import {Component} from 'preact' import Split from "../components/old/split"; import Latex from "../components/Latex"; import Panel from "../components/old/panel"; import Example from "../components/example"; import Todo from "../components/old/todo"; import Minus from "../components/old/minus"; import Plus from "../components/old/plus"; import Code from "../components/old/code"; import Timer from "../components/old/timer"; import Image from "../components/Image"; import Unfeasible from "../components/OttimizzazioneLineare/Unfeasible"; import Unbounded from "../components/OttimizzazioneLineare/Unbounded"; import Min from "../components/OttimizzazioneLineare/Min"; import Max from "../components/OttimizzazioneLineare/Max"; import PLatex from "../components/PLatex"; const r = String.raw; export default class OttimizzazioneLineare extends Component { render() { return (

Ottimizzazione lineare intera

Ho rimosso il rumore in sottofondo da tutti i video di Ricerca Operativa!

Guardate i video qui!

La funzione obiettivo è la funzione con valore noto sconosciuto:

{r`z = C_1 \cdot x_1 + C_2 \cdot x_2 + C_n \cdot x_n`}

I problemi di ottimizzazione lineare sono problemi che cercano di minimizzare/massimizzare il valore di una funzione obiettivo le cui incognite sono sottoposte a un sistema di vincoli.

La funzione da minimizzare/massimizzare.

Il vettore dei suoi coefficienti è detto {r`\mathbf{c}`}, mentre quello delle sue incognite {r`\mathbf{x}`}.

Si può ricavare la sua soluzione, detta valore ottimo, dal prodotto vettoriale {r`\mathbf{c} \times \mathbf{x}`}, scritto solitamente in forma matriciale come {r`\mathbf{c}^T \mathbf{x}`}.

Spesso, la funzione obiettivo è indicata con il nome {r`z(\dots)`}.

Equazioni e disequazioni a cui devono sottostare le incognite perchè esse formino una soluzione valida.

I loro coefficienti sono contenuti nella matrice {r`\mathbf{A}`}, mentre i loro termini noti nel vettore {r`\mathbf{b}`}.

Funzione della funzione obiettivo che restituisce la direzione del suo aumento più veloce.

{r`\nabla f = \frac{\delta f}{\delta x_1} \mathbf{I}_1 + \frac{\delta f}{\delta x_2} \mathbf{I}_2 + \frac{\delta f}{\delta x_n} \mathbf{I}_n`}

La matrice {r`\mathbf{I}`} è la matrice identità. Se la funzione obiettivo è z = 2w + 3x + 4y, il suo gradiente è {r`\nabla z = (2, 3, 4)`}.

Un problema con:

  • Equazioni e disequazioni
  • Variabili non vincolate
{r`min \left\{ \mathbf{c}^T \mathbf{x} : \mathbf{A} \mathbf{x} = b,\quad \mathbf{A'} \mathbf{x} \geq \mathbf{b'} \quad x_j \geq 0,\quad j = 1 \dots n \right\}`}

Un problema con:

  • Solo disequazioni
  • Vincoli di non-negatività sulle incognite
{r`min \left\{ \mathbf{c}^T \mathbf{x} : \mathbf{A} \mathbf{x} \geq b,\quad x_j \geq 0,\quad j = 1 \dots n \right\}`}

Un problema con:

  • Solo equazioni
  • Vincoli di non-negatività sulle incognite
{r`min \left\{ \mathbf{c}^T \mathbf{x} : \mathbf{A} \mathbf{x} = b,\quad x_j \geq 0,\quad j = 1 \dots n \right\}`}

Applica questa conversione a ogni equazione nel sistema:

{r`a = b \Leftrightarrow \begin{cases} a \leq b\\ a \geq b \end{cases} `}

Serve solo nella teoria per dimostrare che le forme sono equivalenti.

Aggiungi una variabile slack {r`s`} non-vincolata a ogni disequazione nel sistema:

{r` a \leq b \Leftrightarrow a + s = b `}

{r` a \geq b \Leftrightarrow a - s = b `}

Sdoppia ogni variabile non-vincolata in due variabili con vincolo di non-negatività:

{r`\begin{cases} a = a^+ - a^-\\ a^+ \geq 0\\ a^- \geq 0 \end{cases}`}

Un modo per rappresentare sistemi in forma standard, anche noto come matrice equivalente completa del sistema.

Il sistema:

{r` \begin{cases} 2000x_1 + 1000x_2 = z\\ 1x_1 \leq 3\\ 1x_2 \leq 3\\ 2x_1 + 2x_2 \leq 7 \end{cases} `}

Diventa il tableau:

TN x_1 x_2 s_1 s_2
z 2000 1000 0 0
3 1 0 1 0
3 0 1 0 1
7 2 2 0 0

Variabili che hanno tutti 0 e un solo 1 nella loro colonna del tableau.

La loro controparte sono le variabili fuori base, che hanno qualsiasi altro valore.

Un algoritmo per minimizzare/massimizzare efficientemente variabili di sistemi lineari, derivato da Gauss-Jordan.

E' spiegato in modo semplice qui, e ci sono dei codici sorgenti di esempio qui.

Questa è la soluzione passo per passo del problema 3 del file Ex_LP_testo.

  1. Trasforma il sistema in forma standard.
  2. Trova tante variabili linearmente indipendenti quante siano le righe: esse saranno la base iniziale.
  3. Finchè ci sono variabili con coefficienti positivi/negativi nella funzione obiettivo:
    1. Scegli la prima variabile con coefficiente positivo/negativo nella funzione obiettivo: essa è la variabile entrante. Si potrebbe scegliere qualsiasi variabile, ma scegliendo sempre la prima possibile (Regola di Bland) ci si assicura che l'algoritmo termini.
    2. Trova la variabile di base (detta variabile uscente) tramite il rapporto {r`\frac{termine\ noto}{coeff.\ variabile\ entrante}`}:
      scegli la variabile con il rapporto minore, assicurandoti che esso sia positivo.
      Se tutti i rapporti sono negativi, allora il problema è .
    3. Riscrivi tutte le funzioni del sistema in termini della variabile entrante.
  4. I termini noti dei vincoli sono le coordinate del risultato, mentre il termine noto della funzione obiettivo è il valore ottimo.
È praticamente l'algoritmo di Gauss-Jordan applicato il tableau con delle regole aggiuntive per la decisione delle variabili di pivot.

Una soluzione con almeno una variabile di valore 0, dovuta a uno o più vincoli ridondanti.

Senza Regola di Bland e in presenza di vincoli ridondanti si rischia di trovarsi a fare pivot infiniti.

Un estensione del Simplex per permettere la risoluzione di problemi la cui origine non è una soluzione ammissibile.

Prevede l'introduzione di un problema ausiliario, le cui incognite sono dette artificiali.

Il vettore delle incognite artificiali è solitamente chiamato {r`\mathbf{y}`}.

E' spiegato in modo semplice qui.
  1. Crea un nuovo tableau, aggiungendo variabili artificiali in modo da avere una base ammissibile.
  2. Sostituisci la vecchia funzione obiettivo con una nuova che minimizzi la somma di tutte le variabili artificiali.
  3. Fase 1: Risolvi il nuovo problema con il metodo Simplex.
  4. Se il Simplex termina con ancora variabili artificiali nella base, allora il problema è .
  5. Una volta che le variabili artificiali sono fuori base, elimina le loro colonne e la nuova funzione obiettivo.
  6. Riporta il tableau in forma base compiendo operazioni per azzerare i coefficienti delle variabili di base nella funzione obiettivo.
  7. Fase 2: Risolvi il tableau con il metodo Simplex.

Una versione semplificata di un problema nella quale si ignora la violazione di uno o più vincoli.

Un rilassamento che permette di misurare di quanto i vincoli vengono violati.

I vincoli, moltiplicati per coefficienti di rilassamento, vengono inseriti nella funzione obiettivo.

Il vettore dei coefficienti di rilassamento solitamente è indicato con {r`\mathbf{u}`}.

Il sistema:

{r` \begin{cases} z = 3 x_1 + 5 x_2\\ 2 x_1 + 3 x_2 \geq 12\\ - x_1 + 3 x_2 \geq 3\\ x_1 \geq 0\\ x_2 \geq 0 \end{cases} `}

diventa:

{r` \begin{cases} z_{LR} = 3 x_1 + 5 x_2 + u_1 ( 12 - 2 x_1 - 3 x_2 ) + u_2 ( 3 + x_1 - 3 x_2 )\\ x_1 \geq 0\\ x_2 \geq 0 \end{cases} `}

Il sistema che massimizza/minimizza i moltiplicatori di rilassamento di un qualsiasi sistema, detto primale.

Si dimostra che la sua soluzione (se esiste) è uguale alla soluzione del problema primale.

Possiamo trasporre il tableau e sostituire le variabili {r`x_n`} con variabili {r`u_n`} per ottenere il sistema duale!

I maggiori e minori dei vincoli diventeranno maggiori e minori delle variabili e viceversa.

  • Se un problema ha una soluzione finita, allora anche il suo duale la avrà.
  • Se un problema è , allora il suo duale potrà essere oppure .
  • Se un problema è , allora il suo duale sarà certamente .

TODO: una complicata dimostrazione per dire varie cose. Probabilmente si riesce a saltare se non si dà l'orale...

Il teorema che dimostra l'equivalenza tra primale e duale.

Se uno dei due problemi è finito, la soluzione di uno coincide con la soluzione dell'altro.

{r`\mathbf{c}^T \mathbf{x} = \mathbf{u}^T \mathbf{b}`}

TODO: Anche qui c'è una lunga dimostrazione...

Il teorema che dimostra che il valore della funzione obiettivo del duale (di un qualsiasi tableau) è sempre minore o uguale/maggiore o uguale alla soluzione del corrispettivo primale.

TODO: Dimostrazione cortina, ma sembra complicata.

) } }