Studija Slucajeva Iz Operacionih Istrazivanja - Ekspozicij

Univerzitet u Novom Sadu Tehni ki fakultet Mihajlo Pupin Zrenjanin
f,f
123
2007/2008
Du#ko Leti% Vesna Jevti%
ii
Sadràj UNIVERZITET U NOVOM SADU TEHNI' KI FAKULTET "MIHAJLO PUPIN" ZRENJANIN
_________________________________________________________________________________________________________
Du#ko Leti% Vesna Jevti%
Studija slu ajeva iz OPERACIONIH ISTRA#IVANJA

ekspozicije u Mathcad-u
p p p p
metode optimizacije ispitni zadaci seminarski radovi programska re enja
ZRENJANIN, 2007.
Sadr#aj
_________________________________________________________________________________________________________ __________________________________________________________________________________________________________
Studija slu ajeva iz OPERACIONIH ISTRA) IVANJA + ekspozicije u Mathcad-u

Dr Du#ko Leti% Mr Vesna Jevti% Recenzenti: Izdava : Za izdava a: Lektor: Znak fakulteta: Prof. dr Mirko Vujo#evi% , Fakultet organizacionih nauka, Beograd. Prof. dr Dragan Radojevi% , Institut Mihajlo Pupin, Beograd. Tehni ki fakultet "Mihajlo Pupin" Zrenjanin. Dekan Tehni kog fakulteta "Mihajlo Pupin" u Zrenjaninu, Prof. dr Mom ilo Bjelica. Mr Sr, an - erer, lektor. Dr Du#ko Leti% .
1 2 3 + 5 6869: <=>6?=@ 6 B DBE9=F6?=@ = G=E9=: 8H F6 J 68=?HLM DLFH , O: Q = R6S.
! #% &, ' ( * +, 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
Sadràj
_________________________________________________________________________________________________________
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
Sadràj
_________________________________________________________________________________________________________
11. SIMULACIONO MODELIRANJE ................................. ......................................... 71

11.1 Generisanje slu ajnih brojeva [o16.mcd] .................................................................. 71 11.2 Simuliranje vremena pouzdanosti elemenata tehni kog sistema [SM16a.mcd] ....... 74 12. MATRI' NE IGARE ...................................................................................................... 77 12.1 Nesingularne matri ne igre [MI1.mcd]...................................................................... 77 13. UPRAVLJANJE ZALIHAMA .................................................................................... 78 13.1 Optimalne koli ina zaliha sa konstantnom nabavkom [UZ1.mcd] ........................... 78 13.2 Optimalna koli ina zaliha sa interventnom nabavkom [UZ2.mcd]........................... 81 14. MRE) NO PLANIRANJE ............................................................................................. 83 14.1 Primena tehnike mre/ nog planiranje PERT [MP1.mcd] ........................................... 83 15. TESTIRANJE STATISTI' KIH HIPOTEZA .......................................................... 85 15.1 Test c2 za verifikaciju hipoteze o slaganju empirijske sa teorijskom eksponencijalnom raspodelom [ST1.mcd]................................................................ 83 15.1 Testiranje hipoteze o homogenosti uzoraka na osnovu njihovihvarijansi [ST2.mcd]90 Referentni pojmovnik: Operaciona istra/ ivanja ....................................................................... 93 Literatura: Operaciona istra/ ivanja ........................................................................................... 94 u Osnovna struktura tutorijala OI
Sadràj
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.
Studija sluAajeva iz operacionih istra#ivanja
__________________________________________________________________________________________________________
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.
1. LINEARNO PROGRAMIRANJE 1.1 Optimizacija proizvodnog programa [LP1.mcd]

Primer: Fabrika proizvodi dva tipa proizvoda P1 i P2. Proizvodnja se odvija na dvema ma#inama. Za procesiranje prvog proizvoda operaciona vremena iznose: 4 as/kom na prvoj ma#ini i 10 as/kom na drugoj ma#ini. Za procesiranje drugog proizvoda ova vremena su: 5 as/kom na prvoj ma#ini i 6 as/kom na drugoj ma#ini. Efektivni kapaciteti ma#ina mogu se iskoristiti maksimalno 750, odnosno 850 asova. Na tr/ i#tu proizvodi se pojavljuju u minimalnoj koli ini od 40 komada za P1 i 65 komada za P2. Odrediti maksimalnu dobit proizvoda i optimalne koli ine proizvoda metodom linearnog programiranja, ako su jedini ne cene proizvoda c1= 5500 nj/kom za P1 i c2= 2800 nj/kom za P2. Re enje: Funkcija kriterijuma (dobiti): U tom slu aju vektor cena proizvoda je:
F ( x) := 5500 x + 2800 x
0 1
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
750 850 B := -40 -65

x := 50
1
Jedna inicijalna vrednost (pretpostavlja se za poslednju promenljivu): Blok za re#avanje modela linearnog programiranja:
Given A x B x 40
Optimalne koli ine proizvoda P1 i P2 proizvodnog programa:

Xr := Maximize( F , x)
te su optimalne vrednosti:
Xr =
46 65
ili pojedina no: Najve% a dobit preduze% a iznosi:
Xr = 46
0
Xr = 65
1
D := C Xr
D = 435000
Aritmeti ka i logi ka verifikacija re#enja:
509 850 A Xr = -46 -65
1 1 A Xr 0 = 0 0 -241 0 Xd = -6 0
Dopunske promenljive iznose:
Xd := A Xr - B
Napomena:: Alternativne postupke za re#avanje ovog problema pogledati u fajlovima LP1_1

(pdf, mcd).
__________________________________________________________________________________________________________
1.2 Optimizacija tableta vitamina [LP7.mcd]

Primer: Za proizvodnju tableta vitamina T1, T2 i T3 jedna fabrika farmaceutskih proizvoda koristi sirovine S1, S2, S3 i S4. Broj tableta vitamina koji se mo/ e dobiti iz jednog kilograma sirovine prikazan je slede% om tabelom [16]. T.1.1
Ti Sj
S1 8 4 4
S2 6 4 2
S3 4 2 8
S4 4 6 2
Potrebe za tabletama /kom/
T1 T2 T3
18000 12000 8000
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
18000 12000 8000
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:
18000 B := 12000 8000

1 2 3
ORIGIN := 1
F ( x) := 16 x + 24 x + 15 x + 20 x C := ( 16 24 15 20 )
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
__________________________________________________________________________________________________________
Optimalni plan daje slede% e vrednosti koli ine sirovina /kg/:

X = 1250
1
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:
18000 A X = 12000 8000
1.3 Optimizacija proizvodnog programa asortiman/koli @ ina [LP2.mcd]

Primer: Proizvodni program se sastoji od pet proizvoda [32]: P1, P2, P3, P4 i P5, ije su karakteristike date u tabeli:
p p
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.
__________________________________________________________________________________________________________
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 )
Matrica koeficijenata (operaciona vremena) A i vektor ograni enja (vremenski kapaciteti) B:
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
50000 80000 B := 40000 50000 20000
__________________________________________________________________________________________________________
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
Blok za re#avanje LP:
Given
A x B x 0
Optimalno re#enje koli ine proizvoda:
Xr := Maximize( F , x)
4000 1547.61 Xr = 453.12 925.64 930.84
ili pojedina no:

Xr = 4000
1
Xr = 1547.61
2
Xr = 453.12
3
Xr = 925.64
4
Xr = 930.84
5
Maksimalna dobit iznosi:
D := C Xr
D = 94133.24
Verifikacija aritmeti kog i logi kog re#enja:
50000 80000 A Xr = 40000 50000 20000
1 1 A Xr B = 1 (ta no) 1 1 0 0 Xd = 0 0 0
Dopunske promenljive iznose:
Xd := A Xr - B
odnosno:
1.4 Model linearnog programiranja sa dve promenljive [LP4.mcd]

Primer: Za datu funkciju kriterijuma i sistem nejedna ina sa dve nepoznate primenuti metodu re#avanja optimuma nepoznatih argumenata i maksimuma kriterijumske funkcije. Na osnovu modela LP formirati grafi ku i animacijsku prezentaciju re#enja. Funkcija kriterijuma (max):
F ( x) := 2 x + 2 x
1 2
( ORIGIN := 1)
8 Sistem linearnih ograni enja:

x + 2 x 8
1 2
__________________________________________________________________________________________________________
-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
Na bazi prethodnog modela LP sledi matrica koeficijenata i vektor ograni enja:
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
8 -2 A Xr = 0 -7.2
0 -3 A Xr - B = 0 -4.2
Grafi ko i animacijsko re#enje linearnog problema:
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
1.5 Optimizacija broja raketa [LP9_1.mcd]

Primer: Potrebno je izgaditi odre, eni PVO sistem. Poznato je da protivnik raspola/ e sa 100 aviona za dejstvo sa malih visina, 150 aviona za dejstvo sa srednjihvisina i 100 aviona za dejstvo sa velikih visina, ali se ne zna sa koje % e visine dejstvovati. Mo/ e se obezbediti dva tipa raketa. prvi tip raketa obara avione sa verovatno% ama: 3/4, 1/2 i 1/4, a drugi tip sa verovatno% ama: 1/4, 1/2 i 3/4, zavisno da li lete na malim, srednjim ili velikim visisnama. Prvi tip staje 25, a drugi 50 /nj/kom/. Koliko kojih raketa je nu/ no obezbediti, pa da o ekivani broj oborenih aviona ne bude manji od broja aviona koji mogu dejstvovati? Pri tome izdatke za nabavku svesti na najmanju mogu% u meru. re#enje predstaviti grafi ki [20]. Re enje: Funkcija kriterijuma (tro#kova): U tom slu aju vektor cena ko#tanja je:
ORIGIN := 1 C := ( 25 50 ) F ( x) := 25 x + 50 x
1 2
Sistem ograni enja u pogledu broja oborenih aviona:

3 4 x +
1
1 4
x 100
2
1 2
x +
1
1 2
x 150
2
1 4
x +
1
x 100 4 2
10
__________________________________________________________________________________________________________
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
100 B := 150 100
Ax B
x := 0
2
Given
x 0
Optimalne koli ine raketa:
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
Najmanja vrednost funkcije kriterijuma je:
T := C X
T = 8750
200 A X = 150 100

X := -100 .. 400
Programiranje grafi kog re#enja LP i skaliranje ose X:
f ( X) :=
-3 X + 400 if 0 X 50 -X + 300 if 50 X 250 -1 3 X + 400 3 if 250 X 400
a 250 := b 50
Podloge za realizaciju animacije funkcije kriterijuma:
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
1.6 Optimizacija koli @ ine sirovina hemijskih proizvoda [LP8.mcd]

Primer: hemijska industrija dobija tri proizvoda P1, P2 i P3 u jednom procesu separacije od dve vrste sirovina: S1 i S2. Slede% a tabela pokazuje koliko tona proizvoda se mo/ e dobiti od jedne tone sirovina. Fabrika je obavezna da mese no isporu i svojim kooperantima najmanje 30; 25 odnosno 20 tona respektivno od pojedinih proizvoda. T.1.4
Si S1 S2 Koli~ina proizvoda /ton/ Pj P1 0,03 0,6 30 P2 0,125 0,25 25 P3 0,4 0,05 20
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:
__________________________________________________________________________________________________________
Sistem ograni enja u pogledu nejedna ina:

0.03 x + 0.6 x 30
1 2
( 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:
0.03 0.6 A := 0.125 0.25 0.4 0.05
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

Xr := Minimize( F , x)
Xr = 40
1
Xr =
40 80
ili pojedina no: Najmanji tro#kovi iznose:
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
b) Mogu% nost isporuke ve% eg broja proizvoda Dopunske promenljive iznose:

Xd := A Xr - B
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.
Studija sluAajeva iz operacionih istra#ivanja Programiranje granice oblasti dopustivog re#enja:

f ( X) := 400 - 8 X if 0 X 40 100 50 X 1000 if 40 X 2 9 X 20 if 1000 9 X
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
1.7 Dualni model linearnog programiranja [LP5.mcd]

Primer: Za poznatu funkciju kriterijuma i sistem nejedna ina formirati primarni i dualni model LP. Prona% i optimalne vrednosti nepoznatih argumenata i minimalne (za primarni model) odnosno maksimalne vrednosti (za dualni model) funkcije kriterijuma. Primarni model LP: Funkcija kriterijuma:
F ( x) := 2 x + 4 x + 2 x + 3 x
0 1 2 3
14
__________________________________________________________________________________________________________
Sistem linearnih ograni enja:
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
Primarni model opisuje se slede% im vektorima i matricom koeficijenata:
C := ( 2 4 2 3 )
4 2 5 8 A := 25 75 2 40 16 10 7 4
x := 1
3
1800 B := 2400 3000
Iinicijalna vrednost:
Blok za re#avanje prethodnog modela LP:

Ax B
Given x 0
Optimalno re#enje modela LP:
Xr := Minimize( F , x)
53.991 0 Xr = 298.694 11.321

F := C Xr
Minimalna vrednost funkcije kriterijuma iznosi:
F = 739.33
1800 A Xr = 2400 3000
Dualni model LP: Dualna funkcija kriterijuma: odnosno:

F ( y) := B y
T
F ( y) := 1800 y + 2400 y + 3000 y

0 1
Sistem linearnih ograni 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
Dualni model opisan je slede% im vektorima i matricom koeficijenata:
15
__________________________________________________________________________________________________________
B = ( 1800 2400 3000 )
2 T 4 C = 2 3
y := 1
2
4 2 T A = 5 8
75 10 2 7 40 4
25 16
Po etni uslov (inicijalna vrednost):
Blok za re#avanje dualnog modela LP:
Given
A y C
y 0
Optimalno re#enje modela LP:
Yr := Maximize( F , y)
0.35015 Yr = 0.00145 0.0352

F := B Yr
T
Maksimalna vrednost funkcije kriterijuma iznosi:
F = 739.33
Obe vrednosti su ekvivalentne, tj: F = F, sa verifikacijom re#enja:
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
16 Sistem ograni enja:
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
400 V := 500 310
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
if 400 0.4 x + 0.3 x 500

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
if 500 0.4 x + 0.3 x 600

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.
2.2 Optimizacioni zadatak I

Jedna inicijalna vrednost (poslednji argument): Blok za re#avanje modela linearnog programiranja:
x := 65
1
Given
x 0
1 1 2 1 x 1 2
400 500 310

X1 := Maximize( f1 , x)
X1 =
230 40
Studija sluAajeva iz operacionih istra#ivanja Najve% a dobit preduze% a:

f1 := C X1 f1 = 104
17
__________________________________________________________________________________________________________
270 M X1 = 500 310
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).
2.3 Optimizacioni zadatak II

Funkcija kriterijuma (dobiti): Jedna inicijalna vrednost:
f2 ( x) := 0.4 x + 0.3 x
0 1
x := 65
1
Blok za re#avanje modela linearnog programiranja:
Given
1 1 2 1 x 1 2
500 600 310
x 0

X2 := Maximize( f2 , x)
te je:
X2 =
296.67 6.67
Najve% a dobit preduze% a:
f2 := C X2
f2 = 120.667
303.333 M X2 = 600 310
te je:
1 M X2 0 = 1 (potvrdno) 1 -96.667 Xd = 100 0
Xd := M X2 - V
18
__________________________________________________________________________________________________________
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
p Operativna forma zavrA nog modela FLP
Funkcija kriterijuma (dobiti): Jedna inicijalna vrednost:
f ( x) := x
x := 55
2
Blok za re#avanje modela linearnog programiranja:

Given
22.6 -0.4 -0.3 1 100 1 x 100 2 1 1 2 0
-104 500 600 310
x 0
X := Maximize( f , x)
0.42 X = 268.37 20.81
Vektor cena proizvoda:
C := ( 1 0.4 0.3 )
Studija sluAajeva iz operacionih istra#ivanja Najve% a dobit preduze% a:

f := C X f = 114.02
19
__________________________________________________________________________________________________________
22.6 -0.4 -0.3 1 100 1 X = 100 2 1 1 2 0
-104 331.63 600 310

0 -168.37 Xd = -0 0
22.6 -0.4 -0.3 -104 100 1 1 500 Xd := X 100 2 600 1 1 2 0 310
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.
3. TRANSPORTNI ZADATAK 3.1 Transportni zadatak uz minimalne tro A kove [TP1.mcd]

Primer: Za potrebe tri industrijska centra uvozi se jedna vrsta materijala iz tri razli ite zemlje prema ponudi i tra/ nji [23]:
Ponuda:
6000 P := 8000 3000
P = 17000
5000 Tra/ nja: T := 2000 10000
T = 17000
Transportni tro#kovi po jedinici uvoza dati su u slede% oj tabeli: T.3.1

Zemlja Centar A B C Tra`nja
2 3 5
I x0=? x3=? x6=? 5000

7 1 3
II x1=? x4=? x7=? 2000

5 4 7
III x2=? x5=? x8=? 10000
Ponuda 6000 8000 3000 S= 17000
20 ili putem vektora cena:
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
i matricom koeficijenata i vektorom ograni enja na osnovu sistema jedna ina:

1 0 0 M := 1 0 0 1 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 1 0 0 1 0 0 1 0 1 0 0 1 0 0 1 0 1 0 0 1 0 0
0 1 0 0 1
V := stack ( P , T )
6000 8000 3000 V= 5000 2000 10000
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
5000 0 1000 0 X= 0 8000 0 2000 1000
Najmanji tro#kovi sistema:
Trosak := C X
Trosak = 60000
21
__________________________________________________________________________________________________________
Vrednosti optimalnog transporta:
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
Verifikacija re#enja LP:
3.2 Transportni zadatak uz minimalne tro A kove [TP2.mcd]

Primer: Za potrebe tri poslovna centra uvozi se jedna vrsta materijala iz tri razli ite regije prema ponudi i tra/ nji. Transportni tro#kovi po jedinici uvoza dati su u slede% oj tabeli. T.3.2
Centar Regija R1 (25) R2 (32) R3 (40) R4 (20)
10 5 9 14
C1 (17) x1=? x6=? x11=? x16=?

8 6 7 10
C2 (21) x2=? x7=? x12=? x17=?

9 4 6 8
C3 (41) x3=? x8=? x13=? x18=?

6 3 4 8
C4 (14) x4=? x9=? x14=? x19=?

5 8 3 8
C5 (24) x5=? x10=? x15=? x20=?
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
__________________________________________________________________________________________________________
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
Matrica koeficijenata za ograni enje po kapacitetima po centrima:
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
Kompletna matrica se dobija kao spojeni niz:

1 1 2 3 4 5 6 7 8 9 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 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=
Vektor ograni enja po regijama i centrima je:
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
Studija sluAajeva iz operacionih istra#ivanja Optimalne koli ine transporta:

T
23
__________________________________________________________________________________________________________
X = ( 0 21 0 0 4 17 0 15 0 0 0 0 6 14 20 0 0 20 0 0 )
Najmanji tro#kovi transporta su:
T := C X
T = 645
Vrednosti optimalnog plana transporta se mogu prikazati pomo% u matrice:
X1 X 6 X 11 X16
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)
3.3 Transportni problem maksimuma dobiti [TP6.mcd]

Primer: Elektronska industrija u etiri svoje osnovne organizacije u toku mesec dana treba da proizvede 72000 jedinica proizvoda. Ovaj proizvod treba plasirati u etiri potro#a ka centra. Zarada po jedinici proizvoda je zavisna od mesta proizvodnje i mesta plasmana. Svaki pogon proizvodi po 18000 jedinica proizvoda. Analiza tr/ i#ta je pokazala da je potro#a kim centrima P1, P2, P3 i P4 potrebno 8000, 12000, 20000, 32000 jedinica, respektivno [20]. Ova analiza i uslovi transporta pokazali su da zarada po jedinici proizvoda iznosi kao #to je dato u tabeli. T.3.3
Centar Pogon
P1 (18000) P2 (18000) P3 (18000) P4 (18000) C1 (8000) 40 10 80 40 C2 (12000) 50 60 90 60 C3 (20000) 80 40 20 50 C4 (32000) 30 50 70 20
y0=? y4=? y8=? y12=?
y1=? y5=? y9=? y13=?
y2=? y6=? y10=? y14=?
y3=? y7=? y11=? y15=?
Potrebno je odrediti raspodelu proizvoda po potro#a kim centrima koja % e omogu% iti najve% u zaradu i optimalne vrednosti transporta.
24
__________________________________________________________________________________________________________
Re enje: Vektor vrednosti zarade se unosi na osnovu tabelarnih podataka:

C := ( 40 50 80 30 10 60 40 50 80 90 20 70 40 60 50 20 )
Prema datim elementima, transportni problem se mo/ e izraziti u obliku funkcije dobiti:
n := 0 .. 15 D ( y) :=
T ( C ) n yn n
i odgovaraju% im ograni enjima u vidu linearnih jedna ina:

y0 + y1 + y3 + y4 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0
0 + 0 + 0 + 0 + y5 + y6 + y7 + y8 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + y9 + y10 + y11 + y12 + 0 + 0 + 0 + 0 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + 0 + y12 + y13 + y14 + y15 18000 18000 18000 18000 8000 12000 20000 32000
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
__________________________________________________________________________________________________________
Vektor ograni enja po regijama i centrima:
18000 18000 18000 18000 B := 8000 12000 20000 32000

y15 := 2
Jedna inicijalna vrednost:
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
Y = ( 0 0 18000 0 0 0 0 18000 4000 0 0 14000 4000 12000 2000 0 )
Najve% a dobit preduze% a iznosi:
Dobit := C Y
Dobit = 4620000
Vrednosti optimalnog plana transporta, ure, eni kao matrica 4x4:
Y0 Y4 Y8 Y12
Y1 Y5 Y9
Y2 Y6 Y10
Y13 Y14
T
0 Y7 = 0 Y11 4000 Y15 4000

Y3
0 0 0
18000 0 0
18000 14000 0
12000 2000
( A Y)
= ( 18000 18000 18000 18000 8000 12000 20000 32000 )
3.4 Transportni problem maksimuma dobiti [TP4.mcd]

Primer: Jedan veliki poljoprovredni kombinat je svoje zemlji#te, obzirom na sastav, svrstao u #est kategorijai odredio kako veli inu kompleksa zemlji#ta koji pripadaju pojedinim kategorijama, tako i prinose 7 glavnih proizvoda u /nj/ po kastarskom jutru kategorisanog zemlji#ta. Podatke do kojih se do#lo prikazuje slede% a tabela [7]:
26
Ekspozicije u Mathcad-u T.3.4
__________________________________________________________________________________________________________
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
Krompir 100 120 60 0 40 80 1000
Repa 60 0 0 140 230 200 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.

A :=
1 2 3 4 5 6 7 8 9 10 11 12 13
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
1 4000 8000 14000 2000 18000 23000 20000 16000
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
Najve% a dobit preduze% a iznosi:
Dobit := C Q
Dobit = 754000
Vrednosti optimalnog plana transporta, ure% eni kao matrica 6x7:
28
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 0 0 Q 14 2000 0 0 Q 21 0 14000 0 = Q 0 0 0 28 0 0 0 Q 35 0 2000 20000 Q 42

Q
7
4000 1000 0 0 18000 1000
0 2000 0 0 0
0 0 0 0 0
0 3000 0 0 0 0
1000 1000
( A Q)
T
1 1 4000
10
11 3000
12 1000
13 3000
8000 14000
2000 18000 23000 20000 16000
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 )
Najmanji tro#kovi iznose:
Trosak := C q
Trosak = 392
30
__________________________________________________________________________________________________________
Vrednosti optimalnog plana transporta, ure, eni kao matrica 4x5:
q1 q 6 q 11 q16
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 )
3.6 Transportni problem minimuma tro A kova [TP6.mcd]

Primer: Za potrebe sedam poslovnih centara uvozi se jedna vrsta materijala iz osam razli itih zemalja prema ponudi i tra/ nji (T.3.6). Transportni tro#kovi po jedinici uvoza dati su u slede% oj tabeli. T.3.6
Centar Zemlja S1 S2 S3 S4 S5 S6 S7 S8 Tra#nja
1 14 7 35 7 25 10 2
P1 x1=? x8=? x15=? x22=? x29=? x36=? x43=? x50=? 170

3 12 9 22 10 20 15 5
P2 x2=? x9=? x16=? x23=? x30=? x37=? x44=? x51=? 120

5 10 13 4 13 15 9 8
P3 x3=? x10=? x17=? x24=? x31=? x38=? x45=? x52=? 190

7 6 17 26 16 5 16 8
P4 x4=? x11=? x18=? x25=? x32=? x39=? x46=? x53=? 330

9 8 21 23 12 11 12 3
P5 x5=? x12=? x19=? x26=? x33=? x40=? x47=? x54=? 490

11 6 24 20 8 17 17 15
P6 x6=? x13=? x20=? x27=? x34=? x41=? x48=? x55=? 390

8 3 29 20 5 23 10 21
P7 x7=? x14=? x21=? x28=? x35=? x42=? x49=? x56=? 430
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
__________________________________________________________________________________________________________
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
Broj elemenata u matrici:
T 1 1 s := ( last ( A ) + 1) last (A ) + 1
B :=
1 2 3 4 5 6 7 8
s = 912
Vektor ograni enja po regijama i centrima je:
1 300 290 280 270 260 250 240 230
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
7 0 8 0 9 0 10 0 11 0 12 13 14 0
80 210
0 290
T := C X
T = 14560
32
__________________________________________________________________________________________________________
X 1 X8 X15 X22 X29 X 36 X 43 X 50
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
10 0 80 210 0 0 X 0 14 0 0 0 0 0 290 0 X 21 0 0 0 0 170 110 0 X 0 0 190 0 0 80 0 28 = 0 0 0 0 0 20 240 X 35 0 0 0 250 0 0 0 X 42 0 0 0 0 50 0 190 X 0 0 0 230 0 0 49 0 X 56

X
7
1 1 2 3 4 5 6 7 8 9 10
( A X)
300 290 280 270 260 250 240 230 170 120
3.7 Transportni problem minimuma tro A kova [TP8_2.mcd]

Primer: Tri mlina (M1, M2 i M3) snabdevaju bra#nom tri pekarska preduze% a (P1, P2, P3 i P4). U narednom mesecu mlinovi mogu proizvesti 750, 400 i 350 tona bra#na, respektivno. U istom periodu pekarska preduze% a su: Tro#kovi transporta po toni bra#na od mlinskih do pekarskih preduze% a su: od prvog mlina 70, 30 i 60 /nj/ po preduze% u Pj, respektivno; od tre% eg mlina 10, 50 i 90 /nj/toni/ do preduze% a Pj, respektivno (T.3.7). T.3.7
Pekare Mlinovi M1 M2 M3 Kapaciteti mlinova /t/

70 40 10
P1 x1=? x4=? x7=? b1= 20

30 80 50
P2 x2=? x5=? x8=? b2= 45

60 20 90
P3 x3=? x6=? x9=? b3= 30
Kapaciteti pekara /t/ a1= 75 a2= 40 a3= 35 S= 150 S= 95
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)
Studija sluAajeva iz operacionih istra#ivanja Indeksne vrednosti:

i := 1 .. 3 j := 1 .. 3
33
__________________________________________________________________________________________________________
Kapaciteti u vektorskom obliku:
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
Kapaciteti u pro#irenom vektoru iznose:
a := 40 35
75
20 45 b := 30 b 4
T.3.8
Pekare Mlinovi M1 M2 M3 Kapaciteti mlinova /t/

70 40 10
P1 x1=? x5=? x9=? b1= 20

30 80 50
P2 x2=? x6=? x10=? b2= 45

60 20 90
P3 x3=? x7=? x11=? b3= 30

0 0 0
P4 x4=? x8=? x12=? b4= 55
Kapaciteti pekara /t/ a1= 75 a2= 40 a3= 35 S= 150 S= 150
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 )
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
__________________________________________________________________________________________________________
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
Vektor ograni enja po kapacitetima je:
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 = ( 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
__________________________________________________________________________________________________________
4. PROBLEMI ASIGNACIJE 4.1 Raspodela radnika na poslovima [A1a.mcd]

Primer: Proizvodni sistem u kome se izra, uju finalni proizvodi od drveta raspisao je konkurs za prijem 5 ma#inskih stolara za 5 radnih mesta (rendisaljka, glodalica, strug, bu#ilica, brusilica). Nakon analize prijava na konkurs sve postavljene uslove zadovoljilo je pet kandidata. radi pravilnog raspore, ivanja radnika na radna mesta organizovan je probni rad [30]. Svaki kandidat je dobio da obradi po 100 istih komada na svakoj ma#ini pri emu je utvr, en broj dobrih komada koji su #kart (T.4.1). Zadatak se sastoji u raspore, ivanju radnika na radna mesta koje % e obezbediti minimalni ukupni #kart. T.4.1
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
Funkcija kriterijuma, kao funkcija minimalnih #kartova:

nm
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
__________________________________________________________________________________________________________
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
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.
4.2 RasporeCivanje poslova [A2a.mcd]

Primer: Proizvodni sistem u kome se izra, uju finalni proizvodi od drveta treba da rasporedi 5 radnika na 5 radnih mesta. nakon prijave na konkurs sve postavljene uslove zadovoljilo je 5 kandidata. U cilju njihovog pravilnog raspore, ivanja na radna mesta organizovana je provera njihove stru ne sposobnosti. na osnovu nekoliko kriterijuma [25]. Stru na sposobnost je izra/ ena preko sumarnog broja osvojenih poena datih u T.4.2. T.4.2
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
Funkcija kriterijuma, kao funkcija maksimalnih poena:
n := 5
m := 5
38
j := 1 .. 25
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
veli ina vektora B:
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
Studija sluAajeva iz operacionih istra#ivanja Najve% a vrednost funkcije kriterijuma iznosi:

S := C X S = 125
39
__________________________________________________________________________________________________________
Vrednosti optimalnog rasporeda poslova, ure, eni kao matrica 5x5:

X 1 X 6 X 11 X 16 X21 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 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
( 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.
4.3 RasporeCivanje poslova [A2a_2.mcd]

Primer: Radna organizacija treba da otvori etiri nova radna mesta raspisan je konkurs [30]. U u/ i izbor je u#lo pet kandidata. Izvr#ena je provera njihive stru ne sposobnosti za obavljanje poslova. Broj osvojenih poena dat je u tabeli T.4.3. T.4.3
Radna mesta Ma#ine
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

Radna mesta Ma#ine
__________________________________________________________________________________________________________
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
Re enje: Vektor vrednosti poena:

C :=
1 1 5 2 6 3 5 4 1 5 0 6 4 7 6 8 4
( 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

j := 1 .. n m D ( x) :=
n := 5
T ( C ) j xj j
m := 5
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
veli ina vektora B:
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
X =
T
1 1 0 2 0 3 1 4 0 5 0 6 0 7 0 8 0
Ax
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
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
__________________________________________________________________________________________________________
4.4 Otvoreni problem raspore Civanja poslova

Primer: U ma#inskom odeljenju radne organizacije potrebno je obaviti etiri posla. Ovi poslovi se mogu obavljati na #est ma#ina. Na svakoj ma#ini mo/ e se raditi svaki posao, ali istovremeno samo jedan. Na ovim poslovima treba anga/ ovati etiri ma#ine, a dve izdvojiti za druge poslove. Vreme za obradu poslova na ma#inama / as/ dato je u tabeli T.4.5. T.4.5
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
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
Re enje: Vektor vrednosti poena C:

C :=
1 1 2 3 4 5 0 6 7 8
( 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
B :=
1 2 3 4 5 1 1 1 1 1 1
Jedna inicijalna vrednost (poslednja):
36
:= 0 Given B x 0
X =
T
1 1 0 2 0 3 1 4 0 5 0 6 0 7 0 8 1 9 0
Ax
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
S := C X S = 34
__________________________________________________________________________________________________________
Najmanja vrednost funkcije kriterijuma iznosi:
Vrednosti optimalnog rasporeda poslova, ure, enih kao matrica 6x6:
X1 X7 X13 X19 X 25 X 31
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.
4.5 RasporeCivanje studenata [A7a_otv.mcd]

Primer: Na jednom ispitu dato je osam grupa pitanja, a ispit pola/ e #est studenata, izvla enjem po jedne grupe pitanja. Nivo znanja studenata po pojedinim grupama pitanja dat je slede% im ocenama koje studenti mogu dobiti. T.4.7
Pitanja Student S1 S2 S3 S4 S5 S6 6 7 6 10 9 8 8 10 6 9 8 9 9 8 5 7 5 10 5 9 5 7 6 10 7 8 9 6 6 9 10 5 9 6 7 9 6 6 10 6 7 8 5 7 10 5 8 7 P1 P2 P3 P4 P5 P6 P7 P8
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.
Studija sluAajeva iz operacionih istra#ivanja T.4.8

Pitanja Student S1 S2 S3 S4 S5 S6 S7 S8 6 7 6 10 9 8 0 0 8 10 6 9 8 9 0 0 9 8 5 7 5 10 0 0 5 9 5 7 6 10 0 0 7 8 9 6 6 9 0 0 10 5 9 6 7 9 0 0 6 6 10 6 7 8 0 0 5 7 10 5 8 7 0 0 P1 P2 P3 P4 P5 P6 P7 P8
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

j := 1 .. n m D ( x) :=
n := 8
T ( C ) j xj j
m := 8
A :=
1 2 3 4 5 6
( n + m) n m = 1024
veli ina vektora B:
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
__________________________________________________________________________________________________________
B :=
1 2 3 4
1 1 1 1 1
Nala=ene najpovoljnije kombinacije

x
64
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
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 1 X9 X17 X25 Xr := X33 X 41 X 49 X 57
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
( 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
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 1 X9 X17 X25 Xr := X33 X 41 X 49 X 57
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
( 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

Student Grupa pitanja Ocena S1 P8 5 S2 P6 5 S3 P4 5
S = 5.667 m-2
__________________________________________________________________________________________________________
S4 P5 6
S5 P3 5
S6 P1 8
Najni/ a prose na ocena iznosi:
5. NELINEARNO PROGRAMIRANJE 5.1 Jedan model nelinearnog programiranja [NP1.mcd]

Primer: Re#iti zadatak nelinearnog programiranja na osnovu modela sa tri promenljive i funkcijom tro#kova (kriterijuma), metodom nala/ enja bezuslovnog ekstremuma funkcije tro#kova T(x1,x2,x3). Odrediti stacionarne ta ke (vektore) optimuma i definisati njihovu prirodu.
T ( x1 , x2 , x3) := 4 x1 +
2
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)
#to se mo/ e prikazati matricom:
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)
x1 x2 x1 x3 2 T ( x1 , x2 , x3) T ( x1 , x2 , x3) 56 x2 2 x2 x3 x2 2 T ( x1 , x2 , x3) T ( x1 , x2 , x3) 2 x3 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:
det1 ( x1 , 1 , x2 , 1 , x3 , 1) 8 det2 ( x , x , x ) 8 1, 1 2, 1 3, 1 det3 ( x , x , x ) 112 1, 1 2, 1 3, 1
det1 ( x1 , 2 , x2 , 2 , x3 , 2) 8 det2 ( x , x , x ) -8 1, 2 2, 2 3, 2 det3 ( x , x , x ) -112 1, 2 2, 2 3, 2
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
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
5.2 Maksimizacija profita metodom nelinearnog programiranja [NL2.mcd]

Primer: Na osnovu definisanih funkcija R(q) + prihoda i T(q) + tro#kova [2]:
p p p p
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?
Re enje: Funkcija prihoda: Funkcija tro#kova:

R ( q) := 400 q - q
2 2
T ( q) := 3 q + 1200
Profit se defini#e kao razlika ukupnih prihoda i ukupnih tro#kova:

P ( q) := R ( q) - T ( q) 400 q - 4 q - 1200
2
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
Sl. 5.1 Grafici funkcija: profita, tro kova i prihoda
Prese@ ne ta@ ke funkcija R(q) i T(q)

q := 50 Q1 := root ( R ( q) - T ( q) , q) Q1 = 96.9
Inicijalna vrednost re#enja: Re#enje preseka funkcija: Verifikacija vrednosti funkcija:
R ( Q1) 29371.247 = T ( Q1) 29371.247
Treba uo iti da su prve koordinate ovih ta aka upravo i prve koordinate nula vrednosti funkcije profita.
52
p
Ekspozicije u Mathcad-u Prese@ ne ta@ ke funkcija R(q) i P(q)

Q2 := root ( R ( q) - P ( q) , q) Q2 = -20i
__________________________________________________________________________________________________________
Re#enje preseka funkcija: Verifikacija vrednosti funkcija:
R ( Q2) 400 - 8000i = P ( Q2) 400 - 8000i
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
Re#enje preseka funkcija: Verifikacija vrednosti funkcija:
P ( Q3) 8799.562 = T ( Q3) 8799.562
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
-1200 400 A := P ( Q) coeffs , Q -4

q = 3.096
0 1
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.
5.3 Uslovi optimalnosti proizvodnje [l4.mcd]

Primer: Za proizvod x date su funkcije potra/ nje x(p) i funkcija tro#kova C(x). Odrediti proizvodnju za koju se ostvaruje maksimalna dobit i njen iznos. Polazni podaci: Funkcija tra/ nje: Funkcija tro#kova:
a := 1 4 b := 1200 x( p) := a p + b C ( x) := c x + d
2
c := 2
d := 900
Studija sluAajeva iz operacionih istra#ivanja Inverzni oblik funkcije tra/ nje:

p ( x) := a p + b - x 0 solve , p 4800 - 4 x
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) := P ( x) - C ( x) simplify 4800 x - 6 x - 900
Izvodna funkcija dobiti je:
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
Te je maksimalna dobit: Interval rentabilnosti odre, uje se iz uslova:
D ( xo) 959100 Given D ( x) 0
Re#avanjem kvadratne jedna ine dobija se vektor re#enja:

x := Find ( x) ( 400 + 5 6394 400 - 5 6394 ) x =
T
799.812 0.188
xr := x
Interval rentabiliteta nalazi se izme, u vrednosti:

xr = 799.812
0
xr = 0.188
1
5.4 Funkcija korisnosti - optimalni obim kupovine dobara [l6.mcd]

Primer: Za datu funkciju korisnosti U i bud/ etske jedna ine D sa fiksiranim bud/ etom Do odrediti optimalni obim kupovine (nabavke) posmatranih dobara tako da se ostvari maksimalna korisnost [23]. Polazni parametri: Vrednost fiksnog bud/ eta Do: Funkcija korisnosti:
p1 := 45 Do := 680 U( x , y) := 85 x y
2
p2 := 24
54 Funkcija korisnosti: Lagran/ eova jedna ina: Parcijalni izvodi po x, y i l:

G1 ( x , y , l ) := G2 ( x , y , l ) := G3 ( x , y , l ) :=
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
Drugi parcijalni izvodi iznose:

F11 ( x , y , l ) := F12 ( x , y , l ) := F21 ( x , y , l ) :=
2 x x y y x 2 y
2 2
G (x , y , l ) G (x , y , l ) G (x , y , l )
F11 ( x , y , l ) 0 F12 ( x , y , l ) 170 y F21 ( x , y , l ) 170 y
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
Optimalne vrednosti dve promenljive (xo, yo) iznose:
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
Studija sluAajeva iz operacionih istra#ivanja Vrednosti parcijalnih izvoda za optimalne vrednosti:

F11 ( xo , yo , l ) = 0 F21 ( xo , yo , l ) = 3211.111 F12 ( xo , yo , l ) = 3211.111 F22 ( xo , yo , l ) = 856.296
55
__________________________________________________________________________________________________________
Uslov kojim se potvr, uje maksimalna vrednost funkcije korisnosti izra/ en je pozitivnom vredno#% u Hejsian determinante.
F11 ( xo , yo , l ) F12 ( xo , yo , l ) -p1 F21 ( xo , yo , l ) F22 ( xo , yo , l ) -p2 H := -p1 -p2 0

H = 5202000 H > 0 = 1 (potvrdno)
Odakle se potvr, uje da je Hejsian determinanta pozitivna.
5.5 Optimizacija produkta enzima [NL3.mcd]

Primer: Optimizacija modela biolo#kih procesa mo/ e da se posmatra sa vi#e gledi#ta. Prvo da su se tokom evolucije dogodile zna ajne biohemijske promene. Sada je na istra/ iva ima da odrede razne metaboli ke puteve i genetske modele koje one uzrokuju. Drugo je metoda ve#ta kog pobolj#anja ovih sistema, iz raznih zahteva, kao #to je proizvodnja insulina iz DNA izvora, pre nego #to se izdvoji iz / ivotinjskih / lezda i sl. Imaju% i ovo u obzir istra/ iva i su razvili matemati ki program za optimizaciju etilalkohola, glicerina (propan-triola) i proizvodnju ugljenih hidrata u Saccharomyces cerevisiae u uslovima prekinute kulture % elije u ph 4.5. Polazni parametri u vezi hemijskih jedinjenja dati su u narednoj tabeli. T.5.1 Hemijsko jedinjenje Internal glucose Glucose-6-phosphate Fructose-1,6-diphosphate Phospheoenolpyruvate Adenozin-tri-fosfat (ATP) Glucose uptake Enzim hexokinase Koncentracija
x1 := 0.034 x2 := 1.01 x3 := 9.144 x4 := 0.0095 x5 := 1.1278 x6 := 19.7 x7 := 68.5
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:
__________________________________________________________________________________________________________
Egzaktni model sa funkcijama ograni enja:

Given
Transport #e% era: Enzim Hexokinase:

x2
x1
- 0.2344 0.7464 0.0243 0.8122 x2 x6 - 2.8632 x1 x5 x7
2.8632 x1 x5
0.0243
x7 - 0.5236 x2
0.735
x5
- 0.394
x8
0.999
x11
0.001
Vrsta enzima ija reakcija vodi do razlaganja jedinjenja (Phospofructokinase reaction).

x3
0.5232 x2
0.7318
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
) ...
Nala/ enje promenljivih za stalno stanje koncentracije:

K := Find ( x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 , x10 , x11 , x12 , x13 , x14)
Re#enje sistema jedna ina:

K = ( 0.04 0.8 8.45 0.01 1.24 24.47 80.46 20.76 50.24 3367.16 14.31 203 24.97 0.04 )
T
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:
Studija sluAajeva iz operacionih istra#ivanja Funkcije ograni enja:

Given
0.03 x1 0.04 0.96 x2 1.1 8.9 x3 9.4 0.07 x4 0.11 1.1 x5 1.15 16 x6 21 60 x7 72 28 x8 35 40 x9 55 3200 x10 10000 20 x13 30
57
__________________________________________________________________________________________________________
x14 0.05
x11 15 x12 210
Maksimizacija funkcije kriterijuma (protoka), uz optimalne vrednosti argumenata.

Z := Maximize( C , x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 , x10 , x11 , x12 , x13 , x14)
T
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 )
6. DINAMIDKO PROGRAMIRANJE 6.1 Jednodimenzionalni proces optimalne raspodele resursa [DP1.mcd]

Primer: U okviru preduze% a potrebno je raspodeliti jednorodni resurs u iznosu od S=8 jedinica [19]. Resurs se distribuira na tri pogona tako da pojedine vrednosti budu celobrojne i ne ve% e od 5. Ostvarena dobit u pojedinim pogonima linearno zavisi od koli ine dodeljenog resursa. Dobit po jedinici resursa je za; prvi pogon: c1= 4 /nj/, drugi pogon; c2= 5 /nj/, tre% i pogon: c3= 2 /nj/. Resurs raspodeliti tako da se dobije maksimalna dobit za preduze% e u celini. Potrebno je: a) formirati matemati ki model problema, i b) odrediti optimalni plan raspodele resursa primenom metoda dinami kog programiranja. Polazni podaci: Jedini ne dobiti:
c1 := 4 c2 := 5 c3 := 2
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
58 Oznake koli ine resursa:

x30 := 0 x31 := 1
__________________________________________________________________________________________________________
x32 := 2
x33 := 3
x34 := 4
x35 := 5
Rekurentna relacija neposredne dobiti od raspodele za prvi resurs:

S := 0 .. 8 f1 := if c1 S > c1 x35 , c1 x35 , c1 S
S
f1
S
0 4 8
max( f1) = 20
12 16 20 20 20 20
Rekurentna relacija neposredne dobiti od raspodele za drugi resurs:

S := 0 x2 := 0 .. S f20 := c2 x2 + f1 f20
0
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
__________________________________________________________________________________________________________
Vektorske relacije raspodele za tre% i resurs:

f30 := c3 x30 + max( f20 ) f30 = 0 max( f30 ) = 0
c3 x30 + max( f21 ) f31 := c3 x31 + max( f20 )
5 2
c3 x30 + max( f22 ) f32 := c3 x31 + max( f21 ) c3 x3 + max( f20 ) 2

max( f32 ) = 10
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
max( f36 ) = 29
29 27 24 21 18 15
max( f37 ) = 33
33 31 29 26 23 20
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
Najve% a dobit iznosi /nj/: Optimalne koli ine resursa:
F ( x) := 37 x := 3
1
x := 5
2
x := 0
3
Re#enje se mo/ e izraziti i kao:
ORIGIN := 2
0 3 x= 5 0
F ( x) = 37
7. VIFEKRITERIJUMSKA OPTIMIZACIJE 7.1 Metoda jednostavnih aditivnih te =ina [VO1.mcd]

Primer: Izabrati najprihvatljiviju varijantu metodom jednostavnih aditivnih te/ ina pod uslovom da su svi [8]: a) kriterijumi istog zna aja (T1), b) razli itog zna aja (T2). Re enje: a) Te/ inski koeficijenti kriterijuma su istog zna aja. Linearizovana matrica odlu ivanja je definisana kao:
0.5 1 0.3333 0.5556 0.5 0.3333 1 0.6 1 0.3333 Q := 0.6667 0.3333 0.4 0.6667 0.7778 0.2 0.4 0.6667 1 1
62
T1 := ( 0.2 0.2 0.2 0.2 0.2 )
__________________________________________________________________________________________________________
Vektor te/ inskih koeficijenata je dat kao:
Primenom kriterijuma maksimizacije sledi:
R :=
tj.
0 T T1 ( Q ) 1 T T1 ( Q ) 2 T) ( T1 Q 3 T T1 ( Q ) 3
.57778 .65332 .56890 .65334
najprihvatljivija varijanta je:
max( R) = 0.65334
R = 0.65334
Potpuni poredak varijanata je slede% i:
R > R > R > R = 1 (potvrdno)

3 1 0 2
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 )
Rezultati, odnosno elementi vektora R su:
R :=
0 T T2 ( Q ) 1 T) ( T2 Q 2 T) ( T2 Q 3 T) ( T2 Q
.58889 .58665 .55779 .68667
Primenom kriterijuma maksimizacija najve% a vrednost vektora R odgovara etvrtom elementu.

max( R) = 0.68667
tj.
R = 0.68667
3
Potpuni poredak varijanata je slede% i:
R > R > R > R =1

3 0 1 2
(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
__________________________________________________________________________________________________________
Kota vode na izvori#tu Z1n i u rezervoaru Z2n:
Z2 :=
n
125 125 125 125
200 200 200 200
Proticaj crpne stanice:
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
6500 7000 7500 7850
0.6 0.7 0.8 0.9
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
h := 65% l := 0.02 G := 8333 g := 9.81 a := 16668
Tcev =
n
2925000 3150000 3375000 3532500
Prema formuli Derki-Vijbaha, du/ inski parametar je:
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
__________________________________________________________________________________________________________
Snaga crpne stanice:
N :=
n
Z2 - Z1 + DP n n n
N =
n
514.351 481.261 467.383 460.879
Razlika vode na izvori#tu i u rezervoaru:
DZn := Z2 - Z1
n
D Zn =
75 75 75 75
Tro#kovi nezavisnog dela od pre nika:
T D Zn :=
g Q a h
D Zn
T D Zn =
7546757.54 7546757.54 7546757.54 7546757.54
Tro#kovi zavisnog dela od pre nika:
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

7
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
Sl. 8.1 Zavisnost ukupnih tro kova od preAnika cevovoda
9. MODELI MARKOVA 9.1 Model za prognoziranje opredeljenja potro A a@ a [o13.mcd]

Primer: Opredeljenost klijenata za proizvode A, B i C u trenutku t0 predstavljena je vektorom po etnog stanja [2].
V0 := ( 0.55 0.25 0.2 )
ili
V0 = ( 55 25 20 ) %
Markovljeva matrica prelaznih verovatno% a data je u obliku:
0.3 0.5 0.2 M := 0.4 0.1 0.5 0.2 0.6 0.2
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
66 Vektori stanja: Za prvu godinu t= 1: Za drugu godinu t= 2: Za tre% u godinu t= 3:
__________________________________________________________________________________________________________
V1 := V0 M V2 := V1 M V3 := V2 M
2 3
V1 = ( 0.305 0.42 0.275 ) V2 = ( 0.303 0.389 0.308 ) V3 = ( 0.307 0.379 0.314 )
V1 = 1 V2 = 1 V3 = 1

Nizanje vektora stanja:
V := stack ( V0 , V1 , V2 , V3)
Matrica nizova sada iznosi:
0.55 0.305 V= 0.303 0.307
0.42 0.275 0.389 0.308 0.379 0.314

0.25 0.2
A :=
t
0.55 0 0.305 V = 0.303 0.307
Priprema za grafi ku interpretaciju:
t := 0 .. 3
B :=
t
C :=
t
(V0 )0 (V0 )1 (V0 )2 (V0 )3

0.6
(V1 )0 (V1 )1 (V1 )2 (V1 )3
(V2 )0 (V2 )1 (V2 )2 (V2 )3
0.5 At Bt Ct 0.3
0.4
0.2
0.1
0.5
1.5 t
2.5
3.5
Sl. 9.1 Grafik Markovljevih verovatnoBa za razliAite vremenske trenutke
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
Re enje sistema jednaAina: Inicijalne vrednosti:

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:
W = ( 0.30657 0.37956 0.31387 )
Uz verifikaciju:
W = 100 %
G := stack ( W , W , W)
Grani na matrica je dobijena kao nizanje vektora:
0.30657 0.37956 0.31387 G = 0.30657 0.37956 0.31387 0.30657 0.37956 0.31387
9.2 Naplativost potra =ivanja [o14.mcd]

Primer: Da bi se primenio postupak analize i predvi, anja naplativosti potra/ ivanja, pretpostavi% e se u ovom primeru da elementi Markovljeve matrice predstavljavljaju izmene stanja potra/ ivanja u toku perioda od mesec dana, kao i da je ova matrica stacionarna. Procenjuje se da: verovatno% a da % e potra/ ivanja sa rokom dospe% a do mesec dana biti napla% ena iznosi 0,5; verovatno% a da % e zadr/ avanja ovih potra/ ivanja biti otpisana (nenaplativa) iznosi 0; verovatno% a zadr/ avanja ovih potra/ ivanja u stanju potra/ ivanja do 30 dana iznosi 0,2; dok verovatno% a da % e ova potra/ ivanja pre% i u stanje naplativosti u roku od 30-90 dana iznosi 0,3. Sli no, za potra/ ivanja koja se nalaze
68
__________________________________________________________________________________________________________
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=
0.5 0 0.45 0.1 0.2 0.3 0.15 0.3

F=
B := submatrix( P , 2 , 3 , 2 , 3)
B=
Fundamentalna matrica % e biti:
F := ( I - B)
-1
1.359 0.583 0.291 1.553

K=
Markovljeva matrica prelaznih verovatno% a je sada:
K := F A
0.942 0.058 0.845 0.155
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:

Qc := Q K Qc = ( 43203.9 6796.1 )
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)
10. MASOVNO OPSLUHIVANJE 10.1 Sistem opslu=ivanja M/G/1/beskona @ no [MO1.mcd]

Primer: U magacinu te#kih ma#ina visoki kran je iskori#% en 75% vremena. Prou avanje vremena dizanja i preno#enja dalo je srednje vreme od 10,5 minuta i standardno odstupanje 8,8 minuta [26]. a) Koliki je prose an red poziva za opslugom (dizanje, preno#enje i spu#tanje kranom) i koje je vreme u proseku potrebno za opslugu. b) Ako bi prose no vreme opsluge bilo 8 minuta sa standardnim odstupanjem 6 minuta, kako se u tom slu aju redukuju tra/ ene karakteristike? Re enje: Ovo je teorijski M/G/1/beskona an proces. Parametri za prora un su slede% i:
r1 := 0.75 t1 := 10.5 min t2 := 8 min 1 t1 s 1 := 8.8 min s 2 := 6 min
-1
U estalost opslu/ ivanja: Intenzitet potoka:
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
pa se kori#% enje krana redukuje na 57,1% vremena, i iznosi:
70
__________________________________________________________________________________________________________
t2 :=
r2 1 + m2 s 2 2 m2 ( 1 - r2)
t2 = 8.33 min
tada je:
Dt := t1 - t2
Dt = 18.48 min
#to zna i da je vreme ekanja smanjeno za 18,5 minuta (70%).
10.2 Festokanalni model masovnog opslu =ivanja [MO2.mcd]

Primer: - estokanalni sistem masovnog opslu/ ivanja kupaca funkcioni#e pod pretpostavkom da je prose na brzina uslu/ ivanja po kanalu m = 45 klijenata na sat, a da je prose na brzina dola/ enja l = 225 klijenata na sat (na svih k = 6 kanala). Tro#kovi opslu/ ivanja na jednom kanalu iznose c1= 21 /nj/sat/. Odrediti osnovne parametre re/ ima rada sistema i ispitati opravdanost uvo, enja sedmog kanala uslu/ ivanja za slu aj da su tro#ak, koji stvaraju klijenti ekaju% i pred kanalom, c2 = 12 /nj/sat/. Pri tome su ponati slede% i podaci:
m := 45 hr
-1
l := 225 hr
-1
c1 := 21
c2 := 12 hr
-1
k := 6
Re enje: Faktor opslu/ ivanja po kanalu

r := l m r k
r=5
Faktor opslu/ ivanja sistema
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:
u pojedina nom obliku:
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
__________________________________________________________________________________________________________
ili u vektorskom obliku:
P0 0.00451 P1 0.02256 P2 0.05640 P3 = 0.09400 0.11750 P4 P 0.11750 5 0.09792 P 6

G := r
6
Prose an broj klijenata koji eka na uslugu:
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
Prose no vreme zadr/ avanja klijenata u sistemu ( ekanje i opslu/ ivanje)

T := t + 1 m T = 0.0353 hr T = 2.12 min
Specifi ni tro#kovi zadr/ avanja usled ekanja klijenata na opslugu

Tv := c2 G t Tv = 0.46
Kako je: Tv > c1 = 0
Sledi konstatacija da nije ekonomi no uvoditi sedmo radno mesto za posao opslu/ ivanja klijenata.
11. SIMULACIONO MODELIRANJE 11.1 Generisanje slu@ ajnih brojeva [SM16.mcd]

Da bi se efikasno izvelo numeri ko modeliranje slu ajnih pojava koje se mogu opisati funkcijama, potrebno je raspolagati generatorom slu ajnih brojeva. Kao osnova, esto se koristi slu ajni broj uniformno raspore, en u standardnom intervalu [0,1]. U tom slu aju mo/ e se koristiti Mathcad-ova funkcija runif(N,0,1). Pomo% u inkorporirane funkcije rnd(q), generi#e se slu ajni
72
__________________________________________________________________________________________________________
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 )
ako se tra/ e celi brojevi, primenjuje se funkcija:

T
S := round [ a + ( b - a) rnd ( 1) ]
n
S = ( -3 -1 2 2 1 1 3 -1 2 0 2 -3 )
p Model sa deterministi@ kom funkcijom f(x)
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
3.5 3 2.5 2 f (x) 1.5 1 0.5 0 0.5 1 2 3 4 5 6 7 8 x 9 10 11 12 13 14 15 16
2.7
Sl. 11.1 Grafik funkcije sa determinisanim trendom

p Model funkcije f(x) sa slabijim poremeJajem trenda
73
__________________________________________________________________________________________________________
Funkcija f(x) sa dopunjenim operandom rnd(q):
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
3.5 3 2.5 2 f (x) 1.5 1 0.5 0 0.5 1 2 3 4 5 6 7 8 x 9 10 11 12 13 14 15 16
Sl. 11.3 Grafik funkcije sa sluAajnim trendom - promenljiva sa slabije poremeBenim Trendom
p Model funkcije f(x) sa izrazitim poremeJajem trenda
Funkcija f(x) sa dopunjenim operandom rnd(q):
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
4.5 4 3.5 3 f (x) 2.5 2 1.5 1 0.5 0 1 2 3 4 5 6 7 8 x 9 10 11 12 13 14 15 16
Sl. 11.4 Grafik funkcije sa sluAajnim trendom - promenljiva sa izra#enije poremeBenim trendom
74
__________________________________________________________________________________________________________
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.
11.2 Simuliranje vremena pouzdanosti elemenata tehni @ kog sistema [SM16a.mcd]

Primer: Elementi tehni kog sistema S1, S2 i S3 su vezani redno-paralelno prema sl. 1. Na osnovu N= 4000 simulacija, izra unati srednje vreme bezotkaznog rada sistema i uporediti ga sa teorijskim rezultatom, ako su za svaki element, vremena bezotkaznog rada eksponencijalno raspore, ena sa poznatim intenzitetima otkaza lv wl2 i l3. Prora unati relativno odstupanje teorijske i simulirane srednje vrednosti vremena otkaza. Grafi ki predstaviti funkcije pojedina ne i superponirane pouzdanosti.
S2 S1 S3
Sl. 11.5 Eema sistema S tehniAkih elemenata pri paralelnoj vezi
p Simboli@ ko reA enje vrednosti pouzdanosti sistema pri redno-paralelnoj vezi
elemenata Funkcije eksponencijalne pouzdanosti za tri elementa pojedina no:

R1 ( l1 , t) := e
- l1 t
R2 ( l2 , t) := e
- l2 t
R3 ( l3 , t) := e
- l3 t
Ukupna (supeponirana) funkcija pouzdanosti:

R ( l1 , l2 , l3 , t) := e
- l1 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
assume , l1 > 0 assume , l2 > 0 assume , l3 > 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)

p
75
__________________________________________________________________________________________________________
Teorijska vrednost pouzdanosti sistema paralelnoj vezi elemenata
Intenziteti otkaza pojedina nih elemenata iznose: S1:

l1 := 0.35 10
-3
S2:
l2 := 0.28 10
-3
S3:
l3 := 0.32 10
-3
Ukupna teorijska pouzdanost za paralelnu vezu:

R ( t) := R1 ( l1 , t) 1 - (1 - R2 (l2 , t)) (1 - R3 (l3 , t))
Teorijski srednje vreme pouzdanosti sistema pri paralelnoj vezi elemenata S1, S2 i S3:
Trp := R ( t) dt 0
ili konkretno:
Trp 2027.2073217870547014
Srednje vreme pouzdanosti elementa 1:
- 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
Simulacija pouzdanosti sistema pri paralelnoj vezi elemenata
Simulacija vremena pouzdanosti za S1: Broj simulacija:

T1 := rexp ( N , l1) N := 4000
T
i := 0 .. N - 1 =
0 0 1 2 908.3 3 74.5 4 2 5 3350
T1
173.5 3024.5
Srednje vreme otkaza elementa za S1: Simulacija vremena pouzdanosti za S2:

T2 := rexp ( N , l2) T2
T
mean ( T1 ) = 2874.488
0 0
7364.8 2151.4
429.5 5456.6
7776 4018.9
76
mean ( T2 ) = 3569.163
__________________________________________________________________________________________________________
Srednje vreme otkaza elementa za S2: Simulacija vremena pouzdanosti za S3:

T3 := rexp ( N , l3) T3
T
0 0
5 259.7
2857.2 5425.8 1276.8
259.8 2962.9
Srednje vreme otkaza elementa za S2:
mean ( T3 ) = 3113.725
Simulacija vremena pouzdanosti sistema pri paralelnoj vezi:

T := if T1 < if T2 > T3 , T2 , T3 , T1 , if T2 > T3 , T2 , T3
i i i i i i i i i i T
))
7
0 0
2 908.33
3 74.49
173.54 3024.47
1.96 3349.97 2968.44 1761.88
Srednje vreme otkaza sistema pri paralelnoj vezi:
mean ( T) = 2040.245
Relativno odstupanje teorijske i simulacione vrednosti je relativno malo i iznosi:

D := mean ( T ) - Trp Trp
tj.
D = 0.643 %
Grafi@ ka interpretacija funkcija pouzdanosti
1 Trp 0.8 R ( t) R1 ( l1 , t ) R2 ( l2 , t ) R3 ( l3 , t ) 0.6
0.4
0.2
1000
2000
3000 t
4000
5000
6000
Sl. 11.6 Funkcije pouzdanosti za sistem sa redno-paralelnim vezanim elementima
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].
12. MATRIDNE IGRE 12.1 Nesingularne matri @ ne igre [MI1.mcd]

Primer: Neka dva igra a mogu da biraju jedan od slede% a tri broja 0, 1 i 2. Ako je zbir odabranih brojeva paran, onda on ide drugom igra u, a ako je neparan, prvom (igra u). Matrica pla% anja za ovu igru je:
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
Inverzna matrica matrice C je jednaka:
te je vrednost ove modifikovane igre:
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
__________________________________________________________________________________________________________
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
Optimalni broj godi#njiih serija /ser/god/:
n :=
Q qo
n = 7.35

t n
79
__________________________________________________________________________________________________________
Vremenski period jedne serije /god/:
t :=
t = 0.136
Minimalni tro#kovi zaliha /nj/:
F := k0
qo Q + k1 t 2 qo minF = 1219.57
F = 1219.57
ili:
minF :=
2 k0 k1 Q t
Tro#kovi uve% ani za p procenata /nj/: Jedna ina ukupnih tro#kova:
F1 := ( 1 + p) F Q q + k1 t - F1 q 2
F1 = 1829.36
k0
#to je ekvivalentno kvadratnoj jedna ini:
k1 2 q - F1 q + k0 Q 2
Re#avanje korena jedna ine na osnovu koeficijenata jedna ine:
k0 Q -F1 q12 := k1 t 2
ORIGIN := 1
q1 := polyroots ( q12) q 2 q1 83.185 = q 570.158 2

1
Dva re#enja kvadratne jedna ine iznose /kom/:
Alternativne oznake:
q1 := q
q2 := q
Odnos dvaju koli ina zaliha:
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
__________________________________________________________________________________________________________
3000 q1 q2
f ( q) k0 Q q q
2000
F1
k1 t 2 1000
100
200
300 q
400
500
600
Sl. 13.1 Funkcije ukupnih i parcijalnih tro kova
Skaliranje nezavisno promenljive:
x := 0 ,
t .. ceil ( n) t 200
Programiranje zaliha u vremenu za prvih devet serija:

f ( x) :=
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
if 0 x t if t < x 2 t if 2 t < x 3 t if 3 t < x 4 t if 4 t < x 5 t if 5 t < x 6 t if 6 t < x 7 t if 7 t < x 8 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
Sl. 13.2 Dijagram stanja zaliha u vremenu
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
82 Re enje: Optimalne vrednosti zaliha /kom/:
__________________________________________________________________________________________________________
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
Provera ukupnih tro#kova za prora unate optimalne vrednosti zaliha /nj/:

Q p ( q - p) + k1 t + k2 t q 2 q 2 q
2 2
minF := k0
te je:
t Q
minF = 1620474.88
Optimiranje ciklusa konvertovanja zaliha /god/:
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
Kvadratna jedna ina tro#kova je: Sistemska promenljiva:
k0
Q p ( q1 - p) + k1 t + k2 t - F1 q1 2 q1 2 q1
ORIGIN := 1
83
__________________________________________________________________________________________________________
sa koeficijentima polinoma:
k0 Q + k2 q t - F1 q 2 p12 := -k2 t k1 + k2 t 2 q p1 := polyroots ( p12) p2 p1 2141.8 = p2 3058.2
Mogu% a narud/ ba p /kom/ iznosi:
Sledi da je interventna koli ina /kom/ u ovim uslovima jednaka:

D q1 := q - p1 Dq1 = 1258.204 D q2 := q - p2 Dq2 = 341.796
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
Verifikacija re#enja tro#kova /nj/:
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
#to se u potpunosti sla/ e sa prethodno definisanim tro#kovima.
14. MREHNO PLANIRANJE 14.1 Primena mre=ne tehnike PERT [MP1.mcd]

Primer: Odrediti o ekivane vrednosti vremena i standardne devijacije za skup od #est aktivnosti, dat putem mre/ nog dijagrama (sl. 14.1). Optimisti ka (a), najverovatnija (m) i pesimisti ka (b) vremena predstavljena su vektorski. Ispitati verovatno% u P realizacije kriti nog puta u PERT mre/ i ako je planirano vreme njegovog ostvarenja Tp= 12 dana.
84
t2 2 t0 s0 1 t1 s1 3 s2 t3 s3 t4 s4
__________________________________________________________________________________________________________
4 t5 s5
Sl. 14.1 Mre#ni dijagram PERT sa oznakama parametara planiranja
Poznati vremenski parametri:
Tp := 12
1 1 2 a := 2 6 1
2 3 3 m := 4 8 2
3 4 5 b := 6 10 4
O ekivana vremena t i odgovaraju% e standardne devijacije s:

1 6 b-a 6
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
Kriti ni (najdu/ i o ekivani) tok T u mre/ i i devijacije s vremenskih aktivnosti:
t0 + t2 + t5 t + t T := max 0 3 t + t 1 4
T = 10.833
s :=
(s0)2 + (s2)2 + (s5)2
(s0) + (s3)
2
(s1)2 + (s4)2
0.782 s = 0.745 0.833

s 2 = 0.833
Verovatno% a P da % e se kriti ni tok realizovati u planiranom vremenu Tp je relativno visoka i iznosi:

P := pnorm ( Tp , T , s 2) P = 91.924 %
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
Statisti@ ko sreCivanje uzorka

n := length ( P) mean ( P) = 3.975 i := 0 .. 199 NS := n = 200
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
Sl. 15.1 Raspored vrednosti eksperimentalnih podataka u odnosu na interval uzorka
86 Broj grupnih razmaka:
h := ceil ( 5 log ( n) ) h = 12 r = 10
__________________________________________________________________________________________________________
Razlika ekstremnih vrednosti elemenata vektora:
r := max( P) - min( P)
Celobrojna du/ ina grupnih razlika:
D := ceil
max( P) - min( P) h
D =1
Devijacija uzorka: Devijacija uzorka:
S ( P) := stdev ( P) S ( P) := stdev ( P)
S ( P) = 2.103 S ( P) = 2.103 j := 0 .. h I := min( P) + D j

j
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
Funkcija histograma u vektorskom obliku:

T
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

p
87
__________________________________________________________________________________________________________
Grafi@ ka interpretacija raspodele podataka uzorka

45 40 35 fk fk ft Ik 30 25 20 15 10 5 0 1 0 1 2 3 4 5 Ik 6 7 8 9 10 11 12 min ( P) max ( P ) + 1
( )
histogram empirijske raspodele poligon teorijske raspodele poligon empirijske raspodele
Sl. 15.2 Histogram i poligon empirijske i poligon teorijske raspodele
Funkcija razlike empirijskih i teorijskih vrednosti raspodela:
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)
Sl. 15.3 "Stem" oblik funkcije odstupanja
Napomena: U narednom postupku izvr#eno je grupisanje po etnih i zavr#nih vrednosti

frekvencija tako da vrednost tih zbirova, kao novih elemenata vektora frekvencija, ne bude manja od 5. U ovom slu aju je redukovana sa 12 na 9 elemenata koji su dati u narednim tabelama.
88
__________________________________________________________________________________________________________
Korekcija raspodele empirijskih i teorijskih frekvencija u (m+1) intervala:

m := ( h - 1) - 4
Fg := f0 + f1 f2 f3 f4 f5 f6 f7 f8 f 9 + f 10 + f 11 Ft g := ft I0 + ft I1
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
Testiranje hipoteza o pretpostavljenoj raspodeli
Testiranje se vr#i na bazi hi-kvadrat testa: Empirijska vrednost hi-kvadrat iznosi:

c2 :=
(Fg - Ftg)2
Ft
g
c2 = 5.072
Rizik i izvesnost prihvatanja hipoteze o slaganju empirijske i teorijske raspodele:

a := 0.10 1 - a = 90 %
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 := qchisq (1 - a , u ) q := 0 , 0.1 .. 25
c2g = 12.017 k := 0 .. 1
89
__________________________________________________________________________________________________________
0.15 0.12 dchisq ( q , u ) 0.09 c2 c2g
0 dchisq ( c2g , u ) k 0.06 0.03 0
10 q , c2g
15
20
25
hi-kvadrat funkcija kriticna hi-kvadrat vrednost
Sl. 15.4 GrafiAki prikaz testiranja hipoteza na osnovu raspodele hi-kvadrat
Rezultati testiranja Hi-kvadrat testom
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
c2 c2g ) = ( 0 5.072 12.017 )
0 < c 2 < c 2g = 1 pchisq ( c2 , u ) < 1 - a = 1
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
__________________________________________________________________________________________________________
15.2 Testiranje hipoteze o homogenosti uzoraka na osnovu njihovih varijansi [q1.mcd]

Primer: Izvr#iti statisti ko F-testiranje hipoteza o jednakosti ocena iz predmeta Matematika dve populacije u enika na osnovu varijansi ocena. Osnovna funkcija analize varijansi je da utvrdi da li postoje statisti ki zna ajna odstupanja izme, u odabranih karakteristika dveju ili vi#e grupa u populaciji. U pedago#kom smislu to npr. mogu biti ocene znanja u enika, vremenski periodi edukacije iz odre, enih oblasti i sl. Dakle, veli ine koje se, u principu, mogu kvantifikovati. Ako se ustanovi da je ta razlika izme, u karakteristika pojedinih grupa statisti ki zna ajna, onda je to dokaz da one ne pripadaju istoj populaciji i da je pedago#ko zaklju ivanje na osnovu njih nepouzdano. Ako se ustanovi da je ta razlika statisti ki bezna ajna (mala ili je nema), onda je to dokaz da se radi o grupama, npr. u enika, koje pripadaju istoj populaciji i da je pedago#ko zaklju ivanje na osnovu njih pouzdano. Izra unavanje varijansi i svi ostali postupci koji slede u osnovi su jednostavni, ako korisnik poseduje odre, eno predznanje, da bi mogao da protuma i me, urezultate i krajnje rezultate. Oni se utvr, uju proverenim statisti kim postupcima. Ovde % e se ti postupci ilustrovati na rezultatima primene Fi#erovog F-testa, kojim se mogu utvrditi (ne)jednakosti ocena iz jednog predmeta. U ovom slu aju izabrana je matematika i primer je ra, en na osnovu metodologije razra, ene u referenci [27]. Testiranje zna ajnosti razlika izme, u statisti kih vrednosti se izvodi pore, enjem parova vrednosti iz dva niza statisti kih podataka, analizom varijansi. Zna ajnost razlike izme, u dve aritmeti ke sredine ispitivana je na osnovama ocena koje su postigle dve grupe u enika iste generacije iz predmeta Matematika. Skup ocena za svaku grupu formiran je u posebnim fajlovima: grupa1.prn i grupa2.prn. Mathcad-om se one preuzimaju kao numeri ki podaci, formiraju% i vektore ocena S1 i S2, putem adrese sa definisanom putanjom. Broj u enika nije isti za svaku grupu, i za svakog u enika je registrovana samo po jedna ocena. Radi efikasnije i celishodnije primene, posebno % e se interpretirati i ilustrovati tabeliranje podataka (vektor brojeva tj. ocena) i kasnije grafi ki predstaviti rezultati F-testa.
p p
prve grupe: druge grupe:

=
0 0 5 1 4 2 2 3 3 4 4 5 5
S1 := READPRN( "grupa1.prn" ) S2 := READPRN( "grupa2.prn" )

6 4 7 4 8 3 9 4 10 11 12 13 14 15 16 17 18 19 20 3 5 3 4 2 5 4 3 5 5 4
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 := length ( S1) n2 := length ( S2)
n1 = 59 n2 = 45
Usvojena verovatno% a gre#ke prihvatanja hipoteze o homogenosti ocena:

a := 0.10 a = 10 %
91
__________________________________________________________________________________________________________
Usvojena verovatno% a prihvatanja hipoteze o homogenosti ocena:

1 - a = 0.9 1 - a = 90 %
Standardna devijacija i varijansa uzoraka: prve grupe: druge grupe:

stdev ( S1) = 0.9579 stdev ( S2) = 1.0376 var ( S1) = 0.918 var ( S2) = 1.077
Nepristrasna ocena varijanse izoraka: prve grupe:

v1 := n1 var ( S1) n1 - 1 n2 var ( S2) n2 - 1 v1 = 0.9334
druge grupe:
v2 :=
v2 = 1.101
Minimalna, srednja i maksimalna ocena uzoraka: prve grupe: druge grupe:

min( S1) = 2 min( S2) = 1 mean ( S1) = 3.78 mean ( S2) = 3.889 max( S1) = 5 max( S2) = 5
FLtestiranje hipoteza o jednakosti ocena u@ enika
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
Donji prag signifikantnosti:
F2 := qF 1 -
F2 = 1.6134
Promenljiva F raspodele:
F := if
v1 > 1 , v1 , v2 v2 v1 v2
F = 1.1796
Napomena: Promenljivu F je potrebno postaviti da bude ve% a od 1. U tom smislu se koristi if

funkcija.
92
q := 0 , 0.02 .. 4 k := 0 .. 1
__________________________________________________________________________________________________________
Skalirane vrednosti nezavisne promenljive:
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
Sl. 15.5 GrafiAki prikaz testiranja hipoteza na osnovu F-raspodele
Kontrolni vektor grani nih F vrednosti:

p
( F1 F F2 ) = ( 0.6308 1.1796 1.6134 )
Hipoteza H0: s 01 2
s 02 da su varijanse osnovnih skupova me, usobno jednake.
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
a) rezultat 1 prihvata se hipoteza H0 b) rezultat 0 prihvata se hipoteza H1.
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.
Studija sluAajeva iz operacionih istra#ivanja u Referentni pojmovnik: Operaciona istra =ivanja

ADM (Arrow Diagram Method) - Metoda orijentisanih grafova na osnovu streli astih dijagrama. Algorithm - Algoritam. AON (Activity On the Node) - Metoda mre/ nog dijagrama sa "aktivnostima u vorovima". Artificial variable - Ve#ta ka promenljiva. Assignment problem - Problem asignacije, problem dodeljivanja. Average waiting time - Srednje vreme ekanja. Compromise programming - Kompromisno programiranje. CPM (Critical Path Method) - Metoda kriti nog puta. Decomposition - Dekompozicija. Dual simplex algorithm - Dualni simpleks algoritam. Dynamic compromise programming Dinami ko kompromisno programiranje. Dynamic programming - Dinami ko programiranje. Dynamic simulation model - Dinami ki simulacioni model. EURO - European Associations of Operations Research Societies - Evropska asocijacija za istra/ ivanje operacija. Failure frequency - U estanost otkaza. Failure rate - Intenzitet otkaza. Global extremum - globalni ekstremun. Goal function - Funkcija cilja. Goal programming - Ciljno programiranje. Heuristic method - Heuristi ka metoda. IFORS - International Federation of Operations Research Societies - Me, unarodna asocijacija za istra/ ivanje operacija. Integer programming - Celobrojno programiranje. Inventory control - Upravljanje zalihama. Linear inequality - Linearna nejednakost. Linear Programming - Linearno programiranje. Mathematical model - Matemati ki model. Mathematical programming - Matemati ko programiranje. Mean time between failures - Srednje vreme izme, u otkaza. Modified distribution method - Mo-Di metoda transporta (raspodele).
93
__________________________________________________________________________________________________________
Monte Carlo Probability Estimation - Ocena verovatno% e Monte-Karlo metodom.

Multichannel queueing system - Vi#ekanalni sistem opslu/ ivanja. Multicriteria decision making Vi#ekriterijumsko odlu ivanje. Multicriteria optimization - Vi#ekriterijumska optimizacija. Multiple criterion analysis - Vi#ekriterijumska analiza. Network planning - Mre/ no planiranje. Nonlinear programming - Nelinearno programiranje. Objective function coefficient - Koeficijent u funkciji cilja. Operations Research (OR) - Istra/ ivanje operacija ili operaciona istra / ivanja. Management Science (MS) - Nauka o upravljanju. Optimal solution - Optimalno re#enje. Optimal transportation plan - Optimalan plan transporta. Parametric linear programming - Parametarsko linearno programiranje. PDM (Precedence Diagramming Method) Metoda dijagrama pretho , enja ili prvenstva. PERT (Program Evaluation and Review Technique) - Tehnika za ocenu i pregled (reviziju) programa (projekta). Principle of optimality - Princip optimalnosti. Quadratic programming - Kvadratno programiranje. Queueing theory - Masovno opslu/ ivanje, redovi ekanja. Random number generation - Generisanje slu ajnih brojeva. Recursive relation - Rekurentna (rekurzivna) relacija. Reliability - Pouzdanost. Set of feasible solutions - Skup dopustivih re#enja. Single-channel queueing system - Jednokanalni sistem opslu/ ivanja. Slack variable - Izravnuju% a (dopunska) promenljiva. Solvable system of linear equations - Re#iv sistem linearnih jedna ina. Standard form of a linear program - Standardni oblik zadatka nekog linearnog programa.
Monte Carlo Integration - Integraljenje Monte-Karlo metodom.
94
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.
Literatura: Operaciona istra =ivanja

[ 1] Backovi% , M. Vuleta, J. [ 2] Backovi% , M. Vuleta, J. Prica, I. Popovi% , Z. [ 3] Baets, B. Fodor, J. Radojevi% , D. (Editors) [ 4] Burton, V. D. [ 5] [ 6] [ 7] [ 8] EKONOMSKO MATEMATI' KI METODI I MODELI, Ekonomski fakultet, Beograd, 2004. EKONOMSKO MATEMATI' KI METODI I MODELI, Zbirka re#enih problema, Ekonomski fakultet, Beograd, 2004. FUZZY FOR BETTER, Eurofuse Anniversary Workshop, Institut s Mihajlo Pupint , Belgrade, 2005.
[ 9] [10] [11] [12]
[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

Studija Slucajeva Iz Operacionih Istrazivanja - Ekspozicij

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Studija Slucajeva Iz Operacionih Istrazivanja - Ekspozicij

Uploaded by

Copyright:

Available Formats

Univerzitet u Novom Sadu Tehni ki fakultet Mihajlo Pupin Zrenjanin

Du#ko Leti% Vesna Jevti%

Sadr`aj UNIVERZITET U NOVOM SADU TEHNI' KI FAKULTET "MIHAJLO PUPIN" ZRENJANIN

Du#ko Leti% Vesna Jevti%

Studija slu ajeva iz OPERACIONIH ISTRA#IVANJA

metode optimizacije ispitni zadaci seminarski radovi programska re enja

Studija slu ajeva iz OPERACIONIH ISTRA) IVANJA + ekspozicije u Mathcad-u

1 2 3 + 5 6869: <=>6?=@ 6 B DBE9=F6?=@ = G=E9=: 8H F6 J 68=?HLM DLFH , O: Q = R6S.

11. SIMULACIONO MODELIRANJE ................................. ......................................... 71

Studija sluAajeva iz operacionih istra#ivanja

1. LINEARNO PROGRAMIRANJE 1.1 Optimizacija proizvodnog programa [LP1.mcd]

750 850 B := -40 -65

Optimalne koli ine proizvoda P1 i P2 proizvodnog programa:

ili pojedina no: Najve% a dobit preduze% a iznosi:

Aritmeti ka i logi ka verifikacija re#enja:

509 850 A Xr = -46 -65

Dopunske promenljive iznose:

Napomena:: Alternativne postupke za re#avanje ovog problema pogledati u fajlovima LP1_1

1.2 Optimizacija tableta vitamina [LP7.mcd]

Potrebe za tabletama /kom/

18000 12000 8000

18000 12000 8000

18000 B := 12000 8000

Optimalni plan daje slede% e vrednosti koli ine sirovina /kg/:

18000 A X = 12000 8000

1.3 Optimizacija proizvodnog programa asortiman/koli @ ina [LP2.mcd]

Matrica koeficijenata (operaciona vremena) A i vektor ograni enja (vremenski kapaciteti) B:

50000 80000 B := 40000 50000 20000

Studija sluAajeva iz operacionih istra#ivanja

Blok za re#avanje LP:

Optimalno re#enje koli ine proizvoda:

4000 1547.61 Xr = 453.12 925.64 930.84

ili pojedina no:

Maksimalna dobit iznosi:

Verifikacija aritmeti kog i logi kog re#enja:

50000 80000 A Xr = 40000 50000 20000

Dopunske promenljive iznose:

1.4 Model linearnog programiranja sa dve promenljive [LP4.mcd]

8 Sistem linearnih ograni enja:

Na bazi prethodnog modela LP sledi matrica koeficijenata i vektor ograni enja:

Grafi ko i animacijsko re#enje linearnog problema:

Studija sluAajeva iz operacionih istra#ivanja

1.5 Optimizacija broja raketa [LP9_1.mcd]

Sistem ograni enja u pogledu broja oborenih aviona:

100 B := 150 100

Optimalne koli ine raketa:

Najmanja vrednost funkcije kriterijuma je:

200 A X = 150 100

Programiranje grafi kog re#enja LP i skaliranje ose X:

-3 X + 400 if 0 X 50 -X + 300 if 50 X 250 -1 3 X + 400 3 if 250 X 400

Podloge za realizaciju animacije funkcije kriterijuma:

Studija sluAajeva iz operacionih istra#ivanja

1.6 Optimizacija koli @ ine sirovina hemijskih proizvoda [LP8.mcd]

Sistem ograni enja u pogledu nejedna ina:

0.03 0.6 A := 0.125 0.25 0.4 0.05

Optimalne koli ine proizvoda P1 i P2 proizvodnog programa:

ili pojedina no: Najmanji tro#kovi iznose:

Aritmeti ka i logi ka verifikacija re#enja:

b) Mogu% nost isporuke ve% eg broja proizvoda Dopunske promenljive iznose:

Studija sluAajeva iz operacionih istra#ivanja Programiranje granice oblasti dopustivog re#enja:

1.7 Dualni model linearnog programiranja [LP5.mcd]

Sistem linearnih ograni enja:

Primarni model opisuje se slede% im vektorima i matricom koeficijenata: