Programmazione lineare a Numeri Misti - Variabili intere e continue

Alla fine degli anni 70, una organizzazione commerciale ha individuato la possibilità di collocare vantaggiosamente su mercati esteri cinque diversi prodotti (Pi) nei quantitativi indicati sotto:

P1 = 100,000
P2 = 50,000
P3 = 120,000
P4 = 300,000
P5 = 180,000

L'organizzazione seleziona alcune aziende artigiane (A1, A2, A3, A4, A5, A6) in grado di fornire in tempo utile i prodotti richiesti. I tecnici sapevano per bene che le aziende in questione avevano capacità produttive limitate. Inoltre il management e l'ufficio acquisti ritenevano fosse piuttosto rischioso, anche se il livello di qualità offerto è valutato simile per tutte le sei aziende, concentrare le forniture solo sulle aziende che offrivano costi più contenuti, a causa del timore che non potessero essere rispettati i tempi di consegna.
La direzione diede comunque disposizioni all'ufficio Ricerca Operativa dell'azienda affinché analizzasse il problema e fornisse indicazioni utili per supportare le decisioni del management.

Soluzione illimitata

L'ufficio ricerca operativa disponeva di un terminale 3780 della IBM da cui poteva accedere al package MPS-X disponibile in libreria. Il sistema in questione poteva risolvere la quasi totalità dei problemi di PL, a variabili continue, intere o miste che si possono presentare nella realtà economica o aziendale. Il package consentiva di trattare problemi di PL continua sino a molte migliaia di vincoli e pi di un milione di variabili. Più ristretta la dimensione dei modelli se il problema era a numeri interi o misti. In questo caso infatti il sistema deve alternare il metodo del Simplesso con il Branch and Bound.
Per prima cosa lufficio intendeva ricercare lallocazione a costo minimo delle commesse indipendentemente da qualunque vincolo sulla capacit produttiva delle aziende artigiane o sui rischi di ritardo Una assunzione teorica che consentiva rapidamente di ottenere un limite inferiore dei Costi che dovevano essere sostenuti. Per fare questo necessario prendere in considerazione la matrice dei costi di produzione Cij, riportata sotto per ogni prodotto Pi e ogni azienda Aj.
Gli unici vincoli di cui si tiene conto in questa analisi iniziale, oltre alle quantit richieste per ciascun prodotto, sono quelli della indisponibilit di alcune aziende a fornire alcuni prodotti. Specificatamente:

A1 non produce P4
A4 non produce P5
A6 non produce P2
A6 non produce P4

Tuttavia, per non appesantire il modello con altri 4 vincoli, i tecnici di R.O. decidono di usare il metodo delle penalit. In pratica si tratta di introdurre dei Costi molto alti (nellesempio Cij = 9999) nelle celle che si vogliono scartare. In questa maniera, poiché si tratta di un problema di minimo, il metodo del simplesso scarterà automaticamente allocazioni maggiori di zero in queste celle.

Costi: Cij (Lire/numero)

Prodotti i	P1	P2	P3	P4	P5
Aziende j
A1	950	1850	1000	9999	980
A2	880	1730	900	750	920
A3	1000	1950	960	720	950
A4	980	1800	950	700	9999
A5	1020	2000	980	810	930
A6	1100	9999	1000	9999	1000

Posto dunque:

Xij = quantità di prodotti i acquistati dall'azienda j
Z = funzione oggetto (o obiettivo) da minimizzare

Il modello di PL continua sarà:






Con i vincoli:












Ecco sotto il risultato ottenuto, con l'evidenza del Costo Minimo:

Quantità (numero) Xij

Prodotti i	P1	P2	P3	P4	P5	Totali
Aziende j
A1	0	0	0	0	0	0
A2	100,000	50,000	120,000	0	180,000	450,000
A3	0	0	0	0	0	0
A4	0	0	0	300,000	0	300,000
A5	0	0	0	0	0	0
A6	0	0	0	0	0	0	Costo Min
Totali	100,000	50,000	120,000	300,000	180,000	750,000	658,100,000
Tot. richiesti	100,000	50,000	120,000	300,000	180,000

Soluzione limitata

Stabilito che la spesa sar comunque superiore a 658.1 milioni di Lit (i tecnici di R.O. sanno bene che l'aggiunta di vincoli ad un problema non potrà che peggiorare il valore ottimo della funzione obiettivo) viene eseguito un Run introducendo nel modello i vincoli dij che, le j aziende artigiane hanno sulla massima produzione possibile per ciascun prodotto i
Nel seguito riportata la tabella delle produzioni massime dij per ciascuna azienda e ciascun prodotto:

Produzione massima dij (numero)

Prodotti i	P1	P2	P3	P4	P5
Aziende j
A1	40,000	20,000	60,000	0	50,000
A2	30,000	30,000	50,000	100,000	60,000
A3	40,000	30,000	60,000	150,000	60,000
A4	60,000	40,000	100,000	200,000	0
A5	50,000	30,000	80,000	150,000	80,000
A6	20,000	0	40,000	0	50,000

Il modello, modificato per tener conto delle produzioni massime di ciascuna azienda sarà dunque:






Con i vincoli:















Ecco il risultato ottenuto. Come previsto il Costo Minimo è sensibilmente aumentato:

Quantità (numero) Xij

Prodotti	P1	P2	P3	P4	P5	Totali
Aziende
A1	40,000	0	0	0	0	40,000
A2	30,000	30,000	50,000	0	60,000	170,000
A3	0	0	0	100,000	40,000	140,000
A4	30,000	20,000	70,000	200,000	0	320,000
A5	0	0	0	0	80,000	80,000
A6	0	0	0	0	0	0	Costo Min
Totali	100,000	50,000	120,000	300,000	180,000	750,000	672,800,000
Tot. richiesti	100,000	50,000	120,000	300,000	180,000

Non più di 3 commesse per azienda (soluzione greedy)

Introducendo infine il vincolo, voluto dalla direzione, per evitare ritardi nella consegna dei prodotti, si rispetta la decisione di non affidare più di 3 commesse a ciascuna azienda artigiana. Il Team di ricerca operativa sa bene che l'introduzione di questo ulteriore vincolo implica un salto di qualità nella modellistica in quanto non si può più utilizzare la programmazione lineare continua e quindi l'efficiente metodo del Simplesso. Per avere rapidamente un risultato (approssimato per eccesso) sui costi da sostenere introducendo i 6 nuovi vincoli (uno per ciascuna azienda j) si decide di cercare una soluzione mediante la euristica greedy della matrice minima.
Questo metodo consiste nell'esaminare la matrice dei costi ed iniziare assegnando il massimo possibile, in base alle disponibilità dij, alla cella (cioè alla accoppiata azienda prodotto) che presenta il costo minimo. Si procede poi a selezionare, tra le celle rimanenti, quelle a costo più basso e così via. In questo processo oltre a controllare di non superare mai nelle assegnazioni il valore dij si deve controllare di non superare le 5 richieste Pi di ciascun prodotto e il numero di assegnazioni alle aziende (non pi di 3). Quando la richiesta di un prodotto è saturata si cancella l'intera colonna. Quando una azienda ha ricevuto 3 assegnazioni si cancella l'intera riga. Sotto è riportato il risultato del processo:

Costi (Lire/numero) Cij

Prodotti	P1	P2	P3	P4	P5
Aziende
A1	950	1850	1000	9999	980
A2	880	1730	900	750	920
A3	1000	1950	960	720	950
A4	980	1800	950	700	9999
A5	1020	2000	980	810	930
A6	1100	9999	1000	9999	1000

Produzione massima (num.) dij

Prodotti	P1	P2	P3	P4	P5
Aziende
A1	40,000	20,000	60,000	0	50,000
A2	30,000	30,000	50,000	100,000	60,000
A3	40,000	30,000	60,000	150,000	60,000
A4	60,000	40,000	100,000	200,000	0
A5	50,000	30,000	80,000	150,000	80,000
A6	20,000	0	40,000	0	50,000

Quantità (numero) Xij

Prodotti	P1	P2	P3	P4	P5	Totali		Commesse
Aziende								X Azienda
A1	40,000	20,000				60,000		2
A2	30,000		50,000		60,000	140,000		3
A3		30,000		100,000	40,000	170,000		3
A4	30,000		70,000	200,000		300,000		3
A5					80,000	80,000		1
A6						0	Costo Min	0
Totali	100,000	50,000	120,000	300,000	180,000	750,000	680,400,000
Tot. richiesti	100,000	50,000	120,000	300,000	180,000

Si può osservare che il Costo Minimo trovato (680,400,000) è sensibilmente superiore a quello calcolato precedentemente (672,800,000). Ciò è dovuto a due diversi fattori:

1. abbiamo aggiunto il vincolo: non più di 3 commesse per azienda.


2. abbiamo utilizzato un metodo euristico sub-ottimale.

Nel prossimo paragrafo, utilizzando un metodo ottimale, ci si aspetta di trovare un risultato di costo intermedio tra i due.
Per chi volesse approfondire gli algoritmi greedy e la loro traduzione in un codice (nello specifico Visual Basic) si rimanda al riferimento citato: Problemi, Algoritmi e Codici, di Smith e Hume.

Non più di 3 commesse per azienda (soluzione del simplesso più branch and bound)

Per formulare il problema come programmazione lineare a numeri misti (variabili continue e intere) necessario introdurre oltre le 30 (5 Prodotti per 6 Aziende) variabili continue Xij altre 30 variabili bivalenti Yij. In definitiva riassumendo lintero modello:

Pi numero di pezzi da produrre per ciascun prodotto i
Aj aziende artigiane individuate dalla organizzazione commerciale
Cij costo di una unita del prodotto i se fornito dallazienda j
dij produzione massima possibile del prodotto i da parte della azienda j
Xij quantit di prodotto i acquistato dallazienda j
Yij variabile intera bivalente. Yij = 1 se si acquista i da j. Yij = 0 in caso contrario.
Z funzione oggetto da minimizzare






Con i vincoli:

Sulla richiesta di prodotti













Sulla capacità delle aziende






Sui rischi (non più di tre commesse per azienda)
















Variabili continue positive

Variabili intere bivalenti

Di seguito sono riportati i risultati ottenuti con il modello sopra descritto che rispecchia la formulazione completa del problema (include anche i vincoli di non pi di tre commesse per azienda):

Costi (Lire/numero) Cij

Prodotti	P1	P2	P3	P4	P5
Aziende
A1	950	1850	1000	9999	980
A2	880	1730	900	750	920
A3	1000	1950	960	720	950
A4	980	1800	950	700	9999
A5	1020	2000	980	810	930
A6	1100	9999	1000	9999	1000

Produzione massima (num.) dij

Prodotti	P1	P2	P3	P4	P5
Aziende
A1	40,000	20,000	60,000	0	50,000
A2	30,000	30,000	50,000	100,000	60,000
A3	40,000	30,000	60,000	150,000	60,000
A4	60,000	40,000	100,000	200,000	0
A5	50,000	30,000	80,000	150,000	80,000
A6	20,000	0	40,000	0	50,000

Numero Commesse per Az. Yij

Prodotti	P1	P2	P3	P4	P5	Totali	Massimo
Aziende
A1	1	1	0	0	0	2	3
A2	1	0	1	0	1	3	3
A3	1	0	0	1	1	3	3
A4	0	1	1	1	0	3	3
A5	0	0	0	0	1	1	3
A6	0	0	0	0	0	0	3

Produzione massima (num.) corretta per Yij

Prodotti	P1	P2	P3	P4	P5
Aziende
A1	40,000	20,000	0	0	0
A2	30,000	10,000	50,000	0	60,000
A3	40,000	0	0	150,000	60,000
A4	0	40,000	100,000	200,000	0
A5	0	0	0	0	80,000
A6	0	0	0	0	0

Quantità (numero) Xij

Prodotti	P1	P2	P3	P4	P5	Totali
Aziende
A1	40,000	10,000	0	0	0	50,000
A2	30,000	0	50,000	0	60,000	140,000
A3	30,000	0	0	100,000	40,000	170,000
A4	0	40,000	70,000	200,000	0	310,000
A5	0	0	0	0	80,000	80,000
A6	0	0	0	0	0	0	Costo Min
Totali	100,000	50,000	120,000	300,000	180,000	750,000	676,000,000
Tot. richiesti	100,000	50,000	120,000	300,000	180,000

Negli anni 70 un consulente commentava così i risultati ottenuti con l'impiego di MPS-X della IBM:

La soluzione fornita dall'elaboratore comporta un costo di (680,400,000 676,000,000) = 4,400,000 Lit. meno della soluzione euristica precedentemente trovata.
Pu essere, a questo punto utile qualche considerazione. Un Run di questo tipo impiegando 15.02 secondi di CPU, 27.30 secondi di Iinput/Output, e occupando circa 260 Kbytes di memoria ha un costo di circa 10.000 Lit. (10.000 Lit dell'epoca valgono circa 34 Eur di oggi), ben poca cosa quindi se raffrontata al risparmio ottenuto; d'altro canto si deve anche ricordare che vi sono altri costi per la messa a punto del modello di PLNM e della sua implementazione in macchina, ma soprattutto si deve osservare che molto spesso aziende medio piccole non dispongono di un terminale capace di contenere packages di queste dimensioni.
Ricorrendo al Risolutore ed al file Excel indicato si invitano i lettori interessati a ripercorrere tutti i risultati ottenuti con MPSX inoltre, con riferimento all'ultimo Run, che utilizza variabili continue Xij e variabili bivalenti Yij, si propone di esplorare tre nuove situazioni:

1. Non più di 2 commesse per azienda,


2. Quantitativi di P2 e P3 doppi,


3. Non più di 2 commesse per azienda e quantitativi di P2 e P3 doppi.

I risultati ottenuti assumendo queste ipotesi sono riportati nelle conclusioni.

Conclusioni

Naturalmente oggi le potenzialità dei computer sono molto diverse da quelle di quasi 50 anni fa. Ma i metodi di risoluzione dei problemi sono poco diversi. L'algoritmo del Simplesso di Dantzig, per i problemi di programmazione lineare, cosi come quello di Land e Doig (Branch and Bound) per i problemi a numeri interi sono sempre validi, anche se progressi nei metodi e algoritmi sono stati fatti (e riportati da Frontline anche in Excel) con nuovi approcci , come ad esempio gli algoritmi genetici e i vincoli alldifferent : vedi il riferimento citato: Programmazione matematica, di Hume e Smith.
Il Branch and Bound prevede che ad ogni nodo dellalbero rovesciato, costruito per esplorare le varie soluzioni intere, si risolva un Simplesso, dunque nella tabella riassuntiva riportata sotto il numero dei nodi equivale al numero di volte in cui si applicato il Simplesso per risolvere il problema. Sostanzialmente, anche se non esattamente cos, ad ogni nodo ci si assicura che una variabile intera lo sia effettivamente. Naturalmente ad ogni Run non si riparte dallinizio ma ci si avvale dei risultati ottenuti in precedenza.

Problema:	Costi minimi ( [math]10^6[/math] Lit)	N nodi
Soluzione illimitata	658.1	1
Soluzione limitata	672.8	1
Max 3 Commesse per azienda	676.0	16
Soluzione Greedy	680.4	--
P2 e P3 doppi	886.1	24
Max 2 Commesse per azienda	682.3	34
P2 e P3 doppi	impossibile	--

L'osservazione della tabella mostra che, come già anticipato, man mano che si aggiungono vincoli al problema, passando dalla soluzione illimitata (658.1) al Massimo di 3 Commesse per azienda (676) i Costi minimi crescono, cio la soluzione ottima trovata peggiora.
Una seconda considerazione che le soluzioni euristiche, come quelle di tipo Greedy, danno in generale buoni risultati (680.4), ma sempre peggiori (o nei casi fortunati uguali) a quelli ottenuti applicando la Programmazione matematica (676).
Si pu poi osservare che anche senza aggiungere vincoli, ma rendendo quelli esistenti pi restrittivi
la soluzione trovata peggiora: con un massimo 3 commesse per azienda (676), con un massimo di 2 commesse per azienda 682.3. Se poi raddoppiamo i quantitativi richiesti per P2 e P3 si passa addirittura da un costo di 676 ad un costo di 886.1.
Infine se pretendiamo contemporaneamente di raddoppiare i valori di P2 e P3 e non assegnare pi di due commesse a ciascuna azienda il problema diviene impossibile, cio la regione delle soluzioni ammissibili si ristretta tanto sino a diventare vuota.

Riferimenti

• Il foglio elettronico come strumento per il Problem Solving, R. Chiappi, Franco Angeli, Milano 2008.


• Project Management, Problem Solving, Decision Making, R Chiappi, Matematicamente.it 2015


• Programmazione matematica, di Hume e Smith


• Programmazione lineare, di Roberto Chiappi


• Problemi, Algoritmi e Codici, di Smith e Hume


• Piani di produzione, di Roberto Chiappi


• Allocazione degli investimenti di Roberto Chiappi


• Raffineria, di Roberto Chiappi


• Goal Programming: scelta dei titoli su cui investire, di Roberto Chiappi