Professional Documents
Culture Documents
1
3/31/2019
2
3/31/2019
3
3/31/2019
Bài giải
Tóm tắt:
Mô hình hóa:
4
3/31/2019
Bài giải
R1 6 4 9 5000
R2 3 7 6 6000
5
3/31/2019
Bài giải
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
Bài giải
8
3/31/2019
9
Chương 2: Quy hoạch tuyến tính
Nội dung
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.
2
Ví dụ 1: Bài toán tối đa hóa
Mô hình LP
s.t. x1 < 6
2x1 + 3x2 < 19
x1 + x2 < 8
x 1 , x2 > 0
3
Ví dụ 1: Phương pháp hình học
8
7
6
5
4
3
Feasible
2 Region
1
x1
1 2 3 4 5 6 7 8 9 10
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
Ví dụ 1: Phương pháp hình học
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.
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
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.
Reduced Costs
8
Ví dụ 2: Bài toán tối thiểu
x 1 , x2 > 0
4x1 - x2 > 12
5
4 x 1 + x2 > 4
3
2x1 + 5x2 > 10
2
1
x1
1 2 3 4 5 6
9
Ví dụ 2: Lời giải đồ thị
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
4x1 - x2 > 12
5
4 x 1 + x2 > 4
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.
11
Ví dụ: Bài toán vô nghiệm
x1 , x2 > 0
8 2x1 + x2 > 8
x1
3 4
© 2005 Thomson/South-Western Slide 24
12
Ví dụ: Bài toán không xác định được phương
án tối ưu
Tìm phương án tối ưu bằng phương pháp hình học:
s.t. x1 + x2 > 5
3x1 + x2 > 8
x1 , x 2 > 0
3x1 + x2 > 8
8
Max 3x1 + 4x2
5
x 1 + x2 > 5
x1
2.67 5
© 2005 Thomson/South-Western Slide 26
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.
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
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
15
Ví dụ 1
Ví dụ 1
16
Ví dụ 1
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
17
Dual Price
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
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
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
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
20
Ví dụ 2: Olympic Bike Co.
Một nhà cung cấp cung 100 pounds hợp kim nhôm
và 80 pounds thép hợp kim hàng tuần.
21
Ví dụ 2: Olympic Bike Co.
x1 , x 2 > 0
22
Ví dụ 2: Olympic Bike Co.
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?
23
Ví dụ 2: Olympic Bike Co.
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
Ví dụ 2: Olympic Bike Co.
Vùng tối ưu
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
Ví dụ 2: Olympic Bike Co.
26
Vùng khả thi và nguyên tắc100%
27
Quy hoạch tuyến tính: Phương pháp đơn hình
1
Bảng đơn hình
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
3
Phương pháp đơn hình
4
Phương pháp đơn hình
x 1 , x 2 , x3 > 0
5
Ví dụ: phương pháp đơn hình
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
Ví dụ: phương pháp đơn hình
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.
7
Ví dụ: phương pháp đơn hình
8
Ví dụ: phương pháp đơn hình
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
Ví dụ: phương pháp đơn hình
10
Ví dụ: phương pháp đơn hình
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
Mô hình LP
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
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
Bảng đơn hình cơ sở
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
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
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
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
15
Ví dụ: Infeasibility
x 1 , x2 > 0
Ví dụ: Infeasibility
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
Ví dụ: Infeasibility
Vô hạn
Bài toán vô hạn khi tất cả các vị trí trong cột đưa vào
không dương.
17
Ví dụ: Unboundedness
LP Formulation
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
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
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
21
Lưu ý khi giải PP đơn hình
22
Bài toán đối ngẫu
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
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
© 2003 ThomsonTM/South-Western Slide 3
Ví dụ
2
Quy tắc viết 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
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
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.
© 2003 ThomsonTM/South-Western Slide 11
6
Mô hình mạng lưới
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
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.
2
Thuật toán quãng đường ngắn nhất
3
Ví dụ: Con đường ngắn nhất
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
Ví dụ: Con đường ngắn nhất
(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
[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
Ví dụ: Con đường ngắn nhất
[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
[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
Ví dụ: Con đường ngắn nhất
[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
Ví dụ: Con đường ngắn nhất
[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
Ví dụ: Con đường ngắn nhất
[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
Ví dụ: Con đường ngắn nhất
[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
Ví dụ: Con đường ngắn nhất
[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
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.)
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
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
13
Ví dụ: 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
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
Ví dụ: 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
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
Ví dụ: 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
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
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 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
18
Ví dụ: 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)
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
Ví dụ: Dòng tối đa
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
21
Ví dụ: Dòng tối đa
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.
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?
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:
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.