You are on page 1of 82

1

Uvod

Modeli i metodi Operacionih istraivanja

Predmet Operacionih istraivanja

Poetkom etrdesetih godina formirana je u Velikoj Britaniji grupa istraivaa nazvana
operativnom grupom, dok je neto kasnije, njenim proirenjem, promovisana posebna nauna
aktivnost nazvana operacionim istraivanjima. Osnovni zadatak ove grupe je bio da
primjenom postojeih i razvojem novih naunih metoda na kvantitativnim osnovama daju
odgovore po pitanju najboljeg ili dovoljno dobrog funkcionisanja: tehnikih,
organizacionih, ekonomskih i drugih sistema u postojeim uslovima. Roi (Rou, .),
rukovodilac istraivakog tima u Bodsiju (Bawdsey Research Station), meu prvima je
upotrijebio termin operaciona istraivanja za specifine poslove koje je razvijala i
primjenjivala ova grupa. Poetkom pedesetih godina nastavilo se sa razvojem nove discipline,
koja u osnovi sadri integraciju raznih disciplina. Tokom te decenije, za veoma kratko
vrijeme, ova nauka dala je privredi znaajan niz korisnih metoda za rjeavanje brojnih
zadataka iz industrije, eksploatacije rudnog bogatstva, transporta, nalaenja optimalnog
proizvodnog programa, utvrivanje najboljeg redoslijeda proizvodnje, planiranja realizacije
sloenih projekata i sl. U tom periodu proizvodno - poslovni sistemi zahtijevali su intenzivna
istraivanja na podruju protoka novca, proizvoda i usluga, pa se javila nauka o poslovnom
upravljanju (Management Science) sa nizom dodirnih taaka sa operacionim istraivanjima, u
pogledu razvijenih modela i metoda i njihove primjene. Ova granica posljednjih decenija
postepeno se izgubila mada su ostala samo specifina podruja primjene metoda kod jedne u
odnosu na drugu disciplinu. Iako definicija predmeta Operaciona istraivanja nije
jednoznana, zbog njene interdisciplinarnosti, ovdje joj se daje uoptena formulacija:
operaciona istraivanja predstavljaju skup kvantitativnih modela i metoda pomou kojih se
odreuju nova rjeenja na osnovu naunih principa optimizacije ili suboptimizacije. Meutim,
definicija za operaciona istraivanja u medicinskim ili nekim drugim naukama bila bi slina
kao prethodna, ali sa odreenim specifinostima u njenoj konkretizaciji. U svakom sluaju
oblikovanje modela problema i razvoj i primjena metoda operacionih istraivanja zahtijevaju
djelovanje tima strunjaka raznih specijalnosti. Kao primjer, za oblikovanje tokova materijala
u mainogradnji potrebno je angaovati: sistem analitiara tokova, inenjera tehnolokog
postupka, ekonomistu za kalkulaciju trokova proizvodnje i njene integralne podrke,
matematiara za oblikovanje matematikog modela i algoritama planiranja i upravljanja
proizvodnjom i programera koji e tom modelu dati softversko izdanje. Dakle, ovaj tim ljudi,
kao operacioni istraivai, odgovorni su za racionalno rjeenje i postavljanje funkcije
kriterijuma, i to u pogledu npr: poveanja dobiti, smanjenja trokova tokova, poveanja
vremenskog i resursnog kapaciteta proizvodnje i sl. Pomenuti zadatak nije ni malo lak. Pored
definicije relevantnih faktora tokova i uspostavljanja zavisnosti izmeu elemenata
proizvodnje i njenih ogranienja, primjena tehnike operacionih istraivanja zahtijeva
oigledno dobru bazu da bi realni problemi bili vjerodostojno rijeeni, a zatim uspjeno
primijenjeni u praksi. U tom smislu, koncepcija ovoga udbenika je orijentisana ka teorijskom
shvatanju odabranih modela i metoda, kojih ima i deterministikih i stohastikih, zbog veeg
pribliavanja tih modela obiljejima realnih entiteta. Pod entitetom se podrazumijevaju
pojmovi iz realnosti (realitet) kao to su: sistemi, procesi, pojave, dogaaji, itd. koji su
interesantni za prouavanje, a koji su u vezi sa proizvodnjom, obrazovanjem, ekonomijom i
sl. Fiziki entitet predstavlja najee materijalne objekte sa strukturama odreenog stepena
sloenosti.
2

Matematiki modeli i njihovo modelovanje

Model nekog objekta, po optoj definiciji, predstavlja ureen skup informacija kojima se
iznosi predstava o entitetu. Entitet je u ovom sluaju, kao to je reeno, realni objekat,
odnosno objekat koji je predmet i baza za modeliranje. ko matematiki model dobro
prezentuje problem, tada se oekuje da i rjeenje dobijeno pomou modela bude adekvatno
postavljenom problemu. Poznato je u veini sluajeva, da bi se primijenila neka metoda,
potrebno je na osnovu modela matematiki formalizovati problem. Meutim, za rjeavanje
mnogih modela jo nisu pronaene efikasne metode rjeavanja. Modeli treba da omogue
ovjeku da predvidi i upravlja pojavama, odnosno entitetima. U tehnikim disciplinama trai
se matematiki model koji prua racionalnu interpretaciju funkcionisanja realnih entiteta.
Matematiki model stvarnog entiteta predstavlja ureen skup matematikih relacija (formula,
jednaina, nejednaina, logikih uslova, relacionih operatora, operanata i sl.) koji opisuju
entitet, odnosno odreuju njegove karakteristike. esto, zbog sloenosti entiteta i interakcije
sa njegovim okruenjem, usvajaju se samo primarne osobine entiteta i parametri njegove
interakcije sa okolinom. U tom smislu, u procesu matematikog modeliranja problema, koji se
vezuje za realni entitet, treba voditi rauna o sljedeem:
- Model je samo jedna matematika formulacija odreenog stepena aproksimacije entiteta.
Koliko e on biti detaljan, zavisi od kompleksnosti zadataka, raspoloivosti metodama
(algoritamske, heuristike) za njegovo rjeavanje, vjetine i potrebe korisnika da razviju
model na dovoljnom i potrebnom nivou i apliciraju postupke za rjeavanje takvog modela.
- Matematiki model ne moe da prui uvijek novu informaciju o entitetu, kao i da ga
zamijeni, ali moe na osnovu dobijenih rjeenja da stvori vjerodostojniju sliku o entitetu i
njegovim funkcijama.
- Operacionom istraivau se omoguava, na osnovu korektno postavljenog modela,
eksperimentisanje tim modelom, ime se stvara vea pogodnost za donoenje kvalitetnijih
odluka na kvantitativnim i kvalitativnim osnovama.
Modeli u operacionim istraivanjima su egzaktne prirode i oblikuju se na osnovu formalnih
jezika poznatih u matematici. Uglavnom susreemo sljedee naine i porijeklo njihovog
oblikovanja:
- Na osnovu eksperimentalnih podataka.
- Na osnovu provjerenih matematiko-fizikih zakona o ponaanju entiteta,
- Pomou analize i sinteze kao originalnog, kombinovanog, odnosno izvedenog postupka o
meusobnim zavisnostima promjenljivih u entitetu.
Matematiki modeli sadre klasu objekata simboliki definisanih (skalari, vektori, matrice) i
relacije izmeu njih. Mnotvo relacija se opisuje matematikim operacijama koje meusobno
povezuju jedan ili vie operanada. Modeli se mogu podijeliti po jo nekim karakteristikama:
- Prema dinamici u vremenu, modeli se dijele na:
- statike, gdje veliine i relacije nisu funkcije u vremenskom horizontu modela, tj.
stacionarne su, ili se modelom opravdano zanemaruje promjena u vremenu,
- dinamike, gdje se modelom obuhvataju veliine koje su funkcije vremena.
- Prema odreenosti komponenata u modelu (vjerovatnoi i rasplinutosti) dijele se na:
- deterministike, gdje su komponente strogo odreene veliine,
- stohastike, gdje se efekat veliina opisuje kao sluajan (sluajna promjenljiva),
- fazi, (fuzzy) gdje se vrijednosti modeliraju kao rasplinute veliine promjenljivih nekog
skupa.
- Prema strukturi modela i postupaka za njihovo analiziranje, modeli se dijele na:
- analitike, sa funkcijama u analitikoj formi sa rjeenjima u analitikom ili numerikom
obliku,
3
- numerike, sa primjenom numerikih postupaka za njihovo oblikovanje i rjeavanje i
softvera projektovanih na tim osnovama.
- Prema strukturi metoda za rjeavanje problema, modeli se dijele jo na:
- algoritamske, gdje se moe oekivati jedno od rjeenja na osnovu primijenjene metode sa
poznatom ureenom i determinisanom strukturom postupaka. Ove metode predstavljaju
osnovne podloge za pisanje raunarskih programa.
- heuristike, koji nemaju fundiranu algoritamsku strukturu, ve se za rjeenjem traga na
osnovu postojeeg znanja, intuicije i line kreativnosti istraivaa. Osnovna odlika
heuristikih postupaka je neizvijesnost u traganju za najboljim rjeenjem. Heuristike
metode su u stalnom razvoju, potpomognute razvojem metoda vjetake inteligencije i
ekspertnih sistema.
Matematiko modeliranje je interdisciplinaran i timski zadatak, pri emu osnovni doprinos
daju poznavaoci metoda i metodologije modeliranja kao i poznavaoci realnog problema.
Svaki model problema operacionih istraivanja je karakterisan formalno-matematikim
opisom sa odreenim nivoom apstrakcije. Vjekovna je tenja ovjeka da pronae najbolje
rjeenje problema, poev od tehnikih, ekonomskih, drutvenih, politikih, i sl. Kako su
problemi u ovom vremenu mnogobrojni, njihovo rjeavanje teorijskim putem je izuzetno
sloeno. Istaknimo kao primjer da se jedna vrsta metode, poznata kao numerika simulacija,
moe uspjeno primjenjivati poev od analize globalnih prirodnih procesa kao to je rast
stanovnitva na planeti Zemlji, pa do aplikacije na nivou nanotehnologije*
)
i prouavanja
kretanja atomskih estica. Nakon uoavanja karakteristinih veliina entiteta, formiraju se
matematike relacije izmeu njih, kao poslijedica analize tj. identifikacije zakonitosti
izmeu struktura i procesa u entitetu. Oblici formalnih relacija su raznovrsni poev od:
- funkcionalnih jednaina,
- diferencijalnih i integralnih jednaina,
- rekurentnih relacija,
- orijentisanih grafova i sl.
Ogranienja u modelu imaju sutinsko znaenje i odraz su, najee, fizikih i ekonomskih
granica prisutnih u realitetu. Uglavnom su u pitanju ogranienja u koliini resursa, energije,
vremenskog kapaciteta i dr. Strogost razmatranja ovih relacija mora biti uvijek prisutna i
uglavnom se definie relacionim i logikim operatorima tipa: i
sl. Uspostavljanje znaka jednakosti opravdano je u sluaju da promjenljiva moe imati i
graninu vrijednost, ili da nam to zahtijeva metodologija neke metode. U ostalim sluajevima
moraju se izabrati uvijek svrsishodni matematiki operatori drugog tipa.

Osnovne vrste modela

Modeli se najee dijele na: fizike, misaono-deskriptivne i matematike.
Fiziki modeli su modeli sa istom ili slinom materijalnom strukturom realnog entiteta, sa
veim ili najee manjim gabaritima od stvarnog. Smisao oblikovanja fizikih modela nalazi
se u pogodnosti eksperimentisanja i donoenja odreenih zakljuaka o njima, a samim tim (sa
nekim stepenom pouzdanosti) i o entitetima na osnovu kojih su ovi vjetaki modeli imitirani,
tj. o stvarnim entitetima. Drugi razlog je ekonomske prirode, jer se i trokovi u znatno
manjem obimu generiu nego kod eksperimentisanja sa realitetom. Trei razlog je dinamika
eksperimentisanja gdje se tei to brem dobijanju relevantnih podataka o modelu, a samim
tim i o stvarnom entitetu. Za eksperimentisanje sa ovim modelom usko se vezuje primjena
metoda simulacije (vidjeti deveto poglavlje). Nedostaci ovih modela odnose se na mogunost



4
pojave novih osobina koje ne susreemo kod realiteta, ili gubljenje nekih informacija koje
bismo identifikovali kod realiteta, a ovdje ih je nemogue dobiti. Ova devijacija karakteristika
moe se negativno odraziti na analizu i sintezu modela, i prouzrokovana je najee velikim
razlikama u volumenima realnog entiteta i aproksimativnog (vjetakog) modela - kojim
imitiramo stvarni. Time se neminovno mijenjaju originalne karakteristike realiteta u odnosu
na generisane karakteristike vjetakog modela. Fiziki modeli nisu predmet analize u ovoj
knjizi.
Matematiki model se formira matematikom apstrakcijom i predstavlja specifino
selektovanje i strukturiranje elemenata misaonog modela u ureen deskriptivni model, kao
pretpostavke za preslikavanje u apstraktni matematiki model. Matematiki model je uspjeno
formiran ako vjerodostojno iskazuje sutinske karakteristike realiteta: tehnolokog,
ekonomskog, mehanikog, hemijskog, biolokog ili drugog. Matematiki modeli oblikuju se
po pravilu sa nekim stepenom analogije u odnosu na realitet. Tom analogijom obuhvaene su
primarne karakteristike posmatranog realiteta, ili skup karakteristika na dovoljnom i
potrebnom (uproenom) nivou, zadravajui donekle stvarnu prirodu originala. Matematiki
modeli mogu imati vrlo sloenu strukturu, koja ne mora biti proporcionalna sloenosti
simbolike forme. U matematici operacionih istraivanja veina matematikih modela se
formira na bazi: matematikog programiranja, teorije grafova, heuristikog programiranja ili
kombinovanih postupaka.

Metode postavljanja matematikog modela

Uglavnom susreemo dva osnovna i jedan izveden prilaz kod postavljanja matematikog
modela i to:
1. nalitiki metod koji se zasniva na aplikaciji optih naunih zakona i teorijskih
analiza. Pri tome dobijeni modeli vae za itavu familiju slinih problema. Tipian
primjer je simplex model linearnog programiranja, gdje nije potrebno uvoenje novih
principa pri svakom proraunu, jer je razraen algoritam i za rjeavanje optih
sluajeva problema linearnog programiranja. U nekim primjerima linearnosti primjena
odgovarajuih metoda moe dovesti i do analitikog rjeenja problema optimizacije.
2. Eksperimentalni ili empirijski metod znatno je iri u primjeni u praktinim uslovima iz
razloga dobijanja zadovoljavajueg rjeenja modela problema za kompleksne
sluajeve realiteta kojih je u praksi najvie, a koji se ne mogu rjeavati analitikim
metodama. Iako je primjena eksperimentalnog metoda optereena raznim trokovima:
upotrebom mjerne tehnike, potrebom za resursima raznog vida za obradu,
sistematizaciju i verifikaciju rezultata, drugog izlaza esto i nema za identifikaciju
oblasti dopustivih rjeenja i konanog dobijanja vektora rjeenja koji najbolje
zadovoljava funkciju kriterijuma u datim uslovima. Kako se izmeu postavljenih
ulaznih i dobijenih izlaznih podataka moe uoiti zakonitost, ali ne i strogo porijeklo
te zakonitosti, ove metode eksperimenta nazivaju se metode crne kutije i
predstavljaju optu metodu u istraivanju pojava u tehnikoj kibernetici.
3. Kombinovani metod predstavlja izvedeni metod ili sintezu analitikog i
eksperimentalnog metoda. Razvijen je na osnovu analitikog metoda sa nekim
parametrima za koje analiza nije dala adekvatno rjeenje. U tom sluaju kvantifikacija
vrijednosti parametara (npr. koeficijenata, eksponenata i sl.) utvruje se najee
eksperimentalnim putem. Na taj nain kombinovanom metodom se moe oblikovati
matematiki model realiteta kao najpouzdaniji raspoloivi model. Jedan od primjera
predstavlja model oekivanog vremena u mrenom planiranju tipa PERT.


5
Karakteristike Operacionih istraivanja

Primjenu i razvoj operacionih istraivanja karakteriu sljedee osnovne pretpostavke:
1. Nauni metod pronalaenja rjeenja. Strogost i matematiki prilaz u analizi problema
i sintezi modela i metoda osnovni su postupci izraavanja operacionih istraivaa.
Mnogobrojne metode razvijene u fundamentalnoj i primijenjenoj matematici su na
raspolaganju analitiarima ove struke. Pored toga, jedino matematikim jezikom, na
kvantitativnim osnovama, mogu se prikazati ili imitirati kompleksnije veze izmeu
veliina koje se javljaju na realnim entitetima.
2. Organizovan rad u timovima. Multidisciplinarni pristup sloenom problemu je
obiljeje novije epohe u razvoju nauke i tehnologije, pa i operacionih istraivanja.
Timski rad je donio promjene u shvatanju sloenih problema. Kompromisom i
usklaivanjem ideja i metoda integrie se nova metodologija istraivanja. U istom
timu se mogu nai informatiari, inenjeri, psiholozi, ekonomisti, sociolozi, edukatori
- metodiari i drugi. Uvaavajui miljenja ovih strunjaka, skree se panja i na
mnoge druge relevantne faktore, ime se oblikuje prihvatljiviji model problema u
odnosu na isto matematiki ili tehniki pristup, esto nedovoljno vjerodostojan.
3. Sistemski pristup problemu. Operaciona istraivanja zahtijevaju sistemski pristup
problemu. Optimizacija ili traganje za odgovarajuim rjeenjem je mogue za
odreeni podsistem ili pojavu posebno. U tom smislu nalaenje samo globalnog
optimuma za cio sistem je nesvrsishodno bez nalaenja unutranjih lokalnih
optimuma pojedinih podsistema. Pored toga korisnici - naruioci rjeenja, po pravilu,
trae rjeenje na odreenom hijerarhijskom nivou sistema ili procesa koji su njima od
interesa.

Faze rjeavanja problema

Osnovne faze rjeavanja realnog problema putem metoda operacionih istraivanja, sastoje se
od sljedeih modula:
1. Formulacija problema. Identifikacija i korektno definisanje problema predstavlja
polaznu i relativno najsloeniju fazu u procesu dobijanja rjeenja. Jednoznana pravila
i jedinstveni algoritam o postavci problema ne postoji uvijek. Ova faza je
karakteristina po tome to iskustvo i kreacija analitiara problema treba da dou do
punog izraaja. Problem se uoava na realnom entitetu, zatim se misaono strukturira i
najee se zatim deskriptivno modelira. Isti problem se pri tome moe definisati na
razne naine i raznim simbolima, zavisno od sposobnosti analitiara i njegove
specijalnosti. Jasno je da subjekti razliitih struka imaju razliite poglede na problem.
Integralno timsko sagledavanje je najkompleksnije i najvjerodostojnije. Meutim,
pored unije i kompromisa razliitih ideja o problemu, dobro definisan problem mora
imati sljedee karakteristike:
- definisane zahtjeve korisnika rjeenja,
- preciznu deskriptivno-kvantitativnu formulaciju,
- jasno definisane ciljeve koje treba dostii i
- formulisan skup ogranienja (domen) u istraivanju.
Odgovorima na ove zahtjeve stvaraju se osnovne podloge za matematiko modeliranje
problema (Sl. 1).




6


Formulacija
problema

Oblikovanje
matematskog modela

Izbor i aplikacija
metode

Rjeavanje
modela problema

Kriterijumsko
vrednovanje rjeenja

Implementacija
rjeenja

Rjeenje
zadovoljava

NE
DA

Sl. 1 Osnovne faze rjeavanja matematikog modela problema

2. Oblikovanje matematikog modela koji reprezentuje stvarni problem realiteta.
Matematiki model u operacionim istraivanjima je primarni model. Oblikuje se, kako
je reeno, specifinim preslikavanjem ili prevoenjem deskriptivnog modela u
egzaktni. Prema tome, ovaj model se stvara u interakciji sa ve definisanim misaono-
deskriptivnim modelom i raspoloivim potencijalom za matematiko modeliranje.
Kolika je sloenost ove konverzije zavisi od sloenosti problema i njegovih
karakteristika (linearnost, determinisanost, i sl.). Pored toga, sloenost zavisi i od
mjere protivrjenih tendencija u pogledu, sa jedne strane, zahtijeva za jednostavnou
modela i, sa druge strane, stvaranjem modela kao vjerodostojnom skupu informacija o
realnom problemu.
3. Izbor, razrada ili modifikacija metode za rjeavanje postavljenog problema. Izbor
metode zavisi od oblikovanog modela problema. Same metode predstavljaju, u
klasinom smislu, ureen skup postupaka koji se primjenjuje da bi se rijeio
postavljeni matematiki model problema. esto se u operacionim istraivanjima
poistovjeuje termin model i metod. Sutinski, ova dva pojma se razlikuju jer, kako je
reeno, metodom se operacionalizuje model. Prije primjene metode model je
statian, bez pronaenog rjeenja. Poslije uspjene primjene metode dobijamo
njegovo rjeenje u kvantitativnom obliku, ime se stvaraju uslovi i za njegovo
vrednovanje. Metode operacionih istraivanja se mogu aplicirati manuelnim putem ili
kompjuterski. est je sluaj da se metode moraju posebno razviti za novooblikovan
model, jer za tu klasu matematikog problema metode nisu dovoljno strukturirane i ne
postoje kao univerzalno mone. Mnoge metode se mogu koristiti sa izvijesnom
modifikacijom ve postojeih metoda. Kompjuterske metode mogu biti veoma
efikasne, naroito numerike. Meutim, sve one imaju algoritamsku strukturu metoda
koje su ranije ve razvijene i poznate u matematikim disciplinama. U tom smislu,
ovim udbenikom su obuhvaena odabrana poglavlja iz operacionih istraivanja, gdje
se obrauju sljedee metode:
-Metode matematikog programiranja.
-Metode mrenog planiranja i upravljanja.
-Metode heuristikog istraivanja.
-Metode teorije masovnog opsluivanja (ili redova ekanja).
-Metode simulacije.
-Metode upravljanja zalihama.
4. Rjeavanje modela pomou metode i dobijanje rezultata. Posljedica primjene metode
je rjeenje izraeno u kvantitativnom obliku. Vjerodostojnost rjeenja zavisi od
7
primijenjene metode. Za isti model mogu se primjenjivati, ako su na raspolaganju,
razliite metode. Rjeenja u svakom sluaju moraju biti jednoznana, istovjetno
protumaena ili prihvaena sa odreenim stepenom pouzdanosti. Najpreciznije
rjeenje je analitiko. Numerika rjeenja su najea iz razloga postojanja najveeg
broja metoda sa tom osnovom. Ova rjeenja su najmnogobrojnija i kod primjene
kompjuterskih metoda proraunavanja. Drugi vid su, takoe, numerika rjeenja, ali
dobijena numerikom simulacijom. Pored toga, rjeenja mogu biti skalarna, vektorska
i matrina. Vievarijantna rjeenja pruaju mogunost izbora, bilo da su optimalna ili
dopustiva, na bazi postavljenih kriterijuma nakon nalaenja tog rjeenja.
5. Kriterijumsko vrednovanje modela na osnovu rezultata testiranja. Direktno
vrednovanje rjeenja, samim tim i modela i metoda, predstavlja mjeru usaglaenosti
predvienih i ostvarenih vrijednosti. No ovo i nije jedini vid vrednovanja. Za
kompleksno vrednovanje potrebno je razviti niz kriterijuma na bazi kojih se verifikuje
model (rjeenje) i ocjenjuje njegova valjanost. Najznaajniji kriterijum vrednovanja je
kriterijum optimalnosti rjeenja, kojim se na egzaktan nain dokazuje da li je rjeenje
najbolje ili ne. Ovaj kriterijum je razvijen kod mnogih optimizacionih metoda
matematikog programiranja, dok je kod heuristikih u znatno manjoj mjeri
raspoloiv. U kvantitativne kriterijume za testiranje modela i njegovog izraza, tj.
rjeenja, spadaju jo i kriterijumi: osjetljivosti model-rjeenja, invarijantnosti modela,
konvergencija algoritma ka najboljem rjeenju i sl. Pored kvantitativnih kriterijuma
znaajni su i kvalitativni kriterijumi u ovoj fazi istraivanja modela. Raunarski
eksperimenti na modelu mogu dati znaajne odgovore na karakteristike model-rjeenja
problema koje se posebno vrednuju. U svakom sluaju verifikovan rezultat predstavlja
relevantan upravljaki parametar neophodan za odgovarajuu primjenu u realnim
uslovima.
6. Implementacija dobijenog rjeenja. Teorijskom verifikacijom model-rjeenje apriori
se prihvata mogunost njegove primjene u praksi. Implementacija predstavlja
sprovoenje rjeenja direktno u realnim uslovima. Za to je potrebna odgovarajua
priprema i esto povea finansijska sredstva. Statistiki gledajui ova faza je najmanje
frekventna, a najpotrebnija zbog brojnih dobrih rjeenja koje su postigli istraivai.
Istaknimo da ima i drugih prilaza u sistematizaciji etapa rjeavanja modela ija
metodologija sadri jo neke specifine module u blok dijagramu postupaka
modeliranja. Meutim, prethodno nabrojane faze su u veini sluajeva prepoznatljive i
treba ih u principu uvaiti.

Uvod u optimizaciju

Pred teoriju optimizacije se postavlja zadatak da se postigne najbolje rjeenje odreenog
matematiki definisanog problema, ako su postavljeni kriterijumi za kvantifikaciju: ta je
najbolje, ta je dopustivo ili ta predstavlja nedopustivo rjeenje. Optimalno rjeenje
pretpostavlja postojanje kvantitativne mjere poreenja sa ostalim dopustivim rjeenjima, jer se
samo takav kriterijum optimalnosti moe uvaiti. U tom smislu teorija optimizacije obuhvata
kvantitativno prouavanje optimuma i razvoja metoda za njegovo odreivanje. Primjena
metoda optimizacije polazi od realnog stanja problema i na tim osnovama ga treba rjeavati.
Cilj primjene optimizacione metode sastoji se u pronalaenju najbolje informacije koja
ukazuje na poslijedice i uticaje izabrane varijante kao rezultata koji se primarno uvaava u
procesu odluivanja. Neke matematike metode optimuma, naroito numerike, su dobro
poznate istraivaima par stotina godina. Meutim, zbog zahtjeva u primjeni, za velikim
obimom raunanja, one su potisnute kao relativno neefikasne u periodu u kojem su nastajale.
Tek razvojem kompjuterske tehnologije ove metode, sada raunarski orijentisane, postale su
8
izuzetno efikasne i danas predstavljaju gradijent razvoja optimizacije kao naune
metodologije iz vie razloga:
-brzog dobijanja rjeenja,
-mogunosti eksperimentisanja na modelu, promjenom vrijednosti ulaznog vektora,
-pogodnosti prepoznavanja optimuma kod nekih problema koji nisu kompletno matematiki
formulisani i sl.
Zadatak optimizacije modela jeste izbor najbolje varijante iz niza moguih ili povoljnih
varijanata u skladu sa vaeim kriterijumom. Optimalno rjeenje predstavlja kompromis
izmeu eljenog cilja i postavljenih ogranienja koja uslovljavaju mogunost postizanja
ekstremnih rjeenja. Kompromis je prirodni kriterijum i predstavlja opti princip prirode i
drutva. Poznato je da su metode optimizacije razvijene samo za pojedine klase matematikih
modela problema i ne postoji za sada opti algoritam kojim bi se obuhvatili svi optimizacioni
problemi. U egzaktnom smislu zadatak optimizacije se svodi na odreivanje
maksimuma/minimuma ili druge referentne vrijednosti (npr. konstantnosti) ciljne funkcije

od n promjenljivih, sa ogranienjima tipa
za .
Optimalno rjeenje

je postignuto tada kada je ostvaren globalni maksimum/minimum funkcije kriterijuma
,
gdje je optimalno rjeenje ujedno i dopustivo
, a

dopustiva oblast u n-dimenzionalnom Euklidskom prostoru*.
Posljednjih dvadesetak godina u razvoju su metode optimizacije na bazi multikriterijumskog
odluivanja, iz razloga donoenja optimalnih odluka pri sloenim komponentama kao
faktorima prouzrokovanih intenzivnim razvojem sociotehnikih sistema. U tom smislu,
donekle je izmijenjena teorija optimizacije usredsreivanjem koncepcije sa jednim
kriterijumom na optimizaciju po vie (vektor) kriterijuma. Razlog je tenja da se matematiki
modeli problema priblie stvarnim problemima, koji su po svojoj prirodi multivarijantni i
zahtijevaju nalaenje rjeenja u vie faza, to je jednokriterijumskom optimizacijom dobrim
dijelom neizvodljivo. Izmeu klasine i viekriterijumske optimizacije postoje razlike kao i
slinosti, koje su razmotrene u radu.

Predmeti optimizacije

Teorija optimizacije predstavlja naunu disciplinu koja prouava metode i postupke
optimizacije odreenih entiteta u nauci i tehnologiji. Metodologija za dobijanje najpovoljnijih
rezultata u odreenim okolnostima predstavlja ureen skup metoda razvijenih sa osnovnim
ciljem dobijanja optimalnih rjeenja. Osnovni pojmovi koji se vezuju za konkretniju definiciju
optimizacije su: predmet, cilj i metod optimizacije.
Predmeta (objekata) optimizacije u okruenju ima mnogo. Tako susreemo karakteristine
predmete koji se odnose na neke procese: obrazovni, projektantski, proizvodni, energetski,
drutveni, nuklearni i sl., ili sisteme: tehnoloki, transportni, upravljaki, drutveni itd. Mada
se esto izmeu procesa i sistema ne prave razlike, zbog zajednikih karakteristika, one
sutinski postoje i veoma su bitne kod modeliranja istih. Naime, proces predstavlja niz



9
uzastopnih progresivnih promjena stanja i vezan je za vremenski tok dogaaja, a sistem je
ureeni skup entiteta i relacija izmeu njih i njihovih svojstava i moe biti, ili ne mora,
relativno stacionaran u vremenu.
Cilj optimizacije se definie na osnovu kriterijuma optimizacije iskazanog u obliku
kriterijumske funkcije optimizacije (maksimalna dobit, minimalni trokovi i sl.). Metode
optimizacije imaju dvojaku funkciju i to: oblikovanje modela problema i rjeavanje predmeta
optimizacije saoptenog putem modela optimizacije, najee matematiki definisanog.
Globalni minimum

Lokalni mimumim

Sl. 2 Primjer uz objanjenje optimuma i ekstremuma funkcije kriterijuma
Metode optimizacije slue za kvantitativno i/ili kvalitativno rjeavanje modela problema.
Predstavljene su ureenim skupom postupaka koji se primjenjuje heuristiki ili algoritamski.
Za rjeavanje sloenog problema, ako je to mogue, primjenjuje se princip dekompozicije.
Tipian primjer je dinamiko programiranje, obraeno u petom poglavlju. U operacionim
istraivanjima metode optimizacije se postavljaju na kvantitativnim osnovama.

Funkcija
kriterijuma
D oblast dopustivih rjeenja
t trajektorija os poetnog
do optimalnog rjeenja

Sl. 3 Grafika interpretacija iterativnog postupka proraunavanja za sluaj problema sa tri
promjenljive
Oblasti primjene teorije optimizacije su raznovrsne, poev od tehnikih disciplina:
elektrotehnike, mainstva, graevinarstva, poljoprivrede, saobraaja, metalurgije, pa do
medicine, ekonomije, farmacije, hidrologije, kosmonautike i sl. Optimizacija je
karakteristina pri projektovanju i konstruisanju proizvoda i proizvodnih sistema, gdje se
ispoljava tenja za tzv. optimalnim projektima na bazi tehnoekonomske optimizacije.
10
Linearno programiranje

Uvod u matematiko programiranje

Rjeavajui razne konkretne probleme iz oblasti organizacije transporta, upravljanja zalihama,
organizacije obrazovanja i sl., esto se javlja potreba, da se takvi zadaci matematiki
modeliraju, a zatim da se trai rjeenje toga modela. Pri tome se operie sa relativno velikim
brojem veliina za koje vae odreene funkcije ogranienja. Skup onih vrijednosti
promjenljivih koje zadovoljavaju postavljeni sistem ogranienja, naziva se skup dopustivih
rjeenja (skup vrijednosti koje ine neki program i sl.). Poto skup rjeenja moe biti, u nekim
sluajevima i beskonaan, u tom smislu namee se pitanje: kako izabrati najbolje rjeenje i
kriterijum valjanosti tog rjeenja (plana, programa), pri odreenom scenariju? Evo nekoliko
primjera kriterijuma izbora rjeenja:
- Dobit preduzea.
- Vremenski kapacitet.
- Trokovi transporta.
- Rizik realizacije plana i dr.
Kada funkcija kriterijuma predstavlja dobit, pouzdanost, nivo obrazovanja, iskorienost
kapaciteta, uinak, i sl., onda teimo da je maksimiziramo. U sluaju da ova funkcija
predstavlja trokove, rizik u pogledu realizacije planiranih aktivnosti, vrijeme obrade, vrijeme
transporta, broj izvrilaca u procesu rada, utroak resursa ili nekih energetskih sredstava, onda
teimo minimizaciji takve funkcije. U svakom sluaju, funkcija kriterijuma ima puno u
zavisnosti od objekta koji se analizira na kvantitativnoj osnovi. Ovi zadaci se nekad rjeavaju
iskustveno, dakle na bazi ranijih informacija i vjetine donosioca odluka. Kod analize sasvim
novih entiteta kod kojih nema ranijih iskustava, neophodno je najee pronai egzaktan nain
odreivanja rjeenja, to se postie matematikim modeliranjem i rjeavanjem matematikih
modela odgovarajuim metodama za postavljene zadatke. Dio primijenjene matematike, koji
se bavi rjeavanjem takvih problema, zove se matematiko programiranje.
Zadatak matematikog programiranja bi se sveo na sljedee pretpostavke:
Neka je (x
1
, x
2
, ..., x
j
, ..., x
n
) skup od n-veliina za koje se formiraju ogranienja u obliku
jednaina ili nejednaina sistema:

Svaka n-torka (x
1
, x
2
, ..., x
j
, ..., x
n
) koja zadovoljava gornji sistem ogranienja je dopustivo
rjeenje, a skup svih moguih rjeenja je dopustivi skup rjeenja D. Iz njega se pronalazi
najbolje tj. optimalno rjeenje, ako ono postoji. Kriterijum izbora optimalnog rjeenja
zasnovan je na nekoj funkciji F(X) = (x
1
, x
2
, ..., x
j
, ..., x
n
) to znai da iz skupa D odreenog
sistemom ogranienja (1) treba izabrati onaj element za koji je:
(2) F(X) = (x
1
, x
2
, ..., x
j
, ..., x
n
) max F(X) ili
F(X) = (x
1
, x
2
, ..., x
j
, ..., x
n
) min F(X)
u zavisnosti od prirode problema. Funkcija F(X), o kojoj je ovdje rije, je funkcija kriterijuma
ili funkcija cilja. Funkcija kriterijuma zajedno sa sistemom ogranienja ini model
11
matematikog programiranja. Metode programiranja obuhvataju vrlo iroku i sloenu oblast
operacionih istraivanja i uglavnom pripadaju grupi metoda:
- linearnog,
- nelinearnog i
- dinamikog programiranja.

Linearno programiranje kao dio matematikog programiranja

Drugom polovinom etrdesetih godina (1947-1949.) ameriki matematiar Dancig (Dantzig,
G.B.) je precizno definisao novu algebarsku metodu zvanu simplex. Ova metoda pripada
familiji metoda linearnog programiranja i jedna je od najefikasnijih. Na njenom razvoju i
usavravanju narednih godina mnogo se istraivalo, pa je i sam tvorac metode, Dancig,
objavio 1963. godine rezultate tih istraivanja u knjizi Linear Programming and Extensions.
Pored toga ova metoda je modifikovana u cilju rjeavanja specijalnih sluajeva iz domena
transportnog zadatka, kombinatorne optimizacije i sl. Naziv linearno jasno naznaava da se
promjenljive veliine i parametri u matematikom modelu ureuju linearnim vezama.
Rjeenje problema X=[x
1
, x
2
, ..., x
j
, ..., x
n
], bilo da je najbolje ili bazno dopustivo, ima fiziko
znaenje elemenata nekog plana ili programa (optimalni program proizvodnje, program
transporta i sl.), pa otuda i naziv linearno programiranje. U novije vrijeme pored simplex-a,
efikasnost su pokazale i metode elipsoida i Karmarkarova metoda (objavljena 1984.). Od
eminentnih istraivaa na polju razvoja linearnog programiranja, stvarajui tako optu teoriju
matematikog programiranja, spadaju: Kantorovi, L. V., Sajmonard (Simonnard, M),
Karmarkar (Karmarkar, N.), Kun (Kuhn, N.), Taker (Tucker, .) i drugi. Od nastanka
klasinog modela, linearno programiranje se razvijalo, kako su praktini problemi diktirali,
u posebne oblasti, i to:
- cjelobrojno linearno i
- parametarsko linearno programiranje,
- stohastiko linearno programiranje,
- transportni zadatak i sl.
kao i u modele, ali ne sa iskljuivo linearnim funkcijama, kao to su:
- kvadratno,
- razlomljeno-linearno i
- fazi (fuzzy) linearno programiranje.
Linearno programiranje predstavlja jednu od metoda operacionih istraivanja koja je nala
najveu praktinu primjenu u rjeavanju tehnoekonomskih problema i to: kod modela
asortimana proizvoda, tehnolokih postupaka, transportnih zadataka i svih drugih problema
iji matematiki modeli predstavljaju zapravo klasine probleme LP, za odreivanje
maksimuma ili minimuma funkcije F(X).

Oblikovanje modela linearnog programiranja

Razliitost u definisanju funkcije kriterijuma, a naroito u iskazivanju sistema ogranienja, u
smislu postavljanja relacionih operatora tipa {>, >, s, <, =}, dovela je do razliitih oblika
modela LP, tako da se opta matematika formulacija zadataka LP sastoji u tome da se odredi
takav skup vrijednosti:
(3) x
1
, x
2
, ..., x
j
, ..., x
n
(x
j
> 0)
odnosno komponenata vektora X=[x
1
, x
2
, ..., x
j
, ..., x
n
] iz oblasti D, koje zadovoljavaju sistem
linearnih jednaina i/ili nejednaina (ogranienja), najeeg oblika:
(4)




gdje su:

,


12
ili u razvijenoj formi:

za koju funkcija cilja:
(6) ,
koja predstavlja linearnu kombinaciju promjenljivih
x
j
, dostie maksimalnu, odnosno
minimalnu vrijednost.

Standarndni oblik linearnog programiranja

Standardni oblik se javlja onda kada su ogranienja po svojoj prirodi jednostrana, tako da su
sve relacije definisane, npr. u obliku s, koji je karakteristian (ali ne i obavezan) za modele
problema tipa maksimum:

gdje su: ,


(7) F(X) = (x
1
, x
2
, ..., x
j
, ..., x
n
) max F(X)
Kod modela problema tipa minimum funkcije kriterijuma, karakteristine relacije ogranienja
su oblika >, tako da je model LP sljedei:

(8) F(X) = (x
1
, x
2
, ..., x
j
, ..., x
n
) min F(X)

Kanoniki oblik linearnog programiranja


Za modele uslovljene ili svedene na jednakosti = kaemo da imaju kanoniku formu.
Transportni zadaci su obino takve prirode, ili npr. zadaci LP, ali u razvijenom obliku simplex
modela:

, pri emu su:
(9) F(X) = (x
1
, x
2
, ..., x
j
, ..., x
n
) max / min F(X)
Matrini oblik linearnog programiranja
U saetijoj formi, naroito kod kompleksnijih problema, model LP se iskazuje u obliku
matrice i vektora. Model LP (7), (8) i (9) moe se krae predstaviti u matrinom obliku na
sljedei nain:
(10) sa sistemom ogranienja:


(11) i funkcijom kriterijuma: F(X) = C X max / min F(X) gdje smo
13
obiljeili sa:

- matricu tehnikih koeficijenata
(12) sa:

- vektor reda (vrsta), sa:
(13) - vektor ogranienja i sa:


- vektor nepoznatih vrijednosti.
U razvijenom obliku veze sistema ogranienja bi bile:

odnosno funkcija kriterijuma:

pri emu je: x
1
, x
2
, ..., x
j
, ..., x
n
> 0.

Vektorski oblik modela linearnog programiranja

Model LP se moe napisati u vektorskom obliku, ako se tehniki koeficijenti prethodne
matrice predstave kao vektori kolona. U tom smislu imamo sljedei sistem ogranienja:
(16)


i funkciju kriterijuma: F(X) = C X max / min F(X). Gdje su

vektori kolona matrice :
14


Tabelarni nain prikazivanja modela linearnog programiranja

Iz praktinih razloga prikaz modela LP moe se dati tabelarno (T-1). Pri tome svi elementi
vektora C i B i matrice

moraju biti zastupljeni u tabeli.
(T-1)

Ovaj sintetizovan nain prikaza karakteristian je kod primjene simplex metode gdje se opti
ili standardni model LP prevodi u kanoniki, a zatim se putem iterativnih tabela vre postupci
proraunavanja. U tom smislu, metode LP mogu se koristiti samo ako je problem postavljen u
vidu potpunog matematikog modela.
Metode LP su najee klasifikovane kao:
- Grafika metoda.
- Simplex metoda.
- Transportna metoda.
- Metoda rasporeivanja.
U nastavku bie obraene, na osnovu teorije linearnog programiranja, prve tri metode, dok e
metoda rasporeivanja biti prezentirana sa aspekta heuristikog programiranja (vidjeti sedmo
poglavlje).

Grafika metoda i primjeri

Rjeavanje problema linearnog programiranja grafikom metodom sastoji se u ispitivanju niza
vrijednosti funkcije kriterijuma u ekstremnim takama oblasti dopustivih rjeenja. Primjena
ove metode ograniena je na zadatke sa dvije ili, u rjeem sluaju, sa tri nepoznate
promjenljive veliine. U jednodimenzionalnom prostoru (n = 1) primjena grafike metode je
trivijalna. Ispitivanje odnosa dvije nepoznate veliine [x
1
, x
2
], koje se mogu predstaviti
vektorom X, vri se dotle dok se ne postigne vrijednost optimalnog vektora X*. Dakle:

15
Meutim, tzv. optimalno, odnosno najbolje rjeenje odnosa komponenata x
1
i x
2
, pronaeno u
datim uslovima, predstavlja samo posljedicu koja proizilazi iz prethodno pronaene
ekstremne vrijednosti funkcije kriterijuma. U tom smislu, postupci grafike metode svode se
prvo na: modeliranje linearnih ogranienja oblika:

ili u razvijenoj formi:

i funkcije kriterijuma za npr. problem maksimuma: max F(X) = c
1
x
1
+ c
2
x
2
. Svako
ogranienje tipa (20) predstavlja po jednu poluravan u ravni x
1
0x
2
ija je granica
predstavljena pravom oblika:
(21) a
i1
x
1
+ a
i2
x
2
= b
i

Presjekom poluravni (20) odreen je konveksan (konkavan) poligon moguih rjeenja, a time
i oblast funkcije cilja. ko elimo da dobijemo njen maksimum (Sl. 4-6), ispitivanje
ekstremne vrijednosti funkcije cilja relativno je jednostavno, i svodi se na pronalaenje
najudaljenije take na konveksnom poligonu. Geometrijska interpretacija grafike metode se
sastoji u definisanju poligona na osnovu sistema ogranienja kojim se formira oblast
dopustivih rjeenja D. Pored toga, za poznate vrijednosti koeficijenata u funkciji kriterijuma
c
1
i c
2
, koji se mogu izraziti putem vektora c = [c
1
, c
2
], i izjednaavanjem funkcije F(X) sa
nulom, postie se najjednostavniji poloaj prave linije u poetnim fazama rjeavanja modela
LP. Odlukom da se funkcija kriterijuma izjednauje sa nulom, tj.
(22)
F(X) = c
1
x1 + c
2
x
2
= 0

ne pravi se greka u poetnoj fazi nalaenja rjeenja, jer se postie nenegativno rjeenje, to je
u skladu sa vaeim ogranienjima. Zatim slijedi njeno sukcesivno poveanje, sve do
ekstremnog poloaja, a koje je oznaeno kao logiki najmanja ili najvea vrijednost. Take u
kojima funkcija
F(X) = c
1
x
1
+ c
2
x
2
ima konstantnu vrijednost lee na pravoj koja je paralelna
poetnoj pravoj
F(X) = 0
i predstavlja tzv. liniju nivoa (Sl. 5) za funkciju:
(23)
F(X) = c
1
x
1
+ c
2
x
2

Tako npr., koordinate najblie ekstremne take oblasti D (npr. Sl. 4) predstavljaju
komponente optimalnog vektora X
*
za koji funkcija cilja ima minimum, tj.
(24) min F(X) =
F(X) = c
1
x
*
1
+ c
2
x
*
2

16

Sl. 4 Sl. 5

Sl. 6 Sl. 7

Sl. 8 Sl. 9
Sa metodolokog stanovita rjeavanje problema LP grafikom metodom pogodno je zbog
jednostavnosti postupaka metode i zato se obrauje u poetnim fazama izuavanja metoda i
modela LP. Sa edukativnog stanovita kod grafike metode smo u mogunosti da brzo
prepoznamo u Euklidovom linearnom prostoru relacije izmeu funkcije kriterijuma F(X),
sistema linearnih ogranienja tipa
a
i1
x
1
+ a
i2
x
2
{<, =, >} b
i
, i uslova nenegativnosti u
matematikom modelu. Grafiki dio postupka se obino kombinuje sa analitikim, pa se ova
metoda primjenjuje u sluaju zahtjeva za poveanom preciznosti rezultata LP. U
trodimenzionalnom prostoru (n = 3) tee se primjenjuje grafika metoda, tj. metoda se
primjenjuje uz pomo postupaka nacrtne geometrije. U n-dimenzionalnom prostoru za (n > 3)
ostaju samo geometrijski termini, inae se linearni programi rjeavaju algebarskim metodama,
bez mogunosti baziranja na geometrijsku oiglednost.

Primjer 1.
17
Za potrebe trita proizvode se dva tipa proizvoda P
1
i P
2
na dva tehnoloka sistema TS
1
i TS
2
.
Vremenski kapacitet TS
1
raspoloiv je za korienje do 600 /as/, a za TS
2
do 700 /as/.
Obrada proizvoda P
1
na TS
1
traje 72 /min/kom/, a na TS
2
60 /min/kom/. Proizvod P
2
se
finalizuje, takoe, kroz dvije operacije, i to na TS
1
operaciono vrijeme je 60 /min/kom/, a na
TS
2
105 /min/kom/. Plasman na tritu nije neogranien. Ispitivanjem je ustanovljeno da
trite moe primiti do 450 /kom/ proizvoda P
1
i do 300 /kom/ proizvoda P
2
. Takoe su
poznate jedinine cijene proizvoda (u novanim jedinicama po komadu) i one iznose: za prvi
proizvod c
1
= 9 /nj/kom/, a za drugi c
2
= 7,5 /nj/kom/. Potrebno je:
a. Odrediti optimalan plan proizvodnje da bi se postigao maksimalni efekat dobiti.
b. Odrediti koja funkcija ogranienja ne utie na maksimalnu vrijednost funkcije
kriterijuma.
Rjeenje:
Matematiki model problema oblikovan je na osnovu sistema ogranienja:

i funkcije kriterijuma (dobiti):



Sl. 10 Grafik oblasti dopustivog rjeenja sa funkcijom kriterijuma D(X)
a. Kako prava D(X) = 9 x
1
+ 7.5 x
2
= 4500 /nj/ lei na ograniavajuoj pravi poluravni (1)
rjeenje sadri beskonaan skup optimalnih vektora rjeenja. Krajnje take optimalne
dui su take B i C. U tim takama optimalne koliine proizvoda su (Sl. 10):

/kom/ i drugo rjeenje:

/kom/.
Vrijednosti funkcije kriterijuma u objema takama su iste i iznose:

/nj/ i

/nj/.
Opte rjeenje optimuma moe se definisati kao linearna kombinacija pronaenih vektora: X
= o X
B
+ (1 o) X
C
gdje je skalar: 0 s o s 1.
18
Npr. za proizvoljnu vrijednost o = 0,34 dobijamo tree optimalno rjeenje kao:

/kom/.
Funkcija dobiti i za taj sluaj, kao i za prva dva, ostaje nepromijenjena, tj:
/nj/.
b. Na osnovu grafika oblasti dopustivog rjeenja i funkcije kriterijuma (Sl. 10) se vidi da
ogranienje (4), pri postojeim uslovima, ne utie na formiranje maksimalne
vrijednosti kriterijumske funkcije i vektor(e) optimalnih rjeenja.
NPOMEN
U primjerima e se esto vektor poistovijetiti sa takom u dvo/trodimenzionalnom euklidskom
prostoru. Stroga matematika formulacija za n > 2 uvijek nalae da se govori o vektoru, a ne
o taki.

Primjer 2.
Nai minimalnu vrijednost funkcije kriterijuma F (X) = 6 x
1
+ 3 x
2
min F (X), koristei
grafiku metodu LP, uz sledea ogranienja:

Pored toga odrediti:
a. Optimalno rjeenje datog problema i minimalnu vrijednost funkcije kriterijuma.
b. Optimalno rjeenje i maksimalnu vrijednost funkcije kriterijuma pri izmjeni (1)
nejednaine funkcije ogranienja, koja se sada definie kao jednaina oblika: x
1
+ x
2
=
5.
c. Parametre a
1
i a
2
uz promjenljive x
1
i x
2
prvog ogranienja oblika a
1
x
1
+ a
2
x
2
= 5
(umjesto nejednaine (1)), da bi takva promjena izazvala beskonaan broj optimalnih
rjeenja. Prokomentarisati vrijednost funkcije kriterijuma.
Rjeenje:
a. Optimalno rjeenje se dobija na osnovu translacije funkcije kriterijuma od
koordinatnog poetka do take B (Sl. 11), sa odgovarajuim vrijednostima:


19

Sl. 11 Grafika interpretacija LP primjera 2.a)
Pri tome minimalna vrijednost funkcije kriterijuma iznosi min F (X) = F (X
*
) = 22,5
b. U sluaju da se u sistem ogranienja uvede jednaina x
1
+ x
2
= 5, sva bazno dopustiva
rjeenja se nalaze na dui B. U tim uslovima su ekstremne vrijednosti jednake:

i


Optimalno rjeenje pri izmijenjenim uslovima ogranienja i karakter funkcije kriterijuma se
nalazi u taki , tj. X
A
=X
*
, jer je odgovarajua funkcija kriterijuma najvea upravo u toj taki
i iznosi:
max F (X) = max{F (X
A
), F (X
B
)}= max{27, 22,5}= 27.

Sl. 12 Grafika interpretacija LP primjera 2.b)
c. Parametri uz promjenljive x
1
i x
2
prve funkcije ogranienja su odredivi na osnovu
koeficijenta pravca kriterijumske funkcije. Iz jednaine: 6x
1
+3x
2
= 0 x
2
= 2 x
1
on
iznosi -2. Prema tome, isti ugao nagiba u odnosu na x
1
osu mora imati i nova prava
ogranienja: a
1
x
1
+ a
2
x
2
= 5, na osnovu ega slijedi:
20
, uz uslov:

,
gdje za taku B: x
1
= x
2
= 2,5 slijedi da je: a
2
= 2/3, i a
1
= 4/3.
Na osnovu prethodnog, prva jednaina ogranienja sada glasi:

, to se moe
grafiki interpretirati (Sl. 13).

Sl. 13 Grafika interpretacija LP primjera 2.c)
Optimalna rjeenja se nalaze i u taki B i u taki C. Meutim, broj optimalnih rjeenja je
beskonaan i nalazi se na dui BC, tako da sada dobijamo za ekstremne vrijednosti vektora
sljedee:

i


Kako su i sva druga rjeenja koja se nalaze na dui BC takoe optimalna, to se u vektorskom
obliku za proizvoljnu taku G, moe uopteno napisati da je:

gdje za vrijednosti: o 0, X
G
X
C
, i za o 1, X
G
X
B
.
Pri tim promjenama se ne mijenja vrijednost funkcije kriterijuma i ona iznosi:
min F (X) = F (X
A
) = F (X
C
) = F (X
G
) = 22,5.

Primjer 3.
Korienjem grafike metode rijeiti problem linearnog programiranja, ako je data funkcija
dobiti D (X) = 3x
1
+ x
2
, i sistem ogranienja:

Pored toga postupcima analize:
21
a. odrediti vrijednosti x
1
i x
2
za koje funkcija dobiti D (X) postie maksimalnu vrijednost,
a da su istovremeno zadovoljena sva prethodna ogranienja,
b. definisati jedan analitiki izraz nove funkcije D (X) da bi se u novim uslovima dobilo
beskonano mnogo optimalnih rjeenja,
c. dati za tu funkciju dva primjera optimalnih rjeenja.
Rjeenje:
a. Odreivanje optimalnog rjeenja i maksimalne dobiti. Optimalno rjeenje se nalazi u
taki B (Sl. 14), u presjeku pravih koje ograniavaju oblast (p2) i (p5).

Najvea dobit je u tom sluaju odreena kao:

/nj/

Sl. 14 Grafika interpretacija LP primjera 3.a)
b. Traeni analitiki izraz slijedi iz rezultata izjednaavanja koeficijenta pravca nove
prave D (X) = c
1
x
1
+ c
2
x
2
= 167,5 /nj/ i prave koja ograniava oblast (p5) tj. 8x
1
+ 6x
2
= 480. Dati postupak se svodi na transformaciju izraza (p5), u smislu njegovog
izjednaavanja sa izraunatom vrednou funkcije kriterijuma:
, te dobijamo: /nj/.
Prema tome, traena funkcija kriterijuma (Sl. 15) je oblika:

22

Sl. 15 Grafika interpretacija LP primjera 3.b)
c. Jedan primjer optimalnog rjeenja, kao to je ve konstatovano, se nalazi u taki B.
Drugi primjer slijedi iz rezultata presjeka prave (p4) i (p5) u taki C, pa imamo:
;
Vrijednost funkcije dobiti za obje take ostaje maksimalna i nepromijenjena. Dakle:
max D (X) = D (X
B
) = 2,792 x
1
*
+ 2,094 x
2
*
= 167,5 /nj/
max D (X) = D (X
C
) = 2,792 x
1
**
+ 2,094 x
2
**
= 167,5 /nj/

Primjer 4.
Za zadatu funkciju kriterijuma (trokova) T(X) = 3/2 x
1
1/2 x
2
i skup ogranienja:

a. odrediti optimalno rjeenje i minimalnu vrijednost funkcije kriterijuma,
b. odrediti vrijednosti koeficijenta u funkciji kriterijuma tako da naeni trokovi u taki
(pod a)) iznose T (X) = 0 /nj/,
c. odrediti optimalno rjeenje i minimalne trokove ako koeficijent uz x
2
, funkcije
trokova, promjeni smjer, tj. postane pozitivan. Kolike su razlike u trokovima time
izazvane u odnosu na rjeenje dobijeno pod a).
Rjeenje:
a. Najbolje rjeenje nalazi se u taki E (Sl. 16) i iznosi:
pri tome su minimalni trokovi:

/nj/
23

Sl. 16 Grafiki prikaz modela LP primjera 4.
b. Funkcija trokova moe biti jednaka nuli u sluaju da prolazi kroz koordinatni poetak
i da tangira odabranu ekstremnu taku, u ovom sluaju taku E (Sl. 17). Pri tome je
koeficijenat pravca tangentne prave odreen iz odnosa:

Jedno od moguih rjeenja jedininih cijena je: c
1
= 341 i c
2
= 162, pa je tada traena
vrijednost funkcije trokova:
T(X*) = 341 x
1
*
162 x
2
*
= 0 /nj/.

24
Sl. 17 Grafiki prikaz modela LP primjera 4.b)
c. Iz uslova promjene predznaka uz koeficijent promjenljive x
2
nova funkcija kriterijuma
dobija oblik:

Konkretna vrijednost ove funkcije, za taku E (Sl. 18), iznosi:

/nj/.

Sl. 19 Grafiki prikaz modela LP primjera 4.c)
Za funkciju K(X) dobijamo istu taku optimuma (E), kao i za kriterijum T(X), ali se trokovi
pri tome poveavaju za vrijednost:
/nj/.

Primjer 5.
Proizvodnju dva proizvoda R
1
i R
2
potrebno je realizovati na tri maine M
1
, M
2
i M
3
.
Vremenski normativi t
ij
izrade proizvoda na ovim mainama /min/kom/, raspoloivi
vremenski kapaciteti maina u /as/ i predviena jedinina dobit od prodaje /nj/kom/, dati su u
sledeoj tabeli (T-2).

25

(T-2)
Maine
Proizvodi
M
1
M
2
M
3

Jedinina dobit
/ nj/kom /
P
1
t
11
=450 t
12
=420 t
13
=270 45
P
2
t
21
=450 t
22
=780 t
23
=90 36
Vremenski
kapacitet /as/
600 910 270 -

Pored toga prodaja proizvoda na tritu je ograniena, i to za proizvod R
1
plasman je mogu
do najvie 55 komada, a za proizvod R
2
ogranienje je do 65 kom.
a. Izvriti analizu plana proizvodnje da bi se postiglo najvee iskorienje vremenskog
kapaciteta svih maina.
b. U cilju maksimizacije dobiti odrediti optimalan plan proizvodnje.
Rjeenje:
a. Formiranje matematikog modela problema mora biti u skladu sa datim parametrima
proizvodnje, prodaje i promjenljivim veliinama za R
1
(x
1
) i za R
2
(x
2
). Pored toga
mora se voditi rauna o usklaenosti vremenskih mjernih jedinica. Za rjeavanje
zadatka, usvojeni su asovi (odnosno /as/kom/) kao osnovne terminske jedinice. U
tom smislu imamo sljedei sistem ogranienja:

Koeficijenti u funkciji kriterijuma dobijaju se na osnovu zbira vremena izrade pojedinanih
proizvoda, uzimajui u obzir da je vrijeme svake operacije na pojedinim mainama dato u
/as/kom/, umjesto u /min/kom/ kao u (T-2). Iz tog razloga slijedi da su normativi vremena za
izradu proizvoda P
1
, odnosno P
2
, respektivno:
t
1
= 7,5 + 7 + 4,5 /as/kom/ i t
2
= 7,5 + 13 + 1,5 = 22 /as/kom/.
Funkcija iskorienosti kapaciteta je tada oblika: max K(X) = 19 x
1
+ 22 x
2

Sa ovako definisanim ogranienjima i funkcijom cilja (kapaciteta) optimalno rjeenje se
nalazi, primjenom geometrijske metode, u taki D (Sl. 19) sa vrijednostima:
/kom/.
26

Sl. 19 Grafika interpretacija problema vremenskog kapaciteta
Za ove vrijednosti iskorienost vremenskog kapaciteta maina respektivno iznosi za:

Oigledno vremenski kapacitet tree maine nije u potpunosti iskorien, i u apsolutnom
iznosu ta vrijednost parametara iznosi: A
3
= 270 185 = 85 /as/
Ukupan stepen iskorienja kapaciteta za sve tri maine izraunava se kao odnos stvarnog i
teorijskog kapaciteta maina, i u ovom sluaju je:
tj. 95,2%
Dakle, nije iskorieno ukupno: A = A
3
= 1780 1695 = 85 /as/.
Iskorienost kapaciteta dobija se sabiranjem stvarno popunjenih kapaciteta (u apsolutnom
iznosu q = 1780 A = 1695 /as/), ili na osnovu funkcije kriterijuma, kao:
max K(X
*
) = 19 x
1
*
+ 22 x
2
*
= 1695 /as/.
Dobit pri maksimalnom iskorienju vremenskog kapaciteta poslijedino iznosi:
D (x
1
*
, x
2
*
) = 45 x
1
*
+ 36 x
2
*
= 3075 /nj/.
b. Kod iznalaenja najvee dobiti od prodaje proizvoda R
1
i R
2
funkcija kriterijuma ima
odgovarajuu formu profita. Na osnovu polaznih parametara (T-2) se formira kao:
max D(X) = 45 x
1
+ 36 x
2

Ogranienja ostaju istovjetna, kao to su ranije definisana. Na bazi takvog matematikog
modela moe se grafiki rijeiti i interpretirati problem LP za ovaj sluaj, kao:
27

Sl. 20 Grafika interpretacija problema dobiti
Optimalno rjeenje se nalazi u taki C i iznosi:
/kom/.
Za ove optimalne vrijednosti funkcija dobiti je maksimalna (Sl. 20) sa iznosom od:
max D(X
**
) = 45 x
1
**
+ 36 x
2
**
= 3330 /nj/,
dok je iskorienost vremenskog kapaciteta sada sekundaran cilj i on poslijedino iznosi:
K(X
**
) = 19 x
1
**
+ 22 x
2
**
= 1610 /as/
Za ove vrijednosti iskorienost vremenskog kapaciteta maina je neto manja nego u
prethodnom sluaju, pa je za:

Vremenski kapacitet druge maine nije u potpunosti iskorien, i u apsolutnom iznosu taj
parametar je sada: A
2
= 910 740 = 170 /as/. Ukupan stepen iskorienja svih maina iznosi:
tj. 90,4%
Oigledno da se ovdje dobijaju rezultati suprotnih tendencija, koji se ogledaju u dva sluaja:
- ko elimo ostvariti najvee iskorienje vremenskog kapaciteta, ne moemo ostvariti
najveu dobit.
- ko teimo najveoj dobiti, iskorienost maina u raspoloivom vremenskom kapacitetu ne
moe biti maksimalna.
Ovaj problem je u prethodnim postupcima rjeavan parcijalno, grafikom metodom. Po
principu, on pripada klasi zadataka koji se, uz dodatne pretpostavke, mogu rjeavati
metodama multikriterijalnog programiranja.

Primjer 6.
Neka fabrika proizvodi dva artikla
1
i
2
na mainama M
1
i M
2
. Na izradi jedinice artikla
1

maina M
1
utroi 2,5 asa, a maina M
2
6 asova. Na izradi artikla
2
maina M
1
utroi 5,5
28
asova, a maina M
2
3,5 asa. Maina M
1
moe najvie da radi 15 asova dnevno, a maina
M
2
najvie 21 as dnevno. Ovi podaci se mogu pregledno dati sledeom tabelom (T-3).
(T-3)
Artikli

Maine
A
1
A
2

Kapaciteti
maina
/ as/dan /
M
1
2,5 5,5 45
M
2
6 3,5 36
Ukupno vrijeme
/as/kom/
8,5 9 -
Ispitati grafikom metodom koliku koliinu artikala
1
i artikala
2
treba dnevno proizvesti
da bi se maksimalno iskoristio ukupan kapacitet maina. Kolika optimalna koliina proizvoda
iznosi za 97 radnih dana?
Rjeenje:
Za proizvodnju jedinice artikla
1
ukupno se utroi 8,5 /as/kom/, a za proizvodnju jedinice
artikla
2
, 9 /as/kom/, pa je funkcija stepena iskorienja kapaciteta oblika K(X) = 8,5 x
1
+
9x
2
max K(X)
Konstatujmo da se za izradu x
1
(jedinice artikla
1
) i x
2
(jedinica artikla
2
), maina M
1

eksploatie: 2,5 x
1
+ 5,5 x
2
asova, sa mogunou rada do 15 asova, a maina M
2

eksploatie: 6x
1
+ 3,5 x
2
asova, sa mogunou rada do 21 asa dnevno. Pri tome, dakle,
moraju biti zadovoljena sledea ogranienja,
2,5 x
1
+ 5,5 x
2
s 15 ili


6x
1
+ 3,5 x
2
s 21 ili
uz prirodne uslove nenegativnosti koji podrazumijevaju da je: x
1
> 0, x
2
> 0. Na osnovu
geometrijske interpretacije (Sl. 21) vidi se da je oblast D odreena sistemom ogranienja sa
etvorouglom OABC, gdje su take sa koordinatama: O(0,0), (7/2, 0), B(252/97, 150/97) i
C(0, 30/11).

Sl. 21 Grafika interpretacija modela LP primjera 6.
29
ko pravu K(X)=0, transliramo paralelno ka najudaljenijoj taki konveksnog poligona, dostii
emo granini poloaj kriterijumske funkcije koja se nalazi u taki B. Pri tome je optimalni
vektor rjeenja:
/kom/.
U toj taki K(X) ima maksimalnu vrijednost, jer je pomijeranje vreno u pravcu poveanja
vrijednosti funkcije raspoloivog kapaciteta. Zato je:
max K(X) = 8,5 x
1
*
+ 9x
2
*
= 36 /as/.
Ukupni kapacitet, kao to se vidi iz inicijalne tabele (T-3) i postignutog rezultata, u potpunosti
je ispunjen. Znai maksimalna iskorienost maina bie, samo u sluaju, ako se dnevno bude
proizvodilo 252/97~2,6 jedinice artikla
1
i ~1,54 jedinica artikla
2
. Za vremenski period od
t = 97 /dana/, optimalna proizvedena koliina artikala e iznositi:

/kom/.

Karakteristike modela LP i primjeri

Opti postupak rjeavanja problema LP moe se definisati na sljedei nain: odrediti
nenegativne promjenljive [x
1
, x
2
, ..., x
j
, ..., x
k
], tako da funkcija F(X) dostigne ekstremnu
vrijednost, odnosno minimum ili maksimum. Za primjer e se uzeti ekstremna vrijednost
kriterijumske funkcije u vidu njenog maksimuma. Dakle, iz uslova ogranienja:

i za zadatu funkciju cilja potrebno je pronai njenu maksimalnu vrijednost:
(26) F(X) = c
1
x
1
+ c
2
x
2
+ ... + c
j
x
j
+ ...c
k
x
k
max F(X)
Pri tome su: c
j
(j = 1,..., k) koeficijenti funkcije kriterijuma, b
i
(i = 1,..., m) nezavisni
elementi vektora ogranienja i a
ij
(i = 1,..., m i j = 1,..., k) tehniki koeficijenti matrice
=[a
ij
]
mxk
. Moe se dokazati da veina problema tipa maksimuma mogu da se rjeavaju kao
problemi minimuma i obrnuto.

Uvoenje dopunskih promjenljivih

Dodavanjem nenegativne dopunske promjenljive x
k+i
svakoj nejednaini sistema ogranienja:

postie se transformacija nejednaina u jednaine. Ovo predstavlja vaan algebarski postupak
u linearnom programiranju, ime dobijamo sljedei sistem jednaina:
30

Dopunske promjenljive imaju i fiziki smisao, jer predstavljaju razliku izmeu raspoloivih i
iskorienih kapaciteta, najee vremenskih, resursnih i sl. Prethodni proireni sistem
formiran je uz novo proireno indeksiranje, pri emu je sada ukupan broj nepoznatih n=k+m
(j=1,...,n), dok indeksni interval (i=1,...,m) (broj jednaina) ostaje nepromijenjen. U tom
smislu nove jednaine ogranienja su:

Ove promjene vezane su i za formalne promjene funkcije kriterijuma. Naime, koeficijenti uz
dopunske promjenljive x
k+i
, postaju respektivno: c
k+1
, c
k+2
, ... , c
k+i
, ... , c
k+m
; te funkcija
kriterijuma dobija oblik:
(30) F(X) = c
1
x
1
+ c
2
x
2
+ ... + c
j
x
j
+ ...c
k
x
k
+ 0 (x
k+1
+ x
k+2
+ ...+ x
k+i
+ ...+ x
k+m
) max F(X)
Bilo koje rjeenje X=[x
1
, x
2
, ..., x
j
, ..., x
k
, x
k+1
, x
k+2
, ..., x
k+i
, ..., x
k+m
] * koje zadovoljava
ogranienje u smislu sistema jednaina i uslova nenegativnosti x
j
> 0 (j=1,..., k+m) naziva se
moguim rjeenjem, dok se rjeenje X=[x
1
, x
2
, ..., x
i
, ..., x
m
] naziva bazinim rjeenjem.
Naime, ako su sve vrijednosti x
i
> 0, ovo rjeenje je i bazino mogue. Optimalno rjeenje je
ono bazino rjeenje za koje funkcija kriterijuma dostie ekstremnu vrijednost, u ovom
sluaju maksimalnu vrijednost. Iz sistema od m jednaina sa (n k) promjenljivih (smatrajui
da je ostalih k promjenljivih izjednaeno sa nulom) mogue je obrazovati:

sistema. Ove sisteme nazivamo bazinim sistemima, ako je determinanta matrice sistema za m
odabranih promjenljivih razliita od nule, tj. da je regularna. Tako za broj promjenljivih n=16
i broj jednaina m=8, dobijamo broj moguih rjeenja sistema u iznosu od

, to je
sa aspekta proraunavanja (pretraivanja) veoma velik posao.

Primjer 7.
Uvesti dopunske promjenljive za sljedei zadatak LP, ako su:



31
sistem ogranienja:

i funkcija kriterijuma:

Uvoenjem dopunskih promjenljivih: x
3
, x
4
, x
5
, x
6
> 0, dobijamo sistem ogranienja u obliku
sistema linearnih jednaina:

i uz funkciju kriterijuma:

Nakon uvoenja izravnavajuih promjenljivih, standardni sistem linearnih nejednaina sa k=2
promjenljivih i m=4 nejednaine, transformisao se u sistem ogranienja sa etiri jednaine i
n=k+m=2+4=6 promjenljivih veliina.

Model linearnog programiranja u matrinom obliku

Funkcija kriterijuma u matrinoj formulaciji se moe predstaviti kao:

gdje su sa C obiljeeni koeficijenti funkcije kriterijuma:

dok se nepoznata: X=[x
1
, x
2
, ..., x
j
, ..., x
k
, x
k+1
, x
k+2
, ..., x
k+i
, ..., x
k+m
]
T
moe predstaviti i u
obliku transponovanog vektora. Sistem jednaina u matrinoj formi je sada:

32
gdje su dopunski koeficijenti: a
i,k+u
=1 za u = i i a
i,k+u
=0 za u = i (i =1,...,m). Dopunska
matrica oblika E ima vanu ulogu kod formiranja poetne vektorske baze u linearnom
programiranju, i oblika je.

ko matricu =[a
ij
]
mxn
razloimo na vektore kolona kao:

sistem linearnih jednaina se sada moe zapisati kao:

ili krae

Vektore tipa A
<j>
nazivamo vektorima aktivnosti. U ovom sluaju, vektor B smo predstavili
kao linearnu kombinaciju n razliitih vektora A
<j>
(j=1,..., k+m).

Primjer 8.
Matrini oblik zadatka linearnog programiranja. Prethodni zadatak LP (iz Primjera 7.)
moemo zapisati na sljedei nain:
Funkcija ogranienja kao:

pri emu je X >0
ili u vektorskom obliku u vidu linearne kombinacije vektora:
33

sa funkcijom kriterijuma:


Formiranje vektorske baze

Kako su vektori A
<j>
i B vektori m-tog reda, to meu n vektora tipa A
<j>
moe postojati najvie
m-nezavisnih. U tom smislu, ako je prvih m vektora linearno nezavisno, moe se vektor B
predstaviti kao linearna kombinacija oblika:

Izbor od m-vektora moe biti i drugaiji. Kao to se vidjelo (31) ovaj izbor se moe
realizovati na C
n
m
naina. Svaka kombinacija donosi nov rezultat funkcije kriterijuma,
odnosno novu vrijednost vektora X. Najbolja kombinacija vektora A
<j>
u skupu neke
kombinacije baze donosi optimalno rjeenje X
*
, pri emu se postie da je F(X
*
)=maxF(X), to
nazivamo optimalnim programom.
Vektorska baza b moe se predstaviti kao matrica elemenata:
(39)

, uz uslov da je:

,
pri tome redoslijed vektora ne mora u optem sluaju biti jednak redoslijedu vektora ve
ranije formirane (38) inicijalne matrice . Linearnu kombinaciju:
(40)
moemo izraziti preko baze b kao AbX = B. Na osnovu toga slijedi rjeenje po
promjenljivoj:
(41) X=Ab
-1
B
U tom sluaju dobijeni vektor X proglaavamo bazinim rjeenjem problema, kao:
(42) ,
gdje je Ab
-1
inverzna matrica matrice razmatrane baze b. Za prethodne vrijednosti funkcija
kriterijuma jednaka je:
(43)
gdje je vektor C formiran od koeficijenata:


Pored toga svaki nebazni vektor

, se moe izraziti kao linearna
kombinacija baznih vektora, po sledeoj formi:
(44)

, pa je

,
gdje je:

rjeenje problema za vektor A
<j>
. U tom sluaju
vrijednost funkcije kriterijuma iznosi:
(45)

34
Primjer 9.
Formiranje vektorske baze. Za model LP prema Primjeru 6. moe se formirati odgovarajua
matrica i vektori modela.

Izaberimo dva vektora m=2, npr. A
<1>
i A
<3>
kao vektore poetne bazne matrice: Ab=[ A
<1>
,
A
<3>
]. Bazino rjeenje se odreuje na osnovu relacije AbXb=B, ili konkretno:
.
Kako je:

, slijedi da je bazino rjeenje jednako:

Uslov za inverziju matrice je da je ona kvadratna i da je nesingularna, tj. da joj je
determinanta razliita od nule.

Pored toga, mora se definisati i adjungovana matrica adjA i njoj transponovana matrica
(adjA)
T
. Ove matrice su jednake:
Adjungovana:

i njoj transponovana:

Prethodna adjungovana matrica adjA ima sljedee elemente:

lgebarski kofaktori adjungovane matrice odreeni su determinantom A, iji elementi ne
pripadaju redu i koloni gdje se nalazi posmatrani element a
p5
sa predznakom odreenim
izrazom ( 1)
p+5
.
Inverzna matrica je definisana na sljedei nain: ,
to konkretno iznosi:
Prema tome bazno rjeenje je: , ili

,

,
dok je mogue rjeenje u tom sluaju:
Vrijednost funkcije kriterijuma dobija se za vrijednost Xb, kao:

Ista vrijednost se dobija i za mogue bazno rjeenje:
35

Poto se nebazini vektor moe izraziti kao linearna kombinacija bazinih vektora, uzee se
kao primjer da to bude A
<2>
. Inae, pored ovoga vektora nebazian je jo i vektor A
<4>
. Prema
relaciji: AbX
j
=A
<j>
, slijedi:
AbX
2
=A
<2>
, odakle je X
2
= Ab
1
A
<2>
, odnosno:

Dakle, rjeenje za vektor A
<2>
je:

,
odnosno: ,
Vrijednost funkcije kriterijuma sada iznosi:

Uvaavajui da je kompletan vektor: ,
dobijamo istovjetno rjeenje prethodnom:


Simplex metoda

Problem LP se rjeava iterativnom metodom tako to se polazi od jednog skupa linearno
nezavisnih vektora, kojim se obrazuje baza. Poslije toga se vri promjena vektorske baze na
osnovu razraenih kriterijuma, sve dotle dok se ne odredi najpovoljniji skup vektora, koji u
tom sluaju formiraju optimalnu bazu. Simplex metoda, kojom se efikasno rjeava zadatak LP,
zasniva su na sljedeim pretpostavkama: ako se od m linearno nezavisnih vektora

, od matrice , formira baza

, tada se vektor
B izraava putem linearne kombinacije bazinih vektora:
(46)
Nebazini vektor

izraava se, takoe, pomou linearne kombinacije
vektora, kao:
(47)
ko se vri transformacija vektora baze

, tako da jedan od bazinih vektora


bude zamijenjen nebazinim vektorom

, mora da se uvai sljedei uslov, a to je da ako je
bazini vektor

za

, tada mora da bude i da je

. Prethodni izraz (47) se sada
formira kao:
(48)
36
Prethodna relacija (48) moe da se rijei po

, na osnovu ega se dobija:

ili u razvijenom obliku:
(49)
Jednainu (46):

moemo da napiemo isto na sljedei nain:
(50)

ili

ko izvrimo eliminaciju bazinog vektora

, dobijamo:
(51)

, ili


Dakle, vektor B se moe izraziti putem linearne kombinacije novog skupa bazinih vektora

i vektora

. Da bi ovaj skup obrazovao bazino mogue rjeenje
potrebno je da lanovi u zagradi budu nenegativni, tj.
(52)

i
Izbor vektora koji naputa bazu se svodi na tzv. teta kriterijum, to u kvantitativnom obliku
iznosi:
(53)

za
Uvaavajui prethodne uslove, novo bazino dopustivo rjeenje se formira kao:
(54)
ko je vrijednost funkcije kriterijuma za polazno rjeenje jednaka: ,
za novo (poboljano) bazino rjeenje e tada biti: ,
odnosno zamjenom:
(55)
Za ve ranije definisano:

, uz oznaavanje da je vrijednost funkcije za
vektor

, slijedi da je:
(56)

Simpleks kriterijum optimalnog rjeenja
37
Dobijena relacija

pokazuje da se funkcija kriterijuma uveava za
odreenu vrijednost pri promjeni vektorske baze. ko je nebazini vektor

, za

i

sa najmanje jednim

, tada je

. Ovaj rezultat je vrlo vaan jer
pokazuje u kom smjeru se moe poveavati funkcija kriterijuma, sukcesivnom promjenom
vektorske baze. Kako je broj baza konaan, a uzastopnom iteracijom postiemo

, uz
neponavljanje nijedne baze vie puta, najbolje rjeenje, tj. najveu funkciju cilja dobijamo u
konanom broju iteracija. U tom smislu moemo postaviti prvi simpleks kriterijum za
promjenu vektorske baze.
1. ko je

, za jedan ili vie nebazinih vektora, tada u bazu treba uvesti onaj
vektor

sa najmanje jednim

, za koji je pronaeno:
(57)
2. ko je

, i ako su sve vrijednosti

, za najmanje jedan nebazian
vektor, tada problem nema konanog rjeenja.
3. ko je

, za sve nebazine vektore, rjeenje je optimalno. Pri tome treba
smatrati da je izuzet sluaj degenerisanog rjeenja.
Kriterijum naputanja trenutno egzistirajueg vektora baze odreujemo prema ve izvedenom
kriterijumu teta. Naime, treba utvrditi vrijednost:
(58)

, za


Eliminacija vektora slijedi nakon utvrivanja najmanjeg kolinika za vektore B i

. ko je
za
i = u
, kolinik odgovarajueg rjeenja najmanji, pri emu je

(nenegativna), vektor

treba eliminisati iz baze. Kada smo postigli optimalno rjeenje


i ukoliko je za nebazini vektor

, simplex kriterijum

, tada se unoenjem tog
vektora i eliminacijom jednog od bazinih vektora, postie jo jedno optimalno rjeenje, npr.

. Konveksnom kombinacijom ovih optimalnih vektora
postiemo novo optimalno rjeenje kao:
(59)

, gdje je skalar


Pri tome funkcija kriterijuma ovih vrijednosti:
(60)
ostaje nepromijenjena, tj. maksimalna, s obzirom da se ovdje razmatra takav sluaj
ekstremuma.

Primjer 10.
Primjena simplex metode. Za model problema LP (Primjera 6.) potrebno je odrediti:
F(X)=8,5x
1
+9x
2
max F(X)
uz ogranienja:
2,5 x
1
+ 5,5 x
2
s 15
6 x
1
+ 3,5 x
2
s 21 x
j
> 0 (j = 1,2)
Simplex model jednaina ogranienja oblikuje se na osnovu prethodnog sistema nejednaina:
2,5 x
1
+ 5,5 x
2
+ x
3
= 15
6 x
1
+ 3,5 x
2
+ x
4
= 21 x
j
> 0 (j = 1,2)
38
i funkcije kriterijuma: F(X)=8,5x
1
+9x
2
+ 0 (x
3
+ x
4
) max F(X)
gdje su: x
3
, x
4
dopunske (izravnavajue) promjenljive. Prethodni sistem jednaina moe se
napisati u obliku: AX = B. Pri tome su:
matrica tzv. tehnikih koeficijenata: ,
vektor nepoznatih vrijednosti , vektor ogranienja i vektor koeficijenata
funkcije kriterijuma C=[8,5, 9, 0, 0]. Vektori kolona matrice mogu se izraziti kao:
, , i
i na taj nain se matrina jednaina AX = B moe ekvivalentno formulisati putem vektorske
jednaine:
A
<1>
x
1
+ A
<2>
x
2
+ A
<3>
x
3
+ A
<4>
x
4
= B
Za usvojene poetne vrijednosti realnih promjenljivih: x
1
= 0, x
2
= 0 moemo formulisati prvo
bazinu jednainu kao:
A
<1>
0 + A
<2>
0 + A
<3>
15 + A
<4>
21 = B,
kome odgovara poetno (nulto) bazino dopustivo rjeenje:
Konstatujmo da se za poetno bazino rjeenje uvijek uzimaju vjetake promjenljive sa
vrijednostima elemenata vektora ogranienja. Pri tome je vrijednost kriterijumske funcije
najmanja (nenegativna) i iznosi:

Dakle, poetnu bazu ine vektori: Ab=[ A
<3>
, A
<4>
]. Nebazni vektori A
<1>
, A
<2>
mogu se
izraziti posredstvom baznih, kao:

sa elementima: x
11
= 0, x
21
= 0, x
31
= 2,5 i x
41
= 6 i

sa elementima: x
12
= 0, x
22
= 0, x
32
= 5,5 i x
42
= 3,5.
Osnovne karakteristike poetnog modela su sada:

Primjena kriterijuma za ulazak novog vektora u bazu svodi se na eksplicitno odreivanje
najmanje negativne vrijednosti (F
j
c
j
) nebaznih vektora. U tom smislu, imamo sljedee
vrijednosti:
za vektor A
<1>
: F
1
c
1
= (8,50 + 90 + 02,5 + 06) 8,5 = 8,5
za vektor A
<2>
: F
2
c
2
= (8,50 + 90 + 05,5 + 03,5) 9 = 9
39
Kako je: min {(F
1
c
1
), (F
2
c
2
)}= F
2
c
2
= 9, slijedi da u bazu ulazi vektor A
<2>
.
Kriterijum za izlazak jednog baznog vektora A
<j>
svodi se na odreivanje najmanjeg odnosa
vrijednosti tj. min {x
i
/x
ij
}, za izabrani ulazni vektor.
Najmanja vrijednost je: i u tom sluaju vektor
A
<3>
izlazi iz baze. Formiranje nove baze Ab se svodi na izmenu izabranog vektora, to se
simboliki moe predstaviti kao:

Prethodni vektor A
<3>
se moe izvesti iz izraza (63), tako da dobijamo:
(65)
Uvrtavanjem ovog izraza u izraze (62) i (64), respektivno dobijamo (66) i (67), s
napomenom da se svi decimalni brojevi u narednim iteracijama predstavljaju u obliku
razlomka, zbog preciznijeg prikaza i mogunosti da korisnik sam provjeri rezultat:

Pri tome se funkcija kriterijuma poveava na vrijednost:

Primjena kriterijuma min (F
j
c
j
) za ulazak nebaznog vektora u bazu.
za vektor A
<1>
:

za vektor A
<3>
:

Kako je: min {(F
1
c
1
), (F
3
c
3
)}= F
1
c
1
= 97/22, slijedi da u bazu ulazi vektor A
<1>
.
Kriterijum za izlazak jednog baznog vektora A
<i>
svodi se na odreivanje najmanjeg odnosa
vrijednosti tj. min {x
i
/x
ij
}, za izabrani ulazni vektor. Najmanja vrijednost je:

i u tom sluaju vektor A
<4>
izlazi iz baze. Formiranje nove baze Ab se moe predstaviti
simboliki izmjenom vektora:

Vektor A
<4>
se moe izvesti iz izraza (66), tako da dobijamo:
(68)
Zamjenom vektora A
<4>
u (65) i (67), slijede vektori:
(69)
(70)
Primjena kriterijuma min (F
j
c
j
) za ulazak nebaznog vektora u bazu,
za vektor A
<3>
:

40
za vektor A
<3>
:


pokazuje da je naeno optimalno rjeenje jer su sve vrijednosti F
j
c
j
> 0, to je osnovni
uslov kriterijuma najboljeg rjeenja. Vektor optimalnog rjeenja na osnovu rezultata
(70) je sada:
Pri tome je funkcija kriterijuma maksimalna i iznosi:
,
to je istovjetno ve dobijenom rezultatu u Primjeru 6.

Formiranje simplex tabele

Simplex tabeliranje predstavlja efikasan nain da se slino prethodnim algebarskim relacijama
na specifian matrini (tabelaran) nain strukturiraju svi elementi funkcija postavljenog
modela LP. Iterativnim proraunavanjem transformisani elementi tih funkcija (ogranienja i
cilja), takoe, se predstavljaju u narednim simplex tabelama, sve dok se ne postigne optimalno
rjeenje. Osnova sukcesivnog prorauna, na ovaj nain, ekvivalentna je ranije pokazanim
matrinim postupcima proraunavanja. Naime, za formirani simplex model problema LP, npr.
tipa maksimuma, iz sistema jednaina:

i funkcije kriterijuma:

moe se postaviti (nulta) simplex tabela, u oznaci max ST-0 (T-4). Dio oznake ST-0
simboliki predstavlja poetno rjeenje, gdje je funkcija kriterijuma jednaka nuli, dok se
sintaksom max izraava karakter problema koji se rjeava.
max ST-0 (T-4)

Pored toga ostali simboli u simplex tabeli imaju sljedee znaenje:
41
- C vektor koeficijenata uz promjenljive x
j
funkcije kriterijuma (npr. jedinine cijene),
- Cb vektor koeficijenata u funkciji kriterijuma uz promjenljive koje sainjavaju bazno
dopustivo rjeenje. Kod poetne tabele vrijednost ovih koeficijenata je jednaka nuli,
- Xb vektor promjenljivih koje formiraju bazno dopustivo rjeenje.
- B vektor vrijednosti promjenljivih bazno dopustivog rjeenja za posmatranu iteraciju. U
nultom rjeenju ovaj vektor sadri elemente ogranienja desne strane simplex jednaine,
- X
j
predstavlja mnoitelje vektora baze kada se njihovom linearnom kombinacijom izraava
vektor A
<j>
,
- F
j
c
j
- predstavlja razliku izmeu funkcije F(X
j
) = F
j
i koeficijenata c
j
uz j-tu promjenljivu
(j = 1,...,n). Ova vrijednost je, kako je pokazano u formuli (57), indikator da li je rjeenje
optimalno ili ne, pa se definie kao kriterijum optimalnosti.
ko se kolona sa koeficijentima a
ji
i promjenljive x
j
jednaine (71) prebaci na desnu stranu,
dobijamo sljedei sistem jednaina (i = 1,... m, j = 1,...,n):
(73)
Uz pretpostavku da su dopunske promjenljive x
k+i
(i = 1,... m) bazine promjenljive, tada su
ostale promjenljive jednake x
j
= 0 (j = 1,... k). U tom smislu smo formirali prvo bazino
mogue rjeenje kao:
(74) , , ..... , , ..... ,
Funkcija kriterijuma pri ovoj bazi jednaka je nuli (analogno sa F(X) = 0 kod poetnog rjeenja
pri primjeni grafike metode). Razlog tome je to su koeficijenti u funkciji kriterijuma za tu
bazu jednaki nuli, jer oni fiziki ne postoje. Izmjena baze ide u smjeru uvoenja nebaznog
vektora X
j
(j = 1,..., k) (koji uzima adekvatne pozitivne vrijednosti). U tom smislu dobijamo
sljedei izraz:
(75)


Za i-tu jednainu, kao to je poznato u optem modelu LP mogu se javiti sluajevi da je a
ij
{<,
=, >} 0. Najinteresantniji rezultat za analizu je sluaj kada je a
ij
> 0. Tada se moe izabrati x
j
,
tako da jedna od promjenljivih x
k+i
postane jednaka nuli. Dakle, za:
(76) x
k+i
> 0 slijedi da je: b
i
a
ij
x
j
> 0, pa je x
j
s b
i
/a
ij
za a
ij
> 0.
Prethodna relacija predstavlja osnovu za formulisanje kriterijuma eliminacije jedne bazine
promjenljive X
i
(postavljajui je kao vektor). Naime, da bi uslov x
j
s b
i
/a
ij
(a
ij
> 0) bio
zadovoljen, potrebno je izmeu svih m kolinika pronai minimalnu vrijednost. Taj odnos e
se obiljeiti kao i ranije sa teta i dat je u vidu relacije:
(77) , (a
ij
> 0)
Odabranu vrijednost indeksirajmo sa i = u, a zatim u-ti red proglaavamo vodeim redom (T-
5). Ovaj kriterijum za izlazak vektora iz baze poznat je, kako je ranije istaknuto, kao prvi
simplex kriterijum. Drugi simplex kriterijum za izbor novog vektora X
j
, koji pristupa bazi,
zamjenjujui promjenljivu X
i
, zasnovan je na odabiru najmanje vrijednosti (F
j
c
j
) iz skupa
negativnih:
(78) , za vrijednosti F
j
c
j
< 0 (j = 1,..., k)
Odabrana vrijednost e biti obiljeena sa (F
p
c
p
), odnosno indeks odabrane kolone sa j = p.
Oigledno da se isti rezultat postie na osnovu ekvivalentne relacije: . Moe
se zakljuiti da se uz veu vrijednost c
j
i aktualizacijom odgovarajueg vektora X
j
u bazi javlja
novi efekat koji rezultira, obino, poveanju funkcije kriterijuma.
42
max ST-0 (T-5)

Proireni kriterijum, za izbor vektora koji pristupa bazi, primjenjuje se u onim sluajevima
kada se pojavljuje vei broj vrijednosti F
j
c
j
< 0 jednakih ili bliskih po veliini. Njegova
primjena moe ubrzati postupak nalaenja optimalnog rjeenja kroz smanjenje broja potrebnih
iteracija. Meutim, u jednostavnijim modelima LP ne javlja se takav efekat, koji se ogleda u
brzini konvergencije ka optimalnom rjeenju, pa proireni kriterijum nije potrebno
primjenjivati, ve se zadrati samo na osnovnom. Napomenimo da se u fazi ispitivanja u
vrijednosti ne uzimaju u obzir negativne vrijednosti odnosa u= b
i
/a
ij
, prouzrokovane
negativnou vrijednosti a
ji
. Pored toga, moe se desiti da kolinik b
i
/a
ij
bude isti po
vrijednosti za dve ili vie teta vrijednosti u analiziranoj koloni. U tom sluaju dolazi u
pitanje primjena prvog simplex kriterijuma, jer nije jednoznano utvreno koji vektor naputa
bazu b. Ovaj sluaj poznat je kao sluaj degenerisanog rjeenja jer postoji vie kandidata -
bazinih vektora za izlazak iz baze.

Iterativni proraun elemenata simplex tabele

Postupno, proraunavanje koeficijenata unetih u tabelu svodi se na transformaciju svakog
pojedinanog elementa matrice brojeva [M] = [M]
(m+1)(k+m+1)
datih prema (T-6).
(T-6)

Primijetimo da ova matrica sadri (m+1)(k+m+1) elemenata i potrebno ih je transformisati
pri svakoj novoj iteraciji. Ovaj postupak se realizuje sve dotle dok se ne postigne optimalno
rjeenje. Naredna simplex tabela (T-8) u odnosu na prethodnu (T-7) sadri transformisane
vrijednosti elemenata matrice. Naime, nove vrijednosti raunaju se po odreenim pravilima.
Ta pravila su ve prezentovana u metodama vektorskog prorauna, dok e se ovdje iznijeti
dovoljno uproeno, za elemente tekue i naredne matrice.
43
ST - tekua (T-7) ST - naredna (T-8)

Transformacija elemenata van vodeeg reda i van vodee kolone (i = u; j = p) izvodi se kao:
(79)
Transformacija elemenata u vodeoj koloni, izuzimajui vodei element (i = u).
(80)
Dokaz slijedi na osnovu obrasca (79). Za p = j dobija se
Transformacija elemenata u vodeem redu (i = u)
(81)
Transformacija vodeeg elementa (i = u; j = p)
(82)
Dokaz slijedi na osnovu obrasca (81). Za p = j dobija se


Primjeri simplex zadataka

Primjer 11.
Na osnovu prethodnih pravila transformacije odrediti promijenjenu vrijednost funkcije
kriterijuma iz tekue u narednu simplex tabelu.
S obzirom da se F vrijednost nalazi van vodee kolone i reda moemo je smatrati optim
elementom, pa se transformacija te vrijednosti moe izvriti primjenom prvog pravila
transformisanja. Dakle:
(83) ,
gdje su:

i u = b
u
/a
up
. Dobijena relacija odgovara ranije izvedenoj
formi za promjenu (porast) funkcije kriterijuma. Postupak proraunavanja se nastavlja sve
dok se ne ispune uslovi kriterijuma optimalnosti, tj. sve dok sve vrijednosti ne budu:
(84) F
j
c
j
> 0 za (j = 1,..., k + n).
Prethodni obrasci se primjenjuju pri svakoj novoj iteraciji, tako to se tekua tabela smatra
baznom, a izraunavanje se vri za svaku sledeu tabelu vrijednosti.

Primjer 12.
44
U nekoj fabrici se proizvode dva proizvoda P
1
i P
2
primjenom tri tehnoloka sistema: TS
1
, TS
2

i TS
3
. Za tehnoloku obradu jedinice proizvoda potrebno je utroiti efektivno vrijeme za P
1
:
1,2 /as/kom/ na TS
1
, 2 /as/kom/ na TS
2
i 2 /as/kom/ na TS
3
; za P
2
: 2,4 /as/kom/ na TS
1
, 2
/as/kom/ na TS
2
i 1 /as/kom/ na TS
3
. Efektivni kapaciteti Ke
j
pojedinih tehnolokih sistema
iznose: za TS
1
12000 /as/, za TS
2
14000 /as/ i za TS
3
12000 /as/. Sa druge strane funkcija
marketinga informie proizvoaa o potrebnoj koliini proizvoda na tritu, gdje je omoguen
plasman od maksimalno 5500 /kom/ proizvoda P
1
i 4500 /kom/ proizvoda P
2
. Prodajom
preduzee ostvaruje dobit od 4400 /nj/kom/ za P
1
i 1100 /nj/kom/ za P
2
. Na osnovu
sistematizovanih podataka u (T-9) potrebno je:
1. Projektovati optimalan plan proizvodnje u cilju ostvarenja maksimalne dobiti fabrike,
koristei grafiku i simplex metodu.
2. Pronai funkciju kriterijuma opteg oblika koja zadovoljava neogranien broj
optimalnih rjeenja.

(T-9)
Tehnoloki
sistemi
Proizvodi
TS
1
TS
2
TS
3

Plasman
/kom/
Dobit
/ nj/kom /
P
1
1,2 2 2 5500 4400
P
2
2,4 2 1 4500 1100
Efektivni
kapacitet /as/
12000 14000 12000 -
Rjeenje:
1a) Primjena grafike metode za rjeavanje zadatka LP podrazumijeva formiranje sistema
nejednaina i funkcije kriterijuma. U tom smislu je:
matematiki model dobiti:


uz odgovarajue uslove:

Kako koliina proizvoda ne moe biti negativna slijedi da je: x
1
, x
2
> 0. Na osnovu
prethodnih nejednakosti (1), (2) i (3) mogu se formirati segmentni oblici jednaina kojima se
opisuju granine vrijednosti raspoloivog kapaciteta i trinih zahtjeva (4) i (5):

Oblast dopustivih rjeenja je ograniena konveksnim poligonom (oblast D), koji je
projektovan na osnovu sistema nejednaina od (1) do (5). Prava D(X) = 0, koja prolazi kroz
koordinatni poetak, prezentuje nultu funkciju kriterijuma, i ako je transliramo u smjeru
vektora koji se prostire do najudaljenije take na poligonu dobijamo tangirajuu taku kojom
je odreeno optimalno rjeenje X
*
, odnosno maksimalna funkcija dobiti max D(X) = D(X
*
).
45

Sl. 22 Grafika interpretacija optimalnog rjeenja
Na osnovu nulte funkcije dobiti i pomenutog postupka: 4400x
1
+ 1100x
2
= 0, slijedi da je x
1
=
l/4 x
2
. Optimalno rjeenje se tada nalazi u taki B, i dobija se u taki presjeka pravih (3) i
(4):
(3) 2 x
1
+ x
2
= 12000 i
(4) x
1
= 5500.
Rjeavanjem dviju jednaina sa dvije nepoznate vrijednosti struktura i koliina optimalnog
rjeenja proizvodnog programa bi bila sledea: x
1
*
= 5500 /kom/ proizvoda R
1
i x
2
*
= 1000
/kom/ proizvoda R
2
, dok bi funkcija dobiti iznosila:
max D(X
*
) = 4400x
1
*
+ 1100x
2
*
= 25,3 10
6
/nj/.
1b) Da bi neogranien broj optimalnih vektora pripadao jednoj funkciji kriterijuma
maksimalnog ekstremuma, potrebno je da prava te funkcije tangira npr. du BC, (Sl. 23)
odnosno da nova funkcija kriterijuma D(X) = c
1
x
1
+ c
2
x
2
sadri koeficijent pravca isti kao i
definisana prava (3). Na osnovu te prave odreujemo koeficijent pravca kao:
(3) 2 x
1
+ x
2
= 12000 x
1
= x
2
.
46

Sl. 23 Grafika interpretacija optimalnog rjeenja
Dakle, u funkciji kriterijuma mora figurirati parametar c
1
(uz x
1
) dva puta vei od parametra s
2
(uz x
2
), pa jednaina D(X), na osnovu prethodne analize, dobija opti oblik:
D(X) = 2 a x
1
+ a x
2
.
gdje je: a e R, a > 0. Za takav oblik nulte funkcije kriterijuma (D(X) = 0) uvijek dobijamo da
je: x
1
= x
2
, to je saglasno koeficijentu pravca prave (3).
2a) Matematiki model problema primjenom simplex-max metode se oblikuje poslije
dodavanja dopunskih promjenljivih u sistemu linearnih ogranienja:

i funkcije dobiti:

Na osnovu razvijenog simplex matematikog LP modela moe se formirati inicijalna (nulta)
simplex tabela. Ova tabela (matrica) predstavlja osnovnu podlogu za primjenu iterativnih
postupaka proraunavanja.
max ST-0 (T-10)

47
Kako u prethodnoj tabeli postoje dva negativna elementa: D
1
c
1
= 4400 i D
2
c
2
= 1100,
primijeniemo proireni kriterijum, koji u principu skrauje iterativni proces proraunavanja,
mada je u ovom sluaju dovoljna primjena i samo osnovnog kriterijuma, odnosno
pronalaenje najmanje vrijednosti, a to je D
1
c
1
= 4400. li, zbog demonstracije
proirenog kriterijuma predstavljamo kompletnije njegov algoritam. Kako je:
/nj/ i
/nj/,
odluujemo da u naredno bazino dopustivo rjeenje uvedemo promjenljivu X
1
, upravo zbog
dopunskog uslova koji govori da treba uzeti u obzir maksimalnu vrijednost iz skupa
raspoloivih vrijednosti u donjem kontrolnom redu, a to je:
max {u
1
(c
1
D
1
), u
2
(c
2
D
2
)} = max {24,2 10
6
; 4,95 10
6
} /nj/.
Ta vrijednost fiziki predstavlja dobit. Uvoenjem realne promjenljive X
1
(vodea kolona)
izvodimo vjetaku promjenljivu X
6
iz baze (vodei red), jer je u izabranoj koloni uoena
najmanja vrijednost u
1
= 5500. Daljom matrinom transformacijom, na osnovu etiri pravila
za transformaciju: (79), (80), (81) i (82) moemo oblikovati naredne simplex tabele.
max ST-1 (T-11)

max ST-2 (T-12)

Kako su svi elementi reda (D
j
c
j
) > 0 nenegativni (T-12) to je u ovom sluaju pronaeno
optimalno rjeenje i istovjetno je sa rezultatima primjene postupaka proraunavanja
grafikom metodom. U tom smislu, jedno optimalno rjeenje iznosi:
/kom/
Moe se pokazati, u ovom sluaju, da uvoenje jedne od promjenljivih (npr. X
4
ili X
6
) izaziva
promjenu vektorske baze i vrijednost optimalnog vektora, ali ne i maksimalnu vrijednost
funkcije kriterijuma. Dakle, postoji beskonaan broj optimalnih rjeenja. Meutim, mi smo se
zadrali na samo jednom pronaenom.
2b) Maksimalna vrijednost funkcije dobiti moe se oitati direktno iz zavrne tabele, ili
izraunati na osnovu optimalnog vektora koliine proizvoda. Dakle:
48
max D(X) = D (X
*
) = 4400x
1
*
+ 1100x
2
*
= 25,3 10
6
/nj/.
Konstatujmo da je vektor optimalnog rjeenja kompletniji nego vektor dobijen u rezultatu
primjene grafike metode. U ovom sluaju su dobijene i optimalne vrijednosti vjetaki
uvedenih proizvoda, ijom bi se eventualnom proizvodnjom u potpunosti iskoristili vremenski
kapaciteti sva tri tehnoloka sistema.

Primjer 13.
Pronai optimalne vrijednosti promjenljive x
j
(j = 1,2,3) i funkciju kriterijuma D(X)
maksimalnog ekstremuma, primjenom simplex metode za postavljeni sistem nejednaina:

i funkciju kriterijuma:

Rjeenje:
Odgovarajui simplex model na osnovama prethodnog modela sadri sistem jednaina:

i funkciju kriterijuma:

Formirani simplex model je potrebno uneti u poetnu iteracionu tabelu, kao matricu tehnikih
koeficijenata, vektora ogranienja i vektora cijena, to je i uinjeno u tabeli max ST-0.
Postupci prorauna su dati u ostalim tabelama (T-14/15).
max ST-0 (T-13)

max ST-1 (T-14)

49
max ST-3 (T-15)

Optimalno rjeenje se oitava u posljednjoj tabeli, i iznosi:

pri tome je zadovoljen kriterijum optimalnosti, jer su u kontrolnom redu sve vrijednosti D
j
c
j

> 0. U tom smislu je postignuta najvea vrijednost funkcije kriterijuma u iznosu od:
.

Linearno programiranje u odreivanju optimalnog programa proizvodnje

Jedan interesantan problem linearnog programiranja je problem poznat kao odreivanje
optimalnog proizvodnog programa. U sluaju da su nam poznati parametri proizvodnje i
njene integralne podrke, kao to su: vremena operacije rada, efektivni kapaciteti maina,
cijene proizvoda na tritu, ogranienja u pogledu plasmana proizvoda ili druga resursna i
kapacitivna ogranienja, moe se izvriti modeliranje problema i odgovarajuom metodom
pronai najbolji odnos asortimana proizvoda i odgovarajue koliine. Oznaimo sa [x
1
, x
2
, ...,
x
j
, ..., x
n
] koliine n proizvoda koji se dobijaju procesom proizvodnje, sa a
ij
(i = 1,..., m; j =
1,..., n) tehnike koeficijente, gdje se deo i-tog resursa troi za proizvodnju jedinice j-tog
proizvoda (npr. normirano vrijeme izrade /tj/kom/). Ukupno potrebno vrijeme za proizvodnju
x
j
jedinica proizvoda iznosilo bi tada a
ij
x
ij
/tj/. Sagledavajui resursno ogranienje b
i
za
svaku mainu (npr. vremenski kapacitet) moe se formirati i-ta nejednaina kojom se
modeliraju uslovi u pogledu popune efektivnog kapaciteta maine.
(85)
ko sa [c
1
, c
2
, ..., c
j
, ..., c
n
] oznaimo specifine cijene pojedinanih proizvoda P
j
, moe se
sumiranjem formirati ukupna oekivana dobit D(X) od svih proizvoda kao:
(86)
Postupcima optimizacije tei se da proizvodni program bude takav da se postigne najvea
dobit. Meutim, jedan od proizvodnih problema predstavlja problem minimizacije trokova,
npr. transporta u proizvodnji. Tada vektorom
(87) c = [c
1
, c
2
, ..., c
j
, ..., c
n
]
obino definiemo sve znaajnije jedinine trokove, a postupcima optimizacije tei se
iznalaenju minimalnih ukupnih trokova proizvodnje i transporta.
(88)
Ogranienja kod ovog tipa problema su obino data sledeom relacijom:
(89)
mada se u principu relacioni operatori postavljaju u zavisnosti od uslova proizvodnje i
transporta, tj. uslova koje diktira trite ili neki drugi proizvodni faktori. Nekada e se morati
postaviti kao relacija znak jednakosti, npr. u sluaju kada se odgovarajui resurs ili vremenski
50
kapacitet u potpunosti mora iskoristiti. U optem sluaju sistem ogranienja se moe iskazati
u vidu relacija:
(90) (i = 1,..., m; j = 1,..., n)
pri emu se funkcija kriterijuma postavlja kao:
(91)

Primjer 14.
Na bazi primjene metoda optimizacije proizvodnog programa izvriti analizu koliine
proizvoda x
j
i asortimana P
j
(j = 1,...,7) u cilju ostvarivanja najvee dobiti preduzea. Pri tome
su poznati uslovi ogranienja proizvodnje i trita. Po operativnom planu je potrebno
realizovati sedam proizvoda na pet tehnolokih sistema (maina). Pri tome se na svakoj
maini realizuje operacija rada sa vremenom operacije t
ij
(i =1,...,5 i j = 1,...,7) /kom/min/,
datih u tabeli (T-16). Vremenski kapaciteti maina su raspoloivi do odreenog intervala
/min/ i ne mogu se premaiti. Pored tih uslova postoje jo dva trina ogranienja. Naime,
tritu se mora isporuiti tano 1000 komada svih proizvoda, pod uslovom da koliine petog i
sedmog proizvoda ne budu manje od 30 komada. Osnovni podaci potrebni za modeliranje
problema dati su u narednim tabelama.
Matrica operacionih vremena u zavisnosti od proizvoda i maine gdje se predmet rada
obrauje:
(T-16)
Proizvodi P
j

Operacije i
P
1
P
2
P
3
P
4
P
5
P
6
P
7

Kapaciteti
maina /min/
M
1
: operacija 1 2 5 4 25 10 0 30 7000
M
2
: operacija 2 0 25 15 20 0 10 6 9800
M
3
: operacija 3 0 20 5 2 1 0 60 3000
M
4
: operacija 4 1 4 10 18 20 0 20 6200
M
5
: operacija 5 5 0 0 0 0 10 0 3000

Trina ogranienja i uslovi pojavljivanja proizvoda na tritu
(T-17)
Proizvodi P
j
P
1
P
2
P
3
P
4
P
5
P
6
P
7

Potrebe trita
/kom/
Zastupljenost
proizvoda
(0/1 ne/postoji)
1 1 1 1 1 1 1 1000
0 0 0 0 1 0 1 30

Specifine dobiti po pojedinim proizvodima
(T-18)
Proizvodi P
j
P
1
P
2
P
3
P
4
P
5
P
6
P
7

Cijena
proizvoda c
ij

(nj/kom)
17 26 16 30 17 30 10


Rjeenje: Formiranje matematikog modela problema
51

Ogranienja trinog kapaciteta:

Funkcija dobiti:

Prethodni model (92), (93), (94) je rijeen na osnovu kompjuterske metode optimizacije,
posredstvom programskog paketa LINDO*. lgoritam metode je simplex i rezultati su dati na
(Sl. 24). U runom postupku rjeavanjem ovog problema bilo bi potrebno 13 iteracija uz
primjenu osnovnog kriterijuma izmene vektorske baze, ili 6 iteracija primjenom proirenog
kriterijuma transformacije baze. Postavka modela LP programskim putem

Sl. 24
Rezultati proraunavanja optimalnog programa proizvodnje

Sl. 25



52
Optimalno rjeenje, prema (Sl. 25), sadri sljedee koliine proizvoda
/kom/.
Pri tome se postie maksimalna dobit preduzea u iznosu od: max F(X) = 20780,04 /nj/.
Oigledno da broj komada treba izraziti u cjelobrojnim vrijednostima to je i uinjeno
vektorom priblinih vrijednosti. U tom smislu, ovaj problem se moe rjeavati odreenim
metodama cjelobrojnog programiranja.

Primjer 15.
Projektom predvien, amorfni materijal mora sadrati najmanje 40 jedinica vezivnog
materijala , 60 jedinica vezivnog materijala B i 40 jedinica vezivnog materijala C. U
procesu realizacije posla, koriste se dvije vrste graevinskog materijala. Sadraj pojedinih
substituta u materijalu /jedinica/kg/ predstavljen je u sledeoj tabeli (T-19).
(T-19)
Graevinski materijali

Vezivni substituti
GM
1
GM
2

Limitirajua
koliina
/kom/
A 3 1 40
B 2 2 60
C 1 3 40

Pronai najjeftiniju strukturu (sadraj) amorfne mjeavine koja zadovoljava date potrebe, ako
1 kilogram graevinskog materijala GM
1
kota 10 /nj/, dok GM
2
kota 20 /nj/.
Rjeenje:
a) Postupci rjeavanja grafikom metodom zadatka LP. Kako se eli pronai najjeftinija
mjeavina, to je potrebno postaviti minimalnu vrijednost funkcije trokova, odnosno:

uz ograniavajue uslove:

dok promjenljive x
1
i x
2
moraju ispunjavati uslove nenegativnosti, tj. x
1
, x
2
> 0. Najprije se
mogu nacrtati pravci ograniavajuih pravih, vodei rauna o orijentaciji (u smislu
nejednaina). U tom cilju napiimo segmentni oblik pravih koje ograniavaju odgovarajue
oblasti:
53

Grafiko predstavljanje rjeenja je dato na Sl. 26. Oblast dopustivih rjeenja je neograniena
(oblast D) i optimalno rjeenje se nalazi u taki C.

Sl. 26 Grafika interpretacija optimalnog rjeenja

Kako je T(X) = 10x
1
+ 20x
2
= 0, slijedi da je x
1
= 2x
2
. Transliranjem prave T(X), sa
koeficijentom pravca tg a = 2, do najblie take ograniavajuih pravih (jer je u pitanju
minimum funkcije T(X)) dobijamo traeno rjeenje grafikim putem, odnosno analitiku
potvrdu u sljedeem postupku, gdje se optimalno rjeenje nalazi u presjeku pravih (2) i (3):

Dakle, optimalni vektor iznosi:

Praktino znai da struktura graevinske mjeavine traba da sadri 25 /kg/ materijala GM
1
i 5
/kg/ materijala GM
2
, pa e u tom sluaju mjeavina biti najjeftinija i njena vrijednost e
iznositi:
min T(X)=T(X
*
) = 10x
1
*
+ 20x
2
*
= 350 /nj/.
b) Rjeavanje zadataka LP simplex metodom uz dodavanje dopunskih promjenljivih,
matematiki simplex-min model dobija slian oblik kao simplex-max. Meutim, kako
dopunske promjenljive imaju koeficijent -1, a sa desne strane jednaine su pozitivne
vrijednosti, iz tih razloga: x
3
, x
4
i x
5
ne mogu se uzeti u poetno bazino dopustivo
rjeenje. U tom sluaju se jednainama moraju dodati jo i pozitivne vjetake promjenljive,
sa jedininim cenama M. Time matematiki model simplex-min postaje kompletan, odnosno:

uz ogranienja:
54

Koeficijent M predstavlja proizvoljno veliki pozitivni broj i u klasinom (runom) postupku
raunanja, uzima se kao opti. Rezultati primjene algoritama simplex-min metode prikazani su
iteracionim tabelama min ST-0/1/2/3.
min ST-0 (T-20)

min ST-1 (T-21)

min ST-2 (T-22)

min ST-3 (T-23)

Primjenom simplex-min metode dobija se identian rezultat kao u prethodnom sluaju,
aplikacijom grafike metode. U rezultatu ovog postupka postignute su optije optimalne
vrijednosti kojima su uzete u obzir potpune popune svih kapaciteta. U tom smislu se
optimalnim vektorom daju vrijednosti realnih, dopunskih i vjetakih promjenljivih x
j
(j =
1,...,8).
55
/kom/
Pri ovome je zadovoljen kriterijum optimalnosti, vaei za problem tipa min, jer su u
kontrolnom redu sve vrijednosti T
j
c
j
s 0. U tom smislu je postignuta najmanja vrijednost
funkcije kriterijuma u iznosu od: min T(X) = T(X
*
) = 350 /nj/.
Rjeenje problema tipa min znatno je sloenije, sa stanovita uvoenja novih promjenljivih. Iz
tih razloga se esto ide na transformaciju ovog tipa problema u tzv. dualni model, kako bi se
izvrila svojevrsna racionalizacija postupaka proraunavanja, a postigli isti efekti radi
dobijanja optimalnog rjeenja.

Dualni model LP (primjer 16)
Formuliimo dva zadatka linearnog programiranja. Prvo, neka to bude ve poznati model LP
sa sintaksom maksimuma, kojeg emo definisati standardno kao:
Primarni model ili primar, sa sledeom strukturom funkcije kriterijuma:

i ogranienjima:

gdje je broj nepoznatih n i broj jednaina m. Primarni model se krae moe zapisati kao:

ili izraen u matrinom obliku sa:
(99) funkcijom kriterijuma:

(100) i sistemom ogranienja:

Dualni model ili dual e biti oblikovan na osnovu primarnog modela i njegova struktura e
imati funkciju kriterijuma u vidu:

pri ogranienjima:
(102)

gdje je sada broj nepoznatih m, a broj jednaina n. Sistem se moe zapisati u algebarskom
obliku:

(103) sa funkcijom kriterijuma:

56
(104) i sistemom ogranienja:


Zakonitost meu formulisanim zadacima postoji u sledeoj formi:
- Matrica koeficijenata primarnog sistema ogranienja transponovana je u matricu
T

sistema koeficijenata dualnog sistema ogranienja.
- Slobodni lanovi vektora B primarnog sistema ogranienja transponovani su u koeficijente
vektora B
T
dualne funkcije kriterijuma.
- Koeficijenti vektora (cijena) C primarne funkcije kriterijuma ograniavajui su lanovi u
transponovanom obliku C
T
dualne funkcije kriterijuma u(Y).
-
ko se u primarnom sistemu ogranienja postavlja relacija s, u sistemu ogranienja duala
slijedi suprotna relacija >.
- Karakter funkcije kriterijuma se takoe mijenja. Tako, ako smo imali problem tipa max u
primaru, u dualu se sada formulie problem tipa min i obrnuto.
Dualni model LP u matrinom obliku u odnosu na strukturu primarnog modela je izraen kao:
(105) funkcija kriterijuma: min F (Y) = B
T
Y
(106) sa sistemom ogranienja: A
T
Y > C
T

Moe se takoe pokazati da vai sledea teorema:
Maksimum funkcije F(X) pri ogranienjima A X > B jednak je minimumu funkcije F (Y) pri
ogranienjima A
T
Y s C (uz pretpostavku da zadaci imaju rjeenje):
(107) max F(X) = min F(Y)
Navedimo osnovne stavove dualnosti:
- dual duala je primar,
- ako je optimalno rjeenje primara X
*
i duala Y
*
, u tom sluaju vai:
(108) C X
*
= A Y
*

- ako primar (dual) ima konano optimalno rjeenje, onda i dual (primar) ima konano
optimalno rjeenje.
- ako primar (dual) nema ogranieno optimalno rjeenje, onda i dual (primar) nema mogue
rjeenje.

Primjer 16.
Rijeiti problem minimuma primjenom simplex metode i dualnog modela LP, za sluaj
sljedeeg sistema linearnih nejednaina i date funkcije kriterijuma:

Rjeenje:
Dualni model prethodnog primarnog modela se oblikuje na osnovu transpozicije vektora i
matrice koje definiu sistem nejednaina i funkcije kriterijuma primarnog modela LP:
57

Na osnovu dualnog modela moe se formirati proireni simplex dualni model ili tzv. duplex sa
jednainama ogranienja:

i dualnom funkcijom kriterijuma:

Prethodni model je rjeavan iterativno simplex metodom. Optimalno rjeenje se moe oitati u
posljednjoj iteracionoj tabeli maxST-3, gdje se nalaze sva rjeenja optimalnih vektora X
*
,
odnosno Y
*
, kao i ekstremne funkcije kriterijuma minF(X) i max u(Y). U tom smislu
dobijamo rjeenje primarnog modela:
/kom/
pri tome je: minF(X) = F(X
*
) = 2965/22~134,773 /nj/, i
rjeenje dualnog modela:
/kom/.
odnosno: max u(Y) = u(Y
*
) = 2965/22~134,773 /nj/.
Moe se provjeriti da su traene vrijednosti primarne i dualne funkcije kriterijuma
izjednaene, tj:
minF(X) = max u(Y).
Tok postupaka proraunavanja dat je iterativnim tabelama od (T-24) do (T-27).
58

59

60
Transportni problem

Uvod u transportni zadatak

Transportni zadatak jeste specijalan sluaj opteg zadatka linearnog programiranja. Danas ova
oblast pripada operacionim istraivanjima, sa karakteristikom intenzivnog razvoja u periodu
od posljednjih pet decenija. Pojava teorijskih razmatranja zadataka najboljeg transporta vezuje
se za tridesete godine ovoga vijeka (1939.), kada je ruski matematiar Kantorovi prvi
definisao transportni problem (TP), sa linearnim planom distribucije resursa. Meutim,
ameriki matematiar Hikok (Hitchcock, L.F.) par godina kasnije (1941.) oblikuje model TP
i rjeava ga, pa je nauni svijet prihvatio ovaj model transportnog zadatka kao model Hikoka
i oznaava ga kao znaajan datum razvoja nauke o matematikom programiranju. Kasnije
razvijeni modeli TP, proizali su iz metodologije linearnog programiranja, ali se njihov razvoj
bazirao na novootkrivenim, znatno jednostavnijim algoritmima nego to su to algoritmi LP.
Tome su doprinijeli i sami autori izvornih metoda LP, uviajui potrebu za efikasnijim,
specijalnim metodama, ija je brzina konvergencije ka optimalnom rjeenju vea nego kod
ve klasinih metoda, kakva je npr. simplex. Dancig 1951. god. objavljuje rjeenje TP
zasnovano na metodi simplex mnoitelja. U periodu prve polovine pedesetih godina
objavljuju se novi radovi Vogela (Vogel), Takera (Tucker), Barcova (Burcov) u kojima se
definiu razliite modifikacije transportnog zadatka. Metoda arlsa i Kupera (Charls &
Cooper) nastaje 1953. god., i danas je poznata kao metoda skakanja s kamena na kamen
(Stepping Stone Method). Naredne godine Henderson i Stejfer (Handerson & Stajfer)
objavljuju poboljanu verziju ove popularne metode. Metodu optimalnog transporta
prezentovanu u ovom poglavlju autorizovao je Ferguson (Ferguson) 1955. god. kao
modifikovano-diferencijalnu metodu, ili skraeno Mo-Di metodu. Ford i Fulkerson (Ford &
Fulkerson) su 1956. god. objavili metodu koja je esto zastupljena u literaturi o operacionim
istraivanjima kao metoda Forda i Fulkersona. Trendovi razvoja i primjene metoda transporta
su nastavljeni i u narednim decenijama, uz sve veu aplikaciju kompjuterskih programa sa
algoritmima najefikasnijih metoda koje su u pomenutom periodu nastale.

Opti model transportnog problema

U transportnom problemu (zadatku) linearnog programiranja, najee se bavimo problemom
minimizacije ukupnih trokova transporta: resursa, putnika, energije, informacije i sl., koji u
realnim uslovima mogu predstavljati veliki izdatak za odreen ekonomski sistem. Osnovnim
modelom TP se pretpostavlja da je koliina resursa koju treba transportovati odreena i da je
po svojoj prirodi jednorodna (homogena). Dakle, poznata su: izvorita (magacini, skladita) sa
odreenom koliinom resursa koju treba distribuirati do poznatih ponora (odredita, primalac,
prodavnice i sl.). Pri tome se postavlja kriterijum minimizacije ukupnih trokova, tako da se
time postigne najbolje izvrenje distribucije sa strategijom: od kojeg izvorita i sa koliko robe
treba rasporediti transport po transportnim putevima sve do ponora, pod najpovoljnijim
ekonomskim uslovima? Obino su, ovim modelom, poznate specifine cijene transporta i one
predstavljaju ekvivalent za duinu transportnog puta. U tom smislu, obiljeimo izvorita sa:
I
1
, I
2
, ..., I
i
, ..., I
m
, tako da ona sadre respektivno: a
1
, a
2
, ..., a
i
, ..., a
m
koliine resursa za
transport. Pri tome su: |
1
, |
2
, ..., |
j
, ..., |
n
kvantumi (kapaciteti) resursa za transport koji
pritiu iz mjesta izvora u mjesto prijema: P
1
, P
2
, ..., P
j
, ..., P
n


po redu. Oznaimo (Sl. 27)
jedinine trokove resursa sa c
ij
i koliine resursa sa x
ij
= ? koju treba transportovati od mjesta
I
i
do mjesta P
j
.

61

I
1

I
2

I
i

I
n-1

I
n

P
1

P
2

P
j

P
n-1

P
n

c
i1
x
i1

c
i2
x
i2

c
ij
x
ij

c
in-1
x
in-1

c
in
x
in

izvori prijem

Sl 27. ematski prikaz transportnog zadatka

Funkcija cilja sastoji se u odreivanju optimalne koliine distribucije x
ij
, pod uslovom da
ukupni trokovi budu minimizirani (ili maksimizirani). ematski prikaz transporta moe se
modelirati tabelarno na sljedei nain.
(T-28)


Na osnovu tabelarnog prikaza podataka moe se oblikovati funkcija kriterijuma, npr. tipa
minimuma, kao zbir funkcija trokova na svim relacijama:

Prethodni model funkcije trokova e se krae formulisati u obliku:

Dakle, transportni trokovi su konani i sumarno iznose:

Ogranienja se mogu definisati u odnosu na kumulativne vrijednosti transportnih kapaciteta
po svakom redu i svakoj koloni, to se moe zapisati u obliku jednaina:
62

Po definiciji zatvoreni tip transportnog problema podrazumijeva da se ukupna koliina resursa
iz svih izvora isporuuje kompletno ponorima, bez ostatka. U tom smislu imamo sljedee
funkcije ogranienja:
(6) i . Pri tome je: , to slijedi iz prethodnih
relacija. Uvaavajui relacije (4) i (5) dobijamo: .
Nepoznate vrijednosti x
ij
treba tako odrediti da kao poslijedica stoji minimalna vrijednost
funkcije T(X). Broj nepoznatih pri tome iznosi (n m). U transportnom zadatku moemo
razviti, dakle, matricu sa (n m) kolona, to se vidi u sljedeem modelu, ako ogranienja
piemo tako da u jednoj koloni doe samo jedan tip nepoznate promjenljive x
ij
.

Iako prethodni sistem ogranienja sadri (n + m) jednaina, od (n m) nepoznatih, nisu sve
jednaine nezavisne. Jedna od tih jednaina zavisi od ostalih (n + m 1) i to se moe
dokazati. Naime, ako se saberu prvih m-jednaina i od njih oduzme zbir sljedeih (n 1)
jednaina dobijamo:
(8)
63
S obzirom da je: , slijedi da je posljednja jednaina linearna kombinacija
prethodnih (n + m 1) jednaina. Redoslijed jednaina u ovom dokazu pri tome nije bitan.
Dakle sistem je konzistentan i dovoljan za proraun sa ukupno (n + m 1) nezavisnih
jednaina. Nebazine su one koordinate tabele (polja) koje su jednake nuli. Bazno rjeenje je
ono rjeenje transportnog problema preko kojeg se vri transport (x
ij
> 0). Da bi ono bilo
nedegenerisano potrebno je oformiti ukupno r = n + m 1 baznih elemenata. Ovaj broj
predstavlja i rang matrice. ko je r < n + m 1 tada smo postigli degenerisano rjeenje, ime
se javlja dodatni problem transporta. Bazino rjeenje ima ukupno n m (n + m 1) nula.
Prema tome, u bazinom rjeenju broj bazinih promjenljivih je jednak rangu r. U razvijenoj
formi jednaina ogranienja, svakoj jednaini sistema odgovara bar jedan red ili kolona te
tabele. Dakle, svi redovi i kolone sadre jednu ili vie bazinih promjenljivih. U suprotnom,
dolazimo u kontradikciju sa nekom od jednaina. Ovakvi stavovi omoguavaju da lake
doemo do nekog bazinog rjeenja, vodei rauna o konzistentnosti tog rjeenja sa sistemom
ogranienja.

Metode za odreivanje bazno dopustivog rjeenja
Svaki zadatak odreivanja optimalnog transporta zahtijeva postavku modela problema. Taj
postupak obino prethodi iteracijama. Nizom iteracija poboljava se rjeenje transporta, sve
do najbolje varijante. Meutim, i poetno rjeenje zahtijeva primjenu postupaka odreene
metode, bez obzira to tom metodom ne nalazimo najbolje rjeenje. to je efikasnija metoda
odreivanja poetnog bazno dopustivog rjeenja, utoliko je i krai put do optimalnog rjeenja,
prouzrokovan manjim brojem potrebnih iteracija. Ove metode su relativno jednostavne i
zahtijevaju par minuta, aplikacije po jednoj iteraciji, kod jednostavnih modela problema.
Kreu se od intuitivnih, sa malim brojem pravila za aplikaciju, npr:
- dijagonalna metoda,
- metoda minimalnih cijena u redovima,
- metoda minimalnih cijena u kolonama,
- metoda minimalnih cijena u tabeli, i sl.,
do metoda sa neto sloenijom algoritamskom strukturom, kao npr:
- Vogelova aproksimativna metoda i sl.
Sve ove metode se baziraju se na pretraivanju i nemaju egzaktno razraen kriterijum
optimalnosti u kvantitativnom obliku. Racionalnije rjeenje se postie boljim metodama. U
tom smislu, celovito izlaganje ovih neoptimizacionih metoda nije potrebno, s obzirom na
jasne principe koje su kod njih algoritamski definisane. U literaturi se navodi vei broj metoda
transporta, tako da emo ovdje iznijeti samo najinteresantnije.

Dijagonalna metoda - metoda sjeverozapadnog ugla

Nalaenje poetnog rjeenja, to je uobiajena iteracija ka konanoj zavrnoj iteraciji (tj. ka
optimalnoj varijanti), moemo dobiti izmeu ostalih i postupcima dijagonalne metode.
Bazine promjenljive ili polja koja programiramo, preko kojih se vri transport,
rasporeujemo du dijagonale koja se kree od prvog, gornjeg lijevog ugla, tzv. sjevernog
polja (1,1) tabele, a zavrava u zapadnom polju (m,n). Otuda i popularan naziv metoda
sjeverozapadnog ugla (North-West Method). Dakle, odreivanje se vri tako to se poinje
sa distribuiranjem resursa preko gornjeg lijevog ugla matrice, prezentovane tabele vrijednosti
(T-29), i to podmirenjem prvog odredita do maksimalno mogue koliine koju moe da
primi, ili do potpunog ispranjenja prvog izvorita. Ovaj postupak povlai za sobom
eliminaciju iz daljeg prorauna i/ili prvi red i/ili prvu kolonu matrice, u ovom sluaju
zatvorenog tipa transporta.
64
(T-29)
ponori
izvori
Potrebe ponora
Ogranienja
izvora


Dalji postupak (T-30/33) ponavljamo po istom principu sjeverozapadnog ugla za preostali
deo matrice nepopunjenih elemenata tabele. Na ovaj nain smo, za primjer prema podacima
inicijalne tabele dobili jedan plan transporta. Konstatujmo da je rjeenje bazno dopustivo i
nedegenerisano, zbog toga to je (r = n + m 1), gdje su:
- m = 4 - broj kolona matrice,
- n = 3 - broj redova matrice,
- r = 6 - dobijen broj bazno dopustivih rjeenja (broj elemenata u zavrnoj tabeli (T-33) preko
kojih se vri transport).
Funkcija kriterijuma koja prezentuje trokove ovoga rjeenja (T-33) iznosi:
/nj/.
(T-30/33)
ponori
ri
izvori
ponori
ri
izvori
ponori
ri
izvori
ponori
ri
izvori

ponori
ri
izvori
ponori
ri
izvori
ponori
ri
izvori
ponori
ri
izvori


ponori
ri
izvori
ponori
ri
izvori
ponori
ri
izvori
ponori
ri
izvori

ponori
ri
izvori
ponori
ri
izvori
ponori
ri
izvori
ponori
ri
izvori


Obino se model baznog rjeenja TP zbog brzine aplikacije oblikuje na osnovu ove metode,
iako se njome dobija u sloenijim sluajevima slabiji polazni program transporta, koji se
naknadno moe poboljati racionalnijim metodama.

Metoda minimalnih cijena u redovima

Postavljanje transporta izvodi se na mestu transportnog polja (T-34), najpre, gdje je uoena
najmanja cijena u prvom redu. U ovom sluaju to je cijena min {x
11
, x
12
, x
13
, x
14
}= c
13
=2
i na toj poziciji (1,3) postavljamo maksimalnu moguu bazinu vrijednost x
13
= 60. Zatim,
simbolino obiljeavamo onaj red ili kolonu, u zavisnosti od ostvarene konzistentnosti sa
jednainama uravnoteenja, tako da se taj red ili kolona vie ne analizira. U ovom primjeru
(prema podacima iz prethodnog modela), u pitanju je trea kolona.
65
(T-34)
ponori
izvori

Nadalje se razmatra sljedei red sa najmanjom cenom i tako redom do posljednjeg, po istom
principu minimalnih cijena. Ukoliko imamo vie istih minimalnih cijena u redu, odabira se
jedna, bilo koja kao pozicija za novi bazni element. Rezultati primjene ove metode dati su u
tabeli (T-34). Pored toga treba teiti da se dobije bazno dopustivo nedegenerisano rjeenje, tj.
da se ostvari ravnotea: r = n + m 1.

Metoda minimalnih cijena u kolonama
U analiziranoj prvoj koloni postavljamo bazni element na polju najmanjeg troka. Konkretno
ta lokacija je na mestu gdje je min{ x
11
, x
21
, x
31
}= x
31
= 2. Dalji postupci se primjenjuju za
drugu, treu,..., i n-tu kolonu. Princip minimalne cijene po kolonama ekvivalentan je principu
minimalne cijene po redovima, prethodne metode. Takoe se, u sluaju pojave dve ili veeg
broja istih minimalnih cijena bira jedna proizvoljno. Rezultati primjene ove metode dati su u
tabeli (T-35).
(T-35)
ponori
izvori


Metoda minimalnih cijena u matrici
Metoda majmanjih cijena je po jednostavnosti slina prethodnom. Postavljaju se najvei
bazisi x
ij
, tamo gdje su c
ij
najmanje. Dakle, uoavamo minimalnu vrijednost u tabeli, a to je
konkretno

, i na tom mestu lociramo maksimalnu vrijednost transporta x
23
=
60, koja je konzistentna sa ogranienjima drugog reda i tree kolone. Sledea najmanja
vrijednost cijene je x
32
= 1. Stavljajui na tom mestu bazis od x
23
= 135, vie ne razmatramo
trei red. Po istom principu popunjavamo ostala polja tabele i dobijamo rjeenje u tabeli (T-
36), sa ostvarenim ukupnim trokovima T(X)=905 /nj/. Rjeenja mogu biti vievarijantna u
sluaju pojave skupa istovjetnih (minimalnih) cijena. Ovdje ne postoje posebni prioriteti pri
odabiru cijena ako imamo sluaj vie najmanjih cijena, ve se to preputa donosiocu odluka.
Primjenom prethodnih postupaka dobili smo bazno dopustivo nedegenerisano rjeenje.
Meutim, nije sigurno da je ono i najbolje sa stanovita kriterijuma minimalnih trokova
transporta.
66
(T-36)

ponori
izvori


Metoda Vogela
Ovom metodom nalazi se bazino rjeenje, najee suboptimalno, ili kod jednostavnijih
ema transporta i optimalno. Naziv Vogelova metoda proistie od autora metode, a esto se u
literaturi metoda naziva Vogelova aproksimativna metoda (VAM Vogels Approximation
Method). Metoda je iterativna u smislu sukcesivnog pronalaenja bazinih elemenata, iz
iteracije u iteraciju. Osnovni princip metode je izraunavanje najveih razlika izmeu dva
najmanja koeficijenta cijena u svakom redu i u svakoj koloni analizirane matrice trokova. Na
osnovu toga proistiu odluke o postavljanju bazisa. Primjer primjene Vogelove metode dae
se na osnovu ve postavljenog modela jedininih trokova (T-29). Nakon prvog izraunavanja
razlika izmeu dve najmanje cijene svakog reda, odnosno svake kolone, vrimo upisivanje tih
razlika (1, 3, 2, 1) u dodatnom donjem redu, odnosno (1, 3, 1) u dodatnoj desnoj koloni
iterativne tabele (T-37). U skupu od sedam (n+m) vrijednosti bira se najvea, a to je max{ 1,
3, 2, 1, 1, 3, 1 }= 3. U sluaju da se dobije vei broj razlika meusobno jednakih i
istovremeno najveih, daje se prednost onom polju koje sadri najnie jedinine trokove.
Kako drugom redu odgovara minimalna vrijednost cijene c
23
= 0, na tom mestu (2,3)
postavljamo prvi bazis sa najveom loginom vrednou transporta, a to je c
23
= 60. Time smo
iz daljih prorauna eliminisali treu kolonu, to je u tabeli (T-38) predstavljeno zatamnjenom
nijansom. U drugoj iteraciji na isti nain odreujemo razlike najmanjih cijena u preostale tri
kolone i u prvom i drugom redu. Kako je max{ 1, 3, 1, 1, 1, 1 }= 3 i za drugi red min{ 4, 1}=
c
32
= 1, slijedi da na mestu (3,2) treba postaviti maksimalni bazis u iznosu od x
32
= 135. Time
je druga iteracija zavrena i trei red je u potpunosti uravnoteen, koji smo simboliki, takoe,
predstavili zatamnjeno, to je dato u tabeli (T-39).
(T-37/42)










67





U sljedeim iteracijama treba jo da se programira transport preko preostalih est polja.
Imamo na raspolaganju nepotpune: prvu, drugu i etvrtu kolonu i prvi i drugi red. Od pet
izraunatih vrijednosti razlika cijena najvea je i iznosi max{ 3, 1, 1, 1, 1 }= 3. U prvoj
koloni postavljamo bazis na mestu (1,1) u iznosu od x
11
= 90. Time smo u potpunosti
uravnoteili prvu kolonu (T-40). Preostale razlike iznose max{ 1, 1, 1, 1 }= 1 i karakteristina
lokacija je u polju gdje je c
24
= 3. Na tom mestu postavlja se bazis od x
24
= 50 (T-41). Preostala
dva polja x
14
= 75 (T-42) i x
12
= 10 (T-43) komplementarno popunjavamo u skladu sa
jednainama uravnoteenja izvora i ponora. Ove jednaine nee se pisati, zbog jednostavnosti
prorauna i mogunosti brze provjere. Prema tome, posljednja (T-43) donosi nam konane
rezultate aplikacije Vogelove metode. Za ostvarenje ovoga transporta potrebno je utroiti
ukupno T(X)=905 /nj/.
(T-43)

ponori
izvori



Vogelova metoda, iako zahtijeva vie prorauna, pogodna je za primjenu kada se problem
transporta rjeava manuelnim putem i u sluaju modela transporta sa veim broja izvora i
ponora, dakle kod kompleksnijih problema distribucije. Koliko poetna (inicijalna) baza utie
na konano rjeenje TP moe se vidjeti na sljedeem skupu tabelarnog proraunavanja (T-
44/49). Naime, ako umjesto poetne baze na polju (2,3), za isti uzorni model, kao i prethodni
(T-37), postavimo transport na susednom polju (2,4) rezultati prorauna su drugaiji, i u
konanom ishodu slijedi rjeenje sa trokovima transporta od T(X)=945 /nj/.
(T-44/49)










68





Ranije dobijeno rjeenje (T-43) u odnosu na ovo rjeenje (T-49) je povoljnije, sa stanovita
ostvarenja sumarnih trokova, te ga u tom smislu i usvajamo kao konano.

Odreivanje optimalnog rjeenja transportnog zadatka

Osnovna odlika ovih metoda je definisan kriterijum optimalnog rjeenja. Na osnovu ovog
kriterijuma u kvantitativnom obliku se verifikuje poetno bazino rjeenje, da li je najbolje ili
se jo moe poboljati do optimalnog. Pored toga, ovim metodama se dolazi do boljeg
bazinog rjeenja i podatka za koliko se pri tome smanjuje funkcija kriterijuma trokova.
Meutim, iako su ove metode visoko elaborirane pri njihovoj primjeni moe se ponekad javiti
dilema u procesu odabira bazinog transportnog polja. Tada je potrebno doneti odluku na bazi
konanog pretraivanja, odnosno heuristiki. U svakom sluaju greka se nee pojaviti ako
svaka nova iteracija, u odnosu na prethodnu, npr. kod problema tipa min., donese manje
trokove transporta, uz ouvanje konzistentnosti jednaina ogranienja. Od poznatijih metoda
transportnog zadatka istaknimo etiri, i to:
-Mo-Di (modifikovana diferencijalna) metoda.
-Metoda s kamena na kamen.
-Metoda Forda i Fulkersona i
-Metoda uslovno optimalnih planova.
Kao izabrana metoda optimizacije plana transporta, u narednom poglavlju, prezentovae se
metoda Mo-Di.

Mo-Di metoda

Metoda Mo-Di predstavlja modifikovanu metodu diferencijala i pripada grupi metoda
raspodele (modification distribution). Razvio je Dancig na osnovu metode simplex LP i otuda
joj jo i naziv metoda simplex mnoitelja, ili koeficijenata u-v. Naziv modifikovana
proistie iz modifikovanog oblika funkcije kriterijuma u koju su uvrteni simplex mnoitelji.
Taj oblik modifikovane funkcije, bez detaljnog izvoenja, je:
(9)
gdje je uveden diferencijal: A
ij
= c
ij
u
i
v
j
. Za baznu promjenljivu vrijednost funkcije
kriterijuma je uvijek:

, pri emu mora biti zadovoljen uslov da je
A
ij
= 0, ili se koeficijenti u
i
i v
j
formiraju tako da njihov zbir bude jednak vrijednosti cijene
polja preko kojeg se vri transport tj. c
ij
= u
i
+ v
j
. U optem sluaju potencijali mogu biti
pozitivni, negativni ili jednaki nuli. Kod nedegenerisanog bazno dopustivog rjeenja broj ovih
bazinih elemenata jednak je rangu matrice transporta r = n + m 1, dok je broj koeficijenata
u
i
i v
j
za jedan vei od ranga tj. jednak je n + m. Iz razloga potpune reivosti sistema
jednaina, za jedan od tih potencijala se pretpostavlja da je jednak nuli, mada se moe usvojiti
i neka druga proizvoljna vrijednost. Obino se uzima onaj potencijal koji se najvei broj puta
69
pojavljuje u formiranim jednainama bazinih cijena. U optem sluaju verifikacija
optimalnog rjeenja transporta pomou potencijala zasniva se na sljedeim stavovima:
Stav 1: ako je za sve bazno dopustive elemente (i, j), tj. za x
ij
> 0, ispunjen uslov:
(10) A
ij
= c
ij
u
i
v
j
= 0, a za nebazina polja, tj. za x
ij
= 0 i
Stav 2: za diferencijal A
ij
kada je ispunjen uslov nenegativnosti
(11) A
ij
= c
ij
u
i
v
j
> 0
sledi da je bazini program najbolji, u oznaci X
*
=[x
ij
*
]
mn
. Time se garantuje minimalna cijena
transporta T(X
*
)=minT(X), od izvorita do ponora (odredita).
Dokaz: Za formirani program transporta X=[x
ij
]
mn
i skup potencijala reda i kolona, koji
zadovoljavaju uslove Stava 1. i 2., ukupni trokovi transporta iznosie:
(12)
Preformulacijom programa transporta, u smislu nove eme, koju emo oznaiti sa [x
ij
], neke
od promjenljivih se poklapaju sa prethodnim, a u nekim, gdje su x
ij
bile jednake nuli sada su
formirane pozitivne vrijednosti

. Za polja gdje se x
ij
i

poklapaju vaea je i dalje relacija
A
ij
= c
ij
u
i
v
j
= 0, tj. c
ij
= u
i
+ v
j
, a u poljima gdje su promjenljive x
ij
= 0, a

, slijedi
nova relacija c
ij
> u
i
+ v
j
, to se direktno odraava na ukupan transportni troak, koji sada
iznosi:
(13)
Dakle, izmenom programa u odnosu na optimalni program uvijek se poveavaju trokovi, ili
inverzno, posmatrajui loiji plan uvijek se moe poboljati dovoenjem diferencijala u
sledeu relaciju:
(14) A
ij
= c
ij
u
i
v
j
> 0
Dokaz ove teoreme moe se nai u literaturi [14].

Primjer 17.
Kako se verifikuje optimalno rjeenje pokazae se na primjeru za ve postavljeno bazno
dopustivo nedegenerisano rjeenje dobijeno metodom Vogela. Poetni bazini plan dat je u
tabeli (T-50).
(T-50)
ponori
izvori



Rjeenje:
Bazna polja predstavljena su u tabeli (T-50) zaokruenim vrijednostima transporta i njihov
broj je r = n + m 1 = 6 ime je predstavljeno bazno dopustivo i nedegenerisano rjeenje.
-Jednaine baznih cijena za est polja formiraju se na osnovu formule: c
ij
= u
i
+ v
j
. U tom
smislu imamo sljedee jednaine baznih cena:
70

Usvajajui da je npr. potencijal u
1
= 0, kao koeficijent koji je najfrekventniji u jednainama i s
tog stanovita olakava proraun. Broj nepoznatih je izjednaen sa brojem jednaina, pa je u
tom sluaju prethodni sistem jednaina reiv.
-Formiranje diferencijala A
ij
= c
ij
u
i
v
j
za nebazna polja transporta.

Kako su sve vrijednosti diferencijala A
ij
> 0, nenegativne, moemo zakljuiti da je predloeno
rjeenje ujedno i optimalno, jer se Mo-Di kriterijumom optimalnosti ono i verifikovalo na
kvantitativnoj osnovi. Pri tome je ostvaren najmanji troak transporta u vrijednosti od:
/nj/.

Primjeri 18, 19 i 20

Primjer 18.
Odrediti optimalnu raspodelu materijala x
ij
tako da ukupni trokovi transporta budu
minimalni. Materijal se transportuje iz etiri izvorita I
i
u tri odredita O
j
. Postojea koliina
materijala a
i
u izvoritima, potrebna koliina b
j
u odreditima, kao i specifine cijene
transporta c
ij
date su u tabeli (T-51).
(T-51)
ponori
izvori



Rjeenje:
Primjena metode sjeverozapadnog ugla u nalaenju poetnog bazinog rjeenja
Primjenom metode sjeverozapadnog ugla smo dobili poetni, bazno dopustivi plan transporta
(minTP-0) uz konstataciju da je rjeenje degenerisno, zbog toga to je m + n 1 = 4 + 3 1 =
6 > r = 5, gdje su:
- m = 3 broj redova matrice,
- n = 4 broj kolona matrice,
- r = 5 broj bazno dopustivih promjenljivih (broj elemenata tabele preko kojih se vri
transport).
71
min TP-0 (T-52)

ponori
izvori



dok je funkcija kriterijuma, pri ovome, prezentovala poetne (neminimalne) trokove u iznosu
od:
/nj/.
Primjena Mo-Di metode u nalaenju optimalnog rjeenja
Za odreivanje optimalnog rjeenja potrebne su nam savrenije metode od kojih je jedna, ve
pomenuta, iterativna, modifikovano-diferencijalna ili Mo-Di metoda. U literaturi je nalazimo i
pod nazivom metoda potencijala. Mo-Di metoda sadri sljedee algoritme:
I iteracija: Vrijednosti potencijala u
i
i v
j
odreuju se tako da koeficijenti uz bazine
promjenljive (x
ij
> 0) budu jednaki nuli, tj. A
ij
= c
ij
u
i
v
j
= 0. Na osnovu ega slijedi da je:
c
ij
= u
i
+ v
j
(i = 1,..., 4; j = 1,..., 3), pa je za ovaj primjer karakteristino:

Jednoj promjenljivoj moemo dodeliti proizvoljnu vrijednost, a mogunost je da to bude i
nula, s tim da se moe odabrati promjenljiva koja se pojavljuje u najvie jednaina. Usvajamo
da je potencijal u
1
= 0 (mada se u ovom sluaju moe alternativno usvojiti i da je v
2
= 0). Na
osnovu toga slede rjeenja nekih potencijala:

Kao poslijedica degenerisanog bazinog rjeenja (minTP-0) javlja se sluaj da dve posljednje
jednaine (c
32
, c
43
) ne mogu da se iskoriste za odreivanje promjenljivih zbog postojanja
veeg broja nepoznatih od dve. Iz tih razloga jedna od nebaznih promjenljivih x
ij
treba da
postane pozitivna, tj. bazna, s tim da njoj odgovaraju najnii jedinini troak, pod uslovom da
jedan od indeksa (i ili j) stvara logiku vezu sa ostalim poznatim indeksima bazinih
potencijala, tj:

Kako je: c
42
= u
4
+ v
2
= 1 slijedi da je u
4
= c
42
v
2
= 1 8 = 7. Prema tome, promjenljivoj:
x
42
= o > 0, dodeljujemo proizvoljno malu pozitivnu vrijednost (~0) i proglaavamo je
vjetakom bazom, a za nebazino promjenljive odreuje se najnia vrijednost potencijala A
ij
,
72

Kako smo dobili dve najmanje vrijednosti, biramo jednu od njih proizvoljno. Neka to bude
A
23
= 11 i na tom mestu emo postaviti novu bazino promjenljivu x
23
= (minTP-1), kojoj
se sada dodeljuje maksimalna logika vrijednost = 10 /kom/.
minTP-1/2 (T-53/54)

odredita
izvorita

potencijal

potencijal
odredita
izvorita

potencijal

potencijal



odredita
izvorita

potencijal

potencijal
odredita
izvorita

potencijal

potencijal

Zbog transformacionih uslova bazinih promjenljivih iz (minTP-1) u (minTP-2) poligon
(linije sa strelicama) formiramo preko izabranog polja (2,3), pa preko polja (4,3), zatim
preko lokacije vjetake baze (4,2) i polja (2,2), zatvarajui ga poljem (2,3). Time smo
zatvorili transformacioni lanac u obliku pravougaonika. Napomenimo da poligon ne mora
uvijek biti u obliku pravougaonika, kao to je npr. prikazano tabelom (T-59).
II iteracija: Dalje, iterativni postupak ponavljamo kao i u prethodnim sluajevima. Za bazinu
promjenljivu veliine usvajamo u
1
= 0, pa slijedi da je:

Na osnovu kriterijuma najniih jedininih trokova (nebazinih promjenljivih) i logikom
vezom cijena i potencijala, putem indeksa (ij) usvajamo (T-54):

73
Kako je: c
21
= u
2
+ v
1
= 2 slijedi da je: u
2
= c
21
v
1
= 2 6 = 4. Promjenljivoj x
21
= o > 0
(~0) dodeljujemo novu vjetaku vrijednost, a nebaznim potencijalima odreujemo najniu
vrijednost:

a to je A
13
= 6. Na toj lokaciji postavljamo novu promjenljivu x
13
= = 10.
minTP-3 (T-55)

odredita
izvorita

potencijal

potencijal

minTP-4 (T-56)

odredita
izvorita

potencijal

potencijal

Oigledno je da smo novim planom, zatvarajui poligon preko vjetake baze o i nove realne
, takoe, dobili bazno dopustivo degenerisano rjeenje transporta, ali sa smanjenom
vrednou funkcije kriterijuma u odnosu na prethodno rjeenje.
III iteracija: Projektovanjem novog plana transporta (T-56), ija je glavna karakteristika
nedegenerisanost bazino dopustivih rjeenja, jer je m + n 1 = r = 6. Moe se provjeriti da li
je ovo rjeenje optimalno ili ne, na osnovu sljedeih postupaka:
- Za bazine promjenljive, pri usvojenoj vrijednosti u
1
= 0, slijedi da je:

- Za nebazine promjenljive diferencijali iznose:
74

Kako su sve vrijednosti A
ij
> 0 nenegativne time je pronaen optimalan plan transporta, pri
emu su transportni trokovi minimalni i iznose:
/nj/.

Primjer 19.
Preduzee se snabdijeva resursima R
j
(j = 1,..., 4) za potrebe proizvodnje, iz skladita
materijala S
i
(i = 1,..., 4). Kapaciteti skladita /kg/, dnevne potrebe proizvodnje /kg/ i jedinini
trokovi transportovanja c
ij
/nj/kg/ dati su u narednoj tabeli.
(T-57)

Preduzea

Skladita

a. Odrediti najbolju distribuciju resursa za proizvodnju da bi se ukupni trokovi
transportovanja minimizirali?
b. Izraunati dnevne utede koje se postiu transportom resursa u odnosu na trokove
dobijene na osnovu eme transporta metodom sjeverozapadnog ugla.
Rjeenje:
Poetno bazno dopustivo rjeenje moemo dobiti primjenom metode sjeverozapadnog ugla.
Tom raspodelom transporta smo istovremeno dobili nedegenerisano bazno dopustivo rjeenje
(minTP-0), jer je broj potrebnih nezavisnih linearnih jednaina m + n 1 = 4 + 4 1 = 7
jednak broju formiranih baznih elemenata r = 7, te nema potrebe za formiranjem vjetake
baze.
minTP-0 (T-58)

Preduzea

Skladita

Za nalaenje optimalnog rjeenja primjenjivae se Mo-Di metoda. U tom smislu formirajmo
sljedee jednaine:
I iteracija: Iz relacije za bazne elemente c
ij
= u
i
+ v
j
, i za usvojenu vrijednost potencijala npr.
v
3
= 0 izraunavaju se nepoznati potencijali: u
i
, v
j

75

Iz jednaina diferencijala A
ij
= c
ij
(u
i
+ v
j
), za nebazne elemente, slijedi najmanji diferencijal,
kao osnova za formiranje novog transportnog puta.

Pri tome funkcija trokova poetne eme transporta iznosi:
/nj/.
minTP-1 (T-59)
Preduzea

Skladita

II iteracija: Realokacija baznih elemenata (minTP-2). Iz jednaina za bazne elemente c
ij
= u
i

+ v
j
i za usvojenu vrijednost potecijala (u
4
= 0), izraunavaju se ostali potencijali u
i
, v
j
:

Iz jednaina diferencijala A
ij
= c
ij
(u
i
+ v
j
) za nebazne elemente i formiranja novog
transportnog puta na osnovu kriterijuma
nebazno
slijedi:
76

Pri tome je funkcija trokova:
/nj/
minTP2 (T-60)
Preduzea

Skladita

III iteracija: Realokacija baznih elemenata (minTP-3). Iz jednaina za bazne elemente c
ij
= u
i

+ v
j
i za usvojenu vrijednost potencijala (u
4
= 0), slede ostali potencijali u
i
, v
j
:

Iz jednaina diferencijala A
ij
= c
ij
(u
i
+ v
j
) za nebazne elemente i formiranja novog
transportnog puta na osnovu kriterijuma
nebazno
slijedi:

Pri tome je funkcija trokova:
/nj/.
77
minTP-3 (T-61)
Preduzea

Skladita

IV iteracija: Realokacija baznih elemenata. Iz jednaina cijena za bazne elemente c
ij
= u
i
+ v
j
,
za usvojenu vrijednost potecijala (v
3
= 0), izraunavaju se ostali nepoznati potencijali u
i
, v
j
:

Iz jednaina diferencijala A
ij
= c
ij
(u
i
+ v
j
) za nebazne elemente i formiranja novog
transportnog puta na osnovu kriterijuma
nebazno
slijedi:

Kako je za sve vrijednosti baznih i nebaznih elemenata postignut diferencijal A
ij
> 0,
optimalno rjeenje je pronaeno u posljednjoj iteraciji i moe se prezentovati tabelarno
(minTP-4).
minTP-4 (T-62)

Preduzea

Skladita

ili u matrinom obliku:
78
.
Pri tome je funkcija trokova minimizirana na vrijednost:
/nj/
Trokovi su umanjeni u odnosu na poetno rjeenje u iznosu od:
/nj/.

Primjer 20.
Graevinsko preduzee se snabdijeva materijalom G
j
(j = 1,..., 5) za potrebe visokogradnje iz
skladita polufabrikata S
i
(i = 1,..., 4). Kapaciteti skladita, dnevne potrebe gradilita i
jedinini trokovi transportovanja dati su u narednoj tabeli.
minTP-0 (T-63)
Gradilita
Skladita

a. Odrediti najbolju distribuciju graevinskog materijala na gradilitu da bi ukupni
trokovi transportovanja bili najmanji?
b. Kolike se ukupne utede postiu u transportu materijala u odnosu na poetni program
transporta, iji trokovi iznose T(X
(0)
) /nj/?
Rjeenje:
Poetno bazno dopustivo rjeenje je nedegenerisano, jer je broj potrebnih linearno nezavisnih
jednaina m + n 1 = 5 + 4 1 = 8 jednak broju formiranih baznih elemenata, tj. r = 8. Za
nalaenje optimalnog rjeenja, aplicirae se modifikovana diferencijalna metoda.
Pri tome vrijednost funkcije trokova poetnog rjeenja iznosi:
/nj/.
I Iteracija: Iz jednaina baznih elemenata c
ij
= u
i
+ v
j
usvajamo u
4
= 0, kao najfrekventniji
nepoznati potencijal. Ostale potencijale rjeavamo komplementarnim putem i zamjenom
dobijamo:

79
Za nebazne elemente izraunavamo diferencijal tipa: A
ij
= c
ij
u
i
v
j
, i biramo najmanji
nebazno
. Na tom mestu se postavlja nova baza x
ij
.

minTP-1 (T-64)
Gradilita
Skladita

minTP-2 (T-65)
Gradilita
Skladita

Vrijednost funkcije trokova poslije prve iteracije (minTP-2) iznosi:
/nj/.
II Iteracija: Iz jednaina baznih elemenata c
ij
= u
i
+ v
j
, usvajamo u
4
= 0.

80
Za nebazne elemente izraunavamo diferencijal A
ij
= c
ij
u
i
v
j


Vrijednost funkcije trokova poslije druge iteracije (minTP-4) iznosi:
/nj/.
minTP-3/4 (T-66/67)

Gradilita
Skladita
Gradilita
Skladita



Gradilita
Skladita
Gradilita
Skladita

III Iteracija: Iz jednaina baznih elemenata c
ij
= u
i
+ v
j
, usvajamo, takoe u
4
= 0.

Za nebazne elemente izraunavamo diferencijal A
ij
= c
ij
u
i
v
j

81

Vrijednost funkcije trokova poslije tree iteracije (minTP-6) iznosi:
/nj/.
minTP-5/6 (T-68/69)
Gradilita
Skladita
Gradilita
Skladita


Gradilita
Skladita
Gradilita
Skladita

IV Iteracija: Iz jednaina baznih elemenata c
ij
= u
i
+ v
j
, usvajamo: u
4
= 0.

Za nebazne elemente izraunavamo diferencijal: A
ij
= c
ij
u
i
v
j

82

Moemo konstatovati da su svi diferencijali i za bazne i za nebazne elemente A
ij
> 0, ime je
zadovoljen kriterijum optimalnosti (minTP-6) i postignut najjeftiniji transport sa trokovima:
/nj/.
b. Ukupne utede postignute za odreen period transportovanja graevinskog materijala
u odnosu na poetno neoptimalno rjeenje transporta, iznose:
/nj/.

You might also like