1-Đã Gộp

3/31/2019
Chương 1: Mô hình hóa bài toán kinh tế
-Sự cần thiết MHH

-Khái niệm và các dạng MHH
-Các thành phần của MHH
-Một số kỹ thuật mô hình hóa
-Ví dụ
Sự cần thiết mô hình hóa

 Quá trình chế tạo sản phẩm thường qua nhiều công đoạn và đòi hỏi
sự tham gia từ nhiều bộ phận khác nhau trong doanh nghiệp, từ thiết
kế đến kế hoạch, vật tư, xưởng sản xuất, bộ phận lưu kho, đến bộ
phận Mar và bán hàng. Nhu cầu: xác định sản lượng tối ưu mà doanh
nghiệp cần duy trì?
 Hệ thống thực có vô vàn các quan hệ ràng buộc và yếu tố ảnh hưởng
đến sản lượng của DN cần xem xét
 Hệ thống giả lập “trích ra” những ràng buộc và yếu tố có tính then
chốt đối với sự vận động của hệ thống thực
 Mô hình hóa lại “giản hóa” những quan hệ then chốt này thành các
quan hệ toán học dưới dạng các hàm mục tiêu và các ràng buộc
1
3/31/2019
Khái niệm và các dạng của MHH

 MHH là việc chuyển những mục tiêu tối ưu trong kinh tế và
quản lý thành dạng hàm mục tiêu trong toán học; và chuyển
những ràng buộc về nguồn lực thành các các phương trình hoặc
bất phương trình biểu diễn các ràng buộc đó.
 Một số MHH cơ bản là: quy hoạch tuyến tính, quy hoạch số
nguyên, quy hoạch mục tiêu và quy hoạch phi tuyến.
Các thành phần MHH

 Các biến ra quyết định
 Hàm mục tiêu
 Các ràng buộc
2
3/31/2019
Một số kỹ thuật mô hình hóa

 Kỹ thuật chỉ số dưới của biến
 Ràng buộc ưu tiên
 Kỹ thuật một trong hai ràng buộc
 Chọn K trong số N ràng buộc
 Quyết định Có Không.
Ví dụ - Bài toán hỗn hợp sản xuất

 Một công ty đồ gỗ sản xuất bàn và ghế. Quá trình gồm có
gia công, làm nhẵn và lắp ráp các chi tiết thành bàn và ghế.
Mất 5 giờ để gia công mỗi chi tiết của bàn, 4h để làm nhẵn
mỗi chi tiết và 3h để lắp ráp. Một chiếc ghế cần 2h để gia
công, 3h làm nhẵn và 4h lắp ráp. Tổng thời gian có là 270h
để gia công, 250h để làm nhẵn và 200h để lắp ráp. Nếu lợi
nhuận cho mỗi chiếc bàn là $100 và mỗi chiếc ghế là $60,
công ty nên sản xuất bao nhiêu chiếc bàn và ghế để tối đa
lợi nhuận?
3
3/31/2019
Bài giải
 Tóm tắt:
 Mô hình hóa:
Ví dụ - Bài toán ngân sách

 Uỷ ban thành phố và các tổ chức thường phải đối mặt với các
tình huống phải lựa chọn một hoặc nhiều dự án (các cơ hội đầu
tư) từ một số các dự án cạnh tranh. Xem xét danh sách các dự
án sau đây. Nếu có trong tay $30 triệu, ta nên lựa chọn dự án
nào?
Số TT Dự án Chi phí ($ triệu) Giá trị sử dụng
trông đợi
1 Chương trình sau phổ thông 6 18
2 An toàn đường bộ 18 16
3 Giảm tội phạm 10 12
4 Mở rộng đường 9 25
5 Cơ sở chăm sóc trẻ em 4 14
4
3/31/2019
Bài giải
Ví dụ: bài toán hỗn hợp sản phẩm

 Công ty sản xuất quốc tế ABC sản xuất và phân phối 3 sản
phẩm P1, P2 và P3. Thời gian sản xuất P1 gấp hai lần P2 và
gấp ba lần P3. Các sản phẩm được sản xuất theo tỷ lệ 3: 4:
5.Yêu cầu vật liệu cho mỗi sản phẩm và lượng vật liệu sẵn
có được cho ở bảng sau. Nếu tập trung sản xuất toàn bộ
P1 trong thời gian cho phép, có thể sản xuất 1600 sản
phẩm. Yêu cầu sản xuất ít nhất 185, 250 và 200 đơn vị sản
phẩm P1, P2, P3 với lợi nhuận đơn vị lần lượt là 50$, 40$,
70$. Tìm số lượng P1, P2, P3 được sản xuất.
Yêu cầu cho mỗi đơn vị sản phẩm (kg)
Vật liệu Tổng sẵn có
P1 P2 P3
R1 6 4 9 5000
R2 3 7 6 6000
5
3/31/2019
Bài giải
Ví dụ: bài toán xẻ gỗ

 Woodco bán các loại miếng gỗ 3-ft, 5-ft, 9-ft. Cầu khách
hàng của woodco với các loại miếng gỗ lần lượt là 25, 20,
và 15 tấm. Woodco phải đáp ứng nhu cầu này bằng cách cắt
những tấm gỗ 17-ft muốn tối thiểu hóa lượng gỗ lãng phí
phải chịu. Mô hình hóa bài toán LP để giúp woodco đạt
được mục tiêu?
6
3/31/2019
Bài giải
 Woodco sẽ phải cắt mỗi tấm gỗ 17-ft như thế nào?
 Bảng sau liệt kê ra các cách cắt một tấm gỗ 17-ft:
7
3/31/2019
Chọn K trong số N ràng buộc

Xét một bài toán với 3 ràng buộc loại trừ lẫn nhau trong đó
K=1 và N=3:
Max Z = 4x1 + 7x2
Ràng buộc chỉ là một trong những ràng buộc sau:
2x1 + x2 < 6.000
3x1 + 7x2 < 13.000
hoặc 5x1 + 6x2 < 12.500
x1, x2 > 0
Bài giải
8
3/31/2019
Ví dụ: bài toán lựa chọn dự án vs

số lượng sx từ mỗi dự án
Ví dụ: bài toán sản xuất sơn từ mỗi

quá trình
9
Chương 2: Quy hoạch tuyến tính
 Một số khái niệm cơ bản

 Ví dụ giải bài toán tối đa hoá bằng PP hình học
 Các điểm cực biên và lời giải tối ưu
 Lời giải trên phần mềm
 Bài toán tối thiểu hoá
 Các trường hợp đặc biệt
 Phân tích độ nhạy
© 2005 Thomson/South-Western Slide 1
Nội dung
 1 số khái niệm cơ bản

 2 Phương pháp hình học
 3 Vùng tối ưu Hs HMT
 4 Giá mờ (dual prices, shadow prices)
 5 Vùng tối ưu VP các RB
 6 Reduced Costs
 7 Nguyên tắc 100%
1
Bài toán qui hoạch tuyến tính (LP)
 Tối đa hoá hoặc tối thiểu hoá của một vài lượng mục
tiêu trong các bài toán tuyến tính.
 Các bài toán tuyến tính có các ràng buộc giới hạn mức
độ nguồn lực sử dụng.
 Một lời giải khả thi thoả mãn tất cả các ràng buộc của
bài toán.
 Một lời giải tối ưu là một lời giải khả thi có có giá trị
lớn nhất đối với bài toán cực đại (và nhỏ nhất đối với
bài toán cực tiểu).
 Một phương pháp giải hình học có thể được sử dụng
có thể được sử dụng để giả bài toán qui hoạch tuyến
tính với hai biến.
Bài toán qui hoạch tuyến tính (LP)
 Nếu cả hàm mục tiêu và các ràng buộc là tuyến tính,

bài toán được xem là bài toán qui hoạch tuyến tính.
 Hàm tuyến tính là các hàm mà các biến chỉ có ở dạng
mũ 1 nhân với một hằng số (có thể là 0).
 Các ràng buộc tuyến tính là các hàm số ở dạng “nhỏ
hơn hoặc bằng", “bằng", hoặc “lớn hơn hoặc bằng" một
hằng số.
2
Ví dụ 1: Bài toán tối đa hóa
 Mô hình LP
Max 5x1 + 7x2
s.t. x1 < 6
2x1 + 3x2 < 19
x1 + x2 < 8
x 1 , x2 > 0
Ví dụ 1: Phương pháp hình học
 Tổng hợp ràng buộc

x2
x1 + x2 < 8
8
7
6
x1 < 6
5
4
3 2x1 + 3x2 < 19
2
1
x1
1 2 3 4 5 6 7 8 9 10
3
 Miền khả thi

x2
8
7
6
5
4
3
Feasible
2 Region
1
x1
1 2 3 4 5 6 7 8 9 10
 Đường biểu diễn hàm mục tiêu

x2
8
7
(0, 5)
6
5x1 + 7x2 = 35
5
4
3
2
(7, 0)
1
x1
1 2 3 4 5 6 7 8 9 10
4
 Lời giải tối ưu

x2
Hàm mục tiêu
8 5x1 + 7x2 = 46
7
6
Lời giải tối ưu
(x1 = 5, x2 = 3)
5
4
3
2
1
x1
1 2 3 4 5 6 7 8 9 10
Tóm tắt thủ tục giải phương pháp hình học đối
với bài toán tối đa
 Vẽ hình vẽ bài toán cho mỗi ràng buộc.
 Xác định miền khả thi thỏa mãn tất cả các ràng buộc.
 Vẽ đường biểu diễn hàm mục tiêu.
 Dịch chuyển song song hàm mục tiêu theo cách giá trị
hàm mục tiêu lớn hơn.
 Phương án khả thi đối với đường biểu diễn hàm mục
tiêu với giá trị lớn nhất là phương án tối ưu.
5
Các đỉnh và phương án tối ưu
 Các góc và đỉnh của miền khả thi được xem là điểm
cực biên
 Một phương án tối ưu đối với bài toán LP có thể nằm ở
một trong các đỉnh của miền khả thi.
 Khi tìm lời giải tối ưu, bạn không phải tính tất cả các
điểm phương án khả thi.
 Chỉ xem xét các điểm cực biên của miền khả thi.
Ví dụ 1: Điểm cực biên
x2
8
7 5
6
5
4
4
3
Vùng khả 3
2
thi
1
1 2
1 2 3 4 5 6 7 8 9 10
x1
6
Lời giải máy tính
 Những chương trình máy tính được thiết kế để giải

quyết bài toán LP bây giờ rất phổ biến.
 Hầu hết các bài toán LP lớn có thể được giải quyết chỉ
với một vài phút.
 Những bài toán LP nhỏ thường chỉ mất vài giây.
 Microsoft Excel, LINGO, QSB,…
Giải thích kết quả
 Phần này chúng ta sẽ thảo luận những kết quả sau:

• Giá trị mục tiêu
• Giá trị của biến quyết định
• reduced costs
• Biến thừa/biến thiếu
 Trong phần tiếp theo chúng ta thảo luận phương án tối
ưu sẽ ảnh hưởng như thế nào khi thay đổi:
• Hệ số của hàm mục tiêu
• Giá trị vế phải của một ràng buộc
7
Reduced Cost
 reduced cost đối với một biến quyết định có là giá trị 0
trong phương án tối ưu, đó là lượng hệ số hàm mục
tiêu có thể thay đổi sẽ phải cải thiện (tăng đối với bài
toán tối đa, giảm đối với bài toán tối thiểu) để có thể có
được một giá trị tích cực hơn.
 reduced cost đối với biến quyết định với giá trị tích cực
là 0.
Ví dụ 1: Lời giải máy tính
 Reduced Costs
8
Ví dụ 2: Bài toán tối thiểu
 Mô hình tuyến tính
Min 5x1 + 2x2
s.t. 2x1 + 5x2 > 10

4x1 - x2 > 12
x1 + x2 > 4
x 1 , x2 > 0
Ví dụ 2: Lời giải đồ thị
 Đồ thị hàm mục tiêu
x2 Min z = 5x1 + 2x2
4x1 - x2 > 12
5
4 x 1 + x2 > 4
3
2x1 + 5x2 > 10
2
1
x1
1 2 3 4 5 6
9
 Tìm điểm cực biên tại điểm giao nhau của 2 ràng buộc
chặt
4x1 - x2 = 12
x1+ x2 = 4
Cộng 2 phương trình lại ta có:
5x1 = 16 hay x1 = 16/5.
Thế vào x1 + x2 = 4 có: x2 = 4/5
 Lời giải tối ưu
x2 Min z = 5x1 + 2x2
4x1 - x2 > 12
5
4 x 1 + x2 > 4
3 2x1 + 5x2 > 10

2
Tối ưu: x1 = 16/5
1 x2 = 4/5
x1
1 2 3 4 5 6
10
Vùng khả thi
 Vùng khả thi của một bài toán LP 2 biến có thể không
tồn tại, chỉ là một điểm, 1 đường tuyến tính, đường
cong hoặc vô hạn.
 Bất kỳ LP nào đều có thể rơi vào một trong ba loại:
• không khả thi
• Có một phương án tối ưu duy nhất
• Có hàm mục tiêu tăng vô hạn
 Vùng khả thi có thể không giới hạn và có thể chưa có
giải pháp tối ưu. Điều này là phổ biến trong bài toán tối
thiểu và có thể trong bài toán tối đa.
Những trường hợp đặc biệt
 Giải pháp tối ưu thay thế

Trong phương pháp đồ thị, nếu đường biểu diễn hàm
mục tiêu dịch chuyển song song tới ràng buộc ranh
giới theo hướng tối ưu, có một số giải pháp thay thế,
với tất cả các điểm trên những đoạn này được tối ưu.
 Không khả thi
LP mà không có điểm nào thỏa mãn tất cả các ràng
buộc được gọi là không khả thi.
 Vô hạn (Unboundedness)
(See example on upcoming slide.)
11
Ví dụ: Bài toán vô nghiệm
 Giải bằng phương pháp hình học, tìm phương án tối

ưu:
Max 2x1 + 6x2
s.t. 4x1 + 3x2 < 12

2x1 + x2 > 8
x1 , x2 > 0
Ví dụ: Bài toán vô nghiệm
 Không có điểm nào thỏa mãn cả hai ràng buộc, do đó

bài toán này không có vùng khả thi, và không có
phương án tối ưu.
x2
8 2x1 + x2 > 8
4x1 + 3x2 < 12

4
x1
3 4
12
Ví dụ: Bài toán không xác định được phương
án tối ưu
 Tìm phương án tối ưu bằng phương pháp hình học:
Max 3x1 + 4x2
s.t. x1 + x2 > 5
3x1 + x2 > 8
x1 , x 2 > 0
Ví dụ: Bài toán không xác định được phương

án tối ưu
 Vùng tối ưu vô hạn và đường biểu diễn hàm mục tiêu
có thể dịch chuyển song song tùy ý mà không bị giới
hạn đến mức z có thể tăng vô hạn.
x2
3x1 + x2 > 8
8
Max 3x1 + 4x2
5
x 1 + x2 > 5
x1
2.67 5
13
Phân tích độ nhạy
 Phân tích độ nhạy (hoặc là phân tích sau tối ưu) được
sử dụng để quyết định lời giải tối ưu bị ảnh hưởng
bởi các thay đổi ntn, trong các vùng xác định, với:
• các hệ số của hàm mục tiêu
• các giá trị của vế phải (RHS)
 Phân tích độ nhạy quan trọng với các nhà quản lý
làm việc trong môi trường năng động với các ước
tính không chính xác của các hệ số.
 Phân tích độ nhạy cho phép nhà quản lý hỏi một số
câu hỏi what-if (cái gì xảy ra nếu) về bài toán.
Các hệ số của hàm mục tiêu
 Cho phép ta đánh giá các thay đổi của các hệ số hàm
mục tiêu ảnh hưởng tới lời giải tối ưu ntn?
 Vùng tối ưu (cho mỗi hệ số) cung cấp vùng các giá trị
mà tại đó lời giải hiện tại vẫn là tối ưu.
 Các nhà quản lý cần phải tập trung vào các hệ số hàm
mục tiêu có vùng tối ưu nhỏ và các hệ số gần với
điểm cận của vùng.
14
Ví dụ 1
 Thay đổi độ dốc của hàm mục tiêu

x2
8
5 5
3
Feasible 4 2
Region 3
1
1 2
1 2 3 4 5 6 7 8 9 10
x1
Vùng tối ưu
 Về mặt đồ hoạ, giới hạn của vùng tối có được bằng

cách thay đổi độ dốc của đường hàm mục tiêu trong
giới hạn độ dốc của các đường thẳng “binding
constraint”.
 Độ dốc của đường hàm mục tiêu, Max c1x1 + c2x2, là
-c1/c2, và độ dốc của một ràng buộc, a1x1 + a2x2 = b, là
-a1/a2.
15
Ví dụ 1
 Vùng tối ưu cho c1

Độ dốc của đường hàm mục tiêu là -c1/c2. Độ dốc
của “binding constraint” thứ nhất, x1 + x2 = 8, là -1 và
độ dốc của “binding constraint” thứ hai, 2x1 + 3x2 = 19,
là -2/3.
Tìm vùng của các giá trị của c1 (với c2 giữ giá trị 7)
sao cho độ dốc của hàm mục tiêu nằm giữa các ràng
buộc “binding”:
-1 < -c1/7 < -2/3
Kết quả là:
14/3 < c1 < 7
Ví dụ 1
 Vùng tối ưu của c2

Tìm các vùng của c2 ( với c1 giữ giá trị 5) để cho độ
dốc của đường hàm mục tiêu nằm giữa hai ràng buộc
“binding”:
-1 < -5/c2 < -2/3
Kết quả là: 5 < c2 < 15/2
16
Ví dụ 1
 Vùng tối ưu của c1 và c2

Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$8 X1 5.0 0.0 5 2 0.33333333
$C$8 X2 3.0 0.0 7 0.5 2
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$B$13 #1 5 0 6 1E+30 1
$B$14 #2 19 2 19 5 1
$B$15 #3 8 1 8 0.33333333 1.66666667
Vế phải
 Ta xem xét việc thay đổi vế phải có thể ảnh hưởng

với vùng khả thi và có thể gây ra các thay đổi lời giải
tối ưu ntn.
 Cải thiện về giá trị trong lời giải tối ưu trên đơn vị
tăng của vế phải được gọi là dual price.
 Vùng khả thi là vùng mà tại đó dual price có giá trị.
 Khi RHS tăng, các ràng buộc khác sẽ trở thành
“binding” và giới hạn sự thay đổi trong giá trị của
hàm mục tiêu.
17
Dual Price
 Về mặt đồ thị, dual price được quyết định bằng cách

thêm +1 vào giá trị vế phải đang xem xét và sau đó
giải lại giá trị tối ưu với cùng các ràng buộc
“binding”.
 dual price là sự khác biệt về giá trị của các hàm mục
tiêu giữa các bài toán mới và cũ.
 dual price cho ràng buộc “not binding” bằng 0.
 dual price âm cho biết hàm mục tiêu sẽ không được
cải thiện nếu RHS tăng.
Ví dụ 1
 Dual Prices
Ràng buộc 1: Do x1 < 6 không phải là ràng buộc
binding, dual price của nó là 0.
Ràng buộc 2: Thay đổi giá trị của RHS của ràng buộc
thứ 2 tới 20 và giải để có được điểm tối ưu quyết
định bởi hai ràng buộc cuối: 2x1 + 3x2 = 20 và x1 + x2
= 8.
Lời giải x1 = 4, x2 = 4, z = 48. Do đó, dual price
= zmới - zcũ = 48 - 46 = 2.
18
Ví dụ 1
 Dual Prices
Ràng buộc 3: Thay đổi giá trị của RHS của ràng buộc
thứ 3 tới 9 và giải lại để lấy giátrị tối ưu quyết định bởi
hai ràng buộc cuối: 2x1 + 3x2 = 19 và x1 + x2 = 9.
Lời giải là: x1 = 8, x2 = 1, z = 47.
Dual price là zmới - zcũ = 47 - 46 = 1.
Ví dụ 1
 Dual Prices
Adjustable Cells
$B$8 X1 5.0 0.0 5 2 0.33333333
$C$8 X2 3.0 0.0 7 0.5 2
Constraints
$B$13 #1 5 0 6 1E+30 1
$B$14 #2 19 2 19 5 1
$B$15 #3 8 1 8 0.33333333 1.66666667
19
Vùng khả thi
 Vùng khả thi cho một thay đổi giá trị ở vế phải là
vùng giá trị của giá trị của hệ số này trong đó dual
price gốc vẫn không thay đổi.
 Theo phương pháp hình học, vùng khả thi được
quyết định bởi vùng của lời giải khả thi bằng cách
tìm giá trị của vế phải sao cho hai đường thẳng quyết
định giá trị tối ưu tiếp tục quyết định giá trị tối ưu
của bài toán.
Ví dụ 1
 Vùng khả thi

Adjustable Cells
$B$8 X1 5.0 0.0 5 2 0.33333333
$C$8 X2 3.0 0.0 7 0.5 2
Constraints
$B$13 #1 5 0 6 1E+30 1
$B$14 #2 19 2 19 5 1
$B$15 #3 8 1 8 0.33333333 1.66666667
20
Ví dụ 2: Olympic Bike Co.
Olympic Bike giới thiệu hai loại khung xe nhẹ, loại

Deluxe và Professional, được làm từ hợp kim đặc biệt
của nhôm và thép. Ước tính lợi nhuận
đơn vị là $10 cho loại Deluxe
và $15 cho loại Professional.
Số lượng hợp kim cần
cho mỗi khung được
tổng kết trong slide sau.
Một nhà cung cấp cung 100 pounds hợp kim nhôm
và 80 pounds thép hợp kim hàng tuần.
Hợp kim nhôm Thép hợp kim

Deluxe 2 3
Professional 4 2
Công ty Olympic nên sản xuất bao nhiêu khung xe

đạp mỗi tuần?
21
 Mô hình bài toán (continued)
Max 10x1 + 15x2 (Tổng lợi nhuận tuần)
s.t. 2x1 + 4x2 < 100 (Lượng nhôm sẵn có)

3x1 + 2x2 < 80 (Thép có)
x1 , x 2 > 0
Ví dụ 2 : Olympic Bike Co.
 Partial Spreadsheet Showing Solution
22
 Vùng tối ưu
Câu hỏi
Giả thiết lợi nhuận của khung deluxe tăng lên
$20. Lời giải trên có còn tối ưu hay không? Giá trị
của hàm mục tiêu là bao nhiêu khi lợi nhuận đơn vị
tăng tới $20?
 Báo cáo về độ nhạy
23
 Vùng tối ưu
Trả lời
Kết quả đầu ra cho thấy rằng phương án cũ vẫn còn
tối ưu cho tới khi mà hệ số HMT nằm giữa 7.5 và 22.5.
Bởi vậy 20 nằm trong dãy giá trị này, và phương án tối
ưu vấn không thay đổi. (không đổi về mặt giá trị của
biến quyết định). Lợi nhuận tối đa sẽ thay đổi: 20x1 +
15x2 = 20(15) + 15(17.5) = $562.50.
 Vùng tối ưu
Câu hỏi
Nếu lợi nhuận của khung deluxe là $6 thay vì
$10, lời giải tối ưu có thay đổi hay không?
24
 Vùng tối ưu
Vùng tối ưu và nguyên tắc 100%
 Nguyên tắc 100% chỉ ra rằng thay đổi đồng thời các
hệ số của hàm mục tiêu sẽ không làm thay đổi lời giải
tối ưu khi mà tổng các tỉ lệ % của lượng thay đổi chia
cho lượng thay đổi cho phép lớn nhất trong vùng tối
ưu của mỗi hệ số không vượt quá 100%.
25
 Vùng tối ưu và nguyên tắc 100%

Câu hỏi
Nếu đồng thời lợi nhuận của khung Deluxe tăng
tới $16 và lợi nhuận của khung Professional tăng tới
$17, lời giải tối ưu hiện tại có thay đổi không?
 Vùng tối ưu và nguyên tắc 100%

Trả lời
Nếu c1 = 16, lượng c1 thay đổi là 16 - 10 = 6 .
Lượng tăng tối đa cho phép là 22.5 - 10 = 12.5, với tỷ
lệ thay đổi 6/12.5 = 48%. Nếu c2 = 17, lượng c2 thay
đổi là 17 - 15 = 2. Tăng tối đa cho phép 20 - 15 = 5 với
tỷ lệ thay đổi 2/5 = 40%. Tổng tỷ lệ thay đổi là 88%.
Tỷ lệ này không vượt quá 100%, lời giải tối ưu sẽ
không thay đổi.
26
Vùng khả thi và nguyên tắc100%
 Nguyên tắc 100% chỉ ra rằng thay đổi đồng thời vế

phải sẽ không thay đổi dual prices khi mà tổng phần
trăm của thay đổi chia cho lượng thay đổi cho phép
lớn nhất trong vùng khả thi cho mỗi vế phải không
vượt quá 100%.
27
Quy hoạch tuyến tính: Phương pháp đơn hình
 Tổng quan phương pháp đơn hình

 Dạng chuẩn tắc
 Dạng bảng
 Thiết lập bảng đơn hình cơ sở
 Cải thiện phương án
 Tính toán bảng đơn hình mới
 Giải bài toán tối thiểu
 Các trường hợp đặc biệt
Tổng quan phương pháp đơn hình
 Các bước của phương pháp đơn hình
Đưa bài toán Đưa bài toán Tiến hành

Đưa bài toán
Về dạng Về dạng Giải
Về dạng LP
Chuẩn Bảng PP đơn hình
1
Bảng đơn hình
 Bảng đơn hình là công cụ thuận tiện để tiến hành các

tinh toán theo yêu cầu của phương pháp đơn hình.
Thiết lập bảng đơn hình cơ sở
 Bước 1: Nếu bài toán là tối thiểu hóa, nhân HMT với -1.
 Bước 2: Nếu MH bài toán chứa ràng buộc nào đó với về
phải âm, nhân ràng buộc đó với -1.
 Bước 3: Bổ sung thêm biến thiếu tới mỗi ràng buộc <.
 Bước 4: Bớt đi biến thừa và thêm biến giả tới mỗi ràng
buộc >.
2
Thiết lập bảng đơn hình cơ sở
 Bước 5: Thêm một biến giả tới mỗi ràng buộc =.

 Bước 6: Đặt mỗi hệ số của biến thiếu và biến thừa
trong HMT bằng 0.
 Bước 7: Đặt mỗi hệ số của biến giả trong HMT bằng -
M, trong đó M là một số rất lớn.
 Bước 8: Mỗi biến thiếu và biến giả trở thành một
trong các biến cơ sở trong lời giải khả thi cơ sở.
Phương pháp đơn hình
 Bước 1: Xác định biến đưa vào

• Nhận dạng biến có giá trị dương lớn nhất trong
hàng cj - zj. (cột đưa vào gọi là cột xoay (pivot
column)).
 Bước 2: Xác định biến đi ra
• Với mỗi số dương trọng cột đưa vào, tinh tỷ lệ của
các giá trị vế phải chia cho những giá trị cột đưa
vào đó.
• Nếu không có các giá trị dương trong cột đưa vào,
DỪNG; bài toán vô hạn (unbounded).
• Ngược lại, lựa chọn biến với tỷ lệ nhỏ nhất. (Hàng
đi ra gọi là hang xoay (pivot row)).
3
 Bước 3: Xây dựng bảng đơn hình tiếp theo

• Chia hang xoay cho nhân tố xoay (pivot element)
(điểm giao tại hang xoay và cột xoay) để có được
hang mới. Ta đánh dấu hang mới này là hang *.
• Thay thế mỗi hang không xoay i với:
[hang mới i] = [hang hiện tại i] - [(aij) x (hàng *)],
trong đó aij là giá trị trong cột đưa vàoj của hàng i
 Bước 4: Tính hàng zj cho bảng đơn hình mới

• Với mỗi cột j, nhân các hệ số HMT của các biến cơ
sở với các số tương ứng trong cột j và tổng của
chúng.
4
 Bước 5: Tính hàng cj - zj ở bảng đơn hình mới

• Với mỗi cột j, lấy hàng cj trừ hàng zj.
• Nếu không có giá trị nào trong hàng cj - zj dương, GO
TO STEP 1.
• Nếu có một biến giả trong phương án cơ sở với giá
trị dương, bài toán không khả thi. STOP.
• Ngược lại, đó sẽ là một phương án tối ưu. Các giá trị
hiện tại của các biến cơ sở là tối ưu. Các giá trị tối ưu
của các biến không cơ sở tất cả bằng 0.
• Nếu bất kỳ giá trị cj - zj của biến không cơ sở là 0, Các
phương án tối ưu thay thế khác có thể tồn tại. STOP.
Ví dụ: phương pháp đơn hình
 Giải bài toán sau bằng phương pháp đơn hình:
Max 12x1 + 18x2 + 10x3
s.t. 2x1 + 3x2 + 4x3 < 50

x 1 - x2 - x3 > 0
x2 - 1.5x3 > 0
x 1 , x 2 , x3 > 0
5
 Viết lại bài toán ở dạng bảng

ta có thể tránh đưa các biến giả tới các rang buộc
thứ 2 và 3 bằng cách nhân mỗi RB với -1 (chuyển về
các RB <). Do đó, các biến thiếu s1, s2, và s3 được bổ
sung tới cả 3 RB.
Max 12x1 + 18x2 + 10x3 + 0s1 + 0s2 + 0s3

s.t. 2x1 + 3x2 + 4x3 + s1 = 50
- x1 + x 2 + x3 + s2 = 0
- x2 + 1.5x3 + s3 = 0
x1, x2, x3, s1, s2, s3 > 0
 Bảng đơn hình cơ sở
x1 x2 x3 s1 s2 s3
Phương
Hệ số án
Basis cB 12 18 10 0 0 0
biến cơ
cơ sở sở
s1 0 2 3 4 1 0 0 50
trong
HMT s2 0 -1 1 1 0 1 0 0 (* row)
s3 0 0 -1 1.5 0 0 1 0
zj 0 0 0 0 0 0 0
cj - zj 12 18 10 0 0 0
6
 Vòng lặp 1
• Step 1: Xác định biến đưa vào
Giá trị dương max cj - zj = 18. Do đó x2 là biến được
đưa vào.
• Step 2: Xác định biến đi ra
Lấy tỷ lệ giữa vế phải và các số dương trong cột x2:
50/3 = 16 2/3
0/1 = 0 minimum
s2 là biến đi ra và 1 là pivot element.
 Vòng lặp 1 (continued)

• Step 3: Tạo bảng mới
Chia hàng thứ 2 cho 1 (the pivot element). Gọi
hàng “mới" (trong trường hợp này, không thay
đổi) "* row".
new row 1 = row 1 - 3 x (* row).
new row 3 = row 3 – (-1) x (* row) hay
new row 3 = row 3 + * row
Hàng mới 1, 2, và 3 được đưa ra ở bảng tiếp theo.
7

•Step 4: Tính hang zj ở bảng đơn hình mới
Các giá trị hang zj mới có được bằng cách nhân
cột cB với mỗi giá trị trong cột yếu tố và cộng tổng lại.
Ví dụ, z1 = 5(0) + -1(18) + -1(0) = -18.

• Step 5: Tính hang cj - zj ở bảng đơn hình mới
Những giá trị hàng cj-zj mới có được bằng cách
trừ giá trị zj trong một cột từ giá trị cj trong cột tương
tự .
Ví dụ, c1-z1 = 12 - (-18) = 30.
8
 Vòng lặp 1 (continued) – Bảng đơn hình mới
x1 x2 x3 s1 s2 s3
Basis cB 12 18 10 0 0 0
s1 0 5 0 1 1 -3 0 50 (* row)
x2 18 -1 1 1 0 1 0 0
s3 0 -1 0 2.5 0 1 1 0
zj -18 18 18 0 18 0 0
cj - zj 30 0 -8 0 -18 0
 Vòng lặp 2
• Step 1: Xác định biến đưa vào
Giá trị dương max cj - zj = 30. x1 là biến đưa vào.
• Step 2: Xác định biến đi ra
Tính tỷ lệ giữa vế phải và các số dương trong cột x1:
50/5 = 10 minimum
Không có những tỷ lệ ở hang thứ 2 và 3 bởi vì
những yếu tố cột của chúng âm (-1).
Bởi vậy, s1 (tương ứng row 1) là biến đi ra và 5 là
yếu tố xoay (pivot element).
9

• Step 3: Tạo bảng đơn hình mới
Chia hang 1 cho 5 (yếu tố xoay). Ta lại được new
row 1 (Gọi hang 1 mới là "* row").
Lấy new row 1 này + row 2 = new row 2
Lấy new row 1 này + row 3 = new row 3.
• Step 4: Tính hàng zj cho bảng mới
Các giá trị hang zj mới có được từ việc nhân cột cB
với mỗi cột, yếu tố với nhau và tinh tổng.
Ví dụ, z3 = .2(12) + 1.2(18) + 2.7(0) = 24.

• Step 5: Tính hàng cj - zj cho bảng mới
Các giá trị hang cj-zj có được bằng cách trừ giá trị zj
trong một cột từ giá trị cj trong cột tương tự.
Ví dụ, c3-z3 = 10 - (24) = -14.
Khi không có những số dương trong hàng cj - zj,

bảng này là tối ưu. Lời giải tối ưu là: x1 = 10; x2 = 10; x3
= 0; s1 = 0; s2 = 0 s3 = 10, giá trị HMT tối ưu là 300.
10
 Vòng lặp 2 (continued) – Bảng cuối
x1 x2 x3 s1 s2 s 3 Phương
án
Basis cB 12 18 10 0 0 0 tối
ưu
x1 12 1 0 .2 .2 -.6 0 10 (* row)
x2 18 0 1 1.2 .2 .4 0 10
s3 0 0 0 2.7 .2 .4 1 10
zj 12 18 24 6 0 0 300
cj - zj 0 0 -14 -6 0 0
Luyện tập: Giải bài toán sau bằng PP đơn hình
 Mô hình LP
Max 5x1 + 7x2
s.t. x1 < 6
2x1 + 3x2 < 19
x1 + x2 < 8
x 1 , x2 > 0
11
Luyện tập: Giải bài toán sau bằng PP đơn hình
 Viết lại bài toán ở dạng bảng
Max 5x1 + 7x2 + 0s1 + 0s2 + 0s3

s.t. x1 + s1 =6
2x1 + 3x2 + s2 = 19
x1 + x2 + s3 = 8
x 1 , x2 , s 1 , s 2 , s 3 > 0
x1 x2 s1 s2 s3
Basis cB 5 7 0 0 0
s1 0 1 0 1 0 0 6
s2 0 2 3 0 1 0 19
s3 0 1 1 0 0 1 8
zj 0 0 0 0 0 0
cj - zj 5 7 0 0 0
12
x1 x2 s1 s2 s3
Basis cB 5 7 0 0 0
Biến s1 0 1 0 1 0 0 6
s2 s2 0 2 3 0 1 0 19 (19/3 *) Min
đưa s3 0 1 1 0 0 1 8 (8/1)
ra
zj 0 0 0 0 0 0
cj - zj 5 7 0 0 0
Đưa biến x2 vào vì cải thiện tốt hơn

 Bảng đơn hình cơ sở Đưa cột này về dạng {0 1 0}
x1 x2 s1 s2 s3
Basis cB 5 7 0 0 0
Biến s1 0 1 0 1 0 0 6
s2 s2 0 2 3 0 1 0 19 (19/3 *) Min
đưa s3 0 1 1 0 0 1 8 (8/1)
ra
zj 0 0 0 0 0 0
cj - zj 5 7 0 0 0
Đưa biến x2 vào vì cải thiện tốt hơn

13
 Vòng lặp 1- Bảng đơn hình mới
x1 x2 s1 s2 s3
Basis cB 5 7 0 0 0
s1 0 1 0 1 0 0 6 (6/1)
Biến x2 7 0 1 0 1 -2 3 (3/0)
s3 s3 0 1 0 0 -1 3 5 (5/1 *) Min
đưa
ra zj 0 7 0 7 -14 21
cj - zj 5 0 0 -7 14
Đưa biến x1 vào

 Vòng lặp 2- Bảng đơn hình mới
x1 x2 s1 s2 s3
Basis cB 5 7 0 0 0
s1 0 0 0 1 1 -3 1
x2 7 0 1 0 1 -2 3
x1 5 1 0 0 -1 3 5
zj 5 7 0 2 1 46
cj - zj 0 0 0 -2 -1
14
Các trường hợp đặc biệt
 Không khả thi

 Vô hạn
 Lời giải tối ưu thay thế
 Suy biến (Degeneracy)
Không khả thi
 Infeasibility khi trong phương pháp đơn hình khi một

biến giả có giá trị dương trong bảng cuối cùng.
15
Ví dụ: Infeasibility
 Cho bài toán LP
MAX 2x1 + 6x2

s. t. 4x1 + 3x2 < 12
2x1 + x2 > 8
x 1 , x2 > 0
 Bảng cuối
x1 x2 s1 s2 a2
Basis CB 2 6 0 0 -M
x1 2 1 3/4 1/4 0 0 3
a2 -M 0 -1/2 -1/2 -1 1 2
zj 2 (1/2)M (1/2)M M -M -2M
+3/2 +1/2 +6
cj - zj 0 -(1/2)M -(1/2)M -M 0
+9/2 -1/2
16
Trong slide trước ta thấy bảng là bảng cuối bởi vì

tất cả cj - zj < 0. Tuy nhiên, một biến giả vẫn dương,
bởi vậy bài toán không khả thi.
Vô hạn
 Bài toán vô hạn khi tất cả các vị trí trong cột đưa vào
không dương.
17
Ví dụ: Unboundedness
 LP Formulation
MAX 2x1 + 6x2

s. t. 4x1 + 3x2 > 12
2x1 + x2 > 8
x1 , x2 > 0
Example: Unboundedness
 Final Tableau
x1 x2 s1 s2
Basis cB 3 4 0 0
x2 4 3 1 0 -1 8
s1 0 2 0 1 -1 3
zj 12 4 0 -4 32
cj - zj -9 0 0 4
18
Ví dụ: Unboundedness
Trong slide trước ta thấy rằng c4 - z4 = 4 (là

dương), nhưng cột của nó tất cả đều không dương.
Điều đó chỉ ra rằng bài toán là vô hạn.
Lời giải tối ưu thay thế
 Bài toán LP có các lời giải tối ưu thay thế nếu bảng
cuối cùng có một giá trị cj - zj bằng 0 với biến không cơ
sở.
19
Ví dụ: Alternative Optimal Solution
 Final Tableau
x1 x2 x3 s 1 s 2 s 3 s4
Basis cB 2 4 6 0 0 0 0
s3 0 0 0 2 4 -2 1 0 8
x2 4 0 1 2 2 -1 0 0 6
x1 2 1 0 -1 1 2 0 0 4
s4 0 0 0 1 3 2 0 1 12
zj 2 4 6 10 0 0 0 32
cj – zj 0 0 0 -10 0 0 0
Example: Alternative Optimal Solution
Trong slide trước ta thấy rằng lời giải tối ưu là:
x1 = 4, x2 = 6, x3 = 0, and z = 32
Lưu ý rằng x3 là không cơ sở và c3 - z3 = 0. Giá trị 0
chỉ ra rằng nếu x3 tăng lên, giá trị của HMT sẽ không
thay đổi.
Một lời giải tối ưu khác có thể được tìm thấy bằng
cách chọn x3 là biến đưa vào và tiến hành một vòng lặp
của phương pháp đơn hình. Bảng đơn hình mới trong
slide sau chỉ ra lời giải tối ưu thay thế là:
x1 = 7, x2 = 0, x3 = 3, and z = 32
20
Example: Alternative Optimal Solution
 New Tableau
x1 x2 x3 s1 s2 s3 s4
Basis cB 2 4 6 0 0 0 0
s3 0 0 -1 0 2 -1 1 0 2
x3 6 0 .5 1 1 - .5 0 0 3
x1 2 1 .5 0 2 1.5 0 0 7
s4 0 0 - .5 0 2 2.5 0 1 9
zj 2 4 6 10 0 0 0 32
cj - zj 0 0 0 -10 0 0 0
Degeneracy
 Một lời giải suy biến (degenerate solution) của bài

toán LP là một lời giải có ít nhất một trong các biến cơ
sở bằng 0.
 Điều này có thể xuất hiện tại mô hình hoặc nếu có một
rang buộc với giá trị min trong tỷ lệ kiểm tra để xác
định biến đi ra.
 Khi suy biến sảy ra, một lời giải tối ưu có thể đã có
mặc dù có một vài cj – zj > 0.
 Bởi vậy, điều kiện cj – zj < 0 là đủ để tối ưu, nhưng
không cần thiết.
21
Lưu ý khi giải PP đơn hình
 Chuyển về dạng chính tắc và lập bảng đơn hình cơ sở

• Xác định cj –zj max Cột xoay (có chứa cj –zj max)
xác định biến đưa vào ứng với cột xoay đó
• Xác định biến ra bằng cách tìm min (bi/aij), tức là
lấy tỉ lệ min của các vế phải chia cho hệ số ứng với
cột xoay. Từ đó xác định được hàng xoay biến đi
ra ứng với hàng xoay đó
 Lập bảng mới bằng cách dựa trên hàng xoay và nhân
tố xoay đẻ đưa bảng mới về dạng ma trận cột chỉ có
hệ số 1 ở cột xoay ứng với hàng xoay đó (các hàng
khác đều bằng 0). Ta có bảng mới. Từ bảng mới xác
định cj-zj max để đưa vào biến tiếp theo…
 Tiếp tục đến khi bảng mới không có cj-zj dương STOP
22
Bài toán đối ngẫu
 Phát biểu bài toán đối ngẫu

 Ý nghĩa của bài toán đối ngẫu
 Quy tắc viết bài toán đối ngẫu
 Các tính chất của bài toán đối ngẫu
 Phương pháp giải bài toán đối ngẫu
© 2003 ThomsonTM/South-Western Slide 1
 BTQHTT (còn gọi là bài toán gốc) có một bài toán đối
ngẫu (BTĐN). BTĐN của BTQHTT cũng là một
BTQHTT. Tính chất của bài toán này có thể được khảo
sát thông qua bài toán kia. BTQHTT dạng Max với các
ràng buộc chỉ có dấu ≤ và các biến đều thoả mãn điều
kiện không âm.
1
 Bài toán đối ngẫu: Min u = b1y1 + b2y2 + .... + bmym
 Các biến y1, y2, ..., ym được gọi là các biến đối ngẫu.
Biến đối ngẫu yi tương ứng với ràng buộc thứ i của bài
toán gốc
Ví dụ
 Xét bài toán gốc:
2
Quy tắc viết bài toán đối ngẫu
 1: BTG là bài toán Max ⇒ BTĐN là bài toán Min.

 2: Các hệ số hàm mục tiêu của BTG ⇒ Các hệ số vế phải của
BTĐN.
 3: Các hệ số vế phải của BTG ⇒ Các hệ số hàm mục tiêu của
BTĐN.
 4: Ma trận hệ số của BTG là A ⇒ Ma trận hệ số của BTĐN là
AT.
 5: Biến ≥ 0 của BTG ⇒ Ràng buộc ≥ của BTĐN.
Biến ≤ 0 của BTG ⇒ Ràng buộc ≤ của BTĐN.
Biến có dấu tuỳ ý của BTG ⇒ Ràng buộc = của BTĐN.
 6: Ràng buộc ≤ BTG ⇒ Biến ≥ 0 của BTĐN.
Ràng buộc ≥ BTG ⇒ Biến ≤ 0 của BTĐN.
Ràng buộc = BTG ⇒ Biến có dấu tuỳ ý của BTĐN.
Các tính chất bài toán đối ngẫu
 1: Bài toán đối ngẫu của bài toán đối ngẫu lại chính là
bài toán gốc
 2: Với mọi phương án x của bài toán gốc (bài toán Max)
và với mọi phương án y của bài toán đối ngẫu (bài toán
Min), ta luôn có z(x) ≤ u(y)
 3: Nếu tồn tại hai phương án x* của bài toán gốc và y*
của bài toán đối ngẫu sao cho z(x*) = u(y*) thì x* chính
là phương án tối ưu của bài toán gốc, còn y* là phương
án tối ưu của bài toán đối ngẫu. Ngược lại, nếu x* là
phương án tối ưu của bài toán gốc, còn y* là phương án
tối ưu của bài toán đối ngẫu thì z(x*) = u(y*)
3
Các tính chất bài toán đối ngẫu
 4: Xét cặp phương án tối ưu (x*, y*) của cặp bài toán đối
ngẫu. Nếu một điều kiện ràng buộc hay điều kiện về
dấu được thoả mãn không chặt (không xảy ra dấu =)
trong một bài toán, thì điều kiện tương ứng trong bài
toán kia phải được thoả mãn chặt (xảy ra dấu =). Tính
chất này còn được gọi là tính chất độ lệch bù: Nếu trong
một điều kiện xảy ra độ lệch dương thì trong điều kiện
tương ứng độ lệch là bằng 0
 5: Phương án tối ưu của bài toán đối ngẫu có thể tìm
được trong bảng đơn hình tối ưu của bài toán gốc và
ngược lại
Phương pháp giải
 PP1: Giải bài toán đối ngẫu bằng phương pháp đơn
hình. Sau đó suy ra lời giải của bài toán gốc dựa vào
tính chất 5 (phương pháp đơn hình ta đã biết).
 PP2: Giải bài toán gốc bằng phương pháp đơn hình đối
ngẫu
4
VD: giải bài toán sau
Giải bài toán bằng phương pháp đơn hình đối

ngẫu
 Đưa bài toán gốc về dạng sau:
Min z = 3x1+ 2x2 + 0x3 + 0x4 + 0x5
 Lựa chọn phương án cơ sở

 Kiểm tra điều kiện tối ưu. Kiểm tra điều kiện tối ưu.
Nếu điều kiện tối ưu xj ≥ 0, ∀j = 1,n đã được thoả mãn
thì lưu trữ kết quả của bài toán và dừng.
5
Giải bài toán bằng phương pháp đơn hình đối
ngẫu
 Nếu tồn tại một chỉ số j sao cho xj < 0 thì tiến hành thủ tục
xoay gồm năm bước tương tự với năm bước đã biết trong thủ
tục xoay của phương pháp đơn hình với các khác biệt sau:
• Trước tiên chọn hàng xoay là hàng với biến xj có giá trị
âm (thông thường với trị tuyệt đối lớn nhất, hoặc chọn
ngẫu nhiên).
• Sau đó chọn cột xoay theo quy tắc tỷ số âm lớn nhất (các
tỷ số được tạo ra bằng cách lấy hàng ∆j “chia” cho hàng xj
và chỉ xét các tỷ số có mẫu số âm). Nếu không tìm được
cột xoay thì kết luận bài toán không có phương án khả
thi, lưu trữ kết quả của bài toán và chuyển sang bước kết
thúc.
• Nếu tìm được cột xoay thì thực hiện các bước tiếp theo
của thủ tục xoay.
• Tính lại các ∆j, ∀j = 1,n và quay lại bước 1.
6
Mô hình mạng lưới
 Bài toán quãng đường ngắn nhất (Shortest-Route

Problem)
 Bài toán Minimal Spanning Tree
 Bài toán dòng vận chuyển lớn nhất (Maximal Flow
Problem)
Bài toán quãng đường ngắn nhất
 Bài toán quãng đường ngắn nhất liên quan tới tìm
đường ngắn nhất trong một mạng lưới từ một đỉnh
(node) (hoặc một tập đỉnh) tới một đỉnh (hoặc một
tập đỉnh khác).
 Nếu tất cả các cạnh của mạng có các giá trị không
âm thì thuật toán gắn nhãn có thể được sử dụng để
tìm quãng đường ngắn nhất từ một đỉnh tới tất cả
các đỉnh khác trong mạng lưới.
 Tiêu chí tối thiểu của bài toán quãng đường ngắn
nhất không hạn chế là khoảng cách thậm chí thông
qua thuật ngữ “ngắn nhất” được sử dụng mô tả
trong thủ tục. Các tiêu chí khác bao gồm thời gian
và chi phí. (Thời gian và cả chi phí không nhất thiết
có quan hệ tuyến tính với khoảng cách.)
1
Thuật toán quãng đường ngắn nhất
Lưu ý: Ta sử dụng ký hiệu [ ] để chỉ các nhãn đã cố

định và ký hiệu ( ) để chỉ các nhãn dự kiến.
 Bước 1: Gán cho đỉnh 1 nhãn [0,S]. Số thứ nhất chỉ
khoảng cách từ đỉnh 1; số thứ hai chỉ đỉnh ngay
trước. Do đỉnh 1 không có đỉnh nào trước, nó được
gán nhãn S cho đỉnh đầu tiên.
 Bước 2: Tính nhãn tiếp theo (d,n), cho các đỉnh có thể
nối tới trực tiếp tới đỉnh 1. d = khoảng cách trực tiếp
từ đỉnh 1 tới đỉnh đang xét – được gọi là giá trị
khoảng cách. n chỉ đỉnh ngay trước trên tuyến
đường từ đỉnh 1 – được gọi là giá trị của đỉnh trước
đó.
 Bước 3: Xác định nhãn dự kiến với giá trị khoảng

cách nhỏ nhất. Giả sử đó là đỉnh k. Đỉnh k bây giờ
được gán nhãn cố định (sử dụng dấu ngoặc [ , ]). Nếu
tất cả các đỉnh được gán nhãn cố định, CHUYỂN
SANG BƯỚC 5.
 Bước 4: Xem tất cả các đỉnh không có nhãn cố định có
thể đến trực tiếp từ đỉnh k xác định tại Bước 3. Với
mỗi đỉnh, tính lượng t, trong đó
t = (khoảng cách đường đi từ đỉnh k tới đỉnh i)
+ (giá trị khoảng cách tại đỉnh k).
2
 Bước 4: (tiếp theo)

• Nếu một đỉnh chưa có nhãn cố định (non-
permanently), so sánh t với khoảng cách giá trị
khoảng cách hiện tại tại đỉnh dự kiến (tentative)
đang xem xét.
• Nếu t < giá trị khoảng cách tại đỉnh dự kiến,
thay thế nhãn dự kiến bằng (t,k).
• Nếu t > giá trị khoảng cách tại đỉnh dự kiến,
giữ nhãn dự kiến hiện tại.
• Nếu đỉnh chưa có nhãn cố định không có nhãn dự
kiến, tạo một nhãn dự kiến (t,k) cho đỉnh đang
xem xét.
Trong cả hai trưởng hợp, TRỞ LẠI BƯỚC 3.
 Bước 5: Các nhãn cố định xác định khoảng cách

ngắn nhất từ đỉnh 1 tới mỗi đỉnh cũng như đỉnh đi
trước trên quãng đường ngắn nhất. Con đường
ngắn nhất từ một đỉnh có thể tìm được bằng cách
tìm ngược bắt đầu tại một đỉnh cho trước và chuyển
ngược về đỉnh ngay trước. Tiếp tục quá trình với
đỉnh ngay trước sẽ giúp ta tìm ra con đường ngắn
nhất từ đỉnh 1 tới đỉnh đang xem xét.
3
Ví dụ: Con đường ngắn nhất
 Tìm con đường ngắn nhất từ đỉnh 1 tới tất cả các

đỉnh còn lại trong mạng lưới:
5
2 5
4 6
3
2
7 3 7
1 3
5 1 2
6
4 6
8
 Vòng lặp 1
• Bước 1: Gán cho Đỉnh 1 nhãn cố định [0,S].
• Bước 2: Do các Đỉnh 2, 3, và 4 nối trực tiếp với
Đỉnh 1, gán nhãn dự kiến (4,1) cho Đỉnh 2; (7,1)
cho Đỉnh 3; và (5,1) cho Đỉnh 4.
4
 Trình bày các nhãn dự kiến
(4,1)
5
2 5
4 6
3 2
7 3 7
[0,S] 1 3 (7,1)
5 1 2
6
(5,1) 4 6
8
 Trình bày các nhãn cố định
[4,1]
5
2 5
4 6
3 2
7 3 7
[0,S] 1 3 (7,1)
1
5 6 2
(5,1) 4 6
8
5
 Vòng lặp 1, Kết quả của Bước 4
[4,1] (9,2)
5
2 5
4 6
3 2
7 3 7
[0,S] 1 3 (7,1)
1
5 6 2
(5,1) 4 6
8
 Vòng lặp 2, Kết quả của Bước 3
[4,1] (9,2)
5
2 5
4 6
3 2
7 3
[0,S] 1 3 (6,4) 7
1
5 6 2
[5,1] 4 6
8
6
 Vòng lặp 2, Kết quả của bước 4
[4,1] (9,2)
5
2 5
4 6
3 2
7 3
[0,S] 1 3 (6,4) 7
1
5 6 2
[5,1] 4 6 (13,4)
8
 Vòng lặp 3
• Bước 3: Đỉnh 3 có khoảng cách nhỏ nhất trong
nhãn dự kiến (6). Nó trở thành nhãn cố định mới.
7
 Vòng lặp 3, Kết quả bước 3
[4,1] (9,2)
5
2 5
4 6
3 2
7 3
[0,S] 1 3 [6,4] 7
1
5 6 2
[5,1] 4 6 (13,4)
8
[4,1] (8,3)
5
2 5
4 6
3 2
7 3 7
[0,S] 1 3 [6,4]
1
5 6 2
[5,1] 4 6 (12,3)
8
8
[4,1] [8,3]
5
2 5
4 6
3 2
7 3 7
[0,S] 1 3 [6,4]
1
5 6 2
[5,1] 4 6 (12,3)
8
 Vòng lặp 4
• Bước 4: Với mỗi đỉnh có nhãn dự kiến được nối
với đỉnh 5 bằng chỉ một cung, tính tổng chiều dài
cung cộng với giá trị khoảng cách của đỉnh 5 (là 8).
Đỉnh 6: 3 + 8 = 11 (thay nhãn dự kiến bằng
(11,5) do 11 < 12, khoảng cách hiện tại.)
Đỉnh 7: 6 + 8 = 14 (Gán nhãn dự kiến (14,5)
cho đỉnh 7 do đỉnh này chưa có nhãn).
9
[4,1] [8,3]
5
2 5
6
4 3 (14,5)
2
7 3 7
[0,S] 1 3 [6,4]
1
5 6 2
[5,1] 4 6 (11,5)
8
[4,1] [8,3]
5
2 5
6
4 3 (14,5)
2
7 3 7
[0,S] 1 3 [6,4]
1
5 6 2
[5,1] 4 6 [11,5]
8
10
[4,1] [8,3]
5
2 5
6
4 3 (13,6)
2
7 3 7
[0,S] 1 3 [6,4]
5 1 2
6
[5,1] 4 6 [11,5]
8
 Tổng kết lời giải
Đỉnh Khoảng cách ngắn nhất Con đường ngắn

nhất
2 4 1-2
3 6 1-4-3
4 5 1-4
5 8 1-4-3-5
6 11 1-4-3-5-6
7 13 1-4-3-5-6-7
11
Bài toán Minimal Spanning Tree
 Một cây là một tập các cành (cung) nối với nhau và
không hình thành vòng kín.
 Một spanning tree là một cây nối tất cả các đỉnh trong
mạng.
 Bài toán minimal spanning tree tìm kiếm giá trị nhỏ
nhất của tổng chiều dài các cung cần thiết để nối tất cả
các đỉnh của mạng.
 Tiêu chí để tối thiểu hoá trong bài toán minimal
spanning tree không giới hạn bằng khoảng cách thậm
chí bởi khái niệm “gần nhất“ được sử dụng để mô tả
thủ tục. Các tiêu chí khác bao gồm thời gian và chi phí.
(Thời gian và chi phí không cần thiết phải là tuyến tính
so với khoảng cách.)
Thuật toán Minimal Spanning Tree
 Bước 1: Bắt đầu tại một đỉnh bất kỳ và nối nó với đỉnh
gần nhất. Hai đỉnh được gọi là được kết nối, và các
đỉnh còn lại là các đỉnh không kết nối.
 Bước 2: Xác định các đỉnh chưa được kết nối gần nhất
với một trong các đỉnh kết nối (nếu gần như nhau
chọn tuỳ ý). Lấy thêm đỉnh vào tập đỉnh kết nối. Lặp
quá trình đến khi tất cả các đỉnh được kết nối.
 Lưu ý: Một bài toán có n đỉnh cần nối sẽ cần n - 1
vòng lặp các bước ở trên.
12
Ví dụ: Minimal Spanning Tree
 Tìm Minimal Spanning Tree:
3 60
45 9
20 30
50
1 45
4 6
40 40
35
30
5 15
25 20
7
10
2 35
30
25
50 8
 Vòng lặp 1: Chọn tuỳ ý đỉnh 1, ta thấy đỉnh gần nhất

với nó là đỉnh 2 (khoảng cách = 30). Do đó, ta có:
Các đỉnh kết nối: 1,2
Các đỉnh chưa kết nối: 3,4,5,6,7,8,9,10
Cung được chọn: 1-2
 Vòng lặp 2: Đỉnh chưa nối gần nhất với một đỉnh
được nối là đỉnh 5 (khoảng cách = 25 tới đỉnh 2). Đỉnh
5 trở thành đỉnh được nối.
Các đỉnh kết nối: 1,2,5
Các đỉnh chưa kết nối : 3,4,6,7,8,9,10
Các cung được chọn: 1-2, 2-5
13
3 60
45 9
20 30
50
1 45
4 6
40 40
35
30
5 15
25 20
7
10
2 35
30
25
50 8
3 60
45 9
20 30
50
1 45
4 6
40 40
35
30
5 15
25 20
7
10
2 35
30
25
50 8
14
3 60
45 9
20 30
50
1 45
4 6
40 40
35
30
5 15
25 20
7
10
2 35
30
25
50 8
3 60
45 9
20 30
50
1 45
4 6
40 40
35
30
5 15
25 20
7
10
2 35
30
25
50 8
15
3 60
45 9
20 30
50
1 45
4 6
40 40
35
30
5 15
25 20
7
10
2 35
30
25
50 8
3 60
45 9
20 30
50
1 45
4 6
40 40
35
30
5 15
25 20
7
10
2 35
30
25
50 8
16
Ví dụ : Minimal Spanning Tree
 Spanning Tree tối ưu
3 60
45 9
20 30
50
1 45
4 6
40 40
30 35
5 15
25
7 20
10
2 35
30
50 25
8
Bài toán Dòng lớn nhất (Maximal Flow)
 Bài toán dòng lớn nhất liên quan tới xác định lượng
lớn nhất có thể chuyển từ một đỉnh (gọi là nguồn –
source) tới một đỉnh khác (gọi là điểm tiêu thụ - sink.
 Trong bài toán dòng lớn nhất, mỗi cung có khả năng
vận chuyển lớn nhất hạn chế dòng đi qua cung.
17
Ví dụ: Dòng lớn nhất
 Mô hình mạng
3
2 5
3
4 2 3 2
Source 3 4 Sink
4 3
1 4 7
3 1
3 5 1 5
3 6
6
 Một mô hình capacitated transshipment có thể được

sử dụng để phát triển bài toán dòng lớn nhất.
 Ta sẽ thêm một cung nối từ đỉnh 7 tới đỉnh 1 để thể
hiện tổng dòng trong mạng.
 Không có hạn chế dòng trên cung mới thêm 7-1.
 Ta muốn tối đa hoá dòng qua cung 7-1.
18
 Mô hình mạng sửa đổi

3
2 5
3
4 2 3 2
Source 3 4 Sink
4 3
1 4 7
3 1
3 5 1 5
3 6
6
Bài toán dòng lớn nhất
 Mô hình LP
(như bài toán Capacitated Transshipment)
• Mỗi cung có một biến.
• Mỗi đỉnh có một ràng buộc; Dòng ra phải bằng
dòng vào.
• Có một ràng buộc cho mỗi cung (trừ cung mới
thêm); dung lượng cung không được vượt.
• Mục tiêu là để tối đa hoá dòng chảy qua cung mới
thêm, sink-to-source arc.
19
Bài toán dòng lớn nhất
 Mô hình LP
(như bài toán Capacitated Transshipment)
Max xk1 (k là sink node, 1 là source node)

s.t. xij - xji = 0 (bảo toàn dòng chảy)
i j
xij < cij (cij là dung lượng của cung ij)

xij > 0, cho tất cả i và j (không âm)
(xij biểu diễn dòng từ đỉnh i tới đỉnh j)
Ví dụ: Dòng tối đa
 Mô hình LP
• 18 biến (cho 17 cung gốc và 1 cung thêm)
• 24 ràng buộc
• 7 ràng buộc bảo toàn dòng chảy tại đỉnh
• 17 ràng buộc dung lượng cung (cho các cung ban
đầu)
20
 Mô hình LP
• Hàm mục tiêu
Max x71
• Các ràng buộc bảo toàn dòng chảy tại đỉnh
x71 - x12 - x13 - x14 = 0 (dòng vào & ra tại đỉnh 1)
x12 + x42 + x52 – x24 - x25 = 0 (đỉnh 2)
x13 + x43 – x34 – x36 = 0 (etc.)
x14 + x24 + x34 + x54 + x64 – x42 - x43 - x45 - x46 - x47 = 0
x25 + x45 – x52 – x54 - x57 = 0
x36 + x46 - x64 - x67 = 0
x47 + x57 + x67 - x71 = 0
 Mô hình LP (tiếp theo)

• Các ràng buộc dung lượng cung
x12 < 4 x13 < 3 x14 < 4
x24 < 2 x25 < 3
x34 < 3 x36 < 6
x42 < 3 x43 < 5 x45 < 3 x46 < 1 x47 < 3
x52 < 5 x54 < 5 x57 < 5
x64 < 5 x67 < 5
21
 Lời giả tối ưu
2
2 5
3 1 2
Source Sink
4 3
1 4 7
1
3 1 5
10 3 6
4
22
Trường Đại học Điện lực Khoa Kinh tế & quản lý
1. Công ty PQR lên kế hoạch sản xuất tối thiểu 800 van điều khiển cho mỗi mẫu xe hơi, sử
dụng ba dây chuyền sản xuất. Các dây chuyền sản xuất có chi phí chuẩn bị, chi phí sản xuất
đơn vị, và khả năng sản xuất được cho dưới đây. Xác định các dây chuyền sản xuất sẽ được
sử dụng để tối thiểu hoá tổng chi phí.
Dây chuyền sản xuất Chi phí chuẩn Chi phí sản xuất Khả năng sản
bị (setup) $ đơn vị $ xuất
PL-A 750 20 400
PL-B 150 55 700
PL-C 420 35 600
Chi phí chuẩn bị là chi phí một lần của mỗi dây chuyền sản xuất và chỉ xuất hiện khi dây
chuyền được sử dụng. Chi phí sản xuất đơn vị là chi phí biến đổi, do đó tổng chi phí biến đổi cho
một đây chuyền sản xuất bằng số sản phẩm sản xuất trong dây chuyền này nhân với chi phí sản
xuất đơn vị.
Lập mô hình qui hoạch tối thiểu hoá sản phẩm van điều khiển của công ty PQR.
2. Một loại sơn được sản xuất sử dụng bốn quá trình sản xuất. Chi phí sản xuất mỗi lít của bất
cứ quá trình sản xuất nào trong 4 quá trình sản xuất , khả năng sản xuất lớn nhất của mỗi quá
trình, và các chi phí chuẩn bị được cho dưới đây:
Quá trình Chi phí chuẩn bị Chi phí xử lý Khả năng sản
($) ($/L) xuất (L)
P1 5.000 0,6 20.000
P2 6.000 0,5 15.000
P3 10.000 0,4 40.000
P4 6.000 0,3 25.000
Giả sử nhu cầu hàng ngày cần được thoả mãn là 45.000 L. Mô hình hoá vấn đề theo mô hình
qui hoạch số nguyên để quyết định lịch sản xuất hàng ngày để tối thiểu hoá tổng chi phí.
3. Xem xét mô hình toán học sau đây:

Max Z = 3x1 – 2x2 + 4x3
st.
x1 + 2x2 + 4x3 ≤ 22
2x1 + 3x2 – x3 ≤ 20
3x1 + x2 + 3x3 ≥ 18
2x1 – x2 + 3x3 ≥ 17
x1, x2 ≥ 0
Sử dụng các kỹ thuật mô hình hoá số nguyên để mô tả điều kiện sau đây:
- Có tối thiểu 3 ràng buộc được thoả mãn
- Có không nhiều hơn 1 ràng buộc đúng
- Có không nhiều hơn 2 ràng buộc thoả mãn
4. Xem xét mô hình qui hoạch tuyến tính sau:

Max 2x1 + 3x2
s.t.
x1 + x2 ≤ 10
2x1 + x2 ≥ 4
x1 + 3x2 ≤ 24
Phương pháp tối ưu trong kinh tế TS. Nguyễn Ngọc Thía

2x1 + x2 ≤ 16
x1, x2 ≥ 0
a. Giải bài toán sử dụng phương pháp hình học
b. Tính vùng tối ưu của các hệ số hàm mục tiêu của x1
c. Tính vùng tối ưu của các hệ số hàm mục tiêu của x2
d. Giả sử hệ số của x1 tăng từ 2 lên 5. Lời giải tối ưu mới là gì?
e. Giả sử hệ số hàm mục tiêu của x2 giảm từ 3 xuống 1. Lời giải tối ưu mới là gì?
5. Xem xét mô hình toán học sau đây:

Min x1 + x2
s.t.
x1 + 2x2 ≥ 7
2x1 + x2 ≥ 5
x1 + 6x2 ≥ 11
x1, x2 ≥ 0
a. Giải bài toán sử dụng phương pháp hình học
b. Tính vùng tối ưu của các hệ số hàm mục tiêu của x1
c. Tính vùng tối ưu của các hệ số hàm mục tiêu của x2
d. Giả sử hệ số của x1 tăng tới 1,5. Tìm lời giải tối ưu mới?
e. Giả sử hệ số hàm mục tiêu của x2 giảm tới 1/3. Tìm lời giải tối ưu mới?
6. Xem xét mô hình qui hoạch toàn số nguyên sau:

Max 5x1 + 8x2
s.t.
6x1 + 5x2 ≤ 30
9x1 + 4x2 ≤ 36
1x1 + 2x2 ≤ 10
x1, x2 ≥ 0 và là số nguyên
a. Vẽ đồ thị thể hiện các ràng buộc của mô hình. Vẽ các điểm khả thi của các lời giải số
nguyên.
b. Tìm lời giải tối ưu của bài toán nới lỏng (bỏ điều kiện ràng buộc số nguyên). Làm tròn
xuống để tìm lời giải khả thi.
c. Tìm lời giải tối ưu số nguyên. . Lời giải này có giống với lời giải ở phần (b) làm tròn
xuống.
7. Xem xét mô hình qui hoạch toàn số nguyên sau:

Max 1x1 + 1x2
s.t.
4x1 + 6x2 ≤ 22
1x1 + 5x2 ≤ 15
2x1 + 1x2 ≤ 9
x1, x2 ≥ 0 và là số nguyên
a. Vẽ đồ thị thể hiện các ràng buộc của mô hình. Vẽ các điểm khả thi của các lời giải số
nguyên.
b. Tìm lời giải tối ưu của bài toán nới lỏng (bỏ điều kiện ràng buộc số nguyên).
c. Tìm lời giải tối ưu số nguyên.

8. Giả sử ta có giỏ hàng có khả năng chứa 10 kg có thể được dùng để đựng các loại hàng trong
bảng sau:
Loại hàng Trọng lượng (kg) Lợi ích

1 4 11
2 3 7
3 5 12
Hãy tìm cách sắp xếp các loại hàng trên vào giỏ sao cho lợi ích có được là lớn nhất.
Lưu ý: luôn có đủ hàng mỗi loại để xếp vào giỏ.
9. Thành phố HPP quyết định xây dựng trung tâm văn hoá thành phố. Thành phố hiện có 3 lựa
chọn theo kích cỡ: nhỏ, trung bình và lớn. Mọi người đều đồng ý yếu tố quyết định kích cỡ
của trung tâm là số người muốn sử dụng trung tâm mới này. Một công ty tư vấn cung cấp
thông tin ước tính cho 3 viễn cảnh: xấu nhất, cơ sở và tốt nhất. Công ty tư vấn ước tính xác
suất cho các tình huống xấu nhất, cơ sở và tốt nhất là 0,1; 0,6 và 0,3. Thành phố sử dụng
dòng tiền trong thời gian 5 năm để ra quyết định. Tất cả các chi phíbao gồm cả phí tư vấn
đều bao gồm trong ước tính.
Kích cỡ trung tâm Tình huống Tình huống cơ Tính huống tốt
xấu nhất sở nhất
Nhỏ 400 500 660
Trung bình -250 650 800
Lớn -400 580 990
a. Lựa chọn nào thành phố HPP nên chọn theo phương pháp giá trị trông đợi?
b. Xây dựng “risk profile” cho các phương áp trung bình và lớn.
c. Tính giá trị trông đợi của thông tin hoàn hảo. Bạn có cho rằng đáng để lấy thêm thông tin
viên cảnh nào có khả năng xảy ra nhiều hơn không?
d. Giả sử xác suất của tình hống xấu nhất tăng lên 0,2, xác suất của tình huống cơ sở là 0,5
và xác suất tính huống tốt nhất vẫn là 0,3. Ảnh hưởng nào, nếu có, tác động tới lựa chọn
phương án tốt nhất?
e. Tư vấn cho rằng một chiến dịch quảng cáo chi phí $150.000 có thể giảm xác suất của tình
huống xấu xuống 0%. Nếu chiến dịch có thể nâng xác suất tính huống lớn nhất lên 0,4 ,
đây có phải là khoản đầu tư tốt hay không?
10. Tìm đường ngắn nhất từ nút 1 tới nút 10 trong mạng dưới đây sử dụng:
- Thuật toán gán nhãn trong bài giảng (hoặc thuật toán Difkstra trong tài liệu)
- Phương pháp qui hoạch động

11. City Cab Company identified 10 primary pickup and drop locations for cab riders in New
York City. In an effort to minimize travel time and improve customer service and the uti-
lization of the company’s fleet of cabs, management would like the cab drivers to take
the shortest route between locations whenever possible. Using the following network of
roads and streets, what is the route a driver beginning at location 1 should take to reach
location 10? The travel times in minutes are shown on the arcs of the network.
12. The Wisman Candy Company manufactures a variety of candy products. Company trucks
are used to deliver local orders directly to retail outlets. When the business was small, the
drivers of the trucks were free to take routes of their choice as they made the delivery
rounds to the retail outlets. However, as the business has grown, transportation and deliv-
ery costs have become significant. In an effort to improve the efficiency of the delivery op-
eration, Wisman’s management would like to determine the shortest delivery routes
between retail outlets. For example, the following network shows the roads that may be

taken between a retail outlet at node 1 and a retail outlet at node 11. Determine the short-
est route for a truck that is currently at node 1 and must make a delivery to node 11.
9.5-1.* For networks (a) and (b),use the augmenting path algo-
rithm described in Sec. 9.5 to find the flow pattern giving the max-
imum flow from the source to the sink,given that the arc capacity
from node i to node j is the number nearest node i along the arc
between these nodes.
13. Cho mạng lưới ở hình dưới đây, sử dụng thuật toán path augmenting đã thực hành trên lớp
(hoặc thuật toán Ford – Fulkerson trong tài liệu Vận trù học của Đại học Nông nghiệp hoặc tài
liệu toán kinh tế của Học viện bưu chính viễn thông) tìm các dòng chảy có luồng lớn nhất từ
souce (nguồn) tới sink (điểm tiêu thụ), cho trước khả năng chuyển từ nút i tới nút j trên hính vẽ.

14. Considerthe following network. The numbers above each arc represent the distance be-
tween the connected nodes.
a. Find the shortest route from node 1 to node 10 using dynamic programming.
b. What is the shortest route from node 4 to node 10?
c. Enumerate all possible routes from node 1 to node 10. Explain how dynamic pro-
gramming reduces the number of computations to fewer than the number required by
total enumeration.

1-Đã Gộp

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

1-Đã Gộp

Uploaded by

Copyright:

Available Formats

3/31/2019

Chương 1: Mô hình hóa bài toán kinh tế

-Sự cần thiết MHH

Sự cần thiết mô hình hóa

Khái niệm và các dạng của MHH

Các thành phần MHH

Một số kỹ thuật mô hình hóa

Ví dụ - Bài toán hỗn hợp sản xuất

Ví dụ - Bài toán ngân sách

Ví dụ: bài toán hỗn hợp sản phẩm

Ví dụ: bài toán xẻ gỗ

Chọn K trong số N ràng buộc

Ví dụ: bài toán lựa chọn dự án vs

Ví dụ: bài toán sản xuất sơn từ mỗi

 Một số khái niệm cơ bản

© 2005 Thomson/South-Western Slide 1

 1 số khái niệm cơ bản

© 2005 Thomson/South-Western Slide 2

© 2005 Thomson/South-Western Slide 3

Bài toán qui hoạch tuyến tính (LP)

 Nếu cả hàm mục tiêu và các ràng buộc là tuyến tính,

© 2005 Thomson/South-Western Slide 4

Max 5x1 + 7x2

© 2005 Thomson/South-Western Slide 5

Ví dụ 1: Phương pháp hình học

 Tổng hợp ràng buộc

© 2005 Thomson/South-Western Slide 6

 Miền khả thi

© 2005 Thomson/South-Western Slide 7

Ví dụ 1: Phương pháp hình học

 Đường biểu diễn hàm mục tiêu

© 2005 Thomson/South-Western Slide 8

 Lời giải tối ưu

© 2005 Thomson/South-Western Slide 9

© 2005 Thomson/South-Western Slide 10

© 2005 Thomson/South-Western Slide 11

Ví dụ 1: Điểm cực biên

© 2005 Thomson/South-Western Slide 12

 Những chương trình máy tính được thiết kế để giải

© 2005 Thomson/South-Western Slide 13

Giải thích kết quả

 Phần này chúng ta sẽ thảo luận những kết quả sau:

© 2005 Thomson/South-Western Slide 14

© 2005 Thomson/South-Western Slide 15

Ví dụ 1: Lời giải máy tính

© 2005 Thomson/South-Western Slide 16

 Mô hình tuyến tính

Min 5x1 + 2x2

s.t. 2x1 + 5x2 > 10

© 2005 Thomson/South-Western Slide 17

Ví dụ 2: Lời giải đồ thị

 Đồ thị hàm mục tiêu

x2 Min z = 5x1 + 2x2

© 2005 Thomson/South-Western Slide 18

© 2005 Thomson/South-Western Slide 19

Ví dụ 2: Lời giải đồ thị

 Lời giải tối ưu

x2 Min z = 5x1 + 2x2

3 2x1 + 5x2 > 10

© 2005 Thomson/South-Western Slide 20

© 2005 Thomson/South-Western Slide 21

Những trường hợp đặc biệt

 Giải pháp tối ưu thay thế