UNIVERZITET U PRIŠTINI

EKONOMSKI FAKULTET

SEMINARSKI RAD
Predmet: Operaciona istraživanja
Tema: Linearno programiranje: Dualni problem

MENTOR: STUDENT:
Mr Radica Bojičić Krstić Jelena 27/12

Kosovska Mitrovica, 2014.

1
SADRŽAJ

UVOD……………………………………………………………………………………. 2

1. Linearno programiranje………………………………………………………….…….. 3

2. Dualnost u linearnom programiranju……………………………………………….…. 5

2.1. Principi dualnosti...................................................................................................... 6

2.2. Osobine dualnih modela........................................................................................... 7

2.3. Ekonomska interpretacija duala …………………………………………….…….13

ZAKLJUČAK……………………………………………………………………….……15

LITERATURA……………………………………………………………………………16

2
UVOD

Linearno programiranje je matematička metodologija za modeliranje i rešavanje problema

nalaženja maksimuma ili minimuma linearne funkcije, pod uslovima iskazanim kao linearne
jednačine ili nejednačine. Problem linearnog programiranja formulisao je sovjetski matematičar
Leonid Kantorovič 1939. godine. Prvi modeli korišćeni su u drevnoj proizvodnji, a tokom
Drugog svetskog rata Kantorovič je radio za vojsku na optimizaciju vojnih operacija. Danas je
linearno programiranje jedan od standardnih načina modeliranja koji se do sada pokazao
izuzetno delotvornim pri modeliranju, analizi i rešavanju čitavog niza najrazličitijih praktičnih
problema u privrednim, ekonomskim, tehničkim, poslovnim i vojnim sistemima. Metod
linearnog programiranja zauzima značajno mesto u primeni kontrole upravljanja različitim
sistemima, naročito tamo gde je neophodno izvršiti operacije određenih parametara i postaviti
nove kriterijume u izboru investicija, tržišta ili proizvoda.

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

U savremenim uslovima rukovođenje u privredi, armiji i društvu u celini zahteva rešavanje

složenih zadataka koji imaju više alternativnih rešenja. Uloga stručnjaka u tim slučajevima
sastoji se u tome da, polazeći od određenih društvenih i ekonomskih zakona i kriterijuma, ili od
usvojene strategije, odrede ona rešenja koja su za date uslove optimalna. Veliki broj privrednih
aktivnosti se ostvaruje u uslovima ograničenog iznosa resursa, koji se na različite načine mogu
koristiti za ostvarivanje unapred postavljenog cilja. Iz niza mogućih načina (programa)
korišćenja raspoloživih resursa ekonomski subjekti su veoma zainteresovani da odaberu onaj
najpovoljniji, onaj za koji će se ostvariti najveća moguća efikasnost ukupnih aktivnosti. S toga
optimizacija ekonomskih aktivnosti zauzima centralno mesto u okviru ekonomske analize i
matematičkog modeliranja ekonomskih problema. Jedan od matematičkih metoda optimizacije
koji je tokom ovog veka doživeo punu afirmaciju, teorijsku razradu i široku primenu je model
linearnog programiranja.

Problem linearnog programiranja konceptualno je postavio pre II svetskog rata sovjetski

matematičar Kantorovič, u svom radu „Matematički metodi organizacije i planiranja
proizvodnje“ 1939. godine. Prvu značajnu primenu linearnog programiranja u rešavanju
problema dijetalne ishrane predstavio je Stigler 1945. godine. Međutim, glavni doprinos
teorijskom razvoju i širenju mogućnosti primene linearnog programiranja dao je George
Dantzing, koji je 1947. godine razvio opšti algoritam rešavanja modela linearnog programiranja,
koji je poznat kao simpleks metod. On je pokazao da se čitav niz problema koji se odnose na
optimizaciju ljudskih aktivnosti u uslovima ograničenog iznosa resursa mogu predstaviti
odgovarajućim jednačinama ili nejednačinama. Poznati naučnici Kupmans, Belman, Ford, Čarns
i drugi dali su, takođe, veliki doprinos razvoju linearnog programiranja i njegovoj primeni.
Linearno programiranje predstavlja model koji se veoma uspešno koristi za rešavanje velikog
broja praktičnih problema na nivou preduzeća, a najčešći među njima su: proizvodno planiranje,
planiranje investicija, planiranje transporta robe i optimalno raspoređivanje kadrova. Ovaj model
se koristi za optimizaciju poslovnih aktivnosti na nivou preduzeća kao i ljudskih aktivnosti
uopšte. Glavni problem koji se korišćenjem modela linearnog programiranja rešava je zahtev za
određivanjem optimalnog programa korišćenja ograničenog iznosa resursa, s toga ovaj model
predstavlja specijalan oblik modela matematičkog programiranja kao osnovnog oblika zadatka
optimizacije. Ako se sa stanovišta matematičkog modela osvrnemo na linearno programiranje,
problem se sastoji u tome kako naći minimum ili maksimum jedne linearne funkcije F(X), pri
određenom skupu ograničenja bi zadanih linearnim vezama. Broj nepoznatih i ograničenja može
da bude veoma različit.

Linearno programiranje predstavlja metodu određivanja takve kombinacije uzajamno

povezanih faktora, koje od niza mogućih kombinacija predstavlja najpovoljniju. Drugim rečima,

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.

Postoje više metoda za rešavanje problema linearnog programiranja, a to su:

 Efikasni postupci nalaženja optimalnog rešenja

1) Grafički metod
2) Metod eliminacije
 Simpleks metod
1) Bazična rešenja sistema linearnih jednačina
2) Simpleks alogaritam
3) Mešoviti problem maksimuma
4) Problem minimuma
 Dualna teorija
 Postoptimalna analiza

5
2. DUALNOST U LINEARNOM PROGRAMIRANJU

Svakom problemu linearnog programiranja može se pridružiti odgovarajući dualni problem

koji ima značajna matematička svojstva. Analizom odnosa između primarnog modela i duala
bavi se teorija dualnosti.

Neka je dat problem linearnog programiranja u simetričnom obliku

𝑃: 𝐽𝑝 (𝑥) = 〈𝑐, 𝑥〉 → 𝑚𝑎𝑥

𝑥 ∈ 𝑈 = {𝑥;

𝐴𝑥 ≤ 𝑏

x≤ 0

c,x ∈ 𝑅 𝑛 , 𝑏 ∈ 𝑅 𝑚 , 𝐴 ∈ 𝑅 𝑚,𝑛 },

gde je 𝑈 dopustiv skup problema 𝑃.

Ovakav oblik problema naziva se primarni problem, a promenljive 𝑥1 , … , 𝑥𝑛 su primarne

promenljive. Odgovarajući dual ili dualni problem koji se pridružuje primarnom problemu je
oblika

D: 𝐽𝑑 (𝑦) = 〈𝑏, 𝑦〉 → 𝑚𝑖𝑛

Nad dopustivim skupom

𝑦 ∈ 𝑉 = {𝑦;

𝐴𝑇 𝑦 ≥ 𝑐,

𝑦≥0

𝑐 ∈ 𝑅 𝑛 , 𝑏, 𝑦 ∈ 𝑅 𝑚 , 𝐴 ∈ 𝑅 𝑚,𝑛 }

pri čemu su 𝑦𝑡 dualne promenljive.

Lako se može uočiti da za parove zadataka 𝑃 i 𝐷 važi sledeće:

1) matrica skupa ograničenja dualnog problema 𝐷 predstavlja transponovanu matricu skupa

ograničenja primarnog problema 𝑃;

2) nejednakosti u skupu ograničenja primarnog modela i duala su suprotno orijentisane;

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.

2.1. PRINCIPI DUALNOSTI

Za transformaciju primarnog modela u njemu odgovarajući dualni model koristimo sledeće

kriterijume, tzv. principe dualnosti:

1. Ako se u primarnom problemu zahteva određivanje maksimuma funkcije cilja 𝐹, u

dualnom modelu funkciju cilja, označimo je sa 𝐺, treba minimizirati, tj. odrediti
(𝑚𝑖𝑛)𝐺.
2. Nejednačine u sistemu ograničenja primarnog modela koje su formirane sa znakom ≤
u dualnom modelu imaće znak ≥, i obratno.
3. Matrica A sistema ograničenja primarnog modela se transponuje, tj. u dualnom
modelu njoj odgovara matrica 𝐴𝑇 . Ova transpozicija za posledicu ima promenu broja
nejednačina u dualnom modelu. Naime, ako je u primarnom modelu bilo 𝑚
nejednačina sa 𝑛 promenljivih, u dualnom biće obratno, tj. imaće 𝑛 nejednačina sa 𝑚
promenljivih.
4. Za koeficijente promenljivih funkcije cilja 𝐹 dualnog modela uzimamo slobodne
članove iz sistema ograničenja primarnog modela. Obratno, za slobodne članove u
nejednačinama sistema ograničenja dualnog modela stavljamo odgovarajuće
koeficijente funkcije cilja 𝐹 iz primarnog modela.
5. Uslov nenegativnosti promenljivih veličina važi i u dualnom modelu.1

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

𝑎11 𝑥1 + 𝑎12 𝑥2 + 𝑎13 𝑥3 ≤ 𝑏1

𝑎21 𝑥1 + 𝑎22 𝑥2 + 𝑎23 𝑥3 ≤ 𝑏2

𝑎31 𝑥1 + 𝑎32 𝑥2 + 𝑎33 𝑥3 ≤ 𝑏3

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

𝑎11 𝑦1 +𝑎21 𝑦2 + 𝑎31 𝑦3 ≥ 𝑐1

𝑎12 𝑦1 +𝑎22 𝑦2 +𝑎32 𝑦3 ≥ 𝑐2

𝑎13 𝑦1 +𝑎23 𝑦2 +𝑎33 𝑦3 ≥ 𝑐3

𝑦𝑖 ≥ 0

2.2. OSOBINE DUALNIH MODELA

Postoje mnogostruke veze između modela, to pokazuje činjenica da svaki od njih možemo
smatrati primarnim, odnosno dualnim modelom za onaj drugi.

U ovom odeljku govorimo o povezanosti primarnog i dualnog modela vrednostima

promenljivih veličina, kao i vrednošću same funkcije cilja.

Teorema 2.2.1. (teorema slabe dualnosti):

Ako je 𝑥 ∈ 𝑈 dopustivo rešenje primarnog modela i ako je 𝑦 ∈ 𝑉 dopustivo rešenje duala,

tada važi:

〈𝑐, 𝑥〉 ≤ 〈𝑦, 𝑏〉,

Odnosno
𝐽𝑝 (𝑥) ≤ 𝐽𝑑 (𝑦).

8
Dokaz. Pošto

𝑥 ∈ 𝑈 𝑠𝑙𝑒𝑑𝑖 𝐴𝑥 ≤ 𝑏

Množenjem skalarno obe strane sa 𝑦 dobija se

〈𝑦, 𝐴𝑥 〉 ≤ 〈𝑦, 𝑏〉.

Kako iz

𝑦 ∈ 𝑉 𝑠𝑙𝑒𝑑𝑖 𝐴𝑇 𝑦 ≥ 𝑐,

Množeći skalarno obe strane sa 𝑥 dobija se

〈𝐴𝑇 𝑦, 𝑥〉 ≥ 〈𝑐, 𝑥〉.

Dakle, važi:

〈𝑐, 𝑥〉 ≤ 〈𝐴𝑇 𝑦, 𝑥〉 = 〈𝑦, 𝐴𝑥〉 ≤ 〈𝑦, 𝑏〉.

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.

Dokaz. Pošto je 〈𝑐, 𝑥 ∗ 〉 = 〈𝑦 ∗ , 𝑏〉 prema prethodnoj teoremi važi

〈𝑐, 𝑥〉 ≤ 〈𝑦 ∗ , 𝑏〉 = 〈𝑐, 𝑥 ∗ 〉, 𝑧𝑎 𝑥 ∈ 𝑈,

gde je
𝑛
𝑈 = {𝑥 ∈ 𝑅 ; 𝐴𝑥 ≤ 𝑏, 𝑥 ≥ 0}.

Lako je zaključiti da je 𝑥 ∗ optimalno rešenje problema 𝑃. Analogno iz

〈𝑏, 𝑦〉 ≥ 〈𝑐, 𝑥 ∗ 〉 = 〈𝑏, 𝑦 ∗ 〉, 𝑧𝑎 𝑦 ∈ 𝑉,

gde je
𝑛
𝑉 = {𝑦 ∈ 𝑅 ; 𝑦𝐴 ≥ 𝑐, 𝑦 ≥ 0},

sledi da je 𝑦 ∗ optimalno rešenje dualnog problema 𝐷.

Teorema 2.2.3. (teorema jake dualnosti):

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.

Uvođenjem dopunskih promenljivih 𝑧 ∈ 𝑅 𝑚 i 𝜋 ∈ 𝑅 𝑛 dobijaju se ekvivalentni oblici problema.

Pošto važi

𝛼 ≤ 𝛽 𝑎𝑘𝑜 𝑖 𝑠𝑎𝑚𝑜 𝑎𝑘𝑜 𝑝𝑜𝑠𝑡𝑜𝑗𝑖 𝛾 ≥ 0, 𝑡𝑎𝑘𝑣𝑜 𝑑𝑎 𝑣𝑎ž𝑖 𝛼 + 𝛾 = 𝛽

dozvoljeno je uvođenje dopunskih promenljivih u primarnom modelu.

Novi oblik primarnog modela je

𝑐1 𝑥1 + ⋯ + 𝑐𝑛 𝑥𝑛 → 𝑚𝑎𝑥

𝑎11 𝑥1 + ⋯ + 𝑎1𝑛 𝑥𝑛 + 𝑧1 = 𝑏1

𝑎𝑚1 𝑥1 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛 + 𝑧𝑚 = 𝑏𝑚

𝑥1 , … , 𝑥𝑛 , 𝑧1 , … , 𝑧𝑚 ≥ 0.

U dual se takođe mogu uvesti dopunske promenljive, jer važi:

𝛼 ≥ 𝛽 𝑎𝑘𝑜 𝑖 𝑠𝑎𝑚𝑜 𝑎𝑘𝑜 𝑝𝑜𝑠𝑡𝑜𝑗𝑖 𝛾 ≥ 0, 𝑡𝑎𝑘𝑣𝑜 da je 𝛼 − 𝛾 = 𝛽.

Novodobijeni oblik duala je:

𝑏1 𝑦1 + ⋯ + 𝑏𝑚 𝑦𝑚 → 𝑚𝑖𝑛

𝑎11 𝑦1 + ⋯ + 𝑎1𝑚 𝑦𝑚 −𝜋1 = 𝑐1

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.

Definicija. Uslovi slabe komplementarnosti su:

𝑢𝑖 ≡ 𝑦𝑖 𝑧𝑖 = 𝑦𝑖 (𝑏𝑖 − 𝐴𝑖 𝑥) = 0, 𝑖 = 1, … , 𝑚

𝑣𝑗 ≡ 𝜋𝑗 𝑥𝑗 = (𝐴𝑇𝑗 𝑦 − 𝑐𝑗 )𝑥𝑗 = 0, 𝑗 = 1, … , 𝑛.

 Ako je 𝐴𝑖 𝑥 < 𝑏𝑖 , tada za neko 𝑖 važi 𝑦𝑖 = 0;

 Sa druge strane ako je 𝑦 > 0 iz uslova 𝐴𝑖 𝑥 ≤ 𝑏𝑖 i prethodne konstatacije važi 𝐴𝑖 𝑥 = 𝑏𝑖 ;
 Slično ako je 𝐴𝑗𝑇 > 𝑐𝑗 , tada je za neko 𝑗 važi 𝑥𝑗 = 0;
 Sa druge strane ako je 𝑥 > 0 iz uslova 𝐴𝑗𝑇 𝑦 ≥ 𝑐𝑗 i prethodne konastatacije važi 𝐴𝑗𝑇 𝑧 = 𝑐𝑗 .

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.

Dokaz. Pošto je 𝑥 dopustivo rešenje primarnog modela 𝑃, sledi 𝑢𝑖 ≥ 0 za svako 𝑖 = 1, … , 𝑚 i

analogno, posto je 𝑦 dopustivo rešenje duala 𝐷, sledi 𝑣𝑗 ≥ 0 za svako 𝑗 = 1, … , 𝑛.

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.

Dakle, 𝑢 + 𝑣 = 0 pošto 𝑥 i 𝑦 zadovoljavaju slabu komplementarnost, a odatle sledi 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.

Teorema 2.2.6.(teorema slabe komplementarnosti):

Neka je 𝑥 ∗ dopustivo rešenje primarnog modela i 𝑦 ∗ dopustivo rešenje duala i neka je

〈𝐴𝑥 ∗ − 𝑏, 𝑦 ∗ 〉 = 0

〈𝑥 ∗ , 𝑦 ∗ 𝐴 − 𝑐〉 = 0

Tada je 𝑥 ∗ optimalno rešenje primarnog modela, a 𝑦 ∗ optimalno rešenje duala.

Posledica 2.2.7. Neka su 𝑥 ∗ i 𝑦 ∗ dopustiva rešenja primarnog modela i duala i neka važe sledeće
implikacije:
𝑛

𝑦𝑖∗ > 0 => ∑ 𝑎𝑖𝑗 𝑥𝑗∗ = 𝑏𝑖

𝑗=1

∑ 𝑎𝑖𝑗 𝑥𝑗∗ < 𝑏𝑖 => 𝑦𝑖∗ = 0

𝑗=1

𝑥𝑗∗ > 0 => ∑ 𝑎𝑖𝑗 𝑦𝑖∗ = 𝑐𝑗

𝑖=1

∑ 𝑎𝑖𝑗 𝑦𝑖∗ > 𝑐𝑗 => 𝑥𝑗∗ = 0.

𝑖=1

Tada su 𝑥 ∗ i 𝑦 ∗ optimalna rešenja primarnog modela i duala respektivno.

Teorema 2.2.8. (teorema jake komplementarnosti):

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.

Za problem linearnog programiranja važi da je dual duala primarnog modela. 2

Postoje specijalni oblici problema linearnog programiranja čija se rešenja jednostavnije dobijaju
rešavajući dualni problem. Neka je dat primarni model oblika:

𝐽𝑝 (𝑥) = 〈𝑐, 𝑥〉 → 𝑚𝑖𝑛

𝐴𝑥 ≥ 𝑏,

𝑥𝑖 > 0, 𝑖 = 1, … , 𝑛

𝑐, 𝑥 ∈ 𝑅 𝑛 , 𝑏 ∈ 𝑅𝑚 , 𝐴 ∈ 𝑅 𝑚,𝑛

𝑐 ≥ 0, 𝑏 ≥ 0.

Množenjem sa (-1), dobija se ekvivalentan oblik:

−𝐽𝑝 (𝑥) = 〈−𝑐, 𝑥〉 → 𝑚𝑎𝑥

−𝐴𝑥 ≤ −𝑏,

𝑥𝑖 > 0, 𝑖 = 1, … , 𝑛

𝑐, 𝑥 ∈ 𝑅 𝑛 , 𝑏 ∈ 𝑅𝑚 , 𝐴 ∈ 𝑅 𝑚,𝑛

𝑐 ≥ 0, 𝑏 ≥ 0.

Odgovarajući dual ovog problema je oblika:

−𝐽𝑑 (𝑦) = 〈−𝑏, 𝑦〉 → 𝑚𝑖𝑛

−𝐴𝑇 𝑦 ≥ −𝑐

𝑦𝑖 ≥ 0, 𝑖 = 1, … , 𝑚

𝑦 ∈ 𝑅𝑚

𝑐 ≥ 0, 𝑏 ≥ 0.

Posle množenja duala sa (-1), dobija se:

𝐽𝑑 (𝑦) = 〈𝑏, 𝑦〉 → 𝑚𝑎𝑥

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.

FORMULACIJA DUALNOG PROBLEMA U OPŠTOJ FORMI

Neka je dat najopštiji oblik primarnog modela:

𝐽𝑝 (𝑥) = 〈𝑐, 𝑥〉 → 𝑚𝑎𝑥

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}

Dualne promenljive označene su sa 𝑦 = (𝑝, 𝑔), 𝑝 ∈ 𝑅 𝑚 , 𝑔 ∈ 𝑅 𝑠 . Dualni problem dobijen

korišćenjem prethodno navedenih pravila za prevođenje je sledećeg oblika

𝐽𝑑 (𝑦) = 〈𝑏, 𝑝〉 + 〈𝑔, 𝑞〉 → 𝑚𝑖𝑛

(−𝑐 + 𝐴𝑇 𝑝 + 𝐶 𝑇 𝑞)𝑗 ≥ 0, 𝑗 ∈ 𝐼

(−𝑐 + 𝐴𝑇 𝑝 + 𝐶 𝑇 𝑞)𝑗 = 0, 𝑗 ∉ 𝐼

𝑝 ≥ 0.

2.3. EKONOMSKA INTERPRETACIJA DUALA

U mnogim praktičnim problemima LP-a koji se rešavaju svođenjem na dual, dualne
promenljive pored metodoloških osobina mogu pružiti i niz drugih informacija o problemu LP-a
koji želimo rešiti. Neke od tih osobina opisane su u teoremama koje smo dokazali. Promena
ovih, kao i ostalih parametra u matematičkom modelu problema LP-a koji se rešava svakako
utiče na promenu vrednosti funkcije cilja F, sto otvara mogućnost za razne ekonomske analize
dobijenih rezultata.

14
Neka je 𝑥 ∗ optimalno rešenje matematičkog modela (max)𝐹(𝑥) = 𝑐 𝑇 𝑥, za koji je
𝐹(𝑥 ∗ ) = (𝑚𝑎𝑥)𝐹(𝑥)

za svako 𝑥 ∈ 𝐾, a 𝑦 ∗ optimalno rešenje odgovarajućeg duala, tj. takvo da je

𝐺(𝑦 ∗ ) = (𝑚𝑖𝑛)𝐺(𝑦),

za svako 𝑦 ∈ 𝑆. Pretpostavimo da se koordinate vektora 𝑏 kojima su opisane količine pojedinih

resursa u primarnom modelu, povećaju za iznos ∆𝑏, zbog čega se I vrednost funkcije cilja 𝐹
primarnog modela poveća za iznos
∆𝐹(𝑥 ∗ ) = 𝑐𝑥1∗ − 𝑐𝑥 ∗ ,

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

Ako sada od prve oduzmemo drugu jednačinu dobijamo

∆𝐹(𝑥 ∗ ) = 𝑐𝑥1∗ − 𝑐𝑥 ∗ = 𝑦 ∗ (𝑏 + ∆𝑏) − 𝑦 ∗ 𝑏 = 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.

Raznim transformacijama funkcije cilja i ograničenja problemi linearnog programiranje se

mogu prevesti u ekvivalentne probleme, ali u drugacijoj formi. Svakom problemu linearnog
programiranja osim bezbroj ekvivalentnih problema, moze se na odredjeni način pridruziti i,
takozvani, dualni problem. U okviru svakog zadatka linearnog programiranja možemo izvršiti
transformaciju, odnosno da odgovarajući primarni model transformišemo u njegov dual. Dual
ima onoliko promenljivih koliko primarni model ima ograničenja i onoliko ograničenja koliko
primarni model ima promenljivih. Matrica ograničenja duala jednaka je transponovanoj matrici
ograničenja primarnog modela, dok koeficijenti u funkciji cilja duala predstavljaju slobodne
članove u ograničenjima primarnog modela i obrnuto.

16
LITERATURA

1) Milan Božinović, Operaciona istraživanja, Ekonomski fakultet, Kosovska Mitrovica,

2012.
2) Krčevinac S., Čangalović M., Kovačević-Vujčić V., Martić M., Vujošević M.,
Operaciona istraživanja, FON, Univerzitet u Beogradu, 2006.

17