Artigo: The dynamic berth allocation problem for a container port Akio Imai, Etsuko Nishimura, Stratos Papadimitriou, 1.999 Analisando a formulação relaxada para o sistema dinâmico de alocação de berços A formulação do DBAP é do tipo MIP e não pode ser resolvida em tempo polinomial. Assim, poderia ser resolvida pela técnica branch-and-bound (uma das mais utilizadas para encontrar a solução ótima de problemas de otimização NP-difíceis), porém consome muito tempo computacional; Assim, os autores deste artigo desenvolveram uma heurística utilizando a Relaxação Lagrangeana, com o método de otimização do subgradiente; Cujo ganho no tempo computacional para grandes escalas é notável (LORENA et. al). Condições de Otimalidade Relaxações podem ser obtidas por meio: • da desconsideração de algumas restrições; • da desconsideração das das restrições de integralidade e da, • da simplificação do problema. Relaxação Lagrangeana • Held & Karp em 1970 utilizaram um método Lagrangeano para resolver o problema do caixeiro viajante, foram precursores do uso deste método; • Somente em 1974 Geoffrion firmou o nome perfeito para esta abordagem Relaxação Lagrangeana (Fisher, 1981); • O problema Lagrangeano consiste na dualização das restrições difíceis, com o acréscimo destas à função objetivo através de um vetor de multiplicadores, chamados de multiplicadores de Lagrange, sendo eliminadas em seguida do conjunto de restrições (www.deps.ufsc.br/~mayerle); • Uma relaxação Lagrangeana de um dado problema é obtida multiplicando o conjunto de restrições Ax ≤ b por um vetor u de multiplicadores de Lagrange de sinal apropriado, adicionando-se o produto à função objetivo (Espejo et. al.2002); •A escolha das restrições a serem relaxadas pode afetar tanto o valor da solução ótima do dual da relaxação quanto o esforço computacional requerido para avaliar e atualizar a função dual durante o processo de solução do mesmo (Espejo, 2002). Exemplificando: 1. Inicia-se com um problema de otimização combinatória formulado como um problema de programação inteira. Z= min cx Sujeito à: Ax = b, Dx<=e x>= 0 e inteiro, (1) (2) (3) 2. Relaxa-se a restrição (1) para tornar o problema mais fácil de ser resolvido. ZD(u) = min cx + u(Ax – b) Sujeito à: Dx<=e x>= 0 e inteiro Onde u = {u1,...,um} é o vetor de multiplicadores de Lagrange (Fisher, 1981) • Se a restrição for do tipo Ax <= b, então u >= 0; • Se for do tipo Ax >= b, então u <= 0; POR QUÊ? Para garantir que ZD(u) <= Z , “onde sua solução ótima será um limitante inferior do valor da solução também ótima, mas do problema original de minimização” (Bramel et. al, 1997) • Outro exemplo (Fisher, 1981) • O problema crítico no uso efetivo das relaxações é a derivação de um bom conjunto de multiplicadores para os problemas duais correspondentes (Espejo, 2002); • Dentre várias maneiras de se buscar o melhor valor para o multiplicador, o que mais se destaca é o método do subgradiente, que é uma adaptação do método do gradiente, no qual os gradientes são substituídos por subgradientes; •Dado um valor inicial u0 uma sequência de {uk} é expressa por: uk+1 = uk + tk(Axk – b) Onde xk é a solução ótima do problema ZD(u) e tk é um escalar positivo que indica o tamanho do passo. • Observa-se que a cada passo desloca-se na direção do gradiente, no entanto, somente o movimento na direção do subgradiente de u não assegura o aumento na função Z; • Conforme sugere Polyak in Bramel (1997) é preciso dispor de passos com valores (tamanhos) pré-determinados tk que farão com que a sequência ZD(u)) venha a convergir para a solução ótima; • De acordo com Fisher (1981), ZD(u) Z se tk 0 ; • A escolha do passo tk mais utilizada é: tk k ( Z * ZD(u k )) Ax b k 2 Onde λk é um escalar que satisfaz 0 < λk <=2 e Z* é uma estimativa de limite superior por aproximação de ZD que corresponde a melhor solução obtida nos estágios iniciais de computação; • Pode-se apontar que a escolha do tamanho do passo é uma área que não é perfeitamente compreendida na atualidade (www.deps.ufsc.br/~mayerle). Relaxação Lagrangeana para o DBAP Minimizar T k 1 Cij Si Aj xijk (T k 1)Yijk iB jV kO iB jWi kO ijk (Cil xilm Yilm ) Yijk ( Aj Si ) xijk iB jWi kO jV mPk i(1,..., I ) B j(1,...T ) V k (1,...T )O Si conjunto deberços conjunto de navios conjunto deordens de serviços momentoem queoberçoi setorna disponível para o planejamento de alocação deberços A momento dechegada do navio j j C ij xi jk tempo de manipulação gasto pelo navio j noberçoi 1 seo navio j é atendidocomo o kth navio noberçoi 0 emcaso contrário Pk é o subconjunt o de O talque Pk p/p kO Wi é o subconjunt o de navioscom A j Si Yijk é o momentodisponível do berço i entre a partidado k 1navioe a chegadado kth navioquando o navio j é atendidocomoo kth navio Sujeito à: x iB kO x jV i jk ijk • Cada navio deve ser atendido por um berço em uma seqüência de atendimento. j V 1 1 i B, k O xijk 0,1 i B, • Cada berço atende um navio por vez. j V , k O Referências Bibliográficas • BRAMEL, J. & SIMCHI-LEVI, D. in The Logic of logistics: theory, algorithms, and applications for logistics management, Ed. Springer-Verlag, Nova Iorque, 1997. • ESPEJO, L. G. A., GALVÃO R. D. O uso das relaxações Lagrangeana e Surrogate em problemas de programação inteira. Pesquisa Operacional, v.22, n.3, p.387-402, julho a dezembro de 2002; • FISHER, M. L. The Lagrangian relaxation method for solving integer programming problems. Management Science 27, 1-18, 1.981; • LORENA, L. A. N., SENNE, E. L. F. Improving traditional subgradient scheme for Lagrangean relaxation: an application to location problems; •Relaxação Lagrangeana, em www.deps.ufsc.br/~mayerle, acesso em 19/10/2006;