DUM4004

Yöneylem Araştırması
DR. ERTUĞRUL AYYILDIZ

BIG M % İKİ AŞAMALI YÖNTEM

Örnek #20
Aşağıdaki DP modelini Simpleks tablo yöntemiyle çözüp, optimal değerleri
(optimal amaç fonksiyonu değerini ve optimal karar değişkeni değerlerini)
bulunuz. Kısıtların bol kaynak ya da kıt kaynak olma durumlarını inceleyiniz.

s.t.
Örnek #20
Örnek #21
Aşağıdaki DP modelini Simpleks tablo yöntemiyle çözüp, optimal değerleri
(optimal amaç fonksiyonu değerini ve optimal karar değişkeni değerlerini)
bulunuz. Kısıtların bol kaynak ya da kıt kaynak olma durumlarını inceleyiniz.

s.t.
Örnek #21
Farklı Kısıtları Olan Modellerin Çözümü
Negatif sağ taraf değeri
“≥” Kısıtları
“=” Kısıtları
 Farklı Kısıtları Olan Modellerin Çözümü
Negatif sağ taraf değeri
Kısıtın her iki tarafı (-1) ile çarpılır. Bu durumda eşitsizliğin yönü değişecektir.

2x1-x2 ≤ -3 → -2x1 + x2 ≥ 3
 Farklı Kısıtları Olan Modellerin Çözümü
 “≥” Kısıtları
“≥” Şeklindeki kısıtın sol tarafından artık (surplus) değişken “ei” çıkartılarak kısıt “=“ şekline çevrilir.

x1+3x2 ≥ 4 → x1 + 3x2 –e1 = 4

Başlangıç çözümünde artık değişkenler temel değişken olur. Artık değişkenlerin katsayısı “-1”
olduğu için bu durum gauss eleme yöntemine uygun değildir. Bu nedenle kısıtın sol tarafına,
başlangıç çözümünde temel değişken olarak kullanılmak üzere, katsayısı “1” olan “aj”
notasyonlu yapay (artificial) Değişken ilave edilir. Bu durumda oluşan kısıtın yeni şekli aşağıda
verilmiştir.
x1 +3x2 -e1 +a1 = 4
Farklı Kısıtları Olan Modellerin Çözümü
 “=” Kısıtları
“≥” kısıtlarına benzer şekilde, başlangıç çözümünü oluşturan orijinde bütün karar değişkenlerinin değeri
“0” olacağından, “=“ şeklindeki bir kısıtın temel değişkeni olmayacaktır. Bu nedenle, “=“ kısıtlarının sol
tarafına da “aj” notasyonlu Yapay Değişken ilave edilerek, başlangıç çözümünde temel değişken olarak
çözüme girmesi sağlanır.

3x1- 2x2 = 7 → 3x1 - 2x2 +a1 = 7

Farklı Kısıtları Olan Modellerin Çözümü
 Çözüm Yöntemleri
“=“ ve “≥” kısıtlarına eklenen yapay değişkenlerin gerçekte bir anlamı olmayıp, sadece başlangıç temel
çözümü oluşturabilmek için kullanılır. Bu yüzden, bu yapay değişkenlerin ileri safhalarda, bir daha temele
girmemek üzere, temel çözümü terk etmesi gerekir. Bunu sağlamak amacıyla aşağıdaki iki metot
kullanılmaktadır:
 Büyük M (Big M) metodu
 İki Aşama (Two Phase) metodu
Büyük-M (Big-M) Yöntemi
 Yapay değişkenlerin uygun temel çözümden çıkmasını sağlayacak şekilde amaç
fonksiyonuna yapay değişkenlerle ilgili büyük cezalar eklenmesine dayalı bir
yöntemdir. bu amaçla her bir yapay değişken (aj) için amaç fonksiyonuna;
 Amaç maksimizasyon ise; -Maj
 Amaç minimizasyon ise; Maj değerleri ilave edilir.

Bu değerlerdeki M katsayısı çok büyük bir sabit sayıyı temsil eder.
Örnek #22
Aşağıdaki DP modelini Big-M yöntemiyle çözüp, optimal değerleri (optimal
amaç fonksiyonu değerini ve optimal karar değişkeni değerlerini) bulunuz.

s.t.
Örnek #22
İki Aşama (Two Phase) Yöntemi
Yapay değişkenlerin ilave edildiği amaç fonksiyonunu, iki farklı amaç
fonksiyonuna dönüştürerek çözüme iki aşamada ulaşır.
Birinci safha: Amaç fonksiyonu yapay değişkenlerin toplamıdır. (Problem ne
olursa olsun yapay değişkenlerin toplamı minimize edilir). Simpleks metoduyla
çözülürse amaç fonksiyonu değeri sıfır (z=0) elde edilir.
İkinci safha: Birinci safha sonucunda elde edilen simpleks tablosundan yapay
değişkenlerin bulunduğu sütunlar ihmal edilir (silinir). Gerçek problemin amaç
fonksiyonu, amaç fonksiyonu satırına yerleştirilerek simpleks metodu uygulanır.
Örnek #23
Örnek #22’deki DP modelini Two-Phase yöntemiyle çözüp, optimal değerleri
(optimal amaç fonksiyonu değerini ve optimal karar değişkeni değerlerini)
bulunuz.
Örnek #23
Geçersiz Çözüm Durumu
Big-M metodu kullanılıyorsa ve optimal çözüm tablosunda yapay
değişkenlerden en az bir tanesi sıfırdan farklı bir değer almış ise,
ya da
Two-Phase metodu kullanılıyorsa ve birinci safhanın optimal çözüm tablosunda
yapay değişkenlerden en az bir tanesi sıfırdan farklı bir değer almış ise elde
edilen çözüm uygun bir çözüm değildir (yani problemin optimal çözümü yoktur).
Negatif Değer Alabilen Karar
Değişkenleri
İki durum söz konusudur.
i. Bir negatif katsayı ile sınırlı karar değişkenleri
ii. Sınırsız karar değişkenleri
Negatif Değer Alabilen Karar
Değişkenleri
Bir negatif katsayı ile sınırlı karar değişkenleri
 Lj<0 olmak üzere xj≥Lj şeklinde bir değişken verilmişse;
xj’=xj-Lj burada xj’≥0
olmak üzere xj’ notasyonlu ilave değişken tanımlanarak modelin negatif olmama koşuluna uyması
sağlanır.
 Modelde bulunan bütün xj lerin yerine xj’+Lj yazılır.
Negatif Değer Alabilen Karar
Değişkenleri
Bir negatif katsayı ile sınırlı karar değişkenleri
Negatif Değer Alabilen Karar
Değişkenleri
Sınırsız karar değişkenleri
 Eğer herhangi bir xj karar değişkeninin alabileceği değerler sınırsız olarak tanımlanmış ise, aşağıdaki
şekilde iki negatif olmayan karar değişkeni tanımlanarak, bu değişkenlerin farkı şeklinde ifade edilir.

burada;
Negatif Değer Alabilen Karar
Değişkenleri
Sınırsız karar değişkenleri
Notlar: