CERCETĂRI OPERAŢIONALE

1. Etapele principale ale cercetării operaţionale. Obiectivele şi criteriile de
eficienţă a problemelor decizionale.
Cercetarea operationala reprezinta ansamblul de principii, metode si mijloace destinate
elaborarii de modele matematice ale fenomenelor si proceselor manageriale, în vederea adoptarii unor
decizii care sa contribuie la modificarea acestora în directia dorita de manager. Cercetarea
operationala se bazeaza pe aplicarea combinata a principiilor analizei stiintifice, logicii si interpretarii
în scopul solutionarii unor probleme cantitative care se pun la adoptarea deciziilor manageriale.
Principalele obiective ale cercetarii operationale sunt urmatoarele:
a) fundamentarea cantitativa a deciziilor;
b) compararea variantelor decizionale posibile de organizare a operatiilor;
c) evaluarea influentelor probabile ale diferi-tilor factori asupra rezultatelor societatii comerciale.
Cercetarea operationala are urmatoarele etape:
a) definirea problemei;
b) conceperea modelului matematic al fenomenului sau operatiei;
c) analiza modelului si formularea deciziei;
d) verificarea adecvarii modelului la feno-men sau operatie si analiza calitatii deciziei;
e) corectarea modelului si a deciziei;
f) aplicarea deciziei si urmarirea realizarii ei.
Printre cele mai frecvente si semnificative teme abordate de cercetarea operationala mentionam:
a) alege-rea amplasamentului unei sectii, uzine sau fabrici;
b) sta-bilirea metodelor optime de distributie-depozitare;
c) operatii de echilibrare a liniilor de productie în flux;
d) prognoze privind forta de munca si capacitatile de productie;
e) proiectarea sistemelor financiar-contabile si de control financiar;
f) alegerea tematicii de cercetare-dezvoltare si altele.
2. Clasificarea problemelor cercetării operaţionale: probleme decizionale în
condiţii de certitudine, risc şi incertitudine. Regulile decizionale în condiţii
de incertitudine şi risc.
Clasificarea problemelor cercetării operaţionale:
1. După conţinut
• Planul optim de producţie
• Problema de transport
• Problema stocurilor
• Planificarea şi gestiunea proiectelor
• Teoria grafurilor
2. După numărul de scopuri puse
• Cu un singur scop (unicriteriale)
• Cu mai multe scopuri (multicriteriale)
3. După informaţia disponibilă
• Probleme decizionale în condiţii de certitudine
• Probleme decizionale în condiţii de risc
• Probleme decizionale în condiţii de incertitudine
Regulile decizionale în condiţii de incertitudine:
MaxMax
a.
b.
MaxMin
a.
b.
1
Hurwicz
a. 0≤α≤1
b.
LaPlace
a.
b.
Savage(MinMax)
a.
b.
Regulile decizionale în condiţii de risc:
Regula maximizării profitului mediu sperat
a.
b.
Regula minimizării regretului mediu
a.
b.
3. Modele liniare ale problemelor de cercetare operaţională: exemple de
probleme, modele matematice ale lor.
Structura modelului general de programare liniară se constituie în primul rând prin mulţimea de
activităţi {A
1
, A
2
, ... A
n
} care compun sistemul economic analizat, mulţimea de resurse utilizate {R
1
,
R
2
, ... R
m
} precum şi prin relaţiile tehnico-economice dintre acestea. Legătura dintre activităţi şi
resurse este determinată de tehnologia de fabricaţie corespunzătoare fiecărei activităţi A
j
(j=1,...,n) şi
poate fi caracterizată numeric prin vectorul coloană a
(j)
de componente (a
1j
, a
2j
, ... a
mj
). Elementele {a
ij
, i
= 1,...,m; j = 1,...,n} se numesc coeficienţi tehnici sau coeficienţi de consum specific şi arată ce
cantitate din resursa R
i
se consumă pentru producerea unei unităţi din produsul (serviciul) P
j
(ca
rezultat al activităţii A
j
). Toate "tehnologiile" de fabricaţie definite de vectorii coloană a
(j)
se pot
organiza într-o matrice A cu m linii şi n coloane; fiecare linie se referă la o resursă R
i
(i = 1,...,m) şi
fiecare coloană se referă la o activitate A
j
(j = 1,...,n).
Notând cu x
j
(j = 1,...,n) rezultatul activităţii A
j
într-o perioadă dată şi cu b
i
(i = 1,...,m)
cantităţile disponibile din resursele R
i
(i = 1,...,m), se pot scrie matematic următoarele restricţii tehnico-
economice:
(1)
m n mn 2 m2 1 m1
2 n 2n 2 22 1 21
1 n 1n 2 12 1 11
b x a ... x a x a
b x a ... x a x a
b x a ... x a x a
≤ + + +
≤ + + +
≤ + + +
           
sau A⋅ x ≤ b
unde A =

,
_

¸
¸
mn m2 m1
2n 22 21
1n 12 11
a a a
a a a
a a a

   


; x =

,
_

¸
¸
n
2
1
x
x
x

şi b =

,
_

¸
¸
n
2
1
b
b
b

Modelul matematic pentru problema linară.
xj – cantitatea de producţie de tip j
2
P1 P2 … Pn Disp.
R1 a11 a12 … a1n b1
R2 a21 a22 … a2n b2
… … … … … …
Rm am1 am2 … amn bm
c1 c2 … cn
m n mn 2 m2 1 m1
2 n 2n 2 22 1 21
1 n 1n 2 12 1 11
b x a ... x a x a
b x a ... x a x a
b x a ... x a x a
≤ + + +
≤ + + +
≤ + + +
           
4. Probleme de programare liniară (PPL); formele de prezentare. Noţiune de
soluţie (soluţie admisibilă; soluţie de bază; soluţie de reper şi soluţie optimă).
Dacă
într-o problemă de programare matematică funcţia obiectiv f şi funcţiile g
i
, din restricţiile 1.2, sunt funcţii
liniare atunci problema se numeşte problemă de programare liniară. O problemă de programare liniară este,
deci, un caz particular al problemelor de programare matematică şi, ţinând cont de forma oricărei funcţii
liniare, rezultă că forma generală a oricărei probleme de programare liniară este:
Formele de prezentare:
1. Forma simetrică
a) Pentru forma de maxim
( )
¹
¹
¹
'
¹

· ≤ ⋅ + + ⋅ + ⋅
⋅ + + ⋅ + ⋅ ·
0 x ,..., x , x
n 1,..., i b x a ... x a x a
x c ... x c x c max
n 2 1
i n in 2 i2 1 i1
n n 2 2 1 1
f
3
b) Pentru forma de minim
( )
¹
¹
¹
'
¹

· ≥ ⋅ + + ⋅ + ⋅
⋅ + + ⋅ + ⋅ ·
0 x ,..., x , x
n 1,..., i b x a ... x a x a
x c ... x c x c min
n 2 1
i n in 2 i2 1 i1
n n 2 2 1 1
f
2. Forma standard
( ) ( )
¹
¹
¹
'
¹

· · ⋅ + + ⋅ + ⋅
⋅ + + ⋅ + ⋅ ·
0 x ,..., x , x
n 1,..., i b x a ... x a x a
x c ... x c x c max sau min
n 2 1
i n in 2 i2 1 i1
n n 2 2 1 1
f
3. Forma canonică
O ppl este în forma canonică dacă în fiecare restricţie a modelului din forma standard există cîte o
variabilă cu coef. 1 iar în celelalte restricţii aceasta are coef. 0.
În teoria programării matematice se folosesc, pentru claritatea şi simplitatea expunerii, următoarele noţiuni:
soluţie a problemei de
optimizare
=
un vector x ∈ R
n
care verifică restricţiile 1.2
soluţie admisibilă a
problemei de
optimizare
=
un vector x ∈ R
n
care verifică restricţiile 1.2 şi 1.3 ⇔ o soluţie care
verifică restricţiile 1.3
soluţie optimă a
problemei de
optimizare
=
un vector x ∈ R
n
care verifică restricţiile 1.2 şi 1.3 şi optimizează
funcţia obiectiv pe mulţimea tuturor vectorilor cu această
proprietate
⇔ o soluţie care verifică restricţiile 1.3 şi optimizează funcţia
obiectiv pe mulţimea tuturor soluţiilor cu această proprietate
⇔ o soluţie admisibilă care optimizează funcţia obiectiv pe
mulţimea soluţiilor admisibile
5. Proprietăţile fundamentale ale PPL( teoremele principale). Interpretarea
geometrică a PPL. Metoda grafică de soluţionare a PPL.
4
Greutatea găsirii soluţiei problemei constă în imensitatea numărului de soluţiilor posibile ale
sistemului şi în respectarea condiţiei de nenegativitate a celor printre care căutăm extremul dorit al
funcţiei f. Este natural ca primele încercări în rezolvare să caute în primul rând o limitare cât mai
puternică a locului în care căutăm. Pe baza unor reprezentări geometrice ale problemei au fost descoperite
următoarele proprietăţi ale problemei, care poartă denumirea de teoreme fundamentale ale programării
liniare:
Teorema 1. Dacă problema de programare liniară are soluţii admisibile atunci are şi soluţii de bază
admisibile.
Teorema 2. Dacă problema de programare liniară are soluţii optime atunci are şi soluţii optime de
bază.
Teorema 3. Mulţimea soluţiilor admisibile (optime) este închisă şi convexă. Dacă este şi mărginită atunci
punctele extremale ale acesteia sunt chiar soluţiile admisibile (optime) de bază ale problemei.
Cele două teoreme realizează efectiv trecerea către o problemă rezolvabilă pe calculator. Într-adevăr,
deoarece o bază este un minor de ordinul m al matricii A şi unei baze îi corespunde o unică soluţie de bază
rezultă că sunt cel mult C soluţii de bază, adică un număr finit. În acest moment s-ar părea că nu avem decât
să lăsăm calculatorul să calculeze toate soluţiile de bază şi valorile funcţiei obiectiv în cele admisibile
găsind-o prin comparare pe cea care dă minimul sau maximul funcţiei printre acestea.
Ex:
Pas 1.
DVA: OABCD
6. Metoda simplex de soluţionare a PPL.
Algoritmul simplex pleacă de la presupunerea că dispunem deja de o soluţie admisibilă de bază xB,
corespunzătoare unei baze B. De asemenea, presupunem că am rezolvat sistemul A⋅x = b folosind această
bază, rezultând astfel variabilele principale în funcţie de cele secundare:
5
D O
9 4
2
6
x2
x1
B
C
A
Exemplu: Fie problema de programare liniară:
( )
¹
¹
¹
'
¹
· ≥
≤ + + + + +
≤ + + + + +
≤ + + + + +
+ + + + + ·
1,...,6 i , 0 x
11 x 2 x x 2 x 2 x 3x
15 x 2 x 3 x x 3 x 2 2x
8 x x 3 x x x 2 x
x 5 x 3 x 4 x x 2 x 3 max
i
6 5 4 3 2 1
6 5 4 3 2 1
6 5 4 3 2 1
6 5 4 3 2 1
f
pentru care ştim că baza formată din coloanele a
1
, a
2
, a
3
este admisibilă. Pentru rezolvare vom aduce
problema la forma standard de maxim introducând variabilele de abatere x
7
, x
8
, x
9
obţinând:
( )
¹
¹
¹
'
¹
· ≥
· + + + + + +
· + + + + + +
· + + + + + +
+ + + + + ·
1,...,9 i , 0 x
11 x x 2 x x 2 x 2 x 3x
15 x x 2 x 3 x x 3 x 2 2x
8 x x x 3 x x x 2 x
x 5 x 3 x 4 x x 2 x 3 max
i
9 6 5 4 3 2 1
8 6 5 4 3 2 1
7 6 5 4 3 2 1
6 5 4 3 2 1
f
Vom aşeza în tabelul simplex variabilele în ordinea indicilor şi vom avea:
c =

,
_

¸
¸
0
0
0
5
3
4
1
2
3
, A =

,
_

¸
¸
1 0 0 2 1 2 2 1 3
0 1 0 2 3 1 3 2 2
0 0 1 1 3 1 1 2 1
, B =

,
_

¸
¸
2 1 3
3 2 2
1 2 1
, cB =

,
_

¸
¸
1
2
3
vom calcula matricea B
-1
=

,
_

¸
¸
− −
− −

7
2
7
5
7
4
7
1
7
1
7
5
7
4
7
3
7
1
şi pe baza acesteia soluţia de bază
x
B
= B
-1
* b =

,
_

¸
¸
3
2
1
şi
matricea B
-1
⋅ A =

,
_

¸
¸
− − −
− −
− −
7
2
7
5
7
4
7
2
7
1
7
3
1 0 0
7
1
7
1
7
5
7
1
7
11
7
2
0 1 0
7
4
7
3
7
1
7
3
7
2
7
6
0 0 1
care se trec în tabelul
simplex:
6
3 2 1 4 3 5 0 0 0
c
B
x
B
x
B
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
3
2
1
x
1
x
2
x
3
1
2
3
7
2
7
5
7
4
7
2
7
1
7
3
1 0 0
7
1
7
1
7
5
7
1
7
11
7
2
0 1 0
7
4
7
3
7
1
7
3
7
2
7
6
0 0 1
− − −
− −
− −
şi în final se vor calcula valoarea funcţiei obiectiv în această soluţie, z
j
şi ∆
j
:
3 2 1 4 3 5 0 0
0
c
B
x
B
x
B
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
3
2
1
x
1
x
2
x
3
1
2
3
7
2
7
5
7
4
7
2
7
1
7
3
1 0 0
7
1
7
1
7
5
7
1
7
11
7
2
0 1 0
7
4
7
3
7
1
7
3
7
2
7
6
0 0 1
− − −
− −
− −
10
7
8
7
6
7
9
7
13
7
17
7
19
1 2 3 −
7
8
7
6
7
9
7
22
7
4
7
9
0 0 0 − − − −
Din tabel se observă că există ∆
j
< 0, aceştia fiind ∆
4
, ∆
5
, ∆
6
, ∆
8
iar minimul lor este ∆
6
.
Observaţie Dacă vom căuta acel ∆
j
care dă cea mai bună îmbunătăţire vom avea de găsit acel ∆
j
dintre cei
negativi pentru care se obţine

,
_

¸
¸
⋅ ∆ −
>
≤ ≤
< ∆
≤ ≤
ij
i
0 a
3 i 1
j
0
9 j 4
a
min max
ij
j
x
şi deci de calculat:
i4
i
0 a
3 i 1
4
a
min
i4
x
>
≤ ≤
⋅ ∆ −
=

,
_

¸
¸

7
2
7
6
2
,
1
min
7
9
=
2
3
i5
i
0 a
3 i 1
5
a
min
i5
x
>
≤ ≤
⋅ ∆ −
=

,
_

¸
¸

7
1
7
11
3
,
2
min
7
4
=
11
8
i6
i
0 a
3 i 1
6
a
min
i6
x
>
≤ ≤
⋅ ∆ −
=

,
_

¸
¸

7
2
7
1
7
3
3
,
2
,
1
min
7
22
=
3
22
7
i8
i
0 a
3 i 1
8
a
min
i8
x
>
≤ ≤
⋅ ∆ −
=

,
_

¸
¸

7
5
3
min
7
6
=
5
18
şi în final max (
2
3
,
11
8
,
3
22
,
5
18
) =
3
22
şi corespunde tot lui ∆
6
.
În concluzie, soluţia actuală nu este optimă şi soluţia cea mai bună dintre cele posibile ca succesoare va
avea variabila x
6
printre cele principale.
Analizând coloana a
6
observăm că există componente strict pozitive (de fapt, în acest caz sunt chiar toate)
şi calculăm pentru acestea rapoartele θ
i
obţinând:
θ
1
=
7
3
1
=
3
7
, θ
2
=
7
1
2
= 14, θ
3
=
7
2
3
=
2
21

deci minimul corespunde variabilei x
1
şi aceasta este cea care va ieşi din bază. În cest moment cunoaştem
noua bază şi vom construi tabelul simplex pe baza regulilor de calcul de la pasul 4:
1. pivotul este a
16
=
7
3
4. de exemplu, pentru elementul de pe poziţia a
34
avem dreptunghiul:
şi noua valoare de pe această poziţie va fi:
7
3
7
2
7
6
7
3
7
3
⋅ −

,
_

¸
¸
− ⋅
= –1
În final, tabelul corespunzător noii baze va fi:
3 2 1 4 3 5 0 0 0
c
B
x
B
x
B
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
5
2
1
x
6
x
2
x
3
3
7
3
5
3
7
3
2
1
3
2
0
3
1
1 1 0
3
2
3
1
0
3
2
0
3
5
0 0 1
3
1
3
4
1
3
1
1
3
2
2 0 0
3
7
− − − −
− −
− −
3
52
3
16
4
3
7
0
3
8
5 0 0
3
22
− −
Continuând algoritmul vom găsi tabelele:
3 2 1 4 3 5 0 0 0
8
7
6
7
3

7
3
7
2
c
B
x
B
x
B
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
5
2
0
x
6
x
2
x
8
3
14
3
5
3
7
3
2
1
3
2
0
3
1
1 1 0
3
2
3
1
0
3
2
0
3
5
0 0 1
3
1
3
2
0
3
1
1
3
1
1 1 0
3
5
− − − −
− −
− −
3
80
3
8
0
3
1
0
3
4
1 4 0
3
14
− −
3 2 1 4 3 5 0 0 0
c
B
x
B
x
B
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
5
3
0
x
6
x
5
x
8
5
1
2
5
3
1
5
4
0 0 1 1
5
1
5
3
5
1
0
5
2
0 1 0 0
5
3
5
1
5
3
0
5
1
1 0 1 1
5
1
5
8
− − − − −
− −

28
5
2
0
5
1
0 0 1 4
5
4
5
22
Ultimul tabel conţine soluţia optimă, deoarece toţi ∆
j
≥ 0. Deoarece nu mai există nici un ∆
j
= 0 în afara
celor din bază rezultă că soluţia optimă este unică.
7. Dualitatea în programarea liniară. Teoremele fundamentale ale teoriei
dualităţii.
În principiu, oricărei probleme de programare liniară i se asociază o alta, numită duala sa şi în esenţă
teoria dualităţii constă în studiul relaţiilor dintre cele două probleme. Fireşte, construcţia problemei duale
depinde nemijlocit de structura problemei iniţiale denumită şi problema primală. Întotdeauna sensul
optimizării în cele două probleme este diferit: dacă în primală funcţia obiectiv se maximizează (se
minimizează) în duală funcţia obiectiv se minimizează (se maximizează). Studiul şi interpretarea economică
a problemei duale aduc informaţii suplimentare în analiza proceselor economice şi în fundamentarea
deciziilor.
Pentru a conferi construcţiei problemei duale maxima generalitate vom slăbi condiţia de nenegativitate
impusă tuturor variabilelor , admiţând că
unele din ele nu pot lua decât valori nepozitive (≤ 0) în timp ce altele pot lua orice valoare reală.
Cu această observaţie duala unei probleme de programare liniară cu m restricţii şi n variabile se construieşte
după următoarele reguli:
1) Dacă în primală funcţia obiectiv se maximizează (respectiv se minimizează) în problema duală funcţia
obiectiv se minimizează (respectiv se maximizează).
2) Restricţiei de rang i , i=1,...,m din primală îi corespunde în duală o variabilă ui; dacă restricţia primală
este o inegalitate concordantă (respectiv neconcordantă, respectiv o egalitate) variabila duală asociată este
nenegativă (≥0), ( respectiv nepozitivă (≤0), respectiv fără restricţie de semn).
3) Variabilei xj , j=1,...,n din problema primală îi corespunde în duală restricţia de rang j. Membrul stâng al
acestei restricţii este o combinaţie liniară a variabilelor duale ui realizată cu coeficienţii variabilei xj din
toate restricţiile primalei (aceştia sunt aij, i=1,...,m). Termenul său liber este coeficientul cj al lui xj din
funcţia obiectiv primală. În fine, dacă variabila primală xj este nenegativă (respectiv nepozitivă, respectiv
9
fără restricţie de semn) restricţia duală asociată va fi o inegalitate concordantă (respectiv neconcordantă,
respectiv o egalitate).
4) Coeficienţii funcţiei obiectiv ai problemei duale sunt termenii liberi bi ai restricţiilor problemei primale.
Teorema (Teorema fundamentală a dualităţii) Pentru un cuplu de probleme în dualitate una şi numai una
din următoarele situaţii este posibilă:
1) Ambele probleme au soluţii admisibile; atunci ambele au soluţii optime şi valorile optime ale funcţiilor
obiectiv coincid.
2) Numai una din probleme are soluţii admisibile, iar cealaltă nu are; atunci problema compatibilă are optim
infinit.
3) Nici una din probleme nu are soluţii admisibile.
8. Interpretarea economică a dualităţii în programarea liniară. Preţurile umbră
ale factorilor de producţie şi rolul lor în analiza modelelor liniare.
Considerăm o întreprindere care produce bunurile G1,G2,...,Gm la preţurile c1,c2,...,cn folosind pentru
aceasta mai multe resurse R1,R2,...,Rm disponibile în cantităţile limitate b1,b2,...,bm. Consumurile specifice
de resurse pentru unul sau altul din bunurile realizabile de către firmă sunt specificate în matricea:
Obiectivul firmei este maximizarea veniturilor rezultate din vânzarea bunurilor produse. În ipotezele de
liniaritate uzuale, programul liniar pentru determinarea combinaţiei optime de bunuri este:
Să notăm cu combinaţia de bunuri care aduce firmei venitul maxim :

Dacă admitem că singura posibilitate a firmei de a obţine venitul V* constă în transformarea resurselor
disponibile în bunuri conform programului x* şi vânzarea acestora este natural să ne întrebăm care este
contribuţia fiecărei resurse în parte la formarea acestui venit.
La baza discuţiei vom pune aceleaşi ipoteze de liniaritate care ne-au condus la modelul matematic (P) şi
anume:
• contribuţia unei resurse la venitul maxim al firmei este - pînă la o anumită limită - direct proporţională cu
cantitatea disponibilă;
10
• nivelul contribuţiei unei resurse nu este condiţionat de celelalte resurse , ci numai de cantitatea în care ea se
află disponibilă.
2) Relaţia (2.4.1) rescrisă în forma f(x*) = g(u*), coroborată cu teorema de dualitate 2.3.1, ne arată că u* este
chiar soluţia optimă a problemei duale Q.
Astfel, am găsit un conţinut economic coerent variabilelor duale u1, u2,..., um din problema duală (Q). Ele
reprezintă nişte valori băneşti asociate la câte o unitate din fiecare resursă disponibilă a firmei şi exprimă
aportul unitar al fiecărei resurse la formarea venitului maxim. Strict dimensional, variabilele u1, u2,..., um
au semnificaţia unor preţuri ataşate resurselor. Totuşi aceste preţuri nu au nimic comun cu valoarea
intrinsecă a resurselor ci - aşa cum a rezultat din interpretarea dată - reflectă numai măsura participării lor la
formarea venitului
maxim. Tocmai pentru a preveni identificarea lor cu preţurile reale ale resurselor, în literatura de
specialitate, aceste entităţi au fost denumite preţuri umbră (shadow prices).
11
12