OPTMZASYON MODELLER VE ZM METODLARI

Do.Dr. Metin Trkay

Ko niversitesi, Endstri Mhendislii Blm, Rumelifeneri Yolu, Saryer 34450
stanbul
Tel: 0 212 338 1586, Fax: 0 212 338 1548, E-Posta: mturkay@ku.edu.tr

1. GR
Optimizasyon, bir sistemde varolan kaynaklarn (igc, zaman, kapital, sreler,
hammaddeler, kapasite, ekipman gibi) en verimli ekilde kullanlarak belirli amalara (maliyet
enazaltlmas, kr enoklanmas, kapasite kullanmnn enykseltilmesi ve verimliliin
enoklanmas gibi) ulamay salayan bir teknoloji olarak tanmlanmaktadr (Gass, 2000).
Optimizasyonda modelleme ve zmleme iki nemli bileen olarak nitelendirilmektedir.
Modelleme gerek yaamda karlalan problemin matematiksel olarak ifade edilmesi;
zmleme ise bu modeli salayan en iyi zmn elde edilmesini kapsamaktadr.
Optimizasyon teknolojisinin geliiminde aratrmaclar ncelikli olarak modellemeyle
ilgilenmilerdir. Bu alandaki ilk almalar Leontief tarafindan Amerika Birleik Devletlerinin
d ticaretini ve ekonomik yapsn modellemek amacyla yapt yaynlardr (Leontief, 1933;
1936). Rus matematikisi Kantorovich retim planlamasnda en sklkla karlalan
problemlerin modellenmesine ve elde edilebilecek en iyi sonular bulma metodlarn anlatt
makalesiyle modern retim sistemlerinde optimizasyona olan ihtiyac ortaya koymutur
(Kantorovich, 1939). Fakat, Kantorovichin bu almas batl bilim insanlar tarafndan uzun
sre sonra farkedilmitir (Kantorovich, 1960). Kantorovich, retim sistemlerinin performansnn
arttrmna ynelik dokuz farkl optimizasyon problemi tanmlam ve bu problemlerin
zmne ynelik olarak her problem iin farkl zm algoritmas gelitirmitir. te yandan,
Kantorovich ve Gavurin (1940) ulam sektrnn verimliliini arttrmaya ynelik modelleme
almalar da yapmlardr. Ayrca, ekonomi alannda optimum kapasite kullanmna ynelik
zellikle ulatrma sistemlerinde modelleme almalar yaplmtr (Koopmans, 1949;
Koopmans, 1951; Koopmans ve Reiter, 1951; Koopmans, 1957; Koopmans ve Bausch, 1959).
Bu modelleme almalar bilim dnyas tarafndan kabul grm ve Leontief 1973 ylnda
Nodel Ekonomi dln almtr, Kantorovich ve Koopmans ise 1975 ylnda Nobel Ekonomi
dln paylamlardr (Nobel, 2006). Optimizasyon modellerinin zellikle ekonomik
sistemlerde kullanlmas ve retim/datm sistemlerinde karlalan problemlerin birounun
optimizasyon problemi olarak modellenmesine ramen optimizasyon modellerinin teorik
zelliklerinin aratrlmas ve genel zm algoritmalarnn gelitirilmesi halen devam
etmektedir. Optimizasyon problemlerinin zmne ynelik olarak ilk nemli alma Dantzig
tarafndan yaplm ve simpleks algoritmas gelitirilmitir (Dantzig, 1949a). Nobel Ekonomi
dln 1975 ylnda alan Koopmans, Dantzigin almalarnn nemine inanm ve Dantzigin
bu dle ortak olmas gerektiini Nobel dl komitesine belirtmitir. Fakat bu carsna cevap
alamam ve Nobel dlnn te birlik ksmn Uluslararas Uygulamal Sistem Analizi
Enstitsnde (International Institute for Applied Systems Analysis-ILASA) George Dantzig
adna kurulan burs programna balamtr (Gass ve Assad, 2004). Koopmans, optimizasyon
projelerinde modelleme ve zm gelitirme almalarnn birlikte yrtlmesi gerekliliine

inanm ve bu konunun nemini Nobel dln aldnn aklanmasndan hemen sonra

yapt bu jestle ifade etmitir.
Optimizasyon teknolojisi, karar verme srelerini hzlandrmakta ve karar kalitesini
arttrmakta kullanlarak gerek hayatta karlalan problemlerin etkin, doru ve gerek zamanl
zmnde yararlanlmaktadr (Winston, 2003). Optimizasyon, ekonomik alardan getirdii
kazanlarn yannda mteri, iveren ve alanlarn tercih ve kstlarnn karar srecinde yer
almasnda ve sistemde yer alan kaynaklarn kalitesinin ykseltilmesinde de etkin bir ekilde
bavurulan bir yntem olarak kullanlmaktadr. Optimizasyon teknolojisi kullanlarak
gerekletirilen projelerin anlatld Interfaces dergisi 1971 ylnda yayn hayatna gemi ve
dzenli olarak uygulamal projeler iin gelitirilen modeller, zm yntemleri ve sonular
yaynlanmaktadr (INFORMS, 2006). Bu derginin her yl yaynlanan Ocak ay says bir nceki
ylda tamamlanan en baarl uygulamalar detaylaryla tantmaktadr.
Birok temel bilimde karlalan problemlerin zmnde; endstriyel, finansal ve servis
sistemlerinin performanslarnn eniyilenmesinde sk sk kullanlan optimazsyon teknolojisi bir
projede kullanldnda genelde modelleme ve zmleme n plana kmaktadr (Hillier ve
Lieberman, 2005). Optimizasyon modelleri 2. ksmda tantlp snflandrlmtr. Optimizasyon
problemleri iin zm yntemleri ise 3. ksmda anlatlmtr.
2. OPTMZASYON MODELLERNN OLUTURULMASI
Modeller, temel bilimlerde ve mhendislikte youn olarak kullanlan, byk kapsaml bir
sistemin tm zelliklerini yanstacak daha kk boyutlardaki yaplardr. Modeller, genelde
sistemin temel zelliklerini yanstacak ve modelin kullanm amalarn gerekci olarak ierecek
detaylar bulunur. rnein, tasarm aamasnda olan bir ua drdmz zaman, uan
aero-dinamik yapsn incelerken gerek uak yerine uan modeli kullanlarak rzgr tneli
deneyleri yaplr. Tarmda ise bir bitkinin tm zellikleri incelenip bitkinin veriminde
iyiletirme almalar yaplrken, bitkinin modelleri laboratuvar ortamnda deiik
parametrelere gre deerlendirilip sonular analiz edilir.
Optimizasyon modelleri ise sistemin ileyiini ve zelliklerini yanstan, sistemin iindeki
ve evresindeki dier sistemlerle olan etkileimleri kapsayan matematiksel ifadelerden
olumaktadr (Williams, 1999). Aada da grld gibi, bu matematiksel ifadeler sistemin
llebilen zelliklerini belirleyen parametreler, en iyi sonular verecek karar deerlerini
belirleyen deikenlerden, sistemin eniyilenecek performans ltnden ve sistemin
zelliklerini ve snrlarn belirleyen kstlardan olumaktadr:
max z = f ( x, y )
k.s.

g( x, y ) = 0
h( x, y ) 0
x

(1)

y { 0 ,1, 2 ,...,m }

Yukardaki optimizasyon probleminde sistemin performans lt (ama fonksiyonu)

z=f(x,y) ile ifade edilmi ve karar deikenleri x ve ynin bu lt enoklayacak deerlerinin
bulunmas hedeflenmektedir. Sistemin zellikleri ise g(x,y) eitlii ve h(x,y) eitsizlikleri
(kstlar) belirlemektedir. Ayrca, karar deikenleri iki trl ifade edilmitir: n boyutlu uzayda
herhangi bir reel deeri alabilen srekli deikenler (x) ve herhangi bir tamsay deeri alabilen

tamsayl deikenler (y). Optimizasyon modellerini ierdikleri karar deikenlerinin, ama

fonksiyonunun ve sistem kstlarnn zelliklerine gre sistem parametrelerinin bilinen sabit
deerlere ald durumlarda aadaki gibi snflandrlmaktadr (NEOS, 2006). Eer bir
optimizasyon problemleminde y deikenleri yer almyorsa ve f(x), g(x) ve h(x) fonksiyonlar
dorusalsa o problem bir dorusal programlama problemi olarak tanmlanr. Bir optimizasyon
probleminde y deikenleri yer almyorsa ve f(x), g(x) ve h(x) fonksiyonlarn herhangi birisi
dorusal deilse o problem bir dorusal olmayan programlama problemidir. Optimizasyon
problemlerinde y deikenleri yer alyorsa f(x,y), g(x,y) ve h(x,y) fonksiyonlarnn dorusal
olmas durumda problem tamsay kark dorusal programlama problemi, f(x,y), g(x,y) ve h(x,y)
fonksiyonlarndan herhangi birisinin dorusal olmamas durumunda ise tamsay kark dorusal
olmayan programlama elde edilir.
2.1. Dorusal Programlama Modelleri
Bu problemlerde sadece srekli deikenler ve dorusal ama fonsiyonuyla, dorusal
kstlar mevcuttur.
max z = cT x
k.s.

Ax b
x0

(2)

Dorusal programlama modelleri en yaygn olarak kullanlan optimizasyon modelleridir ve

bilimsel, endstriyel ve ekonomik problemlerin modellenmesinde yaygn olarak kullanlmtr.
Bu balamda, retim yapan bir iletmede verimliliin optimizasyonuyla ilgili basit bir dorusal
programlama model aada verilmitir.
Bir iletmede iki yeni rn iki farkl fabrikada retilebilmek imkan vardr. Bu iletme
iin geerli olan veriler Table 1de verilmitir. Her iki fabrikada yeni rnn retimi iin
kullanlabilecek zaman kstldr. Fabrikalarn yaplar farkl olduu iin birim rn iin farkl
retim zamanlar vardr. Ayrca her rnn kar marj ve talebi de belirlidir.
Tablo 1. rnek problem iin veriler.

Fabrika 1
Fabrika 2
Kar Marj
Talep

Birim rn iin harcanan

retim zaman
rn 1
rn 2
1
1
2
1.5
1.000
900
100
100

Kullanlabilir
toplam retim
zaman
100
170

Bu iletmede kar enoklayan rn dalm aadaki gibi modellenebilir:

Karar Deikenleri:
x1 : rn 1in retim miktar (adet)
x2 : rn 2nin retim miktar (adet)
Parametreler:
c1: rn 1den elde edilen kar miktar (1.000 TL/adet)

c2: rn 2den elde edilen kar miktar (900 TL/adet)

bi: Fabrika 1deki kullanlabilir toplam retim zaman (100 saat)
bii: Fabrika 1deki kullanlabilir toplam retim zaman (170 saat)
ai1: rn 1in Fabrika 1deki retim zaman (1 saat/adet)
ai2: rn 2nin Fabrika 1deki retim zaman (1 saat/adet)
ai1: rn 1in Fabrika 2deki retim zaman (2 saat/adet)
ai2: rn 2nin Fabrika 2deki retim zaman (1.5 saat/adet)
d1 : rn 1 iin belirlenmi talep miktar (100 adet)
d2 : rn 2 iin belirlenmi talep miktar (100 adet)

Ama Fonksiyonu:
Toplam karn enoklanmas (z=c1x1+c2x2)
Kstlar:
Fabrika 1deki toplam retim zaman kstldr (ai1x1+ai2x2bi)
Fabrika 2deki toplam retim zaman kstldr (aii1x1+aii2x2bi)
rn 1 iin talep miktar (x1d1)
rn 2 iin talep miktar (x2d2)
Her rn iin en dk retim miktar (x10 ve x20)
Bu problem iin dorusal programlama modeli aadaki gibi oluturulur:
max z = 1.000 x1 + 900 x2
k.s.

1x1 +

1x2 100

2x1 + 1.5x2 170

100

x1

(3)

x2 100
x1 0,

x2 0

2.2. Tamsay-Kark Dorusal Programlama Modelleri

Bu modellerde dorusal programlama zelliklerine ek olarak karar deikenlerinde bazlar
sadece tamsayl deerler alabilirler.
max z = cT x + d T y
k.s.
Ax + Ey b
x0

(4)

y { 0 ,1, 2 ,...,n }

Yukarda verdiimiz dorusal programlama modelinde iki rnden sadece birisini

seebileceimizi dnelim. Eer birinci rn seersek fabrikalarda gerekli dzenlemelri
yapabilmemiz iin bir defaya mahsus olmak zere 1.500 TL masraf yapmamz gerekmektedir
ve ikinci rn iinse 1.200 TL masraf gerekmektedir. Dorusal programlama modeline
aadaki eklemeleri yapmamz gerekmektedir:
Karar Deikenleri:
y1 = birinci rn seimi (=1 eer birinci rn seildiyse, =0 eer birinci rn
seilmediyse)
y2 = ikinci rn seimi (=1 eer ikinci rn seildiyse, =0 eer ikinci rn seilmediyse)

Parametreler:
e1: birinci rn seildiinde yaplacak masraf (1.500 TL)
e2: ikinci rn seildiinde yaplacak masraf (1.200 TL)
Ama Fonksiyonu:

Toplam karn enoklanmas (z=c1x1+c2x2-e1x1-e2x2)

Kstlar:

Sadece bir rn seilebilir (y1+y2=1)

Bu problem iin dorusal programlama modeli (5):

max z = 1.000 x1 + 900 x2 1.500 y1 1.200 y2
k.s.

x1 +

100

x2

2x1 + 1,5x2

170
100 y1

x1

(5)

100 y2 0

x2
y1 +

y2 = 1

x1 0 , x2 0 , y1 {0,1}, y2 {0,1}

2.3. Dorusal Olmayan Programlama Modelleri

Bu modellerde ama fonksiyonu ve/veya kstlardan bazlar dorusal deildir.
Optimizasyon sonucunda ama fonksiyonunu eniyileyecek karar deikenleri, x, n boyutlu
uzayda herhangi bir gerek deeri alabilirler.
max z = f ( x )
k.s.
g( x ) = 0
h( x ) 0

(6)

x n

Dorusal programlama rnek modelimizde her dnm iin elde edeceimiz karn elastik
olduunu dnelim: tarm arazimizi bir rn iin ne kadar fazla kullanrsak kar her dnmden
elde edeceimiz kar miktar azalmaktadr. Bu durumda birim kar miktarlar, c1 ve c2, (7)deki
gibi ifade edilirler:
c1 =

1.000

( x1 )

1 / E1

, c2 =

900

( x2 )

1 / E2

(7)

Bu ifadelerde E1 ve E2 kar elastikliini temsil etmektedir. rnek problemimizde birinci

rn iin bu deerin 15 ve ikinci rn iinse 10 olduu durumda dorusal olmayan eniyileme
problemi (8)de verildii ekilde oluur:

max z =

1.000

( x1 )

1 / 15

x1 +

900

( x2 )

1 / 10

x2

x1 +

x2 100

2x1 +

1,5x2 170

x1 +

100

k.s.

(8)

x2 100
x1 0 ,

x2 0

2.4. Tamsay-Kark Dorusal Olmayan Programlama Modelleri

Bu modeller ama fonksiyonunda ve/veya kstlarda dorusal olmayan ifadeleri ve
tamsayl deikenleri kapsamaktadr. Bu modellerin genel hali bu blmn banda verilmitir.
rnek problemimizde kar esnekliinin olduu ve iki rnden sadece birisini sememiz gerektii
durumda optimizasyon modeli aadaki gibidir:
max z =
k.s.

1.000

( x1 )

1 / 15

x1 +

900

( x2 )1 / 10

x2 1.500 y1 1.200 y2

x1 +

x2

100

2x1 +

1,5x2

170
100 y1

x1

y1 +
x1 0 ,

(9)

100 y2 0

x2

y2 =1

x2 0 , y1 {0,1}, y2 {0,1}

3. OPTMZASYON PROBLEMLERNN ZM METODLARI

Optimizasyon modellerinin zmne ynelik yntemlerin aratrlmas ikinci dnya
sava yllarna dayanmaktadr (Dantzig, 2002). Yllar boyunca yaplan aratrma ve gelitirme
faaliyetleri sonucunda zellikle dorusal programlama problemlerinin zmnde byk
ilerleme kaydedilmi olup halen yaygn olarak kullanlmaktadr. Dier optimizasyon
problemlerinin zmne ynelik yazlmlar olmakla birlikte, bu problemlerin zmn en
etkin ekilde elde eden zm yntemleri devaml gelitirilmektedir. Bu blmde, daha nce
tanmladmz 4 farkl snf optimizasyon problemlemi iin zm yntemlerinin rnek
problemlere uygulann inceleyeceiz.
3.1. Dorusal Programlama Metodlar
Dorusal programlama modellerinin temeli dorusal eitliklerin zmne dayanmaktadr.
Bu balamda, dorusal programlama modelinde varolan Axb eitsizlikleri her eitsizlik iin
yeni bir deikenin tanmlanmasyla eitlie dntrlr (Ax+xs=b). Bu ekilde eitliklerle
ifade edilen dorusal programlama modelinde deiken says her eitlik saysndan daha fazla
olur. Dorusal sistemlerde zmler bamsz zmler kmesi sistemdeki eitsizlik says
(Axb), m, ve deiken saysnn (x deikenleri), n, bir fonksiyonudur. Olabilecek tm
zmlerin says ise (10) denkleminden elde edilir.

 m + n (m + n) !

=
m! n!
n

(10)

Tablo 2. Dorusal Bir Sistemin Eitlik Says Ve Deiken Saysna Gre zm Says.
Deiken Says

Eitlik Says

zm Says

252

10

10

184.756

25

25

126.410.606.437.752

Tablo 2de gsterildii gibi ok kk boyutlu problemlerde btn zmleri teker teker
elde edip bu zmler arasndan en iyi sonucu elde etmek mmkn gibi grnse de gerek
hayatta karlalan problemler iin en yksek performansl bilgisayarlarla bile uygulama iin
kabul edilebilecek srelerde zlemeyecek kadar zordur. Bu durumda bilim dnyas akll
zm algoritmalar arayna girmitir. Dantzig (1949a), kinci Dnya sava sresince ve daha
sonra yapt almalar sonucu dorusal programlama problemlerinin zm iin simplex
metodunu gelitirmitir ve metodu 1949 ylnda yapt yaynla aklayarak bu alanda nclk
yapmtr. Simplex metodu dorusal programlama probleminin ifade edildii ok boyutlu
uzayda problemde varolan kst says kadar karar deikeninin aktif olduu bir zmden
balayarak ama fonksiyonun deerini en iyiye doru tayan aktif olmayan bir deikenin aktif
olan bir deikenle yer deitirmesi esasna dayanr. Bu ilem ardk olarak tekrarlanr ve ama
fonksiyonu deerinde herhangi bir iyilime elde edilmeyecei bir durumda ise simplex metodu
problemin en iyi zm bulduu iin zm elde edilmi olur. Simpleks metodu ile ilgili teorik
almalar eitli makalelerde verilmitir (Dantzig ve Wood, 1949; Dantzig, 1949b, Dantzig
1951a, Dantzig, 1951b; Dantzig, 1951c; Dantzig, 1963).
rnek problem iin zm alan ekil 1de gsterilmitir. Modelde iki esas deiken
olduu iin zm alan iki boyutlu grafikte gstrerilebilmektedir. Modeldeki birinci kst
zm alann dorusal olarak birinci deiken ekseninden 100 deerinde ve ikinci deiken
ekseninden yine 100 deerinde kesmekte ve zm alann bu dorunun altnda kalan blgeyle
snrlamaktadr. kinci kst ise kst zm alann dorusal olarak birinci deiken ekseninden
85 (1702) deerinde ve ikinci deiken eklseninden yine 113.33 (1701,5) deerinde kesmekte
ve zm alann bu dorunun altnda kalan blgeyle snrlamaktadr. Tm kstlaryla birlikte
problemin zm alan ise iki kstn kesitikleri zm alanyla snrlanmtr. ekil 1de, ama
fonsiyonun deiik deeri gsterilmitir. Bu doru zerindeki tm zmlerin ama
fonksiyonu deeri birbirine eittir. rnek problemizde de olduu gibi tm dorusal
programlama problemlerinde sonsuz sayda zm olmakla birlikte, en iyi zm modeldeki
kst saysna eit saydaki deikenin aktif olduu noktalarda, yani kslarn kesitii noktalarda
olabilmektedir (Dantzig, 1963). rnek problemimizde bu noktalar A, B, C, ve D olarak
belirtilmitir. Dolaysyla simplex metodu sadece bu zmleri rasyonel bir ekilde ardk
olarak inceleyerek en iyi zm tm zmleri elde etmeden bulur. Simplex metoduna en
kolay zm olan A (x1=x2=0) noktasndan baladmz durumda, ilk iterasyonda bu zme
komu olan B veya D zmlerinden birisini en iyi zm aday olarak incelemek
gerekmektedir. Eer B zm tercih edilirse x1 ynnde hereket edilecek ve x1 deikeninin

deerinde yaplacak her birim artla ama fonsiyonu deerinde 1.000 birim iyiletirme elde
edilecek, D zm tercih edilirse x2 ynnde hereket edilecek ve x2 deikeninin deerinde
yaplacak her birim artla ama fonsiyonu deerinde 900 birim iyiletirme elde edilecektir.
Dolaysyla ama fonsiyonu deerini daha hzla artrabilecek olan x1 deikeni ynnde hereket
etmek ve x1 ynndeki zm alannn en u noktas olan Bye kadar ilerlemek gerekmektedir.
Simplex metodunun ikinci iterasyonunda ise B zmne komu olan A veya C zmlerinden
birisini en iyi zm aday olarak incelemek gerekmektedir. B zmne ularken A noktasnn
Bye gre ama fonksiyonu deeri bakmndan daha kt olduunu biliyorduk, dolaysyla A
noktasna geri dn mantkl bir adm deildir ve C zmn en iyi zm aday olarak
incelemek gerekir. C zmne ulamak iin ikinci kst zerinde hareket ederek x1 deikenin
deeri azaltlrken x2 deikeninin deeri arttrlr. C zmnn komularndan D
incelendiinde ise bu noktann ama fonksiyonu deerinin Cnin ama fonsiyonu deerinden
daha dk olaca grld iin simplex metodu rnek problemimiz iin C noktasnn en iyi
zm olduu sonucuna varr.
rnek problemimiz iin simplex metodunun uygulan Tablo 3de verilen simplex
tablocuklaryla gsterilmitir. Simpleks metoduna balang zm olarak A noktas
seildiinde ilk tablocuk elde edilir. Ama fonsiyonu satrnda her deikenin bir birim
arttrlmas durumunda ama fonksiyonu deerinde olacak art gsterilmektedir. Deikenler
arasnda x1 en hzl deiiklii verecei iin seilir. Yeni bir deikenin sfrdan farkl bir
deerle yer alabilmesi iin iterasyonda verilen tablocukta sfrdan farkl bir deerle zmde yer
alan deikenlerden birisinin (xs1 veya xs2) sfra eitlenmesi gerekmektedir. Eitsizlikleri eitlie
evirmek amacyla tanmladmz yeni deikenler xs1 ve xs2nin sfr deerini almas o kstn
aktif olduu anlamna geleceinden, xs1in sfrlanmasyla elde edilecek zm birinci kst
salamamaktadr. Tablo 3deki ilk tablocukta hesaplanan oran x1 deikeninin zmde yer
almasyla hangi deikenin sfrlanacana dair bilgi iermektedir. Bu oranlardan en kk
olanna karlk gelen deikenin sfrlanmas durumunda yeni zm tm kstlar
salamaktadr. Bu durumda x1 zmde sfrdan farkl bir deer alrken, xs2 deikeni sfra
eitlenir ve yeni zm ikinci tablocukda verildii gibi elde edilir. kinci tablocuktan
grlebilecei gibi x2 deikeninin ama fonsiyonunu ifade eden satrndaki deeri negatiftir ve
x2nin sfrdan farkl bir deer alarak ama fonsiyonunu daha ykseltebileceini gstermektedir.
Yeni zmde x2nin sfrdan farkl bir deer almas durumunda xs1 deikeninin sfrlanmas
durumunda yeni zm tm kstlar salar ve son tablocuk elde edilir. Son tablocuktanda
grlebilecei gibi ama fonsiyonu satrndaki deeri negatif olan bir deiken olmad en iyi
zmn bulunduu anlamna gelir ve simpleks metodu optimal ama fonsiyeni deerini 94.000
ve deikenlerin deerlerini x1=40 ve x2=60 olarak bulur.
ekil 1. rnek Dorusal Problem in zm Alan.

Tablo 3. rnek Problem in Simpleks Metodu Tablocuklar.

B.V.
z
xs1
xs2
xs3
xs4
z
xs1
x1
xs3
xs4
z
x2
x1
xs3
xs4

Kst
Ama
1
2
3
4
Ama
1
2
3
4
Ama
1
2
3
4

z
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0

x1
-1.000
1
2
1
0
0
0
1
0
0
0
0
1
0
0

x2
-900
1
1,5
0
1
-150
1/4
3/4
-3/4
1
0
1
0
0
0

xs1
0
1
0
0
0
0
1
0
0
0
600
4
-3
3
-4

xs2
0
0
1
0
0
500
-1/2
1/2
-1/2
0
200
-2
2
-2
2

xs3
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0

xs4
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1

b
0
100
170
100
100
85.00
15
85
15
100
94.00
60
40
60
40

Oran
1001=100
1702= 85
1001=100
1000=
151/4=60
853/4=113.33

rnek problemde simpleks metodu en iyi zm bulurken 6 zmden sadece 2 tanesini

elde ederek en iyi zm bulmutur. Simpleks metodu ile deiken says milyonlara varan
problemler zlebilmektedir.
Dorusal programlama problemleri iin en yaygn olarak simpleks metodu kullanlmasna
karn bu problemlerin zm iin dier algoritmalarda gelitirilmitir. Simpleks metodu
zm alannn en u noktalarn sistematik bir ekilde zerek en iyi zm elde eder.
Simpleks algoritmasndan sonra gelitirilem metodlar ise zm alannn en u noktalar yerine
zm alannn ierisinden giderek en iyi zm elde etmeye gre tasarlanmtr. Bu metodlar
i-nokta metodlar (interior-point methods) olarak adlandrlrlar. Bu metodlar iin temel
kavramlar iki Sovyet matematicisi Dikin (1967) ve Khachian (1979) tarafndan gelitirilmitir.
Daha sonra Karmarkar (1984) tarafndan yaplan aratrmalar ilk i-nokta metodunun
gelitirilmesiyle sonulanmtr. Karmarkarn gelitirdii i-nokta metoduyla birlikte dorusal
programlama problemlerinin zmnde yeni bir alan alm ve bu metodun teorik detalar
incelenmi ve metodu iyiletirmek iin deiiklikler nerilmitir (Cavalier ve Soyster, 1985;
Hooker, 1986; Barnes, 1986; Vanderbei et al., 1986; Mizuno et al., 1993).
3.2. Tamsay-Kark Dorusal Programlama Metodlar
Tamsay-kark dorusal programlama problemlerinin zmnde en yaygn olarak dalsnr algoritmas kullanlr (Land ve Doig, 1960; Balas, 1965; Dakin, 1965). Dal-snr
algoritmas tamsayl deikenlerin alabilecei tamsaylar kmesindeki en kk ve en byk
deerler arasnda herhangi bir reel sayy alabilcek ekilde gevetilmesiyle elde edilen
problemlerin zm esasna dayanr. Her problemin zm sonucunda en iyi zm iin bir
snr elde edilir. Ayrca, tamsayl deer almas gereken deikenler sistematik bir ekilde her

problemin soncuna gre deerlendirilerek yeni nodlar oluturulur. Dal-snr algoritmasnda her
dal aadaki durumlarda sonlandrlr:
i.
ii.
iii.

tamsayl deer almas gereken deikenlerin tm tamamen veya ksmen gevetilmi

problemde tamsayl deer alr ve bu zme tamsayl zm ad verilerek en iyi ama
fonsiyonu deeri gerekli olursa gncellenir,
bir noddaki ama fonksiyonu deeri gncel olan en iyi ama fonksiyonu deerinden
daha ktdr,
bir noddaki problemin zm kstlardan bazlarn salamamaktadr.

Bu kriterlere uyularak problem iin dal-snr aac oluturulur ve tm dallar

sonlandrldktan sonra en iyi zme ulalr.
Tamsay-kark dorusal programlama iin oluturduumuz rnek modelde dal-snr
algoritmasnn ilk problemi tamsayl deikenler y1 ve y2nin gevetilmesiyle oluturulur. Bu
durumda elde edilen dorusal programlama modeli simpleks metoduyla zlr ve ekil 2de 0
numaral nodda gsterilen zm elde edilir. Bu nodda elde edilen ama fonsiyonu deeri
92.680dir ve bu problem iin en iyi zme bir st snr verir. Bu zmde tamsayl
deikenlerin deerlerinin 0,4 ve 0,6 olduunu grrz. Bu noddan iki yeni dal zerinde yeni
nodlar oluturmak gerekmektedir. Bu amala tamsayl deikenlerden birisini (y1 ve y2)
sememiz gerekir. Bu problemde rastgele bir seimle y1 deikeni seilmi ve 1 ve 2 numaral
nodlar y1in 0a ve 1e eitlenmesiyle elde edilmitir. Yeni nodlarda elde edilen sonular y2
deikeninin de tamsayl deer almas sebebiyle sonlandrlr ve en iyi sonucu veren 1 numaral
noddaki zm bulunur.
ekil 2. Tamsay-Kark Dorusal Programlama rnek Problemi in Dal-Snr Aac.

Tamsay-kark dorusal programlama problemlerinin zm iin dier bir yaklamda

ise ilk defa Gomory tarafndan nerilen kesen yzeyler kullanlr (Gomory, 1958). Bu metodda
tamsayl karar deikenlerinin gevetilmi dorusal programlama problemine ardk olarak
geerli eitsizliklerin eklenmesiyle tamsayl zm elde edilmesi hedeflenir. Son yllarda dalsnr algoritmalaryla kesen yzeyler metodlarnn birletirilmesi ynnde yaplan almalarda
zm zor olan yamsay kark dorusal programlama problemlerinde baarl olunmutur. Bu
kapsamda yaplan gelimeler Johnson ve alma arkadalar tarafndan zetlenmitir (Johnson
ve di., 2000).
3.3. Dorulsal Olmayan Programlama Metodlar
Dorusal olmayan programlama problemlerinde eniyi zmn Karush-Kuhn-Tucker
(KKT) artlarna uymas gereklidir. Bu artlarn teorik anlamlar iki ayr almada verilmitir
(Karush, 1939; Kuhn ve Tucker, 1951). ncelikle, dorusal olmayan programlama
problemlerinde (11) denkleminde verildii gibi ama fonsiyonunun gradyan ile kst

10

fonksiyonlarn gradyanlarnn her kst iin tanmlanm parametrelerle arpmlarnn toplam

sfra eit olmaldr. Eer problemde sadece ama fonksiyonu varsa (ama fonsiyonun eniyi
deeri kstsz olarak belirlenecekse) sadece ama fonksiyonun gradyann sfra eitleyecek
karar deikenlerinin deerleri ama fonksiyonunu eniyilemi olurlar.
m

j =1

j =1

f ( x) + j g j ( x) + j h j ( x) = 0
r

x f ( x) + j h j ( x) = 0
j =1

g j ( x ) = 0 j =1,...,m

h j ( x) 0

j =1,...,r

j h j ( x) = 0
j 0

j =1,...,r

(11)
(12)
(13)
(14)

Ayrca karar deikenleri alacaklar deerlerle tamamlayc koular yerine getirmeli (12),
tm kstlara uymal (13) ve kstlar iin tanmlanan arpanlardan j iin (14)te verilen ek
artlar salanmaldr.
Dorusal olmayan problemlerin optimal zmn elde etmek iin eitli metodlar
kullanlmaktadr (Bazaraa ve di, 2006). Bu metodlar arasnda yaygn olarak kullanlan Aktif
kst kmesi metodunu 5 ana basamaktan olumaktadr (Fletcher ve de la Masa, 1989):

11

ekil 3: Aktif Kst Kmesi zm Algoritmas.

1. terasyon sayac tanmlanr, i=1.

2. Problemdeki tm kstlarn saland varsaylarak aktif kst kmesi bo kme olarak
belirlenir, Ji={jhj=0}. Bu durumda, Ji= , j= 0, j=1,..., r.
3. KKT artlar aadaki gibi yazlr ve x deikenleriyle j (jJi) arpanlarnn deeri
belirlenir.
r

f ( x) + j h j ( x) = 0
j =1

h j ( x) 0 j J1
4. Eer tm kstlar eitlik olarak salanyorsa (hj(x)=0 ve j<0, j=1,...,r) mevcut zm
KKT artlarn yerine getiriyor demektir ve en iyi zm bulunmutur. Mevcut zm
en iyi zm olarak raporlanr ve algoritma durdurulur.
5. Eer herhangi bir kst salanmyorsa (hj(x)>0) ve/veya j<0 ise:
a. terasyon sayac gncellenir, i=i+1.
b. arpan sfrdan kk deer alan bir kst aktif set kmesinden karlr. Birden
fazla arpann sfrdan kk olmas durumunda sfrdan fark en byk olan kst
seilerek aktif kst kmesinden karlr ve Ji kmesi gncellenir.
c. Salanmayan kstlar (hj(x)>0) Ji kmesine eklenerek gncellenir.
d. 3. basamaa dnlerek yeni bir iterasyon yaplr.

Ama fonksiyonun eniyilendii artlar (36.15)de verildii gibi yazabiliriz:

1

x1 :

14
(1000) x1 15 1 22 3 = 0
15

x2 :

9
(900) x2 10 1 1.52 4 = 0
10

x1 :

x2 :

14
x1 (1000) x1 15 1 22 3 = 0

15

9
x2 (900) x2 10 1 1.52 4 = 0

10

12

(15)

x1 + x2 100
2 x1 + 1.5 x2 170
x1 100
x2 100

1 ( x1 + x2 100 ) = 0
2 ( 2 x1 + 1.5 x2 170 ) = 0
3 ( x1 100 ) = 0
4 ( x2 100 ) = 0
x1 , x2 0

1 , 2 , 3 , 4 0

rnek problem iin zm alan grafiksel olarak ekil 4te verilmitir.

ekil 3te verilen aktif kst kmesi metod uygulandnda rnek problemde en iyi zm
olarak, x1=44.4775, x2= 54.03, 1=0, 2=362.3517, 3=0, 4=0 belirlenir. Bu sonutan da
grlebilecei gibi en iyi zmde birinci, iinci ve drdnc kst eitsizlikler olarak
salanmakta (1=0) ve ikinci kst ise eitlik olarak salanmaktadr.
Dorusal olmayan programlama problemlerinin zm iin dier yaklamlardan en yagn
olanlar arasnda indirgenmi gradyan, ardk karesel programlama, gvenli alan ve i-nokta
metodlar saylabilir (Bazaara, ve di., 2006).
ekil 4: Dorusal Olmayan Programlama rnek Problemi in zm Alan

13

3.4. Tamsay-Kark Dorusal Olmayan Programlama Modelleri

Tamsay-kark dorusal olmayan programlama problemlerinde eniyi zmn hem

Karush-Kuhn-Tucker (KKT) artlarna uymas hemde tamsayl kstlar yerine getirmesi
gereklidir. Bu problemlerin zmnde en yaygn olarak kullanlan zm metodlarndan birisi
dsal yaklaklamadr (Duran ve Grossmann, 1986; Viswanathan ve Grossmann, 1990).
Dsal yaklaklama metodu tamsay-kark dorusal olmayan problemin ikiye ayrlmas
esasna dayanr. ekil 5te de gsterildii gibi tamsayl deikenlerin belli deerlere
sabitlenmesi sonucu (rnein 0 veya 1) dorusal olmayan bir alt problem elde edilir. Bu alt
problemin zlmesiyle eniyi zm iin bir st limit elde edilir ve deikenlerin deerleri
belirlenir. Problemde yer alan dorusal olmayan kstlarn deikenlerin aldklar deerlerde
teetlerinin alnmasyla bu kstlar dorusal olarak yaklaklatrlr. Daha sonra dorusal olarak
ifade edilen probleme tamsayl deikenlerin de eklenmesiyle tamsay-kark ana problem elde
edilir. Tamsay-kark ana problemin zmyle ise ama fonksiyonu iin alt limit elde edilir
ve tamsayl deikenler iin yeni deerler belirlenir. Dorusal olmayan alt problemden elde
edilen st limitle tamsay-kark ana problemden elde edilen alt limit karlatrlarak eniyi
zmn bulunup bulunulmad kontrol edilir. Eer alt limitin deeri st limitten byk veya
eitse metod en iyi st limiti veren dorusal olmayan programlama problemi sonucunu
raprolayarak sonlanr. Eer st limit alt limitten kkse en son zlen tamsay-kark ana
problemden elde edilen tamsayl deiken deerleri sabitelenerk yeni bir dorusal olmayan
programlama problemi elde edilerek dngye devam edilir.
ekil 5: Dsal Yaklaklama Metodu

rnek problemin eniyi .zm dsal yaklaklama metoduyla 3 dorusal olmayan alt
problemin ve 2 tamsay-kark ana problemin zlmesiyle elde edilmitir. Dsal yaklaklama
metoduyla elde edilen zmde deikenlerin deerleri, x1=85, x2= 0, y1=1 ve y2=0 olarak
belirlenmitir. zmde raporlanan en iyilenmi ama fonsiyonmu deeri ise 61.710,76dr.
Tamsay-kark dorusal olmayan programlama problemlerinin zm iin dier
yaklamlardan en yaygn olanlar arasnda mantk tabanl metodlar (Trkay ve Grossmann,
1996) dal-snr algoritmalar (Gupta ve Ravindran, 1985; Leyffer, 2001), dal-ve-kes

14

algoritmalar (Stubbs ve Mehrotra, 1999), genellendirilmi Benders ayrtrma metodu

(Geoffrion, 1972) saylabilir.
4. SONU

Bu blmde iletmelerin verimliliklerini arttrmakta ok nemli rol oynayan optimizasyon

teknolojisi ile ilgili detayl bilgi verilmitir. Gn getike gelien sanayimizin rekabeti
olabilmesi iin verimliliin arttrlmas kanlmaz bir zorunluluktur. Globalleen dnya retim,
hizmet ve finans sektrlerinde nemli frsatlar beraberinde getirmektedir. Bu frsatlarn en
aklc ve etkin olarak eerlendirilmesi iin iyi bir modelleme, zmleme ve analiz
platformunun gerekletirilmesi kanlmazdr.
KAYNAKA

Balas E. (1965), An Additive Algorithm for Solving Linear Programs with Zero-One Variables,
Operations Research, 13, 517-546.
Barnes, E.R. (1986), A variation on Karmarkar's algorithm for solving linear programming
problems, Mathematical Programming, 36, 2, 174-182.
Bazaraa, M.S., Sherali H.D. ve Shetty, C.M. (2006), Nonlinear Programming: Theory and
Algorithms, 3. bask, Wiley-Interscience, New York.
Billington,G., Callioni,G., Crane,B., Ruark,J.D., Rapp, J.U., White,T. ve Willems,S.P. (2004),
Accelerating the Profitability of Hewlett-Packards Supply Chains, Interfaces 34, 5972.
Bollapragada, S., Cheng, H., Phillips, M., Garbiras, M., Scholes, M., Gibbs, T. ve
Humphreville, M. (2002), NBC's Optimization Systems Increase Revenues and Productivity,
Interfaces, 32, 4760, 2002.
Cavalier, T.M. ve Soyster, A.L. (1985), Some computational experience and a modification of
the Karmarkar algorithm, ISME Working Paper 85-105, The Pennsylvania State University.
Dakin, R. J. (1965), A Tree Search Algorithm for Mixed Integer Programming Problems,
Computer Journal, 8,3, 250-255, 1965.
Dantzig, G. B. (1949a), Programming in a linear structure, Econometrica 17, 7374.
Dantzig, G. B. (1949b), Programming of Inter-Dependent Activities II, Mathematical Model,
Econometrica, 17, 3-4, 200-211, 1949b. (Ayn makale ayrca Dantzig, G.B. (1951), Activity
Analysis of Production and Allocation iinde Koopmans, T. C. editr, John Wiley& Sons, NY,
19-32 yaynlanmtr).
Dantzig, G. B. (1951a), Maximization of a linear function subject to linear inequalities, Activity
Analysis of Production and Allocation iinde Koopmans, T. C. editr, John Wiley& Sons, NY,
339-347.
Dantzig, G. B. (1951b), Application of the simplex method to a transportation problem, Activity
Analysis of Production and Allocation iinde Koopmans, T. C. editr, John Wiley& Sons, NY,
359-373.
Dantzig, G. B. (1951c), ,A proof of the equivalence of the programming problem and game
problem, Activity Analysis of Production and Allocation iinde Koopmans, T. C. editr, John
Wiley& Sons, NY, 330-335.

15

Dantzig, G. B. (1957), Discrete variable extremum problems, Oper. Res., 5, 266277.

Dantzig, G. B. (1959), Note on solving linear programs in integers, Naval Res. Logist. Quart., 6
7576.
Dantzig, G. B. (1960), On the significance of solving linear programs with some integer
variables, Econometrica, 28, 3044.
Dantzig, G.B. (1963), Linear Programming and Extensions, Princeton University Press,
Princeton, NJ.
Dantzig, G.B. (2002), Linear Programming, Operations Research 50 (1), 42-47.
Dantzig, G. B. ve Wood, M. (1949), Programming of Inter-Dependent Activities I, General
Discussion, Econometrica, 17, 3-4, 193-199. (Ayn makale ayrca Dantzig, G.B. ve Wood, M.
(1951), Activity Analysis of Production and Allocation iinde Koopmans, T. C. editr, John
Wiley& Sons, NY, 15-18 yaynlanmtr).
Dikin, II. (1967), Iterative solution of problems of linear and quadratic programming, Doklady
Akademiia Nauk SSSR, 174,747-748. (ngilizce tercmesi Soviet Mathematics Doklady, 8, 674675, 1967.).
Duran, M.A. ve Grossmann, I.E. (1986) An Outer-Approximation Algorithm for a Class of
Mixed-Integer Nonlinear Programs, Mathematical Programming, 36, 307-339.
Fletcher, R. ve de la Maza, E.S. (1989), Nonlinear programming and nonsmooth optimizatio by
successive linear programming, Mathematical Programming, 43, 235256.
Gass, S.I. (2000), Making Decisions with Precision, Business Week October 30, 2000
(http://www.businessweek.com/archives/2000/b3705139.arc.htm?campaign_id=search#B37051
39), son eriim tarihi: 1 ubat 2006.
Gass, S.I. ve Assad, A.A. (2004), Annotated Timeline of Operations Research: An Informal
History, Springer-Verlag New York, NY.
Geoffrion, A.M. (1972), Generalized Benders Decomposition, Journal of Optimization Theory
and Applications, 10, 237-260.
Gomory, R.E. (1958), Outline of an Algorithm for Integer Solution to Linear Programs, Bulletin
of the American Mathematical Society, 64, 275-278.
Gupta, O.K. ve Ravindran, V. (1985), Branch and Bound Experiments in Convex Nonlnear
Integer Programming, Management Science, 31, 1533-1546.
Hillier, F.S. ve Lieberman, G.J. (2005), Introduction to Operations Research, 8. bask, 2005,
McGraw Hill, New York, NY.
Hooker, J.N. (1986), Karmarkar's linear programming algorithm, Interfaces, 16, 4, 75-90.
INFORMS Interfaces dergisi web sitesi, http://pubsonline.informs.org/, son eriim tarihi: 6
ubat 2006.
Johnson, E.L., Nemhauser, G.L. ve Savelsbergh, M.W.P. (2000), Progress in Linear
Programming Based Branch-and-Bound Algorithms: An Exposition, INFORMS Journal on
Computing, 12, 2-23.
Ireland, P., Case, R., Fallis, J., Van Dyke, C., Kuehn, J. ve Meketon, M. (2004), The Canadian
Pacific Railway Transforms Operations by Using Models to Develop Its Operating Plans,
Interfaces, 34, 514.

16

Kantorovich, L. V. (1939), Mathematical Methods in the Organization and Planning of

Production, Publication House of the Leningrad State University, Leningrad, U.S.S.R., 68
(Rusa).
Kantorovich, L. V. (1960), Mathematical Methods in the Organization and Planning of
Production, Management Sci. 6 ,366422 (ngilizce).
Kantorovich, L. V. ve Gavurin M. K. (hazrlan tarihi 1940, yayn tarihi 1949), Primenenie
matematicheskikh metodov v voprosakh analiza gruzopotokov, in Problemy povysheniia
effektivnosti raboty transporta (The Use of Mathematical Methods in Analyzing Problems of
Goods Transport, in Problems of Increasing the Efficiency in the Transport Industry, pp. 110138). Academy of Sciences, U.S.S.R.
Karmarkar N. (1984), A New Polynomial Time Algorithm for Linear Programming,
Combinatorica, 4, 373395.
Karush, W. (1939), Minima of Functions of Several Variables with Inequalities as Side
Conditions, M.Sc. Thesis, Department of Mathematics, University of Chicago, Chicago, IL.
Khachian, L.G. (1979), A polynomial algorithm in linear programming, Dokklady Akademiia
Nauk SSSR, 244, 1093-1096. (ngilizce tercmesi Soviet Mathematics Doklady 20, 191-194,
1979.)
Koopmans, T. C. (1949), Optimum Utilization of the Transportation System, Proceedings of the
International Statistical Conferences, 5, 136-145.
Koopmans, T. C., editr (1951a), Activity Analysis of Production and Allocation, New York,
Wiley.
Koopmans, T. C. ve Reiter, S. (1951), A Model of Transportation, Koopmans, T. C., editr,
Activity Analysis of Production and Allocation, 222-259, New York, Wiley.
Koopmans, T. C. (1957), Three Essays on the State of Economic Science, New York, McGrawHill.
Koopmans, T. C. ve Bausch, A.F. (1959), Selected Topics in Economics Involving
Mathematical Reasoning, SIAM Review, 1, 2, 79-148.
Kuhn, H.W. ve Tucker, A.W. (1951) Nonlinear programming. Editr: J. Neyman, Proc. Second
Berkeley Sympos. Math. Statist. Probab. University of California Press, Berkeley, CA, 481492.
Land, A.H. ve Doig, A. G. (1960) An automatic method for solving discrete programming
problems, Econometrica 28, 497-520.
Leontief, W.W. (1933), The Use of Indifference Curves in the Analysis of Foreign Trade, The
Quarterly Journal of Economics, 47, 493-503.
Leontief, W. W. (1936), Quantitative Input and Output Relations in the Economic System of the
United States, Review of Econ. Statistics, 18, 3, 105-125.
Leyffer, S. (2001), Integrating SQP and branch-and-bound for Mixed Integer Nonlinear
Programming, Computational Optimization and Applications, 18, 295-309.
Metty, T., Harlan, R., Samelson, Q., Moore, T., Morris, T., Sorensen, R., Schneur, A., Raskina,
O., Schneur, R., Kanner, J., Potts, K. ve Robbins, J. (2005), Reinventing the Supplier
Negotiation Process at Motorola, Interfaces, 35, 723.

17

Mizuno, S., Todd, M.J. ve Ye, Y. (1993), On adaptive step primal-dual interior-point algorithms
for linear programming, Math. Oper. Res., 18, 964-981.
Murty, K.G., Wan, Y.W., Liu, J., Tseng, M.M., Leung, E., Lai, K.K. ve Chiu, H.W.C. (2005),
Hongkong International Terminals Gains Elastic Capacity Using a Data-Intensive DecisionSupport System, Interfaces, 35, 6175.
NEOS Optimizasyon Rehberi web sitesi, http://www-fp.mcs.anl.gov/otc/Guide/index.html, son
eriim tarihi: 7 ubat 2006.
Nobel dl web sitesi, http://nobelprize.org/economics/laureates/, son eriim tarihi: 5 ubat
2006.
Patchong, A., Lemoine, T. ve Kern, G. (2003), Improving Car Body Production at PSA Peugeot
Citroen, Interfaces, 33, 3649.
Stubbs, R. ve S. Mehrotra, S. (1999), A Branch-and-Cut Method for 0-1 Mixed Convex
Programming, Mathemaitcal Programming, 86, 515-532.
Trkay, M. ve I.E. Grossmann, I:E: (1996) Logic-Based MINLP Algorithms for the Optimal
Synthesis of Process Networks, Compt. Chem. Eng., 20, 959-978.
Vanderbei, R.J., Meketon, M.S. ve Freedman, B.A. (1986), A modification of karmarkar's linear
programming algorithm, Algorithmica, 1, 1, 395-407.
Viswanathan, J. ve I.E. Grossmann, I.E. (1990) A Combined Penalty Function and OuterApproximation Method for MINLP Optimization, Compt. Chem. Eng., 14, 769-782.
Williams, H.P. (1999), Model Building in Mathematical Programming, 4. bask, Wiley, New
York, NY.
Winston, W.L. (2003), Operations Research: Applicatios and Algorithms, 4. bask, International
Thomson Publishing, Belmont, CA.

18