5HMKwBtCYMqIRMxGfjG1 - Operaciona Istrazivanja Skripta

OPERACIONA ISTRAŽIVANJA
-Skripta-
Autor
Prof. dr Jan Marček
Recenzent
Prof. dr Slobodan Šegrt
Fakultet za poslovne studije i pravo, Beograd
Izdavač
Univerzitet "Union - Nikola Tesla" u Beogradu
Fakultet za poslovne studije i pravo
11070 Novi Beograd, Staro sajmište 29, Jurija Gagarina 149, 011-400-3530
www.fpsp.edu.rs
Za izdavača
Prof. dr Milan RADOSAVLJEVIĆ, dekan Fakulteta za poslovne studije i pravo
Štampa
NNK Internacional, Beograd
Tiraž
50 primeraka
Godina
2021
Odlukom NNV Fakulteta za poslovne studije i pravo broj 31-1/21 od 27.01.2021. godine odobreno je da se ova
skripta koriste u nastavi studenata.
ISBN 978-86-81088-70-8
Copyright©2021. Sva prava su zadržana.

Ni jedan deo ove knjige ne sme biti reprodukovan, niti na bilo koji način prenet u bilo kom obliku ili bilo kojim
sredstvom, elektronski, mehanički, fotokopiranjem, snimanjem ili drugi način, bez prethodne pisane dozvole
od strane autora (izdavača).
SADRŽAJ
UVOD .............................................................................................................. 4
1.LINEARNO PROGRAMIRANJE …..……………………………………. 8
1.1.Osnovni zadatak linearnog programiranja ................................................ 9
1.2. Geometrijska interpretacija zadatka linearnog programiranja ................ 12
1.3. Izražavnje problema linearnog programiranja u matričnom obliku ........ 17
2.SIMPLEKS TABELA ................................................................................. 19
2.1.Tabelarni način prikazivanja matematičkog modela LP .......................... 20
2.2.Modifikovani oblici sistema ograničenja modela LP ............................... 30
2.3.Problem minimuma ................................................................................. 32
2.4.Problem degeneracije ............................................................................... 34
2.5.Dualni problem ....................................................................................... 35
2.5.1.Teoreme dualnosti ................................................................................. 36
2.5.2.Vrste dualnih problema......................................................................... 37
3.TRANSPORTNI PROBLEM ..................................................................... 39
3.1.Određivanje početnog rešenja ................................................................. 40
3.1.1.Početno rešenje po pravilu severozapadnog ugla................................. 40
3.1.2.Vogelova aproksimativna metoda za početno rečenje ......................... 41
3.1.3.Vogel - Kordin postupak ...................................................................... 43
3.2.Određivanje optimalnog rešenja .............................................................. 45
3.2.1.Određivanje optimalnog rešenja metodom potencijala (MODI)........... 45
3.2.2. Metoda skakanja sa kamena na kamen (Stepping stone method)……. 49
3.3.Otvoreni problem transporta .................................................................... 50
3.4.Degeneracija transportnog problema ....................................................... 50
4.PROBLEM DODELJIVANJA ................................................................... 52
4.1.Standardni oblik problema dodeljivanja .................................................. 53
4.2.Postupak Flada ........................................................................................ 53
5.TEORIJA IGARA ………………………………………………………. 57
5.1.Prosta matrična igra …………………………………………………… 60
5.2.Mešovite matrične igre…………………..…………………………….. 60
5.2.1.Mešovita matrična igra 2 x 2 …………………………………..…….. 61
5.2.2.Mešovita matrična igra m x 2 ……………………………………….. 61
5.2.3.Mešovita matrična igra 2 x n ………………………………………… 64
5.2.4.Rešavanje matričnih igara redukcijom matrice cene ………………… 66
5.2.5.Rešavanje matričnih igara mxn primenom linearnog programiranja.. 68
5.2.6.Rešavanje matričnih igara iterativnom metodom ……………………. 69
6.TEHNIKA MREŽNOG PLANIRANJA .................................................... 70
6.1.Metode tehnike mrežnog planiranja ........................................................ 71
6.2.Prednosti tehnike mrežnog planiranja ..................................................... 71
2
6.3.Izrada mrežnog plana u TMP .................................................................. 72
6.3.1.Analiza strukture u TMP....................................................................... 72
6.3.1.1.Osnovni elementi mrežnog dijagrama............................................... 72
6.3.1.2.Oblici grafičkog prikazivanja u TMP ................................................ 73
6.3.1.3.Pravila oblikovanja mrežnih dijagrama ............................................. 73
6.3.1.4.Postupak u analizi strukture projekta.................................................. 76
6.3.2.Analiza vremena sa trajanjem aktivnosti kao determinističkim
veličinama u TMP .......................................................................................... 79
6.3.2.1.Procena vremena trajanja aktivnosti prema CPM............................... 80
6.3.2.2. Najraniji i najkasniji termini početka i završetka aktivnosti ..............81
6.3.2.3.Vremenske rezerve događaja Sd (j) .................................................... 82
6.3.2.4.Vremenske rezerve aktivnosti ............................................................ 82
7.TEORIJA MASOVNOG OPSLUŽIVANJA .........................................,... 85
7.1.Pojam i cilj teorije masovnog opsluživanja .............................................. 85
7.2.Osnovni pojmovi teorije masovnog opsluživanja .................................... 86
7.3.Pojam i vrste sistema masovnog opsluživanja ......................................... 88
7.3.1.Klasifikacija sistema masovnog opsluživanja ....................................... 89
7.4.Matematičke metode primenjene u teoriji masovnog opsluživanja ........ 91
7.4.1.Pojam i vrste Markovskih procesa ........................................................ 91
7.4.1.1.Diskretni procesi Markova ................................................................. 91
7.4.1.2. Neprekidni procesi Markova ............................................................ 92
8.UPRAVLJANJE ZALIHAMA .................................................................. 93
8.1.Pojam i vrste zaliha .................................................................................. 93
8.2.Upravljanje zalihama .............................................................................. 93
8.3.Vrste matematičkih modela u upravljanju zalihama................................ 94
8.4.1.Deterministički modeli........................................................................... 94
8.4.1.1.Harisov model upravljanja zalihama .................................................. 94
8.4.1.2.Harisov model kod koga se dopušta nedostatak zaliha –
potražnja veća od zaliha.................................................................................. 97
8.4.1.3.Model zaliha koje se popunjavaju iz proizvodnje .............................. 98
8.4.1.4.Model zaliha sa konstantnom popunom (iz proizvodnje) i
konstantnom potrošnjom kaad se dopušta nedostatak zaliha ....................... 100
8.4.2. Model zaliha sa stohastičkom potrošnjom ......................................... 101
LITERTURA.................................................................................................. 102
3
UVOD
U nastojanju da se donošenje odluka temelji na naučnim osnovama,

proistekla je nova grana primenjene matematike - operaciona istraživanja. Kao
naučna metoda, operaciona istraživanja su se pod tim nazivom javila za vreme
II svetskog rata na problemima vojne prirode u Velikoj Britaniji, kada su vojni
rukovodioci pozvali naučnike da pomognu u rešavanju strateških i taktičkih
problema. Zbog svoje praktične primene, ona su se brzo proširila i na druga
područja.
Operaciona istraživanja su posebna metodološka i normativna delatnost,
u kojoj se intenzivno i sistematski upotrebljavaju kvantitativne matematičke i
statističke metode. U prve pokušaje upotrebe operacionih istraživanja možemo
ubrojiti istraživanje F.W.Taylora, koji je 1895. godine proučavao koliko bi
velikom lopatom trebalo da radi radnik da bi njegov učinak u propisanom
vremenu bio najveći.
Naročito povoljno razdoblje za razvoj operacionih istraživanja počeo je
posle II svetskog rata, posebno u privredno razvijenijim zemljama. Toj su
atmosferi doprineli brzi tehnološki napredak, moderna organizacija rada itd. što
se opet pripisuje revolucionarnom razvoju teorije organizacije, elektronike,
automatizacije i računarske tehnologije. Računarska tehnologija je prvi uslov za
razvoj i uspešnu primenu operacionih istraživanja.
Za kvantitativno istraživanje nekog problema potrebni su početni podaci,
različiti pokazatelji i parametri. To su različiti empirijski ili statistički podaci koji
su dati ili su rezultat posrednih merenja i izračunavanja. Prema E.S.Ventcelju
osnovni zadatak operacionih istraživanja jeste ’’prethodno kvantitativno
obrazloženje optimalnih odluka.’’ Istraživački rad pomoću metoda operacionih
istraživanja je specifičan način rada koji zahteva saradnju matematičara,
statističara i stručnjaka iz oblasti koja se istražuje.
Operaciona istraživanja se opisuju kao primena naučnog metoda u analizi
operacija velikih složenih organizacija ili aktivnosti. U vezi s tim, više autora je
dalo svoju definiciju operacionih istraživanja, ali ni jedna od njih ne može u
potpunosi da iskaže mogućnosti ove naučne discipline. Tako, na primer,
M.Simpson daje sledeću definiciju: ‘’Operaciono istraživanje jeste korišćenje
naučnih metoda pri rešavanju naučnih problema, kako bi rukovodstvu bilo
omogućeno raspolaganje kvantitativnim podacima, na osnovu kojih bi moglo da
donosi odluke.’’ On razlikuje sledeće faze primene operacionih istraživanja:
a) definicija problema; b) identifikacija ograničavajućih faktora i njihovo delenje
na faktore koji se mogu kontrolisati; c) prikupljanje podataka; d) formulisanje
načina ponašanja sistema (razrada modela); e) analiza modela (promenom
4
dejstava faktora koji se mogu kontrolisati i izbor optimalnih odnosa) i f) primena
rezultata i verifikacija rešenja.
Udruženje operacionih istraživča SAD (‘’ORSA’’) definiše operaciona
istraživanja kao eksperimentalnu i primenjenu nauku, čiji je zadatak u osnovi da:
a) opisuje ponašanje proučavanih sistema (procesa); analizira (simulira) njihovo
ponašanje promenom uslova, i c) predviđa njihovo ponašanje u budućnosti
Zajednička karakteristika postupaka (metoda) operacionih istraživanja je
nastojanje da se vrednost postavljenog cilja optimizuje, odnosno da se pripremi
racionalna odluka. U stvari, vrednost cilja određuje veći broj faktora koji se mogu
podeliti u dve osnovne klase: 1) podaci, kao prirodne ili institucionalno zadane
veličine koje se mere ili opažaju, ali na koje se ne može uticati i 2) parametri
odluke, kao veličine koje se mogu svesno menjati unutar zadanih granica (same
granice su, pak, veličine koje spadaju u klasu podataka koji se ne mogu menjati).
Podaci i parametri odluke međusobno su povezani preko sistema
ograničenja (restrikcija), koji na svoj način utiče na optimalnu vrednost
postavljenog cilja. Veličina cilja i uticajnih faktora međusobno su povezane u
funkciji cilja. Svaka od mogućih kombinacija vrednosti uticajnih veličina
određuje odgovarajuću vrednost funkcije cilja – definiše moguću odluku.
Međutim, optimalno rešenje (odluka) je upravo ona od mogućih kombinacija
uslova koja daje ekstremnu vrednost funkcije cilja, prema usvojenom kriteijumu
optimizacije. Tako, na primer, ako je funkcia cilja iskazana veličinama ko što u
troškovi ili rashodi, kriterijum optimizacije biće minimalna vrednost funkcije
cilja. I obratno, ako je funkcija cilja iskazana veličinama, kao što su dohodak ili
prinos, kriterijum optimizacije biće maksimalna vrednost funkcija cilja.
Funkcija cilja predstavlja pokazatelj efektivnosti pojedinih rešenja,
kriterijum selekcije alternativnih odluka. Pravilan izbor pokazatelja efektivnosti
predstavlja osnovni uslov za dobijanje optimalnog rešenja. Neka je data
proizvoljna operacija (O) na čiji ishod možemo delovati izborom rešenja (x)
(grupa parametara) i neka se efektivnost operacije karakteriše pokazateljem (W),
koji treba dovesti do maksimuma. Ako se uzme najjednostavniji slučaj, kada su
uslovi operacije unapred poznati, onda se svi faktori, od kojih zavisi uspeh
operacije, dele na dve grupe: zadani, unapred poznati faktori (uslovi izvođenja
operacije ) a1, a2,…koje ćemo kratko obeležiti sa a (podaci) i zavisni od nas
elementi rešenja x1,x2,…koje obeležavamo kratko sa x (xєX) (parametri odluke).
Pokazatelj efektivnosti (funkcije cilja) zavisi od obe grupe faktora:
W = W (a, x)
Kada je matematički model posmatrane pojave konstruisan, znači da nam
je ova zavisnost poznata, pa zadatak operacionih istraživanja možemo ad
definišemo na sledeći način:
5
Za zadani kompleks uslova (a) naći takvo rešenje x = x*, koje dovodi
pokazatelj efektivnosti W do mksimuma: W* = max [W(a,x)]; x є X. Metoda
nalaženja ekstrema funkcije W i u vezi s tim i optimalnog rešenja x*, zavisi od
oblika funkcije W i od ograničenja koja zadovoljavaju elementi rešenja. Tako,
ako je funkcija W linearna funkcija element rešenja x1,x2, …i ako su ograničenja
koja ovi elementi zadovoljavaju u obliku linearnih jednačina ili nejednačina, onda
se maximum funkcije W dobija pomoću specijalne metode, poznate pod nazivom
linearno programiranje.
Radi primene metoda operacionih istraživanja neophodno je da budu
ispunjeni sledeći uslovi: a) da se problem koji se rešava može predstaviti
pogodnim matematičkim modelom (skupom matematičkih funkcija kojima se
opisuju karakteristike problema – funkcija cilja i sistem ograničenja); b) timski
rad na rešavanju problema; c) brojni i pouzdani polazni podaci i d) korišćenje
informacionih tehnologija.
Operaciona istraživanja imaju sledeće faze rada: formulisanje problema;
istraživanje svih činjenica i podataka i postavljanje mtematičkog modela:
a) formulisanje problema - ova faza podrazumeva tačno formulisanje
problema i jasno postavljanje cilja koji se želi postići, kao i sagledavanje uslova
pod kojima će se cilj ostvariti;
b) istraživanje svih činjenica i podataka - u ovoj fazi se sagledavaju svi
faktori koji utiču na dati problem, kako bi se neki od njih mogli zanemariti pri
postavljanju modela. Pri tome se javljaju brojne teškoće. Od svih, najvažnija je
ta što nismo u stanju da uzmemo u obzir sve momente ispitivane pojave. Sa jedne
strane zato što bismo morali da operišemo sa tako velikim brojem promenljivih
da bi rešavanje i na računaru postalo nemoguće, a sa druge zato što bi se pri
ispitivanju javio veliki broj momenata zavisnih samo od slučaja, što bi opet
prikrilo suštinu problema. Ovim se objašnjava činjenica da smo u stvarnosti
prisiljeni da pribegavamo izvesnim ograničavajućim pretpostavkama. Suština je
da iz niza podataka odaberemo bitna, ona koja ispitivanu pojavu karakterišu, a
ostala u interesu omogućavanja analize, zanemarimo. Radi se o pretpostavkama
koje samo uprošćuju problem, ali u odnosu na suštinu problema ne prouzrokuju
znatna odstupanja od stvarnosti.
c) postavljanje matematičkog modela - ova faza podrazumeva prevođenje
problema na jezik matematike. U odnosu na matematičke modele, postavljaju se
dva zahteva: da sa gledišta cilja razmatranja što vernije odražavaju stvarnost i da
računsko-tehnički budu pogodni za obradu.
Gotov model je, po pravilu, rezultat zajedničkog rada većeg broja
stručnjaka iz raznih oblasti: ekonomisti, matematičari, inženjeri i stručnjaci koji
dobro poznaju praktičnu stranu problema. To su obično operaciono-istraživačke
grupe, koje su, ako su pravilno organizovane, garancija uspešne konstrukcije
6
modela. Puna pažnja se posvećuje postavljanju modela, jer se može desiti da je
model ispravno postavljen sa matematičkog gledišta, ali je njegovo rešenje
neupotrebljivo na stvarni problem, jer model ne prikazuje dovoljno dobro sam
problem. Dakle, model obuhvata sledeća osnovna svojstva: a)rešavanje modela
odgovarajućim matematičkim metodama; b)provera modela i rešenja koja
podrazumeva još jednu proveru modela i njegovog rešenja u smislu
verodostojnosti sa realnim problemom i c)donošenje odluke primenom naučnih
metoda.
Tipične grupe problema za rešavanje su: proizvodni problemi, transportni
problemi, upravljanje zalihama, problemi redova čekanja i dr. Shodno tome, u
okviru naučne discipline operativnih istraživanja, između ostalih, razvijene su
sledeće metode operacionih istraživanja: Linearno programiranje; Nelinearno
programiranje; Celobrojno programiranje; Dinamičko programiranje; Mrežno
planiranje; Teorija igara; Upravljanje zalihama, Masovno opsluživanje;
Simualcija; Teorija pouzadnosti i Višekriterijumsko odlučivanje.
Ovom popisu bi se mogle pridružiti i metode razvijene iz navedenih (npr.
teorija obnavljanja, modeli održavanja, i dr.), kao i metode koje se mogu uključiti
u familiju operacionih istraživanja u njenom širem značenju (npr. teorija
odlučivanja, sistem planiranja-programiranja-finansiranja, teorija prepoznavanja
oblika i dr.
Radi realizovanja predavanja iz predmeta operacionih istraživanja, u ovoj
skripti biće prikazane sledeće metode operacionih istraživanja: Linearno
programiranje (opšti zadatak linearnog pogramiranja, simpleks metoda,
transportni problem, problem dodeljivanja), Teorija igara, Tehnika mrežnog
planiranja, Sistem masovnog opsluživanja i Upravljanje zalihama.
7
1. LINEARNO PROGRAMIRANJE
Linearno programiranje je posebna matematička metoda koja se koristi u

operacionim istraživanjima. Ona je relativno mlada grana primenjene
matematike. Njeni počeci datiraju neposredno pred II svetski rat.
Prvi rad koji se bavi formulacijom i rešavanjem problema lineranog
programiranja je studija ‘’Matematičke metode organizacije planiranja
proizvodnje’’ (Leningrad,1939). Prikazani postupak koji se može primeniti na
rešavanje brojnih problema, autor je nazvao metodom ’’rešavajućih
koeficijenata.’’ Međutim, ovaj pionirski rad nije dugo imao nastavka. Tek je za
vreme II svetskog rata, ratna privreda u Zapadnim zemljama istakla nužnost
većeg mešanja u privredni život, čime je započeo rad u tom pravcu, što posebno
važi za američke naučnike.Kao prvi među njima F.L.Hitchcock je 1941.godine
objavio studiju o nekom transportnom problemu linearnog programiranja.
Nezavisno od njega Koopmans 1945. godine dali rešenje za tzv. transportni
problem. G.B.Dantziga je 1947. otkrio opštu algebarsku metodu nazvanu -
Simplex metoda koja služi za rešavanje svih problema linearnog programiranja.
Od tada se primena lineranog programiranja širi veoma brzo. Danas je već jedan
od najefikasnijih matematičkih instrumenata za rešavanje privrednih problema.
U međuvremenu su razvijeni još mnogi metodi, ali po značaju ni jedan se ne
može meriti sa simpleks metodom.
Linearno programiranje se razvijalo uporedo sa dve naučne grane -
međusektorskom analizom i teorijom igara. Po sadržaju se ove tri grane bitno
razlikuju, ali sa stanovišta upotrebljenih matematičkih sredstava su veoma
slične, pa se i metodološki međusobno prepliću. Matematičku osnovu sve tri
grane čini linearna algebra.
Za praksu značajni problemi linearnog programiranja moraju uzeti u obzir
brojne okolnosti i zato pri numeričkom rešavanju traže toliko računanja da se
mogu rešiti samo računarom. Zato nije ni čudo da se linearno programiranje u
praksi uvelo tek onda kada su se za numerička računanja mogli koristiti računari,
pa se u razvoju lineranog programiranja godina 1952. smatra važnom
prekretnicom, jer je tada prvi put bio napravljen program za rešavanje problema
linearnog programiranja po simpleks metodi na računaru.
Problemi na koje se linearno programiranje primenjuje su brojni. Autori su
matematičari, ekonomisti, inženjeri i razni drugi stručnjaci. Posebne studije o
ekonomskim, poljoprivrednim, industrijskim, saobraćajnim, vojnim i drugim
oblastima (Riley,V. and Gass, S., Linear Programming and Associated
Techniques, A Comprehensive Bibliography of Linear, Nonlinear, and Dynamic
Programming, Baltimore, 1958.).
8
Sa matematičkog stanovišta, problemi linearnog programiranja ne zadaju
više nikakvih problema. Matematičku osnovu linearnog programiranja čine
teorija linearnih nejednačina i jednačina i teorija konveksnih poliedara, dakle dve
grane teorijske matematike koje su za potrebe linearnog programiranja dovoljno
razvijene. Problemi linearnog programiranja se rešavaju algebarskim metodama.
Matematička sredstva koja se pri tome koriste zavise od toga koliko se varijabli
pojavljuje i od broja uslovnih jednačina ili nejednačina. Po obimu skromne
linearne probleme je lako rešiti grafičkim ili nekim elementarnim aritmetičkim
metodama.
Za linearno programiranje je bitno da je funkcija cilja linearna i da su sve
uslovne nejednačine ili jednačine linearne. Sa matematičkog stanovišta, takva
jednostavnost problema linearnog programiranja doprinela je da se za relativno
kratko vreme formira odgovarajuća teorija. Sa ekonomskog i sadržajnog
stanovišta, baš su u linearnosti skrivene mnoge opasnosti. Zato kada se stvara
odgovarajući model linearnog programiranja za ma koji privredni problem, treba
dobro razmisliti da li su opravdane teze o linearnosti.
Radi primene linearnog programiranja u rešavanju konkretnih zadataka
neophodno je da budu ispunjeni sledeći uslovi:
1) Potrebna je jasna formulacija cilja koji se u datim uslovima može realno
zahtevati, mada u praksi nije uvek lako naći jedinstveni kriterijum koji
dozvoljava da se bezuslovno odbaci jedan, a usvoji drugi program. Međutim, taj
jedinstveni kriterijum se mora definisati.
2) Specifični uslovi - ograničenja su zasnovana na postojećim izvorima,
planskim proporcijama i drugim faktorima koji određuju dozvoljena rešenja.
Pošto je u praksi teško uzeti u obzir sve postojeće faktore, potrebno je, kao i pri
izboru kriterijuma optimalnosti, eksperimentisanje i iskustvo da tako postavljeni
model, u poređenju sa stvarnošću, ne izgubi realni karakter i praktičnu vrednost.
3) Zadatak treba da dozvoli dobijanje niza rešenja koja daju različite
programe, da bi se izabrao onaj koji je optimalan za date uslove i
4) Model zadatka linearnog programiranja treba da sadrži linearne
jednačine, tj. da realne zavisnosti ne protivureče ovom zahtevu.
1.1. Osnovni zadatak linearnog programiranja
Zadatak linearnog programiranja s linearnim ograničenjima u obliku
jednačina smatra se opštim oblikom i nosi naziv osnovni zadatak linearnog
programiranja (OLZP).
Osnovni zadatak linearnog progrmiranja – OLZP, može se iskazati na
sledeći način:
9
- dat je niz promenljivih
x1,x2,…, xn;
- treba naći takve nenegativne vrednosti tih promenljivih koje će zado-
voljiti sistem linearnih jednačina:
a11x1 + a12x2 + ... +a1nxn = b1
a12x1 + a22x2 + ... +a2nxn = b2
……………………………. (1)
am1x1 + am2x2 + ... +amnxn = bm,
a pi tome će dati minimalnu vrednost linearne funkcije
L = c1x1 + c2x2 + …cnxn, (2)
Ako treba naći maksimum linearne funkcije, dovoljno je izmeniti znak
funkcije i slučaj se svodi na prethodni:
L’ = - L = - c1x1 - c2x2 - …- cnxn, (3)
Kod lineranog programiranja računamo ekstremne vrednosti funkcije cilja,
nekada mimimum, a nekada maksimum. Bitnih razlika nema, jer problem za
maksimum možemo uvek pretvoriti u odgovarajući problem za minimum
funkcije cilja i obratno. To je tzv. osobina dualnosti. Znači, bitna osobina
linearnog programiranja je da svakom problemu maksimuma odgovara određeni
problem minimuma, nazvan dual originalnog problema. Pri tome, sasvim je
proizvoljno koji ćemo od ova dva problema zvati dualnim, a koji primarnim.
Dopustivim rešenjem OLZP naziva se bilo kaakv skup promenljivih
x1 ≥ 0, …, xn ≥ 0 koji zadovoljava sistem jednačina (1).
Optimalnim rešenjem naziva se dopustivo rešenje za koje linearna funkcija
(2) dostiže minimum.
Osnovni zadatk LP ne mora uvek imati rešenje. Ograničenja mogu biti
protuvurečna, ili pak rešenje nije u oblasti nenegativnih vrednosti x1, x2,…xn. To
znači da OLZP neam dopustivih rešenja, ili ni jedno nije optimalno.
Ako su ograničavajući uslovi dati tako da ih treba izraziti u obliku sistema
nejednačina, onda taj sistem nejednačina transformišemo u sistem jednačina na
taj način što se uvode tzv. dopunske promenljive. Uvođenje dopunskih
promenljivih ima pre svega algebarski smisao, koji se sastoji u tome da se sistem
nejednačina prevede u sistem jednačina i time postupak uprosti. Znači, prvoj
nejednačini se dodaje promenljiva xn+1, drugoj xn+2..., m-toj nejednačini xn+m,
tako da sistem nejednačina koje čine pojedinačna ograničenja postaje:
a11 x1 + a12 x2 +... +a1n xn + xn+1 = b1
a21 x1 + a22 x2 +... +a2n xn + xn+2 = b2
.............................................................................
am1 x1 + am2 x2 +... +amn xn + ... + xn+m = bm
10
Koeficijenti u f-ji kriterijuma uz dopunske promenljive su cn+1, cn+2,...,cn+m
jednaki nuli.
Posmatraćemo najpre postojanje dopustivih rešenja, ostavljajući za sada,
pitanje linearne funkcije L, koju treba minimizirati.
Uvešćemo pojmove matrica sistema i proširene matrice sistema.
Matrica sistema linearnih jednačina (1) je matrica dobijena od koeficijent
promenljive x1,x2,…, xn:
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
[ .. ]
𝑎𝑚1 𝑎 𝑚2 𝑎 𝑚𝑛
Proširena matrica sistema linearnih jednačina (1) je matrica sistem
dopunjena kolonom slobodnih članova:
𝑎11 𝑎12 … 𝑎1𝑛 𝑏1
𝑎21 𝑎22 … 𝑎2𝑛 𝑏2
..
[ 𝑎𝑚1 𝑎 𝑚2 𝑎2𝑛 𝑏𝑚 ]
Rangom matrice naziva se najveći red determinante različite od nule, koja
se može dobiti odstranjivanjem iz matrice nekih redova i nekih kolona.
Za saglasan sistem linearnih jednačina (1), neophodan je i dovoljan uslov
da rang matrice sistema bude jednak rangu njene proširene matrice.
Ako sistem jednačina – ograničenja OZLP konzistentan, onda matrica
sistema i njena proširena matrica imaju isti rang, koji se naziva rangom sistema.
On, zapravo, predstavlja broj linearno nezavisnih jednačina u datom sistema
ograničenja. Rang sistem (r) ne može biti veći od broja jednačina (m).
r≤m
Najviši rang sistema ne može biti veći od najvišeg reda determinante koja
se može dobiti od matrice sistem.
Kada je rang sistema r=n, odnosno kada je broj linearno nezavisnih
jednačina koji čine sistem (1) jednak broju promenljivih, onda je i determinanta
sistema različita od nule:
𝑎11 𝑎12 … 𝑎1𝑛 𝑏1

𝑎21 𝑎22 … 𝑎2𝑛 𝑏2
.. #0
[ 𝑎𝑚1 𝑎 𝑚2 𝑎2𝑛 𝑏𝑚 ]
11
Iz linearne algebre poznato je da u takvim slučajevima sistem
a11x1 + a12x2 + ... +a1nxn = b1

a12x1 + a22x2 + ... +a2nxn = b2
……………………………. (1)
an1x1 + an2x2 + ... +annxn = bn,
ima jedno jedino rešenje. Ako su sve promenljive (komponente rešenja)

nenegativne, onda je to rešenje dopustivo i istovrmeno optimalno. Taj trivijalan
slučaj nije zanimljiv za LP.
Posebno su zanimljivi samo slučajevi kada je r<n, odnosno kada je broj
nezavisnih jednačina koje sastavljaju sistem ograničenja, manji od broja
promenljivih. Ako je sistm konzistentan, onda postoji veliki broj rešenja, otuda
što (n-r) promenljivih mogu dobijati proizvoljne vrednosti (nazivćemo ih
slobodnim promenljivim), a ostale (r) promenljive (nazivaćemo ih baznim
promenljivim) izračunavaju se preko njih.
Prema tome, ako je rang sistema jednačina ograničenja OLZP jednak (r)
uvek semogu izraziti r (baznih) promenljivih preko (n-r) ostalih (slobodnih)
promenljivih, i dajući ovim proizvoljne vrednosti, dobiti beskonačno veliki skup
rešnja sistem. Ako ni jedno od tih rešenaj ne zadovoljava uslov da su sve
vrednosti x1, x2, ...xn nenegativne, to znači da OZLP nema dopustivog rešenja.
1.2. Geometrijska interpretacija zadatka linearnog programiranja
Kada se formuliše matematički model, sledeća faza je njegovo rešavanje i
dobijanje rešenja. Problemi linearnog programiranja se mogu rešavati
geometrijski (grafički) i analitički. Osobine ovih problem su: a)da promenljive
mogu biti samo nenegativne, tj. pozitivne i nule, ali ne sve nule i b) da je
međusobna zavisnost promenljivih linearna.
Prva osobina ukazuje na oblast u kojoj se mogu istraživati moguća rešenja.
Oblast istraživanja mogućih rešenja može biti jednodimenzionalna,
dvodimenzionalna, trodimenzionalna i n-to dimenzionalna.
Za jednodimenzionalne oblasti istraživanja: ako se rešenje zadatka sastoji
iz jedne komponente napisane u obliku jednodimenzionalnog vektora x= (x 1),
čije se vrednosti nalaze u intervalu 0 ≤ x ≤ ∞, kažemo da taj zadatak ima rešenje
u jednodimenzionalnoj oblasti.
Za dvodimenzionalne oblasti istraživanja: neka se rešenje zadatka sastoji
iz dve komponente čije su vrednosti x1 i x2 i neka je napisano u obliku
dvodimenzionalnog vektora x= (x1 , x2), tada se moguća rešenja problema nalaze
u prvom kvadrantu pravouglog koordinatnog sistema.
12
Za trodimenzionalne oblasti istraživanja: kada se rešenje sastoji iz tri
komponente čije su vrednosti x1, x2 i x3 i neka je napisano u obliku
trodimenzionalnog vektora x= (x1 , x2 , x3), tada se moguća rešenja nalaze u I
oktantu trodimenzionalnog koordinatnog sistema.
Za n-to dimenzionalnu oblast istraživanja: neka se rešenje sastoji iz n
komponeti čije su vrednosti x1, x2 ...xj,... xn i neka je napisano u obliku n-to
dimenzionalnog vektora x= (x1 , x2 ,...xj,... xn),tada se rešenja nalaze u n-to
dimenzionalnom prostoru i to u oblasti koja zadovoljava uslov xj ≥ 0, j =1,2...n,
odnosno x= ( x1 , x2 ,...xj,... xn) ≥0.
Grafičko rešavanje problema linearnog programiranja je podesno za jedno
i dvodimenzionalne probleme, dok za složenije probleme nije podesno.
Geometrijsko rešenje osnovnog zadatka linearnog programiranja

u slučaju (n-m=2)
Analiziraćemo slučaj kada je broj promenljivih (n) za dva veći od broja
nezavisnih jednačina (m):
n - m=2
Poznato je da se dve od (n) promenljivih (recimo x1 i x2) mogu izabrati kao
slobodne, a ostalih (m) promenljivih kao bazne i izraziti ih preko slobodnih.
Napisaćemo (m) jednačina u kojima su bazne promenljive x1,x2,...,xn
izražene preko slobodnih x1 i x2.
x3 = p33x1 + p32x2 + q3 (4)
x4 = p41x1 + p42x2 + q4
…………………………….
xn = pn1x1 +pn2x2 = qn,
Sve promenljive moraju biti nenegativne. Iz uslova n3 ≥ 0 dobijamo:

x3 = p31x3 + p32x2 + q3 ≥ 0
Posmatrajmo najpre:
x3 = 0, tj.
p31x3 + p32x2 + q3 = 0.
To je jednačina pravca i na njoj je x3 = 0. Nas zanima x3>0 i tu stranu pravca
šrafiramo (što zavisi od koeficijenta p i q).
Analogno dobijemo i sve ostale pravce ograničenja. Na taj način dobijemo
(n) pravaca: dve koordinatne ose (x2=0 i x1=0) i (n-2) pravca (x3=o,..,xn=0). Svaki
od njih određuje dopustivu poluravan, koja se prostire s jedne strane pravca
(slika 1). Tako se dobije oblast dopustivih rešenja (ODR).
13
Dakako, moguć je slučaj kada nenegativnih rešenja nema, odnosno kada ne
postoji ODR.
ODR uvek predstavlja konveksnu figure. Konveksna figura je figura koaj
ima sledeće svojstvo: ako dve tačke A i B pripadaju toj figure, onda i celi odsečak
AB takođe pripada njoj.
Slika 1.Oblast dopustivih rešenja iz ODR
U opštem slučaju se geometrijskom interpretacijom nalazi oblast

dopustivog rešenja u zadacima linearnog programiranja. Postavlja se pitanje kako
naći optimalno rešenje, odnosno ono iz ODR koje daje minimalnu vrednost
funkcije cilja:
L=c1x1 + c2x2 + …+ cnxn (5)
Sistemom jednačina (4) izrazili smo zavisnost baznih promenljivih

x3,x4,..,xn od slobodnih promenljivih x1 i x2. Kada te odnose unesemo u obrazac
5 i sredimo, dobićemo funkciju cilja izraženu preko slobodnih promenljivih:
L = r0 + r1x1 + r2x2 (6)
gde je r0 slobodni član koji se pojavio nakon izvršenja naznačenih vremena.
Minimlna vrednost funkcije cilja (6) zavisi od vrednosti slobodnih
promenljivih x1 i x2 i na nju ne utiče veličina slobodnog člana r0. Znači, minimum
funkcije L prema izrazu (6) biće u istoj tački kao i minimum funkcije L’, bez
slobodnog člana:
L’ = r1x1 + r2x2 = 0
Ako damo funkciji L’ neku vrednost (a).
L’ = r1x1 + r2x2 = a,
dobićemo jednačinu pravca u koordinatnom sistemu [x1 0 x2].
14
Njen koeficijent pravca biće jednak -r1/r2, a odsečak na ordinate x2 jednak
je a/r2.
Koeficijent pravca za L’=b može se izmeniti. Izmeniće se samo odsečak
koji ta nova prava čini na ordinate x2 i biće jednak b/r2 (Slika 2).
Slika 2. Položaj pravca L’=a i L’=b

Pravac se, dakle, promenom nezavisnog člana pomera paralelno sa samim
sobom, pri čemu će vrednost funkcije cilja L’ u jednom pravcu rasti, a u
suprotnom opadati.
To znači da možemo posmatrati jedan pravac u koordinatnom sistemu
[x1 0 x2] i njegovim pomeranjem paralelno sa samim sobom tražiti ekstremnu
vrednost (minimum ili maksimum) funkcije cilja. To će biti osnovni pravac.
Vrednosti i predznaci koeficijenta r1 i r2 uz slobodne promenljive x1 i x2 u
izrazu L’ određuju, dakle, i položaj osnovnog pravca L’=0 i smer smanjivanja
linearne forme L’.
Nakon tog objašnjenja, pokažimo kako se nalazi optimalno rešenje OZLP
između dopustivih. Neka postoji oblast dopustivih rešenja ODR i osnovni pravac
L’=0. Poznat je smer smanjivanja linearne forme L’ (slika 3).
Slika 3. Traženje ekstremne vrednosti u ODR
15
Pri pomeranju osnovnog pravca u smeru prikazanom strelicama, linearna
forma L’ će se smanjivati. Očevidno, najmanju vrednost dostići će kada osnovni
pravac bude prolazio kroz krajnju tačku ODR, najviše uadljenu od koordinatnog
početk u smeru pomeranja (u primeru na slici 6, to je tačka A).
Koordinatne tačke x1* i x2* određuju optimalno rešenje OZLP. Znajući
optimalne vrednosti slobodnih promenljivih x1* i x2*, mogu se izračunati i
optimalne vrednosti baznih promenljivih, zamenjujući x1* i x2* u sistem
jednačina (4):
x3* = p33x1* + p32x2* + q3
x4* = p41x1* + p42x2* + q4
……………………………. (4)
x*n = pn1x1* +pn2x2* = qn,
a takođe, optimalnu (minimalnu) vrednost linearne funkcije L.
Lmin = ro + r1x1* + r2x2*
Na taj način za slučaj m=n-2 (gde je ‘’m’’ broj jednačina ograničenja)
dobijamo rešenje OZLP geometrijskim putem.
Za slučaj n – m = 2, možemo izvući sledeće zaključke:
1) rešenje OZLP, ako postoji, ne može ležati unutar ODR, već samo na
njenoj granici;
2) rešenje OZLP može biti i nejedinstveno. Ako je osnovni pravac parale-
lan strain mnogougaonika ODR na kojoj se dostiže minimum L’, onda
se on dostiže na celoj to strani. U tom slučaju OZLP ima beskonačno
mnogo optimalnih rešenja;
3) OZLP može biti bez rešenja, čak i kada postoji ODR. To je slučaj kada
je ODR neograničena u smeru pomeranja osnovnog pravca (slika 4);
Slika 4. Ne postoji rešenje OZLP
16
4) optimalno rešenje OZLP uvek se dostiže u jednom od temena
mnogougaonika dopustivih rešenja. Rešenje koje leži u jednom od te-
mena ODR naziva se baznim rešenjem, a samo teme baznom tačkom;
5) da bi se našlo optimalno rešenje, u principu je dovoljno preispitati ova
temena ODR (bazne tačke) i izabrati ono u kome funkcija L dostiže
minimum (optimum);
6) ako je broj slobodnih promenljivih u OZLP jednak 2, a broj baznih (m)
i rešenje OZLP postoji, ono se uvek dostiže u tački u kojoj najmanje
dve od x1,x2,..,xn promenljivih dobijaju vrednost nula. U stvari, u pro-
izvoljnoj baznoj tački seku se najmanje dva od pravaca ograničenja.
Mogu se, dakle, u njoj preseći i više od dva pravca ograničenja.
Deneneracija u linearnom programiranju je slučaj kada se u
optimalnoj baznoj tački seku više od dva pravca ograničenja.
Kada je broj promenljivih (n) veći za 3 od broja nezavisnih jednačina
ograničenja m (m=n-3), geometrijska interpretacija je moguća samo u
prostoru, zato što je, u tom slučaju, broj slobodnih promenljivih 3, a (n-3)
promenljivih se izražava pomoću tih slobodnih promenljivih. Ulogu
pravca u tom slučaju preuzimaju površine.
U slučaju kada je n – m = k > 3, nije uopšte više moguća
geometrijska interpretacija. Može se, međutim, govoriti o ODR kao o
konveksnom prostoru u (n) dimenzionalnom vektorskom prostoru.
Geometrijska interpretacija OZLP pomogla je, međutim, da se
utvrde sledeća svojstva rešenja OZLP, pri proizvoljnom broju
promenljivih (n) i broju jednačina m<n:
1) ako optimalno ršenje postoji, ne leži unutar, već na granici oblasti
dopustivih rešenja, u jednoj od baznih tačaka. U svakoj od postojećih
baznih tačaka najmanje (k) promenljivih dobiva vrednost nula;
2) da bi se dobilo optimalno rešenje, neophodno je kretati se u smeru
smanjivanja linearne funkcije L (čiji se minimum traži), prelazeći iz jedne
bazne tačke u drugu.
1.3. Izražavanje problema linearnog programiranja u matričnom

obliku
𝑥1
𝑥
(max)𝑧𝑜 = [𝑐1, 𝑐2, … 𝑐𝑛, ] = […2.]
𝑥𝑛
17
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏10
𝑎
[…21 𝑎22 𝑎2𝑛 ] = [ 𝑥2 ] =
[ 𝑏…20. ]
….
𝑎 𝑚1 𝑎𝑚2 𝑎𝑚𝑛 𝑥𝑛 𝑏𝑚0
xj ≥ 0; j= 1,2,..,n; n = k + m
U gornjem izrazu figurišu vektori koje možemo označiti na sledeći način:
𝑥1 𝑎11 𝑎12 … 𝑎1𝑛 𝑏10

𝑥 𝑎21 𝑎22 𝑎2𝑛 ] 𝑏
𝐶 = [𝑐1, 𝑐2, … 𝑐𝑛, ] = […2.] 𝐴 = [… =
[ 𝑏…20. ]
𝑥𝑛 𝑎 𝑚1 𝑎𝑚2 𝑎𝑚𝑛 𝑏𝑚0
Vektore Aj nazivamo vektorima aktivnosti ili kratko aktivnosti. Vektori Aj

(j=1,2,…,n) predstavljaju vektor kolone koeficijenata u sistemu ograničenja,
odnosno kolone matrice A:
𝑎11 𝑎12 𝑎1𝑛

𝐴1 = 𝑎 𝐴2 = 𝑎 𝐴𝑛 = 𝑎
[ …21. ] [ …22. ] [ …21. ]
𝑏𝑚1 𝑏𝑚𝑛 𝑏𝑚1
Vektor x = (x1, x2, … , xn) predstavlja moguće rešenje problema linearnog

programiranja ako zadovoljava uslov nenegativnosti i sistem ograničenja.
Zavisno od broja pozitivnih komponenti u mogućem rešenju, razlikuje se:
• bazično moguće rešenje (moguće rešenje koje nema više od m pozitivnih
komponenti), koje može biti:
a) nedegenerisano rešenje (ima tačno m pozitivnih komponenti)
b) degenerisano rešenje (sadrži manje od m pozitivnih komponenti)
• nebazično moguće rešenje (rešenje sa više od m pozitivnih komponenti).
Optimalno rešenje problema linearnog programiranja je moguće rešenje

koje, pored zadovoljavanja uslova nenegativnosti i sistema ograničenja,
obezbeđuje da funkcija kriterijuma postigne maksimum ili minimum.
Određivanje vektorske baze
Dantzig-ov algoritam (metod inverzne matrice):

1. Matematički model problema se prilagodi za rešavanje, uvođenjem tzv.
dopunskih promenljivih, pa se popišu svi vektori u modelu.
18
2. Od linearno nezavisnih vektora, koji čine bazu vektorskog prostora,
formira se matrica B.
3. Pronalazi se inverzna matrica B-1 matrice B.
4. Izračunava se bazično moguće rešenje problema Xr = B-1 b.
5. Za pronađeno rešenje računa se vrednost funkcije kriterijuma fr =
CrXr.
6. Određivanje koordinata svih linearno zavisnih vektora Xrs = B-1As
7. Izračunavanje koeficijenata (Cs – fs) za sve linearno zavisne vektore
8. Provera da li je nađeno optimalno rešenje, na osnovu vrednosti koefi-
cijenata (Cs – fs).
9. Ako rešenje nije optimalno, primena kriterijuma za ulazak vektora u
bazu.
10.Određivanje vektora koji treba da napusti bazu.
11.Formiranje nove matrice B (nove baze vektorskog prostora) – povratak
na korak 2.
Početnu BAZU čini m linearno nezavisnih vektora aktivnosti Ar
(r=1,2,...,m) matrice A, tj. Odnosno bazu čini matrica B=(A1, A2, ..., Am) čija je
detB≠0. Redosled vektora u bazi ne mora biti jednak redosledu vektora aktivnosti
u matrici A.
Vrednost bazičnih promenljivih se računa kao:
Xr = B-1 b
Vrednost vanbazičnih promenljivih se računa na osnovu izračunatih
vrednosti za bazične promenljive kao:
Xrs = B-1As
Simplex kriterijum za ulazak novih vektora u bazu:
- ako je Cs-fs ≤ za sve nebazične promenljive, rešenje je optimalno. To znači
da druga kombinacija vektora u bazi ne daje veću vrednost funkcije cilja.
- ako je Cs-fs > 0 za jedan ili više nebazičnih vektora, u novu bazu ulazi
max(Cs-fs)>0, odgovarajuću promenljivu označimo sa (j)
Simplex kriterijum za izlazak vektora iz baze: Θ = min xr/xrj, za xrj > 0
2.SIMPLEKS TABELA
Simplex tabela je tehnika kojom se dolazi do optimalnog rešenja Simplex
metodom na sažetiji, odnosno lakši način. Ovu tehmiku su razradili naučnici
Cooper i Henderson 1954. godine. Postupak određivanja optimalnog rešenja se
19
sastoji u tome da se od koeficijenata funkcije kriterijuma i sistema
ograničavajućih uslova sastavi tabela.
2.1. Tabelarni način prikazivanja matematičkog modela LP
Opšti model linearnog programiranja, nakon uvođenja dopunskih

promenljivih je:
max(f)=c1 x1 +c2 x2+...+csxs+...+cnxn+...+0 xn+m
a11 x1 + a12 x2 +...+a1sxs+...+a1n xn + xn+1 = b1
a21 x1 + a22 x2 +...+a2sxs+...+a2n xn + xn+2 = b2
.................................................................................
am1 x1 + am2 x2 +... +amsxs+...+amn + xn+m = bm
x1,x2,...,xn,xn+1,...,xn+m≥0
Prebacimo kolonu koeficijenata ars (r=1,2...m) sa promenljivom xs na
desnu stranu:
a11 x1 + a12 x2 +... a1n xn + xn+1 = b1-a1sxs
a21 x1 + a22 x2 +...+a2n xn + xn+2 = b2 -a2sxs (1)
......................................................................
am1 x1 + am2 x2 +... amn xn +xn+m= bm-amsxs
Videli smo da obično za prvo bazično rešenje uzimamo dopunske

promenljive xn+1, xn+2,..., xn+m. To znači da su tada ostale promenljive: x1,x2,...,xn
su jednake 0 (nuli). Znači, početno bazično moguće rešenje je:
xn+1=b1
xn+2=b2 (2)
............
xn+m=bm
Za ovo bazično rešenje vrednost funkcije kriterijuma je jednaka 0, baš zato
što su dopunske promenljive bazične sa koeficijentima u funkciji kriterijuma
jednakim 0.
Tražimo novo moguće bazično rešenje na sledeći način:
pretpostavimo da nebazična promenljiva xs nije jednaka 0, nego da uzima
određene pozitivne vrednosti . Izraz (1) se može napisati kao:
xn+1 = b1 – a1sxs
xn+1 = b1 - a1sxs
xn+2 = b2 - a2sxs (3)
................
xn +m = bm - amsxs ili uopšte:
20
x n+r = br - arsxs (r=1,2,...,m)(s=1,2,...,n) (4)
Prema tome kakav je znak koeficijenata ars, kad xs raste, promenljive

xn+r , (r=1,2,...,m) će se menjati, što znači: neke će rasti (za ars <0), neke će ostati
nepromenjene (za ars =0), a neke će imati vrednost manju (za ars >0). Nas
posebno interesuje zadnji slučaj. Zašto?
Zato što se za ars>0 može odabrati xs tako da jedna od promenljivih xn+r
postane =0. Na ovaj način se može eliminisati jedna od bazičnih promenljivih
xn+r. Pitanje je samo koju promenljivu eliminisati. Pošto nijedna od promenljivih
xn+r ne može biti negativna, uslov za eliminaciju se dobija iz (4) stavljanjem da
je xn+r ≥0, tj:
br - arsxs ≥ 0 ili: xs ≤ br / ars ars > 0
Da bi ovaj uslov bio zadovoljen, od svih količnika br / ars (r=1,2,...m) bira
se onaj najmanje vrednosti. Ako sa r=i označimo promenljivu za koju se
ostvaruje minimalni količnik, dolazimo do uslova za eliminaciju bazične
promenljive xi :
Θ min (br / ars) = bi / ai za ars >0 (5)
Kada odredimo bazičnu promenljivu koju eliminišemo iz baze,
precrtavamo i-tu vrstu.
Što se tiče vektora koji treba da uđu bazu, tj. promenljiva xs koja treba da
zameni promenljivu xi , ranije smo rekli da je to promenljiva za koju je simplex
kriterijum cs- fs>0
Međutim, u praksi je usvojen približan kriterijum. Izbor promenljive xs
vrši se na osnovu vrednosti koeficijenta cs u funkciji kriterijuma. Ako je
koeficijent cs veći, pre je verovatno da će unošenje odgovarajuće promenljive xs
u bazu dati veću vrednost funkcije kriterijuma. Ovo ne mora uvek biti tačno.
Može se reći da se izbor promenljive xs vrši prema najvećoj vrednosti
koeficijenata cs, tj. kriterijum za izbor nove bazične promenljive je:
ci=max(cs)>0 (s=1,2,,...,n) (6)
Kada odredimo koju promenljivu eliminisati iz baze, precrtavamo j-tu
kolonu. Presek j-te kolone i i-te vrste je STOŽER.
Postupak eliminacije i unošenje novih promenljivih u bazu radi se sve dok
je cs>0 za nebazične promenljive. Kada je cs<0 za sve nebazične promenljive,
došli smo do optimalnog rešenja (ovo se objašnjava time što unošenje ma koje
nebazične promenljive xs sa negativnim koeficijentom cs<0 ne može povećati
vrednost f-je kriterijuma, nego je samo može smanjiti).
21
Prilikom određivanja koju promenljivu treba eliminisati iz baze, prema
uslovu (5) može se desiti da količnik br / ars da iste vrednosti (minimalan i ars>0)
za dve ili više vrednosti r, pa se ne može odrediti kriterijum za eliminaciju, tj
postoji više promenljivih za koje je ispunjen uslov - slučaj degeneracije.
Zaključujemo, simplex tabela umesto algebarskih relacija koristi tabelarni
način prikazivanja matematičkog modela LP. Postupak se svodi na to da se
sukcesivnim putem odredi druga slična tabela sa novim bazičnim promenljivim
i to sve dotle dok se ne dođe do optimalnog rešenja, tj. dok ne budu zadovoljeni
kriterijumi optimalnosti. Uzastopne tabele odgovaraju postupcima koje smo
ranije izvodili preko matrica
Izgled Simplex tabele je dat u tabeli 1.
Tabela 1.
1 2 1 2 ... n n+1 n+2 .... n+m br / arj
xb b x1 x2 ... xn xn+1 xn+2 ... xn+m
xn+1 b1 a11 a12 ... a1n 1 0 ... 0
xn+2 b2 a21 a22 ... a2n 0 1 ... 0
... ... ............................. ..................................
bm am1 am2 ... amn 0 0 ... 1
xn+m
f c1 c2 ... cn 0 0 ... 0
Simplex tabela se formira na sledeći način: koeficijenti uz promenljive x1,

x2,...xn,...,xn+1,...,xn+m prepišu kako su dati sistemom jednačina. U prvoj koloni su
napisane sve dopunske promenljive (rekli smo da je najlakše za prvo bazično
moguće rešenje uzeti baš njh). Koeficijenti b1, b2,...,bm se pišu u drugoj koloni.
U poslednjoj vrsti su napisani koeficijenti f-je kriterijuma redom koji odgovara
promenljivim u zaglavlju tabele. Pošto su koeficijenti f-je kriterijuma uz
dopunske promenljive 0, to se u produžetku poslednje vrste nalaze 0. Na dnu
druge kolone označena je vrednost f-je kriterijuma.
Na ovaj način je sastavljena početna tabela, zatim se ispituju uslovi za
promenu bazičnih promenljivih (uslovi 5. i 6). Kada se zamene bazične
promenljive, dobija se nova tabela. Vrednost novih bazičnih promenljivih se
određuju preko obrazaca:
xr = br x bi/aij - arj; r # i
(7)
xj = bi/aij
Koeficijente ars u novoj tabeli se određuju preko obrazaca:

ars = ars x ais/aij x arj; r # i
(8)
22
ars = ais/aij
Koeficijenti uz f-ju kriterijuma (poslednja vrsta tabele) određuju se iz:
cs' = cs – ais/aij x cj (9)
Vrednost f-je kriterijuma za novu bazu je:

f '= f - bi/aij x cj (10)
Pošto je početna baza sastavljena od dopunskih promenljivih, koeficijenti

cs su 0, pa i f-ja kriterijuma ima vrednost 0. U sledećim tabelama se to menja.
Primer:
Dat je model LP:
(max)f=9 x1 + 10 x2
pri pojedinačnim ograničavajućim uslovima:
3 x1 + 2 x2 ≤ 240
2.5 x1 + 5 x2 ≤ 350
x1 ≤ 65
x2 ≤ 60
i opštem ograničenju o nenegativnosti promenljivih:
x1, x2 ≥ 0
Nakon uvođenja dopunskih promenljivih:
(max)f=9 x1 + 10 x2 +0 x3 + 0 x4 + 0 x5 +0 x6
3 x1 + 2 x2 + x3 = 240
2.5 x1 + 5 x2 + x4 = 350
x1 +x5 = 65
x2 +x6 = 60
x1, x2,...,x6 ≥ 0
(postojeće oznake: j-kolona vektora koji ulazi u bazu , i-vrsta vektora koji
izlazi iz baze, s - kolona, r-vrsta)
Tabela 2:
1 2 3 4 5 6 7 8 9
xr br x1 x2 x3 x4 x5 x6 br / arj
x3 240 3 2 1 0 0 0 240/2
x4 350 2,5 5 0 1 0 0 350/5
x5 65 1 0 0 0 1 0 65/0=∞
x6 60 0 1 0 0 0 1 60/1
0 9 10 0 0 0 0
Početno bazično rešenje je :
23
x3=240, x4=350, x5=65, x6=60, x1=0, x2=0,
Za dato početno rešenje f-ja kriterijuma ima vrednost 0 (0 na dnu
druge kolone).
Tražimo novo bazično moguće rešenje na osnovu kriterijuma (5) i (6):
θ = min (br/ars) = bi/ais ; za ars > 0 i ci=max(cs)>0
(s=1,2,,...,n)
Ili posmatramo kriterijum optimalnosti:
maxs (Cs - fs) = max2 (C2 - f2) = max2 (10 - 0) = 10
Pošto je c2 > c1 (iz poslednje vrste se vidi da je 10 > 9), a c2 = 10, znači da x2,
odnosno A2→B, treba da uđe u novu bazu. Znači j=2. Precrtamo j-tu kolonu.
Traži se bazična promenljiva koju treba eliminisati iz baze, tj. Θ = minr (br / ars),
kao:
b3 / a32=b1 / a12=240 / 2=120
b4 / a42=b2 / a22 = 350 / 5=70
b5 / a52=b3 / a32 = 65 / 0 = beskonačno
b6 / a62=b4 / a42 = 60 / 1 = 60
ovaj količnik ima minimalnu vrednost za r=i=4.
Precrtavamo i-tu vrtstu.
Ili : minr (xr / xrj) što je isto kao i ovo gore.
U koloni 1 pod rednim brojem 4 se nalazi promenljiva x6 koja se eliminiše iz
baze, tj B→A6.
U tabeli zaokružujemo r=4 i s=2, tj. arrs=a42=1. Zaokruženi broj se naziva Stožer
ili Pivot. Sada se po već poznatim obrascima preračunavaju promenljive.
Nove bazične promenljive su: x2, x3, x4, x5.
Novu bazu čine: B=(A2, A3, A4, A5) r=2,3,4,5 j=2 i=4
Koristeći obrazac (7):
Xr = br – bi/aij x arj r#i

Xi = bi/aij
računaju se vrednosti novih bazičnih promenljivih (i=4, j=2)
X2 = b2 – b6/a62 x a22 = b2 – b4/a42 x a22 = 60/1 = 60

X3 = b3 – b6/a62 x a32 = b3 – b4/a42 x a32 = 240 – 60/1x2 = 120
X4= b4 – b6/a62 x a42 = b4 – b4/a42 x a42 = 350 – 60/1x5 = 50
X5= b5 – b6/a62 x a52 = b5 – b4/a42 x a52 = 65 – 60/1x0 = 65
Koeficijenti se računaju po obrascu (8):
24
ars = ars – ais/aij x arj r#i
ais = ais/aij
za s=1,2,3,4,5 i r=1,2,3,4
a'11=a11-(a41/a42) a12 a'12=a12-(a42/a42) a12 a'13=a13-(a43/a42) a12
a'14=a14-(a44/a42) a12 a'15=a15-(a45/a42) a12 a'16=a16-(a46/a42) a12
a'21=a21-(a41/ a42) a22 a'22=a22-(a42/a42)a22 a'23=a23-(a43/a42) a22
a'31=a31-(a41/a42) a32 a'32=a32-(a42/a42)a32 a'33=a33-(a43/a42) a32
za s=2 i r=1,2,3,4 itd

za s=3,4,5,6 i r=1,2,3,4:
a11=3-2x0/1= 3 a12=2-2x1/1= 0 a13=1-2x0/1=1
a14=0-0/1x2= 0 a15=0-0/1x2= 0 a16=0-1/1x2=-2
a21=2,5-5x0/1= 2,5 a22=2,5-0/1x5= 0 a23=0-0/1x5=0
a24=1-0/1x5= 1 a25=0-0/1x5= 0 a26=0-1/1x5=-5
a31=1-0x0/1= 1 a32=0-1/1x0 = 0 a33=0-0/1x0=0
a34=0-0/1x0= 0 a35=1-0/1x0= 0 a36=0-1/1x0=0
a41=0-1x0/1= 0 a42=1-1/1x1= 1 a43=0-0/1x1=0
a44=0-0/1x1= 0 a45=0-0/1x1= 0 a46=1-1/1x1=1
Koristeći obrasce (9) i (10):

cs = cs - cis/ aij i f ' = f + bi/ bij x cij
Određuju se novi koeficijent c’s i vrednost funkcije kriterijuma za novo bazično
rešenje:
c'1=c1-(a41 / a42) c2=9-(0/1) 10=9
c'2=c2-(a42 / a42) c2= 0-(1/1) 10=0
c'3=c3-(a43 /a42) c2 =0-(0/1) 10=0
c'4=c4-(a44 /a42) c2 =0-(0/1) 10=0
c'5=c5-(a45 /a42) c2 =0-(0/1) 10=0
c'6= c6-(a46 /a42) c2 =0-(1/1) 10=-10
f'=0+(b4 /a42) c2 =0+ (60/1) 10=600
_________
Formira se nova Simplex tabela: B=(A3, A4, A5, A2)
r=3,4,5,2
25
Tabela 3:
1 2 3 4 5 6 7 8 9
x br x1 x2 x3 x4 x5 x6 br / arj
x2 120 3 0 1 0 0 -2 120/3
x3 50 2, 5 0 0 1 0 -5 50/2.5
x4 65 1 0 0 0 1 0 65/1
x5 60 0 1 0 0 0 1 60/0=∞
600 9 0 0 0 0 -10
Traži se novo bazično moguće rešenje na osnovu kriterijuma (5) i (6):
Θ = min (br/ars)= bi/ais za ars > 0 i ci = max (cs ) >0 (s=1,2,...n)
Ili se posmatra kriterijum optimalnosti:
maxs (Cs-fs)=max1(c1-f1) =9
Pošto je c1 maksimalna, a c1=9, znači da x1, odnosno A1→B, treba da uđe u
novu bazu. Znači j=1. Precrta se j-ta kolona.
Koja se bazična promenljiva eliminiše iz baze:
Θ =(br / ars ) su:
b3 / a31=b1 / a11=120 / 3=40 b4 / a41=b2 / a21 = 50 / 2.5=20

ovaj količnik ima minimalnu vrednost za r=i=2. Precrtava se i-ta vrtsta.
b5 / a51=b3 / a31 = 65 / 1 =65
b2 / a21=b4 / a41 = 60 / 0 = beskonačno
Ili : minr (xr / xrj) što je isto kao i ovo gore.
baze, tj B→A4.
U tabeli se zaokruži r=2 i s=3, tj. ars=a23=2.5
U bazu ulazi A1(A1→B) a izlazi A4 (B→A4) (precrtavamo ih)
Nove bazične promenljive su: x1, x2, x3, x5.
B=(A1, A2, A3, A5) r=1,2,3,5 i=2 j=1
x r = br - bi / arj r # i
x'j = bi / aij
Računaju se vrednosti novih bazičnih promenljivih (i=2, j=1)
x 1 = b1 – b2 / a21 x a11 = 50/ 2,5 = 20
x 1 = b2 – b2 / a21 x a21 = 60 - 50/ 2,5 = 60
x 3 = b3 – b2 / a21 x a31 = 120 - 50/ 2,5 x 3 = 60
x 5 = b5 – b2 / a21 x a51 = 65 - 50/ 2,5 x 1 = 45
26
a'rs = ais / ais x aij r # 1
ais' = ais / aij
za s=1,2,3,4,,5,6 i r=1,2,3,4 j=2 i=1
a'11=a11-(a21 / a21) a11 a'12=a12-(a22 / a21) a11 a'13=a13-(a23 / a21) a11
s = 1: s = 2: s = 3: s = 4: s = 5: s = 6:
a'11=3-3x25/25= 0 a'12=0-0/2,5x3= 0 a'13=1-0/1x3=1

a'14=0-3x1/25= -1,2 a'15=0-0/0x3= 0 a'16=-2-(-5)/2,5x3=1
21=2,5-2,5x2,5/2,5= 1 a'22=5-5/2,5x2,5= 0 a'23=0-0/2,5x2,5=0
a'24=1-1/2,5x2,5= 0 a'15=0-0/2,5x2,5= 0 a'26=0-0/2,5x2,5=-2
a'31=1-2,5/2,5x1= 0 a'32=0-5/2,5x1= 0 a'33=0-0/2,5x1=0
a'34=0-1/2,5x2,5= -0,4 a'35=1-0/2,5x1= 1 a'36=0-0/2,5x1=2
a'41=0-2,5/2,5x0= 0 a'42=1-5/2,5x0= 1 a'43=0-0/2,5x0=0
a'44=0-1/2,5x0= 0 a'45=01-0/2,5x0= 0 a'46=1-0/2,5x0=1
Koristeći obrasce (9) i (10):

c's = cs - ais / aij x cj i f ' = f + bi / aij x cj
Određuju se novi koeficijenti c's i vrednost f-je kriterijuma za

novo bazično rešenje:
c'1=c1-(a21 / a21) c1=9-(2.5/2.5) x 9=0
c'2=c2-(a22 / a21) c1= 0-(0/2.5) x 9=0
c'3=c3-(a23 /a21) c1 =0-(0/2.5) x 9=0
c'4=c4-(a24 /a21) c1 =0-(0.4/2.5) x 9= - 3.6
c'5=c5-(a25 /a21) c1 =0-(0/2.5) x 9=0
c'6= c6-(a26 /a21) c1 =0-(-2/2.5) x 9=8
f'=600+(b2 /a21) c1 =600+ (50/2.5) x 9=780
Formira se nova Simplex tabela:
27
Tabela 4:
1 2 3 4 5 6 7 8 9
x3 60 0 0 1 -1.2 0 4 15
x1 20 1 0 0 0.4 0 -2 -10
x5 45 0 0 0 -0.4 1 2 22.5
x2 60 0 1 0 0 0 1 60
780 0 0 0 -3.6 0 8
Traži se novo bazično moguće rešenje na osnovu kriterijuma (5) i (6):
Θ = min (br/ars) = bi/ ais za ars > 0 ci=max(cs)>0 (s=1,2,,...,n)
Ili se posmatra kriterijum optimalnosti: maxs(cs - fs) = max6 (cs – f6) = 8
Pošto je c6 maksimalna, a c6=8, znači da x6, odnosno A6→B, treba da uđe u
novu bazu. Znači j=6. Precrta se j-ta kolona.
Koja se bazična promenljiva eliminiše iz baze:
minr (br / ars ) su:
b3 / a36=b1 / a16=60 / 4=15 ovaj količnik ima minimalnu vrednost za r=i=1.
Precrtava se i-ta vrtsta.
b1 / a16=b2 / a26 = 20 / -2=-10
b5 / a56=b3 / a36 = 45 / 2 =22.5
b2 / a26=b4 / a46 = 60 / 1 = 60
ili : minr (xr / xrj) što je isto kao i ovo gore.
baze, tj B→A3.
U tabeli se zaokružuje r=1 i s=4, tj. ars=a14 = - 1.2
U bazu ulazi A6 (A6→B) a izlazi A3 (B→A3) (precrtavamo ih)
Nove bazične promenljive su: x1, x2, x5, x6;
B=(A1, A2, A5, A6) r=3,2,5,6; i=1 j=6
x r = br – bi / aij r# i
xj = bi / aij
računaju se vrednosti novih bazičnih promenljivih (i=1, j=6)
x 1 = b1 – b1 / a16 x a16 = 20 – 60/4 x (-2) = 50
x 2 = b2 – b1 / a16 x a26 = 60 – 60/4 x (1) = 45
x 5 = b5 – b1 / a16 x a56 = 45 – 60/4 x (2) = 15
28
x 6= b6 – b1 / a16 x a66 = 60/4 x (1) = 15
a'rs = ars – ais / aij x arj r#i
ais = ais / aij
za s=1,2,3,4,5,6
a'11=a11-(a11/a16) a16 a'12=a12-(a12 / a16) a16 a'13=a13-(a13 / a16) a16
a '14=a14-(a14/a16) a16 a'15=a15-(a15 / a16) a16 a'16=a16-(a16 / a16) a16
a11=0/4= 0 a12=0/4= 0 a13 =1/4 = 0,25
a14= - 1,2/4= -0,3 a15=0/4= 0 a16 = 4/4=1
a21=2,5/2,5= 1 a22= 0 a23 = 0,5
a24= - 0,2 a25= 0 a26 = 0
a31 = 1 a32= 0 a33 = - 0,5
a34= 0,2 a35= 1 a36 = 0
a51 = 0 a52= 1 a53 = - 0,25
a54= - 0,3 a55= 0 a56 = 0
Koristeći obrasce (9) i (10)
c's = cs - ais / aij x cj i
f '= f + bi// aij x cj
Određuju se novi koeficijenti c's i vrednost f-je kriterijuma za novo bazično
rešenje:
c'1 = c1-(a11/a16) c6=0-(0/4) 8=0
c'2 = c2-(a12/a16) c6=0-(0/4) 8=0
c'3 = -2
c'4 = -1.2
c'5 = 0; c'6 = 0
f'=780+(b1/a16) c6 =780+ (60/4) 8=900
Zadnjom iteracijom se dobija Simplex tabela 3, sa optimalnim vrednostima.
Tabela 5.
1 2 3 4 5 6 7 8 9
x6 15 0 0 0.25 -0.30 0 1
x1 50 1 0 0.5 -0.20 0 0
x5 15 0 0 -0.50 0.20 1 0
x2 45 0 1 -0.25 -0.30 0 0
900 0 0 -2 -1.2 0 0
29
2.2.Modifikovani oblici sistema ograničenja modela LP
Sistemi ograničenja u praktičnim primerima mogu se izraziti na različite

načine: 1) sistemom nejednačina; 2) sistemom jednačina u celini ili 3) sistemom
jednačina u pojedinim relacijama.
Primer:
max(f)=c1 x1 +c2 x2+...+ cnxn
a11 x1 + a12 x2 +...+a1n xn = b1
a21 x1 + a22 x2 +...+ a2n xn = b2 (1)
...................................................
am1 x1 + am2 x2 +... +amn xn = bm
x1,x2,...,xn > 0, ili:
max(f)=c1 x1 +c2 x2+...+ cnxn
a11 x1 + a12 x2 +...+a1n xn ≤ b1 (2)
a21 x1 + a22 x2 +...+ a2n xn ≤ b2
...................................................
am1 x1 + am2 x2 +... +amn xn ≤ bm
x1,x2,...,xn ≥0
U prethodnim izlaganjima je razmatran slučaj kada su ograničavajući
uslovi dati u vidu nejednačina i to oblika ≤ 0. To je slučaj uvođenja tzv. dopunskih
promenljivih xn+r (r=1,2,...m), čime se sistem nejednačina prevodi u sistem od m
jednačina sa n+m promenljivih. Početno bazično rešenje se lako određuje, jer ga
čine dopunske promenljive. Nakon toga se primenjuju simplex kriterijumi. U
uzastopnim iteracijama u bazu se uvode efektivne promenljive, a izbacuju
dopunske, sve do određivanja optimalnog rešenja. Ono uglavnom sadrži
efektivne promenljive, ali to ne znači da i dopunske promenljive ne mogu ostati
u bazičnom rešenju. Na ovaj način se rešava standardni problem maksimuma.
U slučaju sistema prikazanog u jednakosti (1), postupak je sličan, samo se
u ovom slučaju uvode tzv. veštačke promenljive xn+r 0 (r=1,2,...m). U funkciji
kriterijuma koeficijenti uz veštačke promenljive su označeni kao (-M), gde je M
relativno veliki konačan broj.
Posle uvođenja veštačkih promenljivih, sistem (1) postaje:
max(f)=c1 x1 +c2 x2+...+cnxn- M xn+10 - M xn+20 ... - M xn+m 0
a11 x1 + a12 x2 +...+a1n xn + xn+10 = b1
a21 x1 + a22 x2 +...+a2n xn + xn+20 = b2
.............................................................................
am1 x1 + am2 x2 +... +amn xn + xn+m 0 = bm
x1,x2,...,xn,xn+10,...,xn+m10 ≥ 0
U matričnom obliku:
30
𝑥1
𝑥2
max(f) = (𝑐1 , 𝑐2 . . . 𝑐𝑛 − M . . . −M) = [ … . ]
𝑥 𝑛+10
……
𝑥𝑛+𝑚0
𝑥1
𝑎11 𝑎12 … 𝑎1𝑛 1 0 … 0 𝑥2 𝑏1
𝑎 𝑎22 … 𝑎2𝑛 0 1 … 0 ] = …. = 𝑏
[… 21 𝑥𝑛 [ …2. ]
𝑎 𝑚1 𝑎𝑚2 … 𝑎𝑚𝑛 0 0 … 0 𝑥 𝑛+10 𝑏𝑚
………
[ 𝑥𝑛+𝑚0 ]
x=(x1, x2,...,xn,...,xn+m 0) ≥ 0
Problem se rešava na taj način što se stavi da su sve efektivne promenljive

jednake 0. Tada je:
(max)f= -M (xn+10+...+xn+m 0
1 0…0 𝑥1+10 𝑏1
𝑥 𝑏
[0 1……. 0] 𝑥 [ 𝑛+20
… . ] = [ …2. ]
0 0…1 𝑥𝑛+𝑚0 𝑏𝑚
odakle za b ≥ 0 postoji početno bazično rešenje, sastavljeno samo od veštačkih
promenljivih, tj:
xn+10 = b1
xn+20 = b2
................
xn+m 0 = bm
Primenom poznatih simplex kriterijuma iz baze se postepeno izbacuju
veštačke promenljive, a uvode efektivne, uvećavajući tako f-ju kriterijuma.
Uslov optimalnosti:
svi fs-Cs≥0, ako jedan nije u novu bazu ulazi min (fs-Cs) <0.
Razlika između dopunskih i veštačkih promenljivih
Dopunske promenljive predstavljaju deo sistema ograničavajućih uslova,
tj. predstavljaju vezu između sistema jednačina i nejednačina.
Veštačke promenljive nisu deo sistema ograničavajućih uslova. One su
samo privremeno unete u sistem i nemaju nikakvog značenja. Daljim iteracijama
se one eliminišu iz baze, pa u optimalnom rešenju ne može biti nijedan od njih
(dopunske promenljive mogu ostati u bazičnom rešenju i to dosta često).
Prilikom rešavanju problema sa veštačkim promenljivim, mogu nastati
sledeći slučajevi:
31
1)Posle niza uzastopnih iteracija dolazi se do optimalnog rešenja, a iz
optimalne baze su eliminisane sve veštačke promenljive;
2)Zadovoljen je kriterijum optimalnosti, ali se u optimalnoj bazi pored
efektivnih nalaze i veštačke promenljive sa vrednostima 0. To znači da u
optimalnoj bazi ima više uslova nego što je potrebno, ali oni međusobno ne
protivureče i
3)Zadovoljen je kriterijum optimalnosti, ali se u optimalnoj bazi pored
efektivnih nalaze i veštačke promenljive koje nisu sve jednake 0. To znači da ne
postoji optimalno rešenje, jer ili su ograničavajući uslovi protivurečni ili ne
postoji moguće rešenje. Znači, problem nema rešenja.
2.3.Problem minimuma
Opšti problem minimuma je dat u obliku:
(min)W=c1 x1 +c2 x2 +...+cnxn
a11 x1 + a12 x2 +...+a1n xn ≥ b1
a21 x1 + a22 x2 +...+ a2n xn ≥ b2
....................................................
аm1 x1 + am2 x2 +...+ amn xn ≥ bm
x1,x2,...,xn ≥0
Problem se rešava tako što se sistem nejednačina prevodi u sistem jednačina

uvođenjem dopunskih promenljivih. Dopunske promenljive su sa znakom -
(minus), jer su ograničenja tipa ≥.
Koeficijenti uz dopunske promenljive u f-ji kriterijuma su 0 (nula).
Posle uvođenja dopunskih promenljivih, sistem ograničavajućih uslova
postaje:
a11 x1 + a12 x2 +...+a1n xn - xn+1 = b1
a21 x1 + a22 x2 +...+a2n xn - xn+2 = b2
...........................................................................................
am1 x1 + am2 x2 +...+amn xn - xn+m = bm
x1,x2,...,xn,...,xn+m≥0
Preko sistema (1) se ne može neposredno odrediti početno bazično moguće
rešenje ako je br > 0 (za svako r=1,2,...m). Ako je br < 0 za svako r, tada se preko
dopunskih promenljivih xn+r dolazi neposredno do rešenja.
Znači, za slučaj br > 0 za svako r=1,2,...m do rešenja se dolazi uvođenjem
veštačkih promenljivih xn+r0 (r=1,2,...m) sa koeficijentima +M u funkciji
kriterijuma, gde je M relativno veliki konačan broj.
Nakon uvođenja dopunskih i veštačkih promenljivih, problem linearnog
programiranja postaje:
(min)W=c1 x1 +c2 x2 +...+cnxn+0xn+1+...+0xn+m+M(xn+10+xn+20+...+xn+m0)
32
a11 x1 + a12 x2 +...+a1n xn - xn+1 +xn+10 = b1
a21 x1 + a22 x2 +...+a2n xn - xn+2 +xn+20 = b2
..............................................................................
am1 x1 + am2 x2 +...+amn xn - xn+m +xn+m0= bm
x1,x2,...,xn,xn+1,...,xn+m, xn+10+...+ xn+m0 ≥ 0
U ovom sistemu se nalazi: 2m+n promenljivih, od kojih je n efektivnih, m

dopunskih i m veštačkih.
Početno bazično moguše rešenje se određuje tako što se efektivne i
dopunske promenljive izjednače sa 0 (nulom ), pa ga čine veštačke promenljive.
Dalji postupak je isti kao i kod problema maksimuma.
Kod kriterijuma za ulazak vektora u bazu, koji ovde glasi maxs(cs-fs)<0
uzima se najveća negativna vrednost. Kriterijuma za izlazak iz baze je isti kao kod
problema maximuma.Rešenje je optimalno za cs-fs ≥ 0 za sve vrednosti s.
Primer:
Rešiti dati problem minimum:
(min)W=10 x1 +15 x2
2 x1 + x2 ≥ 50
5 x1 + 3 x2 ≥ 80
x1,x2 ≥0
Nakon uvođenja dopunskih promenljivih, sistem postaje:
(min)W=10 x1 +15 x2+0x3+0x4
2 x1 + x2 -x3 = 50
5 x1 + 3 x2 -x4 = 80
x1,x2,...x4 ≥0
Pošto se iz sistema ne može neposredno odrediti početno bazično rešenje,

uvode se veštačke promenljive x30 i x40, pa sistem postaje:
(min)W=10 x1 +15 x2+0x3+0x4+M(x30+x40)
2 x1 + x2 -x3 = 50
5 x1 + 3 x2 -x4 = 80
x1,x2,...x4 ≥0
𝑥1
𝑥
(min)W = (10 15 0 0 M M) [ …2. ]
𝑥40
33
𝑥1
2 1−1 0 1 0 50
[ ] [… .] = [ ]
5 3 0−10 1 𝑥40 80
A1 A2 A3 A4 A5 A6 b
x= (x1,x2,x3,x4,x30,x40) ≥ 0
Za određivanje početnog bazičnog rešenja stavlja se da je x1=x2=x3=x4=0.

Početna baza je sastavljena od veštačkih promenljivih, tako se lako dolazi do
početnog bazičnog rešenja za vektor b, kao i do rešenja za nebazične vektore
A1, A2, A3, A4.
Početnu bazu čine vektori (A5, A6) r=5,6
B xr=b / B-1
BB-1 xr=B-1 b
xr=B-1 b
1 0 𝑥30 50
[ ] [𝑥 ] = [ ]
0 1 40 80
x30=50, x40=80, x1=0, x2=0, x3=0, x4=0
Postupak za traženje optimalnog rešenja je dalje isti kao i kod problema
maksimuma, bez obzira koji će vektor ući u bazu. Bitno je da u optimalnom
rešenju ne bude veštačkih promenljivih x30 i x40.
2.4.Problem degeneracije
Problem degeneracije nastaje kada su uslovi za promenu vektorske baze
takvi da se ne može jednoznačno odrediti vektor koji treba eliminisati iz baze.
Uslov za eliminisanje vektora iz baze je:
Θ = min xr/xrj, za xrj > 0

U slučaju da se jave dve ili više vrednosti za r sa istim minimalnim
količnikom, nije lako opredeliti se za promenljivu koju treba eliminisati iz baze.
To znači da se u narednoj iteraciji ne može vektor b izraziti kao linearna
kombinacija bazičnih vektora sa pozitivnim množiteljima xr, za svako r=1,2,...,m.
U tom slučaju je θ = 0 i vrednost f-je kriterijuma se ne može povećati, odnosno
može doći do cikličnog ponavljanja sukcesivnih baza sa istom vrednošću f-je
kriterijuma i do nemogućnosti određivanja optimalnog rešenja i max vrednosti f-
je kriterijuma.
U praksi se problem degeneracije relativno lako otklanja različitim
postupcima. U slučaju malog broja promenljivih, rešenje se relativno lako
sagledava. Za veći broj promenljivih veoma je poznat Charnes-ov
(perturbacioni) metod.
34
2.5.Dualni problem
Osobina linearnog programiranja je da svakom problemu odgovara drugi,

poznat pod nazivom dualni problem. U pogledu zahteva, postoji inverzija između
primarnog i dualnog problema. Tako, ako je kriterijum u primaru izražen u vidu
maximuma, u dualu je izražen u vidu minimuma. Isto tako, ako postoji optimalno
rešenje primarnog problema, postoji i optimalno rešenje odgovarajućeg dualnog
problema. Ova osobina je korisna za lakše rešavanje problema u slučaju da je
jedan od problema (primar ili dual) jednostavniji. Tako se ponekad složeni
problem prevodi u dual da bi se lakše rešio, a zatim se iz njegovog rešenja čita
rešenje za primarni problem.
Dualнi problem je veoma značajan zbog uspostavljanja veze između
linearnog programiranja i teorije igara.
Za dati problem linearnog programiranja:
(max)f=c1 x1 +c2 x2+...+cnxn
a11 x1 + a12 x2 +... +a1n xn ≤ b1
a21 x1 + a22 x2 +... +a2n xn ≤ b2
.................................................................
am1 x1 + am2 x2 +... +amn xn ≤ bm
x1, x2, ... xn ≥ 0
dualni problem je:
(min)v=b1 y1 +b2 y2+...+bm ym
a11 y1 + a21 y2 +... +am1 ym ≥ c1
a12 y1 + a22 y2 +... +am2 ym ≥ c2
....................................................................
a1n y1 + a2n y2 +... +amn yn ≥ cn
y1, y2, ... ym ≥ 0:
gde su y1, y2,...ym dualne promenljive, a v f-ja kriterijuma
dualnog problema.
- primar:
(max)f=C x
A x ≤b; x ≥0
- dual:
(min)v=b Y
A Yx ≥ C ; y ≥ 0
Dual se od primara dobija (tako što izvrši transponovanje vrsta i kolona
ograničavajućih uslova primara) na sledeći način:
35
- u f-ji kriterijuma ako je zahtev bio dat u vidu maximuma, u dualu se daje
u vidu min i obratno
- koeficijenti u f-ji kriterijuma postaju slobodni članovi ograničenja u
dualu, a slobodni članovi ograničenja u primaru postaju koeficijenti f-je
kriterijuma u dualu, samo što su sada transponovani, tj. vektor kolone b postaje
vektor vrste, a vektor vrste C postaje vektor kolone u dualu
- ako su nejednačine u primaru tipa ≤ (za max), u dualu su tipa ≥ (za min)
To znači da ako su ograničavajući uslovi primarnog problema dati
sistemom od m nejednačina sa n promenljivih, onda su ograničavajući uslovi
duala dati sistemom od n nejednačina sa m promenljivih.
Prema simplex kriterijumu, uslov za optimalno rešenje je:
(cs-fs )< 0 i (fs-cs )> 0 za nebazične promenljive
Primer:
Primar: (max)f=5x1 +6 x2
x1 + 3 x2 ≤ 18
5x1 + 2 x2 ≤ 25
x1, x2 ≥ 0
Dual: (min)v=18 y1 +25 y2

y1 + 5 y2 ≥ 5
3 y1 + 2 y2 ≥ 6
y1, y2 ≥ 0
Optimalno rešenje duala se može odrediti iz simplex kriterijuma primarnog

problema za dopunske promenljive kao:
ys= - (cn+s-fn+s) = fn+s-cn+s
gde je n-broj efektivnih promenljivih, a s=1,2,...m se odnosi na dopunske
promenljive ili
ys=-(cs-fs) = fs-cs
2.5.1.Teoreme dualnosti
Dual dualnog problema daje primarni problem (svejedno je koji je od pro-
blema označen kao primar, a koji kao dual);
Za svako moguće rešenje x primarnog problema i odgovarajuće moguće
rešenja y duala, vrednost f-je kriterijuma primarnog problema je manja ili najviše
jednaka vrednosti f-je kriterijuma duala;
36
Ako je x0 moguće rešenje primarnog, a y0 dualnog problema, tako da je C
x0 = b y0, onda je x0 optimalno rešenje primarnog, a y0 optimalno rešenje dualnog
problema;
Ako primarni problem ima optimalno rešenje, tada i dual ima optimalno
rešenje;
Ako je k-to ograničenje primarnog problema dato u vidu jednačine, tada je
odgovarajuća dualna promenljiva yk neodređena u znaku;
Ako je i-ta promenljiva primarnog problema neodređena u znaku, tada je i-
to ograničenje duala dato u vidu jednačine;
Ako se dopunska promenljiva xn+r , koja odgovara r-tom ograničenju pri-
marnog problema nalazi u optimalnoj bazi, odgovarajuća dualna promenljiva yr u
optimalnom rešenju duala jednaka je 0;
Ako se efektivna promenljiva xr primarnog problema nalazi u optimalnoj
bazi, odgovarajuće r-to ograničenje duala dato je u vidu jednačine, odnosno odgo-
varajuća dopunska promenljiva duala ym+r jednaka je 0.
2.5.2.Vrste dualnih problema

Po formi, postoje dve vrste dualnih problema: simetrični i nesimetrični.
Simetrični dualni problem je u slučaju da su u primarnom problemu sva
ograničenja istog smera, tj.: ≤
𝑛
𝑚𝑎𝑥(𝑓) = ∑ 𝑐𝑠 𝑥𝑠
𝑠=1
∑ 𝑎𝑛𝑠 𝑥𝑠 ≤ 𝑏𝑟 𝑟 = 1,2 … 𝑛
𝑠=1
xs ≥ 0, s = 1,2,...,n
(𝑚𝑖𝑛)𝑣 = ∑ 𝑦𝑟 𝑏𝑟
𝑟=1
∑ 𝑦𝑟 𝑎𝑟𝑠 ≤ 𝐶𝑠 𝑠 = 1,2 … 𝑛
𝑟=1
yr ≥ 0, r = 1,2,...,m
Nesimetrični dualni problem nastaje u slučaju kada sva ograničenja u

primaru nisu istog smera, tj.:
37
𝑛
𝑚𝑎𝑥(𝑓) = ∑ 𝑐𝑠 𝑥𝑠
𝑠=1
∑ 𝑎𝑛𝑠 𝑥𝑠 ≤ 𝑏𝑟 𝑟 = 1,2 … 𝑖 𝑖 < 𝑚

𝑠=1
∑ 𝑎𝑟𝑠 𝑥𝑠 = 𝑏𝑟 𝑟 = 𝑖 + 1𝑖 + 2
𝑠=1
∑ 𝑎𝑟𝑠 𝑥𝑠 ≥ 𝑏𝑟 𝑟 = 𝑖 + 3 … 𝑚
𝑠=1
xs ≥ 0, s = 1,2,...,n
Za ovaj problem dual je nesimetričan, pa promenljiva može biti i negativna,
tj. ne postavlja se onaj opšti oblik da promenljive duala moraju biti nenegativne.
Dual za ovaj slučaj je:
𝑚
(min)𝑣 = ∑ 𝑦𝑟 𝑏𝑟
𝑖=1
∑ 𝑦𝑟 𝑎𝑟𝑠 ≥ 𝐶𝑠 𝑠 = 1,2 … 𝑛
𝑟=1
yr ≥ 0, r = 1,2,.,i i<m
Ili ako je primar:

𝑛
(max)𝑓 = ∑ 𝐶𝑠 𝑥𝑠
𝑠𝑗=1
∑ 𝑎𝑟𝑠 𝑥𝑠 = 𝑏𝑟 𝑟 = 1,2 … 𝑚
𝑠=1
xs ≥ 0, s = 1,2,...,n
dual je:
𝑚
(𝑚𝑖𝑛)𝑣 = ∑ 𝑦𝑟 𝑏𝑟
𝑟=1
38
𝑚
∑ 𝑦𝑟 𝑎𝑟𝑠 ≥ 𝑏𝑟 𝑟 = 1,2 … 𝑚
𝑟=1
dakle, nema opšteg ograničenja.
3.TRANSPORTNI PROBLEM
Transportni problem se može definisati na sledeći način: potrebno je iz m

skadišnih baza A1,A2,...,Am distribuirati istovrsnu robu u n odredišta korisnika
B1,B2,...,Bn na takav način da troškovi ukupnog transporta budu minimalni. Pri
tome je raspoloživa količina u skladištima ai jednaka traženoj količini bj, gde je ai
količina koja postoji u skladištu Ai, a bj količina koja se traži u odredištu Bj.
Takođe je poznata jedinična cena cij transporta robe iz svakog ishodišta u svako
odredište. Količina robe koju iz skladišta (ishodišta) Ai treba distribuirati u od-
redište Bj označava se sa xij. Navedene veličine prikazane su u tabeli 6.
Tabela 6. Početna matrica transportnog zadatka
odredišta (korisnici)
i/j B1 B2 Bn
...
b1 b2 bn
A1 x11 x12 x1n
...
a1 c11 c12 c1n
A2 x21 x22 x2n
ishodišta ...
a2 c21 c22 c2n
(skladišta)
... ... ... ... ...
Am xm1 xm2 xmn
...
am cm1 cm2 cmn
Matematički zapis transportnog zadatka:

m n
- odrediti (min) Z =  cij xij
i =1 j =1
- uz ograničenja
n m m n
 xij = ai , za i = 1,..., m ;  xij = b j , za j = 1,..., n ;  a = b

i j
j =1 i =1 i =1 j =1
Nedegenerisano bazno rešenje mora imati tačno (m+n-1) pozitivnih kom-

ponenti xij. Postupak rešavanja transportnog problema svodi se na određivanje
početnog rešenja pomoću jednog od poznatih algoritama, a zatim se pomoću al-
goritama za nalaženje optimalnog rešenja poboljšava početno rešenje dok se ne
dobije optimalno rešenje.
39
3.1.Određivanje početnog rešenja
Pronalaženje početnog rešenja omogućuje iznalaženje početnog bazičnog
rešenja. Ovaj postupak se ostvaruje primenom sledećih metoda: 1) metoda
severozaapdnog ugla; 2) Vogelova aproksimativna metoda; 3) Vogel-Kordin
postupak; 4) metoda najmanjih elemenata u matrci cene transporta. i dr.
3.1.1.Početno rešenje po pravilu severozapadnog ugla
Početno rešenje dobijeno ovim postupkom ne uzima u obzir vrednosti cij,
pa je ovo rešenje po pravilu najslabije početno rešenje, ali se dobija na vrlo jed-
nostavan način. Postupak je sledeći:
a) Raspoređuju se raspoložive količine a1 iz prve skladišne baze A1 u od-
redišta B1, B2, ... , redom, dok se ne iscrpi količina a1. Svako odredište može prim-
iti najviše onoliku količinu kolike su mu potrebe iskazane količinom bj ili barem
onoliko kolika je vrednost a1 (ukoliko je a1<bj);
b) Kada su količine prve skladišne baze raspoređene na jedno ili više od-
redišta, nastavlja se raspoređivanje raspoložive količine a2 iz baze A2. Posao se
nastavlja kod odredišta koje je samo delimično bilo zadovoljeno preostalom
količinom iz prve baze, odnosno kod narednog odredišta, ako nije bilo odredišta
sa delimično dodeljenom količinom kod prethodne podele;
c) Posao se nastavlja sve dok se ne rasporedi količina am iz Am skladišne
baze, odnosno dok se ne podmire potrebe bn odredišta Bn. Kako je pretpostavka
zadatka da je ai=bj, to je osigurano da se raspoložive količine mogu raspored-
iti egzaktno prema traženoj količini u odredištima. Postupak će se najbolje shvatiti
na malom primeru.
Primer: Radi redovnog snabdevanja stanovništva robom široke potrošnje
(RŠP) potrebno je podajnim objektima doturiti potrebne količine robe date u tabeli
7. U tabeli su date i količine RŠP koje se nalaze u skladištima, kao i troškovi
transporta. Treba odrediti program distribucije RŠP iz skladišta do prodajnih ob-
jekata koji zahteva minimum transportnih troškova.
Tabela 7. Početni podaci
Odredišta (Potrošači) Bj
i/j B1 B2 B3 B4 B5
b1= 1700 b2= 2100 b3= 4100 b4= 1400 b5= 2400
A1 10 8 9 6 5
a1 = 2500
Isho-
A2 5 6 4 3 8
dišta
a2 = 3200
(Ispo-
A3 9 7 5 4 3
ručioci)
a3 = 4000
Ai
A4 14 10 8 8 8
a4 = 2000
40
Rešenje: Uslov ai=bj=11700 je zadovoljen pa se radi o zatvorenom
transportnom zadatku.
Određivanje početnog rešenja:
a) Roba iz ishodišta A1 se raspoređuje u odredišta B1 i B2 u količinama
b1=1700 i b2=800. Na taj način je iscrpljeno ishodište A1.
b) Roba iz ishodišta A2 se raspoređuje u odredišta B2 i B3 u količinama
b2=1300 i b3=1900.
c) postupak se nastavlja dok se ne isprazne ishodišta, odnosno do potpunog
zadovoljenja odredišta.
Početno rešenje po metodi severozapadnog ugla dato je u tabeli 8.
Tabela 8. Početno rešenje po metodi severozapadnog ugla
Odredišta (potrošači) Bj
i/j B1 B2 B3 B4 B5
b1= 1700 b2= 2100 b3= 4100 b4= 1400 b5= 2400
A1 10 8 9 6 5
a1 = 2500 1700 800
Isho- A2 5 6 4 3 8
a2 = 3200 1300 1900
dišta A3 9 7 5 4 3
Ai a3 = 4000 2200 1400 400
A4 14 10 8 8 8
a4 = 2000 2000
Dobijeno rešenje X=1700,800,1300,1900,2200,1400,400,2000 je

nedegenerisano rešenje sa tačno (n+m-1)=8 nenegativnih komponenti vektora X.
Troškovi transporta prema dobijenom početnom rešenju jednaki su:
Z=170010+8008+13006+19004+22005+14004+4003+20008=72600
novčanih jedinica
3.1.2.Vogelova aproksimativna metoda za početno rečenje
Vogelovom metodom dobija se početno rešenje koje je znatno bliže opti-

malnom u odnosu na početno rešenje dobijeno prethodnim postupkom. Postupak
je sledeći:
a) Za svaki red i svaku kolonu matrice troškova izračunavaju se razlike iz-
među najmanjeg i neposredno većeg troška. Ako su u nekoj liniji matrice (red,
kolona) dva najmanja troška jednaka, onda je razlika za tu liniju jednaka nuli;
b) Izabere se linija matrice (red, odnosno kolona) sa najvećom razlikom, a
zatim se traži u liniji polje (r,k) sa minimalnim pripadajućim troškom crk. U to
polje se unosi moguća vrednost xrk. Vrednost komponente xrk jednaka je ili ponudi
ar ili potrašnji bk, već prema manjoj vrednosti. Ako je xrk=ar, onda je ishodište r
41
potpuno iscrpljeno, pa se taj red u narednoj iteraciji ispušta. U protivnom je zado-
voljeno odredište k, pa se u narednoj iteraciji ispušta ta kolona;
c) Ponovo se računaju razlike za preostale redove i kolone. U stvari, ako je
red ispušten, u narednoj iteraciji se prepisuju prethodne razlike za preostale
redove, a računaju se ponovo za kolone; isto važi ako je ispuštena kolona;
d) Koraci b) i c) se ponavljaju tako dugo dok se ne rasporede količine ai na
odredišta bj, čime se dobijaju sve komponente početnog baznog rešenja X.
Vrednosti aproksimativnog rešenja (početnog rešenja) po Vogelovoj
metodi dobijaju se množenjem vrednosti dobijenih komponenata s odgovarajućim
troškovima transporta i njihovim sabiranjem.
Primer: Posmatra se primer koji je korišćen za određivanje početnog
rešenja po metodi severozapadnog ugla radi upoređenja dobijenih rešenja.
Rešenje: Pre razrade primera, treba napomenuti da ukoliko se pri nekoj it-
eraciji nije moguće jednoznačno opredeliti za liniju matrice zbog postojanja više
linija s jednakom maksimalnom razlikom, bira se linija koja poseduje najmanji
element cij. Ako se i pomoću ovog dodatnog kriterijuma ne može jednoznačno
odabrati linija matrice, onda se bira proizvoljno između linija sa maksimalnom
razlikom (iako se može u tom slučaju pristupiti izračunavanju tzv. sekundarnih
razlika - to su razlike između najmanjeg elementa i sledećeg po vrednosti, već
narednog, tj. trećeg, idući od minimalnog).
a) Izračunavaju se razlike po kolonama i redovima; vrednosti su označene
brojem I, što znači da su to razlike u prvom koraku.
b) Maksimalna razlika pripada prvoj koloni i iznosi 4. U toj koloni je najniži
trošak u polju (a2,b1), c21=5. Tom polju se dodeljuje maksimalno moguća količina
koja iznosi 1700 i na taj način se zadovoljavaju potrebe prvog odredišta. U daljem
radu se više ne računa sa kolonom b1.
c) Računaju se razlike za II korak postupka i to za preostale kolone i redove.
Najveća razlika se dobija za petu kolonu.
d) Polju (a3,b5) se dodeljuje vrednost x35=2400. Iz daljeg proračuna se izos-
tavlja peta kolona.
e) Postupak se nastavlja do potpune raspodele robe iz ishodišta, odnosno
do potpunog zadovoljenja odredišta. Početno bazno rešenje dobijeno ovom
metodom je:
X=1100,1400,1700,1500,1600,2400,1000,1000.
42
Tabela 9. Vogelova aproksimativna metoda za početno rešenje
Odredišta Bj
i/j B1 B2 B3 B4 B5 iteracije
1700 2100 4100 1400 2400 I II III IV V
A1 10 8 9 6 5 1 1211
2500 1100 1400
A2 5 6 4 3 8 1 112
Ishodišta 3200 1700 1500
Ai A3 9 7 5 4 3 1 1122
4000 1600 2400
A4 14 10 8 8 8 0 0022
2000 1000 1000
iteracije I 4 1 1 1 2
II 1 1 1 2
III 1 1 1
IV 1 1
V 1 3
Rešenje je nedegenerisano jer je broj pozitivnih komponenti jednak osam.

Vrednost dobijenog početnog programa iznosi Z=64900 novčanih jedinica. Ovo
je bolje rešenje od rešenja dobijenog prethodnim postupkom, jer su troškovi trans-
porta niži. Početni program po metodi Vogela prikazan je u tabeli 10.
Tabela 10. Početno rešenje po Vogelovoj aproksimativnoj metodi
ai/bj 1700 2100 4100 1400 2400

2500 1100 1400
3200 1700 1500
4000 1600 2400
2000 1000 1000
3.1.3.Vogel - Kordin postupak
Matematičar Korda je modifikovao Vogelovu metodu uvođenjem
prethodne redukcije matrice troškova u dva koraka:
1) Od svakog elementa reda prvobitne matrice troškova oduzme se
najmanji element tog reda. To se uradi za sve redove matrice, što daje najmanje
po jednu nulu u svakom redu.
2) Od svakog elementa kolone prethodno redukovane matrice (prema
prvom koraku redukcije) oduzme se najmanji element date kolone. To se učini za
sve kolone, čime se povećava broj nula u matrici.
Dalji postupak se vrši prema Vogelovoj metodi, ali na temelju dobijene re-
dukovane matrice troškova.
43
Primer: Vogel-Kordin postupak biće pokazan na primeru koji je korišćen
za određivanje početnog rešenja metodom severozapadnog ugla i Vogelovom
aproksimativnom metodom. Troškovi transporta dati su u tabeli 11.
Tabela 11. Početna tabela za Vogel-Kordin postupak
min
ai/bj b1 b2 b3 b4 b5
cij
a1 10 8 9 6 5 5
a2 5 6 4 3 8 3
a3 9 7 5 4 3 3
a4 14 10 8 8 8 8
Rešenje:
Redukovana matrica po redovima (tabela 12) i kolonama (tabela 13):
Tabela 12. Redukovana matrica po redovima
a1 5 3 4 1 0
a2 2 3 1 0 5
a3 6 4 2 1 0
a4 6 2 0 0 0
min cij 2 2 0 0 0
Tabela 13. Redukovana matrica po kolonama
a1 3 1 4 1 0
a2 0 1 1 0 5
a3 4 2 2 1 0
a4 4 1 0 0 0
Nakon obavljenje dvostruke redukcije na dobijenu matricu se primenjuje

poznata Vogelova aproksimativna metoda. Početno rešenje po Vogel-Kordinom
postupku dato je u tabeli 14.
Tabela 14. Početno rešenje po Fogel-Kordinom postupku
ai/bj 1700 2100 4100 1400 2400

2500 2100 400
3200 1700 100 1400
4000 1600 2400
2000 2000
44
Troškovi transporta iznose 64900 novčanih jedinica. Po Vogel-Kordinom
postupku je dobijen isti početni program kao u aproksimativnom Vogelovom
postupku. U većim primerima razlika u korist Vogel-Kordinog postupka došla bi
do izražaja.
3.2.Određivanje optimalnog rešenja
Određivanje optimalnog rešenja se ostvaruje primenom sledećih metoda:
1) metoda potencijala (MODI metoda); 2) metoda ‘’skakanja sa kamena na ka-
men’’ (Stepping stone method); 3) Ford-Fulkersonova metoda; 4) metoda dodel-
jivanja (Mađarska metoda), i dr.
3.2.1. Metoda potencijala (MODI metoda)
Metodu potencijala prvi je razradio L.Kantorovič, a ubrzo za njim i
nezavisno od njega i G.Dantzig, razrađujući svoju simpleks metodu.
Postupak nalaženja optimalnog rešenja pomoću metode potencijala (MODI
metode) ima sledeći tok:
1) Početni program (početno rešenje) se odredi po nekom od već razrađenih
postupaka (Severozapadni ugao, Vogelov ili Vogel-Kordin).
2) Za angažovane rute u početnom baznom rešenju (polja opterećena
pozitivnim komponentama početnog rešenja) formira se tabela jediničnih
troškova transporta cij.
3) Svakom redu i svakoj koloni matrice troškova se dodeljuje po jedan
pozitivan broj - potencijal ili simpleksni multiplikator. Potencijali redova su ui
(i=1,2,...,m), a potencijali kolona su vj (j=1,2,...,n). Potencijali ui i vj se biraju tako
da je njihova suma jednaka odgovarajućoj vrednosti troška angažovane rute cij,
odnosno ui+vj=cij, gde indeksi (i,j) označavaju opterećeno polje u matrici
troškova.
S obzirom da u trenutku određivanja vrednosti potencijala ui i vj postoji
(n+m) nepoznatih potencijala, a (n+m-1) opterećenih polja, odnosno jednačina
jednoj nepoznatoj se može dati proizvoljna vrednost. Obično se potencijal prvog
reda u1 izjednačava sa nulom, a ostale vrednosti potencijala jednoznačno se iz-
računavaju iz jednačine ui+vj=cij.
4) Nakon utvrđivanja vrednosti za potencijale ui i vj izračunavaju se vred-
nosti c'ij za prazna polja u matrici troškova prema obrascu: c'ij=ui+vj.
5) Vrednosti c'ij se upoređuju s vrednostima odgovarajućih troškova cij u
početnoj tabeli troškova. Ako su za sva polja prvobitni troškovi cij veći ili jednaki
od dobijenih odgovarajućih troškova c'ij, onda je dobijeno rešenje optimalno i ne
može se dalje poboljšavati. Polja kod kojih je zadovoljen uslov c'ij-cij>0 pružaju
mogućnost formiranja boljeg rešenja. Kriterijum za izbor polja čija komponenta
vektora X ulazi u bazu je: max(c'ij-cij)>0
45
Da se postojeća ravnoteža početnog rešenja po redovima i kolonama
(ravnoteža ponude i potražnje) ne bi poremetila, postupak uvođenja nove kompo-
nente xrk na mestu sa najvećom razlikom c'rk-crk>0 i izlaska iz baze neke od kom-
ponenti prvobitnog rešenja mora biti izveden unutar jednog mnogougaonika koji
se dobije zamišljenim kretanjem topa u šahu. Počinje se od polja (r,k), uz moguća
skretanja samo na angažovanim (optere}enim) poljima. Mnogougaonik se
završava u posmatranom polju (r,k), zahvativši manji ili veći broj angažovanih
polja, odnosno komponenti xij početnog rešenja. Temena dobijenog
mnogougaonika se označavaju naizmenično sa (+) i (-), pri čemu je teme (r,k)
označeno sa (+) jer se u to polje dovodi određena (maksimalno moguća) količina
tereta. Među količinama sa negativnim temenima izdvaja se najmanja i dodaje
količinama čija su temena sa znakom (+), a oduzima od količina čija su temena
sa znakom (-). Rezultat je promena količina na zahvaćenim temenima, ali je pri
tome najvažnije da je izabrano polje (r,k) dobilo količinu koja je cirkulisala kroz
mnogougaonik, a teme čija je količina cirkulisala ostalo je bez opterećenja, od-
nosno ispalo je iz programa. Na opisani način se može za svako nepopunjeno polje
konstruisati samo jedan jedini mnogougaonik.
6) Sa novodobijenim baznim rešenjem se postupa prema koracima 2), 3),
4) i 5) i postupak se ponavlja sve dok se u nekom ponovljenom koraku 5) ne utvrdi
da ne postoji ni jedno polje sa c'ij-cij>0. To je znak da je dobijeno optimalno
rešenje.
Primer: Za određivanje optimalnog rešenja metodom potencijala koriste
se polazni podaci dati u polaznom primeru koji su korišćeni za određivanje
početnog rešenja.
Rešenje:
1) Za početno rešenje bira se rešenje dobijeno metodom severozapadnog
ugla (tabela 15).
Tabela 15. Početno rešenje koje se poboljšava metodom potencijala
Odredišta Bj
ai/bj B1 B2 B3 B4 B5
b1= 1700 b2= 2100 b3= 4100 b4= 1400 b5= 2400
A1 10 8 9 6 5
a1 = 2500 1700 800
A2 5 6 4 3 8
Isho-dišta
a2 = 3200 1300 1900
(skl. baze)
A3 9 7 5 4 3
Ai
a3 = 4000 2200 1400 400
A4 14 10 8 8 8
a4 = 2000 2000
46
2) U tabeli 16. dati su troškovi za polja koja su angažovana u početnom
programu. Ti troškovi cij su podcrtani kako bi se razlikovali od troškova c'ij koji
se dobijaju sabiranjem odgovarajućih potencijala ui i vj.
Tabela 16. Troškovi za početno rešenje
i/j 1700 2100 4100 1400 2400 ui

10 8 6 5 4
2500 0
8 6 4 3 2
3200 -2
+3
9 7 5 4 3
4000 -1
14 12 10 9 8
2000 4
+2 +2 +1
vj 10 8 6 5 4
3) Potencijali se određuju tako što se stavi da je u1=0, a zatim se računa:

v1=c11-u1=10; v2=c12-u1=8 i tako redom dok se ne odrede svi potencijali.
4) Vrednosti c'ij za neangažovana polja računaju se prema izrazu c'ij=ui+vj
npr: c'21=10-2=8; c'31=10-1=9.
5) Primenom kriterijuma max(c'ij-cij)>0 bira se polje za ulazak u bazu.
Uslov zadovoljava polje (a2,b1) sa vrednošću c'21=8 i u to polje treba dovesti
količinu =1300 koja predstavlja minimalnu količinu na negativnim temenima
mnogougaonika. U tabeli 17. izvršeno je poboljšanje početnog programa tako što
je polju (a2,b1) dodeljena vrednost =1300 a polje (a2,b2) ostaje bez 1300
jedinica težine robe i ono napušta bazu. Količina robe u poljima (a1,b1) i (a1,b2) je
x11=400 i x12=2100 jedinica težine.
Tabela 17. Tabela troškova nakon prvog poboljšanja
i/j 1700 2100 4100 1400 2400 ui
10 8 6 5 4
2500 0
400 (-) 2100 (+)
8 6 4 3 2
3200 -2
1300 (+) 0 (-) 1900
9 7 5 4 3
4000 -1
2200 1400 400
14 12 10 9 8
2000 4
2000
vj 10 8 6 5 4
47
6) Ponavljanjem koraka 2), 3), 4) i 5) dobija se novo bazno rešenje
(tabela 18).
Tabela 19. Rešenje problema nakon drugog poboljšanja
i/j 1700 2100 4100 1400 2400 ui
10 8 9 8 7
2500 0
0 (-) 2100 400 (+)
5 3 4 3 2
3200 -5
1700(+) 1500 (-)
6 4 5 4 3
4000 -4
2600(+) 1000 (-) 400
11 9 10 9 8
2000 1
2000
vj 10 8 8 8 7
Nakon ponovljene celokupne procedure dobija se novo bazno rešenje
(tabela 19).
Tabela 19. Rešenje nakon treće iteracije
i/j 1700 2100 4100 1400 2400 ui
8 8 7 6 5
2500 0
2100 400
5 5 4 3 2
3200 -3
1700 1500
6 6 5 4 3
4000 -2
600 (-) 1000 2400(+)
11 11 10 9 8
2000 3
2000(+) 0 (-)
vj 8 8 7 6 5
Vrednosti potencijala i veličina c'ij dobijene u sledećoj iteraciji date su u

tabeli 20.
Kako nijedno polje ne zadovoljava kriterijum za ulazak u bazu to je dobi-
jeno rešenje optimalno. Vrednost dobijenog optimalnog rešenja jednaka
je:Z==63900 novčanih jedinica.
48
Tabela 20. Tabela troškova u četvrtoj iteraciji
i/j 1700 2100 4100 1400 2400 ui

8 8 7 6 5 0
2500
2100 400
5 4 4 3 2 -3
3200
1700 1500
6 6 5 4 3 -2
4000
600 1000 2400
9 9 8 7 6 1
2000
2000
vj 8 8 7 6 5
3.2.2. Metoda skakanja sa kamena na kamen (Stepping stone)

Metoda ‘’skaknja s kamena na kamen’’ u literaturi se najčešće navodi kao
‘’Stepping stone method’’, a zatim još kao Metoda relativnih troškova, Metoda
šahovske kule, Distributivna metoda i dr. Ova metoda polazi od već postojećeg
početnog baznog rešenja koje je dobijeno u prethodnom postupku i obuhvata
sledeće korake:
1.korak: Formiranje lanaca
Da bi se proverilo da li je dobijeni početni bazni plan optimalan, neophodno
je da se za svako polje tabele, u kome se pored cene ne nalazi bazna promenljiva,
formiraju tzv. lanci (r,k). Lanci se formiraju za sva nebazna polja u vidu
zatvorenog poligona u čijem se jednom temenu nalazi cena polja za koju se
formira lanac, dok su na ostalim temenima poligona (lanca) cene uz koje se nalaze
bazne promenljive (svi uglovi lanca su pravi uglovi).. Broj temena svakog lanca
je paran и iznosi najmanje četiri, a najviše m+n temena. Temena lanca (r,k)
označavaju se naizmenično sa (+) i (-), pri čemu se početno teme lanca označava
sa (+).
2.korak: Proračun relativnih troškova
U drugom koraku se na osnovu formiranih lanaca izračunavaju relativni
troškovi za svako nebazno polje tabele u kojoj je prikazan početni bazni plan. Na
temenima lanca prikazane su cene transporta koje se nalaze pored baznih
promenljivih. Nakon poračuna relativnih troškova proverava se optimalnost
rešenja. Pri tome, proverava se da li postoji relativni trošak koji ispunjava
određeni uslov.
3.korak: Provera optimalnosti
Nakon proračuna relativnih troškova za sve promenljive proverava se
optimalnost rešenja. Uvezi s tim, proverava se da li postoji relativni trošak koji
ispunjava uslov Δij < 0. Ukoliko postoji takav trošak, bira se min (Δij) < 0 i max
49
| Δij < 0|, odnosno bira se vektor Δij koji se nalazi na toj poziciji i lanac koji je
formiran za cenu koja se nalazi na toj poziciji. Na taj način formira se identičan
lanac kao u metodi potencijala, s tim što umesto cena na temeljima ima bazne
promenljive. Kod negativnih temena izdvaja se najmanja promenljiva i dodaje se
temenima sa znakom (+), a oduzima se od količina čija su temena označena sa
znakom (-).
4.korak: Na dobijeno bazno rešenje primenjuju se koraci br.1, 2. i 3.
Postupak se ponavlja dok se ne utvrdi da ne postoji ni jedan relativan trošak za
koji važi uslov Δij < 0. Time je dobijeno optimalno rešenje.
Optimalno rešenje kod Metode ‘’skakanja sa kamena na akmen obuhvata
relativne troškove (Δij < 0) sa predznakom ‘’+’’ i sa vrednošću nula. Postojanje
nula na nezauzetim poljima matrice ukazuje na to da za posmatrani transportni
problem postoji još jedno alternativno optimalno rešenje.
Alternativna rešenja imaju istu vrednost funkcije cilja, kao dobijeno
rešenje. Oba rešenja se međusobno razlikuju samo u rasporedu nenegativnih polja
u matrici transporta. Na osnovu jednog optimalnog rešenaj dobija se drugo
alternativno rešenej (promenom baze na polju sa relativnim troškom nula.
3.3.Otvoreni problem transporta

Otvoreni problemi transporta nastaju kada nije ispunjen uslov da je:
m n
a = b
i =1
i
j =1
j . U takvim slučajevima neophodno je uvesti fiktivno ishodište od-
nosno fiktivno odredište.
a) Ako je ai > bj, uvodi se fiktivno odredište Bn+1 sa zahtevanom
količinom bn+1 = ai-bj. Troškovi transporta iz ishodišta u fiktivno odredište
su nule.
b) Ako je bj > ai, uvodi se fiktivno ishodište Am+1 sa ponudom
am+1= bj - ai. Troškovi transporta od fiktivnog ishodišta do bilo kojeg odredišta
jednaki su nuli.
Nakon svođenja početnog problema na odnos ai = bj, za rešavanje se
može primeniti neki od objašnjenih postupaka.
3.4.Degeneracija transportnog problema

Degeneracija relativno često javlja u transportnom problem. Ako u
posmatranom transportnom problem postoje neke parcijalne sume 'a
i
i u
ishodištima jednake nekim parcijalnom sumama  'b j , može se očekivati pojava
deneneracije prilikom rešavanja tog problema.
50
Pod degeneracijom u transportnom problemu nazivamo pojava da dobijeno
bazno rešenje ima manje od (n+m-1) pozitivnu ko mponentu. Do toga dolazi kada,
usled jednakosti određenih parcijalnih suma 'a i i  ' bj , istovrmeno bude pod-
mireno i ishodište i odredište.
Pojava degeneracije onemogućava primenu postupka traženja optimalnog
rešenja. Zbog toga se uvodi modifikcija izvornih podataka o količinama u
ishodištu i odredištu, koja treba da spreči jednakost bilo kojih parcijalnih sum, a
time i pojava degeneracije.
Ta modifikacija se postiže uvođenjem veličine ɛ na sledeći način:
ai = ai +  , za svaki I (i=1,2,..m) (1)
b j , za j = 1,..., n − 1

bj =  (2)
b j + m , za j = n

Veličinu ɛ treba tako obraditi da se postigne:

1) sprečavanje izjednačavanja parcijalnih suma ai i bj;
2) nesmetano zanemarivanje ɛ u optimalnom rešenju.
U ručnom postupku nije potrebno da se specifikuje vrednost ɛ dok je za rad
na računaru to potrebno.
Primer rešavanja transportnog problema sa degeneracijom (tabela 21):
Tabela 21.
ai/bj 10 20 30 35
25 10 5 6 7
20 8 2 7 6
50 9 3 4 8
Možemo očekivati da će dobijeno bazno rešenje biti degenerisano, jer je:

a2 = b2 = 20; a1 + a2 = 20 + 20 = b1 + b4 = 10 + 35 = 45
Ukoliko primenimo Vogelov postupak bez modifikacije količina prema
izrazima (1) i (2), dobićemo rešenje koje je prikazano u tabeli 22.
Tabela 22.
ai/bj 10 20 30 35
25
20 20
50 10 30 10
51
Kao što se vidi, početno rešenje je degenerisano, jer vektor rešenja ima pet
pozitivnih komponenti, umesto potrebnih (n+m-1)=6. Ponovićemo Vogelov
postupak, ali na prethodno modifikovanim količinama ai i bj, prema izrazima (1)
i (2). Celi postupak s rešenjem je dat u tabeli 23.
Tabela 23.
ai/bj 10 20 30 35 Diference
25 10 5 6 7 25+ɛ 4 1 2←
20 8 2 20 7 6ɛ 4← 1 2 2
50 9 10 3 4 30 8 10+ɛ 1 4← 1 1
Diference 1 1 2 1 1
1 2 1
1 1
1 2
Praktično, rešenje u tabeli 2. Jednakovredno je rešenju u tabeli 3. Kada se

zanemare veličine ɛ, ali rešenje u tabeli 24. nije degenerisano i omogućuje
primenu postupaka optimilizacije. Rešenje koje je dobijeno nakon poboljšanja
prikazano u tabeli 4. jeste optimalno. Pri tome, veličine ɛ nam ne smetaju zbog
toga što ih možemo u optimalnom rešenju zanemariti.
Tabela 24.
ai/bj 10 20 30 35+ ɛ
25 25+ɛ
20 10- ɛ 10+2ɛ
50 10 10+ ɛ 30
4.PROBLEM DODELJIVANJA
Zadatak dodeljivanja ili asignacija može se formulisati na sledeći način:
postoji (n) mašina i (n) poslova; zadata je efektivnost (i) mašine sa (j) poslom.
Zadatak je da se dodeli svakoj mašini samo po jedan posao, tako da funkcija
kriterijuma dostigne optimalnu vrednost.
Ako bismo želeli da probleme ove vrste rešimo bez primene modela
dodeljivanja, morali bismo ispitati svako od mogućih rešenja i upoređivanjem
doći do optimalnog. Za problem koji bi obuihvatio 20 mašina i 20 poslova,
trebalo bi ispitati 20! (faktorijel) rešenja. Primenom modela dodeljivanja, ovaj
problem se može rešiti i ručno za realno prihvatljivo vreme (nekoliko časova).
52
Problem dodeljivanja optimalnih lokacija ili raspoređivanja poslova na
radna mesta na optimalan način prema datom kriterijumu, rešio je američki
matematičar Kuhn (Kun), koristeći teoremu mađarskih matematičara Königa
(Kenig) i Egervaria (Eđervari).
Teorema glasi: ako R nije prazan podskup tačaak date matrice A = (a ij),
onda je maksimalan broj nezavisnih tačaka, kojke se mogu uzeti u skupu R,
jednak minimalnom broju linija, koje pokrivaju sve tačke skupa R.
U toj se teoremi pod linijom matrice podrazumeva red, odnosno kolona
matrice. Nezavisna tačka (ili nezavisni element) matrice je tačka koja pripada
istovremeno dvema linijama matrice (tj. redu i koloni matrice) i u tim linijama
nema ni jedne takve nezavisne tačke više. Zbog korišćenja pomenute teoreme,
postupak rešavanja ovog problema naziva se i mađarskom metodom.
4.1.Standardni oblik problema dodeljivanja
Standardni oblik problema dodeljivanja ima izgled u opštem slučaju:
- zadata je kvadratna matrica troškova:
A0 =((aij(0))); i,j = 1,2,…n; (n≥3); aij ≥ 0;
- potrebno je naći kvadratnu matricu X = ((xij)), koja se naziva matricom
dodeljivanja i zadovoljava sledeća ograniećenja:
xij = xij2; i,j = 1,2, …, n: (n ≥ 3)
𝑛 𝑛
∑ x ij = ∑ x ij = 1
𝑖=1 𝑗=1
Pri čemu funkcija kriterijuma (f) uzima minimalnu vrednost:

[min] f =∑i ∑j aij(0)xij
Kuhn je prvi razradio algoritam za rešavanje problema, koristeći se, pored
naznačene teoreme, i sledećim stavom:
- ako je zadata matrica troškova A = ((aij)) i konstruisana druga matrica
b = ((bij)), gde je b = aij – ui – vi, a ui i vi su proizvoljni realni brojevi,
onda je rešenje matrice A ekvivalentno rešenju dobivenom na osnovu
matrice B.
Za rešavanje matrice dodeljivanja, koristićemo se metodom Flooda (Flad).
4.2.Postupak Flada
Postupak Flada se sastoji od nekoliko koraka, koji se prema potrebi
ponavljaju, sve dok se ne dobije optimalno rešenje.
Korak 1. Utvrdi se minimalni element u svakoj koloni matrice troškova A0
i označi se sa v(o)j
53
v(o)j = min aij(0)
Formira se, ztim, nova matrica troškova A1 zamenom elemenata aij(0) s
elementima aij(1)
aij(1) = aij(0) – ui(0) – vj(0); i, j=1,2,…,n;
u(0) = 0. Nova matrica imaće bar po jedan nulti element u svakoj koloni
Korak 1’: odredi minimalni broj linija S1 (linije prepokrivanja) koje
prekrivaju sve nulte lemente matrice A1. Ako je broj takvih linija (S1) jednak
broju redova (odnosno kolona) matrice (n), onda je dostignuto optimalno rešenje,
jer to znači da se u matrici A1 nalazi n1 nultih elemenata koji ne leže po dva na
istoj liniji (nezavisne tačke ili nezavisne nule), pri čemu vredi odnos:
S1 = n1 = n
Elementi matrice A0 koji leže na mestima tih nezavisnih tačaka,
predstavljaju optimalno rešenje problema.
Korak 2: ako je n1 < n, onda se traži minimalni element u svakom redu
matrice A1 i označi se sa ui(1); ij(1) = min aij(1).
Formira se, zatim nova matrica A2 zamenom elemenata aij(1) sa elementima
aij(2).;
aij(2) = aij(1) – ui(1) – vj(1); za i, j = 1,2,…, n, vj(1) = 0
Matrica A2 imaće najmanje po jedan nulti element u svakom redu.
Korak 2’: ponavlja se korak 1’, tj. odredi se minimalan broj linija S2 koje
prekrivaju sve nulte elemente matrice A2. Ako je S2=n, onda se u A2 nalazi n2=n
nultih elemenata koji ne leže po dva na istoj liniji. Položaj tih nultih elemenata
određuje optimalno rešenje.
Korak 3: ako je n2 < n, onda se sa h2 označi minimalni minimalni element
među elementima matrice A2 koji nisu pokriveni ni jednom linijom S2. Zatim se
oduzme h2 od svih nepokrivenih elemenata i doda svim dvostruko pokrivenim
elementima (elementi koji se nalaze na mestima presecanja linija S2). Dobijena
matrica označava se sa A3.
Korak 3’: ponavlja se korak 1’, tj. odredi se minimalan broj linija S3 koje
pokrivaju sve nulte elemente matrice A3. Ako njihov broj S3 bude bude jednak
broju n (S3=n), onda se u A3 nalazi n3=n nultih elemenata koji ne leže po dva na
istoj liniji.
Ako je n3<n, onda se ciklus koraka 3 i 3’ ponavlja tako dugo dok se u
nekom (k) ciklusu ne postigne nk+a=n. tada je optimalno rešenje određeno u
matrici Ak+2.
Primer: Plan snabdevanja kao problem dodeljivanja
54
Neka je dato pet skladišta municije j=6,7,8,9 i 10, iz kojih treba snabdevati
jedinice i=1,2,3,4, i 5.
Data je matrica udaljenosti aij od skladišta do jedinica.
Potrebno je izraditi plan oslanjanja jedinica na skladišta, da pređeni put
bude minimalan (na taj način optimalizujemo dve važne veličine: brzinu
snabdevanja i utrošak goriva).
Najpre primenimo kriterijume radi izbora najkraćeg puta do optimalnog
rešenja:
∑ ui(0) = 12 = ∑ vj(0)
𝑖 𝑗
S obzirom na to da su gornje sume jednake, onda ćemo u prvom koraku

oduzimati vrednosti v(0)i od a(0)ij, a ne u.(0).
Tabela 25.Početna matrica troškova A0.
i/j 6 7 8 9 10 Ui(0)
1 5 3 4 2 6 0
2 8 3 5 5 4 0
3 2 5 3 6 8 0
4 4 2 8 3 6 0
5 3 6 9 5 3 0
Vj(0) 2 2 3 2 3
Tabela 26. Matrica A1
i/j 6 7 8 9 10 Ui(1)
1 3 1 1 0 3 0
2 6 1 2 3 1 1
3 0 3 0 4 5 0
4 2 0 5 1 3 0
5 1 4 6 3 0 0
Vj(1) 0 0 0 0 0
linije prepokrivanja: S1 su: i=3; j=7,9,10; S1=n1=4 < n=5
Rešenje u matrici A1 nije optimalno
Postupak pronalaženja nezavisnih nula:
1) ispituju se redovi; markiraju se (_) nule koje su jedine u redu, a
precrtavaju sve nule koje se naalze u odgovarajućoj koloni;
55
2) ispituju se kolone, markiraju se (_) nule koje su jedine ili jedine
neprertane u koloni, a precrtavaju se sve nule u odgovarajućem redu;
3) postupak se ponavlja tako dugo dok se sve nule ili ne markiraju (_), ili
ne precrtaju;
4) ako se postupak ne može nastaviti, jer se u nekomkoraku pojave dv ili
više nemarkiranih nula, onda proivoljno odabranu nulu markiramo (_), odnosno
proglašavamo je nezavisnom nulom, a nule u pripadajućem redu i pripadajućoj
koloni precrtamo. Prednost dajemo redu – koloni koja ima manji broj
nemarkiranih nula.
Postupak pronalaženja linija prepokrivanja:
1) markiraju se sve kolone u kojima nema nezavisnih nula;
2) markiraju se svi redovi koji imaju nule u markiranim kolonama
(obratiti pažnju ad to ne mogu biti nezavisne nule);
3) markiraju se sve kolone koje u prethodno maskiranim redovima imaju
nezavisne nule;
4) koraci 2 i 3 se ponavljaju dok se može vršiti maskiranje redova i
kolona prema datim pravilima;
5) povuku se linije kroz markirane redove i nemarkirane kolone. To su
linije prepokrivanja.
Kontrola:
a) broj linija pokrivanja mora odgovarati broju nezavisnih nula;
b) ni jedna nezavisna nula ne sme biti na preseku dveju linija pokrivanja.
Pomoću tih pravila utvrdili smo nezavisne nule i linije pokrivanja u matrici
A1 utvrdili smo nezavisne nule i linije pokrivanja u matrici A 1 i utvrdili da
dobijeno rešenje nije optimalno. Radi toga se postupak nastavlja.
Koraci 2 i 2’
i/j 6 7 8 9 10 Ui(0)
1 3 1 1 0 3 1
2 5 0 1 2 0 1
3 0 3 0 4 5 0
4 2 0 5 1 3 1
5 1 4 6 3 0 1
Vj(2) 0 -1 0 -1 -1
linije prepokrivanja: S2 su: i=3; j=7,9,10; S2=n2=4 < n=5
Rešenje nije optimalno
najmanji nepokiveni element je h2=1
56
Koraci 3 i 3’
i/j 6 7 8 9 10
1 2 1 0 0 3
2 4 0 0P 2 0
3 0 4 0 5 6
4 1 0 4 1 3
5 0 4 5 3 0
Uz proizvoljno odabranu nulu upisujemo znak ‘’P’’
Ovde je: n3=5 = n; rešenje je optimalno.
Optimalan program je: 1-9; 2-8; 3-6; 4-7; 5-10
Vrednost optimalnog programa je: [min]f=2+5+2+2=14
Kontrola:
v1=v1(0)+v1(1)+v1(2)=2+0+0=2
v2=v2(0)+v2(1)+v2(2)=2+0-1=1
v3=v3(0)+v3(1)+v3(2)=3+0+0=3
v4=v4(0)+v4(1)+v4(2)=2+0-1=1
v5=v5(0)+v5(1)+v5(2)=3+0-1=2
5
∑ vj = 9
𝑗=1
u1=u1(0)+u1(1)+u1(2)=0+0+1=1
u2=u2(0)+u2(1)+u2(2)=0+1+1=2
u3=u3(0)+u3(1)+u3(2)=0+0+0=0
u4=u4(0)+u4(1)+u4(2)=0+0+1=1
u5=u5(0)+u5(1)+u5(2)=0+0+1=1
5
∑u = 5
𝑖=1
[max]Z=∑5𝑖=1 u𝑖 + ∑5𝑗=1 v𝑗 = 5 + 9 = 14
5.TEORIJA IGARA
Teorija igara ili ređe korišćen naziv teorija konfliktnih situacija predstavlja
matematičku teoriju konfliktnih situacija u kojima protivnici imaju suprotne in-
terese ili bar jedan igrač ima svoj interes. Predmet teorije igara je analiza
ponašanja učesnika u konfliktnim situacijama, odnosno pronalaženje najboljih
57
načina dejstva u uslovima koje nameću konfliktne situacije. Cilj teorije igara je
da se egzaktnim matematičkim algoritmom analizira konfliktna situacija i odredi
razumno ponašanje igrača u toku konflikta, tj. da se odrede optimalne strategije
za svakog od učesnika u igri. Igra je matematički model realne konfliktne situ-
acije, a ponašanja protivnika i sama igra imaju svoja pravila. Jasno je da post-
ojanje skupa pravila znači da je igra apstrakcija realne situacije i da su neke vari-
jante ponašanja protivnika ograničene ili isključene. Me|utim, ovo ne znači da ovi
modeli neprimenljivi.
Teorija igara je mlada matematička disciplina koju je John von Neumann
(1903-1957) matematički strogo zasnovao 1928. godine dokazavši teoriju o mini-
maksu. Za prvo fundamentalno delo iz Teorije igara smatra se knjiga: "Theory of
Games and Economic Behavior" John van Neumann and Oskar Morgenstern,
New York, 1944.
Igre koje su predmet bavljenja i razrešavanja teorijom igara mogu se po-
deliti u različite grupe prema različitim kriterijumima.
Prema kriterijumu prirode protivnika, igre se dele na dve grupe:
- igre sa "razumnim" protivnikom i
- igre sa "prirodom".
Osnovna razlika između ove dve grupe je u tome što "razumni" protivnik
bira za sebe najbolju strategiju u odnosu na izbor drugog protivnika, dok "priroda"
postupa nezavisno od izbora strategije protivnika.
Prema kriterijumu poznavanja stanja i namera protivnika, igre se dele na:
- igre sa potpunom informacijom i
- igre sa nepotpunom informacijom.
U vojnoj praksi najčešće se javljaju igre sa nepotpunom informacijom.
Prema kriterijumu broja učesnika, igre se dele na:
- igre sa dva učesnika i
- igre sa više učesnika.
Prema kriterijumu mogućih varijanti dejstva koje stoje na raspolaganju
ućesnicima, igre se dele na:
- konačne igre (sa konačnim brojem strategija) i
- beskonačne igre (mogući broj strategija je beskonačan).
Moguća je podela igara i prema drugim kriterijumima. Najčešće u vojnoj
primeni, a i najviše razrađena je teorija igara sa dva protivnika i nultom sumom.
Pod ovim pojmom se podrazumeva da je algebarski zbir dobitaka i gubitaka jedne
strane jednak nuli. Protivnici teže suprotnim ciljevima, što znači da povećanje
dobiti jednog, znači smanjenje dobiti drugog protivnika.
58
U igri dva igrača definisan je skup varijanti igra~a A: A=(a1,a2,...,am) i skup
varijanti igrača B: B=(b1,b2,...,bn), pri čemu je ishod igre funkcija dve
promenljive: C=f(ai,bj). Igra dva lica može se prikazati u matričnoj formi u vidu
matrice plaćanja:
Tabela 29. Matrica plaćanja
j Igrač B i
i B1 ... Bn
A1 a11 ... a1n 1
Igrač A .... ... ... ... ...
Am am1 ... amn m
j 1 ... n
Matricu plaćanja čine elementi aij koji predstavljaju dobit igrača A odnosno
gubitak igrača B. Igra odražava sukob interesa i oba protivnika žele da izaberu
optimalne strategije s obzirom na cenu igre, pri čemu se pod strategijom podra-
zumeva skup pravila koja jednoznačno određuju izbor hoda svakog od učesnika
u igri. Hod je izbor jedne od mogućih varijanti koje stoje na raspolaganju
učesnicima u igri.
Optimalna strategija igrača je takva strategija koja pri višestrukom
ponavljanju igre obezbe|uje tom igraču maksimalno mogući srednji dobitak, od-
nosno minimalno mogući srednji gubitak.
Igra u kojoj jedan od igrača dobija onoliko koliko drugi gubi (zbir dobiti je
0) naziva se igrom sa nultom sumom. Igre dva lica sa nultom sumom nazivaju se
antagonističkim igrama.
U teoriji igara formuli{e se sledeći princip: igrač bira za sebe varijantu
koja mu obezbeđuje maksimalan dobitak uz, za njega, najnepovoljnije delovanje
protivnika. Ovaj princip diktira izbor najopreznije strategije (za najnepovoljnije
delovanje protivnika) i naziva se principom minimaksa:
min max aij  max min aij
j i i j
Teorema o mimimaksu obezbeđ|uje racionalnom prvom igraču najmanje

maksimalni minimum, a racionalnog drugog igrača čuva da ne izgubi više od min-
imalnog maksimuma.
Rešiti matričnu igru znači odrediti optimalne strategije koje obezbe|uju
najbolji očekivani ishod igre, pod uslovom sistematske primene tih strategija u
toku igre. Rešavanje matričnih igara može se podeliti na:
1) Rešavanje prostih matričnih igara
2) Rešavanje mešovitih matričnih igara
59
5.1.Prosta matrična igra
Matrica plaćanja A=[aij], i=1,2,...,m; j=1,2,...,n, za sve moguće parove va-

rijanti oba igrača data je u tabeli 30:
Tabela 30.Matrica plaćanja
j II igrač
i
i b1 b2 ... bn
a1 a11 a12 ... a1n 
I a2 a21 a22 ... a2n 
igrač ... .... ... ... ... 
am am1 am2 ... amn m
j    n V
Rešenjem proste matrične igre dobijaju se čiste optimalne strategije. Svaki
igrač ima onoliko čistih strategija koliko ima sopstvenih varijanti delovanja u igri.
Za određivanje optimalne čiste strategije koristi se princip minimaksa (Borel-
Nojman-ov kriterijum):
• prvi igrač određuje donju vrednost cele igre:  = max  i = max min aij što
i i j
predstavlja njegov sigurni dobitak i njega drugi igrač ne može da izbegne,

• drugi igrač određuje gornju vrednost igre:  = min
j
 j = min max aij što pred-
j i
stavlja njegov najveći gubitak, odnosno dobitak prvog igrača,

• ako su donja i gornja vrednost igre jednake  = , odnosno ako je:
min max aij = max min aij ,
j i i j
takva se igra naziva "prosta igra" i u tom slučaju postoji element ars takav da je
==ars koji se naziva sedlo ili sedlasta tačka.
U igri sa sedlom optimalne strategije su r - za prvog igrača i s - za drugog
igrača, a vrednost igre je
V=C(ar,bs) = ars.
5.2.Mešovite matrične igre

U slučaju kada je    igra nema sedlo, pa se radi o mešovitoj matričnoj
igri. Teorema minimaksa za igre bez sedla je:
min max aij  max min aij
j i i j
Rešenjem mešovite matrične igre dobijaju se mešovite optimalne strategije

koje obezbeđuju najbolji očekivani ishod igre. Mešovita strategija je definisana
60
raspodelom fiksnih verovatnoća pomoću kojih se vrši slučajni izbor raspoloživih
čistih strategija u igri koja se ponavlja.
Mešovita strategija prvog igrača koji raspolaže sa m čistih strategija je m-
komponentni vektor
P = (p1,p2,...,pm).
Mešovita strategija drugog igrača je
Q = (q1,q2,...,qn).
Vrednost igre definisana je izrazom:
m n
V = C ( P, Q) =   pi q j aij .
i =1 j =1
5.2.1.Mešovita matrična igra 2 x 2

Mešovita matrična igra 2x2 je igra u kojoj svakom igraču na raspolaganju
stoje po dve čiste strategije, a igra nema sedlo. Verovatnoće preduzimanja po-
jedinih strategija veće su od 0 (p1,p2,q1,q2 > 0).
5.2.2.Mešovita matrična igra m x 2
Matrične igre kod kojih igraču A stoji na raspolaganju m čistih strategija, a
igraču B samo dve, mogu se rešavati grafički svođenjem na matricu 2x2.
Primer:
Matrica plaćanja za antagonističku igru data je u narednoj tabeli. Elementi
matrice definišu dobit igrača A. Potrebno je odrediti optimalne strategije oba
igrača i vrednost matrične igre (tabela 31).
Tabela 31.Matrica plaćanja za antagonističku igru
j B
i
i A1 A2
A1 4 3 3
A2 2 4 2
A
A3 0 5 0
A4 -1 6 -1
j 4 6
Rešenje:
Na poznati način se određuje  = 3 i  = 4. Kako je   , igra nije potpuno
određena i rešenje se nalazi u domenu mešovitih strategija. Vrednost igre je u
granicama: 3 ≤V  4.
61
Prvi igrač nastoji da za, bilo koju čistu strategiju protivnika, primenom
svoje mešovite strategije ostvari dobitak veći ili jednak vrednost igre. Drugi igrač
nastoji da za, bilo koju čistu strategiju prvog igrača, primenom svoje mešovite
strategije izgubi manje ili jednako vrednosti igre. Na osnovu toga moguće je na-
pisati sistem nejednačina:
4 p1 + 2 p 2 − p 4  V
3 p1 + 4 p 2 + 5 p 3 + 6 p 4  V
4q1 + 3q 2  V
2q1 + 4q 2  V
5q 2  V
− q1 + 6q 2  V
Poznato je sledeće:
p1 + p2 + p3 + p4 = 1
q1 + q2 = 1
Primenom izraza q1 = 1 - q2 pripremaju se očekivani gubici drugog igrača

za grafičko prikazivanje: 4 − q2  V
2 + 2q2  V
5q 2  V
− 1 + 7q 2  V
Sistem nejednačina svodi se na sistem jednačina i prikazuje grafički

(slika 5):
V
-1+7q2=V
P
5q2=V
2+2q2=V
M
4
N
2 4-q2=V
-1 0 5/8 1 4 q2
Slika 5.Očekivani gubitak drugog igrača
Igrač B, budući da teži minimizaciji maksimalnog gubitka, traži minimum

funkcije
62
f (q2 ) = max{4 − q2 ,2 + 2q2 ,5q2 ,−1 + 7q2 }
q2
definisane na intervalu 0 ≤ q2 ≤ 1. Minimum date funkcije nalazi se u tački N koja

leži na preseku pravih
4 - q2, i -1 + 7q2.
Koordinate tačke N su (5/8, 27/8) pa je:
q2* = 5/8 i V* = 27/8.
Vektor optimalne me{ovite strategije igraća B je:
Q* = (3/8,5/8).
Za određivanje optimalne mešovite strategije prvog igrača koristi se
sledeća tvrdnja:
- ako je p1a1 j + p2 a2 j + ... + pm xmj  V tada je qj = 0 i
- ako je q1ai1 + q2 ai 2 + ... + qm xin  V tada je pi = 0.
Gubici igrača B za pojedine čiste strategije igrača A:
5 27
p1 : 4 − = =V
8 8
5 26
p2 : 2 + 2  = V
8 8
5 25
p3 : 5  = V
8 8
5 27
p4 : −1+ 7  = =V
8 8
Na osnovu navedene tvrdnje sledi da je p2 = p3 = 0. Sasvim je logično da
prvi igrač ne primeni svoje čiste strategije p2 i p3 jer u slučaju njihove primene
drugi igrač ostvaruje gubitak manji od vrednosti igre što je za prvog igrača nepo-
voljno. Početna matrica plaćanja svedena je na formu 2 x 2 i data je u tabeli 32:
Tabela 32. Početna matrica plaćanja
j B
i A1 A2
A1 4 3
A
A4 -1 6
Optimalna mešovita strategija igrača A dobija se rešenjem sistema

nejednačina:
27
4 p1 − p 4 
8
27
3 p1 + 6 p 4 
8
63
Optimalna mešovita strategija igrača A je:
P* = (7/8,1/8).
5.2.3.Mešovita matrična igra 2 x n
Prvom igraču stoje na raspolaganju dve strategije, a drugi igrač raspolaže

sa n strategija. Ovakvi zadaci mogu se rešavati grafički svođenjem na matricu
2x2.
Primer:
Rešiti matričnu igru zadatu matricom plaćanja (tabela 33):
j igrač B
i
i B1 B2 B3 B4
A1 2 3 1 4 1
igrač A
A2 4 2 3 1 1
j 4 3 3 4
Rešenje: Vrednost igre nalazi se u granicama: 1=   V   =3.

Igra je neodređena i potrebno je odrediti mešovite strategije za oba igrača.
Na osnovu poznatih teorijskih osnova mešovitih matričnih igara mogu se napisati
sledeće nejednačine:
2 p1 + 4 p 2  V
3 p1 + 2 p 2  V
p1 + 3 p 2  V
4 p1 + p 2  V
2q1 + 3q2 + q3 + 4q4  V
4q1 + 2q2 + 3q3 + q4  V
Primenom poznatog izraza p2 = 1-p1 svode se očekivane vrednosti dobiti

prvog igrača, za pojedine čiste strategije drugog igrača, na oblik pogodan za
grafičko prikazivanje:
4 − 2 p1  V
2 + p1  V
3 − 2 p1  V
1 + 3 p1  V
Grafički prikaz očekivanih vrednosti dobiti prvog igrača (A) dat je na

slici 6.
64
Igrač A nastoji da maksimizira minimalnu dobit te stoga traži maksimum
funkcije
f ( p1 ) = min{4 − 2 p1 ,2 + p1 ,3 − 2 p1 ,1 + 3 p1}
definisane na intervalu [0,1]. Maksimum date funkcije nalazi se u tački N koja leži
na preseku pravih 3-2p1 i 1+3p1.
V
1+3p1=V
4-2p1=V
4
2+p1=V
3-2p1=V
3
N
2
1 M P
0 0.4 1 2 p1
Slika 6. Grafikon očekivane dobiti prvog igrača
Apcisa tačke N predstavlja vrednost verovatnoće p1 = 0.4, a ordinata taćke

N je vrednost igre V = 2.2.
Optimalna mešovita strategija prvog igrača je P* = (0.4,0.6).
Očekivane vrednosti dobiti igrača A za pojedine čiste strategije igrača B:
q1 : 4 − 2  0.4 = 3.2  V
q 2 : 2 + 0.4 = 2.4  V
q 3 : 3 − 2  0.4 = 2.2 = V
q 4 : 1 + 3  0.4 = 2.2 = V
Jasno je da igrač B neće primenjivati svoje čiste strategije q1 i q2 jer bi time

omogućio igraču A dobit veću od vrednosti igre, što je sa njegove tačke gledišta
nepovoljno. Sledi da je q1 = q2 = 0. Početna matrica plaćanja svodi se na matricu
plaćanja formata 2x2 (tabela 34):
j igrač B
i B3 B4
A1 1 4
igrač A
A2 3 1
65
Optimalna mešovita strategija igrača B određuje se rešavanjem sistema
nejednačina:
q 3 + 4q 4  V
3q 3 + q 4  V
Optimalna mešovita strategija igrača B je: Q*=(0, 0, 0.6, 0.4).
5.2.4.Rešavanje matričnih igara redukcijom matrice cene
Može se pokazati da se u bilo kojoj igri reda 2xn i mx2 nikad ne može naći
više od dve korisne strategije za svakog igrača, dok se preostale strategije ne mogu
iskoristiti u optimalnoj mešovitoj strategiji. Zato se početna matrica plaćanja
može redukovati na jednostavniju i time uprostiti postupak. To se postiže od-
ređivanjem duplih i dominirajućih strategija.
Duple strategije su one strategije kod kojih je aij = akj, tj. svi elementi ma-
trice plaćanja datih strategija su jednaki. Tada se jedna strategija može zanemariti.
Dominantna strategija je ona koja je po svim elementima veća ili jednaka
od neke druge strategije: aij ≥ akj, za j=1,2,...,n, a postoji bar jedno j za koje je aij
strogo veće od akj. Strategija akj se zanemaruje.
Na sličan način se i za drugog igrača mogu definisati duple i dominantne
strategije i time smanjiti dimenzije matrice.
Primer: Igra dva igrača definisana je matricom plaćanja koja je data u

narednoj tabeli. Odrediti optimalne strategije i naći vrednost igre (tabela 35).

j II igrač
i B1 B2 B3 B4
A1 10 10 2 2
I A2 2 2 9 9
igrač A3 5 10 5 10
A4 4 2 4 2
Rešenje:
Definisana matrična igra je reda 4x4, pa je nužno izvršiti (ako je to
izvodljivo) redukciju matrice plaćanja. Analizom matrice plaćanja utvrđuje se da
ne postoje duple strategije ni za jednog igrača. Ako se posmatraju strategije prvog
igrača uočava se je strategija A4 dominirana od strategije A3, pa se strategiju A4
kao takva odbacuje (tabela 36):
66
j II igrač
i B1 B2 B3 B4
A1 10 10 2 2
I
A2 2 2 9 9
igrač
A3 5 10 5 10
Posmatrajući strategije drugog igrača uočava se da je strategija B1 domi-

nantna nad strategijom B2, a strategija B3 dominira nad strategiojm B4. Strategije
B2 i B4 se odbacuju. Početna matrica plaćanja svedena je na format 3x2
(tabela 37):
Tabela 37. Matrica plaćanja
j II igrač
i
i B1 B3
A1 10 2 2
I igrač A2 2 9 2
A3 5 5 5
j 10 9
Vrednost igre se nalazi u granicama 5 ≤ V ≤ 9.

Rešavanje igre započinje definisanjem sistema nejednačina:
10 p1 + 2 p 2 + 5 p3  V
2 p1 + 9 p 2 + 5 p3  V
10q1 + 2q3  V
2q1 + 9q3  V
5q1 + 5q3  V
Uvođenjem smene q3 = 1-q1 dobija se:

2 + 8q1  V
9 − 7 q1  V
5V
Sistem nejednačina se svodi na sistem jednačina i prikazuje grafički
(slika 7):
67
V
P 2+8q1=V
M
9
5=V
5
2
9-7q1=V
0 7/15 1 q1
Slika 7.Grafikon očekivanog gubitka drugog igrača

Igrač B nastoji da minimizira maksimalni gubitak pa se vrednost
verovatnoće i vrednost igre očitavaju sa grafika kao koordinate tačke N: q1* =
7/15 i V* = 86/15.
Optimalna mešovita strategija drugog igrača je: Q*= (7/15,0,8/15,0).
Očigledno je da igrač A neće koristiti svoju čistu strategiju p3, pa se opti-
malne mešovite strategije igrač A dobijaju rešenjem sistema nejednačina:
10 p1 + 2 p 2  V
2 p1 + 9 p 2  V
uz primenu poznate smene p1=1-p2.

Vektor mešovite optimalne strategije igrača A je: P* = (7/15,8/15,0,0).
5.2.5.Rešavanje matričnih igara m x n primenom linearnog

programiranja
gra dva lica sa nultom sumom, odnosno antagonistička igra tipa mxn,
egzaktno se može rešiti primenom algoritma simpleks metode iz linearnog pro-
gramiranja. Težnja prvog igrača da izborom mogućih stratergija osigura
maksimalni minimum kao dobitak i suprotna težnja drugog igrača da izgubi
najviše minimalni maksimum jeste po svojoj logici tipičan dualni problem linear-
nog programiranja.
Problem prvog igrača može se matematički zapisati u sledećem obliku:
- potrebno je pronaći vrednosti promenljivih xi=pi/V, i=1,...m, uz
ograničenja:
m
1) xi  0 za i 2)  aij xi  1 za j
i =1
68
m
1
pri čemu je funkcija cilja: (min) F =  x i = .
i =1 V
Problem drugog igrača zapisuje se na sledeći način:
- odrediti vrednost promenljivih yj=qj/V, j=1,...,n uz ograničenja:
n
1) y j  0 za j 2)  aij y j  1 za i
j =1
n
1
pri čemu funkcija cilja ima vrednost: (max) f =  y j = .
j =1 V
Rešavanjem pomoću simpleks tabele mogu se dobiti vrednosti za xi i yj.

Ako se rešava optimalna strategija I igrača vrednosti za xi očitavaju se iz baze i
vektora A0, a dualnih promenljivih iz vektora večtačkih promenljivih u redu Zj-cj.
5.2.6.Rešavanje matričnih igara iterativnom metodom
Iterativni postupak rešavanja matričnih igara reda mxn predstavlja simula-

ciju ponašanja igrača za vreme igre, pri njenom višekratnom ponavljanju.
Metodom se dobija vrednost igre sa željenom tačnošću, a optimalne strategije ve-
oma bliske stvarnim i dobre za praktičnu upotrebu. Postupak rešavanja matričnih
igara iterativnom metodom sastoji se u sledećem:
1. Pronađu se najmanji elementi u svakom redu matrice, zvezdicom se označi
red koji ima najveći od svih minimalnih elemenata i taj se red ispiše se
ispod polazne matrice.
2. U izdvojenom redu pronađe se najmanji elemenat i označi se zvezdicom, a
pripadajuća kolona polazne matrice se izdvoji i napiše sa desne strane po-
lazne matrice kao prva kolona.
3. U izdvojenoj koloni zvezdicom se obeleži najveći elemenat, a elementi pri-
padajućeg reda polazne matrice saberu se sa elementima predhodno izdvo-
jenog reda i dobijene sume ispišu ispod predhodno izdvojenog reda.
4. Ispituju se elementi novog reda, najmanji se označi sa zvezdicom, a pripa-
dajuća kolona polazne matrice sabere se sa elementima predhodno izdvo-
jene kolone i dobijene vrednosti ispišu se kao nova kolona.
5. Ispituju se elementi nove kolone, najveći se označi zvezdicom, a elementi
pripadajućeg reda polazne matrice saberu se sa elementima predhodno
dobijene sume redova i dobijene vrednosti se ispišu kao novi red.
6. U novom redu najmanji elemenat se označi zvezdicom, a elementi pripa-
dajuće kolone polazne matrice saberu se sa elementima predhodno dobijene
sume kolona i dobijene vrednosti ispišu kao nova kolona.
69
Postupak se zatim nastavlja ispitivanjem nove kolone nakon čega se, na već
opisan način, formira novi red a zatim se ispituju elementi novog reda. Postupak
se ponavlja do dobijanja vrednosti igre sa željenom tačnošću. Sa vT označi se vred-
nost proizvoda 1/T sa najmanjim elementom u T-tom dodatom redu, a sa wS vred-
nost proizvoda 1/S sa najvećim elementom u S-toj dodatoj koloni. T označava broj
dodatog reda, a time i broj iteracija, a S označava broj dodate kolone, odnosno
broj iteracija.
Vrednost igre V je:
vT ≤ V ≤ wS.
Posle N koraka sledi:
maxvT ≤ V ≤ minwS; T ≤ N, S ≤ N.
Postupak se završava kada je razlika između vrednosti minwS i maxvT
postane prihvatljivo mala.
Ilustracija utvrđivanja mešovitih strategija oba igrača, kao i vrednosti igre
prema iterativnom postupku je sledeći:
1. Sa ai(S) se označi broj zvezdica u prvih S dodatih kolona, gde je i=1,...,m.
Pri tome se računa prva zvezdica i zvezdice u kolonama 1,2,..S-1. Tada vektor PS
sa komponentama pSi = 1/Sai(S) predstavlja mešovitu strategiju za prvog igrača.
Ona mu garantuje vrednost dobitka najmanje vT.
2. Vrednost igre za prvog igrača vT izračunava se u dodatim redovima po-
delom najmanje vrednosti u T-tom dodatom redu sa samim korakom T.
3. Sa bj(T) se označi broj zvezdica u prvih T dodatih redova, gde je j=1,..,n.
Vektor QT sa komponentama qTj = 1/Tbj(T) predstavlja mešovitu strategiju za dru-
gog igrača. Ona mu garantuje gubitak od najviše wS.
4. Vrednost igre za drugog igrača wS se dobija kada se podeli najveći ele-
menat u S-toj dodatoj koloni sa samim korakom S.
6.TEHNIKA MREŽNOG PLANIRANJA
Tehnika mrežnog planiranja predstavlja jedno od takvih dostignuća

moderne organizacije rada, koja omogućava daleko elastičnije, sigurnije i
operativnije planiranje, vođenje projekata različite namene u oblasti privrede,
nauke, vojne organizacije i drugih društvenih delatnosti. Oblasti primene ove
naučne metode neprestano se proširuju, u skladu sa povećanjem njenih
mogućnosti i proširivanjem pitanja koje obuhvata. Tome je doprineo i razvoj
računarske tehnike (hardverski i softverski). Kombinacijom svojstava postupaka
i principima upravljanja složenim organizacijskim sistemima, omogućeno je
sistematsko i efikasno upravljanje svim resursima koji su bitni za izvršenje nekog
složenog projekta.
70
Ova tehnika se prikazuje pomoću mrežnog grafa ili mrežnog plana koji se
sastoji od sledećih faza:
a) faze formiranja mrežnog dijagrama kao grafičkog prikaza strukture
projekta i logičke međuzavisnosti unutar njega, tj. faze analize trukture, i
b) faze uvođenja vremenske dimenzije i preračunavanja svih potrebnih
vremenskih parametara, faze analize vremena.
6.1.Metode tehnike mrežnog planiranja
Krajem pedesetih godina istovremeno su razvijene dve slične metode
mrežnog planiranja u SAD, koje i danas imaju najširu primenu u praksi.
- 1957.godine razvijena je Metoda kritičnog puta – CPM
- 1958.godine razvijena je Tehnika procene i revizije programa – PERT
U toku 1957.godine koncipiran je sistem planiranja radova na održavanju i
generanom remontu u hemijskoj (procesnoj) industriji. Taj je metod nazvan CPM
i tom prilikom je prvi put primenjena ideja da se proračun vremena odvoji od
analize strukture projekta, odnosno konstrukcije mrežnog plana.
Metodu PERT je razradila istraživačka grupa američke mornarice koja je
radila na projektu izgradnje raketnog sistema Polaris. Ova metoda maksimlno
koristi račun verovatnoće i matematičku statistiku u određivanju vremena trajanja
pojedinih operacija i ostalih parametara mreže.
6.2.Prednosti tehnike mrežnog planiranja
Tehnika mrežnog planiranja je prvenstveno namenjena podizanju kvaliteta
upravljanja i rukovođenja, i to tim značajnije što je nivo upravljanja i rukovođenja
viši. Mrežni plan rasterećuje rukovodioca rutinskih poslova, ostavljajući mu
prostor za analizu u fazi primene, a u fazi izvršenja omogućuje mu donošenje
optimalnih odluka i celishodno intervenisanje.
Mrežni plan omogućuje efikasno planiranje i vođenje procesa, odnosno
omogućuje da se:
1) utvrdi celokupni tok planiranog projekta i definišu sve njegove faze i
poslovi;
2) prikaže celokupna struktura projekta pogodnim mrežnim grafom, u
kome su jednoznačno predstavljeni logički tok i međusobna zavisnost
pojedinih poslova i delove projekta;
3) procene ili izračunaju vremena trajanja svih aktivnosti i odrede termini
i ostali vremenski parametri čitave mreže;
4) utvrdi kritični put, odnosno vremenski najopterećeniji deo projekta;
5) obavi pravovremena analiza i korekcija mrežnog plana, radi optimi-
zacije svih bitnih faktora projekta: rokova, kapaciteta i troškova;
71
6) rutinski proračuni osnovnog i korigovanih mrežnih dijagrama koji su u
toku realizacije obave pomoću računara.
Od takvog mrežnog plana mogu se izvući sledeće koristi:
a) omogućeno je integralno obuhvatanje svih relevantnih činilaca projekta
jedinstvenim mrežnim dijagramom;
b) na osnovu odabranih informacija obavlja se analiza strukture, a uz
pomoć proračuna vremena i troškova, stiče se uvid u angažovanost ka-
paciteta radne snage i mašina, visinu troškova i termine realizacije pro-
jekta po fazama i u celini;
c) prati se izvršenje samo kritičnih aktivnosti, a prema potrebi može se
brzo i efikasno delovati u smislu korekcije plana, preračunavanjem
novih parmetara putem mašinske obrade podataka.
6.3.Izrada mrežnog plana u TMP
Izrada mrežnog plana u TMP obuhvata sledeće faze:
a) faza analize strukture je faza formiranja mrežnog dijagranma kao
grafičkog prikaza strukture projekta i logičke međuzavisnosti njegovih
elemenata i
b) faza analize vremena kao faza uvođenja vremenske dimenzije i pre-
računavanja svih potrebnih vremenskih parametara
6.3.1.Analiza strukture u TMP
Analiza strukture predstavlja prvu i osnovnu fazu u mrežnom planiranju,
faza u kojoj se uz pomoć određene i jednostavne tehnike prikazivanja simuliraju
stvarni tok procesa i izrađuje adekvatni mrežni dijagram ili mrežni plan.
6.3.1.1.Osnovni elementi mrežnog dijagrama
Osnovni lementi mrežnog dijagrama su: projekat, aktivnost i događaj.
Pod projektom u TMP podrazumevamo sve one delatnosti, akcije i zadatke
koje želimo planirati i pratiti u toku realizacije pomoću ove tehnike. Projekat se
po pravilu prikazuje jednim mrežnim dijagramom, Ovaj element mora biti
konačan, što znači da mora imati početak i kraj koji je definisan.
Svaka parcijalna delatnost koja zahteva vreme za izvršenje naziva se
aktivnost. Prikazuje se orijentisanom duži. U mrežnom dijagramu postoje veze
koje ne predstavljaju nikakvu delatnost, već samo prikazuju međuzavisnosti
aktivnosti. To su tzv. prividne aktivnosti; njihovo trajanje je jednako nuli i
prikazuje se crtkano.
Događaj je vremenski trenutak početak ili završetka jedne ili više aktivnosti,
ili projekta kao celine. Događaj se predstavlja kružićem ili nekom drugom
zatvorenom figurom. Svakoj aktivnosti pripada jedn početni i jedan završni
događaj.
72
6.3.1.2.Oblici grafičkog prikazivanja u TMP
Načelno postoje dva osnovna načina prikazivanja aktivnosti u mrežnim
dijagramima. U metodama PERT i CPM aktivnost se prikazuje kao orijentisana
duž. Svakoj aktivnosti u tom prikazu pripadaju početni i završni događaj projekta
koji se prikazuju kružićima. Kružić događaja je podeljen na tri polja. Gornja
polovina kružića koristi se za unošenje broja događaja, a u donju polovinu
smeštaju se respektivno: najmanje vreme događaja T E i najkasnije vreme
događaja. TL
Iznad duži unosi se kratak opis aktivnosti, a ispod trjanje aktivnosti u

odabranim terminskim jedinicama.
6.3.1.3.Pravila oblikovanja mrežnih dijagrama
Da bi mrežni dijagram bio jednoznačno definisan i predstavljao adekvatnu
sliku stvarnog toka procesa i logičkih međuzavisnosti njegovih pojedinih faza,
moramo se prilikom oblikovanja mreže striktno pridržavati određenih pravila.
1.pravilo
Svaka aktivnost mora otpočeti i završiti određenim događajem
2.pravilo
Ako neka aktivnost ne može započeti pre nego što se završi neka druga
aktivnost, onda se one moraju postaviti po redosledu odvijanja. Pri tome, završni
događaj prethodne aktivnosti će biti istovremeno početni događaj naredne
aktivnosti.
73
3.pravilo
Ako je početak neke aktivnosti uslovljen prethodnim završetkom većeg
broja aktivnosti, onda se sve one moraju završiti u početnom događaju posmatrane
aktivnosti.
Dok se aktivnosti A i B ne završe, ne može otpočeti aktivnost C ili,

C zavisi od A i B.
4.pravilo
Ako veći broj aktivnosti može otpočeti nakon što je prethodna aktivnost
završena, onda sve one počinju u završnom događaju prethodne aktivnosti.
5.pravilo
Ako dve ili više aktivnosti imaju zajednički početni i završni događaj, mora
se obezbediti jednoznačno označavanje uvođenjem prividnih aktivnosti.
Prividna aktivnost označava se isprekidanom duži, ona ne predstavlja
nikakvu stvarnu delatnost, već je sredstvo za predstavljanje uzajamnih veza u
mreži. U stvari, sa prividnom aktivnošću postupa se kao i sa svakom drugom,
samo se ona posmatra kao aktivnost čije je vremensko trajanje nula.
Jedna i druga aktivnost označene su sa 12-14.

Uvođenjem prividne aktivnosti S i novog događaja, osigurana je
jednoznačnost označavanja aktivnosti B (14-16) i C (12-16)
74
6.pravilo
Ako u nekom događaju u mreži završava i otpočinje veći broj aktivnosti,
onda je potrebno proveriti da li je osigurana zahtevana međuzavisnost.
Primer:
Imamo 4 aktivnosti sa zajedničkim događajem (br.3). Pretpostavka je da
aktivnost B zavisi i od A i od C, ali aktivnost D zavisi samo od aktivnosti C.
Uvođenjem prividne aktivnosti, uspeli smo da obezbedimo zavisnost aktivnosti B
od C i A, a aktivnost D samo od C, kako je to postavljeno zadatkom.
Napr. zamena točka na vozilu rezervnim točkom.

Montaža rezervnog točka zaisi od skidanja neispravnog i
pripreme rezervnog, dok opravka rezervnog točka ne zavisi
od pripreme rezervnog točka.
7.pravilo
U niz aktivnosti može se uključiti proizvoljni broj prividnih aktivnosti.
Ovo pravilo omogućuje da se mrežni dijagram rastavlja na podmreže.
8.pravilo
Ako neka aktivnost može započeti nakon završetka jednog dela prethodne
aktivnosti, onda se ta prethodna aktivnost mora podeliti na dve delimične
aktivnosti.
Naznačili smo da bi aktivnost B mogla otpočeti već nakon određenog
napredovanja radova iz aktivnosti A. To je u praksi vrlo često slučaj i tako se
mogu znatno ubrzati radovi. Kako to predstaviti?
75
Morali smo aktivnost A podeliti na 2 delimične aktivnosti – A1 i A2 i time
je aktivnost B definisana jednoznačno kao aktivnost (2-4). Ako je, pak, i aktivnost
B zavisna od završetka delimične aktivnosti A2 (recimo da je B sledeća operacija
na nekim delovima), onda moramo i aktivnost B podeliti, a drugi deo aktivnosti
B usloviti završetkom aktivnosti A2.
9.pravilo
Jedna aktivnost može se samo jedanput vremenski odigrati, što znači da se
u mrežnom dijagarmu ne smeju pojavljivati petlje (ciklusi). Ako posle aktivnosti
B i C nije dopušteno da se to označi vezom koja se vraća u već ostvareno stanje,
već da se te aktivnosti ponovo prikažu onoliko puta koliko se u stvarnosti
ponavljaju.
Primena ovih devet pravila omogućuje da se svaki projekat, čije aktivnosti

i njihovu međuzavisnot poznajemo, prikaže jezikom TMP.
6.3.1.4.Postupak u analizi strukture projekta

Analiza strukture izvodi se u tri koraka: izrada liste aktivnosti; analiza
međuzavisnosti i oblikovanje mrežnog dijagrama i numerisanje mrežnog
dijagrama.
Izrada liste aktivnosti
Prvi korak u izradi mrežnog dijagrama je izrada liste aktivnosti, odnosno
utvrđivanjesvih potrebnih elemenata za čije je izvršenje potrebno o0dređeno
vreme. S obzirom na to da je lista aktivnosti baza mrežnog dijagrama, mora biti
savesno izrađena i mora zahvatiti sv relevantne delatnosti, bez obzira na dužinu
njihovog trajanja.
Najsigurniju listu aktivnosti izrađuje tim stručnjaka koji najbolje poznaju
radni zadatak (tabela 38).
76
Tabela 38. Obrazac za listu aktivnosti u projektu
LISTA AKTIVNOSTI ZA PROJEKAT
Oznaka Opis aktivno- Odgovorni Vreme
i j
aktivnosti sti organ trajanja
Jedna aktivnost može obuhvatati veći ili manji broj radnih delatnosti, što
zavisi od toga da li želimo grublji ili detaljniji mrežni dijagram. U vezi s tim, bitno
je da lista aktivnosti bude potpuna, tj. da budu obuhvaćene sve delatnosti koje je
neophodno izvršiti da bi se realizovali ciljevi postavljeni projektnim zadatkom.
Redosled aktivnosti nije bitan.
U fazi formiranja baze aktivnosti, popunjavaju se samo kolone 3,4,5,a
kolone 1,2 i 6 kasnije.
Analiza međuzavisnosti i oblikovanje mrežnog dijagrama
U ovoj fazi treba utvrditi redosled i međuzavisnosti aktivnosti, i prikazati ih
grafički. To se postiže analizom svih aktivnosti iz liste, utvrđujući redom za svaku
aktivnost koje aktivnosti joj neposredno prethode. Odnosno koje joj neposredno
slede. Da bismo pojednostavili postupak analize liste aktivnosti i utvrđivanja
redosleda aktivnosti, koristimo se tzv. matricom međuzavisnosti. To je tabela u
kojoj su sve Aktivnosti predstavljene preko svojih oznaka, jednom u prvom redu
i jednom u prvoj koloni.
Aktivnosti u prvom redu tretiramo kao posmatrane, a u prvoj koloni kao
prethodne. Kada smo oformili tabelu, pristupamo analizi liste aktivnosti,
ispitujući redom za svaku aktivnost iz reda posmatranih aktivnosti koja joj
aktivnost iz kolone prethodnih aktivnosti neposredno prethodi. U odgovarajuća
polja unosimo oznaku x (puta). Kada smo sastavili kompletnu međuzavisnost,
pristupamo crtanju mrežnog dijagrama, idući redom po aktivnostima iz prvog
reda i crtajući ih neposredno nakon završnog događaja aktivnosti koje im
prethode. Ovde je dat jedan primer matrice međuzavisnosti i mrežnog dijagrama
dobijenog pomoću date matrice (slika 8). Pretpostavljamo da smo matricu dobili
analizom pripadajuće liste aktivnosti.
77
Tabela 39. Matrica međuzavisnosti u projeku
Posmatrane aktivnosti
A B C D E F G H I J K L M N O P Q R S T
A X X X X
B X X X
C X X
D X X
E X X X
F X X X X X
G X X
H X
I X X
J X
K X X X
L X
M X
N X
O
P
Q
R X
S
T
Slika 8.Primer matrice međuzavisnosti i odgovarajućg mržnog dijagrama

Numerisanje mrežnog dijagrama
Nakon izrade mrežnog dijagrama, pristupa se označavanju događaja
prirodnim brojevima – numerisanju događaja u mreži. Numerisanje može biti
proizvoljno i rastuće.
Proizvoljno numerisanje znači da se događajima proizvoljno dodeljuju
prirodni brojevi od 1 do n. Takvo numerisanje se retko koristi, jer ima niz
78
nedostataka: otežava ručnu obradu u anlizi vremena, ne otkriva petlje u mreži
(vraćnje aktivnosti na već jednom dostignuto stanje – događaje), nepregledno je.
Rastuće numerisanje obezbeđuje da broj početnog dogđaja u aktivnosti bude
uvk manji od broja završnog događaja iste aktivnosti, tj. (i<j). To se postiže
primenom sledećih pravila (Fulkersona):
1) najpre se početni događaj projekta obeleži najnižim prirodnim brojem
iz usvojenog niza za numerisanje (npr: 0 ili 1), a sve aktivnosti koje
polaze od ovog događaja precrtaju se pri kraju (sl.3).
2) sasledećim većim brojem obeležavaju se samo oni događaji čije su sve
ulazne aktivnosti precrtane pri svom kraju. Ukoliko dva i više događaja
zadovoljavaju uslove numerisanja u istom koraku, mogu se numerisati
po proizvoljnom redosledu, ili dajući prednost događajima odozgo-na-
niž i sleva-udesno.
3) U narednom koraku (nakon numerisanaj događaja koji su zadovoljvali
uslov iz prethodnog koraka) precrtavaju se, pri svojim karjevima, sve
one aktivnosti koje poalze iz novonumerisanih događaja.
4) Zatim se koraci 2) i 3) ponavljaju, dok se cela mreža ne numeriše
(mrežni dijagram na slici 3, numeerisan je prema gornjim pravilima)
Nakon numerisanja mrežnog dijagrama, unesu se oznake početnih i
završnih događaja aktivnosti u listu aktivnosti (kolona 1 i 2 liste aktivnosti), a u
adljem postupku aktivnosti se označavaju (nazivaju) samo preko brojeva svojih
početnih i završnih događaja. Numerisanjem mrežnog događaja završena je
analiza strukture i dobijen je grafički model toka projekta.
Pri doslednom izvođenju rastućeg numerisanja po praviliam Fulkersona, u
mrežnom dijagramu može se utvrditi postojanje petlje. Ako se u nekom koraku,
nakon što su pri kraju precrtane sve aktivnosti koje su u prethodnom koraku
numerisane, ne nađe ni jedan događaj u kome se završavaju samo precrtane
strelice, onda ne možemo nastaviti sa numerisanjem. To ej ujedno znak da se na
tom mestu nalazi petlja, koju možemo korigovati.
6.3.2.Analiza vremena sa trajanjem aktivnosti kao determinističkim

veličinama u TMP
Kada je završeno oblikovanje toka odvijanja projekta, pristupa se uvođenju
vremenske razmere i proračunavanju vremenskih termina i rokova. Prvi korak u
analizi vremena je je procena trajanja aktivnosti. To je, ujedno, trenutak izbora
jednog od dva moguća postupka vremena:
a/ CPM, ako su trajanja aktivnosti po svojoj prirodi determinističke veličine;
b/ PERT, ako su trajanja aktivnosti po svojoj prirodi stohastičke veličine.
79
6.3.2.1.Procena vremena trajanja aktivnosti prema CPM
Da bi se mogao razraditi vremenski plan – termini i rokovi za sve aktivnosti
projekta, mora se najpre izvršiti procena trajanja aktivnosti.
Procena trajanja aktivnosti prema CPM-u, znači da je pretpostavka da su
trajanja aktivnosti determinističke veličine (čas, dan, nedelja).
Orijentaciono se uzima da donja granica pri izboru vremenske jedinice treba
da bude približno 3 promila od ukupnog trajanja projekta. Jednom odabrana
vremenska jedinica (u TPM se zove vremenska jedinica) ostaje nepromenjena
kroz celi mrežni dijagram.
Najranija i najkasnija vremena događaja
Svaki projekat obuhvata početni događaj projekta (i o) i završni događaj
projekta (in), a svaki događaj projekta se karakteriše se najranijim vremenom
događaja, odnosno najranijim vremenom nastupanja TE(i) i najkasnijim
vremenom nastupanja TL (i) nekog događaja.
Najranije vreme nastupanja događaja i - TE (i).
Najranije vreme nastupnja nekog događaja podrazumeva da događaj (i)
ne može nastupiti pre nego što se ne realizuju sve aktivnosti koje neposredno
prethode tom događaju.
Za početni događaj projekta (io) i završni događaj projekta (in) sledi da
vrednosti njihovih najranijih vremena mogu biti samo respektivno:
a) TE (i0) = 0, jer početnom događaju projekta ne prethodi ni jedna
aktivnost
b) TE (in) = tkr, jer se završni događaj projekta ne može realizovati
dok se ne ostvari kritični put projekta, kao najduži put koji pret-
hodi tom događaju
Najkasnije vreme nastupanja događaja – TL (i).
Najkasnije vreme nekog događaja TL (i) je najkasniji dozvoljeni trenutak za
realizaciju nekog događaja koji neće prouzrokovati produženje krajnjeg termina
završetka nekog projekta.
Jasno je da je za završni događaj projekta najkasnije vreme nastupanja
upravo po isteku kritičnog puta u mrežnom dijagramu, odnosno: T L(in)=tkr.
S obzirom na to da je i najranije vreme završnog događaja jednako kitičnom
putu, sledi da je: TE (in)=TL (in)
Najkasnije vreme nekog događaja treba tako odrediti da preostane dovoljno
vremena da se svi putevi koji slede nakon tog događaja mogu završiti do
najkasnijeg vremena završnog događaja projekta.
80
Najkasnije vreme događaja može se izračunati kao razlika između vrednosti
kritičnog puta mrežnog dijagrama i maksimalnog puta koji sledi za tim
događajem.
6.3.2.2. Najraniji i najkasniji termini početka i završetka aktivnosti
Svaka aktivnost u dijagramu karakteriše se sa četiri standardna termina.
a) Najraniji početak aktivnosti (ij): ti(0) (ij)
b) Najkasniji početak aktivnosti (ij): ti(1) (ij)
c) Najraniji završetak aktivnosti (ij): tj(0) (ij)
d) Najkasniji završetak aktivnosti (ij): tj(1) (ij)
Ta četiri standardna termina aktivnosti proračuna uz pomoć informacija
koje nam pružaju: matrica najranijih vremena događaja; matrica najkasnijih
vremena događaja i matrica očekivanih trajanja aktivnosti.
Najraniji početak aktivnosti (ij): ti(0) (ij) (1)
Aktivnost (ij) može najranije otpočeti kada se završe sve aktivnosti koje joj
neposredno prethode. Otuda sledi da je najraniji početak aktivnosti jednak
najranijem vremenu početnog događaj za tu aktivnost:
ti (0) (ij) = TE (i)
Najraniji završetak aktivnosti (ij): ti(1) (ij) (2)
Najraniji završetak bilo koje aktivnosti može se lako odrediti kada
poznajemo njen najraniji početak na taj način što zbrojimo vrednosti najranijeg
početka i trajanja aktivnosti
tj (0) (ij) = ti(0)(ij) + t (ij)
Najkasniji završetak aktivnosti (ij): tj(0) (ij) (3)
Najkasniji završetak aktivnost (ij) definisan je najkasnijim vremenom
završnog događaja posmatrane aktivnosti. Sve te aktivnosti koje ulaze u neki
događaj ’’j’’ imaju jednake najkasnije završetke i identične su najkasnijem
vremenu tog događaja, tj.
tj (1) (ij) = TL (i)
Najkasniji početak aktivnosti (ij): ti(1) (ij) (4)
Najkasniji početak aktivnosti dobija se kada se od najkasnijeg završetka
aktivnosti oduzme trajanje posmatrane aktivnosti, tj.
ti(1) (ij) = tj(1)(ij) - t (ij)
Na slici 9. dat je grafički prikaz standardnih termina događaja i aktivnosti.
81
Slika 9. Mogući položaji aktivnosti (ij) unutar intervala TL(j) – TE(i)
6.3.2.3.Vremenske rezerve događaja Sd (j)
Vremenska rezerva događaja u mrežnom dijagramu predstavlja razliku
između najkasnijeg i najranijeg vremena tog događaja.
Sd(j) = TL(j) – TE(j)
Vremenska rezerva događaja ima značajnu ulogu pri razradi mrežnog
dijagrama i pri upravljanju realizacijom. Svojstva te vremenske rzerve date su u
sledećim dvema teoremama.
Teorema 1.
Neophodan i dovoljan uslov da vremenska rezerva događaja (j) bude jednak
nuli je da se taj događaj nalazi na kritičnom putu:
Sd (j) =0 <=> ALkr
Teorema 2.
Vrhunac maksimalnog puta koji prolazi kroz neki događaj ’’j’’ izračunava
se ko razlika kritičnog puta mrežnog dijagrama i vremenske rezerve tog
događaja:
t[Lm (i)] = tkr – Sd (i)
6.3.2.4.Vremenske rezerve aktivnosti
Za analizu mrežnog dijagram od posebnog je znčaja poznavanje vrednosti
vremenskih rezervi svake aktivnosti. Celishodnim korišćenjem tih vremenskih
rezervi u toku planiranja i realizacije nekog projekta, pruža se rukovodstvu
projekta priliksa da izvrši izbor najbolje alternative i da je sprovede na
najpovoljniji naćin.
82
Za svaku aktivnost mogu se proračunati četiri standardne vremenske
rezerve:
1) Ukupna vremenska rezerva St;
2) Slobodna vremenska rezerva unapred Ss;
3) Slobodna vremenska rezerva unatrag S' i
4) Nezavisna vremenska rezerva Sn
Na osnovu grafičkog prikaza vremenskih rezervi aktivnosti, može se uočiti
da je za svaku aktivnost proračunom unapred – unatrag definisan interval unutar
kojeg se ona mora realizovati. To je interval između najkasnijeg vremena njenog
završnog događaja TL(i) i najranijeg vremean njenog početnog događaja TE (j).
Što je veći interval u odnosu na vreme trajanja same aktivnosti, to je aktivnost
manje kritična, odnosno raspolaže s većim vremenskim rezervama koje
omogućuju određeno produženje njenog trajanja, a da to ne dovede do
prekoračenja zadatog konačnog termina projekta. Kada je taj interval jednak
trajanju posmatrane aktivnosti, onda aktivnost ne raspolaže vremenskim
rezervama i nazvaćemo je kritičnim putom.
Na slici 10. dat je grafički prikaz vremenskih rezervi nekritične aktivnosti
(ij), definisanih s obzirom na položaj posmatrane aktivnosti između najranijih i
najkasnijih termina svog početnog, odnosno završnog događaja.
Slika 10. Vremenske rezerve aktivnosti (ij)

1) Ukupna vremenska rezerva (St) predstavlja razliku između
najkasnijeg završetka aktivnosti tj(1)(ij) i najranijeg početka aktivnosti
ti(0)(ij). Stoga se ukupna vremenska rezerva St može predstaviti na dva
načina:
St(ij) = tj(1) – tj(1)(ij); i (5)
St = ti(1)(ij)-ti(o)(ij) (6)
83
Uz pomoć izraza (1), (2), (3) i (4), izrzi (5) i (6) se transformišu u
opšti izraz za izračunavanje ukupne vremenske rezerve:
St(ij) = TE(j) – TE(i) – t(ij)
2) Slobodna vremenska rezerva unapred (Ss) predstavlja razliku
između najranijeg vremena završnog događaja TE(j) i najranijeg završetka
posmatrane aktivnosti tj(1)(ij):
Ss(ij)=TL(ij) – tj(1)(ij) = TE(ij) – TE(i) – t(ij)
Slobodna vremenska rezerva unapred predstavlja rezervu vremena
koju možemo iskoristiti za produženje trajanja aktivnosti (ij), a da time ne
utičemo na vremenske rezerve aktivnosti koje joj slede, pod uslovom ad je
posmatrana aktivnost započela u najranijem početku.
3) Slobodna vremenska rezerva unatrag (S's) predstavlja razliku
između najaksnijeg početka posmatarne aktivnosti ti(1)(ij) i najkasnijeg
vremena početnog događaja TE(i) te aktivnosti:
S's(ij)=ti(1)(ij) – TL(ij) – t(ij)
Slobodna vremenska rezerva unatrag predstavlja rezervu vremena
koju možemo iskoristiti za produženje trajanja aktivnosti (ij), a da time ne
zahtevamo da se aktivnosti koje neposredno prethode moarju završiti pre
njihovog najkasnijeg završetka, odnosno pre najkasnijeg vremena početnog
događaja TL(i) posmatrane aktivnosti.
4) Nezavisna vremenska rezerva (Sn) predstavlja razliku između
najmanjeg vremena završnog događaja TE(i), najkasnijeg vremena
početnog događaja TL(i) i trajanja posmatrane aktivnosti:
Sn(ij) = TE(j) – TE(i) – t(ij)
6.3.2.5.Kritične aktivnosti
Kritične aktivnosti čine najmanje jedan kritični put u mrežnom
dijagramu i on prdstavlja najduži put između početnog i završnog događaja
projekta. Potreban i dovoljan uslov da neka aktivnost bude kritična jeste
ako je njena ukupna vremenska rezerva jednaka nuli.
St(ij) = 0 <=> (ij) є Lkr
S obzirom na to da aktivnost (i) pripada kritičnom putu, onda njen
početni događaj (i) i njen završni događaj (j) pripadaju skupu događaja
kritičnog puta. Za takve događaje vredi:
TE(i)=TL(ij), i TE(j)=TL(j)
Događaji čije je najranije vreme jednako najkasnijem, naziva se
kritičnim događajem. Možemo, dakle, izvući zaključak da se kritična
aktivnost uvek nalazi između dva kritična događaja. Međutim, to ne znači
84
da se svaka aktivnost čiji su početni i završni događaj kritični i sama
kritična. Dakle, aktivnost može imati ukupnu vremensku rezervu veću od
nul, iako se naalzi između dve kritična događaja.
Grafički prikaz kritične aktivnosti između najranijeg vremena
početnog i najkasnijeg vremena završnog događaja data je na slika 11.
TE(i) = TL(i); TE(j) = TL(j);
ti(0) (ij) = ti(1) (ij); tj(1) = tj(1)(ij);
Slika 11. Najraniji i najkasniji početak kritične aktivnosti
7.TEORIJA MASOVNOG OPSLUŽIVANJA
Teorija masovnog opsluživanja (TMO), najpre kao oblast teorije

verovatnoće, pojavila se u prvoj deceniji XX veka, zahvaljujući danskom
matematičaru A. K. Erlangu koji je u to vreme rešavao praktične zadatke
opsluživanja telefonskih abonenata. Potom dolazi do primene ove teorije na
razne ljudsjke delatnosti, kao što su: zdravstvo, vojne delatnosti, proizvodni
procesi, bankarstvo, promet, itd.
7.1.Pojam i cilj teorije masovnog opsluživanja
Teorija masovnog opsluživanja proučava procese u kojima se, s jedne
strane, razmatraju zahtevi za nekim opsluživanjem i, s druge strane, mogućnosti
zadovoljenja tih zahteva. Cilj TMO je razrada matematičkih metoda na osnovu
kojih može da se oceni efikasnost funkcionisanja sistema masovnog
opsluživanja (SMO).
Pod rešavanjem zadataka u TMO podrazumevamo određivanje
funkcionalnih veza između pokazatelja efektivnosti fnkcionisanja sistema
opsluživanja, kao što su verovatnoća opsluživanja zahteva ili potreba za
opsluživanjem, verovatnoća stajanja sredstava opsluživanja, s jedne strane, i
karakteristika toka zahteva za opsluživanjem, vremena njihovog opsluživanja,
kao i načina organizacije opsluživanja, s druge strane.
85
Primer: Rad velike morske luke
U takvu luku pristižu brodovi sa različitih luka sveta. Sve te brodove
potrebno je opslužiti, istovariti, utovariti, ssnabdeti gorrivom, hranom, izvršiti
potrebn remont i dr. Momenti nailaska brodova ne mogu se unapred odrediti, jer
na plovidbu velikih brodova deluje veliki broj slučajnih faktora. Sa ovim
slučajnim odstupanjima mora se računati prilikom planiranja rada luke.
Sistem masovnog opsluživanja obuhvata: ulazni potok korisnika i kanale
opsluživanja. Pod analizom SMO podrazumevamo: analizu ulaznog potoka
događaja, vremena čekanja korisnika u redu, vremena opsluživanja i izlazni
potok korisnika.
Potok događaja je takav niz događaja koji proizilaze jedan za drugim u
momentima vremena slučajno raspoređenim u posmatranom vremenskom
intervalu. Kao primeri za razumevanje ovog pojma mogu da posluže: potok
kamiona ka mestu istovara, potok pešaka ka tramvajskoj stanici, potok
telefonskih poziva preko automatske centrale, potok vozila prema naplatnoj
rampi i potok pacijenata prema ambulanti.
Prost potok događaja je Poissone-ov potok događaja koji poseduje osobine
ordinarnosti, odsustva posledica i stacionarnosti.
7.2.Osnovni pojmovi teorije masovnog opsluživanja
Osim raznolikosti sistema opsluživanja, koja se odnose na sferu

proizvodnje, opsluživanje ljudi i mašina, svi sistemi opsluživanja poseduju i
neka zajednička svojstva, kao što su: korisnik (klijent, zahtev) opsluživanja i
kanal opsluživanja (ili sredstvo opsluživanja).
a) Korisnik (klijent, zahtev)
Pod korisnikom podrazumevamo svaki zahtev za opsluživanjem, koji
potiče od proizvoljnog objekta, a takođe i sam objekat, nezavisno od toga šta on
predstavlja, jer nam je u analizi važno samo to da se kod tog objekta pojavila
potreba za opsluživanjem. Napr. korisnik je pacijent u ambulanti, brod koji je
pristigao u luku, avion koji želi da sleti ili poleti itd.). Analizom SMO
podrazumevamo: analizu ulaznog potoka događaja, vremena čekanja korisnika
u redu, vremena opsluživanja i izlazni potok korisnika.
b) Ulazni potok korisnika
Korisnici pristupaju na mesto opsluživanja u slučajne momente vremena.
Za većinu slučajeva možemo pretpostaviti ad su momenti nailaska pojedinih
korisnika nezavisni među sobom. Korisnici koji pristupaju na opsluživanje čine
ulazni potok korisnika.
86
c)Red
Ako ne mogu biti odmah opsluženi, korisnici obrazuju red (napr. redovi u
radnjama, na tramvajskim i autobuskim stanicama, red aviona iznad aerodroma
koji čekaju da se oslobode piste za sletanje, i dr).
d) Kanali za opsluživanje
Kanale opsluživanja čine tehnička sredstva ili personal koji obavljaju
opsluživanje (napr. pista na aerodromu; kolosek na železničkoj stanici, semafor
na raskrsnici, mehaničar u servisu, lekar u ambulanti itd.).
Mnogobrojni proračuni izvedeni pri rešavanju različitih zadataka TMO
pokazuju da se u većini slučajeva može dobiti zadovoljavajuće rešenje ako se
pretpostavci da su potoci korisnika Poisonovi. Otkuda to da se dolazak morskih
brodova u luku, aviona na aerodrome, tokovi automobile nap utu, telefonski
pozivi, i dr. skoro tačno pretpočinjavaju Poissonovom zakonu? Na ovo pitanje
odgovor je dao ruski matematičar A.J.Hinčin i njegovi sledbenici. Naime,
pokazalo se da ako se posmatra potok događaja kao zbir velikog broja nezavisnih
potoka, gde svaki sabirak pokazuje nesmetan uticaj na sumu, tada će sumarni
potok događaja biti Poissonov – eksponencionalna raspodela.
pn(t) = (λt)n/m! x e- λt slučajna raspodela vrlo retkih događaja
pn(t) = verovatnoća pojavljivanja (n) dolazaka u vremenskom
intervalu (t)
λ = intenzitet toka dolazaka
e = osnova prirodnog logaritma
e)Vreme opsluživanja
Vreme opsluživanja predstavlja osnovnu karakteristiku rada svakog
pojedinog kanala opsluživanja.
Kako korisnici koji pristupaju u sistem opsluživanja nisu potpuno
identični, to se vreme opsluživanja menja od jednog korisnika do drugog (napr.
različiti automobile koji pristupaju u servis radi remonta imaju različite
neispravnosti itd.)
Drugi faktor zbog kojeg se menja vreme opsluživanja je radna
karakteristika kanala opsluživanja (napr. čovek, mašine).
Zbog svega toga, u većini slučajeva vreme opsluživanja je slučajna
promenljiva. Ako sa T označimo vreme opsluživanja, onda je njegova
karakteristika funkcija raspodele
F(t) = P (T < t), t ≥ 0
87
Kako u teorijskim razmatranjima, tako i u mnogim proračunima, veliki
značaj ima slučaj kada vreme opsluživanja ima eksponencijalnlnu raspodelu,
definisanu funkcijom i gustinom raspodele oblika:
F(t) = 1 – e - µt ; f(t) = F`(t) = µe - µt, t ≥ 0
Parametar µ ima jednostavan fizički smisao: recipročna vrednost µ jednaka

je srednjem vremenu opsluživanja (matematičkom očekivanju vremena
opsluživanja):
∞ ∞
M (t) = ∫0 𝑡𝑑𝐹(𝑡) = ∫0 𝑡𝑓(𝑡)𝑑𝑡 = 1/µ
Iz grafikona funkcije raspodele i gustine eksponencijalne raspodele (slika
1) vidi se ad eksponencijalna raspodela dobro opisuje slučajeve kada se osnovna
masa korisnika opslužuje vrlo brzo, dok je manji broj korisnika koje treba duže
opsluživati.
U TMO se češće nego u drugim, koristimo eksponencijalnom raspodelom
verovatnoća vremena opsluživanja. S matematičke tačke gledišta, modeli
sistema opsluživanja sa eksponencionalnom raspodelom verovatnoća vremena
opsluživanja su najjednostavniji.
Iz grafika funkcije raspodele i gustine eksponencionalne raspodele
(slika 12) vidi se da eksponencionalna raspodela dobro opisuje slučajeve kada se
osnovna masa korisnika opslužuje vrlo brzo, dok je manji broj korisnika koje
treba duže opsluživati.
Slika 1. Grafikon funkcije i gustine eksponencionalne raspodele

7.3.Pojam i vrste sistema masovnog opsluživanja
Sistem masovnog opsluživanja obuhvata ulazni potok korisnika, red,
kanale opsluživanja i izlazni potok korisnika. Sistem masovnog opsluživanja
shematski se može prikazati kao na slici 13. U ovom slučaju radi se o velikom
broju korisnika, o masovnoj opsluzi, a ne o opsluživanju pojedinih korisnika.
88
Slika 13. Sistem masovnog opsluživanja
Kada se razmatra ulazni tok korisnika, onda se u najvećem boju slučajeva
omogućava da su vremena između nailaska pojedinih korisnika slučajne
promenljive nezavisne među sobom. Sttistička posmatranja pokazuju da ova
vremena, kao slučajno promenljive, imaju eksponencijalnu raspodelu
verovatnoća sa istim parametrom. Izuzetno, ova veremena nisu nezavisna kada
se posmatra tok vozila koji prolazi raskrsnicu sa semaforom i konvoj brodova.
Osim toga, pojam sistema masovnog opsluživanja obuhvata kanale
opsluživanja, karakter njihovog korišćenja (korisnik se opslužuje u jednom
kanalu ili se opslužuje u više faza), kao i ponašanje korisnika u sistemu (kada
pristupi korisnik čeka dok se ne oslobodi jedan od kanala ili dobija otkaz o
opsluživanju ako zatekne sve kanale zauzete, ili ima ograničeno vreme koje
može da provede u sistemu.
Navedimo neke primere pojava koje se mogu tretirati kao pojave
masovnog opsluživanja sa naznakom konkretnog značenja pojmova: korisnik –
vrsta opsluživanja – kanali opsluživanja (tabela 40).
Tabela 40. Pojave masovnog opsluživanja
Potok korisnika Vrsta opsluživanja Kanali opsluživanja
Putnici Prodaja karata Biletarnice
Putnici Prevoz Tramvaji, vozovi
Avioni Sletanje, uzletanje Pista
Bolesnici Lečenje Lekari
Automobili Prelaz preko raskrsnice Semafor
7.3.1.Klasifikacija sistema masovnog opsluživanja

Sistemi masovnog opsluživanja razlikuju se prema ulaznim tokovima
korisnika prema raspodelama verovatnoća vremena opsluživanja i prema
‘’disciplini opsluživanja.’’ Pod disciplinom opsluživanja podrazumevamo
pravilo izbora korisnika iz reda, prema kome pristupaju i kanale opsluživanja.
U zavisnosti od broja kanala opsluživanja, sistemi masovnog
opsluživanja mogu biti jednokanalni ili višekanalni. Primeri jednokanalnog
opsluživanja su: ranžirna stanica sa jednim ‘’ranžirnim bregom’’; aerodrome sa
89
jednom pistom. Višekanalni sistem predstavlja prva odbrambena linija, pri čemu
se kanli mogu među sobom i pomagati.
Među osnovne tipove sistema masovnog opsluživanja spadaju: sistemi za
čekanjem korisnika u redu i sistemi sa otkazima korisnika od opsluživanja.
a)Sistemi sa čekanjem sastoje se od čekaonice, gde se formira red, i kanala
opsluživanja. Ako su svi kanali opsluživanja zauzeti, korisnik staje u red i čeka
na opsluživanje dok se jedan od kanla ne oslobodi.
Primeri:
- opsluživanje brodova u luci, gde se formira red ako su sva mesta u luci
zauzeta brodovima koji su stigli ranije, ili
- u lekarskoj ordinaciji gde se formira red ako su svi lekati zauzeti ranije
pristiglim pacijentima
Na osnovu srednje dužine reda korisnika i srednjeg vremena čekanja
korisnika može se, pri projektovanju sistema opsluživanja, predvideti optimalan
broj knala opsluživanja (broj pristajališnih mesta u luci, broj lekara u ambulanti
i dr.) i dimenzije čekaonice. Kod sistema sa čekanjem mogu da se pojave
ograničenja kao što su: konačan broj mesta u redu; ograničeno vreme provedeno
u čekanju avionic-nestrpljivi korisnici).
b)sistem sa otkazima predstavlja sistem opsluživanja kada korisnici
napuštaju sistem opsluživanja u slučajevima kada zateknu sve kanale zauzete.
Takav se sistem sreće kod teelfonskih veza.
Često se mogu sresti kako procesi jednofaznog, tako i procesi višefaznog
opsluživanja. U drugom slučaju, sistem opsluživanja se sastoji od nekoliko
podsistema. Izlazni tok korisnika jednog podsistema je ulazni za sledeći
podsistem. Broj kanala u svakoj fazi je različit.
Klasifikacija sistema masovnog opsluživanja može se izvesti i prema
različitim disciplinama opsluživanja. Izbor redosleda opsluživanja korisnika
može biti:
- slučajni (kod mnogih telefonskih sistema);
- po pravilu ‘’prvi prispeli-prvi opsluženi’’ (engl. FIFO - First In-First
Out)
- po pravilu ‘’poslednji prispeo-prvi opsluženi’’ (engl. LIFO - Last In-
First Out)
(iz skladišta se uzima najdostupniji sanduk terete, to jest onaj koji je
poslednji prispeo prvo se opslužuje)
- sa prioritetom: korisnik sa prioritetom opslužuje se pre svih korisnika
u redu koji su nižeg ranga prioriteta (u bolnici se najpre ‘’opslužuje’’
teži bolesnik, na aerodrome se spušta najpre avion sa manje goriva);
90
Sistem opsluživanja sa prioritetom može biti i složeniji, to jest takav da se
opisuje rzličitim rangovima prioriteta, pri čemu se uočava zakon raspodele
ulaznog potoka korisnika za svaki rang prioriteta, kao i karakter i redosled
opsluživanja za svaki rang prioriteta. U granicama svakog ranga prioriteta
korisnici se opslužuju po redu nailaska. Ako se u redu već nalaze korisnici istog
ranga prioriteta, to posmatrani korisnik čeka dok se ne opsluže svi korisnici tog
ranga koji su pre njega stigli, i svi korisnici višeg ranga prioriteta koji u
međuvremenu pristupe u red i koji će biti opsluženi pre svih korisnika nižeg ranga
prioriteta.
7.4.Matematičke metode primenjene u teoriji masovnog opsluživanja
Pri rešavanju različitih zadataka vezanih za konkretnim modelima
masovnog opsluživanja, primenjuju se raznorodne matematičke metode. U praksi
se najčešće susreću Markovljevi procesi. Jedna od univerzalnih metoda je metoda
Monte Karlo, tj. metoda pomoću koje se modeliraju sistemi masovnog
opsluživanja sa primenom elektronskih računara.
7.4.1.Pojam i vrste Markovskih procesa
Ako stanje sistema u momentu vremena t=t0 +τ (u budućnosti) zavisi samo
od toga u kakvom se stanju taj proces nalazio u sadašnjem momentu vremena to,
a ne zavisi od toga kako je odgovarajući proces protekao do momenta t o (u
prošlosti), tj. ako za diskretni proces X(t) verovatnoća pij (to, τ) zavisi samo od
veličina i, j, to i τ takav proces nazivamo procesom Markova.
Razlikuju se dva tipa Markovskih slučajnih procesa:
1) Markovski proces sa diskretnim vremenom
2) Markovski process sa neprekidnim vremenom
7.4.1.1.Diskretni procesi Markova
Diskretan slučaj imamo kada je struktura sistema takva da se stanja sistema
mogu menjati samo u unapred određenim momentima vremena ili kada se
pretpostavlja da je za opisivanje procesa dovoljno znati stanja sistema u
određenim momentima vremena. Procese sa diskretnim parametrom, tj. sa
parametrom koji uzima prebrojiv skup vrednosti, nazivamo i stohastičkim
nizovima ili slučajnim lancima.
Markovskim slučajnim procesom sa diskretnim vremenom (lanci Markova)
naziva se takav slučajni proces, kod koga se prelazi iz jednog stanja u drugo
mogući samo u strogo određenim momentima vremena t1, t2,...tk ... U intervalima
vremena između tih momenata sistem X ostaje u istom stanju.
Primer:
Rad mehničarske radionice sa jednim mehaničarem karakteriše se
diskretnim procesom sa neprekidnim trajanjem. U slučajnim intervalima
91
vremena, mehaničar je zauzet ili slobodan. Ako je mehaničar u momentu
vremena t zauzet, stavimo X(t)=1, a ako je slobodan X(t)=0. Jedna od mogućih
realizacija slučajnog procesa
Stanje sistema masovnog opsluživanja u datom momentu (t),
najjedostavnije se karakteriše brojem korisnika k(t), koji se u datom momentu
nalaze u sistemu opsluživanja (u redu i u kanalima opsluživanja). Kada se (t)
menja (t ≥ 0), broj korisnika k(t) je stohastički process sa konačno ili prebrojivo
mnogo stanja.
7.4.1.2. Neprekidni procesi Markova
Neprekidni procesi opisuju fizičke sisteme sa beskonačno mnogo
(neprebrojivo mnogo) stanja. I oni mogu da budu sa diskretnim ili neprekidnim
vrmenom.
Markovski slučajni procesi sa neprekidnim vremenom naziva se takav
slučajni proces, kod koga je prelaz iz jednog stanja u drugo moguć u
proizvoljnom momentu vremena (neprekidni lanac Markova). Ovi procesi se
često sreću u sistemima masovnog opsluživanja.
Primer: rad benzinske pumpe sa jednim prodavcem
Zadatak:
Neka je u rezultatu analize funkcionisanja sistema opsluživanja dobijena
funkcija raspodele vremena opsluživanja tog sistema u obliku:
F(t) = 1 – 1/(t+1)2, gde je vreme (t) izraženo u minutima, ali je potrebno:
a) Pokazati da ovako data funkcija raspodele zadovoljava osnovne uslove
raspodele za 0 ≤ t < ∞
b) Odrediti verovatnoću da vreme opsluživanja ne premaši 10 min
c) Izračunati srednje vreme opsluživanja jednog korisnika.
Rešenje:
a) za 0 ≤ t < ∞ imamo 0 ≤ 1 – 1/(t+1)2 < 1
Kako je F’(t) = f(t) = 2/(t+1)2 > 0, za t > 0,
to funkcija F(t) monotono raste;
b) F(10) = 1 – 1/(10+1)2 ≈ 0,99;
∞ ∞ ∞
c) M(t)=∫0 𝑡𝑑𝑡𝐹(𝑡) = ∫0 2𝑡𝑑𝑡𝑓(t + 1)3 = 2 ∫0 (𝑥 − 1)/𝑥 3 𝑑𝑧 = 1𝑚𝑖𝑛
Verovatnoća da za ovo vreme opsluživanja korisnika bude završeno,

iznosi: F(1) = 1-1/4 = 0,75, što znači da za dati oblik fnkcije raspodele vremena
opsluživanja, od 100 korisnika, u proseku će 75 biti opsluženo za vreme koje ne
premašuje jedan minut.
92
8.UPRAVLJANJE ZALIHAMA
Iskustvo u formiranju zaliha je dugo. Međutim, korišćenje matematičkih

modela počinje tek početkom dvadesetog veka. Prvi matematički model, iz koga
se dobija optimalna količina zaliha, dao je američki naučnik Ford Haris
1915.godine. Osnovna pretpostavka u Harisovom modelu je da se zalihe troše
konstatntno, zadržala se u svim uopštenjima do drugog svetskog rata, a onda su,
zahvaljujući pojavi i razvoju operacionih istraživanja, razvijeni i modeli sa
stohastičkom potražnjom zaliha.
8.1.Pojam i vrste zaliha

Pod pojmom zaliha podrazumevamo različita materijalna sredstva koja su
određeno vreme isključena iz procesa proizvodnje ili prometa, sa ciljem da se
kasnije, kada se ukaže potreba, iskoriste.
U širem smislu pod zalihama se podrazumevaju mašine, rezervni delovi,
instrumenti, opslužujući personal, transportna sredstva, lekovi, životne
namirnice, i dr.
Uglavnom se zalihe, sa kojima se susrećemo svakodnevno, mogu podeliti
na tržišne i proizvodne. Tržišne zalihe treba da zadovolje potražju kupaca, a
proizvodne moraju obezbediti nesmetanu proizvodnju (sirovine, repromaterijal i
dr.). Držanjem ovih zaliha, odnosno materijalnih sredstava na zalihama
obezbeđuje se normalno zadovoljenje proizvodnje ili potražnje na tržištu.
Radi nesmetanog toka proizvodnje, proizvodne organizacije moraju imati
na skladištima dovoljnu količinu sirovina i delova od kooperanata. Ipak, ako na
skladištu obezbedimo velike količine zaliha, bićemo prinuđeni da uložimo velika
sredstav za nabavku i čuvanje. Zbog toga količine zaliha treba da budu što manje.
8.2.Upravljanje zalihama
Zadatak upravljanja zalihama može se u opštem slučaju formulisati na
sledeći način: poznati su troškovi čuvanja zaliha i poznato je kako se troše zalihe,
a potrebno je odrediti vreme popune zaliha i količinu kojom se popunjavaju. Ova
količina za popunu zaliha je optimalna, ako se određuje iz uslova da ukupni
troškovi nabavke i čuvanja zaliha budu minimalni.
Pri rešavanju ovog zadatka najčešće polazimo od sledećih pretpostavki
ograničenja:
- troškovi se sastoje od: a) troškova nabavke i dostave artikala do
skladišta; b) troškova čuvanja zaliha na skladištu i c) troškova nastalih
nedosattkom zaliha (ako se takva mogućnost dopušta);
- popunjavanje zaliha izvodi se trenutno ili tokom vremena
- potraživanje (potrošnja) zaliha može biti deterministička (konstantna sa
jednakim vremenskim intervalima ili po određenom zakonu) ili
93
slučajna (kada se statističkom analizom ocenjuje njena raspodela
verovatnoća).
Na slici 14. prikazan je grafik mogućih izmena nivoa zaliha.
Slika 14. Grafik mogućih izmena nivoa zaliha
8.3.Vrste matematičkih modela u upravljanju zalihama
Univerzalnih matematičkih modela nema. Za svaki tip zaliha razvijeni su

matematički modeli koje delimo na determinističke i stohastičke. Harisov model
upravljanja zalihama je primer determinističkog modela.
8.4.1.Deterministički modeli
Deterministički modeli razmotriće se preko tri vrste modela: 1) Harisov
model upravljanja zalihama; 2).Harisov model kod koga se dopušta nedostatak
zaliha – potražnja veća od zaliha i 3).Model zaliha sa konstantnom popunom (iz
proizvodnje) i konstantnom potrošnjom kaad se dopušta nedostatak zaliha.
8.4.1.1.Harisov model upravljanja zalihama
Deterministički model Harisa zasnovan je na sledećim pretpostavkama:
a) Potražnja artikala sa zaliha za period vremena T (T je obično jedna go-
dina) je konstantna i iznosi ukupno Q komada
b) Popuna zaliha na skladištu je trenutna
c) Ne dopušta se nedostatak zaliha
d) Troškovi nabavke su poznati i iznose N-novčanih jedinica
e) Troškovi jedne jedinice zaliha (smeštaj i čuvanje) u jedinici vremena
su poznati i proporcionalni srednjoj količini zaliha na skladištu (ovi
troškovi iznose C-novčanih jedinica)
Ako se ukupno potrebna količina zaliha od (q) jedinica naruči na početku
perioda trošenja tih zaliha, onda je grafik promene nivoa zaliha za vreme (T) dat
na slici 15.
94
Slika 15. Grafikon promene nivoa zaliha
Troškovi naručivanja, smeštaja i čuvanja zaliha, kada se naručuju na

početku perioda trošenja, su:
Z1 = N + C x Q/2 x T (1)
Indeks ‘’1’’ označava da se troškovi Z odnose na slučaj kada je izvršeno
samo jedno naručivanje u toku perioda T.
Međutim, ako celokupna količina zaliha od Q komada traženu za period
T, naručimo (n) puta, pri čemu se naručuje po (q) komad:
nq = Qn = Q/q (2)
Onda grafik promene nivoa zaliha ima oblik kao na slici 16.
Slika 16. Grafikon promene nivoa zaliha
Ako sa t0 obeležimo vreme za koje se potroše zalihe obima q jedinica,

onda je:
nto = T i t0 = T/n (3)
Sada ukupni troškovi nabavke i čuvanja zaliha iznose:
Z= n (N + C x Q/2 x to) = n (N + C x q/2 x T/n) i
95
Z= NQ/q + CT/2 x q (4)
Na slici 17. Prikazan je grafik funkcije Z = Z(q)
Slika 17. Grafik funkcije Z = Z (q)
Potreban uslov minimum funkcije Z je dz/dq = 0, Sledi:

dz/dq = - NQ/q2 + CT/2 = 0, odakle je:
q = q* = √2NQ/CT (5)
Sa q = q’ označili smo optimalnu količinu zaliha kojom se n=n’=Q/q’
puta popunjavaju zalihe za vreme T.
Vreme između dve popune zaliha je: t*0 = T/n* (6)
Minimalni troškovi nabavke i čuvanja zaliha su:
Zmin= Z(q*) = NQ / √2NQ/CT + CT/2 √2NQ/CT = √2NQCT (7)
Ako se radi o zalihama većeg broja artikala i ako su za svaki artikal

ispunjeni uslovi primene Harisovog modela, onda se troškovi za svaki artikal
računaju prema formuli:
Zi = NiQi/qi + CiT/2 x qi; i=1,2,..,n
odakle se iz uslova dzi/dqi = 0 dobija optimalna količina svakog artikla

koji se naručuje na početku svakog ciklusa:
q*i = √2NiQi/CiT
Zadatak:
1.Neka se godišnje troši Q = 2400 komada jednog artikla. Ako su troškovi
skladištenja svakog komada C=10 din/mesečno i troškovi jedne nabavke N=360
96
dinara, odrediti optimalnu količinu artikala q* koju treba dva naručioca t 0*, kao
i minimalne troškove čuvanja zaliha.
Rezultat:
Optimalna količina artikala kojom se popunjavaju zalihe iznosi:
q* = √2NQ/CT = √2𝑥360𝑥2400/10𝑥12 = 120 komada
Broj naručivnja je: n* = Q/q* = 2400/120 = 20
Vreme između dve popune zaliha (vreme trošenja naručene količine
artikala) je:
t 0* = T/n* = 12/20 = 0,6 meseci
Minimalni troškovi nabavke i čuvanja zaliha su:
Zmin = √2NQ/CT = 14.400 dinara
8.4.1.2.Harisov model kod koga se dopušta nedostatak zaliha – potražnja
veća od zaliha
Ako zadržimo pretpostavke 1, 2, 4. 5. Iz Harisovog modela i ako
dopustimo da u nekom period može doći do nedostatka zaliha, onda se promena
nivoa zaliha može prikazati kao na slici 18.
Slika 18. Grafik promene nivoa zaliha

Potražnja je veća od nivoa zaliha, dakle dopušta se nedostatak
zaliha. Intervencija se najčešće vrši hitnom nabavkom artikala.
Ako je ukupna potrošnja za period T jednaka Q jedinica zaliha, onda
je: nr = Q, n = Q/r
Vreme između dve popune zaliha t0 je:
nt0 = T; t0 = t/n = T/Q
Ovo vreme se deli na vreme kada na skladištu ima zaliha t1 i na
vreme kada nedostaju zalihe t2, tako da je t1 + t2 = t0
97
Ako sa C1 označimo troškove nedostatka jedinica zaliha u jedinici
vremena, onda su ukupni troškovi čuvanja zaliha:
Z = n x [N + C x q/2 x t1 + C1 x (r-q/2) x t2]
Prilikom svake popune zaliha nadoknađuje se r-q utrošenih zaliha
za period t2 uz posebne troškove C1 dinara po jedinici zaliha koje su
nabavljene u peiodu kada ih na skladištu nije bilo.
U poslednjem sabirku funkcije troškova naznačeno je da su troškovi
nedostatka zaliha proporcionalni prosečnoj količini zaliha koja je
nedostajala u period vremena t2.
Da bismo izrazili funkciju troškova pomoću r i q, matematičkom
transformacijom jednačina dobija se:
Optimalna vrednost za r:
r* = √2NQ/Tx(C + C1)/CC1 = √2NQ/CTx(C + C1)/C1
Optimalna vrednost za q:
q*=C1/(C+C1) x r*= √2NQ/CT𝑥𝐶1)/(C + C1)
Minimalni troškovi čuvanja zaliha iznose:
Zmin = Z(r*,q*) = √ZNQCT 𝑥 C1/(C + C1)
8.4.1.3.Model zaliha koje se popunjavaju iz proizvodnje
U Harisovom modelu i njegovim uopštenjima, popunjavanje zaliha je
trenutno. Međutim, u mnogim procesima (posebno proizvodnim) potrebno je
izvesno vreme da se skladište popuni, ako se za to vreme zalihe troše. Grafik
izmene nivoa zaliha u ovom slučaju je dat na slici 19.
Slika 19. Grafik izmene nivoa zaliha
98
Za vreme t1 zalihe se popunjavaju i troše, a za vreme t2 – one se samo troše.
Ako sa Q označimo ukupnu količinu zaliha koja se potražuje za vreme T 1, onda
je: Q = λ T1
gde je λ – intenzitet proizvodnje (broj proizvedenih jedinica zaliha u
jedinici vremena). Neka je intenzitet potrošnje (µ) jedinica zaliha u jedinici
vremena i neka se popuna i potrošnja odvija za vreme T1, dok se za vreme T2
zalihe samo troše. Tada su ukupni troškovi:
(λ − µ)
Z = N + C1 x T1 x T
2
Q
Kako je T1 = , sledi:
λ
(λ − µ) Q QCT µ
Z = N + CT x x =N+ x (1- )
2 λ 2 λ
Odnos µ/ λ naziva se stopom trošenja zaliha
Razmotrimo sada troškove popunjavanja i čuvanja zaliha kada (n) puta
izvodimo popunjavnje za vreme T. U svakom od (n) perioda dužine t o (nto =T)
takođe razlikujemo vreme proizvodnje i potrošnje t1, kao i vreme t2 kada se zalihe
samo troše. Za vreme t1 proizvede se (q) jedinica zaliha, odnosno
µt1 = q
pri čemu je: nq = Q
Ukupni troškovi popune i čuvanja zaliha sada su:
(λ − µ) Ct0 q
Z = nN + nC x x t1 x t0 = nN + n x x x (λ - µ); i
2 2 λ
nC T Q q QCT µ 1
Z= Z(n) = nN + x x x (1- ) = nN + x (1- ) x
2 n n λ 2 λ n
Potreban uslov minimum funkcije Z = Z (n) je:
QCT µ 1
Z’(n) = N – x (1- ) x = 0,
2 λ n2
Oadkle se dobija optimalan broj popunjavanja zaliha:
QCT µ QCT QCT µ
n = n* = √ (1 − λ) + x (1 − λ) /(C + C1)
2N 2 2N
QCT µ QCT µ QCT µ

Zmin = N √ (1 − λ) + (1 − λ) x 1/ (1 − λ); i
2N 2 2N
µ
Zmin = Z (n*) = √2NQCT (1 − )
λ
99
8.4.1.4.Model zaliha sa konstantnom popunom (iz proizvodnje) i
konstantnom potrošnjom kaad se dopušta nedostatak zaliha
Neka (λ) i (µ) imaju isto značenje (r) koja se dostiže u svakom od
(n) ciklusa za vreme (t0), pri čemu je:
Mt0 = T i nr = 0
Neka je maksimalni deficit zaliha (z). Promena nivoa zaliha y(t) u
funkciji vremena, data je na slici 20.
Slika 20. Promena nivoa zaliha u funkciji vremena

Neka C označava troškove čuvanja jedinica zalihe u jedinici
vremena, a C1 – troškove nedostatka jedinica zaliha u jedinici vremena.
Ako sa Z označimo troškove popunjavanaja i čuvanja zaliha za vreme t 0,
onda je:
𝑡1+𝑡2 𝑡𝑛
Z = N+C ∫0 𝑦(𝑡)𝑑𝑡 – C1 ∫𝑡1+𝑡2 𝑦(𝑡)𝑑𝑡
U interval 0 < t < t1 odvijaju se paralelno i process popunjavnja (sa
intenzitetom λ) i process potrošnje (sa intenzitetom μ). U intervalu
t1<t<t1+t2+t3 zalihe se samo troše, a u intervalu t1+t2+t3<t<t0 opet se odvija
i process popune i process potrošnje zaliha. Zato su:
Minimalni troškovi čuvanja zaliha:

µ C
Zmin =Z(r*,t0*)= √2µ NC (1 − ) / 1 +
λ C1
Momenat uključenja proizvodnje za popunu zaliha određuje se onda

kada se dostigne maksimalni deficit:
1 µ C
Z* = = √2µN (1 − ) / C(1 + )
C1 λ C1
100
C
Kada je = 0, tj. kada su troškovi nedostatka zaliha mnogo veći
C1
od troškova čuvanja zaliha (C1>C), onda je:
µ
Zmin = √2µ NC/(1 − )
λ
pri čemu se deficit zaliha potpuno isključuje: z = 0
µ
Specijalno za = 0 (visok intenzitet popunjavanja zaliha) dobija
λ
se:
C
Zmin = √2µ NC/(1 + )
C1
Ako se, pak, pretpostavi i visok intenzitet popunjavnaj zaliha i veliki

gubici zbog nedostatk zaliha, onda se ova formula svodi na formulu
dobijenu iz Harisovog modela (za T=1, µ = Q):
Zmin = √2µ NC = √2NQC
8.4.2. Model zaliha sa stohastičkom potrošnjom
U praksi potrošnja zaliha nije uvek konstantna (u jednom intervalu

vremena potrošnja je veća, a u drugom manja).
U takvim slučajevima potrebno je znati raspored verovatnoća
slučajne potrošnje x, odnosno gustine raspodele verovatnoća ako je x
neprekidna slučajna promenljiva.
Označimo sa p(x) zakon rspodele verovatnoća slučajne promenljive
x koji ima smisla za posmatrani period vremena.
Neka su C-troškovi čuvanja jedinica zaliha u posmatranom vremenu
i neka su C1 – troškovi koji nastaju zbog nedostatka posmatranih artikala
na zalihama. Očekivani troškovi koji nastaju zbog čuvanja i nedostatka
zaliha za nivo (y) su:
𝑦 𝑦∞
Z = Z(y) = C1∑𝑥=0(𝑦 − 𝑥)𝑝(𝑥) + C2∑𝑥=𝑦+1(𝑦 − 𝑥)𝑝(𝑥)
Odredimo (y) tako da očekivani troškovi Z(y) dostignu maksimum.

Veličina (y) obezbeđuje minimum funkcije Z(y) ako su zadovoljene
nejednakosti:
Z(y) < Z(y-1) i Z(y) < Z(y+1)
Nakon nekoliko koraka matematičkih operacija imamo:
Z(y+1)=Z(y) + (C1+C2)p(x) - C2, i
101
𝑦
Z(y-1)=Z(y)-(C1+C2) ∑𝑥=0 𝑝(𝑥)+(C1+C2)p(x)-C2
𝑦−1 C2 𝑦
F(y-1)= ∑𝑥=0 𝑝(𝑥) < < ∑𝑥=0 𝑝(𝑥) = F(y)
C1+C2
Ako je potražnja x neke vrste zaliha neprekidna slučajna

promenljiva, definisana gustinom raspodele verovatnoća f(x) i funkcijom
rapodele F(x), i ako je (y) nivo zaliha na skladištu, tada se za y>x javljaju
jedinični troškovi (čuvanja jedinice zaliha) C1, a ako je u manje od s (slučaj
nedostatka zaliha), tada se javljaju jedinični troškovi C2.
Ako za Z(y) označimo funkciju troškova za nivo zaliha (y), onda
je:
𝑦 ∞
Z(y) = C1∫0 (𝑦 − 𝑥)𝑓(𝑥)𝑑𝑥 + C2∫𝑦 (𝑥 − 𝑦)𝑓(𝑥)𝑑𝑥
Da bi se odredio nivo zaliha y za koji Z(y) dostiže minimum,
potrebno je naći izvod funkcije Z(y) po (y) i izjednčiti ga sa nulom
C2
F(y*) =
C1+C2
C1f(y*) + C2f(y*) = C1+C2>0, jer je

C1+C2>0 I f(y*) > 0, to je ispunjen i dovoljan uslov minimuma
funkcije Z(y).
Literatura:
1.Stojiljković Milovan, Vuakdinović, Svetozar, Operaciona istraživanja,
Vojnoizdavački zavod, Beograd, 1984.
2.Petrić, J. Jovan, Petrić, R. Zoran, Operaciona istraživanja u Vojsci,
Vojnoizdavački zavod, Beograd, 1984.
3.Pamučar Dragan, Operaciona istraživanja (udžbenik), Univrzitet
odbrane, Vojna akademija, Beograd, 2016.
4.Kocić, M. Ljubica, Milovanović, V. Gradimir, Marinković D. Slađana
(udžbenik), Univerzitet u Nišu, Elektronski fakultet, Niš, 2008.
102

5HMKwBtCYMqIRMxGfjG1 - Operaciona Istrazivanja Skripta

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

5HMKwBtCYMqIRMxGfjG1 - Operaciona Istrazivanja Skripta

Uploaded by

Copyright:

Available Formats

OPERACIONA ISTRAŽIVANJA

Copyright©2021. Sva prava su zadržana.

U nastojanju da se donošenje odluka temelji na naučnim osnovama,

Linearno programiranje je posebna matematička metoda koja se koristi u

𝑎11 𝑎12 … 𝑎1𝑛 𝑏1

a11x1 + a12x2 + ... +a1nxn = b1

ima jedno jedino rešenje. Ako su sve promenljive (komponente rešenja)

Geometrijsko rešenje osnovnog zadatka linearnog programiranja

Sve promenljive moraju biti nenegativne. Iz uslova n3 ≥ 0 dobijamo:

Slika 1.Oblast dopustivih rešenja iz ODR

U opštem slučaju se geometrijskom interpretacijom nalazi oblast

Sistemom jednačina (4) izrazili smo zavisnost baznih promenljivih

Slika 2. Položaj pravca L’=a i L’=b

Slika 3. Traženje ekstremne vrednosti u ODR

Slika 4. Ne postoji rešenje OZLP

1.3. Izražavanje problema linearnog programiranja u matričnom

U gornjem izrazu figurišu vektori koje možemo označiti na sledeći način:

𝑥1 𝑎11 𝑎12 … 𝑎1𝑛 𝑏10

Vektore Aj nazivamo vektorima aktivnosti ili kratko aktivnosti. Vektori Aj

𝑎11 𝑎12 𝑎1𝑛

Vektor x = (x1, x2, … , xn) predstavlja moguće rešenje problema linearnog

Optimalno rešenje problema linearnog programiranja je moguće rešenje

Određivanje vektorske baze

Dantzig-ov algoritam (metod inverzne matrice):

Opšti model linearnog programiranja, nakon uvođenja dopunskih

Videli smo da obično za prvo bazično rešenje uzimamo dopunske

Prema tome kakav je znak koeficijenata ars, kad xs raste, promenljive

Simplex tabela se formira na sledeći način: koeficijenti uz promenljive x1,

Koeficijente ars u novoj tabeli se određuju preko obrazaca:

Vrednost f-je kriterijuma za novu bazu je:

Pošto je početna baza sastavljena od dopunskih promenljivih, koeficijenti

Xr = br – bi/aij x arj r#i

X2 = b2 – b6/a62 x a22 = b2 – b4/a42 x a22 = 60/1 = 60

Koeficijenti se računaju po obrascu (8):

za s=2 i r=1,2,3,4 itd

Koristeći obrasce (9) i (10):

b3 / a31=b1 / a11=120 / 3=40 b4 / a41=b2 / a21 = 50 / 2.5=20

a'11=3-3x25/25= 0 a'12=0-0/2,5x3= 0 a'13=1-0/1x3=1

Koristeći obrasce (9) i (10):

Određuju se novi koeficijenti c's i vrednost f-je kriterijuma za

Sistemi ograničenja u praktičnim primerima mogu se izraziti na različite

Problem se rešava na taj način što se stavi da su sve efektivne promenljive

Problem se rešava tako što se sistem nejednačina prevodi u sistem jednačina

U ovom sistemu se nalazi: 2m+n promenljivih, od kojih je n efektivnih, m

Pošto se iz sistema ne može neposredno odrediti početno bazično rešenje,

Za određivanje početnog bazičnog rešenja stavlja se da je x1=x2=x3=x4=0.

Θ = min xr/xrj, za xrj > 0

Osobina linearnog programiranja je da svakom problemu odgovara drugi,

Dual: (min)v=18 y1 +25 y2

Optimalno rešenje duala se može odrediti iz simplex kriterijuma primarnog

2.5.2.Vrste dualnih problema

Nesimetrični dualni problem nastaje u slučaju kada sva ograničenja u

∑ 𝑎𝑛𝑠 𝑥𝑠 ≤ 𝑏𝑟 𝑟 = 1,2 … 𝑖 𝑖 < 𝑚

Ili ako je primar:

dakle, nema opšteg ograničenja.

Transportni problem se može definisati na sledeći način: potrebno je iz m

Matematički zapis transportnog zadatka:

 xij = ai , za i = 1,..., m ;  xij = b j , za j = 1,..., n ;  a = b

Nedegenerisano bazno rešenje mora imati tačno (m+n-1) pozitivnih kom-

Dobijeno rešenje X=1700,800,1300,1900,2200,1400,400,2000 je

3.1.2.Vogelova aproksimativna metoda za početno rečenje

Vogelovom metodom dobija se početno rešenje koje je znatno bliže opti-

Rešenje je nedegenerisano jer je broj pozitivnih komponenti jednak osam.