Professional Documents
Culture Documents
Sadraj
1 Uvod
1
4
4
10
11
4 Metode za rjeavanje
4.1 Geometrijska metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Simpleks metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
17
17
5 Primjeri
27
6 Povijesni pregled
34
Uvod
Obvezni predmet u 5. semestru sveuilinog preddiplomskog studijskog programa Poduzetnitvo Ekonomskog fakulteta u Osijeku (45 sati predavanja i 15 sati vjebi, 5 ECTS bodova)
Kvantitativne metode
strojnog rada od 10 kn po satu, trina cijena ljudskog rada od 5 kn po satu i trinom cijenom
istraivanja trita od 5 kn po jedinici proizvoda.
Ako je poznato da je trina cijena proizvoda P1 50 kn, a trina cijena proizvoda P2 80 kn,
treba odrediti koliinu proizvodnje x? = (x?1 , x?2 )T proizvoda {P1 , P2 }, uz koju se postie maksimalni profit z ? kao razlika prodajne cijene i trokova proizvodnje.
Inputi
Proizvodi
P1
P2
Stroj
Ljudski rad
Trite (P2 )
2
2
0
4
1
1
Cijene (j )
Trokovi
50
30
80
50
Profit (cj )
20
30
Kapaciteti
resursa (bi )
Trine cijene
resursa (i )
16
10
3
10
5
5
Tablicu iz koje su vidljive veze izmeu inputa (strojevi, ljudski rad, trite) i outputa (koliine proizvoda) zvat emo matrica tehnologije. U tablici je prikazana informacijska osnova
proizvodnje:
Strojevi (to mogu proizvoditi, koliko sati rada im je potrebno za proizvodnju jedne jedinice
pojedinog proizvoda, koliki su im dnevni kapaciteti u satima rada);
Ljudski rad (to mogu proizvoditi, koliko sati rada im je potrebno za proizvodnju jedne
jedinice pojedinog proizvoda, koliki su im dnevni kapaciteti u satima rada);
Trite (kakva su trina ogranienja za pojedini proizvod koji se namjerava proizvoditi);
Trine cijene po jedinici proizvoda i trine cijene jedininih resursa.
Kod matematike formulacije problema koristi se temeljna pretpostavka o linearnosti veza,
koja se moe razloiti na dvije pretpostavke:
Proporcionalnost. Primjerice, ako je za proizvodnju jedne jedinice proizvoda P1 potrebno
2 sata, onda je za proizvodnju x jedinica proizvoda P1 potrebno 2x sati strojnog rada;
Aditivnost. Primjerice, ako je za proizvodnju jedne jedinice proizvoda P1 potrebno utroiti
2 sata, a za proizvodnju jedne jedinice proizvoda P2 , 4 sata strojnog rada, onda je za
proizvodnju jedne jedinice proizvoda P1 i jedne jedinice proizvoda P2 potrebno utroiti 6
sati strojnog rada.
Uz oznake:
x1 koliina proizvodnje proizvoda P1 ,
x2 koliina proizvodnje proizvoda P2 ,
Kvantitativne metode
ogranienja proizvodnje vidljiva u Tablici 1 zapisat emo sljedeim sustavom linearnih nejednadbi
2x1 + 4x2 16
2x1 + x2 10
(2.1)
x2 3
Pri tome u ovom primjeru bilo bi prirodno jo dodati ogranienja
x1 0,
x2 0,
(2.2)
ali taj zahtjev generalno ne mora biti postavljen. Sustav linearnih nejednadbi, kojima su dana
ogranienja u proizvodnji, definira skup dopustivih toaka S R2 . Skup S je poliedar, koji moe
biti omeen (Slika 1a) ili neomeen (Slika 1b). Ako je poliedar omeen nazivamo ga jo i politop.
(a) 2x1 + 4x2 16, 2x1 + x2 10, x2 3
x1 0, x2 0
3
2
2
-1
-1
1
41 + 2 + 3
a profit po jedinici proizvoda je razlika izmeu jedinine prodajne cijene i jedininih trokova
proizvodnje:
c1 = 1 (21 + 22 ) = 20
c2 = 2 (41 + 2 + 3 ) = 30
(2.3)
uz ogranienja (2.1)-(2.2) ili samo uz ogranienja (2.1). Dakle, radi se o problemu optimizacije
funkcije dviju varijabli na skupu S, pri emu su i funkcija cilja i uvjeti koji odreuju skup S
linearni. Ovaj problem naziva se problem linearnog programiranja (LP). Formalno, LP-problem
moemo formulirati na sljedei nain:
Kvantitativne metode
(2.4)
(x1 ,x2 )S
2.1
Neka je (O;~i, ~j) pravokutni koordinatni sustav u ravnini, u kome je zadan vektor proizvodnje
~u = x1~i + x2~j,
ije komponente x1 , x2 predstavljaju koliinu proizvodnje pojedinog proizvoda, i vektor profita
~c = c1~i + c2~j,
ije komponente c1 , c2 predstavljaju jedinine profite po pojedinom proizvodu. Tada funkciju
cilja f : R2 R moemo zapisati kao skalarni produkt
f (x1 , x2 ) = ~c ~u.
(2.5)
Ako sa S oznaimo skup svih radij-vektora toaka iz skupa S, onda LP-problem (2.4) moemo
zapisati kao
argmax f (x1 , x2 ) = argmax(~c ~u).
(2.6)
(x1 ,x2 )S
~
uS
Teorem 1. (Boyd and Vandenberghe, 2004; aklovi, 2010; Nerali, 2003) Skup svih dopustivih
toaka S problema linearnog programiranja je konveksan. Problem linearnog programiranja (2.6)
ima rjeenje onda i samo onda ako je skup S neprazan i ako je funkcija cilja f ograniena odozgo
na tom skupu. Ako rjeenje postoji, postie se na barem jednom vrhu polijedra S.
2.2
Poznato je (Boyd and Vandenberghe, 2004; aklovi, 2010) da je smjer najbreg rasta funkcije
f : R2 R u toki T = (, ) odreen smjerom vektora koji nazivamo gradijent funkcije f , a
koji je definiran s
(,)~
(,)~
grad f (, ) = fx
i + fx
j
(2.7)
1
2
Gradijent funkcije (2.3) u proizvoljnoj toki T = (, ) je
grad f (, ) = c1~i + c2~j.
Zato emo LP-problem (2.4), odnosno (2.6), geometrijski promatrati kao traenje toke u skupu
S koja je najudaljenija od ishodita O u smjeru gradijenta funkcije cilja f , odnosno u smjeru
vektora profita ~c.
Za zadani vektor ~c = c1~i+c2~j i toku T0 = (, ) jednoznano je odreen pravac p koji prolazi
tokom T0 , a okomit je na vektor ~c.
Kvantitativne metode
T0
~r0
T0
~r0
~r
~c
~c
~r
P
(2.8)
c1 + c2
~c ~r0
= q
.
k~ck
c21 + c22
(2.9)
predstavlja udaljenost toke T0 do ishodita O, a ako je ~c ~r0 < 0 (Slika 2b), onda je
|(~r0 )c | =
|~c ~r0 |
|c1 + c2 |
= q
.
k~ck
c21 + c22
(2.10)
~
uS
i=1,...,m
Kvantitativne metode
(x1 ,x2 )S
i=1,...,m
~c ~ri
,
k~ck
(x1 ,x2 )S
(2.11)
geometrijski ekvivalentan problemu traenja toke Tmin S, koja je najblia ishoditu u smjeru
vektora (~c) = c1~i c2~j. Pri tome toka Tmin uvijek postoji, ne mora biti jedinstvena, a treba
ju traiti meu vrhovima poliedra S.
Skup dopustivih toaka (dopustivo podruje) S iz Primjera 1 prikazan na Slici 3 je
S = {(x1 , x2 ) R2+ : 2x1 + 4x2 16, 2x1 + x2 10, x2 3}
Na Slici 3 prikazan je i smjer vektora profita ~c = 20~i+30~j, k~ck = 10 13, kao i pravci okomiti na
4
3
2
1
-1
-1
di = k~ck
0
13
13
13
13
U vrhu (x?1 , x?2 ) = (4, 2) skupa S postie se optimalno/maksimalno dopustivo rjeenje na kome
funkcija cilja postie optimalnu/maksimalnu vrijednost z ? = 140.
Primjer 2. Zadan je poliedar S s vrhovima
T1 = ( 12 , 1),
T2 = (3, 1),
T3 = (4, 2),
T4 = (4, 5),
T5 = (1, 5),
T6 = ( 23 , 10
3 ),
i vektor ~c = 2~i + ~j (vidi Sliku 4), odnosno funkcija cilja f (x1 , x2 ) = 2x1 + x2 .
Kvantitativne metode
T5
5
p1
T4
T6
p4
T3
T1
p3
T2
~c
-1
p2
2
Ti
~ri
f (x1 , x2 ) = ~ri ~c
di =
~
ri ~c
k~ck
10
13
2
5
7
5
10
13
7
5
2
5
Dakle, postoji vie toaka poliedra S koje su najblie ishoditu u smjeru vektora ~c: to su sve
toke na spojnici T1 T6 , ali postoji samo jedna toka poliedra S koja je najudaljenija od ishodita
u smjeru vektora ~c: to je toka T4 . Prema tome
argmin (2x1 + x2 ) = argmin
Ti S
(x1 ,x2 )S
~ri ~c
= T1 T6 ,
k~ck
(x1 ,x2 )S
~ri ~c
= T4 ,
k~ck
tj. minimum se postie na svakoj toki duine T1 T6 , a maksimum u toki T4 . Vrijednosti funkcije
cilja u vrhovima poliedra S su
f (T1 ) = 2,
f (T2 ) = 7,
f (T3 ) = 10,
f (T4 ) = 13,
f (T5 ) = 7,
f (T6 ) = 2.
T5 = (2, 5),
T6 = (3, 4),
T2 = (3, 4),
T3 = (5, 2),
T4 = (5, 3),
Ti
~ri
f (x1 , x2 ) = ~ri ~c
di =
~
ri ~c
k~ck
7.5
9.5
9.5
7.5
3.25
9
3.25
2
3.25
9.5
3.25
9.5
3.25
3
3.25
Kvantitativne metode
T6
T5
T4
S
2
-6
-4
-2
~c
2
T1
-2
T2
T3
-4
(x1 ,x2 )S
Ti S
~ri ~c
= T2 ,
k~ck
(x1 ,x2 )S
~ri ~c
= T4 T5 ,
k~ck
tj. maksimum se postie na svakoj toki duine T4 T5 , a minimum u toki T2 . Vrijednosti funkcije
cilja u vrhovima poliedra S su
f (T1 ) = 7.5,
f (T2 ) = 9,
f (T3 ) = 2,
f (T4 ) = 9.5,
f (T5 ) = 9.5,
f (T6 ) = 3.
Utroak materijala
P 1 P2
P3
Raspoloivost
materijala
Materijal M1
Materijal M2
4
2
8
9
5
7
200
180
Trina ogranienja
80
22
60
380
Kvantitativne metode
uz uvjete
A=
4
0
1
0
0
8
0
0
1
0
5
0
0
0
1
0
2
1
0
0
0
9
0
1
0
0
7
0
0
1
b=
200
180
80
22
60
c=
4
8
5
2
9
7
x=
S = {x R6 : Ax b, x 0}.
uz uvjet
Ax b, x 0.
x1
x2
x3
x4
x5
x6
Kvantitativne metode
2.3
10
Proizvodi
P1 (x1 ) . . . Pn (xn )
Kapaciteti
resursa
Trine cijene
resursa
a1n
..
.
b1
..
.
1
..
.
bm
Input:1
..
.
a11
..
.
Input:m
am1
aij
amn
Cijene
Trokovi
1
i ai1
n
i ain
c1
cn
Profit
Postavimo sada opi problem maksimizacije dobiti (vidi Tablicu 3). Openito, pretpostavimo
da treba proizvoditi n proizvoda P1 , . . . , Pn u koliinama x1 , . . . , xn koritenjem m resursa u
koliinama b1 , . . . , bm . Pri tome za izradu jedne jedinice proizvoda Pj koristi se i-ti resurs u
koliini aij . Dakle, ako su 1 , . . . , m postojee trine cijene resursa, a 1 , . . . , n postojee
trine cijene proizvoda, treba maksimizirati funkciju cilja
z = f (x1 , . . . , xn ) =
n
X
cj xj ,
(2.12)
j=1
gdje su
cj = j
m
X
i aij ,
j = 1, . . . , n,
(2.13)
i=1
aij xj bi ,
i = 1, . . . , m,
(2.14)
j=1
x1 , . . . , xn 0.
(2.15)
Matrini zapis:
Za zadani vektor kapaciteta resursa b = (b1 , . . . , bm )T Rm , vektor profita c =
(c1 , . . . , cn )T Rn i matricu tehnologije A Rmn , treba odrediti vektor proizvodnje
x? Rn+ , tako da na njemu funkcija cilja z = hc, xi = cT x postie svoj maksimum
uz uvjet Ax b, tj.
maxn {cT x R : Ax b} = cT x? .
(2.16)
xR+
Kvantitativne metode
11
Primjer 5. Za podatke iz Primjera 1 treba odrediti jedinine cijene resursa (w1? , w2? , w3? ), uz koje
e se postii minimalni trokovi proizvodnje.
Inputi
Proizvodi
P1
P2
Stroj
Ljudski rad
Trite (P2 )
2
2
0
4
1
1
Cijene (j )
Trokovi
50
30
80
50
Profit (cj )
20
30
Kapaciteti
resursa (bi )
Trine cijene
resursa (i )
16
10
3
10
5
5
Uz poznate trine cijene resursa i i trine cijene proizvoda j , treba odrediti jedinine
cijene resursa w1 , w2 , w3 (dualna varijabla, cijena u sjeni), tako da ukupni trokove prizvodnje
budu minimalni, tj. treba minimizirati
min(16w1 + 10w2 + 3w3 )
uz uvjete
50
2w1 + 2w2
(3.1)
(3.2)
4w1 + w2 + w3 80
wi i ,
i = 1, 2, 3.
(3.3)
Uvoenjem supstitucije
yi := wi i ,
i = 1, 2, 3.
(3.4)
uz uvjete
20
4y1 + y2 + y3 30
y1 , y2 , y3 0.
Naime, vrijedi
16y1 + 10y2 + 3y3 = 16w1 + 10w2 + 3w3 (161 + 102 + 33 ) = 16w1 + 10w2 + 3w3 225,
pa je problem optimizacije funkcije zadane sa (3.1) ekvivalentan problemu optimizacije funkcije
(y1 , y2 , y3 ) 7 16y1 + 10y2 + 3y3 . Takoer sustav ogranienja (3.2)(3.3) ekvivalenta je sustavu
ogranienja u varijablama (y1 , y2 , y3 ) jer je
2y1 + 2y2 = 2w1 + 2w2 (21 + 22 ) 50 30 = 20,
4y1 + y2 + y3 = 4w1 + w2 + w3 (41 + 2 + 3 ) 80 50 = 30.
Kvantitativne metode
12
10
T
?
Optimalno rjeenje je y ? = ( 20
3 , 3 , 0) , pri emu je optimalna vrijednost funkcije cilja z = 140.
Openito, neka su 1 , . . . , m postojee trine cijene resursa, a 1 , . . . , n postojee trine
cijene proizvoda. Ako su w1 , . . . , wm jedinine cijene resursa, treba minimizirati ukupne trokove
proizvodnje
m
X
min
w1 ,...,wm
bi wi
i=1
m
X
wi aij j ,
uz uvjete
(3.5)
j = 1, . . . , n,
(3.6)
i=1
wi i ,
i = 1, . . . , m.
(3.7)
Uvoenjem supstitucije
yi := wi i ,
i = 1, . . . , m,
(3.8)
y1 ,...,ym
m
X
m
X
bi yi
uz uvjete
(3.9)
i=1
yi aij cj ,
j = 1, . . . , n,
(3.10)
i=1
y1 , . . . , ym 0,
gdje je cj = j
Pm
i=1 i aij
yi aij =
Pm
i=1 i aij
m
X
wi aij
m
X
i aij ,
i=1
i=1
i=1
(3.11)
yi aij =
m
X
wi aij
i=1
m
X
i aij j
i=1
m
X
i aij = cj .
i=1
Matrini zapis:
Za zadani vektor kapaciteta resursa b Rm , vektor profita c Rn i matricu tehnologije A Rmn , treba odrediti vektor y ? Rm
+ , takav da je
min bT y = bT y ? ,
yRm
+
AT y c.
uz uvjet
(3.12)
(3.13)
Kvantitativne metode
13
Ako je x
dopustivo rjeenje primarnog LPproblema (2.16), y dopustivo rjeenje dualnog
LPproblema (3.12)(3.13) i ako vrijedi cT x
= bT y, onda su x
i y optimalna dopustiva
rjeenja;
Ako primarni i dualni LPproblem imaju dopustiva rjeenja, tada postoje i optimalna
dopustiva rjeenja x? , y ? i vrijedi cT x? = bT y ? ; Ako primarni LPproblem (2.16) nema
dopustivo rjeenje, onda odgovarajui dualni LPproblem (3.12)(3.13) nema optimalno
dopustivo rjeenje i ako dualni LPproblem (3.12)(3.13) nema dopustivo rjeenje, onda
odgovarajui primarni LPproblem (2.16) nema optimalno dopustivo rjeenje;
Optimalno dopustivo rjeenje x? primarnog LPproblema (2.16) postoji onda i samo onda
ako postoji optimalno dopustivo rjeenje y ? dualnog LPproblema (3.12)(3.13);
U tom sluaju vrijedi cT x? = bT y ? ;
Dualni problem dualnog problema ponovo je primarni problem LP.
Primjer 6. 1 (Marti, 1971) Dva proizvoda P1 , P2 proizvode se na jednom stroju s kapacitetom
24 sata dnevno uz koritenje ljudskog rada u obimu 21 sat dnevno i trinim ogranienjem od 9
proizvoda P1 ili P2 u zadanom vremenskom intervalu. Treba odrediti koliinu proizvodnje (x?1 , x?2 )
proizvoda {P1 , P2 }, uz koju se postie maksimalni profit z ? kao razlika prodajne cijene i trokova
proizvodnje.
Inputi
Proizvodi
P1
P2
Stroj
Ljudski rad
Trite
1
3
1
4
1
1
Cijene (j )
Trokovi
8
6
15
10
Profit (cj )
Kapaciteti
resursa (bi )
Trine cijene
resursa (i )
24
21
9
2
1
1
Primarni LP-problem:
max(2x1 + 5x2 )
x1 + 4x2 24
3x1 + x2 21
x1 + x2 9
uz uvjete
x1 , x2 0
1
Na web stranici http://www.zweigmedia.com/RealWorld/LPGrapher/lpg.html nalazi se program koji iscrtava podruje odreeno nejednakostima i rjeava problem linearnog programiranja.
Kvantitativne metode
14
6
T5
T4
~c
4
3
T3
2
1
T1
T2
-1
1 4
A = 3 1 ,
1 1
24
b = 21 ,
9
"
c=
2
5
uz uvjete
wi i
Uz supstituciju yi := wi i 0 (wi = yi + i ) dobivamo
min(24y1 + 21y2 + 9y3 + 78) uz uvjet
y1 + 3y2 + y3 8 (1 2 + 3 1 + 1 1) = 2
4y1 + y2 + y3 15 (4 2 + 1 1 + 1 1) = 5
yi 0
Kvantitativne metode
15
odnosno
min(24y1 + 21y2 + 9y3 )
y1 + 3y2 + y3 2
4y1 + y2 + y3 5
yi 0
uz uvjet
Stona hrana
H1
H2
A
B
C
0.6
0.1
0.2
0.1
0.4
0.1
Cijene
20
40
Dnevne
potrebe
1.8
1.2
1.0
odnosno
min(20x1 + 40x2 )
6x1 + x2 18
x1 + 4x2 12
2x1 + x2 10
x1 , x2 0
uz uvjet
Kvantitativne metode
16
14
12
10
T2
6
4
~c
T1
2
10
12
Metode za rjeavanje
uz uvjete
2x1 + 4x2 16
2x1 + x2 10
x2 3
x1 , x2 0
S
1
2x1 + x2 = 10,
x2 = 3,
x1 = 0,
x2 = 0,
Kvantitativne metode
17
m!
,
n!(m n)!
sustava od m jednadbi s n nepoznanica, ime dobivamo toliko ili manje toaka iz Rn . Odmah je
jasno da bi to mogao biti vrlo veliki broj. Primjerice za m = 50 i n = 10 taj broj je 10 272 278 170.
Zato se ova metoda ozbiljno ne razmatra.
4.1
Geometrijska metoda
4.2
Simpleks metoda
Sukladno Teoremu 1, str.4 toku optimalnog rjeenja mogli bi potraiti sljedeim iterativnim
postupkom algoritmom.
Algoritam 1. Korak 1: Odaberemo jedan vrh (poetnu aproksimaciju) A0 i u njemu izraunamo vrijednost funkcije cilja z0 ;
Korak 2: Za svaki susjedni vrh izraunamo vrijednost funkcije cilja i zadrimo se na onom vrhu u kome
smo postigli najveu vrijednost2 ;
Korak 3: Ponavljamo Korak 2 dok god se vrijednost funkcije cilja poveava.
2
Kvantitativne metode
18
Vrh
(0, 0)
(0, 3),
(5, 0)
90
100
(5, 0)
100
(0, 0),
(4, 2)
140
(4, 2)
140
(5, 0),
(2, 3)
100
130
Na taj nain odreeno je optimalno dopustivo rjeenje x? = (4, 2)T , na kome funkcija cilja
postie optimalnu vrijednost z ? = 140.
Simpleks metodu za traenje optimalno dopustivog rjeenja LP-problema maksimuma ilustrirat emo na nekoliko primjera. Vie se moe vidjeti u literaturi navedenoj na kraju teksta.
Primjer 9. Razmotrimo ponovo Primjer 1, odnosno Primjer 8.
Maksimizirati z = 20x1 + 30x2
uz uvjete
2x1 + 4x2 16
2x1 +
x2 10
x2 3
(4.1)
x1 , x2 0
Lijevim stranama svake nejednakosti dodat emo nenegativne veliine (dopunske varijable)
si 0 tako da nejednakosti iz (4.1) postanu jednakosti. Dopunske varijable ne smiju utjecati
na vrijednost funkcije cilja. Odgovarajui LP-program (4.1) tada postaje
Maksimizirati z = 20x1 + 30x2 + 0s1 + 0s2 + 0s3
uz uvjete
2x1 + 4x2 + s1
= 16
2x1 +
x2
+ s2
= 10
x2
+ s3 = 3
(4.2)
x1 , x2 , s1 , s2 , s3 0
ili tablicno
x1
x2
s1 s2 s3
bi
2
2
0
4
1
1
1
0
0
0
1
0
0
0
1
16
10
3
20
30
"
x(0) =
0
0
s(0)
16
= 10 ,
3
z (0) = 0,
(4.3)
Kvantitativne metode
19
= x2
x2 = 3 s3 3
= x2
10
1 = 10
3
1 =3
x2
0
4
(1)
Dakle, najvea dopustiva koliina proizvodnje proizvoda P2 moe biti x2 = 3. Tako do(1) (1)
bivamo prvu aproksimaciju rjeenja x(1) = (x1 , x2 ) = (0, 3) (vidi Sliku 9). Primijetite da
smo tu koliinu formalno mogli dobiti promatrajui kvocijente slobodnih koeficijenata sustava
(4.2) i onih koeficijenata uz varijablu x2 koji su pozitivni. Od svih takvih kvocijenata izabiremo
najmanji
10 3
min{ 16
4 , 1 , 1 } = 3.
(0, 3)
(2, 3)
(4, 2)
S
1
(0, 0)
+
+
x2
x1 , x2 , s1 , s2 , s3 0
(4.4)
Kvantitativne metode
20
Ovakvim izborom koliine proizvodnje proizvoda P2 potpuno smo iscrpili treu restrikciju (tr(1)
ino ogranienje), pa odgovarajua dopunska varijabla mora biti s3 = 0. Na taj nain sustavom
(4.4) potpuno su odreene veliine:
x(1) = (0, 3),
z (1) = 90.
x2 s1 s2
s3
bi
2
2
0
0
0
1
1
0
0
0
1
0
4
1
1
4
7
3
20
30 90
"
x(1) =
0
3
s(1)
= 7 ,
0
z (1) = 90
(4.5)
Primjedba 3. Razmotrimo formalni put nastajanja tablice (4.5) iz tablice (4.3). Najprije u
tablici (4.3) treba izabrati pivot-stupac tako da u posljednjem retku tablice izmeu pozitivnih
brojeva potraimo najvei (u naem sluaju to je drugi stupac). Nakon toga u pivot-stupcu
treba izabrati pivot-element tako da za sve pozitivne elemente pivot-stupca potraimo minimalni
kvocijent izmeu slobodnog koeficijenta i odgovarajueg koeficijenta u pivot-stupcu. Tako smo
odredili pivot-element oznaen kvadratiem u tablici (4.3). Nakon toga tablicu (4.5) dobivamo
primjenom Gaussovih transformacija nad retcima tablice (4.3):
trei redak pomnoiti s (4) i dodati prvom;
trei redak pomnoiti s (1) i dodati drugom;
trei redak pomnoiti s (30) i dodati etvrtom.
Prijeimo na traenje sljedee - druge aproksimacije x(2) rjeenja. Kao to se vidi iz funkcije
cilja u (4.4) bolje rjeenje moglo bi se potraiti uvoenjem u proizvodnju proizvoda P1 jer bi
to moglo dovesti do poveanja vrijednosti funkcije cilja. Pri tome dopunska varijabla s3 morala
bi biti nula jer se uz nju nalazi negativni koeficijent (u protivnom, to bi dovelo do snienja
vrijednosti funkcije cilja). Iz (4.4) dobivamo
2x1 = 4 s1 4 = x1
2x1 = 7 s2 7 = x1
4
2
7
2
=2
= 3.5
x2
0
3.5
(2)
Kvantitativne metode
21
(2)
+ s1
+ s2
x2
30s3
4s3 = 4
s3 = 7
+
s3 = 3
x1 , x2 , s1 , s2 , s3 0
odnosno
Maksimizirati z 130 =
uz uvjete
x1
10s1
+ 10s3
1
s
2s3 = 2
2 1
s1 + s2 + 3s3 = 3
+
s3 = 3
x2
(4.6)
x1 , x2 , s1 , s2 , s3 0
(2)
(2)
Kako je s1 = 0 i s3 = 0, iz (4.6) moemo proitati i ostale vrijednosti (vidi takoer Sliku 9):
x(2) = (2, 3),
z (2) = 130.
s1
s2
s3
bi
1
0
0
0
0
1
1/2
1
0
0
1
0
2
3
1
2
3
3
10
10
130
"
x(2) =
2
3
s(2)
= 3 ,
0
z (2) = 130
(4.7)
Razmotrimo formalni put nastajanja tablice (4.7) iz tablice (4.5). Najprije u tablici (4.5)
treba izabrati pivot-stupac tako da u posljednjem retku tablice izmeu pozitivnih brojeva potraimo najvei (u naem sluaju on se nalazi u prvom stupcu). Nakon toga u pivot-stupcu treba
izabrati pivot-element tako da za sve pozitivne elemente pivot-stupca potraimo minimalni kvocijent izmeu slobodnog koeficijenta i odgovarajueg koeficijenta u pivot-stupcu. Tako smo
odredili pivot-element oznaen kvadratiem u tablici (4.5). Nakon toga tablicu (4.7) dobivamo
primjenom Gaussovih transformacija nad retcima tablice (4.5).
Prijeimo na traenje sljedee - tree aproksimacije x(3) rjeenja. Kao to se vidi iz funkcije
cilja u (4.6), moe se oekivati da e se funkcija cilja jo poveati veim angairanjem trinih
mogunosti (to boljim zadovoljavanjem tree nejednakosti). Istovremeno, vrijednost prve dopunske varijable s1 mora biti nula jer se uz nju nalazi negativni koeficijent (u protivnom, to bi
dovelo do snienja vrijednosti funkcije cilja). Iz (4.6) dobivamo
2s3 = 2 + x1 2 = s3 1
3s3 = 3 s2 3
= s3
s3 = 3 x2 3
= s3
3
3
3
1
=1
=3
Kvantitativne metode
22
s3
1
3
(3)
Najvee dopustivo angairanje trita (tree dopunske varijable) smije biti s3 = 1. Primijetite da smo tu koliinu formalno mogli dobiti promatrajuci kvocijente slobodnih koeficijenata
sustava (4.6) i onih koeficijenata uz varijablu s3 koji su pozitivni. Od svih takvih kvocijenata
izabiremo najmanji
min{ 33 , 31 } = 1.
(3)
uz uvjete
10s1
1
2 s1
1
3 s1
+ 10(1 + 13 s1 31 s2 )
1
3 s2
x2
2(1 + 13 s1 31 s2 ) = 2
s3 = 1
+
+
(1 +
1
3 s1
1
3 s2 )
=3
x1 , x2 , s1 , s2 , s3 0
odnosno
Maksimizirati z 140 =
x2
+ s3 = 1
1
3 s2
=2
1
3 s1
x1
uz uvjete
10
3 s2
2
3 s2
1
3 s2
20
3 s1
1
6 s1
1
3 s1
=4
(4.8)
x1 , x2 , s1 , s2 , s3 0
(3)
(3)
Kako je s3 = 1 i s2 = 0, iz (4.8) moemo proitati i ostale vrijednosti (vidi takoer Sliku 9):
x(3) = (4, 2),
z (3) = 140.
s1
s2
s3
bi
1
0
0
0
0
1
1/6
1/3
1/3
2/3
1/3
1/3
0
1
0
4
1
2
20/3 10/3
140
"
x(3) =
4
2
s(3)
= 0 ,
1
z (3) = 140
(4.9)
Budui da u funkciji cilja (odnosno u zadnjem retku tablice) vie nema pozitivnih elemenata
koji bi osigurali poveanje funkcije cilja, algoritam je zavrio i postignuto je optimalno rjeenje.
Primjedba 4. Iz posljednje simpleks tablice mogu se oitati i optimalne vrijednosti dualnih
10
?
?
varijabli (cijene u sjeni): w1? = 20
3 , w2 = 3 , w3 = 0. Interpretirajte njihovo ekonomsko znaenje.
Kvantitativne metode
23
+ 4x2
+ 3x2
+ x2
+ 4x2
+ 3x3
+ x3 5
+ 2x3 11
+ 2x3 8
(4.10)
x1 , x2 , x3 0
z
O
y
( 25 , 0, 0),
(0, 35 , 0),
(0, 2, 0),
(0, 0, 4),
(2, 0, 1),
(0, 1, 2).
prikazan na Slici 10. Budui da se maksimum funkcije cilja postie na barem jednom vrhu ovog
konveksog poliedra, jedna mogunost je provjeriti njenu vrijednost u svim vrhovima. I u ovom
sluaju to je lako jer je broj vrhova malen:
Vrhovi
(0, 0, 0) ( 52 , 0, 0) (0, 35 , 0) (0, 2, 0) (0, 0, 4) (2, 0, 1) (0, 1, 2)
Funkcija cilja
0
12.5
6.667
8
12
13
10
Dakle, maksimum funkcije cilja postie se u toki (2, 0, 1) i iznosi 13.
Primijenimo simpleks metodu na rjeavanje ovog LP-problema. Lijevim stranama svake
nejednakosti dodat emo nenegativne veliine (dopunske varijable) si 0 tako da nejednakosti
iz (4.10) postanu jednakosti. Dopunske varijable ne smiju utjecati na vrijednost funkcije cilja.
Odgovarajui LP-program (4.10) postaje
Maksimizirati z = 5x1
uz uvjete
2x1
4x1
3x1
+ 4x2
+ 3x2
+ x2
+ 4x2
xi , si 0
(4.11)
Kvantitativne metode
24
ili tablino
x1
x2 x3 s1 s2 s3
bi
2
4
3
3
1
4
1
2
2
1
0
0
0
1
0
0
0
1
5
11
8
x(0)
= 0 ,
0
s(0)
= 11 ,
8
z (0) = 0,
(0)
(0)
(4.12)
(0)
= x1
4x1 = 11 x2 2x3 s2 11 = x1
3x1 = 8 4x2 2x3 s3 8
= x1
5
2 = 2.5
11
4 = 2.75
8
3 = 2.667
(1)
Dakle, najvea dopustiva koliina proizvodnje proizvoda P1 moe biti x2 = 2.5. Tako dobi(1) (1) (1)
vamo prvu aproksimaciju rjeenja x(1) = (x1 , x2 , x3 ) = (2.5, 0, 0) (vidi Sliku 10). Primijetite
da smo tu koliinu formalno mogli dobiti promatrajui kvocijente slobodnih koeficijenata sustava (4.11) i onih koeficijenata uz varijablu x1 koji su pozitivni. Od svih takvih kvocijenata
izabiremo najmanji
8
5
min{ 25 , 11
4 , 3} = 2.
(1)
x1 +
7
2 x2
3
2 x2
5x2
1
2 x2
1
2 x3
1
2 x3
1
2 x3
5
2 s1
1
2 s1
2s1 +
3
2 s1
+ 0s2 + 0s3
=
s2
5
2
=1
+
s3 =
(4.13)
1
2
xi , si 0
Ovakvim izborom koliine proizvodnje proizvoda P1 potpuno smo iscrpili prvu restrikciju pa
(1)
odgovarajua dopunska varijabla mora biti s1 = 0. Na taj nain sustavom (4.13) potpuno su
odreene veliine:
x(1) = ( 52 , 0, 0),
s(1) = (0, 1, 12 ),
z (1) = 12.5.
Kvantitativne metode
25
x2
x3
s1
1
0
0
3
2
1
2
1
2
5
1
0
1
s2 s3
bi
0
0
2
5
2
2
3
0
1
0
1
1
12.5
x(1)
2.5
= 0 ,
0
s(1)
= 1 ,
1
2
Prijeimo na traenje sljedee - druge aproksimacije x(2) rjeenja. Kao to se vidi iz funkcije
cilja u (4.13) bolje rjeenje moglo bi se potraiti uvoenjem u proizvodnju proizvoda P3 jer bi to
moglo dovesti do poveanja vrijednosti funkcije cilja. Pri tome varijabla x2 i dopunska varijabla
s1 morale bi biti nula jer se uz njih nalazi negativni koeficijent (u protivnom, to bi dovelo do
snienja vrijednosti funkcije cilja). Iz (4.13) dobivamo
1
2 x3
5
2
x1
5
2
= x3 5
x3 = 1 2s3 1
= x3 1
(2)
Dakle, najvea dopustiva koliina proizvodnje proizvoda P3 moe biti x3 = 1. Tako dobi(2) (2) (2)
vamo drugu aproksimaciju rjeenja x(2) = (x1 , x2 , x3 ) = (2, 0, 1) (vidi Sliku 10). Primijetite
da smo tu koliinu formalno mogli dobiti promatrajui kvocijente slobodnih koeficijenata sustava (4.13) i onih koeficijenata uz varijablu x3 koji su pozitivni. Od svih takvih kvocijenata
izabiremo najmanji
min{ 15 , 11 } = 1.
(2)
s1 + 0s2 s3
+ 2s1
s3 = 2
2s1 + s2
=1
3s1
+ 2s3 = 1
(4.15)
xi , si 0
Ovakvim izborom koliine proizvodnje proizvoda P3 potpuno smo iscrpili treu restrikciju pa
(2)
odgovarajua dopunska varijabla mora biti s3 = 0. Na taj nain sustavom (4.15) potpuno su
odreene veliine:
x(2) = (2, 0, 1),
s(1) = (0, 1, 0),
z (1) = 13.
Sustav (4.15) u tablinom prikazu glasi
x1
x2
x3
s1
s2
s3
bi
1
0
0
2
5
1
0
0
1
2
2
3
0
1
0
1
0
2
2
1
1
1 13
x(2)
= 0 ,
1
s(2)
= 1 ,
0
z (2) = 13.
(4.16)
Kvantitativne metode
26
Budui da u funkciji cilja (odnosno u zadnjem retku tablice) vie nema pozitivnih elemenata
koji bi osigurali poveanje funkcije cilja, algoritam je zavrio i postignuto je optimalno rjeenje.
Primjedba 5. Iz posljednje simpleks tablice mogu se oitati i optimalne vrijednosti dualnih
varijabli (cijene u sjeni): w1? = 1, w2? = 0, w3? = 1. Interpretirajte njihovo ekonomsko znaenje.
Primjer 11. Simpleks metodom rijesimo LP-problem iz Primjera 43
Maksimizirati z = 4x1
uz uvjete
4x1
+ 8x2
+ 8x2
+ 5x3
+ 5x3
x1
2x4
9x5
7x6
2x4
+
x4
9x5
7x6
x5
+
x6
x2
x3
200
180
80
22
60
xi 0
x1
x2
x3
x4
x5
x6
s1
s2
s3
s4
s5
bi
4
0
1
0
0
8
0
0
1
0
5
0
0
0
1
0
2
1
0
0
0
9
0
1
0
0
7
0
0
1
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
200
180
80
22
60
s2
s3
s4
s5
bi
x1
x2
x3
x4
x5
x6
s1
x(0)
4
0
1
0
0
8
0
0
9
0
5
0
0
0
1
0
2
1
2
0
0
9
0
0
0
0
7
0
7
1
1
0
0
0
0
0
1
0
1
0
0
0
1
0
0
0
0
0
9
0
0
0
0
0
1
200
180
80
18
60
180
x1
x2
x3
x4
x5
x6
s1
s2
s3
s4
s5
bi
36
0
1
0
0
0
0
0
9
0
45
0
0
0
1
16
2
1
2
0
0
9
0
0
0
56
7
0
7
1
1
0
0
0
0
8
1
0
1
0
0
0
1
0
0
72
0
0
9
0
0
0
0
0
1
1656
180
80
18
60
16
9
56
9
19
196
x1
x2
x3
x4
x5
x6
s1
s2
s3
s4
s5
bi
4
0
1
0
0
0
0
0
1
0
5
0
0
0
7
0
2
1
0
2
8
9
0
1
9
0
7
0
0
0
1
0
0
0
0
0
1
0
0
1
0
0
1
0
0
8
0
0
1
0
0
0
0
0
7
24
180
80
22
240
356
x(1)
0
0
0
0
0
0
200
180
(0)
, s = 80
22
60
0
0
0
0
20
0
x(2)
(3)
(0)
, z = 0.
200
(1) 0 (1)
, s = 80 , z = 180.
60
0
2
0
0
20
0
0
22
0
0
0
180
7
184
(2) 0 (2)
, s = 80 , z = 196.
60
24
0
(3)
, s = 80
240
(3)
, z = 356.
3
Kako bi se zadrala to jednostavnija forma tablice sa to manje razlomaka, retci u kojima su se pojavili
razlomci pomnoeni su sa zajednikim nazivnikom.
Kvantitativne metode
x1
x2
x3
4
0
1
0
28
0
0
0
1
0
5
0
0
0
0
x4
27
x5
x6
s1
s2
s3
s4
s5
0
8
2
9
1
0
0
1
10 11
0
7
0
0
0
1
0
0
0
7
0
1
0
0
5
0
0
1
0
0
8 0
0
0
0
0
1
0
56 35
bi
24
180
80
22
1032
x(4)
0
0
22
0
24
0
0
1032
180
7
380
35
Primjeri
Primjer 12. (Marti, 1971) Za zadanu matricu tehnologije (Tablica 6) treba odrediti optimalni proizvodni
program koji e maksimizirati koritenje kapaciteta strojeva.
Inputi
Proizvodi
P1
P2
Kapaciteti
strojeva
Stroj S1
Stroj S2
Stroj S3
10
10
20
10
30
10
8000
18000
14000
Ukupno
40
50
40000
Primarni LPproblem:
max (40x1 + 50x2 )
uz uvjete
600
400
200
200
400
600
800
Za rjeavanje i analizu LP-problema moe se koristiti i besplatni software LINDO dostupan na http://www.
lindo.com/
Kvantitativne metode
28
(xi , yi )
(0, 0)
f (xi , yi )
0
(0, 600)
30000
(300, 500)
37000
(600, 200)
34000
(700, 0)
28000
(400, 400)
36000
uz uvjete
Inputi
P1
Materijal M1
Materijal M2
20
18
Profit
P2 P3
50
70
30
40
25516
9
= 2835.11.
25516
9
= 2835.11.
Kvantitativne metode
29
Inputi
P1
Stroj S1
Stroj S2
Stroj S3
Stroj S4
Trina
ogranienja
Profit
Vrste cigareta
P2
P3
P4
Kapaciteti
P5
9.8
18.6
116.9
58.5
9.6
18.6
53.3
15.2
9.4
18.6
67.8
15.2
9.2
18.6
27.1
15.2
9.1
18.6
29.0
15.2
2.2
64
98.4
298
34.2
240
195
185
180
150
7368
14736
19648
6912
Primjer 15. (Marti, 1971) Promatramo problem optimizacije proizvodnog programa jedne tvornice
cigareta. Proizvodnja se obavlja na 4 stroja s kapacitetima i matricom tehnologije prikazanoj u Tablici 8.
U tablici su takoer navedena trina ogranienja i profit po vrstama cigareta.
Primarni LPproblem:
max (240x1 + 195x2 + 185x3 + 180x4 + 150x5 )
uz uvjete
Kvantitativne metode
30
Strojevi
Komponente
K1
K2
Stroj S1
Stroj S2
Stroj S3
8
4
1
Kapaciteti
4
6
2
24
24
8
24
8 x1
24
4 x2
24
4 x3
24
6 x4
+ 81 x5 + 82 x6
Primarni LPproblem:
max (3x1 + 6x2 + 6x3 + 4x4 + 8x5 + 4x6 )
8x1 + 4x2
4x3 + 6x4
x5 + 2x6
x1 + x3 + x5 x2 x4 x6
x1 , x2 , x3 , x4 , x5 , x6
uz uvjete
24
24
8
= 0
0
Rjeenje primarnog problema: x? = (0, 6, 1.2, 3.2, 8, 0)T , z ? = 120. (dobiveno Mathematica programom)
Rjeenja nisu cjelobrojna, kao to zahtijeva problem. Ipak, u ovom sluaju i ovo necjelobrojno rjeenje
ima smisla jer moemo rei da svakih 5 dana treba proizvesti x? = (0, 30, 6, 16, 40, 0)T , uz z ? = 600. Kako
se u ovom sluaju moe definirati cjelobrojni optimalni proizvodnbi program ?
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y ? = (2, 1, 6, 2)T , z ? = 120.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
Zadatak 3. (Marti, 1971) Treba odrediti optimalni proizvodni program u jednoj tvornici mlijenih proizvoda, gdje se proizvodi 5 vrsta mlijenih proizvoda na 4 stroja sukladno matrici tehnologije navedene u
Tablici 10. Optimizacija se treba provesti prema dva kriterija:
(a) Maksimalno koritenje kapaciteta;
(b) Maksimizacija profita ako se zna da je profit po jedinici proizvoda redom: 100, 10, 60, 80, 60, uz
trina ogranienja na proizvode redom: 120, 60, .5, 5, 2.
Rjeenje primarnog problema:
(a) x? = (0, 706.58, 0, 87.3786, 1666.67)T , z ? = 108004.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y ? = (1.47249, 0., 1.0712, 0.779755)T , z ? = 108004.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
(b) x? = (120, 60, 0.5, 5, 2)T , z ? = 13150.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y ? = (0, 0, 0, 0, 100, 10, 60, 80, 60)T , z ? = 13150.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
Kvantitativne metode
31
Inputi
Stroj
Stroj
Stroj
Stroj
S1
S2
S3
S4
P1
Vrste mlijeka
P2 P 3 P4
P5
14
2
15
6
18
10
21
0
9
1
10
18
9
1
10
9
49
26
40
0
Kapaciteti
32000
35000
35000
30000
Zadatak 4. (Marti, 1971) Na jednom stroju radei 45 sati tjedno, mogu se proizvesti 3 razliita proizvoda. Profit po proizvodima P1 , P2 , P3 je redom: 40, 120, 30. Za jedan sat rada stroj izradi 50 jedinica
proizvoda P1 ili 25 jedinica proizvoda P2 ili 75 jedinica proizvoda P3 . Trina ogranienja proizvoda su
redom: 1000, 500, 1500. Odredite tjedni optimalni proizvodni program koji e maksimizirati profit.
Rjeenje primarnog problema:
?
P1
P2
P3
Cijene
S1
1
1
2
25
S2
1
5
1
20
Koliina
3
5
4
z = min(25x1 + 20x2 )
x1 + x2
x1 + 5x2
2x1 + x2
x1 , x2
uz uvjete
3
5
4
0
Kvantitativne metode
32
uz uvjete
x1 + x2 9
3x1 + x2 18
7
x1
x2 6
x1 , x2 0
Rjeenje: z ? = 22.5 uz x?1 = x?2 = 4.5.
1. Mijenja li se rjeenje ako se uvede dodatno ogranienje da poduzee u sljedeoj godini po ugovoru
mora proizvesti barem 5 100 000 kutija bilo dugih bilo kratkih ibica ?
2. Kako se mijenja rjeenje ako se promijeni funkcija cilja z = x1 + x2 ?
Primjer 18. (Nerali, 2003) Problem proizvodnje
Inputi
Proizvodi
P1
P2
Stroj S1
Stroj S2
Stroj S3
2
4
0
1
5
1
Profit (cj )
10
25
Kapaciteti
resursa (bi )
160
500
80
max(10x1 + 25x2 )
uz uvjete
2x1 + x2 160
4x1 + 5x2 500
x2 80
x1 , x2 0
Rjeenje: x?1 = 25, x?2 = 80, z ? = 2250.
Primjedba: Strojevi S2 , S3 su u potpunosti iskoriteni, a stroj S1 ima slobodni kapacitet od 30 sati.
Dualni problem:
min(160w1 + 500w2 + 80w3 )
2w1 + 4w2
uz uvjete
10
w1 + 5w2 + w3 25
w1 , w2 , w3 0
Rjeenje: w1? = 0, w2? = 2.5, w3? = 12.5, z ? = 2250. (objasniti dualne cijene, cijene u sjeni, oportunitetni troskovi)
Zadatak 6. Postavite LP za sljedei problem proizvodnje
(a) Geometrijski rijeite ovaj LP.
Kvantitativne metode
33
Inputi
Proizvodi
P1
P2
Stroj S1
Stroj S2
3
5
2
2
Profit (cj )
0.5
Kapaciteti
resursa (bi )
12
10
(b) Ako je kapacitet prvog stroja b1 = 10 fiksan, a kapacitet drugog stroja poraste na b02 = 20, kako e
se promijeniti optimalno rjeenje ? to e se dogoditi ako je b2 > 20 ?
(c) Postavite, rijeite i diskutirajte odgovarajui dualni problem.
Primjer 19. (Problem prehrane)(Marti, 1966; Nerali, 2003) Treba definirati program prehrane grupe
ljudi (primjerice vojske), tako da jelovnik bude raznolik, da sadrzava dovoljnu kolicinu potrebnih hranjivih
sastojaka (bjelancevina, masti, vitamina, ugljikohidrata,. . . ), a da izdaci za sirovine budu minimalni;
H1 , . . . , Hn prehrambeni artikli na tritu
bj trina cijena prehrambenog artikla Hj ;
E1 , . . . , En hranjivi sastojci;
ci minimalni zahtjev za hranjivim sastojkom Ei ;
aij koliina hranjivog sastojka Ei u jednoj jedinici prehrambenog artikla Hj ;
yj koliina prehrambenog artikla Hj ;
Hranjivi
sastojci
H1
H2
...
Hn
Minimalni
zahtjevi
E1
E2
...
Em
a11
a21
...
am1
a12
a22
...
am2
...
...
...
...
a1n
a2n
...
amn
c1
c2
...
cm
Cijene:
b1
b2
...
bn
min
y1 ,...,yn
n
X
n
X
bj yj
uz uvjete
j=1
yj aij ci ,
i = 1, . . . , m,
j=1
y1 , . . . , yn 0
Zadatak 7. Raspolaemo s dva prehrambena artikla: kruh i sir i kontroliramo samo dva hranjiva sastojka:
kalorije i proteini. Poznato je da 1 lb5 kruha sadri oko 1 000 kalorija i 25 g proteina, a 1 lb sira 2 000
kalorija i 100 g proteina. Standardna hrana za 1 dan treba sadravati barem 3 000 kalorija i 100 g proteina.
(a) Ako je cijena kruha 6 kn, a sira 21 kn po lb, kako bi izgledala optimalna prehrana ? Je li to jedino
optimalno rjeenje ? Koliki su minimalni trokovi ishrane ?
5
Kvantitativne metode
34
(b) Ako se cijena kruha povea na 10.5 kn, a cijena sira ostane nepromijenjena, koliko se u tom sluaju
moe sastaviti optimalnih programa prehrane i koji su to programi ? Koliki su trokovi svakog od
tih programa ?
(c) Pokaite da problem prehrane ima beskonano mnogo rjeenja ako je cijena kruha 6 kn, a sira 24
kn po lb. Koji od tih optimalnih programa sadri najmanje kruha ?
(d) Neka je p1 cijena kruha, a p2 cijena sira. Pokaite da optimalni program prehrane sadri samo
kruh ako je p1 < 41 p2 , a samo sir ako je p1 > 12 p2 . U kojem intervalu mora biti cijena kruha p1 ,
da bi i kruh i sir bili u optimalnom programu ? U kojem odnosu su cijene kruha i sira u sluaju
postojanja vie optimalnih rjeenja ?
(d) Formulirajte dualni problem i diskutirajte ga. to su u ovom sluaju cijene u sjeni ?
Primjer 20. (Problem transporta)(Marti, 1966; Nerali, 2003) Iz m ishodita (skladita) neku robu treba
transportirati u n odredita (trgovina), tako da ukupni transportni trokovi budu minimalni;
a1 , . . . , am 0 koliina robu u ishoditima
b1 , . . . , bn 0 potranja robe po odreditima;
cij 0 cijena prevoza jedne jedinice robe iz ishodita ai u odredite bj ;
xij koliina robe koju se namjerava prevesti iz ishodita ai u odredite bj ;
I/O
b1
b2
...
bn
a1
a2
...
am
c11
c21
...
cm1
c12
c22
...
cm2
...
...
...
...
c1n
c2n
...
cmn
min
xij
n X
m
X
cij xij
j=1 i=1
n
X
j=1
m
X
uz uvjete
xij ai ,
i = 1, . . . , m,
xij bj ,
j = 1, . . . , n,
i=1
xij 0
Pokaite da vrijedi
n
X
j=1
bj
m
X
ai
i=1
Povijesni pregled
Smatra se da je potrebne osnove za rjeavanje problema linearnog programiranja dao francuski matematiar J. B. J. Fourier 1827. godine u radu o rjeavanju sustava linearnih nejednadbi. Problem linearnog
Kvantitativne metode
35
programiranja formulirao je 1939. godine ruski matematiar L. V. Kantorovi, ali je to na Zapadu dugo
ostalo nepoznato. Tijekom II. svjetskog rata problem linearnog programiranja na razne naine koristio
se u svrhu ratnih napora.
1947. godine G. B. Dantzig je predloio najvaniju metodu za rjeavanje problema linearnog programiranja: Symplex Method za potrebe amerikog ratnog zrakoplovstva, a 1951. objavio je tu metodu.
1975. godine ruski matematiar L. V. Kantorovi i nizozemski ekonomistom T. C. Koopman dobili su
Nobelovu nagradu za model linearnog programiranja u teoriji optimalne alokacije resursa. Dantzigov rad
smatrao se previe matematikim, a Nobelova nagrade se ne dodjeljuje za podruje matematike.
Primjedba 6. Radi lakeg koritenja
navedimo neke osnovne termine.
slack variable
feasible region
initial approximation
shadow prices
objective function
integer programming
knapsack problem
assignment problem
transportation problem
shorthest path problem
maximum flow problem
kritical path method
minimal cost flow problem
traveling salesman problem
capital budgeting applications
scheduling problem
dopunska varijabla
dopustivo podruje
poetna aproksimacija
cijene u sjeni
funkcija cilja
cjelobrojno programiranje
problem ranca
problem asignacije (pridruivanja)
transportni problem
problem najkraeg puta
problem maksimalnog toka
metoda kritinog puta
problem minimalnih trokova toka
problem trgovakog putnika
investicijsko odluivanje(???)
problem rasporeivanja
Literatura
H. Bader, S. Frhlich, Matematika za ekonomiste, original: Einfhrung in die Mathematik fr Volks- und
Betriebswirte, s njemakog preveo prof. Bogumir Schn, Rad, Beograd, 1980.
D. Barkovi, Operacijska istraivanja, drugo izdanje, Sveuilite u Osijeku, Osijek, 2010.
M. S. Bazaraa, H. D. Sherali, C. M. Shetty, Nonlinear Programming. Theory and Algorithms, 3rd Edition,
Wiley, New Jersey, 2006.
D. L. Boyd, L. Vandenberghe,Convex optimization, Cambridge University Press, Cambridge, 2004
L. aklovi, Geometrija linearnog programiranja, Element, Zagreb, 2010.
Lj. Marti, Matematike metode za ekonomske analize II, Narodne novine, Zagreb, 1966.
Lj. Marti, Primjena matematikih metoda u ekonomskoj analizi, Informator, Zagreb, 1971.
L. Nerali, Uvod u matematiko programiranje, Element, Zagreb, 2003.
K. Sabo, Linearno programiranje (Radni materijal za predavanja), Odjel za matematiku, Sveuilite u
Osijeku, 2011.
http://www.mathos.hr/lp/Materijali/predavanje16_lp.pdf
R. J. Vanderbei, Linear Programming. Fundations and Extensions, 2rd Edition, Kluwer, 2001.
G. Sierksma, Linear and Integer Programming. Theory and Practice, 2rd Edition, Marcel Dekker, New
York, 2002.