1. Постановка задач математичного програмування.

Подамо схематично довільну економічну систему у такому вигляді (рис. 1.1):

Параметри сk (k = 1, 2, ..., l) є кількісними характеристиками системи. Наприклад, якщо

йдеться про таку економічну систему, як сільськогосподарське підприємство, то його
параметрами є наявні ресурси (рівень урожайності сільськогосподарських культур,
продуктивності тварин, норми витрат ресурсів, тощо).
Вхідні змінні економічної системи бувають двох видів: керовані xj (j = 1, 2, ..., n),
значення яких можна змінювати в деякому інтервалі; і некеровані змінні yi(і = 1, 2, ..., m),
значення яких не залежать від волі людей і визначаються зовнішнім середовищем.
Кожна економічна система має певну мету свого функціонування. Нехай F — вибрана
мета (ціль). За цих умов вдається, як правило, встановити залежність між величиною F, якою
вимірюється ступінь досягнення мети, вхідними змінними та параметрами системи:
F=f(x1, x2, ..., xn; y1, y2, ..., ym; c1, c2, ..., cl). (1.1)
Функцію F називають цільовою функцією, або функцією мети. Для економічної
системи це є функція ефективності її функціонування та розвитку, оскільки значення F
відображує ступінь досягнення певної мети.
У загальному вигляді задача математичного програмування формулюється так:
Знайти такі значення керованих змінних xj, щоб цільова функція набувала
екстремального (максимального чи мінімального значення).
Отже, потрібно відшукати значення

. (1.2)
Можливості вибору xj завжди обмежені зовнішніми щодо системи умовами,
параметрами виробничо-економічної системи тощо. Ці процеси можна описати системою
математичних рівностей та нерівностей виду:

(1.3)
Система (1.3) називається системою обмежень, або системою умов задачі. Вона
описує внутрішні технологічні та економічні процеси функціонування й розвитку виробничо-
економічної системи, а також процеси зовнішнього середовища, які впливають на результат
діяльності системи. Для економічних систем змінні xj мають бути невід’ємними:
. (1.4)
Залежності (1.2)—(1.4) утворюють економіко-математичну модель економічної
системи.
 2. Методи безумовної та умовної оптимізації.
Задача умовної оптимізації – задача, яка пов'язана із оптимізацією за наявності
обмежень на змінні. Дані обмеження зменшують розмір області, у якій шукається оптимум.
Методи умовної оптимізації:
 Метод невизначених множників Лагранжа;
Метод множників Лагранжа – це метод, що знаходить умовний екстремуму
функції , де , відповідно до обмежень , а змінюється від 1 до .
 Метод штрафних функцій;
Основна задача методу штрафних функцій полягає в перетворенні задачі мінімуму

функції , із обмеженнями, накладеними на , в задачу мінімізації функції

без обмежень.
 Метод бар'єрних функцій.
Метод бар'єрних функцій зводить рішення задачі умовної мінімізації цільової
функції до вирішення послідовності задач безумовної мінімізації допоміжної функції:
, де – є бар'єрною функцією, що визначена лише всередині
множини допустимих рішень , тобто на множині . така,
щоб на межі допустимої множини побудувати бар'єр, який перешкоджає порушенню
обмежень в процесі безумовної мінімізації по , і щоб точки зі зміною по
деякому правилу наближалися до зсередини .
Задача багатовимірної безумовної оптимізації сформульована наступним чином:
знайти мінімум функції , де , при відсутності обмежень на , при цьому –
це скалярна цільова функція, безперервно диференційована.
Методи безумовної оптимізації:
 Методи прямого пошуку.
 Методи першого порядку.
Методи 1-го порядку використовують інформацію про похідну функції. Якщо
обмежена знизу цільова функція , є диференційованою на множині , то
алгоритм пошуку точки її мінімуму можна побудувати, використовуючи інформацію,
принаймні, про градієнт цієї функції.
 Методи 2-го порядку (Ньютонівські методи).
Коли цільова функція двічі диференційована в , то ефективність процесу
пошуку точки її мінімуму можна підвищити, використовуючи інформацію не тільки про
градієнт цієї функції, а й про її матрицю Гессе
 Методи випадкового пошуку.
 Методи змінної метрики
 3. Приклади задач, що розв`язуються методами математичного програмування.
Задача визначення оптимального плану виробництва: для деякої виробничої
системи (цеху, підприємства, галузі) необхідно визначити план випуску кожного виду
продукції за умови найкращого способу використання наявних ресурсів. У процесі
виробництва задіяний визначений набір ресурсів: сировина, трудові ресурси, технічне
обладнання тощо. Відомі загальні запаси ресурсів, норми витрат кожного ресурсу та прибуток
з одиниці реалізованої продукції. Задаються також за потреби обмеження на обсяги
виробництва продукції у певних співвідношеннях(задана асортиментність).
Критерії оптимальності: максимум прибутку, максимум товарної продукції, мінімум
витрат ресурсів.
Транспортна задача: розглядається певна кількість пунктів виробництва та
споживання деякої однорідної продукції (кількість пунктів виробництва та споживання не
збігається). Відомі обсяги виготовленої продукції в кожному пункті виробництва та потреби
кожного пункту споживання. Також задана матриця, елементи якої є вартістю
транспортування одиниці продукції з кожного пункту виробництва до кожного пункту
споживання. Необхідно визначити оптимальні обсяги перевезень продукції, за яких були б
найкраще враховані необхідності вивезення продукції від виробників та забезпечення вимог
споживачів.
Критерії оптимальності: мінімальна сумарна вартість перевезень, мінімальні сумарні
витрати часу.
Задача оптимального розподілу капіталовкладень. Планується діяльність групи
(системи) підприємств протягом деякого періоду, який розділено на певну кількість
підперіодів. Задана сума коштів, які можна вкладати в будь-яке підприємство чи розподіляти
між ними протягом всього періоду планування. Відомі величини збільшення виробництва
продукції (за умови здійснення додаткових капіталовкладень) у кожному з підприємств групи
для всіх підперіодів. Необхідно визначити, як розподіляти кошти на початку кожного
підперіоду між підприємствами так, щоб сумарний дохід за весь період був максимальним.
Задача оптимального розподілу виробничих потужностей: розглядаються кілька
підприємств, що виготовляють певну кількість видів продукції. Відомі фонд робочого часу
кожного підприємства; потреби в продукції кожного виду; матриця потужностей виробництва
всіх видів продукції, що виготовляються на кожному підприємстві, а також собівартості
виробництва одиниці продукції кожного підприємства. Необхідно розподілити виробництво
продукції між підприємствами у такий спосіб, щоб задовольнити потреби у виготовленні
продукції та максимально використати виробничі потужності підприємств.
Критерій оптимальності: мінімальні сумарні витрати на виготовлення продукції.
4. Постановка ЗЛП.

Загальна лінійна економіко-математична модель економічних процесів та явищ

— так звана загальна задача лінійного програмування подається у вигляді:
(1)
за умов:

(2)
(3)
Отже, потрібно знайти значення змінних x1,x2, …,xn, які задовольняють умови (2) і (3), і
цільова функція (1) набуває екстремального (максимального чи мінімального) значення.
5. Зведення ЗЛП до канонічної форми
Вважають, що ЗЛП записана в канонічній формі, якщо вона має вигляд:

(8)

(9)

де , , – задані сталі величини, припускаємо та .

Будь-яку задачу лінійного програмування можна звести до канонічної форми. Розглянемо
можливі відхилення в запису ЗЛП від канонічної форми і шляхи їхніх усунень.

1. Якщо в ЗЛП необхідно знайти максимумлінійної форми (8), то, з огляду на те,
що , задача зводиться до пошуку мінімуму лінійної форми .

2. Якщо частина або всі обмеження мають вигляд лінійних

нерівностей , (10) то для зведення ЗЛП до канонічного

вигляду необхідно в лівих частинах таких нерівностей додати невід'ємні змінні , після

чого дістанемо рівняння такого вигляду: .

3. Якщо частина або всі обмеження мають вигляд лінійних

нерівностей , (11)то для зведення ЗЛП до вигляду (8), (9)

необхідно в лівих частинах таких нерівностей відняти невід'ємні змінні і замість

нерівності (11) взяти рівняння вигляду . При цьому

додаткові змінні входять у лінійну форму з нульовими коефіцієнтами.

4. Якщо на деякі змінні не накладаються умови невід’ємності, то для зведення ЗЛП

до канонічної форми необхідно зробити заміну де .

Приклад 3.

Звести до канонічної форми ЗЛП:

 Розв'язання. Зведення ЗЛП до канонічної форми (8), (9) будемо проводити поетапно.

1. З огляду на п. 1, перейдемо до задачі на мінімум:

2. Використовуючи рекомендації п. 2, введемо додаткові змінні , , тоді

замість нерівностей

одержимо рівняння:

Тоді система обмежень прймає вигляд:

3. На змінну не накладають умови невід’ємності, тоді, з огляду на рекомендації п. 3,

зробимо заміну і остаточно одержимо ЗЛП, записану у формі (8), (9):

6. Властивості ЗЛП.
Властивість 1. (Теорема 2.2) Множина всіх планів задачі лінійного програмування
опукла. ( цільова функція максимізується, а всі обмеження — однотипні нерівності типу (≤)
або рівняння, в яких ліві частини є опуклими функціями, а праві частини — сталими
величинами. У разі обмежень типу (≥) їх ліві частини мають бути вгнутими функціями. Тоді
область допустимих планів є опуклою та існує глобальний, єдиний екстремум)
Властивість 2. (Теорема 2.3) Якщо задача лінійного програмування має оптимальний
план, то екстремального значення цільова функція набуває в одній із вершин її багатогранника
розв’язків. Якщо ж цільова функція набуває екстремального значення більш як в одній
вершині цього багатогранника, то вона досягає його і в будь-якій точці, що є лінійною
комбінацією таких вершин.
Властивість 3. (Теорема 2.4) Якщо відомо, що система векторів A1, A2, …, Ak (k ≤ n) у
розкладі A1x1 +A2x2 + … + Anxn = A0,X ≥ 0 лінійно незалежна і така, що
A1x1 + A2x2 + … + Akxk = A0,
де всі xj ≥ 0, то точка X = (x1, x2, …, xk, 0, …, 0) є кутовою точкою багатогранника
розв’язків.
Властивість 4. (Теорема 2.5) ЯкщоX= (x1,x2, …,xn) — кутова точка багатогранника
розв’язків, то вектори в розкладіA1x1+ +A2x2+ … +Anxn=A0,X≥ 0, що відповідають додатнимxj, є
лінійно незалежними.
7. Графічне розв’язання ЗЛП
Якщо задача лінійної оптимізації є двовимірною, то для її розв’язку використовують не
класичний симплекс-метод, а більш простий – графічний.
Запишемо двовимірну задачу в загальній формі:
𝑧 = 𝑐1 𝑥1 + 𝑐2 𝑥 2 → 𝑚𝑎𝑥 (𝑚𝑖𝑛) (7.1)
за виконання умов:

𝑎11 𝑥1 + 𝑎12 𝑥2 {≥, ≤, =} 𝑏1

𝑎 𝑥 + 𝑎22 𝑥2 {≥, ≤, =} 𝑏2
{ 21 1 (7.2)
−−−−−−−−−−−−
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 {≥, ≤, =} 𝑏𝑚 ,

де x1 ≥ 0, x2 ≥ 0

Розв’язати ЗЛО графічно означає знайти таку вершину многокутника розв’язків у

результаті підставляння координат в (7.1), що цільова функція набуває найбільшого
(найменшого) значення.

Алгоритм розв’язування ЗЛО графічним методом:

1. Будуємо прямі лінії, рівняння яких дістаємо із системи обмежень (7.2) заміною знаків
нерівностей на знаки рівностей.
2. Визначаємо півплощини, що відповідають кожному обмеженню задачі.
3. Знаходимо многокутник розв’язків ЗЛО.
4. Будуємо вектор нормалі ⃗⃗⃗⃗𝑁 {𝑐1 , 𝑐2 }, що задає напрям зростання (спадання) цільової
функції.
5. Будуємо пряму 𝑐1 𝑥1 + 𝑐2 𝑥 2 = 0 ⊥ ⃗⃗⃗⃗𝑁.
6. Переміщуючи пряму 𝑐1 𝑥1 + 𝑐2 𝑥 2 = 𝑐𝑜𝑛𝑠𝑡 в напрямі вектора ⃗⃗⃗⃗ 𝑁 (для задач
максимізації) або в протилежному напрямі (для задач мінімізації) знаходимо вершину
многокутника розв’язків, де цільова функція досягає екстремального значення.
7. Визначаємо координати точки, в якій цільова функція набуває екстремального
значення й обчислюємо екстремальне значення цільової функції в цій точці.
У разі застосування графічного методу можливі випадки:
1. Цільова функція набуває максимального значення в єдиній вершині А многокутника
розв’язків.
2. Максимальне значення цільова функція досягає в будь-якій точці відрізку АВ (так
звані альтернативні оптимальні розв’язки).
3. ЗЛО має оптимальний розв’язок за необмеженої області допустимих розв’язків.
4. Система обмежень несумісна.
8. Симплекс-таблиці
Алгоритм симплекс-методу дозволяє повністю дослідити ЗЛП. Якщо розв’язок існує, то його
буде знайдено симплекс-процедурою, якщо розв’язку немає то в процесі реалізації симплекс-
процедурибуде встановлено факт його відсутності.
І. Записуємо ЗЛП , в нормальному стандартному вигляді.
L  0  (c1 x1  c2 x2  . . . .  cn xn )  min;
y1  b1  (a11 x1  a12 x2  . . .  a1n xn );
y2  b2  (a21 x1  a22 x2  . . .  a2 n xn );
. . .
ym  bm  (am1 x1  am 2 x2  . . .  amn xn );
x1  0, x2  0, . . . , y1  0, y2 0, . . . , ym  0.
ІІ. Будуємо симплекс-таблицю.
b x1 x2 x3 … xn
L 0 c1 c2 c3 … cn
y1 b1 a11 a12 a13 … a1n (
y2 b2 a21 a22 a23 … a2n 7
y3 b3 a31 a32 a33 … a3n .
… … … … … … …
2
ym bm am1 am2 am3 … amn
)
Змінні y1 , y 2 , . . . , y m назвемо базовими змінними; змінні x1 , x2 , ..., xn – вільними
змінними. Узагалі кажучи, змінні, які стоять у лівій частині будемо називати базовими, ті, що
стоять у правій верхній частині, – вільними.
Суть симплекс-методу полягає у взаємозаміні базових змінних на вільні за спеціальною
(описаною нижче) процедурою для одержання спочатку допустимого, а потім і оптимального
розв’язку задачі. Розв’язок називатимемо допустимим, якщо він задовольняє нерівності .
9. Перетворення симплекс-таблиць.

Якщо проблема в області допустимості і оптимальності – спершу вирішується проблема в

області допустимості.

Якщо проблема в області допустимості, вибирається будь-яке від’ємне значення. В рядку з

ним обираєтсья наступне від’ємне значення (якщо таких немає, то задача не має допустимого
розв’язку), весь стовпчик з ним – базовий стовпчик.

Якщо проблема в області оптимальності, вибирається будь-яке додатнє значення, стовпчик із

ним – базовий стовпчик.

Для вибору базового рядка рахується співвідношення: число з першого стовпчика поділити на
число базовоо стовпчика (крім першого рядка). Рядок з найменшим додатнім співвідношенням
– базовий рядок.

Таким чином обираємо на перетині базову клітинку.

Формула для базової клітинки:

Бк2 = 1 / Бк1

Формула для всіх клітинок базового рядка

Бр2 = Бр1 / Бк1

Формула для всіх клітинок базового стовпчика

Бс2 = - Бс1 / Бк1

Формула для інших клітинок

К2 = К1 – (Бр1 * Бс1) / Бк1

Таким чином заповнюємо таблицю, якщо вона не оптимальна – починаємо спочатку.

10. Критерій оптимальності, розв`язності.

То, шо говорил Дрозд:

Оптимальним розв’язком ЗЛП за симплекс-методом можна вважати той, в якому в
оптимальній симлекс-таблиці усі елементи першого стовпчика (окрім першого елемента)
більше або дорівнюють нулю, та усі елементи першого рядка (окрім першого елемента)
меньше або дорівнюють нулю. Тобто область допустимості ≥ 0, область оптимальності ≤ 0.
То, шо было в инете:
Якщо для деякого плану розклад всіх векторів у даному базисі задовольняє
умову:
,
то план є оптимальним розв’язком задачі лінійного програмування.
Аналогічно формулюється умова оптимальності плану задачі на відшукання мінімального
значення функціонала: якщо для деякого плану розклад всіх векторів у даному
базисі задовольняє умову
,
то план Х0 є оптимальним розв’язком задачі лінійного програмування.
Отже, для того, щоб план задачі лінійного програмування був оптимальним, необхідно і
достатньо, щоб його оцінки були невід’ємними для задачі на максимум та
недодатними для задачі на мінімум.
11. Пара двоїстих ЗЛП.
Спряжені (двоїсті)
задачі лінійного програмування.
Основні властивості
Розглянемо основну ЗЛП, записану (без зменшення загальності міркувань) у вигляді:
L  (c, x)  c1 x1  c2 x2  . . .  cn xn  max
(8.1)
при обмеженнях
a11 x1  a12 x2  . . .  a1n xn  b1;
 a x  a x  . . . a x  b ;
 21 1 22 2 2n n 2

A x b   . . .
 a x  a x  . . . a x  b ;
 m1 1 m 2 2 mn n m

 x1  0, x2  0, . . . , xm  0. (8.2)
Розглянемо, також, задачу:
L   b1 z1  b2 z 2  . . .  bm z m  (b, z )  min (8.3)
a11 z1  a21 z2  . . .  am1 zm  c1;
 a z  a z  . . . a z  c ;
 12 1 22 2 m2 m 2

A z c  
*
...
 a z  a z  . . . a z  c ;
 1n 1 2 n 2 mn m n

 z1  0, z2  0, . . . , zm  0. (8.4)
Задачу (8.3), (8.4) одержана із задачі (8.1), (8.2) згідно з такими правилами:
1) вільні члени обмежень (8.2)
b1 , b2 , . . . , bm є коефіцієнтами нового критерію L  , а
c , c ,. . . , cn в критерії L – вільними членами в обмеженнях (8.4);
коефіцієнти 1 2
*
2) матрицею коефіцієнтів нових обмежень є матриця
A , що одержана транспонуванням
A
матриці ;
3) у нових обмеженнях (8.4) знаки нерівностей протилежні знакам нерівностей (8.2);

4) максимізація критерію
L
змінюється на мінімізацію критерія
L .
Задача (8.3), (8.4) називається спряженою (двоїстою) до задачі
(8.1), (8.2).
Не важко помітити, що задачу (8.1), (8.2) можна розглядати як спряжену відносно своєї

спряженої задачі (8.3), (8.4) або

L  ( L* )* , A  (A* )*.
Властивість 1. Якщо одна зі спряжених задач (8.1), (8.2) чи (8.3), (8.4) має розв’язок, то
й інша має розв’язок, причому виконується рівність:
L opt ( x1opt , x2opt , . . . , xnopt )  L
* opt
( z1opt , z2opt , . . . , zmopt ).
Якщо ж в одній із цих задач лінійна форма необмежена, то спряжена задача має порожню
область обмежень.
Властивість 2. Якщо хоча б один розв’язок однієї із взаємоспряжених задач перетворює і-те
обмеження цієї задачі в строгу нерівність, то кожна і-та компонента кожного оптимального
розв’язку іншої спряженої задачі дорівнює нулю.
Якщо ж і-та компонента оптимального розв’язку однієї зі спряжених задач строго додатна, то
кожний оптимальний розв’язок іншої спряженої задачі перетворює і-те обмеження цієї задачі
на рівність.
Інакше кажучи, оптимальні розв’язки
xopt , zopt пари спряжених задач задовольняють
умови:
 m
xj opt ( aij zi*opt  c j )  0 ( j 1, . . . , n);
1) i 1
n
z opt
i ( aij x*j opt  bi )  0 (i 1, . . . , m).
j 1
2)
12. Теореми двоїстості.

Перша теорема: Якщо та — допустимі розв’язки відповідно

прямої та двоїстої задач, то виконується нерівність
Економічний зміст першої теореми двоїстості: максимальний прибуток підприємство
отримує за умови виробництва продукції згідно з оптимальним планом, однак таку саму суму
грошей воно може мати, реалізувавши ресурси за оптимальними цінами. За умов
використання інших планів на підставі основної нерівності теорії двоїстості можна
стверджувати, що прибутки від реалізації продукції завжди менші, ніж витрати на її
виробництво.
Друга теорема (для симетричних задач): для того, щоб плани Х та У відповідних спряжених
задач були оптимальними, необхідно і достатньо, щоб виконувалися умови доповнюючої
нежорсткості:

Економічний зміст другої теореми двоїстості: якщо для виготовлення всієї продукції в
обсязі, що визначається оптимальним планом Х*, витрати одного і-того ресурсу строго менші,
ніж його загальний обсяг , то відповідна оцінка такого ресурсу (компонента
оптимального плану двоїстої задачі) буде дорівнювати нулю, тобто такий ресурс за даних
умов для виробництва не є «цінним». Якщо ж витрати ресурсу дорівнюють його наявному
обсягові , тобто його використано повністю, то він є « цінним» для виробництва, і його
оцінка буде строго більшою від нуля.
Третя теорема: Компоненти оптимального плану двоїстої задачі дорівнюють
значенням частинних похідних від цільової функції за відповідними

аргументами , або
Економічний зміст третьої теореми: якщо деяке значення двоїстої оцінки уi в оптимальному
плані двоїстої задачі дорівнює нулю, то відповідний і-тий ресурс використовується у
виробництві продукції не повністю і є недефіцитним. Якщо ж двоїста оцінка уі > 0, то і-тий
ресурс використовується для оптимального плану виробництва продукції повністю і
називається дефіцитним. Відомо, що величина двоїстої оцінки показує, наскільки збільшиться
значення цільової функції Z, якщо запас відповідного ресурсу збільшити на одну умовну
одиницю. Статус ресурсів можна визначати трьома способами:
1) Перший – підстановкою значень вектора Х* (оптимального плану виробництва) у
систему обмежень прямої задачі. Якщо обмеження виконується як рівняння, то
відповідний ресурс дефіцитний, у іншому разі – недефіцитний:
2) Другий спосіб – через додаткові змінні прямої задачі. Якщо додаткова змінна в
оптимальному плані дорівнює нулю, то відповідний ресурс дефіцитний, а якщо більша
від нуля – недефіцитний.
3) Третій спосіб – за допомогою двоїстих оцінок. Якщо уі > 0, то зміна (збільшення або
зменшення) обсягів і-того ресурсу приводить до відповідної зміни доходу
підприємства, і тому такий ресурс є дефіцитним. Якщо ж уі = 0, то і-тий ресурс
недефіцитний.
13. Економічна інтерпретація теорем двоїстості.
Економічний зміст першої теореми двоїстості . Максимальний прибуток (Fmax)
підприємство отримує за умови виробництва продукції згідно з оптимальним
планом , однак таку саму суму грошей ( ) воно може мати,
реалізувавши ресурси за оптимальними цінами . За умов використання інших
планів на підставі основної нерівності теорії двоїстості можна стверджувати,
що прибутки від реалізації продукції завжди менші, ніж витрати на її виробництво.
Економічний зміст другої теореми двоїстості стосовно оптимального плану Х*
прямої задачі. Якщо для виготовлення всієї продукції в обсязі, що визначається оптимальним
планом Х*, витрати одного і-го ресурсу строго менші, ніж його загальний обсяг , то
відповідна оцінка такого ресурсу (компонента оптимального плану двоїстої задачі) буде
дорівнювати нулю, тобто такий ресурс за даних умов для виробництва не є «цінним».
Якщо ж витрати ресурсу дорівнюють його наявному обсягові , тобто його
використано повністю, то він є «цінним» для виробництва, і його оцінка буде строго
більшою від нуля.
Економічне тлумачення другої теореми двоїстості щодо оптимального плану Y*
двоїстої задачі: у разі, коли деяке j-те обмеження виконується як нерівність, тобто всі витрати
на виробництво одиниці j-го виду продукції перевищують її ціну сj, виробництво такого виду
продукції є недоцільним, і в оптимальному плані прямої задачі обсяг такої продукції
дорівнює нулю.
Якщо витрати на виробництво j-го виду продукції дорівнюють ціні одиниці
продукції , то її необхідно виготовляти в обсязі, який визначає оптимальний план прямої
задачі .
Економічний зміст третьої теореми двоїстості . Двоїсті оцінки є унікальним
інструментом, який дає змогу зіставляти непорівнянні речі. Очевидно, що неможливим є
просте зіставлення величин, які мають різні одиниці вимірювання. Якщо взяти як приклад
виробничу задачу, то цікавим є питання: як змінюватиметься значення цільової функції (може
вимірюватися в грошових одиницях) за зміни обсягів різних ресурсів (можуть вимірюватися в
тоннах, м2, люд./год, га тощо).
Використовуючи третю теорему двоїстості, можна легко визначити вплив на зміну
значення цільової функції збільшення чи зменшення обсягів окремих ресурсів: числові
значення двоїстих оцінок показують, на яку величину змінюється цільова функція за зміни

обсягу відповідного даній оцінці ресурсу .

14. Постановка Т-задачі. Математична модель.

Транспортна задача полягає у пошуку найбільш вигідного плану перевезення однорідного

продукту з пунктів виробництва (чи зберігання) до пунктів споживання, тобто від
постачальників до споживачів, ефективність якого будемо оцінювати за критерієм найменшої
вартості перевезення. Транспортна задача - це специфічна задача лінійного програмування.
Сформулюємо визначення транспортної задачі. Деяку однорідну продукцію, яка знаходиться
в т постачальників А1, А2, ..., Аткількістю a1, а2, ..., атодиниць відповідно, потрібно
перевезти п споживачам В1, В2, ..., Впв кількостях b1, b2, ..., bn одиниць. Відома матриця
вартостей перевезення одиниці продукції від i-го постачальника до j-го споживача:

Необхідно скласти такий план перевезення, щоб вивезти всю продукцію від постачальників,
задовольнити потреби всіх споживачів і сумарна вартість перевезення при цьому має бути
мінімальною.
Окреслена постановка задачі вимагає виконання рівності загальної суми запасу вантажу
загальній сумі потреб в ньому, тобто

(5.1)
Якщо в транспортній задачі умова (5.1) виконується, то таку транспортну
задачу називають закритою (з правильним балансом). Якщо ж рівність (5.1) не виконується,
то транспортну задачу називають відкритою (з неправильним балансом). Побудуємо
математичну модель транспортної задачі. Оскільки наперед невідомо, скільки вантажу
потрібно перевезти від певного постачальника до споживача, щоб план перевезень був
оптимальним, то позначимо його через . Вартість перевезення всього вантажу від
постачальників до споживачів позначимо Z. Умову транспортної задачі можна записати у
вигляді таблиці:
Тоді цільова функція матиме вигляд:

або (5.2)
Для складання обмежень транспортної задачі скористаємося такими міркуваннями:
1) кількість вантажу, який потрібно перевезти до пункту Вjз усіх пунктів постачання,
рівна aспоживачеві Вjпотрібно bj-одиниць вантажу, тому, враховуючи те, що
всі потреби повинні бути задоволеними, можемо записати обмеження стосовно потреб:
, ;
2) кількість вантажу, який треба вивезти з пункту постачання Аiдо всіх споживачів,
дорівнює а постачальник має одиниць вантажу і всі вантажі мають бути
вивезені, тому обмеження стосовно запасів матимуть вигляд:
. .
В загальному випадку систему обмежень запишемо таким чином:
або

(5.3)
Ми отримали математичну модель транспортної задачі (5.2)-(5.3), де - кількість продукції,
що перевозиться від і-гопостачальника до j-го споживача; - вартість перевезення одиниці
продукції від i-го постачальника до j-го споживача; - запаси продукції i-го
постачальника; bj - попит на продукцію j-го споживача.
Тепер, виходячи з економічної постановки транспортної задачі, можемо сформулювати її
математичну задачу: серед всіх невід’ємних розв’язків системи рівнянь (5.3) знайти такий,
при якому оптимізуюча форма (5.2) набуде найменшого значення.
Транспортна задача є задачею лінійного програмування, яку можна розв’язати симплекс-
методом, але при розв’язуванні транспортної задачі симплексним методом ми б отримали
симплекс-таблиці великих розмірів, оскільки число невідомих дорівнює . Специфічна
структура цієї задачі дозволяє використати для її розв’язання ефективніший метод - метод
потенціалів, який розглянуто в п. 5.3
15. Властивості Т-задачі.

1) Для розв'язання Т-задачі необхідно і достатньо, щоб виконувалася умова балансу

тобто, щоб сумарний обсяг виробництва дорівнював обсягу споживання.

2) Якщо план X * є оптимальним, то йому відповідає система з m + n чисел u1, ..., Um і v1,
..., Vn (Званих потенціалами), що задовольняють умові:

ui + vj = cij для всіх xij> 0,

ui + vj?cij для всіх xij * = 0,

3) Якщо все числа a1, ..., am і b1, ..., bm - цілі і виконана умова , то елементи
оптимального плану є цілими числами.

4) Ранг системи векторів умов ТЗ (тобто число лінійно незалежних стовпців матриці
обмежень) дорівнює m + n-1. План перевезень X, що містить рівно m + n-1 ненульових
перевезень, називається опорним планом (ОП) і грає роль д.б.р. в задачі ЛП. План, який
містить менше ніж m + n-1 ненульових елементів називається виродженим.
16. Побудова початкового опорного плану.
1. Діагональний метод (північно-західного кута).

Побудову початкового опорного плану за методом північно-західного кута починають із

заповнення лівої верхньої клітинки таблиці A1B1 (х11), в яку записують менше з двох
чисел а1 та b1. Далі переходять до наступної клітинки в рядку або стовпчику і заповнюють її і
т.д., закінчуючи останньою правою клітинкою таблиці AmBn (хmn).

Розглянемо алгоритм побудови початкового опорного плану транспортної задачі методом

північно-західного кута:

1. Перевірка транспортної задачі на закритість. Якщо вона відкрита, то приводимо її до задачі

закритого типу введенням або фіктивного постачальника або фіктивного споживача.

2. Першою заповнюємо верхню ліву клітинку. Заповнення клітинки AiBj таблиці здійснюємо
за такими правилами:

а) якщо аi<bj, тобто запаси менші від потреб, то в цю клітинку записуємо весь об’єм запасу
вантажу аi, перераховуємо потреби споживача Bj, постачальника Ai вилучаємо з розгляду
(наприклад, поставивши у всіх клітинках рядочка, крім заповненої, прочерки) і переходимо до
заповнення наступної клітинки Ai+1Bj;

б) якщо аi>bj, тобто запаси більші від потреб, то в цю клітинку записуємо весь об’єм потреб
вантажу bj, перераховуємо запаси постачальника Ai, вилучаємо з розгляду
споживача Bj (ставимо у всіх клітинках стовпчика, крім заповненої, прочерки) і переходимо до
заповнення наступної клітинки AiBj+1;

в) якщо аi=bj, тобто запаси рівні потребам, то в цю клітинку записуємо весь об’єм потреб чи
запасів, вилучаємо з розгляду постачальника Ai і споживача Bj (ставимо в усіх клітинках
стовпчика і рядка, крім заповненої, прочерки) і переходимо до заповнення наступної
клітинки Ai+1Bj+1.

3. Серед незаповнених клітинок (без обсягу вантажу і прочерків) знову вибираємо верхню ліву
клітинку таблиці і заповнюємо її за правилами, поданими в п. 2. Так продовжуємо до тих пір,
доки не заповнимо всі клітинки таблиці.

4. З одержаної таблиці виписуємо початковий опорний план транспортної задачі та

обчислюємо значення цільової функції при цьому плані.

2. Метод найменшої вартості.

Правила знаходження початкового опорного плану транспортної задачі методом найменшої

вартості відрізняються від правил знаходження такого плану діагональним методом тільки
послідовністю вибору клітинки, яку потрібно заповнювати. Згідно з методом найменшої
вартості першою вибирається клітинка з найменшою вартістю перевезення одиниці вантажу
від постачальника до споживача. Якщо таких клітинок декілька, то вибираємо ту, для якої
кількість вантажу, що можна перевезти, найбільша.

Після побудови початкового опорного плану кожним з методів у таблиці ма’ бути
заповнено (т+п-1) клітинок, тому що ранг матриці системи обмежень транспортної задачі
рівний r=m+n-l, де т - кількість постачальників, п - кількість споживачів.
Заповнені клітинки називаються базисними, а незаповнені - вільними. Якщо кількість базисних
клітинок рівна (т+п-1), то такий планназивається невиродженим. Якщо кількість заповнених
клітинок менша (т+п-1), то план називається виродженим. Тоді необхідно заповнити
відповідну кількість порожніх (небазисних) клітинок, записуючи в них «нульове
перевезення», і ці клітинки вважати базисними.
17. Двоїста Т-задача.

(5.1)
за обмежень:

; (5.2)

; (5.3)
. (5.4)
Розглянемо транспортну задачу (5.1)—(5.4).
Позначимо змінні двоїстої задачі, які відповідають рівнянням (5.2), через , а для
рівнянь (5.3) — через . Оскільки всі обмеження транспортної задачі є рівняннями, то
пара спряжених задач є несиметричною і ніякі обмеження на знаки змінних двоїстої
задачі та не накладаються.
Для побудови двоїстої задачі поставимо у відповідність обмеженням початкової задачі
змінні двоїстої:

(5.20)

(5.21)
.
Згідно з загальними правилами побудови двоїстих задач маємо:

(5.22)
за умов:
, (5.23)
.
Змінні ui та vj задачі (5.22), (5.23) двоїстої до транспортної мають назву потенціалів.
18. Перетворення планів Т-задачі. Цикли Т-задачі.
Цикл в Т-таблиці являє собою сукупність клітинок, з’єднаних замкнутою ламаною
лінією, яка в кожній клітинці робить поворот на 90 градусів. Обов’язкова вимога – в кожному
рядку і стовпчику, по якій проходить цикл, повинно бути дві вершини. Також кожний цикл
перерахунку складається із парного числа вершин, одна з яких міститься у вільній клітинці, а
ін. – у заповнених. Для кожної вільної клітинки можна побудувати цикл перерахунку і
причому єдиний. Далі слід перейти до наступного. Для цього необхідно здійснити
перерозподіл перевезень в межах клітинок, пов'язаних циклом. Даний перерозподіл
здійснюють за такими правилами:
1. Кожній з клітинок, пов'язаних циклом (включно з вільною клітинкою),
приписують певний знак, причому вільній клітинці — знак «+», а всім іншим клітинкам — по
черзі знаки «-» і «+».
2. Серед значень клітинок позначених мінусом вибираємо мінімальне і до клітинок
позначених знаком плюс додаємо це (мінімальне) значення, а від клітинок позначених знаком
мінус — віднімаємо дане значення. В результаті клітинка де знаходилось мінімальне значення
стає вільною. Таким чином ми отримуємо новий опорний план, який знову потрібно
перевірити на оптимальність.
19.Знаходження потенціалів, критерій оптимальності.

Наведемо тепер математичну модель транспортної задачі для будьяких

постачальників і споживачів: знайти такі значення змінних ( ; ), які

відповідають обмеженням:

(з кожного пункту відправлення повністю вивозиться продукція і кожний пункт

споживання одержує потрібну кількість цієї продукції) і перетворюють у мінімум цільову
функцію:

Ці співвідношення і цільову функцію можна зобразити в більш компактній формі:

Необхідною і достатньою умовою розв’язку транспортної задачі є умова балансу:

тобто загальна кількість виробленої продукції дорівнює загальній кількості попиту

споживачів.
 Транспортна задача, в якій виконується ця умова, називається закритою. Кожна
транспортна задача розв’язується за тією ж схемою , що й будь-яка задача ЛП симплексним
методом:

1) знаходимо спочатку будь-який базисний невід’ємний розв’язок;

2) перевіряємо, чи буде знайдений розв’язок оптимальним ;

3) якщо знайдений розв’язок не оптимальний, то виконуємо кілька кроків однократної

заміни базису, які приводять до оптимального розв’язку.

Основний метод розв’язку ТЗ (метод потенціалів) фактично відтворює всі його етапи,
але в іншій формі. Поліпшувати треба той початковий план, для якого транспортні витрати
найменші. Якщо початковий опорний план транспортної задачі має додатних
перевезень, то він називається невиродженим. Якщо початковий опорний план має
менше додатних перевезень, то він називається виродженим.
20. Виродження у Т-задачах.
Опорний план транспортної задачі має містити не більше ніж (m + n – 1)
відмінних від нуля компонент. Якщо їх кількість дорівнює ( m + n – 1), то такий
опорний план називають невиродженим. Якщо ж кількість додатних компонент
менша ніж (m + n – 1), то опорний план є виродженим. Вироджений
план може виникати не лише за побудови опорного плану, ал е і при його
перетвореннях у процесі знаходження оптимального плану.
Найчастіше, щоб позбутися виродженості опорного плану, в деякі клітини
таблиці транспортної задачі в необхідній кількості вводять нульові постачання.
Обсяги запасів постачальників і потреби споживачів після цього не змінюються,
однак клітини зі значенням «нуль» вважаються заповненими.
Головною умовою при введенні нульової поставки є збереження необхідної і
достатньої умови опорності плану транспортної задачі — його ациклічності.
Клітина має вибиратись у такий спосіб, щоб неможливо було побудувати
замкнений цикл.
21. Задачі, що зводяться до транспортних.

До задач транспортного типу зводяться і інші задачі внутрішньогосподарчого планування.

Так, в задачі відшукання оптимального розміщення посівів різних культур по ділянках різної
родючості як постачальники виступають культури, по яких відомі їх площі; як споживачі -
ділянки різної родючості (їх площі також задаються). Як тарифи виступає врожайність
конкретної культури, на певній ділянці. Змінними в задачі є площі певних культур на певних
ділянках. Критерій оптимальності - максимум валової продукції в натуральному виразі.
Обмеження в задачі за площами культур (I тип) і площами ділянок родючості (П тип). Задача
розв'язується будь-яким методом рішення транспортної задачі.
У задачі відшукань оптимального розподілу техніки по видах робіт як постачальники
виступають марки агрегатів (відома їх наявність), як споживачі – види робіт (відомі їх об'єми).
Тарифами є експлуатаційні витрати на виробництво певної роботи певної марки агрегату в
потрібний агротехнічний термін. В задачі повинна бути задана ще і продуктивність агрегатів
по марках на певній роботі. Змінними задачі є кількість агрегатів по марках, що виконують
певну роботу. Критерії оптимальності - мінімум експлуатаційних витрат на виробництво всіх
робіт в потрібні агротехнічні терміни. Обмеження в задачі по виконанню робіт в повному
об'ємі і в потрібні агротехнічні терміни (по строках) і по наявності техніки (по стовпцях).
Задача розв'язується загальним розподільним методом.

Задача про призначення. Потрібно виконати n видів робіт, на які претендують n кандидатів.
Витрати на оплату праці i-го кандидата за виконання j-ої роботи дорівнюють .
Кожен кандидат може бути призначений лише на одну роботу, і кожна робота має
виконуватися лише одним кандидатом. Потрібно знайти оптимальне призначення кандидатів
на виконання робіт, за якого сумарні витрати на виконання всіх робіт будуть мінімальними.
Нехай дорівнює одиниці, якщо i-ий кандидат виконує j-ту роботу, та дорівнює нулю в
протилежному разі. Тоді умову, що кожен кандидат має виконувати лише одну роботу,

запишемо у вигляді: . Умова виконання кожної роботи лише одним кандидатом

має вигляд: . Цільова функція має такий вираз: . Отже, маємо

математичну модель транспортної задачі:

min

Оптимальний розподіл обладнання. Домовимося для спрощення, що розглядається модель

закритої транспортної задачі (будь-яка відкрита задача зводиться до закритої перетвореннями,
розглянутими в § 5.5).
Обладнання m різних видів необхідно розподілити між n виробничими дільницями.
Продуктивність одиниці обладнання i-го виду на j-ій виробничій дільниці дорівнює
, . Відомі потреби кожної j-ої дільниці в обладнанні, що становлять ,а
також запаси обладнання кожного i-го виду — . Необхідно знайти оптимальний
розподіл обладнання за виробничими дільницями, за якого сумарна продуктивність
виробництва буде максимальною.
Ця задача зводиться до транспортної за умови, що продуктивність лінійно залежить від
кількості застосовуваного обладнання. «Постачальниками» в задачі є види обладнання, а
«споживачами» — виробничі дільниці. Запаси постачальників — це наявна кількість
обладнання кожного виду, а потреби споживачів — вимоги на необхідну кількість обладнання
для кожної виробничої дільниці.
Нехай — кількість одиниць обладнання i-го виду, яку буде виділено j-ій виробничій
дільниці . Сумарна продуктивність виробництва визначатиметься за

формулою: . Оскільки запаси кожного типу обладнання обмежені, то

маємо: , . З другого боку, потреби кожної дільниці в обладнанні є також

фіксованими, тому: , . Отже, загалом ми маємо таку математичну модель

транспортної задачі:

max

У даній задачі необхідно максимізувати значення цільової функції F. Для переходу до

стандартної моделі транспортної задачі слід замінити функцію F на протилежну
функцію , яку необхідно мінімізувати:

.
22. Постановка задачі цілочислового лінійного програмування.

Цілочисельне програмування — це розділ математичного програмування, який використовує

змінні лише у цілочисельному вигляді. З математичної точки зору, задачі такого типу можуть
бути лінійними або нелінійними. Розглянемо лінійну задачу цілочисельного програмування.
Часто в ЗЛП
L  c1x1  c2 x2   cn xn  max (4.1.1)
за обмежень
ai1x1  ai 2 x2  ...  ain xn  bi , i  1, m
xij  0, j  1, n.
(4.1.2)
потрібно одержати розв’язок у якому деякі або всі компоненти мають бути цілими числами.
Для цього використовують метод ланцюгів і границь. Схема розв’язання ЗЛП у цілих числах
ЦЗЛП полягає в наступному:
1. Розв’язуємо ЗЛП (4.1.1), (4.1.2) за допомогою симплекс-методу (або будь-яким іншим
методом) без умови цілочисельності змінних. Якщо змінні – цілі числа, то задачу
можна вважати розв’язаною. Нехай змінна xk набула не цілого значення xk=αk , де αk
має дробову складову.
2. Розв’язуємо дві задачі:
a) (4.1.1), (4.1.2) за умови
xk  [ k ] 1 ;

b) (4.1.1), (4.1.2) за умови

xk  [ k ] ,

де запис [ ] означає цілу частину числа, що в ньому міститься.

3. У випадку цілих розв’язків задач a) і b) порівнюємо одержані значення функцій L.
opt
Більше з них – оптимальне значенням L  L , а змінні, за яких воно досягається, – розв’язок
задачі.
4. Якщо ж знайдеться таке
xl , що не відповідає умові цілочисельності, тоді повторюємо

виконання п.2, замінивши

xk на xl . Таку процедуру повторюємо доти, доки всі потрібні
змінні не стануть цілими.

Метод ланцюгів та границь є одним із універсальних кінцевих методів розв’язку ЗЛП у цілих
числах, але надмірна його трудомісткість, а також низька швидкодія для розв’язування задач
великої розмірності роблять його малоефективним. Для підвищення його ефективності
доцільно використати метод двохсторонніх наближень [7], [8]. Цей метод не завжди
приводить до розв’язку ЗЛП, але в цілочисельному варіанті: або дає розв’язок задачі; або
суттєво звужує область пошуку розв’язку. При цьому, значно зменшує розмірність задачі
(кількість нерівностей, та кількість шуканих змінних). Звідси випливає доцільність його
застосування на перших етапах розв’язування ЗЛП, а коли, за його допомоги, розв’язок знайти
не вдається слід застосовувати метод ланцюгів та границь вже для спрощеного варіанту ЗЛП.
Цей метод застосовують для розв’язку ЗЛП і в неперервному варіанті, але особливості
розв’язку в цілих числах роблять його, в переважній більшості випадків, незамінним.
23. Метод гілок та границь.

Розв’язання задач лінійного програмування

в цілих числах
Часто в ЗЛП
L  c1 x1  c 2 x 2  . . .  c n x n  max
(14.1)
за обмежень
ai1x1    ain xn  bi , i  1, n
(14.2)
x j  0, j  1, n
потрібно одержати розв’язок у якому деякі або всі компоненти мають бути цілими числами.
Для цього використовують метод ланцюгів і границь. Схема розв’язання ЗЛП у цілих числах
ЦЗЛП полягає в наступному:
3. Розв’язуємо ЗЛП (14.1), (14.2) за допомогою симплекс-методу (або будь-яким іншим
методом) без умови цілочисельності змінних. Якщо змінні – цілі числа, то задачу
можна вважати розв’язаною. Нехай змінна xk набула не цілого значення xk=αk , αk має
дробову складову.
4. Розв’язуємо дві задачі:
c) (14.1), (14.2) за умови
xk  [ k ] 1 ;

d) (14.1), (14.2) за умови k

x  [ ]
k ,

де значок [  ] означає цілу частину числа, що в ньому міститься.

3. У випадку цілих розв’язків задач a) і b) порівнюємо одержані значення функцій L.
Більше з них – оптимальне значенням L  L , а змінні, за яких воно досягається, – розв’язок
opt

задачі.
4. Якщо ж знайдеться таке xl, що не відповідає умові цілочисельності, тоді повторюємо
виконання п.2, замінивши xk на xl. Таку процедуру повторюємо доти, доки всі потрібні змінні
не стануть цілими.
24. Економічна постановка задач, що приводять до нелінійних оптимізаційних моделей.

Досить детально розглянута в розділах, присвячених лінійному програмуванню, задача

пошуку оптимальних обсягів виробництва ґрунтується на допущеннях про лінійність зв’язку
між витратами ресурсів і обсягами виготовленої продукції; між ціною, рекламою та попитом
тощо. Але такі зв’язки насправді є нелінійними, тому точніші математичні моделі доцільно
формулювати в термінах нелінійного програмування.

Нехай для деякої виробничої системи необхідно визначити план випуску продукції за умови
найкращого способу використання її ресурсів. Відомі загальні запаси кожного ресурсу, норми
витрат кожного ресурсу на одиницю продукції та ціни реалізації одиниці виготовленої
продукції. Критерії оптимальності можуть бути різними, наприклад, максимізація виручки від
реалізації продукції. Така умова подається лінійною залежністю загальної виручки від обсягів
проданого товару та цін на одиницю продукції.

Однак, загальновідомим є факт, що за умов ринкової конкурен­ції питання реалізації

продукції є досить складним. Обсяг збутупродукції визначається передусім її ціною, отже, як
цільову функ­цію доцільно брати максимізацію не всієї виготовленої, а лише реалізованої
продукції. Необхідно визначати також і оптимальний рівень ціни на одиницю продукції, за
якої обсяг збуту був би максимальним. Для цього її потрібно ввести в задачу як невідому
величину, а обмеження задачі мають враховувати зв’язки між ціною, рекламою та обсягами
збуту продукції. Цільова функція в такому разі буде виражена добутком двох невідомих
величин: оптимальної ціни одиниці продукції на оптимальний обсяг відповідного виду
продукції, тобто буде нелінійною. Отже, маємо задачу нелінійного програмування.

Також добре відома транспортна задача стає нелінійною, якщо вартість перевезення одиниці
товару залежить від загального обсягу перевезеного за маршрутом товару. Тобто коефіцієнти
при невідомих у цільовій функції, що в лінійній моделі були сталими величинами,
залежатимуть від значень невідомих (отже, самі стають невідомими), що знову приводить до
нелінійності у функціоналі.
25. Геометрична інтерпретація задачі нелінійного програмування.

Геометрична інтерпретація задачі нелінійного програмування

Геометрично цільова функція (1) визначає деяку поверхню, обмеження (2)-(3) визначають
допустиму підмножину n-вимірного евклідового простору.

(1)

(2)
(3)

Знаходження оптимального розв’язку задачі нелінійного програмування зводиться до

відшукання точки з допустимої підмножини, в якій досягається поверхня найвищого
(найнижчого) рівня.
Якщо цільова функція неперервна, а допустима множина розв’язків замкнена, непуста і
обмежена, то глобальний максимум (мінімум) задачі існує. Найпростішими для розв’язування
є задачі нелінійного програмування, що містять систему лінійних обмежень та нелінійну
цільову функцію. В цьому випадку область допустимих розв’язків є опуклою, тобто
замкненою, непустою та обмеженою.
26. Властивості задач нелінійного програмування.

На відміну від задачі лінійного програмування в задачі нелінійного програмування оптимум

не обов'язково лежить на границі області, визначеної обмеженнями.

У задачах лінійного програмування всі обмеження і цільова функція задані лінійними

залежностями. Для нелінійного про­грамування такі вимоги відсутні, тобто цільова функція і
обме­ження можуть бути нелінійними; цільова функція лінійна, а об­меження, що задають
область пошуку допустимих розв'язків, нелінійні; цільова функція нелінійна, а обмеження
лінійні.
27. Основні труднощі розв’язування задач нелінійного програмування.

Розглянемо основні труднощі розв’язування нелінійних задач.

1. Для задач нелінійного програмування не існує універсального методу розв’язання, що
зумовило розроблення значної кількості різних методів розв’язування окремих типів задач
нелінійного програмування. Для кожного специфічного методу необхідно доводити існування
розв’язку задачі та його єдиність, що також є досить складною математичною задачею.Відомі
точні методи розв’язування нелінійних задач, але в такому разі існують труднощі
обчислювального характеру, тобто навіть для сучасних ЕОМ такі алгоритми є досить
трудомісткими, тому здебільшого для розв’язування нелінійних задач виправданим є
застосування наближених методів.

2. У задачах нелінійного програмування існують кілька локальних оптимумів, що потребує

пошуку серед них глобального.
Більшість наближених методів уможливлюють, як правило, знаходження локального
оптимуму. Можна, звичайно, користуючись простим способом, визначити всі локальні
оптимуми, а потім їх зіставленням знайти глобальний. Однак для практичних розрахунків
такий метод є неефективним. Часто глобальний оптимум наближені методи «не уловлюють».
Наприклад, у разі, коли глобальний оптимум знаходиться досить близько біля локального.
Якщо відрізок поділити на десять підвідрізків і глобальний оптимум попаде у відрізок (рис.
8.4), а зліва від та справа від крива буде зростати, то глобальний оптимум буде пропущеним.
3. У задачах лінійного програмування точка оптимуму завжди була граничною точкою
багатогранника допустимих планів. Для нелінійних задач точка, яка визначає оптимальний
план, може бути як граничною, так і знаходитися всередині допустимої області розв’язків
(планів), що було проілюстровано в прикладі 8.1.
4. Доведено, що множина допустимих планів задачі лінійного програмування завжди є
опуклою. У разі, коли система обмежень задачі є нелінійною, вона може визначати множину
допустимих розв’язків як неопуклу, або навіть складатися з довільних, не зв’язаних між собою
частин .
Одним з найпоширеніших прикладів зазначеної особливості є задачі цілочислового
програмування (розглянуті в розділі 6). Нагадаємо, що вимога цілочисловості змінних задачі
приводить до множини допустимих розв’язків, утвореної окремими точками, що зумовлює
розглянуті вище ускладнення відшукання розв’язків такого типу задач.
28. Опукле та угнуте програмування
Наведемо основні означення та теореми. Нехай задано n-вимірний лінійний простір Rn.
Функція , що задана на опуклій множині , називається опуклою, якщо для будь-
яких двох точок та з множини X і будь-яких значень виконується
співвідношення:
. (8.27)
Якщо нерівність строга і виконується для , то функція називається строго
опуклою.
Функція , яка задана на опуклій множині , називається угнутою, якщо для
будь-яких двох точок та з множини X і будь-якого справджується
співвідношення:
. (8.28)
Якщо нерівність строга і виконується для , то функція називається строго
угнутою.
Слід зазначити, що опуклість та угнутість функції визначаються лише відносно опуклих
множин у , оскільки за наведеними означеннями разом з двома будь-якими
точками та множині X належать також точки їх лінійної комбінації: для
всіх значень , що можливо лише у разі, коли множина X є опуклою.
Теорема 8.2. Нехай — опукла функція, що задана на замкненій опуклій множині X,
тоді будь-який локальний мінімум на цій множині є і глобальним.
Теорема 8.3. Нехай — опукла функція, що визначена на опуклій множині Х, і крім
того, вона неперервна разом з частинними похідними першого порядку в усіх внутрішніх

точках Х. Нехай — точка, в якій . Тоді в точці досягається

локальний мінімум, що збігається з глобальним.

Як наслідок теореми можна показати, що коли Х замкнена, обмежена знизу, опукла

множина, то глобального максимуму опукла функція f(X) досягає на ній у одній чи кількох
точках (при цьому допускається, що в точці Хзначення функції скінченне). Застосовуючи за
розв’язування таких задач процедуру перебору крайніх точок, можна отримати точку
локального максимуму, однак не можна встановити, чи є вона точкою глобального
максимуму.
Для угнутих функцій отримані результати формулюють так. Нехай f(X) — угнута
функція, що задана на замкненій опуклій множині . Тоді будь-який локальний
максимум f(X) на множині Х є глобальним. Якщо глобальний максимум досягається в двох
різних точках множини, то він досягається і на нескінченній множині точок, що лежать на
відрізку, який сполучає ці точки. Для строго угнутої функції існує єдина точка, в якій вона
досягає глобального максимуму.
Градієнт угнутої функції f(X) у точках максимуму дорівнює нулю, якщо f(X) —
диференційовна функція. Глобальний мінімум угнутої функції, якщо він скінченний на
замкненій обмеженій зверху множині, має досягатися в одній чи кількох її крайніх точках за
умови скінченності функції f(X) у кожній точці цієї множини.
29. Функція Лагранжа
Короткий варіант
Ідея методу множників Лагранжа при знаходженні розв'язку задачі нелінійного
програмування, полягає в заміні початкової задачі дещо простішою. Для цього цільову
функцію замінюють іншою, з більшою кількістю змінних і яка включає в себе умови, що
подані як обмеження. Після такого перетворення подальше розв'язування задачі полягає в
знаходженні екстремуму нової функції, на змінні якої не накладено ніяких обмежень. Тобто
від початкової задачі пошуку умовного екстремуму переходимо до задачі відшукання
безумовного екстремального значення іншої функції, яке визначається з допомогою
необхідної умови існування екстремуму. Тобто, для розв'язування задачі необхідно знайти
вирази частинних похідних нової цільової функції за кожною змінною і прирівняти їх до
нуля. В результаті отримаємо систему рівнянь. Її розв'язок визначає так звані
стаціонарні точки, серед яких є і шукані екстремальні значення функції.

Розгорнутий варіант
Застосуємо метод множників Лагранжа для розв’язування задачі
нелінійного програмування, що має вигляд:

при наступних обмеженнях:

де функції та мають бути диференційовними.

Ввівши далі набір змінних (називаються множниками Лагранжа), кількість яких
дорівнює кількості рівнянь системи обмежень (2), замінюємо цільову функцію (1) на
складнішу. Ця функція називається функцією Лагранжа і має наступний вигляд:

Знайдемо частинні похідні і прирівняємо їх до нуля:

Друга група рівнянь системи (4) забезпечує виконання умов (2) початкової задачі
нелінійного програмування. Система (4), як правило, нелінійна. Розв'язками її
є і — стаціонарні точки. Оскільки, ці розв'язки отримані з
необхідної умови існування екстремуму, то вони визначають максимум (мінімум) задачі (1) —
(2) або можуть бути точками перегину (сідловими точками).
Для діагностування стаціонарних точок і визначення типу екстремуму
необхідно перевірити виконання достатніх умов екстремуму, тобто дослідити в околі
стаціонарних точок диференціали другого порядку (якщо для функцій
та існують другі частинні похідні і вони неперервні).
Узагальнення достатньої умови існування локального екстремуму для функції мінних
приводить до такого правила: за функцією Лагранжа виду (3) будується матриця Гессе, що
має блочну структуру розмірністю :

де — матриця розмірності , що складається з нульових елементів; — матриця

розмірності , елементи якої визначаються наступним чином:
 — транспонована матриця до матриці розмірності ; — матриця
розмірності наступного виду:

Розглянемо ознаки виду екстремуму розв'язку системи (4). Нехай стаціонарна точка має
координати і .
1. Точка є точкою максимуму, якщо, починаючи з головного мінору
порядку , наступні головних мінорів матриці утворюють знакозмінний
числовий ряд, знак першого члена якого визначається множником .
2. Точка є точкою мінімуму, якщо, починаючи з головного мінору
порядку , знак наступних головних мінорів матриці визначаються
множником .
30. Економічна інтерпретація множників Лагранжа.

Множники Лагранжа розглядалися як параметри, значення яких вибираються таким чином,

щоб виконувалися обмеження завдання. З економічної точки зору множники Лагранжа
інтерпретуються як неявні (тіньові) ціни ресурсів, що визначаються обмеженнями; оптимальні
значення множників Лагранжа грають важливу роль в аналізі чутливості рішень. Для того,
щоб пояснити цю інтерпретаційну схему, розглянемо наступну оптимізаційну задачу з двома
змінними та одним обмеженням у вигляді рівності:
мінімізувати
при обмеженні
де постійна величина b1 характеризує наявність деякого ресурсу.

Припустимо, що стаціонарна точка функції L відповідає глобальному мінімуму.

Нехай - оптимальне значення множника Лагранжа, а - оптимальне рішення задачі. Далі,

нехай мінімум функції L (x; v1) при досягається в точці , причому і
. Очевидно, що оптимальні значення пов'язані функціональною
залежністю з величиною b1, яка задає кордон наявності дефіцитного ресурсу.
Зміни f0 (оптимального значення f), обумовлені змінами b1, описуються приватної похідною

. За правилом диференціювання складної функції маємо

(14)
Диференціюючи обидві частини обмежень, отримуємо

(15)
омножимо обидві частини рівності (15) на і віднімемо з (14):

(16)
Так як х0 і задовольняють рівнянням (12) і (13), рівність (16) приводиться до вигляду

(17)
Таким чином, з формули (17) випливає, що швидкість зміни оптимального значення f, що
викликається зміною b1, визначається оптимальним значенням множника Лагранжа .
Іншими словами, величина зміни оптимального значення цільової функції,
обумовленого одиничним збільшенням правій частині обмеження. Залежно від знака
значення f0 при зміні b1 можуть збільшуватися або зменшуватися.
31. Задачі дробово-лінійного програмування, методи їх розв’язування

Розв’язуючи економічні задачі, часто як критерії оптимальності беруть рівень рентабельності,

продуктивність праці тощо. Ці показники математично виражаються дробово-лінійними
функціями. Загальну економіко-математичну модель у цьому разі записують так (розглянемо
задачу визначення оптимальних обсягів виробництва продукції): позначимо через прибуток
від реалізації одиниці -го виду продукції, тоді загальний прибуток можна виразити

формулою: ; якщо — витрати на виробництво одиниці -го виду продукції, то

— загальні витрати на виробництво. У разі максимізації рівня рентабельності виробництва
цільова функція має вигляд:

(7.1)

за умов виконання обмежень щодо використання ресурсів:

; (7.2)

. (7.3)

Передбачається, що знаменник цільової функції в області допустимих розв’язків системи

обмежень не дорівнює нулю.

Очевидно, що задача (7.1)—(7.3) відрізняється від звичайної задачі лінійного програмування

лише цільовою функцією, що дає змогу застосовувати для її розв’язування за певного
модифікування вже відомі методи розв’язання задач лінійного програмування.

У разі, коли задача дробово-лінійного програмування містить лише дві змінні, для її
розв’язування зручно скористатися графічним методом.

Якщо більше – шляхом перетворення отримуємо звичайну задачу лінійного програмування,

яку можна розв’язувати симплексним методом.
32. Задачі квадратичного програмування, методи їх розв’язування.

Окремою частиною задач опуклого програмування є задачі квадратичного програмування.

До них належать задачі, які мають лінійні обмеження, а функціонал являє собою суму лінійної
і квадратичної функцій:

Квадратична функція n змінних називається квадратичною формою і може бути подана у

вигляді:

Зазначимо, що відомим з теорії аналізу функцій є таке твердження: від’ємно означена

квадратична форма є угнутою, а додатно означена — опуклою.

Розглянемо випадок від’ємно означеної квадратичної форми, що входить у цільову функцію

задачі квадратичного програмування.

max , (8.42)

; (8.43)

. (8.44)

Оскільки цільова функція задачі є опуклою, а обмеження — лінійні, тобто визначають опуклу
множину допустимих розв’язків, то ця задача належить до задач опуклого програмування, для
яких справджується твердження, що будь-який локальний максимум є і глобальним. Отже,
використовуючи умови теореми Куна — Таккера для задачі (8.42)—(8.44), отримаємо
необхідні та достатні умови оптимальності плану у вигляді такої теореми.

Теорема 8.6. Вектор Х* є оптимальним розв’язком задачі квадратичного програмування тоді, і

тільки тоді, коли існують такі m-вимірні вектори і n-вимірний вектор , що
виконуються умови:
(І) , ; (8.45)

(ІІ) , ; (8.46)

(ІІІ) , ; (8.47)

(ІV) , . (8.48)

Наведену теорему можна використати для побудови ефективного методу розв’язування задач
квадратичного програмування на основі алгоритму симплексного методу.

Умови (8.45)—(8.49) утворюють стосовно змінних систему (n + m) рівнянь з

2(n + m) невідомими.

Умови (8.47) та (8.48) означають, що змінні не можуть одночасно мати додатні значення,
тобто входити в базис разом. Якщо деякі k компонент вектора додатні, то відповідні їм
компоненти вектора V дорівнюють нулю і лише (n – k) компонент відмінні від нуля (додатні).
Отже, разом будуть мати не більш ніж n додатних компонент. З аналогічних міркувань
щодо рівності (8.48) випливає, що разом з буде n + m відмінних від нуля компонент,
тобто це може бути базисний розв’язок системи, що утворена умовами (8.45) та (8.47). Для
знаходження такого розв’язку можна застосувати симплексний метод.

Якщо зазначена система рівнянь має допустимий план (він буде єдиним), то оптимальний
план відповідної задачі квадратичного програмування також існує.

Розв’язуємо систему рівнянь (8.45) і (8.47) симплексним методом. Як відомо, спочатку

необхідно привести систему обмежень до канонічного виду введенням потрібної кількості
додаткових та штучних змінних. Для зведення системи до канонічної форми та визначення
початкового опорного плану вводимо штучні змінні у рівняння виду (8.45), які
будуть базисними для першого опорного плану, а змінні — у групу рівнянь
(8.47), які також дають базисні змінні для початкового плану. Потім для знаходження
базисного розв’язку системи (8.45), (8.47) розв’язуємо симплексним методом таку задачу
лінійного програмування:

max (8.54)
33. Градієнтний метод Франка-Вульфа.
Розглянемо ще один метод призначений для знаходження розв'язку задачі нелінійного
програмування, а саме метод Франка-Вульфа, який відноситься до категорії градієнтних
методів і процедура якого передбачає визначення оптимального плану шляхом перебору
розв'язків, які є допустимими планами задачі. Розглянемо даний процес більш детально і
припустимо, що нам необхідно відшукати максимальне значення функції мети:

при наступних обмеженнях:

Тобто, як Ви вже встигли помітити, характерною особливістю розв'язуваних з допомогою

даного методу задач є те, що їх система обмежень повинна містити тільки лінійні нерівності.
Ця особливість є основою для заміни в зоні досліджуваної точки нелінійної цільової
функції лінійною, завдяки чому рішення вихідної задачі зводиться до послідовного
рішення задач лінійного програмування.
Отже, процес відшукання розв'язку задачі починається з визначення точки, що належить
області допустимих рішень. Нехай це буде точка . Тоді в даній точці обчислимо градієнт
функції (1):

та побудуємо лінійну функцію:

На наступному кроці, переходимо до новї задачі, яка полягає у максимізації функції (4) при
обмеженнях (2) і (3). Нехай розв'язок даної задачі визначається точкою . Тоді за нове
допустиме рішення вихідної задачі (1) — (3) беремо координати точки :

де — деяке число, яке називається кроком обчислень і значення якого повинно міститися
між нулем і одиницею, тобто . Відмітимо, що даний крок зазвичай береться
довільно або визначається таким чином, щоб значення функції в точці ( ), залежне
від , було максимальним. Для цього необхідно знайти розв'язок рівняння і
вибрати його максимальний корінь. Якщо отримане таким чином значення виявиться більшим
за одиницю, то слід покласти .
Після визначення знаходимо координати точки , обчислюємо значення цільової
функції в ній та скориставшись нерівністю (де — достатньо мале
число), з'ясовуємо необхідність переходу до нової точки . Якщо така необхідність є
(нерівність не виконується), то обчислюємо в точці градієнт цільової функції. Потім
переходимо до відповідної задачі лінійного програмування, знаходимо її рішення,
визначаємо координати точки і досліджуємо необхідність проведення подальших
обчислень. Відмітимо, що після виконання кінцевого числа таких кроків отримаємо, з
необхідною точністю, розв'язок вихідної задачі нелінійного програмування (1) — (3).
34. Основні поняття теорії ігор.

Теорією ігор називається теорія математичних моделей, у якій враховуються різні

інтереси учасників.

Зіткнення протилежних інтересів приводить до виникнення конфліктних ситуацій.

Спрощена модель конфліктної ситуації називається грою. Конфлікт розвивається за
певними правилами (правила гри). Природною базою теорії ігор є конкретні ігри: шашки,
шахи, карткові ігри. Використовується термінологія: гравці (сторони конфлікту), виграш (
результат конфлікту).

Невизначеність результату гри викликається різними причинами:

1. Розмаїтість варіантів (шахи).

2. Вплив випадкових факторів.

Якщо результат гри є невизначеним винятково через випадкові фактори, такі ігри
називаються азартними.

3. Відсутність інформації стосовно дій супротивника і його планів – стратегічні ігри.

Розглянемо більш докладно стратегічні ігри. Якщо учасників двоє, то гра

називається парною, якщо більше двох – множинною.

Зміст гри: послідовність дій, за чітко сформульованими правилами. Ці дії прийнято

називати ходами .

Правила гри – можливі варіанти дії гравців, інформація однієї сторони про дії іншої,
результат гри після виконання послідовності ходів.

Хід гравця – вибір одного з дозволених правил дій і його здійснення.

Послідовність ходів буде називатися стратегією.

Оптимальною стратегією називається така стратегія, яка при багаторазовому повторенні

гри, забезпечує гравцю максимально можливий середній виграш.

Припустимо, що інтереси учасників гри описується кількісно, тобто результатом гри є

число (виграш).

4.Найпростішим видом стратегічної гри є парна скінченна гра з нульовою сумою. Гра
складається з двох ходів: гравець вибирає одну зі своїх можливих стратегій , ,
гравець вибирає одну зі своїх можливих стратегій , ; при повному незнанні
вибору іншого гравця.

Задаються дві функції:

– виграш гравця А.
 – виграш гравця В.

Залишимо одну функцію .

Мета гри: для гравця А - одержати max φ, а для гравця В – одержати min φ.

; ; .

- матриця гри чи платіжна матриця.

35. Зведення матричної гри до задачі лінійного програмування.
Якщо гра 2 x n або m x 2 може бути розв’язана геометрично, то у випадку гри 3 x n (m x 3)
геометрична інтерпретація переходить у простір, що ускладнює як її побудову, так і
сприйняття. У випадку ж, коли n > 3, m > 3,геометрична інтерпретація взагалі неможлива.
Для розв’язування гри m x n використовують прийом зведення її до задачі лінійного
програмування.
Нехай розглядається парна гра зі стратегіями для гравця А та
стратегіями для гравця В і платіжною матрицею . Необхідно

знайти оптимальні змішані стратегії та , де , .

Знайдемо спочатку оптимальну стратегію гравця А. За основною теоремою теорії ігор
така стратегія має забезпечити гравцеві виграш, не менший за ціну гри (поки що невідому
величину) u, за будь-якої поведінки гравця В.
Допустимо, що гравець А застосовує свою оптимальну стратегію, а гравець В — свою
«чисту» j-ту стратегію Bj, тоді середній виграш гравця А дорівнюватиме:
. (11.10)
За цих обставин виграш має бути не меншим, ніж ціна гри. Отже, для будь-якого
значення j величина виду (11.10) має бути не меншою, ніж u:

Розділивши всі обмеження на u, отримаємо:

Позначивши маємо:

Враховуючи умову, що , отримуємо .

Необхідно зробити виграш максимальним. Цього можна досягти, коли

вираз набуватиме мінімального значення. Отже, врешті маємо звичайну

задачу лінійного програмування.
Цільова функція:

(11.11)
за умов:
 (11.12)
. (11.13)
Розв’язуючи цю задачу симплексним методом, знаходимо значення а також

величину і значення , що є оптимальним розв’язком початкової задачі. Отже,

визначено змішану оптимальну стратегію для гравця А.
За аналогією можна записати задачу лінійного програмування для визначення
оптимальної стратегії гравця В. З цією метою позначимо:

Маємо таку лінійну модель задачі:

за умов:

Очевидно, що задача лінійного програмування для гравця В є двоїстою до задачі гравця А,

а тому оптимальний розв’язок однієї з них визначає також оптимальний розв’язок спряженої.
36. Сутність динамічного програмування. Принципи оптимальності.

Усі економічні процеси та явища є динамічними, оскільки функціонують і розвиваються не

лише у просторі, а й у часі.
Народне господарство, його галузі, регіони чи окремі підприємства мають розробляти
стратегічні і тактичні плани. Перші визначаються з допомогою динамічних моделей, розв’язки
яких знаходять методами динамічного програмування. Зауважимо, що сума оптимальних
планів на окремих відрізках планового періоду Т не завжди являє собою план, оптимальний на
всьому такому періоді.
Розглянемо задачу оптимального розподілу капітальних вкладень, які можуть бути
використані двома способами: з метою розвитку рослинництва або тваринництва. Відомо, що
за першого способу отримаємо прибуток g(x), а за другого — h(y).
У такому разі однокрокову задачу можна подати у вигляді:
(6.20)
за умов

(6.21)
Нехай
, , , .

1. Тоді дану задачу можна записати так:

Розглянемо її як задачу оптимального використання капітальних вкладень за окремими

інтервалами планового періоду Т, маючи на меті розподілити залишок капітальних вкладень
на кінець j-го інтервалу (j = 1, 2, …, n) двома зазначеними способами. При цьому критерій
оптимізації не змінюється: максимізуємо обсяг прибутку за весь плановий період Т.
Якщо на першому інтервалі використано b1 капітальних вкладень, то на його кінець
залишилося їх:
,
де с, d — коефіцієнти пропорційності, що характеризують використання капітальних вкладень

першим і другим способами: .

Задачу для другого інтервалу подамо так:

за умов
.
Звідси для будь-якого j-го інтервалу маємо:

за умов
.
Загальна задача набирає вигляду:

(6.22)
за умов ,
, .
Таку задачу розв’язують спеціальними методами
37. Методика розв’язування динамічних задач.

Динамічний процес розбивається на сукупність послідовних етапів, або кроків. Кожний крок
оптимізується окремо, а рішення (розв’язок), згідно з яким система переходить із поточного
стану до нового, вибирається з урахуванням його майбутніх наслідків і не завжди дає
найбільший ефект на даному етапі. На останньому кроці приймається рішення (відшукується
розв’язок), яке забезпечує максимальний ефект. З огляду на сказане, оптимізація методом
динамічного програмування починається з кінця: насамперед планується останній крок.
Спираючись на відому інформацію про закінчення передостаннього кроку, на підставі різних
гіпотез щодо його закінчення, вибирають управління на останньому кроці. Таке управління
називають умовно оптимальним, оскільки знаходять його за припущення, що попередній
крок було здійснено згідно з однією з можливих гіпотез.
Нехай аналізується деякий керований процес, перебіг якого можна розбити на послідовні
етапи (кроки), що задаються. Ефективність всього процесу Z є сумою
ефективностей окремих кроків:

(адитивний критерій)
або

(мультиплікативний критерій).
З кожним кроком задачі пов’язане прийняття певного рішення, так званого крокового
управління , що визначає як ефективність даного етапу, так і всієї операції в
цілому.
У задачі динамічного програмування знаходять таке управління всією
операцією, яке максимізує загальну її ефективність:

Оптимальним розв’язком цієї задачі є управління , що складається із сукупності

оптимальних покрокових управлінь

і забезпечує максимальну ефективність Z*

.
Усі класи задач динамічного програмування розв’язують, керуючись основним принципом:
яким би не був стан системи S перед черговим кроком, управління на цьому кроці слід
вибрати так, щоб ефективність розглядуваного кроку плюс оптимальна ефективність на всіх
наступних кроках була максимальною.
Отже, маємо алгоритм розв’язування задач динамічного програмування.
1. Специфікуємо стан заданої керованої системи та множину параметрів, що описують цей
стан. Стан системи обираємо, маючи на меті забезпечити зв’язок між послідовними етапами
перебігу процесу і знайти допустимий розв’язок задачі в цілому як результат оптимізації на
кожному кроці окремо. При цьому оптимальні рішення на наступних етапах приймаємо,
нехтуючи впливом подальших рішень на прийняті раніше.
2. Розбиваємо динамічний процес (операцію) на кроки, що відповідають, як правило, часовим
періодам планування або окремим об’єктам (підприємствам, видам продукції, устаткування і
т. ін.), стосовно яких розробляються управлінські рішення.
3. Подаємо перелік управлінських рішень для кожного кроку і відповідні
обмеження щодо них.
4. Визначаємо ефект, що його забезпечує управлінське рішення на j-му кроці, якщо перед
тим система була у стані S, як функцію ефективності:

1.

5. Досліджуємо, як змінюється стан S системи під впливом управлінського xj на j-му кроці,

переходячи до нового стану:

1. .

6. Будуємо для розглядуваної задачі рекурентну залежність, що визначає умовний

оптимальний ефект , починаючи з
j-го кроку і до останнього, через вже відому функцію :

1. .
2. Цьому ефекту відповідає умовне оптимальне управління на
j-му кроці . Зауважимо, що за аргумент функції беремо не s, а змінений
стан системи, тобто .
3. 7. Здійснюємо умовну оптимізацію останнього п-го кроку, розглядаючи множину
станів s, що на один крок віддалені від кінцевого стану, і визначаємо умовний
оптимальний ефект на п-му кроці:

4. .
5. Далі знаходимо умовне оптимальне управлінське рішення xn(s), завдяки якому цей
максимум досягається.
6. 8. Виконуємо умовну оптимізацію (n – 1)-го, (n – 2)-го і т. д., тобто всіх попередніх
кроків за рекурентними залежностями п. 6, і для кожного кроку знаходимо умовне
оптимальне управління:
7.

9. Здійснюємо безумовну оптимізацію управління у «зворотному» напрямі — від початкового

стану до кінцевого. Для цього з урахуванням визначеного оптимального управління на
першому кроці змінюємо стан системи згідно з п. 5. Далі для цього нового стану
знаходимо оптимальне управління на другому кроці і діємо так до останнього кроку.