1 / 24

Ana Maria A. C. Rocha, Universidade do Minho arocha@dps.uminho.pt

Resolução de problemas de programação linear combinando o algoritmo volumétrico e uma função de penalidade exponencial. Ana Maria A. C. Rocha, Universidade do Minho arocha@dps.uminho.pt Edite M. G. P. Fernandes, Universidade do Minho emgpf@dps.uminho.pt

kylar
Download Presentation

Ana Maria A. C. Rocha, Universidade do Minho arocha@dps.uminho.pt

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Resolução de problemas de programação linear combinando o algoritmo volumétrico e uma função de penalidade exponencial Ana Maria A. C. Rocha, Universidade do Minho arocha@dps.uminho.pt Edite M. G. P. Fernandes, Universidade do Minho emgpf@dps.uminho.pt João Luís C. Soares, Universidade de Coimbra jsoares@mat.uc.pt Guimarães, 24-27 Março 2002

  2. Conteúdo • Introdução • O Algoritmo Volumétrico • Combinação com uma Função de Penalidade Exponencial • Experiências Computacionais • Trabalho Futuro

  3. Introdução Consideremos um problema de fractional set partitioning onde A é uma matriz 0-1 e é um vector de uns. • O problema (1) resulta da relaxação linear de problemas de set partitioning (political districting, airline crew scheduling, protection of microdata, information retrieval, ...). • Os métodos tradicionais podem demorar mais de 10 horas, mesmo em máquinas rápidas (dimensão típica é n = 50000, m = 2500 e superior). • Os algoritmos de ponto interior têm funcionado melhor que o simplex, mas requerem mais memória. • O algoritmo volumétrico, considerado como uma extensão do método do subgradiente, para além de produzir soluções duais produz também boas aproximações à solução primal.

  4. Algoritmo do subgradiente Para um dado vector de multiplicadores (também designado por solução dual), uma natural relaxação Lagrangeana do problema linear (1) é: • é uma função linear por partes, côncava e não diferenciável se e só se . • Desde os anos setenta que o algoritmo do subgradiente tem sido usado para produzir limites inferiores em programas lineares de grande dimensão ([3]).

  5. Aspecto genérico de um algoritmo do subgradiente Passo 1: Dado ,resolver (2) com , para obter a sua solução . Calcular , que é um subgradiente da função em . Passo 2: Determinar , onde é o comprimento do passo. Passo 3: Se o critério de paragem se verificar então terminar; senão fazer e ir para Passo 1.

  6. Inconvenientes • A verificação do critério de paragem obriga à resolução do seguinte problema de optimização , que não aparenta ser de fácil resolução. • A escolha adequada do tamanho do passo não deve basear-se apenas na análise teórica da convergência, senão torna-o muito pequeno. • A direcção dual pode não ser uma direcção de subida para em . Para isso, seria necessário calcular a derivada direccional que requer algum esforço adicional. Além disso, os procedimentos da pesquisa unidimensional obrigam a sucessivas avaliações da função , o que é normalmente custoso. • O algoritmo do subgradiente tem convergência linear (provavelmente porque a direcção calculada apenas depende do último ponto encontrado e toda a informação dada pelas iterações anteriores é ignorada). • O algoritmo do subgradiente não garante variáveis primais admissíveis.

  7. O algoritmo Volumétrico O algoritmo volumétrico é uma extensão do algoritmo do subgradiente que, com o mesmo esforço computacional, produz não só as variáveis duais como também aproximações às variáveis primais. Este algoritmo foi desenvolvido por F. Barahona (ver [1] e [2]) e mostrou que era funcional nas seguintes classes de problemas: • Problemas Lineares Combinatórios; • quando a matriz A tem coeficientes 0, 1, -1; • quando as variáveis são limitadas entre 0 e 1.

  8. Passos do algoritmo volumétrico Passo 0: Dado ,resolver (2) com , para obter a sua solução e . Definir . Passo 1: Calcular e para um comprimento de passo . Resolver (2) com , para obter a sua solução e . Actualizar com onde é um comprimento de passo entre 0 e 1. Passo 2: Se então actualizar e com . Passo 3: Testar o critério de paragem. Se falhar então definir e ir para Passo 1.

  9. Critério de paragem • limite máximo do número de iterações ou • máxima violação das restrições e • diferença relativa entre solução dual e o valor da aproximação à solução primal

  10. Experiência computacional com o algoritmo volumétrico

  11. O algoritmo volumétrico com uma função de penalidade exponencial Consideremos um problema de fractional set partitioning da seguinte forma onde , e . podem ser: • restrições adicionais relacionadas com planos de corte quando se resolve o problema original de set partitioning ou • o conjunto das restrições de A consideradas mais difíceis, após aplicação do algoritmo volumétrico original.

  12. Aplicando uma função de penalidade exponencial ao 1º conjunto de restrições, (3) transforma-se numa sucessão de subproblemas parametrizados por m onde m > 0 é o parâmetro de penalidade. • Para esta técnica de penalidade quando então .

  13. Para um vector de multiplicadores , a relaxação Lagrangeana do problema é: Para aplicar o algoritmo volumétrico a este problema, podemos • Linearizar o termo de penalidade de e resolver problemas lineares. • Resolver problemas não lineares para obter .

  14. Experiências com o caso linear A matriz A, do problema (1), é decomposta em duas matrizes A1 e A2. Após uma aplicação do algoritmo volumétrico ao problema original de fractional set partitioning, • A1 contém o conjunto das restrições m1 com maior violação (mais difíceis) e • A2 contém todas as outras restrições (mais fáceis). As restrições mais difíceis são penalizadas e o problema original transforma-se na sucessão de subproblemas onde é o parâmetro de penalidade.

  15. Após a linearização do termo de penalidade, a relaxação Lagrangeana do problema é para qualquer .

  16. O algoritmo volumétrico aplicado ao caso linear Passo 0: Dado , um vector e um vector , resolver (7) com para obter a sua solução e . Definir . Passo 1: Calcular e para um comprimento de passo . Resolver (7) com , para obter a sua solução e . Actualizar com onde é um comprimento de passo entre 0 e 1. Passo 2: Se então actualizar e com . Passo 3: Actualizar , se necessário. Testar critério de paragem. Se falhar então definir e ir para Passo 1.

  17. Escolha do parâmetro de penalidade m • Dado um valor inicial • Actualizar com , cada k iterações. Critério de paragem • máximo número de iterações ou • máxima violação das restrições e • diferença relativa entre solução dual e o valor da aproximação à solução primal

  18. Experiências computacionais com a estrutura de penalidade exponencial

  19. Experiências preliminares com o caso não linear Relembremos o problema original Aplicando uma função de penalidade exponencial, ao conjunto das m restrições de igualdade é o parâmetro de penalidade.

  20. Resolução de (9) através do algoritmo L-BFGS-B (ver [4]) desenvolvido por Nocedal, para a resolução de problemas não lineares, de grandes dimensões e com limites nas restrições. • método Quasi-Newton; • usa uma matriz BFGS de memória reduzida para aproximar a Hessiana da função objectivo; • a direcção de procura é determinada pelo método dos gradientes projectados.

  21. Algoritmo Passo 0: Dado e um vector . Definir . Passo 1: Resolver (9) usando L-BFGS-B (processo iterativo interno), para obter a solução . Passo 2: Actualizar . Passo 3: Testar o critério de paragem. Se falhar então definir e ir para Passo 1.

  22. Critério de paragen • (a) ou (b) ou

  23. Experiências computacionais com o L-BFGS-B

  24. Trabalho Futuro • Integrar o package L-BFGS-B no algoritmo volumétrico (penalizando apenas as restrições mais difíceis). • Testar outros packages para a resolução de problemas não lineares de grandes dimensões, com limites nas restrições. Por fim, integrá-los no algoritmo volumétrico. • Estender a estrutura de penalidade exponencial a planos de corte (para resolver problemas originais de set partitioning). Referências [1] F. Barahona e R. Anbil. On some difficult Linear Programs coming from set partitioning. IBM T.J. Watson Research Center, NY. [2] F. Barahona e R. Anbil. The Volume Algorithm: producing primal solutions with a subgradient method. Mathematical Programming, 87:385-399, 2000. [3] M. Held, P. Wolfe e H.P. Crowder. Validation os subgradient optimization. Mathematical Programming, 6:62-68, 1974. [4] C. Zhu, R. Byrd, P. Lu e J. Nocedal. L-BFGS-B – fortran routines for large-scale bound constrained optimization. Northwestern Univ. EECS Technical Report, 1996.

More Related