VEKTORI

1. POJAM VEKTORSKOG PROSTORA

Realan vektorski prostor (S,+,*) je trojka koja se sastoji od skupa S, preslikavanja
“+“:SxS→S (zbrajanje) i preslikavanja “*“:RxS→S (množenje s realnim brojem) pri
čemu je (S,+) komutativna grupa i vrijede svojstva λ(X+Y)=λX+λY; (λ+µ)X=λX+λµ;
(λu)X=λ(µX); I*X=X (λ,µ,I Є R, X,Y Є S). Elemente skupa S nazivamo vektorima,a
realne brojeve λ Є R nazivamo skalarima. Dosadašnja razmatranja pokazala su nam da
je skup realnih brojeva R vektorski prostor, dok skup N ili Z to nije. Lako je provjeriti
da je skup matrica istog formata također vektorski prostor.

2. EUKLIDSKI VEKTORSKI PROSTOR Rn

X: {1,2,3,...n}→R X(i), i=1,2...n. X možemo pisati kao uređenu n-torku realnih brojeva
X=(X1,X2,...Xn); Xi Є R. Realne brojeve Xi nazvat ćemo koordinate te uređene n-torke,
a sve takve uređene n-torke realnih brojeva nazivamo vektori. Skup svih takvih
uređenih n-torki realnih brojeva označavamo s Rn. Vektroski prostor snabdjevan
skalarnim produktom XT *Y=ΣXiYi, postaje tzv unitarni vektorski prostor i zovemo ga
n-dimenzionalnim euklidskim prostorom i označavamo uz Rn i En.

3. SKALARNI PRODUKT I SVOJSTVA, OKOMITOST VEKTORA

Matrice se mogu množiti samo ako su ulančane. Da bi mogli množiti 2 vektora iz R n
moramo jedan transponirati: XT*Y= [X1,X2,...Xn]* [Y1,Y2....Yn](stupac) =
X1Y1+X2Y2+...+XnYn. Ako je XT tipa (1,n), a vektor Y tipa (n,1) rezultat umnoška će
biti matrica tipa (1,1) i takav produkt zovemo skalarni produkt. Svojstva skalarnog
produkta: (suma kvadrata realnih brojeva ne može biti negativna); XT*X=0
ako i samo ako je Xnulvektor; XT*Y=YT*X zakon komutacij; (X+Y)T*Z=Z*XT+Z*YT;
(αX)T*Y=α(XT*Y) α Є R. Vektori su okomiti ako je njihov skalarni produkt jednak 0.
X Y XT*Y=0 podrazumijeva se da ovo ne vrijedi za nulvektore.

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

vektora: 1) d(X,Y)≥0 i d(X,Y)=0 ako i samo ako je X=Y; 2) d(X,Y)= d(Y,X); 3)

d(X,Y)+d(Y,Z)≥d(X,Z)- nejednakost trokuta- točke X,Y,Z iz Rn se ne nalaze na istom
pravcu.

5. LINEARNA KOMBINACIJA I LINEARNA ZAVISNOST VEKTORA

(DEFINICIJE)
Linearna kombinacija vektora je novi vektor koji X1,X2,...Xn se dobije kao rezultat
zbroja vektora dobivenih množenjem početnih vektora X 1,X2,...Xm sa nekim
realnim brojem Y= c1X1+c2X2+...+cmXm= gdje su ci skalari (realni brojevi) a Xi
vektori iz prostora Rn. Dakle navedeni vektor je linearna kombinacija vektora
X1,X2,...Xm a ci su koeficijenti linearne kombinacije. Skup vektora X1,X2,...Xm je iz
prostora Rn 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
vektori su linearno nezavisni.

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

7. NAČINI ODREĐIVANJA LINEARNE ZAVISNOSTI I NEZAVISNOSTI

Vektori su linearno zavisni ako postoji m skalara ci koji svi nisu jednaki nula, da vrijedi
c1X1+c2X2+...+cmXm=0. Ako to vrijedi samo u slučaju c1=c2=,...,=cm=0 vektori su linearno
nezavisni. Vektori su linearno zavisni ako i samo ako je neki od tih vektora linearna
kombinacija preostalih. Ukoliko je determinanta sustava jednaka 0 vektori su linearno
zavisni. Ako je neki skup vektora linearno nezavisan tada je također i svaki njegov
podskup linearno nezavisan.

8. BAZA VEKTORSKOG PROSTORA, ORTONORMIRANA BAZA

Baza vektorskog prostora je najmanji skup linearno nezavisnih vektora iz kojeg se može
generirati čitav taj prostor, odnosno pomoću kojeg se može izraziti bilo koji vektor tog
prostora. Točnije: skup vektora [X1,X2,...Xm] je baza vektorskog prostora ako vrijedi: 1)
svaki vektor iz tog vektorskog prostora može se izraziti kao linearna kombinacija od
X1,X2,...Xm tj taj skup razapinje ili generira taj vektorski prostor; 2) skup vektora
[X1,X2,...Xm] je linearno nezavisan. Baza jediničnih vektora ima svojstvo da su svi
vektori duljine 1 i međusobno okomiti pa takvu bazu zovemo ortonominirana baza.

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.

10.BAZA I ORTOGONALNI VEKTORI

Svaki skup od n međusobno ortogonalnih vektora iz Rn među kojima nije nul vektor,
baza je prostora Rn. Budući da je svaki skup od n linearno nezavisnih vektora baza
prostora Rn, dovoljno je pokazati da su ti vektori linearno nezavisni. Neka su X1,X2,...Xn
Є Rn ; Xi≠0 i ortogonalni, tj. *Xj =0, i≠j. Kada njihovu linearnu kombinaciju
izjednačimo sa 0 i pomnožimo je skalarno sa X1 imamo: c1 X1 + c2 X2 + ... +
cn Xn = 0 . Zbog ortogonalnosti su svi produkti u toj relaciji jednaki 0, osim prvoga
c1 X1=0, a budući da je X1=0 za X1≠0, slijedi da je c1=0.

11.BAZIČNA RJEŠENJA SUSTAVA LINEARNIH JEDNADŽBI

Sustav linearnih jednadžbi možemo prikazati na način da je vektor A 0 dan kao linearna
kombinacija vektora Aj, tj stupca matrice sustava A. Drugim riječima, riješiti sustav
linearnih jednadžbi ekvivalentno je s tim da vektor A0 izrazimo kao linearnu
kombinaciju vektora Aj (j=1,2,...,n) gdje su xj koeficijenti te linearne kombinacije,
odnosno sva moguća rješenja tog sustava jednadžbi predstavljaju sve moguće linearne
kombinacije kojima se vektor A0 može prikazati pomoću vektora Aj. Odrediti bazično
rješenje tog sustava jednadžbi znači prikazati vektor A0 kao linearnu kombinaciju
vektora baze. Da bi odredili bazična rješenja tog sustava jednadžbi potrebno je vektor

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

12.NAČINI ODREĐIVANJA BAZIČNIH RJEŠENJA

Budući da u prostoru R2 bazu tvore 2 vektora, maksimalni broj mogućih bazičnih
rješenja je 3, za 3 vektora Aj, stoga postoje 3 načina da se vektor A0 prikaže kao
linearna kombinacija baznih vektora, gdje bazu tvore vektori A j. Pošto je prikaz vektora
u bazi jedinstven, za svaku takvu bazu postoji samo jedno bazično rješenje: 1.rješenje
dobivamo tako da vektor A0 prikažemo u prvoj bazi, tj s pomoću A1 i A2 ; 2.rješenje
dobivamo tako da vektor A0 prikažemo u drugoj bazi, tj s pomoću A2 i A3 ; 3.rješenje
dobivamo tako da vektor A0 prikažemo u trećoj bazi, tj s pomoću A1 i A3. Da bi odredili
bazična rješenja potrebno je prvo ispitati lin zavisnost vektora tj trebaju biti lin
nezavisni (detA≠0).

13.GAUSS-JORDANOVE FORMULE ELIMINACIJA (OSNOVNI POJMOVI I

PRIKAZ VEKTORA U BAZI POMOĆU G-J FORMULA)
Gauss-Jordanove formule eliminacija nam služe da bismo odredili bazična rješenja
sustava jednadžbi napisanog u matričnom obliku: arj'=arj/ars j=0,1,2,...,n ;
aij'= aij-( arj/ars)*ais, i≠r, (j=0,1,2,...,n). Pomoću ovih formula se dobivaju koeficijenti
razvoja vektora Ai u novoj bazi. Pomoću njih mijenjamo vektore početne baze
vektorom Aj. Naravno, potrebno je još dokazati da je skup vektora [I1,I2,...Ir-1...Im]
linearno nezavisan. ***

14.GAUSS-JORDANOVE FORMULE (TEOREM O IZMJENI VEKTORA U

BAZI)
Neka su P1,P2,...,Pm linearno nezavisni i svaki od vektora Aj (j=0,1,2,...,n) može se
izraziti kao linearna kombinacija tih vektora, tj Aj= . Ako je ars≠0 tada i vektori
P1,P2,..., Pr-1,Ps,Pr+1,...,Pm bazu i koeficijenti razvoja vektora Aj u novoj bazi dobiju se po

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.

15.KONVEKSNI SKUPOVI (OSNOVNI POJMOVI, KONVEKSNA

KOMBINACIJA, GEOMETRIJSKA INTERPRETACIJA)
Skup vektora C je konveksan ako vrijedi X1,X2 Є C +α2X2 Є C pri čemu
je odnosno αi Є [0,1], i=1,2. Linearna kombinacija r vektora
iz En, za koju vrijedi , naziva se
konveksna kombinacija. U skladu s tim skup vektora je konveksan ako sadrži svaku
konveksnu kombinaciju svojih elemenata. Ako se nalazi u prostoru E2, tj ravnini
konveksna kombinacija dvaju vektora (točaka) je ustvari spojnica tih dviju točaka.
(graf) Sve konveksne kombinacije točaka A i B se nalaze na spojnici tih dviju točaka.
Ostale linearne kombinacije tih dvaju vektora nalazit će se izvan segmenta AB, ali na
pravcu koji prolazi tim dvjema točkama.
16.HIPERRAVNINA
Hiperravnina je skup H za koji vrijedi: Dakle,
hiperravnina je skup svih vektora iz Rn koji skalarno pomnoženi sa zadanim vektorom
A kao rezultat daju skalar b. Ako je b=0, hiperravnina je skup svih vektora koji su
okomiti na vektor A. U prostoru R2 hiperravnina je pravac. Hiperravnina je konveksni
skup jer konveksna kombinacija pripada skupu H.
17.TOČKE KONVEKSNOG SKUPA, KONVEKSNI POLIEDAR, KONVEKSNA
LJUSKA
Točke konveksnog skupa dijele se na unutarnje i rubne. Od rubnih točaka posebno su
važne ekstremne točke. X je ekstremna točka konveksnog skupa C ako se X ne može
izraziti kao konveksna kombinacija drugih dviju točaka Y i Z iz skupa C (Y≠Z).
Konveksni poliedar je konveksni skup koji je ograničen i ima konačan broj ekstremnih
točaka pri čemu ako su X1,X2,...,Xm ekstremne točke sve druge točke tog poliedra se
mogu izraziti kao konveksna kombinacija tih ekstremnih točaka. Konveksna ljuska

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.

LINEARNO PROGRAMIRANJE I SIMPLEKS METODA

18.STANDARDNI PROBLEM LP I NJEGOV DUAL

Max(Min){f(x1,x2,...,xn) |X Є S} standardni problem LP je odrediti maximum ili
minimum neke funkcije od n varijabli f(x1,x2,...,xn). F je funkcija cilja i pripada skupu S,
koji je definiran zadanim ograničenjima. Skup S je skup mogućih rješenja. Ukoliko
imamo problem max u LP, tj problem u kojem su sva ograničenja ≤ i oblika je
1) max . Tada svakom
problemu max pridružujemo dual originalnog problema, odnosno u ovom slučaju
problem min . Funkcija i ograničenja moraju biti linearni da
bi se radilo u problemu LP

19.MOGUĆA I OPTIMALNA RJEŠENJA PROBLEMA LP

Pojam linearnog programiranja je moguć ako postoji barem jedan vektor X koji
zadovoljava uvjete Takav vektor
zove se mogući vektor ili moguće rješenje dualnog problema linearnog programiranja.
Skup svih takvih vektora naziva se skup mogućih rješenja LP. Mogući vektor, odnosno
moguće rješenje je optimalno ako maksimizira linearnu funkciju max tj X*
optimalan (optimalno rješenje) ako vrijedi CTX*=

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).

21.GRAFIČKA METODA RJEŠAVANJA PROBLEMA LP

Ukoliko imamo problem linearnog programiranja sa samo 2 varijable, moguće ga je
riješiti grafički. Svaka točka iz skupa S zadovoljava zadane nejednadžbe i uvjete
nenegativnosti. Tih točaka ima beskonačno mnogo, a zadatak LP je izabrati jednu ili
više n za koju zadana funkcija cilja ima maximalnu ili minimalnu vrijednost. (graf)
+ ≤ ispod; nabla(n) z parcijalna derivacija; paralelno s funkcijom cilja pomičemo po nZ i u opt točki napušta
skup mogućih rješenja.

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.

24.OPĆI PROBLEM LP I NJEGOV DUAL (OSNOVNE POSTAVKE)

U općem problemu LP (koji može biti max i min) ograničenja mogu biti bilo kojeg tipa.
Dakle za razliku od standardnog problema u ovom slučaju mogu se u istom problemu
naći ograničenja tipa ≥ ≤ ali i =. Također neke varijable ne moraju imati ograničenje
nenegativnosti. Kod rješavanja je uobičajeno da se opći problem maximuma prebaci u
nejednadžbu ≤ a minimuma u ≥. Svakoj varijabli originalnog problema odgovara jedno

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 iS ;
YTAj  Cj jT ; YTAj = Cj jC(T) gdje je Aj oznaka za j-oti stupac-vektor
matrice A.

26.OSNOVNE POSTAVKE SIMPLEKS METODE

To je metoda rješavanja problema linearnog programiranja. Iterativna je metoda koja
kroz korake dolazi do rješenja. Prvo se konstruira neko početno moguće rješenje pa se
primjenjuje test da se odredi je li to optimalno rješenje. Ako to rješenje nije optimalno
metoda daje uputu kako ići do boljeg rješenja. Nakon određenog broja koraka dolazi se
do optimalnog rješenja. Radi se samo sa kanonskim problemom.
m
27.OBJAŠNJENJE RELACIJE  ( t i 0    t ij ) Ai    A j  A0 .
i 1

U ovoj relaciji A0 je prikazan pomoću m vektora baze A1,A2,...,Am i novog vektora Aj

koji može biti bilo koji od nebaznih vektora (j=m+1,...,n) u skladu sa sustavom
jednadžbi A1x1+A2x2+...+Anxn=A0 prikazano je jedno rješenje tog sustava. Rješenje ne
mora biti bazično na prvi pogled jer je A0 prikazan sa više od m vektora Aj ali nije ni
nemoguće jer nisu nužno svi koeficijeni razvoja jednadžbe negativni. Tako dobijemo

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 )

Ako je zadovoljena pretpostavka teorema cj zj i uz pretpostavku da je 0, slijedi da je

nova vrijednost funkcije cilja veća nego što je bila početna, tj. z  z0    (c j  z j ) > z0.
Time je teorem i dokazan.

29.TEOREM 2 ZA SIMPLEKS METODU (DISKUSIJA)

Ako je za neko j cj>zj (zj-cj<0) tada se može konstruirati jedan skup mogućih rješenja,
tako da za svaki član tog skupa vrijedi z>z0, gdje je gornja ograda od z konačna ili
beskonačna. Dakle, taj teorem tvrdi da dok god postoji neki vektor A j iz danog
problema LP za kojega je vrijednost odgovarajućeg koeficijenta iz funkcije cilja (c j)
veća od izraza zj moguće je dobiti neka druga rješenja koja su bolja od postojećeg z>z0.
Pri tome gornja ograda od z može biti i beskonačno velika, tj može se dogoditi da
problem LP nema optimalno rješenje.

30.KONSTRUKCIJA SIMPLEKS TABELE (DISKUSIJA)

Prvi korak je izabrati stupac nebazične varijable koja mora dospjeti u bazu, označimo
ga sa j. To je onaj stupac koji ima najnegativniji kvocijent u redu funkcije cilja. Ako ne
postoji niti jedan negativni element, postupak je završen te je pronađen optimum. Sada
treba vidjeti koja će bazična varijabla izaći iz baze (r), to je red u kojem se nalazi
najmanji pozitivni koeficijent : ar0/arj=min ai0/aij, aij>0. Element na sjecištu pronađenog
stupca i retka moramo svesti na 1. Ostale koeficijente u tablici računamo prema pravilu:
aij= aij-(arj/ars)*ais. Za problem minimuma je razlika što se u novu bazu uvodi vektor za
kojega je zj-cj>0, a kod problema maksimuma je bilo zj-cj<0.

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.

32.KRITERIJ ZA IZBOR VEKTORA KOJI IZLAZI IZ BAZE

Nakon što se izabere vektor As koji ulazi u novu bazu, vektro koji izlazi iz baze bira se
na sljedeći način: Ɵ= tr0/trs= min ti0/tis, tis>0. Ova relacija osigurava da novo rješenje
bude bazično i moguće. Pri tome, ako taj minimum nije jedinstven, dobiveno rješenje je
degenerirano.

33.KRITERIJI OPTIMALNOSTI ZA PROBLEM MAKSIMUMA I

MINIMUMA, ALTERNATIVNO OPTIMALNO RJEŠENJE, SIGNAL DA
NEMA OPTIMALNOG RJEŠENJA
Proces rješavanja problema simpleks metodom može završiti u dva slučaja: c j≤zj, nema
boljeg rješenja i dobiveno rješenje je optimalno, ili t ij≤0, , i neki fiksni j. Naime, tada
se, budući da je ti0˃0, ne može odrediti realni broj Ɵ≥0 tako da se poništi neka od
zagrada (ti0- Ɵ*tij), pa ne postoji novo bazično rješenje, a to znači da nema ni
optimalnog rješenja. Ako postoji i neko alternativno optimalno rješenje tada je (cj-
zj)=0, odnosno cj=zj za neki vektor Aj koji nije u bazi. Za taj vektor također dobivamo
jednaku vrijednost funkcije cilja.

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.

35.SIMPLEKS METODA I OPĆI PROBLEM LP

Kao i svaki problem LP koji želimo riješiti simpleks metodom potrebno je na početku
taj problem prevesti u kanonski oblik. Tu možemo i ne moramo imati pozitivne
jedinične vektore. Ako ih imamo iskoristimo ih za početnu bazu, a ako nam fali, uvesti
ćemo još toliko artificijelnih vektora da dobijemo kompletnu bazu. Nakon toga
simpleks nastavljamo ovisno od toga radi li se o problemu max ili min. Kod max
artificijelne varijable cilja imat će veliki negativni koeficijent –M (M je vrlo veliki
broj). Svrha koeficijenta je pogoršavanje funkcije cilja s namjerom da simpleks
metodom što prije artificijelne varijable dobiju vrijednost 0, odnosno vektori izađu iz
baze.

36.SIMPLEKS METODA ZA PROBLEME BEZ OGRANIČENJA

NENEGATIVNOSTI
Takvi problemi LP se rješavaju na dva načina: prvi način je problem prevesti u
kanonski oblik i iz tog oblika supstituirati varijablu koja nema ograničenje
nenegativnosti pomoću ostalih varijabli. Drugi način rješavanja je supstituiranje
varijable koja ima uvjet nenegativnosti s razlikom dviju novih nenegativnih varijabli.

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

40.OSNOVNI POJMOVI PROBLEMA TRANSPORTA

Osnovna definicija problema transporta, kao problema LP je prevesti homogeni
proizvod, odnosno teret iz skupa ishodišta u skup odredišta uz najniži mogući, odnosno
minimalni trošak.pretpostavke koje se vezuju uz problem transporta su homogenost
proizvoda(svakom odredištu je svejedno iz kojeg će ishodišta dobiti robu), linearni
troškovi, treća pretpostavka je da se roba prevozi direktno iz ishodišta u odredište ( ne
dopušta da neko odredište ili ishodište djeluje kao posrednička točka, nema pretovara).

41.MATEMATIČKA FORMULACIJA PROBLEMA TRANSPORTA KAO

PROBLEMA LP
Neka postoji m ishodišta i n odredišta neke robe. Označimo s a i (i=1,2,...,m) količinu
ponude i-tog ishodišta, a s bj (j=1,2,...,n) količinu potražnje u j-tom odredištu. S xij
označimo količinu tereta koja se transportira iz i-tog ishodišta u j-to odredište, a sa cij
jedinični trošak transporta. Problem transporta sastoji se u tome da se odredi količina
robe xij tako da potražnja svakog odredišta bude zadovoljena, ponuda svakog ishodišta
iskorištena, a trošak minimalan,
tj.1)min

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.

43.METODA "SKAKANJA S KAMENA NA KAMEN"

Metoda skakanja s kamena na kamen predstavlja modifikaciju simpleks metode. Jedna
od metoda za rješavanje problema transporta. Nakon što smo nekom od metoda
izgenerirali početno rješenje, tražimo diferencije zij  cij za nebazične varijable
(kamenja) , jer su bazične jednake nuli. Za svaku nebazičnu varijablu (prazno polje)
tražimo zatvoreni put, kojim se, "skačući s kamena na kamen" vraćamo na to polje na
sljedeći način: za odabrano prazno polje tražimo kamen u istom retku iz kojega se može
skočiti na kamen u istom stupcu. Nadalje, tražimo kamen iz novog retka na koji se
može skočiti u istom stupcu. Dalje nastavljamo na isti način dok ne dođemo na kamen
koji je u istom stupcu kao i početno prazno polje za koje želimo izračunati diferenciju
z ij  cij .

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

45.OTVORENI PROBLEM TRANSPORTA, NAČINI RJEŠAVANJA,

INTERPRETACIJA FIKTIVNIH VELIČINA
Otvoreni problem transporta je taj slučaj kada ponuda nije jednaka potražnji, odnosno
postoji višak/ manjak na jednoj ili drugoj strani. Rješava se na način da uvodimo
fiktivna ishodišta ili odredišta, ovisno da li fali ponude ili potražnje. Kada dobijemo
optimalno rješenje, ono će sadržavati neku količinu tereta koja će se transportirati u
nepostojeće odredište ili iz fiktivnog ishodišta. Ukoliko smo dodavali na stranu ponude
imat ćemo nezadovoljenu potražnju u nekom odredištu, a ako smo dodavali potražnju
imamo višak ponude u nekom ishodištu.

46.DEGENERACIJA U PROBLEMU TRANSPORTA

Degeneracija u problemu transporta je veoma česta pojava kod rješavanja problema
transporta. Problem je takav da nemamo m+n-1 pozitivnih bazičnih varijabli, tj
kamenčića nego manje od tog broja. Problem je taj što nam nedostaje kamenja kad
konstruiramo kružni put u transportnoj tablici. Da bi se izbjegla degeneracija potrebno
je neznatno izmijeniti marginalne totale, odnosno ponudu a i i potražnju b j uvođenjem
nekog malog pozitivnog broja ε>0. Nakon što smo dobili optimalno rješenje, zanemariti
ćemo mali pozitivni broj, odnosno pretpostavit ćemo da iznosi nula.

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.

50.METODA GRANANJA I OGRAĐIVANJA

Metoda grananja i ograđivanja sastoji se u tome da se skup svih mogućih kružnih
tokova podijeli na dva disjunktna podskupa i za svaki od njih se izračuna donja ograda
na troškove putovanja (ili duljinu puta). Nadalje se podskup sa manjom gornjom
ogradom ponovo dijeli na dva podskupa i taj se proces nastavlja dok se ne dobije samo
jedan kružni tok čija je ograda manja (ili eventualno jednaka) od svih donjih ograda za
ostale podskupove. Proces particije predstavlja se kao grananje drveta, a podskupovi
kao čvorovi, te odatle i dolazi naziv metode.

19