Math-Net.Ru
Общероссийский математический портал
И. С. Литвинчев, С. Рангель, Сравнение лагранжевых оценок для одного класса обобщенных задач о назначении, Ж. вычисл. матем. и матем. физ., 2008, том 48, номер 5, 779–787
Использование Общероссийского математического портала Math-Net.Ru подразумевает, что вы прочи- тали и согласны с пользовательским соглашением
http://www.mathnet.ru/rus/agreement Параметры загрузки:
IP: 178.128.90.69
6 ноября 2022 г., 06:25:25
ЖУРНАЛ ВЫЧИСЛИТЕЛЬНОЙ МАТЕМАТИКИ И МАТЕМАТИЧЕСКОЙ ФИЗИКИ, 2008, том 48, № 5, с. 779-787
УДК 519.658
СРАВНЕНИЕ ЛАГРАНЖЕВЫХ ОЦЕНОК ДЛЯ ОДНОГО КЛАССА ОБОБЩЕННЫХ З А Д А Ч О НАЗНАЧЕНИИ^
© 2008 г. И. С. Литвинчев*, С. Рангель**
(* 119991 Москва, ул. Вавилова, 40, ВЦ РАН; ** Ун-т штата Сан-Пауло, Бразилия) e-mail: Iitvin@ccas.ru; socorro@ibilce.unesp.br
Поступила в редакцию 31.07.2007 г.
Рассматриваются классические и модифицированные лагранжевы оценки оптимального зна
чения для задач оптимизации, имеющих двойную декомпозиционную структуру. Для класса о б о б щ е н н ы х задач о назначении указанная специфика ограничений используется при постро
ении алгоритма решения модифицированной двойственной задачи методом Бендерса. Приво
дятся результаты численного сравнения качества классических и модифицированных оце
нок. Библ. 18. Табл. 2.
Ключевые слова: л а г р а н ж е в ы оценки в задачах оптимизации, улучшение лагранжевых оце
нок, обобщенная задача о назначениях.
ВВЕДЕНИЕ
Одним из эффективных способов использования специальной структуры ограничений в зада
чах оптимизации является лагранжева релаксация (см. [1]). Условия задачи разделяются на так называемые "хорошие" и "плохие" таким образом, что исходная задача решалась бы существен
но проще, если бы в ней были оставлены только "хорошие" ограничения. Затем "плохие" огра
ничения игнорируются, но в целевую функцию добавляется "штрафное" слагаемое, характери
зующее нарушение этих ограничений. В классическом случае такой мерой отклонения от допу
стимости служит линейная комбинация невязок ограничений, взятых с коэффициентами, называемыми множителями Лагранжа. Полученная лагранжева задача, рассматриваемая при фиксированных множителях, содержит только хорошие ограничения и во многих случаях суще
ственно проще исходной. Оптимальное значение лагранжевой задачи дает верхнюю (для задач максимизации) оценку оптимального значения исходной задачи. Задачу выбора наилучших, т.е.
минимизирующих верхнюю оценку множителей Лагранжа принято называть лагранжевой двой
ственной задачей. Качество оценок исходного оптимального значения играет существенную роль как при построении численных методов решения (например, в различных вариантах метода ветвей и границ), так и при оценке их сходимости, позволяя оценить близость по функционалу текущего и оптимального решений (см. [2]-[8]).
Во многих случаях имеется несколько способов деления ограничений на хорошие и плохие, приводящих к различным лагранжевым релаксациям (см. [1], [5], [8]). Например, в сложной си
стеме можно по-разному определять подсистемы. В этом случае при определенном разбиении вектора исходных переменных на подвектора часть ограничений рассматриваются как связыва
ющие (в блочной постановке) и, следовательно, являются кандидатами на релаксацию. Однако те же ограничения могут интерпретироваться уже как блочные при иной группировке перемен
ных (для другого определения подсистем). Будем говорить, что задача, обладающая указанным свойством, имеет двойную декомпозируемую структуру. Такую структуру имеют многие при
кладные задачи, в которых используются переменные с двумя (или более) индексами типа х^ и имеются ограничения в виде сумм только по первому и только по второму индексу. Двойную де
композируемую структуру имеет, например, обобщенная задача о назначениях, задача о не
скольких рюкзаках, многие формулировки задач о раскрое/упаковке (см. [9]-[11]).
В [12] рассмотрена возможность улучшения классических лагранжевых оценок оптимально
го значения, основанная на оценке штрафного слагаемого, вводимого в функцию Лагранжа. При
^ Р а б о т а И . С . Литвинчева выполнена при финансовой поддержке РФФИ (код проекта 06-01-81020-Бел_а), р а б о т а С. Рангель частично поддержана CNPq (проект 473001/2004-7).
779 4*
таком подходе, наряду с классической лагранжевой задачей, имеющей только хорошие ограни
чения, рассматривается вспомогательная задача, содержащая плохие ограничения. Если исход
ная задача имеет двойную декомпозируемую структуру, то при определенных условиях обе за
дачи - классическая лагранжева и вспомогательная - распадаются на независимые подзадачи меньших размерностей. В данной работе на примере одного класса обобщенных задач о назна
чении рассматривается возможность использования двойной декомпозируемой структуры при решении двойственной задачи, а также проводится численное сравнение классических и улуч
шенных лагранжевых оценок.
Работа организована следующим образом. В разд. 1 кратко излагаются основные построения метода улучшения классических лагранжевых оценок, детально представленные в [12]. В разд. 2 для обобщенной задачи о назначениях рассмотрена процедура решения модифицированной двойственной задачи, учитывающая двойную декомпозируемую структуру постановки. В по
следнем разделе представлены результаты вычислительного эксперимента.
1. ОСНОВНЫЕ ПОСТРОЕНИЯ Пусть исходная задача имеет вид
z* = max{cTx\Dx<d, хе X},
где De I Rm x" , X ç IR", a вектор-столбцы с, d, x и матрица D имеют согласованные размерности.
Ограничения Dx<d считаются плохими, т.е. без них исходная постановка существенно упроща
ется. Обозначим через J C* оптимальное решение исходной постановки задачи.
Для m-мерного вектора множителей и = {ut} > 0 лагранжева задача определяется следующим образом:
z(u) = m a x { cr* + u{d-Dx)},
X G X
давая хорошо известную (см. [2], [5]) лагранжеву оценку z * < z ( w ) Vw>0.
Наилучшая (наименьшая) лагранжева оценка и соответствующие множители Лагранжа и*
определяются из решения двойственной задачи
z(u*) - minz(w) = vvD.
и > 0
Оценку z* < wD будем называть классической лагранжевой оценкой.
Предположим, что имеется некоторая априорная информация об оптимальном решении исходной задачи. Именно, пусть задано множество W cz [Rп такое, что e W. Будем называть множество \У локализацией оптимального решения J C* , или просто локализацией. Множество W может быть получено путем комбинации исходных ограничений, в результате опроса экспертов и т.п.
Обозначим через 9(w, W) оптимальное значение следующей вспомогательной задачи при и > 0:
Э(и, W) = minuT(d-Dy).
У G W
В [12] показано, что для любой локализации W и любого и > 0 выполнено соотношение z*<zM(u, W) = z(u)-Q(u, W).
Наилучшая оценка этого вида определяется из модифицированной двойственной задачи
W M D( W ) = minzM(«, W).
И>()
Предположим теперь, что локализация имеет вид
= {у\уе Y,Py<p},
где матрица Р и вектор р имеют согласованную размерность. Будем считать, что множество Y имеет специальную структуру (например, декомпозируемую), так что ограничения у e Y жела
тельно учитывать в явном виде, тогда как условия Ру <р эту структуру нарушают и будут исполь
зоваться в функции Лагранжа с множителями v > 0. Действуя таким образом, получаем 9(w, W{) = mmu\d-Dy)>mm{u\d-Dy) + v\Py-p)} V w > 0 ,
yeW{ ye Y
так что
6(и, Wx)>maxmin{u\d-Dy) + v{Py-p)}.
v >
0v
G YИспользуя это соотношение в модифицированной двойственной задаче, приходим к модифици
рованной лагранжевой оценке (см. [12])
z* < wMD(W{) = min {z(u) - 6(и, v, Wx)}9
u,v>0
в(м, v, W{) = mm{u(d-Dv) + v(Py-p)}.
y G Y
Особый интерес представляет случай, когда множество X, задающее хорошие ограничения, и множество У, фигурирующее в определении локализации W{, декомпозируемы: X = Х{ ® ... ® XR,
Y- Yx ® ... ® YK. В этом случае лагранжева задача вычисления z{u) распадается на R независимых подзадач меньших размерностей, а вспомогательная задача вычисления 9 («, v, W{) сводится к решению К независимых подзадач. Известно немало прикладных постановок (см., например, [1], [11]), в которых можно определить X и Y так, что оба этих множества будут иметь указанную специфику. Такая двойная декомпозируемая структура характерна, например, для задач, в фор
мулировке которых используются целочисленные переменные xtj и имеются ограничения в виде сумм только по первому и только по второму индексу. Сюда относится обобщенная задача о на
значениях, задача размещения производства и задача о нескольких рюкзаках, задача о раскрое и упаковке. В разд. 2 отмеченная специфика постановки используется при построении алгоритма вычисления модифицированной лагранжевой оценки для одного класса обобщенных задач о на
значении.
2. МОДИФИЦИРОВАННАЯ Л А Г Р А Н Ж Е В А О Ц Е Н К А ДЛЯ ОБОБЩЕННОЙ З А Д А Ч И О Н А З Н А Ч Е Н И Я Х
Различные постановки задачи о назначениях (ЗН), как правило, заключаются в сопоставле
нии элементов двух или более множеств. При этом под размерностью З Н подразумевается число таких множеств (см. [10]). В том случае, когда имеется только два множества, их часто именуют
"задачами" и "исполнителями". Так, например, "задачами" могут быть работы, которые необхо
димо выполнить, а "исполнителями" - люди или машины, которые могут это сделать. В своей классической постановке З Н состоит в назначении задач исполнителям так, что каждому назна
чается не более одной задачи (назначение "один к одному"). В обобщенной задаче о назначениях (ОЗН) каждая задача назначается одному исполнителю, как и в классической постановке, но разрешается назначение нескольких задач одному и тому же исполнителю. При этом предпола
гается, что на решение задачи может быть использована лишь часть ресурса, имеющегося у ис
полнителя, а не весь ресурс, как в классическом случае. Таким образом, в О З Н рассматривается назначение "один ко многим" с учетом ограниченности ресурсов у исполнителей. Дальнейшим обобщением З Н является назначение "многих ко многим" с учетом ограничений по ресурсу как для исполнителей, так и для задач (см. [10]).
Zip = m a x ^ ^ c , ^ ,
i = u = I (MMAP)
n m
^ аихи < Ь( 9 i = 1 , 2 , . . . , m , ^dijXij^dj, j = 1, 2, л, *; ye { 0 , 1 } ,
7= 1 / = 1
где = 1, если исполнитель / назначается на задачу j , и xtj = 0 в противном случае; с,-, - "полез
ность" назначения исполнителя / на задачу у; atj - доля ресурса исполнителя /, используемая для выполнения задачи у, и Ъ[ - имеющийся у исполнителя / ресурс. Предполагается, что каждая за
дача также имеет свой собственный ресурс и dt j - доля ресурса задачи у, используемая при выпол
нении ее исполнителем /, a dj - полный ресурс задачи у. Будем считать, что все коэффициенты задачи неотрицательны.
Отметим, что (ММАР) имеет двойную декомпозируемую структуру. Если мы дуализируем первые m ограничений, то лагранжева задача распадается на п независимых подзадач, каждая из которых имеет одно ограничение рюкзачного типа X,w= \ ацХ^ < dp Хц е {0, 1}. При релаксации второй группы ограничений получаем га независимых подзадач с рюкзачным ограничением. Для определенности будем рассматривать вторую группу ограничений как плохие, усложняющие ре
шение задачи, которые будут релаксироваться при построении функции Лагранжа.
Введем обозначения
X, = Uje { О , 1}\£а
их
и<ь\, X = J\X
hi = 1
Yj^UjGiOA^d^dX Y = ] J YJ9
L j J y = i
W{ = {ytJG { 0 , l } | y e Y,Py<ph
{Ру<р} = у^аиуи<Ь(,1= 1,2, . . . , r a l .
^ j *
Исходные ограничения, включенные в X, рассматриваются как хорошие, а условия, представ
ленные в F, считаются плохими и будут включены в функцию Лагранжа. Локализация W{ ис
пользуется в модифицированной двойственной задаче, причем ограничения у e Y учитываются в явном виде, а условия Ру < р дуализируются во вспомогательной задаче. Пусть и = {ир] - 1, 2 , . . . , n \ и v == { vh i = 1,2, ..., m} - множители Лагранжа для соответствующих ограничений. Аналогично [12] получаем zip < wMD (W{), где
wM D( W , ) = mm{z(u)-Q(u, v, W{)}9 (MD)
u, v > 0
и для задачи (MMAP) имеем
z(u) = ^ujdj + maxj
XX
(c<; "
" A K| = X
w A +X
(c</ "
uJdU^xUj
/ L / ; J ; ; L
y
JРассматривается следующая постановка (many-to-many assignment problem):
в(и, v, Wx) = ^ U j d j - ^ V i b i + i m n l ^
s
X
мА - X
v^<-
+1 X™? Х
( v^ ~ "А)?* г
Модифицированная двойственная задача (MD) представляет собой выпуклую задачу недиф- ференцируемой оптимизации относительно переменных и, v, для решения которой могут ис
пользоваться субградиентный метод, метод двойственного спуска из [13] или bundle-методы (см., например, [14, § 6.3]). В настоящей работе используется следующий подход: задача (MD) сводит
ся к задаче линейного программирования с большим числом условий, которая решается методом релаксации/генерации ограничений (Бендерса, [1], [11]). Выбор метода Бендерса обусловлен тем, что он позволяет на каждой итерации получать (сходящиеся) верхние и нижние оценки зна
чения модифицированной двойственной задачи и тем самым генерировать ее субоптимальное решение с гарантированной точностью. Основная цель настоящей работы - сравнение качества модифицированной и классической лагранжевых оценок. Поэтому мы не ставили цель найти наиболее быстрый способ решения двойственной задачи, основное внимание уделялось точно
сти вычисления лагранжевых оценок.
Обозначим через {x\j ,t = 1,2, Tt} и {у\} ;, / = 1,2, L7} все допустимые точки множеств Х( и Yj. Тогда задача (MD) эквивалентна следующей (координирующей) задаче линейного програм
мирования:
wMD(W{) = m i n ^ v ^ +
^ i - X ^ '
( М Р )i i j
Т 1 > £ ( с г и ^ ) 4 , t = \,2, ...,T„ i=\,2,...,m, (MPI) j
^j-y^(viaij-ujdübij^ l = 1,2, . . . , L - , j = 1,2,
" / (M p2 )
n , v > 0 , £у, Л , - е 1 й \
где переменные r|z используются для представления минимума и максимума по у e YjHx e Xt соответственно. В задаче (MP) имеется 2(т + п) переменных и большое количество ограничений - по одному для каждой допустимой точки множеств Xt и Yj. Для решения коорди
нирующей проблемы (MP) используется процедура генерации ограничений в форме метода Бен
дерса. Мы опустим здесь подробное описание этого известного метода (см., например, [1]), оста
новившись только на схеме генерации ограничений в возникающих подзадачах.
Пусть на к-и итерации метода имеется ограниченная координирующая задача (МРк), содержа
щая лишь часть линейных условий задачи (MP). Обозначим через (w, v, ri)^ ее оптимальное ре
шение. Для проверки допустимости этого решения ко всем ограничениям типа (MPI) необходи
мо проверить выполнимость неравенств
Л | ^ Х ^ "
М^ 4 "
V f = Ь 2 , i = 1,2, . . . , т ,или, что то ж е самое, неравенств
к X"* к
ц( > т а х > (си-Ujd^Xij Vi = 1,2, . . . , т . (SI) j
Таким образом, для проверки допустимости текущего решения (и, v, Т | ) * к ограничениям (MPI) необходимо решить m независимых подзадач, каждая из которых имеет одно ограничение рюк
зачного типа и п булевых переменных. Обозначим через J C* оптимальные решения этих подза
дач.
Аналогично, для проверки допустимости текущего решения в случае ограничения (МР2) не
обходимо проверить выполнимость неравенств
£ * < m i n Y ( v U i j - u j d ^ y i j V/ = 1,2, . . . , n , (S2)
y e У •} A M J
i
что сводится к решению п независимых подзадач с одним линейным ограничением и m булевыми переменными. Обозначим через у*, оптимальное решение этих подзадач.
Если неравенства (SI), (S2) выполнены, то текущее решение (м, v, г\)к оптимально для зада
чи (MP), а (и, v)k - соответственно, для модифицированной двойственной задачи (MD).
Пусть условия (SI), (S2) не выполнены. Обозначим через / \ Jk множества индексов нару
шенных ограничений: Ik çzl = { 1 , 2 , m}, Jk çz J = { 1 , 2 , n), Ik ; u Jk Ф 0 . Ограниченная ко
ординирующая задача, соответствующая итерации (к + 1), формулируется путем добавления ограничений
к ограниченной координирующей задаче (MPk). Заметим, что всего может быть добавлено мак
симум m + п ограничений.
На к-й итерации метода имеются верхняя и нижняя оценки оптимального значения wUD(Wx)
модифицированной двойственной задачи:
LBk s £ v f o + £лf - £ Ç * < vvM D( W,) < _rain ^ z ( ns) - 6( и \ vs)} = S*,
где минимум берется по всем предыдущим итерациям и
z(u) = Y,llidJ + XX^'ü " "Я/К'
7 * 7
Э(м\ VS) = ХМХ' ~ X V' ^ + ХХ( V' " " ' " 1Ча'^Уц-
7 ' ' 7
Итеративный процесс прекращается, например, при (UBk - LBk)/LBk < £, где £ > 0 - заданная от
носительная погрешность вычисления значения wMD(W{) модифицированной двойственной за
дачи.
\ ( bi = ос 1 , d; = а
V j )
Все сгенерированные задачи были разделены на три класса (А, /?, С) в соответствии со значени
ями ос: А (ос = 1), В (ос = 0.9) и С ( а = 0.8).
Обе лагранжевы оценки, классическая и модифицированная, вычислялись с помощью метода генерации ограничений, описанного выше. Вычисления прекращались при (UBk - LBk)/LBk <
< 0.0001. Алгоритм программировался с помощью языка AMPL (см. [18]), возникающие оптими
зационные подзадачи решались пакетом CPLEX 10.0 на компьютере Pentium 4, 3.2 GHz, 2 GB RAM.
Для всех сгенерированных задач вычислялась величина zip (оптимальное значение исходной задачи), а также ее верхние оценки: zl p - оптимальное значение непрерывной линейной релакса
ции; z\us> - классическая лагранжева оценка wD; zmd - модифицированная лагранжева оценка WM D W ) .
Сравнительное качество оценок характеризовалось следующими показателями:
rell = ^ £ L P x 100%, rel2 = х 100%, ге13 = ^LpÎR х 100%,
4 a g ^ip ^-lp ^ip ^lp ^ip
где rell показывает, насколько модифицированная оценка лучше классической, а ге12, ге13 ис
пользуются для сравнения лагранжевых оценок с LP-релаксацией.
Отметим также, что если нижняя оценка строго возрастает на последовательных итерациях, LBk > LBkx, то можно удалить ограничения (MPI), (МР2), не активные на оптимальном решении (и, v, ri)* (см., например, [1]).
Поскольку коэффициенты целевой функции исходной задачи неотрицательны, то ZiP > 0. То
гда для оптимального решения (м, v, £ Т | ) * координирующей задачи (MP) выполнены следующие условия:
0<zip<wMD(W{)
= X ^ + Z^-S^*'
' ' j
o<zip< z(u*) =
5>;ц+2>,*.
j 1
Соответствующие тривиальные ограничения на (w, v, Г|) можно добавить (опуская индекс оп
тимальности) в координирующую задачу с самого начала, чтобы избежать неограниченного убывания целевой функции на ранних итерациях метода.
3. ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ
Вычислительный эксперимент проводился с целью сравнения относительного качества клас
сической и модифицированной лагранжевой оценки, а также их близости к исходному оптималь
ному значению. При генерации тестовых задач использовались рекомендации, изложенные в [15]—[17]. Сравнение лагранжевых оценок проводилось для двух классов (ММАР) отличающихся размерностью тхп: "небольшие" с m G {5, 8, 10} И "средние" с m е {5, 10, 20} и п = 100. В каче
стве исходных данных для каждого класса рассматривались целочисленные величины, сгенери
рованные следующим образом:
сие t / [ 1 0 , 5 0 ] , atJe ( / [ 5 , 2 5 ] , due £ / [ 3 , 2 0 ] ,
m п класс rell rel2 rel3 gapl gap2 gap3 iter(zl a g) iter(zm d)
5 50 А 61.28 60.22 98.73 6.63 10.82 11.01 545 426
5 50 В 77.82 77.71 99.87 5.58 7.17 7.18 516 577
5 50 С 67.28 66.67 99.07 2.20 3.27 3.30 755 860
8 50 А 77.99 72.66 93.16 4.36 5.59 6.00 576 609
8 50 В 88.07 86.88 97.82 1.92 2.18 2.21 748 751
8 50 С 97.77 95.65 97.83 3.08 3.15 3.22 915 925
10 50 А 82.48 74.03 89.75 3.25 3.94 4.39 543 639
10 50 В 95.74 90.60 94.63 1.35 1.41 1.49 854 844
10 50 С 99.38 93.06 93.64 1.61 1.62 1.73 811 851
Таблица 2
m п класс rell rel2 rel3 gapl gap2 gap3 iter(zia g) iter(zm d)
5 100 А 66.66 66.66 100 7.40 11.10 11.10 1938 1195
5 100 В 77.81 77.81 100 5.05 6.49 6.49 1258 1548
5 100 С 76.85 76.85 100 3.42 4.45 4.45 2452 2717
10 100 А 79.62 77.62 97.49 3.40 4.27 4.38 2253 1941
10 100 В 95.00 93.44 98.36 1.14 1.20 1.22 2843 2508
10 100 С 98.93 98.50 99.50 1.96 1.98 1.99 3548 2822
20 100 А 86.95 76.50 87.98 1.40 1.61 1.83 2414 2474
20 100 В 96.00 92.31 96.15 0.72 0.75 0.78 3898 3988
20 100 С 93.22 90.16 93.44 0.55 0.59 0.61 3931 3117
Для характеристики близости оценок к оптимальному значению использовались стандарт
ные показатели:
gapl = Zmd~ZiP х 100%, gap2 = Zh*~Z[* x 100%, gap3 = x 100%.
^ip ^ip ^ip
Результаты расчетов для небольших задач представлены в табл. 1, в табл. 2 даны результаты для средних задач. Для каждой задачи в таблице указана ее размерность (га, я), класс, к которому она относится (А, В, С), относительное качество оценок (rell, rel2, ге13), близость к исходному оп
тимальному значению (gapl, gap2, gap3) и число итераций метода генерации ограничений, пона
добившихся для вычисления лагранжевых оценок iter(zl a g), iter(zm d) соответственно.
Как видно из таблиц, для всех сгенерированных задач модифицированная оценка лучше клас
сической (rell < ге13), причем для некоторых классов данных существенно лучше (задачи класса А).
Улучшение оценки для задач класса С незначительно. В тех случаях, когда значение z\v близко к Zip (малые величины gap3), для обеих лагранжевых оценок имеется немного возможностей для улучшения по сравнению с zi p. В целом можно отметить, что чем больше gap3, тем больше раз
ница между модифицированной и классической оценками. Иными словами, чем хуже непрерыв
ная релаксация, тем больше возможностей для улучшения классической лагранжевой оценки.
Для всех задач, за исключением двух последних в табл. 1, имеет место соотношение rell < ге13, т.е. если считать, что для этих задач классическая лагранжева оценка zJ a g "достаточно" улучшает непрерывную релаксацию z.\r то аналогичное заключение справедливо и для соотношения меж- Таблица 1
ДУ ^md и 4ag- Число итераций метода слабо зависит от типа лагранжевой оценки и имеет тенден
цию к росту с возрастанием размерности.
Следует отметить, что указанные выводы можно расматривать только как предварительные, поскольку как число решенных задач, так и их размерность недостаточны для каких-либо общих заключений. Более представительный вычислительный эксперимент, в особенности для задач большой размерности и более узких классов постановок с двойной декомпозируемой структу
рой, представляется интересной темой дальнейшего исследования.
СПИСОК ЛИТЕРАТУРЫ 1. ЛэсдонЛ.С. Оптимизация больших систем. М.: Наука, 1975.
2. Geoffrion A.M. Lagrangian relaxation and its uses in integer programming // Math. Program. Study. 1974. V. 2.
P. 82-114.
3. Fisher ML. An application oriented guide to Lagrangian relaxation // Interfaces. 1985. V. 15. P. 10-21.
4. Frangioni A. About Lagrangian methods in integer optimization // Ann. Operat. Res. 2005. V. 139. P. 163-169.
5. Guignard M. Lagrangian relaxation // TOP. 2003. V. 11. № 2. P. 151-228.
6. Guignard M., Rosenwein M.B. An application-oriented guide for designing Lagrangian dual ascent algorithms //
European J. Operat. Res. 1989. V. 43. P. 197-205.
7. Lamareehal C. Lagrangian relaxation // Comput. Combinatorial Optimizat. Heidelberg: Springer, 2001. P. 115—
160.
8. Shapiro J.F. A survey of Lagrangian techniques for discrete optimization // Ann. Discrete Math. 1974. V. 5.
P. 113-138.
9. Корбут A.A., Финкелъштейн Ю.Ю. Дискретное программирование. M.: Наука, 1969.
10. Pentico D.W. Assignment problems: A golden anniversary survey // European J. Operat. Res. 2007. V. 176.
P. 774-793.
11. Martin R.K. Large scale linear and integer programming: A unified approach. Boston: Kluwer, 1999.
12. Литвиннев И.С. Улучшение лагранжевых оценок в задачах оптимизации // Ж. вычисл. матем. и матем.
физ. 2007. Т. 47. № 7. С. 1151-1157.
13. Шор Н.З. Методы минимизации недифференцируемых функций и их приложения. Киев: Наук, думка, 1979.
14. Измаилов А.Ф., Солодов М.В. Численные методы оптимизации. М.: Физматлит, 2003.
15. Narciso M.G., Lorena LA. Lagrangean/surrogate relaxation for the generalized assignment problem // European J. Operat. Res. 1999. V. 114. P. 165-167.
16. Yagiura M., Ibaraki T., Glover F. A path relinking approach with ejection chains for the generalized assignment problem // European J. Operat. Res. 2006. V. 169. P. 548-569.
17. Jeet V., Kutanoglu E. Lagrangian relaxation guided problem space search heuristics for generalized assignment problems // European J. Operat. Res. 2007. V. 182. P. 1039-1056.
18. F ourer R., Gay M.D., Kernighan B.W. AMPL - a modeling language for mathematical programming. Denvers, Massachusetts: Scient. Press, 1993.