Operations Research
▸ Baca selengkapnya: menentukan solusi adalah
(2)(3)Model Integer Programming
Permasalahan integer programming (IP) adalah suatu Program Linear (LP) yang beberapa atau seluruh variabel yang digunakan merupakan bilangan integer positif
Jenis-jenis permasalahan IP:
Pure IP problem: jika semua variabel harus bernilai integer
Pure IP problem: jika semua variabel harus bernilai integer
Maximize z = 3x1 + 4x2 subject to 5x1 + 8x2 ≤ 24
x1, x2 ≥ 0, x1 dan x2 integer
Mixed IP problem: jika hanya beberapa variabel yang bernilai integer
Maximize z = 3x1 + 4x2 subject to 5x1 + 8x2 ≤ 24
x1, x2 ≥ 0, x1 integer
0-1 IP problem: jika semua variabel harus bernilai 0 atau 1 (Binary Integer Programming/BIP)
0-1 IP problem: jika semua variabel harus bernilai 0 atau 1 (Binary Integer Programming/BIP)
Maximize z = 3x1 + 4x2 subject to 5x1 + 8x2 ≤ 24
Integer Programming dan LP relaxation
Permasalahan IP biasanya lebih sulit untuk diselesaikan dibandingkan dengan permasalahan LP
Hal ini disebabkan banyaknya kombinasi nilai integer yang harus diuji, dan setiap kombinasi membutuhan penyelesaian “normal” LP atau NLP
setiap kombinasi membutuhan penyelesaian “normal” LP atau NLP LP relaxation dari IP adalah LP yang diperoleh dengan menghilangkan pembatas semua bilangan integer atau pembatas
Contoh Pure IP problem :
Maximize z = 3x1 + 4x2
subject to 5x1 + 8x2 ≤ 24
x1, x2 ≥ 0, x1 dan x2 integer
Contoh Pure IP problem yang telah di-longgarkan (relax):
Maximize z = 3x1 + 4x2
Pendekatan sederhana solusi IP
Pendekatan 1:
Cari seluruh kemungkinan solusi
solusi
Tentukan nilai fungsi tujuannya
Pilih nilai maksimum (minimum)
Pendekatan 2:
x2
1 3
2
7x1 + 4x2= 13
Pendekatan 2:
Selesaikan LP relaxation
Bulatkan pada solusi integer yang feasibel terdekat
x x x
x
x1
Solusi Integer Programming
Penyelesaian problem
Integer Programming, x
1
Integer Programming,
Solusi Integer Programming (2)
Pembulatan ke atas?
Solusi Integer Programming (3)
Untuk MAX problem:
nilai optimal dari IP ≤ nilai optimal dari LP relaxation
1 2 3 4 5 6 7 8
x1
1 2 3 4 5 6 7 8
Contoh 1: Problem investasi
Perusahaan Stockco mempertimbangkan empat jenis investasi (tiap investasi hanya bisa dilakukan sekali)
Modal yang tersedia untuk investasi sebesar $ 14,000
Formulasikan model integer programming ini untuk memaksimumkan NPV dari investasi-investasi berikut:
Formulasikan model integer programming ini untuk memaksimumkan NPV dari investasi-investasi berikut:
SOLUSI:
xi = banyaknya modal yang diinvestasikan pada jenis ke-i
Pilihan Investasi 1 2 3 4
Modal $5000 $7000 $4000 $3000
NPV $16000 $22000 $12000 $8000
xi = banyaknya modal yang diinvestasikan pada jenis ke-i Maximize
z = 16 x1+ 22 x + 12 x3 + 8 x4 Subject to
Pengembangan Problem investasi
Perusahaan Stockco mempertimbangkan batasan-batasan “logis” berikut ini:Tepat 3 investasi yang terpilih
Jika investasi ke-2 terpilih, maka investasi ke- 1 juga terpilih Jika investasi ke- 1 terpilih, maka investasi ke- 3 tidak terpilih Jika investasi ke- 1 terpilih, maka investasi ke- 3 tidak terpilih
Salah satu dari investasi ke- 3 atau ke-4 harus terpilih, tetapi tidak dapat kedua-duanya
Tambahan pembatas:
Tepat 3 investasi yang terpilih x1+ x2+ x3+ x4 =3
Jika investasi ke-2 terpilih, maka investasi ke- 1 juga terpilih x1 ≥ x2
x1 ≥ x2
Jika investasi ke- 1 terpilih, maka investasi ke- 3 tidak terpilih x1 + x3 ≤ 1
Salah satu dari investasi ke- 3 atau ke-4 harus terpilih, tetapi tidak dapat kedua-duanya
Contoh 2: Pemilihan pemain bola basket
Perkumpulan bola basket “Pasti Menang” sedang
menghadapi kompetisi tingkat nasional. Sang pelatih hendak memilih 5 dari 7 pemain yang akan diturunkan hendak memilih 5 dari 7 pemain yang akan diturunkan dalam pertandingan malam nanti. Data-data pemain
seperti terlihat pada tabel dibawah ini:
Pemain Guard Forward Center Ball-Handling Shooting Rebounding Total
1 Yes No No 3 1 2 6
2 No No Yes 1 2 1 4
Posisi Kemampuan
2 No No Yes 1 2 1 4
3 Yes Yes No 1 3 1 5
4 No Yes Yes 1 2 1 4
5 Yes Yes No 2 1 3 6
6 No Yes Yes 1 3 1 5
Pemilihan pemain bola basket
Pembatas yang dialami pelatih adalah sebagai berikut: Harus ada tepat lima pemain, dengan syarat:
Sedikitnya empat pemain sebagai guard. Sedikitnya empat pemain sebagai guard. Sedikitnya dua pemain sebagai forward. Sedikitnya satu pemain sebagai center.
Rata-Rata tingkat ketrampilan pemain paling sedikit 2. Salah satu dari pemain ke-2 atau pemain ke-3 harus bermain.
Jika pemain ke-3 bermain, maka pemain ke-6 tidak bisa Jika pemain ke-3 bermain, maka pemain ke-6 tidak bisa bermain.
Solusi : Pemilihan pemain bola basket (1)
Variabel Keputusan
Xi = 1, jika pemain ke-i diturunkan ke lapangan. = 0, jika pemain ke-i tidak diturunkan
Fungsi tujuan:
Max z = 6 x1 + 4 x2 + 5 x3 + 4 x4 + 6 x5 + 5 x6 + 5 x7 Pembatas :
Harus ada tepat lima pemain turun ke lapangan x1 + x2 + x3 + x4 + x5 + x6 + x7 = 5 Paling sedikit terdapat empat pemain guard.
x1 + x3 + x5 + x7 ≥ 4 x1 + x3 + x5 + x7 ≥ 4
Paling sedikit terdapat dua pemain forward. x3 + x4 + x5 + x6 + x7 ≥ 2
Solusi : Pemilihan pemain bola basket (2)
Rata-Rata tingkat ketrampilan pemain paling sedikit 2
(a) Rata-rata ketrampilan pemain menggiring bola lebih dari dua.
(3 x1 + x2 + x3 + x4 + 2 x5 + x6 + x7)/5 ≥ 2 3 x1 + x2 + x3 + x4 + 2 x5 + x6 + x7 ≥ 10 3 x1 + x2 + x3 + x4 + 2 x5 + x6 + x7 ≥ 10
(b) Rata-rata ketrampilan pemain menembak bola lebih dari dua. x1 + 2 x2 +3 x3 + 2 x4 + x5 + 3 x6 + 2 x7 ≥ 10
(c) Rata-rata ketrampilan pemain menghadang lebih dari dua.
2 x1 + x2 + x3 + x4 + 3 x5 + x6 + 2 x7 ≥ 10
Salah satu dari pemain ke-2 atau pemain ke-3 harus bermain x2 + x3 ≥ 1
Solusi : Pemilihan pemain bola basket (3)
Jika pemain ke-3 bermain, maka pemain ke-6 tidak bisa bermain
x3 + x6 ≤ 1 x3 + x6 ≤ 1
Variabel kemungkinan yang terjadi:
Pemain 3 bermain, tetapi pemain 6 tidak bermain.
x3 = 1, x6 = 0 Feasible
Pemain 6 bermain, tetapi pemain 3 tidak bermain. x3 = 0, x6 = 1 Feasible
x3 = 0, x6 = 1 Feasible Kedua-duanya bermain
x3 = 1, x6 = 1 Infeasible
Solusi : Pemilihan pemain bola basket (4)
Jika pemain ke-1 bermain, maka pemain ke-4 dan ke-5 harus bermain juga
x1 ≤ x4 x1 ≤ x4 x1 ≤ x5
Jika x1 = 1, maka x4 = 1 dan x5 =1. Variabel kemungkinan yang terjadi:
x1 x4 x5 Interpretasi
1 1 1 ketiga pemain bermain (feasibel).
1 1 1 ketiga pemain bermain (feasibel).
0 0 0 ketiga pemain tidak bermain (feasibel).
0 1 0 hanya pemain 4 yang bermain (feasibel).
0 0 1 hanya pemain 5 yang bermain (feasibel).
0 1 1 pemain 4 dan 5 bermain, sedangkan pemain 1 tidak
Contoh 3 : Pengeboran Minyak
Pemilihan paling sedikit 5 lokasi dari 10 lokasi pengeboran minyak yang telah direncanakan, dengan variabel
keputusan X1, X2,…, X10 dan biaya pengeboran C1, keputusan X1, X2,…, X10 dan biaya pengeboran C1, C2,…, dan C10.
Batasan:
Paling banyak dua dari lokasi X5, X6, X7 dan X8 yang dapat dipilih
dipilih
Memilih lokasi X3 atau lokasi X4 akan mencegah untuk memilih lokasi X5.
Solusi Pengeboran Minyak (1)
Variabel Keputusan
Xi = 1, jika lokasi ke-i dilakukan pengeboran.
= 0, jika lokasi ke-i tidak dilakukan pengeboran.
Fungsi tujuan:
Min z = C1 x1 + C2 x2 + C3 x3 + C4 x4 +C5 x5 + C6 x6 + C7 x7 + C8 x8 + C9 x9 + C10 x10
Subject to
(1) Pemilihan paling sedikit 5 lokasi dari 10 lokasi pengeboran
x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 = 5 x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 + x10 = 5
Solusi Pengeboran Minyak (2)
Memilih lokasi X3 atau lokasi X4 akan mencegah untuk memilih lokasi X5
x3 + x5 ≤ 1 x3 + x5 ≤ 1 x4 + x5 ≤ 1
x3=1 atau x4=1, maka harus x5=0 (jika memilih lokasi X3 atau lokasi X4, lokasi X5 tidak boleh dipilih)
Solusi Pengeboran Minyak (3)
Memilih kombinasi lokasi X1 dan X7 akan mencegah untuk memilih lokasi X8
x1 + x7 + x8 ≤ 2 x1 + x7 + x8 ≤ 2
kasus 1: tidak memilih lokasi X8
x8 = 0, maka x1 + x7 ≤ 2 (dapat memilih lokasi S1, S7, atau kedua-duanya, atau tidak keduanya).
x8 x1 x7 Interpretasi x8 x1 x7 Interpretasi
0 0 0 Tidak memilih ketiga lokasi tersebut
0 0 1 Hanya memilih lokasi S7
0 1 0 Hanya memilih lokasi S1
Solusi Pengeboran Minyak (4)
Memilih kombinasi lokasi X1 dan X7 akan mencegah untuk memilih lokasi X8
x1 + x7 + x8 ≤ 2 x1 + x7 + x8 ≤ 2
kasus 2: Menyelidiki lokasi S8
x8 = 1, maka x1 + x7 ≤ 1 (dapat memilih lokasi x1atau x7, tetapi tidak kedua-duanya)
x8 x1 x7 Interpretasi x8 x1 x7 Interpretasi
1 0 0 Hanya memilih lokasi S8
1 1 0 Memilih lokasi S8 dan S1, tetapi S7 tidak
Contoh 4: Problem “GANDHI”
Perusahaan pakaian Gandhi memproduksi 3 jenis pakaian : kemeja, celana pendek, dan celana panjang.
Mesin harus di sewa tiap minggu untuk memproduksi ketiga jenis pakaian tersebut dengan biaya sewa :
$ 200 per minggu untuk mesin pembuat kemeja $ 200 per minggu untuk mesin pembuat kemeja
$ 150 per minggu untuk mesin pembuat celana pendek $ 100 per minggu untuk mesin pembuat celana panjang
Terdapat 150 jam waktu pekerja dan 160 m² bahan pakaian (kain) yang tersedia per minggunya, dengan data produksi sebagai berikut:
Jam kerja yang dibutuhkan
Formulasikan permasalahan diatas untuk memaksimumkan keuntungan per minggunya!
celana pendek 2 3 $8 $4
Solusi Problem Gandhi
Variabel keputusan:
xi = jumlah pakaian jenis ke-i yang diproduksi per minggunya yi = 1 jika pakaian jenis ke-i diproduksi, dan 0 jika tidak
Formulasi:
Max z = 6x1 + 4x2 + 7x3 – 200 y1 - 150 y2 - 100y3
subject to
3x1 + 2x2 + 6x3 <= 150 4x1 + 3x2 + 4x3 <= 160 x1 <= M y1
x1 <= M y1 x2 <= M y2, x3 <= M y3
Contoh 5 : Problem “Western”
Penerbangan western memutuskan untuk memiliki beberapa kota transit di USA
Jalur penerbangan yang dimiliki mencakup kota-kota Jalur penerbangan yang dimiliki mencakup kota-kota
berikut : Atlanta, Boston, Chicago, denver, Houston, Los
angeles, New Orleans, New York, Pittsburgh, Salt Lake city, San Francisco, dan Seattle
Western menginginkan untuk mempunyai kota transit dalam 1000 mil dari tiap kota-kota ini
dalam 1000 mil dari tiap kota-kota ini
Contoh 5 : Problem “Western”
Kota dalam 1000 miles (AT) AT, CH, HO, NO, NY, PI
(BO) BO, NY, PI
(CH) AT, CH, NY, NO, PI (CH) AT, CH, NY, NO, PI
(DE) DE, SL
Houston (HO) AT, HO, NO
(LA) LA, SL, SF
(NO) AT, CH, HO, NO
(NY) AT, BO, CH, NY, PI (PI) AT, BO, CH, NY, PI (SL) DE, LA, SL, SF, SE (SL) DE, LA, SL, SF, SE
(SF) LA, SL, SF, SE
Solusi : Problem “Western”
Variabel keputusan
Xi = 1 jika kota i dilokasikan sebagai kota transit
Xi = 0 jika kota i tidak dijadikan sebagai kota transit Xi = 0 jika kota i tidak dijadikan sebagai kota transit
Minimize Z = XAT + XB0 + XCH + XDE + XHO + XLA + XNO + XNY + XPI + XSL + XSF + XSE
Solusi : Problem “Western”
AT BO CH DE HO LA NO NY PI SL SF SE Required
AT 1 0 1 0 1 0 1 1 1 0 0 0 xAT >= 1
BO 0 1 0 0 0 0 0 1 1 0 0 0 xBO >= 1
BO 0 1 0 0 0 0 0 1 1 0 0 0 xBO >= 1
CH 1 0 1 0 0 0 1 1 1 0 0 0 xCH >= 1
DE 0 0 0 1 0 0 0 0 0 1 0 0 xDE >= 1
HO 1 0 0 0 1 0 1 0 0 0 0 0 xHO >= 1
LA 0 0 0 0 0 1 0 0 0 1 1 0 xLA >= 1
NO 1 0 1 0 1 0 1 0 0 0 0 0 xNO >= 1
NY 1 1 1 0 0 0 0 1 1 0 0 0 xNY >= 1
PI 1 1 1 0 0 0 0 1 1 0 0 0 xPI >= 1
PI 1 1 1 0 0 0 0 1 1 0 0 0 xPI >= 1
SL 0 0 0 1 0 1 0 0 0 1 1 1 xSL >= 1
SF 0 0 0 0 0 1 0 0 0 1 1 1 xSF >= 1
Contoh 6 : Problem “Alada”
Propinsi Alada mempunyai 6 kota
Propinsi ini memiliki permasalahan pada kota mana akan dibangun stasiun pemadam kebakaran
dibangun stasiun pemadam kebakaran
Paling sedikit jarak stasiun pemadam kebakaran 15 menit (waktu tempuh) untuk masing – masing kota
Waktu yang dibutuhkan dari kota yang satu ke kota yang lain dilampirkan pada tabel dibawah ini.
Contoh 6 : Problem “Alada”
Kota ke- 1 2 3 4 5 6
1 0 10 20 30 30 20
2 10 0 25 35 20 10
2 10 0 25 35 20 10
3 20 25 0 15 30 20
4 30 35 15 0 15 25
5 30 20 30 15 0 14
Solusi : Problem “Alada”
Sebuah kota dapat dicover oleh stasiun pemadam kebakaran jika jarak tempuhnya sebesar 15 menit Covering set untuk setiap kota
Kota Covering sets (15
menit)
1 1,2
2 1,2,6
3 3,4
Covering set untuk setiap kota
3 3,4
4 3,4,5
5 4,5,6
Solusi : Problem “Alada”
Variabel keputusan:
xi = 1 jika dibangun stasiun pemadam kebakaran pada kota-i
kota-i
= 0 jika kota-i tidak dibangun stasiun pemadam
Fungsi tujuan :
Minimum Z = x1+x2+x3+x4+x5+x6
Solusi : Problem “Alada”
Kota 1 2 3 4 5 6
1 1 1 0 0 0 0 x1 <= 1
2 1 1 0 0 0 1 x <= 1
2 1 1 0 0 0 1 x2 <= 1
3 0 0 1 1 0 0 x3 <= 1
4 0 0 1 1 1 0 x4 <= 1
5 0 0 0 1 1 1 x5 <= 1
Konsep : “Either-Or Constraints”
Ada 2 konstrain
0
diasumsikan bahwa hanya ada satu yang memenuhi
Kita dapat menyelesaikan permasalahan ini dengan menambahkan metode “either-or constrains”
Konsep “If-then constraints”
Jika kita ingin memastikan bahwa,
f(x1 ,x2,… ,xn)>0 sama g(x1 ,x2 ,… ,xn)≥0
Kemudian kita tambahkan if-then konstrain
y = 0,1
Contoh 7 : “Either-Or Constraints”
Memenuhi paling tidak satu dari pembatas berikut : (1) x + y ≤ 4
(2) 3x + 4y ≤15 (2) 3x + 4y ≤15
(salah satu dari pembatas ke-1, atau ke-2, atau kedua-duanya)
Feasibel solusinya adalah ;
x = 1, y = 3 (memenuhi kedua pembatas) x = 1, y = 3 (memenuhi kedua pembatas)
Solusi “Either-Or Constraints”
Definisikan variabel baru z sebagai variabel binary (biner)Nilai M merupakan bilangan besar, konstan positif
Sehingga pembatas ke-1 atau ke-2, dimodifikasi menjadi
(3) x + x ≤ 4 + M z
(4) 3 x + 4 y ≤ 15 + M (1 - z) (5) z bilangan biner
Pembuktian:
Untuk mendapat solusi x = 5 dan y = 0, maka z dibuat = 1 : 5 + 0 = 5 < 4 + M, pembatas ke-3 memenuhi
15 + 0 = 15 + M (1 – 1) = 15, pembatas ke-4 memenuhi 15 + 0 = 15 + M (1 – 1) = 15, pembatas ke-4 memenuhi
Untuk mendapat solusi x = 0 dan y = 4, maka z dibuat = 0: 0 + 4 = 4 = 4 + M (0) = 4, pembatas ke-3 memenuhi
Solusi “Either-Or Constraints”
Solusi dengan nilai z dibuat = 1000 :Solusi x y x + y 3x + 4y OK? z 4+Mz 15 + M(1-z) Feasible
1a 1 3 4 15 Ya 0 4 1015 Ya
Kesimpulan:
1b 1 3 4 15 Ya 1 1004 15 Ya
2a 0 4 4 16 Ya 0 4 1015 Ya
2b 0 4 4 16 Ya 1 1004 15 Tidak
3a 5 0 5 15 Ya 0 4 1015 Tidak
3c 5 0 5 15 Ya 1 1004 15 Ya
4a 2 3 5 18 Tidak 0 4 1015 Tidak
4b 2 3 5 18 Tidak 1 1004 15 Tidak
Kesimpulan:
Jika solusi yang memenuhi pembatas (1), (2), atau keduanya, dapat ditemukan nilai yang tepat untuk z sehingga pembatas (3) dan (4) juga memenuhi
Contoh 8: Aplikasi “Dorian”
Perusahaan Dorian automotif memproduksi 3 tipe model mobil yaitu ; compact (kecil), midsize (menengah), dan large (besar).
Ada 6 ton baja dan 60,000 jam kerja tersedia Ada 6 ton baja dan 60,000 jam kerja tersedia
Jika suatu tipe mobil diproduksi, maka mobil itu harus diproduksi paling sedikit 1,000 unit mobil
Data produksi seperti terlihat di tabel bawah ini:
Compact Midsize Large
Kebutuhan baja 1.5 ton 3 ton 5 ton
Kebutuhan jam tenaga kerja 30 jam 25 jam 40 jam
Formulasikan permasalahan perencanaan produksi tersebut untuk memaksimumkan profit.
Kebutuhan jam tenaga kerja 30 jam 25 jam 40 jam
Solusi aplikasi “Dorian”
Variabel keputusanxi = jumlah mobil tipe ke-i yang diproduksi
yi = 1 jika mobil tipe ke-i diproduksi, dan yi=0 jika tidak
Formulasi :
Maks z = 2 x1 + 3 x2 + 4 x3 Subject to:
x1 ≤ M y1 x2 ≤ M y2 x3 ≤ M y3
1000 – x1 ≤ M (1 – y1) 1000 – x2 ≤ M (1 – y2) 1000 – x3 ≤ M (1 – y3) 1000 – x3 ≤ M (1 – y3)
1.5 x1 + 3 x2 + 5 x3 ≤ 6000 30 x1 + 25 x2 + 40 x3 ≤ 60000 x1, x2, x3 ≥ 0 dan integer
Metode “Branch and Bound”
Metode “Branch and Bound” adalah metode paling populer untuk menyelesaikan problem IP
Metode ini mencari solusi optimal IP dengan perhitungan titik-titik di daerah feasibel “sub-problem”.
Jika solusi optimal dari LP relaxation adalah integer, maka solusi LP relaxation tersebut juga merupakan solusi IP
Branch-and-Bound Algorithm
Branch and bound algorithms are the most popular methods for solving integer programming problems
Branching: among the remaining sub-problems, select the Branching: among the remaining sub-problems, select the one that was created most recently.
Branch-and-Bound Algorithm
Sub-problems are generated by branching on an appropriately chosen fractional-valued variable . Suppose that in a given problem (call it all Suppose that in a given problem (call it all sub-problem), assumes a fractional value between the integers i and i+1. Then the two newly generated subproblems are:
New Subproblem 1 New Subproblem 1
Old subproblem + Constraint Xi <= i New Subproblem 2
Bounds
The optimal solution to an LP relaxation of an ILP problem gives us a bound on the optimal objective function value.
function value.
For maximization problems, the optimal relaxed objective function values is an upper bound on the optimal integer value.
Contoh 1
Contoh suatu permasalahan IP: Maximize z = 8x1 + 5x2 subject to
subject to
x1 + x2 <= 6; 9x1 + 5x2 <= 45;
x1, x2 >= 0; x1, x2 integer Permasalahan diatas dimulai dengan
membagi menjadi beberapa sub-problem. Sub-problem 1 adalah
penyelesaian LP relaxation dari model awal.
awal.
Optimal LP Solution:
Feasible Region for the Problem
Subproblem 1: The LP relaxation oforiginal
Optimal LP Solution: Optimal LP Solution:
x1 = 3.75 and x2 = 2.25 and z = 41.25 Subproblem 2:
Subproblem 1 + Constraint x1 >= 4 Subproblem 3:
Subproblem 1 + Constraint x1 <= 3 Subproblem 4:
Subproblem 2 + Constraint x2 >= 2 Subproblem 2 + Constraint x2 >= 2 Subproblem 5:
Daerah Feasible untuk Sub-problem
Percabangan (Branching):Proses membagi suatu sub-problem menjadi dua atau lebih sub-problem dibawahnya
Sub-problem 1 dibagi 2:
Subproblem 2: Subproblem 1 + Constraint x1 >= 4 (nilai x1 dibulatkan ke atas)
Subproblem 3: Subproblem 1 + Constraint x1 <= 3 (nilai x1 dibulatkan ke bawah)
Solusi Optimal Sub-problem 2: z = 41, x1 = 4, x2 = 9/5 = 1.8 z = 41, x1 = 4, x2 = 9/5 = 1.8
Feasible Region for Subproblems 4 & 5
Sub-problem 2 dibagi 2:
Subproblem 4: Subproblem 2 + Constraint x1 >= 2
(nilai x2 dibulatkan ke atas) (nilai x2 dibulatkan ke atas)
Subproblem 5: Subproblem 2 + Constraint x1 <= 1
(nilai x2 dibulatkan ke bawah)
Solusi Optimal Sub-problem 5: z = 40.05, x1 = 4.44, x2 = 1
Solusi optimal sub-problem 5 belum menghasilkan bilangan integer, dan perlu
The Branch and Bound Tree
Optimal solution of Subproblem 5: 3
Optimal solution of Subproblem 5: z = 40.05, x1 = 4.44, x2 = 1
Feasible Region for Subproblems 6 & 7
Optimal solution of Subproblem 7:
z = 37, x1 = 4, x2 = 1
Optimal solution of Optimal solution of Subproblem 6:
Contoh 2
MAX: 2X1 + 3X2
Solution to LP Relaxation
3 X2
Feasible Integer Solutions
1
2 Optimal Relaxed Solution
X1 = 2.769
X2 = 1.826
Obj = 11.019
The Branch-And-Bound Algorithm
Problem I Problem II
Solution to LP Relaxation
3 X2
Problem I
X
1=2, X
2=2.083, Obj = 10.25
1 2
Problem II
Branching
X1=2.769
Original Problem
X2=1.826 Obj = 11.019
X1=2 X2=2.083 Obj = 10.25
X1=3 X2=1.25 Obj = 9.75
Problem II
Problem I
X1>=3 X1<=2
Branching
X1=2.769
Original Problem
X2=1.826 Obj = 11.019
X1=2
X2=2.083
Obj = 10.25
X1=3 X2=1.25 Obj = 9.75
Problem II
Problem I
X1>=3 X1<=2
X2=2.083
The Branch-And-Bound Algorithm
Problem III Problem IV
MAX: 2X1 + 3X2 MAX: 2X1 + 3X2
MAX: 2X1 + 3X2 S.T.
X1 + 3X2 <= 8.25 2.5X1 + X2 <= 8.75 X1 <= 2
X2 <= 2
MAX: 2X1 + 3X2 S.T.
X1 + 3X2 <= 8.25 2.5X1 + X2 <= 8.75 X1 <= 3
X2 >= 3 X2 <= 2
X1, X2 >= 0 and integer
X2 >= 3
Solution to LP Relaxation
3 X2
Problem III
X =2, X =2, Obj = 10
1
2 Problem II
X1=2, X2=2, Obj = 10
X1=3, X2=1.25, Obj = 9.75