NHÓM 1:

Lê Thị Phương Thảo – 31201022733

Lương Thị Ánh Thùy – 3120102276
Nguyễn Thụy Bảo Uyên – 31181024
Nguyễn Lệ Uyên - 31201024692
Nguyễn Hồ Tường Vi - 31201021166

CHƯƠNG 3
MÔ HÌNH TỐI ƯU HÓA PHI TUYẾN
 Các nội dung

01 02 03
Giới thiệu Mô hình tối ưu không Tối ưu hóa phi tuyến
mô hình phi tuyến giới hạn số biến qua đồ thị

04 05 06
Sử dụng SOLVER cho Ví dụ Mô hình toàn phương
mô hình phi tuyến mô hình phi tuyến
 Các nội dung

07 08
Giới thiệu Mô hình tối ưu không
mô hình phi tuyến giới hạn số biến

09 10
Sử dụng SOLVER Ví dụ
cho mô hình phi mô hình phi tuyến
tuyến
 GIỚI THIỆU MÔ HÌNH
01 PHI TUYẾN
Trên thực tế có nhiều vấn đề trong kinh tế và trong các hoạt động
kinh doanh có những mối liên hệ với nhau không phải là mối quan
hệ tuyến tính mà là phi tuyến.
Trong mô hình tuyến tính, giá cả (p) thường giả định là không thay
đổi. (Doanh số = số lượng x giá bán)
*Trong thực tế các mức giá khác nhau có thể làm thay đổi lượng sản
phẩm tiêu thụ (cầu) hay lượng cầu sẽ phụ thuộc vào giá cả.
Số lượng sản phẩm tiêu thụ = f(p)
F: hàm số theo p
=> Doanh số = giá bán x sản lượng tiêu thụ = p x f(p)
 GIỚI THIỆU MÔ HÌNH
01 PHI TUYẾN
Đặc điểm chính của 1 mô hình phi tuyến:
● Sự tồn tại các mối quan hệ không theo tỷ lệ.
● Sự tồn tại các mối quan hệ không mang tính cộng bổ sung.
● Sự hiệu quả và không hiệu quả theo quy mô.
 MÔ HÌNH TỐI ƯU KHÔNG GIỚI
02 HẠN SỐ BIẾN (TỪ 2 BIẾN TRỞ
Cho 2 biến số x vàLÊN)
x ; 2 hàm số f(x ) và f(x )
1 2 1 2

Gọi là đạo hàm riêng cấp 1, là đạo hàm riêng cấp 2. Bất cứ giá trị
nào của x mà tại đó tất cả đạo hàm riêng cấp 1 bằng 0 được gọi là
điểm dừng.
• Điều kiện cần thiết để hàm số đạt được mức tối ưu:
- Tại giá trị tối ưu địa phương (tối thiểu hoặc tối đa) cả hai
đạo hàm riêng phải bằng 0. Điểm tối ưu cực đại hay điểm tối ưu
cực tiểu luôn luôn là tại điểm dừng.
- Tuy nhiên không phải tất cả điểm dừng đều cung cấp giá trị cực
đại hay giá trị cực tiểu.
 03 TỐI ƯU HÓA PHI TUYẾN QUA
ĐỒ THỊ
Công cụ Sovler được dùng để tìm các giá trị tối ưu của các hàm phi tuyến với
nhiều biến số
- Trong phương pháp “The hill–climbing” áp dụng cho bài toán tìm giá trị cực đại,
một điểm dừng đầu tiên sẽ được chọn, sau đó hướng thử tăng dần được thực
hiện bằng cách phỏng chừng các mức thay đổi ban đầu dọc theo đường giá trị
tối ưu (Optimal Value – OV) tăng dần, tới điểm cao nhất có thể đạt được của
đường này.
- Phương pháp này sẽ kết thúc khi các mức thay đổi phỏng chừng theo tất cả các
hướng (đạo hàm riêng cấp 1) tiến dần về 0 (điều kiện thứ nhất được thỏa mãn).
Những điểm này khi đó sẽ luôn là “điểm cực trị địa phương” hoặc điểm “tối ưu
địa phương”. Những điểm tối ưu khác được tiếp tục tìm kiếm bằng cách khởi
động lại chương trình tối ưu hóa, bắt đầu tại một điểm khởi sự khác cho giá trị
ban đầu các biến số của mô hình.
 03 TỐI ƯU HÓA PHI TUYẾN QUA
ĐỒ THỊ
Ví dụ bài toán tối ưu hoá phi tuyến được thể hiện qua đồ thị:
● Hàm mục tiêu Max
x1 – x2 –> Max
● Điều kiện ràng buộc:
–x12 + x2 ≥1
x1 + x2 ≤ 3
–x1 + x2 ≤ 2
x1 ≥ 0, x2 ≥ 0
Vùng khả thi:
Tối ưu không nằm tại góc:

Giải pháp tối ưu của mô hình phi tuyến không phải luôn nằm tại góc
giao điểm của các ràng buộc (các góc của vùng khả thi)
 Sự so sánh giữa LP và NLP
Có một vài điểm tương đồng giữa LP và NLP. Ví dụ:
1. Một sự gia tăng (hay giảm) RHS2 của bất phương trình ràng buộc ≤
(≥) sẽ nới lỏng điều kiện ràng buộc. Điều này không làm co lại và có
thể mở rộng vùng khả thi.
2. Một sự giảm (hay gia tăng) RHS trên ràng buộc ≥ (≤) sẽ thắt chặt
điều kiện ràng buộc. Điều này không mở rộng và có thể làm thu hẹp
vùng khả thi.
3. Việc nới lỏng điều kiện ràng buộc không làm tổn hại và có thể giúp
gia tăng giá trị mục tiêu tối ưu.
4. Việc thắt chặt điều kiện ràng buộc không giúp ích và có thể gây tổn
hại giá trị mục tiêu tối ưu.
*RHS: right-hand side: giới hạn (vế phải) của bất phương trình ràng buộc
 Sự so sánh giữa LP và NLP

“Thay đổi trong giá trị hàm mục tiêu OV (Objective function value) khi có
một sự thay đổi tương ứng trong RHS, với tất cả những dữ liệu khác được
cố định.”
Trong mô hình LP: “Giá trị ẩn” (Shadow price) – tỷ lệ thay đổi trong
giá trị hàm mục tiêu OV khi RHS của ràng buộc đó thay đổi 1 đơn vị
Trong mô hình NLP: “Nhân tử Lagrange” – tương phản với khái niệm
Shadow price trong mô hình LP nhưng ý nghĩa như nhau
Phương pháp nhân tử Lagrange
Trong LP, Shadow price là không đổi (hằng số) đối với các giá trị
khác nhau của RHS.
Tuy nhiên trong NLP thuộc tính này không phải bao giờ cũng đúng
Ví dụ: Ta có mô hình NLP đơn giản như sau:
x2 -> Max
Ràng buộc: x <= b
x >= 0
- Giá trị tối ưu của x là b
- Giá trị hàm mục tiêu: b2
- Giá trị ẩn (Lagrange) là tỷ lệ thay đổi trong OV khi RHS (b) gia tăng
- Nhân tử Lagrange không bất biến theo sự thay đổi của RHS (b) mà nó
thay đổi liên tục theo b
Giá trị tối ưu địa phương (cực trị địa phương) so với giá trị tối ưu toàn
cục (cực trị toàn cục)
● Trong mô hình LP cực trị địa phương cũng là cực trị toàn cục.
● Trong mô hình NLP có thể vừa có cực trị địa phương và vừa có cựa trị
toàn cục.
● Giá trị cực đại toàn cục là điểm cực đại theo ràng buộc toàn cục bởi vì giá
trị của hàm mục tiêu tại điểm này là lớn nhất so với tất cả các điểm khả
thi khác.
● Trong mô hình NLP để tìm ra cực trị toàn cục từ các cực trị địa phương
cần phải bổ sung các điều kiện theo mô hình (điều kiện lồi và điều kiện
lõm). Những điều kiện này phải được thỏa mãn để đảm bảo rằng giá trị
tối ưu hóa địa phương cũng sẽ là giá trị tối ưu hóa toàn cục.
 04 SỬ DỤNG SOLVER CHO MÔ HÌNH
PHI TUYẾN
Mô hình LP: Solver sử dụng phương pháp di chuyển từ góc này sang góc
khác trong các vùng khả thi.
Mô hình NLP: Solver sử dụng phương pháp “leo dốc” dựa trên tiến trình tìm
kiếm độ dốc được giảm thiểu chung và phương pháp này còn được gọi là
GRG.
Các bước của tiến trình này được thực hiện như sau:
Sử dụng các giá trị ban đầu của các biến số quyết định tính toán một hướng
đi được sao cho cải thiện nhanh nhất giá trị của hàm mục tiêu.
Solver lại thử một hướng tính toán mới từ một điểm khởi sự mới, tiến trình
trên được lặp lại cho đến khi giá trị OV không còn được cải thiện tốt hơn trên
bất kỳ một hướng mới nào thì tiến trình tìm kiếm giá trị tối ưu kết thúc.
 05 VÍ DỤ CÁC MÔ HÌNH
PHI
Ví dụ 1: Chi phí marketing
TUYẾN
Chi phí quảng cáo bình quân hàng ngày = 100$
là chi phí bình quân một ngày chi tiêu cho quảng cáo trên báo
là chi phí bình quân một ngày chi tiêu cho quảng cáo trên tivi
• Phương trình tổng chi phí hàng năm cho hoạt động của bộ phận quảng cáo:
Tổng chi phí = C(, ) = 20000 – 440 – 300 + 20 + 12 +
Tối thiểu hóa chi phí quảng cáo hàng năm cho hoạt động của bộ phận quảng cáo:
C(, ) = 20000 – 440x1– 300x2 + 20 + 12 + x1x2 Min
• Điều kiện ràng buộc:
x1 + x2 = 100

x 1 , x2 > 0
Ý nghĩa kinh tế của số nhân tử Lagrange

Nhân tử Lagrange thứ i =

- Số nhân tử Lagrange dương: RHS tăng sẽ làm tăng giá trị hàm mục tiêu OV
- Số nhân tử Lagrange âm: RHS tăng sẽ làm giảm giá trị hàm mục tiêu OV
- Giá trị Reduced Gradient trong báo cáo phân tích độ nhạy của mô hình
NLP: có ý nghĩa tương tự như Reduced cost trong mô hình LP
Reduced Gradient đo lường độ nhạy của hàm mục tiêu theo biến số ra quyết định:
+ Reduced Gradient âm: khi gia tăng giá trị biến số quyết định thì giá trị hàm mục
tiêu sẽ giảm so với ban đầu.
+ Reduced Gradient dương: khi gia tăng giá trị biến số quyết định thì giá trị hàm
mục tiêu sẽ tăng so với ban đầu.
- Mô hình tối đa hóa: nếu biến số ra quyết định đang ở mức cận trên của ràng
buộc, thì giá trị Reduced Gradient phải là số dương và ngược lại tương tự với
mô hình tối thiểu hóa.
- Nếu biến số ra quyết định nằm giữa giá trị cận trên và cận dưới của ràng buộc
thì giá trị biên của biến số quyết định sẽ bằng 0.
Ví dụ 2: Nên sản xuất bao nhiêu SP1 và bao nhiêu SP2 để tối đa hóa lợi nhuận?
Một công ty sản xuất tivi, dự định sản xuất 2 loại TV: loại A và loại B.
Hàm cầu của sản phẩm A và B: PA = 314 – 1.9A + 0,01A2

PB = 243 – 0,14B

Giả định biến phí đơn vị của sản phẩm A là 210$ và biến phí đơn vị của sản phẩm B là 230$.
Tổng lợi nhuận = (PA – 210)A + (PB – 230)B

Bổ sung các điều kiện ràng buộc cho mô hình trên, ta có mô hình NLP lượng hóa mới như sau:
(PA – 210)A + (PB – 230)B => Max

Ràng buộc:
PA = 314 – 1.9A + 0,01A2 (Giá bán sản phẩm A)

PB = 243 – 0,14B (Giá bán sản phẩm B)

A ≤ 70 (Khả năng sản xuất tối đa sản phẩm A)

B ≤ 50 (Khả năng sản xuất tối đa sản phẩm B)
A + 2B ≤ 120 (Số giờ lao động của phân xưởng sản xuất SpA)
A + B ≤ 90 (Số giờ lao động của phân xưởng sản xuất SpB)
A, B, PA , PB ≥ 0
 GIỚI THIỆU MÔ HÌNH TOÀN
06 PHƯƠNG
(QUADRATIC PROGRAMMING)
QP gần giống với mô hình tuyến tính LP, có nhiều thuộc tính có lợi của mô hình LP:
- Mô hình LP: tối đa hóa hoặc tối thiểu hóa giá trị của hàm mục tiêu tuyến
tính thiết lập theo các ràng buộc là các phương trình và bất phương trình tuyến
tính.
- Mô hình QP: tối đa hóa hoặc tối thiểu hóa giá trị của hàm mục tiêu toàn
phương thiết lập theo các ràng buộc là các phương trình và bất phương trình
tuyến tính.
- Tổng quát hàm toàn phương với N biến số:
+ + +D
Khi và bằng 0, hàm toàn phương sẽ trở thành hàm tuyến tính. Hàm tuyến tính là
một dạng đặc biệt của hàm toàn phương.
Ví dụ:
(x1 – 6)2 + (x1 – 8)2 → Min
Ràng buộc:
x1 7
x2 5
x1 + 2x2 12
x1 + x2 9
x1 , x2 0
 3.7 MÔ HÌNH DANH MỤC (PORTFOLIO)
Mô hình danh mục (porfolio):
 Nhà quản lý danh mục đầu tư luôn tìm kiếm rủi ro thấp & tỷ suất sinh lợi cao 
tối đa hóa tỷ suất sinh lợi (ứng với mức rủi ro cho phép) hoặc tối thiểu hóa rủi
ro ( với giới hạn tỷ suất sinh lợi mong muốn).
 Nhà đầu tư cần xác định tỷ trọng tối ưu vào các chứng khoán trong danh mục.
 Tập hợp các quyết định khả thi phải thỏa mãn các ràng buộc:
• Tổng tỷ trọng đầu tư = 1 (giới hạn chính sách đầu tư hết)
• Tỷ trọng mỗi loại phải cao hơn (thấp hơn) 1 con số cho phép (giới hạn
chính sách đa dạng hóa)
• Tỷ trọng mỗi loại phải lớn hơn hoặc bằng 0 (giới hạn chính sách không
bán khống).
• Tổng vốn đầu tư nhỏ hơn nguồn vốn có sẵn (giới hạn tự nhiên)
• Rủi ro thấp hơn 1 mức nào đó hoặc TSSL phải cao hơn mức cho phép .
3.8 THIẾT LẬP CÔNG THỨC CHO MÔ HÌNH
Bài toán tối ưu hóa: PORTFOLIO
 Hàm mục tiêu:
Tỷ suất sinh lợi danh mục  Max
hoặc Rủi ro danh mục  Min
 Biến số ra quyết định:
Tỷ trọng đầu tư vào các chứng khoán (xi)
 Ràng buộc:
- Ràng buộc về vốn đầu tư.
- Ràng buộc về đầu tư hết.
- Giới hạn về mức rủi ro cao nhất hoặc tỷ suất sinh lợi thấp nhất .
- Ràng buộc về bán khống và đa dạng hóa.
3.8 THIẾT LẬP CÔNG THỨC CHO MÔ HÌNH
 Các kí hiệu: PORTFOLIO
xi là tỷ trọng đầu tư vào cổ phiếu i.
σi2 = phương sai của chứng khoán thứ i
σij = hiệp phương sai giữa tỷ suất sinh lợi cổ phiếu i và j (j=i+1)
ri = tỷ suất sinh lợi mong đợi hàng năm của cổ phiếu i
b = tỷ suất sinh lợi tối thiểu mong đợi hàng năm từ tổng số tiền đầu
tư vào danh mục
Si = mức đầu tư tối đa vào cổ phiếu thứ i
3.8 THIẾT LẬP CÔNG THỨC CHO MÔ HÌNH
PORTFOLIO
 Bài toán tối ưu hóa danh mục:
 Hàm mục tiêu tổng quát: Phương sai danh mục  Min
+ 2  Min
 Biến số ra quyết định: x1, x2,…, xn
 Ràng buộc (ví dụ với danh mục 2 chứng khoán)
x1 + x2 +…+ xn = 1 (tất cả số tiền phải được đầu tư hết)
x1r1+x2r2+...+xnrn ≥ b (tỷ suất sinh lợi mong đợi tối thiểu của danh mục)
x n ≤ Sn (mức đầu tư tối đa vào mỗi cổ phiếu)
x1, x2,…, xn ≥ 0 (không có bán khống cổ phiếu)
3.8 THIẾT LẬP CÔNG THỨC CHO MÔ HÌNH
PORTFOLIO
 Ví dụ 3.11: Danh mục đầu tư với dữ liệu 2 chứng khoán

S1= 0,75 b = 0,03

r2 = 2% S2 = 0,9

 Biến số ra quyết định: x1, x2

 Hàm mục tiêu: σ12x12 + σ22x22 + 2σ12x1x2  Min
 Các ràng buộc:
x1 + x2 = 1
x1r1 + x2r2
x1
x2
x1, x2 ≥ 0
3.9 MÔ HÌNH QUẢN LÝ HÀNG TỒN KHO
EOQ
Các doanh nghiệp sản xuất thường có 3 loại hàng tồn kho ứng với 3
giai đoạn khác nhau của một quá trình sản xuất:

 Tồn kho nguyên vật liệu

 Tồn kho sản phẩm dở dang
 Tồn kho thành phẩm
 3.9 MÔ HÌNH QUẢN LÝ HÀNG TỒN KHO
EOQ
 Các chi phí liên quan đến tồn kho:

 Chi phí đặt hàng (Ordering costs):

Bao gồm các chi phí giao dịch, chi phí vận chuyển và chi phí giao nhận hàng.
Chi phí đặt hàng được tính bằng đơn vị tiền tệ cho mỗi lần đặt hàng.
 Chi phí tồn trữ (Carrying costs):
Bao gồm tất cả các chi phí lưu giữ hàng trong kho. Chi phí tồn trữ được tính
bằng đơn vị tiền tệ trên mỗi đơn vị hàng lưu kho hoặc được tính bằng tỷ lệ %
trên giá trị hàng lưu kho trong một thời kỳ.
 Chi phí thiệt hại khi không có hàng (Stockout costs):
Xảy ra bất kỳ khi nào doanh nghiệp không có khả năng giao hàng bởi vì nhu
cầu hàng lớn hơn số lượng hàng sẵn có trong kho.
 3.9 MÔ HÌNH QUẢN LÝ HÀNG TỒN KHO
EOQ
 Gọi Q là lượng hàng tồn kho cho mỗi lần đặt hàng. Tại thời điểm đầu kỳ,
lượng hàng tồn kho là Q và ở thời điểm cuối kỳ là 0 nên số lượng tồn kho
bình quân trong kỳ là:

 Gọi C là chi phí lưu giữ cho mỗi đơn vị hàng tồn kho thì tổng chi phí lưu giữ
hàng tồn kho trong kỳ là:

 Gọi S là lượng hàng tiêu thụ trong kỳ nên số lần đặt hàng trong kỳ là:
 3.9 MÔ HÌNH QUẢN LÝ HÀNG TỒN KHO
EOQ
Gọi O là chi phí cho mỗi lần đặt hàng thì tổng chi phí đặt hàng trong kỳ là:

Gọi TC là tổng chi phí thì:

TC =
Gọi Q* là lượng hàng dự trữ tối ưu  Q* là lượng hàng cho chi phí thấp nhất:

Q* =
 3.9 MÔ HÌNH QUẢN LÝ HÀNG TỒN KHO
EOQ
Ví dụ: hình 3.16 excel
• Công ty bán sỉ Steco có nhu cầu hàng hóa mỗi tháng duy trì ở mức ổn định
là vào khoảng 5.000 sản phẩm (60.000 sản phẩm/năm).
• Giả định chi phí cho một lần đặt hàng của công ty Steco là $25.
• Chi phí lưu giữ tính trên mỗi sản phẩm tồn kho bao gồm chi phí cơ hội của
vốn là 20% trên giá mua vào và chi phí tồn trữ là 4% trên giá mua vào mỗi
sản phẩm.Vậy chi phí lưu giữ cho mỗi đơn vị hàng tồn kho là 24% x $8,00 =
$1,92.
3.9 MÔ HÌNH QUẢN LÝ HÀNG TỒN KHO
EOQ
 Bài toán tối ưu hóa của công ty Steco
 Hàm mục tiêu:

TC =  Min
 Biến số ra quyết định: Q
 Ràng buộc: Q ≥ 1
3.10. MÔ HÌNH QUẢN LÝ HÀNG TỒN KHO
CHIẾT KHẤU THEO SỐ LƯỢNG ĐẶT HÀNG
 Chiết khấu theo số lượng và tối ưu hóa trên tổng thể của công ty
Steco
 Các nhà cung cấp đưa ra các đề nghị chiết khấu theo số lượng nhằm
khuyến khích công ty mua hàng của họ nhiều hơn.
 Giả sử:

- Chiết khấu: $0.1/sp nếu số lượng đặt hàng tối thiểu là 5000 sp  chi phí mua
hàng giảm nhưng chi phí lưu giữ tăng.
- Gọi ATC(annual total cost): tổng chi phí hàng năm của công ty Steco, gồm
tổng chi phí đặt hàng và chi phí lưu giữ cộng với giá mua vào sản phẩm- APC.
3.10. MÔ HÌNH QUẢN LÝ HÀNG TỒN KHO
CHIẾT KHẤU THEO SỐ LƯỢNG ĐẶT HÀNG
ATC(Q) = TC(Q) + APC
- Chi phí lưu giữ đơn vị =i*P với P là giá mua vào 1 sp:
TC= *O
ATC(Q)= *O +(P*S)
- Ta có phương trình tính ATC theo giá không chiết khấu:
ATC = *24%*$8 +$8*60000
- Phương trình tính ATC theo giá chiết khấu:
ATC = *24%*$7.9 +$7.9*60000
CẢM ƠN CÔ
VÀ CÁC BẠN
ĐÃ LẮNG
NGHE!