Wie lösen wir ILPs exakt?

Slides:



Advertisements
Ähnliche Präsentationen
Christian Scheideler SS 2009
Advertisements

Christian Scheideler SS 2009
Perceptrons and the perceptron learning rule
PG Air Seminararbeit März 2002 Jürgen Wieners
Rekursion: Rekurrenz: Algorithmen rufen sich selbst (rekursiv) auf.
Falls Algorithmen sich selbst rekursiv aufrufen, so kann ihr Laufzeitverhalten bzw. ihr Speicherplatzbedarf in der Regel durch eine Rekursionsformel (recurrence,
Simulation komplexer technischer Anlagen
Schwierigkeit von Aufgabenstellungen
Schnelle Matrizenoperationen von Christian Büttner
Zerlegung von Graphen.
LS 2 / Informatik Datenstrukturen, Algorithmen und Programmierung 2 (DAP2)
Einführung in Berechenbarkeit und Formale Sprachen
Rotation Planning for the Continental Service of a European Airline
The Dynamic Single File Allocation Problem
Algorithmen und Komplexität
Friedhelm Meyer auf der Heide 1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität Approximationsalgorithmen …liefern in polynomieller.
Klaus Volbert 1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität Sommersemester 2004.
Einführung Übersicht Einsatz der Zielwertsuche Einsatz des Solvers
Anwendung und Visual Basic
Prof.Dr.S. Albers Prof. Dr. Th. Ottmann
Dynamische Programmierung (2) Matrixkettenprodukt
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (04 – Entwurfsverfahren) Prof. Th. Ottmann.
Algorithmen und Datenstrukturen
WS Algorithmentheorie 01 – Divide and Conquer (Segmentschnitt) Prof. Dr. Th. Ottmann.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (10 - Suchverfahren) T. Lauer.
WS Algorithmentheorie 08 – Dynamische Programmierung (2) Matrixkettenprodukt Prof. Dr. Th. Ottmann.
Informatik II, SS 2008 Algorithmen und Datenstrukturen Vorlesung 4 Prof. Dr. Thomas Ottmann Algorithmen & Datenstrukturen, Institut für Informatik Fakultät.
Algorithmen und Datenstrukturen
Friedhelm Meyer auf der Heide 1 HEINZ NIXDORF INSTITUTE University of Paderborn Algorithms and Complexity Algorithmen und Komplexität Teil 1: Grundlegende.
Ganzzahligkeit in LP-Modellen
Branch and Bound Das Verfahren zur Lösung von IP-Problemen
High Performance = Innovative Computer Systems + Efficient Algorithms Friedhelm Meyer auf der Heide 1 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen.
Algorithmen und Komplexität
Algorithmen des Internets 2005 HEINZ NIXDORF INSTITUT Universität Paderborn Algorithmen und Komplexität 1 Klausuraufgaben.
Effiziente Algorithmen
Effiziente Algorithmen
Optimierungs- Algorithmen
Effiziente Algorithmen
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Effiziente Algorithmen
Effiziente Algorithmen
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Effiziente Algorithmen
Hartmut Klauck Universität Frankfurt SS
Beweissysteme Hartmut Klauck Universität Frankfurt WS 06/
Neuronale Netze Nachtrag Perzeptron
Praktische Optimierung
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Externspeicher- Algorithmen Petra Mutzel Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithmen und Datenstrukturen 2.
1 Albert-Ludwigs-Universität Freiburg Rechnernetze und Telematik Prof. Dr. Christian Schindelhauer Informatik III Christian Schindelhauer Wintersemester.
Das Traveling Salesman Problem (TSP)
Analyse der Laufzeit von Algorithmen
IntelliVideo1 / 25 IntelliVideo Der intelligente Videorekorder.
Optimierungs- Algorithmen Petra Mutzel Technische Universität Wien Institut für Computergraphik und Algorithmen Algorithmen und Datenstrukturen 2.
Optimierungs- Algorithmen
Der A*-Algorithmus.
Institut für Informationssysteme Technische Universität Braunschweig Institut für Informationssysteme Technische Universität Braunschweig Verdrängung von.
Mergesort.
Algorithmen und Datenstrukturen Prof. Dr. Ralf Möller Universität zu Lübeck Institut für Informationssysteme Stefan Werner (Übungen) sowie viele Tutoren.
 Präsentation transkript:

Wie lösen wir ILPs exakt? Branch-and- Bound Schnittebenen- verfahren Acyclic Subgraph TSP Branch-and- Cut 1

Ganzzahliges Lineares Programm y Zielfunktion Optimum der LP Relaxierung IP Optimum Zulässige Lösungen Abrunden der optimalen Lösung der LP-Relaxierung x Ganzzahliges Lineares Programm 2

Branch-and-Bound Zerlegung in Teilprobleme Berechnung oberer und unterer Schranken Löse erste Relaxierung ! obere Schranke zulässig? ! optimal Sonst: Partitioniere in Teilprobleme Löse Relaxierung ! Lsg. (a) ganzzahlig oder (b) unzulässig oder (c) neue, evtl. schärfere, obere Schranke Fall (c) ! eventuell rekursive Aufteilung 3

Branch-and-Bound Vernünftige Aufteilungsstrategie und endliche Lösungsmenge ! endliche Anzahl Schritte Ergibt Branch-and-Bound-Baum Knoten = Teilproblem Söhne = Partitionierung des Vaterproblems Intelligente Enumeration Permanent Gütegarantie, bei Termination beweisbar optimal 4

Branch-and-Bound (IP0) LP-Relaxierung Betrachte das folgende ILP: Max x + y + 2z Subject to 7x + 2y + 3z  36 5x + 4y + 7z  42 2x + 3y + 5z  28 x, y, z  0, ganzzahlig LP-Relaxierung 5

Branch-and-Bound für ILPs: Beispiel Löse LP- Relaxierung IP0 IP2 IP1 / 11 Integral 10 / Integral Bester IP-Wert Beste IP-Lösung IP4 IP3 Garantie 87,3% 98,2% 87,7% 100% 88,2% IP6 IP5 Unzulässig Max x + y + 2z Subject to 7x + 2y + 3z  36 5x + 4y + 7z  42 2x + 3y + 5z  28 x, y, z  0, ganzzahlig IP8 IP7 Obj. · bestem gefundenen Wert Obj. · bestem gefundenem Wert 6

Branch-and-Bound Eingabe: Gemischt-ganzzahliges lineares Programm (A, b, c, N1) Ausgabe: Lösung von (MIP=) oder Beweis der Unlösbarkeit 7

K = ;? c* · U? P0 = {x j Ax = b, x ¸ 0, xi ganzzahlig 8 i 2 N1} U = -1 K := {P0} (Liste der offenen Probleme) x = NIL (beste Lösung) K = ;? U = -1 ! MIP= hat keine Lösung U ¸-1 ! x ist Optimallösung mit Wert U ja ja Wähle Pj 2 K, K = K – {Pj} (Branching) nein Löse Relaxierung von (MIPj=) (Bounding) x* ist Optimallö- sung mit Wert c* U = c*, x = x* ja c* · U? Wähle i 2 N1 mit x*i  Z K += (Pj Å {x j xi · bx*ic}) + (Pj Å {x j xi ¸dx*ie}) nein xi* 2 Z 8 i 2 N1? nein 8

Branch-and-Bound Analyse: Praxis: (LMIP=) unzulässig oder unbeschränkt ! B&B bricht ab mit korrektem Ergebnis (LMIP=) hat endliches Optimum und P0  ; ! endlich viele Schritte zur Optimallösung (LMIP=) hat endliches Optimum und P0 = ; ! Abbruch durch Zusatzrestriktionen Praxis: Beschränkung der Baumgröße meist notwendig ! Branch-and-Cut ! später 9