Ricerca Operativa: Branch-and-Bound Per Problemi Di Programmazione Lineare Intera

Ricerca Operativa
Branch-and-Bound per problemi di Programmazione

Lineare Intera
L. De Giovanni
AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa

di completezza, né hanno lo scopo di sostituirsi alle spiegazioni del docente. Il loro scopo
è quello di fissare alcuni concetti presentati in classe. Le note contengono un numero
limitato di esempi ed esercizi svolti. Questi rappresentano una parte fondamentale nella
comprensione della materia e sono presentati in classe.
1
Branch-and-Bound per problemi di Programmazione Lineare Intera
Contents
1 Programmazione lineare intera e ottimizzazione combinatoria 3
2 Metodi enumerativi e Branch-and-Bound 4

2.1 Generazione delle soluzioni: operazione di branch . . . . . . . . . . . . . . 5
2.2 Esplorazione efficiente: operazione di bound . . . . . . . . . . . . . . . . . 6
2.3 Metodo del Branch and Bound (B&B): idea di base . . . . . . . . . . . . . 8
3 Il metodo di Branch-and-Bound 9
3.1 Regole di Branching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 Calcolo del Bound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3 Regole di potatura o fathoming . . . . . . . . . . . . . . . . . . . . . . . . 12
3.4 Regole di esplorazione dell’albero . . . . . . . . . . . . . . . . . . . . . . . 13
3.5 Valutazione di soluzioni ammissibili . . . . . . . . . . . . . . . . . . . . . . 14
3.6 Criteri di arresto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 Branch-and-Bound per problemi di programmazione lineare intera 16
5 Branch-and-Bound per il problema dello zaino 0/1 23
L. De Giovanni - Ricerca Operativa 2

1 Programmazione lineare intera e ottimizzazione com-

binatoria
Consideriamo un problema di Programmazione Lineare Intera (PLI) nella forma:
min / max cT x
s.t. Ax = b
x ∈ Zn+
e chiamiamo
n
P = {x ∈ R+ : Ax = b}
il poliedro delle soluzioni ammissibili ignorando il vincolo di interezza delle variabili e
X = P ∩ Zn
l’insieme delle soluzioni ammissibili, cioè intere (vedi Figura 1).
Figure 1: Soluzioni ammissibili per un PLI.
Il nostro obiettivo è quello di trovare una soluzione del PLI, ossia x∗ ∈ X : cT x∗ ≤

cT x, ∀ x ∈ X.
Osserviamo, come è evidente dalla stessa Figura 1, che il problema non può essere risolto
con metodi per programmazione lineare a variabili reali (ad esempio, il metodo del sim-
plesso): in generale, il vertice ottimale non è a coordinate intere (dipende dal poliedro
ammissibile e dalla funzione obiettivo) e non sempre l’approssimazione intera ottenuta
per arrotondamento è ottima e/o ammissibile!
Uno dei metodi risolutivi per problemi di PLI è il metodo del Branch-and-Bound, che
descriveremo nel prossimo paragrafo. Tale metodo è un metodo generale, applicabile ai

problemi di ottimizzazione combinatoria. In effetti, i problemi di PLI possono essere visti

come casi particolari di problemi di ottimizzazione combinatoria.
Un problema di ottimizzazione combinatoria è definito come:
min / max f (x)

s.t. x∈X
dove X è un insieme FINITO di punti e f (x) è una generica funzione obiettivo. Esempi
di problemi di ottimizzazione combinatoria, oltre ai PLI, sono:
• problema del cammino minimo:

X = {tutti i possibili cammini da s a t}, f (x): costo del cammino x ∈ X.
• colorazione di un grafo:
X = {tutte le combinazioni ammissibili di colori assegnati ai vertici}, f (x): numero
di colori utilizzati dalla combinazione x ∈ X.
• programmazione lineare:
X = {tutte le soluzioni ammissibili di base}, f (x) = cT x.
• etc. etc. etc.
Per alcuni problemi di ottimizzazione combinatoria esistono algoritmi efficienti (problemi

nella classe P, come ad esempio il problema del cammino minimo), mentre per gli altri
si deve considerare un algoritmo risolutivo esatto di complessità esponenziale, oppure, se
è sufficiente una “buona” soluzione e non forzatamente quella ottima, si può considerare
un algoritmo efficiente ma approssimato (algoritmi euristici e meta-euristici). In questo
corso ci limiteremo ad accennare a un algoritmo esatto.
2 Metodi enumerativi e Branch-and-Bound

Il metodo esatto per problemi di ottimizzazione combinatoria che consideriamo si basa su
uno schema enumerativo che sfrutta la finitezza dello spazio delle soluzioni ammissibili.
Lo schema è detto Algoritmo universale per ottimizzazione combinatoria:
1. genero tutte le possibili soluzioni x;
2. verifico l’ammissibilità della soluzione x ∈ X;
3. valuto f (x)
4. scelgo la x ammissibile cui corrisponde la migliore f (x).

Ovviamente, lo schema è molto semplice ma soffre di due evidenti problemi. Il primo, è

che la valutazione di f (x) potrebbe non essere banale (ad es. potrebbe essere necessaria
una simulazione per valutare la “bontà” di una soluzione). Il secondo, più generale, è che
la cardinalità di X potrebbe essere molto elevata. In particolare, la seconda osservazione
pone due questioni:
1. come genero lo spazio delle soluzioni (ammissibili)?
2. come esploro efficientemente lo spazio delle soluzioni?
L’algoritmo del branch-and-bound implementa lo schema dell’enumerazione sopra visto

cercando di dare una risposta a queste esigenze.
2.1 Generazione delle soluzioni: operazione di branch

Per capire come generare le soluzioni ammissibili, osserviamo che:
Dato un problema di ottimizzazione combinatoria z = max / min{f (x) : x ∈

X}
Sn e data una suddivisione della regione ammissibile X in insiemi X1 , . . . , Xn :
(k)
i=1 Xi = X, sia z = max / min{f (x) : x ∈ Xk }. Allora la soluzione del
problema z = max / mink=1,...,n z (k) .
Possiamo quindi applicare il principio divide et impera: si suddivide X in sottoinsiemi

più piccoli, e si risolve il problema su ogni sotto-insieme. Questo viene fatto ricorsiva-
mente, dividendo a loro volta le regioni ammissibili dei sotto-problemi in sottoinsiemi.
Se tale ricorsione venisse svolta completamente, alla fine enumereremmo tutte le possibili
soluzioni ammissibili del problema. La divisione ricorsiva dell’insieme delle soluzioni del
problema di partenza (insieme X) dà luogo ad un albero delle soluzioni ammissibili, come
rappresentato in Figura 2.
Figure 2: Generazione delle soluzioni: operazione di Branch.
Sia P0 il problema di ottimizzazione combinatoria in esame cui corrisponde l’insieme delle

soluzioni E0 = X. E0 è la radice dell’albero e, in generale, Ei è l’insieme delle soluzioni

associate al nodo i. L’operazione di suddivisione di un nodo Ei dà luogo a dei nodi figli.
Tale suddivisione deve garantire che
[
Ei = Ej
j figlio di i
cioè, le soluzioni presenti nel nodo padre devono essere presenti in (almeno) uno dei suoi
figli. In altre parole, nello sviluppo dell’albero devo garantire di non perdere soluzioni
(altrimenti l’osservazione sopra riportata non sarebbe valida). Una caratteristica auspica-
bile, ma non necessaria, della suddivisione di un nodo Ei è la disgiunzione dei sottoinsiemi
figli (la suddivisione sarebbe in questo caso una partizione in senso insiemistico):
Ej ∩ Ek = ∅, ∀ j, k figlio di i
L’operazione di suddivisione si fermerebbe nel momento in cui ogni nodo contiene una
sola soluzione. Pertanto, se Ef è un nodo foglia, si ha |Ef | = 1.
La fase di costruzione di nodi figli per partizione di un nodo padre è detta

BRANCH : un insieme di livello h viene suddiviso in t insiemi di livello h + 1.
Esempio 1 Si consideri un problema di ottimizzazione combinatoria con n variabili bi-

narie xi ∈ {0, 1}, i = 1..n.
In questo caso, dato un problema Pi e il corrispondente insieme di soluzioni ammissibili

Ei , possiamo facilmente ottenere due sotto-problemi e due sottoinsiemi di Ei fissando
una delle variabili binarie a 0 per un sotto-problema e a 1 per l’altro sotto-problema.
Utilizzando questa regola di branch binario (ogni nodo è suddiviso in due nodi figli),
otterremmo l’albero delle soluzioni in Figura 3.
Ad ogni livello viene fissato a 0 o a 1 il valore di una delle variabili. Un nodo di livello h,
quindi, contiene tutte le soluzioni ammissibili con le variabili x1 . . . xh fissate ad un preciso
valore e, pertanto, tutti i nodi sono disgiunti. Le foglie si trovano pertanto al livello n,
dove tutte le variabili sono state fissate: ogni foglia rappresenta una delle possibili stringhe
binarie di n bit e, quindi, una (ed una sola) possibile soluzione del problema in questione.
Si noti come il numero di foglie è 2n e il numero di livelli è n + 1 (incluso il livello 0 della
radice).
2.2 Esplorazione efficiente: operazione di bound

In generale, il numero di foglie ottenute con un’operazione di branch è esponenziale.
L’esplosione completa di un albero di soluzioni, corrispondente all’enumerazione di tutte
le soluzioni in X è pertanto non praticabile come metodo risolutivo. Cerchiamo quindi
un metodo che ci permetta di esplorare solo aree “buone” della regione ammissibile,
cercando di escludere a priori che la soluzione ottima del problema si possa trovare in
altre aree. Per fare questo, consideriamo, per ogni nodo dell’albero, un BOUND, ossia una
valutazione ottimistica (non peggiore) del valore che la funzione obiettivo può assumere

Figure 3: Branch binario.
in ciascuna delle soluzioni rappresentate dal nodo stesso. Ad esempio, consideriamo un

problema di minimizzazione con variabili binarie e supponiamo di disporre di una soluzione
ammissibile di valore 10. Supponiamo di associare, all’insieme delle soluzioni ammissibili
per il problema di partenza, il nodo E0 e di sviluppare il primo livello dell’albero di
branching, fissando la variabile x1 a 0 e a 1 e ottenendo due nodi figli E1 ed E2 (vedi
Figura 4).
Figure 4: Uso dei Bound.
Chiamiamo z (1) il valore ottimo della funzione obiettivo nel sottoinsieme E1 e z (2) il valore
ottimo della funzione obiettivo nel sottoinsieme E2 . Ricordiamo che, come precedente-
mente osservato, il valore ottimo della funzione obiettivo del problema in esame è
z = min{z (1) , z (2) }

Supponiamo ora di riuscire a stabilire, con qualche ragionamento e senza considerare ad
una ad una le soluzioni, che il valore delle soluzioni ammissibili per il problema, una volta

fissato a 0 il valore di x1 non possa essere minore di 9. In altre parole, il valore della
funzione obiettivo in corrispondenza di ciascuna delle soluzioni rappresentare dal nodo
E1 è sicuramente non inferiore a 9. 9 rappresenta quindi una valutazione ottimistica
della funzione obiettivo per il sottoinsieme E1 , un limite inferiore (lower bound ) sotto il
quale il valore della funzione obiettivo non può scendere, se consideriamo solo soluzioni
in E1 : cioè z (1) ≥ 9. Analogamente, supponiamo di disporre di un lower bound per E2
e sia tale bound pari a 11: nessuna della soluzioni con x1 = 1 (soluzioni in E1 ) ha un
valore della funzione obiettivo più basso di 11: cioè z (1) ≥ 11. Ora, secondo la nostra
prima osservazione, z = min{z (1) , z (2) }. Inoltre, utilizzando l’informazione sulla soluzione
ammissibile a disposizione, z ≤ 10 e, pertanto z (2) ≥ 11 ≥ 10, cioè, non è possibile trovare
una soluzione con valore migliore di 10 tra le soluzioni nel nodo E2 . Pertanto,
E2 non contiene sicuramente la soluzione ottima ed è inutile sviluppare ed

esplorare il sotto-albero con radice E2 .
Lo stesso ragionamento non vale per il nodo E1 : una delle soluzioni in questo nodo potrebbe
avere valore inferiore a 10 e, pertanto, tale nodo potrebbe contenere la soluzione ottima.
In generale, se è nota una soluzione ammissibile x̄ di valore f (x̄) = f¯, la disponibilità di

un bound associato ai nodi dell’albero di branch ci permette di “potare” (non sviluppare)
sotto-alberi che sicuramente non contengono la soluzione ottima, cioè i sotto-alberi radicati
in un nodo con bound non migliore di f¯.
Osserviamo che, anche se non abbiamo esplicitato tutti i nodi foglia del sotto-albero di
E2 , siamo comunque in grado di stabilire che il valore di ciascuno di essi non è migliore di
11 e, grazie alla soluzione ammissibile, tale informazione è sufficiente per escluderli come
soluzioni ottime: è come se avessimo esplorato tutto il sotto-albero in maniera implicita.
Attraverso l’operazione di bound è quindi possibile effettuare una enumerazione implicita
di tutte le soluzioni di un problema di ottimizzazione combinatoria.
2.3 Metodo del Branch and Bound (B&B): idea di base

Dalle osservazioni precedenti, è possible definire il metodo del Branch and Bound (B&B)
per la soluzione di problemi di ottimizzazione combinatoria. Si tratta di un metodo
che enumera in modo esplicito o implicito tutte le soluzioni del problema, basandosi sui
seguenti elementi:
• operazione di branch: costruzione dell’albero delle soluzioni ammissibili;
• disponibilità di una soluzione ammissibile di valore f¯;
• operazione di bound : valutazione ottimistica della funzione obiettivo per le soluzioni

rappresentate da ciascun nodo (bound ), per evitare lo sviluppo completo di sotto-
alberi (enumerazione implicita delle soluzioni rappresentate dai nodi con bound non
migliore di f¯).

3 Il metodo di Branch-and-Bound
Il metodo del Branch-and-Bound può essere schematizzato come segue. Dato un problema
di ottimizzazione combinatoria z = min / max{f (x) : x ∈ X}, sia:
• P0 : problema di ottimizzazione iniziale;
• L: lista dei nodi aperti. Ogni nodo è una coppia (Pi , Bi ), dove Pi è il sotto-problema
e Bi è il relativo bound;
• z̄: valore della migliore soluzione ammissibile.
• x̄: migliore soluzione ammissibile corrente;
Metodo di Branch-and-Bound
0. Inizializzazione: Esegui una stima ottimistica B0 della funzione obiettivo
e poni L = {(P0 , B0 )}, x̄ = ∅, z̄ = +∞(min)[−∞(max)]
1. Criterio di Stop: Se L = ∅, allora STOP: x̄ è la soluzione ottima.

Se superati limiti di tempo, nodi esplorati, nodi aperti |L| etc.
STOP: x̄ è una soluzione (non necessariamente ottima).
2. Selezione nodo: Seleziona (Pi , Bi ) ∈ L per effettuare il branch
3. Branching: Dividi Pi in t sotto-problemi Pij , j = 1..t (∪j Pj = Pi )
4. Bounding: Valuta una stima ottimistica Bij (in corrispondenza di una

soluzione non necessariamente ammissibile xR ij ) per
ciascun sotto-problema Pij
5. Fathoming: Se Pij non è ammissibile, vai a 1.

Se Bij non è migliore di z̄ ammissibile, vai a 1.
Se xR R
ij è ammissibile (e migliore di z̄), poni z̄ ← Bij , x̄ ← xij ;
elimina da L tutti i nodi k con Lk non migliore di z̄; vai a 1.
Altrimenti, aggiungi (Pij , Bij ) a L e vai a 1.
Quello sopra esposto è uno schema di principio per la soluzione di problemi di ottimiz-
zazione combinatoria. Per implementare un algoritmo B&B per uno specifico problema,
bisogna determinare i seguenti elementi essenziali:
(1) Regole di Branching: come costruire l’albero delle soluzioni.
(2) Calcolo del Bound: come valutare i nodi.
(3) Regole di Fathoming: come chiudere e dichiarare sondati (fathomed ) i nodi.

(4) Regole di esplorazione dell’albero: definire le priorità di visita dei nodi aperti.
(5) Come valutare una o più soluzioni ammissibili (soluzioni da confrontare con i bound
per chiudere nodi).
(6) Criteri di stop: condizioni di terminazione dell’algoritmo.
3.1 Regole di Branching

Le regole di branching permettono di costruire un albero di soluzioni ammissibili e devono
rispecchiare il principio del divide et impera: si passa da un problema P con soluzioni E a
una partizione in sotto-problemi Pi con soluzioni Ei : ∪i Ei = E (non si perdono soluzioni
ammissibili). Inoltre, per motivi di efficienza computazionale, conviene avere Ei ∩ Ej = ∅,
in modo da evitare duplicazioni di soluzioni in porzioni diverse dell’albero delle soluzioni.
Osserviamo che:
• la condizione ∪i Ei = E assicura che la soluzione ottima si trovi in almeno uno dei

nodi figli;
• gli Ei sono sempre più piccoli: ciascun nodo Ei eredita ricorsivamente le condizioni
restrittive dei genitori (i corrispondenti problemi Pi sono sempre più vincolati).
• i Pi sono sempre più semplici: al limite, in un nodo foglia f , Ef contiene una sola
soluzione e la soluzione di Pf è immediata.
Ovviamente, esistono vari modi per effettuare il branch di un nodo e bisogna, di volta
in volta, stabilire la strategia di branching più adatta al problema. Bisogna, ad esempio,
stabilire:
- quanti nodi figli generare: ad esempio, si può effettuare un branching binario (2 figli
per nodo) o t-ario (t figli per nodo);
- come effettuare il branching: in generale, ciascuno dei sotto-insiemi da associare ai

nodi figli si ottiene ponendo dei limiti alla variazione di una o più variabili decisionali
e, per ciascun nodo, bisogna decidere quali variabili considerare e che limiti imporre;
- etc. etc. etc.
3.2 Calcolo del Bound

Dato un problema Pi ed il relativo Ei , è necessario, ad ogni nodo, calcolare una stima
ottimistica della migliore soluzione in Ei . Tale stima rappresenta un limite al miglior
valore ottenibile se si sviluppasse il sotto-albero con radice Ei . Osserviamo che, per
problemi di min, la valutazione ottimistica corrisponde ad un valore sotto il quale siamo
sicuri di non scendere, ossia si tratta di un limite inferiore, un lower bound (LB) per il
nodo Ei (LBi ≤ soluzione ottima in Ei ). Per problemi di max, serve invece stabilire un

limite superiore che siamo sicuri di non poter superare, un upper bound (U B) per ciascun
nodo Ei (U Bi ≥ soluzione ottima in Ei ).
Ribadiamo che, per ottenere il bound di un nodo, non ha senso considerare tutte le
soluzioni rappresentate dal nodo stesso (a meno che, trovandosi a livelli molto profondi
dell’albero di ricerca, le soluzioni non siano veramente poche). In generale, quindi,
è necessario determinare un metodo per calcolare il bound che utilizzi solo una de-
scrizione implicita delle caratteristiche delle soluzioni rappresentate da un nodo. Nello
stabilire il metodo bisogna valutare il compromesso tra la facilità di calcolo (efficienza
computazionale) e la qualità (efficacia) del bound che si ottiene.
Per quanto riguarda l’efficienza computazionale, osserviamo che il bound viene calcolato
ad ogni nodo e, come è facile immaginare, il numero di nodi da valutare potrebbe essere
molto elevato (esponenziale nei casi peggiori). Pertanto il metodo di valutazione del bound
deve garantire dei tempi di calcolo molto rapidi, altrimenti il metodo del B&B nel suo
complesso diventa inefficiente.
Per quanto riguarda invece la qualità del bound, il limite ottenuto deve essere il più
stringente possibile, sempre garantendo che il bound sia una valutazione ottimistica del
nodo. In questo modo, una volta disponibile una soluzione ammissibile per il problema, si
permettere di potare un maggior numero di nodi. Si fa notare che, per problemi di min,
il bound deve essere il più alto possibile (ma sempre minore o uguale al valore ottimo per
quel nodo), mentre, per problemi di max, il più basso possibile (ma sempre al di sopra
del valore ottimo per quel nodo).
Esempio 2 Si consideri il seguente problema di ottimizzazione combinatoria: una grossa

azienda di costruzioni edili deve decidere la combinazione ottimale degli appalti da ac-
cettare per la costruzione degli edifici A, B e C. I profitti attesi per i tre edifici sono di
3, 5 e 7 milioni di euro rispettivamente. L’azienda dispone di 4 ruspe speciali e gli edifici
richiedono rispettivamente 3, 2 e 3 ruspe. È possibile inoltre affittare fino a due altre ruspe
speciali per la durata dei lavori, al costo di un milione di euro a ruspa. Al momento, il
management suggerisce di eseguire gli appalti B e C e di affittare, di conseguenza, una
ruspa aggiuntiva, con profitto netto di 11 milioni di euro.
Associamo a ciascun appalto la variabile decisionale binaria xi che vale 1 se si decide di

accettare l’appalto, 0 altrimenti. Consideriamo inoltre la variabile intera y associata al
numero di ruspe affittate. La funzione obiettivo del problema è quindi: z = max 3x1 +
5x2 + 7x3 − 1y. Cerchiamo di determinare un albero delle soluzioni ammissibili e un
(upper) bound (UB) per i diversi nodi. Una possibile semplice regola per determinare il
bound di ciascun nodo è la seguente: mettere a 1 le variabili con coefficiente in funzione
obiettivo positivo e a 0 quelle con coefficiente negativo. Notiamo che il valore cosı̀ ottenuto
è comunque maggiore o uguale del valore della funzione obiettivo in una qualsiasi soluzione
ammissibile e rappresenta, pertanto, un upper bound. Al nodo radice E0 posso stabilire
subito che U B0 = 15 (si noti che non sono state valutate tutte le possibili soluzioni

ammissibili, ma è stato sufficiente seguire la semplice regola). Ovviamente stiamo solo

dicendo che nessuna soluzione ammissibile potrà valere più di 15, ma non sappiamo se
esiste una soluzione ammissibile che permetta di raggiungere tale valore. Consideriamo
il nodo E1 , che rappresenta tutte le soluzioni con x1 = 0 e il nodo E2 , che rappresenta
tutte le soluzioni con x1 = 1. Attraverso la stessa semplice regola, è possibile stabilire che
U B1 = 12 e U B2 = 15.
Ovviamente, la regola utilizzata è molto semplice e, per ottenere dei bound migliori,
sarebbe necessario complicare la regola (elevando il costo computazionale per valutarla),
tenendo ad esempio in considerazione non solo la funzione obiettivo del problema, ma
anche i vincoli. Ad esempio, possiamo osservare che, potendo affittare fino a due ruspe
aggiuntive, avremmo a disposizione un massimo di 6 ruspe, che permetterebbero di ese-
guire al massimo 2 appalti. Possiamo quindi adottare la seguente regola per ottenere un
upper bound: mettere a 1 le due variabili con coefficiente in funzione obiettivo positivo e
di valore più elevato e a 0 quelle con coefficiente negativo. Anche in questo caso si ottiene
una limitazione superiore al valore della funzione obiettivo per le soluzioni ammissibili
(per le quali non più di due appalti sono accettati). Procediamo alla valutazione dei nodi
con questa regola:
• nodo E0 : tutte gli appalti possono essere scelti e quindi U B0 = 7 + 5 = 12;
• nodo E1 : avendo fissato xA = 0, U B1 = 5 + 7 = 12;
• nodo E2 : avendo fissato xA = 1, posso scegliere soltanto un altro appalto, e scelgo

l’appalto C, ottenendo U B2 = 3 + 7 = 10.
Si noti come, al costo di una maggiore complessità nella valutazione, abbiamo ottenuto
dei bound migliori, cioè degli upper-bound che, restando limitazioni superiori ai possibili
valori della funzione obiettivo, sono però più bassi. Ad esempio, siamo stati in grado di
stabilire che il valore delle soluzioni in E2 è sicuramente non superiore a 10 (mentre i primi
semplici ragionamenti ci avevano indicato un limite superiore a 15). Quindi, sia 15 che
10 sono degli upper bound validi per il nodo E2 , ma è da preferire il più basso tra i due
(il più stringente). Infatti, con questa seconda valutazione, possiamo subito stabilire che
il nodo E2 non contiene la soluzione ottima, visto che esiste una soluzione ammissibile,
quella suggerita dal management, che è migliore. Possiamo quindi evitare l’esplorazione
esplicita di E2 .
3.3 Regole di potatura o fathoming

La disponibilità di un bound (da confrontare con il valore di una soluzione ammissibile)
rende possibile dichiarare esplorati in modo implicito (fathomed ) i nodi che sicuramente
non contengono una soluzione ottima. Questi nodi non sono ulteriormente sviluppati
(vengono cioè chiusi) e il relativo sotto-albero viene potato. Un nodo Ei con bound Bi
viene chiuso (e quindi esplorato implicitamente) se si verifica (almeno) una delle seguenti
condizioni:

N.M. Assenza di soluzione migliorante: la valutazione ottimistica Bi è NON MIGLIORE

di una soluzione ammissibile nota.
S.A. Soluzione ammissibile: la valutazione ottimistica Bi è in relazione ad una soluzione

ammissibile. Nel nodo Ei non si possono trovare soluzioni ammissibili migliori di
quella che ho calcolato, e quindi non ha senso continuare l’esplorazione del sotto-
albero.
N.A. Problema non ammissibile: il problema Pi corrispondente al nodo in esame non

ammette soluzioni (Ei = ∅). L’insieme delle condizioni che determinano il problema
Pi si ottiene considerando tutte le condizioni del problema originario più le condizioni
che hanno generato i progenitori (problemi sul percorso dal nodo radice al nodi in
esame). Tali condizioni potrebbero entrare in conflitto tra loro.
Nel caso S.A., il valore del bound Bi coincide con una soluzione ammissibile ed è pertanto
il valore di una soluzione ammissibile. Si procede quindi a confrontare il bound ottenuto,
con il valore della migliore soluzione ammissibile a disposizione e, se Bi è migliore, si
aggiorna la soluzione ammissibile corrente e si procede a verificare la condizione N.M.
sugli altri nodi ancora da esplorare. È possibile infatti che il valore migliorato della
soluzione ammissibile sia non peggiore dei bound calcolati in precedenza, permettendo
cosı̀ la chiusura di alcuni nodi.
3.4 Regole di esplorazione dell’albero

Tra i diversi nodi ancora aperti, bisogna decidere su quale nodo effettuare il branching. La
scelta influenza il numero di nodi complessivamente aperti, e quindi l’efficienza del metodo.
Possono essere adottate diverse strategie di esplorazione che permettono di stabilire quale
sia il prossimo nodo per il branch:
• Depth First: il nodo di livello maggiore (più profondo). Il metodo è semplice da

implementare, permette di ottenere presto delle soluzioni ammissibili (ci si avvicina
più rapidamente alle foglie) e limita la memoria necessaria per memorizzare l’albero
delle soluzioni, visto che si tendono a chiudere molti nodi per ammissibilità e ri-
mangono pochi nodi contemporaneamente aperti. Per contro, presenta il rischio di
esplorare completamente sotto-alberi con soluzioni scadenti;
• Best Bound First o Best node: si sceglie il nodo più promettente, ossia il nodo con
il bound migliore (lower bound più basso, per problemi di minimo, o upper bound
più alto, per problemi di massimo). Tipicamente, tale strategia permette di limitare
il numero di nodi visitati esplicitamente e tende pertanto a essere più efficiente. Per
contro, l’esplorazione tende a rimanere a livelli poco profondi, dove i problemi sono
meno vincolati e, di conseguenza, i bound sono più promettenti. Di conseguenza,
difficilmente si ottengono presto soluzioni ammissibili che migliorino quella corrente
per applicare efficacemente le regole di fathoming, e, pertanto è maggiore la richiesta
di memoria per i nodi aperti contemporaneamente.

• Regole miste: i nodi vengono scelti alternando i diversi criteri, per evitarne gli
svantaggi. Ad esempio, all’inizio si applica una strategia Depth First e, quando si
ha una “buona” soluzione ammissibile, si passa alla strategia Best Bound First.
3.5 Valutazione di soluzioni ammissibili

Per applicare efficacemente le regole di fathoming, è necessario disporre di soluzioni am-
missibili di buona qualità. Nella predisposizione di un algoritmo di Branch-and-Bound,
bisogna quindi stabilire come e quando calcolare soluzioni ammissibili. Tra le varie pos-
sibilità, citiamo:
- aspettare semplicemente che l’enumerazione generi un nodo foglia ammissibile;
- implementare un algoritmo euristico che valuti una buona soluzione all’inizio, prima
dell’esplorazione;
- sfruttare, con frequenza da valutare, l’informazione raccolta durante l’esplorazione

dell’albero per costruire soluzioni ammissibili sempre migliori.
In ogni caso, bisogna sempre valutare il compromesso tra la qualità della soluzione am-
missibile corrente e lo sforzo computazionale per ottenerla.
3.6 Criteri di arresto

Il metodo del Branch-and-Bound si arresta quando tutti i nodi sono dichiarati fathomed.
In questo caso, la soluzione ammissibile corrente corrisponde ad una soluzione ottima.
Possono anche essere adottati criteri relativi a limiti computazionali, come ad esempio
raggiunti limiti di tempo di calcolo o di memoria, ma non è garantito che l’eventuale
soluzione ammissibile corrente sia ottima.
Esercizio 1 Si consideri il seguente albero di sviluppo del Branch and Bound per un
problema di ottimizzazione combinatoria con funzione obiettivo di minimo:
1. Come si può capire che si tratta di un problema di minimo?
2. È possibile chiudere dei nodi? Se sı̀, quali?

3. In quale intervallo è sicuramente compreso il valore della funzione obiettivo?
4. Quale nodo sarà sviluppato per primo da una strategia best first?
5. Si supponga che lo sviluppo di cui al punto precedente porti a due nodi figli, di cui
uno è relativo ad un insieme di soluzioni vuoto. Si dia un esempio di valori di
lower e upper bound relativi al secondo nodo che consentano di riconoscere subito la
soluzione ottima del problema.
1. Si capisce che è un problema di minimo perché i valori contrassegnati come LB sono

crescenti di padre in figlio nell’albero e pertanto possono essere associati a valutazioni
ottimistiche di problemi di minimo via via più vincolati. I valori contrassegnati
come UB non sono decrescenti di padre in figlio e non possono essere associati a
valutazioni ottimistiche di problemi di massimo via via più vincolati. I valori UB
sono quindi le valutazioni della funzione obiettivo di minimo in corrispondenza di
soluzioni ammissibili.
2. La migliore soluzione ammissibile vale 14.0 (vedi nodo P2 . Quindi è possibile chi-
udere i nodi P4 e P6 perché non miglioranti.
3. L’ottimo della funzione obiettivo è compreso tra 13.6 (il miglior lower bound - nodo
P5 ) e 14.0 (migliore soluzione disponibile).
4. Il nodo che sarà sviluppato per primo in una strategia best bound first è quello che
ha la valutazione più promettente (LB più basso) tra quelli che rimangono aperti,
cioè il nodo P5 .
5. Nel caso ipotizzato, rimangono aperti il nodo P3 con (LB, U B) = (13.7, 14.4) e un
nodo P7 con (LB, U B) = (lb, ub). Basta quindi che sia lb = ub (lb corrisponde a
una soluzione ammissibile) per poter chiudere il nodo in esame P7 e che lb ≤ 13.7,
per poter chiudere P3 . Deve inoltre essere lb ≥ 13.6, per compatibilità con il lower
bound del nodo padre P5 . Ad esempio (LB, U B) = (13.65, 13.65), o (LB, U B) =
(13.7, 13.7), o (LB, U B) = (13.6, 13.6) etc.
Esercizio 2 Si consideri il seguente albero di B&B relativo ad un problema di massimo.

Ad ogni nodo sono stati valutati sia un upper bound (UB) sia una soluzione ammissibile
(SA), come riportato accanto ad ogni nodo, nel formato [SA;UB].

• Quale è un possibile valore per l’upper bound al nodo E1 ? {U B1 ∈ [7.4 9.4]}1
• Quale nodo sarà selezionato per il branching se si adotta una strategia di esplorazione
Best Bound First? {E5 }
• Entro quale intervallo di valori è sicuramente compreso il valore ottimo della fun-
zione obiettivo? {[7.0 8.2]}
• Si supponga di fare branching sul nodo E5 , ottenendo due nodi figli E7 ed E8 . Sia
inoltre il problema P8 inammissibile (E8 = ∅). Dare un esempio di possibili valori
SA e UB per il nodo E7 che permettano di riconoscere subito una soluzione ottima,
senza ulteriori operazioni di branching. {SA7 = LB7 ∈ [7.4 8.2]}
4 Branch-and-Bound per problemi di programmazione

lineare intera
Introduciamo alcune definizioni. Consideriamo problema di programmazione lineare intera
nella forma
zI = max cT x
Ax ≤ b
(1)
x≥0
xi ∈ Z, i ∈ I.
dove A ∈ Rm×n , b ∈ Rm , c ∈ Rn e I ⊆ {1, . . . , n} è l’insieme degli indici delle variabili
intere. Le variabili xi , i ∈
/ I sono invece dette variabili continue. Se il problema ha sia
variabili intere che variabili continue, allora è detto un problema di programmazione lineare
intera mista, mentre se tutte le variabili sono intere, il problema è detto di programmazione
lineare intera pura.
L’insieme
X = {x ∈ Rn : Ax ≤ b, x ≥ 0, xi ∈ Z per ogni i ∈ I}
è la regione ammissibile del problema.
zL = max cT x
Ax ≤ b (2)
x≥0
1
Il bound deve peggiorare (un upper bound deve essere non crescente, un lower bound non decrescente)
man mano che si scende nei livelli dell’albero delle soluzioni, visto che i nodi corrispondono a problemi
via via più vincolati. Non è possibile quindi che la valutazione ottimistica di un nodo sia peggiore della
valutazione ottimistica di un nodo figlio, visto che il nodo padre include tutte le soluzioni del nodo figlio.
Quindi, se si mettesse U B1 = 9.5 > 9.4, darei al figlio una valutazione migliore del nodo padre, anche
se il nodo padre contiene tutte le soluzioni del nodo figlio, incluso 9.4; se si mettesse U B1 = 7.1 < 7.4,
allora il nodo E1 avrebbe una valutazione peggiore del figlio E3 .

corrisponde al problema (1) senza i vincoli di interezza delle variabili ed è detto il rilas-
samento lineare di (1).
Si noti il seguente facile fatto:
zI ≤ zL . (3)
Infatti, se xI é la soluzione ottima di (1) e xL é la soluzione ottima di (2), allora xI soddisfa
i vincoli di (2), e dunque zI = cT xI ≤ cT xL = zL . zL rappresenta quindi un upper bound
per zI .
Vediamo ora come è possibile definire le varie componenti di un metodo di Branch-and-

Bound per problemi di programmazione lineare intera. Illustriamo il metodo con un
esempio, come applicazione dello schema presentato nella sezione precedente.
Si consideri il problema (P0 ):
zI0 = max 5x1 + 17

4 2
x
x1 + x2 ≤ 5
10x1 + 6x2 ≤ 45 (P0 )
x1 , x 2 ≥ 0
x1 , x 2 ∈ Z
La regione ammissibile di (P0 ) e del suo rilassamento lineare è rappresentata nella
figura successiva.
Risolvendo il rilassamento lineare di (P0 ), otteniamo la soluzione ottima x1 = 3.75,

x2 = 1.75, con valore zL0 = 24.06.
Dunque abbiamo ottenuto un upper bound per il valore ottimo zI0 di (P0 ), ovvero
zI0 ≤ 24.06. Ora, poiché in una soluzione ottima di (P0 ) x1 avrà valore intero, allora la
soluzione ottima soddisferà x1 ≤ 3 oppure x1 ≥ 4. Dunque la soluzione ottima di (P0 )
sarà la soluzione migliore tra le due soluzioni dei problemi (P1 ) e (P2 ) cosı̀ definiti:

zI1 = max 5x1 + 17

4 2
x zI2 = max 5x1 + 174 2
x
x1 + x2 ≤ 5 x 1 + x2 ≤ 5
10x1 + 6x2 ≤ 45 10x1 + 6x2 ≤ 45
(P1 ) , (P2 )
x1 , ≤ 3 x1 , ≥ 4
x1 , x 2 ≥ 0 x1 , x 2 ≥ 0
x1 , x 2 ∈ Z x1 , x 2 ∈ Z
Diremo che abbiamo fatto branching sulla variabile x1 . Si noti che in questo modo
la soluzione (3.75, 1.25) non appartiene al rilassamento lineare di (P1 ) o (P2 ). Possiamo
rappresentare graficamente i sotto-problemi e i rispettivi bounds mediante un albero,
detto albero di Branch-and-Bound.
I problemi attivi sono le foglie dell’albero, nella fattispecie (P1 ) e (P2 ).

Consideriamo il problema (P1 ), rappresentato in figura.
La soluzione ottima del rilassamento lineare di (P1 ) è x1 = 3, x2 = 2, con valore zL1 = 23.5.
Si noti che tale soluzione è intera, e dunque, poiché zI1 ≤ zL1 , in tal caso (3, 2) è anche
la soluzione ottima intera. Dunque non occorre fare ulteriore branching per il nodo (P1 ),
che può dunque essere potato. Diciamo che (P1 ) è potato per ottimalità (S.A.). Si noti
inoltre che la soluzione ottima di (P0 ) avrà valore zI0 ≥ zI1 = 23.5. (3, 2) è la soluzione
intera corrente, ovvero la miglior soluzione intera trovata fino a questo punto, il cui valore
è z̄ = 23.5.
L’albero di Branch-and-Bound è ora il seguente. L’unica foglia non potata è (P 2) che

è l’unico problema attivo, ed è rappresentato nella figura successiva.

La soluzione ottima del rilassamento lineare di (P2 ) è x1 = 4, x2 = 0.83, con valore
zL2 = 23.54. Dunque zI2 ≤ 23.54, e 23.54 è un upper-bound al valore ottimo di (P2 ). Si
noti che z̄ = 23.5 < 23.54, dunque (P1 ) potrebbe avere soluzione migliore della soluzione
intera corrente. Poiché la componente x2 della soluzione ottima di (P2 ) ha valore 0.83,
facciamo branching su x2 , ottenendo i seguenti due sotto-problemi (P3 ) e (P4 ) di (P2 ).
zI2 = max 5x1 + 17

4 2
x zI2 = max 5x1 + 174 2
x
x1 + x2 ≤ 5 x 1 + x2 ≤ 5
10x1 + 6x2 ≤ 45 10x1 + 6x2 ≤ 45
x1 , ≥ 4 (P3 ) , x1 , ≥ 4 (P4 )
x2 , ≤ 0 x2 , ≥ 1
x1 , x 2 ≥ 0 x1 , x 2 ≥ 0
x1 , x 2 ∈ Z x1 , x 2 ∈ Z
L’albero di Branch-and-Bound è ora il seguente.

I nodi attivi sono (P 3) e (P4 ). Risolviamo il rilassamento lineare di (P3 ) (rappresen-

tato in figura),
ottenendo soluzione ottima x1 = 4.5, x2 = 0, con valore zL3 = 22.5. Dunque la soluzione
ottima intera di (P3 ) avrà valore zI3 ≤ 22.5, ma poiché abbiamo già determinato una
soluzione ottima intera con valore 23.5, è inutile esplorare ulteriormente la regione am-
missibile di (P3 ) poiché sappiamo che non vi sarà nessuna soluzione intera di valore mag-
giore di 22.5 < 23.5. Possiamo dunque potare il nodo (P3 ) perché non migliorante (N.M).
L’albero di Branch-and-Bound corrente, rappresentato nella figura successiva, contiene
un unico problema attivo, ovvero (P4 ).

Risolvendo il rilassamento lineare di (P4 ), si determina che tale rilassamento non ha

alcuna soluzione ammissibile, e dunque (P4 ) non ha neppure soluzioni intere.
Possiamo dunque potare il nodo (P4 ) per inammissibilità (N.A.). L’albero di Branch-and-
Bound corrente, rappresentato nella figura successiva, non ha alcun problema attivo, e
dunque la soluzione intera corrente è la migliore possibile. Dunque (3, 2) è la soluzione
ottima di (P0 )

In quanto segue, esponiamo il metodo di Branch-and-Bound per programmazione lin-

eare (mista) intera in maniera generale. Vogliamo risolvere il problema (P0 )
zI = max cT x
Ax ≤ b
x≥0
xi ∈ Z, i ∈ I.
dove I come al solito è l’insieme di indici delle variabili intere.
Il metodo sopra esemplificato corrisponde al metodo generale di Branch-and-Bound, dove

sono state esplicitate la tecnica per la valutazione del bound ad ogni nodo e la tecnica
per il branch.
Il bound è stato ottenuto con il rilassamento continuo del problema di programmazione

lineare mista intera corrispondente ad ogni nodo: il rilassamento continuo è risolvibile in
modo efficiente, ad esempio con il metodo del simplesso.
Il branch è stato effettuato in accordo con la seguente regola: sia x̄R la soluzione del
rilassamento continuo in un nodo Ph e xi = x̄R i , i ∈ I una variabile con componente
frazionaria ϕ(x̄R
i ) =
6 0; allora si effettua un branching dicotomico secondo la seguente
figura:
In caso di più variabili frazionarie, si può dare priorità alla xi frazionaria con ϕ(x̄R
i ) più
prossimo a 0.5.

5 Branch-and-Bound per il problema dello zaino 0/1

In questa sezione daremo una versione specializzata del Branch-and-Bound per un prob-
lema di programmazione lineare intera noto come problema dello zaino con variabili bi-
narie 0/1. Sono dati n oggetti e uno zaino di capienza massima W . Ogni oggetto i ha un
peso wi e un’utilità pi . Determinare gli oggetti da mettere nello zaino senza superare la
capacità e massimizzando l’utilità complessiva.
Un modello del problema è il seguente:

n
X
max pi xi
i=1
n
X
s.t. wi xi ≤ W
i=1
xi ∈ {0, 1} ∀ i = 1..n
Affinché il problema sia ben definito, assumiamo:
1. pi , wi , W ≥ 0
2. wi ≤ W ∀ i = 1..n
n
X
3. wi > W
i=1
Per risolvere il problema con il metodo del B&B, bisogna definire le seguenti compo-
nenti principali.
(1) Calcolo del bound (upper bound, UB).

Si utilizza il rilassamento continuo. In particolare, è possibile ottenere la soluzione ottima
del rilassamento continuo con un metodo più efficiente e semplice del simplesso. Si può
infatti utilizzare la seguente procedura a complessità O(n log n):
pi
1. ordinare le variabili per decrescenti;
wi
2. caricare gli oggetti nell’ordine fino a determinare la variabile critica xs
j
X
s = min{j : wi > W }
j
i=1
(s è il primo oggetto, nell’ordine, che supera la capienza dello zaino)


 1 i<s



W̄
3. determinare la soluzione del rilassamento: xi = i=s

 wi


0 i>s
s−1
X
dove W̄ = W − wi è la capienza residua dello zaino.
i=1
(2) Regole di Branching.

Come per i problemi di PLI, si fa branch binario sulla variabile critica xs .
(3) Regole di Fathoming.

Si utilizzano le tre regole standard:
• potatura per ammissibilità della soluzione corrispondente al calcolo del bound: si

ottiene come caso particolare quando la variabile critica riempie del tutto lo zaino,
lasciando W̄ = 0;
• potatura per non ammissibilità;
• potatura per bound non migliorante.
(4) Regole di esplorazione dell’albero di ricerca.

Tra le possibili, i risultati sperimentali tendono a privilegiare la strategia Best Bound
First.
(5) Valutazione di soluzioni ammissibili.

Ad ogni nodo, è possibile ottenere una soluzione ammissibile con una semplice euristica
(porre a 1 tutte le variabili nell’ordine specificato, senza eccedere W ):
.W̄ = W ; forall i: xi := 0
.for ( i = 1 ; i ≤ n ; i++ ) {
. if wi ≤ W̄ and wi not fixed to 0 {
. xi := 1
. W̄ := W̄ − wi
. }
.}
La tecnica per ottenere una soluzione ammissibile è molto semplice ed efficiente, e quindi
si può applicare ad ogni nodo dell’albero di Branch-and-Bound.
(6) Criteri di arresto.

Volendo ottenere una soluzione ottima, ci fermiamo quando tutti i nodi sono stati esplo-
rati.

Esempio 3 Si risolva con il metodo del Branch-and-Bound il seguente problema dello

zaino 0/1:
max 36 x1 + 15 x2 + 3 x3 + 5 x4 + 11 x5 + 30 x6
s.t. 12 x1 + 6 x2 + 2 x3 + 3 x4 + 5 x5 + 9 x6 ≤ 17
x1 , x2 , x3 , x4 , x5 , x6 ∈ {0, 1}
Innanzitutto calcoliamo il valore dei rapporti pi /wi e ordiniamo in maniera decrescente:

30 36 15 11 5 3
≥ ≥ ≥ ≥ ≥
6 12 6 5 3 2
L’ordine delle variabili è pertanto:
x6 → x 1 → x2 → x5 → x4 → x3
Per praticità, riscriviamo il problema con le variabili ordinate:
max 30 x6 + 36 x1 + 15 x2 + 11 x5 + 5 x4 + 3 x3
s.t. 9 x6 + 12 x1 + 6 x2 + 5 x5 + 3 x4 + 2 x3 ≤ 17
x6 , x1 , x2 , x5 , x4 , x3 ∈ {0, 1}
Otteniamo il seguente albero di Branch-and-Bound (etichette nel formato [SA;UB]).
Nodo P0 :
x6 = 1 W̄ = 8
8
x1 = 12 W̄ = 0 x1 critica
8
U B0 = 30 + 12
36 = 54
SA0 = 30(x6 ) + 15(x2 ) + 3(x3 ) = 48

Generazione e valutazione dei figli di P0 :
Nodo P1 :
x1 = 0 W̄ = 17
x6 = 1 W̄ =8
x2 = 1 W̄ =2
U B1 = 0 + 30 + 15 + 25 11 = 49.4
Osserviamo che, essendo i coefficienti della funzione obiettivo tutti interi, non è possibile
ottenere valori frazionari della funzione obiettivo stessa, in corrispondenza di soluzioni
ammissibili. U B1 = 49.4 (49.4 è il valore del rilassamento continuo) ci dice che il valore
della funzione obiettivo, una volta fissato x1 = 0, non può essere superiore a 49.4. Per
l’interezza dei coefficienti pi , possiamo migliorare tale upper bound con il valore b49.4c =
49. Tale valore è un valore più stringente ed è da preferire. In generale
Se zR∗ e il valore ottimo del rilassamento continuo e i coefficienti (e le variabili)

della funzione obiettivo di massimo sono tutti interi, allora si può considerare
come upper bound il valore U B = bzR∗ c. (Analogamente, per problemi di
minimo con le stesse caratteristiche, LB = dzR∗ e.)
SA1 = 30(x6 ) + 15(x2 ) + 3(x3 ) = 48
Nodo P2 :
x1 = 1 W̄ = 5
U B2 = 36 + d 59 30e = 52
SA2 = 36 + 11(x5 ) = 47
Adottando una strategia Best Bound First, effettuiamo il branch del nodo P2 .
Nodo P3 :
x1 = 1 W̄ = 5
x6 = 0 W̄ = 5
U B3 = 36 + d 56 15e = 48
SA3 = 36 + 11(x5 ) = 47
U B3 = 48 ≥ 48 (valore della migliore soluzione disponibile): chiudo P3 perché non

migliorante.

Nodo P4 :
x1 = 1 W̄ = 5
x6 = 1 W̄ = −4 non ammissibile
Chiudo P4 per non ammissibilità.
Rimane aperto ancora il nodo P1 , sul quale faccio branch.
Nodo P5 :
x1 = 0 W̄ = 17
x5 = 0 W̄ = 17
x6 = 1 W̄ =8
x2 = 1 W̄ =2
U B5 = 0 + 0 + 30 + 15d 23 5e = 48

migliorante (e non valuto la soluzione ammissibile corrispondente, che non migliorerà
sicuramente quella corrente).
Nodo P6 :
x1 = 0 W̄ = 17
x5 = 1 W̄ = 12
x6 = 1 W̄ =3
U B6 = 0 + 11 + 30 + d 36 15e = 48

migliorante (e non valuto la soluzione ammissibile corrispondente, che non migliorerà
sicuramente quella corrente).
A questo punto tutti i nodi sono chiusi e il valore ottimo della funzione obiettivo è 48.
Una soluzione ottima è quella trovata come soluzione ammissibile al nodo P0 , e cioè:
x6 = x2 = x3 = 1, x1 = x4 = x5 = 0.
Esempio 4 Si risolva con il metodo del Branch-and-Bound il seguente problema dello

zaino 0/1:
max 24 x1 + 21 x2 + 12 x3 + 21 x4 + 33 x5 + 18 x6 + 9 x7
s.t. 10 x1 + 10 x2 + 6 x3 + 12 x4 + 24 x5 + 18 x6 + 10 x7 ≤ 17
x1 , x2 , x3 , x4 , x5 , x6 , x7 ∈ {0, 1}

Innanzitutto calcoliamo i rapporti pi /wi e ci accorgiamo che le variabili sono già ordi-
nate. Quindi applichiamo il metodo del Branch-and-Bound con gli accorgimenti definiti
nell’esempio precedente e otteniamo il seguente albero (i nodi sono numerati nell’ordine
di esplorazione secondo il criterio Best Bound First).
Facciamo ora vedere come, attraverso due semplici osservazioni, sia possibile migliorare i
bound ai nodi, ottenendo una notevole riduzione del numero di nodi aperti (e, quindi, dei
tempi di calcolo). Osserviamo infatti che:
• i coefficienti della funzione obiettivo non sono solo interi, ma sono anche tutti multi-
pli di 3. Pertanto, il valore corrispondente a soluzioni ammissibili è sempre multiplo
di 3 e il valore dell’upper bound si può rendere più stringente approssimando il
risultato del rilassamento continuo al multiplo di 3 inferiore;
• i coefficienti del vincolo sono tutti pari. Pertanto, tutte le soluzioni ammissibili
non possono saturare lo zaino, che ha capienza dispari. Il problema è quindi del
tutto equivalente allo stesso problema con W = 50, invece di W = 51. In questo
modo, possiamo ulteriormente migliorare gli upper bound, avendo la possibilità di
diminuire il valore della variabile critica (e il conseguente contributo alla funzione
obiettivo del rilassamento continuo).

Applichiamo quindi il Branch-and-Bound sotto queste osservazioni, ricordando che le

variabili sono già ordinate.
Nodo P0 :
x1 = 1 W̄ = 50 − 10 = 40
x2 = 1 W̄ = 30
x3 = 1 W̄ = 24
x4 = 1 W̄ = 12
x5 = 12
24
W̄ =0 x5 critica
12
U B0 = 24 + 21 + 12 + 21 + 24
33 = 94.5 ⇒ 93
SA0 = 24 + 21 + 12 + 21 + 9(x7 ) = 87
Nodo P1 :
x5 = 0 W̄ = 50 − 0
x1 = 1 W̄ = 40
x2 = 1 W̄ = 30
x3 = 1 W̄ = 24
x4 = 1 W̄ = 12
x6 = 12
18
W̄ =0 x6 critica
12
U B0 = 0 + 24 + 21 + 12 + 21 + 18 18 = 90 ⇒ 90 (NOTA: anche se il valore del rilassamento
continuo è intero e multiplo di 3, questa non è una soluzione ammissibile, visto che c’è
una variabile frazionaria!)
SA0 = 24 + 21 + 12 + 21 + 9(x7 ) = 87
Nodo P2 :
x5 = 1 W̄ = 50 − 24 = 26
x1 = 1 W̄ = 16
x2 = 1 W̄ =6
x3 = 1 W̄ =0
12
U B2 = 0 + 24 + 21 + 12 + 21 + 18
18 = 90 ⇒ 90
SA2 = U B2 = 90: la soluzione del rilassamento prima ottenuta è intera (le variabili
assumono valori interi) e quindi anche ammissibile.

Ricerca Operativa: Branch-and-Bound Per Problemi Di Programmazione Lineare Intera

Caricato da

Copyright:

Formati disponibili

Ricerca Operativa: Branch-and-Bound Per Problemi Di Programmazione Lineare Intera

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Ricerca Operativa: Branch-and-Bound Per Problemi Di Programmazione Lineare Intera

Caricato da

Copyright:

Formati disponibili

Ricerca Operativa

Branch-and-Bound per problemi di Programmazione

AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa

2 Metodi enumerativi e Branch-and-Bound 4

4 Branch-and-Bound per problemi di programmazione lineare intera 16

5 Branch-and-Bound per il problema dello zaino 0/1 23

L. De Giovanni - Ricerca Operativa 2

1 Programmazione lineare intera e ottimizzazione com-

Figure 1: Soluzioni ammissibili per un PLI.

Il nostro obiettivo è quello di trovare una soluzione del PLI, ossia x∗ ∈ X : cT x∗ ≤

L. De Giovanni - Ricerca Operativa 3

problemi di ottimizzazione combinatoria. In effetti, i problemi di PLI possono essere visti

Un problema di ottimizzazione combinatoria è definito come:

min / max f (x)

• problema del cammino minimo:

• etc. etc. etc.

Per alcuni problemi di ottimizzazione combinatoria esistono algoritmi efficienti (problemi

2 Metodi enumerativi e Branch-and-Bound

1. genero tutte le possibili soluzioni x;

2. verifico l’ammissibilità della soluzione x ∈ X;

4. scelgo la x ammissibile cui corrisponde la migliore f (x).

L. De Giovanni - Ricerca Operativa 4

Ovviamente, lo schema è molto semplice ma soffre di due evidenti problemi. Il primo, è

1. come genero lo spazio delle soluzioni (ammissibili)?

2. come esploro efficientemente lo spazio delle soluzioni?

L’algoritmo del branch-and-bound implementa lo schema dell’enumerazione sopra visto

2.1 Generazione delle soluzioni: operazione di branch

Dato un problema di ottimizzazione combinatoria z = max / min{f (x) : x ∈

Possiamo quindi applicare il principio divide et impera: si suddivide X in sottoinsiemi

Figure 2: Generazione delle soluzioni: operazione di Branch.

Sia P0 il problema di ottimizzazione combinatoria in esame cui corrisponde l’insieme delle

L. De Giovanni - Ricerca Operativa 5

La fase di costruzione di nodi figli per partizione di un nodo padre è detta

Esempio 1 Si consideri un problema di ottimizzazione combinatoria con n variabili bi-

In questo caso, dato un problema Pi e il corrispondente insieme di soluzioni ammissibili

2.2 Esplorazione efficiente: operazione di bound

L. De Giovanni - Ricerca Operativa 6

Figure 3: Branch binario.

in ciascuna delle soluzioni rappresentate dal nodo stesso. Ad esempio, consideriamo un

Figure 4: Uso dei Bound.

z = min{z (1) , z (2) }

L. De Giovanni - Ricerca Operativa 7

E2 non contiene sicuramente la soluzione ottima ed è inutile sviluppare ed

In generale, se è nota una soluzione ammissibile x̄ di valore f (x̄) = f¯, la disponibilità di

2.3 Metodo del Branch and Bound (B&B): idea di base

• operazione di branch: costruzione dell’albero delle soluzioni ammissibili;

• disponibilità di una soluzione ammissibile di valore f¯;

• operazione di bound : valutazione ottimistica della funzione obiettivo per le soluzioni

L. De Giovanni - Ricerca Operativa 8

1. Criterio di Stop: Se L = ∅, allora STOP: x̄ è la soluzione ottima.

2. Selezione nodo: Seleziona (Pi , Bi ) ∈ L per effettuare il branch

3. Branching: Dividi Pi in t sotto-problemi Pij , j = 1..t (∪j Pj = Pi )

4. Bounding: Valuta una stima ottimistica Bij (in corrispondenza di una

5. Fathoming: Se Pij non è ammissibile, vai a 1.

L. De Giovanni - Ricerca Operativa 9

(6) Criteri di stop: condizioni di terminazione dell’algoritmo.

3.1 Regole di Branching

• la condizione ∪i Ei = E assicura che la soluzione ottima si trovi in almeno uno dei