(4)Upper bound U (S) Cominciamo con il calcolare l’upper bound U(S) su tutta la regione ammissibile S

Branch-and-bound per KN AP SACK

Rispetto allo schema generale visto in precedenza dobbiamo specificare:

come si calcola un upper bound su un sottinsieme;

Branch-and-bound per KN AP SACK

Rispetto allo schema generale visto in precedenza dobbiamo specificare:

come si calcola un upper bound su un sottinsieme;

come si effettua il branching;

Branch-and-bound per KN AP SACK

Rispetto allo schema generale visto in precedenza dobbiamo specificare:

come si calcola un upper bound su un sottinsieme;

come si effettua il branching;

come si individuano soluzioni ammissibili con cui,

eventualmente, aggiornare il valore del lower bound LB.

Upper bound U (S)

Cominciamo con il calcolare l’upper bound U(S) su tutta la regione ammissibile S.

Upper bound U (S)

Cominciamo con il calcolare l’upper bound U(S) su tutta la regione ammissibile S.

L’upper bound si calcola utilizzando il rilassamento lineare del problema originale:

max Pn

i=1 v_ix_i Pn

i=1 p_ix_i ≤ b

0 ≤ x_i ≤ 1 ∀ i ∈ {1, . . . , n}

Upper bound U (S)

Cominciamo con il calcolare l’upper bound U(S) su tutta la regione ammissibile S.

L’upper bound si calcola utilizzando il rilassamento lineare del problema originale:

max Pn

i=1 v_ix_i Pn

i=1 p_ix_i ≤ b

0 ≤ x_i ≤ 1 ∀ i ∈ {1, . . . , n}

Questo è un problema di PL, ma è di forma molto

Risoluzione del rilassamento lineare

Riordinare, eventualmente, gli oggetti in modo non crescente rispetto ai rapporti valore/peso ^v_pⁱ

i, cioè si abbia che:

v1

p1

≥ v2

p2

≥ · · · ≥ v_n p_n.

Si calcolino i valori

b − p1

b − p1 − p2

.. .

fino ad arrivare al primo valore negativo

b −

r+1X

j=1

p_j

se vi si arriva (se non vi si arriva vuol dire

Soluzione rilassamento lineare

La soluzione ottima del rilassamento lineare è la seguente x1 = x² = · · · = xr = 1

x_r+1 = b − Pr

j=1 p_j p_r+1

x_r+2 = x_r+3 = · · · = x_n = 0

Soluzione rilassamento lineare

La soluzione ottima del rilassamento lineare è la seguente x1 = x² = · · · = xr = 1

x_r+1 = b − Pr

j=1 p_j p_r+1

x_r+2 = x_r+3 = · · · = x_n = 0 ed ha il valore ottimo

Xr

v_j + v_r+1b − Pr

j=1 p_j p_r+1 .

Soluzione ammissibile

Notiamo anche che la soluzione

x1 = x2 = · · · = xr = 1

x_r+1 = x_r+2 = x_r+3 = · · · = x_n = 0

ottenuta approssimando per difetto il valore dell’unica

variabile (la x_r+1) che può avere coordinate non intere nella soluzione del rilassamento lineare, è appartenente a S (il peso dei primi r oggetti non supera la capacità dello zaino).

Quindi tale soluzione può essere utilizzata per il calcolo del lower bound LB.

Sottinsiemi di S di forma particolare

Consideriamo sottinsiemi di S con questa forma:

S(I⁰, I1) = {N ∈ S : l’oggetto i 6∈ N ∀ i ∈ I⁰, l’oggetto i ∈ N ∀ i ∈ I¹} dove I0, I1 ⊆ {1, . . . , n} e I0 ∩ I1 = ∅.

Sottinsiemi di S di forma particolare

Consideriamo sottinsiemi di S con questa forma:

S(I⁰, I1) = {N ∈ S : l’oggetto i 6∈ N ∀ i ∈ I⁰, l’oggetto i ∈ N ∀ i ∈ I¹} dove I0, I1 ⊆ {1, . . . , n} e I0 ∩ I1 = ∅.

In altre parole S(I0, I1) contiene tutti gli elementi di S che non contengono gli oggetti in I0 e contengono gli oggetti in I1. Possono invece indifferentemente contenere o non

contenere gli oggetti nell’insieme

I_f = {i¹, . . . , i_k} = {1, . . . , n} \ (I⁰ ∪ I¹), con i1 < · · · < i_k.

Nota bene

Si ha che

S = S(∅, ∅),

cioè la regione ammissibile del problema può essere vista come caso particolare di sottinsieme di forma S(I⁰, I1) con I0 = I1 = ∅.

Upper bound per tali sottinsiemi

Il nostro originario problema KN AP SACK ristretto al sottinsieme S(I0, I1) si presenta nella seguente forma:

max P

i∈I0 v_ix_i + P

i∈I1 v_ix_i + P

i∈I_f v_ix_i P

i∈I0 p_ix_i + P

i∈I1 p_ix_i + P

i∈I_f p_ix_i ≤ b

x_i ∈ {0, 1} ∀ i ∈ I_f da cui:

Upper bound per tali sottinsiemi

Il nostro originario problema KN AP SACK ristretto al sottinsieme S(I0, I1) si presenta nella seguente forma:

max P

i∈I0 v_ix_i + P

i∈I1 v_ix_i + P

i∈I_f v_ix_i P

i∈I0 p_ix_i + P

i∈I1 p_ix_i + P

i∈I_f p_ix_i ≤ b

x_i ∈ {0, 1} ∀ i ∈ I_f da cui:

max P

i∈I1 v_i + P

i∈I_f v_ix_i

P ≤ b − P

Continua

Possiamo notare che si tratta ancora di un problema di tipo KN AP SACK dove è presente una quantità costante

nell’obiettivo (^P_i∈I1 v_i), dove lo zaino ha ora capacità b − P

i∈I1 p_i e dove l’insieme di oggetti in esame è ora ristretto ai soli oggetti in I_f.

Continua

Possiamo notare che si tratta ancora di un problema di tipo KN AP SACK dove è presente una quantità costante

nell’obiettivo (^P_i∈I1 v_i), dove lo zaino ha ora capacità b − P

i∈I1 p_i e dove l’insieme di oggetti in esame è ora ristretto ai soli oggetti in I_f.

Trattandosi ancora di un problema dello zaino, possiamo applicare ad esso la stessa procedura che abbiamo

adottato per trovare l’upper bound U(S), ovvero si risolve il rilassamento lineare.

Continua

Possiamo notare che si tratta ancora di un problema di tipo KN AP SACK dove è presente una quantità costante

nell’obiettivo (^P_i∈I1 v_i), dove lo zaino ha ora capacità b − P

i∈I1 p_i e dove l’insieme di oggetti in esame è ora ristretto ai soli oggetti in I_f.

Trattandosi ancora di un problema dello zaino, possiamo applicare ad esso la stessa procedura che abbiamo

adottato per trovare l’upper bound U(S), ovvero si risolve il rilassamento lineare.

Tale procedura darà in output oltre all’upper bound

U(S(I0, I1)), anche una soluzione appartenente a S(I0, I1) (e quindi a S) utilizzabile per il calcolo del lower bound LB.

Procedura di calcolo

Passo 1 Se b − P

i∈I1 p_i < 0, il nodo non contiene

soluzioni ammissibili (gli oggetti in I1 hanno già un peso superiore alla capacità b dello zaino). In tal caso ci si

arresta e si pone

U(S(I⁰, I1)) = −∞

Continua

Passo 2 Altrimenti, si sottraggano successivamente a b − P

i∈I1 p_i i pesi degli oggetti in I_f nell’ordine dato arrestandoci se

Continua

Passo 2 Altrimenti, si sottraggano successivamente a b − P

i∈I1 p_i i pesi degli oggetti in I_f nell’ordine dato arrestandoci se

Caso A si arriva ad un valore negativo, ovvero esiste r ∈ {1, . . . , k − 1} tale che

b − X

i∈I1

p_i − pi1 − · · · − pi_r ≥ 0

ma

b − X

p_i − pi − · · · − pi_r − pi_r+1 < 0.

Continua

Passo 2 Altrimenti, si sottraggano successivamente a b − P

i∈I1 p_i i pesi degli oggetti in I_f nell’ordine dato arrestandoci se

Caso A si arriva ad un valore negativo, ovvero esiste r ∈ {1, . . . , k − 1} tale che

b − X

i∈I1

p_i − pi1 − · · · − pi_r ≥ 0

ma

b − X

i∈I1

p_i − pi1 − · · · − pi_r − pi_r+1 < 0.

Caso B Si sono sottratti i pesi di tutti gli oggetti in I_f senza mai arrivare ad un valore negativo.

Soluzioni ottime

Caso A:

x_i1 = xi2 = · · · = xi_r = 1 x_ir+1 = b − P

i∈I1 p_i − Pr

j=1 p_ij p_ir+1

x_ir+2 = xi_r+3 = · · · = xi_k = 0

Soluzioni ottime

Caso A:

x_i1 = xi2 = · · · = xi_r = 1 x_ir+1 = b − P

i∈I1 p_i − Pr

j=1 p_ij p_ir+1

x_ir+2 = xi_r+3 = · · · = xi_k = 0 Caso B:

x_i1 = x_i2 = · · · = x_ik = 1

Passo 3 Output caso A:

Passo 3 Output caso A:

U(S(I0, I1)) = X

i∈I₁

v_i + Xr

h=1

v_ih + vi_r+1 × b − P

i∈I₁ p_i − P_r

h=1 p_ih p_ir+1 .

Passo 3 Output caso A:

U(S(I0, I1)) = X

i∈I₁

v_i + Xr

h=1

v_ih + vi_r+1 × b − P

i∈I₁ p_i − P_r

h=1 p_ih p_ir+1 .

N = I1 ∪ {i1, . . . , ir} con f(N ) = X

i∈I₁

v_i + Xr

h=1

v_ih

Passo 3 Output caso A:

U(S(I0, I1)) = X

i∈I₁

v_i + Xr

h=1

v_ih + vi_r+1 × b − P

i∈I₁ p_i − P_r

h=1 p_ih p_ir+1 .

N = I1 ∪ {i1, . . . , ir} con f(N ) = X

i∈I₁

v_i + Xr

h=1

v_ih

Output caso B:

U(S(I0, I1)) = X

i∈I₁

v_i + Xk

h=1

v_ih.

Passo 3 Output caso A:

U(S(I0, I1)) = X

i∈I₁

v_i + Xr

h=1

v_ih + vi_r+1 × b − P

i∈I₁ p_i − P_r

h=1 p_ih p_ir+1 .

N = I1 ∪ {i1, . . . , ir} con f(N ) = X

i∈I₁

v_i + Xr

h=1

v_ih

Output caso B:

U(S(I0, I1)) = X

i∈I₁

v_i + Xk

h=1

v_ih.

Nota bene

Nel caso B il sottinsieme S(I0, I1) verrà sicuramente cancellato. Infatti in tal caso si ha:

U(S(I0, I1)) = f (N ) ≤ LB,

da cui segue la cancellazione del sottinsieme.

Branching

Vediamo ora di descrivere l’operazione di branching.

Dapprima la descriviamo per l’insieme S e poi l’estendiamo agli altri sottinsiemi generati dall’algoritmo.

Branching

Vediamo ora di descrivere l’operazione di branching.

Dapprima la descriviamo per l’insieme S e poi l’estendiamo agli altri sottinsiemi generati dall’algoritmo.

Supponiamo di trovarci, al termine dell’esecuzione della procedura per il calcolo di U(S), nel caso A (il caso B è un caso banale in cui tutti gli oggetti possono essere inseriti nello zaino). Avremo quindi un indice r + 1 che è il primo oggetto per cui la sottrazione successiva dei pesi assume valore negativo.

Continua

La regola di branching prescrive di suddividere S nei due sottinsiemi

S({r + 1}, ∅) e S(∅, {r + 1}),

ovvero in un sottinsieme della partizione si aggiunge l’oggetto r + 1 all’insieme I0, nell’altro lo si aggiunge all’insieme I1.

Estensione

Quanto visto per l’insieme S può essere esteso a tutti i sottinsiemi di forma S(I0, I1): dato un tale sottinsieme,

l’oggetto i_r+1 che appare nel calcolo dell’upper bound nel caso A viene aggiunto in I0 in un sottinsieme della

partizione di S(I0, I1) e in I1 nell’altro sottinsieme, ovvero la partizione di S(I0, I1) sarà data dai seguenti sottinsiemi

S(I0 ∪ {ir+1}, I¹) e S(I0, I1 ∪ {ir+1}).

Estensione

Quanto visto per l’insieme S può essere esteso a tutti i sottinsiemi di forma S(I0, I1): dato un tale sottinsieme,

l’oggetto i_r+1 che appare nel calcolo dell’upper bound nel caso A viene aggiunto in I0 in un sottinsieme della

partizione di S(I0, I1) e in I1 nell’altro sottinsieme, ovvero la partizione di S(I0, I1) sarà data dai seguenti sottinsiemi

S(I0 ∪ {ir+1}, I¹) e S(I0, I1 ∪ {ir+1}).

Si noti che con questa regola di branching tutti i sottinsiemi che appariranno nell’insieme C saranno del tipo S(I0, I1) e