Professional Documents
Culture Documents
Економски факултет
Косовска Митровица
СЕМИНАРСКИ РАД
Ментор: Студент:
Доц. др Радица Бојичић Александар Виријевић 21/14
1. УВОД..................................................................................................................................................2
2. ЛИНЕАРНО ПРОГРАМИРАЊЕ......................................................................................................3
2.1. МОДЕЛИ ЛИНЕАРНОГ ПРОГРАМИРАЊА.........................................................................4
2.2. ГРАФИЧКА МЕТОДА..............................................................................................................5
2.3. СИМПЛЕКС МЕТОДА.............................................................................................................6
3. ДУАЛНИ ПРОБЛЕМ........................................................................................................................8
4. ЗАКЉУЧАК.....................................................................................................................................14
5. ЛИТЕРАТУРА.................................................................................................................................15
1
1. УВОД
2. ЛИНЕАРНО ПРОГРАМИРАЊЕ
3
Друга особина ЛП су ограничења која лимитирају степен могућег прираста функције
циља. У првом примеру произвођач је ограничен захтеваном потражњом производа коју
треба да задовољи као и ограничењима производног капацитета. Проблем финансијског
аналитичара је одређен укупном сумом расположивих инвестиционих фондова, као и
максималном сумом која може бити инвестирана у сваку набавку или плаћање обавезних
инвестиција. Одлука о избору медија коју доноси маркетинг менаџер је ограничена
фиксираним буџетом за рекламирање и доступношћу одређених медија. У транспортном
проблему минимална цена распореда транспорта је одређена набавком расположивих
производа из сваког складишта. Ова ограничења су још једна опција особина сваког
проблема ЛП.
4
транспорт робе је веома важан. Наиме, у условима територијалне раздвојености
потрошача и произвођача транспорт робе изазива значајан трошак дистрибуције и
превоза. Методом линеарног програмирања настоји се одредити оптималан вид
транспорта који ће омогућити минимизацију трошкова. Улога линеарног програмирања у
решавању овог проблема је двојака јер не само да доприноси осварењу основног циља
предузећа већ путем смањења трошкова транспорта индиректно утиче и на смањење цене
производа па на тај начин задовољава и потребе потрошача.
г) Оптимално рапоређивање кадрова – Оптимално распоређивање кадрова односи се на
одређивање оптималног распореда извршилаца за обављање различитих послова.
Оптималан распоред подразумева такав распоред који ће омогућити максималну
ефикасност при раду. При томе ефикасност може бити усмерена на минимизацију
трошкова, минимизацију радног времена или максимизацију профита. Оптималан
распоред омогућава се посебним видом линеарног програмирања – моделом асигнације,
односно распоређивања.
5
(идентификацијом са графика или решавањем система једначина правих на чијем пресеку
се тачка налази);
7. Одређивање вредности функције циља за оптималне вредности променљивих.
На крају, важно је напоменути да је поступак примене графичког метода одређивања
оптималног решења истоветан са разматраним и у случају решавања проблема минимума,
као и мешовитог проблема максимума. У случају решавања проблема минимума, инверзан
захвет дефинисан одговарајућом функцијом циља, детерминише егзистенцију оптималног
решења у тачки скупа могућих решења која је најближа координантном почетку. Код
мешовитог решења у односу на разматрани поступак последица је модификације система
ограничавајућих услова. Међутим, општи карактер и начин коришћења графичког метода
истоветан је код решавања свих задатака линеарног програмирања.
a11 a12 … a1 p 1 0 … 0 x1 b1
[ ][ ] [ ]
a 21 a22 … a2 p 01 … 0 x 2 = b2
… … … … … … … … … … .. … … … … .
am 1 am 2 … amp 0 0 … 1 x p+m bm
6
a11 a 12 a1p 0
односно
…
[ ] [ ] [ ] []
A1= a21 , A 2=
am 1
a 22 , … .., A =
…
am 2
p
a 2 p , … ... , A =
…
amp
p+m
0
…
1
a1 j b1 x1
…
[] [] [ ]
A j= a2 j , као и b=
amj
b 2 X= x 2
…
bm
…
x p +m
Канонични облик модела ЛП, када коефицијенте функције циља изразимо у облику
вектора c=(c ¿ ¿ 1 , c2 , … , c p+m )¿ , гласи:
p+ m
( max ) F= ∑ c j x j
j=l
p+ m
∑ A j x j =b
j=l
x j ≥ 0¿
Поступак одређивања оптималног решења применом симплекс метода, започиње са
одређивањем почетног базичног решења. Почетно базично решење стандардног проблема
максимума одређује се тако што се претпоставља да су реалне променљиве једнаке 0, а
додатне променљиве једнаке слободним члановима система ограничења, тј.
x j=0 за j=1 , … , p
x p+i=bi за i=1 ,… , m .
Функција циља за свако почетно базично решење једнака је нули, F=0. Према томе,
слично као код графичког метода, решавање задатка стандардног проблема максимума
започињемо из почетка m- димензионалног векторског простора. Наведена претпоставка,
према томе, има за последицу да векторску базу на основу које се утврђује почетно
базично решење образују вектори коефицијената уз додатне променљиве, док су вектори
коефицијената уз реалне променљиве небазични. Вектори коефицијената уз додатне
променљиве (којих у нашем проблему има m) образују јединичну матрицу – чија инверзна
матрица је такође јединична. Поставља се питање, на који начин се може одредити
решење за које функција циља има већу вредност од 0? Одговор на то питање јесте:
изменом елемената (вектора) векторске базе.
На ово питање нам одговарају I и II Дантзингов симплекс критеријуми, I који одговара на
питање који вектор улази у базу, а II који вектор напушта базу.
7
I ДК - Критеријум за укључивање једног од претходно небазичних вектора у базу састоји
се у томе да треба одабрати онај вектор код кога је задовољен услов
C j−F j =max ( C j−F j)> 0
Овај услов представља критеријум оптималности, односно I симплекс критеријум за
измену векторске базе. Уколико су за неко од решења ове разлике за све небазичне
векторе негативне, тј. (C j−F j )<0, такво решење је оптимално решење уколико се ради о
стандардном проблему максимума. (Обрнуто је за минимум, ¿ 0 ¿ .
II ДК – Критеријум за излазак вектора из базе, односно II Дантзингов симплекс
критеријум, на основу којег можемо константовати да из базе треба искључити онај
вектор Ак за кога буде задовољен услов:
x ki x
θ= =min , за x il > 0
x kl x il
Из базе, према томе, излази онај вектор Ak за који овако одређен количник буде
минималан позитиван број (мањи од осталих вредности) у случају проблема минимума и
максимума. Након смене вектора у бази, на основу примене наведених симплекс
критеријума, израчунава се ново, побољшано решење и испитује да ли оно даје
оптималну, тј. максималну/минималну вредност функције циља.
3. ДУАЛНИ ПРОБЛЕМ
8
информација које се могу користити у поступку доношења одлука о начину оптимизације
економских активности.
С обзиром да одређивање оптималног решења било ког задатка линеарног програмирања
истовремено значи одређивање оптималног решења и њему одговарајућег дуалног
проблема, могуће је њихово алтернативно коришћење за поступак решавања задатака.
Оваква могућност долази до изражаја у ситуацији када је неки проблем линеарног
програмирања једноставније решавати коришћењем њему одговарајућег дуалног
проблема, што у пракси није редак случај.
Дуални проблем одређеног задатка линеарног програмирања (примарног проблема)
формира се на следећи начин:
1. Уколико примарни проблем представља проблем максимума, функција циља дуалног
проблема ће бити функција минимума, и обрнуто;
2. Мења се смер знакова неједнакости у систему једначина, и то тако да уколико се
неједначине примарног проблема са знаком ≤, неједначине дуалног проблема постају
неједначине са знаком ≥, и обрнуто;
3. Врши се транспоновање матрице коефицијената система ограничења примарног
проблема, на основу чега уколико у примарног проблему имамо m неједначина са p
променљивих, у дуалном проблему ће бити p неједначина са m променљивих;
4. Коефицијенти уз променљиве у функцији циља дуалног проблема једнаки су
слободним члановима система ограничења примарног проблема;
5. Слободни чланови система неједначина дуалног проблема једнаки су коефицијентима
који се уз променљиве налазе у функцији циља примарног проблема;
6. Све променљиве дуалног проблема морају бити ненегативне, због чега је овај услов
обавезно присутан и у дуалном проблему.
Основни облик стандардног проблема максимума:
( max ) F=c 1 x 1 +c 2 x 2 +…+ c p x p
a 11 x 1 +a12 x 2 +…+ a1 p x p ≤b 1
a 21 x1 + a22 x 2+ …+a2 p x p ≤ b2
…………..
a m 1 x 1+ am 2 x2 +…+ amp x p ≤ bm
x1 , x2 , … , x p ≥ 0
Дуални проблем који одговара претходном проблему, можемо представити у облику:
( min ) G=b 1 y 1 +b 2 y 2 +…+b m y m
a 11 y 1 +a 21 y 2 +…+a m 1 y m ≥ c 1
a 12 y 1+ a22 y 2 +…+ am 2 y m ≥ c 2
9
…………..
a 1 p y 1+ a2 p y 2+ …+amp y m ≥ c p
y1 , y2 , … , ym≥ 0
Уколико проблем максимума представимо у облику:
p
( max ) F=∑ c j x j
j+l
∑ aij x j ≤ bi ( i=l , … , m )
j+l
x j ≥ 0 ( j=l , … , p )
Тада, њему одговарајући дуални проблем можемо представити у облику:
m
( min ) G=∑ b1 y 1
j+l
∑ aij y 1 ≥c j ( j=l , … , p )
j+l
y 1 ≥ 0 ( i=l , … , m )
Очигледно је да између променљивих примарног и дуалног проблема постоји повезаност
и међусобна условљеност решења.
Да бисмо то показали, уведимо примарни проблем додатне променљиве x p+1 , … , x p +m у
њему одговарајући дуални проблем y m +1 , … , y m+ p, и изразимо их у следећем каноничком
облику:
Примарни проблем – проблем максимума:
p
( max ) F=∑ c j x j
j+l
x j ≥ 0 x p + j ≥0 ( j=l , … , p ; i=1 , … , m)
Дуални проблем – проблем минимума:
m
( min ) G=∑ bi y i
i+l
10
y i ≥0 , y m + j ≥ 0 ( i=l , … , m; j=l , … , p )
Број променљивих у примарном и дуалном проблему сада је једнак и износи p+m. Ова
веза може се изразити на следећи начин: свакој додатној применљивој примарног
проблема одговара једна реална променљива дуалног проблема. А свакој реалној
променљвивој примарног проблема одговара једна додатна променљива дуалног
проблема.
Пример 1:1 Наћи x 1 , x 2 ≥ 0, тако да се постигне минимум функције циља:
F=24 x 1 +30 x 2
под ограничавајућим условима:
3 x 1+3 x 2 ≥ 210
x 1+ 2 x 2 ≥ 100
4 x1 +2 x 2 ≥ 200
x1 , x2 ≥ 0
Решење:
Дуални проблем овог проблема је:
Наћи y 1 , y 2 , y 3 ≥ 0 тако да се постигне максимум функције
G=210 y 1 +100 y 2+ 200 y3
под ограничавајућим условима:
3 y 1+ y 2+ 4 y 3 ≤24
3 y 1+ 2 y 2 +2 y 3 ≤ 30
Како је ово класичан проблем максимума тако ћемо га и решавати. Претворићемо систем
неједначина у једначине додавањем допунских променљивих које су сада y 4 и y 5.
Добићемо:
3 y 1+ y 2+ 4 y 3 + y 4 =24
3 y 1+ 2 y 2 +2 y 3 + y 5=30
Функција циља је сада:
G=210 y 1 +100 y 2+ 200 y3 + 0 y 4 +0 y 5
A1= 3 , A 2= 1 , A3 = 4 , A 4 = 1 , A5 = 0 , A0 = 24
3[] [] [] [] [] [ ]
2 2 0 1 30
I итерација
1 0
1. Одређивање базе: B1=
0 1
; [ ]
2. Одређивање инверзне матрице: B1 =
−1
[ 10 01];
1
Марко Бацковић, Јово Вулета, Операциона истраживања, Економски факултет, Подгорица, 2001.
11
24 y4
−1
[ ][ ]
3. Одређивање почетног базичног решења: Y 0=B1 ∙ A 0= 30 =
y5
;
24
4. Одређивање вредности функције циља: G =C ∙ y =[ 0 0 ] ∙ [ ]=0;
0 0 0
30
5. Одређивање коефицијента линеарне комбинације небазичних вектора:
λ 41 λ 42 λ43 −1 3 1 4 3 1 4
λ=
[ λ 51 λ52 λ53 ] [
=B1 ∙
3 2 2
= ][
3 2 2
; ]
6. Израчунавање вредности функције циља за небазичне векторе:
[ G1 G2 G3 ]=[ 0 0 ] ∙ ƛ=[ 0 0 0 ]
c 1−G1=210−0=21 0
⟩
c 2−G2=100−0=10 0 ⇒ У базу улази вектор A1;
c 3−G3=200−0=20 0
II итерација
3 0
1. Одређивање базе: B2=
3 1
; [ ]
1
2. Одређивање инверзне матрице: B =
1 1 0
3 −3 3
−1
2= 3
0
−1 1
; [ ] [ ]
3. Одређивање почетног базичног решења:
1
Y 0=B−1
2 ∙ A O = 3
−1 1 [ ][ ] [ ] [ ]
0 24
∙
30 6
y
=8= 1;
y2
12
c 2−G 2 =100−70=3 0
⟩
c 3−G 3=200−280=−8 0 ⇒ У базу улази вектор A2;
c 4−G 4 =0−70=−7 0
8 6
7.
min
( )
1
3
⇒
1 Из базе излази вектор A5.
III итерација
3 1
1. Одређивање базе: B3=
3 2
; [ ]
2 −1
2. Одређивање инверзне матрице: B =
1 2 −1
−1
3
3 −3 3
= 3
−1 1
[
3 ;
[ ]
]
2 −1
3. Одређивање почетног базичног решења: Y 0= 3
−1 1
3 ∙
30 [ ][ ] [ ] [
24 = 6 = Y 1
6 Y2
;
]
24 =8040
4. Одређивање вредности функције циља: G0= [ 210 100 ] ∙
30
;[ ]
5. Одређивање коефицијента линеарне комбинације небазичних вектора:
2 −1 6 2 −1
[ λ λ
λ= 13 14 15 = 3
λ 23 λ24 λ25 ][
λ
−1 1
3 ∙
][
4 1 0=
2 0 1
3 ] 3
[
−2 −1 1
3 ;
]
6. Израчунавање вредности функције циља за небазичне векторе:
6 2 −1
G G
[ 3 4 5] G = [ 210 100
[
c 3−G 3 =200−220=−2 0,
] ∙ 3 3
−2 −1 1 ]
3 =[ 220 40 30 ]
c 4 −G 4 =0−40=−4 0 ,
c 5−G 5 =0−30=−3 0,
y 1=6 , y 2=6 , y 3 =0 , y 4=0 , y 5=0
max G=1860.
Решење почетног проблема је
min F=24 ∙ 40+30 ∙ 30=1860,
x 1=40 ,
x 2=30.
13
4. ЗАКЉУЧАК
14
5. ЛИТЕРАТУРА
15