P. 1
Linearno Programiranje

Linearno Programiranje

|Views: 1,024|Likes:
Published by Mustafa Kehonjić

More info:

Published by: Mustafa Kehonjić on Dec 26, 2011
Copyright:Attribution Non-commercial

Availability:

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

11/14/2015

pdf

text

original

Sections

  • Primjer 1
  • Primjer 2
  • Primjer 3
  • Primjer 4
  • Primjer 5
  • Primjer 6
  • Primjer 7
  • Primjer 8
  • Primjer 9
  • Primjer 10
  • Primjer 11
  • Primjer 12
  • Primjer 13
  • Primjer 14
  • Primjer 15
  • Primjer 16
  • Primjer 17
  • Primjer 18
  • Primjer 19
  • Primjer 20

1

Uvod

Modeli i metodi Operacionih istraživanja

Predmet Operacionih istraživanja

Početkom četrdesetih godina formirana je u Velikoj Britaniji grupa istraživača nazvana
operativnom grupom, dok je nešto kasnije, njenim proširenjem, promovisana posebna naučna
aktivnost nazvana operacionim istraživanjima. Osnovni zadatak ove grupe je bio da
primjenom postojećih i razvojem novih naučnih metoda na kvantitativnim osnovama daju
odgovore po pitanju najboljeg ili “dovoljno dobrog” funkcionisanja: tehničkih,
organizacionih, ekonomskih i drugih sistema u postojećim uslovima. Roi (Rou, А.),
rukovodilac istraživačkog tima u Bodsiju (Bawdsey Research Station), meĎu prvima je
upotrijebio termin operaciona istraživanja za specifične poslove koje je razvijala i
primjenjivala ova grupa. Početkom pedesetih godina nastavilo se sa razvojem nove discipline,
koja u osnovi sadrži integraciju raznih disciplina. Tokom te decenije, za veoma kratko
vrijeme, ova nauka dala je privredi značajan niz korisnih metoda za rješavanje brojnih
zadataka iz industrije, eksploatacije rudnog bogatstva, transporta, nalaženja optimalnog
proizvodnog programa, utvrĎivanje najboljeg redoslijeda proizvodnje, planiranja realizacije
složenih projekata i sl. U tom periodu proizvodno - poslovni sistemi zahtijevali su intenzivna
istraživanja na području protoka novca, proizvoda i usluga, pa se javila nauka o poslovnom
upravljanju (Management Science) sa nizom dodirnih tačaka sa operacionim istraživanjima, u
pogledu razvijenih modela i metoda i njihove primjene. Ova granica posljednjih decenija
postepeno se izgubila mada su ostala samo specifična područja primjene metoda kod jedne u
odnosu na drugu disciplinu. Iako definicija predmeta Operaciona istraživanja nije
jednoznačna, zbog njene interdisciplinarnosti, ovdje joj se daje uopštena formulacija:
operaciona istraživanja predstavljaju skup kvantitativnih modela i metoda pomoću kojih se
odreĎuju nova rješenja na osnovu naučnih principa optimizacije ili suboptimizacije. MeĎutim,
definicija za operaciona istraživanja u medicinskim ili nekim drugim naukama bila bi slična
kao prethodna, ali sa odreĎenim specifičnostima u njenoj konkretizaciji. U svakom slučaju
oblikovanje modela problema i razvoj i primjena metoda operacionih istraživanja zahtijevaju
djelovanje tima stručnjaka raznih specijalnosti. Kao primjer, za oblikovanje tokova materijala
u mašinogradnji potrebno je angažovati: sistem analitičara tokova, inženjera tehnološkog
postupka, ekonomistu za kalkulaciju troškova proizvodnje i njene integralne podrške,
matematičara za oblikovanje matematičkog modela i algoritama planiranja i upravljanja
proizvodnjom i programera koji će tom modelu dati softversko izdanje. Dakle, ovaj tim ljudi,
kao operacioni istraživači, odgovorni su za racionalno rješenje i postavljanje funkcije
kriterijuma, i to u pogledu npr: povećanja dobiti, smanjenja troškova tokova, povećanja
vremenskog i resursnog kapaciteta proizvodnje i sl. Pomenuti zadatak nije ni malo lak. Pored
definicije relevantnih faktora tokova i uspostavljanja zavisnosti izmeĎu elemenata
proizvodnje i njenih ograničenja, primjena tehnike operacionih istraživanja zahtijeva
očigledno dobru bazu da bi realni problemi bili vjerodostojno riješeni, a zatim uspješno
primijenjeni u praksi. U tom smislu, koncepcija ovoga udžbenika je orijentisana ka teorijskom
shvatanju odabranih modela i metoda, kojih ima i determinističkih i stohastičkih, zbog većeg
približavanja tih modela obilježjima realnih entiteta. Pod entitetom se podrazumijevaju
pojmovi iz realnosti (realitet) kao što su: sistemi, procesi, pojave, dogaĎaji, itd. koji su
interesantni za proučavanje, a koji su u vezi sa proizvodnjom, obrazovanjem, ekonomijom i
sl. Fizički entitet predstavlja najčešće materijalne objekte sa strukturama odreĎenog stepena
složenosti.
2

Matematički modeli i njihovo modelovanje

Model nekog objekta, po opštoj definiciji, predstavlja ureĎen skup informacija kojima se
iznosi predstava o entitetu. Entitet je u ovom slučaju, kao što je rečeno, realni objekat,
odnosno objekat koji je predmet i baza za modeliranje. Аko matematički model dobro
prezentuje problem, tada se očekuje da i rješenje dobijeno pomoću modela bude adekvatno
postavljenom problemu. Poznato je u većini slučajeva, da bi se primijenila neka metoda,
potrebno je na osnovu modela matematički formalizovati problem. MeĎutim, za rješavanje
mnogih modela još nisu pronaĎene efikasne metode rješavanja. Modeli treba da omoguće
čovjeku da predvidi i upravlja pojavama, odnosno entitetima. U tehničkim disciplinama traži
se matematički model koji pruža racionalnu interpretaciju funkcionisanja realnih entiteta.
Matematički model stvarnog entiteta predstavlja ureĎen skup matematičkih relacija (formula,
jednačina, nejednačina, logičkih uslova, relacionih operatora, operanata i sl.) koji opisuju
entitet, odnosno odreĎuju njegove karakteristike. Često, zbog složenosti entiteta i interakcije
sa njegovim okruženjem, usvajaju se samo primarne osobine entiteta i parametri njegove
interakcije sa okolinom. U tom smislu, u procesu matematičkog modeliranja problema, koji se
vezuje za realni entitet, treba voditi računa o sljedećem:
- Model je samo jedna matematička formulacija odreĎenog stepena aproksimacije entiteta.
Koliko će on biti detaljan, zavisi od kompleksnosti zadataka, raspoloživosti metodama
(algoritamske, heurističke) za njegovo rješavanje, vještine i potrebe korisnika da razviju
model na dovoljnom i potrebnom nivou i apliciraju postupke za rješavanje takvog modela.
- Matematički model ne može da pruži uvijek novu informaciju o entitetu, kao i da ga
zamijeni, ali može na osnovu dobijenih rješenja da stvori vjerodostojniju sliku o entitetu i
njegovim funkcijama.
- Operacionom istraživaču se omogućava, na osnovu korektno postavljenog modela,
eksperimentisanje tim modelom, čime se stvara veća pogodnost za donošenje kvalitetnijih
odluka na kvantitativnim i kvalitativnim osnovama.
Modeli u operacionim istraživanjima su egzaktne prirode i oblikuju se na osnovu formalnih
jezika poznatih u matematici. Uglavnom susrećemo sljedeće načine i porijeklo njihovog
oblikovanja:
- Na osnovu eksperimentalnih podataka.
- Na osnovu provjerenih matematičko-fizičkih zakona o ponašanju entiteta,
- Pomoću analize i sinteze kao originalnog, kombinovanog, odnosno izvedenog postupka o
meĎusobnim zavisnostima promjenljivih u entitetu.
Matematički modeli sadrže klasu objekata simbolički definisanih (skalari, vektori, matrice) i
relacije izmeĎu njih. Mnoštvo relacija se opisuje matematičkim operacijama koje meĎusobno
povezuju jedan ili više operanada. Modeli se mogu podijeliti po još nekim karakteristikama:
- Prema dinamici u vremenu, modeli se dijele na:
- statičke, gdje veličine i relacije nisu funkcije u vremenskom horizontu modela, tj.
stacionarne su, ili se modelom opravdano zanemaruje promjena u vremenu,
- dinamičke, gdje se modelom obuhvataju veličine koje su funkcije vremena.
- Prema odreĎenosti komponenata u modelu (“vjerovatnoći” i “rasplinutosti”) dijele se na:
- determinističke, gdje su komponente strogo odreĎene veličine,
- stohastičke, gdje se efekat veličina opisuje kao slučajan (slučajna promjenljiva),
- fazi, (fuzzy) gdje se vrijednosti modeliraju kao “rasplinute” veličine promjenljivih nekog
skupa.
- Prema strukturi modela i postupaka za njihovo analiziranje, modeli se dijele na:
- analitičke, sa funkcijama u analitičkoj formi sa rješenjima u analitičkom ili numeričkom
obliku,
3
- numeričke, sa primjenom numeričkih postupaka za njihovo oblikovanje i rješavanje i
softvera projektovanih na tim osnovama.
- Prema strukturi metoda za rješavanje problema, modeli se dijele još na:
- algoritamske, gdje se može očekivati jedno od rješenja na osnovu primijenjene metode sa
poznatom ureĎenom i determinisanom strukturom postupaka. Ove metode predstavljaju
osnovne podloge za pisanje računarskih programa.
- heurističke, koji nemaju fundiranu algoritamsku strukturu, već se za rješenjem traga na
osnovu postojećeg znanja, intuicije i lične kreativnosti istraživača. Osnovna odlika
heurističkih postupaka je neizvijesnost u traganju za najboljim rješenjem. Heurističke
metode su u stalnom razvoju, potpomognute razvojem metoda vještačke inteligencije i
ekspertnih sistema.
Matematičko modeliranje je interdisciplinaran i timski zadatak, pri čemu osnovni doprinos
daju poznavaoci metoda i metodologije modeliranja kao i poznavaoci realnog problema.
Svaki model problema operacionih istraživanja je karakterisan formalno-matematičkim
opisom sa odreĎenim nivoom apstrakcije. Vjekovna je težnja čovjeka da pronaĎe najbolje
rješenje problema, počev od tehničkih, ekonomskih, društvenih, političkih, i sl. Kako su
problemi u ovom vremenu mnogobrojni, njihovo rješavanje teorijskim putem je izuzetno
složeno. Istaknimo kao primjer da se jedna vrsta metode, poznata kao numerička simulacija,
može uspješno primjenjivati počev od analize globalnih prirodnih procesa kao što je rast
stanovništva na planeti Zemlji, pa do aplikacije na nivou nanotehnologije*
)
i proučavanja
kretanja atomskih čestica. Nakon uočavanja karakterističnih veličina entiteta, formiraju se
matematičke relacije izmeĎu njih, kao poslijedica analize tj. identifikacije zakonitosti
izmeĎu struktura i procesa u entitetu. Oblici formalnih relacija su raznovrsni počev od:
- funkcionalnih jednačina,
- diferencijalnih i integralnih jednačina,
- rekurentnih relacija,
- orijentisanih grafova i sl.
Ograničenja u modelu imaju suštinsko značenje i odraz su, najčešće, fizičkih i ekonomskih
granica prisutnih u realitetu. Uglavnom su u pitanju ograničenja u količini resursa, energije,
vremenskog kapaciteta i dr. Strogost razmatranja ovih relacija mora biti uvijek prisutna i
uglavnom se definiše relacionim i logičkim operatorima tipa: i
sl. Uspostavljanje znaka jednakosti opravdano je u slučaju da promjenljiva može imati i
graničnu vrijednost, ili da nam to zahtijeva metodologija neke metode. U ostalim slučajevima
moraju se izabrati uvijek svrsishodni matematički operatori drugog tipa.

Osnovne vrste modela

Modeli se najčešće dijele na: fizičke, misaono-deskriptivne i matematičke.
Fizički modeli su modeli sa istom ili sličnom materijalnom strukturom realnog entiteta, sa
većim ili najčešće manjim gabaritima od stvarnog. Smisao oblikovanja fizičkih modela nalazi
se u pogodnosti eksperimentisanja i donošenja odreĎenih zaključaka o njima, a samim tim (sa
nekim stepenom pouzdanosti) i o entitetima na osnovu kojih su ovi vještački modeli imitirani,
tj. o stvarnim entitetima. Drugi razlog je ekonomske prirode, jer se i troškovi u znatno
manjem obimu generišu nego kod eksperimentisanja sa realitetom. Treći razlog je dinamika
eksperimentisanja gdje se teži što bržem 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 mogućnost



4
pojave novih osobina koje ne susrećemo kod realiteta, ili gubljenje nekih informacija koje
bismo identifikovali kod realiteta, a ovdje ih je nemoguće dobiti. Ova devijacija karakteristika
može se negativno odraziti na analizu i sintezu modela, i prouzrokovana je najčešće velikim
razlikama u volumenima realnog entiteta i aproksimativnog (vještačkog) modela - kojim
imitiramo stvarni. Time se neminovno mijenjaju originalne karakteristike realiteta u odnosu
na generisane karakteristike vještačkog modela. Fizički modeli nisu predmet analize u ovoj
knjizi.
Matematički model se formira matematičkom apstrakcijom i predstavlja specifično
selektovanje i strukturiranje elemenata misaonog modela u ureĎen deskriptivni model, kao
pretpostavke za preslikavanje u apstraktni matematički model. Matematički model je uspješno
formiran ako vjerodostojno iskazuje suštinske karakteristike realiteta: tehnološkog,
ekonomskog, mehaničkog, hemijskog, biološkog ili drugog. Matematički modeli oblikuju se
po pravilu sa nekim stepenom analogije u odnosu na realitet. Tom analogijom obuhvaćene su
primarne karakteristike posmatranog realiteta, ili skup karakteristika na dovoljnom i
potrebnom (uprošćenom) nivou, zadržavajući donekle stvarnu prirodu originala. Matematički
modeli mogu imati vrlo složenu strukturu, koja ne mora biti proporcionalna složenosti
simboličke forme. U matematici operacionih istraživanja većina matematičkih modela se
formira na bazi: matematičkog programiranja, teorije grafova, heurističkog programiranja ili
kombinovanih postupaka.

Metode postavljanja matematičkog modela

Uglavnom susrećemo dva osnovna i jedan izveden prilaz kod postavljanja matematičkog
modela i to:
1. Аnalitički metod koji se zasniva na aplikaciji opštih naučnih zakona i teorijskih
analiza. Pri tome dobijeni modeli važe za čitavu familiju sličnih problema. Tipičan
primjer je simplex model linearnog programiranja, gdje nije potrebno uvoĎenje novih
principa pri svakom proračunu, jer je razraĎen algoritam i za rješavanje opštih
slučajeva problema linearnog programiranja. U nekim primjerima linearnosti primjena
odgovarajućih metoda može dovesti i do analitičkog rješenja problema optimizacije.
2. Eksperimentalni ili empirijski metod znatno je širi u primjeni u praktičnim uslovima iz
razloga dobijanja zadovoljavajućeg rješenja modela problema za kompleksne
slučajeve realiteta kojih je u praksi najviše, a koji se ne mogu rješavati analitičkim
metodama. Iako je primjena eksperimentalnog metoda opterećena raznim troškovima:
upotrebom mjerne tehnike, potrebom za resursima raznog vida za obradu,
sistematizaciju i verifikaciju rezultata, drugog izlaza često i nema za identifikaciju
oblasti dopustivih rješenja i konačnog dobijanja vektora rješenja koji najbolje
zadovoljava funkciju kriterijuma u datim uslovima. Kako se izmeĎu postavljenih
ulaznih i dobijenih izlaznih podataka može uočiti zakonitost, ali ne i strogo porijeklo
te zakonitosti, ove metode eksperimenta nazivaju se metode “crne kutije” i
predstavljaju opštu metodu u istraživanju pojava u tehničkoj kibernetici.
3. Kombinovani metod predstavlja izvedeni metod ili sintezu analitičkog i
eksperimentalnog metoda. Razvijen je na osnovu analitičkog metoda sa nekim
parametrima za koje analiza nije dala adekvatno rješenje. U tom slučaju kvantifikacija
vrijednosti parametara (npr. koeficijenata, eksponenata i sl.) utvrĎuje se najčešće
eksperimentalnim putem. Na taj način kombinovanom metodom se može oblikovati
matematički model realiteta kao najpouzdaniji raspoloživi model. Jedan od primjera
predstavlja model očekivanog vremena u mrežnom planiranju tipa PERT.


5
Karakteristike Operacionih istraživanja

Primjenu i razvoj operacionih istraživanja karakterišu sljedeće osnovne pretpostavke:
1. Naučni metod pronalaženja rješenja. Strogost i matematički prilaz u analizi problema
i sintezi modela i metoda osnovni su postupci izražavanja operacionih istraživača.
Mnogobrojne metode razvijene u fundamentalnoj i primijenjenoj matematici su na
raspolaganju analitičarima ove struke. Pored toga, jedino matematičkim jezikom, na
kvantitativnim osnovama, mogu se prikazati ili imitirati kompleksnije veze izmeĎu
veličina koje se javljaju na realnim entitetima.
2. Organizovan rad u timovima. Multidisciplinarni pristup složenom problemu je
obilježje novije epohe u razvoju nauke i tehnologije, pa i operacionih istraživanja.
Timski rad je donio promjene u shvatanju složenih problema. Kompromisom i
usklaĎivanjem ideja i metoda integriše se nova metodologija istraživanja. U istom
timu se mogu naći informatičari, inženjeri, psiholozi, ekonomisti, sociolozi, edukatori
- metodičari i drugi. Uvažavajući mišljenja ovih stručnjaka, skreće se pažnja i na
mnoge druge relevantne faktore, čime se oblikuje prihvatljiviji model problema u
odnosu na “čisto” matematički ili tehnički pristup, često nedovoljno vjerodostojan.
3. Sistemski pristup problemu. Operaciona istraživanja zahtijevaju sistemski pristup
problemu. Optimizacija ili traganje za odgovarajućim rješenjem je moguće za
odreĎeni podsistem ili pojavu posebno. U tom smislu nalaženje samo globalnog
optimuma za cio sistem je nesvrsishodno bez nalaženja “unutrašnjih” lokalnih
optimuma pojedinih podsistema. Pored toga korisnici - naručioci rješenja, po pravilu,
traže rješenje na odreĎenom hijerarhijskom nivou sistema ili procesa koji su njima od
interesa.

Faze rješavanja problema

Osnovne faze rješavanja realnog problema putem metoda operacionih istraživanja, sastoje se
od sljedećih modula:
1. Formulacija problema. Identifikacija i korektno definisanje problema predstavlja
polaznu i relativno najsloženiju fazu u procesu dobijanja rješenja. Jednoznačna pravila
i jedinstveni algoritam o postavci problema ne postoji uvijek. Ova faza je
karakteristična po tome što iskustvo i kreacija analitičara problema treba da doĎu do
punog izražaja. Problem se uočava na realnom entitetu, zatim se misaono strukturira i
najčešće se zatim deskriptivno modelira. Isti problem se pri tome može definisati na
razne načine i raznim simbolima, zavisno od sposobnosti analitičara i njegove
specijalnosti. Jasno je da subjekti različitih struka imaju različite poglede na problem.
Integralno timsko sagledavanje je najkompleksnije i najvjerodostojnije. MeĎutim,
pored unije i kompromisa različitih ideja o problemu, dobro definisan problem mora
imati sljedeće karakteristike:
- definisane zahtjeve korisnika rješenja,
- preciznu deskriptivno-kvantitativnu formulaciju,
- jasno definisane ciljeve koje treba dostići i
- formulisan skup ograničenja (domen) u istraživanju.
Odgovorima na ove zahtjeve stvaraju se osnovne podloge za matematičko modeliranje
problema (Sl. 1).




6


Formulacija
problema

Oblikovanje
matematskog modela

Izbor i aplikacija
metode

Rješavanje
modela problema

Kriterijumsko
vrednovanje rješenja

Implementacija
rješenja

Rješenje
zadovoljava

NE
DA

Sl. 1 Osnovne faze rješavanja matematičkog modela problema

2. Oblikovanje matematičkog modela koji reprezentuje stvarni problem realiteta.
Matematički model u operacionim istraživanjima je primarni model. Oblikuje se, kako
je rečeno, specifičnim preslikavanjem ili prevoĎenjem deskriptivnog modela u
egzaktni. Prema tome, ovaj model se stvara u interakciji sa već definisanim misaono-
deskriptivnim modelom i raspoloživim potencijalom za matematičko modeliranje.
Kolika je složenost ove konverzije zavisi od složenosti problema i njegovih
karakteristika (linearnost, determinisanost, i sl.). Pored toga, složenost zavisi i od
mjere protivrječnih tendencija u pogledu, sa jedne strane, zahtijeva za jednostavnošću
modela i, sa druge strane, stvaranjem modela kao vjerodostojnom skupu informacija o
realnom problemu.
3. Izbor, razrada ili modifikacija metode za rješavanje postavljenog problema. Izbor
metode zavisi od oblikovanog modela problema. Same metode predstavljaju, u
klasičnom smislu, ureĎen skup postupaka koji se primjenjuje da bi se riješio
postavljeni matematički model problema. Često se u operacionim istraživanjima
poistovjećuje termin model i metod. Suštinski, ova dva pojma se razlikuju jer, kako je
rečeno, metodom se operacionalizuje model. Prije primjene metode model je
“statičan”, bez pronaĎenog rješenja. Poslije uspješne primjene metode dobijamo
njegovo rješenje u kvantitativnom obliku, čime se stvaraju uslovi i za njegovo
vrednovanje. Metode operacionih istraživanja se mogu aplicirati manuelnim putem ili
kompjuterski. Čest je slučaj da se metode moraju posebno razviti za novooblikovan
model, jer za tu klasu matematičkog problema metode nisu dovoljno strukturirane i ne
postoje kao univerzalno moćne. Mnoge metode se mogu koristiti sa izvijesnom
modifikacijom već postojećih metoda. Kompjuterske metode mogu biti veoma
efikasne, naročito numeričke. MeĎutim, sve one imaju algoritamsku strukturu metoda
koje su ranije već razvijene i poznate u matematičkim disciplinama. U tom smislu,
ovim udžbenikom su obuhvaćena odabrana poglavlja iz operacionih istraživanja, gdje
se obraĎuju sljedeće metode:
-Metode matematičkog programiranja.
-Metode mrežnog planiranja i upravljanja.
-Metode heurističkog istraživanja.
-Metode teorije masovnog opsluživanja (ili redova čekanja).
-Metode simulacije.
-Metode upravljanja zalihama.
4. Rješavanje modela pomoću metode i dobijanje rezultata. Posljedica primjene metode
je rješenje izraženo u kvantitativnom obliku. Vjerodostojnost rješenja zavisi od
7
primijenjene metode. Za isti model mogu se primjenjivati, ako su na raspolaganju,
različite metode. Rješenja u svakom slučaju moraju biti jednoznačna, istovjetno
protumačena ili prihvaćena sa odreĎenim stepenom pouzdanosti. Najpreciznije
rješenje je analitičko. Numerička rješenja su najčešća iz razloga postojanja najvećeg
broja metoda sa tom osnovom. Ova rješenja su najmnogobrojnija i kod primjene
kompjuterskih metoda proračunavanja. Drugi vid su, takoĎe, numerička rješenja, ali
dobijena numeričkom simulacijom. Pored toga, rješenja mogu biti skalarna, vektorska
i matrična. Viševarijantna rješenja pružaju mogućnost izbora, bilo da su optimalna ili
dopustiva, na bazi postavljenih kriterijuma nakon nalaženja tog rješenja.
5. Kriterijumsko vrednovanje modela na osnovu rezultata testiranja. Direktno
vrednovanje rješenja, samim tim i modela i metoda, predstavlja mjeru usaglašenosti
predviĎenih i ostvarenih vrijednosti. No ovo i nije jedini vid vrednovanja. Za
kompleksno vrednovanje potrebno je razviti niz kriterijuma na bazi kojih se verifikuje
model (rješenje) i ocjenjuje njegova valjanost. Najznačajniji kriterijum vrednovanja je
kriterijum optimalnosti rješenja, kojim se na egzaktan način dokazuje da li je rješenje
najbolje ili ne. Ovaj kriterijum je razvijen kod mnogih optimizacionih metoda
matematičkog programiranja, dok je kod heurističkih u znatno manjoj mjeri
raspoloživ. U kvantitativne kriterijume za testiranje modela i njegovog izraza, tj.
rješenja, spadaju još i kriterijumi: osjetljivosti model-rješenja, invarijantnosti modela,
konvergencija algoritma ka najboljem rješenju i sl. Pored kvantitativnih kriterijuma
značajni su i kvalitativni kriterijumi u ovoj fazi istraživanja modela. Računarski
eksperimenti na modelu mogu dati značajne odgovore na karakteristike model-rješenja
problema koje se posebno vrednuju. U svakom slučaju verifikovan rezultat predstavlja
relevantan upravljački parametar neophodan za odgovarajuću primjenu u realnim
uslovima.
6. Implementacija dobijenog rješenja. Teorijskom verifikacijom model-rješenje apriori
se prihvata mogućnost njegove primjene u praksi. Implementacija predstavlja
sprovoĎenje rješenja direktno u realnim uslovima. Za to je potrebna odgovarajuća
priprema i često poveća finansijska sredstva. Statistički gledajući ova faza je najmanje
frekventna, a najpotrebnija zbog brojnih dobrih rješenja koje su postigli istraživači.
Istaknimo da ima i drugih prilaza u sistematizaciji etapa rješavanja modela čija
metodologija sadrži još neke specifične module u blok dijagramu postupaka
modeliranja. MeĎutim, prethodno nabrojane faze su u većini slučajeva prepoznatljive i
treba ih u principu uvažiti.

Uvod u optimizaciju

Pred teoriju optimizacije se postavlja zadatak da se postigne najbolje rješenje odreĎenog
matematički definisanog problema, ako su postavljeni kriterijumi za kvantifikaciju: šta je
najbolje, šta je dopustivo ili šta predstavlja nedopustivo rješenje. Optimalno rješenje
pretpostavlja postojanje kvantitativne mjere poreĎenja sa ostalim dopustivim rješenjima, jer se
samo takav kriterijum optimalnosti može uvažiti. U tom smislu teorija optimizacije obuhvata
kvantitativno proučavanje optimuma i razvoja metoda za njegovo odreĎivanje. Primjena
metoda optimizacije polazi od realnog stanja problema i na tim osnovama ga treba rješavati.
Cilj primjene optimizacione metode sastoji se u pronalaženju najbolje informacije koja
ukazuje na poslijedice i uticaje izabrane varijante kao rezultata koji se primarno uvažava u
procesu odlučivanja. Neke matematičke metode optimuma, naročito numeričke, su dobro
poznate istraživačima par stotina godina. MeĎutim, zbog zahtjeva u primjeni, za velikim
obimom računanja, one su potisnute kao relativno neefikasne u periodu u kojem su nastajale.
Tek razvojem kompjuterske tehnologije ove metode, sada računarski orijentisane, postale su
8
izuzetno efikasne i danas predstavljaju gradijent razvoja optimizacije kao naučne
metodologije iz više razloga:
-brzog dobijanja rješenja,
-mogućnosti eksperimentisanja na modelu, promjenom vrijednosti ulaznog vektora,
-pogodnosti prepoznavanja optimuma kod nekih problema koji nisu kompletno matematički
formulisani i sl.
Zadatak optimizacije modela jeste izbor najbolje varijante iz niza mogućih ili povoljnih
varijanata u skladu sa važećim kriterijumom. Optimalno rješenje predstavlja kompromis
izmeĎu željenog cilja i postavljenih ograničenja koja uslovljavaju mogućnost postizanja
ekstremnih rješenja. Kompromis je prirodni kriterijum i predstavlja opšti princip prirode i
društva. Poznato je da su metode optimizacije razvijene samo za pojedine klase matematičkih
modela problema i ne postoji za sada opšti algoritam kojim bi se obuhvatili svi optimizacioni
problemi. U egzaktnom smislu zadatak optimizacije se svodi na odreĎivanje
maksimuma/minimuma ili druge referentne vrijednosti (npr. konstantnosti) ciljne funkcije

od n promjenljivih, sa ograničenjima tipa
za .
Optimalno rješenje

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

dopustiva oblast u n-dimenzionalnom Euklidskom prostoru*.
Posljednjih dvadesetak godina u razvoju su metode optimizacije na bazi multikriterijumskog
odlučivanja, iz razloga donošenja optimalnih odluka pri složenim komponentama kao
faktorima prouzrokovanih intenzivnim razvojem sociotehničkih sistema. U tom smislu,
donekle je izmijenjena teorija optimizacije usredsreĎivanjem koncepcije sa jednim
kriterijumom na optimizaciju po više (vektor) kriterijuma. Razlog je težnja da se matematički
modeli problema približe stvarnim problemima, koji su po svojoj prirodi multivarijantni i
zahtijevaju nalaženje rješenja u više faza, što je jednokriterijumskom optimizacijom dobrim
dijelom neizvodljivo. IzmeĎu klasične i višekriterijumske optimizacije postoje razlike kao i
sličnosti, koje su razmotrene u radu.

Predmeti optimizacije

Teorija optimizacije predstavlja naučnu disciplinu koja proučava metode i postupke
optimizacije odreĎenih entiteta u nauci i tehnologiji. Metodologija za dobijanje najpovoljnijih
rezultata u odreĎenim okolnostima predstavlja ureĎen skup metoda razvijenih sa osnovnim
ciljem dobijanja optimalnih rješenja. Osnovni pojmovi koji se vezuju za konkretniju definiciju
optimizacije su: predmet, cilj i metod optimizacije.
Predmeta (objekata) optimizacije u okruženju ima mnogo. Tako susrećemo karakteristične
predmete koji se odnose na neke procese: obrazovni, projektantski, proizvodni, energetski,
društveni, nuklearni i sl., ili sisteme: tehnološki, transportni, upravljački, društveni itd. Mada
se često izmeĎu procesa i sistema ne prave razlike, zbog zajedničkih karakteristika, one
suštinski postoje i veoma su bitne kod modeliranja istih. Naime, proces predstavlja niz



9
uzastopnih progresivnih promjena stanja i vezan je za vremenski tok dogaĎaja, a sistem je
ureĎeni skup entiteta i relacija izmeĎu njih i njihovih svojstava i može biti, ili ne mora,
relativno stacionaran u vremenu.
Cilj optimizacije se definiše na osnovu kriterijuma optimizacije iskazanog u obliku
kriterijumske funkcije optimizacije (maksimalna dobit, minimalni troškovi i sl.). Metode
optimizacije imaju dvojaku funkciju i to: oblikovanje modela problema i rješavanje predmeta
optimizacije saopštenog putem modela optimizacije, najčešće matematički definisanog.
Globalni minimum

Lokalni mimumim

Sl. 2 Primjer uz objašnjenje optimuma i ekstremuma funkcije kriterijuma
Metode optimizacije služe za kvantitativno i/ili kvalitativno rješavanje modela problema.
Predstavljene su ureĎenim skupom postupaka koji se primjenjuje heuristički ili algoritamski.
Za rješavanje složenog problema, ako je to moguće, primjenjuje se princip dekompozicije.
Tipičan primjer je dinamičko programiranje, obraĎeno u petom poglavlju. U operacionim
istraživanjima metode optimizacije se postavljaju na kvantitativnim osnovama.

Funkcija
kriterijuma
D – oblast dopustivih rješenja
t– trajektorija os početnog
do optimalnog rješenja

Sl. 3 Grafička interpretacija iterativnog postupka proračunavanja za slučaj problema sa tri
promjenljive
Oblasti primjene teorije optimizacije su raznovrsne, počev od tehničkih disciplina:
elektrotehnike, mašinstva, graĎevinarstva, poljoprivrede, saobraćaja, metalurgije, pa do
medicine, ekonomije, farmacije, hidrologije, kosmonautike i sl. Optimizacija je
karakteristična pri projektovanju i konstruisanju proizvoda i proizvodnih sistema, gdje se
ispoljava težnja za tzv. optimalnim projektima na bazi tehnoekonomske optimizacije.
10
Linearno programiranje

Uvod u matematičko programiranje

Rješavajući razne konkretne probleme iz oblasti organizacije transporta, upravljanja zalihama,
organizacije obrazovanja i sl., često se javlja potreba, da se takvi zadaci matematički
modeliraju, a zatim da se traži rješenje toga modela. Pri tome se operiše sa relativno velikim
brojem veličina za koje važe odreĎene funkcije ograničenja. Skup onih vrijednosti
promjenljivih koje zadovoljavaju postavljeni sistem ograničenja, naziva se skup dopustivih
rješenja (skup vrijednosti koje čine neki program i sl.). Pošto skup rješenja može biti, u nekim
slučajevima i beskonačan, u tom smislu nameće se pitanje: kako izabrati najbolje rješenje i
kriterijum valjanosti tog rješenja (plana, programa), pri odreĎenom scenariju? Evo nekoliko
primjera kriterijuma izbora rješenja:
- Dobit preduzeća.
- Vremenski kapacitet.
- Troškovi transporta.
- Rizik realizacije plana i dr.
Kada funkcija kriterijuma predstavlja dobit, pouzdanost, nivo obrazovanja, iskorišćenost
kapaciteta, učinak, i sl., onda težimo da je maksimiziramo. U slučaju da ova funkcija
predstavlja troškove, rizik u pogledu realizacije planiranih aktivnosti, vrijeme obrade, vrijeme
transporta, broj izvršilaca u procesu rada, utrošak resursa ili nekih energetskih sredstava, onda
težimo minimizaciji takve funkcije. U svakom slučaju, funkcija kriterijuma ima puno u
zavisnosti od objekta koji se analizira na kvantitativnoj osnovi. Ovi zadaci se nekad rješavaju
iskustveno, dakle na bazi ranijih informacija i vještine donosioca odluka. Kod analize sasvim
novih entiteta kod kojih nema ranijih iskustava, neophodno je najčešće pronaći egzaktan način
odreĎivanja rješenja, što se postiže matematičkim modeliranjem i rješavanjem matematičkih
modela odgovarajućim metodama za postavljene zadatke. Dio primijenjene matematike, koji
se bavi rješavanjem takvih problema, zove se matematičko programiranje.
Zadatak matematičkog programiranja bi se sveo na sljedeće pretpostavke:
Neka je (x
1
, x
2
, ..., x
j
, ..., x
n
) skup od n-veličina za koje se formiraju ograničenja u obliku
jednačina ili nejednačina sistema:

Svaka n-torka (x
1
, x
2
, ..., x
j
, ..., x
n
) koja zadovoljava gornji sistem ograničenja je dopustivo
rješenje, a skup svih mogućih rješenja je dopustivi skup rješenja D. Iz njega se pronalazi
najbolje tj. optimalno rješenje, ako ono postoji. Kriterijum izbora optimalnog rješenja
zasnovan je na nekoj funkciji F(X) = (x
1
, x
2
, ..., x
j
, ..., x
n
) što znači da iz skupa D odreĎenog
sistemom ograničenja (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 riječ, je funkcija kriterijuma
ili funkcija cilja. Funkcija kriterijuma zajedno sa sistemom ograničenja čini model
11
matematičkog programiranja. Metode programiranja obuhvataju vrlo široku i složenu oblast
operacionih istraživanja i uglavnom pripadaju grupi metoda:
- linearnog,
- nelinearnog i
- dinamičkog programiranja.

Linearno programiranje kao dio matematičkog programiranja

Drugom polovinom četrdesetih godina (1947-1949.) američki matematičar 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
usavršavanju narednih godina mnogo se istraživalo, pa je i sam tvorac metode, Dancig,
objavio 1963. godine rezultate tih istraživanja u knjizi Linear Programming and Extensions.
Pored toga ova metoda je modifikovana u cilju rješavanja specijalnih slučajeva iz domena
transportnog zadatka, kombinatorne optimizacije i sl. Naziv linearno jasno naznačava da se
promjenljive veličine i parametri u matematičkom modelu ureĎuju linearnim vezama.
Rješenje problema X=[x
1
, x
2
, ..., x
j
, ..., x
n
], bilo da je najbolje ili bazno dopustivo, ima fizičko
značenje 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 istraživača na polju razvoja linearnog programiranja, stvarajući tako opštu teoriju
matematičkog programiranja, spadaju: Kantorovič, L. V., Sajmonard (Simonnard, M),
Karmarkar (Karmarkar, N.), Kun (Kuhn, N.), Taker (Tucker, А.) i drugi. Od nastanka
“klasičnog” modela, linearno programiranje se razvijalo, kako su praktični problemi diktirali,
u posebne oblasti, i to:
- cjelobrojno linearno i
- parametarsko linearno programiranje,
- stohastičko linearno programiranje,
- transportni zadatak i sl.
kao i u modele, ali ne sa isključivo linearnim funkcijama, kao što su:
- kvadratno,
- razlomljeno-linearno i
- fazi (fuzzy) linearno programiranje.
Linearno programiranje predstavlja jednu od metoda operacionih istraživanja koja je našla
najveću praktičnu primjenu u rješavanju tehnoekonomskih problema i to: kod modela
asortimana proizvoda, tehnoloških postupaka, transportnih zadataka i svih drugih problema
čiji matematički modeli predstavljaju zapravo klasične probleme LP, za odreĎivanje
maksimuma ili minimuma funkcije F(X).

Oblikovanje modela linearnog programiranja

Različitost u definisanju funkcije kriterijuma, a naročito u iskazivanju sistema ograničenja, u
smislu postavljanja relacionih operatora tipa {>, >, s, <, =}, dovela je do različitih oblika
modela LP, tako da se opšta matematička 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 jednačina i/ili nejednačina (ograničenja), najčešćeg oblika:
(4)




gdje su:

,


12
ili u razvijenoj formi:

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

Standarndni oblik linearnog programiranja

Standardni oblik se javlja onda kada su ograničenja po svojoj prirodi jednostrana, tako da su
sve relacije definisane, npr. u obliku “s”, koji je karakterističan (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, karakteristične relacije ograničenja
su oblika “>”, tako da je model LP sljedeći:

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

Kanonički oblik linearnog programiranja


Za modele uslovljene ili svedene na jednakosti “=” kažemo da imaju kanoničku formu.
Transportni zadaci su obično takve prirode, ili npr. zadaci LP, ali u razvijenom obliku simplex
modela:

, pri čemu su:
(9) F(X) = (x
1
, x
2
, ..., x
j
, ..., x
n
) ÷ max / min F(X)
Matrični oblik linearnog programiranja
U sažetijoj formi, naročito kod kompleksnijih problema, model LP se iskazuje u obliku
matrice i vektora. Model LP (7), (8) i (9) može se kraće predstaviti u matričnom obliku na
sljedeći način:
(10) sa sistemom ograničenja:


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

- matricu tehničkih koeficijenata
(12) sa:

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


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

odnosno funkcija kriterijuma:

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

Vektorski oblik modela linearnog programiranja

Model LP se može napisati u vektorskom obliku, ako se tehnički koeficijenti prethodne
matrice А predstave kao vektori kolona. U tom smislu imamo sljedeći sistem ograničenja:
(16)


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

vektori kolona matrice А:
14


Tabelarni način prikazivanja modela linearnog programiranja

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

moraju biti zastupljeni u tabeli.
(T-1)

Ovaj sintetizovan način prikaza karakterističan je kod primjene simplex metode gdje se opšti
ili standardni model LP prevodi u kanonički, a zatim se putem iterativnih tabela vrše postupci
proračunavanja. U tom smislu, metode LP mogu se koristiti samo ako je problem postavljen u
vidu potpunog matematičkog modela.
Metode LP su najčešće klasifikovane kao:
- Grafička metoda.
- Simplex metoda.
- Transportna metoda.
- Metoda rasporeĎivanja.
U nastavku biće obraĎene, na osnovu teorije linearnog programiranja, prve tri metode, dok će
metoda rasporeĎivanja biti prezentirana sa aspekta heurističkog programiranja (vidjeti sedmo
poglavlje).

Grafička metoda i primjeri

Rješavanje problema linearnog programiranja grafičkom metodom sastoji se u ispitivanju niza
vrijednosti funkcije kriterijuma u ekstremnim tačkama oblasti dopustivih rješenja. Primjena
ove metode ograničena je na zadatke sa dvije ili, u rjeĎem slučaju, sa tri nepoznate
promjenljive veličine. U jednodimenzionalnom prostoru (n = 1) primjena grafičke metode je
trivijalna. Ispitivanje odnosa dvije nepoznate veličine [x
1
, x
2
], koje se mogu predstaviti
vektorom X, vrši se dotle dok se ne postigne vrijednost optimalnog vektora X*. Dakle:

15
MeĎutim, tzv. optimalno, odnosno najbolje rješenje odnosa komponenata x
1
i x
2
, pronaĎeno u
datim uslovima, predstavlja samo posljedicu koja proizilazi iz prethodno pronaĎene
ekstremne vrijednosti funkcije kriterijuma. U tom smislu, postupci grafičke metode svode se
prvo na: modeliranje linearnih ograničenja oblika:

ili u razvijenoj formi:

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

Presjekom poluravni (20) odreĎen je konveksan (konkavan) poligon mogućih rješenja, a time
i oblast funkcije cilja. Аko želimo da dobijemo njen maksimum (Sl. 4-6), ispitivanje
ekstremne vrijednosti funkcije cilja relativno je jednostavno, i svodi se na pronalaženje
najudaljenije tačke na konveksnom poligonu. Geometrijska interpretacija grafičke metode se
sastoji u definisanju poligona na osnovu sistema ograničenja kojim se formira oblast
dopustivih rješenja 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 izjednačavanjem funkcije F(X) sa
nulom, postiže se najjednostavniji položaj prave linije u početnim fazama rješavanja modela
LP. Odlukom da se funkcija kriterijuma izjednačuje sa nulom, tj.
(22)
F(X) = c
1
x1 + c
2
x
2
= 0

ne pravi se greška u početnoj fazi nalaženja rješenja, jer se postiže nenegativno rješenje, što je
u skladu sa važećim ograničenjima. Zatim slijedi njeno sukcesivno povećanje, sve do
ekstremnog položaja, a koje je označeno kao logički najmanja ili najveća vrijednost. Tačke u
kojima funkcija
F(X) = c
1
x
1
+ c
2
x
2
ima konstantnu vrijednost leže na pravoj koja je paralelna
početnoj 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 najbliže ekstremne tačke 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 metodološkog stanovišta rješavanje problema LP grafičkom metodom pogodno je zbog
jednostavnosti postupaka metode i zato se obraĎuje u početnim fazama izučavanja metoda i
modela LP. Sa edukativnog stanovišta kod grafičke metode smo u mogućnosti da brzo
prepoznamo u Euklidovom linearnom prostoru relacije izmeĎu funkcije kriterijuma F(X),
sistema linearnih ograničenja tipa
a
i1
x
1
+ a
i2
x
2
{<, =, >} b
i
, i uslova nenegativnosti u
matematičkom modelu. Grafički dio postupka se obično kombinuje sa analitičkim, pa se ova
metoda primjenjuje u slučaju zahtjeva za povećanom preciznosti rezultata LP. U
trodimenzionalnom prostoru (n = 3) teže se primjenjuje grafička metoda, tj. metoda se
primjenjuje uz pomoć postupaka nacrtne geometrije. U n-dimenzionalnom prostoru za (n > 3)
ostaju samo geometrijski termini, inače se linearni programi rješavaju algebarskim metodama,
bez mogućnosti baziranja na geometrijsku očiglednost.

Primjer 1.
17
Za potrebe tržišta proizvode se dva tipa proizvoda P
1
i P
2
na dva tehnološka sistema TS
1
i TS
2
.
Vremenski kapacitet TS
1
raspoloživ je za korišćenje do 600 /čas/, a za TS
2
do 700 /čas/.
Obrada proizvoda P
1
na TS
1
traje 72 /min/kom/, a na TS
2
60 /min/kom/. Proizvod P
2
se
finalizuje, takoĎe, kroz dvije operacije, i to na TS
1
operaciono vrijeme je 60 /min/kom/, a na
TS
2
105 /min/kom/. Plasman na tržištu nije neograničen. Ispitivanjem je ustanovljeno da
tržište može primiti do 450 /kom/ proizvoda P
1
i do 300 /kom/ proizvoda P
2
. TakoĎe su
poznate jedinične cijene proizvoda (u novčanim 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 ograničenja ne utiče na maksimalnu vrijednost funkcije
kriterijuma.
Rješenje:
Matematički model problema oblikovan je na osnovu sistema ograničenja:

i funkcije kriterijuma (dobiti):



Sl. 10 Grafik oblasti dopustivog rješenja sa funkcijom kriterijuma D(X)
a. Kako prava D(X) = 9 x
1
+ 7.5 x
2
= 4500 /nj/ leži na ograničavajućoj pravi poluravni (1)
rješenje sadrži beskonačan skup optimalnih vektora rješenja. Krajnje tačke optimalne
duži su tačke B i C. U tim tačkama optimalne količine proizvoda su (Sl. 10):

/kom/ i drugo rješenje:

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

/nj/ i

/nj/.
Opšte rješenje optimuma može se definisati kao linearna kombinacija pronaĎenih 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 treće optimalno rješenje kao:

/kom/.
Funkcija dobiti i za taj slučaj, kao i za prva dva, ostaje nepromijenjena, tj:
/nj/.
b. Na osnovu grafika oblasti dopustivog rješenja i funkcije kriterijuma (Sl. 10) se vidi da
ograničenje (4), pri postojećim uslovima, ne utiče na formiranje maksimalne
vrijednosti kriterijumske funkcije i vektor(e) optimalnih rješenja.
NАPOMENА
U primjerima će se često vektor poistovijetiti sa tačkom u dvo/trodimenzionalnom euklidskom
prostoru. Stroga matematička formulacija za n > 2 uvijek nalaže da se govori o vektoru, a ne
o tački.

Primjer 2.
Naći minimalnu vrijednost funkcije kriterijuma F (X) = 6 x
1
+ 3 x
2
÷ min F (X), koristeći
grafičku metodu LP, uz sledeća ograničenja:

Pored toga odrediti:
a. Optimalno rješenje datog problema i minimalnu vrijednost funkcije kriterijuma.
b. Optimalno rješenje i maksimalnu vrijednost funkcije kriterijuma pri izmjeni (1)
nejednačine funkcije ograničenja, koja se sada definiše kao jednačina oblika: x
1
+ x
2
=
5.
c. Parametre a
1
i a
2
uz promjenljive x
1
i x
2
prvog ograničenja oblika a
1
x
1
+ a
2
x
2
= 5
(umjesto nejednačine (1)), da bi takva promjena izazvala beskonačan broj optimalnih
rješenja. Prokomentarisati vrijednost funkcije kriterijuma.
Rješenje:
a. Optimalno rješenje se dobija na osnovu translacije funkcije kriterijuma od
koordinatnog početka do tačke B (Sl. 11), sa odgovarajućim vrijednostima:


19

Sl. 11 Grafička interpretacija LP primjera 2.a)
Pri tome minimalna vrijednost funkcije kriterijuma iznosi min F (X) = F (X
*
) = 22,5
b. U slučaju da se u sistem ograničenja uvede jednačina x
1
+ x
2
= 5, sva bazno dopustiva
rješenja se nalaze na duži АB. U tim uslovima su ekstremne vrijednosti jednake:

i


Optimalno rješenje pri izmijenjenim uslovima ograničenja i karakter funkcije kriterijuma se
nalazi u tački А, tj. X
A
=X
*
, jer je odgovarajuća funkcija kriterijuma najveća upravo u toj tački
i iznosi:
max F (X) = max{F (X
A
), F (X
B
)}= max{27, 22,5}= 27.

Sl. 12 Grafička interpretacija LP primjera 2.b)
c. Parametri uz promjenljive x
1
i x
2
prve funkcije ograničenja su odredivi na osnovu
koeficijenta pravca kriterijumske funkcije. Iz jednačine: 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
ograničenja: a
1
x
1
+ a
2
x
2
= 5, na osnovu čega slijedi:
20
, uz uslov:

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

, što se može
grafički interpretirati (Sl. 13).

Sl. 13 Grafička interpretacija LP primjera 2.c)
Optimalna rješenja se nalaze i u tački B i u tački C. MeĎutim, broj optimalnih rješenja je
beskonačan i nalazi se na duži BC, tako da sada dobijamo za ekstremne vrijednosti vektora
sljedeće:

i


Kako su i sva druga rješenja koja se nalaze na duži BC takoĎe optimalna, to se u vektorskom
obliku za proizvoljnu tačku G, može uopšteno 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.
Korišćenjem grafičke metode riješiti problem linearnog programiranja, ako je data funkcija
dobiti D (X) = 3x
1
+ x
2
, i sistem ograničenja:

Pored toga postupcima analize:
21
a. odrediti vrijednosti x
1
i x
2
za koje funkcija dobiti D (X) postiže maksimalnu vrijednost,
a da su istovremeno zadovoljena sva prethodna ograničenja,
b. definisati jedan analitički izraz nove funkcije D (X) da bi se u novim uslovima dobilo
beskonačno mnogo optimalnih rješenja,
c. dati za tu funkciju dva primjera optimalnih rješenja.
Rješenje:
a. OdreĎivanje optimalnog rješenja i maksimalne dobiti. Optimalno rješenje se nalazi u
tački B (Sl. 14), u presjeku pravih koje ograničavaju oblast (p2) i (p5).

Najveća dobit je u tom slučaju odreĎena kao:

/nj/

Sl. 14 Grafička interpretacija LP primjera 3.a)
b. Traženi analitički izraz slijedi iz rezultata izjednačavanja koeficijenta pravca nove
prave D (X) = c
1
x
1
+ c
2
x
2
= 167,5 /nj/ i prave koja ograničava oblast (p5) tj. 8x
1
+ 6x
2
= 480. Dati postupak se svodi na transformaciju izraza (p5), u smislu njegovog
izjednačavanja sa izračunatom vrednošću funkcije kriterijuma:
, te dobijamo: /nj/.
Prema tome, tražena funkcija kriterijuma (Sl. 15) je oblika:

22

Sl. 15 Grafička interpretacija LP primjera 3.b)
c. Jedan primjer optimalnog rješenja, kao što je već konstatovano, se nalazi u tački B.
Drugi primjer slijedi iz rezultata presjeka prave (p4) i (p5) u tački C, pa imamo:
;
Vrijednost funkcije dobiti za obje tačke 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 (troškova) T(X) = 3/2 x
1
– 1/2 x
2
i skup ograničenja:

a. odrediti optimalno rješenje i minimalnu vrijednost funkcije kriterijuma,
b. odrediti vrijednosti koeficijenta u funkciji kriterijuma tako da naĎeni troškovi u tački
(pod a)) iznose T (X) = 0 /nj/,
c. odrediti optimalno rješenje i minimalne troškove ako koeficijent uz x
2
, funkcije
troškova, promjeni smjer, tj. postane pozitivan. Kolike su razlike u troškovima time
izazvane u odnosu na rješenje dobijeno pod a).
Rješenje:
a. Najbolje rješenje nalazi se u tački E (Sl. 16) i iznosi:
pri tome su minimalni troškovi:

/nj/
23

Sl. 16 Grafički prikaz modela LP primjera 4.
b. Funkcija troškova može biti jednaka nuli u slučaju da prolazi kroz koordinatni početak
i da tangira odabranu ekstremnu tačku, u ovom slučaju tačku E (Sl. 17). Pri tome je
koeficijenat pravca tangentne prave odreĎen iz odnosa:

Jedno od mogućih rješenja jediničnih cijena je: c
1
= 341 i c
2
= 162, pa je tada tražena
vrijednost funkcije troškova:
T(X*) = 341 x
1
*
– 162 x
2
*
= 0 /nj/.

24
Sl. 17 Grafički 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 tačku E (Sl. 18), iznosi:

/nj/.

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

Primjer 5.
Proizvodnju dva proizvoda R
1
i R
2
potrebno je realizovati na tri mašine M
1
, M
2
i M
3
.
Vremenski normativi t
ij
izrade proizvoda na ovim mašinama /min/kom/, raspoloživi
vremenski kapaciteti mašina u /čas/ i predviĎena jedinična dobit od prodaje /nj/kom/, dati su u
sledećoj tabeli (T-2).

25

(T-2)
Mašine
Proizvodi
M
1
M
2
M
3

Jedinična 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 /čas/
600 910 270 -

Pored toga prodaja proizvoda na tržištu je ograničena, i to za proizvod R
1
plasman je moguć
do najviše 55 komada, a za proizvod R
2
ograničenje je do 65 kom.
a. Izvršiti analizu plana proizvodnje da bi se postiglo najveće iskorišćenje vremenskog
kapaciteta svih mašina.
b. U cilju maksimizacije dobiti odrediti optimalan plan proizvodnje.
Rješenje:
a. Formiranje matematičkog modela problema mora biti u skladu sa datim parametrima
proizvodnje, prodaje i promjenljivim veličinama za R
1
(x
1
) i za R
2
(x
2
). Pored toga
mora se voditi računa o usklaĎenosti vremenskih mjernih jedinica. Za rješavanje
zadatka, usvojeni su časovi (odnosno /čas/kom/) kao osnovne terminske jedinice. U
tom smislu imamo sljedeći sistem ograničenja:

Koeficijenti u funkciji kriterijuma dobijaju se na osnovu zbira vremena izrade pojedinačnih
proizvoda, uzimajući u obzir da je vrijeme svake operacije na pojedinim mašinama dato u
/čas/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 /čas/kom/ i t
2
= 7,5 + 13 + 1,5 = 22 /čas/kom/.
Funkcija iskorišćenosti kapaciteta je tada oblika: max K(X) = 19 x
1
+ 22 x
2

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

Sl. 19 Grafička interpretacija problema vremenskog kapaciteta
Za ove vrijednosti iskorišćenost vremenskog kapaciteta mašina respektivno iznosi za:

Očigledno vremenski kapacitet treće mašine nije u potpunosti iskorišćen, i u apsolutnom
iznosu ta vrijednost parametara iznosi: A
3
= 270 – 185 = 85 /čas/
Ukupan stepen iskorišćenja kapaciteta za sve tri mašine izračunava se kao odnos stvarnog i
teorijskog kapaciteta mašina, i u ovom slučaju je:
tj. 95,2%
Dakle, nije iskorišćeno ukupno: A = A
3
= 1780 – 1695 = 85 /čas/.
Iskorišćenost kapaciteta dobija se sabiranjem stvarno popunjenih kapaciteta (u apsolutnom
iznosu q = 1780 – A = 1695 /čas/), ili na osnovu funkcije kriterijuma, kao:
max K(X
*
) = 19 x
1
*
+ 22 x
2
*
= 1695 /čas/.
Dobit pri maksimalnom iskorišćenju vremenskog kapaciteta poslijedično iznosi:
D (x
1
*
, x
2
*
) = 45 x
1
*
+ 36 x
2
*
= 3075 /nj/.
b. Kod iznalaženja najveće dobiti od prodaje proizvoda R
1
i R
2
funkcija kriterijuma ima
odgovarajuću formu profita. Na osnovu polaznih parametara (T-2) se formira kao:
max D(X) = 45 x
1
+ 36 x
2

Ograničenja ostaju istovjetna, kao što su ranije definisana. Na bazi takvog matematičkog
modela može se grafički riješiti i interpretirati problem LP za ovaj slučaj, kao:
27

Sl. 20 Grafička interpretacija problema dobiti
Optimalno rješenje se nalazi u tački 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 iskorišćenost vremenskog kapaciteta sada sekundaran cilj i on poslijedično iznosi:
K(X
**
) = 19 x
1
**
+ 22 x
2
**
= 1610 /čas/
Za ove vrijednosti iskorišćenost vremenskog kapaciteta mašina je nešto manja nego u
prethodnom slučaju, pa je za:

Vremenski kapacitet druge mašine nije u potpunosti iskorišćen, i u apsolutnom iznosu taj
parametar je sada: A
2
= 910 – 740 = 170 /čas/. Ukupan stepen iskorišćenja svih mašina iznosi:
tj. 90,4%
Očigledno da se ovdje dobijaju rezultati suprotnih tendencija, koji se ogledaju u dva slučaja:
- Аko želimo ostvariti najveće iskorišćenje vremenskog kapaciteta, ne možemo ostvariti
najveću dobit.
- Аko težimo najvećoj dobiti, iskorišćenost mašina u raspoloživom vremenskom kapacitetu ne
može biti maksimalna.
Ovaj problem je u prethodnim postupcima rješavan parcijalno, grafičkom metodom. Po
principu, on pripada klasi zadataka koji se, uz dodatne pretpostavke, mogu rješavati
metodama multikriterijalnog programiranja.

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

mašina M
1
utroši 2,5 časa, a mašina M
2
6 časova. Na izradi artikla А
2
mašina M
1
utroši 5,5
28
časova, a mašina M
2
3,5 časa. Mašina M
1
može najviše da radi 15 časova dnevno, a mašina
M
2
najviše 21 čas dnevno. Ovi podaci se mogu pregledno dati sledećom tabelom (T-3).
(T-3)
Artikli

Mašine
A
1
A
2

Kapaciteti
mašina
/ čas/dan /
M
1
2,5 5,5 45
M
2
6 3,5 36
Ukupno vrijeme
/čas/kom/
8,5 9 -
Ispitati grafičkom metodom koliku količinu artikala А
1
i artikala А
2
treba dnevno proizvesti
da bi se maksimalno iskoristio ukupan kapacitet mašina. Kolika optimalna količina proizvoda
iznosi za 97 radnih dana?
Rješenje:
Za proizvodnju jedinice artikla А
1
ukupno se utroši 8,5 /čas/kom/, a za proizvodnju jedinice
artikla А
2
, 9 /čas/kom/, pa je funkcija stepena iskorišćenja kapaciteta oblika K(X) = 8,5 x
1
+
9x
2
÷ max K(X)
Konstatujmo da se za izradu x
1
(jedinice artikla А
1
) i x
2
(jedinica artikla А
2
), mašina M
1

eksploatiše: 2,5 x
1
+ 5,5 x
2
časova, sa mogućnošću rada do 15 časova, a mašina M
2

eksploatiše: 6x
1
+ 3,5 x
2
časova, sa mogućnošću rada do 21 časa dnevno. Pri tome, dakle,
moraju biti zadovoljena sledeća ograničenja,
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 odreĎena sistemom ograničenja sa
četvorouglom OABC, gdje su tačke sa koordinatama: O(0,0), А(7/2, 0), B(252/97, 150/97) i
C(0, 30/11).

Sl. 21 Grafička interpretacija modela LP primjera 6.
29
Аko pravu K(X)=0, transliramo paralelno ka najudaljenijoj tački konveksnog poligona, dostići
ćemo granični položaj kriterijumske funkcije koja se nalazi u tački B. Pri tome je optimalni
vektor rješenja:
/kom/.
U toj tački K(X) ima maksimalnu vrijednost, jer je pomijeranje vršeno u pravcu povećanja
vrijednosti funkcije raspoloživog kapaciteta. Zato je:
max K(X) = 8,5 x
1
*
+ 9x
2
*
= 36 /čas/.
Ukupni kapacitet, kao što se vidi iz inicijalne tabele (T-3) i postignutog rezultata, u potpunosti
je ispunjen. Znači maksimalna iskorišćenost mašina biće, samo u slučaju, ako se dnevno bude
proizvodilo 252/97~2,6 jedinice artikla А
1
i ~1,54 jedinica artikla А
2
. Za vremenski period od
t = 97 /dana/, optimalna proizvedena količina artikala će iznositi:

/kom/.

Karakteristike modela LP i primjeri

Opšti postupak rješavanja problema LP može se definisati na sljedeći način: 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 će se uzeti ekstremna vrijednost
kriterijumske funkcije u vidu njenog maksimuma. Dakle, iz uslova ograničenja:

i za zadatu funkciju cilja potrebno je pronaći 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 ograničenja i a
ij
(i = 1,..., m i j = 1,..., k) – tehnički koeficijenti matrice
А=[a
ij
]
mxk
. Može se dokazati da većina problema tipa maksimuma mogu da se rješavaju kao
problemi minimuma i obrnuto.

Uvođenje dopunskih promjenljivih

Dodavanjem nenegativne dopunske promjenljive x
k+i
svakoj nejednačini sistema ograničenja:

postiže se transformacija nejednačina u jednačine. Ovo predstavlja važan algebarski postupak
u linearnom programiranju, čime dobijamo sljedeći sistem jednačina:
30

Dopunske promjenljive imaju i fizički smisao, jer predstavljaju razliku izmeĎu raspoloživih i
iskorišćenih kapaciteta, najčešće vremenskih, resursnih i sl. Prethodni prošireni sistem
formiran je uz novo prošireno indeksiranje, pri čemu je sada ukupan broj nepoznatih n=k+m
(j=1,...,n), dok indeksni interval (i=1,...,m) (broj jednačina) ostaje nepromijenjen. U tom
smislu nove jednačine ograničenja 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 rješenje X=[x
1
, x
2
, ..., x
j
, ..., x
k
, x
k+1
, x
k+2
, ..., x
k+i
, ..., x
k+m
] * koje zadovoljava
ograničenje u smislu sistema jednačina i uslova nenegativnosti x
j
> 0 (j=1,..., k+m) naziva se
mogućim rješenjem, dok se rješenje X=[x
1
, x
2
, ..., x
i
, ..., x
m
] naziva bazičnim rješenjem.
Naime, ako su sve vrijednosti x
i
> 0, ovo rješenje je i bazično moguće. Optimalno rješenje je
ono bazično rješenje za koje funkcija kriterijuma dostiže ekstremnu vrijednost, u ovom
slučaju maksimalnu vrijednost. Iz sistema od m jednačina sa (n – k) promjenljivih (smatrajući
da je ostalih k promjenljivih izjednačeno sa nulom) moguće je obrazovati:

sistema. Ove sisteme nazivamo bazičnim sistemima, ako je determinanta matrice sistema za m
odabranih promjenljivih različita od nule, tj. da je regularna. Tako za broj promjenljivih n=16
i broj jednačina m=8, dobijamo broj mogućih rješenja sistema u iznosu od

, što je
sa aspekta proračunavanja (pretraživanja) veoma velik posao.

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



31
sistem ograničenja:

i funkcija kriterijuma:

UvoĎenjem dopunskih promjenljivih: x
3
, x
4
, x
5
, x
6
> 0, dobijamo sistem ograničenja u obliku
sistema linearnih jednačina:

i uz funkciju kriterijuma:

Nakon uvoĎenja izravnavajućih promjenljivih, standardni sistem linearnih nejednačina sa k=2
promjenljivih i m=4 nejednačine, transformisao se u sistem ograničenja sa četiri jednačine i
n=k+m=2+4=6 promjenljivih veličina.

Model linearnog programiranja u matričnom obliku

Funkcija kriterijuma u matričnoj formulaciji se može predstaviti kao:

gdje su sa C obilježeni 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
može predstaviti i u
obliku transponovanog vektora. Sistem jednačina u matričnoj 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 važnu ulogu kod formiranja početne vektorske baze u linearnom
programiranju, i oblika je.

Аko matricu А=[a
ij
]
mxn
razložimo na vektore kolona kao:

sistem linearnih jednačina se sada može zapisati kao:

ili kraće

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

Primjer 8.
Matrični oblik zadatka linearnog programiranja. Prethodni zadatak LP (iz Primjera 7.)
možemo zapisati na sljedeći način:
Funkcija ograničenja kao:

pri čemu 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 meĎu n vektora tipa A
<j>
može postojati najviše
m-nezavisnih. U tom smislu, ako je prvih m vektora linearno nezavisno, može se vektor B
predstaviti kao linearna kombinacija oblika:

Izbor od m-vektora može biti i drugačiji. Kao što se vidjelo (31) ovaj izbor se može
realizovati na C
n
m
načina. Svaka kombinacija donosi nov rezultat funkcije kriterijuma,
odnosno novu vrijednost vektora X. Najbolja kombinacija vektora A
<j>
u skupu neke
kombinacije baze donosi optimalno rješenje X
*
, pri čemu se postiže da je F(X
*
)=maxF(X), što
nazivamo optimalnim programom.
Vektorska baza Аb može se predstaviti kao matrica elemenata:
(39)

, uz uslov da je:

,
pri tome redoslijed vektora ne mora u opštem slučaju biti jednak redoslijedu vektora već
ranije formirane (38) inicijalne matrice А. Linearnu kombinaciju:
(40)
možemo izraziti preko baze Аb kao Ab·X = B. Na osnovu toga slijedi rješenje po
promjenljivoj:
(41) X=Ab
-1
·B
U tom slučaju dobijeni vektor X proglašavamo bazičnim rješenjem problema, kao:
(42) ,
gdje je Ab
-1
inverzna matrica matrice razmatrane baze Аb. Za prethodne vrijednosti funkcija
kriterijuma jednaka je:
(43)
gdje je vektor C formiran od koeficijenata:


Pored toga svaki nebazni vektor

, se može izraziti kao linearna
kombinacija baznih vektora, po sledećoj formi:
(44)

, pa je

,
gdje je:

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

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

Izaberimo dva vektora m=2, npr. A
<1>
i A
<3>
kao vektore početne bazne matrice: Ab=[ A
<1>
,
A
<3>
]. Bazično rješenje se odreĎuje na osnovu relacije Ab·Xb=B, ili konkretno:
.
Kako je:

, slijedi da je bazično rješenje jednako:

Uslov za inverziju matrice А je da je ona kvadratna i da je nesingularna, tj. da joj je
determinanta različita 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 sljedeće elemente:

Аlgebarski kofaktori adjungovane matrice odreĎeni su determinantom A, čiji elementi ne
pripadaju redu i koloni gdje se nalazi posmatrani element a
p5
sa predznakom odreĎenim
izrazom (– 1)
p+5
.
Inverzna matrica je definisana na sljedeći način: ,
što konkretno iznosi:
Prema tome bazno rješenje je: , ili

,

,
dok je moguće rješenje u tom slučaju:
Vrijednost funkcije kriterijuma dobija se za vrijednost Xb, kao:

Ista vrijednost se dobija i za moguće bazno rješenje:
35

Pošto se nebazični vektor može izraziti kao linearna kombinacija bazičnih vektora, uzeće se
kao primjer da to bude A
<2>
. Inače, pored ovoga vektora nebazičan je još i vektor A
<4>
. Prema
relaciji: Ab·X
j
=A
<j>
, slijedi:
Ab·X
2
=A
<2>
, odakle je X
2
= Ab
–1
·A
<2>
, odnosno:

Dakle, rješenje za vektor A
<2>
je:

,
odnosno: ,
Vrijednost funkcije kriterijuma sada iznosi:

Uvažavajući da je kompletan vektor: ,
dobijamo istovjetno rješenje prethodnom:


Simplex metoda

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

, od matrice А, formira baza

, tada se vektor
B izražava putem linearne kombinacije bazičnih vektora:
(46)
Nebazični vektor

izražava se, takoĎe, pomoću linearne kombinacije
vektora, kao:
(47)
Аko se vrši transformacija vektora baze

, tako da jedan od bazičnih vektora


bude zamijenjen nebazičnim vektorom

, mora da se uvaži sljedeći uslov, a to je da ako je
bazični vektor

za

, tada mora da bude i da je

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

, na osnovu čega se dobija:

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

možemo da napišemo isto na sljedeći način:
(50)

ili

Аko izvršimo eliminaciju bazičnog vektora

, dobijamo:
(51)

, ili


Dakle, vektor B se može izraziti putem linearne kombinacije novog skupa bazičnih vektora

i vektora

. Da bi ovaj skup obrazovao bazično moguće rješenje
potrebno je da članovi u zagradi budu nenegativni, tj.
(52)

i
Izbor vektora koji napušta bazu se svodi na tzv. “teta” kriterijum, što u kvantitativnom obliku
iznosi:
(53)

za
Uvažavajući prethodne uslove, novo bazično dopustivo rješenje se formira kao:
(54)
Аko je vrijednost funkcije kriterijuma za polazno rješenje jednaka: ,
za novo (poboljšano) bazično rješenje će tada biti: ,
odnosno zamjenom:
(55)
Za već ranije definisano:

, uz označavanje da je vrijednost funkcije za
vektor

, slijedi da je:
(56)

Simpleks kriterijum optimalnog rješenja
37
Dobijena relacija

pokazuje da se funkcija kriterijuma uvećava za
odreĎenu vrijednost pri promjeni vektorske baze. Аko je nebazični vektor

, za

i

sa najmanje jednim

, tada je

. Ovaj rezultat je vrlo važan jer
pokazuje u kom smjeru se može povećavati funkcija kriterijuma, sukcesivnom promjenom
vektorske baze. Kako je broj baza konačan, a uzastopnom iteracijom postižemo

, uz
neponavljanje nijedne baze više puta, najbolje rješenje, tj. najveću funkciju cilja dobijamo u
konačnom broju iteracija. U tom smislu možemo postaviti prvi simpleks kriterijum za
promjenu vektorske baze.
1. Аko je

, za jedan ili više nebazičnih vektora, tada u bazu treba uvesti onaj
vektor

sa najmanje jednim

, za koji je pronaĎeno:
(57)
2. Аko je

, i ako su sve vrijednosti

, za najmanje jedan nebazičan
vektor, tada problem nema konačnog rješenja.
3. Аko je

, za sve nebazične vektore, rješenje je optimalno. Pri tome treba
smatrati da je izuzet slučaj degenerisanog rješenja.
Kriterijum napuštanja trenutno egzistirajućeg vektora baze odreĎujemo prema već izvedenom
kriterijumu “teta”. Naime, treba utvrditi vrijednost:
(58)

, za


Eliminacija vektora slijedi nakon utvrĎivanja najmanjeg količnika za vektore B i

. Аko je
za
i = u
, količnik odgovarajućeg rješenja najmanji, pri čemu je

(nenegativna), vektor

treba eliminisati iz baze. Kada smo postigli optimalno rješenje


i ukoliko je za nebazični vektor

, simplex kriterijum

, tada se unošenjem tog
vektora i eliminacijom jednog od bazičnih vektora, postiže još jedno optimalno rješenje, npr.

. Konveksnom kombinacijom ovih optimalnih vektora
postižemo novo optimalno rješenje kao:
(59)

, gdje je skalar


Pri tome funkcija kriterijuma ovih vrijednosti:
(60)
ostaje nepromijenjena, tj. maksimalna, s obzirom da se ovdje razmatra takav slučaj
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 ograničenja:
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 jednačina ograničenja oblikuje se na osnovu prethodnog sistema nejednačina:
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 (izravnavajuće) promjenljive. Prethodni sistem jednačina može se
napisati u obliku: A·X = B. Pri tome su:
matrica tzv. tehničkih koeficijenata: ,
vektor nepoznatih vrijednosti , vektor ograničenja i vektor koeficijenata
funkcije kriterijuma C=[8,5, 9, 0, 0]. Vektori kolona matrice А mogu se izraziti kao:
, , i
i na taj način se matrična jednačina A·X = B može ekvivalentno formulisati putem vektorske
jednačine:
A
<1>
·x
1
+ A
<2>
·x
2
+ A
<3>
·x
3
+ A
<4>
·x
4
= B
Za usvojene početne vrijednosti realnih promjenljivih: x
1
= 0, x
2
= 0 možemo formulisati prvo
bazičnu jednačinu kao:
A
<1>
·0 + A
<2>
·0 + A
<3>
·15 + A
<4>
·21 = B,
kome odgovara početno (nulto) bazično dopustivo rješenje:
Konstatujmo da se za početno bazično rješenje uvijek uzimaju vještačke promjenljive sa
vrijednostima elemenata vektora ograničenja. Pri tome je vrijednost kriterijumske funcije
najmanja (nenegativna) i iznosi:

Dakle, početnu bazu čine 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 početnog modela su sada:

Primjena kriterijuma za ulazak novog vektora u bazu svodi se na eksplicitno odreĎivanje
najmanje negativne vrijednosti (F
j
– c
j
) nebaznih vektora. U tom smislu, imamo sljedeće
vrijednosti:
za vektor A
<1>
: F
1
– c
1
= (8,5·0 + 9·0 + 0·2,5 + 0·6) – 8,5 = – 8,5
za vektor A
<2>
: F
2
– c
2
= (8,5·0 + 9·0 + 0·5,5 + 0·3,5) – 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 odreĎivanje najmanjeg odnosa
vrijednosti tj. min {x
i
/x
ij
}, za izabrani ulazni vektor.
Najmanja vrijednost je: i u tom slučaju vektor
A
<3>
izlazi iz baze. Formiranje nove baze Ab’ se svodi na izmenu izabranog vektora, što se
simbolički može predstaviti kao:

Prethodni vektor A
<3>
se može izvesti iz izraza (63), tako da dobijamo:
(65)
Uvrštavanjem 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 mogućnosti da korisnik sam provjeri rezultat:

Pri tome se funkcija kriterijuma povećava 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 odreĎivanje najmanjeg odnosa
vrijednosti tj. min {x
i
/x
ij
}, za izabrani ulazni vektor. Najmanja vrijednost je:

i u tom slučaju vektor A
<4>
izlazi iz baze. Formiranje nove baze Abª se može predstaviti
simbolički izmjenom vektora:

Vektor A
<4>
se može 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 naĎeno optimalno rješenje jer su sve vrijednosti F
j
– c
j
> 0, što je osnovni
uslov kriterijuma najboljeg rješenja. Vektor optimalnog rješenja na osnovu rezultata
(70) je sada:
Pri tome je funkcija kriterijuma maksimalna i iznosi:
,
što je istovjetno već dobijenom rezultatu u Primjeru 6.

Formiranje simplex tabele

Simplex tabeliranje predstavlja efikasan način da se slično prethodnim algebarskim relacijama
na specifičan matrični (tabelaran) način strukturiraju svi elementi funkcija postavljenog
modela LP. Iterativnim proračunavanjem transformisani elementi tih funkcija (ograničenja i
cilja), takoĎe, se predstavljaju u narednim simplex tabelama, sve dok se ne postigne optimalno
rješenje. Osnova sukcesivnog proračuna, na ovaj način, ekvivalentna je ranije pokazanim
matričnim postupcima proračunavanja. Naime, za formirani simplex model problema LP, npr.
tipa maksimuma, iz sistema jednačina:

i funkcije kriterijuma:

može se postaviti (nulta) simplex tabela, u oznaci max ST-0 (T-4). Dio oznake ST-0
simbolički predstavlja početno rješenje, gdje je funkcija kriterijuma jednaka nuli, dok se
sintaksom max izražava karakter problema koji se rješava.
max ST-0 (T-4)

Pored toga ostali simboli u simplex tabeli imaju sljedeće značenje:
41
- C – vektor koeficijenata uz promjenljive x
j
funkcije kriterijuma (npr. jedinične cijene),
- Cb – vektor koeficijenata u funkciji kriterijuma uz promjenljive koje sačinjavaju bazno
dopustivo rješenje. Kod početne tabele vrijednost ovih koeficijenata je jednaka nuli,
- Xb – vektor promjenljivih koje formiraju bazno dopustivo rješenje.
- B – vektor vrijednosti promjenljivih bazno dopustivog rješenja za posmatranu iteraciju. U
nultom rješenju ovaj vektor sadrži elemente ograničenja desne strane simplex jednačine,
- X
j
– predstavlja množitelje vektora baze kada se njihovom linearnom kombinacijom izražava
vektor A
<j>
,
- F
j
– c
j
- predstavlja razliku izmeĎu 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 rješenje
optimalno ili ne, pa se definiše kao kriterijum optimalnosti.
Аko se kolona sa koeficijentima a
ji
i promjenljive x
j
jednačine (71) prebaci na desnu stranu,
dobijamo sljedeći sistem jednačina (i = 1,... m, j = 1,...,n):
(73)
Uz pretpostavku da su dopunske promjenljive x
k+i
(i = 1,... m) bazične promjenljive, tada su
ostale promjenljive jednake x
j
= 0 (j = 1,... k). U tom smislu smo formirali prvo bazično
moguće rješenje kao:
(74) , , ..... , , ..... ,
Funkcija kriterijuma pri ovoj bazi jednaka je nuli (analogno sa F(X) = 0 kod početnog rješenja
pri primjeni grafičke metode). Razlog tome je što su koeficijenti u funkciji kriterijuma za tu
bazu jednaki nuli, jer oni fizički ne postoje. Izmjena baze ide u smjeru uvoĎenja nebaznog
vektora X
j
(j = 1,..., k) (koji uzima adekvatne pozitivne vrijednosti). U tom smislu dobijamo
sljedeći izraz:
(75)


Za i-tu jednačinu, kao što je poznato u opštem modelu LP mogu se javiti slučajevi da je a
ij
{<,
=, >} 0. Najinteresantniji rezultat za analizu je slučaj kada je a
ij
> 0. Tada se može 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 bazične
promjenljive X
i
(postavljajući je kao vektor). Naime, da bi uslov x
j
s b
i
/a
ij
(a
ij
> 0) bio
zadovoljen, potrebno je izmeĎu svih m količnika pronaći minimalnu vrijednost. Taj odnos će
se obilježiti 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 proglašavamo vodećim 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,
zamjenjujući 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 će biti obilježena sa (F
p
– c
p
), odnosno indeks odabrane kolone sa j = p.
Očigledno da se isti rezultat postiže na osnovu ekvivalentne relacije: . Može
se zaključiti da se uz veću vrijednost c
j
i aktualizacijom odgovarajućeg vektora X
j
u bazi javlja
novi efekat koji rezultira, obično, povećanju funkcije kriterijuma.
42
max ST-0 (T-5)

Prošireni kriterijum, za izbor vektora koji pristupa bazi, primjenjuje se u onim slučajevima
kada se pojavljuje veći broj vrijednosti F
j
– c
j
< 0 jednakih ili bliskih po veličini. Njegova
primjena može ubrzati postupak nalaženja optimalnog rješenja kroz smanjenje broja potrebnih
iteracija. MeĎutim, u jednostavnijim modelima LP ne javlja se takav efekat, koji se ogleda u
brzini konvergencije ka optimalnom rješenju, pa prošireni kriterijum nije potrebno
primjenjivati, već se zadržati samo na osnovnom. Napomenimo da se u fazi ispitivanja u
vrijednosti ne uzimaju u obzir negativne vrijednosti odnosa u= b
i
/a
ij
, prouzrokovane
negativnošću vrijednosti a
ji
. Pored toga, može se desiti da količnik b
i
/a
ij
bude isti po
vrijednosti za dve ili više “teta” vrijednosti u analiziranoj koloni. U tom slučaju dolazi u
pitanje primjena prvog simplex kriterijuma, jer nije jednoznačno utvrĎeno koji vektor napušta
bazu Аb. Ovaj slučaj poznat je kao slučaj degenerisanog rješenja jer postoji više kandidata -
bazičnih vektora za izlazak iz baze.

Iterativni proračun elemenata simplex tabele

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

Primijetimo da ova matrica sadrži (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
rješenje. Naredna simplex tabela (T-8) u odnosu na prethodnu (T-7) sadrži transformisane
vrijednosti elemenata matrice. Naime, nove vrijednosti računaju se po odreĎenim pravilima.
Ta pravila su već prezentovana u metodama vektorskog proračuna, dok će se ovdje iznijeti
dovoljno uprošćeno, za elemente tekuće i naredne matrice.
43
ST - tekuća (T-7) ST - naredna (T-8)

Transformacija elemenata van vodećeg reda i van vodeće kolone (i = u; j = p) izvodi se kao:
(79)
Transformacija elemenata u vodećoj koloni, izuzimajući vodeći element (i = u).
(80)
Dokaz slijedi na osnovu obrasca (79). Za p = j dobija se
Transformacija elemenata u vodećem redu (i = u)
(81)
Transformacija vodećeg 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 tekuće u narednu simplex tabelu.
S obzirom da se F vrijednost nalazi van vodeće kolone i reda možemo je smatrati opštim
elementom, pa se transformacija te vrijednosti može izvršiti 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 proračunavanja 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 što se tekuća tabela smatra
baznom, a izračunavanje se vrši za svaku sledeću tabelu vrijednosti.

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

i TS
3
. Za tehnološku obradu jedinice proizvoda potrebno je utrošiti efektivno vrijeme za P
1
:
1,2 /čas/kom/ na TS
1
, 2 /čas/kom/ na TS
2
i 2 /čas/kom/ na TS
3
; za P
2
: 2,4 /čas/kom/ na TS
1
, 2
/čas/kom/ na TS
2
i 1 /čas/kom/ na TS
3
. Efektivni kapaciteti Ke
j
pojedinih tehnoloških sistema
iznose: za TS
1
12000 /čas/, za TS
2
14000 /čas/ i za TS
3
12000 /čas/. Sa druge strane funkcija
marketinga informiše proizvoĎača o potrebnoj količini proizvoda na tržištu, gdje je omogućen
plasman od maksimalno 5500 /kom/ proizvoda P
1
i 4500 /kom/ proizvoda P
2
. Prodajom
preduzeće 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,
koristeći grafičku i simplex metodu.
2. Pronaći funkciju kriterijuma opšteg oblika koja zadovoljava neograničen broj
optimalnih rješenja.

(T-9)
Tehnološki
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 /čas/
12000 14000 12000 -
Rješenje:
1a) Primjena grafičke metode za rješavanje zadatka LP podrazumijeva formiranje sistema
nejednačina i funkcije kriterijuma. U tom smislu je:
matematički model dobiti:


uz odgovarajuće uslove:

Kako količina proizvoda ne može biti negativna slijedi da je: x
1
, x
2
> 0. Na osnovu
prethodnih nejednakosti (1), (2) i (3) mogu se formirati segmentni oblici jednačina kojima se
opisuju granične vrijednosti raspoloživog kapaciteta i tržišnih zahtjeva (4) i (5):

Oblast dopustivih rješenja je ograničena konveksnim poligonom (oblast D), koji je
projektovan na osnovu sistema nejednačina od (1) do (5). Prava D(X) = 0, koja prolazi kroz
koordinatni početak, prezentuje nultu funkciju kriterijuma, i ako je transliramo u smjeru
vektora koji se prostire do najudaljenije tačke na poligonu dobijamo tangirajuću tačku kojom
je odreĎeno optimalno rješenje X
*
, odnosno maksimalna funkcija dobiti max D(X) = D(X
*
).
45

Sl. 22 Grafička interpretacija optimalnog rješenja
Na osnovu nulte funkcije dobiti i pomenutog postupka: 4400x
1
+ 1100x
2
= 0, slijedi da je x
1
=
– l/4 x
2
. Optimalno rješenje se tada nalazi u tački B, i dobija se u tački presjeka pravih (3) i
(4):
(3) 2 x
1
+ x
2
= 12000 i
(4) x
1
= 5500.
Rješavanjem dviju jednačina sa dvije nepoznate vrijednosti struktura i količina optimalnog
rješenja proizvodnog programa bi bila sledeća: 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 neograničen broj optimalnih vektora pripadao jednoj funkciji kriterijuma
maksimalnog ekstremuma, potrebno je da prava te funkcije tangira npr. duž BC, (Sl. 23)
odnosno da nova funkcija kriterijuma D(X) = c
1
· x
1
+ c
2
· x
2
sadrži koeficijent pravca isti kao i
definisana prava (3). Na osnovu te prave odreĎujemo koeficijent pravca kao:
(3) 2 · x
1
+ x
2
= 12000 x
1
= – ½ · x
2
.
46

Sl. 23 Grafička interpretacija optimalnog rješenja
Dakle, u funkciji kriterijuma mora figurirati parametar c
1
(uz x
1
) dva puta veći od parametra s
2
(uz x
2
), pa jednačina D(X), na osnovu prethodne analize, dobija opšti 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
= – ½ · x
2
, što je saglasno koeficijentu pravca prave (3).
2a) Matematički model problema primjenom simplex-max metode se oblikuje poslije
dodavanja dopunskih promjenljivih u sistemu linearnih ograničenja:

i funkcije dobiti:

Na osnovu razvijenog simplex matematičkog LP modela može se formirati inicijalna (nulta)
simplex tabela. Ova tabela (matrica) predstavlja osnovnu podlogu za primjenu iterativnih
postupaka proračunavanja.
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,
primijenićemo prošireni kriterijum, koji u principu skraćuje iterativni proces proračunavanja,
mada je u ovom slučaju dovoljna primjena i samo osnovnog kriterijuma, odnosno
pronalaženje najmanje vrijednosti, a to je D
1
– c
1
= – 4400. Аli, zbog demonstracije
proširenog kriterijuma predstavljamo kompletnije njegov algoritam. Kako je:
/nj/ i
/nj/,
odlučujemo da u naredno bazično dopustivo rješenje uvedemo promjenljivu X
1
, upravo zbog
dopunskog uslova koji govori da treba uzeti u obzir maksimalnu vrijednost iz skupa
raspoloživih 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 fizički predstavlja dobit. UvoĎenjem realne promjenljive X
1
(vodeća kolona)
izvodimo vještačku promjenljivu X
6
iz baze (vodeći red), jer je u izabranoj koloni uočena
najmanja vrijednost u
1
= 5500. Daljom matričnom transformacijom, na osnovu četiri pravila
za transformaciju: (79), (80), (81) i (82) možemo 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 slučaju pronaĎeno
optimalno rješenje i istovjetno je sa rezultatima primjene postupaka proračunavanja
grafičkom metodom. U tom smislu, jedno optimalno rješenje iznosi:
/kom/
Može se pokazati, u ovom slučaju, da uvoĎenje 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 beskonačan broj optimalnih rješenja. MeĎutim, mi smo se
zadržali na samo jednom pronaĎenom.
2b) Maksimalna vrijednost funkcije dobiti može se očitati direktno iz završne tabele, ili
izračunati na osnovu optimalnog vektora količine proizvoda. Dakle:
48
max D(X) = D (X
*
) = 4400x
1
*
+ 1100x
2
*
= 25,3 · 10
6
/nj/.
Konstatujmo da je vektor optimalnog rješenja kompletniji nego vektor dobijen u rezultatu
primjene grafičke metode. U ovom slučaju su dobijene i optimalne vrijednosti vještački
uvedenih proizvoda, čijom bi se eventualnom proizvodnjom u potpunosti iskoristili vremenski
kapaciteti sva tri tehnološka sistema.

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

i funkciju kriterijuma:

Rješenje:
Odgovarajući simplex model na osnovama prethodnog modela sadrži sistem jednačina:

i funkciju kriterijuma:

Formirani simplex model je potrebno uneti u početnu iteracionu tabelu, kao matricu tehničkih
koeficijenata, vektora ograničenja i vektora cijena, što je i učinjeno u tabeli max ST-0.
Postupci proračuna 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 rješenje se očitava 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 najveća vrijednost funkcije kriterijuma u iznosu od:
.

Linearno programiranje u određivanju optimalnog programa proizvodnje

Jedan interesantan problem linearnog programiranja je problem poznat kao ”odreĎivanje
optimalnog proizvodnog programa”. U slučaju da su nam poznati parametri proizvodnje i
njene integralne podrške, kao što su: vremena operacije rada, efektivni kapaciteti mašina,
cijene proizvoda na tržištu, ograničenja u pogledu plasmana proizvoda ili druga resursna i
kapacitivna ograničenja, može se izvršiti modeliranje problema i odgovarajućom metodom
pronaći najbolji odnos asortimana proizvoda i odgovarajuće količine. Označimo sa [x
1
, x
2
, ...,
x
j
, ..., x
n
] količine n proizvoda koji se dobijaju procesom proizvodnje, sa a
ij
(i = 1,..., m; j =
1,..., n) tehničke koeficijente, gdje se deo i-tog resursa troši 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/. Sagledavajući resursno ograničenje b
i
za
svaku mašinu (npr. vremenski kapacitet) može se formirati i-ta nejednačina kojom se
modeliraju uslovi u pogledu popune efektivnog kapaciteta mašine.
(85)
Аko sa [c
1
, c
2
, ..., c
j
, ..., c
n
] označimo specifične cijene pojedinačnih proizvoda P
j
, može se
sumiranjem formirati ukupna očekivana dobit D(X) od svih proizvoda kao:
(86)
Postupcima optimizacije teži se da proizvodni program bude takav da se postigne najveća
dobit. Mećutim, jedan od proizvodnih problema predstavlja problem minimizacije troškova,
npr. transporta u proizvodnji. Tada vektorom
(87) c = [c
1
, c
2
, ..., c
j
, ..., c
n
]
obično definišemo sve značajnije jedinične troškove, a postupcima optimizacije teži se
iznalaženju minimalnih ukupnih troškova proizvodnje i transporta.
(88)
Ograničenja kod ovog tipa problema su obično data sledećom relacijom:
(89)
mada se u principu relacioni operatori postavljaju u zavisnosti od uslova proizvodnje i
transporta, tj. uslova koje diktira tržište ili neki drugi proizvodni faktori. Nekada će se morati
postaviti kao relacija znak jednakosti, npr. u slučaju kada se odgovarajući resurs ili vremenski
50
kapacitet u potpunosti mora iskoristiti. U opštem slučaju sistem ograničenja se može iskazati
u vidu relacija:
(90) (i = 1,..., m; j = 1,..., n)
pri čemu se funkcija kriterijuma postavlja kao:
(91)

Primjer 14.
Na bazi primjene metoda optimizacije proizvodnog programa izvršiti analizu količine
proizvoda x
j
i asortimana P
j
(j = 1,...,7) u cilju ostvarivanja najveće dobiti preduzeća. Pri tome
su poznati uslovi ograničenja proizvodnje i tržišta. Po operativnom planu je potrebno
realizovati sedam proizvoda na pet tehnoloških sistema (mašina). Pri tome se na svakoj
mašini realizuje operacija rada sa vremenom operacije t
ij
(i =1,...,5 i j = 1,...,7) /kom/min/,
datih u tabeli (T-16). Vremenski kapaciteti mašina su raspoloživi do odreĎenog intervala
/min/ i ne mogu se premašiti. Pored tih uslova postoje još dva tržišna ograničenja. Naime,
tržištu se mora isporučiti tačno 1000 komada svih proizvoda, pod uslovom da količine 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 mašine gdje se predmet rada
obraĎuje:
(T-16)
Proizvodi P
j

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

Kapaciteti
mašina /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

Tržišna ograničenja i uslovi pojavljivanja proizvoda na tržištu
(T-17)
Proizvodi P
j
P
1
P
2
P
3
P
4
P
5
P
6
P
7

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

Specifične 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


Rješenje: Formiranje matematičkog modela problema
51

Ograničenja tržišnog kapaciteta:

Funkcija dobiti:

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

Sl. 24
Rezultati proračunavanja optimalnog programa proizvodnje

Sl. 25



52
Optimalno rješenje, prema (Sl. 25), sadrži sljedeće količine proizvoda
/kom/.
Pri tome se postiže maksimalna dobit preduzeća u iznosu od: max F(X) = 20780,04 /nj/.
Očigledno da broj komada treba izraziti u cjelobrojnim vrijednostima što je i učinjeno
vektorom približnih vrijednosti. U tom smislu, ovaj problem se može rješavati odreĎenim
metodama cjelobrojnog programiranja.

Primjer 15.
Projektom predviĎen, amorfni materijal mora sadržati najmanje 40 jedinica vezivnog
materijala А, 60 jedinica vezivnog materijala B i 40 jedinica vezivnog materijala C. U
procesu realizacije posla, koriste se dvije vrste graĎevinskog materijala. Sadržaj pojedinih
substituta u materijalu /jedinica/kg/ predstavljen je u sledećoj tabeli (T-19).
(T-19)
GraĎevinski materijali

Vezivni substituti
GM
1
GM
2

Limitirajuća
količina
/kom/
A 3 1 40
B 2 2 60
C 1 3 40

Pronaći najjeftiniju strukturu (sadržaj) amorfne mješavine koja zadovoljava date potrebe, ako
1 kilogram graĎevinskog materijala GM
1
košta 10 /nj/, dok GM
2
košta 20 /nj/.
Rješenje:
a) Postupci rješavanja grafičkom metodom zadatka LP. Kako se želi pronaći najjeftinija
mješavina, to je potrebno postaviti minimalnu vrijednost funkcije troškova, odnosno:

uz ograničavajuće uslove:

dok promjenljive x
1
i x
2
moraju ispunjavati uslove nenegativnosti, tj. x
1
, x
2
> 0. Najprije se
mogu nacrtati pravci ograničavajućih pravih, vodeći računa o orijentaciji (u smislu
nejednačina). U tom cilju napišimo segmentni oblik pravih koje ograničavaju odgovarajuće
oblasti:
53

Grafičko predstavljanje rješenja je dato na Sl. 26. Oblast dopustivih rješenja je neograničena
(oblast D) i optimalno rješenje se nalazi u tački C.

Sl. 26 Grafička interpretacija optimalnog rješenja

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 najbliže tačke ograničavajućih pravih (jer je u pitanju
minimum funkcije T(X)) dobijamo traženo rješenje grafičkim putem, odnosno analitičku
potvrdu u sljedećem postupku, gdje se optimalno rješenje nalazi u presjeku pravih (2) i (3):

Dakle, optimalni vektor iznosi:

Praktično znači da struktura graĎevinske mješavine traba da sadrži 25 /kg/ materijala GM
1
i 5
/kg/ materijala GM
2
, pa će u tom slučaju mješavina biti najjeftinija i njena vrijednost će
iznositi:
min T(X)=T(X
*
) = 10x
1
*
+ 20x
2
*
= 350 /nj/.
b) Rješavanje zadataka LP simplex metodom uz dodavanje dopunskih promjenljivih,
matematički simplex-min model dobija sličan oblik kao simplex-max. MeĎutim, kako
dopunske promjenljive imaju koeficijent -1, a sa desne strane jednačine su pozitivne
vrijednosti, iz tih razloga: – x
3
, – x
4
i – x
5
ne mogu se uzeti u početno bazično dopustivo
rješenje. U tom slučaju se jednačinama moraju dodati još i pozitivne vještačke promjenljive,
sa jediničnim cenama M. Time matematički model simplex-min postaje kompletan, odnosno:

uz ograničenja:
54

Koeficijent M predstavlja proizvoljno veliki pozitivni broj i u klasičnom (ručnom) postupku
računanja, uzima se kao opšti. 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 identičan rezultat kao u prethodnom slučaju,
aplikacijom grafičke metode. U rezultatu ovog postupka postignute su opštije optimalne
vrijednosti kojima su uzete u obzir potpune popune svih kapaciteta. U tom smislu se
optimalnim vektorom daju vrijednosti realnih, dopunskih i vještačkih promjenljivih x
j
(j =
1,...,8).
55
/kom/
Pri ovome je zadovoljen kriterijum optimalnosti, važeći 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/.
Rješenje problema tipa min znatno je složenije, sa stanovišta uvoĎenja novih promjenljivih. Iz
tih razloga se često ide na transformaciju ovog tipa problema u tzv. dualni model, kako bi se
izvršila svojevrsna racionalizacija postupaka proračunavanja, a postigli isti efekti radi
dobijanja optimalnog rješenja.

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

i ograničenjima:

gdje je broj nepoznatih n i broj jednačina m. Primarni model se kraće može zapisati kao:

ili izražen u matričnom obliku sa:
(99) funkcijom kriterijuma:

(100) i sistemom ograničenja:

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

pri ograničenjima:
(102)

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

(103) sa funkcijom kriterijuma:

56
(104) i sistemom ograničenja:


Zakonitost meĎu formulisanim zadacima postoji u sledećoj formi:
- Matrica А koeficijenata primarnog sistema ograničenja transponovana je u matricu А
T

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

Može se takoĎe pokazati da važi sledeća teorema:
Maksimum funkcije F(X) pri ograničenjima A · X > B jednak je minimumu funkcije F (Y) pri
ograničenjima A
T
· Y s C (uz pretpostavku da zadaci imaju rješenje):
(107) max F(X) = min F(Y)
Navedimo osnovne stavove dualnosti:
- dual duala je primar,
- ako je optimalno rješenje primara X
*
i duala Y
*
, u tom slučaju važi:
(108) C · X
*
= A · Y
*

- ako primar (dual) ima konačno optimalno rješenje, onda i dual (primar) ima konačno
optimalno rješenje.
- ako primar (dual) nema ograničeno optimalno rješenje, onda i dual (primar) nema moguće
rješenje.

Primjer 16.
Riješiti problem minimuma primjenom simplex metode i dualnog modela LP, za slučaj
sljedećeg sistema linearnih nejednačina i date funkcije kriterijuma:

Rješenje:
Dualni model prethodnog primarnog modela se oblikuje na osnovu transpozicije vektora i
matrice koje definišu sistem nejednačina i funkcije kriterijuma primarnog modela LP:
57

Na osnovu dualnog modela može se formirati prošireni simplex dualni model ili tzv. duplex sa
jednačinama ograničenja:

i dualnom funkcijom kriterijuma:

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

59

60
Transportni problem

Uvod u transportni zadatak

Transportni zadatak jeste specijalan slučaj opšteg zadatka linearnog programiranja. Danas ova
oblast pripada operacionim istraživanjima, 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 matematičar Kantorovič prvi
definisao transportni problem (TP), sa linearnim planom distribucije resursa. MeĎutim,
američki matematičar Hičkok (Hitchcock, L.F.) par godina kasnije (1941.) oblikuje model TP
i rješava ga, pa je naučni svijet prihvatio ovaj model transportnog zadatka kao model Hičkoka
i označava ga kao značajan datum razvoja nauke o matematičkom programiranju. Kasnije
razvijeni modeli TP, proizašli su iz metodologije linearnog programiranja, ali se njihov razvoj
bazirao na novootkrivenim, znatno jednostavnijim algoritmima nego što su to algoritmi LP.
Tome su doprinijeli i sami autori izvornih metoda LP, uviĎajući potrebu za efikasnijim,
specijalnim metodama, čija je brzina konvergencije ka optimalnom rješenju veća nego kod
već klasičnih metoda, kakva je npr. simplex. Dancig 1951. god. objavljuje rješenje TP
zasnovano na metodi simplex množitelja. U periodu prve polovine pedesetih godina
objavljuju se novi radovi Vogela (Vogel), Takera (Tucker), Barcova (Burcov) u kojima se
definišu različite modifikacije transportnog zadatka. Metoda Čarlsa 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 poboljšanu verziju ove popularne metode. Metodu optimalnog transporta
prezentovanu u ovom poglavlju autorizovao je Ferguson (Ferguson) 1955. god. kao
modifikovano-diferencijalnu metodu, ili skraćeno Mo-Di metodu. Ford i Fulkerson (Ford &
Fulkerson) su 1956. god. objavili metodu koja je često zastupljena u literaturi o operacionim
istraživanjima kao metoda Forda i Fulkersona. Trendovi razvoja i primjene metoda transporta
su nastavljeni i u narednim decenijama, uz sve veću aplikaciju kompjuterskih programa sa
algoritmima najefikasnijih metoda koje su u pomenutom periodu nastale.

Opšti model transportnog problema

U transportnom problemu (zadatku) linearnog programiranja, najčešće se bavimo problemom
minimizacije ukupnih troškova transporta: resursa, putnika, energije, informacije i sl., koji u
realnim uslovima mogu predstavljati veliki izdatak za odreĎen ekonomski sistem. Osnovnim
modelom TP se pretpostavlja da je količina resursa koju treba transportovati odreĎena i da je
po svojoj prirodi jednorodna (homogena). Dakle, poznata su: izvorišta (magacini, skladišta) sa
odreĎenom količinom resursa koju treba distribuirati do poznatih ponora (odredišta, primalac,
prodavnice i sl.). Pri tome se postavlja kriterijum minimizacije ukupnih troškova, tako da se
time postigne najbolje izvršenje distribucije sa strategijom: od kojeg izvorišta i sa koliko robe
treba rasporediti transport po transportnim putevima sve do ponora, pod najpovoljnijim
ekonomskim uslovima? Obično su, ovim modelom, poznate specifične cijene transporta i one
predstavljaju ekvivalent za dužinu transportnog puta. U tom smislu, obilježimo izvorišta sa:
I
1
, I
2
, ..., I
i
, ..., I
m
, tako da ona sadrže respektivno: a
1
, a
2
, ..., a
i
, ..., a
m
količine resursa za
transport. Pri tome su: |
1
, |
2
, ..., |
j
, ..., |
n
kvantumi (kapaciteti) resursa za transport koji
pritiču iz mjesta izvora u mjesto prijema: P
1
, P
2
, ..., P
j
, ..., P
n


po redu. Označimo (Sl. 27)
jedinične troškove resursa sa c
ij
i količine 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. Šematski prikaz transportnog zadatka

Funkcija cilja sastoji se u odreĎivanju optimalne količine distribucije x
ij
, pod uslovom da
ukupni troškovi budu minimizirani (ili maksimizirani). Šematski prikaz transporta može se
modelirati tabelarno na sljedeći način.
(T-28)


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

Prethodni model funkcije troškova će se kraće formulisati u obliku:

Dakle, transportni troškovi su konačni i sumarno iznose:

Ograničenja se mogu definisati u odnosu na kumulativne vrijednosti transportnih kapaciteta
po svakom redu i svakoj koloni, što se može zapisati u obliku jednačina:
62

Po definiciji zatvoreni tip transportnog problema podrazumijeva da se ukupna količina resursa
iz svih izvora isporučuje kompletno ponorima, bez ostatka. U tom smislu imamo sljedeće
funkcije ograničenja:
(6) i . Pri tome je: , što slijedi iz prethodnih
relacija. Uvažavajući 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 možemo
razviti, dakle, matricu sa (n × m) kolona, što se vidi u sljedećem modelu, ako ograničenja
pišemo tako da u jednoj koloni doĎe samo jedan tip nepoznate promjenljive x
ij
.

Iako prethodni sistem ograničenja sadrži (n + m) jednačina, od (n × m) nepoznatih, nisu sve
jednačine nezavisne. Jedna od tih jednačina zavisi od ostalih (n + m – 1) i to se može
dokazati. Naime, ako se saberu prvih m-jednačina i od njih oduzme zbir sljedećih (n – 1)
jednačina dobijamo:
(8)
63
S obzirom da je: , slijedi da je posljednja jednačina linearna kombinacija
prethodnih (n + m – 1) jednačina. Redoslijed jednačina u ovom dokazu pri tome nije bitan.
Dakle sistem je konzistentan i dovoljan za proračun sa ukupno (n + m – 1) nezavisnih
jednačina. Nebazične su one koordinate tabele (polja) koje su jednake nuli. Bazno rješenje je
ono rješenje transportnog problema preko kojeg se vrši 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. Аko je r < n + m – 1 tada smo postigli degenerisano rješenje, čime
se javlja dodatni problem transporta. Bazično rješenje ima ukupno n · m – (n + m – 1) nula.
Prema tome, u bazičnom rješenju broj bazičnih promjenljivih je jednak rangu r. U razvijenoj
formi jednačina ograničenja, svakoj jednačini sistema odgovara bar jedan red ili kolona te
tabele. Dakle, svi redovi i kolone sadrže jednu ili više bazičnih promjenljivih. U suprotnom,
dolazimo u kontradikciju sa nekom od jednačina. Ovakvi stavovi omogućavaju da lakše
doĎemo do nekog bazičnog rješenja, vodeći računa o konzistentnosti tog rješenja sa sistemom
ograničenja.

Metode za određivanje bazno dopustivog rješenja
Svaki zadatak odreĎivanja optimalnog transporta zahtijeva postavku modela problema. Taj
postupak obično prethodi iteracijama. Nizom iteracija poboljšava se rješenje transporta, sve
do najbolje varijante. MeĎutim, i početno rješenje zahtijeva primjenu postupaka odreĎene
metode, bez obzira što tom metodom ne nalazimo najbolje rješenje. Što je efikasnija metoda
odreĎivanja početnog bazno dopustivog rješenja, utoliko je i kraći put do optimalnog rješenja,
prouzrokovan manjim brojem potrebnih iteracija. Ove metode su relativno jednostavne i
zahtijevaju “par minuta”, aplikacije po jednoj iteraciji, kod jednostavnih modela problema.
Kreću 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 nešto složenijom algoritamskom strukturom, kao npr:
- Vogelova aproksimativna metoda i sl.
Sve ove metode se baziraju se na pretraživanju i nemaju egzaktno razraĎen kriterijum
optimalnosti u kvantitativnom obliku. Racionalnije rješenje se postiže 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 veći broj metoda
transporta, tako da ćemo ovdje iznijeti samo najinteresantnije.

Dijagonalna metoda - metoda „sjeverozapadnog ugla”

Nalaženje početnog rješenja, što je uobičajena iteracija ka konačnoj završnoj iteraciji (tj. ka
optimalnoj varijanti), možemo dobiti izmeĎu ostalih i postupcima dijagonalne metode.
Bazične promjenljive ili polja koja programiramo, preko kojih se vrši transport,
rasporeĎujemo duž dijagonale koja se kreće od prvog, gornjeg lijevog ugla, tzv. “sjevernog”
polja (1,1) tabele, a završava u “zapadnom” polju (m,n). Otuda i popularan naziv metoda
“sjeverozapadnog” ugla (North-West Method). Dakle, odreĎivanje se vrši tako što se počinje
sa distribuiranjem resursa preko gornjeg lijevog ugla matrice, prezentovane tabele vrijednosti
(T-29), i to podmirenjem prvog odredišta do maksimalno moguće količine koju može da
primi, ili do potpunog ispražnjenja prvog izvorišta. Ovaj postupak povlači za sobom
eliminaciju iz daljeg proračuna i/ili prvi red i/ili prvu kolonu matrice, u ovom slučaju
zatvorenog tipa transporta.
64
(T-29)
ponori
izvori
Potrebe ponora
Ograničenja
izvora


Dalji postupak (T-30/33) ponavljamo po istom principu “sjeverozapadnog ugla” za preostali
deo matrice nepopunjenih elemenata tabele. Na ovaj način smo, za primjer prema podacima
inicijalne tabele dobili jedan plan transporta. Konstatujmo da je rješenje bazno dopustivo i
nedegenerisano, zbog toga što je (r = n + m – 1), gdje su:
- m = 4 - broj kolona matrice,
- n = 3 - broj redova matrice,
- r = 6 - dobijen broj bazno dopustivih rješenja (broj elemenata u završnoj tabeli (T-33) preko
kojih se vrši transport).
Funkcija kriterijuma koja prezentuje troškove ovoga rješenja (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


Obično se model baznog rješenja TP zbog brzine aplikacije oblikuje na osnovu ove metode,
iako se njome dobija u složenijim slučajevima slabiji polazni program transporta, koji se
naknadno može poboljšati racionalnijim metodama.

Metoda minimalnih cijena u redovima

Postavljanje transporta izvodi se na mestu transportnog polja (T-34), najpre, gdje je uočena
najmanja cijena u prvom redu. U ovom slučaju to je cijena min {x
11
, x
12
, x
13
, x
14
}= c
13
=2
i na toj poziciji (1,3) postavljamo maksimalnu moguću bazičnu vrijednost x
13
= 60. Zatim,
simbolično obilježavamo onaj red ili kolonu, u zavisnosti od ostvarene konzistentnosti sa
jednačinama uravnoteženja, tako da se taj red ili kolona više ne analizira. U ovom primjeru
(prema podacima iz prethodnog modela), u pitanju je treća kolona.
65
(T-34)
ponori
izvori

Nadalje se razmatra sljedeći red sa najmanjom cenom i tako redom do posljednjeg, po istom
principu minimalnih cijena. Ukoliko imamo više 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 težiti da se dobije bazno dopustivo nedegenerisano rješenje, tj.
da se ostvari ravnoteža: r = n + m – 1.

Metoda minimalnih cijena u kolonama
U analiziranoj prvoj koloni postavljamo bazni element na polju najmanjeg troška. Konkretno
ta lokacija je na mestu gdje je min{ x
11
, x
21
, x
31
}= x
31
= 2. Dalji postupci se primjenjuju za
drugu, treću,..., i n-tu kolonu. Princip minimalne cijene po kolonama ekvivalentan je principu
minimalne cijene po redovima, prethodne metode. TakoĎe se, u slučaju pojave dve ili većeg
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 slična prethodnom. Postavljaju se najveći
bazisi x
ij
, tamo gdje su c
ij
najmanje. Dakle, uočavamo minimalnu vrijednost u tabeli, a to je
konkretno

, i na tom mestu lociramo maksimalnu vrijednost transporta x
23
=
60, koja je konzistentna sa ograničenjima drugog reda i treće kolone. Sledeća najmanja
vrijednost cijene je x
32
= 1. Stavljajući na tom mestu bazis od x
23
= 135, više ne razmatramo
treći red. Po istom principu popunjavamo ostala polja tabele i dobijamo rješenje u tabeli (T-
36), sa ostvarenim ukupnim troškovima T(X)=905 /nj/. Rješenja mogu biti viševarijantna u
slučaju pojave skupa istovjetnih (minimalnih) cijena. Ovdje ne postoje posebni prioriteti pri
odabiru cijena ako imamo slučaj više najmanjih cijena, već se to prepušta donosiocu odluka.
Primjenom prethodnih postupaka dobili smo bazno dopustivo nedegenerisano rješenje.
MeĎutim, nije sigurno da je ono i najbolje sa stanovišta kriterijuma minimalnih troškova
transporta.
66
(T-36)

ponori
izvori


Metoda Vogela
Ovom metodom nalazi se bazično rješenje, najčešće suboptimalno, ili kod jednostavnijih
šema transporta i optimalno. Naziv Vogelova metoda proističe od autora metode, a često se u
literaturi metoda naziva Vogelova aproksimativna metoda (VAM – Vogel’s Approximation
Method). Metoda je iterativna u smislu sukcesivnog pronalaženja bazičnih elemenata, iz
iteracije u iteraciju. Osnovni princip metode je izračunavanje najvećih razlika izmeĎu dva
najmanja koeficijenta cijena u svakom redu i u svakoj koloni analizirane matrice troškova. Na
osnovu toga proističu odluke o postavljanju bazisa. Primjer primjene Vogelove metode daće
se na osnovu već postavljenog modela jediničnih troškova (T-29). Nakon prvog izračunavanja
razlika izmeĎu dve najmanje cijene svakog reda, odnosno svake kolone, vršimo 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 najveća, a to je max{ 1,
3, 2, 1, 1, 3, 1 }= 3. U slučaju da se dobije veći broj razlika meĎusobno jednakih i
istovremeno najvećih, daje se prednost onom polju koje sadrži najniže jedinične troškove.
Kako drugom redu odgovara minimalna vrijednost cijene c
23
= 0, na tom mestu (2,3)
postavljamo prvi bazis sa najvećom logičnom vrednošću transporta, a to je c
23
= 60. Time smo
iz daljih proračuna eliminisali treću kolonu, što je u tabeli (T-38) predstavljeno zatamnjenom
nijansom. U drugoj iteraciji na isti način odreĎujemo 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 završena i treći red je u potpunosti uravnotežen, koji smo simbolički, takoĎe,
predstavili zatamnjeno, što je dato u tabeli (T-39).
(T-37/42)










67





U sljedećim iteracijama treba još da se programira transport preko preostalih šest polja.
Imamo na raspolaganju nepotpune: prvu, drugu i četvrtu kolonu i prvi i drugi red. Od pet
izračunatih vrijednosti razlika cijena najveća 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
uravnotežili prvu kolonu (T-40). Preostale razlike iznose max{ 1, 1, 1, 1 }= 1 i karakteristična
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
jednačinama uravnoteženja izvora i ponora. Ove jednačine neće se pisati, zbog jednostavnosti
proračuna i mogućnosti brze provjere. Prema tome, posljednja (T-43) donosi nam konačne
rezultate aplikacije Vogelove metode. Za ostvarenje ovoga transporta potrebno je utrošiti
ukupno T(X)=905 /nj/.
(T-43)

ponori
izvori



Vogelova metoda, iako zahtijeva više proračuna, pogodna je za primjenu kada se problem
transporta rješava manuelnim putem i u slučaju modela transporta sa većim broja izvora i
ponora, dakle kod kompleksnijih problema distribucije. Koliko početna (inicijalna) baza utiče
na konačno rješenje TP može se vidjeti na sljedećem skupu tabelarnog proračunavanja (T-
44/49). Naime, ako umjesto početne baze na polju (2,3), za isti uzorni model, kao i prethodni
(T-37), postavimo transport na susednom polju (2,4) rezultati proračuna su drugačiji, i u
konačnom ishodu slijedi rješenje sa troškovima transporta od T(X)=945 /nj/.
(T-44/49)










68





Ranije dobijeno rješenje (T-43) u odnosu na ovo rješenje (T-49) je povoljnije, sa stanovišta
ostvarenja sumarnih troškova, te ga u tom smislu i usvajamo kao konačno.

Određivanje optimalnog rješenja transportnog zadatka

Osnovna odlika ovih metoda je definisan kriterijum optimalnog rješenja. Na osnovu ovog
kriterijuma u kvantitativnom obliku se verifikuje početno bazično rješenje, da li je najbolje ili
se još može poboljšati do optimalnog. Pored toga, ovim metodama se dolazi do boljeg
bazičnog rješenja i podatka za koliko se pri tome smanjuje funkcija kriterijuma – troškova.
MeĎutim, iako su ove metode visoko elaborirane pri njihovoj primjeni može se ponekad javiti
dilema u procesu odabira bazičnog transportnog polja. Tada je potrebno doneti odluku na bazi
konačnog pretraživanja, odnosno heuristički. U svakom slučaju greška se neće pojaviti ako
svaka nova iteracija, u odnosu na prethodnu, npr. kod problema tipa min., donese manje
troškove transporta, uz očuvanje konzistentnosti jednačina ograničenja. Od poznatijih metoda
transportnog zadatka istaknimo četiri, 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, prezentovaće 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 još i naziv metoda simplex množitelja, ili koeficijenata “u-v”. Naziv modifikovana
proističe iz modifikovanog oblika funkcije kriterijuma u koju su uvršteni simplex množitelji.
Taj oblik modifikovane funkcije, bez detaljnog izvoĎenja, je:
(9)
gdje je uveden diferencijal: A
ij
= c
ij
– u
i
– v
j
. Za baznu promjenljivu vrijednost funkcije
kriterijuma je uvijek:

, pri čemu 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 vrši transport tj. c
ij
= u
i
+ v
j
. U opštem slučaju potencijali mogu biti
pozitivni, negativni ili jednaki nuli. Kod nedegenerisanog bazno dopustivog rješenja broj ovih
bazičnih elemenata jednak je rangu matrice transporta r = n + m – 1, dok je broj koeficijenata
u
i
i v
j
za jedan veći od ranga tj. jednak je n + m. Iz razloga potpune rešivosti sistema
jednačina, za jedan od tih potencijala se pretpostavlja da je jednak nuli, mada se može usvojiti
i neka druga proizvoljna vrijednost. Obično se uzima onaj potencijal koji se najveći broj puta
69
pojavljuje u formiranim jednačinama bazičnih cijena. U opštem slučaju verifikacija
optimalnog rješenja transporta pomoću potencijala zasniva se na sljedećim 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 nebazična 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 bazični program najbolji, u oznaci X
*
=[x
ij
*
]
m×n
. Time se garantuje minimalna cijena
transporta T(X
*
)=minT(X), od izvorišta do ponora (odredišta).
Dokaz: Za formirani program transporta X=[x
ij
]
m×n
i skup potencijala reda i kolona, koji
zadovoljavaju uslove Stava 1. i 2., ukupni troškovi transporta iznosiće:
(12)
Preformulacijom programa transporta, u smislu nove šeme, koju ćemo označiti 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 važeća 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
, što se direktno odražava na ukupan transportni trošak, koji sada
iznosi:
(13)
Dakle, izmenom programa u odnosu na optimalni program uvijek se povećavaju troškovi, ili
inverzno, posmatrajući lošiji plan uvijek se može poboljšati dovoĎenjem diferencijala u
sledeću relaciju:
(14) A
ij
= c
ij
– u
i
– v
j
> 0
Dokaz ove teoreme može se naći u literaturi [14].

Primjer 17.
Kako se verifikuje optimalno rješenje pokazaće se na primjeru za već postavljeno bazno
dopustivo nedegenerisano rješenje dobijeno metodom Vogela. Početni bazični plan dat je u
tabeli (T-50).
(T-50)
ponori
izvori



Rješenje:
Bazna polja predstavljena su u tabeli (T-50) zaokruženim vrijednostima transporta i njihov
broj je r = n + m – 1 = 6 čime je predstavljeno bazno dopustivo i nedegenerisano rješenje.
-Jednačine baznih cijena za šest polja formiraju se na osnovu formule: c
ij
= u
i
+ v
j
. U tom
smislu imamo sljedeće jednačine baznih cena:
70

Usvajajući da je npr. potencijal u
1
= 0, kao koeficijent koji je najfrekventniji u jednačinama i s
tog stanovišta olakšava proračun. Broj nepoznatih je izjednačen sa brojem jednačina, pa je u
tom slučaju prethodni sistem jednačina rešiv.
-Formiranje diferencijala A
ij
= c
ij
– u
i
– v
j
za nebazna polja transporta.

Kako su sve vrijednosti diferencijala A
ij
> 0, nenegativne, možemo zaključiti da je predloženo
rješenje ujedno i optimalno, jer se Mo-Di kriterijumom optimalnosti ono i verifikovalo na
kvantitativnoj osnovi. Pri tome je ostvaren najmanji trošak transporta u vrijednosti od:
/nj/.

Primjeri 18, 19 i 20

Primjer 18.
Odrediti optimalnu raspodelu materijala x
ij
tako da ukupni troškovi transporta budu
minimalni. Materijal se transportuje iz četiri izvorišta I
i
u tri odredišta O
j
. Postojeća količina
materijala a
i
u izvorištima, potrebna količina b
j
u odredištima, kao i specifične cijene
transporta c
ij
date su u tabeli (T-51).
(T-51)
ponori
izvori



Rješenje:
Primjena metode sjeverozapadnog ugla u nalaženju početnog bazičnog rješenja
Primjenom metode sjeverozapadnog ugla smo dobili početni, bazno dopustivi plan transporta
(minTP-0) uz konstataciju da je rješenje degenerisno, zbog toga što 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 vrši
transport).
71
min TP-0 (T-52)

ponori
izvori



dok je funkcija kriterijuma, pri ovome, prezentovala početne (neminimalne) troškove u iznosu
od:
/nj/.
Primjena Mo-Di metode u nalaženju optimalnog rješenja
Za odreĎivanje optimalnog rješenja potrebne su nam savršenije metode od kojih je jedna, već
pomenuta, iterativna, modifikovano-diferencijalna ili Mo-Di metoda. U literaturi je nalazimo i
pod nazivom metoda potencijala. Mo-Di metoda sadrži sljedeće algoritme:
I iteracija: Vrijednosti potencijala u
i
i v
j
odreĎuju se tako da koeficijenti uz bazične
promjenljive (x
ij
> 0) budu jednaki nuli, tj. A
ij
= c
ij
– u
i
– v
j
= 0. Na osnovu čega slijedi da je:
c
ij
= u
i
+ v
j
(i = 1,..., 4; j = 1,..., 3), pa je za ovaj primjer karakteristično:

Jednoj promjenljivoj možemo dodeliti proizvoljnu vrijednost, a mogućnost je da to bude i
nula, s tim da se može odabrati promjenljiva koja se pojavljuje u najviše jednačina. Usvajamo
da je potencijal u
1
= 0 (mada se u ovom slučaju može alternativno usvojiti i da je v
2
= 0). Na
osnovu toga slede rješenja nekih potencijala:

Kao poslijedica degenerisanog bazičnog rješenja (minTP-0) javlja se slučaj da dve posljednje
jednačine (c
32
, c
43
) ne mogu da se iskoriste za odreĎivanje promjenljivih zbog postojanja
većeg broja nepoznatih od dve. Iz tih razloga jedna od nebaznih promjenljivih x
ij
treba da
postane pozitivna, tj. bazna, s tim da njoj odgovaraju najniži jedinični trošak, pod uslovom da
jedan od indeksa (i ili j) stvara logičku vezu sa ostalim poznatim indeksima bazičnih
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 proglašavamo je
vještačkom bazom, a za nebazično promjenljive odreĎuje se najniža 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 ćemo postaviti novu bazično promjenljivu x
23
= ì (minTP-1), kojoj
se sada dodeljuje maksimalna logička vrijednost ì = 10 /kom/.
minTP-1/2 (T-53/54)

odredišta
izvorišta

potencijal

potencijal
odredišta
izvorišta

potencijal

potencijal



odredišta
izvorišta

potencijal

potencijal
odredišta
izvorišta

potencijal

potencijal

Zbog transformacionih uslova bazičnih 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 vještačke baze (4,2) i polja (2,2), zatvarajući ga poljem (2,3). Time smo
zatvorili transformacioni “lanac” u obliku pravougaonika. Napomenimo da poligon ne mora
uvijek biti u obliku pravougaonika, kao što je npr. prikazano tabelom (T-59).
II iteracija: Dalje, iterativni postupak ponavljamo kao i u prethodnim slučajevima. Za bazičnu
promjenljivu veličine usvajamo u
1
= 0, pa slijedi da je:

Na osnovu kriterijuma najnižih jediničnih troškova (nebazičnih promjenljivih) i logičkom
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 vještačku vrijednost, a nebaznim potencijalima odreĎujemo najnižu
vrijednost:

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

odredišta
izvorišta

potencijal

potencijal

minTP-4 (T-56)

odredišta
izvorišta

potencijal

potencijal

Očigledno je da smo novim planom, zatvarajući poligon preko vještačke baze o i nove realne
ì, takoĎe, dobili bazno dopustivo degenerisano rješenje transporta, ali sa smanjenom
vrednošću funkcije kriterijuma u odnosu na prethodno rješenje.
III iteracija: Projektovanjem novog plana transporta (T-56), čija je glavna karakteristika
nedegenerisanost bazično dopustivih rješenja, jer je m + n – 1 = r = 6. Može se provjeriti da li
je ovo rješenje optimalno ili ne, na osnovu sljedećih postupaka:
- Za bazične promjenljive, pri usvojenoj vrijednosti u
1
= 0, slijedi da je:

- Za nebazične promjenljive diferencijali iznose:
74

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

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

Preduzeća

Skladišta

a. Odrediti najbolju distribuciju resursa za proizvodnju da bi se ukupni troškovi
transportovanja minimizirali?
b. Izračunati dnevne uštede koje se postižu transportom resursa u odnosu na troškove
dobijene na osnovu šeme transporta metodom “sjeverozapadnog ugla”.
Rješenje:
Početno bazno dopustivo rješenje možemo dobiti primjenom metode “sjeverozapadnog ugla”.
Tom raspodelom transporta smo istovremeno dobili nedegenerisano bazno dopustivo rješenje
(minTP-0), jer je broj potrebnih nezavisnih linearnih jednačina m + n – 1 = 4 + 4 – 1 = 7
jednak broju formiranih baznih elemenata r = 7, te nema potrebe za formiranjem vještačke
baze.
minTP-0 (T-58)

Preduzeća

Skladišta

Za nalaženje optimalnog rješenja primjenjivaće se Mo-Di metoda. U tom smislu formirajmo
sljedeće jednačine:
I iteracija: Iz relacije za bazne elemente c
ij
= u
i
+ v
j
, i za usvojenu vrijednost potencijala npr.
v
3
= 0 izračunavaju se nepoznati potencijali: u
i
, v
j

75

Iz jednačina 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 troškova početne šeme transporta iznosi:
/nj/.
minTP-1 (T-59)
Preduzeća

Skladišta

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

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

Iz jednačina 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 troškova:
/nj/
minTP2 (T-60)
Preduzeća

Skladišta

III iteracija: Realokacija baznih elemenata (minTP-3). Iz jednačina 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 jednačina 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 troškova:
/nj/.
77
minTP-3 (T-61)
Preduzeća

Skladišta

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

Iz jednačina 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 rješenje je pronaĎeno u posljednjoj iteraciji i može se prezentovati tabelarno
(minTP-4).
minTP-4 (T-62)

Preduzeća

Skladišta

ili u matričnom obliku:
78
.
Pri tome je funkcija troškova minimizirana na vrijednost:
/nj/
Troškovi su umanjeni u odnosu na početno rješenje u iznosu od:
/nj/.

Primjer 20.
GraĎevinsko preduzeće se snabdijeva materijalom G
j
(j = 1,..., 5) za potrebe visokogradnje iz
skladišta polufabrikata S
i
(i = 1,..., 4). Kapaciteti skladišta, dnevne potrebe gradilišta i
jedinični troškovi transportovanja dati su u narednoj tabeli.
minTP-0 (T-63)
Gradilišta
Skladišta

a. Odrediti najbolju distribuciju graĎevinskog materijala na gradilištu da bi ukupni
troškovi transportovanja bili najmanji?
b. Kolike se ukupne uštede postižu u transportu materijala u odnosu na početni program
transporta, čiji troškovi iznose T(X
(0)
) /nj/?
Rješenje:
Početno bazno dopustivo rješenje je nedegenerisano, jer je broj potrebnih linearno nezavisnih
jednačina m + n – 1 = 5 + 4 – 1 = 8 jednak broju formiranih baznih elemenata, tj. r = 8. Za
nalaženje optimalnog rješenja, apliciraće se modifikovana diferencijalna metoda.
Pri tome vrijednost funkcije troškova početnog rješenja iznosi:
/nj/.
I Iteracija: Iz jednačina baznih elemenata c
ij
= u
i
+ v
j
usvajamo u
4
= 0, kao najfrekventniji
nepoznati potencijal. Ostale potencijale rješavamo komplementarnim putem i zamjenom
dobijamo:

79
Za nebazne elemente izračunavamo 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)
Gradilišta
Skladišta

minTP-2 (T-65)
Gradilišta
Skladišta

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

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


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

Gradilišta
Skladišta
Gradilišta
Skladišta



Gradilišta
Skladišta
Gradilišta
Skladišta

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

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

81

Vrijednost funkcije troškova poslije treće iteracije (minTP-6) iznosi:
/nj/.
minTP-5/6 (T-68/69)
Gradilišta
Skladišta
Gradilišta
Skladišta


Gradilišta
Skladišta
Gradilišta
Skladišta

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

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

82

Možemo konstatovati da su svi diferencijali i za bazne i za nebazne elemente A
ij
> 0, čime je
zadovoljen kriterijum optimalnosti (minTP-6) i postignut najjeftiniji transport sa troškovima:
/nj/.
b. Ukupne uštede postignute za odreĎen period transportovanja graĎevinskog materijala
u odnosu na početno – neoptimalno rješenje transporta, iznose:
/nj/.

Matematički modeli i njihovo modelovanje Model nekog objekta, po opštoj definiciji, predstavlja ureĎen skup informacija kojima se iznosi predstava o entitetu. Entitet je u ovom slučaju, kao što je rečeno, realni objekat, odnosno objekat koji je predmet i baza za modeliranje. Аko matematički model dobro prezentuje problem, tada se očekuje da i rješenje dobijeno pomoću modela bude adekvatno postavljenom problemu. Poznato je u većini slučajeva, da bi se primijenila neka metoda, potrebno je na osnovu modela matematički formalizovati problem. MeĎutim, za rješavanje mnogih modela još nisu pronaĎene efikasne metode rješavanja. Modeli treba da omoguće čovjeku da predvidi i upravlja pojavama, odnosno entitetima. U tehničkim disciplinama traži se matematički model koji pruža racionalnu interpretaciju funkcionisanja realnih entiteta. Matematički model stvarnog entiteta predstavlja ureĎen skup matematičkih relacija (formula, jednačina, nejednačina, logičkih uslova, relacionih operatora, operanata i sl.) koji opisuju entitet, odnosno odreĎuju njegove karakteristike. Često, zbog složenosti entiteta i interakcije sa njegovim okruženjem, usvajaju se samo primarne osobine entiteta i parametri njegove interakcije sa okolinom. U tom smislu, u procesu matematičkog modeliranja problema, koji se vezuje za realni entitet, treba voditi računa o sljedećem: -Model je samo jedna matematička formulacija odreĎenog stepena aproksimacije entiteta. Koliko će on biti detaljan, zavisi od kompleksnosti zadataka, raspoloživosti metodama (algoritamske, heurističke) za njegovo rješavanje, vještine i potrebe korisnika da razviju model na dovoljnom i potrebnom nivou i apliciraju postupke za rješavanje takvog modela. -Matematički model ne može da pruži uvijek novu informaciju o entitetu, kao i da ga zamijeni, ali može na osnovu dobijenih rješenja da stvori vjerodostojniju sliku o entitetu i njegovim funkcijama. -Operacionom istraživaču se omogućava, na osnovu korektno postavljenog modela, eksperimentisanje tim modelom, čime se stvara veća pogodnost za donošenje kvalitetnijih odluka na kvantitativnim i kvalitativnim osnovama. Modeli u operacionim istraživanjima su egzaktne prirode i oblikuju se na osnovu formalnih jezika poznatih u matematici. Uglavnom susrećemo sljedeće načine i porijeklo njihovog oblikovanja: -Na osnovu eksperimentalnih podataka. -Na osnovu provjerenih matematičko-fizičkih zakona o ponašanju entiteta, -Pomoću analize i sinteze kao originalnog, kombinovanog, odnosno izvedenog postupka o meĎusobnim zavisnostima promjenljivih u entitetu. Matematički modeli sadrže klasu objekata simbolički definisanih (skalari, vektori, matrice) i relacije izmeĎu njih. Mnoštvo relacija se opisuje matematičkim operacijama koje meĎusobno povezuju jedan ili više operanada. Modeli se mogu podijeliti po još nekim karakteristikama: -Prema dinamici u vremenu, modeli se dijele na: -statičke, gdje veličine i relacije nisu funkcije u vremenskom horizontu modela, tj. stacionarne su, ili se modelom opravdano zanemaruje promjena u vremenu, -dinamičke, gdje se modelom obuhvataju veličine koje su funkcije vremena. -Prema odreĎenosti komponenata u modelu (“vjerovatnoći” i “rasplinutosti”) dijele se na: -determinističke, gdje su komponente strogo odreĎene veličine, -stohastičke, gdje se efekat veličina opisuje kao slučajan (slučajna promjenljiva), -fazi, (fuzzy) gdje se vrijednosti modeliraju kao “rasplinute” veličine promjenljivih nekog skupa. -Prema strukturi modela i postupaka za njihovo analiziranje, modeli se dijele na: -analitičke, sa funkcijama u analitičkoj formi sa rješenjima u analitičkom ili numeričkom obliku,

2

-numeričke, sa primjenom numeričkih postupaka za njihovo oblikovanje i rješavanje i softvera projektovanih na tim osnovama. -Prema strukturi metoda za rješavanje problema, modeli se dijele još na: -algoritamske, gdje se može očekivati jedno od rješenja na osnovu primijenjene metode sa poznatom ureĎenom i determinisanom strukturom postupaka. Ove metode predstavljaju osnovne podloge za pisanje računarskih programa. -heurističke, koji nemaju fundiranu algoritamsku strukturu, već se za rješenjem traga na osnovu postojećeg znanja, intuicije i lične kreativnosti istraživača. Osnovna odlika heurističkih postupaka je neizvijesnost u traganju za najboljim rješenjem. Heurističke metode su u stalnom razvoju, potpomognute razvojem metoda vještačke inteligencije i ekspertnih sistema. Matematičko modeliranje je interdisciplinaran i timski zadatak, pri čemu osnovni doprinos daju poznavaoci metoda i metodologije modeliranja kao i poznavaoci realnog problema. Svaki model problema operacionih istraživanja je karakterisan formalno-matematičkim opisom sa odreĎenim nivoom apstrakcije. Vjekovna je težnja čovjeka da pronaĎe najbolje rješenje problema, počev od tehničkih, ekonomskih, društvenih, političkih, i sl. Kako su problemi u ovom vremenu mnogobrojni, njihovo rješavanje teorijskim putem je izuzetno složeno. Istaknimo kao primjer da se jedna vrsta metode, poznata kao numerička simulacija, može uspješno primjenjivati počev od analize globalnih prirodnih procesa kao što je rast stanovništva na planeti Zemlji, pa do aplikacije na nivou nanotehnologije*) i proučavanja kretanja atomskih čestica. Nakon uočavanja karakterističnih veličina entiteta, formiraju se matematičke relacije izmeĎu njih, kao poslijedica analize tj. identifikacije zakonitosti izmeĎu struktura i procesa u entitetu. Oblici formalnih relacija su raznovrsni počev od: -funkcionalnih jednačina, -diferencijalnih i integralnih jednačina, -rekurentnih relacija, -orijentisanih grafova i sl. Ograničenja u modelu imaju suštinsko značenje i odraz su, najčešće, fizičkih i ekonomskih granica prisutnih u realitetu. Uglavnom su u pitanju ograničenja u količini resursa, energije, vremenskog kapaciteta i dr. Strogost razmatranja ovih relacija mora biti uvijek prisutna i uglavnom se definiše relacionim i logičkim operatorima tipa: i sl. Uspostavljanje znaka jednakosti opravdano je u slučaju da promjenljiva može imati i graničnu vrijednost, ili da nam to zahtijeva metodologija neke metode. U ostalim slučajevima moraju se izabrati uvijek svrsishodni matematički operatori drugog tipa. Osnovne vrste modela Modeli se najčešće dijele na: fizičke, misaono-deskriptivne i matematičke. Fizički modeli su modeli sa istom ili sličnom materijalnom strukturom realnog entiteta, sa većim ili najčešće manjim gabaritima od stvarnog. Smisao oblikovanja fizičkih modela nalazi se u pogodnosti eksperimentisanja i donošenja odreĎenih zaključaka o njima, a samim tim (sa nekim stepenom pouzdanosti) i o entitetima na osnovu kojih su ovi vještački modeli imitirani, tj. o stvarnim entitetima. Drugi razlog je ekonomske prirode, jer se i troškovi u znatno manjem obimu generišu nego kod eksperimentisanja sa realitetom. Treći razlog je dinamika eksperimentisanja gdje se teži što bržem 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 mogućnost

3

pojave novih osobina koje ne susrećemo kod realiteta, ili gubljenje nekih informacija koje bismo identifikovali kod realiteta, a ovdje ih je nemoguće dobiti. Ova devijacija karakteristika može se negativno odraziti na analizu i sintezu modela, i prouzrokovana je najčešće velikim razlikama u volumenima realnog entiteta i aproksimativnog (vještačkog) modela - kojim imitiramo stvarni. Time se neminovno mijenjaju originalne karakteristike realiteta u odnosu na generisane karakteristike vještačkog modela. Fizički modeli nisu predmet analize u ovoj knjizi. Matematički model se formira matematičkom apstrakcijom i predstavlja specifično selektovanje i strukturiranje elemenata misaonog modela u ureĎen deskriptivni model, kao pretpostavke za preslikavanje u apstraktni matematički model. Matematički model je uspješno formiran ako vjerodostojno iskazuje suštinske karakteristike realiteta: tehnološkog, ekonomskog, mehaničkog, hemijskog, biološkog ili drugog. Matematički modeli oblikuju se po pravilu sa nekim stepenom analogije u odnosu na realitet. Tom analogijom obuhvaćene su primarne karakteristike posmatranog realiteta, ili skup karakteristika na dovoljnom i potrebnom (uprošćenom) nivou, zadržavajući donekle stvarnu prirodu originala. Matematički modeli mogu imati vrlo složenu strukturu, koja ne mora biti proporcionalna složenosti simboličke forme. U matematici operacionih istraživanja većina matematičkih modela se formira na bazi: matematičkog programiranja, teorije grafova, heurističkog programiranja ili kombinovanih postupaka. Metode postavljanja matematičkog modela Uglavnom susrećemo dva osnovna i jedan izveden prilaz kod postavljanja matematičkog modela i to: 1. Аnalitički metod koji se zasniva na aplikaciji opštih naučnih zakona i teorijskih analiza. Pri tome dobijeni modeli važe za čitavu familiju sličnih problema. Tipičan primjer je simplex model linearnog programiranja, gdje nije potrebno uvoĎenje novih principa pri svakom proračunu, jer je razraĎen algoritam i za rješavanje opštih slučajeva problema linearnog programiranja. U nekim primjerima linearnosti primjena odgovarajućih metoda može dovesti i do analitičkog rješenja problema optimizacije. 2. Eksperimentalni ili empirijski metod znatno je širi u primjeni u praktičnim uslovima iz razloga dobijanja zadovoljavajućeg rješenja modela problema za kompleksne slučajeve realiteta kojih je u praksi najviše, a koji se ne mogu rješavati analitičkim metodama. Iako je primjena eksperimentalnog metoda opterećena raznim troškovima: upotrebom mjerne tehnike, potrebom za resursima raznog vida za obradu, sistematizaciju i verifikaciju rezultata, drugog izlaza često i nema za identifikaciju oblasti dopustivih rješenja i konačnog dobijanja vektora rješenja koji najbolje zadovoljava funkciju kriterijuma u datim uslovima. Kako se izmeĎu postavljenih ulaznih i dobijenih izlaznih podataka može uočiti zakonitost, ali ne i strogo porijeklo te zakonitosti, ove metode eksperimenta nazivaju se metode “crne kutije” i predstavljaju opštu metodu u istraživanju pojava u tehničkoj kibernetici. 3. Kombinovani metod predstavlja izvedeni metod ili sintezu analitičkog i eksperimentalnog metoda. Razvijen je na osnovu analitičkog metoda sa nekim parametrima za koje analiza nije dala adekvatno rješenje. U tom slučaju kvantifikacija vrijednosti parametara (npr. koeficijenata, eksponenata i sl.) utvrĎuje se najčešće eksperimentalnim putem. Na taj način kombinovanom metodom se može oblikovati matematički model realiteta kao najpouzdaniji raspoloživi model. Jedan od primjera predstavlja model očekivanog vremena u mrežnom planiranju tipa PERT.

4

Timski rad je donio promjene u shvatanju složenih problema. jedino matematičkim jezikom. sociolozi. . 5 . po pravilu. ekonomisti. Jasno je da subjekti različitih struka imaju različite poglede na problem. Kompromisom i usklaĎivanjem ideja i metoda integriše se nova metodologija istraživanja. MeĎutim. .naručioci rješenja. Faze rješavanja problema Osnovne faze rješavanja realnog problema putem metoda operacionih istraživanja. 2. 3. traže rješenje na odreĎenom hijerarhijskom nivou sistema ili procesa koji su njima od interesa. inženjeri. Operaciona istraživanja zahtijevaju sistemski pristup problemu. često nedovoljno vjerodostojan. Formulacija problema. Odgovorima na ove zahtjeve stvaraju se osnovne podloge za matematičko modeliranje problema (Sl.definisane zahtjeve korisnika rješenja. Mnogobrojne metode razvijene u fundamentalnoj i primijenjenoj matematici su na raspolaganju analitičarima ove struke. Identifikacija i korektno definisanje problema predstavlja polaznu i relativno najsloženiju fazu u procesu dobijanja rješenja. Uvažavajući mišljenja ovih stručnjaka. U tom smislu nalaženje samo globalnog optimuma za cio sistem je nesvrsishodno bez nalaženja “unutrašnjih” lokalnih optimuma pojedinih podsistema. Multidisciplinarni pristup složenom problemu je obilježje novije epohe u razvoju nauke i tehnologije.formulisan skup ograničenja (domen) u istraživanju. Integralno timsko sagledavanje je najkompleksnije i najvjerodostojnije.Karakteristike Operacionih istraživanja Primjenu i razvoj operacionih istraživanja karakterišu sljedeće osnovne pretpostavke: 1. pa i operacionih istraživanja. Jednoznačna pravila i jedinstveni algoritam o postavci problema ne postoji uvijek. mogu se prikazati ili imitirati kompleksnije veze izmeĎu veličina koje se javljaju na realnim entitetima. Optimizacija ili traganje za odgovarajućim rješenjem je moguće za odreĎeni podsistem ili pojavu posebno. Strogost i matematički prilaz u analizi problema i sintezi modela i metoda osnovni su postupci izražavanja operacionih istraživača. Pored toga korisnici . skreće se pažnja i na mnoge druge relevantne faktore.jasno definisane ciljeve koje treba dostići i .preciznu deskriptivno-kvantitativnu formulaciju. Sistemski pristup problemu. zavisno od sposobnosti analitičara i njegove specijalnosti. sastoje se od sljedećih modula: 1. 1). edukatori . Pored toga. pored unije i kompromisa različitih ideja o problemu.metodičari i drugi. Organizovan rad u timovima. Naučni metod pronalaženja rješenja. Isti problem se pri tome može definisati na razne načine i raznim simbolima. psiholozi. dobro definisan problem mora imati sljedeće karakteristike: . čime se oblikuje prihvatljiviji model problema u odnosu na “čisto” matematički ili tehnički pristup. zatim se misaono strukturira i najčešće se zatim deskriptivno modelira. Ova faza je karakteristična po tome što iskustvo i kreacija analitičara problema treba da doĎu do punog izražaja. na kvantitativnim osnovama. Problem se uočava na realnom entitetu. U istom timu se mogu naći informatičari.

sa jedne strane. u klasičnom smislu. determinisanost. 1 Osnovne faze rješavanja matematičkog modela problema 2.Formulacija problema Oblikovanje matematskog modela Izbor i aplikacija metode NE Rješavanje modela problema Implementacija rješenja DA Rješenje zadovoljava Kriterijumsko vrednovanje rješenja Sl. ovaj model se stvara u interakciji sa već definisanim misaonodeskriptivnim modelom i raspoloživim potencijalom za matematičko modeliranje.). Prije primjene metode model je “statičan”. Prema tome. Oblikuje se. Mnoge metode se mogu koristiti sa izvijesnom modifikacijom već postojećih metoda. Posljedica primjene metode je rješenje izraženo u kvantitativnom obliku. razrada ili modifikacija metode za rješavanje postavljenog problema. -Metode simulacije. kako je rečeno. Vjerodostojnost rješenja zavisi od 6 . Kompjuterske metode mogu biti veoma efikasne. Suštinski. stvaranjem modela kao vjerodostojnom skupu informacija o realnom problemu. naročito numeričke. ova dva pojma se razlikuju jer. MeĎutim. Često se u operacionim istraživanjima poistovjećuje termin model i metod. -Metode upravljanja zalihama. 3. Same metode predstavljaju. ovim udžbenikom su obuhvaćena odabrana poglavlja iz operacionih istraživanja. Metode operacionih istraživanja se mogu aplicirati manuelnim putem ili kompjuterski. metodom se operacionalizuje model. -Metode mrežnog planiranja i upravljanja. -Metode heurističkog istraživanja. bez pronaĎenog rješenja. Pored toga. gdje se obraĎuju sljedeće metode: -Metode matematičkog programiranja. složenost zavisi i od mjere protivrječnih tendencija u pogledu. sa druge strane. kako je rečeno. Rješavanje modela pomoću metode i dobijanje rezultata. zahtijeva za jednostavnošću modela i. -Metode teorije masovnog opsluživanja (ili redova čekanja). Izbor metode zavisi od oblikovanog modela problema. Kolika je složenost ove konverzije zavisi od složenosti problema i njegovih karakteristika (linearnost. Čest je slučaj da se metode moraju posebno razviti za novooblikovan model. U tom smislu. Poslije uspješne primjene metode dobijamo njegovo rješenje u kvantitativnom obliku. Oblikovanje matematičkog modela koji reprezentuje stvarni problem realiteta. jer za tu klasu matematičkog problema metode nisu dovoljno strukturirane i ne postoje kao univerzalno moćne. čime se stvaraju uslovi i za njegovo vrednovanje. sve one imaju algoritamsku strukturu metoda koje su ranije već razvijene i poznate u matematičkim disciplinama. i sl. 4. specifičnim preslikavanjem ili prevoĎenjem deskriptivnog modela u egzaktni. Matematički model u operacionim istraživanjima je primarni model. ureĎen skup postupaka koji se primjenjuje da bi se riješio postavljeni matematički model problema. Izbor.

Pored toga. spadaju još i kriterijumi: osjetljivosti model-rješenja. Rješenja u svakom slučaju moraju biti jednoznačna. zbog zahtjeva u primjeni. su dobro poznate istraživačima par stotina godina. Pored kvantitativnih kriterijuma značajni su i kvalitativni kriterijumi u ovoj fazi istraživanja modela. MeĎutim. Ovaj kriterijum je razvijen kod mnogih optimizacionih metoda matematičkog programiranja. Ova rješenja su najmnogobrojnija i kod primjene kompjuterskih metoda proračunavanja. naročito numeričke. Implementacija predstavlja sprovoĎenje rješenja direktno u realnim uslovima. Optimalno rješenje pretpostavlja postojanje kvantitativne mjere poreĎenja sa ostalim dopustivim rješenjima. a najpotrebnija zbog brojnih dobrih rješenja koje su postigli istraživači. Viševarijantna rješenja pružaju mogućnost izbora. tj. za velikim obimom računanja. takoĎe. istovjetno protumačena ili prihvaćena sa odreĎenim stepenom pouzdanosti. U tom smislu teorija optimizacije obuhvata kvantitativno proučavanje optimuma i razvoja metoda za njegovo odreĎivanje. dok je kod heurističkih u znatno manjoj mjeri raspoloživ. kojim se na egzaktan način dokazuje da li je rješenje najbolje ili ne. U kvantitativne kriterijume za testiranje modela i njegovog izraza. Tek razvojem kompjuterske tehnologije ove metode. jer se samo takav kriterijum optimalnosti može uvažiti. 5. Implementacija dobijenog rješenja. rješenja mogu biti skalarna. konvergencija algoritma ka najboljem rješenju i sl. bilo da su optimalna ili dopustiva. 6. Za isti model mogu se primjenjivati. MeĎutim. No ovo i nije jedini vid vrednovanja. šta je dopustivo ili šta predstavlja nedopustivo rješenje. samim tim i modela i metoda. one su potisnute kao relativno neefikasne u periodu u kojem su nastajale. ako su na raspolaganju. postale su 7 . Računarski eksperimenti na modelu mogu dati značajne odgovore na karakteristike model-rješenja problema koje se posebno vrednuju. Direktno vrednovanje rješenja. ali dobijena numeričkom simulacijom. predstavlja mjeru usaglašenosti predviĎenih i ostvarenih vrijednosti. različite metode.primijenjene metode. Neke matematičke metode optimuma. Statistički gledajući ova faza je najmanje frekventna. Numerička rješenja su najčešća iz razloga postojanja najvećeg broja metoda sa tom osnovom. numerička rješenja. Najpreciznije rješenje je analitičko. Najznačajniji kriterijum vrednovanja je kriterijum optimalnosti rješenja. Za kompleksno vrednovanje potrebno je razviti niz kriterijuma na bazi kojih se verifikuje model (rješenje) i ocjenjuje njegova valjanost. Kriterijumsko vrednovanje modela na osnovu rezultata testiranja. Primjena metoda optimizacije polazi od realnog stanja problema i na tim osnovama ga treba rješavati. Cilj primjene optimizacione metode sastoji se u pronalaženju najbolje informacije koja ukazuje na poslijedice i uticaje izabrane varijante kao rezultata koji se primarno uvažava u procesu odlučivanja. na bazi postavljenih kriterijuma nakon nalaženja tog rješenja. U svakom slučaju verifikovan rezultat predstavlja relevantan upravljački parametar neophodan za odgovarajuću primjenu u realnim uslovima. Uvod u optimizaciju Pred teoriju optimizacije se postavlja zadatak da se postigne najbolje rješenje odreĎenog matematički definisanog problema. Za to je potrebna odgovarajuća priprema i često poveća finansijska sredstva. invarijantnosti modela. Istaknimo da ima i drugih prilaza u sistematizaciji etapa rješavanja modela čija metodologija sadrži još neke specifične module u blok dijagramu postupaka modeliranja. vektorska i matrična. sada računarski orijentisane. rješenja. Teorijskom verifikacijom model-rješenje apriori se prihvata mogućnost njegove primjene u praksi. prethodno nabrojane faze su u većini slučajeva prepoznatljive i treba ih u principu uvažiti. Drugi vid su. ako su postavljeni kriterijumi za kvantifikaciju: šta je najbolje.

izuzetno efikasne i danas predstavljaju gradijent razvoja optimizacije kao naučne metodologije iz više razloga: -brzog dobijanja rješenja, -mogućnosti eksperimentisanja na modelu, promjenom vrijednosti ulaznog vektora, -pogodnosti prepoznavanja optimuma kod nekih problema koji nisu kompletno matematički formulisani i sl. Zadatak optimizacije modela jeste izbor najbolje varijante iz niza mogućih ili povoljnih varijanata u skladu sa važećim kriterijumom. Optimalno rješenje predstavlja kompromis izmeĎu željenog cilja i postavljenih ograničenja koja uslovljavaju mogućnost postizanja ekstremnih rješenja. Kompromis je prirodni kriterijum i predstavlja opšti princip prirode i društva. Poznato je da su metode optimizacije razvijene samo za pojedine klase matematičkih modela problema i ne postoji za sada opšti algoritam kojim bi se obuhvatili svi optimizacioni problemi. U egzaktnom smislu zadatak optimizacije se svodi na odreĎivanje maksimuma/minimuma ili druge referentne vrijednosti (npr. konstantnosti) ciljne funkcije od n promjenljivih, sa ograničenjima tipa za . Optimalno rješenje je postignuto tada kada je ostvaren globalni maksimum/minimum funkcije kriterijuma , gdje je optimalno rješenje ujedno i dopustivo ,a dopustiva oblast u n-dimenzionalnom Euklidskom prostoru*. Posljednjih dvadesetak godina u razvoju su metode optimizacije na bazi multikriterijumskog odlučivanja, iz razloga donošenja optimalnih odluka pri složenim komponentama kao faktorima prouzrokovanih intenzivnim razvojem sociotehničkih sistema. U tom smislu, donekle je izmijenjena teorija optimizacije usredsreĎivanjem koncepcije sa jednim kriterijumom na optimizaciju po više (vektor) kriterijuma. Razlog je težnja da se matematički modeli problema približe stvarnim problemima, koji su po svojoj prirodi multivarijantni i zahtijevaju nalaženje rješenja u više faza, što je jednokriterijumskom optimizacijom dobrim dijelom neizvodljivo. IzmeĎu klasične i višekriterijumske optimizacije postoje razlike kao i sličnosti, koje su razmotrene u radu. Predmeti optimizacije Teorija optimizacije predstavlja naučnu disciplinu koja proučava metode i postupke optimizacije odreĎenih entiteta u nauci i tehnologiji. Metodologija za dobijanje najpovoljnijih rezultata u odreĎenim okolnostima predstavlja ureĎen skup metoda razvijenih sa osnovnim ciljem dobijanja optimalnih rješenja. Osnovni pojmovi koji se vezuju za konkretniju definiciju optimizacije su: predmet, cilj i metod optimizacije. Predmeta (objekata) optimizacije u okruženju ima mnogo. Tako susrećemo karakteristične predmete koji se odnose na neke procese: obrazovni, projektantski, proizvodni, energetski, društveni, nuklearni i sl., ili sisteme: tehnološki, transportni, upravljački, društveni itd. Mada se često izmeĎu procesa i sistema ne prave razlike, zbog zajedničkih karakteristika, one suštinski postoje i veoma su bitne kod modeliranja istih. Naime, proces predstavlja niz

8

uzastopnih progresivnih promjena stanja i vezan je za vremenski tok dogaĎaja, a sistem je ureĎeni skup entiteta i relacija izmeĎu njih i njihovih svojstava i može biti, ili ne mora, relativno stacionaran u vremenu. Cilj optimizacije se definiše na osnovu kriterijuma optimizacije iskazanog u obliku kriterijumske funkcije optimizacije (maksimalna dobit, minimalni troškovi i sl.). Metode optimizacije imaju dvojaku funkciju i to: oblikovanje modela problema i rješavanje predmeta optimizacije saopštenog putem modela optimizacije, najčešće matematički definisanog.

Globalni minimum Lokalni mimumim

Sl. 2 Primjer uz objašnjenje optimuma i ekstremuma funkcije kriterijuma Metode optimizacije služe za kvantitativno i/ili kvalitativno rješavanje modela problema. Predstavljene su ureĎenim skupom postupaka koji se primjenjuje heuristički ili algoritamski. Za rješavanje složenog problema, ako je to moguće, primjenjuje se princip dekompozicije. Tipičan primjer je dinamičko programiranje, obraĎeno u petom poglavlju. U operacionim istraživanjima metode optimizacije se postavljaju na kvantitativnim osnovama.

Funkcija kriterijuma

D – oblast dopustivih rješenja

– trajektorija os početnog do optimalnog rješenja

Sl. 3 Grafička interpretacija iterativnog postupka proračunavanja za slučaj problema sa tri promjenljive Oblasti primjene teorije optimizacije su raznovrsne, počev od tehničkih disciplina: elektrotehnike, mašinstva, graĎevinarstva, poljoprivrede, saobraćaja, metalurgije, pa do medicine, ekonomije, farmacije, hidrologije, kosmonautike i sl. Optimizacija je karakteristična pri projektovanju i konstruisanju proizvoda i proizvodnih sistema, gdje se ispoljava težnja za tzv. optimalnim projektima na bazi tehnoekonomske optimizacije.

9

Linearno programiranje
Uvod u matematičko programiranje
Rješavajući razne konkretne probleme iz oblasti organizacije transporta, upravljanja zalihama, organizacije obrazovanja i sl., često se javlja potreba, da se takvi zadaci matematički modeliraju, a zatim da se traži rješenje toga modela. Pri tome se operiše sa relativno velikim brojem veličina za koje važe odreĎene funkcije ograničenja. Skup onih vrijednosti promjenljivih koje zadovoljavaju postavljeni sistem ograničenja, naziva se skup dopustivih rješenja (skup vrijednosti koje čine neki program i sl.). Pošto skup rješenja može biti, u nekim slučajevima i beskonačan, u tom smislu nameće se pitanje: kako izabrati najbolje rješenje i kriterijum valjanosti tog rješenja (plana, programa), pri odreĎenom scenariju? Evo nekoliko primjera kriterijuma izbora rješenja: - Dobit preduzeća. - Vremenski kapacitet. - Troškovi transporta. - Rizik realizacije plana i dr. Kada funkcija kriterijuma predstavlja dobit, pouzdanost, nivo obrazovanja, iskorišćenost kapaciteta, učinak, i sl., onda težimo da je maksimiziramo. U slučaju da ova funkcija predstavlja troškove, rizik u pogledu realizacije planiranih aktivnosti, vrijeme obrade, vrijeme transporta, broj izvršilaca u procesu rada, utrošak resursa ili nekih energetskih sredstava, onda težimo minimizaciji takve funkcije. U svakom slučaju, funkcija kriterijuma ima puno u zavisnosti od objekta koji se analizira na kvantitativnoj osnovi. Ovi zadaci se nekad rješavaju iskustveno, dakle na bazi ranijih informacija i vještine donosioca odluka. Kod analize sasvim novih entiteta kod kojih nema ranijih iskustava, neophodno je najčešće pronaći egzaktan način odreĎivanja rješenja, što se postiže matematičkim modeliranjem i rješavanjem matematičkih modela odgovarajućim metodama za postavljene zadatke. Dio primijenjene matematike, koji se bavi rješavanjem takvih problema, zove se matematičko programiranje. Zadatak matematičkog programiranja bi se sveo na sljedeće pretpostavke: Neka je (x1, x2, ..., xj, ..., xn) skup od n-veličina za koje se formiraju ograničenja u obliku jednačina ili nejednačina sistema:

Svaka n-torka (x1, x2, ..., xj, ..., xn) koja zadovoljava gornji sistem ograničenja je dopustivo rješenje, a skup svih mogućih rješenja je dopustivi skup rješenja D. Iz njega se pronalazi najbolje tj. optimalno rješenje, ako ono postoji. Kriterijum izbora optimalnog rješenja zasnovan je na nekoj funkciji F(X) = (x1, x2, ..., xj, ..., xn) što znači da iz skupa D odreĎenog sistemom ograničenja (1) treba izabrati onaj element za koji je: (2) F(X) = (x1, x2, ..., xj, ..., xn)  max F(X) ili F(X) = (x1, x2, ..., xj, ..., xn)  min F(X) u zavisnosti od prirode problema. Funkcija F(X), o kojoj je ovdje riječ, je funkcija kriterijuma ili funkcija cilja. Funkcija kriterijuma zajedno sa sistemom ograničenja čini model

10

matematičkog programiranja. Metode programiranja obuhvataju vrlo široku i složenu oblast operacionih istraživanja i uglavnom pripadaju grupi metoda: -linearnog, -nelinearnog i -dinamičkog programiranja.
Linearno programiranje kao dio matematičkog programiranja

Drugom polovinom četrdesetih godina (1947-1949.) američki matematičar 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 usavršavanju narednih godina mnogo se istraživalo, pa je i sam tvorac metode, Dancig, objavio 1963. godine rezultate tih istraživanja u knjizi Linear Programming and Extensions. Pored toga ova metoda je modifikovana u cilju rješavanja specijalnih slučajeva iz domena transportnog zadatka, kombinatorne optimizacije i sl. Naziv linearno jasno naznačava da se promjenljive veličine i parametri u matematičkom modelu ureĎuju linearnim vezama. Rješenje problema X=[x1, x2, ..., xj, ..., xn], bilo da je najbolje ili bazno dopustivo, ima fizičko značenje 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 istraživača na polju razvoja linearnog programiranja, stvarajući tako opštu teoriju matematičkog programiranja, spadaju: Kantorovič, L. V., Sajmonard (Simonnard, M), Karmarkar (Karmarkar, N.), Kun (Kuhn, N.), Taker (Tucker, А.) i drugi. Od nastanka “klasičnog” modela, linearno programiranje se razvijalo, kako su praktični problemi diktirali, u posebne oblasti, i to: -cjelobrojno linearno i -parametarsko linearno programiranje, -stohastičko linearno programiranje, -transportni zadatak i sl. kao i u modele, ali ne sa isključivo linearnim funkcijama, kao što su: -kvadratno, -razlomljeno-linearno i -fazi (fuzzy) linearno programiranje. Linearno programiranje predstavlja jednu od metoda operacionih istraživanja koja je našla najveću praktičnu primjenu u rješavanju tehnoekonomskih problema i to: kod modela asortimana proizvoda, tehnoloških postupaka, transportnih zadataka i svih drugih problema čiji matematički modeli predstavljaju zapravo klasične probleme LP, za odreĎivanje maksimuma ili minimuma funkcije F(X).
Oblikovanje modela linearnog programiranja

Različitost u definisanju funkcije kriterijuma, a naročito u iskazivanju sistema ograničenja, u smislu postavljanja relacionih operatora tipa {, , , , }, dovela je do različitih oblika modela LP, tako da se opšta matematička formulacija zadataka LP sastoji u tome da se odredi takav skup vrijednosti: (3) x1, x2, ..., xj, ..., xn (xj  0) odnosno komponenata vektora X=[x1, x2, ..., xj, ..., xn] iz oblasti D, koje zadovoljavaju sistem linearnih jednačina i/ili nejednačina (ograničenja), najčešćeg oblika: (4) gdje su: ,

11

. npr.. koji je karakterističan (ali ne i obavezan) za modele problema tipa maksimum: gdje su: . xn)  max / min F(X) Matrični oblik linearnog programiranja U sažetijoj formi. x2. . odnosno Standardni oblik se javlja onda kada su ograničenja po svojoj prirodi jednostrana. u obliku “”.. .. xj. (8) i (9) može se kraće predstaviti u matričnom obliku na sljedeći način: (10) sa sistemom ograničenja: (11) i funkcijom kriterijuma: F(X) = C X  max / min F(X) gdje smo 12 ..ili u razvijenoj formi: za koju funkcija cilja: (6) koja predstavlja linearnu kombinaciju promjenljivih minimalnu vrijednost. ... . dostiže maksimalnu. model LP se iskazuje u obliku matrice i vektora.. tako da su sve relacije definisane. . xj. zadaci LP.. karakteristične relacije ograničenja su oblika “”. naročito kod kompleksnijih problema. . xj. x2. (7) F(X) = (x1.. pri čemu su: (9) F(X) = (x1.. .. xn)  min F(X) Kanonički oblik linearnog programiranja Za modele uslovljene ili svedene na jednakosti “=” kažemo da imaju kanoničku formu. x2.. Transportni zadaci su obično takve prirode. ali u razvijenom obliku simplex modela: .. Standarndni oblik linearnog programiranja xj ... tako da je model LP sljedeći: (8) F(X) = (x1. ili npr. Model LP (7). xn)  max F(X) Kod modela problema tipa minimum funkcije kriterijuma...

sa: (13) . U razvijenom obliku veze sistema ograničenja bi bile: odnosno funkcija kriterijuma: pri čemu je: x1. U tom smislu imamo sljedeći sistem ograničenja: (16) i funkciju kriterijuma: F(X) = C X  max / min F(X). Vektorski oblik modela linearnog programiranja Model LP se može napisati u vektorskom obliku. .vektor ograničenja i sa: .. x2.matricu tehničkih koeficijenata (12) sa: .vektor reda (vrsta)..obilježili sa: . ako se tehnički koeficijenti prethodne matrice А predstave kao vektori kolona.vektor nepoznatih vrijednosti.. xn  0. xj.. Gdje su vektori kolona matrice А: 13 . ...

Primjena ove metode ograničena je na zadatke sa dvije ili. U nastavku biće obraĎene. Grafička metoda i primjeri Rješavanje problema linearnog programiranja grafičkom metodom sastoji se u ispitivanju niza vrijednosti funkcije kriterijuma u ekstremnim tačkama oblasti dopustivih rješenja. -Transportna metoda. u rjeĎem slučaju. Pri tome svi elementi vektora C i B i matrice moraju biti zastupljeni u tabeli. Metode LP su najčešće klasifikovane kao: -Grafička metoda. a zatim se putem iterativnih tabela vrše postupci proračunavanja. Dakle: 14 . vrši se dotle dok se ne postigne vrijednost optimalnog vektora X*. (T-1) Ovaj sintetizovan način prikaza karakterističan je kod primjene simplex metode gdje se opšti ili standardni model LP prevodi u kanonički. prve tri metode.Tabelarni način prikazivanja modela linearnog programiranja Iz praktičnih razloga prikaz modela LP može se dati tabelarno (T-1). x2]. U jednodimenzionalnom prostoru (n = 1) primjena grafičke metode je trivijalna. Ispitivanje odnosa dvije nepoznate veličine [x1. na osnovu teorije linearnog programiranja. koje se mogu predstaviti vektorom X. -Metoda rasporeĎivanja. dok će metoda rasporeĎivanja biti prezentirana sa aspekta heurističkog programiranja (vidjeti sedmo poglavlje). -Simplex metoda. U tom smislu. sa tri nepoznate promjenljive veličine. metode LP mogu se koristiti samo ako je problem postavljen u vidu potpunog matematičkog modela.

optimalno. c2]. (24) min F(X) = F(X) = c x* + c x* 1 1 2 2 1 1 2 2 1 2 2 15 .. 4) predstavljaju komponente optimalnog vektora X* za koji funkcija cilja ima minimum. Odlukom da se funkcija kriterijuma izjednačuje sa nulom. Аko želimo da dobijemo njen maksimum (Sl. tzv. i svodi se na pronalaženje najudaljenije tačke na konveksnom poligonu. (22) F(X) = c x1 + c x = 0 ne pravi se greška u početnoj fazi nalaženja rješenja. Tačke u kojima funkcija F(X) = c x + c x ima konstantnu vrijednost leže na pravoj koja je paralelna početnoj pravoj F(X) = 0 i predstavlja tzv. a koje je označeno kao logički najmanja ili najveća vrijednost. odnosno najbolje rješenje odnosa komponenata x1 i x2. problem maksimuma: max F(X) = c1 x1 + c2 x2. Pored toga.MeĎutim. ispitivanje ekstremne vrijednosti funkcije cilja relativno je jednostavno. U tom smislu. postiže se najjednostavniji položaj prave linije u početnim fazama rješavanja modela LP. za poznate vrijednosti koeficijenata u funkciji kriterijuma c1 i c2. pronaĎeno u datim uslovima. Geometrijska interpretacija grafičke metode se sastoji u definisanju poligona na osnovu sistema ograničenja kojim se formira oblast dopustivih rješenja D. tj. predstavlja samo posljedicu koja proizilazi iz prethodno pronaĎene ekstremne vrijednosti funkcije kriterijuma. tj. jer se postiže nenegativno rješenje. liniju nivoa (Sl. Zatim slijedi njeno sukcesivno povećanje. koordinate najbliže ekstremne tačke oblasti D (npr. i izjednačavanjem funkcije F(X) sa nulom. Svako ograničenje tipa (20) predstavlja po jednu poluravan u ravni x10x2 čija je granica predstavljena pravom oblika: (21) ai1 x1 + ai2 x2 = bi Presjekom poluravni (20) odreĎen je konveksan (konkavan) poligon mogućih rješenja. 4-6). sve do ekstremnog položaja. postupci grafičke metode svode se prvo na: modeliranje linearnih ograničenja oblika: ili u razvijenoj formi: i funkcije kriterijuma za npr. a time i oblast funkcije cilja. što je u skladu sa važećim ograničenjima. 5) za funkciju: (23) F(X) = c1 x1 + c2 x2 Tako npr. Sl. koji se mogu izraziti putem vektora c = [c1.

tj. U trodimenzionalnom prostoru (n = 3) teže se primjenjuje grafička metoda.Sl. i uslova nenegativnosti u matematičkom modelu. bez mogućnosti baziranja na geometrijsku očiglednost. inače se linearni programi rješavaju algebarskim metodama. sistema linearnih ograničenja tipa a x + a x { =. metoda se primjenjuje uz pomoć postupaka nacrtne geometrije. 5 Sl. i1 1 i2 2 Primjer 1. U n-dimenzionalnom prostoru za (n  3) ostaju samo geometrijski termini. } bi. 9 Sa metodološkog stanovišta rješavanje problema LP grafičkom metodom pogodno je zbog jednostavnosti postupaka metode i zato se obraĎuje u početnim fazama izučavanja metoda i modela LP. pa se ova metoda primjenjuje u slučaju zahtjeva za povećanom preciznosti rezultata LP. 6 Sl. 4 Sl. 8 Sl. 7 Sl. Grafički dio postupka se obično kombinuje sa analitičkim. Sa edukativnog stanovišta kod grafičke metode smo u mogućnosti da brzo prepoznamo u Euklidovom linearnom prostoru relacije izmeĎu funkcije kriterijuma F(X). 16 .

Opšte rješenje optimuma može se definisati kao linearna kombinacija pronaĎenih vektora: X =  XB + (1 – ) XC gdje je skalar: 0    1. Krajnje tačke optimalne duži su tačke B i C.5 x2 = 4500 /nj/ leži na ograničavajućoj pravi poluravni (1) rješenje sadrži beskonačan skup optimalnih vektora rješenja. U tim tačkama optimalne količine proizvoda su (Sl. a za drugi c2 = 7. Odrediti optimalan plan proizvodnje da bi se postigao maksimalni efekat dobiti. a na TS2 105 /min/kom/. 10 Grafik oblasti dopustivog rješenja sa funkcijom kriterijuma D(X) a. 17 . a na TS2 60 /min/kom/.5 /nj/kom/. /kom/. Vremenski kapacitet TS1 raspoloživ je za korišćenje do 600 /čas/. Rješenje: Matematički model problema oblikovan je na osnovu sistema ograničenja: i funkcije kriterijuma (dobiti): Sl. Proizvod P2 se finalizuje.Za potrebe tržišta proizvode se dva tipa proizvoda P1 i P2 na dva tehnološka sistema TS1 i TS2. Obrada proizvoda P1 na TS1 traje 72 /min/kom/. takoĎe. b. Ispitivanjem je ustanovljeno da tržište može primiti do 450 /kom/ proizvoda P1 i do 300 /kom/ proizvoda P2. Odrediti koja funkcija ograničenja ne utiče na maksimalnu vrijednost funkcije kriterijuma. Kako prava D(X) = 9 x1 + 7. i to na TS1 operaciono vrijeme je 60 /min/kom/. TakoĎe su poznate jedinične cijene proizvoda (u novčanim jedinicama po komadu) i one iznose: za prvi proizvod c1 = 9 /nj/kom/. Potrebno je: a. 10): /kom/ i drugo rješenje: Vrijednosti funkcije kriterijuma u objema tačkama su iste i iznose: /nj/ i /nj/. kroz dvije operacije. a za TS2 do 700 /čas/. Plasman na tržištu nije neograničen.

Naći minimalnu vrijednost funkcije kriterijuma F (X) = 6 x1 + 3 x2  min F (X). Prokomentarisati vrijednost funkcije kriterijuma. kao i za prva dva. NАPOMENА U primjerima će se često vektor poistovijetiti sa tačkom u dvo/trodimenzionalnom euklidskom prostoru. pri postojećim uslovima. ostaje nepromijenjena. Optimalno rješenje i maksimalnu vrijednost funkcije kriterijuma pri izmjeni (1) nejednačine funkcije ograničenja. sa odgovarajućim vrijednostima: 18 . Optimalno rješenje se dobija na osnovu translacije funkcije kriterijuma od koordinatnog početka do tačke B (Sl. Rješenje: a. uz sledeća ograničenja: Pored toga odrediti: a. Funkcija dobiti i za taj slučaj. Stroga matematička formulacija za n  2 uvijek nalaže da se govori o vektoru. koja se sada definiše kao jednačina oblika: x1 + x2 = 5. 10) se vidi da ograničenje (4). 11). b. Primjer 2. Optimalno rješenje datog problema i minimalnu vrijednost funkcije kriterijuma. a ne o tački. ne utiče na formiranje maksimalne vrijednosti kriterijumske funkcije i vektor(e) optimalnih rješenja. Parametre a1 i a2 uz promjenljive x1 i x2 prvog ograničenja oblika a1 x1 + a2 x2 = 5 (umjesto nejednačine (1)).34 dobijamo treće optimalno rješenje kao: /kom/. za proizvoljnu vrijednost  = 0. tj: /nj/. koristeći grafičku metodu LP. b. c. Na osnovu grafika oblasti dopustivog rješenja i funkcije kriterijuma (Sl. da bi takva promjena izazvala beskonačan broj optimalnih rješenja.Npr.

22. Sl. Parametri uz promjenljive x1 i x2 prve funkcije ograničenja su odredivi na osnovu koeficijenta pravca kriterijumske funkcije. XA =X*.5 b. 12 Grafička interpretacija LP primjera 2.b) c.a) Pri tome minimalna vrijednost funkcije kriterijuma iznosi min F (X) = F (X*) = 22. U slučaju da se u sistem ograničenja uvede jednačina x1 + x2 = 5. jer je odgovarajuća funkcija kriterijuma najveća upravo u toj tački i iznosi: max F (X) = max{F (XA). na osnovu čega slijedi: 19 . Iz jednačine: 6x1+3x2 = 0  x2 = – 2 x1 on iznosi -2. isti ugao nagiba u odnosu na x1 osu mora imati i nova prava ograničenja: a1 x1 + a2 x2 = 5. tj. Prema tome. sva bazno dopustiva rješenja se nalaze na duži АB. F (XB)}= max{27.5}= 27.Sl. 11 Grafička interpretacija LP primjera 2. U tim uslovima su ekstremne vrijednosti jednake: i Optimalno rješenje pri izmijenjenim uslovima ograničenja i karakter funkcije kriterijuma se nalazi u tački А.

XG  XC. i za   1. i a1 = 4/3.. ako je data funkcija dobiti D (X) = 3x1 + x2. .5 slijedi da je: a2 = 2/3. može uopšteno napisati da je: gdje za vrijednosti:   0. MeĎutim. Korišćenjem grafičke metode riješiti problem linearnog programiranja. . Pri tim promjenama se ne mijenja vrijednost funkcije kriterijuma i ona iznosi: min F (X) = F (XA) = F (XC) = F (XG) = 22. prva jednačina ograničenja sada glasi: grafički interpretirati (Sl. 13 Grafička interpretacija LP primjera 2. što se može Sl. 13).c) Optimalna rješenja se nalaze i u tački B i u tački C. i sistem ograničenja: Pored toga postupcima analize: 20 . tako da sada dobijamo za ekstremne vrijednosti vektora sljedeće: i Kako su i sva druga rješenja koja se nalaze na duži BC takoĎe optimalna. uz uslov: gdje za tačku B: x1 = x2 = 2. to se u vektorskom obliku za proizvoljnu tačku G. broj optimalnih rješenja je beskonačan i nalazi se na duži BC.5. Na osnovu prethodnog. XG  XB. Primjer 3.

Optimalno rješenje se nalazi u tački B (Sl. Najveća dobit je u tom slučaju odreĎena kao: /nj/ Sl. c. 14). OdreĎivanje optimalnog rješenja i maksimalne dobiti. 15) je oblika: /nj/. 14 Grafička interpretacija LP primjera 3. Traženi analitički izraz slijedi iz rezultata izjednačavanja koeficijenta pravca nove prave D (X) = c1 x1 + c2 x2 = 167. b.5 /nj/ i prave koja ograničava oblast (p5) tj. a da su istovremeno zadovoljena sva prethodna ograničenja.a. u smislu njegovog izjednačavanja sa izračunatom vrednošću funkcije kriterijuma: . dati za tu funkciju dva primjera optimalnih rješenja. definisati jedan analitički izraz nove funkcije D (X) da bi se u novim uslovima dobilo beskonačno mnogo optimalnih rješenja. tražena funkcija kriterijuma (Sl. 8x1 + 6x2 = 480.a) b. odrediti vrijednosti x1 i x2 za koje funkcija dobiti D (X) postiže maksimalnu vrijednost. 21 . te dobijamo: Prema tome. Rješenje: a. Dati postupak se svodi na transformaciju izraza (p5). u presjeku pravih koje ograničavaju oblast (p2) i (p5).

5 /nj/ Primjer 4. Za zadatu funkciju kriterijuma (troškova) T(X) = 3/2 x1 – 1/2 x2 i skup ograničenja: a. odrediti optimalno rješenje i minimalne troškove ako koeficijent uz x2. b. c. postane pozitivan. Rješenje: a.5 /nj/ max D (X) = D (XC) = 2.792 x1* + 2. Drugi primjer slijedi iz rezultata presjeka prave (p4) i (p5) u tački C. odrediti vrijednosti koeficijenta u funkciji kriterijuma tako da naĎeni troškovi u tački (pod a)) iznose T (X) = 0 /nj/. Najbolje rješenje nalazi se u tački E (Sl.b) c. 15 Grafička interpretacija LP primjera 3. 16) i iznosi: pri tome su minimalni troškovi: /nj/ 22 . se nalazi u tački B. Kolike su razlike u troškovima time izazvane u odnosu na rješenje dobijeno pod a). kao što je već konstatovano.Sl.094 x2* = 167. Jedan primjer optimalnog rješenja. tj. funkcije troškova.094 x2** = 167. Dakle: max D (X) = D (XB) = 2. Vrijednost funkcije dobiti za obje tačke ostaje maksimalna i nepromijenjena.792 x1** + 2. odrediti optimalno rješenje i minimalnu vrijednost funkcije kriterijuma. pa imamo: . promjeni smjer.

Sl. u ovom slučaju tačku E (Sl. b. 17). 23 . pa je tada tražena vrijednost funkcije troškova: T(X*) = 341 x1* – 162 x2* = 0 /nj/. Funkcija troškova može biti jednaka nuli u slučaju da prolazi kroz koordinatni početak i da tangira odabranu ekstremnu tačku. Pri tome je koeficijenat pravca tangentne prave odreĎen iz odnosa: Jedno od mogućih rješenja jediničnih cijena je: c1 = 341 i c2 = 162. 16 Grafički prikaz modela LP primjera 4.

dati su u sledećoj tabeli (T-2).Sl.c) Za funkciju K(X) dobijamo istu tačku optimuma (E). iznosi: /nj/. raspoloživi vremenski kapaciteti mašina u /čas/ i predviĎena jedinična dobit od prodaje /nj/kom/. Primjer 5. ali se troškovi pri tome povećavaju za vrijednost: /nj/. za tačku E (Sl. Proizvodnju dva proizvoda R1 i R2 potrebno je realizovati na tri mašine M1. Vremenski normativi tij izrade proizvoda na ovim mašinama /min/kom/. Sl. M2 i M3. 19 Grafički prikaz modela LP primjera 4. 17 Grafički prikaz modela LP primjera 4. 24 .b) c. Iz uslova promjene predznaka uz koeficijent promjenljive x2 nova funkcija kriterijuma dobija oblik: Konkretna vrijednost ove funkcije. kao i za kriterijum T(X). 18).

usvojeni su časovi (odnosno /čas/kom/) kao osnovne terminske jedinice. Formiranje matematičkog modela problema mora biti u skladu sa datim parametrima proizvodnje. a za proizvod R2 ograničenje je do 65 kom. b. a. respektivno: t1 = 7. Iz tog razloga slijedi da su normativi vremena za izradu proizvoda P1. U tom smislu imamo sljedeći sistem ograničenja: Koeficijenti u funkciji kriterijuma dobijaju se na osnovu zbira vremena izrade pojedinačnih proizvoda. primjenom geometrijske metode.5 + 13 + 1. Za rješavanje zadatka. 19) sa vrijednostima: /kom/. U cilju maksimizacije dobiti odrediti optimalan plan proizvodnje. prodaje i promjenljivim veličinama za R1 (x1) i za R2 (x2). Izvršiti analizu plana proizvodnje da bi se postiglo najveće iskorišćenje vremenskog kapaciteta svih mašina. odnosno P2. umjesto u /min/kom/ kao u (T-2).5 /čas/kom/ i t2 = 7. Funkcija iskorišćenosti kapaciteta je tada oblika: max K(X) = 19 x1 + 22 x2 Sa ovako definisanim ograničenjima i funkcijom cilja (kapaciteta) optimalno rješenje se nalazi.5 = 22 /čas/kom/. uzimajući u obzir da je vrijeme svake operacije na pojedinim mašinama dato u /čas/kom/.(T-2) Mašine Proizvodi P1 P2 Vremenski kapacitet /čas/ M1 t11=450 t21=450 600 M2 t12=420 t22=780 910 M3 t13=270 t23=90 270 Jedinična dobit / nj/kom / 45 36 - Pored toga prodaja proizvoda na tržištu je ograničena. Pored toga mora se voditi računa o usklaĎenosti vremenskih mjernih jedinica.5 + 7 + 4. i to za proizvod R1 plasman je moguć do najviše 55 komada. 25 . Rješenje: a. u tački D (Sl.

x2*) = 45 x1* + 36 x2* = 3075 /nj/. 19 Grafička interpretacija problema vremenskog kapaciteta Za ove vrijednosti iskorišćenost vremenskog kapaciteta mašina respektivno iznosi za: Očigledno vremenski kapacitet treće mašine nije u potpunosti iskorišćen. Na bazi takvog matematičkog modela može se grafički riješiti i interpretirati problem LP za ovaj slučaj. b. i u apsolutnom iznosu ta vrijednost parametara iznosi: 3 = 270 – 185 = 85 /čas/ Ukupan stepen iskorišćenja kapaciteta za sve tri mašine izračunava se kao odnos stvarnog i teorijskog kapaciteta mašina. Iskorišćenost kapaciteta dobija se sabiranjem stvarno popunjenih kapaciteta (u apsolutnom iznosu  = 1780 –  = 1695 /čas/). kao: 26 . kao: max K(X*) = 19 x1* + 22 x2* = 1695 /čas/. i u ovom slučaju je: tj.2% Dakle. Kod iznalaženja najveće dobiti od prodaje proizvoda R1 i R2 funkcija kriterijuma ima odgovarajuću formu profita. ili na osnovu funkcije kriterijuma. Dobit pri maksimalnom iskorišćenju vremenskog kapaciteta poslijedično iznosi: D (x1*.Sl. 95. nije iskorišćeno ukupno:  = 3 = 1780 – 1695 = 85 /čas/. Na osnovu polaznih parametara (T-2) se formira kao: max D(X) = 45 x1 + 36 x2 Ograničenja ostaju istovjetna. kao što su ranije definisana.

Na izradi jedinice artikla А1 mašina M1 utroši 2. Primjer 6. iskorišćenost mašina u raspoloživom vremenskom kapacitetu ne može biti maksimalna. ne možemo ostvariti najveću dobit. Za ove optimalne vrijednosti funkcija dobiti je maksimalna (Sl. Neka fabrika proizvodi dva artikla А1 i А2 na mašinama M1 i M2. koji se ogledaju u dva slučaja: -Аko želimo ostvariti najveće iskorišćenje vremenskog kapaciteta.5 27 . Ovaj problem je u prethodnim postupcima rješavan parcijalno. 90.Sl. a mašina M2 6 časova. on pripada klasi zadataka koji se. uz dodatne pretpostavke. Po principu. Ukupan stepen iskorišćenja svih mašina iznosi: tj. pa je za: Vremenski kapacitet druge mašine nije u potpunosti iskorišćen. i u apsolutnom iznosu taj parametar je sada: 2 = 910 – 740 = 170 /čas/. dok je iskorišćenost vremenskog kapaciteta sada sekundaran cilj i on poslijedično iznosi: K(X**) = 19 x1** + 22 x2** = 1610 /čas/ Za ove vrijednosti iskorišćenost vremenskog kapaciteta mašina je nešto manja nego u prethodnom slučaju. -Аko težimo najvećoj dobiti. 20 Grafička interpretacija problema dobiti Optimalno rješenje se nalazi u tački C i iznosi: /kom/. Na izradi artikla А2 mašina M1 utroši 5.5 časa. 20) sa iznosom od: max D(X**) = 45 x1** + 36 x2** = 3330 /nj/.4% Očigledno da se ovdje dobijaju rezultati suprotnih tendencija. grafičkom metodom. mogu rješavati metodama multikriterijalnog programiranja.

2. 28 . А(7/2. a mašina M2 eksploatiše: 6x1 + 3. B(252/97.časova. Ovi podaci se mogu pregledno dati sledećom tabelom (T-3). gdje su tačke sa koordinatama: O(0.5 5. Pri tome.5 x2  21 ili uz prirodne uslove nenegativnosti koji podrazumijevaju da je: x1  0. Mašina M1 može najviše da radi 15 časova dnevno. 21) vidi se da je oblast D odreĎena sistemom ograničenja sa četvorouglom OABC. 0). Na osnovu geometrijske interpretacije (Sl. pa je funkcija stepena iskorišćenja kapaciteta oblika K(X) = 8.5 9 /čas/kom/ Ispitati grafičkom metodom koliku količinu artikala А1 i artikala А2 treba dnevno proizvesti da bi se maksimalno iskoristio ukupan kapacitet mašina.5 x2 časova.5 x2  15 ili 6x1 + 3. mašina M1 eksploatiše: 2. a mašina M2 najviše 21 čas dnevno. x2  0. 21 Grafička interpretacija modela LP primjera 6. sa mogućnošću rada do 15 časova. sa mogućnošću rada do 21 časa dnevno. moraju biti zadovoljena sledeća ograničenja. (T-3) Artikli Kapaciteti A1 A2 mašina Mašine / čas/dan / M1 2. 9 /čas/kom/.0).5 45 M2 6 3.5 /čas/kom/.5 x1 + 9x2  max K(X) Konstatujmo da se za izradu x1 (jedinice artikla А1) i x2 (jedinica artikla А2). dakle.5 x1 + 5.5 36 Ukupno vrijeme 8.5 x1 + 5. a mašina M2 3.5 x2 časova. Kolika optimalna količina proizvoda iznosi za 97 radnih dana? Rješenje: Za proizvodnju jedinice artikla А1 ukupno se utroši 8. Sl.5 časa. 150/97) i C(0. a za proizvodnju jedinice artikla А2. 30/11).

xj.. ako se dnevno bude proizvodilo 252/972. Zato je: max K(X) = 8.. Pri tome je optimalni vektor rješenja: /kom/. čime dobijamo sljedeći sistem jednačina: 29 . odnosno minimum ili maksimum.. Ovo predstavlja važan algebarski postupak u linearnom programiranju. k) koeficijenti funkcije kriterijuma...ck xk  max F(X) Pri tome su: cj (j = 1. kao što se vidi iz inicijalne tabele (T-3) i postignutog rezultata.54 jedinica artikla А2.. m) –nezavisni elementi vektora ograničenja i aij (i = 1. .. Može se dokazati da većina problema tipa maksimuma mogu da se rješavaju kao problemi minimuma i obrnuto. jer je pomijeranje vršeno u pravcu povećanja vrijednosti funkcije raspoloživog kapaciteta. Karakteristike modela LP i primjeri Opšti postupak rješavanja problema LP može se definisati na sljedeći način: odrediti nenegativne promjenljive [x1. Znači maksimalna iskorišćenost mašina biće.. Uvođenje dopunskih promjenljivih Dodavanjem nenegativne dopunske promjenljive xk+i svakoj nejednačini sistema ograničenja: postiže se transformacija nejednačina u jednačine. transliramo paralelno ka najudaljenijoj tački konveksnog poligona.... xk]... U toj tački K(X) ima maksimalnu vrijednost..... bi (i = 1. Za vremenski period od  = 97 /dana/. + cj xj + . .. k) – tehnički koeficijenti matrice А=[aij]mxk.Аko pravu K(X)=0. u potpunosti je ispunjen... samo u slučaju.. Za primjer će se uzeti ekstremna vrijednost kriterijumske funkcije u vidu njenog maksimuma..5 x1* + 9x2* = 36 /čas/. Ukupni kapacitet...6 jedinice artikla А1 i 1.. iz uslova ograničenja: i za zadatu funkciju cilja potrebno je pronaći njenu maksimalnu vrijednost: (26) F(X) = c1 x1 + c2 x2 + . x2. m i j = 1. dostići ćemo granični položaj kriterijumske funkcije koja se nalazi u tački B. tako da funkcija F(X) dostigne ekstremnu vrijednost. optimalna proizvedena količina artikala će iznositi: /kom/. Dakle..

. Iz sistema od m jednačina sa (n – k) promjenljivih (smatrajući da je ostalih k promjenljivih izjednačeno sa nulom) moguće je obrazovati: sistema. te funkcija kriterijuma dobija oblik: (30) F(X) = c1 x1 + c2 x2 + .. xk+1. Tako za broj promjenljivih n=16 i broj jednačina m=8. ako su sve vrijednosti xi  0..Dopunske promjenljive imaju i fizički smisao.. da je regularna.. tj. najčešće vremenskih.. u ovom slučaju maksimalnu vrijednost...n). Naime.... Ove sisteme nazivamo bazičnim sistemima... jer predstavljaju razliku izmeĎu raspoloživih i iskorišćenih kapaciteta.. U tom smislu nove jednačine ograničenja su: Ove promjene vezane su i za formalne promjene funkcije kriterijuma... Uvesti dopunske promjenljive za sljedeći zadatak LP. xk. Prethodni prošireni sistem formiran je uz novo prošireno indeksiranje. dobijamo broj mogućih rješenja sistema u iznosu od . Optimalno rješenje je ono bazično rješenje za koje funkcija kriterijuma dostiže ekstremnu vrijednost.m) (broj jednačina) ostaje nepromijenjen. .+ xk+m) max F(X) Bilo koje rješenje X=[x1. . x2. postaju respektivno: ck+1... Primjer 7.. xj... dok se rješenje X=[x1. resursnih i sl.. koeficijenti uz dopunske promjenljive xk+i. xi. ck+m. što je sa aspekta proračunavanja (pretraživanja) veoma velik posao. xk+m] * koje zadovoljava ograničenje u smislu sistema jednačina i uslova nenegativnosti xj  0 (j=1.... .. xk+i... ako je determinanta matrice sistema za m odabranih promjenljivih različita od nule. ck+2. ako su: 30 . xk+2.+ xk+i+ . ck+i... . x2. ovo rješenje je i bazično moguće. Naime. .ck xk + 0 (xk+1+ xk+2+ ... .... k+m) naziva se mogućim rješenjem.. pri čemu je sada ukupan broj nepoznatih n=k+m (j=1.. ... . + cj xj + .. ... . xm] naziva bazičnim rješenjem. dok indeksni interval (i=1.

. xk.. xk+m]T može predstaviti i u obliku transponovanog vektora.. transformisao se u sistem ograničenja sa četiri jednačine i n=k+m=2+4=6 promjenljivih veličina.sistem ograničenja: i funkcija kriterijuma: UvoĎenjem dopunskih promjenljivih: x3... x5. x2. Model linearnog programiranja u matričnom obliku Funkcija kriterijuma u matričnoj formulaciji se može predstaviti kao: gdje su sa C obilježeni koeficijenti funkcije kriterijuma: dok se nepoznata: X=[x1. xk+1.. xj. Sistem jednačina u matričnoj formi je sada: 31 . dobijamo sistem ograničenja u obliku sistema linearnih jednačina: i uz funkciju kriterijuma: Nakon uvoĎenja izravnavajućih promjenljivih. . . standardni sistem linearnih nejednačina sa k=2 promjenljivih i m=4 nejednačine.. x6  0. .. x4.. . xk+i... xk+2..

. k+m).) možemo zapisati na sljedeći način: Funkcija ograničenja kao: pri čemu je X 0 ili u vektorskom obliku u vidu linearne kombinacije vektora: 32 .k+u=0 za u  i (i =1.....k+u=1 za u = i i ai. vektor B smo predstavili kao linearnu kombinaciju n različitih vektora A<j> (j=1.. Аko matricu А=[aij]mxn razložimo na vektore kolona kao: sistem linearnih jednačina se sada može zapisati kao: ili kraće Vektore tipa A<j> nazivamo vektorima aktivnosti. U ovom slučaju. Dopunska matrica oblika E ima važnu ulogu kod formiranja početne vektorske baze u linearnom programiranju. Prethodni zadatak LP (iz Primjera 7. i oblika je..m).gdje su dopunski koeficijenti: ai. Primjer 8.. Matrični oblik zadatka linearnog programiranja.

pri čemu se postiže da je F(X*)=maxF(X). odnosno novu vrijednost vektora X. pa je gdje je: vrijednost funkcije kriterijuma iznosi: (45) . se može izraziti kao linearna . ako je prvih m vektora linearno nezavisno. što nazivamo optimalnim programom. rješenje problema za vektor A<j>. U tom slučaju 33 . kao: (42) . uz uslov da je: . Za prethodne vrijednosti funkcija kriterijuma jednaka je: (43) gdje je vektor C formiran od koeficijenata: Pored toga svaki nebazni vektor kombinacija baznih vektora. po sledećoj formi: (44) . Kao što se vidjelo (31) ovaj izbor se može realizovati na Cnm načina. Vektorska baza Аb može se predstaviti kao matrica elemenata: (39) . može se vektor B predstaviti kao linearna kombinacija oblika: Izbor od m-vektora može biti i drugačiji. Najbolja kombinacija vektora A<j> u skupu neke kombinacije baze donosi optimalno rješenje X*. U tom smislu. Svaka kombinacija donosi nov rezultat funkcije kriterijuma. -1 gdje je Ab inverzna matrica matrice razmatrane baze Аb.sa funkcijom kriterijuma: Formiranje vektorske baze Kako su vektori A<j> i B vektori m-tog reda. to meĎu n vektora tipa A<j> može postojati najviše m-nezavisnih. Na osnovu toga slijedi rješenje po promjenljivoj: (41) X=Ab-1B U tom slučaju dobijeni vektor X proglašavamo bazičnim rješenjem problema. pri tome redoslijed vektora ne mora u opštem slučaju biti jednak redoslijedu vektora već ranije formirane (38) inicijalne matrice А. Linearnu kombinaciju: (40) možemo izraziti preko baze Аb kao AbX = B.

A<1> i A<3> kao vektore početne bazne matrice: Ab=[ A<1>. Kako je: . npr. tj. Ove matrice su jednake: Adjungovana: i njoj transponovana: Prethodna adjungovana matrica adjA ima sljedeće elemente: Аlgebarski kofaktori adjungovane matrice odreĎeni su determinantom A. čiji elementi ne pripadaju redu i koloni gdje se nalazi posmatrani element ap5 sa predznakom odreĎenim izrazom (– 1)p+5. Bazično rješenje se odreĎuje na osnovu relacije AbXb=B. . ili konkretno: . Inverzna matrica je definisana na sljedeći način: što konkretno iznosi: Prema tome bazno rješenje je: . A<3>]. dok je moguće rješenje u tom slučaju: Vrijednost funkcije kriterijuma dobija se za vrijednost Xb. slijedi da je bazično rješenje jednako: Uslov za inverziju matrice А je da je ona kvadratna i da je nesingularna. da joj je determinanta različita od nule. Pored toga. kao: Ista vrijednost se dobija i za moguće bazno rješenje: 34 . može se formirati odgovarajuća matrica i vektori modela. Za model LP prema Primjeru 6. mora se definisati i adjungovana matrica adjA i njoj transponovana matrica (adjA)T. Formiranje vektorske baze. Izaberimo dva vektora m=2. .Primjer 9. ili .

rješenje za vektor A<2> je: odnosno: . formira baza . mora da se uvaži sljedeći uslov. Prema relaciji: AbXj=A<j>. kojim se obrazuje baza. Simplex metoda Problem LP se rješava iterativnom metodom tako što se polazi od jednog skupa linearno nezavisnih vektora. Inače. a to je da ako je bazični vektor za . pored ovoga vektora nebazičan je još i vektor A<4>. Poslije toga se vrši promjena vektorske baze na osnovu razraĎenih kriterijuma. slijedi: AbX2=A<2>. . koji u tom slučaju formiraju optimalnu bazu. pomoću linearne kombinacije Аko se vrši transformacija vektora baze . Simplex metoda. tada se vektor B izražava putem linearne kombinacije bazičnih vektora: (46) Nebazični vektor vektora. odnosno: Dakle.Pošto se nebazični vektor može izraziti kao linearna kombinacija bazičnih vektora. sve dotle dok se ne odredi najpovoljniji skup vektora. zasniva su na sljedećim pretpostavkama: ako se od m linearno nezavisnih vektora . od matrice А. kojom se efikasno rješava zadatak LP. Vrijednost funkcije kriterijuma sada iznosi: Uvažavajući da je kompletan vektor: dobijamo istovjetno rješenje prethodnom: . tako da jedan od bazičnih vektora bude zamijenjen nebazičnim vektorom . tada mora da bude i da je . uzeće se kao primjer da to bude A<2>. kao: (47) izražava se. Prethodni izraz (47) se sada formira kao: (48) 35 . odakle je X2= Ab–1A<2>. takoĎe.

uz označavanje da je vrijednost funkcije za . Da bi ovaj skup obrazovao bazično moguće rješenje potrebno je da članovi u zagradi budu nenegativni. (52) i Izbor vektora koji napušta bazu se svodi na tzv. slijedi da je: . tj. Simpleks kriterijum optimalnog rješenja 36 .Prethodna relacija (48) može da se riješi po . na osnovu čega se dobija: ili u razvijenom obliku: (49) Jednačinu (46): (50) možemo da napišemo isto na sljedeći način: ili Аko izvršimo eliminaciju bazičnog vektora (51) . vektor B se može izraziti putem linearne kombinacije novog skupa bazičnih vektora i vektora . novo bazično dopustivo rješenje se formira kao: (54) Аko je vrijednost funkcije kriterijuma za polazno rješenje jednaka: za novo (poboljšano) bazično rješenje će tada biti: odnosno zamjenom: (55) Za već ranije definisano: vektor (56) . ili Dakle. dobijamo: . . “teta” kriterijum. što u kvantitativnom obliku iznosi: (53) za Uvažavajući prethodne uslove.

pri čemu je (nenegativna). za jedan ili više nebazičnih vektora. najveću funkciju cilja dobijamo u konačnom broju iteracija. najbolje rješenje. maksimalna. a uzastopnom iteracijom postižemo .5  x2  15 6  x1 + 3.2) Simplex model jednačina ograničenja oblikuje se na osnovu prethodnog sistema nejednačina: 2.Dobijena relacija pokazuje da se funkcija kriterijuma uvećava za odreĎenu vrijednost pri promjeni vektorske baze. 1.5  x2 + x3 = 15 6  x1 + 3. Аko je . rješenje je optimalno. sukcesivnom promjenom vektorske baze. gdje je skalar Pri tome funkcija kriterijuma ovih vrijednosti: (60) ostaje nepromijenjena.2) 37 . Pri tome treba smatrati da je izuzet slučaj degenerisanog rješenja. s obzirom da se ovdje razmatra takav slučaj ekstremuma.5  x2 + x4 = 21 xj  0 (j = 1. tada se unošenjem tog vektora i eliminacijom jednog od bazičnih vektora. postiže još jedno optimalno rješenje. Аko je . Ovaj rezultat je vrlo važan jer pokazuje u kom smjeru se može povećavati funkcija kriterijuma. . za najmanje jedan nebazičan vektor. vektor treba eliminisati iz baze. tada u bazu treba uvesti onaj vektor (57) 2. i ako su sve vrijednosti . 3. za i sa najmanje jednim . Аko je za i = u. Kako je broj baza konačan. Kriterijum napuštanja trenutno egzistirajućeg vektora baze odreĎujemo prema već izvedenom kriterijumu “teta”. tada je . Аko je nebazični vektor .) potrebno je odrediti: F(X)=8. Za model problema LP (Primjera 6. za sve nebazične vektore.5  x1 + 5.5x1+9x2  max F(X) uz ograničenja: 2. npr. za koji je pronaĎeno: Eliminacija vektora slijedi nakon utvrĎivanja najmanjeg količnika za vektore B i . simplex kriterijum . tj. tada problem nema konačnog rješenja. treba utvrditi vrijednost: (58) . Primjena simplex metode. tj. uz neponavljanje nijedne baze više puta.5  x1 + 5. za sa najmanje jednim . Kada smo postigli optimalno rješenje i ukoliko je za nebazični vektor . Primjer 10. Konveksnom kombinacijom ovih optimalnih vektora postižemo novo optimalno rješenje kao: (59) . Naime.5  x2  21 xj  0 (j = 1. Аko je . količnik odgovarajućeg rješenja najmanji. U tom smislu možemo postaviti prvi simpleks kriterijum za promjenu vektorske baze.

5 = – 8. x4 dopunske (izravnavajuće) promjenljive.5 i x41 = 6 i sa elementima: x12 = 0. A<4>].5 za vektor A<2>: F2 – c2 = (8. tehničkih koeficijenata: . imamo sljedeće vrijednosti: za vektor A<1>: F1 – c1 = (8. A<2> mogu se izraziti posredstvom baznih. x31 = 2.5. Nebazni vektori A<1>.5 i x42 = 3.5 + 06) – 8. 9. Vektori kolona matrice А mogu se izraziti kao: . x32 = 5. početnu bazu čine vektori: Ab=[ A<3>. Pri tome su: matrica tzv. i i na taj način se matrična jednačina AX = B može ekvivalentno formulisati putem vektorske jednačine: A<1>x1 + A<2>x2 + A<3>x3 + A<4>x4 = B Za usvojene početne vrijednosti realnih promjenljivih: x1 = 0. vektor ograničenja i vektor koeficijenata funkcije kriterijuma C=[8.50 + 90 + 02. x22 = 0. x21 = 0. x2 = 0 možemo formulisati prvo bazičnu jednačinu kao: A<1>0 + A<2>0 + A<3>15 + A<4>21 = B. Osnovne karakteristike početnog modela su sada: Primjena kriterijuma za ulazak novog vektora u bazu svodi se na eksplicitno odreĎivanje najmanje negativne vrijednosti (Fj – cj) nebaznih vektora. Prethodni sistem jednačina može se napisati u obliku: AX = B. 0]. .5x1+9x2 + 0  (x3 + x4) max F(X) gdje su: x3.50 + 90 + 05. U tom smislu.5) – 9 = – 9 38 .5 + 03.i funkcije kriterijuma: F(X)=8. Pri tome je vrijednost kriterijumske funcije najmanja (nenegativna) i iznosi: Dakle. vektor nepoznatih vrijednosti . kao: sa elementima: x11 = 0. 0.5. kome odgovara početno (nulto) bazično dopustivo rješenje: Konstatujmo da se za početno bazično rješenje uvijek uzimaju vještačke promjenljive sa vrijednostima elemenata vektora ograničenja.

Formiranje nove baze Ab se može predstaviti simbolički izmjenom vektora: Vektor A<4> se može izvesti iz izraza (66). što se simbolički može predstaviti kao: Prethodni vektor A<3> se može izvesti iz izraza (63). (F3 – c3)}= F1 – c1 = – 97/22. Formiranje nove baze Ab’ se svodi na izmenu izabranog vektora. slijedi da u bazu ulazi vektor A<2>. Najmanja vrijednost je: i u tom slučaju vektor A<3> izlazi iz baze. tako da dobijamo: (65) Uvrštavanjem ovog izraza u izraze (62) i (64). Kriterijum za izlazak jednog baznog vektora A<j> svodi se na odreĎivanje najmanjeg odnosa vrijednosti tj. za vektor A<3>: 39 . Kriterijum za izlazak jednog baznog vektora A<i> svodi se na odreĎivanje najmanjeg odnosa vrijednosti tj. (F2 – c2)}= F2 – c2 = – 9. za izabrani ulazni vektor. min {xi/xij}. s napomenom da se svi decimalni brojevi u narednim iteracijama predstavljaju u obliku razlomka. Najmanja vrijednost je: i u tom slučaju vektor A<4> izlazi iz baze. slijedi da u bazu ulazi vektor A<1>. za izabrani ulazni vektor. respektivno dobijamo (66) i (67). tako da dobijamo: (68) Zamjenom vektora A<4> u (65) i (67). zbog preciznijeg prikaza i mogućnosti da korisnik sam provjeri rezultat: Pri tome se funkcija kriterijuma povećava na vrijednost: Primjena kriterijuma min (Fj – cj) za ulazak nebaznog vektora u bazu.Kako je: min {(F1 – c1). slijede vektori: (69) (70) Primjena kriterijuma min (Fj – cj) za ulazak nebaznog vektora u bazu. za vektor A<1>: za vektor A<3>: Kako je: min {(F1 – c1). min {xi/xij}.

se predstavljaju u narednim simplex tabelama. Formiranje simplex tabele Simplex tabeliranje predstavlja efikasan način da se slično prethodnim algebarskim relacijama na specifičan matrični (tabelaran) način strukturiraju svi elementi funkcija postavljenog modela LP.za vektor A<3>: pokazuje da je naĎeno optimalno rješenje jer su sve vrijednosti Fj – cj  0. iz sistema jednačina: i funkcije kriterijuma: može se postaviti (nulta) simplex tabela. što je istovjetno već dobijenom rezultatu u Primjeru 6. u oznaci max ST-0 (T-4). tipa maksimuma. sve dok se ne postigne optimalno rješenje. Dio oznake ST-0 simbolički predstavlja početno rješenje. npr. Naime. gdje je funkcija kriterijuma jednaka nuli. Iterativnim proračunavanjem transformisani elementi tih funkcija (ograničenja i cilja). max ST-0 (T-4) Pored toga ostali simboli u simplex tabeli imaju sljedeće značenje: 40 . dok se sintaksom max izražava karakter problema koji se rješava. Vektor optimalnog rješenja na osnovu rezultata (70) je sada: Pri tome je funkcija kriterijuma maksimalna i iznosi: . ekvivalentna je ranije pokazanim matričnim postupcima proračunavanja. na ovaj način. za formirani simplex model problema LP. takoĎe. Osnova sukcesivnog proračuna. što je osnovni uslov kriterijuma najboljeg rješenja.

kako je pokazano u formuli (57). } 0. jer oni fizički ne postoje. m.. jedinične cijene). povećanju funkcije kriterijuma. zasnovan je na odabiru najmanje vrijednosti (Fj – cj) iz skupa negativnih: (78) . Taj odnos će se obilježiti kao i ranije sa “teta” i dat je u vidu relacije: (77) . a zatim u-ti red proglašavamo vodećim redom (T5). . kao što je poznato u opštem modelu LP mogu se javiti slučajevi da je aij{..predstavlja razliku izmeĎu funkcije F(Xj) = Fj i koeficijenata cj uz j-tu promjenljivu (j = 1.. 41 . da bi uslov xj  bi/aij (aij  0) bio zadovoljen. Dakle.n)..... . k) (koji uzima adekvatne pozitivne vrijednosti).. (aij  0) Odabranu vrijednost indeksirajmo sa i = u. odnosno indeks odabrane kolone sa j = p. Drugi simplex kriterijum za izbor novog vektora Xj. indikator da li je rješenje optimalno ili ne. kao prvi simplex kriterijum. Tada se može izabrati xj. pa je xj  bi/aij za aij  0. U tom smislu dobijamo sljedeći izraz: (75) Za i-tu jednačinu.. k) Odabrana vrijednost će biti obilježena sa (Fp – cp). Očigledno da se isti rezultat postiže na osnovu ekvivalentne relacije: . zamjenjujući promjenljivu Xi. Kod početne tabele vrijednost ovih koeficijenata je jednaka nuli. pa se definiše kao kriterijum optimalnosti. -Xj – predstavlja množitelje vektora baze kada se njihovom linearnom kombinacijom izražava vektor A<j>. ... -B – vektor vrijednosti promjenljivih bazno dopustivog rješenja za posmatranu iteraciju.. Razlog tome je što su koeficijenti u funkciji kriterijuma za tu bazu jednaki nuli.. obično. za vrijednosti Fj – cj  0 (j = 1. kako je ranije istaknuto.. Naime... dobijamo sljedeći sistem jednačina (i = 1. . potrebno je izmeĎu svih m količnika pronaći minimalnu vrijednost.n): (73) Uz pretpostavku da su dopunske promjenljive xk+i (i = 1. U nultom rješenju ovaj vektor sadrži elemente ograničenja desne strane simplex jednačine. koji pristupa bazi. Ova vrijednost je.. Može se zaključiti da se uz veću vrijednost cj i aktualizacijom odgovarajućeg vektora Xj u bazi javlja novi efekat koji rezultira.-C – vektor koeficijenata uz promjenljive xj funkcije kriterijuma (npr. m) bazične promjenljive... U tom smislu smo formirali prvo bazično moguće rješenje kao: (74) . Funkcija kriterijuma pri ovoj bazi jednaka je nuli (analogno sa F(X) = 0 kod početnog rješenja pri primjeni grafičke metode). j = 1.. k).. tada su ostale promjenljive jednake xj = 0 (j = 1.. -Fj – cj . Ovaj kriterijum za izlazak vektora iz baze poznat je.... -Xb – vektor promjenljivih koje formiraju bazno dopustivo rješenje.. Аko se kolona sa koeficijentima aji i promjenljive xj jednačine (71) prebaci na desnu stranu. Prethodna relacija predstavlja osnovu za formulisanje kriterijuma eliminacije jedne bazične promjenljive Xi (postavljajući je kao vektor). -Cb – vektor koeficijenata u funkciji kriterijuma uz promjenljive koje sačinjavaju bazno dopustivo rješenje.. Izmjena baze ide u smjeru uvoĎenja nebaznog vektora Xj (j = 1. ... za: (76) xk+i  0 slijedi da je: bi – aij  xj  0. . tako da jedna od promjenljivih xk+i postane jednaka nuli.. Najinteresantniji rezultat za analizu je slučaj kada je aij  0... ..

Pored toga. Njegova primjena može ubrzati postupak nalaženja optimalnog rješenja kroz smanjenje broja potrebnih iteracija. prouzrokovane negativnošću vrijednosti aji. MeĎutim. proračunavanje koeficijenata unetih u tabelu svodi se na transformaciju svakog pojedinačnog elementa matrice brojeva [M] = [M](m+1)(k+m+1) datih prema (T-6). Iterativni proračun elemenata simplex tabele Postupno. pa prošireni kriterijum nije potrebno primjenjivati. Ovaj slučaj poznat je kao slučaj degenerisanog rješenja jer postoji više kandidata bazičnih vektora za izlazak iz baze. dok će se ovdje iznijeti dovoljno uprošćeno. (T-6) Primijetimo da ova matrica sadrži (m+1)(k+m+1) elemenata i potrebno ih je transformisati pri svakoj novoj iteraciji. Napomenimo da se u fazi ispitivanja  vrijednosti ne uzimaju u obzir negativne vrijednosti odnosa = bi/aij. koji se ogleda u brzini konvergencije ka optimalnom rješenju. primjenjuje se u onim slučajevima kada se pojavljuje veći broj vrijednosti Fj – cj  0 jednakih ili bliskih po veličini. 42 . Naredna simplex tabela (T-8) u odnosu na prethodnu (T-7) sadrži transformisane vrijednosti elemenata matrice. za elemente tekuće i naredne matrice. jer nije jednoznačno utvrĎeno koji vektor napušta bazu Аb. Ta pravila su već prezentovana u metodama vektorskog proračuna. može se desiti da količnik bi/aij bude isti po vrijednosti za dve ili više “teta” vrijednosti u analiziranoj koloni. za izbor vektora koji pristupa bazi. nove vrijednosti računaju se po odreĎenim pravilima. U tom slučaju dolazi u pitanje primjena prvog simplex kriterijuma. Ovaj postupak se realizuje sve dotle dok se ne postigne optimalno rješenje. u jednostavnijim modelima LP ne javlja se takav efekat.max ST-0 (T-5) Prošireni kriterijum. Naime. već se zadržati samo na osnovnom.

S obzirom da se F vrijednost nalazi van vodeće kolone i reda možemo je smatrati opštim elementom. Postupak proračunavanja se nastavlja sve dok se ne ispune uslovi kriterijuma optimalnosti. k + n)..tekuća (T-7) ST . Za p = j dobija se Primjeri simplex zadataka Primjer 11. pa se transformacija te vrijednosti može izvršiti primjenom prvog pravila transformisanja. j = p) (82) Dokaz slijedi na osnovu obrasca (81). a izračunavanje se vrši za svaku sledeću tabelu vrijednosti.. izuzimajući vodeći element (i  u). Primjer 12. Za p = j dobija se Transformacija elemenata u vodećem redu (i = u) (81) Transformacija vodećeg elementa (i = u. (80) Dokaz slijedi na osnovu obrasca (79). tako što se tekuća tabela smatra baznom. Dakle: (83) gdje su: . Dobijena relacija odgovara ranije izvedenoj formi za promjenu (porast) funkcije kriterijuma. i  = bu/aup.naredna (T-8) Transformacija elemenata van vodećeg reda i van vodeće kolone (i  u. sve dok sve vrijednosti ne budu: (84) Fj – cj  0 za (j = 1. tj.ST .. j  p) izvodi se kao: (79) Transformacija elemenata u vodećoj koloni. Na osnovu prethodnih pravila transformacije odrediti promijenjenu vrijednost funkcije kriterijuma iz tekuće u narednu simplex tabelu.. Prethodni obrasci se primjenjuju pri svakoj novoj iteraciji. 43 .

(2) i (3) mogu se formirati segmentni oblici jednačina kojima se opisuju granične vrijednosti raspoloživog kapaciteta i tržišnih zahtjeva (4) i (5): Oblast dopustivih rješenja je ograničena konveksnim poligonom (oblast D). koji je projektovan na osnovu sistema nejednačina od (1) do (5).4 /čas/kom/ na TS1.U nekoj fabrici se proizvode dva proizvoda P1 i P2 primjenom tri tehnološka sistema: TS1. Prava D(X) = 0. odnosno maksimalna funkcija dobiti max D(X) = D(X*).2 /čas/kom/ na TS1. za TS2 14000 /čas/ i za TS3 12000 /čas/.4 2 1 4500 1100 Efektivni 12000 14000 12000 kapacitet /čas/ Rješenje: 1a) Primjena grafičke metode za rješavanje zadatka LP podrazumijeva formiranje sistema nejednačina i funkcije kriterijuma. koristeći grafičku i simplex metodu.2 TS2 2 TS3 2 Plasman /kom/ 5500 Dobit / nj/kom / 4400 P2 2. Prodajom preduzeće ostvaruje dobit od 4400 /nj/kom/ za P1 i 1100 /nj/kom/ za P2. Na osnovu sistematizovanih podataka u (T-9) potrebno je: 1. 2. (T-9) Tehnološki sistemi Proizvodi P1 TS1 1. Efektivni kapaciteti Kej pojedinih tehnoloških sistema iznose: za TS1 12000 /čas/. gdje je omogućen plasman od maksimalno 5500 /kom/ proizvoda P1 i 4500 /kom/ proizvoda P2. za P2: 2. 44 . TS2 i TS3. Na osnovu prethodnih nejednakosti (1). prezentuje nultu funkciju kriterijuma. x2  0. Projektovati optimalan plan proizvodnje u cilju ostvarenja maksimalne dobiti fabrike. i ako je transliramo u smjeru vektora koji se prostire do najudaljenije tačke na poligonu dobijamo tangirajuću tačku kojom je odreĎeno optimalno rješenje X*. koja prolazi kroz koordinatni početak. Za tehnološku obradu jedinice proizvoda potrebno je utrošiti efektivno vrijeme za P1: 1. 2 /čas/kom/ na TS2 i 2 /čas/kom/ na TS3. Pronaći funkciju kriterijuma opšteg oblika koja zadovoljava neograničen broj optimalnih rješenja. U tom smislu je: matematički model dobiti: uz odgovarajuće uslove: Kako količina proizvoda ne može biti negativna slijedi da je: x1. 2 /čas/kom/ na TS2 i 1 /čas/kom/ na TS3. Sa druge strane funkcija marketinga informiše proizvoĎača o potrebnoj količini proizvoda na tržištu.

slijedi da je x1= – l/4 x2. i dobija se u tački presjeka pravih (3) i (4): (3) 2 x1 + x2 = 12000 i (4) x1 = 5500. 22 Grafička interpretacija optimalnog rješenja Na osnovu nulte funkcije dobiti i pomenutog postupka: 4400x1 + 1100x2 = 0. potrebno je da prava te funkcije tangira npr. dok bi funkcija dobiti iznosila: max D(X*) = 4400x1* + 1100x2* = 25. duž BC. 45 . (Sl.Sl. Na osnovu te prave odreĎujemo koeficijent pravca kao: (3) 2  x1 + x2 = 12000  x1 = – ½  x2. Optimalno rješenje se tada nalazi u tački B. 23) odnosno da nova funkcija kriterijuma D(X) = c1  x1 + c2  x2 sadrži koeficijent pravca isti kao i definisana prava (3). Rješavanjem dviju jednačina sa dvije nepoznate vrijednosti struktura i količina optimalnog rješenja proizvodnog programa bi bila sledeća: x1* = 5500 /kom/ proizvoda R1 i x2* = 1000 /kom/ proizvoda R2. 1b) Da bi neograničen broj optimalnih vektora pripadao jednoj funkciji kriterijuma maksimalnog ekstremuma.3  106 /nj/.

2a) Matematički model problema primjenom simplex-max metode se oblikuje poslije dodavanja dopunskih promjenljivih u sistemu linearnih ograničenja: i funkcije dobiti: Na osnovu razvijenog simplex matematičkog LP modela može se formirati inicijalna (nulta) simplex tabela.Sl. Ova tabela (matrica) predstavlja osnovnu podlogu za primjenu iterativnih postupaka proračunavanja. gdje je: a  R. što je saglasno koeficijentu pravca prave (3). dobija opšti oblik: D(X) = 2  a  x1 + a  x2. 23 Grafička interpretacija optimalnog rješenja Dakle. na osnovu prethodne analize. a  0. u funkciji kriterijuma mora figurirati parametar c1 (uz x1) dva puta veći od parametra s2 (uz x2). max ST-0 (T-10) 46 . pa jednačina D(X). Za takav oblik nulte funkcije kriterijuma (D(X) = 0) uvijek dobijamo da je: x1 = – ½  x2.

Daljom matričnom transformacijom. 2b) Maksimalna vrijednost funkcije dobiti može se očitati direktno iz završne tabele. odnosno pronalaženje najmanje vrijednosti. koji u principu skraćuje iterativni proces proračunavanja. 2  (c2 – D2)} = max {24. na osnovu četiri pravila za transformaciju: (79).2  106. ili izračunati na osnovu optimalnog vektora količine proizvoda. MeĎutim. Dakle: 47 . (80). ali ne i maksimalnu vrijednost funkcije kriterijuma.Kako u prethodnoj tabeli postoje dva negativna elementa: D1 – c1 = – 4400 i D2 – c2 = – 1100. Dakle. mada je u ovom slučaju dovoljna primjena i samo osnovnog kriterijuma. u ovom slučaju. jedno optimalno rješenje iznosi: /kom/ Može se pokazati. Аli. 4. zbog demonstracije proširenog kriterijuma predstavljamo kompletnije njegov algoritam.95  106} /nj/. Kako je: /nj/ i /nj/. Ta vrijednost fizički predstavlja dobit. a to je: max {1  (c1 – D1). upravo zbog dopunskog uslova koji govori da treba uzeti u obzir maksimalnu vrijednost iz skupa raspoloživih vrijednosti u donjem kontrolnom redu. odlučujemo da u naredno bazično dopustivo rješenje uvedemo promjenljivu X1. a to je D1 – c1 = – 4400. (81) i (82) možemo oblikovati naredne simplex tabele. U tom smislu. da uvoĎenje jedne od promjenljivih (npr. UvoĎenjem realne promjenljive X1 (vodeća kolona) izvodimo vještačku promjenljivu X6 iz baze (vodeći red). postoji beskonačan broj optimalnih rješenja. primijenićemo prošireni kriterijum. mi smo se zadržali na samo jednom pronaĎenom. jer je u izabranoj koloni uočena najmanja vrijednost 1 = 5500. X4 ili X6) izaziva promjenu vektorske baze i vrijednost optimalnog vektora. max ST-1 (T-11) max ST-2 (T-12) Kako su svi elementi reda (Dj – cj)  0 nenegativni (T-12) to je u ovom slučaju pronaĎeno optimalno rješenje i istovjetno je sa rezultatima primjene postupaka proračunavanja grafičkom metodom.

Postupci proračuna su dati u ostalim tabelama (T-14/15). što je i učinjeno u tabeli max ST-0.3) i funkciju kriterijuma D(X) maksimalnog ekstremuma. vektora ograničenja i vektora cijena. čijom bi se eventualnom proizvodnjom u potpunosti iskoristili vremenski kapaciteti sva tri tehnološka sistema. primjenom simplex metode za postavljeni sistem nejednačina: i funkciju kriterijuma: Rješenje: Odgovarajući simplex model na osnovama prethodnog modela sadrži sistem jednačina: i funkciju kriterijuma: Formirani simplex model je potrebno uneti u početnu iteracionu tabelu.3  106 /nj/.max D(X) = D (X*) = 4400x1* + 1100x2* = 25.2. Primjer 13. Konstatujmo da je vektor optimalnog rješenja kompletniji nego vektor dobijen u rezultatu primjene grafičke metode. Pronaći optimalne vrijednosti promjenljive xj (j = 1. kao matricu tehničkih koeficijenata. U ovom slučaju su dobijene i optimalne vrijednosti vještački uvedenih proizvoda. max ST-0 (T-13) max ST-1 (T-14) 48 .

može se sumiranjem formirati ukupna očekivana dobit D(X) od svih proizvoda kao: (86) Postupcima optimizacije teži se da proizvodni program bude takav da se postigne najveća dobit... (85) Аko sa [c1.. transporta u proizvodnji. uslova koje diktira tržište ili neki drugi proizvodni faktori. Tada vektorom (87) c = [c1...max ST-3 (T-15) Optimalno rješenje se očitava u posljednjoj tabeli.. Linearno programiranje u određivanju optimalnog programa proizvodnje Jedan interesantan problem linearnog programiranja je problem poznat kao ”odreĎivanje optimalnog proizvodnog programa”. normirano vrijeme izrade /tj/kom/). efektivni kapaciteti mašina. .. . cn] obično definišemo sve značajnije jedinične troškove. a postupcima optimizacije teži se iznalaženju minimalnih ukupnih troškova proizvodnje i transporta. cn] označimo specifične cijene pojedinačnih proizvoda Pj. Mećutim.. x2. (88) Ograničenja kod ovog tipa problema su obično data sledećom relacijom: (89) mada se u principu relacioni operatori postavljaju u zavisnosti od uslova proizvodnje i transporta.. Ukupno potrebno vrijeme za proizvodnju xj jedinica proizvoda iznosilo bi tada aij  xij /tj/.. jedan od proizvodnih problema predstavlja problem minimizacije troškova. cijene proizvoda na tržištu. .. ograničenja u pogledu plasmana proizvoda ili druga resursna i kapacitivna ograničenja.. cj. U tom smislu je postignuta najveća vrijednost funkcije kriterijuma u iznosu od: . i iznosi: pri tome je zadovoljen kriterijum optimalnosti. sa aij (i = 1.. j = 1.. Nekada će se morati postaviti kao relacija znak jednakosti. u slučaju kada se odgovarajući resurs ili vremenski 49 . može se izvršiti modeliranje problema i odgovarajućom metodom pronaći najbolji odnos asortimana proizvoda i odgovarajuće količine. m. xn] količine n proizvoda koji se dobijaju procesom proizvodnje.. c2.. U slučaju da su nam poznati parametri proizvodnje i njene integralne podrške. cj.. Označimo sa [x1.. ... kao što su: vremena operacije rada. . tj. gdje se deo i-tog resursa troši za proizvodnju jedinice j-tog proizvoda (npr. jer su u kontrolnom redu sve vrijednosti Dj – cj  0. npr... npr. Sagledavajući resursno ograničenje bi za svaku mašinu (npr..... xj. c2. vremenski kapacitet) može se formirati i-ta nejednačina kojom se modeliraju uslovi u pogledu popune efektivnog kapaciteta mašine. n) tehničke koeficijente. .

.. j = 1.. tržištu se mora isporučiti tačno 1000 komada svih proizvoda. pod uslovom da količine petog i sedmog proizvoda ne budu manje od 30 komada.. U opštem slučaju sistem ograničenja se može iskazati u vidu relacija: (90) pri čemu se funkcija kriterijuma postavlja kao: (91) (i = 1...... datih u tabeli (T-16).7) u cilju ostvarivanja najveće dobiti preduzeća..kapacitet u potpunosti mora iskoristiti. n) Primjer 14.5 i j = 1. Vremenski kapaciteti mašina su raspoloživi do odreĎenog intervala /min/ i ne mogu se premašiti... Pored tih uslova postoje još dva tržišna ograničenja... Osnovni podaci potrebni za modeliranje problema dati su u narednim tabelama.. Pri tome se na svakoj mašini realizuje operacija rada sa vremenom operacije tij (i =1. m... Naime. Na bazi primjene metoda optimizacije proizvodnog programa izvršiti analizu količine proizvoda xj i asortimana Pj (j = 1.7) /kom/min/.. Po operativnom planu je potrebno realizovati sedam proizvoda na pet tehnoloških sistema (mašina). Pri tome su poznati uslovi ograničenja proizvodnje i tržišta... Matrica operacionih vremena u zavisnosti od proizvoda i mašine gdje se predmet rada obraĎuje: (T-16) Proizvodi Pj Kapaciteti P1 P2 P3 P4 P5 P6 P7 Operacije i mašina /min/ M1: operacija 1 2 5 4 25 10 0 30 7000 M2: operacija 2 0 25 15 20 0 10 6 9800 M3: operacija 3 0 20 5 2 1 0 60 3000 M4: operacija 4 1 4 10 18 20 0 20 6200 M5: operacija 5 5 0 0 0 0 10 0 3000 Tržišna ograničenja i uslovi pojavljivanja proizvoda na tržištu Proizvodi Pj Zastupljenost proizvoda (0/1 ne/postoji) P1 1 0 P2 1 0 P3 1 0 P4 1 0 P5 1 1 P6 1 0 (T-17) Potrebe tržišta P7 /kom/ 1 1000 1 30 Specifične dobiti po pojedinim proizvodima (T-18) Proizvodi Pj Cijena proizvoda cij (nj/kom) P1 17 P2 26 P3 16 P4 30 P5 17 P6 30 P7 10 Rješenje: Formiranje matematičkog modela problema 50 .

25 51 . Postavka modela LP programskim putem Sl. Аlgoritam metode je simplex i rezultati su dati na (Sl. (94) je riješen na osnovu kompjuterske metode optimizacije. U ručnom postupku rješavanjem ovog problema bilo bi potrebno 13 iteracija uz primjenu osnovnog kriterijuma izmene vektorske baze. posredstvom programskog paketa LINDO*. 24 Rezultati proračunavanja optimalnog programa proizvodnje Sl.Ograničenja tržišnog kapaciteta: Funkcija dobiti: Prethodni model (92). (93). 24). ili 6 iteracija primjenom proširenog kriterijuma transformacije baze.

U tom smislu.04 /nj/. U tom cilju napišimo segmentni oblik pravih koje ograničavaju odgovarajuće oblasti: 52 . Sadržaj pojedinih substituta u materijalu /jedinica/kg/ predstavljen je u sledećoj tabeli (T-19). amorfni materijal mora sadržati najmanje 40 jedinica vezivnog materijala А. ako 1 kilogram graĎevinskog materijala GM1 košta 10 /nj/. dok GM2 košta 20 /nj/. vodeći računa o orijentaciji (u smislu nejednačina). Rješenje: a) Postupci rješavanja grafičkom metodom zadatka LP. x1. x2  0. Primjer 15.Optimalno rješenje. ovaj problem se može rješavati odreĎenim metodama cjelobrojnog programiranja. Očigledno da broj komada treba izraziti u cjelobrojnim vrijednostima što je i učinjeno vektorom približnih vrijednosti. U procesu realizacije posla. Kako se želi pronaći najjeftinija mješavina. tj. prema (Sl. Pri tome se postiže maksimalna dobit preduzeća u iznosu od: max F(X) = 20780. koriste se dvije vrste graĎevinskog materijala. sadrži sljedeće količine proizvoda /kom/. to je potrebno postaviti minimalnu vrijednost funkcije troškova. Projektom predviĎen. 25). odnosno: uz ograničavajuće uslove: dok promjenljive x1 i x2 moraju ispunjavati uslove nenegativnosti. (T-19) GraĎevinski materijali Limitirajuća GM1 GM2 količina Vezivni substituti /kom/ A 3 1 40 B C 2 1 2 3 60 40 Pronaći najjeftiniju strukturu (sadržaj) amorfne mješavine koja zadovoljava date potrebe. Najprije se mogu nacrtati pravci ograničavajućih pravih. 60 jedinica vezivnog materijala B i 40 jedinica vezivnog materijala C.

odnosno analitičku potvrdu u sljedećem postupku. Oblast dopustivih rješenja je neograničena (oblast D) i optimalno rješenje se nalazi u tački C. kako dopunske promjenljive imaju koeficijent -1. – x4 i – x5 ne mogu se uzeti u početno bazično dopustivo rješenje. MeĎutim. Transliranjem prave T(X). matematički simplex-min model dobija sličan oblik kao simplex-max. a sa desne strane jednačine su pozitivne vrijednosti. Time matematički model simplex-min postaje kompletan. optimalni vektor iznosi: Praktično znači da struktura graĎevinske mješavine traba da sadrži 25 /kg/ materijala GM1 i 5 /kg/ materijala GM2. gdje se optimalno rješenje nalazi u presjeku pravih (2) i (3): Dakle. sa koeficijentom pravca tg a = – 2. Sl.Grafičko predstavljanje rješenja je dato na Sl. sa jediničnim cenama M. 26 Grafička interpretacija optimalnog rješenja Kako je T(X) = 10x1 + 20x2 = 0. pa će u tom slučaju mješavina biti najjeftinija i njena vrijednost će iznositi: min T(X)=T(X*) = 10x1* + 20x2* = 350 /nj/. odnosno: uz ograničenja: 53 . slijedi da je x1 = – 2x2. U tom slučaju se jednačinama moraju dodati još i pozitivne vještačke promjenljive. b) Rješavanje zadataka LP simplex metodom uz dodavanje dopunskih promjenljivih. do najbliže tačke ograničavajućih pravih (jer je u pitanju minimum funkcije T(X)) dobijamo traženo rješenje grafičkim putem. iz tih razloga: – x3. 26.

. U tom smislu se optimalnim vektorom daju vrijednosti realnih.8).Koeficijent M predstavlja proizvoljno veliki pozitivni broj i u klasičnom (ručnom) postupku računanja. U rezultatu ovog postupka postignute su opštije optimalne vrijednosti kojima su uzete u obzir potpune popune svih kapaciteta. Rezultati primjene algoritama simplex-min metode prikazani su iteracionim tabelama min ST-0/1/2/3.. uzima se kao opšti. 54 .. aplikacijom grafičke metode. 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 identičan rezultat kao u prethodnom slučaju. dopunskih i vještačkih promjenljivih xj (j = 1..

a broj jednačina n. Primarni model se kraće može zapisati kao: ili izražen u matričnom obliku sa: (99) funkcijom kriterijuma: (100) i sistemom ograničenja: Dualni model ili dual će biti oblikovan na osnovu primarnog modela i njegova struktura će imati funkciju kriterijuma u vidu: pri ograničenjima: (102) gdje je sada broj nepoznatih m. sa stanovišta uvoĎenja novih promjenljivih. kojeg ćemo definisati standardno kao: Primarni model ili primar. a postigli isti efekti radi dobijanja optimalnog rješenja. U tom smislu je postignuta najmanja vrijednost funkcije kriterijuma u iznosu od: min T(X) = T(X*) = 350 /nj/. važeći za problem tipa min. neka to bude već poznati model LP sa sintaksom maksimuma. jer su u kontrolnom redu sve vrijednosti Tj – cj  0. dualni model. Sistem se može zapisati u algebarskom obliku: (103) sa funkcijom kriterijuma: 55 . Dualni model LP (primjer 16) Formulišimo dva zadatka linearnog programiranja. sa sledećom strukturom funkcije kriterijuma: i ograničenjima: gdje je broj nepoznatih n i broj jednačina m. Iz tih razloga se često ide na transformaciju ovog tipa problema u tzv. Prvo. Rješenje problema tipa min znatno je složenije./kom/ Pri ovome je zadovoljen kriterijum optimalnosti. kako bi se izvršila svojevrsna racionalizacija postupaka proračunavanja.

Primjer 16. u dualu se sada formuliše problem tipa min i obrnuto. -Karakter funkcije kriterijuma se takoĎe mijenja. -Аko se u primarnom sistemu ograničenja postavlja relacija . onda i dual (primar) nema moguće rješenje. za slučaj sljedećeg sistema linearnih nejednačina i date funkcije kriterijuma: Rješenje: Dualni model prethodnog primarnog modela se oblikuje na osnovu transpozicije vektora i matrice koje definišu sistem nejednačina i funkcije kriterijuma primarnog modela LP: 56 . Tako. Dualni model LP u matričnom obliku u odnosu na strukturu primarnog modela je izražen kao: (105) funkcija kriterijuma: min F (Y) = BT  Y (106) sa sistemom ograničenja: AT  Y  CT Može se takoĎe pokazati da važi sledeća teorema: Maksimum funkcije F(X) pri ograničenjima A  X  B jednak je minimumu funkcije F (Y) pri ograničenjima AT  Y  C (uz pretpostavku da zadaci imaju rješenje): (107) max F(X) = min F(Y) Navedimo osnovne stavove dualnosti: -dual duala je primar. ako smo imali problem tipa max u primaru.(104) i sistemom ograničenja: Zakonitost meĎu formulisanim zadacima postoji u sledećoj formi: -Matrica А koeficijenata primarnog sistema ograničenja transponovana je u matricu АT sistema koeficijenata dualnog sistema ograničenja. -Slobodni članovi vektora B primarnog sistema ograničenja transponovani su u koeficijente vektora BT dualne funkcije kriterijuma. Riješiti problem minimuma primjenom simplex metode i dualnog modela LP. -ako je optimalno rješenje primara X* i duala Y*. u sistemu ograničenja duala slijedi suprotna relacija . -Koeficijenti vektora (cijena) C primarne funkcije kriterijuma ograničavajući su članovi u transponovanom obliku CT dualne funkcije kriterijuma (Y). u tom slučaju važi: (108) C  X* = A  Y* -ako primar (dual) ima konačno optimalno rješenje. -ako primar (dual) nema ograničeno optimalno rješenje. onda i dual (primar) ima konačno optimalno rješenje.

kao i ekstremne funkcije kriterijuma minF(X) i max (Y). gdje se nalaze sva rješenja optimalnih vektora X*. tj: minF(X) = max (Y). i rješenje dualnog modela: /kom/.773 /nj/.773 /nj/. U tom smislu dobijamo rješenje primarnog modela: /kom/ * pri tome je: minF(X) = F(X ) = 2965/22134.Na osnovu dualnog modela može se formirati prošireni simplex dualni model ili tzv. duplex sa jednačinama ograničenja: i dualnom funkcijom kriterijuma: Prethodni model je rješavan iterativno simplex metodom. Može se provjeriti da su tražene vrijednosti primarne i dualne funkcije kriterijuma izjednačene. 57 . * odnosno: max (Y) = (Y ) = 2965/22134. Optimalno rješenje se može očitati u posljednjoj iteracionoj tabeli maxST-3. odnosno Y*. Tok postupaka proračunavanja dat je iterativnim tabelama od (T-24) do (T-27).

58 .

59 .

god.. znatno jednostavnijim algoritmima nego što su to algoritmi LP. Pri tome se postavlja kriterijum minimizacije ukupnih troškova.. proizašli su iz metodologije linearnog programiranja. Tome su doprinijeli i sami autori izvornih metoda LP... Metoda Čarlsa i Kupera (Charls & Cooper) nastaje 1953. objavljuje rješenje TP zasnovano na metodi simplex množitelja. primalac. Pri tome su: 1. Opšti model transportnog problema U transportnom problemu (zadatku) linearnog programiranja. koji u realnim uslovima mogu predstavljati veliki izdatak za odreĎen ekonomski sistem. Takera (Tucker). am količine resursa za transport.. američki matematičar Hičkok (Hitchcock... objavili metodu koja je često zastupljena u literaturi o operacionim istraživanjima kao metoda Forda i Fulkersona. uz sve veću aplikaciju kompjuterskih programa sa algoritmima najefikasnijih metoda koje su u pomenutom periodu nastale. tako da ona sadrže respektivno: a1. informacije i sl. I2. . 2. MeĎutim.. Dancig 1951. Dakle. Osnovnim modelom TP se pretpostavlja da je količina resursa koju treba transportovati odreĎena i da je po svojoj prirodi jednorodna (homogena).. . Označimo (Sl..) par godina kasnije (1941. . a2. putnika.. energije. god. Metodu optimalnog transporta prezentovanu u ovom poglavlju autorizovao je Ferguson (Ferguson) 1955. god. . Ii. kada je ruski matematičar Kantorovič prvi definisao transportni problem (TP). Pj. poznata su: izvorišta (magacini. j.. pa je naučni svijet prihvatio ovaj model transportnog zadatka kao model Hičkoka i označava ga kao značajan datum razvoja nauke o matematičkom programiranju. . god. sa karakteristikom intenzivnog razvoja u periodu od posljednjih pet decenija... simplex. kao modifikovano-diferencijalnu metodu. i danas je poznata kao metoda “skakanja s kamena na kamen” (Stepping Stone Method). P2. U tom smislu... pod najpovoljnijim ekonomskim uslovima? Obično su. specijalnim metodama. Barcova (Burcov) u kojima se definišu različite modifikacije transportnog zadatka. . tako da se time postigne najbolje izvršenje distribucije sa strategijom: od kojeg izvorišta i sa koliko robe treba rasporediti transport po transportnim putevima sve do ponora.F. kakva je npr. Im. poznate specifične cijene transporta i one predstavljaju ekvivalent za dužinu transportnog puta.. Pn po redu. uviĎajući potrebu za efikasnijim. ali se njihov razvoj bazirao na novootkrivenim. Trendovi razvoja i primjene metoda transporta su nastavljeni i u narednim decenijama.Transportni problem Uvod u transportni zadatak Transportni zadatak jeste specijalan slučaj opšteg zadatka linearnog programiranja.. skladišta) sa odreĎenom količinom resursa koju treba distribuirati do poznatih ponora (odredišta. ovim modelom.) oblikuje model TP i rješava ga. obilježimo izvorišta sa: I1.. ili skraćeno Mo-Di metodu. L..). 60 .. . najčešće se bavimo problemom minimizacije ukupnih troškova transporta: resursa. . n kvantumi (kapaciteti) resursa za transport koji pritiču iz mjesta izvora u mjesto prijema: P1. Danas ova oblast pripada operacionim istraživanjima.. prodavnice i sl.. Naredne godine Henderson i Stejfer (Handerson & Stajfer) objavljuju poboljšanu verziju ove popularne metode. Pojava teorijskih razmatranja zadataka najboljeg transporta vezuje se za tridesete godine ovoga vijeka (1939... Kasnije razvijeni modeli TP. Ford i Fulkerson (Ford & Fulkerson) su 1956. 27) jedinične troškove resursa sa cij i količine resursa sa xij = ? koju treba transportovati od mjesta Ii do mjesta Pj. sa linearnim planom distribucije resursa. čija je brzina konvergencije ka optimalnom rješenju veća nego kod već klasičnih metoda. U periodu prve polovine pedesetih godina objavljuju se novi radovi Vogela (Vogel).). ai..

transportni troškovi su konačni i sumarno iznose: Ograničenja se mogu definisati u odnosu na kumulativne vrijednosti transportnih kapaciteta po svakom redu i svakoj koloni. Šematski prikaz transporta može se modelirati tabelarno na sljedeći način. pod uslovom da ukupni troškovi budu minimizirani (ili maksimizirani). što se može zapisati u obliku jednačina: 61 . kao zbir funkcija troškova na svim relacijama: Prethodni model funkcije troškova će se kraće formulisati u obliku: Dakle.izvori prijem I1 I2 ci1 xi1 ci2 xi2 P1 P2 Ii cij xij cin-1 xin-1 Pj In-1 In cin xin Pn-1 Pn Sl 27. Šematski prikaz transportnog zadatka Funkcija cilja sastoji se u odreĎivanju optimalne količine distribucije xij. npr. (T-28) Na osnovu tabelarnog prikaza podataka može se oblikovati funkcija kriterijuma. tipa minimuma.

relacija. što se vidi u sljedećem modelu. matricu sa (n  m) kolona. Pri tome je: . ako ograničenja pišemo tako da u jednoj koloni doĎe samo jedan tip nepoznate promjenljive xij. Naime. Iako prethodni sistem ograničenja sadrži (n + m) jednačina. Uvažavajući relacije (4) i (5) dobijamo: Nepoznate vrijednosti xij treba tako odrediti da kao poslijedica stoji minimalna vrijednost funkcije T(X). Broj nepoznatih pri tome iznosi (n  m).Po definiciji zatvoreni tip transportnog problema podrazumijeva da se ukupna količina resursa iz svih izvora isporučuje kompletno ponorima. nisu sve jednačine nezavisne. dakle. što slijedi iz prethodnih . Jedna od tih jednačina zavisi od ostalih (n + m – 1) i to se može dokazati. bez ostatka. U transportnom zadatku možemo razviti. U tom smislu imamo sljedeće funkcije ograničenja: (6) i . ako se saberu prvih m-jednačina i od njih oduzme zbir sljedećih (n – 1) jednačina dobijamo: (8) 62 . od (n  m) nepoznatih.

Bazične promjenljive ili polja koja programiramo. svi redovi i kolone sadrže jednu ili više bazičnih promjenljivih. a završava u “zapadnom” polju (m. npr: -dijagonalna metoda.. ka optimalnoj varijanti). ili do potpunog ispražnjenja prvog izvorišta. svakoj jednačini sistema odgovara bar jedan red ili kolona te tabele. kod jednostavnih modela problema. prouzrokovan manjim brojem potrebnih iteracija. što je uobičajena iteracija ka konačnoj završnoj iteraciji (tj.1) tabele. utoliko je i kraći put do optimalnog rješenja. Da bi ono bilo nedegenerisano potrebno je oformiti ukupno r = n + m – 1 baznih elemenata. tzv. Dijagonalna metoda .metoda „sjeverozapadnog ugla” Nalaženje početnog rješenja. odreĎivanje se vrši tako što se počinje sa distribuiranjem resursa preko gornjeg lijevog ugla matrice. Otuda i popularan naziv metoda “sjeverozapadnog” ugla (North-West Method). U razvijenoj formi jednačina ograničenja.S obzirom da je: . U suprotnom. čime se javlja dodatni problem transporta. i početno rješenje zahtijeva primjenu postupaka odreĎene metode. Sve ove metode se baziraju se na pretraživanju i nemaju egzaktno razraĎen kriterijum optimalnosti u kvantitativnom obliku. Metode za određivanje bazno dopustivog rješenja Svaki zadatak odreĎivanja optimalnog transporta zahtijeva postavku modela problema. sa malim brojem pravila za aplikaciju. Bazno rješenje je ono rješenje transportnog problema preko kojeg se vrši transport (xij  0). Racionalnije rješenje se postiže boljim metodama. -metoda minimalnih cijena u kolonama. Ovaj broj predstavlja i rang matrice. u bazičnom rješenju broj bazičnih promjenljivih je jednak rangu r. -metoda minimalnih cijena u tabeli. gornjeg lijevog ugla. Dakle. s obzirom na jasne principe koje su kod njih algoritamski definisane. Prema tome. bez obzira što tom metodom ne nalazimo najbolje rješenje. Аko je r  n + m – 1 tada smo postigli degenerisano rješenje. i to podmirenjem prvog odredišta do maksimalno moguće količine koju može da primi. Ovaj postupak povlači za sobom eliminaciju iz daljeg proračuna i/ili prvi red i/ili prvu kolonu matrice. Što je efikasnija metoda odreĎivanja početnog bazno dopustivog rješenja. celovito izlaganje ovih neoptimizacionih metoda nije potrebno. dolazimo u kontradikciju sa nekom od jednačina. prezentovane tabele vrijednosti (T-29). preko kojih se vrši transport. MeĎutim. Redoslijed jednačina u ovom dokazu pri tome nije bitan. 63 . -metoda minimalnih cijena u redovima. U literaturi se navodi veći broj metoda transporta. Dakle sistem je konzistentan i dovoljan za proračun sa ukupno (n + m – 1) nezavisnih jednačina. vodeći računa o konzistentnosti tog rješenja sa sistemom ograničenja. Kreću se od intuitivnih. Taj postupak obično prethodi iteracijama. slijedi da je posljednja jednačina linearna kombinacija prethodnih (n + m – 1) jednačina. do metoda sa nešto složenijom algoritamskom strukturom. Ovakvi stavovi omogućavaju da lakše doĎemo do nekog bazičnog rješenja. kao npr: -Vogelova aproksimativna metoda i sl.n). tako da ćemo ovdje iznijeti samo najinteresantnije. Bazično rješenje ima ukupno n  m – (n + m – 1) nula. Nebazične su one koordinate tabele (polja) koje su jednake nuli. Nizom iteracija poboljšava se rješenje transporta. Ove metode su relativno jednostavne i zahtijevaju “par minuta”. možemo dobiti izmeĎu ostalih i postupcima dijagonalne metode. rasporeĎujemo duž dijagonale koja se kreće od prvog. aplikacije po jednoj iteraciji. U tom smislu. Dakle. sve do najbolje varijante. u ovom slučaju zatvorenog tipa transporta. i sl. “sjevernog” polja (1.

(T-29) ponori izvori Ograničenja izvora Potrebe ponora Dalji postupak (T-30/33) ponavljamo po istom principu “sjeverozapadnog ugla” za preostali deo matrice nepopunjenih elemenata tabele. Funkcija kriterijuma koja prezentuje troškove ovoga rješenja (T-33) iznosi: /nj/. Konstatujmo da je rješenje bazno dopustivo i nedegenerisano. -n = 3 . najpre. 64 . koji se naknadno može poboljšati racionalnijim metodama. -r = 6 .3) postavljamo maksimalnu moguću bazičnu vrijednost x13= 60. x12. u pitanju je treća kolona. iako se njome dobija u složenijim slučajevima slabiji polazni program transporta. Metoda minimalnih cijena u redovima Postavljanje transporta izvodi se na mestu transportnog polja (T-34).broj redova matrice.broj kolona matrice. gdje je uočena najmanja cijena u prvom redu. za primjer prema podacima inicijalne tabele dobili jedan plan transporta. zbog toga što je (r = n + m – 1). tako da se taj red ili kolona više ne analizira.dobijen broj bazno dopustivih rješenja (broj elemenata u završnoj tabeli (T-33) preko kojih se vrši transport). u zavisnosti od ostvarene konzistentnosti sa jednačinama uravnoteženja. Na ovaj način smo. U ovom primjeru (prema podacima iz prethodnog modela). simbolično obilježavamo onaj red ili kolonu. x14 }= c13 =2 i na toj poziciji (1. x13. gdje su: -m = 4 . Zatim. U ovom slučaju to je cijena min {x11. (T-30/33) ponori ponori ponori ponori ri izvori ri ri izvori izvori izvori ponori ponori ponori ponori ri ri izvori ri ri izvori izvori izvori ponori ponori ponori ponori ri izvori ri izvori ri izvori ri izvori ponori ponori ponori ponori ri ri izvori izvori ri ri izvori izvori Obično se model baznog rješenja TP zbog brzine aplikacije oblikuje na osnovu ove metode.

MeĎutim. Ovdje ne postoje posebni prioriteti pri odabiru cijena ako imamo slučaj više najmanjih cijena.(T-34) ponori izvori Nadalje se razmatra sljedeći red sa najmanjom cenom i tako redom do posljednjeg. Metoda minimalnih cijena u kolonama U analiziranoj prvoj koloni postavljamo bazni element na polju najmanjeg troška. Primjenom prethodnih postupaka dobili smo bazno dopustivo nedegenerisano rješenje. treću. Po istom principu popunjavamo ostala polja tabele i dobijamo rješenje u tabeli (T36).. koja je konzistentna sa ograničenjima drugog reda i treće kolone. po istom principu minimalnih cijena. Postavljaju se najveći bazisi xij. uočavamo minimalnu vrijednost u tabeli. nije sigurno da je ono i najbolje sa stanovišta kriterijuma minimalnih troškova transporta. i n-tu kolonu. i na tom mestu lociramo maksimalnu vrijednost transporta x23 = 60. (T-35) ponori izvori Metoda minimalnih cijena u matrici Metoda majmanjih cijena je po jednostavnosti slična prethodnom. x21. već se to prepušta donosiocu odluka. prethodne metode. a to je konkretno . Dakle. Rezultati primjene ove metode dati su u tabeli (T-34). Ukoliko imamo više istih minimalnih cijena u redu. Rezultati primjene ove metode dati su u tabeli (T-35).. Rješenja mogu biti viševarijantna u slučaju pojave skupa istovjetnih (minimalnih) cijena. Stavljajući na tom mestu bazis od x23 = 135. 65 . u slučaju pojave dve ili većeg broja istih minimalnih cijena bira jedna proizvoljno. da se ostvari ravnoteža: r = n + m – 1. tamo gdje su cij najmanje. Konkretno ta lokacija je na mestu gdje je min{ x11.. Dalji postupci se primjenjuju za drugu. Sledeća najmanja vrijednost cijene je x32 = 1. odabira se jedna. tj. TakoĎe se. više ne razmatramo treći red.. Pored toga treba težiti da se dobije bazno dopustivo nedegenerisano rješenje. sa ostvarenim ukupnim troškovima T(X)=905 /nj/. x31 }= x31= 2. bilo koja kao pozicija za novi bazni element. Princip minimalne cijene po kolonama ekvivalentan je principu minimalne cijene po redovima.

(T-36) ponori izvori Metoda Vogela Ovom metodom nalazi se bazično rješenje. Metoda je iterativna u smislu sukcesivnog pronalaženja bazičnih elemenata. predstavili zatamnjeno. 2. 3. Naziv Vogelova metoda proističe od autora metode. U drugoj iteraciji na isti način odreĎujemo razlike najmanjih cijena u preostale tri kolone i u prvom i drugom redu. daje se prednost onom polju koje sadrži najniže jedinične troškove. a često se u literaturi metoda naziva Vogelova aproksimativna metoda (VAM – Vogel’s Approximation Method). Na osnovu toga proističu odluke o postavljanju bazisa. 1}= c32= 1. U slučaju da se dobije veći broj razlika meĎusobno jednakih i istovremeno najvećih. (T-37/42) 66 . takoĎe. koji smo simbolički. 3. Time je druga iteracija završena i treći red je u potpunosti uravnotežen. 1. vršimo upisivanje tih razlika (1. 1. U skupu od sedam (n+m) vrijednosti bira se najveća. a to je max{ 1.2) treba postaviti maksimalni bazis u iznosu od x32= 135. odnosno (1. 3. Osnovni princip metode je izračunavanje najvećih razlika izmeĎu dva najmanja koeficijenta cijena u svakom redu i u svakoj koloni analizirane matrice troškova. ili kod jednostavnijih šema transporta i optimalno. Primjer primjene Vogelove metode daće se na osnovu već postavljenog modela jediničnih troškova (T-29). 1 }= 3. Nakon prvog izračunavanja razlika izmeĎu dve najmanje cijene svakog reda. 3. Time smo iz daljih proračuna eliminisali treću kolonu. 1) u dodatnom donjem redu. Kako je max{ 1. 1 }= 3 i za drugi red min{ 4. što je dato u tabeli (T-39). na tom mestu (2. 3. 1. odnosno svake kolone. slijedi da na mestu (3. najčešće suboptimalno. 1. što je u tabeli (T-38) predstavljeno zatamnjenom nijansom. Kako drugom redu odgovara minimalna vrijednost cijene c23= 0. a to je c23= 60. iz iteracije u iteraciju. 1. 2. 1) u dodatnoj desnoj koloni iterativne tabele (T-37).3) postavljamo prvi bazis sa najvećom logičnom vrednošću transporta.

Za ostvarenje ovoga transporta potrebno je utrošiti ukupno T(X)=905 /nj/. 1.U sljedećim iteracijama treba još da se programira transport preko preostalih šest polja. 1. za isti uzorni model. 1 }= 1 i karakteristična lokacija je u polju gdje je c24= 3. i u konačnom ishodu slijedi rješenje sa troškovima transporta od T(X)=945 /nj/. Preostale razlike iznose max{ 1.1) u iznosu od x11= 90. posljednja (T-43) donosi nam konačne rezultate aplikacije Vogelove metode. Od pet izračunatih vrijednosti razlika cijena najveća je i iznosi max{ 3. drugu i četvrtu kolonu i prvi i drugi red.3). ako umjesto početne baze na polju (2. iako zahtijeva više proračuna. Ove jednačine neće se pisati. Prema tome. 1. Imamo na raspolaganju nepotpune: prvu. Na tom mestu postavlja se bazis od x24= 50 (T-41). Time smo u potpunosti uravnotežili prvu kolonu (T-40). Koliko početna (inicijalna) baza utiče na konačno rješenje TP može se vidjeti na sljedećem skupu tabelarnog proračunavanja (T44/49). 1. 1 }= 3. (T-44/49) 67 . pogodna je za primjenu kada se problem transporta rješava manuelnim putem i u slučaju modela transporta sa većim broja izvora i ponora. Preostala dva polja x14= 75 (T-42) i x12= 10 (T-43) komplementarno popunjavamo u skladu sa jednačinama uravnoteženja izvora i ponora. 1.4) rezultati proračuna su drugačiji. (T-43) ponori izvori Vogelova metoda. postavimo transport na susednom polju (2. zbog jednostavnosti proračuna i mogućnosti brze provjere. U prvoj koloni postavljamo bazis na mestu (1. dakle kod kompleksnijih problema distribucije. Naime. kao i prethodni (T-37).

cij = ui + vj. dok je broj koeficijenata ui i vj za jedan veći od ranga tj. U opštem slučaju potencijali mogu biti pozitivni. npr. sa stanovišta ostvarenja sumarnih troškova. mada se može usvojiti i neka druga proizvoljna vrijednost. Na osnovu ovog kriterijuma u kvantitativnom obliku se verifikuje početno bazično rješenje. bez detaljnog izvoĎenja. negativni ili jednaki nuli..Ranije dobijeno rješenje (T-43) u odnosu na ovo rješenje (T-49) je povoljnije. je: (9) gdje je uveden diferencijal: ij = cij – ui – vj. Pored toga. i to: -Mo-Di (modifikovana diferencijalna) metoda. prezentovaće se metoda Mo-Di. Razvio je Dancig na osnovu metode simplex LP i otuda joj još i naziv metoda simplex množitelja. Za baznu promjenljivu vrijednost funkcije kriterijuma je uvijek: . u odnosu na prethodnu. Tada je potrebno doneti odluku na bazi konačnog pretraživanja. kod problema tipa min. ovim metodama se dolazi do boljeg bazičnog rješenja i podatka za koliko se pri tome smanjuje funkcija kriterijuma – troškova. Iz razloga potpune rešivosti sistema jednačina. -Metoda Forda i Fulkersona i -Metoda uslovno optimalnih planova. jednak je n + m. odnosno heuristički. U svakom slučaju greška se neće pojaviti ako svaka nova iteracija. uz očuvanje konzistentnosti jednačina ograničenja. pri čemu mora biti zadovoljen uslov da je ij = 0. iako su ove metode visoko elaborirane pri njihovoj primjeni može se ponekad javiti dilema u procesu odabira bazičnog transportnog polja. ili koeficijenata “u-v”. Naziv modifikovana proističe iz modifikovanog oblika funkcije kriterijuma u koju su uvršteni simplex množitelji. donese manje troškove transporta. za jedan od tih potencijala se pretpostavlja da je jednak nuli. Kao izabrana metoda optimizacije plana transporta. ili se koeficijenti ui i vj formiraju tako da njihov zbir bude jednak vrijednosti cijene polja preko kojeg se vrši transport tj. MeĎutim. te ga u tom smislu i usvajamo kao konačno. Kod nedegenerisanog bazno dopustivog rješenja broj ovih bazičnih elemenata jednak je rangu matrice transporta r = n + m – 1. Mo-Di metoda Metoda Mo-Di predstavlja modifikovanu metodu diferencijala i pripada grupi metoda raspodele (modification distribution). Od poznatijih metoda transportnog zadatka istaknimo četiri. Obično se uzima onaj potencijal koji se najveći broj puta 68 . da li je najbolje ili se još može poboljšati do optimalnog. u narednom poglavlju. -Metoda “s kamena na kamen”. Taj oblik modifikovane funkcije. Određivanje optimalnog rješenja transportnog zadatka Osnovna odlika ovih metoda je definisan kriterijum optimalnog rješenja.

Dokaz: Za formirani program transporta X=[xij]mn i skup potencijala reda i kolona. za xij  0. ispunjen uslov: (10) ij = cij – ui – vj = 0. Primjer 17. ili inverzno. koju ćemo označiti sa [xij]. tj. -Jednačine baznih cijena za šest polja formiraju se na osnovu formule: cij = ui + vj. Kako se verifikuje optimalno rješenje pokazaće se na primjeru za već postavljeno bazno dopustivo nedegenerisano rješenje dobijeno metodom Vogela. (T-50) ponori izvori Rješenje: Bazna polja predstavljena su u tabeli (T-50) zaokruženim vrijednostima transporta i njihov broj je r = n + m – 1 = 6 čime je predstavljeno bazno dopustivo i nedegenerisano rješenje. tj. Početni bazični plan dat je u tabeli (T-50). od izvorišta do ponora (odredišta).pojavljuje u formiranim jednačinama bazičnih cijena. U opštem slučaju verifikacija optimalnog rješenja transporta pomoću potencijala zasniva se na sljedećim stavovima: Stav 1: ako je za sve bazno dopustive elemente (i. a u poljima gdje su promjenljive xij = 0. posmatrajući lošiji plan uvijek se može poboljšati dovoĎenjem diferencijala u sledeću relaciju: (14) ij = cij – ui – vj  0 Dokaz ove teoreme može se naći u literaturi [14]. gdje su xij bile jednake nuli sada su formirane pozitivne vrijednosti . neke od promjenljivih se poklapaju sa prethodnim. što se direktno odražava na ukupan transportni trošak. Za polja gdje se xij i poklapaju važeća je i dalje relacija . izmenom programa u odnosu na optimalni program uvijek se povećavaju troškovi.. koji sada iznosi: (13) Dakle. u smislu nove šeme. U tom smislu imamo sljedeće jednačine baznih cena: 69 . cij = ui + vj. slijedi ij = cij – ui – vj = 0. za xij = 0 i Stav 2: za diferencijal ij kada je ispunjen uslov nenegativnosti (11) ij = cij – ui – vj  0 sledi da je bazični program najbolji. Time se garantuje minimalna cijena transporta T(X*)=minT(X). i 2. u oznaci X*=[xij*]mn. tj. koji zadovoljavaju uslove Stava 1. a za nebazična polja. a u nekim. a nova relacija cij  ui + vj. j). ukupni troškovi transporta iznosiće: (12) Preformulacijom programa transporta.

pa je u tom slučaju prethodni sistem jednačina rešiv. nenegativne. bazno dopustivi plan transporta (minTP-0) uz konstataciju da je rješenje degenerisno. Materijal se transportuje iz četiri izvorišta Ii u tri odredišta Oj. (T-51) ponori izvori Rješenje: Primjena metode sjeverozapadnog ugla u nalaženju početnog bazičnog rješenja Primjenom metode sjeverozapadnog ugla smo dobili početni. potrebna količina bj u odredištima. jer se Mo-Di kriterijumom optimalnosti ono i verifikovalo na kvantitativnoj osnovi. Pri tome je ostvaren najmanji trošak transporta u vrijednosti od: /nj/. kao koeficijent koji je najfrekventniji u jednačinama i s tog stanovišta olakšava proračun. potencijal u1 = 0. možemo zaključiti da je predloženo rješenje ujedno i optimalno. Broj nepoznatih je izjednačen sa brojem jednačina. Primjeri 18. -r = 5 – broj bazno dopustivih promjenljivih (broj elemenata tabele preko kojih se vrši transport). Odrediti optimalnu raspodelu materijala xij tako da ukupni troškovi transporta budu minimalni. -n = 4 – broj kolona matrice. gdje su: -m = 3 – broj redova matrice. 70 . kao i specifične cijene transporta cij date su u tabeli (T-51).Usvajajući da je npr. -Formiranje diferencijala ij = cij – ui – vj za nebazna polja transporta. zbog toga što je m + n – 1 = 4 + 3 – 1 = 6  r = 5. 19 i 20 Primjer 18. Postojeća količina materijala ai u izvorištima. Kako su sve vrijednosti diferencijala ij  0.

min TP-0 ponori izvori (T-52) dok je funkcija kriterijuma. prezentovala početne (neminimalne) troškove u iznosu od: /nj/. a za nebazično promjenljive odreĎuje se najniža vrijednost potencijala ij. bazna... tj. s tim da njoj odgovaraju najniži jedinični trošak. Primjena Mo-Di metode u nalaženju optimalnog rješenja Za odreĎivanje optimalnog rješenja potrebne su nam savršenije metode od kojih je jedna. j = 1. Mo-Di metoda sadrži sljedeće algoritme: I iteracija: Vrijednosti potencijala ui i vj odreĎuju se tako da koeficijenti uz bazične promjenljive (xij  0) budu jednaki nuli. s tim da se može odabrati promjenljiva koja se pojavljuje u najviše jednačina. promjenljivoj: x42 =   0. 71 . iterativna. pod uslovom da jedan od indeksa (i ili j) stvara logičku vezu sa ostalim poznatim indeksima bazičnih potencijala. pa je za ovaj primjer karakteristično: Jednoj promjenljivoj možemo dodeliti proizvoljnu vrijednost. c43) ne mogu da se iskoriste za odreĎivanje promjenljivih zbog postojanja većeg broja nepoznatih od dve. Iz tih razloga jedna od nebaznih promjenljivih xij treba da postane pozitivna. ij = cij – ui – vj = 0.. U literaturi je nalazimo i pod nazivom metoda potencijala. modifikovano-diferencijalna ili Mo-Di metoda. Usvajamo da je potencijal u1 = 0 (mada se u ovom slučaju može alternativno usvojiti i da je v2 = 0). tj. 4. dodeljujemo proizvoljno malu pozitivnu vrijednost (0) i proglašavamo je vještačkom bazom. Na osnovu čega slijedi da je: cij = ui + vj (i = 1... tj: Kako je: c42 = u4 + v2 = 1 slijedi da je u4 = c42 – v2 = 1 – 8 = – 7. pri ovome.. 3). Na osnovu toga slede rješenja nekih potencijala: Kao poslijedica degenerisanog bazičnog rješenja (minTP-0) javlja se slučaj da dve posljednje jednačine (c32.. već pomenuta.. Prema tome. a mogućnost je da to bude i nula.

biramo jednu od njih proizvoljno. pa slijedi da je: Na osnovu kriterijuma najnižih jediničnih troškova (nebazičnih promjenljivih) i logičkom vezom cijena i potencijala. II iteracija: Dalje.3).3).2). Za bazičnu promjenljivu veličine usvajamo u1 = 0.3).Kako smo dobili dve najmanje vrijednosti. zatvarajući ga poljem (2. pa preko polja (4. putem indeksa (ij) usvajamo (T-54): 72 . kao što je npr. prikazano tabelom (T-59). Neka to bude 23 = – 11 i na tom mestu ćemo postaviti novu bazično promjenljivu x23 =  (minTP-1). iterativni postupak ponavljamo kao i u prethodnim slučajevima. minTP-1/2 (T-53/54) odredišta odredišta izvorišta izvorišta potencijal potencijal potencijal potencijal odredišta odredišta izvorišta izvorišta potencijal potencijal potencijal potencijal Zbog transformacionih uslova bazičnih promjenljivih iz (minTP-1) u (minTP-2) poligon (linije sa strelicama) formiramo preko izabranog polja (2.2) i polja (2. Time smo zatvorili transformacioni “lanac” u obliku pravougaonika. zatim preko lokacije vještačke baze (4. Napomenimo da poligon ne mora uvijek biti u obliku pravougaonika. kojoj se sada dodeljuje maksimalna logička vrijednost  = 10 /kom/.

pri usvojenoj vrijednosti u1 = 0. Promjenljivoj x21 =   0 (0) dodeljujemo novu vještačku vrijednost. III iteracija: Projektovanjem novog plana transporta (T-56). dobili bazno dopustivo degenerisano rješenje transporta. zatvarajući poligon preko vještačke baze  i nove realne . a nebaznim potencijalima odreĎujemo najnižu vrijednost: a to je 13 = – 6. minTP-3 odredišta izvorišta potencijal (T-55) potencijal minTP-4 odredišta izvorišta (T-56) potencijal potencijal Očigledno je da smo novim planom. ali sa smanjenom vrednošću funkcije kriterijuma u odnosu na prethodno rješenje. Može se provjeriti da li je ovo rješenje optimalno ili ne. Na toj lokaciji postavljamo novu promjenljivu x13 =  = 10. na osnovu sljedećih postupaka: -Za bazične promjenljive. takoĎe. jer je m + n – 1 = r = 6.Kako je: c21 = u2 + v1 = 2 slijedi da je: u2 = c21 – v1 = 2 – 6 = – 4. čija je glavna karakteristika nedegenerisanost bazično dopustivih rješenja. slijedi da je: -Za nebazične promjenljive diferencijali iznose: 73 .

4) za potrebe proizvodnje. iz skladišta materijala Si (i = 1. te nema potrebe za formiranjem vještačke baze. Rješenje: Početno bazno dopustivo rješenje možemo dobiti primjenom metode “sjeverozapadnog ugla”. Preduzeće se snabdijeva resursima Rj (j = 1....Kako su sve vrijednosti ij  0 nenegativne time je pronaĎen optimalan plan transporta.. Odrediti najbolju distribuciju resursa za proizvodnju da bi se ukupni troškovi transportovanja minimizirali? b. Primjer 19. vj 74 . pri čemu su transportni troškovi minimalni i iznose: /nj/. Tom raspodelom transporta smo istovremeno dobili nedegenerisano bazno dopustivo rješenje (minTP-0). 4). (T-57) Preduzeća Skladišta a. v3 = 0 izračunavaju se nepoznati potencijali: ui.. jer je broj potrebnih nezavisnih linearnih jednačina m + n – 1 = 4 + 4 – 1 = 7 jednak broju formiranih baznih elemenata r = 7. Kapaciteti skladišta /kg/. U tom smislu formirajmo sljedeće jednačine: I iteracija: Iz relacije za bazne elemente cij = ui + vj. Izračunati dnevne uštede koje se postižu transportom resursa u odnosu na troškove dobijene na osnovu šeme transporta metodom “sjeverozapadnog ugla”.. i za usvojenu vrijednost potencijala npr.. minTP-0 (T-58) Preduzeća Skladišta Za nalaženje optimalnog rješenja primjenjivaće se Mo-Di metoda. dnevne potrebe proizvodnje /kg/ i jedinični troškovi transportovanja cij /nj/kg/ dati su u narednoj tabeli..

vj: Iz jednačina diferencijala ij = cij – (ui + vj) za nebazne elemente i formiranja novog transportnog puta na osnovu kriterijuma slijedi: nebazno 75 .Iz jednačina diferencijala ij = cij – (ui + vj). Iz jednačina za bazne elemente cij = ui + vj i za usvojenu vrijednost potecijala (u4 = 0). minTP-1 Preduzeća Skladišta (T-59) II iteracija: Realokacija baznih elemenata (minTP-2). kao osnova za formiranje novog transportnog puta. izračunavaju se ostali potencijali ui. za nebazne elemente. Pri tome funkcija troškova početne šeme transporta iznosi: /nj/. slijedi najmanji diferencijal.

vj: Iz jednačina diferencijala ij = cij – (ui + vj) za nebazne elemente i formiranja novog transportnog puta na osnovu kriterijuma slijedi: nebazno Pri tome je funkcija troškova: /nj/. 76 . slede ostali potencijali ui. Iz jednačina za bazne elemente cij = ui + vj i za usvojenu vrijednost potencijala (u4 = 0).Pri tome je funkcija troškova: /nj/ minTP2 Preduzeća Skladišta (T-60) III iteracija: Realokacija baznih elemenata (minTP-3).

minTP-3 Preduzeća Skladišta (T-61) IV iteracija: Realokacija baznih elemenata. Iz jednačina cijena za bazne elemente cij = ui + vj. minTP-4 (T-62) Preduzeća Skladišta ili u matričnom obliku: 77 . optimalno rješenje je pronaĎeno u posljednjoj iteraciji i može se prezentovati tabelarno (minTP-4). za usvojenu vrijednost potecijala (v3 = 0). izračunavaju se ostali nepoznati potencijali ui. vj: Iz jednačina diferencijala ij = cij – (ui + vj) za nebazne elemente i formiranja novog transportnog puta na osnovu kriterijuma slijedi: nebazno Kako je za sve vrijednosti baznih i nebaznih elemenata postignut diferencijal ij  0.

Pri tome vrijednost funkcije troškova početnog rješenja iznosi: /nj/. GraĎevinsko preduzeće se snabdijeva materijalom Gj (j = 1. minTP-0 (T-63) Gradilišta Skladišta a. apliciraće se modifikovana diferencijalna metoda. Za nalaženje optimalnog rješenja. Odrediti najbolju distribuciju graĎevinskog materijala na gradilištu da bi ukupni troškovi transportovanja bili najmanji? b. Pri tome je funkcija troškova minimizirana na vrijednost: /nj/ Troškovi su umanjeni u odnosu na početno rješenje u iznosu od: /nj/. Kapaciteti skladišta. 4)..... kao najfrekventniji nepoznati potencijal. čiji troškovi iznose T(X(0)) /nj/? Rješenje: Početno bazno dopustivo rješenje je nedegenerisano. jer je broj potrebnih linearno nezavisnih jednačina m + n – 1 = 5 + 4 – 1 = 8 jednak broju formiranih baznih elemenata.. Kolike se ukupne uštede postižu u transportu materijala u odnosu na početni program transporta.. r = 8.. dnevne potrebe gradilišta i jedinični troškovi transportovanja dati su u narednoj tabeli. Primjer 20... 5) za potrebe visokogradnje iz skladišta polufabrikata Si (i = 1. Ostale potencijale rješavamo komplementarnim putem i zamjenom dobijamo: 78 . tj. I Iteracija: Iz jednačina baznih elemenata cij = ui + vj usvajamo u4 = 0.

Na tom mestu se postavlja nova baza xij.Za nebazne elemente izračunavamo diferencijal tipa: ij = cij – ui – vj. usvajamo u4 = 0. nebazno minTP-1 Gradilišta Skladišta (T-64) minTP-2 Gradilišta Skladišta (T-65) Vrijednost funkcije troškova poslije prve iteracije (minTP-2) iznosi: /nj/. II Iteracija: Iz jednačina baznih elemenata cij = ui + vj. 79 . i biramo najmanji .

Za nebazne elemente izračunavamo diferencijal ij = cij – ui – vj Vrijednost funkcije troškova poslije druge iteracije (minTP-4) iznosi: /nj/. Za nebazne elemente izračunavamo diferencijal ij = cij – ui – vj 80 . usvajamo. minTP-3/4 Gradilišta Gradilišta Skladišta Skladišta (T-66/67) Gradilišta Gradilišta Skladišta Skladišta III Iteracija: Iz jednačina baznih elemenata cij = ui + vj. takoĎe u4 = 0.

usvajamo: u4 = 0.Vrijednost funkcije troškova poslije treće iteracije (minTP-6) iznosi: /nj/. Za nebazne elemente izračunavamo diferencijal: ij = cij – ui – vj 81 . minTP-5/6 Gradilišta Gradilišta Skladišta Skladišta (T-68/69) Gradilišta Gradilišta Skladišta Skladišta IV Iteracija: Iz jednačina baznih elemenata cij = ui + vj.

Možemo konstatovati da su svi diferencijali i za bazne i za nebazne elemente ij  0. 82 . iznose: /nj/. Ukupne uštede postignute za odreĎen period transportovanja graĎevinskog materijala u odnosu na početno – neoptimalno rješenje transporta. čime je zadovoljen kriterijum optimalnosti (minTP-6) i postignut najjeftiniji transport sa troškovima: /nj/. b.

You're Reading a Free Preview

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