Całkowitoliczbowe Programowanie Liniowe: Instytut Informatyki

Całkowitoliczbowe programowanie liniowe
Badania operacyjne
Joanna Józefowska
Instytut Informatyki
Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 1 / 47
1 Przykład 1 - wracamy do problemu

Jak to narysować?
Rozwiązanie
Analiza rozwiązania
2 Metoda płaszczyzn tnących Gomory’ego

Pomysł
Metoda płaszczyzn tnących
Inne metody rozwiązywania zadań programowania
całkowitoliczbowego
3 Szczególne zadania programowania całkowitoliczbowego

Problem plecakowy
Problem transportowy
Problem przydziału

Przykład 1
Zadanie
Do produkcji opakowań potrzebny jest karton i folia aluminiowa, zszywki i

naklejki, przy czym dostępne są dwie metody produkcji (A i B). Zużycie zasobów
w poszczególnych technologiach, dzienną dostępność zasobów w magazynie i
zyskowność poszczególnych metod podano w tabeli. Maksymalna dzienna
produkcja każdą metodą wynosi 200 opakowań. Jaki plan produkcji należy
przyjąć, aby zysk z przedsięwzięcia był największy?
Tabela 1. Zużycie zasobów przy produkcji różnymi metodami
Metoda Karton Folia Zszywki Naklejki Zysk
2 2
Zasób [m /szt] [m /szt] [szt/szt] [szt/szt] [zł/szt]
A 2 7 16 15 11
B 1 9 8 12 10
Zapas [szt] 40 300 500 700
Przykład 1
Sformułowanie problemu
zmaksymalizować 11x1 + 10x2 (1)

przy ograniczeniach 2x1 + x2 ¬ 40 (2)
7x1 + 9x2 ¬ 300 (3)
16x1 + 8x2 ¬ 500 (4)
15x1 + 12x2 ¬ 700 (5)
x1 , x2 0 (6)
x1 , x2 ∈ Z (7)

Przykład 1
Zadanie zrelaksowane
Relaksacja zadania
Każde zadanie całkowitoliczbowe można rozpatrywać jako zwykłe zadanie
programowania liniowego, pomijając warunki całkowitoliczbowości.
Uwolnienie zadania od warunków całkowitoliczbowości nazywamy

relaksacją zadania.
Zadanie otrzymane w wyniku relaksacji nazywamy zadaniem

zrelaksowanym.
Przykład 1
Rozwiązania zadania zrelaksowanego
11 10 0 0 0 0
B cB x1 x2 s1 s2 s3 s4 RHS
1 x1 11 1 0 9/11 -1/11 0 0 60/11
2 x2 10 0 1 -7/11 2/11 0 0 320/11
3 s3 0 0 0 -8 0 1 0 180
4 s4 0 0 0 -51/11 -9/11 0 1 2960/11
5 0 0 29/11 9/11 0 0 3860/11
x1 = 60/11 ≈ 5, 45 s1 =0
x2 = 320/11 ≈ 29, 1 s2 =0
s3 =180
s4 =2960/11
z = 3860/11 ≈ 350, 9

Przykład 1 Jak to narysować?
Inny przykład
zmaksymalizować z = x1 + x2 (8)
−5x1 + 4x2 ¬ 0 (9)
5x1 + 2x2 ¬ 15 (10)
x1 , x2 0 (11)
Przykład 1 Rozwiązanie
Rozwiązanie - analiza
Wykres poniżej przedstawia obszar rozwiązań dopuszczalnych i
dopuszczalne rozwiązania całkowitoliczbowe (czarne punkty). Rozwiązanie
optymalne zaznaczono czerwonym punktem.
x2
4
1 2 3 4 x1

Rozwiązanie
Stosując algorytm sympleks otrzymujemy rozwiązanie:
z∗ = 9
2
x1∗ = 2
x2∗ = 5
2
Wartość zmiennej x2 w rozwiązaniu optymalnym nie jest liczbą całkowitą -

trudno takie rozwiązanie zinterpretować jako rozwiązanie zadania
wyjściowego.
Model matematyczny skorygowany
zmaksymalizować z = x1 + x2
−5x1 + 4x2 ¬ 0
5x1 + 2x2 ¬ 15
x1 , x2 0,
x1 , x2 ∈ Z (12)
Z - zbiór liczb całkowitych
Problem, w którym opuszczamy ograniczenie (12) nazywamy

zrelaksowanym problemem programowania całkowitoliczbowego.

Rozwiązanie
Dla problemu skorygowanego rozwiązanie:
z∗ = 9
2
x1∗ = 2
x2∗ = 5
2
jest niedopuszczalne (niecałkowite)!
Przykład 1 Analiza rozwiązania
Płaszczyzna tnąca
x2
4
1 2 3 4 x1
Rysunek: Odcięcie obszaru niezawierającego rozwiązań całkowitych

Odcięcie jako nowe ograniczenie
W wyniku odcięcia otrzymujemy nowy problem programowania liniowego:
−5x1 + 4x2 ¬ 0
5x1 + 2x2 ¬ 15
x2 ¬ 2
x1 , x2 0,
x1 , x2 ∈ Z
Rozwiązanie c.d.
x2
4
1 2 3 4 x1

Nowe sformułowanie problemu:
−5x1 + 4x2 ¬ 0
5x1 + 2x2 ¬ 15
x2 ¬ 2
x1 + x2 ¬ 4
x1 , x2 0,
x1 , x2 ∈ Z
Metoda Gomory’ego Pomysł
Obserwacje
Całkowitoliczbowe rozwiązanie optymalne zadania programowania

liniowego jest mniejsze lub równe od rozwiązania optymalnego
zadania zrelaksowanego.
Liczba rozwiązań o współrzędnych całkowitych jest skończona -
można zbadać wszystkie pary. Taki sposób postępowania nazywa się
pełnym przeglądem - exhaustive enumeration.

Rozwiązanie metodą sympleks
−5x1 + 4x2 ¬ 0
5x1 + 2x2 ¬ 15
x1 , x2 0,
−5x1 + 4x2 + s1 =0
5x1 + 2x2 + s2 = 15
x1 , x2 0,
−5x1 + 4x2 + s1 =0
5x1 + 2x2 + s2 = 15
x1 , x2 0,
Tabela: Początkowa tablica sympleks

i B c x1 x2 s1 s2 RHS
1 s1 0 –5 4 1 0 0
2 s2 0 5 2 0 1 15
3 –1 –1 0 0 0

Tabela: Początkowa tablica sympleks

1 s1 0 –5 4 1 0 0
2 s2 0 5 2 0 1 15
3 –1 –1 0 0 0
Tabela: Końcowa tablica sympleks

1 x2 1 0 1 1/6 1/6 5/2
2 x1 1 1 0 –1/15 2/15 2
3 0 0 1/10 3/10 9/2
Rozwiązanie
1 x2 1 0 1 1/6 1/6 5/2
2 x1 1 1 0 –1/15 2/15 2
3 0 0 1/10 3/10 9/2
x2 + 1/6s1 + 1/6s2 = 5/2 (*)

Ponieważ wszystkie zmienne są nieujemne zachodzi nierówność
x2 ¬ 5/2
Ale x2 ma być liczbą całkowitą, zatem
x2 ¬ 2
Odejmijmy otrzymaną nierówność od równania (*)
1/6s1 + 1/6s2 1/2

Twierdzenie
Twierdzenie
Niech IL oraz IR będą dowolnymi liczbami naturalnymi, f ściśle dodatnim ułamkiem a F
sumą ściśle dodatnich ułamków takich, że
IL + F = IR + f
Wtedy IL ¬ IR oraz F f .
Dowód. Niech (IL, IR, f , F ) będzie dowolną czwórką spełniającą założenia twierdzenia.
Ponieważ IL oraz IR są liczbami naturalnymi, F jest sumą ściśle dodatnich ułamków a f
jest ściśle dodatnim ułamkiem, to musi zachodzić F f . Jeżeli bowiem F < 1 to F = f ,
a jeżeli F > 1 to F > f . Ponieważ f jest ułamkiem, a IL oraz IR są liczbami
naturalnymi, to F nie może być całkowite, w szczególności nie może być równe 1. Zatem
z IL + F = IR + f wynika, że IL ¬ IR. Jest oczywiste, że gdy F < 1 to IL = IR oraz gdy
F > 1 to IL < IR. □
Pierwsze ograniczenie odcinające

W postaci standardowej: 1/6s1 + 1/6s2 − s3 = 1/2
w celu ułatwienia obliczeń: s1 + s2 − 6s3 = 3
po dodaniu zmiennej sztucznej: s1 + s2 − 6s3 + a1 = 3
i B c x1 x2 s1 s2 s3 a1 RHS
1 x2 1 0 1 1/6 1/6 0 0 5/2
2 x1 1 1 0 –1/15 2/15 0 0 2
3 a1 −M 0 0 1 1 –6 1 3
4 0 0 –M+1/10 –M+3/10 6M 0 –3M+9/2
Rozwiązanie optymalne
i B c x1 x2 s1 s2 s3 a1 RHS
1 x2 1 0 1 0 0 1 –1/6 2
2 x1 1 1 0 0 1/5 –2/5 1/15 11/5
3 s1 0 0 0 1 1 –6 1 3
4 0 0 0 1/5 3/5 1/10+M 21/5

Drugie ograniczenie odcinające

i B c x1 x2 s1 s2 s3 RHS
1 x2 1 0 1 0 0 1 2
2 x1 1 1 0 0 1/5 –2/5 11/5
3 s1 0 0 0 1 1 –6 3
4 0 0 0 1/5 3/5 21/5
x1 + 1/5s2 − 2/5s3 = 11/5
x1 + 1/5s2 + (−1 + 3/5)s3 = 11/5
x 1 − s3 ¬ 2
1/5s2 + 3/5s3 1/5
s2 + 3s3 − 5s4 = 1 (13)

Drugie odcięcie – rozwiązanie
i B c x1 x2 s1 s2 s3 s4 a2 RHS
1 x2 1 0 1 0 0 1 0 0 2
2 x1 1 1 0 0 1/5 –2/5 0 0 11/5
3 s1 0 0 0 1 1 –6 0 0 3
4 a2 −M 0 0 0 1 3 –5 1 1
5 0 0 0 1/5–M 3/5–3M 5M 0 21/5–M
Rozwiązanie optymalne
i B c x1 x2 s1 s2 s3 s4 RHS
1 x2 1 0 1 0 0 1 0 2
2 x1 1 1 0 0 0 –1 1 2
3 s1 0 0 0 1 0 –9 5 2
4 s2 0 0 0 0 1 3 –5 1
5 0 0 0 0 0 1 4

Algorytm Gomory’ego
krok 1 Rozwiąż metodą sympleks problem PL bez uwzględniania warunku

dyskretności zmiennych.
krok 2 Jeżeli rozwiązanie uzyskane w wyniku ostatniego zastosowania
metody sympleks jest całkowitoliczbowe, to jest ono rozwiązaniem
wyjściowego zadania całkowitoliczbowego programowania liniowego;
w przeciwnym razie przejdź do kroku 3.
krok 3 Wyeliminuj wszystkie zmienne sztuczne (bazowe i niebazowe) z
równań wynikających z ostatniej tablicy sympleksowej, po czym
wybierz zmienną xk , która ma wartość ułamkową w ostatnim
rozwiązaniu.
krok 4 W układzie równań wynikającym z ostatniej tablicy sympleks jeden ze

współczynników przy xk , powiedzmy w l-tym równaniu jest równy 1, a
pozostałe są równe zero. Zastąp współczynniki i stałą w l-tym
równaniu ich częściami ułamkowymi.
krok 5 Dodaj 1 do każdego ujemnego ułamka wynikającego z kroku 4. Zapisz
otrzymane równanie jako ograniczenie nierównościowe ze znakiem
””.

krok 6 Odejmij zmienną osłabiającą i dodaj zmienną sztuczną do

zmodyfikowanego l-tego ograniczenia w celu sprowadzenia go do
równania. Dołącz to równanie na koniec układu równań wynikającego
z ostatniej tablicy sympleks i przydziel nowej zmiennej sztucznej
dowolnie mały współczynnik w funkcji celu (−M). Uaktualnij wiersz
wskaźnikowy tablicy sympleks.
krok 7 Wykonaj dodatkowe iteracje metody sympleks dla nowego układu
równań utworzonego w kroku 6. Po uzyskaniu rozwiązania przejdź do
kroku 2.
Metoda Gomory’ego Algorytm
Ralph Gomory (born 7 May 1929)
(Wikipedia) an American applied mathematician and executive.

Gomory worked at IBM as a researcher and later as an executive.
During that time, his research led to the creation of new areas of
applied mathematics. He graduated from George School in
Newtown, PA in 1946. He received his B.A. from Williams College
in 1950, studied at Cambridge University, and received his Ph.D. in
mathematics from Princeton University in 1954. While serving in
the Navy (1954-1957), he shifted his focus to applied mathematics
Gomory described his method in
in operations research. Among his mathematical achievements
a very short paper entitled
were founding contributions to the field of integer programming,
”Outline of an algorithm for
an active area of research to this day. In December 2007 Gomory
integer solutions to linear
retired and became Professor at Stern School of Business, New
programs”, Bull. American Math.
York University. (Wikipedia)
Society, 64, 275-278, 1958.

Przykład 1 c.d.
11 10 0 0 0 0
B cB x1 x2 s1 s2 s3 s4 RHS
1 x1 0 1 0 9/11 -1/11 0 0 60/11
2 x2 0 0 1 -7/11 2/11 0 0 320/11
3 s3 0 0 0 -8 0 1 0 180
4 s4 0 0 0 -51/11 -9/11 0 1 2960/11
5 0 0 29/11 9/11 0 0 3860/11
9 10 5
s1 + s2
11 11 11
9 10 5
s1 + s2 − s5 + a1 =
11 11 11
Przykład 1 - drugie odcięcie

11 10 0 0 0 0 0
B cB x1 x2 s1 s2 s3 s4 s5 RHS
1 x1 11 1 0 9/10 0 0 0 -1/10 11/2
2 x2 10 0 1 -4/5 0 0 0 1/5 29
3 s3 0 0 0 -8 0 1 0 0 180
4 s4 0 0 0 -39/10 0 0 1 -9/10 539/2
5 s2 0 0 0 9/10 1 0 0 -11/10 1/2
5 0 0 19/10 0 0 0 9/10 701/2
1 1 1
s1 + s5
10 10 2
1 1 1
s1 + s5 − s6 + a2 =
10 10 2

Przykład 1 - rozwiązanie
11 10 0 0 0 0 0 0
B cB x1 x2 s1 s2 s3 s4 s5 s6 RHS
1 x1 11 1 0 1 0 0 0 0 -1 6
2 x2 10 0 1 -1 0 0 0 0 2 28
3 s3 0 0 0 -8 0 1 0 0 0 180
4 s4 0 0 0 -3 0 0 1 0 -9 274
5 s2 0 0 0 2 1 0 0 0 -11 6
6 s5 0 0 0 1 0 0 0 1 -10 5
7 0 0 1 0 0 00 9 346
x1 = 6 s1 =0
x2 = 28 s2 =6
s3 =180
z = 346 (< 350, 9) s4 =274
x2
30 (5,5;29)
(5,45;29,1)
(6;28)
25
20
15
10
x1
5 10 15 20 25 30 35

Metoda Gomory’ego Inne metody
Metoda podziału i ograniczeń
zmaksymalizować z = x1 + x2 (14)
−5x1 + 4x2 ¬ 0 (15)
5x1 + 2x2 ¬ 15 (16)
x1 , x2 0 (17)
z∗ = 9
2
x1∗ = 2
x2∗ = 5
2
Podzielimy zbiór rozwiązań dopuszczalnych na dwa podzbiory: 0 ¬ x2 ¬ 2

oraz x2 3
Metoda podziału i ograniczeń - reguły
W każdej iteracji wykonujemy następujące kroki:

Porządkowanie listy zadań zrelaksowanych Usuwamy z listy
zadania, które:
zostały już podzielone
są sprzeczne (brak rozwiązań dopuszczalnych)
mają wartość funkcji celu mniejszą lub równą wartości funkcji celu
zadań spełniających warunki całkowitoliczbowości.
Zadania, które pozostają na liście nazywamy zadaniami aktywnymi.
Sprawdzenie warunku optymalności Jeżeli rozwiązanie zadania
zrelaksowanego spełnia warunki całkowitoliczbowości a na liście zadań
nie ma już żadnego zadania aktywnego lub wszystkie zadania aktywne
mają tę samą wartość funkcji celu i spełniają warunki
całkowitoliczbowości, to otrzymaliśmy rozwiązanie optymalne
całkowitoliczbowe zadania wyjściowego.

Metoda podziału i ograniczeń - reguły
Wybór zadania do podziału Do podziału wybieramy to zadanie

aktywne, które ma najlepszą wartość funkcji celu.
Wybór zmiennej względem której dokonujemy podziału Wybrane
zadanie dzielimy względem dowolnej zmiennej, która w rozwiązaniu
tego zadania nie spełnia warunku całkowitoliczbowości.
Podział zadania względem wybranej zmiennej Jeżeli wybrana
zmienna przyjmuje wartość niecałkowitą c i ograniczenie na tę
zmienną ma postać: a ¬ x ¬ b, to podział polega na zastąpieniu tego
ograniczenia w jednym ze zbiorów ograniczeniem: ⌈c⌉ ¬ x ¬ b a w
drugim ograniczeniem a ¬ x ¬ ⌊c⌋.
Inne metody rozwiązywania zadań całkowitoliczbowych
programowanie dynamiczne
metody heurystyczne:
heurystyki dedykowanie
metaheurystyki

Przykłady Problem plecakowy
Problem plecakowy
W kolejce do serwera oczekuje 8 zadań obliczeniowych, które bezwzględnie trzeba

zakończyć w ciągu godziny. Za niewykonanie zadania należy zapłacić karę zleceniodawcy.
Czasy realizacji oraz kary za niewykonanie poszczególnych zadań zawarto w tablicy.
Które zadania należy wykonać, aby zminimalizować całkowitą karę?
zadanie Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8
czas [min] 6 8 11 20 28 35 25 9
kara [tys.zł] 6 5 9 10 11 12 9 8

1 gdy zadanie i zostanie wykonane
xi =
0 w przeciwnym razie
Problem plecakowy
zadanie Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8
czas [min] 6 8 11 20 28 35 25 9
kara [tys.zł] 6 5 9 10 11 12 9 8

xi =
zmin. 6(1 − x1 ) + 5(1 − x2 ) + 9(1 − x3 ) + 10(1 − x4 ) +

11(1 − x5 ) + 12(1 − x6 ) + 9(1 − x7 ) + 8(1 − x8 )
p.o. 6x1 + 8x2 + 11x3 + 20x4 + 28x5 + 35x6 + 25x7 + 9x8 ¬ 60
xi ∈ {0, 1}, i = 1, . . . , 8

Problem plecakowy

xi =
zmin. 6(1 − x1 ) + 5(1 − x2 ) + 9(1 − x3 ) + 10(1 − x4 ) +

11(1 − x5 ) + 12(1 − x6 ) + 9(1 − x7 ) + 8(1 − x8 )
p.o. 6x1 + 8x2 + 11x3 + 20x4 + 28x5 + 35x6 + 25x7 + 9x8 ¬ 60
xi ∈ {0, 1}, i = 1, . . . , 8
zmaks. 6x1 + 5x2 + 9x3 + 10x4 + 11x5 + 12x6 + 9x7 + 8x8

p.o. 6x1 + 8x2 + 11x3 + 20x4 + 28x5 + 35x6 + 25x7 + 9x8 ¬ 60
xi ∈ {0, 1}, i = 1, . . . , 8
Problem plecakowy
Dany jest skończony zbiór elementów A = {a1 , a2 , . . . , an }, z których każdy ma

całkowitoliczbową wagę wi i wartość vi oraz całkowitoliczbową pojemność plecaka b.
Które elementy należy włożyć do plecaka, aby nie przekraczając jego pojemności
zmaksymalizować wartość zapakowanych elementów?

1 gdy element i zostanie zapakowany
xi =
Pn
zmaksymalizować vi xi
Pn i=1
przy ograniczeniach i=1
wi xi ¬ b
xi ∈ {0, 1}, i = 1, . . . , n
Problem jest NP-trudny w zwykłym sensie.

Przykłady Problem transportowy
Firma produkująca nawozy sztuczne ma trzy zakłady produkcyjne zlokalizowane w

Kluczborku, Białymstoku i Pile. Kwartalna produkcja poszczególnych zakładów wynosi
odpowiednio: 5000 kg, 6000 kg, i 2500 kg. Firma ma cztery centra dystrybucji,
zlokalizowane w Lublinie, Elblągu, Łodzi i Opolu. Przewidywany popyt na nawozy w
poszczególnych centrach dystrybucji wynosi odpowiednio: 6000 kg, 4000 kg, 2000 kg
oraz 1500 kg. Jednostkowe koszty transportu (w zł/kg) z każdego zakładu do
poszczególnych centrów dystrybucji podano w tablicy.
Lublin Elbląg Łódź Opole

Kluczbork 3 2 7 6
Białystok 7 5 2 3
Piła 2 5 4 5
xij − ilość towaru przewieziona od dostawcy i do odbiorcy j
zminimalizować 3x11 + 2x12 + 7x13 + 6x14 +

7x21 + 5x22 + 2x23 + 3x24 +
2x31 + 5x32 + 4x33 + 5x34
przy ograniczeniach x11 + x12 + x13 + x14 ¬ 5000
x21 + x22 + x23 + x24 ¬ 6000
x31 + x32 + x33 + x34 ¬ 2500
x11 + x21 + x31 6000
x12 + x22 + x32 4000
x13 + x23 + x33 2000
x14 + x24 + x34 1500
xij 0, i = 1, 2, 3, j = 1, 2, 3, 4
xij ∈ Z, i = 1, 2, 3, j = 1, 2, 3, 4

Mamy m dostawców, których możliwości wysyłki wynoszą ai , i = 1, . . . m i

n odbiorców, których zapotrzebowania wynoszą bj , j = 1, . . . n. Koszt
przesłania jednostkowej porcji towaru od dostawcy i do odbiorcy j wynosi
cij . Wyznaczyć plan przewozów minimalizujący całkowite koszty.
Pn Pm
zminimalizować i=1 j=1
cij xij
Pn
przy ograniczeniach j=1
xij ¬ ai , i = 1, . . . , m
Pm
i=1
xij bj , j = 1, . . . , n
xij 0, i = 1, . . . , m, j = 1, . . . , n
xij ∈ Z, i = 1, . . . , m, j = 1, . . . , n
Istnieje algorytm wielomianowy o złożoności O(n3 ) znajdujący optymalne rozwiązanie

problemu.
Przykłady Problem przydziału
Problem przydziału
Firma zatrudniła do sprzątania po remoncie 3 pracowników: Armonda,

Francine, i Herberta. Jeden z nich musi posprzątać łazienkę, drugi umyć
podłogi, a trzeci umyć okna, ale każdy z nich otrzymuje inne
wynagrodzenie za te same czynności (tablica). Należy tak rozdzielić
zadania między pracowników, aby zminimalizować całkowity koszt
sprzątania.
Armond Francine Herbert
łazienka 2 3 3
podłogi 3 2 3
okna 3 3 2

Problem przydziału

1 pracownik i wykonuje zadanie j
xij =
zmin. 2x11 + 3x12 + 3x13 + 3x21 + 2x22 + 3x23 + 3x31 + 3x32 + 2x33
p.o. x11 + x12 + x13 = 1
x21 + x22 + x23 = 1
x31 + x32 + x33 = 1
x11 + x21 + x31 = 1
x12 + x22 + x32 = 1
x13 + x23 + x33 = 1
xij ∈ {0, 1}, i = 1, . . . , m, j = 1, . . . , n
Problem przydziału
Mamy n pracowników (maszyn, procesorów) i n zadań do wykonania. Koszt (czas)

wykonania zadania i przez pracownika j wynosi cij . Przydzielić zadania do pracowników
w taki sposób, aby całkowity koszt wykonania wszystkich zadań był minimalny.
Pn Pm
zminimalizować i=1 j=1
cij xij
Pn
przy ograniczeniach j=1
xij 1, i = 1, . . . , m
Pm
i=1
xij ¬ 1, j = 1, . . . , n
xij ∈ {0, 1}, i = 1, . . . , m, j = 1, . . . , n
Istnieje algorytm wielomianowy o złożoności O(log 2 (n)) znajdujący optymalne

rozwiązanie problemu.

Badania operacyjne jako nauka
Badania operacyjne
Joanna Józefowska
Joanna Józefowska (Instytut Informatyki) Badania operacyjne jako nauka 1/1
Przedmiot Nauka
Wspomaganie decyzji
Kittel (1947)
Operations Research is a scientific method for providing executive
departments with a quantitative basis for decisions.
Badania operacyjne są metodą naukową adaptującą wyniki różnych nauk

podstawowych do rozwiązywania zadań decyzyjnych.

Przedmiot Nauka
Badania operacyjne
Badania operacyjne są nauką systemową, czyli nauką o sterowaniu

złożonymi systemami, które mogą być fragmentami rzeczywistości
fizycznej i/lub ich modelami. Badania operacyjne, jako naukę systemową
definiuje się przez określenie klasy systemów, którymi się ona zajmuje. Są
to systemy typu kompleks operacji.
Sterowanie w tym kontekście rozumie się, jako wymuszenie pożądanego

zachowania systemu.
Przedmiot Zakres
Nauki systemowe
Zadanie: rozwijanie interdyscyplinarnych metod, które mogą być

zastosowane w różnych dziedzinach takich jak technika, biologia,
medycyna i nauki społeczne,
Cechy wspólne: budowa modelu użytecznego (utylitarnego),
którego analiza pozwala na zbadanie działania systemu i skuteczne
kontrolowanie tego działania,
Inne: teoria systemów, teoria regulacji, cybernetyka, teoria sterowania,
Atrybut: rodzaj systemu.

Przedmiot Zakres
System typu kompleks operacji
operacje
zasoby
ograniczenia kolejnościowe
kryteria (jedno lub wiele)
sterowanie (rozdział zasobów w czasie)
Przedmiot Zakres
Cechy badań operacyjnych
ukierunkowanie na podejmowanie decyzji

możliwość oceny działania (decyzji) na podstawie określonych
kryteriów
konieczność budowy modelu (na ogół matematycznego) sytuacji
decyzyjnej
konieczność realizacji obliczeń na komputerze

Przedmiot Zastosowania
Dziedziny zastosowań badań operacyjnych
ekonomia
logistyka
medycyna
informatyka
sport
polityka
...
Planowanie produkcji
Zakład produkcyjny produkuje n różnych wyrobów. Należy określić w

jakich ilościach produkować poszczególne wyroby, biorąc pod uwagę, że w
najbliższym okresie zapasy środków do produkcji są ograniczone. Dla
każdego z m środków znana jest wielkość zapasu bi , i = 1, . . . , m.
Jednostkowy nakład i-tego środka do produkcji j-tego wyrobu wynosi
aij , i = 1, . . . , m, j = 1, . . . , n. Znany jest też jednostkowy zysk z produkcji
j-tego wyrobu, który wynosi cj , j = 1, . . . , n. Należy zaplanować produkcję
zakładu w rozpatrywanym okresie tak, aby zmaksymalizować zysk.

Rolnictwo
Hodowca drobiu stosuje m rodzajów pasz w ilościach xj , j = 1, . . . , m.

Prawidłowa hodowla wymaga dostarczenia ptakom pewnych minimalnych
ilości składników pokarmowych, które wynoszą odpowiednio
ci , i = 1, . . . , n. Zawartość i-tego składnika w j-tej paszy oznaczymy jako
aij , a cenę jednostkową j-tej paszy przez cj . Znany jest też średni przyrost
masy ciała kurczaka wynikający z zastosowania jednostki wagowej paszy j,
który oznaczymy przez tj . Jaką ilość każdej paszy zastosować w hodowli,
aby zmaksymalizować stosunek całkowitego przyrostu masy ptaków do
kosztów zakupu pasz?
Polityka
Dwaj kandydaci ubiegający się o wybór w drugiej turze wyborów

prezydenckich muszą podjąć decyzje o sposobie przeprowadzenia kampanii
wyborczej w ostatni weekend poprzedzający głosowanie. Każdy z nich
może spędzić po jednym dniu w głównych miastach A i B, lub spędzić
obydwa dni w jednym z tych miast. Decyzje podejmują niezależnie od
siebie, ale przyrost (lub utrata) głosów w kampanii zależy od decyzji obu
kandydatów. Sztaby wyborcze oszacowały przewidywany wzrost poparcia
dla każdego z kandydatów, zależnie od strategii wybranych przez każdego
z nich. Na tej podstawie należy znaleźć optymalne strategie dla obu
kandydatów.
Joanna Józefowska (Instytut Informatyki) Badania operacyjne jako nauka 10 / 1

Historia Początki
Przed II wojną światową
1665 Znajdowanie minimum funkcji, I. Newton

1736 Problem mostów w Królewcu, L. Euler
1763 Reguła Bayes’a, T. Bayes
1823 Zasada użyteczności, J. Bentham
1824 Gry wojenne: Kriegspiel, von Reisswitz
1826 Rozwiązanie układu równań liniowych, C. F. Gauss
1880 Łańcuchy Markowa, A. Markov
1896 Rozwiązanie Pareto optymalne, V. Pareto
1903 Rozwiązanie układu nierówności, J. Farkas
1909 Centrala telefoniczna i procesy losowe, A. K. Erlang
1913 Ekonomiczna wielkość partii (EOQ), F. W. Harris
1936 Rozmieszczenie obiektów, E. Weiszfeld and A.Vazsonyi
Historia Cyrk Blacketta
II wojna światowa
1937 Brytyjczycy po raz pierwszy używają określenia bada-

nia operacyjne w kontekście planowania operacji woj-
skowych
1939 “Mathematical Methods of Organization and Produc-
tion,” L. Kantorovich
1939 Warunek optymalności problemu z ograniczeniami,
W. Karush
1941 Model przepływów międzygałęziowych, W. W. Leontief
1941 Problem transportowy, F. Hitchcock
1942 Badania operacyjne w Bitwie o Anglię, P. Blackett
http://www.theorsociety.com/Pages/Society/SocietyHistory.aspx
1943 Sieci neuronowe, W. McCulloch, W. Pitts
1944 Teoria gier, J. von Neumann, O. Morgenstern
1944 Teoria użytecznosci, J. von Neumann, O. Morgenstern
1944 Wygładzanie wykładnicze, R. Brown

Historia lata 50-te
Dynamiczny rozwój
1945 Problem diety, G. Stigler

1947 Model programowania liniowego i metoda sympleks, G.
B. Dantzig
1949 Metoda Monte Carlo, S. M. Ulam, J. von Neumann
1950 Statystyczna kontrola jakości, W. E. Deming
1950 Równowaga Nasha, J. Nash
1950 Komputer rozwiązuje problem transportowy (SEAC)
1950 Programowanie dynamiczne, R. Bellman
1954 Szeregowanie zadań, S. Johnson
1955 Problem komiwojażera, M. Flood
1955 Metoda Węgierska, H. Kuhn, E. Egerv’ary
1956 PERT/CPM/MPM, J. Kelley, Jr., W. Walker/D. Mal-
colm, J. Roseboom, C. Clark, W. Fazar/B. Roy
1957 Programowanie dynamiczne, R. Bellman
Historia Złożoność
Teoria złożoności obliczeniowej
1962 Przepływy w sieciach, L. Ford, Jr., D. Fulkerson

1965 Teoria złożoności obliczeniowej; pojęcie NP-zupełności,
J. Edmonds, R. Karp
1971 Złożoność obliczeniowa, S. A. Cook, R. Karp
1972 Dowód, ze sympleks nie jest algorytmem wielomiano-
wym, V. Klee and G. J. Minty

Co z tego wynika?
Problem plecakowy: Danych jest n przedmiotów, o wadze cj , j = 1, . . . , n,

oraz wartości pj , j = 1, . . . , n. Wybrać podzbiór przedmiotów o największej
sumarycznej wartości, których łączna waga nie przekracza B.
(
1 przedmiot j został wybrany
xj = j = 1, . . . , n (1)
Takich wektorów można zbudować 2n .
Ile czasu potrzeba, aby rozwiązać zadanie dla n przedmiotów, jeżeli
obliczenie wagi i wartości przedmiotów dla jednego wektora trwa 10−5 s?
n 2n T
10 1024 0,001 s
60 1,15x1018 3366 stuleci
Sposób postępowania
analiza złożoności obliczeniowej problemu

opracowanie algorytmu o złożoności wielomianowej
wykazanie NP-zupełności problemu
zastosowanie algorytmów przybliżonych
ocena algorytmów przybliżonych (heurystycznych)
oszacowanie najgorszego przypadku
ocena probabilistyczna
ocena eksperymentalna

Historia Badania operacyjne współcześnie
Nowe modele i metody
1975 Wielokryterialne wspomaganie decyzji, M. Zeleny,

S. Zionts, J. Wallenius, W. Edwards, B. Roy
1979 Metoda elipsoid, L. Khachian
1980 Constraint Programming
1982 Średni czas obliczeń algorytmu sympleks jest wielomia-
nowy, K.-H. Borgwardt
1982 Symulowane wyżarzanie, W. Metropolis
1984 Metody punktu wewnętrznego, N. Karmarkar
1989 Przeszukiwanie tabu, F. Glover
1990 Algorytmy ewolucyjne
1995 Eksploracja danych
Wiek XXI
Big Data
walka z terroryzmem
ochrona imprez masowych
optymalizacja łańcuchów logistycznych
analiza łańcuchów DNA
walka z pandemią . . .

Dla zainteresowanych
Więcej informacji historycznych i nie tylko można znaleźć na stronie:

http://www.theorsociety.com/learn/teachers history.htm
Metoda badań operacyjnych Sposób postępowania
Metoda postępowania
1 analiza sytuacji decyzyjnej

2 budowa modelu matematycznego
3 rozwiązanie zadania optymalizacyjnego
4 interpretacja rozwiązania i ocena jego przydatności
5 przedstawienie wyników decydentowi

Metoda badań operacyjnych Sposób postępowania
Metoda badań operacyjnych
Sytuacja Model Metoda

decyzyjna matematyczny rozwiązania
Metoda badań operacyjnych Sytuacja decyzyjna
Sytuacja decyzyjna
Definicja
Sytuacja decyzyjna to pojecie z zakresu teorii decyzji, oznaczające zbiór
wszystkich czynników, mających wpływ na podjecie decyzji przez
decydenta w procesie decyzyjnym. Czynniki te można podzielić na:
niezależne od decydenta i zależne od decydenta.
Wygodnie jest zidentyfikować następujące elementy sytuacji decyzyjnej:

warunki ograniczające decyzje,
zbiór możliwych decyzji,
kryteria wyboru decyzji.

Metoda badań operacyjnych Sytuacja decyzyjna
Sytuacja decyzyjna
Podstawowe klasy sytuacji decyzyjnych (wg Newella i Simona):

O dobrze określonej strukturze - są to sytuacje, w opisie których
przeważają elementy i zależności ilościowe. Zależności te można
odwzorować za pomocą modelu matematycznego.
O nieokreślonej strukturze - są to sytuacje, które można opisać prawie
wyłącznie za pomocą cech i zależności o charakterze jakościowym i są
one niemierzalne.
O słabo określonej strukturze - są to sytuacje mieszane, w których
pewne zależności można wyrazić za pomocą modelu
matematycznego, ale opis ten musi być uzupełniony przez
niemierzalne cechy i zależności jakościowe.
Metoda badań operacyjnych Model matematyczny
Zmienne decyzyjne i parametry
zmienna: wartość szukana, decyzja,

np.: wielkość produkcji, cena sprzedaży, wielkość partii produkcyjnej,
itp.
parametr: wielkość znana, wynikająca z opisu danej sytuacji decyzyjnej,
np.: jednostkowa cena surowca, jednostkowa pracochłonność operacji,
szacowany zysk jednostkowy itp.
Oszacowanie wartości parametrów bywa trudne, a błędy mogą istotnie
wpłynąć na jakość podejmowanych decyzji.

Klasyfikacja modeli
modele deterministyczne - wszystkie parametry sa traktowane jako

wielkości stałe i znane a priori
modele probabilistyczne - co najmniej jeden parametr jest zmienną
losową; rozkłady prawdopodobieństwa wszystkich zmiennych losowych
są znane
modele statystyczne - co najmniej jeden parametr jest zmienną
losową o nieznanym rozkładzie prawdopodobieństwa, ale istnieje
możliwość wykonania badania statystycznego w celu uzyskania
dodatkowych informacji
modele strategiczne - co najmniej jeden parametr, dla którego w
momencie podejmowania decyzji znany jest jedynie zbiór wartości,
które ten parametr może przyjąć
Zależności i ograniczenia
cecha: zależności ilościowe,

wada: konieczne uproszczenia,
efekt: zbiór dopuszczalnych decyzji

Zależności i ograniczenia
Kryterium oceny decyzji (kryterium optymalności, kryterium decyzyjne)

jest to jednoznacznie zdefiniowana miara korzyści, wynikających z podjęcia
decyzji. Często kryterium oceny nazywane jest celem decyzji.
Kryterium optymalności pozwala porównywać decyzje.
Przykłady: minimalizacja kosztów, maksymalizacja użyteczności,

maksymalizacja wypłaty, minimalizacja wysiłku, minimalizacja długości
trasy, minimalizacja czasu itp.
Rozważa się problemy z jednym lub wieloma kryteriami optymalności.
Metoda rozwiązania
Dziedzinę nauki zajmującą się rozwiązywaniem problemów

optymalizacyjnych nazywa się teorią optymalizacji.
Wybór metody (algorytmu) ma istotny wpływ na czas uzyskania

rozwiązania oraz jakość rozwiązania.
Nie zawsze w dostępnym czasie można znaleźć rozwiązanie optymalne

(dokładne). Często posługujemy się rozwiązaniami przybliżonymi.
Nie zawsze metoda konstruuje rozwiązanie optymalne. Niekiedy pozwala

jedynie porównać wybrane warianty

Metoda badań operacyjnych Rozwiązanie i interpretacja
Rozwiązanie
Rozwiązanie zadania optymalizacyjnego nalezy zinterpretować w

kategoriach sytuacji decyzyjnej, aby określić jego poprawność i
realność.
W razie konieczności należy poprawić model i powtórzyć obliczenia.
Proponowane rozwiązanie należy przedstawić decydentowi
Metoda badań operacyjnych Rozwiązanie i interpretacja
Pytania
opis przyjętych założeń

sformułowanie celu
przedstawienie kilku wariantów
narzędzia graficzne
język zrozumiały dla decydenta

Pytania
Rozwiązanie
Czy wzrost szybkości obliczeń rozwiązał problem złożoności

obliczeniowej problemów kombinatorycznych?
Czy badania operacyjne są dziedzina matematyki?
Jaka role odgrywa model w rozwiązywaniu problemów decyzyjnych
metoda badań operacyjnych?

Programowanie nieliniowe
Sprowadzanie do LP
Joanna Józefowska
Joanna Józefowska (Instytut Informatyki) Programowanie nieliniowe 1 / 25
Hiperboliczne Przykład
Zadanie
10x1 +2x2 +3
zmaksymalizować 2x1 +x2 +2
przy ograniczeniach 2x1 + 2x2 ¬ 14
x1 + 2x2 ¬ 8
4x1 ¬ 16
x1 0
x2 0

Funkcja celu
f0 (x ) =
10x1 + 2x2 + 3
2x1 + x2 + 2
x1 x2 1
= 10 +2 +3
2x1 + x2 + 2 2x1 + x2 + 2 2x1 + x2 + 2
Załóżmy, że 2x1 + x2 + 2 > 0
Oznaczmy
µ = 2x1 + x2 + 2
10x1 + 2x2 + 3 x1 x2 1
= 10 + 2 + 3
2x1 + x2 + 2 µ µ µ
Podstawienie
f0 (x ) =
10x1 + 2x2 + 3 x1 x2 1
= 10 + 2 + 3
2x1 + x2 + 2 µ µ µ
Podstawmy
1 x1 x2
u0 = µ u1 = µ u2 = µ
gdzie µ = 2x1 + x2 + 2 µ>0
f0 (x ) = 10u1 + 2u2 + 3u0
2x1 + x2 + 2
=1
µ
2u1 + u2 + 2 = 1

Podstawienie
1 x1 x2
u0 = µ u1 = µ u2 = µ
Zauważmy, że gdy u0 ̸= 0
u1 u2
x1 = u0 x2 = u0
A więc ograniczenia możemy zapisać jako:
2u1 + 2u2 ¬ 14u0

u1 + 2u2 ¬ 8u0
4u1 ¬ 16u0
2u0 + 2u1 + u2 = 1
u0 > 0, u1 0, u2 0
Problem po linearyzacji
zmaksymalizować
10u1 + 2u2 + 3u0
przy ograniczeniach
2u1 + 2u2 ¬ 14u0

u1 + 2u2 ¬ 8u0
4u1 ¬ 16u0
2u0 + 2u1 + u2 = 1
u0 > 0, u1 0, u2 0

Rozwiązanie
Rozwiązujemy metodą sympleks i otrzymujemy:

Rozwiązanie problemu liniowego
u0 = 0, 1 u1 = 0, 4 u2 = 0
Rozwiązanie problemu hiperbolicznego
x1 = 4 x2 = 0 z = 4, 3
Hiperboliczne Problem
Problem programowania hiperbolicznego
Problem programowania hiperbolicznego

zmaksymalizować:
f0 (x ) =
cx + c0
(1)
dx + d0
przy ograniczeniach:
Ax = b (2)
x 0 (3)

Hiperboliczne Metoda
Metoda Charnesa-Coopera [1964] - założenia
załóżmy, że dla x ∈ X = {x |Ax = b ; x 0} zachodzi
dx + d0 > 0
oznaczmy:
1
u0 =
dx + d0
u = dx x+ d
0
Metoda Charnesa-Coopera - obserwacje
Ax = b ⇐⇒ A dx x+ d =b
1
dx + d0 ⇐⇒ Au = bu0
0
Ponieważ x 0, więc u 0.
Ponieważ dx + d0 > 0, więc u0 > 0.
Ponadto du + d0 u0 = 1

Metoda Charnesa-Coopera - sformułowanie problemu PL
zmaksymalizować:
c0 u0 + cu
−b u0 + Au = 0
d0 u0 + du = 1
u0 > 0
u0
Metoda Charnesa-Coopera - teoria

Oznaczmy:
U = {(u0 , u )| − bu0 + Au = 0, d0 u0 + du = 1, u0 > 0, u 0}
U = {(u0 , u )| − bu0 + Au = 0, d0 u0 + du = 1, u0 0, u 0}
cx + c0
f0 (x ) =
dx + d0
g (u0 , u ) = c0 u0 + cu
Lemat 1
Odwzorowanie h : X → U określone wzorami:
u0 =
1
dx + d0 , u = dx x+ d
0
jest odwzorowaniem wzajemnie jednoznacznym. Ponadto dla każdej pary

x ∈ X , (u0 , u ) = h(x ) zachodzi g (u0 , u ) = f0 (x ).

Twierdzenie 1
Jeżeli istnieje rozwiązanie optymalne (u0∗ , u ∗ ) problemu
zmaksymalizować: c0 u0 + cu (4)
przy ograniczeniach: − b u0 + Au = 0 (5)

d0 u0 + du = 1 (6)
u0 0, u0 (7)
takie, że u0∗ > 0, to wektor x ∗ = uu ∗
∗
0
jest rozwiązaniem optymalnym
problemu:
zmaksymalizować: f0 (x) = cx +c0

d x +d0 = g (uo , u )
przy ograniczeniach: Ax = b
x 0
Twierdzenie 2
Jeżeli
X ̸= ⊘
istnieje rozwiązanie optymalne problemu (4)–(7)
dla każdego rozwiązania optymalnego (u0∗ , u ∗ ) problemu (4)–(7)
zachodzi u0∗ = 0
to
g (u0∗ , u ∗ ) jest kresem górnym funkcji f0 (x ) na zbiorze X .
nie istnieje rozwiązanie optymalne problemu (1)–(3).

Twierdzenie 3
Jeżeli X ̸= ⊘ i funkcja celu g problemu (4)–(6) jest nieograniczona od
góry, to funkcja celu f0 problemu (1)–(3) jest nieograniczona od góry.
Twierdzenie 4
Jeżeli problem (4)–(6) jest sprzeczny, to problem (1)–(3) jest sprzeczny.
Wniosek
Rozwiązanie optymalne problemu (1)–(3) istnieje wtedy i tylko wtedy, gdy
istnieje rozwiązanie optymalne problemu (4)–(6) takie, że u0∗ > 0.
Max-min Przykład
Zadanie
zmaksymalizować f0 (x) = min(x + 6, 14 x + 7, −x + 11)

przy ograniczeniach −5 ¬ x ¬ 7
x 0

Max-min Przykład
Ilustracja graficzna
z
8
zmaksymalizować
7
1 6
z = min(x + 6, x + 7, −x + 11)
4 5
przy ograniczeniach 4
−5 ¬ x ¬ 7 3
x 0 2
1
x
−8−7−6−5−4−3−2−1 0 1 2 3 4 5 6 7 8
Max-min Ogólne sformułowanie
Problem z maksyminową funkcją celu
zmaksymalizować:
f0 (x ) = min (ck x + ck0 ) (8)
k=1,...,s
Ax = b (9)
x 0 (10)

zmaksymalizować f0 (x ) = min (ck x + ck0 ), x ∈ Rn

k=1,...,s
oznaczmy z = f0 (x ), x ∈ Rn
zmaksymalizować z
z = min (ck x + ck0 )

k=1,...,s
z moze być ujemne...
zmaksymalizować z + − z −
z + − z − ¬ ck x + ck0 , k = 1, . . . , s
Problem Problem
z maksyminową funkcją celu liniowy
zmaksymalizować: zmaksymalizować:
f0 (x ) = min (ck x + ck0 ) f0 (x , z + , z − ) = z + − z −

k=1,...,s
przy ograniczeniach: przy ograniczeniach:
z + − z − ¬ ck x + ck0 , k = 1, . . . , s
Ax = b Ax = b
x 0 x 0
x ∈ Rn x ∈ Rn , z ∈ R

Zadanie - rozwiązanie
zmaksymalizować f0 (x) = min(x + 6, 41 x + 7, −x + 11)

x 0
zmaksymalizować f0 (z + , z − , x) = z + − z −
przy ograniczeniach x ¬7
−x ¬5
z+ − z− − x ¬6
z + − z − − 41 x ¬7
z+ − z− + x ¬ 11
z + − z −, x 0
zmaksymalizować f0 (z + , z − , x) = z + − z −
przy ograniczeniach x ¬7
−x 5
z+ − z− − x ¬6
z + − z − − 14 x ¬7
z+ − z− + x ¬ 11
z +, z −, x 0
Rozwiązanie metodą sympleks:

x ∗ = 16/5 = 3, 2
z ∗+ = 39/5 = 7, 8
z ∗− = 0
z ∗ = z ∗+ − z ∗− = 7, 8
x ∗ = 3, 2 z ∗ = 7, 8
z
8
7
6
5
4
3
2
1
x
−8−7−6−5−4−3−2−1 0 1 2 3 4 5 6 7 8
Wartość bezwzględna Przykład
Przykład
zmaksymalizować f0 (x ) = |x1 − 2x2 + 3|

x 0
y = max{0, x1 − 2x2 + 3}
z = max{0, −x1 + 2x2 − 3}
|x1 − 2x2 + 3| = y + z
x1 − 2x2 + 3 = y − z

Wartość bezwzględna Przykład
Przykład
zmaksymalizować f0 (x ) = |x1 − 2x2 + 3|

x 0
zmaksymalizować f0 (x ) = y + z
x1 − 2x2 + 3 = y − z
x 0

Metoda Lagrange’a
Badania operacyjne
Joanna Józefowska
Joanna Józefowska (Instytut Informatyki) Metoda Lagrange’a 1 / 37
Programowanie matematyczne Sformułowanie
Nieliniowa funkcja celu
Na schemacie v oznacza napięcie źródła, r opór wewnętrzny źródła, a R

opór odbiornika. Znaleźć taką wartość R, aby strata mocy była
maksymalna, jeżeli dopuszczalny spadek napięcia na oporniku wynosi E ?
r
v
i= (1)
r +R
+ E = iR (2)
– R
P = i 2R (3)

Nieliniowa funkcja celu
2
v
zmaksymalizować P= r +R R (4)
vR
przy ograniczeniach r +R ¬E (5)
strata mocy strata mocy

4,5 4,5
4 4
3,5 3,5
3 3
2,5 2,5
2 2
1,5 1,5
1 1
0,5 0,5
0 0
0
9
10
11
12
10
11
12
R R
strata mocy strata mocy

4,5 4,5
4 4
3,5 3,5
3 3
2,5 2,5
2
2
1,5 1,5
Ogólny problem programowania matematycznego

1
0,5
1
0,5
0 0
0
9
10
11
12
10
11
12
R R
(v = 9, r = 5)
zmaksymalizować z = f0 (x1 , . . . , xn ) (6)
przy ograniczeniach fi (x1 , . . . , xn ) ¬ 0, i = 1, . . . , m (7)

Ogólny problem programowania matematycznego
Problem programowania matematycznego
zmaksymalizować z = f0 (x) (8)

przy ograniczeniach fi (x) ¬ 0, i = 1, . . . , m (9)
x ∈ Rn (10)
Problem programowania liniowego
zmaksymalizować z = f0 (x) = cx
przy ograniczeniach fi (x) = Ai x − bi ¬ 0 i = 1, . . . , m
x ∈ Rn
Programowanie matematyczne Ekstremum
Ekstremum funkcji
Niech
S = {x : fi (x) ¬ 0, i = 1, . . . , m} - zbiór rozwiązań dopuszczalnych
∆ = {x : 0 < ||x ∗ − x|| < δ}
E =S ∩∆
Funkcja f0 ma w punkcie x ∗ słabe minimum (maksimum) lokalne, jeżeli
istnieje δ > 0 takie, że dla każdego x ∈ E
f0 (x ∗ ) ¬ f0 (x), (f0 (x ∗ ) f0 (x))

Ekstremum funkcji
Niech
∆ = {x : 0 < ||x ∗ − x|| < δ}
E =S ∩∆
Funkcja f0 ma w punkcie x ∗ właściwe minimum (maksimum) lokalne,
jeżeli istnieje δ > 0 takie, że dla każdego x ∈ E
f0 (x ∗ ) < f0 (x), (f0 (x ∗ ) > f0 (x))
Ekstremum funkcji
Niech
Funkcja f0 ma w punkcie x ∗ właściwe minimum (maksimum) globalne,

jeżeli dla każdego x ∈ S
f0 (x ∗ ) < f0 (x), (f0 (x ∗ ) > f0 (x))

Programowanie matematyczne Punkty stacjonarne
Punkty stacjonarne funkcji nieliniowej wielu zmiennych
y
y = 65x 6 + 71x 5 − 322x 4 − 401x 3 + 1000
maksimum lokalne punkt przegięcia
minimum lokalne
Programowanie matematyczne Punkty stacjonarne
x12 x22
f (x) = − 2 + 2
Punkt siodłowy
50
40
30
20
10
f(x) 0
-10
-20
-30
8
-40
2
-50
-4 x2
1
-10
11
13
x1
15
17
19
21

Poszukiwanie ekstremum funkcji nieliniowej Przypadki
Poszukiwanie ekstremum funkcji nieliniowej
x2
S =∅
zminimalizować
z = x1 + x2 7
przy ograniczeniach
(x1 − 7)2 + (x2 − 7)2 5
(x1 − 7)2 + (x2 − 7)2 ¬ 2
Brak rozwiązań dopuszczalnych - brak optimum.

x2
S 6= ∅
zminimalizować
7
z = x1 + x2
przy ograniczeniach
(x1 − 7)2 + (x2 − 7)2 ¬ 5
(x1 − 7)2 + (x2 − 7)2 2
x1
7
Rozwiązanie optymalne ograniczone

x2
S 6= ∅
zmaksymalizować
7
z = x1 + x2
przy ograniczeniach
(x1 − 7)2 + (x2 − 7)2 2
x1
7
Rozwiązanie optymalne nieograniczone
f0(x)
S 6= ∅
zminimalizować
z = x −1
przy ograniczeniach
x ∈ R+
Rozwiązanie optymalne ograniczone, ale nieosiągalne!

S =∅
S 6= ∅
optimum ograniczone
wartość funkcji nieograniczona
wartość funkcji ograniczona, ale optimum nieosiągalne
Przykład c.d.
2
v
zmaksymalizować P= r +R R
strata mocy
4,5
3,5
2,5
1,5
0,5
0
0
10
11
12
dP v 2 (r + R)2 − 2(r + R)v 2 R

= =0 (11)
dR (r + R)4
Poszukiwanie ekstremum funkcji nieliniowej Gradient
Gradient funkcji wielu zmiennych
Wektor pochodnych cząstkowych funkcji
f (x) : Rn → R
ze względu na x1 , x2 , . . . , xn nazywa się gradientem funkcji f (x) i

oznacza się go przez ∇f (x).
 ∂f (x) 
 ∂f∂x(x)
1 
 
∇f (x) =  ∂x
 . . 2.

 (12)
 
∂f (x)
∂xn
x jest punktem stacjonarnym funkcji f (x) wtw ∇f (x) = 0
Przykład c.d.
v 2R
zmaksymalizować P= (r +R)2
2 (r + R)2 − 2(r + R)R 2 r −R

v = v =0
(r + R)4 (r + R)3
R=r
Czy R = r jest maksimum czy minimum funkcji?
3 2
d 2P 2 −(r + R) − 3(r + R) (r − R)
=v (13)
dR 2 (r + R)6
2 2R − 4r v2
=v =− <0
(2r )4 (2r )3

Przykład c.d.
vR
R=r r +R <E
Poszukiwanie ekstremum funkcji nieliniowej Hesjan
Hesjan funkcji wielu zmiennych
∂2f ∂2f ∂2f

 
∂x12 ∂x1 ∂x2 ... ∂x1 ∂xn
 
 ... ... ... ... 
H(f ) = 



 
∂2f ∂2f ∂2f
∂xn ∂x1 ∂xn ∂x2 ... ∂xn2
∂2f ∂2f
Zakładamy, że ∂xi ∂xj = ∂xj ∂xi .

Określoność macierzy
Dla dowolnej macierzy M o wymiarach n × n i wektora z o długości n

   

 dodatnio określona 
 
 >0 


 dodatnio półokreślona 
 
 0 

M jest ⇐⇒ z T Mz jest

 ujemnie określona 
 
 <0 

   

ujemnie półokreślona  
¬0 
dla dowolnego z 6= 0
Twierdzenie
H(x ∗ ) jest dodatnio określona =⇒ x ∗ jest właściwym mi-

nimum lokalnym
H(x) jest dodatnio określo- =⇒ x ∗ jest minimum lokal-

na dla wszystkich wartości x nym
w pewnym otoczeniu x ∗
x ∗ jest minimum lokalnym =⇒ H(x ∗ ) jest dodatnio

półokreślona

Równości Graficznie
Klasyfikacja problemów NLP
Problemy bez ograniczeń

Problemy z ograniczeniami
Ograniczenia w postaci równań
Ograniczenia w postaci nierówności
Przykład
zminimalizować f0 (x) = (x1 − 1)2 + x22 + 1

przy ograniczeniach f1 (x) = x1 − 0, 25x22 = 0

Metoda graficzna
x2
x1 − 0, 25x22 = 0
5
2
(x1 − 1)22 + x222 = 2
1 (x1 − 1)2 + x22 = 1
(x1 − 1) + x2 = 0, 5
0 x1
0 1 2 3 4 5 6 7 8 9 10 11 12
-1
-2
-3
-4
-5
Równości Analitycznie
Podstawienie
Przykład

x1 = 0, 25x22
f0 (x2 ) = ((0, 25x22 ) − 1)2 + x22 + 1
f0 (x2 ) = (0, 25)2 x24 − 0, 5x22 + 1 + x22 + 1
f0 (x2 ) = (0, 0625)x24 + 0, 5x22 + 2
df0 3
dx2 = (4 ∗ 0, 0625)x2 + x2 = 0
x2 (0, 25x22 + 1) = 0
x2 = 0
x1 = 0
f0 = 2

Równości Metoda
Obserwacja
x2
x1 − 0, 25x22 = 0
5
1 (x1 − 1)2 + x22 = 1

0 x1
-4 -3 -2 -1 0 1 2 3 4 5 6 7 8
-1
-2
-3
-4
-5
Równości Metoda
Twierdzenie Lagrange’a
Niech dany będzie następujący problem NPM:
zminimalizować z = f0 (x1 , ..., xn ) (14)

przy ograniczeniach: fi (x1 , ..., xn ) = 0, i = 1, . . . , m (15)
Jeżeli:
(x1∗ , x2∗ , . . . , xn∗ ) jest lokalnym optimum problemu (14)-(15)
n>m
fi mają ciągłe pierwsze pochodne ze względu na xj
∇fi (x1∗ , x2∗ , . . . , xn∗ ) są wektorami liniowo niezależnymi
to istnieje wektor u = [u1 , . . . , um ]T taki, że
m
∇f0 (x1∗ , x2∗ , . . . , xn∗ ) ui ∇fi (x1∗ , x2∗ , . . . , xn∗ ) = 0
X
+
i=1

Równości Metoda
Metoda Langrange’a
1 Sprawdzić, że n > m i każda funkcja fi , i = 0, . . . , m ma ciągłe pochodne
cząstkowe.
2 Zbudować funkcję Lagrange’a
m
X
L(x, u) = f0 (x) + ui fi (x)
i=1
3 Znaleźć wszystkie rozwiązania następującego układu równań nieliniowych (warunki

Lagrange’a)
m
X
∇L(x, u) = ∇f0 (x) + ui ∇fi (x) = 0
i=1
∂L(x, u)
= fi (x) = 0, i = 1, . . . , m
∂ui
4 Sprawdzić każde rozwiązanie (x ∗ , u ∗ ) (punkty Lagrange’a) aby stwierdzić, czy

jest minimum lokalnym.
Równości Metoda
Joseph-Louis Lagrange
25.01.1736 (Turyn) – 10.04.1813 (Paryż)
Lagrange był przede wszystkim teoretykiem. Nie

interesowało go praktyczne wykorzystanie jego wyników,
a zagadnieniami praktycznymi (jak reforma systemu miar)
zajmował się z konieczności. Miał tyle szczęścia (a może
rozsądku), że nie wdawał się w działalność polityczną, nie
był też jednoznacznie związany z żadną grupą społeczną.
Dzięki temu w czasach zamętu uniknął losu Lavoisiera i
Galois, dwóch wielkich Francuzów, którzy zginęli
wł. Giuseppe Lodovico (Luigi) zamieszani w politykę.
Lagrangia matematyk i astronom W uznaniu jego zasług jedna z planetoid otrzymała
pochodzenia włoskiego, pracujący we nazwę (1006) Lagrangea. Jego nazwisko pojawiło się na
Francji i przez dwadzieścia lat w liście 72 nazwisk na wieży Eiffla, jako jednego z dwóch
Berlinie dla króla pruskiego Fryderyka (obok Jacques’a Sturma) wyróżnionych tam
II. nie-Francuzów (z urodzenia lub pochodzenia).
więcej na: https : //pl.wikipedia.org /wiki/Joseph Louis Lagrange

Równości Metoda
Metoda Langrange’a - przykład
Przykład

Równości Metoda
Metoda Langrange’a - przykład

1 sprawdzenie założeń twierdzenia Lagrange’a

2 funkcja Lagrange’a L(x, u) = (x1 − 1)2 + x22 + 1 + u(x1 − 0, 25x22 )
3 warunki Lagrange’a
∂L
∂x1 = 2(x1 − 1) + u = 0
∂L
∂x2 = 2x2 − 0, 5ux2 = 0
∂L 2
∂u = x1 − 0, 25x2 = 0
4 rozwiązanie x1 = 0 x2 = 0 u = 2

Równości Metoda
Klasyfikacja punktów Langrange’a
Twierdzenie
Jeżeli (x ∗ , u ∗ ) jest jedynym punktem Lagrange’a i wiadomo, że funkcja
osiąga minimum, to x ∗ jest minimum lokalnym.
Twierdzenie zachodzi dla naszego przykładu. Zatem punkt (0,0) jest

minimum.
Równości Metoda
Twierdzenie
Jeżeli (x ∗ , u ∗ ) jest punktem Lagrange’a i hesjan HL (x ∗ ) funkcji Lagrange’a
w punkcie x ∗ dla u = u ∗ spełnia warunek:
x T HL (x ∗ )x > 0
dla wszystkich x takich, że x T ∇fi (x) = 0, i = 1, . . . , m, to x ∗ jest

minimum lokalnym.

Równości Metoda
Przykład
Dany jest następujący problem NPM:
13 2 1 2
zminimalizować f0 (x) = (x1 − 3 ) + (x2 − 2 ) − x3 (16)
przy ogr. f1 (x) = x1 + 53 x2 − 10 = 0 (17)
f2 (x) = (x2 − 2)2 + x3 − 4 = 0 (18)
Równości Metoda
Twierdzenie
Jeżeli założenia twierdzenia Lagrange’a są spełnione i nie istnieje u takie,
że
∇f0 (x ∗ ) + ui ∇fi (x ∗ ) = 0
w punkcie x ∗ , to w tym punkcie na pewno nie występuje minimum.

Równości Metoda
Przykład
Dany jest następujący problem NPM:
zminimalizować f0 (x) = x12 + (x2 − 2)2 + x32 (19)

przy ograniczeniach f1 (x) = x12 + 0, 25x22 + x32 − 1 = 0 (20)
f2 (x) = −x2 + 2x3 = 0 (21)
 
√2
6

√2 
Sprawdzić, czy w punkcie x = 
 6
 występuje minimum lokalne.

√1
6

Metoda Karusha-Kuhna-Tuckera
Badania operacyjne i teoria optymalizacji
Joanna Józefowska
Joanna Józefowska (Instytut Informatyki) Metoda Karusha-Kuhna-Tuckera 1 / 22
Sformułowanie
Ograniczenia w postaci nierówności
Postać ograniczeń
fi (x) = 0 ⇔ fi (x) ¬ 0 i fi (x) 0

lub
fi (x) = 0 ⇔ fi (x) ¬ 0 i − fi (x) ¬ 0

Sformułowanie
Postać kanoniczna
problemu programowania matematycznego
zminimalizować f0 (x)
n
x∈R
przy ograniczeniach fi (x) ¬ 0 , i = 1, . . . , m
Przykład
Przykład
zminimalizować f0 (x) = (x1 − 14)2 + (x2 − 11)2

n
x∈R
przy ograniczeniach f1 (x) = (x1 − 11)2 + (x2 − 13)2 − 49 ¬ 0
f2 (x) = x1 + x2 − 19 ¬ 0

Przykład
Przykład
x2
f1(x) = (x1–11)2 + (x2–13)2  49
(0, 0)
x1
Przykład
Przykład
x2
f1(x) = (x1–11)2 + (x2–13)2  49
(0, 0)
f2(x) = x1+x2–19  0 x1

Przykład
Przykład
x2
f1(x) = (x1–11)2 + (x2–13)2  49
f0(x) = (x1–14)2 + (x2–11)2
(0, 0)
f2(x) = x1+x2–19  0 x1
Przykład
Przykład
x2
f1(x) = (x1–11)2 + (x2–13)2  49
f0(x) = (x1–14)2 + (x2–11)2
x = (11, 8)
(0, 0)
f2(x) = x1+x2–19  0 x1

Przykład
Przykład
x2
f0(x) = (x1–14)2 + (x2–11)2
x = (11, 8)
(0, 0)
f2(x) = x1+x2–19  0 x1
Przykład
Ograniczenia aktywne
x2
f0(x) = (x1–14)2 + (x2–11)2
x = (11, 8)
(0, 0)
f2(x) = x1+x2–19 = 0 x1

Przykład
Przykład
zminimalizować f0 (x) = (x1 − 14)2 + (x2 − 11)2

n
x∈R
ograniczenie nieaktywne
f1 (x) = (x1 − 11)2 + (x2 − 13)2 − 49 ¬ 0
ograniczenie aktywne:
f2 (x) = x1 + x2 − 19 = 0
Można zastosować metodę Lagrange’a albo podstawienie.
Przykład
Postępowanie gdy ograniczenia mają postać nerówności
1 Ustalić, które ograniczenia są aktywne, a które nieaktywne.

2 Usunąć ograniczenia nieaktywne i zamienić ograniczenia aktywne na
równości.
3 Rozwiązać otrzymane zadanie metodą Lagrange’a.

Warunki ortogonalności
Funkcja Lagrange’a:
L(x, u) = f0 (x) + u2 f2 (x)
L(x, u) = f0 (x) + u1 f1 (x) + u2 f2 (x)

u1 = 0
Funkcja Lagrange’a:
m
X
L(x, u) = f0 (x) + ui fi (x)
i=1
warunki ortogonalności
ui fi (x) = 0, i = 1, . . . , m

Warunki KKT
Warunki Karusha-Kuhna-Tuckera (KKT)
n x∈R
przy ograniczeniach fi (x) ¬ 0 , i = 1, . . . , m
Pm
∇f0 (x) + i=1 ui ∇fi (x) =0 warunki gradientowe
ui fi (x) = 0, i = 1, . . . , m warunki ortogonalności
fi (x) ¬ 0, i = 1, . . . , m warunki dopuszczalności
ui 0, i = 1, . . . , m warunki nieujemności
Twierdzenia KKT
Twierdzenia Karusha-Kuhna-Tuckera
Dany jest problem programowania matematycznego:

n
x∈R
przy ograniczeniach fi (x) ¬ 0 , i = 1, . . . , m (∗)
warunki konieczne
jeżeli fi jest różniczkowalna, i = 0, . . . , m
i x∗ jest minimum lokalnym
i spełnione są ograniczenia (∗)
to istnieje wektor u∗ taki, że (x∗ , u∗ ) spełnia warunki KKT;
warunki dostateczne
jeżeli (x∗ , u∗ ) spełnia warunki KKT
i fi jest funkcją wypukłą, i = 0, . . . , m
to x∗ jest minimum globalnym.

Twierdzenia KKT
Funkcja wypukła
Funkcja f jest wypukła wtedy i tylko wtedy, gdy dla dowolnych punktów x
oraz y zachodzi:
f (λx + (1 − λ)y ) ¬ λf (x) + (1–λ)f (y )

dla wszystkich λ takich, że 0 < λ < 1.
Funkcja f (x) jest wklęsła wtw gdy funkcja (–f (x)) jest wypukła.
Twierdzenia KKT
Sprawdzanie wypukłości funkcji
1 Z definicji wypukłości
2 Z określoności Hesjanu
3 Z twierdzeń o minorach
Głównym minorem (wiodącym)

macierzy H nazywa się wyznacznik macierzy kwadratowej, którego główna
przekątna zawiera się w głównej przekątnej H i zgodny jest element (1,1).
Jeżeli H jest symetryczna, to

H jest dodatnio określona wtw każdy wiodący minor główny jest
dodatni;
H jest dodatnio półokreślona wtw wszystkie minory główne są
nieujemne.

Twierdzenia KKT
Hesjan a wypukłość funkcji
H(x) jest dodatnio półokre- ⇔ f (x) jest funkcją wypukłą

ślona dla wszystkich warto-
ści x
H(x) jest dodatnio określona ⇔ f(x) jest funkcją ściśle wy-

dla wszystkich wartości x pukłą
Twierdzenia KKT
Wnioski
Jeżeli funkcja jest wypukła, to jej punkt stacjonarny jest z pewnością

minimum.
Jeżeli funkcja celu i warunki ograniczające są wypukłe, to rozwiązanie

warunków KKT odpowiada znalezieniu minimum globalnego.

Metoda KKT
Metoda Karusha-Kuhna-Tuckera
1 Sformułować funkcję Lagrange’a

m
X
L(x, u) = f0 (x) + ui fi (x)
i=1
2 Znaleźć wszystkie rozwiązania (x∗ , u∗ ) następujacego układu równań i
nierówności:
∂L
∂xj =0 j = 1, . . . , n
ui fi (x) = 0 i = 1, . . . , m
fi (x) ¬ 0 i = 1, . . . , m
ui 0 i = 1, . . . , m
3 Jeżeli wszystkie funkcje fi są wypukłe, to punkt x∗ jest minimum
globalnym. Wprzeciwnym razie należy zbadać każdy punkt (x∗ , u∗ ) i
określić, czy jest w nim osiągane optimum.
Metoda KKT
Przykład
zminimalizować f0 (x) = −3x1 + 21 x22
przy ograniczeniach f1 (x) = x12 + x22 − 1 ¬ 0
f2 (x) = −x1 ¬ 0
f3 (x) = −x2 ¬ 0

Metoda PERT
Badania operacyjne
Joanna Józefowska
Joanna Józefowska (Instytut Informatyki) Metoda PERT 1 / 17
Plan
Plan
1 Modelowanie niepewności
2 Rozkład Beta czasu trwania czynności
3 Rozkład prawdopodobieństwa luzu zdarzenia
4 Przykład

Niepewność
Model stochastyczny
zminimalizować f0 (x) (1)

zminimalizować f0 (X) (3)
przy ograniczeniach fi (x) 0 (2)
przy ograniczeniach fi (X) 0 (4)
x – wektor zmiennych decyzyjnych –
X – wektor losowych zmiennych decyzyjnych
deterministycznych
f0 – wartość funkcji celu (kryterium) w punkcie
f0 – wartość funkcji celu (kryterium) – liczba
X0 – ??? zmienna losowa
rzeczywista
max f0 (X) – ???
max f0 (x) – jasno zdefiniowane
gęstość prawdopodobieństwa
f0 (X2 )
f0 (X1 ) f0 (X )
f0 (X3 )
Niepewność
Stochastyczna funkcja celu
Podejście klasyczne
ustal wartość funkcji celu f0 (X) odpowiadającą ”niepowodzeniu” (np.
Tn+1 > D);
oblicz prawdopodobieństwo p = P{f0 (X) > D}
Zmiana wartości składowych wektora x wpływa zarówno na zmianę

wartości funkcji celu f0 (x), jak i rozkładu prawdopodobieństwa funkcji
f0 (X).
Problem
Prawdopodobieństwo ”niepowodzenia” nie zawiera informacji o tym, jak
daleko jesteśmy od optymalnej wartości f0∗ (x).

Beta
Niedeterministyczny czas trwania czynności
Czas trwania czynności jest zmienną losową o rozkładzie beta.
Dystrybuanta rozkładu beta:
f (t) = H(t–a)p–1 (b–t)q–1
Wartość średnia i wariancja czasu trwania czynności:

a + 4m + b
te =
6
2 (b − a)2
σ =
36
gdzie:
a – wartość optymistyczna czasu trwania czynności
b – wartość pesymistyczna czasu trwania czynności
m – najbardziej prawdopodobna wartość czasu trwania czynności
Rozkład prawdopodobieństwa luzu zdarzenia
Luz zdarzenia
Luz zdarzenia jest zmienną losową o rozkładzie normalnym o parametrach:

r
N T̄ip − T̄iw , σT̄2 p + σT̄2 w
i i
gdzie: v
m u m
uX
σt2k
X
T̄iw = tke σT̄ w
i
=t
k=1 k=1
v
l u l
T̄ip =
X
tke
uX
σT̄ p = t σt2k
k=1 i
k=1

Rozkład prawdopodobieństwa luzu zdarzenia
Luz zdarzenia
Prawdopodobieństwo ujemnego luzu zdarzenia i
p(Li < 0) = P(T̄ip − T̄iw < 0)

 
p
T̄i − T̄iw
= Φ −
 q 
σT̄2 p + σT̄2 w
i i
gdzie Φ – dystrybuanta rozkładu normalnego o parametrach N(0, 1).
Przykład
Przykład
1 5
0 3 6
2 4

Przykład
Przykład
a + 4m + b
te =
6
czynność a m b tije σij2
< 0, 1 > 1 4 5
< 0, 2 > 3 5 7
< 1, 3 > 2 5 10
< 1, 5 > 5 7 14
< 2, 4 > 1 8 9
< 3, 4 > 3 9 12
< 3, 5 > 5 8 14
< 4, 6 > 5 7 10
< 5, 6 > 5 5 10
Przykład
Przykład
a + 4m + b
te =
6
2 (b − a)2
σ =
36
< 0, 1 > 1 4 5 3,67
< 0, 2 > 3 5 7 5,00
< 1, 3 > 2 5 10 5,33
< 1, 5 > 5 7 14 7,83
< 2, 4 > 1 8 9 7,00
< 3, 4 > 3 9 12 8,50
< 3, 5 > 5 8 14 8,50
< 4, 6 > 5 7 10 7,17
< 5, 6 > 5 5 10 5,83
Przykład
Przykład
(b − a)2
2
σ =
36
< 0, 1 > 1 4 5 3,67 0,44
< 0, 2 > 3 5 7 5,00 0,44
< 1, 3 > 2 5 10 5,33 1,78
< 1, 5 > 5 7 14 7,83 2,25
< 2, 4 > 1 8 9 7,00 1,78
< 3, 4 > 3 9 12 8,50 2,25
< 3, 5 > 5 8 14 8,50 2,25
< 4, 6 > 5 7 10 7,17 0,69
< 5, 6 > 5 5 10 5,83 0,69
Przykład
Przykład
m l
T̄ip
X X
T̄iw = tke = tke
k=1 k=1
i T̄iw T̄ip
0 0,00 1,33
1 3,67 5,00
2 5,00 11,83
3 9,00 10,83
4 17,50 18,83
5 17,50 20,17
6 24,67 26,00

Przykład
Przykład
m
X l
X
σT̄2 w = σt2k σT̄2 p = σt2k
i i
k=1 k=1
i T̄iw σT̄2 w T̄ip σT̄2 p

i i
0 0,00 0,00 1,33 5,17
1 3,67 0,44 5,00 4,72
2 5,00 0,44 11,83 2,47
3 9,00 2,22 10,83 2,94
4 17,50 4,47 18,83 0,69
5 17,50 4,47 20,17 0,69
6 24,67 5,17 26,00 0,00
Przykład
Przykład
i T̄iw σT̄2 w T̄ip σT̄2 p T̄ip − T̄iw

i i
0 0,00 0,00 1,33 5,17 1,33
1 3,67 0,44 5,00 4,72 1,33
2 5,00 0,44 11,83 2,47 6,83
3 9,00 2,22 10,83 2,94 1,33
4 17,50 4,47 18,83 0,69 1,33
5 17,50 4,47 20,17 0,69 2,67
6 24,67 5,17 26,00 0,00 1,33

Przykład
Przykład
 
T̄ p − T̄iw
− q i
ui = 
σT̄2 p + σT̄2 w
i i
i T̄iw σT̄2 w T̄ip σT̄2 p T̄ip − T̄iw ui

i i
0 0,00 0,00 1,33 5,17 1,33
1 3,67 0,44 5,00 4,72 1,33
2 5,00 0,44 11,83 2,47 6,83
3 9,00 2,22 10,83 2,94 1,33
4 17,50 4,47 18,83 0,69 1,33
5 17,50 4,47 20,17 0,69 2,67
6 24,67 5,17 26,00 0,00 1,33
Przykład
Przykład
i T̄iw σT̄2 w T̄ip σT̄2 p T̄ip − T̄iw ui Φ(−ui )

i i
0 0,00 0,00 1,33 5,17 1,33 0,5865 0,279
1 3,67 0,44 5,00 4,72 1,33 0,5865 0,279
2 5,00 0,44 11,83 2,47 6,83 4,0011 3.15E-5
3 9,00 2,22 10,33 2,94 1,33 0,5865 0,279
4 17,50 4,47 18,83 0,69 1,33 0,5865 0,279
5 17,50 4,47 20,17 0,69 2,67 0,1731 0,120
6 24,67 5,17 26,00 0,00 1,33 0,5865 0,279

Przykład
Przykład
1 5
i Φ(−ui ) 0 3 6
0 0,279
1 0,279 2 4
2 0,00000315
3 0,279 Φ(−ui ) = P{Li < 0}
4 0,279
Prawdopodobieństwa ujemnych luzów zdarzeń
5 0,00000125
oznaczają prawdopodobieństwo, że dane zdarzenie
6 0,279
wystąpi po terminie. W przypadku zdarzenia końcowego
oznacza to prawdopodobieństwo opóźnienia zakończenia
projektu.

Kontrola czasu wykonania czynności
Badania operacyjne
Joanna Józefowska
Joanna Józefowska (Instytut Informatyki) Kontrola czasu wykonania czynności 1 / 15
Czas wykonania
Sposoby wpływania na czas wykonania czynności
Czas czynności można skrócić przez:

użycie dodatkowych zasobów
użycie alternatywnych zasobów
wzrost kosztów
Relacje między czasem wykonania a wzrostem kosztów
dyskretne: MMRCPSP (Multi-Mode Resource Constraint Project
Scheduling)
ciągłe: liniowe lub nieliniowe

Czas wykonania
Zmienny czas wykonania czynności
t
tn
tgr
kn kgr k
tn , kn − czas, koszt normalny

tgr , kgr − czas, koszt graniczny
kgr − kn
s= − gradient kosztu
tn − tgr
Czas wykonania
Przykład
czynność tn tgr kn kgr

h1, 2i 8 6 280 400
h1, 4i 10 5 100 150
h2, 3i 6 4 300 400
h3, 6i 12 10 260 300
h4, 5i 15 15 150 150
h5, 6i 10 2 200 360
2 3
1 6
4 5

Czas wykonania
Przykład
czynność tn tgr kn kgr s

h1, 2i 8 6 280 400 60
h1, 4i 10 5 100 150 10
h2, 3i 6 4 300 400 50
h3, 6i 12 10 260 300 20
h4, 5i 15 15 150 150 –
h5, 6i 10 2 200 360 20
całkowity koszt 1290 1780
Czas wykonania
Przykład
czynność tn tgr kn kgr s
h1, 2i 8 6 280 400 60
h1, 4i 10 5 100 150 10
h2, 3i 6 4 300 400 50
h3, 6i 12 10 260 300 20
h4, 5i 15 15 150 150 –
h5, 6i 10 2 200 360 20
całkowity koszt 1290 1780
6
2 3
8 12
1 6
10 10
15
4 5

Czas wykonania
Przykład
2 3
8 17 6 14 23
9 9
8 12
1 6
0 0 35 35
0 0
10 10
4 15 5
10 10 25 25
0 0
Które zadanie warto skrócić?
Czas wykonania
Przykład
2 3
8 17 6 14 23
9 9
8 12
1 6
0 0 35 35
0 0
10 10
4 15 5
10 10 25 25
0 0
Które zadanie warto skrócić? sh1,4i = 10

O il skrócić zadanie h1, 4i? O 5 jednostek.

Czas wykonania
Przykład
2 3
8 12 6 14 18
4 4
8 12
1 6
0 0 30 30
0 0
5 10
4 15 5
5 5 20 20
0 0
Które zadanie warto skrócić? sh5,6i = 20

O il skrócić zadanie h5, 6i? O 4 jednostki.
Czas wykonania
Przykład
2 3
8 8 6 14 14
0 0
8 12
1 6
0 0 26 26
0 0
5 6
4 15 5
5 5 20 20
0 0
Trzeba równocześnie skrócić sh5,6i = 20 oraz sh3,6i = 20 o 2 jednostki.

Czas wykonania
Przykład
2 3
8 8 6 12 12
0 0
8 10
1 6
0 0 24 24
0 0
5 4
4 15 5
5 5 20 20
0 0
Trzeba równocześnie skrócić sh5,6i = 20 oraz sh2,3i = 50 o 2 jednostki.
Czas wykonania
Przykład
2 3
8 8 4 12 12
0 0
8 10
1 6
0 0 22 22
0 0
5 2
4 15 5
5 5 20 20
0 0
Nie można już bardziej skrócić ścieżki krytycznej.

Czas wykonania
Koszt skrócenia
czynność tn tgr t∗ kn kgr s k∗

h1, 2i 8 6 8 280 400 60 0
h1, 4i 10 5 5 100 150 10 50
h2, 3i 6 4 4 300 400 50 100
h3, 6i 12 10 10 260 300 20 40
h4, 5i 15 15 15 150 150 – 0
h5, 6i 10 2 2 200 360 20 160
całkowity koszt 1290 1780 350
T ∗ = 22
K ∗ = 1640
Czas wykonania
Algorytm kompresji
1 Zestawić czynności krytyczne, podać ich gradienty kosztów s oraz

czasy graniczne tgr .
2 Wyeliminować z zestawienia te czynności, dla których tgr = tn .
3 Proces skracania rozpocząć od czynności krytycznej o najniższym
gradiencie kosztów s.
4 Należy starać się skrócić czas trwania czynności o jak największą
liczbę jednostek. Występują tu dwa ograniczenia:
czas graniczny danej czynności tgr ,
pojawienie się nowej ścieżki krytycznej.

Czas wykonania
Algorytm kompresji
5 Przy istnieniu dwóch lub więcej ścieżek krytycznych w sieci należy

skracać czas o tę samą wielkość na wszystkich równoległych ścieżkach
krytycznych.
6 Najkrótszy termin wykonania programu uzyskuje się, gdy wszystkie
czynności na ścieżce krytycznej osiągną czasy graniczne.
7 Koszty przyspieszenia czynności oblicza się mnożąc liczbę jednostek
czasu, o które czynność została skrócona przez jej gradient kosztów.

Zasoby w zarządzaniu projektami
Badania operacyjne
Joanna Józefowska
12 grudnia 2021 roku
Joanna Józefowska (Instytut Informatyki) Zasoby w zarządzaniu projektami 12 grudnia 2021 roku 1 / 16
Plan
Plan
1 Klasyfikacja zasobów
2 Problem rozdziału zasobów
3 Problem rozdziału zasobów z wieloma sposobami wykonywania

czynności
4 Analiza finansowa inwestycji
Klasyfikacja
Klasyfikacja zasobów
Podstawowe kategorie zasobów wyróżnia się ze względu na ich dostepność:
zasoby odnawialne
zasoby nieodnawialne
zasoby podwójnie ograniczone
RCPSP
Problem rozdziału zasobów - oznaczenia
R – liczba zasobów odnawialnych

N – liczba zasobów nieodnawialnych
Rk – liczba jednostek k-tego zasobu odnawialnego, k = 1, 2, . . . , R
Nl – liczba jednostek l-tego zasobu nieodnawialnego, l = 1, 2, . . . , N
rjk – liczba jednostek zasobu k żądanych przez czynność j
njl - liczba jednostek zasobu l zużywanych przez czynność j
RCPSP
Problem rozdziału zasobów - sformułowanie
Zasoby: dyskretne, odnawialne,

Czynności: A0 , . . . , An+1 ,
Ograniczenia kolejnościowe: (Ai , Aj ) ∈ P,
Czas trwania czynności i: di ,
Najwcześniejszy możliwy termin zakończenia czynności i: EFi ,
Najpóźniejszy dopuszczalny termin zakończenia czynności i: LFi
(
1 gdy czynność j kończy się w chwili t
xjt =
RCPSP
Problem rozdziału zasobów - sformułowanie

zminimalizować:
LF
X n+1
txn+1,t
t=EFn+1
LFj
X
xjt = 1 , j = 1, . . . , n + 1
t=EFj
LFi LFj
X X
txit ¬ xjt − dj , (Ai , Aj ) ∈ P
t=EFi t=EFj
n min{t+dj −1,LFj }
X X
rjk xjq ¬ Rk , k = 1, . . . , R; t = 1, . . . , H
j=1 q=max{t,EFj }
RCPSP
Problem rozdziału zasobów - przykład
4
2 5
zasoby 3 1 8
czynność z1 z2 z3
1 6 3 8
< 1, 2 > 1 2 0
< 1, 3 > 0 4 2 2 7 2
< 1, 4 > 2 1 0 8
< 2, 5 > 0 3 3 4 7
< 3, 5 > 3 1 0
< 3, 7 > 2 2 0
< 4, 7 > 1 1 2
< 5, 8 > 1 5 3
< 7, 8 > 0 4 2
dostępność 3 5 4
h1, 2i h2, 5i h5, 8i

h1, 4i h4, 7i
CPM h1, 3i 35 h3, 7i h7, 8i
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
RCPSP
4
2 5
zasoby 3 1 8
czynność z1 z2 z3
1 6 3 8
< 1, 2 > 1 2 0
< 1, 3 > 0 4 2 2 7 2
< 1, 4 > 2 1 0 8
< 2, 5 > 0 3 3 4 7
< 3, 5 > 3 1 0
< 3, 7 > 2 2 0
< 4, 7 > 1 1 2
< 5, 8 > 1 5 3
< 7, 8 > 0 4 2
dostępność 3 5 4
h1, 2i h2, 5i 35 h5, 8i

h1, 4i h1, 3i h3, 7i h7, 8i
RCPSP h4, 7i
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
RCPSP
4
2 5
zasoby 3 1 8
czynność z1 z2 z3
1 6 3 8
< 1, 2 > 1 2 0
< 1, 3 > 0 4 2 2 7 2
< 1, 4 > 2 1 0 8
< 2, 5 > 0 3 3 4 7
< 3, 5 > 3 1 0
< 3, 7 > 2 2 0
< 4, 7 > 1 1 2
< 5, 8 > 1 5 3
< 7, 8 > 0 4 2
dostępność 3 5 4
h1, 2i h1, 3i h2, 5i 35 h5, 8i

h7, 8i
h1, 4i
Zasób 2 h3, 7i
h4, 7i
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
MMRCPSP
Problem rozdziału zasobów z wieloma sposobami

wykonywania czynności
Mj – liczba sposobów wykonania czynności j

djm – czas trwania czynności j wykonywanej sposobem m,
rjmk – liczba jednostek zasobu odnawialnego k wymaganych do
wykonania czynności j sposobem m
njml - liczba jednostek zasobu nieodnawialnego l wymaganych do
wykonania czynności j sposobem m
dla więcej niż jednego zasobu znalezienie rozwiązania dopuszczalnego jest

silnie NP-trudne (Kolish 1995)
MMRCPSP

Algorytmy dokładne:
schematy pełnego przeglądu – do 15 czynności
Talbot 1982
Patterson 1989
algorytm podziału i ograniczeń – do 20 czynności
Speranza and Vercellis 1993
Demeulemeester and Herroelen 1992
Sprecher and Drexl 1998
MMRCPSP

Heurystyki:
algorytm podziału i ograniczeń
Talbot 1982
Sprecher and Drexl 1998
losowe próbkowanie – Drexl and Grünewald 1993
symulowane wyżarzanie
Słowiński et. al. 1994
Bouleimen and Lecocq 1998
Józefowska, Mika, Różycki, Waligóra, Węglarz 2001
algorytmy genetyczne
Özdamar 1999
Hartmann 2000
dekompozycja Bendersa – Maniezzo and Mingozzi 1999
NPV
Zaktualizowana wartość netto (Net Present Value)
NPV
Aktualna wartość zysków (różnicy między przychodami a kosztami), które
zostaną osiągnięte w przyszłości w określonej liczbie okresów czasu.
F
n P=
F = P(1 + r ) (1 + r )n
F – przyszły zysk
P – aktualna wartość inwestycji
r – stopa procentowa
n – liczba okresów
oprocentowania
NPV
Zaktualizowana wartość netto – przykład
Wpłacasz 1000,- PLN na konto oprocentowane w wysokości 5% rocznie.

A) Jaki będzie stan konta za rok?
FA = 1000(1 + 0, 05) = 1050

B) Jaki będzie stan konta za 7 lat?
FA = 1000(1 + 0, 05)7 = 1407
NPV
Zaktualizowana wartość netto – przykład
Ile musisz wpłacić dzisiaj na konto oprocentowane w wysokości 5%, aby

A) za 2 lata wypłacić 1000 PLN?
1000
PA = = 907, 03
(1 + 0, 05)2
B) przez 3 lata co roku wypłacać po 1000 PLN?
1000 1000 1000
PB = + +
(1 + 0, 05) (1 + 0, 05)2 (1 + 0, 05)3
= 952, 38 + 907, 03 + 863, 84 = 2723, 25
NPV
Zaktualizowana wartość netto jako kryterium

zmaksymalizować
∞
CFt (1 + r )−t
X
NPV = CF0 +
t=1
CF0 - przepływ (wypływ) gotówki występujący na początku realizacji

przedsięwzięcia
CFt – przepływ gotówki występujący na końcu okresu t
r – stopa dyskontowa
Metoda ścieżki krytycznej
Badania operacyjne
Joanna Józefowska
Joanna Józefowska (Instytut Informatyki) Metoda ścieżki krytycznej 1 / 42
Plan
Plan
1 Przykłady projektów
2 Modelowanie projektów
3 Metoda ścieżki krytycznej

Projekt
Projekt
Neumann i in. 2002

Projekt jest to jednorazowe niepowtarzalne przedsięwzięcie
wieloczynnościowe o nietypowej strukturze i przebiegu, którego realizacja
wymaga zwykle czasu oraz ograniczonych zasobów.
Projekt
Dziedziny projektów
produkcja oprogramowania,
wdrażanie systemów informatycznych,
procesy technicznego przygotowania produkcji,
przedsięwzięcia badawczo-rozwojowe,
modernizacja zakładów przemysłowych,
duże przedsięwzięcia inwestycyjne,
produkcja złożonego wyrobu na zamówienie,
....................................................

Projekt
Słynne projekty
Pocisk Polaris
(Marynarka wojenna
USA) – 1958
CONCORDE –
1964-1972
Sala koncertowa Casa
da Musica europejskiej
stolicy kultury w Porto Model
(Portugalia) – 2001
Atrybuty opisujące
Rozbudowa Kanału czynność
Panamskiego –
2014-15
tij
i j
zdarzenie rozpoczynające czynność zdarzenie kończące czynność
czynność < i, j >
czas realizacji,
koszt realizacji,
zapotrzebowanie na zasoby.

Model
Następstwo zdarzeń
i1
i2 j k
i3
Zdarzenie o numerze j wystąpi, gdy zostanie zakończona realizacja

wszystkich czynności, dla których j jest zdarzeniem końcowym.
Rozpoczęcie czynności < j, k > jest możliwe, gdy wystąpi zdarzenie j.
Czynności < i1 , j >, < i2 , j >, < i3 , j > poprzedzają czynność < j, k >.
Model
Kolejność czynności
Kolejność czynności w projekcie wynika z ograniczeń o charakterze:

technologicznym (technologia wykonania),
czasowym (odniesienie bezpośrednio do kalendarza),
zasobowym (wynikające z niepodzielności i niesubstytucyjności
zasobów),
bilansowym (w przypadku zasobów podzielnych, np. środków
finansowych).

Model
Następstwo zdarzeń - cynność pozorna
1 3 5
2 4 6
Czynność pozorna < 3, 4 > oznacza, że czynność < 1, 3 > poprzedza

czynność < 4, 6 > ; p34 = 0.
Model
Model matematyczny projektu
dyskretny i skończony zbiór czynności (zadań);

zbiór ograniczeń kolejnościowych;
dyskretny i skończony zbiór atrybutów opisujących każdą czynność,
takich jak:
czas realizacji,
koszt realizacji,
zapotrzebowanie na zasoby.
(Battersby 1967)

Model
Sieć czynności
Sieć czynności jest to graf odwzorowujący kolejność realizacji

poszczególnych czynności projektu.
Funkcje określone na zbiorze łuków i wierzchołków tego grafu reprezentują
informacje o charakterze techniczno – ekonomicznym związane z realizacją
projektu (atrybuty).
Model
Sieć czynności
czas trwania czynności
t25
2 5
czynność
1 4 7
zdarzenie
3 6

Model
Sieć czynności jako graf
G = (V , E ) graf skierowany
V zbiór zdarzeń - wierzchołki grafu
E zbiór czynności - łuki grafu
Sieć czynności jest grafem:

unigrafem (między dowolną parą wierzchołków występuje co najwyżej
jeden łuk),
spójnym,
skierowanym,
nie zawierającym pętli ani dróg cyklicznych,
ma jedno zdarzenie początkowe i jedno zdarzenie końcowe.
Model
Sieć czynności jako graf
1 3 5
0 7
2 4 6
V - zbiór wierzchołków = zdarzeń

E - zbiór łuków = czynności

Model
Przykład
Załóżmy, że grupa studentów zainteresowanych pewnym problemem wykraczającym

poza ramy programu studiów planuje zorganizować seminarium poświęcone temu
zagadnieniu z udziałem kilku wybitnych wykładowców z różnych uczelni. Studenci
planują pozyskać sponsorów i wydrukować streszczenia prezentowanych wykładów.
Osobną sprawą jest wybór miejsca przeprowadzenia seminarium. Organizatorzy biorą pod
uwagę sale na uczelni lub poza nią. Ostateczny wybór będzie zależał od dostępności sal
w ustalonym terminie oraz kosztów ich wynajęcia. Należy też zadbać
o rozpowszechnienie informacji o seminarium wśród kolegów. W tym celu zostaną
wydrukowane plakaty i ulotki. Listę czynności, jakie należy przeprowadzić, aby
zrealizować plan, przedstawiono w tablicy 1. Ustalono również kolejność wykonywania
poszczególnych czynności i przewidywany czas ich wykonania. Dane te również
przedstawiono w tablicy. Ile dni przed planowanym terminem seminarium należy
rozpocząć jego przygotowywanie, aby ulotki i materiały seminaryjne zostały na czas
wydrukowane?
Model
Przykład
Tabela: Lista czynności związanych z organizacją seminarium

Czynność Opis Czynności Czas
poprzedzające trwania
1 Ustalenie listy wykładowców 2
2 Ustalenie listy możliwych lokalizacji 5
3 Pozyskanie sponsorów 1 5
4 Nadsyłanie streszczeń wykładów 1 7
5 Ustalenie lokalizacji 2 8
6 Ustalenie listy wystąpień 4 6
7 Opracowanie materiałów 4 8
8 Opracowanie i rozesłanie ulotek 5, 6 9
9 Druk materiałów 3, 7 7

Model
Przykład
3(5)
A E
1(2) 4(7) 7(8)

9(7)
START C KONIEC
2(5) 6(6) 8(9)
5(8)
B D
CPM
Algorytm porządkowania warstwowego
5
A E
7 8
2 7
ST C KO
5 6 9
8
B D
ST A B C D E KO
ST 0 1 1 0 0 0 0
A 0 0 0 1 0 1 0
B 0 0 0 0 1 0 0
C 0 0 0 0 1 1 0
D 0 0 0 0 0 0 1
E 0 0 0 0 0 0 1
KO 0 0 0 0 0 0 0

CPM
ST A B C D E KO
ST 0 1 1 0 0 0 0
A 0 0 0 1 0 1 0
B 0 0 0 0 1 0 0
C 0 0 0 0 1 1 0
D 0 0 0 0 0 0 1
E 0 0 0 0 0 0 1
KO 0 0 0 0 0 0 0
w0 = {ST } ST ← 0
w1 = {A, B} A←1 B←2
w2 = {C } C ←3
w3 = {D, E } D←4 E ←5
w4 = {KO} KO ← 6
CPM
1 Zbuduj binarną macierz przejść dla sieci czynności. k = 0;

2 Do warstwy wk zalicz zdarzenia odpowiadające zerowym kolumnom
aktualnej macierzy przejść; k = k + 1;
3 Wykreśl z macierzy przejść zerowe kolumny oraz wiersze o tych
samych numerach.
4 Jeżeli są jeszcze niewykreślone kolumny, to wróć do kroku 3 w
przeciwnym razie stop.

CPM
1 5 5
(A) (E)
2 7 8 7
0 3 6
(START) (C) (KONIEC)
5 6 9
2 8 4
(B) (D)
CPM
Jakość planu realizacji przedsięwzięcia
Dyskretny i skończony zbiór kryteriów:

całkowity czas realizacji przedsięwzięcia,
całkowity koszt realizacji przedsięwzięcia,
ryzyko przekroczenia terminu realizacji lub budżetu,
zaktualizowana wartość netto (NPV),
stopień równomierności wykorzystania zasobów w czasie,
zamrożenie środków obrotowych,
wielkość przestojów maszyn i urządzeń,
odporność harmonogramu na zakłócenia.

CPM
Metoda ścieżki krytycznej
CPM – Critical Path Method

pierwsza metoda analizy sieciowej (ok. 1956)
sieć jest w postaci kanonicznej (deterministyczna struktura sieci i
czasy trwania czynności)
znajduje najkrótszy możliwy czas realizacji projektu
CPM
CPM - oznaczenia
tij – czas trwania czynności < i, j >, przedział na osi czasu
Tiw – najwcześniejszy możliwy termin wystąpienia zdarzenia i, punkt
na osi czasu,
Tjp – najpóźniejszy dopuszczalny termin wystąpienia zdarzenia j,
punkt na osi czasu.
tij
i j
tij
Tiw Tjp

CPM
CPM - założenia
jedno zdarzenie początkowe

jedno zdarzenie końcowe
zdarzenia ponumerowane zgodnie z ich następstwem w czasie
(algorytm porządkowania warstwowego)
T0w = 0
p w
Tn+1 = Tn+1
CPM
CPM - obliczanie Tjw
Γ−1
j
i1
i2 j
...
im
Tiw1 Tiw3 Tiw2 Tiw4 Tjw
Tjw = max (Tiw + tij ) , j = 1, . . . , n + 1

i∈Γ−1
j
Γ−1
j – zbiór poprzedników zdarzenia j, T0w = 0
CPM
CPM - obliczanie Tip
Γi j1
i j2
...
jm
Tip Tip1 Tip2 Tip4 Tip3

Tip = min Tjp − tij , i = 0, . . . , n
j∈Γi
p w
Γi – zbiór następników zdarzenia i, Tn+1 = Tn+1
CPM
CPM
Tjw = max (Tiw + tij ) , j = 1, . . . , n + 1

i∈Γ−1
j
Γ−1
j – zbiór poprzedników zdarzenia j, T0w = 0

Tip = min Tjp − tij , j = 0, . . . , n
j∈Γi
p w
Γi – zbiór następników zdarzenia i, Tn+1 = Tn+1
Luzem zdarzenia nazywamy liczbę Li = Tip –Tiw .
Jeżeli luz jest równy zero (Li = 0) to zdarzenie nazywamy zdarzeniem

krytycznym.

CPM
Oznaczenia
numer zdarzenia
najpóźniejszy dopuszczalny termin
wystąpienia zdarzenia
i j
tij
Tiw Tip Tjw Tjp
Li Lj
luz zdarzenia
najwcześniejszy możliwy termin
wystąpienia zdarzenia czas trwania czynności
CPM
Przykład
1 5
2 2 5 17 17
0 0
2 7 8 7
0 3 6
0 0 9 9 24 24
0 0 0
5 6 9
2 8 4
5 7 15 15
2 0

CPM
Ścieżka krytyczna
Ścieżką krytyczną nazywamy taką drogę
< i0 , i1 >< i1 , i2 > . . . < ip–1 , ip >
łączącą zdarzenie początkowe i0 = 0 ze zdarzeniem końcowym ip = n + 1,

dla której czas
p
X
τ= tik−1 ik
k=0
jest najdłuższy.
CPM
Ścieżka krytyczna – przykład
1 5
5
2 7 8 7
0 3 6
5 6 9
2 8 4

CPM
1 5
2 2 5 17 17
0 0
2 7 8 7
0 3 6
0 0 9 9 24 24
0 0 0
5 6 9
2 8 4
5 7 15 15
2 0
Najdłuższa ścieżka w grafie, a jednocześnie najkrótszy czas realizacji

całego projektu
CPM
Ścieżka krytyczna - własności
W danej sieci może istnieć jedna lub więcej ścieżek krytycznych.

Czynności leżące na ścieżce krytycznej nazywamy czynnościami
krytycznymi.
Suma czasów wykonania czynności krytycznych ogranicza od dołu
czas realizacji projektu.
Czas ten można wyznaczyć jako τ = Tnp = Tnw .

CPM
Ścieżka krytyczna - wyznaczanie
i2 5 i4
5 15 15 20 20
i1 0 0
10 10 4 10
0 i3
25 25
0
Nie zawsze zdarzenia krytyczne wyznaczają jednoznacznie ścieżkę

krytyczną!
CPM
Zapas czasu (luz) czynności
Zapasem całkowitym czasu czynności < i, j > nazywamy wielkość
Zijc = Tjp –Tiw –tij
tij Zijc
Tiw Tip Tjw Tjp

CPM
Zapasem swobodnym czasu czynności < i, j > nazywamy wielkość
Zijs = Tjw –Tiw –tij
tij Zijs
Tiw Tip Tjw Tjp
CPM
Zapasem niezależnym czasu czynności < i, j > nazywamy wielkość
Zijn = max{0, Tjw –Tip –tij }
tij Zijn
Tiw Tip Tjw Tjp

CPM
Twierdzenie
Warunkiem koniecznym i dostatecznym na to, aby czynność < i, j > była
czynnością krytyczną jest równość Zijc = 0.
CPM
Twierdzenie
Między zapasami całkowitym, swobodnym i niezależnym zachodzą
następujące relacje: Zijn ¬ Zijs ¬ Zijc .
Wniosek
Dla czynności krytycznych wszystkie rodzaje zapasu są równe zero
Zijn = Zijs = Zijc =0.

CPM
1 4
4
4 3
8
0 3 6
2
5 5
4
2 5
CPM
1 4
4,7
8 8 12 19
0 7 3,7
8,0 4,0
0 3 6
2,10
0 0 12 12 22 22
0 0 5,0 5,0 0
4,13
2 0,13 5
4 17 17 17
13 0

Gry dwuosobowe o sumie zerowej
Badania operacyjne
Joanna Józefowska
Joanna Józefowska (Instytut Informatyki) Gry dwuosobowe o sumie zerowej 1 / 68
Plan
Plan
1 Przykład
2 Definicja gry dwuosobowej o sumie zerowej
3 Macierz gry
4 Strategie zdominowane
5 Mieszane rozszerzenie gry
6 Strategie mieszane
7 Rozwiązywanie gier macierzowych
8 Gry z naturą

Przykład
Przykład
Dwóch panów Jacek i Wojtek nudziło się nieco w barze i dla urozmaicenia
sobie czasu umówili się, że zagrają w następującą grę: będą mówić liczby
od 1 do 6 (Jacek 1, 3 lub 5, a Wojtek 2, 4 lub 6). Jeżeli suma będzie
większa od 7, to sumę otrzymuje od Jacka Wojtek, a gdy mniejsza –
odpowiednio sumę wypłaci Wojtek Jackowi. Gdy suma jest równa 7, to
nikt nie wygrywa.
Definicja
Analiza sytuacji
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1
3
5
Jacek: 1, 3, 5
Wojtek: 2, 4, 6

Definicja
Analiza sytuacji
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1 3 5 7
3 5 7 9
5 7 9 11
Wygrywa Jacek
Definicja
Analiza sytuacji
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1 3 5 7
3 5 7 9
5 7 9 11
Wygrywa Wojtek = przegrywa Jacek

Definicja
Analiza sytuacji
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1 3 5 7
3 5 7 −9
5 7 −9 −11
Wygrywa Wojtek = przegrywa Jacek
Definicja
Gra dwuosobowa o sumie zerowej
STRATEGIE WOJTKA
2 4 6
STRATEGIE
JACKA
1 3 5 0
3 5 0 −9
5 0 −9 −11
gra z punktu widzenia Jacka
wygrana Jacka = przegrana Wojtka
suma wygranych obu graczy = 0

Definicja
Teoria gier strategicznych
Emil Borel (1921) pierwsza próba

opracowania matematycznej teorii gier
John von Neumann (1928) twierdzenie
Emil Borel (1871–1956)
minimaksowe
John von Neumann, Oscar Morgenstern
(1944) „Theory of Games and
Economic Behavior”
John von Neumann (1903–1957)
Definicja
Nagroda Nobla a teoria gier
Herbert Simon (1978) rozwój

Herbert Simon
ewolucyjnej teorii gier, w szczególności
(1916–2001)
za koncepcję ograniczonej racjonalności
John Nash, Reinhard Selten i John
Harsanyi (1994) za rozwój teorii gier i
jej zastosowania w ekonomii
John Nash (1928-2015)

Definicja
William Vickrey i James Mirrlees (1996) za stworzenie modeli przetargów i

badanie konfliktów z niesymetryczną informacją uczestników
Robert Aumann (1930– )

Thomas Schelling (1921-2016)
Robert Aumann i Thomas Schelling (2005) zastosowanie teorii gier w
naukach społecznych i mikroekonomii (dot. zachowania jednostek i
rozwiązywania konfliktów)
Definicja
Leonid Hurwicz Eric S. Maskin

Roger B. Myerson
(1917–2008 ) (1950–)
(1951–)
Leonid Hurwicz, Eric S. Maskin, Roger B. Myerson (2007) za prace nad

teorią, która pozwala ocenić prawidłowość funkcjonowania rynków

Macierz gry
Gra macierzowa
Definicja
Grą dwuosobową o sumie zero nazywamy trójkę G = ⟨S, T , W ⟩ , w
której S i T są odpowiednio zbiorami strategii czystych gracza A i B, a
W (s, t) jest funkcją wypłat (wygraną gracza A = przegraną gracza B)
przyjmującą skończone wartości liczbowe i określoną na iloczynie
kartezjańskim SxT zbiorów strategii obu graczy.
Gdy zbiory S i T są skończone, macierz A = [aij ], gdzie

aij = W (si , tj ), si ∈ S, tj ∈ T , nazywamy macierzą wypłat lub macierzą
gry, a grę G = ⟨S, T , A⟩ grą macierzową.
Macierz gry
Strategia maksyminowa
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11

Macierz gry
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Macierz gry
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Dolną wartością gry G = ⟨S, T , W ⟩ nazywamy liczbę:
v1 = max min W (s, t)

s∈S t∈T
Strategia s0 odpowiadająca dolnej wartości gry nazywa się strategią

maksyminową.
Jest to strategia gwarantująca graczowi A, że wygra co najmniej v1 .

Macierz gry
Strategia minimaksowa
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Górną wartością gry G = ⟨S, T , W ⟩ nazywamy liczbę:
v2 = min max W (s, t)

t∈T s∈S
Strategia t0 odpowiadająca górnej wartości gry nazywa się strategią

minimaksową.
Jest to strategia gwarantująca graczowi B, że przegra co najwyżej v2 .
Strategie zdominowane
Strategia zdominowana
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Jeżeli w grze macierzowej G = ⟨S, T , W ⟩ każdy element pewnego wiersza
macierzy wypłat odpowiadającego strategii sk ∈ S gracza A jest mniejszy
lub równy od odpowiedniego elementu innego wiersza, to strategia sk nosi
nazwę strategii zdominowanej gracza A.

Strategia zdominowana
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Jeżeli w grze macierzowej G = ⟨S, T , W ⟩ każdy element pewnej kolumny
macierzy wypłat odpowiadającego strategii tl ∈ T gracza B jest wiekszy
lub równy od odpowiedniego elementu innej kolumny, to strategia tl nosi
nazwę strategii zdominowanej gracza B.
Punkt siodłowy
STRATEGIE GRACZA B
2 4 6
STRATEGIE
GRACZA A
1 3 5 0
3 5 0 −9
5 0 −9 −11
Punktem siodłowym macierzy A = [aij ], (i = 1, . . . , m, j = 1, . . . , n), jeżeli

taki istnieje nazywamy element ark , który spełnia warunek:
aik ¬ ark ¬ arj
Macierz A ma punkt siodłowy wtedy i tylko wtedy, gdy:
v1 = max min W (s, t) = min max W (s, t) = v2

s∈S t∈T t∈T s∈S

Mieszane rozszerzenie gry
Przykład (gry mieszane)
Wyobraź sobie, że jesteś w bibliotece i do Twojego stolika przysiada się

nieznajoma proponując następującą grę: Na sygnał każde z nas położy na
stole monetę (na przykład złotówkę). Jeżeli obie monety będą leżały
orzełkiem do góry, to płacę 3 złote, a jeżeli obie będą leżały reszką do góry,
to płacę złotówkę. Natomiast jeżeli będą różne wskazania, to Ty płacisz
dwa złote. Gra jest cicha, więc można zagrać w bibliotece, ale czy warto?
Analiza
Gdyby gra była losowa, to łatwo obliczyć, że

Prawdopodobieństwo dwóch orzełków P(oo)= 0,25
Prawdopodobieństwo dwóch reszek P(rr)= 0,25
Prawdopodobieństwo orzełka i reszki P(or)+P(ro)= 0,5
Zatem wartość oczekiwana wygranej
V = 3*0,25 + 1*0,25 = 1
VN = 2*0,5 = 1
jest taka sama dla nieznajomej i dla czytelnika.

Wartość oczekiwana
Gdyby nieznajoma grała dwa razy częściej reszkę niż orzełka, a
czytelnik nadal grał losowo, to
Prawdopodobieństwo dwóch orzełków
1 1 1
P(oo) = ∗ =
3 2 6
Prawdopodobieństwo dwóch reszek

2 1 1
P(rr ) = ∗ =
3 2 3
Prawdopodobieństwo orzełka i reszki

1 1 1
P(or ) + P(ro) = 1 − − =
6 3 2
Wartość oczekiwana
1 1 1 1

EV = 2 ∗ − 3 ∗ + 1 ∗ =
2 6 3 6
Na każde 6 rozgrywek nieznajoma wygrywa 1 zł.

Dobra strategia
Czy istnieje strategia, która w dłuższym okresie pozwoli czytelnikowi

wygrać z nieznajomą?
STRATEGIE CZYTELNIKA
t1 = O t2 = R
STRATEGIE
NIEZNAJOMEJ
Macierz gry s1 = O −3 2
s2 = R 2 −1
Wystarczy zaplanować z jakim prawdopodobieństwem grać orzełka, np.

1/3, od razu widać, że reszka będzie grana z prawdopodobieństwem 1 –
1/3 = 2/3.
Strategie mieszane
Strategie mieszane
Strategią mieszaną (lub zrandomizowaną) gracza A nazywamy skokowy

rozkład prawdopodobieństwa określony na zbiorze S strategii czystych tego
gracza, tzn. jest to wektor x T = [x1 , x2 , . . . , xm ], taki że:
m
X
xi = 1, xi 0, i = 1, . . . , m
i=1
Strategią mieszaną gracza B nazywamy skokowy rozkład

prawdopodobieństwa określony na zbiorze T strategii czystych tego
gracza, tzn. jest to wektor y = [y1 , y2 , . . . , yn ], taki że:
n
X
yi = 1, yi 0, i = 1, . . . , n
i=1

Strategie mieszane
Mieszanym rozszerzeniem gry macierzowej G = ⟨S, T , W ⟩ nazywamy

trójkę Γ = ⟨X , Y , ϕ(X , Y )⟩ , w której zbiór
X = {x : m i=1 xi = 1, xi 0, i = 1, 2, . .P
P
. , m} jest zbiorem strategii
mieszanych gracza A, a zbiór Y = {y : nj=1 yj = 1, yj 0, j = 1, 2, ..., n}
- gracza B.
m X
X n
ϕ(x, y) = xi aij yj = xT Ay
i=1 j=1
jest wartością oczekiwaną wygranej gracza A.
Strategie mieszane
Dolna i górna wartość gry Γ
Dolną wartością gry Γ nazywamy liczbę:
k1 = max min xT Ay
x∈X y∈Y
a górną wartością gry Γ nazywamy liczbę:
k2 = min max xT Ay
y∈Y x∈X
Własność
v1 ¬ k1 ¬ k2 ¬ v2
Jeżeli v1 = v2 , to k1 = k2 .

Strategie mieszane
Punkt siodłowy
Jeżeli Γ, jest mieszanym rozszerzeniem gry G = ⟨S, T , W ⟩ i macierz A

posiada punkt siodłowy ark (v1 = k1 = k2 = v2 ), to strategiami
optymalnymi gry Γ jest para strategii czystych:
xr = 1, xi = 0 dla i ̸= r
oraz
yk = 1, yj = 0 dla j ̸= k
A wartość tej gry wynosi ark .
Tak było w przypadku Wojtka i Jacka
Rozwiązywanie
Wartość oczekiwana mieszanego rozszerzenia gry

t1 = O t2 = R
NIEZNAJOMEJ
STRATEGIE
s1 = O −3 2
s2 = R 2 −1
x - prawdopodobieństwo, z jakim nieznajoma gra orzełka,
(1–x) - prawdopodobieństwo, z jakim gra reszkę,
V - wartość oczekiwana wypłaty dla nieznajomej.
Jeżeli nieznajoma chce osiągnąć wygraną co najmniej V , to jej strategie
powinny spełniać następujący układ nierówności:
–3x + 2(1–x) V gdy czytelnik gra orzełka (1)

2x–(1–x) V gdy czytelnik gra reszkę (2)

Rozwiązywanie

t1 = O t2 = R
STRATEGIE
NIEZNAJOMEJ
V
s1 = O −3 2
s2 = R 2 −1
–5x + 2 V
3x–1 V największa
gwarantowana h i
wygrana 38 , 18
–5x + 2 = 3x–1 x
3
x= (3)
8
1
V = (4)
8
Rozwiązywanie

t1 = O t2 = R
NIEZNAJOMEJ
STRATEGIE
s1 = O −3 2
s2 = R 2 −1
y - prawdopodobieństwo, z jakim czytelnik gra orzełka,
(1–y ) - prawdopodobieństwo, z jakim gra reszkę,
V - wartość oczekiwana wypłaty dla nieznajomej.
Jeżeli czytelnik nie chce przegrać więcej niż V , to jego strategie powinny
spełniać następujący układ nierówności:
–3y + 2(1–y ) ¬ V gdy nieznajoma gra orzełka (5)

2y –(1–y ) ¬ V gdy nieznajoma gra reszkę (6)

Rozwiązywanie

t1 = O t2 = R
STRATEGIE
NIEZNAJOMEJ
V
s1 = O −3 2
s2 = R 2 −1
–5y + 2 ¬ V
3y –1 ¬ V najmniejsza
gwarantowana h i
3 1
przegrana 8 , 8
–5y + 2 = 3y –1 x
3
y= (7)
8
1
V = (8)
8
Rozwiązywanie
1
V∗ =
t1 = O t2 = R 8
STRATEGIE
NIEZNAJOMEJ
∗ 3
s1 = O −3 2 x =
8
s2 = R 2 −1 3
y∗ =
8
Rozwiązanie to oznacza, że jeżeli zarówno czytelnik, jak i nieznajoma
będą na każde osiem gier trzy razy wybierać orzełka, to nieznajoma
wygra 1 zł na każde osiem rozgrywek.
Jest to dla niej wygrana gwarantowana, czyli grając orzełka w 3 na 8
gier wygra co najmniej 1 zł na każde osiem gier.
Dla czytelnika jest to strategia gwarantująca, że nie przegra więcej niż
1 zł na każde 8 gier.

Rozwiązywanie
Strategie optymalne
Parę strategii x ∗ ∈ X i y ∗ ∈ Y nazywamy strategiami optymalnymi

gracza A i B odpowiednio, wtedy i tylko wtedy, gdy dla każdego x ∈ X i
y ∈ Y zachodzi:
x T Ay ∗ ¬ x ∗T Ay ∗ ¬ x ∗T Ay
a liczbę v = x ∗T Ay ∗ nazywamy wartością gry. Parę strategii optymalnych
nazywa się punktem siodłowym gry.
Rozwiązywanie
Strategie optymalne
Warunkiem koniecznym i dostatecznym na to, aby para strategii x ∗ ∈ X i

y ∗ ∈ Y była parą strategii optymalnych jest równość k1 = k2 , czyli
równość dolnej i górnej wartości gry. Wtedy wartość gry v ∗ = k1 = k2 .

Rozwiązywanie
Twierdzenie minimaksowe
Przez rozwiązanie gry będziemy rozumieć znalezienie strategii optymalnych

(x ∗ , y ∗ ) oraz wartości gry v ∗ .
Twierdzenie minimaksowe
Każda gra Γ będąca mieszanym rozszerzeniem gry macierzowej
G = ⟨S, T , A⟩ ma rozwiązanie.
Uwaga: Gra wyjściowa G może, ale nie musi mieć rozwiązania.
Rozwiązywanie
Własności strategii optymalnych
Jeżeli istnieje więcej niż jedna strategia optymalna dla danego gracza, to
każda wypukła kombinacja liniowa tych strategii jest strategią optymalną
tego gracza.
x ∗ = αx1∗ + (1 − α)x2∗
Uwaga: Zbiór strategii optymalnych danego gracza jest zbiorem
wypukłym.

Rozwiązywanie
Rozwiązywanie gier mieszanych
1 Eliminujemy z macierzy A strategie zdominowane obu graczy.

Odpowiednie współrzędne wektorów x i y przyjmą wartość 0.
2 Badamy, czy macierz A ma punkt siodłowy. Jeżeli ark jest punktem
siodłowym macierzy A, to rozwiązaniem jest para strategii czystych:
(xr , yk ).
3 Przypadek, gdy A ma postać 2xn:
1 rozwiązujemy graficznie układ nierówności:
gj (x) = (a1j –a2j )x + a2j v , j = 1, 2, . . . , n
2 znajdujemy punkt (x∗ , v ∗ ) i usuwamy ze zbioru T strategie, dla których

a1k x∗ + a2k (1–x∗ ) > v ∗
3 znajdujemy strategie optymalne gracza B rozwiązując problem z
macierzą postaci mx2.
Rozwiązywanie
Rozwiązywanie gier mieszanych c.d.
4 Przypadek, gdyA ma postać mx2:

1 rozwiązujemy graficznie układ nierówności:
hi (y ) = (ai1 –ai2 )y + ai2 ¬ v , i = 1, 2, . . . , m
2 znajdujemy punkt (y ∗ , v ∗ ) i usuwamy ze zbioru S strategie, dla których:
ar 1 y ∗ + ar 2 (1–y ∗ ) < v ∗

Rozwiązywanie
Przykład
Rozważmy grę mieszaną o następującej macierzy wypłat:

t1 t2 t3 t4
s1 0 2 4 3
s2 1 4 −5 −1
s3 0 1 2 1
x3∗ = 0 y2∗ = 0

 g1 (x) = (0 − 1)x + 1 v

2 g (x) = (4 + 5)x − 5 v
 g (x) = (3 + 1)x − 1 v

3
Rozwiązywanie
Przykład

 −x + 1 v
 V
9x − 5 v
 4x − 1 v


∗
 x = 0, 6

1 − x ∗ = 0, 4

 v = 0, 4 h
3 2
i
5, 5
g3 (x) = 4x − 1 > v ∗ x
y4∗ = 0

Rozwiązywanie
Przykład c.d.
V
(
h1 (y ) = (0 − 4)y + 4 ¬ v
h2 (y ) = (1 + 5)y − 5 ¬ v
(
−4y + 4 ¬ v
6y − 5 ¬ v
h i
9 2


 y∗
= 0, 9 10 , 5
1 − y ∗ = 0, 1

 v = 0, 4 y
Rozwiązywanie
Rozwiązanie gry
t1 t2 t3 t4
s1 0 2 4 3
s2 1 4 −5 −1
s3 0 1 2 1


 x ∗ = [0, 6; 0, 4; 0]
y ∗ = [0, 9; 0; 0, 1; 0]
v ∗ = 0, 4



Rozwiązywanie
Gra Morra
Każdy partner pokazuje 1, 2 lub 3 palce i jednocześnie mówi, ile palców

wg jego przypuszczenia pokaże w tym czasie przeciwnik. Jeżeli tylko jeden
partner odgadnie prawidłowo sumę pokazanych palców, to otrzymuje
wygraną równą tej sumie. W przeciwnym razie jest remis.
Rozwiązywanie
Gra Morra
t1 t2 t3 t4 t5 t6 t7 t8 t9
(1, 1) (1, 2) (1, 3) (2, 1) (2, 2) (2, 3) (3, 1) (3, 2) (3, 3)
s1 0 2 2 −3 0 0 −4 0 0
s2 −2 0 0 0 3 3 −4 0 0
s3 −2 0 0 −3 0 0 0 4 4
s4 3 0 3 0 −4 0 0 −5 0
s5 0 −3 0 4 0 4 0 −5 0
s6 0 −3 0 0 −4 0 5 0 5
s7 4 4 0 0 0 −5 0 0 −6
s8 0 0 −4 5 5 0 0 0 −6
s9 0 0 −4 0 0 −5 6 6 0

Rozwiązywanie
Gra Morra
t1 t2 t3 t4 t5 t6 t7 t8 t9
(1, 1) (1, 2) (1, 3) (2, 1) (2, 2) (2, 3) (3, 1) (3, 2) (3, 3)
s1 0 2 2 −3 0 0 −4 0 0
s2 −2 0 0 0 3 3 −4 0 0
s3 −2 0 0 −3 0 0 0 4 4
s4 3 0 3 0 −4 0 0 −5 0
s5 0 −3 0 4 0 4 0 −5 0
s6 0 −3 0 0 −4 0 5 0 5
s7 4 4 0 0 0 −5 0 0 −6
s8 0 0 −4 5 5 0 0 0 −6
s9 0 0 −4 0 0 −5 6 6 0
zminimalizować v
przy ograniczeniach
0x1 + 2x2 + 2x3 –3x4 + 0x5 + 0x6 –4x7 + 0x8 + 0x9 v

–2x1 + 0x2 + 0x3 + 0x4 + 3x5 + 3x6 –4x7 + 0x8 + 0x9 v
–2x1 + 0x2 + 0x3 –3x4 + 0x5 + 0x6 + 0x7 + 4x8 + 4x9 v
3x1 + 0x2 + 3x3 + 0x4 –4x5 + 0x6 + 0x7 –5x8 + 0x9 v
0x1 –3x2 + 0x3 + 4x4 + 0x5 + 4x6 + 0x7 –5x8 + 0x9 v
0x1 –3x2 + 0x3 + 0x4 –4x5 + 0x6 + 5x7 + 0x8 + 5x9 v
4x1 + 4x2 + 0x3 + 0x4 + 0x5 –5x6 + 0x7 + 0x8 –6x9 v
0x1 + 0x2 –4x3 + 5x4 + 5x5 + 0x6 + 0x7 + 0x8 –6x9 v
0x1 + 0x2 –4x3 + 0x4 + 0x5 –5x6 + 6x7 + 6x8 + 0x9 v
x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 = 1
Rozwiązywanie
Gra Morra
t1 t2 t3 t4 t5 t6 t7 t8 t9
(1, 1) (1, 2) (1, 3) (2, 1) (2, 2) (2, 3) (3, 1) (3, 2) (3, 3)
s1 0 2 2 −3 0 0 −4 0 0
s2 −2 0 0 0 3 3 −4 0 0
s3 −2 0 0 −3 0 0 0 4 4
s4 3 0 3 0 −4 0 0 −5 0
s5 0 −3 0 4 0 4 0 −5 0
s6 0 −3 0 0 −4 0 5 0 5
s7 4 4 0 0 0 −5 0 0 −6
s8 0 0 −4 5 5 0 0 0 −6
s9 0 0 −4 0 0 −5 6 6 0
Rozwiązanie:
x∗ = [0 0 20/47 0 15/47 0 12/47 0 0]

y ∗ = [0 0 20/47 0 15/47 0 12/47 0 0]
v∗ = 0

Rozwiązywanie
Przykład
t1 t2 t3 t4 t5
s1 1 2 3 3 6
s2 2 6 1 3 3
s3 3 1 3 6 2
s4 3 3 6 2 1
zminimalizować v
przy ograniczeniach
x1 + 2x2 + 3x3 + 3x4 v
2x1 + 6x2 + x3 + 3x4 v
3x1 + x2 + 3x3 + 6x4 v
3x1 + 3x2 + 6x3 + 2x4 v
6x1 + 3x2 + 2x3 + x4 v
x1 + x2 + x3 + x4 = 1
Rozwiązujemy metodą sympleks, np. narzędziem ExploreLP.
Rozwiązywanie
Przykład - sformułowanie problemu LP

Rozwiązywanie
Przykład - rozwiazanie problemu LP
x ∗ = [0, 08; 0, 28; 0, 60; 0, 04]

v ∗ = 2, 56
Rozwiązywanie
Przykład
t1 t2 t3 t4 t5
s1 1 2 3 3 6
s2 2 6 1 3 3
s3 3 1 3 6 2
s4 3 3 6 2 1
zminimalizować v
przy ograniczeniach
y1 + 2y2 + 3y3 + 3y4 + 6y5 − v ¬ 0

2y1 + 6y2 + y3 + 3y4 + 3y5 − v ¬ 0
3y1 + y2 + 3y3 + 6y4 + 2y5 − v ¬ 0
3y1 + 3y2 + 6y3 + 2y4 + y5 − v ¬ 0
y1 + y2 + y3 + y4 + y5 = 1
Rozwiązujemy metodą sympleks, np. narzędziem ExploreLP.

Rozwiązywanie
Przykład - rozwiazanie gry
x ∗ = [0, 08; 0, 28; 0, 60; 0, 04]

y ∗ = [0, 6; 0, 08; 0, 04; 0; 0, 28]
v ∗ = 2, 56
Gry z naturą
Założenia
Przeciwnik nie podejmuje decyzji w sposób racjonalny.

Przeciwnik nie jest zainteresowany wynikiem gry.
Stany natury mogą występować:
z jednakowym prawdopodobieństwem,
z różnymi prawdopodobieństwami.

Gry z naturą
Przykład
Rolnik ma wybrać jeden z 3 możliwych terminów siewu (1.03, 10.03 lub

15.03). Plony z hektara w zależności od przyszłego możliwego stanu
pogody A, B, C i D oraz terminu siewu podaje tablica:
terminy siewu A B C D
1 marca 21 15 32 16
10 marca 28 20 10 20
15 marca 13 27 25 15
Gry z naturą
Kryterium Walda (pesymistyczne)
Wybiera maksymalną wygraną przy założeniu, że natura zachowa się

najbardziej niekorzystnie.
Postępowanie:
Wybieramy minimalną wartość w każdym z wierszy – zakładamy, że
zajdą warunki najbardziej niekorzystne dla gracza;
Z uzyskanych wyników wybieramy wartość największą.
Uzyskana wartość stanowi gwarantowaną wygraną w najgorszym
wypadku.
http://rozanedziecinstwo.blogspot.com/2016/08/bo-nie-ma-rzeczy-niemozliwych-mama-mu

Gry z naturą
Przykład - kryterium Walda

1 marca 21 15 32 16 15
10 marca 28 20 10 20 10
15 marca 13 27 25 15 13
Gry z naturą
Kryterium Hurwicza
https://slideplayer.pl/slide/61744/1/images/1/RYZYKO+W+HANDLU+ZAGRANICZNYM.jpg
Gotowość do podjęcia ryzyka wyraża tzw. współczynnik ostrożności.
Postępowanie:
Ustala się arbitralnie tzw. współczynnik ostrożności γ (0 ¬ γ ¬ 1)
Dla każdej strategii i gracza stosujemy wzór:
vi = γ min aij + (1 − γ) max aij
j j
Ostatecznie wybieramy strategię, dla której vi ma największą wartość.

Dlaγ = 1 kryterium Hurwicza jest tożsame z kryterium Walda.
Gry z naturą
Przykład - kryterium Hurwicza γ = 0.4

1 marca 21 15 32 16 25,2
10 marca 28 20 10 20 20,8
15 marca 13 27 25 15 21,4
Gry z naturą
Kryterium Savage’a
Spełnia postulat minimalizacji oczekiwanych strat wynikłych z

podjęcia decyzji gorszej niż najlepsza możliwa dla danego stanu
natury.
Postępowanie:
Wyznacza się macierz strat relatywnych: Strata jest różnicą między
największą możliwą wygraną dla danego stanu natury i wygraną
odpowiadającą decyzji gracza.
Dla każdej strategii znajduje się maksymalną stratę i wybiera się
strategię odpowiadającą najmniejszej z nich.

Gry z naturą
Przykład - kryterium Savage’a

1 marca 21 15 32 16
10 marca 28 20 10 20
15 marca 13 27 25 15
Macierz strat
1 marca 7 12 0 4 12
10 marca 0 7 22 0 22
15 marca 15 0 7 5 15
Gry z naturą
Kryterium Bayesa
Uwzględnia prawdopodobieństwo wystąpienia każdego stanu natury.

Postępowanie:
Ustala się wartość oczekiwaną wygranej dla każdego stanu natury.
Wybiera się strategię, dla której oczekiwana wartość gry jest
największa.
Najczęściej zakłada się równe prawdopodobieństwo wystąpienia
wszystkich stanów.

Gry z naturą
Przykład - kryterium Bayesa
równe prawdopodobieństwo stanów natury (p = 0, 25)

Macierz strat
1 marca 21 15 32 16 21
10 marca 28 20 10 20 19,5
15 marca 13 27 25 15 20
Gry z naturą
Gry z naturą - podsumowanie
Strategie stosujemy w zależności od potrzeb

Kryterium Walda jest najbardziej zachowawczym
Kryterium Hurwicza pozwala decydować o poziomie ryzyka
Kryterium Bayesa uśrednia wygrane
Kryterium Savage’a minimalizuje straty wynikające z podjęcia decyzji
gorszej od najlepszej

Gry z naturą
Gry dwuosobowe o sumie dowolnej
Zapisywane w postaci drzew decyzyjnych

Analizując wierzchołki drzewa można określić zyski graczy
Rozwiązaniem gry są strategie maksyminowe graczy
Gry z naturą
Przykład
7
1+6 2+5 3+4
1+1+5 1+2+4 2+2+3 3+3+1
1+1+1+4 1+1+2+3 2+2+2+1
1+1+1+1+3 2+2+1+1+1
2+1+1+1+1+1

Gry z naturą
Przykład
7 −1
1+6 −1 2+5 −1 3+4 −1
1+1+5 +1 1+2+4 −1 2+2+3 +1 3+3+1 −1
1+1+1+4 +1 1+1+2+3 −1 2+2+2+1 +1
1+1+1+1+3 +1 2+2+1+1+1 −1
2+1+1+1+1+1 +1
Gry z naturą
Procedura MIN-MAX
Graczy oznaczamy MIN i MAX.

Wygrana gracza MAX jest równocześnie przegraną gracza MIN.
Gracz MAX stara się zmaksymalizować wartość gry.
Gracz MIN stara się zminimalizować wartość gry.
Przeciwnicy posiadają taką samą wiedzę o przestrzeni stanów i stosują
tę wiedzę konsekwentnie w celu wygrania gry.
Jeżeli ojcem jest MIN, to nadaj mu najmniejszą wartość spośród
dzieci.
Jeżeli ojcem jest MAX, to nadaj mu największą wartość spośród
dzieci.

Całkowitoliczbowe Programowanie Liniowe: Instytut Informatyki

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

Całkowitoliczbowe Programowanie Liniowe: Instytut Informatyki

Uploaded by

Copyright:

Available Formats

Całkowitoliczbowe programowanie liniowe

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 1 / 47

1 Przykład 1 - wracamy do problemu

2 Metoda płaszczyzn tnących Gomory’ego

3 Szczególne zadania programowania całkowitoliczbowego

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 2 / 47

Do produkcji opakowań potrzebny jest karton i folia aluminiowa, zszywki i

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 3 / 47

zmaksymalizować 11x1 + 10x2 (1)

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 4 / 47

Uwolnienie zadania od warunków całkowitoliczbowości nazywamy

Zadanie otrzymane w wyniku relaksacji nazywamy zadaniem

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 5 / 47

Rozwiązania zadania zrelaksowanego

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 6 / 47

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 7 / 47

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 8 / 47

Stosując algorytm sympleks otrzymujemy rozwiązanie:

Wartość zmiennej x2 w rozwiązaniu optymalnym nie jest liczbą całkowitą -

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 9 / 47

Model matematyczny skorygowany

Z - zbiór liczb całkowitych

Problem, w którym opuszczamy ograniczenie (12) nazywamy

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 10 / 47

Dla problemu skorygowanego rozwiązanie:

jest niedopuszczalne (niecałkowite)!

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 11 / 47

Przykład 1 Analiza rozwiązania

Rysunek: Odcięcie obszaru niezawierającego rozwiązań całkowitych

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 12 / 47

Odcięcie jako nowe ograniczenie

W wyniku odcięcia otrzymujemy nowy problem programowania liniowego:

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 13 / 47

Przykład 1 Analiza rozwiązania

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 14 / 47

Nowe sformułowanie problemu:

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 15 / 47

Metoda Gomory’ego Pomysł

Całkowitoliczbowe rozwiązanie optymalne zadania programowania

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 16 / 47

Rozwiązanie metodą sympleks

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 17 / 47

Metoda Gomory’ego Pomysł

Rozwiązanie metodą sympleks

Tabela: Początkowa tablica sympleks

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 18 / 47

Rozwiązanie metodą sympleks

Tabela: Początkowa tablica sympleks

Tabela: Końcowa tablica sympleks

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 19 / 47

Metoda Gomory’ego Pomysł

x2 + 1/6s1 + 1/6s2 = 5/2 (*)

Ale x2 ma być liczbą całkowitą, zatem

Odejmijmy otrzymaną nierówność od równania (*)

1/6s1 + 1/6s2 ­ 1/2

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 21 / 47

Metoda Gomory’ego Pomysł

Pierwsze ograniczenie odcinające

w celu ułatwienia obliczeń: s1 + s2 − 6s3 = 3

po dodaniu zmiennej sztucznej: s1 + s2 − 6s3 + a1 = 3

Joanna Józefowska (Instytut Informatyki) Całkowitoliczbowe programowanie liniowe 22 / 47

Drugie ograniczenie odcinające

x1 + 1/5s2 − 2/5s3 = 11/5

1/6s1 + 1/6s2 1/2

1/5s2 + 3/5s3 1/5