1

Prof.dr.sc. Ljiljana Lovri

Ekonomski fakultet Rijeka



Preddiplomski studij


P R E D A V A N J A


METODE I MODELI ZA DONOENJE OPTIMALNIH
POSLOVNIH ODLUKA















Rijeka, rujan 2008.
2
S A D R A J
1. LINEARNO PROGRAMIRANJE
2. MATEMATIKI MODEL
Standardni problem maksimuma
Kanonski problem
Problem proizvodnje
3. RJEAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Grafiko rjeenje
Grafiki prikaz ogranienja i funkcije cilja
Nalaenje ekstremnih toaka algebarskim putem
Dualitet u linearnom programiranju
Standardni problem minimuma
Problem prehrane
4. SIMPLEKS METODA
Simpleks metoda - standardni problem maksimuma
Charnesova M metoda standardni problem minimuma, opi problem
minimuma
5. PROBLEM TRANSPORTA
Matematiki model
6. RJEAVANJE PROBLEMA TRANSPORTA
Postavljanje poetnog bazinog rjeenja
Metoda sjeverozapadnog kuta
Nalaenje optimalnog rjeenja
MODI metoda
7. PROBLEM ASIGNACIJE
Matematiki model
Maarska metoda




3
LINEARNO PROGRAMIRANJE


Linearno programiranje(LP) je matematika metoda za maksimiziranje ili
minimiziranje linearne funkcije cilja(kriterija) s ogranienjima u obliku linearnih
nejednadbi odnosno jednadbi, te s ogranienjem nenegativnosti za varijable.

S obzirom na vrstu ogranienja razlikujemo slijedee oblike problema LP:
- Standardni oblik problema maksimuma ogranienja u obliku
- Standardni oblik problema minimuma ogranienja u obliku
- Kanonski oblik problema maksimuma(ili minimuma) ogranienja su jednadbe
- Opi oblik problema maksimuma (ili minimuma) ogranienja u obliku , ,=


MATEMATIKI MODEL

Standardni problem maksimuma

Maksimizirati funkciju cilja:

Max z = c
1
x
1
+c
2
x
2
+.....+c
n
x
n
(1)

uz ogranienja:

a
11
x
1
+a
12
x
2
+ ...+a
1n
x
n
b
1
(2)
a
21
x
1
+a
22
x
2
+ ...+a
2n
x
n
b
2

a
m1
x
1
+a
m2
x
2
+ ...+a
mn
x
n
b
m

uvjet nenegativnosti:

x
1
, x
2
, ..x
n
0 (3)




Model moemo pisati u saetom obliku:


4

= == =
= == =
n
1 j
j j
x c Maxz
(4)

= == =

n
1 j
i j ij
b x a , i=1,2..m (5)

x
j
0 (6)


gdje je:
c
j
= koeficijent funkcije cilja j-te varijable, j=1,2..n;
x
j
= strukturna varijabla, j=1,2..n;
b
i
= koliina i-tog ogranienja; koeficijent na desnoj strani nejednadbe, i=1,2..m;
a
ij
= koliina i-tog ogranienja potrebnog za jedinicu j-te varijable; koeficijent uz
varijablu u ogranienju, i=1,2..m , j=1,2..n;


Model napisan u matrinom obliku:


| || | | || |
( (( (
( (( (
( (( (
( (( (

( (( (






= == =
n
2
1
n 2 1
x
x
x
c ... c c Maxz
M
(7)


( (( (
( (( (
( (( (
( (( (

( (( (







( (( (
( (( (
( (( (
( (( (

( (( (







( (( (
( (( (
( (( (
( (( (

( (( (






m
2
1
n
2
1
mn 2 m 1 m
n 2 22 21
n 1 12 11
b
b
b
x
x
x
a a a
a a a
a a a
M M
L
M M M M
L
L
(8)


( (( (
( (( (
( (( (
( (( (

( (( (







( (( (
( (( (
( (( (
( (( (

( (( (






0
0
0
x
x
x
n
2
1
M M
(9)

5


Uvedemo li oznake,

( (( (
( (( (
( (( (
( (( (

( (( (






= == =
n
2
1
c
c
c
c
M
,
( (( (
( (( (
( (( (
( (( (

( (( (






= == =
n
2
1
x
x
x
x
M
,
( (( (
( (( (
( (( (
( (( (

( (( (






= == =
mn 2 m 1 m
n 2 22 21
n 1 12 11
a a a
a a a
a a a
A
L
M M M M
L
L
,
( (( (
( (( (
( (( (
( (( (

( (( (






= == =
m
2
1
b
b
b
b
M
,

gdje je c vektor koeficijenata funkcije cilja, x vektor nepoznanica i to strukturnih varijabli,
A matrica koeficijenata i to strukturnih, te b vektor slobodnih lanova.

Model (1)-(3) u matrinom obliku moemo napisati simboliki :

Max z = c'x (10)
A x b (11)
x 0 (12)

Vektor x koji zadovoljava ogranienje (11) predstavlja rjeenje problema.
Vektor x koji zadovoljava ogranienje (11) i (12) predstavlja mogue rjeenje
problema.
Vektor x koji zadovoljava ogranienje (10),(11) i (12) predstavlja optimalno rjeenje
problema.

Kanonski problem

Problem maksimuma u kanonskom obliku i matrinoj notaciji:

Max z = c'x (13)
A x = b (14)
x 0 (15)


Kanonski problem karakteriziraju ogranienja u obliku jednadbi. Iz standardnog oblika
moemo prijei u kanonski pomou dopunskih varijabli. Dopunske varijable se ukljuuju
u ogranienja (11) i tako od nejednadbi dobivamo jednadbe. Vektor nepoznanica se
sada sastoji od strukturnih i dopunskih varijabli.
6

Standardni problem linearnog programiranja i njegov kanonski oblik su ekvivalentni, tj.
svako rjeenje jednog od tih problema ujedno je rjeenje i drugog.

Dopunske varijable u funkciji cilja imaju koeficijent jednak nuli, to znai da one nita ne
pridodaju vrijednosti nekog programa.

Standardni problem maksimuma (1) - (3) napisan u kanonskom obliku glasi:

Max z = c
1
x
1
+c
2
x
2
+.....+c
n
x
n
+

0x
n+1
+ 0x
n+2
+ ...+

0x
n+m
(16)


a
11
x
1
+a
12
x
2
+ ...+a
1n
x
n
+ x
n+1
= b
1
(17)
a
21
x
1
+a
22
x
2
+ ...+a
2n
x
n
+ x
n+2
= b
2


. .. .....
a
m1
x
1
+a
m2
x
2
+ ...+a
mn
x
n
+ x
n+m
= b
m


x
1
, x
2
, ..x
n+m
0 (18)


Problem proizvodnje

Cilj: Sastaviti proizvodni program tako da ne prekoraimo raspoloivu koliinu resursa
potrebnih za proizvodnju i da maksimiziramo ukupno postignute rezultate s
obzirom na postavljeni kriterij.

Pretpostavimo da je postavljeni kriterij postizanje im veeg profita. Uvodimo oznake:
P
j
proizvod vrste j (j=1,2,...n);
R
i
resurs vrste i (i=1,2,...m);
c
j
profit po jedinici proizvoda j (j=1,2,...n);
x
j
koliina proizvoda vrste j (j=1,2, ...n)
a
ij
utroak resursa i po jedinici proizvoda j (i=1,2,...m; j=1,2,...n);
b
i
raspoloiva koliina resursa i (i=1,2,...m).
z ukupni profit
7
Podatke emo predstaviti u tablici:

Tablica 1. Opi podaci za problem proizvodnje
Proizvod
jed.profit
Resurs
P
1

c
1
P
2

c
2


...
P
n

c
n

Raspoloiva
kol.resursa
R
1
a
11
a
12
a
1n
b
1
R
2
a
21
a
22
a
2n
b
2


R
m
a
m1
a
m2
a
mn
b
m


Matematiki model:
Funkcija cilja maksimizira ukupni profit z:
Max z = c
1
x
1
+c
2
x
2
+.....+c
n
x
n
(19)

uz ogranienja raspoloivih resursa:

a
11
x
1
+a
12
x
2
+ ...+a
1n
x
n
b
1
(20)
a
21
x
1
+a
22
x
2
+ ...+a
2n
x
n
b
2

a
m1
x
1
+a
m2
x
2
+ ...+a
mn
x
n
b
m

uvjet nenegativnosti:

x
1
, x
2
, ..x
n
0 (21)


Optimalni rezultat e dati odgovor kakva e biti struktura proizvodnje (kolika je
proizvodnja pojedine vrste proizvoda), koliki je maksimalni ukupni profit, te kolika je
iskoritenost pojedine vrste resursa.

Opi problem proizvodnje ovako definiran je pojednostavljen. U programu mogu biti
ukljuena dodatna ogranienja vezana uz tehnoloki proces proizvodnje, zatim plasman
na trite i slino. Pretpostavka je da se ne radi o viefaznoj proizvodnji.

Postavljeni cilj u programu moe biti jo npr. maksimizacija iskoritenosti kapaciteta
strojeva, minimizacija ukupnih trokova, itd.

8
RJEAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA

Rjeenje problema linearnog programiranja moemo dobiti
- grafiki za probleme s najvie dvije strukturne varijable
( koordinatni sustav x
1
0x
2
)
1

- algebarski pomou simpleks metode


Grafiko rjeenje

Primjer 1

Poduzee proizvodi dva proizvoda P
1
i P
2
. Svaki proizvod se obrauje na dva stroja S
1
i
S
2
. Potrebno vrijeme obrade na strojevima za svaki proizvod i raspoloivi kapacitet
strojeva (u satima)i profit (u kunama) po komadu proizvoda pojedine vrste iznose:

Proizvod
Stroj
P
1
P
2
Kapacitet
strojeva
(sati)
S
1
S
2
1 1
2 1
200
300
Profit 40 60
Na tritu se moe prodati najvie 150 komada proizvoda P
2
!

Potrebno je odrediti optimalan plan proizvodnje, tj. koliinu x
1
proizvoda P
1
, te koliinu
x
2
proizvoda P
2
koje je potrebno proizvesti koristei raspoloivi kapacitet strojeva i
mogui plasman na tritu, za koje e ukupni profit biti maksimalan.






1
odnosno tri strukturne varijable ( prostorni koordinatni sustav x
1
0x
2
0x
3
)
9
Matematiki model:

Max z = 40x
1
+ 60x
2
(22)
x
1
+ x
2
200 (23)
2x
1
+ x
2
300
x
2
150
x
1
, x
2
0 (24)

Radi se o standardnom problemu maksimuma (ogranienja(23) u obliku ), sa dvije
strukturne varijable i tri ogranienja( kapacitet strojeva i mogunost prodaje proizvoda).

Koraci rjeavanja grafike metode jesu:
- nacrtati ogranienja;
- odrediti skup moguih rjeenja;
- odrediti poloaj funkcije cilja
2

- odrediti optimalno rjeenje, pomicanjem pravca koji predstavlja funkciju cilja
paralelno u smjeru optimizacije
3
do zadnje toke skupa moguih rjeenja.

Osnovni teoremi LP
Ako problem LP ima optimalna rjeenja, tada se najmanje jedno od tih rjeenja
nalazi u ekstremnoj toki skupa moguih rjeenja.
Problem LP s ogranienim, nepraznim skupom moguih rjeenja uvijek ima
optimalno rjeenje.






2
umjesto crtanja funkcije cilja, optimum se moe odrediti izraunavanjem vrijednosti funkcije cilja za
pojedini vrh skupa moguih rjeenja te utvrivanjem za koji od njih je vrijednost z funkcije cilja
maksimalna.
3
kod traenja maksimuma pravac pomiemo u smjeru od ishodia koordinatnog sustava, a kod traenja
minimuma pravac pomiemo u smjeru prema ishoditu koordinatnog sustava.
10
Grafiki prikaz ogranienja skupa moguih rjeenja te funkcije cilja

Ogranienje (24) nenegativnosti:
- predstavlja skup toaka prvog kvadranta koordinatne ravnine x
1
0x
2
s ishoditem i
pozitivnim dijelovima koordinatnih osi.


Ogranienja (23):
- odredi se skup toaka koje zadovoljavaju pojedino ogranienje (oznake = i <) ,

Zatim se nae presjek tih skupova toaka.

Skup moguih rjeenja predstavlja presjek skupova toaka koje zadovoljavaju
ogranienje(22) i (24). Ovdje je to peterokut tj ima pet vrhova (ekstremnih toaka).
Ovaj skup je konveksan, zatvoren i ogranien i zovemo ga konveksni politop.

11
unutarnje toke
granine toke
toke
ekstremna toka


Pojmovi
4
:
Konveksni skup skup koji za odabrane bilo koje dvije toke sadri i spojnicu meu
njima
Vrste toaka ekstremne, granine i unutarnje toke.







Crtanje funkcije cilja:
Prema osnovnom teoremu , najvea vrijednost funkcije cilja bit e u nekom od vrhova
skupa moguih rjeenja.

Najvea vrijednost funkcije cilja z je u vrhu D. optimalno rjeenje je x
1
= 50, x
2
= 150, z=
11000.


4
vie o tome vidjeti npr. Nerali L. , str.200
12
vrh koordinate
vrha
z
A
B
C
D
E
(0,0)
(150,0)
(100,100)
(50,150)
(0,150)
0
6000
10000
11000
9000

Zbog ega je optimalno rjeenje u nekom od vrhova skupa moguih rjeenja?
Uzmemo li jednu od toaka npr. T (50,50), vrijednost funkcije cilja e za tu toku iznositi
z= 4050 + 6050 = 5000. Jednadba funkcije cilja kroz tu toku je 5000=40x
1
+ 60x
2
.
Ako izaberemo T
1
(50,100), vrijednost funkcije cilja e biti z= 4050 + 60100 = 7000, a
jednadba kroz tu toku je 7000=40x
1
+ 60x
2
. Dakle, jednadba z = 40x
1
+ 60x
2
,
predstavlja skup pravaca s istim nagibom.


Slika1. Grafiko rjeenje

13
Pomicanjem pravca funkcije cilja paralelno preko skupa moguih rjeenja, im dalje od
ishodita, do zadnje toke koju dodiruje u skupu moguih rjeenja, nalazimo optimalno
rjeenje u toki D (50,150), tj. x
1
=50, x
2
=150, a optimalna vrijednost funkcije cilja z=
11000.

Interpretacija optimalnog rjeenja:
Optimalni proizvodni program:
x
1
= 50 komada proizvoda P
1
x
2
= 150 komada proizvoda P
2
maksimalni profit z=11000 kn.

Ako bi se radilo o nekoj drugoj funkciji cilja, optimalno rjeenje bi moglo biti u nekom
drugom vrhu, a ako jednadba funkcije cilja ima nagib kao neki od pravaca ogranienja,
tada se optimalno rjeenje nalazi u dva vrha i svim tokama na duini koja ih povezuje.


Nalaenje ekstremnih toaka algebarskim putem

Kod traenja rjeenja algebarskim putem, potreban nam je model u kanonskoj formi.

Kanonska forma modela:
Svakom ogranienju na lijevoj strani dodajemo po jednu nepoznanicu kako bismo dobili
sustav jednadbi. To su dopunske varijable (varijable manjka). One u funkciji cilja imaju
koeficijent 0 jer ne pridonose vrijednosti z.

Max z = 40x
1
+ 60x
2
+ 0 x
3
+ 0x
4
+ 0 x
5
(25)
x
1
+ x
2
+ x
3
=200 (26)
2x
1
+ x
2
+ x
4
= 300
x
2
+ x
5
= 150
x
1
, x
2
, x
3
, x
4
, x
5
0 (27)

14
Da bismo nali rjeenje potrebno je rijeiti sustav od tri jednadbe (relacije pod (26) ) i
nai ono rjeenje koje zadovoljava uvjet nenegativnosti i daje funkciji cilja maksimalnu
vrijednost. Taj sustav jednadbi ima manje jednadbi nego nepoznanica i zbog toga
nema jedinstveno rjeenje.

Sustav napisan simboliki i u matrinom obliku:

A x = b

(
(
(

(
(
(
(
(
(
(
(

(
(
(

150
300
200
1 0 0 1 0
0 1 0 1 2
0 0 1 1 1
5
4
3
2
1
=
x
x
x
x
x


Moe se napisati i ovako:

(
(
(

=
(
(
(

+
(
(
(

+
(
(
(

+
(
(
(

+
(
(
(

150
300
200
1
0
0
0
1
0
0
0
1
1
1
1
0
2
1
5 4 3 2 1
x x x x x


ili krae:
A
1
x
1
+ A
2
x
2
+ A
3
x
3
+ A
4
x
4
+ A
5
x
5
= b

Ukupno imamo 5 varijabli, 2 strukturne (x
1
, x
2
) i 3 dodatne (x
3
, x
4
, x
5
). Za svaki vrh
znamo vrijednost strukturnih varijabli, a sada bi trebali odrediti jo vrijednost dodatnih
varijabli.



15
Toka A(0,0)
x
1
=0, x
2
=0 , x
3
=?, x
4
=?, x
5
=?
(
(
(

=
(
(
(

+
(
(
(

+
(
(
(

+
(
(
(

+
(
(
(

150
300
200
1
0
0
0
1
0
0
0
1
0
1
1
1
0
0
2
1
5 4 3
x x x


Prva dva produkta su jednaka nuli (jer su vrijednosti varijabli jednake nuli). Sustav sad
moemo pisati :
(
(
(

=
(
(
(

(
(
(

150
300
200
1 0 0
0 1 0
0 0 1
5
4
3
x
x
x


U matrici A smo izbrisali 1. i 2. stupac, a u vektoru nepoznanica izbacili varijable x
1
i x
2
.
Iz proirene matrice sustava itamo odmah rjeenje jer je matrica koeficijenata
jedinina.

(
(
(

150 1 0 0
300 0 1 0
200 0 0 1
x
3
=200, x
4
=300 , x
5
=150 .

Toka B(150,0)
Briemo 2. i 4. stupac u matrici A izbacimo varijable x
2
i x
4
, pa rijeimo sustav:

(
(
(

(
(
(

(
(
(

150 1 0 0
50 0 1 0
150 0 0 1
150 1 0 0
100 0 2 0
200 0 1 1
150 1 0 0
300 0 0 2
200 0 1 1
L


x
1
=150, x
3
=50 , x
5
=150 .

Rjeenja za sve vrhove su u tablici:
16
vrh prostor (x
1
, x
2
) prostor (x
1
, x
2
, x
3
, x
4
, x
5
)
A
B
C
D
E
(0,0)
(150,0)
(100,100)
(50,150)
(0,150)
(0,0,200,300,150)
(150,0,50,0,150)
(100,100,0,0,50)
(50,150,0,50,0)
(0,150,50,150,0)

Zajedniko svojstvo toaka A,B,C,D,E:
- 3 od 5 varijabli je razliito od nule(3 zato jer su 3 ogranienja u ovom problemu LP).

Zbog toga:
sustav od 3 jednadbe i 5 nepoznanica sustav od 3 jednadbe i 3 nepoznanice;
matrica koeficijenata sustava A
35


matrica koeficijenata sustava A
33
;
sustav s mnogo rjeenja sustav s jednim rjeenjem*.

Karakteristike sustava*:
Vektori matrice A
33
ine bazu.
Rjeenje sustava zovemo bazino rjeenje
5
.
Ukljuenjem uvjeta nenegativnosti varijabli dobivamo bazino mogue rjeenje
problema LP.

Bazino mogue rjeenje je ekstremna toka skupa moguih rjeenja.
Meu ekstremnim tokama nalazimo optimalno rjeenje.
Optimalno rjeenje je toka D. U prostoru (x
1
, x
2
, x
3
, x
4
, x
5
) nalazimo vrijednost
dodatnih varijabli. Samo x
4
je razliita od 0. To znai da je kapacitet strojeva S
2

neiskoriten i to 50 sati. S
1
grupa strojeva je potpuno iskoritena kao i plasman na
tritu.


5
Bazino rjeenje sustava od m jednadbi i n nepoznanica je ono rjeenje kod kojeg m varijabli ima
vrijednost razliitu od nule, a preostalih (n-m) varijabli vrijednost jednaku nuli.
17
Ekstremne toke skupa moguih rjeenja i optimalno rjeenje se pronalaze simpleks
metodom. Svaka iteracija simpleks metode sadri po jedno bazino rjeenje.


Dualitet u linearnom programiranju

Standardnom problemu maksimuma (primal) pridruen je standardni problem
minimuma (dual).Veza je najbolje uoljiva iz matrinog oblika LP:

Primal: Dual:

Max z= c'x Min w= b'y
Ax b A'y c
x 0 y 0

Oznait emo sa x* optimalno rjeenje primala, a sa y* optimalno rjeenje duala.

Teorem dualiteta (fundamentalni):

Ako postoji optimalno rjeenje primala (x*), tada postoji i optimalno rjeenje duala (y*) i
optimalne vrijednosti funkcije cilja primala i duala su jednake (z*= w*)
Ako jedno od tih optimalnih rjeenje ne postoji, tada nema ni optimalnog rjeenja njemu
pridruenog dualnog programa. Za primjer proizvodnje :

Primal Dual

Max z = 40x
1
+ 60x
2

x
1
+ x
2
200
2x
1
+ x
2
300
x
2
150
x
1
, x
2
0

Min w = 200y
1
+ 300y
2
+150y
3
y
1
+ 2y
2
40
y
1
+ y
2
+ y
3
60
y
1
, y
2
, y
3
0
18
ili:


| || | | || |
( (( (

( (( (



= == =
2
1
x
x
60 40 Maxz
( (( (
( (( (
( (( (

( (( (






( (( (

( (( (




( (( (
( (( (
( (( (

( (( (





150
300
200
x
x
1 0
1 2
1 1
2
1


( (( (

( (( (




( (( (

( (( (



0
0
x
x
2
1



| || | | || |
( (( (
( (( (
( (( (

( (( (





= == =
3
2
1
y
y
y
150 300 200 Minw
( (( (

( (( (




( (( (
( (( (
( (( (

( (( (






( (( (

( (( (



60
40
y
y
y
1 1 1
0 2 1
3
2
1

( (( (
( (( (
( (( (

( (( (






( (( (
( (( (
( (( (

( (( (





0
0
0
y
y
y
3
2
1

Optimalno rjeenje:

x
1
= 50, x
2
= 150 y
1
= 40, y
2
= 0 , y
3
= 20
z= 11000 w= 11000

z= w


Standardni problem minimuma
Matematiki model problema minimuma ( standardni oblik):

Min w = c
1
x
1
+c
2
x
2
+.....+c
n
x
n
(28)

a
11
x
1
+a
12
x
2
+ ...+a
1n
x
n
b
1
(29)
a
21
x
1
+a
22
x
2
+ ...+a
2n
x
n
b
2

a
m1
x
1
+a
m2
x
2
+ ...+a
mn
x
n
b
m

x
1
, x
2
, ..x
n
0 (30)
19

U matrinom obliku moemo napisati simboliki :
Min w = c'x (31)
A x b (32)
x 0 (33)

Primjena Problem prehrane

Cilj: Sastaviti prehrambeni program tako da svaka hranjiva komponenta bude
zastupljena bar u minimalnoj koliini i prehrambeni program bude najjeftiniji.

Ovaj problem je prvi put postavio G.J.Stigler
6
1945.godine. Obuhvaao je 77 namirnica i
9 hranjivih elemenata.

Uvodimo oznake:
N
j
namirnica vrste j (j=1,2,...n);
H
i
hranjivi sastojak vrste i (i=1,2,..m);
c
j
jedinina cijena namirnice j (j=1,2,...n);
x
j
koliina namirnice vrste j (j=1,2, ...n)
a
ij
koliina hranjivog sastojka vrste i u jedinici namirnice vrste j (i=1,2,...m; j=1,2,...n);
b
i
minimalna koliina hranjivog sastojka vrste i (i=1,2,...m) koji se zahtijeva u
prehrambenom programu;
w cijena prehrambenog programa.

Podatke emo predstaviti u tablici:






6
Marti, Lj.: Matematike metode za ekonomske analize II, Narodne novine Zagreb, 1966., str.90.
20

Tablica 2. Opi podaci za problem prehrane
Namirnica
jed.cijena
Hranjivi
sastojak
N
1

c
1
N
2

c
2


...
N
n

c
n

Minimalna
koliina
hranjivog
sastojka
H
1
a
11
a
12
a
1n
b
1
H
2
a
21
a
22
a
2n
b
2


H
m
a
m1
a
m2
a
mn
b
m


Matematiki model:
Funkcija cilja minimizira trokove w prehrambenog programa :
Min w = c
1
x
1
+c
2
x
2
+.....+c
n
x
n
(34)

uz ogranienja vezana uz zastupljenost bar minimalnih koliina hranjivih sastojaka :

a
11
x
1
+a
12
x
2
+ ...+a
1n
x
n
b
1
(35)
a
21
x
1
+a
22
x
2
+ ...+a
2n
x
n
b
2

a
m1
x
1
+a
m2
x
2
+ ...+a
mn
x
n
b
m

uvjet nenegativnosti:

x
1
, x
2
, ..x
n
0 (36)


Optimalni rezultat e dati odgovor od kojih namirnica e se sastojati obrok, koliki su
minimalni trokovi, te kolika je zastupljenost pojedine vrste hranjivog elementa.

Rjeenje problema LP moemo dobiti
- grafiki za probleme s najvie dvije strukturne varijable ( koordinatni sustav
x
1
0x
2
)
7

- algebarski pomou simpleks metode (npr. Charnesove M metoda; originalna
simpleks metoda primijenjena na dual ovog problema)



7
odnosno tri strukturne varijable ( prostorni koordinatni sustav x
1
0x
2
0x
3
)
21
Primjer
Tvornica hrane za pse u pripremi gotove hrane koristi 2 namirnice, itarice i meso.
itarice sadre masnoa 1 g/kg i bjelanevina1g/kg . Meso sadri masnoa 2g/kg i
bjelanevina 4g/kg. Cijena za 1 kg itarica je 6 kn, a mesa 21 kn. Pakiranje gotove
hrane mora sadravati bar 30 g masnoa i bar 40 g bjelanevina. Treba odrediti koliinu
jedne i druge namirnice koju pakiranje mora sadravati, a da pri tom budu zadovoljeni
nutricijski zahtjevi i cijena bude minimalna.

Prikazat emo podatke u tablici:
Hranjivi sastojci g/kg
Namirnica masnoe bjelanevine
Cijena u kn
za 1kg
itarice
Meso

1 1
2 4
6
21
min.kol. (g) sastojka
u pakiranju
30 40


Matematiki model:

Min w = 6x
1
+ 21x
2
(37)
x
1
+ 2x
2
30 (38)
x
1
+ 4x
2
40
x
1
, x
2
0 (39)

Radi se o standardnom problemu minimuma (ogranienja(38) u obliku ), sa dvije
strukturne varijable i dva ogranienja(minimalni nutricijski zahtjevi za masnoe i
bjelanevine).

Optimalno rjeenje dobiveno grafikim putem je prikazano na slici 2.




22


Slika 2. Grafiko rjeenje


Interpretacija rjeenja:

Pakiranje e sadravati 20 kg itarica i 5 kg mesa. Cijena pakiranja je 225 kn.
23
SIMPLEKS METODA
(standardni problem maksimuma)

Simpleks metoda je algebarski postupak za nalaenje mogueg bazinog rjeenja
sustava jednadbi matrinim putem, a pri tom svako dobiveno rjeenje ispituje jesmo
li nali bazino rjeenje koje funkciji cilja daje maksimalnu vrijednost, odnosno moe
li se vrijednost z poveati prijelazom na slijedee bazino rjeenje. Geometrijski
gledano, simpleks metoda kree od ishodita i dalje od vrha do vrha po skupu
moguih rjeenja, poveavajui vrijednost funkcije cilja dok ne doe do optimalnog
rjeenja. Poetno bazino rjeenje je ono koje je poznato, tj. ono kod kojeg su
strukturne varijable jednake nuli (nebazine), a dodatne varijable su bazine (razliite
od nule). To je ishodite koordinatnog sustava. Slijedee bazino rjeenje nalazimo
elementarnom transformacijom poetne baze, tako da se jedan od vektora poetne
baze zamijeni jednim od preostalih vektora matrice A, a koji nisu u bazi. Ta zamjena
se odvija prema definiranim kriterijima za odabir vektora koji e ui u bazu, te onog
koji e izai iz baze. Transformacija baze tj. nalaenje novih bazinih rjeenja se
obavlja sve dok postoji mogunost poveanja vrijednosti funkcije cilja z. Primjenom
kriterija omogueno je da se doe do optimalnog rjeenja efikasno, tj. bez da se
nalazi i ispituje sva mogua bazina rjeenja sustava.

Simpleks procedura se moe definirati pomou tri osnovne karakteristike:
- nalaenje barem jednog mogueg rjeenja;
- provjeravanje je li naeno mogue rjeenje optimalno;
- nalaenje novog mogueg rjeenja koje je blie optimalnom.

Simpleks metoda za rjeavanje standardnog problema maksimuma zove se jo i
Dantzigova simpleks procedura ili jednofazna.

Simpleks postupak je obrazloen na primjeru proizvodnje (primjer 1). Kanonski oblik
problema (relacije (22),(23),(24)) u simbolikoj matrinoj notaciji je:




24
Max z = c'x
A x = b
x 0

Oznake u simpleks tablici:
BAZA u poetnoj tablici stupci matrice A koji odgovaraju dodatnim varijablama
x
3
, x
4
i x
5
.
c - koeficijenti u funkciji cilja
b stupac slobodnih lanova u sustavu jednadbi
A
1
, A
2
, A
3
, A
4
, A
5
stupci matrice koeficijenata A
z
j
-c
j
= neto doprinos vrijednosti funkcije cilja pri ukljuivanju 1 jedinice varijable x
j

u rjeenje.
c
j -
vrijednosti retka c na vrhu tablice.
z
j
- rauna se za svaki stupac j kao umnoak elemenata stupca j s pripadnim
vrijednostima u stupcu c (koeficijenti koji su pridrueni bazinim varijablama) i
zbrajanjem tih umnoaka.
z vrijednost funkcije cilja za pojedino bazino rjeenje nalazi se u stupcu b.

Tablica 1. Kriteriji za utvrivanje optimalnosti i za transformaciju baze
vrijednosti (z
j
-c
j
) test omjer
ulaz vektora
(kljuni stupac)
izlaz vektora
(kljuni redak)
Problem LP


optimalnost transformacija baze
Max
Min
(z
j
-c
j
) 0
(z
j
-c
j
) 0
min (z
j
-c
j
); (z
j
-c
j
) < 0
max (z
j
-c
j
); (z
j
-c
j
) > 0
min
|
|

\
|
> 0 ,
0
is
is
i
t
t
t

t
i0
su elementi stupca b;
t
is
su elementi kljunog stupca


Postupak u simpleks tablici:

1. korak
Poetno rjeenje: kree se od poznatog rjeenja (strukturne varijable su nebazine,
dodatne varijable su bazine).
U bazi su vektori A
3
, A
4
, A
5
. Vektor koeficijenata uz pripadne bazine varijable u
funkciji cilja oznait emo c
baza
.
Za ovo rjeenje raunamo vrijednosti z
j
:
25
z
j
= c'
baza
A
j
; j= 1,2,3,4,5 c
baza
=
(
(
(

0
0
0

z
1
= c'
baza
A
1
=
| | 0
0
2
1
0 0 0 =
(
(
(

z
2
= c'
baza
A
2
=
| | 0
1
1
1
0 0 0 =
(
(
(

... itd.
Vrijednost funkcije cilja za ovo bazino rjeenje je: z = c'
baza
b

=
| | 0
150
300
200
0 0 0 =
(
(
(

Raunamo vrijednosti (z
j
c
j
): z
1
c
1
= 0 40 = -40
z
2
c
2
= 0 60 = -60 .... itd.

Tablica 2. Simpleks tablica:

c
c
baza

Baza

b
40
A
1
60
A
2
0
A
3
0
A
4
0
A
5
Test
omjer

transformacija
0 A
3
200 1 1 1 0 0 200/1 (-1)R'3+R1
0 A
4
300 2 1 0 1 0 300/1 (-1)R'3+R2
0 A
5
150 0 1 0 0 1 150/1 R3
z
j
0 0 0 0 0 0
z
j
-c
j
-40 -60 0 0 0
0 A
3
50 1 0 1 0 -1 50/1 R1
0 A
4
150 2 0 0 1 -1 150/2 (-2)R'1+R2
60 A
2
150 0 1 0 0 1 - R3
z
j
9000 0 60 0 0 60
z
j
-c
j
-40 0 0 0 60
40 A
1
50 1 0 1 0 -1
0 A
4
50 0 0 -2 1 1
60 A
2
150 0 1 0 0 1
z
j
11000 40 60 40 0 20
z
j
-c
j
0 0 40 0 20

26


Kako nije zadovoljen kriterij optimalnosti (tablica 1.), traimo minimalnu negativnu
vrijednost (z
j
c
j
), a to je (z
2
c
2
)= - 60. Stupac u kojem se nalazi je oznaen (kljuni
stupac) i time je odreen vektor koji ulazi u bazu (A
2
).
Vektor koji izlazi iz baze odreujemo pomou testnih omjera (tablica 1). U 1. stupcu
uz simpleks tablicu su izraunati omjeri. Najmanji je u oznaenom retku (kljuni
redak) i time je odreen vektor koji izlazi iz baze, a to je A
5
.

2. korak
U novoj iteraciji upisujemo novu bazu (A
2
umjesto A
5
). Kljuni element pretvaramo u
1 (ovdje se samo prepisuje), a ostali elementi u kljunom stupcu postaju 0. Nalaenje
novog bazinog rjeenja se odvija pomou Gauss-Jordanove transformacije, na isti
nain kao kod rjeavanja sustava jednadbi matrinim putem. U 2.stupcu uz
simpleks tablicu operacije su opisane pomou oznaka za retke (npr. R3 je oznaka za
trei redak). Rezultat transformacije upisujemo u novu iteraciju. Najprije upisujemo
podatke retka koji je kljuan. Taj redak dobiva oznaku R' kad pomou njega
transformiramo ostale retke iz prethodne iteracije.

3. korak
Vrijednost funkcije cilja za ovo bazino rjeenje je:
z = c'
baza
b

=
| | 9000
150
150
50
60 0 0 =
(
(
(

Kako nije zadovoljen kriterij optimalnosti, nalazimo novo bazino rjeenje, u bazu
ulazi vektor A
1
. Testni omjer je najmanji u 1.retku, pa iz baze izlazi A
3
. Novu bazu
ine vektori A
1
, A
4
, A
2
.
Ovo bazino rjeenje zadovoljava uvjet optimalnosti. Nali smo optimalno rjeenje
koje glasi:
(
(
(
(
(
(

=
(
(
(
(
(
(

0
50
0
150
50
5
4
3
2
1
x
x
x
x
x
, a optimalna vrijednost funkcije cilja je z=11000.
27
Koraci simpleks metode:

1. Napisati problem u kanonskom obliku uvoenjem dodatnih varijabli.
2. Nainiti poetnu tablicu tj. odrediti poetno bazino rjeenje.
3. Izraunati vrijednosti u retku (z
j
c
j
). Ukoliko su sve jednake nuli ili pozitivne, radi
se o optimalnom rjeenju, u protivnom ii na 4. korak.
4. Odrediti kljuni stupac nai najmanju negativnu vrijednost u retku (z
j
c
j
).
5. Odrediti kljuni element u kljunom stupcu izraunati testne omjere izmeu
elemenata stupca b i odgovarajuih elemenata (pozitivnih) kljunog stupca;
izabrati najmanji ( on pripada kljunom retku).
6. Formirati novu bazu vektor u kljunom stupcu ulazi u bazu, a vektor u kljunom
retku izlazi iz baze.
7. Provesti transformaciju tablice pomou Gauss-Jordanove eliminacije kljuni
element postaje 1, a ostali elementi u kljunom stupcu 0.
8. Ii na korak 3.


Charnesova M metoda

Charnesova M metoda se koristi za rjeavanje ostalih problema linearnog
programiranja standardnog i opeg problema minimuma te opeg problema
maksimuma.

Charnesova M metoda je dvofazna simpleks metoda, tj provodi se u dva koraka:
1. korak zavrava kad je dobiveno prvo bazino mogue rjeenje polaznog
problema, tj. rjeenje u kojem artificijelne varijable imaju vrijednost nula;
2. korak nalaenje mogueg optimalnog rjeenja; zavrava kad su sve vrijednosti
(z
j
-c
j
) 0 kod problema minimuma ili (z
j
-c
j
) 0 kod problema maksimuma .

Ovu posebnu simpleks proceduru karakterizira koritenje artificijelnih varijabli.
A.Charnes je predloio uvoenje artificijelnih varijabli u linearnom programu i to u
jednadbama gdje se pojavljuju varijable vika. U funkciji cilja artificijelne varijable
imaju za koeficijent veliki nespecificirani broj M, kako bi se postiglo da se najprije
obavi 1. korak u simpleks proceduri.
28
Koeficijent artificijelnih varijabli u funkciji cilja je veliki broj (apsolutno):
(M) - za problem minimuma (standardni i opi);
(- M) - za problem maksimuma (opi).

Matematiki model problema minimuma ( standardni oblik):

Min w = c
1
x
1
+c
2
x
2
+.....+c
n
x
n
(40)

a
11
x
1
+a
12
x
2
+ ...+a
1n
x
n
b
1
(41)
a
21
x
1
+a
22
x
2
+ ...+a
2n
x
n
b
2

a
m1
x
1
+a
m2
x
2
+ ...+a
mn
x
n
b
m

x
1
, x
2
, ..x
n
0 (42)


U matrinom obliku moemo napisati simboliki :
Min w = c'x (43)
A x b (44)
x 0 (45)


Primjer 2 - Problem prehrane (str.19)

Matematiki model:
Min w = 6x
1
+ 21x
2
(46)
x
1
+ 2x
2
30 (47)
x
1
+ 4x
2
40
x
1
, x
2
0 (48)


Kanonska forma modela:
- uvodimo dodatne varijable (varijable vika)

29
Min w= 6x
1
+ 21x
2
+ 0 x
3
+ 0x
4

x
1
+ 2x
2
- x
3
=30
x
1
+ 4x
2
- x
4
= 40
x
1
, x
2
, x
3
, x
4
0

Ako bi uzeli da su strukturne varijable nebazine, tj. jednake nuli, dobili bismo x
3
= -
30, x
4
= -40 , to nije mogue rjeenje. Zato uvodimo artificijelne varijable u
jednadbama gdje se pojavljuju varijable vika. U funkciji cilja artificijelne varijable
imaju za koeficijent veliki nespecificirani pozitivni broj M, kako bi se postiglo da one te
varijable izau iz baze. To je zato jer bazino rjeenje koje sadri artificijelne varijable
kao bazine, ne predstavlja bazino mogue rjeenje polaznog problema.

Simpleks metoda se odvija po uobiajenoj proceduri, ali uz kriterije optimalnosti i
transformacije baze za minimum (tablica 1). S obzirom da se artificijelni vektor (zbog
koeficijenta M) vie nee vratiti u bazu kad iz nje jednom izae, u daljnjim iteracijama
ne raunamo s vrijednostima u stupcu ispod tih vektora.

Priprema modela za rjeavanje pomou Charnesove M metode:

Min w= 6x
1
+ 21x
2
+ 0 x
3
+ 0x
4
+ Mx
5
+ Mx
6

x
1
+ 2x
2
- x
3
+ x
5
=30
x
1
+ 4x
2
- x
4
+ x
6
= 40
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0


Optimalno rjeenje dobiveno u simpleks tablici je :

(
(
(
(

=
(
(
(
(

0
0
5
20
4
3
2
1
x
x
x
x
, a optimalna vrijednost funkcije cilja je z=225.



30
Simpleks tablica:

c
c
baza

Baza

b
6
A
1
21
A
2
0
A
3
0
A
4
M
A
5

M
A
6
Test
omjer
M A
5
30 1 2 -1 0 1 0 30/2
M A
6
40 1 4 0 -1 0 1 40/4
z
j
0 2M 6M -M -M M M
z
j
-c
j
2M-6 6M-21 -M -M 0 0
M A
5
10 1/2 0 -1 1/2 1 10/(1/2)
21 A
2
10 1/4 1 0 -1/4 0 10/(1/4)
z
j

4
21
2
1
+ M 21 -M
4
21
2
1
M M
z
j
-c
j

4
3
2
1
M
0 -M
4
21
2
1
M 0
6 A
1
20 1 0 -2 1
21 A
2
5 0 1 1/2 -1/2
z
j
225 6 21 -3/2 -9/2
z
j
-c
j
0 0 -3/2 -9/2



Opi problem linearnog programiranja se takoer rjeava pomou Charnesove M
metode. Pokazat emo to na slijedeem primjeru:


Primjer 3
Proizvod A i B se obrauju na stroju iji kapacitet iznosi 120 sati. Za jedinicu
proizvoda A potrebno je 3 sata obrade na stroju, a za jedinicu proizvoda B 4 sata.
Proizvoda A treba proizvesti bar 10 komada. profit po jedinici proizvoda A je 20 kn, a
po jedinici proizvoda B 10 kn. Cilj je maksimizirati ukupni profit. Kolika je proizvodnja
proizvoda pojedine vrste?

Matematiki model:
Max z = 20x
1
+ 10x
2
(49)
3x
1
+ 4x
2
120 (50)
x
1
10
x
1
, x
2
0 (51)
31
Kanonska forma modela:

Max z = 20x
1
+ 10x
2
+ 0 x
3
+ 0x
4

3x
1
+ 4x
2
+ x
3
=120
x
1
- x
4
= 10
x
1
, x
2
, x
3
, x
4
0

Priprema modela za rjeavanje pomou Charnesove M metode:

Max z = 20x
1
+ 10x
2
+ 0 x
3
+ 0x
4
+(-M)x
5

3x
1
+ 4x
2
+ x
3
=120
x
1
- x
4
+

x
5
= 10
x
1
, x
2
, x
3
, x
4
, x
5
0

Simpleks tablica:
c
c
baza

Baza

b
20
A
1
10
A
2
0
A
3
0
A
4
-M
A
5

Toka na
grafu
0 A
3
120 3 4 1 0 0
-M A
5
10 1 0 0 -1 1
A
nemogue rj.
z
j
0 -M 0 0 M -M
z
j
-c
j
-M-20 -10 0 M 0
0 A
3
90 0 4 1 3
20 A
1
10 1 0 0 -1
B
mogue rj.
z
j
200 20 0 0 -20
z
j
-c
j
0 -10 0 -20
0 A
4
30 0 4/3 1/3 1
20 A
1
40 1 4/3 1/3 0
C
optimalno rj.
z
j
800 20 80/3 20/3 0
z
j
-c
j
0 50/3 20/3 0






32
Grafiko rjeenje je :



Interpretacija optimalnog rjeenja:
Maksimalni profit od 800 kn ostvarit e se proizvodnjom 40 komada proizvoda A.
Proizvod B se nee proizvoditi. Kapacitet stroja bit e potpuno iskoriten, a minimum
proizvodnje za vrstu A e biti prekoraeno za 30 komada.




















33
PROBLEM TRANSPORTA


Cilj: odrediti nepoznate koliine istovrsne robe x
ij
koje treba prevesti iz ishodita u
odredita, tako da se iscrpi ponuda robe u svim ishoditima i zadovolji potranja u
svim odreditima te da ukupni trokovi transporta budu minimalni.

Primjer problema transporta sa 2 ishodita i 3 odredita moemo prikazati grafiki:

Oznake su:

i =1,2 ishodita; j = 1,2,3 odredita
a
i
koliina robe u i-tom ishoditu
b
j
koliina robe koja se potrauje u j - tom odreditu
c
ij
transportni troak po jedinici prevezene robe na putu i-j.
x
ij
koliina robe koja se prevozi na putu i-j.

Izmeu m=2 ishodita i n=3 odredita postoji mn = 23 = 6 veza . Svi podaci
predstavljaju se u obliku tablice:







Prema postavljenom cilju potrebno je odrediti koliinu poiljki x na svakom putu i,j .

C
11

X
11
C
12

X
12
C
13

X
13
a
1
C
21

X
21
C
22

X
22
C
23

X
23
a
2
b
1
b
2
b
3

c
23
x
23
c
13
x
13
c
22
x
22
c
21
x
21
c
13
x
13
c
12
x
12
c
11
x
11
a
1
ishodita
odredita
a
2
b
1
b
2
b
3
34

Matematiki model

Funkcija cilja minimiziranje ukupnih trokova transporta:

Min z =
ij
i j
ij
x c



Ogranienja su vezana uz koliinu ponude u ishoditima i koliinu potranje u
odreditima:

i
m
= i
ij
a = x

1
, j= 1,2, ... n

j
n
= j
ij
b = x

1
, i = 1,2, ... m
Uvjet nenegativnosti :

x
ij
0 i=1,2...m , j= 1,2...n


Problem transporta u matrinom obliku glasi:

Min z =c'x

Ax = b
x 0



Primjer
Iz dva skladita treba prevesti robu u tri trgovine. Koliina na skladitima je 70 t i 20 t
istovrsne robe.Trgovine trae po 30t robe. Trokovi prijevoza u tisuama kn po toni
(c
ij
) na pojedinom putu dati su u tablici, u gornjem lijevom kutu svakog polja. Odrediti
optimalni plan transporta.

6 8 3
70
6 7 5
20
30 30 30
35
Matematiki model:

Min z = 6x
11
+ 8x
12
+ 3x
13
+ 6x
21
+ 7x
22
+ 5x
23
x
11
+ x
12
+ x
13
= 70
x
21
+ x
22
+ x
23
= 20
x
11
+ x
21
= 30
x
12
+ x
22
= 30
x
13
+ x
23
= 30
x
11
, x
12
, x
13
, x
21
, x
22
, x
23
0

Sustav se sastoji od (m+n) jednadbi i od (mn) varijabli. U tom sustavu (m+n-1) jednadbi je
linearno nezavisno. Zbog toga rjeenje problema mora sadravati (m+n-1) pozitivnih
vrijednosti varijabli x
ij
. Ako ih sadri manje, tada je to rjeenje degenerirano, pa ga je
potrebno nadopuniti.


RJEAVANJE PROBLEMA TRANSPORTA

Za rjeavanje problema transporta koristi se simpleks procedura koja je modificirana. Ima
jednostavniju formu zbog posebne strukture matematikog modela problema transporta.

Razlikujemo dvije vrste metoda u rjeavanju:
- metode za nalaenje poetnog bazinog rjeenja;
- metode za nalaenje optimalnog rjeenja.

Postoji vie razraenih metoda. Metode za nalaenje poetnog bazinog rjeenja su:
1. metoda sjeverozapadnog kuta;
2. metoda najmanjih trokova;
3. Vogelova metoda.


Metode za nalaenje optimalnog rjeenja su:
1. metoda skakanja s kamena na kamen;
2. MODI metoda.

Ovdje emo obrazloiti metodu sjeverozapadnog kuta i MODI metodu.

36
Postavljanje poetnog bazinog mogueg rjeenja

Kako matrica A problema transporta ima rang r(A)=m+n-1 , svako bazino
nedegenerirano rjeenje ima (m+n-1) pozitivnih bazinih varijabli. Stoga da bismo
postavili poetno bazino rjeenje koristimo neku od metoda. Jedna od njih je
metoda sjeverozapadnog kuta.

Metoda sjeverozapadnog kuta

Pomou metode sjeverozapadnog kuta nalazimo poetno bazino mogue rjeenje.
Postupak je slijedei:
- kreemo se po tablici u smjeru sjeverozapad jugoistok i popunjavamo polja
poiljkama vodei rauna da ponuda a
i
bude iscrpljena, a potranja b
j
bude
zadovoljena.
- da bi se rjeenje moglo testirati potrebno je da bude iskoriteno (m+n-1) puteva od
ukupno ( mn) puteva u tablici.

Kreemo od polja (1,1) u kojem odreujemo koliinu poiljke tj. varijablu x
11
na
slijedei nain: x
11
=min {a
1
, b
1
}. Ako je a
1
> b
1
, x
11
= b
1
i nastavljamo u retku jer
ponuda a
1
jo nije iscrpljena, u polje (1,2), gdje je : x
12
=min {a
1
- b
1
, b
2
}, itd. Ako je
a
1
< b
1
, x
11
= a
1
i nastavljamo u stupcu , u polje (2,1), gdje je : x
21
=min {b
1
- a
1
, a
2
},
itd. Ako je a
1
= b
1
, x
11
= a
1
=b
1
i nastavljamo dijagonalno u polje (2,2) gdje je x
22
= min
{a
2
, b
2
}, itd. Postupak se nastavlja do zadnjeg polja (m,n), dok nije sva ponuda
ishodita iscrpljena, a potranja odredita zadovoljena.

Pronaimo poetno bazino rjeenje prijanjeg primjera.
Za poetno polje (1,1) odreujemo poiljku tj. vrijednost varijable x
11
=min {70,
30}=30. Zadovoljena je potranja 1. odredita i zbog toga polje (2,1) ostaje bez
poiljke tj. x
21
=0. U 1. ishoditu nam je ostalo jo robe 70-30=40, pa nastavljamo u
retku u polje (1,2) i varijabla x
12
=min {70-30, 30}=30. Sad je zadovoljena potranja 2.
odredita te nastavljamo u polje (1,3) jer je u 1. ishoditu ostalo jo robe. Kako je
varijabla x
13
= min{40-30, 30} = 10 , ponuda 1.ishodita je iscrpljena, a 3.odredite
potrauje jo robe. Zato nastavljamo vertikalno u polje (2,3) i dobijemo x
23
=
min{20,30-10} = 20. Doli smo do kraja. Ponuda je iscrpljena, potranja zadovoljena.
37

Tako smo dobili poetno bazino rjeenje:
6
30
8
30
3
10 70
6 7 5
20 20
30 30 30

Ono glasi: x
11
=30, x
12
= 30, x
13
=10, x
21
= 0, x
22
= 0 , x
23
= 20. Od 9 varijabli tono
(m+n-1)=(2+3-1)=4 je razliito od 0. Iz 1. skladita poslat e se 30t u 1.trgovinu, 30t
u 2.trgovinu i 10t u 3.trgovinu, te 20t iz 2.skladita u 3.trgovinu. Trokovi transporta
iznose z= 630+830+310+520=550 tisua kn.

Pri postavljanju poetnog rjeenja pomou ove metode ne vodi se panja o trokovima
prijevoza. Zbog toga poetno bazino rjeenje moe biti daleko od optimalnog.

Uvjet postojanja rjeenja jest da je problem zatvoren, tj. da je
= == = = == =
= == =
n
j
j
m
i
i
b a
1 1
.
Ako je
= == = = == =
> >> >
n
j
j
m
i
i
b a
1 1
radi se o otvorenom problemu transporta, kod kojeg je ukupna
ponuda vea od ukupne potranje. Da bi se takav problem mogao rijeiti potrebno ga
je pretvoriti u zatvoreni. Dodajemo fiktivno odredite ija potranja predstavlja razliku
izmeu ukupne ponude i potranje:

=
+
n
j=
j
m
= i
i n
b a b
1 1
1

Jedinini transportni trokovi su u dodanom stupcu jednaki nuli. Tablica transporta
tada izgleda ovako:







C
11

X
11
C
12

X
12

........
C
1n

X
1n
0


X
1(n+1)
a
1
C
21

X
21
C
22

X
22

.........
C
2n

X
2n
0


X
2(n+1)
a
2
.

....... ........ ........ ........ ........ .
C
m1

X
m1
C
m2

X
m2

.......
C
mn

X
mn
0


X
m(n+1)
a
m
b
1
b
2
........ b
n
b
n+1

38

Ako je


= == = = == =
< << <
n
j
j
m
i
i
b a
1 1
radi se o otvorenom problemu transporta, kod kojeg je ukupna
potranja vea od ukupne ponude. Uvodimo fiktivno ishodite, ija je ponuda:

=
+
n
= i
i
m
j=
j m
a b a
1 1
1
, a jedinini transportni trokovi u dodanom retku su jednaki nuli.
Tablica transporta izgleda ovako:








Degenerirano bazino rjeenje je svako rjeenje koje ima manje od (m+n-1)
pozitivnih bazinih varijabli x
ij
. Javlja se u problemu transporta gdje su parcijalne
sume ponuda pojedinih ishodita jednake parcijalnim sumama potranje pojedinih
odredita. Da bi se rjeenje moglo testirati uvodimo vrlo mali pozitivni broj (fiktivna
vrlo mala poiljka) i dodajemo je ponudi svakog ishodita, a potranji zadnjeg
odredita dodamo m (m je broj ishodita). Rasporedimo ih zatim tako da bude
popunjeno tono (m+n-1) polja, vodei rauna da ponuda bude iscrpljena, a
potranja zadovoljena.


Nalaenje optimalnog rjeenja

MODI metoda

MODI metodom se iz poetnog bazinog nedegeneriranog rjeenja dobiva
optimalno. MODI je skraeni naziv za modificiranu metodu distribucije (The Modified
Distribution Method). Koristi varijable u
i
i v
j
(varijable duala
8
problema transporta) za
izraunavanje relativnog troka. Te varijable slue za testiranje dobivenog bazinog

8
Vie o tome npr. Nerali, L. str. 159.
C
11

X
11
C
12

X
12

........
C
1n

X
1n
a
1
C
21

X
21
C
22

X
22

.........
C
2n

X
2n
a
2
.

....... ........ ........ ........ .
C
m1

X
m1
C
m2

X
m2

.......
C
mn

X
mn
a
m
0


X
(m+1)1
0


X
(m+1)2

.......
0


X
(m+1)n
a
m+1
b
1
b
2
........ b
n

39
rjeenja. tj. za utvrditi radi li se o optimalnom rjeenju i ukupnim minimalnim
trokovima transporta ili postoji mogunost utede na nekom putu. Ukoliko postoji,
potrebno je nai novo bazino rjeenje.

Relativni troak moe biti pozitivna (ili negativna) vrijednost, a pokazuje za koliko bi
se novanih jedinica ukupni trokovi smanjili (ili poveali) po jedinici tereta na
pojedinoj relaciji koja nije koritena u postavljenom poetnom rjeenju. Ako postoji
vie pozitivnih relativnih trokova, tada emo koristiti onaj put gdje je pozitivni
relativni troak najvei, jer e se tada ukupni trokovi transporta najvie smanjiti.

Procedura je slijedea:
a) odreivanje vrijednosti u
i
i v
j
u poljima s poiljkama rjeavamo jednadbu
c
ij
= u
i
+ v
j
; poetni u
1
= 0.

b) testiranje neiskoritenih puteva - pomou izraunatih vrijednosti u
i
i v
j
za
prazna polja (polja gdje su nebazine varijable x
ij
=0) izraunavamo
d
ij
= (u
i
+ v
j
) - c
ij
. Ako za sva prazna polja vrijedi d
ij
0, radi se o optimalnom
rjeenju. U protivnom, ako za neko polje (nebazinu varijablu) vrijedi da je d
ij
>0
znai da je na tom putu i-j mogua uteda i tada ta varijabla treba postat
bazina, pa e se vrijednost ukupnih trokova transporta smanjiti.

Za poetno bazino rjeenje naeg primjera odredit emo vrijednosti varijabli u
i
i v
j


a
i
u
i

6
30
8
30
3
10 70 0
6

7

5
20 20 2
b
j
30 30 30
v
j
6 8 3

Odreivanje varijabli u
i
i v
j
:
u
i
= 0,
c
11
= u
1
+v
1
6=0+v
1
v
1
=6
c
12
= u
1
+v
2
8=0+v
2
v
2
=8
40
c
13
= u
1
+v
3
3=0+v
3
v
3
=3
c
23
= u
2
+v
3
5=u
2
+3
u
2
=2
Testirat emo neiskoritene putove (2,1) i (2,2) :
polje (2,1).....d
21
=u
2
+v
1
c
21
= 2+6-6=+2
polje (2,2).....d
22
=u
2
+v
2
c
22
= 2+8-7=+3


a
i
u
i

6
30
8
30
3
10 70 0
6
+2
7
+3
5
20 20 2
b
j
30 30 30
v
j
6 8 3

U polju (2,2) imamo najveu mogunost utede.

Novo bazino rjeenje dobijemo tako da u polje s najveom utedom aljemo
nepoznatu koliinu robe x. Da nebismo poremetili ponudu i potranju treba skakati po
zatvorenoj putanji od tog poetnog polja po poljima s poiljkom, najprije u retku, pa
stupcu i naizmjenino dok se ne vratimo na poetno polje. Pri tom koliinu x od
poiljke u retku oduzmemo, zatim slijedeoj (u stupcu) pribrojimo i dalje
naizmjenino.

Koliina x se odreuje ovako: x je jednaka najmanjoj poiljci od koje smo u tablici
nepoznatu koliinu x oduzeli.

Tako se dobije novo bazino rjeenje za koje opet odreujemo vrijednosti varijabli u
i

i v
j
, a zatim ga testiramo.

Primjeri zatvorenog puta i odreivanje koliine poiljke u polju s najveom utedom:

a) Neka je polje s utedom je (3,3)

41




x= min{ x
32
, x
11
, x
23
}

b) Neka je polje s utedom je (1,4)




x= min{ x
12
, x
34
}

c) Neka je polje s utedom je (1,3)




x= min{ x
11
, x
23
}

Novo bazino rjeenje se dobiva preraspodjelom tereta i to po zatvorenoj putanji.
tako u sluaju b) se u polje (1,4) stavlja odreena koliina tereta (x), oduzima se iz
polja (1,1), dodaje u polje (2,1) i oduzima iz polja (2,3). Ostale poiljke ostaju
nepromijenjene.

U naem primjeru najvea uteda je u polju (2,2). Tim putem aljemo nepoznatu
koliinu robe x, koju rasporedimo po poljima s poiljkama kako je opisano i prikazano
u slijedeoj tablici.

a
i
u
i

6
30
8
30-x
3
10+x 70 0
6
+2
7
+3 x
5
20-x 20 2
b
j
30 30 30
v
j
6 8 3


















X
-X
X
X
X
-X
-X
-
-X
-X
X
X
X
-X
-X X
42
x=min{30, 20}=20

Odredimo novo bazino rjeenje, nove vrijednosti u
i
i v
j
, i testiramo prazna polja.:

a
i
u
i

6
30
8
10
3
30 70 0
6
-1
7
20
5
-3 20 -1
b
j
30 30 30
v
j
6 8 3
Svi su d
ij
0, znai da nema mogue utede. Nali smo optimalno rjeenje.
Minimalna vrijednost funkcije cilja je z= 630+810+330+720=490 tisua kn. Uteda
iznosi 60 tisua kn (3 tisue kn po prevezenoj toni putem (2,2)).


Koraci u rjeavanju problemu transporta (poetno rjeenje metodom sj.zap.kuta,
optimalno MODI metodom:

1. Utvrditi radi li se o zatvorenom PT. Ukoliko nije treba ga svesti na zatvoreni.
2. Poetno rjeenje postaviti metodom sj.zapadnog kuta.
3. Utvrditi je li poetno bazino rjeenje degenerirano. Ukoliko je, degeneraciju je
potrebno otkloniti.
4. Odrediti varijable u
i
i v
j
: na iskoritene puteve primijeniti formulu c
ij
= u
i
+ v
j .
5. Testirati neiskoritene puteve pomou formule d
ij
= (u
i
+ v
j
) - c
ij
. Ako su svi
d
ij
0,bazino rjeenje je optimalno. Ako postoje d
ij
>0, mogua je uteda, pa
odabiremo polje s najveom utedom d
ij
.
6. Odabranim poljem aljemo nepoznatu koliinu x, od kojeg skaemo po ostalim
poiljkama najprije u retku (oduzimamo x), zatim u stupac (pribrajamo x), pa
opet u redak i tako naizmjence do poetnog polja. Ostale poiljke se ne
mijenjaju.
7. Koliina x je jednaka veliini najmanje poiljke od kojeg x oduzimamo.
8. Raunanjem novih vrijednosti bazinih varijabli u zatvorenoj putanji i
prepisivanjem ostalih izvan putanje dobijemo novo bazino rjeenje.
9. Ii na korak 3.


43
Primjer
Tvornica ima dislocirane pogone (P
1
, P
2
, P
3
) i skladita sirovina (S
1
, S
2
, S
3
).Skladite
S
1
raspolae zalihom od 50 t sirovine, skladite S
2
10 t sirovine, a S
3
20 t sirovine. U
proizvodni pogon P
1
potrebno je dopremiti 20 t sirovine, a u pogone P
2
i P
3
po 30 t
sirovine. U tablici su dani trokovi prijevoza jedne tone sirovine iz pojedinog skladita
do proizvodnih pogona (u stotinama kn ). treba odrediti optimalni nain prijevoza
kojim e se ispuniti zahtjevi pogona uz im manje ukupne trokove prijevoza.

Pogoni
Skladita
P
1
P
2
P
3
S
1
5 8 7
S
2
4 11 9
S
3
7 6 5

Poetno bazino rjeenje glasi:

a
i

5
20
8

30
7



50
4 11

9

10

10
7

6

5

20

20
b
j
20 30 30

Imamo 4 pozitivne bazine varijable, a trebalo bi ih biti m+n-1=3+3-1=5. Rjeenje je
degenerirano. Poetno rjeenje s uklonjenom degeneracijom i ukljuenim
varijablama u
i
i v
j
, te relativnim trokovima glasi:


a
i
u
i


5
20
8

30
7



50+
0
4
+3
11

-1

9

10+

10+ 2
7

-4
6
0
5

20+

20+ -2
b
j
20 30 30 +3

v
j

5 8 7
44
Uteda je mogua na putu (2,1). Po toni prevezene robe utedjet e se 3 stotine kn.
Propusnost puta dobijemo: x= min { 20, 10+ } = 10+ .
Kako je ustvari fiktivan teret , na put (2,1) aljemo 10 t sirovine. Novo bazino
rjeenje je i optimalno, to pokazuju i izraunati relativni trokovi:


a
i
u
i


5
10-
8

30
7

10+ 2

50+
0
4
10+
11

-1

9

0

10+ 2
7

-4
6
0
5

20+

20+ -2
b
j
20 30 30 +3

v
j

5 8 7

Ukupni minimalni trokovi iznose: 510 + 830 + 710 + 410 + 520 = 500 stotina kn.
Pored ovog optimalnog rjeenja postoje jo 2 (polja gdje su relativni trokovi jednaki
0). Tako ako koristimo put (3,2), dobijemo takoer optimalno rjeenje:


a
i
u
i


5
10-
8

10-
7

30+ 3

50+
0
4
10+
11

-4

9

-3

10+ -1
7

-4
6
20+
5

0

20+ -2
b
j
20 30 30 +3

v
j

5 8 7

Ukupni minimalni trokovi su isti, iznose 500 stotina kn.






45

PROBLEM ASIGNACIJE


cilj: postii takav raspored ljudi na radna mjesta koji e dati optimum na osnovi
neke mjere efikasnosti.

Ako se efikasnost mjeri trokovima ili vremenom obavljanja posla, tada se radi
problemu minimuma.

Svakom radniku moe biti dodijeljen jedan posao, te na svaki posao moe biti
rasporeen samo jedan radnik. Takoer moraju biti poznate individualne efikasnosti
svakog radnika.

Problem optimalne asignacije jest poseban sluaj problema transporta. Razlika je u
tome to je koliina ponude i potranje ovdje uvijek jednaka jedinici. Jedinini
transportni trokovi su ovdje individualne efikasnosti. Kako ovdje imamo jednak broj
radnika i radnih mjesta, ukupno je n
2
nepoznanica, dok kod problema transporta ih
ima nm. Problem je visoko degeneriran jer je broj bazinih varijabli jednak n.

Matematiki model

Uvodimo oznake:
c
ij
individualna efikasnost i-tog radnika na j-tom radnom mjestu (i=1,2,..n; j=1,2,..n);
x
ij
nepoznanica kojom se utvruje raspored i-tog radnika na j-to radno mjesto
(i=1,2,..n; j=1,2,..n);
z ukupna efikasnost svih radnika za obavljanje svih poslova.

Zadane je kvadratna matrica individualnih efikasnosti C=[c
ij
], c
ij
0:
| |
(
(
(
(

=
nn n n
n
n
ij
c c c
c c c
c c c
c
K
M L M M
K
K
2 1
2 22 21
1 12 11

46
Potrebno je odrediti kvadratnu matricu rasporeda X=[x
ij
], x
ij
e {0,1} :

| || | | || |
( (( (
( (( (
( (( (
( (( (

( (( (






= == =
nn n n
n
n
ij
x x x
x x x
x x x
x
K
M L M M
K
K
2 1
2 22 21
1 12 11

tako da vrijedi:

x
ij
=

1
1 1
= =

= =
n
j
ij
n
i
ij
x x
min z=
ij
n
i
n
j
ij
x c

= = 1 1


Svaki raspored je permutacija od n elemenata. Sveukupno ima n! moguih rasporeda ili
asignacija. Optimalna asignacija je ona permutacija koja maksimizira sumu individualnih
efikasnosti.

Za vee vrijednosti od n, ispitivanje svih moguih rasporeda je vrlo opsean posao.
Tako npr. za n=10 imamo 10!= 3628800 moguih rasporeda. Zbog toga je potrebno
koristiti metodu koja e nas brzo dovesti do optimalnog rasporeda, a to je maarska
metoda.


Maarska metoda

Metoda se sastoji u reduciranju matrice individualnih efikasnosti i dobivanju n
nezavisnih nula (dvije ili vie nula ne pripadaju istom vektoru). Te nule daju optimalno
rjeenje asignacije.
Postupak se izvodi kroz etiri osnovna koraka.

1 ako je i-ta osoba rasporeena na j-ti posao;
0 ako i-ta osoba nije rasporeena na j-ti posao.
47
Postupak:

1.korak - pronalaenje 1.reducirane matrice:
a) najmanji element svakog retka odbije se od elemenata retka
b) najmanji element svakog stupca odbije se od elemenata stupca.

2.korak- pronalaenje optimalnog rjeenja:
a) Ispituju se redovi po redu i u onom gdje je jedna neoznaena nula, oznai se ,
a ostale nule u stupcu . Tako se postupa sa svim redovima.
b) Postupak a) uiniti i sa stupcima.
c) Postupci a) i b) se ponavljaju dok niti jedna nula ne ostane neoznaena.
Sve predstavljaju maksimalnu asignaciju koja nije uvijek kompletna. Ukoliko
asignacija nije kompletna moramo ii na 3.korak.

3.korak - pronalaenje 2.reducirane matrice:
1) Odrediti minimalan broj linija koje prolaze kroz sve nule u 1. reduciranoj matrici:
a) retke koji nemaju asignacije oznaiti .
b) stupce koji imaju nule u oznaenom retku, oznaiti .
c) neoznaene retke koji imaju asignacije u oznaenim stupcima, oznaiti .
d) ponavljati postupak b)i c) dok se ne zavri oznaavanje.
e) povui linije kroz sve neoznaene retke i sve oznaene stupce.
2) Najmanji od neprecrtanih elemenata (), dodati svim elementima na presjeku 2
linija, a oduzeti od svih neprecrtanih elemenata.
4.korak- pronalaenje optimalnog rjeenja prema pravilima i 2.koraka. Ukoliko je
potrebno, 2. i 3.korak ponovimo.

Primjer

Taksi sluba mora odgovoriti na 4 hitna poziva. Za 4 slobodna taksi automobila ima
podatke o udaljenostima (u km) do mjesta poziva. Sluba treba odrediti optimalnu
0
0
0
48
asignaciju, tj. taksi uputiti na lokacije tako da ukupna udaljenost koju sva 4 automobila
moraju prijei bude minimalna. Udaljenosti za svaki taksi do pojedinog mjesta poziva
date su u slijedeoj tablici.

lokacije
taksi I II III IV
A 1 2 3 3
B 4 3 3 2
C 1 4 5 5
D 4 3 7 6

Podatke iz tablice koristimo za formiranje matrice individualne efikasnosti c
ij
nad kojom
provodimo korake maarske metode:

1.korak 1.reducirana matrica:
(
(
(
(

6 7 3 4
5 5 4 1
2 3 3 4
3 3 2 1

U matrici oduzimamo najmanji element pojedinog retka od elemenata pripadnog retka.
U 1.retku je to broj 1 i oduzeli smo ga od elemenata 1.retka; u 2. retku je to broj 2 i
oduzeli smo ga od elemenata 2.retka;u 3.retku je to broj 1 i oduzeli smo ga od
elemenata 3.retka. U 4. retku je najmanji broj 3 i oduzeli smo ga od elemenata 4. retka.

Rezultat tih operacija je matrica:
(
(
(
(

3 4 0 1
4 4 3 0
0 1 1 2
2 2 1 0

Nad tom matricom obavljamo isti postupak, ali sa stupcima. Rezultat je matrica koja
se zove 1.reducirana matrica:
49
(
(
(
(

3 3 0 1
4 3 3 0
0 0 1 2
2 1 1 0


2.korak raspored:
U 1.reduciranoj matrici oznaavamo nule:
U 1.retku je jedna nula i oznaimo je , preostalu nulu u pripadnom 1.stupcu
oznaimo 0 .
U 2. retku su dvije nule, preskaemo ga.
U 3.retku nema neoznaenih nula.
U 4.retku je jedna nula, oznaimo ju , u pripadnom stupcu nema nula.
Ponavljamo isti postupak sa stupcima. Tako dobijemo raspored koji je nepotpun jer
imamo odreene lokacije za samo 3 taksi vozila:

(
(
(
(

3 3 0 1
4 3 3 0
0 0 1 2
2 1 1 0


3.korak 2.reducirana matrica:
U prethodnoj matrici u 3.retku nema , pa ga oznaimo . U tom retku je 0 koja
pripada 1.stupcu, kojeg oznaimo . U tom stupcu je koja pripada 1.retku kojeg
oznaimo . Povuemo linije kroz neoznaene retke (1. i 3.) te oznaene stupce
(1.stupac).
(
(
(
(

3 3 0 1
4 3 3 0
0 0 1 2
2 1 1 0


Najmanji neprecrtani broj =1. Njega dodajemo svim elementima na presjecitu 2
linija, a oduzimamo od svih neprecrtanih elemenata.
X
X





X
X
0
X
0
0
X
0
50

4.korak nalaenje optimalnog rasporeda:
Ponavlja se procedura oznaavanja nula. Raspored je na poljima gdje je . Dobili
smo potpuni raspored.

(
(
(
(

3 3 0 2
3 2 2 0
0 0 1 3
1 0 0 0
.
Matrica optimalnog rasporeda je :
(
(
(
(

=
0 0 1 0
0 0 0 1
1 0 0 0
0 1 0 0
ij
x


To znai da e taksi A biti upuen na lokaciju III; taksi B na lokaciju IV; taksi C na
lokaciju I i taksi D na lokaciju II. Pri tom e biti ukupno prijeeno minimalno kilometara i
to :
min z =
ij
i j
ij
x c

= =
4
1
4
1
= 31 + 21 + 11 + 31= 9 km.

















X X
X
0
51

Literatura:

Barkovi, D.: Operacijska istraivanja, Ekonomski fakultet Osijek, Osijek, 2002.
Chiang,A.C.: Osnovne metode matematike ekonomije, MATE, Zagreb, 1994.
Marti, Lj.: Matematike metode za ekonomske analize II, Informator, Zagreb 1974.
Nerali,L. : Uvod u matematiko programiranje, Element, Zagreb, 2003.
Waner, S., Costenoble, S.R.: Finite Mathematics and Applied Calculus, Fourth Edition,
Thomson, Belmont, 2007.