La programmazione Lineare

La programmazione lineare
(PL)
Perche i modelli lineari sono importanti?
Molti concetti e proprieta relativi ai modelli lineari si
possono ritrovare, con opportune varianti anche in modelli
piu complessi (es. non lineari)
Possono essere risolti efficientemente
Moltissimi modelli applicativi sono lineari
Un primo esempio di PL
La WYNDOR GLASS CO. Produce porte
e finestre in vetro. Essa organizzata in
3 stabilimenti.
I telai in alluminio e gli articoli in
metallo vengono prodotti nello stab.1
(S1).
I telai in legno nello stab. 2 (S2) mentre
lo stab. 3 (S3) produce vetro e
assembla i prodotti.
Un primo esempio di PL
A causa di una diminuzione dei guadagni, i
dirigenti della societ hanno deciso di
rinnovare la linea di produzione
Sono stati cancellati alcuni articoli non
redditizi in modo da liberare risorse
produttive per il lancio di 2 nuovi prodotti con
alto potenziale di vendita

Un primo esempio di PL
Prodotto 1 : porta in vetro con
intelaiatura in alluminio
Prodotto 2: una finestra con intelaiatura
in legno
Il prodotto 1 richiede le risorse presenti
nello S1 e S3 ma non di S2.
Il prodotto 2 richiede solo di S2 e S3
Un primo esempio di PL
Stabilimento P1 P2
S1 X
S2 X
S3 X X
Un primo esempio di PL
La div. Marketing ha verificato che
lazienda in grado di vendere tutta la
quantit prodotta di entrambi; tuttavia
entrambi i prodotti utilizzano S3
Non chiaro quale combinazione dei 2
prodotti sia la pi redditizia
Un team stato costituito per studiare il
problema
Un primo esempio di PL
Dopo incontri con il vertice aziendale si
formulato il seguente pb:
Determinare il tasso di produzione di
ciascun prodotto al fine di massimizzare
il profitto totale, con i vincoli imposti
dalle limitate capacit produttive
Un primo esempio di PL
Ogni combinazione soddisfacente
queste condizioni permessa (anche
singolo prodotto)
Ogni articolo sar prodotto in lotti da 20
Il tasso di produzione definito come il
numero di lotti realizzati in una
settimana

Un primo esempio di PL
Quali sono i dati necessari?
Il tempo, in ore, disponibile
settimanalmente negli stabilimenti (staff
settore manifatturiero)
Il tempo, in ore, che ciascun stab.
impiega per la produzione di un lotto di
ogni nuovo prodotto (ing. Sviluppo
processo produttivo)
Un primo esempio di PL
Lutile per lotto: hp il profitto non varia
al variare della qta prodotta e non ci
sono costi considerevoli di avviamento.
( settore marketing e contabilit)
Un primo esempio di PL
Stabilimento
Tempo Produzione
Tempo
disponibil
e
Prodotto
1 2
S1 1 0 4
S2 0 2 12
S3 3 2 18
Profitto per lotto $3000 $5000
Un primo esempio di PL
X
1
= il numero di lotti di P1 realizzati
una settimana
X
2
= il numero di lotti di P2 realizzati
una settimana
Z= profitto totale in migliaia di dollari

Z=3 X
1
+5 X
2
Un primo esempio di PL
Stabilimento
Tempo Produzione
Tempo
disponibil
e
Prodotto
1 2
S1 1 0 4
S2 0 2 12
S3 3 2 18
Profitto per lotto $3000 $5000
Un primo esempio di PL
Massimizzare Z=3 X
1
+5 X
2
s.v.
Disp. S1 : X
1
4
Disp. S2 : 2 X
2
12
Disp. S3 : 3 X
1
+2 X
2
18

X
1
, X
2
0

Metodo Grafico
Pu essere utilizzata per la risoluzione
di un qualunque problema di
programmazione lineare con 2 variabili
decisionali. Con difficolt si pu
estendere il caso a 3 variabili ma non
oltre.
approcci algebrici
METODO DEL SIMPLESSO
Metodo Grafico
Massimizzare Z=3 X
1
+5 X
2
s.v.
Disp. S1 : X
1
4
Disp. S2 : 2 X
2
12
Disp. S3 : 3 X
1
+2 X
2
18

X
1
, X
2
0

X
1

X
2

R
S1
4
S2 6
S3
9
6
0
Metodo Grafico
Massimizzare Z=3 X
1
+5 X
2
s.v.
Disp. S1 : X
1
4
Disp. S2 : 2 X
2
12
Disp. S3 : 3 X
1
+2 X
2
18

X
1
, X
2
0

X
1

X
2

S1
S2
9
0
Z=10=3x
1
+5x
2

Z=20=3x
1
+5x
2

Z=36=3x
1
+5x
2

(2,6)
Massimizzare Z=3 X
1
+5 X
2
s.v.
Disp. S1 : X
1
4
Disp. S2 : 2 X
2
12
Disp. S3 : 3 X
1
+2 X
2
18

X
1
, X
2
0

X
1

X
2

S1
S2
9
0 3
5
Z=36=3x
1
+5x
2

(2,6)
I modelli di PL
Esempio Wyndor Glass Problema generale
Capacit produzione negli Stabilim Risorse
3 stabilimenti m risorse
Realizzazione dei prodotti Attivit
2 prodotti n attivit
Tasso produzione del prodotto j, x
j
Livello di attivit j, x
j

Profitto Z
Misura globale di
rendimento
I modelli di PL
Z = Misura globale di rendimento
X
j
= il livello di attivit j=1,..,n
c
j
= variazione del valore di Z
determinata da ogni incremento unitario
di livello di attivit j
b
i
= qta di risorsa i disponibile per
a
ij
= qta di risorsa i consumata da una
unit di attivit j
I modelli di PL
Le variabili x
j
j=1,..,n sono variabili
decisionali
c
j
, b
i
, a
ij
: parametri del modello j=1,..n
e i=1,..,m


I modelli di PL
Risorse Attivit
Qt
disponib.
risorsa
1 a
11
a
12
.. a
1n
b
1

2 a
21
a
22
.. a
2n
b
2

. . . .. .
. .. ..
m a
m1
a
m2
.. a
mn
b
m

Contributo a
Z per Unit di
attivit
c
1
c
2
c
n

Altre forme
Funzione obiettivo: minimizzazione
Vincoli di uguaglianza
Vincoli di
Variabili non vincolate in segno
Variabili negative
Forma Standard
Max Z=c
1
x
1
+ c
2
x
2
+..+c
n
x
n
s.v.
a
i1
x
1
+

a
i2
x
2
++

a
in
x
n
b
i
i=1,..,m

x
1
, x
2
,., x
n
0

Generico problema di allocazione delle risorse tra attivit concorrenti
Terminologia
In genere soluzione indica la risposta
finale. Invece .
Soluzione ammissibile una soluzione
che soddisfa tutti i vincoli del problema
Una soluzione non ammissibile una
soluzione che viola almeno un vincolo
La regione ammissibile : insieme di
tutte le soluzioni ammissibili
Terminologia
Problema Inammissibile = regione
ammissibile vuota
Problema ammissibile: scopo della PL
determinare la soluzione ottima: la soluzione
ammissibile che ha il valore pi vantaggioso
per la funzione obiettivo
Soluzione ottima unica
Soluzione ottime multiple
Z illimitata
Problema inammissibile

Soluzioni Ottime multiple

Problema Illimitato

Le ipotesi della PL
Tutte le ipotesi della PL sono contenute
in modo implicito nel formulazione del
problema Wyndor Glass
Le ipotesi della PL
Funzione obiettivo lineare
Vincoli funzionali lineari
Implicano ipotesi su
Dati di input
Variabili decisionali
Proporzionalit
Il contributo di ogni attivit al valore di
funzione obiettivo (c
j
x
j
) e alla quantit a
sinistra di ogni vincolo funzionale (a
ij
x
j
)
deve essere proporzionale al livello di
attivit x
j

In un modello di PL non vi alcun
esponente strettamente maggiore
di 1 per nessuna variabile
Proporzionalit
Caso Wyndor Glass
x
1

Profitto prodotto 1
Proporzionalit
soddisfatta

Proporzionalit violata
Caso1 Caso2 Caso3
0 0 0 0 0
1 3 2 3 3
2 6 5 7 5
3 9 8 12 6
4 12 11 18 6
Caso 1:x
1
>=1: 3x
1
-1 costo di start up 1
Proporzionalit
Proporzionalit PL
-2
0
2
4
6
8
10
12
14
0 1 2 3 4
Caso0
Caso1
Caso 1:x
1
>=1: 3x
1
-1 costo di start up 1
Proporzionalit
Costi di start up:
Costi iniziali di produzione da tener in
conto una sola volta, ammortizzati su base
settimanale

Proporzionalit
Proporzionalit PL
0
2
4
6
8
10
12
14
16
18
20
0 1 2 3 4
Caso0
Caso2
Incremento del guadagno marginale: la pendenza del profitto del prodotto 1
cresce allaumentare di x
1

x
1

Profitto
prodotto 1
Caso 2

0 0
1 3
2 7
3 12
4 12
Proporzionalit
Incremento del guadagno marginale
Economie di scala raggiunte con alti livelli
di produzione, attraverso luso di
macchinari pi efficienti, sconti
sullacquisto di materie prime, effetto della
curva di apprendimento dei lavoratori
Proporzionalit
Proporzionalit PL
0
2
4
6
8
10
12
14
0 1 2 3 4
Caso0
Caso3
Decremento del guadagno marginale: la pendenza diminuisce
x
1

Profitto
prodotto 1
Caso 3

0 0
1 3
2 5
3 6
4 6
Proporzionalit
Costi di marketing aumentano in
maniera pi che proporzionale:
Esempio: il Prodotto 1 pu essere venduto
senza pubblicit al tasso di 1 a settimana
(x
1
=1), mentre i livelli di vendita successivi
potrebbero richiedere campagne
pubblicitarie sempre pi vaste o anche un
abbassamento dei prezzi.
Proporzionalit
Nella realt del caso Wyndor Glass?
Il profitto ottenuto dal guadagno delle
vendite meno vari costi diretti e indiretti,
alcuni dei quali potrebbero essere non
proporzionali al tasso di produzione
Nella validazione del modello necessario
verificare che la proporzionalit ipotizzata
non produca importanti distorsioni
Proporzionalit
Nei casi in cui la proporzionalit non
valida:
Problema di programmazione non lineare
Problemi di programmazione intera mista
Additivit
In un modello di PL ogni funzione la
somma dei contributi individuali delle
rispettive attivit
Additivit
(x
1
, x
2
)
Valore di Z
Additivit
soddisfatta
Additivit non
soddisfatta
Caso1 Caso2
(1,0) 3 3 3
(0,1) 5 5 5
(1,1) 8 9 7
Additivit
Caso 1
Z=3x
1
+5x
2
+x
1
x
2
I due prodotti sono complementari. Ad
esempio la stessa campagna pubblicitaria
per il lancio di entrambi: i costi di
marketing abbattuti
Additivit
Caso 2
Z=3x
1
+5x
2
-x
1
x
2
I due prodotti sono concorrenti. Ad
esempio entrambi richiedo lutilizzo del
medesimo macchinario che ha notevoli
costi di set-up

Additivit
(x
1
, x
2
)
Qt di risorse usate
Additivit
soddisfatta
Additivit non
soddisfatta
Caso3 Caso4
(2,0) 6 6 6
(0,3) 6 6 6
(2,3) 12 15 10.8
Additivit
Stabilimento 3: 3x
1
+2x
2
18
Caso 3
3x
1
+2x
2
+0.5x
1
x
2
utilizzo congiunto di
macchinari che richiedono time set-up
Caso 4
3x
1
+2x
2
-0.1(x
1
)
2
x
2
, utilizzo congiunto di
macchinari , set-up trascurabile, start-up
ammortizzato

Additivit
Dopo unanalisi delle possibili interazioni tra i
due prodotti illustrati attraverso questi 4 casi,
il gruppo di studio ha concluso che nessuno di
questi ha giocato un ruolo importante
nellattuale problema Wyndor Glass
Quindi si valutato che lipotesi di additivit e
valida con una ragionevole approssimanzione
Divisibilit
Le variabili decisionali di un modello di
PL possono assumere valori frazionari
ed interi, purch soddisfino i vincoli di
non negativit ed i vincoli funzionali
Se sono ammissibili solo valori interi:
programmazione lineare intera (PLI)
Nella PL ammesso che le attivit
possano funzionare a livelli frazionari
Divisibilit
Nel caso Wyndor Glass, le variabili
decisionali rappresentano il tasso di
produzione (il numero di lotti prodotti
alla settimana).
Certezza
I valori assegnati a ogni parametro di
un modello di programmazione lineare
sono costanti note
Nella realt di rado soddisfatta: i dati
sono basati su previsioni del futuro, il
che introduce sempre un grado di
incertezza

Certezza
Analisi di sensitivit
Individuare i parametri sensibili, ovvero
ogni cambiamento segnala la necessit di
cambiare la soluzione ottima che si sta
individuando
Variabili casuali
Quando il grado di incertezza troppo
grande, decisione sotto condizioni di rischio
e di incertezza
Le ipotesi in prospettiva
Un modello matematico unastrazione di un
problema reale
Aggiungere troppi dettagli pu precludere
una proficua analisi
Sono necessarie approssimazioni e
semplificazioni
In realt necessaria verificare una
correlazione ragionevolmente elevata tra le
previsioni del modello ed il caso reale
Le ipotesi in prospettiva
molto comune che nessuna delle 4
ipotesi sia verificata
necessario verificare in quale misura
esse siano soddisfatte oppure no
Se vi una o pi violazioni significative
si possono utilizzare modelli alternativi
Le ipotesi in prospettiva
Svantaggio: gli algoritmi risolutivi non
sono altrettanto potenti come nel caso
della PL
Problemi di PL strutturati
Il problema della Windor Glass un
problema di MIX DI PRODUZIONE