Optimization under Composite Monotonic Constraints and
Constrained Optimization over the Efficient Set
Hoang Tuy, N.T. Hoai-Phuong. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Some basic concepts and results of monotonic optimization . . . . . . . . 5
3 Problems with composite monotonic constraints . . . . . . . . . . . . . . . . . . 7
4 Constrained optimization over the efficient set . . . . . . . . . . . . . . . . . . . 11
5 Solution method for problem (Q) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
6 Improvements for problems (OWE) and (OE) . . . . . . . . . . . . . . . . . . . . 19
7 Problems with a composite monotonic objective function . . . . . . . . . . 25
8 Illustrative examples and computational results . . . . . . . . . . . . . . . . . . 26
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
On a Local Search for Reverse Convex Problems
Alexander Strekalovsky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2 Some features of RCP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Local search methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Computational testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Some Transformation Techniques in Global Optimization
Tapio Westerlund . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2 The MINLP Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 The transformation approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4 Examples of transformations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5 The GGPECP algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6 Convergence to the globally optimal solution . . . . . . . . . . . . . . . . . . . . . 57
7 A numerical example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
VIII Contents
8 Some aspects on the numerical solution approach . . . . . . . . . . . . . . . . . 64
9 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Solving Nonlinear Mixed Integer Stochastic Problems: a
Global Perspective
Maria Elena Bruni . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3 SMINLP: state of the art . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4 Problem formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5 The two-phase solution approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6 Illustrative application: the Stochastic Trim Loss Problem . . . . . . . . . 98
7 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Application of Quasi Monte Carlo Methods in Global
Optimization
Sergei Kucherenko . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
2 Analysis of Quasirandom Search methods . . . . . . . . . . . . . . . . . . . . . . . 114
3 Single linkage and multilevel single linkage methods . . . . . . . . . . . . . . . 117
4 Computational experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
GLOB – A new VNS-based Software for Global Optimization
M. Drazi´c, V. Kovacevic–Vujci´c, M. Cangalovi´c, N. Mladenovi´c . . . . . . . 135
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
2 VNS methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
3 Software package GLOB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4 Numerical experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Disciplined Convex Programming
Michael Grant, Stephen Boyd, Yinyu Ye . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
3 Convex programming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
4 Modeling frameworks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
5 Disciplined convex programming . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
6 The convexity ruleset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7 The atom library . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
8 Verification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
9 Creating disciplined convex programs . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Contents IX
10 Implementing atoms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
Writing Global Optimization Software
Leo Liberti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
2 Global Optimization algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
3 Global Optimization software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
4 Optimization software framework design . . . . . . . . . . . . . . . . . . . . . . . . . 232
5 Symbolic manipulation of mathematical expressions . . . . . . . . . . . . . . 240
6 Local solvers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
7 Global solvers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
MathOptimizer Professional: Key Features and Illustrative
Applications
J´anos D. Pint´er, Frank J. Kampas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
2 Global Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
3 LGO Solver Suite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
4 MathOptimizer Professional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
5 Illustrative applications: solving sphere packing models . . . . . . . . . . . . 271
6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
Variable Neighborhood Search for Extremal Graphs 14: The
AutoGraphiX 2 System
M. Aouchiche, J.M. Bonnefoy, A. Fidahoussen, G. Caporossi,
P. Hansen, L. Hiesse, J. Lacher´e, A. Monhait . . . . . . . . . . . . . . . . . . . . . . . 281
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
2 AGX 2 Interactive functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
3 Algebraic syntax used in AutoGraphiX . . . . . . . . . . . . . . . . . . . . . . . . . . 291
4 Optimization using Variable Neighborhood Search . . . . . . . . . . . . . . . . 294
5 AutoGraphiX Tasks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
6 Automated proofs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
7 Some examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
From Theory to Implementation: Applying Metaheuristics.
I.J. Garc´ıa del Amo, F. Garc´ıa L´opez, M. Garc´ıa Torres,, B. Meli´an
Batista, J.A. Moreno P´erez, J.M. Moreno Vega . . . . . . . . . . . . . . . . . . . . . . 311
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
2 Class hierarchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
X Contents
3 Implementation: The p-Median Problem . . . . . . . . . . . . . . . . . . . . . . . . . 333
4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339
ooMILP – A C++ Callable Object-oriented Library and the
Implementation of its Parallel Version using CORBA
Panagiotis Tsiakis, Benjamin Keeping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
2 ooMILP Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356
3 C++ objects and pre-CORBA serial implementation . . . . . . . . . . . . . . 357
4 Initial CORBA Version . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
5 Partially decomposable MILPs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
6 Parallel solution software architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . 368
7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
Global Order-Value Optimization by means of a Multistart
Harmonic Oscillator Tunneling Strategy
R. Andreani, J.M. Martinez, M. Salvatierra, F. Yano . . . . . . . . . . . . . . . . . 379
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379
2 Local algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 381
3 Lissajous motions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
4 Global algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384
5 Hidden patterns . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387
6 Numerical experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 388
7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 394
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 397
On generating Instances for the Molecular Distance Geometry
Problem
Carlile Lavor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
2 Mor´e-Wu instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 406
3 New instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 407
4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 415