Универзитет у Приштини

Економски факултет
Косовска Митровица

СЕМИНАРСКИ РАД

Предмет: ОПЕРАЦИОНА ИСТРАЖИВАЊА

Тема: ЛИНЕАРНО ПРОГРАМИРАЊЕ –

ДУАЛНИ ПРОБЛЕМ

Ментор: Студент:
Доц. др Радица Бојичић Александар Виријевић 21/14

Косовска Митровица, 2019.

САДРЖАЈ

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

Протекле деценије у развоју човечанства окарактерисане су порастом броја чинилаца у

свим доменима живљења. Интеракција поприма својеврсну динамичност. Услови за
делање постају све сложенији последично и ризичнији приликом осмишљавања потеза,
подухвата у различитим областима човековог деловања. Процес „усијавања“ у неколико
последњих деценија има своју предисторију.
Човек је у свакодневном животу решавао проблеме са којима се суочавао. Том приликом,
као најједноставније случајеве треба издвојити регистровање онога што се догодило и
израчунавање цена за продају својих руку дела. Ако је у првом случају масовност догађаја
била мала, евидентирање је било једноставно. Док у другом случају, као типском, настало
је суочавање са околином у лику корисника-купца. Супротстављеност интереса продавача
и купаца узроковала је нов квалитет размишљања. Требало је узети у обзир не само своју
ситуацију већ и услове у окружењу, код потенцијалног купца као и могућих понуђача.
Поједностављено, до краја огољено, оваква интерпретација односа присутна је суштински,
у свим збивањима, у којима је човек данашњице инволвиран.
На индивидуалном плану човек нуди своје услуге потенцијалном кориснику. На групном,
пословном, на пример, пољу у игри су продукти, услуге, колективних остварења за које
потенцијално постоје корисници. Успешност или неуспешност исхода зависи од све већег
броја фактора. У условима вишеструке личне, односно колективне понуде, јавља се већи
или мањи ризик. Превладавање тог ризика је перманентан изазов за сваког понуђача како
индивидуалног, тако и колективног. При том, треба имати у виду да се и колективни
понуђач своди на персонификацију у виду челног човека, односно његовог тима у
одговарајућој групи, тј. пословном систему.
Историја је испуњена бројним случајевима када су потезана друга средства да би се
разрешила неукслађеност интереса оптаната. Освајачки походи су еклатантан пример
покушаја да се насилним путем разреше проблеми. Ако је у пословању предузећа ризик у
крајње неповољном случају био економски колапс, онда је у ратном сукобу такав екстрем
био губитак суверености одговарајуће државе. И не само једне државе, већ групе држава,
као сто је то био случај у II светском рату.

2. ЛИНЕАРНО ПРОГРАМИРАЊЕ

Линеарно програмирање је можда најпознатија и једна од најчешће коришћених техника

науке о управљању. То је математичка метода алоцирања дефицитарних ресурса све у
2
смислу потезања задатог циља, као што је максимизација профита. Линеарно
програмирање је нашло широку примену у пословању, код већине управљачких проблема
који захтевају алокацију ресурса. На пример, управљачки проблеми при одлучивању у
области управљања производњом, планирања потребног буџета, алокације персонала,
рекламирања и планирања промоције су повезани са достизањем задатог циља
(максимизацијом профита или минимизацијом цене), све у зависности од ограничених
ресурса (новца, материјала, људских ресурса, времена итд.). Линеарно програмирање
укључује опис стварних ситуација при доношењу одлука кроз математички модел који се
састоји од линеарне функције циља и линеарних ограничења ресурса.
Неке карактеристичне примене ове методе описане су у следећим случајевима:
Произвођач жели да усаврши распоред производње и приступ интентарисања који би
задовољио захтеве продаје у будућим периодима. Овај распоред би, у идеалном случају,
омогућио предузећу да задовољи потражњу и да у исто време минимизира укупну
производну цену.
Финансијски аналитичар мора изабрати инвестициони портфолио између разчичитих
алтернатива складиштења и обавезујућих инвестиција. Аналитичар би желео да успостави
портфолио који максимизира повраћај инвестиције.
Маркетинг менаџер жели да одреди како да се најбоље алоцира стални рекламни буџет
између различитих алнтернатива као што су радио, телевизија, новине и ревије. Менаџер
би желео да одреди „media mix“ који максимизира ефекте рекламирања.
Предузеће има складишта на различитим локацијама широм земље. За задати скуп
потрошачких захтева за његовим производима, предузеће би желело да одреди које
складиште би требало, колико производа и којим потрошачима да испоручи да би укупни
трошкови транспорта били минимизирани.
Ово су примери ситуација где се линеарно програмирање (ЛП) успешно користи, али
такође илуструју ширину примене апликација ЛП. Даље разматрање ових захтева намеће
следећи закључак: сви ови примери се тичу максимизирања или минимизирања одређене
величине.
У првом примеру желимо минимизирати цене, у другом желимо максимизирати повраћај
инвестиције, у трећем желимо максимизирати ефекте рекламирања, а у четвртом
захтевамо минимизацију трошкова транспортом. У свим задацима ЛП предмет
истраживања је максимизација или минимизација неке величине.
У математичком смислу, ови захтевисе описују функцијом циља. Функција циља се још
назива критеријум управљања или критеријум оптималности. Она представља функцију
више променљивих за коју је потребно одредити екстремну вредност, тј. одредити њен
минимум или максимум.

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.

2.1. МОДЕЛИ ЛИНЕАРНОГ ПРОГРАМИРАЊА

Велики број привредних активности се остварује у условима ограниченог износа ресурса,

који се на различите начине могу користити за остваривање унапред постављеног циља.
Из низа могућих начина (програма) коришћења расположивих ресурса економски
субјекти су веома заинтересовани да одаберу онај најповољнији, онај за који ће се
остварити највећа могућа ефикасност укупних активности. Због тога оптимизација
економских активности заузима централно место у оквиру економске анализе и
математичког моделирања економских проблема. Један од математичких метада
оптимизације, који је током овог века доживео пуну афирмацију, теоријску разраду и
широку примену јесте модел линеарног програмирања.
Линеарно програмирање представља модел који се веома успешно користи за решавање
великог броја проблема на нивоу предузећа. Ту спадају:
а) Производно планирање – у условима ограниченог износа ресурса производно предузеће
може производити различите количине производа сопственог асортимана. У намери да
максимизира укупан резултат свог пословања, који је најчешће изражен висином
оствареног профита, предузеће је веома заинтересовано да искористи ресурсе са којима у
одређеном периоду располаже на најбољи могући (оптималан) начин. С тога је за једно
предузеће веома важна улога линеарног програмирања у креирању оптималног програма
производње који омогућава синтезу расположивих ресурса и позитивног пословног
резултата.
б) Планирање инвестиција – Проблем планирања инвестиција јавља се пре свега на
подручју осигуравајућих компанија. У овом случају полази се од претпоставке о
ограничености инвестиционих средстава. Улога линеарног програмирања заснива се на
креирању оптималног нивоа улагања у поједине хартије од вредности.
в) Планирање транспорта робе – Циљ сваког успешног предузећа јесте не само да оствари
максималан профит већ и да трошак пословања сведе на минимум. У том смислу

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.

2.2. ГРАФИЧКА МЕТОДА

Најједноставнији начин одређивања решења у задатку линеарног програмирања

представља графички метод. Међутим, и поред изразите једноставности и прегледности,
могућности коришћења овог метода у решавању практичких проблема линеарног
програмирања су веома ограничене. Наиме, графички метод решавања задатог линеарног
програмирања може се применити само у случају када у задатку постоје две реалне
променљиве. Због тога, разматрање графичког метода има превасходно карактер
представљања скупа могућих решења и поступака тражења оптималног решења, као и
указивања на основни карактер поступка одређивања решења коришћењем simplex метода.
Поступак његове примене је следећи:
1. Формулисање проблема у облику задатка линеарног програмирања;
2. Графичко представљање правих које репрезентују неједначине система ограничења;
3. Идентификација скупа могућих решења за која су задовољене све неједначине система
ограничења и услов ненегативности;
4. Наношење праве која репрезентује функцију циља нулте вредност променљивих
(права функције циља која пролази кроз координантни почетак);
5. Транслација праве функције циља слева удесно, (наношење паралелних правих) све
док не уцртамо једну такву праву која са скупом могућих решења има само једну
заједничку тачку;
6. Утврђивање оптималних вредности променљивих Х1 и Х2 у виду координата
екстремне тачке скупа могућих решења најудаљеније од координантног почетка

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.

2.3. СИМПЛЕКС МЕТОДА

За разлику од графичког метода, који се може користити само за решавање проблема у

којима постоје две реалне променљиве, симплекс метода представља општи алгоритам
који се користи за решавање свих облика задатка линеарног програмирања. Симплекс
метода представља алгоритам у коме се у низу итерација (фаза) долази до оптималног
решења задатка линеарног програмирања.
При томе, у свакој од итерација утврђују се вредности променљивих које одговарају
екстремним тачкама скупа могућих решења и испитује њихова оптималност. Симплекс
метода обезбеђује најкраћи пут до оптималног решења, што значи да се у поступку
решавања задатка линеарног програмирања не утврђују решења која одговарају свим
екстремним тачкама конвексног скупа могућих решења.
Модел линеарног програмирања се изражава у матричном облику на следећи начин:
Функција циља
F=¿
Систем ограничења

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

где поједине колоне матрице коефицијената система ограничења представљају тзв.векторе

активности, које можемо представити у облику:

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

Сваком проблему линеарног програмирања одговара дуални проблем, који такође

представља проблем линеарног програмирања. Између основног (примарног) и извесног
(дуалног) проблема линеарног програмирања постоји инверзан однос у погледу захтева за
одређивањем екстремне вредности функције циља. Уколико се у почетном проблему, који
се назива примарни проблем, поставља захтев за максимизацијом функције циља, у
дуалном проблему ће функција циља бити функција минимума, и обрнуто.
Осим тога, неједначине ограничења дуалног проблема изводе се на основу неједначина
ограничења примарног проблема. Примарне и дуалне променљиве омогућавају добијање
значајних информација о карактеру оптималног решења. Између примарног и дуалног
проблема постоји такав однос да у дуалном проблему има тачно онолико променљивих
колико у примарном проблему има структурних ограничења, односно додатној
променљивој примарног проблема одговара једна реална променљива дуалног проблема.
Исто тако, у дуалном проблему постоји по једна неједначина ограничења за сваку реалну
(главну) променљиву примарног проблема. Оваква веза, која постоји између додатних
променљивих одређеног проблема линеарног програмирања и реалних променљивих
њему одговарајућег дуалног проблема, и обрнуто, омогућава добијање веома значајних

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

∑ aij x j + x p+i =bi ( i=l ,… , m )

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

∑ aij y i + y m + j=c j ( j=1 , … , p )

j+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

7. min ( 243 , 303 )⇒Из базе излази вектор A . 4

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

4. Одређивање вредности функције циља: G 0= [ 210 0 ] ∙ [68]=1680;

5. Одређивање коефицијента линеарне комбинације небазичних вектора:
1 1 4 1
λ
[ λ λ
λ= 12 13 14 = 3
λ 52 λ53 λ 54
−1 1
0 1 4 1
∙
] [ ][
2 2 0
= 3 3
1 −2 −1
]
3 ;
[ ]
6. Израчунавање вредности функције циља за небазичне векторе:
1 4 1
[ G2 G3 G 4 ]=[ 210 0 ] ∙ 3 3
[ ]
3 =[ 70 280 70 ] ;
1 −2 −1

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

Операциона истраживања су базична дисциплина менаџмента утемељена на

математичком формализму, чији је циљ да се кроз координацију научног и практичног
рада, познавање и развој методологије и операционих истраживања, обезбеде
аргументовани и јасни закључци за подршку и унапређење функције управљања у
организованим системима.
Операционим истраживањима припадају квантитативне научне методе помоћу којих се
могу одредити оптимална решења бројних економских проблема. Циљ операционих
истраживања јесте да обезбеди знања која се односе на карактеристике одређених
економских проблема, на математичке моделе којима се могу представити ти проблеми и
на математичке методе помоћу којих ће се пронаћи њихова оптимална решења.
Велики број привредних активности се остварује у условима ограниченог уноса ресурса,
који се на различите начине могу користити за остваривање унапред постављеног циља.
Из низа могућих начина (програма) коришћења расположивих ресурса економски
субјекти су веома заинтересовани да одаберу онај најповољнији, онај за који ће се
остварити највећа могућа ефикасност укупних активности.
Због тога оптимизација економских активности заузима централно место у овкиру
економске анализе и математичког моделирања економских проблема. Један од
математичких метода оптимизације, који је током овог века доживео пуни афирмацију,
теоријску разраду и широку примену јесте модел линеарног програмирања који је описан
у овом раду.

14
5. ЛИТЕРАТУРА

1. Данијела Тадић, Милија Сукновић, Гордана Радојевић, Вукица Јовановић, Операциона

истраживања, Гакултет за индустријски менаџмент ИЦИМ плус, Крушевац, 204.
2. Милан Божиновић, Операциона истраживања, Економски факултет, Косовска
Митровица, 2012.
3. Др Марко Бацковић, Др Јово Вулета, Операциона истраживања, Економски факултет
Подгорица, 2001.
4. Интернет извор:
www.wikipedia.org

15