Op Anal 2005

1.loeng: 1.
september 2005
1 Sissejuhatus
Operatsioonianal u us on teadusharu, mis uurib matemaatiliste meetodite rakendami-
se voimalusi majanduselu probleemide lahendamiseks, eriti majanduslike protsesside
anal u usiks ja juhtimiseks. Operatsiooni all moistetakse seejuures mingi inimr uhma
eesmargip arast tegevust. Operatsiooni juhtimine tahendab, et on voimalik valida
selle kulgu mojutavad arvulised parameetrid ehk nn otsustusparameetrid. Operat-
sioonianal u usi ulesandeks on leida nende parameetrite vahelised anal u utilised seosed
ja naidata, kuidas parameetrite muutmine mojutab operatsiooni kulgu. Selleks peab
koostama nn. matemaatilise mudeli ning anal u usima saadud mudeli kaitumist vas-
tavalt otsustusparameetrite muutusele.
Operatsioonianal u usi raames on levinumateks vaadeldavateks probleemideks mit-
mesugused majanduslike planeerimistega seotud ulesanded. Need ulesanded voib
tinglikult jaotada kahte klassi:
1
0

Ulesanded, kus kirjeldatavas protsessis esinevad parameetrid on protsessiga juba
uheselt maaratud. Sellisel juhul tuleb lihtsalt leida parameetreid sisaldavad vorran-
did ning seejarel lahendada tekkiv vorrandis usteem. Taolise ulesande naitena vaatle-
me nn. bilansi ulesannet.
2
0

Ulesanded, kus kirjeldatavas protsessis esinevad parameetrid pole protsessiga
uheselt maaratud, vaid voivad muutuda teatud piirides. Sellisel juhul tuleb para-
meetrite valikuks vaadeldava operatsiooni juhtijatel p ustitada mingi kriteerium,
mille alusel parameetreid valida ehk mis annab teatavas mottes optimaalse tule-
muse. Operatsioonianal u usi seda haru, mis tegeleb taoliste optimiseerimismeetodite
valjatootamisega, nimetatakse matemaatiliseks planeerimiseks. Kaesolevast kursu-
sest moodustab matemaatiline planeerimine suure osa.
Planeerimis ulesandeid voib liigitada mitme printsiibi alusel. Vastavalt sellele, kas
aeg kuulub vaadeldava planeerimis ulesande vahetute muutujate hulka voi mitte, jao-
tatakse planeerimis ulesandeid d unaamilisteks ja staatilisteks. D unaamilise ulesande
naitena vaatleme hiljem Markovi protsessi. Kui planeerimis ulesandes esinevaid muu-
tujaid vaadeldakse kui juhuslikke suurusi, siis nimetatakse vaadeldavat ulesannet
stohhastiliseks. Tuleb markida, et enamus praktikas esinevatest probleemidest ongi
stohhastilise iseloomuga.
Kaesolevas kursuses vaatleme operatsioonanal u usi klassikasse kuuluvaid mude-
leid.
2 Leontie mudel
Vaadelgem majanduslikku s usteemi (nimetagem nii vaadeldavat tootmisega tegele-
vat organisatsiooni), mis toodab n toodet. Nummerdame need tooted numbritega
1, 2, . . . , n. Jatame vaatlusest valja tootmiseks vajalikud materjalid (st. eeldame,
et selles osas piirangud puuduvad). Vaatluse all on teatav ajavahemik. Tahistagu x
i
1
vaadeldavas ajavahemikus i-nda toote toodetavat kogust. Osa sellest toodetavast ko-
gusest laheb majanduslikus s usteemis tootmiseks uuesti kaiku, osa laheb valjapoole
s usteemi (m u uakse). Tahistagu y
i
sellist i-nda toote kogust, mis laheb valjapoole
s usteemi (st. m u uakse). Majanduslik s usteem kasutab siis i-ndat toodet tootmises
x
i
y
i
uhikut. Tahistagem i-nda toote kogust, mida s usteem vajab uhe uhiku j-nda
toote tootmisel, s umboliga a
ij
. Sellistes tahistustes kehtivad seosed
x
i
y
i
=
n
j=1
a
ij
x
j
, i = 1, 2, . . . , n. (2.1)
Arvud a
ij
iseloomustavad tootmisprotsessi ja neid nimetatakse otsekuludeks.
Esitame seosed (2.1) maatrikskujul. Tahistagu A, x ja y jargnevaid maatrikseid:
A = |a
ij
| =
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
n1
a
n2
. . . a
nn
_
_
_
_
_
_
_
_
, x =
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
_
_
_
, y =
_
_
_
_
_
_
_
_
_
y
1
y
2
.
.
.
y
n
_
_
_
_
_
_
_
_
_
.
Maatrikseid A, x ja y nimetatakse vastavalt otsekulude maatriksiks, kogutoodangu-
maatriksiks (ka: kogutoodanguks) ja lopptoodangumaatriksiks (ka: lopptoodanguks).
Siis seosed (2.1) maatrikskujul on
x y = Ax
ehk
y = (E A)x (2.2)
kus E on uhikmaatriks. Avaldis (2.2) ongi kirjeldatud majandusliku s usteemi mate-
maatiline mudel ja ta kujutab n vorrandist koosnevat vorrandis usteemi. Saadud
mudelit nimetatakse Leontie mudeliks
1
.
Leontie mudeliga seotud probleemidest tuleb sagedamini lahendada jargmine
ulesanne: antud lopptoodangu y jaoks leida kogutoodang x nii, et oleks
taidetud vorrandis usteem (2.2).
Kui eksisteerib (E A)
1
, siis s usteem (2.2) on uheselt lahenduv x suhtes:
x = (E A)
1
y = By, (2.3)
kus
B = |b
ij
| = (E A)
1
.
Maatriksi B elemente b
ij
nimetatakse taiskuludeks. Kui A on mis tahes mittenega-
tiivsete elementidega maatriks ja y , ei pruugi vorrandiga (2.3) maaratud vektor
x rahuldada vorratust x . Sellisel juhul ei ole ulal p ustitatud ulesanne lahen-
duv. Oletagem, et vordusega (2.3) maaratud vektor x rahuldab vorratust x
1
Wassily Leontie (1906-1999) - vene paritolu ameerika majandusteadlane, 1973.a. Nobeli
preemia laureaat majanduse alal.
2
iga y korral. Anname sellisel juhul majandusliku tolgenduse taiskuludse maa-
triksi B elementidele. Selleks anname lopptoodangule juurdekasvu y. See tekitab
kogutoodangule x juurdekasvu x:
x = By, x + x = B(y + y) = By + B y.
Siit saadakse vordus
x = B y. (2.4)
Valides
y =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0
.
.
.
0
1
0
.
.
.
0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
(j.rida),
saadakse
x
i
= b
ij
. (2.5)
Vordusest (2.5) tuleneb jargmine majanduslik tolgendus taiskuludele b
ij
:
taiskulu b
ij
naitab, kui palju tuleb suurendada i-nda toote kogutoodangut x
i
, selleks
et j-nda toote lopptoodang y
j
suureneks uhe uhiku vorra.
2.loeng: 8.september 2005
Jargnevalt vaatleme s usteemi (2.2) lahenduvuse tingimusi.
Denitsioon 2.1 Maatriksit A = |a
ij
| R
nn
, kus a
ij
0 iga i ja j voimaliku
vaartuse korral, nimetatakse produktiivseks, kui leidub selline vektor x > , et
(E A) x > .
Teoreem 2.1 S usteem
_
y = (E A)x
x
(2.6)
on uheselt lahenduv iga y korral parajasti siis, kui maatriks A on produktiivne.
Teoreem 2.2 Maatriks A = |a
ij
| R
nn
, kus a
ij
0 iga i ja j voimaliku vaartuse
korral, on produktiivne parajasti siis, kui leidub (E A)
1
ja (E A)
1
.
3
Naide 2.1. Jargnevas tabelis on antud kolme toostusharu omavahelised seosed,
lopptoodangud ja kogutoodangud:
Toostusharu Sisemine tarbimine Lopptoodang Kogutoodang
1 2 3
1 10 5 40 45 100
2 30 30 40 100
3 20 40 140 200
Leida kogutoodang lopptoodangu y = (100; 50; 80)
T
valmistamiseks ja selle kogutoo-
dangu jaotus toostusharude kaupa.
Lahendus.
A =
_
_
_
_
_
_
0, 1 0, 05 0, 2
0, 3 0 0, 15
0, 2 0, 4 0
_
_
_
_
_
_
, E A =
_
_
_
_
_
_
0, 9 0, 05 0, 2
0, 3 1 0, 15
0, 2 0, 4 1
_
_
_
_
_
_
,
det(E A) = 0, 9 0, 0015 0, 024 (0, 04 + 0, 015 + 0, 054) = 0, 7655,
(E A)
1
=
_
_
_
_
_
_
1, 228 0, 170 0, 271
0, 431 1, 123 0, 255
0, 418 0, 483 1, 156
_
_
_
_
_
_
,
x = (E A)
1
y =
_
_
_
_
_
_
1, 228 0, 170 0, 271
0, 431 1, 123 0, 255
0, 418 0, 483 1, 156
_
_
_
_
_
_
_
_
_
_
_
_
100
50
80
_
_
_
_
_
_
=
_
_
_
_
_
_
153
120
158
_
_
_
_
_
_
,
1 2 3
1 a
1
b
1
c
1
100 153
2 a
2
b
2
c
2
50 120
3 a
3
b
3
c
3
800 158
A =
_
_
_
_
_
_
a
1
/153 b
1
/120 c
1
/158
a
2
/153 b
2
/120 c
2
/158
a
3
/153 b
3
/120 c
3
/158
_
_
_
_
_
_
=
_
_
_
_
_
_
0, 1 0, 05 0, 2
0, 3 0 0, 15
0, 2 0, 4 0
_
_
_
_
_
_
,
_
_
_
_
_
_
a
1
b
1
c
1
a
2
b
2
c
2
a
3
b
3
c
3
_
_
_
_
_
_
=
_
_
_
_
_
_
15 6 32
46 0 24
30 48 0
_
_
_
_
_
_
.
Vastus:
1 2 3
1 15 6 32 100 153
2 46 24 50 120
3 30 48 80 158
4
3 Lineaarse planeerimis ulesande p ustitus
Vaatleme naitena uhte voimalikku ulesannet, mille tulemusena tekib lineaarne pla-
neerimis ulesanne.
Naide 2.1. Vaatleme ettevotet, mis toodab n toodet, vajades selleks m eri-
nevat toorainet. Nummerdame need tooted vastavalt numbritega 1, 2, . . . , n ning
toorained numbritega 1, 2, . . . , m. On teada, et vaadeldavas ajavahemikus on et-
tevottel voimalik i-ndat toorainet kasutada b
i
uhikut ning i-nda tooraine kulu uhe
uhiku j-nda toote tootmiseks on a
ij
uhikut.

Uhe uhiku j-nda toote m u umisest saa-
dav tulu on c
j
uhikut. Leida mainitud n toote toodetavad kogused x
1
, x
2
, . . . , x
n
vaadeldavas ajavahemikus nii, et nende toodete m u umisest saadav tulu oleks suurim
(maksimaalne).
Koostame p ustitatud ulesande lahendamiseks matemaatilise mudeli. Nagu ulal
mainitud, x
j
tahistab j-nda toote toodetavat kogust vaadeldaval ajavahemikul.
Kokku kulub i-ndat toorainet n toote tootmiseks
a
i1
x
1
+ a
i2
x
2
+ . . . + a
in
x
n
uhikut ja see ei tohi uletada voimalikku i-nda tooraine kogust b
i
, s.t.
a
i1
x
1
+ a
i2
x
2
+ . . . + a
in
x
n
b
i
, i = 1, 2, . . . , m. (3.1)
Tahistagu z toodete m u umisel saadavat tulu. Siis
z = c
1
x
1
+ c
2
x
2
+ . . . + c
n
x
n
. (3.2)
Siis vastavalt ulesande p ustitusele tuleb leida mittenegatiivsed arvud x
1
, x
2
, . . . , x
n
nii, et on t aidetud tingimused (3.1) ja mis annavad vordusega (3.2) antud suurusele
z suurima vaartuse. Formaalselt pannakse see ulesanne kirja jargnevalt:
_
_
z = c
1
x
1
+ c
2
x
2
+ . . . + c
n
x
n
max
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
b
2
. . .
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
b
m
x
1
, x
2
, . . . , x
n
0.
(3.3)
Ulesanne (3.3) kujutabki endast lineaarset planeerimis ulesannet.

Denitsioon 3.1 Kui on antud mis tahes vektorid
c =
_
_
_
_
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
_
_
_
_
ja b =
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
_
_
_
5
ning maatriks
A = |a
ij
| =
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
,
siis ulesannet (3.3) nimetatakse lineaarseks planeerimis ulesandeks.
Maatrikskuju.
Termineid:
lin. plan. ulesande pohikuju
lin. plan. kanooniline kuju
kitsendused
sihifunktsioon
lubatav lahend
lahend ehk optimaalne lahend
4 Lineaarse planeerimis ulesande lubatavate
lahendite hulga omadusi
Vaatleme moningaid moisteid.
Vaatleme lineaarset vorrandis usteemi
Ax = b, (4.1)
kus
A = |a
ij
| =
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
, b =
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
_
_
_
, x =
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
_
_
_
.
Seda vorrandis usteemi voib esitada ka vektorkujul jargmiselt:
x
1
a
1
+ x
2
a
2
+ . . . + x
n
a
n
= b,
kus
a
1
=
_
_
_
_
_
_
_
_
_
a
11
a
21
.
.
.
a
m1
_
_
_
_
_
_
_
_
_
, a
2
=
_
_
_
_
_
_
_
_
_
a
12
a
22
.
.
.
a
m2
_
_
_
_
_
_
_
_
_
, . . . , a
n
=
_
_
_
_
_
_
_
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
_
_
_
_
_
_
_
.
6
Denitsioon 4.1 Olgu x vorrandis usteemi (4.1) lahend ja I(x) = i [ x
i
,= 0 .
Lahendit x nimetatakse s usteemi (4.1) baasilahendiks, kui vektorid a
i
, i I(x),
on lineaarselt soltumatud.
Naide 4.1. Leiame jargmise s usteemi
3x
1
x
2
+ x
3
+ 6x
4
+ x
5
= 6
x
1
+ 5x
3
+ x
4
7x
5
= 6
x
1
+ 2x
2
+ 3x
3
+ x
4
+ x
5
= 6
uhe baasilahendi.
Denitsioon 4.2 Loiguks ruumis R
n
nimetatakse tema alamhulka kujul
[x; y] = tx + (1 t)y [ 0 t 1 ,
kus x, y R
n
. Punkte x ja y nimetatakse seejuures loigu [x; y] otspunktideks.
Punkte tx + (1 t)y, kus 0 < t < 1, nimetatakse loigu [x; y] sisepunktideks.
Denitsioon 4.3 Olgu K R
n
. Hulka K nimetatakse kumeraks, kui iga u, v
K korral loik [u; v] sisaldub hulgas K:
u, v K = [u; v] K.
Denitsioon 4.4 Olgu K R
n
. Punkti x K nimetatakse hulga K tipuks, kui
x pole uhegi hulgas K sisalduva loigu sisepunktiks.
Vaatleme n u ud lineaarset planeerimis ulesannet kanoonilisel kujul
_
_
z = c
T
x = c x max
Ax = b
x .
(4.2)
Tahistagu L tema koigi lubatavate lahendite hulka:
L = x [ Ax = b, x .
Denitsioon 4.5

Ulesande (4.2) lubatavaks baasilahendiks nimetatakse selle
ulesande lubatavat lahendit x, mis on vorrandis usteemi Ax = b baasilahendiks.
Saab naidata, et kehtivad jargmised teoreemid.
Teoreem 4.1

Ulesande (4.2) koigi lubatavate lahendite hulk L on kumer hulk.
Teoreem 4.2 Kui x kuulub ulesande (4.2) koigi lubatavate lahendite hulka L, siis
x on hulga L tipp parajasti siikui ta on vaadeldava ulesande lubatav baasilahend.
Teoreem 4.3 Kui ulesande (4.2) koigi lubatavate lahendite hulk L on mittet uhi,
siis sellel ulesandel leidub lubatavaid baasilahendeid.
Teoreem 4.4 Kui ulesandel (4.2) leidub optimaalne lahend, siis leidub tal selline
optimaalne lahend, mis on lubatavate lahendite hulga L tipp.
7
5 Simpleksmeetod
Kaesolevas alajaotuses kirjeldame nn simpleksmeetodit kanoonilisel kujul
_
_
z = c
T
x = c x max
Ax = b
x .
(5.1)
antud lineaarse planeerimis ulesande lahendamiseks. Selle meetodi esitas ameerika
matemaatik G.B.Dantzig
2
1949 a.. Moned erikujulised planeerimis ulesanded lahen-
das juba n oukogude matemaatik L.V.Kantorovitsh
3
1939.a..
Igale lubatavale baasilahendile x vastab nn. simplekstabel. Kirjeldame jargne-
valt simplekstabeli saamist. Olgu x lubatav baasilahend, z = c x sihifunktsiooni
vaartus selle baasilahendi korral ja
I( x) = i [ x
i
,= 0 = j
1
, . . . , j
m
.
Vaatleme ulesande (5.1) sihifunktsiooni ka vorrandina, kus ka suurust z vaatleme
tundmatuna. Viies selles koik liikmed vorduse uhele poole, saadakse z c x = 0.
Vorrandis usteemi Ax = b vorrandites esineb suurus z kordajaga 0. Seega votab
ulesanne (5.1) vorrandis usteemi kuju:
_
z c x = 0
z + Ax = b
(5.2)
(nouet x me esialgu ei arvesta; nullvektor). Paigutame vorrandis usteemi
(5.2) kordajad jargnevasse tabelisse
Tabel 5.1
0 1 c
1
. . . c
n
b
1
0 a
11
. . . a
1n
. . . 0 . . . . . . . . .
b
m
0 a
m1
. . . a
mn
Erinevalt lineaaralgebra kursusest on siin vabaliikmete veerg paigutatud esime-
seks veeruks ning jargnevateks veergudeks on paigutatud tundmatute z, x
1
, . . . , x
n
kordajad. Teisendame vastavalt Gaussi meetodile selle tabeli veerud, mis vas-
tavad vaadeldava baasilahendi nullist erinevatele tundmatutele x
j
1
, x
j
2
, . . . , x
j
m
,
mida nimetatakse ka baasitundmatuteks, uhikmaatriksi veergudeks. Siis saadakse
tabel
2
George Dantzig (s. 1914) ameerika matemaatik.
3
Leonid Vitaljevich Kantorovich (1912-1986) noukogude matemaatik.
8
Tabel 5.2
j
1
j
2
j
m
d
0
1 s
1
. . . 0 . . . 0 . . . 0 . . . s
n
d
1
0 z
11
. . . 1 . . . 0 . . . 0 . . . z
1n
d
2
0 z
21
. . . 0 . . . 1 . . . 0 . . . z
2n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
d
m
0 z
m1
. . . 0 . . . 0 . . . 1 . . . z
mn
Valides vastavalt Gaussi meetodile tabelis 5.2 vabade tundmatute x
j
, j , I( x),
vaartused vordseks nulliga, saadakse vorrandis usteemi (5.2) lahendiks
z = d
0
, x
j
1
= d
1
, x
j
2
= d
2
, . . . , x
j
m
= d
m
,
x
j
= 0, kui j , I( x) = i [ x
i
,= 0 = j
1
, . . . , j
m
.
Saadud lahend langeb kokku baasilahendiga x, kusjuures z = d
0
= c x. Seega on
tabel 5.2 samavaarne tabeliga
Tabel 5.3
j
1
j
2
j
m
z 1 s
1
. . . 0 . . . 0 . . . 0 . . . s
n
x
j
1
0 z
11
. . . 1 . . . 0 . . . 0 . . . z
1n
x
j
2
0 z
21
. . . 0 . . . 1 . . . 0 . . . z
2n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
x
j
m
0 z
m1
. . . 0 . . . 0 . . . 1 . . . z
mn
Tabelis 5.3 s
j
1
= . . . = s
j
m
= 0 ja
_
_
_
_
_
_
_
_
_
z
1j
1
z
1j
2
. . . z
1j
m
z
2j
1
z
2j
2
. . . z
2j
m
.
.
.
.
.
.
.
.
.
.
.
.
z
mj
1
z
mj
2
. . . z
mj
m
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
_
_
_
_
Denitsioon 5.1 Tabeli 5.2 teisendamisel Gaussi meetodiga saadud tabelit 5.3,
milles baasilahendi x baasitundmatutele vastavad veerud on uhikmaatriksi veergu-
deks, nimetatakse baasilahendile x vastavaks simplekstabeliks.
Simplekstabeli 5.3 esimeses veerus paiknevad sihifunktsiooni vaartus baasila-
hendi x korral ja selle baasilahendi baasitundmatute vaartused.
9
Naide 5.1. Leiame lineaarse planeerimis ulesande
_
_
z = 6x
2
+ x
3
x
4
max
3x
1
x
2
+ x
3
+ 6x
4
+ x
5
= 6
x
1
+ 5x
3
+ x
4
7x
5
= 6
x
1
+ 2x
2
+ 3x
3
+ x
4
+ x
5
= 6
x
1
, . . . , x
5
0
lubatavale baasilahendile
x = (0; 1; 1; 1; 0)
T
, I( x) = 2, 3, 4
vastava simplekstabeli (esialgse tabeli teisendamisel saadud tabelid on kirjutatud
uksteise jargi; tabeli viimases veerus on naidatud tehtavad teisendused, kusjuures
ridu on hakatud nummerdama sihifunktsioonile jargnevast vorrandist):
z x
1
x
2
x
3
x
4
x
5
0 1 0 -6 -1 1 0 6 I
6 0 3 -1 1 6 1 (1)
6 0 1 0 5 1 -7
6 0 1 2 3 1 1 +2 I
-36 1 -18 0 -7 -35 -6 +35 II
-6 0 -3 1 -1 -6 -1 +6 II
6 0 1 0 5 1 -7
18 0 7 0 5 13 3 13 II
174 1 17 0 168 0 -251 +(168/60) III
30 0 3 1 29 0 -43 +(29/60) III
6 0 1 0 5 1 -7 +(1/12) III
-60 0 -6 0 -60 0 94 ((1/60))
6 1 1/5 0 0 0 61/5
1 0 1/10 1 0 0 73/30
1 0 1/2 0 0 1 5/6
1 0 1/10 0 1 0 -47/30
Viimane saadud neljast tabelist ongi baasilahendile x = (0; 1; 1; 1; 0)
T
vastav simp-
lekstabel.
Simplekstabelis 5.3 on kolm voimalust:
1
0
s
j
0 iga j = 1, 2, . . . , n korral (s
j
1
= . . . = s
j
m
= 0);
2
0
leidub selline j
0
, et s
j
0
< 0 ja z
ij
0
0 iga i = 1, 2, . . . , m korral;
3
0
leidub selline j
0
, et s
j
0
< 0 ja arvude z
1j
0
, z
2j
0
, . . . , z
mj
0
seas on positiivseid arve.
Vaatleme loetletud kolme juhtu eraldi naidete varal:
1
0
10
-4 1 6 0 1 0 0
7 0 -1 1 2 0 0
5 0 3 0 -2 0 1
9 0 2 0 4 1 0
2
0
-4 1 -6 0 -1 0 0
7 0 -1 1 -2 0 0
5 0 3 0 -2 0 1
9 0 2 0 -4 1 0
3
0
-4 1 -6 0 -1 0 0
7 0 -1 1 2 0 0
5 0 3 0 -2 0 1
9 0 2 0 4 1 0
Lopuks skeem simpleksmeetodi kohta.
6 Naide simpleksmeetodi rakendamise kohta
Naide 6.1. Leiame lineaarse planeerimis ulesande
_
_
z = 6x
1
+ x
2
+ x
4
+ 2x
5
max
x
1
+ 2x
2
+ x
3
= 2
2x
1
+ 6x
2
+ 2x
3
+ x
4
+ x
5
= 18
x
1
2x
2
+ x
5
= 2
x
1
, . . . , x
5
0
lahendi. Et rakendada simpleksmeetodit, peame leidma baasilahendi, mis oleks
lubatav, ja seejarel sellele baasilahendile vastava simplekstabeli.
Kirjutame esmalt valja antud ulesandele vastava vorrandis usteemi kordajate
tabeli (tabel 5.1 kaesoleval juhul):
z x
1
x
2
x
3
x
4
x
5
0 1 -6 -1 0 -1 -2
2 0 -1 2 1 0 0
18 0 2 6 2 1 1
2 0 1 -2 0 0 1
Saadud tabel pole simplekstabel. Lihtne on naha, et simplekstabel on saadav, kui
teisendada tundmatutele x
3
, x
4
ja x
5
vastavad veerud uhikmaatriksi veergudeks.
Siis saadud tabelile vastav baasilahend on lubatav:
11
z x
1
x
2
x
3
x
4
x
5
0 1 -6 -1 0 -1 -2
2 0 -1 2 1 0 0
18 0 2 6 2 1 1 2 I III
2 0 1 -2 0 0 1
0 1 -6 -1 0 -1 -2 +II + 2 III
2 0 -1 2 1 0 0
12 0 3 4 0 1 0
2 0 1 -2 0 0 1
ja saadakse simplekstabel
16 1 -1 -1 0 0 0
2 0 -1 2 1 0 0
12 0 3 4 0 1 0
2 0 1 -2 0 0 1
millele vastav baasilahend x = (0; 0; 2; 12; 2)
T
on lubatav. Baasitundmatuteks
on siin x
3
, x
4
ja x
5
ja sihifunktsiooni vaartus selle baasilahendi korral on z = 16.
Saadud simplekstabelis on tegemist juhuga 3
0
, s.t. saab minna ule uuele simpleksta-
belile, millele vastav baasilahend annab sihifunktsioonile suurema vaartuse vorreldes
baasilahendiga x. Valime uueks baasitundmatuks muutuja x
1
, millele vastava veeru
teisendame uhikmaatriksi veeruks. Arvutades suhted 12/3=4 ja 2/1=2, naeme, et
x
1
-le vastavasse veergu tuleb 1 tekitada viimasesse vorrandisse. Seega tuleb eelmist
simplekstabelit teisendada jargmiselt:
16 1 -1 -1 0 0 0 +III
2 0 -1 2 1 0 0 +III
12 0 3 4 0 1 0 3 III
2 0 1 -2 0 0 1
18 1 0 -3 0 0 1
4 0 0 0 1 0 1
6 0 0 10 0 1 -3
2 0 1 -2 0 0 1
Saime uue simplekstabeli, millele vastav lubatav baasilahend on x = (2; 0; 4; 6; 0)
T
.
Baasitundmatuteks on siin x
1
, x
3
ja x
4
ja sihifunktsiooni vaartus selle baasilahendi
korral on

zz = 18.
Ka selles simplekstabelis on tegemist juhuga 3
0
, s.t. saab minna ule uuele simp-
lekstabelile, millele vastav baasilahend annab sihifunktsioonile suurema vaartuse
vorreldes baasilahendiga x. Valime uueks baasitundmatuks muutuja x
2
, millele
vastava veeru teisendame uhikmaatriksi veeruks. Siin tuleb arv 1 tekitada teise
vorrandisse. Tehes seda, saadakse
12
18 1 0 -3 0 0 1 +
3
10
II
4 0 0 0 1 0 1
6 0 0 10 0 1 -3
1
10
2 0 1 -2 0 0 1 +
1
5
II
99
5
1 0 0 0
3
10
1
10
4 0 0 0 1 0 1
3
5
0 0 1 0
1
10

3
10
16
5
0 1 0 0
1
5
2
5
Viimane simplekstabel annabki optimaalse lahendi baasitundmatutega x
1
, x
2
ja x
3
ning sihifunktsiooni vaartusega
99
5
. Seega vaadeldava ulesande vastus on
z
max
= z
_
16
5
;
3
5
; 4; 0; 0
_
=
99
5
.
7 Lubatava baasilahendi leidmine
Vaatleme lineaarset planeerimis ulesannet kanoonilisel kujul
_
_
z = c
T
x = c x max
Ax = b
x .
(7.1)
Voib eeldada, et
b . (7.2)
Toepoolest, kui mingi vorrandi vabaliige on negatiivne, siis voib selle vorrandi
molemad pooled labi korrutada arvuga -1.
Simpleksmeetodi rakendamiseks on vaja teada mingit lubatavat baasilahendit
ehk sellele vastavat simplekstabelit. Gaussi meetod selleks ei sobi, sest saadav
baasilahend voib osutuda mittelubatavaks. Jargnevalt kirjeldame kahte meetodit
lineaarse planeerimis ulesande lahendamiseks juhul, kui pole ette antud uhtegi lu-
batavat baasilahendit.
13
7.1 Kunstliku baasi meetod
Moodustame ulesande (7.1) jaoks abi ulesande
_
_
w = x
n+1
+ x
n+2
+ . . . + x
n+m
min
a
11
x
1
+ a
12
x
2
+ . . . a
1n
x
n
+ x
n+1
= b
1
a
21
x
1
+ a
22
x
2
+ . . . a
2n
x
n
+ x
n+2
= b
2
. . . . . . . . .
a
m1
x
1
+ a
m2
x
2
+ . . . a
mn
x
n
+ x
n+m
= b
m
x
1
, x
2
, . . . , x
n+m
0.
(7.3)
Tahistagu L ulesande (7.1) koigi lubatavate lahendite hulka.
Teoreem 7.1 Kui ulesande (7.1) koigi lubatavate lahendite hulk L on mittet uhi, siis
ulesandel (7.3) leidub optimaalne lahend ja tema iga optimaalne lahend on kujuga
(x
1
; x
2
; . . . ; x
n
; 0; 0; . . . ; 0)
T
.
Ulesande (7.1) lubatava baasilahendi leidmine toimub jargmiselt:

a) lahtudes lubatavast baasilahendist (0; 0; . . . ; b
1
; b
2
; . . . ; b
m
)
T
, lahendatakse abi-
ulesanne (7.3) simpleksmeetodiga; kui abi ulesanne (7.3) ei oma lahendit, siis ei oma
ka esialgne ulesanne (7.1) lahendit;
b) kui abi ulesande lahendiks on (x
1
; x
2
; . . . ; x
n
; x
n+1
; . . . ; x
n+m
), siis: 1) kui arvude
x
n+1
; . . . ; x
n+m
seas leidub nullist erinevaid arve, siis esialgne ulesanne (7.1) ei oma
lahendit; 2) kui x
n+1
= . . . = x
n+m
= 0, siis (x
1
; x
2
; . . . ; x
n
) on ulesande (7.1)
lubatav baasilahend.
Saanud abi ulesannet lahendades ulesande (7.1) lubatava baasilahendi, tuleb ulesanne
(7.1) lahendada juba simpleksmeetodiga.
Naide 7.1. Lahendame ulesande
_
_
z = x
1
+ 2x
2
+ x
3
+ x
4
+ x
5
max
x
1
+ 4x
2
+ 2x
3
+ 2x
4
+ x
5
= 8
x
1
2x
2
+ 2x
3
2x
4
x
5
= 6
x
1
+ 2x
2
+ 2x
4
x
5
= 2
x
1
, . . . , x
5
0
Kuna teises vorrandis on vabaliige negatiivne, siis korrutame selle vorrandi molemaid
pooli arvuga -1 ning ulesanne votab kuju
_
_
z = x
1
+ 2x
2
+ x
3
+ x
4
+ x
5
max
x
1
+ 4x
2
+ 2x
3
+ 2x
4
+ x
5
= 8
x
1
+ 2x
2
2x
3
+ 2x
4
+ x
5
= 6
x
1
+ 2x
2
+ 2x
4
x
5
= 2
x
1
, . . . , x
5
0
14
Selle ulesande lubatava baasilahendi leidmiseks moodustame vastavalt ulal antud
kirjeldusele abi ulesande
_
_
w = x
6
+ x
7
+ x
8
min
x
1
+ 4x
2
+ 2x
3
+ 2x
4
+ x
5
+ x
6
= 8
x
1
+ 2x
2
2x
3
+ 2x
4
+ x
5
+ x
7
= 6
x
1
+ 2x
2
+ 2x
4
x
5
+ x
8
= 2
x
1
, . . . , x
8
0
Abi ulesandele simpleksmeetodi rakendamiseks tuleb see teisendada maksimumi lei-
dmise ulesandeks, s.t. leiame suuruse u = w maksimumi:
_
_
u = x
6
x
7
x
8
max
x
1
+ 4x
2
+ 2x
3
+ 2x
4
+ x
5
+ x
6
= 8
x
1
+ 2x
2
2x
3
+ 2x
4
+ x
5
+ x
7
= 6
x
1
+ 2x
2
+ 2x
4
x
5
+ x
8
= 2
x
1
, . . . , x
8
0
Lahendamegi viimase ulesande simpleksmeetodiga:
0 1 0 0 0 0 0 1 1 1 -I-II-III
8 0 1 4 2 2 1 1 0 0
6 0 -1 2 -2 2 1 0 1 0
2 0 1 2 0 2 -1 0 0 1
-16 1 -1 -8 0 -6 -1 0 0 0 +II
8 0 1 4 2 2 1 1 0 0 -II
6 0 -1 2 -2 2 1 0 1 0
2 0 1 2 0 2 -1 0 0 1 +II
-10 1 -2 -6 -2 -4 0 0 1 0 +3 I
2 0 2 2 4 0 0 1 -1 0 (1/2)
6 0 -1 2 -2 2 1 0 1 0 -I
8 0 0 4 -2 4 0 0 1 1 2 I
-4 1 4 0 10 -4 0 3 -2 0 +III
1 0 1 1 2 0 0 1/2 -1/2 0
4 0 -3 0 -6 2 1 -1 2 0 (1/2) III
4 0 -4 0 -10 4 0 -2 3 1 (1/4)
0 1 0 0 0 0 0 1 1 1
1 0 1 1 2 0 0 1/2 -1/2 0
2 0 -1 0 -1 0 1 0 1/2 -1/2
1 0 -1 0 -5/2 1 0 -1/2 3/4 1/4 (1/4)
Siit saame abi ulesande optimaalse lahendi
u
max
= (0; 1; 0; 1; 2; 0; 0; 0) = 0.
15
Viis esimest tundmatut siit lahendist moodustavad esialgse ulesande lubatava baasi-
lahendi x = (0; 1; 0; 1; 2)
T
. Lahendame n u ud esialgse ulesande, lahtudes saadud
baasilahendist x. Mainime, et sellele baasilahendile vastava simplekstabeli saame
juba abi ulesande viimasest tabelist (votta sealt vabaliikmete veerg ja tundmatutele
x
1
, . . . , x
5
vastavad veerud). Jargneb esialgse ulesande lahendus:
z x
1
x
2
x
3
x
4
x
5
0 1 -1 -2 -1 -1 -1 +2 I + II + III
1 0 1 1 2 0 0
2 0 -1 0 -1 0 1
1 0 -1 0 -5/2 1 0
5 1 -1 0 -1/2 0 0 +I
1 0 1 1 2 0 0
2 0 -1 0 -1 0 1 +I
1 0 -1 0 -5/2 1 0 +I
6 1 0 1 3/2 0 0
1 0 1 1 2 0 0
3 0 0 1 1 0 1
2 0 0 1 -1/2 1 0
Viimasele simplekstabelile vastav lubatav baasilahend (1; 0; 0; 2; 3)
T
annabki sihi-
funktsioonile z maksimaalse vaartus 6:
z
max
= (1; 0; 0; 2; 3) = 6.
Kirjeldatud meetodit lineaarse planeerimis ulesande lahendamiseks nimetatakse
ka kahefaasiliseks simpleksmeetodiks.
7.2 M-meetod
Moodustame ulesande (7.1) jaoks abi ulesande
_
_
w = c x M(x
n+1
+ x
n+2
+ . . . + x
n+m
) max
a
11
x
1
+ a
12
x
2
+ . . . a
1n
x
n
+ x
n+1
= b
1
a
21
x
1
+ a
22
x
2
+ . . . a
2n
x
n
+ x
n+2
= b
2
. . . . . . . . .
a
m1
x
1
+ a
m2
x
2
+ . . . a
mn
x
n
+ x
n+m
= b
m
x
1
, x
2
, . . . , x
n+m
0.
(7.4)
Suurust M tolgendame kui k ullalt suur positiivset arvu.
16
6.loeng: 6.oktoober 2005
Saab naidata, et kehtivad jargmised omadused:
1) kui ulesanne (7.1) on lahenduv, siis leidub selline positiivne arv M
0
, et ulesanne
(7.4) omab iga M > M
0
korral optimaalset lahendit (x
1
; x
2
; . . . ; x
n
;
x
n+1
; . . . ; x
n+m
)
T
, kusjuures igas optimaalses lahendis x
n+1
= . . . = x
n+m
= 0;
2) kui ulesande (7.4) optimaalses lahendis (x
1
; x
2
; . . . ; x
n
; x
n+1
; . . . ; x
n+m
)
T
on
x
n+1
= . . . = x
n+m
= 0, siis (x
1
; x
2
; . . . ; x
n
)
T
on ulesande (7.1) optimaalne lahend.
Naide 7.2. Lahendame naite 7.1 ulesande M-meetodiga. Selleks kirjutame
valja abi ulesandele (7.4) vastava tabeli kaesoleval juhul ning edasi rakendame simp-
leksmeetodit (teises, kolmandas ja neljandas tabelis on moni summana avalduva
sihifunktsiooni kordaja liidetavad paigutatud kahte erinevasse ritta):
w x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
0 1 -1 -2 -1 -1 -1 M M M M(I+II+III)
8 0 1 4 2 2 1 1 0 0
6 0 -1 2 -2 2 1 0 1 0
2 0 1 2 0 2 -1 0 0 1
16M 1 M 8M -1 6M M 0 0 0 +(M + 1) II
1 2 1 1
8 0 1 4 2 2 1 1 0 0 -II
6 0 -1 2 -2 2 1 0 1 0
2 0 1 2 0 2 -1 0 0 1 +II
10M 1 2M 6M 2M 4M 0 0 M 0 +3M I
+6 2 3 +1 +1 +3M I
2 0 2 2 4 0 0 1 -1 0 (1/2)
6 0 -1 2 -2 2 1 0 1 0 -I
8 0 0 4 -2 4 0 0 1 1 2 I
4M 1 4M 0 10M 4M 0 3M 2M 0 +(M (1/4)) III
+6 2 3 +1 +1
1 0 1 1 2 0 0 1/2 -1/2 0
4 0 -3 0 -6 2 1 -1 2 0 (1/2)) III
4 0 -4 0 -10 4 0 -2 3 1 (1/4)
5 1 -1 0 -(1/2) 0 0 M + (1/2) M + (1/4) M (1/4) +I
1 0 1 1 2 0 0 1/2 -1/2 0
2 0 -1 0 -1 0 1 0 1/2 -(1/2) +I
1 0 -1 0 -(5/2) 1 0 -(1/2) 3/4 1/4 +I
6 1 0 1 3/2 0 0 M + 1 M (1/4) M (1/4)
1 0 1 1 2 0 0 1/2 -1/2 0
3 0 0 1 1 0 1 1/2 0 -(1/2)
2 0 0 1 -(1/2) 1 0 0 1/4 1/4
17
Oleme saanud abi ulesande optimaalse lahendi:
w
max
= (1; 0; 0; 2; 3; 0; 0; 0) = 6.
Jattes ara abitundmatud, saame esialgse ulesande lahendiks
z
max
= (1; 0; 0; 2; 3) = 6.
8 Duaalsed lineaarsed planeerimis ulesanded
Vaatleme lineaarset planeerimis ulesannet kanoonilisel kujul
_
_
z = c
T
x = c x max
Ax = b
x .
(8.1)
Denitsioon 8.1

Ulesandega (8.1) duaalseks ulesandeks nimetatakse lineaarset
planeerimis ulesannet
_
w = b
T
y = b y min
A
T
y c.
(8.2)
Ulesanded (8.1) ja (8.2) mittemaatrikskujul naevad valja vastavalt kujudel

_
_
z = c
1
x
1
+ c
2
x
2
+ . . . + c
n
x
n
max
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
. . .
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
= b
m
x
1
, x
2
, . . . , x
n
0.
ja
_
_
w = b
1
1
1
+ b
2
y
2
+ . . . + b
m
y
m
min
a
11
y
1
+ a
21
y
2
+ . . . + a
m1
y
m
c
1
a
12
y
1
+ a
22
y
2
+ . . . + a
m2
y
m
c
2
. . .
a
1n
y
1
+ a
2n
y
2
+ . . . + a
mn
y
m
c
n
Deneerisime duualse ulesande kanoonilisel kujul antud lineaarse planeerimis-
ulesande jaoks. Kui lineaarne planeerimis ulesanne pole antud kanoonilisel kujul,
siis temaga duaalse ulesande leidmiseks peame ta esitama algul kanoonilisel kujul ja
seejarel leidma tekkinud ulesande duaalse ulesande.
Teoreem 8.1

Ulesandega (8.2) duaalne ulesanne on ulesanne (8.1).
18
Toestus. Esitame ulesande (8.2) algul kanoonilisel kujul. Selleks peame lahutama
vorratuse A
T
y c molemast poolest mittenegatiivse vektori y
3
ja esitame vektori y
kahe mittenegatiivse vektori y
1
ning y
2
vahena: y = y
1
y
2
, y
1
, y
2
(arvud
1, 2 ja 3 on siin ulaindeksid, mitte astmenaitajad).

Ulesanne (8.2) votab kuju
_
_
w = b
T
(y
1
y
2
) = b (y
1
y
2
) min
A
T
(y
1
y
2
) y
3
= c
y
1
, y
2
, y
3

(8.3)
Ulesanne (8.3) on samavaarne ulesandega

_
_
u = b
T
(y
1
y
2
) = b (y
1
y
2
) max
A
T
(y
1
y
2
) y
3
= c
y
1
, y
2
, y
3

(8.4)
kus u = w. Tahistame
A =
_
_
A
T
A
T
E
_
_
, x =
_
_
_
_
_
_
y
1
y
2
y
3
_
_
_
_
_
_
, c =
_
_
_
_
_
_
b
b
_
_
_
_
_
_
,

b = c, z = u,
kus on uhikmaatriks. Siis ulesanne (8.4) saab kuju
_
_
z = c
T
x = c x max
A x =

b
x .
(8.5)
Ulesanne (8.5) on juba kanoonilisel kujul ja temaga duaalne ulesanne on

_
b y = c y min
A
T
y =
_
_
_
_
_
_
_
A
A
E
_
_
_
_
_
_
_
y =
_
_
_
_
_
_
_
A y
A y
y
_
_
_
_
_
_
_
c =
_
_
_
_
_
_
_
b
b
_
_
_
_
_
_
_
ehk
_
_
c y min
A y b
A y b
y
ehk
_
_
c ( y) max
A( y) = b
y
19
Tahistades x = y, saadakse ulesande (8.2) duaalseks ulesandeks ulesanne
_
_
z = c
T
x = c x max
Ax = b
x .
mis langeb kokku ulesandega (8.1).
Analoogiliselt toestatakse teoreem:
Teoreem 8.2 Pohikujul antud lineaarse planeerimis ulesandega
_
_
z = c
T
x = c x max
Ax b
x .
(8.6)
duaalne ulesanne on
_
_
w = b
T
y = b y min
A
T
y c
y .
(8.7)
Ulesandega (8.7) duaalne ulesanne on (8.6).

Naide 8.1. Leiame ulesandega
_
_
z = 2x
1
+ 4x
2
+ x
3
min
x
1
2x
2
+ x
3
4
2x
1
+ 3x
2
x
3
2
x
1
, x
2
, x
3
0
(8.8)
duaalse ulesande. Selleks teisendame esmalt selle ulesande kujule (8.7), korrutades
esimese kitsenduse molemaid pooli arvuga -1
4
:
_
_
z = 2x
1
+ 4x
2
+ x
3
min
x
1
+ 2x
2
x
3
4
2x
1
+ 3x
2
x
3
2
x
1
, x
2
, x
3
0
Saadud ulesandega duaalne ulesanne on kujul (8.6) (kasutame ainult teisi tahistusi
muutujate osas) ehk
_
_
w = 4y
1
+ 2y
2
max
y
1
+ 2y
2
2
2y
1
+ 3y
2
4
y
1
y
2
1
y
1
, y
2
0
(8.9)
Ulesanne (8.9) ongi ulesandega (8.8) duaalne ulesanne.

4
Argu lugeja lasku hairida asjaolust, et erinevalt ulesandest (8.7) on siin muutujad tahistatud
teisiti.
20
9 Duaalsusteoreemid
Kaesolevas alajaotuses vaatleme omavahel duaalsete ulesannete vahelisi seoseid.
Vaatluse all on ulesanded
_
_
z = c
T
x = c x max
Ax = b
x .
(9.1)
_
w = b
T
y = b y min
A
T
y c.
(9.2)
_
_
z = c
T
x = c x max
Ax b
x .
(9.3)
_
_
w = b
T
y = b y min
A
T
y c
y .
(9.4)
Ulesanded (9.1) ja (9.2) on omavahel duaalsed ulesanded ning samuti on ulesanded

(9.3) ja (9.4) omavahel duaalsed. Saab naidata, et kehtivad jargmised teoreemid.
Neid teoreeme nimetatakse duaalsusteoreemideks.
Teoreem 9.1 Kui uks duaalsetest ulesannetest (9.1) ja (9.2) omab optimaalset la-
hendit, siis ka teine neist omab optimaalset lahendit. Kui uks duaalsetest ulesanne-
test (9.3) ja (9.4) omab optimaalset lahendit, siis ka teine neist omab optimaalset
lahendit. Molemal juhul optimaalsete lahendite x ja y korral kehtib vordus
z = c x = b y = w.
Teoreem 9.2 Kui x ja y on vastavalt ulesannete (9.1) ja (9.2) lubatavad lahendid,
siis z = c x b y = w. Kui x ja y on vastavalt ulesannete (9.3) ja (9.4) lubatavad
lahendid, siis z = c x b y = w.
Teoreem 9.3 Kui x ja y on vastavalt ulesannete (9.1) ja (9.2) lubatavad lahendid
ning z = c x = b y = w, siis x ja y on optimaalsed lahendid vastavalt ulesannetele
(9.1) ja (9.2). Kui x ja y on vastavalt ulesannete (9.3) ja (9.4) lubatavad lahendid
ning z = c x = b y = w, siis x ja y on optimaalsed lahendid vastavalt ulesannetele
(9.3) ja (9.4).
Teoreem 9.4 Olgu x ja y vastavalt ulesannete (9.3) ja (9.4) lubatavad lahendid.
Siis x ja y on optimaalsed lahendid ulesannetele (9.3) ja (9.4) parajasti siis, kui
y (Ax b) = 0 (9.5)
ja
x (A
T
y c) = 0. (9.6)
21
Teoreem 9.5 Olgu x ja y vastavalt ulesannete (9.1) ja (9.2) lubatavad lahendid.
Siis x ja y on optimaalsed lahendid ulesannetele (9.1) ja (9.2) parajasti siis, kui
x (A
T
y c) = 0. (9.7)
Teoreem 9.6 Kui molemad duaalsetest ulesannetest (9.1) ja (9.2) voi (9.3) ja (9.4)
omavad lubatavaid lahendeid, siis nad omavad ka optimaalseid lahendeid.
Kuna ulesannete (9.3) ja (9.4) lubatavate lahendite
x = (x
1
; . . . ; x
n
)
T
ja y = (y
1
; . . . ; y
m
)
T
korral
x =
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
0
0
.
.
.
0
_
_
_
_
_
_
_
_
_
, y =
_
_
_
_
_
_
_
_
_
y
1
y
2
.
.
.
y
m
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
_
0
0
.
.
.
0
_
_
_
_
_
_
_
_
_
ja
Ax =
_
_
_
_
_
_
_
_
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
. . .
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
_
_
_
_
_
_
_
_
b =
_
_
_
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
_
_
_
,
A
T
y =
_
_
_
_
_
_
_
_
a
11
y
1
+ a
21
y
2
+ . . . + a
m1
y
m
a
12
y
1
+ a
22
y
2
+ . . . + a
m2
y
m
. . .
a
1n
y
1
+ a
2n
y
2
+ . . . + a
mn
y
m
_
_
_
_
_
_
_
_
c =
_
_
_
_
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
_
_
_
_
,
siis vordustes
y (Ax b) =
m
i=1
y
i
(a
i1
x
1
+ a
i2
x
2
+ . . . + a
in
x
n
b
i
) = 0
ja
x (A
T
y c) =
n
j=1
x
j
(a
1j
y
1
+ a
2j
y
2
+ . . . + a
mj
y
m
c
j
) = 0
on koik liidetavad vastavalt mittepositiivsed ja mittenegatiivsed, s.t. kummaski
summas on koik liidetavad vordsed nulliga ehk
_
y
i
(a
i1
x
1
+ a
i2
x
2
+ . . . + a
in
x
n
b
i
) = 0
i = 1, 2, . . . , m,
(9.8)
ja
_
x
j
(a
1j
y
1
+ a
2j
y
2
+ . . . + a
mj
y
m
c
j
) = 0,
j = 1, 2, . . . , n.
(9.9)
22
Vordustest (9.8) ja (9.9) jareldub jargmine vaide:
kui x = (x
1
; . . . ; x
n
)
T
ja y = (y
1
; . . . ; y
m
)
T
on vastavalt ulesannete (9.3) ja (9.4)
lubatavad lahendid, siis nad on nende ulesannete optimaalsed lahendid parajasti siis,
kui on taidetud tingimused (9.8) ja (9.9).
Analoogiliselt jareldub vordusest (9.7):
kui x = (x
1
; . . . ; x
n
)
T
ja y = (y
1
; . . . ; y
m
)
T
on vastavalt ulesannete (9.1) ja (9.2)
lubatavad lahendid, siis nad on nende ulesannete optimaalsed lahendid parajasti siis,
kui
_
x
j
(a
1j
y
1
+ a
2j
y
2
+ . . . + a
mj
y
m
c
j
) = 0,
j = 1, 2, . . . , n.
(9.10)
10 Naiteid duaalsusteoreemide rakendamise
kohta
_
_
z = x
1
+ 3x
2
+ 2x
3
min
3x
1
2x
2
+ x
3
5
x
1
+ x
2
+ 2x
3
10
2x
1
+ 3x
2
x
3
2
x
1
, x
2
, x
3
0
(10.1)
kasutades temaga duaalse ulesande simpleksmeetodil saadud lahendit.
Ulesandega (10.1) duaalne ulesanne on

_
_
w = 5y
1
+ 10y
2
+ 2y
3
max
3y
1
+ y
2
2y
3
1
2y
1
+ y
2
+ 3y
3
3
y
1
+ 2y
2
y
3
2
y
1
, y
2
, y
3
0
(10.2)
Viies ulesande (10.2) kanoonilisele kujule, saadakse
_
_
w = 5y
1
+ 10y
2
+ 2y
3
max
3y
1
+ y
2
2y
3
+ y
4
= 1
2y
1
+ y
2
+ 3y
3
+ y
5
= 3
y
1
+ 2y
2
y
3
+ y
6
= 2
y
1
, . . . , y
6
0
(10.3)
Kirjutades valja ulesandele (10.3) vastava tabeli, saadakse kohe simplekstabel, mil-
lele rakendame simpleksmmetodit:
23
z x
1
x
2
x
3
x
4
x
5
x
6
0 1 -5 -10 -2 0 0 0 +10 I
1 0 3 1 -2 1 0 0
3 0 -2 1 3 0 1 0 I
2 0 1 2 -1 0 0 1 2 I
10 1 25 0 -22 10 0 0 +(22/3) III
1 0 3 1 -2 1 0 0 +(2/3) III
2 0 -5 0 5 -1 1 0 (5/3) III
0 0 -5 0 3 -2 0 1 (1/3)
10 1 -35/3 0 0 -14/3 0 22/3 +(7/2) II
1 0 -1/3 1 0 -1/3 0 2/3 +(1/10) II
2 0 10/3 0 0 7/3 1 -5/3 (3/10)
0 0 -5/3 0 1 -2/3 0 1/3 +(1/2) II
17 1 0 0 0 7/2 7/2 3/2
6/5 0 0 1 0 -1/10 1/10 1/2
3/5 0 1 0 0 7/10 3/10 -1/2
1 0 0 0 1 1/2 1/2 -1/2
Siit saame ulesande (10.3) optimaalseks lahendiks vektori (3/5 ; 6/5 ; 1; 0; 0; 0)
T
ja ulesande (10.2) optimaalseks lahendiks vektori (3/5 ; 6/5 ; 1)
T
, kusjuures
w
max
= w(3/5 ; 6/5 ; 1) = 17.
Kuna ulesande (10.2) optimaalses lahendis y = (y
1
; y
2
; y
3
)
T
on koik komponen-
did positiivsed, siis vastavalt duaalsusteoreemidele on ulesandega (10.2) duaalses
ulesandes (10.1) koik kolm esimest kitsendust optimaalse lahendi korral taidetud
vordusena, s.t ulesande (10.1) optimaalne lahend on saadav vorrandis usteemist
_
_
3x
1
2x
2
+ x
3
= 5
x
1
+ x
2
+ 2x
3
= 10
2x
1
+ 3x
2
x
3
= 2
(10.4)
Vorrandis usteem (10.4) maatrikskujul esitatuna on Ax = b, kus
A =
_
_
_
_
_
_
3 2 1
1 1 2
2 3 1
_
_
_
_
_
_
, b =
_
_
_
_
_
_
5
10
2
_
_
_
_
_
_
, x =
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
_
_
_
.
Siis x = A
1
b. Maatriksi A poordmaatriksi saame aga ulal antud viimasest simpleks-
tabelist. Nimelt on lineaaralgebrakursusest teada jargmine poordmaatriksi leidmise
skeem:
| A[ E | . . .
_
_
E [ A
1
_
_
,
kus kasutatakse ridade elementaarteisendusi ja E on uhikmaatriks.

Ulal lahenduses
esimeses simplekstabelis (jatta ara kaks esimest veergu) esineb maatriks
_
_
A
T
[ E
_
_
.
Poordmaatriksi (A
T
)
1
saame viimasest simplekstabelist, kui seal muudame ridade
24
jarjekorda nii, et 3., 4. ja 5.veerg annaksid uhikmaatriksi. Sellisel juhul viimased
kolm veergu annaksid maatriksi (A
T
)
1
. Tehes oeldut, saadakse
(A
T
)
1
=
_
_
_
_
_
_
7/10 3/10 1/2
1/10 1/10 1/2
1/2 1/2 1/2
_
_
_
_
_
_
,
kust seose (A
T
)
1
= (A
1
)
T
tottu
A
1
=
_
_
_
_
_
_
7/10 1/10 1/2
3/10 1/10 1/2
1/2 1/2 1/2
_
_
_
_
_
_
,
ja
x =
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
_
_
_
= A
1
b =
_
_
_
_
_
_
7/10 1/10 1/2
3/10 1/10 1/2
1/2 1/2 1/2
_
_
_
_
_
_
_
_
_
_
_
_
5
10
2
_
_
_
_
_
_
=
_
_
_
_
_
_
7/2
7/2
3/2
_
_
_
_
_
_
.
Olemegi saanud lahendatava ulesande vastuse
z
min
= z(7/2; 7/2; 3/2) = w
max
= 17.
_
_
z = 3x
1
+ x
2
+ x
3
max
2x
1
x
2
+ x
3
= 6
x
1
+ 2x
2
x
3
= 4
x
1
, x
2
, x
3
0
(10.5)
Ulesande (10.5) duaalne ulesanne on

_
_
w = 6y
1
+ 4y
2
min
2y
1
+ y
2
3
y
1
+ 2y
2
1
y
1
y
2
1
(10.6)
ja seda saab lahendada graaliselt:
25
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
I
>>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
>
II
`
`
III
y
1
y
2
r
r
y
opt
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
`
(6; 4)
T
1 3
2
y
1
= 3, y
2
= 2, w
min
= w(3; 2) = 6 3 + 4 2 = 26.
Kuna duaalse ulesande (10.6) optimaalne lahend y asub joonisel kujutatud sirgetel
II ja III, siis ta esimesel sirgel I ei asu ning optimaalse lahendi korral on ulesande
esimene kitsendus taidetud range vorratusena 2y
1
+ y
2
> 3 ja vastavalt tingimusele
(9.10) ulesande (10.5) optimaalses lahendis x = (x
1
; x
2
; x
3
)
T
peab x
1
= 0. N u ud
ulesande (10.5) kitsendustest saame
_
x
2
+ x
3
= 6
2x
2
x
3
= 4
kust
x
2
= 10, x
3
= 16.
Oleme saanud ulesande (10.5) lahendi:
z
max
= z(0; 10; 16) = w
min
= 26.
11 Duaalsete muutujate majanduslik tolgendus
Vaatleme pohikujul antud lineaarset planeerimis ulesannet
_
_
z = c x max
Ax b
x
(11.1)
26
ja temaga duaalset ulesannet
_
_
w = b y min
A
T
y c
y .
(11.2)
Nimetagem ulesande (11.2) muutujaid y
1
, y
2
, . . . , y
m
duaalseteks muutujateks.
P u uame anda duaalsetele muutujatele majandusliku tolgenduse. Selleks tuleb anda
ka esialgsele ulesandele (11.1) majanduslik sisu.
Anname duaalsetele muutujatele majandusliku tolgenduse juhul, kui esialgne
ulesanne on tekkinud naites 3.1 kirjeldatud juhul (vt. ulesande p ustitust naites
3.1). Anname vektorile b muudu b = (b
1
; b
2
; . . . ; b
m
)
T
ning vaatleme lisaks
ulesannetele (11.1) ja (11.2) ulesannet
_
_
z = c x max
Ax b +b
x
(11.3)
ja sellega duaalset ulesannet
_
_
w = (b +b) y min
A
T
y c
y .
(11.4)
Tahistagu x
ja y
vastavalt ulesannete (11.1) ja (11.2) optimaalseid lahendeid

ning
z
= c x
= b y
= w
Ulesannete (11.3) ja (11.4) optimaalsed lahendid erinevad uldjuhul ulesannete (11.1)

ja (11.2) optimaalsetest lahenditest x
ja y
, erinedes nendest vastavalt x
ja y
vorra, s.t. ulesannete (11.3) ja (11.4) optimaalsed lahendid on vastavalt x
+x
ja
y
+y
. Analoogiliselt olgu ulesannete (11.3) ja (11.4) sihifunktsioonid vaartused

optimaalsete lahendite korral vastavalt z
+z
ja w
+w
, s.t.
z
+z
= c (x
+x
) = w
+w
= (b +b) (y
+y
).
Siit saadakse
z
= w
= (b +b) (y
+y
) w
=
= (b +b) (y
+y
) b y
=
= b y
+b y
+b y
. (11.5)
Paneme tahele, et ulesannete (11.2) ja (11.4) koigi lubatavate lahendite hulgad
langevad kokku. Nagu naha jargnevalt jooniselt (seal on kujutatud juhtu m = 2 ning
viirutatult on esitatud ulesannete (11.2) ja (11.4) koigi lubatavate lahendite hulk),
27
vaikeste koordinaatidega vektori b korral ulesannete (11.2) ja (11.4) optimaalsed
lahendid langevad kokku, s.t. y
= . Sellisel juhul vordus (11.5) votab kuju

z
= b y
. (11.6)
r
r
`
`
`
`
`
`
`
`
`
>
>
>
>
>
>
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
p
b
y
Valides
b =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0
. . .
0
1
0
. . .
0
_
_
_
_
_
_
_
_
_
_
_
_
_
_
i.koordinaat
saadakse vordusest (11.6) vordus
z
= y
i
.
Arvestades ulesande p ustitust, saadaksegi siit duaalsete muutujate y
1
, y
2
, . . . , y
m
majanduslik tolgendus:
duaalse ulesande (11.2) optimaalses lahendis y
= (y
1
, y
2
, . . . , y
m
)
T
arv y
i
naitab,
kui palju suureneb ettevotte tulu, kui sellele ettevottele antavat i.tooraine limiiti
suurendada uhe uhiku vorra.
28
12 Duaalne simpleksmeetod
Vaatleme kanoonilisel kujul antud lineaarset planeerimis ulesannet
_
_
z = c x max
Ax = b
x
(12.1)
Olgu teada tema mingi baasilahend x vorrandis usteemile Ax = b:
x = ( x
1
; x
2
; . . . ; x
n
)
T
, I( x) = j
1
; . . . ; j
m
.
Siis saame leida sellele baasilahendile vastava simplekstabeli
Tabel 12.1
z x
1
x
j
1
x
j
2
x
j
m
x
n
z 1 s
1
. . . 0 . . . 0 . . . 0 . . . s
n
x
j
1
0 z
11
. . . 1 . . . 0 . . . 0 . . . z
1n
x
j
2
0 z
21
. . . 0 . . . 1 . . . 0 . . . z
2n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
x
j
m
0 z
m1
. . . 0 . . . 0 . . . 1 . . . z
mn
Simpleksmeetodi korral eeldasime, et x on lubatav baasilahend, s.t. x , ja
teisendasime simplekstabeleid seni, kuni tabeli 0-ndas reas (sihifunktsioonile vas-
tavas reas) esinevad arvud muutusid mittenegatiivseteks (sihifunktsiooni vaartus
vois jaada negatiivseks). Skemaatiliselt oeldes teisendasime kujul
Tabel 12.2
suvalised arvud

antud simplekstabeli kujule
Tabel 12.3

kust saab valja kirjutada ulesande (12.1) optimaalse lahendi.
Duaalse simpleksmeetodi rakendamiseks ei nouta, et baasilahend x oleks lu-
batav, vaid noutakse, et sellele baasilahendile vastavas simplekstabelis 12.1 olek-
sid arvud s
1
, . . . , s
n
mittenegatiivsed ning teisendatakse seda simplekstabelit seni,
kuni saadakse tabelis 12.3 antud kuju, kust saab valja kirjutada ulesande (12.1)
optimaalse lahendi. Duaalse simpleksmeetodi korral teisendatakse kujul
29
Tabel 12.4

suvalised
arvud
antud tabel kujule 12.3.
Kirjeldame n u ud uleminekut antud simplekstabelilt jargmisele simplekstabelile
duaalse simpleksmeetodi korral. Olgu antud simplekstabel kujuga 12.1, milles s
1
, . . . ,
s
n
0. Eeldame, et arvude x
j
1
, . . . , x
j
m
seas on negatiivseid arve, sest vastasel kor-
ral on juba tabel 12.3 kaes. Olgu x
j
k
< 0 ja vaatleme tabeli 12.3 k-ndat rida
x
j
k
0 z
k1
. . . 0 . . . 1 . . . 0 . . . z
kn
Kui selles reas koik arvud z
k1
, . . . , z
kn
on mittenegatiivsed, siis ulesandel (12.1)
puuduvad uldse lubatavad lahendid, sest k-ndast vorrandist saadakse
x
j
k
= x
j
k
+
jI( x)
z
kj
x
j
ehk
x
j
k
= x
j
k
+
jI( x)
(z
kj
)x
j
< 0
iga x
j
0 korral. Seeparast eeldagem, et nende seas on negatiivseid arve ja valigem
mainitud negatiivsete arvude seast valja arvu z
kl
, mis rahuldab omadust
s
l
[z
kl
[
= min
z
kj
<0
s
j
[z
kj
[
(12.2)
Seejarel teisendatakse simplekstabelis 12.1 tundmatule x
l
vastav veerg
s
l
z
1l
. . .
z
kl
. . .
z
ml
uhikmaatriksi veeruks
0
0
. . .
1
. . .
0
30
Nii saadakse uus simplekstabel, millega tuleb toimida analoogiliselt. Protsessi jatka-
takse seni, kuni saadakse simplekstabel kujul 12.3 voi selgub, et ulesandel pole
lubatavaid lahendeid (vt. ulal antud selgitusi).
_
_
z = x
1
+ 3x
2
+ 2x
3
min
3x
1
2x
2
+ x
3
5
x
1
+ x
2
+ 2x
3
10
2x
1
+ 3x
2
x
3
2
x
1
, x
2
, x
3
0
(12.3)
Teisendades antud ulesande kanoonilisele kujule, saadakse
_
_
w = z = x
1
3x
2
2x
3
max
3x
1
2x
2
+ x
3
x
4
= 5
x
1
+ x
2
+ 2x
3
x
5
= 10
2x
1
+ 3x
2
x
3
x
6
= 2
x
1
, . . . , x
6
0
ehk vorrandeid arvuga -1 labi korrutades
_
_
w = z = x
1
3x
2
2x
3
max
3x
1
+ 2x
2
x
3
+ x
4
= 5
x
1
x
2
2x
3
+ x
5
= 10
2x
1
3x
2
+ x
3
+ x
6
= 2
x
1
, . . . , x
6
0
(12.4)
Ulesandele (12.4) vastab simplekstabel

w x
1
x
2
x
3
x
4
x
5
x
6
0 1 1 3 2 0 0 0
-5 0 -3 2 -1 1 0 0
-10 0 -1 -1 -2 0 1 0
-2 0 2 -3 1 0 0 1
Viimases tabelis valime valja 2.rea, milles vabaliikmete veerus asub arv 10. Selles
reas peame vastavalt suhtele (12.2) valja valima negatiivse arvu, mis tuleb teisendada
arvuks 1 ja ulejaanud arvud selles veerus teisendatakse arvuks 0. Vahim suhe avald-
ises (12.2) saadakse muutujale x
1
vastavasse veergu ja seega tuleb vaadeldavat simp-
lekstabelit teisendada jargmiselt:
w x
1
x
2
x
3
x
4
x
5
x
6
0 1 1 3 2 0 0 0 +II
-5 0 -3 2 -1 1 0 0 +(3) II
-10 0 -1 -1 -2 0 1 0 (1)
-2 0 2 -3 1 0 0 1 +2 II
31
-10 1 0 2 0 0 1 0
25 0 0 5 5 1 -3 0
10 0 1 1 2 0 -1 0
-22 0 0 -5 -3 0 2 1
Kuna viimasele tabelile vastav baasilahend pole lubatav, siis jatkame teisendusi
vastavalt duaalsele simpleksmeetodile seni, kuni saame tabeli kujul 12.3:
-10 1 0 2 0 0 1 0
25 0 0 5 5 1 -3 0 +(5/3) III
10 0 1 1 2 0 -1 0 +(2/3) III
-22 0 0 -5 -3 0 2 1 (1/3)
-10 1 0 2 0 0 1 0 +(6/7) II
-35/3 0 0 -10/3 0 1 1/3 5/3 +(10/7) II
-14/3 0 1 -7/3 0 0 1/3 2/3 (3/7)
22/3 0 0 5/3 1 0 -2/3 -1/3 +(5/7) II
-14 1 6/7 0 0 0 9/7 4/7 +(3/5) I
-5 0 -10/7 0 0 1 -1/7 5/7 (7/10)
2 0 -3/7 1 0 0 -1/7 -2/7 (3/10) I
4 0 5/7 0 1 0 -3/7 1/7 +(1/2) I
-17 1 0 0 0 3/5 6/5 1
7/2 0 1 0 0 -7/10 1/10 -1/2
7/2 0 0 1 0 -3/10 -1/10 -1/2
3/2 0 0 0 1 1/2 -1/2 1/2
Siit saame ulesande (12.4) optimaalse lahendi
w
max
= w(7/2; 7/2; 3/2) = 17.
Esialgse ulesande (12.3) lahend aga on
z
min
= w(7/2; 7/2; 3/2) = 17.
13 Taisarvuline planeerimine
Vaatleme kanoonilisel kujul antud lineaarset planeerimis ulesannet
_
_
z = c x max
Ax = b
x
(13.1)
32
Praktiliste ulesannete lahendamisel on aeg-ajalt vaja lisada veel noue, et vektori
x = (x
1
; . . . ; x
n
)
T
komponendid oleksid taisarvud, s.t. x
i
Z. Siis tekib lineaarne
planeerimis ulesanne
_
_
z = c x max
Ax = b
x ; x
1
, . . . , x
n
Z
(13.2)
mida nimetatakse taisarvuliseks planeerimis ulesandeks.

Ulesandele (13.2) vas-
tavaks pidevaks ulesandeks nimetatakse ulesannnet (13.1).
Ulesande (13.2) lahendamiseks on valja tootatud rida meetodeid, milledest tun-

tuimad on nn. loikemeetodid, millede idee seisneb jargnevas:
1
0
kui ulesande (13.1) lahendi x
= (x
1
; . . . ; x
n
)
T
koik komponendid x
j
on taisarvud,
siis x
on ka ulesande (13.2) lahend;

2
0
kui ulesande (13.1) lahendi x
komponendid pole taisarvud, siis lisatakse ules-

andele (13.1) jarjest lisakitsendusi, kuni tekkiva ulesande lahend x
on taisarvuliste
komponentidega; sellisel juhul x
on ulesande (13.2) lahend; lisakitsendusi lisatakse

nii, et need ei loika lubatavate lahendite piirkonnast ara taisarvuliste komponen-
tidega vektoreid.
Esitame siin Ralph E. Gomory (s. 1929) poolt 1958.a. antud algoritmi, mida
nimetatakse Gomory I algoritmiks:
1. Leitakse ulesande (13.1) optimaalne lahend x = ( x
1
; . . . ; x
n
)
T
ja sellele vastav
simplekstabel
z x
1
x
j
1
x
j
2
x
j
m
x
n
z 1 s
1
. . . 0 . . . 0 . . . 0 . . . s
n
x
j
1
0 z
11
. . . 1 . . . 0 . . . 0 . . . z
1n
x
j
2
0 z
21
. . . 0 . . . 1 . . . 0 . . . z
2n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
x
j
m
0 z
m1
. . . 0 . . . 0 . . . 1 . . . z
mn
Kui x on taisarvuliste komponentidega, siis ta on ka ulesande (13.2) lahend. Kui
aga x pole taisarvuliste komponentidega, siis lisatakse ulesandele (13.1) lisakitsendus
jargnevas punktis 2 kirjeldatud reegli kohaselt.
2. Olgu baasilahendis x = ( x
1
; . . . ; x
n
)
T
selle k.komponent x
j
k
murdarv, s.t. x
j
k
,
Z. Valime simplekstabelist valja k.rea
x
j
k
0 z
k1
. . . 0 . . . 1 . . . 0 . . . z
kn
Sellele vastab vorrand
x
j
k
= x
j
k
+
jI( x)
z
kj
x
j
. (13.3)
33
Eraldame arvudel x
j
k
ja z
kj
tais- ja murdosad
5
:
x
j
k
= [ x
j
k
] + x
j
k
, 0 < x
j
k
< 1,
z
kj
= [z
kj
] +z
kj
, 0 z
kj
< 1.
Siis vorrand (13.3) votab kuju
[ x
j
k
] + x
j
k
= x
j
k
+
jI( x)
[z
kj
]x
j
+
jI( x)
z
kj
x
j
ehk
[ x
j
k
] x
j
k

jI( x)
[z
kj
]x
j
= x
j
k
+
jI( x)
z
kj
x
j
. (13.4)
Vorduse (13.4) vasak pool on taisarv ulesande (13.2) iga lubatava lahendi korral,
parem pool aga on suurem kui arv -1, sest
1 < x
j
k
< 0 ja
jI( x)
z
kj
x
j
0.
Seega peab vorduse (13.4) parem pool olema mittenegatiivne taisarv ulesande (13.2)
iga lubatava lahendi korral. Tahistame selle taisarvu s umboliga x
n+1
:
x
n+1
= x
j
k
+
jI( x)
z
kj
x
j
(13.5)
Vorrand (13.5) lisataksegi uueks lisakitsenduseks.
3. Lahendatakse planeerimis ulesanne, mis tekib esialgsele ulesandele (13.1) lisa-
kitsenduse (13.5) lisamisel. Kui saadud lahend (x
1
; . . . ; x
n
; x
n+1
)
T
on taisarvuliste
komponentidega, siis (x
1
; . . . ; x
n
)
T
on ulesande (13.2) lahend. Kui aga mitte, siis
lisatakse punkti 2 kohaselt uus lisakitsendus. Lisakitsendusi lisatakse kirjeldatud
reegli kohaselt seni, kuni saadakse taisarvuliste komponentidega lahend voi selgub
ulesande mittelahenduvus.
Demonstreerime Gomory meetodit jargmise naitega.
Naide 13.1. Lahendame taisarvulise planeerimis ulesande
_
_
z = 2x
1
2x
2
+ 3x
3
3x
4
max
x
1
2x
2
+ x
4
= 3
x
2
+ x
3
2x
4
= 5
3x
2
+ x
4
+ x
5
= 4
x
1
, . . . , x
5
0; x
1
, . . . , x
5
Z
(13.6)
Lahendades sellele ulesandele vastava pideva ulesande, saadakse pideva ulesande
optimaalseks lahendiks baasilahend x = (0; 1/5; 58/5; 17/5; 0)
T
, millele vastav
simplekstabel on
5
Kui a on mis tahes reaalarv, siis tema taisosa [a] on suurim taisarv, mis ei uleta arvu a ning
murdosa a deneeritakse vordusega a = a [a].
34
121/5 1 4/5 0 0 0 1/5
17/5 0 3/5 0 0 1 2/5
58/5 0 7/5 0 1 0 3/5
1/5 0 -1/5 1 0 0 1/5
Kuna saadud optimaalne lahend pole taisarvuliste komponentidega, siis lisame vii-
masele tabelile rea
58/5 0 7/5 0 1 0 3/5
baasil reegli (13.5) kohaselt uue kitsenduse
x
6
=
3
5
+
2
5
x
1
+
3
5
x
5
ehk
3
5
=
2
5
x
1
3
5
x
5
+ x
6
.
Saadakse uus simplekstabel
121/5 1 4/5 0 0 0 1/5 0
17/5 0 3/5 0 0 1 2/5 0
58/5 0 7/5 0 1 0 3/5 0
1/5 0 -1/5 1 0 0 1/5 0
-3/5 0 -2/5 0 0 0 -3/5 1
Rakendame viimasele simplekstabelile duaalset simpleksmeetodit:
121/5 1 4/5 0 0 0 1/5 0 +(1/3) IV
17/5 0 3/5 0 0 1 2/5 0 +(2/3) IV
58/5 0 7/5 0 1 0 3/5 0 +IV
1/5 0 -1/5 1 0 0 1/5 0 +(1/3) IV
-3/5 0 -2/5 0 0 0 -3/5 1 (5/3)
24 1 2/3 0 0 0 0 1/3
3 0 1/3 0 0 1 0 2/3
11 0 1 0 1 0 0 1
0 0 -1/3 1 0 0 0 1/3
1 0 2/3 0 0 0 1 -5/3
Viimasele tabelile vastav baasilahend (0; 0; 11; 3; 1; 0)
T
on optimaalne ja taisar-
vuliste komponentidega, mistottu tema viis esimest komponenti maaravad esialgse
ulesande (13.6) optimaalse lahendi. Seega on ulesande (13.6) lahend jargmine:
z
max
= z(0; 0; 11; 3; 1) = 24.
35
Naide 13.2. Lahendame taisarvulise planeerimis ulesande
_
_
z = x
1
+ 3x
2
+ x
3
+ x
4
+ x
5
max
x
1
x
2
+ x
3
= 1
5x
1
+ 2x
2
+ 2x
3
+ x
4
+ 3x
5
= 17
2x
1
+ x
2
+ x
5
= 4
x
1
, . . . , x
5
0; x
1
, . . . , x
5
Z
(13.7)
Lahendades sellele ulesandele vastava pideva ulesande, saadakse pideva ulesande
optimaalseks lahendiks baasilahend x = (1/5; 18/5; 22/5; 0; 0)
T
, millele vastav
simplekstabel on
77/5 1 0 0 0 3/5 7/5
1/5 0 1 0 0 -1/5 1/5
22/5 0 0 0 1 3/5 2/5
18/5 0 0 1 0 2/5 3/5
Koostame selle tabeli rea
22/5 0 0 0 1 3/5 2/5
abil lisakitsenduse
x
6
=
2
5
+
3
5
x
4
+
2
5
x
5
ehk
2
5
=
3
5
x
4
2
5
x
5
+ x
6
ning rakendame saadud tabelile duaalset simpleksmeetodit:
77/5 1 0 0 0 3/5 7/5 0 +IV
1/5 0 1 0 0 -1/5 1/5 0 (12/3) IV
22/5 0 0 0 1 3/5 2/5 0 +IV
18/5 0 0 1 0 2/5 3/5 0 +(2/3) IV
-2/5 0 0 0 0 -3/5 -2/5 1 (5/3)
15 1 0 0 0 0 1 1
1/3 0 1 0 0 0 1/3 -1/3
4 0 0 0 1 0 0 1
10/3 0 0 1 0 0 1/3 2/3
2/3 0 0 0 0 1 2/3 -5/3
Saadud tabelile vastav baasilahend pole taisarvuliste komponentidega. Seetottu
koostame selle tabeli rea
10/3 0 0 1 0 0 1/3 2/3
36
alusel lisakitsenduse
x
7
=
1
3
+
1
3
x
5
+
2
3
x
6
ehk
1
3
=
1
3
x
5
2
3
x
6
+ x
7
,
lisame selle eelmisele tabelile ning rakendame saadud tabelile duaalset simpleksmee-
todit:
15 1 0 0 0 0 1 1 0 +(3/2) V
1/3 0 1 0 0 0 1/3 -1/3 0 (1/2) V
4 0 0 0 1 0 0 1 0 +(3/2) V
10/3 0 0 1 0 0 1/3 2/3 0 +V
2/3 0 0 0 0 1 2/3 -5/3 0 (5/2) V
-1/3 0 0 0 0 0 -1/3 -2/3 1 (3/2)
29/2 1 0 0 0 0 1/2 0 3/2
1/2 0 1 0 0 0 1/2 0 -1/2
7/2 0 0 0 1 0 -1/2 0 3/2
3 0 0 1 0 0 0 0 1
3/2 0 0 0 0 1 3/2 0 -5/2
1/2 0 0 0 0 0 1/2 1 -3/2
Saadud tabelile vastav baasilahend pole taisarvuliste komponentidega. Seetottu
koostame selle tabeli rea
1/2 0 0 0 0 0 1/2 1 3/2
alusel lisakitsenduse
x
8
=
1
2
+
1
2
x
5
+
1
2
x
7
ehk
1
2
=
1
2
x
5
1
2
x
7
+ x
8
,
lisame selle eelmisele tabelile ning rakendame saadud tabelile duaalset simpleksmee-
todit:
29/2 1 0 0 0 0 1/2 0 3/2 0 +VI
1/2 0 1 0 0 0 1/2 0 -1/2 0 +VI
7/2 0 0 0 1 0 -1/2 0 3/2 0 VI
3 0 0 1 0 0 0 0 1 0
3/2 0 0 0 0 1 3/2 0 -5/2 0 +3 VI
1/2 0 0 0 0 0 1/2 1 -3/2 0 +VI
-1/2 0 0 0 0 0 -1/2 0 -1/2 1 (2)
14 1 0 0 0 0 0 0 1 1
0 0 1 0 0 0 0 0 -1 1
4 0 0 0 1 0 0 0 2 -1
3 0 0 1 0 0 0 0 1 0
0 0 0 0 0 1 0 0 -4 3
0 0 0 0 0 0 0 1 -2 1
1 0 0 0 0 0 1 0 1 -2
37
Saadud tabelile vastav baasilahend (0; 3; 4; 0; 1; 0; 0; 0)
T
on taisarvuliste kompo-
nentidega ja selle viis esimest komponenti annavad ulesande (13.7) optimaalse la-
hendi:
z
max
= z(0; 3; 4; 0; 1) = 14.
10.loeng: 3.november 2005
14 Transpordi ulesande p ustitus
Olgu vaatlusel m ladu uhet u ubilise kaubaga ja n selle kauba tarbijat. Tahistame
neid vastavalt numbritega 1, 2, . . . , m ja 1, 2, . . . , n. Tahistagu a
i
kauba kogust
i-ndas laos, b
j
j-nda tarbija vajatavat kauba kogust ja c
ij
uhe uhiku kauba veokulu
i-ndast laost j-nda tarbijani. Vaja on leida i-ndast laost j-nda tarbijani veetav
kauba kogus x
ij
nii, et summarne veokulu
z =
m, n
i, j=1
c
ij
x
ij
oleks minimaalne.

Uldsust kitsendamata voib eeldada, et kauba summaarne kogus
ladudes vordub tarbijate koguvajadusega selle kauba jarele, sest vastasel juhul voib
sisse tuua kas ktiivse tarbija voi ktiivse lao. Seega eeldame jargnevalt, et
a
1
+ a
2
+ . . . + a
m
= b
1
+ b
2
+ . . . + b
n
. (14.1)
Tehtud eeldusel i-ndas laos olev kauba kogus a
i
vordub sellest laost tarbijateni vee-
tava kauba kogusega, s.t.
n
j=1
x
ij
= x
i1
+ x
i2
+ . . . + x
in
= a
i
.
Analoogiliselt j.tarbija saab oma vajatava kauba koguse b
j
olemasolevatest ladudest,
s.t.
m
i=1
x
ij
= x
1j
+ x
2j
+ . . . + x
mj
= b
j
.
Kokkuvottes oleme saanud lineaarse planeerimis ulesande
_
_
z =
m, n
i, j=1
c
ij
x
ij
min
n
j=1
x
ij
= a
i
, i = 1, 2, . . . , m;
m
i=1
x
ij
= b
j
, j = 1, 2, . . . , n;
x
ij
0
(14.2)
mida nimetatakse transport ulesandeks.
38
Ulesannet (14.2) saab muidugi lahendada simpleksmeetodiga. Ent transport-

ulesande jaoks on valja tootatud simpleksmeetodist mugavamad meetodid. Meie
tutvume uhega neist. Et seda teha, peame leidma vaadeldava ulesande (14.2)
duaalse ulesande.
Teoreem 14.1 Transport ulesandega (14.2) duaalne ulesanne on
_
_
_
w =
m
i=1
a
i
u
i
+
n
j=1
b
j
v
j
max
u
i
+ v
j
c
ij
; i = 1, 2, . . . , m; j = 1, 2, . . . , n.
(14.3)
Toestus. Esitades ulesande (14.2) kanoonilisel kujul, saadakse ulesanne
_
_
z = (c) x max
Ax = b
x
(14.4)
kus
x = (x
11
; . . . ; x
m1
; x
12
; . . . ; x
m2
; . . . ; x
1n
; . . . ; x
mn
)
T
,
c = (c
11
; . . . ; c
m1
; c
12
; . . . ; c
m2
; . . . ; c
1n
; . . . ; c
mn
)
T
,
b = (a
1
; . . . ; a
m
; b
1
; . . . ; b
n
)
T
,
A =
_
_
_
_
E E . . . E
A
1
A
2
. . . A
n
_
_
_
_
ja E on m-ndat jarku uhikmaaatriks ning A
j
on (nm)-maatriks, mille j.rea arvud
vorduvad koik arvuga 1 ja ulejaanud elemendid vorduvad nulliga.

Ulesandega (14.4)
duaalne ulesanne on
_
b y min
A
T
y c
ehk
_
w = b (y) max
A
T
(y) c
(14.5)
Tahistades
y = (u
1
; . . . ; u
m
; v
1
; . . . ; v
n
)
T
ja kirjutades ulesande (14.5) lahti mittemaatrikskujul, saadaksegi ulesanne (14.3)
Teoreem 14.2 Kui koik arvud a

i
, b
j
ja c
ij
ulesandes (14.2) on mittenegatiivsed,
siis ulesanne (14.2) omab optimaalset lahendit.
39
Toestus. Tahistame
M =
m
i=1
a
i
=
n
j=1
b
j
.
Kui M = 0, siis teoreemi kehtivus on ilmne: optimaalseks lahendiks on x
ij
= 0 iga
i ja j vaartuse korral. Seetottu eeldame, et M ,= 0. Siis suurused
x
ij
=
a
i
b
j
M
rahuldavad ulesande (14.2) kitsendusi, mistottu nad annavad sellele ulesandele lu-
batava lahendi. Ka ulesandega (14.2) duaalne ulesanne (14.3) omab lubatavat la-
hendit. Selleks on
u
i
= v
j
= 0 iga i ja j vaartuse korral.
Duaalsusteoreemi 9.6 pohjal omab ulesanne (14.2) optimaalset lahendit.
Teoreem 14.3 Kui X = |x
ij
| on transport ulesande (14.2) lubatav lahend ja
u
i
+ v
j
c
ij
iga i ja j vaartuse korral, (14.6)
siis X = |x
ij
| on ulesande (14.2) optimaalne lahend ja (u
1
; . . . ; u
m
; v
1
; . . . ; v
n
)
T
on duaalse ulesande (14.3) optimaalne lahend parajasti siis, kui
x
ij
(u
i
+ v
j
c
ij
) = 0 iga i ja j vaartuse korral. (14.7)
Sonastatud teoreem jareldub vahetult duaalsusteoreemidest.
Saab naidata, et maatriksi A astak vordub arvuga m + n 1:
rank(A) = m + n 1
15 Transport ulesande lubatava lahendi leidmine
Vaatleme transport ulesannet (14.2). Olgu X = |x
ij
| selle ulesande lubatav lahend.
Siis arvud c
ij
ja x
ij
saab paigutada tabelisse
c
m1
x
m1
c
m2
x
m2
. . .
c
mn
x
mn
. . . . . . . . . . . .
c
21
x
21
c
22
x
22
. . .
c
2n
x
2n
c
11
x
11
c
12
x
12
. . .
c
1n
x
1n
b
1
b
2
. . . b
n
a
1
a
2
. . .
a
m
Saadud tabelit nimetatakse transporttabeliks. Arvud c
ij
on antud, lubatav lahend
x
ij
tuleb aga tavaliselt leida. Esitame siin kaks meetodit lubatava lahendi leidmiseks
ehk ulal antud tabeli taitmiseks.
40
15.1 Vahima maksumuse meetod
Meetod seisneb jargnevas. Koigepealt taidetakse minimaaalset veokulu c
ij
sisaldav
ruut maksimaalse voimaliku kauba kogusega x
ij
. Seejarel taidetakse jarelejaanud
ruutudest vahima veokuluga ruut maksimaalse voimaliku kauba kogusega. Seda
protseduuri korratakse seni, kuni transporttabeli koik ruudud on taidetud kauba
kogustega.
Naide 15.1. Taidame jargmiste algandmetega antud transporttabeli:
8 11 10 2
5 3 7 2
2 5 14 1
1 9 6 10
9 8 13 30
20
5
10
25
Siin vahima veokuluga 1 ruute on kaks. Valime neist vasakul ulanurgas oleva
ruudu. Sellele ruudule vastav 1.tarbija vajab 9 uhikut kaupa ja selle kauba saame
katte esimesest laost s.t valime x
11
= 9. Siis 1.lattu jaab veel kaupa 11 uhikut ja
1.tarbija teistest ladudest kaupa enam ei vaja, s.t. x
21
= x
31
= x
41
= 0. Arvu 0
asemel kirjutame transporttabelisse kriipsu. Saame pooltaidetud transporttabeli
8
11 10 2
5
3 7 2
2
5 14 1
1
9
9 6 10
9 8 13 30
20
5
10
25
Jarelejaanud ruutudest vahima veokuluga ruut veokuluga c
24
= 1. Taidame selle
ruudu maksimaalse voimalku kauba kogusega. Neljas tarbija vajab 30 uhikut kaupa,
teises laos on aga ainult 5 uhikut kaupa. Seega saame selle 5 uhikut koik suunama
4.tarbijale, s.t. valime x
24
= 5. Teine ladu sai t uhjaks, mistottu sealt enam teistele
tarbijatele kaupa suunata ei saa, s.t. x
22
= x
23
= 0. Saame jargneva juba rohkem
taidetud transporttabeli (seal on jalle arv 0 asendatud kriipsuga)
41
8
11 10 2
5
3 7 2
2
14
1
5
1
9
9 6 10
9 8 13 30
20
5
10
25
Viimases tabelis taitmata ruutude seas vahima veokuluga 2 on kaks ruutu. Val-
ime nendest ruutudest selle, kuhu saab suunata rohkem kaupa, s.t. 4.veeru koig
alumise ruudu, ja taidame selle maksimaalse voimaliku kaubakogusega. Selleks on
kauba kogus 25. Saame tabeli
8
11
10
2
25
5
3 7 2
14
1
5
1
9
9 6 10
9 8 13 30
20
5
10
25
Saadud tabelis taitmata ruutude seas vahima veokuluga ruut on veokuluga 3.
Taidame selle ruudu maksimaalse voimaliku kauba kogusega:
8
11
10
2
25
5
3
8
7 2
14
1
5
1
9
9
6 10
9 8 13 30
20
5
10
25
42
Saadud tabelis on ruutude taitmiseks ainult uks voimalus:
8
11
10
2
25
5
3
8 2
7 2
14
1
5
1
9
9
6
11
10
9 8 13 30
20
5
10
25
Seega antud ulesande lubatav lahend on
X =
_
_
_
_
_
_
_
_
9 0 11 0
0 0 0 5
0 8 2 0
0 0 0 25
_
_
_
_
_
_
_
_
.
Leides korrutiste c
ij
x
ij
summa, saadakse kaesoleva lubatava lahendi korral tekkiv
veokulu z:
z = 1 9 + 6 11 + 1 5 + 3 8 + 7 2 + 2 25 = 168.
15.2 Loodenurga meetod
Meetod seisneb jargnevas. Koigepealt rahuldatakse 1.tarbija vajadused jarjest ladu-
dest 1, 2, . . . , m (alati maksimaalse voimaliku kogusega). Seejarel rahuldatakse
2.tarbija vajadused jarjest ladudest 1, 2, . . . , m jne.
Naide 15.2. Leiame eelmises naites antud algandmetega transport ulesande
jaoks lubatava lahendi loodenurga meetodil. Taidame algtabelis esimese veeru,
rahuldades 1.tarbija vajadused jarjest ladudest 1, 2, 3, 4. Saadakse tabel
8
11 10 2
5
3 7 2
2
5 14 1
1
9
9 6 10
9 8 13 30
20
5
10
25
43
N u ud rahuldame vajadused jarjest ladudest 1, 2, 3, 4. Saadakse tabel
8
11
10 2
5
7 2
2
14 1
1
9
9
8
6 10
9 8 13 30
20
5
10
25
N u ud rahuldatakse 3.tarbija vajadused:
8
11
10
2
5
7
5
2
2
14
5
1
1
9
9
8
6
3
10
9 8 13 30
20
5
10
25
Lopuks rahuldatakse 4.tarbija vajadused:
8
11
10
2
25
5
7
5
2
5
2
14
5
1
1
9
9
8
6
3
10
9 8 13 30
20
5
10
25
44
Seega antud ulesande lubatav lahend on
X =
_
_
_
_
_
_
_
_
9 8 3 0
0 0 5 0
0 0 5 5
0 0 0 25
_
_
_
_
_
_
_
_
.
Leides korrutiste c
ij
x
ij
summa, saadakse kaesoleva lubatava lahendi korral tekkiv
veokulu z:
z = 1 9 + 9 8 + 6 3 + 14 5 + 7 5 + 2 5 + 2 25 = 264.
Vorreldes naitega 15.1 annab asja saadud lubatav lahend oluliselt suurema veokulu.
16 Potentsiaalide meetod transport ulesande lahen-
damiseks
Vaatleme transport ulesannet
_
_
z =
m, n
i, j=1
c
ij
x
ij
min
n
j=1
x
ij
= a
i
, i = 1, 2, . . . , m;
m
i=1
x
ij
= b
j
, j = 1, 2, . . . , n;
x
ij
0
(16.1)
ja temale vastavat transporttabelit
c
m1
x
m1
c
m2
x
m2
. . .
c
mn
x
mn
. . . . . . . . . . . .
c
21
x
21
c
22
x
22
. . .
c
2n
x
2n
c
11
x
11
c
12
x
12
. . .
c
1n
x
1n
b
1
b
2
. . . b
n
a
1
a
2
. . .
a
m
Selle tabeli i-nda rea ja j-nda veeru ruudule viitamiseks kasutame valjendit ruut
(i, j).
Denitsioon 16.1 Ts ukliliseks kontuuriks transporttabelis nimetatakse erinevate
ruutude jada
(i
1
, j
1
), (i
1
, j
2
), (i
2
, j
2
), (i
2
, j
3
), . . . , (i
t
, j
t
), (i
t
, j
1
), (16.2)
45
kus jadas (16.2) ei tohi esineda transporttabeli uhestki reast ega veerust ule kahe
ruudu.
Kui kujutada transporttabeli ruute punktikestena tasandil ja uhendada ts uklilises
kontuuris (16.2) korvuti asetsevad ruudud omavahel sirgloiguga, aga samuti ka kon-
tuuri esimene ja viimane ruut omavahel sirgloiguga, tekib kinnine kontuur. Naiteks
jargneval joonisel on kujutatud ts ukliline kontuur (2, 2), (2, 4), (5, 4), (5, 5), (3, 5),
(3, 3).
r r r r r r
r r r r r r
r r r r r r
r r r r r r
r r r r r r
Meenutame teoreemi 14.3. Olgu X = |x
ij
| transport ulesande (16.1) lubatav
lahend. Siis vastavalt teoreemile 14.3 |x
ij
| on optimaalne lahend parajasti siis, kui
leiduvad arvud u
i
, v
j
, nii et
u
i
+ v
j
c
ij
(16.3)
ja
x
ij
(u
i
+ v
j
c
ij
) = 0 (16.4)
iga i ja j v aartuse korral. See omadus on aluseks potentsiaalide meetodile.
Potentsiaalide meetod seisneb jargnevas:
1) leitakse transport ulesande lubatav lahend |x
ij
| (vahima maksumuse voi loode-
nurga meetodil);
2) moodustatakse iga x
ij
,= 0 jaoks vorrand
u
i
+ v
j
= c
ij
ja leitakse tekkiva vorrandis usteemi mingi lahend u
1
, . . . , u
m
, v
1
, . . . , v
n
;
3) leitakse iga x
ij
= 0 jaoks suurused
w
ij
= u
i
+ v
j
c
ij
;
kui w
ij
0 iga arvutatud w
ij
jaoks, siis on taidetud tingimused (16.3) ja (16.4)
ning seetottu on |x
ij
| vaadeldava transport ulesande optimaalne lahend; kui aga
leidub w
ij
> 0, siis minnakse lubatavalt lahendilt |x
ij
| ule uuele lubatavale lahendile
46
jargmise punkti kohaselt nii, et sihifunktsiooni vaartus uue lubatava lahendi korral
on vaiksem kui vaatluse all olnud lubatava lahendi korral;
4) uleminek lubatavalt lahendilt |x
ij
| lubatavale lahendile | x
ij
| nii, et sihifunkt-
siooni vaartus kahaneb:
leitakse w
kl
= max
w
ij
>0
w
ij
;
moodustatakse lubatavale lahendile |x
ij
| vastava transporttabeli ruudust (k, l)
ja taidetud ruutudest ts ukliline kontuur ning loetakse kontuuri ruudud jarjestik-
ku alates ruudust (k, l) paarituteks ja paarisruutudeks;
leitakse paarisruutudes olevaist arvudest x
ij
vahim; olgu see d;
liidetakse ts uklilises kontuuris paaritutes ruutudes olevatele arvudele x
ij
ju-
urde arv d ning paaritutes ruutudes olevatest arvudest x
ij
lahutatakse arv
d;
valjaspool ts uklilist kontuuri asuvad ruudud jaetakse transporttabelis muutu-
matuks;
teisenemise tulemusena saadud tabel annabki uue lubatava lahendi | x
ij
|;
5) lubatava lahendiga | x
ij
| toimitakse analoogiliselt nagu lubatava lahendiga |x
ij
|.
Veendume, et ulal kirjeldatud uleminekul lubatavalt lahendilt |x
ij
| lubatavale
lahendile | x
ij
| sihifunktsiooni vaartus vaheneb. Olgu meetodis kirjeldatud ts ukliline
kontuur jargmine:
(k, l) = (i
1
, j
1
), (i
1
, j
2
), (i
2
, j
2
), (i
2
, j
3
), . . . , (i
t
, j
t
), (i
t
, j
1
) = (i
t
, j
t+1
).
Siis
x
ij
=
_
_
x
ij
, kui ruut (i, j) ei kuulu kontuuri;
x
ij
+ d, kui ruut (i, j) on kontuuris paaritul kohal;
x
ij
d, kui ruut (i, j) on kontuuris paariskohal;
z =
m, n
i, j=1
c
ij
x
ij
= z +
t
s=1
(c
i
s
j
s
d c
i
s
j
s+1
d) =
= z + d
_
t
s=1
c
i
s
j
s

t
s=1
c
i
s
j
s+1
_
=
= z + d (c
kl
+ u
i
2
+ v
j
2
+ u
i
3
+ v
j
3
+ . . . + u
i
k
+ v
j
k
u
i
1
v
j
2
u
i
2
v
j
3
. . . u
i
k
v
j
k+1
) =
= z + d (c
kl
u
k
v
l
) = z dw
kl
> z.
Illustreerime potentsiaalide meetodit jargmise naitega.
47
Naide 16.1. Lahendame transport ulesande, kui on antud kaubakogused a
i
ladudes, tarbijate vajadused b
j
ja veokulude maatriks C = |c
ij
|:
a
i
: 19, 19, 19, 19; b
j
: 15, 15, 16, 15, 15; C =
_
_
_
_
_
_
_
_
21 17 12 24 30
6 1 9 5 9
7 5 24 6 13
29 22 21 5 7
_
_
_
_
_
_
_
_
Leides lubatava lahendi vahima maksumuse meetodil, saadakse transporttabel
29
22
21
5
15
7
4
7
11
5
24
13
8
6
4
1
15
9
21
17
12
16
24
30
3
15 15 16 15 15
19
19
19
19
r r
r r
r r
Summaarne veokulu z selle lubatava lahendi korral on
z = 12 16 + 30 3 + 6 4 + 1 15 + 7 11 + 13 8 + 5 15 + 7 4 = 605.
Leitud lubatavas lahendis on positiivsed jargmised arvud x
ij
: x
13
, x
15
, x
21
, x
22
, x
31
,
x
35
, x
44
, x
45
. Moodustades neile vastavalt vorrandid u
i
+v
j
= c
ij
, saadakse vorrandi-
s usteem
u
1
+ v
3
= 12, u
3
+ v
1
= 7,
u
1
+ v
5
= 30, u
3
+ v
5
= 13,
u
2
+ v
1
= 6, u
4
+ v
4
= 5,
u
2
+ v
2
= 1, u
4
+ v
5
= 7.
Selle s usteemi astak on m + n 1 = 8 ja s usteemis on 9 tundmatut. Nagu lineaar-
algebrakursusest teada, on sellel s usteemil lopmata palju lahendeid ja uhe lahendi
leidmiseks tuleb uhe tundmatu vaartus vabalt ette anda ja ulejaanud tundmatute
vaartused seejarel arvutada. Valime u
1
= 0. Siis saadakse s usteemi uheks lahendiks
u
1
= 0, u
2
= 18, u
3
= 17, u
4
= 23,
v
1
= 24, v
2
= 19, v
3
= 12, v
4
= 28, v
5
= 30.
Leiame n u ud arvud w
ij
= u
i
+ v
j
c
ij
iga nulliga vorduva x
ij
jaoks:
w
11
= 3, w
12
= 2, w
14
= 4, w
23
= 15, w
24
= 5, w
25
= 3, w
32
= 3,
w
33
= 29, w
34
= 5, w
41
= 28, w
42
= 26, w
43
= 32.
48
Kuna leitud arvude w
ij
seas on positiivseid arve, siis pole ulal saadud lubatav la-
hend optimaalne. Leiame nende positiivsete arvude w
ij
hulgast suurima. Selleks
on w
24
= 5 (aga ka w
34
= 5). Moodustame ulal esitatud transporttabelis ruudust
(2, 4) lahtudes ts uklilise kontuuri nii, et koik kontuuri ruudud, v.a. algusruut, on
taidetud ruudud (s.t. selles ruudus asuv x
ij
,= 0). Silmas tuleb kontuuri koostades
pidada asjaolu, et selles jarjestikuseid ruute loiguga uhendades peavad loigud olema
vaheldumisi rida-veerg-rida-veerg-..... Saavutada tuleb kinnine kontuur. Ruudust
(2, 4) lahtudes koostatud ts ukliline kontuur on kujutatud ulal tabelis. Paigutame
n u ud kontuuri ruutudes olevaid kaubakoguseid umber nii, et summaarsed kaubako-
gused ei muutu. Selleks tuleb kontuuri paarisruutudes olevatest kaubakogustest
votta iga uhest ara teatav kaubakogus d ja paigutada kontuuri igasse paaritusse
ruutu juurde kaubakogus d. Selleks kaubakoguseks d on paarisruutudes olevatest
kaubakogustest vahim, s.t. d = 4. Tehes mainitud umberpaigutused, saadakse
jargnev transporttabel:
29
22
21
5
11
7
8
7
15
5
24
13
4
6
1
15
9
5
4
9
21
17
12
16
24
30
3
r
r r
r r
r
Saadud transporttabelis on uus lubatav lahend vaadeldava transport ulesande
jaoks. Selles lubatavas lahendis on positiivsed jargmised arvud x
ij
: x
13
, x
15
, x
22
, x
24
,
x
31
, x
35
, x
44
, x
45
i
+ v
j
= c
ij
, saadakse
vorrandis usteem
u
1
+ v
3
= 12, u
3
+ v
1
= 7,
u
1
+ v
5
= 30, u
3
+ v
5
= 13,
u
2
+ v
2
= 1, u
4
+ v
4
= 5,
u
2
+ v
4
= 5, u
4
+ v
5
= 7.
Valime ka siin u
1
= 0. Siis saadakse viimase s usteemi uheks lahendiks
u
1
= 0, u
2
= 23, u
3
= 17, u
4
= 23,
v
1
= 24, v
2
= 24, v
3
= 12, v
4
= 28, v
5
= 30.
ij
= u
i
+ v
j
c
ij
ij
jaoks:
w
11
= 3, w
12
= 7, w
14
= 4, w
21
= 5, w
23
= 20, w
25
= 2, w
32
= 2,
w
33
= 29, w
34
= 5, w
41
= 28, w
42
= 21, w
43
= 32.
49
ij
ij
on w
12
= 7. Moodustame viimases transporttabelis ruudust (1, 2) lahtudes jallegi
ts uklilise kontuuri ulal kirjeldatud pohimotete alusel. Saadud ts ukliline kontuur
on kujutatud ulal tabelis. Paigutame n u ud kontuuri ruutudes olevaid kaubako-
guseid umber nii, et summaarsed kaubakogused ei muutu. Selleks tuleb kontuuri
paarisruutudes olevatest kaubakogustest votta iga uhest ara kaubakogus d = 3 ja
paigutada kontuuri igasse paaritusse ruutu juurde kaubakogus d = 3. Tehes maini-
tud umberpaigutused, saadakse jargnev transporttabel:
29
22
21
5
8
7
11
7
15
5
24
13
4
6
1
12
9
5
7
9
21
17
3
12
16
24
30
r r
r r
ij
: x
12
, x
13
, x
22
, x
24
,
x
31
, x
35
, x
44
, x
45
i
+ v
j
= c
ij
, saadakse
vorrandis usteem
u
1
+ v
2
= 17, u
3
+ v
1
= 7,
u
1
+ v
3
= 12, u
3
+ v
5
= 13,
u
2
+ v
2
= 1, u
4
+ v
4
= 5,
u
2
+ v
4
= 5, u
4
+ v
5
= 7.
Valime ka siin u
1
u
1
= 0, u
2
= 16, u
3
= 10, u
4
= 16,
v
1
= 17, v
2
= 17, v
3
= 12, v
4
= 21, v
5
= 23.
ij
= u
i
+ v
j
c
ij
ij
jaoks:
w
11
= 4, w
14
= 3, w
15
= 7, w
21
= 5, w
23
= 13, w
25
= 2, w
32
= 2,
w
33
= 22, w
34
= 5, w
41
= 28, w
42
= 21, w
43
= 25.
ij
ij
on w
34
= 5. Moodustame viimases transporttabelis ruudust (3, 4) lahtudes jallegi
ts uklilise kontuuri ulal kirjeldatud pohimotete alusel. Saadud ts ukliline kontuur
on kujutatud ulal tabelis. Paigutame n u ud kontuuri ruutudes olevaid kaubako-
guseid umber nii, et summaarsed kaubakogused ei muutu. Selleks tuleb kontuuri
50
paarisruutudes olevatest kaubakogustest votta iga uhest ara kaubakogus d = 4 ja
paigutada kontuuri igasse paaritusse ruutu juurde kaubakogus d = 4. Tehes maini-
tud umberpaigutused, saadakse jargnev transporttabel:
29
22
21
5
4
7
15
7
15
5
24
6
4
13
1
12
9
5
7
9
21
17
3
12
16
24
30
r
r r
r r
r
ij
: x
12
, x
13
, x
22
, x
24
,
x
31
, x
34
, x
44
, x
45
i
+ v
j
= c
ij
, saadakse
vorrandis usteem
u
1
+ v
2
= 17, u
3
+ v
1
= 7,
u
1
+ v
3
= 12, u
3
+ v
4
= 6,
u
2
+ v
2
= 1, u
4
+ v
4
= 5,
u
2
+ v
4
= 5, u
4
+ v
5
= 7.
Valime ka siin u
1
u
1
= 0, u
2
= 16, u
3
= 15, u
4
= 16,
v
1
= 22, v
2
= 17, v
3
= 12, v
4
= 21, v
5
= 23.
ij
= u
i
+ v
j
c
ij
ij
jaoks:
w
11
= 1, w
14
= 3, w
15
= 7, w
21
= 0, w
23
= 13, w
25
= 2, w
32
= 3,
w
33
= 27, w
35
= 5, w
41
= 23, w
42
= 21, w
43
= 25.
ij
hend optimaalne. Nende positiivsete arvude w
ij
seas on suurim w
11
= 1. Moodus-
tame viimases transporttabelis ruudust (1, 1) lahtudes jallegi ts uklilise kontuuri ulal
kirjeldatud pohimotete alusel. Saadud ts ukliline kontuur on kujutatud ulal tabelis.
Paigutame n u ud kontuuri ruutudes olevaid kaubakoguseid umber nii, et summaarsed
kaubakogused ei muutu. Selleks tuleb kontuuri paarisruutudes olevatest kaubako-
gustest votta iga uhest ara kaubakogus d = 3 ja paigutada kontuuri igasse paaritusse
ruutu juurde kaubakogus d = 3. Tehes mainitud umberpaigutused, saadakse jargnev
transporttabel:
51
29
22
21
5
4
7
15
7
12
5
24
6
7
13
1
15
9
5
4
9
21
3
17
12
16
24
30

ij
: x
11
, x
13
, x
22
, x
24
,
x
31
, x
34
, x
44
, x
45
i
+ v
j
= c
ij
, saadakse
vorrandis usteem
u
1
+ v
1
= 21, u
3
+ v
1
= 7,
u
1
+ v
3
= 12, u
3
+ v
4
= 6,
u
2
+ v
2
= 1, u
4
+ v
4
= 5,
u
2
+ v
4
= 5, u
4
+ v
5
= 7.
Valime ka siin u
1
u
1
= 0, u
2
= 15, u
3
= 14, u
4
= 15,
v
1
= 21, v
2
= 16, v
3
= 12, v
4
= 20, v
5
= 22.
ij
= u
i
+ v
j
c
ij
ij
jaoks:
w
12
= 1, w
14
= 4, w
15
= 8, w
21
= 0, w
23
= 12, w
25
= 2, w
32
= 3,
w
33
= 26, w
35
= 5, w
41
= 23, w
42
= 21, w
43
= 24.
Kuna leitud arvud w
ij
on koik mittepositiivsed, siis on viimasele transporttabelile
vastav lahend optimaalne.

Uldine veokulu z selle lahendi korral on
z = 21 3 + 12 16 + 1 15 + 5 4 + 7 12 + 6 7 + 5 4 + 7 15 = 541.
Oleme saanud vaadeldava transport ulesande optimaalse lahendi:
X =
_
_
_
_
_
_
_
_
3 0 16 0 0
0 15 0 4 0
12 0 0 7 0
0 0 0 4 15
_
_
_
_
_
_
_
_
; z
min
= 541.
Kontrolltoo. Naidisvarianti vt. minu kodulehek uljelt: www.sta.ttu.ee/puusemp/
52
17 Manguteooria pohimoisteid
Igapaevases elus esineb palju nahtusi ja protsesse, mis sarnanevad manguga jargnevas
mottes:
1) protsessi kulg voi tulemus soltub oluliselt erinevate isikute, rmade jne. poolt
vastu voetud otsustest;
2) need erinevad isikud voivad protsessi tulemusena saada kasu voi kahju, kusjuures
see soltub osavotjate poolt vastu voetud ostsustest;
3) uldjuhul uhe poole kasu saades ulejaanud pooled saavad kahju.
Matemaatilist teooriat, mis uurib loetletud omadustega protsesse, nimetatakse
manguteooriaks, protsessi ennast manguks ja protsessist osavotjaid mangijateks.
Manguteooria pohimoisteteks on kaks jargmist moistet:
Strateegia reeglite kogu, mis on kseeritud mangija poolt enne mangu ja
mis naitab ara mangija kaitumise mangu igas voimalikus situatsioonis.
Tasufunktsioon sihifunktsioon, mis esineb mangus kui planeerimis ulesandes.
Manguteooria ulesandeid saab klassitseerida mitmeti:
1) mangijate arvu jargi;
2) strateegiate arvu jargi (lopliku ja lopmatu strateegiate arvuga mangud);
3) tasufunktsiooni omaduste jargi.
Meie vaatleme ainult kahe isiku lopliku strateegiate arvuga nullsummalisi mange.
Nimetagem neid kahte mangijat 1.mangijaks ja 2.mangijaks. Olgu nende mangijate
strateegiad tahistatud jargmiselt:
S
1
1
, . . . S
1
m
1.mangija strateegiad;
S
2
1
, . . . S
2
n
2.mangija strateegiad.
Siis mang on iseloomustatav tabeliga
S
2
1
. . . S
2
n
S
1
1
(a
1
11
; a
2
11
) . . . (a
1
1n
; a
2
1n
)
. . . . . . . . . . . .
S
1
m
(a
1
m1
; a
2
m1
) . . . (a
1
mn
; a
2
mn
)
kus arv a
k
ij
naitab k-nda mangija tulu, kui 1.mangija kasutab oma i-ndat strateegiat
ja 2.mangija kasutab oma j-ndat strateegiat. Kui a
1
ij
+ a
2
ij
= 0 iga i ja j voimaliku
vaartuse korral, siis vaadeldavat mangu nimetatakse nullsummaliseks manguks.
53
Meie kasitleme oma kursuses ainult nullsummalisi mange. Kuna sellisel juhul a
2
ij
=
a
1
ij
, siis on mang kirjeldatav uheselt maatriksiga
A =
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
,
kus
a
ij
= a
1
ij
= a
2
ij
.
Maatriksit A nimetatakse mangu maatriksiks ja mangu ennast maatriksmanguks.
Naide 17.1. Mang Paaris-paaritu. Kaks mangijat tostavad uheaegselt ules
kas uhe voi kaks sorme. Kui ulestostetavate sormede arv on molemal mangijal
vordne, siis 1.mangija maksab 2.mangijale 1 krooni, vastasel juhul maksab 2.mangija
1.mangijale 1 krooni. Seda mangu voib kirjeldada maatriksmanguna jargmiselt.
Mangijate strateegiad on:
S
1
1
, S
1
2
1.mangija strateegiad tosta ules vastavalt 1 voi 2 sorme;
S
2
1
, S
2
2
2.mangija strateegiad tosta ules vastavalt 1 voi 2 sorme.
Siis mangu maatriks on
A =
_
_
_
_
1 1
1 1
_
_
_
_
.
Naide 17.2. On kaks konstrueerimisb urood, milledest esimesel b urool on 4
osakonda ja teisel b urool on 3 osakonda. On kuulutatud valja konkurss kahe seadme
projekti koostamiseks. See b uroo, mille esimese seadme projekt on parim, saab
krooni preemiat, ja b uroo, mille teise seadme projekt on parim, saab krooni
preemiat. Eeldatakse, et kui uhes b uroos tootab seadme projekti kallal rohkem
osakondi kui teises b uroos, siis toenaoliselt voidab selle b uroo projekt; kui aga vordne
arv osakondi, siis voidu toenaosus on sama molemas b uroos.
Siin mangijateks on b urood ja strateegiateks:
S
1
i
eraldada esimese seadme projekteerimiseks i osakonda ja teise seadme projek-
teerimiseks 4 i osakonda, i = 0, 1, 2, 3, 4;
S
2
j
eraldada esimese seadme projekteerimiseks j osakonda ja teise seadme projek-
teerimiseks 3 j osakonda j = 0, 1, 2, 3.
Vastavalt naite tingimustele
a
1
ij
+ a
2
ij
= + .
Seega pole vaadeldav mang nullsummaline. Et saada nullsummalist mangu, teisendame
viimast summat jargmiselt:
_
a
1
ij

+
2
_
+
_
a
2
ij

+
2
_
= 0
54
ja loeme esimest liidetavat esimese mangija voiduks ja teist liidetavat teise mangija
voiduks strateegiate (S
1
i
, S
2
j
) kasutamisel. Siis mangu maatriks tuleb
A =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
2

2

2

2
2

2

2

2
2

2

2

2
2

2

2

2
2
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
.
18 Segastrateegia ja mangu lahendi moiste
Vaatleme maatriksmangu maatriksiga
A =
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
.
Kasitleme seda mangu algul esimese mangija seisukohalt. Esimest strateegiat ka-
sutades on talle koige halvem variant ehk koige vaiksem voit, mis voib tulla a
1
=
min
j
a
1j
. Teist strateegiat kasutades talle koige vaiksem tulla voiv voit on a
2
=
min
j
a
2j
jne. Viimast strateegiat kasutades on vaikseim voimalik voit a
m
= min
j
a
mj
.
Seega voib esimene mangija garanteerida endale alati voidu suurusega a = max
i
a
i
.
See maksimaalne garanteeritud voit saavutatakse esimese mangija poolt sellise stra-
teegiaga S
1
k
, mis annab maksimumi arvudele a
i
= min
j
a
ij
indeksi i muutudes:
a = max
i
a
i
= max
i
(min
j
a
ij
) = a
k
.
Sellist strateegiat S
1
k
nimetatakse maksimini-strateegiaks, arvu a aga mangu
alumiseks hinnaks.
Teise mangija jaoks tahendavad maatriksi A arvud voimalikke kaotusi, olenevalt
molema mangija poolt kasutatavatest strateegiatest. Vaatleme teise mangija seisuko-
halt vaadeldavat mangu. Kui teine mangija kasutab oma esimest strateegiat S
2
1
,
siis suurim voimalik kaotus on tal b
1
= max
i
a
i1
. Teist strateegiat S
2
2
kasutades
suurim voimalik kaotus teisel mangijal on b
2
= max
i
a
i2
jne.. Viimast strateegiat S
2
n
55
kasutades suurim voimalik kaotus teisel mangijal on b
n
= max
i
a
in
. Seega vaikseim
kaotus, mis teine mangija voib endale garanteerida, on vahim arvudest b
1
, . . . , b
n
,
s.t. arv:
b = min
j
b
j
= min
j
(max
i
a
ij
) = b
l
.
Strateegiat S
2
l
, mis garanteerib selle minimaalse voimaliku kaotuse, nimetatakse
minimaxi-strateegiaks, arvu b aga mangu ulemiseks hinnaks.
Naide 18.1. Naites 17.1 vaadeldud mangu korral
a
1
= a
2
= 1, a = 1, b
1
= b
2
= 1, b = 1.
Mangu alumine hind on -1, ulemine hind on 1, maksimini strateegiateks on S
1
1
ja S
1
2
ning minimaksi strateegiateks on S
2
1
ja S
2
2
.
Naide 18.2. Naites 17.2 esitatud mangu korral (eeldusel, et )
a
0
=

2
, a
1
= min
_
2
,

2
_
, a
2
= a
3
= a
4
=

2
, a =

2
,
b
0
= b
1
= b
2
= b
3
=

2
, b =

2
.
Seega on mangu alumine hind ( )/2, ulemine hind /2, maksimini strateegia
S
1
0
ja minimaksi strateegiateks koik teise mangija strateegiad S
2
0
, S
2
1
, S
2
2
ning S
2
3
.
Teoreem 18.1 Maatriksmangu korral mangu alumine hind ei uleta mangu ulemist
hinda:
a = max
i
(min
j
a
ij
) min
j
(max
i
a
ij
) = b.
Toestus. Ilmselt
a
i
= min
j
a
ij
a
ij
max
i
a
ij
) = b
j
,
kust
a = max
i
a
i
b
j
, a min
j
b
j
= b.
Teoreem on toestatud.
Kui a = b, siis molemal mangijal on sobiv valida oma ohutuim strateegia, s.t.
esimesel mangijal oma maksimini strateegia ja teisel mangijal oma minimaksi stra-
teegia. Kui a < b, siis voib mone muu strateegia kasutamine tuua mangijale suurema
tulu.
Denitsioon 18.1 Kui a = b, siis mangu maatriksi A elementi a
kl
, mille ko-
rral a = b = a
kl
, nimetatakse maatriksi A sadulpunktiks, mangu ennast aga
sadulpunktiga manguks.
56
Lugejal palume iseseisvalt veenduda, et kui a = b, siis sadulpunktideks on para-
jasti maatriksi A = |a
ij
| sellised elemendid a
kl
, mille korral
a
il
a
kl
a
kj
iga i ja j voimaliku vaartuse korral.
Uhte ja sama mangu korduvalt mangides kasutatakse tavaliselt iga kord erinevaid
strateegiaid, s.t. iga strateegiat kasutatakse teatava sagedusega ehk toenaosusega.
Seetottu tuuakse sisse segastrateegia moiste.
Tahistagu y
i
esimese mangija poolt tema i-nda strateegia S
1
i
kasutamise sagedust
ehk toenaosust: y
i
= P(S
1
i
) (i = 1, . . . , m). Paigutame need sagedused vektoriks
y =
_
_
_
_
_
_
_
_
_
y
1
y
2
.
.
.
y
m
_
_
_
_
_
_
_
_
_
= (y
1
; y
2
; . . . ; y
m
)
T
.
Saadud vektorit y nimetatakse esimese mangija segastrateegiaks. Analoogiliselt
tahistagu x
j
teise mangija poolt j-nda strateegia S
2
j
kasutamise sagedust ehk toenao-
sust: x
j
= P(S
2
j
) (j = 1, . . . , n). Paigutades need sagedused vektoriks
x =
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
_
_
_
= (x
1
; x
2
; . . . ; x
n
)
T
,
saadakse vektor, mida nimetatakse teise mangija segastrateegiaks. Segastratee-
giad y ja x rahuldavad tingimusi:
y
1
+ y
2
+ . . . + y
m
= x
1
+ x
2
+ . . . + x
n
= 1, 0 y
i
, x
j
1.
Kui esimene mangija kasutab mangides segastrateegiat y ja teine mangija ka-
sutab segastrateegiat x, siis esimese mangija voidu suurus (ehk teise mangija kao-
tuse suurus) V on nendest segastrateegiatest soltuv diskreetne juhuslik suurus:
V = V (y, x). Juhusliku suuruse V voimalikud vaartused on a
ij
ja eeldades, et
mangijad valivad oma strateegiaid teineteisest soltumatult, saadakse vaartuse a
ij
saavutamise toenaosuseks
P(V = a
ij
) = P(S
1
i
S
2
j
) = P(S
1
i
) P(S
2
j
) = y
i
x
j
.
Teiste sonadega, juhusliku suuruse V (y, x) jaotustabel on
V (y, x) a
11
. . . a
ij
. . . a
mn
P(V = a
ij
) y
1
x
1
. . . y
i
x
j
. . . y
m
x
n
Toenaosusteooria kohaselt on juhusliku suuruse V keskvaartus E(V ) arvutatav
jargmiselt:
E(V ) = E(V (y, x)) =
m, n
i, j=1
a
ij
y
i
x
j
.
57
14.loeng: 1.detsember 2005
Tahistagem jargnevalt seda keskvaartust s umboliga (y, x):
(y, x) =
m, n
i, j=1
a
ij
y
i
x
j
. (18.1)
Vaadeldes vorduse (18.1) paremal pool esinevat summat uherealise ja uheveerulise
maatriksina, on see esitatav maatriksite korrutisena y
T
Ax:
y
T
Ax =
_
_
y
1
y
2
. . . y
m
_
_
_
_
_
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
_
_
_
=
=
_
_
y
1
y
2
. . . y
m
_
_
_
_
_
_
_
_
_
_
_
n
j=1
a
1j
x
j
n
j=1
a
2j
x
j
.
.
.
n
j=1
a
m1j
x
j
_
_
_
_
_
_
_
_
_
=
_
_
m, n
i, j=1
a
ij
y
i
x
j
_
_
=
=
m, n
i, j=1
a
ij
y
i
x
j
.
Seega esimese mangija voidu (teise mangija kaotuse) keskvaartus segastrateegiate y
ja x kasutamisel on
(y, x) = y
T
Ax. (18.2)
Mangu uhekordsel mangimisel kasutatavaid strateegiaid S
1
i
ja S
2
j
nimetatakse
puhasteks strateegiateks.
Jargnevalt vaatleme milliseid segastrateegiaid oleks mangijail koige ohutum ka-
sutada. Arutluskaik on siin sarnane kaesoleva paragrahvi alguses labi viidud arut-
lustega: maatriksi |a
ij
| asemel vaadeldakse ainult maatriksit |(y, x)|.
Fikseeritud segastrateegia y korral on esimesel mangijal garanteeritud alati kesk-
mine voit
y
= min
x
(y, x)
soltumata sellest, kuidas teine mangija oma segastrateegia valib. Jarelikult suurim
keskmine voit, mille esimene mangija endale garanteerida saab, on
max
y
y
= max
y
(min
x
(y, x)) = max
y
min
x
(y, x) =
y
.
Segastrateegia y
, mis annab maksimumi avaldisele

y
, ongi esimesele mangijale
sobivaim segastrateegia.
58
Vaatleme n u ud mangu teise mangija seisukohalt. Fikseeritud segastrateegia x
korral on teisel mangijal suurim voimalik keskmine kaotus
x
= max
y
(y, x)
soltumata sellest, kuidas esimene mangija oma segastrateegia valib. Jarelikult vahim
keskmine kaotus, mille teine mangija endale garanteerida saab, on
min
x
x
= min
x
(max
y
(y, x)) = min
x
max
y
(y, x) =
x
.
Segastrateegia x
, mis annab miinimumi avaldisele

x
, ongi teisele mangijale sobi-
vaim segastrateegia.
Denitsioon 18.2

Ulal kirjeldatud segastrateegiaid y
ja x
nimetatakse vaadel-
dava maatriksmangu lahendeiks ja arvu (y
, x
) mangu hinnaks.
Tahistagem jargnevalt esimese ja teise mangija koigi voimalike segastrateegiate
hulka vastavalt s umbolitega R
m
t
ja R
n
t
. Seega
R
m
t
= (y
1
; y
2
; . . . ; y
m
)
T
R
m
[ y
1
+ y
2
+ . . . + y
m
= 1, 0 y
i
1 ,
R
n
t
= (x
1
; x
2
; . . . ; x
n
)
T
R
n
[ x
1
+ x
2
+ . . . + x
n
= 1, 0 x
j
1 .
Kuna hulgad R
m
t
ja R
n
t
on kinnised ja tokestatud ning funktsioon (y, x) on pidev,
siis ulal mainitud maksimumid ja miinimumid eksisteerivad alati ning mang on alati
lahenduv. Mangu lahend ei pruugi olla maaratud uheselt. Hiljem veendume, et
mangu hind on aga maaratud uheselt.
Naide 18.3. Vaatleme mangu Paaris-paaritu. Selle mangu maatriks oli
A =
_
_
_
_
a
11
a
12
a
21
a
22
_
_
_
_
=
_
_
_
_
1 1
1 1
_
_
_
_
.
Olgu y ja x vastavalt esimese ja teise mangija segastrateegiad:
y = (y
1
; y
2
)
T
= (p; 1 p)
T
R
2
t
, x = (x
1
; x
2
)
T
= (q; 1 q)
T
R
2
t
,
y
1
= p, y
2
= 1 p, x
1
= q, x
2
= 1 q, 0 p, q 1.
Siis
(y, x) =
2, 2
i, j=1
a
ij
y
i
x
j
= pq + p(1 q) + (1 p)q (1 p)(1 q) =
= (2p 1)(1 2q) = (p, q),
y
= min
x
(y, x) = min
0q1
(2p 1)(1 2q) =
=
_
(p, 0), kui 1 2p 0,
(p, 1), kui 1 2p 0,
=
_
2p 1, kui 1 2p 0,
1 2p, kui 1 2p 0.
59
Siit
max
y
y
= max
y
(min
x
(y, x)) = 0
ja see maksimum saavutatakse p = 1/2 korral. Seega
y
=
_
_
_
_
1/2
1/2
_
_
_
_
= (1/2; 1/2)
T
.
Analoogiliselt
x
= max
y
(y, x) = max
0p1
(2p 1)(1 2q) =
=
_
(0, q), kui 1 2q 0,
(1, q), kui 1 2q 0,
=
_
2q 1, kui 1 2q 0,
1 2q, kui 1 2q 0.
Siit
min
x
x
= min
x
(max
y
(y, x)) = 0
ja see miinimum saavutatakse q = 1/2 korral. Seega
x
=
_
_
_
_
1/2
1/2
_
_
_
_
= (1/2; 1/2)
T
.
Oleme saanud mangu lahendid y
ja x
. Saadud lahendid naitavad, et mangu kor-

duvalt mangides peavad molemad mangijad keskmiselt pooltel juhtudel tostma ules
uhe sorme ja pooltel juhtudel kaks sorme. Mangu hind on
(y
, x
) = y
T
Ax
=
_
_
1/2 1/2
_
_
_
_
_
_
1 1
1 1
_
_
_
_
_
_
_
_
1/2
1/2
_
_
_
_
=
_
_
0
_
_
= 0.
6
Teoreem 18.2 Kui y
ja x
on maatriksmangu lahendid, siis mangu hind (y
, x
)
rahuldab v orratusi
max
y
(min
x
(y, x)) (y
, x
) min
x
(max
y
(y, x)).
Toestus. Toepoolest:
y
= min (y, x) (y, x) max
y
(y, x) =
x
y R
m
t
, x R
n
t
,
y
(y
, x), (y, x
)
x
y R
m
t
, x R
n
t
,
y
(y
, x
)
x
.
6
(1 1)-maatriks samastatakse elemendiga, millest ta koosneb.
60
19 Maatriksmangu seos lineaarse
planeerimise ulesandega
Vaatleme maatriksmangu maatriksiga A = |a
ij
| R
mn
. Moodustame selle maat-
riksi abil jargmise pohikujulise lineaarse planeerimise ulesande
_
_
z = x
1
+ x
2
+ . . . + x
n
max
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
1
. . .
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
1
x
1
, . . . , x
n
0
(19.1)
ja selle ulesandega duaalse ulesande
_
_
w = y
1
+ y
2
+ . . . + y
m
min
a
11
y
1
+ a
21
y
2
+ . . . + a
m1
y
m
1
a
12
y
1
+ a
22
y
2
+ . . . + a
m2
y
m
1
. . .
a
1n
y
1
+ a
2n
y
2
+ . . . + a
mn
y
m
1
y
1
, . . . , y
m
0
(19.2)
Ulesanded (19.1) ja (19.2) maatrikskujul on vastavalt

_
_
z = c x max
Ax b
x
(19.3)
ja
_
_
w = b y min
A
T
y c
y
(19.4)
kus
c = (1; 1; . . . ; 1)
T
, b = (1; 1; . . . ; 1)
T
,
x = (x
1
; x
2
; . . . ; x
n
)
T
, y = (y
1
; y
2
; . . . ; y
m
)
T
.
Teoreem 19.1 Iga maatriksi A = |a
ij
| R
mn
korral leiduvad temale vastava
maatriksmangu jaoks sellised segastrateegiad y
R
m
t
ja x
R
n
t
, et
(y, x
) (y
, x
) (y
, x) (19.5)
iga y R
m
t
ja x R
n
t
korral.
61
Toestus. 1) Eeldame, et maatriksi A koik elemendid on positiivsed, s.t. a
ij
> 0
indeksite i ja j koigi voimalike vaartuste korral. Siis ulesanded (19.1) ja (19.2)
omavad lubatavaid lahendeid: ulesande (19.1) uheks lubatavaks lahendiks on x =
ja ulesande (19.2) uheks lubatavaks lahendiks on
y =
1
min
i, j
a
ij
b.
Teoreemi 9.6 pohjal omavad ulesanded (19.1) ja (19.2) optimaalseid lahendeid. Olgu
need vastavalt
y = ( y
1
; . . . ; y
m
) ja x = ( x
1
; . . . ; x
n
).
Siis
A x b, A
T
y c,
z = z
max
= c x = x
1
+ . . . + x
n
= w = w
min
= b y = y
1
+ . . . + y
m
,= 0.
Ilmselt
y
=
1
z
y R
m
t
, x
=
1
z
x R
n
t
.
Segastrateegiad y
ja x
rahuldavadki vorratusi (19.5):

A x b, y R
m
t
= y
T
A x y
T
b = y
1
+ . . . + y
m
= 1 = (y, x
)
1
z
,
A
T
y c, x R
n
t
= y
T
A c
T
=
= y
T
Ax c
T
x = x
1
+ . . . + x
n
= 1 =
1
z
y
T
Ax = (y
, x),
(y, x
)
1
z
(y
, x).
Siit saadakse y = y
ja x = x
korral
1
z
= (y
, x
),
mistottu
(y, x
) (y
, x
) (y
, x).
Seega vaadeldaval juhul kehtivad vorratused (19.5).
2) Vaatleme n u ud uldjuhtu, s.t. maatriksi A elementidele pole seatud piiranguid.
Valime arvu nii, et arvud a
ij
= a
ij
+ on positiivsed koigi indeksite i ja j vaartuste
korral. Moodustame maatriksi

A = | a
ij
| ja vaatleme mangu selle maatriksiga ning
sellel mangule vastavat esimese mangija voidu keskvaartust
(y, x) = y
T

Ax =
m, n
i, j=1
a
ij
y
i
x
j
=
m, n
i, j=1
(a
ij
+ )y
i
x
j
=
=
m, n
i, j=1
a
ij
y
i
x
j
+
m, n
i, j=1
y
i
x
j
=
m, n
i, j=1
a
ij
y
i
x
j
+
m, n
i, j=1
y
i
x
j
=
62
= (y, x) + 1 = (y, x) + ,
(y, x) = (y, x) + , (19.6)
kus y ja x on segastrateegiad. Toestuse esimese osa pohjal leiduvad sellised sega-
strateegiad y
ja x
, et
(y, x
) (y
, x
) (y
, x).
Siit jarelduvad vorduse (19.6) pohjal vorratused (19.5). Teoreem on toestatud.
15.loeng: 8.detsember 2005
Teoreem 19.2 Olgu antud mang maatriksiga A ja segastrateegiad y
ning x
, mis
rahuldavad vorratusi (19.5). Siis:
1) max
y
(min
x
(y, x)) = (y
, x
) = min
x
(max
y
(y, x));
2) segastrateegiad y
ja x
on vaadeldava mangu lahendid ning (y
, x
) on selle
mangu hind.
Toestus. Olgu y
ja x
vorratusi (19.5) rahuldavad segastrateegiad. Siis ilmselt
x
= max
y
(y, x
) = (y
, x
) =
y
= min
x
(y
, x).
Teoreemi 18.2 toestuses saime vorratuse
y

x
, y R
m
t
, x R
n
t
.
Seega
max
y
(min
x
(y, x)) = max
y
y
=
y
=
x
= min
x
x
= min
x
(max
y
(y, x)).
Siit jareldub vaide 1). Vaide 2) jareldub juba mangu lahendite ja hinna denit-
sioonidest.
Teoreemist jareldub uhtlasi, et mangu hind on uheselt maaratud. Eelnevast
kahest teoreemist jareldub jargmine teoreem.
Teoreem 19.3 Olgu y
ja x
maatriksiga A = |a
ij
| antud mangu lahendid ning h
selle mangu hind. Kui

A = | a
ij
|, kus a
ij
= a
ij
+ indeksite i ja j koigi voimalike
vaartuste korral, siis maatriksile

A vastava mangu lahenditeks on samuti segastra-
teegiad y
ja x
, mangu hinnaks aga arv h + .

Denitsioon 19.1

Oeldakse, et vaadeldav mang on lahenduv puhastes stra-
teegiates, kui mangu lahendid
y
= (y
1
; . . . ; y
m
)
T
, x
= (x
1
; . . . ; x
n
)
T
avalduvad kujul
y
i
=
_
0, kui i ,= k,
1, kui i = k,
x
j
=
_
0, kui j ,= l,
1, kui j = l,
mingite k ja l vaartuste korral.
63
Saab naidata, et kehtib teoreem:
Teoreem 19.4 Mang on lahenduv puhastes strateegiates parajasti siis, kui ta omab
sadulpunkti.
Siit saadakse eeskiri mangu lahendamiseks:
1) kontrollitakse sadulpunkti olemasolu; kui sadulpunkt leidub, siis mang on lahen-
duv puhastes strateegiates;
2) kui sadulpunkti pole, siis tuleb mang lahendada teoreemi 19.1 toestuse kohaselt.
20 Naiteid mangu lahendamise kohta
Naide 20.1. Vaatleme maatriksmangu maatriksiga
A =
_
_
_
_
_
_
_
_
3 2 1 2
0 2 1 0
1 1 0 0
1 2 3 2
_
_
_
_
_
_
_
_
.
Kontrollime, kas see mang on lahenduv puhastes strateegiates. Selleks leiame mangu
alumise ja ulemise hinna:
a
1
= min
j
a
1j
= min3; 2; 1; 2 = 2,
a
2
= min
j
a
2j
= min0; 2; 1; 0 = 2,
a
3
= min
j
a
3j
= min1; 1; 0; 0 = 1,
a
4
= min
j
a
4j
= min1; 2; 3; 2 = 3,
a = max
i
a
i
= max2; 2; 1; 3 = 1 = a
3
,
b
1
= max
i
a
i1
= min3; 0; 1; 1 = 3,
b
2
= max
i
a
i2
= min2; 2; 1; 2 = 1,
b
3
= max
i
a
i3
= min1; 1; 0; 3 = 1,
b
4
= max
i
a
i4
= min2; 0; 0; 2 = 2,
b = min
j
b
j
= min3; 1; 1; 2 = 1 = b
2
.
Seega omab vaadeldav mang sadulpunkti ja ta on lahenduv puhastes strateegiates:
esimesel mangijal on sobiv kasutada oma kolmandat strateegiat ja teisel mangijal
oma teist strateegiat.
Naide 20.2. Ettevote voib toota kolme liiki esemeid, olgu need liigid A., B ja
C, saades seejuures tulu, mis soltub noudlusest nende kaubaliikide jargi. Noudlust
nende kaubaliikide jargi on aga nelja liiki,olgu need tahistatud vastavalt I, II, III ja
IV. Jargmises tabelis on ettevotte tulud vastavalt toodangu ja noudluse liigile:
64
I II III IV
A 8 3 6 2
B 4 5 6 5
C 1 7 4 7
Mis vahekorras peab ettevote tootma esemeid A, B ja C, lugedes noudluse vaheko-
rrad taiesti kaootiliseks?
Lahendus. Vaatleme kirjeldatud ulesannet manguna maatriksiga
A =
_
_
_
_
_
_
8 3 6 2
4 5 6 5
1 7 4 7
_
_
_
_
_
_
.
Peame leidma selle mangu lahendid y
ja x
. Siis vektori y
koordinaadid naitavad,
millistes vahekordades tuleb esemeid toota. Kuna siin maatriksi A elemendid on
koik positiivsed, siis pole neile konstanti juurde liita vaja (lihtne on veenduda, et
see mang pole lahenduv puhastes strateegiates).
Tuleb lahendada omavahel duaalsed lineaarse planeerimise ulesanded
_
_
z = x
1
+ x
2
+ x
3
+ x
4
max
8x
1
+ 3x
2
+ 6x
3
+ 2x
4
1
4x
1
+ 5x
2
+ 6x
3
+ 5x
4
1
x
1
+ 7x
2
+ 4x
3
+ 7x
4
1
x
1
, . . . , x
4
0
(20.1)
ja
_
_
w = y
1
+ y
2
+ y
3
min
8y
1
+ 4y
2
+ y
3
1
3y
1
+ 5y
2
+ 7y
3
1
6y
1
+ 6y
2
+ 4y
3
1
2y
1
+ 5y
2
+ 7y
3
1
y
1
, y
2
, y
3
0
(20.2)
Teisendades ulesande (20.1) kanoonilisele kujule, saadakse
_
_
z = x
1
+ x
2
+ x
3
+ x
4
max
8x
1
+ 3x
2
+ 6x
3
+ 2x
4
+ x
5
= 1
4x
1
+ 5x
2
+ 6x
3
+ 5x
4
+ x
6
= 1
x
1
+ 7x
2
+ 4x
3
+ 7x
4
+ x
7
= 1
x
1
, . . . , x
4
0
(20.3)
Lahendame ulesande (20.3) simpleksmeetodiga:
65
0 1 -1 -1 -1 -1 0 0 0 +(1/8) I
1 0 8 3 6 2 1 0 0 (1/8)
1 0 4 5 6 5 0 1 0 +(1/2) I
1 0 1 7 4 7 0 0 1 +(1/8) I
1/8 1 0 -5/8 -1/4 -3/4 1/8 0 0 +(3/16) II
1/8 0 1 3/8 3/4 1/4 1/8 0 0 +(1/16) II
1/2 0 0 7/2 3 4 -1/2 1 0 (1/4)
7/8 0 0 53/8 13/4 27/4 -1/8 0 1 +(27/16) II
7/32 1 0 1/32 5/16 0 1/32 3/16 0
3/32 0 1 5/32 9/16 0 5/32 -1/16 0
1/8 0 0 7/8 3/4 1 -1/8 1/4 0
1/32 0 0 23/32 -29/16 0 23/32 -27/32 1
Siit saadakse ulesande (20.1) optimaalseks lahendiks
x = ( x
1
; x
2
; x
3
; x
4
)
T
= (3/32; 0; 0; 1/8)
T
,
kusjuures
z = x
1
+ x
2
+ x
3
+ x
4
= 7/32.
Vastavalt duaalsusteoreemidele rahuldab ulesande (20.2) optimaalne lahend y =
( y
1
; y
2
; y
3
)
T
vordusi
_
_
x
1
(8 y
1
+ 4 y
2
+ y
3
1) = 0
x
2
(3 y
1
+ 5 y
2
+ 7 y
3
1) = 0
x
3
(6 y
1
+ 6 y
2
+ 4 y
3
1) = 0
x
4
(2 y
1
+ 5 y
2
+ 7 y
3
1) = 0
ehk
_
_
(3/32) (8 y
1
+ 4 y
2
+ y
3
1) = 0
0 (3 y
1
+ 5 y
2
+ 7 y
3
1) = 0
0 (6 y
1
+ 6 y
2
+ 4 y
3
1) = 0
(1/8) (2 y
1
+ 5 y
2
+ 7 y
3
1) = 0
Siit
_
8 y
1
+ 4 y
2
+ y
3
= 1
2 y
1
+ 5 y
2
+ 7 y
3
= 1
(20.4)
Ulesande (20.1) optimaalne lahend x = ( x

1
; x
2
; x
3
; x
4
)
T
rahuldab aga vordusi
_
_
y
1
(8 x
1
+ 3 x
2
+ 6 x
3
+ 2 x
4
1) = 0
y
2
(4 x
1
+ 5 x
2
+ 6 x
3
+ 5 x
4
1) = 0
y
3
( x
1
+ 7 x
2
+ 4 x
3
+ 7 x
4
1) = 0
Pannes siia vektori x koordinaadid asemele, saadakse
_
_
y
1
0 = 0
y
2
0 = 0
y
3
(1/32) = 0
66
Siit y
3
= 0 ja vordusest (20.4) saame
_
8 y
1
+ 4 y
2
= 1
2 y
1
+ 5 y
2
= 1
ehk
y
1
= 1/32, y
2
= 3/16
ja
y = (1/32; 3/16; 0)
T
, w = y
1
+ y
2
+ y
3
= 7/32 = z.
Seega mangu lahenditeks on
y
=
1
z
y =
32
7
(1/32; 3/16; 0)
T
= (1/7; 6/7; 0)
T
,
x
=
1
z
x =
32
7
(3/32; 0; 0; 1/8)
T
= (3/7; 0; 0; 4/7)
T
.
Mangu hinnaks on aga
1
z
=
32
7
.
Vastavalt saadud lahendile y
saab anda esialgse ulesande vastuse: kogutoodangust

1/7 tuleb toota eset A, 6/7 eset B ja eset C pole uldse vaja toota.
Naide 20.3. Lahendame mangu, mille maatriks on
A =
_
_
_
_
_
_
1 2 1
0 6 2
1 2 3
_
_
_
_
_
_
.
Leides selle mangu alumise ja ulemise hinna, saadakse nende vaartusteks 0 ja
1. Seega pole see mang lahenduv puhastes strateegiates. Teoreemide 19.119.3
kohaselt liidame maatriksi A koikidele elementidele arvu = 3. Saame positiivsete
elementidega maatriksi
A =
_
_
_
_
_
_
2 5 4
3 9 5
4 1 6
_
_
_
_
_
_
.
Tuleb lahendada omavahel duaalsed lineaarse planeerimise ulesanded
_
_
z = x
1
+ x
2
+ x
3
max
2x
1
+ 5x
2
+ 4x
3
1
3x
1
+ 9x
2
+ 5x
3
1
4x
1
+ x
2
+ 6x
3
1
x
1
, x
2
, x
3
0
(20.5)
67
ja
_
_
w = y
1
+ y
2
+ y
3
min
2y
1
+ 3y
2
+ 4y
3
1
5y
1
+ 9y
2
+ y
3
1
4y
1
+ 5y
2
+ 6y
3
1
y
1
, y
2
, y
3
0
(20.6)
Teisendades ulesande (20.5) kanoonilisele kujule, saadakse
_
_
z = x
1
+ x
2
+ x
3
max
2x
1
+ 5x
2
+ 4x
3
+ x
4
= 1
3x
1
+ 9x
2
+ 5x
3
+ x
5
= 1
4x
1
+ x
2
+ 6x
3
+ x
6
= 1
x
1
, x
2
, x
3
0
(20.7)
Lahendame ulesande (20.7) simpleksmeetodiga:
0 1 -1 -1 -1 0 0 0 +(1/4) III
1 0 2 5 4 1 0 0 +(1/2) III
1 0 3 9 5 0 1 0 +(3/4) III
1 0 4 1 6 0 0 1 (1/4)
1/4 1 0 -3/4 1/2 0 0 1/4 +(1/11) II
1/2 0 0 9/2 1 1 0 -1/2 +(6/11) II
1/4 0 0 33/4 1/2 0 1 -3/4 (4/33)
1/4 0 1 1/4 3/2 0 0 1/4 +(1/33) II
3/11 1 0 0 6/11 0 1/11 2/11
4/11 0 0 0 8/11 1 -6/11 -1/11
1/33 0 0 1 2/33 0 4/33 -1/11
8/33 0 1 0 49/33 0 -1/33 3/11
Siit saadakse ulesande (20.5) optimaalseks lahendiks
x = ( x
1
; x
2
; x
3
)
T
= (8/33; 1/33; 0)
T
,
kusjuures
z = x
1
+ x
2
+ x
3
= 3/11.
Vastavalt duaalsusteoreemidele rahuldab ulesande (20.6) optimaalne lahend y =
( y
1
; y
2
; y
3
)
T
vordusi
_
_
x
1
(2 y
1
+ 3 y
2
+ 4 y
3
1) = 0
x
2
(5 y
1
+ 9 y
2
+ y
3
1) = 0
x
3
(4 y
1
+ 5 y
2
+ 6 y
3
1) = 0
68
ehk
_
_
(8/33) (2 y
1
+ 3 y
2
+ 4 y
3
1) = 0
(1/33) (5 y
1
+ 9 y
2
+ y
3
1) = 0
0 (4 y
1
+ 5 y
2
+ 6 y
3
1) = 0
Siit
_
2 y
1
+ 3 y
2
+ 4 y
3
= 1
5 y
1
+ 9 y
2
+ y
3
= 1
(20.8)
Ulesande (20.5) optimaalne lahend x = ( x

1
; x
2
; x
3
)
T
rahuldab aga vordusi
_
_
y
1
(2 x
1
+ 5 x
2
+ 4 x
3
1) = 0
y
2
(3 x
1
+ 9 x
2
+ 5 x
3
1) = 0
y
3
(4 x
1
+ x
2
+ 6 x
3
1) = 0
Pannes siia vektori x koordinaadid asemele, saadakse
_
_
y
1
(4/11) = 0
y
2
0 = 0
y
3
0 = 0
Siit y
1
= 0 ja vordusest (20.8) saame
_
3 y
2
+ 4 y
3
= 1
9 y
2
+ y
3
= 1
ehk
y
2
= 1/11, y
3
= 2/11
ja
y = (0; 1/11; 2/11)
T
, w = y
1
+ y
2
+ y
3
= 3/11 = z.
Seega mangu lahenditeks on
y
=
1
z
y =
11
3
((0; 1/11; 2/11)
T
= (0; 1/3; 2/3)
T
,
x
=
1
z
x =
11
3
(8/33; 1/33; 0)
T
= (8/9; 1/9; 0)
T
.
Mangu hinnaks on aga
1
z
=
11
3
3 =
2
3
.
69
21 Mangu graaline lahendamine
Nagu teisigi matemaatilise planeerimise ulesandeid, saab ka manguteooria ulesandeid
moningatel juhtudel lahendada graaliselt. Vaatleme mangu maatriksiga
A =
_
_
_
_
a
11
a
12
a
21
a
22
_
_
_
_
.
Valime mis tahes segastrateegiad
y =
_
_
_
_
y
1
y
2
_
_
_
_
=
_
_
_
_
p
1 p
_
_
_
_
, x =
_
_
_
_
x
1
x
2
_
_
_
_
=
_
_
_
_
q
1 q
_
_
_
_
(0 p, q 1).
Siis esimese mangija voidu keskvaartus strateegiate y ja x kasutamisel on
(y, x) = a
11
pq + a
12
p(1 q) + a
21
(1 p)q + a
22
(1 p)(1 q) =
= q(pa
11
+ a
21
(1 p)) + (1 q)(a
22
p + a
21
(1 p)) =
= qE
1
+ (1 q)E
2
= E
2
+ q(E
1
E
2
),
kus
E
1
= E
1
(p) = pa
11
+ a
21
(1 p), E
2
= E
2
(p) = a
22
p + a
21
(1 p).
Siis
f(p) = min
x
(y, x) = min
0q1
(E
2
+ q(E
1
E
2
)) =
=
_
E
2
, kui E
1
E
2
,
E
1
, kui E
1
E
2
,
= min
0p1
E
1
(p), E
2
(p).
Joonistades funktsioonide E
1
(p), E
2
(p) ja f(p) graakud, saadakse
`
r r
p
V
1 0
r
r rp
p
p
p
p
`
`
`
`
`
`
`
`
`
a
11
a
21
r
r r
p
p
p
p
p
a
12
a
22
r
V = E
2
(p)
V = E
1
(p)
r
p
Funktsiooni f(p) graak on kujutatud joonisel rasvaselt ja ta koosneb kahest

loigust. Maksimini strateegia y
saadakse, leides funktsiooni f(p) maksimumkoha

p
:
max
y
(min
x
(y, x)) = max
p
(min
q
(y, x)) =
70
= max
p
f(p) = f(p
),
y
= (p
; 1 p
)
T
.
Analoogiliselt leitakse teise mangija jaoks minimaksi strateegia. R uhmitame
funktsiooni (y, x) avaldises liidetavaid teisiti:
(y, x) = a
11
pq + a
12
p(1 q) + a
21
(1 p)q + a
22
(1 p)(1 q) =
= p(qa
11
+ a
12
(1 q)) + (1 p)(a
21
q + a
22
(1 q)) =
= pF
1
+ (1 p)F
2
= F
2
+ p(F
1
F
2
),
kus
F
1
= F
1
(q) = qa
11
+ a
12
(1 q), F
2
= F
2
(q) = a
21
q + a
22
(1 q).
Siis
g(q) = max
y
(y, x) = max
0p1
(F
2
+ p(F
1
F
2
)) =
=
_
F
1
, kui F
1
F
2
,
F
2
, kui F
1
F
2
.
Joonistades funktsioonide F
1
(q), F
2
(q) ja g(q) graakud, saadakse
`
r r
q
W
1 0
r
r rp
p
p
p
p
`
`
`
`
`
`
`
`
`
a
11
a
12
r
r r
p
p
p
p
p
a
21
a
22
r
W = F
2
(q)
W = F
1
(q)
r
q
Funktsiooni g(q) graak on kujutatud joonisel rasvaselt ja ta koosneb kahest

loigust. Minimaksi strateegia x
saadakse, leides funktsiooni g(q) mmiinimumkoha

q
:
min
x
(max
y
(y, x)) = min
q
(max
p
(y, x)) =
= min
q
g(q) = g(q
),
x
= (q
; 1 q
)
T
.
Naide 21.1. Laiame maatriksiga
_
_
_
_
2 2
1 1
_
_
_
_
71
antud mangu lahendid. Siin
E
1
(p) = 2p + (1 p) = 1 3p, E
2
(p) = 2p (1 p) = 3p 1.
Kujutame joonisel nende funktsioonide graakud:
`
r
r
r
r r
r
r r r
1
p
1
2
1
2
p
p
p
p
p
p
p
p
p
p
E
2
(p) = 3p 1
E
1
(p) = 1 3p
p
d
d
d
d
d
d
Esimese mangija optimaalse segastrateegia saame, kui leiame sirgete E
1
(p) =
1 3p ja E
2
(p) = 3p 1 loikepunkti:
1 3p = 3p 1 = p
=
1
3
; y
= (p
; 1 p
) = (1/3; 2/3)
T
.
Analoogiliselt leitakse teise mangija optimaalne segastrateegia kui sirgete
F
1
(q) = 2q + 2(1 q) = 2 4q ja F
2
(q) = q (1 q) = 2q 1
loikepunkti abil:
2 4q = 2q 1 = q
=
1
2
; x
= (q
; 1 q
) = (1/2; 1/2)
T
.
Mangu hind on
(y
, x
) = 2
1
3

1
2
+ 2
1
3

1
2
+
2
3

1
2

2
3

1
2
= 0
aga ka arv
f(p
) = 3p
1 = 0.
Jarelikult mangu korduvalt mangides kumbki mangija keskmiselt ei voida ega kaota
midagi. Esimene mangija peab kolmandikus mangudes keskmiselt kasutama oma
esimest strateegiat ja kahes kolmandikus mangudes oma teist strateegiat. Teine
mangija peab keskmiselt pooltes mangudes kasutama oma esimest strateegiat ja
pooltes mangudes oma teist strateegiat.
Analoogiliselt voib graaliselt lahendada mangu, mille maatriksil on kas 2 rida
voi 2 veergu.
72
Vaadelgem mangu maatriksiga
A =
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
_
_
_
_
.
Valime mis tahes segastrateegiad
y = (y
1
; y
2
)
T
= (p; 1 p)
T
(0 p 1); x = (x
1
; x
2
; . . . ; x
n
)
T
.
Siis esimese mangija voidu keskvaartus strateegiate y ja x kasutamisel on
(y, x) =
2, n
i, j
a
ij
y
i
x
j
=
n
j=1
(a
1j
p + a
2j
(1 p))x
j
=
n
j=1
E
j
x
j
, (21.1)
kus
E
j
= E
j
(p) = a
1j
p + a
2j
(1 p); j = 1, 2, . . . , n. (21.2)
Olgu
f(p) = min
p
E
1
, E
2
, . . . , E
n
= E
l
.
Siin indeks l soltub arvu p valikust. Siis vordusest (21.1) jareldub
(y, x) =
n
j=1
E
j
x
j

n
j=1
f(p)x
j
= f(p)
n
j=1
x
j
= f(p) 1 = f(p).
Seega
y
= min
x
(y, x) f(p).
Valides segastrateegia x jargmiselt
x
j
=
_
1, kui j = l,
0, kui j ,= l,
saadakse
(y, x) = f(p).
Jarelikult
y
= min
x
(y, x) = f(p).
Mangu lahendi y
= (p
; 1 p
)
T
leidmiseks tuleb leida selline arvu p vaartus p
,
mis annab maksimumi funktsioonile f(p):
y
= max
y
y
= max
p
f(p).
Oleme saanud eeskirja esimese mangija optimaalse strateegia y
= (p
; 1 p
)
T
leidmiseks:
1) moodustada maatriksi A veergude 1, 2, . . . , n jaoks funktsioonid E
1
, E
2
, . . . , E
n
valemi (21.2) kohaselt;
73
2) leida funktsiooni f(p) = min
p
E
1
, E
2
, . . . , E
n
maksimumkoht p
loigul [0; 1].

Kuidas leida vaadeldaval juhul teise mangija optimaalset segastrateegiat x
, seda
kirjeldame jargnevas naites.
Naide 21.2. Leiame maatriksiga
A =
_
_
_
_
1 4 2 3
3 1 0 1
_
_
_
_
antud mangu lahendid.
`
r
r
r
r
r
r r
r
r
r
r
r
/
/
/
/
/
/
/
/
/
/
/
/
/
/
/
`
`
`
`
`
`
`
`
`
`
`
`
r
r
p
1
2
3
4
1
r
p
1
E
2
= 5p 1
E
4
= 2p + 1
E
3
= 2p
E
1
= 3 4p
Moodustame antud maatriksi igale veerule vastavalt uhe sirge ja joonestame

nende sirgete graakud:
E
1
= 1 p + 3 (1 p) = 3 4p, E
2
= 4 p + (1) (1 p) = 5p 1,
E
3
= 2 p + 0 (1 p) = 2p, E
4
= 3 p + 1 (1 p) = 2p + 1.
Edasi teeme funktsiooni
f(p) = min
x
(y, x) = min
0p1
E
1
(p), E
2
(p), E
3
(p), E
4
(p)
graaku. See on joonisel kujutatud rasvase joonena. Funktsiooni f(p) maksi-
mumkoht p
annabki esimese mangija optimaalse segastrateegia y
= (p
; 1 p
)
T
.
Jooniselt on naha, et tuleb leida sirgete E
1
= 3 4p ja E
3
= 2p loikepunkt:
2p = 3 4p, p
= 1/2. Seega esimese mangija optimaalne segastrateegia on

y
= (1/2; 1/2)
T
. Mangu hinnaks on funktsiooni f(p) vaartus kohal p
, s.t.
y
=
f(1/2) = 2p
= 2 (1/2) = 1.
Paneme tahele, et optimaalse segastrateegia esimese mangija jaoks saime maat-
riksi A esimese ja komanda veeru abil. Moodustame nendest veergudest uue maat-
riksi
A =
_
_
_
_
1 2
3 0
_
_
_
_
74
ja vaadelgem mangu selle maatriksiga. Tahistame maatriksiga

A maaratud mangu
esimese mangija voidu keskvaartust segastrateegiate y = (p; 1p)
T
ja x = (q; 1q)
T
korral kujul (y, x). Kahemootmelisele segastrateegiale x = (q; 1 q)
T
vastab
neljamootmeline segastrateegia (x) = (q; 0; 1 q; 0)
T
. Valemist (18.1) tuleneb
funktsioonide ja vahekord
(y, (x)) = (y, x)
ning seetottu

x
= max
y
(y, x) = max
y
(y, (x)) =
(x)
.
Ulalt jooniselt on naha, et maatriksiga

A maaratud mangu korral esimese mangija
optimaalseks segastrateegiaks saadakse samuti vektor y
= (1/2; 1/2)
T
ning seega
y
=
y
.
Leides naite 21.1 eeskujul maatriksiga

A maaratud mangu korral teise mangija
optimaalse segastrateegia x
, saadakse q
= 1/3 ehk x
= (1/3; 2/3)
T
. Kuna
y

z
iga neljamootmelise segastrateegia z korral ja
y
=
y
=
x
=
(x
)
,
siis min
z
z
=
(x
)
, s.t. (x
) = (1/3; 0; 2/3; 0)
T
on teise mangija optimaalne
segastrateegia maatriksiga A maaratud mangu korral.
Naitega 21.2 analoogiliselt lahendatakse mang, kui selle mangu maatriks on ka-
heveeruline.
Algab materjal, mida oleksin lugenud, kui semester
poleks veel loppenud
22 Markovi protsess
Kaesolevas alajaotuses kirjeldame uhte mudelit, kus vaadeldakse juhuslikkusega seo-
tud tegevust voi protsessi.
Vaadelgem s usteemi, mis voib olla n erinevas olekus. Tahistame neid olekuid
numbritega 1, 2, . . . , n. Seejuures eeldatakse, et antud ajamomendil voib s usteem
olla ainult uhes olekus. Aega t vaatleme muutuvana diskreetselt: t 1, 2, 3, . . ..
Tahistagu x
j
(t) toenaosust, et s usteem on ajamomendil t olekus j (j 1, 2, 3, . . . ,
n). Moodustame vektori
x(t) =
_
_
_
_
_
_
_
_
_
x
1
(t)
x
2
(t)
.
.
.
x
n
(t)
_
_
_
_
_
_
_
_
_
= (x
1
(t); x
2
(t); . . . ; x
n
(t))
T
.
Selle vektori koordinaadid rahuldavad seoseid
x
1
(t) + x
2
(t) + . . . + x
n
(t) = 1, 0 x
j
(t) 1.
75
Veel olgu teada s usteemi uhest olekust teise ulemineku toenaosused:
p
kj
toenaosus selleks, et s usteem laheb ajamomendil t j.olekus
olles jargmisel ajamomendil t + 1 ule k.olekusse.
Toenaosused p
kj
loetakse soltumatuiks ajast t. Siis
p
1j
+ p
2j
+ . . . + p
nj
= 1, 0 p
kj
1. (22.1)
Paigutame toenaosused p
kj
maatriksisse:
P =
_
_
_
_
_
_
_
_
_
p
11
p
12
. . . p
1n
p
21
p
22
. . . p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
. . . p
nn
_
_
_
_
_
_
_
_
_
.
Margime, et maatriksi P igas veerus esinevate arvude summa on 1.

Ulal kirjel-
datud protsessi s usteemi uleminekul uhelt ajamomendilt jargmisele nimetatakse
Markovi protsessiks. Jargnevalt tuletame meelde taistoenaosuse valemit. Vaadel-
gem mingit toenaosusruumi. Olgu antud selles ruumis s undmuste taielik s usteem
A
1
, A
2
, . . . , A
n
; s.t. need s undmused on uksteist valistavad ja katse tulemusena
esineb parajasti uks nendest s undmustest. Kui on antud selles toenaosusruumis
suvaline s undmus A, siis selle s undmuse toenaosus P(A) avaldub jargmiselt:
P(A) =
n
i=1
P(A
i
) P(A[A
i
) =
= P(A
1
) P(A[A
1
) + P(A
2
) P(A[A
2
) + . . . + P(A
n
) P(A[A
n
), (22.2)
kus P(A[A
i
) tahistab s undmuse A toenaosust eeldusel, et s undmus A
i
leidis aset.
Valemit (22.2) nimetataksegi taistoenaosuse valemiks.
Rakendame n u ud taistoenaosuse valemit Markovi protsessi korral. S undmused
A ja A
1
, A
2
, . . . , A
n
valime jargnevalt:
A s usteem on ajamomendil t + 1 oma i.olekus;
A
j
s usteem on ajamomendil t oma j.asendis.
Selliste tahistuste korral
P(A) = x
i
(t + 1), P(A
j
) = x
j
(t), P(A[A
j
) = p
ij
.
Taistoenaosuse valemis pohjal saame
x
i
(t + 1) = P(A) =
n
j=1
P(A
j
) P(A[A
j
) =
n
j=1
p
ij
x
j
(t). (22.3)
Vordus (22.3) annab seose vektorite x(t +1) ja x(t) koordinaatide vahel ja maatrik-
skujul avaldatuna saame
x(t + 1) = P x(t) (22.4)
76
Saadud vordus kirjeldab taielikult Markovi protsessina kirjeldatud s usteemi kaitumist.
Maatriksit P nimetatakse Markovi maatriksiks. Induktsiooniga saadakse
x(1) = P x(0), x(2) = P x(1) = P
2
x(1), . . . , x(t + 1) = P
t
x(0) (22.5)
s.t. s usteemi olek ajamomendil t + 1 on avaldatav algajamonendil oleva oleku ja
maatriksi P kaudu.
Markovi protsesside teoorias uheks olulisemaks k usimuseks on: mis juhtub s ustee-
miga, kui t ? Vorduse (22.5) pohjal on selleks vaja osata maatriksit P asten-
dada. Naitame uhe votte maatriksite astendamiseks.
Lineaaralgebrakursusest on teada jargmine teoreem.
Teoreem 22.1 Olgu P mis tahes n-ndat jarku ruutmaatriks, arvud t
1
, . . . , t
n
tema
omavaartused ja vektorid
j
=
_
_
_
_
_
_
_
_
_
s
1j
s
2j
.
.
.
s
nj
_
_
_
_
_
_
_
_
_
= (s
1j
; s
2j
; . . . ; s
nj
)
T
, j = 1, 2, . . . , n,
nendele omavaartustele vastavad omavektorid. Siis maatriksid
D =
_
_
_
_
_
_
_
_
_
t
1
0 . . . 0
0 t
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . t
n
_
_
_
_
_
_
_
_
_
, S =
_
_
_
_
_
_
_
_
_
s
11
s
12
. . . s
1n
s
21
s
22
. . . s
2n
.
.
.
.
.
.
.
.
.
.
.
.
s
n1
s
n2
. . . s
nn
_
_
_
_
_
_
_
_
_
rahuldavad vordust
PS = SD. (22.6)
Vordust (22.6) saab kasutada maatriksi P astmete leidmiseks. Selleks tuleb
leida selle maatriksi omavaartused t
1
, . . . , t
n
, valida iga omavaartuse t
j
jaoks uks
omavektor
j
, moodustada ulal esitatud maatriksid D ja S ning edasi arvutada
valemi (22.6) kohaselt:
PS = SD, P = SDS
1
, P
2
= SDS
1
SDS
1
= SD
2
S
1
, . . . , P
m
= SD
m
S
1
.
Diagonaalmaatriksi D astendamiseks tuleb astendada tema diagonaalil asuvaid ele-
mente:
D
m
=
_
_
_
_
_
_
_
_
_
t
m
1
0 . . . 0
0 t
m
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . t
m
n
_
_
_
_
_
_
_
_
_
.
Et maatriksil S leiduks poordmaatriks, peavad selle maatriksi veeruvektorid
olema lineaarselt soltumatud, s.t maatriksi S koostamiseks vajalikud maatriksi P
omavektorid
1
, . . . ,
n
peavad olema lineaarselt soltumatud.
77
23 Naide Markovi protsessi kohta
Sonastame jargmise kunstlikult p ustitatud ulesande.
Kaugel maade ja merede taga asub vaikeriik Kalvia, mille pealinnaks on Toigla.
Igal aastal soidab valjaspool Toiglat elavatest kalvialastest 1/10 elama Toiglasse ja
2/10 toiglalastest siirdub elama valjapoole Toiglat. Vaatleme, kuidas muutub Toigla
elanike koosseis aja t kasvades. Aega moodetakse siin aastates, t 0, 1, 2, . . ..
Tahistagu y
t
ajamomendil t valjaspool Toiglat elavate kalvialaste arvu ja z
t
elanike arvu Toiglas ajamomendil t. Vastavalt ulesande tingimustele
_
y
t+1
= 0, 9y
t
+ 0, 2z
t
,
z
t+1
= 0, 1y
t
+ 0, 8z
t
.
Tahistame
x(t) =
_
_
_
_
y
t
z
t
_
_
_
_
, P =
_
_
_
_
0, 9 0, 2
0, 1 0, 8
_
_
_
_
.
Siis
x(t + 1) = P x(t) = P
2
x(t 1) = . . . = P
t
x(0).
Maatriksi P astendamiseks leiame selle maatriksi omavaartused ja omavektorid:
1) Omavaartused leitakse vorrandist det(P tE) = 0:
det(P tE) =
0, 9 t 0, 2
0, 1 0, 8 t
= t
2
1, 7t + 0, 7 = 0,
t
1, 2
=
1, 7
_
1, 7
2
4 0, 7
2
=
1, 7 0, 3
2
,
t
1
= 1, t
2
= 0, 7 omavaartused.
2) Omavaartusele t
1
= 1 vastavate omavektorite (x
1
; x
2
)
T
koordinaadid leitakse
lineaarse homogeense vorrandis usteemi (P t
1
E)x = lahendina:
_
(0, 9 t
1
)x
1
+ 0, 2x
2
= 0
0, 1x
1
+ (0, 8 t
1
)x
2
= 0
_
0, 1x
1
+ 0, 2x
2
= 0
0, 1x
1
0, 2x
2
= 0
kust x
1
= 2x
2
. Siin tundmatu x
2
on vaba tundmatu. Kuna meie vajame ainult
uhte omavektorit, siis valime x
2
= 1. Nii saame uhe omavaartusele t
1
= 1 vastava
omavektori
1
= (2; 1)
T
.
3) Omavaartusele t
2
= 0, 7 vastavate omavektorite (x
1
; x
2
)
T
koordinaadid leitakse
lineaarse homogeense vorrandis usteemi (P t
2
E)x = lahendina:
_
(0, 9 t
2
)x
1
+ 0, 2x
2
= 0
0, 1x
1
+ (0, 8 t
2
)x
2
= 0
78
_
0, 2x
1
+ 0, 2x
2
= 0
0, 1x
1
+ 0, 1x
2
= 0
kust x
2
= x
1
. Siin tundmatu x
1
on vaba tundmatu. Kuna meie vajame ainult
uhte omavektorit, siis valime x
1
= 1. Nii saame uhe omavaartusele t
2
= 0, 7 vastava
omavektori
2
= (1; 1)
T
.
Vastavalt teoreemile 22.1 moodustame maatriksid D ja S:
D =
_
_
_
_
1 0
0 0, 7
_
_
_
_
, S =
_
_
_
_
2 1
1 1
_
_
_
_
.
Leides S
1
, saadakse
S
1
=
1
3

_
_
_
_
1 1
1 2
_
_
_
_
.
Seega
P
t
= SD
t
S
1
=
_
_
_
_
2 1
1 1
_
_
_
_
_
_
_
_
1
t
0
0 0, 7
t
_
_
_
_
_
1
3

_
_
_
_
1 1
1 2
_
_
_
_
_
=
=
1
3

_
_
_
_
2 0, 7
t
1 0, 7
t
_
_
_
_
_
_
_
_
1 1
1 2
_
_
_
_
=
=
1
3

_
_
_
_
2 + 0, 7
t
2 2 0, 7
t
1 0, 7
t
1 + 2 0, 7
t
_
_
_
_
,
x(t) = P
t
x(0) = P
t
_
_
_
_
y
0
z
0
_
_
_
_
,
_
y
t
=
1
3
((2 + 0, 7
t
)y
0
+ (2 2 0, 7
t
z
0
)
z
t
=
1
3
((1 0, 7
t
)y
0
+ (1 + 2 0, 7
t
z
0
)
Lastes ajal piiramatult kasvada, naeme, millisele piirseisundile vaadeldav protsess
laheneb:
lim
t
x(t) =
1
3

_
_
_
_
2y
0
+ 2z
0
y
0
+ z
0
_
_
_
_
= (y
0
+ z
0
)
_
_
_
_
2
3
1
3
_
_
_
_
.
Siin arv y
0
+z
0
tahistab kalvialaste arvu. Saadud piirvaartus naitab, et kauges tule-
vikus elab umbes 2/3 kalvialastest valjaspool pealinna ja 1/3 kalvialastest pealinnas
Toiglas
7
.
24 Markovi protsessi statsionaarsus
Vaadelgem Markovi protsessi x(t) maatriksiga P. Kui eksisteerib loplik piirvaartus
lim
t
x(t) = x, siis oeldakse, et see protsess omab statsionaarset seisundit
7
Eeldatakse, et Kalvias on nulliive.
79
x. Eelmises alajaotuses kirjeldatud protsess omas statsionaarset seisundit. Statsio-
naarne seisund x = (x
1
; x
2
; . . . ; x
n
)
T
rahuldab ilmselt seoseid
x
1
+ x
2
+ . . . + x
n
= 1, 0 x
i
1. (24.1)
Toome naite protsessist, mis ei oma statsionaarset seisundit.
Naide 24.1. Vaatleme Markovi protsessi maatriksiga
P =
_
_
_
_
0 1
1 0
_
_
_
_
.
Leides eelmise alajaotuse eeskujul maatriksi P aste P
t
, saadakse
t
1
= 1, t
2
= 1,
1
= (1; 1)
T
,
2
= (1; 1)
T
,
S =
_
_
_
_
1 1
1 1
_
_
_
_
, S
1
=
1
2

_
_
_
_
1 1
1 1
_
_
_
_
,
P
t
= SD
t
S
1
=
1
2

_
_
_
_
1 + (1)
t
1 + (1)
t+1
1 + (1)
t+1
1 + (1)
t
_
_
_
_
,
x(t) = P
t
x(0) =
1
2

_
_
_
_
x
1
(0) + x
2
(0) + (1)
t
(x
1
(0) x
2
(0))
x
1
(0) + x
2
(0) (1)
t
(x
1
(0) x
2
(0))
_
_
_
_
.
Siit on naha, et kui x
1
(0) ,= x
2
(0), siis lim
t
x(t) ei eksisteeri ja vaadeldav Markovi
protsess ei oma statsionaarset seisundit.
Teoreem 24.1 Kui maatriksiga P maaratud Markovi protsess x(t) omab statsio-
naarset seisundit x, siis see seisund x = (x
1
; x
2
; . . . ; x
n
)
T
on maatriksi P omavaar-
tusele 1 vastav omavektor, mille korral x
1
+ x
2
+ . . . + x
n
= 1.
Toestus. Omagu vaadeldav Markovi protsess statsionaarset seisundit, s.t.
lim
t
x(t) = lim
t
x(t + 1) = x.
Vektor x rahuldab seoseid (24.1). Seosest x(t + 1) = Px(t) saadakse piirile x
minnes vordus x = Px ehk (P E)x = . Viimane vorrandis usteem saab omada
null-lahendist erinevat lahendit x ainult siis, kui det(P E) = 0. Seega on arv
1 maatriksi P omavaartus ja x teoreemi vaiteid rahuldav omavaartusele 1 vastav
omavektor.
Teoreem 24.2 Arv 1 on alati Markovi maatriksi P = |p
ij
| omavaartuseks.
Toestus. Maatriksi P igas veerus olevate arvude summa vordub arvuga 1.
Seetottu maatriksi
P E =
_
_
_
_
_
_
_
_
_
p
11
1 p
12
. . . p
1n
p
21
p
22
1 . . . p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
. . . p
nn
1
_
_
_
_
_
_
_
_
_
80
igas veerus olevate arvude summa vordub nulliga, s.t.
1
+
2
+ . . . +
n
= , kus
1
,
2
, . . . ,
n
on maatriksi P E reavektorid ja on nullvektor. Jarelikult on
maatriksi P E reavektorid lineaarselt soltuvad ning selle maatriksi determinant
vordub nulliga: det(P E) = 0. See aga tahendabki, et arv 1 on maatriksi P
omavaartus.
Teoreem 24.3 Kui P on Markovi maatriks ja t on selle maatriksi omavaartus, siis
[t[ 1.
Toestus. Olgu t maatriksi P omavaartus, s.t. det(P tE) = 0. Kuna maatriksi
ja tema transponeeritud maatriksi determinandid langevad kokku, siis ka
det(P
T
tE) = 0 ja t on ka maatriksi P
T
omavaartus. Olgu x = (x
1
; x
2
; . . . ; x
n
)
T
omavaartusele t vastav maatriksi P
T
omavektor. Siis
P
T
x = tx,
n
i=1
p
ij
x
i
= tx
j
,
[t[ [x
j
[
n
i=1
p
ij
[x
i
[ max
i
[x
i
[
i=1
n
p
ij
= max
i
[x
i
[,
[t[ max
i
[x
i
[ max
i
[x
i
[, [t[ 1.
Teoreem 24.4 Olgu P = |p
ij
| Markovi maatriks ja x(t) selle maatriksiga maaratud
Markovi protsess. Kui p
ij
> 0 indeksite i ja j koigi vaartuste korral, siis see protsess
omab statsionaarset seisundit x ja see seisund ei soltu algseisundist x(0).
Toestus. Olgu taidetud teoreemi eeldused. Kui n = 1, siis teoreemi vaide ilmselt
kehtib. Seetottu eeldame, et n 2.
Valime mis tahes vektori b = (b
1
; b
2
; . . . ; b
n
)
T
, kus b
1
, b
2
, . . . , b
n
0 (b ),
ning vaatleme skalaarkorrutist
x(t) b = P
t
x(0) b = (P
t
x(0))
T
b = x(0)
T
(P
t
)
T
b = x(0) (P
t
)
T
b.
Siit selgub, et piisab naidata lopliku piirvaartuse lim
t
(P
t
)
T
b olemasolu iga b
korral. Toepoolest, siis eksisteerib loplik piirvaartus lim
t
(x(t) b) iga b korral
ja valides b
i
= 1 ning b
j
= 0, kui j ,= i, saadakse, et eksisteerib loplik piirvaartus
lim
t
x
i
(t) iga i vaartuse korral. See aga tahendabki, et eksisteerib piirvaartus
lim
t
x(t).
Jargnevalt naitamegi, et leidub loplik piirvaartus lim
t
(P
t
)
T
b iga b korral.
Tahistame
z(t) = (P
T
)
t
b =
_
_
_
_
_
_
_
z
1
(t)
.
.
.
z
n
(t)
_
_
_
_
_
_
_
= (z
1
(t); . . . ; z
n
(t))
T
.
Siis
z(t + 1) = P
T
z(t), z
j
(t + 1) =
n
i=1
p
ij
z
i
(t).
81
Tahistame vektori z(t) suurimat ja vahimat koordinaati vastavalt u(t) ja v(t):
u(t) = max
i
z
i
(t), v(t) = min
i
z
i
(t).
Vektori z(t) valiku kohaselt u(t) 0 ja v(t) 0. Kuna u(t +1) = z
k
(t +1) mingi k
korral, siis
u(t + 1) = z
k
(t + 1) =
n
i=1
p
ik
z
i
(t)
n
i=1
p
ik
max
l
z
l
(t) =
= max
l
z
l
(t)
n
i=1
p
ik
= u(t) 1 = u(t).
Jarelikult on jada u(t)
t=0, 1, 2,...
monotoonselt kahanev ja tokestatud alt arvuga
0. Analoogiliselt veendutakse, et jada v(t)
t=0, 1, 2,...
on monotoonselt kasvav ja
tokestatud ulalt arvuga u(0). Matemaatilise anal u usi kursuses naidatakse, et mono-
toonne ja tokestatud jadal eksisteerib alati piirvaartus. Seega eksisteerivad pi-
irvaartused
lim
t
u(t), lim
t
v(t).
Tahistagu p maatriksi P vahimat elementi:
p = min
i, j
p
ij
.
Kuna n 2, siis p 1/2. Siis mingi indeksi l vaartuse korral
u(t + 1) =
n
i=1
p
il
z
i
(t). (24.2)
Kui
v(t) = min
i
z
i
(t) = z
k
(t),
siis vordusest (24.2) saadakse
u(t + 1) =
n
i=1
p
il
z
i
(t) =
n
i=1, i=k
p
il
z
i
(t) + p
kl
v(t)
i=1, i=k
p
il
u(t) + p
kl
v(t) =
n
i=1
p
il
u(t) + p
kl
v(t) p
kl
u(t)
u(t)
n
i=1
p
il
+ p
kl
(v(t) u(t)) = u(t) + p
kl
(v(t) u(t))
u(t) + p(v(t) u(t)) = (1 p)u(t) + pv(t)
ehk
u(t + 1) (1 p)u(t) + pv(t). (24.3)
82
Analoogiliste arutlustega naidatakse vorratus
v(t + 1) (1 p)v(t) + pu(t). (24.4)
Vorratusest (24.3) vorratust (24.4) lahutades saadakse
0 u(t + 1) v(t + 1) (1 p)(u(t) v(t)) + p(v(t) u(t)) =
= (1 2p)(u(t) v(t)). (24.5)
Vorratusest (24.5) jareldub induktsiooniga vorratus
0 u(t) v(t) (1 2p)
t
(u(0) v(0)). (24.6)
Vorratusest (24.6) jareldub, et
lim
t
u(t) = lim
t
v(t) = u R
ja
lim
t
z(t) = lim
t
(P
T
)
t
b = (u; u; . . . ; u)
T
= u (1; 1; . . . ; 1)
T
.
Jarelikult eksisteerib ka loplik piirvaartus lim
t
x(t) = x. Vektori x soltumatus
algolekust x(0) jareldub asjaolust, et x on maaratav vordusest x = Px.
83

Op Anal 2005

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Op Anal 2005

Uploaded by

Copyright:

Available Formats

1.loeng: 1.

Ulesanne (3.3) kujutabki endast lineaarset planeerimis ulesannet.

Ulesande (7.1) lubatava baasilahendi leidmine toimub jargmiselt:

Ulesanded (8.1) ja (8.2) mittemaatrikskujul naevad valja vastavalt kujudel

Ulesanne (8.3) on samavaarne ulesandega

Ulesanne (8.5) on juba kanoonilisel kujul ja temaga duaalne ulesanne on

Ulesandega (8.7) duaalne ulesanne on (8.6).

Ulesanne (8.9) ongi ulesandega (8.8) duaalne ulesanne.

Ulesanded (9.1) ja (9.2) on omavahel duaalsed ulesanded ning samuti on ulesanded

Ulesandega (10.1) duaalne ulesanne on

Ulesande (10.5) duaalne ulesanne on

vastavalt ulesannete (11.1) ja (11.2) optimaalseid lahendeid

Ulesannete (11.3) ja (11.4) optimaalsed lahendid erinevad uldjuhul ulesannete (11.1)

, erinedes nendest vastavalt x

vorra, s.t. ulesannete (11.3) ja (11.4) optimaalsed lahendid on vastavalt x

. Analoogiliselt olgu ulesannete (11.3) ja (11.4) sihifunktsioonid vaartused

= . Sellisel juhul vordus (11.5) votab kuju

Ulesandele (12.4) vastab simplekstabel

Ulesande (13.2) lahendamiseks on valja tootatud rida meetodeid, milledest tun-

on ka ulesande (13.2) lahend;

komponendid pole taisarvud, siis lisatakse ules-

on ulesande (13.2) lahend; lisakitsendusi lisatakse

Ulesannet (14.2) saab muidugi lahendada simpleksmeetodiga. Ent transport-

Teoreem 14.2 Kui koik arvud a

Saadud transporttabelis on uus lubatav lahend vaadeldava transport ulesande

, mis annab maksimumi avaldisele

, mis annab miinimumi avaldisele

. Saadud lahendid naitavad, et mangu kor-

on maatriksmangu lahendid, siis mangu hind (y

Ulesanded (19.1) ja (19.2) maatrikskujul on vastavalt

rahuldavadki vorratusi (19.5):

on vaadeldava mangu lahendid ning (y

vorratusi (19.5) rahuldavad segastrateegiad. Siis ilmselt

, mangu hinnaks aga arv h + .

Ulesande (20.1) optimaalne lahend x = ( x

saab anda esialgse ulesande vastuse: kogutoodangust

Ulesande (20.5) optimaalne lahend x = ( x

Funktsiooni f(p) graak on kujutatud joonisel rasvaselt ja ta koosneb kahest

saadakse, leides funktsiooni f(p) maksimumkoha

Funktsiooni g(q) graak on kujutatud joonisel rasvaselt ja ta koosneb kahest

saadakse, leides funktsiooni g(q) mmiinimumkoha

loigul [0; 1].

Moodustame antud maatriksi igale veerule vastavalt uhe sirge ja joonestame

annabki esimese mangija optimaalse segastrateegia y

= 1/2. Seega esimese mangija optimaalne segastrateegia on

Ulalt jooniselt on naha, et maatriksiga

You might also like