Informações:

Publicações do PESC

Título
Uma Heurística Lagrangeana para o Problema da Árvore Geradora Capacitada de Custo Mínimo
Linha de pesquisa
Otimização
Tipo de publicação
Dissertação de Mestrado
Número de registro
Data da defesa
16/7/2002
Resumo

 Esta tese introduz uma heurística Lagrangeana para o problema da Árvore Geradora Capacitada de Custo Mínimo. A heurística é inicializada por um algoritmo guloso construtivo e é complementada por uma estratégia de busca local. A heurística opera dentro de um ambiente Lagrangeano onde limites duais (inferiores) são gerados por um algoritmo do tipo Relax and Gut. Nesse procedimento, limites duais são utilizados para modificar os custos de entrada da heurística gulosa. Testes para fixação de variáveis, utilizando limites primais e duais, foram desenvolvidos e se mostraram bastante efetivos quando a distância entre os limitantes não era muito grande. Através desse procedimento conseguimos provar a otimalidade de uma instância a muito em aberta. Testes computacionais foram realizados e indicaram que os nossos resultados melhoraram, sensivelmente, os limites inferiores para uma determinada classe de instâncias da literatura. Os limites superiores obtidos parecem depender fortemente da qualidade dos limites inferiores que lhes servem de entrada, e são dominados apenas por uma meta-heurística recentemente proposta.

Abstract

A Lagrangian based heuristic for the Capacitated Minimum Spanning Tree Problem is introduced in this thesis. The heuristic is initialized with a greedy construction phase which is complemented with local search. The proposed heuristc operates from whithin a Lagrangian framework where dual (lower) bounds are obtained through a Relax and Cut procedure. In this scheme, dual bounds are used to modify input data for the greedy heuristic. Tests for fixing out suboptimal variables were developed and proved effective when duality gaps are small. In this way, optimality of a long standing open instance was proved. Computational tests indicated that our lower bounds. significantly improved upon the best known bounds for a class of instances from the literature. Our upper bounds appear to be strongly correlated with the lower bounds used to generate them and are only dominated by upper bounds obtained by a recently proposed metaheuristic.

Arquivo
Topo