Heuristic algorithms for districting problems

Detalhes bibliográficos
Autor(a) principal: Gliesch, Alex Zoch
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: http://hdl.handle.net/10183/264005
Resumo: Nesta tese nós estudamos problemas de distritamento, que são uma classe geral de problemas de otimização que pedem o agrupamento de pequenas unidades geográ ficas em clusters disjuntos, chamados distritos. Este tipo de problema aparece numa variedade de aplicações, que vão desde o distritamento político para eleições, ao dis tritamento de serviços para a distribuição de produtos comerciais ou a prestação de serviços urbanos, até à atribuição de parcelas de terras agrícolas em lotes. Dentre os muitos domínios estão quase sempre presentes três requisitos fundamentais: que os distritos sejam contíguos, geometricamente compactos, e mutuamente equilibrados no que diz respeito a atributos associados às unidades. Dada a vasta gama de aplica ções, estes e outros critérios de planejamento têm sido modelados matematicamente de diferentes maneiras, o que leva a vários problemas de otimização distintos. Na primeira parte desta tese apresentamos de maneira sistemática as diferentes formula ções de problemas distritamento, e os métodos de solução mais comuns encontrados na literatura. Dado que o problema central de encontrar partições equilibradas e conectadas é NP difícil, os métodos de solução para problemas de distritamento têm sido, até agora, heurísticos. Contudo, ao revisar a literatura pode-se observar que estes métodos são tipicamente desenvolvidos de forma independente por pesquisadores, com foco nas aplicações. Na segunda parte desta tese nós olhamos para distritamento sob um ponto de vista independente de aplicação. Nós propomos uma framework heurística extensível que pode lidar com um conjunto grande de variantes de problemas de dis tritamento, e a aplicamos às três variantes mais comuns que consideram differentes funções objetivo para minimizar a dispersão: a p-median, p-center e diameter. Além disso, em análises separadas nós estudamos a sua extensão para critérios específicos de domínio, como custos de roteamento e redistritamento. A nossa heurística é com petitiva quando comparada com outros métodos que são desenvolvidos com foco em uma única variante, e melhora os melhores bounds conhecidos em muitos casos. Um problema particular que tem origem no planejamento de territórios de recolhimento de resíduos chama-se o Maximum Dispersion Problem. Diferentemente dos proble mas de distritamento clássicos, ele pede partições com dispersão máxima em vez de compactas. A terceira parte desta tese foca na resolução do Maximum Dispersion Pro blem. Propomos uma heurística híbrida que combina uma série de componentes que se mostraram eficazes na literatura, e um novo esquema para obter upper bounds. Apesar de ser heurístico, nosso método encontra mais frequentemente soluções óti mas do que métodos exatos da literatura, e pode lidar com instâncias muito maior.
id URGS_dbeca2d1f4733949450afa0fb34501e8
oai_identifier_str oai:www.lume.ufrgs.br:10183/264005
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Gliesch, Alex ZochRitt, Marcus Rolf Peter2023-08-26T03:35:13Z2023http://hdl.handle.net/10183/264005001175418Nesta tese nós estudamos problemas de distritamento, que são uma classe geral de problemas de otimização que pedem o agrupamento de pequenas unidades geográ ficas em clusters disjuntos, chamados distritos. Este tipo de problema aparece numa variedade de aplicações, que vão desde o distritamento político para eleições, ao dis tritamento de serviços para a distribuição de produtos comerciais ou a prestação de serviços urbanos, até à atribuição de parcelas de terras agrícolas em lotes. Dentre os muitos domínios estão quase sempre presentes três requisitos fundamentais: que os distritos sejam contíguos, geometricamente compactos, e mutuamente equilibrados no que diz respeito a atributos associados às unidades. Dada a vasta gama de aplica ções, estes e outros critérios de planejamento têm sido modelados matematicamente de diferentes maneiras, o que leva a vários problemas de otimização distintos. Na primeira parte desta tese apresentamos de maneira sistemática as diferentes formula ções de problemas distritamento, e os métodos de solução mais comuns encontrados na literatura. Dado que o problema central de encontrar partições equilibradas e conectadas é NP difícil, os métodos de solução para problemas de distritamento têm sido, até agora, heurísticos. Contudo, ao revisar a literatura pode-se observar que estes métodos são tipicamente desenvolvidos de forma independente por pesquisadores, com foco nas aplicações. Na segunda parte desta tese nós olhamos para distritamento sob um ponto de vista independente de aplicação. Nós propomos uma framework heurística extensível que pode lidar com um conjunto grande de variantes de problemas de dis tritamento, e a aplicamos às três variantes mais comuns que consideram differentes funções objetivo para minimizar a dispersão: a p-median, p-center e diameter. Além disso, em análises separadas nós estudamos a sua extensão para critérios específicos de domínio, como custos de roteamento e redistritamento. A nossa heurística é com petitiva quando comparada com outros métodos que são desenvolvidos com foco em uma única variante, e melhora os melhores bounds conhecidos em muitos casos. Um problema particular que tem origem no planejamento de territórios de recolhimento de resíduos chama-se o Maximum Dispersion Problem. Diferentemente dos proble mas de distritamento clássicos, ele pede partições com dispersão máxima em vez de compactas. A terceira parte desta tese foca na resolução do Maximum Dispersion Pro blem. Propomos uma heurística híbrida que combina uma série de componentes que se mostraram eficazes na literatura, e um novo esquema para obter upper bounds. Apesar de ser heurístico, nosso método encontra mais frequentemente soluções óti mas do que métodos exatos da literatura, e pode lidar com instâncias muito maior.In this thesis we study districting, a general class of optimization problem which asks for the grouping of small geographical units into disjoint clusters, called districts. Districting problems appear in a wide variety of applications, ranging from political districting for elections, to service districting for the distribution of commercial prod ucts or the provision of urban services, to the allocation of parcels of farmland into lots. Across the many domains three core requirements are almost always present: that districts be contiguous, geometrically compact, and mutually balanced with re spect to attributes associated to the units. Given the broad range of applications, however, these and other planning criteria have been modelled mathematically in different ways, which has led to many distinct optimization problems. In the first part of this thesis, we review in detail the different formulations and common solution methods found in the districting literature. Since the core problem of finding balanced and connected partitions is NP-hard, so lution methods for districting have so far focused on heuristics. However, upon review we find that methods are typically developed independently, with a focus on appli cations. In the second part of this thesis we look at districting from an application independent point of view. We propose an extendable heuristic framework that can solve a large set of districting problem variants, and apply it to the three versions of the problem that consider different objective functions for minimizing dispersion, namely a p-median, a p-center and diameter function. In separate analyses, we fur ther extend it towards domain-specific criteria, like routing costs and redistricting. Our heuristic is competitive when compared to other methods which are tailored to a single variant, and improves best known bounds in many cases. One particular problem which originates in the design of waste collection territo ries is called the Maximum Dispersion Problem. Differently from classical districting problems, it asks for maximally dispersed rather than compact partitions. The third part of this thesis focuses on solving the Maximum Dispersion Problem. We propose a hybrid heuristic for it which combines a number of components with proven effec tiveness in the literature, as well as a new upper bounding scheme. Despite being a heuristic our method finds optimal solutions more often than a current exact ap proach, and can handle much larger instances.application/pdfengHeurísticaMetaheuristicasPlanejamento territorialCompactnessHybrid heuristicConnected partitionsAlternating searchMaximum dispersion problemp-Median problemp-Center problemHeuristic algorithms for districting problemsAlgoritmos exatos e heurísticos para problemas de distritamento info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2023doutoradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001175418.pdf.txt001175418.pdf.txtExtracted Texttext/plain408996http://www.lume.ufrgs.br/bitstream/10183/264005/2/001175418.pdf.txt288e89b003720796c77c58258567e185MD52ORIGINAL001175418.pdfTexto completo (inglês)application/pdf3130073http://www.lume.ufrgs.br/bitstream/10183/264005/1/001175418.pdf571b308c972aa2b6c3c764dd42decde6MD5110183/2640052023-09-01 03:31:19.333407oai:www.lume.ufrgs.br:10183/264005Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532023-09-01T06:31:19Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Heuristic algorithms for districting problems
dc.title.alternative.pt.fl_str_mv Algoritmos exatos e heurísticos para problemas de distritamento
title Heuristic algorithms for districting problems
spellingShingle Heuristic algorithms for districting problems
Gliesch, Alex Zoch
Heurística
Metaheuristicas
Planejamento territorial
Compactness
Hybrid heuristic
Connected partitions
Alternating search
Maximum dispersion problem
p-Median problem
p-Center problem
title_short Heuristic algorithms for districting problems
title_full Heuristic algorithms for districting problems
title_fullStr Heuristic algorithms for districting problems
title_full_unstemmed Heuristic algorithms for districting problems
title_sort Heuristic algorithms for districting problems
author Gliesch, Alex Zoch
author_facet Gliesch, Alex Zoch
author_role author
dc.contributor.author.fl_str_mv Gliesch, Alex Zoch
dc.contributor.advisor1.fl_str_mv Ritt, Marcus Rolf Peter
contributor_str_mv Ritt, Marcus Rolf Peter
dc.subject.por.fl_str_mv Heurística
Metaheuristicas
Planejamento territorial
topic Heurística
Metaheuristicas
Planejamento territorial
Compactness
Hybrid heuristic
Connected partitions
Alternating search
Maximum dispersion problem
p-Median problem
p-Center problem
dc.subject.eng.fl_str_mv Compactness
Hybrid heuristic
Connected partitions
Alternating search
Maximum dispersion problem
p-Median problem
p-Center problem
description Nesta tese nós estudamos problemas de distritamento, que são uma classe geral de problemas de otimização que pedem o agrupamento de pequenas unidades geográ ficas em clusters disjuntos, chamados distritos. Este tipo de problema aparece numa variedade de aplicações, que vão desde o distritamento político para eleições, ao dis tritamento de serviços para a distribuição de produtos comerciais ou a prestação de serviços urbanos, até à atribuição de parcelas de terras agrícolas em lotes. Dentre os muitos domínios estão quase sempre presentes três requisitos fundamentais: que os distritos sejam contíguos, geometricamente compactos, e mutuamente equilibrados no que diz respeito a atributos associados às unidades. Dada a vasta gama de aplica ções, estes e outros critérios de planejamento têm sido modelados matematicamente de diferentes maneiras, o que leva a vários problemas de otimização distintos. Na primeira parte desta tese apresentamos de maneira sistemática as diferentes formula ções de problemas distritamento, e os métodos de solução mais comuns encontrados na literatura. Dado que o problema central de encontrar partições equilibradas e conectadas é NP difícil, os métodos de solução para problemas de distritamento têm sido, até agora, heurísticos. Contudo, ao revisar a literatura pode-se observar que estes métodos são tipicamente desenvolvidos de forma independente por pesquisadores, com foco nas aplicações. Na segunda parte desta tese nós olhamos para distritamento sob um ponto de vista independente de aplicação. Nós propomos uma framework heurística extensível que pode lidar com um conjunto grande de variantes de problemas de dis tritamento, e a aplicamos às três variantes mais comuns que consideram differentes funções objetivo para minimizar a dispersão: a p-median, p-center e diameter. Além disso, em análises separadas nós estudamos a sua extensão para critérios específicos de domínio, como custos de roteamento e redistritamento. A nossa heurística é com petitiva quando comparada com outros métodos que são desenvolvidos com foco em uma única variante, e melhora os melhores bounds conhecidos em muitos casos. Um problema particular que tem origem no planejamento de territórios de recolhimento de resíduos chama-se o Maximum Dispersion Problem. Diferentemente dos proble mas de distritamento clássicos, ele pede partições com dispersão máxima em vez de compactas. A terceira parte desta tese foca na resolução do Maximum Dispersion Pro blem. Propomos uma heurística híbrida que combina uma série de componentes que se mostraram eficazes na literatura, e um novo esquema para obter upper bounds. Apesar de ser heurístico, nosso método encontra mais frequentemente soluções óti mas do que métodos exatos da literatura, e pode lidar com instâncias muito maior.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-08-26T03:35:13Z
dc.date.issued.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/264005
dc.identifier.nrb.pt_BR.fl_str_mv 001175418
url http://hdl.handle.net/10183/264005
identifier_str_mv 001175418
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/264005/2/001175418.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/264005/1/001175418.pdf
bitstream.checksum.fl_str_mv 288e89b003720796c77c58258567e185
571b308c972aa2b6c3c764dd42decde6
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1810085627015725056