P. 1
OPERACIONA ISTRAZIVANJA

OPERACIONA ISTRAZIVANJA

|Views: 1,092|Likes:
Published by Aleksandar Tasic

More info:

Published by: Aleksandar Tasic on May 02, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

05/24/2013

pdf

text

original

REPUBLIKA SRBIJA

VISOKA ŠKOLA PRIMENJENIH STRUKOVNIH STUDIJA
VRANJE
SEMINARSKI RAD
TEMA:
MODELIRANJE DATE RASPODELE
PROFESOR: STUDENT:
prof. dr: Stanoje D. Cvetković Snežana Mišović 79/pi
Operaciona istraživanja
VRANJE, 2011.
Sadržaj:
1. Modeliranje date raspodele 3
2. Modeliranje diskretnih slučajnih promenljivih 3
3. Modeliranje slučajnih događaja (imitacija slučajnog opita) 5
4. Modeliranje neprekidnih slučajnih promenljivih 7
5. Metod Nojmana za modeliranje neprekidne slučajne promenljive 9
6. Modeliranje slučajne promenljive sa normalnom (Gausovom) raspodelom 10
7. Zadaci 13
2
Operaciona istraživanja
1. Modeliranje date raspodele
Pri rešavanju raznih problema pojavljuje se neophodnost modeliranja različitih slučajnih
promenljivih tj. generisanja nizova slučajnih brojeva koji su u saglasnosti sa raspodelama tih
slučajnih promenljivih. U ovom odeljku ukazaćemo na transformacije koje dozvoljavaju da se
pomoću slučajnih brojeva Z sa ravnomernom (uniformnom) raspodelom (0, 1) (“standardna”
slučajna promenljiva) modeliraju vrednosti bilo koje slučajne promenljive X.
2. Modeliranje diskretnih slučajnih promenljivih
Pretpostavimo da je potrebno dobiti vrednosti slučajne promenljive X sa raspodelom:
(1.1)…

·
`

'
|
n
n
p p p
x x x
, . . . , ,
, . . . , ,
2 1
2 1

gde je
{ ¦
i i
x X P p · ·
,
, ,..., 2 , 1 n i ·


·
·
n
i
i
p
1
. 1
Razdelimo interval 0<y<1 na n podintervala
. ,..., ,
2 1 n
∆ ∆ ∆
tako da dužina
i

jednaka
n i p
i
,..., 2 , 1 , ·
(sl. 1.1)

1


2


3


n

1
0
Slika: 1.1
Dokazaćemo stav:
Stav 1.1:
Slučajna promenljiva X, definisana formulom:
(1.2)…
i
x X ·
kada
i
∆ ∈ Ζ
ima raspodelu verovatnoća (1.1)
Dokarz je veoma kratak:
3
Operaciona istraživanja
( ) ( ) · ∆ ∈ Ζ · ·
i i
P x X P
dužina
.
i i
p · ∆
Za praktičnu relaciju formule (1.2)
pogodno je da se u memoriji elektronske računske mašine rasporede jedno za drugim vrednosti
n
x x x ,..., ,
2 1
i
. 1 , ... ,..., ; ,
1 2 1 3 2 1 2 1 1 −
+ + + + + +
n
p p p p p p p p p
Da bi izračunali vrednost
X nalazimo vrednost Z. Neka je to z. Zatim upoređujemo z sa
.
1
p
ako je
,
1
p z
tada je
1
x X ·
; ako je
,
1
p z 
tada upoređujemo z sa
.
2 1
p p +
Ako je
,
2 1
p p z +
tada je
2
x X ·
;
ako je
,
2 1
p p z + 
tada upoređujemo z sa
3 2 1
p p p + +
, i td.
U slučaju jednakih verovatnoća
n
p p
n
1
...
1
· · · umesto formule (1.2) možemo pisati:
(1.3) ... i
x X ·
, gde je i=1+C(nZ),
što znatno uprošćuje računanja, jer nisu potrebna višestruka upoređivanja.
Stav 1.1 može se uopštiti I na slučajnu promenljivu koja može da uzima beskonačan niz
vrednosti
,.... ,
2 1
x x
sa odgovarajućim verovatnoćama
,.... ,
2 1
p p
. Zbog mogućih
glomaznih računanja obično se bira takav prirodni broj
0
n
, da je suma verovatnoća
0
,... ,
2 1 n
p p p +
bliska 1, pa se zatim modelira slučajna promenljiva X sa raspodelom:
(1.4) … X :

·
`

'
|
0
0
, . . . , ,
, . . . , ,
2 1
2 1
n
n
p p p
x x x

Logički operator 2 predstavljen je šestouglom. Ako je uslov, koga proverava logički
operator ispunjen, strelica koja označava predaju upravljanja snabdeva se indeksom 1, a u
suprotnom slučaj indeksom 0. Operator 1 određuje slučajni broj z sa uniformnom raspodelom
(0,1) pomoću metoda o kojima smo govorili u prethodnim odeljcima.
Primer 1.1:
Modelirati šest vrednosti slučajne promenljive X sa raspodelom:
X :
Rešenje:
Kako su verovatnoće
i
p
iz ove raspodele date na dve decimale to ćemo iz tablica
slučajnih cifara I . . sa bilo kog mesta uzeti uzastopnih šest parova slučajnih cifara I pomnožiti
sa 0,01. Na taj način dobijamo šest vrednosti slučajne promenljive Z. Neka su to brojevi:
0.32 0.17 0.90 0.5 0.97 0.87 .
4
Operaciona istraživanja
Na osnovu formule (1.2) sledi da je potrebno interval (0,1) podeliti na tri podintervala
3 2 1
, , ∆ ∆ ∆
:
(0, 0.22), (0.22, 0.39), (0.39, 1) .
Slučajni broj 0.32 pripada podintervalu
2

=(0.22, 0.39) te njemu odgovara vrednost
slučajne promenljive X=10. Slučajni broj 0.17
1
∆ ∈
=(0, 0.22)

X=2, i td. Na taj način
modeliramo šest vrednosti slučajne promenljive X:
10; 2; 18; 2; 18; 8
Primer 1.2:
Modelirati 10 vrednosti slučajne promenljive X sa raspodelom:
X :
Rešenje:
Kako su verovatnoće
i
p
date na dve decimale to ćemo iz tablica I . . uzeti recimo prvih
10 parova slučajnih cifara I pomnožiti ih sa 0.01. Na taj način dobijamo 10 vrednosti slučajne
promenljive Z:
0.49 0.48 0.75 0.28 0.02 0.28 0.66 0.76 0.20 0.58 .
Na osnovu formule (1.2) vrednostima Z koje su manje od 0.53 odgovara vrednost X=0, a
vrednostima Z  0.53 odgovara vrednost X=1. Prema tome, dobijamo sledeći niz vrednosti X:
0; 0; 1; 0; 0; 0; 1; 1; 0; 1.
3. Modeliranje slučajnih događaja (imitacija slučajnog opita)
Modeliranje slučajnih događaja svodi se na modeliranje diskretnih promenljivih. U vezi
sa tim podsetimo na pojam potpunog sistema slučajnih događaja. Za slučajne događaje
n
A A A A ,..., , ,
3 2 1
kažemo da formiraju potpun system događaja ako su ti događaji u parovima
disjunktni i ako ako je njihova unija daje pouzdan događaj. Ako sa Ω označimo pouzdan a sa
⊗nemoguć događaj, tada činjenica da događaji
n
A A A A ,..., , ,
3 2 1
čine potpun sistem I može
da se izrazi na sledeći način:
(1.4) …
n
i
i j i
A j i A A
1
, ,
·
Ω · · ⊗ ·
.
Kao primer događaja koji formiraju potpun system možemo da navedemo par slučajan od
slučajnog događaja A i njegovog suprotnog događaja (komplementa) A . Zaista A A = ⊗i A
∪ A
=

.
Pretpostavimo da se kao ishod nekog opita može realizovati jedan od slučajnih događaja
i
A
, i=1,…, n koji čine potpun system događaja, i neka su date verovatnoće realizacije događaja
i
A
:
) (
i i
A P p ·
. Za modeliranje takvih opita razmotrimo slučajnu promenljivu X koja je
jednaka rednom broju realizovanog događaja. Očevidno je da se raspodela za X daje tablicom:
5
Operaciona istraživanja
(1.5) … X :

·
·
n
i
i
p
1
. 1
Za realizaciju ishoda opita treba izabrati slučajni broj Z I na osnovu stava 1.1 modelirati
vrednost X. ako je X= i, tada se realizovao događaj
i
A
.
Specijalno, za n=2, kao ishod opita javlja se par suprotnih događaja
1
A
= A i
2
A
= A .
Ako sa p označimo P(A) tada je P( A )= 1- p. Neka je
A
I
slučajna promenljiva (“indikator
slučajnog događaja A”) koja uzima vrednost i kada se A realizuje i 0 kada se A ne realizuje (tj.
kada se realizuje A ). Tada je raspodela za X data tablicom:
(1.5) …
A
I
:
Na osnovu stava 1.1, za realizaciju opita treba naći slučajni broj Z i proveriti nejednakost
p z
. Ako je ta nejednakost ispunjena, tada se realizovao događaj A, a ako je
p z 
, tada se A
nije realizovao.
Primer 1.3:
Sa opitom su povezani, kao mogući ishodu dva nezavisna, saglasna (nedisjunktna)
slučajna događaja A i B, čije su verovatnoće realizacija date:
A
p
= P (A),
B
p
= P (B).
Modelirati njihovu realizaciju u svakom opitu.
Rešenje:
Rešenje možemo da dobijemo na dva načina:
 Posto su A i B, nezavisni možemo naizmenično da modeliramo njihovu realizaciju u
svakom opitu: najpre po slučajnom broju
1
z
prethodnom metodom (1.6) određujemo da li
se realizovao događaj A, a zatim po slučajnom broju
2
z
isto određujemo da li se realizovao
B.
 Ekonomičniji način je sledeći. Razmotrićemo potpuni sistem događaja:
B A A ∩ ·
1
, B A A ∩ ·
2
,
B A A ∩ ·
3
, B A A ∩ ·
4
.
Njihove verovatnoće su, respektivno,
6
Operaciona istraživanja
B A
p p p ·
1
,
) 1 (
2 B A
p p p − ·
, B A
p p p ) 1 (
3
− ·
,
) 1 )( 1 (
4 B A
p p p − − ·
.
Uzimajući jedan slučajan broj z metodom (1.5) možemo da odredimo koji se od ova četiri
disjunktna ishoda realizovao u modeliranom opitu.
Primer 1.4:
Sa opitom su povezana dva zavisna, saglasna događaja A i B, i date su verovatnoće:

A
p
= P (A),
B
p
= P (B),
AB
p
= P (AB). Modelirati njihovu realizaciju u svakom opitu.
Rešenje:
Kao i u prethodnom primeru i ovde možemo da postupimo na dva načina.
 Možemo najpre da izvršimo naizmenično modeliranje događaja A i B, koristeći dva slučajna
broja
1
z
i
2
z
. Najpre na osnovu broja
1
z
metodom (1.5) određujemo da li se realizovao
događaj A. Ako se A realizovao to znajući uslovnu verovatnoću
A AB
p p A B P / ) / ( ·

možemo na osnovu broja
2
z
da odredimo da li se realizovao B. Uslov da se realizuje B je
važenje nejednakosti
) / (
2
A B P z
. Ako se A nije realizovao to se realizacija događaja B
određuje pomoću uslovne verovatnoće ) 1 /( ) ( ) / (
A AB B
p p p A B P − − · i nejednakosti
) / (
2
A B P z .
 Kao i u prethodnom primeru, ekonomičniji način je poći od istog sistema događaja, čije su
verovatnoće sada:
7
Operaciona istraživanja
AB
p p ·
1
,
AB A
p p p − ·
2
, AB B
p p p − ·
3 ,
AB B A
p p p p + − − ·1
4
.
4. Modeliranje neprekidnih slučajnih promenljivih
Neka je X slučajna promenljiva neprekidnog tipa, definisana na intervalu (a,b)
(uključujući i slučajeve a= - ∞ i b= ∞), sa gustinom f(x) i funkcijom raspodele F(x), gde je
(1.7) … F(x) =

x
a
dt t f ) (
.
Dokazaćemo stav.
Stav 1.2:
Slučajna promenljiva X, koja zadovoljava jednačinu
(1.8) ... F(X) = Z
Ima gustinu f(x).
Dokaz:
Funkcija F(X) monotono raste u intervalu (a, b), uzimajući vrednosti od 0 do 1, te
jednačina (1.7) ima jedinstveno rešenje pri svakoj vrednosti Z, gde je Z slučajna promenljiva sa
uniformnom raspodelom na intervalu (0, 1) (Sl.1.2). zbog toga važi jednakost verovatnoća:
P (x X x+
X

) = P [F(x) Z F (x+
X

)]. Iz formule (1.7) sledi da je:
P [F(x) Z F (x+
X

)] = F (x+
X

) - F(x) = f(x)
X

, sto je trebalo da se dokaže.
Slika 1.2
U slučajevima kada jednačina (1.8) može analitički da se reši po X, dobija se eksplicitna
formula za modeliranje slučajne promenljive X:
8
1
a x
X
x + x
X
Y
F ( ) x + x
z
F ( x )
0
b
Operaciona istraživanja
(1.9) … X = G(Z),
gde je G(Z) inverzna funkcija u odnosu na Z= F(x). U drugim slučajevima jednačina (1.9) rešava
se numerički.
Primetimo da se u formulama (1.2) i (1.8) slučajna promenljiva Z može zameniti sa 1-Z s
obzirom da ima istu raspodelu. To u nekim slučajevima uprošćuje formule za izračunavanja.
Primer 1.5:
Za neprekidnu slučajnu promenljivu X kažemo da ima ravnomernu (uniformnu)
raspodelu u intervalu (a, b) ako je njena gustina konstantna u tom intervalu:

(1.10) … f(x) =
Za a x b funkcija raspodele je:
F(x) =
a b
a x
dt t f
x
a


·

) (
.
Iz formule (1.9) sledi da se X može izraziti pomoću Z na sledeći način:
(1.12) ... X= a+(b-a)Z,
tj. G(Z) = a+(b-a)Z.
Primer 1.6:
Za neprekidnu slučajnu promenljivu X kažemo da imamo eksponencijalnu raspodelu sa
parametrom a  0, ako je njena gustina oblika:
(1.13) ... f(x) =
ax
ae

, 0 x ∞; a 0.
Lako se može pokazati da je matematičko očekivanje E(X) =1/a, a disperzija D(X) =1/
2
a
.
Za x  0 funkcija raspodele je oblika:
(1.14) ... F(x) =

− −
− ·
x
ax at
e dt ae
0
1
.
Formula (1.8) dobija oblik:
1-
ax
e

=Z,
odakle se dobija eksplicitni izraz za X:
(1.15) ... X= -
a
1
ln(1-Z).
Kako 1-Z ima istu raspodelu možemo da uprostimo:
(1.16) ... X=-
a
1
ln Z.
9
Operaciona istraživanja
5. Metod Nojmana za modeliranje neprekidne slučajne promenljive
U nekim slučajevima eksplicitno rešavanje jednačine (1.8) po X može da bude veoma
teško. To je na primer, slučaj kada je gustina f(x) slučajne promenljive X zadata grafički.
Neka je slučajna promenljiva X definisana na konačnom intervalu a x b sa
ograničenom gustinom f(x) ≤K, kada je K konstanta (Sl. 1.3).
Slika 1.3
Metod Nojmana zasniva se na sledećem stavu.
Stav 1.3:
Neka su
1
Z
i
2
Z
dve nezavisne slučajne promenljive sa ravnomernom raspodelom na
(0,1) i neka je:
(1.17) ... X`= a+ (b-a)
1
Z
, Y`= K *
2
Z
Slučajna promenljiva X, definisana uslovom:
(1.18) ... x= X` ako je Y` f(X`)
ima gustinu f(x).
Pri praktičnoj realizaciji metoda Nojmana za modeliranje slučajne promenljive X sa
gustinom f(x) postupamo, saglasno stavu (1.3), na sledeći način.
1. Biramo dva slučajna broja
1
z
i
2
z
i formiramo slučajnu tačku T(x`, y`) sa
koordinatama x`= a + (b-a)
1
z
, y`= K*
2
z
;
2. Ako tačka leži ispod krive y= f(x), tada stavljamo X= x`, a ako tačka leži iznad krive,
tada odbacujemo par (
1
z
,
2
z
), i td.
10
a x X
X
Y
y’
T
y=f(x)
b
K
Operaciona istraživanja
Ako pod efiktivnošću
ε
ovog metoda podrazumevamo verovatnoću da će tačka T biti
iskorišćena (tj. neće biti odbačena) za određivanje vrednosti slučajne promenljive X, onda se ona
svodi na verovatnoću da tačka T(X` , Y`) budu ispod krive y= f(x), tj.
ε
= P[Y` f(X`)] = [(b – a) K]
1 −
.
Odatle sledi da će efektivnost
ε
biti najveća ako za K uzmemo najmanju moguću
vrednost: K=
b x a
max
f(x), što je očigledno i iz geometrijskih razmatranja.
Postoje razna uopštenja ovog metoda kao i drugi metodi za modeliranje različitih
slučajnih promenljivih, na čemu se mi nećemo zadržavati. Oni se koriste kada prethodna dva
metoda nisu efektivna.
6. Modeliranje slučajne promenljive sa normalnom (Gausovom)
raspodelom
Primer slučajne promenljive, na koju prethodna dva metoda za modeliranje nisu
promenljiva, je slučajna promenljiva X sa “stardanizovanom” normalnom raspodelom N (0;1)
(sa parametrima 0 i 1 ), čija je gustina oblika:
(1.19) ... f(x) =
2
2
2
1
x
e

π
, ∞ ∞ − x ,
a funkcija raspodele (Laplasova funkcija) oblika:
(1.20) ...
· ) (x φ
.
2
1
2
2
dt e
x t

∞ −

π
Prvi metod nije promenljiv zato što se ne može rešiti eksplicitno po X jednačina (1.8):
(1.21) ... ,
2
1
2
2
Z dt e
x t
·

∞ −

π
a metod Nojmana nije primenljiv zato što je interval mogućih vrednosti za X beskonačan. Ako sa
) (
1
Z

φ označimo inverznu funkciju za Laplasovu funkciju Z=
) (X φ
, tada iz (1.21) dobijamo
(1.22) ... X= ) (
1
Z

φ .
U slučajevima kada se modeliranje realizuje pomoću elektronskih računarskih mašina
primenjuje se metod zasnovan na tkz. centralnoj graničnij teoremi teorije verovatnoća, saglasno
kojoj se pri sumiranju dovoljno velikog broja nezavisnih slučajnih promenljivih, koje su
uporedive po svojim disperzijama, dobija slučajna promenljiva, koja je raspodeljena približno po
normalnoj raspodeli, pri čemu je ta raspodela bliža normalnoj što je veći broj sabiraka. U praksi
se dobra aprosikmacija postiže i sa relautivno nevelikim brojem sabiraka. Kao sabirci uzimaju se
slučajni brojevi tj. slučajne promenljive
1
Z
,
2
Z
, ...,
k
Z
, koje su nezavisne i imaju
ravnomernu raspodelu na intervalu (0, 1).
Za slučajnu promenljivu Y kažemo da ima (“nestandardizovanu”) normalnu (Gausovu)
raspodelu N(m;
2
σ ) (sa parametima m i
2
σ , gde je
∞ ∞ − m
, 0
2
σ ), ako je njena
gustina oblika
11
Operaciona istraživanja
(1.23) …
2
2
2
) (
1
2
1
) (
σ
π σ
m y
e y f


· ,
∞ ∞ − y
,
a funkcija raspodele, prema tome, ima oblik:
(1.24) ... F(y) = dt e
m t y
2
2
2
) (
2
1
σ
π σ


∞ −

.
Lako se može pokazati smenom
(1.25) … X=
σ
m Y −
prelazi se na standardizovanu normalnu slučajnu promenljivu X, sa normalnom raspodelom
N(0, 1). Iz (1.25) takođe sledi veza:
(1.26) ... Y= m +
σ
. X.
Neka je
1
Z
,
2
Z
, ...,
k
Z
niz od K nezavisnih slučajnih promenljivih sa ravnomernom
raspodelom na intervalu (0, 1) i neka je:
Y=
1
Z
,
2
Z
, ...,
k
Z
=

·
k
i
i
Z
1
.
Znamo da je E(
i
Z
)= 1/2 , D(
i
Z
)= 1/12 , i= 1, 2, ... , k .
Iz teorija verovatnoća znamo da je disperzija sume nezavisnih promenljivih jednaka sumi
disperzija sabiraka, dok je matematičko očekivanje sume sličnih promenljivih uvek jednako sumi
matematičkih očekivanja sabiraka. Prema tome,
m= E(Y)=

·
·
k
i
i
K
Z E
1
2
) (
,

·
· · · ·
k
i
i
K K
Z D Y D
1
2
3 2
,
12
) ( ) ( σ σ ,
odakle je:
(1.27) ... X=
3 2
2
1
K
K
Z
m Y
k
i
i ∑
·

·

σ
.
U praksi se za k uzimaju vrednosti ne manje od 6 (k 6). Recimo za k=6 je:
(1.28) ... X=

·

6
1
) 3 ( 2
i
i
Z
.
Prema tome, polazeći od slučajnih brojeva
1
Z
,
2
Z
, ...,
k
Z
, pomoću formule (1.27),
možemo da modeliramo standardizovanu normalnu slučajnu promenljivu N(0 ; 1), a pomoću nje,
i formule (1.26), možemo da modeliramo i normalnu slučajnu promenljivu N(m ; a
2
).
Primer 1.7:
Modelirati četiri vrednosti normalne slučajne promenljive sa parametrima:
12
Operaciona istraživanja
a. m=0,
2
σ =1;
b. m=2,
2
σ =9;
uzimajući k=12 slučajnih brojeva
1
Z
, ... ,
12
Z
.
Rešenje:
a. k=12,
6
2
·
k
, . 3 2 · k
Na osnovu formule (1.27) je:
(1.29) … X=

·

12
1
6
i
i
Z
.
Uzimamo iz druge vrste tablica i prvih dvanaest parova slučajnih cifara i pomnožimo ih
sa 0.01. Dobijamo sledeće slučajne brojeve i
Z
: 0.37 0.54 0.20 0.48 0.05 0.64 0.98
0.47 0.42 0.96 0.24 0.80.
Prema (1.29) je X
1
=

·
· − · −
12
1
. 06 . 0 6 06 . 6 6
i
i
Z
Analogno, uzimajući iz treće četvrtine i pete vrste tablica i prvih dvanaest parova
slučajnih cifara dobijamo sledeće sume

·
12
1
:
i
i
Z
4.90 4.48 6.83 ,
to je X
2
= 4.90 – 6 = -1.1, X 3 = 4.48 – 6 = - 1.52, X
4
= 6.83 – 6 = 0.83 .
b. iz formule (1.26) sledi:
Y=
σ
* X + m .
Za m=2,
σ
=3, na osnovu X
4 3 2 1
, , , X X X
koje smo modelirali pod a. modeliramo
sledeće četiri vrednosti slučajne promenljive Y koja ima normalnu raspodelu N(2;9): za X
1
=0.06 Y
1
=3 * 0.62 + 2 = 2.18. Analogno se određuju i ostale vrednosti za Y:
Y
1
= - 1.3, Y
2
= - 2.56, Y
13
Operaciona istraživanja
7. Zadaci
1. Linearni proizvodni problem
Preduzece planira da odpočne proizvodnju dveju vrsta artikala A i B. Ti artikli se moraju
izrađivati u dvema njenim radionicama R
1
i R
2
. Radionica R
1
može da za proizvodnju artikla A i
B izdvoji najviše 670 radnih časova, a radionica R
2
najviše 285 radnih časova. Za proizvodnju
jednog artikla tipa A mora se u radionici R
1
utrošiti 5 radnih časova I u R
2
4 radna časa. Za jedan
artikal tipa b potrebno je
respektivno 1, odnosno
3 radna časa. Te podatke
unosimo u tabelu 1.1:
Tabela 1.1
Čista dobit od prodaje jednog artikla tipa A je 350din, a od B 270din. Kako organizovati
proizvodnju pa da dobit bude maksimalna?
REŠENJE:
X
1
– broj proizvedenih artikala tipa A
X
2
– broj proizvedenih artikala tipa B
Funkcija cilja, koju treba maksimizirati, izgledaće:
(max)F=350X
1
+ 270X
2
, uz ograničenja:

5X
1 +
X
2
670 4X
1 +
3X
2
285
5X
1 +
X
2
=670; 4X
1 +
3X
2 =
285;
X
1
=0 X
2
= 670; X
1
= 0 X
2
=95;
X
1
= 134 X
2
=0. X
1
= 30 X
2
=55.
F=0, 350X
1
+ 270X
2
=0;
X
1
= 0 X
2
=0;
X
1
= -50 X
2
=64,81;
14
Radionice

Artikli
A B
R
1
5 1
R
2
4 3
Operaciona istraživanja
Fmax= F(A)= F(0, 95)= 25650 .
Dobit će biti maksimalna ako se artikal A ne proizvodi i ako se proizvede 95 artikala tipa B.
2. Zadatak o dijeti
Od raspoloživih vrsta hrane treba sastaviti takvu dijetu koja će, s jedne strane
zadovoljavati minimalne potrebe organizma u hranljivim sastojcima (belančevinama,
mastima...), s druge strane, biti najjeftinija. Imamo dve vrste proizvoda P
1
i P
2
koji sadrže
hranljive sastojke A, B i C. Količine hranljivih sastojaka određene vrste u jednom kilogamu
hrane date su u tebeli:
A B C
P
1
25 30 35
P
2
13 30 35
Tabela 2.1.
15
0
100 200 300 400 500 600 700
100
200
300
400
500
600
700
-100 -200 -300 -400
x1
x2
F
=
0
A
B C
Operaciona istraživanja
Minimalne dnevne potrebe organizma za sastojcima A, B i C su redom: 245, 265, 130; a
cene jednog kilograma proizvoda P
1
odnosno P
2
su 7 odnosno 12 dinara.
REŠENJE:
Neka je: X
1
– količina proizvoda P
1
uneta u organizam u toku jednog dana,
X
2
– količina proizvoda P
2
uneta u organizam u toku jednog dana,u kilogramima.
To će koštati:
F=7X
1
+ 12X
2
dinara.
Količina hranljive materije A u obema vrstama proizvoda je ukupno 25X
1
+ 13X
2
, i mora
biti:
25X
1
+ 13X
2
245; analogno nalazimo:
30X
1
+ 30X
2
265,
35X
1
+ 35X
2
130.
Navedena razmatranja nas vode do sledećeg zadatka linearnog programiranja:
Naći: (min)F=7X
1
+ 12X
2,
pri ograničenjima:
25X
1
+ 13X
2
245; 30X
1
+ 30X
2
265;
25X
1
+ 13X
2
=245, 30X
1
+ 30X
2
=265,
6X
1
+ 6X
2
=53,
X
1
=9.8 X
2
= 0; X
1
= 0 X
2
=8.83;
X
1
= 2 X
2
=15. X
1
= 8.83 X
2
=0;
35X
1
+ 35X
2
130;
35X
1
+ 35X
2
130,
X
1
= 0 X
2
=3.71;
X
1
=3.71 X
2
=0;
F=0; 7X
1
+ 12X
2
=0;
X
1
=0 X
2
= 3.71,
X
1
=3.71 X
2
= 0;
16
Operaciona istraživanja
0
1 -1
1
2
x1
x2
3
4
6
7
5
2 3 4 5 6 7 8 9 10
8
9
10
11
12
13
14
15
7
x
+
7
x
=
2
6
1
2
2
5
x
+
1
3
x
=
2
4
5
1
2
6
x
+
6
x
=
5
3
1
2
F
=
0
F(min)=F(9.8, 0) = 68.6
Najbolju dijetu ćemo postići ako u toku jednog dana u organizam unesemo 9.8kg
proivoda P1, a proizvod P2 zanemarimo. Time ce biti zadovoljene minimalne potrebe organizma
za hranljivim sastojcima i biće najjeftinija dijeta.
3. Agronomski proizvodni problem
Naći optimalnu raspodelu sejanja pšenice i kukuruza na dva imanja (I i II) od po 105
odnosno 265 hektara, koja su različita kvaliteta. Podaci o prinosima dati su u tabeli:
Kultura

Imanje
Prinosi (c/ha)
I II
Pšenica 70 40
Kukuruz 75 95
Tabela 3.1
17
Operaciona istraživanja
Treba obezbediti najmanje 5400c (metričnih centi) pšenice i 8750c kukuruza. Cena jedne
centi pšenice je 260din, a jedan cent kukuruza 310din. Gde i koliko posejati pšenice odnosno
kukuruza pa da proizvodnja ostvari maksimalnu dobit?
REŠENJE:
Označićemo sa X
1
površinu zasejanu pšenicom na imanju I, a sa X
2
površinu zasejanu
pšenicom na imanju II. Sledi:
105-X
1
- površina zasejana kukuruzom na imanju I,
265-X
2
- površina zasejana kukuruzom na imanju II,
70X
1
+ 40X
2
- ukupan prinos pšenice,
75(105-X
1
) + 95(265-X
2
) - ukupan prinos kukuruza.
Ukupan prihod, tj dobit, predstavlja funkciju cilja i treba je maksimizirati.
(max)F= 260(70X
1
+ 40X
2
) + 310[ 75(105-X
1
) + 95(265-X
2
) ] =
= 18200X
1
+ 10400X
2
+ 310( 7875 – 75X
1
+ 25080 – 95X
2
) =
= 18200X
1
+ 10400X
2
+ 2441250 – 23250X
1
+ 7774800 – 29450X
2
=
= -5050X
1
– 19050X
2
+ 10216050
(max)F= -5050X
1
– 19050X
2
+ 10216050, uz ograničenja:

70X
1
+ 40X
2
5400; 75(105-X
1
) + 95(265-X
2
) 8750;
7X
1
+ 4X
2
= 540, 32955 – 75X
1
– 95X
2
= 8750,
15X
1
+ 19X
2
= 4841,
X
1
= 0 X
2
=135; X
1
= 0 X
2
=254.79;
X
1
= 77.14 X
2
=0; X
1
= 322.733 X
2
=0;
X
1
= 105 X
2
=48.75;
105-X
1
0; 265-X
2
0;
X
1
= 105. X
2
= 265.
F=0, -5050X
1
– 19050X
2
+ 10216050 = 0,
-5050X
1
– 19050X
2
= 0,
101X
1
+ 381X
2
= 0,
X
1
= 0 X
2
=0;
X
1
= -100 X
2
=26.51;
18
Operaciona istraživanja

(max)F = F(A) = F(0, 254.79) = -5050*0 – 19050*254.79 + 10216050 = 5 362 300.5
Da bi smo obezbedili potrebne količine kultura i ostvarili najveću dobit treba na imanju I
zasejati 105-X
1,
odnosno 105ha kukuruza, a na imanju II 254.79ha pšenice i 265-X
2
, odnosno
10.21ha kukuruza.
4. Transportni problem
Imamo dva rudnika R1 i R2 koji mesečno mogu isporučiti ukupno 280 i 320 tona uglja.
Imamo dalje tri potrošačka centra P1, P2 i P3 kojima je potrebno redom 200, 280 i 120 tona
uglja respektivno. Cene prevoza 1t uglja od proizvođača do potrošača su u tabeli:
Rudnici
Potrošački centri
Ponude
P1 P2 P3
R1 1 2 14 280
R2 23 2 3 320
Potražnje 200 280 120
Tabela 4.1.
Kako organizovati transport (tj koliko tona uglja poslati iz R1 i R2 u P1, P2 i P3) pa da
budu zadovoljene sve potrebe potrošača i da cena bude najniža?
19
0
100 200 300 400 500 600 700
100
200
300
400
500
600
-100 -200
x1
x2
135
254,75
77,14
x =256 2
F
=
0
A
E
D C
B
Operaciona istraživanja
REŠENJE:
Sa X
1
označićemo količinu uglja koja se iz rudnika R1 prevozi do potrošačkog centra P1;
Sa X
2
označićemo količinu uglja koja se iz rudnika R1 prevozi do potrošačkog centra P2;
Sledi:
280 – X
1
– X
2
/ količina uglja koja se iz rudnika R1 prevozi do potrošačkog centra P3/
200 – X
1
/ količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P1/
280 – X
2
/

količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P2/
320 – (200 – X
1
+ 280 – X
2
) = X
1
+ X
2
- 160 / količina uglja koja se iz rudnika R2
prevozi do potrošačkog centra P2/
Funkcija cilja će izgledati:
(min)F = X
1
+ 2X
2
+ 14(280 – X
1
– X
2
) + 23(200 – X
1
) + 2(280 – X
2
) + 3(X
1
+ X
2
- 160)=
= X
1
+ 2X
2
+ 3920 – 14X
1
– 14 X
2
+ 4600 – 23X
1
+ 560 – 2X
2
+ 3X
1
+ 3 X
2
- 480=
= -46X
1
– 11X
2
+ 8600;
(min)F = -46X
1
– 11X
2
+ 8600, sa ograničenjima;
280 – X
1
– X
2
0; 200 – X
1


0; 280 – X
2


0;
X
1
+ X
2
= 280, X
1
= 200, X
2
= 280,
X
1
= 0 X
2
=280;
X
1
= 280 X
2
=0;
X
1
+ X
2
- 160

0;
X
1
+ X
2
= 160,
X
1
= 0 X
2
=160;
X
1
= 160 X
2
=0;
F = 0, -46X
1
– 11X
2
+ 8600 = 0;
-46X
1
– 11X
2
= 0,
X
1
= 0 X
2
=0;
X
1
= -66.96 X
2
=280;
20
Operaciona istraživanja
F(min)= F(0,160) = 8600 – 46*0 – 11*160 = 6840
Organizaciju transprta, odnosno količinu uglja(u tonama) koju treba poslati iz rudnika u
potrošačke centre, a da bi pri tom bile zadovoljene sve potrebe potrošača i da bi cena bila
najniža, prikazacemo u Tabeli 4.2.:
Rudnici
Potrošački centri
Ponude
P1 P2 P3
R1 0 160 120 280
R2 200 120 0 320
Potražnje 200 280 120
Tabela 4.2.
21
0
1 0 0 2 0 0 3 0 0 4 0 0
1 0 0
2 0 0
3 0 0
4 0 0
- 1 0 0
x 1
x 2
2 8 0
2 8 0 - 6 6 , 9 6
1 6 0
1 6 0
x
+
x
=
2
8
0
1
2
x
=
2
0
0
1
F
=
0
x = 2 8 0 2
E
D
C
A
B
Operaciona istraživanja
5. Primer 1.6.3
Imamo četiri vrste oružja koje treba rasporediti na šest nosača. Rezerve oružja i nosivosti
nosača dati su u tabeli:
Tip
oružja
N
1
N
2
N
3
N
4
N
5
N
6
Rezerve
oružja
I 6 - - 8 - - 28
II - 2 - - 1 - 12
III 1 - 4 1 5 - 72
IV 1 5 - - - 6 20
0.9 0.5 0.9 0.1 0.2 0.4
Tabela5.1.
U dnu tabele su date verovatnoće pogađanja – uništenja nosača od strane neprijatelja
P(N
1
)= 0.9; P(N
2
)= 0.5; P(N
3
)= 0.9; P(N
4
)= 0.1; P(N
5
)= 0.2; P(N
6
)= 0.4. Koju količinu i vrstu
oružja treba da nosi svaki nosač da bi gubitci koje može da nanese neprijatelj bili minimalni?
REŠENJE:
X
1
, X
2
, X
3
, X
4
, X
5
, X
6
– Broj nosača
6X
1
+ 8 X
4
= 28,
2X
2
+ X
5
= 12,
X
1
+ 4 X
3
+ X
4
+ 5 X
5
= 72,
X
1
+ 5 X
2
+ 6X
6
= 20, X
1
0, X
2
0, X
3
0, X
4
0, X
5
0, X
6
0.
(min)F= 0.9X
1
+ 0.5X
2
+ 0.9X
3
+ 0.1X
4
+ 0.2X
5
+ 0.4X
6
Uzećemo X
1
i X
2
kao slobodne promenljive, i sve ostale ćemo izraziti preko njih.
X
4
= - X
1
,
X
5
= 12 – 2X
2
,
4X
3
= 72 – X
1
– ( - X
1
) – 5(12 – 2X
2
) = 72 – X
1
- + X
1
– 60 + 10X
2
=
- X
1
+ 10X
2,
X
3
= - X
1
+ X
2
,
X
6
= - X
1
- X
2
.
- X
1
0 X
1
X
1

12 – 2X
2


0 12 2X
2


X
2
6
- X
1
+ X
2


0 X
1
- X
2


X
1
- X
2

22
Operaciona istraživanja
- X
1
- X
2


0 X
1
+ X
2
X
1
+ X
2

F = 0.9X
1
+ 0.5X
2
+ 0.9( - X
1
+ X
2
) + 0.1 - X
1
) + 0.2(12 – 2X
2
) + 0.4( - X
1
-
X
2
) =
= 0.9X
1
+ 0.5X
2
+ 1.575 – 0.1125X
1
+ 2.25X
2
+ 0.35 – 0.075X
1
+ 2.4 – 0.4X
2
+ 1.33 -
– 0.067X
1
– 0.33X
2
=
(min) F = 0.6455X
1
+ 2.02X
2
+ 5.655, pri ograničenjima
X
1
; X
2
6; X
1
- 5X
2
, X
1
+ X
2
,
X
1
– 20X
2
= 14; X
1
+ 5X
2
= 20;
X
1
= 0 X
2
= ; X
1
= 0 X
2
= 4;
X
1
= 4 X
2
= - ; X
1
= 10 X
2
= 2;
F = 0, 0.6455X
1
+ 2.02X
2
+ 5.655 = 0;
X
1
= 0 X
2
= - 2.78;
X
1
= - 8.76 X
2
= 0;
23
0
1 - 1
1
2
x 1
x 2
3
4
6
7
5
2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 5 1 4 1 3
- 2
- 1
- 3
x
+
5 x
=
2 0
1
2
x = 6 2
F
=
0
x - 2 0 5 x = 1 4
1
2
A
D
B C
x
1
=
1
4
/
3
Operaciona istraživanja
F(min)= F(0.0) = 5.655.
X
3
= - X
1
+ X
2
= ;
X
4
= - X
1
= ;
X
5
= 12 – 2X
2
= 12;
X
6
= - X
1
- X
2
= ;
Da bi gubitci koje može da nanese neprijatelj bili minimalni oružje treba da rasporedimo
na sledeći način:
Oružje I - sve reyerve, odnosno 28 oružja rasporediti na nosač N
4
,
Oružje II - sve reyerve, odnosno 12 oružja rasporediti na nosač N
5
,
Oružje III – na nosač N
3
rasporediti 7 oružja, na nosač N
4
4 oružja i na N
5
60 oružja,
Oružje IV - sve reyerve, odnosno 20 oružja rasporediti na nosač N
6
,
Nosači oružja N
1
i N
2
su bez oružja.
6. Primer 1.7.1
Naći simpleks metodom (max)F = 7X
1
– 2X
2
+ 2X
3,
pri ograničenjima:
REŠENJE:
Da bi smo iz zadatog osnovnog oblika prešli na kanonični oblik treba uvesti dopunske
promenljive X
4
, X
5
i X
6
.
F = 7X
1
– 2X
2
+ 2X
3
+ 0*X
4
+ 0*X
5
+ 0*X
6
X
1
, X
2
i X
3
– slobodne promenljive,
X
4
, X
5
i X
6
– bazisne promenljive.
5X
1
– X
2
+ X
4
= 10
-3X
1
+ X
2
+ 4X
3
+ X
5
= 1
X
1
+ X
2
– 3X
3
+ X
6
= 6

X
4
= 10 - 5X
1
+ X
2
X
5
= 1 + 3X
1
- X
2
- 4X
3

X
6
= 6 - X
1
- X
2
+ 3X
3
X
1
= 0, X
2
= 0, X
3
= 0, X
4
= 10, X
5
= 1, X
6
= 6;
M
1
(0,0,0,10,1,6)
F(M
1
) = 0
24
Operaciona istraživanja
U funkciji cilja F uz promenljive X
1
i X
3
stoje pozitivni koeficijenti (7 i 2), što znači da
će vrednost funkcije F rasti povećavanjem njihovih vrednosti. Uz promenljivu X
1
je veći
koeficijent, što znači da će promena vrednosti X
1
voditi bržoj promeni funkcije F. Drugim
rečima promenljiva X
1
će postati bazisna promenljiva.
X
1
B
X
4
= 10 - 5X
1
+ X
2
; X
1

2
0

X
5
= 1 + 3X
1
- X
2
- 4X
3
X
1
+∞

0
X
6
= 6 - X
1
- X
2
+ 3X
3
X
1
6
0
↑ X
1
{ ¦ 2 6 , , 2 min
0
· +∞

X
1
B X
4

X
2
, X
3
, X
4
- slobodne promenljive
X
1
, X
5
, X
6
- bazisne promenljive

X
1
= 2 + X
2
- X
4
X
5
= 1 + 3*(2 + X
2
- X
4
) – X
2
– 4X
3
=7 - X
2
– 4X
3
- X
4

X
6
= 6 – 2 - X
2
+ X
4
– X
2
+ 3 X
3
= 4 - X
2
+ 3X
3
+ X
4

F = 7(2 + X
2
- X
4
) – 2X
2
+ 2X
3
= 14 + X
2
- X
4
– 2X
2
+ 2X
3
=
F= 14 - X
2
+ 2X
3
- X
4
X
1
= 2, X
2
= 0, X
3
= 0, X
4
= 0, X
5
= 7, X
6
= 4;
M
2
(2,0,0,0,7,4)
F(M
2
) = 14
X
3
B
X
1
= 2 + X
2
- X
4
, X
1

+∞

0
X
5
=7 - X
2
– 4X
3
- X
4,
X
1

4
7
0

X
6
=4 - X
2
+ 3X
3
+ X
4
, X
1

+∞

0
X
1
{ ¦ 4 7 , 4 7 , min
0
· +∞ +∞

X
3
B X
5

X
2
, X
4
, X
5
- slobodne promenljive
X
1
, X
3
, X
6
- bazisne promenljive

X
3
= - X
2
- X
4
- X
5
X
1
= 2 + X
2
- X
4

X
6
= 4 - X
2
+ 3*( - X
2
- X
4
- X
5
) + X
4
= - X
2
- X
4
- X
5
X
6
= - X
2
- X
4
- X
5

25
Operaciona istraživanja
F= 14 - X
2
+ 2( - X
2
- X
4
- X
5
) - X
4
= 14 - X
2 +
- X
2
- X
4
- X
5
-
X
4
F= - X
2
- X
4
- X
5
X
1
= 2, X
2
= 0, X
3
= , X
4
= 0, X
5
= 0, X
6
= ;
M
3
(2,0, ,0,0, )
F(M
3
) = 17.5
Fmax = F(M
3
) = 17.5
7. Primer 1.7.2
Naći: (min)F = 8X
1
– 2X
2,
pri ograničenjima:
REŠENJE:
(min)F = 8X
1
– 2X
2
-2X
1
+ 3X
2
+ X
3
= 30
X
1
– 4X
2
+ X
4
= 4
5X
1
– 4X
2
+ X
5
= 50
-2X
1
+ X
2
+ X
6
= 2
X
1
, X
2
- slobodne promenljive
X
3
, X
4
, X
5
i X
6
- bazisne promenljive
X
3
=30 + 2X
1
- 3X
2
X
4
= 4 - X
1
+ 4X
2
X
5
= 50 - 5X
1
+ 4X
2
X
6
= 2 + 2X
1
- X
2
X
1
= 0, X
2
= 0, X
3
= 30, X
4
= 4, X
5
= 50, X
6
= 2;
M
1
(0,0,30,4,50,2)
F(M
1
) = 0
X
2
B
X
3
=30 + 2X
1
- 3X
2
; X
1

10
0

X
4
= 4 - X
1
+ 4X
2
; X
1

+∞

0
X
5
= 50 - 5X
1
+ 4X
2
; X
1

+∞

0
X
6
= 2 + 2X
1
- X
2
; X
1

2
0

X
1

{ ¦ 2 2 , , , 10 min
0
· +∞ +∞

X
2
B X
6

26
Operaciona istraživanja
X
1
, X
6
- slobodne promenljive
X
2
, X
3
, X
4
i X
5
- bazisne promenljive
X
2
= 2 + 2X
1
– X
6

X
3
= 30 + 2X
1
– 3(2 + 2X
1
– X
6
) = 30 + 2X
1
– 6 – 6X
1
+ 3X
6

X
3
= 24 – 4X
1
+ 36X
6

X
4
= 4 - X
1
+ 4(2 + 2X
1
– X
6
) = 4 – X
1
+ 8 + 8X
1
– 4X
6
X
4
= 12 + 7X
1
– 4X
6
X
5
= 50 – 5X
1
+ 4X
6
F = 8X
1
- 2(2 + 2X
1
– X
6
) = 8X
1
– 4 – 4X
1
+ 2X
6
= 4X
1
+ 2X
6
– 4
X
1
= 0, X
2
= 2, X
3
= 24, X
4
= 4, X
5
= 50, X
6
= 0;
M
2
(0,2,24,4,50,0)
F(M
2
) = -4
Fmin = F(M
2
) = -4
8. Primer 2.2.2
Uočimo u kordinatnom sistemu
Oxy
Celobrojne jedinične tacke
( )( ) 4 , 3 , 2 , 1 , 0 , , · ≡ j i j i T T
ij ,pri čemu ćemo posebno izdvojiti tacku
N T ≡
44
. Zamislimo da se
u tacki 0 nalazi jedan automobilista koji treba da stigne u tacku N. U bilo kojoj tački ij
T
da se
nađe moze se kretati samo udesno (ka tački
j T
i
, 1 +
) ili “naviše” ka tački
1 , + j T
ij . Rashodi
koje na putovanju ima dati su na slici 2.2.1 on postavlja sebi zadatak da iz tačke 0 stigne u tačku
N sa minimalnim rashodom. Kojim putem da ide?
8 7 8 10
8
9 9 10
10 11
10 11
15
12 13 14
12 10 11 13
8 8 10 12
8 7 9 13
14 13 9 10
12
10 9
8
11
11
12
14
N
1 2 3 4
1
2
3
4
0
j
5
I
11
N
1 2 3 4
1
2
3
4
0
j
5
I
39 27
17 8
46 34 25 18
50 42 34 28
59 51 44 39
73 63 57 53 48
34
22
Slika 2.2.1 Slika 2.2.2
REŠENJE:
27
Operaciona istraživanja
Neka je tacka B jedan od punktova I neka je “za jedan korak” (u jednoj etapi) dostižna iz
tačke A. Označimo odgovarajuci rashod sa r(AB).Ako je tacka C dostižna iz tačke A za
( ) 1 ≥ k k

etapa označimo odgovarajuci minimalni rashod sa R(AC).
Posmatrajmo prvo tacke iz kojih se u jednoj etapi moze stići u tacku N. To su tačke T34 i
T43. Odgovarajući rashodi su
( ) ( ) ( ) ( ) . 11 , 8
43 43 34 34
· · · · N T R N T r N T R N T r
Tačke iz kojih se u dve etape moze stići u tacku N su tačke T24, T33 i T42. Minimalni
rashodi od njih do tacke N su tačke
( ) ( ) ( ) ( ) ( ) ( ) { ¦ { ¦ 18 11 13 ; 8 10 min ; min ; 17 8 9
43 43 33 43 33 34 33 33 24
· + + · + + · · + · N T r T T r T T r T T r N T R N T R
te je i T33 najbolji put (sa najmanjim rashodom) T33 i T34N ; ( ) , 22 11 11
42
· + · N T r jer iz
T42 jedini (znači i najbolji) put je T42 T43N (videti sliku 2.2.2)
Tačke iz kojih se u tri etape moze stici u tacku N su T14, T23, T32 i T41. Najmanji
rashodi od njih do tacke N su:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) { ¦
¦ ( ) ( ) ( ) ( ) ( ) { ¦ {
{ ¦ 28 22 12 ; 18 10 min
; min ; 25 18 11 ; 17 8 min
; min , 27 17 10 10
42 42 32 33 33 32 32
33 33 23 24 24 23 24 23 23 24 14
· + +
· + + · · + + ·
+ + + · · + · + ·
N T R T T R N T R T T R N T R
N T R T T R N T R T T R T T R N T R N T R N T R
To znači da put T14 u N je T14 T24T34N.
Analognim načinom se dobijaju i ostali brojevi na Sl.2.2.2.
Na osnovu dobijenih rezultata se zaključuje da iz tačke 0 je najbolje krenuti u tačku T10, iz
T10 u T11, iz T11 u T21, iz T21 u T22, iz T22 u T23, iz T23 u T24, iz T24 u T34, iz T34 stići u
N. Time su odrađena i optimalna upravljanja na svakoj etapi i minimalan rashod koji je jednak
Rmin=10+12+7+10+9+8+9+8=73. (Optimalan put je na Sl.2.2.2 pojačan).
9. Primer 2.31:
Naći metodama DP
( )
2
3 2
2
1
2 3 max x x x F + + ·
uz ograničenja

. 0 , 0 , 0 , 10
3 2 1 3 2 1
≥ ≥ ≥ < + + x x x x x x
REŠENJE:
Ovde je
2
3 3 3 2 2 2
2
1 1 1
2 ) ( , 3 ) ( , ) ( x x f x x f x x f · · ·
te je

{ ¦ { ¦
1 1 1 1
2
1
2
1 1 1 1 1
0 0
, max ) ( max ) (
b x b x
b x x f b F
≤ ≤ ≤ ≤
· · ·
što znači da uslovno optimalno upravljanje na prvom koraku je
1 1 1
) ( b b x ·
. Zato je
{ ¦ { ¦
2 2 2 2
2
2 2 2 2 2 1 2 2 2 2
0 0
) ( 3 max ) ( ) ( max ) (
b x b x
x b x x b F x f b F
≤ ≤ ≤ ≤
· − + · − + ·
28
Operaciona istraživanja
{
. 3 0 , 3
3
2 2
2
2
2
≤ ≤
≥ ·
b je ako b
b je ako b
Iz toga se vidi da uslovno optimalno upravljanje na drugom koraku
je
2 2
2
~
) ( b b x ·
ako je
0 ) ( 3 0
2
2
~
2
· ≤ ≤ b x i b
ako je
. 3
2
≥ b
Dalje nalazimo
{ ¦ { ¦
3 3 3 3
3 3 2
2
3 3 3 2 3 3 3 3
0 0
) ( 2 max ) ( ) ( max ) (
b x b x
x b F x x b F x f b F
≤ ≤ ≤ ≤
− + · − + ·
to će biti:
10 0
max ) 10 (
3
3
≤ ≤
·
x
F

¹
¹
¹
'
¹
≤ ≤ − +
≤ ≤ − +
. 1 0 7 ) , 1 0 ( 3 2
, 7 0 , ) 1 0 ( 2
3 3
2
3
3
2
3
2
3
x x x
x x x
što daje:
. 10 ) 10 ( , 200 ) 10 (
*
3
~
3
· · · x x F
Odatle zaključujemo da je . 0
*
1
*
2
· · x x
10. Primer 3.4.1
Treba izvršiti kompleks koji se sastoji od 6 akcija a1, a2, … a6. Akcija a4 moze početi posle
završetka akcije a1 i a2, akcija a5 moze početi posle završetka akcije a2, a akcija a6 moze početi
posle završetka akcije a2 i a3. Predstaviti medđusobnu zavisnost navedenih akcija u vidu
strukturne tabele, odrediti rang svake akcije I konstruisati odgovarajucu mrezu kompleksa akcija.
A0
A1
A2
A3
A23
A12
A5
A4
A6
A56
A7
A8
A10
A
A9
a1
a2
a3
a4
a5
a6
a8
a7
a9
a10
Slika 3.4.2
REŠENJE:
Rešenje je prikazano je u tabeli 3.4.2 i na slici 3.4.2.
29
Operaciona istraživanja
Redni broj akcije Predhodne akcije rang
1 A1 - 1
2 A2 - 1
3 A3 - 1
4 A4 A1,A2 2
5 A5 A2 2
6 A6 A2,A3 2
30

Operaciona istraživanja

VRANJE, 2011.

Sadržaj:

1. Modeliranje date raspodele 2. Modeliranje diskretnih slučajnih promenljivih 3. Modeliranje slučajnih događaja (imitacija slučajnog opita) 4. Modeliranje neprekidnih slučajnih promenljivih 5. Metod Nojmana za modeliranje neprekidne slučajne promenljive 6. Modeliranje slučajne promenljive sa normalnom (Gausovom) raspodelom 7. Zadaci

3 3 5 7 9 10 13

2

Operaciona istraživanja

1. Modeliranje date raspodele
Pri rešavanju raznih problema pojavljuje se neophodnost modeliranja različitih slučajnih promenljivih tj. generisanja nizova slučajnih brojeva koji su u saglasnosti sa raspodelama tih slučajnih promenljivih. U ovom odeljku ukazaćemo na transformacije koje dozvoljavaju da se pomoću slučajnih brojeva Z sa ravnomernom (uniformnom) raspodelom (0, 1) (“standardna” slučajna promenljiva) modeliraju vrednosti bilo koje slučajne promenljive X.

2. Modeliranje diskretnih slučajnih promenljivih
Pretpostavimo da je potrebno dobiti vrednosti slučajne promenljive X sa raspodelom: (1.1)…

 x1, x2 , . xn. . ,    p1, p2 , . p.n  . ,
gde je
p i = P{ X = xi } , i =1,2,..., n,

∑p
i =1

n

i

= 1.

Razdelimo interval 0<y<1 na n podintervala ∆ , ∆2 ,..., ∆n . tako da dužina ∆ jednaka 1 i p i , i =1,2,..., n (sl. 1.1)

∆ 1

∆2

∆3

∆n

1

0 Slika: 1.1 Dokazaćemo stav: Stav 1.1: Slučajna promenljiva X, definisana formulom: (1.2)… X = xi kada Ζ ∈∆i ima raspodelu verovatnoća (1.1) Dokarz je veoma kratak:
3

p..2) možemo pisati: (1.3) .. da je suma verovatnoća glomaznih računanja obično se bira takav prirodni broj p1 . x2 ...1.n . p2 .. Na taj način dobijamo šest vrednosti slučajne promenljive Z. Operator 1 određuje slučajni broj z sa uniformnom raspodelom (0.1 može se uopštiti I na slučajnu promenljivu koja može da uzima beskonačan niz x1 . Zatim upoređujemo z sa p1 . x 2 . = p n = 1 n umesto formule (1. x 2 . tada upoređujemo z sa p1 + p 2 + p3 . Ako je z  p1 + p 2 . sa odgovarajućim verovatnoćama p1 .. tada je X = x1 . p1 + p 2 . a u suprotnom slučaj indeksom 0. x n i p1 . tada je X = x 2 .87 .. . . Zbog mogućih vrednosti n0 . strelica koja označava predaju upravljanja snabdeva se indeksom 1.... Da bi izračunali vrednost X nalazimo vrednost Z. p1 + p 2 + .. + p n0 bliska 1.. Ako je uslov.  0 Logički operator 2 predstavljen je šestouglom.01. ..5 0. Stav 1. 4 .4) … X:  x1.1) pomoću metoda o kojima smo govorili u prethodnim odeljcima.n0 ..1: Modelirati šest vrednosti slučajne promenljive X sa raspodelom: X: Rešenje: Kako su verovatnoće pi iz ove raspodele date na dve decimale to ćemo iz tablica slučajnih cifara I . ako je z  p1 .P( X = xi ) = P( Ζ ∈ ∆ i ) = dužina ∆i = pi .    p1. . Primer 1..17 0.. Operaciona istraživanja U slučaju jednakih verovatnoća p1 = . jer nisu potrebna višestruka upoređivanja.32 0.. i td.97 0. ako je z  p1 .. p1 + p 2 + p 3 ..2) pogodno je da se u memoriji elektronske računske mašine rasporede jedno za drugim vrednosti x1 . p 2 . sa bilo kog mesta uzeti uzastopnih šest parova slučajnih cifara I pomnožiti sa 0.. tada upoređujemo z sa p1 + p 2 . . Neka su to brojevi: 0.. p 2 . koga proverava logički operator ispunjen.. X = xi . ako je z  p1 + p 2 . x. + p n −1 . Neka je to z.. . Za praktičnu relaciju formule (1.90 0.. pa se zatim modelira slučajna promenljiva X sa raspodelom: (1. gde je i=1+C(nZ).. što znatno uprošćuje računanja.

49 0.53 odgovara vrednost X=0.76 0. 3..20 0. uzeti recimo prvih 10 parova slučajnih cifara I pomnožiti ih sa 0. 2. 0..Operaciona istraživanja ∆ . An kažemo da formiraju potpun system događaja ako su ti događaji u parovima disjunktni i ako ako je njihova unija daje pouzdan događaj. Na taj način modeliramo šest vrednosti slučajne promenljive X: 10.…. 2.48 0..28 0.75 0. . . ∆3 : 1 Na osnovu formule (1.1) podeliti na tri podintervala (0.01.2) vrednostima Z koje su manje od 0. U vezi sa tim podsetimo na pojam potpunog sistema slučajnih događaja. 0.22.17 ∈∆1 =(0. 1.2) sledi da je potrebno interval (0. Modeliranje slučajnih događaja (imitacija slučajnog opita) Modeliranje slučajnih događaja svodi se na modeliranje diskretnih promenljivih.2: Modelirati 10 vrednosti slučajne promenljive X sa raspodelom: X: Rešenje: Kako su verovatnoće pi date na dve decimale to ćemo iz tablica I . i td. i=1. Pretpostavimo da se kao ishod nekog opita može realizovati jedan od slučajnih događaja Ai . Na osnovu formule (1. 0. A2 ..  Ai =Ω .22) ⇒ X=2. 0. 0. i neka su date verovatnoće realizacije događaja Ai : pi = P ( Ai ) . A3 .28 0.. a vrednostima Z  0. 0.. (0.4) … Ai A j =⊗i = j . Ako sa Ω označimo pouzdan a sa ⊗ nemoguć događaj. An čine potpun sistem I može da se izrazi na sledeći način: (1.02 0. Za modeliranje takvih opita razmotrimo slučajnu promenljivu X koja je jednaka rednom broju realizovanog događaja. dobijamo sledeći niz vrednosti X: 0.39) te njemu odgovara vrednost slučajne promenljive X=10. 18.39.22.. tada činjenica da događaji A1 .39). Na taj način dobijamo 10 vrednosti slučajne promenljive Z: 0. Očevidno je da se raspodela za X daje tablicom: 5 . (0. Za slučajne događaje A1 . i= 1 n Kao primer događaja koji formiraju potpun system možemo da navedemo par slučajan od slučajnog događaja A i njegovog suprotnog događaja (komplementa) A . 8 Primer 1.. 1) . n koji čine potpun system događaja. 1.53 odgovara vrednost X=1. 1. Prema tome. ∆2 . 0. Slučajni broj 0.66 0. Slučajni broj 0. 0. A3 . 1. 0. A2 .22).58 . Zaista A A = ⊗ i A ∪ A = Ω. 18.32 pripada podintervalu ∆2 =(0.

Primer 1. čije su verovatnoće realizacija date: p A = P (A). Ako sa p označimo P(A) tada je P( A )= 1. Razmotrićemo potpuni sistem događaja: A1 = A ∩ B . kao mogući ishodu dva nezavisna. p B = P (B). tada se A Na osnovu stava 1.  Ekonomičniji način je sledeći. tada se realizovao događaj Ai .1 modelirati vrednost X. tada se realizovao događaj A. saglasna (nedisjunktna) slučajna događaja A i B. za n=2.Operaciona istraživanja (1. Specijalno. nezavisni možemo naizmenično da modeliramo njihovu realizaciju u svakom opitu: najpre po slučajnom broju z1 prethodnom metodom (1. Za realizaciju ishoda opita treba izabrati slučajni broj Z I na osnovu stava 1.3: Sa opitom su povezani. Njihove verovatnoće su. A4 = A ∩ B . A2 = A ∩ B . Ako je ta nejednakost ispunjena. ako je X= i. Modelirati njihovu realizaciju u svakom opitu.p. respektivno. Tada je raspodela za X data tablicom: (1. kao ishod opita javlja se par suprotnih događaja A1 = A i A2 = A .5) … IA : z  p . a zatim po slučajnom broju z 2 isto određujemo da li se realizovao B.1. a ako je z  p . A3 = A ∩ B . Neka je I A slučajna promenljiva (“indikator slučajnog događaja A”) koja uzima vrednost i kada se A realizuje i 0 kada se A ne realizuje (tj.6) određujemo da li se realizovao događaj A. za realizaciju opita treba naći slučajni broj Z i proveriti nejednakost nije realizovao. kada se realizuje A ).5) … X : ∑p i =1 n i = 1. Rešenje: Rešenje možemo da dobijemo na dva načina:  Posto su A i B. 6 .

p AB = P (AB). Uslov da se realizuje B je važenje nejednakosti z 2  P( B / A) . Modelirati njihovu realizaciju u svakom opitu. saglasna događaja A i B. čije su verovatnoće sada: .5) određujemo da li se realizovao događaj A.5) možemo da odredimo koji se od ova četiri disjunktna ishoda realizovao u modeliranom opitu. Uzimajući jedan slučajan broj z metodom (1.4: Sa opitom su povezana dva zavisna. . Rešenje: Kao i u prethodnom primeru i ovde možemo da postupimo na dva načina. ekonomičniji način je poći od istog sistema događaja. Najpre na osnovu broja z1 metodom (1. p B = P (B). Ako se A nije realizovao to se realizacija događaja B određuje pomoću uslovne verovatnoće P( B / A ) = ( p B − p AB ) /(1 − p A ) i nejednakosti z 2  P( B / A ) . Primer 1. koristeći dva slučajna broja z1 i z 2 . Operaciona istraživanja p3 = (1 − p A ) p B . p4 = 7 p 2 = p A (1 − p B ) . i date su verovatnoće: p A = P (A).p1 = p A p B .  Možemo najpre da izvršimo naizmenično modeliranje događaja A i B. Ako se A realizovao to znajući uslovnu verovatnoću P ( B / A) = p AB / p A možemo na osnovu broja z 2 da odredimo da li se realizovao B.  Kao i u prethodnom primeru.

sto je trebalo da se dokaže.2: Slučajna promenljiva X. zbog toga važi jednakost verovatnoća: P (x  X  ∆X ) = P [F(x)  Z  (x+ ∆X )]. te jednačina (1.p1 = p AB ..2). p 2 = p A − p AB . Iz formule (1. Dokaz: Funkcija F(X) monotono raste u intervalu (a. 1) (Sl. P [F(x)   (x+ Z F Y 1 F x( + z F ( x ) x ) X 0 a x X x + bx Slika 1. definisana na intervalu (a. uzimajući vrednosti od 0 do 1.F(x) = f(x) ∆X . Modeliranje neprekidnih slučajnih promenljivih Neka je X slučajna promenljiva neprekidnog tipa.b) (uključujući i slučajeve a= . sa gustinom f(x) i funkcijom raspodele F(x).7) … F(x) = ∫ f (t ) dt .1. gde je Z slučajna promenljiva sa uniformnom raspodelom na intervalu (0. dobija se eksplicitna formula za modeliranje slučajne promenljive X: 8 .∞ i b= ∞ ). Operaciona istraživanja p4 = 1 − p A − p B + p AB .7) ima jedinstveno rešenje pri svakoj vrednosti Z. p3 = p B − p AB . Stav 1. koja zadovoljava jednačinu (1..F(X) = Z Ima gustinu f(x).2 U slučajevima kada jednačina (1. gde je (1.8) može analitički da se reši po X. b). 4.7) sledi da je: x+ F ∆X )] = F (x+ ∆X ) .8) . a x Dokazaćemo stav.

gde je G(Z) inverzna funkcija u odnosu na Z= F(x)..e −ax =Z. F(x) = ∫ ae 0 x −at dt =1 − e −ax . f(x) = ae −ax . Primetimo da se u formulama (1..9) … X = G(Z).. U drugim slučajevima jednačina (1.10) … f(x) = x Za a   funkcija raspodele je: x b F(x) = ∫ f (t )dt = a x −a . Primer 1.. X= a+(b-a)Z.8) slučajna promenljiva Z može zameniti sa 1-Z s obzirom da ima istu raspodelu.9) rešava se numerički. a 9 .. ako je njena gustina oblika: (1. tj.. a Kako 1-Z ima istu raspodelu možemo da uprostimo: 1 ln Z. To u nekim slučajevima uprošćuje formule za izračunavanja. Lako se može pokazati da je matematičko očekivanje E(X) =1/a.12) . odakle se dobija eksplicitni izraz za X: (1. a  0..15) . b −a Iz formule (1.2) i (1. G(Z) = a+(b-a)Z.6: Za neprekidnu slučajnu promenljivu X kažemo da imamo eksponencijalnu raspodelu sa parametrom a  0. b) ako je njena gustina konstantna u tom intervalu: (1. Primer 1.5: Za neprekidnu slučajnu promenljivu X kažemo da ima ravnomernu (uniformnu) raspodelu u intervalu (a.16) . Za x  0 funkcija raspodele je oblika: (1.9) sledi da se X može izraziti pomoću Z na sledeći način: (1.14) . a disperzija D(X) =1/ a 2 . (1. Formula (1. 0  x ∞ ...8) dobija oblik: 1. X= X=1 ln(1-Z).Operaciona istraživanja (1..13) .

3).3). tada odbacujemo par ( z1 . x= X` ako je Y`  f(X`) ima gustinu f(x). tada stavljamo X= x`. y`) sa koordinatama x`= a + (b-a) z1 . slučaj kada je gustina f(x) slučajne promenljive X zadata grafički. 2. saglasno stavu (1. 1.Operaciona istraživanja 5.. 10 . Biramo dva slučajna broja z1 i z 2 i formiramo slučajnu tačku T(x`. z 2 ).3: Neka su Z 1 i Z 2 dve nezavisne slučajne promenljive sa ravnomernom raspodelom na (0. a ako tačka leži iznad krive.. kada je K konstanta (Sl. Pri praktičnoj realizaciji metoda Nojmana za modeliranje slučajne promenljive X sa gustinom f(x) postupamo.1) i neka je: (1. y`= K* z 2 . Ako tačka leži ispod krive y= f(x). Stav 1. X`= a+ (b-a) Z 1 . Y K y=f(x) y’ T a X x b X Slika 1.. i td.18) .8) po X može da bude veoma teško.. definisana uslovom: (1. na sledeći način.17) .3 Metod Nojmana zasniva se na sledećem stavu. 1. Neka je slučajna promenljiva X definisana na konačnom intervalu a  x  sa b ograničenom gustinom f(x) ≤ K. Metod Nojmana za modeliranje neprekidne slučajne promenljive U nekim slučajevima eksplicitno rešavanje jednačine (1. Y`= K * Z 2 Slučajna promenljiva X. To je na primer.

19) . Za slučajnu promenljivu Y kažemo da ima (“nestandardizovanu”) normalnu (Gausovu) raspodelu N(m. tj. Odatle sledi da će efektivnost ε biti najveća ako za K uzmemo najmanju moguću ax vrednost: K= mx  b f(x). saglasno kojoj se pri sumiranju dovoljno velikog broja nezavisnih slučajnih promenljivih. a metod Nojmana nije primenljiv zato što je interval mogućih vrednosti za X beskonačan. onda se ona svodi na verovatnoću da tačka T(X` . pri čemu je ta raspodela bliža normalnoj što je veći broj sabiraka..21) . ako je njena gustina oblika 11 .22) . gde je − ∞ m  ∞ . ε Operaciona istraživanja 6. a Postoje razna uopštenja ovog metoda kao i drugi metodi za modeliranje različitih slučajnih promenljivih. na čemu se mi nećemo zadržavati. tada iz (1. koje su uporedive po svojim disperzijama.21) dobijamo (1. što je očigledno i iz geometrijskih razmatranja. Y`) budu ispod krive y= f(x). koja je raspodeljena približno po normalnoj raspodeli. 1)..20) . na koju prethodna dva metoda za modeliranje nisu promenljiva.. 1 ε = P[Y`  f(X`)] = [(b – a) K] − . Oni se koriste kada prethodna dva metoda nisu efektivna.. neće biti odbačena) za određivanje vrednosti slučajne promenljive X. Kao sabirci uzimaju se slučajni brojevi tj.8): (1. slučajne promenljive Z 1 .1) (sa parametrima 0 i 1 ).. centralnoj graničnij teoremi teorije verovatnoća. f(x) = e 2.. je slučajna promenljiva X sa “stardanizovanom” normalnom raspodelom N (0.Ako pod efiktivnošću ovog metoda podrazumevamo verovatnoću da će tačka T biti iskorišćena (tj. 1 2π −∞ ∫e x − t2 2 dt = Z . Z k . φ(x ) = 1 2π −∞ ∫e x t2 − 2 dt . čija je gustina oblika: − 1 − ∞ x  ∞ . Ako sa φ−1 ( Z ) označimo inverznu funkciju za Laplasovu funkciju Z= φ( X ) . U slučajevima kada se modeliranje realizuje pomoću elektronskih računarskih mašina primenjuje se metod zasnovan na tkz.. Modeliranje slučajne promenljive sa normalnom (Gausovom) raspodelom Primer slučajne promenljive. 0  σ 2 ). (1. . koje su nezavisne i imaju ravnomernu raspodelu na intervalu (0. Z 2 . X= φ−1 ( Z ) . σ 2 ) (sa parametima m i σ 2 .. U praksi se dobra aprosikmacija postiže i sa relautivno nevelikim brojem sabiraka. 2π a funkcija raspodele (Laplasova funkcija) oblika: x2 (1.... Prvi metod nije promenljiv zato što se ne može rešiti eksplicitno po X jednačina (1. dobija slučajna promenljiva.

i= 1. 2. ...28) . i =1 6 X= ∑Z i =1 k i − K 2 (1. Lako se može pokazati smenom (1.. ..7: Modelirati četiri vrednosti normalne slučajne promenljive sa parametrima: 12 ..Operaciona istraživanja − 1 2 (1. k . Z k ...25) … σ prelazi se na standardizovanu normalnu slučajnu promenljivu X. σ 2π a funkcija raspodele. Z 2 .. K 2 3 U praksi se za k uzimaju vrednosti ne manje od 6 (k  6). a 2 ). 1). 1 F(y) = σ 2π −∞ ∫ y e − ( t −m ) 2 2σ 2 dt .. Neka je Z 1 .26) . Primer 1. možemo da modeliramo standardizovanu normalnu slučajnu promenljivu N(0 . možemo da modeliramo i normalnu slučajnu promenljivu N(m ..23) … f1 ( y ) = e 2σ . . i formule (1..24) . Z 2 . 1).. dok je matematičko očekivanje sume sličnih promenljivih uvek jednako sumi matematičkih očekivanja sabiraka... Prema tome. Iz teorija verovatnoća znamo da je disperzija sume nezavisnih promenljivih jednaka sumi disperzija sabiraka.27). Y= m + σ . prema tome. polazeći od slučajnih brojeva Z 1 . X. D( Z i )= 1/12 .σ = . . a pomoću nje. Z 2 . 2 i =1 σ 2 = D (Y ) = ∑ D( Z i ) = i =1 k K K .26). Z k niz od K nezavisnih slučajnih promenljivih sa ravnomernom raspodelom na intervalu (0.27) . 12 2 3 odakle je: Y −m = σ (1. k K m= E(Y)= ∑ E ( Z i ) = . . 1) i neka je: Y= Z 1 .. − ∞ y  ∞ . ima oblik: ( y −m ) 2 (1. Znamo da je E( Z i )= 1/2 . Z k = ∑Z i =1 k i . sa normalnom raspodelom N(0. . Prema tome. Iz (1... Recimo za k=6 je: X= 2 (∑Z i − 3) .25) takođe sledi veza: X= Y −m (1.. pomoću formule (1..

b.54 0.27) je: (1.47 0. σ =1. Prema (1. Rešenje: 2 a.48 0.83 – 6 = 0. X 4 koje smo modelirali pod a. b. ∑Z i =1 12 i : 4.3.52. iz formule (1. X 4 = 6.83 .26) sledi: Y= σ * X + m . modeliramo sledeće četiri vrednosti slučajne promenljive Y koja ima normalnu raspodelu N(2.1.80. k=12.2.Operaciona istraživanja a. σ =3.06 − 6 = 0.48 – 6 = . 2 k = 2 3.96 0. Z12 .20 0. Y 2 = . m=2.01. m=0.1. .29) … X= ∑Z i − 6 .. Dobijamo sledeće slučajne brojeve Z i : 0. i =1 12 Uzimamo iz druge vrste tablica i prvih dvanaest parova slučajnih cifara i pomnožimo ih sa 0.48 6.64 0.24 0.90 4.29) je X 1 = ∑ Z i − 6 = 6.9): za X 1 =0. na osnovu X 1 . uzimajući k=12 slučajnih brojeva Z 1 .18.06 . uzimajući iz treće četvrtine i pete vrste tablica i prvih dvanaest parova slučajnih cifara dobijamo sledeće sume to je X 2 = 4. σ 2 =9.1.83 . i =1 12 Analogno.62 + 2 = 2.37 0. Za m=2.06 Y 1 =3 * 0.05 0. X 3 .. Analogno se određuju i ostale vrednosti za Y: Y 1 = . Y 13 . Na osnovu formule (1.42 0.90 – 6 = -1. X 3 = 4.56. k =6 . X 2 .98 0. .

X1 = 30 X2=55. X1 = -50 X2=64. uz ograničenja: 5X1 + X2 670 5X1 + X2 =670. 14 . 350X1 + 270X2=0. a radionica R2 najviše 285 radnih časova. Kako organizovati proizvodnju pa da dobit bude maksimalna? REŠENJE: X1 – broj proizvedenih artikala tipa A X2 – broj proizvedenih artikala tipa B Funkcija cilja. Ti artikli se moraju izrađivati u dvema njenim radionicama R1 i R2. Radionica R1 može da za proizvodnju artikla A i B izdvoji najviše 670 radnih časova. X1 = 0 X2=95. Linearni proizvodni problem Preduzece planira da odpočne proizvodnju dveju vrsta artikala A i B. Te podatke Artikli unosimo u tabelu 1. X1=0 X2= 670.1: R1 5 1 R2 4 3 Tabela 1. a od B 270din.81. Zadaci 1. X1= 134 X2=0. odnosno A B 3 radna časa. izgledaće: (max)F=350X1 + 270X2 .1 Čista dobit od prodaje jednog artikla tipa A je 350din. Za jedan artikal tipa b potrebno je Radionice respektivno 1. X1 = 0 X2=0. Za proizvodnju jednog artikla tipa A mora se u radionici R1 utrošiti 5 radnih časova I u R2 4 radna časa.Operaciona istraživanja 7. koju treba maksimizirati. F=0. 4X1 + 3X2 285 4X1 + 3X2 =285.

Zadatak o dijeti Od raspoloživih vrsta hrane treba sastaviti takvu dijetu koja će. B i C. biti najjeftinija.). Dobit će biti maksimalna ako se artikal A ne proizvodi i ako se proizvede 95 artikala tipa B. s druge strane..1.Operaciona istraživanja x2 700 600 Fmax= F(A)= F(0. 15 0 F= -400 -300 -200 -100 500 400 300 200 100 A 0B C 100 200 300 400 500 600 700 x1 30 30 35 35 . Imamo dve vrste proizvoda P1 i P2 koji sadrže hranljive sastojke A. 2. s jedne strane zadovoljavati minimalne potrebe organizma u hranljivim sastojcima (belančevinama. mastima. 95)= 25650. Količine hranljivih sastojaka određene vrste u jednom kilogamu hrane date su u tebeli: A B C P1 P2 25 13 Tabela 2..

265.71. B i C su redom: 245. i mora biti: 25X1 + 13X2 245.71 X2= 0. 7X1 + 12X2=0. 35X1 + 35X2 130. X1=3. 30X1 + 30X2=265. To će koštati: F=7X1+ 12X2 dinara. X1 = 0 X2=3. 35X1 + 35X2 130. X1 = 0 X2=8. analogno nalazimo: 30X1 + 30X2 265. 30X1 + 30X2 265. pri ograničenjima: 25X1 + 13X2 245.71.71 X2=0.8 X1= 2 X2= 0.83. 35X1 + 35X2 130. 6X1 + 6X2=53. 25X1 + 13X2=245. Navedena razmatranja nas vode do sledećeg zadatka linearnog programiranja: Naći: (min)F=7X1 + 12X2.Operaciona istraživanja Minimalne dnevne potrebe organizma za sastojcima A. X1=3. F=0. X2 – količina proizvoda P2 uneta u organizam u toku jednog dana. X1 = 8. REŠENJE: Neka je: X1 – količina proizvoda P1 uneta u organizam u toku jednog dana. 16 .u kilogramima. 130. X2=15.83 X2=0. X1=0 X2= 3. Količina hranljive materije A u obema vrstama proizvoda je ukupno 25X1 + 13X2. X1=9. a cene jednog kilograma proizvoda P1 odnosno P2 su 7 odnosno 12 dinara.

1 17 II 40 95 . 0) = 68.8kg proivoda P1. a proizvod P2 zanemarimo. Time ce biti zadovoljene minimalne potrebe organizma za hranljivim sastojcima i biće najjeftinija dijeta. 3. Podaci o prinosima dati su u tabeli: Kultura Imanje Pšenica Kukuruz Prinosi (c/ha) I 70 75 Tabela 3.6 Najbolju dijetu ćemo postići ako u toku jednog dana u organizam unesemo 9. Agronomski proizvodni problem Naći optimalnu raspodelu sejanja pšenice i kukuruza na dva imanja (I i II) od po 105 odnosno 265 hektara.Operaciona istraživanja x2 15 14 13 12 1 1 10 9 8 7 6 5 4 3 2 1 -1 0 1 2 3 4 5 6 7 8 9 10 x1 5 24 x2= 13 x1+ 25 F=0 1 7x 26 = x2 +7 6x 1+ 6x 2 3 =5 F(min)=F(9.8. koja su različita kvaliteta.

ukupan prinos kukuruza.14 X2=0. uz ograničenja: 70X1 + 40X2 5400.733 X2=0. X1 = 0 X2=0. predstavlja funkciju cilja i treba je maksimizirati. -5050X1 – 19050X2 = 0. 7X1 + 4X2 = 540. X1 = 105. F=0. (max)F= 260(70X1 + 40X2) + 310[ 75(105-X1) + 95(265-X2) ] = = 18200X1 + 10400X2 + 310( 7875 – 75X1 + 25080 – 95X2) = = 18200X1 + 10400X2 + 2441250 – 23250X1 + 7774800 – 29450X2 = = -5050X1 – 19050X2 + 10216050 (max)F= -5050X1 – 19050X2 + 10216050. 101X1 + 381X2 = 0.51. 265-X2 0. Gde i koliko posejati pšenice odnosno kukuruza pa da proizvodnja ostvari maksimalnu dobit? REŠENJE: Označićemo sa X1 površinu zasejanu pšenicom na imanju I. 265-X2 . Ukupan prihod.ukupan prinos pšenice. Cena jedne centi pšenice je 260din. tj dobit.75.površina zasejana kukuruzom na imanju I. X2 = 265. Sledi: 105-X1 .Operaciona istraživanja Treba obezbediti najmanje 5400c (metričnih centi) pšenice i 8750c kukuruza. 75(105-X1) + 95(265-X2) 8750. 18 . 75(105-X1) + 95(265-X2) . X1 = 0 X2=135. X1 = 322.površina zasejana kukuruzom na imanju II. X1 = 105 X2=48. 32955 – 75X1 – 95X2 = 8750. a jedan cent kukuruza 310din. 70X1 + 40X2 . X1 = 0 X2=254. X1 = 77. -5050X1 – 19050X2 + 10216050 = 0. X1 = -100 X2=26. 15X1 + 19X2 = 4841.79. a sa X2 površinu zasejanu pšenicom na imanju II. 105-X1 0.

P2 i P3) pa da budu zadovoljene sve potrebe potrošača i da cena bude najniža? 19 .79 + 10216050 = 5 362 300.5 Da bi smo obezbedili potrebne količine kultura i ostvarili najveću dobit treba na imanju I zasejati 105-X1. Rudnici R1 R2 Potražnje P1 1 23 200 P3 14 3 120 Ponude 280 320 Kako organizovati transport (tj koliko tona uglja poslati iz R1 i R2 u P1. Transportni problem Imamo dva rudnika R1 i R2 koji mesečno mogu isporučiti ukupno 280 i 320 tona uglja. odnosno 105ha kukuruza.Operaciona istraživanja x2 600 500 400 300 254. a na imanju II 254. 254.14 100 200 300 400 500 600 700 x1 F=0 (max)F = F(A) = F(0. odnosno 10.21ha kukuruza.1. Cene prevoza 1t uglja od proizvođača do potrošača su u tabeli: Potrošački centri P2 2 2 280 Tabela 4.75 200 135 B 100 A E x2=256 -200 -100 0 D C 77. 280 i 120 tona uglja respektivno. Imamo dalje tri potrošačka centra P1.79) = -5050*0 – 19050*254. P2 i P3 kojima je potrebno redom 200.79ha pšenice i 265-X2. 4.

X1 = -66. -46X1 – 11X2 + 8600 = 0. F = 0. Sa X2 označićemo količinu uglja koja se iz rudnika R1 prevozi do potrošačkog centra P2.Operaciona istraživanja REŠENJE: Sa X1 označićemo količinu uglja koja se iz rudnika R1 prevozi do potrošačkog centra P1. Sledi: 280 – X1 – X2 / količina uglja koja se iz rudnika R1 prevozi do potrošačkog centra P3/ 200 – X1 / količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P1/ 280 – X2 / količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P2/ 320 – (200 – X1 + 280 – X2 ) = X1 + X2 . sa ograničenjima. X1 = 0 X2=280. X1 + X2 = 160.160 0. 200 – X1 0. 20 . -46X1 – 11X2 = 0. 280 – X2 0. (min)F = -46X1 – 11X2 + 8600. X1 = 160 X2=0.96 X2=280.160)= = X1 + 2X2 + 3920 – 14X1 – 14 X2 + 4600 – 23X1 + 560 – 2X2 + 3X1 + 3 X2 . X2 = 280. X1 + X2 = 280. 280 – X1 – X2 0. X1 = 0 X2=160. X1 = 0 X2=0.480= = -46X1 – 11X2 + 8600. X1 + X2 . X1 = 280 X2=0.160 / količina uglja koja se iz rudnika R2 prevozi do potrošačkog centra P2/ Funkcija cilja će izgledati: (min)F = X1 + 2X2 + 14(280 – X1 – X2) + 23(200 – X1) + 2(280 – X2) + 3(X1 + X2 . X1 = 200.

6 6 . odnosno količinu uglja(u tonama) koju treba poslati iz rudnika u potrošačke centre. a da bi pri tom bile zadovoljene sve potrebe potrošača i da bi cena bila najniža. 2 =2 80 Potrošački centri P2 160 120 280 P3 120 0 120 Ponude 280 320 21 .1 0 0.160) = 8600 – 46*0 – 11*160 = 6840 Organizaciju transprta.: F=0 Rudnici R1 R2 Potražnje P1 0 200 200 Tabela 4. prikazacemo u Tabeli 4.Operaciona istraživanja x2 4 0 0 3 2 0 8 0 A 0 x2 = 2 8 0 2 0 0 1 6 0 B 1 0 0 E . 9 6 0 C 1 0 0 1 6 0 2 D 0 0 2 8 30 0 0 4 0 0 x1 x1 +x x 1= 2 0 0 F(min)= F(0.2.2.

X1 + 4 X3 + X4 + 5 X5 = 72. P(N3)= 0.2. X1 2X2 X1 X2 X1 X2 . X3.9X3 + 0. X3 = X6 = .3 Imamo četiri vrste oružja koje treba rasporediti na šest nosača.X1 + X2 0 12 6 X1 X2 22 . P(N4)= 0. i sve ostale ćemo izraziti preko njih.9X1 + 0. X4 = . Rezerve oružja i nosivosti nosača dati su u tabeli: Tip oružja I II III IV N1 6 1 1 0. X5. X1 0. X3 0. X2. X1 + 5 X2 + 6X6 = 20.9.1 Tabela5. X5 = 12 – 2X2.4X6 Uzećemo X1 i X2 kao slobodne promenljive.X1.1.1X4 + 0. X5 0.5X2 + 0. P(N2)= 0.5 N3 4 0. X6 – Broj nosača 6X1 + 8 X4 = 28.6.Operaciona istraživanja 5. . X4 0. X2 0.9. N5 1 5 0.2 N6 6 0.X1 X2.1.2X5 + 0.9 N4 8 1 0. P(N6)= 0. 2X2 + X5 = 12. X6 0. P(N5)= 0.X1) – 5(12 – 2X2) = 72 – X1 + X1 – 60 + 10X2 = . (min)F= 0.4. Koju količinu i vrstu oružja treba da nosi svaki nosač da bi gubitci koje može da nanese neprijatelj bili minimalni? REŠENJE: X1.X1 0 12 – 2X2 0 .4 Rezerve oružja 28 12 72 20 U dnu tabele su date verovatnoće pogađanja – uništenja nosača od strane neprijatelja P(N1)= 0. Primer 1. 4X3 = 72 – X1 – ( .9 N2 2 5 0. X4.X1 + 10X2.5.X1 + X2.

X1 - X2 0 X1 + X2 X1 + X2 F = 0. X1 .067X1 – 0.1 1 C 0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 x1 x -2 0 5 x 2= 1 4 .655.8.655 = 0. pri ograničenjima X1 .35 – 0.6455X1 + 2..9X1 + 0.9X1 + 0.02X2 + 5.5X2 + 1.Operaciona istraživanja .4 – 0.1125X1 + 2. X1 = . X1 = 0 X1 = 10 .3 23 F=0 .6455X1 + 2.5X2 + 0. X1 – 20X2 = 14. 0. X1 + X2 X1 + 5X2 = 20.2. X2 6.5X2 .33 – 0.78.4X2 + 1.33X2 = (min) F = 0.1 . X2 = 2. X2 = 4.1 . X1 = 0 X1 = 4 X2= . X2 = .X1 ) + 0.2 .02X2 + 5.4( .9( . X1 = 0 X2 = .075X1 + 2.575 – 0. x2 x 1 = 1 4 /3 7 6 x2 = 6 5 4 A 3 D 2 x 1+ 5 x 2 =20 1 B .76 X2 = 0.2(12 – 2X2) + 0.X1 - X2) = = 0.25X2 + 0. F = 0.X1 + X2) + 0.

X4 = 10.X1 . 5X1 – X2 + X4 = 10 -3X1 + X2 + 4X3 + X5 = 1 X1 + X2 – 3X3 + X6 = 6 X4 = 10 . 6. X4. X2 = 0. Nosači oružja N1 i N2 su bez oružja.0. Primer 1.X2 + 3X3 X1 = 0. Oružje IV . odnosno 20 oružja rasporediti na nosač N6. X5 i X6 – bazisne promenljive.1 Naći simpleks metodom (max)F = 7X1 – 2X2 + 2X3.0. Oružje II .4X3 X6 = 6 . X4 = .sve reyerve.Operaciona istraživanja F(min)= F(0.655.sve reyerve. M1(0. na nosač N4 4 oružja i na N5 60 oružja.X1 + X2 = .X1 X2 = .X2 .1. X2 i X3 – slobodne promenljive. X3 = .0) = 5.5X1 + X2 X5 = 1 + 3X1 . Da bi gubitci koje može da nanese neprijatelj bili minimalni oružje treba da rasporedimo na sledeći način: Oružje I . X5 = 1. pri ograničenjima: REŠENJE: Da bi smo iz zadatog osnovnog oblika prešli na kanonični oblik treba uvesti dopunske promenljive X4. X6 = 6. Oružje III – na nosač N3 rasporediti 7 oružja. odnosno 12 oružja rasporediti na nosač N5. F = 7X1 – 2X2 + 2X3 + 0*X4 + 0*X5 + 0*X6 X1.6) F(M1) = 0 24 . X5 = 12 – 2X2 = 12. X6 = .sve reyerve. X5 i X6.10.7. X3 = 0.X1 = . odnosno 28 oružja rasporediti na nosač N4.

X4 = 0. X5 . X3. X4. X3.slobodne promenljive X1. X4 . X4.0.0.X1 . X2 = 0.7. X5. što znači da će promena vrednosti X1 voditi bržoj promeni funkcije F. X1 B X1 ↑ 0 2 0 + ∞ X4 = 10 . X6 .4) F(M2) = 14 X3 B X2 X4. X5 = 7.Operaciona istraživanja U funkciji cilja F uz promenljive X1 i X3 stoje pozitivni koeficijenti (7 i 2). 6} =2 ∞ ↑ 0 X1 B X4 X2. X6 = 4.X2 + 3X3 X1 ↑ 0 6 X1 ↑ X1 min { 2 . + } =7 4 in ∞ ∞ X1 ↑ 0 X3 B X5 X2.bazisne promenljive X3 = X2 X2 X4 X4 X2 X5 X5 X1 = 2 + X6 = 4 X6 = - X2 + 3*( X2 X4 - X4 - X5) + X4 = - X2 - X4 - X5 25 . X1 ↑ 0 7 + ∞ X5 = 1 + 3*(2 + X6 = 6 – 2 F = 7(2 + F= 14 - X2 – 4X3 X2 + 3X3 + X2 - X4 X4 X2 + X2 - X4 – 2X2 + 2X3 = X2 + 2X3 - X1 = 2 + X5 =7 X6 =4 - X2 – 4X3 X2 + 3X3 + X1 ↑ 0 4 X1 ↑ 0 + ∞ m { + .5X1 + X2. X4. Drugim rečima promenljiva X1 će postati bazisna promenljiva. X6 .4X3 X6 = 6 . X3 = 0. 7 4. X5 = 1 + 3X1 . M2(2.X2 .slobodne promenljive X1. Uz promenljivu X1 je veći koeficijent.bazisne promenljive X1 = 2 + X2 X4 X2 X4) – X2 – 4X3 =7 X4 – X2 + 3 X3 = 4 X4) – 2X2 + 2X3 = 14 + X4 X1 = 2.0. što znači da će vrednost funkcije F rasti povećavanjem njihovih vrednosti. + .

Fmax = F(M3) = 17. X4 = 4 . X3 = 30.50.X1 + 4X2. F(M3) = 17. X2 = 0. X3 = .5 7.X1 + 4X2 X5 = 50 . X5 = 0. X6 = M3(2.X2 X1 = 0.7.0. X4. X2 . X2 B X6 26 X1 ↑ 10 X1 ↑ X1 ↑ 0 0 + ∞ 0 + ∞ X1 ↑ 0 2 X1 m {10 .0. pri ograničenjima: REŠENJE: (min)F = 8X1 – 2X2 -2X1 + 3X2 + X3 = 30 X1 – 4X2 + X4 = 4 5X1 – 4X2 + X5 = 50 -2X1 + X2 + X6 = 2 X1. X5 = 50. . X6 = 2. X5 = 50 .30. 2} =2 in ∞ ∞ ↑ 0 .slobodne promenljive X3. X4 = 4.X2. M1(0.3X2 X4 = 4 .2) F(M1) = 0 X2 B X3 =30 + 2X1 . + .3X2. + . X6 = 2 + 2X1 .4. X4 = 0.5 ) .Operaciona istraživanja F= 14 X4 F= - X2 + 2( - X2 - X4 - X5) - X4 = 14 - X2 + - X2 - X4 - X5 - X2 - X4 - X5 X1 = 2.0.0. X2 = 0. Primer 1.bazisne promenljive X3 =30 + 2X1 . X5 i X6 .5X1 + 4X2 X6 = 2 + 2X1 .2 Naći: (min)F = 8X1 – 2X2.5X1 + 4X2.

X1 + 4(2 + 2X1 – X6) = 4 – X1 + 8 + 8X1 – 4X6 X4 = 12 + 7X1 – 4X6 X5 = 50 – 5X1 + 4X6 F = 8X1 .1 Slika 2.4. Primer 2. U bilo kojoj tački Tij da se nađe moze se kretati samo udesno (ka tački Ti +1. M2(0. Rashodi koje na putovanju ima dati su na slici 2. j = 0.2.pri čemu ćemo posebno izdvojiti tacku T44 ≡ N . Kojim putem da ide? j 5 4 8 3 8 2 10 1 15 0 12 12 8 8 10 7 9 11 12 1 10 10 8 7 9 8 9 10 13 2 9 11 10 9 13 8 10 10 11 14 3 13 12 13 N 11 11 12 j 5 4 3 2 1 I 0 39 46 50 59 73 27 34 42 51 63 1 2 17 25 34 44 57 3 8 18 28 39 53 4 N 11 22 34 48 I 14 14 4 Slika 2.3.bazisne promenljive X2 = 2 + 2X1 – X6 X3 = 30 + 2X1 – 3(2 + 2X1 – X6) = 30 + 2X1 – 6 – 6X1 + 3X6 X3 = 24 – 4X1 + 36X6 X4 = 4 .1. X3 = 24.Operaciona istraživanja X1. X4 = 4. X3.2. X4 i X5 .0) F(M2) = -4 Fmin = F(M2) = -4 8.2 xy Celobrojne jedinične tacke Uočimo u kordinatnom sistemu O Tij ≡ T ( i. X6 = 0. j +1 . Zamislimo da se u tacki 0 nalazi jedan automobilista koji treba da stigne u tacku N. X6 . j )( i.2.1 on postavlja sebi zadatak da iz tačke 0 stigne u tačku N sa minimalnim rashodom.50. X5 = 50. X2 = 2.24.2 REŠENJE: 27 . j ) ili “naviše” ka tački Tij .2.slobodne promenljive X2.4 ) .2.2(2 + 2X1 – X6) = 8X1 – 4 – 4X1 + 2X6 = 4X1 + 2X6 – 4 X1 = 0.2.

11 + 18 R( T14 N ) = 10 + R( T24 N ) = 10 + 17 = 27. f 3 ( x3 ) = 2 x3 te je F1 (b1 ) = max { f 1 ( x1 )} = max x12 = b12 . Odgovarajući rashodi su r ( T34 N ) = R ( T34 N ) = 8. R( T32T42 ) + R( T42 N )} = To znači da put T14 u N je T14 T24T34N.Operaciona istraživanja Neka je tacka B jedan od punktova I neka je “za jedan korak” (u jednoj etapi) dostižna iz tačke A. Time su odrađena i optimalna upravljanja na svakoj etapi i minimalan rashod koji je jednak Rmin=10+12+7+10+9+8+9+8=73. R( T33 N ) = min{ r ( T33T34 ) + r ( T33T43 ) .2) Tačke iz kojih se u tri etape moze stici u tacku N su T14. f 2 ( x 2 ) = 3 x 2 . T32 i T41. T23. Na osnovu dobijenih rezultata se zaključuje da iz tačke 0 je najbolje krenuti u tačku T10. iz T22 u T23.2.2. { } 0 ≤ x1 ≤ b1 0 ≤ x1 ≤ b1 što znači da uslovno optimalno upravljanje na prvom koraku je x1 (b1 ) = b1 . T33 i T42.2 pojačan).2. To su tačke T34 i T43.13 + 11} = 1 te je i T33 najbolji put (sa najmanjim rashodom) T33 i T34N . r ( T43 N ) = R ( T43 N ) = 11 . iz T11 u T21. Minimalni rashodi od njih do tacke N su tačke R( T24 N ) = 9 + 8 = 17. x1 ≥ 0. REŠENJE: 2 Ovde je f 1 ( x1 ) = x12 .Ako je tacka C dostižna iz tačke A za k ( k ≥1) etapa označimo odgovarajuci minimalni rashod sa R(AC). Posmatrajmo prvo tacke iz kojih se u jednoj etapi moze stići u tacku N.2. iz T10 u T11. iz T24 u T34. Zato je F2 (b2 ) = max{ f 2 ( x 2 ) + F1 (b2 − x 2 )} = max 3x 2 + (b2 − x 2 ) 2 = { } 0 ≤ x 2 ≤ b2 0 ≤ x 2 ≤ b2 28 . Najmanji rashodi od njih do tacke N su: = min{8 + 17.2. Tačke iz kojih se u dve etape moze stići u tacku N su tačke T24. iz T34 stići u N. x 2 ≥ 0. (Optimalan put je na Sl.12 + 22} = 28 } = 25. R ( T23 N ) = min{ R( T23T24 ) + R ( T23T24 ) + R ( T24 N ).2. R ( T23T33 ) + R( min{10 + 18. Analognim načinom se dobijaju i ostali brojevi na Sl. Primer 2. r ( T33T43 ) + r ( T43 N )} = min{10 + 8. iz T23 u T24. R( T32 N ) = min{ R( T32T33 ) + R( T33 N ). iz T21 u T22. Označimo odgovarajuci rashod sa r(AB). jer iz T42 jedini (znači i najbolji) put je T42 T43N (videti sliku 2. 9.31: 2 Naći metodama DP ( max ) F = x12 + 3 x 2 + 2 x3 uz ograničenja x1 + x 2 + x3 < 10 . r ( T42 N ) = 11 + 11 = 22. x3 ≥ 0.

4.2. odrediti rang svake akcije I konstruisati odgovarajucu mrezu kompleksa akcija. Primer 3. Dalje nalazimo 2 F3 (b3 ) = max { f 3 ( x3 ) + F2 (b3 − x3 )} = max {2 x3 + F2 (b3 − x3 )} 0 ≤ x3 ≤ b3 0 ≤ x3 ≤ b3 to će biti: ~ ~ F3 (10) = max 0 ≤ x3 ≤ 10  2 x32 + (1 0− x3 ) 2 . … a6.1 Treba izvršiti kompleks koji se sastoji od 6 akcija a1. A5 A1 a1 A12 a5 a7 A7 a9 A9 A56 a8 A0 a2 a3 A2 A23 A8 a10 a4 A10 A A3 A4 a6 A6 Slika 3. ako je 0 ≤ b2 ≤ 3. Iz toga se vidi da uslovno optimalno upravljanje na drugom koraku je x 2 (b2 ) = b2 ako je 0 ≤ b2 ≤ 3 i x 2 (b2 ) = 0 ako je b2 ≥ 3. akcija a5 moze početi posle završetka akcije a2.4. ~ * * * što daje: F3 (10 ) = 200 .0 . a2. Akcija a4 moze početi posle završetka akcije a1 i a2. 10.2 i na slici 3. Odatle zaključujemo da je x 2 = x1 = 0. x (10 ) = x3 = 10 . a akcija a6 moze početi posle završetka akcije a2 i a3.2 REŠENJE: Rešenje je prikazano je u tabeli 3.4. Predstaviti medđusobnu zavisnost navedenih akcija u vidu strukturne tabele. 29 . 0 ≤ x3 ≤ 7.4.= b ako je b2 ≥ 3 2 2 { Operaciona istraživanja 3b2 .  2  2 x3 + 3(1 0− x3 ) 7 ≤ x3 ≤ 1 .

Operaciona istraživanja Redni broj 1 2 3 4 5 6 akcije A1 A2 A3 A4 A5 A6 Predhodne akcije A1.A2 A2 A2.A3 rang 1 1 1 2 2 2 30 .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->