Professional Documents
Culture Documents
1
Sadržaj
1. Uvod ............................................................................................................................. 4
2. Elementi logističkih sustava......................................................................................... 5
3. Osnovni pojmovi o modelima ...................................................................................... 7
3.1. Pojam modela općenito ....................................................................................... 7
3.2. Vrste modela ....................................................................................................... 7
3.3. Primjena matematičkih modela u logistici ......................................................... 7
4. Optimiranje i postupak modeliranja ............................................................................. 9
5. Osnovna načela modeliranja ...................................................................................... 12
6. Rješavanje logističkih problema matematičkim modeliranjem ................................. 14
6.1. Primjena linearnoga programiranja .................................................................. 14
6.2. Analiza osjetljivosti matematičkoga modela .................................................... 15
6.3. Primjer rješavanja logističkoga problema optimiranjem linearnoga modela ... 19
7. Problem alokacije resursa .......................................................................................... 22
7.1. Primjer problemskoga zadatka alokacije resursa u planiranju proizvodnje ..... 22
7.1.1. Logički opis problema .......................................................................... 23
7.1.2. Matematički model problema ............................................................... 24
7.1.3. Optimalno rješenje problema ................................................................ 25
7.1.4. Analiza osjetljivosti .............................................................................. 26
7.2. Problem operativnoga planiranja ...................................................................... 28
7.2.1. Primjer problemskoga zadatka operativnoga planiranja ....................... 29
7.2.2. Logički opis problema .......................................................................... 29
7.2.3. Matematički model problema ............................................................... 31
7.2.4. Optimalno rješenje problema ................................................................ 32
8. Transportni problem ................................................................................................... 35
8.1. Matematički model transportnoga problema .................................................... 36
8.2. Primjer osnovnoga transportnoga problema ..................................................... 37
8.2.1. Logički opis problema .......................................................................... 38
8.2.2. Rješivost problema ............................................................................... 38
8.2.3. Matematički model problema ............................................................... 39
8.2.4. Optimalno rješenje problema ................................................................ 39
9. Lokacijski problem .................................................................................................... 43
9.1. Primjer osnovnoga lokacijskoga problema....................................................... 44
9.1.1. Logički opis problema .......................................................................... 46
2
9.1.2. Rješivost problema ............................................................................... 47
9.1.3. Matematički model problema ............................................................... 48
9.1.4. Optimalno rješenje problema ................................................................ 49
9.2. Prošireni lokacijski problem ............................................................................. 52
10. Problem distribucijske mreže .................................................................................... 56
10.1. Primjer problema distribucijske mreže ............................................................. 57
10.1.1. Rješivost problema .............................................................................. 59
10.1.2. Matematički model problema ............................................................. 59
10.1.3. Optimalno rješenje problema .............................................................. 61
10.2. Uvođenje cross docking terminala u distribucijsku mrežu ............................. 64
10.2.1. Matematički model distribucijske mreže s XD terminalom ............... 66
10.2.2. Optimalno rješenje problema .............................................................. 67
11. Heurističke metode .................................................................................................... 70
11.1. Pojam heuristike ............................................................................................. 70
11.2. Primjena heurističkih metoda ......................................................................... 72
11.2.1. Problem trgovačkoga putnika .............................................................. 74
11.2.2. Problem naprtnjače.............................................................................. 77
11.2.3. Problem kineskoga poštara ................................................................. 78
11.3. Klasifikacija heurističkih metoda ................................................................... 78
11.4. Opće heuristike – metaheuristike .................................................................... 80
11.4.1. Princip lokalnoga pretraživanja........................................................... 80
11.4.2. Simulirano kaljenje ............................................................................. 83
11.4.3. Tabu pretraživanje ............................................................................... 85
11.4.4. Genetski algoritam ............................................................................. 87
11.4.5. Mravlja kolonija .................................................................................. 89
11.5. Zadatci za vježbu ............................................................................................ 91
LITERATURA .................................................................................................................. 95
POPIS TABLICA.............................................................................................................. 96
POPIS SLIKA ................................................................................................................... 97
POPIS PRILOGA.............................................................................................................. 99
3
1. Uvod
4
2. Elementi logističkih sustava
1
Segetlija, Z. 2006. Distribucija. Ekonomski fakultet. Osijek. 181−184.
2
Ghiani, G.; Laporte, G.; Musmanno, R. 2013. Introduction to Logistics Systems Management. Second
Edition. John Wiley & Sons Ltd. Chichester. West Sussex. p. 2.
5
Stoga se može reći kako bi primjereniji naziv za takav logistički sustav bio opskrbna mreža,
no zbog uvažavanja općeprihvaćenoga nazivlja i konzistentnosti izlaganja primjenjivat će se
naziv opskrbni lanac (engl. Supply Chain).
6
3. Osnovni pojmovi o modelima
Model se općenito može definirati kao predložak, obrazac, uzorak, prikaz, plan ili opis
stvarnoga predmeta, pojave, stanja, zbivanja, sustava ili koncepta, odnosno kao
pojednostavljeni sažetak stvarnosti koji pomaže u daljnjem istraživanju.
Prednost je rada na modelu u odnosu na stvarni sustav u tome što se očekivani rezultati
izgrađivanja ili modificiranja nekoga sustava kvantificiraju na modelu bez da se izgrađuje,
odnosno modificira stvarni sustav. U pojedinim slučajevima modificiranje stvarnoga sustava
nije moguće (primjerice u astronomiji i meteorologiji), nije dopušteno (primjerice u medicini)
ili iziskuje prevelike troškove, odnosno utrošak vremena (primjerice u industriji).
7
Prema namjeni razlikuju se dvije vrste matematičkih modela3:
1. Modeli optimiranja − primjenjuju se u cilju postizanja maksimalne ili minimalne
vrijednosti neke veličine (maksimizacija dobiti, učinkovitosti odnosno minimizacija
troškova, potrebnih radnih sati...).
2. Modeli predviđanja − primjenjuju se s ciljem opisivanja i predviđanja stanja
(događaja) koja se očekuju pod određenim uvjetima (predviđanje potražnje, rokova
izvršenja pojedinih aktivnosti...).
Izlazni podatci dobiveni na modelu predviđanja (odziv modela) mogu se koristiti kao
ulazni podatci za modele optimiranja kada je potrebno kvantificirati očekivane promjene.
Logistički su sustavi dinamički sustavi složeni od velikoga broja elemenata i njihovih
interakcija, od kojih su mnoge nelinearne i nedeterminističke te se kod modeliranja uvode
određena pojednostavljenja kako bi se promatrani sustavi mogli matematički opisati.
Primjerice, isključuju se pojedini elementi sustava koji nisu važni za promatrani problem,
zanemaruje se stohastična sastavnica relacija, dinamičke se veličine smatraju stalnima i sl., no
pojednostavljenja su dopuštena samo u granicama unutar kojih ne mogu bitno utjecati na
rezultat.
U svrhu rješavanja logističkih problema primjenjuju se dvije kategorije modela,
deskriptivni i normativni, kako je prikazano na Slici 2.
Modeli logističkih
sustava
Deskriptivni Normativni
modeli modeli
3
Lawrence, J. A.; Pasternack, B. A. 2002. Applied Management Science. John Wiley & Sons. New Jersey.
p. 8.
8
▪ simuliranje funkcioniranja opskrbnoga lanca ili samo određenoga dijela kao funkcije
njegovih parametara i strategije.
Normativni modeli primjenjuju se u svrhu donošenja odluka u sklopu projektiranja,
izvedbe i nadzora, odnosno poboljšavanja pojedinih podsustava opskrbnoga lanca. Pojam
normativni ovdje se odnosi na definiranje norme (standarda) koja se želi postići. Normativni su
modeli modeli optimiranja, odnosno matematički modeli. Izrada matematičkoga modela
podrazumijeva postojanje deskriptivnoga modela i važnih podataka kao ulaznih veličina, a
njihova kvaliteta izravno utječe na kvalitetu rješenja koje je dobiveno optimiranjem.
9
Treba napomenuti kako se svi problemi ne mogu rješavati optimiranjem. Primjeri
logističkih problema koji se mogu rješavajti optimiranjem:
▪ odrediti plan proizvodnje tako da se ostvari najveća dobit;
▪ rasporediti posao tako da se utroši najmanje radnoga vremena;
▪ odrediti najkraći put na transportnoj mreži;
▪ odrediti raspored dostave tako da transportni troškovi budu minimalni;
▪ odrediti lokacije i kapacitete LDC-a tako da potražnja bude zadovoljena, a troškovi
distribucije minimalni;
▪ ostali logistički problemi kod kojih se rješenje može svesti na minimizaciju ili
maksimizaciju neke veličine, uz uvažavanje određenih ograničenja.
Kako bi se mogla izvesti kvantitativna analiza nekoga sustava iz realnoga svijeta, potrebno
je izraditi matematički model toga sustava. Sam je postupak modeliranja osjetljiv i zahtijeva
određeno iskustvo, a ponekad i intuiciju.
Pristup rješavanju problema matematičkim modeliranjem sastoji se od četiri osnovna
koraka4, kako je shematski prikazano na Slici 4.
1. Definiranje
problema
2. Izrada matematičkog
modela
3. Rješavanje problema
na modelu
4. Interpretacija
rezultata
4
Ibidem. p. 9.
10
Može se reći kako gotovo i nema sustava, procesa ili zbivanja u realnom svijetu koje bi se
moglo potpuno vjerno prenijeti u matematički model. Kod izrade modela zanemaruju se mnoge
informacije i međusobne zavisnosti (interakcije elemenata realnoga sustava). U model se unose
samo one veličine i one relacije koje se smatraju važnima za dobivanje optimalnoga rješenja
problema zbog kojega se model izrađuje.
Veze i zavisnosti u realnom svijetu najčešće su nelinearne i nedeterminističke. Međutim,
podatci o realnom svijetu nikada nisu potpuno točni. Bitno je kod izrade modela procijeniti ili
kvantitativnim metodama odrediti točnost podataka kako bi se onda prema tomu uvela
odgovarajuća pojednostavljenja na modelu.
Postupak modeliranja shematski je prikazan na Slici 5. Sastoji se od sljedećih osnovnih
koraka:
1. Analizom realnoga sustava dobivaju se informacije (struktura, ulazni podatci,
funkcionalni odnosi) potrebne za formulaciju modela.
2. Odabranim postupcima na modelu (tehnike modeliranja) dobiva se odziv, odnosno
zaključci o ponašanju modela.
3. Zaključke izvedene na modelu treba interpretirati s obzirom na primijenjene tehnike
modeliranja, kako bi bili primjenjivi u realnom sustavu.
4. Interpretirane zaključke zatim treba usporediti sa zaključcima do kojih se dolazi
analizom realnoga sustava bez korištenja modela (strelica u suprotnom smjeru). Tek se
nakon toga mogu formulirati elementi za donošenje stvarne odluke.
Formulacija
Realni
MODEL
sustav
Dedukcija
Zaključci o Interpretacija
realnom Zaključci o
sustavu modelu
11
5. Osnovna načela modeliranja
5
Načela kojih se pri modeliranju treba pridržavati u svojim radovima spominju brojni autori te su ovdje
izdvojene osnove u kojima se većina autora slaže.
12
proizvodnje. Prije izrade modela te se artikle, zbog njihove relativno visoke prodajne
cijene, smatralo profitabilnima.
9. Model ne može biti bolji od ulaznih podataka. Kvaliteta rezultata dobivenih primjenom
modela ne može biti bolja od kvalitete ulaznih podataka. Ni model ni računalo ne mogu
generirati nova saznanja, odnosno informacije. Privid generiranja podataka može se dobiti
korištenjem ekspertnih sustava, međutim, riječ je o kvalitetnim informacijama koje su bile
inicijalno unesene pri izradi modela. Analizom podataka čija je priroda stohastička
neizvjesnost se može kompenzirati, ali ne i ukloniti. Obogaćivanje modela stoga neće
donijeti očekivane učinke ako se ne poboljša kvaliteta ulaznih podataka.
10. Model nije zamjena za odlučivanje. Operacijska istraživanja pružaju informacije koje
pomažu pri donošenju odluke, no osim kod rutinske primjene, ne predstavljaju i samu
odluku. Općenito, postoje stajališta realnoga sustava koja nisu obuhvaćena modelom, bilo
zbog toga što ih se ne može kvantificirati ili zbog toga što ovise o okruženju pa je njihovo
pojavljivanje nepredvidivo.
13
6. Rješavanje logističkih problema matematičkim modeliranjem
14
MODEL
VARIJABLE OPTIMALNO
ODLUČIVA
NJA RJEŠENJE
OGRANIČE
Ulazne veličine NJA Interpretacija
(UVJETI)
FUNKCIJA
CILJA
16
Postupak određivanja optimalnoga rješenja grafičkom metodom prikazan je na Slici 7., a
sastoji se od sljedećih koraka:
1. Nacrtati grafove ograničenja kako bi se odredilo područje izvedivosti koje
predstavlja poligon s vrhovima u točkama (0,0), (150,0), (100,100), (50,150) i
(0,150). Navedene točke nazivaju se točke ekstrema.
2. Uzeti proizvoljnu vrijednost funkcije cilja i nacrtati njezin graf. Vrijednost funkcije
mora biti takva da graf prolazi kroz područje izvedivosti, primjerice:
40x1 + 60x2 = 2400.
3. Graf funkcije cilja translatirati u smjeru povećanja vrijednosti funkcije, najdalje
dok još dira područje izvedivosti (u jednoj od točaka ekstrema).
4. Koordinate najdalje točke ekstrema područja izvedivosti predstavljaju optimalne
vrijednosti varijabla, tj. optimalno rješenje (x1 = 50, x2 = 150).
5. Uvrštavanjem optimalnoga rješenja u matematički izraz funkcije cilja dobiva se
njezina maksimalna vrijednost (max F = 11 000).
x2
300
x 1 , x2 ≥ 0
(pvi
(prvikvadrant)
kvadrant)
200
x2 ≤ 150
(50,150)
100
40
Optimalno rješenje ovoga problema može se dobiti i pomoću MS Excel programskoga alata
Solver, koji osim toga omogućuje i generiranje rezultata analize osjetljivosti.
Primjena MS Excel programskoga alata Solver bit će podrobnije opisana i demonstrirana
na više primjera u sljedećim točkama, a ovdje su za potrebe razmatranja analize osjetljivosti,
optimalnoga rješenja, u Tablici 1. prikazani samo rezultati analize osjetljivosti (engl. Sensitivity
Report), generirani primjenom spomenutoga programskoga alata.
17
Tablica 1. Rezultati analize osjetljivosti
Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$7 Optimalno rješenje x1 50 0 40 20 40
$C$7 Optimalno rješenje x2 150 0 60 1E+30 20
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$D$3 1. ograničenje lijeva strana 200 40 200 25 50
$D$4 2. ograničenje lijeva strana 250 0 300 1E+30 50
$D$5 3. ograničenje lijeva strana 150 20 150 50 50
Objašnjenje Tablice 1.
6
NP-problemi (ili problemi klase NP) problemi su za koje je moguće definirati nedeterminističke Turingove
strojeve koji ih rješavaju u polinomnom vremenu.
7
Cf. infra točku 11.1. Pojam heuristike
19
Problem naprtnjače i njegovo rješavanje svođenjem na problem optimiranja, kako bi se do
rješenja došlo optimiranjem matematičkoga modela, prikazani su na sljedećem primjeru
problemskoga zadatka.
Primjer problema naprtnjače
Neka je dano n predmeta Pi , svaki od njih mase mi i vrijednosti vi , i = 1, ... , n. Treba
odabrati koje predmete ukrcati u prijevozno sredstvo kapaciteta M tako da njihova ukupna
vrijednost bude najveća, a da ukupna masa ne prelazi kapacitet prijevoznoga sredstva.
Kapacitet prijevoznoga sredstva iznosi M = 900 kg, a mase i vrijednosti predmeta prikazani
su u Tablici 2.
Funkcija cilja
n
max F xi vi
i 1 (6.6.)
Ograničenje
n
x m
i 1
i i M
(6.7.)
gdje je: vi = vrijednost predmeta Pi
mi = masa predmeta Pi
M = kapacitet prijevoznoga sredstva
n = ukupan broj predmeta (n = 15)
xi = varijabla odlučivanja, član uređene n-torke X = (xi, ... , xn) ϵ {0,1}
tumači se: 1 = predmet je ukrcan, 0 = predmet nije ukrcan
20
Optimalno rješenje problema
Svaka uređena n-torka X = (x1, ... , xn) ϵ {0,1} koja zadovoljava ograničenje:
n
x m
i 1
i i M
moguće je ili izvedivo rješenje problema, dok je optimalno rješenje u ovom slučaju ono
koje daje najveću vrijednost funkcije cilja (max F).
Optimalno rješenje problema dobiveno primjenom MS Excel programskoga alata Solver
prikazano je u Tablici 3.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options
programskoga alata Solver, s upisanim podatcima, prikazan je u Prilogu 1. Kako predmetom
ovoga izlaganja nisu karakteristike programskoga alata, neće se dalje objašnjavati značenje
pojednih parametara i opcija8.
8
Značenje pojedinih parametara i opcija podrobno je opisano u pratećoj dokumentaciji programskoga paketa,
a osnovna su objašnjenja dostupna pod opcijom < Help >.
21
7. Problem alokacije resursa
Tvrtka proizvodi (sklapa) tri vrste računala: desktop (DT), laptop (LT) i workstation (WS).
Nakon sklapanja i testiranja računala se pakiraju i stavljaju u prodaju. Ograničeni su resursi
22
raspoloživost pogona za sklapanje i kapacitet linija za testiranje, dok ostale aktivnosti (nabava,
pakiranje, distribucija...) nisu ograničene. Treba alocirati ove resurse i odrediti tjedni plan
proizvodnje DT/LT/WS (koliko komada pojedine vrste računala proizvesti) tako da dobit na
kraju radnoga tjedna bude najveća, uz zadana ograničenja i ulazne veličine.
Za sljedeći radni tjedan raspoloživo je:
▪ 800 radnih sati prvoga pogona, u kojem se sklapaju DT-i i WS-i
▪ 520 radnih sati drugoga pogona, u kojemu se sklapaju LT-i
▪ 240 radnih sati A-linije za testiranje DT-a i LT-a
▪ 280 radnih sati B-linije za testiranje WS-a.
Jedinična dobit po vrstama računala iznosi:
▪ 100 €/DT
▪ 110 €/LT i
▪ 160 €/WS.
Norma za sklapanje računala iznosi:
▪ 2 radna sata/DT
▪ 2 radna sata/LT i
▪ 4 radna sata/WS.
Norma za testiranje računala iznosi:
▪ 1 radni sat/DT
▪ 1 radni sat/LT i
▪ 2 radna sata/WS.
Kako se ovdje razmatra isključivo problem planiranja proizvodnje u užem smislu, ostali
podsustavi koji utječu na proizvodnju, ali sami nisu dio proizvodnje (nabava, prodaja), mogu
se zanemariti. Stoga se pretpostavlja kako stalno postoji dovoljna zaliha sastavnica potrebnih
za sklapanje računala te kako se sva proizvedena računala mogu prodati.
Logički opis problema prethodi izradi matematičkoga modela. Sadrži funkcionalni prikaz
strukture postavljenoga zadatka koji odgovara strukturi matematičkoga modela linearnoga
programiranja, kako slijedi:
Funkcija cilja sadrži kriterij optimalnosti:
−maksimizirati dobit radnoga tjedna.
Varijable odlučivanja promjenjive su veličine čije vrijednosti treba odrediti radi
dobivanja optimalnoga rješenja problema, odnosno optimalne vrijednosti funkcije cilja:
−broj desktopa koje treba sklopiti (nDT)
−broj laptopa koje treba sklopiti (nLT)
− broj workstationa koje treba sklopiti (nWS).
23
Ograničenja određuju kvantitativno područje dopuštenih vrijednosti varijabla
odlučivanja, odnosno područje izvedivosti:
−raspoloživost prvoga pogona za sklapanje (800 radnih sati, odnosno 20 radnika za
40-satni radni tjedan);
−raspoloživost drugoga pogona za sklapanje (520 radnih sati, odnosno 13 radnika za
40-satni radni tjedan);
−kapacitet A-linije za testiranje (240 radnih sati, odnosno 6 radnika za 40-satni radni
tjedan);
−kapacitet B-linije za testiranje (280 radnih sati, odnosno 7 radnika za 40-satni radni
tjedan).
Ulazne veličine podatci su dobiveni analizom realnoga sustava:
−jedinična dobit po računalu: 100 €/DT, 110 €/LT i 160 €/WS;
− norma za sklapanje računala: 2 sata/DT, 2 sata/LT, 4 sata/WS;
−norma za testiranje računala: 1 sat/DT, 1 sat/LT, 2 sata/WS.
Pojednostavljenja uvedena u skladu s promatranim problemom:
−stalno je raspoloživa dovoljna količina sastavnica za potrebe proizvodnje;
−sva proizvedena računala mogu se prodati.
Funkcija cilja:
max F = 100nDT + 110nLT + 160nWS. (7.1.)
Ograničenja:
2nDT + 4nWS ≤ 800 prvi pogon za sklapanje (7.2.)
2nLT ≤ 520 drugi pogon za sklapanje (7.3.)
nDT + nLT ≤ 240 A − linija za testiranje (7.4.)
2nWS ≤ 280 B − linija za testiranje (7.5.)
nDT ≥ 0, nLT ≥ 0, nWS ≥ 0 varijable su nenegativne9 (7.6.)
gdje je:
nDT = broj desktopa koje treba sklopiti
nLT = broj laptopa koje treba sklopiti
nWS = broj workstationa koje treba sklopiti.
9
Ovo je ograničenje stavljeno iz logičkih razloga. Proizvesti se može niti jedno, jedno ili više računala.
Negativna vrijednost ovdje ne bi imala smisla jer se ne može proizvesti negativan broj računala.
24
Svako je rješenje (nDT, nLT, nWS) koje zadovoljava postavljena ograničenja (matematički
izrazi od 7.2. do 7.6.) moguće ili izvedivo rješenje, a takvih rješenja ima više.
Optimalno rješenje jedno je od mogućih rješenja, u ovom slučaju ono koje daje najveću
vrijednost funkcije cilja (matematički izraz 7.1.).
Za rješavanje je problema optimiranjem matematičkoga modela primjenom MS Excel
programskoga alata Solver bitno uočiti sljedeća svojstva toga modela:
1. Model ima jednu funkciju cilja.
2. Varijable odlučivanja (argumenti funkcije cilja) međusobno su neovisne, a njihov se
učinak na vrijednost funkcije cilja zbraja.
3. Relacije između vrijednosti funkcije cilja i njezinih argumenata (varijabla odlučivanja),
kao i relacije ograničenja linearne su.
4. Varijable odlučivanja mogu poprimiti bilo koju nenegativnu cjelobrojnu vrijednost, pri
čemu je kod tumačenja dopušteno zaokruživanje (realni brojevi → cijeli brojevi) jer su
vrijednosti koje varijable mogu poprimiti dovoljno velike, te se odstupanja nalaze u
granicama točnosti ulaznih podataka (zaokruživanje ne može dovesti do grube
pogreške).
Tjedni plan proizvodnje koji daje najveću dobit (max F = 48.800,00 €), odnosno optimalno
rješenje problema (nDT = 0, nLT = 240, nWS = 140) dobiveno optimiranjem matematičkoga
modela primjenom MS Excel programskoga alata Solver prikazano je u MS Excel tablici na
Slici 8.
Ulazni podatci modela (konstante) zapisani su u MS Excel tablici (Slika 8.), u ćelijama od
B2, C3 i D2 (norma za sklapanje), B4, C4 i D5 (norma za testiranje), B6 do D6 (jedinična dobit)
te u G2 do G5 (kapaciteti pogona za sklapanje i linija za testiranje), onako kako su zadani.
25
Matematički izrazi koji čine strukturu modela (od 7.1. do 7.5.) također su, u obliku MS
Excel formula, upisani u odgovarajuće ćelije MS Excel tablice prikazane na Slici 8., kako je
navedeno u Tablici 5.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options
programskoga alata Solver, s upisanim podatcima, prikazan je u Prilogu 2.
Iako se ovaj primjer odnosi na planiranje proizvodnje, stoga je samo neizravno povezan s
problematikom transporta (preko logistike nabave i logistike distribucije), odabran je jer se na
njemu može dobro prikazati praktična primjena analize osjetljivosti.
26
Slika 9. Rezultati analize osjetljivosti, engl. Sensitivity Report
Izvor: Izradili autori
Funkcija cilja:
▪ Final Value predstavlja vrijednosti varijabla odlučivanja u optimalnom rješenju (tjedni plan
proizvodnje: broj komada desktopa, laptopa i workstationa).
▪ Reduced Cost predstavlja minimalan iznos za koji treba povećati koeficijent uz varijablu
odlučivanja čija je optimalna vrijednost jednaka nuli da se optimalno rješenje promijeni
tako da ista varijabla bude veća od nule.
▪ U ovom slučaju to je jedinična dobit na desktopima (DT) koju treba povećati za najmanje
10 ako bi njihova proizvodnja postala isplativa.
▪ Objective Coefficient predstavlja koeficijente uz varijable odlučivanja, tj. jediničnu
dobit po desktopu/laptopu/workstationu (ulazne veličine).
▪ Allowable Increase predstavlja maksimalno povećanje jedinične dobiti kod kojega
optimalno rješenje ostaje nepromijenjeno: <10/desktop, +∞/laptop, +∞/workstation.
▪ Allowable Decrease predstavlja maksimalno smanjenje jedinične dobiti kod kojega
Ograničenja:
▪ Final Value predstavlja utrošak resursa: 560 sati u prvom pogonu (neispunjeno
ograničenje), 480 sati u drugom pogonu (neispunjeno ograničenje), 240 sati na A-liniji
(ispunjeno ograničenje) te 280 sati na B-liniji (ispunjeno ograničenje).
Iz toga proizlazi kako linije za testiranje predstavljaju usko grlo, tj. kako njihov kapacitet
ograničava proizvodnju, odnosno ukupnu dobit (maksimalnu vrijednost funkcije cilja).
27
▪ Shadow price (dualna cijena) predstavlja povećanje vrijednosti funkcije cilja, u ovom
slučaju ukupne dobiti radnoga tjedna, uz jedinično povećanje kapaciteta resursa:
Iz toga proizlazi kako se ulaganje u povećanje kapaciteta A-linije za testiranje isplati ako
je cijena dodatnoga radnoga sata manja od 110 €, a u povećanje kapaciteta B-linije ako je
cijena dodatnoga radnoga sata manja od 80 €.
Ulaganje u povećanje kapaciteta pogona za sklapanje neovisno o povećanju kapaciteta
linija za testiranje nije isplativo jer njihov kapacitet ne ograničava proizvodnju.
▪ Allowable Increase/Decrease predstavlja područje izvedivosti, tj. raspon promjena
kapaciteta resursa (prvi pogon, drugi pogon, A-linija, B-linija) unutar kojega vrijede
navedene dualne cijene.
28
7.2.1. Primjer problemskoga zadatka operativnoga planiranja
Prilagodili autori prema Chopra, S.; Meindl, P. 2004. Supply Chain Management. Pearson Education Inc.
New Jersey. p. 211.
Funkcija cilja
Varijable odlučivanja
Promjenjive veličine koje određuju vrijednost funkcije cilja. Vrijednosti tih promjenjivih
veličina treba odrediti tako da vrijednost funkcije cilja bude minimalna uz postavljena
ograničenja:
Rm = broj radnika u mjesecu m, m = 1, . . . , 6
PRm = povećanje broja radnika u mjesecu m, m = 1, . . . , 6
(dodatni broj radnika angažiranih na početku mjeseca m)
SRm = smanjenje broja radnika u mjesecu m, m = 1, . . . , 6
(broj radnika raspoređenih na druge poslove početkom mjeseca m)
Km = broj komada proizvedenih u mjesecu m, m = 1, . . . , 6
(proizvodnja u mjesecu m)
29
Zm = zalihe na kraju mjeseca m, m = 1, . . . , 6
Nm = neispunjene narudžbe na kraju mjeseca m, m = 1, . . . , 6
(broj komada koji još nisu isporučeni po primljenim narudžbama u mjesecu m)
PSm = broj prekovremenih sati u mjesecu m, m = 1, . . . , 6.
Ograničenja
Ulazni podatci
30
7.2.3. Matematički model problema
Funkcija cilja
6 6 6 6 6 6
min F 200PRm SRm 500Rm 5PS m 2Z m 10 N m 10Km
m 1 m 1 m 1 m 1 m 1 m 1 (7.7.)
1. 2. 3. 4. 5. 6.
Ograničenja
1. Broj radnika
Rm Rm1 PRm SRm ; PRm , SRm 20 m 1,...,6 i R0 100
, (7.8.)
odnosno u formi varijable na lijevoj strani, konstanta na desnoj strani:
Rm Rm1 PRm SRm 0 ; PRm , SRm 20 m 1,...,6 i R0 100
. (7.9.)
Broj radnika Rm u mjesecu m jednak je broju radnika Rm-1 u mjesecu m-1 umanjenom za
SRm (smanjenje broja radnika u mjesecu m) odnosno uvećanom za PRm (povećanje broja
radnika u mjesecu m).
R0 je inicijalni broj radnika (na početku planskoga razdoblja).
2. Proizvodnja
1
Km 40Rm PS m m 1,...,6
4 , (7.10.)
odnosno u formi varijable na lijevoj strani, konstanta na desnoj strani:
1
40Rm PS m Km 0 m 1,...,6
4 . (7.11.)
31
Proizvodnja Km u mjesecu m ograničena je raspoloživim brojem radnih sati (redovitih i
prekovremenih) u mjesecu m.
S obzirom na normu (4 sata/komad) svaki radnik može proizvesti 40 jedinica proizvoda
mjesečno u redovitom radnom vremenu te po jedan proizvod za svaka četiri prekovremena
sata.
3. Neispunjene narudžbe
N m Zm m 1,...,6 ; N 6 0 , (7.12.)
odnosno u formi varijable na lijevoj strani, konstanta na desnoj strani:
Zm N m 0 m 1,...,6 ; N 6 0 . (7.13.)
Količina neispunjenih narudžba ne smije prijeći razinu zaliha u tekućem mjesecu, s tim da
na kraju planskoga razdoblja ne smije ostati neispunjenih narudžba.
5. Prekovremeni sati
PSm 12 Rm m 1,...,6
, (7.15.)
odnosno u formi varijable na lijevoj strani, konstanta na desnoj strani:
12Rm PSm 0 m 1,...,6
. (7.16.)
6. Zadovoljenje potražnje
Zm1 Km Pm N m1 Zm N m m 1,...,6
, (7.17.)
odnosno u formi varijable na lijevoj strani, konstanta na desnoj strani:
Zm1 Km Pm N m1 Zm N m 0 m 1,...,6
. (7.18.)
Ukupna potražnja koju treba zadovoljiti u mjesecu m jednaka je zbroju potražnje Pm u
mjesecu m i neispunjenih narudžba Nm-1 iz prethodnoga mjeseca m-1. Ta se ukupna
potražnja može zadovoljiti iz proizvodnje Km tekućega mjeseca i zaliha prethodnoga
mjeseca Zm-1 ili se dio može prebaciti u sljedeći mjesec kao neispunjene narudžbe Nm
tekućega mjeseca. U mjesecu m može se proizvoditi i više nego što je potrebno za
zadovoljenje ukupne potražnje u tom mjesecu radi stvaranja zaliha Zm.
Matematički izrazi koji čine strukturu modela (funkcija cilja, ograničenja) također su u
obliku MS Excel formula upisani u odgovarajuće ćelije MS Excel tablice, koja je prikazana na
Slici 10. Matematički izrazi modela, odgovarajuće MS Excel formule i ćelije u koje su određene
formule upisane navedene su u Tablici 6. Matematički izrazi 7.12. i 7.14. mogu se svesti na
neposredno uspoređivanje vrijednosti u odnosnim ćelijama te su stoga upisani izravno u
dijaloški okvir Solver Parameters, koji je prikazan u Prilogu 3.
Tablica 6. Zapisi matematičkih izraza modela u MS Excel tablici
Matematički
Excel formula Ćelija
izraz
= B6*200 B15:B20
= C6*200 C15:C20
= D6*500 D15:D20
= E6*5 E15:E20
(7.7.)
= F6*2 F15:F20
= G6*10 G15:G20
= H6*10 H15:H20
= SUM(B15:H20) I21
(7.9.) = D6-D5-B6+C6 K6:K11
(7.11.) = 40*D6+E6/4-H6 L6:L11
(7.16.) = 12*D6-E6 M6:M11
(7.18.) = F5+H6-I6-G5-F6+G6 N6:N11
33
U MS Excel tablici koja je prikazana na Slici 10. dodatno je napravljen izračun mjesečnih
troškova (stupac I15:I20), mjesečnih prihoda (stupac K15:K20) i mjesečne dobiti (stupac
L15:L20) te ukupnoga troška (I21) koji odgovara vrijednosti funkcije cilja, ukupnoga prihoda
(K21) i ukupne dobiti (L21) za cijelo plansko razdoblje.
Mjesečni prihod izračunava se kao umnožak jedinične prodajne cijene i potražnje tekućega
mjeseca, umanjene za neispunjene narudžbe tekućega mjeseca i uvećane za neispunjene
narudžbe prethodnoga mjeseca, kako slijedi:
𝑃𝑟𝑖ℎ𝑜𝑑 𝑚𝑗𝑒𝑠𝑒𝑐𝑎 𝑚 = 50 ∙ (𝑃𝑚 − 𝑁𝑚 + 𝑁𝑚−1 ), (7.19.)
odnosno u obliku MS Excel formule upisane u ćeliju K15:
= 50*(I6-G6+G5), kopirano u sljedeće ćelije stupca do K20.
Mjesečna dobit izračunava se kao razlika između mjesečnoga prihoda i mjesečnoga troška,
kako slijedi:
𝐷𝑜𝑏𝑖𝑡 𝑚𝑗𝑒𝑠𝑒𝑐𝑎 𝑚 = 𝑃𝑟𝑖ℎ𝑜𝑑 𝑚𝑗𝑒𝑠𝑒𝑐𝑎 𝑚 − 𝑇𝑟𝑜š𝑎𝑘 𝑚𝑗𝑒𝑠𝑒𝑐𝑎 𝑚, (7.20.)
odnosno u obliku MS Excel formule upisane u ćeliju L15:
= K15-I15, kopirano u sljedeće ćelije stupca do L20.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options
programskoga alata Solver, s upisanim podatcima, prikazani su u Prilogu 3.
34
8. Transportni problem
35
Optimalno rješenje transportnoga problema jest povezivanje izvorišnih čvorova
(proizvodni pogoni, distribucijski centri...) i odredišnih čvorova (skladišta, prodajna mjesta...)
transportnim putovima tako da potražnja bude zadovoljena, a trošak transporta minimalan.
funkcija cilja
n m
min F tij qij (8.1.)
i 1 j 1
ograničenja
n
q
i 1
ij pj j 1,..., m (8.2.)
q
j 1
ij ki i 1,..., n (8.3.)
gdje je:
tij = jedinični transportni trošak na relaciji od izvora i do odredišta j
qij = količina robe koja se iz izvora i transportira do odredišta j
m = ukupan broj odredišta čiju potražnju treba zadovoljiti
n = ukupan broj izvora
ki = kapacitet izvora i
pj = potražnja odredišta j.
Jednadžba (8.1.) predstavlja funkciju cilja, tj. ukupni transportni trošak na razini cijele
mreže kao zbroj produkata količine robe i jediničnoga transportnoga troška na svim relacijama
transportne mreže.
Jednadžba (8.2.) predstavlja ograničenje koje određuje kako potražnja svih odredišta mora
biti zadovoljena, nejednadžba (8.3.) predstavlja ograničenje koje određuje kako ukupna
količina robe koja se transportira iz pojedinoga izvora ne može biti veća od njegovoga
kapaciteta, a nejednadžba (8.4.) predstavlja uvjet nenegativnosti varijable odlučivanja
(transport negativne količine robe nema logičkoga smisla).
36
8.2. Primjer osnovnoga transportnoga problema
Prilagodili autori prema Chopra, S.; Meindl, P. 2004. Supply Chain Management. Pearson Education Inc.
New Jersey. p. 119.
Ulazni podatci problema, odnosno poznate (zadane) veličine: jedinični transportni troškovi
(€/paleta), potražnja po gradovima (paleta/mjesec) i kapaciteti LDC-a po lokacijama
(paleta/mjesec) prikazani su u Tablici 7.
37
Tablica 7. Ulazni podatci problema
Transportni troškovi (€/paleta)
Kapacitet
Od / Do Budapest Szeged Ljubljana Maribor Osijek Rijeka Sarajevo Split Šibenik Zadar Zagreb
LDC-a
Budapest 7 21 49 49 38 63 70 67 65 63 42 2.000
Rijeka 63 70 23 29 44 7 48 29 28 26 21 1.200
Zagreb 42 49 22 24 31 21 32 26 24 23 7 2.200
Potražnja
800 300 500 400 300 600 400 500 300 400 700 200
(paleta)
Logički opis problema prethodi izradi matematičkoga modela. Sadrži funkcionalni prikaz
strukture postavljenoga zadatka koji odgovara strukturi matematičkoga modela linearnoga
programiranja, kako slijedi:
funkcija cilja sadrži kriterij optimalnosti:
− minimizirati transportne troškove (min F);
varijable odlučivanja promjenjive su veličine čije vrijednosti treba odrediti radi
dobivanja optimalnoga rješenja problema, odnosno minimalne vrijednosti funkcije cilja:
− raspored transporta;
ograničenja određuju kvantitativno područje dopuštenih vrijednosti varijabla
odlučivanja, odnosno područje izvedivosti:
− potražnja prodajnih mjesta u svakom gradu mora biti zadovoljena;
− iz svakoga izvora (LDC-a) ukupno se može transportirati najvište toliko robe koliki
je njegov kapacitet;
ulazne veličine podatci su dobiveni analizom realnoga sustava, a prikazani su u Tablici
6.:
− jedinični transportni troškovi od svakoga LDC-a do svakoga grada (€/paleta);
− potražnja prodajnih mjesta u svakom gradu (paleta/mjesec);
− kapaciteti LDC-a (paleta/mjesec).
Prije nego se pristupi izradi matematičkoga modela problema, treba provjeriti je li problem
rješiv, tj. je li moguće pronaći rješenje koje zadovoljava postavljena ograničenja. U svezi s tim
ovaj je problem rješiv ukoliko se raspoloživim kapacitetima LDC-a može zadovoljiti potražnja
svih prodajnih mjesta ili, drugim rječima, problem je rješiv ukoliko je ukupni kapacitet svih
LDC-a veći ili jednak ukupnoj potražnji prodajnih mjesta.
38
Uvjet rješivosti ovoga problema matematički se može izraziti na sljedeći način:
Neka je:
n
K ki (8.5.)
i 1
m
P pj (8.6.)
j 1
gdje je:
n = ukupan broj LDC-a (n = 3)
ki = kapacitet LDC-a na lokaciji i
K = ukupan kapacitet svih LDC-a u mreži
m = ukupan broj gradova koje treba opskrbiti (m = 11)
pj = potražnja u gradu j
P = ukupna potražnja tržišta
Ukupni kapacitet svih LDC-a u mreži iznosi K = 5 400 paleta/mjesec. Ukupna potražnja
svih prodajnih mjesta na tržištu iznosi P = 5 200 paleta/mjesec. Kako je 5 400 > 5 200, problem
je rješiv.
39
LDC u Rijeci opskrbljuje prodajna mjesta Ljubljane (500 paleta), Rijeke (600 paleta) i
Splita (100 paleta).
Ukupna količina robe koja se transportira iz ovoga LDC-a iznosi iznosi 1 200 paleta
mjesečno, što je jednako njegovom kapacitetu (1 200 paleta mjesečno), tj. kapacitet je
iskorišten u potpunosti.
LDC u Zagrebu opskrbljuje prodajna mjesta Sarajeva (400 paleta), Splita (400 paleta),
Šibenika (300 paleta), Zadra (400 paleta) i Zagreba (700 paleta).
Ukupna količina robe koja se transportira iz ovoga LDC-a iznosi iznosi 2 200 paleta
mjesečno, što je jednako njegovom kapacitetu (2 200 paleta mjesečno), tj. kapacitet je
iskorišten u potpunosti.
Ukupni mjesečni transportni trošak na razini cijele transportne mreže iznosi: min.
F = 106 000 00 €/mjesec.
Navedeno je optimalno rješenje prikazano u tabličnoj formi, u polju B10:L1210 MS Excel
tablice na Slici 12.
Ulazni podatci modela (konstante) zapisani su u MS Excel tablici (Slika 12.), u polju
B3:L5 (jedinični transportni troškovi), retku B6:L6 (potražnja prodajnih mjesta) te stupcu
M3:M5 (kapaciteti LDC-a), onako kako su zadani.
Matematički izrazi koji čine strukturu modela (od 8.1. do 8.4.) također su, u obliku MS
Excel formula, upisani u odgovarajuće ćelije MS Excel tablice prikazane na Slici 12., kako je
navedeno u Tablici 8.
10
Ovo je standardna MS Excel notacija koja znači da se radi o dijelu tablice (dvodimenzionalnom polju)
omeđenom stupcima B i L, odnosno redovima 10 i 12. Dakle, sadržane su sve ćelije počevši od B10 do
uključivo L12.
40
Tablica 8. Zapisi matematičkih izraza transportnoga modela u MS Excel tablici
(8.1.) = SUMPRODUCT(B10:L12;B3:L5) B9
lijeva strana kopirano u
= SUM(B10:B12)
jednadžbe (8.2.) B13:L13
lijeva strana kopirano u
= SUM(B10:L10)
nejednadžbe (8.3.) M10:M12
Make Unconstrained Variables Non-Negative
(8.4.)
(Dijaloški okvir Solver Parameters)
Izvor: izradili autori
41
600
400
42
9. Lokacijski problem
43
Lokacijski modeli također su vrsta modela mreže koja se sastoji od čvorova (izvori
odnosno odredišta) i lukova (transportni putovi) koji povezuju te čvorove. Lokacijski model
prikazuje broj i lokacije izvora te razdiobu transportnih (robnih) tokova unutar transportne
mreže. Ovdje treba razmotriti sljedeća pitanja:
Kako odrediti broj i lokacije izvora?
Iz kojih izvora opskrbljivati koja odredišta?
Kako kvantitativno odrediti razdiobu transporta?
Koje transportne putove odabrati?
Odgovori na ova pitanja određuju infrastrukturno i suprastrukturno rješenje transportne
mreže u danom slučaju. Primjenom lokacijskih modela može se optimirati funkcioniranje
transportne mreže kao cjeline.
Optimalno rješenje lokacijskoga problema može se dobiti optimiranjem matematičkoga
modela problema, a obuhvaća sljedeće elemente:
▪ određivanje broja i lokacija izvorišnih čvorova;
▪ povezivanje izvorišnih čvorova (proizvodni pogoni, LDC-i...) i odredišnih čvorova
(skladišta, prodajna mjesta...) transportnim putovima;
▪ određivanja količina supstrata kojima se iz pojedinoga izvora zadovoljava potražnja
odredišta, odnosno količina supstrata koje se transportiraju na pojedinom
transportnom putu,
tako da se potražnja odredišta zadovolji uz najmanje troškove i da se pritom ne prekorače
kapaciteti izvora.
44
Slika 14. Geografski raspored tržišta
Izvor: Izradili autori
Ulazni podatci problema, odnosno poznate (zadane) veličine jesu: fiksni troškovi LDC-a
(€/mjesec)11, jedinični transportni troškovi (€/paleta)12, potražnja po gradovima (paleta/mjesec)
i kapaciteti LDC-a po potencijalnim lokacijama (paleta/mjesec). Prikazani su u Tablici 9.
11
Fiksni su troškovi LDC-a troškovi najma skladišnoga prostora, lizing, odnosno amortizacija opreme (viličari,
regali, IT i ostala skladišna oprema), troškovi radne snage, troškovi režija…). Ovi se troškovi pojavljuju ukoliko
se na nekoj lokaciji otvori LDC, a njihov je iznos stalan (ne mijenja se).
12
Jedinični transportni troškovi prikazani su na temelju tarifa logističkih operatera.
45
Tablica 9. Ulazni podatci osnovnoga lokacijskoga problema
Transportni troškovi (€/paleta) LDC
Fiksni
Od / Do Budapest Szeged Ljubljana Maribor Osijek Rijeka Sarajevo Split Šibenik Zadar Zagreb Kapacitet
trošak
Budapest 7 21 49 49 38 63 70 67 65 63 42 20.000 1.800
Szeged 21 7 84 70 35 70 70 77 73 70 49 18.000 1.800
Ljubljana 49 84 7 21 42 23 55 49 45 42 22 22.000 1.800
Maribor 49 70 21 7 49 29 55 49 45 42 24 20.000 1.800
Osijek 38 35 42 49 7 44 38 70 66 63 31 12.000 1.800
Rijeka 63 70 23 29 44 7 48 29 28 26 21 14.000 1.800
Sarajevo 70 70 55 55 38 48 7 30 40 50 32 12.000 1.800
Split 67 77 49 49 70 29 30 7 17 29 26 14.000 1.800
Šibenik 65 73 45 45 66 28 40 17 7 28 24 14.000 1.800
Zadar 63 70 42 42 63 26 50 29 28 7 23 14.000 1.800
Zagreb 42 49 22 24 31 21 32 26 24 23 7 18.000 1.800
Potražnja
800 300 500 400 300 600 400 500 300 400 700
(paleta)
Logički opis problema prethodi izradi matematičkoga modela. Sadrži funkcionalni prikaz
strukture postavljenoga zadatka koji odgovara strukturi matematičkoga modela linearnoga
programiranja, kako slijedi:
Funkcija cilja sadrži kriterij optimalnosti:
- minimizirati troškove opskrbe prodajnih mjesta koji se sastoje od fiksnih troškova
LDC-a i varijabilnih troškova transporta (min F).
Varijable odlučivanja promjenjive su veličine čije vrijednosti treba odrediti radi
dobivanja optimalnoga rješenja problema, odnosno minimalne vrijednosti funkcije cilja:
- broj i lokacije LDC-a
- raspored transporta.
Ograničenja određuju kvantitativno područje dopuštenih vrijednosti varijabla
odlučivanja, odnosno područje izvedivosti:
- potražnja prodajnih mjesta u svakom gradu mora biti zadovoljena;
- na svakoj lokaciji može se otvoriti samo jedan ili niti jedan LDC;
- iz svakoga izvora (LDC-a) ukupno se može transportirati najvište toliko robe koliki
je njegov kapacitet.
Ulazne veličine podatci su dobiveni analizom realnoga sustava, a prikazani su u Tablici
9:
- fiksni troškovi LDC-a;
- jedinični transportni troškovi od svake potencijalne lokacije LDC-a do svakoga
grada (€/paleta);
- potražnja prodajnih mjesta u svakom gradu (paleta/mjesec);
- kapaciteti LDC-a na svim potencijalnim lokacijama (paleta/mjesec).
46
9.1.2. Rješivost problema
Prije nego se pristupi izradi matematičkoga modela problema, treba provjeriti je li problem
rješiv, tj. je li moguće pronaći rješenje koje zadovoljava postavljena ograničenja. U svezi s tim
ovaj je problem rješiv ukoliko se raspoloživim kapacitetima LDC-a može zadovoljiti potražnja
svih prodajnih mjesta ili, drugim rječima, problem je rješiv ukoliko je ukupni kapacitet svih
LDC-a koji mogu biti otvoreni u transportnoj mreži veći ili jednak ukupnoj potražnji prodajnih
mjesta.
Neka je:
n
K max li ki ; li 1 i 1,..., n (9.1.)
i 1
m
P pj (9.2.)
j 1
gdje je:
K max P (9.3.)
Ukupan kapacitet svih LDC-a koji mogu biti otvoreni u transportnoj mreži (svaki je grad
potencijalna lokacija) iznosi Kmax = 19 800 paleta/mjesec.
Ukupna potražnja svih prodajnih mjesta na tržištu iznosi P = 5 200 paleta/mjesec. Kako je
19 800 > 5 200, problem je rješiv.
47
9.1.3. Matematički model problema
funkcija cilja
n n m
min F li fti tij qij (9.4.)
i 1 i 1 j 1
ograničenja
n
q
i 1
ij pj j 1,..., m (9.5.)
q
j 1
ij li ki i 1,..., n (9.6.)
gdje je:
li = lokacijska varijabla (binarna), poprima vrijednost 1 ako je LDC otvoren na
lokaciji i odnosno 0 ako LDC nije otvoren na lokaciji i
fti = fiksni trošak LDC-a na lokaciji i
tij = jedinični transportni trošak od LDC-a na lokaciji i do prodajnih mjesta u
gradu j
qij = količina robe koja se iz LDC-a na lokaciji i transportira do prodajnih mjesta
u gradu j
m = ukupan broj gradova čija prodajna mjesta treba opskrbiti (m = 11)
n = ukupan broj potencijalnih lokacija LDC-a (n = 11)
ki = mjesečni kapacitet LDC-a na lokaciji i
pj = mjesečna potražnja prodajnih mjesta u gradu j.
Jednadžba (9.4.) predstavlja funkciju cilja, tj. ukupni trošak opskrbe prodajnih mjesta na
razini cijele mreže. Sastoji se od fiksnih troškova LDC-a (zbroj fiksnih troškova na svim
lokacijama na kojima je otvoren LDC) i varijabilnih troškova transporta (zbroj produkata
količine robe i jediničnoga transportnoga troška na svim transportnim relacijama).
Ograničenja predstavljaju matematički izrazi od (9.5.) do (9.8.). Jednadžba (9.5.)
predstavlja ograničenje koje određuje kako potražnja prodajnih mjesta u svim gradovima mora
biti zadovoljena, nejednadžba (9.6.) predstavlja ograničenje koje određuje kako se sa svake
lokacije može transportirati najviše toliko robe koliki je kapacitet LDC-a otvorenoga na
određenoj lokaciji (ukoliko na nekoj lokaciji nije otvoren LDC, s te se lokacije ne može
transportirati roba), izraz (9.7.) određuje kako se na svakoj potencijalnoj lokaciji može otvoriti
48
samo jedan ili niti jedan LDC, a nejednadžba (9.8.) predstavlja uvjet nenegativnosti (transport
negativne količine robe nema logičkoga smisla).
49
Slika 15. Optimalno rješenje osnovnoga lokacijskoga problema
Izvor: Izradili autori
Ulazni podatci modela (konstante) zapisani su u MS Excel tablici (Slika 15.), u polju
B3:L13 (jedinični transportni troškovi), retku B14:L14 (potražnja prodajnih mjesta), stupcu
M3:M13 (fiksni mjesečni troškovi LDC-a na potencijalnim lokacijama) te stupcu N3:N13
(kapaciteti LDC-a na potencijalnim lokacijama), onako kako su zadani.
Matematički izrazi koji čine strukturu lokacijskoga modela (od 9.4. do 9.8.) također su, u
obliku MS Excel formula, upisani u odgovarajuće ćelije MS Excel tablice prikazane na Slici 15.,
kako je navedeno u Tablici 10.
Tablica 10. Zapisi matematičkih izraza lokacijskoga modela u MS Excel tablici
U primjeru osnovnoga lokacijskog problema (cf. Točku 10.1.) kapaciteti LDC-a koji mogu
biti otvoreni na potencijalnim lokacijama bili su zadani. U nastavku je taj problem proširen tako
da kapaciteti LDC-a nisu zadani, već ih treba odrediti izborom između dvaju tipova LDC-a (Tip
A i Tip B) različitih kapaciteta i odnosnih fiksnih troškova.
Lokacijski model (matematički model linearnoga programiranja) koji je primijenjen u
rješavanju osnovnoga lokacijskoga problema (cf. supra Točku 9.1.3.) potrebno je izmijeniti i
dopuniti kako bi obuhvatio dodatne elemente proširenoga lokacijskoga problema, vezane uz
izbor kapaciteta LDC-a. U skladu s tim treba prilagoditi formulacije i ulazne podatke koji se
unose u MS Excel tablicu koja se koristi za rješavanje problema pomoću MS Excel
programskoga alata Solver.
Ulazni podatci proširenoga lokacijskoga problema (potražnja po gradovima, jedinični
transportni troškovi, fiksni troškovi i kapaciteti pojedinoga tipa LDC-a za svaku potencijalnu
lokaciju) prikazani su u Tablici 11.
Tablica 11. Ulazni podatci proširenoga lokacijskoga problema
Transportni troškovi (€/paleta) LDC Tip A LDC Tip B
Fiksni Fiksni
Od / Do Budapest Szeged Ljubljana Maribor Osijek Rijeka Sarajevo Split Šibenik Zadar Zagreb Kapacitet Kapacitet
trošak trošak
Budapest 7 21 49 49 38 63 70 67 65 63 42 20.000 1.800 26.000 3.200
Szeged 21 7 84 70 35 70 70 77 73 70 49 18.000 1.800 23.400 3.200
Ljubljana 49 84 7 21 42 23 55 49 45 42 22 22.000 1.800 28.600 3.200
Maribor 49 70 21 7 49 29 55 49 45 42 24 20.000 1.800 26.000 3.200
Osijek 38 35 42 49 7 44 38 70 66 63 31 12.000 1.800 15.600 3.200
Rijeka 63 70 23 29 44 7 48 29 28 26 21 14.000 1.800 18.200 3.200
Sarajevo 70 70 55 55 38 48 7 30 40 50 32 12.000 1.800 15.600 3.200
Split 67 77 49 49 70 29 30 7 17 29 26 14.000 1.800 18.200 3.200
Šibenik 65 73 45 45 66 28 40 17 7 28 24 14.000 1.800 18.200 3.200
Zadar 63 70 42 42 63 26 50 29 28 7 23 14.000 1.800 18.200 3.200
Zagreb 42 49 22 24 31 21 32 26 24 23 7 18.000 1.800 23.400 3.200
Potražnja
800 300 500 400 300 600 400 500 300 400 700
(paleta)
funkcija cilja
n n m
min F lAi ftAi lBi ftBi tij qij (9.9.)
i 1 i 1 j 1
ograničenja
n
qi 1
ij pj j 1,..., m (9.10.)
m
q
j 1
ij lAi kAi lBi kBi i 1,..., n (9.11.)
lokacijama (paleta).
53
Slika 17. Optimalno rješenje proširenoga lokacijskoga problema
Izvor: Izradili autori
Matematički izrazi koji čine strukturu proširenoga lokacijskoga modela (od 10.9. do
10.14.) također su upisani u odgovarajuće ćelije MS Excel tablice prikazane na Slici 17, kako
je navedeno u Tablici 12.
Tablica 12. Zapisi matematičkih izraza proširenoga lokacijskoga modela u MS Excel tablici
55
10. Problem distribucijske mreže
13
Operativne aktivnosti fizičke distribucije robe koje se obavljaju u LDC-ima, primjerice iskrcaj robe,
smještaj robe u skladištu, komisioniranje, ukrcaj robe…
14
INCOTERMS 2010. International Chamber of Commerce. Paris. 2010.
56
mjestima po pojedinim transportnim putovima, tako da se potražnja prodajnih mjesta
zadovolji uz najmanje logističke troškove te da se pritom ne prekorače raspoloživi
kapaciteti LDC-a.
15
Ibidem
57
Slika 18. Geografski raspored tržišta
Izvor: Izradili autori
Minimalna je količina robe koja se dostavlja prodajnim mjestima jedna paleta. Ukupna je
količina robe koja se doprema u pojedini LDC jednaka ukupnoj količini robe koja se iz toga
LDC-a dostavlja prodajnim mjestima16.
Treba odrediti broj, kapacitete i lokacije LDC-a te raspored transporta, odnosno dostave
tako da se potražnja prodajnih mjesta u svim gradovima zadovolji uz najmanje logističke
troškove distribucije, a da se pritom ne prekorače zadana ograničenja.
Inicijalnom je selekcijom određeno pet potencijalnih lokacija LDC-a. To su gradovi
Ljubljana, München, Prag, Stuttgart i Zagreb, s tim da se na svakoj lokaciji može otvoriti samo
jedan ili niti jedan LDC (Tipa A ili Tipa B).
Ulazni podatci problema, odnosno poznate veličine: fiksni troškovi LDC-a (€/mjesec)17,
jedinični varijabilni troškovi LDC-a (€/paleta)18, jedinični transportni troškovi dopreme robe
16
Pojednostavljenje problema, u stvarnosti se u LDC-ima drži određena količina lokalnih zaliha radi sigurnosti
opskrbe prodajnih mjesta, odnosno naknadnih izmjena narudžba.
17
Fiksni su troškovi LDC-a troškovi najma skladišnoga prostora, lizing, odnosno amortizacija opreme (viličari,
regali, IT i ostala skladišna oprema), troškovi radne snage, troškovi režija… Ovi se troškovi pojavljuju
ukoliko se na nekoj lokaciji otvori LDC, a njihov iznos ovisi samo o lokaciji i kapacitetu LDC-a
18
Varijabilni troškovi LDC-a ovise o ostvarenom prometu određenoga LDC-a. To su troškovi potrošnoga
materijala i dodatne radne snage, a njihov jedinični iznos ovisi o lokaciji i kapacitetu LDC-a.
58
do LDC-a, odnosno dostave do prodajnih mjesta (€/paleta)19, potražnja po gradovima
(paleta/mjesec) i mogući kapaciteti LDC-a po potencijalnim lokacijama (paleta/mjesec)
prikazani su u Tablici 13.
Problem je rješiv ukoliko je moguće pronaći rješenje koje zadovoljava sva postavljena
ograničenja. Ovaj je problem rješiv ukoliko se raspoloživim kapacitetima LDC-a može
zadovoljiti potražnja svih prodajnih mjesta, odnosno problem je rješiv ukoliko je ukupni
kapacitet svih LDC-a koji mogu biti otvoreni u distribucijskoj mreži veći ili jednak ukupnoj
potražnji svih prodajnih mjesta.
Matematička formulacija uvjeta rješivosti ne razlikuje se od lokacijskoga problema
(matematički izrazi 9.1., 9.2. i 9.3.), s tim da se u izračun uzimaju veći kapaciteti LDC-a na
svim potencijalnim lokacijama (Tip B, ki = 3 200 paleta/mjesec).
Ukupni kapacitet svih LDC-a koji mogu biti otvoreni u distribucijskoj mreži (na svim
potencijalnim lokacijama) iznosi Kmax = 16 000 paleta/mjesec. Ukupna potražnja svih prodajnih
mjesta na tržištu iznosi P = 4 600 paleta/mjesec. Kako je 16 000 > 4 600, problem je rješiv.
19
Jedinični transportni troškovi prikazani su na temelju tarifa logističkih operatera.
59
(10.1.1.)
ograničenja (10.2.)
n
q
i 1
ij pj j 1,..., m
q
j 1
ij lAi kAi lBi kBi i 1,..., n (10.3.)
gdje je:
lAi = lokacijska varijabla (binarna), poprima vrijednost 1 ako je LDC Tipa A otvoren na
lokaciji i odnosno 0 ako LDC Tipa A nije otvoren na lokaciji i
ftAi = fiksni trošak LDC-a Tipa A na lokaciji i
vtAi =jedinični varijabilni trošak LDC-a Tipa A na lokaciji i
lBi = lokacijska varijabla (binarna), poprima vrijednost 1 ako je LDC Tipa B otvoren na
lokaciji i odnosno 0 ako LDC Tipa B nije otvoren na lokaciji i
ftBi = fiksni trošak LDC-a Tipa B na lokaciji i
vtBi =jedinični varijabilni trošak LDC-a Tipa B na lokaciji i
di = jedinični transportni trošak dopreme robe do LDC-a na lokaciji i
tij = jedinični transportni trošak dostave robe od LDC-a na lokaciji i do prodajnih mjesta
u gradu j
qij = količina robe koja se iz LDC-a na lokaciji i dostavlja prodajnim mjestima grada j
rpi = realizirani promet LDC-a na lokaciji i
m = ukupan broj gradova čija prodajna mjesta treba opskrbiti (m = 11)
n = ukupan broj potencijalnih lokacija LDC-a (n = 11)
kAi = mjesečni kapacitet LDC-a Tipa A na lokaciji i
kBi = mjesečni kapacitet LDC-a Tipa B na lokaciji i
pj = mjesečna potražnja prodajnih mjesta u gradu j.
Jednadžba (10.1.) predstavlja funkciju cilja, tj. ukupne logističke troškove na razini cijele
distribucijske mreže. Sastoji se od fiksnih i varijabilnih troškova LDC-a te transportnih troškova
dopreme robe do LDC-a i dostave do prodajnih mjesta.
Ograničenja predstavljaju matematički izrazi od (10.2.) do (10.6.). Jednadžba (10.2.)
predstavlja ograničenje koje određuje kako potražnja prodajnih mjesta u svim gradovima mora
biti zadovoljena, nejednadžba (10.3.) predstavlja ograničenje koje određuje kako se sa svake
60
lokacije može distribuirati najviše toliko robe koliki je kapacitet LDC-a otvorenoga na
određenoj lokaciji (ukoliko na nekoj lokaciji nije otvoren LDC, s te se lokacije ne može
distribuirati roba), izraz (10.4.) određuje kako su lokacijske varijable binarne, a nejednadžba
(10.5.) kako se na svakoj potencijalnoj lokaciji može otvoriti samo jedan ili niti jedan LDC te
nejednadžba (10.6.) predstavlja uvjet nenegativnosti (distribucija negativne količine robe nema
logičkoga smisla).
61
Slika 19. Grafički prikaz optimalnoga rješenja problema distribucijske mreže
Izvor: Izradili autori
Slika 20. Prikaz optimalnoga rješenje problema distribucijske mreže u MS Excel tablici
Izvor: Izradili autori
62
Ulazni podatci modela (konstante) zapisani su u MS Excel tablici (Slika 31.), u polju B3:J7
(jedinični transportni troškovi), retku B8:J8 (potražnja prodajnih mjesta), stupcu K3:K7 (fiksni
mjesečni troškovi LDC-a Tipa A), stupcu L3:L7 (jedinični varijabilni troškovi LDC-a Tipa A),
stupcu M3:M7 (kapaciteti LDC-a Tipa A) te u stupcu N3:N7 (fiksni mjesečni troškovi LDC-a
Tipa B), stupcu O3:O7 (jedinični varijabilni troškovi LDC-a Tipa B), stupcu P3:P7 (kapaciteti
LDC-a Tipa B) i u stupcu Q3:Q7 (jedinični troškovi dopreme robe do LDC-a), onako kako su
zadani.
Matematički izrazi koji čine strukturu modela distribucijske mreže (od 10.1. do 10.6.)
također su, u obliku MS Excel formula, upisani u odgovarajuće ćelije MS Excel tablice
prikazane na Slici 20., kako je navedeno u Tablici 14.
Tablica 14. Zapisi matematičkih izraza modela distribucijske mreže u MS Excel tablici
63
10.2. Uvođenje cross docking terminala u distribucijsku mrežu
20
Podatci iz MS Excel tablice u kojoj je dobiveno optimalno rješenje problema (cf. Sliku 20.) korišteni su
kao ulazni podatci za analizu.
64
Slika 22. Konsolidacija robnih tokova u XD terminalu
Izvor: Izradili autori
21
Cargo Centar Graz, robno transportni centar smješten 20-ak km južno od Graza.
22
Primjenjuje se tarifa logističkoga operatera formirana prema očekivanom prometu.
65
10.2.1. Matematički model distribucijske mreže s XD terminalom
Dodatna ograničenja
quXD qiXD
i j za i 3, 5 j 1, 2, 3 (10.9.)
lAi 1 za i 5 (10.11.)
lBi 1 za i 3 (10.12.)
gdje su:
UTXD = transportni troškovi ulaznoga toka (doprema robe iz LDC-a do XD terminala)
ITXD = transportni troškovi izlaznoga toka (dostava robe iz XD terminala do prodajnih
mjesta)
tuXDi = jedinični transportni trošak od LDC-a na lokaciji i do XD terminala
quXDi = količina robe koja se iz LDC-a na lokaciji i doprema u XD terminal
tiXDj = jedinični transportni trošak od XD terminala do prodajnih mjesta u gradu j
qiXDj = količina robe koja se iz XD terminala dostavlja prodajnim mjestima u gradu j.
66
(10.11.) određuje da je na lokaciji München otvoren LDC tipa B, a (10.12.) da je na
lokaciji Zagreb otvoren LDC tipa A;
Ostala ograničenja matematičkoga modela distribucijske mreže od (10.2.) do (10.6) ostaju
nepromijenjena.
Kako su broj, kapaciteti i lokacije LDC-a u distribucijskoj mreži prethodno već određeni,
optimalno rješenje odnosi se samo na mjesečni raspored distribucije koji zadovoljava
postavljena ograničenja uz najmanje logističke troškove. Dobiveno je optimiranjem
matematičkoga modela koji je definiran u prethodnoj točki primjenom MS Excel programskoga
alata Solver, kako slijedi:
LDC Tipa B na lokaciji München opskrbljuje prodajna mjesta Ljubljane (98 paleta),
Münchena (700 paleta), Nürnberga (400 paleta), Praga (500 paleta) i Stuttgarta (700
paleta). Osim toga, 402 palete konsolidirane robe šalju se u XD terminal radi opskrbe
prodajnih mjesta Beča, Bratislave i Budimpešte.
Ukupna količina robe koja se distribuira iz ovoga LDC-a iznosi 2 800 paleta mjesečno,
što je manje od njegovoga kapaciteta (3 200 paleta mjesečno), tj. kapacitet nije u
potpunosti iskorišten.
LDC Tipa A na lokaciji Zagreb opskrbljuje prodajna mjesta Ljubljane (302 palete) i
Zagreba (500 paleta). Osim toga, 998 paleta konsolidirane robe šalje se u XD terminal
radi opskrbe prodajnih mjesta Beča, Bratislave i Budimpešte.
Ukupna količina robe koja se distribuira iz ovoga LDC-a iznosi iznosi 1 800 paleta
mjesečno, što je jednako njegovom kapacitetu (1 800 paleta mjesečno), tj. kapacitet je
u potpunosti iskorišten.
Ukupni logistički troškovi distribucije na razini cijele distribucijske mreže iznose: min.
F = 200 636 00 €/mjesec.
Navedeno optimalno rješenje bolje je od prethodnoga (216.779,00 €/mjesec), tj. logistički
troškovi distribucije manji su za 7,4 % kada se u distribucijsku mrežu uvede XD terminal.
Može se reći kako to nije značajno poboljšanje, no ovaj je primjer ponajprije poslužio za
prikaz mogućnosti matematičkoga modeliranja i optimiranja matematičkoga modela pomoću
programskoga alata. Grafički se prikaz dobivenoga optimalnoga rješenja nalazi na zemljovidu
na Slici 23.
67
Slika 23. Grafički prikaz optimalnoga rješenja distribucijske mreže s cross docking
terminalom
Izvor: Izradili autori
69
11. Heurističke metode
23
Cook, W. J. i dr. 1998. Combinatorial Optimization. John Wiley&Sons.
70
Pojam heuristika dolazi od starogrčke riječi heuriskein, što znači „naći” ili „otkriti”.
(Čuveni Arhimedov uzvik „Eureka” predstavlja prošlo vrijeme ovoga glagola.)
Heurističke metode redovito se upotrebljavaju i u svakodnevnom životu. Pri odlasku na
posao nastoji se odabrati najbolja varijanta. Hoće li se ići tramvajem, automobilom ili pješice?
Odlučuje se i kojim je putom najbolje krenuti. Odluke se donose bez proračuna i mjerenja
situacije na terenu. Ponekad su dostupni samo djelomični podatci, primjerice, informacija
dobivena preko radija da je na glavnoj ulici zastoj zbog prometne nesreće. Pomoću podataka i
prethodnoga iskustva nastoji se „od oka” procijeniti optimalno rješenje. Kad se nešto kupuje,
odlučit će se prema (vizualno procijenjenoj) kvaliteti, cijeni, imenu proizvođača, vlastitom
estetskom kriteriju itd.
Odluke se donose u svakodnevnom životu pomoću grubih procjena koje se ne mogu
nazvati „metodama”. Ukoliko se slični pristup želi automatizirati za rad na računalu, mora se
definirati sustavni postupak koji tada ipak postaje metodom. Programi još daleko zaostaju za
ljudskim mozgom jer moraju raditi po unaprijed definiranim pravilima. Istina je kako postoje
programi koji mogu mijenjati svoja pravila.
Heurističke metode i metode umjetne inteligencije posebno su prikladne za rješavanje slabo
definiranih problema koji se ne mogu dobro matematički formulirati, a pomažu i pri rješavanju
logističkih problema ovoga tipa. Upotrebljavaju se i za dobro definirane probleme koji bi se u
teoriji mogli rješavati egzaktnim matematičkim metodama, ali se od toga odustaje zbog
nedostatka ili nepouzdanosti podataka. Od matematičkih metoda – egzaktnih metoda isto će se
odustati ako je vrijeme izvođenja programa za korisnika neprihvatljivo.
Heuristika kao opći pojam danas se najčešće definira na sljedeći način:
Heuristika je tehnika koja pokušava naći neka „dobra” rješenja problema (tj. takva
dopustiva rješenja problema koja su dovoljno bliska njegovom optimumu) u okviru razumnoga
vremena, pri čemu se ne garantira kako će pronađeno rješenje biti optimalno, niti se može
odrediti njegova bliskost optimalnom rješenju.
Zato pri kreiranju heurističkih metoda za rješavanje pojedinačnih problema nije potrebno
krenuti od precizno definiranih matematičkih modela, niti od njima odgovarajućih teorijskih
rezultata koji garantiraju dobivanje optimalnih rješenja ili konvergenciju k tim rješenjima.
Međutim, heurističke metode dozvoljavaju da se na vrlo slobodan način, korištenjem
zdravorazumske logike, intuicije i prethodne prakse u rješavanju problema, formuliraju
najrazličitija inteligentna pravila koja, primijenjena u procesu nalaženja rješenja, mogu
osigurati da rješenja budu dovoljno blizu optimumu. Drugim riječima, pri formiranju neke
heuristike treba težiti implementaciji takvih pravila koja omogućuju njeno „dobro” prosječno
ponašanje.
Heuristički algoritmi trebaju imati još jednu važnu osobinu – trebaju raditi u razumnom
vremenu, tj. biti računski učinkoviti. Računska složenost nekoga algoritma obično se mjeri
ukupnim brojem „elementarnih operacija” (zbrajanje, oduzimanje, množenje, dijeljenje,
uspoređivanje dvaju brojeva, izvršavanje instrukcije grananja) koje je potrebno obaviti „u
najgorem slučaju” kako bi se došlo do rješenja problema.
Neka je, na primjer, broj čvorova u određenoj mreži jednak n. Broj čvorova n najčešće je
pokazatelj dimenzija razmatranoga problema. Neka je ukupan broj elementarnih operacija E
koje je potrebno obaviti pri primjeni određenoga algoritma jednak:
E = 4n4 + 5n3 + 2n +7 (11.1.)
71
Za veće vrijednosti n najveći utjecaj na ukupan broj elementarnih operacija ima n4.
Uobičajeno je reći kako je u ovakvom slučaju „računska složenost algoritma” proporcionalna
n4, odnosno „da je algoritam O(n4)”. Uz pretpostavku kako svaka elementarna operacija
zahtijeva jednu jedinicu vremena, može se reći kako algoritam zahtijeva O(n4) vremena. Jasno
je kako je sa stajališta računske složenosti algoritam utoliko „bolji” ukoliko zahtijeva obavljanje
manjega broja elementarnih operacija. Tako je, primjerice, algoritam koji zahtijeva O(n2)
vremena „bolji” od algoritma koji zahtjeva O(n3) vremena.
Pod „dobrim” se algoritmima, promatrano sa stajališta računske složenosti, smatraju tzv.
polinomski algoritmi. Polinomski su algoritmi oni algoritmi čija je računska složenost
proporcionalna ili ograničena polinomskom funkcijom reprezentanta dimenzije problema.
Tako su, primjerice, algoritmi koji zahtijevaju O(n2), O(n5) ili O(n6) vremena polinomski
algoritmi.
Pod „lošim” algoritmima podrazumijevaju se eksponencijalni (nepolinomski) algoritmi.
Eksponencijalni su, primjerice, algoritmi koji zahtijevaju O(3n) ili O(n!) vremena.
Kako bi heuristički algoritmi bili učinkoviti, trebaju biti polinomski kako bi u razumnom
vremenu mogli riješiti problem velikih dimenzija. Postoji još čitav niz osobina koje bi neka
heuristika trebala zadovoljavati. Ona treba biti jednostavna, kako bi bila razumljiva onima koji
ju koriste, i robusna, tj. ne bi trebala drastično mijenjati svoje ponašanje za male promjene
parametara problema. Treba, ako je potrebno, posjedovati mogućnost generiranja većega broja
„dobrih” rješenja kako bi korisnik mogao izabrati najprihvatljivije od njih u odnosu na neke
kriterije koje je teško formulirati. Treba imati i mogućnost interaktivnoga rada gdje korisnik
može interaktivno utjecati, u većoj ili manjoj mjeri, na proces dobivanja rješenja donoseći bitne
odluke u nekim koracima heuristike.
72
Heurističke procedure često se koriste i kao dio egzaktnih algoritama s ciljem ubrzavanja
procesa pronalaženja optimalnih rješenja.
Ljudi iz prakse vrlo često raspolažu ograničenim prostorom, vremenom i novčanim
sredstvima namijenjenima rješavanju problema, stoga nisu zainteresirani za pronalaženje
optimalnoga rješenja ukoliko je to pronalaženje dugo i skupo. Tada je najčešće njihovim ciljem
što brže i jeftinije generiranje jednoga ili više „zadovoljavajućih” rješenja, tj. rješenja koja
pretjerano ne odstupaju od nekih unaprijed zadanih kriterija. U tom se slučaju ovakva rješenja
prirodno dobivaju primjenom heuristika koje teže što boljem implementiranju zadanih kriterija.
Treba napomenuti kako nije uvijek lako procijeniti treba li neki realni problem rješavati
egzaktno ili heuristički. Naime, ako se pri njegovom egzaktnom rješavanju krene od
matematičkoga modela koji ne odražava dovoljno dobro realnost, tada se može očekivati kako
će optimalno rješenje dobiveno na takvom modelu biti daleko od stvarnoga optimalnoga
rješenja problema. S druge strane, heuristike su obično fleksibilnije od egzaktnih metoda i
sposobne su riješiti znatno kompliciranija i realnija ograničenja problema. Modeli od kojih one
polaze mogu se formulirati tako da puno vjernije odražavaju strukturu problema. Sada se
postavlja pitanje je li bolje egzaktno rješavati jedan nedovoljno precizno formuliran model ili
heuristički rješavati jedan model koji puno više odgovara stvarnosti. Odgovor na ovo pitanje
ovisi o iskustvu, intuiciji i procjeni ljudi koji problem rješavaju.
Problemi koji se rješavaju u procesima optimizacije transportnih i logističkih procesa
prilično su raznovrsni. Neki su od njih dobro definirani i imaju jedno ili nekoliko diskretnih
rješenja. Za neke se probleme rješenje može odrediti u prihvatljivom vremenu, dok bi kod
drugih vrijeme traženja točnoga rješenja i na najbržem računalu bilo prilično dugo te se mora
prihvatiti najbolje približno rješenje dobiveno u prihvatljivom roku.
Za dobro strukturirane probleme mogu se definirati matematički modeli koji se rješavaju
egzaktnim metodama. Ove metode uvijek polaze od precizno formuliranoga matematičkoga
modela koji dovoljno dobro odražava prirodu problema koji se rješava kao što je, primjerice,
transportni problem24. Ovaj je problem dobro strukturiran, može se napisati matematički model
koji dobro predstavlja realnu situaciju te postoje matematičke metode, tj. egzaktne metode koje
rješavaju ovakve i slične probleme. Transportni je problem ove vrste specijalni slučaj
linearnoga programiranja za koje su razvijene univerzalne metode.
Postavlja se pitanje: Što ako je problem velikih dimenzija i ako su cijene (troškovi), ponuda
i potražnja slučajne varijable? U navedenom primjeru ulazni podatci nisu promjenjivi u
vremenu, no ponekad je cijena transporta (transportni troškovi) promjenjiva te u tom slučaju
nije moguće problem riješiti pomoću matematičkoga modela linearnoga programiranja. Ako je
riječ o problemu velikih dimenzija, onda je upitna mogućnost izrade modela ili, ako i postoji
mogućnost izrade matematičkoga modela, vrijeme je potrebno za pronalazak optimalnoga
rješenja predugo za svakodnevnu provedbu optimizacije, koja se pojavljuje kod problema
distribucije.
Većina je realnih problema slabo strukturirana, tj. mogu imati složenu strukturu s velikim
brojem raznovrsnih ograničenja koja se često ne mogu u potpunosti matematički formulirati,
stoga se ne može formulirati precizan matematički model koji bi na zadovoljavajući način
predstavljao strukturu problema. Tipični su primjeri takvih problema problem određivanja
rasporeda sati u obrazovnoj ustanovi, problem traženja optimalnoga reda letenja za određenu
zračnu luku, optimiranje procesa ukrcajno-iskrcajnih manipulacija i sl.
24
Cf. supra točku 8. Transportni problem
73
Praktični problemi mogu sadržavati i elemente neodređenosti, neizvjesnosti i subjektivne
procjene, mogu zahtijevati nelinearnost nekih svojih zavisnosti ili zadovoljenje više od jednoga
cilja, što ih sve može učiniti izrazito teškima i za modeliranje i za rješavanje. Osim toga, kod
nekih dobro strukturiranih problema može se dogoditi da, u slučaju velikih dimenzija, egzaktne
metode ne mogu pronaći optimalno rješenje u razumnom vremenu.
Tipični su primjeri problema, čije bi rješavanje egzaktnim metodama zahtijevalo ogromne
računalne resurse te bi vrijeme obrade bilo neprihvatljivo veliko, problem trgovačkoga putnika,
problem naprtnjače i problem kineskoga poštara, koji su prikazani u nastavku.
74
Slika 25. Pridruženi graf za simetrični problem trgovačkoga putnika s n=5
Izvor: izradili autori
Problem je trgovačkoga putnika dobro strukturiran problem jer se može korektno
jednostavno matematički modelirati, ali je vrlo težak za egzaktno rješavanje. Naime, iako je
skup dopustivih rješenja ovoga problema konačan, broj njegovih članova može biti izrazito
velik, za n gradova on je jednak (n-1)!/2. Zato bi rješavanje problema potpunim pretraživanjem,
tj. generiranjem svih dopustivih putovanja trgovačkoga putnika i izborom najkraćega od njih
(Slika 26.) bilo za veliko n praktično neostvarivo u razumnom vremenu. U literaturi se navodi
podatak25 da ako bi za n = 20 računalo generiralo sva dopustiva rješenja problema za 1 sat, tada
bi mu za n = 22 trebalo 17,5 dana.
25
Krčevinac S. i dr. 2006. Operaciona istraživanja 2. Fakultet organizacionih nauka. Beograd.
75
polazeći od nekoga čvora pridruženoga grafa, formira iterativno čvor po čvor, tako da se u
svakoj iteraciji kao sljedeći čvor bira najbliži neposjećeni susjed trenutnoga čvora.
Primjerice, kod grafa na Slici 27., ukoliko bi se krenulo od čvora 1, tada bi se među njemu
susjednim čvorovima 2, 3, 4 i 5 izabrao najbliži čvor 3 kao sljedeći čvor, dok bi se nadalje među
neposjećenim susjedima 2, 4 i 5 čvora 3 izabrao najbliži 4 kao sljedeći itd. Na taj bi se način
dobila tzv. Hamiltonova kontura ili Hamiltonov ciklus (1, 3, 4, 5, 2), označen lijevim crtežom
na Slici 27., čija je ukupna duljina 19 jer se iz točke 2 treba vratiti u točku 1. Hamiltonov ciklus
na grafu G ciklus je koji sadrži sve vrhove od G.
W. Hamilton 1856. godine postavio je problem trgovačkoga putnika (travelling salesman
problem). Kako je problem simetričan, istu ukupnu duljinu puta 19 imao bi obilazak u
suprotnom smjeru, tj. (2, 5, 4, 3, 1). Ukoliko se za početnu točku izabere čvor 3, tada se
metodom najbližega neposjećenoga susjeda dobije kontura (3, 1, 4, 5, 2) čija je ukupna duljina
18 (desni crtež Slike 27.). Ukoliko se uzme kontura (1, 4, 3, 5, 2), isto je ukupna duljina 18, to
su inače optimalne konture, tj. ne postoji bolja kontura s manjom ukupnom duljinom.
Konture se mogu prikazati kao uređeni skup (1, 3, 4, 5, 2) ili grafički kao Hamiltonova
kontura s težinama na lukovima − udaljenosti (Slika 27.).
1 4 2 3 4 2
1 4 4
1
5 5
3 7 1
3 7
2
4 4
Kontura x1 : f(x1) =19 Kontura x2: f(x2) = 18
Slika 27. Hamiltonove konture
izvor:izradili autori
Konture x1 i x2 na Slici 27. moguća su rješenja ili mogući obilasci, a svi obilasci, tj. sve
konture čine skup X tako da je x1 X, x2 X. Funkcija cilja za konturu x1 jest f(x1) = 19, za
x2 jest f(x2) = 18. Optimalno rješenje obično se piše sa zvjezdicom nad funkcijom cilja f(x2) =
f*(x) za x2 X.
I pored svoje krajnje jednostavnosti, ovakva se heuristika ne primjenjuje često u praksi jer
često daje rješenja koja su daleko od optimuma. Naime, iako je pravilo izbora najbližega susjeda
vrlo blisko uobičajenoj intuitivnoj logici, ono je ipak lokalnoga karaktera, pa njegova primjena
može u tijeku formiranja konture u nju uključiti i neki luk veće težine.
Što se tiče računske učinkovitosti, lako se dokazuje kako je izložena metoda polinomska.
Ukoliko se njenim elementarnim korakom smatra usporedba udaljenosti od trenutnoga čvora
do njemu susjednih neposjećenih čvorova, tada je u i-toj iteraciji broj ovih usporedba n – i,
i=1, 2,…,n – 1. Zato je ukupan broj elementarnih koraka tijekom rada metode jednak
n(n 1)
(n – 1) + (n - 2) + … + 1 = (11.3.)
2
Ovaj broj nije veći od n2, metoda ima polinomsku složenost O(n2).
76
Treba napomenuti kako danas postoje mnogo „inteligentnije” polinomske heurističke
metode koje, zahvaljujući primjeni složenijih logičkih pravila, osiguravaju pronalaženje
rješenja trgovačkoga putnika koja su u prosjeku vrlo bliska optimumu 26.
U različitim problemima u prometu, koji se mogu svesti na problem trgovačkoga putnika,
prijevozna sredstva (zrakoplovi, brodovi, kamioni…) mogu se promatrati u ulozi trgovačkoga
putnika koji obilazi zadana odredišta (čvorove). Pritom prijevozna sredstva mogu isporučivati
ili preuzimati robu, odnosno putnike ili se isporuke i preuzimanja mogu obavljati istodobno.
Mnoge tvrtke ovom problemu pristupaju intuitivno, no primjenom heurističkih metoda i GIS27
alata moguće je smanjiti transportne troškove.
26
Reeves C. R. 1995. Modern Heuristics Techniques for Combinatorial Problems. McGraw-Hill Book
Company.
27
Geografski informacijski sustav (GIS) sustav je za upravljanje prostornim podatcima i osobinama
pridruženima njima. U najstrožem smislu to je računalni sustav sposoban za integriranje, spremanje, uređivanje,
analiziranje i prikazivanje geografskih informacija. U općenitijem smislu GIS je oruđe „pametne karte” koje
dopušta korisnicima stvaranje interaktivnih upitnika (istraživanja koja stvara korisnik), analiziranje prostornih
informacija i uređivanje podataka.
28
Cf. infra Točku 11.4.3. Tabu pretraživanje
77
Algoritam heuristike tabu pretraživanja za problem naprtnjače:
Ako postoji barem jedan i za koji vrijedi da je xi = 0 i nije u tabu listi, tada se među takvim
i-ovima pronađe onaj za kojega je pi → max te promijeni pripadni bit u 1 (xi stavlja se u
naprtnjaču),
inače se razmatraju i-ovi za koje je xi = 1, među njima se pronađe onaj za kojeg je pi →min
te se promijeni pripadni bit u 0 (xi vadi se iz naprtnjače).
Iterativni postupak prekida se kada algoritam više ne može naći bolje rješenje.
79
prilagodljivost različitim vrstama problema razlogom su zašto je ovim heuristikama
posvećena posebna pozornost 29, te su objašnjene u nastavku.
29
Voss S. i dr. 1999. Metaheuristics: Advances and Trends in Local Search Paradigms for Optimization.
Kluwer Academic Publishers.
80
U lokalnom pretraživanju kreće se od proizvoljne točke x1 iz skupa X kao od početnoga
rješenja pa se u svakoj iteraciji n pretražuje okolina N(xn) trenutnoga rješenja xn i u njoj nalazi,
prema nekom definiranom pravilu izbora, susjed koji predstavlja sljedeće rješenje: xn+1.
Ukoliko se takav susjed ne može naći, pretraživanje se zaustavlja i za aproksimaciju
optimalnoga rješenja problema min f(x), x X uzima se, među generiranim rješenjima, ono
za koje je vrijednost funkcije cilja f(x) najmanja.
Jasno je kako učinkovitost jedne konkretne metode koja se temelji na prethodnom principu,
tj. vjerojatnost da se u razumnom vremenu dobije rješenje dovoljno blisko optimalnom, ovisi
ponajprije o načinu definiranja pojma „okolina”, kao i od tomu kako se formulira pravilo za
izbor sljedećega rješenja u svakom koraku metode.
Kod diskretnoga dopustivoga skupa X okolina N(x) nekoga dopustivoga rješenja x može
se u općem slučaju definirati kao skup svih onih elemenata y iz skupa X koji mogu biti
dobiveni izravno iz x primjenom neke, unaprijed zadane, modifikacije nazvane pomak iz x u y,
označen kao m(x,y). Kako bi neka struktura okoline osigurala učinkovitost lokalnoga
pretraživanja, intuitivno je jasno kako pri određivanju ove modifikacije treba težiti zadovoljenju
sljedećih uvjeta:
1. Okolina svake točke iz skupa X treba biti simetrična, tj. y N(x) ako i samo ako
x N(y).
2. Struktura okoline treba zadovoljiti uvjet dostižnosti, tj. da se, polazeći od bilo koje
točke prostora X, može nizom uzastopnih pomaka doći do bilo koje druge točke ovoga
prostora.
3. Pomak treba omogućiti što jednostavnije i brže generiranje susjednih rješenja, tj.
preporučljivo je da ova modifikacija bude polinomske složenosti.
4. Okolina ne treba biti ni pretjerano velika ni pretjerano mala kako bi se s jedne strane
mogla lakše odgovarajuće pretraživati, a s druge strane kako bi pružila dovoljno
mogućnosti da se pronađe sljedeća točka pretraživanja.
81
1 2 1 2
6 3 6 3
5 4 5 4
f(x)
x0 A B x
x* = x1 f* = f (x1 )
Iterativni korak. Za n = 1, 2…
Osnovni koncept tabu pretraživanja (TP) kao heuristički algoritam za rješavanje problema
min f(x), x X predložio je F. Glover (Glover) 1986. godine (pod nazivom tabu search) 30.
Tabu pretraživanje temelji se na principu lokalnoga pretraživanja i koristi, kao svoju
najvažniju sastavnicu, tzv. adaptivnu memoriju, tj. pamćenje nekih podataka o prethodnim
fazama procesa pretraživanja, koje potom utječu na izbor sljedećih točaka u ovom procesu.
Naime, u svakoj iteraciji n čuva se neka povijest H prethodnoga pretraživanja, tj. zapis koji
pamti izbrane karakteristike nekih od prethodno generiranih točaka.
Okolina N(xn) trenutne točke xn modificira se (smanjuje ili proširuje) u ovisnosti o povijesti
H i na taj način formira skup N(xn,H) svih kandidata za sljedeću točku pretraživanja xn+1.
N(xn,H) često se naziva i aktivnom okolinom točke xn u odnosu na povijest H. Kako ovaj skup
ponekad može biti pretjerano velik da bi se mogao učinkovito pretražiti, bira se njegov manji
podskup N/(xn). Sada se točka xn+1 određuje kao najbolja u ovom podskupu u odnosu na
funkciju cilja f(x), tj. vrijedi da je f(xn+1) ≤ f(x) za svako x N/ (xn).
30
Fred, Glover. Principles of Tabu Search. Leeds School of Business. University of Colorado.
Fred.Glover@colorado.edu
85
Algoritam tabu pretraživanje može se u najopćenitijem obliku prikazati na sljedeći način:
Inicijalizacija.
Izabrati početno rješenje x1 X ;x* = x1 f* = f(x).
Iterativni korak. Za n = 1,2…
▪ Definirati aktivnu okolinu N(xn, H) točke xn u odnosu na povijest H.
▪ Definirati podskup N / (xn) N(xn ,H).
▪ Odrediti xn+1 minimalizacijom funkcije f(x) na N / (xn).
▪ Ako je f(xn+1) f(x*), tada je x* = x n+1 i f* = f(xn+1).
▪ Ažurirati povijest H.
Kraj. Ako je ispunjen kriterij zaustavljanja, prekida se izvođenje daljnjih iteracija, a
x* se uzima za aproksimaciju optimalnoga rješenja.
6 3 6 3
5 4 5 4
kontura x kontura y
Pod atributom nekoga pomaka m(x,y) smatra se jedan od novih lukova uvedenih u konturu
y pri 2-razmjeni između kontura x i y. Na temelju ovoga atributa definira se tabu lista T.
86
Primjerice, pri 2-razmjeni između kontura x i y na Slici 32. uvedeni su novi lukovi {1,4} i
{2,5}. Ako bi se, pri tabu pretraživanju, prešlo iz x u y , onda bi u tabu listu ušao jedan od ovih
lukova pa bi u sljedećem pomaku bila zabranjena njegova eliminacija iz konture y, čime bi se
spriječilo moguće ponovno generiranje konture x. Dakle, uspostavljanjem novih lukova
proučava se dobiveni rezultat, tj. hoće li rezultat biti manji jer je funkcija cilja minimum. Ako
novonastali lukovi ne daju bolji rezultat, stavljaju se na tabu listu te na taj način izbjegavamo
ponavljanje ovoga ispitivanja i skraćujemo vrijeme ispitivanja optimalnoga rezultata.
Početno rješenje x1, kao i u slučaju algoritma simuliranoga kaljenja, može se dobiti na
slučajan način ili primjenom neke od odgovarajućih specijalnih heuristika.
Prve ideje o genetskom algoritmu javile su se 70-ih godina prošloga stoljeća u okviru tzv.
teorije adaptivnih sustava, koja proučava modele učinkovitoga adaptivnoga ponašanja nekih
bioloških, specijalno genetskih sustava. Ovakvi su algoritmi prvobitno kreirani kako bi
simulirali proces genetske evolucije jedne populacije jedinka pod djelovanjem okruženja i
genetskih operatora. U ovom je procesu svaka jedinka okarakterizirana kromosomom koji
predstavlja njezin genetski kod. Jedinke iz populacije koje su u većoj mjeri prilagođene
okruženju međusobno se dalje reproduciraju (primjenom genetskih operatora na njihove
kromosome) i tako se stvara nova generacija jedinka koja je prilagođenija od prethodne.
Iako genetski algoritmi nisu prvobitno predviđeni za rješavanje optimizacijskih problema,
pokazano je da se oni mogu koristiti i za optimizaciju nelinearnih funkcija, a u skorije vrijeme
i kao opća heuristička metodologija za rješavanje problema min f(x), x X . Tako primijenjen
genetski algoritam (GA), s obzirom da koristi analogiju s genetskim sustavima, dosta se
razlikuje od prethodno opisanih općih heuristika, a temelji se na sljedećim principima:
▪ Svakom rješenju iz prostora dopustivih rješenja X problema pridružuje se, na točno
definirani način, jedan niz konačne duljine nad nekom konačnom abecedom simbola koji
se naziva kod ovoga rješenja.
▪ Skup kodova svih dopustivih rješenja iz skupa X čini prostor kodiranih rješenja Xk. Sada
genetski algoritam realizira takav proces pretraživanja koji generira točke, ne izravno u
prostoru X, već u prostoru kodiranih rješenja Xk.
▪ Tumačeći neko rješenje iz skupa X kao jedinku, a njegov kod kao kromosom te jedinke,
genetski algoritam u svakoj iteraciji generira ne jednu točku, već skup više točaka iz
skupa Xk koji predstavlja populaciju.
Definiranje prostora kodiranih rješenja Xk ovisi u općem slučaju o konkretnom obliku
problema koji se rješava. Način kodiranja dopustivih rješenja, kao i abeceda simbola trebali bi
omogućiti da se, sa što manjim brojem simbola i što prirodnije, izraze glavne karakteristike
ovih rješenja. U osnovnoj verziji genetski algoritam koristi binarno kodiranje, odnosno brojeve
u binarnom sustavu, s elementima 0 i 1, tako je kod duljine četiri elementa npr. 1 010 ili duljine
šest elemenata 110 101.
U osnovnoj verziji genetskoga algoritma upotrebljavaju se dvije vrste operatora za
generiranje novih rješenja iz prostora mogućih rješenja: operatori križanja i operatori mutacije.
87
Operator križanja, po ugledu na istoimeni genetski proces, definira se u najopćenitijem
slučaju kao postupak u kojem se slučajno uzajamno razmjenjuju dijelovi kodova (kromosoma)
dvaju rješenja iz X-a (roditelja) i tako se dobiju kodovi dvaju novih rješenja (djeca). U Tablici
16. prikazan je operator križanja.
Kod jedne točke križanja prvo dijete ima na prva četiri mjesta iste elemente kao prvi
roditelj, a drugo dijete ima na prva četiri mjesta iste elemente kao drugi roditelj. Kod dviju
točaka križanja prvo dijete ima prvu i treću skupinu elemenata istu kao prvi roditelj, a drugo
dijete isto ima prvu i treću skupinu elemenata istu kao drugi roditelj. Nadalje se generiranje
nastavlja tako da djeca imaju svoju djecu, tj. stvara se nova populacija.
Mravi, termiti, pčele i ose imaju svojstvo tzv. „kolektivne inteligencije”. Zadržimo se na
primjeru mrava. Mravi svakoga dana izlaze iz mravinjaka u potrazi za hranom. Prva su skupina
mrava „izviđači”. Oni lutaju nasumce i ostavljaju kemijski „feromonski trag” po kojem ih ostali
mogu slijediti. Onaj mrav koji prvi slučajno nađe hranu, vraća se u mravinjak udvostručujući
svoj trag. Ostali se mravi kreću po tom tragu i dodatno ga pojačavaju svojim tragom. Oni mravi
iz prve skupine koji nisu našli hranu ili su ju našli daleko od mravinjaka, vraćaju se kasnije.
Njihov je trag slabiji jer po njemu još nisu išli drugi mravi. S vremenom sve više mrava ide po
89
najjačem tragu do najboljega, tj. najbližega nalazišta hrane. Neki mravi u međuvremenu otkriju
kraći put do cilja koji po istom algoritmu prihvaćaju i ostali. Tragovi s vremenom isparavaju
pa se lošiji putovi kojima ide manje mrava postupno „zaboravljaju”. Tako kolonija mrava
zajednički nalazi optimalan put.
Ovaj je algoritam najprije vrlo uspješno simuliran na računalu. Kasnije je i poboljšan
napuštanjem algoritma s mravljom kolonijom jer kopiranje mrava nije bio cilj. U novije je
vrijeme još i poboljšan u kombinaciji s genetskim algoritmom, a potom još i matematičkim
metodama.
Mnogi se heuristički algoritmi mogu još više unaprijediti i ubrzati ukoliko se čovjeku
omogući donošenje odluke na kritičnim mjestima u algoritmu − „čovjek u petlji”. Stručnjak
može iskoristiti svoje znanje, iskustvo i intuiciju kako bi spriječio pretraživanje onih dijelova
područja u kojima je manja mogućnost postizanja optimuma31.
31
Pirlot, M. 1992. General local search heuristics in combinatorial optimization: Tutorial. Belgian Journal
of Operational Research 32. 7−67.
90
11.5. Zadatci za vježbu
1. ZADATAK
Rješenje: F(x) = 17
ZAKLJUČAK: Nije bitno koji je početni čvor. Udaljenost je uvijek ista.
3. Zadaća: TRAŽENJE HAMILTONOVOGA CIKLUSA
Odrediti početni čvor proizvoljno te pronaći njemu najbližega susjeda, zatim ovom najbližega
susjeda (čvor koji nismo još označili) i tako redom. Ispitati postoji li Hamiltonov ciklus
mijenjajući početni čvor.
Pokušati proizvoljnim povezivanjem susjednih čvorova odrediti Hamiltonov ciklus.
91
2. ZADATAK
C
3
B 11
11
11
10
8 E
10
11
10
A 4
6
D
2. Odrediti lokaciju dvaju gradskih logističkih terminala (hab centra) tako da se svaki
dobavljač/korisnik pridružuje samo jednom habu, tako da se sav transport od/do ne-hab
čvora obavlja isključivo preko jednoga haba, to je shema jednostruke alokacije.
Kriterij je minimalni ukupni prijeđeni put i minimalni trošak puta. Ista zadaća za shemu
višestruke alokacije koja dopušta svakom ne-hab čvoru da komunicira s jednim ili s
više habova.
U mreži prikazanoj na slici potrebno je uspostaviti dva hab čvora (p = 2), tako da
ukupni troškovi transporta budu što manji, pri čemu nema ograničenja kapaciteta
čvorova. Pritom se transport između svakoga para ne-hab čvorova mora odvijati preko
jednoga ili preko više hab čvorova (nije dopušten izravni transport dobavljač − kupac).
Neka je cijena transporta između ne-hab čvora i haba 1 novčana jedinica (n.j.), dok je
cijena transporta između habova 0,75 n.j. po jedinici količine robe.
92
Rješenje:
1.
0 8 10 6 10
8 0 3 10 11
10 3 0 11 11
6 10 11 0 4
10 11 11 4 0
2. U mreži prikazanoj na slici potrebno je uspostaviti dva hab čvora (p = 2) tako da ukupni
troškovi transporta budu što manji, pri čemu nema ograničenja kapaciteta čvorova.
Pritom se transport između svakoga para ne-hab čvorova mora odvijati preko jednoga
ili više hab čvorova (nije dopušten izravni transport dobavljač − kupac). Neka je cijena
transporta između ne-hab čvora i haba 1 novčana jedinica (n.j.), dok je cijena transporta
između habova 0,75 n.j. po jedinici količine robe. Ako se usvoji koncepcija jednostruke
alokacije te se analiziraju sve moguće kombinacije izbora dvaju hab čvorova od skupa
pet čvorova, najbolje je rješenje da se habovi postave u čvor B i D ili C i D, slika 2b.
Tada su ukupni troškovi svih kombinacija transporta iz bilo kojega čvora ishodišta do
bilo kojega čvora odredišta najmanji:
AB + AD + AC + AE + BD + BC + BE + CD + CE + DE =
93
3. Ako se usvoji koncepcija s višestrukom alokacijom, tada je optimalni izbor habova u
čvorovima C i D, ukupni su troškovi svih kombinacija transporta iz bilo kojega čvora ishodišta
do bilo kojega čvora odredišta najmanji.
Ukupni su troškovi svih kombinacija transporta sljedeći:
94
LITERATURA
1. Chopra, S.; Meindl, P. 2004. Supply Chain Management. Pearson Education Inc. New
Jersey.
2. Cook, W. J. 1998. Combinatorial Optimization. DIMACS Special Year. American
Mathematical Society. Providence.
3. Galić, A. 2011. Usmjeravanje vozila s vremenskim prozorima. Magistarski rad. Fakultet
prometnih znanosti. Zagreb.
4. Ivaković, Č.; Stanković, R.; Šafran, M. 2010. Špedicija i logistički procesi. Fakultet
prometnih znanosti. Zagreb.
5. Krčevinac, S. i dr. 2006. Operaciona istraživanja 2. Fakultet organizacionih nauka.
Beograd.
6. Pašagić, H. 1998. Matematičko modeliranje i teorija grafova. FPZ. Zagreb.
7. Pirlot, M. 1992. General local search heuristics in combinatorial optimization: Tutorial.
Belgian Journal of Operational Research 32.
8. Reeves C. R. 1995. Modern Heuristics Techniques for Combinatorial Problems. McGraw-
Hill Book Company. New York.
9. Segetlija, Z. 2006. Distribucija. Ekonomski fakultet. Osijek.
10. Shapiro, J. F. 2001. Modeling the Supply Chain. Wadsworth Group. Thomson Learning
Inc. Duxbury.
11. Simchi-Levi, D.; Kaminsky, P.; Simchi-Levi, E. 2004. Managing the Supply Chain. Mc
Graw – Hill. New York.
12. Stanković, R. 2009. Utjecaj logističkoga operatera na oblikovanje distribucijskih mreža.
Doktorska disertacija. FPZ. Zagreb.
13. Šamanović, J. 1999. Logistički i distribucijski sustavi. Ekonomski fakultet. Split.
14. Voss, S. i dr. 1999. Metaheuristics: Advances and Trends in Local Search Paradigms for
Optimization. Kluwer Academic Publishers.
95
POPIS TABLICA
Redni broj
Naziv tablice Stranica
tabilce
1. Rezultati analize osjetljivosti 18
2. Ulazni podatci problema naprtnjače 20
3. Optimalno rješenje problema naprtnjače 21
Zapisi matematičkih izraza modela problema naprtnjače u MS
4. 21
Excel tablici
5. Zapisi matematičkih izraza modela u MS Excel tablici 26
6. Zapisi matematičkih izraza modela u MS Excel tablici 33
7. Ulazni podatci problema 38
Zapisi matematičkih izraza transportnoga modela u MS Excel
8. 41
tablici
9. Ulazni podatci osnovnoga lokacijskoga problema 46
10. Zapisi matematičkih izraza lokacijskoga modela u MS Excel tablici 50
11. Ulazni podatci proširenoga lokacijskoga problema 52
Zapisi matematičkih izraza proširenoga lokacijskoga modela u MS
12. 54
Excel tablici
13. Ulazni podatci problema distribucijske mreže 59
Zapisi matematičkih izraza modela distribucijske mreže u MS
14. 63
Excel tablici
Zapisi matematičkih izraza modela distribucijske mreže s XD
15. 69
terminalom u MS Excel tablici
16. Operator križanja 88
17. Specijalni operatori križanja 88
18. Primjeri operatora mutacije 89
96
POPIS SLIKA
Redni broj
Naziv slike Stranica
slike
1. Struktura opskrbnoga lanca 6
2. Modeli logističkih sustava 8
3. Postupak optimiranja 9
4. Pristup problemu 10
5. Postupak modeliranja 11
6. Matematički model linearnoga programiranja 15
7. Grafička metoda 17
8. Optimalno rješenje problema alokacije resursa 25
9. Rezultati analize osjetljivosti, engl. Sensitivity Report 27
10. Optimalno rješenje problema operativnoga planiranja 33
11. Transportna mreža 37
12. Optimalno rješenje transportnoga problema 40
13. Grafički prikaz optimalnoga rješenja transportnoga problema 42
14. Geografski raspored tržišta 45
15. Optimalno rješenje osnovnoga lokacijskoga problema 50
Grafički prikaz optimalnoga rješenja osnovnoga lokacijskoga
16. 51
problema
17. Optimalno rješenje proširenoga lokacijskoga problema 54
18. Geografski raspored tržišta 58
Grafički prikaz optimalnoga rješenja problema distribucijske
19. 62
mreže
Prikaz optimalnoga rješenja problema distribucijske mreže u MS
20. 62
Excel tablici
21. Rezultati analize optimalnoga rješenja distribucijske mreže 64
22. Konsolidacija robnih tokova u XD terminalu 65
Grafički prikaz optimalnoga rješenja distribucijske mreže s cross
23. 68
docking terminalom
Optimalno rješenje distribucijske mreže s cross docking
24. 68
terminalom
25. Pridruženi graf za simetrični problem trgovačkoga putnika s n=5 75
26. Ovisnost broja gradova i vremena izračuna 75
97
Redni broj
Naziv slike Stranica
slike
27. Hamiltonove konture 76
28. 2-okolina za problem trgovačkoga putnika 82
29. Zaglavljivanje u lokalnom minimumu 82
30. Pronalazak globalnoga optimuma 83
31. Simulirano kaljenje 83
32. Definiranje tabu liste ispitivanjem novih lukova 86
33. Specijalni operator križanja 89
98
POPIS PRILOGA
Redni broj
Naziv priloga Stranica
priloga
Dijaloški okvir Solver Parameters iz kojega se dalje otvara
1. dijaloški okvir Options programskoga alata Solver, uz primjer u 100
Točki 6.3.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara
2. dijaloški okvir Options programskoga alata Solver, uz primjer u 101
Točki 7.1.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara
3. dijaloški okvir Options programskoga alata Solver, uz primjer u 102
Točki 7.2.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara
4. dijaloški okvir Options programskoga alata Solver, uz primjer u 103
Točki 8.1.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara
5. dijaloški okvir Options programskoga alata Solver, uz primjer u 104
Točki 9.1.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara
6. dijaloški okvir Options programskoga alata Solver, uz primjer u 105
Točki 9.2.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara
7. dijaloški okvir Options programskoga alata Solver, uz primjer u 106
Točki 10.1.
Dijaloški okvir Solver Parameters iz kojega se dalje otvara
8. dijaloški okvir Options programskoga alata Solver, uz primjer u 107
Točki 10.2.
99
Prilog 1. Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options programskoga alata Solver, uz primjer u Točki 6.3.
100
Prilog 2. Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options programskoga alata Solver, uz primjer u Točki 7.1.
101
Prilog 3. Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options programskoga alata Solver, uz primjer u Točki 7.2.
102
Prilog 4. Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options programskoga alata Solver, uz primjer u Točki 8.1.
103
Prilog 5. Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options programskoga alata Solver, uz primjer u Točki 9.1.
104
Prilog 6. Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options programskoga alata Solver, uz primjer u Točki 9.2.
105
Prilog 7. Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options programskoga alata Solver, uz primjer u Točki 10.1.
106
Prilog 8. Dijaloški okvir Solver Parameters iz kojega se dalje otvara dijaloški okvir Options programskoga alata Solver, uz primjer u Točki 10.2.
107