Upload
nguyenhuong
View
243
Download
3
Embed Size (px)
Citation preview
TA EV) SAYILI DOĞRUSAL PROGRAMLAMA MODELİ ÇÖZÜM YÖNTEMLERİ V E BİR DEĞERLEME
Doç. Dr. Mustafa KÖKSAL
1.1 GİRlIŞ
Matemat ik programlama denil ince akla hemen Doğrusal Programlama ve simpleks çözüm tekniği gelmektedir. Gerçekten, Doğrusal Programlama modeli ve çözüm tekniği simpleks, biraz sonra değineceğimiz Tamsayılı Programlama problemlerinin çözüm algori tmaları iç inde de kullanılmakta, böylece op-t imizasyon çalışmalarının temel taşını oluşturmaktadır.
Bir Doğrusal Programlara (DP) modelinin genel formülas-yonu şu şekilde ifade edi l i r :
Amaç Fonksiyonu n
Optimize Z = 2 CjXj
Kısıtlayıcı Koşul lar
S a,jXj ( < , = ) b i , i = 1,2, ,m. iç in
x j > 0 j = 1,2, ,n için
Buna göre bir DP modelinin varsayımları şöyle özetlenebil ir:
a) Oeterminist ik bir modeldir. Modeldeki herbir katsayı sabi t .ve kesinl ikle bi l iniyor olmalıdır.
b} Amaç fonksiyonu ve her kısıtlayıcı denklem üneer olmalıdır.
c) Karar değişkenleri bölünebi l i r olmalıdır (1).
.1.2. Simpleks Çözüm Yöntemi
Bir DP probleminin simpleks yöntemi ile çözümlenebi lmesi için standart forma getir i lmesi gerekir : Tüm kısıtların ( ^ ) o l ması hal inde standart fo rm;
optimize Z =* 2 CJXJ
kısıtlayıcı koşullar
2 âijXj + S , = b{ I = 1, ,m
ve Xj > 0, İ = 1, ,n
Si > 0, i - 1,. ,m f i . kısıtın gevşek değişkeni)
olarak ifade edilir.
Bu şartlar altında başlangıç simpleks tablosu düzenlenerek simpleks algoritması problemi aşağıdaki gibi çözer (2):
Simpleks Yöntemin Adımları :
1. Problemi bir gaye fonksiyonu ve bir dizi kısıplayıcı koşül denklemler i Üe formüle et. (Standart Forma get i r ) ,
(1) Dantzing, Georgo B.: «Linear Programming and Extonsİons», Prlnceton Unfverslty Press, 1963, s. 6.
(2) Thierauf, R. J . - Grosse, R. A.: «Decislon Making Through Operaiions Research» John Wi|ey and Sons, Inc., New York, 1970, s. 250.
2. Başlangıç tablosunu gevşek değişkenlerle düzenle ve Z J (
Cj - Zj satırlarını hesapla,
3. Çözüme hangi değişkenin gireceğini belir le (en büyük Cj -Zj değeri),
4. 'Hangi değişkeni (çözümden) temelden çkkaracağına karar ver (Miktar (sabitler) kolonunun opt imum veya anahtar sü
tunundaki karşılığı katsayı değerler ine bölünmesinden ortaya çıkan oranların en küçüğü),
5. Giren değişken için yeni satır değerlerini hesapla ve bu değerleri yeni tabloya yerleştir.
6. Diğer satır değerlerini de hesapla ve yeni tabloya koy. Yeni Zj ve Cj - Zj satırlarını hesapla. Şayet Cj - Zj satırında pozitif değer kalmadı ise çözüm opt imumdur. Pozitif değer varsa (Cj - Zj de) 3, 4, 5 ve 6. adımları tekrarla. Minimizasyon Problemlerinde Cj - Zj satırlarında en büyük negatif değer l i değişken i!k defa çözüme sokulur.
Temel C f i Değ i şken le r
0 sE
û S:
K a r a r D e ğ i ş k e n l e r i Gevşek Değ işken le r
c, c , c n u 0 0
x, x , xn s, s} s m
0 0
a j ı a» a 5 n u 1
C , . c n 0
«n s
a . . a m 1
a „ a m 0
ÇÖ2ÜIB
se t i
b
b
tu •w c ;
ıcr> c; û) X.
<"ı t: , . <u —
2.1. TAMSA YILI DOĞRUSAL PROGRAMLARI MODBLİ (TDP)
Tamsayılı Doğrusal Programlara matematiksel programlama teknikler inden birisidir. Gerçekte Doğrusal Programlamanın
özel bir durumudur. Tüm değişkenlerin tamsayı olması durumunda 'salt' (pure) tamsayıfı programlama, sadece seçilen bazı değişkenlerin tamsayı olması durumunda 'karma' (mixed) tamsa-yılı programlama söz konusudur.
Model formüle edi l i rse;
Amaç Fonksiyonu:
optimize Z = 2 CjXj J=1
kısıtlayıcı koşullar
S a ; jXj b İ 5 i — 1, 2, . . . . . . .m için
X j > 0 j = 1, 2, ,n için Xj tamsayılı j = 1,2, ,p ( < n )
şeklindedir. Notasyoniaria ifade edecek olursak dördüncü koşulda p = n olması hal inde salt, aksi durumda karma tamsayılı programlama modeli karşımıza çıkar. Ayrıca amaç fonksiyonu uygulamaya bağlı olarak maksimum veya minimum olabi leceği g ib i , kısıtlayıcı koşullarda ( > ) eşitsizlikleri veya ( = ) eşit l iklerini içerebil ir. '
Tamsayı değişkenler in sadece sıfır veya bir olması du ru munda TOP nin özel bir hali olan sıftr-bir (0 - 1) programlama problemi ortaya çıkar (3). Ulaştırma (Transport) model i arz (sj) ve talep (dj) değerlerinin tamsayı olması koşulu ile bir salt TOP problemi olarak nitelenebileceği g ib i , atama (yükleme) modeli de Ö - 1 programfarna problemine bir örnek teşkil eder.
(3) Budnick, F. S. - Mojena, R. - Volîmann, T. E.: «Princlpfeş of Operatİohs Research for Management» Richard D. lrwin Inc., Homewood Illinois, 1977, s. 275.
Bil indiği gibi l ineer programlama modelinde değişkenlerin bölünebil i r olma varsayımı yapılmaktadır. Simpleks yaklaşımın sonunda elde edilen karar değişkenleri de uygulamanın nitel iklerine göre; örneğin, mamul karışımı probleminde kesirli miktarlar, yatırım bütçeiemesinde bir projenin bir bölümü veya işlere tahsis edilen işçilerin kesirl i bir imler olması gibi sonuçlar verecektir. Kesirl i sonuçların yuvarlatılarak tamsayıya çevri lmesi ise çözümün mümkün olmayan veya 'optimal olmayan' b i r nitel iğe bürünmesine yol açabil ir. Bazı durumlarda sayıların yuvarlatı l-ması işlemi devamlı surette 'mümkün olmayan' sonuçlar verir (4). . '
TOP problemlerinin DP problemlerinin özel bir hali o lduğunu bel ir t t ikten sonra, opt imal tamsayılı olmayan bi r TDB problemi çözümünün optimal tamsayılı <bir çözümden daima iyi veya ona eşit olacağını burada belirtel im. Başka bir deyişle 4 koşulunun sınırlayıcı özell iği bir TOP probleminde amaç fonksiyonun maksimum değerinin bir DP problemi için karşılığı olan çözüm değerinden daha küçüktür.
Grafik üzerinde gösterecek olursak, basit bir hava kargo taşımacılık problemi aşağıdaki gibi formüle edi lmişse;
z max = 20xı 4 - 10x z
kısıtlayıcı koşullar:
5x, + 4x 3 < 23 (Hacim)
2x,, + 5x ^ 1 3 (Ağırlık) x,, x 2 — negatif olmayan tamsayılar olmak üzere Şekil 1.1
elde edil ir.
Optimal OP çözümü sadece 4.8 konteynıriık Xı ürününün sevkjyatını önermektedir. Gerçekte bir konteynırın 0.8 inin gön-
(4) Glover; F. - Samme-r, D. C : «Pitfalls of Rounding in Discrete Management Decision Problems», Decision Cciences, Vol . 6., No. 2, April 1975, s. 211.
9
deri lmesi mümkün olmadığından problem TOP Özelliğini taşımaktadır. Tamsayı olmayan 4.8 çözüm değerini en yakın tamsayı 5 değerine çıkarttığımızda, şekilden de görüleceği gi'bi i lk kısıt çiğnenmektedir. ( + ) ile gösteri len diğer tamsayı çözüm noktalarından (x, = 4 ı , x 2 = 0). seti için 2 = 8 0 elde edi lmektedir. Bu sonuç mümkün ve tamsayılı olmasına rağmen optimal deği l dir. Graf ikten de görüleceği gibi optimal sonuç (xı = 4 ı , X 2 — 1) seti için ( 2 = 90) olmaktadır. Literatürde tamsayılı olmayan ve tamsayılı olan optimal Z değerleri arasındaki farka genel l ik le «bölünmezlik maliyeti» adı veri lmektedir (5) . Bölünmezl ik mal iyeti bu spesif ik örnek için ( 9 6 — 9 0 = 6 ) olarak, hesaplanabil ir.
Şekiî: 1 -— Kargo Problemi Grafik Gösterimi,
(5) Budnİk - Nojena - Vollmân; a.g.e., s. 277.
\
2.2. TAMSAYI LI PROGRAM LAMA MODELİ ÇÖZÜM YÖNTEMLERİ
Görüldüğü gibi birçok işletme problemi TDP problemi g ib i formüle edebi lmektedir. TDP problemlerini çözmek için genel ve özel nitel ikl i çeşitH algori tmalar mevcuttur. Bundan sonraki bölümlerde genelden özele doğru TDP probleminin çözüm yöntemleri tartışılacaktır.
2.2.1 — Dal Sınır Algoritması
Dai-Sınır Algori tması salt ve karma TDP problemleri yanışım 0-1 problemleri için uygundur. Başlangıçta ori j inal problemin simpleks yöntemine göre optimal çözümü bulunur. Eğer bu çözüm tamsayılı olma koşulunu gereekleştirmiyorsa, ori j inal problem daha fazla kısıtlı alt problemlere ayrıştırılır. A l t problemler tekrar simplekse göre çözülerek sonuçlara bakılır, tamsayılı sonuçlar elde edilene kadar bu özel arama rutininde devam edil ir. Her düğümde simlpeks uygulandığı için dal sınır algoritması daha fazla sınır koşulu altında bir dizi doğrusal programlama probleminin çözümü diye tanımlamak mümkündür (6).
Dal-sınır algoritmasının yapısını anlamak için belki en kolay yol bir örnek üzerinde açıklamaktır.
ö rnek Problem;
z max = 40xı + 90x 2
kısıtlayıcı koşullar:
9x, + 7x 2 < 56 7x, + 20x 2 < 70 x ı , x 2 pozitif tamsayı
Şeki l : 2 den görüldüğü gibi simpleks çözümü b noktasında elde edi lmektedir ( x ı . = 4,809, x 2 - 1.817 ve Z, = 355.890)..
(6) Plano, D. - McMillan, C. Jr., «Dİ3rete Optimization - Integer Program-ming and NelVvork Analysis for Management Decisfons», Prantice -Half, Inc., Englewood Cliffs, New Jersey, 1971, s. 75.
Şekil; 2 — Örnek Problemin Grafik Gösterimi.
Her iki değişken de tamsayı değildir. O halde dal-sınır yöntemine başvurulabil ir.
Dal-sıntr yönteminde tamsayı olmayan karar değişkenler inden herhangi bir i , seçi lerek dallanma başlatılır. xı değişkeni seçi ldiği takdi rde x T < 4 ve xı > 5 koşullarına göre (xı - 4 ve xt = 5 değerler i arasındaki alanın çözüm alanı olarak al ınmadığı kabul edi l i r ) . Orjinal problem iki yavru probleme ayrıştırılır, Bkz. : Şekil 3.
Yeni formüle edilen problemler sürekli l ik varsayımına göre simpleks yöntemi ile çözümlendiğinde aşağıdaki sonuçlar elde edil ir:
— 12 —
Problem (2) Problem (3)
Z = 349.000 2 = 341.390 x, = 4.000 x, = 5.000 x 2 = 2=100 x 2 = 1.571
Şokil: 3 — Ana Problemden Ayrıştırılmış Yavru Problemlerin Grafik Gösterimi
Yine xı dışında kalan değişkenlerin tamsayı olmadığı görü l mektedir. Sonuçları yorumlarsak; x, in dört veya daha az değerleri için Z nin 349 dan daha büyük değerler alması beklenemez. Aynı şeki lde xı in beş veya daha büyük değerleri i ç inde Z nin 341,390 i aşması söz konusu değildir.
Mümkün çözüm aramaya devam ederken dal-smır algori tması, elde edilen sonuçlardan üstün olan düğümden (veya yavru problem) dallanmayı sürdürme prensibini uygular. Anal iz sonuçları 2. problemden dal lanmanın daha umut verici o lduğunu göstermektedir.
x 2 < 2 ve x 2 > 3 yeni kısıtlayıcı koşullarına göre 4. ve 5. problemler çözümlenirse şekil 4 deki özet sonuçlar elde edil ir. 4. problemin amaç fonksiyonu 340 ve değişkenleri tam sayılıdır. 5. problemin sonuçları ise tamsayılı değildir. Ayrıca dal lanmaya
13 —
devam edil irse Z - 327.120 değerinden daha büyük b i r değer elde edi lemeyeceğinden arama işlemi bu seviyede kesilir. Böylece optimal sonuç x^ = 4.0 ve x 2 + 2, Z = 340.000 diyebi lmemiz için problem 3 sonuçları ile problem 4 sonuçlarının da k ı yaslanması gerekmektedir. Z = 341.390 değeri 3. problemin x 2 < 1 ve x 2 > \ ek kısıtlarına göre 6. ve 7. problemler şeklinde tekrar çözülmesini böylece 4. problemden daha İyi b i r sohucun bu bölgelerde olup olmadığını aramayı öngörmektedir. Bu özell iğ inden dolayı dal-sınır algoritmasına «Geri İzleme» yöntemi d i yenler de vardır (7). Ancak şekil 4. de de özetlendiği üzere daha iyi sonuçlar elde edi lemediğinden optimal çözümün x, - x 2 = 2 ve Z — 340 olduğu anlaşılmaktadır.
H s 35$ %İ0 K. - V tüt* * , = -l.tıî
. z = '% —
2 İD V
i - 340.000
*. = İAZ$ y± - 3.D£»
Şekil 4 — Örnek Problemin Dal-Sınır
* ı : 5 . 0 D O
i _ 3ÛÎ. ^-£0
1 0 DO
örnekte ele alınan dal-sınır algoritması şekil 5'de veri len akış diyagramına göre çözülmüştür. B i r başka deyişle bir dal -sınır algoritmasının akışı şekil 5'dekİ diyagram gibi özetlenebilir (8),
(7) VVagner, Harvey M.: «Principles of Management Science», Prontice-Hall. 1970, s. 300. , /
(8) Land, A. H. - Doig, A.: «An Automatic Method of Solvİng Discrete Programming Problems», Econometrica, 28, 1960, s. 297-520.
14
/
Daha önce de belirt i ldiği gibî hem salt hem de karma TDP problemlere uygulanan bu teknik, örnek problemde sadece x t
in tamsayı olması koşuluna göre ilk dal lanmada optimal sonucu verecekt i . (Xi = 4.0, x 2 = 2.1 ve Z = 349.0). O halde karma tamsayılı problemler için dal-şınır tekniği daha cazip bir yaklaşım olarak nitelenebil ir (9).
2.2.2. Kesen Düzlem Algori tması
Gerek salt, gerekse karma tamsayılı programlama modellerinin çözümünde kullanılan diğer bir teknik de Gomory 'n in kesen düzlem algoritmasıdır (10). Dll-sınır yönteminde olduğu g i bi bu teknik de problemin sürekl i l ik hal indeki optimal çözümü ile işe başlar. Bayet opt imal çözüm tamsayı koşullarını sağlamıyorsa, yeni kısıtlar formüle edilerek probleme eklenir. Bu kısıtlar iki-boyutlu problemlerde düzlemleri , n-boyutlu problemlerde ise hiperdüzlemleri temsil etmektedirler. Kesen düzlemler hiçbir tamsayılı çözüm noktasını dışarıda bırakmayacak veya el imine etmeyecek b iç imde mümkün çözüm alanını veya uzayını sınırlar. Doğrusal programlama problemler inden hatır lanacak olursa, opt imal çözümlerden en az birisi çözüm alanının köşelerinden bir is inde ortaya çıkmaktadır. Simpleks algoritması da bu nedenle, opt imal sonucu buluna dek köşe noktalarını sistematik b i r tarama işlemine tabi tutmaktadır. DP modelinde tüm köşe noktalarının tamsayı olması gerekmediğinden, kesen düzlem yöntemi tamsayılı köşe noktalarını içerecek şekilde mümkün çözüm alanını yeniden belir lemektedir. Bunu başardığı anda, simpleks uygulanırsa optimal tamsayılı bir çözüm elde edi lebi lmektedir.
Oal-sınır yönteminde örnek iki değişkenli mekanizasyon problemi için kesen düzlem yaklaşımı Şekil 6'da graf ik olarak temsil edi lmektedir . Opt imum sonuç yine x, = 4, x 2 = 2 olan c noktasında elde edi lmektedir.
(9) Plane, D, - McMİllan, C : a.g.e., s. 82. (10) Goriıory, R. E.: «An Algorithm for Integer Solutions to Linear Prog-
rarns» Recent Advancas in Methematİcal Programming, Graves and VVolfe (editors) McGraw-Hill Bok Company, 1963.
_ 1 - -O r j i n a l p r o b l e m i n ' tamsayılı olmayan şeklini çöz. Bunu geçici o l a r a k A p r o b l e m i d i y e *çağır.
A p r o b l e m i çözümünden tamsayı olmayan b i r x j değişkenini seç. Kj değeri b j i s e A p r o b l e m i n e sıra i l e aşağıdaki kısıtları ekl e y e r e k i k i y a v r u p r o b l e n : düzenl e ; a. x j b j n i n tamsayı kısmı
b. Xj b: cen büyük b i r sonr a k i tamsayı
İki a l t p r o b l e m i s i m p l e k s e göre çöz.
! Mevcut durumda y a v r u s u olmayan tüm mümkün p r o b l e m l e r d e n gaye f o n k s i y o n u n d a en i y i değerlisini b e l i r l e , bu p r o b l e m i t e k r a r A d i y e i s i m l e n d i r .
Şekil: 5 — Dai-Sınır Algoritması Akış Diyagramı.
Şekil 6 — Kesen Düzlem Algoritması örnek probleminin grafik gösterimi.
2.2.3 Grup Teorik Yaklaşımı
Bu metot bir TDP problemini sırt çantası (knapsack) problemine dönüştürerek çözüm arar. Bu çözüm tekniğinin ayrıntıları yazının boyutlarını çok genişleteceğinden şimdi l ik kapsam dışı bırakılmıştır.
2.2.4. Sezgisel Yaklaşımlar
Sezgisel ( = Heuristic) karşılığı kullanılan bir nevi el yordamı ile çözüm arama yöntemidir.
Sezgisel yöntemler Maier, Pazer ve Nawel l 'e (11) göre; karşılıklı bağdaşmaz olması gerekmeyen üç alt setten oluşmaktadır. Bunlar sıra i le; a) Sezgisel problem çözme, b) Yapay akıt,
(11) Meier, R. C. - Newell, W . T. - Pazer, H.L: «Simulatİon in Business and Ecönomics» Prentice-Hall, Inc., 1969, s. 150.
17
c) İnsan düşüncesinin simuiasyonudur. Bizim burada sözünü edeceğimiz bu altsetlerdeh ilki olup, amaç bir problemin özell iği dikkate alınarak çözüm uzayını tarama çabalarının azaltı lmasıdır.
Sezgisel yöntemler özel amaçlı ve genel amaçlı olarak da ayırdediiebil ir. özel amaçlı sezgisele örnek; satrançta kul lanılan kurallardır. Genel amaçlı sezgisellerin başında ise ilk Giren İlk Çıkar (FIFO) kuralı gelmektedir. FIFO kuralı envanter değerleme ve kuyruk sistemlerine oldukça geniş uygulama olanağı bulmuştur. Diğer bir sezgisel metot problemi DP kodu İle çözmek ve çözüm vektöründeki sonuçları, mümkün bir çözüm elde edene kadar tamsayıya çevirmek olabi l i rd i . Fakat bu çözümün opt imalden çok uzak olabi leceği daha önce bel ir t i lmişt i .
Sezgisel yöntemler birçok problemde kullanılmakla beraber bilhassa, enumerasyon (sayılama) i le opt imal çözümün arandığı büyük kombinator ik problemler veya TDP problemler inin çözümünde, çözüm uzayının sınırlı bir taramasını yaparak mümkün çözümü bulabi lmektedir.
2.3. TAMSAYILI PROGRAMLAMA MODELİ ÇÖZÜM YÖNTEMLERİNİN DEĞ E RLENOİ RİMESİ;
Tamsayılı programlama problemler inde ana sorun, for-mülasyondan ziyade problemin etkin b iç imde çözümüdür. Her metodun kendine özgü avantaj ve dezavantajları vardır. Bir problem için çok iyi sonuç veren bir yöntem, benzer bir başka problemde başarısızlığa uğrayabilmektedir. En iyi çözüm algor i tmasının seçimi araştırmacının bi lgisi ve tecrübesi yanısıra sezgisine de dayandığı için bir sanat olarak nitelendir i lebi l ir . Aşağıdaki satır larda TDP çözüm algoritmalarının b i r değerlendir i lmesi yapılmaktadır;
2.3.1. Kesen Düzlem Algoritması
Gomory'nin kesen düzlem algoritması kolaylıkla bilgisayarda kodlanabi lecek özell iktedir. Bel i r l i sayıda iterasyondan son-
ra optimal çözüme kavuşulacağı varsayılmakla bir l ikte, genel l ikle bu sayı bi lg isayar la çalışılmasına rağmen çok büyük olabi l mektedir. Bu yöntemde diğer bir problem yuvarlatma (round-off) hatalarına karşı hassas oluşudur. Kesir l i değerler le çalışıldığı için bi lgisayarda ondalık aritmetik kullanılması zorunluluğu vardır . -Birçok bilgisayar kodunda çift duyarlı (double precision) ari tmetik özell ik mevcut olmakla beraber, problem her İteras-yonda büyüyen sayıda kesen düzlemlerle çözümlenmeye çalışıldığı İçin bazen bu da yetersiz kalabi lmektedir (12).
Kesen düzlem algoritmasının diğer b i r özell iği, amaç fonk- . siyonu bir platoya ulaştığında, İterasyondan iterasyona önemli bir i lerlemenin kaydedilememesidir. Birçok kesen düzlem eklenmesine rağmen amaç fonksiyonunun değerinde oldukça küçük değişikl ikler elde edilebil ir. Büyük boyutlu problemlerde o l duğu kadar, küçük problemlerde de bu pahalı özell ik veya dez- . avantajla sık sık karşılaşılabilmektedir. Bu sakıncayı gidermek için uzmanların gelişt ir i lmiş, bu bölgeden (platodan), kurtulma hi lelerine çözüm algoritması içinde başvurulmuştur.
Bu algori tmanın diğer b i r sakıncası da ajî ve bi değerleri olan problemlerde zorlanmasıdır.
Son olarak, kesen düzlem yöntemi bir (duai-simpleks) dual metot olduğu için eleştir i lmektedir. Bu teknik, mümkün olmayan bir çözümle İterasyonlara başlamakta ve optimal çözüm elde edene kadar bulduğu sonuçlar mümkün olmayan özell ik taşımaktadır. Şayet metot optımale yakınsaklaşmaz ise veya yakın-saklaşmayı tamamlamasına izin vermek çok pahalıya mal olacak ise, kullanıcı bi lgisayarda, programı kestiği noktada ne bir 'opt imale yakın' ne de iyi bir 'mümkün çözüm' elde edebilmiş olmaktadır.
(12) Geoffrion, A. M.: Marsten R. E., «Integer Programming Algorİthms: A Frameıvork and State of the Art Survey», Management Selence, 18, 7 (March 1972)ı
özet le , kesen düzlemin başarısı problemin şekline bağlıdır. Optimal çözüme ulaşmak için, bazen sadece kısıtların sırasını değişt irmek, gerekl i kesen düzlemlerin sayısını önemli ö lçüde etki leyebi lmektedir.
2.6.2. Kısmi Sayılama (Enumerasyon) Yöntemleri
a) Dal-sınır Algor i tması; ,
I
Bu yöntem küçük boyutlu problemlerin çözümünde oldukça etkin olmakla beraber, problem 50. değişken ve 25 kısıttan fazla olan büyük problemlerde veya ilk simpleks. çözüm, opt i mal tamsayılı çözümden bir hayli uzakta ise, gerekli i terasyon-İarın sayısı aşırı derecede büyüyebi lmededir . Sadece problemin boyutu çözüm karmaşıklığı için neden değildir. Belirli bazı problemler büyük dalların dudanmasına müsaade ederken, diğer bazıları en uç noktaya kadar taramayı gerektirebil ir. Fakat, kesen düzlemle mukayese edi ldiğinde, dal-sınır yönteminin opt imuma yakınsaklaşması zaman (maliyet) açısından durdurulsa dahi, değeri olan bir mümkün çözümü kullanıcıya sunması açısından ter* cih edi lmelidir. Daha önce de bel ir t i ldiği gibi bilhassa karma tamsayılı programlama da iyi bir yöntemdir.
b) Gizli Sayılama Algor i tması:
Gizli sayılamanın en önemli avantajı tamsayılı ari tmetik ku l lanmasıdır. Böylece kodlamada sabit nokta aritmetik özell ikten yararlanarak, yuvarlatma problemleri ortadan kalkar, üstel ik hafıza gereksinimi, bu yöntemde simpleksle ilgili diğerler inden daha azdır. Fakat genel bir TDP probleminin 0-1 eşdeğerine dönüştürülerek çözülmesi de birçok değişkenin eklenmesine sebeb olur. Böyle durumlarda hafıza kapasitesi ve zamanı çok kr i t ik olabil ir.
— 20 —