitavaa kustausfuktioa o silloi z = Σ i Σ j c ij x ij + Σ i f i y i ja rajoitusehtoia ovat vaatimukset, että kuki liikkee tarve hoidetaa: Σ i x ij = 1, j = 1,, m ja että olemattomasta varastosta ei voi toimittaa: Σ j x ij My i, i = 1,. Tässä M>0 o "riittävä suuri" luku (esimerkiksi m käy). Probleema o siis lieaarie sekalukutehtävä eli MILP.

14 4. Moitahokkaide teoriaa Äärellise moe lieaarise epäyhtälö avulla määritelty joukko :ssä o koveksi moitahokas (polyhedro). Koska yhtälö o tulkittavissa kahdeksi epäyhtälöksi, o siis lieaarise optimoii käypä joukko aia moitahokas. Se vuoksi tarkastelemme lähemmi : 2 moitahokkaide omiaisuuksia. Tasossa moitahokas o moikulmio. Yhtälö α T x = β määrittelee :ssä (hyper)taso. Se ormaali o vektori α. Hypertaso jakaa avaruude kahtee puoliavaruutee H - = {x α T x β } ja H + = {x α T x β }. Moitahokas o siis äärellise moe puoliavaruude leikkaus. Olkoo moitahokas P määritelty m -matriisilla A ja vektorilla b m : P = {x Ax b}. 3 Moitahokas :ssa o silloi oheise kuva kaltaie. x2 A B C F H I G J D E L K x1 x3

15 Moitahokas P o ratioaalie, jos A ja b voidaa valita ratioaalikertoimisiksi. Tässä kurssissa oletamme, että P o aia ratioaalie. Se ei käytäö kaalta aiheuta ogelmia, koska lasketa toimitetaa aia ratioaaliluvuilla. P o rajoitettu, jos se o : joukkoa rajoitettu, eli sisältyy äärellissäteisee palloo tai äärellissivuisee kuutioo. (Eglaikielessä rajoitettu moitahokas o polytope, tosi joissaki kirjoissa asia o päivastoi, eli polyhedro o rajoitettu ja polytope yleie moitahokas.) Koveksi joukko o sellaie joukko, joka sisältää aia kahde pisteesä välijaa. Alla o esimerkki joukosta, joka ei ole koveksi: Moitahokas o ilmeisesti aia koveksi joukko. (Joskus määritellää yleisempi käsite moitahokkaaksi, jolloi meidä käsitteemme o koveksi moitahokas.)

16 Pisteide x i (i=1,,r) lieaarikombiaatio x = c 1 x 1 + +c r x r o koveksi kombiaatio, jos kertoimet c i ovat ei-egatiivisia ja iide summa = 1. Koveksi joukko sisältää aia pisteidesä koveksit kombiaatiot. Jouko S koveksi verho co(s) o S: pisteide kaikkie koveksie kombiaatioide muodostama joukko. Se o suppei koveksi joukko, joka sisältää S:. Osoittautuu, että kaikki rajoitetut moitahokkaat ovat äärelliste pistejoukkoje kovekseja verhoja. Pisteet x i (i=1,,k) ovat affiiisti riippumattomia, jos ehdoista c 1 x 1 + +c k x k = 0 & c 1 + + c k = 0 seuraa c 1 = = c k = 0. Yhtäpitävää tämä kassa o, että vektorit x 2 -x 1, x k -x 1 ovat lieaarisesti riippumattomia. + 1 Edellee yhtäpitävää affiiille riippumattomuudelle o, että : vektorit [x T i,-1] T (i=1,,k) ovat lieaarisesti riippumattomia. Näistä ähdää, että eimmillää : affiiisti riippumattomassa pistejoukossa voi olla +1 pistettä (siis dimesio plus yksi).

17 Yhtälöryhmällä Ax = b o korkeitaa +1-rak(A) affiiisti riippumatota ratkaisua. (A ja b ovat kute P: määritelmässä). Moitahokkaa P dimesio eli ulottuvuus o k, jos suuri määrä affiiisti riippumattomia pisteitä P:ssä o k+1. Moitahokkaa P ulottuvuus o täysi, jos dim(p)=. Voidaa todeta, että dim(p)= k, jos P saadaa siirrolla eli traslaatiolla k- ulotteise aliavaruude osaksi, mutta ei alempiulotteise. Moitahokkaa P määritelmässä Ax b o m lieaarista epäyhtälöä A i x b i (i=1,,m), missä A i o A: i:s vaakarivi. Osa äistä voi toteutua yhtälöä koko P:ssä. Merkitää A = :llä sitä matriisi A osaa, joka koostuu tällaisista riveistä, ja loppuja A < :llä. Vastaavasti vektorille b. Siis Ax b jakautuu kahtee osaa, A = x b = ja A < x b <. Moitahokkaide dimesiolause o silloi: dim(p) + rak([a =,b = ]) =. Tästä seuraa, että moitahokkaa dimesio o täysi, jos ja vai jos sillä o sisäpisteitä. Moitahokkaa P = {x Ax b} esityksessä voi olla "tarpeettomiaki" epäyhtälöitä. Epäyhtälöä α T x β saotaa voimassaolevaksi epäyhtälöksi (valid iequality), jos P: kaikki pisteet toteuttavat se. Silloi P sijaitsee kyseise epäyhtälö määräämässä puoliavaruudessa, joka reuaa o (hyper)taso α T x = β. Jos rajoitusehdo poisjättämie rajoituste joukosta ei muuta P:tä mitekää, kyseie rajoitusehto o redudatti.

18 Jos joki epäyhtälö ei toteudu yhtälöä yhdessäkää P: pisteessä, vastaava rajoitusehto o ilmeisesti redudatti. Ne epäyhtälöt, jotka toteutuvat aiaki osassa P:tä yhtälöä, tukevat P:tä ja iide määräämää tasoa saotaa P: tukitasoksi. Moitahokkaa tahkoja (face) ovat kaikki tukitasoje ja P: leikkaukset. Tahko F o siis muotoa F = {x α T x = β} P jollaki moitahokkaa P voimassaolevalla epäyhtälöllä α T x β. Yhtälö tai geometrisesti saottua hypertaso α T x = β o silloi tahko esitys. Tahko o aito, jos se ei ole tyhjä eikä koko P. Tahkot ovat itseki moitahokkaita, ja iitä voidaa luokitella P: tahkoia dimesioidesa mukaa seuraavasti: - F o kärki(piste), jos dim(f) = 0 - F o särmä, jos dim(f) = 1 - F o viiste, jos dim(f) = dim(p)-1. Eglaikieliset termit ovat extreme poit, edge ja facet. (Suomekieliset imitykset eivät ole vakiitueita.) Kolmiulotteissa avaruudessa olevalla täysulotteisella moitahokkaalla o vai kärkiä, särmiä ja viisteitä tahkoia, mutta korkeampiulotteisissa avaruuksissa moitahokkailla voi olla myös tahkoja, joide dimesio o välillä [2, dim(p)-2] ja jotka eivät ole mitää edellä maiituista tyypeistä.

19 Aido viistee tapauksessa o aia olemassa ryhmää A < x b < kuuluva epäyhtälö, joka toteutuu viisteessä yhtälöä. Silloi moitahokkaasee jää myös pisteitä, joissa kyseie epäyhtälö toteutuu aitoa. Osoittautuu, että moitahokkaa määräämiseksi riittää ottaa ryhmästä A < x b < viisteide esitykset, alempiulotteiste tahkoje esitykset ovat redudatteja. Ja jokaiselle viisteelle riittää yksi esitys, joka o skalaarikertolaskua vaille yksikäsitteie. Tämä o moitahokkaa miimaalie esitys epäyhtälöiä eli esitys mahdollisimma pieellä määrällä epäyhtälöitä. Edellä kuvattu esitys o implisiittie tapa määrittää moitahokas. Moitahokkaalle o olemassa myös toie eksplisiittisempi esitystapa. Kärkipiste oli määritelty 0-ulotteisea tahkoa. Kärkipistettä karakterisoi myös omiaisuus, että se ei ole mikää kahde muu P: pistee välissä aidosti eli se o P: ääripiste. Vektori d 0 o moitahokkaa säde (äärettömyyssuuta), jos jokaisella x P pisteet x + td kuuluvat P:he kaikilla t>0. Äärisäde o sellaie säde, joka ei ole P: kahde muu sätee välissä aidosti. Silloi ähdää, että d o P: äärisäde, jos ja vai jos {x 0 + td t 0} o P: yksiulotteie tahko jollaki x 0.

20 Moitahokkaa voi "raketaa" se kärkipisteistä ja äärisäteistä: Moitahokkaide esityslause (Mikowski) Olkoo P = {x Ax b} epätyhjä moitahokas, jolla rak(a)=. Silloi P={x x = c 1 x 1 + c N x N + t 1 d 1 + t K d K ; c 1 + c N =1, c i 0, t j 0 }, missä pisteet x i (i=1,,n) ovat P: kärkipisteet ja vektorit d j (j=1,,k) P: äärisäteet. x d2 d1