However, it might require an enormo

However, it might require an enormous amount of computation sometimes when solving large-scale ILP problems.

Although there are heuristics for enhancing the ability of B&B by guessing which branch could lead to a quick solution, there is no solid theory that will always yield consistent results.

Hence, in this section, we propose a revised B&B method to solve IPL problem.

Our method is to cut original solution space into many subspaces using objective function before implementing B&B.

It could narrow down the feasible solution range.

After labeling these subspaces based on the ‘‘distance’’ from objective function, we can apply B&B procedure upon subspaces one by one.

The nearest subspace will be the first one to be searched.

The first optimum solution we get in the nearest subspace is promised to be the optimum solution in all solution space because of using objective function.

The procedure of our proposed method is explained below:

ผลลัพธ์ (ไทย) 1:

อย่างไรก็ตาม มันอาจต้องใช้จำนวนมหาศาลของการคำนวณบางครั้งเมื่อการแก้ปัญหาขนาดใหญ่ของ ILP แม้ว่าจะมีการรุกในการเพิ่มความสามารถของบีแอนด์บีโดยคาดเดาสาขาซึ่งอาจนำไปสู่การแก้ไขปัญหาอย่างรวดเร็ว มีทฤษฎีไม่แข็งที่เสมอผลสอดคล้องกันด้วยเหตุนี้ เราเสนอแก้ไขกม.ในส่วนนี้ วิธีการแก้ปัญหา IPL วิธีของเราคือการ ตัดเดิมแก้ปัญหาพื้นที่เป็นจำนวนมาก subspaces ใช้ฟังก์ชันวัตถุประสงค์ก่อนการใช้บีแอนด์บี มันจะแคบลงช่วงแก้ปัญหาไปได้ หลังจากที่ติดฉลากเหล่านี้ subspaces ''ระยะ '' จากฟังก์ชันวัตถุประสงค์ เราสามารถใช้ B & B กระบวนการเมื่อ subspaces หนึ่ง Subspace ที่ใกล้ที่สุดจะเป็นคนแรกที่จะค้นหาโซลูชั่นที่เหมาะสมแรกที่เราได้รับใน subspace ที่ใกล้ที่สุดคือสัญญาว่า จะเป็นการแก้ไขที่ดีที่สุดในพื้นที่ทั้งหมดของโซลูชันได้เนื่องจากใช้ฟังก์ชันวัตถุประสงค์ อธิบายขั้นตอนของวิธีการนำเสนอของเราด้านล่าง:

ผลลัพธ์ (ไทย) 2:

แต่ก็อาจจำเป็นต้องใช้จำนวนมหาศาลของการคำนวณบางครั้งเมื่อการแก้ปัญหา ILP ขนาดใหญ่. แม้ว่าจะมีการวิเคราะห์พฤติกรรมเพื่อเสริมสร้างความสามารถของ B & B โดยการคาดเดาซึ่งสาขาที่อาจนำไปสู่การแก้ปัญหาได้อย่างรวดเร็วไม่มีทฤษฎีที่เป็นของแข็งที่มักจะให้ผลที่สอดคล้องกัน ผล. ดังนั้นในส่วนนี้เราเสนอแก้ไข B & B วิธีการที่จะแก้ปัญหาไอพีแอล. วิธีการของเราคือการตัดพื้นที่แก้ปัญหาเดิมเข้า subspaces หลายใช้ฟังก์ชันวัตถุประสงค์ก่อนที่จะใช้ B & B. มันอาจจะแคบลงในช่วงที่การแก้ปัญหาที่เป็นไปได้. หลังจากการติดฉลาก subspaces เหล่านี้ ขึ้นอยู่กับ '' ระยะทาง '' จากฟังก์ชันวัตถุประสงค์เราสามารถใช้ B & B ขั้นตอนเมื่อ subspaces หนึ่งโดยหนึ่ง. สเปซที่ใกล้ที่สุดจะเป็นคนแรกที่ได้รับการสืบค้น. การแก้ปัญหาที่ดีที่สุดเป็นครั้งแรกที่เราได้รับในสเปซที่ใกล้ที่สุดสัญญาว่าจะเป็น . วิธีการแก้ปัญหาที่ดีที่สุดในการแก้ปัญหาพื้นที่ทั้งหมดเป็นเพราะการใช้ฟังก์ชันวัตถุประสงค์ขั้นตอนของวิธีที่นำเสนอของเราจะมีการอธิบายไว้ด้านล่าง:

ผลลัพธ์ (ไทย) 3:

แต่มันอาจจะต้องเป็นจำนวนมหาศาลของการคำนวณบางครั้งการแก้ปัญหา ILP ขนาดใหญ่แม้ว่าจะมีวิธีฮิวริสติกเพื่อเพิ่มความสามารถของ B & B โดยการคาดเดาสาขาซึ่งอาจนำไปสู่วิธีการแก้ปัญหาอย่างรวดเร็ว ไม่มีแข็ง ทฤษฎีนั้นจะให้ผลที่สอดคล้องกันดังนั้น ในส่วนนี้เราเสนอแก้ไข บีแอนด์บี วิธีการแก้ปัญหา IPL .วิธีของเราคือ ตัด เดิมพื้นที่เป็นโซลูชั่น subspaces มากมายที่ใช้ฟังก์ชันวัตถุประสงค์ก่อนการใช้ B & Bมันอาจจะแคบลงช่วงที่เป็นไปได้ โซลูชั่นหลังจากการติดฉลาก subspaces เหล่านี้ขึ้นอยู่กับ " " จาก " "distance ฟังก์ชันวัตถุประสงค์ เราสามารถใช้ บีแอนด์บี ขั้นตอนตาม subspaces หนึ่งโดยหนึ่งที่ใกล้จะได้เป็นคนแรกที่ต้องถูกค้นโซลูชั่นแรกที่เราเข้าไปได้ใกล้จะสัญญาว่าจะเป็นโซลูชั่นที่เหมาะสมในการแก้ปัญหาพื้นที่เพราะใช้ฟังก์ชันวัตถุประสงค์ขั้นตอนของวิธีการที่เสนออธิบายด้านล่าง :