Óptimo muy cercano

Ya que acabamos la primera parte de este proyecto ,(ver que alcance tiene CPLEX resolviendo problemas CFL), ahora toca ponerse a optimizar.

En esta pimera parte hemos comprobado como CPLEX resuelve todos los problemas de la bateria de problemas OR-Library, alojada en

http://people.brunel.ac.uk/~mastjjb/jeb/info.html (2009)

Estos datos están analizados en el paper J.E. Beasley  "An algorithm for solving large capacitated warehouse location problems" European Journal of Operational Research 33(1988) 314-325.

He realizado un artículo para presentar en Marzo, por que finalizaba la beca. Hemos entregado los resultados de todas las pruebas, junto con una ubicación del problema, su formulación, las herramientas y el equipo utilizado, y las técnicas que utiliza cada herramienta para resolver cada una de las instancias.

En la segunda parte veremos la relajación semi-Lagrangiana. Esta relajación hace que el problema sea más fácil de resolver que el problema primal o principal. Con esta técnica partimos el problema primal en subproblemas más pequeños, y por tanto más fáciles de solucionar.

Para hacer el problema relajado:

1- Resolver la RL del problema primal.

          De aquí obtenemos un vector de varialbes duales que nos dará el valor del vector U0. Este vector contendrá la penalización que le damos al problema para que tienda a resolverse completamente.

2- Resolver el problema relajado de CFL con relajacion semi-Lagrangiana.

          Los valores de las plantas(y) sólo pueden ser enteros.Esta restricción es importante.

          Necesitamos:

                   - Actulalizar el valor de U

                            Con la actualización hacemos que cada vez se resuelva un problema relajado, acercandonos a la  solución del problema primal.

                   - Criterio de parada

                             Necesitamos este criterio de parada para saber cuando hemos llegado al óptimo.