Uvod U Osnove Operacionih Istrazivanja

OSNOVE OPERACIONIH ISTRAIVANJA
1. OPERACIONA ISTRAIVANJA PROBLEMI PROGRAMIRANJA
k.god. 2007/2008.
dr Tadej Mateljan
1. O OPERACIONIM ISTRAIVANJIMA 1. UVOD

1.1. Predmet Operacionih Istraivanja (OI) 1.2. Karakteristike OI 1.3. Faze primjene OI
2. PROBLEMI PROGRAMIRANJA
2.1. Opa forma matematikog programiranja 2.2. Konveksno programiranje 2.3. Primjeri
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.1. Predmet Operacionih Istraivanja (OI)
OI su skup metoda, koje imaju za cilj
nalaenje najboljih (optimalnih) rjeenja sloenih problema Naziv je relativno nov i potie iz vremena neposredno prije Drugog svjetskog rata Smatra se da, kao nauka, operaciona istraivanja (OI) postoje od 1940-te godine.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
Kao i u ratnim operacijama, tako se i u mnogim

drugim oblastima, problem postavljao na slian nain raspoloivim (ogranienim) resursima potrebno je postii najbolje rezultate. Tako su metode OI (pored ostalih podruja) nali iroku primjenu na podruju poslovnog odluivanja i upravljanja.
k.god. 2007/2008. dr Tadej Mateljan
1. UVOD
Jedna od definicija, koja dosta dobro odreuje sadraj OI, je sljedea:
Operaciona istraivanja predstavljaju skup kvantitativnih i drugih naunih metoda pomou kojih se odreuju (pronalaze) optimalna ekonomsko-tehnika rjeenja sloenih problema.
1. UVOD
OI se bave istraivanjem operacija (aktivnosti) Bavi se problemima u kojima treba rijeiti kako
voditi ili koordinirati operacije (aktivnosti) da bi se postigli najbolji efekti u skladu sa nekim kriterijem uz odreena ogranienja Ovakva definicija OI omoguuje njihovu primjenu u vrlo razliitim oblastima kao to su: proizvodnja, transport, trgovina, konstrukcije, telekomunikacije, financijsko planiranje, zatita zdravlja, vojska, policija, javni servisi, ...
1. UVOD
Dio naziva istraivanja znai da OI koriste
nauni pristup pri rjeavanju zadataka sa kojima se susreu. Nauni metod se koristi i za nauno (najee matematiko) modeliranje realnih problema koje je potrebno rijeiti OI su ukljuena u kreativna nauna istraivanja fundamentalnih osobina operacija (aktivnosti) OI moraju osigurati pozitivne razumljive zakljuke donosiocima odluka
1. UVOD
U najveem broju primjena, metode OI imaju za cilj
nai najbolje rjeenje (optimalno rjeenje) problema koji ima ogranienja Najee se podrazumijeva da je zadatak metoda OI nalaenje najboljih rjeenja mada to ne mora uvijek biti sluaj Ponekad je i nalaenje mogueg rjeenja zadatka sa ogranienjima jako sloen problem (na pr. odreivanje vremenskog rasporeda po mainama), tako da je tada optimizacija u drugom planu
1. UVOD
Razvoj informacionih tehnologija (IT) je dao
snanu osnovu i poticaj za razvoj i primjenu metoda OI Povezivanje poslovnih IS i OI je proizvelo novi kvalitet IS za podrku upravljanju Ova veza je omoguila, s jedne strane, daleko ire i efikasnije koritenje klasinih metoda OI (linearno programiranje, mreno planiranje, upravljanje zalihama, optimalno rezerviranje, simulacije, ...)
1. UVOD
1.1. Predmet Operacionih Istraivanja (OI) S druge strane, potakla je razvoj novih naina koritenja metoda za nalaenje najboljih rjeenja kroz: 'Sisteme za podrku odluivanju' (Decision Suport Systems DSS) 'Sisteme za podrku izvravanju' (Execution Suport Systems ESS) 'Ekspertne sisteme' (Expert systems ES) 'Vjetaku inteligenciju' (Artificiel Intelligence - AI)
1. UVOD
1.1. Predmet Operacionih Istraivanja (OI) Posljednih godina poseban interes je usmjeren na primjenu raznih matematikih pristupa u analizi velikih skupova podataka
U velikim organizacionim sistemima, kroz sve ire koritenje IT, formiraju se ogromni skupovi podataka koje je vrlo teko analizirati tj. dobiti odgovarajue informacije ili znanja koja su u njima sadrana
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.1. Predmet Operacionih Istraivanja (OI) Ovi problemi, traganje za podacima i otkrivanje skrivenih odnosa i znaenja meu njima, predstavljaju jednu od suvremenih interesantnih oblasti operacionih istraivanja Takvi pristupi se mogu nai u okviru naziva: Analitika obrada podataka u realnom vremenu (On Line Analytic Processing - OLAP) Rudarenje podataka (Data Mining) Poslovno istraivanje (Business Intelligence).
1. UVOD
1.1. Predmet Operacionih Istraivanja (OI) Razni sistemi za Planiranje resursa preduzea (Enterprise Resource Planning ERP) koji su donedavno bili (a esto su i danas) jedna od najznaajnijih komponenti integralnih IS za upravljanje preduzeima, u pravilu, nisu sadravali nikakve metode planiranja nego su samo omoguavali odreenu integraciju podataka iz raznih informacionih podsistema to se moglo koristiti u procesu planiranja
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.1. Predmet Operacionih Istraivanja (OI) Pokazalo se, meutim, da je za efikasno planiranje i upravljanje neophodno koristiti formalne metode analize i optimizacije Tako se danas pojavljuju: Napredni sistemi za planiranje i rasporeivanje (Advanced Planning and Scheduling APS) Napredni sistemi za planiranje i optimizaciju (Advanced Planning and Optimization APO) Ovi sistemi predstavljaju, u stvari, razne oblike implementacije metoda OI
dr Tadej Mateljan
k.god. 2007/2008.
1. UVOD
1.1. Predmet Operacionih Istraivanja (OI) Danas velika veina zemalja ima svoja nacionalna profesionalna udruenja za OI koja organiziraju svoje skupove i izdaju asopise i biltene Nacionalna udruenja se esto povezuju u regionalne organizacije kao to su na pr. Evropska asocijacija EURO (European Associations of Operations Research Societes) Meunarodna federacija za operaciona istraivanja IFORS (International Federation of Operational Research Societes) Institut za operaciona israivanja INFORMS (Institut for Operational Research and the Management Science).
1. UVOD
1.2. Karakteristike OI Osnovne karakteristike OI kao naune discipline su:
Usredsreenost na probleme upravljanja u

sloenim sistemima Sistemski pristup problemima Timski rad Nauni metod nalaenja rjeenja
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.2. Karakteristike OI - Usredsreenost na probleme upravljanja u sloenim sistemima
Uveanje znanja i usvravanje tehnologija
uvjek su uveavali 'nivoe ambicija Zadaci koji se rjeavaju su sve sloeniji Izvanredne mogunosti IT i stalni razvoj metoda za nalaenje najboljih rjeenja omoguuju rjeavanje ambicioznih zadataka upravljanja u sloenim organizacionim sistemima
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.2. Karakteristike OI - Usredsreenost na probleme upravljanja u sloenim sistemima
U pravilu se rjeavaju zadaci za koje ne postoje predhodna iskustva koji ukljuuju veliki broj nepoznatih veliina iji se uvjeti ne ponavljaju vie puta pod istim okolnostima Rjeavanje takvih zadataka je najee ozbiljan istraivaki poduhvat
1. UVOD
1.2. Karakteristike OI - Sistemski pristup problemima
Cjelina je vie nego zbir dijelova' (Aristotel) Optimazirajui dijelove, ne mora se uvjek dobiti (a
najee se i ne dobije) optimalno rjeenje za cjelinu (optimalni nivo zaliha sa stanovita prodaje, ne mora biti optimalan sa stanovita preduzea) Problemi sloenih organizacionih sistema (preduzee, vojna jedinica, bolnica, regija) moraju se jeavati sa saznanjem da su to jedinstveni subjekti (cjeline)
1. UVOD
1.2. Karakteristike OI - Timski rad
U rjeavanju zadataka OI, od samog poetka,
istrazivai su bili organizirani u timove To je bilo nuno jer su problemi, koji su se rjeavali, zhtijevali znanja razliitih oblasti Formirani su timovi od strunjaka koji su prije toga rijetko radili zajedno (inenjeri, matematiari, psiholozi, ekonomisti, sociolozi, pravnici, medicinari, ...)
1. UVOD
1.2. Karakteristike OI - Timski rad
Zajedniki rad strunjaka razliitih oblasti imao
pozitivan uticaj i na unapreenje metoda, jer su razliiti strunjaci unosili u timski rad razliite pristupe i na taj nain obogatili metode u mnogim naunim podrujima Zbog uea, u timu, strunjaka razliitih profila (disciplina), ovakav timski pristup se esto naziva i multidisciplinarni pristup
1. UVOD
1.2. Karakteristike OI - Nauni metod nalaenja rjeenja
OI koriste matematiki jezik za opisivanje i rjeavanje postavljenih zadataka. Prednosti ovakvog pristupa su sljedee: Jezik matematike je precizan i koncizan Mogu se koristiti postojei rezultati (veliki broj dokazanih teorema i stavova) Sloene veze izmedju raznih veliina u realnom sistemu, jednostavnije i jasnije se prikazuju u matematikom obliku (jednaine, nejednaine, ...)
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.2. Karakteristike OI - Nauni metod nalaenja rjeenja Postoje miljenja da matematiki jezik esto previe pojednostavljeno predstavlja stvarni problem. Meutim: osnovni zadatak modeliranja i jest u tom da se doe do (matematikog) modela koji je
o dovoljno 'slian' stvarnom problemu da bi
mogao da bude njegova zamjena o dovoljno jednostavan da bi mogao biti rjeiv

1. UVOD
1.2. Karakteristike OI - Nauni metod nalaenja rjeenja
uproenja i zanemarenja, koja se ine pri
matematikom modeliranju su esto uoljiva, pa se to moe iskoristiti, u sluaju neslaganja modela sa ponaanjem realnog sistema Upotreba matematikih modela (i matematikih pristupa) je, takoer, jedan od uslova za koritenje IT u rjeavanju konkretnih problema upravljanja u raznim podrujima primjene.
1. UVOD
1.3. Faze primjene OI Kvanitativne metode predstavljaju najvei dio onoga to se danas naziva OI, tako da emo se mi baviti matematikim metodama OI Meutim, to ne znai da osnovnu teinu, pri praktinom koritenju OI, ine matematike analize. One (matematike analize) esto predstavljaju samo mali dio napora koji je potrebno uloiti.
1. UVOD
1.3. Faze primjene OI Standardno, proces implementiranja metoda OI (OI studija), ima sljedee faze: Definiranje problema i prikupljanje odgovajuih podataka Formiranje matematikog modela koji predstavlja problem Razvoj (raunarski bazirane) procedure za nalaenje rjeenja problema iz matematikog modela Testiranje modela i rjeenja Priprema modela za korienje Implementacija
1. UVOD
1.3. Faze primjene OI - Definiranje problema i
prikupljanje odgovarajuih podataka
Najvei dio praktinih problema, koje treba rijeiti, u poetku je definiran nejasno i neprecizno esto postoji niz elemenata koji uestvuju u realnoj situaciji a koji nisu bitni za sam problem (nejasni su kriteriji na osnovu kojih e se odrediti uspjenost rjeenja, posmatrani problem je manje ili vie povezan sa nekim drugim procesima pa je sloeno pitanje odreivanje granice problema i sl.)
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI - Definiranje
problema i prikupljanje odgovarajuih podataka
S druge strane, da bi primjena metoda OI bila uspjena, potrebno je jasno odrediti ciljeve, ogranienja i interakcije sa 'okolinom' (drugim dijelovima sistema) esto je, u realnim primjenama, potrebo voditi rauna i o vremenskim ogranienjima za donoenje odluke
1. UVOD
1.3. Faze primjene OI - Definiranje problema i prikupljanje odgovarajuih podataka Ne postoje stroga pravila koja bi pomogla u pravilnoj identifikaciji i formulaciji problema. U ovoj fazi najvei znaaj imaju iskustvo i kreativnost istraivaa. Ipak mogu se primjeniti slijedee preporuke: Definirati ko je korisnik istraivanja i koje su granice sistema koji se analizira
1. UVOD
1.3. Faze primjene OI - Definiranje problema i prikupljanje odgovarajuih podataka
Moraju biti precizno definirati ciljevi korisnika
istraivanja Utvrditi kojim instrumentima upravljanja raspolae korisnik to preciznije odrediti skup alternativnih rjeenja i odrediti ogranienja u okviru kojih treba traiti optimalnu odluku
1. UVOD
Upravljaki problem se u ovoj fazi ne postavlja u matema-tikom obliku. OI tim prikuplja osnovne informacije o problemu koji treba rijeiti. Prvi podzadatak je ustanoviti da li je problem mogue i/ili potrebno rastaviti na odreeni broj manjih problema Rastavljanjem se dobiju manji i jednostavniji zadaci. U pravilu, su vei izgledi da se uspjeno moe rijeiti vie manjih nego jedan vei i kompleksniji zadatak.
1. UVOD
Drugi podzadatak je utvrivanje granice problema

koji e se rjeavati i odreivanje nivoa detalja.
Na ove odluke direktno utiu ciljevi korisnika, zatim, planirani trokovi i planirano vrijeme za razvoj modela. Utvrene granice problema i definirani nivo detalja, vie ili manje, direktno odreuju dimenzionalnost problema, tj. ustanovljavaju se zavisne i nezavisne promjenljive, ili u terminologiji koja se koristi u zadacima upravljanja, upravljake ili kontrolabilne promjenljive i parametri sistema i/ili nekontrolabilne promjenljive.
1. UVOD
Trei podzadatak je izbor kriterija na osnovu kojeg

e se mjeriti uspjenost rjeenja
Izbor kriterija e direktno utjecati na to koje e, iz skupa moguih rjeenja, biti odreeno kao optimalno ili, u praksi, biti ocijenjeno kao uspjeno.
(Tako je, na primjer, za vrijeme II svjetskog rata, odlueno da se trgovaka mornarica Velike Britanije opremi protivavionskim orujem. Poslije godinu dana je analizirana uspjenost ovog zahvata. Prvo je za kriterij uspjenosti uzet broj oborenih neprijateljskih aviona. Ustanovljeno je da je u samo 4% napada oboren neprijateljski avion. Na osnovu toga bi se moglo zakljuiti da je ovaj zahvat dao slabe rezultate. Mautim, kada se kao kiterij uzeo postotak potopljenih brodova sa naoruenjem u odnosu na one bez, dobio se potpuno razliit rezultat. Naime, pokazalo se da su brodovi sa naoruanjem imali daleko veu ansu da preive napad neprijateljske avijacije u odnosu na one bez naoruanja)
1. UVOD
1.3. Faze primjene OI - Konstrukcija modela
Pojam "model" se najee intuitivno prihvata
kao "apstrakcija" neega to je dio realnosti (EDEN I HARIS 1975) RIVET (1972) ukazuje da su "svi naunici saglasni da je kljuna aktivnost svake naune metode kreiranje modela". Prapoeci modeliranja (astronomski modeli) se mogu nai jo u Vavilonskoj civilizaciji (750 godina prije nove ere)
1. UVOD
PETRI i dr.: "modeli su veoma iroko korieno
sredstvo za opis, objanjenje, predvianje i upravljanje pojavama u realnom svijetu, oni predstavljaju "sintetsku apstrakciju realnosti". Zajednika karakteristika modela je da nikada ne mogu biti vjerna slika stvarnosti. Oni obuhvataju samo bitne osobine pojave koju predstavljaju, i pri tom, nuno zanemaruju niz osobina te iste pojave. Saznajna vrijednost modela je bazirana na injenici da je rijetko potrebno sve znati o nekoj pojavi, odnosno, da je potrebno znati samo one veliine koje su bitne za pojedino razmatranje.
1. UVOD
1.3. Faze primjene OI - Konstrukcija modela Koritenje modela ima slijedee prednosti: Omoguuju analizu i eksperimentisanje sa sloenim problemima Obezbjedjuje ekonomisanje resursima koji se koriste za analizu date pojave Vrijeme za analizu pojave se moe znatno skratiti (produiti) Obezbjeuje koncentraciju na bitne karakteristike pojave
1. UVOD
1.3. Faze primjene OI - Konstrukcija modela RIVET je (1972) dao sljedeu definiciju modela:
"Model, odnosno, hipoteza je skup logikih relacija, bilo kvantitativnih, bilo kvalitativnih, koje e zajedno povezati relevantne karakteristike stvarnosti bitne za problem koji se rjeava".
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI - Konstrukcija modela U nauci i biznisu se koristi jeko veliki broj meusobno vrlo razliitih modela: model atoma, model genetike strukture, fiziki zakoni i kemijske reakcije se opisuju matematikim jednainama - modelima, veliki broj realnih zadataka se predstavlja pomou grafova ili mrenih planova, postoje modeli organizacione strukture, tokova novca u preduzeima, ...
1. UVOD
1.3. Faze primjene OI - Konstrukcija modela Posebna klasa modela su matematiki modeli. Matematiki modeli za opisivanje problema, koriste matematike izraze i simbole. Na primjer, matematiki izrazi F = m a, U = R I, E = m c2, su matematiki modeli odreenih fizikalnih zakonitosti.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI - Konstrukcija modela Matematiki modeli imaju niz prednosti u odnosu na verbalne modele. Matematiki model opisuje problem koncizno, jednoznano odreuje uzrono-posljedine veze pojedinih veliina. Posebna prednost je u mogunosti koritenja vrlo monih matematikih tehnika i raunara pri analizi problema.
1. UVOD
1.3. Faze primjene OI - Konstrukcija modela Pri izgradnji modela treba zadovoljiti dva, u odredjenom smislu proturjena, zahtjeva:
model mora biti to jednostavniji (to jednostavniji
ali ne vie od toga) model mora obuhvatiti sve osobine sistema koje su bitne za problem koji se rjeava
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
Ovo je dosta sloen zahtjev i on se uobiajeno rjeava u interakciji sa fazom identifikacije i formulacije problema
Dobro formuliran problem relativno je lako
prevesti u odgovarajui matematiki model i obratno. U najveem broju sluajeva primjene metoda OI kao model problema, koji je potrebno rijeiti, javljae se matematiki model, a cilj e biti nai najbolje (optimalno) rjeenje.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI - Konstrukcija modela Da bi se moglo govoriti o problemu izbora najboljih rjeenja (problem optimizacije) mora postojati slijedee:
mogunost izbora izmeu vie razliitih rjeenja kriterij na osnovu kojeg e se uporeivati 'kvalitet' pojedinih
rjeenja
ogranienja koja moraju biti zadovoljena

Problem izbora najboljih rjeenja moe a ne mora biti postavljen u matematikom obliku, meutim, u ovoj knjizi, mi emo se baviti samo problemima koji su zadani u matematikom obliku.
1. UVOD
Formalna matematika struktura za izbor najboljih rjeenja sadri:
skup promjenljivih i skup parametara

spoljnje promjenljive koje mogu biti upravljane (organizirane) i neupravljane (neorganizirane) unutarnje promjenljive na ije vrijednosti se utie preko spoljnih promjenljivih parametri u pravilu nisu kontrolabilni i u formalnoj strukturi su odreeni
1. UVOD
model sistem matematikih relacija koje povezuju

skupove promjenljivih i skupove parametara (ogranienja) kriterij koji zavisi od promjenljivih i parametara metoda za nalaenje najboljeg rjeenja, to je procedura koja sadri 'strategiju traenja najboljeg rjeenja' (U literaturi, koja se bavi OI, najee se pod nazivom
model podrazumjeva i skup ogranienja i funkcija cilja, pa emo mi u nastavku koristiti takav pristup).
1. UVOD
Formalna matematika struktura izbora najboljih rjeenja se moe ematski predstaviti sljedeom slikom:
ULAZ kontrolirani
IZLAZ rezultati koji su ciljevi
MODEL
ULAZ van kontrole upravljanja
IZLAZ rezultati koji nisu ciljevi
Sl. 1.2.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
Primjer 1.1.
Proizvodja A proizvodi jedan proizvod ija je cijena c1. Za proizvodnju koristi mainu iji je kapacitet b1 sati nedjeljno. Za obradu proizvoda P1 na maini M1 potrebno je a11 sati (tehnoloki normativ). Cilj je maksimizirati prihod. Treba odrediti broj proizvoda (x1) koje treba proizvesti.
1. UVOD
Proizvoa moe utjecati na to koliki e broj proizvoda proizvesti ali ne moe utjecati na cijenu proizvoda, kapacitet maine niti na tehnike normative. Napraviti matematiki model i predstaviti ematski formalnu matematiku strukturu zadatka u skladu sa Sl. 1.1.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
Rjeenje
U matematikom obliku problem se moe napisati na sljedei nain: Nai: max Z = c1 x1 pod uslovom: a11 x1 <= b1 ili a11 x1 + N = b1 x1 >= 0 x1, N >= 0 gdje je Z prihod a N je neiskoriteni dio kapaciteta maine.
1. UVOD
Formalna matematika struktura se moe ematski predstaviti sljedeom slikom:
ULAZ Kontrolirani X1 IZLAZ rezultati koji su ciljevi Z
MODEL
Z = c1 x1 A11x1+N=b1 X1,N>=0
ULAZ van kontrole upravljanja c1,a11,b1
IZLAZ rezultati koji nisu ciljevi N
Sl. 1.2.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
Ovaj zadatak je trivijalan i rezultat se moe dobiti intuitivno.
Naime, jasno je da e najvei prihod biti kada se proizvodi to je mogue vie tj. proizvoa bi trebao koristiti cjelokupan kapacitet maine X1 = b1/a11. \ ---------k.god. 2007/2008. dr Tadej Mateljan
1. UVOD
Na kraju ove faze konstruira se konkretni model kojim se uspostavljaju relacije meu promjenljivim i parametrima i definira kriterij na osnovu kojeg e se ocjenjivati kvalitet (efektivnost) rjeenja.
1. UVOD
Model, koji se sastoji od funkcije cilja (kriterij) ija se ekstremalna vrijednost trai i skupa ogranienja koja odreuju dopustivi skup rjeenja je najei oblik modela OI i naziva se matematiki program. Oblast OI koja se bavi ovom vrstom modela naziva se matematiko programiranje.
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja Rijeiti matematiki model znai odrediti veliine upravljakih (kontrolabilnih) promjenljivih i veliine nekontrolabilnih promjenljivih? za zadane veliine parametara. Poto je u OI cilj nai najbolje (optimalno) rjeenje, potrebno je, znai, odrediti takve veliine upravljakih promjenljivih koje zadovoljavaju sva ogranienja i koje funkciji cilja daju ekstremalnu vrijednost.
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja Da bi se to postiglo, potrebno nai ili razviti odgovarajuu (najee raunarski potpomognutu) proceduru za rjeavanje postavljenog modela. Mada moe izgledati da je to glavna teina ukupnog zadatka, to najee nije sluaj. Ponekad je ova faza stvarno jednostavna ako se problem moe rijeiti nekim od standardnih algoritama OI za koji postoji raspoloiv softverski paket. Najvei napori su u predhodnim i narednim koracima u to je ukljuena i postoptimalna analiza o emu e kasnije biti rijei.
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja
Za rjeavanje matematikih modela OI se mogu koristiti:
Metode analitikog rjeavanja Metode numerikog rjeavanja Metode simulacije
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja Izraunati vrijednost zadanog integrala koristei analitiki, numeriki i simulacioni pristup.
1
S f(x) dx
0
gdje je podintegralna funkcija f(x) = x

1. UVOD
Rjeenje
analitiko rjeenje
1 2 1
S x dx = [x / 2] = 0,5
0 0
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja - numeriko rjeenje Numeriko rjeenje je uvjek priblino rjeenje Posmatrani interval (0,1) se moe podijeliti na pet podintervala duine 0,2. Na granicama tih podintervala vrijednosti funkcije f(x) = x su redom: 0,2; 0,4; 0,6; 0,8; 1. Ako se ove vrijednosti pomnoe sa duinom podintervala i saberu povrine tako dobijenih pravoguaonika dobie se: 0,2*0,2 + 0,2*0,4 + 0,2*0,6 + 0,2*08 + 0,2*1 = 0,6 Dobijena vrijednost 0,6 se razlikuje od tane vrijednosti integrala.
1. UVOD
f(x)
0.2
0.4
0.6 Sl. 1.3.
0.8
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja - numeriko rjeenje Ako sada interval (0,1) podijelimo na deset podintervala duine 0,1 dobiemo deset vrijednosti funkcije. Ako sad te vrijednosti pomnoimo sa duinom podintervala i izraunamo povrinu dobiemo taniju vrijednost (0,55) Drugim rjeima, smanjivanjem podintervala poveavamo tanost izrunavanja. Ako bismo, teoretski, pustili da duina podintervala tei nuli, broj vrijednosti funkcije, koji bi se uzimao u raun, bi teio u beskonano. Tada bismo dobili beskonanu sumu beskonano malih povrina (to u stvari predstavlja integral funkcije) i tanu vrijednost integrala
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja - simulacijsko rjeenje Formira se kvadrat sa stranicama duine 1 i smjesti u pravougli koorinatni sistem tako da mu vrhovi budu takama (0,0), (1,0), (1,1), (0,1). Funkcija f(x) = x u intervalu (0,1) predstavljae dijagonalu ovog kvadrata. Zatim se generiraju sluajni brojevi iz intervala (0,1) (metoda Monte-Karlo). Pretpostavimo da svaka dva uzastopno izabrana broja predstavljaju koordinate taaka u pravouglom koordinatnom sistemu.
1. UVOD
Sve e take, dakle, biti unutar ili na granici naprijed definiranog kvadrata. Meutim, neke od taaka e biti ispod dijagonale (funkcije f(x)) a neke iznad. Odnos broja taaka ispod funkcije i ukupnog broja taaka daje priblinu vrijednost odnosa povrina ispod funkcije (vrijednost integrala) i povrine kvadrata. Vrijednost e biti priblinija to je broj generiranih taaka vei.
1. UVOD
xx x x x
x x
Pint Pkv
Nint Nuk
----- = -----
x
x x x x x x
x
Pkv = 1
x
Nint
Pint = ----Nuk
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja U najveem broju situacija cilj metoda OI je nai najbolje, optimalno rjeenje. Meutim, prema Nobelovcu Herbertu Simonu, u praktinim problemima ee je cilj nai dovoljno dobro (engl. satisficing to je kombinacija rijei satisfactory i optimizing) nego optimalno rjeenje. To prije svega zato, to esto postoji konflikt izmeu razliitih eljenih ciljeva kriterija.
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja Efikasniji i realniji pristup je nai rjeenje koje u odreenoj mjeri zadovoljava sve postavljene kriterije (dovoljno dobro rjeenje). Razlika izmeu optimalnog i dovoljno dobrog je razlika izmeu teorije i prakse. Jedan od vodeih OI istraivaa u Engleskoj Samuel Eilon je rekao: Optimizacija je nauka
krajnosti (ekstrema), dovoljno dobro je umjetnost izvodljivog.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja U procesu izbora metoda za rjeavanje, moe se, dakle, primijeniti jedan od sljedea dva pristupa: Nai optimalno rjeenje uprotene verzije problema Nai priblino rjeenje tanijeg i sloenijeg modela razmatranog problema. U praksi se pogodniji drugi pristup jer, s jedne strane, uprotavanja mogu dovesti u pitanje validnost modela, dok s druge strane, zbog uvjek prisutne priblinosti u odreivanju parametara modela Naime, optimalno rjeenje za model ne mora biti optimalno rjeenje realnog problema.
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja Vrlo je korisna dodatna analiza u smislu ta ako, tj. analiza ta e se desiti sa optimalnim rjeenjem ako se neke pretpostavke promijene. Takva analiza se radi kada je ve naeno optimalno rjeenje modela i naziva se postoptimalna analiza. U postoptimalnu analizu je ukljuena i senzitivna analiza u okviru koje se pronalaze parametri koji su najkritiniji za naeno optimalno rjeenje senzitivni parametri.
1. UVOD
1.3. Faze primjene OI Nalaenje rjeenja Uobiajen definicija senzitivih parametara je sljedea:
Za matematiki model, koji ima specificirane vrijednosti za sve parametre, senzitivni prametri modela su parametri koji se ne mogu promijeniti a da se ne promjeni optimalno rjeenje
Identificiranje senzitivnih parametara je vrlo bitno. Greke u procjeni vrijednosti senzitivnih parametra mogu dovesti do sutinski pogrenih rjeenja. Takoer, ako u fazi koritenja modela doe promjene vrijednosti senzitivnog parametra onda je to siguran znak da treba mijenjati rjeenje.
1. UVOD
1.3. Faze primjene OI Testiranje modela i rjeenja Razvoj sloenog matematikog modela je u odreenom smislu slian razvoju sloenog raunarskog programa. Naime, prva verzija raunarskog programa uvjek ima odreeni broj greaka. Testiranjem se greke otkrivaju i popravljaju. Bez obzira to neke sitnije greke nee biti otkrivene u procesu testiranja, bitne greke e se otkriti i zadovoljavajue popraviti i tada e program biti spreman za realnu upotrebu.
1. UVOD
1.3. Faze primjene OI Testiranje modela i rjeenja Slino, prva verzija sloenog matematikog modela sadri mnogo nedostataka. Neki bitni faktori i/ili meuveze mogu biti zanemareni, a neki parametri mogu biti pogreno procijenjeni. Kroz proces testiranja nastoje se otkloniti svi bitni nedostaci modela.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Testiranje modela i rjeenja Taj proces testiranja i poboljanja modela se naziva validacija modela (model validation). Vrlo je teko preciznije definirati pravila za validaciju modela jer taj proces dominantno zavisi od prirode problema koji se modelira. Meutim, postoje neki postupci koji uvjek pomau u ovom procesu kao na pr. provjera da li su u svim matematskim izrazima konzistentno koritene jedinice mjera, zatim da li se sa promjenama vrijednosti upravljakih promjenljivih izlazne vrijednosti modela mijenjaju na prihvatljiv nain i slino.
1. UVOD
1.3. Faze primjene OI Testiranje modela i rjeenja Sistematiniji je pristup je koritenje retrospektivnog testa. Naime, kada je to izvodivo, koriste se historijski podaci i provjerava da li model daje iste rezultate kao to se to deavalo u prolosti. Nedostatak retrospektivnog testa je u tom to historije ne mora uvjek biti stvarni reprezent budunosti
1. UVOD
1.3. Faze primjene OI Priprema modela za koritenje Kada je zavreno testiranje modela, sljedei korak je instaliranje dobro dokumentiranog sistema za primjenu modela prema uputstvima menadmenta. Taj sistem ukljuuje model, proceduru za dobijanje rjeenja (ukljuujui postoptimalnu analizu) i operativne procedure za implementaciju.
1. UVOD
1.3. Faze primjene OI Priprema modela za koritenje U ovoj se fazi ispituju i uvjeti pod kojim vrijedi dobijeno rjeenje. Ako se mijenjaju parametri modela (veliine na koje se ne moe utjecati) ili se mijenjaju odnosi izmeu veliina (relacije), moe se desiti da se mijenja i optimalno rjeenje.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Priprema modela za koritenje
Mogu se postaviti dva pitanja: Da li vae pretpostavke o veliini parametara Koliko je optimalno rjeenje osjetljivo na promjene parametara ili izmjenu relacija u modelu.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Priprema modela za koritenje Da bi se imala kontrola nad rjeenjem moraju se razviti metode za ustanovljavanje znaajnih promjena parametara, kao i pravila za modifikaciju rjeenja u tim sluajevima.
1. UVOD
1.3. Faze primjene OI Priprema modela za koritenje Sistem je u pravilu raunarski realiziran i moe sadravati vei broj raunarskih programa. Baze podataka i upravljaki informacioni sistemi mogu osiguravati aurne ulaze za model i u tom sluaju su potrebni programi za interfejs (interface). Poslije koritenja programa za dobijanje rjeenja, dodatni programi mogu automski implementirati dobijene rezultate.
1. UVOD
1.3. Faze primjene OI Priprema modela za koritenje U drugom sluaju, koristi se interaktivni raunarski podran sistem - Sistem za podrku odluivanju (Decision Support System DSS). Drugi programi mogu generirati upravljake izvjetaje kako bi interpretirali izlaze iz modela i implikacije koje rezulati izraunavanja predviaju.
1. UVOD
1.3. Faze primjene OI Implementacija Posljednja faza OI studije je njegova imlementacija, tj. ostvarivanje efekata iz znanja koja su ugraena u kompletno rjeenje. Vrlo je bitno da OI tim uestvuje u poetnoj fazi implementacije da bi se utvrdilo da li je sistem operativno upotrebljiv i da provjeri da li su sve bitne greke otklonjene.
1. UVOD
1.3. Faze primjene OI Implementacija Metode operacionih istrazivanja su, u pravilu, orjentirane na konkretnu upotrebu. Naalost, daleko je vei broj optimalnih rjeenja, koja su dobijena na papiru, od onih koji su praktino primjenjena.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Implementacija Primjena rjeenja zahtijeva od operacionih istraivaa posebnu vjetinu komuniciranja sa korisnicima. Potrebno je motivirati i rukovodioce i izvrioce da primjene predloena rjeenja. Problemi u primjeni se mogu svrstati u dvije velike grupe: Rukovodioci i izvrioci nee ili nisu sposobni da prihvate i sprovedu predloeno rjeenje. Tim operacionih istraivaa nije dovoljno osposobljen da rukovodiocima i izvriocima, na pravilan nain, obrazloi rezultate istraivanja i nain njihog koritenja.
1. UVOD
1.3. Faze primjene OI Implementacija Jedno istraivanje osnovnih problema u primjeni operacionih istraivanja dalo je slijedee rezultate:
Tekoe plasiranja metoda operacionih istrazivanja na tritu intelektualnih usluga. Nedostaci u obrazovanju visokih i srednjih rukovodilaca i nemogunost da prihvate metode operacionih istraivanja Nedostatak odgovarajuih podataka za primjenu modela. Nedostatak vremena za analizu problema na naunoj osnovi Nesposobnost korisnika da razumije metode i rezultate Teskoe u definiranju problema iz (poslovne) prakse Zadovoljavajui kvalitet rezultata dobijenih uobiajenim metodama, bez primjene nauke o poslovnom upravljanju Nedovoljan broj OI istrazivaa Loa reputacija naunika istraivaa u rjeavanju praktinih problema Osjeaj straha kod pojedinih rukovodilaca
1. UVOD
1.3. Faze primjene OI Implementacija Najdelikatnije faze operacionih istrazivanja nisu predmet predavanja na univerzitetskim kursevima. Kao to se plivanje moze uiti jedino u vodi, da bi neko bio uitelj plivanja mora najmanje znati plivati.
k.god. 2007/2008.
dr Tadej Mateljan
1. UVOD
1.3. Faze primjene OI Implementacija Tako je za rjeavanje sloenih zadataka iz prakse potrebno, pored poznavanja metoda i modela operacionih istrazivanja, razumjevanja teorijskih osnova na koje se ovi modeli oslanjaju, imati i praktina iskustva koja se jedino mogu stei kroz praktine primjene ovih metoda i modela.
1. UVOD
1.3. Faze primjene OI Implementacija
Jer, OI istraiva mora znati identificirati probleme koje OI metode mogu rijeiti, mora znati kako struktuirati problem u neki od standardnih matematikih modela i, na kraju, mora znati kako primijeniti ili razviti raunarske alate da bi naao rjeenja problema.
k.god. 2007/2008.
dr Tadej Mateljan
2. MATEMATIKO PROGRAMIRANJE
Skup problema opisanih matematikim jezikom, kod kojih je zadatak nai ekstrem neke funkcije uz zadana ogranienja, naziva se problemima (zadacima) matematikog programiranja (MP).
k.god. 2007/2008.
dr Tadej Mateljan
Vrlo je vano razlikovati znaenje rijei programiranje u ovom kontekstu od njenog znaenja u raunarskom programiranju. Ovdje programiranje treba shvatiti kao planiranje, tj. kao postupak koji nam pomae da doemo do odreenog cilja, to je procedura traenja takvih vrednosti promenljivih u zadatku koje istovremeno zadovoljavaju ogranienja i daju funkciji cilja optimalnu vrijednost. U drugom sluaju, to znai pisanje koda, niza instrukcija koje raunar treba da obavi.
MP istovremeno pripada Matematici, Operacionim istraivanjima, Teoriji upravljanja, Sistemskoj analizi i drugim tehnikim naukama i disciplinama, a po znaaju i obimu korienja, svakako je jedan od najznaajnijih alata ukupne nauke i tehnike.
k.god. 2007/2008.
dr Tadej Mateljan
Klasini matematiki pristupi, koji se koriste za nalaenje ekstrema funkcija pod ogranienjima (metod Lagrange-a, metod Kuhn-Tucker-a), nisu pogodni za rjeavanje zadataka MP, jer su ovi zadaci u pravilu vrlo sloeni sa velikim brojem promjenljivih i velikim brojem ogranienja, koja su najee u obliku nejednaina. Zato je razvijena posebna teorija i izgraeno je niz metoda pomou kojih su se rjeavali ovi zadaci. Ove metode su uglavnom razvijene pod predpostavkom da e biti relizirane uz pomo raunara.
Postoji vie klasifikacija problema MP, ali je najea podjela na Linearno programiranje (LP) i Nelinearno programranje (NLP). Meutim, susree se i podjele problema na neprekidne i diskretne, deterministike i stohastike, jednokriterijske i viekriterijske. Posebnu klasu MP ini dinamiko programiranje (DP) koje rjeava probleme (optimalnog) sekvencijalnog odluivanja. Sve navedene klase imaju svoje podklase, a irok spektar algoritama u svakom od ovih 'segmenata' MP jo uvjek se iri.
Posebno interesantan skup problema, u MP, su problemi konveksnog programiranja (KP) kod kojeg je potrebno maksimizirati konkavnu (minimizirati konveksnu) funkciju na konveksnom skupu. Ovaj tip problema MP je zanimljiv jer spada u tzv. jednoekstremalne zadatke. Takoer je zanimljivo rjeavanje problema bez ogranienja jer postoje pristupi kojima se problemi sa ogranienjima svode na probleme bez ogranienja.
2.1. Opa forma problema Matematikog programiranja
Opa forma problema matematikog programiranja zadana je u sljedeem obliku: Optimizirati Z = f(x) (2.1) uz ogranienja xeM (2.2) gdje je x = (x1, x2, ..., xn) e Rn vektor kolona, M je skup iz Euklidskog prostora R na n, a f(x) je opa (realna) funkcija vektora x.
Ogranienje (2.2) je najee zadano u obliku jednaina i/ili nejednaina: gi(x) <= 0, i = 1, 2, ..., m (2.3) hj(x) = 0, j = 1, 2, ..., n gdje su g(x) i h(x) realne funkcije vektora x.
k.god. 2007/2008.
dr Tadej Mateljan
Poto je min f(x) = max (- f(x)), svaki problem traenja minimuma moe biti preveden u problem traenja maksimuma, zatim, poto se svako ogranienja u obliku jednaine, moe prevesti u dva ogranienja u obliku nejednaina h(x) = 0 moemo zamijeniti parom nejednaina h(x) <= 0 i h(x) >= 0 i poto, u najveem broj sluajeva, promjenljive predstavljaju razne vrste resursa (ljudi, maine, novac, ...) koji ne mogu biti negativni, bez umanjenja optosti, problem MP moemo napisati u obliku:
2.1. Opa forma problema Matematikog programiranja Max Z = f(x) (2.4) uz ogranienja gi(x) <= 0, i = 1, 2, ..., m (2.5) x >= 0 Zadatak je, dakle, nai vektor kolonu x* tako da maksimizira funkciju cilja (2.4) uz zadovoljenje ogranienja (2.5).
2.1. Opa forma problema Matematikog programiranja U terminilogiji OI svaki vektor x predstavlja rjeenje problema matematikog programiranja. Vektori x koji se nalaze u dopustivom prostoru su dopustiva rjeenja, a dopustivo rjeenje koje daje optimalnu vrijednost funkciji cilja je optimalno rjeenje. Moe se, dakle, rei da se MP bavi izuavanjem problema oblika (2.4), (2.5) i metodama za njihovo rjeavanje uz razliite uvjete koji se postavljaju na funkcije f i g.
2.1. Opa forma problema Matematikog programiranja Ako pretpostavimo postoji takvo x* e M, (koje zadovoljava ogranienja (2.4)) da je f(x*) > = f(x), Vx e M (2.6)
onda kaemo da je x* taka globalnog (apsolutnog) maksimuma funkcije f na skupu M, dok je f* = f(x*) vrijednost globalnog (apsolutnog) maksimuma funkcije f na skupu M. Ako je u relaciji (2.6) znak nejednakosti < za x e M i x # x*, onda kaemo da je x* taka strogog (izoliranog) globalnog (apsolutnog) maksimuma funkcije f na skupu M, dok je f* = f(x*) vrijednost strogog (izoliranog) globalnog (apsolutnog) maksimuma funkcije f na skupu M. Na slian nain definiraju se i ostali tipovi ekstrema funkcije cilja.
2.2. Konveksno programiranje Skup problema MP, kod kojeg je potrebno maksimizirati konkavnu (minimizirati konveksnu) funkciju na konveksnom skupu, naziva se problemima konveksnog programiranja (KP). Ovaj skup problema MP je zanimljiv jer spada u tzv. jednoekstremalne zadatke. To znai, da je dovoljno za neku taku dokazati da predstavlja taku lokalnog maksimuma (minimuma), pa da time bude dokazano da je ta taka ujedno i taka globalnog maksimuma (minimuma). Na ovaj nain je izbjegnut teak zadatak nalaenja globalnog ekstrema.
2.2. Konveksno programiranje Opi oblik problema KP je: Max f(x) (2.8) uz ogranienja gi(x) <= 0, i = 1, 2, ..., m (2.9) kod koga je funkcija cilja f: R**n -> R konkavna funkcija i funkcije ogranienja gi: R**n -> R, i = 1, 2, ..., m su konveksne funkcije.
2.2. Konveksno programiranje Za konveksne zadae vrijedi:
Svaki lokalni ekstrem na M (dopustivi
prostor) je ujedno i globalni Ako je M neprazan i ogranien onda zadaa ima barem jedno rjeenje Ako je f strogo konveksna funkcija onda zadaa moe imati najvie jedno rjeenje
dr Tadej Mateljan
k.god. 2007/2008.
2.2. Konveksno programiranje Za skup C e R**n kaemo da je konveksan ako za bilo koje dvije take x1 i x2, koje se nalaze u skupu C, vrijedi da se u skupu C nalazi i du koja ih spaja, tj. ako vai: l x1 + (1-l) x2 e C za svako x1, x2 e C i za svako l e [0,1].
k.god. 2007/2008.
dr Tadej Mateljan
Skup je Konveksan
Skup nije Konveksan
Sl. 2.1.
k.god. 2007/2008.
dr Tadej Mateljan
2.2. Konveksno programiranje Za funkciju f:R**n -> R kaemo da je konveksna na konveksnom skupu C ako vrijedi: f(l x1 + (1-l) x2) <= l f(x1) + (1-l) f(x2) za svako x1, x2 e C i za svako l e [0,1]. Pojednostavljeno reeno, to znai, da su sve take dui, koja spaja bilo koje dvije take funkcije, vie ili jednake od odgovarajuih taaka funkcije f (Sl. 2.2.).
2.2. Konveksno programiranje Za funkciju f:R**n -> R kaemo da je konveksna na konveksnom skupu C ako vrijedi: f(l x1 + (1-l) x2) <= l f(x1) + (1-l) f(x2) za svako x1, x2 e C i za svako l e [0,1]. Pojednostavljeno reeno, to znai, da su sve take dui, koja spaja bilo koje dvije take funkcije, vie ili jednake od odgovarajuih taaka funkcije f (Sl. 2.2.).
Grafik funkcije je ispod grafika sjeice
l f(x1) + (1-l) f(x2)
f(l x1 + (1-l) x2)
x1
Sl. 2.2.
x2
k.god. 2007/2008.
dr Tadej Mateljan
Neki oblici konveksnih funkcija dati su na Sl. 2.3.
Sl. 2.3.
k.god. 2007/2008.
dr Tadej Mateljan
2.2. Konveksno programiranje Za funkciju f:R**n -> R kaemo da je strogo konveksna na konveksnom skupu C ako vrijedi: f(l x1 + (1-l) x2) < l f(x1) + (1-l) f(x2) za svako x1, x2 e C, x1 # x2 i za svako l e (0,1). Sluajevi x1 = x2, l = 0 i l = 1 su iskljueni jer tada vai jednakost.
k.god. 2007/2008.
dr Tadej Mateljan
2.2. Konveksno programiranje Iz predhodnih definicija je jednostavno je zakljuiti da je linearna funkcija koveksna ali da nije strogo konveksna. Takoer, ako je funkcija f konveksna (strogo konveksna), onda je funkcija f konkavna (strogo konkavna). Vrijedi i obrnuto.
k.god. 2007/2008.
dr Tadej Mateljan
2.2. Konveksno programiranje Ako je funkcija f diferencijabilna, konveksnost funkcije se moe definirati na sljedei nain: Fukncija f, diferencijabilna na skupu C, je konveksna ako i samo ako vai: f(x1) (x2 x1) <= f(x2) f(x1) za svako x1, x2 e C. Slino se moe definirati stroga konveksnost. Naime ako u gornjoj relaciji znak <= zamjenimo znakom < dobiemo uvjet za strogu konveksnost funkcije f.
f '(x1) (x2 x1)
f(x2) f(x1)
x1 Sl. 2.4.
x2
k.god. 2007/2008.
dr Tadej Mateljan
2.2. Konveksno programiranje Ustanovljavanje konveksnosti (konkavnosti) funkcije f na osnovu gornjih relacija nije jednostavno. Ako je funkcija f dva puta diferencijabilna tada se konveksnost (konkavnost) moe ustanoviti na osnovu matrice drugih izvoda funkcije f. Naime, ako je nabla**2 f(x) pozitivno (negativno) semidefinitna matrica za svako x e C, tada je f konveksna (konkavna) na C.
2.2. Konveksno programiranje Pozitivnu (negativnu) semidefinitnost je mogue ustanoviti (kod velikih matrica to iziskuje prilino raunanje) ispitivanjem znakova svih minora simetrinih u odnosu na glavnu dijagonalu, to se ovi dovoljni uslovi mogu ustanoviti.
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri Naveemo nekoliko primjera kroz koje emo prikazati osnovne osobenosti zadataka traenja ekstrema uz ogranienja. Zadaci su jednostavni i rijeeni su uglavnom grafiki, koristei geometrijska razmatranja.
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri Primjer 2.1. Nai : Min Z = Min f(x1, x2) = (x1 8)**2 + (x2 6)**2 uz ogranienja g1(x1,x2) = 3 x1 + 6 x2 48 <= 0 g2(x1,x2) = x1 + x2 10 <= 0 g3(x1,x2) = 7 x1 + 2 x2 56 <= 0 x1 >= 0, x2 >= 0
2.3. Primjeri
Rjeenje
Dopustivi prostor, tj. skup moguih rjeenja, formira pet ogranienja nejedaina. Svaka nejednaina dijeli x1,x2 ravan na dva poluprostora od kojih je jedan dopustiv a drugi nedopustiv. Granice dopustivih poluprostora su:
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri
koordinatne ose, zbog pozitivnosti
promjenljivih dopustivi prostor se nalazi u prvom kvadrantu pravac 3 x1 + 6 x2 48 = 0, dopustivi poluprostor je ispod ovog pravca pravac x1 + x2 10 = 0, dopustivi poluprostor je ispod ovog pravca pravac 7 x1 + 2 x2 56 = 0, dopustivi poluprostor je ispod ovog pravca
dr Tadej Mateljan
k.god. 2007/2008.
2.3. Primjeri Presjek ovih dopustivih poluprostora daje dopustivi prostor zadatka. Taj prostor je lik OABCD na Sl. 2.5., gdje je O(0,0), A(8,0), B(7.2,2.8), C(4,6) i D(0,8). Funkcija cilja je rotacioni paraboloid i moemo je prikazati linijama koje predstavljaju njene konstantne vrijednosti nivo linijama. Nivo linije se dobiju kada se funkcija cilja izjednai sa konstantom.
2.3. Primjeri U ovom sluaju dobiemo jednainu kruga oblika: (x1 8)**2 + (x2 6)**2 = C gdje je C proizvoljna konstanta koja moe biti vea ili jednaka nuli (konstanta C ne moe biti manja od nule jer tada gornja relacija ne bi imala realna rjeenja). Dajui konstanti C niz konkretnih vrijednosti dobiemo niz meusobno koncentrinih krugova. Za C = 0 dobiemo taku sa koordinatama x1 = 8 i x2 = 6. Ta taka je ujedno minimum funkcije cilja, tj. bezuvjetni minimum. Vrijednost funkcije cilja u toj taci je dakle jednaka nuli. Iz slike je jasno da ta taka ne zadovaljava ogranienja, a to nije teko pokazati i analitiki, stavljajui vrijednosti koordinata u nejednaine ogranienja (na primjer, 8 + 6 = 14 nije manje ili jednako 10).
2.3. Primjeri Za veu vrijednost konstante C dobiemo krug veeg prenika sa centrom u taci (8,6). To znai da je vrijedost funkcije cilja vea to je krug nivo linije vei tj. to je dalji od take minimuma. Poto je na cilj da neemo minimalnu dopustivu taku, ona e oigledno biti na krugu koji je najblii taki minimuma a ima makar jednu dopustivu taku. To je oigledno krug koji tangira dopustivi prostor i koji je na Sl. 2.1. predstavljen crtkanom linijom.
2.3. Primjeri Ta se taka nalazi na presjeku pravca koji predstavlja granicu ogranienja g2 i pravca koji prolazi kroz centar krunice a okomit je na granicu ogranienja g2. Granica ogranienja g2 je: x1 + x2 10 = 0 to se moe napisati: x2 = - x1 + 10 koeficijent smjera normale je: 1 1 kn = - ---- = - ---- = 1 kg2 -1 pa je jednaina normale koja prolazi kroz taku (8,6): (x2 6) = (x1 8) to daje: x2 = x1 2
2.3. Primjeri Oigledno je da je taka x* taka strogog lokalnog minimuma jer se minimum nalazi samo u jednoj taci. Ujedno, to je taka strogog globalnog minimuma jer su dopustivi prostor i funkcija cilja konveksni.
k.god. 2007/2008.
dr Tadej Mateljan
x1+x2-10=0
10 3x1+6x2-48=0 D 8 C C 6 7x1+2x2-56=0
B B
8A
10
Sl. 2.5.
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri Primjer 2.2. Nai : Min Z = Min f(x1, x2) = (x1 4)**2 + (x2 3)**2 uz ogranienja g1(x1,x2) = 3 x1 + 6 x2 48 <= 0 g2(x1,x2) = x1 + x2 10 <= 0 g3(x1,x2) = 7 x1 + 2 x2 56 <= 0 x1 >= 0, x2 >= 0
2.3. Primjeri
Rjeenje
Dopustivi prostor, tj. skup moguih rjeenja, formira pet ogranienja nejedaina kao i u predhodnom primjeru. Taj prostor je lik OABCD na Sl. 2.2., gdje je O(0,0), A(8,0), B(7.2,2.8), C(4,6) i D(0,8).
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri
Konstantne vrijednosti nivo linije su krugovi oblika: (x1 4)**2 + (x2 3)**2 = C gdje je C proizvoljna konstanta koja moe biti vea ili jednaka nuli. Minimalnu vrijednost funkcije cilja se dobije za vrijednost kostante C = 0. Za C = 0 dobiemo taku sa koordinatama x1 = 4 i x2 = 3. Ta taka je ujedno bezuvjetni minimum funkcije cilja. Vrijednost funkcije cilja u toj taci je dakle jednaka nuli. Iz slike se vidi da ova taka zadovaljava ogranienja, to se moe provjeriti i analitiki, stavljajui vrijednosti koordinata u nejednaine ogranienja (3*4+6*3=40<=48, 4+3=7<=10, 7*4+2*3=34<=56).
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri
Dakle taka x* = (4,3) je optimalno rjeenje a f*=0 je optimalna vrijednost funkcije cilja.
Taka x* taka strogog lokalnog minimuma jer se minimum nalazi samo u jednoj taci. Ujedno, to je taka strogog globalnog minimuma jer je funkcija cilja konveksna.
k.god. 2007/2008.
dr Tadej Mateljan
7x1+2x2-56=0
x1+x2-10=0 10 3x1+6x2-48=0 D D 8
C C 6
4 B 2
A 8A
10
Sl. 2.6.
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri Primjer 2.3. Nai:
Max Z = Max f(x1,x2) = x1 + 4x2

uz ogranienja g1(x1,x2) = (x1-5)**2 x2 1 <= 0 g2(x1,x2) = x1 + x2 10 <= 0 x1 >= 0, x2 >= 0
2.3. Primjeri
Rjeenje
Dopustivi prostor, tj. skup moguih rjeenja, formiraju etiri ogranienja. Svako ogranienje dijeli x1,x2 ravan na dva poluprostora od kojih je jedan dopustiv a drugi nedopustiv. Granice dopustivih poluprostora su: koordinatne ose, zbog pozitivnosti promjenljivih dopustivi prostor se nalazi u prvom kvdrantu pravac x1 + x2 10 = 0, dopustivi poluprostor je ispod ovog pravca parabola (x1-5)**2 x2 1 = 0, dopustivi poluprostor je unutar parabole Presjek ovih dopustivih poluprostora daje dopustivi prostor zadatka. Taj prostor je lik ABCD gdje je A(4,0), B(4,0), C(7,3) i D(2,8).
D x1+4x2=34
x1+4x2=4
x1+4x2=0 Sl. 2.7.
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri Funkciju cilja moemo prikazati linijama koje predstavljaju njene konstantne vrijednosti nivo linijama. Nivo linija se dobiju kada se funkcija cilja izjednai sa konstantom. U ovom sluaju dobiemo jednainu pravca: x1 + 4x2 = C gdje je C prizvoljno izabrana konstanta. Dajui konstanti C niz konkretnih vrijednosti dobiemo niz meusobno paralelnih pravaca. Neki e od tih pravaca mimoilaziti dopustivi prostor, neki e ga sjei, a neki e ga tangirati.
2.3. Primjeri Poto je funkcija cilja linearna, poveavanje konstante C e davati pravce koji e se pomjerati u istom smjeru, okomito na same pravce. Zadatak pronai dopustivu taku u kojoj funkcija cilja ima najveu vrijednost. Zato se poveava konstanta C to e imati za posljedicu pomjeranje pravaca preko dopustivog prostora, sve dok ne dobijemo pravac ije bi dalje pomjeranje dovelo do naputanja dopustivog prostora.
2.3. Primjeri
U naem primjeru to je pravac koji tangira dopustivi prostor u taci D. Jednaina tog pravca je x1 + 4x2 = 34. To znai da je taka D(2,8) taka u kojoj funkcija cilja ima maksimum i da je vrijednost tog maksimuma jednaka 34. Dakle: x* = (2,8) i f* = 34 Oigledno je da je taka x* taka strogog globalnog maksimuma jer je dopustivi prostor konveksan skup, a funkcija cilja je konkavna (linearna funkcija je i konveksna i konkavna).
2.3. Primjeri Primjer 2.4.
Posmatraemo zadatak slian predhodnom s tim to emo u ogranienju g1 promijeniti predznake. Treba, dakle, nai:
Max Z = Max f(x1,x2) = x1 + 4x2
uz ogranienja g1(x1,x2) = -(x1-5)**2 + x2 + 1 <= 0 g2(x1,x2) = x1 + x2 10 <= 0 x1 >= 0, x2 >= 0
2.3. Primjeri
Rjeenje
Granice dopustivih poluprostora su sada: koordinatne ose, zbog pozitivnosti promjenljivih dopustivi prostor se nalazi u prvom kvdrantu pravac x1 + x2 10 = 0, dopustivi poluprostor je ispod ovog pravca parabola (x1-5)**2 x2 1 = 0, dopustivi poluprostor je izvan parabole Presjek ovih dopustivih poluprostora daje dopustivi prostor zadatka. Taj prostor se sastoji iz dva dijela: lika OADG gdje je O(0,0), A(4,0), D(2,8) i G(0,10) i lika BFC gdje je B(4,0), F(10,0) i C(7,3) .
G
D x1+4x2=40
C x1+4x2=19
F O A B x1+4x2=4
x1+4x2=0 Sl. 2.8.
k.god. 2007/2008.
dr Tadej Mateljan
2.3. Primjeri Ako se ponovi postupak pomjeranja nivo linija funkcije cilja poveavajui vrijednost konstante C, vidjee se da e posljednja dopustiva taka biti taka F(0,10). Jednaina pravca koji prolazi kroz taku F je x1 + 4x2 = 40. To znai da je taka F(0,10) taka u kojoj funkcija cilja ima maksimum i da je vrijednost tog maksimuma jednaka 40.
2.3. Primjeri Dakle, sada je: x* = (0,10) i f* = 40
Taka F(0,10) predstavlja lokalni strogi maksimum ali, poto dopustivi prostor nije konveksan, on ne mora biti i globalni. Ova funkcija cilja ima jo jedan strogi lokalni maksimum koji se nalazi u taci C(7,3). U toj taci funkija cilja ima vrijednost f* = 19.
3. LITERATURA
1.
Brontejn I.N. i dr., Matematiki prirunik, Golden marketingTehnika knjiga, Zagreb, 2004. 2. Carter M.W., Price C.C., Operations Research A Practical Introduction, CRC Press, 2001. 3. Chandrasekhara Rao K., Operations Research, Alpha Science International Ltd., 2005. 4. Cvjetianin D., Operaciona istraivanja, Ekonomski fakultet, Beograd, 1992. 5. upi M.: Uvod u teoriju odluivanja, Nauna knjiga, Beograd, 1987. 6. Hillier F.S., Lieberman G.J., Introduction to Operations Research, McGrow-Hill, New York, 2005. 7. Krevinac S. i dr., Operaciona istraivanja, Fakultet organizacionih nauka, Beograd, 2004. 8. Nerali L., Uvod u matematiko programiranje 1, Element, Zagreb, 2003. 9. Petri J., Operaciona istraivanja, Knjiga prva, Savremena administracija, Beograd, 1983. 10. Petri J.: Operaciona istraivanja, Nauka, Beograd, 1997.

Uvod U Osnove Operacionih Istrazivanja

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Uvod U Osnove Operacionih Istrazivanja

Uploaded by

Copyright:

Available Formats

OSNOVE OPERACIONIH ISTRAIVANJA

1. OPERACIONA ISTRAIVANJA PROBLEMI PROGRAMIRANJA

1. O OPERACIONIM ISTRAIVANJIMA 1. UVOD

OI su skup metoda, koje imaju za cilj

Kao i u ratnim operacijama, tako se i u mnogim

Jedna od definicija, koja dosta dobro odreuje sadraj OI, je sljedea:

Dio naziva istraivanja znai da OI koriste

U najveem broju primjena, metode OI imaju za cilj

Razvoj informacionih tehnologija (IT) je dao

Usredsreenost na probleme upravljanja u

Uveanje znanja i usvravanje tehnologija

U rjeavanju zadataka OI, od samog poetka,

Zajedniki rad strunjaka razliitih oblasti imao

mogao da bude njegova zamjena o dovoljno jednostavan da bi mogao biti rjeiv

uproenja i zanemarenja, koja se ine pri

Moraju biti precizno definirati ciljevi korisnika

Drugi podzadatak je utvrivanje granice problema

Trei podzadatak je izbor kriterija na osnovu kojeg

Pojam "model" se najee intuitivno prihvata

PETRI i dr.: "modeli su veoma iroko korieno

model mora biti to jednostavniji (to jednostavniji

Dobro formuliran problem relativno je lako

ogranienja koja moraju biti zadovoljena

Formalna matematika struktura za izbor najboljih rjeenja sadri:

skup promjenljivih i skup parametara

model sistem matematikih relacija koje povezuju

IZLAZ rezultati koji su ciljevi

ULAZ van kontrole upravljanja

IZLAZ rezultati koji nisu ciljevi

ULAZ van kontrole upravljanja c1,a11,b1

IZLAZ rezultati koji nisu ciljevi N

Za rjeavanje matematikih modela OI se mogu koristiti:

Metode analitikog rjeavanja Metode numerikog rjeavanja Metode simulacije

gdje je podintegralna funkcija f(x) = x

0.6 Sl. 1.3.

krajnosti (ekstrema), dovoljno dobro je umjetnost izvodljivog.

Svaki lokalni ekstrem na M (dopustivi

Skup nije Konveksan

Grafik funkcije je ispod grafika sjeice

l f(x1) + (1-l) f(x2)

f(l x1 + (1-l) x2)

f '(x1) (x2 x1)

koordinatne ose, zbog pozitivnosti

Max Z = Max f(x1,x2) = x1 + 4x2

x1+4x2=0 Sl. 2.7.

x1+4x2=0 Sl. 2.8.

You might also like