Arlindo Adamo Eugénio

Guilherme Dos Santos Janeiro

Joaquina Martins

Tema: Relaxação Lagrangiana

Licenciatura em Gestão de Empresas e Recursos Humanos

3o Ano

UNIVERSIDADE ALBERTO CHIPANDE

Pemba, abril de 2022
 Arlindo Adamo Eugénio

Guilherme Dos Santos Janeiro

Joaquina Martins

Tema: Relaxação Lagrangiana

Licenciatura em Gestão de Empresas e Recursos Humanos

3o Ano

Trabalho a ser apresentado ao

Universidade Alberto
Chipande para faculdade de
ciências económicas, da
disciplina de Investigacao
Operacional.
Docente: Msc, Ticho Fernando

UNIVERSIDADE ALBERTO CHIPANDE

Pemba, abril de 2022
Índice:
Capítulo I....................................................................................................................................2

1. Introdução....................................................................................................................2

1.1. Objetivos do Trabalho.............................................................................................3

1.1.1. Objetivo geral......................................................................................................3

1.1.2. Objetivos específicos...........................................................................................3

Capítulo II .................................................................................................................................. 4

2. Relaxação Lagrangiana. .............................................................................................. 4

2.1. Lagrangeano............................................................................................................4

2.2. Relaxação Lagrangiana ........................................................................................... 5

2.3. Definição do Problema Lagrangeano......................................................................6

2.3.1. Método do Subgradiente ..................................................................................... 9

Capítulo III...............................................................................................................................11

3. Conclusão .................................................................................................................11

4. Referencias bibliográficas ........................................................................................12

Capítulo I

1. Introdução
No mundo moderno, cada vez mais as pessoas estão interessadas em encurtar distâncias para
ganhar tempo ou economizar recursos financeiros. Agindo desse modo, elas estão buscando
maneiras de otimizar a aplicação de seus recursos. Essa busca constante pelo melhor
desempenho, teve início no final da década de 30 e início da década de 40 do século XX, com
a situação de guerra e competição em que viviam e o forte desenvolvimento industrial. Nessa
época, a gestão dos recursos impunha que utilizassem técnicas sofisticadas de otimização que
acabaram por, de uma forma ou de outra, cair no âmbito da matemática

O Presente trabalho que tem como tema Relaxação Lagrangiana. que tem como Objetivo
Desenvolver os aspetos baseados na relaxação lagrangiana. O desenvolvimento deste tema
torna-se pertinente devido a grande necessidade de enxergar que os problemas de programação
linear inteira, ao invés de minimizarmos a função objetivo diretamente sobre o conjunto viável
original, poderá ser mais interessante o particionamento desta região em um número finito de
regiões menores.

2
1.1. Objetivos do Trabalho
1.1.1. Objetivo geral

 Desenvolver os aspetos baseados na relaxação lagrangiana.

1.1.2. Objetivos específicos

 Compreender a relaxação lagrangiana;

 identificar as formas de resolução de problemas existentes;
 apontar as limitações da lagrange.

3
Capítulo II
2. Relaxação Lagrangiana.
2.1. Lagrangeano.

Segundo Carter (2001), Estabelecemos que a condição necessária de primeira ordem para um
ótimo restrito é que a derivada da função objetivo seja uma combinação linear das derivadas
das restrições.

Isso pode ser expresso alternativamente como

que é a condição necessária para um valor estacionário da função

L (x,𝜆) é chamado de Lagrangeano e 𝜆 = ( 𝜆1, 𝜆2, . . . 𝜆m) o Lagrange multiplicadores.

O Lagrangeano é construído tomando uma combinação linear (ponderada média) da função

objetivo 𝑓 e as restrições gj . Estacionaridade de o Lagrangeano é necessário, mas não
suficiente para uma solução do problema de otimização tensa. O conjunto de pontos
estacionários do Lagrangeano contém todos os máximos locais (e mínimos) de 𝑓 na via viável
set G = {x 𝜖 X : g (x) = 0}, mas também pode conter outros pontos. De outras condições são
necessárias para distinguir máximos de mínimos e outros pontos críticos do Lagrangeano.
(Carter, 2001)

4
 2.2. Relaxação Lagrangiana

Segundo Fisher (1994), Considere z*, o valor da solução ótima do problema original ( Po ).
Dualizando-se as restrições Bx≤d e associando a elas um vetor de multilicadores 𝜆≥O, teremos
o seguinte problema relaxado (ou lagrangeano):

onde as componente 𝜆 ∈ 𝑅‘+ são denominadas multiplicadores de Lagrange. Note neste caso
que M{} c R{} = {x ∈{0,1}π / AX ≤ b} e W0 (x,𝜆) ≤ z* qualquer que seja 𝜆≥0 (Geoffrion, 1974).

Dizemos que a relaxação lagrangeana (Po') possui a propriedade de integralidade, se a solução

de (Po') (para todos os multiplicadores de Lagrange 𝜆), permanece inalterada após a troca das
restrições de integralidade x ∈ {0,1}π por x ∈ [0,1]π.

Isto significa que o maior limite inferior obtido após a solução de ( Po') é igual ao valor da
relaxação linear associada ao problema original. Caso contrário, se a relaxação lagrangeana
não tem a propriedade de integralidade, o maior limite inferior obtido para ( Po') é maior ou
igual ao valor da relaxação linear associada ao problema original.

Idealmente, desejamos encontrar o melhor limite inferior possível. Para isto, resolvemos o
seguinte problema dual lagrangeano:

É bem conhecido que wo é uma função côncava (afim por partes), mas não necessariamente
diferenciável em todos os pontos do domínio. Além disso, L*0≤ z*. O valor ótimo em Do
(obtido para 𝜆 = 𝜆* ) nos dará o maior limite inferior possível. Esses multiplicadores podem
ser gerados utilizando-se, por exemplo, o método subgradiente com convergência demonstrada
por Held, Crowder e Wolfe (1974). Dados multiplicadores 𝜆, devemos encontrar uma direção
de "subida" buscando a maximização de w(x,𝜆) (Geoffrion, 1974).

5
A Relaxação Lagrangeana foi e tem sido aplicada na resolução de um amplo número de
Problemas de Otimização Combinatória.

Segundo Guignard (2003), a aplicação da Relaxação Lagrangena na resolução de vários

problemas como, por exemplo, o do Caixeiro Viajante, o de Localização, o de Recobrimento
e Particionamento de Conjuntos, o de Atribuição Generalizado e o de Roteamento.

Segundo Held & Karp (1971), um método Lagrangeano para resolver o Problema do Caixeiro
Viajante, foram precursores no uso deste método. deu ao mesmo o nome de Relaxação
Lagrangeana. O procedimento para a obtenção do Problema Lagrangeano, para um Problema
de Programação Inteira, é apresentado a seguir:

2.3. Definição do Problema Lagrangeano

Considere o seguinte Problema de Programação Linear Inteira (P):

Suponha que (P) é um problema difícil de se resolver devido ao conjunto de restrições (2.7),
de forma que se esse conjunto for removido, o problema resultante se torna de fácil resolução.
Isto pode ser feito associando um multiplicador de Lagrange λ i ≥ 0 a cada uma das m restrições
do tipo (2.7), retirando-as do conjunto de restrições e acrescentando-as à função objetivo (2.6),
por meio de seu produto pelo vetor de multiplicadores. Dessa forma obtemos a seguinte
Problema Lagrangeano (P RL):

6
Como no caso descrito acima as restrições relaxadas são do tipo menor ou igual, os
multiplicadores de Lagrange associados a estas são, então, definidos como valores reais não-
negativos (λ i ≥ 0, i = 1, 2, . . . , m). Caso as restrições fossem de igualdade, os multiplicadores
de Lagrange seriam definidos como reais e irrestritos em sinal e, como reais não-positivos em
caso de restrições do tipo maior ou igual.

Considerando x∗ = [x∗1 , x∗2 , . . . , x∗n ]T uma solução viável de (P), observa-se que x∗ é
também viável para o Problema Lagrangeano e que ∑ 𝑛𝑗=1 𝑎𝑖𝑗𝑥∗j − bi ≤ 0, ∀ i = 1, 2, . . . , m .

Assim, para qualquer valor para λi ≥ 0, ∀ i = 1, 2, . . . , m, temos que

Portanto, o valor da Função Lagrangeana (Z λ ) define um limite inferior para o valor da solução
do problema original (Z).

7
Note que para cada vetor de multiplicadores λ há um problema (P RL) associado, o qual o valor
da sua solução (Z λ ) fornece um limitante inferior para o valor da solução do problema (P).
A importância da Relaxação Lagrangeana nesse sentido é determinar o vetor de multiplicadores
de Lagrange que gere um limitante inferior mais próximo possível do valor da solução de (P).

Para determinar o vetor de multiplicadores de Lagrange que gera o limite inferior mais próximo
do valor da solução de (P), é necessário resolver o Problema Dual Lagrangeano (P DL), que
por definição, é dado por:

Zd = maxλ≥0 {min Zλ } (PDL)

O PDL é um problema no espaço dual dos multiplicadores de Lagrange, considerando que P

RL é um problema em x.

A literatura apresenta alguns métodos para a resolução do Problema Dual Lagrangeano, dentre
os quais destacam-se o Método do Subgradiente proposto por Held (1974), o Método de Feixes
proposto por Lemarechal (1974), e o Método do Volume proposto por Barahona & Anibal
(2000).

Segundo Held (1974), O Método do Subgradiente, aqui é tratado somente como Método do
Subgradiente, consiste na resolução iterativa de Problemas Lagrangeanos, onde os
multiplicadores de Lagrange são atualizados buscando a melhora do limite Lagrangeano. O
Método de Feixes e o Método do Volume são extensões do Método do Subgradiente.

Segundo Lemarechal (1974), No Método de Feixes, são utilizadas informações passadas para
prover uma melhor aproximação da Função Lagrangeana.

Segundo Barahona & Anibal (2000), O Método do Volume, quando lidando com variáveis
duais, é semelhante ao Método do Subgradiente, mas apresenta uma nova forma de lidar com
as variáveis primais. Tal método tenta estimar o volume abaixo das facetas ativas em uma
solução dual, onde este volume provê a solução primal.

Segundo Fisher (1994), Por funcionar bem para muitos problemas práticos, o método utilizado
para a resolução do Problema Dual Lagrangeano foi baseado no Método do Subgradiente
proposto por Held.

8
 2.3.1. Método do Subgradiente

O Método do Subgradiente, proposto por Held (1974), é um método iterativo no qual, em uma
iteração k, dado o corrente vetor de multiplicadores de Lagrange λk , um passo é dado em
direção a um subgradiente da Função Lagrangeana.

Partindo de um vetor de multiplicadores de Lagrange inicial arbitrário (λ0 ), os multiplicadores,

a cada iteração, são atualizados pela expressão:

onde Θk é o tamanho do passo (escalar positivo) e gik , i = 1, 2, . . . , m, são os subgradientes da

Função Lagrangeana.

Os subgradientes, na k-ésima iteração, são calculados da seguinte forma:

Segundo Florentino (1990), a dificuldade dos métodos que utilizam (2.13) decorre do fato de
que o subgradiente gk nem sempre é uma direção de subida, o que faz com que a taxa de
convergência de tais algoritmos esteja estritamente ligada à determinação do tamanho do passo
na direção do subgradiente gk .

De acordo com Held (1974), alguns resultados teóricos relataram que uma escolha apropriada
do tamanho do passo é importante para a convergência do método.

As propriedades de convergência do Método do Subgradiente são descritas por este autor e o

resultado teórico fundamental com relação ao passo é que Zλ → Zd se:

9
Dentre as propostas encontradas na literatura que relatam a forma como é calculado o tamanho
do passo, com o objetivo de tentar obter uma taxa de convergência mais rápida, a mais utilizada
na prática é:

onde α é um parâmetro com valor tal que 0 < α ≤ 2, Zub é um limite superior para o valor da
solução de (P), Zλ é o valor da atual solução de (PRL) e

Lucena (2005), afirma que uma dada heurística deve estar disponível para gerar soluções
viáveis para o Problema de Programação Linear Inteira (P). O objetivo desta heurística é definir
bons limites superiores (Zub ) para serem utilizados no Método do Subgradiente.

10
Capítulo III
3. Conclusão
Chegando ao fim do do trabalho podemos afirmar que Trabalhamos na construção de um
método exato, combinando, relaxação lagrangeana com a geração de desigualdades válidas na
determinação de limites inferiores para o problema de roteamento. Utilizamos uma abordagem,
onde a solução de cada problema relaxado se resume na obtenção de K-árvores mínimas com
um número fixo de arestas incidentes ao depósito.

11
4. Referencias bibliográficas
Carter, M. (2001), Foundations of mathematical economics. ISBN

Geoffrion, A. M. (1974), Lagrangean relaxation for integer programming; Math. Progr. Study

Fisher, M. (1994), Optimal solution of vehicle routing problems using minimum k- trees";
Operations Research.

Held M., Crowder H., Wolfe P., (1974), Validation of subgradient optimization; Mathematical
Programming.

Guignard, M. (2003), Lagrangean Relaxation. TOP, v. 11, n. 2.

Held, M.; Karp, R. M. (1971) The travelling salesman problem and minimum spanning trees.
Mathematical Programming, v. 1.

Florentino, H. O. (1990), Relaxação Lagrangeana em Programação Inteira. Master’s thesis,

ICMC - USP.

12