Professional Documents
Culture Documents
Ljiljana Lovri
Ekonomski fakultet Rijeka
Diplomski studij
Lovric - KvantMetode_Skripta2014.pdf
Page 1 of 96
Model
Model pojednostavljeni prikaz sloenog sustava.
Sustav - skup objekata i procesa koji su u meuzavisnosti.
Cilj modeliranja : razumijevanje sustava, kontrola i utjecaj na rad sustava.
U primjeni kvantitativnih metoda u ekonomiji i menedmentu javljaju se specifini problemi koji proizlaze iz kvalitativnih karakteristika ovih disciplina, sloenih struktura i meuzavisnosti koje je esto
nemogue opisati i predstaviti matematikim formulacijama. Najvaniji korak predstavlja definiranje
problema Kako bismo postigli cilj modeliranja potrebno je specificirati im jednostavniji model. Iako
se moe raditi o vrlo sloenom sustavu, to se moe postii definiranjem ogranienja u sustavu, kako bi bile ukljuene samo vane karakteristike prouavanog sustava.
Etape modeliranja
Proces modeliranja tee kroz nekoliko koraka. U tom procesu je osnovni zadatak specificiranje okretnog modela. Radi se o pojednostavljenom prikazu prouavanog sustava. Ako su ogranienja
odnosno pretpostavke neispravno definirane, model nee biti reprezentativan. Tada ga je potrebno
poboljati. Radi se o ciklusu modeliranja koji je prikazan na sl. 1.
Definiranje problema
Definiranje problema predstavlja najvaniji i najtei korak u modeliranju, poto svi daljnji koraci ovise o ovom. Potrebno je saeto definirati problem i ciljeve te utvrditi ogranienja u sustavu kako bismo se usredotoili samo na karakteristike sustava koje su nam vane u istraivanju.
Izgradnja modela
Model je zapravo, oblik predoavanja sistema i teorije o njemu. Dok je teorija uvijek verbalno izraena, model moe biti nainjen u razliitim medijima. Model slui. Model slui za objanjavanje ne-
Lovric - KvantMetode_Skripta2014.pdf
Page 2 of 96
kih konkretnih procesa ili stanja sustava. Stoga je model zapravo, samo simplifikacija i apstrahiranje nekih kljunih elemenata teorije . Njegova je uloga provjeravanje teorije na djelu. (iljak, str.19).
Izgradnja modela ovisi o vrsti modela koji e se koristiti. Iz verbalno definiranog problema istraivanja moramo matematiki definirati uvjete i ogranienja sustava kojima se odreuje prostor moguih rjeenja.
Definiranje
problema
Izgradnja modela
Prikupljanje i
analiza podataka
Verifikacija
modela
Ispitivanje
valjanosti
modela
Slika 1. Etape modeliranja
Prikupljanje podataka
Prikupljanje podataka je vaan korak koji zahtjeva posebnu panju jer o raspoloivosti i kvaliteti
podataka ovise rezultati modeliranja. Ako potrebni podaci nisu raspoloivi u standardnom sustavu
prikupljanja podataka poslovanja, potrebno je odluiti izmeu dviju mogunosti:
- neposredni dodatni zahtjevi za prikupljanje nedostatnih podataka;
- prilagodba modela za postojeu skupinu podataka.
Dodatni zahtjevi za prikupljanjem podataka iziskuju obino znatne trokove i potrebno je analizom
utvrditi njihovu ekonomsku opravdanost. esto i s jednostavnijim modelom i skromnijim podacima
postiemo dobre rezultate.
Verifikacija i ispitivanje valjanosti modela
Verifikacija je utvrivanje korektnosti modela, tj. ispitivanje funkcionira li model onako kako oekujemo. To je formalno testiranje odgovara li rjeenje koje dobijemo svim uvjetnim ogranienjima
modela, ili kratko reeno jesmo li dobili mogue rjeenje modela.
Ispitivanjem valjanosti utvrujemo daje li model rjeenja koja se slau s opaanjima na realnom
sustavu. Ukoliko utvrdimo da postoje neslaganja ili proturjenosti, model je potrebno poboljati redefiniranjem ogranienja i pretpostavki. Taj postupak ponavljamo dok ne postignemo zadovoljavajuu reprezentativnost modela.
Lovric - KvantMetode_Skripta2014.pdf
Page 3 of 96
Vrste modela
Postoji mnogo vrsta modela. Nae podruje interesa jesu matematiki modeli, koji spadaju u simbolike modele. To je skup matematikih i logikih veza meu pojedinim elementima sustava. Npr.
matematiki model kontrole zaliha ukljuuje potranju za proizvodom, trokove dranja zaliha i snienja nabavnih cijena za vee narudbe. Modeli mogu biti jednostavniji i sloeniji, npr. model zaliha se moe predstaviti jednom jednadbom, dok se makroekonomski model privrede moe sastojati od sustava diferencijskih jednadbi vieg reda.
Podjelu matematikih modela baziramo na vrsti sustava kojeg modeliramo. Sustavi mogu biti statiki ili dinamiki, diskretni ili kontinuirani.
Statiki sustav
- vrijeme nema vanu ulogu ili smo zainteresirani za stanje sustava u odreenom trenutku. Primjer:
financijski sustavi daju financijsko stanje poduzea u odreenom trenutku.
Dinamiki sustav
- sustav koji se mijenja kroz vrijeme. Primjer: prolaz putnika kroz zranu luku.
Diskretni i kontinuirani sustav
- stanje sustava se mijenja u diskretnim vremenskim intervalima, odnosno kontinuirano. Primjeri:
prolaz putnika u zranoj luci je diskretni dogaaj dogaa se u odreenim trenucima; prolaz nafte
kroz naftovod je kontinuirani dogaaj nema odreenih trenutaka kad nastane dogaaj.
Lovric - KvantMetode_Skripta2014.pdf
Page 4 of 96
Simulacijski modeli
Veina stohastikih modela se ne moe analitiki rijeiti pa se za nalaenje rjeenja koristi numerika tehnika, simulacija. Iako je simulacija metodologija za rjeavanje odreene vrste stohastikih
modela, esto govorimo o simulacijskim modelima. To je zbog toga jer ti modeli imaju odreene
zajednike karakteristike:
- slue za prouavanje stohastikih sustava i stohastika svojstva se analiziraju na osnovi velikog
broja uzoraka (kako bi se postigla pouzdanost) iz odgovarajuih distribucija vjerojatnosti;
- modeli se sastoje od skupa pravila, logikih izraza, distribucija vjerojatnosti i matematikih jednadbi.
Metoda simulacije se najee upotrebljava u proizvodnji, transportu, uslunom sektoru, financijskom sektoru, komunikacijama itd. Osnovne vrste simulacija su:
- Monte Carlo simulacija za statike sustave;
- diskretna i kontinuirana simulacija za dinamike sustave.
2. ANALITIKE METODE
Analitiki metode su one koje za rjeavanje koriste klasine tehnike. Prouit emo neke deterministike i stohastike modele koji se rjeavaju analitikim metodama, a koriste se u poslovnom odluivanju.
Deterministiki modeli su modeli u kojima je pretpostavljeno da nema neizvjesnosti u varijablama i
parametrima modela. Iako u praksi nema takvih primjera gdje se sve sa sigurnou odvija, ipak
takvi modeli predstavljaju razumnu aproksimaciju za sluajeve gdje je varijabilnost mala. Prednost
im je to su obino jednostavniji za rjeavanje od stohastikih modela.
Obradit emo modele linearnog programiranja i modele zaliha.
Linearno programiranje
Linearno programiranje (LP) je optimizacijska tehnika, jedna od metoda operacijskih istraivanja1.
LP je matematika metoda za maksimiziranje ili minimiziranje linearne funkcije cilja(kriterija) s ogranienjima u obliku linearnih nejednadbi odnosno jednadbi, te s uvjetom nenegativnosti za varijable.
S obzirom na vrstu ogranienja razlikujemo slijedee oblike problema LP:
Lovric - KvantMetode_Skripta2014.pdf
Page 5 of 96
MATEMATIKI MODEL
Standardni problem maksimuma
Maksimizirati funkciju cilja:
Max z = c1x1+c2x2+.....+cnxn
(1)
uz ogranienja:
a11x1+a12x2+ ...+a1nxn b1
(2)
a21x1+a22x2+ ...+a2nxn b2
am1x1+am2x2+ ...+amnxn bm
uvjet nenegativnosti:
(3)
Maxz c j x j
(4)
j 1
a
j 1
ij
x j bi ,
i=1,2..m
xj 0
(5)
(6)
gdje je:
cj = koeficijent funkcije cilja j-te varijable, j=1,2..n;
xj = strukturna varijabla, j=1,2..n;
bi = koliina i-tog ogranienja; koeficijent na desnoj strani nejednadbe, i=1,2..m;
aij= 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:
Maxz c1 c2
a 11
a
21
a m 1
x1
x
... cn 2
xn
a 12 a 1 n x 1 b1
a 22 a 2 n x 2 b2
a m 2 a mn x n bm
x 1 0
x
2 0
x n 0
Lovric - KvantMetode_Skripta2014.pdf
(7)
(8)
(9)
Page 6 of 96
Uvedemo li oznake,
c1
c
2
c ,
c n
x1
x
2
x , A
xn
a 11
a
21
a m 1
a 12
a 22
am2
a 1n
a 2 n
, b
a mn
b1
b
2
,
bm
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)
Axb
(11)
x0
(12)
(13)
Ax=b
(14)
x0
(15)
(16)
(17)
a21x1+a22x2+ ...+a2nxn
= b1
+ xn+2
am1x1+am2x2+ ...+amnxn
. ..
= b2
.....
+ xn+m = bm
(18)
Page 7 of 96
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.
R1
a11
R2
a21
am1
am2
Rm
a12
a1n
a22
a2n
b1
b2
amn
bm
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.
Matematiki model:
Funkcija cilja maksimizira ukupni profit z:
Max z = c1x1+c2x2+.....+cnxn
uz ogranienja raspoloivih resursa:
a11x1+a12x2+ ...+a1nxn b1
a21x1+a22x2+ ...+a2nxn b2
am1x1+am2x2+ ...+amnxn bm
(19)
(20)
uvjet nenegativnosti:
x1, x2, ..xn 0
(21)
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.
Lovric - KvantMetode_Skripta2014.pdf
Page 8 of 96
Stroj
S1 (sati)
S2 (sati)
Profit (kn)
Proizvod
P1
P2
1
2
40
1
1
60
Kapacitet
strojeva
(sati)
200
300
(Objanjenje:
stroju 1 treba 1 sat za P1 i 1 sat za P2,
moe proizvoditi do 200 sati)
(22)
x1 + x2 200
2x1 + x2 300
x2 150
x1, x2 0
(23)
(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 cilja3
odrediti optimalno rjeenje, pomicanjem pravca koji predstavlja funkciju cilja paralelno u
smjeru optimizacije4 do zadnje toke skupa moguih rjeenja.
Osnovni teoremi LP
2
3
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.
Lovric - KvantMetode_Skripta2014.pdf
Page 9 of 96
predstavlja skup toaka prvog kvadranta koordinatne ravnine x10x2 s ishoditem i pozitivnim dijelovima koordinatnih osi.
Ogranienja (23):
Pojmovi5:
Konveksni skup skup koji za odabrane bilo koje dvije toke sadri i spojnicu meu njima
Vrste toaka ekstremne, granine i unutarnje toke.
Lovric - KvantMetode_Skripta2014.pdf
Page 10 of 96
10
unutarnje toke
ekstremna toka
granine toke
toke
koordinate
vrha
A
B
C
D
E
(0,0)
(150,0)
(100,100)
(50,150)
(0,150)
0
6000
10000
11000
9000
Lovric - KvantMetode_Skripta2014.pdf
Page 11 of 96
11
Ako izaberemo T1 (50,100), vrijednost funkcije cilja e biti z = 4050 + 60100 = 7000, a jednadba
kroz tu toku je 7000 = 40x1 + 60x2 . Dakle, jednadba z = 40x1 + 60x2, predstavlja skup pravaca s
istim nagibom.
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. x1 = 50, x2 = 150, a optimalna vrijednost funkcije cilja z = 11000.
Interpretacija optimalnog rjeenja:
Optimalni proizvodni program:
x1 = 50 komada proizvoda P1
x2 = 150 komada proizvoda P2
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 = 40x1 + 60x2 + 0 x3 + 0x4 + 0 x5
x1 + x2 + x3
= 200
2x1 + x2
+ x4
= 300
x2
+ x5 = 150
x1, x2 , x3 , x4 , x5 0
(25)
(26)
(27)
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:
Ax=b
1 1 1 0 0 x1 = 200
2 1 0 1 0 x 2 300
0 1 0 0 1 150
3
x4
x 5
1
1
1
0
0
200
2 x 1 x 0 x 1 x 0 x 300
Moe se napisati i ovako: 1 2 3 4 5
0
1
0
0
1
150
ili krae: A1 x1 + A2 x2 + A3 x3 + A4 x4 + A5 x5 = b
Ukupno imamo 5 varijabli, 2 strukturne (x1, x2) i 3 dodatne (x3 , x4 , x5). Za svaki vrh znamo vrijednost strukturnih varijabli, a sada bi trebali odrediti jo vrijednost dodatnih varijabli.
Lovric - KvantMetode_Skripta2014.pdf
Page 12 of 96
12
Toka A(0,0)
x1=0, x2=0 , x3 =?, x4 =?, x5 =?
1
1
1
0
0
200
2 0 1 0 0 x 1 x 0 x 300
3 4 5
0
1
0
0
1
150
Prva dva produkta su jednaka nuli (jer su vrijednosti varijabli jednake nuli). Sustav sad moemo
pisati :
1 0 0 x 3 200
0 1 0 x 300
0 0 1 x 5 150
U matrici A smo izbrisali 1. i 2. stupac, a u vektoru nepoznanica izbacili varijable x1 i x2. Iz proirene matrice sustava itamo odmah rjeenje jer je matrica koeficijenata jedinina.
1 0 0 200
0 1 0 300
0 0 1 150
Toka B(150,0)
1 1 0 200 1 1 0 200
1 0 0 150
2 0 0 300 0 2 0 100 0 1 0 50
0 0 1 150 0 0 1 150
0 0 1 150
x1=150, x3=50 , x5 =150 .
Rjeenja za sve ekstremne toke su u tablici:
(0,0)
(0,0,200,300,150)
(150,0)
(150,0,50,0,150)
(100,100)
(100,100,0,0,50)
(50,150)
(50,150,0,50,0)
(0,150)
(0,150,50,150,0)
Zbog toga:
Lovric - KvantMetode_Skripta2014.pdf
Page 13 of 96
13
Karakteristike sustava*:
Vektori matrice A33 ine bazu.
Rjeenje sustava zovemo bazino rjeenje6.
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 (x1, x2, x3 , x4 , x5) nalazimo vrijednost dodatnih varijabli.
Samo x4 je razliita od 0. To znai da je kapacitet strojeva S2 neiskoriten i to 50 sati. S1 grupa
strojeva je potpuno iskoritena kao i plasman na tritu.
Ekstremne toke skupa moguih rjeenja i optimalno rjeenje se pronalaze simpleks metodom.
Svaka iteracija simpleks metode sadri po jedno bazino rjeenje.
Standardni problem minimuma
Matematiki model problema minimuma (standardni oblik):
Min w = c1x1+c2x2+.....+cnxn
(28)
a11x1+a12x2+ ...+a1nxn b1
(29)
a21x1+a22x2+ ...+a2nxn b2
am1x1+am2x2+ ...+amnxn bm
(30)
(31)
Ax b
(32)
x0
(33)
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.
Lovric - KvantMetode_Skripta2014.pdf
Page 14 of 96
14
H1
a11
H2
a21
am1
am2
Hm
a12
a1n
a22
a2n
Minimalna
koliina
hranjivog
sastojka
b1
b2
amn
bm
Matematiki model:
Funkcija cilja minimizira trokove w prehrambenog programa :
Min w = c1x1+c2x2+.....+cnxn
(34)
(35)
a21x1+a22x2+ ...+a2nxn b2
am1x1+am2x2+ ...+amnxn bm
uvjet nenegativnosti:
(36)
Optimalni rezultat e dati odgovor od kojih namirnica e se sastojati obrok, koliki su minimalni tro
kovi, te kolika je zastupljenost pojedine vrste hranjivog elementa.
Rjeenje problema LP moemo dobiti
7
8
Marti, Lj.: Matematike metode za ekonomske analize II, Narodne novine Zagreb, 1966., str.90.
odnosno tri strukturne varijable (prostorni koordinatni sustav x10x20x3)
Lovric - KvantMetode_Skripta2014.pdf
Page 15 of 96
15
Primjer 2
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.
masnoe
itarice
Meso
min.kol. (g) sastojka
u pakiranju
1
2
30
Cijena u kn
bjelanevine za 1kg
1
4
40
6
21
Matematiki model:
Min w = 6x1 + 21x2
x1 + 2x2 30
(37)
(38)
x1 + 4x2 40
x1, x2 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.
Lovric - KvantMetode_Skripta2014.pdf
Page 16 of 96
16
Matematiki model:
Max z = 40x1 + 60x2
x1 + x2 200
(1)
(2)
Stroj
(3)
S1 (sati)
S2 (sati)
Profit (kn)
2x1 + x2 300
x2 150
x1, x2 0
Proizvod
P1
P2
1
2
40
1
1
60
Kapacitet
strojeva
(sati)
200
300
Max z =
(4)
(5)
(6)
Lovric - KvantMetode_Skripta2014.pdf
Page 17 of 96
17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
A
ogranienja
S1
S2
Trite
Profit
Rjeenja
D
raspoloivo
200
300
150
1 (koliine)
Max
Fn.cilja
=SUMPRODUCT( B5:C5;B7:C7)
ogranienja
iskoriteno
S1
=SUMPRODUCT( B2:C2;$B$7:$C$7)
S2
=SUMPRODUCT( B3:C3;$B$7:$C$7)
Trite
=SUMPRODUCT( B4:C4;$B$7:$C$7)
(cijenakoliina)
raspoloivo
=D2
=D3
=D4
Za odreena rjeenja varijabli x1 i x2 , vrijednost funkcije cilja (4) i pojedinih ogranienja (5) predstavlja skalarni produkt za koje u programu imamo na raspolaganju funkciju SUMPRODUCT (prvi_niz, drugi_niz). Za poetna rjeenja
varijabli x1 i x2 postavljamo vrijednost 1, pa nam to omoguuje provjeravanje ispravnosti unesenih
formula (skalarni produkt mora biti jednak sumi koeficijenata odgovarajueg retka). Sljedei korak
je unos parametara modela. U prozoru Mogunosti uvodimo zahtjev da se radi o linearnom modelu i zahtjev o nenegativnosti varijabli. Nakon toga odabirom gumba Solve (slika 3.) rijeimo problem. Pored optimalnog rjeenja jo moemo dobiti 3 izvjea (slika 5.):
o rjeenju
o analizi osjetljivosti
o granicama.
Lovric - KvantMetode_Skripta2014.pdf
Page 18 of 96
18
Name
Fn.cilja
Original
Value
100
Final Value
Original
Value
1
Final Value
Max
profit
11000
opt.kol.
Adjustable Cells
Cell
$B$7
Name
Rjeenja P1
$C$7
Rjeenja P2
proizvodnje
50
150
Cell Value
200
250
150
Formula
$B$12<=$D$12
$B$13<=$D$13
$B$14<=$D$14
Constraints
Cell
$B$12
$B$13
$B$14
Name
S1 iskoriteno
S2 iskoriteno
Trite iskoriteno
Slack
raspoloivo
Lovric - KvantMetode_Skripta2014.pdf
Page 19 of 96
Status
Binding
Not Binding
Binding
0
50
0
neiskoriteno
19
Analiza osjetljivosti
Pomou analiza osjetljivosti utvrujemo osjetljivost optimalnog rjeenja na:
Vano je napomenuti da se ispituju promjene samo u jednom parametru. Ako se radi o promjenama u vie parametara, tada je problem sloeniji i potrebno je primijeniti parametarsko programiranje.
DEFINICIJE:
Lovric - KvantMetode_Skripta2014.pdf
Page 20 of 96
20
(profit)
x1 +
x2 200
(sati S1)
2x1 +
x2 300
(sati S2)
x2 150
(tr. P2)
x1,x2 0
(nenegativnost)
dozvoljeno pove. i
smanjenje param. u
funkciji cilja
Adjustable Cells
Cell
$B$7
$C$7
Name
Rjeenja P1
Rjeenja P2
Final
Value
50
150
Reduced
Cost
0
0
Objective
Coefficient
40
Allowable
Increase
20
60
1E+30
Allowable
Decrease
40
20
Name
S1 iskoriteno
S2 iskoriteno
Trite iskoriteno
Final
Value
200
250
150
Shadow
Price
40
0
20
Constraint
R.H. Side
200
300
150
Allowable
Increase
25
1E+30
50
Allowable
Decrease
50
50
50
Constraints
Cell
$B$12
$B$13
$B$14
Lovric - KvantMetode_Skripta2014.pdf
Page 21 of 96
21
Iz grafikog prikaza vidi se da se optimalno rjeenje ne mijenja. Kako se jedinini profit poveao,
poveava se i vrijednost z. Optimalno rjeenje e se promijeniti ako se nagib funkcije cilja vie
promijeni, npr. z1 = 140x1 + 60x2 , o1(150,0), z1=21000
Postoji interval vrijednosti za pojedini parametar u funkciji cilja, unutar kojeg intervala optimalna
vrijednost ostaje nepromijenjena, a mijenja se samo vrijednost funkcije cilja. Ako parametar poprima vrijednosti van navedenog intervala, mijenja se i optimalno rjeenje. Tako za c1 interval vrijednosti je (0,60), a za c2 interval je (40, +).
Promjene parametra na desnoj strani ogranienja
Poveamo li desnu stranu drugog ogranienja (sati S2) na 400, mijenja se skup moguih rjeenja,
nagib funkcije cilja se ne mijenja, ali se mijenja optimalno rjeenje: z1= 28000, o(200,0).
Max z = 140x1 + 60x2
x1 + x2 200
2x1 + x2 400
x2 150
x1,x2 0
Page 22 of 96
22
Poveavanje resursa.
Ulaganje u dodatne kapacitet resursa se isplati do visine dualne cijene za jedinicu resursa, ali pri
tom treba voditi rauna da ostanemo u granicama dozvoljenog intervala. Znai, ulagat emo za
dodatni sat rada kapaciteta S2 do 70kn.
Strukturna varijabla jednaka nuli
Reducirani troak (Reduced cost) ili oportunitetni troak je minimalna vrijednost za koju se treba
mijenjati parametar funkcije cilja za odreenu varijablu kako ona ne bi bila jednaka nuli u optimalnom rjeenju. To je iznos za koji e se vrijednost funkcije cilja promijeniti , ako varijabla umjesto 0
poprimi vrijednost 1. Ako se radi o problemu maksimuma (minimuma), reduced cost je vrijednost
za koju se parametar u funkciji cilja treba poveati (smanjiti). Za P2 jedinini profit bi se trebao poveati za 10 kn kako bi bilo profitabilno proizvoditi P2.
Predstavit emo cjelokupni Excel izvjetaj za model:
Max z = 140x1 + 60x2
x1 + x2 200
2x1 + x2 300
x2 150
x1,x2 0
Slika 8. Excel izvjetaj
Adjustable Cells
Cell
Name
$B$7
Rjeenja P1
$C$7
Rjeenja P2
Constraints
Cell
Name
$B$12 S1 iskoriteno
$B$13 S2 iskoriteno
$B$14 Trite iskoriteno
Original Value
200
Final Value
21000
Original Value
1
1
Final Value
150
0
Cell Value
150
300
0
Formula
$B$12<=$D$12
$B$13<=$D$13
$B$14<=$D$14
Status
Not Binding
Binding
Not Binding
Slack
50
0
150
Na Slici 8 nalazimo optimalno rjeenje: 150 kom. P1 i 0 kom. P2. Taj plan proizvodnje uz navedena ogranienja vezana uz plasman proizvoda i kapacitet strojeva, ukupni profit je maksimalan i iznosi 21000 kn. Pri tom je kapacitet S2 potpuno iskoriten, a S1 nije za 50 sati rada. kako se P2 ne
proizvodi, uvjet plasmana tog proizvoda na tritu nije uope iskoriten.
Na Slici 9 su rezultati analize osjetljivosti. Intervali vrijednosti za jedinini profit po vrsti proizvoda
su: c1 (120, +) ; c2 (0,70). Ukoliko se jedinini profit kree unutar navedenih intervala, vrijednost optimalnog rjeenja se ne mijenja, samo ukupni profit z.
Lovric - KvantMetode_Skripta2014.pdf
Page 23 of 96
23
Objective
Coefficient
140
60
Allowable
Increase
1E+30
10
Allowable
Decrease
20
1E+30
Constraint
R.H. Side
200
300
150
Allowable
Increase
1E+30
100
1E+30
Allowable
Decrease
50
300
150
Constraints
Cell
$B$12
$B$13
$B$14
Name
S1 iskoriteno
S2 iskoriteno
Trite iskoriteno
Final
Value
150
300
0
Shadow
Price
0
70
0
Kako je optimalna vrijednost strukturne varijable x2 jednaka nuli, imamo njezin oportunitetni troak.
To znai da minimalna vrijednost od koje bi jedinini profit P2 trebao biti vei kako bi bilo profitabilno proizvoditi P2 jest 10 kn.
Kapacitet S2 je potpuno iskoriten, dakle radi se o "uskom grlu" u proizvodnji. Dualna (marginalna)
vrijednost tog ogranienja jest 70 kn, to znai da svaki dodatni sat rada S2 poveava profit za 70
kn. To je ujedno i cijena jednog sata rada S2 do koje visine se isplati ulagati kod poveanja kapaciteta.
Intervali vrijednosti na desnoj strani svakog ogranienja unutar kojih optimalno rjeenje ostaje nepromijenjeno jesu: b1 (150, +); b2 (0, 400); b3 (0, +).
AO ALABAHTER
Promjena
Raunalni ispis
Znaenje
OFC
Interval za Cj
RHS
Interval za bi
Strukturna
varijabla
Xj = 0
Lovric - KvantMetode_Skripta2014.pdf
Page 24 of 96
24
PITANJA I ODGOVORI:
P3: to se dogaa ako poveamo kapacitet S2 za 300 sati? Je li utjecaj na profit isti?
O3: Poveanje od 300 sati je vee od dozvoljenog rasta, pa bi trebalo ponovno rijeiti zadatak jer
se dualna cijena mijenja.
Lovric - KvantMetode_Skripta2014.pdf
Page 25 of 96
25
Lovric - KvantMetode_Skripta2014.pdf
Page 26 of 96
26
Lovric - KvantMetode_Skripta2014.pdf
Page 27 of 96
27
Zadatak 1.
Sirovina
P1
P2
Raspoloivo sirovina
S1 (tona)
0,4
0,5
20 (t)
S2 (tona)
0,2
5 (t)
S3 (tona)
0,6
0,3
21 (t)
PC (Prodajna Cijena $)
240
350
VT (Varijabilni Troak $)
200
320
DP (Doprinos Pokriu $)
40
30
X1
X1
Ogranienja
Lovric - KvantMetode_Skripta2014.pdf
Page 28 of 96
28
Lovric - KvantMetode_Skripta2014.pdf
Page 29 of 96
29
Zadatak 2
Proizvod A + B: minimalno 350 galona idui mjesec
Proizvod A: minimalno 125 galona idui mjesec
Raspoloivo vrijeme za proizvodnju: 600 sati idui mjesec
Proizvodnja A: 2 sata za 1 galon uz troak 2$/galon
Proizvodnja B: 1 sat za 1 galon uz troak 3$/galon
Cilj: minimiziranje trokova
X1
A
2
2
1
1
X2
B
1
3
1
0
600
350
125
a) Matematika formulacija
Min w = 2x1 + 3x2
x1 125
2x1 + 1x2 600
x1, x2 0
b) Kanonski oblik
Min w = 2x1 + 3x2 + 0x3 + 0x4 + 0x5
x1 + x2 x3
= 350
x1
x4
= 125
2x1 + x2 +
x5 = 600
x1 x5 0
Strukturne varijable:
x1 koliina proizvodnje proizvoda A (galon)
x2 koliina proizvodnje proizvoda B (galon)
Dopunske varijable:
x3 prebaaj iznad min. zahtijevane koliine (galon)
x4 prebaaj iznad minimalne zahtijeva narudbe velikog kupca (galon)
x5 neiskoriteno vrijeme proizvodnje (u satima)
c) Dodatni zahtjev (nee biti u kolokviju)
x2 = 2x1
2x1 + x2 = 0 / x(1)
2x1 x2 = 0
d) Dodatni zahtjev (nee biti u kolokviju)
x1 0,6 (x1 + x2)
x1 0,6x1 + 0,6x2
x1 0,6x1 0,6x2 0
0,4x1 0,6x2 0
Lovric - KvantMetode_Skripta2014.pdf
Page 30 of 96
30
Lovric - KvantMetode_Skripta2014.pdf
Page 31 of 96
31
Analiza osjetljivosti
(Page 28/96)
Lovric - KvantMetode_Skripta2014.pdf
Page 32 of 96
32
Lovric - KvantMetode_Skripta2014.pdf
Page 33 of 96
33
Lovric - KvantMetode_Skripta2014.pdf
Page 34 of 96
34
Lovric - KvantMetode_Skripta2014.pdf
Page 35 of 96
35
Lovric - KvantMetode_Skripta2014.pdf
Page 36 of 96
36
Lovric - KvantMetode_Skripta2014.pdf
Page 37 of 96
37
Lovric - KvantMetode_Skripta2014.pdf
Page 38 of 96
38
Lovric - KvantMetode_Skripta2014.pdf
Page 39 of 96
39
Lovric - KvantMetode_Skripta2014.pdf
Page 40 of 96
40
Lovric - KvantMetode_Skripta2014.pdf
Page 41 of 96
41
(Page 30/96)
Lovric - KvantMetode_Skripta2014.pdf
Page 42 of 96
42
Lovric - KvantMetode_Skripta2014.pdf
Page 43 of 96
43
Lovric - KvantMetode_Skripta2014.pdf
Page 44 of 96
44
Lovric - KvantMetode_Skripta2014.pdf
Page 45 of 96
45
Lovric - KvantMetode_Skripta2014.pdf
Page 46 of 96
46
Lovric - KvantMetode_Skripta2014.pdf
Page 47 of 96
47
Lovric - KvantMetode_Skripta2014.pdf
Page 48 of 96
48
Lovric - KvantMetode_Skripta2014.pdf
Page 49 of 96
49
Lovric - KvantMetode_Skripta2014.pdf
Page 50 of 96
50
Lovric - KvantMetode_Skripta2014.pdf
Page 51 of 96
51
x1
x2
Lovric - KvantMetode_Skripta2014.pdf
Page 52 of 96
52
Lovric - KvantMetode_Skripta2014.pdf
Page 53 of 96
53
Lovric - KvantMetode_Skripta2014.pdf
Page 54 of 96
54
Lovric - KvantMetode_Skripta2014.pdf
Page 55 of 96
55
Lovric - KvantMetode_Skripta2014.pdf
Page 56 of 96
56
Lovric - KvantMetode_Skripta2014.pdf
Page 57 of 96
57
Lovric - KvantMetode_Skripta2014.pdf
Page 58 of 96
58
Lovric - KvantMetode_Skripta2014.pdf
Page 59 of 96
59
Lovric - KvantMetode_Skripta2014.pdf
Page 60 of 96
60
Lovric - KvantMetode_Skripta2014.pdf
Page 61 of 96
61
Lovric - KvantMetode_Skripta2014.pdf
Page 62 of 96
62
Lovric - KvantMetode_Skripta2014.pdf
Page 63 of 96
63
Lovric - KvantMetode_Skripta2014.pdf
Page 64 of 96
64
Lovric - KvantMetode_Skripta2014.pdf
Page 65 of 96
65
Lovric - KvantMetode_Skripta2014.pdf
Page 66 of 96
66
Lovric - KvantMetode_Skripta2014.pdf
Page 67 of 96
67
Lovric - KvantMetode_Skripta2014.pdf
Page 68 of 96
68
Lovric - KvantMetode_Skripta2014.pdf
Page 69 of 96
69
Lovric - KvantMetode_Skripta2014.pdf
Page 70 of 96
70
Lovric - KvantMetode_Skripta2014.pdf
Page 71 of 96
71
Lovric - KvantMetode_Skripta2014.pdf
Page 72 of 96
72
Lovric - KvantMetode_Skripta2014.pdf
Page 73 of 96
73
Lovric - KvantMetode_Skripta2014.pdf
Page 74 of 96
74
Lovric - KvantMetode_Skripta2014.pdf
Page 75 of 96
75
Lovric - KvantMetode_Skripta2014.pdf
Page 76 of 96
76
Lovric - KvantMetode_Skripta2014.pdf
Page 77 of 96
77
Lovric - KvantMetode_Skripta2014.pdf
Page 78 of 96
78
Lovric - KvantMetode_Skripta2014.pdf
Page 79 of 96
79
Lovric - KvantMetode_Skripta2014.pdf
Page 80 of 96
80
Lovric - KvantMetode_Skripta2014.pdf
Page 81 of 96
81
Lovric - KvantMetode_Skripta2014.pdf
Page 82 of 96
82
4. METODA SIMULACIJE
Metoda simulacije se primjenjuje kada je sustav za koji je potrebno specificirati model presloen za
analitiki pristup. Izloit emo samo osnovnu proceduru ove tehnike i primjenu u podruju zaliha i
investicijskih projekata.
Simulacija je proces stvaranja modela realnog sustava i eksperimentiranja s modelom u cilju razumijevanja ponaanja sustava i/ili razvijanja raznih strategija funkcioniranja sustava (Pedgen et
al.,1995).
Diskretna simulacija
Diskretna simulacija se primjenjuje na sustave koji se mogu opisati nizom diskretnih dogaaja. Diskretni dogaaj predstavlja skup okolnosti koje su izazvale promjenu stanja sustava. Simulacija se
odvija tako da se biljee sve promjene vezane uz nastali dogaaj i zatim prelazi na slijedei dogaaj. Drugim rijeima simulacija se odvija od dogaaja do dogaaja uz pretpostavku da se nita vano ne dogaa u vremenu izmeu dogaaja. Metoda nema ogranienja tj. mogu se pomou nje
prouavati vrlo sloeni sustavi, a za to se koriste posebni kompjuterski programi odnosno programski jezici. U kompjuterskom programu se generiraju dogaaji prema stvarnom procesu u prouavanom sustavu i prikupljaju podaci vezani uz promjene nastale simulacijom.
Problemi sustava usluivanja (sustava redova ekanja) rjeavaju se diskretnom simulacijom. U
takvim sustavima dogaaji su vezani uz dolazak potroaa i njihovo usluivanje. Kad bi dolasci i
vrijeme usluivanja bili u jednakim vremenskim razmacima radilo bi se o deterministikom sustavu
i ne bi se stvarali redovi. Ipak, u veini sustava usluivanja postoji varijabilnost u procesu dolaenja
i usluivanja. Redovi nastaju kad je potranja za uslugom vea od kapaciteta resursa koji prua
uslugu. Potroai ne dolaze u regularnim intervalima, a postoje i varijacije oko prosjene duine
vremena usluivanja. Modeliranje takvog sustava predstavlja prikupljanje uzoraka iz distribucije
Lovric - KvantMetode_Skripta2014.pdf
Page 83 of 96
83
vremena meu dolascima i distribucije vremena usluivanja. te dvije sluajne varijable se u modelu
generiraju prema pretpostavljenim teorijskim i empirijskim distribucijama vjerojatnosti.
Odvijanje simulacije prati se vremenski, tj. simulacijskim satom. Prvi dogaaj , dolazak potroaa,
dogodi se nakon vremenskog intervala koji je generiran prema odgovarajuoj distribuciji vjerojatnosti. Kako je sustav na poetku prazan, potroa je odmah usluen i to u vremenu koji je generiran prema odreenoj distribuciji vjerojatnosti. Dogaaji dalje slijede navedene distribucije, te se
biljee statistiki podaci o broju potroaa u sustavu, u redu, za svakog potroaa vrijeme ekanja
u redu, vrijeme usluivanja, a na kraju i iskoritenost sustava za vrijeme simulacije. to se vrijeme
simulacije produuje rezultati su stabilniji i kaemo da sustav postie ravnoteno stanje. Na kraju
predvienog vremena simulacije dobivaju se prosjene vrijednosti skupljenih statistikih podataka.
Simulacijski model koji reprezentira prouavani sustav tako daje statistike pokazatelje koje nazivamo historijska simulacija. Ako u tom modelu mijenjamo ulazne parametre modela ispitujemo
funkcioniranje sustava u promijenjenim uvjetima, dakle eksperimentiramo modelom. Usporeujui
rezultate s historijskom simulacijom dobivamo vane informacije o funkcioniranju sustava i mogu
nosti njegovog poboljanja.
Podruje primjene je iroko u planiranju i organizaciji lukih postrojenja, aerodroma, skladita,
telefonskih centrala, bolnica, banaka, trgovina, ukratko svugdje gdje postoji mogunost zastoja i
uskih grla.
Za neke jednostavnije sustave usluivanja postoji analitiko rjeenje, tj. formule pomou kojih se
mogu izraunati prosjene vrijednosti pokazatelja funkcioniranja sustava. Meutim u praksi su rijetki primjeri na koje se analitiko rjeenje moe primijeniti.
1, 0 x 1
f(x)
inan
0 ,
Lovric - KvantMetode_Skripta2014.pdf
Page 84 of 96
84
Pseudosluajni brojevi
Pseudosluajni brojevi imaju svojstva sluajnih brojeva (nezavisnost, jednaka vjerojatnost), a izraunavaju se pomou algoritma. Njihova je prednost to se mogu ponoviti, a to je vrlo vano kod
simulacije. Naime, koritenjem istog niza sluajnih brojeva za razliite varijante modela, omoguuje
se reduciranje varijabilnosti u rezultatima i na taj nain lake otkrivanje stvarne razlike meu varijantama modela.
Postoji vie vrsta generatora (algoritama). vano da niz brojeva bude dovoljno dug i da se ne degenerira. Najvie se koristi multiplikativni kongruentni generator:
xi+1 = a xi (mod m)
x0 sjeme (seed), poetna vrijednost;
mod m modulo m a xi podijeliti sa m i zadrati ostatak.
Simulacijski programski paketi imaju ukljuene generatore koji su testirani na sluajnost i jednaku
vjerojatnost.
Generiranje sluajne varijable
Simulacijski programski paketi imaju ugraene postupke za generiranje sluajne varijable prema
teorijskoj ili empirijskoj distribuciji. Objasnit emo samo osnovni princip.
Primjer
Trgovina prodaje mlijeko u velikim paketima. Potranja je sluajna varijabla broj prodanih paketa
varira prema prikupljenim podacima u tablici 1 (empirijska distribucija vjerojatnosti).
Tablica1 Dnevna prodaja mlijeka
broj prodanih
relat.frekv. kumulativne
sredina frekvencija
paketa dnevno
(%)
frekv.(%)
10-20
15
10
16
16
20-30
25
18
28
44
30-40
35
24
37
81
40-50
45
7
11
92
50-60
55
5
8
100
ukupno
64
100
Potronju x emo predstaviti srednjom vrijednosti razreda. Distribucija vjerojatnosti je ureeni skup
parova vrijednosti varijable i pripadajue vjerojatnosti, ( x i , p( x i )) , i=1,2,...k.
Slika 1. Intervali sluajnih brojeva
92-99
00-15
81-91
16-43
44-80
Vjerojatnost potranje za podatke u tablici izraunamo kao relativnu frekvenciju (%). U cilju modeliranja potranje koristit emo sluajne brojeve. Umjesto uobiajenog raspona od 0 do 1, koristit
emo raspon od 0 do 100, to je u skladu s rasponom relativnih frekvencija u tablici. Potrebno je
pridruiti sluajne brojeve distribuciji u tablici1.Svaki sluajni broj mora biti lociran samo u jednom
intervalu u tablici. Zato je korisno izraunati vrijednosti kumulativnih frekvencija. irina intervala za
svaku vrijednost sluajne varijable x odreena je veliinom relativne frekvencije svakog razreda.
Kako su intervali razliite duine, oni ukljuuju i razliiti raspon sluajnih brojeva. to se jasnije
moe predstaviti pomou kruga
Lovric - KvantMetode_Skripta2014.pdf
Page 85 of 96
85
Za teorijske funkcije distribucije je isti postupak . Na slici je prikazan postupak generiranja kontinuirane sluajne varijable.
Slika 2. Kumulativna funkcija distribucije kontinuirane sluajne varijable
F(x)
RN
Lovric - KvantMetode_Skripta2014.pdf
Page 86 of 96
86
Lovric - KvantMetode_Skripta2014.pdf
Page 87 of 96
87
Lovric - KvantMetode_Skripta2014.pdf
Page 88 of 96
88
Lovric - KvantMetode_Skripta2014.pdf
Page 89 of 96
89
Lovric - KvantMetode_Skripta2014.pdf
Page 90 of 96
90
Lovric - KvantMetode_Skripta2014.pdf
Page 91 of 96
91
Lovric - KvantMetode_Skripta2014.pdf
Page 92 of 96
92
Lovric - KvantMetode_Skripta2014.pdf
Page 93 of 96
93
Lovric - KvantMetode_Skripta2014.pdf
Page 94 of 96
94
Lovric - KvantMetode_Skripta2014.pdf
Page 95 of 96
95
Lovric - KvantMetode_Skripta2014.pdf
Page 96 of 96
96