Professional Documents
Culture Documents
Studija Slucajeva Iz Operacionih Istrazivanja - Ekspozicij
Studija Slucajeva Iz Operacionih Istrazivanja - Ekspozicij
f,f
123
2007/2008
ii
_________________________________________________________________________________________________________
ZRENJANIN, 2007.
Sadr#aj
_________________________________________________________________________________________________________ __________________________________________________________________________________________________________
! #% &, ' ( * +, RTVW 2X Z R\ V] Z X ^ ` Z 2 b c 3 ^ e Z 1 2 c O2 g 2 RTe Z i 2 ` Z j Z + H FLD: >=?=@ H B J 6thcad-B ' ( * +, . 012 , 3 . 578 : . <012 , bM H k 6l =l : TH m l =oF= p 6FB98H 8 %' ) +-/ 0 2 46' 8, 2007. (bM H k 6l =l : 94: 4; 80= ? ). + 95 L8M .; 25 ?q . T=M 6r 200. + G=E9=: <M 6p =@ 6: 94-95. 2 RGO 978-86-7672-083-5 1 c G2 RR.Re -2 W 6) c DH M 6?=: l 6 =L8M 6r =Q 6k 6, E) Z D9=F68=Q l = DM : <M 6q s Mathcadt , Q ) e 6oBl 6M LF6 L=q B96?=@ 6.
_____________________________________________________________________________________________
Ovu knjigu je odobrilo Nau no-nastavno ve% e odlukom od 27. 06. 2007. god. kao ud/ benik za studente Tehni kog fakulteta "M. Pupin" u Zrenjaninu, Univerziteta u Novom Sadu. Sva prava zadr/ ana. Nije dozvoljeno nijedan deo knjige reprodukovati, uklju uju% i fotokopiranje, snimanje, skeniranje ili bilo koji drugi na in bele/ enja, bez prethodne pismene dozvole izdava a.
ii
Sadr`aj
_________________________________________________________________________________________________________
Predgovor
Knjiga Studija slu ajeva iz OPERACIONIH ISTRA# IVANJA % ekspozicije u Mathcad-u predstavlja sa/ etu materiju nastalu tokom vi#egodi#njeg dr/ anja nastave na Tehni kom fakultetu s Mihajlo Pupint u Zrenjaninu. Gradivo ove knjige mo/ e biti podjednako interesantno studentima vi#e profila ovog fakulteta: Profesorima informatike, In/ enjerima informatike, Profesorima tehnike i informatike, Dipl. in/ enjerima za upravljanje tehni kim sistemima i drugima. Knjiga sadr/ i algoritme i metode za re#avanje specifi ne klase problema iz domena operacionih istra/ ivanja koji su dobrim delom matemati ki orijentisani. Njena poglavlja se odnose na:
p p p p p p p p p p p p p
Linearno programiranje. Transpotni problem. Fazi linearno programiranje. Problem asignacije radnih mesta. DinamiAko programiranje. Lanci Markova. Masovno opslu#ivanje. Teorija igara. Vi ekriterijumska optimizacija. Nelinearno programiranje. HeuristiAko istra#ivanje. Simulaciono modeliranje (Monte-Karlo). Upravljanje zalihama.
Nakon uvodnog upoznavanja sa istorijom predmetne oblasti slede problemi izlo/ eni po poglavljima u navedenom redosledu. Svako poglavlje sadr/ i matemati ke postupke, bez iscrpnih dokaza, sa naglaskom na pragmati nost i aplikativnost metoda i postupaka operacionih istra/ ivanja. Prate% i kompakt disk upotpunjuje sadr/ aj knjige i pru/ a studentu dovoljnu i potrebnu materiju putem, reprezentativnih fajlova, razvrstanih po poglavljima (folderima). Autori se zahvaljuju dr Milanu Bojanovi% u, direktoru kompanije CPS-CAD Professional Sys. iz Beograda i mr Sr, anu - ereru prof. engleskog jezika + lektoru, na korisnim sugestijama pri zavr#noj redakciji ovog ud/ benika. Posebnu se zahvaljujemo recenzentima ud/ benika, prof. dr Mirku Vujo#evi% u, sa Fakulteta organizacionih nauka iz Beograda i Draganu Radojevi% u sa Instituta Mihajlo Pupin u Beogradu. U Zrenjaninu, 02. 08. 2007. Autor
Sadr#aj
_________________________________________________________________________________________________________
Sadr#aj
Str.
Razvoj operacionih istra=ivanja ............................................................................................ 1 1. LINEARNO PROGRAMIRANJE ................................................................................. 2 1.1 Optimizacija proizvodnog programa [LP1.mcd] .......................................................... 2 1.2 Optimizacija tableta vitamina [LP7.mcd] ..................................................................... 4 1.3 Optimizacija proizvodnog programa asortiman / koli ina [LP2.mcd] .......................... 5 1.4 Model linearnog programiranja sa dve promenljive [LP4.mcd] ................................... 7 1.5 Optimizacija broja raketa [LP9_1.mcd] ....................................................................... 9 1.6 Optimizacija koli;ine sirovina hemijskih proizvoda [LP8.mcd] ................................ 11 1.7 Dualni model linearnog programiranja [LP5.mcd]...................................................... 13 2. FAZI LINEARNO PROGRAMIRANJE ................................. .................................. 15 2.1 Optimizacija proizvodnog programa na osnovu fazi mera [LPF1.mcd] ..................... 15 3. TRANSPORTNI PROBLEM ........................................................................................ 19 3.1 Transportni zadatak uz minimalne tro#kove [TP1.mcd] ............................................. 19 3.2 Transportni zadatak uz minimalne tro#kove [TP2.mcd] ............................................. 21 3.2 Transportni problem maksimuma dobiti [TP6.mcd] ................................................... 23 3.4 Transportni problem maksimuma dobiti [TP4.mcd] ................................................... 25 3.5 Transportni zadatak minimuma tro#kova [TP5.mcd] .................................................. 28 3.6 Transportni zadatak minimuma tro#kova [TP6.mcd] .................................................. 30 3.7 Transportni zadatak minimuma tro#kova [TP8_2.mcd] .............................................. 32 4. PROBLEMI ASIGNACIJE ................................. .......................................................... 35 4.1 Raspodela radnika na poslovima [A1a.mcd] ............................................................... 35 4.2 Raspore, ivanje poslova [A2a.mcd]............................................................................. 37 4.3 Raspore, ivanje poslova [A2a_2.mcd]......................................................................... 39 4.4 Otvoreni problem raspore, ivanja poslova [A .mcd] .................................................. 42 4.5 Raspore, ivanje studenata [A7a_2.mcd] ...................................................................... 44 5. NELINEARNO PROGRAMIRANJE ......................................................................... 48 5.1 Jedan model nelinearnog programiranja [NP1.mcd] ................................................... 48 5.2 Maksimizacija profita metodom nelinearnog programiranja [NP2.mcd].................... 52 5.3 Uslovi optimalnosti proizvodnje [NP3.mcd] .............................................................. 53 5.4 Funkcija korisnosti-optimalni obim kupovine dobara [NP4.mcd] ............................. 53 5.5 Optimizacija produkta enzima [NP5.mcd] ................................................................. 55 6. DINAMI' KO PROGRAMIRANJE ...................................................... ..................... 57 6.1 Jednodimenzionalni proces raspodele resursa [DP1.mcd] .......................................... 57 7. VI- EKRITERIJUMSKA OPTIMIZACIJA ...................................... ........................ 61 7.1 Metoda jednostavnih aditivnih te/ ina [VO1.mcd] ...................................................... 61 8. HEURISTI' KO ISTRA) IVANJE ................................. ............................................. 62 8.1 Optimalni pre nik cevovoda [HI1.mcd] ...................................................................... 62 9. MODELI MARKOVA .................................................................................................... 65 9.1 Model za prognoziranje opredeljenja potro#a a [MM1.mcd] ..................................... 65 9.2 Naplativost potra/ ivanja [MM2.mcd] ......................................................................... 67 10. MASOVNO OPSLU) IVANJE ................................. .................................................. 69 10.1 Sistem opslu/ ivanja M/G/beskona no [MO1.mcd]................................................... 69 10.2 - estokanalni model masovnog opslu/ ivanja [MO2.mcd] ......................................... 70
ii
Sadr`aj
_________________________________________________________________________________________________________
Sadr`aj
ii
_________________________________________________________________________________________________________
Napomena: Sve tekstualne i/ili slikovne informacije koje su objavljene u ovoj knjizi a koje su preuzete sa sajta PTC-a, preuzete su uz saglasnost kompanije CPS-CAD Professional Sys.+ Beograd, koja je zvani ni distributer softverskog paketa Mathcad za Republiku Srbiju. Izdava u, tehni kom fakultetu s Mihajlo Pupint iz Zrenjanina se odobrava #tampanje tako pripremljene knjige.
__________________________________________________________________________________________________________
u Razvoj istra=ivanja operacija kompjuterskoj matematici se za modele, esto, veoma slo/ ene strukture vrlo brzo razvijaju numeri ke metode optimizacije, iji se zadaci sastoje u prou avanju ekstremnih vrednosti funkcija kriterijuma pri optimalnim vrednostima argumenata. Posebno treba ista% i zadatke matemati kog programiranja, na osnovu kojih se re#avaju mnogi zadaci proizvodnje i poslovanja. U istra/ ivanje operacija i nauke o upravljanju spadaju optimizacioni zadaci, kao i odgovaraju% e metode koje su razra, ene za njihovo re#avanje. Stabilnost ra unarskih metoda i algoritama obuhvata jedan od glavnih pravaca u istra/ ivanju primene i klasifikacije gre#aka razli ite vrste pri implementaciji ovih metoda. Po etkom 20. veka, 1916. g. po inje razvoj nauke o upravljanju koju je postavio Frederik Tejlor. Nekoliko bitnih stvari je time re#avano, i one se, prevashodno, odnose na upravljanje resursima. Tih godina je Haris postavio osnovni matemati ki model optimalnog nivoa zaliha. Nastanak teorije redova ekanja vezuje se za danskog matemati ara Erlanga (1909. g.). Doprinose teoriji optimalnih zaliha dali su, izme, u ostalih: Kendal, Li, Hin in i Pola ek. Teorija igara je matemati ka teorija o dono#enju odluka u takmi arskim situacijama suprotnih interesa. Prvi ju je zapo eo razvijati Emile Borel 1921. g. a temeljni doprinos dao je 1928. g. Fon Nojman (1903-1957). Prvi primeri modeliranja linearnog programiranja i transportnog problema izlo/ eni su u radovima Kantorovi a iz 1939. g. i Nojmana iz 1936. g. dok je nagli razvoj ove teorije i prakse usledio posle 2. svetskog rata. U pionire transportnog problema treba izdvojiti i ameri kog matemati ara Hi koka iz 1941. g. koji je me, u prvima formulisao i re#io jedan tip transportnog zadatka. Tu su jo# i radovi Vogela posve% eni aproksimativnoj metodi za nala/ enje po etnog re#enja transporta, radovi Forda i Falkersona, ' arnesa i Kupera i drugih. Sve su ovo bili preduslovi da se uo i 2. svetskog rata u Velikoj Britaniji formira tim nau nika, razli itih struka koji se uklju uju u istra/ ivanja mnogostrukih operacija vezanih za koordinaciju i razme#taj radarskih sistema, transport vojnih resursa i sl. Ovi istra/ iva i operacija su se slu/ ili matemati kim metodama i time stvorili multidisciplinarnu nauku nazvanu Istra#ivanje operacija. Nakon rata njene metode su veoma brzo implementirane kod re#avanja problema u proizvodnji i poslovanju, medicini, industriji i sl. Veliki zna aj imala je metoda linearnog programiranja simpleks koju je 1947. g. razvio poznati ameri ki matemati ar Dancig [9]. U periodu 1951-1955. g. izvr#ena je modifikacija metode od strane: ' arensa, Lemkea, kao i samog Danciga. Pedesetih godina je sna/ an naglasak stavljen na linearno programiranje i statisti ke metode. U istoj deceniji Nojman i Morgen#tern su postavili modernu teoriju igara. Po ev od Fon Nojmana, termin s igret se koristi kao nau na metafora za komunikaciju me, u stru njacima kod kojih je bitan ishod interakcije me, usobnih strategija dve ili vi#e strana, a koje imaju konfliktne interese. Pedesetih godina su Kun i Taker ozna ili po etke nelinearnog programiranja. Ovo je dovelo do burnog razvoja novih metoda i primene istra/ ivanja operacija. Poznata metoda numeri ke simulacije Monte-Karlo nastala je 1949. g. kada se pojavio rad Metropolisa i Ulmana na temu slu ajnih brojeva. Koristi se za re#avanje kako deterministi kih tako i stohasti kih zadataka u mnogim sferama nauke: teorije pouzdanosti, metereologije, proizvodnje, masovnog opslu/ ivanja, nuklearne fizike i sl. Kao logi an nastavak primene tredicionalnog Gantovog dijagrama krajem 50-tih godina pro#log veka, razvijen je skup metoda koje se jednim imenom zovu tehnike mre#nog planiranja. Ove metode zasnovane su na rezultatima: algebre, teorije grafova, statistike i ra unarskih nauka. Prvu studiju sa osnovnim postavkama metode objavili su 1958. g. Volker i Kejli. Razvoj PERT metode je zapo et 1958. g., a istra/ ivanjem je rukovodio Fazar, dok je matemati ke osnove metode postavio Klark 1958. g. [15]. Dinami ko programiranje (DP) i algoritme optimalnog upravljanja postavio je ameri ki matemati ar Belman 1952. g., gde je razvio klasi nu metodologiju za modeliranje i re#avanje
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
jedne klase specijalno strukturiranih optimizacionih zadataka vezanih za tzv. vi eetapne procese upravljanja. - ezdesetih godina su veliki uticaj imali: mre/ no planiranje, linearno programiranje, teorija grafova u optimizaciji i diskretna stohasti ka simulacija. Sedamdesete godine su karakteristi ne po nelinearnom programiranju i globalnoj optimizaciji, kao i po prodoru kompjuterskih metoda zasnovanih na numeri koj matematici. Tada se zna ajnije razvijaju teorijske osnove sa novim algoritmima u tretiranju neizvesnosti, kada se vi#e ne koriste isklu ivo, klasi ni statisti ki i probabilisti ki modeli. Zna ajna tehnika po etkom 70-ih razvijena je i nazvana je PDM ili mre/ na metoda s prvenstvat . Algoritmi ove metode ugra, eni su danas u gotovo sve programske pakete za mre/ no planiranje. Time je ova visoko elaborirana tehnika, mo/ da vi#e od svih iz domena istra/ ivanja operacija primenjiva u praksi. Osamdesetih godina se pa/ nja istra/ ivanja operacija usmerava ka vi#ekriterijumskoj optimizaciji i teoriji odlu ivanja. Ekspertni sistemi i sistemi za podr#ku odlu ivanju omogu% uju uvo, enje personalnih ra unara sa odgovaraju% om programskom podr#kom. Novije metode, zasnovane na teoriji s rasplinutih skupovat u svetu nauke objavljene su 1965. g. od strane Zadeha. Danas postoje mnogobrojne metode bazirane na fazi principu: s- to se bli/ e posmatra realan problem, njegovo re#enje postaje sve vi#e fazi (Zadeh)t , tako da teorija fazi (rasplinutih) skupova nalazi odgovaraju% e primene u upravljanju tehni kim sistemima [3], [25]. Devedesetih godina su napravljeni zna ajni prodori u re#avanju problema celobrojnog, me#ovitog i vi#ekriterijumskog programiranja. Ogromni ra unarski resursi postaju masovno raspolo/ ivi i omogu% uju efikasnu primenu metoda operacionih istra/ ivanja u svakodnevnim realnim sistemima i procesima. Razvoj novih pristupa za re#avanje takvih problema, obuhvata na osnovu heuristike: genetske algoritme, neuronske mre/ e i sl. Vremenom su stvareni alati za re#avanje problema koji % e se aplicirati u novim tehnolo#kim okolnostima, internet okru/ enju i elektronskom poslovanju. Pored toga, mo/ e se re% i da je do#lo i do delimi ne evolucije u terminologiji, pa se danas pa/ nja skre% e na upravljanje operacijama (operacioni menad/ ment), a ne samo na njihovo istra/ ivanje.
C := ( 5500 2800 )
Studija sluAajeva iz operacionih istra#ivanja Sistem ograni enja u pogledu proizvodnje i tr/ i#ta: proizvodni: tr/ i#ni:
4 x + 5 x 750
0 1
__________________________________________________________________________________________________________
10 x + 6 x 850
0 1
x 40
0
x 65
1
Zbog izjedna avanja relacionih operatora sva etiri ograni enja, poslednje dve nejedna ine se mogu definisati kao:
4 10 A := -1 0
6 0 -1
5
Jedna inicijalna vrednost (pretpostavlja se za poslednju promenljivu): Blok za re#avanje modela linearnog programiranja:
Given A x B x 40
te su optimalne vrednosti:
Xr =
46 65
Xr = 46
0
Xr = 65
1
D := C Xr
D = 435000
1 1 A Xr 0 = 0 0 -241 0 Xd = -6 0
Xd := A Xr - B
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
S1 8 4 4
S2 6 4 2
S3 4 2 8
S4 4 6 2
T1 T2 T3
U planiranom periodu potrebno je proizvesti 18000, 12000 i 8000 tableta vitamina T1, T2 i T3. Jedan kilogram sirovine S1, S2, S3 i S4 mo/ e se kupiti na tr/ i#tu po ceni od 16, 24 15 i 20 /nj/. Ako snabdevanje sirovinama Sj nema ograni enja, odrediti optimalni plan nabavke sirovina sa najmanjim ukupnim tro#kovima. Re enje: Ako se sa x1, x2, x3 i x4 ozna e broj kilograma sirovine S1, S2, S3 i S4, model nabavke sirovina dobija oblik:
8 x + 6 x + 4 x + 4 x
1 2 3 4 4 4
4 x + 4 x + 2 x + 6 x
1 1 2 2 3 3
4 x + 2 x + 8 x + 2 x
Matrica koeficijenata i vektor ograni enja na osnovu sistema jedna ina je sada:
8 6 4 4 A := 4 4 2 6 4 2 8 2
Funkcija kriterijuma se formira kao: gde je vektor cena:
1 2 3
ORIGIN := 1
F ( x) := 16 x + 24 x + 15 x + 20 x C := ( 16 24 15 20 )
Jedna inicijalna vrednost (pretpostavlja se za poslednju promenljivu): Blok za re#avanje modela linearnog programiranja:
Given A x B x 0
x := 0
4
Studija sluAajeva iz operacionih istra#ivanja Optimalne varijanta programa krojenja #ipki: te su optimalne vrednosti:
X := Minimize( F , x) X = ( 1250 1000 0 500 )
T
__________________________________________________________________________________________________________
X = 1000
2
X =0
3
X = 500
4
Najmanji ukupni tro#kovi nabavke sirovina za proizvodnju planiranog broja tableta vitamina iznosi /nj/:
T := C X T = 54000
Verifikacija re#enja:
qi + Koli ine koje se mogu planirati za tr/ i#te /kom/god/. dj + Dobit po jedinici proizvoda /din/kom/. T.1.2
Proizvodi P1 P2 P3 P4 P5 Zavojno vreteno Ure|aj za o{trenje burgija Brusno vreteno Univerzalni podeoni aparat Odstojni podmeta~i
Jedini~na dobit dj 14 10 7 12 9
Analiza procesa rada pokazala je da je za izradu planiranih pet proizvoda anga/ ovano, pored ostalog, pet vrsta tehnolo#kih sistema i to:
p p p p p
US + univerzalni strugovi CNC, sa kapacitetom od 50000 as/god. OC + obradni centri, sa kapacitetom od 80000 as/god. BK + bu#ilice koordinatne, sa kapacitetom od 40000 as/god. BR + bu#ilica za ravno bru#enje, sa kapacitetom od 50000 as/god. BN + brusilica za navoj, sa kapacitetom 20000 as/god.
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
Pri tome normativ vremena za proizvode / as/kom/ i date vrste operacija tehnolo#kih sistema, prikazan je u slede% oj tabeli. T.1.3 Tehnolo{ki sistemi US OC BK BR BN P1 2 4 1 1 5 P2 5 25 20 4 Proizvodi P3 4 15 5 10 P4 25 20 2 18 P5 10 1 20 Vremenski kapaciteti /~as/ 50000 80000 40000 50000 20000
Optimizacija programa proizvodnje % e biti izvr#ena u skladu sa napred opisanim modelom LP u kome je funkcija kriterijuma data kao potreba maksimizacije dobiti. Sistemska promenljiva: Funkcija kriterijuma (dobiti) je:
ORIGIN := 1 F ( x) := 14 x + 10 x + 7 x + 12 x + 9 x
1 2 3 4 5
Ograni enja koja su odre, ena samo vremenskim kapacitetima tehnolo#kih sistema iznose:
2 x + 5 x + 4 x + 25 x + 10 x 50000
1 2 3 4 5
4 x + 25 x + 15 x + 20 x 80000
1 2 3 4
x + 20 x + 5 x + 2 x + x 40000
1 2 3 4 5
x + 4 x + 10 x + 18 x + 20 x 50000
1 2 3 4 5
5 x 20000
1
Prethodni model LP potrebno je oblikovati u formi matrica i vektora kao: Vektor cena:
C := ( 14 10 7 12 9 )
2 4 A := 1 1 5
5 20 4 0
4 5 0
25 10 2 0
25 15 20 10 18
0 1 20 0
__________________________________________________________________________________________________________
Re#enje na osnovu definisanog modela putem matrice A i vektora B i C, sledi uz pretpostavljenu inicijalnu vrednost (kao poslednja promenljiva sistemu nejedna ina):
x := 0
5
Given
A x B x 0
Xr := Maximize( F , x)
Xr = 1547.61
2
Xr = 453.12
3
Xr = 925.64
4
Xr = 930.84
5
D := C Xr
D = 94133.24
1 1 A Xr B = 1 (ta no) 1 1 0 0 Xd = 0 0 0
Xd := A Xr - B
odnosno:
( ORIGIN := 1)
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
-x + x 1
1 2
-x + 2 x 0
1 2
x + 2 x 3 2 5 1
Zbog izjedna avanja relacionih operatora poslednje dve nejedna ine se mogu napisati kao:
x - 2 x 0
1 2
4 - x - 2 x -3 2 5 1
A :=
1 -2 -4 -2 5
1 2 1 -1
8 1 B := 0 -3
Na bazi prethodnog modela LP sledi matrica koeficijenata i vektor ograni enja: Inicijalna vrednost jedne nepoznate (poslednje promenljive): Blok za re#avanje i sistem LP: Optimalno re#enje modela LP: Maksimalna vrednost F-kriterijuma je:
Given Ax B x := 1
2
x 0
Xr := Maximize( F , x) F := C Xr
te je:
Xr = F = 12
4 2
Verifikacija re#enja:
8 -2 A Xr = 0 -7.2
0 -3 A Xr - B = 0 -4.2
a 4 := b 2
Dobit := 50 FRAME
__________________________________________________________________________________________________________
5 1 4- X 2 1+ X X 2 -4 10 X+ 3 2 1 2
6-X FRAME 10 b -X 3 2 1 1 0 1 2 3 4 5 6 7 8 9
2 X, X, X , X, X, X, a
Sl. 1.1 GrafiAka interpretacija modela linearnog programiranja sa prikazom najmanje (nulte) i najveBe vrednosti funkcije kriterijuma D dobiti
1 4
x 100
2
1 2
x +
1
1 2
x 150
2
1 4
x +
1
x 100 4 2
10
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
Matrica koeficijenata i vektor ograni enja na osnovu sistema nejedna ina je sada:
A :=
3 4 1 2 1 4
1 4 1 2 3 4
Jedna inicijalna vrednost (pretpostavlja se za poslednju promenljivu): Blok za re#avanje modela linearnog programiranja:
Ax B
x := 0
2
Given
x 0
X := Minimize( F , x)
X=
250 50
Zna i, za izgradnju efikasnog PVO sistema potrebno je obezbediti slede% i broj raketa:
X = 250
1
X = 50
2
T := C X
T = 8750
Verifikacija re#enja:
f ( X) :=
a 250 := b 50
Trosak := 50 FRAME
11
__________________________________________________________________________________________________________
500 - 3 X+ 400 - X+ 300 -1 3 f ( X) X 2 X 2 100 100 X, X , X, X, X, X , a 0 100 200 300 400 500 100 200 X+ 400 3 300
400
Trosak = 0
FRAME b
Sl. 1.2 GrafiAka interpretacija modela linearnog programiranja sa prikazom nulte i najmanje vrednosti funkcije kriterijuma Dtro kova
a) Koliko tona sirovina treba da nabavi komercijalni sektor hemijske industrije po ceni od 500, odnosno 400 /nj/, da tro#kovi budu minimalni. b) Od kog proizvoda se mo/ e kooperantima vi#e isporu iti nego #to je donji limit. c) Grafi ki i animacijski predstaviti re#enje modela LP.
12 Re enje:
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
( ORIGIN := 1)
1 2
0.125 x + 0.25 x 25
0.4 x + 0.05 x 20
1 2
Funkcija kriterijuma (tro#kova): U tom slu aju vektor cena proizvoda je:
F ( x) := 500 x + 400 x
1
C := ( 500 400 )
Matrica koeficijenata i vektor ograni enja na osnovu sistema nejedna ina je sada:
30 B := 25 20
x := 0
2
a) Jedna inicijalna vrednost (pretpostavlja se za poslednju promenljivu): Blok za re#avanje modela linearnog programiranja:
Given A x B x 0
te su optimalne vrednosti:
Xr = 40
1
Xr =
40 80
Xr = 80
2
T := C Xr
T = 52000
49.2 25 A Xr = 20
1 A Xr 0 = 1 1 19.2 Xd = 0 0
Konstatacija: Od prvog proizvoda P1 se mo/ e kooperantima isporu iti za 19,2 tone vi#e nego #to je donji limit od 30 tona.
13
__________________________________________________________________________________________________________
a 40 := b 80
Trosak := 400 FRAME
Napomena: Za postupke animacije preporu eni su slede% i parametri: From: 0, To: 130, At: 10
frame/sec.
50 -
X 20 X 2
100
Trosak = 0
100 -
400 -8 X f ( X) -5 4 -5 4 b X
50
X+ FRAME
50
50
100
150
50 X, X, X, X, X, X, a
Sl. 1.3 GrafiAka interpretacija modela linearnog programiranja sa prikazom nulte vrednosti funkcije kriterijuma Dtro kova
14
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
4 x + 2 x + 5 y + 8 y 1800
0 1 2 3 3 3
25 x + 75 x + 2 y + 40 y 2400
0 1 2
16 x + 10 x + 7 y + 4 y 3000
0 1 2
C := ( 2 4 2 3 )
4 2 5 8 A := 25 75 2 40 16 10 7 4
x := 1
3
Iinicijalna vrednost:
Given x 0
Xr := Minimize( F , x)
F = 739.33
Verifikacija re#enja:
4 y + 25 y + 16 y 2
0 1 2
5 y + 2 y + 7 y 2
0 1 2
2 y + 75 y + 10 y 4
0 1 2
8 y + 40 y + 4 y 3
0 1 2
15
__________________________________________________________________________________________________________
2 T 4 C = 2 3
y := 1
2
4 2 T A = 5 8
75 10 2 7 40 4
25 16
Given
A y C
y 0
Yr := Maximize( F , y)
F = 739.33
2 T 1.161 A Yr = 2 3
2. FAZI LINEARNO PROGRAMIRANJE 2.1 Optimizacija proizvodnog programa na osnovu fazi mera [o4.mcd]
Primer: U jednom pogonu mogu da se proizvode dva proizvoda, P1 i P2, na kojima se zara, uje po 0,3 i 0,4 nov anih jedinica po komadu proizvoda, respektivno. Dnevno snabdevanje sirovina je takvo, da je dovoljno za proizvodnju ukupno 400 jedinica oba proizvoda, ali je mogu% e obezbediti i dodatno snabdevanje za proizvodnju do 500 jedinica oba proizvoda. Za proizvodnju jedinice proizvoda P1 potrebna su 2 radna asa rada ma#ina, a za proizvodnju jedinice proizvoda P2 potreban je 1 radni as. Ukupan broj ma#ina i radno vreme je takvo da se raspola/ e sa 500 radnih asova dnevno, ali je eventualno mogu% e pove% ati iskori#% enost ma#ina tako da se obezbedi najvi#e 600 radnih asova. Za proizvodnju jedinice proizvoda P1 koristi se 1 kWh, a za proizvodnju jedinice proizvoda P2 koristi se 2 kWh elektri ne energije. Potro#nja elektri ne energije u toku dana ograni ena je na 310 kWh. Treba formirati plan dnevne proizvodnje tako da se maksimizira zarada u pogonu (podaci i model preuzeti su iz reference [25]. Sa: x0 i x1 ozna ene su planirane koli ine proizvoda, f1 je zarada, a sa B1=(400,500) i B2=(500,600) rasplinute brojeve koji predstavljaju raspolo/ ive koli ine sirovina i radnih asova. Zadatak fazi LP koji odgovara opisanom problemu je na% i (x0,x1) tako da se maksimizira kriterijumska funkcija f= 0,4x0+0,3x1. Funkcija kriterijuma (dobiti):
f1 ( x) := 0.4 x + 0.3 x
0 1
Ekspozicije u Mathcad-u
x + x B1
0 1
__________________________________________________________________________________________________________
2 x + x B2
0 1
x + 2 x 310
0 1
Matrica koeficijenata i vektor ograni enja na osnovu sistema nejedna ina iznose:
1 1 M := 2 1 1 2
Treba napomenuti da u ovom modelu ograni enje u odnosu na raspolo/ ivu elektri nu energiju nije rasplinuto, ali to nije prepreka za primenu odgovaraju% eg pristupa izra unavanju. Proizvoljno re#enje X=(x0,x1) zadovoljava postavljena rasplinuta ograni enja sa slede% im stepenima:
m1 ( x) := 1 if x + x 400
0 1
500 - x - x
0
100
0 1
0 if x + x 500 m2 ( x) := 1 if 2 x + x 500
0 1
500 - 2 x - x
0
100
0 1
0 if 2 x + x 600
Radi odre, ivanja f1 i f2 - rezonski najmanje i najve% e vrednosti kriterijumske funkcije na rasplinutom skupu dopustivih re#enja, re#avaju se slede% a dva optimizaciona zadatka, P1 i P2, u kojima se odre, uju (x1,x2) tako da kriterijumska funkcija ima maksimalnu vrednost pri zadatim ogani enjima.
Given
x 0
1 1 2 1 x 1 2
te su optimalne vrednosti:
X1 =
230 40
17
__________________________________________________________________________________________________________
Verifikacija re#enja:
1 M X1 0 = 1 1 -130 Xd = 0 0
Dopunske promenljive:
Xd := M X1 - V
Re#enje ovih standardnih zadataka LP mogu se dobiti primenom Simplex metode ili npr. u konkretnom slu aju grafi kom metodom. Za problem P1 dobija se (x11,x12)= (230,40) i f1=104. Za ovo re#enje su u potpunosti iskori#% eni radni sati (500) i elektri na energija (310), dok sirovina ima za 130 jedinica vi#e nego #to se proizvodi (400-270).
x := 65
1
Given
1 1 2 1 x 1 2
x 0
te je:
X2 =
296.67 6.67
f2 := C X2
f2 = 120.667
Verifikacija re#enja:
te je:
Dopunske promenljive:
Xd := M X2 - V
18
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
Re#enje problema II dobija se (x21,x22)= (296.67,6.67) i f2=120,67. Za ovo re#enje su u potpunosti iskori#% eni radni sati (600) i elektri na energija (310), dok sirovina ima dovoljno za proizvodnju jo# 196,67 jedinica. Kori#% enjem vrednosti f1 i f2 odre, uje se funkcija pripadnosti proizvoljnog x rasplinutom skupu optimalnih re#enja.
m ( x) := 0 if 0.4 x + 0.3 x f1
0 1
0.4 x + 0.3 x - f1
0 1
f2 - f1
0 1
if f1 0.4 x + 0.3 x f2
0 1
1 if 0.4 x + 0.3 x f2
Postupaju% i po opisanoj proceduri, originalni zadatak fazi LP je transformisan u standardi zadatak LP u kome treba odrediti (x1,x2) tako da se ostvari maksimalna pripadnost l.
22.6 l - 0.4 x - 0.3 x -104
0 1
100 l + x + x 500
0 1
100 l + 2 x + x 600
0 1
x + 2 x 310
0 1
l ,x ,x 0
0 1
f ( x) := x
x := 55
2
x 0
X := Maximize( f , x)
C := ( 1 0.4 0.3 )
19
__________________________________________________________________________________________________________
Verifikacija re#enja:
0 -168.37 Xd = -0 0
Dopunske promenljive:
Re#enje ovog zadatka je (x1*,x2*)= (268,37;20,81), l*= 0.42 i f= 114,02. Za ovu proizvodnju potrebno je obezbediti 548 radnih asova. Sva raspolo/ iva elektri na energija bi% e iskori#% ena, a snabdevanje sirovinama treba da je takvo da omogu% i proizvodnju ukupno 286 jedinica proizvoda.
Ponuda:
P = 17000
T = 17000
Ekspozicije u Mathcad-u
C := ( 2 7 5 3 1 4 5 3 7 )
__________________________________________________________________________________________________________
a) Na% i po etni transportni program. b) Odrediti optimalni transportni program tako da ukupni tro#kovi transporta (uvoza) budu minimalni. Re enje: Prema datim elementima, transportni problem se mo/ e izraziti funkcijom tro#kova:
F ( x) := 2 x + 7 x + 5 x + 3 x + x + 4 x + 5 x + 3 x + 7 x
0 1 2 3 4 5 6 7 8
0 1 0 0 1
V := stack ( P , T )
Kako je zbir ponuda jednaka zbiru potra/ nje, ovaj problem je zatvorenog tipa:
P T = 1
(logi ki potvrdno)
x := 0
8
Jedna inicijalna vrednost re#enja jednog (poslednjeg) lana: Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalne koli ine transportnih koli ina X:
M x V
Given x 0
X := Minimize( F , x)
Trosak := C X
Trosak = 60000
21
__________________________________________________________________________________________________________
X0 X1 X2 5000 0 1000 X X X = 0 0 8000 3 4 5 X X X 0 2000 1000 6 7 8 6000 8000 3000 M X = 5000 2000 10000
a) Na% i po etni transportni program. b) Odrediti optimalni transportni program tako da ukupni tro#kovi transporta budu minimalni. Vektor cena se formira na osnovu palete alata Matrix, direktnim unosom podataka:
C := ( 10 8 9 6 5 5 6 4 3 8 9 7 6 4 3 14 10 8 8 8 )
Prema datim elementima, transportni problem se mo/ e izraziti u obliku funkcije tro#kova (kriterijuma):
ORIGIN := 1 n := 1 .. 20 F ( x) :=
T (C )nxn n
sa odgovaraju% om matricom koeficijenata i vektorom ograni enja na osnovu sistema jedna ina. Matrica koeficijenata za ograni enje po kapacitetima regija iznosi:
22
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
1 0 P := 0 0
0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1
1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 S := 0 0 0
0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 A := stack ( P , S)
0 0 0 1
10 11 12 13 14 15 16 17 18 19 20 0 1 0 0 0 0 0 0 1 0 0 1 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 1
A=
25 32 40 20 B := 17 21 41 14 24
x
20
Jedna inicijalna vrednost (poslednjeg lana): Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina:
Ax B
:= 0
Given x 0
23
__________________________________________________________________________________________________________
X := Minimize( F , x)
X = ( 0 21 0 0 4 17 0 15 0 0 0 0 6 14 20 0 0 20 0 0 )
T := C X
T = 645
X1 X 6 X 11 X16
Verifikacija re#enja:
X X X X
2 7
X X X X
3 8
X X X
4 9
12 17
13 18 T
14 19
0 X 10 17 = X 0 15 0 X 20
X
5
21
0 15 0 0 0 6 14 20 0 20 0 0
0 0 4
( A X)
= ( 25 32 40 20 17 21 41 14 24 ) AX B=1
ili:
(logi ki potvrdno)
Potrebno je odrediti raspodelu proizvoda po potro#a kim centrima koja % e omogu% iti najve% u zaradu i optimalne vrednosti transporta.
24
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
Prema datim elementima, transportni problem se mo/ e izraziti u obliku funkcije dobiti:
n := 0 .. 15 D ( y) :=
T ( C ) n yn n
y0 + 0 + 0 + 0 + y4 + 0 + 0 + 0 + y8 + 0 + 0 + 0 + y12 + 0 + 0 + 0
0 + y1 + 0 + 0 + 0 + y5 + 0 + 0 + 0 + y9 + 0 + 0 + 0 + y13 + 0 + 0 0 + 0 + y2 + 0 + 0 + 0 + y6 + 0 + 0 + 0 + y10 + 0 + 0 + 0 + y14 + 0 0 + 0 + 0 + y3 + 0 + 0 + 0 + y7 + 0 + 0 + 0 + y11 + 0 + 0 + 0 + y15
Savet: Formiranje prethodnog sistema jedna ina ograni enja nije neophodno za re#avanje transportnog problema, za razliku od unosa slede% ih izraza, koji se odnose na vektore C i B i matricu A.
Kompletna matrica koeficijenata se formira otvaranjem i popunjavanjem blanko tabele. Na in dobija Input Table je putem dijaloga Component Wizard-a iz menija Insert m Component. Razlog formiranja tabele je taj #to se ne mo/ e formirati matrica sa vi#e od 100 elemenata postupkom Insert Matrix iz palete alata Matrix.
A :=
0 1 2 3 4 5 6 7
0 1 0 0 0 1 0 0 0
1 1 0 0 0 0 1 0 0
2 1 0 0 0 0 0 1 0
3 1 0 0 0 0 0 0 1
4 0 1 0 0 1 0 0 0
5 0 1 0 0 0 1 0 0
6 0 1 0 0 0 0 1 0
7 0 1 0 0 0 0 0 1
8 0 0 1 0 1 0 0 0
9 0 0 1 0 0 1 0 0
10 0 0 1 0 0 0 1 0
11 0 0 1 0 0 0 0 1
12 0 0 0 1 1 0 0 0
13 0 0 0 1 0 1 0 0
14 0 0 0 1 0 0 1 0
15 0 0 0 1 0 0 0 1
25
__________________________________________________________________________________________________________
Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalne koli ine transportnih koli ina Y:
T
Given B y 0 Y := Maximize( D , y)
Ay
Dobit := C Y
Dobit = 4620000
Y0 Y4 Y8 Y12
Verifikacija re#enja:
Y1 Y5 Y9
Y2 Y6 Y10
Y13 Y14
T
0 0 0
18000 0 0
18000 14000 0
12000 2000
( A Y)
26
__________________________________________________________________________________________________________
Ki K1 K2 K3 K4 K5 K6
Pj
P enica 12 8 18 16 4 5 20000
Ovas 18 14 5 12 0 24 16000
Zob 5 3 5 0 8 0 2000
Kukuruz 0 40 36 50 25 42 24000
Lucerka 20 10 16 4 0 18 3000
Kompleks /kj/ 4000 8000 14000 2000 18000 23000 69000 69000
Plan /kj/
Prema planu setve predvi, eno je da se pojedinim kulturama zaseje respektivno 20000, 16000, 2000, 24000, 3000, 1000 odnosno 3000 katastarskih jutara (kj). Kakav plan setve treba ostvariti ako je cilj maksimiranje koli ine proizvodnje? Re enje: Vektor cena se unosi na osnovu tabelarnih podataka:
C :=
1
ORIGIN := 1
1 12
2 18
3 5
4 0
5 20
6 100
7 60
8 8
9 14
10 3
11 40
12 10
13 120
14 0
15 18
Prema datim elementima, transportni problem se mo/ e izraziti u obliku funkcije dobiti:
n := 1 .. 42 D ( q) :=
T ( C ) n qn n
i odgovaraju% im ograni enjima u vidu linearnih jedna ina: Kompletna matrica koeficijenata se formira otvaranjem i popunjavanjem blanko tabele. Na in dobija Input Table je putem dijaloga Component Wizard-a iz menija Insert m Component.
27
__________________________________________________________________________________________________________
1 1 0 0 0 0 0 1 0 0 0 0 0 0
2 1 0 0 0 0 0 0 1 0 0 0 0 0
3 1 0 0 0 0 0 0 0 1 0 0 0 0
4 1 0 0 0 0 0 0 0 0 1 0 0 0
5 1 0 0 0 0 0 0 0 0 0 1 0 0
6 1 0 0 0 0 0 0 0 0 0 0 1 0
7 1 0 0 0 0 0 0 0 0 0 0 0 1
8 0 1 0 0 0 0 1 0 0 0 0 0 0
9 0 1 0 0 0 0 0 1 0 0 0 0 0
10 0 1 0 0 0 0 0 0 1 0 0 0 0
11 0 1 0 0 0 0 0 0 0 1 0 0 0
12 0 1 0 0 0 0 0 0 0 0 1 0 0
13 0 1 0 0 0 0 0 0 0 0 0 1 0
14 0 1 0 0 0 0 0 0 0 0 0 0 1
15 0 0 1 0 0 0 1 0 0 0 0 0 0
16 0 0 1 0 0 0 0 1 0 0 0 0 0
17 0 0 1 0 0 0 0 0 1 0 0 0 0
18 0 0 1 0 0 0 0 0 0 1 0 0 0
19 0 0 1 0 0 0 0 0 0 0 1 0 0
20 0 0 1 0 0 0 0 0 0 0 0 1 0
B :=
1 2 3 4 5 6 7 8
Jedna inicijalna vrednost (poslednja): Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalne koli ine transportnih koli ina Q:
42
:= 0 Given
Aq
q 0
Q := Minimize( D , q )
Q =
1 1 0
2 0
4 0 4000
5 0
6 0
7 0
9 0 2000
10
11
12
13
14
15 0
0 1000 2000
0 3000
Dobit := C Q
Dobit = 754000
28
Ekspozicije u Mathcad-u
Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q Q
__________________________________________________________________________________________________________
Q1 Q8 Q15 Q22 Q 29 Q 36
2 9
10 17 24 31 38
11 18 25 32 39
12 19 26 33 40
13 20 27 34 41
16 23 30 37
0 2000 0 0 0
0 0 0 0 0
0 3000 0 0 0 0
1000 1000
Verifikacija re#enja:
( A Q)
T
1 1 4000
10
11 3000
12 1000
13 3000
8000 14000
2000 24000
Napomena: Pogledati sadr/ aj fajla TP4_1.mcd, gde je rezultuju% a matrica programski re#ena. 3.5 Transportni problem minimuma tro A kova [TP5.mcd]
Primer: U narednoj tabeli date su koli ine robe koje treba otpremiti iz otpremnih stanica OC u, koli ine robe koje se tra/ e u prijemnim stanicama (PS), kao i cene prevoza od svake otpremne stanice do svake prijemne stanice. T.3.5
PS OC Koli~ina robe /kom/
B1 5 7 15 6 13
B2 12 8 4 11 24
B3 1 14 2 5 15
B4 4 6 7 16 21
B5 13 5 9 3 27
A1 A2 A3 A4
Koli~ina robe /kom/
36 23 29 12 S=100
Kakav plan transporta realizovati ako je cilj minimiziranje ukupnih tro#kova transporta? Re enje: Vektor cena se unosi na osnovu tabelarnih podataka:
C :=
1 1 5 2 12 3 1 4 4 5 13 6 7 7 8 8 14 9 6 10 5 11 15 12 4
( ORIGIN := 1)
13 2 14 7 15 9 16 6
Studija sluAajeva iz operacionih istra#ivanja Prema datim elementima, transportni problem se mo/ e izraziti u obliku funkcije dobiti:
n := 1 .. 20 T ( x) :=
T (C )nxn n
29
__________________________________________________________________________________________________________
i odgovaraju% im ograni enjima u vidu linearnih jedna ina: Kompletna matrica koeficijenata se formira otvaranjem i popunjavanjem blanko tabele. Na in dobija Input Table je putem dijaloga Component Wizard-a iz menija Insert m Component.
A :=
1 2 3 4 5 6 7 8 9 1 1 0 0 0 1 0 0 0 0 2 1 0 0 0 0 1 0 0 0 3 1 0 0 0 0 0 1 0 0 4 1 0 0 0 0 0 0 1 0 5 1 0 0 0 0 0 0 0 1 6 0 1 0 0 1 0 0 0 0 7 0 1 0 0 0 1 0 0 0 8 0 1 0 0 0 0 1 0 0 9 0 1 0 0 0 0 0 1 0 10 0 1 0 0 0 0 0 0 1 11 0 0 1 0 1 0 0 0 0 12 0 0 1 0 0 1 0 0 0 13 0 0 1 0 0 0 1 0 0
B :=
1 2 3 4 5 6 7 8 9
1 36 23 29 12 13 24 15 21 27
Jedna inicijalna vrednost (poslednja): Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalne koli ine transportnih koli ina q:
q
T
20
:= 0
Given Ax B x 0
q := Minimize( T , x)
= ( 5 0 10 21 0 8 0 0 0 15 0 24 5 0 0 0 0 0 0 12 )
Trosak := C q
Trosak = 392
30
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
q1 q 6 q 11 q16
Verifikacija re#enja:
q q q q
2 7
q q q q
3 8
q q q q
4 9
12 17
13 18 T
14 19
5 q 10 8 = q 0 15 0 q 20
q
5
0 0 24 0
10 21 0 5 0
0 15 0 0 0 12
0
( A q)
= ( 36 23 29 12 13 24 15 21 27 )
Ponuda 300 290 280 270 260 250 240 230 S= 2120
a) Na% i po etni transportni program. b) Odrediti optimalni transportni program tako da ukupni tro#kovi transporta budu minimalni. Vektor cena se formira na osnovu palete alata Matrix, direktnim unosom podataka:
C :=
0
0 1
1 3
2 5
3 7
4 9
5 11
6 8
7 14
8 12
9 10
10 6
11 8
12 6
13 3
14 7
31
__________________________________________________________________________________________________________
Prema datim elementima, transportni problem se mo/ e izraziti u obliku funkcije tro#kova (kriterijuma):
ORIGIN := 1 n := 1 .. 56 F ( x) :=
T (C )nxn n
sa odgovaraju% om matricom koeficijenata i vektorom ograni enja na osnovu sistema jedna ina. Matrica koeficijenata za ograni enje po kapacitetima regija iznosi:
A :=
1 2 3 4 5 6 7
1 1 0 0 0 0 0 0
2 1 0 0 0 0 0 0
3 1 0 0 0 0 0 0
4 1 0 0 0 0 0 0
5 1 0 0 0 0 0 0
6 1 0 0 0 0 0 0
7 1 0 0 0 0 0 0
8 0 1 0 0 0 0 0
9 0 1 0 0 0 0 0
10 0 1 0 0 0 0 0
11 0 1 0 0 0 0 0
12 0 1 0 0 0 0 0
13 0 1 0 0 0 0 0
14 0 1 0 0 0 0 0
15 0 0 1 0 0 0 0
16 0 0 1 0 0 0 0
T 1 1 s := ( last ( A ) + 1) last (A ) + 1
B :=
1 2 3 4 5 6 7 8
s = 912
Jedna inicijalna vrednost (poslednjeg lana): Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalne koli ine transporta:
X =
T
1 1 0 2 10 3 0 4 5 6 0
56
:= 0
Given B x 0
Ax
X := Minimize( F , x)
7 0 8 0 9 0 10 0 11 0 12 13 14 0
80 210
0 290
T := C X
T = 14560
32
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
X X X X X X X X
2 9
X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
10 17 24 31 38 45 52
11 18 25 32 39 46 53
12 19 26 33 40 47 54
13 20 27 34 41 48 55
16 23 30 37 44 51
Verifikacija re#enja:
( A X)
300 290 280 270 260 250 240 230 170 120
Izna% i optimalni plan transporta, kome % e odgovarati minimalni tro#kovi. Re enje: Matemati ki model je oblikovan u cilju odre, ivanja otvorenog transportnog problema gde treba odrediti vrednost nenegativnih promenljivih xij. Pri pome su po etni parametri: Broj redova:
m := 3
broj kolona:
n := 3
( ORIGIN := 1)
33
__________________________________________________________________________________________________________
75 a := 40 35
20 b := 45 30
Suma kapaciteta:
a = 150
b = 95
a b
te je ovo otvoreni transportnog problema. Po#to je ve% a potra/ nja od ponuda, uvodi se fiktivna pekara P4 sa kapacitetom:
b :=
4
a - b
sledi da je:
b =0
4
a := 40 35
75
20 45 b := 30 b 4
T.3.8
Vektor vrednosti tro#kova se formira, direktnim unosom podataka iz pro#irene tabele T.3.8:
C := ( 70 30 60 0 40 80 20 0 10 50 90 0 )
Prema datim elementima, transportni problem se mo/ e izraziti u obliku funkcije tro#kova (kriterijuma):
k := 1 .. ( n + 1) m F ( x) :=
T (C )k xk k
sa odgovaraju% om matricom koeficijenata i vektorom ograni enja na osnovu sistema jedna ina. Matrica koeficijenata za ograni enje po svim kapacitetima iznosi:
34
A :=
1 2 3 4 5 6 7
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
1 1 0 0 1 0 0 0
2 1 0 0 0 1 0 0
3 1 0 0 0 0 1 0
4 1 0 0 0 0 0 1
5 0 1 0 1 0 0 0
6 0 1 0 0 1 0 0
7 0 1 0 0 0 1 0
8 0 1 0 0 0 0 1
9 0 0 1 1 0 0 0
10 0 0 1 0 1 0 0
11 0 0 1 0 0 1 0
12 0 0 1 0 0 0 1
B := stack ( a , b)
Jedna inicijalna vrednost (poslednjeg lana): Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalne koli ine transporta X:
T
12
:= 0
75 40 35 B = 20 45 30 0
Given Ax B x 0
X := Minimize( F , x)
X = ( 0 45 0 30 0 0 30 10 20 0 0 15 )
T := C X
T = 2150
X X X3 X4 1 2 0 45 0 30 X X X X = 0 0 30 10 7 8 5 6 20 0 0 15 X X X X 9 10 11 12 75 40 35 A X = 20 45 30 55
AX
B=1
(logi ki potvrdno).
35
__________________________________________________________________________________________________________
U~esnici u radu R1 R2 R3 R4 R5
Broj poena P1 3 8 33 14 9 P2 21 23 14 21 16 P3 12 2 13 19 10 P4 6 5 10 11 15 P5 10 5 7 11 13
Re enje: Vektor vrednosti nestandardnih delova (lo#ih) proizvoda: Funkcija kriterijuma, kao funkcija maksimalnih poena:
C :=
1
ORIGIN := 1 n := 5 m := 5
8 2
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 5 5 33 14 13 10 7 14 21 19 11 11 9 16 10 15 13
3 21 12
6 10
8 23
j := 1 .. n m
D ( x) :=
j=1
T (C ) j xj
Kompletna matrica koeficijenata ograni enja se formira otvaranjem i popunjavanjem blanko tabele. Na in dobija Input Table je putem dijaloga Component Wizard-a iz menija Insert m Component. Veli ina tabele A: veli ina vektora B:
( n + m) n m = 250 m + n = 10
36
A :=
1 2 3 4 5 6 7 8 9 10
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
1 1 0 0 0 0 1 0 0 0 0
2 1 0 0 0 0 0 1 0 0 0
3 1 0 0 0 0 0 0 1 0 0
4 1 0 0 0 0 0 0 0 1 0
5 1 0 0 0 0 0 0 0 0 1
6 0 1 0 0 0 1 0 0 0 0
7 0 1 0 0 0 0 1 0 0 0
8 0 1 0 0 0 0 0 1 0 0
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1
Vektor ograni enja kojim je definisano mogu% nost da samo jedan radnik mo/ e raditi na jednoj ma#ini i samo jedanposao mo/ e biti dodeljen jednom radniku:
1 1 1 1 1 B := 1 1 1 1 1
Jedna inicijalna vrednost (poslednja): Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalni raspored poslova:
X =
T
1 1 1 2 0 3 0 4 0 5 0 6 0 7 0 8 1
25
:= 0
Given B x 0
Ax
X := Minimize( D , x)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0
Vrednosti optimalnog plana rasporeda poslova, kao matrica 5x5: Najmanji ukupni broj #kartova:
S := C X S = 39
37
__________________________________________________________________________________________________________
X1 X 6 X 11 X 16 X21
Verifikacija re#enja:
X X X X X
2 7
X X X X X
3 8
X X X X X
4 9
12 17 22
13 18 23
14 19 24
1 0 X 10 0 0 X 15 = 0 0 0 0 X 20 0 1 X 25
X
5
0 0 0 1 0 0 0 0 1 0 0
0 1 0 0
( A X)
= (1 1 1 1 1 1 1 1 1 1)
Zaklju@ ak: Na osnovu optimalnog re#enja konstatuje se da prvi posao treba poveriti prvom
radniku, drugi petom, tre% i drugom, etvrti etvrtom i peti tre% em. Takva raspodela poslova % e rezultirati najmanjem broju #kart proizvoda od 39 komada.
U~esnici u radu R1 R2 R3 R4 R5
Broj poena P1 10 20 25 18 10 P2 20 30 20 15 20 P3 8 10 20 15 30 P4 18 15 30 20 30 P5 12 17 16 22 20
Zadatak sesastoji u takvom raspore, ivanju radnika na radna mesta koje % e obezbediti da ukupna efikasnost, izra/ ena brojem poena, bude maksimalna. Re enje: Vektor vrednosti poena:
C :=
1 2 3 4 5 6 7 8
( ORIGIN := 1)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
1 10 20
8 18 12 20 30 10 15 17 25 20 20 30 16 18 15 15 20 22 10 20 30 30 20
n := 5
m := 5
38
j := 1 .. 25
Ekspozicije u Mathcad-u
T ( C ) j xj j
__________________________________________________________________________________________________________
D ( x) :=
Kompletna matrica koeficijenata ograni enja se formira otvaranjem i popunjavanjem blanko tabele. Na in dobija Input Table je putem dijaloga Component Wizard-a iz menija Insert m Component. Veli ina tabele A:
A :=
1 2 3 4 5 6 7 8 9 10 1 1 0 0 0 0 1 0 0 0 0 2 1 0 0 0 0 0 1 0 0 0 3 1 0 0 0 0 0 0 1 0 0
( n + m) n m = 250
m + n = 10
4 1 0 0 0 0 0 0 0 1 0
5 1 0 0 0 0 0 0 0 0 1
6 0 1 0 0 0 1 0 0 0 0
7 0 1 0 0 0 0 1 0 0 0
8 0 1 0 0 0 0 0 1 0 0
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1
Vektor ograni enja kojim je definisano mogu% nost da samo jedan radnik mo/ e raditi na jednoj ma#ini i samo jedan posao mo/ e biti dodeljen jednom radniku:
1 1 1 1 1 B := 1 1 1 1 1
Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalni raspored poslova:
X =
T
1 1 0 2 0 3 0 4 1 5 0 6 0 7 1 8 0 9 0
Given B x 0
Ax
X := Maximize( D , x)
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0
39
__________________________________________________________________________________________________________
X X X X X
3 8
X X X X X
4 9
12 17 22
13 18 23 T
14 19 24
0 0 X 10 0 1 X =1 0 15 0 0 X 20 0 0 X 25
X
5
0 1 0 0 0 0 0 0 0 1 0
0 0 1 0
Verifikacija re#enja:
( A X)
= (1 1 1 1 1 1 1 1 1 1)
Zaklju@ ak: Na osnovu optimalnog re#enja konstatuje se da etvrti posao treba poveriti prvom
radniku, drugi drugom, tre% i prvom, etvrti petom i peti etvrtom. Takva raspodela poslova % e rezultirati najve% om vredno#% u funkcije kriterijuma 125 poena.
M1 5 4 8 2 6
M2 6 6 6 4 10
M3 5 4 7 4 9
M4 1 1 6 4 4
R1 R2 R3 R4 R5
Kako rasporediti radnike na radna mesta, pa da ukupna efikasnost bude najve% a? Koji radnik ne% e biti primljen. Re enje: Prethodno definisan problem asignacije je otvoren. Posle dodavanja jednog fiktivnog radnog mesta dobija se tabela T.4.4, #to predstavlja uslov za formiranje kvadratne matrice 5x5 i prividno zatvorenog problema asignacije.
40
__________________________________________________________________________________________________________
M1 5 4 8 2 6
M2 6 6 6 4 10
M3 5 4 7 4 9
M4 1 1 6 4 4
M5 0 0 0 0 0
R1 R2 R3 R4 R5
( ORIGIN := 1)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 1 0 8 6 7 6 0 2 4 4 4 0 6 10 9 4 0
n := 5
T ( C ) j xj j
m := 5
Kompletna matrica koeficijenata ograni enja se formira otvaranjem i popunjavanjem blanko tabele. Na in dobija Input Table je putem dijaloga Component Wizard-a iz menija Insert m Component. Veli ina tabele A:
A :=
1 2 3 4 5 6 7 8 9 10 1 1 0 0 0 0 1 0 0 0 0 2 1 0 0 0 0 0 1 0 0 0 3 1 0 0 0 0 0 0 1 0 0
( n + m) n m = 250
m + n = 10
4 1 0 0 0 0 0 0 0 1 0
5 1 0 0 0 0 0 0 0 0 1
6 0 1 0 0 0 1 0 0 0 0
7 0 1 0 0 0 0 1 0 0 0
8 0 1 0 0 0 0 0 1 0 0
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1
Vektor ograni enja kojim je definisano mogu% nost da samo jedan radnik mo/ e raditi na jednoj ma#ini i samo jedanposao mo/ e biti dodeljen jednom radniku:
41
__________________________________________________________________________________________________________
1 1 1 1 1 B := 1 1 1 1 1
Jedna inicijalna vrednost (poslednja):
x
25
:= 0 Given B x 0
Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalni raspored poslova:
X =
T
1 1 0 2 0 3 1 4 0 5 0 6 0 7 0 8 0
Ax
X := Maximize( D , x)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0
Vrednosti optimalnog plana rasporeda poslova, kao matrica 5x5: Najve% a vrednost funkcije kriterijuma:
S := C X
X X X X X
S = 27
X1 X 6 Xr := X11 X 16 X21
Verifikacija re#enja:
X X X X X
2 7
X X X X X
3 8
4 9
12 17 22
13 18 23
14 19 24
X 10 X 15 X 20 X 25
X
5
0 0 Xr = 1 0 0
0 0 0 0 0 0 1 0 1 0 0 0
0 1 0 0 0 0 0 1
( A X)
= (1 1 1 1 1 1 1 1 1 1)
Zaklju@ ak: Na osnovu optimalnog re#enja konstatuje se na prvo radno mesto treba postaviti
petog (fiktivnog) radnika, na drugo drugog radnika, na prvo tre% eg, na etvrto etvrtog i na tre% e petog. Prvi radnik ne% e biti zaposlen.
42
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
Kako rasporediti poslove na ma#ine, pa da utro#eno vreme za obavljanje svih poslova bude #to manje? Re enje: Prethodno definisan problem asignacije je otvoren. Posle dodavanja dva fiktivna posla dobija se tabela T.4.6, #to predstavlja uslov za formiranje kvadratne matrice i prividno zatvorenog problema asignacije. T.4.6
Poslovi Ma#ine M1 M2 M3 M4 M5 M6 P1 9 14 8 12 10 11 P2 12 10 15 13 11 14 P3 7 9 11 8 10 12 P4 12 11 15 14 10 9 P5 0 0 0 0 0 0 P6 0 0 0 0 0 0
( ORIGIN := 1)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 9 11 0 0 8 15 11 15 0 0 12 13 8 14 0 0 10
9 12
7 12
0 14 10
Studija sluAajeva iz operacionih istra#ivanja Funkcija kriterijuma, kao funkcija maksimalnih poena:
j := 1 .. n m D ( x) := n := 6
T ( C ) j xj j
43
m := 6
__________________________________________________________________________________________________________
Kompletna matrica koeficijenata ograni enja se formira otvaranjem i popunjavanjem blanko tabele. Na in dobija Input Table je putem dijaloga Component Wizard-a iz menija Insert m Component.
A :=
1 2 3 4 5 6 7 8 9 10 11 12 1 1 0 0 0 0 0 1 0 0 0 0 0 2 1 0 0 0 0 0 0 1 0 0 0 0 3 1 0 0 0 0 0 0 0 1 0 0 0 4 1 0 0 0 0 0 0 0 0 1 0 0 5 1 0 0 0 0 0 0 0 0 0 1 0 6 1 0 0 0 0 0 0 0 0 0 0 1 7 0 1 0 0 0 0 1 0 0 0 0 0 8 0 1 0 0 0 0 0 1 0 0 0 0 9 0 1 0 0 0 0 0 0 1 0 0 0 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 1
Vektor ograni enja kojim je definisano mogu% nost da samo jedan radnik mo/ e raditi na jednoj ma#ini i samo jedan posao mo/ e biti dodeljen jednom radniku:
B :=
1 2 3 4 5 1 1 1 1 1 1
36
:= 0 Given B x 0
Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalni raspored poslova:
X =
T
1 1 0 2 0 3 1 4 0 5 0 6 0 7 0 8 1 9 0
Ax
X := Minimize( D , x)
10 11 12 13 14 15 16 17 18 19 20 21 22 23 0 0 0 1 0 0 0 0 0 0 0 0 0 1
44
Ekspozicije u Mathcad-u
S := C X S = 34
__________________________________________________________________________________________________________
X1 X7 X13 X19 X 25 X 31
Verifikacija re#enja:
X X X X X X
2 8
X X X X X X
3 9
X X X X X X
X X X X X X
10 16 22 28 34
11 17 23 29 35
14 20 26 32
15 21 27 33
0 0 1 X 12 0 1 0 X 18 1 0 0 = X 0 0 0 24 0 0 0 X 30 0 0 0 X 36
X
6
0 0 0 0 0 0 0 0 1 0 0 1 0
0 0 0 1 0
( A X)
= (1 1 1 1 1 1 1 1 1 1 1 1)
Zaklju@ ak: Prvi posao treba obra% ivati na tre% oj ma#ini, drugi na drugoj, tre% i na prvoj i etvrti
na #estoj. Ma#ine M4 i M5 ne% e biti upotrebljene za obavljanje ovih poslova. Promenljive X23 i X30 su dopunske promenljive i one ovde ukazuju koje ma#ine ne% e biti anga/ ovane. Minimalno vreme za koje je mogu% e obaviti ove poslove iznosi 34 asova.
Ako svaki student treba da da odgovor samo na jednu grupu pitanja, odrediti mogu% i najbolji (sa najvi#om prose nom ocenom) i mogu% i najgori (sa najni/ om prose nom ocenom) uspeh. Re enje: Prethodno definisan problem asignacije je otvoren. Posle dodavanja dva fiktivna studenta dobija se tabela T.4.8, #to predstavlja uslov za formiranje kvadratne matrice i prividno zatvorenog problema asignacije.
45
__________________________________________________________________________________________________________
Re enje: Prethodno definisan problem asignacije je zatvoren, gde je uo ljiva kvadratne matrice 8x8. Vektor vrednosti poena C:
C :=
1
( ORIGIN := 1)
1 6
2 8
3 9
4 5
7 6
8 5
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 7 10 8 9 8 5 6 7 6 6 5 5 9 9 10
7 10
n := 8
T ( C ) j xj j
m := 8
Kompletna matrica koeficijenata ograni enja se formira otvaranjem i popunjavanjem blanko tabele. Na in dobija Input Table je putem dijaloga Component Wizard-a iz menija Insert m Component. Veli ina tabele A:
A :=
1 2 3 4 5 6
( n + m) n m = 1024
m + n = 16
1 2 1 1 0 0 0 0 0 0 0 0 0 0
3 1 0 0 0 0 0
4 1 0 0 0 0 0
5 1 0 0 0 0 0
6 1 0 0 0 0 0
7 1 0 0 0 0 0
8 1 0 0 0 0 0
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0
46
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
Vektor ograni enja kojim je definisano mogu% nost da samo jedan radnik mo/ e raditi na jednoj ma#ini i samo jedan posao mo/ e biti dodeljen jednom radniku:
B :=
1 2 3 4
1 1 1 1 1
Jedna inicijalna vrednost (poslednja): Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalni raspored poslova:
X =
T
1 1 0 2 0 3 0 4 0 5 0 6 1 7 0 8 0
:= 0 Given
Ax
x 0
X := Maximize( D , x)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
Vrednosti optimalnog plana rasporeda poslova, kao matrica 8x8: Najmanja vrednost funkcije kriterijuma:
S := C X S = 58
X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
10 18 26 34 42 50 58
11 19 27 35 43 51 59
12 20 28 36 44 52 60
13 21 29 37 45 53 61
14 22 30 38 46 54 62
15 23 31 39 47 55 63
X 16 X 24 X 32 X 40 X 48 X 56 X 64
X
8
0 0 0 1 Xr = 0 0 0 0
0 0 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0
0 0 0 1 0 0 0
Verifikacija re#enja:
( A X)
= (1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1)
Studija sluAajeva iz operacionih istra#ivanja Na osnovu optimalnog re#enja konstatuje se slede% i rezultati u pogledu maksimuma, kada se kombinuje grupa pitanja i studenti slede% e strukture: T.4.9
Student Grupa pitanja Ocena S1 P6 10 S2 P2 10 S3 P7 10 S4 P1 10 S5 P8 8 S6 P3 10
47
__________________________________________________________________________________________________________
Navi#a prose na ocena iznosi: Jedna inicijalna vrednost (poslednja): Blok za re#avanje modela linearnog programiranja: Sistem linearnih jedna ina: Optimalni raspored poslova:
X =
T
1 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 1
S = 9.667 m-2 x
64
:= 0 Given
Ax
x 0
X := Minimize( D , x)
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0
Vrednosti optimalnog plana rasporeda poslova, kao matrica 8x8: Najmanja vrednost funkcije kriterijuma:
S := C X S = 34
X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
X X X X X X X X
10 18 26 34 42 50 58
11 19 27 35 43 51 59
12 20 28 36 44 52 60
13 21 29 37 45 53 61
14 22 30 38 46 54 62 T
15 23 31 39 47 55 63
X 16 X 24 X 32 X 40 X 48 X 56 X 64
X
8
0 0 0 0 Xr = 0 1 0 0
0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0
0 0 0 0 0 0 0
Verifikacija re#enja:
( A X)
= (1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1)
Na osnovu optimalnog re#enja konstatuje se slede% i rezultati u pogledu minimuma, kada se kombinuje grupa pitanja i studenti slede% e strukture:
48
__________________________________________________________________________________________________________
S4 P5 6
S5 P3 5
S6 P1 8
1 7 3 2 x2 + 7 x3 - x2 - 2 x1 + x3 + 7 12 2
Re enje: Potrebni uslovi za odre, ivanje stacionarnih ta aka se nalaze na osnovu parcijalnih izvoda po promenljivama: x1, x2 i x3.
x1 x2 x3
T ( x1 , x2 , x3) 8 x1 - 2 1 4
2
T ( x1 , x2 , x3)
x2 - 1 7 2
T ( x1 , x2 , x3) 14 x3 +
Za odre, ivanje stacionarnih vektora x<1> i x<2> prethodno na, eni izvodi se izjedna uju sa nulom:
ORIGIN := 1 8 x1 - 2 0
1 4 2 -1 4 1 4 -2 -1 4
Given 1 2 x2 - 1 4 0 14 x3 + 7 2 0
MinErr ( x1 , x2 , x3)
x :=
1 4 2 -1 4
1 4 -2 -1 4
49
__________________________________________________________________________________________________________
Na osnovu prethodnih rezultata, proizilazi da postoje dve stacionarne ta ke funkcije, vektorski predstavljene:
1 x =
0.25 2 -0.25
2 x =
0.25 -2 -0.25
x x x
1, 1 2, 1 3, 1
= 0.25 =2 = -0.25
x x x
1, 2 2, 2 3, 2
= 0.25 = -2 = -0.25
Izvodom vi#eg reda i me#ovitim izvodima funkcije vi#e promenljivih, utvr, uju se njena svojstva u okolini stacionarnih ta aka. Ovi izvodi se mogu direktno uvrstiti u determinante za stacionarne ta ke:
2 x1
2
det1 ( x1 , x2 , x3) :=
T ( x1 , x2 , x3) 8
2 T ( x1 , x2 , x3) T ( x1 , x2 , x3) x12 x1 x2 det2 ( x1 , x2 , x3) := 2 T ( x1 , x2 , x3) T ( x1 , x2 , x3) 2 x2 x2 x1 2 T ( x1 , x2 , x3) x12 det3 ( x1 , x2 , x3) := T ( x1 , x2 , x3) x2 x1 T ( x1 , x2 , x3) x3 x1
T ( x1 , x2 , x3)
4 x2
T ( x1 , x2 , x3)
Konkretne vrednosti determinanata za stacionarne ta ke mogu se utvrditi zamenom vrednosti numeri kih elemenata prvog, pa zatim i drugog vektora. Na osnovu toga slede rezultati:
Kako su sve vrednosti determinanti (det1, det2 i det3) > 0, za x<1> ovde proizilazi da funkcija ima lokalni minimum sa numeri kom vredno#% u: T x ,x ,x
( 1, 1
2, 1
3, 1
50
Ekspozicije u Mathcad-u
T x
__________________________________________________________________________________________________________
( 1 , 1 , x2 , 1 , x3 , 1) = 4.979
Sli nim postupkom, zamenom vrednosti vektora x<2>, ispituje se iznos kriterijumske funkcije tro#kova, u ovoj stacionarnoj ta ki:
T x
( 1 , 2 , x2 , 2 , x3 , 2) = 7.646 )
Kako je: T x , x , x > T x ,x ,x = 1 re#enje je verifikovano, te proizilazi da je 1, 2 2, 2 3, 2 1, 1 2, 1 3, 1 globalni minimum funkcije tro#kova. prva ta ka T x , x , x
( 1, 1
2, 1
3, 1
Odrediti optimalni obim prodaje za maksimizaciju profita. Utvrditi vrednost profita za minimalne prose ne tro#kove. Ispitati i konstruisati na jednom grafiku funkcije prihoda, tro#kova i profita. Koliki je interval rentabiliteta?
T ( q) := 3 q + 1200
Uslov za postizanje maksimuma funkcije profita jesu da prvi izvod bude nula, a drugi negativan:
d P ( q) 400 - 8 q dq d2 dq
2
P ( q) - 8
Dakle, maksimum profita se posti/ e pri obimu proizvodnje (prodaje) od 50, a tada je ostvareni profit od 8800 /nj/.
d dq P ( q) 0 solve , q 50 P ( 50 ) = 8800
51
__________________________________________________________________________________________________________
Minimalni prose ni tro#kovi mogu da predstavljaju kriterijum za optimizaciju proizvodnje. U konkretnom slu aju oni se posti/ u slede% im postupcima:
t ( q) := T ( q) q t ( q)
(3 q2 + 1200 )
q
d2 dq
2
t ( q) simplify
2400 q
3
d dq
t ( q)
0 solve , q
20 - 20
P ( 20 ) = 5200
Za obim prodaje (proizvodnje) od q=20 jedinica proizvoda, posti/ u se minimalni prose ni tro#kovi, a profit koji se tada realizuje iznosi 5200 /nj/.
5 .10
4
50 4 .10
4
200
P ( q)3 .10 R ( q)
T( q) 2 .104
1 .10
50
100
150
200 q
250
300
350
400
450
Treba uo iti da su prve koordinate ovih ta aka upravo i prve koordinate nula vrednosti funkcije profita.
52
p
__________________________________________________________________________________________________________
U odnosu dve funkcije R(q) i P(q) ne pronalazi se realno re#enje preseka, ve%samo kompleksno (imaginarno). Dakle, sledi da je nemogu% e da profit bude jednak prihodima. Prese@ ne ta@ ke funkcija T(q) i P(q)
Q3 := root ( T ( q) - P ( q) , q) Q3 = 50.33
Interval rentabiliteta je interval za koje je profit pozitivan, ili alternativno oblast u kojoj su prihodi ve% i od tro#kova:
2
P ( Q) := 400 Q - 4 Q - 1200
q := polyroots ( A)
q=
3.096 96.904
q = 96.904
U konkretnom primeru to je interval [q0,q1]. U tom intervalu se ostvaruje profitabilno poslovanje preduze% a. Dakle, to je upravo oblast izme, u dve nule funkcije profita, odnosno oblast izme, u dve prese ne ta ke funkcije ukupnog prihoda i ukupnih tro#kova.
c := 2
d := 900
53
__________________________________________________________________________________________________________
ili po redefiniciji (samo izmena oznaka, x X): Funkcija prihoda je tada: Redefinicija funkcije tro#kova: Tada je funkcija dobiti definisana kao:
p ( X) 4800 - 4 X
P ( X) := X p ( X) X ( 4800 - 4 X) C ( X) 2 X + 900
2
D ( x) :=
d dx
D ( x) 4800 - 12 x
Re#avanjem izvodne jedna ine, dobija se jedno re#enje xo kao optimalna vrednost proizvodnje:
Given D ( x) 0 xo := Find ( x) 400
799.812 0.188
xr := x
xr = 0.188
1
p2 := 24
Ekspozicije u Mathcad-u
2
__________________________________________________________________________________________________________
U( x , y) := 85 x y
G ( x , y , l ) := U( x , y) + l ( Do - D ( x , y) )
x y l
G (x , y , l ) G (x , y , l ) G (x , y , l )
G1 ( x , y , l ) 85 y - 45 l
2
G2 ( x , y , l ) 170 x y - 24 l G3 ( x , y , l ) 680 - 45 x - 24 y
2 x x y y x 2 y
2 2
G (x , y , l ) G (x , y , l ) G (x , y , l )
F22 ( x , y , l ) :=
G (x , y , l )
F22 ( x , y , l ) 170 x
Odre, ivanje optimalnog obima kupovine dobara. Za inicijalne vrednosti formiran je blok za prora un:
x := 2 G1 ( x , y , l ) y := 2 0 l := 1 G2 ( x , y , l ) 0 Given G3 ( x , y , l ) 0
xo yo := Find ( x , y , l ) lo
Pri tome je maksimalna vrednost funkcije korisnosti:
xo 5.037 = yo 18.889
U( xo , yo) = 152759.031
55
__________________________________________________________________________________________________________
Uslov kojim se potvr, uje maksimalna vrednost funkcije korisnosti izra/ en je pozitivnom vredno#% u Hejsian determinante.
Hemijsko jedinjenje Phosphofructokinase Glyceraldehyde-3-phosphate dehydrogenase Pyruvate kinase Polysaccharide production Glycerol production: ATPase NAD/NADH ratio
Koncentracija
x8 := 31.7 x9 := 49.9 x10 := 3440 x11 := 14.31 x12 := 203 x13 := 25.1 x14 := 0.042
56 Re enje:
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
x1
2.8632 x1 x5
0.0243
x7 - 0.5236 x2
0.735
x5
- 0.394
x8
0.999
x11
0.001
x5
- 0.3941
x8
Enzim Pyruvatekinase:
x4
0.022 x3
0.6159
x5
0.1308
x9 x14
- 0.6088
- 0.0945 x3
0.05
x4
0.533
x5
- 0.0822
x10
ATP (Adenozin-tri-fosfat):
x5 - 3.2097 x1 + 0.0913 x3
0.198
x2 x4
0.196
x5 x5
0.372
x7 x9
0.265
x8
0.265
x11
0.002
0.333
0.266
0.024
0.5
x10
0.5
x14
- 0.304
x13
0.47
) ...
Pretpostavka je da je optimizacija proizvodnje etil-alkohola stvarna funkcija i potrebno je prona% i takvu vrednost kako bi protok bio maksimalan.
C ( x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 , x10 , x11 , x12 , x13 , x14) := 0.0945 x3
.05
x4
.533
x5
- .0822
x10
Vrednosti hemijskih jedinjenja % e ovde biti inicijalne za (ne)jedna ine stalnog stanja. Prema Klifordu mo/ e se odlu iti koliko je svakom enzimu dozvoljeno da se promeni (pod pretpostavkom da se to mo/ e fiziolo#ki i biotehni ki realizovati). U tom smislu su postavljena ograni enja koncentraciji metabolita:
57
__________________________________________________________________________________________________________
x14 0.05
Z = ( 0.034 1.1 9.4 0.11 1.1 21 68.571 30.464 55 10000 3.578 101.5 27.853 0.021 )
a) Matemati ki model problema sa injava funkcija cilja: uslovi u pogledu ograni enja su:
x +x +x S
1 2 3
F ( x) := c1 x + c2 x + c3 x
1 2
0 x 5
1
0 x 5
2
0 x 5
3
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
x32 := 2
x33 := 3
x34 := 4
x35 := 5
f1
S
0 4 8
max( f1) = 20
12 16 20 20 20 20
x2
S-x2
x2
max( f20 ) = 0
S := 1
x2 := 0 .. S
f21
x2
:= c2 x2 + f1
S-x2
f21
4 5
x2
max( f21 ) = 5
S := 2
x2 := 0 .. S
f22
x2
:= c2 x2 + f1
S-x2
f22
8 9 10
x2
max( f22 ) = 10
S := 3
x2 := 0 .. S
f23
x2
:= c2 x2 + f1
S-x2
f23
12 13 14 15
x2
max( f23 ) = 15
59
__________________________________________________________________________________________________________
S := 4
x2 := 0 .. S
f24
x2
:= c2 x2 + f1
S-x2
f24
16 17 18 19 20
x2
max( f24 ) = 20
S := 5
x2 := 0 .. S
f25
x2
:= c2 x2 + f1
S-x2
f25
20 21 22 23 24 25
x2
max( f25 ) = 25
S := 6
x2 := 0 .. S - 1
f26
x2
:= c2 x2 + f1
S-x2
f26
20 25 26 27 28 29
x2
max( f26 ) = 29
S := 7
x2 := 0 .. S - 2
f27
x2
:= c2 x2 + f1
S-x2
f27
20 25 30 31 32 33
x2
max( f27 ) = 33
S := 8
x2 := 0 .. S - 3
f28
x2
:= c2 x2 + f1
S-x2
f28
20 25 30 35 36 37
x2
max( f28 ) = 37
60
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
5 2
10 7 4
max( f31 ) = 5
c3 x30 + max( f23 ) c3 x31 + max( f22 ) f33 := c3 x32 + max( f21 ) c3 x3 + max( f20 ) 3
max( f33 ) = 15
15 12 9 6
c3 x30 + max( f24 ) c3 x31 + max( f23 ) f34 := c3 x32 + max( f22 ) c3 x3 + max( f21 ) 3 c3 x34 + max( f20 ) max( f34 ) = 20
20 17 14 11 8
c3 x30 + max( f25 ) c3 x31 + max( f24 ) c3 x3 + max( f23 ) 2 f35 := c3 x33 + max( f22 ) c3 x34 + max( f21 ) c3 x35 + max( f20 )
max( f35 ) = 25
25 22 19 16 13 10
c3 x30 + max( f26 ) c3 x31 + max( f25 ) c3 x3 + max( f24 ) 2 f36 := c3 x33 + max( f23 ) c3 x34 + max( f22 ) c3 x35 + max( f21 )
max( f36 ) = 29
29 27 24 21 18 15
c3 x30 + max( f27 ) c3 x31 + max( f26 ) c3 x3 + max( f25 ) 2 f37 := c3 x33 + max( f24 ) c3 x34 + max( f23 ) c3 x35 + max( f22 )
max( f37 ) = 33
33 31 29 26 23 20
c3 x30 + max( f28 ) c3 x31 + max( f27 ) c3 x3 + max( f26 ) 2 f38 := c3 x33 + max( f25 ) c3 x34 + max( f24 ) c3 x35 + max( f23 )
max( f38 ) = 37
37 35 33 31 28 25
Studija sluAajeva iz operacionih istra#ivanja Neposredne dobiti od raspodele u funkciji raspolo/ ivog resursa i broja linija:
f1 = 20
61
S := 0 .. 8
__________________________________________________________________________________________________________
0 4 8 12 f1 = 16 20 20 20 20
f2 :=
S
max( f20 ) max( f21 ) max( f22 ) max( f23 ) max( f24 ) max( f25 ) max( f26 ) max( f27 ) max( f28 )
0 0 0 0 f2 = 0 0 0 0 0
f3 :=
S
max( f30 ) max( f31 ) max( f32 ) max( f33 ) max( f34 ) max( f35 ) max( f36 ) max( f37 ) max( f38 )
0 0 0 0 f3 = 0 0 0 0 0
F ( x) := 37 x := 3
1
x := 5
2
x := 0
3
ORIGIN := 2
0 3 x= 5 0
F ( x) = 37
62
Ekspozicije u Mathcad-u
T1 := ( 0.2 0.2 0.2 0.2 0.2 )
__________________________________________________________________________________________________________
R :=
tj.
0 T T1 ( Q ) 1 T T1 ( Q ) 2 T) ( T1 Q 3 T T1 ( Q ) 3
max( R) = 0.65334
R = 0.65334
b) Te/ inski koeficijenti kriterijuma su razli itog zna aja: Vektor te/ inskih koeficijenata je dat kao:
T2 := ( 0.4 0.2 0.2 0.1 0.1 )
R :=
0 T T2 ( Q ) 1 T) ( T2 Q 2 T) ( T2 Q 3 T) ( T2 Q
tj.
R = 0.68667
3
(potvrdno).
8. HEURISTIDKO ISTRAHIVANJE
8.1 Optimalni pre@ nik cevovoda [HI1.mcd]
Primer: Odrediti optimalni pre nik cevi za cevovod kroz koji se voda potiskuje iz izvora do rezervoara. Kriterijumska funkcija uklju uje ukupne godi#nje tro#kove. Pri pretra/ ivanju analizirati etiri slu aja prora una. Tro#kove pumpanja vode zanemariti. Zadatak re#iti za date diskretne vrednosti pre nika Dn [18]. Jedinica mera odgovaraju SI sistemu.
Studija sluAajeva iz operacionih istra#ivanja Polazni parametri: Broj varijanti u analizi i prora unu:
n := 1 .. 4
Z1 :=
n
63
__________________________________________________________________________________________________________
Z2 :=
n
Q := 0.4 L := 3000
I :=
n
Azbestno-cementni cevovod je du/ ine: Investicioni tro#kovi In i pre nici cevi Dn iznose:
D :=
n
Koeficijent za pretvaranje investicionih u godi#nje tro#kove: 1. Koeficijent korisnog dejstva crpne stanice: 2. Otpor trenja: 3. Broj sati u jednoj godini: 4. Gravitaciona konstanta: 5. Parametar tro#kova snage: Re enje: Tro#kovi cevovoda:
Tcev := I L a
n n
a := 0.15
Tcev =
n
2925000 3150000 3375000 3532500
DP n :=
8 l L Q g p D
2
2 5
( n)
DP n =
10.201 4.72 2.421 1.343
64
g Q h
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
N :=
n
Z2 - Z1 + DP n n n
N =
n
514.351 481.261 467.383 460.879
DZn := Z2 - Z1
n
D Zn =
75 75 75 75
T D Zn :=
g Q a h
D Zn
T D Zn =
7546757.54 7546757.54 7546757.54 7546757.54
T DP n :=
g Q a h
DP n
T DP n =
1026444.21 474899.16 243580.02 135169.61
Ukupni tro#kovi:
T := Tcev + TD Zn + T DP n
n n
T =
n
11498201.7 11171656.7 11165337.6 11214427.1
Pregledom vrednosti funkcije tro#kova minimalna vrednost iznosi T3=11165337,6, a njoj odgovara optimalna vrednost pre nika od D3= 800 mm. Dakle, usvaja se:
T = 11165337.56
3
D = 0.8
3
65
__________________________________________________________________________________________________________
1.15 .10
D3 1.14 .10 Tn Tn
7
1.13 .10
1.12 .10
T3
1.11 .10
0.55
0.6
0.65
0.7 Dn
0.75
0.8
0.85
ili
V0 = ( 55 25 20 ) %
Uz pretpostavku stacionarnosti matrice Markova, odrediti: a) Koliko se kupaca opredeljuje za proizvode A, B i C po isteku trogodi#njeg perioda. Rezultate prikazati grafi ki. Odrediti rang u trenucima t= 0 god i t= 3 god. b) Odrediti ravnote/ no (finalno) stanje tra/ nje za ovim proizvodima. Re enje i verifikacija: Za prethodni vektor V0 i matricu M sledi:
V0 = 1
0 T) ( M
=1
1 T) ( M
=1
1 T) ( M
=1
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
V1 := V0 M V2 := V1 M V3 := V2 M
2 3
V1 = 1 V2 = 1 V3 = 1
V := stack ( V0 , V1 , V2 , V3)
t := 0 .. 3
B :=
t
C :=
t
0.5 At Bt Ct 0.3
0.4
0.2
0.1
0.5
1.5 t
2.5
3.5
67
__________________________________________________________________________________________________________
Zaklju@ ak: Mo/ e se zaklju iti da proizvod A koji je na po etku perioda bio najtra/ eniji po
isteku tri perioda pada na tre% e mesto, #to ukazuje da u taj proizvod ne treba dalje ulagati. Tako, e, se zaklju uje da treba investirati u proizvod B jer postaje vode% i proizvod na tr/ i#tu. Stabilno ravnote=no stanje
Stabilno ravnote/ no stanje se odre, uje na osnovu sistema matri nih jedna ina ravnote/ nog stanja:
SM S
5 4 3 10 10 10
S M - S 0
Given
( s1 s2 s3 ) := MinErr ( S)
Re#avanjem ovog sistema jedna ina dobija se vektor stabilnog ravnote/ nog stanja W:
W := ( s1 s2 s3 )
te je:
Uz verifikaciju:
W = 100 %
G := stack ( W , W , W)
68
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
u etvrtom stanju, odnosno potra/ ivanja sa rokom dospe% a 30-90 dana pretpostavljaju se slede% e vrednosti prelaznih verovatno% a [1]:
P
0, 3
:= 0.45
1, 3
:= 0.1
2, 3
:= 0.15
3, 3
:= 0.3
Na osnovu ovih informacija, matrica Markova prelaznih verovatno% a mo/ e se predstaviti u obliku:
0 0 0 1 0 1 0 0 P := 0 0.2 0.3 0.5 P P P P 0, 3 1, 3 2, 3 3, 3
Da bi se odredila fundamentalna matrica, izvr#i% e se podela matrice P na na in opisan u poglavlju o vektorima i matricama.
I := submatrix( P , 0 , 1 , 0 , 1) I=
1 0 0 1
O := submatrix( P , 0 , 1 , 2 , 3)
O=
0 0 0 0
A := submatrix( P , 2 , 3 , 0 , 1)
A=
B := submatrix( P , 2 , 3 , 2 , 3)
B=
F := ( I - B)
-1
K := F A
Elementi prve vrste matrice K pokazuju verovatno% u naplativosti potra/ ivanja sa rokom dospe% a do 30 dana. Tako, se vidi da verovatno% a da % e ova potra/ ivanja biti napla% ena iznosi 94,2%. Verovatno% a da % e ova potra/ ivanja biti otpisana iznosi 5,8%. Elementi druge vrste, koji pokazuju kona ne vrednosti naplativosti potra/ ivanja sa rokom dospe% a 30-90 dana, imaju sli no tuma enje. O ekuje se da % e 84,5% ovih potra/ ivanja biti napla% eno, dok % e 15,5% ostati nenapla% eno. Ukoliko se pretpostavi da preduze% e u odre, enom trenutku raspola/ e sa 10000 dinara potra/ ivanja sa rokom pla% anja do 30 dana i 40000 dinara sa rokom pla% anja 30-90 dana, tada je vektor potra/ ivanja:
Q := ( 10000 40000 )
Iznos potra/ ivanja koji % e se napla% ivati (otpisati) na kraju perioda od mesec dana dobija se na osnovu:
69
__________________________________________________________________________________________________________
Kao #to se vidi, od ukupnog iznosa od 50000 dinara, kolika su potra/ ivanja preduze% a iz ovog primera, mo/ e se o ekivati da % e 43204 biti napla% eno, dok % e 6796 dinara potra/ ivanja biti otpisano. Isti rezultat se mo/ e dobiti na osnovu vektorske jedna ine:
Qc := Q ( submatrix( P , 0 , 1 , 0 , 1) - submatrix( P , 2 , 3 , 2 , 3) ) Qc = ( 43203.9 6796.1 )
-1
submatrix( P , 2 , 3 , 0 , 1)
m1 :=
m1 = 5.71 hr
l := r1 m1
r1 1 + m1 s 1 2 m1 ( 1 - r1)
l = 4.29 hr
2 2
-1
Srednje vreme zadr/ avanja krana: Ako je vreme odstupanja 8 minuta, onda je:
m2 := 1 t2 m2 = 7.5 hr
-1
t1 :=
t1 = 26.81 min
r2 :=
l m2
r2 = 0.571
70
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
t2 :=
r2 1 + m2 s 2 2 m2 ( 1 - r2)
t2 = 8.33 min
tada je:
Dt := t1 - t2
Dt = 18.48 min
l := 225 hr
-1
c1 := 21
c2 := 12 hr
-1
k := 6
r=5
rs :=
rs = 0.833
Verovatno% a stanja kada u sistemu opslu/ ivanja nema klijenata, i u stacionarnom re/ imu rada jednaka je:
k rx rk rs + P := 0 x! k! 1 - rs x = 0
-1
P = 0.00451
0
Za sve vrednosti x < k, verovatno% e stanja u stacionarnom re/ imu rada odre, uju se relacijom
x := 0 .. k
P :=
x
x!
pa je:
P = 0.00451
0
P = 0.09400
3
P = 0.09792
6
P = 0.02256
1
P = 0.11750
4
P = 0.05640
2
P = 0.11750
5
71
__________________________________________________________________________________________________________
k!
rs
(1 - rs)
G = 2.94
Prose an ukupan broj klijenata koji se opslu/ uje u kanalima opslu/ ivanja:
Q := 1 P + 2 P + 3 P + 4 P + 5 P + 6 1 - P - P - P - P - P - P
1 2 3 4 5 0 1 2 3 4
Q=5
Prose an broj zadr/ avanja klijenata u sistemu opslu/ ivanja: Prose no vreme ekanja klijenata u redu
t := G l
R := G + Q t = 47.001 s
R = 7.938 t = 0.013 hr
Sledi konstatacija da nije ekonomi no uvoditi sedmo radno mesto za posao opslu/ ivanja klijenata.
72
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
broj, ravnomerno raspore, en u intervalu [0,q], gde je grani na vrednost q realan broj, ve% i od nule. Ovakav metod generisanja predstavlja op#tiji slu aj nego #to se nudi generatorskom funkcijom runif. Primena ove funkcije se posebno nalazi u modeliranju procesa u tehnici, gde su vektori poreme% ajnog dejstva na sistem slu ajnog karaktera. Me, utim, po svojoj prirodi brojevi tipa rnd(q) su pseudoslu ajni, ali kako statisti ki testovi pokazuju oni su verifikovani kao adekvatna zamena pravim slu ajnim brojevima. Primer: Slu ajni brojevi ponekad treba da budu raspore, eni u intervalu razli itom od [0,1], ili su potrebni samo celi brojevi. Generisanjem dvanaest ravnomerno raspore, enih slu ajnih brojeva u intervalu [a,b] posti/ u se slede% im modelom.
a := -3
T
b := 3
n := 0 .. 11
S := a + ( b - a) rnd ( 1)
n
S = ( -2.99 -1.84 0.51 -0.9 1.94 -1.96 1.26 -1.18 -2.45 -2.12 2.93 -2.29 )
S := round [ a + ( b - a) rnd ( 1) ]
n
S = ( -3 -1 2 2 1 1 3 -1 2 0 2 -3 )
Primer: Funkcija rnd(q) se esto koristi u operandu neke slo/ ene funkcije. Koliko je trend te slo/ ene funkcije "poreme% en" uticajem funkcije rnd(q), direktno zavisi od vrednosti q, #to se mo/ e uo iti u slede% im primerima. Inkrementno skaliranje apcisne ose: Izabrana deterministi ka funkcija:
x := 1 , 1.15 .. 16
f ( x) := exp sin 2
x p f ( x) =
1.812 1.951 2.088 2.22 2.343 2.453 2.548 2.625 2.679 2.711 2.718
2.7
73
__________________________________________________________________________________________________________
f ( x) := exp sin 2
x p
+ rnd ( 0.3 )
f ( x) =
1.96 2.173 2.274 2.461 2.516 2.727 2.767 2.825 2.774 2.802 2.75 2.955
Sl. 11.3 Grafik funkcije sa sluAajnim trendom - promenljiva sa slabije poremeBenim Trendom
p Model funkcije f(x) sa izrazitim poremeJajem trenda
f ( x) := exp sin 2
x p
+ rnd ( 1.4 )
f ( x) =
2.668 3.177 2.921 3.33 3.17 3.25 3.49 2.639 3.157 3.79 3.935 3.716
Sl. 11.4 Grafik funkcije sa sluAajnim trendom - promenljiva sa izra#enije poremeBenim trendom
74
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
Savet: Da bi postupci generisanja slu ajnih brojeva bili verodostojniji, potrebno je periodi no
menjati vrednost "klice" generatora slu ajnih brojeva. Ova promena se vr#i opcijom Seed value for random numbers u meniju Math m Options... "Klica" vrednosti je inicijalna vrednost numeri kog algoritma rnd-a i defini#e se da je uvek jednaka ili ve% a od jedinice.
S2 S1 S3
R2 ( l2 , t) := e
- l2 t
R3 ( l3 , t) := e
- l3 t
1 - 1 - e
- l2 t
) (1 - e- l3t)
Simboli ko re#enje za srednje vreme otkaza sistema pri ovoj kombinovanoj vezi elemenata S1, S2 i S3:
R ( l1 , l2 , l3 , t) dt 0
2 2 2 ( l1 + 2 l1 l2 + 2 l1 l3 + l2 + l2 l3 + l3 )
( l 1 + l 3) ( l 1 + l 2) ( l 1 + l 2 + l 3)
75
__________________________________________________________________________________________________________
S2:
l2 := 0.28 10
-3
S3:
l3 := 0.32 10
-3
Teorijski srednje vreme pouzdanosti sistema pri paralelnoj vezi elemenata S1, S2 i S3:
Trp := R ( t) dt 0
ili konkretno:
Trp 2027.2073217870547014
- l1 t
dt 2857.1428571428571429
0 - l2 t
dt 3571.4285714285714286
- l3 t
dt 3125.0000000000000000
Srednje vreme pouzdanosti sistema pri rednoj vezi elemenata S1, S2 i S3:
p
i := 0 .. N - 1 =
0 0 1 2 908.3 3 74.5 4 2 5 3350
T1
173.5 3024.5
mean ( T1 ) = 2874.488
0 0
7364.8 2151.4
429.5 5456.6
7776 4018.9
76
Ekspozicije u Mathcad-u
mean ( T2 ) = 3569.163
__________________________________________________________________________________________________________
0 0
5 259.7
259.8 2962.9
mean ( T3 ) = 3113.725
))
7
0 0
2 908.33
3 74.49
173.54 3024.47
mean ( T) = 2040.245
tj.
D = 0.643 %
0.4
0.2
1000
2000
3000 t
4000
5000
6000
77
__________________________________________________________________________________________________________
Kako se broj replikacija pove% ava uo ava se konvergencija simulacionog rezultata ka veoma preciznom teorijskom. Ovaj na in vrednovanja je omogu% en, jer se poznaju rezultati referentnog modela, tj. analiti kog. U jednostavnijim slu ajevima modeliranja pouzdanosti mogu se oblikovati oba modela, a zatim vr#iti i komparacija njihovih rezultata. U slo/ enijim slu ajevima, esto je jedino mogu% e primeniti metodu Monte Karlo, te se iz tih razloga ona i naziva "metoda zadnjeg izlaza" [29].
0 1 -2 A := 1 -2 3 -2 3 -4
Ova matrica je singularna, te se ne mo/ e direktno primeniti postupak prora una odre, ivanja optimalnih me#ovitih strategija. Me, utim, ako se svakom elementu ove matrice doda jedinica, dobi% e se matrica C.
1 1 1 B := 1 1 1 1 1 1
1 2 -1 C := A + B 2 -1 4 -1 4 -3 -1 C
V := 1 I C
T -1
13 16 -1 8 -7 16
-1 8 1 4 3 8
-7 16 3 8 5 16
1 I
gde je:
1 I 1 1
jer je: IT C- 1 I = ( 1 ) odnosno vrednost po etne igre jednaka je 0. Optimalne me#ovite strategije i za po etnu i za modifikovanu igru su:
78
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
p :=
I C I C
T
-1
-1
1 4
1 2
1 4
-1 C I q := T -1 I C I
1 4 1 2 1 4
13. UPRAVLJANJE ZALIHAMA 13.1 Prora@ un optimalnih koli@ ina zaliha sa konstantnom nabavkom [UZ2.mcd]
Primer: Trgovinsko preduze% e planira da u periodu t= 1 /god/ (365 dana) nabavi Q= 1600 /kom/ proizvoda. Nabavna cena porud/ bine iznosi k0= 83 /nj/, dok su godi#nji tro#kovi skladi#tenja k1=5,6 /nj/kom/. Izra unati: a) Optimalnu koli inu qo koju treba da sadr/ i porud/ bina da bi ukupni tro#kovi zaliha bili minimizirani. b) Izra unati odgovaraju% u koli inu proizvoda po porud/ bini q1 i q2 /kom/, ako se ukupni tro#kovi zaliha pove% aju za p= 50%. Komparaciju izvr#iti u odnosu na optimalnu koli inu proizvoda. c) Dati grafi ku predstavu tokova nagomilavanja i tro#enja zaliha proizvoda za na, ena numeri ka re#enja. Polazni podaci: Godi#nja koli ina proizvoda /kom/: Planski period /god/: Fiksni tro#kovi naru ivanja zaliha po seriji /nj/: Troskovi skladi#tenja zaliha /nj/kom/god/:
Q := 1600 t := 1 k0 := 83 k1 := 5.6 p := 50 %
Procenat pove% anih tro#kova interventnog skladi#tenja u odnosu na regularno: Re enje: Optimalna koli ina naru ivanja /kom/:
qo := 2 Q k0 t k1
qo = 217.78
n :=
Q qo
n = 7.35
79
__________________________________________________________________________________________________________
t :=
t = 0.136
F := k0
qo Q + k1 t 2 qo minF = 1219.57
F = 1219.57
ili:
minF :=
2 k0 k1 Q t
F1 := ( 1 + p) F Q q + k1 t - F1 q 2
F1 = 1829.36
k0
k1 2 q - F1 q + k0 Q 2
k0 Q -F1 q12 := k1 t 2
ORIGIN := 1
Alternativne oznake:
q1 := q
q2 := q
u :=
q2 q1
u = 6.854
Grafi ka interpretacija uve% anih tro#kova zaliha za p= 50%: Skaliranje ose koli ine zaliha: Funkcija ukupnih tro#kova:
q := 0 , 1 .. 650 q Q f ( q) := k1 t + k0 2 q
80
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
3000 q1 q2
f ( q) k0 Q q q
2000
F1
k1 t 2 1000
100
200
300 q
400
500
600
x := 0 ,
t .. ceil ( n) t 200
qo 2 qo 3 qo 4 qo 5 qo 6 qo 7 qo 8
qo 1 -
x t x t x t x t x t x t x t
t
Na osnovu prethodnih podataka mogu se planirati koli ine zaliha za operativni period, putem tzv. "testerastog" dijagrama.
81
__________________________________________________________________________________________________________
t 200 f ( x) 100
qo
0.2
0.4
0.6 x
0.8
13.2 Prora@ un optimalnih koli@ ina zaliha sa interventnom narud =bom [UZ2.mcd]
Primer: Za slu aj da je potra/ nja za zalihama ve% a od redovno nabavljene koli ine izra unati: a) Optimalni obim q potra/ nje za zalihama u toku vremenskog perioda t kao i optimalni obim zaliha p u istom vremenskom intervalu t. Iz tih razloga izra unati interventnu koli inu Dq. b) Optimizirati intervalni ciklus t (vreme izme, u prethodne i naredne serije), kao i broj porud/ bina u toku vremena t= 12 /mes/ (365 dana), ako su dati slede% i podaci: Q= 245000 /kom/ - ukupna potra/ nja u toku godine, k1= 80 /nj/kom/mes/ - jedini ni tro#kovi odr/ avanja zaliha, k2= 260 /nj/kom/mes/ - tro#kovi koji se javljaju usled neravnomernog isporu ivanja zaliha, k0= 7300 /nj/ - fiksni tro#kovi nabavke serije. c) Odrediti potrebnu koli inu p i Dq, ako je nova koli ina q= 3400 /kom/, a ukupni tro#kovi zaliha u novim uslovima iznose F1= 1900000 /nj/. Ostali parametri ostaju isti kao pod b). d) Grafi ki predstaviti slu aj pod c). Polazni podaci: Godi#nja koli ina proizvoda /kom/: Planirani period konvertovanja zaliha /mes/: Fiksni tro#kovi zaliha po seriji /nj/: Tro#kovi skladi#tenja zaliha /nj/kom/mes/: Troskovi skladi#tenja interventne koli ine zaliha /nj/kom/mes/:
Q := 245000 t := 12 k0 := 7300 k1 := 80 k2 := 260
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
q :=
2 Q k0 t k1
k1 + k2 k2
k2 k1 + k2
q = 2207.38
p :=
2 Q k0 t k1
p = 1687.99
Optimalna koli ina interventne nabavke /kom/: Minimalni ukupni tro#kovi zaliha /nj/:
k2 k1 + k2
Dq := q - p
Dq = 519.38
min( F) :=
2 Q t k0 k1
min( F) = 1620474.88
minF := k0
te je:
t Q
minF = 1620474.88
t :=
t = 0.108
Ciklus regularne potro#nje /god/: Ciklus potro#nje interventne koli ine /god/: Optimalni broj serija godi#nje /ser/god/:
t1 :=
p t q
t1 = 0.083
t2 := t - t1
n := t t
t2 = 0.025 n = 110.99
Potrebna koli ina na osnovu re#enja kvadratne jedna ine po argumentu p. Ako su: (neoptimalna) koli ina zaliha za seriju q i ukupni tro#kovi F1:
q := 3400 F1 := 1900000
k0
Q p ( q1 - p) + k1 t + k2 t - F1 q1 2 q1 2 q1
ORIGIN := 1
83
__________________________________________________________________________________________________________
sa koeficijentima polinoma:
Ciklus regularne potro#nje /god/: Ciklus potro#nje interventne koli ine /god/:
t21 := t - t11 t21 = 0.04 t12 :=
t11 :=
p1 t q
t11 = 0.068
p2 t q
t12 = 0.097
t22 := t - t12
t22 = 0.011
2 2 Q p1 ( q - p1 ) k0 + k1 t + k2 t q 2 q 2 q = 1900000 2 2 1900000 p2 ( q - p2 ) Q k0 + k1 t + k2 t q 2 q 2 q
84
Ekspozicije u Mathcad-u
t2 2 t0 s0 1 t1 s1 3 s2 t3 s3 t4 s4
__________________________________________________________________________________________________________
4 t5 s5
Tp := 12
1 1 2 a := 2 6 1
2 3 3 m := 4 8 2
3 4 5 b := 6 10 4
t :=
T
( a + 4 m + b)
s :=
T
2 17 19 4 8 13 6 6 6
1 1 1 2 2 1 3 2 2 3 3 2
t0 + t2 + t5 t + t T := max 0 3 t + t 1 4
T = 10.833
s :=
(s0) + (s3)
2
(s1)2 + (s4)2
85
__________________________________________________________________________________________________________
15. TESTIRANJE STATISTIDKIH HIPOTEZA 15.1 Test c2 za verifikaciju hipoteze o slaganju empirijske sa teorijskom eksponencijalnom raspodelom [ST1.mcd]
Pretpostavlja se da se dobijeni numeri ki podaci prilago, avaju eksponencijalnoj raspodeli Puasona. Grafi ko predstavljanje rezultata raspodele Puasona za parametre eksperimenta koji su dati je u fajlu SM8.prn. Dobijeni empirijski rezultati o karakteristikama kvaliteta su grupisati u tabelama i grafi ki interpretirani. Funkcija za import empirijskih podataka: Vektor stvarnih vrednosti karakteristike kvaliteta:
P =
T
0 0 0 1 4 2 3 3 2 4 5 6 3 7 6 8 4 9 5 10 11 12 13 14 15 16 17 18 4 4 3 7 5 5 2 3 3
P := READPRN( "SM8.prn" )
4 10
Broj primeraka u uzorku: Srednja vrednost i ekstremne vrednosti su: Indeksi itervala u uzorku P: Broj nestandardnih (#kart) komada u uzorku:
min( P) 0 = max( P) 10
NS = 795
10
Pi
50
100 i
150
200
Ekspozicije u Mathcad-u
h := ceil ( 5 log ( n) ) h = 12 r = 10
__________________________________________________________________________________________________________
r := max( P) - min( P)
D := ceil
max( P) - min( P) h
D =1
S ( P) := stdev ( P) S ( P) := stdev ( P)
Marginalne vrednosti intervala sre, enog skupa podataka: Vektor marginalnih vrednosti grupnih intervala:
I =
0 0 0
1 1
2 2
3 3
4 4
5 5
6 6
7 7
8 8
10 11 12
9 10 11 12
f := hist ( I , P)
0 0
8 5
9 6
10 11 1 0
3 19 31 40 34 26 21 14
Funkcija fitovane normalne raspodele: Frekvencije sre, enih podataka u h grupnih intervala: Frekvencije: empirijske,
fk =
3 19 31 40 34 26 21
ft ( x) := n D dpois ( x , mean ( P) ) k := 0 .. h - 1
teorijske,
ft Ik =
3.756 14.93 29.672 39.316 39.07 31.061 20.578
suma frekvencija:
( )
f = 200
ft(Ik) = 199.83
k
87
__________________________________________________________________________________________________________
( )
D k := f - ft I
k
( k)
Dk =
-0.756 4.07 1.328 0.684 -5.07 -5.061 0.422 2.315 -0.806 3.436 -0.019 -0.368
I =
10 7.5 5 2.5 Dk 0 2.5 5 7.5 10 1 1 3 5 Ik 7 9 11 13 0 min ( P ) max ( P ) + 1 k
0 1 2 3 4 5 6 7 8 9 10 11
"stem" (stabljika)
88
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
m := 8
g := 0 .. m
0 22 18.685 3.315 10.987 ( ) 1 31 29.672 1.328 1.762 ft ( I2) 2 40 39.316 0.684 0.468 ft ( I3) 3 34 39.07 -5.07 25.708 ft ( I4) 4 26 31.061 -5.061 25.613 ft ( I5) 5 21 20.578 0.422 0.178 ft ( I6) 6 14 11.685 2.315 5.358 7 5 5.806 -0.806 0.65 ft ( I7) 8 7 3.952 3.048 9.29 ft ( I8) ft ( I9) + ft ( I10 ) + ft ( I11 ) (grupisanje frekvencija kako bi zbir bio >5)
( )
g=
Fg =
Ft g =
Fg - Ft g =
(Fg - Ftg)2
(Fg - Ftg)2
Ft
g
c2 = 5.072
Broj nepoznatih parametara osnovne populacije (vrednost l): Broj sabiraka u izrazu za hi-kvadrat vrednost: Broj stepena slobode: Teorijska (grani na) vrednost hi-kvadrat: Skaliranje ose hi-kvadrat vrednosti:
r := m + 1 u := r - s - 1
s := 1 r=9
c2g = 12.017 k := 0 .. 1
89
__________________________________________________________________________________________________________
10 q , c2g
15
20
25
Rezultati testiranja hi-kvadrat se mogu kvantitativno izraziti potvr, ivanjem ili odbacivanjem slede% ih pretpostavki:
p p
Hipoteza H0: Empirijski podaci se povinuju teorijskom zakonu eksponencijalne raspodele. Hipoteza H1: Odstupanje empirijske od teorijske raspodele nema slu ajan karakter.
Kontrolni vektor hi-kvadrat vrednosti: Dozvoljene hi-kvadrat vrednosti: Podru je prihva% anja hipoteze H0: Ako je: a) rezultat 1 prihvata se hipoteza H0 b) rezultat 0 prihvata se hipoteza H1.
(0
Zaklju@ ak: Na osnovu potvr, ivanja H0 hipoteze mo/ e se sa visokom verovatno% om od 90% tvrditi da se generalna populacija, iz koje je analiziran uzorak, sla/ e sa pretpostavljenim Puasonovim zakonom raspodele. Dakle, hipoteza o ovoj raspodeli ne protivure i empirijskim podacima.
90
Ekspozicije u Mathcad-u
__________________________________________________________________________________________________________
S1
S2
0 0 4
1 3
2 1
3 4
4 5
5 4
6 5
7 3
8 4
9 2
10 11 12 13 14 15 16 17 18 19 20 4 5 3 5 5 4 4 5 2 5 4
Broj testiranih u enika prve grupe: Broj testiranih u enika druge grupe:
n1 = 59 n2 = 45
91
__________________________________________________________________________________________________________
druge grupe:
v2 :=
v2 = 1.101
Broj stepeni slobode: prve grupe: druge grupe: Gornji prag signifikantnosti:
u1 := n1 - 1 u2 := n2 - 1
F1 := qF
u1 = 58 u2 = 44 F1 = 0.6308
a , u1 , u2 2
a 2 , u1 , u2
F2 := qF 1 -
F2 = 1.6134
Promenljiva F raspodele:
F := if
v1 > 1 , v1 , v2 v2 v1 v2
F = 1.1796
92
Ekspozicije u Mathcad-u
q := 0 , 0.02 .. 4 k := 0 .. 1
__________________________________________________________________________________________________________
1.6 1.4 dF ( q , u 1 , u 2) 1.2 0 1 dF ( F1 , u 1 , u 2 ) k 0.8 0 0.6 dF ( F2 , u 1 , u 2) k 0.4 0.2 0 0 0.5 1 1.5 q , F1 , F2 2 2.5 3 F
kriva F- raspodele kriticna granica levog repa kriticna granica desnog repa
Hipoteza H0: s 01 2
Hipoteza H1: s 01 2 s 02 2 da me, u varijansama osnovnih skupova postoje zna ajne razlike.
a 2 < pF ( F , u1 , u2) < 1 a 2 =1
Interval poverenja: Podru je prihvatanja hipoteze H0: Kriterijum testa: Ako je:
F1 < F < F2 = 1
Zaklju@ ak: Hipoteza H0 je potvr, ena. U tom slu aju mo/ e se konstatovati da se procene varijansi zna ajno ne razlikuju, te da nema osnova za pretpostavku da je jedna grupa u enika postigla bolje rezultate iz matematike od druge. Ovde prezentovana metoda pedago#kog istra/ ivanja mo/ e predstaviti osnovu za razvoj pro#irenog modela pedago#kog eksperimenta na bazi novih i op#irnijih podataka.
93
__________________________________________________________________________________________________________
94
Ekspozicije u Mathcad-u
Stochastic programming - Stohasti ko programiranje. Theory of game - Teorija igara.
__________________________________________________________________________________________________________
Standard transportation matrix - Standardna matrica transportnog problema. Stationary point - Stacionarna ta ka. Stochastic Linear programming - Linearno stohasti ko programiranje.
[13]
OPERACIONA ISTRA) IVANJA U ISTRA) IVANJIMA I RAZVOJU, (prevod Zbornika radova), s Savremena administracijat , Beograd, 1968. Cvetkovi% , D., KOMBINATORNA OPTIMIZACIJA, Kova evi% -Vuj i% , V. Matemati ka teorija i algoritmi, s DOPISt , Beograd, 1996. (redaktori) x eri% , V. METODE VREDNOVANJA SIMULACIONIH MODELA, SYM-OP-IS y84., (str. 169-177), Herceg Novi, 1984. ' ileg, M. OPERACIONA ISTRA) IVANJA, Zbirka zadataka sa Vugdelija, D. re#enjima, Ekonomski fakultet, Subotica, 1996. Ki#, T. ' upi% , M. SPECIJALNA POGLAVLJA IZ TEORIJA ODLU' IVANJA: Suknovi% , M. KVANTITATIVNA ANALIZA, Univerzitet u Novom Sadu, Radojevi% , G. Fakultet tehni kih nauka, Novi Sad, 2004. Jovanovi% , V. Dantzig, G, B. LINEAR PROGRAMMING AND EXTENSIONS, Princeton University Press, Princeton, New Jersey, 1963. Fishman, S. G. MONTE CARLO CONCEPTS, ALGORITHMS AND APPLICATIONS, Springer Series in Operations Research, Springer, 1999. Ivanovi% , G. POUZDANOST TEHNI' KIH SISTEMA - Zbirka re#enih Stanivukovi% , D. zadataka, Univerzitet u Beogradu, Ma#inski fakultet, Beograd, 1987. Kr evinac, S. OPERACIONA ISTRA) IVANJA, ' angalovi% , M. Fakultet organizacionih nauka, Beograd, 2004. Kova evi% -Vuji% , V. Marti% , M. Vujo#evi% , M. Kun, L. PRIMENA ISTRA) IVANJA OPERACIJA, Ma#inski fakultet, Novi Sad, 1973.
Studija sluAajeva iz operacionih istra#ivanja [14] Leti% , D. Davidovi% , B.. Berkovi% , I. Petrov, T. [15] Leti% , D. Jevti% , V. [16] Marinkovi% , M. [17] Nikoli% , [18] Opricovi% , S. [19] Petri% , J. [20] Petri% , J. - arenac, L. Koji% , Z. [21] R6>S6l : Q =z , R. [22] Stanojevi% , R. [23] Stojanovi% , D. [24] Vujanovi% , N. [25] Vujo#evi% , M. [26] Vukadinovi% , S. [27] Vukadinovi% , S. [28] ` BF6S=l : Q =z , R. 1Q H @ =z , R. [29] Vukadinovi% , S. Popovi% , J. [30] Vuki evi% , R. M. [31] Winston, L.W. [32] Zelenovi% , D. x osi% , I. Maksimovi% , R. [33] Zlobec, S., Petri% , J. MATHCAD 13 U MATEMATICI I VIZUELIZACIJI, Kompjuter biblioteka, ' a ak, 2007.
95
__________________________________________________________________________________________________________
OPERACIONA ISTRA) IVANJA, Tehni ki fakultet s M.Pupint , Zrenjanin, 2006. OPERACIONA ISTRA) IVANJA, Vi#a #kola za organizaciju rada, Novi Sad, 1987. VI- EKRITERIJUMSKA OPTIMIZACIJA + METODE, LOGISTIKA, SOFTVER, Visoka vojna #kola Vojske Jugoslavije, Beograd, 1999. OPTIMIZACIJA SISTEMA - ZADACI IZ VODOPRIVREDE I HIDROTEHNIKE, Gra, evinski fakultet, Beograd, 1995. OPERACIONA ISTRA) IVANJA I i II, Nau na knjiga, Beograd, 1989. OPERACIONA ISTRA) IVANJA I i II, Zbirke re#enih zadataka, Nau na knjiga, Beograd, 1992. \ 2 O^ Z e Oc 3 e c {e Z J 2 e Z j ^ , O6Bol 6 Fk =<6, GH : <M 6S, 1988. METODA SIMPLEKS, ZBIRKA RE- ENIH PRIMERA, Institut s Bra% a Kari% t , Beograd, 1996. EKONOMSKO MATEMATI' KI METODI I MODELI, Ekonomski fakultet, Beograd, 1990. TEORIJA POUZDANOSTI TEHNI' KIH SISTEMA, Vojnoizdava ki i novinski centar, Beograd, 1987. OPERACIONA ISTRA) IVANJA, Izabrana poglavlja, Fakultet organizacionih nauka, Beograd, 1999. MASOVNO OPSLU) IVANJE, Nau na knjiga, Beograd, 1986. ELEMENTI TEORIJE VEROVATNOx E I MATEMATI' KE STATISTIKE, Privredni pregled, Beograd, 1981. J Z T^ J Z T2 ] 5 c 3 e c {e Z J 2 e Z j ^ , Vl =Q H M >=8H 8 B3 M =| 8=l =, 3 M =| 8=l 6, 1996. METODE MONTE KARLO, Saobra% ajni fakultet, Beograd, 1992. OPERACIONA ISTRA) IVANJA u preradi drveta, Univerzitet u Novom Sadu, - umarski fakultet, Beograd, 1997. OPERATIONS RESEARCH, Applications and Algorithms, Indiana University, Duxbury Press, Belmont, California, 1994. PROJEKTOVANJE PROIZVODNIH SISTEMA, Priru nik za ve/ be, Nauka, Beograd, 1992. NELINEARNO PROGRAMIRANJE, Nau na knjiga, Beograd, 1989