Kvantitativne Metode Za Poslovno Odlučivanje: IV. Linearno Programiranje

Kvantitativne metode za poslovno odlučivanje ∗

IV. Linearno programiranje
Rudolf Scitovski, Ivan Vazler, Martina Briš
7. siječnja 2012.
Sadržaj
1 Uvod 2
2 Problem linearnog programiranja (LP) 2

2.1 Maksimizacija profita – primarni LP problem . . . . . . . . . . . . . . . . . . . . 2
2.2 Minimizacija troškova – dualni LP problem . . . . . . . . . . . . . . . . . . . . . 4
2.3 Primjeri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 Povijesni pregled . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Metode za rješavanje 17
3.1 Geometrijska metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Simpleks metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1 Tablični prikaz Simpleks metode . . . . . . . . . . . . . . . . . . . . . . . 21
4 Problem cjelobrojnog programiranja 22
4.1 Neki specijalni problemi cjelobrojnog programiranja . . . . . . . . . . . . . . . . 23
4.1.1 Problem ranca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1.2 Problem asignacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.3 Transportni problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.1.4 Problem najkraćeg puta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.5 Problem maksimalnog toka . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.6 Metoda kritičnog puta za planiranje realizacije projekta . . . . . . . . . . 28
4.1.7 Problem minimalnih troškova toka . . . . . . . . . . . . . . . . . . . . . . 29
4.1.8 Problem trgovačkog putnika . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.9 Investicijsko odlučivanje . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.10 Problem raspoređivanja . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.11 Oglašavanje u marketingu . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.12 Problem krojenja/rezanja materijala . . . . . . . . . . . . . . . . . . . . . 35
∗
Obvezni predmet u 5. semestru sveučilišnog preddiplomskog studijskog programa Poduzetništvo Eko-
nomskog fakulteta u Osijeku (45 sati predavanja i 15 sati vježbi, 5 ECTS bodova)

Kvantitativne metode 2
1 Uvod
2 Problem linearnog programiranja (LP)
Informacijska osnova proizvodnje:
• Strojevi (što mogu proizvoditi, koliko vremena im je potrebno za proizvodnju jedne jedinice
proizvoda, koliki su im vremenskim kapaciteti);
• Ludski rad (što mogu proizvoditi, koliko vremena im je potrebno za proizvodnju jedne
jedinice proizvoda, koliki su im vremenskim kapaciteti);
• Tržište (kakva su tržišna okraničenja za pojedini proizvod koji se namjerava proizvoditi);
• Tržišne cijene proizvoda i tržišne cijene resursa.
2.1 Maksimizacija profita – primarni LP problem

Primjer 1. (Barković, 2010) Dva proizvoda P 1 , P 2 proizvode se na jednom stroju s kapacitetom
16 uz korištenje ljudskog rada u obimu 10 i tržišnim ograničenjem 3 na proizvod P 2 . Treba
odrediti količinu proizvodnje (x1 , x2 ) proizvoda (P 1 , P 2 ), uz koju se postiže maksimalni profit z 
kao razliku prodajne cijene i troškova proizvodnje.
Inputi Proizvodi Kapaciteti Tržišne cijene

P 1 P 2 resursa (bi ) resursa (ρi )
Stroj 2 4 16 10
Ljudski rad 2 1 10 5
Tržište (P 2 ) 0 1 3 5
Cijene (σj ) 50 80
Troškovi 30 50
Profit (cj ) 20 30
Tablica 1: Podaci o proizvodnji
Tablicu iz koje su vidljive veze između inputa (strojevi, ljudski rad, tržište) i outputa (količine
proizvoda) zvat ćemo matrica tehnologije.
Kod matematičke formulacije problema koristi se temeljna pretpostavka o linearnosti
veza, koja se može razložiti na dvije pretpostavke:
• Proporcionalnost. Ako je za proizvodnju jedne jedinice proizvoda P 1 potrebno 2 jedinice

vremena, onda je za proizvodnju x 1 jedinica proizvoda P 1 potrebno 2x1 jedinica vremena;
• Aditivnost. Ako je za proizvodnju jedne jedinice proizvoda P 1 potrebno utrošiti 2 jedinice

vremena, a za proizvodnju jedne jedinice proizvoda P 2 potrebno utrošiti 4 jedinice vremena

strojnog rada, onda je za proizvodnju jedne jedinice proizvoda P 1 i jedne jedinice proizvoda
P 2 potrebno utrošiti 6 sati strojnog rada;
x1 − količina proizvodnje proizvoda P 1

x2 − količina proizvodnje proizvoda P 2
2x1 + 4x2 ≤ 16

2x1 + x2 ≤ 10
x2 ≤ 3
x1 , x2 ≥ 0
ρ1 − jedinična tržišna cijena prvog resursa (strojnog rada)

ρ2 − jedinična tržišna cijena drugog resursa (ljudskog rada)
ρ3 − jedinična tržišna cijena trećeg resursa (obrada tržišta)
Jedinični profit za P 1 = 50 − (2ρ1 + 2ρ2 ) = 50 − 30 = 20
Jedinični profit za P 2 = 80 − (4ρ1 + ρ2 + ρ3 ) = 80 − 50 = 30
f (x1 , x2 ) = 20x1 + 30x2 → max (funkcija cilja)

Na Slici 1 prikazan je skup mogućih (dopustivih) rješenja (dopustivo područje)
S = { (x1 , x2 ) ∈ R 2+ : 2x1 + 4x2 ≤ 16, 2x1 + x2 ≤ 10, x2 ≤ 3 }
Ovako definiran skup S je konveksan i nazivamo ga poliedar. Ako je poliedar ograničen, kao u
ovom primjeru, nazivamo ga politop.
(xi , yi ) (0, 0) (5, 0) (4, 2) (2, 3) (0, 3) (3, 2)
f (xi , yi ) 0 100 140 130 90 120
U vrhu (x1 , x2 ) = (4, 2) skupa S postiže se optimalno dopustivo rješenje na kome funkcija
cilja postiže optimalnu vrijednost z  = 140.
Općenito, pretpostavimo da treba proizvoditi n proizvoda P 1 , . . . , Pn u količinama x1 , . . . , xn
korištenjem m resursa u količinama b1 , . . . , bm . Pri tome za izradu jedne jedinice proizvoda P j
koristi se i-ti resurs u količini aij . Dakle, ako su ρ1 , . . . , ρm postojeće tržišne cijene resursa, a
σ1 , . . . , σn postojeće tržišne cijene proizvoda, treba maksimizirati funkciju cilja
 n
z = f (x1 , . . . , xn ) = c j x j , (2.1)
j =1
gdje su
m

c j = σ j − ρi aij , j = 1, . . . , n , (2.2)
i=1

1 1 2 3 4 5 6
1
Slika 1: Grafičko rješavanje LP problema iz Primjera 1
veličine profita, koji se ostvaruju na j -tom proizvodu, poštujući ograničenja

 n
aij xi ≤ b j , j = 1, . . . , m , (2.3)
j =1
x1 , . . . , xn ≥ 0. (2.4)
Matrični zapis:
Za zadani vektor kapaciteta resursa b ∈ Rm, vektor profita c ∈ Rn i matricu teh-

nologije A ∈ Rm×n, treba odrediti vektor proizvodnje x ∈ Rn+, tako da na njemu
funkcija cilja z =  c, x = c T x postiže svoj maksimum uz uvjet Ax ≤ b , tj.
max cT x = c T x , uz uvjet (2.5)

x∈Rn
+
Ax ≤ b. (2.6)
Teorem 1. Skup S = { x ∈ R n+ : Ax ≤ b } svih dopustivih rješenja problema linearnog programi-
ranja je konveksan.
Konveksni skup S = { x ∈ Rn+ : Ax ≤ b } nazivamo skup dopustivih rješenja (dopustivo
područje), vektor x  ∈ R n optimalno dopustivo rješenje, a z  = f (x ) optimalna vrijed-
nost funkcije cilja. Konveksni skup S nazivamo poliedar. Ako je poliedar ograničen, zovemo
ga politop.
2.2 Minimizacija troškova – dualni LP problem

Primjer 2. Za podatke iz Primjera 1 treba odrediti jedinične cijene resursa (w1 , w2 , w3 ), uz koje
će se postići minimalni troškovi proizvodnje.
Uz poznate tržišne cijene resursa ρi i tržišne cijene proizvoda σi , treba odrediti jedinične
cijene resursa w1 , w2 , w3 (dualna varijabla, cijena u sjeni), tako da ukupni troškove prizvodnje

budu minimalni, tj. treba minimizirati
min(16w1 + 10w2 + 3w3 ) uz uvjete (2.7)

2w1 + 2w2 ≥ 50 (2.8)
4w1 + w2 + w3 ≥ 80
wi ≥ ρ i , i = 1, 2, 3. (2.9)
Uvođenjem supstitucije
yi := w i − ρi , i = 1, 2, 3. (2.10)
problem (2.7) – (2.9) svodi se na optimizacijski problem
min(16y1 + 10y2 + 3y3 ) uz uvjete

2y1 + 2y2 ≥ 20
4y1 + y2 + y3 ≥ 30
y1 , y2 , y3 ≥ 0.
Naime, vrijedi
16y1 + 10y2 + 3y3 = 16w1 + 10w2 + 3w3 − (16ρ1 + 10ρ2 + 3ρ3 ) = 16w1 + 10w2 + 3w3 − 225,
pa je problem optimizacije funkcije zadane sa (2.7) ekvivalentan problemu optimizacije funkcije

(y1 , y2 , y3 ) → 16y1 + 10y2 + 3y3 . Također sustav ograničenja (2.8)–(2.9) ekvivalenta je sustavu
ograni;enja u varijablama (y1 , y2 , y3 ) jer je
2y1 + 2y2 = 2w1 + 2w2 − (2ρ1 + 2ρ2 ) ≥ 50 − 30 = 20,

4y1 + y2 + y3 = 4w1 + w2 + w3 − (4ρ1 + ρ2 + ρ3 ) ≥ 80 − 40 = 30.
Optimalno rješenje je y  = ( 20 10

3 , 3 , 0) , pri čemu je optimalna vrijednost funkcije cilja z = 140.
T 
Općenito, neka su ρ1 , . . . , ρm postojeće tržišne cijene resursa, a σ1 , . . . , σn postojeće tržišne
cijene proizvoda. Ako su w1 , . . . , wm jedinične cijene resursa, treba minimizirati ukupne troškove
proizvodnje
 m
min
w1 ,...,wm
bi wi uz uvjete (2.11)
i=1
 m
wi aij ≥ σ j , j = 1, . . . , n , (2.12)
i=1
wi ≥ ρ i , i = 1, . . . , m . (2.13)
Uvođenjem supstitucije
yi := w i − ρi , i = 1, . . . , m , (2.14)

problem (2.11) – (2.13) svodi se na optimizacijski problem

 m
min
y1 ,...,ym
bi yi uz uvjete (2.15)
i=1
 m
yi aij ≥ c j , j = 1, . . . , n , (2.16)
i=1
y1 , . . . , ym ≥ 0, (2.17)
m
gdje je c j = σ j − i=1 ρi aij profit koji se ostvaruje na j -tom proizvodu. Naime, kako je

m
 m
 m

yi aij = wi aij − ρi aij ,
i=1 i=1 i=1
a m i=1 ρi aij je konstanta, optimizacijski problemi (2.11) i (2.15) su ekvivalentni. Osim toga

vrijedi
m m m m

yi aij = wi aij − ρi aij ≥ σ j − ρi aij = c j .
i=1 i=1 i=1 i=1
Matrični zapis:
Za zadani vektor kapaciteta resursa b ∈ Rm, vektor profita c ∈ Rn i matricu tehno-

logije A ∈ R m×n , treba odrediti vektor y  ∈ R m
+ , takav da je
T
min b y = b T y  , uz uvjet (2.18)
y ∈Rm
+
AT y ≥ c. (2.19)
Svojstva:(Martić, 1966, 1971; Vanderbei, 2001)
• Ako je x̂ dopustivo rješenje primarnog LP–problema (2.5)–(2.6), ŷ dopustivo rješenje du-
alnog LP–problema (2.18)–(2.19), onda vrijedi c T x̂ ≤ b T ŷ;
• Ako je x̂ dopustivo rješenje primarnog LP–problema (2.5)–(2.6), ŷ dopustivo rješenje dual-
nog LP–problema (2.18)–(2.19) i ako vrijedi c T x̂ = b T ŷ, onda su x̂ i ŷ optimalno dopustiva
rješenja;
• Ako primarni i dualni LP–problem imaju dopustiva rješenja, tada postoje i optimalno
dopustiva rješenja x , y  i vrijedi cT x = b T y ; Ako primarni LP–problem (2.5)–(2.6) nema
dopustivo rješenje, onda odgovarajući dualni LP–problem (2.18)–(2.19) nema optimalno
dopustivo rješenje i ako dualni LP–problem (2.18)–(2.19) nema dopustivo rješenje, onda
odgovarajući primarni LP–problem (2.5)–(2.6) nema optimalno dopustivo rješenje;
• Optimalno dopustivo rješenje x  primarnog LP–problema (2.5)–(2.6) postoji onda i samo

onda ako postoji optimalno dopustivo rješenje y  dualnog LP–problema (2.18)–(2.19);
U tom slučaju vrijedi c T x = b T y ;

• Dualni problem dualnog problema ponovo je primarni problem LP.
Zadatak 1. 1 (Martić, 1971) Grafički odredite rješenje LP-problema
max(2x1 + 5x2 ) uz uvjete

x1 + 4x2 ≤ 24
3x1 + x2 ≤ 21
x1 + x2 ≤ 9
x1 , x2 ≥ 0
Napišite matrični zapis ovog LP–problema i odgovarajući dualni problem. Što je rješenje dualnog
problema ?
Rješenje primarnog LP–problema: x = (4, 5)T , z  = 33 ;
Rješenje dualnog LP–problema: y  = (1, 0, 1)T , z  = 33;
2.3 Primjeri
Primjer 3. (Martić, 1971) Za zadanu matricu tehnologije (Tablica 2) treba odrediti optimalni
proizvodni program koji će maksimizirati korištenje kapaciteta strojeva.
Inputi Proizvodi Kapaciteti

P 1 P 2 strojeva
Stroj S 1 10 10 8000
Stroj S 2 10 30 18000
Stroj S 3 20 10 14000
Ukupno 40 50 40000
Primarni LP–problem:
max (40x1 + 50x2 ) uz uvjete

10x1 + 10x2 ≤ 8000
10x1 + 30x2 ≤ 18000
20x1 + 10x2 ≤ 14000
x1 , x2 ≥ 0
(xi , yi ) (0, 0) (0, 600) (300, 500) (600, 200) (700, 0) (400, 400)
f (xi , yi ) 0 30000 37000 34000 28000 36000
1
Na web stranici http://www.zweigmedia.com/RealWorld/LPGrapher/lpg.html nalazi se program koji iscr-
tava područje određeno nejednakostima i rješava problem linearnog programiranja.

800
600
400
200
200 400 600 800
Slika 2: Grafičko rješavanje LP problema iz Primjera 3
Rješenje: x = (300, 500)T , z  = 37000.

Dualni LP–problem:
min (8000y1 + 18000y2 + 14000y3 ) uz uvjete

10y1 + 10y2 + 20y3 ≥ 40
10y1 + 30y2 + 10y3 ≥ 50
y1 , y2 , y3 ≥ 0.
Rješenje: y  = (3.5, 0.5, 0)T , z  = 37000.

Značenje: pogledajmo kakav bi efekt proizvelo povečanje kapaciteta stroja S 1 za 1 :
(8000 + 1)y1 + 18000y2 + 14000y3 = 37000 + y1 = 37000 + 3.5,
Dakle, dualna varijabla y 1 pokazuje za koliko bi se povećala vrijednost funkcije cilja ako bi prvu
restrikciju (kapacitet stroja S 1 ) povečali za 1 .
Za koliko bi se povećala vrijednost funkcije cilja (ukupno korištenje strojeva) ako bi raspoloživi
kapacitet strojeva S 1 i S 2 uvečali za 10 % ? (Ukupni kapacitet povećao bi se za 800 × 3.5 +
1800 × 0.5 = 3700)
Što bi se dogodilo ako bi kapacitet stroja S 3 povećali, a kapacitete strojeva S 1 i S 2 zadržali?
(Ništa se ne bi promijenilo jer je treća dualna varijabla y 3 = 0)
Primjer 4. (Martić, 1971) Promatramo problem maksimalnog korištenja raspoloživog materijala

u proizvodnji (primjerice, u mesnoj industriji) uz maksimiranje utroška materijala sukladno
matrici tehnologije prikazanoj u Tablici 3

Inputi Utrošak materijala Raspoloživost

P 1 P 2 P 3 materijala
Materijal M 1 4 8 5 200
Materijal M 2 2 9 7 180
Tržišna ograničenja 80 22 60 380
max(4x1 + 8x2 + 5x3 + 2x4 + 9x5 + 7x6 ) uz uvjete

4x1 + 8x2 + 5x3 ≤ 200
2x4 + 9x5 + 7x6 ≤ 180
x1 + x4 ≤ 80
x2 + x5 ≤ 22
x3 + x6 ≤ 60
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
Rješenje primarnog problema: x = (0, 22, 24 180 T

5 , 0, 0, 7 ) , z = 380.

Formulirajte odgovarajući dualni LP-problem.

Rješenje dualnog problema: y  = (1, 1, 0, 0, 0)T , z  = 380.
Primjer 5. (Martić, 1971) Promatramo prethodni problem maksimalnog korištenja raspoloživog

materijala u proizvodnji (primjerice, u mesnoj industriji) uz maksimiranje profita navedenog u
Tablici 4.
Inputi Profit
P 1 P 2 P 3
Materijal M 1 20 50 30
Materijal M 2 18 70 40
Tablica 4: Porofit po vrstama materijala i jedinici proizvoda
Uz ograničenja kao u Primjeru 4 treba maksimizirati sljedeću funkciju cilja
max (20x1 + 50x2 + 30x3 + 18x4 + 70x5 + 40x6 )
Rješenje primarnog problema: x = (0, 178 376 20

9 , 45 , 80, 9 , 0) , z =
T  25516
9 = 2835.11.

Rješenje dualnog problema: y  = (6, 68 26

9 , 9 , 2, 0) , z =
T  25516
9 = 2835.11.
Primjer 6. (Martić, 1971) Promatramo problem optimizacije proizvodnog programa jedne tvor-
nice cigareta. Proizvodnja se obavlja na 4 stroja s kapacitetima i matricom tehnologije prikazanoj
u Tablici 5. Tržišna ograničenja po vrstama cigareta su sledeća: P 1 (2.2), P 1 (64), P 1(98.4), P 1 (298), P 1 (34.2)
Inputi Vrste cigareta Kapaciteti

P 1 P 2 P 3 P 4 P 5
Stroj S 1 9.8 9.6 9.4 9.2 9.1 7368
Stroj S 2 18.6 18.6 18.6 18.6 18.6 14736
Stroj S 3 116.9 53.3 67.8 27.1 29.0 19648
Stroj S 4 58.5 15.2 15.2 15.2 15.2 6912
Profit 240 195 185 180 150
Tablica 5: Proizvodnja cigareta
max (240x1 + 195x2 + 185x3 + 180x4 + 150x5 ) uz uvjete

9.8x1 + 9.6x2 + 9.4x3 + 9.2x4 + 9.1x5 ≤ 7368
18.6x1 + 18.6x2 + 18.6x3 + 18.6x4 + 18.6x5 ≤ 14736
116.9x1 + 53.3x2 + 67.8x3 + 27.1x4 + 29.0x5 ≤ 19648
58.5x1 + 15.2x2 + 15.2x3 + 15.2x4 + 15.2x5 ≤ 6912
x1 ≤ 2.2
x2 ≤ 64
x3 ≤ 98.4
x4 ≤ 298
x5 ≤ 34.2
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
Rješenje primarnog problema: x = (0, 64, 98.4, 292.337, 0)T , z  = 83304.6.

Rješenje dualnog problema: y  = (0, 0, 0, 11.8421, 0, 15, 5, 0, 0)T , z  = 83304.6.
Zbog čega cigarete P 5 ne ulaze u optimalni proizvodni program ?
Uputa: Matricu tehnologije svedite na 100 jedinica profita za svaku vrstu cigareta (prvi stupac
pomnožite sa 100 i podijelite s 240 itd.) ili razmotrite dualni problem.
Primjer 7. (Martić, 1971) Promatramo proizvodnju jednog proizvoda koji je sastavljen od dvije
komponente K 1 , K 2 u omjeru 1 : 1. Treba odrediti optimalni proizvodni program ovih komponenti

tako da je svakog dana moguće proizvest maksimalni broj gotovih proizvoda. Komponente K 1 ,
K 2 proizvode se na tri stroja S 1 , S 2 , S 3 prema matrici tehnologije navedene u Tablici 6.

P 1 P 2 P 3 P 4 P 5
Stroj S 1 9.8 9.6 9.4 9.2 9.1 7368
Stroj S 2 18.6 18.6 18.6 18.6 18.6 14736
Stroj S 3 116.9 53.3 67.8 27.1 29.0 19648
Stroj S 4 58.5 15.2 15.2 15.2 15.2 6912
Profit 240 195 185 180 150
Tablica 6: Proizvodnja komponenti
Optimizacija proizvodnje ovisi o produktivnosti svakog stroja. Neka je
xi dnevna količina proizvodnje komponente K i na stroju S 1 , i = 1, 2

x2+i dnevna količina proizvodnje komponente K i na stroju S 2 , i = 1, 2
x4+i dnevna količina proizvodnje komponente K i na stroju S 3 , i = 1, 2
Produktivnost stroja S 1 prilikom proizvodnje komponenta K 1 zadana je s 24

8 , a prilikom pro-
24
izvodnje komponenta K 2 s 4 . Slično se može izračunati i produktivnost strojeva S 2 i S 3 . Zato
funkciju cilja definiramo na sljedeći način:
24 24 24 24 8 8
8 x 1 + 4 x 2 + 4 x 3 + 6 x 4 + 1 x5 + 2 x6
max(3x1 + 6x2 + 6x3 + 4x4 + 8x5 + 4x6 ) uz uvjete

8x1 + 4x2 ≤ 24
4x3 + 6x4 ≤ 24
x5 + 2x6 ≤ 8
x1 + x3 + x5 − x2 − x4 − x6 = 0
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
Rješenje primarnog problema: x = (0, 6, 65 , 16

5 , 0) , z = 120.
T 
Rješenja nisu cjelobrojna, kao što zahtijeva problem. Kako se u ovom slučaju može definirati
cjelobrojni optimalni proizvodnbi program ?
Rješenje dualnog problema: y  = (2, 1, 6, 2)T , z  = 120.
Kakva su značenja dualnih varijabli u ovom slučaju ?

Zadatak 2. (Martić, 1971) Treba odrediti optimalni proizvodni program u jednoj tvornici mli-
ječnih proizvoda, gdje se proizvodi 5 vrsta mliječnih proizvoda na 4 stroja sukladno matrici
tehnologije navedene u Tablici 7. Optimizacija se treba provesti prema dva kriterija:
(a) Maksimalno korištenje kapaciteta;
(b) Maksimizacija profita ako se zna da je profit po jedinici proizvoda redom: 100, 10, 60, 80,
60, uz tržišna ograničenja na proizvode redom: 120, 60, .5, 5, 2.

P 1 P 2 P 3 P 4 P 5
Stroj S 1 14 18 9 49 9 32000
Stroj S 2 2 10 1 26 1 35000
Stroj S 3 15 21 10 40 10 35000
Stroj S 4 6 0 9 0 18 30000
Tablica 7: Proizvodnja mliječnih proizvoda
Rješenje primarnog problema:
(a) x = (0, 706.58, 0, 87.3786, 1666.67)T , z  = 108004.

Rješenje dualnog problema: y  = (1.47249, 0., 1.0712, 0.779755)T , z  = 108004.
(b) x = (120, 60, 0.5, 5, 2)T , z  = 13150.

Rješenje dualnog problema: y  = (0, 0, 0, 0, 100, 10, 60, 80, 60)T , z  = 13150.
Zadatak 3. (Martić, 1971) Na jednom stroju radeći 45 sati tjedno, mogu se proizvesti 3 različita
proizvoda. Profit po proizvodima P 1 , P 2 , P 3 je redom: 40, 120, 30. Za jedan sat rada stroj
izradi 50 jedinica proizvoda P 1 ili 25 jedinica proizvoda P 2 ili 75 jedinica proizvoda P 3 . Tržišna
ograničenja proizvoda su redom: 1000, 500, 1500. Odredite tjedni optimalni proizvodni program
koji će maksimizirati profit.

x = (250, 500, 1500)T , z  = 115000.
Rješenje dualnog problema: y  = (2000, 0, 40, 3.333)T , z  = 115000.

Zadatak 4. (Martić, 1971) U nekom poduzeću proizvode se tri proizvoda P 1 , P 2 , P 3 na bazi
sirovina S 1 , S 2 prema niže navedenoj matrici tehnologije. Poduzeće mjesečno treba proizvesti
barem 3 komada proizvoda P 1 , barem 5 komada proizvoda P 2 i barem 4 komada proizvoda P 3 .
Odredite optimalni proizvodni program koji će minimizirati troškove proizvodnje.
S 1 S 2 Količina z = min(10x1 + 20x2 ) uz uvjete

P 1 1 1 3 x1 + x2 ≥ 3
P 2 1 5 5 x1 + 5x2 ≥ 5
P 3 2 1 4 2x1 + x2 ≥ 4
Cijene 25 20 x1 , x2 ≥ 0
x = (1, 2)T , z  = 65 .
Rješenje dualnog problema: y  = (15, 0, 5)T , z  = 65.
Primjer 8. (Sierksma, 2002) Neko poduzeće proizvodi kutije kratkih i dugih šibica;
– Profit po kutiji dugih šibica je 3 × $100, a po kutiji kratkih šibica 2 × $100;
– Stroj koji se koristi u proizvodnji može proizvesti 9 × 100 000 kutija kratkih ili dugih šibica;
– Po kutiji dugih šibica potrebno je 3m 3 , a po kutiji kratkih 1m 3 drva;
– Poduzeće godišnje raspolaže s 18 × 100000m 3 drva;
– Tržišna ograničenja za broj kutija dugih 7 × 100000 i kutija kratkih šibice 6 × 100000
x1 – broj kutija dugih šibica u ×100000
x2 – broj kutija kratkih šibica u ×100 000

x1 + x2 ≤ 9
3x1 + x2 ≤ 18
x1 ≤ 7
x2 ≤ 6
x1 , x2 ≥ 0
Rješenje: z  = 22.5 uz x 1 = x 2 = 4.5.
1. Mijenja li se rješenje ako se uvede dodatno ograničenje da poduzeće u sljedećoj godini po

ugovoru mora proizvesti barem 5 × 100 000 kutija bilo dugih bilo kratkih šibica ?
2. Kako se mijenja rješenje ako se promijeni funkcija cilja z = x 1 + x2 ?
Primjer 9. (Neralić, 2003) Problem proizvodnje


P 1 P 2 resursa (bi )
Stroj S 1 2 1 160
Stroj S 2 4 5 500
Stroj S 3 0 1 80
Profit (cj ) 10 25

2x1 + x2 ≤ 160
4x1 + 5x2 ≤ 500
x2 ≤ 80
x1 , x2 ≥ 0
Rješenje: x1 = 25, x 2 = 80, z  = 2250.

Primjedba: Strojevi S 2 , S 3 su u potpunosti iskoristeni, a stroj S 1 ima slobodni kapacitet od 30
sati.
Dualni problem:
max(160w1 + 500w2 + 80w3 ) uz uvjete

2w1 + 4w2 ≥ 10
w1 + 5w2 + w3 ≥ 25
w1 , w2 , w3 ≥ 0
Rješenje: w1 = 0, w2 = 2.5, w3 = 12.5, z  = 2250. (objasniti “dualne cijene”, “cijene u sjeni”,
“oportunitetni troskovi”)
Zadatak 5. Postavite LP za sljedeći problem proizvodnje

P 1 P 2 resursa (bi )
Stroj S 1 3 2 12
Stroj S 2 5 2 10
Profit (cj ) 1 0.5

(a) Geometrijski riješite ovaj LP.
(b) Ako je kapacitet prvog stroja b1 = 10 fiksan, a kapacitet drugog stroja poraste na b2 = 20,
kako će se promijeniti optimalno rješenje ? Što će se dogoditi ako je b2 > 20 ?
(c) Postavite, riješite i diskutirajte odgovarajući dualni problem.
Primjer 10. (Problem prehrane) (Martić, 1966; Neralić, 2003) Treba definirati program prehrane
grupe ljudi (primjerice vojske), tako da jelovnik bude raznolik, da sadrzava dovoljnu kolicinu
potrebnih hranjivih sastojaka (bjelancevina, masti, vitamina, ugljikohidrata,...), a da izdaci za
sirovine budu minimalni;
– H 1 , . . . , Hn – prehrambeni artikli na tržištu
– b j – tržišna cijena prehrambenog artikla H j ;
– E 1 , . . . , En – hranjivi sastojci;
– ci – minimalni zahtjev za hranjivim sastojkom E i ;
– aij – količina hranjivog sastojka E i u jednoj jedinici prehrambenog artikla H j ;
– y j – količina prehrambenog artikla H j ;
Hranjivi H 1 H 2 . . . H n Minimalni

sastojci zahtjevi
E 1 a11 a12 . . . a1n c1
E 2 a21 a22 . . . a2n c2
... ... ... ... ... ...
E m am1 am2 . . . amn cm
Cijene: b1 b2 . . . bn
Tablica 10: Podaci o prehrani
 n
min b j y j uz uvjete
y1 ,...,yn
j =1
 n
y j aij ≥ c i , i = 1, . . . , m ,
j =1
y1 , . . . , yn ≥ 0
Zadatak 6. Raspolažemo s dva prehrambena artikla: kruh i sir i kontroliramo samo dva hranjiva
sastojka: kalorije i proteini. Poznato je da 1 lb 2 kruha sadrži oko 1 000 kalorija i 25 g proteina,
a 1 lb sira 2000 kalorija i 100 g proteina. Standardna hrana za 1 dan treba sadržavati barem
3000 kalorija i 100 g proteina.
(a) Ako je cijena kruha 6 kn, a sira 21 kn po lb, kako bi izgledala optimalna prehrana ? Je li
to jedino optimalno rješenje ? Koliki su minimalni troškovi ishrane ?
2
lb: funta – pola kilograma

(b) Ako se cijena kruha poveća na 10.5 kn, a cijena sira ostane nepromijenjena, koliko se u
tom slučaju može sastaviti optimalnih programa prehrane i koji su to programi ? Koliki su
troškovi svakog od tih programa ?
(c) Pokažite da problem prehrane ima beskonačno mnogo rješenja ako je cijena kruha 6 kn, a
sira 24 kn po lb. Koji od tih optimalnih programa sadrži najmanje kruha ?
(d) Neka je p1 cijena kruha, a p2 cijena sira. Pokažite da optimalni program prehrane sadrži
samo kruh ako je p1 < 41 p2 , a samo sir ako je p1 > 21 p2 . U kojem intervalu mora biti
cijena kruha p 1 , da bi i kruh i sir bili u optimalnom programu ? U kojem odnosu su cijene
kruha i sira u slučaju postojanja više optimalnih rješenja ?
(d) Formulirajte dualni problem i diskutirajte ga. Što su u ovom slučaju cijene u sjeni ?
Primjer 11. (Problem transporta) (Martić, 1966; Neralić, 2003) Iz m ishodišta (skladišta) neku
robu treba transportirati u n odredišta (trgovina), tako da ukupni transportni troškovi budu mi-
nimalni;
– a1 , . . . , am ≥ 0 – količina robu u ishodištima
– b1 , . . . , bn ≥ 0 – potražnja robe po odredištima;
– cij ≥ 0 – cijena prevoza jedne jedinice robe iz ishodišta ai u odredište b j ;
– xij – količina robe koju se namjerava prevesti iz ishodišta ai u odredište b j ;
I/O b1 b2 . . . bn
a1 c11 c12 . . . c1n
a2 c21 c22 . . . c2n
... ... ... ... ...
am cm1 cm2 . . . cmn
Tablica 11: Podaci o transportu
n
 m
min cij xij uz uvjete
xij
j =1 i=1
 n
xij ≤ a i , i = 1, . . . , m ,
j =1
m
xij ≥ b j , j = 1, . . . , n ,
i=1
xij ≥ 0
Pokažite da vrijedi
n
  m
b j ≤ ai
j =1 i=1

Zadatak 7. Konstruirajte jedno moguce rjesenje za problem transporta ako je

(a) a1 = 10, a2 = 14, b1 = 3, b2 = 8, b3 = 9.
(b) a1 = 10, a2 = 14, b1 = 5, b2 = 9, b3 = 10.
2.4 Povijesni pregled

Smatra se da je potrebne osnove za rješavanje problema linearnog programiranja dao francu-
ski matematičar J. B. J. Fourier 1827. godine u radu o rješavanju sustava linearnih nejednadžbi.
Problem linearnog programiranja formulirao je 1939. godine ruski matematičar L. V. Kantorovič,
ali je to na Zapadu dugo ostalo nepoznato. Tijekom II. svjetskog rata problem linearnog pro-
gramiranja na razne načine koristio se u svrhu ratnih napora.
1947. godine G. B. Dantzig je predložio najvažniju metodu za rješavanje problema linearnog
programiranja: Symplex Method za potrebe američkog ratnog zrakoplovstva, a 1951. objavio je
tu metodu.
1975. godine ruski matematičar L. V. Kantorovič i nizozemski ekonomistom T. C. Koopman
dobili su Nobelovu nagradu za model linearnog programiranja u teoriji optimalne alokacije
resursa. Dantzigov rad smatrao se previše matematičkim, a Nobelova nagrade se ne dodjeljuje
za područje matematike.
3 Metode za rješavanje
Primjer 12. Razmotrimo ponovo Primjer 1. Treba maksimizirati funkciju cilja
f (x1 , x2 ) = 20x1 + 30x2 uz uvjete

2x1 + 4x2 ≤ 16
2x1 + x2 ≤ 10
x2 ≤ 3
x1 , x2 ≥ 0
Skup mogućih rješenja S u ovom slučaju je konveksni poliedar (konveksni politop jer je
ograničen) prikazan na Slici 1. On ima 5 vrhova koji se nalaze na presjecima parova 5 pravaca koji
geometrijski predstavljaju rubove poluravnina. Budući da se maksimum funkcije cilja postiže
na barem jednom vrhu ovog konveksog poliedra, jedna mogućnost je provjeriti njenu vrijednost
u svim vrhovima. U ovom slučaju to je lako jer je broj vrhova malen
Vrhovi (0, 0) (0, 3) (2, 3) (4, 2) (5, 0)
Funkcija cilja 0 90 130 140 100
Dakle najprije bi trebalo riješiti 52 = 10 sustava dvije jednadžbe s dvije nepoznanice. Na

 
taj način dobivamo 9 točaka (jedan sustav nema rješenja). Za svaku točku treba provjeriti svih
5 restrikcija, a za one točke koje zadovoljavaju svih 5 restrikcija izračunati vrijednost funkcije
cilja.

Općenito LP problem može imati n varijabli i m restrikcija, Ako je m ≥ n , trebalo bi riješiti

 m m!
= ,
n n!(m − n)!
sustava od n jednadžbi s n nepoznanica, čime dobivamo toliko ili manje točaka iz R n . Odmah je
jasno da bi to mogao biti vrlo veliki broj. Primjerice za m = 50 i n = 10 taj broj je 10272278170.
Zato se ova metoda ozbiljno ne razmatra.
3.1 Geometrijska metoda

U slučaju n = 2 ili eventualno n = 3 konveksni poliedar moguće je nacrtati i uočiti sve nje-
gove vrhove. Točku optimalnog rješenja mogli bi potražiti sljedećim iterativnim postupkom –
algoritmom.
Algoritam 1. (Geometrijska metoda)
Korak 1: Odaberemo jedan vrh (početnu aproksimaciju) A0 i u njemu izračunamo vrijednost funkcije cilja
z0 ;
Korak 2: Za svaki susjedni vrh izračunamo vrijednost funkcije cilja i zadržimo se na onom vrhu u kome
smo postigli najveću vrijednost (za n = 2 broj susjednih vrhova je 2 , a za n = 3 to već može biti
puno veći broj);
Korak 3: Ponavljamo Korak 2 dok god se vrijednost funkcije cilja povećava.
Za podatke iz Primjera 1 tijek iterativnog postupka opisanog u Algoritmu 1 je

Iteracija Vrh Funkcija cilja Susjedni vrhovi
0 (0, 0) 0 (0, 3), (5, 0)
1 (5, 0) 100 (0, 0), (4, 2)
2 (4, 2) 140 (5, 0), (2, 3)
Na taj način određeno je optimalno dopustivo rješenje (x1, x2 ) = (4, 2), na kome funkcija cilja
postiže optimalnu vrijednost z  = 140.
Primjedba 1. Neka je z ∈ R ++ . Jednadžbom z + 20x1 + 30x2 određen je pravac, koji zapisan u
eksplicitnom obliku glasi
z 2
x2 =
− x1 .
30 3
Njegov graf prikazan je na Slici 1b. Za z = 0 taj pravac prolazi ishodištem, a uzimanjem sve
veće pozitivne vrijednosti za broj z , graf pravca pomiče se prema rubu skupa dopustivih rješenja
S . Na taj način također možemo odrediti optimalno dopustivo rješenje.
Kroz primjere navesti primjere s odgovarajucim slikama:
– za slučaj neograničenog dopustivog područja
– za slučaj kada je dopustivo područje prazan skup
– za slučaj kada se rjesenje postize na strnici poliedra
Takodjer nacrtati jedan primjer u trodimenzionalnom podrucju

3.2 Simpleks metoda

Primjer 13. Razmotrimo ponovo Primjer 1, odnosno Primjer 12.
Maksimizirati z = 20x1 + 30x2

uz uvjete 2x1 + 4x2 ≤ 16
2x1 + x2 ≤ 10
x2 ≤ 3
x1 , x2 ≥ 0
Ako uvedemo novu varijabu

s1 = 16 − 2x1 − 4x2 ,
onda je prva restrikcija ekvivalentna zapisu s1 ≥ 0 . Drugim riječima varijabla s1 lijevu stranu
nejednakosti dopunjava do jednakosti. Zato varijablu s 1 nazivamo dopunska varijabla . U ovom
primjeru dopunska varijabla s 1 ima značenje neiskorištenog kapaciteta strojnog rada.
Ako za svaku restrikciju iz navedenog primjera uvedemo dopunsku varijablu, onda LP pro-
blem možemo formulirati na sljedeći način.
Maksimizirati z = 20x1 + 30x2 (3.1)

uz uvjete s1 = 16 − 2x1 − 4x2 (3.2)
s2 = 10 − 2x1 − x2 (3.3)
s3 = 3 − x2 (3.4)
x1 , x2 , s1 , s2 , s3 ≥ 0
Kao kod geometrijske metode dane u Algoritmu 1 krenimo od pocetne aproksimacije: x(0) 1 = 0,
(0) (0) (0) (0)
x2 = 0 (vrh (0, 0) na Slici 1). Vrijednosti dopunskih varijabli su s 1 = 16, s 2 = 10, s3 = 3,
a vrijednost funkcije cilja z (0) = 0 .
Primjedba 2 . Zavisne varijable sustava (3.2)–(3.4) zovu se bazične varijable , a nezavisne varijable
tog sustava zovu se nebazične varijable .
Proizvodnju ima smisla pokrenuti s maksimalno dopustivom količinom proizvoda P 2 jer, kao
što se vidi iz funkcije cilja (3.1), on donosi veći profit. Kako za x 1 = 0 mora biti
s1 = 16 − 4x2 ≥ 0 ⇒ x2 ≤ 4,
s2 = 10 − x2 ≥ 0 ⇒ x2 ≤ 10,
s3 = 3 − x2 ≥ 0 ⇒ x2 ≤ 3,
najveća dopustiva količina proizvoda P 2 je x 2 = 3 jer
x2 ≤ 3 ⇒ x2 ≤ 4 & x2 ≤ 10.

(1) (1)
Primijetite da je 3 = min{ 16 10 3
4 , 1 , 1 }. Tako dobivamo prvu aproksimaciju x1 = 0 , x 2 = 3 (vrh
(1) (1) (1)
(0, 3) na Slici 1). Vrijednosti dopunskih varijabli sada su s 1 = 4 , s 2 = 7 , s 3 = 0 , a vrijednost
funkcije cilja z (1) = 90 .
Iz jednakosti
s3 = 3 − x2
izrazimo x 2 = 3 − s3 pa sada LP problem (3.1)–(3.4) mozemo zapisati
Maksimizirati z = 20x1 + 30(3 − s3 ) = 90 + 20x1 − 30s3 (3.5)

uz uvjete s1 = 16 − 2x1 − 4(3 − s3 ) = 4 − 2x1 + 4s3 (3.6)
s2 = 10 − 2x1 − (3 − s3 ) = 7 − 2x1 + s3 (3.7)
x2 = 3 − s3 (3.8)
x1 , x2 , s1 , s2 , s3 ≥ 0
Bazične varijable sada su s1 , s2 , x2 , a nebazične x1 , s3 . Dakle, varijable x2 i s3 zamijenile su

mjesta: x2 je postala bazična, a s 3 nebazična varijabla.
Budući da je u funkciji cilja (3.5) koeficijent uz varijablu x 1 pozitivan (20), može se očekivati
da će se funkcija cilja (vrijednost proizvodnje) povećati uvođenjem u proizvodnju proizvoda P 1 .
Kako za s 3 = 0 mora biti
s1 = 4 − 2x1 ≥ 0 ⇒ x1 ≤ 2,
s2 = 7 − 2x1 ≥ 0 ⇒ x1 ≤ 3.5,
x2 = 3 ≥ 0,
najveća dopustiva količina proizvoda P 1 je x 1 = 2 jer
x1 ≤ 2 ⇒ x1 ≤ 3.5.
Primijetite da je 2 = min{ 42 , 72 }.

Iz jednakosti
s1 = 4 − 2x1 + 4s3
izrazimo x 1 = 2 − 21 s1 + 2s3 pa sada LP problem (3.5)–(3.8) mozemo zapisati
Maksimizirati z = 90 + 20(2 − 21 s1 + 2s3 ) − 30s3 = 130 − 10s1 + 10s3 (3.9)
uz uvjete x1 = 2 − 21 s1 + 2s3 (3.10)
s2 = 7 − 2(2 − 21 s1 + 2s3 ) + s3 = 3 + s1 − 3s3 (3.11)
x2 = 3 − s3 (3.12)
x1 , x2 , s1 , s2 , s3 ≥ 0
s1 je postala nebazična, a x1 bazična varijabla. (Treba li uopce u ovakvom pristupu pojam

bazicne i nebazicne varijable ?) Tako dobivamo drugu aproksimaciju x(2) (2)
1 = 2, x2 = 3 (vrh

(2) (2) (2)

(2, 3) na Slici 1). Vrijednosti dopunskih varijabli sada su s 1 = 0 , s 2 = 3 , s 3 = 0 , a vrijednost
funkcije cilja je z (1) = 130.
Budući da je u funkciji cilja (3.9) koeficijent uz varijablu s 3 pozitivan (10), može se očekivati
da će se funkcija cilja (vrijednost proizvodnje) povećati većim angažiranjem tržišnih mogućnosti
(što većim ispunjenjem treće restrikcije). Kako za s 1 = 0 mora biti
x1 = 2 + 2s3 ≥ 0 ⇒ s3 ≥ −1,
s2 = 3 − 3s3 ≥ 0 ⇒ s3 ≤ 1,
x2 = 3 − s3 ≥ 0 ⇒ s3 ≤ 3,
najveća dopustiva količina neangažiranja tržišta je s 3 = 1 jer
s3 ≤ 1 ⇒ s3 ≥ −1 & s3 ≤ 3.
Primijetite da je 1 = min{ 31 , 33 }.

Iz jednakosti
s2 = 3 + s1 − 3s3 ,
izrazimo s 3 = 1 + 31 s1 − 31 s2 pa sada LP problem (3.9)–(3.12) mozemo zapisati
Maksimizirati z = 130 − 10s1 + 10(1 + 31 s1 − 31 s2 ) = 140 − 20 10

3 s 1 − 3 s 2
uz uvjete x1 = 2 − 21 s1 + 2(1 + 31 s1 − 31 s2 ) = 4 + 61 s1 − 32 s2
s3 = 1 + 31 s1 − 31 s2
x2 = 3 − (1 + 31 s1 − 31 s2 ) = 2 − 31 s1 + 31 s2
x1 , x2 , s1 , s2 , s3 ≥ 0
Tako dobivamo treću aproksimaciju x(3) (3)

1 = 4, x2 = 2 (vrh (4, 2) na Slici 1). Vrijednosti
dopunskih varijabli sada su s (3) (3) (3)
1 = 0 , s 2 = 1, s 3 = 0 , a vrijednost funkcije cilja je z
(1)
= 140.
3.2.1 Tablični prikaz Simpleks metode

x 1 x2 s 1 s 2 s 3 b i
2 4 1 0 0 16     16
0
2 1 0 1 0 10 x(0) = , s(0) = 10 , z (0) = 0
0
 
0 1 0 0 1 3 3
−20 −30 0 0 0 0
x1 x2 s1 s2 s3 bi
2 0 1 0 −4 4    4
(1) 0 (1)
2 0 0 1 −1 7 x = , s = 7 , z (1) = 90
3
 
0 1 0 0 1 3 0
−20 0 0 0 30 90

x1 x2 s1 s2 s3 bi
1 0 1/2 0 −2 2     0
2
0 0 −1 1 3 3 x(2) = , s(2) = 3 , z (2) = 130
3
 
0 1 0 0 1 3 0
0 0 10 0 −10 130
x1 x2 s1 s2 s3 b i
1 0 −1/6 2/3 0 4     0
(3) 4 (3)
0 0 −1/3 1/3 1 1 x = , s = 1 , z (3) = 140
2
 
0 1 1/3 −1/3 0 2 0
0 0 20/3 10/3 0 140
Primjedba 3. Primijetite da iz posljednje simpleks tablice mogu očitati i optimalne vrijednosti
dualnih varijabli (cijene u sjeni): w1 = 20 10
3 , w 2 = 3 , w 3 = 0 .
 
4 Problem cjelobrojnog programiranja

Primjer 14. Razmotrimo sljedeći LP problem (Slika 3a:
Maksimizirati z = 35x1 + 100x2 uz uvjete

25x1 + 100x2 ≤ 343.75
1375x1 + 100x2 ≤ 4056.25
100x2 ≤ 325
x1 , x2 ≥ 0
Njegovo rješenje postiže se za x = (2.75, 2.75)T , a vrijednost funkcije cilja je z  = 371.25
(vidi Sliku 3a).
Međutim, ako bi zahtijev bio pronaći maksimum iste funkcije cilja, ali uz uvjet da varijable
smiju primiti samo nenegativne cjelobrojne vrijednosti x 1 , x2 ∈ Z +, onda se dopustivo područje
sastoji samo od 11 točaka (Slika 3b, a maksimalna vrijednost funkcije cilja postiže se u točki
xI = (1, 3)T , pri čemu je zI  = 335. Problem pronalaženja optimalne točke s cjelobrojnim koor-
dinatama u dopustivom području naziva se problem cjelobrojnog programiranja(Barković,
2010; Vanderbei, 2001; Sierksma, 2002).
Odmah bi nam moglo pasti na pamet da potražimo optimalnu točku, kao rješenje klasičnog
(realnog) LP problema i onda zaokruživanjem njenih koordinata prema dolje dobijemo cjelo-
brojno rješenje.
Zašto zaokruživanje prema gore ne bi imalo smisla?
U našem bi primjeru zaokruživanjem dobili točku x̂ = (2, 2)T i vrijednost funkcije cilja
ẑ = 270.
z z
Primijetite da je relativna pogreška funkcije cilja kod cjelobrojnog programiranja ( | z− I | ),

10%, dok je relativna pogreška funkcije cilja kod metode zaokruživanja ( |z z−ẑ |
 ) znatno veća i
iznosi oko 30%.

a) LP-problem b) IP-problem
4 4
3 3
2 2
1 1
1 2 3 4 1 2 3 4
Slika 3: LP i odgovarajući IP problem
Zbog toga su u literaturi razrađene brojne metode za rješavanje problema cjelobrojnog pro-
gramiranja. Najpoznatija takva metoda je metoda grananja i ograđivanja (Branch-and-bound
Method) (vidi primjerice (Sierksma, 2002)).
4.1 Neki specijalni problemi cjelobrojnog programiranja

4.1.1 Problem ranca
Primjer 15. (Sierksma, 2002) U kontejner poznatog volumena 15 m 3 treba smjestiti što više
primjeraka od 5 objekata poznatog volumena i poznatog prihoda po komadu .
Objekt Prihod Volumen

1 5 5
2 3 4
3 6 7
4 6 6
5 2 2
Tablica 12: Podaci za problem ranca
S xi , i = 1, . . . , 5 označimo broj komada pojedinog objekta koji treba staviti u kontejner tako
da ukupni prihod bude maksimalan. Odgovarajući ILP (ineger linear programming) problem
možemo zapisati
Maksimizirati z = 5x1 + 3x2 + 6x3 + 6x4 + 2x5 uz uvjete

5x1 + 4x2 + 7x3 + 6x4 + 2x5 ≤ 15
xi ∈ Z +
Specijalno, može se promatrati problem ranca kod kojega je xi ∈ {0, 1}. To znači da u
kontejner želimo staviti po jedan primjerak od samo nekih objekata, tako da ukupni prihod

bude maksimalan. U tom slučaju govorimo o 0-1 programiranju.

Zadatak 8. Riješite problem iz prethodnog primjera kao problem cjelobrojnog programiranja i
kao problem 0-1 programiranja korištenjem programa dostupnog na
http: // www. zweigmedia. com/ RealWorld/ LPGrapher/ lpg. html .
Zadatak 9. Razmotrite primjer naveden kod (Barković, 2010), str.78.
4.1.2 Problem asignacije
Primjedba 4. Vrijedi:
• (∀a, b ∈ R ) a · b = 0 ⇔ (a = 0) ∨ (b = 0) ∨ (a = 0 ∧ b = 0)
• ∀a, b ∈ {0, 1},
a + b = 1 ⇔ (a = 1 ∧ b = 0) ∨ (a = 0 ∧ b = 1)

a + b ≤ 1 ⇔ (a = 0 ∧ b = 0) ∨ (a = 0 ∧ b = 1) ∨ (a = 1 ∧ b = 0)
n – izvođača radova;
m – poslova;
cij – cijena po kojoj i -ti izvođač nudi izvođenje posla j ;
 1, i-ti posao izvodi j -ti ponuđač,
xij =
0, i-ti posao ne izvodi j -ti ponuđač
5 1
6
1
5 2
2
2
3
3
Slika 4: Problem asignacije
(a) Treba odrediti najpovoljniju ponudu tako da oba posla (vidi Sliku 4) budu pridružena
barem jednom ponuditelju.
Minimizirati z = 5x11 + 4x12 + 2x13 + 6x21 + 5x22 + 3x23
uz uvjete x11 + x21 = 1
x12 + x22 = 1
x13 + x23 = 1
xij ∈ {0, 1}

Matrični zapis:
 1 0 0 1 0 0
   1
z = c T → min
A = 0 1 0 0 1 0 b = 1
    Ax = b
0 0 1 0 0 1 1
c = ( 5 4 2 6 5 3 )T
x = (x11 , x12 , x13 , x21 , x22 , x23 )T
Rješenje: x = (1, 1, 1, 0, 0, 0)T , z  = 11.
(b) Treba odrediti najpovoljniju ponudu tako da oba posla (vidi Sliku 4) budu pridružena
barem jednom ponuditelju i da svaki ponuditelj dobije barem jedan posao.
Prethodnom sustavu restrikcija treba dodati
x11 + x12 + x13 ≥ 1
x21 + x22 + x23 ≥ 1
Matrični zapis:
 1 0 0 1 0 0
  1

 0 1 0 0 1 0   1  z = c T → min
A = 0 0 1 0 0 1 b = 1
Ax ≥ b
1 1 1 0 0 0 1
   
0 0 0 1 1 1 1
c = ( 5 4 2 6 5 3 ) T
x = (x11 , x12 , x13 , x21 , x22, x23 )T
Rješenje: x = (0, 1, 1, 1, 0, 0)T , z  = 12 .
Zadatak 10. Za slučaj (a) i slučaj (b) napišite odgovarajuće dualne probleme. Primjenom
gotovog programa pronađite rješenja i protumačite njihovo značenje.
Rješenje: (a) y  = (5, 4, 2)T , z  = 11, (b) y  = (5, 4, 2, 0, 1)T , z  = 12
4.1.3 Transportni problem
n – skladišta (ishodišta);
m – trgovina (odredišta);
Ishodište i raspolaže sa S i robe
Odredište j potražuje barem D j robe
cij – troškovi transporta jedne jedinice robe iz ishodišta i u odredište j ;
xij – količina robe koja iz ishodišta i odlazi u odreište j

1
(1000)
(1200) 1
2 (400)
(1000) 2
3 (750)
Slika 5: Transportni problem
Matrični zapis:
 −1 −1 −1 0 0 0
  −1200

 0 0 0 −1 −1 −1   −1000  z = c T → min
A = 1 0 0 1 0 0 b = 1000
Ax ≥ b
0 1 0 0 1 0 400
   
0 0 1 0 0 1 750
c = ( 35 30 40 37 40 42 )T
x = (x11 , x12 , x13 , x21 , x22 , x23 )T
Rješenje: x = (50, 400, 750, 950, 0, 0)T , z  = 78900.
Zadatak 11. Napišite odgovarajući dualni problem. Primjenom gotovog programa pronađite
rješenje i protumačite značenja dualnih varijabli.
Rješenje: y  = (2, 0, 37, 32, 42)T , z  = 78900
4.1.4 Problem najkraćeg puta
m – broj čvorova;
n – broj lukova (bridova);
cij – trošak prolaza od i -tog do j -tog čvora;
 1, ako je luk od čvora i do čvora j na putu,
xij =
0, inače
17
2 6 Odredište
15 6 6
1 8 4 10
Ishodište 5 4
10
3 5
10
Slika 6: Problem najkraćeg puta

Za ishodišni čvor mogu postojati samo izlazi;

Za odredišni čvor mogu postojati samo ulazi;
Za svaki unutrašnji čvor vrijedi: ako uđemo u njega, moramo ga i napustiti.
Minimizirati z = 15x12 + 10x13 + 6x24 + 17x26 + 8x32 + 5x34 + 10x35 + 4x45 + 5x46 + 2x56
uz uvjete x12 + x13 = 1 (ishodišni čvor 1 mora se napustiti)
x12 + x32 − x24 − x26 = 0 (unutrašnji čvor 2 )
x13 − x32 − x34 − x35 = 0 (unutrašnji čvor 3 )
x35 + x45 − x56 = 0 (unutrašnji čvor 5 )
x26 + x46 + x56 = 1 (mora se doći u odrdišni čvor 6 )
xij ∈ {0, 1}
x : x12 x13 x24 x26 x32 x34 x35 x45 x46 x56
x : 0 1 0 0 0 1 0 1 0 1 z  = 21.
17
2 6 Odredište
15 6 6
1 8 4 10
Ishodište 5 4
10
3 5
10
Slika 7: Najkraći put
Zadatak 12. Napišite odgovarajući dualni problem. Primjenom gotovog programa pronađite
rješenje i protumačite značenja dualnih varijabli.
4.1.5 Problem maksimalnog toka
n – broj lukova (bridova);
cij – prihod od i -tog do j -tog čvora; ako je c i0 ,j0 = 0, nećmo ići od čvora i 0 prema čvoru j 0 ;
1, ako je luk od čvora i do čvora j na putu,
xij =
0, inače

8 0 F
0 2 6
1 6 0 0
10 0 3
F
1 4
10 4 2
1 4 2 5
0 3 5
12 0
Slika 8: Problem maksimalnog toka
Maksimizirati z = F (maksimalni protok)

uz uvjete x12 + x13 − F = 0 (ishodišni čvor 1 mora se napustiti)
x12 + x32 − x23 − x24 − x26 = 0 (unutrašnji čvor 2 )
x13 + x23 + x43 − x32 − x34 − x35 = 0 (unutrašnji čvor 3 )
x24 + x34 + x54 − x43 − x45 − x46 = 0 (unutrašnji čvor 4 )
x26 + x46 + x56 − F = 0 (mora se doći u čvor 6 )
x12 ≤ 10, x13 ≤ 10, x23 ≤ 1, x26 ≤ 8, x24 ≤ 6, x32 ≤ 1, x34 ≤ 4,
x35 ≤ 12, x43 ≤ 4, x45 ≤ 2, x46 ≤ 3, x54 ≤ 2, x56 ≤ 5
xij ∈ {0, 1}
8 F  = 16
2 6
0 3
F  = 16 10 3
1 4
6 0 0
1 0 0 5
3 5
5
Slika 9: Maksimalni tok
x : x12 x13 x23 x24 x26 x32 x34 x35 x43 x45 x46 x53 x56
x : 10 6 0 3 8 1 0 5 0 0 3 0 5 F  = 16.
4.1.6 Metoda kritičnog puta za planiranje realizacije projekta
Kontrola i evaluacija projekta

Kako identificirati uska grla
Koliko je neophodno vrijeme za realizaciju projekta

n – broj lukova (aktivnosti u projektu);
cij – procijenjeno vrijeme trajanja projekta od čvora i do čvor j ;
1, ako je projektna aktivnost i → j na kritičnom putu,
xij =
0, inače
Najkraće vrijeme potrebno za realizaciju projekta uzima se kao trajanje najdužeg puta.
Za podatke iz t.4.1.4 dobivamo
x : x12 x13 x24 x26 x32 x34 x35 x45 x46 x56
x : 0 1 0 1 1 0 0 0 0 0 z  = 35.
17
2 6 Odredište
15 6 6
1 8 4 10
Ishodište 5 4
10
3 5
10
Slika 10: Najduži put
4.1.7 Problem minimalnih troškova toka
2, 4
2 4
(5)
4, 15 6, 10 1, 15
(20) 1 2,  2, 
4, 8
3, 5
3 5 (15)
1, 4
Slika 11: Problem minimalnih troškova toka ovisni o troškovima i kapacitetima lukova

Minimizirati z = 4x12 + 4x13 + 2x23 + 2x24 + 6x25 + 1x34 + 3x35 + 2x45 + x53
uz uvjete x12 + x13 ≤ 20 (ishodišni čvor 1 dozvoljava 20 )
x12 − x23 − x24 − x25 = 0 (unutrašnji čvor 2 )
x13 + x23 + x53 − x34 − x35 = 0 (unutrašnji čvor 3 )
x24 + x34 − x45 = 5 (čvor 4 potražuje 5 )
x25 + x35 + x45 − x53 = 15 (čvor 5 potražuje 15 )
x12 ≤ 15, x13 ≤ 8, x24 ≤ 4, x25 ≤ 10, x34 ≤ 15, x35 ≤ 5, x53 ≤ 4
xij ≥ 0
Rješenje:
x : x12 x13 x23 x24 x25 x34 x35 x45 x53
x : 12 8 8 4 0 11 5 10 0 z  = 35.
Ovaj problem uključuje sve prethodno razmatrane probleme, tj. svaki od prethodno razma-
tranih problema može se promatrati kao specijalan slučaj problema minimalnih troškova toka:
• problem maksimalnog toka razmatran u t.4.1.5 može se gledati kao tok koji maksimizira
kapacitete u mreži;
• problem najkraćeg puta razmatran u t.4.1.4 može se gledati kao tok koji minimizira tro-
škove u mreži;
• transportni problem razmatran u t.4.1.3 može se gledati kao tok koji dozvoljava višestruka
ishodišta i odredišta.
4.1.8 Problem trgovačkog putnika
Trgovački putnik polazi iz ishodišta (čvor 0 na Slici 12) i mora obići n čvorova (gradova), tako da
ni u jedan ne dolazi više od jedanput, a da troškovi puta budu minimalni. Na Slici 12 naznačeni
su troškovi pojedinih dionica puta. Primijetite da je broj svih mogućih ruta jednak broju svih
permutacija redosljeda obilaska gradova. Primjerice, već za relativno mali broj n = 20, broj
svih mogućih obilazaka je ogroman: n! = 2432008176640000 ≈ 2.4 × 1018 . Slično kao i ranije,
označimo:
cij – procijenjeni troškovi puta i ↔ j ;
1, ako je putnik prešao putod čvora i do čvora j ,
xij =
0, inače

3
40
2
40
35
25
50 45 65
4
50
1
80
30
0
Slika 12: Problem trgovačkog putnika (0 je početak i kraj puta)
Polazni model:
n

Minimizirati z = cij xij (4.1)
i=0 j 
=i
uz uvjete
 xij = 1, za svaki i = 0, 1, . . . , n
j 
=i
(iz i -tog čvora putnik može otići samo u jedan novi čvor)
 xij = 1, za svaki j = 0, 1, . . . , n
i
= j
(u j -ti čvor putnik može doći samo iz jednog čvora)
xij ∈ {0, 1}
Prvo prolazno rješenje pokazuje da se pojavilo kruženje u subputu 0 − 2 − 1 − 0:

xij 0 1 2 3 4
0 × 0 1 0 0
1 1 × 0 0 0
z  = 170
2 0 1 × 0 0
3 0 0 0 × 1
4 0 0 0 1 ×
Zato dodajemo novu restrikciju čime dobivamo novo rješenje s malo povećanom vrijednosti
funkcije cilja:
x01 + x10 + x12 + x21 + x02 + x20 ≤ 2,
xij 0 1 2 3 4
0 × 1 0 0 0
1 1 × 0 0 0
z  = 175
2 0 0 × 1 0
3 0 0 0 × 1
4 0 0 1 0 ×
I drugo prolazno rješenje pokazuje da se opet pojavilo kruženje u novom subputu 0 − 1 − 0. Zato
dodajemo novu restrikciju
x01 + x10 ≤ 1,

i na taj način dobivamo novo – završno rješenje s konačnom vrijednosti funkcije cilja:
xij 0 1 2 3 4
0 × 0 0 1 0
1 1 × 0 0 0
z  = 195
2 0 1 × 0 0
3 0 0 0 × 1
4 0 0 1 0 ×
Dakle optimalna ruta je: 0 − 3 − 4 − 2 − 1 − 0, pri čemu su troškovi puta z  = 195.

Primjedba 5. Problem se može definirati tako da se automatski ispituju i eliminiraju subputovi.
Modelu (4.1) treba dodati sljedeće restrikcije (vidi (Vanderbei, 2001)):
t j ≥ t i + 1 − (n + 1)(1 − xij ), i ≥ 0, j ≥ 1, i 

= j,
t0 = 0,
ti ∈ {0, 1, . . . , n}.
Na taj način u modelu se pojavljuje n 2 + n + 1 varijabla.
4.1.9 Investicijsko odlučivanje
D – kapital raspoloživ za investiranje;

n – broj projekata;
d j – veličina inesticije u projekt j ;
p j – profit od projekta j ;
 1, poduzeće je odlučilo investirati u projekt j ,
x j =
0, inače
n
j =1 d j x j – ukupna investicija;

n
j =1 p j x j – ukupni profit;

n
D – kapital raspoloživ za investiranje nije dovoljan za pokretanje svih projekata.
 j =1 d j >
Primjer 16. U niže navedenoj tablici vidljive su potrebne inesticija u projekte d j , profiti po
projektima p j , a u Tablici 13 rješenja problema za D = 200, 300, 400. Pri tome komparirana
su rješenja koja se dobivaju realnim i cjelobrojnim linearnim programiranjem uz korištenje pro-
gramskog sustava Mathematica:
Projekt I II III IV
dj 100 80 120 152
pj 25 20 30 40

Primarni ILP:
n
Maksimizirati z = p j x j
j =1
n
uz uvjete d j x j ≤ D, (veličina ukupne inesticije ≤ raspoloživi kapital)
j =1
xij ∈ {0, 1}
In[1]:=c = {25., 20., 30., 40.};

A = {{100., 80., 120., 150.}, {1., 0, 0, 0}, {0, 1., 0, 0},
{0, 0, 1., 0}, {0, 0, 0, 1.}};
b = {400., 1., 1., 1., 1.};
lp = LinearProgramming[(-c), (-A), (-b), Automatic, Integers];
Print["Integer: x*= ", lp, ", z*=", c.lp]
D x1 x2 x3 x4
Real 200 0 0 .4167 1 52.5
Integer 200 0 1 1 0 50.0
Real 300 .3 0 1 1 77.5
Integer 300 1 1 1 0 75.0
Real 400 1 .375 1 1 102.5
Integer 400 1 0 1 1 95.0
Tablica 13: Projekti u koje treba investirati
4.1.10 Problem raspoređivanja
Problem se može razmatrati za medicinske sestre, vozače autobusa, kontrolore leta itd. Razmo-
trimo problem rasporeda broja medicinskih sestara u bolnici.
Zahtjevi Rješenje
Red.br. Perod dana Potrebno sestara Počinje smjenu Pridruženo sestara
1 8:00 - 10:00 10 10 10
2 10:00 - 12:00 8 0 10 (10+0)
3 12:00 - 14:00 9 8 18 (10+8)
4 14:00 - 16:00 11 2 20 (18+2)
5 16:00 - 18:00 13 3 13 (20+3-10)
6 18:00 - 20:00 8 0 13 (13-0)
7 20:00 - 22:00 5 0 5 (13-8)
8 22:00 - 24:00 3 0 3 (5-2)
Tablica 14: Potreban broj medicinskih sestara u bolnici
Sestre imaju 8 satno radno vrijeme organizirano po smjenama koje mogu početi od 8:00,
10:00, 12:00, 14:00, 16:00 sati. Na taj način pokriva se vrijeme od 8:00 do 24:00. U tom

vremenu mogu postojati manji ili veći zahtjevi za brojem sestara koji se očituju potrebom za
brojem sestara u dvosatnim periodima (vidi primjerice Tablicu 14). Treba pokriti radno vrijeme
tako da budu ispunjeni zahtjevi po periodima, a da pri tome ukupni broj sestara bude minimalan.
xi - broj sestara koje počinju rad u i -toj smjeni, i = 1, 2, 3, 4, 5. Primjerice, x 1 je broj sestara u
prvoj smjeni (8:00-16:00), x 2 je broj sestara u drugoj smjeni (10:00-18:00) itd.
Primarni ILP:
8
Minimizirati z = xi
i=1
uz uvjete x1 ≥ 10, (1. period)
x1 + x2 ≥ 8, (2. period)
x1 + x2 + x3 ≥ 9, (3. period)
x1 + x2 + x3 + x4 ≥ 11, (4. period)
x2 + x3 + x4 + x5 ≥ 13, (5. period)
x3 + x4 + x5 ≥ 8, (6. period)
x4 + x5 ≥ 5, (7. period)
x5 ≥ 3, (8. period)
xij ∈ Z+
Rješenje:
x : x1 x2 x3 x4 x5
x : 10 5 3 2 3 z  = 23.
Na Slici 13 prikazan je broj potrebnih (tamnije) i zaposlenih-pridruženih (svjetlije) sestara po
periodima.
20
15
10
10 12 14 16 18 20 22 24
Slika 13: Broj potrebnih (tamnije) i zaposlenih-pridruženih (svjetlije) sestara po periodima
4.1.11 Oglašavanje u marketingu
U nekoj zemlji izlazi 5 dnevnih listova (novina): A,B,C,D,E, a svaki pokriva barem jednu od 9
državnih regija (vidi Tablicu 15)

Dnevni listovi Regije koje pokriva Cijena oglasa

A 1, 2, 3 3
B 2, 3, 6 4
C 4, 5, 6 3
D 5, 7, 8 7
E 6, 8, 9 5
Tablica 15: Pojednostavljeni problem oglašavanja
 1, ako je oglas objavljen u dnevnom listu A ,

x1 =
0, ako oglas nije objavljen u dnevnom listu A
itd.
Primarni ILP:
Minimizirati z = 3x1 + 4x2 + 3x3 + 7x4 + 5x5

uz uvjete
x1 ≥ 1, (pokrivenost 1. regije) x2 + x3 + x5 ≥ 1, (pokrivenost 6. regije)

x1 + x2 ≥ 1, (pokrivenost 2. i 3. regije) x4 ≥ 1, (pokrivenost 7. regije)
x3 ≥ 1, (pokrivenost 4. regije) x4 + x5 ≥ 1, (pokrivenost 8. regije)
x3 + x4 ≥ 1, (pokrivenost 5. regije) x5 ≥ 1, (pokrivenost 9. regije)
xi ∈ {0, 1}
Rješenje:
x : x1 x2 x3 x4 x5
x : 1 0 1 1 1 z  = 18.
4.1.12 Problem krojenja/rezanja materijala
Promatrat ćemo jednostavni jednodimenzionalni problem. Skladište dasaka, koje raspolaže da-
skama duljine 10-ft, primilo je narudžbu za 50 dasaka duljine 3-ft, 65 dasaka duljine 4-ft i 40
dasaka duljine 5 -ft. Problem je odrediti minimalni broj dasaka duljine 10 -ft kojima će se pokriti
tražena narudžba.
Način rezanja 3-ft daske 4-ft daske 5-ft daske otpad
#1 3 0 0 1
#2 2 1 0 0
#3 1 0 1 2
#4 0 1 1 1
#5 0 2 0 2
#6 0 0 2 0
Tablica 16: Načini rezanja dasaka duljine 10-ft

Najprije primijetimo da se dasaka duljine 10-ft može rezati na više načina da bi se dobile
tražene duljine dasaka: 3-ft, 4 -ft, 5 -ft (vidi Tablicu 16).
xi = broj dasaka duljine 10-ft rezanih na način #i, i = 1, 2, 3, 4, 5, 6;
Primarni ILP:
Minimizirati z = x 1 + x2 + x3 + x4 + x5 + x6 , uz uvjete
3x1 + 2x2 + x3 ≥ 50, (zahtjev za 3 -ft daskama)
x2 + x4 + 2x5 ≥ 65, (zahtjev za 4 -ft daskama)
x3 + x4 + 2x6 ≥ 40, (zahtjev za 5 -ft daskama)
xi ∈ Z+
Rješenje:
x : x1 x2 x3 x4 x5 x6
x : 0 25 0 0 20 20 z  = 65.
Koliki je ukupni otpad?
Primjedba 6. Radi lakšeg korištenja stručne literature, koja je najviše dostupna na engleskom
jeziku navedimo neke osnovne termine.
slack variable – dopunska varijabla
feasible region – dopustivo područje
initial approximation – početna aproksimacija
shadow prices – cijene u sjeni
objective function – funkcija cilja
integer programming – cjelobrojno programiranje
knapsack problem – problem ranca
asignment problem – problem asignacije (pridruživanja)
transportation problem – transportni problem
shorthest path problem – problem najkraćeg puta
maximum flow problem – problem maksimalnog toka
kritical path method – metoda kritičnog puta
minimal cost flow problem – problem minimalnih troškova toka
traveling salesman problem – problem trgovačkog putnika
investicijsko odlučivanje – capital budgeting applications (???)
scheduling problem – problem raspoređivanja
Literatura
H. Bader, S. Fröhlich, Matematika za ekonomiste , original: Einführung in die Mathematik für
Volks- und Betriebswirte , s njemačkog preveo prof. Bogumir Schön, Rad, Beograd, 1980.
D. Barković, Operacijska istraživanja , drugo izdanje, Sveučilište u Osijeku, Osijek, 2010.
M.S.Bazaraa, H.D.Sherali, C.M.Shetty, Nonlinear Programming. Theory and Algorithms , 3 rd
Edition, Wiley, New Jersey, 2006.
Lj. Martić, Matematičke metode za ekonomske analize II , Narodne novine, Zagreb, 1966.
Lj. Martić, Primjena matematičkih metoda u ekonomskoj analizi , Informator, Zagreb, 1971.

L. Neralić, Uvod u matematičko programiranje , Element, Zagreb, 2003.

K.Sabo, Linearno programiranje (Radni materijal za predavanja), Odjel za matematiku, Sve-
učilište u Osijeku, 2011.
http://www.mathos.hr/lp/Materijali/predavanje16_lp.pdf
R. J. Vanderbei, Linear Programming. Fundations and Extensions , 2 rd Edition, Kluwer, 2001.

G. Sierksma, Linear and Integer Programming. Theory and Practice , 2 rd Edition, Marcel Dekker,
New York, 2002.

Kvantitativne Metode Za Poslovno Odlučivanje: IV. Linearno Programiranje

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

Kvantitativne Metode Za Poslovno Odlučivanje: IV. Linearno Programiranje

Uploaded by

Copyright:

Available Formats

Kvantitativne metode za poslovno odlučivanje ∗

2 Problem linearnog programiranja (LP) 2

• Tržište (kakva su tržišna okraničenja za pojedini proizvod koji se namjerava proizvoditi);

• Tržišne cijene proizvoda i tržišne cijene resursa.

2.1 Maksimizacija proﬁta – primarni LP problem

Inputi Proizvodi Kapaciteti Tržišne cijene

Tablica 1: Podaci o proizvodnji

• Proporcionalnost. Ako je za proizvodnju jedne jedinice proizvoda P 1 potrebno 2 jedinice

• Aditivnost. Ako je za proizvodnju jedne jedinice proizvoda P 1 potrebno utrošiti 2 jedinice

x1 − količina proizvodnje proizvoda P 1

2x1 + 4x2 ≤ 16

ρ1 − jedinična tržišna cijena prvog resursa (strojnog rada)

f (x1 , x2 ) = 20x1 + 30x2 → max (funkcija cilja)

S = { (x1 , x2 ) ∈ R 2+ : 2x1 + 4x2 ≤ 16, 2x1 + x2 ≤ 10, x2 ≤ 3 }

Slika 1: Graﬁčko rješavanje LP problema iz Primjera 1

veličine proﬁta, koji se ostvaruju na j -tom proizvodu, poštujući ograničenja

Za zadani vektor kapaciteta resursa b ∈ Rm, vektor proﬁta c ∈ Rn i matricu teh-

max cT x = c T x , uz uvjet (2.5)

2.2 Minimizacija troškova – dualni LP problem

budu minimalni, tj. treba minimizirati

min(16w1 + 10w2 + 3w3 ) uz uvjete (2.7)

min(16y1 + 10y2 + 3y3 ) uz uvjete

pa je problem optimizacije funkcije zadane sa (2.7) ekvivalentan problemu optimizacije funkcije

2y1 + 2y2 = 2w1 + 2w2 − (2ρ1 + 2ρ2 ) ≥ 50 − 30 = 20,

Optimalno rješenje je y  = ( 20 10

problem (2.11) – (2.13) svodi se na optimizacijski problem

Za zadani vektor kapaciteta resursa b ∈ Rm, vektor proﬁta c ∈ Rn i matricu tehno-

AT y ≥ c. (2.19)

Svojstva:(Martić, 1966, 1971; Vanderbei, 2001)

• Optimalno dopustivo rješenje x  primarnog LP–problema (2.5)–(2.6) postoji onda i samo

• Dualni problem dualnog problema ponovo je primarni problem LP.

Zadatak 1. 1 (Martić, 1971) Graﬁčki odredite rješenje LP-problema

max(2x1 + 5x2 ) uz uvjete

Inputi Proizvodi Kapaciteti

Tablica 2: Podaci o proizvodnji

max (40x1 + 50x2 ) uz uvjete

200 400 600 800

Slika 2: Graﬁčko rješavanje LP problema iz Primjera 3

Rješenje: x = (300, 500)T , z  = 37000.

min (8000y1 + 18000y2 + 14000y3 ) uz uvjete

Rješenje: y  = (3.5, 0.5, 0)T , z  = 37000.

(8000 + 1)y1 + 18000y2 + 14000y3 = 37000 + y1 = 37000 + 3.5,

Primjer 4. (Martić, 1971) Promatramo problem maksimalnog korištenja raspoloživog materijala

Inputi Utrošak materijala Raspoloživost

Tablica 3: Podaci o proizvodnji

max(4x1 + 8x2 + 5x3 + 2x4 + 9x5 + 7x6 ) uz uvjete

Rješenje primarnog problema: x = (0, 22, 24 180 T

Formulirajte odgovarajući dualni LP-problem.

Primjer 5. (Martić, 1971) Promatramo prethodni problem maksimalnog korištenja raspoloživog

Tablica 4: Poroﬁt po vrstama materijala i jedinici proizvoda

Uz ograničenja kao u Primjeru 4 treba maksimizirati sljedeću funkciju cilja

max (20x1 + 50x2 + 30x3 + 18x4 + 70x5 + 40x6 )

Rješenje primarnog problema: x = (0, 178 376 20

Formulirajte odgovarajući dualni LP-problem.

Rješenje dualnog problema: y  = (6, 68 26

Inputi Vrste cigareta Kapaciteti

Tablica 5: Proizvodnja cigareta

max (240x1 + 195x2 + 185x3 + 180x4 + 150x5 ) uz uvjete

Rješenje primarnog problema: x = (0, 64, 98.4, 292.337, 0)T , z  = 83304.6.

Inputi Vrste cigareta Kapaciteti

Tablica 6: Proizvodnja komponenti

Optimizacija proizvodnje ovisi o produktivnosti svakog stroja. Neka je

xi dnevna količina proizvodnje komponente K i na stroju S 1 , i = 1, 2