REPUBLIKA SRBIJA

VISOKA ŠKOLA PRIMENJENIH STRUKOVNIH STUDIJA
VRANJE
SEMINARSKI RAD
TEMA:
MODELIRANJE DATE RASPODELE
PROFESOR: STUDENT:
prof. dr: Stanoje D. Cvetković Snežana Mišović 79/pi
Operaciona istraživanja
VRANJE, 2011.
Sadržaj:
1. Modeliranje date raspodele 3
2. Modeliranje diskretnih slučajnih promenljivih 3
3. Modeliranje slučajnih događaja (imitacija slučajnog opita) 5
4. Modeliranje neprekidnih slučajnih promenljivih 7
5. Metod Nojmana za modeliranje neprekidne slučajne promenljive 9
6. Modeliranje slučajne promenljive sa normalnom (Gausovom) raspodelom 10
7. Zadaci 13
2
Operaciona istraživanja
1. Modeliranje date raspodele
Pri rešavanju raznih problema pojavljuje se neophodnost modeliranja različitih slučajnih
promenljivih tj. generisanja nizova slučajnih brojeva koji su u saglasnosti sa raspodelama tih
slučajnih promenljivih. U ovom odeljku ukazaćemo na transformacije koje dozvoljavaju da se
pomoću slučajnih brojeva Z sa ravnomernom (uniformnom) raspodelom (0, 1) (“standardna”
slučajna promenljiva) modeliraju vrednosti bilo koje slučajne promenljive X.
2. Modeliranje diskretnih slučajnih promenljivih
Pretpostavimo da je potrebno dobiti vrednosti slučajne promenljive X sa raspodelom:
(1.1)…

·
`

'
|
n
n
p p p
x x x
, . . . , ,
, . . . , ,
2 1
2 1

gde je
{ ¦
i i
x X P p · ·
,
, ,..., 2 , 1 n i ·


·
·
n
i
i
p
1
. 1
Razdelimo interval 0<y<1 na n podintervala
. ,..., ,
2 1 n
∆ ∆ ∆
tako da dužina
i

jednaka
n i p
i
,..., 2 , 1 , ·
(sl. 1.1)

1


2


3


n

1
0
Slika: 1.1
Dokazaćemo stav:
Stav 1.1:
Slučajna promenljiva X, definisana formulom:
(1.2)…
i
x X ·
kada
i
∆ ∈ Ζ
ima raspodelu verovatnoća (1.1)
Dokarz je veoma kratak:
3
Operaciona istraživanja
( ) ( ) · ∆ ∈ Ζ · ·
i i
P x X P
dužina
.
i i
p · ∆
Za praktičnu relaciju formule (1.2)
pogodno je da se u memoriji elektronske računske mašine rasporede jedno za drugim vrednosti
n
x x x ,..., ,
2 1
i
. 1 , ... ,..., ; ,
1 2 1 3 2 1 2 1 1 −
+ + + + + +
n
p p p p p p p p p
Da bi izračunali vrednost
X nalazimo vrednost Z. Neka je to z. Zatim upoređujemo z sa
.
1
p
ako je
,
1
p z
tada je
1
x X ·
; ako je
,
1
p z 
tada upoređujemo z sa
.
2 1
p p +
Ako je
,
2 1
p p z +
tada je
2
x X ·
;
ako je
,
2 1
p p z + 
tada upoređujemo z sa
3 2 1
p p p + +
, i td.
U slučaju jednakih verovatnoća
n
p p
n
1
...
1
· · · umesto formule (1.2) možemo pisati:
(1.3) ... i
x X ·
, gde je i=1+C(nZ),
što znatno uprošćuje računanja, jer nisu potrebna višestruka upoređivanja.
Stav 1.1 može se uopštiti I na slučajnu promenljivu koja može da uzima beskonačan niz
vrednosti
,.... ,
2 1
x x
sa odgovarajućim verovatnoćama
,.... ,
2 1
p p
. Zbog mogućih
glomaznih računanja obično se bira takav prirodni broj
0
n
, da je suma verovatnoća
0
,... ,
2 1 n
p p p +
bliska 1, pa se zatim modelira slučajna promenljiva X sa raspodelom:
(1.4) … X :

·
`

'
|
0
0
, . . . , ,
, . . . , ,
2 1
2 1
n
n
p p p
x x x

Logički operator 2 predstavljen je šestouglom. Ako je uslov, koga proverava logički
operator ispunjen, strelica koja označava predaju upravljanja snabdeva se indeksom 1, a u
suprotnom slučaj indeksom 0. Operator 1 određuje slučajni broj z sa uniformnom raspodelom
(0,1) pomoću metoda o kojima smo govorili u prethodnim odeljcima.
Primer 1.1:
Modelirati šest vrednosti slučajne promenljive X sa raspodelom:
X :
Rešenje:
Kako su verovatnoće
i
p
iz ove raspodele date na dve decimale to ćemo iz tablica
slučajnih cifara I . . sa bilo kog mesta uzeti uzastopnih šest parova slučajnih cifara I pomnožiti
sa 0,01. Na taj način dobijamo šest vrednosti slučajne promenljive Z. Neka su to brojevi:
0.32 0.17 0.90 0.5 0.97 0.87 .
4
Operaciona istraživanja
Na osnovu formule (1.2) sledi da je potrebno interval (0,1) podeliti na tri podintervala
3 2 1
, , ∆ ∆ ∆
:
(0, 0.22), (0.22, 0.39), (0.39, 1) .
Slučajni broj 0.32 pripada podintervalu
2

=(0.22, 0.39) te njemu odgovara vrednost
slučajne promenljive X=10. Slučajni broj 0.17
1
∆ ∈
=(0, 0.22)

X=2, i td. Na taj način
modeliramo šest vrednosti slučajne promenljive X:
10; 2; 18; 2; 18; 8
Primer 1.2:
Modelirati 10 vrednosti slučajne promenljive X sa raspodelom:
X :
Rešenje:
Kako su verovatnoće
i
p
date na dve decimale to ćemo iz tablica I . . uzeti recimo prvih
10 parova slučajnih cifara I pomnožiti ih sa 0.01. Na taj način dobijamo 10 vrednosti slučajne
promenljive Z:
0.49 0.48 0.75 0.28 0.02 0.28 0.66 0.76 0.20 0.58 .
Na osnovu formule (1.2) vrednostima Z koje su manje od 0.53 odgovara vrednost X=0, a
vrednostima Z  0.53 odgovara vrednost X=1. Prema tome, dobijamo sledeći niz vrednosti X:
0; 0; 1; 0; 0; 0; 1; 1; 0; 1.
3. Modeliranje slučajnih događaja (imitacija slučajnog opita)
Modeliranje slučajnih događaja svodi se na modeliranje diskretnih promenljivih. U vezi
sa tim podsetimo na pojam potpunog sistema slučajnih događaja. Za slučajne događaje
n
A A A A ,..., , ,
3 2 1
kažemo da formiraju potpun system događaja ako su ti događaji u parovima
disjunktni i ako ako je njihova unija daje pouzdan događaj. Ako sa Ω označimo pouzdan a sa
⊗nemoguć događaj, tada činjenica da događaji
n
A A A A ,..., , ,
3 2 1
čine potpun sistem I može
da se izrazi na sledeći način:
(1.4) …
n
i
i j i
A j i A A
1
, ,
·
Ω · · ⊗ ·
.
Kao primer događaja koji formiraju potpun system možemo da navedemo par slučajan od
slučajnog događaja A i njegovog suprotnog događaja (komplementa) A . Zaista A A = ⊗i A
∪ A
=

.
Pretpostavimo da se kao ishod nekog opita može realizovati jedan od slučajnih događaja
i
A
, i=1,…, n koji čine potpun system događaja, i neka su date verovatnoće realizacije događaja
i
A
:
) (
i i
A P p ·
. Za modeliranje takvih opita razmotrimo slučajnu promenljivu X koja je
jednaka rednom broju realizovanog događaja. Očevidno je da se raspodela za X daje tablicom:
5
Operaciona istraživanja
(1.5) … X :

·
·
n
i
i
p
1
. 1
Za realizaciju ishoda opita treba izabrati slučajni broj Z I na osnovu stava 1.1 modelirati
vrednost X. ako je X= i, tada se realizovao događaj
i
A
.
Specijalno, za n=2, kao ishod opita javlja se par suprotnih događaja
1
A
= A i
2
A
= A .
Ako sa p označimo P(A) tada je P( A )= 1- p. Neka je
A
I
slučajna promenljiva (“indikator
slučajnog događaja A”) koja uzima vrednost i kada se A realizuje i 0 kada se A ne realizuje (tj.
kada se realizuje A ). Tada je raspodela za X data tablicom:
(1.5) …
A
I
:
Na osnovu stava 1.1, za realizaciju opita treba naći slučajni broj Z i proveriti nejednakost
p z
. Ako je ta nejednakost ispunjena, tada se realizovao događaj A, a ako je
p z 
, tada se A
nije realizovao.
Primer 1.3:
Sa opitom su povezani, kao mogući ishodu dva nezavisna, saglasna (nedisjunktna)
slučajna događaja A i B, čije su verovatnoće realizacija date:
A
p
= P (A),
B
p
= P (B).
Modelirati njihovu realizaciju u svakom opitu.
Rešenje:
Rešenje možemo da dobijemo na dva načina:
 Posto su A i B, nezavisni možemo naizmenično da modeliramo njihovu realizaciju u
svakom opitu: najpre po slučajnom broju
1
z
prethodnom metodom (1.6) određujemo da li
se realizovao događaj A, a zatim po slučajnom broju
2
z
isto određujemo da li se realizovao
B.
 Ekonomičniji način je sledeći. Razmotrićemo potpuni sistem događaja:
B A A ∩ ·
1
, B A A ∩ ·
2
,
B A A ∩ ·
3
, B A A ∩ ·
4
.
Njihove verovatnoće su, respektivno,
6
Operaciona istraživanja
B A
p p p ·
1
,
) 1 (
2 B A
p p p − ·
, B A
p p p ) 1 (
3
− ·
,
) 1 )( 1 (
4 B A
p p p − − ·
.
Uzimajući jedan slučajan broj z metodom (1.5) možemo da odredimo koji se od ova četiri
disjunktna ishoda realizovao u modeliranom opitu.
Primer 1.4:
Sa opitom su povezana dva zavisna, saglasna događaja A i B, i date su verovatnoće:

A
p
= P (A),
B
p
= P (B),
AB
p
= P (AB). Modelirati njihovu realizaciju u svakom opitu.
Rešenje:
Kao i u prethodnom primeru i ovde možemo da postupimo na dva načina.
 Možemo najpre da izvršimo naizmenično modeliranje događaja A i B, koristeći dva slučajna
broja
1
z
i
2
z
. Najpre na osnovu broja
1
z
metodom (1.5) određujemo da li se realizovao
događaj A. Ako se A realizovao to znajući uslovnu verovatnoću
A AB
p p A B P / ) / ( ·

možemo na osnovu broja
2
z
da odredimo da li se realizovao B. Uslov da se realizuje B je
važenje nejednakosti
) / (
2
A B P z
. Ako se A nije realizovao to se realizacija događaja B
određuje pomoću uslovne verovatnoće ) 1 /( ) ( ) / (
A AB B
p p p A B P − − · i nejednakosti
) / (
2
A B P z .
 Kao i u prethodnom primeru, ekonomičniji način je poći od istog sistema događaja, čije su
verovatnoće sada:
7
Operaciona istraživanja
AB
p p ·
1
,
AB A
p p p − ·
2
, AB B
p p p − ·
3 ,
AB B A
p p p p + − − ·1
4
.
4. Modeliranje neprekidnih slučajnih promenljivih
Neka je X slučajna promenljiva neprekidnog tipa, definisana na intervalu (a,b)
(uključujući i slučajeve a= - ∞ i b= ∞), sa gustinom f(x) i funkcijom raspodele F(x), gde je
(1.7) … F(x) =

x
a
dt t f ) (
.
Dokazaćemo stav.
Stav 1.2:
Slučajna promenljiva X, koja zadovoljava jednačinu
(1.8) ... F(X) = Z
Ima gustinu f(x).
Dokaz:
Funkcija F(X) monotono raste u intervalu (a, b), uzimajući vrednosti od 0 do 1, te
jednačina (1.7) ima jedinstveno rešenje pri svakoj vrednosti Z, gde je Z slučajna promenljiva sa
uniformnom raspodelom na intervalu (0, 1) (Sl.1.2). zbog toga važi jednakost verovatnoća:
P (x X x+
X

) = P [F(x) Z F (x+
X

)]. Iz formule (1.7) sledi da je:
P [F(x) Z F (x+
X

)] = F (x+
X

) - F(x) = f(x)
X

, sto je trebalo da se dokaže.
Slika 1.2
U slučajevima kada jednačina (1.8) može analitički da se reši po X, dobija se eksplicitna
formula za modeliranje slučajne promenljive X:
8
1
a x
X
x + x
X
Y
F ( ) x + x
z
F ( x )
0
b
Operaciona istraživanja
(1.9) … X = G(Z),
gde je G(Z) inverzna funkcija u odnosu na Z= F(x). U drugim slučajevima jednačina (1.9) rešava
se numerički.
Primetimo da se u formulama (1.2) i (1.8) slučajna promenljiva Z može zameniti sa 1-Z s
obzirom da ima istu raspodelu. To u nekim slučajevima uprošćuje formule za izračunavanja.
Primer 1.5:
Za neprekidnu slučajnu promenljivu X kažemo da ima ravnomernu (uniformnu)
raspodelu u intervalu (a, b) ako je njena gustina konstantna u tom intervalu:

(1.10) … f(x) =
Za a x b funkcija raspodele je:
F(x) =
a b
a x
dt t f
x
a


·

) (
.
Iz formule (1.9) sledi da se X može izraziti pomoću Z na sledeći način:
(1.12) ... X= a+(b-a)Z,
tj. G(Z) = a+(b-a)Z.
Primer 1.6:
Za neprekidnu slučajnu promenljivu X kažemo da imamo eksponencijalnu raspodelu sa
parametrom a  0, ako je njena gustina oblika:
(1.13) ... f(x) =
ax
ae

, 0 x ∞; a 0.
Lako se može pokazati da je matematičko očekivanje E(X) =1/a, a disperzija D(X) =1/
2
a
.
Za x  0 funkcija raspodele je oblika:
(1.14) ... F(x) =

− −
− ·
x
ax at
e dt ae
0
1
.
Formula (1.8) dobija oblik:
1-
ax
e

=Z,
odakle se dobija eksplicitni izraz za X:
(1.15) ... X= -
a
1
ln(1-Z).
Kako 1-Z ima istu raspodelu možemo da uprostimo:
(1.16) ... X=-
a
1
ln Z.
9
Operaciona istraživanja
5. Metod Nojmana za modeliranje neprekidne slučajne promenljive
U nekim slučajevima eksplicitno rešavanje jednačine (1.8) po X može da bude veoma
teško. To je na primer, slučaj kada je gustina f(x) slučajne promenljive X zadata grafički.
Neka je slučajna promenljiva X definisana na konačnom intervalu a x b sa
ograničenom gustinom f(x) ≤K, kada je K konstanta (Sl. 1.3).
Slika 1.3
Metod Nojmana zasniva se na sledećem stavu.
Stav 1.3:
Neka su
1
Z
i
2
Z
dve nezavisne slučajne promenljive sa ravnomernom raspodelom na
(0,1) i neka je:
(1.17) ... X`= a+ (b-a)
1
Z
, Y`= K *
2
Z
Slučajna promenljiva X, definisana uslovom:
(1.18) ... x= X` ako je Y` f(X`)
ima gustinu f(x).
Pri praktičnoj realizaciji metoda Nojmana za modeliranje slučajne promenljive X sa
gustinom f(x) postupamo, saglasno stavu (1.3), na sledeći način.
1. Biramo dva slučajna broja
1
z
i
2
z
i formiramo slučajnu tačku T(x`, y`) sa
koordinatama x`= a + (b-a)
1
z
, y`= K*
2
z
;
2. Ako tačka leži ispod krive y= f(x), tada stavljamo X= x`, a ako tačka leži iznad krive,
tada odbacujemo par (
1
z
,
2
z
), i td.
10
a x X
X
Y
y’
T
y=f(x)
b
K
Operaciona istraživanja
Ako pod efiktivnošću
ε
ovog metoda podrazumevamo verovatnoću da će tačka T biti
iskorišćena (tj. neće biti odbačena) za određivanje vrednosti slučajne promenljive X, onda se ona
svodi na verovatnoću da tačka T(X` , Y`) budu ispod krive y= f(x), tj.
ε
= P[Y` f(X`)] = [(b – a) K]
1 −
.
Odatle sledi da će efektivnost
ε
biti najveća ako za K uzmemo najmanju moguću
vrednost: K=
b x a
max
f(x), što je očigledno i iz geometrijskih razmatranja.
Postoje razna uopštenja ovog metoda kao i drugi metodi za modeliranje različitih
slučajnih promenljivih, na čemu se mi nećemo zadržavati. Oni se koriste kada prethodna dva
metoda nisu efektivna.
6. Modeliranje slučajne promenljive sa normalnom (Gausovom)
raspodelom
Primer slučajne promenljive, na koju prethodna dva metoda za modeliranje nisu
promenljiva, je slučajna promenljiva X sa “stardanizovanom” normalnom raspodelom N (0;1)
(sa parametrima 0 i 1 ), čija je gustina oblika:
(1.19) ... f(x) =
2
2
2
1
x
e

π
, ∞ ∞ − x ,
a funkcija raspodele (Laplasova funkcija) oblika:
(1.20) ...
· ) (x φ
.
2
1
2
2
dt e
x t

∞ −

π
Prvi metod nije promenljiv zato što se ne može rešiti eksplicitno po X jednačina (1.8):
(1.21) ... ,
2
1
2
2
Z dt e
x t
·

∞ −

π
a metod Nojmana nije primenljiv zato što je interval mogućih vrednosti za X beskonačan. Ako sa
) (
1
Z

φ označimo inverznu funkciju za Laplasovu funkciju Z=
) (X φ
, tada iz (1.21) dobijamo
(1.22) ... X= ) (
1
Z

φ .
U slučajevima kada se modeliranje realizuje pomoću elektronskih računarskih mašina
primenjuje se metod zasnovan na tkz. centralnoj graničnij teoremi teorije verovatnoća, saglasno
kojoj se pri sumiranju dovoljno velikog broja nezavisnih slučajnih promenljivih, koje su
uporedive po svojim disperzijama, dobija slučajna promenljiva, koja je raspodeljena približno po
normalnoj raspodeli, pri čemu je ta raspodela bliža normalnoj što je veći broj sabiraka. U praksi
se dobra aprosikmacija postiže i sa relautivno nevelikim brojem sabiraka. Kao sabirci uzimaju se
slučajni brojevi tj. slučajne promenljive
1
Z
,
2
Z
, ...,
k
Z
, koje su nezavisne i imaju
ravnomernu raspodelu na intervalu (0, 1).
Za slučajnu promenljivu Y kažemo da ima (“nestandardizovanu”) normalnu (Gausovu)
raspodelu N(m;
2
σ ) (sa parametima m i
2
σ , gde je
∞ ∞ − m
, 0
2
σ ), ako je njena
gustina oblika
11
Operaciona istraživanja
(1.23) …
2
2
2
) (
1
2
1
) (
σ
π σ
m y
e y f


· ,
∞ ∞ − y
,
a funkcija raspodele, prema tome, ima oblik:
(1.24) ... F(y) = dt e
m t y
2
2
2
) (
2
1
σ
π σ


∞ −

.
Lako se može pokazati smenom
(1.25) … X=
σ
m Y −
prelazi se na standardizovanu normalnu slučajnu promenljivu X, sa normalnom raspodelom
N(0, 1). Iz (1.25) takođe sledi veza:
(1.26) ... Y= m +
σ
. X.
Neka je
1
Z
,
2
Z
, ...,
k
Z
niz od K nezavisnih slučajnih promenljivih sa ravnomernom
raspodelom na intervalu (0, 1) i neka je:
Y=
1
Z
,
2
Z
, ...,
k
Z
=

·
k
i
i
Z
1
.
Znamo da je E(
i
Z
)= 1/2 , D(
i
Z
)= 1/12 , i= 1, 2, ... , k .
Iz teorija verovatnoća znamo da je disperzija sume nezavisnih promenljivih jednaka sumi
disperzija sabiraka, dok je matematičko očekivanje sume sličnih promenljivih uvek jednako sumi
matematičkih očekivanja sabiraka. Prema tome,
m= E(Y)=

·
·
k
i
i
K
Z E
1
2
) (
,

·
· · · ·
k
i
i
K K
Z D Y D
1
2
3 2
,
12
) ( ) ( σ σ ,
odakle je:
(1.27) ... X=
3 2
2
1
K
K
Z
m Y
k
i
i ∑
·

·

σ
.
U praksi se za k uzimaju vrednosti ne manje od 6 (k 6). Recimo za k=6 je:
(1.28) ... X=

·

6
1
) 3 ( 2
i
i
Z
.
Prema tome, polazeći od slučajnih brojeva
1
Z
,
2
Z
, ...,
k
Z
, pomoću formule (1.27),
možemo da modeliramo standardizovanu normalnu slučajnu promenljivu N(0 ; 1), a pomoću nje,
i formule (1.26), možemo da modeliramo i normalnu slučajnu promenljivu N(m ; a
2
).
Primer 1.7:
Modelirati četiri vrednosti normalne slučajne promenljive sa parametrima:
12
Operaciona istraživanja
a. m=0,
2
σ =1;
b. m=2,
2
σ =9;
uzimajući k=12 slučajnih brojeva
1
Z
, ... ,
12
Z
.
Rešenje:
a. k=12,
6
2
·
k
, . 3 2 · k
Na osnovu formule (1.27) je:
(1.29) … X=

·

12
1
6
i
i
Z
.
Uzimamo iz druge vrste tablica i prvih dvanaest parova slučajnih cifara i pomnožimo ih
sa 0.01. Dobijamo sledeće slučajne brojeve i
Z
: 0.37 0.54 0.20 0.48 0.05 0.64 0.98
0.47 0.42 0.96 0.24 0.80.
Prema (1.29) je X
1
=

·
· − · −
12
1
. 06 . 0 6 06 . 6 6
i
i
Z
Analogno, uzimajući iz treće četvrtine i pete vrste tablica i prvih dvanaest parova
slučajnih cifara dobijamo sledeće sume

·
12
1
:
i
i
Z
4.90 4.48 6.83 ,
to je X
2
= 4.90 – 6 = -1.1, X 3 = 4.48 – 6 = - 1.52, X
4
= 6.83 – 6 = 0.83 .
b. iz formule (1.26) sledi:
Y=
σ
* X + m .
Za m=2,
σ
=3, na osnovu X
4 3 2 1
, , , X X X
koje smo modelirali pod a. modeliramo
sledeće četiri vrednosti slučajne promenljive Y koja ima normalnu raspodelu N(2;9): za X
1
=0.06 Y
1
=3 * 0.62 + 2 = 2.18. Analogno se određuju i ostale vrednosti za Y:
Y
1
= - 1.3, Y
2
= - 2.56, Y
13
Operaciona istraživanja
7. Zadaci
1. Linearni proizvodni problem
Preduzece planira da odpočne proizvodnju dveju vrsta artikala A i B. Ti artikli se moraju
izrađivati u dvema njenim radionicama R
1
i R
2
. Radionica R
1
može da za proizvodnju artikla A i
B izdvoji najviše 670 radnih časova, a radionica R
2
najviše 285 radnih časova. Za proizvodnju
jednog artikla tipa A mora se u radionici R
1
utrošiti 5 radnih časova I u R
2
4 radna časa. Za jedan
artikal tipa b potrebno je
respektivno 1, odnosno
3 radna časa. Te podatke
unosimo u tabelu 1.1:
Tabela 1.1
Čista dobit od prodaje jednog artikla tipa A je 350din, a od B 270din. Kako organizovati
proizvodnju pa da dobit bude maksimalna?
REŠENJE:
X
1
– broj proizvedenih artikala tipa A
X
2
– broj proizvedenih artikala tipa B
Funkcija cilja, koju treba maksimizirati, izgledaće:
(max)F=350X
1
+ 270X
2
, uz ograničenja:

5X
1 +
X
2
670 4X
1 +
3X
2
285
5X
1 +
X
2
=670; 4X
1 +
3X
2 =
285;
X
1
=0 X
2
= 670; X
1
= 0 X
2
=95;
X
1
= 134 X
2
=0. X
1
= 30 X
2
=55.
F=0, 350X
1
+ 270X
2
=0;
X
1
= 0 X
2
=0;
X
1
= -50 X
2
=64,81;
14
Radionice

Artikli
A B
R
1
5 1
R
2
4 3
Operaciona istraživanja
Fmax= F(A)= F(0, 95)= 25650 .
Dobit će biti maksimalna ako se artikal A ne proizvodi i ako se proizvede 95 artikala tipa B.
2. Zadatak o dijeti
Od raspoloživih vrsta hrane treba sastaviti takvu dijetu koja će, s jedne strane
zadovoljavati minimalne potrebe organizma u hranljivim sastojcima (belančevinama,
mastima...), s druge strane, biti najjeftinija. Imamo dve vrste proizvoda P
1
i P
2
koji sadrže
hranljive sastojke A, B i C. Količine hranljivih sastojaka određene vrste u jednom kilogamu
hrane date su u tebeli:
A B C
P
1
25 30 35
P
2
13 30 35
Tabela 2.1.
15
0
100 200 300 400 500 600 700
100
200
300
400
500
600
700
-100 -200 -300 -400
x1
x2
F
=
0
A
B C
Operaciona istraživanja
Minimalne dnevne potrebe organizma za sastojcima A, B i C su redom: 245, 265, 130; a
cene jednog kilograma proizvoda P
1
odnosno P
2
su 7 odnosno 12 dinara.
REŠENJE:
Neka je: X
1
– količina proizvoda P
1
uneta u organizam u toku jednog dana,
X
2
– količina proizvoda P
2
uneta u organizam u toku jednog dana,u kilogramima.
To će koštati:
F=7X
1
+ 12X
2
dinara.
Količina hranljive materije A u obema vrstama proizvoda je ukupno 25X
1
+ 13X
2
, i mora
biti:
25X
1
+ 13X
2
245; analogno nalazimo:
30X
1
+ 30X
2
265,
35X
1
+ 35X
2
130.
Navedena razmatranja nas vode do sledećeg zadatka linearnog programiranja:
Naći: (min)F=7X
1
+ 12X
2,
pri ograničenjima:
25X
1
+ 13X
2
245; 30X
1
+ 30X
2
265;
25X
1
+ 13X
2
=245, 30X
1
+ 30X
2
=265,
6X
1
+ 6X
2
=53,
X
1
=9.8 X
2
= 0; X
1
= 0 X
2
=8.83;
X
1
= 2 X
2
=15. X
1
= 8.83 X
2
=0;
35X
1
+ 35X
2
130;
35X
1
+ 35X
2
130,
X
1
= 0 X
2
=3.71;
X
1
=3.71 X
2
=0;
F=0; 7X
1
+ 12X
2
=0;
X
1
=0 X
2
= 3.71,
X
1
=3.71 X
2
= 0;
16
Operaciona istraživanja
0
1 -1
1
2
x1
x2
3
4
6
7
5
2 3 4 5 6 7 8 9 10
8
9
10
11
12
13
14
15
7
x
+
7
x
=
2
6
1
2
2
5
x
+
1
3
x
=
2
4
5
1
2
6
x
+
6
x
=
5
3
1
2
F
=
0
F(min)=F(9.8, 0) = 68.6
Najbolju dijetu ćemo postići ako u toku jednog dana u organizam unesemo 9.8kg
proivoda P1, a proizvod P2 zanemarimo. Time ce biti zadovoljene minimalne potrebe organizma
za hranljivim sastojcima i biće najjeftinija dijeta.
3. Agronomski proizvodni problem
Naći optimalnu raspodelu sejanja pšenice i kukuruza na dva imanja (I i II) od po 105
odnosno 265 hektara, koja su različita kvaliteta. Podaci o prinosima dati su u tabeli:
Kultura

Imanje
Prinosi (c/ha)
I II
Pšenica 70 40
Kukuruz 75 95
Tabela 3.1
17
Operaciona istraživanja
Treba obezbediti najmanje 5400c (metričnih centi) pšenice i 8750c kukuruza. Cena jedne
centi pšenice je 260din, a jedan cent kukuruza 310din. Gde i koliko posejati pšenice odnosno
kukuruza pa da proizvodnja ostvari maksimalnu dobit?
REŠENJE:
Označićemo sa X
1
površinu zasejanu pšenicom na imanju I, a sa X
2
površinu zasejanu
pšenicom na imanju II. Sledi:
105-X
1
- površina zasejana kukuruzom na imanju I,
265-X
2
- površina zasejana kukuruzom na imanju II,
70X
1
+ 40X
2
- ukupan prinos pšenice,
75(105-X
1
) + 95(265-X
2
) - ukupan prinos kukuruza.
Ukupan prihod, tj dobit, predstavlja funkciju cilja i treba je maksimizirati.
(max)F= 260(70X
1
+ 40X
2
) + 310[ 75(105-X
1
) + 95(265-X
2
) ] =
= 18200X
1
+ 10400X
2
+ 310( 7875 – 75X
1
+ 25080 – 95X
2
) =
= 18200X
1
+ 10400X
2
+ 2441250 – 23250X
1
+ 7774800 – 29450X
2
=
= -5050X
1
– 19050X
2
+ 10216050
(max)F= -5050X
1
– 19050X
2
+ 10216050, uz ograničenja:

70X
1
+ 40X
2
5400; 75(105-X
1
) + 95(265-X
2
) 8750;
7X
1
+ 4X
2
= 540, 32955 – 75X
1
– 95X
2
= 8750,
15X
1
+ 19X
2
= 4841,
X
1
= 0 X
2
=135; X
1
= 0 X
2
=254.79;
X
1
= 77.14 X
2
=0; X
1
= 322.733 X
2
=0;
X
1
= 105 X
2
=48.75;
105-X
1
0; 265-X
2
0;
X
1
= 105. X
2
= 265.
F=0, -5050X
1
– 19050X
2
+ 10216050 = 0,
-5050X
1
– 19050X
2
= 0,
101X
1
+ 381X
2
= 0,
X
1
= 0 X
2
=0;
X
1
= -100 X
2
=26.51;
18
Operaciona istraživanja

(max)F = F(A) = F(0, 254.79) = -5050*0 – 19050*254.79 + 10216050 = 5 362 300.5
Da bi smo obezbedili potrebne količine kultura i ostvarili najveću dobit treba na imanju I
zasejati 105-X
1,
odnosno 105ha kukuruza, a na imanju II 254.79ha pšenice i 265-X
2
, odnosno
10.21ha kukuruza.
4. Transportni problem
Imamo dva rudnika R1 i R2 koji mesečno mogu isporučiti ukupno 280 i 320 tona uglja.
Imamo dalje tri potrošačka centra P1, P2 i P3 kojima je potrebno redom 200, 280 i 120 tona
uglja respektivno. Cene prevoza 1t uglja od proizvođača do potrošača su u tabeli:
Rudnici
Potrošački centri
Ponude
P1 P2 P3
R1 1 2 14 280
R2 23 2 3 320
Potražnje 200 280 120
Tabela 4.1.
Kako organizovati transport (tj koliko tona uglja poslati iz R1 i R2 u P1, P2 i P3) pa da
budu zadovoljene sve potrebe potrošača i da cena bude najniža?
19
0
100 200 300 400 500 600 700
100
200
300
400
500
600
-100 -200
x1
x2
135
254,75
77,14
x =256 2
F
=
0
A
E
D C
B
Operaciona istraživanja
REŠENJE:
Sa X
1
označićemo količinu uglja koja se iz rudnika R1 prevozi do potrošačkog centra P1;
Sa X
2
označićemo količinu uglja koja se iz rudnika R1 prevozi do potrošačkog centra P2;
Sledi:
280 – X
1
– X
2
/ količina uglja koja se iz rudnika R1 prevozi do potrošačkog centra P3/
200 – X
1
/ količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P1/
280 – X
2
/

količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P2/
320 – (200 – X
1
+ 280 – X
2
) = X
1
+ X
2
- 160 / količina uglja koja se iz rudnika R2
prevozi do potrošačkog centra P2/
Funkcija cilja će izgledati:
(min)F = X
1
+ 2X
2
+ 14(280 – X
1
– X
2
) + 23(200 – X
1
) + 2(280 – X
2
) + 3(X
1
+ X
2
- 160)=
= X
1
+ 2X
2
+ 3920 – 14X
1
– 14 X
2
+ 4600 – 23X
1
+ 560 – 2X
2
+ 3X
1
+ 3 X
2
- 480=
= -46X
1
– 11X
2
+ 8600;
(min)F = -46X
1
– 11X
2
+ 8600, sa ograničenjima;
280 – X
1
– X
2
0; 200 – X
1


0; 280 – X
2


0;
X
1
+ X
2
= 280, X
1
= 200, X
2
= 280,
X
1
= 0 X
2
=280;
X
1
= 280 X
2
=0;
X
1
+ X
2
- 160

0;
X
1
+ X
2
= 160,
X
1
= 0 X
2
=160;
X
1
= 160 X
2
=0;
F = 0, -46X
1
– 11X
2
+ 8600 = 0;
-46X
1
– 11X
2
= 0,
X
1
= 0 X
2
=0;
X
1
= -66.96 X
2
=280;
20
Operaciona istraživanja
F(min)= F(0,160) = 8600 – 46*0 – 11*160 = 6840
Organizaciju transprta, odnosno količinu uglja(u tonama) koju treba poslati iz rudnika u
potrošačke centre, a da bi pri tom bile zadovoljene sve potrebe potrošača i da bi cena bila
najniža, prikazacemo u Tabeli 4.2.:
Rudnici
Potrošački centri
Ponude
P1 P2 P3
R1 0 160 120 280
R2 200 120 0 320
Potražnje 200 280 120
Tabela 4.2.
21
0
1 0 0 2 0 0 3 0 0 4 0 0
1 0 0
2 0 0
3 0 0
4 0 0
- 1 0 0
x 1
x 2
2 8 0
2 8 0 - 6 6 , 9 6
1 6 0
1 6 0
x
+
x
=
2
8
0
1
2
x
=
2
0
0
1
F
=
0
x = 2 8 0 2
E
D
C
A
B
Operaciona istraživanja
5. Primer 1.6.3
Imamo četiri vrste oružja koje treba rasporediti na šest nosača. Rezerve oružja i nosivosti
nosača dati su u tabeli:
Tip
oružja
N
1
N
2
N
3
N
4
N
5
N
6
Rezerve
oružja
I 6 - - 8 - - 28
II - 2 - - 1 - 12
III 1 - 4 1 5 - 72
IV 1 5 - - - 6 20
0.9 0.5 0.9 0.1 0.2 0.4
Tabela5.1.
U dnu tabele su date verovatnoće pogađanja – uništenja nosača od strane neprijatelja
P(N
1
)= 0.9; P(N
2
)= 0.5; P(N
3
)= 0.9; P(N
4
)= 0.1; P(N
5
)= 0.2; P(N
6
)= 0.4. Koju količinu i vrstu
oružja treba da nosi svaki nosač da bi gubitci koje može da nanese neprijatelj bili minimalni?
REŠENJE:
X
1
, X
2
, X
3
, X
4
, X
5
, X
6
– Broj nosača
6X
1
+ 8 X
4
= 28,
2X
2
+ X
5
= 12,
X
1
+ 4 X
3
+ X
4
+ 5 X
5
= 72,
X
1
+ 5 X
2
+ 6X
6
= 20, X
1
0, X
2
0, X
3
0, X
4
0, X
5
0, X
6
0.
(min)F= 0.9X
1
+ 0.5X
2
+ 0.9X
3
+ 0.1X
4
+ 0.2X
5
+ 0.4X
6
Uzećemo X
1
i X
2
kao slobodne promenljive, i sve ostale ćemo izraziti preko njih.
X
4
= - X
1
,
X
5
= 12 – 2X
2
,
4X
3
= 72 – X
1
– ( - X
1
) – 5(12 – 2X
2
) = 72 – X
1
- + X
1
– 60 + 10X
2
=
- X
1
+ 10X
2,
X
3
= - X
1
+ X
2
,
X
6
= - X
1
- X
2
.
- X
1
0 X
1
X
1

12 – 2X
2


0 12 2X
2


X
2
6
- X
1
+ X
2


0 X
1
- X
2


X
1
- X
2

22
Operaciona istraživanja
- X
1
- X
2


0 X
1
+ X
2
X
1
+ X
2

F = 0.9X
1
+ 0.5X
2
+ 0.9( - X
1
+ X
2
) + 0.1 - X
1
) + 0.2(12 – 2X
2
) + 0.4( - X
1
-
X
2
) =
= 0.9X
1
+ 0.5X
2
+ 1.575 – 0.1125X
1
+ 2.25X
2
+ 0.35 – 0.075X
1
+ 2.4 – 0.4X
2
+ 1.33 -
– 0.067X
1
– 0.33X
2
=
(min) F = 0.6455X
1
+ 2.02X
2
+ 5.655, pri ograničenjima
X
1
; X
2
6; X
1
- 5X
2
, X
1
+ X
2
,
X
1
– 20X
2
= 14; X
1
+ 5X
2
= 20;
X
1
= 0 X
2
= ; X
1
= 0 X
2
= 4;
X
1
= 4 X
2
= - ; X
1
= 10 X
2
= 2;
F = 0, 0.6455X
1
+ 2.02X
2
+ 5.655 = 0;
X
1
= 0 X
2
= - 2.78;
X
1
= - 8.76 X
2
= 0;
23
0
1 - 1
1
2
x 1
x 2
3
4
6
7
5
2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 5 1 4 1 3
- 2
- 1
- 3
x
+
5 x
=
2 0
1
2
x = 6 2
F
=
0
x - 2 0 5 x = 1 4
1
2
A
D
B C
x
1
=
1
4
/
3
Operaciona istraživanja
F(min)= F(0.0) = 5.655.
X
3
= - X
1
+ X
2
= ;
X
4
= - X
1
= ;
X
5
= 12 – 2X
2
= 12;
X
6
= - X
1
- X
2
= ;
Da bi gubitci koje može da nanese neprijatelj bili minimalni oružje treba da rasporedimo
na sledeći način:
Oružje I - sve reyerve, odnosno 28 oružja rasporediti na nosač N
4
,
Oružje II - sve reyerve, odnosno 12 oružja rasporediti na nosač N
5
,
Oružje III – na nosač N
3
rasporediti 7 oružja, na nosač N
4
4 oružja i na N
5
60 oružja,
Oružje IV - sve reyerve, odnosno 20 oružja rasporediti na nosač N
6
,
Nosači oružja N
1
i N
2
su bez oružja.
6. Primer 1.7.1
Naći simpleks metodom (max)F = 7X
1
– 2X
2
+ 2X
3,
pri ograničenjima:
REŠENJE:
Da bi smo iz zadatog osnovnog oblika prešli na kanonični oblik treba uvesti dopunske
promenljive X
4
, X
5
i X
6
.
F = 7X
1
– 2X
2
+ 2X
3
+ 0*X
4
+ 0*X
5
+ 0*X
6
X
1
, X
2
i X
3
– slobodne promenljive,
X
4
, X
5
i X
6
– bazisne promenljive.
5X
1
– X
2
+ X
4
= 10
-3X
1
+ X
2
+ 4X
3
+ X
5
= 1
X
1
+ X
2
– 3X
3
+ X
6
= 6

X
4
= 10 - 5X
1
+ X
2
X
5
= 1 + 3X
1
- X
2
- 4X
3

X
6
= 6 - X
1
- X
2
+ 3X
3
X
1
= 0, X
2
= 0, X
3
= 0, X
4
= 10, X
5
= 1, X
6
= 6;
M
1
(0,0,0,10,1,6)
F(M
1
) = 0
24
Operaciona istraživanja
U funkciji cilja F uz promenljive X
1
i X
3
stoje pozitivni koeficijenti (7 i 2), što znači da
će vrednost funkcije F rasti povećavanjem njihovih vrednosti. Uz promenljivu X
1
je veći
koeficijent, što znači da će promena vrednosti X
1
voditi bržoj promeni funkcije F. Drugim
rečima promenljiva X
1
će postati bazisna promenljiva.
X
1
B
X
4
= 10 - 5X
1
+ X
2
; X
1

2
0

X
5
= 1 + 3X
1
- X
2
- 4X
3
X
1
+∞

0
X
6
= 6 - X
1
- X
2
+ 3X
3
X
1
6
0
↑ X
1
{ ¦ 2 6 , , 2 min
0
· +∞

X
1
B X
4

X
2
, X
3
, X
4
- slobodne promenljive
X
1
, X
5
, X
6
- bazisne promenljive

X
1
= 2 + X
2
- X
4
X
5
= 1 + 3*(2 + X
2
- X
4
) – X
2
– 4X
3
=7 - X
2
– 4X
3
- X
4

X
6
= 6 – 2 - X
2
+ X
4
– X
2
+ 3 X
3
= 4 - X
2
+ 3X
3
+ X
4

F = 7(2 + X
2
- X
4
) – 2X
2
+ 2X
3
= 14 + X
2
- X
4
– 2X
2
+ 2X
3
=
F= 14 - X
2
+ 2X
3
- X
4
X
1
= 2, X
2
= 0, X
3
= 0, X
4
= 0, X
5
= 7, X
6
= 4;
M
2
(2,0,0,0,7,4)
F(M
2
) = 14
X
3
B
X
1
= 2 + X
2
- X
4
, X
1

+∞

0
X
5
=7 - X
2
– 4X
3
- X
4,
X
1

4
7
0

X
6
=4 - X
2
+ 3X
3
+ X
4
, X
1

+∞

0
X
1
{ ¦ 4 7 , 4 7 , min
0
· +∞ +∞

X
3
B X
5

X
2
, X
4
, X
5
- slobodne promenljive
X
1
, X
3
, X
6
- bazisne promenljive

X
3
= - X
2
- X
4
- X
5
X
1
= 2 + X
2
- X
4

X
6
= 4 - X
2
+ 3*( - X
2
- X
4
- X
5
) + X
4
= - X
2
- X
4
- X
5
X
6
= - X
2
- X
4
- X
5

25
Operaciona istraživanja
F= 14 - X
2
+ 2( - X
2
- X
4
- X
5
) - X
4
= 14 - X
2 +
- X
2
- X
4
- X
5
-
X
4
F= - X
2
- X
4
- X
5
X
1
= 2, X
2
= 0, X
3
= , X
4
= 0, X
5
= 0, X
6
= ;
M
3
(2,0, ,0,0, )
F(M
3
) = 17.5
Fmax = F(M
3
) = 17.5
7. Primer 1.7.2
Naći: (min)F = 8X
1
– 2X
2,
pri ograničenjima:
REŠENJE:
(min)F = 8X
1
– 2X
2
-2X
1
+ 3X
2
+ X
3
= 30
X
1
– 4X
2
+ X
4
= 4
5X
1
– 4X
2
+ X
5
= 50
-2X
1
+ X
2
+ X
6
= 2
X
1
, X
2
- slobodne promenljive
X
3
, X
4
, X
5
i X
6
- bazisne promenljive
X
3
=30 + 2X
1
- 3X
2
X
4
= 4 - X
1
+ 4X
2
X
5
= 50 - 5X
1
+ 4X
2
X
6
= 2 + 2X
1
- X
2
X
1
= 0, X
2
= 0, X
3
= 30, X
4
= 4, X
5
= 50, X
6
= 2;
M
1
(0,0,30,4,50,2)
F(M
1
) = 0
X
2
B
X
3
=30 + 2X
1
- 3X
2
; X
1

10
0

X
4
= 4 - X
1
+ 4X
2
; X
1

+∞

0
X
5
= 50 - 5X
1
+ 4X
2
; X
1

+∞

0
X
6
= 2 + 2X
1
- X
2
; X
1

2
0

X
1

{ ¦ 2 2 , , , 10 min
0
· +∞ +∞

X
2
B X
6

26
Operaciona istraživanja
X
1
, X
6
- slobodne promenljive
X
2
, X
3
, X
4
i X
5
- bazisne promenljive
X
2
= 2 + 2X
1
– X
6

X
3
= 30 + 2X
1
– 3(2 + 2X
1
– X
6
) = 30 + 2X
1
– 6 – 6X
1
+ 3X
6

X
3
= 24 – 4X
1
+ 36X
6

X
4
= 4 - X
1
+ 4(2 + 2X
1
– X
6
) = 4 – X
1
+ 8 + 8X
1
– 4X
6
X
4
= 12 + 7X
1
– 4X
6
X
5
= 50 – 5X
1
+ 4X
6
F = 8X
1
- 2(2 + 2X
1
– X
6
) = 8X
1
– 4 – 4X
1
+ 2X
6
= 4X
1
+ 2X
6
– 4
X
1
= 0, X
2
= 2, X
3
= 24, X
4
= 4, X
5
= 50, X
6
= 0;
M
2
(0,2,24,4,50,0)
F(M
2
) = -4
Fmin = F(M
2
) = -4
8. Primer 2.2.2
Uočimo u kordinatnom sistemu
Oxy
Celobrojne jedinične tacke
( )( ) 4 , 3 , 2 , 1 , 0 , , · ≡ j i j i T T
ij ,pri čemu ćemo posebno izdvojiti tacku
N T ≡
44
. Zamislimo da se
u tacki 0 nalazi jedan automobilista koji treba da stigne u tacku N. U bilo kojoj tački ij
T
da se
nađe moze se kretati samo udesno (ka tački
j T
i
, 1 +
) ili “naviše” ka tački
1 , + j T
ij . Rashodi
koje na putovanju ima dati su na slici 2.2.1 on postavlja sebi zadatak da iz tačke 0 stigne u tačku
N sa minimalnim rashodom. Kojim putem da ide?
8 7 8 10
8
9 9 10
10 11
10 11
15
12 13 14
12 10 11 13
8 8 10 12
8 7 9 13
14 13 9 10
12
10 9
8
11
11
12
14
N
1 2 3 4
1
2
3
4
0
j
5
I
11
N
1 2 3 4
1
2
3
4
0
j
5
I
39 27
17 8
46 34 25 18
50 42 34 28
59 51 44 39
73 63 57 53 48
34
22
Slika 2.2.1 Slika 2.2.2
REŠENJE:
27
Operaciona istraživanja
Neka je tacka B jedan od punktova I neka je “za jedan korak” (u jednoj etapi) dostižna iz
tačke A. Označimo odgovarajuci rashod sa r(AB).Ako je tacka C dostižna iz tačke A za
( ) 1 ≥ k k

etapa označimo odgovarajuci minimalni rashod sa R(AC).
Posmatrajmo prvo tacke iz kojih se u jednoj etapi moze stići u tacku N. To su tačke T34 i
T43. Odgovarajući rashodi su
( ) ( ) ( ) ( ) . 11 , 8
43 43 34 34
· · · · N T R N T r N T R N T r
Tačke iz kojih se u dve etape moze stići u tacku N su tačke T24, T33 i T42. Minimalni
rashodi od njih do tacke N su tačke
( ) ( ) ( ) ( ) ( ) ( ) { ¦ { ¦ 18 11 13 ; 8 10 min ; min ; 17 8 9
43 43 33 43 33 34 33 33 24
· + + · + + · · + · N T r T T r T T r T T r N T R N T R
te je i T33 najbolji put (sa najmanjim rashodom) T33 i T34N ; ( ) , 22 11 11
42
· + · N T r jer iz
T42 jedini (znači i najbolji) put je T42 T43N (videti sliku 2.2.2)
Tačke iz kojih se u tri etape moze stici u tacku N su T14, T23, T32 i T41. Najmanji
rashodi od njih do tacke N su:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) { ¦
¦ ( ) ( ) ( ) ( ) ( ) { ¦ {
{ ¦ 28 22 12 ; 18 10 min
; min ; 25 18 11 ; 17 8 min
; min , 27 17 10 10
42 42 32 33 33 32 32
33 33 23 24 24 23 24 23 23 24 14
· + +
· + + · · + + ·
+ + + · · + · + ·
N T R T T R N T R T T R N T R
N T R T T R N T R T T R T T R N T R N T R N T R
To znači da put T14 u N je T14 T24T34N.
Analognim načinom se dobijaju i ostali brojevi na Sl.2.2.2.
Na osnovu dobijenih rezultata se zaključuje da iz tačke 0 je najbolje krenuti u tačku T10, iz
T10 u T11, iz T11 u T21, iz T21 u T22, iz T22 u T23, iz T23 u T24, iz T24 u T34, iz T34 stići u
N. Time su odrađena i optimalna upravljanja na svakoj etapi i minimalan rashod koji je jednak
Rmin=10+12+7+10+9+8+9+8=73. (Optimalan put je na Sl.2.2.2 pojačan).
9. Primer 2.31:
Naći metodama DP
( )
2
3 2
2
1
2 3 max x x x F + + ·
uz ograničenja

. 0 , 0 , 0 , 10
3 2 1 3 2 1
≥ ≥ ≥ < + + x x x x x x
REŠENJE:
Ovde je
2
3 3 3 2 2 2
2
1 1 1
2 ) ( , 3 ) ( , ) ( x x f x x f x x f · · ·
te je

{ ¦ { ¦
1 1 1 1
2
1
2
1 1 1 1 1
0 0
, max ) ( max ) (
b x b x
b x x f b F
≤ ≤ ≤ ≤
· · ·
što znači da uslovno optimalno upravljanje na prvom koraku je
1 1 1
) ( b b x ·
. Zato je
{ ¦ { ¦
2 2 2 2
2
2 2 2 2 2 1 2 2 2 2
0 0
) ( 3 max ) ( ) ( max ) (
b x b x
x b x x b F x f b F
≤ ≤ ≤ ≤
· − + · − + ·
28
Operaciona istraživanja
{
. 3 0 , 3
3
2 2
2
2
2
≤ ≤
≥ ·
b je ako b
b je ako b
Iz toga se vidi da uslovno optimalno upravljanje na drugom koraku
je
2 2
2
~
) ( b b x ·
ako je
0 ) ( 3 0
2
2
~
2
· ≤ ≤ b x i b
ako je
. 3
2
≥ b
Dalje nalazimo
{ ¦ { ¦
3 3 3 3
3 3 2
2
3 3 3 2 3 3 3 3
0 0
) ( 2 max ) ( ) ( max ) (
b x b x
x b F x x b F x f b F
≤ ≤ ≤ ≤
− + · − + ·
to će biti:
10 0
max ) 10 (
3
3
≤ ≤
·
x
F

¹
¹
¹
'
¹
≤ ≤ − +
≤ ≤ − +
. 1 0 7 ) , 1 0 ( 3 2
, 7 0 , ) 1 0 ( 2
3 3
2
3
3
2
3
2
3
x x x
x x x
što daje:
. 10 ) 10 ( , 200 ) 10 (
*
3
~
3
· · · x x F
Odatle zaključujemo da je . 0
*
1
*
2
· · x x
10. Primer 3.4.1
Treba izvršiti kompleks koji se sastoji od 6 akcija a1, a2, … a6. Akcija a4 moze početi posle
završetka akcije a1 i a2, akcija a5 moze početi posle završetka akcije a2, a akcija a6 moze početi
posle završetka akcije a2 i a3. Predstaviti medđusobnu zavisnost navedenih akcija u vidu
strukturne tabele, odrediti rang svake akcije I konstruisati odgovarajucu mrezu kompleksa akcija.
A0
A1
A2
A3
A23
A12
A5
A4
A6
A56
A7
A8
A10
A
A9
a1
a2
a3
a4
a5
a6
a8
a7
a9
a10
Slika 3.4.2
REŠENJE:
Rešenje je prikazano je u tabeli 3.4.2 i na slici 3.4.2.
29
Operaciona istraživanja
Redni broj akcije Predhodne akcije rang
1 A1 - 1
2 A2 - 1
3 A3 - 1
4 A4 A1,A2 2
5 A5 A2 2
6 A6 A2,A3 2
30

Operaciona istraživanja

VRANJE, 2011.

Sadržaj:

1. Modeliranje date raspodele 2. Modeliranje diskretnih slučajnih promenljivih 3. Modeliranje slučajnih događaja (imitacija slučajnog opita) 4. Modeliranje neprekidnih slučajnih promenljivih 5. Metod Nojmana za modeliranje neprekidne slučajne promenljive 6. Modeliranje slučajne promenljive sa normalnom (Gausovom) raspodelom 7. Zadaci

3 3 5 7 9 10 13

2

Operaciona istraživanja

1. Modeliranje date raspodele
Pri rešavanju raznih problema pojavljuje se neophodnost modeliranja različitih slučajnih promenljivih tj. generisanja nizova slučajnih brojeva koji su u saglasnosti sa raspodelama tih slučajnih promenljivih. U ovom odeljku ukazaćemo na transformacije koje dozvoljavaju da se pomoću slučajnih brojeva Z sa ravnomernom (uniformnom) raspodelom (0, 1) (“standardna” slučajna promenljiva) modeliraju vrednosti bilo koje slučajne promenljive X.

2. Modeliranje diskretnih slučajnih promenljivih
Pretpostavimo da je potrebno dobiti vrednosti slučajne promenljive X sa raspodelom: (1.1)…

 x1, x2 , . xn. . ,    p1, p2 , . p.n  . ,
gde je
p i = P{ X = xi } , i =1,2,..., n,

∑p
i =1

n

i

= 1.

Razdelimo interval 0<y<1 na n podintervala ∆ , ∆2 ,..., ∆n . tako da dužina ∆ jednaka 1 i p i , i =1,2,..., n (sl. 1.1)

∆ 1

∆2

∆3

∆n

1

0 Slika: 1.1 Dokazaćemo stav: Stav 1.1: Slučajna promenljiva X, definisana formulom: (1.2)… X = xi kada Ζ ∈∆i ima raspodelu verovatnoća (1.1) Dokarz je veoma kratak:
3

. tada je X = x1 . . strelica koja označava predaju upravljanja snabdeva se indeksom 1. p1 + p 2 . Neka su to brojevi: 0. .1) pomoću metoda o kojima smo govorili u prethodnim odeljcima. p.... da je suma verovatnoća glomaznih računanja obično se bira takav prirodni broj p1 ..  0 Logički operator 2 predstavljen je šestouglom. + p n −1 . x 2 .. = p n = 1 n umesto formule (1.. p2 . Za praktičnu relaciju formule (1. X = xi . Ako je uslov. Stav 1. tada upoređujemo z sa p1 + p 2 + p3 .1 može se uopštiti I na slučajnu promenljivu koja može da uzima beskonačan niz x1 . tada upoređujemo z sa p1 + p 2 .. pa se zatim modelira slučajna promenljiva X sa raspodelom: (1.5 0.. x. što znatno uprošćuje računanja.32 0. Neka je to z. Operaciona istraživanja U slučaju jednakih verovatnoća p1 = . .2) pogodno je da se u memoriji elektronske računske mašine rasporede jedno za drugim vrednosti x1 . koga proverava logički operator ispunjen. jer nisu potrebna višestruka upoređivanja..87 .. . tada je X = x 2 . + p n0 bliska 1... p 2 ..n0 ... ako je z  p1 + p 2 . Zatim upoređujemo z sa p1 .01...17 0. p 2 .1. Na taj način dobijamo šest vrednosti slučajne promenljive Z.    p1.3) .4) … X:  x1.. sa odgovarajućim verovatnoćama p1 .. gde je i=1+C(nZ). x n i p1 .. i td. sa bilo kog mesta uzeti uzastopnih šest parova slučajnih cifara I pomnožiti sa 0.. x 2 .. x2 .P( X = xi ) = P( Ζ ∈ ∆ i ) = dužina ∆i = pi .97 0. ako je z  p1 .. . 4 . Ako je z  p1 + p 2 .n ... p1 + p 2 + . ako je z  p1 .90 0. Primer 1. p1 + p 2 + p 3 . a u suprotnom slučaj indeksom 0. Da bi izračunali vrednost X nalazimo vrednost Z.2) možemo pisati: (1. Operator 1 određuje slučajni broj z sa uniformnom raspodelom (0. Zbog mogućih vrednosti n0 .1: Modelirati šest vrednosti slučajne promenljive X sa raspodelom: X: Rešenje: Kako su verovatnoće pi iz ove raspodele date na dve decimale to ćemo iz tablica slučajnih cifara I .

39).22. 2. 1) . 1. Očevidno je da se raspodela za X daje tablicom: 5 . 0. A3 .58 . U vezi sa tim podsetimo na pojam potpunog sistema slučajnih događaja.76 0. dobijamo sledeći niz vrednosti X: 0. i= 1 n Kao primer događaja koji formiraju potpun system možemo da navedemo par slučajan od slučajnog događaja A i njegovog suprotnog događaja (komplementa) A . Modeliranje slučajnih događaja (imitacija slučajnog opita) Modeliranje slučajnih događaja svodi se na modeliranje diskretnih promenljivih. ∆2 . Slučajni broj 0. uzeti recimo prvih 10 parova slučajnih cifara I pomnožiti ih sa 0. 0. 0.. 0. An kažemo da formiraju potpun system događaja ako su ti događaji u parovima disjunktni i ako ako je njihova unija daje pouzdan događaj. Na taj način dobijamo 10 vrednosti slučajne promenljive Z: 0.32 pripada podintervalu ∆2 =(0.2: Modelirati 10 vrednosti slučajne promenljive X sa raspodelom: X: Rešenje: Kako su verovatnoće pi date na dve decimale to ćemo iz tablica I . i neka su date verovatnoće realizacije događaja Ai : pi = P ( Ai ) .22). 1. 0. 8 Primer 1..22) ⇒ X=2. 18. Pretpostavimo da se kao ishod nekog opita može realizovati jedan od slučajnih događaja Ai . 0.2) vrednostima Z koje su manje od 0. 2. .39.53 odgovara vrednost X=0. 1.39) te njemu odgovara vrednost slučajne promenljive X=10. Za modeliranje takvih opita razmotrimo slučajnu promenljivu X koja je jednaka rednom broju realizovanog događaja. a vrednostima Z  0. (0. 3.. Na taj način modeliramo šest vrednosti slučajne promenljive X: 10..48 0. 0..4) … Ai A j =⊗i = j . tada činjenica da događaji A1 . Na osnovu formule (1. A2 ..53 odgovara vrednost X=1. i=1. 18.….Operaciona istraživanja ∆ .. An čine potpun sistem I može da se izrazi na sledeći način: (1. (0.66 0. 0.75 0.28 0. Za slučajne događaje A1 .28 0.22. A3 . n koji čine potpun system događaja. Zaista A A = ⊗ i A ∪ A = Ω.20 0. Prema tome. ∆3 : 1 Na osnovu formule (1.02 0.01.  Ai =Ω . Slučajni broj 0.2) sledi da je potrebno interval (0.1) podeliti na tri podintervala (0. Ako sa Ω označimo pouzdan a sa ⊗ nemoguć događaj. i td.. A2 . 1.49 0. . 0.17 ∈∆1 =(0.

za n=2. za realizaciju opita treba naći slučajni broj Z i proveriti nejednakost nije realizovao. Razmotrićemo potpuni sistem događaja: A1 = A ∩ B . Tada je raspodela za X data tablicom: (1. tada se realizovao događaj A. Primer 1. A3 = A ∩ B . 6 .3: Sa opitom su povezani.5) … X : ∑p i =1 n i = 1. Specijalno. p B = P (B). a ako je z  p . respektivno. tada se A Na osnovu stava 1. kada se realizuje A ).1 modelirati vrednost X. nezavisni možemo naizmenično da modeliramo njihovu realizaciju u svakom opitu: najpre po slučajnom broju z1 prethodnom metodom (1.p. kao mogući ishodu dva nezavisna. Za realizaciju ishoda opita treba izabrati slučajni broj Z I na osnovu stava 1. a zatim po slučajnom broju z 2 isto određujemo da li se realizovao B. Modelirati njihovu realizaciju u svakom opitu.1. A2 = A ∩ B . A4 = A ∩ B .6) određujemo da li se realizovao događaj A. čije su verovatnoće realizacija date: p A = P (A). Neka je I A slučajna promenljiva (“indikator slučajnog događaja A”) koja uzima vrednost i kada se A realizuje i 0 kada se A ne realizuje (tj.Operaciona istraživanja (1. Ako sa p označimo P(A) tada je P( A )= 1.5) … IA : z  p . saglasna (nedisjunktna) slučajna događaja A i B.  Ekonomičniji način je sledeći. Rešenje: Rešenje možemo da dobijemo na dva načina:  Posto su A i B. Ako je ta nejednakost ispunjena. Njihove verovatnoće su. kao ishod opita javlja se par suprotnih događaja A1 = A i A2 = A . tada se realizovao događaj Ai . ako je X= i.

Ako se A realizovao to znajući uslovnu verovatnoću P ( B / A) = p AB / p A možemo na osnovu broja z 2 da odredimo da li se realizovao B. Uslov da se realizuje B je važenje nejednakosti z 2  P( B / A) . Ako se A nije realizovao to se realizacija događaja B određuje pomoću uslovne verovatnoće P( B / A ) = ( p B − p AB ) /(1 − p A ) i nejednakosti z 2  P( B / A ) . Modelirati njihovu realizaciju u svakom opitu.5) možemo da odredimo koji se od ova četiri disjunktna ishoda realizovao u modeliranom opitu. p4 = 7 p 2 = p A (1 − p B ) . Rešenje: Kao i u prethodnom primeru i ovde možemo da postupimo na dva načina. Operaciona istraživanja p3 = (1 − p A ) p B .  Možemo najpre da izvršimo naizmenično modeliranje događaja A i B. Primer 1. koristeći dva slučajna broja z1 i z 2 . ekonomičniji način je poći od istog sistema događaja. Uzimajući jedan slučajan broj z metodom (1.4: Sa opitom su povezana dva zavisna. i date su verovatnoće: p A = P (A). p B = P (B).  Kao i u prethodnom primeru. saglasna događaja A i B.5) određujemo da li se realizovao događaj A. p AB = P (AB). . čije su verovatnoće sada: . Najpre na osnovu broja z1 metodom (1.p1 = p A p B .

uzimajući vrednosti od 0 do 1.8) . definisana na intervalu (a. p3 = p B − p AB . Operaciona istraživanja p4 = 1 − p A − p B + p AB .7) sledi da je: x+ F ∆X )] = F (x+ ∆X ) . Modeliranje neprekidnih slučajnih promenljivih Neka je X slučajna promenljiva neprekidnog tipa.8) može analitički da se reši po X. dobija se eksplicitna formula za modeliranje slučajne promenljive X: 8 .1.∞ i b= ∞ ). a x Dokazaćemo stav. Dokaz: Funkcija F(X) monotono raste u intervalu (a. Iz formule (1. 4.2). sa gustinom f(x) i funkcijom raspodele F(x). b). P [F(x)   (x+ Z F Y 1 F x( + z F ( x ) x ) X 0 a x X x + bx Slika 1.. gde je (1.p1 = p AB . koja zadovoljava jednačinu (1.7) … F(x) = ∫ f (t ) dt . 1) (Sl. sto je trebalo da se dokaže. Stav 1.2: Slučajna promenljiva X.7) ima jedinstveno rešenje pri svakoj vrednosti Z. p 2 = p A − p AB .. gde je Z slučajna promenljiva sa uniformnom raspodelom na intervalu (0.F(X) = Z Ima gustinu f(x).F(x) = f(x) ∆X .2 U slučajevima kada jednačina (1. te jednačina (1. zbog toga važi jednakost verovatnoća: P (x  X  ∆X ) = P [F(x)  Z  (x+ ∆X )].b) (uključujući i slučajeve a= .

a 9 . Primetimo da se u formulama (1. a disperzija D(X) =1/ a 2 . b −a Iz formule (1. Formula (1.9) sledi da se X može izraziti pomoću Z na sledeći način: (1..5: Za neprekidnu slučajnu promenljivu X kažemo da ima ravnomernu (uniformnu) raspodelu u intervalu (a.9) rešava se numerički.12) .. (1.8) slučajna promenljiva Z može zameniti sa 1-Z s obzirom da ima istu raspodelu. Primer 1.8) dobija oblik: 1.10) … f(x) = x Za a   funkcija raspodele je: x b F(x) = ∫ f (t )dt = a x −a . b) ako je njena gustina konstantna u tom intervalu: (1. To u nekim slučajevima uprošćuje formule za izračunavanja.. Lako se može pokazati da je matematičko očekivanje E(X) =1/a... Primer 1.15) .. X= a+(b-a)Z. a  0.2) i (1. ako je njena gustina oblika: (1. a Kako 1-Z ima istu raspodelu možemo da uprostimo: 1 ln Z.13) . f(x) = ae −ax .e −ax =Z. G(Z) = a+(b-a)Z... gde je G(Z) inverzna funkcija u odnosu na Z= F(x). 0  x ∞ .14) . F(x) = ∫ ae 0 x −at dt =1 − e −ax .9) … X = G(Z). Za x  0 funkcija raspodele je oblika: (1. X= X=1 ln(1-Z)..Operaciona istraživanja (1.6: Za neprekidnu slučajnu promenljivu X kažemo da imamo eksponencijalnu raspodelu sa parametrom a  0.. tj. odakle se dobija eksplicitni izraz za X: (1. U drugim slučajevima jednačina (1.16) .

z 2 ). 1. tada stavljamo X= x`. Pri praktičnoj realizaciji metoda Nojmana za modeliranje slučajne promenljive X sa gustinom f(x) postupamo. y`= K* z 2 . i td. kada je K konstanta (Sl.3: Neka su Z 1 i Z 2 dve nezavisne slučajne promenljive sa ravnomernom raspodelom na (0. x= X` ako je Y`  f(X`) ima gustinu f(x). saglasno stavu (1. To je na primer. Y K y=f(x) y’ T a X x b X Slika 1.1) i neka je: (1. Neka je slučajna promenljiva X definisana na konačnom intervalu a  x  sa b ograničenom gustinom f(x) ≤ K.3).3 Metod Nojmana zasniva se na sledećem stavu...Operaciona istraživanja 5.. Ako tačka leži ispod krive y= f(x). Y`= K * Z 2 Slučajna promenljiva X. Metod Nojmana za modeliranje neprekidne slučajne promenljive U nekim slučajevima eksplicitno rešavanje jednačine (1. Stav 1. 1. 2.18) . definisana uslovom: (1. 10 .8) po X može da bude veoma teško. Biramo dva slučajna broja z1 i z 2 i formiramo slučajnu tačku T(x`. y`) sa koordinatama x`= a + (b-a) z1 .. X`= a+ (b-a) Z 1 . slučaj kada je gustina f(x) slučajne promenljive X zadata grafički. a ako tačka leži iznad krive.17) . tada odbacujemo par ( z1 .3). na sledeći način.

gde je − ∞ m  ∞ . φ(x ) = 1 2π −∞ ∫e x t2 − 2 dt .19) . (1.. Ako sa φ−1 ( Z ) označimo inverznu funkciju za Laplasovu funkciju Z= φ( X ) . 1 ε = P[Y`  f(X`)] = [(b – a) K] − .. neće biti odbačena) za određivanje vrednosti slučajne promenljive X. slučajne promenljive Z 1 . tj. . U praksi se dobra aprosikmacija postiže i sa relautivno nevelikim brojem sabiraka. U slučajevima kada se modeliranje realizuje pomoću elektronskih računarskih mašina primenjuje se metod zasnovan na tkz. koja je raspodeljena približno po normalnoj raspodeli. Za slučajnu promenljivu Y kažemo da ima (“nestandardizovanu”) normalnu (Gausovu) raspodelu N(m. X= φ−1 ( Z ) . koje su uporedive po svojim disperzijama.. onda se ona svodi na verovatnoću da tačka T(X` .. 1).. a Postoje razna uopštenja ovog metoda kao i drugi metodi za modeliranje različitih slučajnih promenljivih. koje su nezavisne i imaju ravnomernu raspodelu na intervalu (0. f(x) = e 2.. 1 2π −∞ ∫e x − t2 2 dt = Z . je slučajna promenljiva X sa “stardanizovanom” normalnom raspodelom N (0. tada iz (1.8): (1. što je očigledno i iz geometrijskih razmatranja. a metod Nojmana nije primenljiv zato što je interval mogućih vrednosti za X beskonačan.. Odatle sledi da će efektivnost ε biti najveća ako za K uzmemo najmanju moguću ax vrednost: K= mx  b f(x). pri čemu je ta raspodela bliža normalnoj što je veći broj sabiraka. dobija slučajna promenljiva. Modeliranje slučajne promenljive sa normalnom (Gausovom) raspodelom Primer slučajne promenljive.21) . ako je njena gustina oblika 11 . Z 2 . na koju prethodna dva metoda za modeliranje nisu promenljiva. centralnoj graničnij teoremi teorije verovatnoća. 2π a funkcija raspodele (Laplasova funkcija) oblika: x2 (1.1) (sa parametrima 0 i 1 ).22) .. Z k .. σ 2 ) (sa parametima m i σ 2 . Kao sabirci uzimaju se slučajni brojevi tj.Ako pod efiktivnošću ovog metoda podrazumevamo verovatnoću da će tačka T biti iskorišćena (tj. na čemu se mi nećemo zadržavati.21) dobijamo (1.20) . Oni se koriste kada prethodna dva metoda nisu efektivna. čija je gustina oblika: − 1 − ∞ x  ∞ . Y`) budu ispod krive y= f(x)... 0  σ 2 ). saglasno kojoj se pri sumiranju dovoljno velikog broja nezavisnih slučajnih promenljivih. ε Operaciona istraživanja 6. Prvi metod nije promenljiv zato što se ne može rešiti eksplicitno po X jednačina (1.

σ = . . i= 1... 2 i =1 σ 2 = D (Y ) = ∑ D( Z i ) = i =1 k K K . 1).24) .. a pomoću nje. Iz teorija verovatnoća znamo da je disperzija sume nezavisnih promenljivih jednaka sumi disperzija sabiraka. 1).28) .7: Modelirati četiri vrednosti normalne slučajne promenljive sa parametrima: 12 . 2. Prema tome. Recimo za k=6 je: X= 2 (∑Z i − 3) .25) takođe sledi veza: X= Y −m (1. k .. ima oblik: ( y −m ) 2 (1. dok je matematičko očekivanje sume sličnih promenljivih uvek jednako sumi matematičkih očekivanja sabiraka... Primer 1. a 2 )..26). . Z k . σ 2π a funkcija raspodele. Znamo da je E( Z i )= 1/2 . .... Z 2 .. Iz (1.25) … σ prelazi se na standardizovanu normalnu slučajnu promenljivu X. 1) i neka je: Y= Z 1 . Z 2 . polazeći od slučajnih brojeva Z 1 . Z k = ∑Z i =1 k i . X.Operaciona istraživanja − 1 2 (1. prema tome. Z 2 . Neka je Z 1 .. možemo da modeliramo standardizovanu normalnu slučajnu promenljivu N(0 .. sa normalnom raspodelom N(0. 1 F(y) = σ 2π −∞ ∫ y e − ( t −m ) 2 2σ 2 dt . možemo da modeliramo i normalnu slučajnu promenljivu N(m . − ∞ y  ∞ .. D( Z i )= 1/12 . Prema tome.27). k K m= E(Y)= ∑ E ( Z i ) = .27) .. i =1 6 X= ∑Z i =1 k i − K 2 (1. pomoću formule (1. K 2 3 U praksi se za k uzimaju vrednosti ne manje od 6 (k  6).. . Z k niz od K nezavisnih slučajnih promenljivih sa ravnomernom raspodelom na intervalu (0. . . 12 2 3 odakle je: Y −m = σ (1.23) … f1 ( y ) = e 2σ ..26) . i formule (1... Y= m + σ . Lako se može pokazati smenom (1.

Dobijamo sledeće slučajne brojeve Z i : 0. Rešenje: 2 a.20 0.1. k=12.05 0.26) sledi: Y= σ * X + m .56. ∑Z i =1 12 i : 4. 2 k = 2 3.64 0.62 + 2 = 2..24 0. σ =1. b. X 3 . . σ 2 =9.80.48 – 6 = .48 0. b. Za m=2.1. i =1 12 Analogno.98 0. uzimajući iz treće četvrtine i pete vrste tablica i prvih dvanaest parova slučajnih cifara dobijamo sledeće sume to je X 2 = 4. Y 13 . modeliramo sledeće četiri vrednosti slučajne promenljive Y koja ima normalnu raspodelu N(2.06 Y 1 =3 * 0.Operaciona istraživanja a.83 . Analogno se određuju i ostale vrednosti za Y: Y 1 = .2. m=2. uzimajući k=12 slučajnih brojeva Z 1 .1..48 6. Prema (1.01. Na osnovu formule (1. X 2 . X 4 = 6.37 0.27) je: (1.9): za X 1 =0.83 . .18. na osnovu X 1 . m=0.54 0.96 0.83 – 6 = 0. i =1 12 Uzimamo iz druge vrste tablica i prvih dvanaest parova slučajnih cifara i pomnožimo ih sa 0.06 .52.06 − 6 = 0.90 4.90 – 6 = -1.47 0.29) je X 1 = ∑ Z i − 6 = 6. iz formule (1. Z12 . X 4 koje smo modelirali pod a. k =6 . Y 2 = .42 0. σ =3. X 3 = 4.29) … X= ∑Z i − 6 .3.

Za proizvodnju jednog artikla tipa A mora se u radionici R1 utrošiti 5 radnih časova I u R2 4 radna časa. Linearni proizvodni problem Preduzece planira da odpočne proizvodnju dveju vrsta artikala A i B. Za jedan artikal tipa b potrebno je Radionice respektivno 1. 350X1 + 270X2=0. X1=0 X2= 670. a radionica R2 najviše 285 radnih časova. Kako organizovati proizvodnju pa da dobit bude maksimalna? REŠENJE: X1 – broj proizvedenih artikala tipa A X2 – broj proizvedenih artikala tipa B Funkcija cilja. X1= 134 X2=0. Ti artikli se moraju izrađivati u dvema njenim radionicama R1 i R2. 4X1 + 3X2 285 4X1 + 3X2 =285. koju treba maksimizirati. Zadaci 1. X1 = 0 X2=95.81.1 Čista dobit od prodaje jednog artikla tipa A je 350din. X1 = 0 X2=0. 14 .1: R1 5 1 R2 4 3 Tabela 1. X1 = -50 X2=64. X1 = 30 X2=55. F=0. Te podatke Artikli unosimo u tabelu 1. Radionica R1 može da za proizvodnju artikla A i B izdvoji najviše 670 radnih časova. odnosno A B 3 radna časa. izgledaće: (max)F=350X1 + 270X2 . a od B 270din.Operaciona istraživanja 7. uz ograničenja: 5X1 + X2 670 5X1 + X2 =670.

s jedne strane zadovoljavati minimalne potrebe organizma u hranljivim sastojcima (belančevinama.Operaciona istraživanja x2 700 600 Fmax= F(A)= F(0. 95)= 25650.). s druge strane. Imamo dve vrste proizvoda P1 i P2 koji sadrže hranljive sastojke A. 2. B i C. Količine hranljivih sastojaka određene vrste u jednom kilogamu hrane date su u tebeli: A B C P1 P2 25 13 Tabela 2.. Zadatak o dijeti Od raspoloživih vrsta hrane treba sastaviti takvu dijetu koja će.1. mastima.. Dobit će biti maksimalna ako se artikal A ne proizvodi i ako se proizvede 95 artikala tipa B. biti najjeftinija. 15 0 F= -400 -300 -200 -100 500 400 300 200 100 A 0B C 100 200 300 400 500 600 700 x1 30 30 35 35 .

F=0. To će koštati: F=7X1+ 12X2 dinara. X1=9. 7X1 + 12X2=0. X1=3. 35X1 + 35X2 130. Količina hranljive materije A u obema vrstama proizvoda je ukupno 25X1 + 13X2.8 X1= 2 X2= 0.Operaciona istraživanja Minimalne dnevne potrebe organizma za sastojcima A. analogno nalazimo: 30X1 + 30X2 265. X1 = 8. B i C su redom: 245. 30X1 + 30X2=265. 6X1 + 6X2=53. 35X1 + 35X2 130. a cene jednog kilograma proizvoda P1 odnosno P2 su 7 odnosno 12 dinara. 35X1 + 35X2 130. X2=15.71 X2=0. 30X1 + 30X2 265. 130.71 X2= 0. X1 = 0 X2=3. X1=3.83.83 X2=0. X1 = 0 X2=8. 25X1 + 13X2=245.71. X2 – količina proizvoda P2 uneta u organizam u toku jednog dana. REŠENJE: Neka je: X1 – količina proizvoda P1 uneta u organizam u toku jednog dana. i mora biti: 25X1 + 13X2 245. Navedena razmatranja nas vode do sledećeg zadatka linearnog programiranja: Naći: (min)F=7X1 + 12X2. pri ograničenjima: 25X1 + 13X2 245.71. 265. X1=0 X2= 3. 16 .u kilogramima.

8. a proizvod P2 zanemarimo.1 17 II 40 95 .Operaciona istraživanja x2 15 14 13 12 1 1 10 9 8 7 6 5 4 3 2 1 -1 0 1 2 3 4 5 6 7 8 9 10 x1 5 24 x2= 13 x1+ 25 F=0 1 7x 26 = x2 +7 6x 1+ 6x 2 3 =5 F(min)=F(9. 0) = 68. koja su različita kvaliteta.6 Najbolju dijetu ćemo postići ako u toku jednog dana u organizam unesemo 9. 3. Time ce biti zadovoljene minimalne potrebe organizma za hranljivim sastojcima i biće najjeftinija dijeta.8kg proivoda P1. Podaci o prinosima dati su u tabeli: Kultura Imanje Pšenica Kukuruz Prinosi (c/ha) I 70 75 Tabela 3. Agronomski proizvodni problem Naći optimalnu raspodelu sejanja pšenice i kukuruza na dva imanja (I i II) od po 105 odnosno 265 hektara.

75(105-X1) + 95(265-X2) 8750. (max)F= 260(70X1 + 40X2) + 310[ 75(105-X1) + 95(265-X2) ] = = 18200X1 + 10400X2 + 310( 7875 – 75X1 + 25080 – 95X2) = = 18200X1 + 10400X2 + 2441250 – 23250X1 + 7774800 – 29450X2 = = -5050X1 – 19050X2 + 10216050 (max)F= -5050X1 – 19050X2 + 10216050. 265-X2 . Ukupan prihod. predstavlja funkciju cilja i treba je maksimizirati. 70X1 + 40X2 . 105-X1 0. Gde i koliko posejati pšenice odnosno kukuruza pa da proizvodnja ostvari maksimalnu dobit? REŠENJE: Označićemo sa X1 površinu zasejanu pšenicom na imanju I. -5050X1 – 19050X2 + 10216050 = 0. 75(105-X1) + 95(265-X2) . 18 .51. X1 = 0 X2=135. Sledi: 105-X1 . X1 = -100 X2=26.79.površina zasejana kukuruzom na imanju II. X2 = 265. -5050X1 – 19050X2 = 0. X1 = 105. uz ograničenja: 70X1 + 40X2 5400. X1 = 105 X2=48. X1 = 77. 7X1 + 4X2 = 540. 101X1 + 381X2 = 0. 32955 – 75X1 – 95X2 = 8750. a jedan cent kukuruza 310din. X1 = 322.14 X2=0.Operaciona istraživanja Treba obezbediti najmanje 5400c (metričnih centi) pšenice i 8750c kukuruza. X1 = 0 X2=254.733 X2=0. 15X1 + 19X2 = 4841. X1 = 0 X2=0.75. Cena jedne centi pšenice je 260din.ukupan prinos pšenice.ukupan prinos kukuruza. 265-X2 0.površina zasejana kukuruzom na imanju I. F=0. a sa X2 površinu zasejanu pšenicom na imanju II. tj dobit.

14 100 200 300 400 500 600 700 x1 F=0 (max)F = F(A) = F(0. Rudnici R1 R2 Potražnje P1 1 23 200 P3 14 3 120 Ponude 280 320 Kako organizovati transport (tj koliko tona uglja poslati iz R1 i R2 u P1. Transportni problem Imamo dva rudnika R1 i R2 koji mesečno mogu isporučiti ukupno 280 i 320 tona uglja. Imamo dalje tri potrošačka centra P1.5 Da bi smo obezbedili potrebne količine kultura i ostvarili najveću dobit treba na imanju I zasejati 105-X1. P2 i P3 kojima je potrebno redom 200.79) = -5050*0 – 19050*254.1. 4.79ha pšenice i 265-X2. odnosno 105ha kukuruza.21ha kukuruza. 254.75 200 135 B 100 A E x2=256 -200 -100 0 D C 77.Operaciona istraživanja x2 600 500 400 300 254. Cene prevoza 1t uglja od proizvođača do potrošača su u tabeli: Potrošački centri P2 2 2 280 Tabela 4. P2 i P3) pa da budu zadovoljene sve potrebe potrošača i da cena bude najniža? 19 . 280 i 120 tona uglja respektivno. odnosno 10.79 + 10216050 = 5 362 300. a na imanju II 254.

Operaciona istraživanja REŠENJE: Sa X1 označićemo količinu uglja koja se iz rudnika R1 prevozi do potrošačkog centra P1. X1 = -66. Sledi: 280 – X1 – X2 / količina uglja koja se iz rudnika R1 prevozi do potrošačkog centra P3/ 200 – X1 / količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P1/ 280 – X2 / količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P2/ 320 – (200 – X1 + 280 – X2 ) = X1 + X2 . X1 = 200. Sa X2 označićemo količinu uglja koja se iz rudnika R1 prevozi do potrošačkog centra P2. -46X1 – 11X2 = 0.160)= = X1 + 2X2 + 3920 – 14X1 – 14 X2 + 4600 – 23X1 + 560 – 2X2 + 3X1 + 3 X2 . 20 . (min)F = -46X1 – 11X2 + 8600. -46X1 – 11X2 + 8600 = 0. sa ograničenjima.480= = -46X1 – 11X2 + 8600. 200 – X1 0. X1 = 0 X2=160. X1 = 0 X2=0. X1 + X2 . X1 = 0 X2=280. F = 0. X2 = 280. 280 – X1 – X2 0.160 / količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P2/ Funkcija cilja će izgledati: (min)F = X1 + 2X2 + 14(280 – X1 – X2) + 23(200 – X1) + 2(280 – X2) + 3(X1 + X2 .160 0. X1 = 280 X2=0. X1 + X2 = 280. X1 = 160 X2=0. 280 – X2 0.96 X2=280. X1 + X2 = 160.

2 =2 80 Potrošački centri P2 160 120 280 P3 120 0 120 Ponude 280 320 21 .: F=0 Rudnici R1 R2 Potražnje P1 0 200 200 Tabela 4.160) = 8600 – 46*0 – 11*160 = 6840 Organizaciju transprta.Operaciona istraživanja x2 4 0 0 3 2 0 8 0 A 0 x2 = 2 8 0 2 0 0 1 6 0 B 1 0 0 E . 9 6 0 C 1 0 0 1 6 0 2 D 0 0 2 8 30 0 0 4 0 0 x1 x1 +x x 1= 2 0 0 F(min)= F(0. prikazacemo u Tabeli 4. a da bi pri tom bile zadovoljene sve potrebe potrošača i da bi cena bila najniža.6 6 . odnosno količinu uglja(u tonama) koju treba poslati iz rudnika u potrošačke centre.2.1 0 0.2.

1.5 N3 4 0. X5 0.4X6 Uzećemo X1 i X2 kao slobodne promenljive.6. X1 2X2 X1 X2 X1 X2 . X5 = 12 – 2X2. X1 + 4 X3 + X4 + 5 X5 = 72. P(N2)= 0.9 N4 8 1 0.9.Operaciona istraživanja 5. X2 0. 2X2 + X5 = 12.2X5 + 0.1X4 + 0. X6 – Broj nosača 6X1 + 8 X4 = 28.9X1 + 0. X2.X1 X2. X4 = . X3.1 Tabela5.9. Rezerve oružja i nosivosti nosača dati su u tabeli: Tip oružja I II III IV N1 6 1 1 0. X6 0.9X3 + 0. X1 0. X3 0. N5 1 5 0.X1 0 12 – 2X2 0 .4. Primer 1. P(N6)= 0.9 N2 2 5 0.X1) – 5(12 – 2X2) = 72 – X1 + X1 – 60 + 10X2 = .4 Rezerve oružja 28 12 72 20 U dnu tabele su date verovatnoće pogađanja – uništenja nosača od strane neprijatelja P(N1)= 0. P(N4)= 0.X1 + 10X2.X1 + X2 0 12 6 X1 X2 22 .5X2 + 0.X1 + X2. 4X3 = 72 – X1 – ( .5.3 Imamo četiri vrste oružja koje treba rasporediti na šest nosača. P(N3)= 0. X4 0. X3 = X6 = . Koju količinu i vrstu oružja treba da nosi svaki nosač da bi gubitci koje može da nanese neprijatelj bili minimalni? REŠENJE: X1. .1. X5. X1 + 5 X2 + 6X6 = 20. i sve ostale ćemo izraziti preko njih.2 N6 6 0. X4. P(N5)= 0. (min)F= 0.X1.2.

3 23 F=0 .02X2 + 5.76 X2 = 0. X1 .1125X1 + 2.25X2 + 0.5X2 .4( . X2 6.9X1 + 0.4 – 0.33X2 = (min) F = 0.X1 ) + 0. X2 = 2.2(12 – 2X2) + 0.X1 - X2) = = 0. X1 = 0 X2 = .35 – 0. x2 x 1 = 1 4 /3 7 6 x2 = 6 5 4 A 3 D 2 x 1+ 5 x 2 =20 1 B .X1 + X2) + 0.067X1 – 0.4X2 + 1. X2 = 4. X1 = 0 X1 = 4 X2= . X1 = 0 X1 = 10 .1 1 C 0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 x1 x -2 0 5 x 2= 1 4 .5X2 + 1.33 – 0. X1 + X2 X1 + 5X2 = 20. F = 0. X1 = .1 .075X1 + 2.9( . pri ograničenjima X1 . X1 – 20X2 = 14.2 .655.1 .78.6455X1 + 2.9X1 + 0.575 – 0.2.Operaciona istraživanja . 0. X2 = .655 = 0.8.5X2 + 0.02X2 + 5.6455X1 + 2..X1 - X2 0 X1 + X2 X1 + X2 F = 0.

X5 = 1. X5 = 12 – 2X2 = 12.10.5X1 + X2 X5 = 1 + 3X1 . odnosno 20 oružja rasporediti na nosač N6. F = 7X1 – 2X2 + 2X3 + 0*X4 + 0*X5 + 0*X6 X1. 5X1 – X2 + X4 = 10 -3X1 + X2 + 4X3 + X5 = 1 X1 + X2 – 3X3 + X6 = 6 X4 = 10 . Oružje II .0) = 5.0.Operaciona istraživanja F(min)= F(0.1 Naći simpleks metodom (max)F = 7X1 – 2X2 + 2X3.X1 = . X6 = . Primer 1. X4 = 10. X5 i X6. odnosno 12 oružja rasporediti na nosač N5. Oružje III – na nosač N3 rasporediti 7 oružja.7.6) F(M1) = 0 24 .1. X3 = 0. X4 = .sve reyerve. na nosač N4 4 oružja i na N5 60 oružja.X1 X2 = .sve reyerve. Nosači oružja N1 i N2 su bez oružja. odnosno 28 oružja rasporediti na nosač N4. pri ograničenjima: REŠENJE: Da bi smo iz zadatog osnovnog oblika prešli na kanonični oblik treba uvesti dopunske promenljive X4. X2 i X3 – slobodne promenljive. X2 = 0.X2 .X1 .sve reyerve. Da bi gubitci koje može da nanese neprijatelj bili minimalni oružje treba da rasporedimo na sledeći način: Oružje I .4X3 X6 = 6 . M1(0. 6. X4.655. Oružje IV . X3 = . X6 = 6. X5 i X6 – bazisne promenljive.0.X1 + X2 = .X2 + 3X3 X1 = 0.

slobodne promenljive X1.Operaciona istraživanja U funkciji cilja F uz promenljive X1 i X3 stoje pozitivni koeficijenti (7 i 2). X3 = 0.7. X6 . X5 = 7. što znači da će vrednost funkcije F rasti povećavanjem njihovih vrednosti. Uz promenljivu X1 je veći koeficijent. X1 ↑ 0 7 + ∞ X5 = 1 + 3*(2 + X6 = 6 – 2 F = 7(2 + F= 14 - X2 – 4X3 X2 + 3X3 + X2 - X4 X4 X2 + X2 - X4 – 2X2 + 2X3 = X2 + 2X3 - X1 = 2 + X5 =7 X6 =4 - X2 – 4X3 X2 + 3X3 + X1 ↑ 0 4 X1 ↑ 0 + ∞ m { + .4) F(M2) = 14 X3 B X2 X4. 7 4. X2 = 0. X6 = 4.slobodne promenljive X1. X3. + . što znači da će promena vrednosti X1 voditi bržoj promeni funkcije F. X1 B X1 ↑ 0 2 0 + ∞ X4 = 10 .0. + } =7 4 in ∞ ∞ X1 ↑ 0 X3 B X5 X2.0. X4.bazisne promenljive X1 = 2 + X2 X4 X2 X4) – X2 – 4X3 =7 X4 – X2 + 3 X3 = 4 X4) – 2X2 + 2X3 = 14 + X4 X1 = 2.X2 + 3X3 X1 ↑ 0 6 X1 ↑ X1 min { 2 .0. X5. X4 = 0. X4. X5 .4X3 X6 = 6 . Drugim rečima promenljiva X1 će postati bazisna promenljiva.X1 . X6 . X4 . 6} =2 ∞ ↑ 0 X1 B X4 X2. X5 = 1 + 3X1 . X3.X2 .5X1 + X2. M2(2.bazisne promenljive X3 = X2 X2 X4 X4 X2 X5 X5 X1 = 2 + X6 = 4 X6 = - X2 + 3*( X2 X4 - X4 - X5) + X4 = - X2 - X4 - X5 25 . X4.

2} =2 in ∞ ∞ ↑ 0 .X1 + 4X2.5X1 + 4X2 X6 = 2 + 2X1 . X2 B X6 26 X1 ↑ 10 X1 ↑ X1 ↑ 0 0 + ∞ 0 + ∞ X1 ↑ 0 2 X1 m {10 .0. X3 = 30. X5 = 50 . X4.X2. pri ograničenjima: REŠENJE: (min)F = 8X1 – 2X2 -2X1 + 3X2 + X3 = 30 X1 – 4X2 + X4 = 4 5X1 – 4X2 + X5 = 50 -2X1 + X2 + X6 = 2 X1. X6 = 2 + 2X1 .X2 X1 = 0.3X2 X4 = 4 . X6 = 2.7. X5 = 0.0. X4 = 4 .30. X2 = 0.5X1 + 4X2. + . + .X1 + 4X2 X5 = 50 .bazisne promenljive X3 =30 + 2X1 .0.slobodne promenljive X3. X4 = 0. . Primer 1.3X2.4.50. F(M3) = 17.2 Naći: (min)F = 8X1 – 2X2. X6 = M3(2. X5 = 50.5 7. X5 i X6 .5 ) .0. X4 = 4. M1(0. X3 = . Fmax = F(M3) = 17.2) F(M1) = 0 X2 B X3 =30 + 2X1 . X2 = 0. X2 .Operaciona istraživanja F= 14 X4 F= - X2 + 2( - X2 - X4 - X5) - X4 = 14 - X2 + - X2 - X4 - X5 - X2 - X4 - X5 X1 = 2.

M2(0.slobodne promenljive X2.0) F(M2) = -4 Fmin = F(M2) = -4 8. j ) ili “naviše” ka tački Tij .1 on postavlja sebi zadatak da iz tačke 0 stigne u tačku N sa minimalnim rashodom.2 REŠENJE: 27 .4 ) .3. Primer 2.2. X3 = 24.X1 + 4(2 + 2X1 – X6) = 4 – X1 + 8 + 8X1 – 4X6 X4 = 12 + 7X1 – 4X6 X5 = 50 – 5X1 + 4X6 F = 8X1 .2 xy Celobrojne jedinične tacke Uočimo u kordinatnom sistemu O Tij ≡ T ( i. X4 i X5 .4.pri čemu ćemo posebno izdvojiti tacku T44 ≡ N . j )( i. X2 = 2. Kojim putem da ide? j 5 4 8 3 8 2 10 1 15 0 12 12 8 8 10 7 9 11 12 1 10 10 8 7 9 8 9 10 13 2 9 11 10 9 13 8 10 10 11 14 3 13 12 13 N 11 11 12 j 5 4 3 2 1 I 0 39 46 50 59 73 27 34 42 51 63 1 2 17 25 34 44 57 3 8 18 28 39 53 4 N 11 22 34 48 I 14 14 4 Slika 2.24.1.2. X3.Operaciona istraživanja X1.1 Slika 2. X6 = 0.2(2 + 2X1 – X6) = 8X1 – 4 – 4X1 + 2X6 = 4X1 + 2X6 – 4 X1 = 0. X5 = 50. X4 = 4.bazisne promenljive X2 = 2 + 2X1 – X6 X3 = 30 + 2X1 – 3(2 + 2X1 – X6) = 30 + 2X1 – 6 – 6X1 + 3X6 X3 = 24 – 4X1 + 36X6 X4 = 4 . U bilo kojoj tački Tij da se nađe moze se kretati samo udesno (ka tački Ti +1. j = 0.2.2. j +1 .2.2.50. Rashodi koje na putovanju ima dati su na slici 2. X6 . Zamislimo da se u tacki 0 nalazi jedan automobilista koji treba da stigne u tacku N.

To su tačke T34 i T43. T23.2.11 + 18 R( T14 N ) = 10 + R( T24 N ) = 10 + 17 = 27. iz T10 u T11. jer iz T42 jedini (znači i najbolji) put je T42 T43N (videti sliku 2. Označimo odgovarajuci rashod sa r(AB). { } 0 ≤ x1 ≤ b1 0 ≤ x1 ≤ b1 što znači da uslovno optimalno upravljanje na prvom koraku je x1 (b1 ) = b1 . R( T32T42 ) + R( T42 N )} = To znači da put T14 u N je T14 T24T34N. Primer 2. (Optimalan put je na Sl. Najmanji rashodi od njih do tacke N su: = min{8 + 17. x3 ≥ 0. Zato je F2 (b2 ) = max{ f 2 ( x 2 ) + F1 (b2 − x 2 )} = max 3x 2 + (b2 − x 2 ) 2 = { } 0 ≤ x 2 ≤ b2 0 ≤ x 2 ≤ b2 28 .2. f 2 ( x 2 ) = 3 x 2 .2.Ako je tacka C dostižna iz tačke A za k ( k ≥1) etapa označimo odgovarajuci minimalni rashod sa R(AC). Minimalni rashodi od njih do tacke N su tačke R( T24 N ) = 9 + 8 = 17. Time su odrađena i optimalna upravljanja na svakoj etapi i minimalan rashod koji je jednak Rmin=10+12+7+10+9+8+9+8=73.31: 2 Naći metodama DP ( max ) F = x12 + 3 x 2 + 2 x3 uz ograničenja x1 + x 2 + x3 < 10 .2.12 + 22} = 28 } = 25.Operaciona istraživanja Neka je tacka B jedan od punktova I neka je “za jedan korak” (u jednoj etapi) dostižna iz tačke A. iz T21 u T22. iz T34 stići u N. R( T32 N ) = min{ R( T32T33 ) + R( T33 N ).2 pojačan). Na osnovu dobijenih rezultata se zaključuje da iz tačke 0 je najbolje krenuti u tačku T10. R ( T23 N ) = min{ R( T23T24 ) + R ( T23T24 ) + R ( T24 N ). 9. r ( T43 N ) = R ( T43 N ) = 11 . T33 i T42. R( T33 N ) = min{ r ( T33T34 ) + r ( T33T43 ) .2. x1 ≥ 0. f 3 ( x3 ) = 2 x3 te je F1 (b1 ) = max { f 1 ( x1 )} = max x12 = b12 . r ( T33T43 ) + r ( T43 N )} = min{10 + 8. iz T22 u T23. x 2 ≥ 0. Tačke iz kojih se u dve etape moze stići u tacku N su tačke T24. T32 i T41.2) Tačke iz kojih se u tri etape moze stici u tacku N su T14. iz T24 u T34. iz T23 u T24. iz T11 u T21.2. Posmatrajmo prvo tacke iz kojih se u jednoj etapi moze stići u tacku N. R ( T23T33 ) + R( min{10 + 18. r ( T42 N ) = 11 + 11 = 22. REŠENJE: 2 Ovde je f 1 ( x1 ) = x12 .13 + 11} = 1 te je i T33 najbolji put (sa najmanjim rashodom) T33 i T34N . Analognim načinom se dobijaju i ostali brojevi na Sl. Odgovarajući rashodi su r ( T34 N ) = R ( T34 N ) = 8.

Akcija a4 moze početi posle završetka akcije a1 i a2.4.2 REŠENJE: Rešenje je prikazano je u tabeli 3.2 i na slici 3.1 Treba izvršiti kompleks koji se sastoji od 6 akcija a1. Iz toga se vidi da uslovno optimalno upravljanje na drugom koraku je x 2 (b2 ) = b2 ako je 0 ≤ b2 ≤ 3 i x 2 (b2 ) = 0 ako je b2 ≥ 3.4.0 . x (10 ) = x3 = 10 . Odatle zaključujemo da je x 2 = x1 = 0.4. odrediti rang svake akcije I konstruisati odgovarajucu mrezu kompleksa akcija. Predstaviti medđusobnu zavisnost navedenih akcija u vidu strukturne tabele.= b ako je b2 ≥ 3 2 2 { Operaciona istraživanja 3b2 . Primer 3. A5 A1 a1 A12 a5 a7 A7 a9 A9 A56 a8 A0 a2 a3 A2 A23 A8 a10 a4 A10 A A3 A4 a6 A6 Slika 3.  2  2 x3 + 3(1 0− x3 ) 7 ≤ x3 ≤ 1 . 29 . a akcija a6 moze početi posle završetka akcije a2 i a3.2. 10. ~ * * * što daje: F3 (10 ) = 200 .4. 0 ≤ x3 ≤ 7. Dalje nalazimo 2 F3 (b3 ) = max { f 3 ( x3 ) + F2 (b3 − x3 )} = max {2 x3 + F2 (b3 − x3 )} 0 ≤ x3 ≤ b3 0 ≤ x3 ≤ b3 to će biti: ~ ~ F3 (10) = max 0 ≤ x3 ≤ 10  2 x32 + (1 0− x3 ) 2 . ako je 0 ≤ b2 ≤ 3. … a6. a2. akcija a5 moze početi posle završetka akcije a2.

A3 rang 1 1 1 2 2 2 30 .Operaciona istraživanja Redni broj 1 2 3 4 5 6 akcije A1 A2 A3 A4 A5 A6 Predhodne akcije A1.A2 A2 A2.

Sign up to vote on this title
UsefulNot useful