Mirko Vujoevi

1
UVOD U OPTIMIZACIJU
JEDNOKRITERIJUMSKA OPTIMIZACIJA


Opti pristup u metodama jednokriterijumske optimizacije polazi od
formiranja adekvatnog matematikg modela za realni problem koji se
razmatra. Matematiki model nam slui za izvoenje potrebnih analiza na
osnovu kojih moemo doi do traenih odgovora u vezi sa postavljenim
problemom. Na osnovu eksperimentisanja na matematikom modelu treba
zakljuiti koje je reenje najbolje i njega treba predloiti donosiocima
odluke da ga implementiraju u praksi. U ovom kontekstu neemo insistirati
na razlici u terminima reenje i odluka ali se grubo moe rei da se prvi
odnosi na rezultat dobijen matematikom analizom a drugi na konani
rezultat koji zavisi o vlasnika problema, odnosno donosioca odluke.
Postoji vie u sutini vrlo slinih optih principa koji se preporuuju u
fazi izgradnje matematikog modela a ovde emo samo u najkraim crtama
prikazati nekoliko osnovnih elemenata ovog dela u procesu reavanja
problema.
Cilj je razlog zbog koga se javlja i reava problem odluivanja. Cilj
proizilazi iz namere da se neto ostvari ili postigne. On treba da je jasno
iskazan i na poetku moe biti formulisan zahtevima koji se postavljaju od
strane vlasnika problema. Ovi zahtevi mogu biti iskazani kvalitativno kao
napr: Obezbediti neprekidnu i ekonomski efikasnu proizvodnju uglja, ili
Osigurati to veu sigurnost radnika na poslu. Cilj moe biti iskazan i
preciznije, npr: Smanjiti prosene trokove proizvodnje uglja po jednoj toni
za 15% u narednih godinu dana, ili U narednih est meseci kupiti rezervne
delove za potrebe odravanja za odobreni budet od N dinara sa namerom da
se postigne to vea operativna gotovost opreme.
Upravljake promenljive se odnose na odluke koje moe da donese
onaj koji namerava da ostvari postavljeni cilj. U problemu koji se razmatra
treba jasno uoiti na ta se moe i kako uticati, odnosno ta je pod kontrolom
donosioca odluke a ta nije. Upravljake promenljive mogu biti: investicije u
opremu ukljuujui koliine novca i dinamiku ulaganja, koliine rezervnih
delova i slino. U matematikom modelu se obino predstavljaju vektorom
koji se obeleava sa
x = (x
1
, , x
j
, , x
n
).
Analitiar problema i donosilac odluke treba da odrede konkretne
vrednosti za svaku upravljaku promenljivu x
j
, j = 1,,n. Odgovarajui
vektor x nazivamo reenje ili odluka. Skup reenja oznaiemo sa D.
U problemima koji se razmatraju u okviru ovog projekta treba imati na
umu da upravljake promenljive x
j
mogu da budu zavisne od vremena, tj. da
su problemi zamene po prirodi dinamiki to znatno oteava i matematiko
modeliranje i reavanje problema o emu e kasnije biti vie rei.
Kriterijum ili kriterijumska funkcija f(x) je funkcija koj preslikava
skup reenja D u skup S vrednosti ishoda koji pokazuju stepene ostvarenja
postavljenog cilja f: D S. Prema tome, f(x) predstvalja meru kvaliteta
Uvod u optimizaciju



2
reenja x. Ako je ishod na osnovu kojeg se meri kvalitet reenja tipa dobiti,
onda je bolje ono reenje koje daje veu vrednost kriterijumske funkcije.
Najbolje reenje je ono koje daje maksimalnu vrednost kriterijumske
funkcije. Analogno tome, u sluaju kada se posmatraju ishodi tipa trokova,
bolje je ono reenje koje daje manju vrednost kriterijumske funkcije a
najbolje je ono koje daje najmanju vrednost f(x). Neki autori nazivaju f(x)
funkcijom cilja ili funkcijom namere to je pitanje terminologije i ovde ne
treba razmatrati mogue razlike u znaenjima ve je bolje njih koristiti kao
sinonime.
Najbolje reenje se naziva optimalno reenje i obino se oznaava sa
x*. Zadatak jednokriterijumske optimizacije je zadatak nalaenja optimalnog
reenja. On se formalno postavlja na sledei nain:

Zadatak Z.1.
Odrediti vektor x = (x
1
, , x
n
) tako da funkcija f(x) ima optimalnu
(maksimalnu ili minimalniu) vrednost, tj. reiti sledei matematiki zadatak
opt {f(x) | x D}. (z.1)
Reenje ovog zadatka je x*. Njemu se pridruuje optimalna vrednost
kriterijuma f* = f(x*).

Opti oblik zadatka Z.1. pretpostavlja da su u fazi modeliranja realnog
problema reena sledea dva bitna problema. Prvi je utvrivanje zavisnosti
ishoda, odnosno kriterijuma, od upravljakih promenljivih, odnosno
definisanje funkcije f(x). Ovo se po pravilu radi na osnovu poznatih
prirodnih ili ekonomskih zakonitosti koji vladaju u razmatranom sistemu.
Meutim, esto nema tanih naunih zakona koji pokazuju uticaj neke
upravljake promenljive na vrednost kriterijuma. Tada se koriste merenja,
statistike obrade ili ekspertne procene. Njima se utvruju oblik funkcije
zavisnosti (npr. linearna, polinomna, eksponencijalna itd) i parametri ovih
funkcija. U tom smislu, veoma je vano razlikovati parametre sistema na
koje analitiar ne moe uticati od upravljakih promenljivih koje su pod
njegovom kontrolom. Obazrivost je potrebna zbog toga to su u nekim
sistemima parametri podloni promenama dok se za neke promenljive ne
moe jasno utvrditi da li su pod kontrolom donosioca odluke ili ne. Oblik i
karakter kriterijumske funkcije znatno utie na algoritme za nalaaenje
optimalnog reenja.
U vezi sa odreivanjem kriterijumske funkcije kasnije e biti vie rei
a ovde naznaimo samo par optih primedbi. U reavanju slinih problema
metodama jednokriterijumske optimizacije kao polazna taka koriste se
ekonomski ciljevi organizacije. Zatim se utvrdjuju naini njihovog merenja,
raunanja ili procenjivanja. Mada se obino kao ekonomski cilj posmatra
profit i njegovo uveanje, nekad se analiza ograniava na posmatranje
trokova poslovanja (proizvodnje) i kao cilj usvoja da trokovi po jedinici
proizvodnje treba da budu to nii. Dakle, trokovi po jedinici proizvodnje
uproseeni na planski period od godinu dana mogu da se koriste kao
kriterijum na osnovu koga se pronalazi najbolje reenje. Radi toga, za svako
mogue reenje potrebno je razraditi metodologiju merenja, raunanja ili
procenjivanja ovih trokova. Pri tome se mora voditi rauna da se trokovi
menjaju u vremenu.
Drugi problem u vezi sa zadatkom Z.1. jeste odreivanje skupa
moguih upravljakih vektora. Prvobitni matematiki modeli
Mirko Vujoevi



3
jednokriterijumske optimizacije pretpostavljaju da je D = R
n
, odnosno da su
upravljake promenljive x
j
realni brojevi. Takvi zadaci se nazivaju zadaci
optimizacije bez ogranienja i oni se u praksi relativno retko sreu. U
praktinim problemima su vrednosti upravljakih promenljivih obino
ograniene na neke podskupove skupa realnih brojeva. Na primer, moe se
zahtevati da neka upravljaka promenljima zbog svoje prirode pripada skupu
celih brojeva a neka druga skupu {0,1}. Pored toga, neke promenljive mogu
biti meusobno uslovljene. Na primer, sredstva za nabavku potrebnih
rezervnih delova mogu biti fiksirana tako da se kupovinom odreenog dela
utie na mogunost kupovine drugih delova.
Navedena ogranienja se zavisno od njihove prirode matematiki piu
na razliite naine. Uobiajeno je da se ona zapiu skupom relacija tipa
g
i
(x) b
i
, i = 1, , m .
Ovaj skup jednaina i nejednaina naziva se skup ogranienja a funkcije
g
i
(x) funkcije ogranienja. U nekim sluajevima odnosno za neko i se
umesto relacije javlja relacija ili =. Reenja koja zadovoljavaju navedeni
skup ogranienja formaraju skup dopustivih reenja D.
U tekstu koji sledi pretpostaviemo da je kriterijumska funkcija tipa
trokova, odnosno da treba nai reenje koje daje to manju vrednost f(x).
Zadatak optimizacije sada se moe formulisati na sledei nain:

Zadatak Z.2.
Odrediti vektor x = (x
1
, , x
n
) tako da funkcija f(x) ima minimalniu
vrednost, tj. reiti sledei matematiki zadatak
min {f(x) | g
i
(x) b
i
, i = 1, , m, x R
n
} . (z.2)
Kao i ranije, reenje ovog zadatka obeleava se sa x*. Njemu se pridruuje
optimalna vrednost kriterijuma f* = f(x*). Kaemo da je x* optimalno
reenje zadatka Z.2. ako ne postoji ni jedno drugo x iz skupa dopustivih
reenja D tako da je f(x) < f(x*).

Zadatak Z.2. predstavlja opti oblik zadatka jednokriterijumske
optimizacije koji se zove i zadatak globalne optimizacije jer su u ovoj
postavci funkcije f(x) i g
i
(x) proizvoljne. Meutim, zavisno od oblika
funkcija f(x) i g
i
(x) prave se klasifikacije zadataka optimizacije i razvijaju
pogodne grupe algoritama za njihovo reavanje u okviru posebne
matematike discipline koja se naziva matematiko programiranje. Na
primer, ako su f(x) i g
i
(x) linearne funkcije, onda je zadatak Z.2. zadatak
linearnog programiranja i za njegovo reavanje postoje efikasni algoritmi.
Napomenimo jo da se u sluaju kada je kriterijumska funkcija nelinearna ali
separabilna po promenljivima esto koristi dinamiko programiranje kao
efikasna metoda za nalaenje optimalnog reenja.
Modeliranje problema odluivanja kao zadatka jednokriterijumske
optimizacije ima vie dobrih osobina. Pre svega, u okviru matematikog
programiranja razvijeno je puno efikasnih algoritama za reavanje
karakteristinih tipova zadataka. Za ove algoritme postoje pouzdani i dobro
testirani softveri, bilo da su besplatni ili komercijalno raspoloivi. Za
probleme globalne optimizacije koriste se i takozvane meta heuristike
kojima se po pravilu dobija dobro reenje ak i u sluajevima vrlo tekih
problema (nelinearnih, nekonveksnih i/ili kombinatornih).
Sledea prednost metoda jednokriterijuske optimizacije sastoji se u
tome to se u optimizacionim zadacima za koje postoje egzaktni algoritmi
Uvod u optimizaciju



4
reavanja moe osnovano tvrditi da je dobijeno reenje optimalno. Naravno,
ovo reenje je optimalno reenje modela a za realni sistem je u onoj meri
dobro u kojoj je model dobra predstava stvarnog problema.
Za zadatke globalne optimizacije za koje ne postoje egzaktni algoritmi
koji garantuju optimalno reenje, korienjem savremenih metaheuristika
mogu se razviti efikasni algoritmi. Njihovom primenom se dobijaju reenja
koja su bliska optimalnom a u veem broju sluajeva su ba i optimalna.
Nekada se moe precizno odrediti koliko je najvee mogue odstupanje
optimalne vrednosti kriterijuma od one postignute reavanjem priblinim
algoritmom. Oslanjajui se na model i zadatak optimizacije, analitiar
odluke moe da zastupa i odbrani stav da je reenje koje daje reavanjem
zadatka najbolje mogue.
Nedostatak metoda jednokriterijumske optimizacije u praktinim
primenama proizilazi najpre iz problema razvoja odgovarajueg
matematikog modela i nemogunosti da model u potpunosti verno opie
realni problem. Veoma esto je vrlo teko ili skoro nemogue matematiki
precizno opisati sve interakcije koje postoje u realnom problema a koje
moda utiu na kvalitet reenja.
Drugi nedostatak metoda jednokriterijumske optimizacije proizilazi
upravo iz injenica da se kvalitet reenja ocenjuje samo na osnovu jednog
kriterijuma. U sloenim sistemima to je vrlo retko sluaj: donosioci odluke
pri reavanju svojih problema u praksi uvek imaju na umu, eksplicitno ili
implicitno, vie razliitih kriterijuma od kojih su neki meusobno konfliktni.
Ovaj problem uoen je u isto vreme kada su poeli da se razvijaju i
primenjuju metode jednokriterijumske optimizacije. Da bi se ostalo u
domenu jednoskriterijumske optimizacije i time iskoristile njene prednosti a
pri tome matematikim modelom to vernije opisao stvarni problem,
razvijani su razliiti pristupi.
Najraniji pristupi polazili su od pretpostavke da donosilac odluke
moe eksplicitno da iskae svoje zahteve tako to jedan od ishoda proglasi
kriterijumom, a ostale ogranienjima koje treba da zadovolji optimalno
reenje. Analizom osetljivosti i postoptimalnom analizom moe da se dobije
bolji uvid u problem kao i mogunost menjanja prvobitno dobijenog
zadatka. Ovakvi postupci su u originalnoj literaturi nazvani analiza razmene
(trade off analysis) a na srpski jezik su prevedeni i kao analiza traenja
kompromisa.
Sledei pristup iz oblasti jednokriterijumske optimizacije je analiza
trokova i dobiti (cost benefit analysis) u kojoj se svi efekti, poeljni i
nepoeljni, izraavaju novanim jedinicama a onda bira odluka koja
maksimizira razliku izmeu eljenih i neeljenih efekata. Ova metoda se
primenjuje kao standard u analizi projekata i odluivanju o investicionim
poduhvatima i u tom smislu je najinteresantniji i najznaajniji je klasina
metoda.


VIEKRITERIJUMSKA ANALIZA
Kao to je ranije naznaeno, modeli za nalaenje optimuma jedne
kriterijumske funkcije su obino samo aproksimacija realnih problema u
kojima donosilac odluke mora da vodi rauna o vie ciljeva. Ovaj deo teksta
Mirko Vujoevi



5
posveen je matematikim modelima i metodama koje treba da pomognu
donosiocu odluke u analizi i izboru reenja na osnovu vie kriterijuma koji
se istovremeno razmatraju. Pritom, kao i u sluaju jednokriterijumske
optimizacije, donosilac odluke implicitno zadrava slobodu da prihvati,
promeni ili odbaci reenje dobijeno na osnovu matematikog modela
optimizacije.
Metode koje od samog poetka formiranja matematikog modela za
odreeni realni problem vode rauna o vie ciljeva istovremeno razvijaju se
u oblasti viekriterijumske optimizacije (VKO). Ovaj deo matematikog
programiranja svoj buran razvoj ima od kraja sedamdesetih godina
dvadesetog veka.
Ima vie razloga koji utiu na to da su problemi VKO po prirodi
sutinski drugaiji u odnosu na probleme jednokriterijumske optimizacije.
Osnovni je ba u tome to se svi faktori koji utiu na odluku, odnosno svi
ishodi koje bi imalo eventualno reenje, posmatraju kao kriterijumi ije
vrednosti treba da budu optimalne. Dakle, treba nai naenje koje je najbolje
po svim razmatranim kriterijumima istovremeno a injenica je da su neki od
njih u skoro svim problemima odluivanja meusobno delimino ili potpuno
konfliktni. Pored toga, razmatrani kriterijumi mogu po svojoj prirodi biti
veoma raznorodni i izraeni u razliitim mernim jedinicama, od novanih
jedinica, preko jedinica fizikih veliina, do verovatnoa ili subjektivnih
procena datih po nekoj skali koja se formira za konkretni problem. Sve ovo
ukazuje da konano jedinstveno reenje ne moe da se odredi bez uea
donosioca odluke.
Zadatke viekriterijumske optimizacije u sluajevima kada se
razmatraju vane odluke kao to su odluke u vezi sa kapitalnim ulaganjima u
opremu za eksploataciju uglja, karakterie relativno veliki broj kriterijuma,
ne dva ili tri nego deset ili vie. to je broj kriterijuma vei, zadaci analize su
sloeniji i tei. U odluivanju uestvuje vei broj pojedinaca ili grupa i svi
oni favorizuju svoje sisteme vrednosti, odnosno kriterijume koji najbolje
odslikavaju interese grupe kojoj pripadaju. Radi efikasnijeg analiziranja
odluke i pronalaenja pogodnog reenja kriterijumi se grupiu. Uobiajene
su sledee grupe kriterijuma:
ekonomski,
tehniki,
tehnoloki,
socijalni i
ekoloki.
Prema nameri donosioca odluke, odnosno prema problemu koji treba
da rei, viekriterijumski zadaci se klasifikuju u sledee tri grupe:
zadaci viekriterijumske optimizacije kojima se reavaju
problemi odreivanja podskupa reenja koja zadovoljavaju
odreene uslove i/ili izbora jednog reenja iz ovog podskupa,
zadaci viekriterijumskog ili vieatributnog rangiranja kojima
se reavaju problemi odreivanja potpunog ili deliminog
redosleda, rang liste, reenja koja pripadaju konanom i
prebrojivom skupu;
zadaci viekriterijumske ili vieatributne selekcije kojima se
reavaju problemi izbora odreenog broja reenja koja
pripadaju konanom i prebrojivom skupu.
Uvod u optimizaciju



6
Ovde e se razmatrati prevashodno zadaci prve grupe, tj. zadaci VKO,
uz napomenu da je veina bitnih osobina problema i osnovnih pristupa
reavanju u sutini ista za sve tri grupe problema. Koristiemo istu notaciju i
terminologiju kao i u prethodnom tekstu:
x = (x
1
, ..., x
j
, ..., x
n
) - reenje, vektor upravljakih promenljiva,
promenljiva odluke, alternativa ili odluka.
D - dopustivi skup ili skup dopustivih reenja
f
k
: R
n
R - kriterijumska funkcija ili funkcija cilja, k = 1,...,p
g
i
: R
n
R - funkcija ogranienja, i = 1,...,m.
Po uzoru na zadatak jednokriterijumske optimizacije, opti oblik
zadatka viekriterijumske optimizacije formulie se na sledei nain.

Zadatak Z.3
Odrediti vektor x = (x
1
, , x
n
) tako da sve kriterijumske funkcije f
k
(x),
k = 1,...,p, imaju optimalnu (minimalnu ili maksimalnu) vrednost, tj. reiti
sledei matematiki zadatak
opt { (f
1
(x),..., f
k
(x),..., f
p
(x) )| x D R
n
} (Z.3)
D = { x R
n
| g
i
(x) 0, i = 1,...,m}

Ako se sa f(x) oznai vektor kriterijumskih funkcija
f(x) = (f
1
(x),..., f
k
(x),..., f
p
(x)).
i ako se kao i ranije pretpostavi da su kriterijumske funkcije trokovnog
tipa, onda se zadatak VKO moe napisati na sledei nain:
Odrediti x = (x
1
, , x
n
) kao reenje sledeeg zadatka optimizacije
min { f(x) | xD R
n
}.
Ovo je razlog to se zadatak VKO naziva i zadatkom vektorske
optimizacije.

U vezi sa ovako postavljenim zadatkom VKO treba uoiti da
pretpostavka da sve funkcije kriterijuma treba minimizirati ne ograniava
primenljivost ovog modela jer se zadatak u kome neku od funkcija treba
maksimizirati prevodi u zadatak minimizacije negativne vrednosti te
kriterijumske funkcije.
Prvi korak u VKO jeste ispitivanje da li u dopustivom skupu postoje
reenja koja daju maksimalne vrednosti za svaku kriterijumsku funkciju
ponaosob. Odreivanje tih reenja x
k
* , k = 1, ..., p, postie se reavanjem
odgovarajuih pojedinanih optimizacionih zadataka.
Reenja koja se dobijaju reavanjem sledeih pojedinanih nezavisnih
zadataka
min f
k
(x) , k = 1,...,p
x D
oznaavaju se sa x
k
*, k=1,...,p, i nazivaju se marginalna reenja zadatka
VKO. Odgovarajue optimalne vrednosti pojedinanih kriterijuma su
f
k
* = f
k
(x
k
*).
Za zadatke VKO u kojima se sva marginalna reenja poklapaju kae
se da postoji savreno reenje.
Savreno reenje x*D je ono reenje za koje sve kriterijumske
funkcije istovremeno postiu minimum
f
k
(x*) f
k
(x) , xD, k =1,...,p.
Mirko Vujoevi



7
Jasno je da su u praksi retki sluajevi kada postoji savreno reenje
zadatka VKO. Razlike u kriterijumima, a pogotovu njihova potpuna ili
delimina konfliktnost, predstavljaju sutinu problema VKO. Zato je
koncept savrenog reenja veoma ogranienog teorijskog i praktinog
znaaja.
Donosilac odluke treba na kraju da usvoji neko reenje. Reenje koje
prihvati donosilac odluke naziva se najbolje ili preferirano reenje.
Zadatak je VKO da pomogne dosiocu odluke da izabere reenje koje
smatra najboljim u datom problemu. Zato se napori ka reavanju
postavljenog viekriterijumskog problema esto nazivaju viekriterijumska
analiza.
injenica da zadaci VKO po pravilu nemaju savreno reenje upuuje
na preispitivanje koncepta optimalnosti u kontekstu postojanja vie
kriterijuma. Drugim reima, poto ne postoji reenje koje je najbolje po svim
kriterijuma istovremeno, nema opravdanja da se za neko reenje kae da je
optimalno. Zato se u VKO koristi novi koncept za ocenu valjanosti reenja
koji se naziva koncept Pareto optimalnosti.
Osnovni pojam u konceptu Pareto optimalnosti je dominantno reenje
koje se jo naziva: efikasno, dominirajue, nedominirano, Pareto optimalno
reenje i Pareto optimum zadatka VKO. Definicija dominantnog reenja je
sledea.
Reenje x* D je dominantno reenje zadatka VKO ako ne postoji
x D tako da je
f
k
(x) f
k
(x*) , k = 1,...,p
pri emu bi bar za jedno q {1,2,...,p} vaila stroga nejednakost
f
q
(x) < f
q
(x*) .
Drugim reima, u dopustivom skupu ne postoji reenje koje bi bilo
bolje od dominantnog bar po jednom kriterijumu, a da pritom nije gore ni po
jednom od ostalih kriterijuma. To znai da bi poboljavanje bar jednog
kriterijuma u odnosu na dominantno reenje bilo praeno pogoravanjem
nekog od drugih kriterijuma.
Znaaj koncepta Pareto optimalnosti sastoji se u tome to racionalni
donosilac odluke nee birati reenje koje nije dominantno. Zato je vano da
se pri razvoju metoda VKO vodi rauna da reenja koja se dobijaju budu
dominantna. Lako je pokazati da je svako marginalno reenje x
k
* kandidat
da bude dominantno. Stvarno, po definiciji je f
k
(x
k
* ) f
k
(x) to znai da ne
postoji xD tako da je f
k
(x) < f
k
(x
k
*). Pored toga, oigledno je da je
savreno reenje dominantno.
Donosilac odluke e izabrati najbolje reenje na osnovu vrednosti
kriterijuma. Zato je uputno zadatak VKO analizirati upravo na tom skupu.
Skup S svih vrednosti koje uzima vektor kriterijumskih funkcija na
dopustivom skupu D naziva se kriterijumski skup, skup plaanja, skup
ishoda ili skup vrednosti kriterijuma
S = { (f
1
(x), ..., f
p
(x)) | x D } = {f(x) | x D} .
Vektor kriterijuma, odnosno elemenat skupa S obeleavaemo ukratko
i sa f = (f
1
,..., f
k
,..., f
p
) i radi jednostavnosti po potrebi nazivati takom u
skupu S.
U kriterijumskom skupu S definiu se dominantne i slabo dominantne
vrednosti vektora kriterijuma, odnosno dominantne i slabo dominantne
take.
Uvod u optimizaciju



8
Taka f* je dominantna ako ne postoji f S tako da je
f
k
f
k
* , k = 1,2,...,p
pri emu bi bar jedno q {1,2,...,p} vaila stroga nejednakost
f
q
< f
q
* .
Veza izmeu dominantnih reenja i dominantnih taaka je sledea:
Taka f* je dominantna ako i samo ako postoji dominantno reenje x*
tako da vai
f
k
* = f
k
(x*) , k=1,...,p.
Na skupu S se mogu uoiti i objasniti osnovni pojmovi i osobine
pojedinih zadataka VKO. U ovom kontekstu znaajna je analiza
konveksnosti skupa S jer ako skup S ima osobinu konveksnosti, onda se
moe zakljuiti da neke od primenjenih metoda garantuju dobijanje
dominantnog reenja ili da se izborom pojedinih parametara u nekoj metodi
moe dobiti bilo koje dominantno reenje. Navodimo, radi ilustracije, samo
par nekoliko poznatih stavova.
Ako je dopustivi skup D konveksan i ako su kriterijumske funkcije
f
k
(x), k=1,...,p linearne, onda je skup vrednosti kriterijuma S konveksan.
Neka je D konveksan skup i neka su f
k
konkavne. Ako za proizvoljno
x D i u' f(x) (tj. u
1
' f
1
(x) ,..., u
p
' f
p
(x)) postoji x' takvo da je u' =
f(x'), tada je kriterijumski skup S konveksan.
Poseban sluaj je kada je S neprazan skup koji sadri konaan broj
elemenata. Tada postoji bar jedna dominantna taka, tj. svi takvi zadaci
(vieatributna optimizacija) sadre bar jedno dominantno reenje.
Kao to je ve reeno, kada ne postoji savreno reenje zadatka VKO,
u odreivanju najboljeg reenja presudnu ulogu ima donosilac odluke. On je
taj koji odluuje ta mu je vanije i koje reenje radije prihvata ("preferira").
Zavisno od toga kako se i kada donosilac odluke ukljuuje u reavanje
problema razlikuju se tri osnovna pristupa, odnosno tri grupe metoda
reavanja:
aposteriorni pristup
apriorni pritup
interaktivni i kooperativni pristup.
DO se u aposteriornom pristupu ukljuuje u analizu i reavanje svog
problema posle odreivanja skupa dominatnih reenja, dakle a posteriori. On
sam treba da izabere najbolje reenje. Zadatak analitiara je da iz dopustivog
skupa izdvoji podskup dominatnih reenja.
Ovaj pristup je vie teorijskog nego praktinog znaaja. Dva su
osnovna razloga tome. Prvi je taj to je izdvajanje podskupa dominatnih
reenja analitiki esto nereiv problem. Za izvesne zadatke diskretne
optimizacije i za viekriterijumsko linearno programiranje to je u principu
mogue uraditi, ali prilino teko. Drugi razlog je to to podskup dominatnih
reenja moe da bude veoma irok (velik ili beskonaan broj elemenata
skupa) tako da donosilac odluke ne moe lako da odabere reenje.
U apriornom pristupu DO treba unapred, pre reavanja zadatka VKO,
da iskae svoj odnos prema kriterijumima. Ovo moe da se uradi
utvrivanjem prioriteta ili hijerarhije kriterijuma, dodeljivanjem teina
pojedinim kriterijumima, odreivanjem relativnih odnosa izmeu svaka dva
kriterijuma ili na neki drugi nain. Na osnovu toga analitiar treba
Mirko Vujoevi



9
reavanjem zadatka da predloi DO jedno reenje koje najvie odgovara
njegovim iskazanim preferencijama.
Nedostatak ovog pristupa je u tome to DO teko moe iz jednog
pokuaja da precizno odredi svoj stav prema kriterijumima, naroito na nain
koji zahtevaju odreeni matematiki model i metoda. On se po pravilu
protivi da unapred eksplicitno kae kakav odnos izmeu kriterijuma postoji
ako e to kasnije da mu predstavlja obavezu. Jedino to je izvesno jeste da
on reenje trai u skupu dominatnih reenja. Analizom reenja za razne
skupove teinskih koeficijenata, na primer, DO moe da prepozna
meusobni odnos kriterijuma i reenja i da dobije bolji uvid u sutinu
problema.
Apriorni pristup je teorijski najvie razmatran i praktino najee
primenjivan. Razvijeno je puno metoda apriorne VKO. Neke od njih su
prilino jednostavne i to im daje veliku prednost za praktine primene u
posebnim situacijama.
Interaktivni pristup obuhvata metode koje kombinuju apriorni i
aposteriorni pristup sa aktivnim ueem DO. Pristup se zasniva na
neprekidnom korienju raunara u fazi odluivanja i korisniki
realizovanom okruenju. Savremeni softverski alati treba da prue donosiocu
odluke snanu podrku u ekperimentisanju sa razliitim skupovima svojih
preferenci. Jednostavno i brzo obavljanje raznovrsnih analiza treba da
olakaju donosiocu odluke konani izbor.
Oigledno je da interaktivne metode podrazumevaju intenzivno
korienje ekspertnih sistema i sistema zasnovanih na znanju. Ovi sistemi bi
trebalo da sadre sistematizovana znanja o ranijim reavanjima slinih
zadataka i da ih na inteligentan nain koriste da bi pomogla donosiocu
odluke. U tom smislu ovakvi pristupi pretpostavljaju odreenu saradnju
donosioca odluke i raunara. Zato se nazivaju i kooperativnim.
Interaktivni i kooperativni pristupi su moderni i predstavljaju najvei
izazov. Problemi koje treba pritom reavati interesantni su i sa stanovita
vetake inteligencije i softverske implementacije. Kooperacijom donosioca
odluke i raunara trebalo bi da se otkrije struktura njegovih odnosa prema
kriterijumima, tzv. preferentna struktura ili struktura preferencija donosioca
odluke. U tome se pojavljuju problemi za ija su reavanja potrebna znanja i
istraivanja u oblastima psiholokih i sociolokih nauka.
Matematika istraivanja zadataka VKO ostaju preteno u okvirima
apriornih i aposteriornih pristupa. Ovde se ukratko opisuju neke od najee
primenjivanih metoda apriornih i aposteriornih pristupa.
Leksi kograf ska met oda
Ova metoda polazi od pretpostavke da je DO u stanju da utvrdi strogu
hijerarhiju izmeu kriterijuma. On treba da odredi tzv. leksikografski
poredak kriterijuma. U ovom poretku su kriterijumi poreani po prioritetu:
na prvom mestu se nalazi kriterijum najvieg prioriteta i njega najpre treba
optimizirati. Sledi kriterijum drugog prioriteta koji se primenjuje samo za
ona reenja koja su optimalna po prvom kriterijumu. Postupak se na slian
nain nastavlja dalje. Time se zadatak VKO svodi na reavanje najvie p
zadataka jednokriterijumske optimizacije. Zato se ova metoda zove i metoda
sekvencijalnih optimizacija.
Uvod u optimizaciju



10
Kada se primenjuje leksikografska metoda, osnovni zadatak VKO
oznaava se na sledei nain:
lex min { (f
1
(x),..., f
k
(x),..., f
p
(x) )| x D R
n
}

Algoritam za reavanje zadatka leksikografske optimizacije ima
sledee osnovne korake.
1. Kriterijumi se poreaju i indeksiraju po vanosti tako da je
najvaniji f
1
(x), a najnii prioritet ima f
p
(x).
Stavi se da je dopustivi skup D
0
=D i broja iteracija k = 1.
2. Nai x* koje je reenje sledeeg jednokriterijumskog zadatka
min f
k
(x)
x D
k-1

3. Ako je x* jedinstveno ili ako je k=p, kraj. Inae formirati
D
k
= { x*D
k-1
| f
k
(x) f
k
(x*)}
4. Staviti k=k+1 i vratiti se na korak 2.

Primenom leksikografske metode dobija se dominantno reenje.
Ovom metodom se u svakom koraku smanjuje skup moguih reenja. Njome
se ne mogu dobiti sva dominana reenja. Leksikografskom metodom otkriva
se savreno reenje kada ono postoji.
Lako se uoava osnovni nedostatak leksikografske metode. On nastaje
iz injenice da se pri odreivanju reenja moe desiti da se o nekim
kriterijumima uopte ne vodi rauna. Ako se na k-tom koraku dobije
jedinstveno reenje, onda se kriterijumi (k+1), ...,p ne uzimaju u obzir. Moe
se desiti, to u praksi nije redak sluaj, da se ve po prvom kriterijumu
dobije jedinstveno optimalno reenje. Tada se po ovoj metodi apsolutno
zanemaruju svi ostali kriterijumi a problem je u sutini tretiran kao
jednokriterijumski.
Rel aksi rana l eksi kograf ska met oda
Da bi se unekoliko prevazili nedostaci leksikografske metode, a
zadrala njena prednost koja proizilazi iz injenice da se reavaju
jednokriterijumski zadaci, jedan od naina se sastoji u labavljenju,
relaksaciji, uslova koje treba da ispuni reenje jednokriterijumskih zadataka.
To se radi tako to se dozvoli da reenja jednokriterijumskih zadataka ne
moraju da budu optimalna ve je dovoljno da budu blizu optimalnim.
I ovde se zahteva od DO da najpre utvrdi prioritete kriterijuma. Zatim
se dodatno trai da kae kolika mogu da budu tolerantna odstupanja oko
optimalnih vrednosti za svaki od kriterijuma. To znai da se svakom
kriterijumu pridruuju vrednosti a
k
, k=1,...,p, koja pokazuju koliko se
kriterijum k moe relaksirati u odnosu na njegovu optimalnu vrednost f
k
*.
Vrednosti a
k
, se nazivaju relaksacioni nivoi.
Kao i u prethodnom algoritmu, kriterijumi se na poetku poreaju i
indeksiraju po vanosti tako da je najvaniji f
1
(x), a najnii prioritet ima
f
p
(x). Zatim se reavaju sledei jednokriterijumski zadaci.
Korak 1 . min f
1
(x)
xD
Optimalna vrednost je f
1
*
Korak 2 . min f
2
(x)
Mirko Vujoevi



11
xD
f
1
(x) f
1
* + a
1
Optimalna vrednost je f
2
*

. . .
Korak p. min f
p
(x)
xD
f
m
(x) f
m
* + a
m
, m = 1,..., p-1.
Optimalna vrednost je f
p
* .

Optimalno reenje poslednjeg jednokriterijumskog zadatka smatra se
reenjem originalnog zadatka VKO. Moe se dokazati da je to reenje, tj.
reenje dobijeno relaksiranom leksikografskom metodom dominantno ako je
jedinstveno, odnosno slabo domiantno ako je viestruko.
Met ode -ograni enj a
Osnovna ideja za razvoj ovih metoda je modifikacija zadatka VKO u
pogodan jednokriterijumski zadatak tako to se jedan od kriterijuma izdvoji
kao najvaniji i jedini dok se ostali pretvore u ogranienja.
Donosilac odluke treba da utvrdi koji je kriterijum najvieg prioriteta.
Neka je to f
1
(x). Za ostale kriterijume treba zatim odrediti nivoe
k
,
k = 2,...,p, iznad kojih se ne smeju nalaziti njihove vrednosti. Onda se reava
sledei jednokriterijumski problem:

min { f
1
(x) | x D}
p.o.
f
k
(x)
k
, k = 2,..., p.

Iako su izbori prioritetnog kriterijuma i minimalnih nivoa
k

subjektivne prirode, treba imati na umu da nijedno
k
ne sme da bude vee od
marginalnih vrednosti f
k
* jer bi u tom sluaju skup dopustivih reenja bio
prazan. Pored toga, mogue je da ne postoji nijedno dopustivo reenje
zadatka ak i kada su ispunjeni uslovi
k
f
k
*, k = 2,...,p. Takav sluaj
ukazuje da su zahtevi donosioca odluke suvie restriktivni i da neke od
k

treba poveati.
Reenje dobijeno metodom -ogranienja je dominantno ako je
jedinstveno.
Sledei stav iskazuje vezu izmeu dominantnog reenja i reenja
dobijenog metodom - ogranienja.

Neka je x* dominantno reenje. Tada za proizvoljno q mogu da se
odrede
k
, k=1,...,p i k q, tako da x* bude reenje zadatka dobijeno
metodom -ogranienja.
Modi f i kovana met oda - ograni enj a
Namera modifikacije metode -ograninja je da se obezbedi da ona
uvek daje dominantna reenja. Slino metodi leksikografskog poretka i ovde
se polazi od toga da se kriterijumi poreaju po prioritetu. Neka je ponovo
Uvod u optimizaciju



12
najvaniji prvi, a najmanje vaan p-ti kriterijum. Pored toga, za svaki od
kriterijuma se zada vrednost -ogranienja. Algoritam ima sledee korake:

Korak 1. Stavi se da je q = 1, da je prioritetna funkcija f
q
(x) = f
1
(x) i
da su ogranienja
k
, k=1,...,p, k q.
Korak 2. Reiti zadatak metodom -ogranienja.
min {f
q
(x) | xD, f
k
(x)
k
, k = 1,...,p, k q }
Neka je reenje zadataka x
q
*.
Korak 3. Ako je q < p i ako je
q
> f
q
(x
q
*), staviti
q
= f
q
(x
q
*),
poveati q za 1 i vratiti se na korak 2. Ako je q = p, kraj.

Algoritam modifikovane metode -ogranienja nalazi dominantno
reenje.
Met oda t ei nski h koef i ci j enat a
Ovo je jedna od najstarijih i najvie korienih metoda za reavanje
zadatka VKO. Njome se originalni zadatak transformie u jednokriterijumski
na taj nain to se svi kriterijumi agregiraju u jedan. Obino se koristi
aditivna funkcija sa odgovarajuim teinskim koeficijentima. Po pravilu je
potrebno prethodno uraditi pogodnu normalizaciju kriterijuma.
Metoda je naroito pogodna kada su kriterijumi iste ili sline prirode,
npr. finansijski pokazatelji izraeni monetarnim jedinicama. Donosilac
odluke treba da svakom kriterijumu dodeli odgovarajuu teinu ili teinski
koeficijent w
k
, k = 1,...,p. Teinski koeficijenti treba da su nenegativni
brojevi ali ne mogu svi istovremeno biti jednaki nuli. Zatim se reava sledei
jednokriterijumski zadatak

p
k
k k
f w
D
1
) ( min x
x

Reenje x* je dominantno ako je jedinstveno. Dovoljni uslovi da
optimalno reenje dobijeno metodom teinskih koeficijenata bude
dominantno sadrani su u sledeem stavu.
Ako su svi teinski koeficijenti w
k
, k = 1,...,p pozitivni, onda je
optimalno reenje dobijeno metodom teinskih koeficijenata dominantno
reenje originalnog zadatka.
Met ode rast oj anj a
Logino je da donosilac odluke tei ka idealnoj taki koja odgovara
optimalnim vrednostima svih kriterijuma. Najbolje reenje esto je ono koje
je "najblie" idealnoj taki. Otvara se pitanje ta znai najblie, odnosno
kako meriti rastojanje od idealne take u sluaju kada postoji vie
raznorodnih kriterijuma. Za donosioca odluke je zato vano da zna koliko se
potencijalnim reenjem pribliio idealnoj taki, a koliko svakom
pojedinanom marginalnom optimumu. Takve informacije pomau u analizi
problema i pri donoenju konane odluke.
Polazei od ovog razmatranja, razvijene su metode rastojanja kojima
se nalazi reenje koje daje minimalno rastojanje ukupne vrednosti
Mirko Vujoevi



13
kriterijuma od eljenih vrednosi koje mogu ali ne moraju biti marginalni
optimumi.
Osnovne metode rastojanja polaze od toga da eljene vrednosti
kriterijuma f = ( f f
p 1
,... , ) odgovaraju upravo idealnom reenju, odnosno
idealnoj taki u kriterijumskom prostoru
f = ( f
1
*,...,f
p
*)
gde su f
k
* vrednosti koje odgovaraju marginalnim reenjima x
k
*, tj.
f
k
* = f
k
(x
k
*) = min { f
k
(x)}
Donosilac odluke moe da odredi eljene vrednosti i na drugaiji
nain.
Moe desiti da je f S i reenje se onda dobija jednostavnim
reavanjem jednaina
f
k
(x) = f
k
, k = 1,...,p.
Obino f S i tada se zadatak VKO transformie u problem nalaenja
reenja koje minimizira rastojanje f(x) od f tj.
min d(f(x), f )
x D
Reenje ovog zadatka zavisi od izabrane metrike u p-dimenzionom
prostoru. Koriste se razlicite metrike, zavisno od tipa problema koji se
razmatra.

Neka su u i v dve take u p-dimenzionom prostoru u = (u
1
,...,u
p
),
v=(v
1
,...,v
p
). Rastojanje izmeu ove dve take moe se definisati na sledee
naine
| | ) , (
1
1 k k
p
k
k
-v u w d

=
= v u
m
m
k k
p
k
k m
-v u w d
/ 1
1
) ( ) , (
|
|
.
|

\
|
=

=
v u , 1 m <
2 / 1
2
1
2
) ( ) , (
|
|
.
|

\
|
=

=
k k
p
k
k
-v u w d v u
| | max ) , (
k k k
k
-v u w d =

v u
d u v
g k k
w
k
p
k
( , ) u v =
=

| |
1

Ci l j no programi ranj e

Ciljno programiranje je specijalan sluaj metode rastojanja. Ovde se
za svaki pojedinani kriterijum najpre definiu eljene ili ciljne vrednosti
k
f , k=1,...,p. Ove vrednosti ne moraju da budu jednake idealnoj taki ili ak
bolje od nje. Naprotiv, za neke kriterijume eljene vrednosti mogu biti
Uvod u optimizaciju



14
slabije od marginalnih. U principu, od stava DO u konkretnom zadatku
zavisi kako se odreuju ciljne vrednosti.
Slino ranije razmatranim sluajevima, i ovde se moe desiti da
postoji x
+
D takvo da je f
k
(x
+
) =
k
f , k = 1,...,p. To bi znailo da postoji
reenje kojim se ostvaruju ciljne vrednosti za sve kriterijume i problem bi
bio reen bez dodatnih analiza. Ako takvo reenje ne postoji, treba nai ono
x
+
koje najmanje odstupa od postavljenog cilja. Treba, dakle, reiti zadatak
min d(f(x), f )
xD
odnosno zadatak
mi n
x
x

|
\

|
.
|
|
=

D
w f f
k
k
p
m
1
1
| ( - |
k k
m
)
/
, 1 m < .
ije reenje ponovo zavisi od izabrane metrike.
Reavanje ovako postavljenog zadatka ne garantuje dobijanje
dominatnog reenja jer ciljne vrednosti mogu da se odnose na neku taku u
unutranjosti skupa vrednosti kriterijuma.
Promenljive koje pokazuju koliko se datim reenjem odstupa od ciljne
vrednosti nazivaju se promenljive odstupanja ili devijacione promenljive.
Promenljive pozitivnog odstupanja (pozitivne devijacije) d
k
+

predstavljaju prebaaj cilja u odnosu na k-ti kriterijum:
d
f f f f
f f
k
k k k k
k k
+
=
>

( ) , ( )
, ( )
x x
x
ako je
ako je 0

Promenljive negativnog odstupanja (negativne devijacije) d
k
-

predstavljaju podbaaj cilja u odnosu na k-ti kriterijum :

>
+
=

k k
k k k k
k
f x f
f x f f x f
d
) ( je ako , 0
) ( je ako , ) (

Treba primetiti da su ovako definisane promenljive odstupanja po
prirodi nenegativne i da je bar jedna od njih jednaka nuli, tj. d
k
+
d
k
-
= 0.
Originalni zadatak minimizacije rastojanja sada dobija sledei oblik:
mi n
x
+
|
\

|
.
|
|
+
=

D
w d d
k k
k
p
k
m
( )
/
1
1
m
, 1 m <
f
k
(x) + d
k
+
- d
k
-

=
k
f

d
k
+
d
k
-
= 0
d
k
+
0, d
k
-
0.
Kada se radi sa L
1
metrikom (m = 1) i ako se stavi da su teinski
koeficijenti w
k
=1, k = 1,...,p, onda se prethodni zadatak rastojanja
transformie u klasini zadatak ciljnog programiranja:
|
|
.
|

\
|

=
| - ) ( | min
k k
1
f f w
D
p
k
k
x
x

f
k
(x) + d
k
+
- d
k
-

=
k
f
d
k
+
d
k
-
= 0
Mirko Vujoevi



15
d
k
+
0, d
k
-
0
Ovako postavljen zadatak formulisan je ezdesetih godina nezavisno
od viekriterijumskog programiranja i nazvan je problemom ciljnog
programiranja. Najpre je razmatran problem linearnog ciljnog programiranja:

=
+
+
p
k
k k
d d
1
) ( min
c x d d f
j
k
j k k k
j
n
+ =
+
=

1
, k=1,...,p
d
k
+
d
k
-
= 0
x
j
0, d
k
+
0, d
k
-
0
Reenje ovog zadatka moe se nai modifikovanom simpleks
metodom koja je prilagoena njegovim specifinim osobinama.
Ideja na kojoj poiva ciljno programiranje ("to blie eljenoj
vrednosti") moe se kombinovati sa idejama ranije opisanih metoda kao to
su odreivanje prioriteta ili dodeljivanje teinskih koeficijenata
kriterijumima. To navodi na reavanje zadatka VKO kombinacijom metode
ciljnog programiranja i ranije opisanih metoda.

Mirko Vujoevi

Li teratura
[1] Dajovi, S., Kovaevi-Vuji, V., Matematika II, Kultura,
Beograd, 1989.
[2] Opricovi S. Optimizacija sistema, Graevinska knjiga - Nauka,
Beograd, 1992.
[3] Pierre, D. A., Optimization theory with applications, John
Wiley&Sons, New York, 1969.
[4] Sussmann, H. J., Willems J. C., 300 Years of Optimal Control:
From the brachystochrone to the Maximum Principle, IEEE Trans. on
Control Systems, June 1997, pp. 32-44.
[5] Vujoevi, M., Operaciona istraivanja Izabrana poglavlja,
Fakultet organizacionih nauka, Beograd, 1999.
[6] Zlobec S, Petri J., Nelinearno programiranje, Nauna knjiga,
Beograd, 1989.