Sei sulla pagina 1di 34

 
 

 
 

 

 

 

 

 

 

 

SOLUZIONE TEMA D’ESAME DEL 26/08/2002

Domanda 1

Il problema in esame è un classico problema di PL in cui l’obiettivo è la massimizzazione dei profitti. Il PL proposto costituisce una possibile soluzione al problema.

UDichiarazione

delle variabili:

Indichiamo le variabili con tre pedici, uno relativo alla flotta di mezzi che si occupa della raccolta rifiuti, uno relativo al sito di raccolta, uno relativo al tipo di rifiuti.

XB i j k B

i = {1, 2}

flotta di raccolta rifiuti

j = {S1,S2,S3,S4} siti di raccolta k = {C, V, A} tipi di rifiuti

UModello:

f.o.

max

20 ∑∑ B

i j BX B

i j C B + 30 ∑∑ B

i j BX B

i j V B + 40 ∑∑ B

i j B X B

i j A B - 25 ∑∑ B

i k B X B

i S1 k B - 10 ∑∑ B

i k B

- 15 ∑∑B i k B X i B S3 k B – 12 ∑∑ B

i k BX B i S4 k B

- 15 Y

X B

i S2 k B +

s.t.

vincolo di capacità flotte:

prima flotta:

seconda flotta:

B

j B k

B

B

X B

1 j k B 200 q/sett

k B (X B

B

2 S2 k B + X B

2 S3 k B)

90 q/ sett

vincolo di raccolta di tutti i rifiuti: (40 + 40 + 5 + 28 + 20 + 30 + 90 + 9 + 30 + 50 + 15 + 12)

vincolo limitazione seconda flotta:

vincoli variabili:

X B

i j k B 0

Y 0

- B i B B

j B

X

X

2

B

2

B

B k B

XB i j k B = Y

S1 k B

= 0

S4 k B = 0

per ogni k

per ogni k

Domanda 2

Risoluzione del problema di programmazione lineare usando l’algoritmo del simplesso revisionato.

Il problema proposto non è in forma standard per cui lo riportiamo in tale forma usando variabili di

slack e di surplus.

Forma proposta min 2xB 1 B – xB 2 B – 3xB 3 B -2xB 1 B + xB 2 B + xB 3 B 2 -xB 1 B + 3xB 2 B + 2xB 3 B 6 xB 1 B,xB 2 B,xB 3 B 0

Forma standard min 2xB 1 B – xB 2 B – 3xB 3 B -2xB 1 B + xB 2 B + xB 3 B – xB 4 B = 2 -xB 1 B + 3xB 2 B + 2xB 3 B + xB 5 B = 6 xB 1 B,xB 2 B,xB 3 B,xB 4 B,xB 5 B 0

Cerchiamo ora una soluzione di base iniziale e risolvendo la fase 1 col metodo del simplesso revisionato. Se l’ottimo del problema artificiale sarà pari a 0 allora potremo proseguire con il metodo del simplesso revisionato per trovare la soluzione ottima del problema. Se l’ottimo della fase 1 sarà > 0 potremo dire che non esistono soluzioni di base del problema.

Fase 1 : problema artificiale Possiamo in questo caso impostare un problema artificiale con una o con due variabili artificiali dal momento che già XB 5 B è presente con coefficienti 0 nel primo vincolo e 1 nel secondo vincolo. Impostiamo un problema artificiale con una sola variabile artificiale Y.

Min Y

s.t.

-2XB 1 B + XB 2 B + XB 3 B – XB 4 B + Y = 2 -XB 1 B +3XB 2 B +2XB 3 B + XB 5 B =6

Matrice dei coefficienti : A=

-2

-1

1

3

1

2

BASE [XB 5 B , Y]

0

1

B =

1

0

= BP -1

P

λP T

P

=

rB D B =

cB B

T P BP -1 P = [0,1]

PB

0

1

1

0

= [1,0]

cB D

T P λP T P D = [ 0 , 0 , 0 , 0 ] – [ 1 , 0 ]

PB

yB 2 B=BP -1 P

aB 2 B =

b = BP -1 P b =

0

1

0

1

1

0

1

0

1

3

2

6

=

=

3

1

6

2

min (6/3,2/1) = 2 ESCE XB 5 B

-1

0

1

0

1

0

-2

1

1

-1

-1

3

2

0

=[2,-1,-1, 1] ENTRA XB 2 B

BASE [XB 2 B,Y]

B =

λP T

P

=

cB B

1

3

1

0

T P BP -1 P = [0,1]

PB

DET = -3

1 0 = [1,-1/3]

-1/3

1/3

BP -1 P =

rB D B = cB D

T P BP -1 P = [ 0 , 0 , 0 , 0 ] – [ 1,-1/3 ]

PB

-2

-1

aB 3 B =

BP -1 P

aB 3 B =

0

1

1/3

-1/3

1/3 -1/3 = 2/3 1 2 1/3

= 2/3

1

2

1/3

1

2

-1

0

b

= BP -1 P b =

0 1/3

1 -1/3

2

6

= ESCE Y

2

0

0

1

BASE [XB 2 B, XB 3 B]

B =

1

3

1

2

λP T P = cB B PB

T P BP -1 P = [0,0]

DET = 2 – 3 = 1

-2

3

1

-1

= [0,0]

rB D B = [0,0,0,1] – [0,0] … = [0,0,0,1]

0

1

1/3

-1/3

= [5/3,-1/3,1,1/3] ENTRA X3

BP -1 =

P

-2

3

1

-1

Ottimo = 0 per fase 1 abbiamo trovato una soluzione ammissibile per il problema assegnato: ora possiamo passare alla fase 2 per cercare la soluzione ottima del problema di partenza. La base da cui partiremo sarà appunto la base [XB 2 B,XB 3 B].

UFASE

2:

BASE = [XB 2 B,XB 3 B] Min 2XB 1 B – XB 2 B – 3XB 3 B s.t. -2XB 1 B + XB 2 B + XB 3 B – XB 4 B = 2 -XB 1 B + 3XB 2 B + 2XB 3 B + XB 5 B = 6

A

=

-2

-1

1

3

1

2

-1

0

BASE [XB 2 B,XB 3 B]

B

=

1

3

1

2

λP T P = cB B PB

T P BP -1 P = [-1,-3]

rB D B = [2,0,0] – [-7,2]

0

1

 

B-1

-2

1

 

3

-1

 

-2

1

3

-1

[2-9,-1+3] = [-7,2]

 

-2

-1

0

=

[-10,-7,-2] ENTRA XB 1 B

-1

0

1

aB 1 B =

BP -1 P

aB 1 B =

-2

3

1

-1

BASE [XB 1 B,XB 3 B]

B =

-2

-1

1

2

λP T

T P BP -1 P = [2,-3]

P

= cB B PB

-2

=

-1

-2/3

1/3

-1/3

2/3

3

-5

ESCE XB 2 B

DET= -3

= [-1/3,-4/3]

BP -1 =

P

-2/3

-1/3

1/3

2/3

rB D B = [-1,0,0] – [-1/3, -4/3 ]

1

3

-1

0

0

1

= [-1+13/3, -1/3, 4/3] ENTRA XB 4

aB 4 B = BP -1 aB 4 B=

P

 

-2/3

1/3

-1

2/3

 

=

 
 

-1/3

2/3

0

1/3

b

= BP -1 b =

 

-2/3

1/3

2

=

2/3

ESCE XB 1

 
 

P

-1/3

2/3

6

10/3

BASE [XB 4 B,XB 3 B]

 

B

=

-1

1

DET = -2

 

BP -1 =

P

-1

1/2

 

0

2

0

1/2

λP T P = [0,-3]

 

-1

1/2

=[0,-3/2]

 
 

0

1/2

rB D B = [2,-1,0] – [0,-3/2]

STOP !

xB B B = BP -1 P b =

-1

0

z =cB B T PB P xB B B = [0,-3]

1/2

1/2

1

3

-2

-1

 

1

0

=

3

1

2

=

1

6

3

[2,-1,0] – [3/2,-9/2,-3/2] = [1/2,7/2,3/2] > 0 OTTIMO

XB 4 B = 1

XB 3 B= 3

= -9 OTTIMO

Possiamo verificare la soluzione ottenuta sostituendo i valori delle variabili in base nella funzione obiettivo e nei vincoli.

Domanda 3.

Ricordiamo che… L’algoritmo del simplesso va applicato ad un problema espresso in forma canonica, ossia a un problema di minimo con il seguente sistema di vincoli:

xB 1 B+B ByB 1,m+1 BxB m+1 B + … + yB 1n BxB n B = yB 10

xB 2 B + yB 2,m+1 BxB m+1 B + … + yB 2n BxB n B = yB 20 B

xB m B + yB m,m+1 BxB m+1 B + … + yB mn BxB n B = yB m0 B

con xB 1 B,…,xB m B: variabili di base xB m+1 B,…,xB n B : variabili non di base

Per una generica soluzione ammissibile di base xP T P = (xB B PB , 0) = (yB 10 B,…,yB m0 B, 0, …,0) abbiamo un tableau del tipo:

T

P

 

xB 1 B

xB m B

xB m+1 B

xB n B

 

xB

1

B

1

0

yB 1 B,B m+1

B

yB 1n

B

yB 10

B

xB 2

B

0

0

yB 2,m+1

B

yB 2n

B

yB 20

B

.

.

 

.

0

1

yB m,m+1 B

 

yB mn B

yB m0 B

xB m B

   

Quindi… Indichiamo con z il valore della funzione obiettivo. Abbiamo per una generica soluzione ammissibile:

z = cP T P x = cB 1 BxB 1 B + cB 2 B xB 2 B + … + cB n BxB n B

Nel caso in cui la soluzione ammissibile sia anche di base abbiamo:

zB 0 B =

cB B

T

PB

xB B B =

P

cB 1 ByB 10 B

+ … + cB m ByB m0 B

Sviluppando e raccogliendo otteniamo:

z

T

= cP x = zB 0 B + (cB m+1 B – zB m+1 B )xB m+1 B + … + (cB n B – zB n B) xB n B

P

Nell’algoritmo del simplesso si cerca ad ogni iterazione di diminuire il valore della funzione obiettivo fino al raggiungimento dell’ottimo. Se abbiamo un cB j B – zB j B <0 con m+1 j n conviene scambiare una variabile in base con la variabile xB j B fuori base perché in questo modo la variabile che entra in base avrà valore 0 e diminuirà il valore di z. Otterremo così una soluzione migliore. Nel momento in cui tutti i costi ridotti delle variabili fuori base sono 0, possiamo dire di aver trovato l’ottimo: se, infatti, facessimo entrare in base variabili il cui costo ridotto è 0 avremmo un aumento di z e dunque un peggioramento della soluzione.

Domanda 4

Abbiamo a che fare con un problema di trasporto non bilanciato: possiamo notare che aB i BbB j B. Infatti:

aB i B= 320

bB j B = 300

Aggiungiamo quindi una destinazione con costi di trasporto nulli in modo da soddisfare domande e offerte:

 

1

2

3

4

aB i B

1

12

3

4

0

100

2

20

8

1

0

150

3

2

5

3

0

70

bB j B

90

160

50

20

Ricerca di una soluzione ammissibile di base (metodo dell’angolo di nord ovest):

90

10

   

100

 

150

0

 

150

   

50

20

70

90

160

50

20

Procediamo alla ricerca dell’ottimo: f.o. = 2460. Calcolo dei costi ridotti delle variabili fuori base:

 

Ui

 

12

3

(8)

(7)

-7

4

0

(3)

8

1

(2)

-2

20

0

(-17)

(-5)

3

0

0

2

5

Vi

19

10

3

0

Entra X B

3,1 B

Ciclo di più e di meno: θ = min [90, 150, 50] = 50

90 -

10 +

   
 

150 -

0

+

 

+

 

50 -

20

Ottengo la nuova base:

40

60

   
 

100

50

 

50

   

20

f.o. = 1610. Calcolo dei costi ridotti delle variabili fuori base:

 

Ui

 

12

3

(8)

(-10)

10

4

0

(3)

8

1

(-15)

15

20

0

2

(12)

(17)

0

0

5

3

Vi

2

-7

-14

0

Entra X 2 B 4 B . Ciclo di più e di meno :

θ = 20

 

40

-

60 +

   
 

100 -

50

+

50 +

   

20 -

Ottengo la nuova base:

 

20

80

   
 

80

50

20

70

     

f.o.= 1310. Calcolo dei costi ridotti delle variabili fuori base:

 

Ui

 

12

3

(

8 )

( 5 )

- 5

4

0

(3)

8

 

1

0

0

20

 

2

( 12 )

(

17)

( 15 )

- 15

5

3

0

Vi

17

8

1

0

Tutti i costi ridotti delle variabili fuori base sono positivi. Abbiamo trovato la soluzione ottima (opt=1310) con in base le variabili segnate in grassetto.

Domanda 5.

Come sappiamo, le condizioni di chiusura di un nodo sono le seguenti:

-

il

problema associato a quel nodo non è più ammissibile. Scendendo lungo l’albero aggiungo

vincoli al problema di partenza assegnando dei valori alle variabili critiche. E’ possibile che,

così facendo, i vincoli lungo quel ramo siano in contraddizione tra di loro e impediscano quindi

di

trovare una soluzione ammissibile;

-

UB = LB, cioè troviamo una soluzione intera ammissibile ottima per quel nodo (il che non implica necessariamente di aver trovato la soluzione ottima del problema);

-

la

Z* intera già trovata (cioè la soluzione intera ammissibile migliore trovata nell’esplorazione

dei vari nodi) è tale per cui UBZ* in un problema di massimo o tale per cui LBZ* in un problema di minimo.

Nel nostro caso abbiamo a che fare con un problema di minimo e dobbiamo cercare quei valori di UB e LB associati a P21 che ci consentano di riconoscere immediatamente la soluzione ottima del problema, che potrà essere Z*=36 (soluzione trovata per P22 ammissibile intera) oppure una soluzione ancora migliore. La Z* è pari a 36 in quanto 36, oltre ad essere una soluzione ammissibile per P22, è la soluzione ammissibile (intera) migliore trovata esplorando l’albero. Z* è quindi minore del LB di P11 e di P12: possiamo quindi chiudere questi nodi perché procedendo nella ricerca non potremo trovare soluzioni migliori. Per poter essere in grado di riconoscere immediatamente la soluzione ottima del problema dobbiamo solamente poter chiudere P21. Se LBB 21 B> 36, allora potremo chiudere P21 per assenza di cammino migliorante (indipendentemente dal fatto che si abbia LBB 21 B=UBB 21 B oppure LBB 21 BUBB 21 B) e la soluzione ottima del problema coinciderà con la soluzione ammissibile di P22. Se invece abbiamo LBB 21 B<36, per chiudere il nodo è necessario che P21 abbia soluzione ammissibile (altrimenti dovremmo procedere nella sua esplorazione). Non potendo inoltre avere LB più piccolo del LB del nodo padre, si avrà che:

33LBB 2,1 B=UBB 2,1 B36

 
 
   
 

 
 

 

 

 

SOLUZIONE TEMA D’ESAME 31/01/2003

Domanda 1.

UVariabili:

xB i j B = flusso sull’arco i, j yB ij B = variabile logica che vale 0 se la corrispondente variabile x ij B B = 0, 1 altrimenti.

cB i j B = capacità massima dell’arco i, j valore costante: è un dato del problema

UModello:

N.B : il vincolo logico è interpretabile in 2 modi:

1. se entrambi (3,2) e (3,5) 0 (6,4) = 0

2. se anche uno solo tra (3,2) e (3,5) 0 (6,4) = 0

Sappiamo che il relativo modello di Programmazione Lineare per un problema di massimo flusso è il seguente:

max v

   

- v

 

j = s

xB j k B =

0

 

js,t

 

v

 

j = t

i, j A

 

xB 32 B

xB 35

BB

BxB 36

B=

0B

interpretando nel modo 2

 

ΣB i B xB i j B ΣB k B

xB i j BcB i j B

Abbiamo quindi nel nostro caso :

f.o.

s.t.

max v

- (xB 12 B + xB 13 B + xB 14 B) = -v xB 57 B + xB 67 B = v

xB 12 B + xB 32 B –xB 25 B = 0

xB 13 B + xB 43 B

x 14 + x 64 –x 43 = 0 x 25 + x 35 – x 57 = 0 x 36 – x 67 – x 64 = 0

x 32 M y 32 x 35 M y 35 x 64 M y 64

y 32 + y 35 2 – y 64 interpretando nel modo 1

y 32 + y 64 1 y 35 + y 64 1

y 1 , y 2 , y 3 , {0,1} intere x i j 0 i, j A

origine

destinazione

nodi intermedi

vincoli logici

vincoli variabili

x 12 1 x 13 3 x 14 4 x 25 3 x 32 1 x 35 8 x 36 5 x 43 1 x 57 5 x 67 6 x 64 4

vincoli capacità

Domanda 2.

Trasformiamo innanzitutto il problema in forma standard:

max

2x 1 + x 2 + 5x 3 + 6x 4

s.t. 3x 1 + x 2 +x 3 +2x 4 =4 x 1 +3x 2 +2x 3 +x 4 = 4

x i 0

i, j A

min –2x 1 – x 2 – 5x 3 –6x 4

BASE [x 1 , x 2 ]

B =

3

1

1

3

DET = 9-1 = 8

BP -1 =

P

3/8

-1/8

-1/8

3/8

λP T P = c B T P P BP -1 P = [-2,-1] =

3/8

-1/8

P

r D = c D P T P - λP T D = [-5 , -6 ]

-1/8

3/8

[-6/8 + 1/8, 2/8-3/8] = [-5/8, -1/8]

[-5/8, -1/8]

1

2

2

1

= [-5,-6] – [- 7/8, -11/8] =

= [-33/8, -37/8]

I costi ridotti di entrambe le variabili fuori base sono 0. Facciamo entrare in base arbitrariamente

la variabile x 4 .

y 4 = BP -1 P a 4 =

x

B = BP -1 b = =

P

3/8

-1/8

3/8

-1/8

-1/8

3/8

-1/8

3/8

2

1

4

4

BASE [x 4 , x 2 ]

B =

2

1

1

3

DET = 5

λP T P = c B P T P BP -1 P = [-6, -1 ]

3/5

-1/5

=

-1/5

2/5

5/8

1/8

1

1

min (8/5, 8/1) = 8/5 ESCE X 1

BP -1 P =

3/5

-1/5

-1/5

2/5

= [-17/5, 4/5]

r D = c D P T P - λP T D = [-2 , -5 ] – [-17/5, 4/5 ] =

P

y 3 = BP -1 a 3 =

P

3/5

-1/5

-1/5

2/5

1

2

=

1/5

3/5

1 3 [-2,-5] + [47/5, 9/5] = [ 37/5,-16/5] =

1

2

ENTRA X 3

x B = BP -1 b =

P

3/5

-1/5

-1/5

2/5

4

4

=

8/5

min [8/5*5/1, 4/5*5/3] = 4/3 ESCE X 2

4/5

BASE [X 4 , X 3 ]

B =

2

1

1

2

DET = 3

λP T P = c B T P P BP -1 P = [-6, -5 ]

2/3

-1/3

-1/3

2/3

BP -1

P

2/3

-1/3

-1/3

2/3

= [-7/3, -4/3]

=

r D = c D P T P - λP T D = [-2 , -1 ] – [ -7/3 ,- 4/3 ]

P

x B = BP -1 b =

P

2/3

-1/3

T

z 0 =c B P x B = [-6, -5]

P

-1/3

2/3

4/3

4/3

4 = 4 = -44/3
4
=
4
= -44/3

4/3

4/3

1 3 = [-2,-1] + [25/3, 19/3] = [19/3, 16/3]

1

3

> 0 OTTIMO

Domanda 3.

E’ possibile che l’algoritmo del simplesso cicli infinitamente senza riuscire a trovare una soluzione quando si sceglie come elemento di pivot un elemento (p,q) a cui corrisponde y p0 = 0, ossia quando siamo dinanzi a una soluzione degenere. Dal momento che in queste condizioni il valore della

funzione obiettivo non diminuisce, vi è il rischio di passare da una soluzione degenere ad un’altra e

di tornare così al tableau di partenza (loop).

La regola di Bland rappresenta una regola semplice e di facile applicazione (oltre che priva di dimostrazione formale) per evitare questo tipo di rischi. Tale regola ci impone di far entrare in base

la variabile con minimo indice di colonna tra quelle con r j <0 e di fare uscire dalla base quella con

minimo indice di riga tra quelle che hanno stesso minimo rapporto y i0 / y 1q con y iq > 0.

La regola assicura che l’algoritmo termini dopo un numero finito di passi di pivot.

Domanda 4.

L’algoritmo di Bellman-Ford si basa sul seguente presupposto: per andare dal nodo iniziale 1 al generico nodo i è necessario passare per uno dei nodi j predecessori di i. Il valore della lunghezza del cammino minimo tra 1 e i sarà quindi pari a:

Π (i) = min [ Π(i), min j di Γ i -1 P P (Π(j) + l i j ) ]

L’algoritmo prosegue per k iterazioni, con k n, e ad ogni iterazione riaggiorna sempre il valore del

(j) + l i j )] fino a

quando per ogni i sia ha che ΠP k (i) = ΠP k-1 P (i), cioè fino a quando, per ogni i, ΠP k (i) raggiunge la

stabilità. Sappiamo che il cammino minimo tra 2 nodi passando una sola volta per ogni arco può al massimo essere pari a n-1 archi (con n numero di archi che uniscono i due nodi). Il valore del cammino minimo per ogni i dovrebbe quindi divenire stabile al più in k = n iterazioni. Se ciò non accade, l’algoritmo si ferma ed evidenzia la presenza di circuiti di lunghezza negativa. Proprio per la capacità di individuare, ove vi siano, circuiti di lunghezza negativa, l’algoritmo di Bellman-Ford viene utilizzato ogni qual volta si abbiano archi di lungezza arbitraria (positiva, negativa o nulla) o si abbia il sospetto che vi possano essere circuiti negativi.

cammino minimo per ogni nodo i ΠP k (i) come il minimo tra [ ΠP k-1 (i), min j di Γ i P

-1 P ( ΠP k-1

P

P

P

P

P

Domanda 5

Nell’algoritmo di Dantzig per il problema del trasporto è possibile calcolare i moltiplicatori del

simplesso u i e v j

Scriviamo il vettore dei moltiplicatori λP T P scrivendo tanti elementi quanti sono le origini (e dunque

tanti quanti sono i vincoli associati) e tanti elementi quante sono le destinazioni:

nel modo che segue.

λP T P = [u 1 , u 2 , …, u m , v 1 , v 2 , …,v n ]

(nel caso di m origini e n destinazioni).

Sappiamo che per ogni generica variabile x i j il costo ridotto r ij è ottenibile come:

r i j = c i j - λP T P a i j

La matrice dei coefficienti dei vincoli è caratterizzata dal fatto di avere in ogni colonna soltanto due elementi con valore 1 e tutti i restanti pari a 0. Esempio:

E quindi abbiamo a i j =

1

0

0

0

1

 

1

1

1

0

0

0

0

0

0

1

1

1

A=

1

0

0

1

0

0

0

1

0

0

1

0

0

0

1

0

0

1

Per tutte le variabili il costo ridotto r ij è dato dal coefficiente di costo corrispondente meno il moltiplicatore relativo all’origine meno quello relativo alla destinazione:

r ij = c ij – u i – v j i, j A Per tutte le variabili in base abbiamo r ij = c ij – u i – v j = 0 c ij = v j + u i Dal momento che conosciamo c ij e dal momento che abbiamo un vincolo ridondante (abbiamo infatti più vincoli che variabili), possiamo scegliere in modo arbitrario il valore di un moltiplicatore (che porremo per semplicità pari a 0) e ricavare così a partire dai coefficienti di costo delle variabili in base tutti gli altri moltiplicatori e da questi ricavare i valori dei costi ridotti delle variabili fuori base. Esempio:

v j

* variabili in base con r ij = 0

Domanda 6.

(-3)

2

10

8

(-8)

1

7

(-1)

3

(-3)

4

5

2

u i

5

4

2

5

3

0

Riordino le variabili : coeff. f.o. / coeff. vincolo

x 1 = 2.2857 x 2 = 2 x 3 = 2.8 x 4 = 3 = 1.5

x

5

ordine decrescente x 4 x 3 x 1 x 2 x 5

Ottengo:

max 36 x 4 + 28x 3 + 16x 1 + 6x 2 + 3x 5 s.a. 12x 4 + 10x 3 + 7x 1 + 3x 2 + 2x 5 21

Nella ricerca della soluzione del problema rilassato mettiamo a 1 tutte le variabili via via fino a saturare il vincolo e l’ultima variabile che non entra intera nello zaino assume un valore frazionario:

questa sarà la variabile critica sulla quale eventualmente andremo a effettuare l’operazione di branch. Il valore dell’upper bound potrà poi essere arrotondato al valore della propria parte intera essendo i coefficienti di costo tutti interi. Per calcolare il Lower Bound del problema, poniamo a 1 tutte le variabili, “saltando” quelle variabili che non stanno nello zaino.

ALBERO DI RICERCA:

P 0

12x 4 + 10x 3 + 7x 1 + 3x 2 + 2x 5 21

x 4 = 1 x 3 = 9/10

LB x 4 = 1 x 3 = 0 x 1 = 1 x 2 = 0 x 5 = 1

w = 9 w = 0

UB = 36 + 28*9/10 = 61.2 61 ( coeff .interi)

LB = 36+16+3 = 55 Z* = 55

BRANCH SU P 0 – variabile critica x 3

P 1

x 3 = 0 x 4 = 1 x 1 =1 x 2 =2/3

LB x 4 = 1 x 1 = 1 x 5 = 1

12x 4 + 7x 1 + 3x 2 + 2x 5 21 w = 9 w = 2

UB = 36 + 16 + 6*2/3 = 56 UB Z* continuo

LB = 36+16+3 = 55

P 2

x 3 = 1 x 3 = 1

12x 4 + 10x 3 + 7x 1 + 3x 2 + 2x 5 21

w = 11

UB = 28+11/12*36 = 61

x 4 = 11 /12

LB x