Kvantitativne metode za poslovno odluivanje

IV. Linearno programiranje

Rudolf Scitovski, Ivan Vazler, Martina Bri

11. sijenja 2013.

Sadraj
1 Uvod

2 Maksimizacija profita primarni LP problem

2.1 Geometrijska interpretacija LP-problema . . . . . . . . . . . . . . . . . . . . . .
2.2 Geometrijsko rjeenje LP-problema . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Opi problem linearnog programiranja . . . . . . . . . . . . . . . . . . . . . . . .

1
4
4
10

3 Minimizacija trokova dualni LP problem

11

4 Metode za rjeavanje
4.1 Geometrijska metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Simpleks metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16
17
17

5 Primjeri

27

6 Povijesni pregled

34

Uvod

Maksimizacija profita primarni LP problem

Primjer 1. (Barkovi, 2010) Dva proizvoda P1 , P2 proizvode se na jednom stroju s kapacitetom

16 sati dnevno uz koritenje ljudskog rada u obimu 10 sati dnevno i trinim ogranienjem od
3 proizvoda P2 u zadanom vremenskom intervalu. Na proizvod P1 nema ogranienje, to znai
da trite prihvaa svaku proizvedenu koliinu tog proizvoda. Takoer, poznata je trina cijena

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

Tablica 1: Podaci o proizvodnji

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

(b) 2x1 + 4x2 16, 2x1 + x2 10, x2 3

3

3
2
2

-1

-1
1

Slika 1: Omeen i neomeen skup dopustivih

Nadalje, trokovi proizvodnje jedne jedinica proizvoda P1 , odnosno P2 , su
21 + 22

(trokovi proizvodnje jedne jedinice proizvoda P1 ),

41 + 2 + 3

(trokovi proizvodnje jedne jedinice proizvoda P2 ),

a profit po jedinici proizvoda je razlika izmeu jedinine prodajne cijene i jedininih trokova
proizvodnje:
c1 = 1 (21 + 22 ) = 20

(profit po jedinici proizvoda P1 ),

c2 = 2 (41 + 2 + 3 ) = 30

(profit po jedinici proizvoda P2 ),

Cilj proizvodnje je maksimizirati profit f : R2 R (funkcija cilja),

f (x1 , x2 ) = c1 x1 + c2 x2 ,

(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

Primarni LP-problem: odrediti (x?1 , x?2 ) S, tako da bude

argmax f (x1 , x2 ) = (x?1 , x?2 ).

(2.4)

(x1 ,x2 )S

2.1

Geometrijska interpretacija LP-problema

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

Geometrijsko rjeenje LP-problema

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

(a) ~c ~r0 < 0

(b) ~c ~r0 > 0

T0

~r0

T0

~r0

~r

~c

~c

~r
P

Slika 2: Pravac okomit na vektor ~c, koji prolazi danom tockom T0

Neka je P 6= T0 proizvoljna toka na pravcu p. Tada je vektor T0 P okomit na vektor ~c.

Ako s ~r0 oznaimo radij-vektor toke T0 , a s ~r radij-vektor toke P , onda taj zahtjev moemo
zapisati kao
(~r ~r0 ) ~c = 0,
odnosno
~r ~c ~r0 ~c = 0.

(2.8)

(2.8) je Hesseov normalni oblik jednadbe pravca p. Primijetite da je (vidi Sliku 2)

~r0 ~c = k~ck(~r0 )c = c1 + c2 ,
gdje je (~r0 )c projekcija vektora ~r0 na vektor ~c. Ako je ~c ~r0 > 0 (Slika 2a), onda
(~r0 )c =

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)

udaljenost toke T0 do ishodita O.

Teorem 2. Neka je S R2 poliedar s vrhovima T1 , . . . , Tm , m 1, a f : S R, f (x1 , x2 ) =
c1 x1 + c2 x2 linearna funkcija cilja. LP-problem (2.4) geometrijski je ekvivalentan problemu
traenja toke Tmax S, koja je najudaljenija od ishodita u smjeru vektora profita ~c = c1~i + c2~j.
Pri tome toka Tmax uvijek postoji, ne mora biti jedinstvena, a treba je traiti meu vrhovima
poliedra S.
Dokaz. Neka su ~r1 , . . . , ~rm radij-vektori toaka T1 , . . . , Tm . Prema Teoremu 1 rjeenje LPproblema moemo zapisati
argmax f (x1 , x2 ) = argmax(~c ~u) = argmax(~c ~ri )
(x1 ,x2 )S

~
uS

i=1,...,m

Kvantitativne metode

a zbog invarijantnosti na mnoenje pozitivnim brojem imamo

argmax f (x1 , x2 ) = argmax(~c ~ri ) = argmax
i=1,...,m

(x1 ,x2 )S

i=1,...,m

~c ~ri
,
k~ck

iz ega slijedi tvrdnja teorema.

Primjedba 1. Slinim razmatranjem moemo zakljuiti da je problem odreivanja toke (x?1 , x?2 )
S, takve da je
~c ~ri
,
ck
i=1,...,m k~

(x?1 , x?2 ) = argmin f (x1 , x2 ) = argmin(~c ~ri ) = argmin

i=1,...,m

(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

Slika 3: Grafiko rjeavanje LP problema iz Primjera 1

vektor ~c, a koji prolaze vrhovima poliedra. Iz nie navedene tablice vide se vrijednosti funkcije
cilja u vrhovima poliedra i udaljenosti pravaca okomitih na vektor ~c, koji prolaze vrhovima
poliedra.
Ti
(0, 0) (5, 0) (4, 2)
(2, 3) (0, 3))
~
~
~
~
~
~ri
0
5i
4i + 2j 2i + 3~j
3~j
f (x1 , x2 ) = ~ri ~c
0
100
140
130
90
~
ri ~c
14
13
9
10

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

Slika 4: Geometrijska interpretacija LP-problem

(4, 5) (1, 5)) ( 23 , 10

( 21 , 1) (3, 1) (4, 2)
3 )
2~
10~
1~
~
~
~
~
~
~
~
~
~
2 i + j 3i + j 4i + 2j 4i + 5j i + 5j 3 i + 3 j

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

argmax (2x1 + x2 ) = argmax

Ti S

(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),

Zadatak 1. Rijeite prethodni LP-problem uz ~c = 3~i + ~j.

Primjer 3. Zadan je poliedar S s vrhovima
T1 = (6, 1),

T2 = (3, 4),

T3 = (5, 2),

T4 = (5, 3),

i vektor s ~c = ~i + 23~j (vidi Sliku 5), odnosno funkcija cilja f (x1 , x2 ) = x1 + 23 x2 .

(6, 1) (3, 4) (5, 2) (5, 3)
(2, 5)
(3, 4)
~
~
~
~
~
~
~
~
~
~
6i j 3i 4j 5i 2j 5i + 3j 2i + 5j 3~i + 4~j

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

Slika 5: Minimum i maksimum na poliedru S u smjeru ~c

Dakle, postoji postoji vie toaka poliedra S koja su najudaljenija od ishodita u smjeru vektora
~c: to su sve toke na spojnici T4 T5 . Samo jedna toka poliedra S je najblie ishoditu u smjeru
vektora ~c: to je toka T2 . Prema tome
argmin (x1 + 32 x2 ) = argmin

(x1 ,x2 )S

Ti S

~ri ~c
= T2 ,
k~ck

argmax (x1 + 32 x2 ) = argmax

Ti S

(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.

Primjer 4. (Marti, 1971) Promatramo problem maksimalnog koritenja raspoloivog materijala

u proizvodnji (primjerice, u mesnoj industriji ili vinariji) uz maksimiranje utroka materijala
sukladno matrici tehnologije prikazanoj u Tablici 2
Inputi

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

Tablica 2: Podaci o proizvodnji

S x1 , x2 , x3 oznaimo broj komada proizvoda P1 , P2 , P3 , koji se mogu proizvesti od materijala

M1 , a s x4 , x5 , x6 broj komada proizvoda P1 , P2 , P3 , koji se mogu proizvesti od materijala M2 .
Tako su primjerice, 4x1 , koliine materijala M1 s kojima se moe proizvesti x1 komada proizvoda
P1 , a 4x1 + 8x2 + 5x3 koliina materijala M1 koja e se utroiti ako proizvedemo x1 komada
proizvoda P1 i x2 komada proizvoda P2 i x3 komada proizvoda P3 .

Kvantitativne metode

Primijetite takoer da je x1 + x4 ukupna koliina proizvoda P1 koji e se proizvoditi. Zato

Primarni LP-problem glasi
Primarni LPproblem:

max (4x1 + 8x2 + 5x3 + 2x4 + 9x5 + 7x6 )

uz uvjete

4x1 + 8x2 + 5x3 200

2x4 + 9x5 + 7x6 180
x1 + x4 80
x2 + x5 22
x3 + x6 60
x1 , x2 , x3 , x4 , x5 , x6 0
Uvoenjem matrice tehnologije A R56 , vektora kapaciteta b R5 , vektora cijena c R6
i vektora dopustivih toaka x R6 ,

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=

primarni LP-problem svodi se na rjeavanje optimizacijskog problema

argmax cT x,
xS

S = {x R6 : Ax b, x 0}.

Ako je x? S rjeenje, onda je maksimalna vrijednost funkcije cilja z ? = cT x? .

Ovaj optimizacijski problem skraeno emo pisati
max cT x,

uz uvjet

Ax b, x 0.

x1
x2
x3
x4
x5
x6

Kvantitativne metode

2.3

10

Opi problem linearnog programiranja

Inputi

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

Tablica 3: Podaci o proizvodnji

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

veliine profita, koji se ostvaruju na j-tom proizvodu, potujui ogranienja

n
X

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+

O egzistenciji rjeenja i naznaci strategije traenja rjeenja govori Teorem 1, str.4.

Kvantitativne metode

11

Minimizacija trokova dualni LP problem

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)

problem (3.1) (3.3) svodi se na optimizacijski problem

min(16y1 + 10y2 + 3y3 )
2y1 + 2y2

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)

problem (3.5) (3.7) svodi se na optimizacijski problem

min

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

profit koji se ostvaruje na j-tom proizvodu. Naime, kako je

m
X

yi aij =

Pm

i=1 i aij

m
X

wi aij

m
X

i aij ,

i=1

i=1

i=1

(3.11)

je konstanta, optimizacijski problemi (3.5) i (3.9) su ekvivalentni. Osim toga vrijedi

m
X
i=1

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)

Svojstva:(Marti, 1966, 1971; Vanderbei, 2001)

Ako je x
dopustivo rjeenje primarnog LPproblema (2.16), y dopustivo rjeenje dualnog
bT y;
LPproblema (3.12)(3.13), onda vrijedi cT x

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

Tablica 4: Podaci o proizvodnji

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

Slika 6: Maksimum na poliedru S u smjeru vektora ~c = 2~i + 5~j

(0, 0) (7, 0) (6, 3) (4, 5) (0, 6))

Ti
f (x1 , x2 ) = ~ri ~c
0
14
27
33
30
14
27
33
30
di = ~rk~ic~kc
0
29
29
29
29
U vrhu (x?1 , x?2 ) = (4, 5) skupa S postie se optimalno/maksimalno dopustivo rjeenje na kome
funkcija cilja postie optimalnu/maksimalnu vrijednost z ? = 33.
Matrini zapis ovog LPproblema glasi
max(cT x),
Ax b
x0

1 4

A = 3 1 ,
1 1

24

b = 21 ,
9

"

c=

2
5

s rjeenjem: x? = (4, 5)T , z ? = 33.

Provjerom prve restrikcije uoavamo da je prvi resurs (strojni rad) potpuno iskoriten, da
drugi resurs (ljudski rad) ima neiskoriteni kapacitet 4 i da je trei resurs (trite) potpuno
iskoriten.
Konstruirajmo sada odgovarajui dualni problem. Treba odrediti jedinine cijene naih resursa w1 , w2 , w3 , tako da trokovi nae proizvodnje budu vei ili jednaki trokovima koje dozvoljava trite, a da ukupni trokovi nae proizvodnje budu minimalni:
Dualni LP-problem:

min(24w1 + 21w2 + 9w3 )

w1 + 3w2 + w3 8
4w1 + w2 + w3 15

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

ili u matrinom zapisu

max(bT y),
AT y c
y0
s rjeenjem: y ? = (1, 0, 1)T , z ? = 33.
Pogledajmo kako e se promijeniti funkcija cilja u toki rjeenja ako kapacitet prvog resursa
(strojni rad) poveamo za > 0
z ? + z ? = (24 + )y1? + 21y2? + 9y3?
= (24y1? + 21y2? + 9y3? ) + y1? = z ? + y1? = z ? + .
Dakle, ako kapacitet prvog resursa (strojni rad) poveamo za > 0, funkcija cilja mogla bi se
poveati za jer je y1? = 1.
Slino zakljuujemo: ako kapacitet drugog resursa (ljudski rad) poveamo za > 0, funkcija
cilja nee se poveati jer je y2? = 0, a ako kapacitet treeg resursa (prisutnost na tritu) poveamo
za > 0, funkcija cilja mogla bi se poveati za y3? = jer je y3? = 1.
Primjer 7. Za ishranu jedne krave gospodarstvu stoje na raspolaganju dvije vrste stone hrane
H1 , H2 . Dnevne potrebe krave za hranjivim komponentama A, B, C (u kg), koliine tih hranjivih
komponenti (u kg) u stonoj hrani H1 , H2 i cijene stone hrane (u kn) vidljive su u nie navedenoj
tablici. Treba definirati optimalnu strategiju ishrane krave.
Hranjive
komponente

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

Tablica 5: Podaci o ishrani krave

Ako s x1 , odnosno x2 , oznaimo dnevnu potrebnu koliinu stone hrane H1 , odnosno H2 ,

onda odgovarajui LP-problem moemo ovako formulirati
min(20x1 + 40x2 ) uz uvjet
0.6x1 + 0.1x2 1.8
0.1x1 + 0.4x2 1.2
0.2x1 + 0.1x2 1.0
x1 , x2 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

Slika 7: Minimum na poliedru S u smjeru vektora ~c = 20~i + 40~j

Rjeenje: x? = (4, 2)T , z ? = 160.
Zadatak 2. Napiite odgovarajui dualni problem, odredite znaenje dualnih varijabi, rijeite
dualni problem i napravite odgovarajuu postoptimalnu analizu problema.

Metode za rjeavanje

Primjer 8. Razmotrimo ponovo Primjer 1. Treba rijeiti sljedei LP-problem

f (x1 , x2 ) = 20x1 + 30x2

uz uvjete

2x1 + 4x2 16
2x1 + x2 10
x2 3
x1 , x2 0

S
1

Slika 8: Dopustivo podruje S i njegovi vrhovi

Skup moguih rjeenja S (dopustivo podruje) u ovom sluaju je konveksni poliedar (konveksni politop jer je ogranien) prikazan na Slici 8. Svaki od njegovih 5 vrhova dobije se kao
presjek dva pravca zadanih nekom od jednadbi:
2x1 + 4x2 = 16,

2x1 + x2 = 10,

x2 = 3,

x1 = 0,

x2 = 0,

Kvantitativne metode

17

Primijetite da u ovom sluaju moemo promatrati 52 = 10 sustava od dvije jednadbe s dvije

nepoznanice. Na taj nain dobivamo 9 toaka (jedan sustav nema rjeenja). Za svaku toku
treba provjeriti svih 5 restrikcija. Vrhovi dopustivog podruja S su one toke koje zadovoljavaju
svih 5 restrikcija. Budui da se maksimum funkcije cilja postie na barem jednom vrhu ovog
konveksog poliedra, jedna mogunost je provjeriti njenu vrijednost u svim vrhovima. U ovom
sluaju to je lako jer je broj vrhova malen:

(0, 0) (0, 3) (2, 3) (4, 2) (5, 0)

Vrhovi
Funkcija cilja
0
90
130
140
100
Openito LP-problem moe imati n varijabli i m restrikcija, Ako je m n, trebalo bi rijeiti
m
n

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

Kao to smo pokazali u Odjeljku 2.2 u sluaju n = 2 (ili eventualno n = 3) LP-problem

maksimuma moemo rjeavati tako da potraimo onaj vrh polijedra S, kroz koji prolazi pravac
okomit na vektor ~c = 20~i + 30~j, a koji je najudaljeniji od ishodita koordinatnog sustava O.
Primjedba 2. Kroz primjere navesti primjere s odgovarajucim slikama:
za sluaj neogranienog dopustivog podruja
za sluaj kada je dopustivo podruje prazan skup
za sluaj kada se rjeenje postie na strnici poliedra
Takodjer nacrtati jedan primjer u trodimenzionalnom podruju

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

za n = 2 broj susjednih vrhova je 2, a za n = 3 to ve moe biti puno vei broj

Kvantitativne metode

18

Za podatke iz Primjera 1 tijek iterativnog postupka opisanog u Algoritmu 1 je

Iteracija

Vrh

Funkcija cilja Susjedni vrhovi Funkcija cilja

(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)

U ovom primjeru dopunske varijable si imaju znaenje neiskoritenih kapaciteta.

(0) (0)
Kao kod Algoritma 1 krenimo od poetne aproksimacije: x(0) = (x1 , x2 ) = (0, 0) (vidi
(0) (0) (0)
Sliku 9). Vektor dopunskih varijabli je s(0) = (s1 , s2 , s3 ) = (16, 10, 3), a vrijednost funkcije
cilja z (0) = 0.
Pokrenimo proizvodnju s maksimalno dopustivom koliinom proizvoda P2 (jer, kao to se vidi
iz funkcije cilja on donosi vei profit). Proizvodnju proizvoda P1 za poetak neemo pokrenuti,
(1)
dakle x1 = 0. Proanalizirajmo koja je to maksimalno dopustiva koliina proizvodnje proizvoda

Kvantitativne metode

19

P2 . Budui da neiskoriteni kapaciteti (dopunske varijable) moraju ostati nenegativni, iz (4.2)

dobivamo
4x2 = 16 2x1 s1 16 = x2 16
4 =4
x2 = 10 2x1 s2 10

= 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)

Slika 9: Simplex metoda: kretanje po vrhovima dopustivog podruje S

(1)

Budui da se vrijednost x2 = 3 postie na treoj jednadbi sustava (4.2), varijablu x2 izrazit

emo iz te jednadbe i uvrstiti u preostale dvije i u funkciju cilja. Na taj nain LP-program
(4.2) postaje
Maksimizirati z = 20x1 + 30(3 s3 ) + 0s1 + 0s2 + 0s3
uz uvjete
2x1 + 4(3 s3 ) + s1
= 16
2x1 +
(3 s3 )
+ s2
= 10
x2
+ s3 = 3
x1 , x2 , s1 , s2 , s3 0
odnosno
Maksimizirati z 90 = 20x1
uz uvjete
2x1
2x1

+
+
x2

x1 , x2 , s1 , s2 , s3 0

0s1 + 0s2 30s3

s1
4s3 = 4
+ s2
s3 = 7
+
s3 = 3

(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),

s(1) = (4, 7, 0),

z (1) = 90.

Sustav (4.4) u tablinom prikazu glasi

x1

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)

Dakle, najvea dopustiva koliina proizvodnje proizvoda P1 moe biti x1 = 2. Primijetite

da smo tu koliinu formalno mogli dobiti promatrajui kvocijente slobodnih koeficijenata sustava
(4.4) i onih koeficijenata uz varijablu x1 koji su pozitivni. Od svih takvih kvocijenata izabiremo
najmanji
min{ 42 , 72 } = 2.

Kvantitativne metode

21
(2)

Budui da se vrijednost x1 = 2 postie na prvoj jednadbi sustava (4.4), varijablu x1 izrazit

emo iz te jednadbe (x1 = 2 21 s1 + 2s3 ) i uvrstiti u preostale dvije i u funkciju cilja. Na taj
nain LP-program (4.4) postaje
Maksimizirati z 90 = 20(2 12 s1 + 2s3 )
uz uvjete
2x1
2(2 12 s1 + 2s3 )

+ 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),

s(2) = (0, 3, 0),

z (2) = 130.

Sustav (4.6) u tablinom prikazu glasi

x1 x2

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)

Budui da se vrijednost s3 = 1 postie na drugoj jednadbi sustava (4.6), varijablu s3 izrazit

emo iz te jednadbe (s3 = 1 + 31 s1 13 s2 ) i uvrstiti u preostale dvije i u funkciju cilja. Na taj
nain LP-program (4.6) postaje
Maksimizirati z 130 =
x1

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),

s(3) = (0, 0, 1),

z (3) = 140.

Sustav (4.8) u tablinom prikazu glasi

x1 x2

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

Primjer 10. Simpleks metodom treba rijeiti sljedei LP-problem

Maksimizirati z = 5x1
uz uvjete
2x1
4x1
3x1

+ 4x2
+ 3x2
+ x2
+ 4x2

+ 3x3
+ x3 5
+ 2x3 11
+ 2x3 8

(4.10)

x1 , x2 , x3 0
z

O
y

Slika 10: Polijedar iz Primjera 10

Skup moguih rjeenja S (dopustivo podruje) u ovom sluaju je konveksni poliedar (konveksni politop jer je ogranien) s vrhovima
(0, 0, 0),

( 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

+ 3x3 + 0s1 + 0s2 + 0s3

+ x3 + s 1
=5
+ 2x3
+ s2
= 11
+ 2x3
+ s3 = 8

(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)

Kao kod Algoritma 1 krenimo od poetne aproksimacije: x(0) = (x1 , x2 , x3 ) = (0, 0, 0)

(0) (0) (0)
(vidi Sliku 10). Vektor dopunskih varijabli je s(0) = (s1 , s2 , s3 ) = (5, 11, 8), a vrijednost
funkcije cilja z (0) = 0.
Pokrenimo proizvodnju s maksimalno dopustivom koliinom proizvoda P1 (jer, kao to se
vidi iz funkcije cilja on donosi vei profit). Proizvodnju proizvoda P2 , P3 za poetak neemo
(1)
(1)
pokrenuti, dakle x2 = x3 = 0. Proanalizirajmo koja je to maksimalno dopustiva koliina
proizvodnje proizvoda P1 . Budui da neiskoriteni kapaciteti (dopunske varijable) moraju ostati
nenegativni, iz (4.11) dobivamo
2x1 = 5 3x2 x3 s1 5

= 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)

Budui da se vrijednost x1 = 2.5 postie na prvoj jednadbi sustava (4.11), varijablu x1

izrazit emo iz te jednadbe i uvrstiti u preostale dvije i u funkciju cilja. Na taj nain LP-program
(4.11) postaje
Maksimizirati z 12.5 =
uz uvjete

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

Sustav (4.13) u tablinom prikazu glasi

x1

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 ,

z (1) = 12.5 (4.14)

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)

Budui da se vrijednost x3 = 1 postie na treoj jednadbi sustava (4.13), varijablu x3

izrazit emo iz te jednadbe i uvrstiti u preostale dvije i u funkciju cilja. Na taj nain LPprogram (4.13) postaje
Maksimizirati z 13 =
3x2
uz uvjete
x1 + 2x2
5x2
x2 + x3

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

5 , s(4) = 80 , z (4) = 380.

=

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

Tablica 6: Podaci o proizvodnji

Primarni LPproblem:
max (40x1 + 50x2 )

uz uvjete

10x1 + 10x2 8000

10x1 + 30x2 18000
20x1 + 10x2 14000
x1 , x2 0
800

600

400

200

200

400

600

800

Slika 11: Grafiko rjeavanje LP problema iz Primjera 12

4

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

Rjeenje: x? = (300, 500)T , z ? = 37000.

Dualni LPproblem:
min (8000y1 + 18000y2 + 14000y3 )

uz uvjete

10y1 + 10y2 + 20y3 40

10y1 + 30y2 + 10y3 50
y1 , y2 , y3 0.
Rjeenje: y ? = (3.5, 0.5, 0)T , z ? = 37000.
Znaenje: pogledajmo kakav bi efekt proizvelo poveanje kapaciteta stroja S1 za 1:
(8000 + 1)y1? + 18000y2? + 14000y3? = 37000 + y1? = 37000 + 3.5,
Dakle, dualna varijabla y1? pokazuje za koliko bi se poveala vrijednost funkcije cilja ako bi prvu restrikciju
(kapacitet stroja S1 ) poveali za 1.
Za koliko bi se poveala vrijednost funkcije cilja (ukupno koritenje strojeva) ako bi raspoloivi kapacitet
strojeva S1 i S2 uveali za 10 % ? (Ukupni kapacitet poveao bi se za 800 3.5 + 1800 0.5 = 3700)
to bi se dogodilo ako bi kapacitet stroja S3 poveali, a kapacitete strojeva S1 i S2 zadrali ? (Nita se
ne bi promijenilo jer je trea dualna varijabla y3? = 0)
Primjer 13. Treba rijeiti primarni i dualni LP-problem iz Primjera 4 (Marti, 1971).
180 T
?
Rjeenje primarnog problema: x? = (0, 22, 24
5 , 0, 0, 7 ) , z = 380.

Formulirajte odgovarajui dualni LP-problem.

Rjeenje dualnog problema: y ? = (1, 1, 0, 0, 0)T , z ? = 380.
Primjer 14. (Marti, 1971) Promatramo prethodni problem maksimalnog koritenja raspoloivog materijala u proizvodnji (primjerice, u mesnoj industriji) uz maksimiranje profita navedenog u Tablici 7.

Inputi
P1
Materijal M1
Materijal M2

20
18

Profit
P2 P3
50
70

30
40

Tablica 7: Porofit po vrstama materijala i jedinici proizvoda

Uz ogranienja kao u Primjeru 4 treba maksimizirati sljedeu funkciju cilja

max (20x1 + 50x2 + 30x3 + 18x4 + 70x5 + 40x6 )
376
20
T
?
Rjeenje primarnog problema: x? = (0, 178
9 , 45 , 80, 9 , 0) , z =

25516
9

= 2835.11.

Formulirajte odgovarajui dualni LP-problem.

26
T
?
Rjeenje dualnog problema: y ? = (6, 68
9 , 9 , 2, 0) , z =

25516
9

= 2835.11.

Tekst koji slijedi nije kontroliran i treba ga uzeti s rezervom!

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

Tablica 8: Proizvodnja cigareta

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

9.80x1 + 9.60x2 + 9.40x3 + 9.20x4 + 9.10x5 7368

18.6x1 + 18.6x2 + 18.6x3 + 18.6x4 + 18.6x5 14736
116.9x1 + 53.3x2 + 67.8x3 + 27.1x4 + 29.0x5 19648
58.5x1 + 15.2x2 + 15.2x3 + 15.2x4 + 15.2x5 6912
x1 2.2
x2 64
x3 98.4
x4 298
x5 34.2
x1 , x2 , x3 , x4 , x5 , x6 0
Rjeenje primarnog problema: x? = (0, 64, 98.4, 292.337, 0)T , z ? = 83304.6.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y ? = (0, 0, 0, 11.8421, 0, 15, 5, 0, 0)T , z ? = 83304.6.
Zbog ega cigarete P5 ne ulaze u optimalni proizvodni program ?
Uputa: Matricu tehnologije svedite na 100 jedinica profita za svaku vrstu cigareta (prvi stupac pomnoite
sa 100 i podijelite s 240 itd.) ili razmotrite dualni problem.
Primjer 16. (Marti, 1971) Promatramo proizvodnju jednog proizvoda koji je sastavljen od dvije komponente K1 , K2 u omjeru 1 : 1. Treba odrediti optimalni proizvodni program ovih komponenti tako da je
svakog dana mogue proizvest maksimalni broj gotovih proizvoda. Komponente K1 , K2 proizvode se na
tri stroja S1 , S2 , S3 prema matrici tehnologije navedene u Tablici 9.
Optimizacija proizvodnje ovisi o produktivnosti svakog stroja. Neka je
xi dnevna koliina proizvodnje komponente Ki na stroju S1 , i = 1, 2
x2+i dnevna koliina proizvodnje komponente Ki na stroju S2 , i = 1, 2
x4+i dnevna koliina proizvodnje komponente Ki na stroju S3 , i = 1, 2

Kvantitativne metode

30

Strojevi

Komponente
K1
K2

Stroj S1
Stroj S2
Stroj S3

8
4
1

Kapaciteti

4
6
2

24
24
8

Tablica 9: Vrijeme (sati) potrebno za proizvodnju komponenti K1 , K2

Produktivnost stroja S1 prilikom proizvodnje komponenta K1 zadana je s 24

8 , a prilikom proizvodnje
komponenta K2 s 24
.
Slino
se
moe
izraunati
i
produktivnost
strojeva
S
2 i S3 . Zato funkciju cilja
4
definiramo na sljedei nain:
z=

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

Tablica 10: Proizvodnja mlijenih proizvoda

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:
?

x = (250, 500, 1500)T , z ? = 115000.

Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y ? = (2000, 0, 40, 3.333)T , z ? = 115000.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
Zadatak 5. (Marti, 1971) U nekom poduzeu proizvode se tri proizvoda P1 , P2 , P3 na bazi sirovina S1 , S2
prema nie navedenoj matrici tehnologije. Poduzee mjeseno treba proizvesti barem 3 komada proizvoda
P1 , barem 5 komada proizvoda P2 i barem 4 komada proizvoda P3 . Odredite optimalni proizvodni program
koji e minimizirati trokove proizvodnje.

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

Rjeenje primarnog problema:

?

x = (1, 2)T , z ? = 65.

Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y ? = (15, 0, 5)T , z ? = 65.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
Primjer 17. (Sierksma, 2002) Neko poduzee proizvodi kutije kratkih i dugih ibica;
Profit po kutiji dugih ibica je 3 $100, a po kutiji kratkih ibica 2 $100;
Stroj koji se koristi u proizvodnji moe proizvesti 9 100 000 kutija kratkih ili dugih ibica;
Po kutiji dugih ibica potrebno je 3m3 , a po kutiji kratkih 1m3 drva;
Poduzee godinje raspolae s 18 100 000m3 drva;
Trina ogranienja za broj kutija dugih 7 100 000 i kutija kratkih ibice 6 100 000
x1 broj kutija dugih ibica u 100 000

Kvantitativne metode

32

x2 broj kutija kratkih ibica u 100 000

max(3x1 + 2x2 )

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

Tablica 11: Podaci o proizvodnji

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

Tablica 12: Podaci o proizvodnji

(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

Tablica 13: Podaci o prehrani

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

lb: funta pola kilograma

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

Tablica 14: Podaci o transportu

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

Zadatak 8. Konstruirajte jedno moguce rjesenje za problem transporta ako je

(a) a1 = 10, a2 = 14, b1 = 3, b2 = 8, b3 = 9.
(b) a1 = 10, a2 = 14, b1 = 5, b2 = 9, b3 = 10.

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

strune literature, koja je najvie dostupna na engleskom jeziku

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.