Μεθοδολογία Ασκήσεων

Linear Programming
Άσκηση 1

2
Σενάριο
•Η Emily, είναι διευθύντρια του "Green Gardens", μιας μικρής
αλλά ακμάζουσας εταιρείας που ειδικεύεται στα βιολογικά
προϊόντα. Το Green Gardens έχει πρόσφατα κερδίσει
δημοτικότητα για τα υψηλής ποιότητας και χωρίς
φυτοφάρμακα ντομάτες και αγγούρια. Η εταιρεία λειτουργεί
σε ένα μικρό χωράφι, το οποίο περιορίζει την ποσότητα των
προϊόντων που μπορούν να καλλιεργήσουν κάθε εποχή. Η
πρόκληση της Emily είναι να μεγιστοποιήσει το κέρδος της
εταιρείας καθορίζοντας το βέλτιστο μείγμα ντομάτας και
αγγουριού για καλλιέργεια.
3
Σενάριο
•Οι τάσεις της τοπικής αγοράς δείχνουν ότι κάθε κιλό ντομάτας
πωλείται για € 3, ενώ τα αγγούρια φέρνουν € 2 ανά κιλό. Ωστόσο,
η καλλιέργεια αυτών των λαχανικών έρχεται με τους περιορισμούς
της. Ένα κιλό ντομάτες απαιτεί 2 τετραγωνικά μέτρα γης και 4
λίτρα νερού, ενώ ένα κιλό αγγουριών χρειάζεται 3 τετραγωνικά
μέτρα γης, αλλά μόνο 2 λίτρα νερού. Το Green Gardens έχει
συνολικά 600 τετραγωνικά μέτρα καλλιεργήσιμης γης και παροχή
νερού 800 λίτρων για την εποχή.
•Ο στόχος της Emily είναι να υπολογίσει πόσα κιλά από κάθε
λαχανικό θα αναπτυχθεί για να μεγιστοποιήσει τα κέρδη,
λαμβάνοντας υπόψη τους περιορισμούς της γης και του νερού.
4
Άσκηση Γραμμικού Προγραμματισμού
•Μεταβλητές:
 Έστω ότι x να είναι τα κιλά των ντοματών που πρέπει να
παραχθούν.
 Έστω ότι y τα κιλά των αγγουριών για την παραγωγή.
•Αντικειμενική συνάρτηση:
 Max P = 3x + 2y
 Όπου € 3 είναι το κέρδος ανά κιλό ντομάτας και € 2 είναι το κέρδος ανά
κιλό αγγουριών.

5
Άσκηση Γραμμικού Προγραμματισμού
•Περιορισμοί:
 Περιορισμός γης: 2x+3y≤600
 Κάθε κιλό ντομάτας απαιτεί 2 τετραγωνικά μέτρα και κάθε κιλό αγγουριών απαιτεί 3
τετραγωνικά μέτρα. Η συνολική διαθέσιμη γη είναι 600 τετραγωνικά μέτρα.

 Περιορισμός νερού: 4x+2y≤800

 Κάθε κιλό ντομάτας απαιτεί 4 λίτρα νερού και κάθε κιλό αγγουριών απαιτεί 2 λίτρα. Το
συνολικό διαθέσιμο νερό είναι 800 λίτρα.

 Περιορισμοί μη αρνητικότητας: x≥0,y≥0

 Οι ποσότητες ντομάτας και αγγουριού δεν μπορούν να είναι αρνητικές.

6
Άσκηση 2

7
Μοντέλα Αριστοποίησης
• Τα μοντέλα αριστοποίησης, γνωστά και ως μοντέλα
μαθηματικού προγραμματισμού, είναι αναμφίβολα η
δημοφιλέστερη τεχνική λήψης αποφάσεων στο χώρο της
Επιχειρησιακής Έρευνας.
• Τα μοντέλα μαθηματικού προγραμματισμού χρησιμοποιούνται
κυρίως για την άριστη κατανομή πόρων μεταξύ εναλλακτικών
δραστηριοτήτων, σε συνθήκες βεβαιότητας.
• Γενικά, τα μοντέλα αριστοποίησης επικεντρώνονται στον
εντοπισμό του άριστου συνδυασμού, με το οποίο κατανέμονται
κατά τον καλύτερο δυνατό τρόπο οι περιορισμένοι διαθέσιμοι
πόροι που έχει μια επιχείρηση στη διάθεση της.
Μοντέλα Αριστοποίησης
• Χαρακτηριστικά προβλήματα αριστοποίησης είναι τα
ακόλουθα:
 Η κατανομή σε διάφορες παραγωγικές διαδικασίες του
εργατικού δυναμικού, του τεχνολογικού εξοπλισμού και των
πρώτων υλών.
 Η κατανομή του κεφαλαίου σε διάφορα επενδυτικά σχέδια.
 Ο προγραμματισμός της διακίνησης των προϊόντων μιας
επιχείρησης προς τους πελάτες της ή ενός εργοστασίου προς τις
αποθήκες κ.α.
Επίλυση
• Η Επίλυση προσαρμόζει τις τιμές στα μεταβλητά κελιά απόφασης
ώστε να ανταποκρίνονται στα όρια των περιορισμών που έχουν
τεθεί και να δημιουργηθεί το αποτέλεσμα που ψάχνουμε για το
κελί προορισμού.
• Τέλος, η Επίλυση χρησιμοποιεί εξ’ ορισμού γραμμικό
προγραμματισμό για την αριστοποίηση, αλλά δίνει και την
επιλογή η ρουτίνα επίλυσης που θα χρησιμοποιηθεί να είναι μη
γραμμική.
Άσκηση Profit Max (Linear Programming
1)
• Σε αυτήν την άσκηση ζητάμε να βρούμε το μέγιστο δυνατό
κέρδος με βάση τα δεδομένα που έχουμε, ζητάμε δηλαδή το
άριστο κέρδος.
• Σε αυτό το παράδειγμα έχουμε μια βιοτεχνία που παράγει
γυάλινα και πορσελάνινα προϊόντα. Ο πρώτος πίνακας μας
δείχνει το κέρδος ανά προϊόν και στο πλάνο παραγωγής θα
τοποθετήσει το Solver τον αριθμό των προϊόντων που πρέπει
να παραχθεί ώστε να έχουμε το μέγιστο κέρδος.
• Ο δεύτερος πίνακας μας δείχνει πόσο υλικό χρειάζεται το
κάθε προϊόν για να παραχθεί και συνολικά πόσο υλικό
έχουμε στην διάθεση μας.
Άσκηση Profit Max (Linear Programming
1)
• Όπως και στο προηγούμενο πρόβλημα, πρέπει πρώτα να
καθορίσουμε το κελί στόχος και σε αυτό να εισάγουμε τον
τύπο που χρειαζόμαστε για να εξάγουμε το αποτέλεσμα που
θέλουμε.
• Το κελί στόχος εδώ είναι το (Β13) και ο τύπος είναι
(=SUMPRODUCT(€B€3:€E€3;B4:E4)). Ουσιαστικά, για να
βρούμε το κέρδος πρέπει να πολλαπλασιάσουμε το κέρδος
ανά προϊόν με την ποσότητα που πρέπει να παραχθεί ανά
προϊόν.
• Ύστερα, πρέπει να εισάγουμε τις υπόλοιπες συναρτήσεις από
τις οποίες θα εξαχθούν και οι αντίστοιχοι περιορισμοί.
Άσκηση Profit Max (Linear Programming
1)
• Στοκελί (F9) θα πρέπει να εισάγουμε μια συνάρτηση
που θα μας λέει πόσο γυαλί θα χρησιμοποιήσουμε.
Θα πρέπει να πολλαπλασιάσουμε δηλαδή την
ποσότητα που πρέπει να παραχθεί ανά προϊόν με το
γυαλί που χρησιμοποιείται ανά προϊόν
(=SUMPRODUCT(€B€3:€E€3;B9:E9)) και το οποίο
πρέπει να μικρότερο ή ίσο από 1800. Το ίδιο θα
κάνουμε και για την πορσελάνη στο κελί (F10) όπου ο
τύπος είναι (=SUMPRODUCT(€B€3:€E€3;B10:E10))
και το οποίο πρέπει να μικρότερο ή ίσο από 2500.
Άσκηση Profit Max (Linear Programming
1)
• Αφού γίνουν τα παραπάνω είμαστε έτοιμοι να ανοίξουμε το
παράθυρο της Επίλυσης (Solver).
• Το κελί στόχος είναι το (€B€13).
• Ύστερα, πρέπει να του υποδείξουμε τι είδους πρόβλημα έχουμε.
Στην περίπτωση μας πατάμε την επιλογή max, αφού έχουμε
πρόβλημα μεγιστοποίησης κέρδους.
• Το επόμενο βήμα μας είναι να ορίσουμε τα κελιά που
επηρεάζονται από τα δεδομένα μας και που με την σειρά τους
επηρεάζουν το κελί στόχος. Στην περίπτωση μας είναι τα κελιά
που αλλάζουν ανάλογα με τα δεδομένα μας είναι τα κελιά του
Πλάνου Παραγωγής (€B€3:€E€3).
Άσκηση Profit Max (Linear Programming
1)
• Τελευταίοβήμα και πιο σημαντικό είναι να θέσουμε
όλους εκείνους τους περιορισμούς που χρειάζεται ώστε
το πρόβλημα να λυθεί. Δεξιά όπως βλέπουμε τον
πίνακα, πατάμε Add ή Πρόσθεση και μας ανοίγει ένα
νέο παράθυρο.
• Στηνπερίπτωση αυτού του προβλήματος οι περιορισμοί
που θέτουμε είναι συνολικά 3.
•Ο πρώτος είναι ότι τα αποτελέσματα που θέλουμε για
το πλάνο παραγωγής πρέπει να είναι ακέραιοι και
δείχνει όπως παρακάτω:
Άσκηση Profit Max (Linear Programming
1)
• Οιάλλοι δύο περιορισμοί είναι ίδιοι. Θα πρέπει να
θέσουμε ότι δεν θα χρησιμοποιηθεί μεγαλύτερη ποσότητα
από 1800 για γυάλινα προϊόντα και 2500 για πορσελάνινα.
Οι περιορισμοί θα δείχνουν όπως παρακάτω:
• Πορσελάνη:

• Γυαλί:
• Συνολικά,
ο πίνακας των κανόνων και
των περιορισμών πρέπει να μοιάζει ως
εξής:

17
Άσκηση Profit Max (Linear Programming
1)
• Αφού, γίνουν όλα τα παραπάνω, πατάμε το κουμπί Solve
και παίρνουμε τα αποτελέσματα μας. Αν δεν υπάρχει
κάποιο κόκκινο θαυμαστικό, το Solver μας έχει δώσει ένα
αποτέλεσμα που ανταποκρίνεται στα δεδομένα, στις
μεταβλητές και στους περιορισμούς που του έχουμε θέσει.
• Το αποτέλεσμα της συγκεκριμένης άσκησης μας λέει ότι το
άριστο κέρδος είναι € 673 και μπορούμε να το επιτύχουμε
αν παράξουμε 72 γυάλινα ποτήρια και 55 πορσελάνινα
ποτήρια, χρησιμοποιώντας σχεδόν όλο το διαθέσιμο υλικό
που έχουμε στην διάθεση μας.