Zagadnienia lokalizacyjne
ze zło˙zonymi modelami preferencji
Paweł Olender
Promotor: prof. dr hab. Włodzimierz Ogryczak
Wydział Elektroniki i Technik Informacyjnych Politechnika Warszawska
Agenda
1 Wprowadzenie
2 Modele z agregacj ˛a OWA Operator OWA
Modele optymalizacyjne OWA 3 Modele z agregacj ˛a WOWA
Operator WOWA
Modele optymalizacyjne WOWA 4 Metoda VNS z agregacj ˛a OWA
Metoda VNS Modyfikacje VNS
5 Metoda VNS z agregacj ˛a WOWA Adaptacja VNS dla WOWA 6 Podsumowanie
Zagadnienia lokalizacyjne
Jak rozmie ´sci´c obiekty do obsługi klientów (odbiorców)?
c1 c2 c3 c4 c5 7 6 4 0 0
Dyskretny problem lokalizacyjny
odbiorcy
mo˙zliwe lokalizacje punktów obsługi abstrakcyjne odległo´sci
umiejscowienie punktów obsługi przypisanie odbiorców do p. obsługi
Klasyczne typy problemów
kryterium ´sredniej (sumy) kryterium centrum
Aby uzyska ´c rozwi ˛azania kompromisowe mo ˙zna zastosowa ´c podej´scie wielokryterialne z odpowiednim modelem preferencji.
Zagadnienia lokalizacyjne
Jak rozmie ´sci´c obiekty do obsługi klientów (odbiorców)?
c1 c2 c3 c4 c5 7 6 4 0 0
Dyskretny problem lokalizacyjny odbiorcy
mo˙zliwe lokalizacje punktów obsługi abstrakcyjne odległo´sci
umiejscowienie punktów obsługi przypisanie odbiorców do p. obsługi
Klasyczne typy problemów
kryterium ´sredniej (sumy) kryterium centrum
Aby uzyska ´c rozwi ˛azania kompromisowe mo ˙zna zastosowa ´c podej´scie wielokryterialne z odpowiednim modelem preferencji.
Zagadnienia lokalizacyjne
Jak rozmie ´sci´c obiekty do obsługi klientów (odbiorców)?
c1 c2 c3 c4 c5 7 6 4 0 0
Dyskretny problem lokalizacyjny odbiorcy
mo˙zliwe lokalizacje punktów obsługi
abstrakcyjne odległo´sci
umiejscowienie punktów obsługi przypisanie odbiorców do p. obsługi
Klasyczne typy problemów
kryterium ´sredniej (sumy) kryterium centrum
Aby uzyska ´c rozwi ˛azania kompromisowe mo ˙zna zastosowa ´c podej´scie wielokryterialne z odpowiednim modelem preferencji.
Zagadnienia lokalizacyjne
Jak rozmie ´sci´c obiekty do obsługi klientów (odbiorców)?
c1 c2 c3 c4 c5 7 6 4 0 0
Dyskretny problem lokalizacyjny odbiorcy
mo˙zliwe lokalizacje punktów obsługi abstrakcyjne odległo´sci
umiejscowienie punktów obsługi przypisanie odbiorców do p. obsługi
Klasyczne typy problemów
kryterium ´sredniej (sumy) kryterium centrum
Aby uzyska ´c rozwi ˛azania kompromisowe mo ˙zna zastosowa ´c podej´scie wielokryterialne z odpowiednim modelem preferencji.
Zagadnienia lokalizacyjne
Jak rozmie ´sci´c obiekty do obsługi klientów (odbiorców)?
c1 c2 c3 c4 c5 7 6 4 0 0
Dyskretny problem lokalizacyjny odbiorcy
mo˙zliwe lokalizacje punktów obsługi abstrakcyjne odległo´sci
umiejscowienie punktów obsługi
przypisanie odbiorców do p. obsługi
Klasyczne typy problemów
kryterium ´sredniej (sumy) kryterium centrum
Aby uzyska ´c rozwi ˛azania kompromisowe mo ˙zna zastosowa ´c podej´scie wielokryterialne z odpowiednim modelem preferencji.
Zagadnienia lokalizacyjne
Jak rozmie ´sci´c obiekty do obsługi klientów (odbiorców)?
c1 c2 c3 c4 c5 7 6 4 0 0
Dyskretny problem lokalizacyjny odbiorcy
mo˙zliwe lokalizacje punktów obsługi abstrakcyjne odległo´sci
umiejscowienie punktów obsługi przypisanie odbiorców do p. obsługi
Klasyczne typy problemów
kryterium ´sredniej (sumy) kryterium centrum
Aby uzyska ´c rozwi ˛azania kompromisowe mo ˙zna zastosowa ´c podej´scie wielokryterialne z odpowiednim modelem preferencji.
Zagadnienia lokalizacyjne
Jak rozmie ´sci´c obiekty do obsługi klientów (odbiorców)?
c1 c2 c3 c4 c5 7 6 4 0 0
Dyskretny problem lokalizacyjny odbiorcy
mo˙zliwe lokalizacje punktów obsługi abstrakcyjne odległo´sci
umiejscowienie punktów obsługi przypisanie odbiorców do p. obsługi
Klasyczne typy problemów kryterium ´sredniej (sumy) kryterium centrum
Aby uzyska ´c rozwi ˛azania kompromisowe mo ˙zna zastosowa ´c podej´scie wielokryterialne z odpowiednim modelem preferencji.
Zagadnienia lokalizacyjne
Jak rozmie ´sci´c obiekty do obsługi klientów (odbiorców)?
c1 c2 c3 c4 c5 7 6 4 0 0
Dyskretny problem lokalizacyjny odbiorcy
mo˙zliwe lokalizacje punktów obsługi abstrakcyjne odległo´sci
umiejscowienie punktów obsługi przypisanie odbiorców do p. obsługi
Klasyczne typy problemów kryterium ´sredniej (sumy) kryterium centrum
Aby uzyska ´c rozwi ˛azania kompromisowe mo ˙zna zastosowa ´c
podej´scie wielokryterialne z odpowiednim modelem preferencji.
Wielokryterialny problem lokalizacyjny
min{y =f(x) :x ∈Q}, yi =fi(x)— f. oceny i-tego klienta
min (y1,y2, . . . ,ym) p.o. yi = m X j=1 cijxij′ i=1, . . . ,m, m X j=1 xj=n, m X j=1 x′ ij=1 i=1, . . . ,m, x′ ij ¬xj i,j=1, . . . ,m, xj ∈ {0,1} i,j=1, . . . ,m, 0¬x′ ij ¬1 i,j=1, . . . ,m. Zmienne decyzyjne
xj czy punkt obsługi umieszczony w lokalizacji j
x′
ij czy klient i przypisany do punktu obsługi w lokalizacji j
yi koszt obsługi klienta i
Parametry
m liczba klientów (i potencjalnych
lokalizacji punktów obsługi)
n liczba punktów obsługi
cij koszt obsługi klienta i przez punkt obsługi w lokalizacji j
Model preferencji
Wybór rozwi ˛azania na podstawie wektorów ocen
Racjonalna relacja preferencji=⇒Pareto-efektywno ´s´c
zwrotna
przechodnia (tranzytywna) ´scisle monotoniczna
Efektywno´s´c w sensie rozkładu ocen Symetryczna efektywno ´s´c
warunek anonimowo´sci
(yτ (1),yτ (2), . . . ,yτ (m)) ∼= (y1,y2, . . . ,ym) dla dowolnej permutacjiτzbioru I = {1,2, . . . ,m} Wyrównuj ˛aca efektywno ´s´c
reguła przesuni ˛e´c wyrównuj ˛acych
yi′ >yi′′⇒y− εei′+ εei′′≺y dla0< ε <yi′−yi′′
Model preferencji
Wybór rozwi ˛azania na podstawie wektorów ocen
Racjonalna relacja preferencji=⇒Pareto-efektywno ´s´c
zwrotna
przechodnia (tranzytywna) ´scisle monotoniczna
Efektywno´s´c w sensie rozkładu ocen
Symetryczna efektywno ´s´c
warunek anonimowo´sci
(yτ (1),yτ (2), . . . ,yτ (m)) ∼= (y1,y2, . . . ,ym)
dla dowolnej permutacjiτzbioru I = {1,2, . . . ,m}
Wyrównuj ˛aca efektywno ´s´c
reguła przesuni ˛e´c wyrównuj ˛acych
Techniki generacji rozwi ˛
aza ´n
Skalaryzacja
funkcja skalaryzuj ˛aca s:Rm→R
sprowadzenie do optymalizacji jednokryterialnej min{s(f1(x),f2(x), . . . ,fm(x)) :x ∈Q}.
Powszechne funkcje skalaryzuj ˛ace
min{Pmi=1fi(x) :x ∈Q}— kryterium ´sredniej
min{maxi=1,...,mfi(x) :x ∈Q}— kryterium centrum
Uporz ˛adkowana ´srednia wa ˙zona
kompromisowe rozwi ˛azania bezstronne i/lub sprawiedliwe tylko dla jednorodnych odbiorców
utrudnienie zadania w sensie obliczeniowym
Tezy rozprawy
Teza 1 Mo ˙zliwe jest sformułowanie parametrycznych modeli optymalizacji wielokryterialnej dla dyskretnych zagadnie ´n
lokalizacyjnych, które uwzgl ˛edniaj ˛a zarównopreferencje
efektywno ´sciowo-sprawiedliwo ´sciowe, jak izró ˙znicowane
zapotrzebowania.
Teza 2 Istniej ˛anadmiarowe ograniczenia, które pozwalaj ˛a napopraw ˛e
efektywno ´scimodeli optymalizacji wielokryterialnej w sensie
najlepszego rozkładu ocen dla dyskretnych problemów lokalizacyjnych.
Teza 3 Mo ˙zliwa jest konstrukcjaprzybli˙zonej metodyrozwi ˛azywania
dyskretnych problemów lokalizacyjnych, która dladowolnych
wag preferencjipozwala efektywnie osi ˛aga ´c rozwi ˛azania
dobrej jako ´sci w sensie rozkładu ocen dla problemów odu ˙zych
Cele rozprawy
Cel 1 Opracowanie parametrycznych modeli optymalizacji
wielokryterialnej dla dyskretnych zagadnie ´n lokalizacyjnych,
które uwzgl ˛edniaj ˛a zarówno preferencje
efektywno ´sciowo-sprawiedliwo ´sciowe, jak i zró ˙znicowane zapotrzebowania.
Cel 2 Poprawa efektywno ´sci parametrycznych modeli optymalizacji wielokryterialnej w sensie najlepszego rozkładu ocen dla dyskretnych problemów lokalizacyjnych poprzez wprowadzenie odpowiednich nadmiarowych ogranicze ´n.
Cel 3 Poprawa wydajno ´sci i dokładno ´sci przybli˙zonej metody
rozwi ˛azywania dyskretnych problemów lokalizacyjnych w sensie
najlepszego rozkładu ocen z dowolnymi wagami preferencji.
Uporz ˛
adkowana ´srednia wa˙zona
OWA (ang. Ordered Weighted Averaging):
specyficzna ´srednia wa˙zona
wagi s ˛a przypisane do uporz ˛adkowanych warto´sci (tzn. do warto´sci najwi ˛ekszej, drugiej najwi ˛ekszej itd.)
Definicja OWA (Yager, 1988)
Aw(y) = m X i=1 wiθi(y) wagi preferencji w = (w1,w2, . . . ,wm)
operator porz ˛adkuj ˛acyΘ :Rm→Rm, taki ˙ze
Θ(y) = (θ1(y), θ2(y), . . . , θm(y)), gdzie
θ1(y) θ2(y) . . . θm(y)
OWA jako parametryczny model preferencji
Operator OWA uogólnia wiele ró ˙znych funkcji celu
wektor wag w Aw(y) =Pmi=1wiθi(y) (m1,m1, . . . ,m1) kryt. ´sredniej (1,0, . . . ,0) kryt. centrum (1k, . . . ,k1 | {z } k ,0, . . . ,0) kryt. k -centrów (1,1− λ, . . . ,1− λ) kryt. centro-´sredniej (0, . . . ,0,1) kryt. minimum (w1>>w2>> . . . >>wm) −→ lex(θ1(y), θ2(y), . . . , θm(y)) (w1<<w2<< . . . <<wm) −→ lex(θm(y), θm−1(y), . . . , θ1(y)) (0, . . . ,0 | {z } k1 ,1, . . . ,1,0, . . . ,0 | {z } k2
) kryt. zaw ˛e ˙zonej ´sredniej
Warstwice i wykresy agregacji OWA dwóch kryteriów
y1 y2 y2=y1 w1≫w2 w1>w2 w1=w2 w1<w2 w1≪w2 0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10 y1 y2 0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10 0 2 4 6 8 10 y1 y2 0 2 4 6 8 10Model M1
min ˆ yk,zik,yi m X k=1 wkˆyk, p.o. ˆyk+Mzik yi, i,k=1, . . . ,m, m X i=1 zik¬k−1, k=1, . . . ,m, zik ∈ {0,1} , i,k=1, . . . ,m, y∈A. ˆ yk ˆyk+1, k=1, . . . ,m−1, (1) zik¬zik+1, i=1, . . . ,m; k=1, . . . ,m−1, (2) m X k=1 ˆ yk= m X i=1 yi. (3) Zmienne decyzyjneyi koszt obsługi i -tego klienta
ˆ
yk k -ty najwi ˛ekszy koszt klienta zik pomocnicze zmienne binarne
Parametry
m liczba klientów (i potencjalnych lokalizacji punktów obsługi) M odpowiednio du˙za stała wk k -ta waga preferencji
Model M1
min ˆ yk,zik,yi m X k=1 wkˆyk, p.o. ˆyk+Mzik yi, i,k=1, . . . ,m, m X i=1 zik¬k−1, k=1, . . . ,m, zik ∈ {0,1} , i,k=1, . . . ,m, y∈A. ˆ yk ˆyk+1, k=1, . . . ,m−1, (1) zik¬zik+1, i=1, . . . ,m; k=1, . . . ,m−1, (2) m X k=1 ˆ yk= m X i=1 yi. (3) Zmienne decyzyjneyi koszt obsługi i -tego klienta
ˆ
yk k -ty najwi ˛ekszy koszt klienta zik pomocnicze zmienne binarne
Parametry
m liczba klientów (i potencjalnych lokalizacji punktów obsługi) M odpowiednio du˙za stała wk k -ta waga preferencji
Model M2
min ˆ yk,sik,yi m X k=1 wkˆyk, p.o. ˆyk ˆyk+1, k=1, . . . ,m−1, ˆ yk+M(1−sik) yi, i,k=1, . . . ,m, m X i=1 sik=1, k=1, . . . ,m, m X k=1 sik=1, i=1, . . . ,m, sik ∈ {0,1} , i,k=1, . . . ,m, y∈A. m X k=1 ˆ yk = m X i=1 yi, (4) Zmienne decyzyjneyi koszt obsługi i -tego klienta
ˆ
yk k -ty najwi ˛ekszy koszt klienta sik pomocnicze zmienne binarne
Parametry
m liczba klientów (i potencjalnych lokalizacji punktów obsługi) M odpowiednio du˙za stała wk k -ta waga preferencji
Model M2
min ˆ yk,sik,yi m X k=1 wkˆyk, p.o. ˆyk ˆyk+1, k=1, . . . ,m−1, ˆ yk+M(1−sik) yi, i,k=1, . . . ,m, m X i=1 sik=1, k=1, . . . ,m, m X k=1 sik=1, i=1, . . . ,m, sik ∈ {0,1} , i,k=1, . . . ,m, y∈A. m X k=1 ˆ yk = m X i=1 yi, (4) Zmienne decyzyjneyi koszt obsługi i -tego klienta
ˆ
yk k -ty najwi ˛ekszy koszt klienta sik pomocnicze zmienne binarne
Parametry
m liczba klientów (i potencjalnych lokalizacji punktów obsługi) M odpowiednio du˙za stała wk k -ta waga preferencji
Zale˙zno´sci mi ˛edzy M1 i M2
ˆyk jest wi ˛ekszy równy nie tylko od przypisanej mu warto ´sci yi, ale
tak˙ze od warto ´sci przypisanych doyˆj dla j >k
Wzmocnienie ograniczenia w modelu M2 (i,k =1, . . . ,m)
ˆ yk +M(1−sik) yi −→ yˆk +M(1− m X j=k sij) yi, (5)
Zale ˙zno ´sci mi ˛edzy zmiennymi zik i sik
zik =1−Pmj=ksij dla i,k =1, . . . ,m sik = ( zik+1−zik dla i =1, . . . ,m;k =1, . . . ,m−1, 1−zik dla i =1, . . . ,m;k =m. Wniosek
Model M2 ze wzmocnionym ograniczeniem (5), gdzie zmienne sik
zostały zast ˛apione zmiennymi zik, stanowi model M1.
Zale˙zno´sci mi ˛edzy M1 i M2
ˆyk jest wi ˛ekszy równy nie tylko od przypisanej mu warto ´sci yi, ale
tak˙ze od warto ´sci przypisanych doyˆj dla j >k
Wzmocnienie ograniczenia w modelu M2 (i,k =1, . . . ,m)
ˆ yk +M(1−sik) yi −→ yˆk +M(1− m X j=k sij) yi, (5)
Zale ˙zno ´sci mi ˛edzy zmiennymi zik i sik
zik =1−Pmj=ksij dla i,k =1, . . . ,m sik = ( zik+1−zik dla i =1, . . . ,m;k =1, . . . ,m−1, 1−zik dla i =1, . . . ,m;k =m. Wniosek
Model M2 ze wzmocnionym ograniczeniem (5), gdzie zmienne sik
Liniowy model OWA (odchyleniowy)
w1w2 . . . wm min tk,dik,yi m X k=1 w′ k(ktk+ m X i=1 dik) p.o. dikyi−tk, i,k=1, . . . ,m, dik0, i,k=1, . . . ,m, y∈A. ¯ θk(y) = k X i=1 θi(y), k=1, . . . ,m Aw(y) = m X k=1 wkθk(y) = m X i=k w′ kθ¯k(y), gdzie w′ k= wk−wk+1, k=1,2, . . . ,m−1, wk, k=m. Zmienne decyzyjneyi koszt obsługi i -tego klienta tk k -ta warto´s´c bazowa dik nieujemne odchylenie kosztu
i -tego klienta od k -tej warto´sci bazowej
Parametry
m liczba klientów (i potencjalnych lokalizacji punktów obsługi) w′
k zmodyfikowana k -ta waga
szczegóły
Rozszerzenie modelu liniowego OWA
(∃k wk <wk+1) =⇒ (∃k wk′ <0),
Konieczne ograniczenie dolne na funkcj ˛e ktk+Pmi=1dik.
max ̺k,tk′,d′ik,zik ̺k p.o. ̺k¬ktk′+ m X i=1 d′ ik, t′ k+dik′ ¬yi, i=1, . . . ,m, d′ ik¬Mzik, i=1, . . . ,m, m X i=1 zik =k, zik ∈ {0,1}, i=1, . . . ,m. Zmienne decyzyjne t′
k k -ta warto´s´c bazowa d′
ik odchylenie kosztu i -tego klienta od k -tej warto´sci bazowej
̺k zmienna pomocnicza zik pomocnicze zmienne binarne
Parametry
m liczba klientów (i potencjalnych lokalizacji punktów obsługi) M odpowiednio du˙za stała
Hybrydowy model M3
min ̺k,tk,dik,tk′,dik′,zik,yi m X k=1 w′ k̺k p.o. ktk+ m X i=1 dik¬ ̺k k=1, . . . ,m;wk′ 0, tk+dikyi,dik 0 i,k=1, . . . ,m;wk′0, ̺k¬ktk′+ m X i=1 d′ ik k=1, . . . ,m;wk′ <0, t′ k+dik′ ¬yi i,k=1, . . . ,m;wk′<0, d′ ik¬Mzik i,k=1, . . . ,m;wk′<0, m X i=1 zik =k k=1, . . . ,m;wk′ <0, zik ∈ {0,1} i,k=1, . . . ,m;wk′<0, y∈A.Hybrydowy model M3
min ̺k,tk,dik,tk′,dik′,zik,yi m X k=1 w′ k̺k p.o. ktk+ m X i=1 dik¬ ̺k k=1, . . . ,m;wk′ 0, tk+dikyi,dik 0 i,k=1, . . . ,m;wk′0, ̺k¬ktk′+ m X i=1 d′ ik k=1, . . . ,m;wk′ <0, t′ k+dik′ ¬yi i,k=1, . . . ,m;wk′<0, d′ ik¬Mzik i,k=1, . . . ,m;wk′<0, m X i=1 zik =k k=1, . . . ,m;wk′ <0, zik ∈ {0,1} i,k=1, . . . ,m;wk′<0, y∈A.Model M3 — uwagi
Liczba zm. binarnych proporcjonalna do liczby ujemnych wag wk′
zbiór indeksów wag ujemnych: K−= {k:w′
k <0,k =1, . . . ,m}
liczba zmiennych binarnych:|K−|m¬ (m−1)m Ograniczenia nadmiarowe do M3
(i) nieujemno´s´c zmiennych d′
ik
dik′ 0 dla i,k =1, . . . ,m;wk′ <0, (ii) nieujemno´s´c zmiennych t′
k
t′
k 0 dla k =1, . . . ,m;wk′ <0,
(iii) niemalej ˛ace uporz ˛adkowanie zmiennych binarnych zikdotycz ˛acych
i-tej oceny
zik ¬zik′ dla i =1, . . . ,m;k ∈ {K−\max{K−}};k′ =suc(k), gdzie suc(k) =min{k′:k′∈K−∧k′>k}to funkcja nast ˛epnika
w ramach zbioru K−.
Hybrydowy model M4
min ̺k,tk,dik,yik′,zik,yi m X k=1 w′ k̺k p.o. ktk+ m X i=1 dik ¬ ̺k, k=1, . . . ,m;wk′ 0, tk+dik yi,dik 0, i,k=1, . . . ,m;wk′0, ̺k¬ktk′+ m X i=1 d′ ik ̺k ¬ m X i=1 y′ ik, k=1, . . . ,m;wk′<0, t′ k+dik′ ¬yi yik′ ¬yi, i,k=1, . . . ,m;wk′ <0, d′ ik¬Mzik =⇒ yik′ ¬Mzik,, i,k=1, . . . ,m;w ′ k <0, m X i=1 zik =k, m X i=1 zik =k, k=1, . . . ,m;wk′<0, zik ∈ {0,1}, zik ∈ {0,1}, i,k=1, . . . ,m;wk′ <0, y∈A, zik ¬zik′, i=1, . . . ,m;k∈ {K−\max{K−}};k′=suc(k).Hybrydowy model M4
min ̺k,tk,dik,yik′,zik,yi m X k=1 w′ k̺k p.o. ktk+ m X i=1 dik ¬ ̺k, k=1, . . . ,m;wk′ 0, tk+dik yi,dik 0, i,k=1, . . . ,m;wk′0, ̺k¬ktk′+ m X i=1 d′ ik ̺k ¬ m X i=1 y′ ik, k=1, . . . ,m;wk′<0, t′ k+dik′ ¬yi yik′ ¬yi, i,k=1, . . . ,m;wk′ <0, d′ ik¬Mzik =⇒ yik′ ¬Mzik,, i,k=1, . . . ,m;w ′ k <0, m X i=1 zik =k, m X i=1 zik =k, k=1, . . . ,m;wk′<0, zik ∈ {0,1}, zik ∈ {0,1}, i,k=1, . . . ,m;wk′ <0, y∈A, zik ¬zik′, i=1, . . . ,m;k∈ {K−\max{K−}};k′=suc(k).Małe problemy testowe
Parametry:
Rozmiar problemu — liczba lokalizacji (klientów) m∈ {8,10,12,15[,20,25,30]}
Liczba punktów obsługi — proporcjonalne do m n=m 4 n=m 3 n=m 2 n=m 2 +1 Typ problemu — wektor wag preferencji w
TC1,. . . ,TC12
Dla ka ˙zdego rozmiaru wygenerowanych zostało 15 macierzy kosztów, które przypisano do kombinacji poszczególnych parametrów – zera na
przek ˛atnej, a pozostałe koszty z dyskretnego rozkładu jednostajnego
Typy problemów I
typ nazwa/opis kryterium wektor wag w parametry
TC1 ´sredniej (ang. N-median) (1, . . . ,1
| {z }
m
)
TC2 centrum (ang. N-center) (1,0, . . . ,0
| {z }
m−1
)
TC3 k -centrów (ang. k -centra) (1, . . . ,1
| {z } k ,0, . . . ,0) k=m 3 TC4 k1+k2zaw˛e˙zonej ´sredniej
(ang. k1+k2-trimmed mean)
(0, . . . ,0 | {z } k1 ,1, . . . ,1,0, . . . ,0 | {z } k2 ) k1= m 10 , k2= n+ m 10 TC5 ci ˛ag naprzemiennych 0 i 1, zaczynaj ˛acy si ˛e od 1
(1,0,1,0,1,0, . . .)
TC6 ci ˛ag naprzemiennych 0 i 1, zaczynaj ˛acy si ˛e od 0
(0,1,0,1,0,1, . . .)
TC7 ci ˛ag sekwencji(1,1,0) (1,1,0,1,1,0, . . .)
TC8 ci ˛ag sekwencji(1,0,0) (1,0,0,1,0,0, . . .)
Typy problemów II
typ nazwa/opis kryterium wektor wag w parametry
TC9 ci ˛ag zaczynaj ˛acy si ˛e od war-to´sci m i malej ˛acy o 1
(m,m−1, . . . ,2,1)
TC10 jak TC9, ale w odwrotnej ko-lejno´sci (ci ˛ag rosn ˛acy)
(1,2, . . . ,m−1,m)
TC11 ci ˛ag zaczynaj ˛acy si ˛e od 3m i malej ˛acy przedziałami liniowo, najpierw k wag o 3, nast ˛epnie k wag o 2 i reszta o 1 (3m,3(m−1), . . . ,3(m−k) | {z } k , k=m3 3(m−k) −2, . . . ,3(m−k) −2k | {z } k , 3m−5k−1,3m−5k−2, . . .)
TC12 jak TC11, ale w odwrotnej kolejno´sci (ci ˛ag rosn ˛acy)
(. . . ,3m−5k−2,3m−5k−1, k=m 3 3(m−k) −2k, . . . ,3(m−k) −2 | {z } k , 3(m−k), . . . ,3(m−1) | {z } k ,3m)
Wpływ ogranicze ´n nadmiarowych w M1
´
Sredni czas rozwi ˛azania problemów z 8 lokalizacjami
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 TC1 TC2 TC3 TC4 TC5 TC6 TC7 TC8 TC9 TC10TC11TC12 Czas [s] Typ problemu M11 M12 M13 M14 M15 Sformułowania M11 M1 bez ogranicze ´n nadmiarowych, M12 M1 z (1), M13 M1 z (1), (3), M14 M1 z (2), M15 M1 z (2), (3).
Porównanie M1 i M2
´
Sredni czas rozwi ˛azania problemów z 8 lokalizacjami (z nadmiarowymi ograniczeniami)
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 TC1 TC2 TC3 TC4 TC5 TC6 TC7 TC8 TC9 TC10 TC11 TC12 Czas [s] Typ problemu M13 M21
Porównanie m. hybrydowych ze znanymi m. PCLM
´
Sredni czas rozwi ˛azania problemów z 8 lokalizacjami (najlepsze sformułowania modeli)
0 0.5 1 1.5 2 2.5 TC4 TC5 TC6 TC7 TC8 TC10 TC12 Czas [s] Typ problemu M13 M35 M42
Modele OWA — wnioski
Nadmiarowe ograniczenia mog ˛a znacz ˛aco poprawi´c wydajno ´s´c
obliczeniow ˛a modeli PCLM agregacji OWA.
Model M1 jest znacznie efektywniejszy ni˙z model M2.
Modele hybrydowe udowadniaj ˛a swoj ˛a skuteczno ´s´c dla
problemów pewnych typów, gdzie wagi nie s ˛a odpowiednio
monotoniczne.
Zró˙znicowane zapotrzebowania odbiorców
Zbiór odbiorców zazwyczaj nie jest jednorodny
miasta o ró˙znej liczbie mieszka ´nców firmy o ró˙znej wielko´sci
Bezpo ´srednie zastosowanie OWA nie jest mo ˙zliwe Dezagregacja do równowa ˙znych odbiorców
znaczny wzrost rozmiaru problemu dodatkowe koszty dezagregacji
Warto ´sciowana OWA
uwzgl ˛ednienie zró˙znicowanych wag zapotrzebowania zapewnienie bezstronno´sci w sensie rozkładu
Warto´sciowana uporz ˛
adkowana ´srednia wa˙zona
Definicja WOWA (Torra, 1997)
Aw,p(y) =
m
X
i=1
ωiθi(y),
gdzie wagiωi (i =1,2, . . . ,m) s ˛a okre´slone jako
ωi =w∗( X k¬i pτ (k)) −w∗( X k<i pτ (k))
Θ operator porz ˛adkuj ˛acy, taki ˙zeθ1(y) θ2(y) . . . θm(y)
w∗ niemalej ˛ac ˛a funkcja ł ˛acz ˛aca punkty(i m,
P
k¬iwk)oraz(0,0)
w wagi preferencji(w1,w2, . . . ,wm), wi 0,Pmi=1 wi =1
p wagi warto´sciuj ˛ace(p1,p2, . . . ,pm), pi 0,Pmi=1 pi =1
τ permutacja zbioru I, taka ˙zeθi(y) =yτ (i)dla i =1, . . . ,m
Funkcja w∗musi reprezentowa´c lini ˛e prost ˛a, je´sli punkty mo˙zna interpolowa´c
Alternatywna definicja operatora WOWA
Aw,p(y) = m X k=1 wkm Z k/m (k−1)/m Fy(−1)(ξ)dξDystrybuanta — miara wielko ´sci zapotrzebowania
odpowiadaj ˛acemu ocenom wi ˛ekszym lub równym d
Fy(d) = X i∈I piδi(d), gdzie δi(d) = ( 1 je ´sli yi d 0 w p.p.
Funkcja kwantylowa — minimalny koszt obsługi dla co najmniej
ξ-tej cz ˛e ´sci sumarycznego zapotrzebowania
Fy(−1)(ξ) =sup{η :Fy(η) ξ} dla 0< ξ ¬1
Alternatywne wyznaczanie warto´sci WOWA
Aw,p(y) = m X k=1 wkm Z k/m (k−1)/m Fy(−1)(ξ)dξ Przykład Problem z 5 lokalizacjami: y = (1; 3; 2; 4; 5) p= (0,1; 0,2; 0,2; 0,4; 0,1) w= (0,4; 0,3; 0,15; 0,1; 0,05) Fy(−1)(ξ) = 5 dla 0< ξ¬0,1, 4 dla 0,1< ξ¬0,5, 3 dla 0,5< ξ¬0,7, 2 dla 0,7< ξ¬0,9, 1 dla 0,9< ξ¬1. ξ Fy(−1)(ξ) 0 1 2 3 4 5 0,2 0,4 0,6 0,8 1 p5 p4 p2 p3 p1WOWA jako zadanie optymalizacji
Zast ˛apienie całek na przedziałach całkami lewostronnymi
L(y,p,0) =0 oraz L(y,p, α) =
Z α
0
Fy(−1)(ξ)dξ dla 0< α¬1. Wyznaczenie L(y,p, α)dla 0¬ α ¬1 jako zadania optymalizacji
L(y,p, α) =min t,di {αt+ m X i=1 pidi :t+di yi, di 0 ∀i} =min t {αt+ m X i=1 pimax{yi−t,0} },
gdzie t∗jestα-kwantylem rozkładu zmiennych y
i zgodnie z miarami pi. Aw,p(y) = m X k=1 mwk(L(y,p, k m) −L(y,p, k−1 m )) = m X k=1 wk′L(y,p, k m), gdzie w′ m=mwm, wk′ =m(wk−wk+1)dla k =1,2, . . . ,m−1.
Model liniowy agregacji WOWA
Wniosek
Zadanie minimalizacji WOWA z w1w2 . . . wm mo ˙ze by´c
sformułowane jako zadanie PL z dodatkowymi ograniczeniami.
min ̺k,tk,dik,yi m X k=1 w′ k̺k p.o. k mtk+ m X i=1 pidik ¬ ̺k,k=1, . . . ,m, tk+dik yi,dik0, i,k=1, . . . ,m, y∈A. Zmienne decyzyjne
yi koszt obsługi i -tego klienta tk k -ta warto´s´c bazowa
dik odchylenie kosztu i -tego klienta od k -tej warto´sci bazowej
̺k zmienna pomocnicza
Parametry
m liczba klientów (i potencjalnych lokalizacji punktów obsługi) w′
k zmodyfikowana k -ta waga pref. pi waga zapotrzebowania
Dolne ograniczenie funkcji Lorenza
L(y,p, α) ̺jest równowa ˙zne
̺¬ αyi′+ m X i=1 pimax{yi−yi′,0} dla i′ =1, . . . ,m ̺ ¬ αyi′+ m X i=1 pid¯ii′ i′=1, . . . ,m, ¯ dii′ ¬yi−yi′+Mzii′ i′6=i=1, . . . ,m, ¯ dii′ ¬M(1−zii′) i′6=i=1, . . . ,m, ¯ dii=0 i=1, . . . ,m, zii′∈ {0,1} i′6=i=1, . . . ,m. Zmienne decyzyjne ¯ dii′ zmienne pomocnicze
zii′ pomocnicze zmienne binarne ̺k zmienna pomocnicza
Parametry
yi koszt obsługi i -tego klienta m liczba klientów (i potencjalnych
lokalizacji punktów obsługi) M odpowiednio du˙za stała
α porcja zapotrzebowania pi waga zapotrzebowania
Model MW1 dla dowolnych wag preferencji
Dowolne zadanie optymalizacji agregacji WOWA mo˙ze by´c sformułowane jako zadanie PCLM z dodatkowymi ograniczeniami i zmiennymi binarnymi.
min ̺k,tk,dik,yi,¯dii′,zii′ m X k=1 w′ k̺k p.o. k mtk+ m X i=1 pidik¬ ̺k k=1, . . . ,m;wk′0 tk+dikyi,dik 0 i,k=1, . . . ,m;wk′0 ̺k¬ k myi′+ m X i=1 pid¯ii′ i′,k=1, . . . ,m;wk′<0 ¯ dii′¬yi−yi′+Mzii′ i′6=i=1, . . . ,m, ¯ dii′¬M(1−zii′) i′6=i=1, . . . ,m, ¯ dii=0 i=1, . . . ,m, zii′∈ {0,1} i′6=i=1, . . . ,m, y∈A.
Model MW1 dla dowolnych wag preferencji
Dowolne zadanie optymalizacji agregacji WOWA mo˙ze by´c sformułowane jako zadanie PCLM z dodatkowymi ograniczeniami i zmiennymi binarnymi.
min ̺k,tk,dik,yi,¯dii′,zii′ m X k=1 w′ k̺k p.o. k mtk+ m X i=1 pidik¬ ̺k k=1, . . . ,m;wk′0 tk+dikyi,dik 0 i,k=1, . . . ,m;wk′0 ̺k¬ k myi′+ m X i=1 pid¯ii′ i′,k=1, . . . ,m;wk′<0 ¯ dii′¬yi−yi′+Mzii′ i′6=i=1, . . . ,m, ¯ dii′¬M(1−zii′) i′6=i=1, . . . ,m, ¯ dii=0 i=1, . . . ,m, zii′∈ {0,1} i′6=i=1, . . . ,m, y∈A.
Model MW1 dla dowolnych wag preferencji
Dowolne zadanie optymalizacji agregacji WOWA mo˙ze by´c sformułowane jako zadanie PCLM z dodatkowymi ograniczeniami i zmiennymi binarnymi.
min ̺k,tk,dik,yi,¯dii′,zii′ m X k=1 w′ k̺k p.o. k mtk+ m X i=1 pidik¬ ̺k k=1, . . . ,m;wk′0 tk+dikyi,dik 0 i,k=1, . . . ,m;wk′0 ̺k¬ k myi′+ m X i=1 pid¯ii′ i′,k=1, . . . ,m;wk′<0 ¯ dii′¬yi−yi′+Mzii′ i′6=i=1, . . . ,m, ¯ dii′¬M(1−zii′) i′6=i=1, . . . ,m, ¯ dii=0 i=1, . . . ,m, zii′∈ {0,1} i′6=i=1, . . . ,m, y∈A.
Model MW2 dla dowolnych wag preferencji
Zmienne binarne zii′ reprezentuj ˛a porównanie parami yi i yi′.
zii′ =
(
1 gdy yi <yi′, 0 w. p. p.
Liczb ˛e zmiennych binarnych i ogranicze ´n mo ˙zna ograniczy´c dzi ˛eki własno ´sci symetrii zmiennychd¯ii′ id¯i′i.
¯ dii′ ¬yi−yi′+Mzii′, i′,i=1, . . . ,m;i<i′, ¯ dii′ ¬M(1−zii′), i′,i=1, . . . ,m;i<i′, ¯ di′i¬yi′−yi+ ¯dii′, i′,i=1, . . . ,m;i<i′, ¯ dii=0, i=1, . . . ,m, zii′ ∈ {0,1}, i′,i=1, . . . ,m;i<i′.
Model MW2 — model MW1, gdzie cz ˛e ´s´c całkowitoliczbowa
została zast ˛apiona powy˙zszymi ograniczeniami
Ograniczenia nadmiarowe
Nieujemno ´s´c zmiennychd¯ii′ ¯
dii′ 0 dla i,i′ =1, . . . ,m
Relacja przechodnio ´sci porównania ocen parami (yi <yi′∧yi′ <yi′′) =⇒yi <yi′′
zii′′zii′+zi′i′′−1 dla i,i′,i′′=1, . . . ,m;i <i′ <i′′
(yi yi′∧yi′ yi′′) =⇒yi yi′′
zii′′¬zii′+zi′i′′ dla i,i′,i′′=1, . . . ,m;i <i′ <i′′
Ograniczenia na warto ´s´c funkcji L(y,p, α) Maksymalny przyrost warto´sci L(y,p, α)
ρk+1¬2ρk − ρk−1 dla k =2, . . . ,m−1,
ρ2¬2ρ1.
Ograniczenie dolne warto´sci funkcji L(y,p, α)
ρk k m m X i=1 piyi dla k =1, . . . ,m
Ograniczenia nadmiarowe
Nieujemno ´s´c zmiennychd¯ii′ ¯
dii′ 0 dla i,i′ =1, . . . ,m MW11, MW12, MW21, MW22
Relacja przechodnio ´sci porównania ocen parami (yi <yi′∧yi′ <yi′′) =⇒yi <yi′′
zii′′zii′+zi′i′′−1 dla i,i′,i′′=1, . . . ,m;i <i′ <i′′ c1
(yi yi′∧yi′ yi′′) =⇒yi yi′′
zii′′¬zii′+zi′i′′ dla i,i′,i′′=1, . . . ,m;i <i′ <i′′ c2
Ograniczenia na warto ´s´c funkcji L(y,p, α) Maksymalny przyrost warto´sci L(y,p, α)
ρk+1¬2ρk − ρk−1 dla k =2, . . . ,m−1, c3
ρ2¬2ρ1.
Ograniczenie dolne warto´sci funkcji L(y,p, α)
ρk k m m X i=1 piyi dla k =1, . . . ,m c4
Testy obliczeniowe
Procedura analogiczna jak dla modeli OWA
Dodatkowo dla modelu liniowego problemy z 100 i 200 lokalizacjami z biblioteki OR
Dodatkowy parametr wag zapotrzebowania p wygenerowany zgodnie z rozkładem Zipfa
pi = 1 i m X j=1 1 j dla i =1, . . . ,m.
Wyniki modelu liniowego WOWA
´
Srednie czasy rozwi ˛azania dla 30 lokalizacji
CPU[s] m n TC1 TC2 TC3 TC9 TC11 30 8 0,04 1,81 0,81 0,73 0,50 10 0,04 1,78 0,81 0,56 0,50 15 0,02 1,29 0,25 0,14 0,13 16 0,02 1,05 0,21 0,12 0,11
Czasy rozwi ˛azania dla 100 lokalizacji (biblioteka OR)
CPU[s] m n TC1 TC2 TC3 TC9 TC11 100 5 0,56 – 27,01 24,48 7,44 10 0,29 – – 81,17 15,98 10 0,34 – 88,1 35,03 22,52 20 0,22 – – 35,37 17,44 33 0,22 – 36,05 4,06 4,09
Porównanie modeli MW1 i MW2
´
Sredni czas rozwi ˛azania problemów z 10 lokalizacjami
0 100 200 300 400 500 600 700 TC4 TC5 TC6 TC7 TC8 TC10 TC12 Czas [s] Typ problemu MW11 MW12 MW21 MW22
Wpływ nadmiarowych ogranicze ´n w MW2
´
Sredni czas rozwi ˛azania problemów z 10 lokalizacjami
0 50 100 150 200 250 TC4 TC5 TC6 Czas [s] Typ problemu MW22 c1 c2 c1c2 c3 c4 c3c4 0 2 4 6 8 10 12 14 16 18 20 TC7 TC8 TC10 TC12 Czas [s] Typ problemu MW22 c1 c2 c1c2 c3 c4 c3c4
Modele WOWA — wnioski
Zapewniaj ˛a rozwi ˛azania optymalne w sensie rozkładu ocen,
uwzgl ˛edniaj ˛ac przy tym zró ˙znicowane wielko ´sci zapotrzebowania.
Gdy wagi preferencji s ˛a nierosn ˛ace agregacja WOWA mo ˙ze by´c
sformułowana w postaci zadania PL.
Dla dowolnych wag preferencji agregacja WOWA mo ˙ze by´c sformułowana w postaci zadania PCLM.
Znaczny wzrost zło˙zono´sci obliczeniowej.
Mo˙zliwo´s´c poprawy efektywno´sci obliczeniowej przez nadmiarowe ograniczenia.
Metoda przybli˙zona
Przeszukiwanie zmiennego s ˛asiedztwa
Heurystyka:
Nie gwarantuje uzyskania rozwi ˛azania optymalnego (zazwyczaj rozwi ˛azania bliskie optymalnemu).
Kompromis mi ˛edzy jako´sci ˛a, a wydajno´sci ˛a (czasem uzyskania rozwi ˛azania).
VNS (ang. Variable Neighbourhood Search):
Przeszukiwanie przestrzeni rozwi ˛aza ´n i uciekanie z lokalnych ekstremów.
Systematyczna zmiana s ˛asiedztwa.
Badanie s ˛asiedztw za pomoc ˛a algorytmu przeszukiwania lokalnego.
Poj ˛ecie s ˛
asiedztwa w ramach VNS
Rozwi ˛azanieγ problemu lokalizacyjnego to podzbiór n lokalizacji
z m mo ˙zliwych, gdzie zostan ˛a umieszczone punkty obsługi.
Przestrze ´n rozwi ˛aza ´nΓ = {γ : γ ⊂I,|γ| =n}
Symetryczna funkcja odległo ´sci — liczba punktów obsługi umiejscowionych w innych lokalizacjach
ρ(γ1, γ2) = |γ1\ γ2| = |γ2\ γ1| , ∀γ1, γ2∈ Γ
Nr,r =1, . . . ,rmax — struktura s ˛asiedztw, gdzie rmax ¬n
Nr(γ)— zbiór rozwi ˛aza ´n oddalonych (ró ˙zni ˛acych si ˛e) od
aktualnego rozwi ˛azaniaγo r lokalizacji punktów obsługi
Ogólny schemat VNS
1: Inicjalizacja
2: Znajd´z rozwi ˛azanie pocz ˛atkoweγopt
3: Krok główny
4: r←1
5: while(r¬rmax)i (opcjonalny dodatkowy warunek stopu nie jest spełniony) do
6: Losowanie rozwi ˛azania
7: Wylosuj rozwi ˛azanieγcurz r -tego s ˛asiedztwaNr(γopt)
8: Przeszukiwanie lokalne
9: Poprawiaj rozwi ˛azanieγcur, wymieniaj ˛ac pojedynczy punkt obsługi, a˙z osi ˛agniesz minimum lokalne
10: Decyzja o zmianie rozwi ˛azania
11: ifγcurlepsze ni ˙zγoptthen
12: γopt← γcur 13: r←1 14: else 15: r←r+1 16: end if 17: end while
Przeszukiwanie lokalne — algorytm wymiany
Kluczowy element metody VNS.
Ocenia skutki wymiany punktów obsługi.
Sprawdza wszystkie mo˙zliwe wymiany jednego punktu obsługi (wszystkich najbli˙zszych s ˛asiadów).
Realizuje najlepsz ˛a wymian ˛e, o ile poprawia ona rozwi ˛azanie.
Znajduje najlepszy punkt do usuni ˛ecia dla danego dodawanego punktu obsługi.
Kryterium ´sredniej — relatywnie prosta idea
Agregacja OWA — sortowanie zdecydowanie utrudnia
Znaczny wzrost zło˙zono´sci i czasów rozwi ˛azania. Rozwi ˛azania dalekie od optymalnych dla pewnych typów problemów (kryterium centrum itp.).
Modyfikacje VNS z OWA
Modyfikacje wydajno ´sciowe
Ograniczenie przeszukiwania w nieobiecuj ˛acych kierunkach — mo˙zliwie wczesne wykrycie i odrzucenie nieperspektywicznych rozwi ˛aza ´n.
Relaksacja Dominacja
Zmniejszenie nakładu oblicze ´n przy wyznaczaniu i ocenie nowych rozwi ˛aza ´n.
Zmodyfikowane sortowanie
Modyfikacje jako ´sciowe
Regularyzacja
Testy obliczeniowe metody VNS
Wersja oryginalna VNS i 4 zmienione wersje.
bez warunku warunek dominacji dominacji brak regularyzacji VNS′ VNS′′
regularyzacja VNS′
r VNS′′r
Inicjalizacja: zachłanna lub losowa. 2 grupy problemów:
wygenerowane małe problemy,
du˙ze problemy z biblioteki OR (OR-library).
Kryteria porównania:
czas rozwi ˛azania,
odst ˛ep od rozwi ˛azania optymalnego
odst˛ep= f −fopt fopt
×100%,
f warto´s´c funkcji celu znalezionego rozwi ˛azania,
Wyniki VNS z OWA
Małe problemy do 30 lokalizacji
Bardzo krótkie czasy rozwi ˛azania (rz ˛edu setnych sekundy). wyn
Wyniki jako ´sciowe
´
Sredni odst ˛ep od rozwi ˛azania optymalnego dla 30 lokalizacji.
0 2 4 6 8 10 12 14 TC1 TC2 TC3 TC4 TC9 TC11 Odstęp [%] Typ problemu VNS zachłanna VNSr zachłanna VNS losowa VNSr losowa
Du˙ze problemy
Problemy z biblioteki OR (OR-library) — 40 instancji. Parametry:
Rozmiar problemu – liczba lokalizacji
m∈ {100,200, . . . ,900} Liczba punktów obsługi
n=5 n=10 n= m 10 n= m 5 n= m 3
zaokr ˛aglane, gdy niecałkowite
Typ problemu - wektor wag preferencji w TC1, TC2, TC4
Wyniki VNS z OWA
Statystyki czasowe — kryterium ´sredniej i zaw ˛e˙zonej ´sredniej
k. ´sredniej (TC1) k. zaw˛e˙zonej ´sredniej (TC4)
Problem CPU[s] CPU[s]
id n VNS VNS′ VNS′′ VNS VNS′ VNS′′ VNS′ r VNS′′r p21 5 1,91 0,52 0,85 1,91 0,52 0,84 0,52 0,86 p22 10 8,49 1,77 2,62 13,19 2,69 3,90 2,70 4,05 p23 50 417,29 59,25 51,83 401,00 56,58 52,44 47,07 47,59 p24 100 705,17 102,00 65,45 632,83 83,78 60,46 84,38 64,45 p25 167 676,77 100,52 53,58 682,74 80,82 52,11 103,02 66,77
Tabela:Wyniki dla 500 lokalizacji przy inicjalizacji zachłannej TC1 i TC4
k. ´sredniej (TC1) k. zaw˛e˙zonej ´sredniej (TC4) inicjalizacja VNS′ VNS′′ VNS′ VNS′′ VNS′
r VNS′′r
zachłanna 5,3 6,0 5,7 6,0 5,5 5,5
losowa 6,0 6,7 6,4 6,7 6 6,3
Tabela:Srednia krotno´s´c skrócenia czasu dla 40 problemów TC1 i TC4´
Wyniki VNS z OWA
Statystyki czasowe — kryterium ´sredniej i zaw ˛e˙zonej ´sredniej
Kilkukrotnie krótsze czasy rozwi ˛azania nowych wersji.
Ró ˙znice rosn ˛a ze wzrostem rozmiaru, a szczególnie ze wzrostem
liczby punktów obsługi (zwłaszcza dla wersji z warunkiem dominacji).
VNS′/VNS′r lepsze wyniki dla problemów mniejszych i z mał ˛a
liczb ˛a punktów obsługi —VNS′′/VNS′′r przeciwnie.
Czas rozwi ˛azania problemów z wi ˛eksz ˛a liczb ˛a punktów obsługi
wielokrotnie dłu ˙zszy ni˙z problemów z niewielk ˛a liczb ˛a punktów
obsługi, dlatego bezwzgl ˛edne oszcz ˛edno ´sci czasu wersji
VNS′′/VNS′′r s ˛a znacznie wi ˛eksze ni˙z wersjiVNS′/VNS′r.
Dla TC4 warunek regularyzacji wydłu ˙za czas rozwi ˛azania w
Wyniki VNS z OWA
Statystyki czasowe — kryterium centrum
k. centrum (TC2) Problem CPU[s] id n VNS VNS′ VNS′′ VNS′ r VNS′′r p21 5 1,05 0,16 0,24 0,92 1,57 p22 10 19,77 0,92 1,22 1,65 2,61 p23 50 82,54 1,40 1,79 24,96 25,05 p24 100 139,13 2,78 3,48 41,93 32,48 p25 167 185,45 4,87 5,96 61,31 39,73
Tabela:Wyniki dla 500 lokalizacji przy inicjalizacji zachłannej TC2
inicjalizacja VNS′ VNS′′ VNS′
r VNS′′r
zachłanna 29,4 22,6 3,4 3,0
losowa 43,9 35,4 3,6 3,3
Tabela:Srednia krotno´s´c skrócenia czasu dla 40 problemów TC2´
Wyniki VNS z OWA
Statystyki czasowe — kryterium centrum
Wersje bez regularyzacji skróciły czas rozwi ˛azania jeszcze
bardziej ni˙z w przypadku kryterium ´sredniej i zaw ˛e ˙zonej ´sredniej (w wi ˛ekszo ´sci czasy o ponad rz ˛ad wielko ´sci krótsze).
Wersje z regularyzacj ˛a maj ˛a czasy zdecydowanie dłu ˙zsze ni˙z bez
regularyzacji, ale i tak zazwyczaj kilkukrotnie krótsze ni˙z metoda oryginalna ( 1 wyj ˛atek).
Bez regularyzacji wersjaVNS′ osi ˛aga krótsze (nie gorsze) czasy
ni˙z wersjaVNS′′dla wszystkich problemów.
Przy regularyzacji wersjaVNS′r ma lepsze wyniki dla problemów
Statystyki Jako´sciowe
Bezpo ´sredni wpływ regularyzacji.
Po ´sredni wpływ modyfikacji szybko ´sciowych (10 krotne naliczenie).
Porównanie z rozwi ˛azaniami optymalnymi lub najlepszymi
znanymi (w przypadku zaw ˛e ˙zonej ´sredniej).
Porównanie z heurystykami bazuj ˛acymi na algorytmach
genetycznych (HGA1, HGA2).
Wyniki VNS z OWA
Statystyki jako´sciowe dla 40 problemów z biblioteki OR
VNS VNSr HGA1 HGA2
i. zachł. i. los. i. zachł. i. los.
TC1
rozw. optymalne 34 36 24 22
odst ˛ep max [%] 0,129 0,232 —||— – –
odst ˛ep ´sr. [%] 0,070 0,069 – –
wyn odst ˛ep min [%] 0,013 0,010 0,111 0,176
TC2
rozw. optymalne 8 8 30 30 11 8
odst ˛ep max [%] 59,77 65,27 3,48 4,15 – –
odst ˛ep ´sr. [%] 51,11 45,42 2,47 2,55 – –
wyn odst ˛ep min [%] 44,06 31,90 1,21 1,27 28,39 24,79
TC4
rozw. optymalne 31 31 29 31 31 (27) 25 (22)
poprawione 8 9 9 9 0 0
odst ˛ep max [%] 0,105 0,228 0,099 0,233 – –
odst ˛ep ´sr. [%] 0,029 0,028 0,025 0,026 – –
Wyniki VNS z OWA
Statystki jako´sciowe dla 40 problemów z biblioteki OR
Kryterium ´sredniej (TC1)
Rozwi ˛azania optymalne lub bliskie optymalnym (regularyzacja nieaktywna).
Kryterium centrum (TC2)
Bez regularyzacji zdarzaj ˛a si ˛e rozwi ˛azania 2-krotnie (3-krotnie) gorsze od optymalnych (je´sli optimum to zazwyczaj dla problemów małych i z mał ˛a liczb ˛a punktów obsługi).
Regularyzacja zdecydowanie poprawia jako´s´c rozwi ˛aza ´n (odst ˛ep gorszy ni˙z przy kryterium ´srednim, ale inna charakterystyka problemu — funkcja celu zale˙zy tylko od jednej oceny).
Kryterium zaw ˛e ˙zonej ´sredniej (TC4)
Bardzo dobra jako´s´c uzyskiwanych rozwi ˛aza ´n (niewielki wpływ warunku regularyzacji).
Poprawa cz ˛e´sci najlepszych znanych rozwi ˛aza ´n (warto´sci ujemne). Przy inicjalizacji losowej dla ka˙zdego problemu wyniki nie gorsze ni˙z najlepsze znane.
VNS z OWA — wnioski
Modyfikacje wydajno ´sciowe — znaczne skrócenie czasu rozwi ˛azania
Modyfikacje jako ´sciowe – dokładniejsze rozwi ˛azania dla kryterium
centrum bez pogarszania jako ´sci dla problemów innych typów
Wniosek
Zaproponowana metoda VNS z regularyzacj ˛a stanowi uniwersaln ˛a
metod ˛e rozwi ˛azywania problemów z agregacj ˛a OWA. Pozwala
uzyskiwa ´c dobre jako ´sciowo wyniki w akceptowalnym czasie dla dowolnych wag preferencji.
VNS dla zró˙znicowanych wag zapotrzebowania
Ogólny schemat metody bez zmian.
Podstawowa ró ˙znica — sposób wyznaczania funkcji celu.
Warto´s´c WOWA wyznaczana według klasycznej definicji.
Wcze ´sniejsze modyfikacje VNS z OWA zdecydowanie ułatwiaj ˛a
dostosowanie metody dla WOWA.
Wykorzystanie permutacji odwzorowuj ˛acej uporz ˛adkowany wektor kosztów na oryginalny wektor.
Uwzgl ˛ednienie modyfikacji VNS z OWA
Relaksacja — TAK
Zmienione sortowanie — TAK Warunek dominacji — NIE Regularyzacja — wymaga zmiany
Ró˙znice VNS z WOWA
Dominacja — dominacja symetryczna wektorów kosztów nie gwarantuje lepszej warto ´sci WOWA
Przykład
Wagi zapotrzebowania p= (0,1; 0,2; 0,2; 0,4; 0,1)
Dwa wektory kosztów y = (1; 3; 2; 4; 5)oraz y′
= (1; 3; 2; 5; 3) Wagi preferencji w = (0,2; 0,2; 0,2; 0,2; 0,2) Θ(y) = (5; 4; 3; 2; 1) (5; 3; 3; 2; 1) = Θ(y′ ) ale Aw,p(y) = 5 X i=1 piyi =3,2<3,4= 5 X i=1 piyi′=Aw,p(y ′ )
Regularyzacja — porównanie funkcji kwantylowych Fy(−1)zamiast
Wyniki VNS z WOWA
´
Sredni odst ˛ep dla 30 lokalizacji
0 0.5 1 1.5 2 2.5 TC1 TC2 TC3 TC9 TC11 Odstęp [%] Typ problemu wVNS zachłanna w VNSr zachłanna wVNS losowa w VNSr losowa
Wyniki VNS z WOWA
Statystyki wydajno´sciowe — du˙ze problemy
Charakterystyka analogiczna jak VNS z OWA — czas rozwi ˛azania
ro ´snie ze wzrostem rozmiaru, a szczególnie ze wzrostem liczby punktów obsługi
Porównanie VNS z WOWA i VNS z OWA przy równych wagach zapotrzebowania
Porównanie czasów VNS z WOWA dla wag zró ˙znicowanych i
równych (pogl ˛adowe)
typ wersja max WOWA wagi zró˙znicowane
czas [s] vs OWA vs równe
TC1 ok. 450 > o 30%–70%, ´sr. 50% od < 50% do > 100% TC2 wVNS ok. 15 > o 20%–50%, ´sr. 40% do > 100%
w
VNSr ok. 300 > o 30%–70%, ´sr. 50% do > 100% TC4 ok. 500 > o 30%–70%, ´sr. 50% od < 50% do > 100%
VNS z WOWA — wnioski
Koszt wydajno ´sciowy uwzgl ˛ednienia zapotrzebowa ´n ok. 50% (w stosunku do czasów VNS z OWA).
Rozwi ˛azania dobrej jako ´sci (dla kryterium centrum znacz ˛aco
pomaga warunek regularyzacji).
Wniosek
Zaprezentowana metoda pozwala na efektywne rozwi ˛azywanie du ˙zych
dyskretnych problemów lokalizacyjnych ze zró ˙znicowanymi
zapotrzebowaniami i uzyskiwanie rozwi ˛aza ´n o dobrej jako ´sci w sensie
rozkładu ocen.
Podsumowanie
Teza/Cel 1:
modele dyskretnych problemów lokalizacyjnych z agregacj ˛a
WOWA Teza/Cel 2:
analiza i porównanie modeli agregacji OWA analiza i porównanie modeli agregacji WOWA
wpływ nadmiarowych ogranicze ´n w modelach OWA i WOWA opracowanie i analiza hybrydowych modeli OWA
Teza/Cel 3:
ulepszenie metody VNS dla dyskretnych problemów
lokalizacyjnych z agregacj ˛a OWA
adaptacja metody VNS dla dyskretnych problemów
Dzi ˛ekuj ˛e za uwag ˛e!
Suma k najwi ˛ekszych ocen
Liniowa reprezentacjaΘ¯k(y) =Pki=1θi(y), k =1, . . . ,m ¯ θk(y) =kθk(y) + k−1 X i=1 (θi(y) − θk(y)) dla k =1, . . . ,m ¯ θk(y) =min tk,dik (ktk+ m X i=1 dik) p.o. dik yi−tk, i=1, . . . ,m, dik 0, i=1, . . . ,m. Powrót Zmienne decyzyjnetk k -ta warto´s´c bazowa dik nieujemne odchylenie kosztu
i -tego klienta od k -tej warto´sci bazowej
Parametry
m liczba klientów (i potencjalnych lokalizacji punktów obsługi)
Wyniki VNS z OWA
´
Sredni czas rozwi ˛azania (inicjalizacja losowa) dla 30 lokalizacji
0 0.005 0.01 0.015 0.02 0.025 0.03 TC1 TC2 TC3 TC4 TC5 TC6 TC7 TC8 TC9 TC10TC11TC12 Czas [s] Typ problemu VNS VNS’ VNS’’ VNS’r VNS’’r Powrót
Wyniki VNS z OWA
Wyniki jako´sciowe kryterium ´sredniej
inicjalizacja zachłanna inicjalizacja losowa Problem # opt. odst ˛ep [%] # opt. odst ˛ep [%] id n opt. znal. max. ´sr. min. znal. max. ´sr. min.
p21 5 9138 10 0 0 0 10 0 0 0
p22 10 8579 5 1,049 0,516 0 9 1,049 0,105 0
p23 50 4619 10 0 0 0 10 0 0 0
p24 100 2961 10 0 0 0 5 0,371 0,128 0
p25 167 1828 1 0,274 0,120 0 0 0,602 0,263 0,109 Tabela:Wyniki dla 500 lokalizacji TC1
Wyniki VNS z OWA
Wyniki jako´sciowe — kryterium centrum
inicjalizacja zachłanna inicjalizacja losowa Problem # opt. odst ˛ep [%] # opt. odst ˛ep [%] id n opt. znal. max. ´sr. min. znal. max. ´sr. min.
p21 5 40 1 20,00 11,75 0 2 7,50 4,50 0
p22 10 38 0 18,42 12,63 5,26 0 23,68 16,84 7,89 p23 50 22 0 68,18 49,09 45,45 0 68,18 59,55 45,45 p24 100 15 0 126,67 116,67 100,00 0 106,67 88,00 73,33 p25 167 11 0 145,45 145,45 145,45 0 227,27 130,00 109,09 Tabela:Wyniki wersji bez regularyzacji dla 500 lokalizacji TC2
inicjalizacja zachłanna inicjalizacja losowa Problem # opt. odst ˛ep [%] # opt. odst ˛ep [%] id n opt. znal. max. ´sr. min. znal. max. ´sr. min.
p21 5 40 10 0 0 0 7 2,50 0,75 0
p22 10 38 0 5,26 3,95 2,63 0 5,26 3,42 2,63 p23 50 22 0 4,55 4,55 4,55 0 4,55 4,55 4,55 p24 100 15 1 6,67 6,00 0 5 6,67 3,33 0
p25 167 11 10 0 0 0 8 9,09 1,82 0
Tabela:Wyniki wersji z regularyzacj ˛a dla 500 lokalizacji TC2
Powrót
Wyniki VNS z OWA
Wyniki jako´sciowe — kryterium zaw ˛e˙zonej ´sredniej
inicjalizacja zachłanna inicjalizacja losowa Problem # opt./ odst ˛ep [%] # opt./ odst ˛ep [%] id n NZR popr. max. ´sr. min. popr. max. ´sr. min.
p21 5 7245 10/0 0 0 0 10/0 0 0 0
p22 10 6685 2/0 0,957 0,534 0 5/0 1,032 0,223 0 p23 50 3306 10/0 0 0 0 4/0 0,060 0,024 0 p24 100 2004 1/9 0 -0,125 -0,200 0/10 -0,050 -0,145 -0,200 p25 167 1148 4/0 0,174 0,070 0 3/0 0,784 0,157 0 Tabela:Wyniki wersji bez regularyzacji dla 500 lokalizacji TC4
inicjalizacja zachłanna inicjalizacja losowa Problem # opt./ odst ˛ep [%] # opt./ odst ˛ep [%] id n NZR popr. max. ´sr. min. popr. max. ´sr. min.
p21 5 7245 10/0 0 0 0 10/0 0 0 0
p22 10 6685 2/0 0,957 0,471 0 6/0 0,823 0,197 0 p23 50 3306 4/0 0,181 0,091 0 5/0 0,181 0,036 0 p24 100 2004 0/10 -0,100 -0,160 -0,200 0/9 0,050 -0,115 -0,200 p25 167 1148 2/0 0,174 0,096 0 3/0 0,261 0,105 0
Tabela:Wyniki wersji z regularyzacj ˛a dla 500 lokalizacji TC4