Целочисленное программирование - Википедия - Integer programming

An целочисленное программирование проблема это математическая оптимизация или же осуществимость программа, в которой некоторые или все переменные ограничены целые числа. Во многих случаях термин относится к целое число линейное программирование (ILP), в котором целевая функция и ограничения (кроме целочисленных ограничений) являются линейный.

Целочисленное программирование - это НП-полный. В частности, частный случай целочисленного линейного программирования 0-1, в котором неизвестные являются двоичными, и должны выполняться только ограничения, является одним из 21 NP-полная задача Карпа.

Если некоторые переменные решения не дискретны, проблема известна как смешано-целочисленное программирование проблема.^[1]

Каноническая и стандартная форма для ILP

Целочисленная линейная программа в канонической форме выражается как:^[2]

${ displaystyle { begin {align} & { text {maximize}} && mathbf {c} ^ { mathrm {T}} mathbf {x} & { text {при условии}} && A mathbf {x} leq mathbf {b}, &&& mathbf {x} geq mathbf {0}, & { text {and}} && mathbf {x} in mathbb {Z} ^ {п}, конец {выровнено}}}$

а ILP в стандартной форме выражается как

${ displaystyle { begin {align} & { text {maximize}} && mathbf {c} ^ { mathrm {T}} mathbf {x} & { text {при условии}} && A mathbf {x} + mathbf {s} = mathbf {b}, &&& mathbf {s} geq mathbf {0}, &&& mathbf {x} geq mathbf {0}, & { text {and}} && mathbf {x} in mathbb {Z} ^ {n}, end {выровнено}}}$

куда ${ displaystyle mathbf {c}, mathbf {b}}$ векторы и ${ displaystyle A}$ - матрица, в которой все элементы целые. Как и в случае с линейными программами, ILP не в стандартной форме могут быть преобразован в стандартную форму устраняя неравенства, вводя резервные переменные (${ displaystyle mathbf {s}}$) и заменяя переменные без ограничений по знаку разностью двух переменных с ограничениями по знаку

Пример

Многогранник IP с LP релаксацией

На графике справа показана следующая проблема.

${ displaystyle { begin {align} max & { text {}} y - x + y & leq 1 3x + 2y & leq 12 2x + 3y & leq 12 x, y & geq 0 x, y & in mathbb {Z} end {align}}}$

Допустимые целые точки показаны красным цветом, а красные пунктирные линии обозначают их выпуклую оболочку, которая является наименьшим выпуклым многогранником, содержащим все эти точки. Синие линии вместе с осями координат определяют многогранник релаксации ЛП, который задается неравенствами без ограничения целочисленности. Цель оптимизации - переместить черную пунктирную линию как можно дальше вверх, все еще касаясь многогранника. Оптимальным решением целочисленной задачи являются точки ${ displaystyle (1,2)}$ и ${ displaystyle (2,2)}$ которые оба имеют объективное значение 2. Уникальный оптимум релаксации ${ displaystyle (1.8,2.8)}$ с объективным значением 2,8. Если решение ослабления округляется до ближайших целых чисел, это невозможно для ILP.

Доказательство NP-твердости

Ниже приводится сокращение от минимального крышка вершины к целочисленному программированию, что послужит доказательством NP-сложности.

Позволять ${ Displaystyle G = (V, E)}$ неориентированный граф. Определите линейную программу следующим образом:

${ displaystyle { begin {align} min sum _ {v in V} y_ {v} y_ {v} + y_ {u} & geq 1 && forall uv in E y_ {v } & geq 0 && forall v in V y_ {v} & in mathbb {Z} && forall v in V end {выровнено}}}$

Учитывая, что ограничения ограничивают ${ displaystyle y_ {v}}$ либо 0, либо 1, любое допустимое решение целочисленной программы является подмножеством вершин. Первое ограничение подразумевает, что в это подмножество включена по крайней мере одна конечная точка каждого ребра. Следовательно, решение описывает вершинное покрытие. Дополнительно учитывая некоторое покрытие вершины C, ${ displaystyle y_ {v}}$ можно установить в 1 для любого ${ displaystyle v in C}$ и до 0 для любого ${ displaystyle v not in C}$ таким образом давая нам возможное решение целочисленной программы. Таким образом, мы можем заключить, что если минимизировать сумму ${ displaystyle y_ {v}}$ мы также нашли минимальное покрытие вершин.^[3]

Варианты

Смешано-целочисленное линейное программирование (MILP) включает задачи, в которых только некоторые из переменных, ${ displaystyle x_ {i}}$, должны быть целыми числами, в то время как другие переменные могут быть не целыми числами.

Линейное программирование нуля или единицы (или же двоичное целочисленное программирование) включает проблемы, в которых переменные ограничены значением 0 или 1. Любая ограниченная целочисленная переменная может быть выражена как комбинация двоичных переменных.^[4] Например, учитывая целочисленную переменную, ${ Displaystyle 0 Leq х Leq U}$, переменная может быть выражена с помощью ${ displaystyle lfloor log _ {2} U rfloor +1}$ бинарные переменные:

${ displaystyle x = x_ {1} + 2x_ {2} + 4x_ {3} + cdots +2 ^ { lfloor log _ {2} U rfloor} x _ { lfloor log _ {2} U rfloor +1}.}$

Приложения

Есть две основные причины использования целочисленных переменных при моделировании задач в виде линейной программы:

1. Целочисленные переменные представляют собой количества, которые могут быть только целыми. Например, нельзя построить 3,7 машины.
2. Целочисленные переменные представляют решения (например, включать ли ребро в график ) и поэтому должен принимать только значение 0 или 1.

Эти соображения часто возникают на практике, поэтому целочисленное линейное программирование можно использовать во многих областях приложений, некоторые из которых кратко описаны ниже.

Планирование производства

Смешанно-целочисленное программирование находит множество применений в промышленном производстве, включая моделирование рабочих мест. Один важный пример происходит в сельском хозяйстве. планирование производства включает определение урожайности нескольких культур, которые могут совместно использовать ресурсы (например, земля, рабочая сила, капитал, семена, удобрения и т. д.). Возможная цель - максимизировать общее производство без превышения доступных ресурсов. В некоторых случаях это может быть выражено в терминах линейной программы, но переменные должны быть целыми числами.

Планирование

Эти проблемы связаны с планированием обслуживания и транспортных средств в транспортных сетях. Например, проблема может заключаться в назначении автобусов или метро отдельным маршрутам, чтобы можно было соблюдать расписание, а также в обеспечении их водителями. Здесь переменные двоичного решения указывают, назначен ли маршрут автобусу или метро, ​​и назначен ли водитель конкретному поезду или метро. Методика программирования нуля или единицы была успешно применена для решения проблемы выбора проекта, в которой проекты являются взаимоисключающими. и / или технологически взаимозависимы. Он используется в частном случае целочисленного программирования, в котором все переменные решения являются целыми числами. Он может принимать значения либо как ноль, либо как единица.

Территориальное разделение

Проблема территориального разделения или районирования состоит в разделении географического региона на районы, чтобы планировать некоторые операции с учетом различных критериев или ограничений. Некоторые требования для решения этой проблемы: прилегание, компактность, баланс или равенство, соблюдение естественных границ и социально-экономическая однородность. Некоторые приложения для этого типа проблемы включают: политические округа, школьные округа, округа служб здравоохранения и округа по утилизации отходов.^[5]

Телекоммуникационные сети

Цель этих проблем - спроектировать сеть линий для установки так, чтобы удовлетворялся заранее определенный набор требований к связи, а общая стоимость сети была минимальной.^[6] Это требует оптимизации как топологии сети, так и настройки пропускной способности различных линий. Во многих случаях мощности ограничиваются целыми числами. Обычно, в зависимости от используемой технологии, существуют дополнительные ограничения, которые можно моделировать как линейные неравенства с целочисленными или двоичными переменными.

Сотовые сети

Задача частотного планирования в GSM мобильные сети включают в себя распределение доступных частот по антеннам, чтобы можно было обслуживать пользователей и минимизировать помехи между антеннами.^[7] Эта проблема может быть сформулирована как целочисленная линейная программа, в которой двоичные переменные указывают, присвоена ли частота антенне.

Другие приложения

• Согласование денежных потоков
• Энергетическая система оптимизация^[8][9]
• БПЛА руководство^[10][11]

Алгоритмы

Наивный способ решить ILP - просто удалить ограничение, которое Икс является целым числом, решить соответствующую ЛП (называемую LP релаксация ИЛП), а затем округлить записи решения до релаксации ЛП. Но это решение может быть не только неоптимальным, но и невозможным; то есть это может нарушить какое-то ограничение.

Использование полной унимодулярности

Хотя в целом решение релаксации LP не может быть гарантированно интегральным, если ILP имеет вид ${ Displaystyle макс mathbf {c} ^ { mathrm {T}} mathbf {x}}$ такой, что ${ Displaystyle А mathbf {x} = mathbf {b}}$ куда ${ displaystyle A}$ и ${ displaystyle mathbf {b}}$ иметь все целочисленные записи и ${ displaystyle A}$ является полностью унимодулярный, то каждое базовое допустимое решение является целым. Следовательно, решение, возвращаемое симплексный алгоритм гарантированно будет целым. Чтобы показать, что каждое базовое допустимое решение является целым, пусть ${ displaystyle mathbf {x}}$ - произвольное базовое допустимое решение. С ${ displaystyle mathbf {x}}$ возможно, мы знаем, что ${ Displaystyle А mathbf {x} = mathbf {b}}$. Позволять ${ displaystyle mathbf {x} _ {0} = [x_ {n_ {1}}, x_ {n_ {2}}, cdots, x_ {n_ {j}}]}$ - элементы, соответствующие базовым столбцам базового решения. ${ displaystyle mathbf {x}}$. По определению базиса существует некоторая квадратная подматрица ${ displaystyle B}$ из${ displaystyle A}$ с линейно независимыми столбцами такими, что ${ displaystyle B mathbf {x} _ {0} = mathbf {b}}$.

Поскольку столбцы ${ displaystyle B}$ линейно независимы и ${ displaystyle B}$ квадратный, ${ displaystyle B}$ неособо, поэтому по предположению ${ displaystyle B}$ является унимодулярный и так ${ Displaystyle Det (B) = pm 1}$. Кроме того, поскольку ${ displaystyle B}$ невырожден, он обратим и, следовательно, ${ displaystyle mathbf {x} _ {0} = B ^ {- 1} mathbf {b}}$. По определению, ${ displaystyle B ^ {- 1} = { frac {B ^ {adj}} { det (B)}} = pm B ^ {adj}}$. Здесь ${ displaystyle B ^ {прил}}$ обозначает сопоставлять из ${ displaystyle B}$ и является неотъемлемой частью, потому что ${ displaystyle B}$ является цельным. Следовательно,

${ displaystyle { begin {align} & Rightarrow B ^ {- 1} = pm B ^ {adj} { text {является целым.}} & Rightarrow x_ {0} = B ^ {- 1 } b { text {является целым.}} & Rightarrow { text {Каждое базовое возможное решение является целым.}} end {выравнивается}}}$

Таким образом, если матрица ${ displaystyle A}$ ILP является полностью унимодулярным, вместо использования алгоритма ILP для решения релаксации LP можно использовать симплексный метод, и решение будет целочисленным.

Точные алгоритмы

Когда матрица ${ displaystyle A}$ не является полностью унимодулярным, существует множество алгоритмов, которые можно использовать для точного решения целочисленных линейных программ. Один класс алгоритмов: методы резки которые работают, решая релаксацию LP и затем добавляя линейные ограничения, которые приводят решение к целочисленному, без исключения каких-либо целочисленных возможных точек.

Другой класс алгоритмов - это варианты ветвь и переплет метод. Например, разделить и разрезать метод, сочетающий в себе методы ветвей и границ и плоскости отсечения. Алгоритмы ветвей и границ имеют ряд преимуществ перед алгоритмами, использующими только плоскости сечения. Одно из преимуществ состоит в том, что алгоритмы могут быть прерваны раньше, и, пока найдено хотя бы одно интегральное решение, может быть возвращено возможное, хотя и не обязательно оптимальное решение. Кроме того, решения LP-ослаблений могут использоваться для обеспечения оценки наихудшего случая того, насколько далеко от оптимальности находится возвращенное решение. Наконец, методы ветвления и привязки могут использоваться для получения нескольких оптимальных решений.

Точные алгоритмы для небольшого количества переменных

Предполагать ${ displaystyle A}$ является м-к-п целочисленная матрица и ${ displaystyle mathbf {b}}$ является м1 целочисленный вектор. Мы сосредотачиваемся на проблеме осуществимости, которая заключается в том, чтобы решить, существует ли п-by-1 вектор ${ displaystyle mathbf {x}}$ удовлетворение ${ Displaystyle А mathbf {х} leq mathbf {b}}$.

Позволять V - максимальное абсолютное значение коэффициентов в ${ displaystyle A}$ и ${ displaystyle mathbf {b}}$. Если п (количество переменных) является фиксированной константой, то задача выполнимости может быть решена за полиномиальное время в м и журнал V. Это тривиально для случая п= 1. Дело п= 2 было решено в 1981 г. Шарф Herbert.^[12] Общий случай был раскрыт в 1983 г. Хендрик Ленстра, объединяя идеи Ласло Ловаш и Питер ван Эмде Боас.^[13]

В частном случае 0-1 ILP алгоритм Ленстры эквивалентен полному перечислению: количество всех возможных решений фиксировано (2^п), а проверка выполнимости каждого решения может быть выполнена за время poly (м, бревно V). В общем случае, когда каждая переменная может быть произвольным целым числом, полное перечисление невозможно. Здесь алгоритм Ленстры использует идеи из Геометрия чисел. Он превращает исходную задачу в эквивалентную со следующим свойством: либо наличие решения ${ displaystyle mathbf {x}}$ очевидно, или ценность ${ displaystyle x_ {n}}$ (в п-я переменная) принадлежит интервалу, длина которого ограничена функцией п. В последнем случае проблема сводится к ограниченному числу задач меньшей размерности.

Алгоритм Ленстры подразумевает, что ILP полиномиально разрешима также в двойственном случае, когда п меняется, но м (количество ограничений) постоянно.

Впоследствии алгоритм Ленстры был улучшен Каннаном.^[14] и Фрэнк и Тардос.^[15] Улучшенная среда выполнения ${ Displaystyle п ^ {2.5n} cdot ell}$ , куда ${ displaystyle ell}$ - количество входных битов,^[16] который в ${ displaystyle { text {poly}} (m, log {V})}$.^{[17]:Предложение 8}\

Эвристические методы

Поскольку целочисленное линейное программирование NP-жесткий, многие экземпляры проблем трудноразрешимы, поэтому вместо них следует использовать эвристические методы. Например, табу поиск может использоваться для поиска решений ПДОДИ.^[18] Чтобы использовать табу-поиск для решения ILP, ходы можно определить как увеличение или уменьшение целочисленной переменной допустимого решения при сохранении постоянных всех других целочисленных переменных. Затем решаются неограниченные переменные. Кратковременная память может состоять из ранее опробованных решений, а среднесрочная память может состоять из значений целочисленных переменных с ограничениями, которые привели к высоким целевым значениям (при условии, что ILP является проблемой максимизации). Наконец, долговременная память может вести поиск к целочисленным значениям, которые ранее не использовались.

К другим эвристическим методам, которые можно применить к ILP, относятся:

• скалолазание
• Имитация отжига
• Реактивная поисковая оптимизация
• Оптимизация колонии муравьев
• Нейронные сети Хопфилда

Существует также множество других эвристик для конкретных задач, например k-opt эвристика для задачи коммивояжера. Недостатком эвристических методов является то, что если они не могут найти решение, невозможно определить, является ли это причиной отсутствия допустимого решения или алгоритм просто не смог его найти. Кроме того, обычно невозможно количественно оценить, насколько близко к оптимальному решение, возвращаемое этими методами.

Разреженное целочисленное программирование

Часто бывает, что матрица ${ displaystyle A}$ который определяет целочисленную программу редкий. В частности, это происходит, когда матрица имеет блочную структуру, что имеет место во многих приложениях. Разреженность матрицы можно измерить следующим образом. В график из ${ displaystyle A}$ имеет вершины, соответствующие столбцам ${ displaystyle A}$, а два столбца образуют ребро, если ${ displaystyle A}$ есть строка, в которой оба столбца содержат ненулевые записи. Эквивалентно, вершины соответствуют переменным, а две переменные образуют ребро, если они разделяют неравенство. В мера разреженности ${ displaystyle d}$ из ${ displaystyle A}$ это минимум между глубина дерева графика ${ displaystyle A}$ и глубина дерева графика транспонирования ${ displaystyle A}$. Позволять ${ displaystyle a}$ быть числовая мера из ${ displaystyle A}$ определяется как максимальное абсолютное значение любой записи ${ displaystyle A}$. Позволять ${ displaystyle n}$ быть количеством переменных целочисленной программы. Потом его показали в 2018 году.^[19] что целочисленное программирование может быть решено в сильно полиномиальный и управляемый с фиксированными параметрами время параметризовано ${ displaystyle a}$ и ${ displaystyle d}$. То есть для некоторой вычислимой функции ${ displaystyle f}$ и некоторые постоянные ${ displaystyle k}$, целочисленное программирование можно решить за время ${ Displaystyle е (а, г) п ^ {к}}$. В частности, время не зависит от правой части ${ displaystyle b}$ и целевая функция ${ displaystyle c}$. Более того, в отличие от классического результата Ленстры, где число ${ displaystyle n}$ переменных - параметр, здесь число ${ displaystyle n}$ переменных - это переменная часть входных данных.

Смотрите также

• Метод наименьших квадратов с ограничениями

Рекомендации

дальнейшее чтение

• Джордж Л. Немхаузер; Лоуренс А. Вулси (1988). Целочисленная и комбинаторная оптимизация. Вайли. ISBN  978-0-471-82819-8.
• Александр Шрайвер (1998). Теория линейного и целочисленного программирования. Джон Уайли и сыновья. ISBN  978-0-471-98232-6.
• Лоуренс А. Вулси (1998). Целочисленное программирование. Вайли. ISBN  978-0-471-28366-9.
• Димитрис Берцимас; Роберт Вайсмантель (2005). Оптимизация над целыми числами. Динамические идеи. ISBN  978-0-9759146-2-5.
• Джон К. Карлоф (2006). Целочисленное программирование: теория и практика. CRC Press. ISBN  978-0-8493-1914-3.
• Х. Пол Уильямс (2009). Логическое и целочисленное программирование. Springer. ISBN  978-0-387-92279-9.
• Михаэль Юнгер; Томас М. Либлинг; Денис Наддеф; Джордж Немхаузер; Уильям Р. Пуллибланк; Герхард Райнельт; Джованни Ринальди; Лоуренс А. Вулси, ред. (2009). 50 лет целочисленного программирования с 1958 по 2008 год: от первых лет до современного состояния. Springer. ISBN  978-3-540-68274-5.
• Дер-Сан Чен; Роберт Дж. Батсон; Ю Данг (2010). Прикладное целочисленное программирование: моделирование и решение. Джон Уайли и сыновья. ISBN  978-0-470-37306-4.
• Жерар Сирксма; Йори Зволс (2015). Линейная и целочисленная оптимизация: теория и практика. CRC Press. ISBN  978-1-498-71016-9.

внешняя ссылка

• Учебник по целочисленному программированию
• Конференция Целочисленное программирование и комбинаторная оптимизация, IPCO
• Семинар по комбинаторной оптимизации Ауссуа