CURS 6

MODELARE ECONOMICA,
LECTOR DR. Nadia Ciocoiu

MODELAREA STRUCTURII SORTIMENTALE.

STUDIU DE SENZITIVITATE

1. Optimizarea modelelor de tip liniar

2. Formularea cazului general de postoptimizare
3. Aspecte practice în cazul modelării structurii de
fabricaţie cu variabilele continue (carte Modelare economica!!)
4. Modelarea structurii de producţie şi a posibilităţilor de
ale unei organizaţii (cazul în care variabilele sunt numere
întregi)
 1. OPTIMIZAREA MODELELOR DE TIP LINIAR
 Fiind date n activităţi competitive şi m resurse limitate, se notează cu:
x1, x2,...,xn, nivelurile pe care le pot atinge fiecare din cele n activităţi =
variabilele de decizie ale problemei.
 Alegerea unei variante decizionale se realizează pe baza unor criterii
economice (profit, cost, încărcarea utilajelor etc.) exprimate prin funcţii
liniare de forma:
n
f(X) = c
j 1
j xj

Aceste funcţii vor fi maximizate sau minimizate în funcţie de obiectivul pe

care îl reprezintă. Ele se numesc funcţii obiectiv sau de eficienţă.
 Nivelul pe care îl poate atinge valoarea funcţiei obiectiv depinde de nivelul
resurselor disponibile şi de obligaţiile pe care organizaţia le are de
îndeplinit.
Aceste constrângeri la care sunt supuse variantele decizionale pot fi
exprimate matematic prin restricţii liniare.
 Metodele de rezolvare ale modelelor de programare liniară au la bază
algoritmul simplex construit de G. Dantzig
 1. OPTIMIZAREA MODELELOR DE
TIP LINIAR
 Forma generală a modelului de programare liniară este:
n
max (sau min) f(X) =  c jx j
j1
supusă la restricţiile:
AX  b (sau AX ≥ b)
X0
unde:
 X = vector coloană cu n componente x1, x2,...,xn, care reprezintă necunoscutele
modelului (variabilele decizionale);
 A, b, c sunt constantele modelului, considerate certe în perioada analizată;
 A = matrice cu m linii şi n coloane. Este numită matricea coeficienţilor
tehnologici aij, i = 1,...,m, j = 1,...,n;
 b = vector coloană cu m componente b1, b2, ..., bm, care sunt termenii liberi
din partea dreaptă a restricţiilor. Ei reprezintă disponibilul maxim dintr-o
anumită resursă sau nivelul minim care trebuie atins de anumite activităţi;
 c = vector linie cu n componente care reprezintă coeficienţii funcţiei obiectiv.
Ei pot fi costuri unitare, preţuri unitare, profituri unitare sau alţi indicatori de
performanţă care caracterizează variabilele de decizie.
 1. OPTIMIZAREA MODELELOR DE
TIP LINIAR
Orice problemă de programare liniară are două forme:
• forma primală 
• forma duală.
 Prin rezolvarea uneia dintre ele se obţin soluţiile pentru
ambele forme.
 Rezolvarea în sistem conversaţional se poate efectua cu
produse informatice cum sunt:
QM/Linear Programming, WINQSB/Lp – ilp,
LINDO, XA, XPRESS – MP,
SOLVER care este un instrument add-ins al sistemului Excel.
 1. OPTIMIZAREA MODELELOR DE
TIP LINIAR
Prin rezolvarea modelului de programare liniară (forma primală) se obţin:
 Soluţia optimă, adică varianta decizională care duce la cea mai bună valoare a 
criteriului de performanţă specificat prin funcţia obiectiv;
 Preţurile umbră asociate restricţiilor liniare:
• Preţurile umbră reprezintă valorile optime ale variabilelor duale;
• Preţurile umbră sunt folosite la analiza senzitivităţii soluţiei optime la variaţia
vectorului b al resurselor (termenii liberi ai restricţiilor liniare);
• Preţul umbră arată cu cât s-ar modifica valoarea funcţiei obiectiv dacă s-ar putea
mări cu o unitate disponibilul din resursa respectivă;
• Preţul umbră asociat unei resurse este valabil pentru un anumit interval de variaţie
al cantităţii disponibile de resursă;
• Preţul umbră este diferit de zero numai dacă restricţia asociată este verificată cu
egalitate, adică numai dacă resursa respectivă este folosită integral de către soluţia
optimă.
 Costurile reduse asociate restricţiilor de neneg. asupra variabilelor deciz.:
• Costurile reduse sunt folosite pentru verificarea optimalităţii soluţiilor problemei de
programare liniară;
• Costul redus este diferit de zero numai dacă variabila asociată are valoarea zero în
soluţia optimă;
• Costul redus arată cu cât s-ar înrăutăţi valoarea funcţiei obiectiv dacă valoarea
variabilei asociate ar creşte de la 0 la 1.
Studiul de caz (carte Modelare economică)

O societate comercială specializată în realizarea de ţesături urmează

să producă în luna următoare, pe baza studiilor de piaţă întreprinse,
trei tipuri de stofe: Stofa1, Stofa2 şi Stofa3.
Se doreşte stabilirea unui program optim de producţie în
următoarele condiţii:
1. Maximizarea venitului dacă preţurile de vânzare sunt: 57 u.m./metru
pentru Stofa1, 70 u.m./metru pentru Stofa2 şi 50 u.m./metru pentru
Stofa3;
2. Obţinerea unei producţii fizice de cel puţin 8000 metri (pentru care
există contracte ferme) şi cel mult 10000 metri;
3. Consumul din materia primă de import MI să nu depăşească
2400 kg, cunoscându-se consumurile specifice: 0,2 kg/metru Stofa1,
0,3 kg/metru Stofa2, 0,1 kg/metru Stofa3.
Studiul de caz (carte Modelare economică)

1. Modelul economico – matematic:

 Variabilele:
x1 = cantitatea din Stofa1,
x2 = cantitatea din Stofa2,
x3 = cantitatea din Stofa3
 Funcţia obiectiv: max (57x1 + 70x2 + 50x3)
 Restricţiile liniare:
x1 + x2 + x3  8000
x1 + x2 + x3  10000
0,2x1 + 0,3x2 + 0,1x3  2400
 Restricţiile referitoare la semnul variabilelor:
x1  0, x2  0, x3  0
 Studiul de caz (carte Modelare economică)

2. Rezolvarea cu WINQSB/LP-ILP:
Decisi Solution Unit Total Reduce Basis Allowa Allowa
on Value Cost Contribu Cost Status ble ble
Varia or tion Min. Max.
ble Profit c(j) c(j)
c(j)

1 X1 0 57.00 0 -3.00 at bound -M 60.00

2 X2 7000.00 70.00 490000.00 0 basic 64.00 150.00

3 X3 3000.00 50.00 150000.00 0 basic 44.00 70.00
Objective Function
640000.00
(Max)=

Constrain Left Hand Directio Right Hand Slack Shadow Allowabl Allowable
t Side n Side or Price Min. RHS Max. RHS
Surplus
2000.0 0 -M 10000.00
1 C1 10000.00 >= 8000.00
0
2 C2 10000.00 <= 10000.00 0 40.00 8000.00 24000.00
4 C3 2400.00 <= 2400.00 0 100.00 1000.00 3000.00
 2. FORMULAREA CAZULUI GENERAL
DE POSTOPTIMIZARE
După obţinerea soluţiei optime, înainte de implementarea practică a
acesteia, decidentul poate efectua:
 Modificarea simultană a cantităţilor disponibile din diferite resurse
duce la reoptimizarea în raport cu vectorul b sau la parametrizarea
vectorului b al termenilor liberi;
 Modificarea simultană a mai multor costuri unitare (sau preţuri) duce
la reoptimizarea în raport cu vectorul c sau la parametrizarea
vectorului c al coeficienţilor funcţiei obiectiv;
 Modificarea consumurilor tehnologice determină modificarea unor
elemente ale matricei coeficienţilor tehnologici şi duce la reoptimizarea
în raport cu matricea A;
 Asimilarea de produse noi determină introducerea unor variabile noi şi
duce la reoptimizarea în raport cu matricea A şi vectorul c;
 Apariţia unor noi resurse limitate determină adăugarea de noi restricţii
şi duce la reoptimizarea în raport cu matricea A şi vectorul b.
Aceste modificari se pot realiza prin:
Analize de senzitivitate, Reoptimizări, Parametrizări
2. FORMULAREA CAZULUI GENERAL
DE POSTOPTIMIZARE
I. Analiza senzitivităţii soluţiei optime la variaţia coeficienţilor funcţiei
obiectiv
 Furnizează intervalul în care poate varia fiecare coeficient al funcţiei obiectiv,
astfel încât soluţia optimă primală (coloana Solution Value din WINQSB) să
rămână neschimbată.
 Intervalul asociat unui coeficient al funcţiei obiectiv pentru care soluţia
problemei rămâne optimă se numeşte interval de optimalitate (Coloanele
Allowable Min c(j) şi Allowable Max c(j) din WINQSB)
 Cunoscând soluţia optimă şi intervalul de variaţie al unui coeficient al funcţiei
obiectiv, în ipoteza că ceilalţi coeficienţi ai modelului nu se modifică, se poate
determina variaţia corespunzătoare a funcţiei obiectiv.
 Ex.: dacă preţul de vânzare pentru Stofa1 este mai mic de 60 u.m./metru atunci 
x1 = cantitatea realizată din Stofa1 va rămâne zero.
Creşterea de la 57u.m./metru la 58 u.m./metru a preţului de vânzare nu va genera
venit suplimentar deoarece (58 – 57)*0 = 0.
Dacă ceilalţi coeficienţi nu se modifică, dar se modifică de la 70 u.m./metru la 72
u.m./metru preţul asociat lui x2, deoarece 72 aparţine intervalului
[64; 150], iar x2 = cantitatea optimă realizată din Stofa2 = 7000 metri, atunci
venitul total va creşte cu (72-70)*7000 = 14000 u.m., adică de la 640 000 u.m. la
654000 u.m.
 2. FORMULAREA CAZULUI GENERAL DE
POSTOPTIMIZARE
II. Analiza senzitivităţii soluţiei optime (primale si duale) la variaţia
termenilor liberi ai restricţiilor liniare
 Furnizează intervalul în care poate varia fiecare termen liber, astfel încât
soluţia optimă duală (vectorul preţurilor umbră) să nu se modifice.
 Intervalul asociat unui termen liber pentru care preţul umbră asociat
rămâne neschimbat se numeşte interval de admisibilitate pentru soluţia
primalei. (Coloanele Allowable Min RHS şi Allowable Max RHS din
WINQSB).
 Cunoscând preţul umbră optim şi intervalul de variaţie al unui termen
liber, în ipoteza că ceilalţi coeficienţi ai modelului nu se modifică, se
poate determina variaţia corespunzătoare a funcţiei ob.
 Ex.: preţul umbră de 100 u.m. asociat restricţiei C3 este valabil pentru variaţia
disponibilului b3 de materie primă de import MI între 1000 kg şi 3000 kg.
Dacă disponibilul de resursă creşte de la cantitatea curentă 2400 kg la 2500 kg, atunci
se va obţine un spor de venit = (2500 – 2400)*100 = 10000 u.m., adică venitul total va fi
de (640000 + 10000) = 650000 u.m.
De asemenea, dacă disponibilul de resursă scade de la cantitatea curentă 2400 kg la
2300 kg, atunci se va obţine o reducere de venit = (2300 – 2400)*100 = -10000 u.m., 
adică venitul total va fi de (640000 – 10000) = 630000 u.m.
2. FORMULAREA CAZULUI GENERAL
DE POSTOPTIMIZARE
Reoptimizarea în cazul modificării coeficienţilor cj din
funcţia obiectiv, în afara intervalelor lor de optimalitate
şi/sau modificarea termenilor liberi bi din partea dreaptă 
a restricţiilor în afara intervalelor de admisibilitate şi/sau
modificarea unor coeficienţi din matricea A.
Reoptimizarea pp. parcurgerea a două etape:
 Verificarea optimalităţii soluţiei curente în noile
condiţii;
 Determinarea noii soluţii în cazul în care soluţia
curentă nu îndeplineşte condiţiile de optimalitate.
2. FORMULAREA CAZULUI GENERAL
DE POSTOPTIMIZARE
Parametrizarea pentru analize de tipul „ce-ar fi dacă?” în
cazul în care coeficienţii cj ai funcţiei obiectiv sau termenii
liberi bi din partea dreaptă restricţiilor sunt funcţii liniare
de un parametru (-, +).
Parametrizarea pp parcurgerea a două etape:
 Rezolvarea problemei pentru o valoare fixată a
parametrului;
 Studiul senzitivităţii soluţiei la variaţia parametrului.
 Studiul de caz

Ex: Parametrizarea coeficientului c1 asociat variabilei x1 în

funcţia obiectiv (pret unitar al prod Stofa 1).
Parametric Analysis for LP Sample Problem -- Objective Function

Range From To From To Slope Leaving Entering

Coeff. Coeff. OBJ Value OBJ Value Variable Variable
of X1 of X1

1 57.00 60.00 640000 640000 0 X3 X1

2 60.00 70.00 640000 700000 6000 X2 Slack_

C3
3 70.00 M 700000 M 1000
0
4 57.00 -M 640000 640000 0
Studiul de caz

M
900000
Valoarea functiei obiectiv

800000

700000 700000

640000
640000
640000
600000
-M
30 40 50 57 60 70 80 M
90
Coeficientul lui x1 din functia obiectiv
 Studiul de caz

Ex: Parametrizarea termenului liber b3 asociat restricţiei C3 referitoare la

materia primă de import.
Parametric Analysis for LP Sample Problem - Right-Hand-Side
From To RHS From To Leaving Entering
RHS of C3 of C3 OBJ Value OBJ Slope Variable Variable
Value
1 2400 3000.00 640000 700000 100 X3 Slack_C3

2 3000 M 700000 700000 0

3 2400 1000 640000 500000 100 X2 Slack_C2

4 1000 800 500000 400000 500 Surplus_C

1

5 800 -Infinity Infeasible

Studiul de caz
 4. MODELAREA STRUCTURII DE PRODUCŢIE ŞI A
POSIBILITĂŢILOR DE DEZVOLTARE ALE UNEI
ORGANIZAŢII (cazul în care variabilele sunt numere întregi)

 În cazul produselor indivizibile, pentru

determinarea structurii optime de fabricaţie se
pot utiliza modele de programare liniară în
numere întregi.
 Domeniul de admisibilitate al modelelor liniare
cu variabile în numere întregi este format
dintr-un număr finit de puncte. Rezultă că
numărul de variante sau alternative decizionale
este finit.
 4. MODELAREA STRUCTURII DE PRODUCŢIE ŞI A
POSIBILITĂŢILOR DE DEZVOLTARE ALE UNEI
ORGANIZAŢII (cazul în care variabilele sunt numere întregi)

 Rezolvarea modelelor liniare cu variabile întregi se

efectuează cu metode de enumerare.
 Există două tipuri de metode de enumerare: explicită şi
implicită.
 Din categoria metodelor de enumerare implicită face parte
metoda „branch and bound” adică „ramifică şi mărgineşte”.
 Procesul iterativ de rezolvare a unei probleme printr-o
metoda de tip „branch and bound” poate fi reprezentat
printr-un arbore binar, în care fiecare nod are un singur
ascendent şi doi descendenţi direcţi.
 Fiecare nod al arborelui binar reprezintă o problemă de
programare liniară fără restricţiile ca variabilele să fie
întregi. Problemele asociate nodurilor arborelui binar se
rezolvă cu algoritmul simplex.
 4. MODELAREA STRUCTURII DE PRODUCŢIE ŞI A
POSIBILITĂŢILOR DE DEZVOLTARE ALE UNEI
ORGANIZAŢII (cazul în care variabilele sunt numere întregi)

 Un nod se ramifică dacă soluţia problemei este neîntreagă şi nu

există alt nod cu soluţie întreagă şi cu valoare mai bună a
funcţiei obiectiv.
 Pentru ramificarea unui nod, din soluţia problemei asociată
acelui nod, se alege o componentă xj cu valoare neîntreagă,
xj = . Pornind de la această variabilă se construiesc două
probleme care generează două noduri descendente:
 Problema pentru nodul stâng: prin adăugarea restricţiei xj  [],
unde [] este parte întreagă a numărului 
 Problema pentru nodul drept: prin adăugarea restricţiei
xj  [] +1.
 Un nod nu se mai ramifică, adică devine margine dacă:
 Are soluţie întreagă;
 Nu are soluţie admisibilă;
 Are soluţie neîntreagă, dar există alt nod cu soluţie întreagă şi o
valoare mai bună a funcţiei obiectiv
Studiul de caz 5 (carte Modelare economică)
- Programare Liniară în Numere Întregi

Modelul economico matematic

 Variabilele modelului
x1 = numărul de produse F43
x2 = numărul de produse F126
x3 = număr suplimentar de utilaje LM43
x4 = număr suplimentar de muncitori pentru grupa de montaj
 Funcţia obiectiv
Max (450x1 + 700x2 – 90x3 – 25x4)
 Restricţii
5x1 + 2x2  24
1,5x1 + 5x2  24 + 8x3  1,5x1 + 5x2 - 8x3 24
5x1 + 6x2  36 + 8x4  5x1 + 6x2 - 8x4 36
x3  2
x4  4
x1  0 şi întreg, x2  0 şi întreg,
x3  0 şi întreg, x4  0 şi întreg
Studiul de caz 5 (carte Modelare economică)
- Programare Liniară în Numere Întregi
Rezolvare cu WINQSB (7 iteratii), ex:

Decis Lower Upper Solutio Variabl Sta Decis Lower Upper Soluti Varia Statu
on Bound Bound n e Us on Bound Bound on Le Type s
Varia Value Type Varia Value
le le
1 X1 0 M 1.82 Integer No 1 X1 2.00 M 2.00 Integer Yes
2 X2 0 M 7.45 Integer No 2 X2 0 M 7.00 Integer Yes
3 X3 0 M 2.00 Integer Yes 3 X3 0 M 1.75 Integer No
4 X4 0 M 2.23 Integer No 4 X4 0 M 2.00 Integer Yes
Current OBJ(Maximize) = 5800.68 >= ZL = -M Current OBJ(Maximize) = 5592.50 >= ZL = -M
Non-integer Non-integer

Decision Lower Upper Solution Variable Status

Variab Bound Bound Value Type
le
1 X1 2.00 M 2.00 Integer Yes
2 X2 0 M 7.00 Integer Yes
3 X3 2.00 M 2.00 Integer Yes
4 X4 0 M 2.00 Integer Yes
Current OBJ(Maximize)= 5570.00 >= ZL = -M New incumbent
Studiul de caz 5 (carte Modelare economică)
- Programare Liniară în Numere Întregi
Iteraţia 1
Z=5800,68
x1 = 1,82
x2 = 7,45
x3 = 2
x4 = 2,23

x1  1 x1  2
Iteraţia 5 Iteraţia 2
Z= 5612,50 Z=5592,50
x1 = 1 x1 = 2
x2 = 7,7 x2 = 7
x3 = 2 x3 = 1,75
x4 = 1,9 x4 = 2

x2  7 x2  8 x3  1 x3  2

Iteraţia 7 Iteraţia 6 Iteraţia 4 Iteraţia 3

Z=5175 Z=5382,50 Z=4967,95 Z=5570
x1 = 1 x1 = 0 x1 = 2,55 x1 = 2
x2 = 8
x2 = 7 x3 = 2 x2 = 5,64 x2 = 7
x3 = 1,56 x4 = 1,5 x3 = 1 x3 = 2
x4 = 1,38 Soluţie neadmisibilă
x4 = 1,32 x4 = 2
Soluţia optimă