DRR - Analiza I Primena Analitickih Metoda Višekriterijumske Analize U Poslovnom Odlucivanju

DOKTORSKA DISERTACIJA
ANALIZA I PRIMENA ANALITIKIH METODA

VIEKRITERIJUMSKE ANALIZE U POSLOVNOM ODLUIVANJU
Mentor
Kandidat
Prof. dr Malia iovi
mr Neeljko Dereti
Beograd, 2012.
Sadraj:
Uvodna razmatranja ...................................................................................................... 4
1.
Predvianje i planiranje ........................................................................................ 8
1.1. Pojam, karakteristike i znaaj predvianja ............................................................... 8

1.2. Odnos predvianja i planiranja ............................................................................... 11
1.3. Horizonti predvianja ............................................................................................. 13
1.3.1.
Sadrina i znaaj prostornog horizonta preduzea ....................................... 13
1.3.2.
Vremenski horizont predvianja .................................................................. 14
1.4. Osnovni pojmovi o odluivanju ............................................................................. 16
1.5. Proces odluivanja .................................................................................................. 19
1.6. Pojam optimizacije ................................................................................................. 21
1.7. Matematiki modeli i optimizacija ......................................................................... 22
1.8. Zadatak optimizacije............................................................................................... 22
1.9. ematski prikaz procesa optimizacije..................................................................... 23
1.10.
Pregled metoda optimizacije ........................................................................ 24
1.10.1.
Metode bezuslovne optimizacije .................................................................. 24
1.10.2.
Metode uslovne optimizacije ........................................................................ 25
2.
Opti pojmovi i terminologija viekriterijumske optimizacije ......................... 29
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
2.7.
Osnovi viekriterijumske optimizacije ................................................................... 30

Definicija odluivanja............................................................................................. 31
Problem odluivanja ............................................................................................... 32
Vieatributno odluivanje VAO .............................................................................. 35
Reavanje modela vieatributnog odluivanja (VAO) ............................................ 36
Transformacija atributa........................................................................................... 37
Definisanje teinskih koeficijenata za kriterijume ................................................. 38
3.
Metode za viekriterijumsku optimizaciju ......................................................... 40
3.1. Metoda za odreivanje neinferiornih reenja ......................................................... 40

3.2. Metode sa unapred izraenom preferencijom ......................................................... 40
3.3. Interaktivne metode ................................................................................................ 40
3.4. Stohastike metode ................................................................................................. 40
3.5. Metode za "isticanje" podskupa neinferiornih reenja ........................................... 41
3.6. Kompromisno reenje ............................................................................................. 41
3.7. Max-min metoda .................................................................................................... 42
3.8. Max-max metoda .................................................................................................... 43
3.9. Hurwicz-ov metod .................................................................................................. 44
3.10.
SAW metoda.................................................................................................. 44
3.11.
TOPSIS metoda ............................................................................................ 44
3.12.
Teini koeficijent ........................................................................................ 47
3.13.
METODA "PROMETHEE" .......................................................................... 48
4.
Koncepcija i istraivanje ...................................................................................... 54
4.1. Koncepcija .............................................................................................................. 54

4.2. Istraivanje.............................................................................................................. 56
4.3. Prednost merenja .................................................................................................... 58
4.4. Empirijski dodatak.................................................................................................. 59
4.5. Primenljivost operacija na brojnom sistemu. Razmera operacija........................... 60
4.6. Princip razmiljanja ................................................................................................ 61
4.7. Korisnost rednog broja u ekonomskoj teoriji ......................................................... 61
4.8. Korisnost rednog broja ........................................................................................... 62
4.9. Optimalni uslovi na nezavisnost podloge ............................................................... 62
4.10.
Prava mera - prava linija............................................................................... 64
4.11.
Sigurna mera - realni brojevi ........................................................................ 65
4.12.
Neodreeni koeficijenti i pojava dvojenih poreenja ................................... 66
5.
Ureeni skupovi i mree....................................................................................... 68
5.1.
5.2.
5.3.
5.4.
5.5.
5.6.
5.7.
Pojam relacije ......................................................................................................... 68

Ureeni podskup ..................................................................................................... 69
Specijalni podskupovi ureenih skupova ............................................................... 69
Funkcije izmeu ureenih skupova. Dualnost ........................................................ 69
Specijalni elementi ................................................................................................. 70
Infimum i supremum .............................................................................................. 70
Mrea ...................................................................................................................... 71
6.
Mrena metoda za viekriterijumsku analizu.................................................... 73
6.1. Mrena metoda ....................................................................................................... 73

6.1.1.
Grafika intepretacija mrene metode (Hipotetiki primer)......................... 76
7.
Primena nove metode kao i poreenja sa ve poznatim metodama ................ 79
7.1. Preporuka za izbor srednje kole ............................................................................ 79

7.2. Izbor studijskog programa prilikom upisa na visoku poslovnu kolu .................... 81
7.3. Metodologija za viekriterijumski izbor smera na VPSS. Blace .......................... 82
7.3.1.
Mrena metoda ............................................................................................. 82
7.3.2.
Metoda kompromisnog rangiranja................................................................ 85
7.4. Metodologija izbora studijskog programa na VPSS-Blace ................................... 86
7.4.1.
Mrena metoda 7x8 ...................................................................................... 86
7.4.2.
7.4.3.
Metoda PROMETHEE ........................................................................... 100
7.4.4.
Mrena metoda 7x9 .................................................................................... 107
7.4.5.
Mrena metoda 7x10 .................................................................................. 113
7.5. Primena mrene metode za kupovinu automobila za malu privatnu firmu .......... 118
7.5.1.
Mrena metoda ........................................................................................... 118
7.5.2.
Metoda kompromisnog rangiranja.............................................................. 122
7.6. Metodologija reavanja problema est alternativa sa pet kriterijuma................... 123

7.6.1.
Mrena metoda (Bez relativnog znaaja) ................................................... 123
7.6.2.
Mrena metoda (Sa relativnim znaajem) .................................................. 127
7.6.3.
Metoda PROMETHEE ........................................................................... 133
7.7. Metodologija koriena prilikom izbora postrojenja za odreenu proizvodnju ... 139
7.7.1.
Mrena metoda ........................................................................................... 139
7.7.2.
Zakljuak..................................................................................................................... 149
Literatura .................................................................................................................... 152
Prilozi ........................................................................................................................... 157
Uvodna razmatranja
Uvodna razmatranja
Promene u uslovima odluivanja prouzrokovale su da proces planiranja ciljeva kao i
planova bude mnogo odgovornije i sudbonosnije za upravljanje nekom organizacijom
nego to je ranije bio sluaj. Matematika teorija odluivanja daje mnogo precizniji uvid
a samim tim izbacila je intuiciju i rutinu pri planiranju budueg rada. Predvianje i
odluivanje je potrebno za anticipiranje promena.
Poslednjih decenija dolo je do snanog razvoja i neobine popularnosti metoda
viekriterijumske analize. Razlozi ovog fenomena su i teorijske i praktine prirode:
u teorijskom smislu viekriterijumska analiza je atraktivna jer se bavi nedovoljno
struktuiranim problemima (engl. ill structured problems),
u praktinom smislu nudi veliku pomo u reavanju svakodnevnih zadataka izbora
odluka, upravljakih akcija, alat su u projektovanju i metodolokoj podrci u
eksploataciji najraznovrsnijih sistema.
Bez obzira da li je u pitanju strategijska ili operativna odluka tj upravljaka akcija, da li
je u pitanju problem sa dominantno tehnikim ili preteno ekonomskim sadrajem, ili se
radi o multidisciplinarnom problemu, bez obzira da li je re o problemu koji se tie dela
sistema ili sistema u celini, metode viekriterijumske analize pruaju veliku pomo u
izboru pravih reenja u zadacima odluivanja upravljanja u projektovanju i eksploataciji.
Sledi nekoliko moguih primera primene viekriterijumske analize:
problem izbora lokacije raznih logistikih centara,

brojni problemi u vezi sa izborom opreme, raznim ponuaima
problemi izbora koncepcije razvoja, organizacione strukture,
izbor novih N radnika po konkursu na koji se prijavilo M kandidata ( M > N ), itd.
Menaderi u svojoj svakodnevnoj praksi, hteli to ili ne, veliki deo vremena utroe za
donoenje razliitih poslovnih odluka. Odluivanje je ukljueno u sve radne aktivnosti
koje menaderi bilo pojedinano ili timski obavljaju. Delokrug poslovnih problema je
veoma raznovrsan, tako da se od menadera oekuju valjane odluke i kada je re o
problemskim situacijama, a pogotovu u rutinskim situacijama. Pri dononoenju
poslovnih odluka pojedinac ili grupa ima pred sobom kompleksan proces odluivanja,
koji se ne moe svesti na algoritam matematikog odluivanja, programiranja, ve je to
sloena struktura koja esto podrazumeva i kriterijume zadate atributima.
Za veinu odluka u konkretnim situacijama moe vaiti napred definisana varijanta
procesa donoenja odluka pri razlaganju jedne odluke na njene delove, i da je odluke
potrebno donositi na osnovu argumentovanih injenica, moe se usvojiti, ali da i
matematiki modeli i optimizacione metode imaju znaajnu, a u nekim sluajevima i
nezamenjivu ulogu u najbitnijim fazama ovog procesa. Teko, da se neki poslovni
problem moe opisati jednom kriterijumskom funkcijom, ve je sve vie onih koji
zahtevaju upotrebu veeg broja kriterijuma.
Metode operacionih istraivanja posebno dolaze do izraaja pri razmatranju vie ciljeva,
saglasno napred navedenom zakljuku da viekriterijumski pristup predstavlja jedini
nain da se to realnije opie konkretni problem.
Uvodna razmatranja
Optimizacija ima za cilj da izvri izbor najbolje varijante iz niza moguih alternativa, ili
iz niza ponuenih alternativa, to u matematikom smislu znai traenje ekstremuma
kriterijumske funkcije. Optimizacija se vri primenom razliitih metoda, u zavisnosti od
tipa relacija u matematikom modelu, kriterijumske funkcije i ogranienja.
Matematika teorija odluivanja se upotrebljava u poslovanju i razvoju sa namerom da
se smanji neizvesnost i rizik i tako usaglasi budui razvoj.
Teorija optimizacije prouava kako da se opie i postigne ono to je najbolje, pod
uslovom da se moe meriti ono to je dobro a ta ne. Re "optimum" je sinonim za neto
to je maksimalno dobro ili maksimalno loe.
Optimizacija odreuje "najbolje" reenje odreenog matematiki definisanog problema.
Optimizacija se definie kao nauka koja odreuje "najbolje" reenje odreenog
matematiki definisanog problema. Sam zadatak optimizacije svodi se na izbor najbolje
varijante iz niza moguih ili iz niza povoljnih varijanti u smislu usvojenog kriterijuma.
Faktiki nemogue je uzeti sve uslove za formiranje matematikog problema pa se radije
analiziraju posebno delovi sistema a zatim se na osnovu dobijenih rezultata razmotri ceo
sistem.
Ova metoda praktino je nastala posle razvoja linearnog programiranja, simpleks metode
itd. U viekriterijumskoj optimizaciji elje su prikazane kriterijumima a mogunosti
ogranienjima.
Dakle, osnovni zadatak optimizacije je da se izvri izbor najbolje alternative iz niza
postavljenih varijanti imajui u obzir sva ogranienja. Zatim potrebno je uvesti pojam
kriterijumske funkcije koja mora biti specifina i da vrednosti precizno pokazuju kako
sistem funkcionie.
Za optimizaciju sistema koriste se razliite metode zavisno od tipa relacija u
matematikom modelu, kriterijumske funkcije i ogranienja. Korienjem ove linearne
transformacije ukljuuje pretpostavku linearne zavisnosti izmeu kriterijumske funkcije i
zadatih kriterijuma.
Optimizacija obuhvata samo jedan deo problema planiranja ili korienja sistema. Da bi
sa svih stanovita razmotrio problem optimizacije uzima se u obzir vie kriterijuma (ili
bar one glavne) kako bi predvianje to bolje sagledali. Traenje najboljeg reenja u
viekriterijumskom smislu jeste zadatak viekriterijumske optimizacije.
Favorizovano "najbolje" reenje ima veliku ansu da na kraju bude stvarno najbolje kao
dobar kompromis izmeu razliitih konfliktnih interesa uesnika. Takoe opstanak kao
najbolje reenje podrazumeva da nema loe kriterijumske pokazatelje zbog kojih bi ostali
predlozi imali razlog da ga ne prihvate.
Rangiranje je potrebno kad se eli odrediti raspored razliitih planiranih reenja.
Alternativno reenje moe biti bilo koje reenje (alternativa) a samim tim prednost ove
metode je izbor kriterijuma, favorizovanje pojedinih nazvanih osnovnim, odreivanje
intervala, odreivanje funkcija i dr. Sama re alternativa podrazumeva izbor od dve
ponuene varijante, u ovom sluaju re alternativa koristi se kao jedan mogui rezultat
promena uz napomenu da ih moe biti i vie.
Konano reenje mora biti jedno od dobijenih alternativa ili skup alternativa za date
vrednosti teine kriterijuma. Ako donosilac odluke nije zadovoljan alternativom ili
ukoliko oceni da su date vrednosti relativno male postoji mogunost promene
kriterijumske funkcije kao i promene intervala.
Uvodna razmatranja
Sve se ovo radi da bi se dobilo kompromisno reenje. Najbolja alternativa je ona koja
zauzima prvo mesto odnosno dovoljnu prednost nad ostalim alternativama bez obzira na
promenu kriterijuma.
U ovom radu prvo su izloene najpoznatije oblasti u kojima je odluivanje primenjivano,
bez pretenzije da taj spisak bude potpun. Isto tako prikazi tih oblasti su skoro uvek ili
preuzeti iz poznate literature koja je citirana na kraju rada ili su intepretacije iz tih knjiga
i lanaka, jedino su neka vanija mesta specijalno istaknuta tako to je tu naveden i izvor
iz koga je ba to mesto preuzeto.
Uz prikaz direktnih oblasti primene kao to su na primer razne vrste odluivanja dat je
takoe prikaz planiranja kao vane oblasti za koju odnosno zbog koje se, sve u vezi sa
odluivanjem radi. Ako je konana odluka doneta tj. usvojena je jedna alternativa kao
konana, tek tada treba poeti sa realizacijom plana i programa.
U delu koji se odnosi na viekriterijumsku optimizaciju istaknute su nove primene ove
metode odnosno kao neke nove modifikacije ove metode.
Prvo poglavlje, pod nazivom - Pojam, karakteristike i znaaj predvianja, nije ta bi
trebalo raditi u budunosti, nego ta bi trebalo uraditi danas da bi se obezbedilo da se
eljene stvari dese u uslovima neizvesne budunosti. Izbor strategije, moe biti od
prelomnog znaaja.Strategija je odluka koja obezbeuje put ili nain dostizanja
organizacionih ciljeva. Pod strategijom se esto podrazumeva i skup akcija koje
donosiocima odluka stoje na raspolaganju prilikom odluivanja.1
Drugo poglavlje, pod nazivom - Opti pojmovi i terminologija viekriterijumske
optimizacije, bavi se definisanjem osnovnih zadataka viekriterijumske optimizacije kao
npr.odreivanje metoda, kriterijuma, broj kriterijuma, broj alternativa i dr.
Vrlo je vano naglasiti cilj istraivanja kao i da se sa to manje razliitih kriterijuma
dobije sveobuhvatna i objektivna slika u skladu sa zahtevima koje nosilac odluivalja
postavlja kao cilj.
U treem poglavlju, pod nazivom - Metode viekriterijumske optimizacije, navedene
su neke od poznatih metoda za viekriterijumsku optimizaciju.
etvrto poglavlje, pod nazivom - Koncepcija i istraivanje, detaljnije dovodi do
zakljuka da sve probleme u donoenju odluka viekriterijumska optimizacija ne reava
na identian nain. Sve je to potrebno na neki nain matematiki osmisliti kao i naglasiti
redosled rada. Meutim za primenu matematikih operacija u linearnoj algebri i uopte u
raunu moraju se znati uslovi koji moraju biti zadovoljeni. Pitanje je dali psiholoke ili
subjektivne osobine imaju mogunost da budu izmerene.
Peto poglavlje, pod nazivom - Ureeni skupovi i mree, ima za cilj da naglasi
matematiki pristup odabiru najpovoljnijih alternativa.
esto poglavlje, predstavlja rad pod nazivom - Mrena metoda za viekriterijumsku
analizu, gde je pokazana jedna nova metoda za odreivanje optimalnog reenja. Primena
ove metode pokazana je na primeru Visoke poslovne kole strukovnih studija iz Blaca
kao i na jo nekoliko primera iz prakse. Novi metod je uporeen sa nekim ve dobro
poznatim metodama za viekriterijumsko odluivanje kako bi se uporedili njihovi
rezultati.
1 upi, M., Tumala R., Savremeno odluivanje, metode i primena, Beograd, 1994., str.426
1. Predvianje i planiranje ................................................................................. 8

1.1. Pojam, karakteristike i znaaj predvianja ............................................................... 8
1.2. Odnos predvianja i planiranja ............................................................................... 11
1.3. Horizonti predvianja ............................................................................................. 13
1.3.1.
Sadrina i znaaj prostornog horizonta preduzea ....................................... 13
1.3.2.
Vremenski horizont predvianja .................................................................. 14
1.4. Osnovni pojmovi o odluivanju ............................................................................. 16
1.5. Proces odluivanja .................................................................................................. 19
1.6. Pojam optimizacije ................................................................................................. 21
1.7. Matematiki modeli i optimizacija ......................................................................... 22
1.8. Zadatak optimizacije............................................................................................... 22
1.9. ematski prikaz procesa optimizacije..................................................................... 23
1.10.
Pregled metoda optimizacije ........................................................................ 24
1.10.1.
1.10.2.
Metode bezuslovne optimizacije .................................................................. 24

Metode uslovne optimizacije ........................................................................ 25
Predvianje i planiranje
1. Predvianje i planiranje
1.1. Pojam, karakteristike i znaaj predvianja
Da bi se poboljale postojee i prevele u eljene potencijalne performanse u poslovanju
preduzea skoro redovno se naglaava nekoliko odrednica:
potreba anticipiranja konsenkvenci odluka koje se donose u sadanjosti,
kompleksnost i dinaminost sredine (okruenja) u kojoj e se one ostvarivati,
potreba aktivnog odnosa menadmenta preduzea prema izazovima iz okruenja, bilo
da su oni pozitivni za preduzee, ili pak negativni.
vizionarska koncepcija promena koje e preduzee vriti, i
spremnost da se upravlja iznenaenjima i rizicima.
Kako planiranje ne ukljuuje donoenje buduih odluka, nego se odnosi na donoenje
tekuih odluka sa projekcijom u budunost, bitno je da se kroz anticipiranje budunosti i
zauzimanje stava o buduem toku dogaaja povea stepen izvesnosti ostvarivanja
oekivanih rezultata odluka, koje se, dakle, uvek donose u sadanjosti.
"Problem je u tome koju budunost mi treba da razmatramo, kao i kako da je pretvaramo
u simultane odluke u sadanjosti."2
Oni koji imaju verovanje da e prirodni tok dogaaja dovesti sam po sebi do eljenih
stanja, i nemaju ni potrebe za predvianjem budunosti pa nemaju ni razmiljanje i
promiljanje kako da se ista iskoristi.
Planiranje je dakle, proces koji je usmeren na to da "generie" budua stanja, tj. ona
stanja koja se ele, a za koja se ne oekuje da bi se desila, ako se neto ne uini
planskom akcijom.
Otuda, planiranje ukljuuje optimistiku i pesimistiku komponentu. Optimizam se
bazira na shvatanju da se neto moe uraditi u sadanjosti da bi se poveale anse da se
eljene stvari dese u budunosti. Pesimizam lei u verovanju da, ukoliko se neto ne
preduzme sada, nije verovatno da e se eljeno budue stanje desiti.
Meu aktivnostima koje treba uraditi u sadanjosti, a u cilju poveanja izvesnosti
ostvarivanja planiranih zadataka i rezultata, dominantno mesto zauzima aktivnost
predvianja. Otuda se to predvianje definie kao:
"Istraivanje budunosti, s ciljem da se doe do pouzdanih planskih pretpostavki,
odnosno stavova o relevantnosti i prirodi dejstva eksternih i internih faktora na budue
poslovanje preduzea".3
Njegov znaaj determinisan je potrebom poveanja stepena izvesnosti realizacije
planskih odluka.
2 Drucker, P. "Postkapitalistiko drutvo", Grme i Privredni pregled, Beograd, 1995., str. 18

3 Todorovi, J., uriin, D., Janoevi, S., "Strategijski menadment", Institut za trina istraivanja, Beograd, 2000., str. 183.
Prethodna definicija predvianja ukazuje na nekoliko njegovih bitnih karakteristika:
istraivaki napor, to znai da treba da uvaava nauno zasnovane metode
istraivanja;
bavi se budunou u smislu otkrivanja ansi, odnosno ukazivanja na opasnosti koje se
formiraju u budunosti;
predvianje vezuje budunost za poslovanje preduzea s ciljem da se olaka donoenje
i realizacija planskih odluka;
predvianje podrazumeva zauzimanje stava o anticipiranim tokovima buduih
dogaaja (rezultati predvianja figuriu kao kljune premise planiranja);
osnovni smisao predvianja i planiranja jeste da se minimiziraju rizik i neizvesnost u
poslovanju.
Na osnovu toga vidi se da predvianje figurie kao nuna prethodnica procesa planiranja.
Brojni faktori afirmiu znaaj predvianja kao integralnog dela procesa savremenog
planiranja.
Posebno je znaajno biti spreman:
blagovremeno iskoristiti anse,
predvideti opasnosti,
minimizirati ih i biti svestan.
Odnosno imati na oku kretanja na podrujima kao to su:
irenje i inteziviranje fronta konkurentske borbe,

tendencije globalizacije biznisa,
pravci i brzina tehniko tehnolokog progresa,
apsolutno i relativno pomanjkanje resursa,
nestabilnost trinih i ekonomskih uslova,
kao i to da okruenje postaje sve vie amorfno i kompleksno.
Preduzea koja predviaju i planiraju suoavaju se sa poznatim problemima, a ona koja

to ne ine uvek se bave novim problemima i trpe iznenaenja. Zbog toga je poeljno da
menadment preduzea bude u stanju
da pliva ispred struje (proaktivistiki pristup)
preusmerava struju (interaktivistiki pristup).
Proaktivistiki pristup znai da preduzee oekujui promene, nastoji da iste predvidi i
na taj nain bude u stanju da ih blagovremeno iskoristi.
Interaktivistiki pristup ukljuuje pretenziju preduzea da menja budunost, odnosno da
kroz iniciranje novih trinih, tehnolokih i drugih promena, kreira sopstvenu budunost.
Organi upravljanja moraju da vode rauna o dve stvari:
da obezbede rad preduzea u sadanjosti, jer u protivnom ono nee biti sposobno da
posluje u budunosti i
moraju osposobiti preduzee da radi, raste i menja se u budunosti.
Isto tako, oni nemaju izbora nego da prihvate budunost, da pokuaju da je oblikuju, i da
uravnotee kratkorone i dugorone ciljeve.
"Budunost" se nee dogoditi zato to to neko arko eli.
Ona zahteva odluku sada.

Ona namee rizik - sada.
Ona zahteva akciju sada.
Ona trai alokaciju resursa, a pre svega ljudskih resursa i znanja,
Ona zahteva rad sada." 4
Kvalitet planskih odluka i aktivnost koje one pokreu odreeni su kvalitetom

predvianja, tj. irinom i dubinom uvida u dinamiku faktora okruenja kao i
sposobnou spoznaje karaktera njihovog uticaja na budue poslovanje preduzea.
U savremenim uslovima predvianje treba da omogui privrednom subjektu da povea
stepen efektivnosti svoga poslovanja, tj. da se u svakom stadijumu svoje egzistencije
bavi pravim stvarima. Integrisanje predvianja i planiranja treba da mu omogui da
uspostavi to adekvatniju korespodenciju izmeu svog delovanja i izazova i pretnji koje
se formiraju faktorima okruenja.
Predvianje pomae da se smanji jaz izmeu stvarnog i mogueg u poslovanju
preduzea, odnosno omoguava da se zahvaljujui blagovremenoj spoznaji poruka
okruenje ee nalazi u situaciji da bira, a ree da reaguje na nepovoljne iznenadne
okolnosti.
Imperativ za predvianje proizilazi iz pozicije i konfiguracije savremenog robnog
proizvoaa.
Znaaj predvianja je promenljiv i zavisi od:
stabilnosti i kompleksnosti trita,

vida organizacije proizvodnje,
uspostavljenih odnosa sa kupcima i dobavljaima,
raspoloivosti podataka i
izraenosti odreenog podruja predvianja.
U nestabilnom privrednom ambijentu predvianje je znaajno oteano. Na znaaju

dobija operisanje sa scenarijima moguih aktivnosti i projektovanje repertoara poslovnih
poteza, kao i spremnost prihvatanja rizika. Preduzea su prinuena da se kroz ulaganje u
informacije navikavaju na ivot u uslovima diskontinuiteta, i da zahvaljujui internoj i
eksternoj fleksibilnosti upravljaju iznenaenjima.
Eksterno orijentisano planiranje sve vie afirmie monitoring okruenja i spremnost da
blagovremeno deifruje signale koji nose poruke o trinim, tehnolokim i drutvenim
fenomenima.
4 Drucker, P. "Management", Harper and Row Publishers, New York, 1973., str. 122.
1.2. Odnos predvianja i planiranja

S obzirom na to da su i planiranje i predvianje orijentisani na budunost, ponekad se u
praksi, a i u teoriji ne pravi jasna razlika izmeu ova dva pojma. Oni se ak ponekad
koriste kao sinonimi, a u terminologiji postoje i izrazi kao to su: prognoza, predikcija,
projekcija, anticipacija, intencija i futurologija koji se takoe ponekad poistoveuju sa
predvianjem i planiranjem.
Izmeu gornje grupe termina i predvianja postoji podudarnost, te se neke od njih
koriste za blie objanjenje predvianja. Ali, kada je re o predvianju i planiranju,
smatra se da ima dovoljno elemenata da se oni meusobno razlikuju.
Planiranje je proces donoenja planskih odluka, a predvianje je anticipiranje budueg
toka dogaaja, tj. stvaranje predstave unapred o moguem ishodu dogaaja u budunosti
i zauzimanja stava o njihovoj relevantnosti za poslovanje preduzea u budunosti. Dakle,
iz procesa planiranja rezultiraju planske odluke, a iz procesa predvianja nastaju planske
premise.
Planiranje podrazumeva preuzimanje akcija, dok predvianje ukljuuje istraivanje,
planiranje ukljuuje konkretizaciju ponaanja preduzea, dok predvianje ukljuuje iri
krug opcija jer operie sa budunou koja uglavnom ukljuuje neizvesnost. Otuda
predvianje inicira i izmenu planova.
Budui da rezultira u planskim pretpostavkama, predvianje nuno podrazumeva
operisanje sa informacijama iz prolosti, sadanjosti i budunosti, dok planiranje
ukljuuje vrednovanje i izbor alternativa. U tom pogledu predvianje ukljuuje
istraivaku, a planiranje kreativnu fazu, tzv. fino programiranje u ukupnom procesu
upravljanja poslovanjem preduzea.
Time to anticipira tokove dogaaja, ukljuujui i spoznaju moguih reakcija okruenja
na akcije dotinog preduzea, predvianje omoguava da se preduzme pravi rizik i na taj
nain unapredi proces planiranja. Zbog imanentnosti rizika u ekonomskoj aktivnosti,
stvarni problem nije da se eliminie rizik, nego da se identifikuje rizik, razume njegova
priroda, i prema tome izabere pravac akcije sa to manjim rizikom.
Predvianje odgovara na pitanje gde bi moglo da se nae preduzee, imajui u vidu
budue anse i opasnosti u razvoju dogaaja, dok planiranje odgovara na pitanje gde bi
trebalo da ide preduzee (utvrivanje ciljeva i strategije) kao i na pitanje kako to postii
(koncipiranje programa, postupka i stvarno preduzimanje akcija).
Predvianje i planiranje treba tretirati kao dve nerazdvojne komponente na kojima se
zasniva proces upravljanja poslovanjem savremenog preduzea. Zajedniko im je
usmerenost na budunost do koje se ipak dolazi preko sadanjosti, a koja je opet pod
uticajem budunosti. Zbog toga se istie da je ponaanje preduzea "odreeno prolou,
sredinom u kojoj sada deluje i nekom slikom budunosti".
U literaturi ima i drugaijih interpretacija odnosa planiranja i predvianja. Neka
shvatanja ne odvajaju planiranje od predvianja nego predvianje smatraju integralnim
delom procesa planiranja, dok drugi insistiraju na potpunom odvajanju ove dve
aktivnosti i to na domen planiranja, koji znai mogunost neposrednog regulisanja
tokova u privredi, i domen predvianja koji se odnosi na situacije kada se privrednim
procesima ne vlada u dovoljnoj meri.
Kada je re o odnosu prognoze i pedvianja, uobiajeno je da se koriste kao sinonimi,
iako ima pokuaja da se oni diferenciraju.
Prognoza (od grke rei prognosis = prethodno znanje, prethodno saznanje) objanjava
se kao "odreivanje ishoda nekog stanja koje je ve u toku ili u oekivanju, predvianje,
predskazivanje, zakljuivanje unapred o neemu" ili kao "predvianje kako trajanja,
tako i ishoda nekog odreenog procesa ili aktivnosti zasnovano na utvrenim podacima".
Polazei od ranije definicije predvianja za koje se kae da se bavi budunou, ali da
podrazumeva zauzimanje stava o anticipiranom toku dogaaja, proizilazi da je prognoza
vie neutralan i pasivan napor na polju istraivanja budunosti, dok je predvianje
usmereno na pripremu podloga za planiranje.
Zbog toga je realnije shvatanje koje polazi od toga da se "pod prognoziranjem
podrazumeva slobodna, neobavezna procena budueg toka dogaaja, dok je predvianje
prihvaen stav o buduem dogaaju od koga se polazi u definisanju planskih odluka".
to se tie projekcije, i nju takoe treba razlikovati od predvianja, budui da ona
predstavlja metod predvianja. Razlikuje se mehanika i analitika projekcija.
Mehanika projekcija se bazira na mehanikom produavanju tokova iz prolosti u
budunost, pretpostavljajui da nee dolaziti do diskontinuiteta u kretanju dogaaja u
budunosti. Ovakav metod predvianja se naziva i pasivnim predvianjem.
Analitika projekcija podrazumeva da se predvianje toka dogaaja u budunosti
zasniva na razumevanju uzrono-posledinih odnosa u kretanju dogaaja u prolosti i
sadanjosti, to znai da dozvoljava i drugaije kretanje dogaaja u budunosti. Ova
projekcija se naziva i aktivnim predvianjem. Naime, analitike projekcije imaju aktivan
stav prema budunosti i pouzdanije su za privredna predvianja, dok se mehanike
projekcije mogu koristiti samo za kratkorona predvianja.
Sa stanovita korienja projekcije u planiranju korisno je praviti razliku izmeu
izvetajne, eljene i planirane projekcije.
Izvetajna projekcija pomae da preduzee predvidi gde bi bilo, odnosno u kakvo stanje
svojih odnosa sa okruenjem e doi ako nita se ne menja u nainu svoga poslovanja.
eljena projekcija oslikava stanje u koje bi mogio da se doe imajui u vidu anticipirane
promene u faktorima okruenja, dok razlika izmeu ove dve projekcije ini domen
planirane projekcije. Prema tome, planirana projekcija oslikava stanje u koje je mogue
doi na bazi pretpostavljenih planskih akcija.
Proizilazi da izvetajna projekcija odgovara na pitanje gde bi preduzee bilo u odsustvu
planskih akcija, a eljena projekcija odgovara na pitanje gde bi moglo da bude ako bi
iskoristilo izazove koje nudi budunost, dok planirana projekcija odgovara na pitanje gde
moe biti imajui u vidu planirano preduzimanje akcija.
1.3. Horizonti predvianja

Budui da se putem predvianja pripremaju osnove za planiranje, relevantno je da se u
istraivanju budunosti to dublje pronikne u faktore i zakonitosti koje opredeljuju
tokove buduih dogaaja. Osim toga, bitno je sagledati koliko dugo e pojedine planske
odluke tangirati poziciju i poslovanje preduzea.
Spoznaja tokova dogaaja u budunosti, utvrivanje njihove relevantnosti za poslovanje
preduzea i anticipiranje konsekvenci sadanjih planskih odluka osnovne su
preokupacije predvianja. Kroz predvianje obezbeuje se vidik za planere. Zbog toga
se operie horizontom preduzea koji se stvara kroz proces predvianja. Ovaj horizont se
moe posmatrati sa prostornog i vremenskog aspekta.
1.3.1. Sadrina i znaaj prostornog horizonta preduzea

Prostorni horizont se odnosi na irinu i dubinu (otrinu) uvida preduzea u faktore
njegovog okruenja. Radi se o naporu kojim se eli kroz proces prepoznavanja glavnih
segmenata blieg i daljeg okruenja predvideti poslovni ambijent preduzea. Ovaj
horizont ukljuuje prepoznavanje blieg (ciljnog) i daljeg (opteg) okruenja.
Blie okruenje, koje se jo naziva i poslovnim ili konkurentskim, je prvi krug
poslovnog horizonta u kojem treba da se sagledaju faktori koji opredeljuju mogunost
pribavljanja resursa i poloaj preduzea na tritu prodaje.
Dalje ili posredno okruenje ine faktori koji su izvan kontrole preduzea, a koji
indirektno opredeljuju poslovni ambijent, te se takoe moraju ukljuiti u vidokrug
posmatranja i predvianja.
Znaaj prostornog horizonta odreuju razni faktori, a meu njima treba pomenuti:
veliinu preduzea, prirodu i irinu njegovih veza sa okruenjem, prirodu grane,
ambicije planera i sl.
to se tie postupka identifikovanja i predvianja komponenti prostornog horizonta,
naelno, postoje dva pristupa:
"Od vrha na dole" polazi od toga da bi u predvianju i definisanju planskih pretpostavki
trebalo poi od najopirnijih uticaja na poslovanje preduzea, pa kroz suavanje i
konkretizaciju doi do ocene njihove relevantnosti za neposredno poslovanje preduzea.
U osnovi ovog pristupa nalazi se verovanje da je proizvodnja dotinog preduzea
uslovljena onim to se deava u najirem okruenju.
"Odozdo na gore" polazi od specifinog ka optem, svojstven je manjim preduzeima.
Naime, do planskih veliina se dolazi na taj nain to se u predvianju polazi od
mogunosti prodaje svake grupe proizvoda, zatim se vri njihovo agregiranje da bi se
aproksimirala mogua prodaja za preduzee kao za celinu.
Meutim, s obzirom na to da je budui poslovni ambijent i budunost preduzea
odreena kako dinamikom faktora okruenja tako i sadanjim odlukama dotinog
preduzea, najbolje je da se u identifikovanju i predvianju prostornog horizonta osloni
na kombinaciju prethodna dva metoda.
1.3.2. Vremenski horizont predvianja
S obzirom na to da ostvarivanje planova podrazumeva protok kraeg ili dueg
vremenskog perioda, to je u momentu njihovog donoenja nuno predvideti period bar
toliko dug da obuhvati trajnost konsekvenci planskih odluka.
"Vremenski horizont" je veliina vremenskog intervala u kome se mogu predviati
kretanja odreenih privrednih pojava, koje bitno utiu na poslovanje preduzea. On je
odreen i injenicom da se mogunost predvianja smanjuje to se vie ide u budunost,
a isto tako se smanjuje mogunost korienja prolim iskustvom to se ide dalje u
prolost.
Vremenski horizont je "budui vremenski period od kojeg dalje privredne veliine, zbog
neizvesnosti, pokazuju takvu irinu kolebanja da se vie ne mogu koristiti za
odluivanje". Radi se o intervalu koji je bitno utvrditi da bi se moglo da izvri
prikupljanje podataka i predvidi budui tok vremenskog horizonta.
Iako nije mogue precizno utvrditi granice pojedinih intervala uobiajena je podela na:
kratki, srednji i dugi rok. Shodno tome govori se o:
kratkoronom predvianju koje obuhvata period do godine dana,
srednjoronom predvianju, koje se odnosi na period od jedne do pet godina i
dugoronom predvianju koje pokriva period preko pet godina.
Kratkorono predvianje. Moe se rei da kratkorono predvianje obuhvata period koji
je dovoljno dug da se varijabilni faktori proizvodnje upotrebe u razliitim
kombinacijama, a u cilju maksimiziranja poslovnih rezultata.
Ova vrsta predvianja je osnova za pripremu kratkoronih, odnosno operativnih planova.
Znaajno je u onim delatnostima koje su pod uticajem faktora koji se regularno
pojavljuju tokom cele godine. Otuda, kratkorono planiranje obuhvata identifikovanje,
anticipiranje i dimenzioniranje uticaja faktora koji e sticajem odreenih okolnosti u tom
periodu nastupiti.
Kada je re o faktorima koji se regularno pojavljuju misli se na dimenzionisanje uticaja:
sezone,
klimatskih faktora,
godinjih odmora i kolskih raspusta,
ustaljenih kulturnih, privrednih, sportskih i politikih manifestacija,
dravnih i verskih praznika i sl.
Budui da se radi o faktorima koji se redovno pojavljuju u toku godine u predvianju

njihovog uticaja moe se u znaajnoj meri osloniti na prolost, tj. na korienje podataka
o kretanju obima prodaje u periodima dejstva ovih faktora.
Zavisno od prirode problema, mogue je osloniti se na zakljuivanje po analogiji u
smislu da se na bazi slinosti izmeu dva skupa dogaaja predvide odreene
konsekvence.
U odreenim situacijama moe se pribei i dedukciji, tj. da se polazei od optih zakona
doe do pojedinanih zakljuaka. Proizilazi da u predvianju nastupanja ovih faktora
mora da se operie sa predvianjem sa to duim vremenskim horizontom, s jedne i to
dubljim razumevanjem prirode dejstva faktora na tranju i mogunosti preduzea, s
druge strane.
Srednjorono predvianje. Sam naziv ukazuje da se radi o predvianju koje obuhvata
period vremena izmeu kratkoronog i dugoronog. Uobiajeno je da se vezuje za period
od 5 godina, iako u pojedinim granama duina ciklusa ne korespondira petogodinjem
periodu. U velikom broju grana zapaa se pojavljivanje poslovnih ciklusa koji traju 2-5
godina, koje je za razliku od uticaja sezone teko dimenzionisati zbog dueg vremenskog
perioda koji obuhvataju.
Zbog injenice da se radi o periodu u kojem se, zavisno od prirode grane, moe puno
toga dogoditi sa ili bez uzrono posledine povezanosti sa dugoronim trendom, mnogi
autori smatraju ova predvianja vrlo tekim, ali, moda najkorisnijim.
Zbog toga, upravo predvianje kretanja privrednih i drutvenih faktora u petogodinjem
vremenskom intervalu treba da omogui realnije opredeljivanje ciljeva, akcija, i uslova
koji e se ostvarivati u srednjoronom planu.
Imajui u vidu veliinu i duinu konsekvenci planskih odluka koje rezultiraju iz
srednjoronog planiranja, moglo bi se rei da se radi o kjunom intervalu vremenskog
horizonta predvianja.
Dugorono predvianje. Dugim rokom se smatra period dovoljno dug da se promene svi
faktori procesa proizvodnje. Pojam je prvi uveo Alfred Marshall, a danas se pored
kategorije dugog roka u kojem su svi faktori proizvodnje varijabilni, razlikuje i tzv. vrlo
dug period u kojem je mogue potpuno promeniti i tehnoloku osnovu proizvodnje.
Dugorono predvianje obuhvata period dovoljno dug da se sagledaju konsekvence
najradikalnijih planskih odluka. Budui da se odnosi na najdui vremenski interval i
najiri prostorni horizont, ovo predvianje ukljuuje visok stepen neizvesnosti.
Tanost predvianja uslovljena je:
duinom vremenskog perioda,

stabilnou uslova predvianja,
veliinom uticaja preduzea na okolinu,
metodama i tehnikama koje se koriste u predvianju.
Danas se u teoriji i praksi koristi veliki broj metoda i tehnika predvianja koje imaju
dobre i loe strane zavisno od podruja i duine vremenskog perioda za koje se u
predvianju koriste.
Tanost predvianja moe da bude ugroena zbog:
neadekvatnog baznog perioda,

dejstva neekonomskih faktora,
neregularnosti u dejstvu vremenskih (klimatskih) faktora,
obuhvatnosti i duini predvianja i
iznenaenja u ponaanju konkurentskih preduzea.
1.4. Osnovni pojmovi o odluivanju

Donoenje odluka stalno je prisutno u svim domenima egzistencije, od svakog pojedinca
do najrazliitijih organizovanih oblika ljudi i drutva. U bezbroj svakodnevnih i
raznovrsnih situacija odluke donosi pojedinac, porodica, neformalne i formalne grupe
ljudi, drutvena udruenja i organizacije, privredni i drugi poslovni subjekti. U cilju
donoenja odluka, od strane donosioca odluke - pojedinca ili grupe ljudi, sprovodi se
odgovarajui proces odluivanja, to kod sloenijih situacija najee ukljuuje
korienje modela u razmatranom sistemu i optimizacije u sistemu posredstvom reenja
usvojenog na modelima.
Sprovoenje usvojenih planova iziskuje odgovarajuu podrku kroz permanentne
dodatne akcije i aktivnosti, a o mogunosti da e se plan efikasno sprovoditi moralo je da
se, u to je mogue veoj meri, vodi rauna od poetka u toku identifikacije problema i
pripremanja odluke.
Matematika teorija odluivanja postavlja precizne definicije za donoenje odluke, ali u
optem sluaju, odluivanje predstavlja izbor izmeu odreenog broja alternativa.
Odluivanje je odreivanje onoga ta treba uraditi. Ultimativni cilj svakog odluivanja je
izvrenje neke akcije. Za donoenje neke odluke na raspolaganju stoji vie alternativa,
odnosno vie alternativnih odluka. U cilju detaljnijeg sagledavanja razmatrane
problematike moe se ukazati na sledee definicije:
Odluka - je rezultat odluivanja i uvek se donosi da bi se ispunili odreeni zahtevi ciljevi koji su postavljeni u razmotrenom problemu.''Odluka je izbor izmeu vie
alternativnih mogunosti za reavanje problema.''5
Odluivanje - predstavlja izbor izmeu vie moguih alternativa, iz mnotva prethodno
pripremljenih alternativa, odnosno izmeu vie moguih alternativa za razmatrani
problem. Prema Bulat-u ''Odluivanje je proces u kome se vri izbor izmeu vie
alternativnih mogunosti za promenu stanja radi postizanja cilja.''6
Donosilac odluke - je svako u poslovnom okruenju sa kompetencijom da odluuje, i to
u onom delu za koji snosi i punu odgovornost.''Odluivanje predstavlja niz aktivnosti
koje su meusobno povezane, uslovljene, slede jedna iz druge, a iji je rezultat
donoenje odluke.''7 Donosilac odluka moe biti pojedinac ili grupa ljudi. Odluka se
moe doneti i kada postoji i samo jedna alternativa za izbor.
Proces odluivanja - je proces kojim se stvara odluka. To je niz meusobno povezanih i
uslovljenih aktivnosti koje se odvijaju sukcesivno, usmerene ka krajnjem cilju da se
donese odreena odluka.
Svrha odluivanja je, dakle da se doe do odluke. Moe se rei da je svrha opte
opravdanje svakog postupka, a cilj je ono to je potrebno postii odreenim postupkom.
Postupkom se stvara rezultat kojim se u potpunosti ili delimino postie ili uopte ne
postie eljeni cilj. Skup raspoloivih alternativa ili akcija naziva se strategija.
5 Schermerhorn, J.P., Management and Organizacional Bihevior, John Willey.N. y.,1996, str. 194
6 Bulat,V., Industrijski menadment, ICIM, Kruevac., 1997., str. 245.
7 Zver, B., proces odluivanja u organizacijama udruenog rada, Informator, Zagreb, str.78
Alternative izmeu kojih treba izvriti izbor i usvojiti jednu od njih kao odluku poseduju
odreenu koliinu informacija o karakteristikama konkretnog predmeta odluivanja.
Sloenost izbora odluke je obrnuto proporcionalan broju alternativa i koliini
informacija o svakoj postojeoj alternativi.
Neki autori ukazuju da se izbor moe izvriti na osnovu:
tehnike odluivanja, kada se koristi skup detalja, tehnika ili metoda.
pravila odluivanja, kada se koriste odgovarajui vodii ili testovi za prosuivanje
vetine odluivanja, tj. sposobnosti korienje tueg znanja u reavanju problema.
U raznim, konkretnim sluajevima donosi se niz odluka ali se moe prihvatiti da bilo
koja odluka pripada jednoj od tri osnovne grupe (Slika 1.1), to je saglasno sa najeim
nivoima odluivanja, a u svakoj narednoj grupi ima vie odluka nego u prethodnoj
grupi.8 Odluke se dele na:
strateke odluke, sa dugoronim posledicama,
taktike odluke kojima se sprovode strateke odluke,
operativne odluke koje nastaju kada se jedna taktika odluka dalje razlae na vie
odluka nieg nivoa.
ODLUKE
TAKTIKE ODLUKE
OPERATIVNE ODLUKE
Slika 1.1 Vrste odluivanja
Za donoenje svake konkretne odluke potrebno je imati na umu etiri naredne

karakteristike:
a) Vanost. Na pristup pripremanju i sprovoenju odluke od osnovnog uticaja je
njen znaaj, to se iskazuje kroz: ciljeve koje treba ostvariti odlukom (strateke,
taktike i operativne prirode), posledice donoenja ili nedonoenja dobre odluke,
posledice sprovoenja ili nesprovoenja donete dobre odluke i posledice sprovoenja
loe odluke.
b) Vreme. Za donoenje odluke potrebno je odgovarajue vreme za pripremu.
Odluka se mora doneti blagovremeno kako bi se postigli najbolji efekti u datim
uslovima. I najbolja odluka doneta sa zakanjenjem vie ne mora biti dobra odluka,
usled mogue promene uslova u kojima se ona sprovodi.
8 I.Nikoli; S.Borovi; Viekriterijumska optimizacija,1996g, p 1-3
Efekti zakasnele odluke mogu biti umanjeni, odnosno imati manje ili vee tetne
posledice, a neka druga odluka bi imala optimalne rezultate.
c) Trokovi. Vrednost odluke ne moe biti manja od uinjenih trokova za njeno
pripremanje, imajui pri tome na umu da cena pogreno donete odluke moe biti vrlo
velika. Na primer: pogrene strateke odluke mogu imati dugorone negativne
posledice koje se ili ne mogu otkloniti ili neutralisanje takvih posledica traje dugo,
odnosno zahteva velike trokove, ukljuujui i trokove pripremanja novih odluka.
d) Sloenost. Razmatranje velikog broja injenica, njihova promenljivost i
zavisnost, stepen pouzdanosti podataka i njihova kompletnost, odreuju stepen
sloenosti odluke i pristup pripremanju takve odluke.
U realnim situacijama vrlo esto je prisutno da na ostvarenje cilja za koji se donosi
odluka utie veliki broj faktora i pri donoenju odluke analiziraju se samo oni faktori
koji se u tom trenutku smatraju najznaajnijim.
Na postizanje cilja odluke donete u sadanjosti deluju i faktori u budunosti koji u
trenutku donoenja odluke nisu poznati, odnosno na njih se ne moe uticati. U zavisnosti
od stepena poznavanja svih faktora pri donoenju jedne odluke razlikuje se:
odluivanje pri izvesnosti,
odluivanje pri riziku i
odluivanje pri neizvesnosti.
Malo je problema u kojima se postavlja ostvarivanje samo jednog cilja. Veina realnih
problema imaju svojstvo da se u svakom konkretnom sluaju donosi takva odluka kojom
je potrebno da se istovremeno ostvare vie ciljeva koji mogu biti i konfliktni.
Na osnovu navedenog proizilazi da odluivanje predstavlja izuzetno sloen proces i ono
moe biti dvojako:
racionalno odluivanje ili nauno odluivanje, izborom najbolje alternative na bazi
kvantitativnih analiza potrebnih podataka i informacija, odnosno, utvrivanja i
argumentovanog poreenja svih raspoloivih alternativa, koristei odgovarajue naune
metode i moderna tehnika sredstva, ili
intuitivno odluivanje, oslanjajui se na oseaj i steena iskustva u slinim situacijama
iz prakse.
1.5. Proces odluivanja

Proces odluivanja (PO) ili proces donoenja odluka sastoji se iz odreenih faza i mnogi
autori definiu te faze na razliite naine, ali se istie da ovaj proces ne moe biti u
potpunosti univerzalan za sve vrste sistema i sve vrste odluka, ve se mora definisati i
sprovoditi u zavisnosti od specifinosti sluaja koji se analizira (Slika 1.2)9. Nauni
pristup odluivanju poiva na optoj definiciji francuskog filozofa i matematiara iz XVII
veka DESCARTES - a o naunom pristupu istraivanju.
Slika 1.2 Nauni pristup procesa donoenja odluka
Prihvatljivo je posmatrati 11 faza procesa odluivanja (Slika 1.3)10 iji se sadraj i bez
detaljnih obrazloenja, moe tumaiti iz samih naziva faza. U ovom pristupu se
neposrednim procesom donoenja odluka smatraju faze 3 do 9.
Rukovodei se donoenjem jedne odluke date su i potrebne interakcije meu svim
fazama, a osenavanjem faza 5 do 7 oznaava se da mnogi autori ove faze ne razdvajaju,
ve ih smatraju jednom od bitnijih faza u procesu donoenja odluka.
U sluajevima kada nema odluke povratna sprega moe da vodi do bilo koje od faza od 5
do 7.
9 I.Nikoli;S.Borovi; Viekriterijumska optimizacija,1996g, p 1-9

Slika 1.3 Faza procesa donoenja odluka
Razlaganjem odluka u sutini, nastaje novi proces donoenja odluka. Time se postie
proces odluivanja, ali se istovremeno doprinosi uspenijem sprovoenju osnovne
odluke, imajui vee mogunosti kontrole, analize posledica i korekcije niih odluka u
realnim problemima.
Vrlo esto su prisutne i situacije kada jednom doneta odluka o odreenom problemu ne
mora ostati u prvobitnom obliku, ve na osnovu analize trenutno aktuelnih uslova u
sistemu i njegovom okruenju, nastaje potreba sprovoenja jedne od narednih mera:
da se prethodna odluka u manjoj ili veoj meri dopuni ili
da se prethodna odluka u potpunosti zameni, ili
da se prethodna odluka zameni odlukom o drugom odnosno novom problemu.10
1.6. Pojam optimizacije

Teorija optimizacije prouava kako da se opie i postigne ono to je najbolje, ako se zna
da se meri i razlikuje ta je dobro a ta loe.
Optimizacija se definie kao nauka koja odreuje "najbolje" reenje odreenog
matematiki definisanog problema.
Optimizacija nije samo numeriki postupak za odreivanje optimuma. Prouavajui i
primenjujui razliite optimizacione metode stie se sposobnost prepoznavanja
optimuma i u onim problemima koji nisu kompletno matematiki formulisani.
Proces odluivanja sadri tri opta koraka11:
upoznavanje sistema,
odreivanje mera efektivnosti i
optimizacija,
to znai da je za optimizaciju neophodno poznavanje sistema i mere vrednovanja.
Postupak reavanja optimizacionog problema ima 5 faza11:
1.
2.
3.
4.
5.
Formulacija problema,
Izrada matematikog modela koji reprezentuje realni sistem,
Izbor i primena metode i izbora algoritma i programa za raunar,
Testiranje modela dobijenog reenja,
Implementacija.
U inenjerskoj praksi planiranja sistema koristi se prilaz "diskretnih modela" kada se,
umesto izrade sveobuhvatnog matematikog modela, projektuju varijantna reenja. Za
ovakav prilaz postupak reavanja optimizacionog problema ima sledee faze11:
1.
2.
3.
4.
5.
6.
7.
8.
Formulisanje problema,
Prikupljanje podataka o sistemu,
Definisanje kriterijuma za vrednovanje alternativnih reenja,
Formulisanje alternativnih reenja,
Vrednovanje alternativa,
Optimizacija - izbor najbolje alternative,
Zavrno projektovanje i
Implementacija.
U nekim sluajevima se koriste oba prilaza. Da bi se primenila neka optimizaciona

metoda, u veini sluajeva je potrebna matematika formalizacija problema, odnosno
matematiki model.
11 S.Opricovi,Viekriterijumska optimizacija sistema u graevinarstvu, Beograd, 1998, str 40.
1.7. Matematiki modeli i optimizacija

Polazei od pretpostavke da za veinu odluka u konkretnim situacijama moe vaiti
napred definisana varijanta procesa donoenja odluka pri razlaganju jedne odluke na
njene delove, odnosno na nie odluke, i da je odluke potrebno donositi na osnovu
argumentovanih injenica, moe se usvojiti, to nije neophodno detaljnije obrazlagati, da
matematiki modeli i optimizacione metode imaju znaajnu, a u nekim sluajevima i
nezamenljivu ulogu u najbitnijim fazama ovog procesa.
Pod matematikim modelom realnog sistema podrazumeva se skup matematikih
relacija (formula, jednaina, nejednaina, logikih uslova, operatora itd.) koje opisuju
funkcionisanje sistema, odnosno odreuju karakteristike stanja sistema (a preko ovih i
izlaza) u zavisnosti od parametara sistema, ulaza, poetnih uslova i vremena.
Optimizacioni matematiki model ima tri elementa u vidu trojke (MM , L, F ) gde je:
MM - matematiki model u uem smislu (relacije izmeu veliina u sistemu),
L - skup ogranienja i
F - funkcija kriterijuma.
1.8. Zadatak optimizacije

Zadatak optimizacije sistema je da se izvri izbor najbolje varijante iz moguih ili
povoljnih varijanti u smislu usvojenog kriterijuma. Takva najbolja varijanta se naziva
optimalno reenje optimizacionog zadatka.
Optimalno reenje predstavlja kompromis izmeu elja (kriterijuma) i mogunosti
(ogranienja).
Kriterijum se obino izraava kriterijumskom funkcijom koja za najbolju varijantu
(reenje) treba da dostigne globalni ekstremum, s obzirom na ogranienja koja
uslovljavaju mogunost postizanja cilja optimizacije.
Sa matematike strane optimizacija se svodi na odreivanje ekstremuma kriterijumske
funkcije.
1.9. ematski prikaz procesa optimizacije

ematski prikaz opteg procesa optimizacije je dat na narednoj strani (Slika 1.4)12.
Optimizacija je sloen proces dolaenja do reenja i odvija se u vie faza i na vie nivoa
odluivanja.
Osnovni koraci ili faze u optimizaciji su:
- Definisanje ciljeva i namena sistema i identifikacija naina postizanja eljenih
ciljeva,
- Formalni opis sistema i definisanja naina vrednovanja kriterijumskih funkcija,
- Korienje postojeih normativnih metoda, optimizacija u uem smislu,
- Usvajanje konanog reenja ili donoenje konane odluke i
- Ako konano reenje nije usvojeno, srediti nove informacije ponovnim
definisanjem zadatka.
Na nivou odluivanja kljunu ulogu ima donosilac odluke. U sloenim sistemima esto
donosilac odluke nije jedna osoba, ve je to skup osoba sa specifinim strukturama
skupa. U takvim sluajevima tehniki nivo treba da predloi donosiocu odluke skup
dobrih odluka, vodei rauna o tome da olaka donoenje konane odluke, to znai da
predloena reenja treba da su jasno, kratko i precizno obrazloena i da njihov broj bude
relativno mali.
Postupak donoenja konane odluke zavisi od strukture donosioca odluke, skupa reenja
koji im se prezentira i irih drutvenih normi.
Slika 1.4 ematski prikaz procesa optimizacije
12 S.Opricovi, Viekriterijumska optimizacija sistema u graevinarstvu, Beograd, 1998, str 44
1.10. Pregled metoda optimizacije

Postoje razliite metode optimizacije koje se mogu svrstati u grupe prema razliitim
aspektima. Sa stanovita prisustva ogranienja postoje metode za:
bezuslovnu (bez ogranienja) optimizaciju,
uslovnu (uz ogranienja) optimizaciju.
1.10.1. Metode bezuslovne optimizacije

- Metode pretraivanja
Odreivanje vrednosti funkcije f ( x ) u svim takama pravilne mree i uporeivanjem tih
vrednosti izdvaja se optimalna vrednost. Pretraivanje moe biti sa konstantnim ili
promenljivim korakom.
- Gradijentni postupci
Gradijentne metode predstavljaju metode sistematskog pretraivanja i nalaenja reenja
u iterativnom postupku za zadatke bez ogranienja. Polazi se od datog dopustivog
reenja (poetnog) x0 i iterativno se pribliava optimumu x +. Novu vrednost x k u k toj iteraciji odreuje se pomou relacije xk = xk 1 + k pk , k i pk se odreuju na
osnovu gradijenta V f (x) koji predstavlja karakteristiku pojedinih postupaka.
- Njutnove metode
Newtan - Raphson - ova (Njutn - Rapsonova) metoda za reavanje jednaine f ( x ) =0 sa
jednom promenljivom se sastoji u iterativnom postupku:
x k = x k 1
f ( x k 1 )
f ' ( x k 1 )
a bazira se na linearizaciji funkcije xk 1 .

Maksimum funkcije f (x) (od vie nepoznatih) odreuje se metodom koja se sastoji u
reavanju vektorske jednaine V f ( x) = 0 pomou iterativne relacije:
xk = xk 1 {G ( xk 1 )} V f ( xk 1 )
1
gde je G(x) Hesijan ; Gij ( x) =
2 f
(xi x j ) .
f
f
= 0 ; j = 1,2,...n Jednaine
= 0 ; j = 1,2,...n proizilaze iz
x j
x j
potrebnog uslova za optimalno reenje. Reavanjem ovih jednaina dobijaju se
stacionarne take i posebnim analizama treba utvrditi koja od njih je traeni maksimum
(optimum).
- Reavanje jednaina
- Varijacioni raun i reavanje Euler-ove (Ojlerove) jednaine za zadatke optimalnog
upravljanja
Metode varijacionog rauna su razvijene za reavanje kontinualnih dinamikih zadataka.
Opti problemi sa jednom promenljivom u varijacionom raunu je nai ekstremum
funkcionala.
b
J ( y ) = f ( x , y , y' )dx
a
Potreban uslov za ekstremum tog funkcionala je da y zadovoljava Ojlerovu (Euler)

jednainu:
d f f

=0
dx y ' y
Potreban uslov ekstremum funkcionala u zadacima sa vie funkcija ( y1 , ..., y n ) od jedne
f (x , y , y , ..., y , y , y , ..., y )dx

b
promenljive
'
1
'
2
'
n
je da je zadovoljen sistem Ojlerovih
jednaina:
d f f
= 0; i = 1, 2, ..., n .
dx yi' yi
1.10.2. Metode uslovne optimizacije
- Linearno programiranje
Linearno programiranje je metoda za reavanje zadataka optimizacije koji koriste
matematiki model sastavljen od linearne kriterijumske funkcije i sistema linearnih
jednaina ili nejednaina kojim je zadat skup ogranienja. Zadatak se sastoji u nalaenju
minimuma ili maksimuma kriterijumske funkcije uz zadovoljenje datih ogranienja.
Matematika formulacija zadataka linearnog programiranja ima sledei oblik:
n
min c j x j
j =1
aij x j ( = ili )bi ; i = 1,..., m

j =1
- Eliminacija i zamena varijabli

Ovaj prilaz u reavanju optimizacionih zadataka moe se primeniti na sledeu
matematiku formu:
max f ( x )
g ( x ) = 0 ; i = 1,..., m
Sreivanjem jednaina jedna promenljiva xj izraava se eksplicitno preko ostalih n 1 i
zamenjuje se u kriterijumskoj funkciji. Time se zadatak svede na zadatak sa n 1
promenljivom i bez jednog ogranienja.
Ponavljanjem postupka eliminacije i zamene varijabli zadatak se konano svede na
zadatak sa n m varijabli bez ogranienja. Ovaj postupak moe se primeniti i za
eliminaciju ogranienja u vidu nejednaina, meutim ona se ree primenjuje.
- Metoda Langranovih multiplikatora
Ova metoda se moe primeniti za reavanje sledeeg zadatka:
max f ( x )
g ( x ) = 0 ; i = 1,..., m
Uvoenjem Langranove funkcije (Langranzijana L) zadatak se svede na zadatak bez
ogranienja proiren Langranovim multiplikatorima (i).
Reava se sledei zadatak:
m
max f ( x ) i g i ( x)
i =1
Reenje se moe dobiti reavanjem sistema jednaina:

g
l
f
=
i = 0; j = 1, ..., n
x j x j
x j
l
= g i ( x) = 0; i = 1, ..., m
i
Ovako dobijena stacionarna taka za funkciju L(x, ) sedlasta taka.
- Kaznene funkcije
Uvoenjem kaznenih funkcija opti zadatak sa ogranienjima se transformie u zadatak
bez ogranienja. Za zadatak sa sledeom matematikom formulacijom:
min f ( x )
g i ( x ) = 0; i = 1, ..., m
h( x ) 0;
j = 1,2,...r
moe se izvesti modifikaciona kriterijumna funkcija:

m
i =1
j =1
hj
F ( x ) = f ( x ) + K 1 i g i2 ( x ) + K
gde je - teinska relacija ogranienja

K - konstanta.
- Tehnike projektovanog gradijenta

Razvija se tehnika modifikovanja formule koja odreuje pravac sledeeg pretraivanja,
ime se proiruju metode bezuslovne optimizacije za reavanje zadatka sa
ogranienjima.
- Dinamiko programiranje
Dinamiko programiranje je metoda reavanja zadataka u kojima postoji takozvani
viestepeni proces odluivanja. Osnova dinamikog programiranja je rekurentna relacija
koja se razvija za svaki optimizacioni zadatak posebno. Moe se primeniti za
odreivanje optimuma u statinim i dinaminim zadacima. Prisustvo ogranienja tipa
a x b olakavaju numeriki postupak, ali ogranienja tipa g i ( x) (= ili )0 oteavaju
primenu dinaminog programiranja.
g ( x ) (= ili )0
- Iterativno zadovoljavanje ogranienja
Praktian prilaz u reavanju nelinearnih zadataka je da se rei zadatak bez ogranienja
zatim se testira da li dobijeno reenje x + zadovoljava ogranienje. Ako su ogranienja
zadovoljena za x + ono je i optimalno reenje zadatka sa ogranienjima. U suprotnom
zadatak nije reen i reavanje zadatka se nastavlja primenom neke od navedenih metoda
za svoenje zadatka sa ogranienjima na zadatke bezuslovne optimizacije.
2. Opti pojmovi i terminologija viekriterijumske optimizacije ....... 29

2.1. Osnovi viekriterijumske optimizacije ................................................................... 30
2.2. Definicija odluivanja............................................................................................. 31
2.3. Problem odluivanja ............................................................................................... 32
2.4. Vieatributno odluivanje VAO .............................................................................. 35
2.5. Reavanje modela vieatributnog odluivanja (VAO) ............................................ 36
2.6. Transformacija atributa........................................................................................... 37
2.7. Definisanje teinskih koeficijenata za kriterijume ................................................. 38
Opti pojmovi i terminologija viekriterijumske optimizacije
2. Opti pojmovi i terminologija viekriterijumske

optimizacije
U sluaju jednokriterijumske optimizacije, donosilac odluke implicitno zadrava slobodu
da prihvati, promeni ili odbaci reenje dobijenog na osnovu matematikog modela
optimizacije.
Nadgradnja jednokriterijumske optimizacije je poznata u teoriji kao linearno i nelinearno
programiranje, teorija igara, dinamiko programiranje itd.
Navedene metode imaju svoju primenu u praksi, ali one nisu primenjive kod mnogih
realnih problema gde postoji izbor izmeu vie alternativa sa i bez vie suprostavljenih
ili delimino suprostavljenih kriterijuma. Realni kriterijumi imaju neke zajednike
osobine kao naprimer odabir veeg broja atributa, razliitost atributa, neuporedive
jedinice mere, itd. Reenje je izbor najbolje alternative iz skupa datih tj definisanih
alternativa.
Metode koje od samog poetka formiranja matematikog modela za odreeni realni
problem vode rauna o vie ciljeva istovremeno razvijaju se u oblasti viekriterijumske
optimizacije (VKO).
Ima vie razloga koji utiu na to da su problemi VKO po prirodi sutinski drugaiji u
odnosu na probleme jednokriterijumske optimizacije. Osnovni je ba u tome to se svi
faktori koji utiu na odluku, odnosno svi ishodi koje bi imalo eventualno reenje,
posmatraju kao kriterijumi ije vrednosti treba da budu optimalne. Dakle, treba nai
reenje koje je najbolje po svim razmatranim kriterijumima istovremeno a injenica je da
su neki od njih u skoro svim problemima odluivanja meusobno delimino ili potpuno
konfliktni.
Pored toga, razmatrani kriterijumi mogu po svojoj prirodi biti veoma raznorodni i
izraeni u razliitim mernim jedinicama, od novanih jedinica, preko jedinica fizikih
veliina, do verovatnoa ili subjektivnih procena datih po nekoj skali koja se formira za
konkretni problem. Sve ovo ukazuje da konano jedinstveno reenje ne moe da se
odredi bez uea donosioca odluke.
Precizna definicija naunog pristupa pripremi argumntovanih podloga za donoenje
valjanih odluka u nizu znaajnih i sloenih oblasti organizovanog poslovanja prisutna je
u zaglavlju svakog broja renomeniranog engleskog asopisa za naunu oblast operaciona
istraivanja.
Journals of Operational Research": Operaciona istraivanja su primena naunih
metoda u kompleksnim problemima vezanim za upravljanjem velikim sistemima,
ljudima, mainama, materijalima i novanim sredstavima u industriji, poslavanju, javnoj
upravi i vojnoj odbrani. Osnovna karakteristika je razviti nauni model sistema,
ukljuujui merenje takvih faktora kao to su anse i rizik, sa kojima se predviaju i
porede ishodi alternativnih odluka, strategija i upravljakih akcija. Cilj je pomoi
donosiocu odluka da nauno odobre svoju politiku i upravljanje."13
13 Zaglavlje svakog broja renomiranog englenskog asopisa za naunu oblast operaciona istraivanjeJournals of Operational Research

Viekriterijumsku optimizaciju se posmatra kao viekriterijumsko i kao vieciljno
odluivanje. Razlika je u tome to se kod viekriterijumskog odluivanja bira najbolja
alternativa, dok kod vieciljnog odluivanja bira se ona alternativa koja najbolje
ispunjava definisane ciljeve.
2.1. Osnovi viekriterijumske optimizacije

Osnovi viekriterijumske optimizacije je nalaenje modela jedne kriterijumske funkcije
iniciranih realnim problemima u kojima donosilac odluka mora da vodi rauna o vie
ciljeva, pritom donosilac odluke zadrava slobodu da prihvati, promeni ili odbaci reenje
dobijeno na osnovu matematikog modela odluivanja.
Viekriterijumska optimizacija je oblast gde se formiraju matematiki modeli za
odreeni realni problem vodei rauna o vie ciljeva istovremeno. Osnovno je, treba nai
reenje koje je najbolje po svim razmatranim kriterijumima, koji mogu biti izraeni
razliitim mernim jedinicama, razliitim novanim, razliitim verovatnoama
pojavljivanja ili subjektivnih procena datih po nekoj meri ili nekih drugih razloga.
Sve ovo ukazuje da bez donosioca odluke konanog reenja nema.
Zadatke viekriterijumske optimizacije u sluajevima kada se razmatraju vane odluke
kao to su odluke u vezi sa kapitalnim ulaganjima, karakterie relativno veliki broj
kriterijuma. to je broj kriterijuma vei, zadaci analize su sloeniji i tei. U odluivanju
uestvuje vei broj pojedinaca ili grupa i svi oni favorizuju svoje sisteme vrednosti,
odnosno kriterijume koji najbolje odslikavaju interese grupe kojoj pripadaju. Radi
efikasnijeg analiziranja odluke i pronalaenja pogodnog reenja kriterijumi se grupiu.
Uobiajene su sledee grupe kriterijuma:
ekonomski,
tehniki,
tehnoloki,
socijalni i
ekoloki.
Prema nameri donosioca odluke, odnosno prema problemu koji treba da rei,
viekriterijumski zadaci se klasifikuju u sledee tri grupe:
zadaci viekriterijumske optimizacije kojima se reavaju problemi odreivanja
podskupa reenja koja zadovoljavaju odreene uslove i/ili izbora jednog reenja iz ovog
podskupa,
zadaci viekriterijumskog ili vieatributnog rangiranja kojima se reavaju problemi
odreivanja potpunog ili deliminog redosleda, rang liste, reenja koja pripadaju
konanom i prebroivom skupu;
zadaci viekriterijumske ili vieatributne selekcije kojima se reavaju problemi izbora
odreenog broja reenja koja pripadaju konanom i prebrojivom skupu.14
14 M.Vujosevi,Uvod u optimizaciju, Internet izvor

Sve sloeniji uslovi poslovanja zahtevaju viekriterijumski pristup pri reavanju
poslovnih problema, ime se omoguava objektivno poreenje izmeu veeg broja
alternativa ocenjenih u sistemu veeg broja razliitih raznorodnih kriterijuma, datih u
razliitim jedinicama, sa razliitim relativnim znaajem, i sa razliitim zahtevom za
ekstremizacijom.
Osnovna uloga donosioca odluke pri reavanju problema viekriterijumskog odluivanja
ogleda se ne samo u donoenju konane odluke, primenjenom metodologijom, ve i u
definisanju viekriterijumske baze - sistema kriterijuma za evaluaciju alternativa, izboru
preferencijskih funkcija, odreivanju relativnog znaaja kriterijuma i odgovarajuih
parametara, a to sve predstavlja osetljive faze u reavanju problema poslovnog
odluivanja.
Definisanje strukture preferencija donosioca odluke predstavlja poseban problem u
viekriterijumskoj optimizaciji. U tom smislu ukazuje se na neke mogunosti donosioca
odluke da postupak viekriterijumske optimizacije kontrolie i uestvuje u izboru
konanog reenja.
2.2. Definicija odluivanja

Ljudi su se oduvek bavili odluivanjem, ali neposredno izuavanje procesa odluivanja
poinje tek tridesetih godina ovog veka. Postojea znanja iz matematike i ekonomije su
posluila de se oforme odreena pravila na osnovu kojih e donosilac odluke izabrati
dobru odluku. Meutim, to podrazumeva da donosilac odluke uvek reaguje na
predvidljiv nain, to mu ne daje garanciju uspeha. Zbog nepredvidljivosti sa kojom je
vezano, odluivanje se smatralo socijalnom, a ne tehnikom aktivnou.
Do tridesetih godina odluivanje se prouavalo samo u akademskim krugovima. Posle
I svetskog rata dolazi do razvoja nekih drugih disciplina koje su uslovile pojaanu
potrebu istraivanja problematike odluivanja. Dolo je do pojave naune organizacije
rada, donosioci odluka su poeli u veoj meri da se bave izuavanjem i otkrivanjem
naina ponaanja ljudi u odreenim situacijama, ekonomisti su takoe poeli svoje ideje
da ukljuuju u odluivanje. Zatim dolo je do pojave teorije igara koja daje nove okvire
za proveru odluka, kao i razvoja niza metoda koje su kasnije nazvane operaciona
istraivanja, koja okupljaju znanja matematike, statistike, ekonomije, prirodnih
nauka i sl.
ovek odluuje uvek kada se nae u odreenim problemskim situacijama, razliite

sloenosti, koje treba reiti. Problem se reava akcijom ili nizom akcija koje imaju svoj
cilj. Kako je za svaki problem mogu vei broj reenja, odluivanje podrazumeva
istraivanje veeg broja reenja u okviru kojeg se vri izbor.
Profesor Jovievi u knjizi Informacija i odluivanje kae da je odluivanje kao svesna
aktivnost oveka osnova uprvaljanja njegovim individualnim akcijama, takoe i
upravljanja kompleksnim aktivnostima sistema u kojem se nalazi i deluje.15
.
15 M.Jovievi., Informacija i odluivanje,Podgorica, 2001., str.103

U literaturi se nalazi i definicija po kojoj je odluivanje reenje stanja neodlunosti pri
emu se naglaava neodlunost uslovljena nesigurnou vezana za budunost.
Iz definicije odluivanja mogu se izvesti neke karakteristike:
- Odluivanje je uvek uslovljeno postojanjem problema koji treba reiti.
- Odluivanje podrazumeva postojanje skupa aktivnosti koji imaju svoj rezultat kao
odluku. Po tome odluivanje predstavlja proces, tj. proces odluivanja.
- Po svojoj prirodi odluivanje je informacioni proces, ili proces transformacije
informacija. Moe da se shvati kao dinamiki sistem ije su ulazne veliine podaci i
informacije, a izlazne veliine su odluke. Odluka kao rezultat procesa odluivanja je
ponovo informacija, jer sadri saznanje o problemu i reenju koje je izabrano.
- O odluivanju se moe govoriti samo ako postoji dilema u pogledu izbora naina
reavanja postojeeg problema. Zato skup moguih alternativa (akcija) reenja
problema mora sadrati bar dve alternative. Ako je definisana samo jedna
alternativa onda druga alternativa treba biti alternativa nula ne preduzimati
nita.
- Odluivanje kao mentalna aktivnost je uvek vezano za oveka. Odluivanje
podrazumeva formiranje subjektivnog stava prema moguim alternativama reenja
problema. Element subjektivnosti problemske situacije stoga mora biti ugraen u
procedure ocene utvrenih alternativa i izbor jedne od njih.
Svako odluivanje podrazumeva postojanje subjekta koji donosi odluke. Ovde ga tretirati
kao donosioca odluke. To je subjekt koji ima ovlaenje i odgovornost za reavanje
problemske situacije i donoenje odluke. Ako se radi o sistemu, onda donosilac odluke
moe biti ovek kao pojedinac, grupa posmatrana kao organ ili organizacija kao celina.
U sluaju kada pojedinac reava sopstveni problem pitanje posledica ne treba ni
postavljati, dok u sluaju organizacije tano se zna da onaj ko ima ovlatenje da donosi
odluke mora snositi i posledice te odluke. Meutim, u oba sluaja subjektivni element
dolazi do izraaja.
2.3. Problem odluivanja

Postoji vie razliitih naina pomou kojih je opisan problem odluivanja. Sam dogaaj
stvara problem ili problemsku situaciju, koja nepovoljno utie na ostvarivanje
postavljenih ciljeva. U okviru nastale problemske situacije moe da postoji jedan ili vie
problema odluivanja koje treba reiti.
Postoji vie podela problema odluivanja. Po jednoj podeli oni mogu biti oekivani ili
neoekivani, u zavisnosti od toga da li se radi o dogaajima koji su planirani ili onim
koji su sluajni. Druga podela je da problemi odluivanja mogu biti spoljnjeg ili
unutranjeg karaktera, ako se posmatra u odnosu na fiziko prisustvo donosioca odluke.
Za pojavu problema odluivanja donosilac odluke moe biti pripremljen. Pod tim se
podrazumeva sposobnost donosioca odluke da uoi pojavu problema odluivanja.

To se moe ostvariti na dva naina i to:
1. neposrednim posmatranjem dogaaja koji je doveo do problema, to ukljuuje
opaanje simptoma i znakove koji unapred upozoravaju na dogaaj.
2. zapaanjem posledica dogaaja u razliitim vremenskim trenucima nakon
njegove realizacije i njihove pojave.
Treba napomenuti da se odluka donosi za svaki problem odluivanja. To znai da
svakom problemu odgovara proces odluivanja. Zato se proces odluivanja i faze
modeliraju u odnosu na jedan problem. Pritom, sadraj i obim faza moe biti razliit u
odnosu na pojedine (razliite) probleme.
U praksi su retki sluajevi kada postoji savreno reenje zadatka VKO. Razlike u
kriterijumima, a pogotovu njihova potpuna ili delimina konfliktnost, predstavljaju
sutinu problema VKO. Zato je koncept savrenog reenja veoma ogranienog teorijskog
i praktinog znaaja. Donosilac odluke treba na kraju da usvoji neko reenje. Reenje
koje prihvati donosilac odluke naziva se najbolje ili preferirano reenje.
Zadatak je VKO da pomogne dosiocu odluke da izabere reenje koje smatra najboljim u
datom problemu. Zato se napori ka reavanju postavljenog viekriterijumskog problema
esto nazivaju viekriterijumska analiza.
injenica da zadaci VKO po pravilu nemaju savreno reenje upuuje na preispitivanje

koncepta optimalnosti u kontekstu postojanja vie kriterijuma. Drugim reima, poto ne
postoji reenje koje je najbolje po svim kriterijuma istovremeno, nema opravdanja da se
za neko reenje kae da je optimalno. Kada ne postoji savreno reenje zadatka VKO, u
odreivanju najboljeg reenja presudnu ulogu ima donosilac odluke. On je taj koji
odluuje ta mu je vanije i koje reenje radije prihvata ("preferira").
Zavisno od toga kako se i kada donosilac odluke ukljuuje u reavanje problema
razlikuju se tri osnovna pristupa, odnosno tri grupe metoda reavanja:
aposteriorni pristup,
apriorni pritup,
interaktivni i kooperativni pristup.
Donosilac odluke se u aposteriornom pristupu ukljuuje u analizu i reavanje svog
problema posle odreivanja skupa dominatnih reenja, dakle aposteriori. On sam treba
da izabere najbolje reenje. Zadatak analitiara je da iz dopustivog skupa izdvoji
podskup dominatnih reenja.
Ovaj pristup je vie teorijskog nego praktinog znaaja. Dva su osnovna razloga tome.
Prvi je taj to je izdvajanje podskupa dominatnih reenja analitiki esto nereivi
problem. Za izvesne zadatke diskretne optimizacije i za viekriterijumsko linearno
programiranje to je u principu mogue uraditi, ali prilino teko. Drugi razlog je to to
podskup dominantnih reenja moe da bude veoma irok (velik ili beskonaan broj
elemenata skupa) tako da donosilac odluke ne moe lako da odabere reenje.
U apriornom pristupu donosilac odluke treba unapred, pre reavanja zadatka VKO, da
iskae svoj odnos prema kriterijumima. Ovo moe da se uradi utvrivanjem prioriteta ili
hijerarhije kriterijuma, dodeljivanjem teina pojedinim kriterijumima, odreivanjem
relativnih odnosa izmeu svaka dva kriterijuma ili na neki drugi nain. Na osnovu toga
analitiar treba reavanjem zadatka da predloi donosiocu odluke jedno reenje koje
najvie odgovara njegovim iskazanim preferencijama.

Nedostatak ovog pristupa je u tome to donosilac odluke teko moe iz jednog pokuaja
da precizno odredi svoj stav prema kriterijumima, naroito na nain koji zahtevaju
odreeni matematiki model i metoda.
On se po pravilu protivi da unapred eksplicitno kae kakav odnos izmeu kriterijuma
postoji ako e to kasnije da mu predstavlja obavezu. Jedino to je izvesno jeste da on
reenje trai u skupu dominantnih reenja. Analizom reenja za razne skupove teinskih
koeficijenata, na primer, donosilac odluke moe da prepozna meusobni odnos
kriterijuma i reenja i da dobije bolji uvid u sutinu problema.
Apriorni pristup je teorijski najvie razmatran i praktino najee primenjivan.
Razvijeno je puno metoda apriorne VKO. Neke od njih su prilino jednostavne i to im
daje veliku prednost za praktine primene u posebnim situacijama.
Interaktivni pristup obuhvata metode koje kombinuju apriorni i aposteriorni pristup sa
aktivnim ueem donosioca odluke. Pristup se zasniva na neprekidnom korienju
raunara u fazi odluivanja i korisniki realizovanom okruenju. Savremeni softverski
alati treba da prue donosiocu odluke snanu podrku u ekperimentisanju sa razliitim
skupovima svojih preferenci. Jednostavno i brzo obavljanje raznovrsnih analiza treba da
olakaju donosiocu odluke konani izbor.
Oigledno je da interaktivne metode podrazumevaju intenzivno korienje ekspertnih
sistema i sistema zasnovanih na znanju. Ovi sistemi bi trebalo da sadre sistematizovana
znanja o ranijim reavanjem slinih zadataka i da ih na inteligentan nain koriste da bi
pomogla donosiocu odluke. U tom smislu ovakvi pristupi pretpostavljaju odreenu
saradnju donosioca odluke i raunara. Zato se nazivaju i kooperativnim.
Interaktivni i kooperativni pristupi su moderni i predstavljaju najvei izazov. Problemi
koje treba pritom reavati interesantni su i sa stanovita vetake inteligencije i
softverske implementacije.
Kooperacijom donosioca odluke i raunara trebalo bi da se otkrije struktura njegovih
odnosa prema kriterijumima, tzv. preferentna struktura ili struktura preferencija
donosioca odluke. U tome se pojavljuju problemi za ija su reavanja potrebna znanja i
istraivanja u oblastima psiholokih i sociolokih nauka.
Matematika istraivanja zadataka VKO ostaju preteno u okvirima apriornih i
aposteriornih pristupa. U nastavku teksta su teorijski obraditi odreene metode VKO.
U procesu odluivanja pojavljuje se problem sa dve ili vie funkcije cilja i oni se mogu
reavati metodama viekriterijumske optimizacije. Da bi se izvrilo svestrano i
objektivno poreenje izmeu veeg broja alternativa ocenjenih u sistemu veeg broja
razliitih kriterijuma, datih u razliitim jedinicama, esto sa razliitim relativnim
znaenjem i sa razliitim zahtevima za minimizacijom ili maksimizacijom potrebno je da
se koriste metode za viekriterijumsku optimizaciju, to znai da se problem
viekriterijumskog odluivanja svodi na zadatak utvrivanja konanog ranga alternativa.
Pri izboru kriterijuma koji ulaze u viekriterijumsku bazu za odluivanje treba voditi
rauna o tome da se sa to manjim brojem razliitih kriterijuma dobije sveobuhvatna i
objektivna slika u skladu sa zahtevima koje nosilac odluivanja postavlja. Upotreba vie
kriterijuma koji isto znae, moe se lako pretvoriti u sopstvenu protivurenost i
deformisati osnovnu sliku forsirajui rezultate u odreenom smeru. Izbor kriterijuma
treba izvriti kroz maksimalnu selektivnost i prilagoavanje konkretnom problemu, pa je
u tom smislu velika odgovornost i kreativnost na nosiocu odluivanja.

Dakle, opte karakteristike svakog viekriterijumskog problema za razliku od
jednokriterijumskih problema, ogledaju se u prisutnosti sledeih elemenata:
vie kriterijuma (funkcija cilja, funkcija kriterijuma) za odluivanje,
vie alternativa (reenja) za izbor,
proces izbora jednog konanog reenja.
U oblasti viekriterijumskog odluivanja (VKO) postoje dve vrste problema sa stanovita

opisivanja razmatrane realnosti posredstvom odgovarajueg matematikog modela.
Vieciljno odluivanje (VCO),
Ciljno programiranje (CP), podgrupa u VCO
Vieatributivno odluivanje (VAO) ili viekriterijumska analiza (VKA)
2.4. Vieatributno odluivanje VAO

Vieatributni model, odnosno model vieatributnog odluivanja (VAO), odgovara loe
strukturnim problemima i ima sledeu opte matematiku postavku:
Max { f1 ( x ), f 2 ( x ), ..., f n ( x ), n 2}
x A = [a1 , a2 , ..., am ]
gde su:
n - broj kriterijuma (atributa), j = 1,2,..., n ,

m - broj alternativa (akcija), i = 1,2,..., m ,
f i - kriterijumi (atributi), j = 1,2,..., n ,
ai - alternative (akcije) za razmatranje , i = 1,2,..., m ,
A - skup svih alternativa (akcija).
Pri tome su poznate i vrednosti f ij svakog razmatranog kriterijuma f ij dobijene sa svakim

od moguih alternativa ai :
f ij = f j ( ai ) , ( i , j ), i = 1,2,..., m ; j = 1,2,..., n
Uobiajeno je da se model VAO prikazuje odgovarajuom matricom vrednosti

kriterijuma za pojedine alternative:
a1 f 11 f 12
a 2 f 21 f 22
... ...
... ...
a m fx m1 f m 2
... f 1n
... f 2 n
... ...
... ...
... f mn
2.5. Reavanje modela vieatributnog odluivanja (VAO)

U praksi su poznate razne metode za reavanje modela VAO (Slika 2.1), posebno su
poznate metode ELECTRA, PROMETHEE.16 Za modele VAO, nezavisno od metode koja
e se koristiti za reavanje, znaajni su i sledei aspekti:
kvantifikacija kvalitativnih atributa,
modifikacija atributa istog kriterijuma,
normalizacija i linearizacija atributa i
definisanje teinskih koeficijenata kriterijuma.
Slika 2.1 Pregled metoda VAO

Neke metode reenja VAO imaju svoje dalje zahteve za definisanjem odreenih
parametara metoda.
2.6. Transformacija atributa

Podaci za konkretni problem VAO mogu biti takvog karaktera da nije mogue da se
direktno primeni neka metoda reavanja (brojni podaci i opisni podaci) ili su podaci
takve prirode da oteavaju reavanje modela (veliki brojevi ili mali brojevi u celom
modelu ili za neke kriterijume). Usled toga neophodno je (u prvom sluaju) ili poeljno
je (u drugom sluaju) izvriti odgovarajue transformacije atributa.
a) Kvantifikacija kvalitativnih atributa
Reavanje modela VAO u optem sluaju zahteva korienje kvantitativnih (brojnih)
podataka, tako da u sluajevima da ima i kvalitativnih (opisanih) podataka, potrebno je
kvalitativne podatke prevesti u brojne podatke. U tu svrhu se koriste varijante skala
transformacija.
b) Modifikacija atributa istog kriterijuma
Modifikacija atributa istog kriterijuma moe da olaka reavanje modela i najee je
potrebno usaglasiti visinu brojnih vrednosti kriterijuma, odnosno prevesti zahtev da se
odredi minimalna vrednost nekog kriterijuma u odreivanje maksimalne vrednosti
modifikovanog (suprotnog) kriterijuma.
c) Normalizacija i linearizacija atributa
Veina efikasnih metoda za reavanje modela VAO u nekom od koraka vre
odgovarajuu transformaciju atributa. Za uporeivanje atributa razliitih vrednosti,
eventualno i razliitih jedinica mere, koristi se jedan od dva osnovna pristupa iz
nastavka.
Vektorska normalizacija:
rij = x ij :
xij2
rij = 1 x ij :
za max f j
x ij2
za provoenje min f j u max f j Linearna skala transformacija:
Lij = xij : x max

, za max f j
j
lij = 1 xij : x max

, za min f j max f j , ili
j
lij = xij : x min

j , ili
)(
lij = xij x max

: x max
x min
,
j
j
j
za max fj
)(
lij = x max
x min
: x j x min
za min f j max f j
j
j
j
gde su:
x max
= max (xij , i = 1, 2, ..., m ) ; = min (xij , i = 1, 2, ..., m ) .
j
2.7. Definisanje teinskih koeficijenata za kriterijume

Realni problemi najee nemaju kriterijume istog stepena znaajnosti i potrebno je da
donosilac odluke definie faktore znaajnosti pojedinih kriterijuma koristei
odgovarajue teinske koeficijente (teine) ili tzv. pondere za kriterijume (ako njihov
zbir iznosi 1(jedan), to su normalizovane teine).
S obzirom na prirodu kriterijuma, vrednosti alternativa po kriterijumima, xij , su ili
brojevi najraznovrsnijeg tipa, ili lingvistiki iskazi, npr. iz skupa iskaza: veliki, srednji,
mali, ili binarni iskazi: da, ne. Na primeru izbora lokacije logistikog centra, koji
karakteriu bar etiri kriterijuma, ilustrujmo ovu priu:
- trokovi izgradnje u novanim jedinicama (obian broj),
- broj korisnika koji gravitiraju ka centru (rasplinut broj (eng. fuzzy number) izraen
npr. oko 10000),
- udaljenost do drugog logistikog centra izraena kroz vreme vonje (srednja
vrednost sluajne promenljive),
- vanost novog logistikog centra u lancu snabdevanja (subjektivna ocena, npr.
apsolutno velika vanost, strogo vea vanost i slino).
Nisu svi kriterijumi podjednako vani, pa se njihov znaaj predstavlja teinom
kriterijuma. U ovom delu viekriterijumske analize (odreivanje teina kriterijuma)
dolazi do izraaja subjektivizam pojedinani ili grupni. Sutina je da se subjektivizam
u analizu uvodi na vrlo ureen nain. Drugim reima subjektivizam u viekriterijumskoj
analizi je neminovnost, ali se ona moe kontrolisati i rigorozno tretirati.
Definisanje teina kriterijuma nije uvek jednostavno i u sutini svaki donosilac odluke
subjektivno definie teinske koeficijente. Teinski koeficijenti u nekim metodama
imaju odluujui uticaj na reenje, moe da se dogodi da uvedene vrednosti za teine ne
obezbeuju "dobro reenje" i potrebno je analizirati kako se reenje ponaa u zavisnosti
od moguih realnih varijanti za teine kriterijuma. Problem je jednostavniji ako postoje
apsolutni prioriteti meu kriterijumima.
Teine kriterijuma se mogu definisati korienjem Delfi metode, naroito u situacijama
koje nisu optepoznate ve su poznate samo ekspertima.
3. Metode za viekriterijumsku optimizaciju ...................................... 40

3.1. Metoda za odreivanje neinferiornih reenja ......................................................... 40
3.2. Metode sa unapred izraenom preferencijom ......................................................... 40
3.3. Interaktivne metode ................................................................................................ 40
3.4. Stohastike metode ................................................................................................. 40
3.5. Metode za "isticanje" podskupa neinferiornih reenja ........................................... 41
3.6. Kompromisno reenje ............................................................................................. 41
3.7. Max-min metoda .................................................................................................... 42
3.8. Max-max metoda .................................................................................................... 43
3.9. Hurwicz-ov metod .................................................................................................. 44
3.10.
SAW metoda .................................................................................................. 44
3.11.
TOPSIS metoda ............................................................................................ 44
3.12.
Teini koeficijent ........................................................................................ 47
3.13.
METODA "PROMETHEE" .......................................................................... 48
Metode za viekriterijumsku optimizaciju
3. Metode za viekriterijumsku optimizaciju

U literaturi se moe nai veliki broj metoda viekriterijumske analize. U nastavku su
nabrojane neke od poznatijih.
Metode viekriterijumske analize u koncepcijskom smislu nisu naroito sloene, a to je
svojevrstan apsurd u formalnom smislu su jednostavnije za razumevanje od klasine
jednokriterijumske optimizacije. Karakteristino za ove metode je da su nastajale u
periodu brzog razvoja i irenja informacionih tehnologija i da su zasnivane na primeni
raunara. Tri nauno istraivaka centra u kojima su postignuti znaajniji rezultati u
razvoju i praktinoj primeni metoda viekriterijumske analize su: Univerzitet u Parizu
Paris Dauphine, Vrije University Brisel i Mitchigen University SAD.
U nastavku su prikazane neke od pobrojanih metoda viekriterijumske analize. Metode
za viekriterijumsku optimizaciju se mogu klasifikovati u pet grupa.
3.1. Metoda za odreivanje neinferiornih reenja

Odreuje se skup neinferiornih reenja, a dostavlja se donosiocu odluke da na osnovu
svoje preferencije usvoji konano reenje.
3.2. Metode sa unapred izraenom preferencijom

Formira se sinteza (rezultantna) kriterijumska funkcija pa se zadatak dalje reava kao da
je jednokriterijumski.
3.3. Interaktivne metode

Donosilac odluke posebno izraava svoju preferenciju interaktivnim korienjem
odgovarajue metode.
3.4. Stohastike metode

U optimizacioni model se ukljuuju i pokazatelji neizvesnosti.
3.5. Metode za "isticanje" podskupa neinferiornih reenja

Suavanje skupa neinferiornih reenja se postie uvoenjem dodatnih elemenata
odluivanja.
U prvu grupu metoda spadaju sledee metode:
metoda teinskih koeficijenata,
metoda ogranienja u prostoru kriterijumskih funkcija,
viekriterijumska simpleks metoda.
U drugu grupu metoda spadaju sledee metode:
metoda PROMETHEE,
ciljno programiranje,
metoda ELECTREE,
metoda surogat vrednosti razmene.
U treu grupu metoda spadaju sledee metode:

metoda STEM,
metoda SEMOPS.
U etvrtu grupu metoda spada sledea metoda:

metoda PROTRADE.
3.6. Kompromisno reenje

Dopustivo reenje koje je najblie idealnom, u prostoru kritirijumskih funkcija, na
osnovu usvojene mere rastojanja naziva se kompromisno reenje. Metrika koja se koristi
kao mera rastojanja od idealne take F * do take F ( x ) u prostoru kriterijumskih funkcija
je:
1
Lp ( F *, F )=
[f
n
i =1
*
i
f i ( x)
,1 p
U daljem tekstu metriku L p F * , F oznaena sa R ( F ( x ) , p ); da bi se istakla zavisnost

od parametara p. Funkcija R ( F ( x ) , p ); je dodatni kriterijum za VKO metodu
kompromisnog programiranja, a jo se naziva i funkcijom kompromisnog programiranja.
Reenje x *( p ) X kojim se postie minimum funkcije R ( F ( x ) , p ); naziva se
kompromisnim reenjem problema VKO sa parametrom p .
F ( p) =( f ( x +( p )),, f ( x +( p ))), predstavlja kompromisno reenje u kriterijumskom
prostoru. Postignuti minimum R +( p ), za kompromisno reenje x +( p ) naziva se
ukupnim odstupanjem, a f i *- f ( x +( p )) je i to kompromisno odstupanje.
f (x
n
i =1
( p)
) je ukupna korisnost za kompromisno reenje
x +( p ).

Poto je R ( F ( x ) , p ); rastua funkcija od R '( F ( x ) , p ); i postie se minimum obeju
funkcija, onda umesto funkcije R ( F ( x ) , p ), za 1 p , koristi se funkcija:
n
R '( F ( x ) , p )= f i f i ( x )
i =1
Dopustivi prostor kriterijumskih funkcija oznaava se sa:
= {F (x ) / x X }
Kompromisno reenje kao funkcija parametara p ima sledee osobine:
- Postoji kompromisno reenje za svako p 1 ako je dopustivi skup ( ) kompaktan.
- Za vrednost parametara p , 1 p kompromisno reenje je jednostavno ako je
konveksno.
- Kompromisno reenje je Pareto optimalno ili neinferiorno za p , 1 p a najmanje
jedno reenje F +( p ) je neinferiorno za p = .
- Kompromisno reenje F +( p ) je kontinualno za p ,1 p .
- Kontinualno je i za p =1 (ili p =) ako je jedinstveno.
Osnovna karakteristika kompromisnog programiranja je da se reenje zadatka VKO
odreuje minimizacijom odstupanja od idealne take prema usvojenoj meri rastojanja
ukljuujui sve kriterijume.
3.7. Max-min metoda

Ova metoda kvalitet alternative meri samo na osnovu njene vrednosti po kriterijumu
po kome je najloija. Za najbolju alternativu proglaava onu koja ima najveu
najloiju karakteristiku, odnosno onu koja je najmanje loa. Dakle, prvo se trae
minimumi po vrstama tabele, a potom u koloni koja proistie iz ovog postupka trai se
maksimum. Ona alternativa kojoj odgovara naeni maksimum ( A *) predstavlja
najbolje reenje. Sledi formalan zapis ovog iskaza:.
A* = { Ai
max min rij

i
U postupku normalizacije vrednosti xij se prevode u y ij na jedan od navedenih naina.

Normalizacija:
max kriterijume - rij =
xij
x max
j
, x max
= max xij .
j
i
- NAIN I
min kriterijume - rij =
x min
j
xij
x min
= min xij .
j
i

max kriterijume - rij =
xij x min
j
x max
x min
j
j
- NAIN II
min kriterijume - rij =
x max
xij
j
x max
x min
j
j
Normalizacija omoguava da se meusobno porede vrednosti po kriterijuma koji mogu

biti, a najee i jesu, u razliitim mernim jedinicama. Gore navedeni naini za
normalizaciju podataka u polaznoj matrici svode vrednosti alternativa po kriterijumima u
opseg [0,1] i sve kriterijume prevode u kriterijume tipa max. Naini kako se
normalizacija izvodi variraju od metode do metode, to e se i videti u nastavku.
Max-min metoda ima pesimistiki prizvuk, jer alternative posmatra samo na osnovu
njihovih najloijih karakteristika. U svakom sluaju viekriterijumski zadatak reava
svoenjem na tretiranje samo jednog kriterijuma, to predstavlja i njenu sutinsku manu.
Jo jedna mana je to ova metoda ne uzima u obzir teinske koeficijenate kriterijuma.
3.8. Max-max metoda

Za razliku od prethodne metode, max-max metoda kvalitet alternative meri samo na
osnovu njene vrednosti po kriterijumu po kome je najbolja. Dakle, prvo se trae
maksimumi po vrstama tabele, a potom se u koloni koja proistie iz ovog postupka
ponovo trai maksimum.
Ona alternativa kojoj odgovara naeni maksimum ( A * ), predstavlja najbolje reenje:
A* = { Ai
max max rij }

i
Normalizacija polazne matrice i u ovoj metodi vri se na jedan od gore navedenih

naina.
Max-max metoda predstavlja optimistiki pristup u sagledavanju viekriterijumskog
problema, posmatrajui vrednost alternative samo po onom kriterijumu po kome je
najbolja.
Nedostaci metode isti kao i za max-min.
3.9. Hurwicz-ov metod

Hurwicz-ov metod je kombinacija max-max i max-min metoda. Ideja je da se uzmu u
obzir i pesimistiki i optimistiki pristup problemu:
A* = { Ai
max min rij + (1 ) max rij }.

i
j
j
je koeficijent pesimizma-optimizma, 0 1 .
Uvoenjem teinskog koeficijenta , vre se izbor u kojoj meri mogu biti pesimisti,
odnosno optimisti:
=1 max-max metoda,
=0 max-min metoda.
3.10. SAW metoda

Jednostavna i vrlo poznata metoda viekriterijumske analize koja uzima u obzir teine
kriterijuma. Za svaku alternativu rauna se zbirna karakteristika, odnosno vrednost
dobijena sumiranjem oteanih normalizovanih vrednosti po svim kriterijumima. Ona
alternativa kojoj odgovara najvea ovako izraunata vrednost predstavlja najbolje
reenje.
A* = { Ai
max W j' rij }.

n
j =1
W j' je normalizovana vrednost teinskog koeficijenta W j ; W j' =
Wj
W
j =1
rij - su normalizovane vrednosti iz matrice, u skladu sa prethodno prikazanim nainima

normalizacije.
3.11. TOPSIS metoda

Ova metoda alternative vrednuje na osnovu njihove udaljenosti u odnosu na idealno i
anti-idealno reenje. Najbolja je alternativa koja ima najmanje rastojanje u odnosu na
idealno reenje i najvee rastojanje u odnosu na anti-idealno reenje. Na narednoj slici
(Slika 3.1) koja predstavlja prostorni raspored alternativa definisan sa dva kriterijuma
tipa max, moe se uoiti da alternativa A 1 iako je blia idealnom reenju ( A +) u
poreenju sa alternativom A 2, istovremeno je blia i anti-idealnom reenju ( A -) u
poreenju sa A 2. Imajui u vidu ovu injenicu tvorci metode su za ukupnu meru
kvaliteta alternative proglasili relativnu bliskost alternative idealnom reenju, uzimajui
u obzir njenu udaljenost od idealnog i anti-idealnog reenja istovremeno.

Ova mera u sebe ukljuuje i informaciju o teinskim koeficijentima kriterijuma, te je
zakljuak da ova metoda, kao i veina njih, tretira razliitost vanosti kriterijuma kao
jednu od vanih prednosti u formulaciji problema.
Slika 3.1 Grafiki pregled Topsis metode
U nastavku slede koraci algoritma za reavanje viekriterijumskog zadataka TOPSIS

metodom:
Kn
x11
x21
x12
x22
x1j
x2j
x1n
x2n
xij
xin
xm1
xm2
Am
xmj
xi2
xi1
Ai
Kj
K2
X=
K1
A1
A2
m n
Polazna matrica X = xij
xmn
Korak 1. normalizacija polazne matrice;

X R
R = rij
rij =
m n
normalizovani
podaci
normalizovana
matrica
x ij
m
x ij2
i =1

Korak 2. oteavanje normalizovane matrice:
R V
V = vij = W j' rij , W j' =
Wj
, vij = W j' rij
W
j =1
Korak 3. - formiranje idealnog i anti-idealnog reenja;
A+ - idealno reenje, koje ima sve najbolje karakteristike po svim kriterijumima:
A+ = max vij j K ' i min vij j K ' ' = v1+ , v2+ , ..., v +j ,..., vn+ , i = 1,2,..., m
i
i
K ' K K ' je podskup skupa K koga ine kriterijumi tipa max.
K ' ' K K ' ' je podskup skupa K koga ine kriterijumi tipa min
A - anti-idealno reenje, koje ima sve najloije karakteristike po svim kriterijumima:
A = min vij j K ' i max vij j K ' ' = v1 , v2 , ..., v j ,..., vn , (i = 1,2,..., m)
i
i
Korak 4. - raunanje udaljenosti (euklidsko rastojanje) svake alternative od
idealnog i antiidealnog reenja;
Si+ =
(v
Si =
(v
j =1
ij
j =1
ij
v +j ) 2 - udaljenost alternative od idealnog reenja,
v j ) 2
- udaljenost alternative od anti-idealnog reenja.
Korak 5. - raunanje relativne bliskosti alternative idealnom reenju;
Ci =
Si
, 0 Ci 1.
Si + Si+

Korak 6. rang alternativa.
Rang vrednosti Ci poreanih u opadajui niz (od najvee do najmanje vrednosti)
odgovara rangu alternativa Ai (od najbolje do najloije).
Takoe vai:
Ci = 0
alternativa je ant-iidealno reenje.
Ci = 1
alternativa je idealno reenje.
3.12. Teini koeficijent

Realni problemi najee nemaju kriterijume istog stepena znaajnosti i potrebno je da
donosilac odluke definie faktore znaajnosti pojedinih kriterijuma koristei
odgovarajue teinske koeficijente (teine) ili takozvane pondere za kriterijume (ako
njihov zbir iznosi 1, to su normalizovane teine).
Definisanje teina kriterijuma nije uvek jednostavno i u sutini svaki donosilac odluke
subjektivno definie teinske koeficijente. Teinski koeficijenti u nekim metodama
imaju odluujui uticaj na reenje, moe da se dogodi da uvedene vrednosti za teine ne
obezbeuju "dobro reenje" i potrebno je analizirati kako se reenje ponaa u zavisnosti
od moguih realnih varijanti za teine kriterijuma. Problem je jednostavniji ako postoje
apsolutni prioriteti meu kriterijumima.
Rezultantna kriterijumska funkcija u kompromisnom programiranju kada donosilac
odluke moe zadati ili menjati tokom reavanja zadataka VKO teine pojedinih
kriterijuma, ima sledei oblik:
pp
n
R(F(x),p,)= ip f i* f (x )
i =1
gde i predstavlja teinski koeficijent za kriterijumsku funkciju fi (x).

Teinski koeficijenti su subjektivne mere znaajnosti pojedinih kriterijuma koje
donosilac odluke definie na osnovu svoje strukture perfekcije. Za odreivanje mera
znaajnosti kriterijuma predlae se korienje entropije:
e( f i ) =
d ij
(f
=
1 n d ij
J
ln j =1 Si
*
i
f ij
d ij
ln
Si
, i = 1,...., n
Di
gde je:
dij - j ta diskretna vrednost (j=l,,J) i te funkcije odstupanja,
Di duina opsega (ako nije potrebna transformacija onda je Di=1),
fij j ta vrednost i te kriterijumske funkcije,
Si oznaava sumu vrednosti Si=jdij

Sledeim izrazom se definie mera intenziteta kontrasta:
bi =
(1 e( fi )) ; i = 1,..., n
(n E )
gde je:
n broj kriterijumskih funkcija,

E ukupna entropija.
n
E = ei ( f i )
i =1
Korienje teinskih koeficijenata je najpogodnije u okviru iterativnog postupka.
3.13. METODA "PROMETHEE"

Metoda PROMETHEE je razvijena za viekriterijumsku analizu skupa elemenata i
primenjiva je za analizu skupa elemenata i za rangiranje alternativa. Postoje etiri
varijante metode PROMETHEE (Preferance Ranging Organization Methods of
Enrichment Evaluation).
PROMETHEE I daje parcijalni
PROMETHEE II daje potpuni
PROMETHEE III daje intervalni poredak alternativa, dok
PROMETHEE IV predstavlja proirenje PROMETHEE III za neprekidne skupove.
Metoda PROMETHEE uvodi funkciju preferencije P ( a, b) za alternative a i b koje su
vrednovane po kriterijumskim funkcijama.
Alternativa a je bolja od b prema kriterijumu f ako f (a ) < f (b) .
Funkcija preferencije se definie kao:
0,
ako ... f (a ) f (b)
P ( a, b) =
P[ f (a ) f (b)]. ako... f (a ) > f (b)
Radi kraeg pisanja uvodi se oznaka d , d = f ( a ) f (b) . Postoji est tipova funkcije
preferencije i to:
I "Jednostavan" kriterijum
0, ako ... d 0
P ( a, b) =
1. ako... d > 1
II Kvazi kriterijum
0, ako ... d 0
P ( a, b) =
1. ako... d > q
III Kriterijum sa linearnom preferencijom

0,
P ( a, b) = d ,
p
1.
ako ... d 0
ako ... 0 < d p
ako... d > p
IV Nivojski kriterijum - stepenasti kriterijum
0,
P ( a, b) = 1 ,
2
1.
ako ... d 0
ako ... 0 < d p
ako... d > p
V Kriterijum sa linearnom preferencijom i oblasti indeferentnosti

0,
d p
P ( a, b) =
,
pq
1.
ako ... d 0
ako ... 0 < d p
ako... d > p
VI Gausov kriterijum
0, ako ... d 0
P ( a, b) =
d2
2 ako... d > q
1 e 2 .

Vrednosti parametara p, q, treba odrediti ili zadati za svaku kriterijumsku funkciju
prema usvojenom tipu preferencije (Tabela 3.1).17
Tabela 3.1 Grafiki prikaz generalisanih kriterijuma
PREFERENCIJSKA FUNKCIJA
TIP GENERALIZOVANOG KRITERIJUMA
OBIAN KRITERIJUM
KVAZI KRITERIJUM
KRITERIJUM SA LINEARNOM
PREFERENTNOU
STEPENASTI KRITERIJUM
PARAMETRI
____
p, q
KRITERIJUM SA LINEARNOM
PREFERENTNOU
p, q
OBLAU INDIFERENTNOSTI
GAUSOV KRITERIJUM
17 I.Nikoli;S.Borovi; Viekriterijumska optimizacija,1996g, p 3-88)

U cilju rangiranja po metodi PROMETHEE za svaki par ureivanih alternativa odreuje
se viekriterijumski indeks preferencije. Indeks preferencije alternative a nad
alternativom b , (a, b) moe se definisati izrazom:
( a, b) =
P ( a , b) Z ;
Z
h =1
h =1
0 ( a, b) 1
gde je:
Z h - relativni znaaj (teina) kriterijuma, pa ako su razliite teine onda se (a, b)
rauna kao ponderisana, a ne kao prosta aritmetika sredina.
Ph (a, b) - funkcija preferentnosti koja se za a u odnosu na b definie kao:
0,
ako ... f (a ) f (b)
P ( a, b) =
P[ f (a ) f (b)]. ako... f (a ) > f (b)
U cilju odreivanja odreenih podruja indiferencije u okolini f (b) moe se napisati

kao:
x = f (a ) f (b) i predstavlja grafiki funkciju H (x) tako da je:
P(a, b), ako x 0
H ( x) =
P(a, b). ako x < 0
Postoji est tipova funkcije tzv. generalisanih kriterijuma (Tabela 3.1) koji su najee u
praktinim primenama, gde nosilac odluivanja odreuje najvie dva parametra.
Da bi se dobio konaan rang upotrebljavanih alternativa potrebno je po izvrenom izboru
preferencijskih funkcija i parametara, uz uvaavanje zahteva za maksimizacijom ili
minimizacijom, odrediti indekse preferencije i uvrstiti ih u tabelu indeksa preferencije.
Indeks preferencije (a, b) daje veliinu preferencije alternative a u odnosu na b , i to
je blii 1, to je vea preferencija. Za (a, b) = 1 izraena je stroga preferentnost ( P )
alternative a u odnosu na b .
Vrednost indeksa preferencije odreuju dijagram za rangiranje. Za alternativu a ,
definie se:
izlazna vrednost toka: + (a ) = (a, x) i
xK
ulazna vrednost toka: (a ) = ( x, a ) .
x K
Metodom PROMETHEE dobija se potpuni poredak na osnovu relacije istog toka:
( a ) = + (a ) ( a ) .
Za reavanje problema odluivanja moe se koristiti i proiren modifikovan pristup
metode PROMETHEE.

Ovaj pristup se ogleda u korienju i drugih preferencijskih funkcija kao to su:
preferencijske funkcije prvog tipa i
preferencijske funkcije drugog tipa.
Prema ovom pristupu nosilac odluivanja moe iskazati svoje preferencije pomou
analitike funkcije oblika:
p
x , ako x p
H ( x) =
1. ako x > p
gde su:
-parametar brzine, odnosno intenziteta preferencije (0 < < );
p -granica preferencije.
U zavisnosti od eljenog intenziteta preferencije, koji hoe da iskae, nosilac odluivanja
bira vrednost parametara i odreuje granice preferencije.
Univerzalna preferencijska funkcija kojom se mogu izraziti jo kompleksniji zahtevi ima
ovakav oblik:
p ,
m
ako x p
(1 m )
H ( x ) = m +
( x p ) , ako p < x q

(
)
q
ako x > q
1.
gde su:
i - parametri brzine - intenziteta preferencije (0<<; 0<<),
p - granica promene brzine - intenziteta preferencije,
q granica preferencije i
m parametar.
4. Koncepcija i istraivanje ................................................................... 54

4.1. Koncepcija .............................................................................................................. 54
4.2. Istraivanje.............................................................................................................. 56
4.3. Prednost merenja .................................................................................................... 58
4.4. Empirijski dodatak.................................................................................................. 59
4.5. Primenljivost operacija na brojnom sistemu. Razmera operacija........................... 60
4.6. Princip razmiljanja ................................................................................................ 61
4.7. Korisnost rednog broja u ekonomskoj teoriji ......................................................... 61
4.8. Korisnost rednog broja ........................................................................................... 62
4.9. Optimalni uslovi na nezavisnost podloge ............................................................... 62
4.10.
Prava mera - prava linija............................................................................... 64
4.11.
Sigurna mera - realni brojevi ........................................................................ 65
4.12.
Neodreeni koeficijenti i pojava dvojenih poreenja ................................... 66
Koncepcija i istraivanje
4. Koncepcija i istraivanje
4.1. Koncepcija
Viekriterijumska optimizacija vue koren iz ekonomskih nauka, danas viekriterijumska
optimizacija i odluivanje imaju veliku primenu u mnogim sistemima a posebno u
sistemima industriskih postrojenja. Detaljnije razmatranje dovodi do zakljuka da ni sve
problemske situacije viekriterijumske optimizacije nisu po svojoj strukturi i
dimenzijalnosti meusobno identine. Otuda izlaganje o viekriteriumskom odluivanju
poije klasifikacijom problemskih situacija a nastavlja klasifikacijom sagledanih
koncepata i metoda za viekriterijumsko odluivanje te analizom njihove upotrebljivosti.
Potrebno je svaku problemsku situaciju odluivanja, nakon njenog formulisanja,
matematiki opisati i na neki nain naglasiti kao bitan redosled alternativa, donosiocu
odluke.
Strukturni oblici rada:
Centralizovano odluivanje
Antagonistiko odluivanje
Hijerarhistiko odluivanje
Centralizovano odluivanje ukljuuje nivo odluivanja donosiocu odluke (moe biti
jedan ili vie osoba sa iskustvom, autoritetom i odgovornou stvarnih odluka) i nivo
analize (tim analitiara) (Slika 4.1).18
KORISNIK
DONOSILAC (DONOSIOCI) ODLUKE
ANALITIARI
SUBSTANCIJALNI MODEL PROBLEMSKE SITUACIJE
Slika 4.1 Struktura centralizovano organizovane situacije odluivanja

Substancijalni model prestavlja sve ono to analitiari o problemskoj situaciji znaju
odnosno to je skup podataka i hipoteza. Analitiari imaju obavezu ne samo da pojasne
nego da i definiu propozicije procesa odluivanja. Treba imati na umu da donosioc
odluke vrlo esto ne daje analitiarima sve informacije pa je ovaj proces podeljen na dve
faze. Prvi ima za cilj da generie to manji broj alternativa i drugi izbor jednog od
sagledanih alternativnih reenja to je iskljuiva odgovornost lica koje donosi odluku.
18 LJ.Vlai,Viekriterijumski pristup projektovanju, p 23
Postoji vei broj matematikih metoda namenjenih za generisanje alternativa u okviru
viekriterijumske analize, a najvie su prikazani linearnim modelom. (Elans, Steuer
(1973); Eskor, Kuada (1978); Yu, Elenu (1975); Eal (1977); Gal, Leberling (1977 i
1981) Isernant (1974) itd.
Antagonistiko odluivanje doivelo je znaajan uspon u posledljih 20-30 godina
meutim jo uvek je retko primenjivan. Ovakav vid odluivanja prestavlja situaciju koju
karakterie meusobna nezavisnost uesnika u postupku (Slika 4.2).19
DONOSILAC
ODLUKE
DONOSILAC
ODLUKE
ANALITIARI
ANALITIARI
Slika 4.2 Struktura organizovane situacije odluivanja antagonistiki

U izuzetnim antogonistikim sluajevima moe se desiti da se ne postie saglasnost ak
ni na nivou substancijalnog modela problemske situacije.
Dakle, dok prvu fazu karakterie prisustvo dveju strana dotle druga faza je
okarakterisana procesom poravnanja koja vodi korisnike ka obostrano prihvatljivom
stanju STATUS QUO.
Hijerarhijsko odluivanje-Prema (Wierzbickom (1983)) mogua su dva vida hijerarijske
strukture odluivanja. Prvi podrazumeva punu koordnaciju interesa i ciljeva. Slika 4.3).20
Slika pokazuje da lice sa gornjeg nivoa moe da sugerie i da utie na ciljeve lica sa
donjeg nivoa.
DONOSILAC
ODLUKE
DONOSILAC LOKALNE
ODLUKE
DONOSILAC LOKALNE
ODLUKE
SUBSTANCIJALNI
MODEL 1.
SUBSTANCIJALNI
MODEL 2.
Slika 4.3 Hijerarhijski organizovana situacija odluivanja sa potpunom koordinacijom

interesa i ciljeva
19 LJ.Vlai,Viekriterijumski pristup projektovanju, p 25

20 LJ.Vlai,Viekriterijumski pristup projektovanju (sa uticajem odozgo), p 26
Predstavljanje strukture (Slika 4.4)21 karakteristina je po tome da je lice sa gornjeg
nivoa potpuno informisanoo interesima lica sa nieg nivoa ali bez mogunosti uticaja na
njih.
DONOSILAC
ODLUKE
DONOSILAC LOKALNE
ODLUKE
DONOSILAC LOKALNE
ODLUKE
Slika 4.4 Hijerarhijski organizovana situacija odluivanja sa deliminom

koordinacijom interesa i ciljeva
Ukratko reeno lice sa gornjeg nivoa moe da utie na ciljeve lica sa donjeg nivoa a sve
u svrhu maksimizacije vlastitog cilja a druga strategija pokazuje da je lice sa gornjeg
nivoa potpuno informisano o interesima lica sa nieg nivoa, ali bez mogunosti uticaja
na njih.
4.2. Istraivanje
Meu matematikim metodama za podrku odluivanju a na osnovu kojih analitiari
obrazlau poredak, postoje razliiti bazni koncepti za izgradnju modela i nalaenje
najpovoljnijih alternativa.Ti pristupi su holistiki i analitiki.
Holistiki pristup se bazira na principu da identifikacija informacije nije potrebna pre
donoenja odluke, to dovodi do zakljuka da holistike pretpostavke i intuicija, imaju
znaajnu ulogu.
Obzirom da je, po svojoj prirodi, vrlo ogranien u primeni u primenjenim naunim
disciplinama, ovde nee biti detaljnije razmatran.
Analitiki pristup garantuje sistemsku evaluaciju moguih alternativa i to pre donoenja
konanih odluka.
Meu analitike principe se svrstavaju:
koncept Pareto optimalnosti;

koncept funkcije korisnosti;
koncept zadovoljavajueg reenja;
koncept planom uslovnog odluivanja.
21 LJ.Vlai,Viekriterijumski pristup projektovanju(bez uticaja odozdo), p 27
Koncept Pareto optimalnosti - Istorijski gledano, ovaj koncept je najstariji, primenjivan
pri viekriterijumskoj analizi raznih problemskih situacija. (Pareto (1896)).
Ovo reenje je prisutno onda kada je poboljanje jednog cilja mogue samo na raun
pogoranja drugih ciljeva.
Koncept funkcije korisnosti - Funkcija korisnosti je ista mamematika tvorevina i
pokazala se veoma pogodnom u svim onim sluajevima kada se mogla dokazati i
upotrebiti. Koncept maksimizacije funkcije ima teorecku i matematiku osnovu te je
prihvaen kao put za analitiko donoenje odluke. Ovaj princip odluivanja primenljiv je
u novim situacijama i podrazumeva analizu i onih alternativa koje u praksi mogu biti
inferiorne.
Koncept zadovoljavajueg reenja - Polazi se od toga da svi oni koji donose odluke
(menaderi, inenjeri, preduzetnici,...) ne sprovode stvarno optimizaciju, jer nemaju
dovoljno ni vremena ni informacija. Meutim, sa razvojem raunarske tehnologije,
otrina mnogih kritika na raun optimizacije je ublaena. ak je ublaen i uticaj
nedostatka informacija.
Koncept planom uslovnog odluivanja - Pretpostavlja se da odreeni ciljevi imaju
prioritet i da moraju biti dostignuti. Samim tim ovo je viekriterijumski pristup za
donoenje odluke pod pretpostavkom da su pojedini kriterijumi dominantni u odnosu na
druge.
Imajui u vidu da ni jedan od ovih metoda nije idealan i prihvatljiv bezuslovno u svim
situacijama i dalje se radi na razvijanju novih metoda viekriterijumskog odluivanja
koje su esto kombinacije razliitih koncepcija iz svih prethodno nabrojanih metoda,
upravo se u svim novim metodama uglavnom pokazuje, da se iskoriste dobre strane tih
metoda.
Redovno se deava da je jedna alternativa bolja od druge u smislu jednog kriterijuma
dok je druga bolja od prve po drugom kriterijumu. Reeenje problema predstavlja
nalaenje kompromisnog reenja. Da bi doneli takvu odluku neophodno je poreati
alternative definisanje odgovarajuim kriterijumima kao i odrediti teinske koeficijente u
odnosu na sve druge kriterijume. Posle toga za svaki kriterijum se odreuje da li je
potrebno izabrati alternativu tako da kriterijum bude minimalan ili maksimalan. U
zavisnosti ocene svih parametara odreuje se i metoda koa e se koristiti za reavanje
problema.
Meutim izgradnja matematikih temelja bilo koje naune discipline zahteva
identifikaciju uslova koji moraju biti zadovoljeni da se omogui primena matematikih
operacija u linearnoj algebri i uopte u raunu. Identifikacijom ovih uslova pokazano je
da klasina merenja i ocena teorije, ukljuujui i korisnost teorije, ne mogu sluiti kao
matematiki temelj teoriji odluivanja, u teoriji igara, ekonomiji ili drugim naunim
disciplinama, jer ne zadovoljavaju potrebne uslove. Matematike osnove drutvene
nauke kao discipline, ukljuujui i ekonomske teorije, zahtevaju primenu matematikih
operacija koje nisu fizike promenljive, tj promenljive kao to su vrednosti koje opisuju
psiholoke ili subjektivne osobine.
Da li psiholoke osobine mogu biti merene (i samim tim da li matematike operacije se
mogu primeniti na psiholoke promenjive) je diskutovao odbor koji je imenovan u 1932
od strane britanskog udruenja za unapreenje nauke, ali suprotna miljenja u ovoj
raspravi nisu pominjani u zavrnom izvetaju u komitetu za 1940 god.
Godine 1944, teorija igara je predloena kao pravi instrument sa kojima se razvijaju
teorije ekonomskog ponaanja, gde je program teorije da su sredstva za merenje
prednost.
Samo odreivanje i tumaenje operacije korisnosti teorije, koja se koristi za izgradnju
skale korisnosti vodi sutinska protivrenost i da operacije sabiranja i mnoenja nisu
primenljive na vrednostima korisnosti razmera. Uoavaju se dodatni nedostaci korisnosti
teorije koja pokazuje se nepodobnom da slui kao matematiki temelj za ekonomiju ili
druge teorije.
4.3. Prednost merenja

U svojim radovima Jonathon Barzilai dtaljno navodi injenice da je o problemu merenja
bilo rei jo dvadesetih godina prolog veka.
Dalje navodi da su s tim problemom direktno bavili Norman R. Kampell, 1940 god., A.
Ferguson, C. S. Myers, 1930 god., Horman van Helmholtaz, 1946 god, John van
Neumann i Oskar Morgenson, 1940 god i Paul A.Samueison 1948.22
Primenom matematikih operacija se meu pitanjima implicitno bavi fon Nojman i
Morgenstern u u kontekstu merenja individualne vrednosti. Vrednost, ili korisnost, nije
fiziko svojstvo objekata koje se vrednuje, odnosno, prednost je subjektivna, odnosno
psiholoka, imovinska. Da li psiholoke osobine mogu da se mere je otvoreno pitanje u
1940, kada je odbor imenovao britansko udruenje za unapreenje nauke u 1932 ", da
razmotre i izvetaj na mogunost kvantitativne procene ulnih dogaaja" objavio je svoj
zavrni izvetaj.
Privremeni izvetaj, objavljen u 1938, su "izjavu tvrdei da oseaji intenziteta nisu
merljivi", kao i izjavu tvrdei da je oseaj intenziteta merljiv. Ova suprotna miljenja
nisu usaglaena u konanom izvetaju. Stav da psiholoke promenljive se ne mogu
izmeriti je podran od strane Campbell'sa sa pogledom na ulogu merenja u fizici koji je
izraen na osnovu ranijih radova Helmholc na matematiko modeliranje fizikih
merenja.23
Da bi se ponovo drala Campbell pozicija u tekuim terminologijama potrebno je
sledee:
Pod empirijskim sistemom E misli se na skup empirijskih objekata, zajedno sa
operacijama (tj. funkcijama) eventualno i odnos poretka pod kojim se karakterie
vrednost merenja.
Matematiki model M od empirijskih sistema E je skup sa operacijama koje odraavaju
empirijski rad u E , kao i red u , kada se pravilo. Funkcija je preslikavanje
objekata iz E u objekte u M koji odraava strukturu E u M (u tehnikom smislu,
funkcija je homomorfizam iz E u M ).
22 J. Barzilai, Avoiding MCDA Evaluation Pitfalls, in Real Time and Deliberative Decision Making, Igor Linkov, Elizabeth Ferguson, Victor S. Magar (Eds.),
NATO Science for Peace and Security Series C - Environmental Security, Springer, pp. 349353, 2008.
23 Jonathan Barzilai, Game Theory Foundational Errors Part III, Technical Report, Dept. of Industrial Engineering, Dalhousie University, pp. 14, 2009.
Svrha preslikavanja od strane M je da omogui primenu matematikih operacija na
elementima matematikog sistema M : Kako reito kae Campbell', "Predmet merenja je
da se omogui mono oruje matematikoj analizi i to treba primeniti na predmet
nauke".24 U smislu ovih pojmova, osnovne elemente gledita su saeti u kontekstu
merenja gde se tvrdi da za psiholoke promenljive nije mogue konstruisati funkciju koja
odraava empirijski rad, jer empirijski (ili "praktini) rad tada nije definisan, ako
empirijski rad ne postoji, tada i njegova matematika refleksija ne postoji.
U okviru matematikog modeliranja od sutinske vanosti je omoguiti primenu
matematikih operacija, empirijski objekti su odreeni matematikim objektima na
kojima se izvode ove operacije. U matematikom smislu, ove funkcije preslikavanja su
sa skupa empirijskih objekata na skup matematikih predmeta (to su obino realni
brojevi). Imajui u vidu dva skupa, veliki broj preslikavanja iz jednog u drugi mogu biti
konstruisani, od kojih se ne odnose na karakterizaciju osobina pod merenjem: date
osobine moraju biti odlije empirijske operacije koje su specifine za ovu imovinu i ove
imovinsko-specifine empirijski operacije se zatim reflektuju na odgovarajue operacije
u matematiki model. Merenja skale su one vrednosti koje odraavaju specifine
empirijske operacije koje karakteriu datu imovinu u odgovarajue operacije u
matematiki model. Zbog toga, izgradnja merenja zahteva veliinu da je vrednost
specifine empirijske operacije identifikovana i ogleda se u matematikom modelu.
tavie, operacije treba da se biraju kako bi se postigao cilj ove konstrukcije koja je
primena matematikih operacija u matematikom modelu.
4.4. Empirijski dodatak

Cilj fon Nojmana i Morgensterna je da identifikuje empirijske operacije koje karakteriu
svojstvo prioriteta i izgradi odgovarajui matematiki model. Kao to e se naknadno
videti, operacije sabiranja i mnoenja nisu mogue u matematikom modelu i empirijski
rad zahteva tumaenje koje vodi do sutinske protivrenosti.
Zadatak izgradnje modela za podeavanje merenja obradili su fon Nojman i Morgenstern
u indirektnom kontekstu merenja individualnih vrednosti.25 Kako je operacija sabiranja,
kada se odnosi na duinu ili merenje mase na vagi odreena, kada su veliine koje su
jedinstveno izraene pomou promenljivih konstanti odnosno fizike promenljive kao
to su vremenska i potencijalna energija, na koje standardne matematike operacije se
primenjuju su jedinstveni do zbirnih konstanti i pozitivanih multiplikativnih konstanti.
(Ako je pesak t dat sa dve veliine zatim vreme ili potencijalne energije t = p + qxs za
neke stvarne brojeve i q 0 , a za duinu i masu t = qxs za neke q > 0 ).
Ovo zapaanje ukazuje na to da je argument protiv udruenja mogunosti merenja
psiholokih promenjivih nije u potpunosti tano. Izgleda, neophodno je da se ukae na
potrebu da se identifikuje empirijski - "prirodno" po fon Nojman i Morgenstern je
terminologija - rad za podeavanje merenja za koje je rezultat jedinstvena vrednost
dodatih konstanti i pozitivanih multiplikativnih, konstantni.
24 Jonathan Barzilai, Value of a Game, Notices of the American Mathematical Society,No.1-4,p., 2006.
25 Ohn von Neumann and Morgenstern, Theoru of Games and Ekonomik Behav ior, Princeton Universitu Pres 1974.
Traiti empirijsku operaciju koja podraava "centar gravitacije", rad, rad su
identifikovali sada poznati korisnosti teorije konstruisanja lutrije na "nagrade", da slui u
tu svrhu. Von Neumann i Morgenstern je jedinstvenost argumenta i teita rada su
centralni elementi njihove korisnosti teorije koja je formalizovana u aksiomama. Ova
teorija je na osnovu teorije igara koja, zauzvrat, bio je da slui kao matematiki temelj
ekonomskoj teoriji. Razraena na fon Nojman i Morgenstern konceptu, Stivens je
predloio jedinstvenost baza klasifikacije "Skale tip" i koncentrisao se na pitanja o
mogunosti merenja psiholokih promenjivih i primenu matematikih operacija u skali
vrednosti se preselio na izgradnju "Interval" skale, odnosno koje su jedinstvene i do
zbirnih konstanti i pozitivne multiplikativne konstante.
4.5. Primenljivost operacija na brojnom sistemu. Razmera operacija.

Neka se razmisli o primenljivosti operacija sabiranja i mnoenja na lestvici vrednosti za
fiksne skale, odnosno operacijama koje izraavaju injenice kao to su "teina objekta
jednaka je zbiru teina druga dva" (to odgovara sabiranju: s (a ) = s (b ) + s (c ) ) i "teina
datog objekata je dva i po puta tea od mase drugog" (to odgovara
mnoenju: s (a = 2.5 xs(b )) ).
Vano je naglasiti razliku izmeu primena operacija sabiranja i mnoenja na lestvici
vrednosti za fiksnu skalu (na primer s (a ) = s (b ) + s (c ) u odnosu na ono to ini se da je
ista operacija kada se primenjuje na celu skalu kojoj je ekvivalent skala sa proizvodom
(na primer t = p + qxs , gde su s i t dve veliine a p, q brojevi). U sluaju lestvice
vrednosti za fiksne veliine, operacije sabiranja i mnoenja se primenjuju na elemente
matematikih sistema M i rezultat je jo jedan element M .
U sluaju operacije na celoj skali, dodavanje ili mnoenje broja se primenjuju na element
skup S = {s,t ,...} kod svih moguih veliina, a rezultat je jo jedan element od S , a ne
M . To su neke operacije, jer operacije su funkcije, a funkcije u razliitom domenu ili
opsegu su razliite.
U sluaju "Interval", funkcije, gde je jedinstvenost skupa svih moguih funkcija
karakterie funkcija transformacije forme t = p + qxs , ne moe se zakljuiti da operacije
sabiranja i mnoenja se odnose na funkciji kao vrednosti za fiksne veliine, kao to su
s (a ) = s (b ) + s (c ) .
Moe se tvrditi da je karakterizacija funkcije od jedinstvenosti, podrazumeva t = p + qxs
primenu sabiranja i mnoenja na funkciji vrednosti za fiksne veliine, ali ova tvrdnja
zahteva dokaz. Ne postoji takav dokaz, niti takav zahtev, u literaturi, jer je ova tvrdnja
lana: Razmotriti automorfizam grupa celih brojeva pod sabiranjem. Grupa je model za
sebe ( E = M ), i vrednost transformacije su multiplikativni: t = ( )xs . Meutim, po
definiciji, rad mnoenja koji se definie na skupu funkcija nije definisan na grupu M .
4.6. Princip razmiljanja

Neka se razmotra merenje duine i neka se pretpostavi da je sprovedeno redno merenje
na skupu objekata, odnosno, za bilo koji par objekata odreeno je koji je vii ili da li su
iste duine (u tom sluaju nisu odreene njihove duine). To moe biti zbog nedostatka
date tehnologije (odgovarajue alatke nisu na raspolaganju) ili sa stanjem nauke (znanja i
razumevanja od empirijskih ili matematikih sistema je nedovoljno). Jo uvek se mogu
konstruisati veliine koje na mapi pretvaraju empirijske predmete u realne brojeve, ali,
iako realni brojevi priznaju mnoge operacije i odnose, jedini odnosi na redu funkcije
vrednosti koji je relevantan za vrednost kod merenja je odnos reda. Konkretno, operacija
sabiranja i mnoenja moe se raditi na niz takvih merila, jer opseg je podskup realnih
brojeva, ali takve operacije su strane, jer one ne odraavaju odgovarajue empirijske
operacije. Strane operacije ne mogu biti sprovedene na funkciji vrednosti - oni su
irelevantne i neprimenljive, njihova primena na funkciji vrednosti modeliranja je greka.
Princip refleksija je sutinski element oblikovanja koji navodi da operacije u
matematikom sistemu se primenjuju ako i samo ako one odraavaju odgovarajue
operacije unutar empirijskog sistema. U tehnikom smislu, kako bi matematiki sistem
bio ispravan model jednog empirijskog, matematiki sistem mora da bude homomorfnih
na empirijski sistem (homomorfizam je struktura-ouvanja redosleda). Matematika
operacija je ispravan element modela samo ako je homomorfna slika empirijske
operacije.
Drugi poslovi nisu primenljive na skali vrednosti. Po principu refleksija, neophodan
uslov za primenu operacije na funkciji vrednosti je postojanje odgovarajuih empirijskih
operacija (homomorfnih unapred odreenih slika matematike operacije). To je, naelo
refleksije u oba smera, i data operacija se primenjuje u matematikom smislu samo ako
je empirijski sistem opremljen za odgovarajui rad.
4.7. Korisnost rednog broja u ekonomskoj teoriji

Sklonost teorije, koji igra osnovnu ulogu u teorije odluivanja, igra i istu ulogu u teoriji
korisnosti imenovanoj u ekonomskoj teoriji. Tu je pokazano da u kontekstu ekonomske
teorije, teorija korisnosti je zasnovana na grekama koje nisu otkrivene od strane
teoretiara datih odluka ili drugih naunika. U svom priruniku politike ekonomije,
Pareto tvrdi da je "cela teorija ekonomske ravnotee nezavisana od pojmova
(ekonomske) korisnosti". Preciznije, on je tvrdio da redovni korisnici su dovoljni da
izvre Pareto razvoj ekonomske ravnotee. Ova tvrdnja je iznenaujua s obzirom da se
Pareto uputstvo zasniva na pojmovima diferencijabilnosti korisnosti funkcija (po
razliitim imenima kao to su "ekonomsko zadovoljstvo" i "ukus"). Ova tvrdnja je
takoe iznenaujua, jer paralelno tvrdi navodei da redna temperatura na skali je
dovoljna za obavljanje delimine diferencijacije u termodinamici sto je oigledno lano.
To je jo vie iznenaujue da je ovo lana tvrdnja ostala tako dugo i ponavlja se u
sadanjoj ekonomskoj literaturi.
Oslanjajui se na greke Pareto je, Hicks navodi da je "kvantitativni koncept korisnosti

nije neophodan kako bi se objasnile pojave na tritu", sa ciljem uspostavljanja logike
deduktivne osnove ekonomije - ima identifikovanu potrebu za teoriju dosledno na
osnovu redne korisnosti - on nastavlja "da preduzima ienje, odbijanje svih pojmova
koji su zaraeni kvantitativnim programom".26 U sutini, Hicks tvrdi da kad god se
problem pojavljuje u ekonomskoj teoriji, a naroito u Pareto teoriji koja podrava
delimino diferencijacije, moe biti zamenjen drugim programom.
Ni Pareto, koji nije postupio po svojoj tvrdnju, niti Hiks, koji su nastavili sa ienjem
"kvantitativnih korisnosti" iz ekonomske teorije, pruaju rigorozno matematiko
opravdanje za ovaj zahtev i ini se da autori koji ponove ovu tvrdnju oslanjaju se na
pogrean argument to je u sutini osnova ekonomske analize.
4.8. Korisnost rednog broja

Redni empirijski sistem E je skup empirijskih objekata zajedno sa odnosom reda, koji
karakteriu imovinu kod merenja. Matematiki model M od rednog empirijskih sistema
E je sledei skup u kojem bi sistem u M odraavao red kao u E . Funkcija s je
homomorfizam iz E u M , odnosno slika objekata u E - nti objekat iz M koji odraava
redosled E u M . Generalno, u cilju modeliranja kod M je da omogui primenu
matematikih operacija na elemente matematikog sistema M i da operacije koje nisu
definisane u E se ne primenjuju u M .
U sluaju od rednog sistema matematikog lika M do empirijskih sistema E je samo
opremljen tako da operacije sabiranja i mnoenja se ne primenjuju u M . Drugim reima,
poto, po definiciji, u ureenim sistemima samo kako je definisano (eksplicitno - ni
pored toga, niti se definie mnoenje), sabiranje i mnoenje se ne primenjuju na rednoj
funkciji vrednosti i to sledi da rad diferencijacije nije primenljiv na rednoj funkciji
vrednosti, jer diferencijacija zahteva da se operacije sabiranja i mnoenja mogu
primenjivati.
Ukratko, ako je red funkcije korisnosti ne moe da se diferencira i obratno, funkcije
korisnosti koji zadovoljavaju diferencijalni uslov ne moe biti red korisnosti skale.
4.9. Optimalni uslovi na nezavisnost podloge

U svojim belekama Hiks kae da je "ista ekonomija ima izuzetan nain proizvodnje
zeeva iz eira" i da "To je fascinantno da pokuaju da otkriju kako zeeve dobijaju, a
za one od nas koji ne veruju u magiju moraju biti uvereni da su ih dobili nekako.
"Sledee je tretirano samo za minimalni stepen strogosti koji je neophodan da otkriju
kako ovo zapaanje se odnosi na upotrebu, navodno red, korisne funkcije u standardnom
izvoenju elementarnih uslova ravnotee. (Vei stepen strogosti je neophodan tim pre
to druge greke treba izbegavati).
26 John R.Hicks, Value and Capital,Second Edition, Ohford Universitu Press 1946.
Neka se razmotri problem maksimiziranja funkcije u ( x1 , x2 ,...xn ) , predmet korisnosti
ogranienja u formi g ( x1 , x2 ,..., xn ) = b u kojoj promenljive x1 , x2 ,..., xn predstavljaju

koliinu robe.27
Diferenciranjem Lagrangean L = u ( g b ) dobija se:

u
g
= 0 za i =1,2,, n
xi
xi
koji podrazumeva
u g
u g
==
xi xi
x j x j
za sve i, j , i stoga je
u u g g
x j xi x j xi
(1)
Jednaina (1) je tangens uslov, jer, u zajednikim zapisu,

f
xi
f
=
x j
j xi
dri na povrini gde je funkcija f ( x1 , x2 ,..., xn ) konstantna.
(2)
Poto primena ove notacije na jednaina (1) dobija se

xi
x
= i
x j x j
poeljno je koristiti notaciju eksplicitno
xi
x j
to pokazuje da se diferencijacija izvodi na nezavisnoj podlozi funkcije y u taki K .

Ovo zavisi od izvoda funkcije y , kao i take K , funkcija y nije "eliminisana" u ovom
izrazu. U principu, u proizvoljnom trenutku za oekivati je
xi
x j
u
x
xi
x j
g
x
ali u jednainu reenja taka (1) podrazumeva

xi
x j
u
x
xi
x j
g
x
za sve i, j
(3)
koja, zajedno sa ogranienjem g = ( x1 , x2 ,..., xn ) = b , je sistem jednaina za n nepoznatih
*
*
*
x * = x1 , x 2 ,...x n
27 Jonathan Barzilai, Measurement and Preference Funstion ModellingInternational Transactions jn Operational Research,Vol. 12, 2006..
U specijalnom sluaju jednog budetskog ogranienja p1 x1 + p2 x2 + ... + pn xn = b , gde je
cena pi dobra za svako i ,
xi
x j
pj
g g
=
x j xi
pi
i reenje zadovoljava
p1 x1 + p 2 x 2 + ... + p n x n = b
*
xi
x j
u
xi
pj
pi
za svako i, j.
(4)
Kada je broj promenljivih vei od dve, sistem jednaina se ne moe reiti nijednom
metodom u dvodimenzionalnom prostoru, jer sa leve strane poslednja jednaina (4)
zavisi od svih n nepoznatih . Na primer, mogu se konstruisati porodice krive
indiferentnosti u ravni, gde su fiksne promenljive x3 ,..., xn , ali mora biti x3 ,..., xn
*
fiksiran na nepoznato reenje vrednosti x3 ,..., xn . Da naglasim, svaka utvrena vrednost

promenljive x3 ,..., xn je povezana sa familijom ( x1, x2 ) indiferentnih krivih. Da bi se
reilo za ( x*1 , x*2 ) metodom ravnodunosti krivih, potrebno je izgraditi posebne familije
*
indiferentnih krivih koje odgovaraju reenju vrednosti x3 ,..., xn , ali ove vrednosti nisu
poznate. Konstatujui ponovo da funkcija korisnosti y nije eliminisana u jednaini (4) i
da ova jednaina je izvedena pomou operacije diferencijacije koja se ne primenjuje na
red korisne funkcije, zakljuuje se da Hiksova "Generalizacija u sluaju mnogih roba"
nema osnova.
Vrativi se jednaini (2), uz napomenu da f ( x1 , x2 ,..., xn ) i F ( x1 , x2 ,..., xn ) imaju iste
veliine povrina (ali sa razliitim izvodima) i po pravilu lanca, ako su oba F i
f ( x1 , x2 ,..., xn ) diferencijabilna onda je:
xi
x j
F( f )
x
xi
x j
f
x
(5)
tako da je ovaj izvod delimino nezavisna od F . Meutim, budui da je pretpostavka da

su F i f diferencijabilne, jednaina (5) nema osnova .
4.10. Prava mera - prava linija
Kako bi "mono oruje u matematikoj analizi", trebalo da se primeni na bilo koju

naunu disciplinu potrebno je, u najmanju ruku, da se konstruiu modeli koji
omoguavaju operacije sabiranja i mnoenja, jer bez ove operacije alat linearne algebre i
elementarne statistike se ne mogu primeniti. Ova konstrukcija, to dovodi do poznatih
geometrijskih modela, taaka na pravoj liniji, zasniva se na dva zapaanja:
Ako je operacijama sabiranja i mnoenja omogueno da budu u matematikom
sistemu M ove operacije moraju biti tu i definisane.
Empirijski sistem E onda mora da je opremljen sa odgovarajuim operacijama kako bi
osobine iz M bile i u modelu E .
Matematiki sistem sa apsolutnom nulom ili jedinicom nije homogen, koji specijalno
razlikuje elementi za razliku od drugih. S druge strane, poto postojanje apsolutne nule
za empirijske sisteme koje karakteriu subjektivna svojstva nisu uspostavljena, oni
moraju biti modeli u homogenim matematikim sistemima. Skupovi koji su opremljeni
sa operacijama sabiranja i mnoenja, ukljuujui i inverzne operacije kao i oduzimanje i
deljenje, se izuavaju u apstraktnoj algebri i nazivaju se polja. Poto je svrha modeliranja
da omogui primenu matematikih operacija, mogu se razvrstati skale prema vrsti
matematikih operacija. Ovde se koriste termini odgovarajue skale za oznaavanje mere
gde su operacije sabiranja i mnoenja omogueni na skali vrednosti, kao i da oznai
situacije gde merenje za ove operacije nije mogue. Ova podela je od fundamentalnog
znaaja, ako se na umu ima princip reflrksije da su svi modeli u literaturi slabi jer su
zasnovani na operacijama koje ne odgovaraju sabiranju i mnoenju.28
4.11. Sigurna mera - realni brojevi

Pravilna uporeenja omoguavaju primenu operacija linearne algebre, ali ne mora biti
opremljen odnos poretka koji je potreban da ukae pravac na pravoj liniji (na primer,
ukazuju na to da objekat jo bolji, ili tei, ili lepi od drugog). Izgradnja odgovarajue
sigurne mere tj. za osnovno polje koje mora biti ureeno (na primer, polje kompleksnih
brojeva je nesreena, dok je polje racionalnih brojeva je sreeno).
Kod fizike, kao i kod drugih nauka, razvoja nema bez matematikih "oruja" u raunu.
Na primer, osnovni koncept ubrzanja kod II Njutnovog zakona se definie kao (drugi)
izvod, u statistici, standardna devijacija zahteva korienje kvadratnih korena funkcija
ija definicija zahteva ogranienje rada i marginalne stope promena, definisani parcijalni
izvodi koriste se u ekonomiji.
Raunom treba da bude omogueno sreivanje odgovarajue skale, u osnovni polje mora
biti sreeno polje gde su ogranienja elemenata polja samo elementi polja. Jedino
potpuno sreeno polje je polje realnih brojeva. Kako bi operacije sabiranja i mnoenja tj.
odnos reda i primena rauna na subjektivne skale, morao biti odreeni objekat u
realnom, sreenom homogenoj oblasti, odnosno jednodimenzionalanom, realnom
prostoru, taj ureeni skup objekata mora biti podskup taaka na empirijski ureenoj pravi
pravoj liniji. Koristi se izraz jaki modele kako bi se oznaili takvi modeli i osnovne mere
koje oznaavaju merenja proizvoda datih modela.29
Primena monog oruja matematike analize zahteva sisteme u kojima postoji sabiranje i
mnoenje, a redosled i granice su omogueni. Razlog za centralnu ulogu realnih brojeva
u nauci je da polje realnih brojeva je jedino potpuno ureeno polje.
28 Rafael Artzy,Linear geometry,Addison-Wesley,1965

29 Edward J.Meshane and Truman A Botts, Real analusis van Nostrand 1959
4.12. Neodreeni koeficijenti i pojava dvojenih poreenja

Da bi se operacije sabiranja i mnoenja mogle primenjivati, matematiki sistem M mora
biti:
polje ako je model sistema sa apsolutnom nulom i jedan,
jedno-dimenzionalni vektorski prostor kada empirijski sistem ima apsolutnu nulu, ali
ne apsolutno jedan, ili
jednodimenzionalni affini prostor koji je predmet za sva ne-fizika svojstva sa ne
apsolutnom nulom, ni apsolutnom jedinicom. Ovo podrazumeva da je za pravilna
uporeivanja, odnos mera nedefinisan za subjektivne promenljive, ukljuujui
podeavanja. Konkretno, ovo stavlja van snage sve odluke koje se primenjuju u
metodologiji za operacije sabiranja i mnoenja na skali vrednosti i na osnovu usvojenih
odnosa.
Na primer, u odsustvu za vreme apsolutne nule, to mora biti modelovan kao homogena
promenljiva i odnos dva puta (izraz t1 / t 2 ), je nedefinisan. Iz istog razloga, odnos dva
potencijalna energenta e1 / e2 je nedefinisan, pa ni odnos razlike t1 / t 2 i e1 / e2 ne
moe pravilno biti definisan. Poto je zbir dve take u affinom prostoru nedefinisan, zbir
odgovarajuih vrednosti skala je definisana kao prednost. Izraz (a b ) / (c d ) = k gde je
a, b, c, d su take na affinoj pravoj liniji i k je skalar koji se koristi u izgradnji
odgovarajue skale. Broj poena na levoj strani ovog izraza moe biti smanjen sa etiri na
tri (npr. ako je b = d ), ali se ne moe svesti na dva i to podrazumeva da pojava
udvojenih poreenja ne mogu biti koriena za pravljenje skala za merenje, gde su
omoguene operacije sabiranja i mnoenja.
5. Ureeni skupovi i mree................................................................................ 68

5.1. Pojam relacije ......................................................................................................... 68
5.2. Ureeni podskup ..................................................................................................... 69
5.3. Specijalni podskupovi ureenih skupova ............................................................... 69
5.4. Funkcije izmeu ureenih skupova. Dualnost ........................................................ 69
5.5. Specijalni elementi ................................................................................................. 70
5.6. Infimum i supremum .............................................................................................. 70
5.7. Mrea ...................................................................................................................... 71
Ureeni skupovi i mree
5. Ureeni skupovi i mree

5.1. Pojam relacije
Odnos meu elementima nekog skupa po parovima se obino zove relacija meu tim
elementima.
Dakle pod binarnom relacijom na nekom nepraznom skupu A se podrazumeva podskup
od skupa A 2 .
injenica da su elementi skupa A x i y u relaciji obino se oznaava x y ili

( x, y ) .
Kada se govori o svojstvima binarnih relacija na neki neprazan skup A obino se istiu
sledea svojstva (mada ih ima jo).
Refleksivnost:
Relacija je refleksivna ako vai za sve x A je x x .
Simetrinost:
Relacija je simetrina ako za svako x, y A je x y y x .
Antisimetrinost:
Relacija je antisimetrina ako za svako x, y iz: ( x y i y x ) sledi y = x .
Ekvivalentno:
Ako je x y i x y onda nije y x .
Tranzitivnost:
Relacija je tranzitivna ako vai x y i y z povlai x z za svako x, y, z A
Pojam inverzne relacije:
Ako je relacija na skupu A onda je
definisana na sledei nain:
= {( x, y )(x, y ) } inverzna relaciji .
Stav: Ako relacija poseduje osobine:
Refleksivnost,
Simetrinost,
Antisimetrinost,
Tranzitivnost.
onda i relacija
poseduje iste te osobine.

Definicija: Relacija koja je refleksivna, simetrina i tranzitivna je relacija ekvivalencije a
relacija koja je refleksivna, antisimetrina i tranzitivna je relacija poretka (oznaava se sa
ili ( A, ) ako se oznai i skup na kome je definisan).
Definicija: Relacija koja je refleksivna i tranzitivna na nekom skupu zove se
predporedak.
Ovde je izostavljena iz poretka antisimetrija ali i ova relacija vri poreenje i vrlo se
prirodno pojavljuje naroito u primerima u ekonomiji.
Relacija pokrivanja: Ako je na ureenom skupu R definisana relacija poretka tada se
na ovom skupu moe definisati i relacija p koja se zove relacija pokrivanja
x, y P, x p y x < y i (z )( x < z < y ) kae se da je x pokriveno sa y ili da x

prethodi y .
Konani ureeni skupovi mogu se predstaviti crteima koji se zovu Hasse dijagrami.
Elementi skupa se predstavljaju takama koje se povezuju linijama ako i samo ako prva
taka prethodi drugoj.
5.2. Ureeni podskup

Neka je dat (P, ) i neka je Q P na Q se definie novi poredak Q sa x, y Q
(x
y x y).
Ovaj novi poredak na Q kae se da je indukovan poretkom na iz R (i obino se i sam

oznaava ).
5.3. Specijalni podskupovi ureenih skupova

Neka je dat (P, ) se zove lanac ako je za x, y A x y ili y x .
A P se zove anti lanac ako je za x, y A x y i y x .
I P se zove polu-ideal ako za x, y P vai iz i y x sledi y I .
F P se zove polu-filter ako za x, y P vai iz x F i x y , sledi y F .
5.4. Funkcije izmeu ureenih skupova. Dualnost

Neka su (P, ) i (Q, ) dva ureena skupa. Funkcija f : P Q se zove izotona ako za
svako x, y P sledi f ( x ) f ( y ) ( f ( x ) f ( y )) .
Injektivna funkcija f iz P u Q je obostrano izotona ako zadovoljava uslov
f (x) f ( y ) .
x y

Bijektivna i obostrano izotona funkcija f : P Q se zove izomofrizam izmeu
(P, ) i (Q, ) .
U sluaju P = Q izomofrizam se zove automorfizam.
Kod konano ureenih skupova postoji da su oni izomorfni ako i samo ako imaju iste
hase dijagrame.
Ako je (P, ) ureen skup , onda je dualni poredak na skupu P definisan sa x y
ako je y x .
Princip dualnosti za ureene skupove: Ako neko tvrenje vai za sve ureene skupove
onda i dualno tvrenje vai za ureene skupove.
5.5. Specijalni elementi

Neka je (P, ) ureen skup i b P .
Kae se da je b minimalan ako za sve x P vai da iz x b sledi x = b .
Kae se da je b maksimalan ako za sve x P vai da iz b x sledi b = x .
Element b je najmanji u P, ako je ispunjeno (x P ) (b x ) .
Element b je najvei u P, ako je ispunjeno (x P ) ( x b ) .
5.6. Infimum i supremum

Ako je (P, ) ureen skup i (Q P ) definie se za svako:
Q d = {a P a b b Q}.
Q g = {a P b a a b Q} i zove se skup donjih ogranienja skupa Q i skup
gornjih ogranienja skupa Q .

Najvei element skupa Q d (ako postoji) zove se infimum skupa Q u oznaci inf Q.
Najmanji element skupa Q g (ako postoji) zove se supremum skupa Q u oznaci sup Q .
Nije teko videti da su infimum i supremum skupa Q (ako postoje) jedinstveni i mogu se
definisati i ovako:
Ako je p P, onda je p = inf Q ako i samo ako vai:
(1) za x Q p x ,
(2) ako postoji y P takav da je za svako x Q ispunjeno y x onda je y p .
Ako je p P, onda je p = sup Q ako i samo ako vai:

(1) za x Q p x ,
(2) ako postoji y P takav da je za svako x Q ispunjeno x y onda je p y
5.7. Mrea
Mrea je ureen skup (L, ) u kome za svaka dva elementa a i b postoji inf {a, b} i
sup{a, b}.
Mrea se moe definisati i kao algebarska struktura L, sa dve operacije , sa sledeim
svojstvima:
x, y L,
x y = yx
x y = y x
zakon komutativnosti;
x ( y z ) = (x y ) z
x ( y z ) = ( x y ) z zakon asocijativnosti;
x (x y ) = x
x (x y ) = x
zakon apsorpcije.
Nije teko videti da su ove dve definicije mree ekvivalentne.

Naime ako je (L, ) ureajna mrea onda se mogu definisati operacije i na sledei
nain:
a b = inf {a, b} i a b = sup{a, b} i (L,, ) ispunjava uslove algebarske mree a ako je

data algebarska mrea tada se moe na L definisati ureenje na sledei nain:
a b a b = a i tada je (L ) ureajna mrea.
6.
Mrena metoda za viekriterijumsku analizu.................................................... 73
6.1. Mrena metoda ....................................................................................................... 73

6.1.1.
Grafika intepretacija mrene metode (Hipotetiki primer)......................... 76
Mrena metoda za viekriterijumsku analizu
6. Mrena metoda za viekriterijumsku analizu

6.1. Mrena metoda
Viekriterijumska analiza odluivanja je alat razvijen za kompleksne probleme. U
situaciji u kojoj su vie kriterijuma ukljueni, konfuzija moe nastati, ako je logino i
dobro struktuiran proces donoenja odluka ne prati. Druga potekoa u donoenju
odluka je postizanje opteg konsenzusa u multidisciplinarnom timu to je veoma teko
postii.
Primena viekriterijumske analize mogla bi da podri kreatore politike u izboru kontrole
strategije koja najbolje ispunjava sve ove konfliktne interese. Viekriterijska analiza
moe biti efikasna u poveanju razumevanja, prihvatljivosti i kvaliteta u okviru
posmatranja problema. To generalno poboljava kvalitet i transparentnost procesa
odluivanja.
Viekriterijska analiza bavi se sloenim problemima koji se odlikuju bilo meavinom
kvantitativnih i kvalitativnih ciljeva, razbijanjem problema u vie komada pa da
omogui upravljanje podacima i presudama.
Primena viekriterijumske analize ukljuuje vie koraka naprimer: uspostavljanje
konteksta odluke, identifikovanje alternativa koje se procenjuju, identiflkuje ciljeve i
kriterijume, rezultat, teinu, izraunava ukupnu vrednost, razmatra i rezultate analize
osetljivosti. Postoji veliki broj razvijenih metoda i tehnika za reavanje takvih problema.
U ovom odeljku dat je kratak pregled o mrenoj metodi koji je objavljen u U.P.B. Sci.
Bull.(2011).
Neka je dat skup alternativa A = {a1 , a 2 ,..., a m } koje se procenjuju na osnovu kriterijuma
C = {c1 , c 2 ,..., c n }.
Za praktinost pretpostavka je da je svaka, odnosno i {1,2,..., m} , alternativu ai
predstavljena kao n torka ai = (ai1 , ai 2 ,..., ain ) , ili ekvivalentno, ai = (aik )k =1 , gde
svaka koordinata a ij , j {1,2,..., n} je broj koji nije negativan realan i broj koji
n
predstavlja stepen zadovoljenja kriterijuma c j .

Poevi od alternativa a1 , a 2 ,..., a m , sada je napravljen jedan delimino nov skup
alternativa u zavisnosti od datih (one bolje i slabije) na sledei nain.
Skup A sa prirodnim poredkom A formira reetku navie sa najveim elementima
mahA koja e biti oznaena sa 1 (jedan) i koja e se zvati najbolja alternativa.
Dualni, komplet A sa prirodnim poretkom A je reetka nadole sa najmanjim
elementom min A koji e biti oznaena sa 0 (nulom), a koja e se zvati najgora
alternativa.

Zatim, na skupu L = A A , definisan je parcijalni nalog ouvanja rasporeda na A i A ,
za a, b L i a A b . za, a b i a A b za a b . U stvari, (L, ) delimino je ureeno
postavljenje i posmatra se kao zbir donje i gornje mree.
Kako je elemenat b delimino odreen u skupu L gde a L , koji e biti oznaen sa a
p b ako je a < b , i c L tako da je a c b to podrazumeva c = a ili c = b
Neka su a, b L tako da je a p b . Onda za svaki kriterijum ck , k {1,2,..., n} ,
definisana je eljena alternativa b nad alternativom a sa potovanjem kriterijuma ck
kao to sledi.
k (a , b ) = Z k (a , b )
bk a k
1k 0 k
Neka a, b L i neka P : a = p1 p p2 p ... p p j = b je put u L od a do b .

Takoe, za svaki kriterijum, odreena je funkcija koja meri znaaj razlike izmeu dve
date alternative, odnosno, razmatrane su specifine funkcije Z k = A A [0,+ ) , za
svaki kriterijum ck , k {1,2,...m}, kojoj odgovara ne negativan realan broj Z k (ai , a j ) za
svaki par alternativa ai , a j A.
Onda radi prednosti alternative b nad alternativom a u odnosu na kriterijum ck putanja

P se definie na sledei nain:
kp (a, b ) =
j 1
1
j 1
Z ( p , p )
i =1
i +1
( p , p ) ( p , p ) = 0 za sve,
i =1
i +1
i +1
odnosno i {1,2,..., j} ,
to je ekvivalentno
kp (a, b ) =
j 1
1
j 1
Z ( p , p )
i =1
i +1
( p , p ) p
i =1
i +1
k +1,i
p ki
1k 0 k
Poevi kao alternativa a , do alternative b se moe doi preko vie razliitih staza u
L sa odgovarajuim tekuim prioritetnim teinama, tako da je definisana prednost
alternativne b nad alternativom a u odnosu na kriterijum ck kao to sledi
k (a, b ) = max{ kp (a, b ) P : a b}

i zato, prednost alternativne b nad alternativom a moe se smatrati n torka
k (a , b ) = ( k (a , b ))nk =1
Rastojanje od alternative a L od najbolje alternative 1(jedan) je definisana kao:
D1(a) =
1
n
z . (a,1)
k=1
k=1
i udaljenost najgore alternative 0 (nula) od alternative a je definisana kao:
D0 (a) =
z . (0, a).
1
n
z
k =1
k =1
Sada, za dve alternative a, b A , koje se uporeuju, kae se da alternativa a preferira

alternativi b ako je blia najboljoj alternativi, a dalja je od najloije alternative,
odnosno kae se da alternativa a je indiferentna u odnosu na alternative b ako ostaje
podjednako rastojanje od najbolje i najgore alternative. U suprotnom, kae se da su
alternative a i b su neuporedive.
Ovaj odnos nudi donosiocima odluka graf u kome neke alternative su uporedive, a neke
nisu. Ova informacija moe biti korisna u realnim uslovima.
Ako donosioci odluka ele da imaju ukupan poredak alternativa, pre nego to su u
mogunosti da naprave sledei korak koji daje potpuni rang alternativa, onda je taj rang
siromaniji u informacijama i manje realan, jer je u pitanju balansiranje udaljenosti od
najbolje i najgore alternative.
Jer za a A , definisana je razlika:
D (a ) = Do (a ) D1 (a )
Ukupan poredak alternativa je definisan na sledei nain: za sve a, b A
a preferira b ako i samo ako je D(a ) > D(b ) ,

a indiferentan b ako i samo ako je D(a ) = D(b ) .
Vie informacija o ovom metodu (grafika interpretacija, hipotetiki primeri) moe se
nai u prilogu br.2.
6.1.1. Grafika intepretacija mrene metode (Hipotetiki primer)
Primer 6.1.1. Ovo je jedan hipotetiki primer u kome je pokazan prethodno opisan
metod grafiki. Posmatrane su alternative A = {a1 , a2 , a3 , a4 } i neka su procenjene nizom
kriterijuma C = {c1 , c2 , c3 , c4 } kako je prikazano u narednoj tabeli (Tabela 6.1).
Tabela 6.1 Poetni podaci za primer 6.1.1.
c1
c2
c3
c4
a1
70
80
a2
65
80
a3
65
75
a4
60
80
Neka za sve k {1,2,..., n} i funkcija Z k : A x
A R + se definie kao:
1, za ak bk
Z k (a, b ) =
0, za ostalo
i neka z1 = z 2 = z 3 = z 4 = 1 tj, neka svi kriterijumi imaju isti relativni znaaj

(jednaka 1).
Zatim, delimino ureen skup za "nove alternative" je dat na sledeoj slici (Slika 6.1).
Slika 6.1 Delimino je prikazan skup "nove alternative"
Odgovarajue razdaljine su predstavljene u tabeli 6.2, koji indukuju grafik dat na slici
6.1. Dakle, alternativa a2 je najbolji izbor, alternativa a1 i a 4 su ravnoduni, odnosno,
oni su podjednako dobar izbor, i a3 je najgori izbor izmeu svih njih.
Tabela 6.2 Rezultati za primer 6.1.1.
a1
a2
a3
a4
D1
0.5
0.375
0.75
0.5
D2
0.5
0.625
0.25
0.5
0.25
-0.5
Konaan redosled alternativa je dat na slici 6.2.
Slika 6.2 Konaan redosled alternativa
7.
Primena nove metode kao i poreenja sa ve poznatim metodama ................ 79
7.1. Preporuka za izbor srednje kole ............................................................................ 79

7.2. Izbor studijskog programa prilikom upisa na visoku poslovnu kolu .................... 81
7.3. Metodologija za viekriterijumski izbor smera na VPSS-Blace ........................... 82
7.3.1.
Mrena metoda ............................................................................................. 82
7.3.2.
7.4. Metodologija izbora studijskog programa na VPSS-Blace ................................... 86
7.4.1.
Mrena metoda 7x8 ...................................................................................... 86
7.4.2.
7.4.3.
Metoda PROMETHEE ............................................................................... 100
7.4.4.
Mrena metoda 7x9 .................................................................................... 107
7.4.5.
Mrena metoda 7x10 .................................................................................. 113
7.5. Primena mrene metode za kupovinu automobila za malu privatnu firmu .......... 118
7.5.1.
Mrena metoda ........................................................................................... 118
7.5.2.
7.6. Metodologija reavanja problema est alternativa sa pet kriterijuma................... 123
7.6.1.
Mrena metoda (Bez relativnog znaaja) ................................................... 123
7.6.2.
Mrena metoda (Sa relativnim znaajem) .................................................. 127
7.6.3.
Metoda PROMETHEE ............................................................................... 133
7.7. Metodologija koriena prilikom izbora postrojenja za odreenu proizvodnju ... 139
7.7.1.
Mrena metoda ........................................................................................... 139
7.7.2.
Primena nove metode kao i poreenja sa ve poznatim metodama
7. Primena nove metode kao i poreenja sa ve poznatim

metodama
7.1. Preporuka za izbor srednje kole
Primer 7.1. U ovom radu predstavljen je novi metod viekriterijumske analize razvijen
od strane M. iovi et al. UPB Sci. Bull. (2011), sa naglaskom da rezultati dobijeni
ovom metodom izbora srednje kole najbolje odgovaraju za uenike, uzimajui u obzir
rezultate na prijemnom ispitu i postignute opte rezultate u osnovnoj koli, kao i elje i
sklonosti (fizikih sposobnosti i talenata) tih uenika.
Trenutno u Srbiji, posle zavrene osnovne kole i polaganja prijemnih ispita iz dva
predmeta (maternji jezik i matematika) uenici se mogu upisati u raze srednje kole.
Uenici su esto u dilemi za koju srednju kolu da se opredele. Rukovodstvo Osnovne
kole, koji se sastoji od direktora, pomonika direktora, od pedagoga i psihologa, imaju
obavezu da savetuju uenike koji su u potrazi za informacijom o tome ta bi bilo
najbolje za njih.
Opte metodologije za rangiranje kola u skladu sa eljama uenika i njihovih rezultata
u kolovanju ne postoje.
Ovde je dat predlog jedne metodologije za rangiranje kola u vezi sa uenikim eljama,
koristei jednu novu metodu viekriterijumske optimizacije, to je, po naem miljenju,
veoma pogodno za to, i koja uzima u obzir uspeh uenika i uopte kolskog uspeha za
izlazak na ispit, kao i predispozicija uenika ako je to neophodno za kolu, u poreenju
sa prosekom kandidata upisanih u datoj koli u prethodnim godinama.
Metodologija za viekriterijumski izbor gimnazije

U ovom odeljku naglaeno je kako se prethodno opisan metod za viekriterijumsku
analizu koristi za rangiranje srednjih kola.
Za svakog diplomiranog uenika posmatrani su sledei rezultati:
- s1 : Opti uspeh - Prosena ocena,
- s2 : Mala matura - Skor na ispitu matematike,
- s3 : Mala matura - Prosena ocena ispita maternjeg jezika,
- s4 : Procena fizikih sposobnosti uenika,
- s5 : Procena drugih predispozicija.

Za svakog uenika se posmatra lista ukoliko kole koje su ukljuene u listi uenika su
poeljne kole, S1 , S 2 ,..., S m , i za svaku kolsku Si , i {1,2,..., m} , posmatra se prosena
vrednost po datim kriterijumima iz nekog prethodnog perioda:
- ri1 : Prosean uspeh svih uenika;
- ri 2 : Mala matura- Prosena ocena ispita iz matematike.
- ri 3 : Mala matura- Prosena ocena ispita iz maternjeg jezika;
- ri 4 : Prosek od vrednosti fizikih sposobnosti uenika;
- ri 5 : Prosek od vrednosti drugih predispozicija uenika.
Sledei korak je izraunavanje razlike, odnosno za sve i {1,2,..., m} i j {1,2,..., n} .
Neka je aij = si rij , ako si rij 0 , ili na drugi nain aij = 0. Takoe, je utvrena
relevantnost z ij ove razlike za svaku kolu S i , i {1,2,..., m}
Ovim se rangiraju kole, uenici iz liste poeljnih kola, po njihovim razlikama u

pogledu osnova za svaku kolu
S i (a i1 , ai 2 ,..., ais )
ostvarenih sa odgovarajuim vrednostima za svaki od tih kriterijumima. Sada, po
reetka metodom uraeno je i rangiranje kola i na taj nain preporuen je mogui izbor
kole za svakog uenika
S k1 , S k 2 ,..., S k m .
Na kraju je prikazana metodologija za viekriterijumski izbor srednje kole koja
omoguava ueniku originalan pristup srednjoj koli, i da mu da savete za ulaz u
odgovarajuu kolu koja najbolje odgovara za uenika na osnovu rezultata na
prijemnom ispitu kao i na osnovu optih rezultata u osnovnoj koli, ali i elja uenika u
vezi sa ispunjenjem, zavisi od fizikih sposobnosti i talenta ako se to smatra kao
praktino nuni uslov za odreenu vrstu kole.
7.2. Izbor studijskog programa prilikom upisa na visoku poslovnu kolu

U ovom radu je predstavljen novi metod viekriterijumske analize razvijen od strane
prof. dr Malie iovia na U.P.B. Sci. Bull.(2011), a primenu ove metode ovde je
pokazano kroz izbor studijskog programa na Visokoj poslovnoj koli prvenstveno
posmatrajui nastavak kolovanja kao i mogunost zapoljavanja.
Upis kandidata vri se na osnovu Konkursa i Pravilnika o proceduri prijema studenata.
Pravo upisa na osnovne strukovne studije imaju studenti sa zavrenim srednjim
obrazovanjem i poloenim prijemnim ispitom.
Rangiranje kandidata po konkursu utvruje se na osnovu uspeha iz srednje kole i
rezultata prijemnog ispita, a u okviru broja prijavljenih kandidata za studijski program
akreditovanom upisnom kvotom.
U ovom radu nije uzeta struktura upisa na Visoku poslovnu kolu ve samo rangiranje i
primena nove metode a na osnovu nekih kriterijuma ta daje najbolju perspektivu za
zaposlelje odnosno za nastavak studiranja.(Odabir kriterijuma je sasvim proizvoljan pa
samim tim ova metoda moe da se primeni i za neke na drugi nain odabrane
kriterijume).
Ovde je dat predlog za studente koji imaju zavrene strkovne studije, Viu dvogodinju
usklaenu sa akademskim studijama, Viu dvogodinju sa jednosemestralnom praksom
kao i trogodinje studije (dve godine usklaene sa akademskim), plus godina strune
prakse (Posmatrano hipotetiki).
7.3. Metodologija za viekriterijumski izbor smera na VPSS - Blace

Odabir kriterijuma kao i alternativa to daje najbolju perspektivu pokazan je kroz
primere.
7.3.1. Mrena metoda
Primer 7.3.1. Neka je dat skup alternativa A = {a1 , a 2 , a 3 , a 4 } koje se procenjuju na

osnovu kriterijuma C = {c1 , c2 , c3 , c4 }.
Zadatak je reen mrenom metodom, sa napomenom da su vrednosti odreene
subjektivno prema nekim naim razmiljanjima.
- a1 : Trogodinje strukovne studije,
- a2 : Dvogodinje vie kole usklaene sa akademskim studijama,
- a3 : Dvoipogodinje vie kole usklaene sa akademskim studijama plus semestar
prakse,
- a4 : Trogodinje vie kole (dve usklaene sa akademskim studijama) plus godina
prakse,
c1 : Mogunost zapoljavanja.
a1
a2
a3
a4
c2 : Mogunost za nastavak studija.

a1
a2
a3
a4
c3 : Duina studiranja.
a1
a2
a3
a4
10
c4 : Pogodnost (optereenje) studiranja.

a1
a2
a3
a4

Odnosno tabelarno predstavljeno:
ci
c1
c2
c3
c4
a1
a2
10
a3
a4
ai
Podaci koji su dati u tabeli 7.1. odreuju sledeu mreu:

(9, 8, 10, 8)
(1, 1, 1, 1)
(9, 8, 9, 8)
(1, 1, 0.5, 1)
(7, 7, 10, 8)
(0.6, 0.5, 1, 1)
(9, 8, 10, 7)
(1, 1, 1, 0)
A4 (9, 8, 8, 7)
(1, 1, 0, 0)
A2 (4, 6, 10, 7)
(0, 0, 0.5, 0)
A3 (7, 7, 9, 8)
(0.6, 0.5, 0.5,1)
(4, 6, 9, 7)
(0, 0, 0.5, 0)
(7, 7, 8, 7)
(0.6, 0.5, 0, 0)
A1 (6, 6, 8, 8)
(0.4, 0, 0, 1)
(6, 6, 8, 7)
(0.4, 0, 0, 0)
(4, 6, 8, 7)
(0, 0, 0, 0)
Slika 7.1 Delimino ureenu mreu za primer broj 7.3.1.

Za svako k {1,2,3,4} , funkcija znaaja razlike Z k : A A R + , definisane su sa:
1, ako je ak bk ,
Z k ( a, b) =
ostalo.
0,
Duina puta od alternative do vrha:

a1 ,......... ................3
a 2 , a 3 , a 4 .......... .....2

Duina puta od alternative do dna:
a1 , a 2 .................... ...2
a 3 .......... .......... .......2,3
a 4 .................... ........3
D1 (a1 ) =
11
2,6 = 0,2167
43
D0 (a1 ) =
11
1,4 = 0,1750
42
D(a1 ) = 0,0417
D1 (a 2 ) =
11
3,5 = 0,4375
42
D0 (a 2 ) =
11
0,5 = 0,0625
42
D(a 2 ) = 0,3750
D1 (a 3 ) =
11
1,4 = 0,1750
42
11
1 1
D0 (a3 ) = max
2,6;
2,6 = 0,325
43
4 2
D (a 3 ) = 0,15
D1 (a 4 ) =
11
2 = 0,25
42
D0 (a 4 ) =
11
2 = 0,1667
43
D(a 4 ) = 0,0833
Dobijene vrednosti predstavljene su u tabeli 7.2. i na osnovu njih je dobijen konaan
poredak.
Tabela 7.2 Potpuni poredak za primer 7.3.1.
D ( i )
a1
a2
a3
a4
0,1750
-0,3750
0,1500
-0,0833
Dakle, konani redosled alternativa je sledei:.

a 3 a1 a 4 a 2

Zakljuak je da prikazana metodologija za viekriterijumski izbor najpovoljnije
alternative omoguava originalnu analizu, a ujedno daje preporuku, odnosno savet
prilikom odabira odgovarajueg studijskog programa. Naravno elja za nekim
studijskim programom kao i afinitet prema odreenom poslu gotovo da je nemogue
matematikim metodama izmeriti tj. izraunati.
7.3.2. Metoda kompromisnog rangiranja
Primer 7.3.2. Neka je dat skup alternativa A = {a1 , a2 , a3 , a4 } koje se procenjuju na

osnovu kriterijuma C = {c1 , c2 , c3 , c4 }.
Zadatak je reen metodom kompromisnog rangiranja, sa napomenom da su vrednosti

uzete kao u primeru 7.3.1. Ovo je uraeno samo da bi se uporedila nova odnosno
mrena metoda sa ve poznatom metodom kompromisnog rangiranja.
ci
c1
c2
c3
c4
a1
a2
10
a3
a4
ai
Reenje:
S a1 : (9 6) (9 4 ) + (8 6) (8 6 ) + (10 8) (10 8) + (8 8) (8 7 ) =
S a21
3
+ 1 + 1 + 0 = 2,6
5
: (9 4) (9 4) + (8 6) (8 6) + (10 10) (10 8) + (8 7) (8 7 ) = 1 + 1 + 0 + 1 = 3
S A1 : (9 7) (9 4 ) + (8 7) (8 6 ) + (10 9) (10 8) + (8 8) (8 7 ) =
2 1 1
+ + + 0 = 1,4
5 2 2
S A1 : (9 9) (9 4 ) + (8 8) (8 6 ) + (10 8) (10 8) + (8 7) (8 7 ) = 0 + 1 + 1 + 0 = 2
Dobijene vrednosti su date u tabeli 7.4. i na osnovu njih se dobija potpuni poredak.
Tabela 7.4 Konani rezultati za primer 7.3.2.
S ( i )
a1
a2
a3
a4
2.6
1.4
Dakle, konaan redosled alternativa je sledei:

a3 a 4 a1 a 2
7.4. Metodologija izbora studijskog programa na VPSS-Blace
7.4.1. Mrena metoda 7x8
Primer 7.4.1. Neka je dat skup alternativa A = {a1 , a2 ,..., a8 } koji je procenjen na osnovu
kriterijuma C = {c1 , c2 ,..., c7 }.
Alternative kao i kriterijumi odabrani su iz materijala iz priloga 1.
Ocene koje su odreene su subjektivne, mogu se menjati, mogu se poveati odnosno
smanjivati pomou teinih koeficijenata tako to e neke alternative imati vei odnosno
manji relativni znaaj. Studijski programi su preuzeti iz informatora Visoke poslovne
kole strukovnih studija iz Blaca kao i podsmerovi koji student bira prilikom upisa u
drugu godinu.
Raunarstvo i informatika:
- a1 : Informacione tehnologije,
- a 2 : Softverski ininjering,
Finansije i raunovodstvo:
- a 3 : Bankarstvo i osiguranje,
- a4 : Raunovodstvo,
Porezi i carine:
- a 5 : Porezi i budet,
- a 6 : Carina,
Menadment i internacionalna biznis administracija:
- a 7 : Menadment proizvodnje i usluga,
- a 8 : Internacionalna biznis administracija,
Kriterijumi (Deskriptivni pristup):
- c1 : Opte obrazovni predmeti,
- c2 : Struni predmeti,
- c3 : Struni aplikativni predmeti,
- c4 : Praksa,
- c5 : Potrebe privrede,
- c6 : Atraktivnost u sadanjosti , tradicionalna zainteresovanost za ovu vrstu studija,
- c7 : Atraktivnost u narednom periodu- procene.

Ocene za alternative po kriterijumima date su proizvoljno po nekom naem
subjektivnom oseaju, koje se mogu menjati u zavisnosti od sluaja do sluaja.
c1
c2
c3
c4
c5
c6
c7
a1
a2
a3
a3
a5
a6
a7
a8
Opis i znaenje kriterijuma
c1 - Opte obrazovni predmeti su u principu zajedniki za sve studijske programe (a

obavezno za pojedine smerove) ali njihovi sadraji ba zbog toga ne odraavaju
apsolutne potrebe svakog smera za sadrajima iz ovih predmeta.
Razlozi zato se ovo ne moe menjati su objektivne prirode i u principu se vre
nadoknade za ovim sadrajima u okviru strunih predmeta.
c2 - Struni predmeti su zajedniki obavezno za smer i nadoknauju opte obrazovne

sadraje iz grupe opte obrazovnih predmeta - esto nisu iz raznih objektivnih razloga
adekvatno zastupljeni.
c3 - Struni predmeti za zajedniku primenu u okviru podsmerova poto su iz raznih
objektivnih razloga tako odmereni.
c4 - praksa se odreuje za svaki smer i spada u red najtee izvodljivih delova nastave
pogotovo za pojedina usmerenja- gde ak kod nas i nema tradicije za ta usmerenja
c 5 - Kada je privreda u loem stanju(kakva je kod nas)teko je govoriti o nekim
potrebama. Ovo je vie hipotetiko pitanje.

c6 - Atraktivnost u sadanjosti se odnosi na tradicionalna shvatanja koja postoje u
svakoj populaciji o pojedinim zanimanjima i ovde je dat pregled tih vrednosti.
c7 - Ovde je dato jedno predvianje to e se deavati u budunosti pre svega se misli
na mogunost prelaza sa deskriptivne ekonomije na izuavanje matematike ekonomije
(to je u razvijenom svetu na ozbiljnim mestima sadanjost).
Slika 7.2 Prva od delimino ureena mrea za primer 7.4.1.a

7,7,6,6,5,6,8
0.6,0.5,0.6, 1, 0.05
8,8,8,8,6,5,4
0, 0, 0, 0, 0, 0, 0
6, 7, 6, 5, 5, 5, 4
0.3, o
.5,0.31, 1,
7,8,7,7,7,5,7
0.3, 0, 0, 0.3,0,0.3,0.8
0.3, 0,0, 0.91, 0.25, 0.6
7,7,6,6,5,8,7
6,7,7,5,8,8,7
0, 0, 0.3,0,0.7,0.7,0.7
0, 0, 0.3, 0, 0.3,0, 0
6,7,7,5,6,5,4
0, 0, 0.3, 0, 0.7,0.7, 0
0.6,0.5, 0.6,1, 0.3,1, 0
1,0.5,0.6,1,1,0,0.8
0.3,0.5,0.3,0.6,0.7,0.7,0.6
6,7,7,5,8,8,8
0,0, 0.3,0.3,0.7,0.7, 0.6
6,7,7,6,8,8,7
8,8,8,8,6,9,4
0.6,0.5,0.3
,0.6,0.7,0.3,0.8
9,8,8,8,9,5,8
0.3, 0, 0, 0.3, 0.25,0.7,1
0.3,1,1,0.6,0,0.7,0,6
8,8,7,7,7,6,8
0,0,0.3,0.3,0.7,0.7,0.8
7,8,7,7,7,8,7
7,7,6,6,6,8,9
7,9,9,7,5,8,7
0.6,0.5, 0.6,1,0.3,1,1
0.6, 0.5,0.3, 0.6, 0.7,0.7,0.7
1, 1, 1, 0.6, 1,0.7,1
6,7,7,6,8,8,8
8,8,8,8,6,9,9
8,8,7,7,7,8,8
0.6, 0.5, 0.6, 1,0.7,1,1
8,8,8,8,8,9,9
9,9,9,7,9,8,9
1, 1, 1, 0.6, 1,0.7,1
9,9,9,7,9,8,9
1, 1, 1, 1, 1, 1, 1
9, 9, 9, 8, 9, 9, 9
Uporeujui alternativu po alternativu, navie, dobija se maksimalna vrednost a

uporeivanje, nanie, daje minimalnu vrednost.
Za svako k {1,2,3,4,5,6,7}, funkcija znaaja razlike Z k : A A R + , definisane su sa:
1, ako je ak bk ,
Z k ( a, b) =
ostalo.
0,
Iz prethodno datih podataka (Tabela 7.5) za mree alternativa, izdvojen je delimino

ureen skup najkraih puteva od date alternative do vrha kao i od iste alternative do dna.

Kao to se moe videti sa slike 7.2., za svaki i {1,2,3,4,5,6,7,8,} , svi putevi iz
alternativa ai do vrha imaju istu duinu, kao i svi putevi od dna do alternative ai imaju
istu duinu (svi ovi su duine puta po 3).
Dalje, za svaki i {1,2,3,4,5,6,7} , na udaljenosti od alternativa ai , najbolja alternativa
ima koeficijent 1 (jedan) a rastojanje od alternativa ai do najgore alternativne ima
koeficijent 0 (nula), a posle raunom dobijene su razlike svih alternativa ai meu
sobom.
D1 (a1 ) =
11
2.8 = 0,133
73
D0 (a1 ) =
11
4,2 = 0,200
73
D (a1 ) = D1 (a1 ) D0 (a1 ) = 0,067

D 1 (a 2 ) =
D0 (a2 ) =
11
3 , 6 = 0 ,1171
73
11
3,4 = 0,161
73
D (a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,010
D1 (a3 ) =
11
4,3 = 0,205
73
D0 (a 3 ) =
11
2,6 = 0,124
73
D (a3 ) = D1 (a3 ) D0 (a 3 ) = 0,081

D1 (a 4 ) =
11
2,1 = 0,100
73
D0 (a 4 ) =
11
4,9 = 0,233
73
D (a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,133
D1 (a 5 ) =
11
3,2 = 0,152
73
D0 (a5 ) =
11
3,8 = 0,181
73
D (a 5 ) = D1 (a 5 ) D0 (a5 ) = 0,029
D1 (a 6 ) =
11
3 = 0,143
73

D0 (a 6 ) =
11
4 = 0,190
73
D (a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,047
D1 (a 7 ) =
11
4,2 = 0,190
73
D0 (a 7 ) =
11
2,8 = 0,133
73
D (a 7 ) = D1 (a 7 ) D0 (a 7 ) = 0,057
D1 (a8 ) =
11
4,6 = 0,219
73
D0 (a8 ) =
11
2,4 = 0,114
73
D (a8 ) = D1 (a8 ) D0 (a8 ) = 0,105

Dobijene vrednosti prikazane u tabeli 7.6. odreuju potpuni poredak alternativa.
Tabela 7.6 Konani rezultati za primer 7.4.1.a
(i )
a1
a2
a3
a4
a5
a6
a7
a8
-0,067
0,010
0,081
-0,133
-0,029
-0,047
0,057
0,105
a4
a1
a6
a5
a2
a7
a3
a8
Kao to se moe videti sa slike 7.3., za svaki i {1,2,3,4,5,6,7,8, } , svi putevi iz

alternativnih ai do vrha nemaju istu duinu, kao i svi putevi od dna do alternative ai
neimaju istu duinu.
koeficijent 0 (nula), a posle raunom dobijaju se razlike svih alternativa ai meu
sobom.
7, 9, 9, 7, 7, 8, 7
7, 9, 9, 7, 6, 8, 9
9, 9, 9, 7, 9, 8, 9
7, 8, 7, 7, 7, 8, 9
8, 8, 8, 8, 8, 9, 7
1, 1, 1, 0.6, 1,0.7,1
a1 , a2 , a3 , a6 , a7 , a8 ........................3
a4 , a5 ,...........................................2
6, 7, 7, 6, 8, 8, 7
Duina puta od alternative do vrha na slici 7.3.
a1 , a 2 , a 3 , a 6 , a 7 , a8 .......... .......... ....3
a 4 , a 5 ,......... .......... .................... ....2
Duina puta od alternative do dna na slici 7.4.

7, 7, 6, 6, 6, 8, 7
6, 7, 7, 6, 6, 8, 4
0.6, 0.5,0.3, 0.6, 0.5, 0.6,0.8
Slika 7.3 Druga od delimino ureena mrea za primer 7.4.1.b

0, 0, 0, 0, 0, 0, 0
6, 7, 6, 5, 5, 5, 4
8, 8, 7, 7, 7, 5, 8
6, 7, 7, 5, 8, 8, 8
6, 7, 7, 5, 8, 8, 7
6, 7, 7, 5, 6, 8, 4
0, 0, 0.3, 0, 0.2,0.7, 00, 0, 0.3, 0, 0.7,0.7, 0.6
6, 7, 7, 5, 6, 8, 4
0, 0, 0.3,0,0.7,0.7,0.7
0, 0, 0.3,0,0.2,0.7 0
0, 0, 0.3,0.3,0.2,0.7,0
7, 7, 6, 6, 5, 8,7
0.3, 0, 0, 0.6,0.2,0.7,0.6
0.3,0,0,0.3,0,0.7,0,6
7, 7, 6, 6, 5, 8, 7
0.3, 0, 0, 0.3, 0,0.7, 0.6
7, 8 , 7, 7, 5, 8, 7
0.3,0.5, 0.3,0.6,0,0.6,0.6
8, 8, 8, 8, 6, 9, 4
0.6,0.5, 0.6,1, 0.2,1, 0
9, 8, 8, 8, 9, 5, 8
1,0.5,0.6,1,1,0,0.8
6, 7, 7, 6, 8, 8, 8
0,0,0.6, 1,0.3,0.5,0.8
0,0, 0.3,0.3,0.7,0.7, 0.6
7, 8, 7, 7, 7, 8, 7
8, 8, 7, 7, 7, 6, 8
0.6,0.5,0.3,0.6,0.5,0.3,0.8
7, 7, 6, 6, 6, 8, 9
0.3, 0, 0, 0.3, 0.2,0.7,1
8, 8, 8, 8, 8, 9, 8
0.6,0.5,0.6,1,0.3,1,0.8
0.3,0.5,0.3,0.6,0.5,0.7,0.6
0.3,1,1,0.6,0,0.7,0,6
8, 8, 8, 8, 8, 9, 8
0.6,0.5, 0.6, 1, 1, 1, 0.8
0.3, 1, 1, 0.6, 1,0.7,1 0.3, 0.5,0.3, 0.6,0.5,0.7,1 0.6, 0.5, 0.6, 1, 0.7,1,0.6
7, 9, 9, 7, 5, 8, 7
0.3,1,1, 0.6,0.5,0.7,0.6
0.3, 1,1, 1,0.5,0,7,1
7, 9, 9, 7, 7, 8, 9
1, 1, 1, 1, 1, 1, 1
9, 9, 9, 8, 9, 9, 9

D1 (a1 ) =
11
2.8 = 0,133
73
D0 (a1 ) =
11
4,2 = 0,200
73
D (a1 ) = D1 (a1 ) D0 (a1 ) = 0,067

D 1 (a 2 ) =
D0 (a 2 ) =
11
3 , 6 = 0 ,1171
73
11
3,4 = 0,161
73
D (a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,010
D1 (a3 ) =
11
4,3 = 0,205
73
D0 (a 3 ) =
11
2,6 = 0,124
73
D (a3 ) = D1 (a3 ) D0 (a 3 ) = 0,081

D1 (a 4 ) =
11
2,1 = 0,150
72
D0 (a 4 ) =
11
4,9 = 0,350
72
D (a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,200
D1 (a 5 ) =
11
3,2 = 0,229
72
D0 (a5 ) =
11
3,8 = 0,271
72
D (a 5 ) = D1 (a 5 ) D0 (a5 ) = 0,042
D1 (a 6 ) =
11
3 = 0,143
73
D0 (a 6 ) =
11
4 = 0,190
73
D (a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,047
D1 (a 7 ) =
11
4,2 = 0,190
73
D0 (a 7 ) =
11
2,8 = 0,133
73

D (a 7 ) = D1 (a 7 ) D0 (a 7 ) = 0,057
D1 (a8 ) =
11
4,6 = 0,219
73
D0 (a8 ) =
11
2,4 = 0,114
73
D (a8 ) = D1 (a8 ) D0 (a8 ) = 0,105

Dobijene vrednosti iz tabele 7.6. daju potpuni poredak.
Tabela 7.7 Konani rezultati za primer 7.4.1.b
(i )
a1
a2
a3
a4
a5
a6
a7
a8
-0,067
0,010
0,081
-0,200
-0,042
-0,047
0,057
0,105
Dakle, konaan redosled alternativa.
a4
a1
a6
a5
a2
a7
a3
a8
Kao to se moe videti sa slike 7.4., za svaki i {1,2,3,4,5,6,7,8, } , svi putevi iz

alternativnih ai do vrha imaju istu duinu, kao i svi putevi od dna do alternative ai
imaju istu duinu (svi ovi su duine duine po 2).
9, 9, 9, 8, 9, 9, 9
D1 (a1 ) =
11
2.8 = 0,200
72
D0 (a1 ) =
11
4,2 = 0,300
72
D (a1 ) = D1 (a1 ) D0 (a1 ) = 0,100

0.3, 0.5, 0.3, 0.6, 0,0.7,0.6
8,8,7,7,6,6,4
0.6, 0.5, 0.3, 0.6, 0.3, 0.3,0
0, 0, 0, 0, 0, 0, 0
6, 7, 6, 5, 5, 5, 4
0.3, 0, 0, 0.3, 0.3,0, 0.8
7,7,6,6,6,5,8
6,7,7,5,8,8,8
6,7,7,5,8,8,7
0, 0, 0.3,0,0.7,0.7,0.7
0, 0, 0.3, 0.7,0.7, 0,0.6
0.6,0.5, 0.6,1, 0.3,1, 0
1,0.5,0.6,1,1,0,0.8
0.3,0.5,0.3,0.6,0.7,0.7,0.6
7,8,7,7,5,8,7
8,8,8,8,6,9,4
9, 8, 8 , 8, 9, 5 , 8
0.3,1,1,0.6,0,0.7,0,6
7,8,7,7,7,8,7
6,7,7,6,8,8,7
0,0, 0.3,0.3,0.7,0.7, 0.6
8,8,7,7,7,6,8
0.6,0.5,0.3,0.6,0.7,0.3,0.8
7,7,6,6,6,8,9
0.3, 0, 0, 0.3, 0.25,0.7,1
1, 0.5, 0.6, 1, 1, 0.7, 1
0.3, 1,1, 0.6, 0.5,0.75,0.75
6,7,7,6,8,8,8
0,0,0.3,0.3 ,0.7,0.7,0.8
8,8,8,8,7,9,8
0.6, 0.5,0.6, 1, 0.5,1,0.7
7,9,9,7,5,8,7
9,8,8,8,9,8,9
7,9,9,7,7,8,7
1, 1, 1, 1, 1, 1, 1
Slika 7.4 Trea od delimino ureena mrea za primer 7.4.1.c

D 1 (a 2 ) =
D0 (a 2 ) =
1 1
3 , 6 = 0 , 257
7 2
11
3,4 = 0,243
72
D (a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,013
D1 (a 3 ) =
11
4,3 = 0,307
72
D0 (a 3 ) =
11
2,6 = 0,185
72
D (a3 ) = D1 (a 3 ) D0 (a 3 ) = 0,122
D1 (a 4 ) =
11
2,1 = 0,150
72
D0 (a 4 ) =
11
4,9 = 0,350
72
D (a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,200
D1 (a 5 ) =
11
3,2 = 0,229
72
D0 a ( A5 ) =
11
3,8 = 0,271
72
D (a 5 ) = D1 (a 5 ) D0 (a5 ) = 0,042
D1 (a 6 ) =
11
3 = 0,214
72
D0 (a 6 ) =
11
4 = 0,288
72
D (a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,074
D1 (a 7 ) =
11
4,2 = 0,300
72
D0 (a 7 ) =
11
2,8 = 0,200
72
D (a 7 ) = D1 (a 7 ) D0 (a 7 ) = 0,100
D1 (a8 ) =
11
4,6 = 0,329
72

D0 (a8 ) =
11
2,4 = 0,171
72
D (a8 ) = D1 (a8 ) D0 (a8 ) = 0,158

Dobijene vrednosti iz tabele 7.8. daju potpuni poredak.
Tabela 7.8 Konani rezultati za primer 7.4.1.c
(i )
a1
a2
a3
a4
a5
a6
a7
a8
-0,100
0,013
0,122
-0,200
-0,042
-0,074
0,100
0,158
a4
a1
a6
a5
a2
Redosled alternativa ostaje nepromenjen.
a7
a3
a8
Primer 7.4.2. Kroz ovaj primer pokazan je redosled alternativa u prethodnom primeru
koje daju neke od poznath metoda viekriterijumske analize. Neto je izmenjen raspored
alternativa to je pokazano samim reavanjem primenom nekih drugih metoda. Jedna od
najvie primenjivanih metoda u odluivanju problema u poslovnom odluivanju je i
metoda Kompromisnog rangiranja.
U ovom radu korien je koncept i oznaka koje je upotrebio dr Opricovi jer su iste
oznake uglavnom odomaene u naoj literaturi i praksi. U tom smislu navedene su
osnovne ideje od kojih se polo u nalaenju kompromisnog reenja.Reenje koje je
najblie idealnom na osnovu usvojene mere rastojanja naziva se kompromisnim
reenjem Opricovi S., Viekriterijumska optimizacija, Nauna knjiga, Beograd, 1986,
str.45.
Minimizacijom ove metode odreuje se kompromisno reenje. Najee se kao mera
rastojanja od idealne take koristi metrika.
pp
n
L p F * , F = f i* f i ( x ) , 1 p
i=1
Viekriterijumsko rangiranje metodom IKOR vri se na osnovu mere Q j izraene

sledeom relacijom:
Q j = v(S j S * ) / (S S * ) + (1 v )(R j R * ) / (R R * );
j = 1,2,...J
gde je:
)(
S j = wi f i n f ij / f i * f i
i =1
R j = max wi ( f i * f ij )/ ( f i* f i )
S * = min S j ;
j
S = max S j ;
j
R = min R j ;
j
R = max R j ;
j
f i * = max f ij ;
i = 1,2,...n
f i = min f ij ;
i = 1,2,...n
Pretpostavljeno je da je A j alternativa bolja od Ak prema i tom kriterijumu ako je

f ij > f ik
ako je: i broj kriterijuma
j redni broj alternative
f ij vrednost i te kriterijumske funkcije za j tu alternativu.

Primena ove metode na prethodnom primeru:
c1
c2
c3
c4
c5
c6
c7
a1
a2
a3
a3
a5
a6
a7
a8
Reenje:
Sa1 : (9 7) (9 6) + (9 9) (9 7) + (9 9) (9 6) + (8 7) (8 5) + (9 5) (9 5) + (9 8) (9 5) +
2
1
1 2
+ (9 7) (9 4) = + 0 + 0 + + 1 + + = 2,647
3
3
4 5
S a2 : (9 7) (9 6) + (9 8) (9 7) + (9 7) (9 6) + (8 7) (8 5) + (9 7) (9 5) + (9 8) (9 5) +
2 1 2 1 2 1
+ (9 9) (9 4) = + + + + + + 0 = 2,91
3 2 3 3 4 4
Sa3 : (9 7) (9 6) + (9 7) (9 7) + (9 6) (9 6) + (8 6) (8 5) + (9 6) (9 5) + (9 8) (9 5) +
2
2 3 1
+ (9 9) (9 4) = +1 + 1 + + + + 0 = 4,334
3
3 4 4
S a4 : (9 9) (9 6) + (9 8) (9 7 ) + (9 8) (9 6) + (8 8) (8 5) + (9 9) (9 5) + (9 5) (9 5) +
+ (9 8) (9 4) = 0 +
1 1
1
+ + 0 + 0 + 1 + = 2,003
2 3
5
S a5 : (9 8) (9 6) + (9 8) (9 7) + (9 7) (9 6) + (8 7) (8 5) + (9 7) (9 5) + (9 6) (9 5) +
1 1 2 1 2 3 1
+ (9 8) (9 4) = + + + + + + = 3,881
3 2 3 3 4 4 5
Sa6 : (9 8) (9 6) + (9 8) (9 7) + (9 8) (9 6) + (8 8) (8 5) + (9 6) (9 5) + (9 9) (9 5) +
1 1 1
3
+ (9 4) (9 4) = + + + 0 + + 0 +1 = 2,916
3 2 3
4
Sa7 : (9 6) (9 6) + (9 7) (9 7) + (9 7) (9 6) + (8 6 (8 5) + (9 8) (9 5) + (9 8) (9 5) +
2 2 1 1 2
+ (9 7) (9 4) = 1 + 1 + + + + + = 4,234
3 3 4 4 5
Sa8 : (9 6) (9 6) + (9 7) (9 7) + (9 7) (9 6) + (8 5) (8 5) + (9 8) (9 5) + (9 8) (9 5) +
2
1 1 1
+ (9 8) (9 4) =1 + 1 + + 1 + + + = 4,367
3
4 4 5
Dobijene vrednosti iz tabele 7.8 daju potpuni poredak.
(i )
a1
a2
a3
a4
a5
a6
a7
a8
2,647
2,910
4,334
2,003
3,881
2,916
4,234
4,367
Dakle, konaan redosled alternativa ostaje nepromenjen.
a4
a1
a2
a6
a5
a7
a3
a8

7.4.3. Metoda PROMETHEE
Primer 7.4.3. Da bi uporedili mreni metod sa metodom PROMETHEE napravljen je

poredak ovih alternativa primenom metode PROMETHEE.
Odabir funkcija na pojedine kriterijume je dat tabelom. Dato je osam alternativa
( a 1, a 2, a 3, a 4, a 5, a 6, a 7, a 8), ocenjenih u sistemu od sedam razliitih kriterijuma
( c 1, c 2, c 3, c 4, c 5, c 6, c 7) datih sa jednakim relativnim znaenjem (Zh).
c1
c2
c3
c4
c5
c6
c7
Relativni znaaj
zahtev
max
max
max
max
max
max
max
a1
a2
a3
a3
a5
a6
a7
a8
Donosilac odluke treba da odabere preferencijske funkcije koje najbolje mogu da izraze
specifinosti upotrebljenih kriterijuma. Usvajanjem preferenciskih funkcija i parametara
stvaraju se uslovi da se izvri rangiranje uporeivanih alternativa korienjem postupaka
definisanih PROMETHEE metodom (slika 7.5.).
Relativni
znaaj
Kriterijm
Zahtev
maxmin
c1
max
ij ( x ) =
c2
max
ij ( x ) =
za
max
0
1
ij ( x ) =
2
1
za
x3
0
x
ij ( x ) =
3
1
za
x=0
c3
c4
c5
Tip preferencijske funkcije
c6
1
c7
max
max
max
max
Slika 7.5 Tipovi generalizovanih kriterijuma broj 1
ij ( x) = ij (k (a ) k (b) )
0 za
1 za
x=0
0 za
1 za
x<0
x >1
x 1
x <1
za 1 x < 3
za 0 < x < 3
za
x3
0
za
x <1
x 1
ij ( x ) =
za 1 x < 3
2
za
x3
1
1 ex 1
2 e 1
1 1 ln(
e 1) + 2 e
ij ( x ) = +
1
2 2
1
za
za 1
za
ex 1
ij ( x ) = e 1 za 0 x < 0
1
za
x 1

Uzimajui u obzir izraeni zahtev da li je kriterijum maksimalan ili minimalan i
korienjem izraza za odreivanje indeksa preferencije, dobijene su vrednosti indeksa
preferencije za svaki par alternativa. Da bi dobili konaan rang uporeivanih alternativa
formira se tabela 7.12., u kojoj se nalaze izraunati indeksi preferencije.
(a 1 , a 2 ) = 0 + 1 1 + 2
1
+ 0+ 0+ 0+ 0 = 2
2
1
(a 1 , a 3 ) = 0 + 1 2 + 3 1 + 1 + 0 + 0 + 0 = 5 , 33
3
(a 1 , a 4 ) = 0 + 1 1 + 1 0 + 0 + 0 + 3 1 + 0 = 4
(a 1 , a 5 ) = 0 + 1 1 + 2
1
+ 0 + 0 + 3 1 + 0 = 5
2
1
(a 1 , a 6 ) = 0 + 1 1 + 1 + 0 + 0 + 0 + 3 1 = 4 , 5
2
1
1
(a 1 , a 7 ) = 1 1 + 2 1 + 2 + 1 + 0 + 0 + 0 = 3 , 33
2
3
1
1
(a 1 , a 8 ) = 1 1 + 2 1 + 2 + 2 + 0 + 0 + 0 = 4 , 66
2
3
(a 2 , a 1 ) = 0 + 0 + 0 + 0 + 2
1
+ 0 + 0 =1
2
1
1
(a 2 , a 3 ) = 0 + 1 1 + 1 + 1 + 1 0 + 0 + 0 = 1 , 83
2
3
(a 2 , a 4 ) = 0 + 0 + 0 + 0 + 0 + 3 1 + 0 = 3
(a 2 , a 5 ) = 0 + 0 + 0 + 0 + 0 + 2 1 + 0 = 2
(a 2 , a 6 ) = 0 + 0 + 0 + 0 + 1 0 + 0 + 3 1 = 3
(a 2 , a 7 ) = 1 1 + 1 1 + 0 + 1 0 + 0 + 0 + 0 = 2
(a 2 , a 8 ) = 1 1 + 1 1 + 0 + 2
2
+ 0 + 0 + 0 = 3 , 33
3
(a 3 , a 1 ) = 0 + 0 + 0 + 0 + 1 0 + 0 + 2 1 = 2
(a 3 , a 2 ) = 0 + 0 + 0 + 0 + 0 + 0 + 2 1 = 2
(a 3 , a 4 ) = 0 + 1 1 + 2
1
+ 0 + 0 + 3 1 + 1 1 = 6
2
(a 3 , a 5 ) = 0 + 0 + 0 + 0 + 0 + 2 1 + 1 1 = 3
(a 3 , a 6 ) = 0 + 0 + 0 + 0 + 0 + 0 + 5 1 = 5
(a 3 , a 7 ) = 0 + 0 + 0 + 0 + 0 + 0 + 2 1 = 2
(a 3 , a 8 ) = 1 1 + 0 + 0 + 1
1
+ 0 + 0 + 1 1 = 2 , 33
3
(a 4 , a 1 ) = 2 1 + 0 + 0 + 1
1
+ 4 1 + 0 + 1 1 = 7 , 33
3
(a 4 , a 2 ) = 2 1 + 0 + 1 1 + 1 1 + 2 1 + 0 + 1 1 = 5 ,83
2
3
(a 4 , a 3 ) = 2 1 + 1 1 + 2 1 + 2 1 + 3 1 + 0 + 0 = 7 , 66
2
3
(a 4 , a 5 ) = 1 1 + 0 + 1 1 + 1 1 + 2 1 + 0 + 0 = 2 ,83
2
3
2
(a 4 , a 6 ) = 1 1 + 0 + 0 + 2 2 + 3 1 + 0 + 4 1 = 9 , 33
3
(a 4 , a 7 ) = 3 1 + 1 1 + 1 1 + 2 2 + 1 0 + 0 + 1 1 = 6 ,83
2
3
(a 4 , a 8 ) = 3 1 + 1 1 + 1 1 + 3 1 + 1 0 + 0 + 0 = 7 , 5
2
(a 5 , a 1 ) = 1 1 + 0 + 0 + 0 + 2 1 + 0 + 1 1 = 4
(a 5 , a 2 ) = 1 1 + 0 + 0 + 0 + 0 + 0 + 1 1 = 2
(a 5 , a 3 ) = 1 1 + 1 1 + 1
1
1
+ 1 + 1 0 + 0 + 0 = 2 ,83
2
3
1
(a 5 , a 4 ) = 0 + 0 + 0 + 0 + 0 + 0 + 1 = 0 , 33
3
1
(a 5 , a 6 ) = 0 + 0 + 0 + 0 + 1 + 0 + 4 1 = 4 . 33
3
(a 5 , a 7 ) = 2 1 + 1 0 + 0 + 1 0 + 0 + 0 + 1 1 = 3
(a 5 , a 8 ) = 2 1 + 1 0 + 0 + 2 1 + 0 + 0 + 0 = 4
(a 6 , a 1 ) = 1 1 + 0 + 0 + 1
1
1
+ 1 0 + 1 + 0 = 1 . 83
3
2
1
1
1
(a 6 , a 2 ) = 1 1 + 0 + 1 + 1 + 0 + 1 + 0 = 2 , 33
2
3
2
1
2
1
(a 6 , a 3 ) = 1 1 + 1 1 + 2 + 2 + 0 + 1 + 0 = 4 , 83
2
3
2
(a 6 , a 4 ) = 0 + 0 + 0 + 0 + 0 + 0 + 4 1 = 4
(a 6 , a 5 ) = 0 + 0 + 1 0 + 1
1
+ 0 + 3 1 + 0
3
1
2
(a 6 , a 7 ) = 2 1 + 1 1 + 1 + 2 + 0 + 1
2
3
1
(a 6 , a 8 ) = 2 1 + 1 1 + 1 + 3 1 + 0 + 1 1
2
= 3 . 83
1
+ 0 = 5 . 33
2
+ 0 = 7 ,5

(a 7 , a 1 ) = 0 + 0 + 0 + 0 + 3 1 + 0 + 0 = 3
(a 7 , a 2 ) = 0 + 0 + 0 + 0 + 1 0 + 0 + 0 = 0
(a 7 , a 3 ) = 0 + 0 + 1
1
1
+ 0 + 2 + 0 + 0 = 1,5
2
2
(a 7 , a 4 ) = 0 + 0 + 0 + 0 + 0 + 3 1 + 0 = 3
(a 7 , a 5 ) = 0 + 0 + 0 + 0 + 1 0 + 2
(a 7 , a 6 ) = 0 + 0 + 0 + 0 + 2
1
+ 0 =1
2
1
+ 0 + 3 1 = 4
2
(a 7 , a 8 ) = 0 + 0 + 0 + 1
1
+ 0 + 0 + 0 = 0 , 33
3
(a 8 , a 1 ) = 0 + 0 + 0 + 0 + 3 1 + 0 + 1 1 = 4
(a 8 , a 2 ) = 0 + 0 + 0 + 0 + 1 0 + 0 + 1 1 = 1
(a 8 , a 3 ) = 0 + 0 + 1
1
1
+ 0 + 2 + 0 + 0 = 1, 5
2
2
(a 8 , a 4 ) = 0 + 0 + 0 + 0 + 0 + 3 1 + 0 = 3
(a 8 , a 5 ) = 0 + 0 + 0 + 0 + 1
1
1
+ 2 + 0 = 1 . 33
3
2
1
(a 8 , a 6 ) = 0 + 0 + 0 + 0 + 2 + 0 + 4 1 = 5
2
(a 8 , a 7 ) = 0 + 0 + 0 + 0 + 0 + 0 + 1 1 = 1
Dobijene vrednosti za indekse preferencije su predstavljene u tabeli 7 .12.

Tabela 7.12 Vrednosti indeksa preferencije
a1
a2
a3
a4
a5
a6
a7
a8
a1
5,33
4,5
3,33
4,33
a2
1,83
3,33
a3
2,33
a4
7,33
5,83
7.66
2,83
9,33
6,83
7,5
a5
2,83
0,33
4,33
a6
1,83
2,33
4,83
3,83
5,33
7,5
a7
1,5
0,33
1,5
1,33
a8

Primenjujui PROMETHEE metodu saglasno datim slovima formira se tabela 7.11.,
u koju su unete izlazne + ( ) i ulazne ( ) vrednosti toka.
( ) = (a , X )
x k
+ (1 ) = 2 + 5,33 + 4 + 5 + 4,5 + 3,33 + 4,33 = 28,49

+ ( 2 ) = 1 + 1,83 + 3 + 2 + 3 + 2 + 3,33 = 16,16
+ (3 ) = 2 + 2 + 6 + 3 + 5 + 2 + 2,33 = 22,33
+ ( 4 ) = 7,33 + 5,83 + 7,66 + 2,83 + 9,33 + 6,83 + 7,5 = 47,31
+ (5 ) = 4 + 2 + 2,83 + 0,33 + 4,33 + 3 + 4 = 20,49
+ ( 6 ) = 1,83 + 2,33 + 4,83 + 4 + 3,83 + 5,33 + 7,5 = 29,15
+ ( 7 ) = 3 + 0 + 1,5 + 3 + 1 + 4 + 0,33 = 13,16
+ (8 ) = 4 + 1 + 1,5 + 3 + 1,33 + 5 + 1 = 16,83
( ) = ( X , a )
xk
(1 ) = 1 + 2 + 7,33 + 4 + 1,83 + 3 + 4 = 23,16

( 2 ) = 2 + 2 + 5,83 + 2 + 2,33 + 0 + 1 = 14,66
(3 ) = 5,33 + 1,83 + 7,66 + 2,83 + 4,83 + 1,5 + 1,5 = 25,48
( 4 ) = 4 + 3 + 6 + 0,33 + 4 + 3 + 3 = 23,33
(5 ) = 5 + 2 + 3 + 2,83 + 3,83 + 1 + 1,33 = 29,15
( 6 ) = 4,5 + 3 + 5 + 9'33 + 4,33 + 4 + 5 = 35,16
( 7 ) = 3,33 + 2 + 2 + 6,83 + 3 + 5,33 + 1 = 23,49
(8 ) = 4,33 + 3,33 + 2,33 + 7,5 + 4 + 7,5 + 0,33 = 29,32
Dobijene ulazne i izlazne vrednosti toka su date u tabeli 7.13.

Tabela 7.13 Izlazne i ulazne vrednosti toka
a1
a2
a3
a4
a5
a6
a7
a8
+ (i )
28,49
16,16
22,33
47,31
20,49
29,65
12,83
16,83
(i )
23,16
15,16
25,48
23,33
19,00
35,16
32,49
29,32
PROMETHEE metodom dobija se potpuni poredak na osnovu relacije istog toka:

(1 ) = 28,49 23,16 = 6,33
( 2 ) = 16,6 15,16 = 1
(3 ) = 22,33 25,48 = 3,15
( 4 ) = 47,31 23,33 = 23,98
(5 ) = 20,49 19,00 = 1,49
( 6 ) = 29,65 35,16 = 5,51
( 7 ) = 12,83 32,49 = 10,66
(8 ) = 16,83 29,32 = 12,49
Tabela 7.14 Vrednosti istog toka
(i )
a1
a2
a3
a4
a5
a6
a7
a8
6,33
-3,15
23,98
1,49
-5,51
-10,66
-12,49
Dakle konaan poredak alternativa je:
a4
a1
a2
a5
a3
a6
a7
a8
Primer 7.4.4. Neka je dat skup alternativa A = {a1 , a 2 ,..., a 8 , a 9 } koje se procenjuju na
osnovu kriterijuma C = {c1 , c 2 ,..., c7 }.
Alternative kao i kriterijume odabrani su iz materijala iz priloga 1.
smanjivati pomou teinih koeficijenata.
Ovde su uzeti sve isti parametri kao u prethodnom primeru sa napomenom da je dodat
turizam kao alternativu zajedno sa ocenama.
Raunarstvo i informatika:
Finansije i raunovodstvo:
Porezi i carine:
- a 6 : Carina,
Menadment i internacionalna biznis administracija:
- a 9 : Turizam.
Kriterijumi (Deskriptivni pristup)
- c4 : Praksa,
- c5 : Potrebe privrede,
- c7 : Atraktivnost u narednom periodu- procene,

Sada je pokazano kako alternativa, koja je naknadno ubaena (turizam), utie na
raspored ostalih alternativa. Kriterijumi ostaju nepromenjeni a ocene za turizam su
proizvoljno odabrane.
Tabela 7.15 Polazni podaci za primer 7.4.4.
c1
c2
c3
c4
c5
c6
c7
a1
a2
a3
a3
a5
a6
a7
a8
a9
Opis i znaenje kriterijuma

apsolutne potrebe svakog smera za sadrajima iz ovih predmeta.
Razlozi zato se ovo ne moe menjati su objektivne prirode i u principu se vre
nadoknade za ovim sadrajima u okviru strunih predmeta.

c5 - Kada je privreda u loem stanju(kakva je kod nas)teko je govoriti o nekim
c6 - Atraktivnost u sadanjosti se odnosi na tradicionalna shvatanja koja postoje u svakoj
populaciji o pojedinim zanimanjima i ovde je dat pregled tih vrednosti.
78777789
9888998
9888968
8888798
1,0.5,0.3,1,1,1,0.8
9888998
1,0.5,0.3,1,1,1,0,8
8878889
8877758
8877664
Slika 7.6 Prva od delimino ureenih mrea za primer 7.4.4.

0,0,0,0,0,0,0
6765554
7877654
0.3,0.5,0.3,0.3,0.3,0,0
7766587
0.6,0.5,0.3,0.6,0.5,0,0.8 0.6,0.5,0.3,0.3,0.3,0
0.3,0,0,0.3,0,0.6,0.6
7766687
0.3,0,0,0.3,0.3,0.7,0.6
7877587
0.3,0.5,0.3,0.6,0,0.6,0.6
0.3,0.5,0.3,0.6,0.5,0.7,0.6
0.3,0,0,0.3,0,0.7,0.6
77788888
6775888
0.3,0,0.3,1,0.7,0.7,0.6
7778887
0.3,0,0.3,1,0.7,0.6,0.8
6775887
0,0,0.3,0,0.5,0.7,0.6
6775787
0,0,0.3,0.3,0.7,0.6,0.8
6777888
0.3,0.5,0.3,0.6,0.5,0.7,0.6
7877787
0,0,0.3,0,0.7,0.7,0.8
0,0,0.3,0,0.7,0.6,0.6
0.6,0.5,0.6,1,0.3,1,0
7877787
1,0.5,0.6,1,1,0,0.8
0.3,0.5,0.3,0.6,0.5,0.7,0.6
8888694
7766587
9888958
6776887
0,0,0.3,0.3,0.7,0.7,0.6
8877768
0.6,0.5,0.3,0.6,0.5,0.3,0.8
7766689
0.3,0,0.3,0.3,0.7,0.6
6776888
0.6,0.5,0.3,0.6,0.5,0.7,1
8877789
0.6,0.5,0.3,1,0.7,0.6,1
0.3,0,0,0.3,0.3,0.7,1
7877787
0.3,1,1, 0.6, 0, 0.7,0.6
7997587
0.3,1,1,0.6,0.5,0.7,0.6 0.3,0.5,0.3,0.6,0.5,0.7,1 1,0.5,0.3,1,1,0.3,0.6 0.6,0.5,0.3,1,0.5,1,0.6
7997787
0.3,1,1,0.6,0.5,0.6,1
7997789
0.3,1,1,0.6,0.5,0.6,1
7997789
1111111
9998999
Reenje: Za svako k {1,2,3,4,5,6,7} , funkcija znaaja razlike Z k : A A R +

definisane su sa:
1, ako je ak bk ,
Z k ( a, b) =
ostalo.
0,
0.3,0.5,0.3,0.6,0,0.7,0.6
7 8 77 5 8 7
Slika 7.7 Druga delimino ureena mrea za primer 7.4.4.

0,0,0.3,0,0.3,0.7,0.1
0.3,0,0,0.3,0.3,0,0
0.3,0,0,0.3,0,0,0.6
0 0 0 0 0 0 0
6 7 6 5 5 5 4
67 7 56 8 4
7 7 6 6 6 5 4
7 7 6 6 5 5 7
0,0,0.3,0.3,0.3,0.7,0
6 7 7 6 6 8 4
0.6,0.5,0.3,0.6,0.5,0.3,0
0.3,0,0,0.3,0.3,0,0.8
0,0,0.3,0,0.7,0.7,0.6
6 7 75 8 87
0,0,0.3,0,0.7,0.7,0.8
8 8 7 77 64
0.6,0.5,0.6,1,0.3,1,0
1,0.5,0.6,1,1,0,0.8
7 7 7 8 88 7
0.3,0,0.3,1,0.7,0.7,0.6
6 7 7 58 8 8
0,0,0.3,0.3,0.7,0.7,0.6
77 6 6 6 5 8
0.3,0.5,0.3,0.6,0.5,0.7,0.6
7 7 78 8 88 8
0.3,0,0.3,1,0.7,0.7,0.8
6 7 7 6 8 8 7
0.6,0.5,0.3,1,1,0.6
88 8 88 9 7
8 8 8 8 6 9 4
0.6,0.5,0.3,0.6,0.5,0.3,0.8
8 8 7 7 7 6 8
88 8 8 8 9 8
0.6,0.5,0.3,1,0.7,1,0.8
98 8 89 5 8
0.3,0,0,0.3,0.3,0.7,1
0.3,1,1, 0.6, 0, 0.7,0.6
7 87 7 78 7
7 7 6 6 6 8 9
1,0.5,0.3,1,1,1,0.8
0.6,0.5,0.3,0.6,0.5,0.7,1
0.3,1,1, 0.6, 0.7,1
7 9 9 7 5 8 7
9 8 8 89 98
8 8 7 7 7 8 9
7 9 9 76 8 9
9 8 8 8 9 98
1,0.5,0.3,1,1,1,0.8
89 9 77 8 9
0.6,1,1,0.6,0.6,0.7,1
1 1 1 1 11 1
9 9 9 8 99 9
Za svako k {1,2,3,4,5,6,7}, funkcija znaaja razlike Z k : A A R + , definisane su sa:

1, ako je ak bk ,
Z k ( a, b) =
ostalo.
0,

Iz prethodnih mrea alternativa, izdvojen je delimino ureen skup najkraih puteva od
date alternative do vrha kao i od iste alternative do dna, kao to se moe videti sa
prethodne dve slike 6.6. i slike 6.7., za svako i {1,2,3,4,5,6,7,8,9} , svi putevi od
istu duinu (svi ovi su duine duine po 3) pa je zato raun isti za obe mree.
koeficijent 0 (nula), a posle raunom dobijene su razlike svih alternativa ai meu
sobom.
D1 (a1 ) =
11
2.8 = 0,133
73
D0 (a1 ) =
11
4,2 = 0,200
73
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,067

D 1 (a 2 ) =
D0 (a 2 ) =
11
3 , 6 = 0 ,1171
73
11
3,4 = 0,161
73
D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,010
D1 (a3 ) =
11
4,3 = 0,205
73
D0 (a 3 ) =
11
2,6 = 0,124
73
D(a3 ) = D1 (a3 ) D0 (a 3 ) = 0,081

D1 (a 4 ) =
11
2,1 = 0,150
72
D0 (a 4 ) =
11
4,9 = 0,350
72
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,200
D1 (a 5 ) =
11
3,2 = 0,229
72
D0 (a5 ) =
11
3,8 = 0,271
72
D(a 5 ) = D1 (a 5 ) D0 (a5 ) = 0,042

D1 (a 6 ) =
11
3 = 0,143
73
D0 (a 6 ) =
11
4 = 0,190
73
D(a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,047
D1 (a 7 ) =
11
4,2 = 0,190
73
D0 (a 7 ) =
11
2,8 = 0,133
73
D(a 7 ) = D1 (a 7 ) D0 (a 7 ) = 0,057
D1 (a8 ) =
11
4,6 = 0,219
73
D0 (a8 ) =
11
2,4 = 0,114
73
D(a8 ) = D1 (a8 ) D0 (a8 ) = 0,105

D1 (a 9 ) =
11
3,3 = 0,157
73
D0 (a 9 ) =
11
3,7 = 0,176
73
D(a 9 ) = D1 (a 9 ) D0 (a 9 ) = 0,019
Konani rezultati za ovaj primer su dati u tabeli 7.16.
a1
a2
a3
a4
a5
a6
a7
a8
a9
-0,067
0,010
0,081
-0,200
-0,042
-0,047
0,057
0,105
-0,019
a4
a1
a6
a5
a9
a2
a7
a3
a8
Alternativa a 9 je nala svoje mesto a pri tome redosled ostalih alternativa ostao je
nepromenjen ako se uporedi sa poetnom mrenom metodom sa osam datih alternativa.
Nije teko utvrditi da tako neto u optem sluaju ne vai u poreenju sa drugim
metodama.

Primer 7.4.5. Neka je dat skup alternativa A = {a1 , a 2 ,..., a8 , a9 , a10 } koje se procenjuju
na osnovu kriterijuma C = {c1 , c 2 ,..., c7 }. Alternative kao i kriterijume odabrani su iz
materijala iz priloga 1.
smanjivati pomou teinih koeficijenata, itd. Ovde su uzeti sve iste parametre kao u
prethodnom primeru sa napomenom da je dodat turizam kao alternativa zajedno sa
ocenama.(Hipotetiki primer navodno da i on ima dva podsmera odnosno dva studijska
programa).
Raunarstvo i informatika
Finansije i raunovodstvo
Porezi i carine
- a 6 : Carina,
Menadment i internacionalna biznis administracija
Turizam
- a 9 : Ugostiteljstvo i hotelijerstvo,
- a10 : Turistiko agencijski poslovi.
Kriterijumi (Deskriptivni pristup)
- c4 : Praksa,
- c5 :Potrebe privrede,
- c7 :Atraktivnost u narednom periodu- procene.

Ovde je pokazan primer ubacivanja dve alternative, (hipotetiki za turizam), i pokazano
je kako nove alternative utiu na raspored ostalih alternativa. Kriterijumi ostaju
nepromenjeni a ocene za turizam su proizvoljno odreene.
c1
c2
c3
c4
c5
c6
c7
a1
a2
a3
a3
a5
a6
a7
a8
a9
a10
Opis i znaenje kriterijuma:

apsolutne potrebe svakog smera za sadrajima iz ovih predmeta. Razlozi zato se ovo ne
moe menjati su objektivne prirode i u principu se vre nadoknade za ovim sadrajima u
okviru strunih predmeta.
c5 - Kada je privreda u loem stanju (kakva je kod nas) teko je govoriti o nekim
c6 - Atraktivnost u sadanjosti se odnosi na tradicionalna shvatanja koja postoje u
svakoj populaciji o pojedinim zanimanjima i ovde je dat pregled tih vrednosti.
7 8 7 7 7 8 9
8 8 8 8 8 9 7
Slika 7.8 Delimino ureena mrea za primer 7.4.5.

0.3,0,0,0.3,0,0.7,0.6
0 0 0 0 0 0 0
6 7 6 5 5 5 4
0,0,0.3,0.3,0.3,0,0
6 7 7 6 6 5 4
6 7 7 5 8 8 7
0,0,0.3,0,0.7,0.7,0.6
0,0,0.3,0,0.7,0.7,0.6
6 7 7 5 8 8 7
6776684
0, 0, 0.3, 0.3, 0.3, 0.7, 0
8 8 7 7 7 5 8
0.3,0,0,1,0.7,0.7,0.6
7 7 7 8 8 8 7
8 7 8 8 8 9 9
0.6,0,0.6,1,0.8,1,1
6 7 7 5 8 8 8
0,0,0.3,0,0.7,0.7,0.8
7 7 7 8 8 8 7
0.3,0,0.3,1,0.7,0.7,0.6
0.6,0.5,0.3,0.6,0,0.8
7 7 6 6 5 8 7
7 7 6 6 6 8 7
0.3,0,0,0.3,0.3,0.7,0.6
8 7 8 8 8 9 9
0.6,0,0.6,1,0.7,1,1
6 7 7 6 8 8 7
8 8 8 8 6 9 4
7 8 7 7 5 8 7
7 7 7 8 8 8 8
0.3,0,0.3,1,0.7,0.7,0.8
0,0,0.3,0.3,0.7,0.7,0.6
0.6,0.5,0.6,1,0.3,1,0
0.6,0.5,0.3,0.6,0.5,0.3,0.8
8 8 7 7 7 6 8
0.6,0.5,0.6,1,0.7,1,0.6
9 8 8 8 9 5 8
0.3,0.5,0.3,0.6,0,0.7,0.6
0.3,0.5,0.3,0.6,0.5,0.7,0.6
8 7 8 8 8 9 9
0.6,0,0.6,1,0.7,1,1
1,0.5,0.6,1,1,0,0.8
0.3,0,0,0.3,0.3,0.7,1
0.3,1,1, 0.6, 0, 0.7,0.6
7 8 7 7 7 8 7
7 7 6 6 6 8 9
7 9 9 7 5 8 7
1,0.5,0.6,1,1,0.3,0.8
9 8 8 8 9 68
9 8 8 8 9 9 8
1,0.5,0.6,1,0.7,1,0.8
8 9 9 7 7 8 9
0.6,1,1,0.6,0.7,0.7,1
0.6,1,1,0.6,0.5,0.7,0.6 0.3,0.5,0.3,0.6,0.5,0.7,1
8 9 9 7 7 8 7
9 9 9 8 9 9 9
1, 1, 1, 1, 1, 1, 1


Kao to se moe videti sa slike 7.8. za svako i {1,2,3,4,5,6,7,8,9,10} , svi putevi iz
istu duinu (svi ovi su duine po 3) pa raunom dobija se konaan poradak.
koeficijent 0 (nula), a posle raunom dobija se razlika svih alternativa ai meu sobom.
D1 (a1 ) =
11
2.8 = 0,133
73
D0 (a1 ) =
11
4,2 = 0,200
73
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,067

D 1 (a 2 ) =
11
3 , 6 = 0 ,1171
73
11
D0 (a 2 ) =
3,4 = 0,161
73
D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,010
D1 (a3 ) =
11
4,3 = 0,205
73
D0 (a 3 ) =
11
2,6 = 0,124
73
D(a3 ) = D1 (a3 ) D0 (a 3 ) = 0,081

D1 (a 4 ) =
11
2,1 = 0,150
72
D0 (a 4 ) =
11
4,9 = 0,350
72
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,200
D1 (a 5 ) =
11
3,2 = 0,229
72
D0 a ( A5 ) =
11
3,8 = 0,271
72
D(a 5 ) = D1 (a 5 ) D0 (a5 ) = 0,042

D1 (a 6 ) =
11
3 = 0,143
73
D0 (a 6 ) =
11
4 = 0,190
73

D(a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,047
D1 (a 7 ) =
11
4,2 = 0,190
73
D0 (a 7 ) =
11
2,8 = 0,133
73
D(a 7 ) = D1 (a 7 ) D0 (a 7 ) = 0,057
D1 (a8 ) =
11
4,6 = 0,219
73
D0 (a8 ) =
11
2,4 = 0,114
73
D(a8 ) = D1 (a8 ) D0 (a8 ) = 0,105

D1 (a 9 ) =
11
3,3 = 0,157
73
D0 (a 9 ) =
11
3,7 = 0,176
73
D(a 9 ) = D1 (a 9 ) D0 (a 9 ) = 0,019
D1 (a10 ) =
11
2 = 0,143
73
D0 (a10 ) =
11
5 = 0,357
73
D(a10 ) = D1 (a10 ) D0 (a10 ) = 0,214

Tabela 7. 18 Konani rezultati za primer 7.4.5.
a1
a2
a3
a4
a5
a6
a7
a8
a9
a10
-0,067
0,010
0,081
-0,200
-0,042
-0,047
0,057
0,105
-0,019
-0,214
Dakle, konaan redosled alternativa je:
a10
a4 a1
a6
a5
a9
a2
a7
a3
a8
Zakljuak da je alternativa a10 nala svoje mesto kao i alternativa a9 u prethodnom

primeru pri tome redosled ostalih alternativa ostaje nepromenjen ako se uporedi sa
poetnom mrenom metodom sa osam datih alternativa.
Nije teko utvrditi da tako neto u optem sluaju ne vai u poreenju sa drugim
metodama.
7.5. Primena mrene metode za kupovinu automobila za malu privatnu

firmu
U ovom radu predstavljen je jedan novi metod, nazvan reetkasti metod, koji je razvijen
od strane iovi M. et al. (2011), sa napomenom da primena dobijenom metodom u
jednom praktinom primeru kupovine kola za male privatne firme.
7.5.1. Mrena metoda
Primer 7.5.1. U ovom odeljku primenjen je metod reetke na problem auto izbora za
jednu malu privatnu kompaniju. Ovde je potovana investicija u osnovnim sredstvima,
odnosno ulaganjima u pokretna trajna dobra. Kao alternativa sopstvenim sredstvima,
vlasnik firme ima bankarske kredite i finansijski lizing.
Analiza interesovanja za kredite pokazuje da auto krediti su ubedljivo najtraeniji u
2008. (31,4 odsto), ali u 2009. interesovanje za auto kredite je poela da opada (25.07
odsto), a u prvoj polovini 2010. strahovito pao je na 13,92 odsto (Ovo istraivanje je
sprovedeno od strane Internet portala www.krediti.rs
Kada je u pitanju gotovinske kredite indeksirane u evrima, kamata je gotovo podjednaka
na auto kredite. Ovi krediti su atraktivni jer su bezuslovni, odnosno graani dobijaju
novac i procedura odobravanja je mnogo laka i bra nego kod druge vrste kredita.
Finansijski leasings se esto poredi sa bankarskim kreditima, jer oni imaju neke sline
karakteristike (u unapred odreenim ratama, kamata otplate, nain snimanja
raunovodstva i drugo), ali u sutini se razlikuje od njega zato to je davalac lizinga
vlasnik predmeta tokom celog perioda ugovora o lizingu i na tu temu je instrument
obezbeenja optubi.
U ovom primeru, nisu potovani kriterijumi trokova, i traeno je najbolje reenje u
odnosu na snagu i funkcionalnost, potronju goriva i drugih trokova, cene odravanja
automobila i bezbednost neuspeha. Dakle, cilj je kupovina najboljeg automobila u
sadanjem trenutku po kriterijumima koji su zadati.
Pretpostavka je da vlasnik privatne firme ima odreenu sumu novca na raspolaganju
koju ima nameru uloiti za nabavku automobila. Dakle, korienjem tih sredstva moe
da kupi novi mali automobil za gotovinu, ili istu koliinu novca moe da uloi kao
depozit u banci za kredit namenjen za kupovinu novog automobila, ali vei ili ak vei
automobil na lizing, ili kupovine za gotovinu, ak vei nego koristi automobil, ili
najvei (i najskuplji) koji se koristi automobil na bankarski kredit. Dakle, skup
alternativa dat je u tabeli 7.19.

Tabela 7.19 Redosled alternativa za primer 7.5.1.
ai
Alternative
a1
Novi automobil za gotovinu
a2
Novi automobil na kredit
a3
Novi auto na lizing
a4
Polovni automobil za gotovinu
a5
Polovni automobil na kredit
Skup alternativa dae ocene na sledei skup kriterijuma koje je predstavila tabela 7.20.
Pretpostavka je da su svi kriterijumi od istog znaajatj. z j = 1 , za j {1,2,3,4} odnosno
pretpostavka da, za svaki kriterijum c j , j {1,2,3,4} je isti relelevantni znaaj. Takoe,
svakom kriterijumu, dodeljena je funkcija Z j : A A [0,+ ) , kojom se meri znaaj
razlike izmeu dve alternative a, b A datim na sledei nain: Z j (a, b ) = 1 za sve a b ,

odnosno za a = b je Z j (a, b ) = 0 ,
Tabela 7.20 Skup kriterijuma za primer 7.5.1.
K
Kriterijumi
c1
Snaga i funkcionalnost
c2
Potronja goriva i drugih trokova
c3
Cena odravanja
c4
Sigurnost automobila neuspeha
Za svako i {1,2,3,4,5} i j {1,2,3,4} , je stepen do kojeg alternativa zadovoljava

kriterijum c j koji su dati u tabeli 6.17.
Vrednosti date u ovoj tabeli su kompatibilni sa donosilac odluke, odnosno donosilac
odluke je predloio ove vrednosti koja predstavlja stepen do kojeg alternative
zadovoljavaju kriterijume.
Tabela 7.21 Stepeni zadovoljstva za primer 7.5.1.
c3
c1
c2
c4
a1
10
a2
a3
a4
a5
10
Do reetke metodom dolo se poevi sa skupom alternativa, skiciranjem reetki novih

alternativa generisanih datim koja se formira, i to je ilustrovano na slici 7.9.

10 9 10 9
1111
8 9 10 9
0.6, 1, 1, 1
7 9 10 9
0.4, 1, 1, 1,
6 9 10 9
0.25, 1, 1, 1
5 9 10 9
0, 1, 1, 1
8899
0.6, 0.75, 0.75, 1
7899
0.4, 0.75, 0.75, 1
6899
0.20, 0.75, 0.75,1
5899
0, 0.75, 0.75, 1
10 7 8 9
1, 0.25,0.75, 1
8789
0.6, 0.25, 0.25, 0.33
7789
0.4, 0.5, 0.5, 1
6789
0.25, 0.5, 0.75, 1
5789
0, 0.5, 0.75, 1
10 8 9 9
1, 0.75, 0.75, 1
8677
0.6, 0.25, 0.25, 0.33
7677
0.4, 0.25, 0.25, 0.33
6677
0.2, 0.25, 0.25, 0.33
5677
0,0.25,0.25,0.33
10 6 7 7
1,0.25,0.25,0.33
10 5 6 6
1, 0, 0, 0
8566
0.6, 0, 0, 0
7566
0.4, 0, 0, 0
6566
0.25, 0, 0, 0
5566
0000
Slika 7.9 Mrea za primer 7.5.1.

Kao to se moe videti sa slike 7.9., za svaki i {1,2,3,4,5} , svi putevi iz alternativnih
ai do vrha imaju istu duinu, kao i svi putevi od dna do alternative ai imaju istu duinu
(svi ovi su duine puta po 4).
Dalje, za svaki i {1,2,3,4,5} , na udaljenosti od alternativa ai , najbolja alternativa ima
koeficijent 1 (jedan) a rastojanje od alternativa ai do najgore alternativne ima
D1 (a1 ) =
11
3 = 0,1875
44
D0 (a1 ) =
11
1 = 0,0625
44
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,1250

D1 (a 2 ) =
11
2,70 = 0,1688
44
D0 (a 2 ) =
11
1,30 = 0,0812
44
D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,0876

D1 (a 3 ) =
11
2,4 = 0,15
44
D0 (a 3 ) =
11
1,6 = 0,1
44
D(a 3 ) = D1 (a 3 ) D0 (a 3 ) = 0,0500
D1 (a 4 ) =
11
1,43 = 0,0894
44
D0 (a 4 ) =
11
2,57 = 0,1606
44
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,0712
D1 (a 5 ) =
11
1 = 0,0625
44
D0 (a 5 ) =
11
3 = 0,1875
44
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,1250

Dobijene razdaljine i razlike su predstavljeni u tabeli 7.22.
Tabela 7.23 Udaljenosti i razlike za primer 7.5.1.
D(ai ,1)
D(0, ai )
D(ai )
a1
a2
a3
0.1875
0.0625
0.1250
0.1688
0.0812
0.0876
0.1500
0.1000
0.0500
a4
a5
0.0894
0.1606
-0.0712
0.0625
0.1875
-0.1250
Sada je lako da se utvrdi kako reetkasti metod daje linearno naruivanje alternativa na
sledei nain:
a1 a 2 a 3 a 4 a 5
Dakle, najbolje reenje za vlasnika male privatne kompanije je da kupi mali automobil
za gotovinu, a najgore reenje je kupovina polovnog automobila za bankarski kredit.
Na osnovu izloenog novi metod se moe uspeno primeniti na praktinim primerima, i
to uopeno u relativno malom broju alternativa. U sluaju da su ukljuene sve relativne
vrednosti odreenih taaka, drugim reima, ako se dosta razlikuju, onda donosilac
odluke prilikom izbora moe biti veoma zadovoljan to je dobro istakao sve
mogunosti. Naime, u tom sluaju izraunavanje prednosti jedne nad drugom
alternativom, u odnosu na dati skup kriterijuma, ukljuuju i elje i razlike izmeu ovih
alternativa i vrednosti samih alternativa.

Primer 7.5.2. Metodom kompromisnog rangiranja reen je ovaj primer sa istim

ocenama alternativa i sa istim kriterijumima.
c1
c2
c3
c4
a1
10
a2
a3
a4
a5
10
Reenje:
S a1 : (10 5) (10 5) + (9 9) (9 5) + (10 10) (10 6 ) + (9 9) (9 6 ) =
= 1+ 0 + 0 + 0 = 1
S a 21 : (10 6) (10 5) + (9 8) (9 5) + (10 9) (10 6 ) + (9 9) (9 6 ) =
=
4 1 1
+ + + 0 = 1,3
5 4 4
S a 31 : (10 7) (10 5) + (9 7) (9 5) + (10 8) (10 6 ) + (9 9) (9 6 ) =

=
3 2 2
+ + + 0 = 1,6
5 4 4
S a 41 : (10 8) (10 5) + (9 6) (9 5) + (10 7) (10 6 ) + (9 7) (9 6 ) =

=
2 3 3 2
+ + + = 2,56
5 4 4 3
S a 5 : (10 10) (10 5) + (9 5) (9 5) + (10 6) (10 6 ) + (9 6) (9 6 ) =

= 0 +1+1+1 = 3
S ( i )
a1
a2
a3
a4
a5
1,3
1,6
2,56
a1 a 2 a 3 a 4
a5
Kako su ocene sa velikim razmacima kao i relativno mali broj kriterijuma redosled
alternativa ostao je nepromenjen.
7.6. Metodologija reavanja problema est alternativa sa pet kriterijuma
7.6.1. Mrena metoda (Bez relativnog znaaja)
Primer 7.6.1. Primene mrene metode za viekriterijumsku analizu (relaivni znaaj nije
uziman u obzir)
Ovo je jedan hipotetiki primer u kome je pokazan prethodno opisan metode grafiki tj.
Mrenom metodom. Date su alternative A = {a1 , a 2 , a 3 , a 4 , a 5 , a 6 } i neka su one
procenjene iz niza kriterijuma C = {c1 , c2 , c3 , c4 , c5 } kao to je prikazano u tabeli 7.25.
Kriterijumi su dati sa razliitim relativnim znaenjem (Zh). Napraviti poredak ovih

alternativa u zavisnosti od relativnog znaaja.
Kriterijum
c1
c2
c3
c4
c5
Relativni znaaj - Zh
0,096
0,133
0,285
0,102
0,384
Zahtev
max
max
max
max
max
a1
0,035
0,036
0,008
0,033
0,018
a2
0,035
0,031
0,039
0,031
0,018
a3
0,033
0,035
0,041
0,029
0,021
a4
0,032
0,030
0,042
0,035
0,035
a5
0,033
0,032
0,035
0,036
0,022
a6
0,032
0,033
0,034
0,037
0,080
Da bi mrea bila preglednija vrednosti iz tabele 7.25. pomnoene su sa 1000 i dobijena

je tabela 7.26. a pri tome nisu uzeti u obzir relativni znaaji datih kriterijuma.

Tabela 7.27 Sreeni podaci za mreu za primer broj 7.6.1.
Kriterijum
c1
c2
c3
c4
c5
0,096
0,133
0,285
0,102
0,384
Zahtev
max
max
Max
max
max
a1
35
36
33
18
a2
35
31
39
31
18
a3
33
35
41
29
21
a4
32
30
42
35
35
a5
33
32
35
36
22
a6
32
33
34
37
80
Na osnovu podataka iz tabele 7.26. sledi mrea.

Neka za sve k {1,2,3,4,5,} i funkcija Z k : A x
Z k (a, b ) = {
A R + se definie kao:
1, za a k bk
0,
za ostalo
i neka k1 = k 2 = k 3 = k 4 = k 5 = 1 tj, neka svi kriterijumi imaju isti relativni znaaj

(jednaki 1).

35 36 42 38 80
1, 1, 1, 1, 1
33 35 42 38 80
1, 0.8, 1, 1, 1
35 36 42 35 35
1, 1, 1, 0.8, 0.3
33 35 42 35 35
0.3,0.8,1, 0.8, 0.3
35 36 39 35 18
1, 1, 0.9, 0.8, 0
35 36 8 33 18
1, 1, 0, 0.6, 0
33 35 41 25 21
0.3, 0.8, 0.8, 0, 0.1
33 32 35 38 22
0.3, 0.3, 0.8, 1, o.1
32 33 34 37 80
0, 0.5, 0.8, 0.9, 1
32 30 42 35 35
0, 0, 1, 0.8, 0.3
35 31 39 35 18
1, 0.2, 0.9, 0.8, 0
35 31 8 33 18
1, 0.2, 0, 0.6, 0
33 33 35 38 80
0.3, 0.5, 0.8, 1, 1
32 32 34 37 22
0, 0.3, 0.8, 0.9, 0.1
32 30 41 25 21
0, 0, 0.8, 0.5, 0
32 30 8 25 18
0, 0, 0.8, 0, 01
32 30 34 25 21
0, 0, 0.8, 0, 0.1
32 30 8 25 18
0, 0, 0, 0, 0
Slika 7.10 Prva delimino ureena mrea za primer 7.6.1.

Delimino ureena mrea moe biti i drugaija, a sve zavisi kojim putem se dolazi do
najbolje odnosno najloije alternative.
35 36 42 38 80
1, 1, 1, 1, 1
35 33 42 38 80
1, 1, 1, 1, 1
35 36 42 35 35
1, 1, 1, 0.9, 0.27
35 36 41 33 21
1, 1, 0.93, 0.6, 0.05
35 36 8 33 18
1, 1, 0, 0.6, 0
33 35 41 25 21
0.3, 0.8, 0.8, 0, 0.1
35 31 39 35 18
1, 0.2, 0.9, 0.8, 0
35 31 8 33 18
1, 0.2, 0, 0.6, 0
32 30 8 35 18
0, 0, 0, 0.77, 0
33 33 35 38 80
0.33, 0.5, 0.8, 1, 1
35 31 42 35 35
1,0.2,1, 0.9, 0.27
33 32 35 38 22
0.3, 0.3, 0.8, 1, 0.1
32 30 42 35 35
0, 0, 1, 0.8, 0.3
32 30 41 25 21
0, 0, 0.8, 0, 0.05
32 33 34 37 80
32 32 34 37 22
0, 0.5, 0.76, 0.9, 0.1
32 30 34 25 21
0, 0, 0.76, 0, 005
32 30 8 25 18
0, 0, 0, 0, 0
Slika 7. 11 Druga delimina mrea za primer 7.6.1.

Kao to se moe videti sa slika 7.10. i 7.11., za svaki i {1,2,3,4,5,6, } , svi putevi iz
alternativnih ai do vrha imaju istu duinu, kao i svi putevi od dna do alternative ai
imaju istu duinu (svi ovi su duine do 3). Iz ovih razloga raun je isti za obe delimino
ureene mree.
Dalje, za svaki i {1,2,3,4,5} , na udaljenosti od alternativa ai , najbolja alternativa ima
koeficijent 0 (nula), a posle raunom dobijena je razlika svih alternativa ai meusobno.
D1 (a1 ) =
11
2,4 = 0,160
53
D0 (a1 ) =
11
2,6 = 0,173
53
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,013

D1 (a 2 ) =
11
2,1 = 0,140
53
D0 (a 2 ) =
11
2.9 = 0,193
53
D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,053
D1 (a3 ) =
11
3 = 0,200
53
D 0 (a 3 ) =
11
2 = 0 ,133
53
D(a 3 ) = D1 (a 3 ) D0 (a3 ) = 0,067

D1 (a 4 ) =
11
2,9 = 0,193
53
D0 (a4 ) =
11
2,1 = 0,140
53
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,053
D 1 (a 5 ) =
11
2 ,5 = 0 ,167
53
D0 (a 5 ) =
11
2,5 = 0,167
53
D(a 5 ) = D1 (a 5 ) D0 (a 5 ) = 0
D1 (a 6 ) =
11
1,8 = 0,120
53
D0 (a 6 ) =
11
3,2 = 0,213
53

D(a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,093
Dobijeni konani rezultati predstavljeni su u tabeli 7.27.
Tabela 7.28 Konani reultati uz pimer 7.6.1.
D ( i )
a1
a2
a3
a4
a5
a6
-0,013
-0,053
0,067
0,053
-0,093
Dakle, redosled alternativa je:

a6
a 2 a1
a5
a4
a3
7.6.2. Mrena metoda (Sa relativnim znaajem)
Primer 7.6.2. Dato je est alternativa ( a 1, a 2, a 3, a 4, a 5, a 6), ocenjenih u sistemu od

pet razliitih kriterijuma ( c 1, c 2, c 3, c 4, c 5) datih sa razliitim relativnim znaenjem
(Zh). Napraviti poredak ovih alternativa. (relaivni znaaj je uzet u obzir).
Kriterijum
c1
c2
c3
c4
c5
0,096
0,133
0,285
0,102
0,384
Zahtev
max
max
max
max
max
a1
0,035
0,036
0,008
0,033
0,018
a2
0,035
0,031
0,039
0,031
0,018
a3
0,033
0,035
0,041
0,029
0,021
a4
0,032
0,03
0,042
0,035
0,035
a5
0,033
0,032
0,035
0,036
0,022
a6
0,032
0,033
0,034
0,037
0,08
Do reetke metodom dolazi se, poevi sa skupom alternativa, skiciranjem reetki novih
alternativa generisanih datim koje su formirane i to je ilustrovano u tabeli 7.29.
Relativni znaaj pomnoen je sa datom vrednostima i tako su dobijene nove
odgovarajue vrednostiza za svaku alternativu.

Tabela 7.30 Podaci za mreu za primer 7.6.2.
Kriterijum
c1
c2
c3
c4
c5
Zahtev
max
max
max
max
max
a1
3,7
4,8
2,3
3,4
6,9
a2
3,7
4,1
11,1
3,2
6,9
a3
3,2
4,7
11,7
8,1
a4
3,1
12
3,8
13,4
a5
3,2
4,3
10
3,7
8,5
a6
3,1
4,4
9,7
3,8
30,7
Za svako k {1,2,3,4,5,}, funkcija znaaja razlike Z k : A A R + definisane su sa:
1, ako je ak bk ,
Z k ( a, b) =
0,
ostalo.
Iz prethodne delimine mree alternativa, izdvojen je delimino ureen skup najkraih

puteva od date alternative do vrha kao i od iste alternative do dna .

3.7, 4.8, 12, 3.8, 30.7
1, 1, 1, 1, 1
3.7, 4.8, 12, 3.8, 13.4
1, 1, 1, 1, 0.27
3.7, 4.8, 12, 3.8, 13.4
1, 1, 1, 1, 0.27
3.7, 4.8, 11.7, 3.4, 8.1

1, 1, 0.93, 0.5, 0.05
3.7, 4.8, 2.3, 3.4, 6.9
1, 1, 0, 0.5, 0.01
3.2, 4.7, 11.7, 3, 8.1

0.17, 0.83, 0.97, 0,
3.7, 4.1, 11.1, 3.2, 6.8

1, 0.12, 0.91, 0.25, 0
3.7, 4.1, 2.3, 3.2, 6.9

1, o.12, 0, 0.25, 0
3.2, 4.4, 10.3, 3.8, 30.7

0.17, 0.5, 0.85, 1, 1
3.2, 4.3,10.3, 7, 8.5

0.17, 0.4, 0.85, 0.88, o.1
3.1, 4 12, 3.8, 13.4

0, 0, 1, 1, 0.27
3.1, 4, 11.7, 3, 8.1

0, 0, 0.97, 0, 0.o5
3.1, 4.4, 9,7,3.8, 30.7

0, 0.5, 0.76, 1, 1
3.1, 4.3, 9.7 ,7 ,8.5

0, 0.4, 0.76, 0.88, 0.1
3.1, 4, 9.7, 3, 8.1

0, 0, 0.76, 0, 0
3.1, 4, 2.3, 3, 6.8
0, 0, 0, 0, 0
Slika 7.12 Prva od deliminih mrea za primer 7.6.2.a

Duina puta od alternative do vrha
a1 , a 4 , a 5 , a 6 ,......... ................... 2
a 2 , a 3 .......... .......... ................... 3
Duina puta od alternative do dna
a1 , a 2 , a 3 , a 4 ,......... ..............2
a 5 , a 6 .......... .......... ...............3
D1 (a1 ) =
11
2,49 = 0,249
52
D0 (a1 ) =
11
2,51 = 0,251
52
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,002

D1 (a 2 ) =
11
2,72 = 0,181
53
11
D0 (a 2 ) =
2,28 = 0,228
52

D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,047
D1 (a3 ) =
D 0 (a 3
11
3,03 = 0,202
53
)=
1 1
1 , 97 = 0 ,197
5 2
D(a3 ) = D1 (a3 ) D0 (a 3 ) = 0,005

D1 (a 4 ) =
11
2,73 = 0,273
52
D0 (a 4 ) =
11
2,27 = 0,227
52
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,046
D1 (a5 ) =
11
2,6 = 0,260
52
D0 (a5 ) =
11
2,4 = 0,160
53
D(a 5 ) = D1 (a 5 ) D0 (a 5 ) = 0,100
D1 (a 6 ) =
11
1,76 = 0,176
52
D0 (a 6 ) =
11
3,24 = 0,216
53
D(a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,040
Tabelarni pregled reenja:
Tabela 7.31 Konani rezultati za primer 7.6.2.a
D ( i )
a1
a2
a3
a4
a5
a6
-0,002
-0,047
0,005
0,046
0,100
-0,040
Dakle, konani redosled alternativa je:
a2 a6 a1 a3 a4 a5
Sada je pokazana mrea na slici 7.13. gde su grupisane tri po tri alternative pa je put do
najbolje odnosno najloije alternative jednak i to duine po 3 (tri).

3.7, 4.8, 12, 7, 30.7
1, 1, 1, 1, 1
3.2, 4.4, 12, 7, 30.7

1, 1, 1, 1, 0.27
3.7, 4.8, 11.7, 3.4, 8.1

1, 1, 0.93, 3.1, 4.3,
3.7, 4.8, 11.7, 3.4, 8.1 3.7, 4.7, 11.7, 3.2, 8.1 3.2, 4.3, 12, 3.8, 13.4
1, 1, 1, 0.5, 0
0.17, 0.5, 0.85, 1, 1
1, 1, 0.93,3.1, 4.3,
3.7, 4.8, 2.3, 3.4, 6.9
1, 1, 0, 0.5, 0.01
3.2, 4.7, 11.7, 3, 8.1

0.17, 0.83, 0.97, 0,
3.7, 4.1, 11.1, 3.2, 6.8

1, 0.12, 0.91, 0.25, 0
3.7, 4.1, 2.3, 3.2, 6.8

1, o.12, 0, 0.25, 0
3.2, 4.3,10.3, 7, 8.5

0.17, 0.4, 0.85, 0.88, o.1
3.1, 4 , 12, 3.8, 13.4

0, 0, 1, 1, 0.27
3.2, 4.1, 11.7, 3, 6.8

0, 0.76, 0, 0
3.1, 4, 10.3, 3.8, 8.5

0, 0, 1, 1, 0.27
3.7, 4.1, 2.3, 3, 6.8

1, o.12, 0, 0.25, 0
3.2, 4.4, 10.3, 7, 30.7

1, 1, 1, 1, 0.27
3.1, 4.4, 9,7,3.8, 30.7

0, 0.5, 0.76, 1, 1
3.1, 4.3, 9.7, 7, 8.5

0, 0, 0.97, 0, 0.o5
3.1, 4, 4.3, 3.8, 8.5

1, o.12, 0, 0.25, 0
3.1, 4, 2.3, 3, 6.8

0, 0, 0, 0, 0
Slika 7. 13 Druga delimina mrea za primer 7.6.2.b
Kao to se moe videti sa slike 7.13., za svaki i {1,2,3,4,5,6, } , svi putevi iz alternativa
(svi ovi su duine do 3).
D1 (a1 ) =
11
2,49 = 0,166
53
D0 (a1 ) =
11
2,51 = 0,167
53
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,001

D1 (a 2 ) =
11
2,72 = 0,181
53
11
D0 (a 2 ) =
2,28 = 0,152
53

D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,029
D1 (a3 ) =
11
3,03 = 0,202
53
D0 (a 3 ) =
11
1,97 = 0,131
53
D(a3 ) = D1 (a3 ) D0 (a 3 ) = 0,071

D1 (a 4 ) =
11
2,73 = 0,182
53
D0 (a 4 ) =
11
2,27 = 0,151
53
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,031
D1 (a5 ) =
11
2,6 = 0,173
53
D0 (a5 ) =
11
2,4 = 0,160
53
D(a 5 ) = D1 (a 5 ) D0 (a 5 ) = 0,013
D1 (a 6 ) =
11
1,76 = 0,117
53
D0 (a 6 ) =
11
3,24 = 0,216
53
D(a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,099
Tabelarni pregled reenja:
Tabela 7.32 Konani rezultati za primer 6.7.2.b
D ( i )
a1
a2
a3
a4
a5
a6
-0,001
0,029
0,071
0,031
0,013
-0,099
Dakle, konani redosled alternativa je:
a6 a1 a5 a2 a4 a3

7.6.3. Metoda PROMETHEE
Primer 7.6.3. Prethodni primer odraen je metodom promethee da bi uporedili rezultate

sa prethodno odraene dve metode
Dato je est alternativa ( a 1, a 2, a 3, a 4, a 5, a 6), ocenjenih u sistemu od pet razliitih
kriterijuma ( c 1, c 2, c 3, c 4, c 5) datih sa razliitim relativnim znaenjem (Zh). Napraviti
poredak ovih alternativa.
c1
c2
c3
c4
c5
0,096
0,133
0,285
0,102
0,384
Zahtev
max
max
max
max
max
a1
0,035
0,036
0,008
0,033
0,018
a2
0,035
0,031
0,039
0,031
0,018
a3
0,033
0,035
0,041
0,029
0,021
a4
0,032
0,03
0,042
0,035
0,035
a5
0,033
0,032
0,035
0,036
0,022
a6
0,032
0,033
0,034
0,037
0,08
Kriterijum
Donosilac odluke treba da odabere preferencijske funkcije koje najbolje mogu da izraze
specifinosti upotrebljenih kriterijuma. Usvajanjem preferenciskih funkcija i parametara
stvaraju se uslovi da se izvri rangiranje uporeivanih alternativa korienjem postupaka
definisanih PROMETHEE metodom (slika 7.14.).
Zahtev maxmin
Tip preferencijske
funkcije
Relativni znaaj
Kriterijm
Parametri
Pi (x )
1
e x 1
0 , 001
2 e
1
0 x 0,001
1 1 (e 1)x + 0,002 e 0,001

+ ln
2 2
0,001
0,001 x 0,002
x 0,002
ex 1
e 0 , 006 1
0 x 0,006
a=0
c1
max b=0,001
c=0,002
c2
max
a=0
b=0,006
c3
max
a=0
b=0,008
ex 1
e 0 , 008 1
c4
c5
max
max
X = f (a ) f (b)
a=0
b=0,006
a=0
b=0,055
x 0,006
0 x 0,008
x 0,008
x
0 , 006
0 x 0,006
x 0,006
x
0 , 055
0 x 0,055
x 0,055
Slika 7.14 Tipovi generalizovanih kriterijuma broj 2

Uzimajui u obzir izraeni zahtev da li je kriterijum maksimalan ili minimalan i
korienjem izraza za odreivanje indeksa preferencije, dobijene su vrednosti indeksa
preferencije za svaki par alternativa. Da bi se dobilo konaan rang uporeivanih
alternativa formira se tabela 7.33., u kojoj se nalaze izraunati indeksi preferencije.
(a 1 , a 2 ) = 0 + 0 ,133 0 ,83 + 0 + 0 ,102
0 , 002
+ 0 = 0 ,143
0 , 006
(a 1 , a 3 ) = 0 , 096 0 ,33 + 0 ,133 0 ,167 + 0 + 0 ,102 0 , 677 + 0 = 0 ,121
(a 1 , a 4 ) = 0 , 096 0 ,5 + 0 ,133 1 + 0 + 0 + 0 = 0 ,181

(a 1 , a 5 ) = 0 , 096 0 ,33 + 0 ,133 1 + 0 + 0 + 0 = 0 ,165
(a 1 , a 6 ) = 0 , 096 0 , 667 + 0 ,133 0 ,5 + 0 + 0 + 0 = 0 ,130
(a 2 , a 1 ) = 0 + 0 + 1 0 , 285 + 0 + 0 = 0 , 285
(a 2 , a 3 ) = 0 , 096 1 + 0 + 0 + 0 ,102 0 , 33 + 0 = 0 ,130
(a 2 , a 4 ) = 0 , 096 1 + 0 ,133 1 + 0 + 0 + 0 = 0 , 229
(a 2 , a 5 ) = 1 0 , 096 + 0 +
3
0 , 285 + 0 + 0 = 0 , 203
8
5
(a 2 , a 6 ) = 1 0 , 096 + 0 + 0 , 285 + 0 + 0 = 0 , 274
8
(a 3 , a1 ) = 0 + 0 + 1 0,285 + 0 + 0,054 0,384 = 0,305

(a 3 , a 2 ) = 0 + 0,133 0,667 +
1
0,285 + 0 + 0,054 0,384 = 0,181
4
(a 3 , a 4 ) = 0,096 0,5 + 0,133 0,833 + 0 + 0 + 0 = 0,159
(a 3 , a 5 ) = 0 + 0,133 0,5 + 0,285 0,75 + 0 + 0 = 0,280

(a 3 , a 6 ) = 0,096 0,5 + 0,133 0,33 + 0,285 0,875 + 0 + 0 = 0,341
(a 4 , a1 ) = 0 + 0 + 1 0, 285 + 0,102 0,33 + 0,384
17
= 0,438
55
(a 4 , a 2 ) = 0 + 0 + 0,285 + 0,102 + 0 = 0,124
3
1
8
6
1
14
= 0,234
(a 4 , a 3 ) = 0 + 0 + 0,285 + 1 0,102 + 0,384
8
55
7
13
= 0,340
(a 4 , a 5 ) = 0 + 0 + 0,285 + 0 + 0,384
8
55
3
(a 4 , a 6 ) = 0 + 0 + 0,285 + 0 + 0 = 0, 214
4
(a 5 , a1 ) = 0 + 0 + 1 0, 285 + 0,102 0,5 + 0,384
3
= 0,357
55
1
5
3
(a 5 , a 2 ) = 0 + 0,133 + 0 + 0 ,102 + 0,384
= 0 ,128
6
6
55
1
(a 5 , a 3 ) = 0 + 0 + 0 + 0,102 1 + 0 ,384
= 0 ,109
55
1
1
(a 5 , a 4 ) = 0 ,096 0,5 + 0 ,133 + 0 + 0 ,102 + 0 = 0,109
3
6
1
(a 5 , a 6 ) = 0 ,096 0,5 + 0 + 0, 285 + 0 + 0 = 0,083
8
(a 6 , a1 ) = 0 + 0 + 0, 285 1 + 0,102
2
+ 0,384 1 = 0,737
3
(a 6 , a 2 ) = 0 + 0,133 + 0 + 0,102 1 + 0,384 1 = 0,530
1
3
(a 6 , a 3 ) = 0 + 0 + 0 + 0,102 1 + 0,384 1 = 0, 486
(a 6 , a 4 ) = 0 + 0,133 0,5 + 0 + 0,102 + 0,384

1
3
(a 6 , a 5 ) = 0 + 0,133
45
= 0, 414
55
1
1
+ 0 + 0,102 + 0,384 1 = 0, 423
6
6
Dobijene vrednosti za indekse preferencije nalaze se u tabeli 7.33.

Tabela 7.34 Vrednosti indeksa preferencije za primer 7.6.3.
a1
a2
a3
a4
a5
a6
a1
0,143
0,121
0,181
0,165
0,130
a2
0,285
0,130
0,229
0,203
0,274
a3
0,305
0,181
0,159
0,280
0,341
a4
0,438
0,124
0,234
0,340
0,214
a5
0,375
0,128
0,109
0,109
0,083
a6
0,737
0,530
0,486
0,414
0,423

Primenjujui PROMETHEE metodu saglasno datim slovima formira se tabela 7.34.,
u koju su unete izlazne + ( ) i ulazne ( ) vrednosti toka.
+ ( ) = (a , X )
xk
+ (1 ) = 0,143 + 0,121 + 0,181 + 0,165 + 0,130 = 0,740

+ ( 2 ) = 0,285 + 0,130 + 0,229 + 0,203 + 0,274 = 1,121
+ (3 ) = 0,305 + 0,181 + 0,159 + 0,280 + 0,341 = 1,266
+ ( 4 ) = 0,438 + 0,124 + 0,234 + 0,340 + 0,214 = 1,350
+ (5 ) = 0,375 + 0,128 + 0,109 + 0,109 + 0,083 = 0,804
+ ( 6 ) = 0,737 + 0,530 + 0,486 + 0,414 + 0,423 = 2,590
( ) = ( X , a )
xk
(1 ) = 0,285 + 0,305 + 0,438 + 0,375 + 0,737 = 2,140

( 2 ) = 0,143 + 0,181 + 0,124 + 0,128 + 0,530 = 1,106
(3 ) = 0,121 + 0,130 + 0,234 + 0,109 + 0,486 = 1,080
( 4 ) = 0,181 + 0,229 + 0,159 + 0,109 + 0,414 = 1,092
(5 ) = 0,165 + 0,203 + 0,280 + 0,340 + 0,423 = 1,415
(6 ) = 0,130 + 0,274 + 0,341 + 0,214 + 0,083 = 1,042
Dobijene ulazne i izlazne vrednosti toka nalaze se u tabeli 7.34.

Tabela 7.35 Izlazne i ulazne vrednosti toka za primer 7.6.3.
a1
a2
a3
a4
a5
a6
+ (i )
0,740
1,121
1,266
1,350
0,804
2,590
(i )
2,140
1,106
1,080
1,092
1,415
1,042

PROMETHEE metodom dobija se potpuni poredak na osnovu relacije istog toka:
(1 ) = 0,740 2,140 = 1,400
( 2 ) = 1,121 1,106 = 0,015
(3 ) = 1,266 1,080 = 0,186
( 4 ) = 1,350 1,092 = 0,258
(5 ) = 0,804 1,415 = 0,611
(6 ) = 2,590 1,042 = 1,548
Dobijene vrednosti su unesene u tabelu 6.35. i na osnovu njih se dobija potpuni

poredak.
Tabela 7.36 Konane vrednosti za zadatak 7.6.3.
(i )
a1
a2
a3
a4
a5
a6
-1,400
0,015
0,186
0,258
-0,611
1,548
Konaan poredak alternativa je sledei:
a1
a4 a2
a3
a4
a6
7.7. Metodologija koriena prilikom izbora postrojenja za odreenu

proizvodnju
7.7.1. Mrena metoda
Primer 7.7.1. (Primer preuzet iz zbirke zadataka autora Borovi-Milievi strana 306).
Razmatra se problem izbora postrojenja koja treba instalirati za odreenu proizvodnju.
Postoji mogunost izbora est varijanata razliitih postrojenja na osnovu sledeih
kriterijuma:
c1 : Potreban broj radnika

c2 : Dnevna proizvodnja u komadima
c3 : Cena postrojenja u milionima $

c4 : Cena odravanja proizvodnje u milionima $
c5 : Potrebna povrina zemljita za instalaciju postrojenja
c6 : Ocena kvaliteta proizvodnje robe.
Vrednost varijanta za svaki pod datih kriterijuma date su u tabeli 7.36.:
Tabela 7.37 Polazni podaci za primer broj 7.7.1.
j
c1
c2
c3
c4
c5
c6
a1
80
90
60
5,4
a2
65
58
20
9,7
a3
83
60
40
7,2
a4
52
72
60
a5
40
80
100
7,5
10
a6
94
96
70
3,6
10
min
max
min
min
min
max
1,5
2,5
wi

Poto se u datom primeru trae i max i min, preveden je problem na maksimizaciju.
Tabela 7.38 Max- polazni podaci za primer broj 7.7.1.
j
c1
c2
c3
c4
c5
c6
a1
14
90
40
4,3
a2
29
58
80
a3
11
60
60
2,5
a4
42
72
40
7,7
a5
54
80
2,2
10
a6
96
30
6,1
a7
max
max
max
max
max
max
wi
1,5
2,5
Delimina mrea datog zadatka izgleda:

Za svako k {1,2,3,4,5,6} , funkcija znaaja razlike Z k : A A R + , definisane su sa:
1, ako je ak bk ,
Z k ( a, b) =
ostalo.
0,
Iz prethodne mree alternativa, izdvojen je delimino ureen skup najkraih puteva od
date alternative do vrha kao i od iste alternative do dna .

54,96,80,7.7,9,10
1, 1, 1, 1, 1 1
54,96,80,7.7,9,10
1,1,1,0.4,0.8,0.3,1
42, 90, 80, 7.7, 9, 8

0.8,0.8, 1,1,1,0.8
14, 90, 60, 4.3, 6, 7
0.6, 0.8, 0.75, 0.6,0.7,0.7
14,90,40,4.3,2,6
0.6,0.8, 0.5,0.6,0.2, 0.6
42, 72, 80, 7.7, 9, 8

0.8, 0.4, 1, 1, 1, 0.8
11,60,60,2.5,6,7
0.2,0.1,0.75,0.3,0.7,0.7
29, 58, 80, 0, 9, 1

0.5, 0,1,0,1,0
11, 60, 40, 2.5, 2, 6

0.2, 0.1, 0.5, 0.3,0.2,0.6
54,96,30,6.1,3,10
1, 1, 0.4, 0.8, 0.3, 1
54, 80, 0, 2.2, 3, 10

1, 0.8,0,0.3,0.3,1
42,72,40,7.7,7,8
0.8,0.4,0.5,1,0.8,0.8
29, 58, 40, 0, 7, 1

0.5, 0,0.5, 0,0.8, 0
11, 58, 40, 0, 2, 1

0.2,0, 0.5,0, 0.3, 0
0, 58, 0, 0, 0, 1
0, 0, 0, 0, 0, 0
Slika 7.15 Prva delimino ureena mrea za primer 7.7.1.a

Duina puta od alternative do vrha
a1 , a 2 , a 3 , a 4 , a 5 , a 6 ,......... ................... 3
Duina puta od alternative do dna

a1 , a 3 , ,................... .......... .......... ....3
a 2 , a 4 , a 5 , a 6 .......... .......... ...............2
D1 (a1 ) =
11
2.7 = 0,150
63
D0 (a1 ) =
11
3.3 = 0,183
63
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,033

D1 (a 2 ) =
11
3,5 = 0,194
63
0 80, 0, 2.2, 0, 6
0, 0.8, 0, 0.3, 0, 0.6

D0 (a 2 ) =
11
2,5 = 0,208
62
D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,014
D1 (a 3 ) =
11
3.25 = 0,181
63
D0 (a 3 ) =
11
2.75 = 0,153
63
D(a3 ) = D1 (a3 ) D0 (a 3 ) = 0,028

D1 (a 4 ) =
11
1,7 = 0.094
63
D0 (a 4 ) =
11
4,3 = 0,358
62
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,264
D1 ( A5 ) =
11
2,6 = 0,144
63
D0 (a 5 ) =
11
3,4 = 0,283
62
D(a 5 ) = D1 (a 5 ) D0 (a 5 ) = 0,145
D1 (a 6 ) =
11
3, 2 = 0 ,178
6 3
D 0 (a 6 ) =
1 1
2 ,8 = 0 , 233
6 2
D(a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,055
Dakle, dobijen je tabelarni redosled alternativa.
Tabela 7.39 Konani rezultati za primer broj 7.7.1.a
D (i )
a1
a2
a3
a4
a5
a6
-0,033
-0,014
0,028
-0,264
-0,145
-0,055
Konaan poredak alternativa:
a4
a5
a6
a1 a 2
a3

Ako se alternative grupiu kao na sledeoj slici 7.16.b tri po tri dobija se mrea:
54,96,80,7.7,9,10
1, 1, 1, 1, 1 1
54,96,40,7.7,7,10
1, 1,0.5, 1,0.7,1
29,90,80,4.3,9,7
0.5, 0.8, 1, 0.6,1,0.7
29,90,80,4.3,9,6
0.5,0.8,1, 0.6,1, 0.6
14,90,40,4.3,2,6
0.6,0.8, 0.5,0.6,0.2, 0.6
29,60,80,2.5,9,7
0.5,0.1,1,0.3,1,0.7
11,60,60,2.5,6,7
0.2,0.1,0.75,0.3,0.7,0.7
29,58,80,0,9,1
0.5, 0,1,0,1,0
14,58,40,0,2,1
0.6, 0, 0.5, 0, 0.2, 0
54,80,40,7.7,7,10
1, 0.8, 0.5,1,0.7,1
54,80,0,2.2,3,10
1, 0.8,0,0.3,0.3,1
42,72,40,7.7,7,8
0.8,0.4,0.5,1,0.8,0.8
11,58,60,0,6,1
0.2, 0, 0.75, 0, 0.7, 0
54,96,30,6.1,3,10
1, 1, 0.4, 0.8, 0.3, 1
42,72,0,2.2,3,8
0.8, 0.4, 0, 0.3, 0.3 0.8
0,96,30,6.1,0,6
0, 1,0.4,0.8,0,0.6
0,80,0,2.2,0,6
0, 0.8, 0, 0.3, 0, 0,6
0,72,0,2.2,0,6
0, 0.4, 0, 0.3, 0, 0.6
0, 58, 0, 0, 0, 1
0, 0, 0, 0, 0, 0
Slika 7.16 Druga delimino ureena mrea za primer 7.7.1.b

Kao to se moe videti sa slike 7.16. za svaki i {1,2,3,4,5,6} , svi putevi iz alternativnih
(svi ovi su duine jednaki po 3).
Dalje, za svaki i {1,2,3,4,5,6} , na udaljenosti od alternativa ai , najbolja alternativa ima
D1 (a1 ) =
11
2.7 = 0,150
63
D0 (a1 ) =
11
3.3 = 0,183
63
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,033

D1 (a 2 ) =
11
3,5 = 0,194
63
D0 (a2 ) =
11
2,9 = 0,139
63

D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,055
D1 (a 3 ) =
11
3.25 = 0,181
63
D0 (a 3 ) =
11
2.75 = 0,153
63
D(a3 ) = D1 (a3 ) D0 (a 3 ) = 0,028

D1 (a 4 ) =
11
1,7 = 0.094
63
D0 (a 4 ) =
11
4,3 = 0,239
63
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,145
D1 ( A5 ) =
11
2,6 = 0,144
63
D0 (a 5 ) =
11
3,4 = 0,189
63
D(a 5 ) = D1 (a 5 ) D0 (a 5 ) = 0,045
D1 (a 6 ) =
11
3, 2 = 0 ,178
6 3
D 0 (a 6 ) =
11
2 ,8 = 0 ,156
63
D(a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,022
Dakle, dobija se tabelarni redosled alternativa.
Tabela 7.40 Konani rezultati za primer broj 7.7.1.b
D (i )
a1
a2
a3
a4
a5
a6
-0,033
0,055
0,028
-0,145
-0,045
0,022
a4
a5
a1
a6
a3
a2
Ako se alternative grupiu kao na sledeoj slici 7.17.c dve po dve dobija se sledea
mrea.

54,96,80,7.7,9,10
1, 1, 1, 1, 1 1
42,72,60,7.7,7,8
0.8, 0.4,0.75, 0.8,0.8
29,90,80,4.3,9,6
0.5, 0.8, 1, 0.6,1,0.6
14,90,40,4.3,2,6
0.6,0.8, 0.5,0.6,0.2, 0.6,
11,60,60,2.5,6,7
0.2,0.1,0.75,0.3,0.7,0.7
29,58,80,0,9,1
0.5, 0, 1, 0, 1, 0
14,58,40,0,2,1
0.6,0.1, 0.5, 0,0.2, 0
54,96,30,6.1,3,10
1, 1, 0.4, 0.8, 0.3, 1
54,80,0,2.2,3,10
1, 0.8,0,0.3,0.3,1
42,72,40,7.7,7,8
0.8,0.4,0.5,1,0.8,0.8
11,60,40,2.5,6,7
0.2,0.1,0.5,1,0.7,0.7
0,96,30,6.1,0,6
0, 1,0.4,0.8,0,0.6
0,80,0,2.2,0,6
0, 0.8, 0, 0.3, 0,0.6
0, 58, 0, 0, 0, 1
0, 0, 0, 0, 0, 0
Slika 7.17 Trea delimino ureena mrea za primer 7.7.1.c

Kao to se moe videti sa slike 7.17. za svaki i {1,2,3,4,5,6} , svi putevi iz alternativnih
(svi ovi su duine jednaki po 2).
Dalje, za svaki i {1,2,3,4,5,6} , na udaljenosti od alternativa ai , najbolja alternativa ima
koeficijent 0 (nula), a posle raunom dobijaju se razlike svih alternativa ai meu
sobom.
D1 (a1 ) =
11
2.7 = 0,225
62
D0 (a1 ) =
11
3.3 = 0,275
62
D(a1 ) = D1 (a1 ) D0 (a1 ) = 0,050

D1 (a 2 ) =
11
3,5 = 0,291
62
D0 (a 2 ) =
11
2,5 = 0,208
62
D(a 2 ) = D1 (a 2 ) D0 (a 2 ) = 0,083
D1 (a3 ) =
11
3,25 = 0,271
62

D0 (a 3 ) =
11
2,75 = 0,229
62
D(a3 ) = D1 (a3 ) D0 (a 3 ) = 0,042

D1 (a 4 ) =
11
1,7 = 0,142
62
D0 (a 4 ) =
11
4,3 = 0,358
62
D(a 4 ) = D1 (a 4 ) D0 (a 4 ) = 0,216
D1 ( A5 ) =
11
2,6 = 0, 217
62
D0 (a 5 ) =
11
3,4 = 0,283
62
D(a 5 ) = D1 (a 5 ) D0 (a5 ) = 0,066
D1 (a 6 ) =
1 1
3, 2 = 0 , 267
6 2
D 0 (a 6 ) =
11
2 ,8 = 0 , 233
62
D(a 6 ) = D1 (a 6 ) D0 (a 6 ) = 0,034
Dakle, dobija se tabelarni redosled alternativa.
Tabela 7.41 Konani rezultati za primer broj 7.7.1.c
D (i )
a1
a2
a3
a4
a5
a6
-0,050
0,083
0,042
-0,216
-0,066
0,034
Konaan poredak alternativa
a4
a5
a1
a6
a3
a2

Primer 7.7.2. Isti zadatak odraen je i metodom kompromisnom rangiranja sa tom

razlikom da su u metodi kompromisnog rangiranja uzeti u obzir i relativni znaaj datih
kriterijuma.
Tabela 7.42 Polazni podaci za primer broj 7.7.2.
j
c1
c2
c3
c4
c5
c6
a1
80
90
60
5,4
a2
65
58
20
9,7
a3
83
60
40
7,2
a4
52
72
60
a5
40
80
100
7,5
10
a6
94
96
70
3,6
10
min
max
min
min
min
max
1,5
2,5
wi
Reenje:
S a1 : 1,5 40-80)/(40-94) + 3 96-90)/(96-58) + 2,5(20-60)/(20-100) + 2(2-5,5)/(2-9,7) +
+1 (1-8)/(1-10) + 2 (10-5)/(10-1) = 5,606

S a2 : 1,5 40-65)/(40-94) + 3 (96-58)/(96-58) + 2,5 20-20)/(20-100) + 2 2-9,7)/(2-9,7) +
+1 (1-1)/(1-10) + 2 (1-1)/(1-10) = 7,695

Sa : 1,5 40-83)/(40-94) + (96-60)/(96-58) + 2,5 (20-40)/(20-100) + 2 (2-7,2)/(2-9,7) +
+1 (1-4)/(1-10) + 2 (1-7)/(10-1) = 7,010

S a 4 : 1,5 40-52)/(40-94) + 3(96-72)/(96-58) + 2,5(20-60)/(20-100) + 2 (2-2)/(2-9,7) +
+1 (1-3)/(1-10) + 2 (10-8)/(10-1) = 4,144
S a5 : 1,5(40-40)/(40-94) +3(96-80)/(96-58) +2,5 (20-100)/(20-100) +2(2-7,5)/(2-9,7) +
+1 (1-7)/(1-10) + 2 (10-10)/(10-1) = 5,858

S a6 : 1,5(40-94)/(40-94) +3(96-96)/(96-58) +2,5(20-70)/(20-100) + 2(2-3,6)/(2-9,7) +
+1 (1-10)/(1-10) + 2 (10-6)/(10-1) = 5,366

Dakle, konaan redosled alternativa je predstavljen sledeom tabelom.
Tabela 7.43 Konani rezultat za primer 7.7.2.
D ( i )
a1
a2
a3
a4
a5
a6
5,606
7,958
7,010
4,144
5,858
5,366
a4
a6
a1
a5
a3
a2
Zakljuak
Zakljuak
U ovom radu predstavljen je jedan novi metod, nazvan reetkasti metod, koji je razvijen
od strane iovi M. et al. (2011), a istie se da je primena ove metode pokazana
prvenstveno na primeru Visoke poslovne kole strukovnih studija iz Blaca, kao i na jo
nekim praktinim primerima.
Skoro na svim primerima uporedo je odraen isti primer sa jo nekom od ve dobro
poznatih metoda za viekriterijumsku optimizaciju.
Osnovni ciljevi i zadaci postavljeni na poetku rada su postignuti. Dat je novi pristup
iskazivanja preferencija pri viekriterijumskoj analizi odnosno viekriterijumskoj
optimizaciji koja se uspeno moe primeniti kako u pasivnom odluivanju tako i u
drugim primenama (logistike, vojne, tehnike struke, itd.)
Da bi se donela dobra odluka, potrebno je oceniti alternative definisanjem odgovarajuih
kriterijuma. Takoe je potrebno definisati teine koeficijente za svaki od kriterijuma u
odnosu na druge.
Teini koeficijenti su najee brojevi koji se subjektivno biraju. Pored toga za svaki
kriterijum se odreuje da li je potrebno izabrati alternativu tako da kriterijum bude
minimalan ili maksimalan, odnosno ta je priroda tog kriterijuma. Nakon toga se po
svakom kriterijumu posebno ocenjuju alternative na bazi precizno utvrenih parametara
ili subjektivne procene.
Nain na koje se iskazuju te ocene zavisi od izabrane metode pomou koje je reen
postavljeni problem.
Danas postoji vie metoda viekriterijumske analize kao naprimer PROMETHEE,
ELECTRE, TOPSIS, MAX-MIN, MAX-MAX, itd. U zavisnosti od koriene metode kao
reenje se dobija rang alternativa, najbolja alternativa kao i skup alternativa koje
ispunjavaju odreene uslove.
Pri reavanju problema viekriterijumskog odluivanja, od ranije poznate metode i nova
metoda imaju isti cilj da pokau, odnosno da pomognu donosiocu odluke da odluivanje
bude bolje i efikasnije, a nikako nemaju za cilj da zamene donosioca odluke.
Prednost matematikih metoda u poslovnom odluivanju ukljuuje vei broj problema
koji zahtevaju dalja istraivanja.
Poznato je da postoji veliki broj razvijenih metoda i tehnika za viekriterijumske
optimizacije (viekriterijumske analize). Ako pitate analitiare koji se bave ovim
pitanjem, koja od ovih metoda je najbolja, moete dobiti razliite odgovore u zavisnosti
od vrste problema koji treba da se rei, kao i tip reenja koje je potrebno reavati. Sa
druge strane, ako se od istog analitiara trai da preporui neku metodu, onda odgovor
moe biti slian kao odgovor na prethodno pitanje, ali najbolji odgovor je da se predloi
metod koji moe da najbolje zadovolji i analitiara i donosioca odluke.
Uopteno, postoje dve razliite vrste problema zbog razliito posmatranih postavki,
jedna vrsta ima konaan broj alternativnih reenja, a druga vrsta ima beskonaan broj
reenja. U problemima u vezi sa izborom i procenom, logino je pretpostaviti da je broj
alternativa ogranien. Dakle, akcenat je bio usmeren na probleme sa konanim brojem
alternativa.
Zakljuak
U tom sluaju, mreni metod optimizacije (MMO) moe se opisati pomou osobina
matrica. Pretpostavi se da postoji m alternativa koje se procenjuju na osnovu
n - kriterijuma. Matricom oblika m n odreeno je da svaki element bude j - ti
kriterijum vrednosti za i - tu alternativu.
Svi kriterijumi u MMO mogu se klasifikovati u dve kategorije. Kriterijumi koje treba
uveati, na primer, kriterijumi dobitne kategorije i kriterijume koje treba svesti na
minimum, na primer, kriterijume trokovne kategorije. Idealno reenje za problem MMO
je da se maksimizuju svi kriterijumi od prvog tipa, a da se minimizuju svi kriterijumi od
drugog tipa. Na prirodan nain, bilo koji kriterijum drugog tipa se moe preneti u
kriterijum prvog tipa.
Primenom MMO problemi mogu biti veoma razliiti u kontekstu, ali oni dele sledee
zajednike karakteristike: vie kriterijuma esto formiraju hijerarhiju i kriterijumi mogu
doi u sukob sa drugim. Zbog nedostatka informacija, konflikt meu kriterijumima,
neizvesnost u subjektivne procene i razliite prioritete meu razliitim donosiocima
odluka, konani rezultati procena ne mogu biti konani. Postoje mnoge metode na
raspolaganju za reavanje problema MMO, a za ovaj pregled se misli na one koje su
razvili Hvang i CL Ioon K. (1981) i Radojii M.; iovi.M. (1998).
Predstavljeni, reetkasti MMO -metod koji uvodi iovi M. et al. (2011) - je novi metod
koji je blizak kategoriji kompromisnog metoda rangiranja, ali se znatno razlikuje od
istog. Pomou novog metoda se izraunavaju najvie (najbolje) odnosno najloije
(najgore) rastojanje svake alternative od idealnog (najboljeg) reenja. Reenje relativno
blizu idealnog reenja i daleko od najgoreg reenja ocenjuje se da bude najbolje po
izboru. Reetka metod se takoe zasniva na udaljenosti merene alternative od hipotetiki
najbolje i najgore alternative, ali ukljuuje u izraunavanje kako teinu izmeu
alternativa tako i samu teinu alternative. Navedeni su neki od primera koji potvruju da
metod reetke i metod kompromisnog rangiranja izazivaju dva razliita odnosa naruena
na istom skupu alternativa to je dato u objanjenju novog metoda MMO.
U sluaju da se radi sa relativno malim brojem alternativa, metod reetke ima sasvim
lepu grafiku interpretaciju, a moe se uspeno primeniti u mnogim praktinim
problemima (videti primer iovi, M. i saradnici (2011)).
Predloena mrena metoda iskazivanja subjektivnih preferencija donosioca odluke
izborom odgovarajue kriterijumske funkcije po pojedinim kriterijumima moe imati
odgovarajuu praktinu primenu u reavanju razliitih problema viekriterijumskog
rangiranja alternativnih reenja kada se u viekriterijumskoj osnovi koriste ne samo
kvantitativni ve i kvalitativni kriterijumi.
Korienje ovih metoda, kao monog upravljakog alata u poslovnom odluivanju je
potrebno u cilju dobijanja slike o ukupnoj pogodnosti neke alternative u odnosu na druge
uporeivane, te se tako omoguava donosiocu odluke da sa vie argumenata moe
obrazloiti svoju odluku o prednosti odreene alternative u odnosu na ostale
uporeivane.
Sva raznovrsnost problema poslovnog odluivanja ne moe se opisati matematikim
modelima te se razmatrane metode mogu shvatiti kao one koje se u praksi mogu ee
pojavljivati i na relativno jednostavniji nain.
Naglasak kao i konana odluka u procesu odluivanja ostaje na menaderu kao
donosiocu odluke, a ove metode viekriterijuske analize imaju zadatak da kao moan
alat, odnosno upravljaki mehanizam uine ovaj proces efikasnijim.
Zakljuak
U radu je predstavljen novi pristup viekriterijumskoj optimizaciji kojom su pokazane
neke pogodnosti korienja u odreenim situacijama to po optem miljenju subjektivni
uticaj smanjuje.
Na kraju ovaj rad je imao nameru da ostvari nekoliko ciljeva. Prvo, objanjena je
primena mrenog postupka. Drugo, metoda je primenjena na primeru Visoke poslovne
kole strukovnih studija Blace, a izvreno je i poreenje istog primera sa nekim drugim
veoma poznatim metodama za odluivanje. Zatim su na jo nekim primerima pokazane
prednosti samog odluivanja primenom nove metode.
Na osnovu svega izreenog moe se zakljuiti da je mreni metod odluivanja
fleksibilno reenje namenjeno krajnjem korisniku koji ga moe uspeno koristiti samo sa
korektnim definisanjem odgovarajuih kriterijuma kao i alternativa.
Literatura
Literatura
A. Fernandes-Kastro, M., Himenez, PROMETHEE: lokal preko fuzzi matematikog

programiranja, Journal of Operational Research Societi 56 (2005) 119 - 122.
Borovi, S., i Ronevi, M., (1987) Postupak izbora lokacije proizvodnih sistema
primjenom viekriterijumske analize i metoda operacionih istraivanja, Novi Sad,
(Zbornik radova - Industrijski Sistemi - IS '87).
Borovi, S., (1996) "Viekriterijumski pristup izboru radne snage" Zbornik radova,
SymOrg '96 - V Meunarodni simpozijum "Menadment i razvoj preduzea", Vrnjaka
Banja, 3-5.06., str.: 655-660, (koautor I. Nikoli).
Boin, M., Radojii, M., Organizacija I upravljanje, Tehniki fakultet, aak, 1997.
Brans, J. P. and ph. Vincke, (1985) A preference ranking organisation method / The
Promethee method for multiple criteria Decision-Making /, Management Science,
Vol.31. No6
Castillo, E., & all, (2002) Building and Solving Mathematical Programming Models in
Engineering and Science, John Wiley & Sons, Inc
Clark, R., Mayer, K., (2003), e-Learning and the Science of Instruction, John Wiley &
Sons, Inc.
upi M., M. Suknovi, (1995) Viekriterijumsko odluivanje - metode i primeri,

Univerzitet "Braa Kari", Beograd.
upi, M., (1987) Uvod u teoriju odluivanja, Nauna knjiga, Beograd.
10
upi, M., Suknovi, D., Viekriterijumsko odluivanje, metode i primeri, "UBK",

Beograd, 1994.
11
upi, M., T. Novakovi, M. Svilar, (1992) Generatori i aplikacije sistema za podrku

odluivanju I, Nauna knjiga, Beograd
12
upi, M., Uvod u teoriju odluivanja, Nauna knjiga, Beograd, 1987.
13
upi, M., V. M. Rao Tummala, (1991) Savremeno odluivanje - metode i primene,

Nauna knjiga, Beograd
14
upi, M.,Tummala, R., Savremeno odluivanje, metode i primena, ,,UBK'' Beograd,

1991.
15
Damljanovi, N., Ignjatovi, J., uki, M., iovi, M. (2011), Viekriterijumska

izbori za izborni predmet u osnovnoj koli, SIM-OP-IS 2011, Simpozijum o
operacionim
16
Dragan uriin, Stevo Janoevi, Menadment i strategija, Ekonomski fakultet,

Beograd, 2006.
17
Druker, P.,Harper and Row Publishers,Nem York, 1973,
18
Dubonji,R.,Milanovi,D., Inenjerska ekonomija, Mainski fakultet,Beograd,1997.
19
Dubonji, R., Ekonomija I menadment, Grifon, Beograd, 1995.
Literatura
20
Hvang C.L i Ioon, K. (1981), sa vie atributa Odluivanje metode i Applications,

Springer-Verlag.
21
Hwang, C. L. and K. Yoon, (1987) Group Decision Making under Multiple Criteria,
Springer-Verlag, Berilin
22
Ilija Nikoli, Sinia Borovi, Viekriterijumska optimizacija metode, primena u

logistici, softver, Beograd, 1996.
23
J. Barzilai, Avoiding MCDA Evaluation Pitfalls, in Real Time and Deliberative

Decision Making, Igor Linkov, Elizabeth Ferguson, Victor S. Magar (Eds.), NATO
Science for Peace and Security Series C - Environmental Security, Springer, pp. 349
353, 2008.
24
Jonathan Barzilai, Game Theory Foundational Errors Part III, Technical Report,
Dept. of Industrial Engineering, Dalhousie University, pp. 14, 2009.
25
Jonathan Barzilai, Value of a Game, Notices of the American Mathematical Society,

No.1- 4, p., 2006.
26
Jonathan Barzilai, On the mathematicai Modelling of Measurement, Notices of the

American Mathematical Society,Vol. 55 No. 4, p. 446, April 2008.
27
Jonathan Barzilai, Measurement and Preference Funstion ModellingInternational

Transactions jn Operational Research,Vol. 12, 2006..
28
Jonathan Barzilai, Pairwise Comparisons,in N.J. Salkiind (Ed), Encyclopedija of

Measurement and Statistics, Sage Publications, Vol.II 2007.
29
Jovanovi, P., (1994) Menadment - Teorija i praksa, Fakultet organizacionih nauka,

Beograd.
30
Jovanovi, T., Operaciono istraivanje, Mainski fakultet, Beograd, 1998.
31
Jovanovi, T., S. Borovi, B. uki-Uzelac, (1993) "Izbor najpovoljnije varijante za

opremanje slube razvoja preduzea informatikom opremom", Zbornik radova, SymOp-IS '93, Beograd, 5.-8. oktobar, str.: 373-377.
32
Jovievi M., Informacije i odluivanje, Ekonomski fakultet Podgorica, 2001
33
KSKSKSVIII istraivanjima, Zlatibor, Srbija (ISBN 978-86 -403-1168-7)
34
Lancaster G., Massingham L., Menadment u marketingu, Beograd, 1997.
35
Levi-Jaki M., Upravljanje tehnologijom u preduzeu, Savremena administracija,

Beograd, 1992.
36
Levi-Jaki, M., Komazec, G., Menadment operacije, Mega Trend, Beograd, 2003.
37
Lucas, H. C., Information System Concepts for Management, Mc Graw Hill, 1994.
38
M. iovi, M., Radojii, Jedan aprouch na primenu PROMETHEE metodom, SIMOP-Is'88, Brioni, 1988.
39
M., Radojii, M., feovid, Primena metoda analize u viekriterijumska poslovnom

odluivanju, Tehniki fakultet u aak, Srbija, 1998 (monografija na srpskom).
40
Malia iovi, Ruica Stankovi, Novi metod za odreivanje teinskih koeficijenata,

9. Simpozijum matematike u Temivaru
41
Milivoj Boin, Miroslav Radoji, Organizacija i upravljanje, Tehniki fakultet,
Literatura
aak, 1996.
42
Ministarstvo prosvete i Scense i http://vvv.mpn.gov.rs
43
N. Damljanovi J. Ignjatovi M. Duki M. iovi, Viekriterijumski izbori za izborni

predmet u osnovnoj koli, SIM-OP-IS, Zlatibor, Srbija 2011.
44
Nikoli, J. I., (1989b) "Viekriterijumska analiza integrisanosti lanica sloenog

preduzea", Zbornik radova, SYM-OP-IS '89, Kupari, oktobar 10-13, str.,
45
Nikoli, J. I., (1991b) "Primena viekriterijumske analize na izbor kadrova", Bilten 3-4,
Centar za istraivanje i razvoj kadrova Fakulteta organizaconih nauka, Beograd,
decembar 91, str 9-12.
46
Nikoli, J. I., (1993a) "Viekriterijumski aspekti procesa odluivanja", doktorska

disertacija, FON, Beograd
47
Nocedal, A. J., Wright, J., (1999) Numerical Optimization, Springer, New York.
48
Opricovi, S., Hajdukovi, D., (1993) "Primena faktorske analize u viekriterijumskoj

optimizaciji", Zbornik radova, Sym-Op-IS '93, 5-8. oktobar, Beograd, str.: 391-394.
49
Opricovi, S., (1986) Viekriterijumska optirnizacija, Nauna knjiga, Beograd
50
Opricovi, S., (1992) Optimizacija sistema, Nauka, Graevinski fakultet Univerziteta u

Beogradu,
51
Opricovi, S., (1995) "Analiza preferentne stabilnosti reenja kompromisnog

rangiranja", Zbornik radova, Sym-Op-ls '95, 03.-07.10.,Donji Milanovac, str.: 835-837.
52
Opricovi, S., (1995) Optimizacija sistema - zadaci iz vodoprivrede i hidrotehnike,

Graevinski fakultet Univerziteta u Beogradu
53
Opricovi, S., Viekriterijumska optimizacija sistema, Graevinski fakultet, Beograd,

1998.
54
Opricovi, S.,Viekriterijumska optimizacija, Nauna knjiga, Beograd, 1986.
55
Pap E., Fuzzy mere i njihova primena, Prirodno matematiki fakultet, Novi Sad, 1999.
56
Pareto, V. V., (1896) Cours d'Economie Politique, Rouge, Lausanne, S.
57
Petri, J. J. (1987) Operaciona istraivanja I i II, Nauna knjiga, Begrad
58
Petri, J. J., i drugi, (1985) Renik iz operacionih istraivanja, Nauna knjiga, Beograd.
59
Petrovi, M., Janiijevi, N., Bogievi, B., (2002) Organizacija, Ekonomski fakultet
Univerziteta u Beogradu
60
Radoji, M., Rani S.,Neki menaderski problemi pri odluivanju o investicijama,

zbornih radova, Beograd, 1995.
61
Radoji, M., iovi, M., Primena metoda viekriterijumske analize u poslovnom

odluivanju, Tehniki fakultet, aak, 1998.
62
Radojii M., iovi M. (1998) Primena metoda analize u viekriterijumska

poslovnom odluivanju, Tehniki fakultet u aku, Srbija (monografija na srpskom).
63
Radojii, M., Jeemenica, R., iovi, M., Rangiranje investicionih projekata

metodom viekriterijumske optimizacije, Nauna konferencija, Industrijski sistemiIS'90, Zbornik radova, Novi Sad, 1990.
Literatura
64
Radojii, M., Neki aspekti odluivanja o poslovnim strategijama podranog

modifikovanom PROMETHEE metodom, asopis Tehnika, Organizacija rada, br. 1112, Beograd, 1997.
65
Radojii, M., iovi, M., Rani, S., O nekim relacijama industrijskog menadera i
metoda optimizacije pri donoenju stratekih odluka, 22. jugoslovenski simpozijum Upravljanje proizvodnjom u industriji prerade metala, Zbornik radova, Beograd, 1994.
66
Raiffa, H., (1986) Decision Analysis, Addison-Wesley, Reading, Mass.
67
Ribeiro R.A. Fuzzy multiple attribute decision making: a review and new preference
elicitation techniques. - Fuzzy Sets and Systems, 78, 1996.
68
Roy, B., Vincke, PH., Multicriteriaanalysis: survey and new directions, European
Journal of Operation Research, 8, 1981.
69
Sazdanovi, S., Elementi operacionih istraivanja, Nauna knjiga, Beograd, 1980.
70
Todorovi, J., uriin, D., Janoevi, S., "Strategijski menadment", Institut za trina
istraivanja, Beograd, 2000., str. 183.
71
elija B., Prirodno-matematiki fakultet Novi Sad, Departman za matematiku i

informatiku,2006
72
Starr, M.K. and M. Zeleny (eds.), (1977) Multple Criteria Decision Macing, North
Holland, New York.
73
Stojmirovi, LJ., Menadment, Banja Luka, 2001.
74
Stankovi,R., Prilog razvoju matematikih metoda u poslovnom odluivanju,

doktorska disertacija, Univerzitet Privedna akademija, Novi Sad, 2001.
75
SVEDOK Goicoechea, D.R. Hansen, L. Ducktein, Multiobjective Odluka Analiza Sa

inenjerstvo i Business Applications, John Vilei & Sons, Nev Iork, 1982
76
Vlai Lj.,Viekriterijumski pristup projektovanju,SvjetlostZavod za udbenike i

nastavna sredstva, Sarajevo,1988
77
Wren D., Voich D., Menadment - proces, struktura, ponaanje, PS "Grme", Beograd,
1994.
78
iovi M., Damljanovi, N., Lazarevi, V., Dereti N. (2011), Novi metod za
viekriterijumska anaiisis, UPB Sci. Bull, Serija, vol.. 73, Iss. 2, ISSN 1223-7027, str
13-22.
79
iovi M., Damljanovi, N., Lazarevi, V., Dereti, N., Turanjanin, D. (2011) B, O
preporuka za izbor srednje kole, UNITECH'11, Gabrovo, Bugarska, III-155-158
(ISSN 1313-230Ks ).
80
iovi M., N. Damljanovi V. Lazarevi N. Dereti, Novi metod za viekriterijumsku

analizu, UPB Sci. Bull. Serija 73 (2) (2011) 13-22.
81
iovi, M. i M. Radoii, (1988) "Jedan pristup primeni metode PROMETHEE",

Zbornik radova, SYM-OP-IS '88, Brioni, str. 71 - 72.
82
iovi, M., i dr., Ocene okruenja organizacije i primene, SM-2003, Pali, 2003.
83
iovi, M., Radojii M., Jemenica R., Some possibilites of application of methods
compromises programming, 2 Balkan conference on operational research, Volume of
abstracts, Thessaloniki, 1993.
Literatura
84
iovi, M., Radojii M., Uporedna primena kompromisnog programirawa i metode,

PROMETHEE, SYM-OP-IS'89 Kupari, 1989
85
iovi, M., Stankovi, R., Jedan pristup odreivanju teina kriterijuma kod
viekriterijumske optimizacije, SYM-OP-IS 2001, Beograd - Banjica.
86
iovi, M., Stankovi, R., New method for defining the criteria weights in multiple
criteria decision making, Proceedings of the 9th symposium of mathematics and its
applications "Politehnica" University in Timisoara, 2001.
87
iovi, M., Stankovi, R., Petrovi, P., Application of MCDA methods to estimation
of quality systems, 6th Balcan conference on operational research, Thessaloniki Greece,
2001.
88
iovi, M., Stankovi, R., Petrovi, P., Odreivanje teina kriterijuma za

viekriterijumsku ocenu sistema kvaliteta, 28. Jupiter konferencija, Beograd, 2002.
89
iovi, M., Stankovi, R., Petrovi, P., On weight coefficients for criteria in MCDA, 6.
Balcan conference on operational research, Thessaloniki Greece, 2001.
Prilozi
Prilozi
Spisak tabela: ................................................................................................................ 158
Spisak slika: .................................................................................................................. 159
Prilog 1 ......................................................................................................................... 160
1.f Struktura studijskog programa ................................................................................ 160
2.f Svrha studijskog programa ...................................................................................... 161
3.f Ciljevi studijskog programa .................................................................................... 162
4.f Kompetencije diplomiranih studenata..................................................................... 163
5.f Kurikulum ............................................................................................................... 164
1.m Struktura studijskog programa .............................................................................. 165
2.m Svrha studijskog programa .................................................................................... 166
3.m Ciljevi studijskog programa .................................................................................. 167
4.m Kompetencije diplomiranih studenata ................................................................... 168
5.m Kurikulum ............................................................................................................. 169
1.p Struktura studijskog programa................................................................................ 170
2.p Svrha studijskog programa ..................................................................................... 171
3.p Ciljevi studijskog programa ................................................................................... 172
4.p Kompetencije diplomiranih studenata .................................................................... 173
5.p Kurikulum............................................................................................................... 174
1.r Struktura studijskog programa ................................................................................ 175
2.r Svrha studijskog programa ...................................................................................... 176
3.r Ciljevi studijskog programa .................................................................................... 176
4.r Kompetencije diplomiranih studenata..................................................................... 177
5.r Kurikulum ............................................................................................................... 178
1.t Struktura studijskog programa ................................................................................ 179
2.t Svrha studijskog programa ...................................................................................... 180
3.t Ciljevi studijskog programa .................................................................................... 181
4.t Kompetencije diplomiranih studenata ..................................................................... 182
5.t Kurikulum ............................................................................................................... 183
Prilog 2 ..........................................................................................................................184
Prilozi
Spisak tabela:
Tabela 6.1 Poetni podaci za primer 6.1.1..................................................................... 76
Tabela 6.2 Rezultati za primer 6.1.1. ............................................................................. 77
Tabela 7.2 Potpuni poredak za primer 7.3.1. ................................................................. 84
Tabela 7.4 Konani rezultati za primer 7.3.2. ................................................................ 85
Tabela 7.6 Konani rezultati za primer 7.4.1.a .............................................................. 90
Tabela 7.7 Konani rezultati za primer 7.4.1.b .............................................................. 93
Tabela 7.8 Konani rezultati za primer 7.4.1.c .............................................................. 96
Tabela 7.10 Konani rezultati za primer 7.4.2. .............................................................. 99
Tabela 7.11 Poetni podaci za primer 7.4.3................................................................. 100
Tabela 7.12 Vrednosti indeksa preferencije ................................................................. 104
Tabela 7.13 Izlazne i ulazne vrednosti toka ................................................................. 106
Tabela 7.14 Vrednosti istog toka ................................................................................ 106
Tabela 7.15 Polazni podaci za primer 7.4.4................................................................. 108
Tabela 7.16 Konani rezultati za primer 7.7.4. ............................................................ 112
Tabela 7. 18 Konani rezultati za primer 7.4.5. ........................................................... 117
Tabela 7.19 Redosled alternativa za primer 7.5.1. ...................................................... 119
Tabela 7.20 Skup kriterijuma za primer 7.5.1. ............................................................. 119
Tabela 7.21 Stepeni zadovoljstva za primer 7.5.1. ....................................................... 119
Tabela 7.22 Udaljenosti i razlike za primer 7.5.1. ....................................................... 121
Tabela 7.24 Konani rezultati za primer 7.5.2. ............................................................ 122
Tabela 7.26 Sreeni podaci za mreu za primer broj 7.6.1. ........................................ 124
Tabela 7.27 Konani reultati uz pimer 7.6.1. ............................................................... 127
Tabela 7.29 Podaci za mreu za primer 7.6.2. ............................................................. 128
Tabela 7.30 Konani rezultati za primer 7.6.2.a .......................................................... 130
Tabela 7.31 Konani rezultati za primer 6.7.2.b .......................................................... 132
Tabela 7.33 Vrednosti indeksa preferencije za primer 7.6.3. ...................................... 136
Tabela 7.34 Izlazne i ulazne vrednosti toka za primer 7.6.3. ....................................... 137
Tabela 7.35 Konane vrednosti za zadatak 7.6.3. ........................................................ 138
Tabela 7.36 Polazni podaci za primer broj 7.7.1. ........................................................ 139
Tabela 7.37 Max- polazni podaci za primer broj 7.7.1................................................. 140
Tabela 7.38 Konani rezultati za primer broj 7.7.1.a .................................................. 142
Tabela 7.39 Konani rezultati za primer broj 7.7.1.b .................................................. 144
Tabela 7.40 Konani rezultati za primer broj 7.7.1.c .................................................. 146
Tabela 7.41 Polazni podaci za primer broj 7.7.2. ........................................................ 147
Tabela 7.42 Konani rezultat za primer 7.7.2. ............................................................. 148
Prilozi
Spisak slika:
Slika 1.1 Vrste odluivanja ............................................................................................. 17

Slika 1.2 Nauni pristup procesa donoenja odluka ...................................................... 19
Slika 1.3 Faza procesa donoenja odluka ...................................................................... 20
Slika 1.4 ematski prikaz procesa optimizacije .............................................................. 23
Slika 2.1 Pregled metoda VAO ....................................................................................... 36
Slika 3.1 Grafiki pregled Topsis metode....................................................................... 45
Slika 4.1 Struktura centralizovano organizovane situacije odluivanja ........................ 54
Slika 4.2 Struktura organizovane situacije odluivanja antagonistiki ......................... 55
Slika 4.3 Hijerarhijski organizovana situacija odluivanja sa potpunom koordinacijom
interesa i ciljeva ............................................................................................................. 55
Slika 4.4 Hijerarhijski organizovana situacija odluivanja sa deliminom................... 56
Slika 6.1 Delimino je prikazan skup "nove alternative" ............................................... 76
Slika 6.2 Konaan redosled alternativa ......................................................................... 77
Slika 7.1 Delimino ureenu mreu za primer broj 7.3.1. ............................................. 83
Slika 7.2 Prva od delimino ureena mrea za primer 7.4.1.a ...................................... 88
Slika 7.3 Druga od delimino ureena mrea za primer 7.4.1.b .................................... 91
Slika 7.4 Trea od delimino ureena mrea za primer 7.4.1.c ..................................... 94
Slika 7.5 Tipovi generalizovanih kriterijuma broj 1 .................................................... 101
Slika 7.6 Prva od delimino ureenih mrea za primer 7.4.4. ..................................... 109
Slika 7.7 Druga delimino ureena mrea za primer 7.4.4. ......................................... 110
Slika 7.8 Delimino ureena mrea za primer 7.4.5. ................................................... 115
Slika 7.9 Mrea za primer 7.5.1. .................................................................................. 120
Slika 7.10 Prva delimino ureena mrea za primer 7.6.1. ......................................... 125
Slika 7. 11 Druga delimina mrea za primer 7.6.1. .................................................... 125
Slika 7.12 Prva od deliminih mrea za primer 7.6.2.a ............................................... 129
Slika 7. 13 Druga delimina mrea za primer 7.6.2.b .................................................. 131
Slika 7.14 Tipovi generalizovanih kriterijuma broj 2 .................................................. 134
Slika 7.15 Prva delimino ureena mrea za primer 7.7.1.a ....................................... 141
Slika 7.16 Druga delimino ureena mrea za primer 7.7.1.b ..................................... 143
Slika 7.17 Trea delimino ureena mrea za primer 7.7.1.c ...................................... 145
Prilozi
Prilog 1
1.f Struktura studijskog programa
Studijski program sadri elemente utvrene zakonom.

Studijski program nosi naziv Finansije i raunovodstvo. Ovaj program osnovnih
strukovnih studija usaglaen je sa potrebama trita rada, iji osnovni cilj podrazumeva
sticanje primenljivih znanja iz oblasti finansija i raunovodstva.
Studijski program Finansije i raunovodstvo obrazuje struni kadar koji e biti
osposobljen za razliite poslove iz domena finansija i raunovodstva. Kao svoj krajnji
ishod podrazumeva sticanje adekvatnih primenljivih znanja, vetina i sposobnosti koje e
studentima omoguiti samostalan rad u struci, kao i za dalje individualno struno
usavravanje.
Zavretkom studijskog programa Finansije i raunovodstvo, stie se struno zvanje
Strukovni ekonomista iz oblasti finansija i raunovodstva u skladu sa Zakonom o
visokom obrazovanju i Pravilnikom o Listi strunih, akademskih i naunih naziva.
obrazovanjem i poloenim prijemnim ispitom kako je to regulisano Statutom kole i
Pravilnikom o proceduri prijema studenata. Rangiranje kandidata po konkursu utvruje
se na osnovu uspeha iz srednje kole i rezultata prijemnog ispita, a u okviru broja
prijavljenih kandidata za studijski program u skladu sa akreditovanom upisnom kvotom.
Studijski program Finansije i raunovodstvo sadri sve elemente utvrene Zakonom i
Standardima za akreditaciju studijskih programa prvog i drugog nivoa visokog
obrazovanja.
Zavretkom ovih studija ostvaruje se ukupno 180 ESPB bodova. Studijski program se
sastoji od obaveznih i izbornih predmeta, strune prakse i zavrnog rada. Svaki predmet
iz studijskog programa iskazuje se brojem ESPB bodova, a obim studija izraava se
zbirom ESPB bodova. Zbir od 60 ESPB bodova odgovara prosenom ukupnom
angaovanju studenta u toku jedne kolske godine.
Studijski program Finansije i raunovodstvo struktuiran je tako da se na prvoj godini
studentima pruaju fundamentalna znanja iz oblasti opte ekonomije, menadmenta i
osnova prava, dok se na drugoj i treoj godini studija pristupa izuavanju predmeta koji
omoguuju sticanje strunih i struno aplikativnih znanja i vetina iz oblasti finansija i
finansijskih institucija, bankarstva, osiguranja, upravljakog raunovodstva, kontrole i
revizije, informacionih sistema ...
Studije se sprovode kroz formu teoretske nastave, praktinih vebi i strune prakse.
Nastava se izvodi kroz predavanja i diskusiju, uz primenu savremenih metoda kao to su:
interaktivni oblici nastave, studija sluajeva, individualni i grupni radovi i projekti,
prezentacije, eseji, seminarski radovi i sl.
Prilozi
2.f Svrha studijskog programa
U savremenim tokovima razvoja drutva kao neophodnost se javlja potreba za mladim i
kompetentnim strukovnim ekonomistima. U skladu sa pomenutim, namera je da se uz
savremen i moderan program studentima prue aktuelna i paljivo odabrana znanja iz
oblasti finansija i raunovodstva.
Studijski program Finansije i raunovodstvo baziran je na spoju savremenih teorijskih i
struno-aplikativnih znanja i usklaen je sa potrebama trita rada. Relizacija studijskog
programa obezbeuje sticanje kompetentnog znanja neophodnog za samostalno
obavljanje specifinih poslova u finansijsko - raunovodstvenim sektorima malih i
srednjih preduzea, bankama, osiguravajuim drutvima i drugim finansijskim
organizacijama.
Svrha studijskog programa Finansije i raunovodstvo usklaena je sa osnovnim
zadacima i ciljevima Visoke poslovne kole strukovnih studija Blace koji se odnose na:
obrazovanje profesionalnog kadra koje obuhvata sticanje znanja i vetina koje su vezane
za poziv, formulisanje i izgraivanje kompetencija studenata, pre svega kvalitetom i
obimom dovoljnih za visokokvalitetno bavljenje neposrednim poslom, kao i
neprekidnim poboljanjem kvaliteta i efikasnosti studiranja.
Prilozi
3.f Ciljevi studijskog programa
Studijski program Finansije i raunovodstvo baziran na spoju teorijskih i strunoaplikativnih znanja ima za cilj da studente pripremi i osposobi za samostalno obavljanje
poslova iz domena finansija i raunovodstva to e im omoguiti lake, bre i uspenije
ukljuivanje u realno poslovno okruenje.
Osnovni ciljevi studijskog programa Finansije i raunovodstvo odnose se na:
Obezbeivanje studentima savremeni studijski program koji akcenat stavlja na
sposobnost analiziranja, sintetizovanja i procenjivanja kljunih teorijskih
koncepata i njihove praktine primene;
Mogunost studenata da svoja interesovanja usmere kroz vei broj izbornih
predmeta.
Specifini ciljevi studijskog programa Finansije i raunovodstvo:
Osposobljavanje studenata za samostalan rad na poslovima raunovodstva;
Osposobljavanje studenata za profesionalno bavljenje poslovima vezanim za
finansijsku analizu, finansijsko upravljanje i bavljenje korporativnim
finansijama;
Osposobljavanje studenata za upravljanje hartijama od vrednosti i razumevanje
vrednovanja finansijskih instrumenata;
Osposobljavanje studenata za obavljanje bankarskih poslova, poslova u
osiguravajuim drutvima i drugim finansijskim institucijama;
Osposobljavanje studenata za donoenje odluka na nivou finansijskog
poslovanja.
Ciljevi studijskog programa Finansije i raunovodstvo usklaeni su sa osnovnim
zadacima i ciljevima Visoke poslovne kole strukovnih studija Blace koja svoju
delatnost zasniva na teorijskom i praktinom usavravanju studenata, pri emu se
posebna panja poklanja praktinim aspektima i osposobljavanju studenata da se odmah
po zavretku studija ukljue u reavanje praktinih problema.
Prilozi
4.f Kompetencije diplomiranih studenata
Uspenom realizacijom ciljeva studijskog programa Finansije i raunovodstvo, a na

osnovu usvojenih teorijskih i struno aplikativnih znanja, kod studenata se formiraju
opte i predmetno specifine kompetencije koje e im omoguiti da adekvatno
odgovore izazovima i zadacima turbulentnog poslovnog okruenja.
Opte kompetencije koje studenti stiu savladavanjem ovog studijskog programa su:
Sposobnost analize i sinteze;

Sposobnost kritike i samokritike;
Sposobnost primene znanja u praksi;
Sposobnost aurnosti;
Sposobnost za profesionalnu etiku.
Sticanje predmetno-specifinih kompetencija e omoguiti strukovnom kadru da:
ita finansijske izvetaje banaka i drugih institucija;

Reava zadatke u vezi sa osiguranjem u praksi;
Vri procenu i odobrava kredite;
Obraunava trokove s kalkulacijom cene kotanja uinaka;
Povezuje trokove i prihode po nosiocima;
Obraunava i vri raspodelu rezultata poslovanja i pokrie gubitka;
Poznaje i razume funkcionisanje finansijskog sektora;
Upotrebljava informaciono-komunikacione tehnologije u svom radu.
Po zavretku studijskog programa Finansije i raunovodstvo oekuje se da e studenti

biti sposobni da:
Prepoznaju mogunosti finansijskog upravljanja;
Prepoznaju funkcionisanje bankarskog sistema u monetranoj politici zemlje;
Definiu znaaj, organizaciju i ulogu raunovodstvenog informacionog sistema u
domenu donoenja upravljakih odluka;
Izvre pravnu kvalifikaciju, analiziraju i evaluiraju nova zakonska reenja,
prihvataju standrade profesionalne etike u cilju premanentnog profesionalnog
usavravanja;
Sastave finansijske izvetaje;
Upravljaju finansijskim instrumentima na finansijskom tritu;
Primene regulative, procedure i tehnike bankarskog i osiguravajueg poslovanja;
Primene Meunarodne raunovodstvene standarde prilikom sastavljanja
finansijskih izvetaja.
Prilozi
5.f Kurikulum
(Kurikulum studijskog programa sadri listu i strukturu obaveznih i izbornih predmeta i
modula i njihov opis.)
Izbor nastavnih predmeta prema sopstvenim afinitetima omoguuje studentima
formiranje strunog profila. Na prvoj godini studenti biraju jedan (4 ESPB) od ponuena
dva izborna predmeta. Na drugoj godini studenti biraju tri (18 ESPB) od ponuenih est
izbornih predmeta. Na treoj godini studenti biraju dva (8 ESPB) od ponuena etiri
izborna predmeta. Zavrni rad vrednuje se sa 12 ESPB bodova.
U strukturi studijskog programa izborni predmeti sa zavrnim radom zastupljeni su sa 46
ESPB bodova, to je 23.33% u odnosu na ukupan broj ESPB bodova.
U strukturi studijskog programa Finansije i raunovodstvo zastupljene su sledee grupe
predmeta u odnosu na ukupan broj ESPB bodova, i to:
akademsko-opteobrazovni 35 ESPB to je 18,57 %,
struni 66 ESPB to je 40,00 % i
struno-aplikativni 79 ESPB to je 41,43 %.
Struna praksa predstavlja obavezan deo kurikuluma studijskog programa Finansije i
raunovodstvo.
Prilozi
1.m Struktura studijskog programa
Studijski program osnovnih strukovnih studija Menadment i internacionalna biznis
administracija je koncipiran u skladu sa Zakonom o visokom obrazovanju i Bolonjskom
deklaracijom uz primenu evropskog sistema prenosa ESPB bodova.
Studijski program traje tri godine (est semestara), ima ukupno 180 ESPB, pripada polju
drutveno-humanistikih nauka i daje struni naziv strukovni menader u skladu sa
Zakonom o visokom obrazovanju i listom strunih, akademskih i naunih naziva.
Cilj studijskog programa Menadment i internacionalna biznis administracija jeste
obrazovanje i osposobljavanje strunjaka za poslove iz domena domaeg i
meunarodnog poslovanja preduzea.
Sadraj studijskog programa, pravila studiranja, prava i obaveze studenata i druga pitanja
od znaaja za izvoenje studijskog programa, tampaju se svake godine kao posebna
publikacija koja je dostupna javnosti i u elektronskom obliku.
Upis kandidata na studijski program se obavlja na osnovu konkursa koji raspisuje Visoka
poslovna kola strukovnih studija Blace na osnovu odluke Nastavnog vea. Uslovi upisa
na studijski program propisani su Statutom i Pravilnikom o proceduri prijema studenata.
Studijski program Menadment i internacionalna biznis administracija sadri sve
elemente utvrene Zakonom o visokom obrazovanju:
Listu obaveznih i izbornih predmeta grupisanih u opte-obrazovne, strune i
struno-aplikativne;
Nain izvoenja studija i potrebno vreme za izvoenje pojedinih vrsta studija;
Vrednost svakog predmeta iskazanu u skladu sa Evorpskim sistemom prenosa
bodova;
Bodovnu vrednost strune prakse i zavrnog rada iskazanu u ESPB bodovima;
Druga pitanja od znaaja za izvoenje studijskog programa.
Studije se sprovode kroz formu aktivne nastave, samostalnog rada studenata, praktinih
vebi, strune prakse, izrade zavrnog rada. Aktivna nastava se ostvaruje kroz
predavanja, vebe, konsultacije, mentorski rad. Predavanja, vebe i konsultacije se
odravaju svake nedelje u semestru prema rasporedu.
Prilozi
2.m Svrha studijskog programa
Svrha studijskog programa Menadment i internacionalna biznis administracija je

obrazovanje studenata u oblasti menadmenta i meunarodne poslovne administracije na
nivou strukovnih studija koje obezbeuje sticanje znanja i vetina potrebnih za
obavljanje profesionalnih menaderskih zadataka u nacionalnim i meunarodnim
preduzeima.
Svrha studijskog programa je usklaena sa osnovnim zadacima i ciljevima Visoke
poslovne kole strukovnih studija Blace.
Osnovne strukovne studije Menadment i internacionalna biznis administracija
obezbeuju kompetencije koje studentima omoguavaju ukljuivanje u praksu
privrednih subjekata i nastavak obrazovanja na sledeem nivou studija (specijalistike
strukovne studije).
Tokom studija studenti treba da steknu i unaprede sposobnosti za odgovarajue
specifine oblasti menadmenta i meunarodne poslovne administracije upotrebom
poslovnih sluajeva, timskog rada i konsultacija koje se koriste u obrazovnom procesu
studijskog programa.
Prilozi
3.m Ciljevi studijskog programa
Ciljevi studijskog programa Menadment i internacionalna biznis administracija su

usmereni na sticanje osnovnih, teorijskih i praktinih znanja i vetina iz oblasti
menadmenta i meunarodne poslovne administracije.
Ciljevi studijskog programa Menadment i internacionalna biznis administracija
omoguuju:
Obrazovanje studenata kojim se obezbeuje sticanje kompetencija za obavljanje
menaderskih aktivnosti u domaim i meunarodnim privrednim subjektima.
Primenu razliitih tehnika i alata u planiranju, organizovanju, voenju i kontroli
domaih i meunarodnih poslovnih procesa.
Razumevanje uticaja globalnih, pravnih, sociokulturnih, ekonomskih i etikih
uticaja domaeg i meunarodnog okruenja na poslovanje preduzea.
Razvoj kognitivnih, komunikacionih i kreativnih vetina za obavljanje poslovnih
aktivnosti.
Pohaanjem studijskog programa student stie iroku osnovu znanja i vetina iz oblasti
menadmenta i meunarodne poslovne administracije koje treba da ga uine sposobnim
za rukovoenje i koordiniranje poslovnim aktivnostima, kreativno reavanje problema
menadmenta i organizacije, kao i strategijsko usmeravanje potencijala preduzea.
Ciljevi studijskog programa Menadment i internacionalna biznis administracija su
usklaeni sa osnovnim zadacima i ciljevima Visoke poslovne kole strukovnih studija
Blace za reavanje aktuelnih problema u menaderskoj praksi.
Prilozi
4.m Kompetencije diplomiranih studenata
Studijski program Menadment i internacionalna biznis administracija omoguuje
studentima sticanje specifinih kompetencija za reavanje problema menadmenta i
meunarodne poslovne administracije.
Opte kompetencije koje studenti stiu zavretkom studijskog programa odnose se na:
Sposobnost, analize, sinteze i predvianja reenja iz oblasti ekonomije,
informatike, marketinga i menadmenta;
Primene steenih znanja u praksi;
Razvoj komunikacionih sposobnosti i spretnosti u oblasti verbalnog, neverbalnog
i pismenog komuniciranja;
Potovanje etikog kodeksa menadera;
Kreativno korienje savremene informacione tehnologije.
Sticanje predmetno-specifinih kompetencija studenata se odnosi na:
Analizu ekonomskih pokazatelja poslovnih aktivnosti;

Organizaciju poslova u sektoru ljudskih resursa;
Primenu odreenih tehnika u upravljanju kvalitetom;
Primenu odgovarajuih modela nabavke, transporta i skladitenja proizvoda;
Analizu internog i eksternog okruenja preduzea;
Razumevanje meunarodnih poslovnih aktivnosti.
Zahvaljujui steenim kompetencijama studenti se osposobljavaju za obavljanje

razliitih poslova na domaem i meunarodnom tritu: istraivanje trita, upravljanje
proizvodnjom i uslugama, kanala distribucije, upravljanje prodajom, strategije nastupa
na domaem i meunarodnom tritu, itd. Ovi poslovi su najee zastupljeni u
preduzeima, institucijama i organizacijama, dravnoj upravi, specijalizovanim
agencijama.
Prilozi
5.m Kurikulum

Na prvoj godini studija izuava se deset nastavnih predmeta, od kojih je devet
obaveznih, dok se bira jedan od ponuena dva predmeta (4ESPB).
Na drugoj godini studija se izuava devet nastavnih predmeta, od kojih je sedam
obaveznih, a tri se biraju od ponuenih est predmeta (18ESPB).
Na treoj godini studija se izuava osam nastavnih predmeta, od kojih je est obaveznih,
a biraju se dva od ponuena etri predmeta (8ESPB).
U strukturi studijskog programa izborni predmeti su zastupljeni sa 42 ESPB boda, to
iznosi 23.33% u odnosu na ukupan broj ESPB bodova na studijskom programu.
U strukturi studijskog programa Menadment i internacionalna biznis administracija
zastupljene su sledee grupe predmeta u odnosu na ukupan broj ESPB bodova:
akademsko-opteobrazovne 18,57%,
strune 37,14% i
struno-aplikativne 44,29%.
Prilozi
1.p Struktura studijskog programa

Studijski program nosi naziv Porezi i carina. Ovaj program osnovnih strukovnih studija
usaglaen je sa potrebama trita rada, iji osnovni cilj podrazumeva sticanje
primenljivih znanja iz oblasti poreza i carina.
Studijski program Porezi i carina obrazuje struni kadar koji e biti osposobljen za
razliite poslove iz domena poreza i carina. Kao svoj krajnji ishod podrazumeva sticanje
adekvatnih primenljivih znanja, vetina i sposobnosti koje e studentima omoguiti
samostalan rad u struci, kao i za dalje individualno struno usavravanje.
Nakon zavretka studijskog programa Porezi i carina, stie se struno zvanje Strukovni
ekonomista iz oblasti poreza i carina u skladu sa Zakonom o visokom obrazovanju i
listom strunih, akademskih i naunih naziva.
obrazovanjem i poloenim prijemnim ispitom kako je to regulisano Statutom kole i
Pravilnikom o proceduri prijema studenata. Rangiranje kandidata po konkursu utvruje
se na osnovu uspeha iz srednje kole i rezultata prijemnog ispita, a u okviru broja
prijavljenih kandidata za studijski program u skladu sa akreditovanom upisnom kvotom.
Studijski program Porezi i carina sadri sve elemente utvrene Zakonom i Standardima
za akreditaciju studijskih programa prvog i drugog nivoa visokog obrazovanja.
Zavretkom ovih studija ostvaruje se ukupno 180 ESPB bodova rasporeenih u est
semestra. Studijski program se sastoji od obaveznih i izbornih predmeta, strune prakse i
zavrnog rada. Svaki predmet iz studijskog programa iskazuje se brojem ESPB bodova, a
obim studija izraava se zbirom ESPB bodova. Zbir od 60 ESPB bodova odgovara
prosenom ukupnom angaovanju studenta u toku jedne kolske godine.
Studijski program Porezi i carina struktuiran je tako da se na prvoj godini studentima
prua fundamentalna znanja iz oblasti opte ekonomije, menadmenta i osnova prava,
dok se na drugoj i treoj godini studija pristupa izuavanju predmeta koji omoguuju
sticanje strunih i struno aplikativnih znanja i vetina iz oblasti carinskog sistema i
politike, spoljnotrgovinskog i deviznog poslovanja, carinskog upravnog postupka,
utvrivanja i naplate javnih prihoda, poreskog sistema i politike itd. Studenti imaju
priliku da se opredele za izborne predmete koji najvie odgovaraju njihovim afinitetima i
sposobnostima, kao i potrebama budueg posla. Izborom poreskih uprava ili carinskih
ispostava u kojima e obavljati strunu praksu, studenti su u mogunosti da i sami utiu
na deo svog obrazovnog programa. Studije se sprovode kroz formu teoretske nastave,
praktinih vebi i strune prakse. Nastava se izvodi kroz predavanja i diskusiju, uz
primenu savremenih metoda kao to su: interaktivni oblici nastave, studija sluajeva,
individualni i grupni radovi i projekti, prezentacije, eseji, seminarski radovi i sl. Posebna
panja se posveuje obradi i reavanju praktinih problema. Praktine vebe treba da kod
studenata podstiu inicijativu za kreativan rad u reavanju konkretnih problema sa
kojima se susreu u svakodnevnom radu. Rad se odvija u grupama sa optimalnim brojem
studenata u skladu sa Bolonjskom deklaracijom i uz primenu Evropskog sistema prenosa
bodova ESPB
Prilozi
2.p Svrha studijskog programa
U savremenim tokovima razvoja drutva kao neophodnost se javlja potreba za mladim i
kompetentnim strukovnim ekonomistima. U skladu sa pomenutim, namera je da se uz
savremen i moderan program studentima prue aktuelna i paljivo odabrana znanja iz
oblasti poreza i carine.
Studijski program Porezi i carina baziran je na spoju savremenih teorijskih i strunoaplikativnih znanja i u potpunosti je usklaen sa potrebama trita rada. Nakon zavrenih
osnovnih strukovnih studija na studijskom programu Porezi i carina studenti su
osposobljeni za samostalno obavljanje poslova u:
Lokalnim upravama za obraunavanje i kontrolu i naplatu poreza;
Carinskim upravama, direkcijama, carinarnicama, carinskim ispostavama,
referatima i odsecima za kontrolu nad carinskom robom;
Sprovoenju carinskog postupka, obraunu, naplati uvoznih i drugih dabina,
praenju i zatiti autorskih i intelektualnih prava svojine;
Otkrivanju carinskih delikata, voenju evidencije, voenju statistikih podataka o
prometu, uvozu, izvozu itd.
Otvaranju i radu u pedicijama,
gde se na zadovoljavajui nain obezbeuje fiskalna i zatitna politika drave u skladu sa
preporukama Svetske trgovinske organizacije i preporukama Evropske unije. Studijski
program
Porezi i carina pomae formiranju strunog kadra na nain pruanja znanja i sticanja
vetina, kao i razvoju sposobnosti i potpunu osposobljenost za samostalan rad u struci
neposredno po diplomiranju.
Svrha studijskog programa Porezi i carina usklaena je sa osnovnim zadacima i
ciljevima Visoke poslovne kole strukovnih studija Blace koji se odnose na: obrazovanje
profesionalnog kadra koje obuhvata sticanje znanja i vetina koje su vezane za poziv,
formulisanje i izgraivanje kompetencija studenata, pre svega kvalitetom i obimom
dovoljnih za visokokvalitetno bavljenje neposrednim poslom, kao i neprekidnim
poboljanjem kvaliteta i efikasnosti studiranja.
Prilozi
3.p Ciljevi studijskog programa
Studijski program Porezi i carina na osnovnim strukovnim studijama ima za cilj da

formira kompetentne visokokvalifikovane strukovne ekonomiste, koji e moi
samostalno da rade u specifinim trinim okolnostima na upravljako - organizacionim
poslovima, koji zahtevaju strukovno obrazovanje, u javnom sektoru i ostalim
privrednim, finansijskim i carinskim organizacijama.
Studenti su osposobljeni da uz upotrebu naunih metoda i postupaka, aktivnim
praktinim radom i istraivanjima reavaju konkretne probleme iz prakse, povezuju
specifina i produbljena znanja iz razliitih oblasti i primenjuju ih u svom radu.
Obrazovanje strunjaka koji e biti osposobljeni za obavljanje poslova iz carinskog
sistema, carinskog upravnog postupka, spoljno-trgovinskog i deviznog poslovanja kao i
obavljanje poslova utvrivanja i naplate javnih prihoda, poreskog knjigovodstva i
evidencije i poreskog sistema i politike. Program se bazira na savremenim dostignuima
izuavanja materije iz oblasti javnih finansija
Osnovni ciljevi studijskog programa Porezi i carina su:
Pruanje sadrajnog i kvalitetnog obrazovanja, kao i osposobljavanje mladih
strunjaka za uspeno delovanje i reavanje problema na polju javnih finansija,
fiskalne ekonomije i carinskog poslovanja,
Mogunost studenata da svoja interesovanja usmere kroz vei broj izbornih
predmeta.
Specifini ciljevi studijskog programa Porezi i carina:
Osposobljavanje studenata za samostalan rad na poslovima poreskog i carinskog
poslovanja;
Osposobljavanje kadrova za reavanje problema i donoenje odluka u oblasti
vezanoj za javne prihode i javne rashode,
Osposobljavanje studenata za poznavanje organizacione strukture poreske i
Uprave carina,
Osposobljavanje studenata za rad u upravama prihoda i njihovim filijalama na
poslovima kontrole obrauna i naplate poreza,
Osposobljavanje studenata za rad u carinskim upravama, za vrenje kontrole nad
carinskom robom, sprovoenje carinskog postupka, obraun i kontrolu uvoznih
dabina, i
Osposobljavanje studenata za donoenje odluka na nivou poreskog i carinskog
poslovanja koji zahtevaju strukovno obrazovanje.
Ciljevi studijskog programa Porezi i carina usklaeni su sa osnovnim zadacima i
ciljevima
Visoke poslovne kole strukovnih studija Blace koja svoju delatnost zasniva na
teorijskom i praktinom usavravanju studenata, pri emu se posebna panja poklanja
praktinim aspektima i osposobljavanju studenata da se odmah po zavretku studija
ukljue u reavanje praktinih problema.
Prilozi
4.p Kompetencije diplomiranih studenata
Uspenom realizacijom ciljeva studijskog programa Porezi i carina kod studenata se

formiraju opte i predmetno specifine kompetencije koji e im omoguiti da
adekvatno odgovore izazovima i zadacima turbulentnog poslovnog okruenja.
Opte kompetencije koje studenti stiu savladavanjem ovog studijskog programa su:
Sposobnost analize, sinteze i predvianja reenja i posledica,

Sposobnost ovladavanja metodama, postupcima i procesima istraivanja,
Sposobnost primene znanja u praksi,
Sposobnost aurnosti i
Sposobnost za profesionalnu etiku.
Sticanje predmetno-specifinih kompetencija e im omoguiti da ovladaju i obavljaju

sledee poslovne zadatke:
Sprovoenje zakonske regulative iz oblasti poreza i carina,
Upravljanje prateom dokumentacijom i izvrenje kompletnih zadataka u oblasti
carinskog i deviznog poslovanja,
Samostalno popunjavanje transportnih, komercijalnih i carinskih isprava, i
Obraunavanje poreza na dodatu vrednost i ostalih javnih prihoda.
Po zavretku studijskog programa studenti e biti sposobni da:
Razumeju funkcionisanje javnih finansija koje su neophodne za finansiranje
javnih potreba,
Samostalno rade na poslovima utvrivanja i naplate javnih prihoda,
Profesionalno se bave poslovima sprovoenja budetske politike,
Obavljaju poslove redovne i prinudne naplate poreza, uvoznih i drugih dabina,
Samostalno rade u carinarnicama, carinskim ispostavama, pedicijama, na
graninim prelazima, i
Samostalno vode statistike podatke o prometu, uvozu, izvozu...
Prilozi
5.p Kurikulum

Studijski program Porezi i carina sadri listu obaveznih i izbornih predmeta.
formiranje strunog profila. Na prvoj godini studenti biraju jedan (4 ESPB) od ponuena
dva izborna predmeta. Na drugoj godini studenti biraju tri (18 ESPB) od ponuenih est
izbornih predmeta. Na treoj godini studenti biraju dva (8 ESPB) od ponuena etiri
izborna predmeta. Zavrni rad se vrednuje sa 12 ESPB bodova.
U strukturi studijskog programa Porezi i carina zastupljene su sledee grupe predmeta u
odnosu na ukupan broj ESPB bodova, i to:
akademsko-opteobrazovni 35 ESPB to je 18,57 %,
struni 67 ESPB to je 35,71 % i
struno-aplikativni 78 ESPB to je 45,71 %.
Struna praksa predstavlja obavezan deo kurikuluma studijskog programa Porezi i
carina.
Nedeljni fond asova je: u prvom semestru 22, u drugom 22, u treem 22, u etvrtom 20,
u petom 22 i u estom 20 asa.
Prilozi
1.r Struktura studijskog programa
Studijski program sadri elemente utvrene zakonom. Naziv studijskog programa je

Raunarstvo i informatika. Cilj studijskog programa je sticanje najnovijih znanja i
vetina iz oblasti informacionih tehnologija i raunarstva, upoznavanje i ovladavanje
savremenim metodama i tehnikama i osposobljavanje studenata za uspenu primenu
znanja i vetina u svojoj profesiji.
Studijski program je usaglaen sa preporukama koje su date u dokumentu Computing
Curricula 2005, Graduate Software Engineering 2009 (GSwE2009) i Information
Technology 2008 izdatog od strane tri kompetentne organizacije: The Association for
Computing Machinery (ACM), The Association for Information Systems (AIS), The
Computer Society (IEEE-CS).
Struni naziv zvanja koje student stie zavretkom ovog studijskog programa je
strukovni inenjer elektrotehnike i raunarstva u skladu sa Zakonom o visokom
obrazovanju i Listom strunih, akademskih i naunih naziva.
Uslovi za upis na studijski program su zavreno srednje obrazovanje i poloen prijemni
ispit kako je to regulisano Statutom kole i Pravilnikom o proceduri prijema studenata.
Pravilnikom o proceduri prijema studenata utvruje se nain i postupak prijema
studenata u prvu godinu studijskog programa na osnovnim i specijalistikim studijama.
Rangiranje kandidata po konkursu utvruje se na osnovu uspeha iz srednje kole i
rezultata prijemnog ispita, a u okviru broja prijavljenih kandidata za studijski program u
skladu sa akreditovanom upisnom kvotom.
Osnovne strukovne studije traju tri godine ili est semestra. Svaka godina ima isti broj
ESPB bodova 60, to je ukupno 180. Ukupan broj predmeta na studijskom programu je
35 (ukljuujui strunu praksu i zavrni rad). Svi predmeti su jednosemestralni. Lista
obaveznih i izbornih predmeta i njihova bodovna vrednost izraena u ESPB.
Studentima se nudi iroka mogunost za izbor nastavnih predmeta koji su usklaeni sa
njihovim sklonostima. U strukturi studijskog programa izborni predmeti zastupljeni su sa
36 ESPB to iznosi 20% u odnosu na ukupan broj ESPB bodova. Zavrni rad osnovnih
strukovnih studija je obaveza svih studenata i njegova bodovna vrednost je 12 ESPB.
Obrazovanje se izvodi u formi teorijske nastave, praktinih vebi i strune prakse, gde se
insistira na aktivnoj ulozi studenata. Nastava se izvodi kroz predavanja i diskusiju, uz
primenu savremenih metoda kao to su: Internet podrka obrazovnom procesu, studije
sluajeva, simulacioni modeli itd. Posebna panja se posveuje obradi i reavanju
praktinih problema. Praktine vebe treba da kod studenata podstiu inicijativu za
kreativan rad u reavanju konkretnih problema sa kojima se susreu u svakodnevnom
radu. Rad se odvija u grupama sa optimalnim brojem studenata.
u petom 25 i u estom 15 asova.
Osnovne oblasti koje se izuavaju u okviru studijskog programa su: teorija raunarskih
sistema, softver, arhitektura raunara i raunarske komunikacije.
Prilozi
2.r Svrha studijskog programa
Studijski program Raunarstvo i informatika
pomae u formiranju strunog kadra, koji moe biti potpuno osposobljen za praktian i
samostalan rad u struci, neposredno po diplomiranju, kao i za dalje struno usavravanje.
Potreba za kadrovima u ovoj oblasti je velika.
Svrha studijskog programa je sticanje najvieg nivoa znanja iz raunarskih,
komunikacionih i multimedijalnih tehnologija, spajajui savremena znanja iz navedenih
oblasti sa potrebama u privredi. Studenti se osposobljavaju da mogu obavljati sloene
poslove u domenu: proizvodnje i odravanja raunarske opreme, odravanja,
projektovanja i razvoja raunarskih programa, projektovanja, instaliranja i odravanja
raunarskih mrea i projektovanja, realizacije i odravanja informacionih sistema.
Svrha studijskog programa Raunarstvo i informatika usklaena je sa osnovnim
zadacima i ciljevima Visoke poslovne kole strukovnih studija iz Blaca koji se odnose
na: obrazovanje profesionalnog kadra koje obuhvata sticanje znanja i vetina koje su
vezane za poziv, formulisanje i izgraivanje kompetencija studenata, pre svega
kvalitetom i obimom dovoljnih za visokokvalitetno bavljenje neposrednim poslom, kao i
neprekidnim poboljavanjem kvaliteta i efikasnosti studiranja.
3.r Ciljevi studijskog programa

Osnovni cilj studijskog programa Raunarstvo i informatika je da pripremi studente za
uspene i produktivne nosioce struke informacionih i raunarskih tehnologija u industriji,
javnim preduzeima, dravnim organima, zdravstvu i obrazovnim institucijama,
sposobne za zadovoljenje potrebe drutva. Svrha procesa nastave i uenja u okviru
predloenog plana je osposobljavanje studenata da odravaju, projektuju i razvijaju
raunarske programe primenom savremenih programskih jezika, projektuju, instaliraju i
odravaju raunarske mree i projektuju, realizuju i odravaju informacione sisteme.
Cilj izvoenja programa studija na studijskom programu Raunarstvo i informatika jeste
osposobljavanje kadrova za profesionalno bavljenje poslovima vezanih za primenu
raunara u razliitim oblastima profesionalnog angaovanja.
Ciljevi studijskog programa su da se studenti osposobe za obavljanje sledeih poslova:
Projektovanje, instalacija, administracija i bezbednost raunarske mree,
Projektovanje i implementacija softvera i vetine primene komercijalnih
softverskih paketa,
Primena Internet i veb tehnologija,
Razvoj multimedijalnih resursa.
Studijski program proizvodi strunjake koji poseduju odgovarajuu kombinaciju znanja i
praktinog iskustva, tako da mogu biti zadueni za kreiranje i odravanje IT
infrastrukture organizacije.
Prilozi
Strunjaci raunarstva i informatike imaju odgovornost za izbor hardverskih i
softverskih proizvoda prema potrebama organizacije, integriu ove proizvode u skladu sa
njenim potrebama i sa njenom infrastrukturom, i instaliraju, prilagoavaju i odravaju
aplikacije (tj. programske sisteme) koje upotrebljavaju zaposleni u organizaciji.
4.r Kompetencije diplomiranih studenata
Savladavanjem predvienog programa student stie opte i predmetno-specifine

sposobnosti koje su u funkciji kvalitetnog obavljanja strune delatnosti.
Savladavanjem studijskog programa student stie sledee opte sposobnosti:
Analize, sinteze i predvianja reenja i posledica,

Ovladavanja metodima, postupcima i procesima istraivanja,
Razvoja kritikog i samokritikog miljenja i pristupa,
Povezivanja osnovnih znanja iz razliitih oblasti i njihova primena u praksi,
Razvoja komunikacionih sposobnosti i spretnosti, kao i saradnje sa uim
socijalnim i meunarodnim okruenjem,
Profesionalne etike.
Savladavanjem studijskog programa student stie sledee predmetno-specifine
sposobnosti:
Analiziranje, modelovanje, projektovanje i implementiranje informacionih
sistema u razliitim poslovnim domenima;
Projektovanje i odravanje baze podataka;
Programiranje poslovnih aplikacija;
Implementiranje savremene raunarske mree;
Instaliranje sistemskog i aplikativnog softvera;
Efektivno upravljanje IT projektima;
Upotrebe informaciono-komunikacionih tehnologija u ovladavanju znanjima
odgovarajueg podruja;
Reavanja konkretnih problema uz upotrebu naunih metoda i postupaka.
Svreni studenti studijskog programa Raunarstvo i informatika osposobljeni su za

sledee poslove: sistem analitiar, programer, administrator baze podataka, administrator
raunarskih mrea, veb dizajner i aktivni uesnik razvoja modula elektronskog
poslovanja.
Prilozi
5.r Kurikulum
Studijski program Raunarstvo i informatika sadri obavezne i izborne predmete.

Na prvoj godini student moe da bira jedan izborni predmeta (6 ESPB) od dva ponuena.
Na drugoj godini student moe da bira dva izborna predmeta (8 ESPB) od ponuena
etiri. Na treoj godini student moe da bira dva izborna predmeta (10 ESPB) od
ponuena etiri predmeta.
Studentima se nudi iroka mogunost za izbor nastavnih predmeta koji su usklaeni sa
njihovim sklonostima. Na ovaj nain studentima se omoguava da formiraju struni
profil prema svojim interesovanjima i afinitetima prema odreenom profilu zanimanja.
U strukturi studijskog programa izborni predmeti zastupljeni su sa 36 ESPB to iznosi
20% u odnosu na ukupan broj ESPB bodova i sledee grupe predmeta u odnosu na
ukupan broj ESPB bodova:
Akademsko-opteobrazovni predmeti 28 ESPB to je 16,67 %,
Nauno struni 81 ESPB to je 39,71 % i
Struno-aplikativni 71 ESPB to je 43,63 %.
u petom 25 i u estom 15 asova.
Prilozi
1.t Struktura studijskog programa

Studijski program nosi naziv Turizam. Ovaj program osnovnih strukovnih studija u
skladu je sa realnim potrebama naeg trita rada, koji kao svoj osnovi cilj podrazumeva
sticanje znanja iz oblasti ekonomskih nauka, odnosno menadmenta i sticanje posebnih
znanja iz oblasti turizma.
Studijski program Turizam obrazuje strukovne ekonomiste koji e biti osposobljeni za
razliite poslove iz domena turistike privrede. Studijski program e kao krajnji ishod
pruiti i omoguiti studentima sticanje adekvatnih primenljivih znanja, vetina i
sposobnosti i osposobiti ih za samostalan rad u struci neposredno po diplomiranju. U
zavisnosti od linih aspiracija, studijski program Turizam omoguuje studentima dobru
osnovu za nastavak studija drugog stepena.
Studenti koji zavre studijski program Turizam osnovnih strukovnih studija, stiu struni
naziv Strukovni ekonomista za turizam u skladu sa Zakonom o visokom obrazovanju i
listom strunih, akademskih i naunih naziva.
Upis kandidata vri se na osnovu Konkursa. Odluku o raspisivanju konkursa donosi
Nastavno vee kole. Pravo upisa na studije imaju studenti sa zavrenim srednjim
obrazovanjem i poloenim prijemnim ispitom kako je regulisano Statutom kole.
Rangiranje kandidata po konkursu utvruje se na osnovu ukupnog broja bodova i uspeha
iz srednje kole i rezultata prijemnog ispita, a u okviru broja prijavljenih kandidata za
studijski program u skladu sa utvrenom kvotom za upis.
Studijski program je koncepiran u skladu sa Zakonom o visokom obrazovanju i
Bolonjskom deklaracijom uz primenu Evropskog sistema prenosa bodova ESPB.
Zavretkom ovih studija student ostvaruje 180 ESPB bodova, kao i pravo daljeg
usavravanja na specijalistikim strukovnim studijama.
Studijski program se sastoji od obaveznih i izbornih predmeta. Studentski program je
struktuiran tako da na prvoj godini studentima prui fundamentalna znanja iz oblasti
opte ekonomije, ekonomije primenjene u oblasti turizma i menadmenta, dok se na
drugoj i treoj godini studija pristupa izuavanju predmeta koji omoguuju sticanje
strunih i struno aplikativnih znanja i vetina iz oblasti marketinga, turistike
geografije, poslovanja turistikih agencija i organizatora putovanja, stratekog
menadmenta, menadmenta ljudskih resursa, poslovnih finansija, menadmenta
turistikih destinacija, infomacionih sistema u turizmu, ekonomije saobraaja,
menadmenta usluga itd. Nastavni programi ovih predmeta su fokusirani na pruanje
konkretnih i primenljivih znanja i vetina iz domena rada turistikih organizacija
privatnog i javnog sektora, poslovnih operacija turistikih preduzea, menadmenta u
turistikim destinacijama.
Prilozi
Studijski program Turizam sadri sve elemente utvrene Zakonom o visokom
obrazovanju:
Listu obaveznih i izbornih predmeta sa okvirnim sadrajem;
Nain izvoenja studija i potrebno vreme za izvoenje pojedinih vrsta studija;
Vrednost svakog predmeta iskazanu u skladu sa Evorpskim sistemom prenosa
bodova
Bodovnu vrednost strune prakse i zavrnog rada iskazanu u ESPB bodovima;
Druga pitanja od znaaja za izvoenje studijskog programa.
Studije se sprovode kroz formu teoretske nastave, praktinih vebi i strune prakse.
Nastava se izvodi kroz predavanja i diskusiju, uz primenu savremenih metoda kao to su:
Internet podrka obrazovnom procesu, metode daljinskog obrazovanja, studije sluajeva,
simulacioni modeli itd.
Posebna panja se posveuje obradi i reavanju specifinih praktinih problema. Samo
izvoenje nastave se odvija u grupama sa optimalnim brojem studenata.
2.t Svrha studijskog programa
Razumevanje prirode i odreivanje potreba da se ona ureuje i prilagoava, kvalifikuje

Visoku poslovnu kolu strukovnih studija da odredi i oblikuje budui razvoj u skladu sa
sadrajem aktuelnih turistikog potencijala, oblikuje i obogati turistiku ponudu ovog
dela Srbije kolovanjem madih perspektivnih ekonomista u oblasti turizma. Blizina
prirodnih i turistikih sadraja (Kopaonik, Prolom banja, Lukovska banja, Kurumlijska
banja, avolja varo itd.) i nedovoljno iskorieni kapaciteti odreuju potrebu za
kvalifikovanjem i stvaranjem kvalitetnih mladih ljudi iz ove oblasti.
Studijski program Turizam odreuje studente da shvate problematiku turistikog razvoja,
koriste znanja i vetine za samostalno obavljanje specifinih poslova iz oblasti turizma, i
time se odrede za primenjivost teoretskih i praktinih znanja u praksi.
Odreivanje Studijskog programa Turizam za korienje i shvatanje savremenih
teorijskih i struno-aplikativnih znanja koja bi odmah prepoznala i shvatila zahteve
privrede i razumela potrebe korisnika turistikih usluga, u znaajnoj meri bi odredila i u
potpunosti oblikovala razliite aspekte i modele savremenog poslovanja i odredila
prioritete i studentima omoguila da shvate sutinu turizma i njegov znaaj za razvoj
privrede i drutva u celini.
Shvatanjem i razumevanjem potrebe za studijskim programom osnovnih strukovnih
studija Turizam odreuje se pravac razvoja prekopotrebnog kadra koji bi odredio budui
ekonomski i turistiki razvoj ovog regiona. Zapoljavanje mladih i kompetentnih
strunjaka odreuje i njihov nastavak i vezivanje za ovaj kraj i zadravanje u ovom
nerazvijenom podruju, to je u skladu sa dravnom strategijom za suzbijanje siromatva
i razvoj nedovoljno razvijenih podruja.
Nastavni sadraji koji se izuavaju u okviru ovog studijskog programa usklaeni su sa
misijom i ciljevima kole u stvaranju kompetentnih i samostalnih strukovnih ekonomista
iz oblasti Turizma.
Prilozi
3.t Ciljevi studijskog programa
Na osnovu strukture studijskog programa koja je u saglasnosti sa potrebama i vizijama

Visoke poslovne kole strukovnih studija u Blacu i jasno istaknutom svrhom studijskog
programa posebno u Toplikom okrugu, koji poseduje ve navedene komparativne
prednosti izraene kroz kulturno istorijska, banjska i planinska bogatstva i destinacije,
studijski program Turizam ima za cilj da formira kvalitetne kadrove koji e znati da
samostalno imlementiraju steena znanja i uveaju turistiku ponudu u turistikoj
privredi Srbije.
Cilj izvoenja programa studija na studijskom programu Turizam je da:
Osposobljeni studenti znaju i implementiraju razliite modele poslovanja
turistike privrede, znaju i primenjuju pozitivna iskustva iz drugih zemalja i iste
prilagode nacionalnim turistikim destinacija od lokalnog do nacionalnog nivoa;
Osposobljeni studenati znaju da integriu osnovna ekonomska, pravna,
informaciona i tehnika znanja u skladu sa potrebama turistikog uslunog
sektora u savremenoj ekonomiji, savremenoj lokalnoj i dravnoj upravi i javnim
slubama;
Osposobljeni studenati znaju da rukovode poslovima u turistikim agencijama,
poslovima u hotelijerstvu, obrazovanju, lokalnoj i dravnoj upravi i javnim
slubama;
Osposobljeni studenati znaju, razvijaju i imaju smisao za kreativan rad, tako da
kreativnost i inovativnost bude izazov, a ne obaveza;
Znaju da koriste i upravljaju prirodnim resursima i razvijaju svest kod studenata
o znaaju opteg odrivog razvoja drutva i, u okviru toga, svest o znaaju zatite
i ouvanja ivotne sredine drutva i pojedinca prilikom obavljanja turistikih
delatnosti;
Osposobljavaju studenate za timski rad.
Prevashodni cilj je znanje koje se nudi radi pruanja sadrajnog i kvalitetnog
obrazovanja, kao i osposobljavanja mladih strunjaka za uspeno delovanje i reavanje
problema na polju turizma.
Prilozi
4.t Kompetencije diplomiranih studenata
Studijski program osnovnih strukovnih studija Turizam usmeren je na razvijanju

kompetencija iz oblasti turizma.
Kompetencije koje student stie na studijskom programu Turizam trebalo bi da mu
omogue da ume da:
Uspeno obavlja poslove u oblasti upravljanja, komunikacije, razvoja turistike
ponude, usluga, cena, promocije, istraivanja turistikog trita;
Uspeno reava konkretne probleme iz oblasti turistike tranje;
Kreativno koristi savremene informacione i komunikacione tehnologije u funkciji
unapreenja rada;
Kontinuirano prati i uspeno primenjuje najznaajnije novine u oblasti turizma;
Obavlja upravljake i analitike poslove u oblasti istraivanja turistikog trita,
poslovanja turistikih agencija i organizatora putovanja, turistike destinacije
itd.;
Organizuje i rukovodi radom u timovima.
Nakon zavretka studijskog programa Turizam student je osposobljen za obavljanje
irokog spektra poslovnih aktivnosti iz domena turizma i drugih komplementarnih
delatnosti.
Dinaminost studijskog programa Turizam omoguuje svrenim studentima sledea
zanimanja:
Koordinator razvoja integralnih turistikih proizvoda u organima i
organizacijama javnog sektora;
Saradnik u resornom ministarstvu;
Organizator posebnih sajamskih priredbi;
Asistent profesionalnih organizatora sajmova;
Asistent profesionalnih organizatora kongresa, konferencija i izlobi;
Planer, analitiar i saradnik u preduzeima turistike privrede, asocijacijama i
javnom sektoru;
Menader poslovnice turistike agencije;
Menader centralnog bukinga;
Menader turistike destinacije;
Marketing analitiar u turistikim preduzeima;
Nastavnik praktine nastave u srednjim strunim kolama.
Prilozi
5.t Kurikulum

Studijski program Turizam sadri listu obaveznih i izbornih predmeta.
formiranje strunog profila.
Na prvoj godini studenti biraju jedan (4 ESPB) od ponuena dva izborna predmeta.
Na drugoj godini studenti biraju tri (18 ESPB) od ponuenih est izbornih predmeta.
Na treoj godini studenti biraju dva (8 ESPB) od ponuena etiri izborna predmeta i
zavrni ispit (12 ESPB).
U strukturi studijskog programa na osnovnim strukovnim studijama Turizma zastupljene
su sledee grupe predmeta u odnosu na ukupan broj ESPB bodova, i to:
Opteobrazovni 19.51 %, to je uee ESPB u ukupnom optereenju
studenata,
Struni 36,59 %
Struno-aplikativni 43.90%. to je uee ESPB u ukupnom optereenju
studenata koji u ukupnom zbiru zadovoljava procenat i preporuku komisije za
Akredidaciju i proveru kvaliteta.
Nedeljni fond asova iznosi: u prvom semestru 13+10, u drugom 14+8, u treem 13+9,
u etvrtom 10+10, u petom 12+10 i u estom 11+9 asova.
U skladu sa propisanim odredbama, struna praksa predstavlja obavezan deo studijskog
programa Turizam.

DRR - Analiza I Primena Analitickih Metoda Višekriterijumske Analize U Poslovnom Odlucivanju

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

DRR - Analiza I Primena Analitickih Metoda Višekriterijumske Analize U Poslovnom Odlucivanju

Uploaded by

Copyright:

Available Formats

DOKTORSKA DISERTACIJA

ANALIZA I PRIMENA ANALITIKIH METODA

Prof. dr Malia iovi

Predvianje i planiranje ........................................................................................ 8

1.1. Pojam, karakteristike i znaaj predvianja ............................................................... 8

Opti pojmovi i terminologija viekriterijumske optimizacije ......................... 29

Osnovi viekriterijumske optimizacije ................................................................... 30

Metode za viekriterijumsku optimizaciju ......................................................... 40

3.1. Metoda za odreivanje neinferiornih reenja ......................................................... 40

Koncepcija i istraivanje ...................................................................................... 54

4.1. Koncepcija .............................................................................................................. 54

Ureeni skupovi i mree....................................................................................... 68

Pojam relacije ......................................................................................................... 68

Mrena metoda za viekriterijumsku analizu.................................................... 73

6.1. Mrena metoda ....................................................................................................... 73

Primena nove metode kao i poreenja sa ve poznatim metodama ................ 79

7.1. Preporuka za izbor srednje kole ............................................................................ 79

7.6. Metodologija reavanja problema est alternativa sa pet kriterijuma................... 123

problem izbora lokacije raznih logistikih centara,

1. Predvianje i planiranje ................................................................................. 8

Pregled metoda optimizacije ........................................................................ 24

Metode bezuslovne optimizacije .................................................................. 24

2 Drucker, P. "Postkapitalistiko drutvo", Grme i Privredni pregled, Beograd, 1995., str. 18

irenje i inteziviranje fronta konkurentske borbe,

Preduzea koja predviaju i planiraju suoavaju se sa poznatim problemima, a ona koja

Ona zahteva odluku sada.

Kvalitet planskih odluka i aktivnost koje one pokreu odreeni su kvalitetom

stabilnosti i kompleksnosti trita,

U nestabilnom privrednom ambijentu predvianje je znaajno oteano. Na znaaju

1.2. Odnos predvianja i planiranja

1.3. Horizonti predvianja

1.3.1. Sadrina i znaaj prostornog horizonta preduzea

Budui da se radi o faktorima koji se redovno pojavljuju u toku godine u predvianju

duinom vremenskog perioda,

neadekvatnog baznog perioda,

1.4. Osnovni pojmovi o odluivanju

Slika 1.1 Vrste odluivanja

Za donoenje svake konkretne odluke potrebno je imati na umu etiri naredne

8 I.Nikoli; S.Borovi; Viekriterijumska optimizacija,1996g, p 1-3

1.5. Proces odluivanja

Slika 1.2 Nauni pristup procesa donoenja odluka

9 I.Nikoli;S.Borovi; Viekriterijumska optimizacija,1996g, p 1-9

Slika 1.3 Faza procesa donoenja odluka

1.6. Pojam optimizacije

U nekim sluajevima se koriste oba prilaza. Da bi se primenila neka optimizaciona

11 S.Opricovi,Viekriterijumska optimizacija sistema u graevinarstvu, Beograd, 1998, str 40.

1.7. Matematiki modeli i optimizacija

1.8. Zadatak optimizacije

1.9. ematski prikaz procesa optimizacije

Slika 1.4 ematski prikaz procesa optimizacije

12 S.Opricovi, Viekriterijumska optimizacija sistema u graevinarstvu, Beograd, 1998, str 44

1.10. Pregled metoda optimizacije

1.10.1. Metode bezuslovne optimizacije

a bazira se na linearizaciji funkcije xk 1 .

gde je G(x) Hesijan ; Gij ( x) =

Potreban uslov za ekstremum tog funkcionala je da y zadovoljava Ojlerovu (Euler)

f (x , y , y , ..., y , y , y , ..., y )dx

je da je zadovoljen sistem Ojlerovih

1.10.2. Metode uslovne optimizacije

aij x j ( = ili )bi ; i = 1,..., m

- Eliminacija i zamena varijabli

Reenje se moe dobiti reavanjem sistema jednaina:

moe se izvesti modifikaciona kriterijumna funkcija: