= 234. Pesquisa Operacional ate Em 1979, Garey e Johnson publicaram um livro considerado um marco na teoria da comple- xidade computacional, Como ressaltado pelos autores, a distingao entre os algoritmos polinomiais exponenciais é bastante significativa ao se considerarem instincias grandes. A Tabela 3.2 ilus- tra taxas de crescimento de tempo de execugao para algumas fungoes de cada tipo, admitindo um computador que execute 10° operagdes por segundo. Note 0 crescimento explosivo das trés fungies de complexidade exponencial. Para a maioria dos problemas de programacio inteira mista, incluindo a maioria dos proble- ‘mas formulados anteriormente, nao existem algoritmos polinomiais de resolugio. 3.8* FORMULACOES ALTERNATIVAS. Podem existir diversas formulagées para um dado problema € algumas delas sao melhores. Ini- cialmente, define-se 0 conceito de formulacao. Definicdo 3.1 Um subconjunto de R" descrito por restrigoes lineares P= {xe R": Ax Sb} é um. poliedro. Definicdo 3.2 Um poliedto PCR"? € uma formulacio para um conjunto X cZ"XR" se € so- mente se X =P(Z"xR’) Exemplo 3.17 A Figura 3.30 apresenta duas formulagdes distintas P, e P, para 0 conjunto X=(0,3), (2D, 2,2), 23), 2.4), BD, G2, G3), 4,2) Tabela 3.2 ‘Tempo computacional para funcGes polinomiais e exponenci: n 0,00001 000002 0,00003-0,00004-—0,00005-—_0,00006 segundo segundo segundo segundo segundo segundo’ n 0,001 0,008 0,027 0,064 0125 0,216 segundo segundo segundo segundo segundo _—_ segundo a 0,001 1,0 179 12,7 35,7 366 segundo segundo minutos. dias anos séculos nl! 3,628 TA 84x 10 2.5 x 10" 9,6 x 10" 26 x 10% segundos séculos_—séculos_—séculos_—séculos.—_séculosELSEVIER Captua 3: Otago secrete 235 Figura 3.30 Dues formulacées dstintas para um problema de programacio inter, Definicéo 3.3 Um conjunto X CR" é chamado de conjunto convexo se, para quaisquer X;,X, © X e todo ntimero real o,04,/Yid,. Portanto, P, cP, Demonstra-se que P, representa a envoltéria convexa das solugdes desté problema,ELSEVIER Captula 3: Otago secrete 239 3.9 METODOS DE ENUMERACAO IMPLICITA E DE PLANOS DE CORTE Considere 0 problema de programagio inteira-mista max e'x+d'y (PIM) Ax+Dy 3 1 2 para gerar 5 | P a © problema P*. Essa particao € ilustrada na Figura 3.37, por meio da arvore B&B. Suponha agora que 0 né correspondente ao problema P* seja escolhido para exame. A rela- xagho linear PL* resulta na solugao étima X, = (3,2), que é uma solucio inteira com valor += 13, Considerando-se agora 0 né correspondente ao problema P*, tem-se que a relaxagao li- 4 6 oe near PL? fornece a solugao étima X, 27,D, com valor 2 117. Como 2° <4, condui-se 5.1) Figura 3.34 Representacio orsfica das solugbes de Pe PL.ELSEVIER Capitulo 3: otmizagio icra 241242 _ Pesquisa Operacional que a solugao X, = (3,2) € a solugao étima do problema P. A Figura 3.38 mostra o espago das so- lugdes de P? & P*, ea solucio étimaX,. Resolugéo analitica do exemplo Como visto anteriormente, o método B&B faz uso de programagao linear ¢ de adicdo de restri- {gOes, como mostram as Figuras 3.36 e 3.38, para cortar pontos extremos nao inteiros, correspon- dentes a solugbes étimas dos problemas de programacao linear. Isso também ocorre em métodos baseados em planos de corte, como o método branch-and-cut apresentado na Secio 3.9.3. Ao se colocar uma nova restri¢io ao problema de programacio linear, utiiza-se a informacao da tabela ou quadro étimo gerado pelo método simplex (veja Seco 2.7) para reotimizar o novo problema de programacio linear. A reotimizacao ¢ feita por meio do método dual simplex, apre- sentado na seco 2.10.4 para o problema primal de minimizagao. A seguir € apresentada uma for- ‘ma alternativa de derivagao da expressio da variavel que entra na base no algoritmo dual simplex para problemas de maximizacio. Considere o problema primal de programacio linear z=max{cTx: Ax=b,xe R'} 0 problema dual associado w=min{a"b:27A>e"} em que AT corresponde ao vetor (1x) de varidveis duais. Seja a parti¢ao A=[BN] ["] ct =[c5 ck | iz (mxn) nao-singular, Xp € Xy correspondem a vetores de varidveis ba- sicas, respectivamente. Da partigao, tem-se Bxg +Nxy (3.7) Z= CBX + ERAN 3.8) Figura 3.38 Representacio orafica das solucdes de P* e PtELSEVIER Capitulo 3 otniagioskcrta 243 De (3.7), tem-se que Xy =B'b-B'Nxy (3.9) Substituindo (3.9) em (3.8), tem-se Z=cgB'b-(cgB™'N-cy)Xy, (3.10) Seja Xp, =F. Xp = Xp Xp, ] NB, conjunto de indices das colunas de N, ¢ 4, j¢ NB, uma coluna de N. Defina De (3.9) ¢ (8.10), 2m, = Gop DY) dy 5X; ll) ae 5, do DY airy Jen m (3.12) A solugio basica xp + G20, i=1,., m + fy) 20, Vie NB Scja B uma base do problema primal tal que cgB™!N —cy 20, isto é dy) 20, Wje NB. Sc B € factivel, entao xg =B™b é uma solucio basica étima, Defina 47 = ¢gB™'. Entao, ATA=2"[BN]=[cgB"B cgB'N]=[c5 cgB'N]>[e5 ey] coy m, € Otima se: isto é&, AT € dual factivel e solucao étima do problema dual, pois w Admita agora que 4,20, Vje NB, e que %p, =4,9 <0, isto é, a solugao bisica atual é infactivel, A varidvel Xp, deve sair da base e uma varidvel deve entrar na base de modo a aumentar © valor da solugao dual, atualmente dado por dg = ¢gB“b. Se ,; > 0, entao, apés a operagio de pivotamento, tem-se 4, « 4 fosa gg ~ Gg, SI 2 digg 4, Portanto, deve-se ater a ay; <0. Defina 4 4 MO = max jexpy 2 4; <0 (3.13) yy 4y Segue-se que244 Pesquisa Operaconal portanto, doe dy, “2 3 0, Wj:4, <0 i Como a) 20 © <0, entio digg Gy, — 2 3 0,0): ag portanto, (3:13) define a varidvel a entrar na base Note que, se 4, 20, Vj NB, entio o problema primal ¢ infactivel, pois 5 =4,o- Y) a,x, <0, Vx, 20, je NB . NB Considere agora que a solugao basica 6tima de um problema de programagio linear tenha sido obtida e deseja-se incluir a restrigao < LAX) SP ni ou by, 5,20 Lars +5 = fl Tomando s, como variavel basica e expressando-a em termos das variaveis nao-basicas asso- iadas a solugao basica étima, tem-se fa Se Gyo 20, a nova solugio basica com s, = 4,9 € étima. Se yg <0, entdo a nova solugéo com nfactivel, mas dual factivel, pois do; 2 0, Vie NB. Aplica-se, entao, 0 dual simplex para reotimizar o problema com a restri¢ao adicional. O método dual simplex é agora aplicado para a reotimizacao dos problemas de programagao linear envolvidos no exemplo ilustrativo do método B&B. 1) No P A relaxagao linear do problema P do Exemplo 3.18 e a inclusio das variaveis de folga 5, © 5, resultam no problema PZ: F=max5x,-%, (PL) Tx, -5x, +5, =13 3x, 42x, +5, =17 HX S520 cuja solucéo étima € mostrada no Quadro 3.1 2) No Pt Insere-se a restrigao x, $37 ou, equivalentemente, x, +5, =3, 5520, ao problema P e resol- ve-se a relaxacao linear PL. Usando 0 Quadro 3.1, a variavel 5, € expressa em termos das varié- veis ndo-basicas 5 € 5, TT Neste ponto, estamos excolhendo arbitrariamente a varidvel x, para ramificagio: ver Linderoth ¢ Savelshergh (1999) para wm ‘stud computacional sabre métodos de selecio de variiveis a xerem ramificadas e de escolha de nésELSEVIER Capitulo 3: otmizagao sscrta 245 242 8 s=3-324 x 29 29°" 29 oy Avaridvel 5, sai da base e, de (3.13), tem-se de 13° 18 18 portanto, a varidvel 5 entra na base. Incluindo a restricio (8.14) no Quadro 8.1 ¢ executando operagées de pivotamento, obtém- sea solucao otima de PL’, mostrada no Quadro 3.2. 3) No P? Insere-se a restrigio x 2-4 ou, equivalentemente, x ~54=4, s 20, a0 problema P e resol- ve-se a relaxacio linear PL’, Usando 0 Quadro 3.1, a variavel 54 € expressa em termos das varié- veis ndo-basicas 5, € 5,1 242 25 sya-4-3 SF as, 29° 29' 297 Como os coeficientes de 5, € 5, s40 negativos, segue-se que PL’ ¢, portanto, P* é infactivel. Quadro 3.1= 246 Pesquisa Operacional ate 4) No P® Insere-se a restrigéo x, <1 ou, equivalentemente, x, +5; =1, 5; 20, a0 problema P'e resol- ve-se a relaxagio linear PL?. Usando 0 Quadro 3.2, expressa-se a varidvel s, em termos das varid- veis nao-basicas s, © 55. 7 B15) Incluindo a restrigdo (3.15) no Quadro 3.2, e utilizando a expresso (3.13), segue-se que a va- ridvel s5 sai da base, a varidvel 5, entra na base e, apés operagdes de pivotamento, obtém-se 0 Quadro 3.3 com a solugao étima de PL’. 5) No Pt Insere-se a restrigao x, 22 ou, equivalentemente, x; —s,=2, 5420, ao problema Pe resol ve-se a relaxagao linear PL’. Usando 0 Quadro 3.2, expressa-se a variavel 5, em termos das va- ridveis ndo-basicas 5; € sy a1 2-2415,-7,, (3.16) ga gts gS (3.16) Incluindo a restrigao (8.16) no Quadro 3.2 e utilizando a expressio (3.13), segue-se que a va- ridvel s, sai da base, a varidvel s, entra na base e, apés operacdes de pivotamento, obtém-se 0 Quadro 3.4 com a solugao étima X= (3,2) de PI* ede P. Testes para eliminagéo de nés na érvore branch-and-bound ‘Como ilustrado no exemplo anterior, um problema P' correspondente a um né na drvore B&B é eliminado ou descartado por testes que utilizam sua relaxacao linear PL’. Para formalizar es- ses testes, considere a seguinte notagio: F(P'): regio factivel do problema P! F (PL): regido factivel do problema PL! z': valor étimo do problema P' (limitante inferior de 2) Quadro 3.3ELSEVIER Captua 3: Otago secrete 247 z: valor étimo do problema PL (limitante superior de z) x’ : melhor solugao encontrada até o momento (solugao incumbente) z':valor de x" O problema P'é eliminado se satisfizer um dos seguintes testes de eliminagao: 1) FPL) =: P! écliminado por infactibilidade. O resultado decorre da relagio F(P') c F(PE). 2) 2! 2’, atualize x’ € z’. Elimine nés ativos i da lista L, tais que z’ Sz’, ¢ volte para o Passo 1. Passo 5 (Ramificacao). Selecione uma varidvel da solucao étima ¥, de PL com valor nao in- teiro e divida P! em dois problemas. Adicione estes problemas a lista I. ¢ va para 0 Passo 1. Passo 6 (Fim). Se 2° =—e, nao existe solugao factivel; caso contrério, a solugo incumbente x* € uma solugio étima. Nos pacotes comerciais, o usuario pode parar o algoritmo B&B com uma lista nao varia e uma solugao subétima com tolerancia especificada €, como, por exemplo € = 0,1. Seja Z 0 maior Quadro 3.4248 Pesquisa Operaconal ate limitante superior dos nés na lista e seja z'tal que (E-2")/F Se. Entao, a solugio x" é €- subétima. Em outras palavras, 0 valor da solugao x’ esta a, no maximo, (100X€ )% do valor da solugao étima. Selecao de nés na drvore branch-and-bound Considere uma drvore B&B com a lista de nés ativos. A questao consiste em escolher o préximo né- aaser examinado. Existem duas alternativas: regras a priori, que determina previamente a ordem de escolha dos nés, ¢ regras adaptativas, que determinam 0 né a partir de informagao dos nés atives. A regra a priori mais utilizada é a busca em profundidade com backtracking, também conheci da como last-in, first-out, © que significa que o tiltimo né incluido na lista € o primeio a ser exa- minado. Na busca em profundidade, se 0 né corrente nao ¢ eliminado, entio 0 proximo né a ser examinado é um de scus filhos, O termo backtracking implica que, quando um né é climinado, retorna-se ao longo do caminho em direcdo ao né raiz até encontrar o primeiro né que tem um filho ainda nao examinado. Ao se especificar que 0 né filho a esquerda é examinado em primei- ro lugar, entio esta regra a priori define completamente a ordem de desenvolvimento da Arvore. A busca em profundidade tem duas vantagens: * Aexperiéncia mostra que soluges factiveis so mais provaveis de serem encontradas em niveis profundos em relacio ao né raiz. + Dada a solugio étima do né pai, resolve-se o problema de programacio linear para o nés filhos através da reotimizacao pelo algoritmo dual simplex. Além disso, 0 tamanho maxi- mo da lista de nds ativos, em geral, nao é muito grande. Note que 0 armazenamento dos 16s ativos correspond a guardar os quadros étimos da resolugao dos problemas de progra- macio linear de cada um desses nés. A grande desvantagem desta regra é que, por no usar informacdo, tende a gerar uma drvore com muitos nés. Um exemplo de regra adaptativa muito usada consiste em selecionar o né que tem o maior limitante superior. Neste caso, tem-se uma expectativa otimista em relagio 3 obtengio de uma nova solugao factivel com valor maximo em relagao a solugdes factiveis geradas pelos outros nés. Su- ponha que z’ € 0 valor da solugao incumbente atual e que z” € 0 valor de uma nova solugao incumbente gerada a partir do né com maior limitante superior, isto é, 2 >’. Seo limitante superior deste né estiver préximo de seu valor dtimo inteiro, entio um grande nimero de nés ativos com limitantes superiores no intervalo (z", 2] é eliminado. Esta discussao mostra que um. fator crucial para a eficiéncia do método branch-and-bound é a qualidade do limitante superior, isto 6, sua proximidade em relacio ao valor étimo em cada n6. Avantagem desta regra adaptativa € que, em geral, produz uma drvore B&B com um niime- ro bem menor de nés quando comparada & busca em profundidade. Por outro lado, sua grande desvantagem é 0 armazenamento de um ntimero muito grande de nés ativos, o que pode inviabilizar a solugao de um problema pelo limite de meméria computacional.. Para ilustrar a aplicagao das estratégias descritas, considere 0 problema da mochila z= max 3 p)x, Bh ww eassuma que P,,4,>0, Vj.ELSEVIER Capitulo 3 otiniagio deerta 249 Proposigao 3.1 Se Pi > $b, ¥a, >b, a solugao do problema relaxado de programa- a el r-Lx, =(b-Sia,)/a,, x,=0, j= rth on Go linear; em que 0S x; $1, ¥j,€x)=1,j Demonstracéo. A restricéo linear pode ser escrita como, O problema de programacao linear tem variaveis canalizadas, 0< x, $1, ¥j e uma restrigao li- near, Segue-se que uma variavel € basica € n varidveis sao ndo-basicas com valores em 0 ou 1. Elegendo x, como variavel basica, tem-se Substituindo a expresso anterior na fungao objetivo da relaxagao linear, temos Pr 4, . 4 are ty Fe max(p, Pets + +p PEMD ay +o +(Py PO, Por hipétese, 2 >...22" 50, o que implica que os coeficientes das variaveis %, .., 4, 4, positivos ¢ 0s cocficientes das varidveis X,.4. -.Xqs rl Xp oy App (b-Ya,)/a, para x,, € 0 para x,.1, .) %,,), tem-se a solucio dtima. 10 negativos. Atribuindo-se o valor 1 para Essa proposigio mostra que a solugéo tima da relaxagio linear é obtida de forma analitica, e isso é usado no exemplo abaixo. Exemplo 3.19 z=max 31x, +126x, +13Lx, +37x, +180x, +170x, +182x, +123x, +160x, + 80% 9 13x, 11 Lx, +10 Lx, +27x, +174x, +136x, +146x, +99%, +1452, + 76% 5 $ 606 Note que Pi 22384> P+ =1,370>P* =1,297 > P* =1,280> 2 =1,246> P* = 1,242 > P= 1135 > 4, a, a, a 4, a, a, Pe 2 = 1,052= 25 = 1,034 portanto, pela Proposicao 3.1, a solugdo étima do problema relaxado de programacio linear x =]; xy =0,76; x, =1; x, 5a = Nay Sh xy = hm , com valor de fungio ob- jetivo z= 769,35. . A seguir, 0 método B&B é aplicado a este problema com as estratégias de selegao de nés ba- seadas em busca em profundidade e busca pelo né com maior limitante superior: Inicialmente, note que o problema de programacio inteira envolve variaveis binarias, por- tanto, um né com uma variavel com valor fracionario entre 0 ¢ | é ramificado em dois nds fi- Ihos, com variaveis fixadas em 0 ¢ I. A Figura 3.39 mostra a arvore B&B resultante da250. Pesquisa Operacional aan cestratégia de busca em profundidade. Como regra, examina-se em primeiro lugar o né filho com maior limitante superior. As letras I, Q € O nos nés indicam os critérios pelos quais estes sao eliminados, a saber, infactibilidade, qualidade ou otimalidade. A solucao étima 4) hy hy = 1.04 = 0,5 =0, x = 1a X19 =0, com valor 763, 6 encontra- da no né 22. Note que essa estratégia gera trés solucdes factiveis A Arvore relativa a estratégia da busca pelo maior limitante superior ¢ igual & arvore da Figu- ra 3.39, exceto pelos nés que estéo abaixo da linha tracejada. Essa estratégia gera apenas uma solugao factivel, que € a solugao étima. As Figuras 8.40 ¢ 3.41 mostram a evolugao de ambas as arvores. Na busca pelo né de maior limitante superior, armazenam-se no maximo seis n6s ativos, enquanto na busca em profundidade ar- mazenam-se no maximo trés nés ativos. Os ramos das drvores com tragos indicam os nés climinados. Na Figura 3.40, nenhum né foi eliminado até a arvore em 3.40(e), que tem seis nés ativos. A Figura 3.41 mostra que a drvore 3.41(b) tem trés nds ativos, ¢ as restantes tem menos que trés nés ativos. Este exemplo mostra a vantagem da busca pelo maior limitante superior em termos de ntimero menor de nés criados pela arvore B&B. Por outro lado, a estratégia da busca em profundidade ‘gera mais solugdes factiveis e armazena menos nés ativos. Na pritica, os pacotes comerciais de otimizagao citados na Segao 8.4 combinam essas duas estratégias e possibilitam também que 0 usudrio selecione outras estratégias disponiveis.” Figura 3.39 Anores para duas estatégias de busca. 7 Aigoriumos do tipo branchand:Sound, ou seja, que ramificam e podam a drvore de busea, podem ser desenvolvdos para resol ver 0$ mais diversostipos de problemas. For exemplo, em Yanaste (1994) & apresentado um algoritmo que seleciona o melhor tamanho dos objetos em um problema de corte bidimensionalELSEVIER Capitulo 3: Otmizag zeros 251 CRSP Figura 3.40 tvolucdo da busca pelo maior limitante superior para o problema da mocha. SOKO KE KG RO ipa SR, Figura 3.41 Evolucéo da busca em profundidade para 0 problema de mocha, 3.9.2 Algoritmo de planos de corte de Gomory Algoritmos de planos de corte buscam obter uma aproximagao da envoltéria convexa da regiao factivel de um problema de programagao inteira que contenha um ponto extremo correspondente a.uma solugao 6tima. Essa aproximacio € obtida por meio de cortes ou desigualdades validas, definidas a seguir. Definicéo 3.5 Uma desigualdade @x <¢) & uma desigualdade valida para X CR" se @x $$ para todo x € X.252_ Pesquisa Operacional ate Em palavras, uma desigualdade é valida se o conjunto X situa-se em um dos semi-espagos definidos pelo hiperplano 9x = dy. Desigualdades validas em programacio inteira sio geradas a partir de uma simples observagao. Proposi¢ao 3.2 A desigualdade x<|b | é valida para X = (xe Z!:x 0, construa o corte de Gomory ¢ insira-o no fim do quadro étimo de PL". Faga k=K-+1 eva para o Passo 2. Note que este algoritmo gera uma seqiiéncia de problemas de programagio linear PL i=O,1,.n, em que X=X°5X!'5..5X",e F=7°27z'>..22" 22, de modo que Ke Z! representam, respectivamente, a regio factivel e a solugio étima de PL’. Demonstra-se que este algoritmo, sob algumas hipéteses, converge em um mimero finito de passos. Uma des- vantagem deste algoritmo é que a primeira solucao factivel gerada 6 a solugao étima. Uma regra razoavel no Passo 4 do algoritmo, visando reduzir 0 mimero de cortes necessarios, para resolver o problema (P), é escolher a linha r, tal que fy =max fig, fy >, que correspon- de a linha cuja variével apresenta o maior desvio entre seu valor fracionario e o maior nime- rp inteiro. Exemplo 3.22 Considere o problema do Exemplo 3.18: g=max 5x x () Tx -Sxy +5 3x, +2x; +5, =17 xseZ? A solucao 6tima do problema relaxado PL com x,8 €R? é mostrada no Quadro 3.5. A Figura 3.34 mostra a regido factivel do problema P, a diregao do gradiente da fungao ob- 24 jetivo (5, -1) € a solugio 6tima real do problema relaxado PL, X= (55,255), com valor ie ‘ ; 5 = 165 , que € um limitante superior para o valor timoELSEVIER Capitulo 3: otmizagao scree 255 Como f, = # > fe= 2 escolhe-se a linha da variavel x, e, utilizando a desigualdade de Gomory, obtém-se o primeito corte 254528 8.20) 291" 29°79 (620) A partir da formulagao P, pode-se escrever este corte em termos das variaveis originais do problema, resultando em x, $3. Introduzindo uma variavel de sobra em (8.20), tem-se 55-25,-5s, =-24, 5,20 21) Incluindo a restrigao (3.21) no fim do Quadro 3.5, segue-se que 55 =—24, pois 5, € 5 sto ndo- basicas. Reotimizando através do dual simplex, obtém-se 0 Quadro 3.6. Escolhendo a linha 5;, obtém-se o segundo corte nts 24 (8.22) que corresponde & desigualdade 3x, ~2x, $5, em termos das variaveis originais. Inserindo uma variavel de sobra em (3.22), tem-se 54-25, = 4 (8.23) Introduzindo a restrigao (3.23) no Quadro 3.6 ¢ reotimizando através do dual simplex, obtém-se ‘© Quadro 3.7 com a solucao étima x= (3,2). Os dois cortes de Gomory so mostrados na Figura 3.43, Quadro 3.5 Quadro 3.6 1 3 2 - a a 132 z o 0 5 0 3: 5 3. 3 1 2 3256 Pesquisa Operacional Quadro 3.7, 1 1 . 3h 1 Zz oO oO oO 0 2 2 13 0 1 0 ie pa 2 ” o 2 2 1 1 1 ah 5 0 0 1 o A 7 2 oy me tp 9. Pp 62) K—. (313) Sel) “ (51) “ 3.9,3 Método branch-and-cut Este método combina as estratégias dos métodos branch-and-bound ¢ de panos de cortes, com 0 objetivo de reduzir o ntimero de nés na arvore B&B. Em cada né da arvore B&B, adicionam-se desigualdades vélidas de modo a obter um limitante superior mais apertado no n6. As desigual- dades de Gomory para problemas inteiros ¢ inteiros mistos foram as primeiras propostas na lite- ratura. Hoje, existem varios tipos de desigualdades validas para problemas genéricos de programacio inteira mista e desigualdades validas para problemas especilicos. Para ilustrar 0 poder da adicio de desigualdades na redugio do niimero de nés na davore, conside- re o seguinte exemplo, em que desigualdades de Gomory foram introduzidas somente no né raiz 0.ELSEVIER Capitulo 3: Otimizagio disereta 257 Exemplo 3.23 g=max 25x,+2x, +31x, +30x, 14y, +254, +14x, +6x, $146 19x, + 30x, +24x, +29x, $239 xeZi A Figura 3.44 mostra a drvore B&B com a estratégia de busca pelo né de maior limitante su- perior. As letras I, Q ¢ O indicam que 0 né foi climinado por infactibilidade, qualidade ou otimalidade, Duas solugées 6timas foram encontradas: x, = Lx, = 0.x, = 9,x, = 0,ex, = 6,x, = 0.x, = 4,x, = 1, comvalorz = 804 0 Quadro 3.8 correspondente & solucdo étima do problema relaxado no né 0: Quadro 3.8 x38 a9258 Pesquisa Operacional ate Escolhendo a linha x, obtém-se 0 corte 4 9 12 4 9 Petpet tg hgh aa 8.24) ‘ou, em termos das varidveis originais, 20x, +32x, +24, + 25x, < 241 Indluindo o corte (3.24) no fim do Quadro 3.8 e reotimizando através do dual simplex, obtém- se 0 Quadro 3.9. Escolhendo a linha x,, obtém-se o corte 2 Pa hgeda-ned 29 3B 6 24 8 " ‘ou, em termos de variaveis originais, 20x, + 31x, +254, +29x, $249 Incluindo 0 corte (3.25) no Quadro 3.9 e reotimizando através do dual simplex, obtém-se 0 Quadro 3.10. Escolhendo a linha x,, obtém-se 0 corte He Saeb we ‘ou, em termos de varidveis originais, x,t, +4, $10 (3.26) ne XS Sa Indluindo 0 corte (8.26) no Quadro 8.10 e reotimizando através do dual simplex, obtém-se 0 Quadro 8.11. O limitante superior no Quadro 3.8 & 30928, 0 passo que o limitante superior no Quadro 8.11 apés a incluso de trés cortes, € reduzido para sosd, A pantir do Quadro 8.11, aplica-se 0 método B&B © a érvore resultante 6 mostrada na Figura 3.45. As duas solugbes 6timas também foram encontradas nesta arvore, que tem somente cinco nés, comparados aos 18 nés da arvore da Figura 3.44,ELSEVIER Capitulo 3 otmizagao secrete 259 Quadro 3.10 9 8 1 1 10 = 32 sk 12 30910 zo oe 0 30d 5 35 33 3 2 1 3 % 0 1 0 Oo “35 Ore a 5 Oe ne 3 9 9 0 4 7 rT) 7 7 Quadro 3.11 1 4 1 4 z 36— 4s ie 3084 Zz 0 0 6 60 0 5 F FA 1 FF 1 4 1 4 pa HI of % 0 1 0 0 0 FA Fi Fi 4 FA &% 0 0 0 1 0 0 ° 4 1 ° O algoritmo branch-and-cul é semelhante ao algoritmo B&B, com a inclusio de k cortes em cada né cuja relaxacao linear é factivel, tal que k é um parametro.” A inicializagdo do algoritmo tem uma fase de pré-processamento, que € explicada a seguir. Passo 0 (Inicializagao). Faga , 2 = 2, x" =. Pré-processe o problema inicial e coloque- ona lista L={P}. Passo I (Selegio de n6). Selecione 0 né ativo i, associado ao problema P', da lista de nés ati- ‘vos. Sea lista estiver vazia, va para 0 Passo 7. 78 Una aplcagio de um algoritmo branchandeut para rearranjos de fragmentos de DNA pode ser vista em Ferreira eal, (2002),260. Pesquisa Operacional 30a 304 0 0 Figura 3.45 Anvore 688 com corte no né 0 @ busca pelo nd de maior mitante superior Passo 3 (Teste de eliminagao 1). Se a regido factivel de PL estiver vazia, v4 para 0 Passo 1 Passo 4 (Corte). Tente eliminar a solucao étima de PL!. Se isso nao for possivel, faga k =0, € vd para o Passo 5. Caso contrério, adicione k cortes a PL’ de modo a obter a formulagao PL* Passo 5 (Teste de eliminacao 2). Se o valor Z'* da solugao va para o Passo 1. Passo 6 (Teste de eliminacio 3). Se a solucao étima x" de PL'* for inteira com valor 2", ese Z'* > 2", atualize x" € 2’. Elimine nés ativos i da lista L, tais que Z' $2’, volte para o Passo 1 ima de PL* for tal que z"* < Passo 7 (Ramificagio). Sclecione uma varidvel da solugio otima ¥"* de PL* com valor nao in- teiro e divida P!* em dois problemas. Adicione estes problemas & lista L e v4 para 0 Passo I. Passo 8 (Fim). 8 uma solucéo étima. —=», nao existe solugio factivel; caso contrério, a solugao incumbente x" 3.10* PRE-PROCESSAMENTO Pacotes comerciais de otimizacdo possuem um médulo de pré-processamento que verifica a for- mulacdo original de um problema. A meta é detectar rapidamente varidveis ¢ restrigées redun- antes ¢ apertar os limitantes de varidveis. Se o problema resultante de programacao linearfinteira menorimais apertado, entdo, provavelmente, ser4 resolvido com mais rapidez. Isso é fundamen- tal em problemas grandes, pois o método branch-and-cut pode exigir a resolucao de dezenas ou centenas de milhares de problemas de programacio linear O exemplo a seguir ilustra o pré-processamento em programacio linear: Exemplo 3.24 max 4x, +3x,-2x, =Sx, +10x, $20 10x, +4, —2x, 210 aby tay SS Osx <3 OSy10+2x, —4x, 210+ 2x1-4x1=8 0 limitante apertado € x, zt A segunda restrigo nao causa mudanga nos limitantes de Re Aye Como alguns limitantes foram alterados, retornacs obtém-se ¢ A primeira restrigao. Isolando a variavel x, 10x, 52045n, Bx, 5 2045x1-8x 8 ¢ 0 novo limitante apertado € x, $<. Os demais limitantes nao mais se alteram. 50 Restrigées redundantes Usando os novos limitantes na terceira restri¢ao, segue-se que Bye Bes 8 | 50 que implica que esta restricdo é redundante e pode ser descartada. O problema torna-se, entdo, max 44, +31) -2x, 8x, Sx, +10x, < 20 10x, +4x, —2x, 210 Fixagao de varidveis Note que 0 acréscimo de x torna as restrigdes mais folgadas, ¢ como seu coeficiente na fungio objetivo é positive, isso sugere que x, assume o valor de seu limitante superior, igual a 1. Multi- plique a segunda restrigo por I, e sejam u, € u, variaveis duais ndo-negativas associadas as duas, restrigGes. Seja u, a varidvel dual nao-negativa associada & restric x, $1. Tem-se, entio, a se- guinte restricao do problema dual Suy du, +u; 23262 Pesquisa Operacional ate A desigualdade acima implica que u, > 0 e, pelas folgas complementares, tem-se que x; = 1 De forma semelhante, ao se decrescer x,, tem-se que as restrigées ficam mais folgadas. Como seu coeficiente na fungao objetivo é negativo, isso sugere que x, assume o valor de seu limitante in ferior, igual a 1. Seja uy a variavel dual nao-positiva associada a restrigao x 21. Se uy =0 na so- lucdo dual 6tima, entao, pelas folgas complementares, tem-se que 0 valor otimo de x, situa-se 3 no intervalo [<5]. No entanto, x, >1 € um absurdo, pois o coeficiente de x na fungio obje- tivo é negativo e o valor de x, pode ser reduzido sem violar as restrigdes. Se u, <0 na solugio dlual étima, entao, pelas folgas complementares, x, = 1. O problema de programacio linear reduz~ se, entéo, a 4 max (4x, : 2 $$} Essas idéias esto formalizadas a segui Proposicéo 3.3 Considere o conjunto S=(x:ag%) +)" jx, $d, + Limitantes em varidveis. Se ay > 0, entao % $= Y ajl— Y ajuj)lag sap faye0 nm) $e dy <0, entdo %H26- LY ails DY ayu;)lag a) + Redundéncia. A restrigao a+ 14)X; Sb & redundante se DY auj+ ¥ also iap0 jaye Infactbitidade. $= se DY a+ Y ajuj>b jaye”? jax0 + Fixagdo de varidveis. Para um problema de maximizacao na forma max (ex: Ax0, =, .., mec; <0, entio x, =1). Se a, $0,i=1, .., me c) >0, enlio x; =u, Para problemas bindrios, buscam-se restriges légicas envolvendo uma ou duas variaveis ¢ adi- cionam-se as restrig6es ao problema, ou estas sao usadas para fixar algumas variveis. Este pro- cedimento é ilustrado a seguir, Exemplo 3.25 Considere 0 conjunto de restrigdes envolvendo quatro varidveis 0-1 2x +x, tx, 22 2x, +5x, 42x, <4 = 2x, + 6x, +x,-%, $3 Sx, -3x,20 % 1, De modo and- Sena linha 1, x, logo, x, +x, 21 | isso implica x, =1, que conduz & desigualdade x, +x,ELSEVIER Captul 3%: otiniagto deceta 263 Se na linha 2, x, =1, isso implica x, =1, que leva A desigualdade x, < x,, Esta restrigao é factivel se x, = x, =1, que leva A desigualdade x, +x, $1. Sena linha 3, x, =1, isso implica x, =1 © x, =1. Estas implicagées podem ser formuladas pe- las desigualdades x, $x, ¢ x, $x,. Esta restrigao € infactivel se x, . que resulta na desi- gualdade x, +x, $1. Se na linha 4, x, , isso implica x, =1, que leva A desigualdade x, > x, Combinagao de pares de desigualdades ligicas, Das linhas 3 ¢ 4, tem-se x, Sx, € x, 2xy que im- plica x, = x,. Das linhas 2 e 3, tém-se x, Sx, e x, +x, $1, que implicam x, =0. A partir de +x, 21, na linha 1, e x, =0, obtém-se x, =1. Simplificagio. Substituindo x, =1, x, =x, % =0, todas as restrigbes sdo redundantes, restando x, € {0,1}, portanto, as tinicas solugées factiveis sao (1,1,0,1) ¢ (1,0,0,0). Algumas implicagdes lgicas so formalizadas a seguir. Proposicao 3.4 Considere 0 conjunto X=(xe BY ya x) Sb) yxy S ma + X=Bsebcoe DY aj>b 7) + Arestricio Yajx,b + Seja a, >0.Se DY) a,+a,>b, entao x, =0 sao 3.11* OUTROS METODOS EM OTIMIZAGAO DISCRETA Existem outros enfoques de resolucao cm otimizagao discreta para problemas que possuem uma estrutura particular, tais como os métodos de Benders, Dantzig: Wolfe (geracao de colunas) ¢ re~ laxacao lagrangiana. Esses métodos so, em geral, ineficientes para problemas genéricos ou sem estrutura, Para descrever os métodos de Benders ¢ de Dantzig Wolfe, € necessdrio apresentar os concei- tos de pontos extremos ¢ raios extremos, que sio elementos essenciais para gerar qualquer pon- to de um poliedro. Definicao 3.6 Considere 0 poliedro P={x: At sio mxn, com posto de A igual am. a) Um ponto extremo do poliedro corresponde a um vértice ou solugio basica. b,x R"}, em que A é uma matriz de dimen- b) Um raio extremo de um poliedro é um vetor w tal que n ~ | restrig6es sao ativas em w.264. Pesquisa Operacional ate Exemplo 3.26 Seja o poliedro ilimitado definido por dy 2-2 tx 21 20, representado na Figura 3.46. Os raios extremos so w, = (1,1) € w, = (1,0) € 0s pontos extremos sao x, = (0,2), x, = (0,1) ex, = (1,0). O teorema a seguir mostra que qualquer elemento de um poliedro pode ser gerado a partir de seus pontos extremos ¢ raios extremos, Teorema 3.1 Seja P={x:Ax=b,xeR"} um poliedro, x;,i , P, Scus pontos extremos, € W), j=1...g seus raios extremos. Entdo, qualquer elemento x€ X_ pode ser escrito como x= Dax +h, %20, B20 Yo=1 ‘ fal O vetor (2, 2) € um elemento do poliedro do Exemplo 3.26 € admite mais de uma represen- 1 3 7 ‘aio, como, por exemplo, 2, 2)= X,+W+W, € 2,2) = 9%: + 5%; +5 my. Seo poliedto él mitado, contém somente pontos extremos e, neste caso, qualquer elemento xe X_ pode ser escrito como combinacao convexa dos pontos extremos, isto & 2 2 x= Dax, «20, Ya, Para ilustrar os métodos de Benders, Dantzig-Wolfe e relaxacao lagrangiana, considere 0 pro- blema de dimensionamento de lotes de miiltiplos itens com restrigao de capacidade, apresenta- do na Seco 3.6.1, ¢ aqui repetido para facilitar a leitura. nT min YY (5,94 + hile) (DL9) Aa Iya %y dys aM tl on T (L10) ‘s Figura 3.46 Pontos extremes ¢ raios extemas de um poiiedro,ELSEVIER Captua 3: otmizagio secrete 265 Yor, TABS, t T (Li) a Hy SM FEM os 0, (DLI2a) M, = min( =P Sd Loom t .T (DL12b) xe RY Te Rit ye BT (DL13) Considere 0 problema de programacio inteira-mista comaxclx+dTy Ax+Dy sb (27) xe RY, ye Z? ‘Método de Benders Este método utiliza 0 conceito de projegao no espaco de variaveis complicadoras para entdo obter um problema, em geral, com uma estrutura de facil resolugo. Considere que as varidveis y em (3.27) sao as varidveis complicadoras. A projecdo dessas variaveis no espaco fornece 0 problema = max [d?y + may {eT x: Ax Sb—Dy}] (3.28) ez O problema nas variaveis x h(y) = max (eTx: Ax 0, jeP @: (w,)"(b-Dy)20, ked Por ser uma relaxacao, segue-se que o valor étimo de (3.34) é um limitante superior do valor timo de (3.33). Uma iteragao | do método de Benders consiste em resolver (3.34) e obter a so- lugao 6tima y,, Esta solucao € enviada ao problema (3.30), que gera um novo ponto extremo ou um novo raio extremo para o problema (3.34). Pode-se demonstrar que (3.30) ndo gera um ponto extremo ou raio extremo repetido, © proceso continua até que o limitante inferior seja igual ao valor de uma solucao do subproblema dual. Em geral, o problema primal de programacdo linear (3.29) possui uma estru- tura e este problema € resolvido em lugar do problema dual (3.30). As varidveis duais étimas sao obtidas a partir da base étima do problema (3.29). A seguir, mostra-se que, ao se fixarem as varidveis binarias y, no problema de dimen- sionamento de lotes, obtém-se um problema de fluxo de custo mfnimo em redes, apresentado na Secio 4.2. ina maneira mais facil de mostrar esse fato consiste em definir as variaveis, 24 = Day © My =f,» de forma que, em ambas as restrigGes, (DL10) e (DL11), a unidade de me- dida é tempo. A Figura 3.47 mostra a rede para um problema com 2 itens € trés perfodos, com [yy = Ing =0. Os nés | © 2 correspondem aos itens | ¢ 2, os nds M correspondem a nés de uma maquina, o nd F corresponde a um né fonte e 0 né $ é um né sumidouro. Em cada arco 6 mostrada a va- ridvel de fluxo que o atravessa, bem como o custo unitario do fluxo (ct), e a capacidade do arco (B), representados por [or]. Por exemplo, o arco por onde passa o fluxo 7, tem custo unitd- rio ly /b, © capacidade infinita. Os arcos entre 0 né fonte ¢ os nds M tém capacidades €,,C, € Essas capacidades dependem dos valores das variaveis binarias y,,, ¢ sto dadas por C,=SP, 4p ~ 522, — SP, A demanda D do né sumidouro corresponde a capacidade nao utllizada, e € dada por ©, + Cy +C, ~by (dy, +diy +dy3)—By (dy, +dyy + dps), de forma que a rede & balanceada. ‘Método de Dantzig-Wolfe Este método é uma aplicacao do principio de decomposicao, que envolve a resolucao de di- versos subproblemas de tamanho menor, tipicamente estruturados, em lugar da resolucao do problema original, cujo tamanho ¢ complexidade impedem que seja resolvido em tempo ra- zoavel Considere 0 seguinte problema de programagao inteira mista cemaxcTx+d7y Ayx+ Dy Sby (8.35) A,x+D,y Sb, xe Ri,yeZ? em que b, eb, tém dimensio (m,n) e (m, xn), respectivamente,ELSEVIER Captua 3: Otago secrets 267 bd < om VA, Thih.e) obit [o.bMt1 by s hd Tamar 2X thie Dabs + age away AL thee) oe ioanwsr “(Lads tb) Figura 3.47 Rede de dmensionamento de lates. As estruturas adequadas & decomposigao sao as seguinte + As restrigdes A,x+D,y Sb, sio restrigées complicadoras ¢ a resolugao do subproblema restrito a Ayx+Dyy Sb, é mais facil As restrigoes Ayx+D,y Sb, tém uma estrutura de bloco diagonal ¢ as restrigoes A,x+D,y Isso indica que o método de Dantzig-Wolfe ¢ a relaxagao lagrangiana esto relacionados. De- monstra-se que o valor étimo do problema dual ¢ igual ao valor étimo da relaxacdo linear do pro- blema mestre de Dantzig Wolfe, isto € w=Zpy- Heuristicas Heuristicas s4o métodos de resolugio de problemas de otimizacao discreta que nao garantem a obtengio de uma solucao factivel ou dtima. Nicholson (1971) propés uma definicao que expres- sa muito bem as caracteristicas de uma heuristica: € um procedimento para resolver problemas 75 Os mélodos de Benders e de relaxagio lagrangiana sio integrados no método de decomposicio cruzada para a resolucio do problema de dimensionamento de lotes (DLS) — (DL13}, ver Souza e Armentano (1991). A felaxagio lagrangiana é comumente Uilizada para obtencio de limitantes para o valor étimo de um problema: ver, por exemplo, em Campelio e Maculan (1987).270. Pesquisa Operacional ate por meio de um enfoque “intuitivo", em geral racional, no qual a estrutura do problema possa ser interpretada e explorada inteligentemente para se obter uma solugio razodvel. Para ilustrar essa definicio, considere o problema da mochila 0-1, cujo modelo € apresentado na Secio 3.4. Suponha que cada item j tem um valor p, e ocupa um volume a, da mochila com capacidade b. Uma forma adequada para usar a inforniagio de valor e volumeé dos itens consis- te em listar os tens em ordem nao crescente da razio p/a. isto é, 0 valor do item por unidade de volume. A selecao dos itens a serem inclufdos na mochila segue esta ordem. O item j da lista é selecionado se sua inclusio nio viola a capacidade da mochila; caso contrario, investiga-se a in- clusio do item j + 1, e assim por diante. A cada inclusio de um item, a capacidade da mochila € atualizada. O procedimento é finalizado até que todos os itens sejam selecionados ou até que nao caibam mais itens na mochila, Essa heuristica aplicada ao Exemplo 3.19 fornece uma solu- io com valor 674, enquanto o valor da solugio étima é 763. Outro exemplo de um método heuristico para um problema de planejamento da producto foi descrito na Secio 1.3. O crescimento do interesse por heuristicas ocorreu com o advento da teoria da complexida- de computacional, que mostrou e ainda tem mostrado que um grande néimero de problemas combinat6rios ¢ intratdvel, como destacado na Secio 3.7. A resolugao desses problemas comple- xos com niimero médio ou grande de variiveis e restrig6es por métodos dtimos é, em geral, invidvel computacionalmente. Varias sio as situagSes que podem tornar interessante a utiizagio de mé todos heuristicos na resolucio de um problema. Dentre estas, incluem-se: + Situagées em que um método de resolugio exato néo esta disponivel, ou esté disponivel mas exige um tempo computacional ou quantidade de meméria além dos recursos do compu- tador ou das necessidades da aplicagéo. Alguns exemplos ocorrem em problemas de pro- gramagio de produgio ¢ rotcamento dinamico de veiculos, em que é necessério encontrar ‘uma solugio razodvel em um perfodo de tempo muito curto, Nesses problemas, a ocorrénda de um evento requer uma decisio muito répida (por exemplo, da ordem de segundos), que, em geral, nio pode ser obtida por um método dtimo. + Siruagées em que pode nao valer a pena o esforco e/ou custo envolvidos na geracéo de uma solugio étima, uma vez que esta nao representara um ganho técnico ou econdmico relevan- te em relagio a uma solucio heuristca, Ou situagdes em que os dados do problema sao in- certos out pouco confiveis e a aplicagio de um método exato (deterministico) pode ser pouco vantajosa em relagio a um método heuristico, devido as incertezas envolvidas na solucio. + Situagées em que uma heuristica é utilizada em conjunto com um método exato. Por exem- plo, heuristicas sio usadas para gerar uma solucio inicial para o método branch-and-cut © também para gerar solugies nos nés da arvore, Uma vantagem de heuristicas em relagao aos métodos exatos refere-se 4 maior flexibilidade no tratamento das caracteristicas de um problema, Por exemplo, algumas caracteristicas de um pro- blema podem ser dificeis de incorporar em um modelo de otimizagao matemiatica. Além disso, as heuristicas podem oferecer mais de uma solucio, permitindo ampliar as possibilidades de de- cisdo, sobretudo quando existem fatores intangiveis que ndo podem ser facilmente incorporados ao modelo, mas que precisam ser considerados. Uma desvantagem das heuristicas, além de nao garantirem encontrar uma solugao factivel ou étima, é que em geral nao é possivel conhecer a qualidade da solugao obtida, ou seja, quo proxima essa solugdo esta da solucao étima, Existem diversos tipos de heuristicas, dentre os quais se destacam: (a) as heuristicas construti- vas; (b) as heuristicas de busca local; ¢ (0) as meta-heuristicas. + Heuristicas construtivas Este tipo de heuristica constréi uma solugao, factivel ou nao, adicionando, em cada passo, um elemento da solucéo, tal como o valor de uma varidvel ou um arco ou né em um grafo, Um exem-ELSEVIER Captua 3: Otmizag secrets 271 plo de heuristica construtiva é a heuréstica gulosa, que constréi a solucao visando, a cada passo, 0 maximo beneficio. A heurfstica para o problema da mochila 0-1 descrito anteriormente é um exemplo de heuristica gulosa, uma vez que, a cada passo, escolhe, dentre os itens ainda nao se- lecionados e que ainda cabem na mochila, aquele que tenha o maior valor por unidade de volu- me. No caso do problema do caixeiro-viajante, um exemplo de uma heurfstica gulosa consiste em escolher uma cidade aleatoriamente ou segundo algum critério deterministico e incorporé-la & rota. A partir dai, escolhe-se sucessivamente a cidade mais proxima da tiltima ja incorporada & rota (heuristica do vizinho mais préximo). Quando todas as cidades tiverem sido incorporadas, fecha-se a rota entre a primeira e a iltima cidades. * Heuristicas de busca local A partir de uma solugio inicial s, obtida, por exemplo, por uma heurfstica construtiva, asso- cia-se uma vizinhanga N de s. Cada solugao s’ da vizinhanga NG) é atingida a partir de s por uma ‘operagio chamada movimento, ¢ a solugao s’ 6 chamada de solugao vizinha. Seleciona-se uma so- lucao vizinha que seja melhor que a solucao corrente, e a busca prossegue iterativamente até que a vizinhanga nao contenha nenhuma solucio melhor que a solugio corrente, denominada dtimo local em rel ao & vizinhanga, ou até que algum outro critério de parada tenha sido satisfeito Considere um exemplo do problema da mochila 0-1 com cinco itens, ¢ uma solugao s defini- da pelo vetor (1,0,0,1,1), no qual 1 na posigio i, = 1, .. 5, indica que o item foi incluido na mochila, e 0 em caso contrario. Uma possibilidade € definir N(s) como todas as solugGes resul- tantes da operagao de troca de um dos itens na mochila por outro fora da mochila. Neste caso, NG) incluiria, por exemplo, a solugao s’ definida por (0,0,1,1,1), obtida pela operagao de toca do item 1 pelo item 3. Outra possibilidade de vizinhanga consiste em trocar até r itens na mochila por r itens fora da mochila. No problema do caixeiro-viajante, a vizinhanga k-opt de uma solu- ‘cao 5 € composta de todas as solugGes que diferem de s em exatamente & arestas. A troca de itens no problema da mochila 0-1 ¢ a troca de & arestas no problema do caixeiro-viajante correspondem aos tipos de movimentos que definem as vizinhangas nesses exemplos. Considere o exemplo a seguir de um caixeiro-viajante simétrico com distancia euclidiana entre 12 cidades, e movimentos 2-opt. As coordenadas de cada cidade so mostradas a seguir (Figura 3.48). x=[26 34 95 70 99 40 39 53 39 3 71 45] y=[38 31 S54 88 89 63 85 81 96 95 65 17] Iniciando pela cidade 1, a heuristica do vizinho mais préximo gera a rota | = 2- 12-6 -7—- 9-8-4-11-3-5- 10-1, com distancia 388,9 (Figura 3.48). Partindo-se desse ponto, usa- sea vizinhanca 2-opt, e a solucao vizinha com menor distancia € escolhida. A partir dessa solu- ao vizinha, busca-se outra solucao vizinha com distancia menor que a anterior, ¢ assim por diante. O método para quando nao existe um vizinho melhor. Para este exemplo, a busca local encontra trés solugoes, mostradas a seguir e ilustradas na Figura 3.48. Solugdo 1: 1-2-12-6~5-3-11-4-8-9-7-10-1 distancia: 372,5 Sohugdo 2: 1-2-12-6-11-8-5-4-8-9-7-10-1 distancia: 345,1 Sohugao 3: 1-2-12-6-11-3-5-4-8-7-9-10-1 distancia: 337,8 A solugao 3 corresponde a um minimo local, ¢ a solugio étima global é dada pela rota 1-2-12-11 5-4-8 -7-9- 10-6 - 1, com distancia 331,2. + Meta-heuristicas Sao téenicas que guiam e modificam heurfsticas de forma a produzir solugdes além daquelas geradas por heuristicas de busca local. Dentre as meta-heuristicas existentes, destacam-se: algo-272 Pesquisa Operacional aan feng Cidades Solugdo vizinho mais préximo Solugdo 1 Solugio 2 Solugio 3 Solugio étima ritmo genético, busca tabu, simulated annealing, scatter search, colonia de formigas e GRASP (greedy randomized adaplive search procedure). Cada uma dessas téenicas utiliza diferentes estratégias para a exploragio do espago de busca. A busca tabu, por exemplo, usa exploragio estratégica ¢ meméria flexivel para guiar a busca no cespaco de solugdes. Por meio da exploragao estratégica, determina-se uma direcao de busca ba- seada em propriedades da solucao corrente e da historia da busca, A memoria tem estruturas de curto ¢ longo prazo. A memeéria de curto prazo armazena atributos de solugées visitadas em pas- sado recente, ¢ estes sio utilizados para impedir que algumas solugbes sejam revisitadas, evitan- “Te Para dealhes destas meta-heuristicas, veja, por exemplo, Reeves (1998), Glover € Laguna (1997), Aarts eal (2987), Michalewicz (1906), Blum e Roli 2003) ¢ Resende e Ribeiro (2003). Algumasaplicagées de meta-heurstias podem ser encontradas em Almeida ‘al (2003), Alvatenga a al. (2000), Alvi al. (2004), Baia eal (1998), Chivoshi e Galvdo (2000), Ferrera Flho e Galo (1999), Franga ea (1999), Linhares eal (1999), Pures e Morabito 2006), Ravagnani tal (2005), Ribeiro Souza (2000) e Stern (1992).ELSEVIER Captua 3: Otago secrete 273 do, assim, ciclagem e direcionando a busca para outras regiées. A meméria de longo prazo con- tém uma historia seletiva das solugdes e seus atributos, e € usada para estimular a geracio de so- lugées com caracterfsticas presentes em solucées de boa qualidade (intensificagéo) e com caracteristicas pouco exploradas (diversificagao). Algoritmos genéticos si métodos populacionais baseados no processo biolgico de selegio natural c hereditariedade, ¢ envolvem uma evolugio de populacdes de solugdes convenientemente codifi- cadas, Uma populacao é wansformada em outra populacdo por trés mecanismos probabilisticos, denominados selecao, cruzamento (omsover) e mutagao. O papel da selecao consiste em escolher solugdes mais aptas de acordo com a qualidade (valor da fungao objetivo) ¢ a diversidade das so- Iugdes. O cruzamento envolve a troca de partes (informacio seletiva) entre solugées, visando gerar ‘uma nova popula¢ao com solugdes melhores. A mutacao envolve alteragdes estruturais nas solucies, em geral, com 0 objetivo de evitar uma convergéncia prematura do processo evolutivo. 3.12 NOTAS O texto abaixo tem por objetivo prover um contexto hist6rico e refeeréncias adicionais que sao re- levantes para algumas secoes. 3.3 Otimizacio discreta ou programacio inteira e combinatéria é apresentada, em nivel de gra- duagao, em uma ou duas segdes de livros de Pesquisa Operacional, tais como Hillier e Liberman (2004), Wagner (1986), Winston (2004), Rardin (1998), Murty (1995) ¢ Taha (2002). F tratada de forma mais detalhada em nivel mais avancado no livro da Nemhauser e Wolsey (1988). O livro mais recente (Wolsey, 1998) 6 adequado para o nivel de p6s-graduagio, enquanto um dos prime ros livros nesta 4rea (Garfinkel e Nemhauser, 1972) ainda é uma referéncia importante, 3.5.1 O livro editado por Toth e Vigo (2002) contém uma revisio de problemas de roteamento, métodos de resolucao de problemas especificos e aplicagoes, 3.5.2 Para uma revisio de localizacio de facilidades, veja Owen e Daskin (1998) e Klose e Drexl (2005). 3.6.1 Variantes do modelo de dimensionamento de lotes com restrigo de capacidade ¢ mé- todos de resolucao sao revistos por Karimi et al. (2003). Brahimi et al. (2006) fazem uma reviso abrangente de problemas de dimensionamento de lotes e a seguir focam em modelos € métodos de resolueao para o problema de dimensionamento de lotes de um tinico item. 3.6.2 Uma revisio de problemas de dimensionamento ¢ programacio de lotes é encontrada em Drexl e Kimms (1997). Veja também Meier (2000) para problemas com tempos de preparacio dependentes da seqiiéncia. 3.6.3 Baker (1974) e French (1982) so 0s livros basicos de programacao (scheduling) da pro- ducdo. Livros mais recentes so Morton e Pentico (1993) e Pinedo (1995). Blazewicz ef al. (1996) apresentam diversos algoritmos para problemas de programacio de sistemas de manufatura e de computacao. O livro de Pinedo (2005) tem escopo mais amplo e cobre programagao da produ- cao € de servigos. Blazewicz ef al. (1991) apresentam modelos matematicos alternativos para os problemas desta seco, bem como formulagées para outros problemas. O artigo de Lawler et al (1993) contém uma excelente revisio de problemas em programagao da producao, ¢ Anderson etal, (1997) abordam métodos de busca local aplicados a estes problemas. 3.8 A importancia de formulagoes em programacio inteira tornou-se aparente somente no fi- nal da década de 1970. O livro de Williams (1999) trata em profundidade e abrangéncia um t6- pico fundamental em otimizagao, que envolve a construgio de modelos matematicos, incluindo otimizacao disereta. 3.9 Desenvolvimentos recentes em sofiwares de programacio inteira, tais como CPLEX, XPRESS e LINDO tém melhorado a capacidade de resolver problemas de grande porte. Atamtiirk e Savelsbergh (2005) apresentam o estado da arte de componentes principais destes softwares € discutem as opgdes disponiveis aos usuarios para ajustar 0 desempenho destes, quando os ajus- tes padres (default) nao proporcionam um nivel de desempenho desejado.274 Pesquisa Operacional ate 3.9.1 O primeiro algoritmo de branch-and-bound foi apresentado por Land e Doig (1960). Neste algoritmo, uma varidvel com valor fracionario gera um mimero de nés correspondentes aos va- lores inteiros que a varidvel podia assumir. A dicotomia apresentada nesta seco foi proposta por Dakin (1965). O termo branch-and-bound foi introduzido por Little ¢t al. (1963), que apresentaram uma aplicacdo bem-sucedida para o problema do caixeiro-viajante. Para um estudo computacional de métodos de selecao de varidveis a serem ramificadas e escolha de nés, veja Linderoth € Savelsbergh (1999). Uma generalizagao promissora foi proposta por Achterberg ef al. (2005). 3.9.2 O algoritmo de plano de cortes apresentado nesta segao foi proposto por Gomory (1958) € ‘Gomory (1963). Neste tiltimo trabalho, o autor demonstra que a convergéncia de seu método ¢ finita se as linhas que geram cortes forem escolhidas de forma apropriada. A demonstragio de que qualquer desigualdade valida gerada pelo procedimento de Chvatal-Gomory € atribuida a Chvatal (1973). 3.9.3 O uso de planos de corte como ferramenta pratica para solugio de problemas genéri- cos de programacio inteira foi praticamente abandonada nos anos 60 ¢ 70. Nos anos 80, planos de corte foram utilizados somente no né raiz. da arvore branch-and-bound, gerando 0 método cul- and-branch. Aparentemente, 0 primeiro algoritmo de branch-and-cut foi proposto por Padberg € Rinaldi (1987) para resolver um problema do caixeiro-viajante com 532 cidades. Um sistema branch-and-cut € apresentado por Cordier et al. (1999). 3.10 O pré-processamento € extremamente importante para uma répida resolugao de proble- mas de programagao linear real ¢ inteira. A Proposigéo 3.3 foi apresentada por Brearley et al (1973). Técnicas de pré-processamento so abordadas por Savelsbergh (1994). 3.11 O método de decomposigao de Benders (1962) foi aplicado com sucesso por Geoffrion ¢ Graves (1974) para um sistema de distribuigéo de miiltiplos produtos. Costa (2005) prové uma revisio da aplicacao do método de Benders em diversos problemas de projeto de redes. O método de decomposigo em programacao linear, conhecido como método de Dantzig- Wolfe, foi proposto por Dantzig e Wolfe (1960). Gilmore e Gomory (1961, 1963) provavelmente foram os primeiros autores a usar a geracao de colunas para resolver o problema mestre relaxa- do derivado de um problema de programasao inteira, no caso, o problema de corte descrito na Secio 3.4, A demonstracao da igualdade entre o valor étimo do problema dual e o valor étimo da relaxagio linear do problema mestre de Dantzig: Wolle é atribuida a Geoflrion (1974). O pri- meiro trabalho de geragao de colunas em programacio inteira aborda o problema de roteamento de vefculos com janelas de tempo (Desrosiers et al., 1984), e desde entao o interesse por este mé- todo tem crescido, como mostra o livro editado por Desaulnicrs et al. (2008). A teoria de relaxagdo lagrangiana em programagio inteira foi proposta por Geoflrion (1974) € este enfoque tem sido extensivamente usado em métodos exatos ¢ heurfsticos para uma gran- de variedade de problemas de otimizacao combinatéria. Aparentemente, a primeira heurfstica de busca local foi proposta por Croes G.A. (1958), que introduziu o movimento 2-opt para o problema do caixeiro-viajante. Lin e Kernighan (1971) pro- puseram uma heuristica de busca local para 0 caixeiro-viajante bastante sofisticada para a épo- ca, com estratégias inovadoras em heuristicas, utilizando movimentos k-opt, k = 2, 3, 4. Em cada iteragdo, o algoritmo examina se uma mudanga de & para k +1 resulta em uma rota menor, co- nhecida hoje como busca em profundidade variavel. Quando o algoritmo nao acha nenhum movimento que melhore a solucao, ele € reiniciado de uma solucao aleat6ria. Outra caracteristi- ca importante do algoritmo consiste em fixar arestas que pertencem a alguns étimos locais. AL gumas referéncias para meta-heuristicas so Michalewicz (1996), Reeves (1997), Glover e Laguna (1997), Aarts et al. (1997), Martf etal. (2006) ¢ Resende e Ribeiro (2003). O livro editado por Aarts € Lenstra (1997) contém artigos sobre métodos de busca local e problemas de otimizagao combinat6ria. Ver Silver (2004) para uma revisto de métodos heuristicos e Blum (2003) para uma revisdo de meta-heuristicas.