Sei sulla pagina 1di 5

Il Branch & Bound

Il metodo Branch & Bound `e una tecnica che permette di risolvere allottimo un generico problema
di Programmazione Lineare Intera. Tale metodo si basa su due concetti cardine: quello di branching
(suddivisione) e quello di bound (limite).
Consideriamo il problema P := z = max{cx : x S}. Come possiamo dividere tale problema
in sottoproblemi di dimensioni pi` u piccole e che siano pi` u facili da risolvere, in modo tale che
combinando successivamente le informazioni sui sottoproblemi riusciamo a risolvere il problema
originario?
Denizione 1. Sia S R
n
. La famiglia S = {S
1
, S
2
, . . . , S
k
S} tale che S
1
S
2
S
k
= S
viene detta suddivisione di S.
Proposizione 1. Sia {S
1
, S
2
, . . . , S
k
} una suddivisione di S e z
h
= max{cx : x S
h
}. Allora
z = max{z
h
, h = 1, 2, . . . , k}.
Ci` o che rende appetibile suddividere S nei sottoinsiemi S
1
, S
2
, . . . , S
k
`e che i problemi z
h
=
max{cx : x S
h
}, per h = 1, 2, . . . , k, siano pi` u semplici da risolvere rispetto al problema originale.
Abbiamo gi`a visto che lenumerazione completa di tutte le soluzioni ammissibili di un problema
di PLI `e unoperazione molto onerosa dal punto di vista computazionale e di fatto impossibile da
realizzare nella pratica, salvo che per istanze di dimensioni molto limitate. Il metodo del Branch &
Bound, sfruttando le informazioni relative ad Upper e Lower Bound sul valore della soluzione ottima
dei sottoproblemi che vengono generati, di fatto limita considerevolmente il numero delle soluzioni
che vengono esplicitamente esaminate. Questa tecnica si chiama di enumerazione implicita e, come
vedremo, risulta molto ecace nelle applicazioni pratiche.
In particolare Upper e Lower Bound sui valori di z
h
, per h = 1, . . . , k possono denire le
seguenti relazioni.
Proposizione 2. Dato il problema P := z = max{cx : x S}, sia {S
1
, S
2
, . . . , S
k
} una
suddivisione di S e siano z
h
e z
h
, rispettivamente, un Upper Bound e un Lower Bound per
z
h
= max{cx : x S
h
}, h = 1, 2, . . . , k. Allora z = max{z
h
, h = 1, 2, . . . , k} `e un Upper Bound
per z e z = max{z
h
, h = 1, 2, . . . , k} `e un Lower Bound per z.
Lalgoritmo Branch & Bound funziona quindi nel seguente modo: in maniera ricorsiva, par-
tendo dal problema iniziale P:= max{cx : x S}, viene costruito un albero binario detto delle
enumerazioni (o albero di branching) i cui nodi P
1
, . . . , P
k
rappresentano i sottoproblemi associati
alle regioni ammissibili denite da una certa partizione {S
,
. . . , S
k
} (P
g
:= max{cx : x S
g
}, per
g {1, . . . , k}). Loperazione che da un nodo padre dellalbero genera i due nodi gli viene detta,
appunto, branching. Chiaramente, pi u la dimensione dellalbero di branching che viene iterativa-
mente costruito riesce a rimanere contenuta e maggiore risulta lecacia del metodo Branch &
Bound. Per questo motivo sono molto importanti le condizioni che, considerato un certo sotto-
problema P
g
associato ad uno dei nodi dellalbero di branching, permettono di chiudere quel nodo,
ossia di evitare di eseguire su quel nodo unoperazione di branching. Tali condizioni sono tre ed,
in particolare, due di queste sono legate ai valori z
g
e z
g
.
Cond. 1. Si verica quando `e stata determinata una soluzione ottima per il problema P
g
: z
g
=
max{cx : x S
g
}. In questo caso il problema P
g
si dice chiuso perche risolto e di conseguenza
Lower e Upper Bound diventano z
g
= z
g
= z
g
. Se inoltre il Lower Bound corrente al problema
1
iniziale z risulta peggiore di quello denito al nodo P
g
(z < z
g
) possiamo sicuramente
aggiornare il suo valore e ssarlo pari a z
g
.
Cond. 2. Si verica quando z
g
z. In questo caso il problema P
g
:= z
g
= max{cx : x S
g
} si dice
chiuso perche dominato. Per denizione di Lower e Upper Bound, abbiamo che z
j
z
j
z
j
per un qualsiasi problema P
j
: z
j
= max{cx : x S
j
} della suddivisione di S. Possiamo
quindi senzaltro aermare che una soluzione ottima del problema P
g
non pu` o avere valore
superiore a z
g
.
Ricordiamo che z, secondo la Proposizione 2, `e un Lower Bound al valore di z = max{cx :
x S} ed `e denito come z = max{z
h
, h = 1, 2, . . . , k}. Consideriamo quindi un problema
P
f
:= z
f
= max{cx : x S
f
} per il quale z
f
= max{z
h
, h = 1, 2, . . . , k} (`e facile vedere che
esiste sempre un problema che soddisfa questa condizione).
Dalle relazioni sopra descritte si deriva che
z
g
z
g
z
g
z = max{z
h
, h = 1, 2, . . . , k} = z
f
.
Questo permette di evitare la suddivisione di S
g
poiche la soluzione ottima di P
g
ha comunque
valore non migliore del valore della soluzione ottima gi`a trovata nella regione ammissibile S
f
.
Cond. 3. Si verica quando S
g
= . In questo caso, si dice che il problema P
g
:= max{cx : x S
g
}
viene chiuso perche vuoto, ed i suoi Lower e Upper Bound vengono convenzionalmente posti
entrambi pari a .
Ad ogni iterazione dellalgoritmo del Branch & Bound vi `e una suddivisione corrente e vi sono uno
o pi` u problemi aperti. Un sottoproblema aperto pu` o essere chiuso per una delle condizioni sopra
citate. Se, viceversa, non `e possibile applicare nessuna di queste condizioni, allora si procede ad
una suddivisione della sua regione ammissibile e cos` via, ricorsivamente.
Lalgoritmo termina non appena vengono chiusi tutti i sottoproblemi associati alla suddivisione
della sua regione ammissibile.
Si osservi che, data una suddivisione di S in S
1
, S
2
, . . . , S
k
, lulteriore suddivisione di S
j
in
S
j,1
, S
j,2
, . . . , S
j,kj
d` a luogo a S
1
, S
2
, . . . , S
j1
, S
j,1
, S
j,2
, . . . , S
j,kj
, S
j+1
, . . . , S
k
, che `e essa stessa
una suddivisione di S.
Si noti, inne, che lapplicazione dellalgoritmo prevede che si conoscano Lower e Upper Bound
di ciascun sottoproblema della suddivisione di S. In particolare, la qualit`a di questi bound risulta
fondamentale per l ecacia del metodo poiche determina la frequenza con cui `e possibile applicare
la seconda condizione per la chiusura dei nodi dellalbero di branching.
Per illustrare meglio il funzionamento dellalgoritmo, consideriamo ora il seguente problema P di
Programmazione Lineare a numeri interi:
P : z = max 4x
1
x
2
s.t. x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
, x
2
0 e intere
Come passo di inizializzazione, Upper e Lower Bound del vengono inizialmente posti rispettiva-
mente a ; inoltre, sia P
0
= P.
Calcoliamo ora Upper Bound e Lower Bound per il valore di z
0
. Il fatto che P
0
sia un problema
di Programmazione Lineare a numeri Interi ci permette di calcolare lUpper Bound z
0
e il Lower
Bound z
0
in modo particolarmente eciente. Infatti, ricordiamo che nel caso di un problema di
massimizzazione quale `e P
0
, il valore della funzione obiettivo del suo Rilassamento Lineare L(P
0
)
`e un Upper Bound per z
0
, ed `e facilmente calcolabile. Per quanto riguarda il Lower Bound z
0
,
invece, ricordiamo che il valore della funzione obiettivo in corrispondenza di una qualsiasi soluzione
ammissibile denisce un Lower Bound z
0
a z
0
(e, quindi, a z).
2
Risolvendo il Rilassamento Lineare L(P
0
) otteniamo un valore ottimo z
0
L
= 35, 6 in corrispon-
denza della soluzione ottima x
0
= (9.83, 3.6). Dunque possiamo porre z
0
= max{, z
0
L
} = 35, 6.
Non avendo a disposizione una soluzione ammissibile ( x
0
= (9.83, 3.6), infatti, non `e ammissi-
bile per P
0
in quanto non rispetta i vincoli di interezza), non possiamo calcolare un valore per z
0
,
che rimane quindi ssato a .
Poiche P
0
non `e stato chiuso, procediamo alla generazione dei suoi nodi gli P
1
e P
2
attraverso
la suddivisione di S
0
in S
1
ed S
2
. In particolare, questa operazione di branching viene realizzata
nel modo seguente. Consideriamo la variabile x
0
1
= 9.83: ogni soluzione x ammissibile per P
0
(x S
0
) `e tale che o x
1
9.83, (cio`e x
1
10), o x
1
9.83, (cio`e x
1
9). Pertanto linsieme
{S
1
, S
2
}, con S
1
= S {x R
n
: x
1
10} e S
2
= S {x R
n
: x
1
9} rappresenta una
suddivisione di S
0
. Possiamo perci`o generare da P
0
i due problemi, P
1
e P
2
che hanno, come
regioni ammissibili, rispettivamente S
1
ed S
2
.
In virt` u della Proposizione1, la risoluzione di P
0
`e quindi rimandata alla risoluzione di entrambi
i problemi P
1
e P
2
. A questo punto lalbero del Branch & Bound appare cos`:
P
0
z = max 4x
1
x
2
x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
, x
2
0
e intere
P
1
z
1
= max 4x
1
x
2
x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
9
x
1
, x
2
0
e intere
x
1
9
P
2
z
2
= max 4x
1
x
2
x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
10
x
1
, x
2
0
e intere
x
1
10
Lalgoritmo procede iterativamente analizzando di volta in volta i problemi che occupano i nodi-
foglia dellalbero. Stabilire quale `e lordine migliore per procedere `e uno dei problemi che insor-
gono durante lesecuzione del Branch & Bound. Le due possibilit` a estreme sono quella di costruire
lalbero andando in profondit`a oppure in ampiezza. Nel primo caso, ad ogni iterazione viene proces-
sato il problema associato al nodo foglia che ha una profondit`a maggiore nellalbero di branching;
nel secondo caso, invece, la precedenza `e data al nodo che si trova a profondit`a minore. In genere,
la ricerca in profondit`a `e pi` u ecace nel trovare rapidamente una soluzione ammissibile e, di con-
seguenza buond primali al valore della soluzione ottima, mentre `e meno ecace nel miglioramento
del valore dei bound di tipo duale. La ricerca in ampiezza, invece, d` a priorit` a ai bound di tipo
duale ed `e meno ecace per quelli primali.
Noi, in questo caso, decidiamo di analizzare i problemi secondo il criterio dello sviluppo in
ampiezza dellalbero di branching e quindi di processare nellordine il problema P
1
e poi il problema
P
2
.
Per quanto riguarda P
1
, di nuovo `e suciente risolviamo il suo Rilassamento Lineare L(P
1
)
ottenedo cos` z
1
L
= 32.75 in corrispondenza della soluzione ottima x
1
= (9, 3.25). Dunque possiamo
porre z
1
= max{, z
1
L
} = 32.75. Per quanto riguarda z
1
, invece, non possiamo procedere al suo
aggiornamento dato che non abbiamo a disposizione una soluzione ammissibile ( x
1
= (9, 3.25),
infatti, non `e ammissibile per P
1
in quanto non rispetta i vincoli di interezza). Quindi z
1
rimane
3
ssato a . Poich`e non `e stato possibile chiudere il nodo P
1
, dobbiamo procedere con la fase
di branching. Poich`e l unica coordinata frazionaria di x
1
= (9, 3.25) `e x
2
, procediamo eettuando
un branching (a due vie) su questa variabile. Questa operazione genera due problemi: P
3
e P
4
.
Il primo si ottiene aggiungendo il vincolo x
2
3.25 (ossia x
2
4), mentre per il secondo
aggiungiamo a S
1
il vincolo x
2
3.25 (cio`e x
2
3).
Lattuale suddivisione di S, regione ammissibile di P `e quindi {S
2
, S
3
, S
4
}. In virt` u della
Proposizione 1, la risoluzione di P `e rimandata perci`o alla risoluzione dei problemi P
2
, P
3
e P
4
.
Dalla risoluzione di L(P
2
) risulta che la sua regione ammissibile `e vuota; risulta quindi vuota
anche S
2
, regione ammissibile di P
2
. In applicazione della terza condizione di chiusura, il problema
P
2
pu` o perci`o essere chiuso in quanto vuoto, e z
2
= z
2
= .
A questo punto dell algoritmo i valori di z e z sono i seguenti:
z = max{z
1
, z
2
} = max{, } =
z = max{z
1
, z
2
} = max{32.75, }} = 32.75
Si noti che essendo z = , la seconda condizione di chiusura, per il momento, non pu` o permetterci
di chiudere alcun problema.
Avendo terminato lesame dei problemi P
1
e P
2
ed essendoci ancora nodi aperti nell albero
di branching, procediamo nellaesecuzione dell algoritmo.
Lalbero di branching a questo punto `e il seguente:
P
0
z = max 4x
1
x
2
x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
, x
2
0
e intere
P
1
z = max 4x
1
x
2
x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
9
x
1
, x
2
0
e intere
x
1
9
P
3
z = max 4x
1
x
2
x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
9
x
2
4
x
1
, x
2
0
e intere
x
2
3
P
4
z = max 4x
1
x
2
x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
9
x
2
3
x
1
, x
2
0
e intere
x
2
4
P
2
z = max 4x
1
x
2
x
1
x
2
4
2x
1
4x
2
5
2x
1
+ 2x
2
27
x
1
10
x
1
, x
2
0
e intere
x
1
10
Proseguiamo analizzando i problemi che occupano i nodi-foglia ancora aperti dellalbero corrente,
e cio`e i problemi P
3
e P
4
.
Risolviamo quindi L(P
3
) ed ottiamo z
3
L
= 32 in corrispondenza della soluzione ottima x
3
L
=
(9, 4). Dunque possiamo porre z
3
= max{, z
3
L
} = 32. Passiamo ora a considerare z
3
. Ricor-
4
dando che un Lower Bound per un problema di massimizzazione, quale `e P
3
, `e dato dal valore della
funzione obiettivo in corrispondenza di una sua soluzione ammissibile, e notando che x
3
= (9, 4)
`e ammissibile per P
3
, possiamo ssare z
3
= max{, z
3
L
} = 32. Inoltre, possiamo aggiornare il
valore del Lower Bound corrente alla soluzione ottima del problema iniziale P (che al momento `e
pari a ) e porre z = z
3
= 32. Per la Condizione 1, possiamo quindi chiudere il nodo associato
a P
3
.
Per quanto riguarda P
4
, risolviamo il suo Rilassamento Lineare L(P
4
). Si ottiene cos` z
4
L
= 31
in corrispondenza della soluzione ottima x
4
L
= (8.5, 3). Dunque possiamo porre z
4
= max{, z
4
L
} =
31. Per quanto riguarda z
4
, invece, non possiamo procedere al suo aggiornamento dato che non
abbiamo a disposizione una soluzione ammissibile ( x
4
L
= (8.5, 3) non `e intera ). z
4
rimane quindi
ssato a .
In applicazione della seconda condizione di chiusura, notiamo che il problema P
4
pu o essere chiuso
perche z
4
< z.
Avendo chiuso tutti i nodi foglia, il problema P `e risolto, e si ha z

= 32 in corrispondenza
della soluzione (ottima) x = (9, 4), determinata nel problema P
3
(si osservi che il problema P pu` o
essere dichiarato chiuso anche per eetto della prima condizione di chiusura).
5