Un modello di ottimizzazione ha obiettivo e vincoli lineari; alcune variabili sono binarie, alcune intere e altre continue. A quale classe appartiene?
MILP (programmazione lineare intera mista)
LP (programmazione lineare)
ILP (programmazione lineare intera)
BIP (programmazione lineare binaria)
Spiegazione. Sono i domini a distinguere le classi: tutte continue è LP, tutte intere ILP, tutte binarie BIP; un modello con variabili intere (o binarie) e continue insieme è un MILP.
Problema di **massimo**. $\zmilp$ è l'ottimo del MILP, $\zlp$ quello del rilassamento lineare con le sole $x \ge 0$, $\zlpp$ quello con anche $x \le 1$, $\zdual$ l'ottimo del duale del rilassamento. $\bar x$ è ammissibile per il MILP, $\bar\pi$ per il duale. Quale catena è corretta?
Spiegazione. In un massimo la soluzione ammissibile dà il lato pessimistico (un lower bound) e il duale sta dalla parte del rilassamento (un upper bound); aggiungere $x \le 1$ restringe il rilassamento e in un massimo non può alzarlo: $\zlpp \le \zlp$.
Problema $\max\ x_1 + x_2$ con $2x_1 + 2x_2 \le 3$ e $x_1, x_2 \in \{0,1\}$. Il rilassamento lineare (binarie sostituite da $0 \le x \le 1$) ha fra le soluzioni ottime $(3/4, 3/4)$. Che cosa si ottiene arrotondando per eccesso quel punto?
$(1,0)$, che è l'ottimo intero
$(0,0)$, ammissibile di valore $0$
$(1,1)$, che è l'ottimo intero
$(1,1)$, che viola il vincolo
Spiegazione. Per eccesso si ottiene $(1,1)$ e $2+2 = 4 > 3$: non è ammissibile. L'arrotondamento può produrre punti non ammissibili, e quando ne produce di ammissibili non c'è garanzia sul loro valore.
In un modello di orario, $x_i \in \{0,1\}$ vale $1$ se il lavoro $i$ viene programmato e $I$ è l'insieme dei lavori che occupano una stessa fascia oraria. La frase «al più un lavoro per fascia» è un vincolo di quale tipo?
Set covering: $\sum_{i \in I} x_i \ge 1$
Set packing: $\sum_{i \in I} x_i \le 1$
Set covering: $\sum_{i \in I} x_i \le |I| - 1$
Set partitioning: $\sum_{i \in I} x_i = 1$
Spiegazione. «Al più uno» è un set packing ($\le 1$); «esattamente uno» è un partitioning ($= 1$), «almeno uno» un covering ($\ge 1$).
In un modello di copertura $x_j \in \{0,1\}$ vale $1$ se il presidio $j$ è attivo e $S_i$ è l'insieme dei presidi che coprono la zona $i$. Il vincolo «la zona $i$ è coperta» è $\sum_{j \in S_i} x_j \ge 1$. Di quale espressione logica è la traduzione diretta?
Una clausola OR fra le negazioni $\lnot x_j$, $j \in S_i$
Una clausola OR fra i letterali $x_j$, $j \in S_i$
Una congiunzione AND fra i letterali $x_j$, $j \in S_i$
Un'implicazione $x_j \Rightarrow x_k$ per ogni coppia $j, k \in S_i$
Spiegazione. Il covering chiede che almeno uno dei letterali sia vero: è la clausola $\bigvee_{j \in S_i} x_j$ scritta come somma $\ge 1$. L'OR delle negazioni direbbe «almeno un presidio spento».
In un problema di minimo si conoscono soltanto $\ub = 10$ (valore di una soluzione ammissibile trovata da un'euristica) e $\lb = 7$ (valore di una soluzione duale ammissibile). Il divario certificato è $(\ub - \lb)/|\ub|$. Quanto vale?
$42{,}9\%$
$70\%$
$30\%$
$0\%$
Spiegazione. $(10 - 7)/10 = 30\%$. Garantisce che l'ottimo stia fra $7$ e $10$, non che sia vicino a uno dei due estremi; $42{,}9\%$ si ottiene dividendo per $\lb$ invece che per $\ub$.
MILP con variabili binarie, problema di **minimo**. $\zlp$ è l'ottimo del rilassamento con le sole $x \ge 0$, $\zlpp$ quello con anche $x \le 1$, $\zmilp$ l'ottimo intero. Quale relazione vale sempre?
$\zlp = \zlpp \le \zmilp$
$\zlpp \le \zlp \le \zmilp$
$\zlp \le \zlpp \le \zmilp$
$\zmilp \le \zlpp \le \zlp$
Spiegazione. Ogni rilassamento allarga l'insieme ammissibile, e quello senza $x \le 1$ lo allarga di più: in un minimo il valore può solo scendere, quindi $\zlp \le \zlpp \le \zmilp$. L'uguaglianza fra i due rilassamenti vale solo in casi particolari.
MILP con binarie $x$. $\zlp$ è il rilassamento con le sole $x \ge 0$, $\zlpp$ quello con anche $x \le 1$. Quando i due coincidono di sicuro?
Quando il MILP ha un'unica soluzione ottima intera
Quando gli altri vincoli implicano già $x \le 1$, come $\sum_m x_{jm} = 1$
Quando il problema è di massimo e i profitti sono positivi
Quando tutte le variabili hanno costo positivo nell'obiettivo
Spiegazione. Il secondo rilassamento aggiunge i vincoli $x \le 1$; se sono già implicati, per esempio da un vincolo di assegnamento con $x \ge 0$, aggiungerli non cambia l'insieme ammissibile.
MILP di **minimo**, con $\zlp$ l'ottimo del suo rilassamento lineare e $\zmilp$ l'ottimo intero. Quale enunciato sulle soluzioni ammissibili del duale del rilassamento è corretto?
Ognuna vale almeno $\zmilp$: è un upper bound sull'ottimo intero
Se il rilassamento ha ottimo finito, il duale ottimo vale $\zmilp$
Ognuna dà un bound su $\zmilp$ solo se è ottima per il duale
Ognuna vale al più $\zlp$, quindi al più $\zmilp$: è un lower bound
Spiegazione. Per dualità debole ogni soluzione duale ammissibile vale al più $\zlp$, e $\zlp \le \zmilp$: è un lower bound, ottimistico come il rilassamento. Il bound pessimistico viene solo da una soluzione ammissibile del MILP.
Un **bound primale** è il valore di una soluzione usato per limitare l'ottimo intero $\zmilp$. Quale enunciato è corretto?
In un massimo, il valore di ogni soluzione ammissibile e intera è un lower bound di $\zmilp$
In un massimo, il valore di ogni soluzione ammissibile e intera è un upper bound di $\zmilp$
Una soluzione che soddisfa i vincoli lineari con una componente frazionaria dà un bound primale
La soluzione ottima del rilassamento lineare dà sempre un bound primale
Spiegazione. Un bound primale viene da una soluzione ammissibile del MILP, interezza compresa: in un massimo vale al più l'ottimo, quindi è un lower bound. Una soluzione frazionaria è ammissibile solo per il rilassamento.
MILP di minimo con insieme ammissibile $X$ e rilassamento lineare con insieme ammissibile $\hat X$ (stesso obiettivo). Per dimostrare $\zlp \le \zmilp$, che cosa serve?
Che $X \subseteq \hat X$: ogni soluzione del MILP è ammissibile per il rilassamento
Che la matrice dei vincoli sia totalmente unimodulare
La dualità forte fra il MILP e il duale del suo rilassamento
Che il rilassamento abbia almeno una soluzione ottima intera
Spiegazione. Il rilassamento ottimizza lo stesso obiettivo su un insieme più grande, $X \subseteq \hat X$: il minimo su un insieme più grande non può essere più alto. Non serve altro; le altre ipotesi servirebbero a dimostrare l'uguaglianza.
Problema di minimo con ottimo intero $\zmilp$. Per affermare $7 \le \zmilp \le 10$ senza risolvere il MILP, che cosa basta?
Una soluzione ammissibile e intera di valore $10$ e una soluzione ammissibile del duale del rilassamento di valore $7$
Una soluzione anche frazionaria che soddisfa i vincoli lineari, di valore $10$, e un duale ammissibile di valore $7$
Una soluzione duale di valore $7$ in scarti complementari con una soluzione intera di valore $10$
Una soluzione ottima del duale del rilassamento di valore $7$ e la dualità forte fra MILP e duale
Spiegazione. Il lato pessimistico viene da una soluzione ammissibile del MILP, interezza compresa; il lato ottimistico da una qualunque soluzione duale ammissibile, grazie alla dualità debole, che vale senza altre ipotesi.
Problema di minimo: un'euristica trova una soluzione di valore $\ub = 22$ e il solver certifica l'ottimo $\zmilp = 20$. Il gap dell'euristica è $|\ub - \zmilp| / |\zmilp|$. Quanto vale?
$2\%$
$9{,}1\%$
$10\%$
$110\%$
Spiegazione. $|22 - 20| / 20 = 2/20 = 10\%$. Dividendo per $\ub$ si otterrebbe $9{,}1\%$, che è un'altra misura; $2$ è la differenza assoluta, non il gap relativo.
Ogni lavoro $i \in I$ va assegnato a **esattamente una** delle macchine $m \in \{1, \dots, k\}$, con $x_{im} \in \{0,1\}$ uguale a $1$ se $i$ va su $m$. Quale famiglia di vincoli lo esprime?
$\sum_{m=1}^{k} x_{im} \le 1$ per ogni $i \in I$ (set packing)
$\sum_{i \in I} x_{im} = 1$ per ogni macchina $m$ (set partitioning)
$\sum_{m=1}^{k} x_{im} = 1$ per ogni $i \in I$ (set partitioning)
$\sum_{m=1}^{k} x_{im} \ge 1$ per ogni $i \in I$ (set covering)
Spiegazione. «Esattamente una macchina per lavoro» è un partitioning sulle righe dei lavori: la somma su $m$ vale $1$ per ogni $i$. Sommare su $i$ direbbe invece «esattamente un lavoro per macchina».
Durante il branch-and-bound di un problema di **massimo**, il solver conosce la migliore soluzione intera trovata, di valore $40$, e un bound ottenuto dai rilassamenti, di valore $46$. Che cosa si può dire dell'ottimo $\zmilp$?
$\zmilp = 46$, perché è il valore del rilassamento
$\zmilp = 40$, perché la soluzione è intera
$40 \le \zmilp$ soltanto: il bound dei rilassamenti non vale finché non si chiude
$40 \le \zmilp \le 46$
Spiegazione. In un massimo la soluzione intera è il lato pessimistico ($\lb = 40$) e il bound dei rilassamenti il lato ottimistico ($\ub = 46$). Il solver lavora per stringere l'intervallo, e si ferma quando i due lati coincidono entro la tolleranza.
Si risolve il rilassamento lineare di un MILP e se ne arrotondano le variabili intere all'intero più vicino. Quale enunciato è corretto?
Il punto arrotondato dista dall'ottimo intero al più quanto il rilassamento
Il punto arrotondato è ottimo quando il rilassamento ha un'unica soluzione ottima
Il punto arrotondato può essere inammissibile, e se è ammissibile il suo valore non ha garanzie di vicinanza all'ottimo
Il punto arrotondato è sempre ammissibile, ma può non essere ottimo
Spiegazione. Arrotondare può violare i vincoli (come $(3/4, 3/4) \to (1,1)$ su $2x_1 + 2x_2 \le 3$), e anche quando produce un punto ammissibile non dice nulla sulla sua qualità: per questo servono euristiche verificate e bound.
Zaino binario: $\max \sum_j p_j x_j$ con $\sum_j w_j x_j \le c$ e $x_j \in \{0,1\}$, dove $p_j$ è il valore e $w_j$ il peso dell'oggetto $j$, $c$ la capacità. Quali sono i dati e quali le variabili?
Dati $w_j$, $c$; variabili $x_j$ e $p_j$
Dati $p_j$, $w_j$, $c$; variabili $x_j$
Dati $p_j$, $w_j$; variabili $x_j$ e $c$
Dati $x_j$; variabili $p_j$, $w_j$, $c$
Spiegazione. I dati sono i numeri noti prima di decidere (valori, pesi, capacità); le variabili sono ciò che il decisore controlla, qui quali oggetti prendere.
Problema di minimo risolto con Gurobi. La soluzione intera migliore vale `ObjVal` $= 50$ e il bound duale vale `ObjBound` $= 46$. Il gap riportato è `MIPGap` $= |\text{ObjVal} - \text{ObjBound}| / |\text{ObjVal}|$. Quanto vale?
$8\%$
$92\%$
$8{,}7\%$
$4\%$
Spiegazione. $|50 - 46| / 50 = 4/50 = 8\%$. Dividere per il bound dà $8{,}7\%$; $4$ è il divario assoluto, non relativo; $92\%$ è il rapporto $46/50$.
Un modello di ottimizzazione lineare ha due famiglie di variabili: $x_j \ge 0$ continue (quantità prodotte) e $y_j \in \{0,1\}$ (impianto $j$ aperto o no). Tutti i vincoli e l'obiettivo sono lineari. A quale classe appartiene?
BIP, perché il modello contiene variabili binarie
ILP, perché basta una variabile intera per renderlo intero
LP, perché obiettivo e vincoli sono tutti lineari
MILP, perché alcune variabili sono intere (binarie) e altre continue
Spiegazione. La classe la decidono i domini: tutte continue LP, tutte intere ILP, tutte binarie BIP, un misto MILP. Qui convivono continue e binarie, quindi MILP; la linearità di obiettivo e vincoli è comune a tutte e quattro le classi.
In un modello di programmazione lineare intera si vuole esprimere «ogni lavoro va su esattamente una macchina», «la macchina $m$ non lavora più di $a_m$ ore» e «servono almeno $12$ unità». Che tipo di vincolo lineare corrisponde, nell'ordine, a ciascuna richiesta?
Verso $\ge$, verso $\le$, uguaglianza
Uguaglianza, verso $\ge$, verso $\le$
Verso $\le$, uguaglianza, verso $\ge$
Uguaglianza, verso $\le$, verso $\ge$
Spiegazione. Un'assegnazione esatta è un'uguaglianza, una capacità da rispettare un vincolo di verso $\le$, una richiesta da soddisfare un vincolo di verso $\ge$.
Problema $\max\ x_1 + x_2$ con $2x_1 + 2x_2 \le 3$ e $x_1, x_2 \in \{0,1\}$. Il rilassamento lineare (binarie sostituite da $0 \le x \le 1$) restituisce $(3/4, 3/4)$. Che cosa danno l'arrotondamento per eccesso e quello per difetto di questo punto?
Per eccesso $(1,1)$, ammissibile di valore $2$; per difetto $(0,0)$, di valore $0$
Per eccesso $(1,0)$, l'ottimo intero; per difetto $(0,0)$, di valore $0$
Per eccesso $(1,1)$, non ammissibile; per difetto $(0,0)$, ammissibile di valore $0$
Per eccesso $(1,1)$, non ammissibile; per difetto $(1,0)$, l'ottimo intero
Spiegazione. $(1,1)$ dà $2 + 2 = 4 > 3$ e viola il vincolo; $(0,0)$ è ammissibile ma vale $0$, mentre l'ottimo intero vale $1$. Da questo punto nessuno dei due versi trova l'ottimo.
Problema $\max\ x_1 + x_2$ con $2x_1 + 2x_2 \le 3$, $x \in \{0,1\}^2$: $\zlpp = 3/2$ (rilassamento con $0 \le x \le 1$) e $\zmilp = 1$ (ottimo intero). Uno studente conclude: «il divario $1/2$ è colpa dell'arrotondamento; con un arrotondamento più furbo lo si chiude». Quale osservazione smonta la conclusione?
Il divario sparisce se si usa il rilassamento senza bound, cioè con le sole $x \ge 0$
L'arrotondamento per difetto chiude sempre il divario nei problemi di massimo con vincoli $\le$
Nessun punto intero ammissibile vale più di $1$: il divario è fra i due problemi, non dipende da come si arrotonda
Il divario è $1/2$ solo perché il solver ha restituito $(1/2, 1)$ invece di $(3/4, 3/4)$
Spiegazione. $\zmilp = 1$ è il valore massimo sui punti interi ammissibili: nessun arrotondamento, per quanto furbo, può superarlo, quindi $3/2 - 1$ è un salto fra rilassamento e problema intero. Il rilassamento senza bound non è più stretto (vale almeno $3/2$), e tutti i punti del segmento ottimo hanno lo stesso valore.
Problema di **minimo** con $\ub > 0$ valore di una soluzione intera ammissibile e $\lb$ valore di una soluzione ammissibile del duale del rilassamento. Il divario certificato è $(\ub - \lb)/\ub$. Che cosa garantisce un divario del $5\%$?
Che l'ottimo intero sta in $[\lb, \ub]$, quindi la soluzione dista al più il $5\%$ di $\ub$ dall'ottimo
Che l'ottimo intero è al più il $5\%$ sotto $\lb$
Che l'ottimo intero coincide con il punto medio fra $\lb$ e $\ub$
Che l'ottimo intero è più vicino a $\ub$ che a $\lb$
Spiegazione. I due bound racchiudono l'ottimo: $\lb \le \zmilp \le \ub$. Quindi $\ub - \zmilp \le \ub - \lb = 0{,}05\,\ub$. Dove stia l'ottimo dentro l'intervallo non si sa: il divario garantisce l'intervallo, non la vicinanza a un estremo.
Clausola logica $x_1 \lor x_2 \lor x_3$ con $x_j \in \{0,1\}$ ($1$ = vero). Quale dei tre pattern classici — set partitioning ($\sum x = 1$), set packing ($\sum x \le 1$), set covering ($\sum x \ge 1$) — ne è la traduzione diretta?
Nessuno: una OR richiede un vincolo per ogni coppia di variabili
Set covering: $x_1 + x_2 + x_3 \ge 1$
Set packing: $x_1 + x_2 + x_3 \le 1$
Set partitioning: $x_1 + x_2 + x_3 = 1$
Spiegazione. La OR è vera quando almeno un letterale è vero: è esattamente «almeno uno», il covering. Il partitioning imporrebbe esattamente uno (escludendo due veri), il packing al più uno.
Durante la soluzione di un MILP di **minimo**, il solver conosce la migliore soluzione intera trovata (valore $80$) e, per una parte dello spazio di ricerca, un bound dal rilassamento pari a $83$. Che cosa può fare con quella parte?
Scartarla solo se il bound fosse inferiore a $80$
Nulla: un bound del rilassamento non permette di scartare soluzioni intere
Scartarla senza esplorarla: nessuna sua soluzione può valere meno di $83 > 80$
Esplorarla per prima, perché il suo bound è il più alto
Spiegazione. In un minimo il rilassamento dà un bound ottimistico: in quella parte nessuna soluzione scende sotto $83$, peggio della soluzione da battere ($80$), quindi la parte si scarta.
Due formulazioni dello stesso MILP di **massimo**, con gli stessi punti interi: il rilassamento della prima vale $120$, quello della seconda $104$; l'ottimo intero è $100$. Che cosa ci si aspetta dal solver?
Con la seconda l'ottimo intero può risultare diverso da $100$
Con la prima il solver chiude prima, perché il suo bound è più alto
Nessuna differenza: il solver lavora sui punti interi, che sono gli stessi
Con la seconda il bound duale parte più vicino all'ottimo, quindi resta in genere meno spazio da esplorare
Spiegazione. Il bound duale viene dal rilassamento: più è vicino all'ottimo intero (formulazione più stretta), meno lavoro resta per chiudere il gap. L'ottimo intero è lo stesso perché i punti interi sono gli stessi.
Problema di minimo: un'euristica dà $\ub = 0$ e un duale costruito a mano dà $\lb = -4$. Come si riporta il divario fra i due bound, secondo la convenzione del corso?
Come $(\ub - \lb)/|\lb| = 100\%$
Come divario infinito, quindi i bound non servono
Con la differenza assoluta $\ub - \lb = 4$, perché il denominatore $|\ub|$ è nullo
Come $0\%$, perché $\ub = 0$
Spiegazione. Il gap relativo divide per $|\ub|$; se è nullo non si scrive e si riporta la differenza assoluta, qui $0 - (-4) = 4$.
Modello di orario: $x_i \in \{0,1\}$ vale $1$ se il lavoro $i$ è programmato, $I_f$ è l'insieme dei lavori che occupano la fascia $f$. Si scrive $\sum_{i \in I_f} x_i = 1$ per ogni fascia, ma il testo chiede soltanto che in una fascia non ci siano due lavori. Che cosa succede?
Il modello diventa un covering, che è la scelta corretta per gli orari
Il modello è troppo restrittivo: obbliga a riempire ogni fascia e può diventare inammissibile o perdere l'ottimo; serviva il packing $\le 1$
Il modello è troppo largo: ammette due lavori nella stessa fascia
Nulla: uguaglianza e $\le 1$ sono equivalenti con variabili binarie
Spiegazione. «Non due lavori» è al più uno, un packing. L'uguaglianza aggiunge «almeno uno», che il testo non chiede: taglia soluzioni ammissibili (fasce vuote), quindi può peggiorare l'ottimo o rendere il modello inammissibile.
MILP di **massimo** con variabili binarie: $\zmilp$ ottimo intero, $\zlpp$ rilassamento con $0 \le x \le 1$, $\zlp$ rilassamento con le sole $x \ge 0$, $\zdual$ ottimo del duale di quest'ultimo, $\ub(\bar\pi)$ valore di una qualsiasi soluzione duale ammissibile. Quale catena è corretta?
Spiegazione. Togliere vincoli in un massimo non abbassa l'ottimo: $\zmilp \le \zlpp \le \zlp$. Per dualità forte $\zlp = \zdual$, e il duale è di minimo, quindi ogni sua soluzione ammissibile vale almeno $\zdual$.
Modello: $\max 5y_1 + 4y_2 + 6y_3$ con $y_1 + y_2 + y_3 \le 2$, $y_1 + y_3 \ge 1$, $y_k \in \{0,1\}$ ($y_k = 1$ se il progetto $k$ si finanzia). Che cosa esprime il vincolo $y_1 + y_3 \ge 1$, e qual è la classe del modello?
Almeno uno fra i progetti 1 e 3; MILP
Al più uno fra i progetti 1 e 3; BIP
Almeno uno fra i progetti 1 e 3; BIP
Esattamente uno fra i progetti 1 e 3; ILP
Spiegazione. Un vincolo $\ge 1$ su binarie è un covering («almeno uno»). Tutte le variabili sono binarie, quindi il modello è un BIP (caso particolare di ILP, ma la classe più precisa è BIP).
Problema $\max x_1 + x_2$ con $2x_1 + 2x_2 \le 3$, $x \in \{0,1\}^2$. Il rilassamento con $0 \le x \le 1$ ha infinite soluzioni ottime, fra cui $(1, 1/2)$. Che cosa dà l'arrotondamento per difetto di $(1, 1/2)$?
$(1, 1)$, non ammissibile
$(1, 0)$, ammissibile ma non ottimo
$(0, 0)$, ammissibile di valore $0$
$(1, 0)$, ammissibile di valore $1$: l'ottimo intero
Spiegazione. Per difetto $1/2 \to 0$: $(1, 0)$ vale $1 = \zmilp$. Da $(3/4, 3/4)$ invece l'arrotondamento per difetto dà $(0, 0)$: l'esito dipende dal punto di partenza, non c'è un verso «giusto».
Problema di **massimo**: un'euristica trova $\lb = 45$, il solver certifica l'ottimo intero $\zmilp = 50$. Qual è il gap dell'euristica $|\lb - \zmilp| / |\zmilp|$?
$90\%$
$11{,}1\%$
$10\%$
$5\%$
Spiegazione. $5/50 = 10\%$. Dividere per il valore dell'euristica dà $11{,}1\%$; $5$ è il divario assoluto.
Assegnamento con $x_{jm} \in \{0,1\}$ ($1$ se il lavoro $j$ va sulla macchina $m$). «Ogni lavoro va su una macchina, e ogni macchina riceve al più un lavoro»: quali pattern compaiono, nell'ordine?
Set covering e set partitioning
Set partitioning ($\sum_m x_{jm} = 1$) e set packing ($\sum_j x_{jm} \le 1$)
Set packing e set covering
Set partitioning in entrambi i casi
Spiegazione. «Esattamente una macchina» per lavoro è un partitioning; «al più un lavoro» per macchina è un packing.
Gurobi si ferma per limite di tempo su un MILP di minimo con `ObjVal` $= 120$ e `ObjBound` $= 110$. Uno studente scrive «l'ottimo è $115$, a metà fra i due». Che cosa non va?
Niente: senza altre informazioni il punto medio è la stima corretta
I bound garantiscono solo $110 \le \zmilp \le 120$: dove stia l'ottimo nell'intervallo non si sa
L'ottimo è sicuramente $110$, perché è il bound duale
L'ottimo è sicuramente $120$, perché è una soluzione trovata
Spiegazione. Quando l'ottimo non si raggiunge, l'unica cosa certa è il sandwich fra soluzione migliore e bound duale. Nessun punto interno è privilegiato.
ILP di minimo: $\min 4x_1 + 7x_2$ con $2x_1 + 3x_2 \ge 12$, $x_1 + x_2 \le 5$, $x_1, x_2 \in \mathbb{Z}_{\ge 0}$ (lotti comprati da due fornitori). La soluzione $(x_1, x_2) = (3, 2)$ è ammissibile? Quanto vale?
Sì, vale $24$
No: viola $x_1 + x_2 \le 5$
Sì, vale $26$
No: viola $2x_1 + 3x_2 \ge 12$
Spiegazione. $2 \cdot 3 + 3 \cdot 2 = 12 \ge 12$ e $3 + 2 = 5 \le 5$: ammissibile, valore $4 \cdot 3 + 7 \cdot 2 = 26$. È un upper bound sull'ottimo, perché il problema è di minimo.
MILP di minimo con binarie; $\zlp$ è il rilassamento con le sole $x \ge 0$, $\zlpp$ quello con $0 \le x \le 1$. Perché il rilassamento è un bound **ottimistico**?
Perché il solver lo risolve per primo
Perché sta sempre sopra l'ottimo intero, in ogni problema
Perché le sue soluzioni sono sempre intere
Toglie vincoli: ottimizza su un insieme che contiene tutte le soluzioni intere, quindi non può fare peggio dell'ottimo intero
Spiegazione. Ogni soluzione intera resta ammissibile per il rilassamento: in un minimo il rilassamento sta sotto (o pari) all'ottimo intero, in un massimo sopra. In entrambi i casi dal lato «migliore».
Problema di minimo: $\ub = 80$ da un'euristica, $\lb = 72$ da un duale costruito a mano, ottimo intero ignoto. Quanto vale il divario certificato $(\ub - \lb)/|\ub|$?
$11{,}1\%$
$90\%$
$10\%$
$8$
Spiegazione. $(80 - 72)/80 = 8/80 = 10\%$. Dividere per $\lb$ dà $11{,}1\%$; $8$ è il divario assoluto; $90\%$ è $\lb/\ub$.
Si scrive il duale di un programma lineare di **minimo** (il primale). A un vincolo primale di verso $\ge$ corrisponde nel duale una variabile $\pi_i$ con quale segno?
$\pi_i \in \{0,1\}$
$\pi_i \le 0$
$\pi_i$ libera
$\pi_i \ge 0$
Spiegazione. Nella tabella di conversione, per un primale di minimo: vincolo $\ge$ dà $\pi_i \ge 0$, vincolo $\le$ dà $\pi_i \le 0$, uguaglianza dà $\pi_i$ libera.
Lot sizing, primale di **minimo**: $x_t$ è la produzione del periodo $t$, $s_t$ la scorta a fine periodo, $d_t$ la domanda. Che segno ha la variabile duale del vincolo di bilancio $x_t + s_{t-1} - s_t = d_t$?
Libera
Dipende dal segno di $d_t$
$\ge 0$
$\le 0$
Spiegazione. A un vincolo di uguaglianza corrisponde una variabile duale libera, qualunque sia il verso dell'obiettivo e qualunque sia il termine noto.
Primale di **minimo** $\min \sum_j c_j x_j$. A una variabile primale $x_j$ **libera** (senza vincolo di segno) corrisponde nel duale un vincolo di quale tipo?
Un'uguaglianza $= c_j$
Una disuguaglianza $\le c_j$
Una disuguaglianza $\ge c_j$
Nessun vincolo duale
Spiegazione. Una variabile $x_j \ge 0$ dà un vincolo duale $\le c_j$; una variabile libera dà un vincolo di uguaglianza $= c_j$.
Assegnamento di lavori $j$ a macchine $m$ a costo minimo: $x_{jm}$ assegna, $t_{jm}$ è il tempo, $a_m$ la disponibilità. Che segno ha la variabile duale $\pi_m$ del vincolo $\sum_j t_{jm} x_{jm} \le a_m$?
$\pi_m \ge 0$
$\pi_m = 0$ sempre
$\pi_m$ libera
$\pi_m \le 0$
Spiegazione. In un primale di minimo un vincolo $\le$ dà una variabile duale non positiva. Per questo porre $\bar\pi = 0$ (la ricetta «azzerare e saturare») è sempre ammissibile per quei vincoli.
MILP con ottimo intero $\zmilp$ e rilassamento (con i bound) di valore $\zlpp$. Che cos'è una **disuguaglianza valida**?
Una disuguaglianza soddisfatta da tutte le soluzioni intere ammissibili; se riduce $\zlpp$ è un taglio
Una disuguaglianza che riduce sempre $\zmilp$ e lascia invariato il rilassamento
Una disuguaglianza soddisfatta dalla soluzione ottima del rilassamento, che quindi non cambia $\zlpp$
Una disuguaglianza soddisfatta da almeno una soluzione intera ottima; se riduce $\zlpp$ è un taglio
Spiegazione. Valida significa soddisfatta da ogni soluzione ammissibile intera, quindi non cambia $\zmilp$. Un vincolo che taglia alcune soluzioni ammissibili ma non tutte le ottime preserva l'ottimalità, e non è valido.
Zaino binario: pesi $w = (5, 4, 3, 3)$, capacità $9$, cioè $5x_1 + 4x_2 + 3x_3 + 3x_4 \le 9$ con $x_j \in \{0,1\}$. Quale delle seguenti è una disuguaglianza **valida** (soddisfatta da ogni soluzione ammissibile)?
$x_3 + x_4 \le 1$
$x_1 + x_2 \le 1$
$x_2 + x_3 + x_4 \le 1$
$x_1 + x_2 + x_3 \le 2$
Spiegazione. $\{1,2,3\}$ è una copertura ($5+4+3 = 12 > 9$), quindi i tre oggetti non entrano insieme e $x_1 + x_2 + x_3 \le 2$ è valida. Le altre tagliano soluzioni ammissibili: gli oggetti 3 e 4 entrano insieme ($6 \le 9$), e così l'1 e il 2 ($9 \le 9$).
MILP di **massimo**. Un'euristica costruttiva restituisce una soluzione ammissibile e intera; una soluzione ammissibile del duale del rilassamento è costruita a mano. Che bound danno sull'ottimo intero?
Entrambe un lower bound
L'euristica un upper bound, il duale un lower bound
L'euristica un lower bound, il duale un upper bound
Entrambe un upper bound
Spiegazione. Il nome dipende dal verso, il ruolo no: la soluzione ammissibile sta dal lato pessimistico (in un massimo, sotto l'ottimo), il duale dal lato ottimistico (sopra).
Modello di copertura di minimo con rilassamento lineare $\zlp = 15/2$ e ottimo intero $\zmilp = 10$. Gurobi riporta `ObjBound = 10` (il bound duale finale) e `NodeCount = 0` (nessun nodo esplorato). Che cosa se ne conclude?
Il modello scritto ha rilassamento esatto, e il duale costruito a mano può arrivare anch'esso a $10$
Il rilassamento lineare del modello scritto vale $10$, e quindi il valore $15/2$ indicato è sbagliato
Il solver ha chiuso il gap nella radice con presolve, tagli ed euristiche; il rilassamento del modello scritto si legge con `relax()`
Il solver ha trovato l'ottimo senza usare bound, e `ObjBound` coincide per costruzione con `ObjVal`
Spiegazione. `ObjBound` non è il rilassamento della radice del modello scritto: il solver lo rafforza da sé. Il rilassamento che conta nei bound a mano è quello del modello scritto, e si ottiene con `relax()`.
Zaino binario di massimo con capacità $b$. Con $b = 9$ l'ottimo intero è $17$ e la variabile duale ottima del vincolo di capacità nel rilassamento lineare vale $7/4$; con $b = 10$ l'ottimo intero è ancora $17$. Di quanto cambia davvero l'ottimo intero passando da $b = 9$ a $b = 10$?
Di $0$
Di $1$
Di $17/9$
Di $7/4$
Spiegazione. L'ottimo intero resta $17$: la variazione vera è nulla, mentre il duale dell'LP promette $7/4$ per unità di capacità. I duali dell'LP non sono i prezzi marginali del MILP; l'unica risposta corretta è risolvere di nuovo il MILP.
Zaino a più risorse, di massimo: $\max \sum_j p_j x_j$ con $\sum_j a_{ij} x_j \le b_i$ per ogni risorsa $i$. Una soluzione duale si costruisce pagando **una sola** risorsa $i$, con $\bar v_i = \max_j p_j / a_{ij}$, e le altre a zero. Con $b_i = 10$ e i rapporti $p_j/a_{ij}$ pari a $5/3,\ 9/4,\ 7/3,\ 2,\ 2$, che bound si ottiene?
$\ub = 20$
$\lb = 70/3$
$\ub = 70/3$
$\ub = 45/2$
Spiegazione. Il rapporto massimo è $7/3$ e ogni vincolo duale $\sum_i a_{ij} v_i \ge p_j$ è soddisfatto dal solo termine $a_{ij}\bar v_i$: la soluzione è ammissibile e, in un massimo, dà $\ub = b_i \bar v_i = 10 \cdot 7/3 = 70/3$. Con un rapporto più piccolo il duale non sarebbe ammissibile.
Primale di minimo $\min \sum_j c_j x_j$ e suo duale $\max \sum_i b_i \pi_i$; $\bar x$ e $\bar\pi$ sono soluzioni ammissibili dei due problemi. Quale enunciato è la **dualità debole**?
Per ogni coppia di soluzioni ammissibili, $\sum_i b_i \bar\pi_i \ge \sum_j c_j \bar x_j$
Se entrambe le soluzioni sono ottime, $\sum_i b_i \bar\pi_i \le \sum_j c_j \bar x_j$
Per ogni coppia di soluzioni ammissibili, $\sum_i b_i \bar\pi_i = \sum_j c_j \bar x_j$
Per ogni coppia di soluzioni ammissibili, $\sum_i b_i \bar\pi_i \le \sum_j c_j \bar x_j$
Spiegazione. La dualità debole vale per ogni coppia ammissibile, senza altre ipotesi, e dà un lower bound da qualunque soluzione duale ammissibile, anche costruita a mano. L'uguaglianza fra gli ottimi è la dualità forte.
MILP con ottimo $\zmilp$, rilassamento lineare con ottimo $\zlp$ e duale del rilassamento con ottimo $\zdual$. Quale enunciato è corretto?
Se il MILP ha ottimo finito, $\zdual = \zmilp$
Se il rilassamento ha ottimo finito, $\zdual = \zlp$
Il MILP ha un duale lineare il cui ottimo coincide con $\zmilp$
$\zdual < \zlp$ ogni volta che il MILP ha variabili intere
Spiegazione. La dualità forte vale fra il rilassamento e il suo duale, e serve da controllo dei conti. Fra il MILP e un programma lineare in generale non vale: il salto fra $\zlp$ e $\zmilp$ è proprio ciò che manca.
Due formulazioni $A$ e $B$ dello stesso problema intero; $X_A$ e $X_B$ sono i poliedri dei loro rilassamenti lineari. Quando $B$ è **più forte** di $A$?
Quando ammettono gli stessi punti interi e $X_B \subseteq X_A$
Quando ammettono gli stessi punti interi e $X_A \subseteq X_B$
Quando ammettono gli stessi punti interi e $B$ ha più vincoli di $A$
Quando ammettono gli stessi punti interi e il solver risolve $B$ più in fretta
Spiegazione. Il confronto si fa in due passi: stesso insieme intero, poi inclusione dei poliedri. Più forte non significa più veloce né con più righe: la forza si dimostra, la velocità si misura.
MILP di minimo. $\bar\pi$ è una soluzione del duale del rilassamento lineare costruita a mano, di valore $\sum_i b_i \bar\pi_i$. Per usare quel valore come lower bound di $\zmilp$, che cosa serve?
Che $\bar\pi$ sia ammissibile per il duale, la dualità debole e il fatto che il rilassamento contiene le soluzioni del MILP
Che $\bar\pi$ soddisfi gli scarti complementari con una soluzione ottima del MILP e la dualità debole
Che $\bar\pi$ sia ammissibile per il duale e la dualità forte fra il MILP e il duale del rilassamento
Che $\bar\pi$ sia ottima per il duale, la dualità forte e il fatto che il rilassamento contiene le soluzioni del MILP
Spiegazione. Basta l'ammissibilità duale: per dualità debole $\sum_i b_i \bar\pi_i \le \zlp$ e, poiché il rilassamento contiene le soluzioni del MILP, $\zlp \le \zmilp$. L'ottimalità non serve, la verifica di ogni vincolo duale sì.
Modello di assegnamento con binarie $x_{jm}$ e vincoli $\sum_m x_{jm} = 1$ per ogni $j$. $\zlp$ è il rilassamento con le sole $x \ge 0$, $\zlpp$ quello con anche $x \le 1$. Per dimostrare $\zlp = \zlpp$, che cosa serve?
Che quei vincoli, con $x \ge 0$, implichino già $x_{jm} \le 1$
Che la matrice del modello sia totalmente unimodulare
La dualità forte fra i due rilassamenti lineari
Che il MILP abbia un'unica soluzione ottima intera
Spiegazione. Con $x \ge 0$ e una somma uguale a $1$ ogni addendo vale al più $1$: il secondo rilassamento aggiunge vincoli già implicati, quindi ha lo stesso insieme ammissibile e lo stesso ottimo.
Si aggiunge un vincolo a un MILP. Per dichiararlo **disuguaglianza valida**, e non soltanto vincolo che preserva l'ottimalità (che lascia almeno una soluzione ottima), che cosa va dimostrato?
Che è soddisfatto da almeno una soluzione ottima intera
Che è soddisfatto dalla soluzione ottima del rilassamento
Che riduce il valore del rilassamento lineare
Che è soddisfatto da tutte le soluzioni ammissibili intere
Spiegazione. Valida vuol dire soddisfatta da ogni soluzione ammissibile intera. Se taglia qualche soluzione ammissibile ma lascia almeno un ottimo, il vincolo preserva l'ottimalità e va dichiarato come tale.
Zaino a due risorse, di massimo: $\max \sum_j p_j x_j$ con $\sum_j a_{ij} x_j \le b_i$, $i = 1, 2$, e $b = (10, 12)$. Ricetta duale: si paga **una sola** risorsa $i$ con $\bar v_i = \max_j p_j / a_{ij}$ e l'altra a zero; il bound è $b_i \bar v_i$. I rapporti massimi sono $7/3$ per la risorsa 1 e $2$ per la 2. Quale risorsa conviene pagare, e con che bound?
La risorsa 2, $\ub = 20$
La risorsa 1, $\lb = 70/3$
La risorsa 2, $\ub = 24$
La risorsa 1, $\ub = 70/3$
Spiegazione. Entrambe le scelte sono ammissibili e danno un upper bound (problema di massimo): $10 \cdot 7/3 = 70/3 \approx 23{,}3$ e $12 \cdot 2 = 24$. Si tiene il più basso, $70/3$. $20$ moltiplica il rapporto della risorsa 2 per il $b$ della risorsa 1.
Problema di minimo, risolto con euristica, duale a mano e solver: $\ub = 12$ (euristica), $\lb = 9$ (duale a mano), $\zlp = 10$, $\zmilp = 11$. Quale di questi numeri è incoerente con gli altri?
$\lb = 9$, perché deve coincidere con $\zlp$
$\zlp = 10$, perché deve coincidere con $\zmilp$
$\ub = 12$, perché deve coincidere con $\zmilp$
Nessuno: $9 \le 10 \le 11 \le 12$ è la catena attesa
Spiegazione. In un minimo vale $\lb \le \zlp \le \zmilp \le \ub$: il duale a mano non deve essere ottimo, l'euristica non deve trovare l'ottimo e il rilassamento non deve essere esatto. Un numero fuori da questa catena segnalerebbe un errore.
Problema di minimo $\min \{f(x) : x \in X\}$. Quale dei seguenti problemi è un **rilassamento**, cioè ha ottimo non superiore a quello del problema dato?
$\max \{f(x) : x \in X\}$, cioè lo stesso insieme con il verso opposto
$\min \{f(x) + 1 : x \in X\}$, cioè lo stesso insieme con l'obiettivo alzato
$\min \{f(x) : x \in \hat X\}$ con $\hat X \subseteq X$, per esempio aggiungendo un vincolo
$\min \{f(x) : x \in \hat X\}$ con $X \subseteq \hat X$, per esempio togliendo un vincolo
Spiegazione. Un rilassamento ha lo stesso obiettivo e un insieme ammissibile più grande: il minimo su un insieme più grande non può essere più alto. Aggiungere un vincolo dà una restrizione, che in un minimo non può abbassare l'ottimo.
Copertura a costo minimo: $\min \sum_j c_j x_j$ con $\sum_{j \in S_i} x_j \ge 1$ per ogni zona $i$ ($S_i$ = squadre che coprono la zona $i$) e $x_j \in \{0,1\}$. Qual è il duale del rilassamento con le sole $x \ge 0$?
$\max \sum_i \pi_i$ con $\sum_{i : j \in S_i} \pi_i \le c_j$ per ogni $j$, $\pi \ge 0$
$\max \sum_i \pi_i$ con $\sum_{i : j \in S_i} \pi_i \le c_j$ per ogni $j$, $\pi$ libere
$\max \sum_i \pi_i$ con $\sum_{i : j \in S_i} \pi_i \ge c_j$ per ogni $j$, $\pi \ge 0$
$\min \sum_i \pi_i$ con $\sum_{i : j \in S_i} \pi_i \le c_j$ per ogni $j$, $\pi \ge 0$
Spiegazione. Primale di minimo con vincoli $\ge$: duale di massimo con $\pi_i \ge 0$, una per zona; a ogni variabile $x_j \ge 0$ corrisponde un vincolo duale $\le c_j$ che somma le $\pi_i$ delle zone coperte da $j$.
Un modello di copertura (minimo) viene chiuso da Gurobi con `NodeCount = 0` (nessuna ramificazione). Spegnendo presolve, tagli ed euristiche del solver (`Presolve = Cuts = Heuristics = 0`) lo stesso modello richiede $5$ nodi. Che cosa se ne conclude?
Il modello scritto diventa più forte, perché richiede più nodi per chiudere il gap
Il rilassamento del modello scritto peggiora, perché spegnere i tagli lo indebolisce
L'ottimo non cambia: quanto è difficile un modello dipende anche dal solver, non dal solo modello
L'ottimo cambia, perché senza tagli il solver risolve un modello diverso
Spiegazione. Presolve, tagli ed euristiche sono strumenti del solver: cambiano il lavoro necessario, non il modello né il suo ottimo. Il rilassamento del modello scritto (quello di `relax()`) resta lo stesso.
MILP di massimo con un vincolo di capacità $\sum_j w_j x_j \le b$. $\tilde v$ è la variabile duale ottima di quel vincolo nel rilassamento lineare. Quale enunciato sul passaggio da $b$ a $b + 1$ è corretto?
$\zmilp$ cresce almeno di $\tilde v$, perché il rilassamento sta sopra l'ottimo intero
$\zmilp$ cresce esattamente di $\tilde v$, come nella programmazione lineare
$b \tilde v$ resta un upper bound, ma la variazione di $\zmilp$ si ottiene solo risolvendo di nuovo il MILP
$\zmilp$ cresce al più di $\tilde v$, e la differenza è un errore di arrotondamento
Spiegazione. Il prezzo marginale dell'LP non descrive l'ottimo intero, che varia a scatti (anche di $0$ o più di $\tilde v$). Del duale resta vero l'uso come bound; la variazione vera è $\zmilp(b + 1) - \zmilp(b)$, da calcolare.
Due formulazioni $A$ e $B$ dello stesso problema intero ammettono gli stessi punti interi, e i poliedri dei rilassamenti soddisfano $X_B \subseteq X_A$. $B$ ha più vincoli e sull'istanza di prova il solver la risolve più lentamente. Quale conclusione è corretta?
Nessuna delle due è più forte, perché hanno gli stessi punti interi
$A$ è più forte di $B$, perché il solver la risolve più in fretta
$A$ è più forte di $B$, perché ha meno vincoli e un rilassamento più grande
$B$ è più forte di $A$: la forza si dimostra con i poliedri, la velocità si misura
Spiegazione. Più forte significa rilassamento contenuto, $X_B \subseteq X_A$, a parità di punti interi. Una formulazione più forte ha meno nodi ma righe in più, quindi può essere più lenta: sono due proprietà diverse.
Nel protocollo dei bound del corso, per ogni problema MILP si scrive a mano il duale di un rilassamento e se ne costruisce una soluzione ammissibile. Di quale rilassamento?
Del rilassamento rafforzato con le disuguaglianze valide
Del rilassamento senza i bound, con le binarie sostituite da $x \ge 0$
Del rilassamento con i bound, con le binarie sostituite da $0 \le x \le 1$
Del rilassamento della radice calcolato dal solver dopo presolve e tagli
Spiegazione. Il duale a mano è quello di $\mathit{LP}$, senza i bound: ha meno vincoli primali, quindi meno variabili duali. Il rilassamento con i bound, $\mathit{LP}^+$, lo calcola il solver con `relax()`.
MILP di **minimo** con binarie. $\zlp$: rilassamento con le sole $x \ge 0$; $\zlpp$: con $0 \le x \le 1$; $z(\mathit{LP}^{++})$: come $\zlpp$ più alcune disuguaglianze valide. Quale catena vale sempre?
Spiegazione. Ogni passo aggiunge vincoli soddisfatti da tutte le soluzioni intere: l'insieme ammissibile si restringe senza perdere punti interi, quindi in un minimo il valore può solo salire, restando sotto $\zmilp$.
Nel protocollo del corso il duale si scrive a mano per il rilassamento **senza** i bound ($x \in \{0,1\}$ diventa $x \ge 0$), non per quello con $0 \le x \le 1$. Perché?
Ha meno vincoli, quindi il duale ha meno variabili ed è più semplice da costruire a mano
Dà sempre un bound più stretto di quello con i bound
È il rilassamento che Gurobi risolve con `relax()`
È l'unico dei due per cui vale la dualità debole
Spiegazione. Senza i vincoli $x \le 1$ il duale perde una famiglia di variabili. Il bound è uguale o più debole di quello con i bound (non più stretto); `relax()` conserva i bound; la dualità debole vale per entrambi.
Programma lineare di minimo $\min \sum_j c_j x_j$ (il primale) con ottimo finito, e il suo duale $\max \sum_i b_i \pi_i$. Che cosa afferma la **dualità forte**, e a che cosa serve nel corso?
L'ottimo duale coincide con l'ottimo intero del MILP da cui il primale è il rilassamento
I due ottimi coincidono; serve come controllo: l'ottimo del duale scritto a mano deve uguagliare l'ottimo del primale
I due ottimi differiscono al più del gap; serve a stimare `MIPGap`
Ogni soluzione duale ammissibile vale quanto l'ottimo primale; serve per costruire bound esatti a mano
Spiegazione. Dualità forte: con ottimo finito, $z(D(\mathit{LP})) = \zlp$. Le soluzioni duali ammissibili qualsiasi valgono al più $\zlp$ (dualità debole), e fra MILP e duale del rilassamento resta in generale il salto $\zmilp - \zlp$.
Uno studente scrive: «per dualità forte l'ottimo del duale del rilassamento è uguale a $\zmilp$, quindi una soluzione duale ottima certifica l'ottimo intero». Che cosa non va?
Nulla: la dualità forte vale per qualunque programma, anche intero
La dualità forte lega il duale al rilassamento: $z(D) = \zlp$, che in generale è diverso da $\zmilp$; il MILP non ha un duale lineare
La dualità forte vale solo per i problemi di massimo
La dualità forte richiede che la soluzione duale sia intera
Spiegazione. Il duale che si scrive è quello del rilassamento lineare. Fra MILP e un qualunque programma lineare la dualità forte in generale non vale: il salto $\zmilp - \zlp$ è proprio ciò che manca.
Assegnamento a costo minimo con disponibilità: $\sum_m x_{jm} = 1$ per ogni lavoro $j$ (duale $\mu_j$ libera) e $\sum_j t_{jm} x_{jm} \le a_m$ per ogni macchina $m$ (duale $\pi_m \le 0$); vincoli duali $\mu_j + t_{jm}\pi_m \le c_{jm}$. La ricetta «azzerare e saturare» pone $\bar\pi = 0$. Quale valore di $\bar\mu_j$ è il più grande ammissibile?
$\bar\mu_j = \min_m c_{jm}$
$\bar\mu_j = \min_m c_{jm} / t_{jm}$
$\bar\mu_j = \max_m c_{jm}$
$\bar\mu_j = \sum_m c_{jm}$
Spiegazione. Con $\pi = 0$ i vincoli duali diventano $\mu_j \le c_{jm}$ per ogni $m$: il valore massimo è il minimo dei costi di riga. Il bound è $\sum_j \min_m c_{jm}$: «ogni lavoro costa almeno il suo costo minimo».
Zaino binario di massimo $\max \sum_j p_j x_j$ con $\sum_j w_j x_j \le b$. Duale del rilassamento senza bound: $\min b\,v$ con $w_j v \ge p_j$ per ogni $j$, $v \ge 0$. Uno studente sceglie $\bar v = \min_j p_j/w_j$ e riporta $\ub = b\,\bar v$. Che cosa non va?
Il bound giusto è $\bar v / b$, non $b\,\bar v$
$\bar v$ viola i vincoli duali degli oggetti con rapporto più alto: il bound vale solo con $\bar v = \max_j p_j / w_j$
In un massimo il duale dà un lower bound, non un upper bound
Nulla: qualunque valore di $v$ dà un upper bound per dualità debole
Spiegazione. La dualità debole vale per le soluzioni duali **ammissibili**: serve $v \ge p_j/w_j$ per ogni $j$, cioè $v \ge \max_j p_j/w_j$. Con il minimo dei rapporti almeno un vincolo è violato e $b\,\bar v$ non è un bound.
Copertura a costo minimo: quattro squadre di costo $c = (6, 6, 8, 8)$, sei zone, e la zona $i$ è coperta dalle squadre $S_i$: $\{1,2\}, \{2,3\}, \{1,3\}, \{1,4\}, \{2,4\}, \{3,4\}$. Il duale del rilassamento ha $\pi_i \ge 0$ per zona e un vincolo per squadra: la somma dei $\pi_i$ delle zone che copre non supera il suo costo. Che cosa dà $\bar\pi_i = 1$ per ogni zona?
È ammissibile e dà $\lb = 28$, la somma dei costi
È ammissibile e dà $\ub = 6$
Non è ammissibile, perché la squadra 1 riceve $6$
È ammissibile (ogni squadra copre $3$ zone, $3 \le 6$) e dà $\lb = 6$
Spiegazione. Ogni squadra compare in tre zone, quindi riceve $3 \le c_j$: ammissibile. Il valore è $\sum_i \bar\pi_i = 6$ e, in un minimo, un duale ammissibile dà un lower bound.
Copertura a costo minimo, con $x_j \in \{0,1\}$ squadra scelta e vincoli $\sum_{j \in S_i} x_j \ge 1$ per ogni zona $i$. Scrivendo il duale del rilassamento (primale di minimo), che segno ha la variabile duale $\pi_i$ di una zona e che verso ha il vincolo duale di una squadra $j$?
Zaino a più risorse, di **massimo**: $\max \sum_j p_j x_j$ con $\sum_j a_{ij} x_j \le b_i$ per ogni risorsa $i$ e $x_j \in \{0,1\}$. Nel duale del rilassamento senza bound, che segno hanno le variabili $\pi_i$ e che verso hanno i vincoli duali?
Spiegazione. In un massimo i versi si rovesciano: vincolo $\le$ → $\pi_i \ge 0$, variabile $x_j \ge 0$ → vincolo duale $\ge p_j$, e il duale è di minimo. Ogni sua soluzione ammissibile dà un upper bound.
MILP di **massimo**. Un'euristica restituisce una soluzione intera ammissibile $\bar x$; una soluzione ammissibile $\bar\pi$ del duale del rilassamento è costruita a mano. Quale coppia di affermazioni è corretta?
$\bar x$ dà $\lb(\bar x)$ e $\bar\pi$ dà un altro $\lb$, dalla stessa parte
Spiegazione. In un massimo una soluzione ammissibile vale al più l'ottimo (lower bound, lato pessimistico); il duale del rilassamento è di minimo e ogni sua soluzione ammissibile vale almeno $\zlp \ge \zmilp$ (upper bound).
Zaino binario con vincolo $5x_1 + 4x_2 + 3x_3 + 3x_4 \le 9$. Un insieme $S$ di oggetti è una **copertura** se $\sum_{j \in S} w_j > 9$; allora $\sum_{j \in S} x_j \le |S| - 1$ è valida. Quale dei seguenti insiemi è una copertura **minimale** (togliendo un oggetto qualsiasi non è più copertura)?
$\{3, 4\}$
$\{1, 2, 3, 4\}$
$\{1, 2\}$
$\{1, 3, 4\}$
Spiegazione. $\{1,3,4\}$ pesa $11 > 9$; togliendo un oggetto restano $8$, $8$ o $6$, tutti $\le 9$. $\{1,2\}$ pesa $9$, non supera la capacità; $\{1,2,3,4\}$ è copertura ma non minimale; $\{3,4\}$ pesa $6$.
Si vuole dimostrare che la formulazione $B$ di un problema intero è **più forte** della formulazione $A$. Quali sono i due passi richiesti?
(1) $X_A \subseteq X_B$; (2) il rilassamento di $B$ vale più di quello di $A$
(1) $B$ ha lo stesso ottimo intero di $A$; (2) $B$ ha meno variabili
(1) $A$ e $B$ hanno esattamente gli stessi punti interi; (2) i poliedri dei rilassamenti soddisfano $X_B \subseteq X_A$
(1) $B$ ha meno vincoli di $A$; (2) $B$ si risolve più in fretta con Gurobi
Spiegazione. Senza lo stesso insieme intero non si confronta nulla; poi la forza è l'inclusione dei poliedri. La velocità non si dimostra, si misura, e una formulazione più forte ha spesso più righe.
La formulazione disaggregata $x_{ij} \le y_j$ è più forte di quella aggregata $\sum_i x_{ij} \le n\,y_j$. Uno studente conclude: «quindi con Gurobi la disaggregata è sempre più veloce». Che cosa manca al ragionamento?
La disaggregata ammette punti interi in più, quindi va confrontata con un'altra formulazione
La disaggregata non è più forte: le due formulazioni hanno lo stesso rilassamento
Niente: una formulazione più forte esplora meno nodi, quindi è sempre più veloce
La forza riguarda il rilassamento ed è dimostrata; la velocità dipende anche dal costo di ogni nodo (più righe) e va misurata
Spiegazione. Più forte significa rilassamento più stretto, quindi tipicamente meno nodi; ma la disaggregata ha molte più righe e ogni nodo costa di più. Quello che si dimostra è la forza; la velocità si misura.
Su un modello di copertura (minimo) il rilassamento del modello scritto vale $15/2$, l'ottimo intero $10$. Gurobi chiude con `NodeCount = 0`. Con `Presolve = Cuts = Heuristics = 0` lo stesso modello richiede $5$ nodi. Che cosa insegna il confronto?
`NodeCount = 0` significa che il solver non ha risolto il rilassamento
La difficoltà non è una proprietà del solo modello: presolve, tagli ed euristiche del solver chiudono il gap già nella radice
Il rilassamento del modello scritto vale $10$, non $15/2$
Con i parametri a zero Gurobi trova un ottimo diverso
Spiegazione. Lo stesso modello dà lo stesso ottimo, ma il lavoro cambia con gli strumenti del solver. Il rilassamento di cui si parla nei bound a mano resta quello del modello scritto ($15/2$), ottenuto con `relax()`.
Zaino binario di massimo con capacità $b$: con $b = 9$ l'ottimo intero è $17$, con $b = 10$ è ancora $17$; il duale ottimo del vincolo di capacità nel rilassamento lineare vale $7/4$ per entrambi. Quanto aumenta davvero l'ottimo intero passando da $b = 9$ a $b = 10$?
$0$
$1$
$17/9$
$7/4$
Spiegazione. La variazione vera si ottiene risolvendo di nuovo il MILP: $17 - 17 = 0$. Il duale dell'LP ($7/4$) è il prezzo marginale del rilassamento, non del problema intero, la cui risposta varia a scatti.
MILP di **massimo** con vincolo di capacità $\sum_j w_j x_j \le b$. Si vuole sapere di quanto cresce l'ottimo intero aggiungendo un'unità di capacità. Quale procedura dà la risposta corretta?
Leggere la variabile duale ottima del vincolo nel rilassamento lineare
Risolvere di nuovo il MILP con $b + 1$ e calcolare $\zmilp(b + 1) - \zmilp(b)$
Moltiplicare il gap relativo per $b$
Leggere il costo ridotto della variabile con il rapporto $p_j/w_j$ più alto
Spiegazione. Il duale del rilassamento resta un bound, ma come prezzo marginale del MILP è inaffidabile: la risposta del problema intero è a scatti e non ha una formula chiusa. L'unica risposta corretta è risolvere di nuovo.
Nel protocollo dei bound del corso, per un problema di **minimo** la tabella finale riporta $\ub$ (euristica), $\lb$ (duale a mano), $\zlp$ e $\zlpp$ (rilassamenti senza e con i bound $0 \le x \le 1$), $\zmilp$ (ottimo intero) e il gap. Quale ordinamento dei primi cinque valori deve risultare, se tutto è corretto?
$\ub \le \zmilp \le \zlpp \le \zlp \le \lb$
$\lb \le \zlpp \le \zlp \le \zmilp \le \ub$
$\zlp \le \lb \le \zlpp \le \zmilp \le \ub$
$\lb \le \zlp \le \zlpp \le \zmilp \le \ub$
Spiegazione. $\lb$ viene da un duale ammissibile del rilassamento senza bound, quindi vale al più $\zlp$; poi $\zlp \le \zlpp \le \zmilp$ (più vincoli in un minimo) e $\ub$, valore di una soluzione ammissibile, sta sopra l'ottimo.
Nel protocollo dei bound, un'euristica per un problema di minimo restituisce un vettore che soddisfa tutti i vincoli lineari ma ha una componente intera pari a $2{,}5$. Si può riportare il suo valore come $\ub$?
No, perché in un minimo una soluzione ammissibile dà un lower bound
Sì: soddisfa tutti i vincoli lineari, quindi il valore è un upper bound
Sì, ma solo dopo averlo arrotondato per eccesso, che resta sempre ammissibile
No: è ammissibile per il rilassamento, non per il MILP; il bound primale richiede anche l'interezza
Spiegazione. La verifica di ammissibilità riguarda vincoli, bound **e** interezza. Un punto frazionario vale quanto un punto del rilassamento, che può stare sotto $\zmilp$. Arrotondare può violare i vincoli.
Primale di **massimo** $\max \sum_j c_j x_j$. A un vincolo primale di verso $\le$ e a una variabile primale $x_j \ge 0$ corrispondono nel duale (di minimo):
una variabile $\pi_i \ge 0$ e un vincolo di verso $\ge c_j$
una variabile $\pi_i \le 0$ e un vincolo di verso $\le c_j$
una variabile $\pi_i$ libera e un vincolo di uguaglianza
una variabile $\pi_i \ge 0$ e un vincolo di verso $\le c_j$
Spiegazione. Per un primale di massimo la tabella del minimo si rovescia: vincolo $\le$ → $\pi_i \ge 0$; variabile $\ge 0$ → vincolo duale $\ge c_j$.
Si aggiunge un vincolo a un MILP. In quale caso lo si può chiamare **taglio**?
Se è soddisfatto da tutte le soluzioni intere ammissibili e riduce il valore del rilassamento con i bound
Se è soddisfatto da almeno una soluzione ottima, anche se ne taglia di ammissibili
Se non cambia né l'ottimo intero né quello del rilassamento
Se elimina almeno una soluzione intera ottima
Spiegazione. Un taglio è una disuguaglianza valida (non esclude punti interi ammissibili, quindi non cambia $\zmilp$) che peggiora $\zlpp$, cioè avvicina il rilassamento all'ottimo intero. Un vincolo che lascia solo qualche ottimo preserva l'ottimalità ma non è valido.
Si vuole riportare in una relazione il valore $\zlpp$ del rilassamento lineare (con i bound) del modello **come lo si è scritto**. Perché non si può usare il bound duale che Gurobi mostra alla radice durante la soluzione del MILP?
Il bound della radice è sempre più debole di $\zlpp$, perché il solver non ha ancora iniziato a lavorare
Il bound della radice coincide con $\zlp$, il rilassamento senza i bound
Il bound della radice include presolve e tagli del solver, quindi può essere più stretto del rilassamento del modello scritto; serve `relax()`
Gurobi non mostra alcun bound alla radice
Spiegazione. Il solver rafforza il modello prima e durante la radice: il suo bound può già coincidere con l'ottimo intero. Il rilassamento del modello scritto si ottiene risolvendo `m.relax()`.
Copertura a costo minimo: elementi di costo $c = (4, 3, 5, 3)$, zone $1, 2, 3$ coperte rispettivamente da $\{1, 2\}$, $\{2, 4\}$, $\{1, 3\}$. Ricetta duale «costruttiva sui vincoli»: si scorrono le zone in ordine, si alza $\pi_i$ al minimo residuo fra gli elementi che la coprono, e si sottrae $\pi_i$ dai residui di quegli elementi. Che soluzione si ottiene?
$\bar\pi = (3, 0, 4)$, $\lb = 7$
$\bar\pi = (3, 3, 4)$, $\lb = 10$
$\bar\pi = (4, 3, 5)$, $\lb = 12$
$\bar\pi = (3, 0, 1)$, $\lb = 4$
Spiegazione. Zona 1: residui $4, 3$ → $\pi_1 = 3$, residui $(1, 0, 5, 3)$. Zona 2: elementi 2 e 4, residui $0, 3$ → $\pi_2 = 0$. Zona 3: elementi 1 e 3, residui $1, 5$ → $\pi_3 = 1$. Valore $4$, lower bound perché ammissibile per costruzione.
Primale di minimo con un vincolo di **uguaglianza** $\sum_j a_{ij} x_j = b_i$ (per esempio «ogni lavoro su esattamente una macchina»). Che variabile duale gli corrisponde?
Una $\pi_i \ge 0$
Una $\pi_i \le 0$
Nessuna: le uguaglianze non hanno duale
Una $\pi_i$ libera, senza vincolo di segno
Spiegazione. Un'uguaglianza equivale a due disuguaglianze di verso opposto, con duali di segno opposto: la loro differenza è una variabile libera.
Zaino $5x_1 + 4x_2 + 3x_3 + 3x_4 \le 9$, valori $(10, 7, 6, 4)$: il rilassamento con i bound ha soluzione $\tilde x = (1, 1/4, 1, 0)$. Il taglio di copertura per $S = \{1, 2, 3\}$ è $x_1 + x_2 + x_3 \le 2$. Che cosa succede in $\tilde x$?
È soddisfatto con margine
Non si può valutare: $\tilde x$ è frazionaria
È violato ($9/4 > 2$): aggiungerlo taglia $\tilde x$ e rafforza il rilassamento
È soddisfatto all'uguaglianza, quindi non serve
Spiegazione. $1 + 1/4 + 1 = 9/4 > 2$. Il taglio è valido (ogni soluzione intera lo rispetta) e separa $\tilde x$: con le quattro coperture il rilassamento scende da $71/4$ a $69/4$.
Zaino binario di massimo con capacità $b$: $\zmilp(10) = 17$, $\zmilp(11) = 20$, e il duale ottimo del vincolo di capacità nel rilassamento lineare vale $7/4$. Di quanto cresce davvero l'ottimo intero da $b = 10$ a $b = 11$?
$7/4$
$0$
$3$
$20/11$
Spiegazione. La variazione vera è $20 - 17 = 3$, più del duale dell'LP: la risposta del problema intero è a scatti, a volte $0$ (da $9$ a $10$), a volte più del prezzo marginale.
MILP di minimo; $\bar\pi$ è una soluzione del duale del rilassamento costruita a mano con una delle ricette del corso (azzerare e saturare, costruttiva sui vincoli, rapporto migliore). Qual è l'unica proprietà che rende valido il bound $\sum_i b_i \bar\pi_i \le \zmilp$?
L'ammissibilità di $\bar\pi$ per il duale, verificata vincolo per vincolo
Il fatto che la ricetta parta da $\bar\pi = 0$
L'ottimalità di $\bar\pi$ per il duale
L'interezza delle componenti di $\bar\pi$
Spiegazione. La dualità debole richiede solo l'ammissibilità. Una soluzione duale non ottima dà un bound più debole, ma valido; una non ammissibile non dà nulla.
Attivazione con $n = 3$ oggetti e una risorsa: formulazione aggregata $A$: $x_1 + x_2 + x_3 \le 3y$; disaggregata $B$: $x_i \le y$ per ogni $i$ (tutte binarie). Il punto frazionario $x = (1, 0, 0)$, $y = 1/3$ a quale rilassamento appartiene?
A entrambi: le due formulazioni hanno lo stesso rilassamento
Solo a quello di $B$
Solo a quello di $A$: in $B$ viola $x_1 \le y$, quindi $X_B \subsetneq X_A$
A nessuno dei due
Spiegazione. In $A$: $1 \le 3 \cdot 1/3 = 1$, ammissibile. In $B$: $x_1 = 1 > 1/3 = y$, escluso. Stessi punti interi, poliedro di $B$ strettamente contenuto: $B$ è più forte.
Due formulazioni $A$ e $B$ di un MILP di **minimo**, con gli stessi punti interi e $X_B \subseteq X_A$ (poliedri dei rilassamenti). Che relazione c'è fra i valori dei rilassamenti $z_A$ e $z_B$?
$z_A \le z_B \le \zmilp$: il rilassamento di $B$ dà un bound almeno altrettanto buono
$z_A = z_B$, perché i punti interi sono gli stessi
Nessuna relazione generale
$z_B \le z_A \le \zmilp$
Spiegazione. Minimizzare su un insieme più piccolo non può dare un valore più basso: $z_A \le z_B$; entrambi restano sotto $\zmilp$ perché contengono tutti i punti interi.
MILP di **massimo** $\max\{f(x) : x \in X\}$ e un problema $\max\{f(x) : x \in \hat X\}$ con $X \subseteq \hat X$. Che relazione c'è fra i due ottimi?
Sono uguali
Nessuna relazione
L'ottimo su $\hat X$ è minore o uguale
L'ottimo su $\hat X$ è maggiore o uguale: è un rilassamento, quindi un upper bound
Spiegazione. In un massimo, ottimizzare su un insieme più grande non può dare un valore più basso: il rilassamento dà un upper bound. Nei minimi la disuguaglianza si rovescia.
Primale di minimo con una variabile $x_j$ **libera** (senza vincolo di segno) e costo $c_j$. Che vincolo duale le corrisponde?
Un vincolo $\sum_i a_{ij}\pi_i \ge c_j$
Un vincolo di uguaglianza $\sum_i a_{ij}\pi_i = c_j$
Un vincolo $\sum_i a_{ij}\pi_i \le c_j$
Nessun vincolo: la variabile sparisce
Spiegazione. Variabile $\ge 0$ → vincolo duale $\le c_j$; variabile libera → uguaglianza. Il segno delle variabili primali decide il verso dei vincoli duali.
Programma lineare di minimo con soluzione ammissibile $\bar x$ di valore $40$ e soluzione duale ammissibile $\bar\pi$ di valore $40$. Che cosa si conclude?
Nulla senza risolvere
Solo $\bar x$ è ottima
Entrambe sono ottime: per dualità debole nessuna soluzione primale vale meno di $40$ e nessuna duale più di $40$
Il problema è illimitato
Spiegazione. La dualità debole dà $\sum_i b_i\pi_i \le \sum_j c_j x_j$ per ogni coppia ammissibile: valori uguali chiudono il problema, ed è il certificato di ottimalità del programma lineare.
Protocollo dei bound per un problema di **massimo**: l'euristica dà $40$, il duale a mano $55$, i rilassamenti $\zlp = 52$ (senza bound) e $\zlpp = 50$ (con $0 \le x \le 1$), l'ottimo intero $45$. Quale riga contiene un errore?
$\zlpp$ dovrebbe superare $\zlp$
Nessun errore: $40 \le 45 \le 50 \le 52 \le 55$ è l'ordine atteso in un massimo
Il duale a mano dovrebbe valere al più $\zlp$
L'euristica dovrebbe superare l'ottimo
Spiegazione. In un massimo: soluzione ammissibile $\le \zmilp \le \zlpp \le \zlp \le$ duale ammissibile (che è di minimo e vale almeno $\zlp$). Tutti i valori rispettano la catena.
In gurobipy (l'interfaccia Python di Gurobi) si dichiara la variabile duale di un vincolo di uguaglianza, che deve poter assumere valori negativi. Quale chiamata è corretta?
`addVar()` senza argomenti
`addVar(vtype=GRB.BINARY)`
`addVar(lb=-GRB.INFINITY)`
`addVar(ub=GRB.INFINITY)`
Spiegazione. Una variabile continua ha `lb = 0` per default: senza `lb=-GRB.INFINITY` il modello è silenziosamente sbagliato. `GRB.BINARY` implica già `lb = 0` e `ub = 1`, e `ub` infinito è già il default.
Gurobi, problema di minimo. Dopo `optimize()` si legge `Status = TIME_LIMIT` (limite di tempo raggiunto) e `SolCount` $\ge 1$ (almeno una soluzione intera trovata). `ObjVal` è il valore della soluzione migliore, `ObjBound` il bound duale. Che cosa si può riportare?
`ObjBound` $\le \zmilp \le$ `ObjVal`
$\zmilp =$ `ObjBound`
$\zmilp =$ `ObjVal`
Niente: senza `OPTIMAL` nessun numero ha significato
Spiegazione. Con il limite di tempo e almeno una soluzione si riporta un intervallo; dire «l'ottimo è `ObjVal`» sarebbe falso. Con `SolCount = 0` invece non c'è nulla da riportare.
Gurobi, problema di minimo, con il parametro `SolutionLimit = 1` (fermarsi alla prima soluzione intera). Il solver si ferma con `Status = 10`, `ObjVal = 12` (valore della soluzione) e `ObjBound = 10` (bound duale). Che cosa è corretto dire dell'ottimo $\zmilp$?
Sta fra $10$ e $12$
Vale $12$
Il modello è inammissibile
Vale $10$
Spiegazione. Il solver ha una soluzione di valore $12$ e un bound di $10$: l'unica affermazione sicura è l'intervallo $10 \le \zmilp \le 12$.
Gurobi considera intera una variabile entro la tolleranza `IntFeasTol` ($10^{-5}$). Una binaria `x` torna con valore `x.X` $= 0{,}9999999997$. Come si controlla nel codice Python se vale $1$?
`if x.X > 0.5`
`if x.X >= 1`
`if round(x.X, 12) == 1`
`if x.X == 1`
Spiegazione. «Intero» significa intero entro la tolleranza: i confronti si fanno con un margine, e per una binaria basta la soglia $0{,}5$. Il confronto esatto, anche dopo un arrotondamento a molte cifre, fallisce su questo valore.
Commesso viaggiatore su $n$ città, formulazione MTZ: $x_{ij} = 1$ se il giro va da $i$ a $j$, e $u_i \in [1, n-1]$ è la posizione della città $i \ne 1$ lungo il giro. Che cosa impone il vincolo $u_i - u_j + n\, x_{ij} \le n - 1$ quando $x_{ij} = 1$?
$u_i = u_j$: le due città hanno la stessa posizione
$u_i \ge u_j + 1$: la posizione di $i$ segue quella di $j$
$u_i - u_j \le n - 1$, che non vieta nulla
$u_j \ge u_i + 1$: la posizione di $j$ segue quella di $i$
Spiegazione. Con $x_{ij} = 1$ resta $u_i - u_j \le -1$. Con $x_{ij} = 0$ diventa $u_i - u_j \le n - 1$, sempre vero perché le $u$ stanno fra $1$ e $n - 1$. Un sottociclo senza la città $1$ richiederebbe posizioni sempre crescenti che si richiudono.
Bin packing: oggetti di peso $w = (5, 4, 3, 3)$, contenitori di capacità $c = 7$; $x_{jb} = 1$ se l'oggetto $j$ va nel contenitore $b$, $y_b = 1$ se $b$ è usato, vincoli $\sum_j w_j x_{jb} \le c\, y_b$, obiettivo $\min \sum_b y_b$. Quanto vale il rilassamento lineare?
$2$
$4$
$15/7$
$3$
Spiegazione. Il rilassamento compra frazioni di contenitore e scende a $\sum_j w_j / c = 15/7 \approx 2{,}14$: non sa che un contenitore si apre tutto intero. L'ottimo intero è $3$.
Assegnamento con $3$ lavori e $3$ macchine: $x_{jm} \in \{0,1\}$ per ogni coppia, un vincolo «assegna» $\sum_m x_{jm} = 1$ per lavoro e un vincolo di disponibilità $\sum_j t_{jm} x_{jm} \le a_m$ per macchina. Quante variabili e quanti vincoli (esclusi i domini) ha il modello?
$9$ variabili e $3$ vincoli
$9$ variabili e $9$ vincoli
$9$ variabili e $6$ vincoli
$6$ variabili e $9$ vincoli
Spiegazione. Una variabile per coppia lavoro-macchina ($3 \cdot 3 = 9$), un vincolo «assegna» per lavoro e uno di disponibilità per macchina ($3 + 3 = 6$).
Makespan su macchine identiche: $d_j$ è la durata del lavoro $j$, $x_{jm} = 1$ se $j$ va sulla macchina $m$, e il modello è $\min z$ con $\sum_j d_j x_{jm} - z \le 0$ per ogni macchina. Quale tecnica di modellazione è?
Il max-min: $z$ sale al carico della macchina meno carica
Un big-M che spegne le macchine non usate
Il min-max: $z$ scende al carico della macchina più carica
Un vincolo di set covering sulle macchine
Spiegazione. Le righe di carico tengono $z$ sopra ogni carico e il minimo la schiaccia sul più grande: è la tecnica min-max.
Gurobi si ferma quando il gap relativo fra `ObjVal` (soluzione migliore) e `ObjBound` (bound duale) scende sotto il parametro `MIPGap`, di default $10^{-4}$. Quale enunciato è corretto?
Con il default il solver può dichiarare `OPTIMAL` prima di aver raggiunto l'ottimo esatto
`ObjBound` a fine risoluzione è il valore del rilassamento della radice
Il `Runtime` di due modelli con impostazioni diverse dice quale formulazione è più forte
`OPTIMAL` garantisce l'ottimo esatto, qualunque sia il valore di `MIPGap`
Spiegazione. Il solver si ferma quando il gap relativo scende sotto `MIPGap`: su istanze con valori grandi conviene abbassarlo. `ObjBound` non è il rilassamento della radice, e i tempi con impostazioni diverse non si confrontano.
Dopo `optimize()` in Gurobi si vuole scrivere nella relazione «l'ottimo del MILP è `ObjVal`». Quale controllo è necessario e sufficiente?
Che `SolCount` sia almeno $1$
Che `ObjVal` sia un numero intero
Che `Status` valga `OPTIMAL`
Che `NodeCount` valga $0$
Spiegazione. Solo con `Status = OPTIMAL` l'ottimo è dimostrato. Con `SolCount` $\ge 1$ ma un limite raggiunto si riporta l'intervallo fra `ObjBound` e `ObjVal`; `NodeCount` e l'interezza del valore non dicono nulla.
In gurobipy, `r = m.relax()` restituisce una copia del modello `m` in cui le variabili binarie diventano continue in $[0,1]$ e le intere continue sopra il loro `lb`. Che cosa si ottiene con `r.optimize()` e `r.ObjVal`?
Il bound duale finale `ObjBound` del modello intero `m`
Il valore della soluzione intera migliore di `m`
Il valore del rilassamento della radice dopo i tagli e il presolve del solver
Il valore del rilassamento lineare del modello scritto, con i bound delle binarie
Spiegazione. `relax()` costruisce il rilassamento del modello così come è scritto: è il numero da confrontare con i bound costruiti a mano. Il rilassamento rafforzato dal solver e `ObjBound` sono un'altra cosa.
Gurobi restituisce `Status = TIME_LIMIT` e `SolCount = 0`: il limite di tempo è scaduto senza che sia stata trovata alcuna soluzione intera. Che cosa si può riportare sull'ottimo del MILP?
Che il modello è inammissibile
Che l'ottimo vale `ObjBound`
Niente: né una soluzione né, in generale, un bound utile
Che l'ottimo sta fra `ObjBound` e `ObjVal`
Spiegazione. Senza soluzioni non c'è un lato pessimistico, e il limite di tempo non dimostra l'inammissibilità (per quella serve `Status = INFEASIBLE`). Non si scrive nemmeno un gap.
Bin packing con $n = 5$ oggetti e $k = 5$ contenitori disponibili: binarie $x_{jb}$ (oggetto $j$ nel contenitore $b$) e $y_b$ (contenitore usato), vincoli $\sum_b x_{jb} = 1$ per oggetto e $\sum_j w_j x_{jb} \le c\, y_b$ per contenitore. Quante variabili e quanti vincoli (esclusi i domini)?
$30$ variabili e $30$ vincoli
$30$ variabili e $10$ vincoli
$25$ variabili e $10$ vincoli
$30$ variabili e $5$ vincoli
Spiegazione. Le $x_{jb}$ sono $5 \cdot 5 = 25$ e le $y_b$ sono $5$: $30$ variabili. I vincoli sono $5$ di assegnamento e $5$ di capacità: $10$.
Commesso viaggiatore con $x_{ij} = 1$ se il giro va da $i$ a $j$, e i soli vincoli «da ogni città si esce una volta» e «in ogni città si entra una volta». Quale enunciato è corretto?
Descrivono esattamente i giri hamiltoniani, e i vincoli MTZ servono solo a rafforzare il rilassamento
Ammettono solo giri che passano per la città $1$, quindi i sottocicli sono impossibili
Ammettono sottocicli solo se le distanze non sono simmetriche
Ammettono soluzioni fatte di più sottocicli disgiunti, che i vincoli MTZ escludono
Spiegazione. Uscire ed entrare una volta da ogni città descrive un insieme di cicli disgiunti, non necessariamente uno solo. Le variabili di posizione $u_i$ della formulazione MTZ vietano i cicli che non toccano la città $1$.
In gurobipy `x = m.addVars(n, k, vtype=GRB.BINARY)` assegna il lavoro $j$ alla macchina $h$. Quale istruzione scrive la famiglia «ogni lavoro su esattamente una macchina», $\sum_h x_{jh} = 1$ per ogni $j$?
`m.addConstrs(x.sum('*', j) == 1 for j in range(n))`
`m.addConstrs(x.sum(j, '*') == 1 for j in range(1, n))`
`m.addConstr(x.sum(j, '*') == 1 for j in range(n))`
`m.addConstrs(x.sum(j, '*') == 1 for j in range(n))`
Spiegazione. `addConstrs` aggiunge una famiglia da un generatore; `x.sum(j, '*')` somma sull'indice muto della macchina. Sommare sul primo indice conta i lavori di una macchina; `range(1, n)` salta il lavoro $0$.
In gurobipy una deviazione con segno $d \in \mathbb{R}$, che deve poter essere negativa, viene dichiarata con `d = m.addVar()`, senza argomenti. Che cosa succede?
$d$ è libera per default, quindi il modello è corretto
$d$ diventa binaria, perché è il tipo di default
$d$ riceve `lb = 0` per default e il modello risolto è un altro, senza alcun avviso
Gurobi segnala un errore, perché manca il dominio
Spiegazione. Una variabile continua ha `lb = 0` per default: chi deve poter essere negativa va dichiarata con `lb=-GRB.INFINITY`, altrimenti il modello è silenziosamente sbagliato.
Nel codice del corso il modello si costruisce con una funzione `modello(t, c, a)` che riceve i dati come argomenti, invece di leggerli da variabili globali. Perché?
Perché così il solver risolve il modello più in fretta
Così la stessa funzione serve per l'istanza base e per tutte le varianti
Per evitare la differenza fra indici che partono da zero e da uno
Perché gurobipy non può leggere variabili globali
Spiegazione. È una delle tre regole di scrittura del corso (insieme a una `addConstrs` per famiglia e alle variabili dichiarate tutte insieme): i dati come argomenti rendono la funzione riusabile su istanze diverse.
In gurobipy, prima di `r = m.relax()` (che restituisce una copia di `m` con le variabili intere rese continue) il codice del corso chiama `m.update()`. Perché?
`relax()` copia il modello, e le modifiche ancora pendenti vanno applicate prima
`update()` dichiara continue le binarie, e `relax()` si limita a copiarle
`update()` azzera i parametri del solver, che altrimenti passerebbero alla copia
`update()` risolve il modello intero, e `relax()` richiede un modello già risolto
Spiegazione. gurobipy applica le modifiche in modo pigro: variabili e vincoli aggiunti entrano nel modello solo con `update()` o `optimize()`. Senza, la copia di `relax()` potrebbe non contenerli.
Makespan su macchine identiche: $4$ lavori di durata $d = (3, 4, 5, 6)$ su $k = 2$ macchine; binarie $x_{jm}$ (lavoro $j$ sulla macchina $m$), una continua $z$, vincoli $\sum_m x_{jm} = 1$ per lavoro e $\sum_j d_j x_{jm} - z \le 0$ per macchina, $\min z$. Quante variabili e quanti vincoli (domini esclusi)?
$9$ variabili e $6$ vincoli
$9$ variabili e $4$ vincoli
$8$ variabili e $6$ vincoli
$9$ variabili e $8$ vincoli
Spiegazione. Variabili: $4 \cdot 2 = 8$ binarie più $z$, cioè $9$. Vincoli: $4$ di assegnamento più $2$ di carico, cioè $6$. Dimenticare $z$ dà $8$; contare un vincolo di carico per coppia dà $8$.
Nel protocollo del corso, la soluzione dell'euristica costruttiva passa per `assert ammissibile(m, ...)` prima che il suo valore diventi un bound primale. Che cosa controlla quella verifica?
I soli vincoli lineari, anche con componenti frazionarie
Vincoli, bound delle variabili e interezza
Che la soluzione sia ottima per il MILP
Che valga la dualità forte con il duale scritto a mano
Spiegazione. Solo una soluzione che soddisfa vincoli, bound **e** interezza è ammissibile per il MILP, e solo allora il suo valore è un bound primale.
Il protocollo del corso, per ogni problema, segue sempre lo stesso ordine di passi. Quale?
Dati, LP e duale, modello, MIP, euristica e verifica, tabella
Dati, modello, euristica e verifica, LP e duale, MIP, tabella
Dati, modello, MIP, euristica e verifica, LP e duale, tabella
Modello, dati, MIP, tabella, euristica e verifica, LP e duale
Spiegazione. Prima i due bound costruiti a mano (euristica, poi duale), poi il solver: così il MIP serve a giudicare i bound, e non il contrario. La tabella raccoglie tutti i numeri alla fine.
La licenza inclusa nel pacchetto pip di `gurobipy` permette modelli fino a $2000$ variabili e $2000$ vincoli. Che cosa succede se un modello supera il limite?
Gurobi dà un errore esplicito all'atto di `optimize()`
Gurobi risolve il rilassamento lineare al posto del MILP
Gurobi risolve solo le prime $2000$ variabili e restituisce un ottimo parziale
Gurobi restituisce `Status = TIME_LIMIT` senza soluzioni
Spiegazione. La licenza *size-limited* non produce mai silenziosamente un risultato sbagliato: oltre il limite `optimize()` fallisce con un errore. Le istanze del corso stanno tutte molto sotto il limite.
Nel codice del corso, ogni numero citato nella dispensa (bound, ottimi, gap) esce da un CSV prodotto dallo script del problema. Che cosa fa `verifica_numeri.py`?
Confronta con un `assert` ogni numero citato nel testo con il valore nel CSV
Risolve di nuovo ogni MILP con un altro solver e confronta gli ottimi
Riscrive i numeri del testo copiandoli dal CSV
Controlla che ogni modello stia nel limite della licenza
Spiegazione. Un numero esiste in un solo posto, il CSV; la dispensa, il sito e la verifica lo leggono da lì, e gli `assert` segnalano ogni disaccordo.
In gurobipy, `r = m.relax()` seguito da `r.optimize()`. Per riportare `r.ObjVal` come $\zlpp$, il rilassamento lineare con i bound del modello scritto `m`, che cosa serve?
Che `m` sia stato risolto prima, così che `relax()` ne erediti la soluzione
Che `m` sia aggiornato con `update()` prima di `relax()` e che `r` termini con `Status = OPTIMAL`
Che il modello intero `m` termini con `NodeCount = 0`
Che `r.ObjVal` coincida con `m.ObjBound` a fine risoluzione
Spiegazione. `r` è una copia di `m` con le intere rese continue: serve che la copia contenga tutto il modello (da cui `update()`) e che il suo LP sia risolto all'ottimo. `ObjBound` è un'altra cosa: può includere tagli e ramificazione.
In gurobipy (l'interfaccia Python di Gurobi) un modello `m` contiene le variabili `x`. Quale istruzione imposta l'obiettivo «massimizzare $\sum_j p_j x_j$»?
`m.setObjective(gp.quicksum(p[j] * x[j] for j in J), GRB.MAXIMIZE)`
`m.optimize(gp.quicksum(p[j] * x[j] for j in J), GRB.MAXIMIZE)`
`m.addConstr(gp.quicksum(p[j] * x[j] for j in J), GRB.MAXIMIZE)`
`m.setObjective(max(p[j] * x[j] for j in J))`
Spiegazione. `setObjective(espressione, verso)` fissa l'obiettivo; `quicksum` costruisce la somma lineare. `addConstr` aggiunge vincoli, `max` di Python non costruisce un'espressione lineare, `optimize()` non prende argomenti.
In gurobipy, dopo `m.optimize()` con `m.Status == GRB.OPTIMAL`, come si leggono il valore ottimo e il valore della variabile `x[2]`?
`m.Status` e `x[2].VarName`
`m.getObjective()` e `x[2].LB`
`m.ObjBound` e `x[2].Start`
`m.ObjVal` e `x[2].X`
Spiegazione. `ObjVal` è il valore della soluzione migliore (qui ottima) e l'attributo `X` di una variabile il suo valore. `ObjBound` è il bound duale, `Start` un valore di partenza, `LB` il limite inferiore.
In gurobipy si dichiarano le quattro classi di variabili del corso: binaria, intera non negativa, continua non negativa, continua libera. Quale dichiarazione corrisponde alla **intera non negativa**?
`m.addVar(vtype=GRB.BINARY, ub=GRB.INFINITY)`
`m.addVar(vtype=GRB.INTEGER)`
`m.addVar(lb=0)`
`m.addVar(vtype=GRB.INTEGER, lb=-GRB.INFINITY)`
Spiegazione. Il limite inferiore predefinito è $0$, quindi `vtype=GRB.INTEGER` basta. Con `lb=-GRB.INFINITY` sarebbe intera libera; `addVar(lb=0)` è continua.
In gurobipy il valore assoluto $|u - v|$ si linearizza con una variabile $d$ e i vincoli $d \ge u - v$, $d \ge v - u$; la differenza con segno $s = u - v$ invece deve poter essere negativa. Uno studente dichiara entrambe con `m.addVar()`. Quale delle due è dichiarata male?
$d$: un valore assoluto va dichiarato con `lb=-GRB.INFINITY`
Nessuna: `addVar()` crea variabili libere
$s$: senza `lb=-GRB.INFINITY` il limite inferiore è $0$ e i valori negativi sono vietati
Entrambe: `addVar()` senza argomenti crea una variabile binaria
Spiegazione. `addVar()` crea una continua con $\mathrm{lb} = 0$. Per $d \ge |u - v| \ge 0$ va bene; per $s$, che può essere negativa, serve `lb=-GRB.INFINITY`, altrimenti il modello taglia soluzioni senza avvisare.
Nel codice del corso il modello si scrive «una famiglia per blocco». Che cosa vuol dire?
Ogni famiglia di vincoli va in un modello Gurobi diverso
Ogni famiglia di variabili o di vincoli del modello matematico corrisponde a una sola istruzione (`addVars`, `addConstrs`), con un commento che la nomina
Variabili e vincoli si scrivono nello stesso blocco, mescolati, per risparmiare righe
Ogni vincolo si scrive con un'istruzione `addConstr` separata, uno per riga
Spiegazione. La corrispondenza uno a uno fra le famiglie del modello scritto e i blocchi del codice rende il codice verificabile riga per riga contro il modello.
In gurobipy `x = m.addVars(n, k, vtype=GRB.BINARY)` assegna il lavoro $j$ alla macchina $h$, con durate `t[j, h]` e disponibilità `a[h]`. Quale istruzione scrive la famiglia «la macchina $h$ non supera la sua disponibilità», un vincolo per macchina?
`m.addConstrs(gp.quicksum(t[j, h] * x[j, h] for j in range(n)) <= a[h] for h in range(k))`
`m.addConstrs(t[j, h] * x[j, h] <= a[h] for j in range(n) for h in range(k))`
`m.addConstrs(gp.quicksum(t[j, h] * x[j, h] for h in range(k)) <= a[h] for j in range(n))`
`m.addConstr(gp.quicksum(t[j, h] * x[j, h] for j in range(n) for h in range(k)) <= sum(a))`
Spiegazione. Un vincolo per macchina: il generatore esterno corre su $h$, la somma su $j$. La seconda è un solo vincolo aggregato, la terza un vincolo per coppia, la quarta somma sull'indice sbagliato.
Gurobi, problema di minimo con `MIPGap` $= 10^{-4}$ (default): il solver si ferma appena $|\text{ObjVal} - \text{ObjBound}|/|\text{ObjVal}| \le 10^{-4}$. Con `ObjVal` $= 20000$, quale valore di `ObjBound` basta per fermarsi con `Status = OPTIMAL`?
$19800$
$19990$
$19998$
$19980$
Spiegazione. Serve $20000 - \text{ObjBound} \le 20000 \cdot 10^{-4} = 2$, cioè $\text{ObjBound} \ge 19998$. Per questo «ottimo» per Gurobi significa ottimo entro la tolleranza.
Uno script del corso verifica una soluzione di Gurobi con `assert x[j].X == 1` per una binaria, e l'assert fallisce anche se il solver ha dato `Status = OPTIMAL`. Qual è la causa più probabile, e la correzione?
`X` è il valore del rilassamento: va letto `x[j].Xn`
Il valore è $1$ solo entro `IntFeasTol` (per esempio $0{,}9999999$): si confronta con `round(x[j].X)` o con una tolleranza
Le binarie in gurobipy valgono `True`/`False`: va scritto `x[j].X is True`
Il solver ha restituito una soluzione non ammissibile: va rilanciato con `MIPGap = 0`
Spiegazione. Gurobi considera intera una variabile entro la tolleranza di interezza: il valore floating può essere $0{,}9999999997$. Il confronto esatto fallisce; si arrotonda o si usa una tolleranza.
In gurobipy `r = m.relax()` produce il rilassamento lineare del modello `m`. Che cosa diventano le variabili binarie e quale dei due rilassamenti del corso si ottiene?
Continue in $[0,1]$: si ottiene $\zlpp$, il rilassamento con i bound
Continue in $[0, +\infty)$: si ottiene $\zlp$, il rilassamento senza i bound
Spariscono: `relax()` le fissa a $0$
Restano binarie, ma il solver smette di ramificare
Spiegazione. `relax()` toglie il tipo intero conservando i limiti: una binaria diventa continua in $[0,1]$, cioè il rilassamento con i bound $\zlpp$.
Bin packing: oggetti di peso $w = (6, 5, 4, 3, 2)$ in contenitori di capacità $c = 10$. Il lower bound $\lceil \sum_j w_j / c \rceil$ dice che servono almeno quanti contenitori?
$1$
$2$
$3$
$5$
Spiegazione. $\sum_j w_j = 20$ e $20/10 = 2$: servono almeno $2$ contenitori. Qui bastano: $\{6, 4\}$ e $\{5, 3, 2\}$, quindi l'ottimo è $2$.
Makespan su $k$ macchine identiche, lavori di durata $d_j$, modello $\min z$ con $\sum_j d_j x_{jm} \le z$ per ogni macchina e $\sum_m x_{jm} = 1$ per ogni lavoro. Quale valore è sempre un lower bound sull'ottimo $\zmilp$?
$\sum_j d_j$
$\sum_j d_j / k - \max_j d_j$
$\max\{\sum_j d_j / k,\ \max_j d_j\}$
$\min_j d_j$
Spiegazione. Il carico medio $\sum_j d_j / k$ non può superare il carico massimo, e il lavoro più lungo sta tutto su una macchina: entrambi sono lower bound, quindi anche il loro massimo. $\sum_j d_j$ è un upper bound (tutto su una macchina).
TSP su $n$ città con la formulazione MTZ: $u_i - u_j + (n-1)x_{ij} \le n - 2$ per ogni arco $(i,j)$ con $i, j \ne 1$, e $u_i \in [1, n-1]$ posizione della città $i$ nel giro. Perché i vincoli **escludono** la città $1$?
Perché i sottogiri non possono mai passare per la città 1
Perché la città 1 ha sempre posizione $u_1 = n$
Per risparmiare vincoli: includerla darebbe lo stesso modello
Il giro deve tornare alla partenza: con la città 1 inclusa anche il ciclo hamiltoniano verrebbe vietato
Spiegazione. Lungo un ciclo che usa gli archi $(i,j)$ i vincoli impongono $u_j \ge u_i + 1$; sommandoli su un ciclo si ottiene una contraddizione. Escludendo la città 1 restano vietati solo i cicli che non la toccano, cioè i sottogiri, e il giro completo sopravvive.
Nel protocollo del corso ogni problema produce la tabella $\ub$ (euristica), $\lb$ (duale a mano), $\zlp$ e $\zlpp$ (rilassamenti senza e con i bound $0 \le x \le 1$), $\zmilp$ (ottimo intero), gap. Da dove arriva, nel codice, il valore $\zlp$ (rilassamento senza i bound)?
Dal modello del rilassamento senza i bound, o dal duale scritto a mano, risolto con Gurobi: per dualità forte i due valori coincidono
Da `m.ObjBound` dopo l'ottimizzazione del MILP
Dall'euristica costruttiva, come valore della sua soluzione
Da `m.relax()`, che toglie anche i limiti superiori delle binarie
Spiegazione. `relax()` conserva i bound e dà $\zlpp$; `ObjBound` è il bound finale del solver; l'euristica dà $\ub$. Il valore $\zlp$ è l'ottimo del rilassamento senza bound, uguale per dualità forte all'ottimo del duale scritto a mano: è il controllo dell'`assert`.
Nel protocollo del corso, perché la soluzione duale costruita a mano passa per un controllo di ammissibilità (ogni vincolo duale e ogni segno) prima che il suo valore entri in tabella?
Perché il valore duale deve coincidere con l'ottimo intero
Perché Gurobi rifiuta soluzioni duali non intere
Perché solo una soluzione duale ammissibile dà un bound valido per dualità debole
Perché il duale costruito a mano è sempre ottimo, e va solo confermato
Spiegazione. La dualità debole vale per le soluzioni duali ammissibili: una soluzione che viola anche un solo vincolo duale non dà alcun bound. Una soluzione costruita a mano in generale non è ottima.
Il codice del corso si esegue anche su Colab: ogni capitolo ha un notebook che si apre dal badge in cima alla pagina. Che cosa fa la prima cella di ciascun notebook?
Installa `gurobipy` e scarica i tre moduli Python comuni del corso
Attiva la licenza accademica di Gurobi dal portale
Risolve tutti i modelli del corso e salva i CSV
Esegue `verifica_numeri.py` su tutti i capitoli
Spiegazione. La prima cella prepara l'ambiente: installa il pacchetto pip `gurobipy` (con la licenza limitata inclusa, che basta per le istanze del corso) e scarica i moduli comuni; le celle successive costruiscono e risolvono i modelli del capitolo.
Dalla cartella `python/` del corso, dopo aver creato l'ambiente virtuale e installato `gurobipy pandas matplotlib`, quale comando esegue tutti i capitoli e i notebook in una volta?
`python3 fam07_1_assegnamento.py`
`python3 esegui_tutti.py`
`pip install esegui_tutti`
`python3 verifica_numeri.py`
Spiegazione. `esegui_tutti.py` lancia tutti gli script e i notebook; `verifica_numeri.py` controlla con gli `assert` i numeri citati; `fam07_1_assegnamento.py` esegue un solo problema.
`addConstr` aggiunge un solo vincolo; `addConstrs` uno per ogni elemento di un generatore (una famiglia)
Spiegazione. `addConstrs(espr for i in I)` crea un vincolo per ogni $i$, indicizzato come il generatore: è il modo di scrivere una famiglia in un'istruzione.
Gurobi, dopo `optimize()`: `Status = INFEASIBLE`. Che cosa si può affermare, e che cosa non si può leggere?
Il modello è illimitato
Il solver non ha trovato soluzioni entro il tempo, ma potrebbero esistere
Il modello scritto non ha soluzioni ammissibili; `ObjVal` non esiste e va letto lo stato prima di qualunque valore
`ObjVal` contiene il valore del rilassamento
Spiegazione. `INFEASIBLE` è una dimostrazione (per il modello scritto) che non esistono soluzioni. È diverso da `TIME_LIMIT` con `SolCount = 0`, dove non si sa nulla. In entrambi i casi leggere `ObjVal` dà un errore.
Commesso viaggiatore su $n = 6$ città, formulazione MTZ: $x_{ij}$ binaria per ogni arco orientato $(i, j)$ con $i \ne j$, e una variabile di posizione $u_i$ per ogni città diversa dalla 1. Quante variabili ha il modello?
$41$
$36$
$30$
$35$
Spiegazione. Archi orientati: $6 \cdot 5 = 30$; posizioni: $5$. Totale $35$. ($36$ conterebbe anche gli archi da una città a sé stessa.)
MILP di **minimo** con binarie; `r = m.relax()` e `r.optimize()` danno $\zlpp$, mentre il duale scritto a mano (rilassamento senza i bound) ha ottimo $\zlp$. Quale relazione deve risultare, se tutto è corretto?
$\zmilp \le \zlpp \le \zlp$
$\zlp = \zlpp$ sempre
$\zlp \le \zlpp \le \zmilp$
$\zlpp \le \zlp \le \zmilp$
Spiegazione. `relax()` conserva i bound $x \le 1$, quindi risolve un problema con più vincoli del rilassamento senza bound: in un minimo il valore può solo salire, restando sotto l'ottimo intero.
Bin packing in gurobipy: $x_{jb} = 1$ se l'oggetto $j$ va nel contenitore $b$, $y_b = 1$ se il contenitore è usato, capacità $c$. Quale vincolo lega capacità e uso del contenitore $b$?
$\sum_j w_j x_{jb} \le c$
$\sum_b x_{jb} \le y_b$
$\sum_j w_j x_{jb} \le c\, y_b$
$x_{jb} \le c\, y_b$
Spiegazione. Il vincolo aggregato fa due cose: rispetta la capacità di un contenitore usato e, con $y_b = 0$, vieta di metterci oggetti. Senza $y_b$ il modello non conterebbe i contenitori usati.
Makespan su macchine identiche: $\min z$ con $\sum_j d_j x_{jm} \le z$ per ogni macchina $m$. Perché all'ottimo $z$ vale esattamente il carico della macchina più carica?
Perché c'è un vincolo $z = \max_m \sum_j d_j x_{jm}$
$z$ sta sopra ogni carico per i vincoli e l'obiettivo lo spinge in basso: si ferma al massimo dei carichi
Non è vero: $z$ può restare più grande del carico massimo
Perché $z$ è dichiarata intera
Spiegazione. È la variabile di massimo: i vincoli danno $z \ge$ ogni carico, la minimizzazione la porta all'uguaglianza con il più grande. Il $\max$ non si scrive direttamente in un modello lineare.
In gurobipy, quale istruzione crea un modello vuoto e quale lo risolve?
`m = gp.Env()` e `m.solve()`
`m = gp.Model()` e `m.run()`
`m = GRB.Model()` e `gp.optimize(m)`
`m = gp.Model()` e `m.optimize()`
Spiegazione. `gp.Model()` crea il modello, a cui si aggiungono variabili, vincoli e obiettivo; `optimize()` lo risolve, e solo dopo si leggono `Status`, `ObjVal` e i valori `X`.
Gurobi, problema di massimo: `Status = OPTIMAL`, `ObjVal` $= 120$, `ObjBound` $= 120{,}005$, con `MIPGap` di default $10^{-4}$. Che cosa si riporta?
$\zmilp = 120{,}005$
$\zmilp = 120{,}0025$, il punto medio
$120 \le \zmilp \le 120{,}005$, ottimo non dimostrato
$\zmilp = 120$ (ottimo entro la tolleranza)
Spiegazione. Con `OPTIMAL` si riporta `ObjVal`; il gap residuo ($\approx 0{,}004\%$) è sotto la tolleranza, ed è il motivo per cui il solver si è fermato.
In gurobipy si risolve `r = m.relax()` su un modello di assegnamento con vincoli $\sum_m x_{jm} = 1$, e si ottiene una soluzione intera. Che cosa vuol dire?
Il rilassamento con i bound ha un ottimo intero, quindi $\zlpp = \zmilp$ e quella soluzione è ottima anche per il MILP
Che il modello è stato scritto male
Nulla: va risolto comunque il MILP per avere un bound
Che `relax()` non ha tolto l'interezza
Spiegazione. Se l'ottimo del rilassamento è ammissibile per il problema intero (interezza compresa), è ottimo anche per esso. Nei modelli di assegnamento capita spesso, per la struttura della matrice.
Nel protocollo del corso, quale passo viene **prima** della soluzione del MIP con il solver?
Euristica con verifica di ammissibilità, poi duale scritto a mano e rilassamenti
Le figure e i notebook
La tabella dei bound
Il calcolo del gap dell'euristica
Spiegazione. Ordine: dati → modello → euristica e verifica → LP e duale → MIP → tabella → figure e notebook. Il gap dell'euristica richiede l'ottimo, quindi viene dopo il MIP.
Gurobi, problema di minimo, `Status = TIME_LIMIT`, `SolCount` $\ge 1$, `ObjVal` $= 75$, `ObjBound` $= 70$. Quale affermazione è dimostrata?
$\zmilp \ge 75$
$\zmilp = 70$
$70 \le \zmilp \le 75$
$\zmilp = 75$
Spiegazione. La soluzione trovata è ammissibile (upper bound in un minimo), il bound duale è un lower bound: l'ottimo sta fra i due, ma non è dimostrato quale sia.
Bin packing: contenitori di capacità $c$, oggetti di peso $w_j$. Quale valore è sempre un lower bound sul numero minimo di contenitori?
il numero di oggetti
$\lfloor \sum_j w_j / c \rfloor - 1$
$\max_j w_j$
$\lceil \sum_j w_j / c \rceil$
Spiegazione. I contenitori usati portano in tutto al più $c$ per contenitore: servono almeno $\sum_j w_j / c$ contenitori, e il numero è intero. Il numero di oggetti è un upper bound (uno per contenitore).
Un'euristica costruttiva, applicata a un MILP di **massimo** con ottimo $\zmilp$, restituisce una soluzione ammissibile e intera di valore $16$. Come si scrive correttamente il risultato?
$\zmilp = 16$
$\zlp \le 16$
$\zmilp \le \ub = 16$
$\lb = 16 \le \zmilp$
Spiegazione. In un massimo una soluzione ammissibile vale al più l'ottimo: è un lower bound. Chiamare $\ub$ il risultato di un'euristica su un massimo è l'errore di segno più comune.
Assegnamento di lavori a macchine con disponibilità limitata. L'euristica next-fit (riempie una macchina alla volta e non torna indietro) non riesce a sistemare l'ultimo lavoro e risponde «nessuna soluzione trovata». Che cosa se ne conclude?
Che il problema è inammissibile e il modello va corretto
Che serve un'euristica di miglioramento per dimostrare l'inammissibilità
Niente sull'ammissibilità del problema: il fallimento riguarda l'euristica
Che il rilassamento lineare è inammissibile
Spiegazione. Un'euristica costruttiva è miope e non torna indietro. Per dimostrare che un modello è inammissibile serve il solver (`Status = INFEASIBLE`) o una dimostrazione.
Bin packing: oggetti da inserire, nell'ordine dato, in contenitori di capacità fissa. Che cosa distingue l'euristica next-fit dalla first-fit?
First-fit apre un contenitore nuovo per ogni oggetto; next-fit riempie il corrente finché può
Next-fit ordina prima gli oggetti per peso decrescente; first-fit li prende nell'ordine dato
Next-fit sceglie il contenitore che resta più pieno; first-fit il primo in cui l'oggetto entra
Next-fit guarda solo il contenitore corrente e non torna ai precedenti; first-fit prova tutti gli aperti nell'ordine
Spiegazione. Next-fit chiude un contenitore appena un oggetto non ci sta; first-fit mette l'oggetto nel primo contenitore aperto in cui entra. Scegliere il più pieno è il best-fit; entrambe scandiscono gli oggetti nell'ordine dato.
Lot sizing senza capacità (decidere in quali periodi produrre per coprire la domanda, con costo di lancio e di magazzino). Che rapporto c'è fra la regola «least unit cost» e la procedura di Wagner–Whitin?
Wagner–Whitin è il duale costruito a mano della least unit cost, e ne dà un lower bound
La least unit cost è un'euristica, e il suo valore è solo un bound; Wagner–Whitin è un algoritmo esatto
Sono due nomi della stessa euristica, che sceglie i lanci al costo medio per unità più basso
La least unit cost è esatta su questo modello, Wagner–Whitin è un'euristica di miglioramento
Spiegazione. Wagner–Whitin risolve all'ottimo il lot sizing senza capacità con la programmazione dinamica, in tempo polinomiale; la least unit cost decide un lancio alla volta e può fermarsi sopra l'ottimo.
Makespan su $3$ macchine identiche (minimizzare il carico massimo): LPT dà i carichi $(11, 8, 8)$, mentre l'ottimo vale $9$. La ricerca locale con la sola mossa «sposta un lavoro su un'altra macchina» si ferma a $11$. Che cosa si conclude?
Ha dimostrato che il rilassamento lineare vale $11$
Ha trovato un lower bound migliore di quello elementare
Ha dimostrato che $11$ è il makespan ottimo per questa istanza
Ha trovato un ottimo locale, che resta solo un upper bound sul makespan ottimo
Spiegazione. La ricerca locale restituisce una soluzione ammissibile, quindi un upper bound in un minimo, e nient'altro. Qui per arrivare a $9$ serve una mossa di scambio fra due macchine.
Makespan: sette lavori di durata $t = (5, 5, 4, 4, 3, 3, 3)$ su $k = 3$ macchine identiche, minimizzando il carico della macchina più carica. Quanto vale il bound elementare $\max(\max_j t_j,\ \sum_j t_j / k)$?
$11$
$27$
$9$
$5$
Spiegazione. $\max_j t_j = 5$ e $\sum_j t_j / k = 27/3 = 9$: il bound vale $9$, e qui è proprio l'ottimo, mentre LPT dà $11$.
Zaino binario con valori $p = (10, 7, 6, 4)$, pesi $w = (5, 4, 3, 3)$, capacità $9$. L'euristica che scandisce per $p_j/w_j$ decrescente prende gli oggetti 1 e 3 (valore $16$); l'ottimo prende 1 e 2 (valore $17$). Perché l'euristica sbaglia?
L'euristica sceglie in realtà per peso crescente, non per rapporto
L'euristica viola la capacità e la soluzione va riparata
L'oggetto 2 ha il rapporto più alto e l'euristica lo scarta
Dopo gli oggetti 1 e 3 resta una capacità residua che nessun oggetto rimasto riesce a usare
Spiegazione. Dopo gli oggetti 1 e 3 il residuo è $1$ e resta inutilizzato, mentre 1 e 2 riempiono lo zaino esattamente. In un massimo $\lb = 16 \le \zmilp = 17$.
Commesso viaggiatore su $n$ città: l'euristica del vicino più vicino (va ogni volta alla città non visitata più vicina) si esegue da tutte le $n$ città di partenza e si tiene il giro più corto. Che cosa si ottiene?
Un certificato di ottimalità quando due partenze diverse danno lo stesso giro
Un lower bound sulla lunghezza del giro ottimo, perché si prende il minimo
Un upper bound in generale migliore, a un costo $n$ volte più alto: resta un bound da un lato solo
Il giro ottimo, perché ogni città è stata provata come partenza
Spiegazione. È la forma più semplice di multi-start: tante soluzioni ammissibili, di cui si tiene la migliore. Resta una soluzione ammissibile, quindi un upper bound; che sia l'ottimo lo si sa solo per altra via.
Makespan: $n$ lavori di durata $t_j$ su $k$ macchine identiche, minimizzando il carico massimo. LPT ordina i lavori per durata decrescente e mette ciascuno sulla macchina meno carica. Quale enunciato è corretto?
LPT è ottimo quando le durate sono tutte diverse fra loro
Con $k = 2$ macchine LPT trova sempre l'assegnamento ottimo
Il makespan di qualunque assegnamento, LPT compreso, è almeno $\max(\max_j t_j,\ \sum_j t_j / k)$
Il makespan di LPT è sempre al più $\sum_j t_j / k$
Spiegazione. La macchina che riceve il lavoro più lungo lavora almeno $\max_j t_j$, e la più carica lavora almeno la media $\sum_j t_j / k$: il bound vale per ogni soluzione ammissibile. LPT resta un'euristica.
Un'euristica costruttiva per un MILP costruisce una soluzione una decisione alla volta, senza tornare indietro. Quale enunciato è corretto?
Una soluzione che soddisfa i vincoli lineari con qualche componente frazionaria dà comunque un bound primale
Restituisce sempre una soluzione ammissibile, eventualmente di cattiva qualità
Il suo valore dista sempre meno del $50\%$ dall'ottimo intero
Se termina con una soluzione che soddisfa vincoli, bound e interezza, il suo valore è un bound primale; se fallisce non dà alcun bound
Spiegazione. L'euristica può bloccarsi a metà; quando finisce con una soluzione ammissibile del MILP, interezza compresa, quella è il lato pessimistico del sandwich. Sulla qualità non dimostra nulla.
MILP di minimo. Per dichiarare che il valore di una soluzione costruita a mano è un upper bound dell'ottimo intero, che cosa va verificato?
Che la soluzione sia vicina alla soluzione ottima del rilassamento
Che la soluzione sia un ottimo locale per la ricerca locale
Che la soluzione soddisfi i vincoli, i bound delle variabili e l'interezza
Che la soluzione soddisfi i soli vincoli lineari, anche con componenti frazionarie
Spiegazione. La verifica di ammissibilità non è una formalità: una soluzione con una componente frazionaria è ammissibile per il rilassamento, non per il MILP, e il suo valore non è un bound primale.
Bin packing (minimo numero di contenitori di capacità $7$): oggetti di peso totale $21$, e l'euristica best-fit li sistema in $3$ contenitori. Per concludere senza solver che $3$ è l'ottimo, che cosa serve?
Il fatto che il best-fit sia esatto sul bin packing quando i pesi sono interi
Il bound elementare $\lceil 21/7 \rceil = 3$, valido per ogni soluzione, insieme alla soluzione ammissibile del best-fit
Il rilassamento lineare con le $y_b$ continue uguale a $3$, insieme alla soluzione del best-fit
Che anche next-fit e first-fit trovino una soluzione con $3$ contenitori
Spiegazione. Il best-fit dà $\ub = 3$; il peso totale impone almeno $\lceil 21/7 \rceil = 3$ contenitori, cioè $\lb = 3$. I due bound coincidono e l'ottimo è dimostrato.
Set covering di minimo costo: si scelgono squadre per coprire tutte le zone. L'euristica costruttiva sceglie ogni volta la squadra con il minimo rapporto $c_j / \text{nuove}(j)$, dove $\text{nuove}(j)$ è il numero di zone ancora scoperte che $j$ copre. Squadre: A costa $6$ e copre $3$ zone scoperte, B costa $4$ e ne copre $1$, C costa $5$ e ne copre $2$. Quale sceglie per prima?
B (costo minimo)
A (rapporto $2$)
Nessuna: a parità si sceglie a caso
C (rapporto $5/2$)
Spiegazione. I rapporti sono $6/3 = 2$, $4/1 = 4$ e $5/2$: vince A. Il criterio è il costo per zona nuova coperta, non il costo assoluto, che farebbe scegliere B.
Zaino binario di massimo: valori $p = (12, 9, 8)$, pesi $w = (6, 5, 4)$, capacità $10$. L'euristica scandisce gli oggetti per $p_j / w_j$ decrescente e prende ogni oggetto che ci sta ancora. Che valore restituisce?
$21$
$20$
$17$
$12$
Spiegazione. I rapporti sono $2$, $1{,}8$ e $2$: a pari rapporto si prende l'indice più piccolo, quindi l'ordine è 1, 3, 2. Entrano l'oggetto 1 (residuo $4$) e il 3 (residuo $0$): valore $12 + 8 = 20$, un lower bound. Qui è anche l'ottimo.
Lot sizing con lancio $f = 50$ e magazzino $h = 1$ per unità e periodo; domande $d = (20, 10, 30)$. La regola least unit cost, partendo dal periodo 1, calcola il costo medio per unità coprendo $1$, $2$ o $3$ periodi. Quanto vale coprendo i primi **due** periodi?
$60$
$5/3$
$2$
$5/2$
Spiegazione. Si producono $20 + 10 = 30$ unità nel periodo 1; le $10$ del periodo 2 restano un periodo in magazzino. Costo $(50 + 1 \cdot 10)/30 = 60/30 = 2$. $5/3$ dimentica il magazzino; $60$ è il costo totale, non quello per unità.
Ricerca locale su un MILP di minimo: partendo da una soluzione ammissibile si applica una mossa finché esiste un vicino migliore. Quale enunciato è corretto?
Si ferma sempre nell'ottimo globale, se la mossa è abbastanza ricca
Si ferma in un ottimo locale rispetto a quella mossa, che è un upper bound ma in generale non l'ottimo
Il valore a cui si ferma è un lower bound, perché nessun vicino è migliore
Si ferma nell'ottimo globale quando parte dalla soluzione dell'euristica costruttiva
Spiegazione. «Nessun vicino migliore» vale solo nell'intorno definito dalla mossa: la soluzione resta ammissibile, quindi un upper bound in un minimo, e per dimostrarne l'ottimalità serve un bound dall'altro lato.
Commesso viaggiatore, euristica del vicino più vicino: dalla città di partenza si va ogni volta alla città non visitata più vicina, e alla fine si torna alla partenza. Perché l'ultimo arco è spesso il più lungo del giro?
Perché l'euristica sceglie l'arco più lungo per chiudere il giro
È imposto: si torna alla partenza qualunque sia la distanza, senza averlo scelto
Perché l'arco di ritorno conta due volte nella lunghezza del giro
Perché le città rimaste per ultime sono sempre le più lontane fra loro
Spiegazione. L'euristica è miope: sceglie gli archi uno alla volta senza guardare avanti, e l'arco di chiusura non lo sceglie, lo subisce.
Tre lavori di durata $(3, 3, 2)$ vanno su due macchine con disponibilità $(5, 3)$ minuti. Il next-fit (riempie una macchina alla volta, nell'ordine, senza tornare indietro) mette il lavoro 1 sulla macchina 1, il 2 sulla 2, e non sa dove mettere il 3. Il problema è ammissibile?
No: il next-fit esplora tutte le assegnazioni prima di fallire
Sì, ma solo spezzando il lavoro 3 fra le due macchine
No: la durata totale $8$ supera la disponibilità totale
Sì: lavori 2 e 3 sulla macchina 1 ($5$) e lavoro 1 sulla macchina 2 ($3$)
Spiegazione. La durata totale è $8 = 5 + 3$, e l'assegnamento $\{2, 3\} \to 1$, $\{1\} \to 2$ la riempie esattamente. Il fallimento di un'euristica miope è un'informazione sull'euristica, non sul problema.
Set covering di minimo costo: le squadre A, B, C, D costano $4, 3, 5, 3$ e coprono le zone A $\{1,3,4\}$, B $\{1,2,5\}$, C $\{2,3,6\}$, D $\{4,5,6\}$. L'euristica sceglie ogni volta la squadra di rapporto minimo costo / zone nuove coperte (a pari rapporto la prima in ordine alfabetico), finché tutto è coperto. Che costo ottiene?
$8$
$10$
$11$
$6$
Spiegazione. Passo 1: rapporti $4/3$, $1$, $5/3$, $1$: si sceglie B. Passo 2: A copre $\{3,4\}$ ($2$), C $\{3,6\}$ ($5/2$), D $\{4,6\}$ ($3/2$): si sceglie D. Passo 3: resta la zona 3, A ($4$) batte C ($5$). Costo $3 + 3 + 4 = 10$; B e D da sole ($6$) lasciano scoperta la zona 3.
Fra le euristiche costruttive del corso (next-fit, first-fit e best-fit per il bin packing, LPT per il makespan, copertura, rapporto per lo zaino, vicino più vicino per il TSP, least unit cost per il lot sizing), quale dà un **lower** bound sull'ottimo?
Il best-fit per il bin packing, perché riempie al meglio i contenitori
Nessuna: un'euristica dà sempre un upper bound
LPT per il makespan, perché il makespan è un massimo dei carichi
La regola del rapporto per lo zaino, perché lo zaino è un problema di massimo
Spiegazione. Una soluzione ammissibile dà il lato pessimistico: un upper bound in un minimo, un lower bound in un massimo. Lo zaino è l'unico problema di massimo della lista; il makespan si minimizza.
Sulle istanze del capitolo delle euristiche il best-fit (bin packing) e l'euristica di copertura trovano l'ottimo (gap $0\%$), mentre il next-fit ha gap $66{,}7\%$. Che cosa si poteva sapere **prima** di risolvere il MILP?
Che il next-fit avrebbe sbagliato, perché guarda un solo contenitore
Nulla sul gap: senza un bound dall'altro lato $0\%$ e $67\%$ si distinguono solo dopo
Che il best-fit sarebbe stato ottimo, perché è la regola più accurata
Che il gap sarebbe stato nullo per tutte le euristiche di un problema di minimo
Spiegazione. Un'euristica da sola dice quanto costa una soluzione realizzabile, non quanto si perde: per questo il corso chiede sempre due bound, uno primale e uno duale.
Un'euristica costruttiva per un MILP di **minimo** si ferma con il messaggio «nessuna soluzione trovata». Quale conclusione è corretta?
Il MILP è inammissibile, perché l'euristica ha provato tutte le possibilità
Nessuna sul problema: l'euristica è miope; l'inammissibilità si dimostra con il solver (`INFEASIBLE`) o con una dimostrazione
Il bound primale vale $+\infty$ e il gap è $0\%$
Il rilassamento lineare è inammissibile
Spiegazione. L'euristica decide una cosa alla volta e non torna indietro: può bloccarsi anche su istanze ammissibili. Il fallimento è un'informazione sull'euristica, non sul problema.
Bin packing: oggetti di peso $w = (4, 4, 5, 3, 2, 3)$, nell'ordine dato, in contenitori di capacità $C = 7$. Il **first-fit** mette ogni oggetto nel primo contenitore aperto in cui entra, altrimenti ne apre uno nuovo. Quanti contenitori usa?
$6$
$4$
$5$
$3$
Spiegazione. $4 \to$ c1; $4 \to$ c2; $5 \to$ c3; $3 \to$ c1 (riempito a $7$); $2 \to$ c2 ($6$); $3$ non entra in nessuno (residui $0, 1, 2$) $\to$ c4. Quattro contenitori; il next-fit ne usa $5$, il best-fit $3$.
Bin packing, euristica **best-fit** sul riempimento: ogni oggetto va, fra i contenitori aperti in cui entra, in quello con lo spazio residuo minimo dopo l'inserimento (pareggi sull'indice più piccolo); se non entra in nessuno se ne apre uno nuovo. Contenitori aperti con residui $(3, 2, 5)$; arriva un oggetto di peso $2$. Dove va?
In un contenitore nuovo
Nel contenitore 2, che resta con residuo $0$
Nel contenitore 3, quello con più spazio
Nel contenitore 1, il primo in cui entra
Spiegazione. Entra in tutti e tre, con residui finali $1$, $0$, $3$: il minimo è il contenitore 2. Il first-fit sceglierebbe il contenitore 1, il worst-fit il 3.
Makespan su $k = 2$ macchine identiche, lavori di durata $t = (2, 3, 4, 5)$. Il **list scheduling** nell'ordine dato (ogni lavoro sulla macchina meno carica, pareggi sull'indice più piccolo) dà un makespan; LPT (stessa regola, lavori per durata decrescente) un altro. Quali sono, nell'ordine?
List scheduling $8$, LPT $8$
List scheduling $8$, LPT $7$
List scheduling $9$, LPT $7$
List scheduling $7$, LPT $7$
Spiegazione. Ordine dato: $2 \to$ M1, $3 \to$ M2, $4 \to$ M1 (carichi $6, 3$), $5 \to$ M2 (carichi $6, 8$): makespan $8$. LPT: $5 \to$ M1, $4 \to$ M2, $3 \to$ M2 ($5, 7$), $2 \to$ M1 ($7, 7$): makespan $7$, pari al bound $\sum t / k = 7$, quindi ottimo.
LPT per il makespan su macchine identiche ordina i lavori per durata **decrescente** e mette ciascuno sulla macchina meno carica. Se si toglie l'ordinamento (list scheduling nell'ordine dato), che cosa si perde?
Niente: la regola del meno carico dà lo stesso risultato in qualunque ordine
L'ammissibilità: senza ordinamento alcuni lavori restano non assegnati
La garanzia che il risultato sia ottimo, che LPT invece ha sempre
I lavori lunghi possono arrivare per ultimi su macchine già cariche, e il makespan peggiora: l'ordine decrescente è essenziale
Spiegazione. Senza ordinamento la soluzione resta ammissibile ma i lavori lunghi messi alla fine sbilanciano i carichi. LPT non è comunque sempre ottimo: su $t = (5,5,4,4,3,3,3)$, $k = 3$ dà $11$ contro $9$.
Set covering, euristica del completamento più economico: a ogni passo si sceglie l'elemento $j$ con il minimo **costo per zona nuova** $c_j / \text{nuove}(j)$, dove $\text{nuove}(j)$ conta le zone ancora scoperte che $j$ copre (pareggi sull'indice più piccolo). Al primo passo i costi sono $c = (4, 3, 5, 3)$ e le zone nuove $(3, 3, 3, 2)$. Quale elemento si sceglie?
L'elemento 2 (rapporto $1$)
L'elemento 1 (copre più zone a parità)
L'elemento 4 (costo minimo $3$, indice più alto)
L'elemento 4 (rapporto $3/2$)
Spiegazione. I rapporti sono $4/3$, $1$, $5/3$, $3/2$: il minimo è l'elemento 2. Il criterio è il costo per zona nuova, non il costo assoluto (dove 2 e 4 sarebbero pari).
Euristica costruttiva di copertura (minimo costo): a un certo passo restano zone scoperte, ma nessun elemento non ancora scelto copre almeno una di esse ($\text{nuove}(j) = 0$ per ogni $j$). Che cosa deve fare l'euristica, e perché?
Restituire «nessuna soluzione trovata»: senza zone nuove il rapporto $c_j/\text{nuove}(j)$ non è definito e la copertura non si completa
Restituire la soluzione parziale come bound primale
Ripartire dal primo passo con un ordine diverso, finché trova una copertura
Scegliere l'elemento di costo minimo, che copre comunque qualcosa
Spiegazione. La soluzione parziale lascia zone scoperte: non è ammissibile e non dà alcun bound. Il caso di fallimento va dichiarato nello pseudocodice.
Zaino binario di massimo: valori $p = (10, 7, 6, 4)$, pesi $w = (5, 4, 3, 3)$, capacità $C = 9$. L'euristica scandisce gli oggetti per $p_j/w_j$ decrescente (pareggi sull'indice più piccolo) e prende ogni oggetto che entra nel residuo. Quale bound si ottiene, e di che tipo?
$\ub = 16$ (oggetti 1 e 3)
$\lb = 16$ (oggetti 1 e 3)
$\ub = 17$ (oggetti 1 e 2)
$\lb = 17$ (oggetti 1 e 2)
Spiegazione. Rapporti $2$, $7/4$, $2$, $4/3$: ordine 1, 3, 2, 4. Prende 1 (residuo $4$) e 3 (residuo $1$), poi niente entra: valore $16$. In un massimo una soluzione ammissibile dà un lower bound; l'ottimo è $17$.
Zaino binario di massimo con un solo vincolo di capacità. L'euristica per rapporto $p_j/w_j$ decrescente dà $\lb$; il duale del rilassamento con $\bar v = \max_j p_j/w_j$ dà $\ub = C\,\bar v$; $\zmilp$ è l'ottimo intero. Quale affermazione è sempre vera?
$\ub$ coincide sempre con l'ottimo del rilassamento
$\lb \le \zmilp \le \ub$, ma nessuno dei due è in generale uguale all'ottimo
L'euristica per rapporto è sempre ottima sullo zaino binario
$\ub - \lb$ non supera mai il valore dell'oggetto più leggero
Spiegazione. Il primo è un lower bound (soluzione ammissibile), il secondo un upper bound (duale ammissibile). L'euristica può sbagliare (residuo inutilizzato) e $C\bar v$ è in generale più alto di $\zlp$.
Commesso viaggiatore su cinque città, distanze simmetriche: $d_{12} = 5$, $d_{13} = 2$, $d_{14} = 2$, $d_{15} = 9$, $d_{23} = 4$, $d_{24} = 3$, $d_{25} = 4$, $d_{34} = 4$, $d_{35} = 7$, $d_{45} = 7$. Il vicino più vicino parte dalla città 2 (pareggi sull'indice più piccolo) e alla fine torna alla partenza. Quanto è lungo il giro?
$16$
$18$
$19$
$25$
Spiegazione. Da 2 la più vicina è la 4 ($3$); da 4 la 1 ($2$); da 1 la 3 ($2$); resta la 5 ($7$); ritorno a 2 ($4$). Totale $3 + 2 + 2 + 7 + 4 = 18$, che qui è l'ottimo; partendo da 1 si ottiene $25$.
Commesso viaggiatore: si esegue il vicino più vicino da **tutte** le $n$ città di partenza e si tiene il giro più corto (multi-start). Che cosa si ottiene?
L'ottimo del TSP, perché si sono provate tutte le partenze
Un lower bound, perché si prende il minimo dei giri
Un upper bound migliore o uguale a quello di una sola partenza, al costo di $n$ esecuzioni; resta un bound da un lato solo
Lo stesso giro da ogni partenza, perché la regola è deterministica
Spiegazione. Ogni giro è ammissibile, quindi il migliore è ancora solo un upper bound (problema di minimo). Le partenze diverse danno giri diversi; provare tutte le partenze non equivale a enumerare tutti i giri.
Lot sizing senza capacità: domande $d = (20, 10, 30, 40, 10)$, costo di lancio $f = 50$, costo di magazzino $h = 1$ per unità e periodo. La regola least unit cost, dal periodo 1, confronta il costo medio per unità di coprire $1$ periodo ($50/20$) o $2$ periodi ($(50 + 10)/30$). Quale sceglie, e con che costo medio?
$3$ periodi, costo medio $1{,}5$
$1$ periodo, costo medio $2{,}5$
$2$ periodi, costo medio $2$
$2$ periodi, costo medio $2{,}5$
Spiegazione. Un periodo: $50/20 = 2{,}5$. Due periodi: le $10$ unità del periodo 2 restano in magazzino un periodo, costo $50 + 10 = 60$ su $30$ unità, cioè $2$. (Tre periodi: $50 + 10 + 60 = 120$ su $60$, ancora $2$: a parità si tiene il numero più piccolo.)
Lot sizing senza capacità. Che differenza c'è fra la regola least unit cost e la procedura di Wagner–Whitin?
Wagner–Whitin è un algoritmo esatto (programmazione dinamica) per questo modello; least unit cost è un'euristica e dà solo un upper bound
Sono la stessa procedura con due nomi diversi
Wagner–Whitin dà un lower bound, least unit cost un upper bound
Wagner–Whitin è un'euristica più veloce; least unit cost è esatta
Spiegazione. Wagner–Whitin risolve all'ottimo il lot sizing senza capacità in tempo polinomiale; la regola least unit cost guarda un lancio alla volta e può sbagliare (sull'esempio del corso $200$ contro $170$).
Makespan su $3$ macchine identiche, carichi $L = (11, 8, 8)$ con la macchina 1 che contiene i lavori $(5, 3, 3)$. La ricerca locale usa la sola mossa «sposta un lavoro su un'altra macchina» e accetta solo mosse che riducono il makespan. Che cosa succede?
Nessuna mossa migliora: spostare un lavoro da $3$ porta un'altra macchina a $11$; la ricerca si ferma a $11$
La ricerca locale trova sempre l'ottimo $9$ con mosse di spostamento
Spostare un lavoro da $3$ porta il makespan a $9$
Spostare il lavoro da $5$ porta il makespan a $13$, poi si scende a $9$
Spiegazione. Togliendo un $3$ la macchina 1 scende a $8$, ma quella che lo riceve sale a $11$: il makespan non scende. Spostare il $5$ dà $13$. Per arrivare a $9$ serve una mossa di scambio.
MILP di minimo. Una ricerca locale parte dalla soluzione di un'euristica ($\ub = 30$) e si ferma in un ottimo locale di valore $26$. Uno studente scrive «$\zmilp = 26$, perché nessuna mossa migliora». Che cosa manca per poterlo affermare?
Un lower bound pari a $26$ (per esempio da un duale ammissibile o dal solver): l'ottimo locale dà solo $\ub = 26$
Verificare che la soluzione sia intera: se lo è, è ottima
Niente: un ottimo locale è sempre globale nei MILP
Ripetere la ricerca locale con la stessa mossa
Spiegazione. La ricerca locale restituisce una soluzione ammissibile, cioè un bound dal lato pessimistico. Il fatto che si sia fermata non significa che sia arrivata: serve un bound dall'altro lato che la eguagli.
Due macchine con disponibilità $(5, 3)$ e tre lavori di durata $(3, 3, 2)$, da assegnare tutti. Quale assegnazione dimostra che il problema è ammissibile, anche se il next-fit fallisce?
Lavori 1 e 2 sulla macchina 1, lavoro 3 sulla macchina 2
Nessuna: il fallimento del next-fit dimostra che non esiste
Lavori 1 e 3 sulla macchina 2, lavoro 2 sulla macchina 1
Lavori 2 e 3 sulla macchina 1 ($5$), lavoro 1 sulla macchina 2 ($3$)
Spiegazione. $3 + 2 = 5 \le 5$ e $3 \le 3$: ammissibile. Le altre violano una disponibilità ($6 > 5$, $5 > 3$). Il fallimento dell'euristica non dice nulla sull'esistenza di soluzioni.
Un MILP di assegnamento con disponibilità: l'euristica costruttiva fallisce. Quale strumento può **dimostrare** che il modello è inammissibile?
Una seconda euristica costruttiva con un ordine diverso, se fallisce anche lei
Il solver, che restituisce `Status = INFEASIBLE`, oppure una dimostrazione matematica
La ricerca locale a partire dalla soluzione parziale
Il rilassamento lineare, se ha soluzione frazionaria
Spiegazione. Le euristiche, anche più d'una, non provano l'inesistenza: sono miopi. Un rilassamento frazionario ammissibile non dimostra nulla sull'intero; serve il solver (o un argomento).
Nel quadro delle euristiche del corso, il next-fit sul bin packing usa $5$ contenitori quando l'ottimo è $3$. Qual è il gap dell'euristica $|\ub - \zmilp|/|\zmilp|$?
$66{,}7\%$
$2\%$
$33{,}3\%$
$40\%$
Spiegazione. $(5 - 3)/3 = 2/3 \approx 66{,}7\%$. Dividere per $\ub$ darebbe $40\%$; $33{,}3\%$ è il gap del first-fit ($4$ contenitori).
Nel quadro delle euristiche del corso, l'euristica per rapporto sullo zaino (massimo) trova $16$ e l'ottimo è $17$. Come si scrive correttamente il risultato?
$\lb = 16 \le \zmilp = 17$, gap $5{,}9\%$
$\ub = 17$, gap $0\%$
$\ub = 16 \ge \zmilp$, gap $5{,}9\%$
$\lb = 16$, gap $6{,}25\%$
Spiegazione. In un massimo una soluzione ammissibile dà un lower bound. Gap rispetto all'ottimo: $(17 - 16)/17 \approx 5{,}9\%$; dividere per $16$ dà $6{,}25\%$.
Bin packing con contenitori di capacità $C$ e oggetti di peso totale $W$. Il best-fit restituisce $k$ contenitori e $k = \lceil W / C \rceil$. Che cosa si può concludere?
Il best-fit è sempre ottimo
Nulla: serve il solver per confermare
La soluzione è ottima solo se tutti i contenitori sono pieni esatti
La soluzione è ottima: $\lceil W/C \rceil$ è un lower bound e la soluzione lo raggiunge
Spiegazione. Nessuna soluzione usa meno di $\lceil W/C \rceil$ contenitori; una soluzione ammissibile che lo eguaglia chiude il sandwich: $\lb = \ub$. Non serve che i contenitori siano pieni.
TSP, vicino più vicino: uno studente afferma «la regola sceglie a ogni passo l'arco più corto disponibile, quindi il giro è ottimo». Quale osservazione lo smentisce?
La regola è ottima solo con distanze simmetriche
Il giro ottenuto può visitare una città due volte
La regola non sceglie l'arco più corto, ma quello più lungo
Scelte localmente migliori non garantiscono il giro migliore: l'ultimo arco di ritorno è forzato e può essere lunghissimo
Spiegazione. L'euristica è miope: sull'istanza del corso il giro da 1 è lungo $25$ contro l'ottimo $18$, e l'ultimo arco ($5 \to 1$, lungo $9$) è quello che si paga.
Makespan su macchine identiche, LPT su $t = (5, 5, 4, 4, 3, 3, 3)$ e $k = 3$: $\ub = 11$; bound $\max(\max_j t_j, \sum_j t_j/k) = 9$, che è l'ottimo. Quale conclusione generale è corretta?
LPT dà una soluzione ammissibile ma non è sempre ottimo; il bound elementare può coincidere con l'ottimo
Il bound elementare non è mai raggiunto
Se LPT non è ottimo, il problema è inammissibile
LPT è sempre ottimo con macchine identiche
Spiegazione. LPT è un'euristica: qui sbaglia del $22{,}2\%$. Il bound $\max(\max t, \sum t/k)$ in questo caso è esatto, ma lo si sa solo dopo aver trovato una soluzione da $9$.
Nel quadro delle euristiche del corso alcune trovano l'ottimo (gap $0\%$) e altre no (fino al $67\%$). Che cosa si può dire **prima** di risolvere il MILP?
Che l'euristica migliore è sempre la best-fit
Nulla sulla qualità: un'euristica da sola dà solo un bound da un lato; serve un bound dall'altro lato per misurare quanto si perde
Che le euristiche con gap $0\%$ sono quelle con più passi
Che il gap dell'euristica si calcola dal suo valore
Spiegazione. Il gap dell'euristica richiede l'ottimo; senza, serve un bound duale per il divario certificato. Per questo il corso chiede sempre due bound.
In logica booleana un letterale è una variabile o la sua negazione. Quando un'espressione è in **forma normale congiuntiva** (CNF)?
Quando ogni variabile compare in una sola clausola
Quando è un OR di termini, ciascuno un AND di letterali
Quando è un AND di clausole, ciascuna un OR di letterali
Quando non contiene alcuna negazione di variabile
Spiegazione. Una clausola è un OR di letterali e la CNF è un AND di clausole: è la forma da cui si scrive un vincolo lineare per clausola. Un OR di AND è la forma normale disgiuntiva.
Variabili binarie $x_1, x_2, x_3$ ($1$ = vero). Quale vincolo lineare è soddisfatto esattamente dalle assegnazioni che rendono vera la clausola $x_1 \lor \lnot x_2 \lor x_3$?
$x_1 - x_2 + x_3 \ge 0$
$x_1 + x_2 + x_3 \ge 1$
$x_1 - x_2 + x_3 \le 1$
$x_1 - x_2 + x_3 \ge 1$
Spiegazione. Ogni OR diventa un $+$, il letterale negativo $\lnot x_2$ diventa $1 - x_2$, la clausola diventa $\ge 1$: $x_1 + 1 - x_2 + x_3 \ge 1$, cioè $x_1 - x_2 + x_3 \ge 0$.
Variabili binarie. La clausola $\lnot x_1 \lor \lnot x_6 \lor x_7$ si traduce in $(1 - x_1) + (1 - x_6) + x_7 \ge 1$. Quale delle seguenti è una forma equivalente dello stesso vincolo?
$x_1 + x_6 - x_7 \ge 1$
$x_7 - x_1 - x_6 \ge 1$
$x_1 + x_6 + x_7 \le 2$
$x_1 + x_6 - x_7 \le 1$
Spiegazione. Portando le costanti a destra si ha $-x_1 - x_6 + x_7 \ge -1$, e moltiplicando per $-1$ si ottiene $x_1 + x_6 - x_7 \le 1$: è lo stesso vincolo, più leggibile quando i letterali negativi sono due o più.
Variabili binarie. Per l'implicazione $x_a \Rightarrow x_b$ si è già scritto il vincolo $x_b - x_a \ge 0$. Quanti vincoli in più servono per imporre anche la contronominale $\lnot x_b \Rightarrow \lnot x_a$?
Uno, $x_a - x_b \ge 0$
Due, uno per ciascun letterale
Uno, $x_a + x_b \le 1$
Nessuno: ha la stessa clausola $\lnot x_a \lor x_b$
Spiegazione. $\lnot x_b \Rightarrow \lnot x_a$ è $x_b \lor \lnot x_a$ (per doppia negazione), la stessa clausola di $x_a \Rightarrow x_b$: la contronominale non è un secondo vincolo.
Variabili binarie $x_1, x_2, x_3$. «Al più uno fra tre» si scrive con le tre clausole $x_1 + x_2 \le 1$, $x_1 + x_3 \le 1$, $x_2 + x_3 \le 1$, oppure con $x_1 + x_2 + x_3 \le 1$. Che differenza c'è, anche nel rilassamento lineare ($0 \le x \le 1$)?
Stesse soluzioni binarie, ma il vincolo unico è più stretto nel rilassamento: $(1/2, 1/2, 1/2)$ soddisfa le clausole e lo viola
Stesse soluzioni binarie, ma le tre clausole sono più strette nel rilassamento perché sono più vincoli
Soluzioni binarie diverse: il vincolo unico esclude assegnazioni che le tre clausole ammettono
Stesse soluzioni binarie e stesso rilassamento: le due scritture sono intercambiabili anche nel continuo
Spiegazione. Sulle assegnazioni binarie le due scritture coincidono; nel continuo il vincolo di cardinalità taglia punti che le clausole ammettono. Quando si può contare, si conta.
Cinque variabili binarie $x_i$, $i \in I$. «Almeno $2$ fra $5$» si scrive $\sum_{i \in I} x_i \ge 2$. In CNF lo stesso vincolo chiede che ogni sottoinsieme di $4$ variabili ne contenga una vera. Quante clausole servirebbero?
$32$
$1$
$10$
$5$
Spiegazione. «Almeno $p$ fra $|I|$» in CNF chiede che ogni sottoinsieme di $|I| - p + 1$ elementi contenga un vero: $\binom{5}{4} = 5$ clausole, contro un solo vincolo di cardinalità. $10 = \binom{5}{2}$ conta le coppie.
Variabili booleane $x_a, x_b, x_c$. «Almeno due fra $a, b, c$» si scrive $(x_a \land x_b) \lor (x_a \land x_c) \lor (x_b \land x_c)$. Qual è la sua forma normale congiuntiva?
Spiegazione. Con la distributiva si ottengono tre clausole a coppie: ogni coppia deve contenere almeno un elemento vero, ed è proprio «almeno due fra tre».
Selezione di progetti: $x_p \in \{0,1\}$ vale $1$ se il progetto $p$ è scelto. «Se si sceglie il progetto 4 allora almeno due fra 1, 2, 3». Quale vincolo **unico** lo traduce esattamente sulle soluzioni binarie?
$x_1 + x_2 + x_3 - x_4 \ge 1$
$x_1 + x_2 + x_3 \ge 2$
$x_1 + x_2 + x_3 \ge 2x_4$
$x_1 + x_2 + x_3 \le 2x_4$
Spiegazione. Con $x_4 = 1$ chiede almeno due progetti, con $x_4 = 0$ non dice nulla: stesse soluzioni binarie delle tre clausole della CNF, in un vincolo solo e più forte nel rilassamento. Il terzo chiede un solo progetto.
Per variabili booleane $x_a, x_b$, quale legge afferma l'equivalenza $\lnot(x_a \land x_b) \iff \lnot x_a \lor \lnot x_b$?
La legge di assorbimento
La legge distributiva
La legge della doppia negazione
La legge di De Morgan
Spiegazione. È la legge di De Morgan; l'altra sua forma è $\lnot(x_a \lor x_b) \iff \lnot x_a \land \lnot x_b$. La doppia negazione è $\lnot\lnot x \iff x$.
Variabili booleane. Perché l'implicazione $(x_a \land x_b) \Rightarrow x_c$ **non** si può sostituire con $(x_a \Rightarrow x_c) \land (x_b \Rightarrow x_c)$?
Con $x_a = 1$, $x_b = 0$, $x_c = 0$ l'originale è vera e la sostituta è falsa: la sostituta taglia soluzioni ammesse
Con $x_a = x_b = 0$, $x_c = 1$ l'originale è falsa e la sostituta è vera: la sostituta ammette soluzioni vietate
Con $x_a = x_b = x_c = 1$ l'originale è falsa e la sostituta è vera: la sostituta ammette soluzioni vietate
Con $x_a = x_b = 1$, $x_c = 0$ l'originale è vera e la sostituta è falsa: la sostituta taglia soluzioni ammesse
Spiegazione. Con antecedente $x_a \land x_b$ falso l'originale è vera, ma $x_a \Rightarrow x_c$ è falsa: la congiunzione delle due implicazioni è strettamente più forte. La scissione è lecita solo con una disgiunzione nell'antecedente.
Variabili binarie; ogni clausola della CNF diventa un vincolo lineare. Quanti vincoli servono per $x_a \lor x_b \Rightarrow x_c$, e quanti per $x_a \Rightarrow x_b \lor x_c$?
Uno ciascuno
Due il primo, uno il secondo
Due ciascuno
Uno il primo, due il secondo
Spiegazione. Il primo è $(\lnot x_a \lor x_c) \land (\lnot x_b \lor x_c)$: due clausole. Il secondo è la sola clausola $\lnot x_a \lor x_b \lor x_c$, cioè $x_b + x_c - x_a \ge 0$.
Variabili booleane. Si porta l'implicazione $(x_1 \lor x_4) \land x_6 \Rightarrow x_2 \land (x_5 \lor x_7)$ in CNF con $p \Rightarrow q \equiv \lnot p \lor q$, De Morgan e la distributiva. Quante clausole (e quindi quanti vincoli lineari) si ottengono?
$6$
$3$
$4$
$2$
Spiegazione. La negazione dell'antecedente dà $(\lnot x_1 \lor \lnot x_6) \land (\lnot x_4 \lor \lnot x_6)$, il conseguente è $x_2 \land (x_5 \lor x_7)$; distribuendo l'OR si ottengono $2 \cdot 2 = 4$ clausole, per esempio $\lnot x_1 \lor \lnot x_6 \lor x_5 \lor x_7$.
Spiegazione. Un antecedente disgiunzione si scinde, e così un conseguente congiunzione. Un antecedente congiunzione no, un conseguente disgiunzione nemmeno, e un'implicazione non equivale alla sua inversa.
Un'espressione booleana nelle variabili $x_1, \dots, x_n$ si traduce in un sistema di vincoli lineari sulle stesse variabili binarie. Quando la traduzione è **corretta**?
Quando ogni assegnazione binaria che rende vera l'espressione soddisfa tutti i vincoli
Quando ogni assegnazione binaria che soddisfa tutti i vincoli rende vera l'espressione
Quando la soluzione ottima del rilassamento lineare rende vera l'espressione
Quando, per ogni assegnazione binaria, l'espressione è vera se e solo se tutti i vincoli sono soddisfatti
Spiegazione. Servono i due versi: nessuna assegnazione vera esclusa e nessuna falsa ammessa. Con poche variabili si verifica enumerando le $2^n$ assegnazioni, ed è una dimostrazione per casi.
Variabili binarie $x_1, x_2, x_3$. Si vuole dimostrare che $x_1 + x_2 + x_3 \le 1$ e le tre clausole $x_i + x_j \le 1$ ($i < j$) hanno le stesse soluzioni binarie ma rilassamenti lineari diversi. Che cosa basta?
Enumerare le $8$ assegnazioni binarie ed esibire un punto frazionario, come $(1/2, 1/2, 1/2)$, che soddisfa le clausole e viola il vincolo unico
Enumerare le $8$ assegnazioni binarie e osservare che le clausole sono più numerose del vincolo unico
Applicare la dualità debole ai due rilassamenti e confrontare i loro valori ottimi
Esibire un punto frazionario che soddisfa il vincolo unico e viola le clausole, senza enumerare
Spiegazione. L'enumerazione dimostra l'uguaglianza sui punti binari; per la differenza nei rilassamenti basta un punto continuo ammesso da una formulazione e non dall'altra, e quel punto sta dalla parte delle clausole.
Variabili booleane. Per dimostrare che $(x_a \land x_b) \Rightarrow x_c$ **non** equivale a $(x_a \Rightarrow x_c) \land (x_b \Rightarrow x_c)$, che cosa serve?
Un'assegnazione che rende vera la prima e falsa la seconda, come $x_a = 1$, $x_b = 0$, $x_c = 0$
Applicare De Morgan alla contronominale della prima espressione
Un'assegnazione che rende falsa la prima e vera la seconda, come $x_a = x_b = 1$, $x_c = 0$
Mostrare che le due espressioni hanno lo stesso numero di assegnazioni vere
Spiegazione. Basta un controesempio. Non può essere un'assegnazione che rende falsa la prima e vera la seconda: la seconda è più forte, quindi una tale assegnazione non esiste (con $x_a = x_b = 1$, $x_c = 0$ sono false entrambe).
Variabili binarie. Per tradurre $x_a \Rightarrow x_b \land x_c$ nei due vincoli $x_b - x_a \ge 0$ e $x_c - x_a \ge 0$, quali risultati si usano?
$p \Rightarrow q \equiv \lnot p \lor q$, la distributiva $x \lor (y \land z) \iff (x \lor y) \land (x \lor z)$ e un vincolo per clausola
$p \Rightarrow q \equiv \lnot p \lor q$, De Morgan $\lnot(y \land z) \iff \lnot y \lor \lnot z$ e un vincolo per clausola
La distributiva $x \land (y \lor z) \iff (x \land y) \lor (x \land z)$, la doppia negazione e un vincolo per clausola
La contronominale $\lnot q \Rightarrow \lnot p$, l'assorbimento $x \lor (x \land y) \iff x$ e un vincolo per clausola
Spiegazione. L'implicazione diventa $\lnot x_a \lor (x_b \land x_c)$, la distributiva dell'OR sull'AND la porta a $(\lnot x_a \lor x_b) \land (\lnot x_a \lor x_c)$, e ogni clausola dà un vincolo.
Variabili binarie $x_1, x_2$. «Esattamente uno fra i due» (OR esclusivo) è vero solo per $(1,0)$ e $(0,1)$. Quale vincolo lineare lo traduce esattamente?
$x_1 + x_2 \ge 1$
$x_1 - x_2 = 0$
$x_1 + x_2 \le 1$
$x_1 + x_2 = 1$
Spiegazione. È la CNF $(x_1 \lor x_2) \land (\lnot x_1 \lor \lnot x_2)$: «almeno uno» ($\ge 1$) e «al più uno» ($\le 1$) insieme danno l'uguaglianza. $x_1 - x_2 = 0$ ammetterebbe proprio i due casi esclusi.
Zaino di progetti: $\max \sum_p r_p x_p$ con un vincolo di budget e $x_p \in \{0,1\}$. Si aggiunge il vincolo logico «i progetti 2 e 5 non si scelgono insieme». Che cosa succede all'ottimo intero?
Sale sempre, perché il vincolo esclude una combinazione costosa
Resta uguale o sale: un vincolo logico non toglie soluzioni ammissibili
Resta sempre uguale, perché il vincolo logico agisce solo nel rilassamento
Resta uguale o scende: il vincolo restringe l'insieme ammissibile di un massimo
Spiegazione. Il vincolo $x_2 + x_5 \le 1$ toglie le soluzioni che li scelgono entrambi; in un massimo l'ottimo su un insieme più piccolo non può aumentare. Resta uguale se un ottimo li evitava già.
Espressioni booleane nelle variabili binarie $x_a, x_b$ ($1$ = vero). Quale delle seguenti è vera per **ogni** assegnazione?
$x_a \land \lnot x_a$
$(x_a \lor x_b) \land \lnot x_b$
$x_a \lor x_b$
$x_a \lor \lnot x_a \lor x_b$
Spiegazione. $x_a \lor \lnot x_a$ è sempre vera, e aggiungere un letterale a una disgiunzione vera la lascia vera. $x_a \land \lnot x_a$ è insoddisfacibile; le altre due sono soddisfacibili ma false per $x_a = x_b = 0$.
Un'espressione booleana in $3$ variabili binarie è stata tradotta in vincoli lineari sulle stesse variabili. Come si **dimostra** che la traduzione è corretta?
Si enumerano le $8$ assegnazioni e per ciascuna si controlla: espressione vera $\iff$ vincoli soddisfatti
Si controllano le assegnazioni che rendono vera l'espressione: devono soddisfare i vincoli
Si risolve il rilassamento lineare e si controlla che il suo ottimo renda vera l'espressione
Si prova un'assegnazione a caso: se è coerente, lo sono tutte
Spiegazione. Corretta vuol dire «vera se e solo se i vincoli sono soddisfatti» su ogni assegnazione: servono i due versi su tutti i $2^3$ casi. Controllare solo le assegnazioni vere lascia passare vincoli troppo larghi.
Selezione di progetti di massimo ricavo con budget, $x_p \in \{0,1\}$. Senza vincoli logici l'ottimo è $30$; aggiungendo sei implicazioni tradotte in clausole l'ottimo intero scende a $28$ e il rilassamento lineare (con $0 \le x \le 1$) del nuovo modello vale $29$. Quale lettura è corretta?
I vincoli logici restringono l'insieme e abbassano l'ottimo; $29$ è un upper bound di $28$
L'ottimo è sceso perché le clausole sono state tradotte male: un vincolo logico non toglie valore
$29$ è un lower bound di $28$, perché il rilassamento ha meno vincoli
I vincoli logici agiscono solo sulle soluzioni intere, quindi il rilassamento dovrebbe valere $30$
Spiegazione. In un massimo aggiungere vincoli non può alzare l'ottimo ($30 \to 28$), e il rilassamento sta sopra l'ottimo intero ($29 \ge 28$). Le clausole tagliano anche il rilassamento: $29 < 30$.
Variabili booleane. Quale delle seguenti espressioni è in **forma normale congiuntiva** (CNF: congiunzione di clausole, ogni clausola una disgiunzione di letterali)?
$x_1 \Rightarrow (x_2 \land x_3)$
$\lnot(x_1 \lor x_2)$
$(x_1 \land x_2) \lor x_3$
$(x_1 \lor \lnot x_2) \land (x_2 \lor x_3)$
Spiegazione. La prima è un AND di due OR di letterali. La seconda è un OR di un AND; la terza ha una negazione su una clausola; la quarta contiene un'implicazione.
Variabili binarie ($1$ = vero). La clausola $x_1 \lor \lnot x_2 \lor \lnot x_3$ si traduce con la regola «un letterale positivo vale $x$, uno negato $1 - x$, la somma è $\ge 1$». Quale vincolo si ottiene, con le costanti a destra?
$x_1 - x_2 - x_3 \ge 0$
$x_1 + x_2 + x_3 \ge 1$
$x_1 - x_2 - x_3 \ge 1$
$x_1 - x_2 - x_3 \ge -1$
Spiegazione. $x_1 + (1 - x_2) + (1 - x_3) \ge 1$, cioè $x_1 - x_2 - x_3 \ge 1 - 2 = -1$. Escluso è solo $(0, 1, 1)$, che dà $-2$.
Un'espressione booleana in CNF con $k$ clausole si traduce in vincoli lineari sulle variabili binarie con le regole del corso (una clausola, un vincolo $\ge 1$). Quale proprietà ha la traduzione?
Le assegnazioni binarie che soddisfano i $k$ vincoli sono esattamente quelle che rendono vera l'espressione
Ogni soluzione del rilassamento lineare dei vincoli rende vera l'espressione
Il numero di vincoli è sempre $2^n$, con $n$ variabili
La traduzione ammette anche assegnazioni che rendono falsa l'espressione, che l'obiettivo poi scarta
Spiegazione. Una clausola è vera se e solo se almeno un suo letterale è vero, cioè se la somma dei letterali tradotti è almeno $1$; la CNF è vera se e solo se tutte le clausole lo sono. La corrispondenza vale sui punti binari, non sui frazionari.
Spiegazione. Con antecedente disgiuntivo si scinde: basta che uno dei due sia vero per richiedere $x_c$. Con antecedente congiuntivo la scissione è strettamente più forte; con conseguente disgiuntivo la scissione in AND è troppo forte.
Una traduzione di un'espressione booleana in $4$ variabili binarie in vincoli lineari si verifica per enumerazione. Quante assegnazioni vanno controllate, e che cosa si controlla per ciascuna?
$16$; che almeno un vincolo sia soddisfatto quando l'espressione è vera
$16$; che l'espressione sia vera se e solo se tutti i vincoli sono soddisfatti
$8$; che i vincoli siano soddisfatti
$4$; che ogni variabile compaia in almeno un vincolo
Spiegazione. Con $4$ binarie le assegnazioni sono $2^4 = 16$, e per ognuna verità dell'espressione e soddisfazione di tutti i vincoli devono coincidere: è la dimostrazione per casi.
Uno studente verifica la traduzione di un'espressione booleana controllando solo che **ogni** assegnazione che rende vera l'espressione soddisfi tutti i vincoli. Che cosa resta non verificato?
Che le assegnazioni che rendono falsa l'espressione violino almeno un vincolo: i vincoli potrebbero essere troppo larghi
Che il rilassamento lineare dei vincoli sia intero
Che i vincoli siano lineari
Niente: un verso basta, l'altro segue
Spiegazione. La traduzione esatta richiede i due versi: vera ⇒ vincoli soddisfatti (non si tagliano soluzioni) e falsa ⇒ almeno un vincolo violato (non si ammettono soluzioni sbagliate). Il sistema vuoto di vincoli supera il primo controllo.
Selezione di progetti, $x_p \in \{0,1\}$ ($1$ = progetto scelto). «Se si sceglie il progetto 1 oppure il progetto 2, si deve scegliere il progetto 3.» Quale traduzione è esatta?
$x_1 + x_2 + x_3 \ge 1$
$x_3 \ge x_1$ e $x_3 \ge x_2$
$x_1 + x_2 - x_3 \le 1$
$x_3 \ge x_1 + x_2$
Spiegazione. $(x_1 \lor x_2) \Rightarrow x_3$ si scinde in due implicazioni, ognuna un vincolo $x_3 \ge x_i$. $x_3 \ge x_1 + x_2$ vieta $x_1 = x_2 = 1$; $x_1 + x_2 - x_3 \le 1$ traduce l'antecedente con AND.
Variabili binarie ($1$ = vero). «Esattamente due fra $x_1, x_2, x_3, x_4$.» Quale vincolo lo traduce in un colpo solo?
$x_1 + x_2 + x_3 + x_4 = 2$
$x_1 + x_2 = 1$ e $x_3 + x_4 = 1$
$x_1 + x_2 + x_3 + x_4 \ge 2$
$x_1 + x_2 \le 1$ e $x_3 + x_4 \le 1$
Spiegazione. Una cardinalità si conta direttamente. «Almeno due» ammette anche tre o quattro; le altre due coppie di vincoli impongono una divisione fra le coppie che il testo non chiede (escludono per esempio $x_1 = x_2 = 1$).
Selezione di progetti di **massimo** ricavo con budget. Si aggiungono alcuni vincoli logici (implicazioni tradotte esattamente). Quale relazione lega l'ottimo con i vincoli logici, $z_L$, a quello senza, $z_0$?
$z_L \le z_0$: i vincoli logici restringono l'insieme ammissibile
$z_L \ge z_0$: i vincoli logici guidano il solver verso soluzioni migliori
$z_L = z_0$: le implicazioni tradotte esattamente non tagliano soluzioni
Nessuna relazione generale
Spiegazione. Aggiungere vincoli a un massimo non può alzare l'ottimo. Tradurre esattamente significa non tagliare soluzioni che rispettano la logica, ma quelle che la violano vengono escluse.
In un modello di selezione di progetti la condizione «se si sceglie il progetto 2, allora si sceglie il progetto 5» viene tradotta con $x_2 = x_5$. Che effetto ha l'errore?
Nessuno: con binarie $x_2 = x_5$ equivale a $x_2 \le x_5$
Ammette $x_2 = 1$, $x_5 = 0$, che la logica vieta
Rende il modello inammissibile in ogni caso
Vieta anche $x_5 = 1$, $x_2 = 0$, che la logica ammette: il modello è più stretto e può perdere l'ottimo
Spiegazione. L'implicazione è $x_2 \le x_5$. L'uguaglianza aggiunge il verso opposto $x_5 \Rightarrow x_2$, che il testo non chiede: taglia soluzioni ammissibili, quindi in un massimo l'ottimo può scendere.
Si associa a ogni variabile binaria un sottoinsieme di un universo $U$: $x_a = 1$ significa «l'elemento scelto sta in $A$». A quale operazione insiemistica corrisponde $x_a \land x_b$?
Il complemento $\overline{A}$
L'unione $A \cup B$
L'intersezione $A \cap B$
La differenza $A \setminus B$
Spiegazione. L'AND è vero quando l'elemento sta in entrambi gli insiemi: intersezione. L'OR corrisponde all'unione, la negazione al complemento.
Con la corrispondenza fra logica e insiemi ($\land \leftrightarrow \cap$, $\lor \leftrightarrow \cup$, $\lnot \leftrightarrow$ complemento), quale identità insiemistica corrisponde alla legge di De Morgan $\lnot(x_a \lor x_b) \iff \lnot x_a \land \lnot x_b$?
Spiegazione. La negazione di un OR diventa il complemento di un'unione, uguale all'intersezione dei complementi. La seconda e la terza mescolano le due leggi; l'ultima è l'assorbimento.
La distributività $x_a \land (x_b \lor x_c) \iff (x_a \land x_b) \lor (x_a \land x_c)$ si può dimostrare per enumerazione delle $8$ assegnazioni o con i diagrammi di Venn. Quale identità insiemistica la esprime?
Spiegazione. AND diventa intersezione, OR unione: l'intersezione si distribuisce sull'unione. La terza è l'altra distributività scritta male; la quarta sbaglia il complemento di $B \cup C$.
Variabili binarie $x_1, x_2, x_3$. «Al più uno fra tre» si scrive con tre clausole ($x_1 + x_2 \le 1$, $x_1 + x_3 \le 1$, $x_2 + x_3 \le 1$) o con $x_1 + x_2 + x_3 \le 1$. Uno studente conclude «sono equivalenti in tutto». Che cosa trascura?
Nulla: sono equivalenti anche nel rilassamento
Il vincolo aggregato ammette $(1, 1, 0)$
Hanno le stesse soluzioni binarie, ma non lo stesso rilassamento: $(1/2, 1/2, 1/2)$ soddisfa le clausole e viola il vincolo aggregato
Non hanno le stesse soluzioni binarie: le clausole ammettono $(1, 1, 0)$
Spiegazione. Sui punti binari coincidono; nel rilassamento la forma aggregata è più stretta. Quando si può contare, si conta: è più corta e più forte.
Variabili binarie. La clausola $x_1 \lor \lnot x_2$ viene tradotta da uno studente con $x_1 - x_2 \ge 1$. Che cosa succede?
Il vincolo è troppo stretto: ammette solo $(1, 0)$, mentre la clausola è vera anche in $(0, 0)$ e $(1, 1)$; il termine noto giusto è $0$
Il vincolo non ammette alcuna soluzione
Il vincolo è troppo largo
Niente: è la traduzione corretta
Spiegazione. $x_1 + (1 - x_2) \ge 1$ dà $x_1 - x_2 \ge 0$. Dimenticare di portare a destra la costante del letterale negato taglia assegnazioni che la clausola ammette.
Legame di attivazione: $n$ oggetti $i$, $m$ risorse $j$, $x_{ij} = 1$ se l'oggetto $i$ usa la risorsa $j$, $y_j = 1$ se la risorsa è attivata. Forma disaggregata $x_{ij} \le y_j$ per ogni coppia, aggregata $\sum_i x_{ij} \le n\, y_j$ per ogni risorsa. Quale affermazione è corretta?
La disaggregata ha $n\,m$ vincoli e ammette meno soluzioni binarie dell'aggregata
L'aggregata ha $n\,m$ vincoli e un rilassamento più stretto; la disaggregata ne ha $m$
Le due forme hanno lo stesso numero di vincoli e lo stesso rilassamento lineare
La disaggregata ha $n\,m$ vincoli e un rilassamento più stretto; l'aggregata ne ha $m$
Spiegazione. Sui punti binari le due forme sono equivalenti; nel rilassamento la disaggregata è più forte, perché impedisce di attivare la risorsa solo per una frazione $1/n$. Più righe, rilassamento più stretto.
Legame di attivazione $x_{ij} \le y_j$ ($x_{ij} = 1$ se $i$ usa la risorsa $j$, $y_j = 1$ se $j$ è attivata), in un minimo con costo di attivazione $f_j\, y_j$ nell'obiettivo. Che cosa si può dire di «se la risorsa $j$ è attivata allora qualcuno la usa»?
Vale in ogni soluzione ottima anche quando $f_j = 0$
Non è imposta dai vincoli; se $f_j > 0$ vale in ogni soluzione ottima
È imposta dai vincoli $x_{ij} \le y_j$ in ogni soluzione ammissibile
Non vale in alcuna soluzione ottima, qualunque sia $f_j$
Spiegazione. $y_j = 1$ con tutte le $x_{ij} = 0$ è ammissibile. Con $f_j > 0$ spegnere la risorsa riduce strettamente il costo: «in ogni ottimo». Con $f_j = 0$ si può dire solo «esiste un ottimo con $y_j = 0$».
Costo fisso: l'impianto $j$ produce la quantità continua $q_j \ge 0$, al più la capacità $C_j$, e paga $f_j$ se è aperto ($y_j = 1$). Il legame si scrive $q_j \le K\, y_j$. Quale coefficiente $K$ scegliere?
La somma delle capacità di tutti gli impianti
$1$, perché $y_j$ è binaria
La capacità $C_j$, ricavata dai dati
Un numero grande qualsiasi, per esempio $100$
Spiegazione. Il coefficiente giusto è il più piccolo limite superiore della quantità quando l'impianto è aperto: la capacità. Un big-M «grande abbastanza» è valido ma indebolisce molto il rilassamento; $K = 1$ taglierebbe le soluzioni con $q_j > 1$.
Lotto minimo: con la binaria $y_j$ si vuole che la quantità $q_j$ sia **semicontinua**, cioè $q_j \in \{0\} \cup [\ell, c_j]$, con soglia $\ell$ e capacità $c_j \ge \ell$. Quale coppia di vincoli lo impone?
$q_j \le c_j\, y_j$ e $q_j \ge 0$
$q_j \ge \ell\, y_j$ e $q_j \le c_j$
$\ell \le q_j$ e $q_j \le c_j$
$\ell\, y_j \le q_j$ e $q_j \le c_j\, y_j$
Spiegazione. Con $y_j = 0$ si ha $0 \le q_j \le 0$, con $y_j = 1$ si ha $\ell \le q_j \le c_j$. Senza $\ell y_j$ manca la soglia, senza $c_j y_j$ si può produrre a impianto spento, e $\ell \le q_j$ vieta lo zero.
Modello con costo fisso ($q_j \le c_j y_j$, $y_j \in \{0,1\}$). Aggiungendo il lotto minimo $q_j \ge \ell\, y_j$ l'ottimo intero sale da $44$ a $49$, ma il rilassamento lineare ($0 \le y_j \le 1$) resta $112/3$. Perché?
Nel rilassamento basta abbassare $y_j$ fino a $q_j/\ell$: il vincolo di soglia non morde mai sul continuo
Perché il vincolo di soglia non è valido e il solver lo ignora nel rilassamento
Perché la soglia $\ell$ è maggiore della capacità e il vincolo è ridondante
Perché il rilassamento lineare conserva l'interezza delle $y_j$
Spiegazione. Con $y_j$ libera in $[0,1]$ il vincolo si soddisfa con $y_j \le q_j/\ell$, e il costo fisso spinge già $y_j$ verso $q_j/c_j \le q_j/\ell$: tutto l'effetto della soglia si scarica sull'interezza.
Conteggio intero: $q \ge 0$ unità vanno in scatole di capienza $c$, e $w$ è il numero di scatole. Come si impone $w \ge \lceil q/c \rceil$ in un modello lineare?
Con $w \le q/c + 1$ e $w$ intera
Con $w = \lceil q/c \rceil$ scritto nel vincolo
Con $w \ge q/c$ e $w$ continua
Con $q \le c\, w$ e $w$ dichiarata intera
Spiegazione. $\lceil \cdot \rceil$ non è lineare e non si scrive dentro un vincolo: $q \le c\, w$ dà $w \ge q/c$ e l'interezza porta $w$ al tetto. Il gap fra $q/c$ e $\lceil q/c \rceil$ viene tutto dall'interezza.
Variabile di massimo: $x_j \in \{0,1\}$ sceglie l'elemento $j$ di durata $t_j \ge 0$; il modello minimizza $z$ con $z \ge t_j x_j$ per ogni $j$ e $z \ge 0$. In quale caso **non** si può concludere che in ogni ottimo $z = \max_{j : x_j = 1} t_j$?
Quando le durate $t_j$ sono tutte distinte
Quando $z$ compare anche in un altro vincolo che la vuole grande
Quando nessun $x_j$ vale $1$
Quando il problema ha più soluzioni ottime
Spiegazione. Il passo di ottimalità abbassa $z$ fino al massimo: se un altro vincolo la vuole grande, abbassarla può violarlo, e resta solo $z \ge \max$. Con nessun $x_j = 1$ vale la convenzione $\max \emptyset = 0$, garantita da $z \ge 0$.
Cinque lavori di durata totale $21$ vanno divisi fra due operai. Tre modelli di equità: min-max (minimizza il carico massimo), max-min (massimizza il carico minimo) e differenza (minimizza max meno min). Tutti scelgono i carichi $(11, 10)$, con valori ottimi $11$, $10$ e $1$. Che cosa se ne deduce?
Il min-max sbaglia di $10$ unità rispetto al modello della differenza
Con più di due operai i tre modelli sceglierebbero sempre la stessa soluzione
I tre valori descrivono la stessa soluzione e non si confrontano fra loro
La differenza è il modello migliore, perché ha il valore ottimo più basso
Spiegazione. Confrontare «$z = 11$» di un min-max con «$z = 1$» di una differenza non significa niente: misurano cose diverse. E con più di due operai min-max e max-min in generale scelgono ripartizioni diverse.
Variabili continue $u, v$ e una costante $k > 0$. Come si impone il vincolo $|u - v| \le k$ in un modello lineare?
Non si può: il valore assoluto richiede un modello non lineare
Con $u - v \le k$ e $v - u \le k$, senza variabili binarie
Con il solo vincolo $u - v \ge -k$
Con una binaria $b$ e un big-M, come per una disgiunzione
Spiegazione. $|u - v| \le k$ è l'intersezione di due semipiani, un insieme convesso: bastano due vincoli lineari. È il caso $|u - v| \ge k$ a richiedere una binaria.
Variabili continue $u, v$. Si vuole **minimizzare** $|u - v|$ con un modello lineare. Quale formulazione è corretta?
Una variabile $d \ge 0$ con $d \ge u - v$ e $d \ge v - u$, e $\min d$
Nessuna variabile ausiliaria: $\min (u - v)$
Una binaria $b$ e una variabile $d$ con $d \ge u - v - Mb$, e $\min d$
Una variabile $d \ge 0$ con $d \le u - v$ e $d \le v - u$, e $\min d$
Spiegazione. I due vincoli impongono $d \ge |u - v|$ e il minimo, se $d$ non compare altrove, porta all'uguaglianza. In obiettivo il valore assoluto da minimizzare costa due vincoli e nessuna binaria.
Vincolo condizionato: con $x \in \{0,1\}^3$, il vincolo $3x_1 + 4x_2 + 5x_3 \le 6$ deve valere solo se la binaria $y$ vale $1$, e si scrive $3x_1 + 4x_2 + 5x_3 \le 6 + M(1 - y)$. Che cosa succede usando $M = 5$ invece di $M = 6$?
Il modello diventa inammissibile per ogni valore di $y$
Con $y = 0$ resta $3x_1 + 4x_2 + 5x_3 \le 11$, che esclude $x = (1,1,1)$: l'insieme intero cambia
Nulla sull'insieme intero: con $M = 5$ peggiora soltanto il rilassamento lineare
Il rilassamento migliora e l'insieme intero resta esattamente lo stesso
Spiegazione. Il massimo di $3x_1 + 4x_2 + 5x_3$ è $12$, quindi a vincolo spento serve $M \ge 12 - 6 = 6$. Con $M = 5$ il vincolo spento taglia ancora $(1,1,1)$, e il modello risponde a un'altra domanda.
Vincolo condizionato $3x_1 + 4x_2 + 5x_3 \le 6 + M(1 - y)$, con $x, y$ binarie e obiettivo $\max\ x_1 + x_2 + x_3 + y$: il più piccolo $M$ valido è $6$. Che cosa cambia usando $M = 1000$?
Nulla, né sull'insieme intero né sul rilassamento lineare
Il rilassamento si rafforza, perché il vincolo spento non morde più
L'insieme intero resta lo stesso, il rilassamento si indebolisce (da $3$ a quasi $4$)
L'insieme intero cambia e l'ottimo intero sale da $3$ a $4$
Spiegazione. Un $M$ valido ma più grande del necessario è migliorabile: stesso insieme intero, rilassamento più debole, perché basta abbassare un po' $y$ per spegnere quasi del tutto il vincolo. $M$ si calcola sempre dai dati.
Sequenziamento di $n$ lavori su una macchina: $s_{ij} = 1$ se $i$ precede $j$, con $s_{ij} + s_{ji} = 1$ per ogni coppia, e un vincolo di precedenza con big-M sui tempi di completamento per ogni coppia ordinata $(i, j)$, $i \ne j$. Quanti vincoli ha ciascuna famiglia?
$n(n-1)$ di ordine e $n(n-1)/2$ di precedenza
$n(n-1)$ ciascuna
$n(n-1)/2$ ciascuna
$n(n-1)/2$ di ordine e $n(n-1)$ di precedenza
Spiegazione. L'ordine si impone una volta per coppia non ordinata ($i < j$), la precedenza una volta per coppia ordinata ($i \ne j$), perché ciascun verso ha il suo vincolo da accendere o spegnere.
Classe di tre lavori con binarie $x_j$ (lavoro eseguito) e $y$ (classe completa), problema di massimo. Ci sono solo i vincoli $y \le x_j$, nessun vincolo per il verso «tutti eseguiti $\Rightarrow y = 1$», e il premio di $y$ nell'obiettivo vale $0$. Che cosa può succedere all'ottimo?
Può risultare $y = 0$ con tutti gli $x_j = 1$: $y$ non è più un indicatore fedele
Il valore ottimo cambia rispetto al modello con entrambi i versi
In ogni ottimo $y = 1$ se tutti gli $x_j = 1$, perché lo impone l'obiettivo
Il modello diventa inammissibile, perché manca un verso del legame
Spiegazione. Senza premio l'argomento di scambio cade: alzare $y$ non migliora l'obiettivo. Il valore ottimo resta lo stesso, ma $y$ non dice più «classe completa»; se $y$ compare in altri vincoli, il secondo verso va scritto.
«Almeno $p$ tipi diversi»: $q_j$ è la quantità del tipo $j$, $y_j = 1$ se il tipo è attivo, con $q_j \le c_j y_j$ e $\sum_j y_j \ge p$, ma **senza** il lotto minimo $q_j \ge \ell\, y_j$ ($\ell > 0$). Che cosa non va?
Il conteggio si soddisfa accendendo indicatori con $q_j = 0$: la condizione non dice più niente
Nulla: il vincolo di attivazione $q_j \le c_j y_j$ basta a dare senso al conteggio
Il rilassamento lineare diventa esatto e l'interezza delle $y_j$ non serve più
Il modello diventa inammissibile ogni volta che $p$ supera il numero di tipi convenienti
Spiegazione. Senza soglia una soluzione con $y_j = 1$ e $q_j = 0$ è ammissibile. Contare i tipi funziona solo se ogni tipo acceso produce davvero qualcosa: attivazione e lotto minimo vanno insieme.
Una variabile intera $v \in \{0, \dots, 2^p - 1\}$ si riscrive con l'espansione binaria $v = \sum_{k=0}^{p-1} 2^k b_k$, con $b_k \in \{0,1\}$. Che effetto ha sul rilassamento lineare?
Nessun rafforzamento: con $b_k \in [0,1]$ copre tutto l'intervallo $[0, 2^p - 1]$, come $0 \le v \le 2^p - 1$
Lo rafforza sempre, perché aggiunge $p$ variabili binarie al modello
Lo rende esatto, perché ogni valore di $v$ ha una sola rappresentazione binaria
Lo rende inammissibile, perché le $b_k$ frazionarie non rappresentano interi
Spiegazione. L'espansione serve a riformulare, non a rafforzare, per esempio quando un'altra parte del modello ha bisogno di indicatori binari dei bit. Nel continuo le $b_k$ frazionarie producono ogni valore dell'intervallo.
Vincolo violabile: il target $a'x = \beta$ si scrive $a'x + s^- - s^+ = \beta$ con deviazioni $s^-, s^+ \ge 0$ e penalità $\pi^- s^- + \pi^+ s^+$ nell'obiettivo di minimo, $\pi^-, \pi^+ > 0$. Che cosa vale in ogni ottimo?
Le due deviazioni sono uguali, $s^- = s^+$
Almeno una delle due deviazioni è nulla, e $s^- + s^+ = |a'x - \beta|$
$s^-$ misura di quanto $a'x$ supera il target $\beta$
Entrambe le deviazioni sono nulle, perché le penalità sono positive
Spiegazione. Se fossero entrambe positive, sottrarre a entrambe il loro minimo lascerebbe il vincolo soddisfatto e ridurrebbe strettamente l'obiettivo. $s^-$ misura di quanto si sta sotto il target, $s^+$ di quanto si sta sopra.
Una funzione di costo $g(q)$ lineare a tratti e **convessa**, da minimizzare, è modellata come combinazione convessa $\sum_k \lambda_k$ dei suoi nodi. Servono anche le binarie di tratto e i vincoli di adiacenza (solo due $\lambda$ consecutive positive)?
Sì, sempre: senza adiacenza il modello mescola nodi lontani e sbaglia il costo
Sì, perché senza binarie di tratto il modello diventa inammissibile
No: l'inviluppo convesso inferiore coincide con $g$, e il minimo sceglie da solo $\lambda$ adiacenti
No, ma solo se i nodi sono equidistanti e le pendenze intere
Spiegazione. Con $g$ convessa e un minimo il modello senza binarie è già corretto. Con $g$ non convessa, per esempio con sconti di quantità, l'adiacenza è obbligatoria.
Costo lineare a tratti **non convesso** (sconti di quantità), modellato con le $\lambda_k$ dei nodi. Senza binarie di tratto $w_t$ e adiacenza l'ottimo vale $117/4$; con binarie e adiacenza l'ottimo intero vale $33$. Quanto vale il rilassamento lineare (con $0 \le w_t \le 1$) del modello con adiacenza?
$117/4$: con $w_t$ frazionarie l'adiacenza non morde
$33$, come il suo ottimo intero
Più di $33$, perché il modello è più stretto
Un valore strettamente fra $117/4$ e $33$
Spiegazione. L'adiacenza cambia l'insieme intero, quindi l'ottimo, ma non la forza del rilassamento: con le $w_t$ frazionarie il modello torna a mescolare i nodi. Sono due cose da non confondere.
Due impianti con costo fisso, quantità $q_j$ e apertura $y_j \in \{0,1\}$. Con il legame $q_j \le C_j y_j$ ($C_j$ capacità) il rilassamento vale $112/3$; con $q_j \le 100\, y_j$ e $q_j \le C_j$ a parte vale $1059/50$; l'ottimo intero è $44$ in entrambi. Che cosa si conclude?
Stesso insieme intero, ma il big-M dà un rilassamento più stretto perché ha un vincolo in più
Insiemi interi diversi: il big-M ammette soluzioni che il legame con la capacità esclude
Stesso rilassamento e stesso insieme intero: i due valori differiscono per arrotondamento
Stesso insieme intero, ma il coefficiente pari alla capacità dà un rilassamento molto più stretto
Spiegazione. Entrambe le scritture sono valide e hanno lo stesso ottimo intero; il big-M lascia comprare frazioni minuscole di impianto ($y_j = q_j/100$) e il rilassamento crolla.
Una proprietà di una soluzione ottima si dimostra con un argomento di scambio: si modifica una soluzione che la viola, restando ammissibili, e si confronta l'obiettivo. Quale enunciato è corretto?
Se lo scambio non peggiora l'obiettivo la proprietà vale in ogni ottimo, perché nessun ottimo la può violare
Se lo scambio migliora strettamente l'obiettivo la proprietà vale in ogni ottimo; se lo lascia invariato vale solo in qualche ottimo
Una proprietà dimostrata con lo scambio vale in ogni soluzione ammissibile, non solo negli ottimi
Se il coefficiente della variabile nell'obiettivo è nullo, lo scambio dimostra la proprietà in ogni ottimo
Spiegazione. La forza della conclusione dipende dal segno del coefficiente: un miglioramento stretto dà «in ogni ottimo», un obiettivo invariato dà al più «esiste un ottimo». Scrivere «in ogni ottimo» con un coefficiente solo non negativo è l'errore più comune.
Attivazione con binarie $x_{ij}$ (oggetto $i$ usa la risorsa $j$, $i = 1, \dots, n$) e $y_j$ (risorsa attiva): forma disaggregata $x_{ij} \le y_j$, forma aggregata $\sum_i x_{ij} \le n\, y_j$. Quale enunciato è corretto?
La forma aggregata implica la disaggregata per ogni $x \ge 0$ e ogni $y \in [0,1]$
La forma disaggregata non implica l'aggregata, nemmeno sui punti binari
Sono equivalenti anche sui punti frazionari, quindi hanno lo stesso rilassamento lineare
Sui punti binari sono equivalenti; il verso «aggregata $\Rightarrow$ disaggregata» usa la binarietà e fuori dai punti binari non vale
Spiegazione. Sommando le disaggregate su $i$ si ottiene l'aggregata, sempre. Il verso opposto usa $y_j \in \{0,1\}$ e $x_{ij} \le 1$: ed è proprio questo che rende diverse le due forme nel rilassamento.
Variabili continue $u, v$ e costante $k > 0$. Quale enunciato sul vincolo $|u - v| \ge k$ è corretto?
Si scrive con una variabile $d$ e i vincoli $d \ge u - v$, $d \ge v - u$ e $d \ge k$
L'insieme che descrive non è convesso, quindi nessun sistema di vincoli lineari senza variabili intere lo descrive
Si scrive con i due vincoli lineari $u - v \ge k$ e $v - u \ge k$, senza variabili intere
È convesso come $|u - v| \le k$, perché il valore assoluto è una funzione convessa
Spiegazione. È il complemento di una striscia: una disgiunzione, che richiede una binaria e un big-M. Imporre entrambi i vincoli darebbe $0 \ge 2k$, inammissibile; e $d \ge |u - v|$ con $d \ge k$ non dice che $|u - v|$ sia grande.
Alldiff: $n$ oggetti devono ricevere valori distinti fra $n$ valori. Con $x_{iv} = 1$ se l'oggetto $i$ riceve il valore $v$, si scrive come doppio set partitioning: $\sum_v x_{iv} = 1$ per ogni oggetto e $\sum_i x_{iv} = 1$ per ogni valore. Quale enunciato è corretto?
La scrittura è corretta solo se si aggiunge l'espansione binaria dei valori
I valori risultano distinti solo nelle soluzioni ottime, non in tutte le ammissibili
Il rilassamento è debole come quello di un big-M, e va rafforzato con tagli
La matrice è quella dell'assegnamento, totalmente unimodulare: i vertici del rilassamento sono interi
Spiegazione. «Ogni oggetto un valore» e «ogni valore a un solo oggetto» impongono una biiezione in ogni soluzione ammissibile; la totale unimodularità rende l'interezza gratuita, cioè $\zlpp = \zmilp$ per ogni obiettivo lineare.
Variabile di massimo: binarie $x_j$, durate $t_j \ge 0$, variabile $z \ge 0$ con i vincoli $z \ge t_j x_j$ per ogni $j$. Per dimostrare che in ogni ottimo $z = \max_{j : x_j = 1} t_j$, che cosa serve?
I vincoli $z \ge t_j x_j$, un coefficiente di $z$ strettamente positivo in un massimo, e $z \ge 0$
I vincoli $z \ge t_j x_j$, un coefficiente di $z$ non negativo in un minimo, e $z$ assente da ogni altro vincolo
I vincoli $z \ge t_j x_j$, un coefficiente di $z$ strettamente positivo in un minimo, e $z$ assente da ogni altro vincolo
I vincoli $z \ge t_j x_j$ e $z$ assente da ogni altro vincolo, qualunque sia il coefficiente di $z$
Spiegazione. Sono i tre passi: il vincolo dà $z \ge \max$, l'ottimalità abbassa $z$ (con coefficiente strettamente positivo in un minimo e $z$ assente altrove), la sintesi dà l'uguaglianza in ogni ottimo.
Attivazione con $x_{ij} \in \{0,1\}$ ($i = 1, \dots, n$) e $y_j$. Per dimostrare che la forma aggregata $\sum_i x_{ij} \le n\, y_j$ implica la disaggregata $x_{ij} \le y_j$, che cosa serve?
Che $y_j$ sia binaria (casi $y_j = 0$ e $y_j = 1$) e che $x_{ij} \le 1$, perché le $x$ sono binarie
Che il costo di attivazione della risorsa $j$ sia strettamente positivo
Soltanto che $x_{ij} \ge 0$, qualunque sia il valore di $y_j$ in $[0,1]$
Che la matrice del vincolo aggregato sia totalmente unimodulare
Spiegazione. Con $y_j = 0$ l'aggregata dà $\sum_i x_{ij} \le 0$, quindi ogni $x_{ij} = 0$; con $y_j = 1$ basta $x_{ij} \le 1$. Fuori dai punti binari il verso non vale: $y_j = 1/n$ con un solo $x_{ij} = 1$ soddisfa l'aggregata.
Vincolo condizionato $a'x \le b + M(1 - y)$: deve valere quando la binaria $y$ vale $1$ ed essere spento quando vale $0$. Per dimostrare che un certo valore di $M$ è **valido**, che cosa serve?
Che $M \ge \max a'x - b$ sui punti ammessi dagli altri vincoli, di solito calcolato dai bound delle variabili, che devono essere finiti
Che il rilassamento lineare con quel valore di $M$ abbia lo stesso ottimo del MILP
Che $y$ sia binaria, qualunque sia il valore di $M$, purché positivo
Che $M$ sia più grande di tutti i coefficienti che compaiono nel modello
Spiegazione. Con $y = 0$ il vincolo deve essere soddisfatto da ogni punto che gli altri vincoli ammettono: serve $M \ge \max a'x - b$. Senza bound finiti sulle variabili nessun $M$ finito è garantito valido.
Sequenziamento su una macchina: $\kappa_i$ è il completamento del lavoro $i$ di durata $t_i$, $s_{ij} = 1$ se $i$ segue $j$, e $\kappa_i \ge \kappa_j + t_i - M(1 - s_{ij})$. Per dimostrare che $M = \sum_h t_h$ è valido, che cosa serve?
$\kappa_i \ge t_i$ e l'orizzonte $\kappa_j \le \sum_h t_h$ sulle soluzioni fra cui si cerca l'ottimo
Che $M$ sia almeno la durata massima $\max_h t_h$ e che le durate siano intere
Soltanto $s_{ij} + s_{ji} = 1$, cioè che ogni coppia sia ordinata in un verso
Soltanto $\kappa_i \ge t_i$, cioè che nessun lavoro finisca prima della propria durata
Spiegazione. Con $s_{ij} = 0$ si ha $\kappa_j + t_i - M \le \sum_h t_h + t_i - \sum_h t_h = t_i \le \kappa_i$. Senza un limite superiore sui $\kappa_j$ nessun $M$ finito è valido: l'orizzonte va dichiarato.
Indicatore di classe completa: binarie $x_1, \dots, x_p$ e $y$, con $y \le x_j$ per ogni $j$. Si vuole omettere il vincolo $y \ge \sum_j x_j - (p - 1)$. Che cosa serve perché in ogni ottimo $y = 1$ quando tutti gli $x_j = 1$?
Che le $x_j$ abbiano ricavi positivi nell'obiettivo, qualunque sia il premio di $y$
Che $y$ compaia nell'obiettivo di un massimo con premio $v \ge 0$ e in nessun altro vincolo
Che $y$ compaia in un vincolo che conta le classi complete, con premio $v > 0$
Che $y$ compaia nell'obiettivo di un massimo con premio $v > 0$ e in nessun altro vincolo
Spiegazione. Con $v > 0$ e $y$ assente altrove, alzare $y$ a $1$ resta ammissibile e aumenta strettamente l'obiettivo. Con $v = 0$, o se $y$ compare in altri vincoli, il secondo verso va scritto.
Vincolo violabile $a'x + s^- - s^+ = \beta$ con $s^-, s^+ \ge 0$ e penalità $\pi^- s^- + \pi^+ s^+$ in un minimo. Per dimostrare che in ogni ottimo almeno una delle due deviazioni è nulla, che cosa serve?
Penalità $\pi^-, \pi^+ \ge 0$ e il fatto che sottrarre lo stesso valore a $s^-$ e $s^+$ lascia invariata la differenza $s^- - s^+$
Che le deviazioni $s^-, s^+$ siano dichiarate binarie, così da poterne accendere una sola
Che il vincolo rigido $a'x = \beta$ abbia almeno una soluzione ammissibile
Penalità $\pi^-, \pi^+ > 0$ e il fatto che sottrarre lo stesso valore a $s^-$ e $s^+$ lascia invariata la differenza $s^- - s^+$
Spiegazione. Se $s^- = \sigma > 0$ e $s^+ = \tau > 0$, togliere $\min(\sigma, \tau)$ a entrambe mantiene il vincolo e riduce l'obiettivo di $(\pi^- + \pi^+) \min(\sigma, \tau) > 0$: contraddizione. Con penalità nulle la riduzione non è stretta.
Conteggio intero: $q = 37$ unità vanno in scatole di capienza $c = 10$, con $q \le c\, w$ e il numero di scatole $w$ minimizzato. Quanto vale $w$ all'ottimo del rilassamento lineare, dove $w$ è continua?
$\tfrac{10}{37}$
$\tfrac{37}{10}$
$4$
$3$
Spiegazione. Nel continuo il minimo schiaccia $w$ su $q/c = 37/10$. Il tetto $\lceil 37/10 \rceil = 4$ lo produce solo l'interezza di $w$; $3$ scatole non bastano.
Equità fra $K$ operai: $\ell_k$ è il carico dell'operaio $k$ (espressione lineare delle assegnazioni). Quale modello **massimizza il carico minimo**?
Una variabile $u$, i vincoli $u \le \ell_k$ per ogni $k$ e $\min u$
Una variabile $u$, i vincoli $u \ge \ell_k$ per ogni $k$ e $\max u$
Una variabile $u$, il vincolo $u = \sum_k \ell_k / K$ e $\max u$
Una variabile $u$, i vincoli $u \le \ell_k$ per ogni $k$ e $\max u$
Spiegazione. $u \le \ell_k$ tiene $u$ sotto ogni carico e il massimo la spinge sul più piccolo: è il max-min. Con $u \ge \ell_k$ e $\max u$ il problema è illimitato; con $\min u$ la $u$ scende senza limite.
«Almeno $p = 2$ tipi diversi»: $q_j$ è la quantità del tipo $j \in \{1,2,3\}$, $y_j$ la binaria di tipo attivo, con $5 y_j \le q_j \le 20 y_j$ e $y_1 + y_2 + y_3 \ge 2$. Quale soluzione è ammissibile?
$q = (5, 7, 0)$, $y = (1, 1, 0)$
$q = (25, 5, 0)$, $y = (1, 1, 0)$
$q = (3, 8, 0)$, $y = (1, 1, 0)$
$q = (10, 0, 0)$, $y = (1, 1, 0)$
Spiegazione. Un tipo attivo deve avere una quantità fra la soglia $5$ e la capacità $20$. $q_2 = 0$ con $y_2 = 1$ viola la soglia (è proprio il conteggio «vuoto» che la soglia impedisce); $3 < 5$; $25 > 20$.
Nella mappa delle tecniche di legame fra variabili, ogni tecnica ha qualcosa da dichiarare quando la si usa. Che cosa va dichiarato per un vincolo condizionato con big-M, $a'x \le b + M(1 - y)$ con $y$ binaria?
Il valore di $M$, calcolato dai dati
Che $M$ è un numero grande qualsiasi
Che l'interezza di $y$ realizza un arrotondamento per eccesso
Il segno del coefficiente di $y$ nell'obiettivo
Spiegazione. Un $M$ troppo piccolo taglia soluzioni, uno troppo grande indebolisce il rilassamento: va calcolato dai bound delle variabili e dichiarato. Il segno nell'obiettivo si dichiara per l'attivazione, l'arrotondamento per il conteggio intero.
Costo fisso: l'impianto $j$ produce $q_j \ge 0$, con capacità $C_j = 40$, e paga il costo fisso $f_j$ se aperto ($y_j = 1$). Il legame è $q_j \le C_j y_j$. Perché non si scrive $q_j \le M y_j$ con $M = 10^6$?
Non c'è differenza: il valore di $M$ non conta se $M \ge C_j$
Perché $q_j \le M y_j$ non impone più che un impianto chiuso non produca
Con $M$ enorme il rilassamento può tenere $y_j = q_j/M$ quasi nullo, pagando una frazione minima del costo fisso: il bound peggiora
Perché con $M = 10^6$ il modello diventa inammissibile
Spiegazione. Entrambi i vincoli sono corretti sui punti interi, ma nel rilassamento $y_j \ge q_j/M$: con $M = C_j$ l'impianto paga almeno $f_j q_j / C_j$, con $M$ enorme quasi nulla. Il coefficiente giusto è la capacità.
Costo fisso, problema di minimo: $\min \sum_j (c_j q_j + f_j y_j)$ con $q_j \le C_j y_j$, $q_j \ge 0$, $y_j \in \{0,1\}$, $f_j > 0$. In una soluzione ottima, che cosa vale per un impianto con $q_j = 0$?
$y_j = 1$: un impianto deve essere aperto per poter produrre in futuro
Spiegazione. Il vincolo impone solo $q_j > 0 \Rightarrow y_j = 1$. Il verso opposto ($q_j = 0 \Rightarrow y_j = 0$) lo impone l'obiettivo: con $f_j > 0$ chiudere un impianto inutilizzato riduce il costo.
Lotto minimo: $q_j$ deve valere $0$ oppure stare in $[\ell, c_j]$, con $\ell = 5$ e $c_j = 20$; $y_j \in \{0,1\}$. Con i vincoli $\ell y_j \le q_j \le c_j y_j$, quali valori di $q_j$ sono ammessi con $y_j = 1$ e con $y_j = 0$?
Con $y_j = 1$: $0 \le q_j \le 20$; con $y_j = 0$: $0 \le q_j \le 5$
Con $y_j = 1$: solo $q_j = 5$ o $q_j = 20$; con $y_j = 0$: solo $q_j = 0$
Con $y_j = 1$: $5 \le q_j \le 20$; con $y_j = 0$: solo $q_j = 0$
Con $y_j = 1$: $5 \le q_j \le 20$; con $y_j = 0$: $q_j \le 5$
Spiegazione. Con $y_j = 0$ i due vincoli diventano $0 \le q_j \le 0$; con $y_j = 1$ diventano $5 \le q_j \le 20$. Il dominio è l'unione di un punto e di un intervallo: una variabile semicontinua.
Lotto minimo con $\ell y_j \le q_j \le c_j y_j$, $y_j \in \{0,1\}$, in un problema di minimo costo con costo fisso $f_j > 0$. Uno studente toglie il vincolo $\ell y_j \le q_j$, sostenendo che «l'obiettivo spinge già $y_j$ a zero». Che cosa si perde?
L'interezza di $y_j$
Niente: l'obiettivo impone anche la soglia
La soglia: con $y_j = 1$ resta ammesso $0 < q_j < \ell$, cioè lotti più piccoli del minimo
Il legame «impianto chiuso, niente produzione»
Spiegazione. L'obiettivo spinge $y_j$ a zero quando $q_j = 0$, ma non impedisce di produrre una quantità positiva sotto la soglia con l'impianto aperto: quel verso lo dà solo $\ell y_j \le q_j$.
Conteggio intero: pezzi di ingombro $a = (4, 7, 5)$, tutti da spedire ($x_i = 1$), in scatole di capienza $c = 6$; $w \in \mathbb{Z}_{\ge 0}$ è il numero di scatole, con $\sum_i a_i x_i \le c\,w$, e si minimizza $w$. Quanto vale $w$ all'ottimo del modello, e quanto nel rilassamento lineare?
$w = 3$; nel rilassamento $w = 8/3$
$w = 3$; nel rilassamento $w = 3$
$w = 2$; nel rilassamento $w = 8/3$
$w = 16$; nel rilassamento $w = 16/6$
Spiegazione. $\sum_i a_i = 16$, quindi $w \ge 16/6 = 8/3$: il rilassamento si ferma lì, l'intero sale a $\lceil 8/3 \rceil = 3$. È un arrotondamento all'intero superiore. (Il modello conta la capienza totale, non l'impacchettamento dei pezzi.)
Conteggio intero: $w \in \mathbb{Z}_{\ge 0}$ con il solo vincolo $Q \le c\,w$ ($Q > 0$ quantità fissata, $c > 0$ capienza), minimizzando un costo unitario positivo per $w$. Che cosa vale all'ottimo?
$w = \lfloor Q/c \rfloor$
$w = \lfloor Q/c \rfloor + 1$
$w = Q/c$
$w = \lceil Q/c \rceil$
Spiegazione. Il vincolo dà $w \ge Q/c$ e $w$ intero, quindi $w \ge \lceil Q/c \rceil$; l'obiettivo spinge $w$ al minimo ammissibile. $\lfloor Q/c \rfloor + 1$ sbaglia quando $Q/c$ è intero.
Variabile di massimo: $x_j \in \{0,1\}$ sceglie l'attività $j$ di durata $t_j$, e si vuole che $z$ valga la durata della più lunga attività scelta. I vincoli sono $z \ge t_j x_j$ per ogni $j$ e $z \ge 0$. In quale tipo di obiettivo $z$ vale esattamente il massimo all'ottimo?
Quando $z$ compare con coefficiente positivo in un obiettivo da minimizzare
Solo se l'obiettivo è $\min \sum_j t_j x_j$
In qualunque obiettivo: i vincoli lo fissano già
Quando $z$ compare con coefficiente positivo in un obiettivo da massimizzare
Spiegazione. I vincoli danno $z \ge \max_j t_j x_j$; solo un obiettivo che spinge $z$ verso il basso (minimizzarlo) lo porta all'uguaglianza. Massimizzandolo, $z$ crescerebbe senza limite.
Variabile di massimo $z \ge t_j x_j$, con durate $t = (4, 9, 6)$ e scelta $x = (1, 0, 1)$, in un problema che minimizza $z$ più altri termini che non dipendono da $z$. Quanto vale $z$ in una soluzione ottima con questa scelta?
$4$
$9$
$6$
$10$
Spiegazione. I vincoli attivi danno $z \ge 4$, $z \ge 0$, $z \ge 6$: il minimo ammissibile è $6$, la durata più lunga fra le attività scelte. $9$ appartiene a un'attività non scelta; $10$ è la somma.
Equità fra due operai: carichi $\ell_1 = 10$ e $\ell_2 = 6$ in una data assegnazione. Nei tre modelli del corso — min-max ($\min z$, $z \ge \ell_k$), max-min ($\max u$, $u \le \ell_k$), differenza ($\min z - u$ con entrambi) — quanto valgono $z$, $u$ e $z - u$ all'ottimo **per questa assegnazione fissata**?
$z = 10$, $u = 6$, $z - u = 4$
$z = 10$, $u = 10$, $z - u = 0$
$z = 16$, $u = 0$, $z - u = 16$
$z = 8$, $u = 8$, $z - u = 0$
Spiegazione. Con i carichi fissati $z$ scende al massimo dei carichi ($10$), $u$ sale al minimo ($6$), e la differenza è $4$. Il valore $8$ è la media, che nessuno dei tre modelli calcola.
Equità: $\ell_k$ è il carico della risorsa $k$. Si vuole minimizzare lo scarto fra carico massimo e minimo con $\min (z - u)$. Uno studente scrive solo i vincoli $z \ge \ell_k$ per ogni $k$, dimenticando $u \le \ell_k$. Che cosa succede?
$u$ non è più legato ai carichi e cresce senza limite: $z - u$ va a $-\infty$ e il modello è illimitato
Il modello minimizza ancora lo scarto, perché $u$ si fissa al carico minimo
Il modello diventa un min-max
Il modello è inammissibile
Spiegazione. Il modello differenza ha bisogno di entrambi i gruppi di vincoli: $z$ è spinto in basso e trattenuto da $z \ge \ell_k$, $u$ è spinto in alto e trattenuto solo da $u \le \ell_k$. Senza questi, $u$ non ha limite superiore.
Valore assoluto in un obiettivo di minimo: si minimizza $|u - v|$ introducendo $d \ge 0$ con $d \ge u - v$ e $d \ge v - u$, e minimizzando $d$. Con $u = 7$ e $v = 3$ fissati, quanto vale $d$ all'ottimo?
$-4$
$10$
$4$
$0$
Spiegazione. I vincoli danno $d \ge 4$ e $d \ge -4$; minimizzando, $d$ scende al più grande dei due, $4 = |7 - 3|$. La linearizzazione funziona perché il valore assoluto si minimizza.
Vincolo condizionato $a'x \le b + M(1 - y)$, con $y$ binaria e $x$ entro i bound. Uno studente sceglie $M$ **più piccolo** del massimo di $a'x - b$ sui bound. Che cosa può succedere?
Con $y = 0$ il vincolo non è del tutto spento e taglia soluzioni ammissibili, forse quella ottima
Il modello diventa illimitato
Niente: un $M$ più piccolo dà solo un rilassamento più stretto
Con $y = 1$ il vincolo non vale più
Spiegazione. $M$ deve essere almeno $\max (a'x - b)$ sui bound perché con $y = 0$ ogni $x$ lo soddisfi. Sotto quel valore il vincolo spento taglia ancora punti: il modello è sbagliato, non solo più stretto.
Sequenziamento di $n$ lavori su una macchina: $s_{ij} = 1$ se $j$ precede $i$, con $s_{ij} + s_{ji} = 1$ per $i < j$ e $\kappa_i \ge \kappa_j + t_i - M(1 - s_{ij})$ per $i \ne j$. Con $n = 5$ lavori, quante variabili $s_{ij}$ e quanti vincoli big-M ci sono?
$20$ variabili e $10$ vincoli big-M
$20$ variabili e $20$ vincoli big-M
$25$ variabili e $20$ vincoli big-M
$10$ variabili e $10$ vincoli big-M
Spiegazione. Una $s_{ij}$ e un vincolo big-M per ogni coppia ordinata con $i \ne j$: $n(n-1) = 20$. I vincoli $s_{ij} + s_{ji} = 1$ sono invece uno per coppia non ordinata, $\binom{5}{2} = 10$.
Sequenziamento su una macchina senza tempi morti, lavori di durata $t_j$. Il vincolo $\kappa_i \ge \kappa_j + t_i - M(1 - s_{ij})$ deve essere spento quando $s_{ij} = 0$. Quale valore di $M$ basta per ogni coppia?
$M = \max_j t_j$, la durata del lavoro più lungo
$M = t_i + t_j$, la somma delle due durate della coppia
$M = \sum_j t_j$, la durata totale: nessun completamento supera questo valore
$M = n$, il numero di lavori
Spiegazione. Senza tempi morti ogni $\kappa$ sta in $[t_j, \sum t]$, quindi $\kappa_j + t_i - \kappa_i \le \sum_j t_j$: con quel $M$ il vincolo spento è sempre soddisfatto. Valori più piccoli come $\max t_j$ possono tagliare sequenze.
Se e solo se: $y$ binaria deve valere $1$ esattamente quando $x_1 = x_2 = x_3 = x_4 = 1$ (binarie). Con i vincoli $y \le x_j$ per ogni $j$, quale vincolo completa il legame?
$y \ge x_1 + x_2 + x_3 + x_4 - 4$
$y \ge x_1 + x_2 + x_3 + x_4 - 3$
$y \ge x_1 + x_2 + x_3 + x_4$
$y \le x_1 + x_2 + x_3 + x_4 - 3$
Spiegazione. Il vincolo $y \ge \sum_j x_j - (p - 1)$ con $p = 4$ forza $y = 1$ solo se tutte valgono $1$ (somma $4$, destra $1$); con almeno una a zero la destra è $\le 0$. Con $-4$ la destra non supera mai $0$.
Legame «$y = 1$ se e solo se tutte le binarie $x_1, \dots, x_p$ valgono $1$», con $y \le x_j$ per ogni $j$. In un problema di **massimo** in cui $y$ ha coefficiente positivo nell'obiettivo (un premio), si può omettere il vincolo $y \ge \sum_j x_j - (p-1)$?
Sì: l'obiettivo spinge $y$ a $1$ appena è consentito, quindi il verso mancante lo impone l'ottimizzazione
Sì, ma solo se il problema è di minimo
No: senza quel vincolo il modello diventa illimitato
No: senza quel vincolo $y$ può valere $1$ anche con qualche $x_j = 0$
Spiegazione. $y \le x_j$ impedisce il premio se manca un elemento. Il verso opposto («tutti a uno ⇒ premio») è garantito all'ottimo dal coefficiente positivo in un massimo: basta un verso solo.
Contare i tipi diversi: $q_j \ge 0$ è la quantità del tipo $j \in \{1, \dots, 5\}$, $y_j$ l'indicatore, con $q_j \le c_j y_j$, $q_j \ge \ell y_j$ e $\sum_j y_j \ge 3$. Che cosa impone il modello?
Che almeno $3$ tipi siano prodotti, ciascuno in quantità almeno $\ell$
Che al più $3$ tipi siano prodotti
Che esattamente $3$ tipi siano prodotti
Che la quantità totale sia almeno $3\ell$, comunque distribuita
Spiegazione. Ogni $y_j = 1$ obbliga $q_j \ge \ell$, e il vincolo di conteggio ne vuole almeno tre: almeno tre tipi presenti in modo significativo. La quantità totale da sola non basta (potrebbe stare tutta in un tipo).
«Almeno $p$ tipi diversi» con $q_j \le c_j y_j$, $\sum_j y_j \ge p$. Uno studente omette la soglia $q_j \ge \ell y_j$. Quale soluzione indesiderata diventa ammissibile?
$\sum_j y_j > p$, cioè più tipi del richiesto
$y_j = 0$ con $q_j > 0$: un tipo prodotto senza essere contato
$y_j = 1$ con $q_j = 0$: un tipo «attivo» senza produzione, che soddisfa il conteggio senza produrre nulla
Nessuna: $q_j \le c_j y_j$ basta da solo
Spiegazione. $q_j \le c_j y_j$ impedisce di produrre senza attivare, non di attivare senza produrre. Senza la soglia il conteggio si soddisfa con indicatori a $1$ e quantità nulle: servono entrambe le soglie.
Espansione binaria: una variabile intera $v \in \{0, 1, \dots, 100\}$ si riscrive come $v = \sum_{k=0}^{p-1} 2^k b_k$ con $b_k \in \{0,1\}$. Qual è il più piccolo numero $p$ di binarie che rappresenta tutti i valori ammessi?
$8$
$100$
$6$
$7$
Spiegazione. Con $p$ binarie si rappresentano $0, \dots, 2^p - 1$: con $6$ si arriva a $63$, con $7$ a $127 \ge 100$. (Servirà poi $v \le 100$ per escludere i valori in eccesso.)
Alldiff: $4$ oggetti devono ricevere $4$ valori tutti distinti; $p_{iv} = 1$ se l'oggetto $i$ riceve il valore $v$, con $\sum_v p_{iv} = 1$ per ogni oggetto e $\sum_i p_{iv} = 1$ per ogni valore. Quante variabili binarie e quanti vincoli ha la formulazione?
$8$ binarie e $8$ vincoli
$4$ binarie e $6$ vincoli
$16$ binarie e $8$ vincoli
$16$ binarie e $16$ vincoli
Spiegazione. Una binaria per coppia oggetto–valore, $4 \cdot 4 = 16$; un vincolo per oggetto e uno per valore, $4 + 4 = 8$. È un assegnamento.
Vincolo violabile: la domanda del periodo, $\beta = 50$, si scrive $a'x + s^- - s^+ = 50$ con $s^-, s^+ \ge 0$ e penalità $\pi^- s^- + \pi^+ s^+$ ($\pi^-, \pi^+ > 0$) in un obiettivo di minimo. Se la soluzione fornisce $a'x = 42$, quanto valgono le deviazioni all'ottimo?
$s^- = 8$, $s^+ = 8$
$s^- = 8$, $s^+ = 0$
$s^- = 58$, $s^+ = 50$
$s^- = 0$, $s^+ = 8$
Spiegazione. Il vincolo dà $s^- - s^+ = 8$; minimizzando le penalità positive si tiene la sola deviazione necessaria: $s^- = 8$ (si sta sotto il target di $8$), $s^+ = 0$.
Un modello di pianificazione con la domanda di ogni periodo come vincolo rigido $a'x = \beta$ risulta inammissibile (capacità insufficiente). Che cosa offre la tecnica dei vincoli violabili?
Togliere il vincolo di domanda, che rende il modello ammissibile senza costi
Sostituire il vincolo con $a'x + s^- - s^+ = \beta$ e penalizzare le deviazioni: il modello torna ammissibile e dice quanto e dove si manca il target
Rendere continue le variabili intere
Aumentare $\beta$ finché il modello torna ammissibile
Spiegazione. Un vincolo morbido si può violare pagando: la soluzione ottima bilancia costo e penalità e misura la violazione con $s^-$, $s^+$. Toglierlo del tutto perderebbe il target.
Costo lineare a tratti con nodi $q = (0, 10, 20)$ e valori $g = (0, 50, 80)$. Con la combinazione convessa dei nodi ($q = \sum_k q_k \lambda_k$, $g = \sum_k g_k \lambda_k$, $\sum_k \lambda_k = 1$) e l'adiacenza (positive solo le $\lambda$ dei due nodi del tratto scelto), quanto vale $g$ per $q = 14$?
$62$
$56$
$80$
$70$
Spiegazione. $q = 14$ sta nel secondo tratto: $\lambda_1 = 0{,}6$, $\lambda_2 = 0{,}4$, quindi $g = 0{,}6 \cdot 50 + 0{,}4 \cdot 80 = 62$. ($70$ usa la pendenza del primo tratto, $56$ combina i nodi $0$ e $20$.)
Costo lineare a tratti modellato con le $\lambda_k$ dei nodi. In quale caso si possono omettere le binarie di tratto $w_t$ e i vincoli di adiacenza, senza cambiare l'ottimo?
Sempre: le $\lambda$ sono già una combinazione convessa
Mai: senza binarie il modello non è lineare
Quando la funzione è concava e la si minimizza
Quando la funzione è convessa e la si minimizza: l'ottimo usa da solo nodi adiacenti
Spiegazione. Minimizzando una funzione convessa, mescolare nodi non adiacenti dà un valore sopra il grafico, quindi mai conveniente. Con sconti di quantità (non convessa) il rilassamento sceglierebbe la corda sotto il grafico: servono le binarie.
Mappa delle tecniche di legame fra variabili: un impianto con costo fisso, capacità e quantità continua, che se aperto deve produrre almeno una soglia minima. Quali due tecniche si combinano?
Spiegazione. La quantità continua legata all'apertura è il costo fisso; la soglia «se si produce, almeno $\ell$» è il lotto minimo, con la stessa binaria $y_j$.
Mappa delle tecniche: davanti a un legame nuovo fra variabili, quale fra queste domande **non** è una di quelle da porsi?
Quanto è forte il rilassamento della formulazione scelta?
Quale verso del legame impone il vincolo e quale (eventualmente) l'obiettivo?
Quante righe di codice servono in gurobipy?
Qual è il coefficiente più piccolo valido (la capacità, il minimo $M$)?
Spiegazione. Per ogni legame si dichiara che cosa impone il vincolo e che cosa l'obiettivo, si sceglie il coefficiente più stretto valido e si valuta la forza del rilassamento; la lunghezza del codice non è un criterio di modellazione.
Valore assoluto: $d \ge u - v$, $d \ge v - u$ linearizza $d = |u - v|$ in quale caso?
Solo se $u \ge v$
Quando $d$ si massimizza
Sempre, in qualunque obiettivo
Quando $d$ si minimizza (o compare con coefficiente positivo in un minimo): all'ottimo $d$ scende al massimo dei due
Spiegazione. I vincoli danno $d \ge |u - v|$; solo la spinta verso il basso dell'obiettivo porta all'uguaglianza. Per massimizzare $|u - v|$, o imporre $|u - v| \ge k$, serve una binaria.
Espansione binaria di una variabile intera $v \in \{0, \dots, 100\}$ con $7$ binarie: $v = \sum_{k=0}^{6} 2^k b_k$. Uno studente omette il vincolo $v \le 100$. Che cosa succede?
Diventano ammissibili i valori da $101$ a $127$, che il problema non permette
Il modello diventa inammissibile
Diventano ammissibili valori negativi
Niente: con $7$ binarie si arriva esattamente a $100$
Spiegazione. Con $7$ binarie si rappresentano $0, \dots, 127$: il vincolo $v \le 100$ serve a escludere i valori in eccesso.
Attivazione: $x_{ij} = 1$ se l'oggetto $i$ usa la risorsa $j$, $y_j = 1$ se la risorsa è attiva, $n$ oggetti. Con la forma aggregata $\sum_i x_{ij} \le n\,y_j$, quanti vincoli servono per $m$ risorse, e quanti con la disaggregata $x_{ij} \le y_j$?
$n$ e $n\,m$
$n\,m$ e $m$
$m$ e $n\,m$
$m$ e $m$
Spiegazione. Aggregata: un vincolo per risorsa. Disaggregata: uno per coppia oggetto–risorsa. Più righe, ma rilassamento più forte.
Disgiunzione con big-M: deve valere almeno uno fra $g_1(x) \le 0$ e $g_2(x) \le 0$; con una binaria $y$ si scrive $g_1(x) \le M_1(1 - y)$ e $g_2(x) \le M_2\,y$. Che cosa succede con $y = 1$?
Il primo vincolo è attivo, il secondo è spento (se $M_2$ è abbastanza grande)
Entrambi sono spenti
Il secondo è attivo, il primo spento
Entrambi i vincoli sono attivi
Spiegazione. Con $y = 1$: $g_1(x) \le 0$ (attivo) e $g_2(x) \le M_2$, soddisfatto da ogni $x$ entro i bound se $M_2 \ge \max g_2$. La binaria sceglie quale vincolo deve valere.
Un furgone da otto posti: quattro gruppi offrono un prezzo per salire, e $x_j \in \{0,1\}$ vale $1$ se il gruppo $j$ è accettato. Regola: «se si accetta il gruppo 2 si deve accettare anche il gruppo 4». Quale vincolo la traduce?
$x_2 + x_4 \ge 1$
$x_2 + x_4 \le 1$
$x_2 - x_4 \le 0$
$x_4 - x_2 \le 0$
Spiegazione. L'implicazione $x_2 \Rightarrow x_4$ è la clausola $\lnot x_2 \lor x_4$, cioè $x_4 - x_2 \ge 0$, scritta anche $x_2 - x_4 \le 0$. Il verso opposto direbbe «se il 4 allora il 2».
Linee di autobus: quattro linee $j$ da affidare a tre compagnie $i$ con costi $c_{ij}$; ogni linea a una compagnia, ogni compagnia al più due linee, costo minimo. Il costo più basso offerto per ciascuna linea è $(1, 2, 3, 1)$. Con la ricetta duale «azzerare e saturare» ($\bar\alpha_j = \min_i c_{ij}$, duali delle capacità a zero), che bound si ottiene?
$\ub = 7$
$\ub = 3$
$\lb = 7$
$\lb = 3$
Spiegazione. La ricetta dà $1 + 2 + 3 + 1 = 7$: «ogni linea costa almeno l'offerta più bassa». È un lower bound perché il problema è di minimo; l'ottimo vale $9$, perché la capacità delle compagnie impedisce di prendere tutti i minimi.
Staffetta: tre stili $s$ e quattro nuotatori $n$, $x_{sn} = 1$ se $n$ nuota lo stile $s$; vincoli $\sum_n x_{sn} = 1$ per stile e $\sum_s x_{sn} \le 1$ per nuotatore, tempo totale minimo. Perché il rilassamento lineare ha lo stesso ottimo del problema intero?
Perché un nuotatore resta fuori e libera un grado di libertà
Perché la soluzione duale costruita a mano è ottima per il duale
La matrice è quella di un assegnamento, totalmente unimodulare: i vertici del rilassamento sono interi
Perché i tempi dei nuotatori sono tutti numeri interi
Spiegazione. La matrice è totalmente unimodulare e l'interezza non costa nulla. Non è più così appena si aggiunge un vincolo con coefficienti diversi, per esempio una capacità.
Hub-and-spoke: si sceglie il minimo numero di città hub in modo che ogni città sia entro $1000$ miglia da un hub (set covering). Nel duale si dà $\pi_c = 1$ ad Atlanta, Denver e Seattle e $0$ alle altre, ottenendo $\lb = 3$. Che cosa dice, in parole?
Le tre città sono a due a due lontane: nessun hub può servirne due, quindi servono almeno tre hub
Tre hub bastano a servire tutte le città, quindi l'ottimo è tre
Ogni hub può servire al più tre città, quindi gli hub sono almeno tre
Atlanta, Denver e Seattle devono essere scelte come hub in ogni soluzione ottima
Spiegazione. Il duale ammissibile prezza città mutuamente lontane: ciascun hub ne copre al più una, quindi gli hub sono almeno tre. Che tre bastino lo dice una soluzione ammissibile, con $\ub = 3$.
Fondi a lotti: $x_1, \dots, x_4 \in \mathbb{Z}_{\ge 0}$ sono i lotti acquistati dei quattro fondi. Regola: «i lotti del secondo fondo non superano il $50\%$ del totale dei lotti». Come si scrive in forma lineare?
$x_2 \le 50$
$-x_1 + x_2 - x_3 - x_4 \le 0$
$x_2 - x_1 - x_3 - x_4 \ge 0$
$2x_2 \le x_1 + x_3 + x_4 + 1$
Spiegazione. Da $x_2 \le \tfrac12 (x_1 + x_2 + x_3 + x_4)$, moltiplicando per $2$ e portando tutto a sinistra, si ottiene $-x_1 + x_2 - x_3 - x_4 \le 0$.
Fondi a lotti (massimo, budget $100$): una candidata soluzione duale $(\bar\alpha, \bar\beta) = (5/32, 1/8)$ dà, sul primo vincolo duale $12\alpha - \beta \ge 2$, il valore $12 \cdot 5/32 - 1/8 = 7/4$. Che cosa se ne conclude?
È ammissibile e dà l'upper bound $100 \cdot 5/32$
È ammissibile, ma il bound che dà è debole
Non è una soluzione duale ammissibile, e il suo valore non è un bound
Basta che gli altri vincoli duali siano soddisfatti: uno violato non conta
Spiegazione. $7/4 < 2$: il primo vincolo è violato di $1/4$. Un valore duale si legge come bound solo dopo aver verificato tutti i vincoli, uno per uno.
Seminari: lo studente sceglie sessioni $(s, k)$ (seminario $s$, fascia $k$) con gradimento $p_{sk}$, $x_{sk} \in \{0,1\}$, e deve seguirne **esattamente** due: $\sum_{s,k} x_{sk} = 2$. Problema di massimo. Che segno ha la variabile duale $\gamma$ di quel vincolo?
$\gamma \ge 0$
Libera
$\gamma \in \{0,1\}$
$\gamma \le 0$
Spiegazione. Un vincolo di uguaglianza dà una variabile duale libera. La ricetta più corta pone tutto a zero tranne $\bar\gamma = \max_{s,k} p_{sk}$, e dà $\ub = 2 \max_{s,k} p_{sk}$.
Regine su una scacchiera $4 \times 4$: $x_{ij} = 1$ se c'è una regina nella casella $(i,j)$, e su ogni riga, colonna e diagonale si impone $\sum x_{ij} \le 1$. Perché le diagonali formate da una sola casella non si scrivono?
Perché renderebbero inammissibile la soluzione con una regina nell'angolo
Perché una regina in un angolo non può attaccare nessuna altra regina
Perché quelle caselle sono già contate fra i vincoli delle colonne
Darebbero $x_{ij} \le 1$ su una variabile già binaria: una riga che non vieta niente
Spiegazione. Restano le $5 + 5$ diagonali con almeno due caselle: con $4$ righe e $4$ colonne fanno $18$ vincoli di set packing, senza perdere nessuna soluzione.
Macchina CNC: $x_i = 1$ se si esegue l'operazione $i$, $y_j = 1$ se l'utensile $j$ è montato; l'operazione richiede **tutti** gli utensili del suo corredo $T_i$. Quanti vincoli di legame servono per l'operazione $i$, e quali?
Uno solo: $\sum_{j \in T_i} y_j \ge x_i$
Nessuno: basta il limite sul numero di utensili
$|T_i|$, uno per utensile: $x_i \le y_j$ per ogni $j \in T_i$
Uno solo: $x_i \le \sum_{j \in T_i} y_j$
Spiegazione. $x_i \Rightarrow \bigwedge_{j \in T_i} y_j$ ha una congiunzione nel conseguente: costa un vincolo per utensile. La somma (seconda e terza opzione, che sono lo stesso vincolo) direbbe «almeno un utensile».
Quattro lavori indivisibili di durata totale $18$ vanno divisi fra due operai, con carichi $w_1, w_2$. Il modello min-max ($\min \max(w_1, w_2)$) vale $9$, quello della differenza ($\min |w_1 - w_2|$) vale $0$. Quale affermazione è corretta?
Il modello della differenza è sbagliato, perché un carico non può valere $0$
I due modelli hanno soluzioni ottime diverse, perché i valori differiscono
Stesse soluzioni ottime e valori ottimi diversi: $9$ è il carico massimo, $0$ la differenza
Il min-max sbaglia di $9$ unità, perché la differenza ottima è $0$
Spiegazione. Con il totale costante, $\max(w_1, w_2) = 9 + |w_1 - w_2|/2$: minimizzare l'uno è minimizzare l'altra. Riportare $9$ come differenza, o $0$ come carico massimo, è un errore.
Orario di una scuola di musica: $x_{dti} = 1$ se nel giorno $d$, ora $t$, c'è lezione dello strumento $i$, e $y_{di} = 1$ se lo strumento $i$ è presente nel giorno $d$. Con il solo legame $x_{dti} \le y_{di}$, il vincolo «almeno due strumenti al giorno» $\sum_i y_{di} \ge 2$ non serve a nulla. Che cosa va aggiunto?
Un big-M sul numero di ore di ciascuno strumento
$\sum_i y_{di} \le 2$, per fissare il conteggio a due
$x_{dti} \ge y_{di}$ per ogni ora $t$ del giorno
$y_{di} \le \sum_t x_{dti}$, il verso opposto del legame
Spiegazione. Con un verso solo basta porre $y_{di} = 1$ senza lezione per soddisfare il conteggio. Quando un vincolo conta degli indicatori, il legame va nei due versi. $x_{dti} \ge y_{di}$ per ogni $t$ imporrebbe lezione in tutte le ore.
Turni di un pronto soccorso: ogni schema di turno copre $1$ nei suoi quattro giorni a tempo pieno e $1/2$ nel giorno a mezzo servizio; $x_j$ è il numero di addetti assegnati allo schema $j$ e ogni giorno ha un fabbisogno minimo. Che modello è?
Un programma lineare: le variabili possono essere continue senza cambiare l'ottimo
Un set packing con coefficienti $1$ e $1/2$ e variabili binarie
Un set partitioning con variabili binarie, uno schema per giorno
Un set covering con coefficienti $1$ e $1/2$ e variabili intere non binarie
Spiegazione. Ogni giorno deve avere almeno il suo fabbisogno coperto: vincoli $\ge$ con coefficienti $1$, $1/2$ o $0$; le variabili contano persone, quindi sono intere ma non binarie.
Problema di minimo in cui il rilassamento lineare è esatto, $\zlp = \zmilp = 9$, mentre una soluzione duale costruita a mano vale $7$. Quale enunciato è corretto?
Un rilassamento esatto rende ottima anche ogni euristica costruttiva
Se una soluzione duale vale meno di $\zlp$, allora non è ammissibile
Che il rilassamento sia esatto non dice nulla sulla qualità di una particolare soluzione duale costruita a mano
Se il rilassamento è esatto, ogni soluzione duale ammissibile vale $\zmilp$
Spiegazione. La soluzione duale a mano è ammissibile ma non ottima per il duale: dà $\lb = 7 \le \zlp = 9$. Per dualità forte esiste un duale di valore $9$, ma la ricetta a mano non è obbligata a trovarlo.
Veicoli con quantità minima: $x_j \in \mathbb{Z}_{\ge 0}$ unità del tipo $j$, binaria $y_j$ (tipo prodotto), minimo $q_j$ e massimo $M_j$. Per concludere che $x_j$ è **semi-intera**, cioè $x_j = 0$ oppure $q_j \le x_j \le M_j$, che cosa serve?
Il solo vincolo $x_j \le M_j y_j$, con $y_j$ binaria e $x_j$ intera
Il vincolo $x_j \le M_j y_j$ e un profitto unitario positivo per il tipo $j$
Entrambi i vincoli $x_j \ge q_j y_j$ e $x_j \le M_j y_j$, con $y_j$ binaria e $x_j$ intera
Il solo vincolo $x_j \ge q_j y_j$, con $y_j$ binaria e $x_j$ intera
Spiegazione. Con $y_j = 0$ i due vincoli danno $x_j = 0$, con $y_j = 1$ danno $q_j \le x_j \le M_j$. Senza il primo la quantità minima sparisce; senza il secondo un tipo si produrrebbe con $y_j = 0$.
Regine su una scacchiera $5 \times 5$: $x_{ij} = 1$ se c'è una regina in $(i,j)$, e si scrive un vincolo $\sum x_{ij} \le 1$ per ogni riga, colonna e diagonale **con almeno due caselle** (in ciascuna delle due direzioni ce ne sono $2 \cdot 5 - 3$). Quanti vincoli in tutto?
$18$
$28$
$10$
$24$
Spiegazione. Righe e colonne sono $5 + 5 = 10$; le diagonali con almeno due caselle sono $7$ per direzione, $14$ in tutto: $24$ vincoli. $28$ conta anche le $4$ diagonali di una sola casella, $18$ è il conteggio della scacchiera $4 \times 4$.
Furgone da otto posti, quattro gruppi di $2$, $3$, $4$ e $5$ persone che offrono $30$, $50$, $80$ e $70$ euro; al più due gruppi, e «se si accetta il 2 si accetta anche il 4». Qual è l'incasso massimo?
$120$
$110$
$130$
$150$
Spiegazione. Le coppie entro gli otto posti sono $\{1,2\}$, $\{1,3\}$, $\{1,4\}$, $\{2,4\}$ e $\{3,4\}$ è esclusa ($9 > 8$). $\{1,2\}$ viola la regola; $\{1,3\}$ vale $110$, $\{1,4\}$ $100$, $\{2,4\}$ $120$. $130$ e $150$ sono coppie non ammesse.
Aerei su commessa: il cliente $j$ ordina fino a $D_j$ aerei; $x_j \in \mathbb{Z}_{\ge 0}$ è quanti se ne producono e $y_j = 1$ se si paga il costo fisso di attrezzaggio $f_j$. Quale legame impone «senza attrezzaggio non si produce», con il coefficiente più stretto?
$x_j \le 1000\, y_j$
$y_j \le x_j$
$x_j \le D_j\, y_j$
$x_j \le D_j + y_j$
Spiegazione. Con $y_j = 0$ il vincolo dà $x_j = 0$, con $y_j = 1$ lascia $x_j \le D_j$, che vale comunque: il coefficiente è l'ordine del cliente, letto dai dati. Un numero grande qualsiasi è valido ma indebolisce il rilassamento.
Scarpe, produzione e operai: $y_t$ operai nel mese $t$, ciascuno lavora $160$ ore; un paio richiede $4$ ore. Quale vincolo lega la produzione $x_t$ (paia) agli operai?
$x_t \le 160\, y_t$, con $y_t$ intera
$160\, x_t \le 4\, y_t$, con $y_t$ intera
$4\, x_t = 160\, y_t$, con $y_t$ continua
$4\, x_t \le 160\, y_t$, con $y_t$ intera
Spiegazione. Le ore richieste, $4 x_t$, non superano le ore disponibili, $160 y_t$: ogni operaio produce al più $40$ paia al mese. Gli operai si contano, quindi $y_t$ è intera; l'uguaglianza obbligherebbe a saturare le ore.
Staffetta: tre stili (dorso, rana, farfalla) da affidare a nuotatori diversi, scelti fra quattro, minimizzando il tempo totale. Tempi in secondi, righe = stili, colonne = Carlo, Paolo, Fabio, Marco: dorso $(37, 32, 33, 37)$, rana $(43, 33, 42, 34)$, farfalla $(33, 28, 38, 30)$. L'euristica scorre gli stili nell'ordine dato e assegna ciascuno al nuotatore libero più veloce. Che tempo ottiene?
$93$
$95$
$99$
$96$
Spiegazione. Dorso a Paolo ($32$), rana a Marco ($34$, il più veloce fra i rimasti), farfalla a Carlo ($33$): $\ub = 99$. $93$ prende il minimo di ogni riga e usa Paolo tre volte; $95$ è l'ottimo, che l'euristica non trova.
Hub-and-spoke: $y_j = 1$ se la città $j$ diventa un hub, e la città $i$ è servita se c'è un hub in $S_i$, l'insieme delle città entro $1000$ miglia da $i$ (compresa $i$). Il modello è un set covering con matrice dei coefficienti simmetrica. Perché simmetrica?
Perché «entro $1000$ miglia» è una relazione simmetrica: $j \in S_i \iff i \in S_j$
Perché ci sono tanti hub candidati quante città, e ogni matrice quadrata è simmetrica
Perché ogni città copre se stessa, e la diagonale è fatta di $1$
Perché tutti i costi degli hub sono uguali a $1$
Spiegazione. L'elemento in riga $i$ e colonna $j$ vale $1$ se $j \in S_i$; la distanza fra due città è la stessa nei due versi, quindi $j \in S_i$ se e solo se $i \in S_j$. Quadrata non vuol dire simmetrica.
Veicoli con quantità minima: $1000$ tonnellate di acciaio e $2000$ ore disponibili. Il monovolume grande richiede $8$ tonnellate e $55$ ore per unità, con quantità minima $5$. Nel legame $x_5 \le M_5 y_5$ ($x_5$ unità intere, $y_5$ binaria) $M_5$ è il massimo producibile del solo tipo. Quanto vale?
$37$
$125$
$36$
$5$
Spiegazione. $M_5 = \min\{\lfloor 1000/8 \rfloor, \lfloor 2000/55 \rfloor\} = \min\{125, 36\} = 36$: decidono le ore. $125$ guarda il solo acciaio; $37$ arrotonda per eccesso e ammette un'unità non producibile; $5$ è la soglia minima.
Aerei su commessa: $x_j \in \mathbb{Z}_{\ge 0}$ aerei per il cliente $j$, $y_j = 1$ se si paga l'attrezzaggio $f_j$, con $x_j \le D_j y_j$ e $-f_j y_j$ nell'obiettivo di massimo. Il cliente 3 ha $f_3 = 0$ e $D_3 = 5$. Che cosa si può dire di $y_3$?
Vale $0$ in ogni soluzione ottima, perché il suo coefficiente è nullo
Vale $1$ in ogni soluzione ammissibile, anche con $x_3 = 0$
Con $x_3 > 0$ può valere $0$, perché il cliente non paga attrezzaggio
Con $x_3 > 0$ il vincolo impone $y_3 = 1$; con $x_3 = 0$ può valere $0$ o $1$ senza cambiare l'obiettivo
Spiegazione. Il legame dice $y_3 = 0 \Rightarrow x_3 = 0$, cioè $x_3 > 0 \Rightarrow y_3 = 1$. Con $f_3 = 0$ niente spinge $y_3$ a $0$ quando $x_3 = 0$: entrambe le scelte danno lo stesso valore.
Seminari: $x_{sk} = 1$ se lo studente segue il seminario $s \in \{1,2,3\}$ nella fascia oraria $k \in \{1,2,3,4\}$ (fasce consecutive). Quale famiglia impone «mai due ore consecutive di lezione»?
$x_{sk} + x_{s,k+1} \le 1$ per ogni seminario $s$ e $k = 1, 2, 3$
Spiegazione. Due fasce consecutive $k$ e $k+1$ possono contenere al più una lezione, di qualunque seminario. Il vincolo per singolo seminario lascerebbe seguire seminari diversi in fasce attigue; $\sum_s x_{sk} \le 1$ vieta solo due lezioni nella stessa fascia.
Macchina CNC, massimo profitto, magazzino di $k = 4$ utensili. Operazioni (utensili richiesti, profitto): 1 $\{1,3,4,5\}$, $2000$; 2 $\{1,2,6\}$, $1500$; 3 $\{1,2,3,5\}$, $1800$; 4 $\{2,4,5\}$, $1700$; 5 $\{5,6\}$, $800$. Ricetta duale: si spalma il profitto di ogni operazione $i$ in parti uguali sui suoi utensili, $\bar\beta_{ij} = p_i / |T_i|$, e $\bar\alpha = \max_j \sum_{i : j \in T_i} \bar\beta_{ij}$; il bound è $k \bar\alpha$. Quanto vale?
$\ub = \tfrac{23000}{3}$
$\ub = 7800$
$\ub = 2000$
$\ub = 5800$
Spiegazione. Le somme per utensile sono massime sull'utensile 5: $500 + 450 + \tfrac{1700}{3} + 400 = \tfrac{5750}{3}$, e $4 \cdot \tfrac{5750}{3} = \tfrac{23000}{3}$. $7800$ è la somma dei profitti, $5800$ usa l'utensile 1 ($4 \cdot 1450$), che non è il massimo; $2000$ è il lower bound dell'euristica.
Calzaturificio, massimo ricavo. Per paio: scarponi pelle $850$ g e prezzo $150$, minimo $100$ paia; mocassini $600$ g, $120$, minimo $200$; scarpe da passeggio $700$ g, $130$, minimo $150$. Pelle disponibile $120\,000$ g (ore e chiodi non sono mai stringenti). L'euristica scorre i tipi per prezzo per grammo di pelle decrescente e produce di ciascuno il massimo possibile, purché raggiunga il minimo. Che ricavo ottiene?
$22\,230$
$24\,000$
$420\,000$
$21\,150$
Spiegazione. Rapporti $3/17$, $1/5$, $13/70$: si parte dai mocassini, $120\,000/600 = 200$ paia, e la pelle finisce: $200 \cdot 120 = 24\,000$. Ordinare per prezzo dà $141$ scarponi ($21\,150$); $22\,230$ sono $171$ scarpe da passeggio; $420\,000$ ignora la pelle.
Calzaturificio (massimo ricavo, vincoli di pelle, ore e chiodi, soglie minime): l'euristica produce $200$ mocassini, ricavo $24\,000$; la soluzione duale che paga solo la pelle, $1/5$ euro al grammo, vale $120\,000 \cdot 1/5 = 24\,000$. Per concludere **senza solver** che $24\,000$ è l'ottimo, che cosa serve?
Che la soluzione duale sia la più bassa fra le tre ricette (pelle, ore, chiodi)
Che la soluzione dei mocassini esaurisca esattamente la pelle disponibile
Che la soluzione dei mocassini sia ammissibile e intera e che la soluzione duale sia ammissibile
Che i mocassini abbiano il prezzo per grammo di pelle più alto
Spiegazione. Una soluzione ammissibile intera dà $\lb = 24\,000$, un duale ammissibile dà $\ub = 24\,000$ (dualità debole): coincidono, quindi l'ottimo è certificato. Essere il minimo delle tre ricette non basta, senza l'ammissibilità duale.
Bilanciamento di lavori indivisibili fra due operai, con carichi $w_1, w_2$ e totale $w_1 + w_2 = q$ costante. Quale identità lega l'obiettivo min-max a quello della differenza?
$\max(w_1, w_2) = |w_1 - w_2|$
$\max(w_1, w_2) = q - |w_1 - w_2|$
$\max(w_1, w_2) = q/2 + |w_1 - w_2|/2$
$\max(w_1, w_2) = q/2 - |w_1 - w_2|/2$
Spiegazione. Il maggiore dei due è la media più metà della differenza. Con $q$ costante i due obiettivi hanno le stesse soluzioni ottime, ma valori ottimi diversi, che non si confrontano.
Turni di pronto soccorso: lo schema 2 lavora a tempo pieno martedì, mercoledì, giovedì e venerdì, a mezzo servizio il sabato, e riposa domenica e lunedì. Un giorno pieno costa $100$ euro se feriale, $110$ il sabato, $130$ la domenica; a mezzo servizio il costo del giorno si dimezza. Quanto costa lo schema 2 per addetto?
$465$
$510$
$400$
$455$
Spiegazione. Quattro giorni feriali pieni, $400$, più metà del sabato, $55$: $455$. $510$ paga il sabato per intero; $400$ dimentica il mezzo servizio; $465$ dimezza la domenica invece del sabato.
Scarpe, produzione e operai, problema di **minimo**: il vincolo delle ore del mese $t$ è $160\, y_t - 4\, x_t \ge 0$ ($y_t$ operai, $x_t$ paia). Nel duale del rilassamento, che segno ha la variabile $\beta_t$ di quel vincolo?
$\beta_t$ libera
$\beta_t \in \{0, 1\}$
$\beta_t \le 0$
$\beta_t \ge 0$
Spiegazione. In un primale di minimo un vincolo $\ge$ dà una variabile duale non negativa; le uguaglianze (i bilanci delle scorte e dell'organico) danno variabili libere.
Orario della scuola di musica: $2$ giorni $d$, $2$ ore $t$ al giorno, $2$ strumenti $i$; $x_{dti} = 1$ se all'ora $t$ del giorno $d$ si insegna $i$, $y_{di} = 1$ se lo strumento $i$ compare nel giorno $d$. Il legame va scritto nei due versi: $x_{dti} \le y_{di}$ e $y_{di} \le \sum_t x_{dti}$. Quanti vincoli di legame in tutto?
$8$
$16$
$4$
$12$
Spiegazione. Il primo verso ha un vincolo per terna $(d, t, i)$: $2 \cdot 2 \cdot 2 = 8$; il secondo uno per coppia $(d, i)$: $4$. Totale $12$. Con il solo primo verso ($8$) il vincolo «almeno due strumenti al giorno» è vuoto.
Furgone da $8$ posti, quattro gruppi di $2$, $3$, $4$, $5$ persone che offrono $30$, $50$, $80$, $70$ euro (si accettano interi o niente); al più due gruppi; se si accetta il gruppo 2 si accetta anche il 4; si massimizza l'incasso. L'euristica scandisce i gruppi per offerta decrescente e accetta un gruppo solo se tutti i vincoli restano soddisfatti (implicazione compresa). Quale bound si ottiene?
$\ub = 110$ (gruppi 1 e 3)
$\lb = 120$ (gruppi 2 e 4)
$\lb = 110$ (gruppi 1 e 3)
$\lb = 150$ (gruppi 3 e 4)
Spiegazione. Ordine $3, 4, 2, 1$: il 3 entra ($4$ posti); il 4 no ($9 > 8$); il 2 obbligherebbe il 4 (tre gruppi); l'1 entra ($6$ posti). Valore $110$: in un massimo è un lower bound. L'ottimo, $120$, prende i gruppi 2 e 4.
Furgone da $8$ posti, quattro gruppi di $2$, $3$, $4$, $5$ persone che offrono $30$, $50$, $80$, $70$ euro (si accettano interi o niente); al più due gruppi; se si accetta il gruppo 2 si accetta anche il 4; si massimizza l'incasso. Nel duale del rilassamento ($\alpha$ per i posti, $\beta$ per il numero di gruppi, $\gamma$ per l'implicazione, tutte $\ge 0$; obiettivo $\min 8\alpha + 2\beta$) si pone $\bar\beta = \bar\gamma = 0$. Quale $\bar\alpha$ minimo è ammissibile e che bound dà?
$\bar\alpha = 14$, $\ub = 112$
$\bar\alpha = 20$, $\lb = 160$
$\bar\alpha = 20$, $\ub = 160$
$\bar\alpha = 50/3$, $\ub = 400/3$
Spiegazione. I vincoli duali diventano $2\alpha \ge 30$, $3\alpha \ge 50$, $4\alpha \ge 80$, $5\alpha \ge 70$: serve $\alpha \ge \max(15, 50/3, 20, 14) = 20$. Valore $8 \cdot 20 = 160$, upper bound perché il primale è un massimo: «un posto vale quanto il gruppo che lo paga meglio».
Furgone da $8$ posti, quattro gruppi di $2$, $3$, $4$, $5$ persone che offrono $30$, $50$, $80$, $70$ euro (si accettano interi o niente); al più due gruppi; se si accetta il gruppo 2 si accetta anche il 4; si massimizza l'incasso. L'ottimo vale $120$ (gruppi 2 e 4). Togliendo un vincolo per volta, quale dei due vincoli logici «costa» davvero, e quanto?
Nessuno: senza l'uno o l'altro l'ottimo resta $120$
L'implicazione: senza di essa l'ottimo sale a $130$ (gruppi 2 e 3)
Entrambi costano $10$ euro ciascuno
Il limite di due gruppi: senza di esso l'ottimo sale a $150$
Spiegazione. Senza il limite sul numero di gruppi l'ottimo resta $120$: nessuna terna sta negli $8$ posti con incasso maggiore. Senza l'implicazione si possono prendere 2 e 3 ($7$ posti, $130$). È l'implicazione a costare $10$ euro.
Linee di autobus: tre compagnie, quattro linee, costi (righe compagnie, colonne linee) $(10, 4, 9, 7)$, $(1, 2, 3, 10)$, $(8, 9, 10, 1)$; ogni linea a esattamente una compagnia, ogni compagnia al più due linee; si minimizza il costo. L'euristica scandisce le linee nell'ordine dato e assegna ciascuna alla compagnia più economica fra quelle non ancora sature. Quale bound si ottiene?
$\lb = 13$
$\ub = 9$
$\ub = 7$
$\ub = 13$
Spiegazione. Linea 1 alla compagnia 2 ($1$), linea 2 ancora alla 2 ($2$, ora satura), linea 3 alla 1 ($9$), linea 4 alla 3 ($1$): $13$, upper bound in un minimo. L'ottimo vale $9$.
Linee di autobus: tre compagnie, quattro linee, costi (righe compagnie, colonne linee) $(10, 4, 9, 7)$, $(1, 2, 3, 10)$, $(8, 9, 10, 1)$; ogni linea a esattamente una compagnia, ogni compagnia al più due linee; si minimizza il costo. Qual è il costo minimo $\zmilp$ (ottimo del modello intero)?
$9$
$13$
$10$
$7$
Spiegazione. Per esempio linee 1 e 3 alla compagnia 2 ($1 + 3$), linea 2 alla 1 ($4$), linea 4 alla 3 ($1$): $9$. Il valore $7$ (somma dei minimi di colonna) userebbe la compagnia 2 per tre linee.
Staffetta: tre stili da affidare a tre nuotatori diversi scelti fra quattro, minimizzando il tempo totale. Tempi (righe dorso, rana, farfalla; colonne Carlo, Paolo, Fabio, Marco): $(37, 32, 33, 37)$, $(43, 33, 42, 34)$, $(33, 28, 38, 30)$. Nel duale del rilassamento si azzerano le variabili dei nuotatori e si dà a ogni stile il tempo del suo specialista migliore, $\bar\alpha_s = \min_n t_{sn}$. Che bound si ottiene, e perché non è raggiungibile?
$\lb = 99$; è il valore dell'euristica
$\ub = 93$; in un minimo il duale dà un upper bound
$\lb = 93$; Paolo è il più veloce sia nel dorso sia nella farfalla, ma può nuotare uno stile solo
$\lb = 95$; è l'ottimo, raggiunto con Paolo in due stili
Spiegazione. $\bar\alpha = (32, 33, 28)$, somma $93$: lower bound in un minimo. Lo specialista migliore del dorso e della farfalla è lo stesso, quindi $93$ non è realizzabile; l'ottimo vale $95$.
Staffetta: tre stili da affidare a tre nuotatori diversi scelti fra quattro, minimizzando il tempo totale. Tempi (righe dorso, rana, farfalla; colonne Carlo, Paolo, Fabio, Marco): $(37, 32, 33, 37)$, $(43, 33, 42, 34)$, $(33, 28, 38, 30)$. Il rilassamento lineare (binarie sostituite da $x \ge 0$) vale $95$, esattamente l'ottimo intero. Perché qui il rilassamento è esatto?
Perché i nuotatori sono più degli stili
Perché i tempi sono interi
La matrice dei vincoli è quella dell'assegnamento, totalmente unimodulare: tutti i vertici del rilassamento sono interi
Perché il problema è di minimo
Spiegazione. Con matrice totalmente unimodulare e termini noti interi ogni vertice del poliedro è intero, quindi l'ottimo del rilassamento è già intero. Dati interi da soli non bastano: aggiungendo una capacità con coefficienti diversi da $0$ e $1$ la proprietà si perde.
Hub-and-spoke (minimo numero di hub, ogni città entro $1000$ miglia da un hub): Atlanta copre Atlanta, Chicago, Houston, New York; Chicago e New York coprono Atlanta, Chicago, New York; Denver copre Denver e Los Angeles; Houston copre Atlanta e Houston; Los Angeles copre Denver, Los Angeles, San Francisco; San Francisco copre Los Angeles, San Francisco, Seattle; Seattle copre San Francisco e Seattle. L'euristica di copertura sceglie ogni volta la città con il minimo costo per città nuova coperta (costo $1$ per hub, pareggi sull'ordine elencato). Quali hub sceglie?
Atlanta, Los Angeles, San Francisco
Atlanta, Los Angeles
Chicago, Los Angeles, Seattle
Atlanta, Denver, Seattle
Spiegazione. Passo 1: Atlanta copre $4$ città nuove (rapporto $1/4$). Passo 2: restano Denver, Los Angeles, San Francisco, Seattle; Los Angeles ne copre tre. Passo 3: resta Seattle, coperta da San Francisco (prima nell'ordine). Tre hub.
Hub-and-spoke (minimo numero di hub, ogni città entro $1000$ miglia da un hub): Atlanta copre Atlanta, Chicago, Houston, New York; Chicago e New York coprono Atlanta, Chicago, New York; Denver copre Denver e Los Angeles; Houston copre Atlanta e Houston; Los Angeles copre Denver, Los Angeles, San Francisco; San Francisco copre Los Angeles, San Francisco, Seattle; Seattle copre San Francisco e Seattle. Nel duale del rilassamento ($\pi_i \ge 0$ per città, e per ogni hub candidato la somma dei $\pi_i$ delle città che copre $\le 1$) si pone $\bar\pi = 1$ per Atlanta, Denver e Seattle e $0$ altrove. Perché questa soluzione è ammissibile, e che cosa dimostra?
Non è ammissibile: Atlanta compare in quattro insiemi
Le tre città sono le più grandi; dà $\lb = 3$, ma l'ottimo potrebbe essere $2$
Ogni hub copre almeno una delle tre; dà $\ub = 3$
Nessun hub copre due di quelle tre città; dà $\lb = 3$, che con l'euristica a $3$ hub dimostra l'ottimo
Spiegazione. Gli insiemi di hub che coprono Atlanta, Denver e Seattle sono disgiunti, quindi ogni vincolo duale riceve al più $1$. Il valore $3$ è un lower bound: con una soluzione da $3$ hub, $\lb = \ub = 3$.
Fondi a lotti (massimo): budget $100$ milioni; lotti indivisibili da $12$, $15$, $18$, $25$ milioni; rendimento annuo $1/6$, $1/3$, $1/9$ e $16\%$ del capitale investito nei quattro fondi; i lotti del secondo fondo non superano il $50\%$ dei lotti totali. Quanto rende un lotto di ciascun fondo, nell'ordine (coefficienti dell'obiettivo)?
$(12, 15, 18, 25)$
$(2, 5, 2, 16)$
$(2, 5, 2, 4)$
$(1/6, 1/3, 1/9, 4/25)$
Spiegazione. Rendimento di un lotto = costo del lotto per tasso: $12/6 = 2$, $15/3 = 5$, $18/9 = 2$, $25 \cdot 0{,}16 = 4$. I tassi da soli non sono i coefficienti, perché le variabili contano lotti.
Fondi a lotti (massimo): budget $100$ milioni; lotti indivisibili da $12$, $15$, $18$, $25$ milioni; rendimento annuo $1/6$, $1/3$, $1/9$ e $16\%$ del capitale investito nei quattro fondi; i lotti del secondo fondo non superano il $50\%$ dei lotti totali. Nel duale del rilassamento si azzera la variabile del vincolo del $50\%$ e si dà al budget il prezzo $\bar\alpha = \max_j (\text{rendimento del lotto} / \text{costo del lotto})$. Che bound si ottiene?
$\ub = 25$
$\ub = 100/6$
$\ub = 100/3$
$\lb = 100/3$
Spiegazione. I rapporti sono $1/6$, $1/3$, $1/9$, $4/25$: il massimo è $1/3$ (secondo fondo), quindi $\ub = 100 \cdot 1/3 \approx 33{,}3$. È un upper bound perché il primale è un massimo; l'ottimo vale $23$.
Veicoli (massimo profitto): $1000$ t di acciaio e $2000$ ore; per unità di utilitaria, berlina, vettura grande, monovolume, monovolume grande: acciaio $(2, 3, 5, 6, 8)$, ore $(30, 25, 40, 45, 55)$, profitto $(200, 250, 300, 550, 700)$; se un tipo si produce, almeno $(10, 10, 10, 5, 5)$ unità. Si costruisce un bound duale dando prezzo a una sola risorsa: $\ub = (\text{disponibilità}) \cdot \max_j (\text{profitto}_j / \text{consumo}_j)$. Quale risorsa dà il bound migliore, e quanto vale?
L'acciaio: $1000 \cdot 100 = 100000$
Le ore: $2000 \cdot 10 = 20000$
L'acciaio: $1000 \cdot 700/8 = 87500$
Le ore: $2000 \cdot 700/55 = 280000/11 \approx 25455$
Spiegazione. Profitto per ora: $6{,}7$, $10$, $7{,}5$, $12{,}2$, $12{,}7$ → massimo $700/55$, bound $280000/11$. Profitto per tonnellata: massimo $100$ (utilitaria), bound $100000$, molto più debole. $20000$ non è ammissibile (usa il rapporto della berlina, non il massimo).
Veicoli (massimo profitto): $1000$ t di acciaio e $2000$ ore; per unità di utilitaria, berlina, vettura grande, monovolume, monovolume grande: acciaio $(2, 3, 5, 6, 8)$, ore $(30, 25, 40, 45, 55)$, profitto $(200, 250, 300, 550, 700)$; se un tipo si produce, almeno $(10, 10, 10, 5, 5)$ unità. L'euristica trova $\lb = 25200$, l'ottimo vale $\zmilp = 25250$. Qual è il gap dell'euristica $|\lb - \zmilp| / |\zmilp|$?
circa $2\%$
circa $0{,}2\%$
$50$
circa $0{,}8\%$
Spiegazione. $50 / 25250 \approx 0{,}0020$, cioè $0{,}2\%$. $50$ è il divario assoluto; $0{,}8\%$ confonderebbe l'ottimo con il bound duale ($25455$).
Aerei su commessa (massimo profitto netto): tre clienti ordinano fino a $3$, $2$, $5$ aerei; attrezzaggio $3$, $2$, $0$ milioni se si produce per il cliente; profitto unitario $2$, $3$, $1$ milioni; ore per aereo $200$, $400$, $200$; capacità $1000$ ore. Modello: $x_j \le D_j y_j$, $\max \sum_j (p_j x_j - f_j y_j)$. Nel rilassamento ($0 \le y_j \le 1$) conviene porre $y_j = x_j / D_j$, cioè pagare l'attrezzaggio in proporzione. Quanto rende allora un'ora di capacità usata per ciascun cliente?
$1/200$, $1/400$, $1/200$
$1/200$ milioni per tutti e tre i clienti
$1/100$, $3/400$, $1/200$
$2$, $3$, $1$
Spiegazione. Profitto netto per aereo: $2 - 3/3 = 1$, $3 - 2/2 = 2$, $1 - 0 = 1$; diviso le ore: $1/200$, $2/400 = 1/200$, $1/200$. Ogni ora vale $1/200$, quindi $\ub = 1000/200 = 5$, e il cliente 3 con $5$ aerei ($1000$ ore) lo raggiunge: ottimo $5$.
Aerei su commessa (massimo profitto netto): tre clienti ordinano fino a $3$, $2$, $5$ aerei; attrezzaggio $3$, $2$, $0$ milioni se si produce per il cliente; profitto unitario $2$, $3$, $1$ milioni; ore per aereo $200$, $400$, $200$; capacità $1000$ ore. Modello: $x_j \le D_j y_j$, $\max \sum_j (p_j x_j - f_j y_j)$. Si producono $5$ aerei per il cliente 3 e nient'altro. Quanto vale il profitto netto, e che cosa si può concludere sapendo che un duale ammissibile dà $\ub = 5$?
$5$; resta da risolvere il MILP per sapere se è ottima
$2$; l'attrezzaggio del cliente 3 si paga comunque
$5$; ma è un upper bound, non una soluzione
$5$; coincide con $\ub$, quindi la soluzione è ottima
Spiegazione. $5 \cdot 1 - 0 = 5$, usando esattamente $1000$ ore. Una soluzione ammissibile di valore pari a un upper bound è ottima: il certificato chiude il problema senza solver.
Seminari (massimo gradimento): tre seminari, quattro fasce orarie consecutive; gradimento (righe seminari, colonne fasce 9–10, 10–11, 11–12, 12–13): $(8, 6, 5, 3)$, $(7, 9, 4, 6)$, $(5, 7, 8, 9)$. Si seguono esattamente due sessioni, ogni seminario al più una volta, mai due in fasce consecutive (né nella stessa fascia). Qual è il gradimento massimo $\zmilp$ (ottimo del modello intero)?
$34$
$17$
$18$
$19$
Spiegazione. Seminario 2 alle 10–11 ($9$) e seminario 3 alle 12–13 ($9$): fasce non consecutive, seminari diversi, totale $18$. $19$ richiederebbe fasce consecutive o due sessioni dello stesso seminario; $34$ è il bound debole $\sum_k \max_s p_{sk}$.
Seminari (massimo gradimento): tre seminari, quattro fasce orarie consecutive; gradimento (righe seminari, colonne fasce 9–10, 10–11, 11–12, 12–13): $(8, 6, 5, 3)$, $(7, 9, 4, 6)$, $(5, 7, 8, 9)$. Si seguono esattamente due sessioni, ogni seminario al più una volta, mai due in fasce consecutive (né nella stessa fascia). Una soluzione duale semplice dà a ogni fascia il gradimento massimo in quella fascia, $\bar\alpha_k = \max_s p_{sk}$, e azzera le altre variabili duali. Quanto vale il bound, e perché è debole?
$\ub = 26$: la somma dei massimi per seminario
$\lb = 34$: in un massimo il duale dà un lower bound
$\ub = 18$: coincide con l'ottimo
$\ub = 34$: paga tutte e quattro le fasce, mentre se ne seguono solo due
Spiegazione. $8 + 9 + 8 + 9 = 34$, quasi il doppio dell'ottimo $18$: la ricetta ignora il vincolo «esattamente due». Una ricetta che dà prezzo a quel vincolo chiude il problema a $18$.
Massimo numero di regine su una scacchiera $4 \times 4$ senza catture: $x_{ij} = 1$ se c'è una regina in $(i,j)$, e si scrive $\sum x_{ij} \le 1$ per ogni riga, ogni colonna e ogni diagonale (nelle due direzioni) con **almeno due caselle**. Quanti vincoli di diagonale ci sono?
$14$
$12$
$10$
$8$
Spiegazione. Per direzione le diagonali sono $2 \cdot 4 - 1 = 7$, di cui $2$ di una casella sola, che non danno vincoli: $5$ per direzione, $10$ in tutto (più $4$ righe e $4$ colonne).
Massimo numero di regine su una scacchiera $4 \times 4$ senza catture. Euristica riga per riga: nella riga $i$ si prende la prima colonna non attaccata dalle regine già piazzate, altrimenti la riga resta vuota; non si torna indietro. Quante regine piazza, e quale bound dà?
$2$: $\lb = 2$
$4$: è l'ottimo
$3$: $\ub = 3$
$3$ (in $(1,1)$, $(2,3)$, $(4,2)$): $\lb = 3$
Spiegazione. $(1,1)$; nella riga 2 la colonna 3; nella riga 3 tutte le caselle sono attaccate; nella riga 4 la colonna 2. Tre regine, lower bound in un massimo; l'ottimo è $4$ (per esempio $(1,2), (2,4), (3,1), (4,3)$).
Macchina CNC (massimo profitto), magazzino di al più $k = 4$ utensili; operazioni (utensili richiesti, profitto): 1 $\{1,3,4,5\}$, $2000$; 2 $\{1,2,6\}$, $1500$; 3 $\{1,2,3,5\}$, $1800$; 4 $\{2,4,5\}$, $1700$; 5 $\{5,6\}$, $800$. Un'operazione si esegue solo se tutti i suoi utensili sono montati. Qual è il profitto massimo $\zmilp$ (ottimo del modello intero)?
$2500$
$5200$
$2000$
$3200$
Spiegazione. Con gli utensili $\{2, 4, 5, 6\}$ si eseguono le operazioni 4 e 5: $1700 + 800 = 2500$. Nessuna coppia di operazioni più ricca sta in $4$ utensili (per esempio 2 e 4 ne richiedono $5$). $5200$ è il rilassamento lineare.
Macchina CNC (massimo profitto), magazzino di al più $k = 4$ utensili; operazioni (utensili richiesti, profitto): 1 $\{1,3,4,5\}$, $2000$; 2 $\{1,2,6\}$, $1500$; 3 $\{1,2,3,5\}$, $1800$; 4 $\{2,4,5\}$, $1700$; 5 $\{5,6\}$, $800$. Un'operazione si esegue solo se tutti i suoi utensili sono montati. L'euristica scandisce le operazioni per profitto decrescente e monta il corredo di ciascuna se il magazzino lo permette. Che bound dà, e qual è il suo gap rispetto all'ottimo $2500$?
$\lb = 2000$, gap $25\%$
$\lb = 2000$ (solo l'operazione 1), gap $20\%$
$\lb = 3800$ (operazioni 1 e 3), gap $52\%$
$\ub = 2000$, gap $20\%$
Spiegazione. L'operazione 1 riempie il magazzino ($4$ utensili); ogni altra richiederebbe un utensile in più. Valore $2000$, lower bound; gap $(2500 - 2000)/2500 = 20\%$ (dividendo per $2000$ si otterrebbe $25\%$).
Calzaturificio (massimo ricavo): per paio di scarponi, mocassini, scarpe da passeggio servono $850$, $600$, $700$ g di pelle e si incassano $150$, $120$, $130$ euro; disponibili $120000$ g di pelle (oltre a ore e chiodi); soglie minime di produzione se il tipo si produce. Dando prezzo alla sola pelle, $\bar\alpha = \max_j (\text{prezzo}_j / \text{pelle}_j)$, e zero alle altre risorse, che upper bound si ottiene?
$21176$
$22286$
$18000$
$24000$
Spiegazione. Ricavo per grammo: $150/850 \approx 0{,}176$, $120/600 = 0{,}2$, $130/700 \approx 0{,}186$: massimo $0{,}2$, bound $120000 \cdot 0{,}2 = 24000$. Coincide con l'euristica ($200$ mocassini), quindi l'ottimo è $24000$.
Bilanciamento: quattro lavori indivisibili di durata $2$, $3$, $6$, $7$ vanno divisi fra due operai, minimizzando il carico massimo (min-max). LPT assegna i lavori per durata decrescente all'operaio meno carico (pareggi sull'operaio 1). Che carichi ottiene, e che cosa si può concludere con il bound $\sum_j t_j / 2$?
$(9, 9)$; il bound vale $9$, quindi la soluzione è ottima
$(13, 5)$; il bound vale $9$
$(9, 9)$; il bound vale $7$, resta un gap
$(10, 8)$; il bound vale $9$, gap $11\%$
Spiegazione. $7 \to$ 1, $6 \to$ 2, $3 \to$ 2 ($9$), $2 \to$ 1 ($9$): carichi $(9, 9)$. Il carico massimo è almeno la media $18/2 = 9$: $\lb = \ub = 9$.
Bilanciamento: quattro lavori indivisibili di durata $2$, $3$, $6$, $7$ vanno divisi fra due operai, minimizzando il carico massimo (min-max). Il testo dice soltanto «carichi il più possibile bilanciati». Perché la traduzione in un modello va dichiarata?
Perché il bilanciamento non si può modellare con variabili binarie
Perché con due operai tutte le traduzioni danno lo stesso modello
Perché il modello min-max è l'unico lineare
«Bilanciato» ammette più obiettivi (min-max, max-min, differenza) che in generale possono avere ottimi diversi
Spiegazione. Min-max, max-min e differenza sono tre modelli diversi; con due operai e carico totale costante coincidono, ma con più operai possono dare soluzioni diverse. La scelta va quindi dichiarata.
Turni di pronto soccorso (minimo costo): fabbisogno di addetti a tempo pieno lun–dom $(10, 8, 12, 9, 9, 7, 8)$, totale $63$; ogni schema lavora quattro giorni consecutivi a tempo pieno, uno a mezzo servizio e due di riposo; un giorno pieno costa almeno $100$ euro (feriale), $110$ il sabato, $130$ la domenica. Un bound duale semplice vale $\lb = 100 \cdot 63 = 6300$. Quale ragionamento lo giustifica?
È il costo dell'euristica diviso il numero di schemi
Ogni addetto costa $100$ euro alla settimana
Ogni unità di fabbisogno giornaliero costa almeno $100$ euro, il costo più basso di un giorno pieno
Servono $63$ addetti, ciascuno pagato $100$ euro
Spiegazione. Un addetto a tempo pieno in un giorno costa almeno $100$ (e mezzo addetto copre $1/2$ a metà prezzo): il costo per unità di fabbisogno coperta è almeno $100$, e le unità sono $63$. L'ottimo vale $7060$.
Turni di pronto soccorso (minimo costo): fabbisogno di addetti a tempo pieno lun–dom $(10, 8, 12, 9, 9, 7, 8)$, totale $63$; ogni schema lavora quattro giorni consecutivi a tempo pieno, uno a mezzo servizio e due di riposo; un giorno pieno costa almeno $100$ euro (feriale), $110$ il sabato, $130$ la domenica. L'euristica di copertura dà $\ub = 8410$, l'ottimo vale $\zmilp = 7060$. Qual è il gap dell'euristica?
circa $19{,}1\%$
circa $33{,}5\%$
circa $16{,}1\%$
$1350$
Spiegazione. $(8410 - 7060)/7060 = 1350/7060 \approx 19{,}1\%$. Dividere per $8410$ dà $16{,}1\%$; $33{,}5\%$ è il divario fra $8410$ e il bound $6300$ diviso $6300$.
Scarpe e operai su tre mesi (minimo costo): domande $3000$, $5000$, $7000$ paia, scorta iniziale $500$; un operaio costa $1500$ euro al mese e lavora $160$ ore; un paio richiede $4$ ore e $15$ euro di materie prime; magazzino $3$ euro a paio e mese; formazione di un assunto $100$ euro. Un bound semplice: ogni paio da produrre costa almeno materie prime più manodopera. Quanto vale questo costo minimo per paio, e quante paia vanno prodotte almeno?
$52{,}5$ euro; $15000$ paia, quindi $\lb = 787500$
Spiegazione. Un'ora di operaio costa $1500/160 = 9{,}375$ euro, quattro ore $37{,}5$; con le materie prime $52{,}5 = 105/2$. Al netto della scorta servono $14500$ paia: $\lb = 761250$, contro l'ottimo $774180$.
Scarpe e operai su tre mesi (minimo costo): domande $3000$, $5000$, $7000$ paia, scorta iniziale $500$; un operaio costa $1500$ euro al mese e lavora $160$ ore; un paio richiede $4$ ore e $15$ euro di materie prime; magazzino $3$ euro a paio e mese; formazione di un assunto $100$ euro. Il piano dell'euristica costa $825000$, l'ottimo $774180$, e i rilassamenti valgono $773500$. Perché all'ottimo conviene produrre in anticipo e tenere scorta?
Assumere e pagare operai solo per il picco del terzo mese costa più del magazzino a $3$ euro al paio
Perché il magazzino è gratuito nel primo mese
Perché la scorta iniziale va consumata subito
Non conviene: l'ottimo produce ogni mese esattamente la domanda
Spiegazione. Gli operai si pagano interi ogni mese: dimensionare la forza lavoro sul picco di $7000$ paia lascerebbe ore inutilizzate nei mesi precedenti. Anticipare la produzione livella il fabbisogno di operai e costa solo $3$ euro a paio e mese.
Orario di una scuola di musica: lunedì e martedì, due ore ciascuno; vanno collocate $2$ ore di chitarra e $2$ di violino; ogni giorno deve avere lezioni di almeno due strumenti diversi. Il docente di chitarra preferirebbe non venire di martedì, quello di violino non di lunedì; si minimizza il numero di ore che violano una preferenza. Qual è il valore ottimo $\zmilp$?
$2$
$4$
$0$
$1$
Spiegazione. Con due ore al giorno e due strumenti diversi ogni giorno ha un'ora di chitarra e una di violino: la chitarra viene un'ora di martedì e il violino un'ora di lunedì, due violazioni. Senza il vincolo di varietà si arriverebbe a $0$.
Orario di una scuola di musica: lunedì e martedì, due ore ciascuno; vanno collocate $2$ ore di chitarra e $2$ di violino; ogni giorno deve avere lezioni di almeno due strumenti diversi. Il docente di chitarra preferirebbe non venire di martedì, quello di violino non di lunedì; si minimizza il numero di ore che violano una preferenza. Il rilassamento senza bound vale $\zlp = 0$, quello con i bound $\zlpp = 2$, l'ottimo $\zmilp = 2$. Uno studente riporta «$\lb = 2$, perché ogni giorno serve un'ora di ciascuno strumento». Che cosa è vero di questo argomento?
È sbagliato: il bound corretto è $0$, quindi l'ottimo è $0$
È un upper bound, non un lower bound
È un argomento combinatorio valido sul problema intero, ma non è un bound ottenuto dal duale del rilassamento senza bound, che dà al più $0$
È un bound del rilassamento senza bound, che quindi vale $2$
Spiegazione. Il ragionamento usa l'interezza (un'ora intera per strumento), quindi vale per il MILP ma non per il rilassamento senza bound ($\zlp = 0$): un duale ammissibile di quel rilassamento non può superare $0$. Va dichiarato da dove viene il bound.
Calzaturificio (massimo ricavo, vincoli di pelle, ore e chiodi, soglie minime se un tipo si produce): l'euristica produce $200$ mocassini con ricavo $24000$, e un duale ammissibile del rilassamento (prezzo alla sola pelle) dà $\ub = 24000$. Che cosa si conclude, senza risolvere il MILP?
Il rilassamento è intero, ma l'ottimo del MILP può essere più alto
Nulla: bisogna risolvere il MILP per confermare
L'ottimo è più basso di $24000$, perché le soglie tagliano soluzioni
La soluzione dell'euristica è ottima: $\lb = \ub = 24000$
Spiegazione. Un lower bound (soluzione ammissibile) e un upper bound (duale ammissibile) uguali racchiudono l'ottimo in un punto: $\zmilp = 24000$, certificato a mano.
Linee di autobus (assegnamento con capacità contata in numero di linee, minimo): il rilassamento lineare vale $\zlp = 9$, uguale all'ottimo intero $\zmilp$, ma la soluzione duale «azzerare e saturare» vale $7$. Che cosa insegna il confronto?
L'ottimo intero vale in realtà $7$
La soluzione duale è sbagliata, perché non vale $9$
Che il rilassamento sia esatto non dice nulla sulla qualità di una particolare soluzione duale costruita a mano
Il rilassamento non può essere esatto se il duale a mano vale $7$
Spiegazione. $7$ è un lower bound valido e più debole dell'ottimo duale $9 = \zlp$: la ricetta non dà l'ottimo duale. Sono due fatti diversi.
Assegnamento a costo minimo con disponibilità: $x_{jm} = 1$ se il lavoro $j$ va sulla macchina $m$; ogni lavoro su una macchina, e $\sum_j t_{jm} x_{jm} \le a_m$ per ogni macchina. Perché in questo modello non ci sono legami fra variabili da dimostrare?
Perché i vincoli di assegnamento sono uguaglianze
Ha una sola famiglia di variabili, e la disponibilità è un vincolo di capacità, non un'implicazione
Perché tutti i costi $c_{jm}$ sono strettamente positivi
Perché la matrice dei vincoli è totalmente unimodulare
Spiegazione. I legami collegano famiglie diverse di variabili. Un vincolo di capacità confronta minuti richiesti e minuti disponibili: la relazione è la disuguaglianza stessa. Con i tempi $t_{jm}$ diversi la matrice non è nemmeno totalmente unimodulare.
Macchine con costo fisso: $x_{jm} = 1$ se il lavoro $j$ va sulla macchina $m$, $y_m = 1$ se la macchina è usata (costo $c_m > 0$), $t_{jm}$ tempi, $a_m$ disponibilità. Che cosa impone il vincolo $\sum_j t_{jm} x_{jm} \le a_m y_m$?
Ogni macchina usata esegue al più un lavoro alla volta
Ogni lavoro va sulla macchina usata di costo minimo, entro la sua disponibilità
Se una macchina esegue lavori allora è usata, e una macchina usata non supera la sua disponibilità
Se una macchina è usata allora esegue almeno un lavoro, entro la sua disponibilità
Spiegazione. Un solo vincolo fa da legame e da capacità. Il verso «usata $\Rightarrow$ esegue lavori» non è imposto: segue dall'ottimalità perché $c_m > 0$.
Lavori in parallelo: i lavori assegnati alla stessa macchina partono insieme, e il tempo della macchina $m$ è il **massimo** dei tempi $t_{jm}$ dei suoi lavori; si minimizza la somma dei tempi delle macchine. Con $x_{jm}$ binarie, come si linearizza?
Con una continua $y_m$, i vincoli $y_m \le t_{jm} x_{jm}$ per ogni lavoro, e $\min \sum_m y_m$
Con una continua $y_m$, i vincoli $y_m \ge t_{jm} x_{jm}$ per ogni lavoro, e $\min \sum_m y_m$
Con una continua $y_m$, il vincolo $y_m \ge \sum_j t_{jm} x_{jm}$, e $\min \sum_m y_m$
Con una continua $y_m$, il vincolo $y_m = \max_j t_{jm} x_{jm}$, e $\min \sum_m y_m$
Spiegazione. È la variabile di massimo: i vincoli danno $y_m \ge \max_j t_{jm} x_{jm}$ e l'obiettivo, con coefficiente positivo, porta all'uguaglianza. Il $\max$ non è lineare; la somma darebbe il tempo di lavori in serie.
Lavori in parallelo, con $y_m \ge t_{jm} x_{jm}$ e $\min \sum_m y_m$. Con $\bar t_m = \max_j t_{jm}$ si aggiungono i vincoli $\bar t_m \sum_j x_{jm} - y_m \ge 0$, che forzano $y_m = 0$ quando la macchina è vuota. Che cosa sono?
Disuguaglianze valide, soddisfatte da ogni soluzione ammissibile, che rafforzano il rilassamento
Vincoli ridondanti, già implicati dai vincoli di massimo $y_m \ge t_{jm} x_{jm}$
Vincoli che preservano l'ottimo ma non sono validi: il modello ammette $y_m > 0$ a macchina vuota
Vincoli che rendono il modello inammissibile quando una macchina resta vuota
Spiegazione. Una soluzione ammissibile con $y_m > 0$ a macchina vuota li viola, quindi non sono validi; ma ogni ottimo li soddisfa, perché lì $y_m = 0$.
Una macchina, lavori divisi in classi con setup: $x_j = 1$ se il lavoro $j$ è eseguito, $y_c = 1$ se la classe $c$ è attivata (costo $f_c \ge 0$, anche nullo, e tempo $s_c$), problema di massimo. In quale forma vale «se nessun lavoro della classe è eseguito, la classe non è attivata»?
Vale in ogni soluzione ottima, perché il setup consuma tempo
È imposto dai vincoli $x_j \le y_c$ in ogni soluzione ammissibile
Esiste un ottimo in cui vale, perché $f_c$ può essere nullo
Non vale in alcuna soluzione ottima
Spiegazione. Porre $y_c = 0$ resta ammissibile, libera $s_c$ minuti e non peggiora l'obiettivo perché $f_c \ge 0$; con $f_c = 0$ lo scambio non migliora strettamente, quindi la conclusione corretta è la più debole.
Classi con setup: $\mathscr{J}_c$ è l'insieme dei lavori della classe $c$. Al posto dei legami $x_j \le y_c$, $j \in \mathscr{J}_c$, si usa la forma aggregata $\sum_{j \in \mathscr{J}_c} x_j \le |\mathscr{J}_c|\, y_c$. Che cosa cambia?
Insieme intero diverso, rilassamento più debole
Nulla, nemmeno nel rilassamento lineare
Stesso insieme intero, rilassamento più forte
Stesso insieme intero, rilassamento più debole
Spiegazione. È l'attivazione aggregata: equivalente sui punti binari, più debole nel rilassamento (basta $y_c = 1/|\mathscr{J}_c|$ per un lavoro), con meno righe.
Una macchina, lavori in classi: $x_j = 1$ se il lavoro $j$ è eseguito, e la binaria $z$ deve valere $1$ se si eseguono lavori di almeno due classi diverse. Quale vincolo impone «$x_j = 1$ e $x_i = 1$, con $i, j$ di classi diverse, $\Rightarrow z = 1$»?
$z \le x_j + x_i - 1$
$x_j + x_i - z \le 1$
$x_j + x_i + z \le 2$
$x_j + x_i - 2z \ge 0$
Spiegazione. L'implicazione $x_j \land x_i \Rightarrow z$ è la clausola $\lnot x_j \lor \lnot x_i \lor z$, cioè $x_j + x_i - z \le 1$: un vincolo per ogni coppia mista.
Ritardo totale su una macchina: $s_{ji} = 1$ se $j$ precede $i$, con $s_{ji} + s_{ij} = 1$ e precedenze con big-M. Perché si possono aggiungere le disuguaglianze di transitività $s_{ji} + s_{ik} - s_{jk} \le 1$?
Servono a rendere valido il big-M $M = \sum_j t_j$ nei vincoli di precedenza
Sono valide, perché un ciclo di precedenze è impossibile, e tagliano le soluzioni a $1/2$ del rilassamento
Preservano l'ottimo ma non sono valide: tagliano alcune sequenze ammissibili
Sono implicate dai vincoli di ordine $s_{ji} + s_{ij} = 1$, quindi non cambiano nulla
Spiegazione. Ogni sequenza ammissibile rispetta la transitività ($j$ prima di $i$ e $i$ prima di $k$ danno $j$ prima di $k$): le disuguaglianze sono valide. Nel rilassamento, dove $s = 1/2$ spegne a metà le precedenze, sono tagli.
Ritardo totale: $\kappa_j$ è il completamento del lavoro $j$ e $d_j$ la sua scadenza. Con $\tau_j \ge \kappa_j - d_j$, $\tau_j \ge 0$ e $\min \sum_j \tau_j$, che cosa vale per $\tau_j$?
I vincoli danno $\tau_j \ge \max\{0, \kappa_j - d_j\}$, e l'ottimo porta all'uguaglianza
I vincoli danno già $\tau_j = \max\{0, \kappa_j - d_j\}$ in ogni soluzione ammissibile
Serve una binaria con big-M per scrivere il massimo fra $0$ e $\kappa_j - d_j$
$\tau_j$ diventa negativo quando il lavoro finisce in anticipo
Spiegazione. Il legame è la disuguaglianza stessa; l'uguaglianza viene dall'obiettivo: abbassare $\tau_j$ fino al massimo resta ammissibile e riduce la somma. Il big-M servirebbe solo se si volesse il massimo in un vincolo «$\le$».
Classi con premio: $\mathscr{J}_c$ sono i lavori della classe $c$, $y_c = 1$ dà un premio $v_c > 0$ in un massimo, e ci sono i soli vincoli $x_j \ge y_c$ per $j \in \mathscr{J}_c$ ($y_c$ compare solo lì). Quale enunciato è corretto?
«$y_c = 1 \Rightarrow$ classe completa» è imposto dai vincoli; «classe completa $\Rightarrow y_c = 1$» vale in ogni ottimo
Entrambi i versi sono imposti dai vincoli $x_j \ge y_c$ in ogni soluzione ammissibile
Nessuno dei due versi è garantito, né dai vincoli né dall'ottimalità
«Classe completa $\Rightarrow y_c = 1$» vale solo in qualche ottimo, perché il premio non basta
Spiegazione. Il vincolo dà un verso in ogni soluzione ammissibile; per l'altro, alzare $y_c$ a $1$ a classe completa resta ammissibile e aumenta strettamente l'obiettivo di $v_c > 0$: «in ogni ottimo».
Macchine con costo fisso (minimo): $y_m = 1$ se la macchina è usata, costo $c_m$, legame $\sum_j t_{jm} x_{jm} \le a_m y_m$. Per dimostrare che **in ogni ottimo** una macchina usata esegue almeno un lavoro, che cosa serve?
$c_m > 0$ e il fatto che porre $y_m = 0$ a macchina vuota lascia soddisfatto il legame ($0 \le 0$)
$c_m \ge 0$ e il fatto che porre $y_m = 0$ a macchina vuota lascia soddisfatto il legame ($0 \le 0$)
I vincoli di assegnamento e la totale unimodularità della matrice
Il solo vincolo di legame, che vale in ogni soluzione ammissibile
Spiegazione. È l'argomento di scambio: spegnere una macchina vuota resta ammissibile e riduce il costo di $c_m$. Serve la stretta positività per «in ogni ottimo»; con $c_m = 0$ si avrebbe solo «esiste un ottimo».
Una macchina con lavori in classi: la binaria $z = 1$ riduce la disponibilità di $u > 0$ minuti ed è forzata da $x_j + x_i - z \le 1$ per ogni coppia mista; $z$ non compare nell'obiettivo. Per dimostrare che **esiste un ottimo** con $z = 0$ quando i lavori eseguiti stanno in una sola classe, che cosa serve?
Che $u > 0$ e che la disponibilità della macchina sia saturata all'ottimo
Che porre $z = 0$ resti ammissibile (libera $u$ minuti, nessuna coppia mista attiva) e che $z$ non compaia nell'obiettivo
Il vincolo $x_j + x_i - z \le 1$ letto al contrario, come «$z = 1 \Rightarrow$ coppia mista»
Che $z$ abbia un coefficiente strettamente positivo nell'obiettivo di massimo
Spiegazione. Lo scambio resta ammissibile e lascia l'obiettivo invariato, perché $z$ non vi compare: la conclusione è «esiste un ottimo», non «in ogni ottimo».
Ritardo totale su una macchina, con precedenze $\kappa_i \ge \kappa_j + t_i - M(1 - s_{ji})$ e $\kappa_i \ge t_i$; il modello non impone $\kappa_j \le M$. Che cosa serve per affermare che $M = \sum_j t_j$ spegne le precedenze su tutte le soluzioni fra cui si cerca l'ottimo?
Che ogni lavoro rispetti la sua scadenza, $\kappa_j \le d_j$
Che il ritardo totale ottimo sia nullo
Che esista un ottimo senza tempi morti, su cui ogni $\kappa_j \le \sum_j t_j$, insieme a $\kappa_i \ge t_i$
Che le binarie $s_{ji}$ soddisfino le disuguaglianze di transitività
Spiegazione. Se la macchina si ferma si anticipano i lavori successivi e nessun ritardo peggiora: esiste un ottimo senza tempi morti, e lì $\kappa_j + t_i - M \le t_i \le \kappa_i$.
Selezione di lavori con ricavo $r_j$ e macchine a costo fisso $c_m$, da massimizzare (ricavi meno costi delle macchine usate). Un'euristica sceglie i lavori e le macchine e ottiene un profitto di $20$; il duale del rilassamento, costruito a mano, vale $34$. Come si scrive il risultato?
$\zmilp \le 20$
$20 \le \zmilp \le 34$
$\zmilp \ge 34$
$34 \le \zmilp \le 20$
Spiegazione. In un massimo la soluzione dell'euristica è il lato pessimistico (lower bound) e il duale il lato ottimistico (upper bound). L'ottimo intero di quell'istanza è $25$.
Selezione di lavori (ricavo $r_j$, tempo $t_j$) su macchine con costo fisso $c_m$ e disponibilità $a_m$, da massimizzare. Un lavoro ha $r_j < \min_m c_m$ e non entra in nessuna macchina già accesa per altri lavori. Che cosa si può dire?
Va assegnato alla macchina di costo minimo, che resta conveniente
Va eseguito comunque, perché ogni lavoro ha ricavo positivo
Eseguirlo non conviene mai: richiederebbe di accendere una macchina che costa più di quanto rende
Rende il problema inammissibile, perché nessuna macchina lo può ospitare
Spiegazione. Accendere una macchina solo per quel lavoro aggiunge $r_j - c_m < 0$ al profitto. I lavori non sono obbligatori ($\sum_m x_{jm} \le 1$): lasciarlo fuori è ammissibile e migliore.
Selezione di lavori: ogni lavoro $j$ si esegue **al più** su una macchina, $\sum_m x_{jm} \le 1$, invece che esattamente su una. Perché nel problema di massimo con ricavi $r_j > 0$ questo vincolo è «$\le$»?
Perché i lavori sono facoltativi: si sceglie quali eseguire, e un lavoro non conveniente resta fuori
Perché il duale richiede variabili non negative per quei vincoli
Perché con «$=$» il rilassamento lineare diventerebbe intero
Perché i ricavi positivi spingono già ogni lavoro su una macchina
Spiegazione. Il problema decide quali lavori eseguire: con «$= 1$» ogni lavoro diventerebbe obbligatorio e il modello risponderebbe a un'altra domanda. Il segno del duale è una conseguenza, non la ragione.
Assegnamento a costo minimo con disponibilità: tre lavori di durata $(3, 2, 4)$ (uguale su ogni macchina), due macchine con disponibilità $(5, 6)$; costi $c_{jm}$ per lavoro: $(2, 5)$, $(1, 3)$, $(1, 6)$. L'euristica prende i lavori nell'ordine e mette ciascuno sulla macchina più economica in cui entra ancora. Che costo ottiene?
$9$
$4$
$10$
$8$
Spiegazione. Lavoro 1 sulla macchina 1 (costo $2$, residuo $2$); lavoro 2 sulla 1 (costo $1$, residuo $0$); il lavoro 3 non entra più nella 1 e va sulla 2 (costo $6$): $\ub = 9$. $4 = 2 + 1 + 1$ ignora le disponibilità: è il bound duale «ogni lavoro al suo costo minimo».
Assegnamento a costo minimo con disponibilità ($\sum_m x_{jm} = 1$ per lavoro, $\sum_j t_{jm} x_{jm} \le a_m$ per macchina). Il duale del rilassamento ha $\mu_j$ libere, $\pi_m \le 0$ e i vincoli $\mu_j + t_{jm} \pi_m \le c_{jm}$, obiettivo $\sum_j \mu_j + \sum_m a_m \pi_m$. Quale enunciato è corretto?
Per ogni $\bar\pi \le 0$, $\bar\mu_j = \min_m (c_{jm} - t_{jm} \bar\pi_m)$ è ammissibile e dà un lower bound
Per ogni $\bar\pi \le 0$, $\bar\mu_j = \max_m (c_{jm} - t_{jm} \bar\pi_m)$ è ammissibile e dà un lower bound
Per ogni $\bar\pi \ge 0$, $\bar\mu_j = \min_m (c_{jm} - t_{jm} \bar\pi_m)$ è ammissibile e dà un lower bound
Solo $\bar\pi = 0$ con $\bar\mu_j = \min_m c_{jm}$ dà un duale ammissibile
Spiegazione. Fissato $\bar\pi \le 0$ (il segno richiesto da un vincolo $\le$ in un minimo), il più grande $\mu_j$ con $\mu_j \le c_{jm} - t_{jm}\bar\pi_m$ per ogni $m$ è il minimo su $m$. Con il massimo si viola qualche vincolo; $\bar\pi = 0$ è solo il caso «azzerare e saturare».
Assegnamento a costo minimo con disponibilità: $x_{jm} = 1$ se il lavoro $j$ va sulla macchina $m$, tempo $t_{jm}$, disponibilità $a_m$, vincolo $\sum_j t_{jm} x_{jm} \le a_m$. Se per una coppia vale $t_{jm} > a_m$, che cosa si può fare prima di risolvere?
Fissare $x_{jm} = 1$, perché il lavoro va assegnato comunque
Fissare $x_{jm} = 0$: il modello si rimpicciolisce e il rilassamento non peggiora
Aumentare $a_m$ fino a $t_{jm}$
Niente: il vincolo di disponibilità lo esclude già anche nel rilassamento
Spiegazione. Nessuna soluzione intera può usare quella coppia; nel rilassamento invece $x_{jm}$ potrebbe valere $a_m / t_{jm} < 1$. Fissarla a zero toglie una variabile senza perdere soluzioni intere, e può solo rafforzare il rilassamento.
Macchine con costo fisso di utilizzo: $x_{jm} = 1$ se il lavoro $j$ va sulla macchina $m$, $y_m = 1$ se la macchina è usata (costo $c_m$), tempi $t_{jm}$, disponibilità $a_m$. Il modello usa il vincolo aggregato $\sum_j t_{jm} x_{jm} \le a_m y_m$. Che cosa impone, da solo?
Solo che una macchina spenta non lavori
Che ogni macchina accesa esegua almeno un lavoro
Sia la disponibilità di una macchina accesa sia che una macchina spenta non esegua lavori
Solo la disponibilità: per la macchina spenta serve un vincolo a parte
Spiegazione. Con $y_m = 1$ è il vincolo di disponibilità; con $y_m = 0$ diventa $\sum_j t_{jm} x_{jm} \le 0$, quindi nessun lavoro (tempi positivi). Che una macchina accesa lavori davvero lo impone l'obiettivo, non il vincolo.
Macchine con costo fisso: modello con il vincolo aggregato $\sum_j t_{jm} x_{jm} \le a_m y_m$. Si aggiungono i vincoli disaggregati $x_{jm} \le y_m$ per ogni coppia. Che effetto hanno?
Abbassano il valore del rilassamento, perché aggiungono variabili
Non cambiano l'ottimo intero (sono implicati sui punti interi) ma alzano il valore del rilassamento
Cambiano l'ottimo intero, perché vietano assegnamenti ammissibili
Non cambiano nulla, né l'ottimo né il rilassamento
Spiegazione. Sui punti interi $x_{jm} = 1$ con $y_m = 0$ è già vietato dal vincolo aggregato; nel rilassamento invece l'aggregato permette $y_m$ piccolo con un $x_{jm}$ grande. I disaggregati tagliano quei punti frazionari: formulazione più forte, stesso insieme intero.
Selezione di lavori con macchine a costo fisso (massimo profitto = ricavi dei lavori eseguiti meno costi $c_m$ delle macchine usate). Il lavoro $j$ ha ricavo $r_j$ minore di $\min_m c_m$. In quale caso eseguirlo non conviene mai?
Quando la macchina è già accesa per altri lavori
Quando sarebbe l'unico lavoro sulla sua macchina: il suo ricavo non ripaga l'accensione
Sempre: un lavoro con ricavo basso non si esegue mai
Mai: ogni lavoro eseguito aumenta il profitto
Spiegazione. Da solo su una macchina porterebbe $r_j - c_m < 0$. Su una macchina già accesa per altri lavori il costo fisso è già pagato e il lavoro aggiunge $r_j > 0$, se c'è tempo.
Macchine che eseguono lavori in parallelo: tutti i lavori assegnati alla macchina $m$ partono insieme, e il tempo della macchina è quello del lavoro più lungo; si minimizza la somma dei tempi delle macchine. Con $x_{jm} = 1$ se $j$ va su $m$ e $y_m \ge 0$ tempo della macchina, quale vincolo definisce $y_m$?
$y_m = \max_j t_{jm}$
$y_m \ge \sum_j t_{jm} x_{jm}$
$y_m \le t_{jm} x_{jm}$ per ogni lavoro $j$
$y_m \ge t_{jm} x_{jm}$ per ogni lavoro $j$
Spiegazione. È una variabile di massimo: $y_m$ sta sopra ogni tempo dei lavori assegnati, e minimizzandola scende al più lungo. La somma descriverebbe lavori in serie; $\max_j t_{jm}$ ignora quali lavori sono assegnati.
Macchine in parallelo (minimo della somma dei tempi $y_m$, con $y_m \ge t_{jm} x_{jm}$). Con $\bar t_m = \max_j t_{jm}$ si aggiungono i vincoli $\bar t_m \sum_j x_{jm} - y_m \ge 0$, che forzano $y_m = 0$ a macchina vuota. Come vanno classificati?
Sono disuguaglianze valide, perché nessuna soluzione ottima li viola
Sono tagli: riducono il rilassamento senza togliere soluzioni intere
Sono sbagliati: escludono la soluzione ottima
Non sono validi (il modello ammette $y_m > 0$ a macchina vuota) ma preservano l'ottimo, perché l'obiettivo porta comunque $y_m$ a zero
Spiegazione. Una disuguaglianza valida non toglie nessuna soluzione intera ammissibile; questi vincoli tolgono le soluzioni con $y_m > 0$ a macchina vuota, ammissibili ma mai ottime. Tolgono solo soluzioni non ottime: preservano l'ottimalità.
Setup per classi su una macchina (massimo profitto): $x_j = 1$ se il lavoro $j$ si esegue, $y_c = 1$ se la classe $c$ è attivata, con costo di setup $f_c$ e tempo di setup $s_c$; disponibilità $a$. Quale coppia di vincoli modella attivazione e capacità?
$y_c \le x_j$ per ogni $j$ della classe $c$, e $\sum_j t_j x_j \le a$
$x_j \le y_c$, e $\sum_j t_j x_j \le a + \sum_c s_c y_c$
$x_j \le y_c$ per ogni $j$ della classe $c$, e $\sum_j t_j x_j + \sum_c s_c y_c \le a$
Spiegazione. Un lavoro si esegue solo se la sua classe è attiva; il setup consuma tempo, quindi si somma ai tempi dei lavori nel vincolo di capacità. L'uguaglianza imporrebbe un solo lavoro per classe; l'ultima regala tempo invece di consumarlo.
Setup per classi (massimo profitto, $x_j \le y_c$ per i lavori della classe $c$, costo di setup $f_c \ge 0$). Si aggiunge $\sum_{j \in \mathscr{J}_c} x_j \ge y_c$ («una classe attivata esegue almeno un lavoro»). Che cosa si può dire?
È necessario: senza di esso il modello è sbagliato
Non è valido (il modello ammette una classe attivata vuota) ma preserva l'ottimo: attivare una classe vuota costa senza rendere
Cambia l'ottimo, perché vieta soluzioni ottime
È valido e rafforza il rilassamento
Spiegazione. Una classe attivata senza lavori è ammissibile nel modello, quindi il vincolo non è valido; ma non è mai migliore della stessa soluzione con $y_c = 0$, quindi almeno una soluzione ottima sopravvive.
Una macchina, lavori divisi in classi (massimo ricavo). La disponibilità si riduce di $u > 0$ minuti **se e solo se** si eseguono lavori di almeno due classi; la binaria $z$ vale $1$ quando la riduzione si applica. Quale dei due versi del legame va imposto con un vincolo, e perché?
Entrambi, sempre, perché è un se e solo se
«Due classi usate ⇒ $z = 1$»: l'obiettivo preferisce $z = 0$ (più tempo), quindi questo verso non lo garantisce l'ottimizzazione
«$z = 1$ ⇒ due classi usate»: senza di esso il solver metterebbe $z = 1$ per guadagnare tempo
Nessuno: l'obiettivo impone entrambi i versi
Spiegazione. La riduzione è una penalità: lasciata libera, $z$ resterebbe a $0$. Serve quindi il vincolo che la forza a $1$ quando due classi sono attive; il verso opposto lo garantisce l'ottimo, perché $z = 1$ senza motivo toglie solo tempo.
Ritardo totale su una macchina: $s_{ij} = 1$ se $j$ precede $i$ (con $s_{ij} + s_{ji} = 1$). Le disuguaglianze di transitività $s_{ji} + s_{ik} - s_{jk} \le 1$ («se $i$ precede $j$ e $k$ precede $i$, allora $k$ precede $j$») che ruolo hanno?
Sono valide (un ciclo di precedenze è impossibile in una sequenza) e tagliano soluzioni frazionarie del rilassamento
Sono necessarie: senza di esse il modello ammette sequenze cicliche intere
Preservano l'ottimo ma non sono valide
Peggiorano il rilassamento
Spiegazione. Ogni sequenza reale le rispetta, quindi sono valide; nel rilassamento le $s$ possono valere $1/2$ e queste disuguaglianze tagliano quei punti. Con i vincoli big-M sui completamenti i cicli interi sono già esclusi.
Ritardo totale su una macchina: $\tau_j \ge \kappa_j - d_j$ e $\tau_j \ge 0$, minimizzando $\sum_j \tau_j$. Uno studente omette $\tau_j \ge 0$. Che cosa succede?
I lavori in anticipo avrebbero $\tau_j < 0$ e «compenserebbero» i ritardi: si minimizzerebbe il ritardo netto, non il ritardo totale
Niente: $\tau_j$ è comunque non negativa all'ottimo
Il modello diventa inammissibile
Si minimizza il ritardo massimo
Spiegazione. Il ritardo è $\max\{0, \kappa_j - d_j\}$: servono entrambi i vincoli, e la minimizzazione porta $\tau_j$ al più grande dei due. Senza lo zero gli anticipi diventano premi.
Selezione di lavori su macchine a costo fisso (massimo profitto): $x_{jm} = 1$ se il lavoro $j$ si esegue sulla macchina $m$, con $\sum_m x_{jm} \le 1$. Uno studente scrive $\sum_m x_{jm} = 1$. Che effetto ha?
Rende il rilassamento più debole senza cambiare l'ottimo
Permette di eseguire un lavoro su due macchine
Nessuno: con binarie è la stessa cosa
Rende obbligatori tutti i lavori: il problema non sceglie più quali eseguire e l'ottimo può peggiorare (o il modello diventare inammissibile)
Spiegazione. «Al più una macchina» lascia la scelta di non eseguire il lavoro; l'uguaglianza la toglie. È la variante «tutti i lavori obbligatori», che costa profitto.
Localizzazione capacitata: $x_l = 1$ se la sede $l$ è installata (capacità $u_l$, costo $i_l > 0$), $y_{lc} \ge 0$ sono i litri spediti da $l$ al cliente $c$. Il vincolo $u_l x_l - \sum_c y_{lc} \ge 0$ fa due cose. Quali?
Soddisfa la domanda dei clienti e impone la capacità della sede
Impone la capacità della sede e obbliga ogni sede installata a spedire qualcosa
Lega le spedizioni all'installazione (da una sede chiusa non parte nulla) e impone la capacità della sede
Soddisfa la domanda dei clienti e lega le spedizioni all'installazione
Spiegazione. Con $x_l = 0$ dà $\sum_c y_{lc} \le 0$, con $x_l = 1$ dà $\sum_c y_{lc} \le u_l$: attivazione aggregata con il coefficiente giusto. Che una sede aperta spedisca qualcosa segue dall'ottimo, perché $i_l > 0$.
p-mediana: al più $k$ sedi aperte ($x_l = 1$), ogni cliente $c$ assegnato a una sede ($y_{lc} = 1$), si minimizza la somma delle distanze; non ci sono costi di apertura. Il legame $x_l \ge y_{lc}$ è imposto. Che cosa si può dire del verso «sede aperta $\Rightarrow$ serve almeno un cliente»?
Segue dalla CNF di $y_{lc} \Rightarrow x_l$, che dà entrambi i versi
Vale in ogni ottimo, perché le distanze sono strettamente positive
Non è né imposto né garantito dall'ottimo: nulla scoraggia una sede aperta inutilizzata
È imposto dal vincolo $\sum_l x_l \le k$ sul numero di sedi
Spiegazione. La CNF di $y_{lc} \Rightarrow x_l$ dà soltanto $x_l \ge y_{lc}$. Senza costo di apertura lo scambio «chiudo una sede vuota» non migliora l'obiettivo.
Copertura del segnale: $x_l = 1$ se la sede $l$ è installata ($m$ sedi candidate), $y_c = 1$ se il cliente $c$ è coperto, e $\mathscr{L}_c$ sono le sedi che danno a $c$ un segnale forte. Che cosa impone $\sum_{l \in \mathscr{L}_c} x_l + (m - 1)\, y_c \le m$ quando $y_c = 1$?
Al più $m - 1$ sedi forti installate per il cliente $c$
Nessuna sede forte installata per il cliente $c$
Al più una sede forte installata per il cliente $c$
Almeno una sede forte installata per il cliente $c$
Spiegazione. Con $y_c = 1$ resta $\sum_{l \in \mathscr{L}_c} x_l \le 1$ (non troppa interferenza); con $y_c = 0$ resta $\le m$, che non vieta nulla.
Hub con costo massimo: $y_j = 1$ se l'hub $j$ è attivo, $x_{ij} = 1$ se il terminale $i$ va su $j$, e $z_j \ge c_{ij} x_{ij}$ è il costo di connessione massimo dell'hub, minimizzato. Con $M_j = \max_i c_{ij}$, il vincolo aggiunto $z_j \le M_j y_j$ è:
Una disuguaglianza valida che rafforza il rilassamento lineare
Non valido (il modello ammette $z_j > 0$ con $y_j = 0$), ma preserva l'ottimalità
Necessario perché il modello calcoli correttamente il costo
Ridondante, perché implicato dai vincoli di massimo $z_j \ge c_{ij} x_{ij}$
Spiegazione. Minimizzando $z_j$, un ottimo la annulla comunque quando l'hub è spento: il vincolo taglia soluzioni ammissibili ma nessun ottimo.
Hub con capacità $k$ terminali: il legame aggregato è $\sum_i x_{ij} \le k\, y_j$. Si **aggiungono** anche i legami disaggregati $x_{ij} \le y_j$. Che cosa succede all'ottimo intero e al rilassamento lineare (con i bound)?
L'ottimo intero sale, il rilassamento non cambia
Non cambiano né l'ottimo intero né il rilassamento
Salgono entrambi, perché il modello ha più vincoli
L'ottimo intero non cambia, il rilassamento sale
Spiegazione. I legami disaggregati sono implicati dal vincolo aggregato sui punti interi, non nel rilassamento: aggiungerli non tocca l'ottimo e rafforza il rilassamento (in un minimo, lo alza).
p-mediana senza costi di apertura: il vincolo è «al più $k$ sedi aperte», $\sum_l x_l \le k$, con $k$ non superiore al numero di sedi candidate. Che cosa cambia scrivendo «esattamente $k$»?
Nulla sul valore ottimo: aprire una sede in più non allunga nessuna distanza
Il problema diventa inammissibile, perché le sedi in più restano vuote
Il rilassamento lineare diventa intero
Il valore ottimo peggiora sempre, perché si aprono sedi inutili
Spiegazione. Senza costi di apertura una sede in più può solo accorciare le distanze (ogni cliente sceglie la più vicina), quindi esiste un ottimo con $k$ sedi aperte: le due scritture danno lo stesso valore.
Hub con costi di attivazione $f_j \ge 0$ (anche nulli), legame $\sum_i x_{ij} \le k\, y_j$, problema di minimo. Quale enunciato sul verso «hub attivato $\Rightarrow$ serve almeno un terminale» è corretto?
È imposto dal vincolo aggregato di attivazione in ogni soluzione ammissibile
Vale in ogni ottimo qualunque sia $f_j \ge 0$, perché un hub vuoto è inutile
Non è imposto dai vincoli; se $f_j > 0$ vale in ogni ottimo, se $f_j = 0$ vale solo in qualche ottimo
Non vale mai, perché il costo massimo $z_j$ può restare positivo
Spiegazione. $y_j = 1$ con tutte le $x_{ij} = 0$ è ammissibile. Lo scambio «spengo un hub vuoto» migliora strettamente solo se $f_j > 0$: la forza della conclusione dipende dal segno del coefficiente.
Copertura del segnale, massimo: $y_c = 1$ se il cliente $c$ è coperto, con profitto $p_c$; due vincoli di legame impongono «$y_c = 1 \Rightarrow$ segnale sufficiente e non troppa interferenza». Per dimostrare che se le due condizioni valgono allora $y_c = 1$ **in ogni ottimo**, che cosa serve?
Che il cliente abbia almeno una sede candidata con segnale forte
Il vincolo $\sum_l x_l \le k$ sul numero di sedi installate
$p_c > 0$ e il fatto che $y_c$ compaia solo in quei due vincoli, che restano soddisfatti alzandola
$p_c \ge 0$ e il fatto che $y_c$ compaia solo in quei due vincoli, che restano soddisfatti alzandola
Spiegazione. Alzare $y_c$ a $1$ resta ammissibile (le due condizioni valgono) e aumenta strettamente l'obiettivo di $p_c > 0$. Con $p_c = 0$ si avrebbe solo «esiste un ottimo».
p-mediana (minimo, al più $k$ sedi, ogni cliente alla sede aperta assegnata): una soluzione duale ammissibile si ottiene dando a ogni cliente il valore $\bar\mu_c = \min_l d_{lc}$, la distanza dalla sede più vicina in assoluto. Con distanze minime per cliente $3$, $6$ e $4$, che bound si ottiene?
$\ub = 13$
$\lb = 6$
$\lb = 13$
$\lb = 4$
Spiegazione. Il valore è $3 + 6 + 4 = 13$: «ogni cliente percorre almeno la sua distanza minima», come se tutte le sedi fossero aperte. In un minimo è un lower bound.
p-mediana con $k = 2$ e tre sedi candidate; distanze sede-cliente $d_{lc}$, righe per sede: sede 1 $(5, 6, 10)$, sede 2 $(3, 12, 9)$, sede 3 $(10, 9, 4)$. Si aprono le sedi 1 e 2 e ogni cliente va alla più vicina fra le aperte. Che valore si ottiene?
$13$
$15$
$18$
$21$
Spiegazione. Cliente 1: $\min(5, 3) = 3$; cliente 2: $\min(6, 12) = 6$; cliente 3: $\min(10, 9) = 9$. Totale $18$, un upper bound. Aprendo 1 e 3 si ottiene $\min(5,10) + \min(6,9) + \min(10,4) = 5 + 6 + 4 = 15$, che è l'ottimo.
Localizzazione capacitata (minimo): sede $l$ con costo di installazione $i_l$ e capacità $u_l$, trasporto $t_{lc}$ per litro. La ricetta duale «spalma» il costo fisso sulla capacità: $\bar\mu_l = i_l / u_l$. Con $i_l = 60$ e $u_l = 50$, quanto costa per litro, in quella ricetta, servire un cliente dalla sede $l$ con $t_{lc} = 4$?
$4$
$26/5$
$6/5$
$64$
Spiegazione. Ogni litro paga il trasporto più la sua quota di costo fisso: $t_{lc} + \bar\mu_l = 4 + 60/50 = 26/5$. Il valore duale del cliente è il minimo di questa somma fra le sedi.
Localizzazione capacitata: la domanda $d_c$ del cliente $c$ va soddisfatta esattamente, con le spedizioni continue $y_{lc} \ge 0$ dalle sedi $l$. Quale vincolo lo esprime?
$\sum_l y_{lc} \le d_c$ per ogni cliente $c$
$\sum_l y_{lc} = d_c$ per ogni cliente $c$
$\sum_c y_{lc} = d_c$ per ogni sede $l$
$y_{lc} = d_c\, x_l$ per ogni coppia $(l, c)$
Spiegazione. Si somma su tutte le sedi che servono il cliente $c$: il totale ricevuto è la sua domanda. L'ultima opzione obbligherebbe ogni sede aperta a servire tutta la domanda di ogni cliente.
p-mediana: oltre ai legami $x_l \ge y_{lc}$ si considera $\sum_c y_{lc} \le n\, x_l$ ($n$ clienti). Per dichiararla una **disuguaglianza valida** più debole dei legami disaggregati, che cosa serve mostrare?
Che si ottiene sommando i legami $y_{lc} \le x_l$ sui clienti, e che un punto frazionario la soddisfa violandone uno
Che il rilassamento con essa coincide con il rilassamento con i legami disaggregati
Che è soddisfatta da almeno una soluzione ottima, anche se ne taglia altre ammissibili
Che taglia la soluzione ottima del rilassamento lineare e lascia almeno un ottimo intero
Spiegazione. Somma di vincoli validi, quindi valida; e $y_{l1} = 1$, $x_l = 1/n$ la soddisfa ma viola $y_{l1} \le x_l$: nel rilassamento è più debole.
Localizzazione capacitata: $x_l = 1$ se la sede $l$ è installata (capacità $u_l$), $y_{lc} \ge 0$ litri spediti da $l$ al cliente $c$, con $\sum_l y_{lc} = d_c$ e $u_l x_l - \sum_c y_{lc} \ge 0$. Quale enunciato sul vincolo $y_{lc} \le d_c x_l$ è corretto?
È valido solo se ogni sede ha capacità $u_l \ge \sum_c d_c$
È ridondante anche nel rilassamento, perché implicato dal vincolo di capacità
Preserva l'ottimo ma non è valido: taglia spedizioni ammissibili oltre $d_c$
È valido: con $x_l = 0$ segue da $\sum_c y_{lc} \le 0$, con $x_l = 1$ dalla domanda; può rafforzare il rilassamento
Spiegazione. Su ogni soluzione intera vale: sede chiusa, nessuna spedizione; sede aperta, $y_{lc} \le \sum_{l'} y_{l'c} = d_c$. Nel continuo invece $x_l$ frazionaria può bastare alla capacità aggregata e violare $y_{lc} \le d_c x_l$: è un taglio.
Copertura con segnale e interferenza (massimo profitto): un cliente $c$ è coperto se il segnale totale delle sedi installate è almeno $t = 5$. Il cliente 5 riceve dalle tre sedi candidate i segnali $1$, $0$, $2$. Che cosa si può fare prima di risolvere?
Aprire tutte e tre le sedi per coprirlo
Abbassare la soglia $t$ per quel cliente
Niente: il solver lo scoprirà da solo
Fissare a zero la sua variabile di copertura: anche aprendo tutte le sedi riceve $3 < 5$
Spiegazione. Un controllo sui dati: il segnale massimo possibile è $1 + 0 + 2 = 3 < 5$, quindi il cliente non è mai copribile e la sua variabile si può fissare a zero, senza cambiare l'ottimo.
Copertura con segnale e interferenza: un cliente è coperto se, fra l'altro, **al più una** sede installata gli genera un segnale $\ge b$; $\mathscr{L}_c$ è l'insieme delle sedi che generano per $c$ un segnale $\ge b$, $x_l = 1$ se la sede $l$ è installata, $w_c = 1$ se $c$ è coperto. Per quali clienti il vincolo di interferenza è ridondante?
Per nessuno: il vincolo serve sempre
Per quelli con $|\mathscr{L}_c| \ge 2$
Per quelli con $|\mathscr{L}_c| \le 1$: non possono ricevere due segnali forti
Per quelli con profitto più basso
Spiegazione. Se al più una sede può dare un segnale forte, «al più una sede forte installata» è sempre vero e il vincolo non taglia nulla: si può omettere per quei clienti.
Hub con capacità e costo di connessione massimo (minimo): $y_j = 1$ se l'hub $j$ è attivo, $z_j \ge c_{ij} x_{ij}$ è il costo di connessione massimo dell'hub, e l'obiettivo somma costi di attivazione e $z_j$. Con $M_j = \max_i c_{ij}$ si aggiunge $z_j \le M_j y_j$. Come va classificato il vincolo?
È una disuguaglianza valida
Preserva l'ottimalità ma non è valido: il modello ammette $z_j > 0$ con $y_j = 0$, che minimizzando non conviene mai
Esclude l'ottimo
È necessario per la correttezza del modello
Spiegazione. $z_j$ è spinto in basso dall'obiettivo: a hub spento vale $0$ all'ottimo. Il vincolo toglie soluzioni ammissibili con $z_j > 0$ a hub spento (quindi non è valido), ma nessuna è ottima.
Localizzazione con capacità (minimo costo): $x_l = 1$ se la sede $l$ è installata, $y_{lc} \ge 0$ litri inviati da $l$ al cliente $c$, con $\sum_c y_{lc} \le u_l x_l$ e $\sum_l y_{lc} = d_c$. Il vincolo $y_{lc} \le d_c x_l$ è valido. Perché non serve aggiungerlo per la correttezza?
Perché è falso: un cliente può ricevere più della domanda
Perché rende il modello inammissibile
È implicato dai due vincoli insieme sui punti interi: a sede chiusa non parte nulla, e nessun cliente riceve più della sua domanda
Perché le $y$ sono binarie
Spiegazione. Con $x_l = 0$ la capacità azzera i flussi della sede; con $x_l = 1$ la domanda limita ciascun flusso a $d_c$. Nel rilassamento può comunque rafforzare (forma disaggregata).
Lot sizing con costo fisso su $4$ periodi: domande $d = (30, 20, 40, 10)$, scorta iniziale $r_0 = 0$, scorta finale richiesta $r_n = 0$; $x_t$ è la produzione e $y_t = 1$ se si lancia la produzione nel periodo $t$. Quanto vale il più piccolo $M_3$ nel vincolo $x_3 \le M_3\, y_3$ che non taglia soluzioni ottime?
$100$
$40$
$70$
$50$
Spiegazione. In un ottimo non si produce più della domanda che resta: $M_3 = d_3 + d_4 + r_n = 40 + 10 = 50$. Un valore più grande è valido ma indebolisce il rilassamento; uno più piccolo può tagliare soluzioni ottime.
Lot sizing: $x_t \ge 0$ è la produzione del periodo $t$, $y_t = 1$ se si lancia (costo fisso $q_t > 0$), con il vincolo $x_t \le M_t\, y_t$, problema di minimo. Che cosa vale?
$x_t = 0 \Rightarrow y_t = 0$ è imposto; $y_t = 0 \Rightarrow x_t = 0$ vale in ogni ottimo
$y_t = 0 \Rightarrow x_t = 0$ è imposto; $x_t = 0 \Rightarrow y_t = 0$ vale in ogni ottimo
Entrambi i versi sono imposti dal vincolo $x_t \le M_t\, y_t$
$y_t = 0 \Rightarrow x_t = 0$ è imposto; $x_t = 0 \Rightarrow y_t = 0$ vale solo in qualche ottimo
Spiegazione. Il vincolo dice «senza lancio non si produce»; il verso opposto viene dall'ottimalità, perché porre $y_t = 0$ fa risparmiare $q_t > 0$. Con $q_t = 0$ si direbbe solo «esiste un ottimo».
Produzione e manodopera, senza licenziamenti: $m_0$ operai iniziali, $y_t$ operai in servizio nel mese $t$ (prima formulazione), $z_t$ operai assunti all'inizio del mese $t$ (seconda formulazione). Quale corrispondenza lega le due formulazioni?
$y_t = m_0 + \sum_{j=1}^{t} z_j$, cioè $z_t = y_t - y_{t-1}$ con $y_0 = m_0$
$z_t = y_t + y_{t-1}$ con $y_0 = m_0$
$y_t = z_t$ per ogni mese $t$
$y_t = m_0 + z_t$ per ogni mese $t$
Spiegazione. Gli operai di un mese sono quelli iniziali più tutti gli assunti fino a quel mese. $y_t = m_0 + z_t$ dimenticherebbe gli assunti dei mesi precedenti.
Produzione e manodopera: nella formulazione con l'organico $y_t$ (operai in servizio) il divieto di licenziare è $y_t \ge y_{t-1}$. A che cosa corrisponde nella formulazione con le assunzioni $z_t = y_t - y_{t-1}$?
Ai vincoli sulle ore di lavoro disponibili
Alla non negatività delle $z_t$: il divieto è nascosto nel dominio
A nessun vincolo: le due formulazioni non sono equivalenti
Ai vincoli di bilancio delle scorte di magazzino
Spiegazione. Con $z_t = y_t - y_{t-1}$, la condizione $z_t \ge 0$ è esattamente $y_t \ge y_{t-1}$. Per questo la formulazione con le assunzioni ha meno vincoli.
Veicoli con lotto minimo: il tipo $j$ consuma $a_{ij} \ge 0$ unità della risorsa $i$, disponibile in quantità $b_i$. Come si calcola il massimo producibile $M_j$ del solo tipo $j$, usato in $x_j \le M_j y_j$?
$M_j = \max_i \lfloor b_i / a_{ij} \rfloor$ sulle risorse che il tipo consuma
$M_j = \sum_i \lfloor b_i / a_{ij} \rfloor$ sulle risorse che il tipo consuma
$M_j = \min_i \lfloor b_i / a_{ij} \rfloor$ su tutte le risorse, anche quelle con $a_{ij} = 0$
$M_j = \min \{\lfloor b_i / a_{ij} \rfloor : a_{ij} > 0\}$, sulle sole risorse che il tipo consuma
Spiegazione. Il tipo $j$ da solo è limitato dalla risorsa più scarsa fra quelle che consuma; una risorsa con $a_{ij} = 0$ non lo limita, e dividere per zero non ha senso. Il massimo o la somma non sarebbero limiti superiori stretti.
Veicoli: $y_j = 1$ se il tipo $j$ è prodotto (almeno al lotto minimo). Il premio $\bar r > 0$ si incassa se si producono almeno due tipi; la binaria $z = 1$ dà il premio in un massimo. Quale vincolo impone «$z = 1 \Rightarrow$ almeno due tipi attivi»?
$\sum_j y_j \le 2z$
$z \le y_1 + y_2$
$z \ge \sum_j y_j - 1$
$2z \le \sum_j y_j$
Spiegazione. Con $z = 1$ servono almeno due tipi attivi, che per il lotto minimo sono davvero prodotti. Il verso opposto non è imposto: segue dall'ottimo perché $\bar r > 0$. $z \le y_1 + y_2$ basterebbe un tipo solo.
Due formulazioni dello stesso problema sono equivalenti sui punti interi (c'è una corrispondenza fra le loro soluzioni intere con lo stesso costo, a meno di una costante). Quale enunciato è corretto?
Non hanno sempre lo stesso rilassamento lineare: va verificato caso per caso
Hanno sempre la stessa funzione obiettivo, costanti comprese
Quella con meno vincoli ha sempre il rilassamento lineare più forte
Hanno sempre lo stesso rilassamento lineare, perché descrivono lo stesso problema
Spiegazione. L'equivalenza sugli interi non dice nulla sul continuo; in alcuni casi i rilassamenti coincidono, ma è una verifica, non un fatto scontato. E le funzioni obiettivo possono differire per una costante.
Veicoli: la binaria $z$ dà il premio $\bar r$ in un massimo, con il solo vincolo $2z \le \sum_j y_j$. Per dimostrare che con almeno due tipi attivi si ha $z = 1$ **in ogni ottimo**, che cosa serve?
$\bar r \ge 0$ e il fatto che alzare $z$ a $1$ lasci soddisfatto $2z \le \sum_j y_j$
$\bar r > 0$ e il fatto che alzare $z$ a $1$ lasci soddisfatto $2z \le \sum_j y_j$
Che i profitti unitari $\bar p_j$ di tutti i tipi siano positivi
I vincoli di lotto minimo $x_j \ge \bar q_j y_j$ e $\bar r > 0$
Spiegazione. Con due tipi attivi alzare $z$ resta ammissibile e aumenta strettamente l'obiettivo di $\bar r$. Con $\bar r = 0$ l'argomento cade e $z$ smette di essere un indicatore fedele.
Lot sizing su $n$ periodi: $x_t$ produzione, $s_t$ scorta a fine periodo $t$, $d_t$ domanda, scorta iniziale $r_0$. Qual è il vincolo di bilancio del primo periodo?
$x_1 - s_1 = d_1 + r_0$
$x_1 + s_1 = d_1 + r_0$
$x_1 - s_1 = d_1 - r_0$
$x_1 = d_1$
Spiegazione. Ciò che entra ($r_0 + x_1$) è uguale a ciò che esce ($d_1$) più ciò che resta ($s_1$): $r_0 + x_1 = d_1 + s_1$, cioè $x_1 - s_1 = d_1 - r_0$. $x_1 = d_1$ vieterebbe di produrre in anticipo.
Lot sizing con lancio $f = 50$ e magazzino $h = 1$ per unità e periodo, domande $d = (20, 10)$, nessuna scorta iniziale. Piano A: un lancio nel periodo 1 che copre entrambi i periodi. Piano B: un lancio per periodo. Qual è il costo dei due piani (escluso il costo unitario di produzione, uguale per entrambi)?
A $70$, B $100$
A $50$, B $100$
A $60$, B $50$
A $60$, B $100$
Spiegazione. A paga un lancio ($50$) e tiene $10$ unità un periodo in magazzino ($10$): $60$. B paga due lanci: $100$. $50$ dimentica il magazzino, $70$ conta il magazzino su $20$ unità invece che sulle $10$ del periodo 2.
Produzione «just in time»: ogni mese si produce esattamente la domanda e si assume il minimo di operai necessario. Con $160$ ore al mese per operaio e $4$ ore per paio, quanti operai servono per $100$ paia in un mese?
$2$
$25$
$5/2$
$3$
Spiegazione. Servono $4 \cdot 100 = 400$ ore, e $400/160 = 2{,}5$: gli operai si contano, quindi $\lceil 2{,}5 \rceil = 3$. Il valore frazionario è quello che userebbe il rilassamento.
Lot sizing con costo fisso: si sostituisce $M_t = \sum_{\tau \ge t} d_\tau + r_n$ nel vincolo $x_t \le M_t\, y_t$ con un valore più grande, per esempio $10 M_t$. Quale enunciato è corretto?
L'ottimo intero non cambia e il rilassamento lineare si rafforza
L'ottimo intero cambia, perché si possono produrre quantità più grandi
L'ottimo intero non cambia e il rilassamento lineare si indebolisce
Il modello diventa inammissibile per i periodi con domanda nulla
Spiegazione. Un $M$ valido più grande non toglie né aggiunge soluzioni ottime, ma nel rilassamento basta $y_t = x_t/(10 M_t)$ e il costo fisso pagato crolla: il bound peggiora.
Produzione e manodopera senza licenziamenti: la formulazione A usa l'organico $y_t$ con $y_t \ge y_{t-1}$, la B le assunzioni $z_t \ge 0$; $y_0 = m_0$ operai iniziali. Per dimostrare che A e B sono equivalenti sui punti interi, che cosa serve?
La corrispondenza $z_t = y_t - y_{t-1}$, biunivoca fra soluzioni intere, che conserva l'ammissibilità e il costo a meno di una costante
Che le due formulazioni abbiano lo stesso numero di variabili e di vincoli
Che i due rilassamenti lineari abbiano lo stesso valore ottimo
Che il costo delle assunzioni sia nullo, così che i due obiettivi coincidano
Spiegazione. Equivalenza sui punti interi: a ogni soluzione intera dell'una ne corrisponde una dell'altra, ammissibile, con lo stesso costo a meno di una costante. $z_t \ge 0$ traduce esattamente $y_t \ge y_{t-1}$. I rilassamenti vanno confrontati a parte.
Produzione di veicoli con quantità minima $\bar q_j$ se il tipo $j$ si produce e big-M: $\bar q_j y_j \le x_j \le M_j y_j$. Come si sceglie $M_j$ nel corso?
Il massimo producibile del solo tipo $j$ con le risorse disponibili
Una costante grande uguale per tutti, per esempio $10^6$
La quantità minima $\bar q_j$
Il massimo producibile dell'intero piano
Spiegazione. $M_j = \min_i \lfloor b_i / a_{ij} \rfloor$ (risorse permettendo) è il valore più stretto che non taglia soluzioni: rafforza il rilassamento rispetto a una costante arbitraria. Se fosse $\bar q_j > M_j$ il tipo si eliminerebbe.
Produzione con premio di diversificazione: la binaria $z$ vale $1$ se si producono almeno due tipi, e porta il premio $\bar r > 0$ in un massimo; $y_j = 1$ se il tipo $j$ si produce. Uno studente scrive solo $2z \le \sum_j y_j$. È sufficiente?
No: il vincolo permette il premio con un tipo solo
No: $z$ deve essere intera non binaria
Sì: il vincolo vieta il premio con meno di due tipi, e l'obiettivo porta $z$ a $1$ appena è permesso
No: serve anche $z \ge \sum_j y_j - 1$, altrimenti il premio non si incassa mai
Spiegazione. Il verso «premio ⇒ almeno due tipi» lo impone il vincolo; il verso opposto lo garantisce il coefficiente positivo di $z$ in un massimo. Un vincolo, una binaria.
Premi di un programma fedeltà: ogni premio $i$ si prende a soli punti ($x_i = 1$) oppure con un contributo in denaro ($y_i = 1$), al più in una modalità: $x_i + y_i \le 1$. Quale affermazione è corretta?
Se il premio non si prende a punti, allora lo si prende con contributo
Il vincolo obbliga a prendere ogni premio in una delle due modalità
Il vincolo ammette solo le configurazioni $(1,0)$ e $(0,1)$
Il vincolo vieta solo $(1,1)$: anche $(0,0)$ è ammesso, quindi $x_i = 0$ non implica $y_i = 1$
Spiegazione. È un set packing: tre configurazioni ammesse. Per obbligare a prendere ogni premio servirebbe l'uguaglianza $x_i + y_i = 1$, un partitioning, e il problema cambierebbe.
Asta combinatoria: $x_j = 1$ se l'offerta $j$ (sull'insieme di oggetti $B_j$) è accettata; ogni oggetto si vende al più una volta. Perché si scrive un vincolo per oggetto, $\sum_{j : i \in B_j} x_j \le 1$, invece di $x_j + x_{j'} \le 1$ per ogni coppia di offerte in conflitto?
Perché i vincoli a coppie darebbero un insieme di soluzioni intere diverso
Perché i vincoli a coppie richiedono variabili ausiliarie per ogni conflitto
Perché il vincolo per oggetto rende il rilassamento lineare sempre intero
Ha meno vincoli ed è più stretto: tre offerte sullo stesso oggetto non possono valere $1/2$ ciascuna
Spiegazione. Le due scritture hanno gli stessi punti interi; per oggetto i vincoli sono tanti quanti gli oggetti invece di crescere come il quadrato delle offerte, e $x_1 = x_2 = x_3 = 1/2$ soddisfa le coppie ma non la riga.
Asta «a triangolo»: tre oggetti e tre offerte di profitto $1$, ciascuna su due oggetti diversi, così che ogni coppia di offerte condivide un oggetto. Quanto valgono il rilassamento lineare $\zlp$ e l'ottimo intero $\zmilp$ (massimo)?
Entrambi $3/2$
$\zlp = 3$ e $\zmilp = 1$
$\zlp = 3/2$ e $\zmilp = 1$
Entrambi $1$
Spiegazione. Con $x = 1/2$ su tutte e tre le offerte ogni oggetto è venduto «una volta» e il valore è $3/2$; due offerte qualsiasi condividono un oggetto, quindi l'ottimo intero ne accetta una sola.
Dieta: $x_i$ chili del cibo $i$, $y_i = 1$ se il cibo è nella dieta, con $x_i \le d_i y_i$; la dieta deve usare almeno $t$ cibi diversi, $\sum_i y_i \ge t$. Perché serve anche il lotto minimo $x_i \ge c_i y_i$ con $c_i > 0$?
Per rendere esatto il rilassamento lineare del modello
Per rispettare i tetti massimi sull'assunzione dei nutrienti
Senza, si accenderebbero indicatori con $x_i = 0$ e la varietà sarebbe soddisfatta da cibi non consumati
Perché altrimenti il modello è inammissibile quando $t$ è grande
Spiegazione. Il conteggio guarda gli indicatori, non le quantità: con $y_i = 1$ il lotto minimo garantisce $x_i \ge c_i > 0$. Senza, il costo scende accendendo cibi «a quantità nulla».
Alberi decorati: $x_c \in \mathbb{Z}_{\ge 0}$ conta gli alberi decorati con la configurazione $c$, e la binaria $z_c$ deve valere $1$ solo se la configurazione è usata davvero (si chiedono almeno $f$ configurazioni diverse, $\sum_c z_c \ge f$). Quale vincolo si usa?
$z_c \ge x_c$
$z_c \le x_c$, senza big-M
$x_c \le M z_c$, con $M$ il numero di alberi
$x_c + z_c \le 1$
Spiegazione. Poiché $x_c$ è un conteggio intero, $z_c = 1$ impone direttamente $x_c \ge 1$. $x_c \le M z_c$ è il legame nell'altro verso, che non impedisce di contare configurazioni vuote; $z_c \ge x_c$ vieterebbe più di un albero.
Spedizioni in scatole di capacità $w$: $x_{psc}$ unità del prodotto $p$ dallo stabilimento $s$ al cliente $c$, e $y_{sc} \in \mathbb{Z}_{\ge 0}$ scatole sulla tratta, con $\sum_p x_{psc} \le w\, y_{sc}$. Che cosa impone su $y_{sc}$?
$y_{sc} \in \{0, 1\}$: una scatola per tratta
$y_{sc} \le \lfloor \sum_p x_{psc} / w \rfloor$
$y_{sc} = \sum_p x_{psc} / w$, anche frazionario
$y_{sc} \ge \lceil \sum_p x_{psc} / w \rceil$: il tetto lo produce l'interezza
Spiegazione. È il conteggio intero: il vincolo dà $y_{sc} \ge \sum_p x_{psc} / w$ e l'interezza arrotonda per eccesso. Che non viaggino scatole vuote segue dall'ottimo, perché si minimizza il numero di scatole.
Bambini fra campi estivi: in ogni campo $j$ la nazionalità $c$ deve avere almeno tanti bambini quanti **ciascuna** altra, cioè $n_{cj} \ge n_{ij}$ per ogni $i \ne c$ ($n_{ij}$ bambini della nazionalità $i$ nel campo $j$). Che differenza c'è con il vincolo unico $n_{cj} \ge \sum_{i \ne c} n_{ij}$?
Il vincolo unico è più debole, perché è uno solo invece di molti
Nessuna differenza, per qualunque numero di nazionalità
Il vincolo unico ammette campi in cui $c$ è meno numerosa di un'altra nazionalità
Con più di due nazionalità il vincolo unico è più forte: chiede che $c$ superi tutte le altre insieme
Spiegazione. Le due letture coincidono con due nazionalità e divergono con più di due, dove il vincolo unico taglia soluzioni che l'enunciato permette. Meno vincoli non vuol dire modello giusto.
Filiali fra due società: $x_i = 1$ se la filiale $i$ va alla società $A$, altrimenti a $B$; si minimizza $z$, il massimo sui prodotti della differenza di fatturato fra $A$ e $B$ (in valore assoluto). Perché il rilassamento lineare vale $0$?
Perché la variabile $z$ è libera e il rilassamento la porta a $-\infty$, poi a $0$
Perché il modello ha una sola famiglia di variabili binarie
Con $x_i = 1/2$ ogni filiale si spezza a metà e i fatturati delle due società coincidono su ogni prodotto
Perché i fatturati sono tutti non negativi e $z$ è limitata dal basso
Spiegazione. Una soluzione frazionaria mette metà di ogni filiale in ciascuna società e pareggia tutto. Il bound utile, qui, è combinatorio: nasce dall'interezza.
Brani fra CD: $x_{ij} = 1$ se il brano $i$ (durata $d_i$) va sul CD $j$; si minimizza $y - z$ con $y \ge \sum_i d_i x_{ij}$ e $z \le \sum_i d_i x_{ij}$ per ogni CD $j$. Quale enunciato è corretto?
I vincoli impongono già $y$ uguale alla durata del CD più lungo
All'ottimo $z$ vale $0$, perché è limitata solo dall'alto
Minimizzare $y - z$ equivale a minimizzare la sola $y$
I vincoli danno $y \ge$ durata massima e $z \le$ durata minima, e all'ottimo valgono le uguaglianze
Spiegazione. È la variabile di massimo applicata due volte, con versi opposti: l'obiettivo spinge $y$ verso il basso e $z$ verso l'alto. Minimizzare la sola $y$ è il makespan, con ottimi diversi.
Libri fra scaffali: $x_{bs} = 1$ se il libro $b$ (altezza $h_b$) va sullo scaffale $s$, e $y_s$ è l'altezza dello scaffale, con $\min \sum_s y_s$. Per dimostrare che in ogni ottimo $y_s$ è l'altezza del libro più alto dello scaffale, che cosa serve?
I vincoli $y_s \ge h_b\, x_{bs}$, il coefficiente $1 > 0$ di $y_s$ nel minimo e $y_s$ assente da ogni altro vincolo
Un big-M pari all'altezza massima e i vincoli $y_s \ge h_b\, x_{bs}$
I vincoli di larghezza degli scaffali e il coefficiente $1 > 0$ di $y_s$ nel minimo
I vincoli $y_s \ge h_b\, x_{bs}$ e $y_s$ assente da ogni altro vincolo, qualunque sia il coefficiente
Spiegazione. Il vincolo dà $y_s \ge \max_{b : x_{bs} = 1} h_b$; poiché $y_s$ costa nell'obiettivo e non compare altrove, abbassarla fino al massimo resta ammissibile e migliora strettamente.
Asta combinatoria (massimo): l'euristica ordina le offerte per profitto **per oggetto** richiesto, $p_j / |B_j|$, decrescente (a pari rapporto nell'ordine elencato), e accetta quelle i cui oggetti sono ancora liberi. Offerte: $\{1\}$ con $6$, $\{1,3\}$ con $12$, $\{3,4\}$ con $12$, $\{2,4\}$ con $10$. Quale insieme accetta?
$\{1,3\}$ e $\{3,4\}$, valore $24$
$\{1\}$ e $\{2,4\}$, valore $16$
$\{1,3\}$ e $\{2,4\}$, valore $22$
$\{1\}$ e $\{3,4\}$, valore $18$
Spiegazione. I rapporti sono $6$, $6$, $6$ e $5$: a pari rapporto si segue l'ordine dato. Si accettano $\{1\}$ e poi $\{3,4\}$; $\{1,3\}$ e $\{2,4\}$ trovano oggetti già venduti. $\lb = 18$, mentre l'ottimo è $22$; l'ultima opzione vende due volte l'oggetto 3.
Asta combinatoria (massimo): nel duale del rilassamento $\lambda_i \ge 0$ è il prezzo dell'oggetto $i$, con $\sum_{i \in B_j} \lambda_i \ge p_j$ per ogni offerta. La ricetta $\bar\lambda_i = \max_{j : i \in B_j} p_j / |B_j|$ è ammissibile. Perché dividere per $|B_j|$?
Spalma il profitto dell'offerta sui suoi oggetti: resta ammissibile e dà un upper bound più basso che senza divisione
Per ottenere sempre la soluzione duale ottima
Senza la divisione la soluzione duale non sarebbe ammissibile
Per rendere il bound un lower bound invece che un upper bound
Spiegazione. Anche $\bar\lambda_i = \max_j p_j$ è ammissibile, ma conta il profitto di un'offerta su ogni suo oggetto e gonfia il bound. Dividendo, $\sum_{i \in B_j} \bar\lambda_i \ge |B_j| \cdot p_j / |B_j| = p_j$ basta ancora, con prezzi più bassi.
Brani fra due CD, minimizzando la differenza di durata: ciascun brano, nell'ordine dato, va sul CD al momento più corto (a pari durata sul primo). Con durate $(10, 7, 6, 5, 4, 3)$, che differenza si ottiene?
$1$
$3$
$9$
$0$
Spiegazione. $10 \to$ CD1, $7 \to$ CD2, $6 \to$ CD2 ($13$), $5 \to$ CD1 ($15$), $4 \to$ CD2 ($17$), $3 \to$ CD1 ($18$): durate $18$ e $17$, differenza $1$. È un upper bound; il totale $35$ è dispari, quindi $0$ è impossibile e $1$ è l'ottimo.
Filiali fra due società, $\min z$ con $z \ge$ differenza di fatturato su ogni prodotto: il rilassamento lineare vale $0$. Per ottenere comunque un lower bound positivo sull'ottimo intero, su che cosa ci si può appoggiare?
Sul valore dell'euristica costruttiva, che è un lower bound nei problemi di minimo
Sull'interezza: ogni filiale va tutta a una società, e prodotto per prodotto le parità esatte sono limitate
Su una soluzione duale ammissibile del rilassamento con valore positivo
Sulla dualità forte del rilassamento, che dà un bound pari all'ottimo intero
Spiegazione. Nessun duale ammissibile supera $\zlp = 0$; il bound utile è combinatorio e nasce dall'indivisibilità. Per esempio, un prodotto venduto da una sola filiale lascia una differenza pari al suo intero fatturato.
Premi di un programma fedeltà con $s = 3$ premi: per ogni premio $x_i = 1$ (a soli punti) e $y_i = 1$ (punti più contributo), con $x_i + y_i \le 1$ per premio, un vincolo di budget in punti e un vincolo di preferenza minima. Quante variabili e quanti vincoli (domini esclusi)?
$3$ variabili e $5$ vincoli
$6$ variabili e $5$ vincoli
$6$ variabili e $3$ vincoli
$6$ variabili e $9$ vincoli
Spiegazione. Due binarie per premio: $6$. Vincoli: $3$ di mutua esclusione, $1$ di budget, $1$ di preferenza, cioè $5$. Dimenticare budget e preferenza dà $3$; contarli uno per premio dà $9$.
Alberi decorati: $x_c$ alberi con la configurazione $c$, che richiede $u_{cl}$ luci del colore $l$; $y_b$ scatole del tipo $b$, che contiene $v_{bl}$ luci del colore $l$. Che cosa dice il vincolo $\sum_b v_{bl}\, y_b - \sum_c u_{cl}\, x_c \ge 0$, scritto per ogni colore $l$?
Le luci comprate di colore $l$ bastano a quelle richieste dagli alberi decorati
Il numero di scatole è almeno il numero di alberi
Ogni scatola comprata va usata su almeno un albero
Le luci richieste di colore $l$ bastano a riempire le scatole comprate
Spiegazione. Il primo termine conta le luci di colore $l$ contenute nelle scatole, il secondo quelle montate sugli alberi: la differenza non negativa dice che l'acquisto copre il fabbisogno, colore per colore.
Spedizioni in scatole: $k = 2$ prodotti, $n = 2$ stabilimenti, $m = 3$ clienti. Vincoli: domanda $\sum_s x_{psc} = d_{pc}$ per coppia prodotto–cliente, disponibilità $\sum_c x_{psc} \le a_{ps}$ per coppia prodotto–stabilimento, capacità $\sum_p x_{psc} \le w\, y_{sc}$ per tratta stabilimento–cliente. Quanti vincoli in tutto (domini esclusi)?
$18$
$10$
$12$
$16$
Spiegazione. Domanda $k m = 6$, disponibilità $k n = 4$, capacità $n m = 6$: $16$. $12$ dimentica la disponibilità; $18 = 6 + 12$ scrive una capacità per terna $(p, s, c)$ e dimentica la disponibilità.
Bambini fra campi estivi: $s = 4$ nazionalità, $r = 3$ campi; in ogni campo la nazionalità $c$ deve avere almeno tanti bambini quanti ciascuna altra, con un vincolo per ogni coppia (altra nazionalità $i \ne c$, campo $j$). Quanti vincoli di maggioranza?
$18$
$12$
$9$
$3$
Spiegazione. $(s - 1)\, r = 3 \cdot 3 = 9$: un vincolo per ogni altra nazionalità in ogni campo. $12 = s\,r$ include il confronto di $c$ con se stessa; $18$ confronta ogni coppia di nazionalità; $3$ ne scrive uno solo per campo.
Libri fra scaffali: $x_{bs} = 1$ se il libro $b$ (altezza $h_b$) va sullo scaffale $s$, $y_s$ altezza dello scaffale, $\min \sum_s y_s$. Perché si scrive $y_s \ge h_b\, x_{bs}$ per ogni coppia $(b, s)$ invece di $y_s = \max_b h_b\, x_{bs}$?
Perché così $y_s$ può essere dichiarata binaria
Perché $y_s = \max_b h_b x_{bs}$ darebbe un modello inammissibile
Perché i vincoli per coppia impongono già l'uguaglianza in ogni soluzione ammissibile
Il massimo non è lineare; i vincoli per coppia lo esprimono linearmente e il minimo porta $y_s$ al massimo
Spiegazione. È la variabile di massimo in forma disaggregata: i vincoli danno $y_s \ge$ altezza del libro più alto dello scaffale, e l'obiettivo di minimo, in cui $y_s$ ha coefficiente positivo, la schiaccia su quel valore.
Premi con due modalità (minimo denaro): il premio $i$ si ottiene con $a_i$ punti ($x_i = 1$) oppure con $b_i < a_i$ punti più $c_i$ euro ($y_i = 1$), al più una volta e in una sola modalità; punti disponibili $p$. Quali vincoli esprimono la mutua esclusione e il budget di punti?
$x_i + y_i \le 1$ per ogni $i$, e $\sum_i (a_i x_i + b_i y_i) \le p$
$x_i + y_i \le 2$ per ogni $i$, e $\sum_i (a_i + b_i)(x_i + y_i) \le p$
$x_i \le y_i$ per ogni $i$, e $\sum_i (a_i x_i + b_i y_i) \le p$
$x_i + y_i = 1$ per ogni $i$, e $\sum_i a_i x_i \le p$
Spiegazione. Al più una modalità per premio è un packing di due variabili; i punti spesi dipendono dalla modalità scelta. L'uguaglianza obbligherebbe a prendere ogni premio.
Premi con due modalità: con soli punti ($a_i$ punti) oppure con $b_i < a_i$ punti più $c_i$ euro; si minimizza il denaro speso. Se per un premio $c_i = 0$, che cosa si può fare?
Fissare quel premio a «preso»
Eliminare la modalità con contributo, che è inutile
Niente: le due modalità restano entrambe necessarie
Eliminare la modalità «solo punti» di quel premio: l'altra costa gli stessi euro e meno punti
Spiegazione. Con $c_i = 0$ la seconda modalità domina la prima (zero euro in entrambe, meno punti): la variabile $x_i$ si elimina senza perdere ottimi. Non è detto che il premio convenga prenderlo.
Dieta (minimo costo) con lotto minimo e varietà: $q_i \ge 0$ chili del cibo $i$, $y_i = 1$ se il cibo entra nella dieta, con almeno $c_i$ e al più $d_i$ chili se scelto, e almeno $t$ cibi diversi. Quali vincoli lo esprimono?
$c_i y_i \le q_i \le d_i y_i$ per ogni $i$, e $\sum_i y_i \ge t$
$c_i \le q_i \le d_i$ per ogni $i$, e $\sum_i q_i \ge t$
$c_i y_i \le q_i \le d_i y_i$ per ogni $i$, e $\sum_i y_i \le t$
$q_i \le d_i y_i$ per ogni $i$, e $\sum_i y_i \ge t$
Spiegazione. Lotto minimo (semicontinua) più conteggio dei tipi diversi, con entrambe le soglie: senza $c_i y_i \le q_i$ un cibo «scelto» potrebbe avere zero chili e contare per la varietà.
Il problema classico della dieta (Stigler, 1945) — minimo costo con limiti inferiori e superiori sui nutrienti — è un LP puro. Che cosa lo rende un MILP nella versione del corso?
I limiti superiori sui nutrienti
Il fatto che le quantità siano in chili
I lotti minimi per i cibi scelti e il conteggio dei cibi diversi
Il costo per chilo dei cibi
Spiegazione. Limiti sui nutrienti e costi restano lineari e continui. Le due aggiunte che richiedono binarie sono la soglia «se lo si mangia, almeno $c_i$ chili» e il numero minimo di cibi diversi.
Alberi decorati (minimo costo): $x_c \in \mathbb{Z}_{\ge 0}$ alberi con la configurazione $c$, che richiede $u_{cl}$ luci di colore $l$; $z_b \in \mathbb{Z}_{\ge 0}$ scatole del tipo $b$, che contengono $v_{bl}$ luci di colore $l$. Quale vincolo garantisce luci sufficienti?
$v_{bl} z_b \ge u_{cl} x_c$ per ogni $b$, $c$, $l$
$\sum_b v_{bl} z_b \ge \sum_c u_{cl} x_c$ per ogni colore $l$
$\sum_b z_b \ge \sum_c x_c$
Spiegazione. Le luci comprate di ogni colore devono coprire quelle richieste di quel colore: un vincolo per colore. Sommare sui colori permetterebbe di compensare un colore con un altro.
Alberi decorati (minimo costo), con il vincolo $\sum_c x_c = q$ sul numero di alberi da decorare. Che cosa succederebbe scrivendolo $\le q$ oppure $\ge q$?
In entrambi i casi l'ottimo resterebbe lo stesso
Con $\ge q$ l'ottimo decorerebbe infiniti alberi
Con $\le q$ l'ottimo sarebbe non decorare nulla (costo zero); con $\ge q$ non cambierebbe nulla, perché decorare di più costa di più
Con $\le q$ non cambierebbe nulla; con $\ge q$ il problema diventerebbe inammissibile
Spiegazione. In un minimo con costi positivi l'obiettivo spinge il numero di alberi in basso: con $\le q$ fino a zero; con $\ge q$ si ferma a $q$, come con l'uguaglianza.
Spedizioni in scatole (minimo numero di scatole): $x_{psc} \in \mathbb{Z}_{\ge 0}$ unità del prodotto $p$ dallo stabilimento $s$ al cliente $c$, $y_{sc} \in \mathbb{Z}_{\ge 0}$ scatole sulla tratta, con $\sum_p x_{psc} \le w\,y_{sc}$, dati interi. Perché le $x$ potrebbero essere continue senza cambiare l'ottimo?
Non potrebbero: le $x$ continue cambierebbero sempre l'ottimo
Perché il problema è di minimo
Perché il numero di scatole è già intero
A $y$ fissato resta un problema di trasporto, con matrice totalmente unimodulare: con dati interi ha soluzioni intere
Spiegazione. Fissate le scatole, i vincoli sulle $x$ (disponibilità, domande, capacità delle tratte) hanno la struttura del trasporto: i vertici sono interi, quindi esiste sempre un piano intero con le stesse scatole. Le $x$ restano intere perché il problema parla di unità.
Spedizioni in scatole di capacità $w = 10$ unità, minimo numero di scatole; le domande dei clienti sommano a $11$ unità. Il rilassamento dà il bound $\sum_{p,c} d_{pc} / w = 11/10$. Che lower bound intero se ne ricava?
$11$: una scatola per unità
$2$: il numero di scatole è intero, quindi si arrotonda per eccesso
$11/10$: un bound non si arrotonda
$1$: si arrotonda all'intero più vicino
Spiegazione. In un minimo con obiettivo a valori interi, $\zmilp \ge 11/10$ implica $\zmilp \ge \lceil 11/10 \rceil = 2$. Arrotondare per difetto darebbe un bound valido ma più debole.
Campi estivi (massimo bambini accettati): $f_{ij}, g_{ij} \in \mathbb{Z}_{\ge 0}$ bambine e bambini della nazionalità $i$ nel campo $j$. In ogni campo le bambine devono essere almeno quanti i bambini. Quale vincolo lo esprime?
$\sum_j f_{ij} \ge \sum_j g_{ij}$ per ogni nazionalità $i$
$\sum_{i,j} f_{ij} \ge \sum_{i,j} g_{ij}$
$f_{ij} \ge g_{ij}$ per ogni nazionalità $i$ e campo $j$
$\sum_i f_{ij} \ge \sum_i g_{ij}$ per ogni campo $j$
Spiegazione. Il confronto è per campo, sommando tutte le nazionalità. Per nazionalità e campo sarebbe troppo restrittivo; per nazionalità su tutti i campi, o in totale, troppo largo.
Campi estivi (massimo bambini accettati) con capacità $d_j$ per campo: $15$ e $8$ posti. Quale upper bound immediato vale sull'ottimo, indipendentemente dai vincoli di parità e di maggioranza?
$\ub = 23$, la somma delle capacità
$\ub = 46$, il doppio delle capacità (bambine e bambini)
$\ub = 15$, la capacità del campo più grande
$\lb = 23$
Spiegazione. Nessun campo accoglie più della sua capacità, quindi i bambini accettati sono al più $15 + 8 = 23$: è il bound che si ottiene dando prezzo $1$ ai soli vincoli di capacità.
Divisione antitrust delle filiali in due società, minimizzando la massima differenza di fatturato fra le due su tutti i prodotti. Con **un solo** prodotto, a quale problema classico si riduce?
Al trasporto, con rilassamento intero
Al number partitioning, NP-completo (fra i ventuno problemi di Karp)
Al problema di assegnamento, risolvibile in tempo polinomiale
Allo zaino frazionario
Spiegazione. Con un prodotto si cerca una bipartizione di numeri che renda le due somme il più vicine possibile: number partitioning. Con più prodotti è la versione vettoriale, ancora NP-difficile.
Divisione delle filiali: $x_i = 1$ se la filiale $i$ va alla società A, $0$ alla B; $v_{ij}$ fatturato della filiale $i$ con il prodotto $j$. La differenza fra A e B sul prodotto $j$ è $D_j = \sum_i v_{ij}(2x_i - 1)$. Come si minimizza $\max_j |D_j|$ con un modello lineare?
$\min z$ con $z \le D_j$ e $z \le -D_j$ per ogni $j$
$\min z$ con $z \ge D_j$ e $z \ge -D_j$ per ogni prodotto $j$
$\min z$ con $z \ge D_j$ per ogni $j$
$\min \sum_j D_j$
Spiegazione. Variabile di massimo e valore assoluto insieme: due vincoli per prodotto mettono $z$ sopra $|D_j|$, e minimizzando $z$ scende al massimo. Con il solo $z \ge D_j$ le differenze negative sfuggirebbero.
Brani su due CD, minimizzando la differenza fra la durata del CD più lungo e quella del più corto; le durate sono intere e sommano a $35$ minuti. Perché l'ottimo è almeno $1$?
Perché il rilassamento lineare vale $1$
Le due durate sono intere con somma dispari, quindi non possono essere uguali: la differenza è almeno $1$
Perché ogni CD deve contenere almeno un brano
Perché il brano più lungo dura almeno $1$ minuto
Spiegazione. $L_1 + L_2 = 35$ con $L_1, L_2$ interi: $L_1 - L_2 = 35 - 2L_2$ è dispari, quindi in valore assoluto almeno $1$. È un argomento di parità, che il rilassamento (valore $0$) non vede.
Brani su $m$ CD (minimo della differenza fra CD più lungo e più corto, con $z_{\max} \ge L_j$ e $z_{\min} \le L_j$ per ogni CD). Ogni CD deve contenere almeno $w_j = 1$ brano. Perché il vincolo serve, pur non mordendo mai all'ottimo?
Perché senza di esso il modello è illimitato
Senza di esso un CD vuoto (durata $0$) sarebbe ammissibile e la definizione del problema non sarebbe rispettata, anche se all'ottimo non conviene
Non serve: si può togliere senza cambiare il problema
Perché rende il rilassamento intero
Spiegazione. Un CD vuoto ha durata $0$ e porta la differenza alla durata totale, quindi non è mai ottimo; ma il problema richiede almeno un brano per CD e il modello deve dirlo. Sulle altre istanze ($w_j > 1$) il vincolo può mordere.
Libri sugli scaffali (minimo della somma delle altezze, scaffali identici): scambiando fra loro i contenuti di due scaffali si ottiene una soluzione dello stesso valore. Come si rompe questa simmetria su istanze grandi?
Imponendo $y_1 \ge y_2 \ge \dots \ge y_m$ sulle altezze degli scaffali
Aggiungendo uno scaffale in più
Fissando ogni libro a uno scaffale prima di risolvere
Rendendo continue le variabili di assegnamento
Spiegazione. Ogni soluzione ha una permutazione degli scaffali con altezze non crescenti, quindi il vincolo non perde ottimi ma toglie le copie simmetriche che il solver esplorerebbe inutilmente.
Libri sugli scaffali: ogni libro $b$ ha larghezza $w_b$ e altezza $h_b$, gli scaffali hanno larghezza $c$, l'altezza di uno scaffale è quella del suo libro più alto, si minimizza la somma delle altezze. Rispetto al bin packing classico, che cosa cambia?
Gli oggetti si possono spezzare fra più contenitori
Il costo di un contenitore non è fisso ma dipende dal contenuto (il libro più alto)
Si massimizza invece di minimizzare
I contenitori hanno capacità diverse
Spiegazione. Come nel bin packing gli oggetti vanno in contenitori di capacità $c$, ma ogni scaffale costa l'altezza massima dei suoi libri: si modella con una variabile di massimo $y_s \ge h_b x_{bs}$.
Campi estivi (massimo bambini accettati, variabili intere di conteggio, vincoli tutti di somma). Il vincolo «bambine almeno quanti i bambini» e quello «la nazionalità $c$ almeno quanto ogni altra» sono:
Indipendenti: si possono avere campi che rispettano l'uno e violano l'altro
Il primo implica il secondo
Equivalenti: uno implica l'altro
Ridondanti entrambi, perché la capacità li implica
Spiegazione. Il primo confronta generi, il secondo nazionalità: un campo con molte bambine di un'altra nazionalità rispetta il primo e viola il secondo, e viceversa. Sull'istanza del corso è il secondo a mordere.
Spedizioni in scatole: se i costi fossero per unità trasportata e non ci fossero scatole, il problema sarebbe un trasporto puro. Che cosa si perderebbe togliendo le scatole dal modello del corso?
L'interezza delle unità, che nel trasporto diventano frazionarie
Niente: il trasporto puro ha lo stesso ottimo
I vincoli di disponibilità degli stabilimenti
Il costo a gradini delle scatole intere: proprio quello che rende il problema intero e difficile
Spiegazione. Senza scatole il trasporto ha rilassamento intero e si risolve in tempo polinomiale. Le variabili intere $y_{sc}$ (scatole) introducono il costo fisso per scatola, che rende il problema un MILP vero.
Domande generate (60)
Ogni generatore crea a ogni avvio un'istanza nuova, con numeri diversi: qui alcuni esempi.
1. Che cos'è un modello MIP (5)
Esempio 1 · mip-g-gap-euristica · livello facile · dispensa
In un problema di minimo l'euristica costruttiva trova una soluzione di valore $75$, una soluzione duale costruita a mano vale $47$ e il solver certifica l'ottimo intero $\zmilp = 60$. Qual è il gap dell'euristica, cioè la distanza relativa del suo valore dall'ottimo, misurata rispetto all'ottimo?
$25{,}0\%$
$20{,}0\%$
$37{,}3\%$
$21{,}7\%$
Spiegazione. Il gap dell'euristica si misura rispetto all'ottimo noto: $|\ub - \zmilp| / |\zmilp| = 15/60 \approx 25{,}0\%$. Il rapporto $(\ub - \lb)/|\ub|$ è invece il divario certificato fra i due bound, che serve quando l'ottimo non è noto.
Esempio 2 · mip-g-gap-euristica · livello facile · dispensa
In un problema di minimo l'euristica costruttiva trova una soluzione di valore $69$, una soluzione duale costruita a mano vale $41$ e il solver certifica l'ottimo intero $\zmilp = 47$. Qual è il gap dell'euristica, cioè la distanza relativa del suo valore dall'ottimo, misurata rispetto all'ottimo?
$46{,}8\%$
$31{,}9\%$
$40{,}6\%$
$12{,}8\%$
Spiegazione. Il gap dell'euristica si misura rispetto all'ottimo noto: $|\ub - \zmilp| / |\zmilp| = 22/47 \approx 46{,}8\%$. Il rapporto $(\ub - \lb)/|\ub|$ è invece il divario certificato fra i due bound, che serve quando l'ottimo non è noto.
Esempio 1 · mip-g-divario-certificato · livello media · dispensa
Problema di **massimo**. Un'euristica costruttiva trova una soluzione ammissibile e intera di valore $61$; una soluzione ammissibile del duale del rilassamento lineare, costruita a mano, vale $108$. Il divario certificato è $(\ub - \lb)/|\ub|$, con $\ub$ e $\lb$ l'upper e il lower bound sull'ottimo intero. Quanto vale (arrotondato a un decimale)?
$43{,}5\%$
$77{,}0\%$
$56{,}5\%$
$47{,}0\%$
Spiegazione. In un massimo l'euristica dà $\lb = 61$ e il duale $\ub = 108$: $(108 - 61)/108 \approx 43{,}5\%$. Dividere per $\lb$ è l'errore di chi scambia i ruoli dei due bound; $\lb/\ub$ è il complemento, non il divario.
Esempio 2 · mip-g-divario-certificato · livello media · dispensa
Problema di **minimo**. Un'euristica costruttiva trova una soluzione ammissibile e intera di valore $117$; una soluzione ammissibile del duale del rilassamento lineare, costruita a mano, vale $104$. Il divario certificato è $(\ub - \lb)/|\ub|$, con $\ub$ e $\lb$ l'upper e il lower bound sull'ottimo intero. Quanto vale (arrotondato a un decimale)?
$11{,}1\%$
$12{,}5\%$
$88{,}9\%$
$13{,}0\%$
Spiegazione. In un minimo l'euristica dà $\ub = 117$ e il duale $\lb = 104$: $(117 - 104)/117 \approx 11{,}1\%$. Dividere per $\lb$ è l'errore di chi scambia i ruoli dei due bound; $\lb/\ub$ è il complemento, non il divario.
Esempio 1 · mip-g-arrotonda-bound · livello facile · dispensa
MILP di **massimo** con tutte le variabili intere e coefficienti dell'obiettivo interi, quindi ogni soluzione ammissibile ha valore intero. Il rilassamento lineare vale $\zlp = \tfrac{301}{4}$. Qual è il bound più stretto sull'ottimo intero $\zmilp$ che se ne deduce?
$\ub = 75$
$\ub = 76$
$\ub = \tfrac{301}{4}$
$\ub = 74$
Spiegazione. In un massimo $\zmilp \le \zlp$; essendo $\zmilp$ intero si arrotonda per difetto: $\ub = \lfloor \tfrac{301}{4} \rfloor = 75$. L'arrotondamento nel verso opposto non è un bound; $\zlp$ stesso è valido ma più debole.
Esempio 2 · mip-g-arrotonda-bound · livello facile · dispensa
MILP di **minimo** con tutte le variabili intere e coefficienti dell'obiettivo interi, quindi ogni soluzione ammissibile ha valore intero. Il rilassamento lineare vale $\zlp = \tfrac{251}{6}$. Qual è il bound più stretto sull'ottimo intero $\zmilp$ che se ne deduce?
$\lb = 42$
$\lb = 41$
$\lb = \tfrac{251}{6}$
$\lb = 43$
Spiegazione. In un minimo $\zlp \le \zmilp$; essendo $\zmilp$ intero si arrotonda per eccesso: $\lb = \lceil \tfrac{251}{6} \rceil = 42$. L'arrotondamento nel verso opposto non è un bound; $\zlp$ stesso è valido ma più debole.
Esempio 1 · mip-g-due-rilassamenti · livello facile · dispensa
Zaino binario di massimo: valori $p = (10, 14, 13, 11)$, pesi $w = (5, 6, 2, 5)$, capacità $C = 14$. $\zlp$ è il rilassamento con le sole $x \ge 0$, $\zlpp$ quello con $0 \le x \le 1$. Quanto valgono $(\zlp, \zlpp)$?
$(91, 40)$
$(40, 91)$
$(91, 38)$
$(48, 40)$
Spiegazione. Senza bound conviene riempire lo zaino con l'oggetto di rapporto $p_j/w_j$ massimo, anche più volte: $\zlp = C \max_j p_j/w_j = 91$. Con $x \le 1$ si prendono gli oggetti per rapporto decrescente e l'ultimo in parte: $\zlpp = 40$. In un massimo $\zlp \ge \zlpp \ge \zmilp$.
Esempio 2 · mip-g-due-rilassamenti · livello facile · dispensa
Zaino binario di massimo: valori $p = (11, 13, 15, 12)$, pesi $w = (6, 7, 2, 7)$, capacità $C = 12$. $\zlp$ è il rilassamento con le sole $x \ge 0$, $\zlpp$ quello con $0 \le x \le 1$. Quanto valgono $(\zlp, \zlpp)$?
$(90, \tfrac{67}{2})$
$(\tfrac{67}{2}, 90)$
$(90, 28)$
$(51, \tfrac{67}{2})$
Spiegazione. Senza bound conviene riempire lo zaino con l'oggetto di rapporto $p_j/w_j$ massimo, anche più volte: $\zlp = C \max_j p_j/w_j = 90$. Con $x \le 1$ si prendono gli oggetti per rapporto decrescente e l'ultimo in parte: $\zlpp = \tfrac{67}{2}$. In un massimo $\zlp \ge \zlpp \ge \zmilp$.
Esempio 1 · mip-g-ilp-due-var · livello complessa · dispensa
ILP di massimo: $\max 6x_1 + 3x_2$ con $3x_1 + 3x_2 \le 22$, $5x_1 + x_2 \le 13$, $x_1, x_2 \in \mathbb{Z}_{\ge 0}$. Quanto valgono $\zlp$ (rilassamento con $x \ge 0$ continue) e $\zmilp$?
$\zlp = \tfrac{105}{4}$, $\zmilp = 24$
$\zlp = \tfrac{105}{4}$, $\zmilp = 21$
$\zlp = 26$, $\zmilp = 24$
$\zlp = 24$, $\zmilp = \tfrac{105}{4}$
Spiegazione. Il rilassamento ha l'ottimo in un vertice: $\zlp = \tfrac{105}{4}$. Enumerando i punti interi ammissibili l'ottimo è $\zmilp = 24$. Arrotondare per difetto il vertice ottimo dà solo $21$, e $\lfloor \zlp \rfloor$ è un bound, non l'ottimo.
Esempio 2 · mip-g-ilp-due-var · livello complessa · dispensa
ILP di massimo: $\max 2x_1 + 8x_2$ con $2x_1 + x_2 \le 28$, $x_1 + 6x_2 \le 26$, $x_1, x_2 \in \mathbb{Z}_{\ge 0}$. Quanto valgono $\zlp$ (rilassamento con $x \ge 0$ continue) e $\zmilp$?
$\zlp = \tfrac{476}{11}$, $\zmilp = 42$
$\zlp = \tfrac{476}{11}$, $\zmilp = 40$
$\zlp = 43$, $\zmilp = 42$
$\zlp = 42$, $\zmilp = \tfrac{476}{11}$
Spiegazione. Il rilassamento ha l'ottimo in un vertice: $\zlp = \tfrac{476}{11}$. Enumerando i punti interi ammissibili l'ottimo è $\zmilp = 42$. Arrotondare per difetto il vertice ottimo dà solo $40$, e $\lfloor \zlp \rfloor$ è un bound, non l'ottimo.
2. Rilassamenti, dualità e bound (7)
Esempio 1 · mip-g-duale-azzera · livello facile · dispensa
Assegnamento a costo minimo con disponibilità: $n = 4$ lavori, $k = 3$ macchine, $\sum_m x_{jm} = 1$ per lavoro e $\sum_j t_{jm} x_{jm} \le a_m$ per macchina; le righe dei costi $c_{jm}$, una per lavoro, sono (7, 10, 11), (2, 10, 8), (8, 11, 1), (11, 3, 4). Il duale del rilassamento ha $\mu_j$ libera per lavoro, $\pi_m \le 0$ per macchina, vincoli $\mu_j + t_{jm} \pi_m \le c_{jm}$ e obiettivo $\max \sum_j \mu_j + \sum_m a_m \pi_m$. Ricetta «azzerare e saturare»: $\bar\pi = 0$ e ogni $\bar\mu_j$ al valore più grande ammissibile. Quanto vale il bound?
$13$
$43$
$24$
$6$
Spiegazione. Con $\bar\pi = 0$ i vincoli duali diventano $\mu_j \le c_{jm}$ per ogni $m$, quindi $\bar\mu_j = \min_m c_{jm}$ e il bound è $\sum_j \min_m c_{jm} = 13$: «ogni lavoro costa almeno il suo costo minimo». In un minimo è un lower bound, valido per dualità debole.
Esempio 2 · mip-g-duale-azzera · livello facile · dispensa
Assegnamento a costo minimo con disponibilità: $n = 3$ lavori, $k = 3$ macchine, $\sum_m x_{jm} = 1$ per lavoro e $\sum_j t_{jm} x_{jm} \le a_m$ per macchina; le righe dei costi $c_{jm}$, una per lavoro, sono (11, 4, 2), (5, 11, 10), (8, 12, 10). Il duale del rilassamento ha $\mu_j$ libera per lavoro, $\pi_m \le 0$ per macchina, vincoli $\mu_j + t_{jm} \pi_m \le c_{jm}$ e obiettivo $\max \sum_j \mu_j + \sum_m a_m \pi_m$. Ricetta «azzerare e saturare»: $\bar\pi = 0$ e ogni $\bar\mu_j$ al valore più grande ammissibile. Quanto vale il bound?
$15$
$34$
$22$
$11$
Spiegazione. Con $\bar\pi = 0$ i vincoli duali diventano $\mu_j \le c_{jm}$ per ogni $m$, quindi $\bar\mu_j = \min_m c_{jm}$ e il bound è $\sum_j \min_m c_{jm} = 15$: «ogni lavoro costa almeno il suo costo minimo». In un minimo è un lower bound, valido per dualità debole.
Esempio 1 · mip-g-zaino-sandwich · livello media · dispensa
Zaino binario: valori $p = (4, 4, 6, 14, 11)$, pesi $w = (4, 7, 2, 4, 6)$, capacità $C = 11$, da massimizzare ($x_j = 1$ se si prende l'oggetto $j$). L'euristica costruttiva scandisce gli oggetti per $p_j/w_j$ decrescente e prende ogni oggetto che ci sta ancora; nel duale del rilassamento ($\min C v$ con $w_j v \ge p_j$, $v \ge 0$) si sceglie $\bar v = \max_j p_j / w_j$. Quali bound si ottengono?
$\lb = 24$, $\ub = \tfrac{77}{2}$
$\lb = 20$, $\ub = \tfrac{77}{2}$
$\lb = 24$, $\ub = 39$
$\lb = \tfrac{77}{2}$, $\ub = 24$
Spiegazione. In un massimo l'euristica dà un lower bound: $\lb = 24$ (non ci si ferma al primo oggetto che non entra). Il duale dà un upper bound: $\ub = C \cdot \max_j p_j/w_j = \tfrac{77}{2}$, ammissibile perché $w_j \bar v \ge p_j$ per ogni $j$. In un minimo i nomi si scambierebbero.
Esempio 2 · mip-g-zaino-sandwich · livello media · dispensa
Zaino binario: valori $p = (12, 7, 12, 4)$, pesi $w = (6, 4, 4, 5)$, capacità $C = 8$, da massimizzare ($x_j = 1$ se si prende l'oggetto $j$). L'euristica costruttiva scandisce gli oggetti per $p_j/w_j$ decrescente e prende ogni oggetto che ci sta ancora; nel duale del rilassamento ($\min C v$ con $w_j v \ge p_j$, $v \ge 0$) si sceglie $\bar v = \max_j p_j / w_j$. Quali bound si ottengono?
$\lb = 19$, $\ub = 24$
$\lb = 12$, $\ub = 24$
$\lb = 19$, $\ub = 35$
$\lb = 24$, $\ub = 19$
Spiegazione. In un massimo l'euristica dà un lower bound: $\lb = 19$ (non ci si ferma al primo oggetto che non entra). Il duale dà un upper bound: $\ub = C \cdot \max_j p_j/w_j = 24$, ammissibile perché $w_j \bar v \ge p_j$ per ogni $j$. In un minimo i nomi si scambierebbero.
Esempio 1 · mip-g-duale-valore · livello facile · dispensa
Rilassamento lineare di un MILP di minimo: $\min 7x_1 + 7x_2 + 8x_3$ con $x_1 + x_2 + x_3 \ge 7$, $2x_1 + x_2 + 2x_3 \ge 10$, $x \ge 0$. Il duale ha $\pi_1, \pi_2 \ge 0$, un vincolo per variabile ($a_{1j}\pi_1 + a_{2j}\pi_2 \le c_j$) e obiettivo $\max 7\pi_1 + 10\pi_2$. La soluzione $\bar\pi = (1, 3)$ è ammissibile. Quale lower bound dà sull'ottimo intero?
$\lb = 37$
$\lb = 4$
$\lb = 31$
$\lb = 22$
Spiegazione. Per dualità debole il valore duale $7 \cdot 1 + 10 \cdot 3 = 37$ sta sotto $\zlp \le \zmilp$. Sommare le componenti o scambiare i termini noti non dà il valore dell'obiettivo duale; $\sum_j c_j$ non è un bound.
Esempio 2 · mip-g-duale-valore · livello facile · dispensa
Rilassamento lineare di un MILP di minimo: $\min 8x_1 + 15x_2 + 8x_3$ con $3x_1 + 4x_2 + x_3 \ge 3$, $2x_1 + 4x_2 + 3x_3 \ge 10$, $x \ge 0$. Il duale ha $\pi_1, \pi_2 \ge 0$, un vincolo per variabile ($a_{1j}\pi_1 + a_{2j}\pi_2 \le c_j$) e obiettivo $\max 3\pi_1 + 10\pi_2$. La soluzione $\bar\pi = (2, 1)$ è ammissibile. Quale lower bound dà sull'ottimo intero?
$\lb = 16$
$\lb = 3$
$\lb = 23$
$\lb = 31$
Spiegazione. Per dualità debole il valore duale $3 \cdot 2 + 10 \cdot 1 = 16$ sta sotto $\zlp \le \zmilp$. Sommare le componenti o scambiare i termini noti non dà il valore dell'obiettivo duale; $\sum_j c_j$ non è un bound.
Esempio 1 · mip-g-tabella-duale · livello media · dispensa
Si scrive il duale di un programma lineare di **minimo** con 6 vincoli, di verso $1$: $\le$, $2$: $\ge$, $3$: $\ge$, $4$: $\le$, $5$: $=$, $6$: $\le$, e variabili $x_{1} \ge 0$, $x_{2} \ge 0$, $x_{3} \ge 0$. Quante variabili duali sono, nell'ordine, $\ge 0$, $\le 0$ e libere?
$(2, 3, 1)$
$(3, 2, 1)$
$(2, 3, 0)$
$(3, 3, 0)$
Spiegazione. Una variabile duale per vincolo. Primale di minimo: $\ge \to \pi_i \ge 0$, $\le \to \pi_i \le 0$, $= \to$ libera. Le variabili primali libere decidono il verso dei vincoli duali (uguaglianze), non il segno delle variabili duali.
Esempio 2 · mip-g-tabella-duale · livello media · dispensa
Si scrive il duale di un programma lineare di **minimo** con 6 vincoli, di verso $1$: $\ge$, $2$: $\le$, $3$: $=$, $4$: $=$, $5$: $\le$, $6$: $=$, e variabili $x_{1}$ libera, $x_{2} \ge 0$, $x_{3}$ libera. Quante variabili duali sono, nell'ordine, $\ge 0$, $\le 0$ e libere?
$(1, 2, 3)$
$(2, 1, 3)$
$(1, 2, 2)$
$(4, 2, 0)$
Spiegazione. Una variabile duale per vincolo. Primale di minimo: $\ge \to \pi_i \ge 0$, $\le \to \pi_i \le 0$, $= \to$ libera. Le variabili primali libere decidono il verso dei vincoli duali (uguaglianze), non il segno delle variabili duali.
Esempio 1 · mip-g-copertura-minimale · livello media · dispensa
Zaino binario con vincolo $6x_{1} + 8x_{2} + 8x_{3} + 2x_{4} + 8x_{5} \le 22$. Un insieme $S$ di oggetti è una **copertura** se $\sum_{j \in S} w_j > 22$ (allora $\sum_{j \in S} x_j \le |S| - 1$ è valida); è **minimale** se togliendo un oggetto qualsiasi non è più copertura. Quale insieme è una copertura minimale?
$\{1, 2, 3, 4\}$
$\{1, 2, 3, 4, 5\}$
$\{2, 5\}$
$\{1, 4, 5\}$
Spiegazione. $\{1, 2, 3, 4\}$ pesa $24 > 22$ e togliendo un oggetto scende a $22$ o meno. $\{1, 2, 3, 4, 5\}$ è una copertura ma non minimale; gli altri due pesano al più $22$.
Esempio 2 · mip-g-copertura-minimale · livello media · dispensa
Zaino binario con vincolo $8x_{1} + 4x_{2} + 2x_{3} + 5x_{4} \le 15$. Un insieme $S$ di oggetti è una **copertura** se $\sum_{j \in S} w_j > 15$ (allora $\sum_{j \in S} x_j \le |S| - 1$ è valida); è **minimale** se togliendo un oggetto qualsiasi non è più copertura. Quale insieme è una copertura minimale?
$\{1, 2, 4\}$
$\{1, 2, 3, 4\}$
$\{1, 3, 4\}$
$\{2, 4\}$
Spiegazione. $\{1, 2, 4\}$ pesa $17 > 15$ e togliendo un oggetto scende a $15$ o meno. $\{1, 2, 3, 4\}$ è una copertura ma non minimale; gli altri due pesano al più $15$.
Esempio 1 · mip-g-taglio-violato · livello media · dispensa
Zaino binario di massimo con valori $p = (12, 7, 9, 9)$ e vincolo $6x_{1} + 8x_{2} + 3x_{3} + 6x_{4} \le 14$. Il rilassamento con $0 \le x \le 1$ ha soluzione ottima $\tilde x = (1, 0, 1, \tfrac{5}{6})$. Per una copertura minimale $S$ ($\sum_{j \in S} w_j > 14$) il taglio è $\sum_{j \in S} x_j \le |S| - 1$. Quale di queste coperture minimali dà un taglio **violato** da $\tilde x$?
$\{1, 3, 4\}$
$\{1, 2, 3\}$
$\{1, 2, 4\}$
$\{2, 3, 4\}$
Spiegazione. Si somma $\tilde x$ sugli oggetti di ciascuna copertura e si confronta con $|S| - 1$: solo per $\{1, 3, 4\}$ la somma supera il limite, quindi solo quel taglio separa $\tilde x$ e rafforza il rilassamento.
Esempio 2 · mip-g-taglio-violato · livello media · dispensa
Zaino binario di massimo con valori $p = (7, 13, 3, 6)$ e vincolo $7x_{1} + 5x_{2} + 6x_{3} + 7x_{4} \le 7$. Il rilassamento con $0 \le x \le 1$ ha soluzione ottima $\tilde x = (\tfrac{2}{7}, 1, 0, 0)$. Per una copertura minimale $S$ ($\sum_{j \in S} w_j > 7$) il taglio è $\sum_{j \in S} x_j \le |S| - 1$. Quale di queste coperture minimali dà un taglio **violato** da $\tilde x$?
$\{1, 2\}$
$\{3, 4\}$
$\{2, 4\}$
$\{1, 4\}$
Spiegazione. Si somma $\tilde x$ sugli oggetti di ciascuna copertura e si confronta con $|S| - 1$: solo per $\{1, 2\}$ la somma supera il limite, quindi solo quel taglio separa $\tilde x$ e rafforza il rilassamento.
Esempio 1 · mip-g-zaino-ottimo-gap · livello complessa · dispensa
Zaino binario di massimo: valori $p = (13, 18, 17, 14, 3)$, pesi $w = (5, 7, 2, 6, 8)$, capacità $C = 16$. L'euristica per $p_j/w_j$ decrescente (pareggi sull'indice più piccolo) dà $\lb$; il duale del rilassamento con $\bar v = \max_j p_j/w_j$ dà $\ub = C\bar v$. Quanto valgono l'ottimo $\zmilp$ e il divario certificato $(\ub - \lb)/\ub$ (un decimale)?
$\zmilp = 49$, divario $64{,}7\%$
$\zmilp = 49$, divario $2{,}0\%$
$\zmilp = 48$, divario $64{,}7\%$
$\zmilp = 49$, divario $183{,}3\%$
Spiegazione. $\lb = 48$, $\ub = 136$, quindi il divario certificato è $\approx 64{,}7\%$; enumerando i sottoinsiemi $\zmilp = 49$. Il gap dell'euristica rispetto all'ottimo ($2{,}0\%$) è un'altra misura; dividere per $\lb$ è un errore.
Esempio 2 · mip-g-zaino-ottimo-gap · livello complessa · dispensa
Zaino binario di massimo: valori $p = (12, 16, 4, 12, 20)$, pesi $w = (8, 7, 7, 3, 2)$, capacità $C = 10$. L'euristica per $p_j/w_j$ decrescente (pareggi sull'indice più piccolo) dà $\lb$; il duale del rilassamento con $\bar v = \max_j p_j/w_j$ dà $\ub = C\bar v$. Quanto valgono l'ottimo $\zmilp$ e il divario certificato $(\ub - \lb)/\ub$ (un decimale)?
$\zmilp = 36$, divario $68{,}0\%$
$\zmilp = 36$, divario $11{,}1\%$
$\zmilp = 32$, divario $68{,}0\%$
$\zmilp = 36$, divario $212{,}5\%$
Spiegazione. $\lb = 32$, $\ub = 100$, quindi il divario certificato è $\approx 68{,}0\%$; enumerando i sottoinsiemi $\zmilp = 36$. Il gap dell'euristica rispetto all'ottimo ($11{,}1\%$) è un'altra misura; dividere per $\lb$ è un errore.
3. Dal modello a Python/Gurobi (5)
Esempio 1 · mip-g-gurobi-conta · livello facile · dispensa
In gurobipy (l'interfaccia Python di Gurobi) si scrive il makespan su macchine identiche con queste istruzioni, applicate a un modello vuoto `m`: `x = m.addVars(6, 5, vtype=GRB.BINARY)`; `z = m.addVar()`; `m.addConstrs(x.sum(j, '*') == 1 for j in range(6))`; `m.addConstrs(gp.quicksum(d[j] * x[j, i] for j in range(6)) <= z for i in range(5))`. Quanti vincoli ha il modello (esclusi i domini)?
$11$
$30$
$6$
$12$
Spiegazione. `addVars(a, b)` crea $a \cdot b$ variabili, `addVar()` una sola; `addConstrs` aggiunge un vincolo per ogni elemento del generatore, quindi due `for` annidati danno un vincolo per coppia. Il totale è $11$.
Esempio 2 · mip-g-gurobi-conta · livello facile · dispensa
In gurobipy (l'interfaccia Python di Gurobi) si scrive il makespan su macchine identiche con queste istruzioni, applicate a un modello vuoto `m`: `x = m.addVars(8, 3, vtype=GRB.BINARY)`; `z = m.addVar()`; `m.addConstrs(x.sum(j, '*') == 1 for j in range(8))`; `m.addConstrs(gp.quicksum(d[j] * x[j, i] for j in range(8)) <= z for i in range(3))`. Quante variabili ha il modello?
$25$
$24$
$27$
$12$
Spiegazione. `addVars(a, b)` crea $a \cdot b$ variabili, `addVar()` una sola; `addConstrs` aggiunge un vincolo per ogni elemento del generatore, quindi due `for` annidati danno un vincolo per coppia. Il totale è $25$.
Esempio 1 · mip-g-gurobi-gap · livello media · dispensa
Gurobi, problema di **massimo**. Il solver si ferma con `Status = TIME_LIMIT` (limite di tempo raggiunto) dopo aver trovato soluzioni intere: `ObjVal` $= 137$ è il valore della migliore soluzione intera, `ObjBound` $= 161$ il bound duale. Il gap riportato è `MIPGap` $= |\text{ObjVal} - \text{ObjBound}| / |\text{ObjVal}|$. Che cosa si può affermare sull'ottimo intero $\zmilp$?
$137 \le \zmilp \le 161$, gap $17{,}5\%$
$161 \le \zmilp \le 137$, gap $17{,}5\%$
$\zmilp = 137$, gap $0\%$
$137 \le \zmilp \le 161$, gap $14{,}9\%$
Spiegazione. Senza `OPTIMAL` restano i due bound: la soluzione intera è il lato pessimistico, il bound duale quello ottimistico, quindi $137 \le \zmilp \le 161$, e il gap è $24/137 \approx 17{,}5\%$. Dividere per `ObjBound` è un errore; $\zmilp = \text{ObjVal}$ si può scrivere solo con `Status = OPTIMAL`.
Esempio 2 · mip-g-gurobi-gap · livello media · dispensa
Gurobi, problema di **minimo**. Il solver si ferma con `Status = TIME_LIMIT` (limite di tempo raggiunto) dopo aver trovato soluzioni intere: `ObjVal` $= 177$ è il valore della migliore soluzione intera, `ObjBound` $= 167$ il bound duale. Il gap riportato è `MIPGap` $= |\text{ObjVal} - \text{ObjBound}| / |\text{ObjVal}|$. Che cosa si può affermare sull'ottimo intero $\zmilp$?
$167 \le \zmilp \le 177$, gap $5{,}6\%$
$177 \le \zmilp \le 167$, gap $5{,}6\%$
$\zmilp = 177$, gap $0\%$
$167 \le \zmilp \le 177$, gap $6{,}0\%$
Spiegazione. Senza `OPTIMAL` restano i due bound: la soluzione intera è il lato pessimistico, il bound duale quello ottimistico, quindi $167 \le \zmilp \le 177$, e il gap è $10/177 \approx 5{,}6\%$. Dividere per `ObjBound` è un errore; $\zmilp = \text{ObjVal}$ si può scrivere solo con `Status = OPTIMAL`.
Esempio 1 · mip-g-mipgap-soglia · livello facile · dispensa
Gurobi, problema di **massimo**, parametro `MIPGap` $= 5\%$: il solver si ferma con `OPTIMAL` appena $|\text{ObjVal} - \text{ObjBound}| / |\text{ObjVal}| \le$ `MIPGap`. La soluzione migliore vale `ObjVal` $= 4800$. Qual è il valore di `ObjBound` più grande con cui il solver si ferma?
$5040$
$4805$
$7200$
$4560$
Spiegazione. Serve $|4800 - \text{ObjBound}| \le 4800 \cdot 5\% = 240$; in un massimo il bound sta sopra la soluzione, quindi `ObjBound` $= 5040$. La percentuale non va sottratta come numero assoluto, e il bound non sta dal lato della soluzione.
Esempio 2 · mip-g-mipgap-soglia · livello facile · dispensa
Gurobi, problema di **minimo**, parametro `MIPGap` $= 1\%$: il solver si ferma con `OPTIMAL` appena $|\text{ObjVal} - \text{ObjBound}| / |\text{ObjVal}| \le$ `MIPGap`. La soluzione migliore vale `ObjVal` $= 6800$. Qual è il valore di `ObjBound` più piccolo con cui il solver si ferma?
$6732$
$6799$
$6120$
$6868$
Spiegazione. Serve $|6800 - \text{ObjBound}| \le 6800 \cdot 1\% = 68$; in un minimo il bound sta sotto la soluzione, quindi `ObjBound` $= 6732$. La percentuale non va sottratta come numero assoluto, e il bound non sta dal lato della soluzione.
Esempio 1 · mip-g-cmax-lb · livello facile · dispensa
Makespan su $k = 3$ macchine identiche (minimo del carico della macchina più carica), lavori di durata $t = (10, 11, 3, 10, 8, 8)$. Qual è il migliore dei due lower bound elementari, $\max_j t_j$ e $\sum_j t_j / k$?
$\tfrac{50}{3}$
$11$
$50$
$6$
Spiegazione. $\max_j t_j = 11$ e $\sum_j t_j / k = \tfrac{50}{3}$: in un minimo il bound migliore è il più grande, $\tfrac{50}{3}$. $\sum_j t_j$ è un upper bound (tutto su una macchina), non un lower bound.
Esempio 2 · mip-g-cmax-lb · livello facile · dispensa
Makespan su $k = 3$ macchine identiche (minimo del carico della macchina più carica), lavori di durata $t = (5, 3, 6, 11, 10, 9)$. Qual è il migliore dei due lower bound elementari, $\max_j t_j$ e $\sum_j t_j / k$?
$\tfrac{44}{3}$
$11$
$44$
$6$
Spiegazione. $\max_j t_j = 11$ e $\sum_j t_j / k = \tfrac{44}{3}$: in un minimo il bound migliore è il più grande, $\tfrac{44}{3}$. $\sum_j t_j$ è un upper bound (tutto su una macchina), non un lower bound.
Esempio 1 · mip-g-bpp-ffd · livello complessa · dispensa
Bin packing: oggetti di peso $w = (9, 10, 3, 10, 8, 8, 10, 2)$, contenitori di capacità $C = 13$. Il first-fit decreasing ordina gli oggetti per peso decrescente (pareggi sull'indice più piccolo) e mette ciascuno nel primo contenitore aperto in cui entra, altrimenti ne apre uno nuovo. Con $\ub$ il numero di contenitori del first-fit decreasing e il lower bound $\lb = \lceil \sum_j w_j / C \rceil$, quali sono $(\ub, \lb)$?
$(6, 5)$
$(7, 5)$
$(6, 4)$
$(5, 6)$
Spiegazione. First-fit decreasing usa $6$ contenitori (upper bound); $\sum_j w_j = 60$, quindi $\lb = \lceil 60/13 \rceil = 5$. Il first-fit nell'ordine dato usa $6$ contenitori.
Esempio 2 · mip-g-bpp-ffd · livello complessa · dispensa
Bin packing: oggetti di peso $w = (5, 3, 6, 12, 11, 9, 13, 11)$, contenitori di capacità $C = 15$. Il first-fit decreasing ordina gli oggetti per peso decrescente (pareggi sull'indice più piccolo) e mette ciascuno nel primo contenitore aperto in cui entra, altrimenti ne apre uno nuovo. Con $\ub$ il numero di contenitori del first-fit decreasing e il lower bound $\lb = \lceil \sum_j w_j / C \rceil$, quali sono $(\ub, \lb)$?
$(6, 5)$
$(7, 5)$
$(6, 4)$
$(5, 6)$
Spiegazione. First-fit decreasing usa $6$ contenitori (upper bound); $\sum_j w_j = 70$, quindi $\lb = \lceil 70/15 \rceil = 5$. Il first-fit nell'ordine dato usa $6$ contenitori.
Makespan su macchine identiche: i lavori di durata $t = (3, 4, 2, 2, 4, 6)$ vanno su $k = 3$ macchine identiche, minimizzando il makespan. Che valore restituisce LPT (lavori per durata decrescente, ciascuno sulla macchina meno carica, pareggi sull'indice più piccolo)?
$8$
$10$
$7$
$6$
Spiegazione. LPT ordina i lavori per durata decrescente e mette ciascuno sulla macchina meno carica; il makespan è il carico massimo finale, $8$. È un upper bound, perché il problema è di minimo; $\max(\max_j t_j, \lceil \sum_j t_j / k \rceil)$ è invece un lower bound.
Makespan su macchine identiche: i lavori di durata $t = (4, 6, 8, 7, 2, 8, 4)$ vanno su $k = 3$ macchine identiche, minimizzando il makespan. Che valore restituisce LPT (lavori per durata decrescente, ciascuno sulla macchina meno carica, pareggi sull'indice più piccolo)?
$14$
$16$
$13$
$12$
Spiegazione. LPT ordina i lavori per durata decrescente e mette ciascuno sulla macchina meno carica; il makespan è il carico massimo finale, $14$. È un upper bound, perché il problema è di minimo; $\max(\max_j t_j, \lceil \sum_j t_j / k \rceil)$ è invece un lower bound.
Esempio 1 · mip-g-bin-packing · livello facile · dispensa
Bin packing: oggetti di peso $w = (5, 6, 2, 6, 5, 5, 6)$, nell'ordine dato, vanno in contenitori di capacità $C = 9$. Il **next-fit** mette ogni oggetto nel contenitore corrente, se entra, altrimenti apre un contenitore nuovo che diventa il corrente (non torna mai ai precedenti). Quanti contenitori usa?
$6$
$4$
$7$
$5$
Spiegazione. Eseguendo la regola oggetto per oggetto si aprono $6$ contenitori. Next-fit guarda solo il contenitore corrente, first-fit il primo in cui l'oggetto entra, best-fit quello che resta più pieno; $\lceil \sum_j w_j / C \rceil$ è il lower bound elementare.
Esempio 2 · mip-g-bin-packing · livello facile · dispensa
Bin packing: oggetti di peso $w = (5, 4, 5, 5, 5, 4, 2, 4)$, nell'ordine dato, vanno in contenitori di capacità $C = 8$. Il **next-fit** mette ogni oggetto nel contenitore corrente, se entra, altrimenti apre un contenitore nuovo che diventa il corrente (non torna mai ai precedenti). Quanti contenitori usa?
$7$
$6$
$5$
$8$
Spiegazione. Eseguendo la regola oggetto per oggetto si aprono $7$ contenitori. Next-fit guarda solo il contenitore corrente, first-fit il primo in cui l'oggetto entra, best-fit quello che resta più pieno; $\lceil \sum_j w_j / C \rceil$ è il lower bound elementare.
Esempio 1 · mip-g-tsp-vicino · livello media · dispensa
Commesso viaggiatore (TSP): cinque città con distanze simmetriche, riga per riga: 1: (-, 2, 3, 1, 1); 2: (2, -, 3, 5, 2); 3: (3, 3, -, 4, 5); 4: (1, 5, 4, -, 7); 5: (1, 2, 5, 7, -). Partendo dalla città 1, il vicino più vicino va ogni volta alla città non visitata più vicina (pareggi sull'indice più piccolo) e alla fine torna alla partenza. Quanto è lungo il giro?
$11$
$10$
$14$
$12$
Spiegazione. Il giro è $1 \to 4 \to 3 \to 2 \to 5 \to 1$, lungo $11$, compreso l'arco di ritorno (spesso il più caro). È una soluzione ammissibile, quindi un upper bound: non dice nulla sulla distanza dall'ottimo.
Esempio 2 · mip-g-tsp-vicino · livello media · dispensa
Commesso viaggiatore (TSP): cinque città con distanze simmetriche, riga per riga: 1: (-, 8, 8, 2, 9); 2: (8, -, 9, 7, 7); 3: (8, 9, -, 3, 6); 4: (2, 7, 3, -, 5); 5: (9, 7, 6, 5, -). Partendo dalla città 1, il vicino più vicino va ogni volta alla città non visitata più vicina (pareggi sull'indice più piccolo) e alla fine torna alla partenza. Quanto è lungo il giro?
$26$
$18$
$30$
$27$
Spiegazione. Il giro è $1 \to 4 \to 3 \to 5 \to 2 \to 1$, lungo $26$, compreso l'arco di ritorno (spesso il più caro). È una soluzione ammissibile, quindi un upper bound: non dice nulla sulla distanza dall'ottimo.
Esempio 1 · mip-g-copertura-bound · livello media · dispensa
Copertura a costo minimo: quattro squadre (una per distretto) di costo $c = (6, 6, 8, 8)$ devono coprire sei zone, ciascuna coperta dalle squadre dei due distretti a cui confina: nell'ordine $\{1,2\}, \{2,3\}, \{1,3\}, \{1,4\}, \{2,4\}, \{3,4\}$. L'euristica sceglie ogni volta la squadra di costo minimo per zona nuova coperta (a pari rapporto quella di indice più piccolo). Nel duale del rilassamento ($\pi_i \ge 0$ per zona, $\sum_{i \text{ coperte da } j} \pi_i \le c_j$ per squadra) si scorrono le zone nell'ordine, si alza $\pi_i$ fino a saturare il primo vincolo duale e si aggiornano i residui. Quali sono $(\ub, \lb)$?
$(20, 14)$
$(14, 20)$
$(20, 38)$
$(20, 46)$
Spiegazione. L'euristica dà una copertura ammissibile di costo $\ub = 20$; la ricetta duale dà $\lb = 14$, ammissibile perché ogni residuo resta non negativo. Senza aggiornare i residui la soluzione duale non è ammissibile e il suo valore non è un bound.
Esempio 2 · mip-g-copertura-bound · livello media · dispensa
Copertura a costo minimo: quattro squadre (una per distretto) di costo $c = (5, 8, 4, 2)$ devono coprire sei zone, ciascuna coperta dalle squadre dei due distretti a cui confina: nell'ordine $\{1,2\}, \{2,3\}, \{1,3\}, \{1,4\}, \{2,4\}, \{3,4\}$. L'euristica sceglie ogni volta la squadra di costo minimo per zona nuova coperta (a pari rapporto quella di indice più piccolo). Nel duale del rilassamento ($\pi_i \ge 0$ per zona, $\sum_{i \text{ coperte da } j} \pi_i \le c_j$ per squadra) si scorrono le zone nell'ordine, si alza $\pi_i$ fino a saturare il primo vincolo duale e si aggiornano i residui. Quali sono $(\ub, \lb)$?
$(11, 9)$
$(9, 11)$
$(11, 19)$
$(11, 38)$
Spiegazione. L'euristica dà una copertura ammissibile di costo $\ub = 11$; la ricetta duale dà $\lb = 9$, ammissibile perché ogni residuo resta non negativo. Senza aggiornare i residui la soluzione duale non è ammissibile e il suo valore non è un bound.
Esempio 1 · mip-g-zaino-rapporto · livello facile · dispensa
Zaino binario di massimo: valori $p = (7, 4, 12, 10, 16)$, pesi $w = (3, 2, 4, 3, 5)$, capacità $C = 10$. L'euristica scandisce gli oggetti per $p_j/w_j$ decrescente (pareggi sull'indice più piccolo) e prende **ogni** oggetto che entra nel residuo, continuando la scansione anche dopo uno scarto. Che valore ottiene?
$30$
$28$
$21$
$26$
Spiegazione. Con l'ordine per rapporto la regola ottiene $30$, un lower bound perché il problema è di massimo. Ordinare per valore o per peso dà altri risultati; fermarsi al primo oggetto che non entra dà $26$.
Esempio 2 · mip-g-zaino-rapporto · livello facile · dispensa
Zaino binario di massimo: valori $p = (17, 11, 9, 16, 4)$, pesi $w = (7, 5, 5, 6, 4)$, capacità $C = 10$. L'euristica scandisce gli oggetti per $p_j/w_j$ decrescente (pareggi sull'indice più piccolo) e prende **ogni** oggetto che entra nel residuo, continuando la scansione anche dopo uno scarto. Che valore ottiene?
$20$
$17$
$15$
$16$
Spiegazione. Con l'ordine per rapporto la regola ottiene $20$, un lower bound perché il problema è di massimo. Ordinare per valore o per peso dà altri risultati; fermarsi al primo oggetto che non entra dà $16$.
Esempio 1 · mip-g-ricerca-locale · livello media · dispensa
Makespan su $3$ macchine identiche: lavori di durata $t = (6, 5, 7, 7, 9, 4)$, assegnati alle macchine $(1, 2, 1, 1, 1, 1)$ (nell'ordine dei lavori), carichi $(33, 5, 0)$. Si valutano tutte le mosse «sposta un lavoro su un'altra macchina» e si applica la migliore, solo se riduce il makespan. Che makespan si ottiene dopo un passo (se nessuna mossa migliora, quello attuale)?
$24$
$33$
$13$
$23$
Spiegazione. Il makespan attuale è $33$; la migliore mossa di spostamento porta a $24$. L'ottimo vale $13$ e il bound $\lceil \sum t / k \rceil = 13$: una mossa locale non garantisce di raggiungerli.
Esempio 2 · mip-g-ricerca-locale · livello media · dispensa
Makespan su $3$ macchine identiche: lavori di durata $t = (8, 2, 8, 7, 8, 8)$, assegnati alle macchine $(1, 2, 3, 3, 2, 3)$ (nell'ordine dei lavori), carichi $(8, 10, 23)$. Si valutano tutte le mosse «sposta un lavoro su un'altra macchina» e si applica la migliore, solo se riduce il makespan. Che makespan si ottiene dopo un passo (se nessuna mossa migliora, quello attuale)?
$16$
$23$
$14$
$15$
Spiegazione. Il makespan attuale è $23$; la migliore mossa di spostamento porta a $16$. L'ottimo vale $16$ e il bound $\lceil \sum t / k \rceil = 14$: una mossa locale non garantisce di raggiungerli.
Esempio 1 · mip-g-lpt-bound · livello complessa · dispensa
Makespan su $k = 3$ macchine identiche, lavori di durata $t = (8, 8, 8, 5, 2, 4, 7, 10)$. LPT ordina i lavori per durata decrescente (pareggi sull'indice più piccolo) e mette ciascuno sulla macchina meno carica (pareggi sulla macchina di indice più piccolo). Il lower bound è $\max\{\max_j t_j, \lceil \sum_j t_j / k \rceil\}$ (il makespan è intero). Quali sono $(\ub, \lb)$, con $\ub$ il makespan di LPT?
$(19, 18)$
$(18, 19)$
$(22, 18)$
$(19, 17)$
Spiegazione. LPT dà makespan $19$, un upper bound (minimo); il bound vale $\max\{10, \lceil 52/3 \rceil\} = 18$. Senza ordinamento (list scheduling nell'ordine dato) si ottiene $22$.
Esempio 2 · mip-g-lpt-bound · livello complessa · dispensa
Makespan su $k = 3$ macchine identiche, lavori di durata $t = (9, 9, 3, 10, 10, 8, 8, 4)$. LPT ordina i lavori per durata decrescente (pareggi sull'indice più piccolo) e mette ciascuno sulla macchina meno carica (pareggi sulla macchina di indice più piccolo). Il lower bound è $\max\{\max_j t_j, \lceil \sum_j t_j / k \rceil\}$ (il makespan è intero). Quali sono $(\ub, \lb)$, con $\ub$ il makespan di LPT?
$(22, 21)$
$(21, 22)$
$(21, 21)$
$(22, 20)$
Spiegazione. LPT dà makespan $22$, un upper bound (minimo); il bound vale $\max\{10, \lceil 61/3 \rceil\} = 21$. Senza ordinamento (list scheduling nell'ordine dato) si ottiene $21$.
5. Logica e variabili binarie (5)
Esempio 1 · mip-g-implicazione · livello facile · dispensa
Logica booleana con variabili binarie: $x_{6}, x_{9}, x_{8}$ valgono $1$ se la proposizione corrispondente è vera. Quale insieme di vincoli lineari traduce **esattamente** l'implicazione $x_{6} \Rightarrow x_{9} \lor x_{8}$, cioè ammette tutte e sole le assegnazioni che la rendono vera?
$x_{9} + x_{8} - x_{6} \ge 0$
$x_{9} - x_{6} \ge 0$ e $x_{8} - x_{6} \ge 0$
$x_{6} - x_{9} - x_{8} \ge 0$
$x_{9} + x_{8} - x_{6} \ge 1$
Spiegazione. Si porta l'implicazione in CNF ($p \Rightarrow q$ è $\lnot p \lor q$), poi ogni clausola diventa un vincolo $\ge 1$ con $1 - x$ per i letterali negativi: si ottiene $x_{9} + x_{8} - x_{6} \ge 0$. Una disgiunzione nell'antecedente o una congiunzione nel conseguente costano due vincoli; scindere un antecedente congiunzione non è lecito.
Esempio 2 · mip-g-implicazione · livello facile · dispensa
Logica booleana con variabili binarie: $x_{3}, x_{8}, x_{1}$ valgono $1$ se la proposizione corrispondente è vera. Quale insieme di vincoli lineari traduce **esattamente** l'implicazione $x_{3} \Rightarrow x_{8} \land x_{1}$, cioè ammette tutte e sole le assegnazioni che la rendono vera?
$x_{8} - x_{3} \ge 0$ e $x_{1} - x_{3} \ge 0$
$x_{8} + x_{1} - x_{3} \ge 0$
$x_{3} - x_{8} \ge 0$ e $x_{3} - x_{1} \ge 0$
$x_{8} + x_{1} - x_{3} \ge 1$
Spiegazione. Si porta l'implicazione in CNF ($p \Rightarrow q$ è $\lnot p \lor q$), poi ogni clausola diventa un vincolo $\ge 1$ con $1 - x$ per i letterali negativi: si ottiene $x_{8} - x_{3} \ge 0$ e $x_{1} - x_{3} \ge 0$. Una disgiunzione nell'antecedente o una congiunzione nel conseguente costano due vincoli; scindere un antecedente congiunzione non è lecito.
Esempio 1 · mip-g-progetti-logici · livello complessa · dispensa
Sei progetti con ricavi $r = (7, 12, 9, 6, 10, 11)$ e costi $c = (4, 3, 6, 1, 3, 1)$, budget $b = 14$; $x_p = 1$ se il progetto $p$ si finanzia ($1$ = vero nelle implicazioni), il costo dei progetti scelti non supera $b$ e si massimizza il ricavo. Valgono le implicazioni $x_{4} \land x_{2} \Rightarrow x_{1}$ e $x_{5} \Rightarrow \lnot x_{1}$, tradotte esattamente in vincoli lineari. Quanto vale $\zmilp$?
$42$
$39$
$48$
$41$
Spiegazione. Si enumerano i sottoinsiemi entro il budget che rispettano le due implicazioni (la prima diventa un vincolo solo, $x_a + x_b - x_c \le 1$): l'ottimo vale $42$. Senza vincoli logici varrebbe $48$; scindendo l'antecedente congiunzione si taglierebbero soluzioni ammesse.
Esempio 2 · mip-g-progetti-logici · livello complessa · dispensa
Sei progetti con ricavi $r = (12, 5, 5, 6, 3, 12)$ e costi $c = (4, 4, 1, 2, 4, 1)$, budget $b = 10$; $x_p = 1$ se il progetto $p$ si finanzia ($1$ = vero nelle implicazioni), il costo dei progetti scelti non supera $b$ e si massimizza il ricavo. Valgono le implicazioni $x_{4} \land x_{3} \Rightarrow x_{5}$ e $x_{5} \Rightarrow \lnot x_{6}$, tradotte esattamente in vincoli lineari. Quanto vale $\zmilp$?
$34$
$29$
$35$
$33$
Spiegazione. Si enumerano i sottoinsiemi entro il budget che rispettano le due implicazioni (la prima diventa un vincolo solo, $x_a + x_b - x_c \le 1$): l'ottimo vale $34$. Senza vincoli logici varrebbe $35$; scindendo l'antecedente congiunzione si taglierebbero soluzioni ammesse.
Esempio 1 · mip-g-verifica-conta · livello media · dispensa
Un'espressione booleana in tre variabili binarie $x_1, x_2, x_3$ ($1$ = vero) è stata tradotta nei vincoli $x_1 - x_3 \ge 0$ e $x_1 + x_2 + x_3 \le 2$. Per verificare la traduzione si enumerano le $8$ assegnazioni. Quante di esse soddisfano entrambi i vincoli?
$5$
$3$
$6$
$4$
Spiegazione. Enumerando le $8$ assegnazioni, quelle che soddisfano entrambi i vincoli sono $5$: devono coincidere con quelle che rendono vera l'espressione. $3$ sono quelle escluse.
Esempio 2 · mip-g-verifica-conta · livello media · dispensa
Un'espressione booleana in tre variabili binarie $x_1, x_2, x_3$ ($1$ = vero) è stata tradotta nei vincoli $x_1 + x_2 - x_3 \le 1$ e $x_1 - x_2 - x_3 \ge -1$. Per verificare la traduzione si enumerano le $8$ assegnazioni. Quante di esse soddisfano entrambi i vincoli?
$6$
$2$
$7$
$5$
Spiegazione. Enumerando le $8$ assegnazioni, quelle che soddisfano entrambi i vincoli sono $6$: devono coincidere con quelle che rendono vera l'espressione. $2$ sono quelle escluse.
Esempio 1 · mip-g-clausola-rhs · livello facile · dispensa
Variabili binarie ($1$ = vero). La clausola $\lnot x_{2} \lor x_{5} \lor \lnot x_{6} \lor x_{8}$ si traduce con la regola «letterale positivo $x$, negato $1 - x$, somma $\ge 1$», portando poi le costanti a destra: $-x_{2} + x_{5} - x_{6} + x_{8} \ge \beta$. Quanto vale $\beta$?
$\beta = -1$
$\beta = 1$
$\beta = -2$
$\beta = 3$
Spiegazione. Ogni letterale negato porta un $1$ a sinistra: con $2$ negati il termine noto diventa $1 - 2 = -1$. Così l'unica assegnazione esclusa è quella che rende falsi tutti i letterali.
Esempio 2 · mip-g-clausola-rhs · livello facile · dispensa
Variabili binarie ($1$ = vero). La clausola $x_{1} \lor x_{6} \lor x_{7} \lor \lnot x_{8} \lor x_{9}$ si traduce con la regola «letterale positivo $x$, negato $1 - x$, somma $\ge 1$», portando poi le costanti a destra: $x_{1} + x_{6} + x_{7} - x_{8} + x_{9} \ge \beta$. Quanto vale $\beta$?
$\beta = 0$
$\beta = 1$
$\beta = -1$
$\beta = 2$
Spiegazione. Ogni letterale negato porta un $1$ a sinistra: con $1$ negati il termine noto diventa $1 - 1 = 0$. Così l'unica assegnazione esclusa è quella che rende falsi tutti i letterali.
Esempio 1 · mip-g-cardinalita-clausole · livello facile · dispensa
Variabili binarie $x_1, \dots, x_{6}$. La condizione «al più 3 fra le 6» si scrive con un solo vincolo di cardinalità $\sum_i x_i \le 3$. Quante clausole servirebbero per scriverla in CNF?
$15$
$20$
$21$
$6$
Spiegazione. «Al più $p$» richiede che ogni gruppo di $p + 1$ variabili ne contenga una falsa: $\binom{6}{4} = 15$ clausole, contro un solo vincolo di cardinalità (anche più forte nel rilassamento).
Esempio 2 · mip-g-cardinalita-clausole · livello facile · dispensa
Variabili binarie $x_1, \dots, x_{6}$. La condizione «almeno 3 fra le 6» si scrive con un solo vincolo di cardinalità $\sum_i x_i \ge 3$. Quante clausole servirebbero per scriverla in CNF?
$15$
$20$
$21$
$6$
Spiegazione. «Almeno $p$» richiede che ogni gruppo di $n - p + 1$ variabili ne contenga una vera: $\binom{6}{4} = 15$ clausole, contro un solo vincolo di cardinalità (anche più forte nel rilassamento).
6. Legami fra variabili (12)
Esempio 1 · mip-g-bigm-minimo · livello facile · dispensa
Vincolo condizionato con big-M. Le variabili $x_{1}, x_{2}, x_{3}, x_{4}$ sono intere con $0 \le x_j \le u_j$ e $u = (3, 3, 2, 1)$. Il vincolo $8x_{1} + 2x_{2} + 6x_{3} + 9x_{4} \le 43$ deve valere solo quando la binaria $y$ vale $1$, e lo si scrive $8x_{1} + 2x_{2} + 6x_{3} + 9x_{4} \le 43 + M(1 - y)$: con $y = 0$ deve essere soddisfatto da ogni $x$ entro i bound. Qual è il più piccolo $M$ valido, calcolato dai soli bound delle variabili?
$8$
$51$
$2$
$94$
Spiegazione. Con $y = 0$ il vincolo è spento solo se $M$ supera il massimo del membro sinistro meno il termine noto $43$. Il massimo del membro sinistro sui bound vale $51$, quindi $M = 51 - 43 = 8$. Dimenticare di sottrarre il termine noto dà un $M$ valido ma migliorabile; un valore più piccolo taglia soluzioni.
Esempio 2 · mip-g-bigm-minimo · livello facile · dispensa
Vincolo condizionato con big-M. Le variabili $x_{1}, x_{2}, x_{3}$ sono intere con $0 \le x_j \le u_j$ e $u = (1, 3, 2)$. Il vincolo $4x_{1} + 5x_{2} + 8x_{3} \le 30$ deve valere solo quando la binaria $y$ vale $1$, e lo si scrive $4x_{1} + 5x_{2} + 8x_{3} \le 30 + M(1 - y)$: con $y = 0$ deve essere soddisfatto da ogni $x$ entro i bound. Qual è il più piccolo $M$ valido, calcolato dai soli bound delle variabili?
$5$
$35$
$1$
$65$
Spiegazione. Con $y = 0$ il vincolo è spento solo se $M$ supera il massimo del membro sinistro meno il termine noto $30$. Il massimo del membro sinistro sui bound vale $35$, quindi $M = 35 - 30 = 5$. Dimenticare di sottrarre il termine noto dà un $M$ valido ma migliorabile; un valore più piccolo taglia soluzioni.
Esempio 1 · mip-g-costo-fisso-valore · livello facile · dispensa
Costo fisso: tre impianti con costi fissi $f = (14, 18, 14)$, costi unitari $c = (4, 1, 4)$ e capacità $C = (9, 9, 10)$; $q_j \ge 0$ è la quantità prodotta dall'impianto $j$ e $y_j = 1$ se l'impianto è aperto. Il modello minimizza $\sum_j (c_j q_j + f_j y_j)$ con $q_j \le C_j y_j$ e $y_j \in \{0,1\}$. Fissate le quantità $q = (0, 8, 2)$, qual è il valore dell'obiettivo con la scelta migliore delle $y_j$ compatibile con i vincoli?
$48$
$16$
$62$
$188$
Spiegazione. Un impianto che produce deve essere aperto ($q_j > 0 \Rightarrow y_j = 1$, imposto dal vincolo); uno che non produce si chiude, perché $f_j > 0$. Si paga quindi il costo variabile più i soli costi fissi degli impianti con $q_j > 0$: $48$. Il costo fisso non si moltiplica per la quantità.
Esempio 2 · mip-g-costo-fisso-valore · livello facile · dispensa
Costo fisso: tre impianti con costi fissi $f = (11, 6, 17)$, costi unitari $c = (6, 3, 4)$ e capacità $C = (6, 10, 10)$; $q_j \ge 0$ è la quantità prodotta dall'impianto $j$ e $y_j = 1$ se l'impianto è aperto. Il modello minimizza $\sum_j (c_j q_j + f_j y_j)$ con $q_j \le C_j y_j$ e $y_j \in \{0,1\}$. Fissate le quantità $q = (4, 9, 0)$, qual è il valore dell'obiettivo con la scelta migliore delle $y_j$ compatibile con i vincoli?
$68$
$51$
$85$
$149$
Spiegazione. Un impianto che produce deve essere aperto ($q_j > 0 \Rightarrow y_j = 1$, imposto dal vincolo); uno che non produce si chiude, perché $f_j > 0$. Si paga quindi il costo variabile più i soli costi fissi degli impianti con $q_j > 0$: $68$. Il costo fisso non si moltiplica per la quantità.
Esempio 1 · mip-g-conteggio-intero · livello facile · dispensa
Conteggio intero: pezzi di ingombro $a = (6, 8, 8, 2, 8)$ vanno tutti spediti in scatole di capienza $c = 12$, e $w$ è il numero di scatole. Il modello minimizza $w$ con $\sum_i a_i \le c\, w$ e $w \in \mathbb{Z}_{\ge 0}$. Quanto vale $w$ all'ottimo?
$3$
$2$
$\tfrac{8}{3}$
$4$
Spiegazione. Il vincolo dà $w \ge 32/12$ e l'interezza lo porta a $\lceil 32/12 \rceil = 3$: il tetto non si scrive, lo realizza la dichiarazione $w$ intera. Il valore frazionario è quello del rilassamento.
Esempio 2 · mip-g-conteggio-intero · livello facile · dispensa
Conteggio intero: pezzi di ingombro $a = (8, 4, 2, 5, 8)$ vanno tutti spediti in scatole di capienza $c = 13$, e $w$ è il numero di scatole. Il modello minimizza $w$ con $\sum_i a_i \le c\, w$ e $w \in \mathbb{Z}_{\ge 0}$. Quanto vale $w$ all'ottimo?
$3$
$2$
$\tfrac{27}{13}$
$4$
Spiegazione. Il vincolo dà $w \ge 27/13$ e l'interezza lo porta a $\lceil 27/13 \rceil = 3$: il tetto non si scrive, lo realizza la dichiarazione $w$ intera. Il valore frazionario è quello del rilassamento.
Esempio 1 · mip-g-assoluto-bigm · livello facile · dispensa
Valore assoluto come vincolo: le variabili continue $u, v$ stanno in $[0, 19]$ e si vuole $|u - v| \ge 11$. Con una binaria $b$ (che sceglie quale dei due versi vale) si scrive $u - v \ge 11 - M(1 - b)$ e $v - u \ge 11 - M\, b$. Qual è il più piccolo $M$ valido per entrambi i vincoli, cioè tale che il vincolo spento sia soddisfatto da ogni $u, v$ entro i bound?
$30$
$41$
$49$
$19$
Spiegazione. Quando un vincolo è spento deve valere per ogni $u, v$: per il primo serve $11 - M \le \min (u - v) = -19$, cioè $M \ge 11 + 19 = 30$. Il caso $\ge$ del valore assoluto non è convesso: è una disgiunzione, e la binaria è necessaria.
Esempio 2 · mip-g-assoluto-bigm · livello facile · dispensa
Valore assoluto come vincolo: le variabili continue $u, v$ stanno in $[0, 14]$ e si vuole $|u - v| \ge 11$. Con una binaria $b$ (che sceglie quale dei due versi vale) si scrive $u - v \ge 11 - M(1 - b)$ e $v - u \ge 11 - M\, b$. Qual è il più piccolo $M$ valido per entrambi i vincoli, cioè tale che il vincolo spento sia soddisfatto da ogni $u, v$ entro i bound?
$25$
$11$
$14$
$28$
Spiegazione. Quando un vincolo è spento deve valere per ogni $u, v$: per il primo serve $11 - M \le \min (u - v) = -14$, cioè $M \ge 11 + 14 = 25$. Il caso $\ge$ del valore assoluto non è convesso: è una disgiunzione, e la binaria è necessaria.
Esempio 1 · mip-g-precedenze-M · livello facile · dispensa
Precedenze su una macchina: lavori di durata $t = (6, 8, 8, 2)$, $\kappa_i$ è il completamento del lavoro $i$, $s_{ij} = 1$ se $j$ precede $i$, con $s_{ij} + s_{ji} = 1$, $\kappa_i \ge \kappa_j + t_i - M(1 - s_{ij})$ e $\kappa_j \ge t_j$. L'ottimo si cerca fra le sequenze senza tempi morti. Qual è il più piccolo $M$ con cui il vincolo spento ($s_{ij} = 0$) è soddisfatto da tutte queste sequenze?
$24$
$8$
$22$
$16$
Spiegazione. Senza tempi morti $\kappa_j \le \sum_h t_h$, e con $M = \sum_h t_h = 24$ si ha $\kappa_j + t_i - M \le t_i \le \kappa_i$: il vincolo spento non taglia nulla. Un valore più piccolo fallisce quando $j$ è l'ultimo lavoro e $i$ il primo. L'orizzonte va dichiarato.
Esempio 2 · mip-g-precedenze-M · livello facile · dispensa
Precedenze su una macchina: lavori di durata $t = (8, 4, 2, 5)$, $\kappa_i$ è il completamento del lavoro $i$, $s_{ij} = 1$ se $j$ precede $i$, con $s_{ij} + s_{ji} = 1$, $\kappa_i \ge \kappa_j + t_i - M(1 - s_{ij})$ e $\kappa_j \ge t_j$. L'ottimo si cerca fra le sequenze senza tempi morti. Qual è il più piccolo $M$ con cui il vincolo spento ($s_{ij} = 0$) è soddisfatto da tutte queste sequenze?
$19$
$8$
$17$
$11$
Spiegazione. Senza tempi morti $\kappa_j \le \sum_h t_h$, e con $M = \sum_h t_h = 19$ si ha $\kappa_j + t_i - M \le t_i \le \kappa_i$: il vincolo spento non taglia nulla. Un valore più piccolo fallisce quando $j$ è l'ultimo lavoro e $i$ il primo. L'orizzonte va dichiarato.
Esempio 1 · mip-g-tratti · livello facile · dispensa
Il costo $g(q)$ è continuo e lineare a tratti, con nodi $(0, 4, 8, 13)$ e valori $(0, 24, 32, 37)$ (sconti di quantità: non è convesso). Il modello scrive $q = \sum_k q_k \lambda_k$ e $g = \sum_k g_k \lambda_k$ con pesi $\lambda_k \ge 0$ dei nodi a somma $1$, una binaria $w_t$ per tratto ($\sum_t w_t = 1$) e l'adiacenza: positive solo le $\lambda$ dei due nodi del tratto scelto. Si fissa $q = 11$. Quanto vale $g$?
$35$
$\tfrac{407}{13}$
$38$
$37$
Spiegazione. Con l'adiacenza sono positive solo le $\lambda$ dei due nodi del tratto che contiene $q$, e $(q, g)$ sta sul grafico: $g(11) = 35$. Senza adiacenza il modello mescolerebbe i nodi estremi e scenderebbe all'inviluppo convesso inferiore, $\tfrac{407}{13}$.
Esempio 2 · mip-g-tratti · livello facile · dispensa
Il costo $g(q)$ è continuo e lineare a tratti, con nodi $(0, 3, 8, 11)$ e valori $(0, 12, 22, 25)$ (sconti di quantità: non è convesso). Il modello scrive $q = \sum_k q_k \lambda_k$ e $g = \sum_k g_k \lambda_k$ con pesi $\lambda_k \ge 0$ dei nodi a somma $1$, una binaria $w_t$ per tratto ($\sum_t w_t = 1$) e l'adiacenza: positive solo le $\lambda$ dei due nodi del tratto scelto. Si fissa $q = 10$. Quanto vale $g$?
$24$
$\tfrac{250}{11}$
$26$
$25$
Spiegazione. Con l'adiacenza sono positive solo le $\lambda$ dei due nodi del tratto che contiene $q$, e $(q, g)$ sta sul grafico: $g(10) = 24$. Senza adiacenza il modello mescolerebbe i nodi estremi e scenderebbe all'inviluppo convesso inferiore, $\tfrac{250}{11}$.
Esempio 1 · mip-g-se-e-solo-se · livello facile · dispensa
Se e solo se (prodotto di binarie): le variabili $x_{1}, x_{2}, x_{3}, y$ sono binarie e si vuole $y = 1$ **se e solo se** $x_{1} = x_{2} = x_{3} = 1$ (cioè $y$ è il prodotto delle $x$). I vincoli $y \le x_j$, $j \in \{1, \dots, 3\}$, sono già nel modello. Quale vincolo va aggiunto per avere il legame nei due versi in ogni soluzione ammissibile?
$y \ge x_{1} + x_{2} + x_{3} - 2$
$y \ge x_{1} + x_{2} + x_{3} - 3$
$3y \ge x_{1} + x_{2} + x_{3}$
$y \le x_{1} + x_{2} + x_{3} - 2$
Spiegazione. Se tutte le $x_j$ valgono $1$ il membro destro di $y \ge x_{1} + x_{2} + x_{3} - 2$ vale $1$ e forza $y = 1$; se almeno una è nulla vale al più $0$ e non dice nulla. Con $-3$ al posto di $-2$ il vincolo non morde mai.
Esempio 2 · mip-g-se-e-solo-se · livello facile · dispensa
Se e solo se (prodotto di binarie): le variabili $x_{1}, x_{2}, x_{3}, y$ sono binarie e si vuole $y = 1$ **se e solo se** $x_{1} = x_{2} = x_{3} = 1$ (cioè $y$ è il prodotto delle $x$). I vincoli $y \le x_j$, $j \in \{1, \dots, 3\}$, sono già nel modello. Quale vincolo va aggiunto per avere il legame nei due versi in ogni soluzione ammissibile?
$y \ge x_{1} + x_{2} + x_{3} - 2$
$y \ge x_{1} + x_{2} + x_{3} - 3$
$3y \ge x_{1} + x_{2} + x_{3}$
$y \le x_{1} + x_{2} + x_{3} - 2$
Spiegazione. Se tutte le $x_j$ valgono $1$ il membro destro di $y \ge x_{1} + x_{2} + x_{3} - 2$ vale $1$ e forza $y = 1$; se almeno una è nulla vale al più $0$ e non dice nulla. Con $-3$ al posto di $-2$ il vincolo non morde mai.
Esempio 1 · mip-g-disgiunzione · livello media · dispensa
Disgiunzione con big-M: le variabili sono intere con $0 \le x_1 \le 4$ e $0 \le x_2 \le 4$, e deve valere **almeno uno** dei vincoli $5x_1 + 6x_2 \le 27$ oppure $x_1 + 5x_2 \le 15$. Con una binaria $y$ si scrive $5x_1 + 6x_2 \le 27 + M_1(1 - y)$ e $x_1 + 5x_2 \le 15 + M_2\, y$. Quali sono i più piccoli valori $(M_1, M_2)$ validi, ricavati dai bound?
$(17, 9)$
$(9, 17)$
$(44, 24)$
$(17, 17)$
Spiegazione. Ogni vincolo, quando è spento, deve essere soddisfatto da ogni punto dei bound: $M_1 = 44 - 27 = 17$ e $M_2 = 24 - 15 = 9$. Ogni vincolo ha il suo $M$; usare il più grande per entrambi è valido ma indebolisce il rilassamento.
Esempio 2 · mip-g-disgiunzione · livello media · dispensa
Disgiunzione con big-M: le variabili sono intere con $0 \le x_1 \le 3$ e $0 \le x_2 \le 6$, e deve valere **almeno uno** dei vincoli $2x_1 + x_2 \le 9$ oppure $3x_1 + 6x_2 \le 29$. Con una binaria $y$ si scrive $2x_1 + x_2 \le 9 + M_1(1 - y)$ e $3x_1 + 6x_2 \le 29 + M_2\, y$. Quali sono i più piccoli valori $(M_1, M_2)$ validi, ricavati dai bound?
$(3, 16)$
$(16, 3)$
$(12, 45)$
$(16, 16)$
Spiegazione. Ogni vincolo, quando è spento, deve essere soddisfatto da ogni punto dei bound: $M_1 = 12 - 9 = 3$ e $M_2 = 45 - 29 = 16$. Ogni vincolo ha il suo $M$; usare il più grande per entrambi è valido ma indebolisce il rilassamento.
Esempio 1 · mip-g-equita · livello media · dispensa
Cinque lavori di durata $p = (8, 6, 6, 9, 2)$ vanno divisi fra due operai, ogni lavoro intero a uno solo; $\ell_k$ è il carico dell'operaio $k$. Si confrontano tre modelli: min-max ($\min z$ con $z \ge \ell_k$ per ogni $k$), max-min ($\max u$ con $u \le \ell_k$) e differenza ($\min z - u$ con entrambi i gruppi di vincoli). Quali sono i tre valori ottimi, nell'ordine?
$(16, 15, 1)$
$(\tfrac{31}{2}, \tfrac{31}{2}, 0)$
$(15, 16, 1)$
$(16, 16, 0)$
Spiegazione. Il totale è $31$, dispari: la ripartizione migliore è $(16, 15)$, e con due operai i tre modelli la scelgono tutti. I valori sono però diversi, $16$, $15$ e $1$: descrivono la stessa soluzione e non si confrontano. $\tfrac{31}{2}$ è il rilassamento.
Esempio 2 · mip-g-equita · livello media · dispensa
Cinque lavori di durata $p = (7, 8, 8, 3, 9)$ vanno divisi fra due operai, ogni lavoro intero a uno solo; $\ell_k$ è il carico dell'operaio $k$. Si confrontano tre modelli: min-max ($\min z$ con $z \ge \ell_k$ per ogni $k$), max-min ($\max u$ con $u \le \ell_k$) e differenza ($\min z - u$ con entrambi i gruppi di vincoli). Quali sono i tre valori ottimi, nell'ordine?
$(18, 17, 1)$
$(\tfrac{35}{2}, \tfrac{35}{2}, 0)$
$(17, 18, 1)$
$(18, 18, 0)$
Spiegazione. Il totale è $35$, dispari: la ripartizione migliore è $(18, 17)$, e con due operai i tre modelli la scelgono tutti. I valori sono però diversi, $18$, $17$ e $1$: descrivono la stessa soluzione e non si confrontano. $\tfrac{35}{2}$ è il rilassamento.
Esempio 1 · mip-g-costo-fisso-ottimo · livello complessa · dispensa
Costo fisso con domanda: tre impianti con costi fissi $f = (14, 18, 15)$, costi unitari $c = (3, 1, 4)$, capacità $C = (8, 8, 9)$; la domanda $D = 10$ va soddisfatta; $q_j$ è la quantità prodotta dall'impianto $j$ e $y_j = 1$ se è aperto. Il modello è $\min \sum_j (f_j y_j + c_j q_j)$ con $\sum_j q_j = D$, $q_j \le C_j y_j$, $q_j \ge 0$, $y_j \in \{0,1\}$. Quanto vale $\zmilp$?
$46$
$\tfrac{71}{2}$
$61$
$14$
Spiegazione. Per ogni insieme di impianti aperti con capacità sufficiente si riempiono prima i più economici per unità e si sommano i costi fissi: il migliore vale $46$. Il valore frazionario $\tfrac{71}{2}$ è $\zlpp$, dove ogni impianto costa $c_j + f_j/C_j$ per unità.
Esempio 2 · mip-g-costo-fisso-ottimo · livello complessa · dispensa
Costo fisso con domanda: tre impianti con costi fissi $f = (11, 7, 17)$, costi unitari $c = (5, 2, 4)$, capacità $C = (5, 9, 9)$; la domanda $D = 19$ va soddisfatta; $q_j$ è la quantità prodotta dall'impianto $j$ e $y_j = 1$ se è aperto. Il modello è $\min \sum_j (f_j y_j + c_j q_j)$ con $\sum_j q_j = D$, $q_j \le C_j y_j$, $q_j \ge 0$, $y_j \in \{0,1\}$. Quanto vale $\zmilp$?
$94$
$\tfrac{426}{5}$
$59$
$95$
Spiegazione. Per ogni insieme di impianti aperti con capacità sufficiente si riempiono prima i più economici per unità e si sommano i costi fissi: il migliore vale $94$. Il valore frazionario $\tfrac{426}{5}$ è $\zlpp$, dove ogni impianto costa $c_j + f_j/C_j$ per unità.
Esempio 1 · mip-g-deviazioni · livello media · dispensa
Vincoli violabili: tre target $\beta = (40, 90, 60)$ si scrivono $a_t'x + s_t^- - s_t^+ = \beta_t$ con $s_t^-, s_t^+ \ge 0$; si penalizza $\pi^- = 6$ per unità sotto il target e $\pi^+ = 2$ per unità sopra, in un obiettivo di minimo. Un piano dà $a'x = (30, 100, 75)$. Quanto vale la penalità totale, con le deviazioni al loro valore ottimo?
$110$
$170$
$210$
$10$
Spiegazione. Per ogni target si usa una sola deviazione: $s^- = \max(0, \beta - a'x)$ pagata $6$, $s^+ = \max(0, a'x - \beta)$ pagata $2$. Totale $110$. Scambiare le penalità, o compensare le deviazioni di segno opposto, dà valori sbagliati.
Esempio 2 · mip-g-deviazioni · livello media · dispensa
Vincoli violabili: tre target $\beta = (50, 50, 50)$ si scrivono $a_t'x + s_t^- - s_t^+ = \beta_t$ con $s_t^-, s_t^+ \ge 0$; si penalizza $\pi^- = 5$ per unità sotto il target e $\pi^+ = 4$ per unità sopra, in un obiettivo di minimo. Un piano dà $a'x = (60, 35, 65)$. Quanto vale la penalità totale, con le deviazioni al loro valore ottimo?
$175$
$185$
$200$
$-25$
Spiegazione. Per ogni target si usa una sola deviazione: $s^- = \max(0, \beta - a'x)$ pagata $5$, $s^+ = \max(0, a'x - \beta)$ pagata $4$. Totale $175$. Scambiare le penalità, o compensare le deviazioni di segno opposto, dà valori sbagliati.
Esempio 1 · mip-g-violabili-ottimo · livello complessa · dispensa
Si decide la produzione intera $q \in \{0, \dots, 20\}$ di un periodo. Si paga un costo fisso $f = 60$ se $q > 0$ (legame $q \le 20\,y$, $y$ binaria) e $c = 5$ per unità. La domanda $D = 15$ è un vincolo violabile: ogni unità mancante costa $\pi^- = 13$; la capacità ordinaria $K = 5$ è violabile con straordinari a $\pi^+ = 2$ per unità oltre $K$. Quanto vale il costo minimo?
$155$
$95$
$135$
$195$
Spiegazione. Il costo è $f[q > 0] + 5q + 13\max(0, 15 - q) + 2\max(0, q - 5)$; enumerando $q$ (basta guardare $q \in \{0, 5, 15\}$, i punti di rottura) il minimo è $155$, con $q = 15$. Dimenticare il costo fisso dà $95$, dimenticare lo straordinario $135$.
Esempio 2 · mip-g-violabili-ottimo · livello complessa · dispensa
Si decide la produzione intera $q \in \{0, \dots, 20\}$ di un periodo. Si paga un costo fisso $f = 70$ se $q > 0$ (legame $q \le 20\,y$, $y$ binaria) e $c = 5$ per unità. La domanda $D = 16$ è un vincolo violabile: ogni unità mancante costa $\pi^- = 11$; la capacità ordinaria $K = 13$ è violabile con straordinari a $\pi^+ = 7$ per unità oltre $K$. Quanto vale il costo minimo?
$168$
$98$
$150$
$171$
Spiegazione. Il costo è $f[q > 0] + 5q + 11\max(0, 16 - q) + 7\max(0, q - 13)$; enumerando $q$ (basta guardare $q \in \{0, 13, 16\}$, i punti di rottura) il minimo è $168$, con $q = 13$. Dimenticare il costo fisso dà $98$, dimenticare lo straordinario $150$.
Quindici modelli numerici (4)
Esempio 1 · mip-g-turni-costo · livello facile · dispensa
Turni di un pronto soccorso: lo schema che inizia di martedì lavora a tempo pieno martedì, mercoledì, giovedì, venerdì, a mezzo servizio sabato e riposa domenica e lunedì. Un giorno pieno costa $120$ euro se feriale, $130$ il sabato e $160$ la domenica; a mezzo servizio il costo del giorno si dimezza. Quanto costa lo schema per addetto, in una settimana?
$545$
$610$
$480$
$560$
Spiegazione. Si sommano i quattro giorni pieni, $480$, e metà del giorno a mezzo servizio, $65$: totale $545$. Gli errori tipici sono pagare per intero il mezzo servizio, dimenticarlo, o dimezzare il giorno sbagliato.
Esempio 2 · mip-g-turni-costo · livello facile · dispensa
Turni di un pronto soccorso: lo schema che inizia di lunedì lavora a tempo pieno lunedì, martedì, mercoledì, giovedì, a mezzo servizio venerdì e riposa sabato e domenica. Un giorno pieno costa $90$ euro se feriale, $120$ il sabato e $130$ la domenica; a mezzo servizio il costo del giorno si dimezza. Quanto costa lo schema per addetto, in una settimana?
$405$
$450$
$360$
$420$
Spiegazione. Si sommano i quattro giorni pieni, $360$, e metà del giorno a mezzo servizio, $45$: totale $405$. Gli errori tipici sono pagare per intero il mezzo servizio, dimenticarlo, o dimezzare il giorno sbagliato.
Esempio 1 · mip-g-furgone · livello complessa · dispensa
Un furgone da $7$ posti. Alcuni gruppi offrono un prezzo per salire, tutti insieme o nessuno (gruppo 1: $3$ persone, $60$ euro; gruppo 2: $2$ persone, $50$ euro; gruppo 3: $3$ persone, $70$ euro; gruppo 4: $2$ persone, $70$ euro). Si accettano al più $2$ gruppi e, se si accetta il gruppo 4, si deve accettare anche il gruppo 1. Con $x_j = 1$ se il gruppo $j$ è accettato e i vincoli tradotti esattamente, qual è l'incasso massimo $\zmilp$?
$130$
$140$
$180$
$120$
Spiegazione. Si enumerano i sottoinsiemi di al più $2$ gruppi che stanno nei posti e rispettano $x_{4} \le x_{1}$: il migliore incassa $130$. Dimenticare l'implicazione dà $140$, dimenticare il limite sul numero di gruppi dà $180$.
Esempio 2 · mip-g-furgone · livello complessa · dispensa
Un furgone da $10$ posti. Alcuni gruppi offrono un prezzo per salire, tutti insieme o nessuno (gruppo 1: $5$ persone, $30$ euro; gruppo 2: $5$ persone, $80$ euro; gruppo 3: $4$ persone, $70$ euro; gruppo 4: $2$ persone, $80$ euro; gruppo 5: $4$ persone, $40$ euro). Si accettano al più $2$ gruppi e, se si accetta il gruppo 2, si deve accettare anche il gruppo 3. Con $x_j = 1$ se il gruppo $j$ è accettato e i vincoli tradotti esattamente, qual è l'incasso massimo $\zmilp$?
$150$
$160$
$190$
$140$
Spiegazione. Si enumerano i sottoinsiemi di al più $2$ gruppi che stanno nei posti e rispettano $x_{2} \le x_{3}$: il migliore incassa $150$. Dimenticare l'implicazione dà $160$, dimenticare il limite sul numero di gruppi dà $190$.
Esempio 1 · mip-g-staffetta-ottimo · livello media · dispensa
Tre compiti da affidare a tre risorse diverse scelte fra quattro, a tempo totale minimo (assegnamento con più risorse che compiti). Tempi, righe per compito: $(36, 37, 41, 43)$, $(27, 41, 38, 38)$, $(43, 25, 43, 28)$. Il duale del rilassamento con le variabili delle risorse a zero dà a ogni compito il suo tempo minimo: il suo valore è $\lb$. Quali sono $(\zmilp, \lb)$, con $\zmilp$ il tempo totale ottimo?
$(92, 88)$
$(88, 92)$
$(99, 88)$
$(92, 87)$
Spiegazione. Enumerando le assegnazioni con risorse distinte l'ottimo è $92$; la somma dei minimi di riga dà $\lb = 88$, più bassa quando due compiti hanno la stessa risorsa migliore. L'euristica compito per compito darebbe $99$.
Esempio 2 · mip-g-staffetta-ottimo · livello media · dispensa
Tre compiti da affidare a tre risorse diverse scelte fra quattro, a tempo totale minimo (assegnamento con più risorse che compiti). Tempi, righe per compito: $(40, 31, 30, 29)$, $(45, 27, 44, 35)$, $(40, 40, 41, 26)$. Il duale del rilassamento con le variabili delle risorse a zero dà a ogni compito il suo tempo minimo: il suo valore è $\lb$. Quali sono $(\zmilp, \lb)$, con $\zmilp$ il tempo totale ottimo?
$(83, 82)$
$(82, 83)$
$(96, 82)$
$(83, 81)$
Spiegazione. Enumerando le assegnazioni con risorse distinte l'ottimo è $83$; la somma dei minimi di riga dà $\lb = 82$, più bassa quando due compiti hanno la stessa risorsa migliore. L'euristica compito per compito darebbe $96$.
Esempio 1 · mip-g-fondi-rendimento · livello facile · dispensa
Fondi a lotti (EX 5): lotti indivisibili da $12$, $15$, $18$, $25$ milioni con rendimento annuo $1/6$, $1/3$, $1/9$ e $16\%$ del capitale investito; budget $100$; i lotti del secondo fondo non superano il $50\%$ dei lotti totali. Il portafoglio $x = (0, 2, 1, 1)$ (lotti per fondo) è ammissibile. Quanto rende in un anno, in milioni?
$16$
$73$
$\tfrac{211}{225}$
$43$
Spiegazione. Un lotto rende $(2, 5, 2, 4)$ milioni: $16$. La spesa ($73$) non è il rendimento, e sommare i tassi per i lotti dimentica il capitale di ciascun lotto.
Esempio 2 · mip-g-fondi-rendimento · livello facile · dispensa
Fondi a lotti (EX 5): lotti indivisibili da $12$, $15$, $18$, $25$ milioni con rendimento annuo $1/6$, $1/3$, $1/9$ e $16\%$ del capitale investito; budget $100$; i lotti del secondo fondo non superano il $50\%$ dei lotti totali. Il portafoglio $x = (2, 2, 0, 1)$ (lotti per fondo) è ammissibile. Quanto rende in un anno, in milioni?
$18$
$79$
$\tfrac{29}{25}$
$39$
Spiegazione. Un lotto rende $(2, 5, 2, 4)$ milioni: $18$. La spesa ($79$) non è il rendimento, e sommare i tassi per i lotti dimentica il capitale di ciascun lotto.
7. Assegnamento e scheduling (3)
Esempio 1 · mip-g-conteggio-scheduling · livello facile · dispensa
Assegnamento di lavori a macchine con costo fisso: $x_{jm} = 1$ se il lavoro $j$ va sulla macchina $m$, $y_m = 1$ se la macchina $m$ è usata, $t_{jm}$ è il tempo del lavoro $j$ su $m$ e $a_m$ la disponibilità di $m$. Le famiglie di vincoli sono $\sum_{m} x_{jm} = 1\ \forall j$, $\ \sum_{j} t_{jm} x_{jm} \le a_m y_m\ \forall m$; le variabili sono $x_{jm}$ e $y_m$ binarie. Con $n = 7$ lavori e $k = 3$ macchine, quanti vincoli lineari ha il modello, esclusi i vincoli di dominio?
$10$
$24$
$7$
$11$
Spiegazione. Si conta famiglia per famiglia, seguendo i quantificatori: «$\forall j$» dà una riga (o una variabile) per elemento, «$\forall j, m$» una per coppia, un vincolo senza quantificatore una sola. Il totale è $10$. Gli errori tipici sono contare le coppie ordinate al posto di quelle non ordinate e dimenticare una famiglia (o una variabile ausiliaria).
Esempio 2 · mip-g-conteggio-scheduling · livello facile · dispensa
Lavori in parallelo su macchine: $x_{jm} = 1$ se il lavoro $j$ va sulla macchina $m$, $y_m$ è il tempo della macchina $m$ (il massimo dei tempi $t_{jm}$ dei suoi lavori), $p_m$ il numero massimo di lavori su $m$. Le famiglie di vincoli sono $\sum_{m} x_{jm} = 1\ \forall j$, $\ \sum_{j} x_{jm} \le p_m\ \forall m$, $\ y_m \ge t_{jm} x_{jm}\ \forall j, m$; le variabili sono $x_{jm}$ binarie e $y_m \ge 0$. Con $n = 7$ lavori e $k = 2$ macchine, quante variabili ha il modello?
$16$
$14$
$21$
$9$
Spiegazione. Si conta famiglia per famiglia, seguendo i quantificatori: «$\forall j$» dà una riga (o una variabile) per elemento, «$\forall j, m$» una per coppia, un vincolo senza quantificatore una sola. Il totale è $16$. Gli errori tipici sono contare le coppie ordinate al posto di quelle non ordinate e dimenticare una famiglia (o una variabile ausiliaria).
Esempio 1 · mip-g-ritardo-totale · livello complessa · dispensa
Ritardo totale su una macchina: quattro lavori con durate $t = (7, 2, 7, 3)$ e scadenze $d = (6, 2, 3, 7)$, eseguiti uno alla volta senza interruzioni a partire dall'istante $0$. $\kappa_j$ è il completamento del lavoro $j$ e il modello minimizza $\sum_j \tau_j$ con $\tau_j \ge \kappa_j - d_j$, $\tau_j \ge 0$ e i vincoli di precedenza con big-M. Quanto vale $\zmilp$, il ritardo totale minimo?
$22$
$28$
$33$
$16$
Spiegazione. All'ottimo $\tau_j = \max\{0, \kappa_j - d_j\}$ e conviene una sequenza senza tempi morti: basta confrontare le $24$ sequenze. Il ritardo totale minimo è $22$; l'ordine per scadenza o per durata è solo un'euristica e può dare di più.
Esempio 2 · mip-g-ritardo-totale · livello complessa · dispensa
Ritardo totale su una macchina: quattro lavori con durate $t = (7, 6, 5, 7)$ e scadenze $d = (19, 4, 23, 22)$, eseguiti uno alla volta senza interruzioni a partire dall'istante $0$. $\kappa_j$ è il completamento del lavoro $j$ e il modello minimizza $\sum_j \tau_j$ con $\tau_j \ge \kappa_j - d_j$, $\tau_j \ge 0$ e i vincoli di precedenza con big-M. Quanto vale $\zmilp$, il ritardo totale minimo?
$4$
$10$
$12$
$2$
Spiegazione. All'ottimo $\tau_j = \max\{0, \kappa_j - d_j\}$ e conviene una sequenza senza tempi morti: basta confrontare le $24$ sequenze. Il ritardo totale minimo è $4$; l'ordine per scadenza o per durata è solo un'euristica e può dare di più.
Esempio 1 · mip-g-ritardo-sequenza · livello facile · dispensa
Una macchina, quattro lavori con durate $t = (6, 8, 3, 6)$ e scadenze $d = (12, 7, 9, 9)$, eseguiti senza interruzioni da $0$ nell'ordine $3, 2, 1, 4$. Il ritardo del lavoro $j$ è $\tau_j = \max\{0, \kappa_j - d_j\}$, con $\kappa_j$ istante di completamento. Quanto vale il ritardo totale $\sum_j \tau_j$?
$23$
$17$
$14$
$8$
Spiegazione. Si calcolano i completamenti nell'ordine dato e si sommano le sole parti positive di $\kappa_j - d_j$: $23$. Sommare anche gli anticipi (negativi) dà $17$; il ritardo massimo è un altro obiettivo; usare gli istanti di inizio invece dei completamenti è un errore.
Esempio 2 · mip-g-ritardo-sequenza · livello facile · dispensa
Una macchina, quattro lavori con durate $t = (4, 4, 4, 7)$ e scadenze $d = (14, 4, 15, 12)$, eseguiti senza interruzioni da $0$ nell'ordine $4, 3, 2, 1$. Il ritardo del lavoro $j$ è $\tau_j = \max\{0, \kappa_j - d_j\}$, con $\kappa_j$ istante di completamento. Quanto vale il ritardo totale $\sum_j \tau_j$?
$16$
$7$
$11$
$8$
Spiegazione. Si calcolano i completamenti nell'ordine dato e si sommano le sole parti positive di $\kappa_j - d_j$: $16$. Sommare anche gli anticipi (negativi) dà $7$; il ritardo massimo è un altro obiettivo; usare gli istanti di inizio invece dei completamenti è un errore.
8. Localizzazione e copertura (4)
Esempio 1 · mip-g-conteggio-localizzazione · livello facile · dispensa
p-mediana: $x_l = 1$ se la sede $l$ è aperta, $y_{lc} = 1$ se il cliente $c$ è servito dalla sede $l$, al più $k$ sedi aperte. Le famiglie di vincoli sono $\sum_{l} y_{lc} = 1\ \forall c$, $\ \sum_{l} x_l \le k$, $\ x_l \ge y_{lc}\ \forall l, c$; le variabili sono $x_l$ e $y_{lc}$ binarie. Con $m = 5$ sedi candidate e $n = 4$ clienti, quanti vincoli lineari ha il modello, esclusi i vincoli di dominio?
$25$
$10$
$24$
$26$
Spiegazione. Si conta famiglia per famiglia, seguendo i quantificatori: «$\forall j$» dà una riga (o una variabile) per elemento, «$\forall j, m$» una per coppia, un vincolo senza quantificatore una sola. Il totale è $25$. Gli errori tipici sono contare le coppie ordinate al posto di quelle non ordinate e dimenticare una famiglia (o una variabile ausiliaria).
Esempio 2 · mip-g-conteggio-localizzazione · livello facile · dispensa
p-mediana: $x_l = 1$ se la sede $l$ è aperta, $y_{lc} = 1$ se il cliente $c$ è servito dalla sede $l$, al più $k$ sedi aperte. Le famiglie di vincoli sono $\sum_{l} y_{lc} = 1\ \forall c$, $\ \sum_{l} x_l \le k$, $\ x_l \ge y_{lc}\ \forall l, c$; le variabili sono $x_l$ e $y_{lc}$ binarie. Con $m = 7$ sedi candidate e $n = 2$ clienti, quante variabili ha il modello?
$21$
$14$
$16$
$9$
Spiegazione. Si conta famiglia per famiglia, seguendo i quantificatori: «$\forall j$» dà una riga (o una variabile) per elemento, «$\forall j, m$» una per coppia, un vincolo senza quantificatore una sola. Il totale è $21$. Gli errori tipici sono contare le coppie ordinate al posto di quelle non ordinate e dimenticare una famiglia (o una variabile ausiliaria).
Esempio 1 · mip-g-pmediana-bound · livello media · dispensa
p-mediana (minimo) con $3$ sedi candidate, $4$ clienti e al più $k = 2$ sedi aperte; ogni cliente va alla sede aperta più vicina e si minimizza la somma delle distanze $d_{lc}$. Righe per sede: sede 1 $(7, 7, 10, 11)$, sede 2 $(2, 10, 8, 8)$, sede 3 $(11, 1, 11, 3)$. Un'euristica apre le sedi 1 e 2; nel duale del rilassamento si dà a ogni cliente $\bar\mu_c = \min_l d_{lc}$, la distanza dalla sede più vicina fra tutte, ammissibile. Quali sono $(\ub, \lb)$?
$(25, 14)$
$(14, 25)$
$(38, 14)$
$(25, 4)$
Spiegazione. Con le sedi aperte ogni cliente prende la più vicina fra le due: $\ub = 25$. Il duale somma i minimi di colonna su tutte le sedi: $\lb = 14$. Assegnare il cliente alla sede aperta più lontana, o usare un solo minimo per tutti, non dà bound corretti.
Esempio 2 · mip-g-pmediana-bound · livello media · dispensa
p-mediana (minimo) con $3$ sedi candidate, $4$ clienti e al più $k = 2$ sedi aperte; ogni cliente va alla sede aperta più vicina e si minimizza la somma delle distanze $d_{lc}$. Righe per sede: sede 1 $(4, 7, 10, 9)$, sede 2 $(1, 10, 4, 1)$, sede 3 $(2, 12, 11, 10)$. Un'euristica apre le sedi 1 e 3; nel duale del rilassamento si dà a ogni cliente $\bar\mu_c = \min_l d_{lc}$, la distanza dalla sede più vicina fra tutte, ammissibile. Quali sono $(\ub, \lb)$?
$(28, 13)$
$(13, 28)$
$(37, 13)$
$(28, 4)$
Spiegazione. Con le sedi aperte ogni cliente prende la più vicina fra le due: $\ub = 28$. Il duale somma i minimi di colonna su tutte le sedi: $\lb = 13$. Assegnare il cliente alla sede aperta più lontana, o usare un solo minimo per tutti, non dà bound corretti.
Esempio 1 · mip-g-ufl-costo · livello facile · dispensa
Localizzazione (minimo costo): $3$ sedi candidate con costo di installazione $i = (60, 60, 80)$, $4$ clienti con domanda $d = (8, 2, 8, 6)$ litri, costo di trasporto per litro $t_{lc}$ (righe per sede): sede 1 $(4, 6, 1, 6)$, sede 2 $(2, 2, 1, 1)$, sede 3 $(2, 4, 1, 3)$. Le capacità sono sufficienti e ogni cliente si rifornisce dalla sede aperta più economica. Si installano le sedi 2 e 3. Quanto costa la soluzione?
$174$
$34$
$190$
$146$
Spiegazione. Installazione $140$ più trasporto $\sum_c d_c \min_{l \text{ aperta}} t_{lc} = 34$: totale $174$. Dimenticare l'installazione, usare la sede più cara o non moltiplicare per la domanda sono gli errori tipici.
Esempio 2 · mip-g-ufl-costo · livello facile · dispensa
Localizzazione (minimo costo): $3$ sedi candidate con costo di installazione $i = (50, 80, 40)$, $4$ clienti con domanda $d = (2, 5, 8, 8)$ litri, costo di trasporto per litro $t_{lc}$ (righe per sede): sede 1 $(4, 6, 5, 4)$, sede 2 $(6, 5, 1, 6)$, sede 3 $(6, 5, 5, 2)$. Le capacità sono sufficienti e ogni cliente si rifornisce dalla sede aperta più economica. Si installano le sedi 2 e 3. Quanto costa la soluzione?
$181$
$61$
$245$
$134$
Spiegazione. Installazione $120$ più trasporto $\sum_c d_c \min_{l \text{ aperta}} t_{lc} = 61$: totale $181$. Dimenticare l'installazione, usare la sede più cara o non moltiplicare per la domanda sono gli errori tipici.
Esempio 1 · mip-g-ufl-ottimo · livello complessa · dispensa
Localizzazione (minimo costo): $3$ sedi candidate con costo di installazione $i = (60, 60, 80)$, $4$ clienti con domanda $d = (8, 2, 8, 6)$ litri, costo di trasporto per litro $t_{lc}$ (righe per sede): sede 1 $(4, 6, 1, 6)$, sede 2 $(2, 2, 1, 1)$, sede 3 $(2, 4, 1, 3)$. Capacità sufficienti; almeno una sede va installata e ogni cliente si rifornisce da una sede installata. Quanto vale il costo minimo $\zmilp$?
$94$
$234$
$34$
$104$
Spiegazione. Si enumerano i $7$ sottoinsiemi non vuoti di sedi; per ciascuno il costo è installazione più $\sum_c d_c \min_l t_{lc}$ sulle sedi aperte. Il minimo è $94$. Il solo trasporto con tutte le sedi gratis ($34$) è un lower bound, non l'ottimo.
Esempio 2 · mip-g-ufl-ottimo · livello complessa · dispensa
Localizzazione (minimo costo): $3$ sedi candidate con costo di installazione $i = (50, 80, 40)$, $4$ clienti con domanda $d = (2, 5, 8, 8)$ litri, costo di trasporto per litro $t_{lc}$ (righe per sede): sede 1 $(4, 6, 5, 4)$, sede 2 $(6, 5, 1, 6)$, sede 3 $(6, 5, 5, 2)$. Capacità sufficienti; almeno una sede va installata e ogni cliente si rifornisce da una sede installata. Quanto vale il costo minimo $\zmilp$?
$133$
$227$
$57$
$143$
Spiegazione. Si enumerano i $7$ sottoinsiemi non vuoti di sedi; per ciascuno il costo è installazione più $\sum_c d_c \min_l t_{lc}$ sulle sedi aperte. Il minimo è $133$. Il solo trasporto con tutte le sedi gratis ($57$) è un lower bound, non l'ottimo.
9. Pianificazione della produzione (4)
Esempio 1 · mip-g-lotti-bigM · livello facile · dispensa
Lot sizing con costo fisso di lancio su $n = 4$ periodi: domande $d = (15, 35, 30, 35)$, scorta iniziale $r_0 = 10$, scorta finale richiesta $r_n = 15$, costi di magazzino positivi. $x_t$ è la produzione del periodo $t$, $y_t = 1$ se nel periodo si lancia la produzione, e il lancio si modella con $x_t \le M_t\, y_t$. Qual è il più piccolo $M_{3}$, letto dai dati, che non taglia soluzioni ottime?
$80$
$70$
$65$
$130$
Spiegazione. In un ottimo non si produce mai più della domanda che resta da coprire: $M_t = \sum_{\tau \ge t} d_\tau + r_n$; solo nel primo periodo si toglie la scorta iniziale, che è un dato. Qui $M_{3} = 80$. Un valore più grande è valido ma indebolisce il rilassamento.
Esempio 2 · mip-g-lotti-bigM · livello facile · dispensa
Lot sizing con costo fisso di lancio su $n = 4$ periodi: domande $d = (35, 15, 5, 20)$, scorta iniziale $r_0 = 15$, scorta finale richiesta $r_n = 15$, costi di magazzino positivi. $x_t$ è la produzione del periodo $t$, $y_t = 1$ se nel periodo si lancia la produzione, e il lancio si modella con $x_t \le M_t\, y_t$. Qual è il più piccolo $M_{3}$, letto dai dati, che non taglia soluzioni ottime?
$40$
$25$
$90$
$20$
Spiegazione. In un ottimo non si produce mai più della domanda che resta da coprire: $M_t = \sum_{\tau \ge t} d_\tau + r_n$; solo nel primo periodo si toglie la scorta iniziale, che è un dato. Qui $M_{3} = 40$. Un valore più grande è valido ma indebolisce il rilassamento.
Esempio 1 · mip-g-lotti-luc · livello media · dispensa
Lot sizing senza capacità su $4$ periodi: domande $d = (40, 20, 20, 10)$, nessuna scorta iniziale, costo di lancio $f = 40$ per ogni periodo in cui si produce, costo di magazzino $h = 2$ per unità e periodo. La regola least unit cost parte dal primo periodo scoperto, sceglie di coprire $1, 2, \dots$ periodi con il costo medio per unità (lancio più magazzino, diviso le unità) più basso — a parità il numero più piccolo — e riparte dal periodo successivo. Che costo totale di lanci e magazzino ottiene?
$160$
$140$
$220$
$200$
Spiegazione. La regola lancia nei periodi 1, 2, 3, 4 e costa $160$: è un upper bound. L'ottimo (Wagner–Whitin) vale $140$, quindi l'euristica qui non è ottima: guarda un lancio alla volta e non torna indietro.
Esempio 2 · mip-g-lotti-luc · livello media · dispensa
Lot sizing senza capacità su $4$ periodi: domande $d = (20, 35, 20, 10)$, nessuna scorta iniziale, costo di lancio $f = 50$ per ogni periodo in cui si produce, costo di magazzino $h = 2$ per unità e periodo. La regola least unit cost parte dal primo periodo scoperto, sceglie di coprire $1, 2, \dots$ periodi con il costo medio per unità (lancio più magazzino, diviso le unità) più basso — a parità il numero più piccolo — e riparte dal periodo successivo. Che costo totale di lanci e magazzino ottiene?
$190$
$170$
$200$
$260$
Spiegazione. La regola lancia nei periodi 1, 3 e costa $190$: è un upper bound. L'ottimo (Wagner–Whitin) vale $170$, quindi l'euristica qui non è ottima: guarda un lancio alla volta e non torna indietro.
Esempio 1 · mip-g-lot-bilancio · livello facile · dispensa
Lot sizing su $4$ periodi: scorta iniziale $r_0 = 10$, produzione $x = (35, 35, 50, 15)$, domanda $d = (25, 10, 15, 20)$. Il bilancio è $r_{t-1} + x_t = d_t + r_t$, con $r_t$ la scorta a fine periodo $t$. Quanto vale $r_3$?
$80$
$95$
$130$
$75$
Spiegazione. $r_3 = r_0 + x_1 + x_2 + x_3 - d_1 - d_2 - d_3 = 80$. Dimenticare la domanda del periodo 3, o tutte le domande, sono gli errori tipici; $75$ è la scorta a fine periodo 4.
Esempio 2 · mip-g-lot-bilancio · livello facile · dispensa
Lot sizing su $4$ periodi: scorta iniziale $r_0 = 15$, produzione $x = (45, 5, 50, 35)$, domanda $d = (30, 35, 40, 30)$. Il bilancio è $r_{t-1} + x_t = d_t + r_t$, con $r_t$ la scorta a fine periodo $t$. Quanto vale $r_3$?
$10$
$50$
$115$
$15$
Spiegazione. $r_3 = r_0 + x_1 + x_2 + x_3 - d_1 - d_2 - d_3 = 10$. Dimenticare la domanda del periodo 3, o tutte le domande, sono gli errori tipici; $15$ è la scorta a fine periodo 4.
Esempio 1 · mip-g-lotto-costo · livello facile · dispensa
Lot sizing senza capacità su $4$ periodi, nessuna scorta iniziale né finale: domanda $d = (25, 30, 35, 40)$, piano di produzione $x = (130, 0, 0, 0)$. Ogni periodo con $x_t > 0$ paga il lancio $f = 80$ ($x_t \le M y_t$) e ogni unità in scorta a fine periodo costa $h = 2$. Quanto costa il piano?
$520$
$80$
$600$
$960$
Spiegazione. Lanci: $1 \cdot 80 = 80$; scorte di fine periodo da $r_t = r_{t-1} + x_t - d_t$, sommate e moltiplicate per $2$: $440$. Totale $520$.
Esempio 2 · mip-g-lotto-costo · livello facile · dispensa
Lot sizing senza capacità su $4$ periodi, nessuna scorta iniziale né finale: domanda $d = (20, 35, 20, 10)$, piano di produzione $x = (75, 0, 0, 10)$. Ogni periodo con $x_t > 0$ paga il lancio $f = 80$ ($x_t \le M y_t$) e ogni unità in scorta a fine periodo costa $h = 2$. Quanto costa il piano?
$310$
$160$
$390$
$460$
Spiegazione. Lanci: $2 \cdot 80 = 160$; scorte di fine periodo da $r_t = r_{t-1} + x_t - d_t$, sommate e moltiplicate per $2$: $150$. Totale $310$.
10. Problemi misti (4)
Esempio 1 · mip-g-scaffali-valore · livello facile · dispensa
Libri fra scaffali: libri di altezza $h = (31, 31, 33, 18, 17, 17)$ e larghezza $w = (6, 5, 2, 3, 3, 4)$, $m = 3$ scaffali di larghezza $c = 14$; $x_{bs} = 1$ se il libro $b$ va sullo scaffale $s$, $y_s \ge 0$ è l'altezza dello scaffale, e il modello minimizza $\sum_s y_s$ con $y_s \ge h_b\, x_{bs}$ per ogni coppia. Gli scaffali assegnati ai libri, nell'ordine, sono $(1, 2, 3, 1, 2, 2)$ (assegnamento ammissibile). Qual è il valore dell'obiettivo con le $y_s$ migliori per questo assegnamento?
$95$
$147$
$99$
$68$
Spiegazione. I vincoli danno $y_s \ge \max_{b : x_{bs} = 1} h_b$ e il minimo porta ogni $y_s$ a quel massimo: l'altezza di uno scaffale è quella del libro più alto che contiene. La somma vale $95$.
Esempio 2 · mip-g-scaffali-valore · livello facile · dispensa
Libri fra scaffali: libri di altezza $h = (21, 33, 34, 33, 35)$ e larghezza $w = (2, 5, 5, 5, 6)$, $m = 3$ scaffali di larghezza $c = 14$; $x_{bs} = 1$ se il libro $b$ va sullo scaffale $s$, $y_s \ge 0$ è l'altezza dello scaffale, e il modello minimizza $\sum_s y_s$ con $y_s \ge h_b\, x_{bs}$ per ogni coppia. Gli scaffali assegnati ai libri, nell'ordine, sono $(2, 2, 2, 1, 3)$ (assegnamento ammissibile). Qual è il valore dell'obiettivo con le $y_s$ migliori per questo assegnamento?
$102$
$156$
$105$
$89$
Spiegazione. I vincoli danno $y_s \ge \max_{b : x_{bs} = 1} h_b$ e il minimo porta ogni $y_s$ a quel massimo: l'altezza di uno scaffale è quella del libro più alto che contiene. La somma vale $102$.
Esempio 1 · mip-g-asta-bound · livello media · dispensa
Asta combinatoria (massimo): oggetti $1, \dots, 4$, ciascuno vendibile al più una volta; ogni offerta compra un insieme $B_j$ di oggetti al prezzo $p_j$: $\{3,4\}$: $4$; $\{2,3,4\}$: $3$; $\{1,2,3\}$: $4$; $\{3\}$: $4$; $\{2,4\}$: $3$. L'euristica ordina le offerte per $p_j / |B_j|$ decrescente (a pari rapporto nell'ordine elencato) e accetta quelle con gli oggetti ancora liberi. Nel duale del rilassamento ($\lambda_i \ge 0$ prezzo dell'oggetto $i$, $\sum_{i \in B_j} \lambda_i \ge p_j$) si pone $\bar\lambda_i = \max_{j : i \in B_j} p_j / |B_j|$ ($0$ se nessuna offerta contiene $i$). Quali sono $(\lb, \ub)$?
$(7, \tfrac{53}{6})$
$(\tfrac{53}{6}, 7)$
$(7, 16)$
$(4, \tfrac{53}{6})$
Spiegazione. L'euristica accetta offerte compatibili: $\lb = 7$. Il duale somma i prezzi $\bar\lambda_i$: $\ub = \tfrac{53}{6}$, ammissibile perché ogni offerta riceve almeno $|B_j| \cdot p_j/|B_j| = p_j$. Senza dividere per $|B_j|$ il bound sale a $16$; ordinare per prezzo invece che per rapporto dà $4$.
Esempio 2 · mip-g-asta-bound · livello media · dispensa
Asta combinatoria (massimo): oggetti $1, \dots, 4$, ciascuno vendibile al più una volta; ogni offerta compra un insieme $B_j$ di oggetti al prezzo $p_j$: $\{1,2\}$: $6$; $\{1,2,4\}$: $4$; $\{3\}$: $15$; $\{2,4\}$: $15$; $\{4\}$: $12$. L'euristica ordina le offerte per $p_j / |B_j|$ decrescente (a pari rapporto nell'ordine elencato) e accetta quelle con gli oggetti ancora liberi. Nel duale del rilassamento ($\lambda_i \ge 0$ prezzo dell'oggetto $i$, $\sum_{i \in B_j} \lambda_i \ge p_j$) si pone $\bar\lambda_i = \max_{j : i \in B_j} p_j / |B_j|$ ($0$ se nessuna offerta contiene $i$). Quali sono $(\lb, \ub)$?
$(33, \tfrac{75}{2})$
$(\tfrac{75}{2}, 33)$
$(33, 51)$
$(30, \tfrac{75}{2})$
Spiegazione. L'euristica accetta offerte compatibili: $\lb = 33$. Il duale somma i prezzi $\bar\lambda_i$: $\ub = \tfrac{75}{2}$, ammissibile perché ogni offerta riceve almeno $|B_j| \cdot p_j/|B_j| = p_j$. Senza dividere per $|B_j|$ il bound sale a $51$; ordinare per prezzo invece che per rapporto dà $30$.
Esempio 1 · mip-g-cd-differenza · livello facile · dispensa
Brani di durata $d = (6, 8, 8, 6, 2, 3)$ minuti distribuiti su due CD (minimo della differenza fra la durata del CD più lungo e quella del più corto, $z_{\max} - z_{\min}$ con $z_{\max} \ge L_j$ e $z_{\min} \le L_j$). I brani vanno, nell'ordine, sui CD $(2, 1, 2, 2, 2, 1)$. Quanto vale l'obiettivo per questa assegnazione?
$11$
$22$
$1$
$33$
Spiegazione. Le durate dei CD sono $11$ e $22$; all'ottimo per questa assegnazione $z_{\max} = 22$ e $z_{\min} = 11$, differenza $11$. Il solo $z_{\max}$ è il makespan, non lo scarto.
Esempio 2 · mip-g-cd-differenza · livello facile · dispensa
Brani di durata $d = (8, 2, 8, 7, 8, 8)$ minuti distribuiti su due CD (minimo della differenza fra la durata del CD più lungo e quella del più corto, $z_{\max} - z_{\min}$ con $z_{\max} \ge L_j$ e $z_{\min} \le L_j$). I brani vanno, nell'ordine, sui CD $(1, 1, 2, 2, 2, 2)$. Quanto vale l'obiettivo per questa assegnazione?
$21$
$31$
$1$
$41$
Spiegazione. Le durate dei CD sono $10$ e $31$; all'ottimo per questa assegnazione $z_{\max} = 31$ e $z_{\min} = 10$, differenza $21$. Il solo $z_{\max}$ è il makespan, non lo scarto.
Esempio 1 · mip-g-premi-punti · livello facile · dispensa
Programma fedeltà: il premio $i$ si ottiene in modalità A con $a_i$ punti, o in modalità B con $b_i$ punti più $c_i$ euro ($x_i + y_i \le 1$). Dati $a = (60, 30, 90, 40, 60)$, $b = (40, 10, 80, 30, 50)$, $c = (5, 4, 6, 1, 3)$. Il cliente sceglie, premio per premio, le modalità $(B, A, –, –, A)$ («–» = premio non preso). Quanti punti spende?
$130$
$150$
$100$
$135$
Spiegazione. Punti $\sum_i (a_i x_i + b_i y_i) = 130$; gli euro ($5$) non sono punti. Contare tutti i premi presi con $a_i$, o tutti con $b_i$, ignora la modalità scelta.
Esempio 2 · mip-g-premi-punti · livello facile · dispensa
Programma fedeltà: il premio $i$ si ottiene in modalità A con $a_i$ punti, o in modalità B con $b_i$ punti più $c_i$ euro ($x_i + y_i \le 1$). Dati $a = (50, 50, 90, 80, 70)$, $b = (30, 30, 70, 70, 50)$, $c = (2, 5, 4, 6, 2)$. Il cliente sceglie, premio per premio, le modalità $(–, A, B, B, A)$ («–» = premio non preso). Quanti punti spende?
$260$
$290$
$220$
$270$
Spiegazione. Punti $\sum_i (a_i x_i + b_i y_i) = 260$; gli euro ($10$) non sono punti. Contare tutti i premi presi con $a_i$, o tutti con $b_i$, ignora la modalità scelta.