سلام و روز بخير. طي روزهاي گذشته موضوعي را ديدم كه سوال خيلي جالبي بود و حتي براي خود من سوال شده بود كه چطور ميشه تاثير ان را در مدلسازي ديد.
موضوع اين بود كه فرض كنيد يك محدوديت به فرم زير داريم (اين نوع محدوديتها خيلي براي دوستاني كه مدلسازي ميكنند اشنا است):
sum_{i} x_{i} <= M*y
به اين محدوديتها كه ميشه جمع چندين متغيير را در قالب يك حد بالا و به كمك يك يا چند متغيير باينري محدود كرد اصطلاحا
implied bound
گفته ميشود. در بالا متغييرهاي x
ميتونند از هر نوعي باشند و متغيير y
هم باينري هست.اين نوع محدوديتها را ميشه به دو صورت نوشت. حالت اول به فرم بالاست كه اصطلاحا
aggrigate
شده هستند و حالت دوم به فرم باز شده يا همان حالت عادي نوشتار محدوديت براي هر تركيب ميشه نوشته بشه.فرض كنيد يك مسئله مكانيابي مثل
FCLP
يا تعيين اندازه دسته توليدي LSP
داريم. اين محدوديتها در اين مسايل خيلي كاربرد دارند. نمونه هاش را ميتونيد به سادگي سرچ كنيد و ببينيد. معمولا گفته ميشه كه حالت عمومي ان كه به فرم زير هم نوشته ميشه داراي LP-relaxation
بهتري هست و تايت تر هم هست.x_{i} <= y forall i
براي ديدن دليلش هم كافيه فرض كنيد به سادگي متغييرهاي
x
باينري هستند و متغيير(هاي) y
هم باينري هست. انديس i
هم براي 5
شمارش هست. جوابي به فرم:x1 = 1, ... x4=1, x5 = 0
M = 5
در اين حالت اين جواب در فرم تجميعي صادق هست با فرض
y=0.8
كه يك جواب غيرموجه براي مسئله اصلي هست اما در حالت دوم چنين چيزي صادق نيست. (نمونه ديگري از محدوديتهاي معتبر و قويترين نامساويها).سوالي كه اينجا مطرح هست اين هست كه ايا همواره فرم اول (تجميعي) بدتر از فرم دوم عمل ميكند؟
در واقعيت اينطوري نيست. واقعا بسته به نوع مدلسازي و در كنار محدوديتهاي ديگر مدل ميشه اين موضوع را تست كرد و در مواردي حالت اول بهتر هست و در مواردي حالت دوم.
در پست بعدي كمي راجب نحوه برخورد سالورها با اين نوع محدوديتها صحبت ميكنيم.
با تشكر
کانال توسعه مهارتهای گمز
@gamsbook
www.gamsbook.ir