Guida passo a passo per alcune tipologie di esercizi con immagini e ricche spiegazioni, frammenti di altri esercizi con casi particolari, il tutto organizzato per una facile consultazione in sede di esame o per apprendere i passaggi in fase di studio.\\
\\
Non è un sostituto all'esercizio e lo studio, l'esame richiede una buona dose di pratica e di comprensione teorica, l'uso esclusivo del compendio all'esame senza i punti precedenti vi porterà ad imparare una costosa ed evitabile lezione.
\end{abstract}
\tableofcontents
\section{Modelli}
Mi dispiace, qua non troverete guide per fare i modelli, sfortunatamente questi van fatti alla nausea cercando di capire di volta in volta e costruendosi il metodo, riporto solamente delle fattispecie di problemi con soluzioni di tipologie degne di nota.
\subsection{Cenni di Base}
\begin{itemize}
\item Stiamo risolvendo problemi \textbf{lineari}, questo implica che non potete e non dovete moltiplicare due variabili che avete creato in nessun modo, è un errore molto grave, ad esempio:\\
$x_{ij}\{0,1\}$ e $y_i integer \geqq0$, questa cosa è illegale: $\displaystyle\sum_{i \in J} x_{ij}y_i$\\
È comunque possibile moltiplicare tra loro parametri del problema e variabili create ad hoc da voi.
\item Il \textbf{Big M} è uno strumento che possiamo usare in certe circostanze, torna utile per impostare vincoli di verità, come ad esempio:\\
Supponiamo di dover produrre due prodotti A e B, il prodotto B ha una particolarità, nel caso ne facessimo anche solo 1, avremmo dei costi fissi $c_B$.\\
Ora noi impostiamo due variabili intere per rappresentare il numero di prodotti che stiamo producendo $x_A \geqq0, integer$ e $x_B \geqq0, integer$, ed una booleana per indicare se B è prodotto o no $y_B \in\{0,1\}$, come possiamo mettere un vincolo che nel caso in cui \textbf{NON} stiamo producendo B, allora per forza di cose $x_B$ dovrà essere $\leqq0$ ?\\
$x_B \leqq My_B$\\
Perchè serve ? Perchè senza questo vincolo potrei avere $y_B=0$ e $x_B =340$, capite che qualcosa non funziona matematicamente.\\
Cosa stiamo facendo quindi? M rappresenta un numero molto grosso, nel momento in cui $y_B$ varrà 1, cioè stiamo producendo il prodotto B, avremo $x_B$ come intero positivo che sarà sempre minore di M, e il tutto rispetta il vincolo, nel caso in cui non produciamo B, $y_B$ varrà 0 che annullerà M, rendendo l'equazione $x_B \leqq0$, quindi $x_B$ dovrà per forza essere 0 a sua volta ($x_B$ non può essere negativo dal vincolo messo sopra che la impone $\geqq0$).
\item\textbf{L'opposto di una booleana} o \textbf{$(1-x_{ij})$}, questa è una chicca, serve per vedere la condizione opposta di uno stato di una booleana per un controllo inverso, vediamo un breve esempio:\\
Una azienda produce il prodotto X, la linea di produzione è formata da 3 differenti linee parallele identiche, 1,2,3, il prodotto X ha due lotti distinti, il lotto $\alpha$ e il lotto $\beta$, se produco il lotto $\alpha$ in una delle 3 linee, allora non posso produrre il lotto $\beta$ in quella linea.\\
Pongo $x_{ij}\in\{0,1\}, j \in\{1,2,3\}, i \in\{\alpha,\beta\}$ che rappresenta un booleano, che vale 1, nel caso in cui il lotto $i$ è prodotto nella linea $j$, 0 altrimenti.\\
Come posso fare il controllo di verità di questa condizione con un vincolo matematico ?\\
$\displaystyle\sum_{i \in\alpha} x_{ij}\leqq(1-x_{ki})M$$i \in\{1,2,3\}, k \in\beta$\\
Sto ciclando a sinistra delal disuguaglianza tutti i prodotti X del lotto $\alpha$, la $j$ è vincolata fuori quindi guardiamo una linea alla volta, a destra della disuguaglianza sto dicendo che nel caso in cui $x_{kj}$ dove $k$ è l'insieme del lotto $\beta$ vale 1, quindi lo stiamo producendo nelal stessa linea produttiva $i$, allora avendolo posto negativo, si annulla con l'1 : $(1-x_{ki})$, valendo 0 e di conseguenza, rompendo il vincolo.\\
Il Big M a destra della parentesi, serve nel caso in cui non produciamo $\beta$ in quella specifica linea di produzione, e l'uno risultante dalla tonda che ne deriva, deve essere moltiplicato con qualcosa di grande per rendere vera l'equazione di sinistra.
\item\textbf{$\Delta$}, il delta viene usato per rappresentare la differenza di variabili, come può essere l'età media delle persone, se in un problema vedete un punto che risulta simile a:"minimizzare il valore assoluto della differenza massima tra l'etá media di un gruppo e un altro"
\item\textbf{Valore assoluto di un insieme $|A|$}, è semplicemente un modo per esprimere il limite superiore di un insieme che non ha una definizione numerica, ad esempio se ho un insieme $A$ che rappresenta i nasi che ha un circo disponibile da allocare ai suoi clown, allora se pongo $x_i \geqq0, integer$ come il numero totale di nasi che il gruppo di clown $i$ può prelevare, posso scrivere:\\
$x_i \leqq |A|$
\end{itemize}
\newpage
\subsection{Esercizi}
\subsubsection{Problema con Delta}
Esame 2020-07-16 Ex 1\\
\noindent\fbox{%
\parbox{\textwidth}{%
In a summer camp there are 70 children to be allocated to 10 groups, each one
with an educator that must supervise exactly 7 children.\\
The age of each child is $e_i,i=1,\dots,70.$\\
We want to minimize the absolute value of the maximum difference between
the average age of a group and the age of each child allocated to that group (example: if the 7 children of a group have ages 8,9,10,11,11,12,12 the maximum
difference for this group is —73/7 - 8 = 2.43—).\\
Write an integer linear programming model in order to decide how to allocate
the children to the groups\\
Clearly define the used variables.
}%
}%
\\
Soluzione:\\
$x_{ig}=1$ se il bimbo $i =1,\dots,70$ è nel gruppo $g =1\in10$, 0 altrimenti.\\
$\Delta$ massima differenza di età (valore assoluto).\\
The national company for electric energy is going to plan the use of its
power generators for a time horizon $T$ of time periods. Let $N$ be the set of power generators
and let $M$ be the set of customers. For each customer $j \in M$ and each time period $t \in T$ it is known the forecasted demand $d_{jt}$. For each power generator $i \in N$ it is know the maximum power $P_i$ that can be produced in each time period, and the set $S(i)\subseteq M$ of the customers that may be served by generator $i$. A unit of energy produced by generator $i \in N$ in period $t \in T$ has a cost git. The energy produced by generator $i \in N$ can be transferred to customer $j \in M$ only if a $link$ has been established between $i$ and $j$. The installation of a link $(i, j)$ has cost $c_{ij}$ . To
have a robust service, in case of failure of a power generator, it is required that each customer is linked to at least 2 generators.\\
Write a linear program to help the company to define an optimal plan to install the links among generators and customers, and to provide the required energy to each customer, while minimizing the total cost.\\
Improve the above model by adding the following constraints: in each time period each customer can receive energy from no more than three generators;
}%
}%
\\
Soluzione:\\
$x_{ij}=1$ se il generatore $i \in N$ è collegato al cliente $j \in S(i)$, 0 altrimenti.\\
$f_{ijt}=$ quantità di energia che il generatore $i$ da al cliente $j$, 0 altrimenti.\\
$\delta_{ijt}=1$ se il generatore $i$ fornisce energia al cliente $j$ nel periodo $t$, 0 altrimenti.\\\\
&x_{ij}\in\{0,1\}&&\forall i \in N,\forall j \in S(i)\\
&f_{ijt}\geqq 0 &&\forall i \in N,\forall j \in M,\forall t \in T\\
&\delta_{ijt}\in\{0,1\}&&\forall i \in N,\forall j \in S(i),\forall t \in T
\end{align*}
\subsubsection{Problema di Trasporto}
Esame 2018-01-11 Ex 1\\
\noindent\fbox{%
\parbox{\textwidth}{%
The transport operator CITYFAST is specialized in good distribution in large metropolis. The distribution into the city requires two transports. A first transport from the suppliers (outside the city) to a city distribution center, and a second transport form the distribution center to the customers. Each supplier provides only one type of good. Let $I$ be the set of suppliers, $J$ the set of possible distribution centers and $K$ be the set of customers. The first transport is managed by an external company. CITYFAST pays $c'_{ij}$ euro for each kilogram transported from supplier $i \in I$ to distribution center $j \in J$. Instead, for the second transport, CITYFAST
uses its own fleet of identical ecological trucks, each with a given capacity $C$. The cost for a trip from the distribution center $j \in J$ to customer $k \in K$ (and return) is $c''_{ij}$. Each trip can deliver goods from several suppliers in order to use the truck capacity efficiently. Each trip serve a single customer. Each customer asks for $d_{ik}$ Kg of the good provided by supplier $i \in I$ (with $d_{ik}$ possibly zero if the good is not required). If a distribution center $j$ is used the company has to pay a fixed una-tantum amount of $s_j$ euro.\\
Help the company to find an optimal transport policy by writing a Linear Program aimed to satisfy all the demands, while minimizing the total cost. (Suggestion: use a three index variable
(supplier-distribution center-customer) to track the flows of goods.) Improve the previous model
by adding the following constraint: given a subset of customers: $A \subseteq K$, it is required that all the
customers of $A$ are served by a single distribution center which is the same for all these customers.
}%
}%
\\
Soluzione:\\
$x_{ijk}=$ Kg del bene del fornitore $i$ trasportati da un centro di distribuzione $j$ al cliente $k$.\\
$y_{jk}=$ numero di viaggi dal centro di distribuzione $j$ al cliente $k$.\\
$\delta_j =$ 1 se il centro di distribuzione $j$ è usato, 0 altrimenti.\\
$M =$ un numero molto grande (costante).\\
$z_{jk}$ 1 se il centro di distribuzione $j$ serve il cliente $k \in A$, 0 altrimenti.\\
\subsection{Esercizio Trasformazione Gran Fritto Misto}
Esame 2020-06-25 Ex 3\\
\noindent\fbox{%
\parbox{\textwidth}{%
Consider this minimization problem:\\
\begin{align*}
mix: &8x_1 + 3x_2 + x_3 \\
&2x_1 + 7x_2 - 5x_3 = 4\\
&4x_1 - 3x_2 + x_3 \geqq 8\\
&x_1 \geqq 0\\
&x_2 \leqq 0\\
&x_3 free
\end{align*}
Write the corresponding canonical form.
}%
}%
\\
Soluzione:\\
\begin{align*}
mix: &8x_1 + 3x_2 + x_3^+ - x_3^- \\
&2x_1 - 7x_2 - 5x_3^+ + 5x_3^- \geqq 4\\
&-2x_1 + 7x_2 + 5x_3^+ - 5x_3^- \geqq -4\\
&4x_1 + 3x_2 + x_3^+ -x_3^- \geqq 8\\
&x_1,x_2,x_3^+,x_3^- \geqq 0
\end{align*}
Le variabili free son state sdoppiate, $x_3\Rightarrow x_3^+,x_3^-$ e sostituite nel sistema, la $x_3^+$ ha mantenuto sempre il suo segno, mentre la $x_3^-$ aveva l'opposto della sua controparte positiva.\\
Nel secondo vincolo avevamo un uguaglianza, abbiamo quindi dovuto porre il segno a $\geqq$ e aggiungere una nuova riga, con gli stessi termini moltiplicati per $-1$ e segno $\leqq$.
\newpage
\section{Matrici : LP, ILP}
\subsection{Fondamenti Concettuali}
\subsubsection{Quale Simplesso?}
Quale simplesso dovrei usare se il professore non lo specifica ?\\
Abbiamo 3 strumenti, che non sono equivalenti (quasi), vediamo la mappa concettuale:\\
Questo sarebbe il flusso logico per approcciare il problema, in realtà il 2fasi può sempre sostituire il simplesso duale, non è vero il contrario, in ogni caso il 2 fasi essendo più lungo è sconveniente usarlo sempre.
NB. La condizione di scelta del primo ramo no (costi ridotti negativi), non è discriminante della radice (termini noti positivi), ovvero, il simplesso standard, \underline{può} essere usato se i suoi costi ridotti sono negativi, è condizione necessaria che abbia i termini noti positivi.
\subsection{LP}
Linear Programming, in italiano Programmazione Lineare PL
\subsubsection{Simplesso}
una volta che abbiamo sviluppato il nostro problema e sistemato i vincoli, trovandoci nella condizione di poterlo sfruttare avendo i termini noti positivi una volta costruito il tableu, le iterazioni per selezionare il pivot saranno le seguenti:\\
\begin{itemize}
\item Siamo in un problema di $Massimo$: Scelgo le colonne che hanno valori $positivi$,non do precedenza a nessuna colonna specifica se ne incontro più di una $positiva$, prendo sempre quella più a sinistra, con indice minore (legge di Bland).
\item Siamo in un problema di $Minimo$: Scelgo le colonne che hanno valori $negativi$,non do precedenza a nessuna colonna specifica se ne incontro più di una $negativa$, prendo sempre quella più a sinistra, con indice minore (legge di Bland).
\end{itemize}
Una volta designata la colonna, la riga viene scelta prendendo il valore $minore$ dal rapporto dato da $\frac{b_i}{a_{ic}}$, dove $i$ è l'indice di riga, $c$ è l'indice di colonna e $b$ è il termine noto della riga $i$ che stiamo analizzando, come da esempio nell'immagine:\\
È importante notare che $a_{ic} > 0$, affinchè il tutto funzioni.\\
Iteriamo finchè la riga della funzione obbiettivo, ovvero la $R0$ (o anche riga dei costi), non diventa tutta $positiva$ se siamo in problema di $minimo$, o $negativa$ se siamo in un problema di $massimo$.
\subsubsection{Simplesso Duale}
Il processo è molto simile al Simplesso standard, con una sostanziale differenza, ora non partiamo più a selezionare la colonna in base a che tipo di problema di ottimizzazione ci troviamo ($max$ o $min$), ma prima partiamo a scegliere la riga, in base al fatt oche il termine noto sia negativo (vale per entrambi i problemi):\\
Una volta scelta la riga, devo scegliere solo i valori di quella riga che sono $negativi$, affinchè nel momento in cui farò diventare 1 quel pivot, il termine noto rispettivo $\overline{b}_t$ diventi anch'esso positivo, nel caso in cui non ci siano valori negativi nella riga, allora il duale è illimitato e ci fermiamo.\\
Nel caso avessi più di un valore negativo da cui scegliere, scelgo il pivot che ha un rapporto minore tra il valore della colonna, fratto il relativo pivot: $\frac{\overline{c}_j}{|\overline{a}_{t,j}|}$\\
Continuo ad iterare fintanto che i termini noti non sono tutti positivi.\\
NB. È importante che la $R_0$ rimanga sempre positiva, perchè è condizione necessaria del simplesso duale.
\subsubsection{2Fasi}
Il metodo delle due fasi può sostituire il simplesso duale, nel caso in cui noi avessimo dei termini noti negativi, sarebbe sufficiente cambiare i segni dei vincoli, in modo da forzarli positivi, e bilanciare le slack negative con le variabili di surplus, il 2 fasi \underline{richiede} in input un problema di $minimizzazione$, quindi nel caso in cui avessimo un problema di massimo, cambiamo i segni di quella riga per ricondurci all'input adeguato.\\
Dal nome, ci sono due fasi principali su cui lavorare, partiamo dalla prima fase, dobbiamo costruire un tableu una volta ricavata la forma standard, poniamo a 0 tutti gli elementi della $R_0$, lasciando un 1 esclusivamente dove è presente una variabile di surplus.
Le variabili di surplus vengono aggiunte solo se la slack di quel vincolo è negativa.
Adesso procediamo iterando con il simplesso standard, quindi, trovandoci in un problema di minimizzazione, dobbiamo far sparire le colonne che nella $R_0$ hanno valori $negativi$.\\
Iniziamo ora la \underline{Seconda Fase}, prendiamo la matrice precedente che ora si trova la $R_0$ piena di 0 ad esclusione delle colonne delle variabili di surplus, rimuoviamo quindi queste colonne e sostituiamo la $R_0$ con le variabili della funzione obbiettivo del problema originale.
NB.Se il problema era di massimizzazione originariamente, dobbiamo riportarcelo, nel caso fosse di minimizzazione possiamo lasciarlo così com'è.\\
Procediamo infine ad avere gli 0 nelle rispettive colonne della nostra base, in modo da sviluppare la soluzione, quindi tramite operazioni matriciali sistemiamo la $R_0$.\\
Per prima cosa dobbiamo scegliere una direzione per i segni, tutti devono andare nella stessa direzione (non va considerata la riga finale delle $x_i \geqq0$ ), possiamo seguire questa tabella per indicazioni più rigorose:\\
\item se i vincoli del primale sono: \textbf{$a_i^Tx \geqq b_i$},nel duale arriveremo dal basso della regione ammissibile, le slack di conseguenza saranno \textbf{non negative}. Nel duale staremo massimizzando, percui le nostre corrispettive variabili (moltiplicative) dovranno essere \textbf{non negative}.
\item se i vincoli del primale sono \textbf{$a_i^Tx \leqq b_i$},le slack dei vincoli dovranno essere \textbf{non positive}. Nel duale staremo massimizzando, percui le nostre corrispettive variabili (moltiplicative) dovranno essere \textbf{non positive}.
\item se i vincoli del primale sono \textbf{$a_i^Tx = b_i$}, le slack dei vincoli potranno avere qualsiasi valore. Le corrispondenti variabili (moltiplicative) potranno avere qualsiasi valore.
Possiamo dividerlo in sotto vettori colonna, prendendo il vettore colonna delle $x_1$, partiamo dal vettore colonna dei vincoli, evidenziata di rosso, ribaltiamo di 90 gradi a sinistra e sostituiamo ogni $x$ con $u_i$ dove $i$ rappresenta la riga del vettore colonna, quindi avremo:\\
$-u_1+0u_2$$\Rightarrow$$-u_1$\\
mettiamo ora la disequazione, che rappresenta il verso opposto a quello scelto precedentemente, quindi avevamo impostato il sistema tutto a: $\geqq$, avremo:\\
$-u_1\leqq$\\
A destra della disequazione inseriamo il vettore colonna arancione, ovvero il valore della rispettiva $x_1$ della funzione obbiettivo:\\
$-u_1\leqq2$\\
Reiteriamo per ogni colonna, il vettore colonna azzurro, ovvero il vettore dei termini noti, sarà la nostra nuova funzione obbiettivo, usiamo lo stesso procedimento di prima, quindi avremo $8u_1-2u_2$, il problema verrà anche invertito quindi dal $minimo$ di partenza, ora averemo un $massimo$:\\
Se volessi risolvere il sistema invece, partendo dal sistema già orientato nel verso giusto e il suo problema duale con soluzione $x=(15,0,20,0,0)$$z_P=-30$:\\
Nell'esempio del sistema sopra, stringi stringi abbiamo fatto:\\
Poniamo a $0$ le $x$ dentro le parentesi, abbiamo un sistema di $n$ equazioni in $m$ incognite, poniamo uguali a $0$ a scelta $n-m$, noi scegliamo quindi di annullare fuori dalle parentesi tra $x_1,x_2,x_3$, $x_2=0$ per semplificarci i calcoli (si veda la 4 riga del sistema risolto sopra), ci rimane in questo caso un sistema a due equazioni:\\
$u_1-2u_2=2$\\
$(u_1+ u_2)=-1$\\
Lo risolviamo $u_1=4, u_2=1$ avremo per cui sostituendo le relative $u$ nella funzione obbiettivo del duale $5u_1-10u_2$, $z =-30$.
Anche tu sei a digiuno di grafici ed hai un incontrollato appetito di disegnarne altri ?\\
Molto semplicemente partendo da un sistema, si calcola la derivata prima della funzione obbiettivo per avere il nostro bel gradiente.
Ogni vincolo è una retta nel grafico e il segno è l'area accettabile dove guardare, un esempio semplice di un problema duale:\\
\begin{align*}
max: &8u_1 - 2u_2 \\
&-u_1 \leqq 2 \\
&3u_1 - u_2 \leqq 3 \\
&-2u_1 + u_2 \leqq 1 \\
&u_1, u_2 \geqq 0 \\
\end{align*}
Possiamo interpretare per facilità gli $u_1$ come $x$ e gli $u_2$ come $y$, avremo un gradiente : $\nabla=(8,-2)$.\\
prendiamo il primo vincolo: $-u_1\leqq2$$\Rightarrow$$-x \leqq2$\\
Quindi ponendo $x=0$ non salta fuori nulla.\\
Il secondo vincolo $3x -y \leqq3$, ponendo $x=0$ ricavo il primo punto $y=-3$
con $\geqq$ avendo cambiato il segno,coem secondo punto per tracciare la retto scelgo $x=1$, avrò $y=0$ sempre con $\geqq$, traccio al retta nel grafico.\\
Ultimo vincolo $-2x +y \leqq1$, pongo $x=0$ avrò $y =1$ con l'area acettabile sotto di essa $\leqq1$, secondo punto pongo $x=-\frac{1}{2}$ avrò $y=0$, il grafico risultante qua sotto, ha l'area interna ammissibile, che si trova nel primo quadrante del grafico, avendo come vincolo ulteriore $u_1,u_2\geqq0$, dal gradiente che cade sul punto 8 in questo caso, la soluzione ottimale è lo spigolo in alto a destra con coordinate $(4,9)$ che corrisponde alla soluzione $z =30$ andando a sostituire le coordinate nella funzione obbiettivo di max del problema.
Integer Linear Programming, in italiano Programmazione Lineare Intera PLI
\subsubsection{Tagli di Gomory}
I tagli di gomory si usano quando il nostro problema da PL Lineare è PLI, ovvero Lineare Intero, il principio è che, non avendo numeri con virgole, posso approssimare il risultato all'intero più vicino.\\
Partendo dal tableu già risolto e con risultato ottimale e avendo termini fratti nella $R_0$, posso sfruttare Gomory per trovare una soluzione PLI, la formula da usare è:\\
\item usiamo al formula di Gomory: $(\frac{1}{4}-\lfloor\frac{1}{4}\rfloor)S_1+(\frac{1}{4}-\lfloor\frac{1}{4}\rfloor)S_2\geqq(\frac{3}{2}-\lfloor\frac{3}{2}\rfloor)$
\item effettuiamo gli arrotondamenti: $(\frac{1}{4}-0)S_1+(\frac{1}{4}-0)S_2\geqq(\frac{3}{2}-1)$
La seguente soluzione non è accettabile per il costo negativo dei termini noti ($-\frac{1}{2}$), dalla sezione del Compendio 2.1.1 sappiamo che dobbiamo usare il simplesso Duale, iteriamo di conseguenza:\\
Ora la base è accettabile, abbiamo però un nuovo valore frazionario nei termini noti , $R_1$, possiamo iterare di nuovo con gomory seguendo il procedimento precedente:\\
NB. L'arrotondamento di $S_2$ è stato di $+1$, i termini negativi, per difetto, si avvicinano a $-\infty$, di conseguenza $-\frac{1}{3}\Rightarrow-0,33\Rightarrow-1$ !\\
NB. Perchè nella prima matrice prendo come pivot $1$ invece di $-2$ ?\\
Ricordando dalla sezione del Compendio $2.1.2$, il valore del pivot deve essere $>0$, $-2$ non soddisfa questo requisito.\\
Arrivati alla fine, come soluzione avremo le colonne $x_4$ che rappresenta $x_2^-$ e la colonna $x_2$ che rappresenta $x_1^-$, avremo perciò:\\
$x_1^-=2\Rightarrow x_1=-2$\\
$x_2^-=3\Rightarrow x_2=-3$\\
$z =4$\\
cambiamo semplicemente i segni essendo che sono le $x^-$\\
\newpage
\subsubsection{Problema PLC con simplesso e gomory in salsa teriyaki}
In questo esercizio ci sta la particolarità che il sistema viene già impostato a $=$ senza disequazioni, non si sa perchè, ma sembra funzionare, si usa il due fasi e si aggiungono alla cazzo di cane le colonne di surplus perchè sì, come punto aggiuntivo ci sta anche da usare i tagli di Gomory:\\
Esame 2017-02-17 Ex 2\\
\noindent\fbox{%
\parbox{\textwidth}{%
Consider the following PLC problem. Solve it with the simplex method.\\
\begin{center}
\begin{align*}
min: &x_1 + 2x_2 + 1x_3 \\
&2x_1 + 3x_2 - 2x_3 = 20\\
&x_1 - 2x_2 + 3x_3 = 12\\
&x_1,x_2,x_3 \geqq 0\\
\end{align*}
\end{center}
Add the integrality constraints for the variables x and apply the cutting plane method with
Gomory’s cuts to look for an integer solution. Always choose the first row available to generate
a cut. Stop the algorithm after adding at most two cuts
\item dove: $\left[\begin{array}{cc}\Delta b_1\\\Delta b_2\end{array}\right]$ sono la differenza dei termini noti precedenti, quindi aumentando 20 a 24: $\left[\begin{array}{cc}4\\0\end{array}\right]$
\item We study what happens if only one term changes: if $\Delta b_2=0$ and only $b_1$ changes:
\item$\left\{\begin{array}{rcl}
1 \Delta b_1 \geqq -20 \\ -4 \Delta b_1 \geqq -90 \end{array}\right.$$\Rightarrow$$-20 \leqq\Delta b_1 \leqq\frac{90}{4}$ because originally $b_1 = -20$.
\item Fixed the other right hand sides, if $b_1$ lays between -20 and 22.5 the basis does not change, outside of this range the basis changes, so the new basis $b_1=24$ is outside this range, and the new solution will be different.
\end{itemize}
Per la seconda domanda, $x_3$ non è nelle soluzioni ottimali,dal testo : $x =(0, 20, 0, 0, 10)$, se poi l'abbassiamo di valore da 13 a 10 diventa pure meno appetibile per l'ottimizzazione, la soluzione quindi non cambia.
\newpage
\section{Grafi}
\subsection{GT}
Graph Theory
\subsubsection{Dijkstra}
Operiamo sempre con grafi dai costi positivi.\\
Il principio è abbastanza semplice, ogni nodo ha due indici $L[j]$ che viene pre-impostato a 0 per il nodo di partenza ed a $\infty$ e rappresenta il costo della strada più economica da $s \Rightarrow j$ mentre $pred[j]$ rappresenta il nodo precedente da cui siamo arrivati che ha la strada più economica.\\
Avremo delle etichette per ogni nodo, che hanno questi due indici e passano da temporanei a permanenti, l'esplorazione da nodo a nodo procede iterativamente selezionando sempre l'arco dal costo minore di tutti i nodi che ho raggiunto in quella fase:\\
Etichettiamo temporaneamente i nodi che sono raggiunti da $S$,ci spostiamo al nodo che costa meno da $S$ (nodo 1 in questo caso) e approdiamo al nodo 3, essendo quello che costa meno tra i nodi già raggiunti, rendendo permanente l'etichetta perchè è oggettivamente la strada più economica, aggiungiamo anche altre etichette temporanee ai nodi che ora sono accessibili dal nodo $3$ appena esplorato, ovvero il $5$.\\
Mi sposto ora sul nodo $5$ essendo quello che è raggiunto da un arco che ha costo minore tra quelli disponibili e raggiunti fino ad ora, rendo l'etichetta permanente e aggiorno anche l'etichetta temporanea del nodo $4$, avendo trovato ora una strada più economica di quella precedente passante per l'attuale nodo $5$.
Posso usare anche una lista di predecessori per rappresentarlo:\\
$S_1=\{2,4\}$\\
$S_2=\{3\}$\\
$S_3=\{1\}$\\
$S_4=\{2,3\}$\\
In forma Tabulare con due matrici, una per i costi ed una per il nodo precedente, in questo caso sotto, $C_{ij}$ è matrice di adiacenza, mentre $L_[j]$ matrice dei pesi e $pred_[j]$ matrice dei nodi precedenti sincronizzata coi relativi costi:\\
\item\textbf{Path}(strada): Una sequenza di archi che collega due o più nodi, due nodi sono connessi se esiste almeno una path tra loro, una \textbf{simple path} è invece una strada senza ripetizione di archi
\item\textbf{Connected Graph}: se in un grafo tutti i nodi sono raggiungibili da una strada si dice che è connesso.
\item\textbf{Directed Graph}(grafo orientato): grafo che ha gli archi con frecce, ovvero indicando la direzione, la strada non è bidirezionale.
\item\textbf{Directed path}: uan sequenza consecutiva di archi che vanno dal nodo $A \Rightarrow B$.
\item\textbf{Cycl\\Circuit}(ciclo\\circuito): Se una strada di un grafo non orientato torna ad un nodo già visitato crea un ciclo, nel caso di un grafo orientato si parla invece di circuito.
\item\textbf{Complete graph}: un grafo nel quale tutti i suoi nodi sono collegati tra di loro, ovvero da ogni nodo e possibile raggiungere con un solo arco gli altri nodi.
\end{itemize}
\newpage
\subsubsection{SST Prim's}
L'algoritmo di prim's è utile per ricavare un SST da un grafo non orientato:\\
Partendo dal nodo 1 che sarà usata come radice del nostro SST, costruiamo la soluzione $S=\{1\}$.\\
Marco con un $*$ l'arco che costa meno, in questo caso quello che porta al nodo $2$, e lo collego segnandomi la soluzione in $S=\{1,2\}$, segno l'arco successivo tra i nodi che ho raggiunto, in questo caso l'arco dal costo 2, che si collega al nodo $5$.
Collego i nodi $1\Rightarrow5$ con l'arco dal costo 2 che è il minore di costo tra quelli disponibili e aggiorno la soluzione $S=\{1,2,5\}$, marco già l'arco successivo che ha costo 2.
Collego i nodi $5\Rightarrow3$, aggiorno la soluzione $S=\{1,2,5,3\}$, marco il nodo con costo 4, ed infine lo collego nell'ultimo passaggio $5\Rightarrow4$, abbiamo collegato tutti i nodi, ci fermiamo e calcoliamo il costo totale che è $c(T)=9$.
Si può disegnare velocemente partendo dalla matrice di adiacenza, partendo dal nodo 1, selezioni rami con il costo più basso e tiro i collegamenti, di volta in volta, la soluzione dovrà essere quella che sommando tutti i rami (senza mai passare dallo stesso nodo 2 volte) abbia il costo minore in assoluto
dal disegno, gli archi rossi son quelli selezionati per il SST, sono stati evidenziati anche i relativi pesi nel caso di stampa non a colori
\subsection{Max Flow}
Problemi di flusso, dato un grafo diretto e connesso con nodi collegati tra loro da archi, che hanno due valori, a sinistra quanto liquido sta passando (flusso), a destra quanti liquidi massimo l'arco supporta(capacità), dobbiamo trovare la strada ottimale per arrivare a destinazione.
\subsubsection{Cenni di Base}
\begin{itemize}
\item\textbf{Capacità}(Capacity): Quanto liquido può passare massimo in quell'arco
\item\textbf{Flusso}(Flow): quanto liquido sta passando effettivamente in quell'arco
\item\textbf{Flusso Accettabile}(Feasible Flow): Il flusso che scorre dal nodo $s$$\Rightarrow$$t$ rispetta i vincoli di capacità dei suoi archi
\item\textbf{Arco Saturato} (Saturated Arc): Arco nel quale scorre un flusso pari alla sua capacità
\item\textbf{Arco vuoto}(Empty Arc): Arco nel quale non scorre un flusso.
\item\textbf{Flusso di Conservazione} (Residual Flow): Il flusso che scorre tra più nodi deve rispettare i limiti di ogni vincolo di capacità (non sono molto sicuro su questo punto)
\item\textbf{Taglio} (Cut): selezionando due nodi collegati tra loro, guardo la somma di capacità e/o flusso degli archi uscenti
\end{itemize}
\subsubsection{Flow Network}
Esame 2020-07-16 Ex 4\\
\noindent\fbox{%
\parbox{\textwidth}{%
Consider the following network $G =(V, A)$, where for each arc the
current flow and the capacity are indicated as $(f_{ij} , c_{ij})$
\item Is the current flow feasible ? Motivate the answer.
\item Provide the value of the optimal max flow that can be carried
from s to t on the given network.
\item Provide the arcs of the corresponding minimum capacity $s-t$ cut.
\end{itemize}
}%
}%
\\
Soluzione:
\begin{itemize}
\item la soluzione è accettabile, perchè tutti i flussi rispettano le capacità massime degli archi, e il flusso di conservazione, ovvero, nel nodo 4, abbiamo un output di (1,4), se per assurdo lo avessimo avuto di (4,4), per quanto avesse rispettato il vincolo di capacità, avrebbe rotto il vincolo di conservazione, perchè il nodo 4 avrebbe avuto archi entranti per un massimo di flusso dal valore 2, di conseguenza in archi uscenti il nodo 4, può avere massimo 2 di capacità reale, malgrado il suo ramo possa supportare fino a 4.\\
\item il flusso massimo che posso avere in uscita sul nodo t, è 5.\\
osservando l'immagine sopra, nel quale ho rimosso i flussi passanti e lasciato solo i flussi di capacita, notiamo che malgrado il nodo t abbia un upperbound massimo di 7, in realtà i suoi archi entranti che arrivano dal nodo 3 e 4, possono sostenere realisticamente e rispettivamente una capacità reale di uscita di 4 per il nodo 3, e di 2 per il nodo 4, dobbiamo anche notare che un nodo uscente di 3 finisce giusto nel nodo 4, quindi abbiamo nel best case scenario che il nodo 3 e 4 possono approvvigionare rispettivamente 3 dall'arco superiore e 2 dall'arco inferiore.
\item Ricordando il teorema di Ford-Fulkerson: "il valore di un flusso accettabile di un flusso massimo in un grafo è uguale alla capacità di un taglio di minima capacità", ovvero, se io faccio un taglio tra 2 nodi, che hanno capacità minima in uscita (archi uscenti), trovo la capacità massima che posso avere nel mio network, in questo caso, se prendo i nodi ($1,2$), avrò come archi uscenti {$(1,3),(1,4),(2,3)$}:
Use Dynamic Programming to solve the following Knapsack Problem:
weight wj = (4, 2, 3), profit pj = (2, 1, 2), and capacity C = 5. Report
all the iterations giving the states and their values. Report the optimal
solution.
}%
}%
\\
Soluzione: \\
per il punto 1, dobbiamo costruire 2 matrici, le colonne rappresenteranno il peso dello zaino, mentre le righe rappresentano gli oggetti, di conseguenza avremo matrici 4x6, conto una riga e colonna extra per il valore 0.\\
Una matrice rappresenterà la funzione (f) ed una l'insieme di soluzioni (j).\\
Partendo dalla matrice f, riempiamo colonna riga 0, di 0, lì non possiamo prendere niente.
\\Successivamente iteriamo per riga, partendo dalla 1, che rappresenta l'oggetto 1, ovvero $w_1=4$ e $p_1=2$, procedendo per colonne, lo possiamo inserire solo nella 4, ovvero, quando il suo peso può entrare nello zaino,svolgiamo l'algoritmo valutando se $p_j + f^{j-1}(s-w_j)>f^{j-1}(s)$ quindi, vediamo se in colonna 0 (NB. 4-4), sommandoci il profitto attuale di 2, sia un valore maggiore che quello nella riga precedente nella stessa posizione di colonna, quindi 0, se così non è, prendiamo dalla posizione $f^{j-1}(s-w_j)$ e aggiungiamo 2 come nell'immagine .\\
\\
tengo aggiornata nella seconda matrice J, gli oggetti che sto prendendo, "E" rappresenta insieme vuoto.
Procedendo con la riga 2, e l'oggetto $w_2=2$ e $p_2=1$, nella colonna 2 posso inserirlo, arrivati alla colonna 4, reiterando l'algoritmo con il procedimento precedente, valuto che nella colonna 2 (NB. 4-2), della riga precedente e sommandoci il profitto di questa riga, ovvero 1, ottengo un valore più basso che prendendolo nella stessa colonna della riga precedente, proseguo quindi ricopiando quest'ultimo valore, ripeto stesso ragionamento per colonna 5.
Nell'ultima riga seguo i ragionamenti precedenti, l'oggetto $w_3=3$ e $p_3=2$, può essere inserito solamente a partire dalla 3 colonna, quindi nella colonna 2 ricopio il profitto della riga superiore, arrivati alla colonna 3, confronto che il profitto della riga superiore è inferiore a quello che avrei prendendo la colonna 0 e sommandoci il profitto di quest'ultimo oggetto, scrivo quindi 2, uguale per la colonna 4, ma posso prendere indistintamente l'oggetto 3 o 1, infine come nell'immagine qua sotto, alla colonna 5, vedo che prendendo la colonna 2 (NB. 5-3), e sommandoci il profitto attuale, ottengo un valore ancora maggiore, scrivo quindi 3.
Per la seconda parte dell'esercizio dobbiamo usare l'altro algoritmo di Dynamic Programming dello knapsack.\\
Calcoliamo il massimo proffito che sarà il nostro upperbound, sommando tutti i profitti: $\displaystyle P=\sum_{j} p_j =5$, le colonne qua rappresenteranno i profitti, le righe son le fasi, o gli oggetti come precedentemente.\\
Imposto nella colonna 0, tutti i valori a 0, e nella riga 0 esclusa la colonna 0, i valori ad $\infty$ (che nelle tabelle verrà rappresentato come $M$).
Per la colonna 1 ricopio $\infty$ dalla riga superiore, arrivati alla colonna 2, posso inserire il profitto del 1 oggetto $w_1=4$ e $p_1=2$, quindi scrivo 4, e riempio ad infinito il resto, aggiorno di conseguenza la seconda matrice J per indicare cosa sto prendendo come nr di oggetti.
Proseguo con la 2 riga e l'oggetto $w_2=2$ e $p_2=1$, avendo profitto 1, posso inserirlo dalla prima colonna, essendo che nella posizione della riga precedente ho un $\infty$, e che l'algoritmo, simile all'es precedente, confrontando $w_j + f^{j-1}(s-p_j)<f^{j-1}(s)$, ho 0+2 = 2.\\
Nella colonna 2, mi trovo ad avere nella posizione della riga precedente un valore più basso (4) rispetto ad $\infty$ nella posizione (1,0) (ricavata dalla riga precedente e dalla colonna 2-1).\\
proseguo alla colonna 3, ricavo il 6 come valore, dalla colonna 2 (NB. 2-1) e sommandoci il peso attuale (2), scelgo il valore più basso tra le due opzioni: 6 o $\infty$ e riempio ad $\infty$ seguendo lo stesso iter il resto delle colonne.
Per l'ultima riga re-itero l'algoritmo seguendo le stesse procedure, una volta riempita la matrice, seleziono il profitto che raggiunge l'upperbound o ci va più vicino senza sforarlo, in questo caso il 5, nella posizione (3,3).
Parto dal nodo 2, voglio sapere quale è il percorso meno costoso per arrivare ad ogni nodo!\\
Costruisco due matrici, la matrice $f$ che terrà traccia dei costi, e la matrice $pred$ che terrà traccia dei nodi precedenti in base al costo.\\
Le colonne rappresentano i nodi di arrivo, le righe sono le iterazioni ne indico $n-1$ dove n sono i nodi, li posso anche vedere come quanti archi prendo per volta per vedere i costi degli spostamenti, quindi avremo 5 righe + 1 che è quella nr 0, riempiamo nella riga 0, quella dello stato di partenza, tutto ad infinito, tranne il nodo 2, che ha un costo di 0, e la relativa colonna.
Analizziamo la fase 1, o riga 1, stiamo guardando i costi per arrivare al nodo 1, nella prima colonna, scrivo 2 nella matrice di $f$, ovvero il costo per arrivare dal nodo 2 al nodo 1, tengo aggiornata la matrice delle posizioni segnando 2, che è il nodo precedente da cui sono arrivato, lo stesso approccio si applica anche alle altre colonne, ad eccezione della 6, il nodo 2 non ha collegamenti diretti, quindi il costo è ignoto, mettiamo $\infty$.
Passiamo ora alla fase 2, nel nodo 1 posso arrivarci da 2 o da 6, 6 dalla riga precedente ha costo $\infty$, quindi riporto il costo di 2 e il percorso precedente, nella colonna 3, vedo che posso arrivare dal nodo 4, che ha costo -2, sommato al costo precedente che si trova in posizione (1,4) ottengo $4-2=2$, inserisco quindi 2, e segno il nodo 4 nella matrice prec, 6 non viene analizzato perchè ha ancora costo $\infty$.\\
Colonna 5, posso arrivarci dal nodo 6 che ignoriamo, dal 3 e dal 2 che abbiamo già segnato, vedo che dal nodo 3 ho un costo inferiore di quello precedente $6+1=7$, aggiorno di conseguenza, arrivare a 6 ora è possibile, e posso solo da 1, il costo totale sarà 4, aggiorno le matrici.
Per la riga 4, guardando i vari costi non riusciamo ad ottenere miglioramenti eccetto per la colonna 4, con un nuovo percorso, usando 4 archi: $2\Rightarrow1\Rightarrow6\Rightarrow5\Rightarrow4$ a costo 2!
Infine l'ultima riga, per la colonna 3, usando 5 archi arrivo a costo 0 con questo percorso: $2\Rightarrow1\Rightarrow6\Rightarrow5\Rightarrow4\Rightarrow3$\\
Abbiamo trovato quindi il meno costoso per ogni nodo nell'ultima riga.
\subsection{ILP}
Integer Linear Programming, Branch \& Bound usato con standard e knapsack.
\subsubsection{ILP standard B\&B}
Per questo tipo di problemi usiamo il B\& B su sistemi per trovare la soluzione ottimale, è un approccio dicotomico, ogni nodo avrà due sotto problemi, selezionando una variabile frazionaria $x_j =\alpha$, ci sposteremo a sinistra impostando $x_j \leqq\lfloor\alpha\rfloor$ e a destra $x_j \geqq\lceil\alpha\rceil$\\
All'interno del triangolo abbiamo la nostra zona ammissibile, i pallini rappresentano gli interi, ovvero dove cercheremo di avvicinarci epr raggiungere la nostra soluzione ottimale intera, facendo il gradiente, abbiamo la nostra freccia con coordinate $(1,1)$, la nostra soluzione ottimale di conseguenza è la $P^0$ con coordinata $x_1=\frac{3}{2},x_2=\frac{5}{2}$, soluzione che come abbiamo appena detto non è intera, di conseguenza, dovremmo avvicinarci al pallino nel grafico più vicino alla nostra soluzione ottimale intera.\\
La nostra soluzione con queste coordinate è $z = x_1+ x_2\Rightarrow\frac{3}{2}+\frac{5}{2}=4$, sarà il nostro Upper Bound (UB) di partenza del nostro albero ($P^0$), ora usando gli arrotondamenti di $\alpha$ citati prima, nel ramo sinistro arrotonderemo per difetto, in quello di destra per eccesso $x_1$, per cui:\\
Graficamente risulta così, dividiamo in sezioni per interi, a sinistra abbiamo $x_1\leqq1$ ed a destra abbiamo $x_1\geqq2$, considerato il nostro gradiente, le soluzioni ottimali delle due condizioni sono rispettivamente $z=2,5$ ricavato da $x_1=1, x_2=1,5$, mentre per la parte di destra abbiamo $z=3,5$ ricavato da $x_1=2, x_2=1,5$, ovviamente le z son state ricavate sostituendo gli $x_1,x_2$ nella funzione obbiettivo di questo problema, che ricordo è: $max:x_1+x_2$.
Vengono arrotondati per difetto le soluzioni, per le relative $P^1,P^2$ del nostro albero, non avendo ancora soluzioni intere continuiamo.\\
Non possiamo più spostarci a sx perchè andremmo sullo zero e fuori dalla zona ammissibile del problema, di conseguenza esploriamo il ramo destro:\\
Stiamo ora valutando $x_2$ che è anch'essa frazionaria.\\
$P^4$ esce fuori dalla zona ammissibile del problema e lo vediamo graficamente, quindi scriveremo $empty$, $P^3$ invece è nella regione ammissibile, graficamente risulta :\\
Avremo ancora una soluzione frazionaria, corrispondente ad $x_1=2,25, x_2=1$ per cui $z=3,25$, arrotondando come upperbound di $P^3$ avremo $3$, possiamo proseguire visto che la soluzione no nera ancora intera.\\
Consider a 0-1 knapsack problem with 5 items with profits pj = (10, 15, 8, 12, 11),
weights wj = (8, 15, 10, 17, 20) and a knapsack of size 35. Consider the
branch-and-bound used to solve the problem and the first subproblem
generated by a branching of the type xj = 0. Write the upper bound
of this subproblem, and say if the exploration must proceed to lower
levels: justify your choice.
}%
}
\\
Soluzione:\\
Per prima cosa dobbiamo ordinare gli oggetti per $\frac{valore}{peso}$ in ordine crescente, facendo la frazione $\frac{pj}{wj}$, una volta ordinati, in questo esercizio è già stato fatto dal prof, calcoliamo l'Upper bound del nodo p1 con Dantzig's bound\\
Dalla figura vediamo che arrivati a P4, ci fermiamo che non possiamo più inserire altri oggetti, e abbiamo la nostra prima soluzione P4 = \{1,1,1,0,0\} con valore 33, risalendo a P3 ci spostiamo a dx non prendendo l'ultimo oggetto (il terzo per la precisione, valore 8 peso 10), come ogni volta che non prendiamo un oggetto, ricalcoliamo UB, in questo caso abbiamo sempre valore 33, e non ha senso esplorare ulteriormente questo ramo
\newpage
\section{GPLK}
\UseRawInputEncoding
\lstset{
showspaces=false,
basicstyle=\ttfamily,
numbers=left,
numberstyle=\tiny,
commentstyle=\color{gray},
breaklines=true,
belowskip=0pt,
tabsize=1,
breakatwhitespace=true
}
Questa sezione si limita a raccogliere alcuni problemi in GPLK particolari senza spiegazioni.
\subsection{Dal modello al codice}
\subsubsection{Modello Easy}
Esame 2016-07-19 Ex 3\\
\noindent\fbox{%
\parbox{\textwidth}{%
Write a GLPK or XPRESS model corresponding to the following mathematical model:\\
\begin{center}
\begin{align*}
max : z= &\displaystyle\sum_{i=1}^{n}\sum_{j=1}^{m} p_{ij} x_{ij}\\
&\displaystyle\sum_{i=1}^{n} q_ix_{ij}\leqq c &j=1,\dots,m &&& (1)\\
Il conteggio si svolge cosi all'esame, avrete 5 domande, ogni domanda può darvi massimo 1 punto a giusta o togliervi massimo 1 punto se sbagliate tutto, ogni domanda puo avere più di una scelta giusta, se sbagliate una scelta all'interno di quella domanda, l'errore rimane confinato li ed andrà a sottrarsi al monte punti, ad esempio: se la domanda X, ha 3 scelte giuste, quindi un totale di 3 punti interni a quella domanda, io ne segno 2 giuste ed una sbagliata, ottengo $2-1=1$ punto, che sui 3 giusti vale $0.33$ punti reali per l'esame!\\
nel caso avessi preso tutte e 3 le scelte giuste della domanda X quindi facendo internamente a quella domanda $3$ punti, avrei ottenuto $1$ punto pieno per il mio esame.\\
Il prof arrotonda per eccesso, ovviamente se in una domanda sbaglio tutto posso andare in negativo fino ad un massimo di $-1$ punto per domanda nel conto del voto finale dell'esame, rispondete se siete sicuri.
The branch-and-bound method for 0-1 knapsack problems:
\begin{enumerate}[label=\Alph*]
\item | uses a decision tree with an exponential number of levels; \item | uses a decision tree with a polynomial number of levels; \item | uses the lowest-first strategy to explore the decision tree;
\item | computes an upper bound at each node of the decision tree; \item | uses a decision tree with an exponential number of nodes.
Given a PLC problem with $n$ variables and $m$ constraints, a basic matrix is:
\begin{enumerate}[label=\Alph*]
\item | a collection of $m$ constraints; (b) none of the above answers.;
\item | a square $m$x$m$ matrix with value 1 on the main diagonal; \item | a collection of $n-m$ columns of the constraint matrix; \item | a square submatrix of the constraint matrix, that can be inverted.
Consider the two problems, $P:min\{c^Tx:Ax = b, x \geqq0\}$, $D: max\{u^T: u^T A \leqq c^T\}$, then:
\begin{enumerate}[label=\Alph*]
\item | a pair of solution $x$ and $u$ with $x$ feasible for $P$ and $u$ feasible for $D$ are optimal if $\{Ax-b\}u^T=0$;
\item | a pair of solution $x$ and $u$ with $x$ feasible for $P$ and $u$ feasible for $D$ are optimal if $c^T x \geqq u^T b $;
\item | a feasible solution of $P$ gives a lower bound on the optimal value of $D$;
\item | a solution $u$ is optimal if $u^TA \leqq c^T$ and $u^T \geqq0$;
\item | a feasible solution of $D$ gives a lower bound on the optimal value of $P$.
\end{enumerate}
}%
}%
\\
Soluzione:\\
(E)
\subsection{Ford-Fulkerson}
\noindent\fbox{%
\parbox{\textwidth}{%
The Ford-Fulkerson algorithm for the max-flow problem:
\begin{enumerate}[label=\Alph*]
\item | at each iteration computes the shortest path from the source to the sink;
\item | terminate when an $s-t$ cut of the graph is saturated;
\item | uses saturated arcs in their opposite direction;
\item | minimizes the toal cost of the flow;
\item | uses non-empty, non-saturated arcs in both directions.
\end{enumerate}
}%
}%
\\
Soluzione:\\
(B,C)
\subsection{PLI minimization \& relaxation}
\noindent\fbox{%
\parbox{\textwidth}{%
Given a PLI problem $IP$ in minimization form, consider its continuous relaxation and let $z^*$ be the optimal value of the relaxation:
\begin{enumerate}[label=\Alph*]
\item | the least integer greater than or equal to $z*$ is a lower bound on the optimal $IP$ value if the coefficents of the objective function are integer;
\item | $z*$ is a lower bound on the optimal $IP$ value;
\item | the least integer greater than or equal to $z*$ is an upper bound on the optimal $IP$ value;
\item | $z*$ is an upper bound on the optimal $IP$ value;
\item | the least integer greater than or equal to $z*$ is a lower bound on the optimal $IP$ value if the coefficents of the objective function are rational numbers;
\end{enumerate}
}%
}%
\\
Soluzione:\\
(A,B)
\subsection{B\&B knapsack 0-1}
\noindent\fbox{%
\parbox{\textwidth}{%
The branch-and-bound method for 0-1 knapsack problem:
\begin{enumerate}[label=\Alph*]
\item | stop the search when level $n$ is reached;
\item | computes the upper bound only in the son nodes generated by a constraint of the kind $x=1$;
\item | computes the upper bound only in the son nodes generated by a constraint of the kind $x=0$;
\item | use the highest first strategy to explore the tree;
\item | has $O(2^n)$ tree levels;
\end{enumerate}
}%
}%
\\
Soluzione:\\
(C,E)
\subsection{NP problem}
\noindent\fbox{%
\parbox{\textwidth}{%
a generic NP-complete problem:
\begin{enumerate}[label=\Alph*]
\item | can be solved exactly using the simplex algorithm with the addition of Gomory cuts;
\item | can be solved exactly using the simplex algorithm with a non-polynomial number of iteration;
\item | cannot be solved exactly in polynomial time;
\item | can be solved exactly using a binary decision-tree with $n$ levels, where $n$ is the number of variables;
\item | can be solved exactly using Dijkstra algorithm;
