Issue |
RAIRO-Oper. Res.
Volume 42, Number 2, April-June 2008
CIRO 05
|
|
---|---|---|
Page(s) | 103 - 121 | |
DOI | https://doi.org/10.1051/ro:2008011 | |
Published online | 17 May 2008 |
Quadratic 0–1 programming: Tightening linear or quadratic convex reformulation by use of relaxations
1
Laboratoire CEDRIC, ENSIIE, 18 allée
Jean Rostand, 91025 Evry, France; billionnet@ensiie.fr
2
Laboratoire CEDRIC, Conservatoire National des Arts et
Métiers, 292 rue Saint Martin, 75141 Paris, France; e-mail:
Received:
1
January
2006
Accepted:
28
November
2007
Many combinatorial optimization problems can be formulated as the minimization of a 0–1 quadratic function subject to linear constraints. In this paper, we are interested in the exact solution of this problem through a two-phase general scheme. The first phase consists in reformulating the initial problem either into a compact mixed integer linear program or into a 0–1 quadratic convex program. The second phase simply consists in submitting the reformulated problem to a standard solver. The efficiency of this scheme strongly depends on the quality of the reformulation obtained in phase 1. We show that a good compact linear reformulation can be obtained by solving a continuous linear relaxation of the initial problem. We also show that a good quadratic convex reformulation can be obtained by solving a semidefinite relaxation. In both cases, the obtained reformulation profits from the quality of the underlying relaxation. Hence, the proposed scheme gets around, in a sense, the difficulty to incorporate these costly relaxations in a branch-and-bound algorithm.
Résumé
Le problème de la minimisation d'une fonction quadratique en variables 0–1 sous contraintes linéaires permet de modéliser de nombreux problèmes d'Optimisation Combinatoire. Nous nous intéressons à sa résolution exacte par un schéma général en deux phases. La première phase permet de reformuler le problème de départ soit en un programme linéaire compact en variables mixtes soit en un programme quadratique convexe en variables 0–1. La deuxième phase consiste simplement à soumettre le problème reformulé à un solveur standard. L'efficacité de ce schéma est étroitement liée à la qualité de la reformulation obtenue à la fin de la phase 1. Nous montrons qu'une bonne reformulation linéaire compacte peut être obtenue par la résolution d'une relaxation linéaire. De même, une bonne reformulation quadratique convexe peut être obtenue par une relaxation semi-définie positive. Dans les deux cas, la reformulation obtenue tire profit de la qualité de la relaxation sur laquelle elle se base. Ainsi, le schéma proposé contourne, d'une certaine façon, la difficulté d'intégrer des relaxations, coûteuses en temps de calcul, dans un algorithme de branch-and-bound.
Mathematics Subject Classification: 90C10 / 90C11 / 90C20
Key words: Combinatorial optimization / quadratic 0–1 programming / linear reformulation / quadratic convex reformulation.
© EDP Sciences, ROADEF, SMAI, 2008
Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.
Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.
Initial download of the metrics may take a while.