COSAS A CONSIDERAR

Noten que al relajar ya sea por relajacin lagrangiana o de programacin Lineal se obtienen problemas ms simples de resolver, es decir con regiones factibles ms grandes entonces se cumple lo siguiente:

()
Entonces todas las soluciones que son factibles para el problema original (P) son factibles para el problema relajado, pero no toda las soluciones que son factibles para el problema relajado son factibles para el problema original (P). por lo tanto al relajar obtenemos: Al relajar un problema de Mximo Al relajar un problema de Mnimo Obtenemos COTAS SUPERIORES Obtenemos COTAS INFERIORES

Po otra parte cualquier solucin factible a un problema Original (P) Sol. Factible de un problema de Mximo Sol Factible de un problema de Mnimo Es COTA INFERIOR Es COTA SUPERIOR

Resumiendo:

P. de Mximo

P. de Mnimo

Obtenida de una Relajacin

CS V(P)

CS V(P)

Cualquier Solucin Factible del Problema Original

Valor de la Solucin Optima del Problema Original

Valor de la Solucin Optima del Problema Original

Cualquier Solucin Factible del Problema Original

CI

CI

Obtenida de una Relajacin

Lo que buscamos nosotros es encontrar las Cotas Superiores ms pequeas (en un problema relajado de mximo) y las Cotas Inferiores ms grandes (en un problema relajado de mnimo). As al aplicar el algoritmo de Branch and Bound ese converger a la solucin Optima del problema Original ms rpidamente, es decir, en un numero menos de ramificaciones.

Es por esto que resolvemos el problema DUAL Lagrangiano, que consiste en encontrar el mnimo de los mximos valores obtenidos al aplicar la relajacin lagrangiana, todo esto para un problema original de mximo. Luego para un problema de mnimo al resolver el dual lagrangiano queremos encontrar el mximo de los los mnimos valores obtenidos. Luego estos valores correspondern a nuestro lambda optimo. Grficamente lo que buscamos es

(el eje de las x representa los valores de lambda y el eje de la y los valores de la funcin objetivo del problema relajado) Para un problema de Mximo, las lneas amarillas en el grafico representan todos los mximos obtenidos, luego para resolver el dual necesitamos el mnimo de estos, que en este caso est marcado con un circulo negro luego interceptamos las rectas que pasan por ah y obtenemos el valor del lambda optimo que en este caso sera 2.

(el eje de las x representa los valores de lambda y el eje de la y los valores de la funcin objetivo del problema relajado) Luego para un problema de Mnimo, al resolver el dual buscamos el Mximo valor de todos los mnimos, en este caso los valores mnimos se representan con la lnea amarilla y el circulo negro representa el Mximo valor de este, luego interceptamos las rectas que pasan en este punto y despejamos el valor del lambda optimo que en este caso sera 1. La calidad de las Cotas Las cotas que se encuentran con relajacin lagrangiana son Siempre mejores o iguales que las encontradas al aplicar una relajacin de programacin Lineal, esto se cumple si y solo si el multiplicador Lambda es el ptimo. Si lambda no es el ptimo la Cota encontrada puede ser mejor o peor que la de programacin.

Verificar si la solucin de un problema Relajado es optima para el problema original

Para que la solucin del problema relajado sea ptima al problema original deben cumplirse los siguientes puntos, para un problema de mnimo. i) Si 0 es una solucin ptima de la relajacin lagrangiana para algn 0 entonces: 0 + ( 0 ) , donde V(P) es la solucin del problema Original ii) Si adems 0 es factible para el problema original (P), entonces: 0 + 0 0 Si Adems 0 = 0 Entonces 0 es una solucin ptima del problema Original.

iii)

Qu restriccin o conjunto de restricciones Relajar? Relajar aquellas restricciones con las cual resulte un problema simple pero no tanto. Por ejemplo si al relajar una la restriccin (1) de un problema obtenemos una mochila y al relajar la restriccin (2) obtenemos un problema de asignacin. En este caso nos conviene relajar la restriccin (1) porque el problema de la mochila o una multimochila es considerado un problema mas difcil de resolver en tiempo computacional que uno de asignacin. Adems recuerden que si en un problema relajado nos queda un problema de asignacin donde la matriz de resultados es TUM, es decir, unimodular (tiene solo 0 y 1 y los determinantes de cualquier submatriz son -1, 0 1), de lado derecho entero este satisface con las condiciones de integralidad y por lo tanto la cota obtenida con este problema (considerando un lambda optimo) ser IGUAL a la cota obtenida al resolver el problema original aplicando la relajacin de programacin lineal.

MUCHA SUERTE Y XITO!!!