Professional Documents
Culture Documents
Operaciona Istrazivanja
Operaciona Istrazivanja
1
Matematiki modeli i njihovo modelovanje
Model nekog objekta, po optoj definiciji, predstavlja ureen skup informacija kojima se
iznosi predstava o entitetu. Entitet je u ovom sluaju, kao to je reeno, realni objekat,
odnosno objekat koji je predmet i baza za modeliranje. ko matematiki model dobro
prezentuje problem, tada se oekuje da i rjeenje dobijeno pomou modela bude adekvatno
postavljenom problemu. Poznato je u veini sluajeva, da bi se primijenila neka metoda,
potrebno je na osnovu modela matematiki formalizovati problem. Meutim, za rjeavanje
mnogih modela jo nisu pronaene efikasne metode rjeavanja. Modeli treba da omogue
ovjeku da predvidi i upravlja pojavama, odnosno entitetima. U tehnikim disciplinama trai
se matematiki model koji prua racionalnu interpretaciju funkcionisanja realnih entiteta.
Matematiki model stvarnog entiteta predstavlja ureen skup matematikih relacija (formula,
jednaina, nejednaina, logikih uslova, relacionih operatora, operanata i sl.) koji opisuju
entitet, odnosno odreuju njegove karakteristike. esto, zbog sloenosti entiteta i interakcije
sa njegovim okruenjem, usvajaju se samo primarne osobine entiteta i parametri njegove
interakcije sa okolinom. U tom smislu, u procesu matematikog modeliranja problema, koji se
vezuje za realni entitet, treba voditi rauna o sljedeem:
-Model je samo jedna matematika formulacija odreenog stepena aproksimacije entiteta.
Koliko e on biti detaljan, zavisi od kompleksnosti zadataka, raspoloivosti metodama
(algoritamske, heuristike) za njegovo rjeavanje, vjetine i potrebe korisnika da razviju
model na dovoljnom i potrebnom nivou i apliciraju postupke za rjeavanje takvog modela.
-Matematiki model ne moe da prui uvijek novu informaciju o entitetu, kao i da ga
zamijeni, ali moe na osnovu dobijenih rjeenja da stvori vjerodostojniju sliku o entitetu i
njegovim funkcijama.
-Operacionom istraivau se omoguava, na osnovu korektno postavljenog modela,
eksperimentisanje tim modelom, ime se stvara vea pogodnost za donoenje kvalitetnijih
odluka na kvantitativnim i kvalitativnim osnovama.
Modeli u operacionim istraivanjima su egzaktne prirode i oblikuju se na osnovu formalnih
jezika poznatih u matematici. Uglavnom susreemo sljedee naine i porijeklo njihovog
oblikovanja:
-Na osnovu eksperimentalnih podataka.
-Na osnovu provjerenih matematiko-fizikih zakona o ponaanju entiteta,
-Pomou analize i sinteze kao originalnog, kombinovanog, odnosno izvedenog postupka o
meusobnim zavisnostima promjenljivih u entitetu.
Matematiki modeli sadre klasu objekata simboliki definisanih (skalari, vektori, matrice) i
relacije izmeu njih. Mnotvo relacija se opisuje matematikim operacijama koje meusobno
povezuju jedan ili vie operanada. Modeli se mogu podijeliti po jo nekim karakteristikama:
-Prema dinamici u vremenu, modeli se dijele na:
-statike, gdje veliine i relacije nisu funkcije u vremenskom horizontu modela, tj.
stacionarne su, ili se modelom opravdano zanemaruje promjena u vremenu,
-dinamike, gdje se modelom obuhvataju veliine koje su funkcije vremena.
-Prema odreenosti komponenata u modelu (vjerovatnoi i rasplinutosti) dijele se na:
-deterministike, gdje su komponente strogo odreene veliine,
-stohastike, gdje se efekat veliina opisuje kao sluajan (sluajna promjenljiva),
-fazi, (fuzzy) gdje se vrijednosti modeliraju kao rasplinute veliine promjenljivih nekog
skupa.
-Prema strukturi modela i postupaka za njihovo analiziranje, modeli se dijele na:
-analitike, sa funkcijama u analitikoj formi sa rjeenjima u analitikom ili numerikom
obliku,
2
-numerike, sa primjenom numerikih postupaka za njihovo oblikovanje i rjeavanje i
softvera projektovanih na tim osnovama.
-Prema strukturi metoda za rjeavanje problema, modeli se dijele jo na:
-algoritamske, gdje se moe oekivati jedno od rjeenja na osnovu primijenjene metode sa
poznatom ureenom i determinisanom strukturom postupaka. Ove metode predstavljaju
osnovne podloge za pisanje raunarskih programa.
-heuristike, koji nemaju fundiranu algoritamsku strukturu, ve se za rjeenjem traga na
osnovu postojeeg znanja, intuicije i line kreativnosti istraivaa. Osnovna odlika
heuristikih postupaka je neizvijesnost u traganju za najboljim rjeenjem. Heuristike
metode su u stalnom razvoju, potpomognute razvojem metoda vjetake inteligencije i
ekspertnih sistema.
Matematiko modeliranje je interdisciplinaran i timski zadatak, pri emu osnovni doprinos
daju poznavaoci metoda i metodologije modeliranja kao i poznavaoci realnog problema.
Svaki model problema operacionih istraivanja je karakterisan formalno-matematikim
opisom sa odreenim nivoom apstrakcije. Vjekovna je tenja ovjeka da pronae najbolje
rjeenje problema, poev od tehnikih, ekonomskih, drutvenih, politikih, i sl. Kako su
problemi u ovom vremenu mnogobrojni, njihovo rjeavanje teorijskim putem je izuzetno
sloeno. Istaknimo kao primjer da se jedna vrsta metode, poznata kao numerika simulacija,
moe uspjeno primjenjivati poev od analize globalnih prirodnih procesa kao to je rast
stanovnitva na planeti Zemlji, pa do aplikacije na nivou nanotehnologije* ) i prouavanja
kretanja atomskih estica. Nakon uoavanja karakteristinih veliina entiteta, formiraju se
matematike relacije izmeu njih, kao poslijedica analize tj. identifikacije zakonitosti
izmeu struktura i procesa u entitetu. Oblici formalnih relacija su raznovrsni poev od:
-funkcionalnih jednaina,
-diferencijalnih i integralnih jednaina,
-rekurentnih relacija,
-orijentisanih grafova i sl.
Ogranienja u modelu imaju sutinsko znaenje i odraz su, najee, fizikih i ekonomskih
granica prisutnih u realitetu. Uglavnom su u pitanju ogranienja u koliini resursa, energije,
vremenskog kapaciteta i dr. Strogost razmatranja ovih relacija mora biti uvijek prisutna i
uglavnom se definie relacionim i logikim operatorima tipa: i
sl. Uspostavljanje znaka jednakosti opravdano je u sluaju da promjenljiva moe imati i
graninu vrijednost, ili da nam to zahtijeva metodologija neke metode. U ostalim sluajevima
moraju se izabrati uvijek svrsishodni matematiki operatori drugog tipa.
3
pojave novih osobina koje ne susreemo kod realiteta, ili gubljenje nekih informacija koje
bismo identifikovali kod realiteta, a ovdje ih je nemogue dobiti. Ova devijacija karakteristika
moe se negativno odraziti na analizu i sintezu modela, i prouzrokovana je najee velikim
razlikama u volumenima realnog entiteta i aproksimativnog (vjetakog) modela - kojim
imitiramo stvarni. Time se neminovno mijenjaju originalne karakteristike realiteta u odnosu
na generisane karakteristike vjetakog modela. Fiziki modeli nisu predmet analize u ovoj
knjizi.
Matematiki model se formira matematikom apstrakcijom i predstavlja specifino
selektovanje i strukturiranje elemenata misaonog modela u ureen deskriptivni model, kao
pretpostavke za preslikavanje u apstraktni matematiki model. Matematiki model je uspjeno
formiran ako vjerodostojno iskazuje sutinske karakteristike realiteta: tehnolokog,
ekonomskog, mehanikog, hemijskog, biolokog ili drugog. Matematiki modeli oblikuju se
po pravilu sa nekim stepenom analogije u odnosu na realitet. Tom analogijom obuhvaene su
primarne karakteristike posmatranog realiteta, ili skup karakteristika na dovoljnom i
potrebnom (uproenom) nivou, zadravajui donekle stvarnu prirodu originala. Matematiki
modeli mogu imati vrlo sloenu strukturu, koja ne mora biti proporcionalna sloenosti
simbolike forme. U matematici operacionih istraivanja veina matematikih modela se
formira na bazi: matematikog programiranja, teorije grafova, heuristikog programiranja ili
kombinovanih postupaka.
Uglavnom susreemo dva osnovna i jedan izveden prilaz kod postavljanja matematikog
modela i to:
1. nalitiki metod koji se zasniva na aplikaciji optih naunih zakona i teorijskih
analiza. Pri tome dobijeni modeli vae za itavu familiju slinih problema. Tipian
primjer je simplex model linearnog programiranja, gdje nije potrebno uvoenje novih
principa pri svakom proraunu, jer je razraen algoritam i za rjeavanje optih
sluajeva problema linearnog programiranja. U nekim primjerima linearnosti primjena
odgovarajuih metoda moe dovesti i do analitikog rjeenja problema optimizacije.
2. Eksperimentalni ili empirijski metod znatno je iri u primjeni u praktinim uslovima iz
razloga dobijanja zadovoljavajueg rjeenja modela problema za kompleksne
sluajeve realiteta kojih je u praksi najvie, a koji se ne mogu rjeavati analitikim
metodama. Iako je primjena eksperimentalnog metoda optereena raznim trokovima:
upotrebom mjerne tehnike, potrebom za resursima raznog vida za obradu,
sistematizaciju i verifikaciju rezultata, drugog izlaza esto i nema za identifikaciju
oblasti dopustivih rjeenja i konanog dobijanja vektora rjeenja koji najbolje
zadovoljava funkciju kriterijuma u datim uslovima. Kako se izmeu postavljenih
ulaznih i dobijenih izlaznih podataka moe uoiti zakonitost, ali ne i strogo porijeklo
te zakonitosti, ove metode eksperimenta nazivaju se metode crne kutije i
predstavljaju optu metodu u istraivanju pojava u tehnikoj kibernetici.
3. Kombinovani metod predstavlja izvedeni metod ili sintezu analitikog i
eksperimentalnog metoda. Razvijen je na osnovu analitikog metoda sa nekim
parametrima za koje analiza nije dala adekvatno rjeenje. U tom sluaju kvantifikacija
vrijednosti parametara (npr. koeficijenata, eksponenata i sl.) utvruje se najee
eksperimentalnim putem. Na taj nain kombinovanom metodom se moe oblikovati
matematiki model realiteta kao najpouzdaniji raspoloivi model. Jedan od primjera
predstavlja model oekivanog vremena u mrenom planiranju tipa PERT.
4
Karakteristike Operacionih istraivanja
Primjenu i razvoj operacionih istraivanja karakteriu sljedee osnovne pretpostavke:
1. Nauni metod pronalaenja rjeenja. Strogost i matematiki prilaz u analizi problema
i sintezi modela i metoda osnovni su postupci izraavanja operacionih istraivaa.
Mnogobrojne metode razvijene u fundamentalnoj i primijenjenoj matematici su na
raspolaganju analitiarima ove struke. Pored toga, jedino matematikim jezikom, na
kvantitativnim osnovama, mogu se prikazati ili imitirati kompleksnije veze izmeu
veliina koje se javljaju na realnim entitetima.
2. Organizovan rad u timovima. Multidisciplinarni pristup sloenom problemu je
obiljeje novije epohe u razvoju nauke i tehnologije, pa i operacionih istraivanja.
Timski rad je donio promjene u shvatanju sloenih problema. Kompromisom i
usklaivanjem ideja i metoda integrie se nova metodologija istraivanja. U istom
timu se mogu nai informatiari, inenjeri, psiholozi, ekonomisti, sociolozi, edukatori
- metodiari i drugi. Uvaavajui miljenja ovih strunjaka, skree se panja i na
mnoge druge relevantne faktore, ime se oblikuje prihvatljiviji model problema u
odnosu na isto matematiki ili tehniki pristup, esto nedovoljno vjerodostojan.
3. Sistemski pristup problemu. Operaciona istraivanja zahtijevaju sistemski pristup
problemu. Optimizacija ili traganje za odgovarajuim rjeenjem je mogue za
odreeni podsistem ili pojavu posebno. U tom smislu nalaenje samo globalnog
optimuma za cio sistem je nesvrsishodno bez nalaenja unutranjih lokalnih
optimuma pojedinih podsistema. Pored toga korisnici - naruioci rjeenja, po pravilu,
trae rjeenje na odreenom hijerarhijskom nivou sistema ili procesa koji su njima od
interesa.
Osnovne faze rjeavanja realnog problema putem metoda operacionih istraivanja, sastoje se
od sljedeih modula:
1. Formulacija problema. Identifikacija i korektno definisanje problema predstavlja
polaznu i relativno najsloeniju fazu u procesu dobijanja rjeenja. Jednoznana pravila
i jedinstveni algoritam o postavci problema ne postoji uvijek. Ova faza je
karakteristina po tome to iskustvo i kreacija analitiara problema treba da dou do
punog izraaja. Problem se uoava na realnom entitetu, zatim se misaono strukturira i
najee se zatim deskriptivno modelira. Isti problem se pri tome moe definisati na
razne naine i raznim simbolima, zavisno od sposobnosti analitiara i njegove
specijalnosti. Jasno je da subjekti razliitih struka imaju razliite poglede na problem.
Integralno timsko sagledavanje je najkompleksnije i najvjerodostojnije. Meutim,
pored unije i kompromisa razliitih ideja o problemu, dobro definisan problem mora
imati sljedee karakteristike:
- definisane zahtjeve korisnika rjeenja,
- preciznu deskriptivno-kvantitativnu formulaciju,
- jasno definisane ciljeve koje treba dostii i
- formulisan skup ogranienja (domen) u istraivanju.
Odgovorima na ove zahtjeve stvaraju se osnovne podloge za matematiko modeliranje
problema (Sl. 1).
5
Formulacija Oblikovanje Izbor i aplikacija
problema matematskog modela metode
Rjeavanje
NE modela problema
Implementacija DA Kriterijumsko
Rjeenje
rjeenja zadovoljava vrednovanje rjeenja
6
primijenjene metode. Za isti model mogu se primjenjivati, ako su na raspolaganju,
razliite metode. Rjeenja u svakom sluaju moraju biti jednoznana, istovjetno
protumaena ili prihvaena sa odreenim stepenom pouzdanosti. Najpreciznije
rjeenje je analitiko. Numerika rjeenja su najea iz razloga postojanja najveeg
broja metoda sa tom osnovom. Ova rjeenja su najmnogobrojnija i kod primjene
kompjuterskih metoda proraunavanja. Drugi vid su, takoe, numerika rjeenja, ali
dobijena numerikom simulacijom. Pored toga, rjeenja mogu biti skalarna, vektorska
i matrina. Vievarijantna rjeenja pruaju mogunost izbora, bilo da su optimalna ili
dopustiva, na bazi postavljenih kriterijuma nakon nalaenja tog rjeenja.
5. Kriterijumsko vrednovanje modela na osnovu rezultata testiranja. Direktno
vrednovanje rjeenja, samim tim i modela i metoda, predstavlja mjeru usaglaenosti
predvienih i ostvarenih vrijednosti. No ovo i nije jedini vid vrednovanja. Za
kompleksno vrednovanje potrebno je razviti niz kriterijuma na bazi kojih se verifikuje
model (rjeenje) i ocjenjuje njegova valjanost. Najznaajniji kriterijum vrednovanja je
kriterijum optimalnosti rjeenja, kojim se na egzaktan nain dokazuje da li je rjeenje
najbolje ili ne. Ovaj kriterijum je razvijen kod mnogih optimizacionih metoda
matematikog programiranja, dok je kod heuristikih u znatno manjoj mjeri
raspoloiv. U kvantitativne kriterijume za testiranje modela i njegovog izraza, tj.
rjeenja, spadaju jo i kriterijumi: osjetljivosti model-rjeenja, invarijantnosti modela,
konvergencija algoritma ka najboljem rjeenju i sl. Pored kvantitativnih kriterijuma
znaajni su i kvalitativni kriterijumi u ovoj fazi istraivanja modela. Raunarski
eksperimenti na modelu mogu dati znaajne odgovore na karakteristike model-rjeenja
problema koje se posebno vrednuju. U svakom sluaju verifikovan rezultat predstavlja
relevantan upravljaki parametar neophodan za odgovarajuu primjenu u realnim
uslovima.
6. Implementacija dobijenog rjeenja. Teorijskom verifikacijom model-rjeenje apriori
se prihvata mogunost njegove primjene u praksi. Implementacija predstavlja
sprovoenje rjeenja direktno u realnim uslovima. Za to je potrebna odgovarajua
priprema i esto povea finansijska sredstva. Statistiki gledajui ova faza je najmanje
frekventna, a najpotrebnija zbog brojnih dobrih rjeenja koje su postigli istraivai.
Istaknimo da ima i drugih prilaza u sistematizaciji etapa rjeavanja modela ija
metodologija sadri jo neke specifine module u blok dijagramu postupaka
modeliranja. Meutim, prethodno nabrojane faze su u veini sluajeva prepoznatljive i
treba ih u principu uvaiti.
Uvod u optimizaciju
Pred teoriju optimizacije se postavlja zadatak da se postigne najbolje rjeenje odreenog
matematiki definisanog problema, ako su postavljeni kriterijumi za kvantifikaciju: ta je
najbolje, ta je dopustivo ili ta predstavlja nedopustivo rjeenje. Optimalno rjeenje
pretpostavlja postojanje kvantitativne mjere poreenja sa ostalim dopustivim rjeenjima, jer se
samo takav kriterijum optimalnosti moe uvaiti. U tom smislu teorija optimizacije obuhvata
kvantitativno prouavanje optimuma i razvoja metoda za njegovo odreivanje. Primjena
metoda optimizacije polazi od realnog stanja problema i na tim osnovama ga treba rjeavati.
Cilj primjene optimizacione metode sastoji se u pronalaenju najbolje informacije koja
ukazuje na poslijedice i uticaje izabrane varijante kao rezultata koji se primarno uvaava u
procesu odluivanja. Neke matematike metode optimuma, naroito numerike, su dobro
poznate istraivaima par stotina godina. Meutim, zbog zahtjeva u primjeni, za velikim
obimom raunanja, one su potisnute kao relativno neefikasne u periodu u kojem su nastajale.
Tek razvojem kompjuterske tehnologije ove metode, sada raunarski orijentisane, postale su
7
izuzetno efikasne i danas predstavljaju gradijent razvoja optimizacije kao naune
metodologije iz vie razloga:
-brzog dobijanja rjeenja,
-mogunosti eksperimentisanja na modelu, promjenom vrijednosti ulaznog vektora,
-pogodnosti prepoznavanja optimuma kod nekih problema koji nisu kompletno matematiki
formulisani i sl.
Zadatak optimizacije modela jeste izbor najbolje varijante iz niza moguih ili povoljnih
varijanata u skladu sa vaeim kriterijumom. Optimalno rjeenje predstavlja kompromis
izmeu eljenog cilja i postavljenih ogranienja koja uslovljavaju mogunost postizanja
ekstremnih rjeenja. Kompromis je prirodni kriterijum i predstavlja opti princip prirode i
drutva. Poznato je da su metode optimizacije razvijene samo za pojedine klase matematikih
modela problema i ne postoji za sada opti algoritam kojim bi se obuhvatili svi optimizacioni
problemi. U egzaktnom smislu zadatak optimizacije se svodi na odreivanje
maksimuma/minimuma ili druge referentne vrijednosti (npr. konstantnosti) ciljne funkcije
Predmeti optimizacije
8
uzastopnih progresivnih promjena stanja i vezan je za vremenski tok dogaaja, a sistem je
ureeni skup entiteta i relacija izmeu njih i njihovih svojstava i moe biti, ili ne mora,
relativno stacionaran u vremenu.
Cilj optimizacije se definie na osnovu kriterijuma optimizacije iskazanog u obliku
kriterijumske funkcije optimizacije (maksimalna dobit, minimalni trokovi i sl.). Metode
optimizacije imaju dvojaku funkciju i to: oblikovanje modela problema i rjeavanje predmeta
optimizacije saoptenog putem modela optimizacije, najee matematiki definisanog.
G lo b a ln i m in im u m
L o k a ln i m im u m im
Funkcija
kriterijuma
9
Linearno programiranje
Svaka n-torka (x1, x2, ..., xj, ..., xn) koja zadovoljava gornji sistem ogranienja je dopustivo
rjeenje, a skup svih moguih rjeenja je dopustivi skup rjeenja D. Iz njega se pronalazi
najbolje tj. optimalno rjeenje, ako ono postoji. Kriterijum izbora optimalnog rjeenja
zasnovan je na nekoj funkciji F(X) = (x1, x2, ..., xj, ..., xn) to znai da iz skupa D odreenog
sistemom ogranienja (1) treba izabrati onaj element za koji je:
(2) F(X) = (x1, x2, ..., xj, ..., xn) max F(X) ili
F(X) = (x1, x2, ..., xj, ..., xn) min F(X)
u zavisnosti od prirode problema. Funkcija F(X), o kojoj je ovdje rije, je funkcija kriterijuma
ili funkcija cilja. Funkcija kriterijuma zajedno sa sistemom ogranienja ini model
10
matematikog programiranja. Metode programiranja obuhvataju vrlo iroku i sloenu oblast
operacionih istraivanja i uglavnom pripadaju grupi metoda:
-linearnog,
-nelinearnog i
-dinamikog programiranja.
11
ili u razvijenoj formi:
Standardni oblik se javlja onda kada su ogranienja po svojoj prirodi jednostrana, tako da su
sve relacije definisane, npr. u obliku , koji je karakteristian (ali ne i obavezan) za modele
problema tipa maksimum:
gdje su: ,
(7) F(X) = (x1, x2, ..., xj, ..., xn) max F(X)
Kod modela problema tipa minimum funkcije kriterijuma, karakteristine relacije ogranienja
su oblika , tako da je model LP sljedei:
(8) F(X) = (x1, x2, ..., xj, ..., xn) min F(X)
(9) F(X) = (x1, x2, ..., xj, ..., xn) max / min F(X)
Matrini oblik linearnog programiranja
U saetijoj formi, naroito kod kompleksnijih problema, model LP se iskazuje u obliku
matrice i vektora. Model LP (7), (8) i (9) moe se krae predstaviti u matrinom obliku na
sljedei nain:
12
obiljeili sa: - matricu tehnikih koeficijenata
(16)
i funkciju kriterijuma: F(X) = C X max / min F(X). Gdje su vektori kolona matrice :
13
Tabelarni nain prikazivanja modela linearnog programiranja
Iz praktinih razloga prikaz modela LP moe se dati tabelarno (T-1). Pri tome svi elementi
vektora C i B i matrice moraju biti zastupljeni u tabeli.
(T-1)
Ovaj sintetizovan nain prikaza karakteristian je kod primjene simplex metode gdje se opti
ili standardni model LP prevodi u kanoniki, a zatim se putem iterativnih tabela vre postupci
proraunavanja. U tom smislu, metode LP mogu se koristiti samo ako je problem postavljen u
vidu potpunog matematikog modela.
Metode LP su najee klasifikovane kao:
-Grafika metoda.
-Simplex metoda.
-Transportna metoda.
-Metoda rasporeivanja.
U nastavku bie obraene, na osnovu teorije linearnog programiranja, prve tri metode, dok e
metoda rasporeivanja biti prezentirana sa aspekta heuristikog programiranja (vidjeti sedmo
poglavlje).
14
Meutim, tzv. optimalno, odnosno najbolje rjeenje odnosa komponenata x1 i x2, pronaeno u
datim uslovima, predstavlja samo posljedicu koja proizilazi iz prethodno pronaene
ekstremne vrijednosti funkcije kriterijuma. U tom smislu, postupci grafike metode svode se
prvo na: modeliranje linearnih ogranienja oblika:
15
Sl. 4 Sl. 5
Sl. 6 Sl. 7
Sl. 8 Sl. 9
Sa metodolokog stanovita rjeavanje problema LP grafikom metodom pogodno je zbog
jednostavnosti postupaka metode i zato se obrauje u poetnim fazama izuavanja metoda i
modela LP. Sa edukativnog stanovita kod grafike metode smo u mogunosti da brzo
prepoznamo u Euklidovom linearnom prostoru relacije izmeu funkcije kriterijuma F(X),
sistema linearnih ogranienja tipa a x + a x {<, =, >} bi, i uslova nenegativnosti u
i1 1 i2 2
matematikom modelu. Grafiki dio postupka se obino kombinuje sa analitikim, pa se ova
metoda primjenjuje u sluaju zahtjeva za poveanom preciznosti rezultata LP. U
trodimenzionalnom prostoru (n = 3) tee se primjenjuje grafika metoda, tj. metoda se
primjenjuje uz pomo postupaka nacrtne geometrije. U n-dimenzionalnom prostoru za (n > 3)
ostaju samo geometrijski termini, inae se linearni programi rjeavaju algebarskim metodama,
bez mogunosti baziranja na geometrijsku oiglednost.
Primjer 1.
16
Za potrebe trita proizvode se dva tipa proizvoda P1 i P2 na dva tehnoloka sistema TS1 i TS2.
Vremenski kapacitet TS1 raspoloiv je za korienje do 600 /as/, a za TS2 do 700 /as/.
Obrada proizvoda P1 na TS1 traje 72 /min/kom/, a na TS2 60 /min/kom/. Proizvod P2 se
finalizuje, takoe, kroz dvije operacije, i to na TS1 operaciono vrijeme je 60 /min/kom/, a na
TS2 105 /min/kom/. Plasman na tritu nije neogranien. Ispitivanjem je ustanovljeno da
trite moe primiti do 450 /kom/ proizvoda P1 i do 300 /kom/ proizvoda P2. Takoe su
poznate jedinine cijene proizvoda (u novanim jedinicama po komadu) i one iznose: za prvi
proizvod c1 = 9 /nj/kom/, a za drugi c2 = 7,5 /nj/kom/. Potrebno je:
a. Odrediti optimalan plan proizvodnje da bi se postigao maksimalni efekat dobiti.
b. Odrediti koja funkcija ogranienja ne utie na maksimalnu vrijednost funkcije
kriterijuma.
Rjeenje:
Matematiki model problema oblikovan je na osnovu sistema ogranienja:
17
Npr. za proizvoljnu vrijednost = 0,34 dobijamo tree optimalno rjeenje kao:
/kom/.
Funkcija dobiti i za taj sluaj, kao i za prva dva, ostaje nepromijenjena, tj:
/nj/.
b. Na osnovu grafika oblasti dopustivog rjeenja i funkcije kriterijuma (Sl. 10) se vidi da
ogranienje (4), pri postojeim uslovima, ne utie na formiranje maksimalne
vrijednosti kriterijumske funkcije i vektor(e) optimalnih rjeenja.
NPOMEN
U primjerima e se esto vektor poistovijetiti sa takom u dvo/trodimenzionalnom euklidskom
prostoru. Stroga matematika formulacija za n 2 uvijek nalae da se govori o vektoru, a ne
o taki.
Primjer 2.
Nai minimalnu vrijednost funkcije kriterijuma F (X) = 6 x1 + 3 x2 min F (X), koristei
grafiku metodu LP, uz sledea ogranienja:
18
Sl. 11 Grafika interpretacija LP primjera 2.a)
Pri tome minimalna vrijednost funkcije kriterijuma iznosi min F (X) = F (X*) = 22,5
b. U sluaju da se u sistem ogranienja uvede jednaina x1 + x2 = 5, sva bazno dopustiva
rjeenja se nalaze na dui B. U tim uslovima su ekstremne vrijednosti jednake:
i
19
, uz uslov: ,
Kako su i sva druga rjeenja koja se nalaze na dui BC takoe optimalna, to se u vektorskom
obliku za proizvoljnu taku G, moe uopteno napisati da je:
Primjer 3.
Korienjem grafike metode rijeiti problem linearnog programiranja, ako je data funkcija
dobiti D (X) = 3x1 + x2, i sistem ogranienja:
20
a. odrediti vrijednosti x1 i x2 za koje funkcija dobiti D (X) postie maksimalnu vrijednost,
a da su istovremeno zadovoljena sva prethodna ogranienja,
b. definisati jedan analitiki izraz nove funkcije D (X) da bi se u novim uslovima dobilo
beskonano mnogo optimalnih rjeenja,
c. dati za tu funkciju dva primjera optimalnih rjeenja.
Rjeenje:
a. Odreivanje optimalnog rjeenja i maksimalne dobiti. Optimalno rjeenje se nalazi u
taki B (Sl. 14), u presjeku pravih koje ograniavaju oblast (p2) i (p5).
21
Sl. 15 Grafika interpretacija LP primjera 3.b)
c. Jedan primjer optimalnog rjeenja, kao to je ve konstatovano, se nalazi u taki B.
Drugi primjer slijedi iz rezultata presjeka prave (p4) i (p5) u taki C, pa imamo:
;
Primjer 4.
Za zadatu funkciju kriterijuma (trokova) T(X) = 3/2 x1 1/2 x2 i skup ogranienja:
22
Sl. 16 Grafiki prikaz modela LP primjera 4.
b. Funkcija trokova moe biti jednaka nuli u sluaju da prolazi kroz koordinatni poetak
i da tangira odabranu ekstremnu taku, u ovom sluaju taku E (Sl. 17). Pri tome je
koeficijenat pravca tangentne prave odreen iz odnosa:
Jedno od moguih rjeenja jedininih cijena je: c1 = 341 i c2 = 162, pa je tada traena
vrijednost funkcije trokova:
T(X*) = 341 x1* 162 x2* = 0 /nj/.
23
Sl. 17 Grafiki prikaz modela LP primjera 4.b)
c. Iz uslova promjene predznaka uz koeficijent promjenljive x2 nova funkcija kriterijuma
dobija oblik:
Primjer 5.
Proizvodnju dva proizvoda R1 i R2 potrebno je realizovati na tri maine M1, M2 i M3.
Vremenski normativi tij izrade proizvoda na ovim mainama /min/kom/, raspoloivi
vremenski kapaciteti maina u /as/ i predviena jedinina dobit od prodaje /nj/kom/, dati su u
sledeoj tabeli (T-2).
24
(T-2)
Maine Jedinina dobit
M1 M2 M3
Proizvodi / nj/kom /
P1 t11=450 t12=420 t13=270 45
P2 t21=450 t22=780 t23=90 36
Vremenski
600 910 270 -
kapacitet /as/
25
Sl. 19 Grafika interpretacija problema vremenskog kapaciteta
Za ove vrijednosti iskorienost vremenskog kapaciteta maina respektivno iznosi za:
26
Sl. 20 Grafika interpretacija problema dobiti
Optimalno rjeenje se nalazi u taki C i iznosi:
/kom/.
Za ove optimalne vrijednosti funkcija dobiti je maksimalna (Sl. 20) sa iznosom od:
max D(X**) = 45 x1** + 36 x2** = 3330 /nj/,
dok je iskorienost vremenskog kapaciteta sada sekundaran cilj i on poslijedino iznosi:
K(X**) = 19 x1** + 22 x2** = 1610 /as/
Za ove vrijednosti iskorienost vremenskog kapaciteta maina je neto manja nego u
prethodnom sluaju, pa je za:
Vremenski kapacitet druge maine nije u potpunosti iskorien, i u apsolutnom iznosu taj
parametar je sada: 2 = 910 740 = 170 /as/. Ukupan stepen iskorienja svih maina iznosi:
tj. 90,4%
Oigledno da se ovdje dobijaju rezultati suprotnih tendencija, koji se ogledaju u dva sluaja:
-ko elimo ostvariti najvee iskorienje vremenskog kapaciteta, ne moemo ostvariti
najveu dobit.
-ko teimo najveoj dobiti, iskorienost maina u raspoloivom vremenskom kapacitetu ne
moe biti maksimalna.
Ovaj problem je u prethodnim postupcima rjeavan parcijalno, grafikom metodom. Po
principu, on pripada klasi zadataka koji se, uz dodatne pretpostavke, mogu rjeavati
metodama multikriterijalnog programiranja.
Primjer 6.
Neka fabrika proizvodi dva artikla 1 i 2 na mainama M1 i M2. Na izradi jedinice artikla 1
maina M1 utroi 2,5 asa, a maina M2 6 asova. Na izradi artikla 2 maina M1 utroi 5,5
27
asova, a maina M2 3,5 asa. Maina M1 moe najvie da radi 15 asova dnevno, a maina
M2 najvie 21 as dnevno. Ovi podaci se mogu pregledno dati sledeom tabelom (T-3).
(T-3)
Artikli Kapaciteti
A1 A2 maina
Maine / as/dan /
M1 2,5 5,5 45
M2 6 3,5 36
Ukupno vrijeme
8,5 9 -
/as/kom/
Ispitati grafikom metodom koliku koliinu artikala 1 i artikala 2 treba dnevno proizvesti
da bi se maksimalno iskoristio ukupan kapacitet maina. Kolika optimalna koliina proizvoda
iznosi za 97 radnih dana?
Rjeenje:
Za proizvodnju jedinice artikla 1 ukupno se utroi 8,5 /as/kom/, a za proizvodnju jedinice
artikla 2, 9 /as/kom/, pa je funkcija stepena iskorienja kapaciteta oblika K(X) = 8,5 x1 +
9x2 max K(X)
Konstatujmo da se za izradu x1 (jedinice artikla 1) i x2 (jedinica artikla 2), maina M1
eksploatie: 2,5 x1 + 5,5 x2 asova, sa mogunou rada do 15 asova, a maina M2
eksploatie: 6x1 + 3,5 x2 asova, sa mogunou rada do 21 asa dnevno. Pri tome, dakle,
moraju biti zadovoljena sledea ogranienja,
2,5 x1 + 5,5 x2 15 ili
28
ko pravu K(X)=0, transliramo paralelno ka najudaljenijoj taki konveksnog poligona, dostii
emo granini poloaj kriterijumske funkcije koja se nalazi u taki B. Pri tome je optimalni
vektor rjeenja:
/kom/.
U toj taki K(X) ima maksimalnu vrijednost, jer je pomijeranje vreno u pravcu poveanja
vrijednosti funkcije raspoloivog kapaciteta. Zato je:
max K(X) = 8,5 x1* + 9x2* = 36 /as/.
Ukupni kapacitet, kao to se vidi iz inicijalne tabele (T-3) i postignutog rezultata, u potpunosti
je ispunjen. Znai maksimalna iskorienost maina bie, samo u sluaju, ako se dnevno bude
proizvodilo 252/972,6 jedinice artikla 1 i 1,54 jedinica artikla 2. Za vremenski period od
= 97 /dana/, optimalna proizvedena koliina artikala e iznositi:
/kom/.
29
Dopunske promjenljive imaju i fiziki smisao, jer predstavljaju razliku izmeu raspoloivih i
iskorienih kapaciteta, najee vremenskih, resursnih i sl. Prethodni proireni sistem
formiran je uz novo proireno indeksiranje, pri emu je sada ukupan broj nepoznatih n=k+m
(j=1,...,n), dok indeksni interval (i=1,...,m) (broj jednaina) ostaje nepromijenjen. U tom
smislu nove jednaine ogranienja su:
sistema. Ove sisteme nazivamo bazinim sistemima, ako je determinanta matrice sistema za m
odabranih promjenljivih razliita od nule, tj. da je regularna. Tako za broj promjenljivih n=16
i broj jednaina m=8, dobijamo broj moguih rjeenja sistema u iznosu od , to je
sa aspekta proraunavanja (pretraivanja) veoma velik posao.
Primjer 7.
Uvesti dopunske promjenljive za sljedei zadatak LP, ako su:
30
sistem ogranienja:
i funkcija kriterijuma:
Uvoenjem dopunskih promjenljivih: x3, x4, x5, x6 0, dobijamo sistem ogranienja u obliku
sistema linearnih jednaina:
i uz funkciju kriterijuma:
Nakon uvoenja izravnavajuih promjenljivih, standardni sistem linearnih nejednaina sa k=2
promjenljivih i m=4 nejednaine, transformisao se u sistem ogranienja sa etiri jednaine i
n=k+m=2+4=6 promjenljivih veliina.
dok se nepoznata: X=[x1, x2, ..., xj, ..., xk, xk+1, xk+2, ..., xk+i, ..., xk+m]T moe predstaviti i u
obliku transponovanog vektora. Sistem jednaina u matrinoj formi je sada:
31
gdje su dopunski koeficijenti: ai,k+u=1 za u = i i ai,k+u=0 za u i (i =1,...,m). Dopunska
matrica oblika E ima vanu ulogu kod formiranja poetne vektorske baze u linearnom
programiranju, i oblika je.
ili krae
Vektore tipa A<j> nazivamo vektorima aktivnosti. U ovom sluaju, vektor B smo predstavili
kao linearnu kombinaciju n razliitih vektora A<j> (j=1,..., k+m).
Primjer 8.
Matrini oblik zadatka linearnog programiranja. Prethodni zadatak LP (iz Primjera 7.)
moemo zapisati na sljedei nain:
Funkcija ogranienja kao:
pri emu je X 0
32
sa funkcijom kriterijuma:
Kako su vektori A<j> i B vektori m-tog reda, to meu n vektora tipa A<j> moe postojati najvie
m-nezavisnih. U tom smislu, ako je prvih m vektora linearno nezavisno, moe se vektor B
predstaviti kao linearna kombinacija oblika:
Izbor od m-vektora moe biti i drugaiji. Kao to se vidjelo (31) ovaj izbor se moe
realizovati na Cnm naina. Svaka kombinacija donosi nov rezultat funkcije kriterijuma,
odnosno novu vrijednost vektora X. Najbolja kombinacija vektora A<j> u skupu neke
kombinacije baze donosi optimalno rjeenje X*, pri emu se postie da je F(X*)=maxF(X), to
nazivamo optimalnim programom.
Vektorska baza b moe se predstaviti kao matrica elemenata:
(39) , uz uslov da je: ,
pri tome redoslijed vektora ne mora u optem sluaju biti jednak redoslijedu vektora ve
ranije formirane (38) inicijalne matrice . Linearnu kombinaciju:
(40)
moemo izraziti preko baze b kao AbX = B. Na osnovu toga slijedi rjeenje po
promjenljivoj:
(41) X=Ab-1B
U tom sluaju dobijeni vektor X proglaavamo bazinim rjeenjem problema, kao:
(42) ,
-1
gdje je Ab inverzna matrica matrice razmatrane baze b. Za prethodne vrijednosti funkcija
kriterijuma jednaka je:
(43)
gdje je vektor C formiran od koeficijenata:
Pored toga svaki nebazni vektor , se moe izraziti kao linearna
kombinacija baznih vektora, po sledeoj formi:
(44) , pa je ,
gdje je: rjeenje problema za vektor A<j>. U tom sluaju
vrijednost funkcije kriterijuma iznosi:
(45)
33
Primjer 9.
Formiranje vektorske baze. Za model LP prema Primjeru 6. moe se formirati odgovarajua
matrica i vektori modela.
Izaberimo dva vektora m=2, npr. A<1> i A<3> kao vektore poetne bazne matrice: Ab=[ A<1>,
A<3>]. Bazino rjeenje se odreuje na osnovu relacije AbXb=B, ili konkretno:
.
Pored toga, mora se definisati i adjungovana matrica adjA i njoj transponovana matrica
(adjA)T. Ove matrice su jednake:
to konkretno iznosi:
34
Poto se nebazini vektor moe izraziti kao linearna kombinacija bazinih vektora, uzee se
kao primjer da to bude A<2>. Inae, pored ovoga vektora nebazian je jo i vektor A<4>. Prema
relaciji: AbXj=A<j>, slijedi:
AbX2=A<2>, odakle je X2= Ab1A<2>, odnosno:
odnosno: ,
Vrijednost funkcije kriterijuma sada iznosi:
Simplex metoda
35
Prethodna relacija (48) moe da se rijei po , na osnovu ega se dobija:
(50) ili
(51) , ili
Dakle, vektor B se moe izraziti putem linearne kombinacije novog skupa bazinih vektora
i vektora . Da bi ovaj skup obrazovao bazino mogue rjeenje
potrebno je da lanovi u zagradi budu nenegativni, tj.
(52) i
Izbor vektora koji naputa bazu se svodi na tzv. teta kriterijum, to u kvantitativnom obliku
iznosi:
(53) za
odnosno zamjenom:
(55)
36
Dobijena relacija pokazuje da se funkcija kriterijuma uveava za
odreenu vrijednost pri promjeni vektorske baze. ko je nebazini vektor , za i
sa najmanje jednim , tada je . Ovaj rezultat je vrlo vaan jer
pokazuje u kom smjeru se moe poveavati funkcija kriterijuma, sukcesivnom promjenom
vektorske baze. Kako je broj baza konaan, a uzastopnom iteracijom postiemo , uz
neponavljanje nijedne baze vie puta, najbolje rjeenje, tj. najveu funkciju cilja dobijamo u
konanom broju iteracija. U tom smislu moemo postaviti prvi simpleks kriterijum za
promjenu vektorske baze.
1. ko je , za jedan ili vie nebazinih vektora, tada u bazu treba uvesti onaj
vektor sa najmanje jednim , za koji je pronaeno:
(57)
Primjer 10.
Primjena simplex metode. Za model problema LP (Primjera 6.) potrebno je odrediti:
F(X)=8,5x1+9x2 max F(X)
uz ogranienja:
2,5 x1 + 5,5 x2 15
6 x1 + 3,5 x2 21 xj 0 (j = 1,2)
Simplex model jednaina ogranienja oblikuje se na osnovu prethodnog sistema nejednaina:
2,5 x1 + 5,5 x2 + x3 = 15
6 x1 + 3,5 x2 + x4 = 21 xj 0 (j = 1,2)
37
i funkcije kriterijuma: F(X)=8,5x1+9x2 + 0 (x3 + x4) max F(X)
gdje su: x3, x4 dopunske (izravnavajue) promjenljive. Prethodni sistem jednaina moe se
napisati u obliku: AX = B. Pri tome su:
matrica tzv. tehnikih koeficijenata: ,
funkcije kriterijuma C=[8,5, 9, 0, 0]. Vektori kolona matrice mogu se izraziti kao:
, , i
Dakle, poetnu bazu ine vektori: Ab=[ A<3>, A<4>]. Nebazni vektori A<1>, A<2> mogu se
izraziti posredstvom baznih, kao:
38
Kako je: min {(F1 c1), (F2 c2)}= F2 c2 = 9, slijedi da u bazu ulazi vektor A<2>.
Kriterijum za izlazak jednog baznog vektora A<j> svodi se na odreivanje najmanjeg odnosa
vrijednosti tj. min {xi/xij}, za izabrani ulazni vektor.
Najmanja vrijednost je: i u tom sluaju vektor
A<3> izlazi iz baze. Formiranje nove baze Ab se svodi na izmenu izabranog vektora, to se
simboliki moe predstaviti kao:
za vektor A<3>:
Kako je: min {(F1 c1), (F3 c3)}= F1 c1 = 97/22, slijedi da u bazu ulazi vektor A<1>.
Kriterijum za izlazak jednog baznog vektora A<i> svodi se na odreivanje najmanjeg odnosa
vrijednosti tj. min {xi/xij}, za izabrani ulazni vektor. Najmanja vrijednost je:
i u tom sluaju vektor A<4> izlazi iz baze. Formiranje nove baze Ab se moe predstaviti
simboliki izmjenom vektora:
(70)
Primjena kriterijuma min (Fj cj) za ulazak nebaznog vektora u bazu,
za vektor A<3>:
39
za vektor A<3>:
(70) je sada:
i funkcije kriterijuma:
moe se postaviti (nulta) simplex tabela, u oznaci max ST-0 (T-4). Dio oznake ST-0
simboliki predstavlja poetno rjeenje, gdje je funkcija kriterijuma jednaka nuli, dok se
sintaksom max izraava karakter problema koji se rjeava.
max ST-0 (T-4)
40
-C vektor koeficijenata uz promjenljive xj funkcije kriterijuma (npr. jedinine cijene),
-Cb vektor koeficijenata u funkciji kriterijuma uz promjenljive koje sainjavaju bazno
dopustivo rjeenje. Kod poetne tabele vrijednost ovih koeficijenata je jednaka nuli,
-Xb vektor promjenljivih koje formiraju bazno dopustivo rjeenje.
-B vektor vrijednosti promjenljivih bazno dopustivog rjeenja za posmatranu iteraciju. U
nultom rjeenju ovaj vektor sadri elemente ogranienja desne strane simplex jednaine,
-Xj predstavlja mnoitelje vektora baze kada se njihovom linearnom kombinacijom izraava
vektor A<j>,
-Fj cj - predstavlja razliku izmeu funkcije F(Xj) = Fj i koeficijenata cj uz j-tu promjenljivu
(j = 1,...,n). Ova vrijednost je, kako je pokazano u formuli (57), indikator da li je rjeenje
optimalno ili ne, pa se definie kao kriterijum optimalnosti.
ko se kolona sa koeficijentima aji i promjenljive xj jednaine (71) prebaci na desnu stranu,
dobijamo sljedei sistem jednaina (i = 1,... m, j = 1,...,n):
(73)
Uz pretpostavku da su dopunske promjenljive xk+i (i = 1,... m) bazine promjenljive, tada su
ostale promjenljive jednake xj = 0 (j = 1,... k). U tom smislu smo formirali prvo bazino
mogue rjeenje kao:
(74) , , ..... , , ..... ,
Funkcija kriterijuma pri ovoj bazi jednaka je nuli (analogno sa F(X) = 0 kod poetnog rjeenja
pri primjeni grafike metode). Razlog tome je to su koeficijenti u funkciji kriterijuma za tu
bazu jednaki nuli, jer oni fiziki ne postoje. Izmjena baze ide u smjeru uvoenja nebaznog
vektora Xj (j = 1,..., k) (koji uzima adekvatne pozitivne vrijednosti). U tom smislu dobijamo
sljedei izraz:
(75)
Za i-tu jednainu, kao to je poznato u optem modelu LP mogu se javiti sluajevi da je aij{<,
=, >} 0. Najinteresantniji rezultat za analizu je sluaj kada je aij > 0. Tada se moe izabrati xj,
tako da jedna od promjenljivih xk+i postane jednaka nuli. Dakle, za:
(76) xk+i 0 slijedi da je: bi aij xj 0, pa je xj bi/aij za aij > 0.
Prethodna relacija predstavlja osnovu za formulisanje kriterijuma eliminacije jedne bazine
promjenljive Xi (postavljajui je kao vektor). Naime, da bi uslov xj bi/aij (aij > 0) bio
zadovoljen, potrebno je izmeu svih m kolinika pronai minimalnu vrijednost. Taj odnos e
se obiljeiti kao i ranije sa teta i dat je u vidu relacije:
(77) , (aij > 0)
Odabranu vrijednost indeksirajmo sa i = u, a zatim u-ti red proglaavamo vodeim redom (T-
5). Ovaj kriterijum za izlazak vektora iz baze poznat je, kako je ranije istaknuto, kao prvi
simplex kriterijum. Drugi simplex kriterijum za izbor novog vektora Xj, koji pristupa bazi,
zamjenjujui promjenljivu Xi, zasnovan je na odabiru najmanje vrijednosti (Fj cj) iz skupa
negativnih:
(78) , za vrijednosti Fj cj < 0 (j = 1,..., k)
Odabrana vrijednost e biti obiljeena sa (Fp cp), odnosno indeks odabrane kolone sa j = p.
Oigledno da se isti rezultat postie na osnovu ekvivalentne relacije: . Moe
se zakljuiti da se uz veu vrijednost cj i aktualizacijom odgovarajueg vektora Xj u bazi javlja
novi efekat koji rezultira, obino, poveanju funkcije kriterijuma.
41
max ST-0 (T-5)
Proireni kriterijum, za izbor vektora koji pristupa bazi, primjenjuje se u onim sluajevima
kada se pojavljuje vei broj vrijednosti Fj cj < 0 jednakih ili bliskih po veliini. Njegova
primjena moe ubrzati postupak nalaenja optimalnog rjeenja kroz smanjenje broja potrebnih
iteracija. Meutim, u jednostavnijim modelima LP ne javlja se takav efekat, koji se ogleda u
brzini konvergencije ka optimalnom rjeenju, pa proireni kriterijum nije potrebno
primjenjivati, ve se zadrati samo na osnovnom. Napomenimo da se u fazi ispitivanja
vrijednosti ne uzimaju u obzir negativne vrijednosti odnosa = bi/aij, prouzrokovane
negativnou vrijednosti aji. Pored toga, moe se desiti da kolinik bi/aij bude isti po
vrijednosti za dve ili vie teta vrijednosti u analiziranoj koloni. U tom sluaju dolazi u
pitanje primjena prvog simplex kriterijuma, jer nije jednoznano utvreno koji vektor naputa
bazu b. Ovaj sluaj poznat je kao sluaj degenerisanog rjeenja jer postoji vie kandidata -
bazinih vektora za izlazak iz baze.
42
ST - tekua (T-7) ST - naredna (T-8)
Transformacija elemenata van vodeeg reda i van vodee kolone (i u; j p) izvodi se kao:
(79)
Primjer 11.
Na osnovu prethodnih pravila transformacije odrediti promijenjenu vrijednost funkcije
kriterijuma iz tekue u narednu simplex tabelu.
S obzirom da se F vrijednost nalazi van vodee kolone i reda moemo je smatrati optim
elementom, pa se transformacija te vrijednosti moe izvriti primjenom prvog pravila
transformisanja. Dakle:
(83) ,
Primjer 12.
43
U nekoj fabrici se proizvode dva proizvoda P1 i P2 primjenom tri tehnoloka sistema: TS1, TS2
i TS3. Za tehnoloku obradu jedinice proizvoda potrebno je utroiti efektivno vrijeme za P1:
1,2 /as/kom/ na TS1, 2 /as/kom/ na TS2 i 2 /as/kom/ na TS3; za P2: 2,4 /as/kom/ na TS1, 2
/as/kom/ na TS2 i 1 /as/kom/ na TS3. Efektivni kapaciteti Kej pojedinih tehnolokih sistema
iznose: za TS1 12000 /as/, za TS2 14000 /as/ i za TS3 12000 /as/. Sa druge strane funkcija
marketinga informie proizvoaa o potrebnoj koliini proizvoda na tritu, gdje je omoguen
plasman od maksimalno 5500 /kom/ proizvoda P1 i 4500 /kom/ proizvoda P2. Prodajom
preduzee ostvaruje dobit od 4400 /nj/kom/ za P1 i 1100 /nj/kom/ za P2. Na osnovu
sistematizovanih podataka u (T-9) potrebno je:
1. Projektovati optimalan plan proizvodnje u cilju ostvarenja maksimalne dobiti fabrike,
koristei grafiku i simplex metodu.
2. Pronai funkciju kriterijuma opteg oblika koja zadovoljava neogranien broj
optimalnih rjeenja.
(T-9)
Tehnoloki
Plasman Dobit
sistemi TS1 TS2 TS3
/kom/ / nj/kom /
Proizvodi
P1 1,2 2 2 5500 4400
P2 2,4 2 1 4500 1100
Efektivni
12000 14000 12000 -
kapacitet /as/
Rjeenje:
1a) Primjena grafike metode za rjeavanje zadatka LP podrazumijeva formiranje sistema
nejednaina i funkcije kriterijuma. U tom smislu je:
matematiki model dobiti:
uz odgovarajue uslove:
Kako koliina proizvoda ne moe biti negativna slijedi da je: x1, x2 0. Na osnovu
prethodnih nejednakosti (1), (2) i (3) mogu se formirati segmentni oblici jednaina kojima se
opisuju granine vrijednosti raspoloivog kapaciteta i trinih zahtjeva (4) i (5):
44
Sl. 22 Grafika interpretacija optimalnog rjeenja
Na osnovu nulte funkcije dobiti i pomenutog postupka: 4400x1 + 1100x2 = 0, slijedi da je x1=
l/4 x2. Optimalno rjeenje se tada nalazi u taki B, i dobija se u taki presjeka pravih (3) i
(4):
(3) 2 x1 + x2 = 12000 i
(4) x1 = 5500.
Rjeavanjem dviju jednaina sa dvije nepoznate vrijednosti struktura i koliina optimalnog
rjeenja proizvodnog programa bi bila sledea: x1* = 5500 /kom/ proizvoda R1 i x2* = 1000
/kom/ proizvoda R2, dok bi funkcija dobiti iznosila:
max D(X*) = 4400x1* + 1100x2* = 25,3 106 /nj/.
1b) Da bi neogranien broj optimalnih vektora pripadao jednoj funkciji kriterijuma
maksimalnog ekstremuma, potrebno je da prava te funkcije tangira npr. du BC, (Sl. 23)
odnosno da nova funkcija kriterijuma D(X) = c1 x1 + c2 x2 sadri koeficijent pravca isti kao i
definisana prava (3). Na osnovu te prave odreujemo koeficijent pravca kao:
(3) 2 x1 + x2 = 12000 x1 = x2.
45
Sl. 23 Grafika interpretacija optimalnog rjeenja
Dakle, u funkciji kriterijuma mora figurirati parametar c1 (uz x1) dva puta vei od parametra s2
(uz x2), pa jednaina D(X), na osnovu prethodne analize, dobija opti oblik:
D(X) = 2 a x1 + a x2.
gdje je: a R, a > 0. Za takav oblik nulte funkcije kriterijuma (D(X) = 0) uvijek dobijamo da
je: x1 = x2, to je saglasno koeficijentu pravca prave (3).
2a) Matematiki model problema primjenom simplex-max metode se oblikuje poslije
dodavanja dopunskih promjenljivih u sistemu linearnih ogranienja:
i funkcije dobiti:
46
Kako u prethodnoj tabeli postoje dva negativna elementa: D1 c1 = 4400 i D2 c2 = 1100,
primijeniemo proireni kriterijum, koji u principu skrauje iterativni proces proraunavanja,
mada je u ovom sluaju dovoljna primjena i samo osnovnog kriterijuma, odnosno
pronalaenje najmanje vrijednosti, a to je D1 c1 = 4400. li, zbog demonstracije
proirenog kriterijuma predstavljamo kompletnije njegov algoritam. Kako je:
/nj/ i
/nj/,
odluujemo da u naredno bazino dopustivo rjeenje uvedemo promjenljivu X1, upravo zbog
dopunskog uslova koji govori da treba uzeti u obzir maksimalnu vrijednost iz skupa
raspoloivih vrijednosti u donjem kontrolnom redu, a to je:
max {1 (c1 D1), 2 (c2 D2)} = max {24,2 106; 4,95 106} /nj/.
Ta vrijednost fiziki predstavlja dobit. Uvoenjem realne promjenljive X1 (vodea kolona)
izvodimo vjetaku promjenljivu X6 iz baze (vodei red), jer je u izabranoj koloni uoena
najmanja vrijednost 1 = 5500. Daljom matrinom transformacijom, na osnovu etiri pravila
za transformaciju: (79), (80), (81) i (82) moemo oblikovati naredne simplex tabele.
max ST-1 (T-11)
Kako su svi elementi reda (Dj cj) 0 nenegativni (T-12) to je u ovom sluaju pronaeno
optimalno rjeenje i istovjetno je sa rezultatima primjene postupaka proraunavanja
grafikom metodom. U tom smislu, jedno optimalno rjeenje iznosi:
/kom/
Moe se pokazati, u ovom sluaju, da uvoenje jedne od promjenljivih (npr. X4 ili X6) izaziva
promjenu vektorske baze i vrijednost optimalnog vektora, ali ne i maksimalnu vrijednost
funkcije kriterijuma. Dakle, postoji beskonaan broj optimalnih rjeenja. Meutim, mi smo se
zadrali na samo jednom pronaenom.
2b) Maksimalna vrijednost funkcije dobiti moe se oitati direktno iz zavrne tabele, ili
izraunati na osnovu optimalnog vektora koliine proizvoda. Dakle:
47
max D(X) = D (X*) = 4400x1* + 1100x2* = 25,3 106 /nj/.
Konstatujmo da je vektor optimalnog rjeenja kompletniji nego vektor dobijen u rezultatu
primjene grafike metode. U ovom sluaju su dobijene i optimalne vrijednosti vjetaki
uvedenih proizvoda, ijom bi se eventualnom proizvodnjom u potpunosti iskoristili vremenski
kapaciteti sva tri tehnoloka sistema.
Primjer 13.
Pronai optimalne vrijednosti promjenljive xj (j = 1,2,3) i funkciju kriterijuma D(X)
maksimalnog ekstremuma, primjenom simplex metode za postavljeni sistem nejednaina:
i funkciju kriterijuma:
Rjeenje:
Odgovarajui simplex model na osnovama prethodnog modela sadri sistem jednaina:
i funkciju kriterijuma:
Formirani simplex model je potrebno uneti u poetnu iteracionu tabelu, kao matricu tehnikih
koeficijenata, vektora ogranienja i vektora cijena, to je i uinjeno u tabeli max ST-0.
Postupci prorauna su dati u ostalim tabelama (T-14/15).
max ST-0 (T-13)
48
max ST-3 (T-15)
pri tome je zadovoljen kriterijum optimalnosti, jer su u kontrolnom redu sve vrijednosti Dj cj
0. U tom smislu je postignuta najvea vrijednost funkcije kriterijuma u iznosu od:
.
49
kapacitet u potpunosti mora iskoristiti. U optem sluaju sistem ogranienja se moe iskazati
u vidu relacija:
Primjer 14.
Na bazi primjene metoda optimizacije proizvodnog programa izvriti analizu koliine
proizvoda xj i asortimana Pj (j = 1,...,7) u cilju ostvarivanja najvee dobiti preduzea. Pri tome
su poznati uslovi ogranienja proizvodnje i trita. Po operativnom planu je potrebno
realizovati sedam proizvoda na pet tehnolokih sistema (maina). Pri tome se na svakoj
maini realizuje operacija rada sa vremenom operacije tij (i =1,...,5 i j = 1,...,7) /kom/min/,
datih u tabeli (T-16). Vremenski kapaciteti maina su raspoloivi do odreenog intervala
/min/ i ne mogu se premaiti. Pored tih uslova postoje jo dva trina ogranienja. Naime,
tritu se mora isporuiti tano 1000 komada svih proizvoda, pod uslovom da koliine petog i
sedmog proizvoda ne budu manje od 30 komada. Osnovni podaci potrebni za modeliranje
problema dati su u narednim tabelama.
Matrica operacionih vremena u zavisnosti od proizvoda i maine gdje se predmet rada
obrauje:
(T-16)
Proizvodi Pj Kapaciteti
P1 P2 P3 P4 P5 P6 P7
Operacije i maina /min/
M1: operacija 1 2 5 4 25 10 0 30 7000
M2: operacija 2 0 25 15 20 0 10 6 9800
M3: operacija 3 0 20 5 2 1 0 60 3000
M4: operacija 4 1 4 10 18 20 0 20 6200
M5: operacija 5 5 0 0 0 0 10 0 3000
50
Ogranienja trinog kapaciteta:
Funkcija dobiti:
Prethodni model (92), (93), (94) je rijeen na osnovu kompjuterske metode optimizacije,
posredstvom programskog paketa LINDO*. lgoritam metode je simplex i rezultati su dati na
(Sl. 24). U runom postupku rjeavanjem ovog problema bilo bi potrebno 13 iteracija uz
primjenu osnovnog kriterijuma izmene vektorske baze, ili 6 iteracija primjenom proirenog
kriterijuma transformacije baze. Postavka modela LP programskim putem
Sl. 24
Rezultati proraunavanja optimalnog programa proizvodnje
Sl. 25
51
Optimalno rjeenje, prema (Sl. 25), sadri sljedee koliine proizvoda
/kom/.
Pri tome se postie maksimalna dobit preduzea u iznosu od: max F(X) = 20780,04 /nj/.
Oigledno da broj komada treba izraziti u cjelobrojnim vrijednostima to je i uinjeno
vektorom priblinih vrijednosti. U tom smislu, ovaj problem se moe rjeavati odreenim
metodama cjelobrojnog programiranja.
Primjer 15.
Projektom predvien, amorfni materijal mora sadrati najmanje 40 jedinica vezivnog
materijala , 60 jedinica vezivnog materijala B i 40 jedinica vezivnog materijala C. U
procesu realizacije posla, koriste se dvije vrste graevinskog materijala. Sadraj pojedinih
substituta u materijalu /jedinica/kg/ predstavljen je u sledeoj tabeli (T-19).
(T-19)
Graevinski materijali Limitirajua
GM1 GM2 koliina
Vezivni substituti /kom/
A 3 1 40
B 2 2 60
C 1 3 40
Pronai najjeftiniju strukturu (sadraj) amorfne mjeavine koja zadovoljava date potrebe, ako
1 kilogram graevinskog materijala GM1 kota 10 /nj/, dok GM2 kota 20 /nj/.
Rjeenje:
a) Postupci rjeavanja grafikom metodom zadatka LP. Kako se eli pronai najjeftinija
mjeavina, to je potrebno postaviti minimalnu vrijednost funkcije trokova, odnosno:
uz ograniavajue uslove:
52
Grafiko predstavljanje rjeenja je dato na Sl. 26. Oblast dopustivih rjeenja je neograniena
(oblast D) i optimalno rjeenje se nalazi u taki C.
Praktino znai da struktura graevinske mjeavine traba da sadri 25 /kg/ materijala GM1 i 5
/kg/ materijala GM2, pa e u tom sluaju mjeavina biti najjeftinija i njena vrijednost e
iznositi:
min T(X)=T(X*) = 10x1* + 20x2* = 350 /nj/.
b) Rjeavanje zadataka LP simplex metodom uz dodavanje dopunskih promjenljivih,
matematiki simplex-min model dobija slian oblik kao simplex-max. Meutim, kako
dopunske promjenljive imaju koeficijent -1, a sa desne strane jednaine su pozitivne
vrijednosti, iz tih razloga: x3, x4 i x5 ne mogu se uzeti u poetno bazino dopustivo
rjeenje. U tom sluaju se jednainama moraju dodati jo i pozitivne vjetake promjenljive,
sa jedininim cenama M. Time matematiki model simplex-min postaje kompletan, odnosno:
uz ogranienja:
53
Koeficijent M predstavlja proizvoljno veliki pozitivni broj i u klasinom (runom) postupku
raunanja, uzima se kao opti. Rezultati primjene algoritama simplex-min metode prikazani su
iteracionim tabelama min ST-0/1/2/3.
min ST-0 (T-20)
54
/kom/
Pri ovome je zadovoljen kriterijum optimalnosti, vaei za problem tipa min, jer su u
kontrolnom redu sve vrijednosti Tj cj 0. U tom smislu je postignuta najmanja vrijednost
funkcije kriterijuma u iznosu od: min T(X) = T(X*) = 350 /nj/.
Rjeenje problema tipa min znatno je sloenije, sa stanovita uvoenja novih promjenljivih. Iz
tih razloga se esto ide na transformaciju ovog tipa problema u tzv. dualni model, kako bi se
izvrila svojevrsna racionalizacija postupaka proraunavanja, a postigli isti efekti radi
dobijanja optimalnog rjeenja.
i ogranienjima:
gdje je broj nepoznatih n i broj jednaina m. Primarni model se krae moe zapisati kao:
pri ogranienjima:
(102)
gdje je sada broj nepoznatih m, a broj jednaina n. Sistem se moe zapisati u algebarskom
obliku:
55
(104) i sistemom ogranienja:
Primjer 16.
Rijeiti problem minimuma primjenom simplex metode i dualnog modela LP, za sluaj
sljedeeg sistema linearnih nejednaina i date funkcije kriterijuma:
Rjeenje:
Dualni model prethodnog primarnog modela se oblikuje na osnovu transpozicije vektora i
matrice koje definiu sistem nejednaina i funkcije kriterijuma primarnog modela LP:
56
Na osnovu dualnog modela moe se formirati proireni simplex dualni model ili tzv. duplex sa
jednainama ogranienja:
Prethodni model je rjeavan iterativno simplex metodom. Optimalno rjeenje se moe oitati u
posljednjoj iteracionoj tabeli maxST-3, gdje se nalaze sva rjeenja optimalnih vektora X*,
odnosno Y*, kao i ekstremne funkcije kriterijuma minF(X) i max (Y). U tom smislu
dobijamo rjeenje primarnog modela:
/kom/
*
pri tome je: minF(X) = F(X ) = 2965/22134,773 /nj/, i
rjeenje dualnog modela:
/kom/.
odnosno: max (Y) = (Y ) = 2965/22134,773 /nj/.
*
57
58
59
Transportni problem
Transportni zadatak jeste specijalan sluaj opteg zadatka linearnog programiranja. Danas ova
oblast pripada operacionim istraivanjima, sa karakteristikom intenzivnog razvoja u periodu
od posljednjih pet decenija. Pojava teorijskih razmatranja zadataka najboljeg transporta vezuje
se za tridesete godine ovoga vijeka (1939.), kada je ruski matematiar Kantorovi prvi
definisao transportni problem (TP), sa linearnim planom distribucije resursa. Meutim,
ameriki matematiar Hikok (Hitchcock, L.F.) par godina kasnije (1941.) oblikuje model TP
i rjeava ga, pa je nauni svijet prihvatio ovaj model transportnog zadatka kao model Hikoka
i oznaava ga kao znaajan datum razvoja nauke o matematikom programiranju. Kasnije
razvijeni modeli TP, proizali su iz metodologije linearnog programiranja, ali se njihov razvoj
bazirao na novootkrivenim, znatno jednostavnijim algoritmima nego to su to algoritmi LP.
Tome su doprinijeli i sami autori izvornih metoda LP, uviajui potrebu za efikasnijim,
specijalnim metodama, ija je brzina konvergencije ka optimalnom rjeenju vea nego kod
ve klasinih metoda, kakva je npr. simplex. Dancig 1951. god. objavljuje rjeenje TP
zasnovano na metodi simplex mnoitelja. U periodu prve polovine pedesetih godina
objavljuju se novi radovi Vogela (Vogel), Takera (Tucker), Barcova (Burcov) u kojima se
definiu razliite modifikacije transportnog zadatka. Metoda arlsa i Kupera (Charls &
Cooper) nastaje 1953. god., i danas je poznata kao metoda skakanja s kamena na kamen
(Stepping Stone Method). Naredne godine Henderson i Stejfer (Handerson & Stajfer)
objavljuju poboljanu verziju ove popularne metode. Metodu optimalnog transporta
prezentovanu u ovom poglavlju autorizovao je Ferguson (Ferguson) 1955. god. kao
modifikovano-diferencijalnu metodu, ili skraeno Mo-Di metodu. Ford i Fulkerson (Ford &
Fulkerson) su 1956. god. objavili metodu koja je esto zastupljena u literaturi o operacionim
istraivanjima kao metoda Forda i Fulkersona. Trendovi razvoja i primjene metoda transporta
su nastavljeni i u narednim decenijama, uz sve veu aplikaciju kompjuterskih programa sa
algoritmima najefikasnijih metoda koje su u pomenutom periodu nastale.
60
izvori prijem
I1 P1
I2 ci1 xi1 P2
ci2 xi2
Ii cij xij Pj
cin-1 xin-1
In-1 Pn-1
cin xin
In Pn
Funkcija cilja sastoji se u odreivanju optimalne koliine distribucije xij, pod uslovom da
ukupni trokovi budu minimizirani (ili maksimizirani). ematski prikaz transporta moe se
modelirati tabelarno na sljedei nain.
(T-28)
Na osnovu tabelarnog prikaza podataka moe se oblikovati funkcija kriterijuma, npr. tipa
minimuma, kao zbir funkcija trokova na svim relacijama:
61
Po definiciji zatvoreni tip transportnog problema podrazumijeva da se ukupna koliina resursa
iz svih izvora isporuuje kompletno ponorima, bez ostatka. U tom smislu imamo sljedee
funkcije ogranienja:
(6) i . Pri tome je: , to slijedi iz prethodnih
Nepoznate vrijednosti xij treba tako odrediti da kao poslijedica stoji minimalna vrijednost
funkcije T(X). Broj nepoznatih pri tome iznosi (n m). U transportnom zadatku moemo
razviti, dakle, matricu sa (n m) kolona, to se vidi u sljedeem modelu, ako ogranienja
piemo tako da u jednoj koloni doe samo jedan tip nepoznate promjenljive xij.
62
S obzirom da je: , slijedi da je posljednja jednaina linearna kombinacija
prethodnih (n + m 1) jednaina. Redoslijed jednaina u ovom dokazu pri tome nije bitan.
Dakle sistem je konzistentan i dovoljan za proraun sa ukupno (n + m 1) nezavisnih
jednaina. Nebazine su one koordinate tabele (polja) koje su jednake nuli. Bazno rjeenje je
ono rjeenje transportnog problema preko kojeg se vri transport (xij > 0). Da bi ono bilo
nedegenerisano potrebno je oformiti ukupno r = n + m 1 baznih elemenata. Ovaj broj
predstavlja i rang matrice. ko je r < n + m 1 tada smo postigli degenerisano rjeenje, ime
se javlja dodatni problem transporta. Bazino rjeenje ima ukupno n m (n + m 1) nula.
Prema tome, u bazinom rjeenju broj bazinih promjenljivih je jednak rangu r. U razvijenoj
formi jednaina ogranienja, svakoj jednaini sistema odgovara bar jedan red ili kolona te
tabele. Dakle, svi redovi i kolone sadre jednu ili vie bazinih promjenljivih. U suprotnom,
dolazimo u kontradikciju sa nekom od jednaina. Ovakvi stavovi omoguavaju da lake
doemo do nekog bazinog rjeenja, vodei rauna o konzistentnosti tog rjeenja sa sistemom
ogranienja.
63
(T-29)
ponori Ogranienja
izvori izvora
Potrebe ponora
ponori ponori
izvori izvori
Obino se model baznog rjeenja TP zbog brzine aplikacije oblikuje na osnovu ove metode,
iako se njome dobija u sloenijim sluajevima slabiji polazni program transporta, koji se
naknadno moe poboljati racionalnijim metodama.
Postavljanje transporta izvodi se na mestu transportnog polja (T-34), najpre, gdje je uoena
najmanja cijena u prvom redu. U ovom sluaju to je cijena min {x11, x12, x13, x14 }= c13 =2
i na toj poziciji (1,3) postavljamo maksimalnu moguu bazinu vrijednost x13= 60. Zatim,
simbolino obiljeavamo onaj red ili kolonu, u zavisnosti od ostvarene konzistentnosti sa
jednainama uravnoteenja, tako da se taj red ili kolona vie ne analizira. U ovom primjeru
(prema podacima iz prethodnog modela), u pitanju je trea kolona.
64
(T-34)
ponori
izvori
Nadalje se razmatra sljedei red sa najmanjom cenom i tako redom do posljednjeg, po istom
principu minimalnih cijena. Ukoliko imamo vie istih minimalnih cijena u redu, odabira se
jedna, bilo koja kao pozicija za novi bazni element. Rezultati primjene ove metode dati su u
tabeli (T-34). Pored toga treba teiti da se dobije bazno dopustivo nedegenerisano rjeenje, tj.
da se ostvari ravnotea: r = n + m 1.
65
(T-36)
ponori
izvori
Metoda Vogela
Ovom metodom nalazi se bazino rjeenje, najee suboptimalno, ili kod jednostavnijih
ema transporta i optimalno. Naziv Vogelova metoda proistie od autora metode, a esto se u
literaturi metoda naziva Vogelova aproksimativna metoda (VAM Vogels Approximation
Method). Metoda je iterativna u smislu sukcesivnog pronalaenja bazinih elemenata, iz
iteracije u iteraciju. Osnovni princip metode je izraunavanje najveih razlika izmeu dva
najmanja koeficijenta cijena u svakom redu i u svakoj koloni analizirane matrice trokova. Na
osnovu toga proistiu odluke o postavljanju bazisa. Primjer primjene Vogelove metode dae
se na osnovu ve postavljenog modela jedininih trokova (T-29). Nakon prvog izraunavanja
razlika izmeu dve najmanje cijene svakog reda, odnosno svake kolone, vrimo upisivanje tih
razlika (1, 3, 2, 1) u dodatnom donjem redu, odnosno (1, 3, 1) u dodatnoj desnoj koloni
iterativne tabele (T-37). U skupu od sedam (n+m) vrijednosti bira se najvea, a to je max{ 1,
3, 2, 1, 1, 3, 1 }= 3. U sluaju da se dobije vei broj razlika meusobno jednakih i
istovremeno najveih, daje se prednost onom polju koje sadri najnie jedinine trokove.
Kako drugom redu odgovara minimalna vrijednost cijene c23= 0, na tom mestu (2,3)
postavljamo prvi bazis sa najveom loginom vrednou transporta, a to je c23= 60. Time smo
iz daljih prorauna eliminisali treu kolonu, to je u tabeli (T-38) predstavljeno zatamnjenom
nijansom. U drugoj iteraciji na isti nain odreujemo razlike najmanjih cijena u preostale tri
kolone i u prvom i drugom redu. Kako je max{ 1, 3, 1, 1, 1, 1 }= 3 i za drugi red min{ 4, 1}=
c32= 1, slijedi da na mestu (3,2) treba postaviti maksimalni bazis u iznosu od x32= 135. Time
je druga iteracija zavrena i trei red je u potpunosti uravnoteen, koji smo simboliki, takoe,
predstavili zatamnjeno, to je dato u tabeli (T-39).
(T-37/42)
66
U sljedeim iteracijama treba jo da se programira transport preko preostalih est polja.
Imamo na raspolaganju nepotpune: prvu, drugu i etvrtu kolonu i prvi i drugi red. Od pet
izraunatih vrijednosti razlika cijena najvea je i iznosi max{ 3, 1, 1, 1, 1 }= 3. U prvoj
koloni postavljamo bazis na mestu (1,1) u iznosu od x11= 90. Time smo u potpunosti
uravnoteili prvu kolonu (T-40). Preostale razlike iznose max{ 1, 1, 1, 1 }= 1 i karakteristina
lokacija je u polju gdje je c24= 3. Na tom mestu postavlja se bazis od x24= 50 (T-41). Preostala
dva polja x14= 75 (T-42) i x12= 10 (T-43) komplementarno popunjavamo u skladu sa
jednainama uravnoteenja izvora i ponora. Ove jednaine nee se pisati, zbog jednostavnosti
prorauna i mogunosti brze provjere. Prema tome, posljednja (T-43) donosi nam konane
rezultate aplikacije Vogelove metode. Za ostvarenje ovoga transporta potrebno je utroiti
ukupno T(X)=905 /nj/.
(T-43)
ponori
izvori
Vogelova metoda, iako zahtijeva vie prorauna, pogodna je za primjenu kada se problem
transporta rjeava manuelnim putem i u sluaju modela transporta sa veim broja izvora i
ponora, dakle kod kompleksnijih problema distribucije. Koliko poetna (inicijalna) baza utie
na konano rjeenje TP moe se vidjeti na sljedeem skupu tabelarnog proraunavanja (T-
44/49). Naime, ako umjesto poetne baze na polju (2,3), za isti uzorni model, kao i prethodni
(T-37), postavimo transport na susednom polju (2,4) rezultati prorauna su drugaiji, i u
konanom ishodu slijedi rjeenje sa trokovima transporta od T(X)=945 /nj/.
(T-44/49)
67
Ranije dobijeno rjeenje (T-43) u odnosu na ovo rjeenje (T-49) je povoljnije, sa stanovita
ostvarenja sumarnih trokova, te ga u tom smislu i usvajamo kao konano.
Osnovna odlika ovih metoda je definisan kriterijum optimalnog rjeenja. Na osnovu ovog
kriterijuma u kvantitativnom obliku se verifikuje poetno bazino rjeenje, da li je najbolje ili
se jo moe poboljati do optimalnog. Pored toga, ovim metodama se dolazi do boljeg
bazinog rjeenja i podatka za koliko se pri tome smanjuje funkcija kriterijuma trokova.
Meutim, iako su ove metode visoko elaborirane pri njihovoj primjeni moe se ponekad javiti
dilema u procesu odabira bazinog transportnog polja. Tada je potrebno doneti odluku na bazi
konanog pretraivanja, odnosno heuristiki. U svakom sluaju greka se nee pojaviti ako
svaka nova iteracija, u odnosu na prethodnu, npr. kod problema tipa min., donese manje
trokove transporta, uz ouvanje konzistentnosti jednaina ogranienja. Od poznatijih metoda
transportnog zadatka istaknimo etiri, i to:
-Mo-Di (modifikovana diferencijalna) metoda.
-Metoda s kamena na kamen.
-Metoda Forda i Fulkersona i
-Metoda uslovno optimalnih planova.
Kao izabrana metoda optimizacije plana transporta, u narednom poglavlju, prezentovae se
metoda Mo-Di.
Mo-Di metoda
ij = 0, ili se koeficijenti ui i vj formiraju tako da njihov zbir bude jednak vrijednosti cijene
polja preko kojeg se vri transport tj. cij = ui + vj. U optem sluaju potencijali mogu biti
pozitivni, negativni ili jednaki nuli. Kod nedegenerisanog bazno dopustivog rjeenja broj ovih
bazinih elemenata jednak je rangu matrice transporta r = n + m 1, dok je broj koeficijenata
ui i vj za jedan vei od ranga tj. jednak je n + m. Iz razloga potpune reivosti sistema
jednaina, za jedan od tih potencijala se pretpostavlja da je jednak nuli, mada se moe usvojiti
i neka druga proizvoljna vrijednost. Obino se uzima onaj potencijal koji se najvei broj puta
68
pojavljuje u formiranim jednainama bazinih cijena. U optem sluaju verifikacija
optimalnog rjeenja transporta pomou potencijala zasniva se na sljedeim stavovima:
Stav 1: ako je za sve bazno dopustive elemente (i, j), tj. za xij > 0, ispunjen uslov:
(10) ij = cij ui vj = 0, a za nebazina polja, tj. za xij = 0 i
Stav 2: za diferencijal ij kada je ispunjen uslov nenegativnosti
(11) ij = cij ui vj 0
sledi da je bazini program najbolji, u oznaci X*=[xij*]mn. Time se garantuje minimalna cijena
transporta T(X*)=minT(X), od izvorita do ponora (odredita).
Dokaz: Za formirani program transporta X=[xij]mn i skup potencijala reda i kolona, koji
zadovoljavaju uslove Stava 1. i 2., ukupni trokovi transporta iznosie:
(12)
Preformulacijom programa transporta, u smislu nove eme, koju emo oznaiti sa [xij], neke
od promjenljivih se poklapaju sa prethodnim, a u nekim, gdje su xij bile jednake nuli sada su
formirane pozitivne vrijednosti . Za polja gdje se xij i poklapaju vaea je i dalje relacija
ij = cij ui vj = 0, tj. cij = ui + vj, a u poljima gdje su promjenljive xij = 0, a , slijedi
nova relacija cij > ui + vj, to se direktno odraava na ukupan transportni troak, koji sada
iznosi:
(13)
Dakle, izmenom programa u odnosu na optimalni program uvijek se poveavaju trokovi, ili
inverzno, posmatrajui loiji plan uvijek se moe poboljati dovoenjem diferencijala u
sledeu relaciju:
(14) ij = cij ui vj 0
Dokaz ove teoreme moe se nai u literaturi [14].
Primjer 17.
Kako se verifikuje optimalno rjeenje pokazae se na primjeru za ve postavljeno bazno
dopustivo nedegenerisano rjeenje dobijeno metodom Vogela. Poetni bazini plan dat je u
tabeli (T-50).
(T-50)
ponori
izvori
Rjeenje:
Bazna polja predstavljena su u tabeli (T-50) zaokruenim vrijednostima transporta i njihov
broj je r = n + m 1 = 6 ime je predstavljeno bazno dopustivo i nedegenerisano rjeenje.
-Jednaine baznih cijena za est polja formiraju se na osnovu formule: cij = ui + vj. U tom
smislu imamo sljedee jednaine baznih cena:
69
Usvajajui da je npr. potencijal u1 = 0, kao koeficijent koji je najfrekventniji u jednainama i s
tog stanovita olakava proraun. Broj nepoznatih je izjednaen sa brojem jednaina, pa je u
tom sluaju prethodni sistem jednaina reiv.
-Formiranje diferencijala ij = cij ui vj za nebazna polja transporta.
Primjeri 18, 19 i 20
Primjer 18.
Odrediti optimalnu raspodelu materijala xij tako da ukupni trokovi transporta budu
minimalni. Materijal se transportuje iz etiri izvorita Ii u tri odredita Oj. Postojea koliina
materijala ai u izvoritima, potrebna koliina bj u odreditima, kao i specifine cijene
transporta cij date su u tabeli (T-51).
(T-51)
ponori
izvori
Rjeenje:
Primjena metode sjeverozapadnog ugla u nalaenju poetnog bazinog rjeenja
Primjenom metode sjeverozapadnog ugla smo dobili poetni, bazno dopustivi plan transporta
(minTP-0) uz konstataciju da je rjeenje degenerisno, zbog toga to je m + n 1 = 4 + 3 1 =
6 > r = 5, gdje su:
-m = 3 broj redova matrice,
-n = 4 broj kolona matrice,
-r = 5 broj bazno dopustivih promjenljivih (broj elemenata tabele preko kojih se vri
transport).
70
min TP-0 (T-52)
ponori
izvori
dok je funkcija kriterijuma, pri ovome, prezentovala poetne (neminimalne) trokove u iznosu
od:
/nj/.
Primjena Mo-Di metode u nalaenju optimalnog rjeenja
Za odreivanje optimalnog rjeenja potrebne su nam savrenije metode od kojih je jedna, ve
pomenuta, iterativna, modifikovano-diferencijalna ili Mo-Di metoda. U literaturi je nalazimo i
pod nazivom metoda potencijala. Mo-Di metoda sadri sljedee algoritme:
I iteracija: Vrijednosti potencijala ui i vj odreuju se tako da koeficijenti uz bazine
promjenljive (xij 0) budu jednaki nuli, tj. ij = cij ui vj = 0. Na osnovu ega slijedi da je:
cij = ui + vj (i = 1,..., 4; j = 1,..., 3), pa je za ovaj primjer karakteristino:
Kao poslijedica degenerisanog bazinog rjeenja (minTP-0) javlja se sluaj da dve posljednje
jednaine (c32, c43) ne mogu da se iskoriste za odreivanje promjenljivih zbog postojanja
veeg broja nepoznatih od dve. Iz tih razloga jedna od nebaznih promjenljivih xij treba da
postane pozitivna, tj. bazna, s tim da njoj odgovaraju najnii jedinini troak, pod uslovom da
jedan od indeksa (i ili j) stvara logiku vezu sa ostalim poznatim indeksima bazinih
potencijala, tj:
71
Kako smo dobili dve najmanje vrijednosti, biramo jednu od njih proizvoljno. Neka to bude
23 = 11 i na tom mestu emo postaviti novu bazino promjenljivu x23 = (minTP-1), kojoj
se sada dodeljuje maksimalna logika vrijednost = 10 /kom/.
minTP-1/2 (T-53/54)
odredita
potencijal
izvorita
potencijal
odredita
potencijal
izvorita
potencijal
72
Kako je: c21 = u2 + v1 = 2 slijedi da je: u2 = c21 v1 = 2 6 = 4. Promjenljivoj x21 = > 0
(0) dodeljujemo novu vjetaku vrijednost, a nebaznim potencijalima odreujemo najniu
vrijednost:
potencijal
minTP-4 (T-56)
odredita
potencijal
izvorita
potencijal
Oigledno je da smo novim planom, zatvarajui poligon preko vjetake baze i nove realne
, takoe, dobili bazno dopustivo degenerisano rjeenje transporta, ali sa smanjenom
vrednou funkcije kriterijuma u odnosu na prethodno rjeenje.
III iteracija: Projektovanjem novog plana transporta (T-56), ija je glavna karakteristika
nedegenerisanost bazino dopustivih rjeenja, jer je m + n 1 = r = 6. Moe se provjeriti da li
je ovo rjeenje optimalno ili ne, na osnovu sljedeih postupaka:
-Za bazine promjenljive, pri usvojenoj vrijednosti u1 = 0, slijedi da je:
73
Kako su sve vrijednosti ij 0 nenegativne time je pronaen optimalan plan transporta, pri
emu su transportni trokovi minimalni i iznose:
/nj/.
Primjer 19.
Preduzee se snabdijeva resursima Rj (j = 1,..., 4) za potrebe proizvodnje, iz skladita
materijala Si (i = 1,..., 4). Kapaciteti skladita /kg/, dnevne potrebe proizvodnje /kg/ i jedinini
trokovi transportovanja cij /nj/kg/ dati su u narednoj tabeli.
(T-57)
Preduzea
Skladita
Skladita
74
Iz jednaina diferencijala ij = cij (ui + vj), za nebazne elemente, slijedi najmanji diferencijal,
kao osnova za formiranje novog transportnog puta.
Skladita
75
Pri tome je funkcija trokova:
/nj/
minTP2 (T-60)
Preduzea
Skladita
III iteracija: Realokacija baznih elemenata (minTP-3). Iz jednaina za bazne elemente cij = ui
+ vj i za usvojenu vrijednost potencijala (u4 = 0), slede ostali potencijali ui, vj:
76
minTP-3 (T-61)
Preduzea
Skladita
IV iteracija: Realokacija baznih elemenata. Iz jednaina cijena za bazne elemente cij = ui + vj,
za usvojenu vrijednost potecijala (v3 = 0), izraunavaju se ostali nepoznati potencijali ui, vj:
Skladita
77
.
Primjer 20.
Graevinsko preduzee se snabdijeva materijalom Gj (j = 1,..., 5) za potrebe visokogradnje iz
skladita polufabrikata Si (i = 1,..., 4). Kapaciteti skladita, dnevne potrebe gradilita i
jedinini trokovi transportovanja dati su u narednoj tabeli.
minTP-0 (T-63)
Gradilita
Skladita
78
Za nebazne elemente izraunavamo diferencijal tipa: ij = cij ui vj, i biramo najmanji
. Na tom mestu se postavlja nova baza xij.
nebazno
minTP-1 (T-64)
Gradilita
Skladita
minTP-2 (T-65)
Gradilita
Skladita
79
Za nebazne elemente izraunavamo diferencijal ij = cij ui vj
Gradilita
Skladita
80
Vrijednost funkcije trokova poslije tree iteracije (minTP-6) iznosi:
/nj/.
minTP-5/6 (T-68/69)
Gradilita
Skladita
Gradilita
Skladita
81
Moemo konstatovati da su svi diferencijali i za bazne i za nebazne elemente ij 0, ime je
zadovoljen kriterijum optimalnosti (minTP-6) i postignut najjeftiniji transport sa trokovima:
/nj/.
b. Ukupne utede postignute za odreen period transportovanja graevinskog materijala
u odnosu na poetno neoptimalno rjeenje transporta, iznose:
/nj/.
82