Professional Documents
Culture Documents
EKONOMSKI FAKULTET
SEMINARSKI RAD
Predmet: Operaciona istraživanja
Tema: Linearno programiranje: Dualni problem
MENTOR: STUDENT:
Mr Radica Bojičić Krstić Jelena 27/12
1
SADRŽAJ
UVOD……………………………………………………………………………………. 2
1. Linearno programiranje………………………………………………………….…….. 3
ZAKLJUČAK……………………………………………………………………….……15
LITERATURA……………………………………………………………………………16
2
UVOD
Jedno od važnih otkrića u ranom razvoju linearnog programiranja jeste koncept dualiteta.
Ovo otkriće je pokazalo da se svaki problem linearnog programiranja vezuje za još jedan
problem linearnog programiranja nazvan dualni problem. Primena dualnog modela se koristi za
pojednostavljenosti matematičkog modela optimalnog rešenja preko manjeg broja računskih
operacija. Uprošćenje modela je usmereno na smanjenje dimenzija problema koja se ogleda u smanjenju
dopunskih i vestačkih promenjivih. Kad god je moguce izbeći vestačke promenjive treba primeniti dualni
model. Za rešavanje dualnih problema može se koristiti bilo koji alogoritam simpleks metoda. To na neki
način govori da nema nikakve razlike u rešavanju primarnog i dualnog modela. Izmedju primarnog i dualnog
modela postoj inverzija u pogledu zahteva. U zavisnosti od tipa i smera pojedinih ograničenja primarnog
modela razlikujemo dve vrste dualnih modela: simetrični i nesimetrični dualni model.
3
1. LINEARNO PROGRAMIRANJE
4
traži se takva kombinacija koja će, pored toga što će zadovoljiti data ograničenja bi, zadovoljiti i
kriterijum optimalnosti.
Model linearnog programiranja, bez obzira u kom obliku problema se radi (problemu
maksimuma ili problemu minimuma), karakterišu neke zajedničke osobine, odnosno, postoji
određeni broj pretpostavki koje moraju biti zadovoljene da bi određeni model predstavljao model
linearnog programiranja. Osnovne pretpostavke ovog modela su:
1. Linearnost;
2. Izvesnost;
3. Deljivost;
4. Nenegativnost.
5
2. DUALNOST U LINEARNOM PROGRAMIRANJU
𝑥 ∈ 𝑈 = {𝑥;
𝐴𝑥 ≤ 𝑏
x≤ 0
c,x ∈ 𝑅 𝑛 , 𝑏 ∈ 𝑅 𝑚 , 𝐴 ∈ 𝑅 𝑚,𝑛 },
𝑦 ∈ 𝑉 = {𝑦;
𝐴𝑇 𝑦 ≥ 𝑐,
𝑦≥0
𝑐 ∈ 𝑅 𝑛 , 𝑏, 𝑦 ∈ 𝑅 𝑚 , 𝐴 ∈ 𝑅 𝑚,𝑛 }
6
3) ulogu slobodnih članova u skupu ograničenja duala imaju koeficijenti iz funkcije cilja
primala i obrnuto;
4) u dualu funkcija cilja 𝐽𝑑 (𝑦) se minimizira, dok se u primarnom modelu funkcija cilja
𝐽𝑝 (𝑥) maksimizira.
Primer 1. Firma 𝛼 je definisala problem: Neka postoje tri mašine za proizvodnju tri različita
proizvoda i neka je 𝑎𝑖𝑗 vreme (u satima) rada 𝑗 −te mašine potrebno za izradu 𝑖 −tog proizvoda.
Neka je 𝑏𝑗 nedeljni kapacitet radnog vremena na 𝑗 −toj mašini, a 𝑐𝑖 cena 𝑖 −tog proizvoda.
Firma 𝛽 želi da iznajmi mašine firme. Da bi ponuda firme 𝛽 bila atraktivna ona mora da ponudi
toliko novca po svakom proizvodu koliko bi firma 𝛼 dobila kada bi sama izrađivala proizvode.
Logično je da firma 𝛽 želi da minimizira ukupnu sumu troškova. Matematički model obe firme
je sledeći.
1
Milan Božinović, Operaciona istraživanja ( Ekonomski fakultet, Kosovska Mitrovica, 2012), str. 158.
7
Neka je 𝑥𝑖 količina 𝑖 −tog proizvoda koji treba proizvesti da bi dobit bila optimalna.
Matematički model iz ugla firme 𝛼 ima oblik:
c1 x1 + c2 x2 + c3 x3→ max
𝑥𝑖 ≥ 0
Ako 𝑑𝑡 predstavlja cenu rentiranja 𝑖 −te mašine za jedan sat, matematički model iz ugla firme 𝛽
je:
𝑏1 𝑦1 + 𝑏2 𝑦2 + 𝑏3 𝑦3 → 𝑚𝑖𝑛
𝑦𝑖 ≥ 0
Postoje mnogostruke veze između modela, to pokazuje činjenica da svaki od njih možemo
smatrati primarnim, odnosno dualnim modelom za onaj drugi.
Odnosno
𝐽𝑝 (𝑥) ≤ 𝐽𝑑 (𝑦).
8
Dokaz. Pošto
𝑥 ∈ 𝑈 𝑠𝑙𝑒𝑑𝑖 𝐴𝑥 ≤ 𝑏
Kako iz
𝑦 ∈ 𝑉 𝑠𝑙𝑒𝑑𝑖 𝐴𝑇 𝑦 ≥ 𝑐,
Dakle, važi:
Posledica 2.2.2. Neka je 𝑥 ∗ dopustivo rešenje primarnog modela, a 𝑦 ∗ dopustivo rešenje duala i
neka je 〈𝑐, 𝑥 ∗ 〉 = 〈𝑦 ∗ , 𝑏〉, tada je 𝑥 ∗ optimalno rešenje primarnog modela i 𝑦 ∗ optimalno rešenje
duala.
〈𝑐, 𝑥〉 ≤ 〈𝑦 ∗ , 𝑏〉 = 〈𝑐, 𝑥 ∗ 〉, 𝑧𝑎 𝑥 ∈ 𝑈,
gde je
𝑛
𝑈 = {𝑥 ∈ 𝑅 ; 𝐴𝑥 ≤ 𝑏, 𝑥 ≥ 0}.
gde je
𝑛
𝑉 = {𝑦 ∈ 𝑅 ; 𝑦𝐴 ≥ 𝑐, 𝑦 ≥ 0},
Za svaki par zadatka primarnog modela i duala važi jedan od sledeća tri iskaza:
1. Oba zadatka primarnog modela i duala imaju optimalno rešenje. Neka je 𝑥 ∗ optimalno
rešenje primarnog modela, a 𝑦 ∗ optimalno rešenje duala. Tada važi da je vrednost
9
funkcije cilja primarnog modela u njegovom optimalnom rešenju jednaka vrednosti
funkcije cilja duala u njegovom optimalnom rešenju, tj.
𝐽𝑝 (𝑥 ∗ ) = 𝐽𝑑 (𝑦 ∗ )
〈𝑐, 𝑥 ∗ 〉 = 〈𝑏, 𝑦 ∗ 〉
2. Ni primarni model, ni dual nemaju rešenje, jer su dopustivi skupovi prazni.
3. Jedan od problema nema dopustivo rešenje, a drugi ima dopustivo rešenje, ali nema
optimalno rešenje jer funkcija cilja nije ograničena na dopustivom skupu.
Pošto važi
𝑐1 𝑥1 + ⋯ + 𝑐𝑛 𝑥𝑛 → 𝑚𝑎𝑥
𝑎11 𝑥1 + ⋯ + 𝑎1𝑛 𝑥𝑛 + 𝑧1 = 𝑏1
𝑎𝑚1 𝑥1 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 + 𝑧𝑚 = 𝑏𝑚
𝑥1 , … , 𝑥𝑛 , 𝑧1 , … , 𝑧𝑚 ≥ 0.
𝑏1 𝑦1 + ⋯ + 𝑏𝑚 𝑦𝑚 → 𝑚𝑖𝑛
𝑎𝑛1 𝑦1 + ⋯ + 𝑎𝑛𝑚 𝑦𝑚 − 𝜋𝑛 = 𝑐𝑛
𝑦1 , … , 𝑦𝑚 , 𝜋1 , … , 𝜋𝑛 ≥ 0.
Ako primarni problem sadrži 𝑛 promenjivih i 𝑚 ograničenja, tada dualni problem sadrži 𝑚
promenljivih i 𝑛 ograničenja.
10
Za svaku nejednakost (bilo da je reč o primarnom modelu ili dualu) u kojoj je dopunska
promenljiva pozitivna, vrednost odgovarajuće promenljive primala ili duala je nula. Ovo tvrđenje
se naziva slaba komplementarnost.
𝑢𝑖 ≡ 𝑦𝑖 𝑧𝑖 = 𝑦𝑖 (𝑏𝑖 − 𝐴𝑖 𝑥) = 0, 𝑖 = 1, … , 𝑚
𝑣𝑗 ≡ 𝜋𝑗 𝑥𝑗 = (𝐴𝑇𝑗 𝑦 − 𝑐𝑗 )𝑥𝑗 = 0, 𝑗 = 1, … , 𝑛.
Teorema 2.2.4. Neka je vektor 𝑥 dopustivo rešenje primarnog modela 𝑃 i 𝑦 je dopustivo rešenje
duala 𝐷, tada 𝑥 i 𝑦 zadovoljavaju slabu komplementarnost ako i samo ako je 𝑐 𝑇 𝑥 = 𝑦 𝑇 𝑏.
Neka je 𝑢 = ∑𝑚 𝑛
𝑖=1 𝑢𝑖 i𝑣 = ∑𝑗=1 𝑣𝑗 , tada važi:
𝑚 𝑛 𝑚 𝑛
𝑢 + 𝑣 = ∑ 𝑢𝑖 + ∑ 𝑣𝑗 = ∑ 𝑦𝑖 (𝑏𝑖 − 𝐴𝑖 𝑥) + ∑(𝐴𝑗𝑇 𝑦 − 𝑐𝑗 ) 𝑥𝑗 =
𝑖=1 𝑗=1 𝑖=1 𝑗=1
𝑚 𝑚 𝑛 𝑛
= ∑ 𝑦𝑖 𝑏𝑖 − ∑ 𝑦𝑖 𝐴𝑖 𝑥 + ∑ 𝐴𝑗𝑇 𝑦𝑥𝑗 − ∑ 𝑐𝑗 𝑥𝑗 =
𝑖=1 𝑖=1 𝑗=1 𝑗=1
𝑚 𝑚 𝑛 𝑛 𝑚 𝑛
= ∑ 𝑦𝑖 𝑏𝑖 − ∑ ∑ 𝑦𝑖 𝑎𝑖𝑗 𝑥𝑗 + ∑ ∑ 𝑦𝑖 𝑎𝑖𝑗 𝑥𝑗 − ∑ 𝑐𝑗 𝑥𝑗 =
𝑖=1 𝑖=1 𝑗=1 𝑗=1 𝑖=1 𝑗=1
= 𝑦 𝑇 𝑏 − 𝑐 𝑇 𝑥.
Sa druge strane ako je 𝑦 𝑇 𝑏 = 𝑐 𝑇 𝑥, tada važi 𝑢 + 𝑣 = 0, a pošto su oba vektora nenegativna sledi
𝑢 = 0, 𝑣 = 0, tj. ispunjen je uslov slabe komplementarnosti.
11
Posledica 2.2.5. Ako je 𝑥 dopustivo rešenje za 𝑃 i 𝑦 dopustivo rešenje za 𝐷, i ako 𝑥 i 𝑦
zadovoljavaju slabu komplementarnost, tada je 𝑥 optimalno rešenje za 𝑃 i 𝑦 je optimalno rešenje
za 𝐷.
〈𝐴𝑥 ∗ − 𝑏, 𝑦 ∗ 〉 = 0
〈𝑥 ∗ , 𝑦 ∗ 𝐴 − 𝑐〉 = 0
Posledica 2.2.7. Neka su 𝑥 ∗ i 𝑦 ∗ dopustiva rešenja primarnog modela i duala i neka važe sledeće
implikacije:
𝑛
Neka parovi zadataka primarnog modela i duala imaju bar jedno dopustivo rešenje, tada postoji
bar jedan par optimalnih rešenja 𝑥 ∗ , 𝑦 ∗ tada važi:
𝑏 − 𝐴𝑥 ∗ + 𝑦 ∗ > 0
𝑦 ∗ 𝐴 − 𝑐 + 𝑥 ∗ > 0.
12
Teorema 2.2.9.
Postoje specijalni oblici problema linearnog programiranja čija se rešenja jednostavnije dobijaju
rešavajući dualni problem. Neka je dat primarni model oblika:
𝐴𝑥 ≥ 𝑏,
𝑥𝑖 > 0, 𝑖 = 1, … , 𝑛
𝑐, 𝑥 ∈ 𝑅 𝑛 , 𝑏 ∈ 𝑅𝑚 , 𝐴 ∈ 𝑅 𝑚,𝑛
𝑐 ≥ 0, 𝑏 ≥ 0.
−𝐴𝑥 ≤ −𝑏,
𝑥𝑖 > 0, 𝑖 = 1, … , 𝑛
𝑐, 𝑥 ∈ 𝑅 𝑛 , 𝑏 ∈ 𝑅𝑚 , 𝐴 ∈ 𝑅 𝑚,𝑛
𝑐 ≥ 0, 𝑏 ≥ 0.
−𝐴𝑇 𝑦 ≥ −𝑐
𝑦𝑖 ≥ 0, 𝑖 = 1, … , 𝑚
𝑦 ∈ 𝑅𝑚
𝑐 ≥ 0, 𝑏 ≥ 0.
2
Krčevinac S., Čangalović m., Kovačević-Vujčić V., Martić M., Vujošević M., Operaciona
istraživanja (FON, Univerzitet u Beogradu, 2006), str. 170-176 .
13
𝐴𝑇 𝑦 ≤ 𝑐
𝑦𝑖 ≥ 0, 𝑖 = 1, … , 𝑚
𝑦 ∈ 𝑅𝑚
𝑐 ≥ 0, 𝑏 ≥ 0.
𝐴𝑥 ≤ 𝑏
𝐶𝑥 = 𝑔,
𝑥𝑗 ≥ 0, 𝑗 ∈ 𝐼
𝐴 ∈ 𝑅 𝑚,𝑛 , 𝐶 ∈ 𝑅 𝑠,𝑛 , 𝑏 ∈ 𝑅 𝑚 , 𝑔 ∈ 𝑅 𝑠 , 𝑐, 𝑥 ∈ 𝑅 𝑛
𝐼 {1, 2, … , 𝑛}
(−𝑐 + 𝐴𝑇 𝑝 + 𝐶 𝑇 𝑞)𝑗 ≥ 0, 𝑗 ∈ 𝐼
(−𝑐 + 𝐴𝑇 𝑝 + 𝐶 𝑇 𝑞)𝑗 = 0, 𝑗 ∉ 𝐼
𝑝 ≥ 0.
14
Neka je 𝑥 ∗ optimalno rešenje matematičkog modela (max)𝐹(𝑥) = 𝑐 𝑇 𝑥, za koji je
𝐹(𝑥 ∗ ) = (𝑚𝑎𝑥)𝐹(𝑥)
𝐺(𝑦 ∗ ) = (𝑚𝑖𝑛)𝐺(𝑦),
gde su 𝑥 ∗ i 𝑥1∗ optimalne vrednosti promenljivih u primarnom modelu koje odgovaraju vektorima
𝑏 I 𝑏 + ∆𝑏, respektivno. S obzirom da promene koordinata vektora 𝑏 ne utiču na promenu
bazičnih vektora, to optimalno rešenje 𝑦 ∗ dualnog modela ostaje nepromenjeno.
Dalje, imamo
𝑐𝑥1∗ = 𝑦 ∗ (𝑏 + ∆𝑏) i 𝑐𝑥 ∗ = 𝑦 ∗ 𝑏
Gde izraz ∆𝐹(𝑥 ∗ ), kao što smo već istakli, predstavlja promenu vrednosti funkcije cilja 𝐹
generisanu promenom koordinata vektora 𝑏. Iz poslednje relacije neposredno dobijamo 𝑦 ∗ , tj.
∆𝐹(𝑥 ∗ )
𝑦∗ = .
∆𝑏
Odavde možemo zaključiti da vrednost dualne promenljive 𝑦 ∗ pokazuje za koliko jedinica se
promeni (povećava ili smanji) vrednost funkcije cilja 𝐹 primarnog modela, ako se ekspoloatacija
resursa 𝑏 promeni (poveća ili smanji) za jednu jedinicu. S tim u vezi dobija se i ekonomska
interpretacija dualnih promenljivih. Naime, one predstavljaju obračunske cene resursa 𝑏, ili tzv.
cene u senci.3
3
Milan Božinović, Operaciona istraživanja ( Ekonomski fakultet, Kosovska Mitrovica, 2012), str. 171-172.
15
ZAKLJUČAK
Svaki proizvođač želi odrediti kako iskoristiti ograničene količine sirovina uz najveci
profit, poslovođa kako rasporediti zadani posao izmedu svojih zaposlenika tako da bude
napravljen u najkraćem mogućem vremenskom roku... Cilj ovih problema je optimizacija,
maksimiziranje korisnosti ili minimiziranje troškova uz zadana ograničenja što se rešava
linearnim programiranjem. Područje primene linearnog programiranja je široko: proizvodnja,
transporti distribucija, marketing, telekomunikacije, financijsko ulaganje i planiranje, raspored
zaposlenih… Linearno programiranje je jedna od najpoznatijih i jedna od najčešće korišćenih
tehnika nauke o upravljanju. To је matematička metoda alociranja deficitarnih resursa sve u
smislu postizanja zadatog cilja, kao što je maksimizacija profita. Linearno programiranje ima
veliki teorijski I praktični značaj. Teorijski značaj linearnog programiranja zasniva se na
vanredno efkasnim metodama kojima se ono koristi. Ono što je bitno kod linearnog
programiranja je da su funkcija kriterijuma, odnosno cilja I ograničavajući faktori linearni. Kao
rezultat toga javlja se kristalisanje velikog broja računskih postupaka sa odgovarajućom
teorijskom osnovom. Praktični značaj linearnog programiranja ogleda se u relativno širokoj
praktičnoj primenjivosti. Veliki broj problema može rešiti metodama linearnog programiranja.
16
LITERATURA
17