İÇİNDEKİLER
1. TAMSAYILI PROGRAMLAMA PROBLEMİNİN ÇÖZÜMÜ *
2. TAMSAYILI PROGRAMLAMANIN BAZI UYGULAMALARI *
2.1. Sabit-Yüklü Problem
*2.2. Atölye Çizelgeleme Problemi
*2.3. İkiye Bölme
*3. TAMSAYILI PROGRAMLAMA METODLARI *
3.1. Kesme Algoritması (Cutting-Plane Algorithm)
*3.1.1.
Kesirli ( Basit Tamsayılı ) Algoritma *Kesme Metodlarında Kullanılan Hesaplamalar
*3.2. Dal ve Sınır Algoritması
*3.2.1.
Dallara Ayırma *3.2.2.
Sınırlama *Dal ve Sınır Algoritmasındaki Hesapla
malar *3.3. Ya Bu- Ya O Tipi Kısıtlayıcılar (Zero-One İmplict Enumeration)
*
1. TAMSAYILI PROGRAMLAMA PROBLEMİNİN ÇÖZÜMÜ
Çeşitli durumlar için çeşitli tamsayılı programlama model örnekleri söz konusudur. Bunlardan tamsayılı programlama olarak adlandırılanı bilinen lineer programlama problemine tamsayı olma şartının eklenmesiyle oluşmuştur. Bir tamsayılı programlama, bazı veya tüm değişkenlerin tamsayılı değer olması şeklinde sınırlanmasına göre karmaşık yada basit olarak adlandırılır. Eğer tamsayılı olma koşulu gözardı edildiğinde amaç fonksiyonu ve kısıtlar
lineer ise, sonuç modeli tamsayılı lineer program olarak adlandırılır.Her ne kadar birtakım sınırlı algoritma geliştirilmişse de hiçbir metod özellikle problemin boyutu arttığında hesaplama açısından tekbaşına etkili olamamıştır. Bu nedenle lineer programlamaların tersine, büyük çaplı problemlerin kabul edilebilir bir zaman içerisinde başarıyla çözülebilmesi tamsayılı algoritmalarda belirsiz bir performans sergiler.
Tamsayılı programlama hesaplamasındaki en önemli güçlüklerden bir tanesi de dijital hesap makinalarının tamsayılı programlama çözümlerindeki kaçınılmaz kullanımında rakamları yuvarlamanın yaratacağı etkidir.
Hesaplamalarda karşılaşılan güçlükler alternatif yolların bulunmasına yöneltmiştir. Genel bir yaklaşım, problemin devam eden kısmının çözülmesi ve sonra da sürekli optimumun en yakın olurlu (fizible) tamsayıya yuvarlanmasıdır. Yuvarlama burada yaklaşma anlamındadır. Örneğin; optimum değer makine sayısını gösteriyorsa ve bu 10.1 ise, bu yaklaşık olarak 10’a yuvarlanabilir. Yuvarlanan çöz
ümün, kısıtları sağlama garantisi yoktur. Eğer orijinal problem lineer ve eşitliklerden oluşan kısıtlara sahipse, bu her zaman doğrudur. Lineer programlamanın teorisine göre yuvarlanmış çözüm olurlu olamaz çünkü, aynı kaynağın iki farklı çözümü olacağını gösterir.Yuvarlamanın yarattığı olurlu olmayan durum, genellikle problemin tahmin edilen parametreleri kati olmadığından tolere edilebilir. Ancak, bazı tip eşitlik kısıtlarındaki parametreler katidir. Çok seçimli kısıtlar x
1 + x2 +...+ xn = 1 , xj = (0,1) her j için buna bir örnektir. Bu tür durumlarda yuvarlama kullanılamaz ve kati (kesin) algoritma zorunlu hale gelir.
Yuvarlamanın genel olarak yetersizliğini vurgulamada şu dikkate alınmalıdır. Tamsayılı değişkenler birbirinden bağımsız miktardaki maddeler (makine, adam, yük) için kullanılsa da diğer tiptekiler bazı kodların miktarını göstermektedir. Bu nedenle, bir projeyi finanse edip etmeme kararında çift değişken kullanılır; x = 0 projenin reddedilmesi veya x = 1 kabul edilmesi. Bu durumda x’in kes
irli değerleriyle uğraşmak saçma olacak ve yuvarlamak mantıken hatalı olacaktır.Kodlanmış değişkenlerin kullanıldığı problemlerin önemini arttırmak için kullanılan uygulamalar bir sonraki bölümde ele alınacaktır. Bu aynı zamanda tamsayılı programlamanın genel olarak önemini vurgulamaya yarayacaktır.
2. TAMSAYILI PROGRAMLAMANIN BAZI UYGULAMALARI
Bu bölümde bazı tamsayılı programlama uygulamaları ele alınmıştır. Bu uygulamaların bazıları problemin doğrudan formülasyonuyla ilgilidir. Daha önemli bir katkı ise, tamsayılı programların matematiksel programlama modelindeki formata uygun olarak yanlış kurulmuş modellerin yeniden formülasyonunda kullanılmasıdır.
Tipik bir üretim planlama probleminde N tane mamulden, j mamulü için üretim maliyetleri; Kj üretilen miktardan bağımsız sabit maliyeti ve cj birim başına değişken maliyeti mevcuttur. Bu durumda eğer xj , j mamulünün üretim seviyesini gösteriyorsa, bunun üretim maliyeti fonksiyonu şöyle yazılabilir;
Kj + cjxj xj > 0
Cj (xj) =
0 xj = 0
Buradan amaç kriteri;
N
Min. z = ∑ cj (xj)
j = 1
şeklini alır. Bu kriter orijinde devam etmediğinden x
j için lineer değildir. Bu da z’yi analitik açıdan izlenemez kılar. Problem, analitik açıdan yardımcı iki değişken eklenerek daha yönetilebilir hale gelebilir. Diyelim ki;0 xj = 0
1 xj > 1
olsun. Bu durumda basit (lineer) kısıt şu şekilde gösterilir;
xj ≤ M.yj
M > 0 ve yeterince büyüktür. Böylece, xj ≤ M üretim planlama problemindeki tüm aktif kısıtlar için gereksiz olmaktadır. Bu nedenle amaç kriteri şöyle yazılabilir;
N
Min. z = ∑ (cjxj + Kjyj )
j =1
Ş.k.g. 0 ≤ x
j ≤ M.yj , her j içinyj = 0 veya 1 , her j için
xj ≤ M.yj’ nin uygun bir kısıt olduğunu göstermek için eğer, xj > 0 ise, yj = 1 ve sabit kuvvet Kj amaç fonksiyonuna eklenir. Eğer xj = 0 ise, yj 0 veya 1 olur. Ancak Kj > 0 ve z min. edildiğinde yj 0 seviyesinde olmak zorundadır.
Orijinal sabit kuvvetli problemin tamsayılı programlamayla bir ilgisinin olması ilginçtir. “dönüşmüş” problem hala sıfır-bir karmaşık tamsayılı problem şeklindedir. Dönüşüm sadece analitik uygunluk için ortaya konur. Gerçekten de, eklenen çift değişkenler ikincildirler, dışarıdan eklenmiştirler. Dolayısıyla çözümle ilgili hiçbir yeni bilg
i ortaya çıkarmazlar. Örneğin; optimum çözümdeki yj = 1 zaten xj > 0 şeklinde gösterilmektedir.
2.2. Atölye Çizelgeleme Problemi
Kuyruk probleminin tek makinayla en kısa zamanda tamamlanması gereken, n farklı işlemden oluştuğunu düşünelim. Her son mamul, siparişlerin gerçekleştirilmesi gerekli olan bir düzü operasyondan geçer. Ayrıca, son mamuller teslim tarihinde tamamlanmış olmalıdır.
Bu problemde üç tür kısıt vardır: sıralama, karışmama ve teslim tarihi. İkinci kısıt, iki operasyonun bir makinada aynı anda gerçekleştirilmesini engellemeyi sağlar. İlk kısıta bakarsak; x
j başlayacak olan j işleminin (sıfırdan başlamak üzere) zamanını göstersin, aj ise j işleminin tamamlanması için gerekli üretim (işleme) zamanı olsun. Eğer i işlemi j’den bir önceki işlemse kuyruk kısıtının sonucu;xi + ai ≤ xj
Karışmama kısıtına bakarsak, i ve j işlemleri makinayı aynı anda meşgul etmemeli,
Ya xi - xj ≥ ai yada xj - xi ≥ ai ,
Optimum çözümde sırasıyla j’nin i’den önce veya i’nin j’den önce gelmesine bağlıdır.
Ya-yada kısıtının önceliği, model artık lineer programlama formatında olmadığından sorun oluşturur. Bu güçlük çift değişkenli y
ij tanımlanarak engellenir.yij = 0 eğer j işlemi i’den önce geliyorsa
M yeterince büyük bir sayı iken “ ya-yada” kısıtı iki aşamalı kısıta denk gelir;
Myij + (xi + xj ) ≥ aj ve M ( 1 - yij ) + ( xj - xi ) ≥ ai
Yeni dönüşümün önemi şudur, eğer optimum çözümde y
ij = 0 ise, ikinci kısıt gereksiz hale gelmektedir. Aynı zamanda birinci kısıt aktif kalmaktadır. Benzer şekilde eğer, yij = 1 ise, birinci değil ikinci kısıt aktif hale gelmektedir. yij çift değişkeni tanımlanırken bu kısıtları karmaşık tamsayılı programlamaya uygulanabilecek bir forma indirgemiştir.
Teslim tarihleri aşağıdaki kısıtlar eklenerek sağlanabilir. Diyelim ki j işlemi d
j zamanda tamamlanmak zorunda olsun. Buradan;xj + ai ≤ dj
olur. Eğer t, toplam n adet işlemin bitirilmesi için gerekli zamanı gösterirse problem;
min. z = t
Ş.k.g. x
j + ai ≤ t j = 1,2,...,nSıralama, karışmama ve teslim tarihi kısıtlarının tümü bu şekilde geliştirilmiş olur.
Belirli bir durumda m kısıttan herhangi k tanesinin aktif olduğunu düşünelim. Ancak, verilmesi gereken belirli kısıtlar başta bilinmemektedir. Bu durumu şöyle gösterebiliriz. Diyelim ki m kısıt formdan olsun;
gi (x1 + x2 +...+ xn ) ≤ bi i = 1,2,...,m
yi = 0 eğer i. kısıt aktifse
1 eğer i. kısıt aktif değilse
şeklinde belirlersek, eğer M yeterince büyükse, m kısıttan herhangi k tanesinin aktif olduğu kesindir.
gi (x1 + x2 +...+ xn ) ≤ bi + Myi i = 1,2,...,m
ve y1 + y2 +...+ ym = m-k
her i için yi = 0 veya 1’dir. Bu, m-k adet kısıtın bi + M biçiminde olduğunu gösterir. Bu da kısıtı gereksiz kılar. Burada dikkat edilmesi gereken şey yukarıdaki formülasyonun en iyi amaç değerini sağlayacak aktif seti belirleyeceğinin bilinmesidir.
3. TAMSAYILI PROGRAMLAMA METODLARI
Bu tip tamsayılı programlama modellerinin iki türlü çözümü vardır: kesme metodları ve araştırma metodları. Birincisi, öncelikle tamsayılı lineer problemler için geliştirilmiştir ve sürekli bir optimumla başlar. Sistematik olarak bütünlüğün sağlanması için gerekli olan şartları göstermeye yarayan “ikincil” özel kısıtların eklenmesiyle sürekli çözüm
alanı kademe kademe düşürülerek sürekli optimumun tamsayı koşulunu sağlayacağı en üst noktaya ulaşıncaya kadar devam eder. “Kesme Metodu” ismi, “ikincil” kısıtların çözüm alanındaki olurlu tamsayı noktalarını içermeyen parçaların kesilmesi (veya elimine edilmesi) nedeniyle verilmiştir. Simplex metoduna dayanır. İkiden fazla değişken olduğunda kullanılır. Problem Simplex metoduyla çözülür, daha sonra tam sayılı sonuç elde edilinceye kadar yeni kısıtlar eklenir.Araştırma metodlarının temeli, tüm olurlu tamsayı noktalarının doğrudan numaralandırılması düşüncesine dayanır. Temel düşünce, sadece (küçük) bir parça olurlu tamsayıları açıkça diğerlerini dolaylı olarak otomatik hesaplayarak “akıllı” testlerin geliştirilmesidir. En yaygın olarak ortay çıkan dal ve
sınır algoritması (branch and bound technique) dır. İki değişkenli problemlerin grafik çözüm şeklidir. Bu teknik de sürekli optimumla başlar ancak, sistematik olarak olurlu tamsayı noktalarını içermeyen parçaları eleyerek çözüm alanını alt problemlere “bölme” şeklinde gelişir.Araştırma metodunda tüm tamsayı değerlerinin çift değişken olması durumunda özel bir durum ortaya çıkar. Değişkenlerin ikili özelliği araştırma prosedürünü oldukça basitleştirir.
Burada ele alınan lineer tamsayılı problemlerden kesme metodları R. E. Gomory tarafından geliştirilmiştir. Bunlar basit tamsayılı problemlere uygulanan
kesirli algoritma ve karmaşık tamsayılı problemler için oluşturulmuş karmaşık algoritmadır. Dal ve sınır algoritması esas olarak A.H.Land ve A.G.Doig tarafından geliştirilmiştir. Ancak, R.J.Dankin’in yaptığı dönüştürme büyük hesaplama avantajı yarattığından burada buna değinilmiştir. Üçüncü algoritma eklemeli algoritma (additive algorithm) basit sıfır-bir problemine uygulanmaktadır.
Kesme Algoritması (Cutting-Plane Algorithm)
Bu algoritmayı bir örnek üzerinde açıklamak daha uygun olacaktır. Aşağıdaki tamsayılı lineer programlama problemini ele alalım.
Min. z = 7x1 + 9x2
Ş.k.g. -x
1 + 3x2 ≤ 67x1 + x2 ≤ 35
x1 , x2 negatif olmayan tamsayıdır.
Şekil 1
Optimal çözüm, bütünlük koşulu dikkate alınmadığında, grafik olarak Şakil 1’de gösterilmiştir. Bu, z =63 , x
1 = 9/2 ve x2 = 7/2 şeklindedir.Kesme algoritmasına göre amaç, dışbükey çözüm alanını değiştirmek, böylece uygun en üst noktayı tamsayı yapmaktır. Çözüm algoritmasının sınırlarındaki bu değişiklikler yine dışbükey halinde olmalıdır. Ayrıca bu değişiklik, orijinal problemdeki hiçbir olurlu tamsayı çözümün çıkarılmasına izin vermemelidir. Şekilde, tamsayılı optimal çözüm sağlay
an (4,3) değeri ile keyfi seçilen iki tane ikincil kısıtın probleme nasıl eklendiği gösterilmektedir. Burada çıkarılan alanın tamsayılı çözüm içermediği dikkate alınmalıdır. Aşağıdaki analiz, ikincil kısıtların sistematik olarak basit ve karmaşık tamsayılı problemler için nasıl geliştirildiği anlatılmaktadır.
3.1.1. Kesirli ( Basit Tamsayılı ) Algoritma
Bu algoritmanın uygulanmasında tüm katsayıların ve denklemin sağ tarafındaki sabitin tamsayı olması gerekmektedir. Örneğin;
x1 + 1/3 x2 ≤ 13/2 kısıtı,
6x1 + 2x2 ≤ 39
şekline dönüştürülmelidir. İkinci kısıt her iki tarafın en küçük ortak çarpanla genişletilmesiyle elde edilmiştir.
Yukarıdaki ihtiyaç zorunludur. Çünkü, basit tamsayılı algoritma kurallı ve aylak değişkenler için farklı değildir, tümü tamsayı olmalıdır. Bu nedenle, başlangıçtaki kesirli katsayılar, aylak değişkenlerin tamsayılı olduklarını farz edemez. Bu durumda, kesirli algoritma problemin aylak olmayan değişkenleri cinsinden olurlu tamsayı çözümü olduğu halde hiçbir olurlu
çözümün olmadığını gösterebilir.Öncelikle, problem bütünlük kuralına uymadan kurallı lineer programlama problemi şeklinde çözülür ve eğer optimum çözüm tamsayı çıkarsa yapılması gereken bir şey kalmaz. Çözüme ulaşılmıştır. Aksi taktirde, ikincil kısıtlar çözümü tamsayı olma yönünde etkileyecektir. Bu durum aşağıdaki şekilde geliştirilir. Son optimal tablo aşağıdaki gibi iken;
Temel |
x1 |
xi |
xm |
w1 |
wj |
wn |
Çözüm |
z |
0 |
0 |
0 |
c1 |
cj |
cn |
β 0 |
x1 |
1 |
0 |
0 |
α |
α |
α |
β 1 |
xi |
0 |
1 |
0 |
α |
α |
α |
β i |
xm |
0 |
0 |
1 |
α |
α |
α |
β m |
Değişken
lerden xi (i = 1,2,...,m) temel değişkenleri, wj ise ( j = 1,2,...,n) temel olmayan değişkenleri göstermektedir. Bu değişkenlerin uygun hale gelmesi için şöyle düzenlenir.
i. denklemdeki temel değişkenin x
i , tamsayı olmayan bir değere sahip olduğunu düşünelim;n j
xi = βi - ∑ α wj , βi tamsayı değildir
j =1 i
Kesirli algoritmanın iki dezavantajından bahsedilebilir:
İlk zorluk, tüm-tamsayılı tamsayı algoritması (all-integer integer algorithm) geliştirilerek çözülebilir. Bu algoritma ilk olarak çift simplex algoritmasının uygulanmasına olanak veren tüm-tamsayı tablosu ile başlar. Daha sonra tüm katsayıların bütünlüğünü korumaya yönelik özel kesimler bu tabloya eklenir. Yine de, optimal tamsayılı çözüme ulaşılınc
aya kadar çözümün olursuz kalması dezavantajı sürdürmektedir.İkinci zorluk, tamsayılı başlayan ve olurlu olan ancak optimal olmayan kesme algoritmaların geliştirilmesiyle çözülür. İterasyonlar optimum çözüme ulaşıncaya kadar olurlu ve bütünlük içinde kalmaya devam edecektir. Böylece bu algoritma Gomory’nin algoritmasıyla karşılaştırıldığında öncelikli olurlu olarak tanımlanabilir.
Bunu örnek üzerinde daha kolay anlayabiliriz.
ÖRNEK: Optimum sürekli çözüm aşağıdaki gibidir.
Temel |
x1 |
x2 |
x3 |
x4 |
Çözüm |
z |
0 |
0 |
28/11 |
15/11 |
63 |
x2 |
0 |
1 |
7/22 |
1/22 |
7/2 |
x1 |
1 |
0 |
-1/22 |
3/22 |
9/2 |
Çözüm tamsayı olmadığından kesirli bir kesme tabloya eklenir.
x2 + 7/22 x3 + 1/22 x4 = 7/2
Bu denklemin kesirli kesmesi aşağıdaki gibi olur.
S1 - 7/22 x3 - 1/22 x4 = -1/2
Buradan yeni tablo şu şekli alır;
Temel |
x1 |
x2 |
x3 |
x4 |
S1 |
Çözüm |
z |
0 |
0 |
28/11 |
15/11 |
0 |
63 |
x2 |
0 |
1 |
7/22 |
1/22 |
0 |
7/2 |
x1 |
1 |
0 |
-1/22 |
3/22 |
0 |
9/2 |
S1 |
0 |
0 |
-7/22 |
-1/22 |
1 |
-1/2 |
Çift simplex metodu devreye girer;
Temel |
x1 |
x2 |
x3 |
x4 |
S1 |
Çözüm |
z |
0 |
0 |
0 |
1 |
8 |
59 |
x2 |
0 |
1 |
0 |
0 |
1 |
73 |
x1 |
1 |
0 |
0 |
1/7 |
-1/7 |
32/7 |
x1 |
0 |
0 |
1 |
1/7 |
-22/7 |
11/7 |
Çözüm hala tamsayılı olmadığından yeni bir kesme oluşturulur. x1 denklemi şu şekilde yazılır;
x1 + ( 0 + 1/7 ) x4 + ( -1 + 6/7 ) S1 = ( 4 + 4/7 )
Buradan da kesme şu şekilde ortaya çıkar;
S2 – 1/7 x4 – 6/7 S1 = -4/7
Bu kısıtı son tabloya eklersek;
Temel |
x1 |
x2 |
x3 |
x4 |
S1 |
S2 |
Çözüm |
z |
0 |
0 |
0 |
1 |
8 |
0 |
59 |
x2 |
0 |
1 |
0 |
0 |
1 |
0 |
3 |
x1 |
1 |
0 |
0 |
1/7 |
-1/7 |
0 |
32/7 |
x3 |
0 |
0 |
1 |
1/7 |
-22/7 |
0 |
11/7 |
S2 |
0 |
0 |
0 |
-1/7 |
-6/7 |
1 |
-4/7 |
Bunun sonucu da şöyledir;
Temel |
x1 |
x2 |
x3 |
x4 |
S1 |
S2 |
Çözüm |
z |
0 |
0 |
0 |
0 |
2 |
7 |
55 |
x2 |
0 |
1 |
0 |
0 |
1 |
0 |
3 |
x1 |
1 |
0 |
0 |
0 |
-1 |
1 |
4 |
x3 |
0 |
0 |
1 |
0 |
-4 |
1 |
1 |
x4 |
0 |
0 |
0 |
1 |
6 |
-7 |
4 |
Bu da optimum tamsayılı sonuç olan, z = 55 , x1 = 4 , x2 = 3 ’ ü verir.
Yukarıdaki kesmelerin eklenmesi ile çözüm alanı gözönüne alınışı grafik üzerinde de gözlenebilir. İlk kesme;
S1 - 7/22 x3 - 1/22 x4 = -1/2
x1 ve x2 cinsinden ifade edilirse uygun çözüm aşağıdaki gibi olacaktır;
S1 - 7/22 ( 6 + x1 – 3x2 ) - 1/22 ( 35 - 7x1 – x2 ) = -1/2
veya
S1 + x2 = 3
olur.
Bu da; x2 ≤ 3 ’e denktir.
Benzer şekilde;
S2 – 1/7 x4 – 6/7 S1 = -4/7
Kesmesi x1 ve x2 cinsinden ifade edilirse;
x1 + x2 ≤ 7
olur. Bu iki kısıtın eklenmesiyle grafikte yeni optimal üst noktanın (4,3) olduğu görülür.
Kesme Metodlarında Kullanılan Hesaplamalar
Geliştirilen çeşitli Kesme yöntemlerinden her biri diğerleriyle ilişkili olarak yeni hesaplama güçlükleri getirmektedir. Bununla beraber, tek
başına hiçbir kesme yöntemi hesaplama açısından diğerlerinden üstün olduğu söylenemez.Her ne kadar bazı özel oluşturulmuş problem çözümlerinde bu yöntemler etkili olmuşlarsa
da uygulayıcılar arasındaki genel kanı , kesme yöntemlerinin tamsayılıproblemlerin çözümünde güvenilir olmadığıdır. Deneyler, daha ufak problemlerin bu yöntemle çözüme ulaştırılamayacağını göstermiştir. Pek çok durumda kısıtların sıralamasındaki herhangi bir değişiklik hesaplama yönünden kolay bir problemi oldukça zorlaştırabilmektedir.
Bu yöntemle ilgili genel kanı bunların tek
başlarına tamsayılı problemlerin çözümünde güvenilir biçimde kullanılamayacağıdır. Bununla beraber, diğer tekniklerde bu yöntemlerden faydalanılabilmektedir.Dal ve Sınır Algoritması
Herhangi bir tam sayılı programın çözümüne yaklaşık bir değer, tamsayı olma mecburiyetini ihmal etmekle meydana gelen lineer programlamanın bilinen çözüm metodlarından birisiyle elde edilir. Eğer çözüm tesadüfen tamsayı çıkarsa o zaman bu çözüm, orijinal tamsayılı programlamanın da optimal çözümüdür.
Dallara Ayırma
Eğer bir yaklaşık değer x
j* gibi tamsayı olmayan bir değişken içerirse o zaman i1 < xj* < i2 olur. i1 ve i2 birbirini takip eden, negatif olmayan tamsayılardır. Orijinal yeni ilk tamsayılı program ya xj ≤ i1 yada xj ≥ i2 kısıtı ile çoğaltılarak iki yeni tamsayılı program eklenebilir. Bu işlem, xj için mevcut, yani en son tamsayılı olmayan çözümü tekrar değerlendirmeden elimine eder. Fakat orijinal veya ilk probleme ait bütün mümkün tamsayılı çözümleri ihtiva eder.Sınırlama
Amaç fonksiyonu maksimize edildiğinde dallanma, tamsayı çözüm elde edilinceye kadar devam eder. Bu ilk tamsayı çözüm için amaç fonksiyonunun değeri, problem için bir alt sınır olur ve tamsayı olsun yada olmasın birinci yaklaşık değeri bu alt sınırdan daha küçük amaç fonksiyonunu veren diğer programların hiçbirisi gözönüne alınmazla
r. Dallanma, amaç fonksiyonunun değeri alt sınırdan daha büyük olan ancak tamsayı olmayan bir yaklaşık
değere sahip programdan devam eder. Eğer işlem sırasında mevcut alt sınırdan daha büyük bir amaç fonksiyonuna sahip bir çözüm çıkartılırsa, bu değer yeni alt sınır olur. İlk alt sınır elimine edilir. Dallanma prosesi, inceleme altında tamsayı olmayan birinci yaklaşık değerli hiçbir program kalmayıncaya kadar devam eder. Bu noktada mevcut alt sınır çözüm, orijinal (ilk) tamsayılı programın optimal çözümüdür. Eğer amaç fonksiyonunun minimize edilmesi gerekiyorsa, aynı prosedürde bu sefer üst sınırlar kullanılır. Yani birinci tamsayılı çözümün değeri, problem için bir üst sınır olur ve birinci yaklaşık z değeri üst sınırdan büyük olanlar elimine edilir.
Bu algoritmada, optimale en yakın programdan dallanılır. Birçok seçenek varsa, amaç fonksiyonunun maksimizasyonu için en büyük değerli z, amaç fonksiyonunun minimizasyonu için ise, en küçük değerli z değeri seçilir.
Eğer birinci yaklaşık değer, birden fazla tamsayı olmayan değişkeni içeriyorsa, yeni kısıtlar tamsayı olmaktan en uzak değişkene (0.5’e en yakın ondalıklıya) empoze edilir. Eşitlik durumunda değişkenlerden herhangi biri keyfi seçilir. Bir tamsayılı program için birden fazla optimum çözüm bulmak
mümkündür. Her iki durumda da çözümlerden birisini optimum çözüm olarak kabul ederiz.ÖRNEK: Verilen tamsayılı programlama probleminin optimum çözümünü Datson algoritmasıyla çözün.
Max. z = 3x1 + 4x2
Ş.k.g. 2x
1 + x2 ≤ 62x1 + 3x2 ≤ 9
x1 , x2 ≥ 0 ve tamsayı
ÇÖZÜM: 2x1 + x2 = 6 x1 = 0 x2 = 6
x1 = 3 x2 = 0
2x1 + 3x2 = 9 x1 = 0 x2 = 3
x1 = 4,5 x2 = 0
Optimum noktanın (C) hesaplanması;
2x1 + x2 = 6
2x1 + 3x2 = 9
x2* = 1,5 x1* = 2,25
max. z = 3*2,25 + 4*1,5 = 12,75
x2* dan dallanılır. Yani kısıtlar; x2 ≤ 1 ve x2 ≥ 2
Prg. 2 : max. z = 3x1 + 4x2 max. z = 3x1 + 4x2
Ş.k.g. 2x
1 + x2 ≤ 6 Ş.k.g. 2x1 + x2 ≤ 62x1 + 3x2 ≤ 9 2x1 + 3x2 ≤ 9
x2 ≤ 1 x2 ≥ 2
x1 , x2 ≥ 0 ve ts. x1 , x2 ≥ 0 ve ts.
E ( x1* = 2,5 x2* = 1 ) z =11,5
G ( x1* = 1,5 x2* = 2 ) z =12,5 z’si büyük olan alınır.
Prg. 3 : x1 ≤ 1 ve x1 ≥ 2
Prg. 4 : max. z = 3x1 + 4x2 max. z = 3x1 + 4x2
Ş.k.g. 2x
1 + x2 ≤ 6 Ş.k.g. 2x1 + x2 ≤ 62x1 + 3x2 ≤ 9 2x1 + 3x2 ≤ 9
x2 ≥ 2 x2 ≥ 2
x1 ≤ 1 x1 ≥ 2
x1 , x2 ≥ 0 ve ts. x1 , x2 ≥ 0 ve ts.
L optimum noktadır. Fizibil çözüm yok.
L (x1* = 1 x2* = 7/3 )
Max. z = 12,33
2 < x2* < 3 x2 ≤ 2 x2 ≥ 3
Prg. 6 : max. z = 3x1 + 4x2 Prg. 7 : max. z = 3x1 + 4x2
Ş.k.g. 2x
1 + x2 ≤ 6 Ş.k.g. 2x1 + x2 ≤ 62x1 + 3x2 ≤ 9 2x1 + 3x2 ≤ 9
x2 ≥ 2 x2 ≥ 2
x1 ≤ 1 x1 ≤ 1
x2 ≤ 2 x2 ≥ 3
x1 , x2 ≥ 0 ve ts. x1 , x2 ≥ 0 ve ts.
Fizibil doğru parçası var HK . Fizibil nokta var D .
x1* = 1 x2* = 2 z* = 11 x1* = 0 x2* = 3 z* = 12
6. ve 7. programlar tamsayılı sonuç vermiştir. Ancak, program 7’nin sonucu, bu problemin optimum çözümü olarak kabul edilir. Dallanılabilecek tek program, program 2’dir. Ancak, bunun z
* değeri (11,5) , alt sınırdan (12) küçük olduğundan, bu programdan dallanmaya gerek kalmamaktadır.Problemin ağaç diyagramı ise şu şekildedir;
z* = 11,5 z* = 11
x2 ≤ 1 x2 ≤ 2
z =12 z* = 12,33
x1 ≤ 1
z* = 12,5 x2 ≥ 3 z* = 12
x2 ≥ 2
x1 ≥ 2
Dal ve sınır tekniğinde kullanılan bilgisayar kodları daha önce bahsedilen tekniklerden dallanma değişkenleri ve alt problemlerin sıralanması yönünden farlılık göstermektedir. Bu kurallar, deneyler sonucu geliştirilen tahminlere dayanmaktadı
r.Daha önceki yöntemlerde her düğümde lineer programı tümünün yeniden çözülmesi temel dezavantajdır. Bu, daha geniş problemlerde önemli zaman kayıplarına yol açmaktadır. Bu sorun, iyi bir sınır belirlenebilirse pek çok düğümün devre dışı bırakılabileceğinin farkedilmesiyle ortadan kaldırılmıştır.
Bu gelişme, bir ağaç diyagramında tüm alt problemlerin çözülme gerekliliğini ortadan kaldırmıştır. Buradaki esas fikir, bir maksimizasyon problemindeki gibi her düğümdeki optimum hedef değeri için bir üstsınır tahmininde bulunmaktır. Eğer bu üst sınır, eldeki tamsayılı çözümlerin en iyisinden küçük kalıyorsa bu düğüm devre dışı bırakılır. Temel avantaj, üst sınırların kolaylıkla tahmin edilebilir olmasıdır.
Buradaki genel fikir xk ≤ [βk] ve xk ≤ [βk]+1 şartlarını yürüterek, ortaya çıkan cezaların tahminine dayanır. Bu da bu kısıtların her birinin düğümdeki optimum tablo seviyesine çıkartılmasıyla başarılabilir. Temelde bir değişiklik olmaması varsayımıyla bulunmak istenen ceza direkt olarak amaç fonksiyonu katsayılarından çıkartılabilir.
Bu cezaların hesaplanması kolay olmakla beraber eksikliği, amaç değerlerindeki gerçek sapmalarla orantılı olmak zorunda değildir. Bu eksikliği gidermek için yapılan çalışmalardan en ilginç olanı kesme metodlarının kullanıldığı yöntemdir. Yine de bu yöntemlere rağmen tam olarak giderilemediğinden ceza yöntemi özellikle problemin büyüklüğü arttığında etkisiz kalmaktadır.
Dal sınır metodunun eksikliğine rağmen bu yöntemin normal büyüklükteki tamsayılı programların çözümünde en etkin yöntem olduğu söylenebilir.
3.3. Ya Bu- Ya O Tipi Kısıtlayıcılar (Zero-One İmplict Enumeration)
Her tamsayılı değişken belirli sayıdaki 0 veya 1 şeklindeki (çift) değişken cinsinden tanımlanabilir. Bunun en kolay yolu şöyledir.
0 ≤ x ≤ n eşitsizliğinde x bir tamsayılı değişken ve n de bir tamsayılı üst sınırdır. Buna göre, y1 , y2 ,..., yn sıfır-bir değişkenleridir.
x = y1 + y2 +...+ yn
yukarıdaki denklem x’in tüm olurlu değerlerini gösteren ikili bir ifadedir. İkili değişkenlerin n’den daha küçük olduğu durumlarda kullanılan bir diğer gösterim şekli de aşağıdaki gibidir.
x = y0 + 2y1 + 22y2 +...+ 2k yk
Bu denklemdeki k değişkeni 2
k+1 –1 ≥ n şartını sağlayan en küçük tamsayıdır.Her tamsayılı problemin sıfır-bir değişkeniyle hesaplanmasındaki kolaylıktan ötürü ikili forma dönüştürülmesi fikri bu özellikleri etkili bir algoritma geliştirmek üzere kullanmaya yol açmıştır.
Eklemeli algoritma (additive algorithm) yöntemi de aslında genişletilmiş bir dal-sınır algoritması uygulamasından farklı değildir. Burada orijinal algoritma hiçbir zaman lineer programlama çözümünü içermez. Aslında, buradaki tek aritmetik işlem çıkartma ve toplamalardır. Bu nedenle sıfır-bir algoritması bazı uygulamalarda eklemeli algoritma halini almaktadır.
Dal-sınır algoritmasında bu yöntemden bahsedildiğinden iki yöntem arasındaki ilişkinin anlaşılması daha kolay anlaşılacaktır.
Eklemeli algoritmanın temel fikri, 2n olası çözümün numaralandırılmasıdır. Bununla beraber, bu yöntem bazı çözümlerin dikkatli incelenmesine gerek kalmadan elenmesine de olanak verir. Böylece, son analizde 2n çözümün bir bölümünün dikkatli incelenmesi gerekmektedir.
YA f1(x1,.....,xn) ≤ 0 YA DA f2(x1,......,xn) ≤ 0
y = 0 à Sadece (1) aktif
y = 1 à Sadece (2) aktif
Örnek : Üç değişik model araba üretilecektir. Ekonomik nedenlerle herhangi bir model üretilecekse en az bin adet üretilmesi gerekiyor.
Model 1 Model 2 Model 3 Kısıtlama
ÇELİK
1,5 T 3 T 5 T 6000 TİŞ GÜCÜ 30 S 25 S 40 S 60000S
KAR 2000$ 3000$ 4000$
Karar Değişkenleri xİ
= i model araba üretim miktarı i = 1,2,3...Max 2x1 + 3x2 + 4x3
Kısıtlayıcılar : (1) YA x
1 ≤ 0 VEYA x1 ≥ 1000(2) YA x2 ≤ 0 VEYA x2 ≥ 1000
(3) YA x3 ≤ 0 VEYA x3 ≥ 1000
(4) ÜRETİMDE EN FAZLA ÇELİK KULLANIMI 6000 T
(5) ÜRETİMDE EN FAZLA İŞ GÜCÜ KULLANIMI 60000 S
(1) KISITLAYICI x1 ≤ M1y1 M1 = min{6000/1.5 60000/30 }
1000 – x1 ≤ M1y1 = min{4000 , 2000} = 2000
y1 = 0 VEYA 1
y1 = 1 à x1 ≥ 1000
y1 = 0 à x1 ≤ 0
Max. z = 2x1 + 3x2 + 4x3
x1 ≤ 2000 y1
1000 - x1 ≤ 2000 (1 – y1)
x2 ≤ 2000 y2
1000 – x2 ≤ 2000 (1 – y2)
x3 ≤ 1200 y2
1000 – x3 ≤ 1200 (1 – y2)
1.5 x1 + 3 x2 + 5 x3 ≤ 6000
30 x1 + 25 x2 + 40 x3 ≤ 60000
x1, x2, x3 ≥ 0 ; x1, x2, x3 T/S
y1, y2, y3 = 0 veya 1
Optimal Çözüm : Z = 6000
X2=2000 , Y2 = 1
Y1=Y3=X1=X3=0