Professional Documents
Culture Documents
1
4. NORMA I UDALJENOST VEKTORA (SVOJSTVA)
Norma ili duljina vektora je drugi korijen iz skalarnog produkta vektora sa samim
sobom, odnosno za Rn:׀׀X=׀׀ . Norma vektora je uvijek pozitivan
broj,a za vektore R2 i R3 norma predstavlja udaljenost te točke od ishodišta ili duljinu
radijusa vektora koji spaja ishodište s tom točkom. GRAF. Udaljenost dvaju vektora iz
vektorskog prostora definiramo kao normu njihove razlike odnosno za dva vektora iz R n
imamo d(X,Y)=׀׀X-Y=׀׀ = . Svojstva udaljenosti
2
6. LINEARNA ZAVISNOST I NEZAVISNOST
Skup vektora X1,X2,...Xm je linearno zavisan ako postoji m skalara c1,c2...cm koji svi
nisu jednaki nuli pa vrijedi c1X1+c2X2+...+cmXm=0. Ako relacija vrijedi samo u slučaju
da su c1=c2=,...,=cm=0 vektori su linearno nezavisni. Dakle, možemo reći da su vektori
linearno zavisni ako njihova linearna kombinacija može biti jednaka nuli ,a da
koeficijenti te linearne kombinacije nisu svi jednaki nuli. Nasuprot tome vektori
X1,X2,...Xm su linearno nezavisni ako njihova linearna kombinacija može biti nula samo
u slučaju da su svi koeficijenti te linearne kombinacije jednaki nuli. Linearno zavisni
ako je jedan linearna kobminacija preostalih
3
9. PRIKAZ VEKTORA U BAZI VEKTORSKOG PROSTORA
Prikaz vektora u bazi je jedinstven, odnosno bilo koji vektor se može samo na jedan
način prikazati kao linearna kombinacija vektora baze. Neka je [X1,X2,...Xm] baza
vektorskog prostora i neka je Y vektor iz tog prostora. Pretpostavimo, suprotno, tj da se
Y može na dva načina prikazati pomoću vektora baze, tj. Y= α 1X1+....+ αnXn te
Y=β1X1+...+ βnXn. Oduzmemo li te dvije relacije, dobijemo (α1- β1) X1+...+(αn-βn) Xn=0
slijedi da je αi=βi, tj ne radi se o dva različita nego o jednom te istom vektoru Y u
zadanoj bazi.
4
A0 izraziti u bazi koja je sastavljena od vektora Aj. Budući da u prostoru R2 bazu tvore
2 vektora, maksimalni broj mogućih bazičnih rješenja je 3, za 3 vektora Aj. n povrh m
5
formulama arj'=arj/ars j=0,1,2,...,n ; aij'= aij-( arj/ars)*ais, i≠r, (j=0,1,2,...,n), tj po Gauss-
Jordanovim formulama eliminacije.
6
skupa S je najmanji konveksni skup koji sadrži skup S. Ako je skup konveksan on je
sam sebi konveksna ljuska[S]=S. Konveksna ljuska se može definirati kao skup svih
konveksnih kombinacija iz skupa S.
7
20.OSNOVNI TEOREMI LP
Tri fundamentalna teorema u linearnom programiranju:
Teorem 1: ako su x i y moguća rješenja (vektori) problema 1)
max . i 1) min YTB 2) YT
A≥ CT,AT Y≥ C 3) Y ≥ 0 tada je CT X≤ YT B. Drugim riječima, vrijednost funkcije
maksimuma uvijek je manja ili jednaka vrijednosti funkcije cilja njegovog dualnog
problema minimuma.
Teorem 2 (Kriterij optimalnosti): ako su X i Y moguća rješenja problema 1)
max . i 1) min YTB 2)
YT A≥ CT,AT Y≥ C 3) Y ≥ 0 , tako da je CT x =yT B tada su X i Y moguća rješenja para
dualnih problema. Obrat teorema 2 također vrijedi, tj. ako imamo optimalna rješenja nekog
problema i njegovog duala, tada su vrijednosti njihovog programa jednake. Ako za bilo
koji par mogućih rješenja orginala i duala ustanovimo da su ima vrijednosti funkcije cilja
jednake, zaključujemo da su to optimalna rješenja.
Teorem 3: (Fundamentalni teorem dualiteta): ako su neki program i njegov dual
mogući, tada oba imaju optimalna rješenja i vrijednosti optimalnih programa su jednake.
Ako jedan od ta dva programa nije moguć, tada ni drugi nema optimalno rješenje.
4slučaja. 1(oba imaju optimalno pa su i opt vrijednosti funkc cilja jednake) 2(org nema
moguće pa dual nema optimalno) 3(org ima moguće al nema opt pa dual nema moguće)
4(na obe strane nema rješenja jer su uvijeti nekonzistentni,kontradiktorni).
8
22.KANONSKI PROBLEM LP I EKVIVALENCIJA SA STANDARDNIM
PROBLEMOM
Kanonski problem linearnog programiranja razlikuje se od standardnog u tome da su
sva ograničenja (osim uvjeta nenegativnosti) u obliku jednadžbe max (min) C TX;
AX=B; X≥0. Standardni i kanonski problem su ekvivalentni jer se uvijek jedan može
transformirati u drugi, odnosno da je svako rješenje jednog problema također rješenje i
drugog. Max Min
Standardni kanonski standardni kanonski
max CTX max CTX min YTB min YTB
AX≤B AX+u=B ATY≥C ATY-v=C
X≥0 X,u≥0 Y≥0 Y,v≥0
Dodatne ili oslabljene varijable se ne javljaju u funkciji cilja ili su x0
23.PRINCIP OSLABLJENE KOMPLEMENTARNOSTI (KOROLAR I
TEOREM)
Barem jedna od dviju korespodentnih komponenti od U i Y je jednaka 0.isto vrijedi za
V i X.ovaj koloral omogućava nam da optimalna rješenja dualnog problema dobijemo
bez rješavanja tog problema, naravno ako smo na neki način dobili optimalni rješenje
originala. Teorem o vezama oslabljenih i strukturnih varijabli: neka je u=B-AX i
VT=YTA-CT gdje su X i Y moguća rješenja para dualnih problema.rješenja X i Y su
optimalna rješenja samo ako je YTU=VTY=0. Formirat dual i kanonski oblik te ubacivat
poznate varijable.
9
ograničenje dualnog problema. Ovdje nije moguće koristiti princip oslabljene
komplementarnosti .
25.OPĆI PROBLEM LP I NJEGOV DUAL (MATEMATIČKA
FORMULACIJA)
Neka matrice A, B i C imaju isto značenje kao i kod standardnog problema. Označimo s
Ai i-ti redak-vektor od A, a sa M i N skupove indeksa od 1 do m i od 1 do n, respektive,
tj. M = 1, 2, …, m i N = 1, 2, …, n. Neka je nadalje, S podskup od M, a C(S)
njegov komplement, tj. S M i C(S) = M \ S. Neka je T podskup od N, a C(T) njegov
komplement, tj. T N i C(T) = N \ T. Sada se može napisati opći problem linearnog
programiranja na slijedeći način: Max CTX ; Aix bi ,i S ; Aix = bi ,i C(S) ; xj
0, j T. Dualni problem - problem minimuma: Min YTB ; yi 0 iS ;
YTAj Cj jT ; YTAj = Cj jC(T) gdje je Aj oznaka za j-oti stupac-vektor
matrice A.
10
novo rješenje sustava linearnih jednadžbi. Rješenje ne mora biti bazično ako su svi
koeficijenti u tom razvoju veći od 0.
28.OBJAŠNJENJE RELACIJE z z0 ( c j z j )
11
31.KRITERIJI ZA IZBOR VEKTORA KOJI ULAZI U BAZU (OBIČNI I
EGZAKTNI)
Iz relacije z z0 ( c j z j ) vidljivo je da promjenu vrijednosti funkcije cilja
određuje izraz Ɵ*(cj-zj), te treba izabrati takav j za kojeg je taj izraz maksimalan. Izraz
Ɵ*(cs-zs)= max Ɵ*(cj-zj) pokazuje egzaktno za koliko se povećala vrijednost funkcije
cilja, pa se to zove egzaktni kriterij za izbor vektora koji ulazi u novu bazu, a izraz (cs-
zs)= max (cj-zj) koji je jednostavniji zbog manje računanja je obični kriterij za izbor
vektora koji ulazi u novu bazu.
12
34.CHARNESOVA M PROCEDURA
Ako ne postoji moguće rješenje originalnog problema tada će rješenje proširenog
problema sadržavati bar jednu pozitivnu artificijelnu varijablu wk˃0 koju nećemo moći
izbaciti iz baze. Takav način rješavanja naziva se Charnesovom dvofaznom M
procedurom. U prvoj fazi oslobađamo se artificijelnih varijabli. Kada artificijelne w i
vektore izbacimo iz baze dobivamo početno bazično rješenje simpleks problema i
nastavljamo simpleks proceduru. Kada je wi jednom izašao iz baze, više se u nju ne
vraća.
13
37.POSTAVKA PROBLEMA ISHRANE
Hranjivi elementi Vrsta hrane (artikli Min. zahtjevi za hranj.
prehrane) Elementima
H1 H2 ... Hn
E1 a11 a12 ... a1n c1
E2 a21 a22 ... a2n c2
... ... ... ... ... ...
Em am1 am2 ... amn Cm
cijena artikla b1 b2 ... bn ovo je nutriciona matrica
prehrane
Cilj je riješiti problem ishrane, odnosno zadovoljiti zadano ograničenje u minimalnim
zahtjevima za hranjivim sastojcima pri određenim cijenama po jedinici hrane. Dakle,
optimalno rješenje je zadovoljeno kada smo ostvarili minimum troškova uz
zadovoljenje kriterija.
38.INTERPRETACIJA DOPUNSKIH I DUALNIH VARIJABLI U
OPTIMALNOM RJEŠENJU
Optimalne vrijednosti dualnih varijabli pokazuju nam za koliko bi se povećala
vrijednost funkcije cilja ako bi se raspoloživost odgovarajućeg resursa povećala za
jednu jedinicu. One pokazuju koliko bi se maksimalno isplatilo platiti za dodatnu
jedinicu nekog resursa i to samo za one koji su iskorišteni u potpunosti. Za resurse koji
nisu iskorišteni u potpunosti dualne varijable su 0. Cijene u sjeni.
39.ANALIZA OSJETLJIVOSTI
Analiza osjetljivosti je postupak kojim se određuje osjetljivost dobivenog rješenja na
promjenu nekih ulaznih parametara modela. Promjene koje mogu utjecati na promjenu
optimalnog rješenja: promjena jediničnog prihoda pojedine aktivnosti, promjene
raspoložive količine pojedinog resursa proizvodnje, promjene tehničkog koeficijenta
(normativa). Također je pitanje u analizi što će se dogoditi ako se uvede nova aktivnost,
odnosno da li se isplati uvesti novi proizvod.
14
PROBLEMI TRANSPORTA I DISTRIBUCIJE
15
42.METODE ZA ODREĐIVANJE POČETNOG RJEŠENJA KOD PROBLEMA
TRANSPORTA
Za konstrukciju početnog rješenja koriste se četiri metode: pravilo sjeverozapadnog
kornera, metoda uzajamno preferiranih tokova, Vogelava metoda, Kotzigova metoda.
Metoda odnosno pravilo sjeverozapadnog kornera je ona kojom konstruiramo početno
bazično rješenje na način da tablicu transporta punimo od sjeverozapadnog kuta i tako i
tako da u prvo moguće polje unosimo maksimalno moguću količinu tereta ovisno o
ponudi prvog ishodišta i potražnji prvog odredišta. Metoda uzajamno preferiranih
tokova- ruta je uzajamno preferirana ako je najjeftinija i za ishodište i za odredišta,
odnosno ako je jedinični trošak za tu rutu najmanji u svom retku i svom stupcu.
Vogelova metoda raspoređuje količine tereta na rute gdje su troškovi jeftiniji. Računa
kazne. 2 min traška oduzmemo nadjemo najveći i tu tom retku/stupcu tražimo min
trošak i tu popunjavamo. Ako imamo istu kaznu tražimo manji trošak.
Kotzigova metoda se može primjeniti samo u slučaju kad imamo dva ishodišta i dva
odredišta. Tada njenom primjenom dobijemo optimalno rješenje u prvom koraku. Rj i
kj oduzmemo i poredamo.
16
44.MODI METODA I DUAL PROBLEMA TRANSPORTA
Svakom ograničenju originalnog problema u obliku jednadžbi pridružujemo jednu
varijablu u dualnom problemu. Dualne varijable nemaju ograničenje nenegativnosti
budući da je originalni problem transporta kanonski. računamo relacije
zij cij (ui v j ) cij za sva prazna polja, nebazična polja, zbrajamo varijable ( ui v j ), a
od tog oduzmemo jedinični trošak koji se nalazi u gornjem lijevom uglu svakog
praznog polja. Ui=0 pretpostavka
17
47. PROBLEM OPTIMALNE ASIGNACIJE (MATEMATIČKI MODEL)
Problem optimalne asignacije sastoji se u tome da se n ljudi rasporedi na n poslova sa
ciljem maksimiziranja ukupne efikasnosti. Pretpostavka je da svi ljudi nisu jednako
pogodni za sve poslove, odnosno procijenjena je njihova efikasnost za obavljanje
svakog od poslova. Poslovi se obavljaju u isto vrijeme tako da jedan radnik ne može
obavljati više poslova odjednom. Problem se svodi na maksimiziranje sume efikasnosti
n
osobe (radnika) : Max (c1 j c2 j ... cnj ckj ). Problem optimalne asignacije može
1 2 n k
k 1
n n n
se zapisati na sljedeći način: 1) Max cij xij
i 1 j 1
2) x
j 1
ij 1; i 1,2,...,n 3)
x
i 1
ij 1; j 1,2,...,n 4) xij 0ili1 . Problem optimalne asignacije može se shvatiti kao
poseban problem transporta kod kojeg je ponuda svakog ishodišta i potražnja svih
odredišta jednaka 1.
48.MAĐARSKA METODA
Autor mađarske metode je američki matematičar Kuhn. Tom metodom se može riješiti
poseban problem transporta ili problem optimalne asignacije kod kojeg je ponuda svih
ishodišta i potražnja svih odredišta jednaka 1. To uzrokuje jednakost mnogih parcijalnih
suma pa je takav problem u visokom stupnju degeneriran. Prvi korak mađarske metode
je redukcija matrice relativne efikasnosti, a to se provodi na način da se minimalni
element u svakom retku oduzme od svih elemenata tog retka, a zatim se to isto radi sa
stupcima (nove matrice). Na taj način dobije se reducirana matrica koja u svakom retku
i svakom stupcu ima barem jednu nulu. Te nule predstavljaju polja koja su najjeftinija
pa su kandidati za asignaciju, tj. ako asigniramo polje (i,j) znači da će i-ti izvođač dobiti
j-ti posao. Nule u retku i ostale križamo. Problem max prebacimo u min tako da
oduzmemo sve el od maksimalnog.
18
49.PROBLEM TRGOVAČKOG PUTNIKA (MATEMATIČKI MODEL)
problem trgovačkog putnika se formulira na sljedeći način: trgovački putnik polazi iz
jednog grada i želi obići još n-1 gradova, te se na kraju vratiti u početni grad, s tim da
troškovi i duljina puta moraju biti minimalni. problem postavljamo na sljedeći način:
1 _ ako _ putnik_ putuje_ iz _ grada_ i _ u _ grad _ j
xij Problem trgovačkog putnika
0 _ ako _ putnik_ ne _ putuje_ iz _ grada_ i _ u _ grad _ j
n n n
može se zapisati na sljedeći način: 1) Max cij xij
i 1 j 1
2) x
j 1
ij 1; i 1,2,...,n 3)
x
i 1
ij 1; j 1,2,...,n 4) xij 0ili1 . Ovaj problem bi se mogao riješiti i mađarskom
metodom, ali bi rješenje moglo sadržavati i neke podcikluse, odnosno obavljen kružni
put, a da nisu obiđeni svi gradovi.
19