OPERACIONA ISTRA IVANJA

*SKRIPTA ZA ZAVR NI 2012*

1. Koji ekonomski problemi mogu biti predmet modeliranja koriscenjem metoda linearnog programiranja? Veliki broj privrednih aktivnosti se ostvaruje u uslovima ograni enog iznosa resursa, koji se na razli ite na ine mogu koristiti za ostvarivanje unapred postavljenog cilja. Iz niza mogu ih na ina (programa) kori enja raspolo ivih resursa ekonomski subjekti su veoma zainteresovani da odaberu onaj najpovoljniji, onaj za koji e se ostvariti najve a mogu a efikasnost ukupnih aktivnosti. Zbog toga optimizacija ekonomskih aktivnosti zauzima centralno mesto u okviru ekonomske analize i matemati kog modeliranja ekonomskih problema. Jedan od matemati kih metoda optimizacije, koji je tokom ovog veka do iveo punu afirmaciju, teorijsku razradu i iroku primenu jeste model linearnog programiranja. Linearno programiranje predstavlja model koji se veoma uspjesno koristi za resavanje velikog broja problema na nivou preduzeca. Tu spadaju: a) Proizvodno planiranje - U uslovima ograni enog iznosa resursa proizvodno preduze e mo e proizvoditi razli ite koli ine proizvoda iz sopstvenog asortimana. U namjeri da maksimizira ukupan rezultat svog poslovanja, koji je naj e e izra en visinom ostvarenog profita, preduze e je veoma zainteresovano da iskoristi resurse sa kojima u odre enom periodu raspola e na najbolji mogu i (optimalan) na in.S toga je za jedno preuzece veoma vazna uloga linearnog programiranja u kreiranju optimalnog programa proizvodnje koji omogucava sintezu raspolozivih resursa i pozitivnog poslovnog rezultata. b) Planiranje investicija Problem planiranja investicija javlja se prije svega na podrucju finansijskih institucija, banaka, investicionih fondova kao i raznih osiguravajucih kompanija. U ovom slucaju polazi se od pretpostavke o ogranicenosti investicionih sredstava. Uloga linearnog programiranja zasniva se na kreiranju optimalnog nivoa ulaganja u pojedine hartije od vrijednosti. c) Planiranje transporta robe Cilj svakog uspjesnog preduzeca jeste ne samo da ostvari maksimalan profit vec i da trosak poslovanja svede na minimum. U tom smislu trensport robe je veoma vazan. Naime, u uslovima teritorijalne razdvojenosti potrosaca i proizvodjaca transport robe izaziva znacajan trosak distribucije i prevoza. Metodom linearnog programiranja nastoji se odrediti optimalan vid transporta koji ce omoguciti minimizaciju troskova. Uloga linearnog programiranja u resavanju ovog problema je dvojaka jer ne samo da doprinosi ostvarenju osnovnog cilja preduzeca vec putem smanjenja troskova transporta indirektno utice i na smanjenje cijene proizvoda pa na taj nacin zadovoljava i potrebe potrosaca.

d) Optimalno rasporedjivanje kadrova Optimalno rasporejivanje kadrova odnosi se na odredjivanje optimalnog rasporeda izvrsilaca za obavljanje razlicitih poslova. Optimalan raspored podrazumijeva takav raspored koji ce omoguciti maksimalnu efikasnost u radu. Pri tome efikasnost moze biti usmjerena na minimizaciju troskova, minimizaciju radnog vremena ili maksimizaciju profita. Optimalan raspored omogucava se posebnim vidom linearnog programiranja modelom asignacije, odnosno rasporedjivanja.

2. Postupak koriscenja modela operacionih istrazivanja u procesu poslovnog odlucivanja? Svakog dana ljudi donose veliki broj odluka. Prilikom donosenja odluka oni na raspolaganju imaju veliki broj alternativa a Sustina procesa odlucivanja jeste opredijeliti se za najbolju vodeci pritom racuna o ogranicenjima koja limitiraju slobodu izbora. Pored odluka koje donosimo svakodnevno postoji i posebna kategorija odlucivanja poznata kao poslovno odlucivanje. Poslovno odlucivanje predstavlja proces selekcije koji obuhvata izvestan broj uzastopnih, medjusobno zavisnih koraka, koji nam pomazu da do resenja problema dodjemo na dosledan, racionalan nacin. U okviru poslovnog odlucivanja primjenjuju se metode operacionih istrazivanja koje kvantitativnim putem nastoje odrediti najbolju mogucu alternativu, odnosno optimalno resenje. Operaciona istrazivanja predstavljanju skup metoda i tehnika koje se koriste za iznalazenje uslovnog ekstremuma funkcije sa vise promenljivih. Ona se prije svega bave problemima koji su vezani za upravljanje organizacionim , poslovnim, tehnicikim i drugim sistemima a sve u cilju pronalazenja optimalnih resenja koja su neophodna menadzerima za donosenje odluka. Operaciona istrazivanja primjenjuju se u uslovima izvjesnosti tj. u situacijama u kojim je sve unaprijed poznato. Njih karakterisu precizno odredjene alternative kao i jasno definisan cilj koji putem njih treba da se ostvari. Dakle, u procesu poslovnog odlucivanja koristi se kvantitativna analiza. Da bi analiza mogla da se koristi neophodno je da je postavljeni problem kompleksan kompleksan i da postoji veliki broj faktora koji utice na rezultat realizacije donesene odluke. . Zatim, neophodno je da postoji mogucnost obezbjedjenja neophodnih podataka za matematicko i statisticko predstavljanje poslovnog problema. Ukoliko nemamo podatke ne mozemo matematicki modelirati taj problem pa ne mozemo koristiti kvantitativnu analizu vec se dati problem resava metodama kvalitativne analize.

Takodje vazno je i da se cilj realizacije donesene odluke moze kvantitativno izraziti. I na kraju kraju da bi se primjenjivala kvantitativna analiza neophodno je da postoji mogucnost definisanja odgovarajuceg matematickog modela koji predstavlja dobru aproksimaciju postavljenog problema. Naime, nije dovoljno da mi matematicki postavimo samo funkciju tj.cilj vec je potrebno da predstavimo i alternative i sve to zajedno predstavlja model neke ekonomske situacije koju zelimo da rijesimo. U tom smislu svako poslovno odlucivanje prolazi kroz nekoliko faza kvantitativne analize: Prva faza u kvantitativnoj analizi jeste definisanje problema. U okviru ove faze neophodno je postaviti problem koji zahtijeva resenje. Recimo, ukoliko je cilj odrediti kolicinu proizvoda koju neko preduzece treba da proizvodi onda je neophodno odrediti strukturu programa proizvodnje, profit koji se zeli ostvariti kao i nivo troskova karakteristican za ovu proizvodnju. Shodno tome, druga faza u kvantitativnoj analizi jeste definisanje modela. U ovoj fazi glavnu ulogu imaju strucnjaci za matematicko i statisticko strukturiranje modela. U njoj se definise cilj i to u vidu neke funkcije (npr. maksimiziranje profita) a matematicki se moraju izraziti i sva ogranjicenja koja postoje u preduzecu. Treca faza predstavlja veoma kompleksan i znacajan posao pripreme podataka, u okviru koga se moraju obezbijediti svi podaci neophodni za resavanje definisanog modela. Dakle, neophodno je kreirati informacionu osnovu. Medjutim, stalne promjene u poslovanju zahtjevaju da prikupljanje podataka bude permanentan proces koji ce omoguciti vremenski uspjesno koriscenje dfinisanog modela. Nakon prikupljanja neophodnih podataka prelazi se u fazu resavanja modela . U ovoj fazi vrsi se verifikacija rethodnih faza kvantitativne analize pri cemu se prevashodno ocjenjuje validnost modela i njegova upotrebljivost za konkretne potrebe. Ukoiko resavanjem konkretnog modela dobijemo moguca resenja koja zadovoljavaju ograni avaju e uslove i matemati ki izra en cilj realizacije konkretne odluke, onda takva re enja mo emo smatrati optimalnim i koristiti ih kao povoljnu alternativu poslovne odluke. U suprotnom, moramo se vratiti na prethodne faze i izvrsiti prilagodjavanje modela. U poslednjoj fazi dobijena resenja koriste se za donosenje optimalnih poslovnih odluka, u procesu poslovnog odlucivanja. 3. Objasniti opsti model matematickog programiranja. Matematicko programiranje je oblast matematike ciji je predmet razmatranja teorijski i numerick postupak odredjivanja ekstremne vrijednosti funkcija vise promenljivih, u kojima postoje ogranicenja mogucih vrijednosti promjenljivih. Matematicko programiranje moze biti: a) Linearno

b) Nelinearno Op ti oblik modela matemati kog programiranja mo emo predstaviti u obliku zahteva za odre ivanjem vrednosti promenljivih X1 , X2,.....Xn ,koje zadovoljavaju m nejedna ina i jedna ina oblika: gi(X1 , X2,.....Xn) {, =, } bi i= 1,....,m

I za koje se ostvaruje maksimalna ili minimalna vrijednost funkcije: Z = f (X1 , X2,.....Xn) Uslove nazivamo sistemom ograni enja, dok funkcija predstavlja funkciju cilja modela matemati kog programiranja. U ovako predstavljenom modelu pretpostavljamo da su funkcije gi i f poznate, dok vrednosti bi predstavljaju unapred zadata ograni enja. U svakom od ograni enja pojavljuje se ili jedna ina ili jedan od dva oblika nejedna ina. Ukoliko su u sistemu ograni enja svi uslovi predstavljeni u vidu jedna ina, takav oblik problema predstavlja klasi an problem optimizacije i ne predstavlja posebno interesantan slu aj sa aspektra re avanja zadataka matemati kog programiranja. Ukoliko sistem ograni enja i odgovaraju u funkciju cilja predstavimo u razvijenom obliku, model matematickog programiranja je: (max)Z= f( x1,x2,...,xn) g1(x)=g1(x1,x2,...,xn)b1 g2(x)=g2(x1,x2,...,xn)b2 ......... gm(x)=gm(x1,x2,...,xn)bm Sve vrijednosti promjenjivih x=(x1,x2,...,xn) za koje su zadovoljene sve nejednacine sistema ogranicenja obrazuju tzv. Skup dopustivih ili mogucih rjesenja modela. Cilj rjesavanja zadatka matematickog programiranja jeste odre ivanje one kombinacije vrijednosti promjenjivih iz skupa mogucih rjesenja za koje funkcija cilja ostvaruje ekstremnu vrijednost. Takvo rjesenje koje obiljezavamo sa x*=(x1,x2,...,xn) predstavlja optimalno rjesenje zadatka matematickog programiranja. Ukoliko je u modelu matematickog programiranja makar jedna funkcija gi ili f nelinearna, takav oblik modela linearnog programiranja predstavlja nelinearno

programiranje. Suprotno ukoliko su sve funkcije sistema ogranicenja i funkcija cilja modela linearne (i ukoliko predpostavimo da su promjenjive nenegativne velicine), takav oblik modela predstavlja model linearnog programiranja. 4. Objasniti osnovne pretpostavke modela linearnog programiranja. Svaki model linearnog programiranja karakterisu odredjene pretpostavke koje se odnose Xna svaki od njih i to: a) b) c) d) Linearnost Izvjesnost Djeljivost Nenegativnost

Linearnost Pretpostavka linearnosti podrazumeva postojanje linearnih zavisnosti izme u promenljivih u zadatku linearnog programiranja. Kao posledica linearnosti u modelu linearnog programiranja zadovoljene su tako e dve osnovne pretpostavke i to: proporcionalnost i aditivnost. Proporcionalnost podrazumeva postojanje proporcionalnog odnosa u modelu linearnog programiranja izme u inputa i outputa. Sa druge strane osobina aditivnosti podrazumeva da se ukupna vrednost funkcije cilja ili pojedinih ograni enja mo e dobiti kao zbir vrednosti pojedinih aktivnosti koje predstavljaju sastavne elemente modela linearnog programiranja. Proporcionalnost podrazumijeva da ukoliko je za jednu jedinicu nekog roizvoda potrebno utrositi 5 jedinica odredjenog resursa, za 10 jedinica proizvoda bice potrebno 50 jedinica resursa dok aditivnost podrazumijeva da ukoliko funkcija cilja pokazuje ukupan profit odre enog preduze a koji se ostvaruje od proizvodnje odre enih proizvoda, onda se ukupan profit odre uje kao suma profita ostvarenih od pojedinih proizvoda. Izvjesnost Svako odlluka moze se donijeti u uslovima izvjesnosti, neizvjesnosti ili rizika. Izvjesnost podrazumijeva da se odluka donosi u poznatim okolnostima dok je u slucaju neizvjesnosti sve nepoznato pa su ove situacije najteze za donosenje odluke. Situacija rizika podrazumijeva odredjenu vjerovatnocu optimalnog resenja i nalazi se izmedju

ova dva ekstrema. U slucaju linearnog programiranja svi parametri su unaprijed jednoznacno odredjeni pa se s toga model linearnog programiranja smatra deterministickim modelom. Djeljivost Ova pretpostavka podrazumeva da promenljive u modelu linearnog programiranja ne moraju biti celi brojevi. Prema tome, u op tem obliku modela linearnog programiranja ne postavlja se tzv. uslov celobrojnosti resenja. Ukoliko je to, pak, slucaj onda se radi o specijalnom obliku zadatka modelu cjelobrojnog linearnog programiranja. Nenegativnost Uslov nenegativnosti promenljivih predstavlja jednu od osnovnih pretpostavki modela linearnog programiranja. Kako promenljive u modelu linearnog programiranja koji se koristi za odre ene ekonomske analize predstavljaju odre ene ekonomske veli ine, jasno je da one ne mogu biti negativne. Recimo ukoliko modelom linearnog programiranja zelimo odrediti optimalan obim proizvodnje promenljive modela pokazuju vrednost (koli inu) proizvodnje odre enih proizvoda, koja ne mo e biti negativna. Zbog toga uslov nenegativnosti, pored funkcije cilja i sistema ograni enja (predstavljenih u vidu nejedna ina i jedna ina), predstavlja jedan od osnovnih elemenata modela linearnog programiranja. 5. Koje su karakteristike standardnog problema maximuma? Standardni problem maksimuma predstavlja takav oblik modela linearnog programiranja u kome se postavlja zahtjev za odre ivanjem maksimalne vrijednosti unaprijed poznate linearne funkcije (funkcije cilja), pod uslovima koji su predstavljeni sistemom nejedna ina sa znakom . Ovakav oblik modela linearnog programiranja defini e se u uslovima postojanja ograni enih resursa koje treba na najracionalniji na in utro iti radi ostvarivanja maksimalnih ekonomskih efekata. Zadatak standardnog problema maximuma predstavlja se na sljede i na in: (max)Z= C1X1+ C2X2+...+ CpXp a11X1+ a12x2 +... + a1pxp b1 a21x1+a22x2+...+a2pxp b2

.............................................. am1x1+am2x2+...+ampxp bm x1,x2,....,xp 0 Svaki problem LP mora da sadr i: 1.funkciju cilja 2.sistem ograni enja 3.uslov nenegativnosti Funkcija cilja izra ava osnovni cilj koji se unaprijed defini e i radi koga se formuli e i re ava odgovaraju i model linearnog programiranja(maksimizacija ukupnog profita,maksimizacija deviznih efekata,maksimalni stepen zaposlenosti i sl.). Pri tome radi ostvarivanja cilja predstavljenog funkcijom z u problemu postoji p djelatnosti(u naj irem smislu) koje su predstavljene promjenjivima x1,x2,...,xp iji su pojedina ni efekti izra eni parametrima c1,c2,...,cp (max)Z= C1X1+ C2X2+...+ CpXp Sistem ograni enja izra ava iznos i na in kori enja ograni enih resursa. Iznos resursa je izra en slobodnim lanovima sistema ograni enja: b1,b2...,bm. Na in kori enja resursa izra en je koeficijentima aij (i=1,...,m; j=1,...,p)

Uslov nenegativnosti predstavlja obavezan elemenat modela. On osim metodolo kih razloga on mora biti zadovoljen jer nijedna djelatnost ne mo e biti negativna. x1,x2,....,xp0 Svi elementi modela izuzev promjenjivih x1,x2,....,xp unaprijed su poznati to zna i da su koeficijenti u funkciji cilja (cj), koeficijenti u sistemu ograni enja (aij) i slobodni lanovi sistema ograni enja(bi) parametri modela. 6. Za to se u model LP uvode dodatne promenljive i koje je njihovo ekonomsko zna enje?

U cilju rje enja problema linearnog programiranja, sistem nejedna ina koji sa injava sistem ograni enja transformi emo u sistem jedna ina. Dodatne promjenjive uvodimo u svaku nejedna inu da bismo izjedna ili lijevu i desnu stranu, pa je s toga njihova vrijednost jednaka razlici izme u lijeve i desne strane. Dodatne promjenjive imaju svoje metodolo ko i ekonomsko zna enje. Ekonomsko zna enje odnosi se na to da pozitivne vrijednosti dodatnih promjenjivih pokazuju iznos neiskori enih resursa u nekom od rje enja. Tako, vrijednosti dodatnih promjenjivih iz optimalnog rje enja pokazuju koliko resursa ostaje neiskori eno u situaciji kada su vrijednosti realnih promjenjivih optimalne, tj. kada funkcija cilja ostvaruje svoju maksimalnu vrijednost. Dodatne promjenjive uvode se i u funkciju cilja sa nultim vrijednostima koeficijenata. 7. Koje su osnovne karakteristike skupa mogu ih rje enja? Sve vrijednosti promjenjivih za koje su zadovoljene nejedna ine, (jedna ine) sistema ograni enja predstavljaju mogu a rje enja odnosno obrazuju skup mogu ih rje enja. Skup m.r obrazovan je od ta aka koje zadovoljavaju sve nejedna ine(jedna ine) sistema ograni enja, odnosno predstavlja presjek skupova ta aka za koje su zadovoljene pojedine nejedna ine. Iz linearnog karaktera ograni avaju ih uslova proizilazi da ta ke koje zadovoljavaju pojedine nejedna ine obrazuju konveksan skup ta aka.Dakle, va na osobina skupa mogu ih rje enja jeste konveksnost. On je tako e zatvoren skup, a moze biti i prazan skup u slucaju kada su postavljeni uslovi kontradiktorni, odnosno kada ne postoji ni jedna tacka x= (x1,x2,...,xn) za koju su zadovoljeni svi uslovi zadatka.

8. Dokazati da je skup mogu ih rje enja konveksan skup. Da bi se dokazalo tvr enje teoreme, potrebno je pokazati da konveksna kombinacija svaka dva mogu a rje enja tako e predstavlja mogu e rje enje. Neka su ta ke x'=(x1',X2',...,Xn' ) i x"=(X1 ega je Ax'= b i Ax"=b Posmatrajmo sada ta ku x koja predstavlja konveksnu kombinaciju ta aka x' i x", odnosno: x= x'+ (1- )x", 0 1.
",X2 ",...,Xn")

mogu a rje enja problema, na osnovu

Ukoliko sada ta ku x uvrstimo u sitem jedna ina problema imamo: Ax= A[ x'+ (1- )x"]= Ax'+(1- )Ax"

= Ax'+Ax"- Ax"= b+b- b=b Na osnovu ovoga vidimo da ta ka x predstavlja mogu e rje enje zadatka linearnog programiranja, tj. da sve konveksne kombinacije mogu ih rje enja tako e predstavljaju mogu a rje enja. Prema tome skup mogu ih rje enja je konveksan skup to je trebalo i dokazati. 9. Koje re enje modela LP predstavlja bazicni a koje optimalno resenje? Re enje modela LP moze biti : moguce resenje i optimalno resenje. Sve vrijednosti promjenljivih za koji su zadovoljene nejednacine (jednacine) sistema ogranicenja predstavljaju tzv. moguca resenja, odnosno obrazuju skup mogucih resenja (moguci skup). Sto se tice standardnog problema maximum u okviru kojeg je sistem ogranicenja dat nejednacinama sa znakom , skup mogucih resenja je ogranicen i zatvoren. Skup mogucih resenja moze biti i prazan skup, u slucaju kada su postavljeni uslovi kontradiktorni, odnosno kada ne postoji ni jedna tacka x=(x1,x2,.,xn) za koju su zadovoljeni svi uslovi (ogranicenja) zadatka. Skup mogucih re enja obrazovan je, prema tome, od tacaka koje zadovoljavaju sve nejednacine (jednacine) sistema ogranicenja, odnosno predstavlja presek skupova tacaka za koje su zadovoljene pojedine nejednacine (jednacine). Iz linearnog karaktera ogranicavajucih uslova proizilazi da tacke koje zadovoljavaju pojedine nejednacine (jednacine) obrazuju konveksan skup tacaka. Na osnovu toga se izvodi veoma va na osobina skupa mogucih re enja zadatka linearnog programiranja konveksnost skupa mogucih re enja koja predstavlja osnovu postupka odredivanja optimalnog re enja zadatka linearnog programiranja. Dakle , skup mogucih resenja je konveksan i ogranicen tj postoji konacan broj ekstremnih tacaka. Osobina konveksnosti skupa mogucih resenja vazi za sve oblike zadatka linearnog programiranja standardni problem maximuma, mjesoviti problem maksimuma i problem minumuma. Na osnovu osobine konveksnosti skupa mogucih resenja odredjujemo bazicno resenje. Ukoliko takvo resenje zadovoljava i uslov nenegativnosti ono predstavlja bazicno moguce resenje. Osnovni cilj re avanja zadatka LP predstavlja zahtev za odredivanjem optimalnog re enja. Optimalno resenje je resenje koje pored toga sto zadovoljava sistem ogranicenja i uslov nenegativnosti, maximizira (minimizira) i funkciju cilja. Bazicno moguce re enje, x*= (x1*,x2*,.,xn*) na primjeru standardnog problema maximuma, predstavlja optimalno re enje zadatka ukoliko imamo da je z (x*) z (x), za bilo koje moguce re enje 'x . Drugim rijecima, re enje zadatka standardnog problema maksimuma je optimalno ukoliko je moguce i ukoliko daje maksimalnu vrednost funkcije cilja z .Optimalno re enje zadatka linearnog programiranja nalazi se u ekstremnoj tacki konveksnog skupa mogucih re enja, sto se moze i algebarski dokazati. Optimalno resenje moze biti : jedinstveno i visestruko. Optimalno re enje problema maksimuma nalazi se u jednoj ekstremnoj tacki (najudaljenijoj od koordinatnog pocetka) konveksnog, ogranicenog i zatvorenog skupa mogucih re enja. Slicno, samo uz inverzan kriterijum, predstavljali smo uslov za optimalnost re enja problema minimuma. To je jedinstveno optimalno resenje, gdje

postoji samo jedna tacka u SMR koja zadovoljava sve uslove i u kojoj je vrijednost I SK za nebazicne promjenljive <0, u slucaju problema maximuma. Medutim, u nekim slucajevima mo e se dogoditi da izracunato optimalno re enje zadatka linearnog programiranja nije jedinstveno, odnosno da postoji vi estruko optimalno re enje. Ukoliko u okviru nekog moguceg bazicnog resenja postoji makar jedna razlika prvog simpleks kriterijuma (Cj-Zj) = 0 za prethodnu nebazicnu promenjivu, dok su vrednosti ovih razlika za ostale nebazicne promenljive negativne, izracunato optimalno re enje nije jedinstveno. Uvodenjem u bazu promenljive xj u cilju odredivanja novog re enja, i iskljucivanjem neke od prethodno bazicnih promenljivih na osnovu drugog simpleks kriterijuma, dobili bi takode optimalno re enje za koje funkcija cilja ima istu vrijednost kao i u slucaju prethodnog re enja. Usled osobina skupa mogucih re enja, postojanje dva optimalna re enja ima za posledicu da sve konveksne kombinacije ova dva re enja takode predstavljaju optimalna re enja, zbog cega ka emo da takav zadatak ima vi estruko (beskonacno mnogo) optimalno re enje. Geometrijski, slucaj postojanja vi estrukog optimalnog re enja se javlja kada su koeficijenti pravca prave koja reprezentuje neko od ogranicenja i koeficijent pravca prave funkcije cilja jednaki. 10. Dokazati da se optimalno resenje zadataka standardnog problema maximum nalazi u jednoj od extremnih tacaka skupa mogucih resenja. Optimalno re enje zadatka linearnog programiranja nalazi se u ekstremnoj tacki konveksnog skupa mogucih re enja. Dokaz Kako je skup mogucih re enja konveksan, ogranicen skup postoji konacan broj (pretpostavimo k ) ekstremnih tacaka koje cemo oznaciti sa x1,x2,.,xk. Neka je x* tacka za koju funkcija cilja ostvaruje maksimum, odnosno za koju imamo da je z (x*) z (x), za svako moguce re enje x . Ako je x* ekstremna tacka konveksnog skupa mogucih re enja, teorema je dokazana. Pretpostavimo sada suprotno, tj. da x* nije ekstremna tacka skupa mogucih re enja. Tada tacku x* mo emo izraziti kao konveksnu kombinaciju skupa ekstremnih tacaka , tj. x* = gdje je i0 (i = 1,,k) i =1.
1x1

2x2

++

kxk

Kako je funkcija Z linearna, mozemo pisati : z (x*) = z ( 1x1 +

2x2

++

kxk)

z(x1) +

2 z(x2)

Ukoliko sada u poslednjoj jednacini, od k mogucih re enja predstavljenih ekstremnim tackama moguceg skupa izaberemo tacku za koju funkcija z ostvaruje maksimalnu vrijednost, na primer xk tada mozemo pisati :

z(xk) +

2 z(xk)

+ +

z(xk)

z(x1) +

2 z(x2)

+++

z(xk) = z (x*).

Obzirom da su koeficijenti i0 i
1z

=1 dobijamo

(xk) + 2 z(xk) + + k z(xk) = ( 1 + 2 ++ k) z (xk) = z (xk) odnosno z (xk) z (x*), sto je i trebalo dokazati. Na taj nacin pokazano je da tacka x predstavlja optimalno resenje zadatka standardnog problema maximum jedino ukoliko je x* = xk odnosno da se maximalna vrijednost funkcije Z ostvaruje u extremnoj tacki skupa mogucih resenja. 11. Kada se primjenjuje graficki metod odredjivanja resenja u modelu LP i koji je postupak njegove primjene? Najjednostavniji nacin odredivanja re enja u zadatku linearnog programiranja predstavlja graficki metod. Medutim, i pored izrazite jednostavnosti i preglednosti, mogucnosti kori cenja ovog metoda u re avanju prakticnih problema linearnog programiranja su veoma ogranicene. Naime, graficki metod resavanja zadatka linearnog programiranja moze se primjeniti samo u slucaju kada u zadatku postoje dvije realne promjenljive. Zbog toga, razmatranje grafickog metoda ima prevashodno karakter predstavljanja skupa mogucih resenja i postupaka trazenja optimalnog resenja, kao i ukazivanja na osnovni karakter postupka odredjivanja resenja koriscenjem simplex metoda. Postupak njegove primjene je sledeci : 1. Formulisanje problema u obliku zadatka linearnog programiranja; 2. Graficko predstavljanje pravih koje reprezentuju nejednacine sistema ogranicenja; 3. Identifikacija skupa mogucih re enja za koja su zadovoljene sve nejednacine sistema ogranicenja i uslov nenegativnosti; 4. Nano enje prave koja reprezentuje funkciju cilja za nulte vrednosti promenljivih (prava funkcije cilja koja prolazi kroz koordinatni pocetak); 5. Translacija prave funkcije cilja sleva udesno, (nano enje paralelnih pravih) sve dok ne ucrtamo jednu takvu pravu koja sa skupom mogucih re enja ima samo jednu zajednicku tacku; 6. Utvrdivanje optimalnih vrednosti promenljivih x1 i x2 u vidu koordinata ekstremne tacke skupa mogucih re enja najudaljenije od koordinatnog pocetka (identifikacijom sa grafika ili re avanjem sistema jednacina pravih na cijem preseku se tacka nalazi), i 7. Odredivanje vrednosti funkcije cilja za optimalne vrednosti promenljivih.

Na kraju, va no je napomenuti da je postupak primene grafickog metoda odredivanja optimalnog re enja istovetan sa razmatranim i u slucaju re avanja problema minimuma, kao i me ovitog problema maksimuma. U slucaju re avanja problema minimuma, inverzan zahtev definisan odgovarajucom funkcijom cilja, determini e egzistenciju optimalnog re enja u tacki skupa mogucih re enja koja je najbli a koordinatnom pocetku. Kod me ovitog problema maksimuma razlika prilikom utvrdivanja skupa mogucih re enja u odnosu na razmatrani postupak posledica je modifikacije sistema ogranicavajucih uslova. Medutim, op ti karakter i nacin kori cenja grafickog metoda istovetan je kod re avanja svih zadataka linearnog programiranja. 12. Simplex metod objasniti osnovne karakteristike metoda, uporediti ga sa grafickim metodom i objasniti simplex kriterijume za promjenu vektorske baze. Za razliku od grafickog metoda, koji se mo e koristiti samo za re avanje problema u kojima postoje dvije realne promenljive, simpleks metod predstavlja op ti algoritam koji se koristi za re avanje svih oblika zadatka linearnog programiranja. Simpleks metod predstavlja algoritam u kome se u nizu iteracija (faza) dolazi do optimalnog re enja zadatka linearnog programiranja. Pri tome, u svakoj od iteracija utvrdjuju se vrijednosti promjenljivih koje odgovaraju ekstremnim tackama skupa mogucih re enja i ispituje njihova optimalnost. Simpleks metod objezbeduje najkraci put do optimalnog re enja, to znaci da se u postupku re avanja zadatka linearnog programiranja ne utvrduju re enja koja odgovaraju svim ekstremnim tackama konveksnog skupa mogucih re enja. Model LP se izra ava u matri nom obliku na slede i na in:

gdje pojedine kolone matrice koeficijenata sistema ograni enja predstavljaju tzv.vektore aktivnosti, koje mo emo predstaviti u obliku :

Kanoni ni oblik modela LP, kada koeficijente funkcije cilja izrazimo u obliku vektora c= (c1,c2,,cp+m), glasi :

Postupak odre ivanja optimalnog re enja primjenom simplex metoda, zapo inje sa odre ivanjem po etnog bazi nog re enja. Pocetno bazicno re enje standardnog problema maksimuma odre uje se tako to se pretpostavlja da su realne promjenljive jednake 0, a dodatne promjenljive jednake slobodnim lanovima sistema ograni enja, tj. xj = 0 za j = 1,...,p xp+i = bi za i = 1,,m . Funkcija cilja za svako pocetno bazi no re enje jednaka je nuli, Z = 0. Prema tome, slicno kao kod grafickog metoda, re avanje zadatka standardnog problema maksimuma zapocinjemo iz pocetka m dimenzionalnog vektorskog prostora. Navedena pretpostavka, prema tome, ima za posledicu da vektorsku bazu na osnovu koje se utvrduje pocetno bazicno re enje obrazuju

vektori koeficijenata uz dodatne promenljive, dok su vektori koeficijenata uz realne promenljive nebazicni. Vektori koeficijenata uz dodatne promenljive (kojih u na em problemu ima m) obrazuju jedinicnu matricu - cija inverzna matrica je takode jedinicna. Postavlja se pitanje, na koji na in se mo e odrediti re enje za koje funkcija cilja ima ve u vrijednost od 0? Odgovor na to pitanje jeste : izmjenom elemenata (vektora) vektorske baze. Na ovo pitanje nam odgovaraju I i II Dantzingov simpleks kriterijumi, I koji odgovara na pitanje koji vector ulazi u bazu, a II koji vekor napu ta bazu. I SK Kriterijum za uklju ivanje jednog od prethodno nebazi nih vektora u bazu sastoji se u tome da treba odabrati onaj vector (l-ti) kod koga je zadovoljen uslov Cj-Zj = max ( Cj-Zj )>0. Ovaj uslov predstavlja kriterijum oprimalnosti, odnosno I simplex kriterijum za izmjenu vektorske baze. Ukoliko su za neko od re enja ove razlike za sve nebazi ne vektore negativne, tj ( Cj-Zj ) <0, takvo re enje je optimalno re enja ukoliko se radi o standardnom problemu maximuma. (obrnuto je za minimum >0). II SK Kriterijum za izlazak vektora iz baze, odnosno II Dantzingov simplex kriterijum, na osnovu kojeg mo emo konstatovati da iz baze treba iskju iti onaj vektor Ak za koga bude zadovoljen uslov :

Iz baze, prema tome, izlazi onaj vektor Ak za koji ovako odre en koli nik bude minimalan pozitivan broj (manji od ostalih vrijednosti) u slu aju problema minimuma i maximuma. Nakon smjene vektora u bazi, na osnovu primene navedenih simpleks kriterijuma, izracunava se novo pobolj ano re enje i ispituje da li ono daje optimalnu tj maximalnu/minimalnu vrijednost funkcije cilja. 13. 14. 15. 16. x x x x

17. Objasniti zna aj i osnovne karakteristike dualnog problema

Svakom problemu linearnog programiranja odgovara dualni problem, koji tako e predstavlja problem linearnog programiranja. Izme u osnovnog (primarnog) i izvesnog (dualnog) problema linearnog programiranja postoji inverzan odnos u pogledu osnovnog zahteva, odnosno u pogledu zahteva za odre ivanjem ekstremne vrednosti funkcije cilja. Tako, ukoliko se u po etnom problemu, koji se naziva primarni problem, postavlja zahtev za maksimizacijom funkcije cilja, u dualnom problemu e funkcija cilja biti funkcija minimuma, i obrnuto. Osim toga, nejedna ine ograni enja dualnog

problema izvode se na osnovu nejedna ina ograni enja primarnog problema. Prilikom re avanja konkretnih ekonomskih problema, na osnovu ovakvog odnosa izme u primarnog i dualnog problema, primarne i dualne promenljive omogu avaju dobijanje zna ajnih informacija o karakteru optimalnog re enja. Zbog toga, kori enje dualnog problema u postupku re avanja nekog problema linearnog programiranja ima veoma zna ajne analiti ke i metodolo ke karakteriske Osim zna ajnih analiti kih karakteristika dualnog problema, injenica da svaki zadatak linearnog programiranja mo emo transformisati u odgovaraju i dualni problem ukazuje na metodolo ke pogodnosti kori enja prethodno predstavljene veze izme u primarnog i dualnog problema. Naime, s obzirom da odre ivanje optimalnog re enja bilo koga zadatka linearnog programiranja istovremeno zna i odre ivanje optimalnog re enja i njemu odgovaraju eg dualnog problema, mogu e je njihovo alterantivno kori enje za postupak re avanja zadatka. Ovakva mogu nost dolazi do izra aja u situaciji kada je neki problem linearnog programiranja jednostavnije re avati kori enjem njemu odgovaraju eg dualnog problema. 18. Na koji na in se formuli e dualni problem nekog modela LP Dualni problem odre enog zadatka linearnog programiranja (primarnog problema) formira se na slede i na in: 1. Ukoliko primarni problem predstavlja problem maksimuma, funkcija cilja dualnog problema e biti funkcija minimuma, i obrnuto; 2. Menja se smer znakova nejednakosti u sistemu nejedna ina, i to tako da ukoliko su nejedna ine primarnog problema sa znakom , nejedna ine dualnog problema postaju nejedna ine sa znakom , i obrnuto; 3. Vr i se transponovanje matrice koeficijenata sistema ograni enja primarnog problema, na osnovu ega ukoliko u primarnom problemu imamo m nejedna ina sa p promenljivih, u dualnom problemu e biti p nejedna ina sa m promenljivih; 4. Koeficijenti uz promenljive u funkciji cilja dualnog problema jednaki su slobodnim lanovima sistema ograni enja primarnog problema; 5. Slobodni lanovi sistema nejedna ina dualnog problema jednaki su koeficijentima koji se uz promenljive nalaze u funkciji cilja primarnog problema; 6. Sve promenljive dualnog problema moraju biti nenegativne, zbog ega je ovaj uslov obavezno prisutan i u dualnom problemu.

19. Kakva me uzavisnost postoji izme u promenljivih primarnog i dualnog problema? Broj promenljivih u primarnom i dualnom problemu sada je jednak i iznosi p + m . Sada smo u mogu nosti da uspostavimo vezu izme u promenljivih primarnog i dualnog problema. Ova veza, mo e se izraziti na slede i na in: svakoj dodatnoj promenljivoj primarnog problema odgovara (me usobno su povezane) jedna realna promenljiva dualnog problema, dok svakoj glavnoj promenljivoj primarnog problema odgovara jedna dodatna promenljiva dualnog problema.Ovako izra ena veza (korespodencija) izme u promenljivih primarnog i dualnog problema (pri emu ona ne podrazumeva numeri ku jednakost), predstavlja veoma zna ajnu karakteristiku dualnog problema. Na osnovu iskazane relacije mo emo konstatovati da re avaju i jedan iz navedenog para zadataka (primarni ili dualni), odre ivanjem optimalnog re enja jednog od njih dobijamo istovremeno i optimalno re enje njemu odgovaraju eg dualnog problema. 20. Kakav odnos postoji izme u vrednosti funkcija cilja primarnog i dualnog problema za bilo koje njihovo mogu e re enje. Dokazati.

21. Kakav je odnos izme u vrednosti funkcija cilja primarnog i dualnog problema za njihova optimalna re enja. Dokazati Svakom problemu linearnog programiranja odgovara dualni problem,koji takode predstavlja problem linearnog programiranja. Izmedu osnovnog(primarnog) i izvesnog (dualnog) problema linearnog programiranja postoji inverzan odnos u pogledu zahtjeva za odredivanjem ekstremne vrijednosti funkcije cilja. Ukoliko se u pocetnom problemu, koji se naziva primarni problem, postavlja zahtev za maksimizacijom funkcije cilja, u dualnom problemu ce funkcija cilja biti funkcija minimuma, i obrnuto. Osim toga, nejednacine ogranicenja dualnog problema izvode se na osnovu nejednacina ogranicenja primarnog problema. Primarne i dualne promjenljive omogucavaju dobijanje znacajnih informacija o karakteru optimalnog re enja. Izmedu primarnog i dualnog problema, postoji takav odnos da u dualnom problemu ima tacno onoliko promenljivih koliko u primarnom problemu ima strukturnih ogranicenja, odnosno dodatnoj promenljivoj primarnog problema odgovara jedna realna promenljiva dualnog problema. Isto tako, u dualnom problem postoji po jedna nejednacina ogranicenja za svaku realnu (glavnu) promenljivu primarnog problema. Ovakva veza, koja postoji izmedu dodatnih promenljivih odredenog problema linearnog programiranja i realnih promenljivih njemu odgovarajuceg dualnog problema, I obrnuto, omogucava dobijanje veoma znacajnih informacija koje se mogu koristiti u postupku dono enja odluka o nacinu optimizacije ekonomskih aktivnosti. S obzirom da

odredivanje optimalnog re enja bilo kog zadatka linearnog programiranja istovremeno znaci odredivanje optimalnog re enja i njemu odgovarajuceg dualnog problema, moguce je njihovo alterantivno kori cenje za postupak re avanja zadatka. Ovakva mogucnost dolazi do izra aja u situaciji kada je neki problem linearnog programiranja jednostavnije re avati kori cenjem njemu odgovarajuceg dualnog problema, to u praksi nije redak slucaj. Dualni problem odredenog zadatka linearnog programiranja (primarnog problema) formira se na sledeci nacin: 1. Ukoliko primarni problem predstavlja problem maksimuma, funkcija cilja dualnog problema ce biti funkcija minimuma, i obrnuto; 2. Menja se smer znakova nejednakosti u sistemu nejednacina, i to tako da ukoliko su nejednacine primarnog problema sa znakom , nejednacinedualnog problema postaju nejednacine sa znakom , i obrnuto; 3. Vr i se transponovanje matrice koeficijenata sistema ogranicenja primarnogproblema, na osnovu cega ukoliko u primarnom problemu imamo m nejednacina sa p promenljivih, u dualnom problemu ce biti p nejednacina sa m promenljivih; 4. Koeficijenti uz promenljive u funkciji cilja dualnog problema jednaki su slobodnim clanovima sistema ogranicenja primarnog problema; 5. Slobodni clanovi sistema nejednacina dualnog problema jednaki su koeficijentima koji se uz promenljive nalaze u funkciji cilja primarnog problema; 6. Sve promenljive dualnog problema moraju biti nenegativne, zbog cega je ovaj uslov obavezno prisutan i u dualnom problemu. Osnovni oblik standardnog problema maksimuma:

Dualni problem koji odgovara prethodnom problemu , mo emo predstaviti u obliku:

Ukoliko problem maksimuma predstavimo u obliku

tada, njemu odgovarajuci dualni problem mo emo predstaviti u obliku:

Ocigledno je da izmedu promenljivih primarnog i dualnog problema postoji povezanost i medusobna uslovljenost re enja. Da bi to pokazali, uvedimo u primarni problem dodatne promenljive xp +1,xp+m u njemu odgovarajuci dualni problem ym+1,ym+p , i izrazimo ih u sledecem kanonickom obliku: Primarni problem - problem maksimuma

Dualni problem - problem minimum

Broj promenljivih u primarnom i dualnom problemu sada je jednak i iznosi p + m . Ova veza, mo e se izraziti na sledeci nacin: svakoj dodatnoj promenljivoj primarnog problema odgovara jedna realna promenljiva dualnog problema.A svakoj realnoj promjenljivoj primarnog problema odgovara jedna dodatna promjenljiva dualnog problema. 22. Kakav je odnos izmedju optimalnih vrijednosti dodatnih promjenljivih primarnog i realnih promjenljivih dualnog problema i obrnuto. Dokazati i objasniti

Optimalne vrijednosti primarnog problema odredjuje se kao negativna vrijednost razlike prvog simpleks kriterijuma,za dodatne promjenljive iy poslednjeg optimalnog rjesenja dualnog prblema tj.

Gdje m predstavlja br realnih promjenljivih u DP a j index promjenljive cija se vrijednost trazi. Optimalne vrijednosti realnih promjenljivih dualnog problema odredjuje se kao negativna vrijednost raylike prvog simplex kriterijuma,za dodatne promjenljive,iz poslednjeg optimalnog rjesenja primarnog problema,tj.

Gdje je p br realnih promjenljivih u PP a I index promjenljive cija se vrijednost trazi.

Teorema Za bilo koje moguce re enje

primarnog problema i bilo koje

moguce re enje dualnog problema vrednost funkcije cilja primarnog problema manja je ili jednaka vrednosti funkcije cilja dualnog problema, tj.

Dokaz Pomno imo desnu i levu stranu i-te nejednacine sistema ogranicenja primarnog problema sa I y i sumirajmo po indeksu i=1,, m, na osnovu cega dobijamo

Ukoliko j-tu nejednacinu sistema ogranicenja dualnog problema pomno imo sa j x , zatim sumiramo po j=1,, p, dobijamo

Kako

su

leve

strane

nejednacina

jednake,

konstatujemo

da

je

sto je trebalo I dokazati. Teorema Ukoliko su moguca re enja primarnog i dualnog problema za koje su vrednosti funkcija cilja primarnog i dualnog problema jednake, tj.

Tada respektivno.

predstavljaju optimalna re enja primarnog i dualnog problema,

Dokaz Neka je neko moguce re enje primarnog problema, na osnovu prethodne teoreme znamo da je

Na osnovu uslova teoreme 1.4 slijedi

odnosno

Zakljucak ove teoreme je da je optimalno rjesenje primarnog problema a y* optimalno rjesenje dualnog problema. Teorema Ukoliko su moguca re enja primarnog idualnog problema, tada su to i optimalna re enja ako i samo ako imamo zadovoljene uslove

Zakljucak ove teoreme je da je dualna promenljiva je jednaka nuli kada je njoj odgovarajuca dodatna promenljiva pozitivna u optimalnom re enju primarnog problema, kao i ukoliko je neka realna promenljiva u optimalnom re enju primarnog problema jednaka nuli onda je njoj odgovarajuca dodatna promenljiva u optimalnom re enju dualnog problema pozitivna.

23. Ekonomsko tumacenje dualnih promjenljivih. Dokazati i objasniti. Dualne promenljive, osim znacajnih metodolo kih osobina, pru aju mogucnost za dobijanje veoma znacajnih informacija o karakteru problema linearnog programiranja, kao I ispitivanje uticaja promene nivoa kori cenja raspolo ivih resursa na vrednost funkcije cilja. Ako imamo problem standardnog maksimuma (max)z=cx Axb x0 ciji je odgovarajuci dualni problem (min)v=b'y A'yc' y0

Ako je optimalno rjesenje PP a optimalno rjesenje DP, Pretpostavimo, sada, da se elementi vektora b (resursi) primarnog problema povecavaju za iznos b , koji ne izaziva promenu strukture optimalne baze. povecanje iznosa i-tog resursa za Db uticace na promenu vrednosti funkcije cilja primarnog problema za iznos od z(y*)=y*i bi Dokaz prethodnog, veoma znacajnog tvrdenja proizilazi iz karaktera bazicnih re enja i teorema dualnosti I na osnovu teoreme dualnosti mo emo pisati: cx**=y*(b+ b) cx*=y*b Nakon oduzimanja druge jednacine od prve, dobijamo z(y*)= y* b. Na osnovu ovakvog rezultata, odnosno relacije mo emo konstatovati da je:

na promjenljive

osnovu

cega

mo emo

konstatovati

da

vrijednost

dualne

pokazuje za koliko jedinica ce se povecati(smanjiti)vrijednost funkcije

cilja primarnog problema,ukoliko se koriscenje resursa poveca (smanji) za jednu jedinicu.Dualne promjenljive predstavljaju tzv.obracunske cijene koriscenih resursa,odnosno tzv.cijene u sijenci.

24. Objasniti osnovne karakteristike i znacaj primjene simplex tabele

Dok se graficki metod re avanja linearnog programiranja moze koristiti samo kod zadataka kod kojih postoje dve glavne promenljive, simpleks metod predstavlja op ti algoritam koji se koristi za re avanje svih vrsta zadataka linearnog programiranja, bez obzira na broj promenljivih. Osim matricnog nacina, simpleks metod za re avanje zadataka linearnog programiranja se mo e veoma efikasno koristiti primenom tzv. simpleks tabele. Simpleks tabela predstavlja tabelaran nacin prikazivanja problema linearnog programiranja, koji je prilagoden za potrebe re avanja ovih problema kori cenjem simpleks metoda. Slicno kao i kod matricnog nacina primene simpleks metoda, tabelarni postupak omogucava da se u nizu faza, u okviru kojih su re enja

predstavljena odgovarajucim simpleks tabelama, dode do optimalnog re enja linearnog programiranja. Pocetno bazicno re enje, koje kod standardnog problema maksimuma graficki odgovara pocetku prostora, predstavlja se inicijalnom (prvom) simpleks tabelom, koja predstavlja polaznu osnovu za odredivanje optimalnog re enja. Na osnovu prve simpleks tabele, primenom prethodno predstavljenih simpleks kriterijuma za promenu vektorske baze, odredivanjem vrednosti promenljivih koje odgovaraju ekstremnim tackama konveksnog skupa mogucih re enja, preko niza simpleks tabela dolazimo do optimalnog re enja. U cilju ispitivanja postupka odredivanja optimalnog re enja problema linearnog programiranja, op ti oblik simpleks tabele predstavicemo na primeru re avanja zadatka standardnog problema maksimuma. 25. Objasniti na in formiranja i zna enje pojedinih elemenata inicijalne simpleks tabele Simpleks tabela predstavlja tabelaran na in prikazivanja problema linearnog programiranja koji je prilago en za potrebe re avanja ovih problema kori enjem simpleks metoda. Tabelarni postupak omogu ava da se u nizu iteracija (faza), u okviru kojih su re enja predstavljena odgovaraju im simpleks tabelama, do e do optimalnog re enja linearnog programiranja. Po etno bazi no re enje, koje kod standardnog problema maksimuma grafi ki odgovara po etku prostora, predstavlja se inicijalnom (prvom) simpleks tabelom, koja predstavlja polaznu osnovu za odre ivanje optimalnog re enja. Na osnovu prve simpleks tabele, primjenom simpleks kriterijuma za promjenu vektorske baze, odre ivanjem vrijednosti promenljivih koje odgovaraju ekstremnim ta kama konveksnog skupa mogu ih re enja, preko niza simpleks tabela dolazimo do optimalnog re enja.. Elementi Simpleks tabele: I kolona (Cb): U prvu kolonu tabele unosimo koeficijente koji se u funkciji cilja nalaze uz bazi ne promenljive. S obzirom da dodatne promenljive obrazuju po etno bazi no re enje, elementi prve kolone prve simpleks tabele su nule (koeficijenti uz dodatne promenljive u funkciji cilja). II kolona: U drugu kolonu tabele unosimo bazi ne promjenljive. U po etnom re enju to su dodatne promjenljive xp+1,,xp+m . III Kolona (Xb): Kolona Xb obuhvata vrijednosti bazi nih promenljivih u svakom od re enja, odnosno u svakoj od odgovaraju ih simpleks tabela. S obzirom na pretpostavku da su glavne promenljive jednake 0, u kolonu Xb prve simpleks tabele, koja predstavlja

po etno bazi no re enje, unosimo vrijednosti slobodnih lanova sistema ograni enja, tj. iznose raspolo ivih resursa. Kolone x1xp: U kolone x1, x2,,xp prve simpleks tabele unosimo koeficijente koji se uz ove promenljive nalaze u sistemu ograni enja na eg zadatka, dok koeficijenti uz dodatne promenljive, unijeti u kolone xp+1,,xp+m obrazuju jedini nu matricu. Radi preglednosti i cjelokupnosti tabelarnog prikazivanja problema linearnog programiranja, u zaglavlje tabele, tj. u prvu vrstu, unosimo vrijednosti koeficijenata koji se u funkciji cilja nalaze uz promenljive iz odgovaraju e kolone simpleks tabele. Vrsta Zj: Elemente vrste koju smo obilje ili sa Zj odre ujemo za svaku kolonu na e tabele. Vrijednost koja se u okviru ove vrste nalazi u koloni Xb predstavlja vrijednost funkcije cilja za odgovaraju e re enje i odre uje se kao zbir proizvoda koeficijenata iz prve kolone i odgovaraju ih vrijednosti bazi nih promenljivih. Vrsta Cj - Zj: Poslednja vrsta simpleks tabele predstavlja kriterijum optimalnosti, odnosno poznati prvi simpleks kriterijum za promjenu baze u cilju optimizacije programa. Kod standardnog problema maksimuma, vrijednosti Cj - Zj koje odredimo za pojedine kolone x1,,xp+m pokazuju za koji iznos bi se pove ala vrijednost funkcije cilja ukoliko bi jednu jedinicu odgovaraju e promenljive (iz odgovaraju e kolone) uvrstili u program (bazu).

26. Objasniti na in izra unavanja elemenata simpleks tabele u postupku odre ivanja optimalnog re enja zadatka LP Postupak izra unavanja optimalnog re enja zadatka linearnog programiranja realizuje se u nekoliko uzastopnih iteracija, pri emu u svakoj narednoj iteraciji, odnosno odgovaraju oj simpleks tabeli, vrijednost funkcije cilja mora biti ve a od odgovaraju e vrijednosti iz prethodne simpleks tabele. U cilju dobijanja optimalnog re enja, kori enjem simpleks metoda u svakoj od iteracija se vr i izmjena strukture vektorske baze, odnosno neke od prethodno nebazi nih promenljivih postaju bazi ne, i obrnuto, to predstavlja osnovu za izra unavanje niza me ufaznih re enja. Pri tome, ukoliko ne postoji tzv. problem degeneracije, svaka dva uzastopna re enja moraju biti razli ita (makar jedna promenljiva mora imati razli itu vrijednost). Osim promenljivih, u okviru simpleks tabele mijenjaju se i vrijednosti koeficijenata koji predstavljaju sastavni dio svakog od re enja. Prema tome, postupak izra unavanja narednog re enja,

odnosno elemenata naredne simpleks tabele, podrazumijeva realizaciju narednih operacija: a) odre ivanje koju od prethodno nebazi nih promenljivih treba uklju iti u bazu u cilju pobolj anja re enja; b) utvr ivanje koja od prethodno bazi nih promjenljivih treba da napusti bazu, i time ustupi mesto novouvedenoj promjenljivoj; c) utvr ivanje vrijednosti promjenljivih u novom re enju, tj. novoj simpleks tabeli; d) utvr ivanje vrijednosti koeficijenata nove simpleks tabele; i e) utvr ivanje vrijednosti funkcije cilja koja odgovara re enju koje je predstavljeno novom simpleks tabelom, kao i izra unavanje vrijednosti funkcija Zj za sve promenljive.

27. Navesti i objasniti kriterijum za promjenu strukture vektorske baze (ulazak i izlazak promenljivih iz baze) Prelazak od po etnog bazi nog na prvo pobolj ano re enje (kao i bilo koja dva uzastopna re enja) zahtijeva opredjeljivanje promjenljive - prethodno nebazi ne - koju treba uklju iti u bazu u cilju odre ivanja pobolj anog re enja. Ovakav zaklju ak donosimo utvr ivanjem vrijednosti razlika Cj - Zj za sve promenljive, koje se nalaze u poslednjoj vrsti simpleks tabele. U postupku odre ivanja optimalnog re enja standardnog problema maksimuma, treba uklju iti onu prethodnu nebazi nu promenljivu za koju je u prethodnoj iteraciji razlika (Cj - Zj) najve a pozitivna. Re enje je optimalno, tj. postupak odre ivanja optimalnog re enja se zavr ava, kada u poslednjem redu simpleks tabele (Cj Zj) ne postoji ni jedna pozitivna vrednost. Nakon odre ivanja nebazi ne promenljive koja treba biti uklju ena u bazu, neophodno je utvrditi koju od prethodno bazi nih promenljivih treba eliminisati iz baze. U cilju odre ivanja kriterijuma za isklju ivanje neke promenljive iz baze, sistem jedna ina mo emo predstaviti u obliku:

Po etno bazi no re enje smo odredili na osnovu pretpostavke da su sve glavne promjenljive jednake 0, tako da su dodatne promenljive jednake slobodnim lanovima sistema, odnosno izrazi u zagradama na desnoj strani sistema jedna ine jednaki su 0. Pretpostavimo sada da je iz prve simpleks tabele konstatovano da, na primer, promjenljiva Xk treba da u e u bazu, odnosno treba da ima pozitivnu vrijednost. U tom slu aju iz sistema jedna ina mo emo pisati

odnosno, za sve vrijednosti

Kako mora biti zadovoljen uslov da je Slijedi

Da bi i u novom re enju bio sa uvan uslov nenegativnosti promenljivih, potrebno je iz baze eliminisati onu promenljivu za koju odredimo minimalnu vrijednost koli nika na desnoj strani relacije. Na osnovu toga, kriterijum za izlazak iz baze mo emo predstaviti u obliku zahteva: iz baze treba eliminisati onu prethodnu bazi nu promenljivu x za koju odredimo minimalnu vrijednost. Tabelarno, postupak eliminacije neke od prethodno bazi nih promjenljivih realizuje se tako to: a) odredimo karakteristi nu kolonu simpleks tabele, koja odgovara promenljivoj koja ulazi u bazu; b) odredimo vrijednosti koli nika izme u promenljivih iz kolone xb i pozitivnih koeficijenata iz karakteristi ne kolone; i c) iz baze treba isklju iti onu promenljivu kojoj odgovara najmanja vrijednost ovako odre enog koli nika, na osnovu ega vrstu simpleks tabele koja odgovara ovoj promeljivoj smatramo karakteristi nom vrstom.

28. ta je problem degeneracije zadatka LP i koje su njegove posledice Problem degeneracije linearnog programiranja, koji se javlja u toku postupka re avanja zadatka simpleks metodom, predstavlja takav slu aj kod koga jedna ili vi e bazi nih promjenljivih imaju vrijednost jednaku 0. Ovakav problem pojavljuje se u slu aju kada u zadatku imamo suvi nih ograni enja, odnosno kada su jedna ili vi e nejedna ina u sistemu ograni enja nepotrebne. Postojanje problema degeneracije e se manifestovati prilikom odre ivanja vrijednosti koli nika , koji nam slu i za isklju ivanje neke od prethodno bazi nih promenljivih. Ukoliko u zadatku postoji problem degeneracije, onda e se u nekoj od iteracija, prilikom odre ivanja vrijednosti koli nika drugog simpleks kriterijuma, dobiti dvije ili vi e jednakih minimalnih vrijednosti. U tom slu aju, na uobi ajeni na in ne mo emo jednozna no odrediti koju od prethodno bazi nih promenljivih treba isklju iti iz baze. U narednoj iteraciji neka od promjenljivih e biti jednaka 0, odnosno vrijednost koli nika e biti 0, zbog ega e se dogoditi da dva ili vi e uzastopnih re enja imaju jednaku vrijednost funkcije cilja. Osim toga, u slu aju postojanja degeneracije mo e se pojaviti problem ciklusa, odnosno slu aj da u toku re avanja zadatka ponovo dobijemo re enje istovetno sa nekim od prethodnih. 29. Na osnovu ega se utvr uje potojanje vi estrukog optimalnog re enja u zadatku LP (grafi ki i analiti ki)

Visestruko optimalno rjesenje se javlja ukoliko u okviru neke simpleks tabele postoji maker jedna razlika I SK (Cj-Zj)=0 za neku nebazicnu promjenljivu Xj, dok su

vrijednosti ovih razlika za ostale nebazicne promjenljive negativne, izracunato jersenje nije jedinstveno. Uvodjenjem u bazu promjenljive Xj u cilju odredjivanja novog rjesenja, i iskljucivanjem neke od prethodno bazicnih promjenljivih na osnovu II SK, dobili bi takodje optimalno rjesenje za koje funkcija cilja ima istu vrijednost. Usled osobina SKR, postojanje dva optimalna rjesenja ima za posljedicu da sve konveksne kombinacije dva dobijena rjesenja predstavljaju optimalna rjesenja, zbog veka kazemo da takav slucaj ima visestruko optimalno rjesenje. Geometrijski, slucaj postojanja optimalnog rjesenja se javlja kad su koeficijenti pravna prave koja reprezentuje neko od ogranicenja i koeficijenata pravca prave funkcije cilja jednaki.

30. Analiti ki i grafi ki objasniti slu aj zadatka LP u kome ne postoje mogu a re enja

Prilikom formulisanja modela LP moze se dogoditi da model bude tako postavljen da ne postoje moguce rjesenja. On se desava ukoliko ne postoje vrijednosti proomjenljivih za koje su zadovoljeni svi ogranicavajuci uslovi. Geometrijski, takav zadatak ima prazan skup mogucih rjesenja, odnosno ne moze se naci ni jedna tacka za koju su zadovoljene sve nejednacine (jednacine) sistema ogranicenja modela.Rjesavanjem ovakvog zadatka koriscenjem simpleks metoda nepostojanje mogucih rjesenja mozemo konstatovati u posljednoj simpleks tabeli. U njoj svi elementi vrste (Cj-Zj) pokazace postojanje optimalnog rjesenja, al ice se u

optimalnom rjesenju naci vjestacka promjenljiva, sto je glavni indicator postojanja kontradiktornih uslova u zadatku. 31. Dati analiti ku i grafi ku interpretaciju zadatka LP u kome ne postoje kona ne vrednosti promenljivih i funkcije cilja

Neogranicena vrijednost f-je cilja i promjenljivih se javlja kada je : 1) Model formulisan tako da tako da se jedna ili vise promjenljivih mogu povecati neograniceno, a da to ne bude narusen ni jedan od ogranicenja koji su u ulozi uslova u zadatku, i 2) Funkcija cilja na skupu mogucih rjesenja nema konacnu vrijednost, tj. Skup mogucih rjesenja nije ogranicen skup. Rjesavanje problema max koriscenjem simpleks metoda, ovaj problem mo emo identifikovati prije dobijanja vrednosti elemenata finalne simpleks tabele. Naime, problem mogucnosti postojanja neogranicene vrednosti promenljivih i funkcije cilja konstatovacemo u nekoj iteraciji u postupku odredivanja promjenljive koja treba da izadje iz baze, odnosno prilikom odredivanja vrijednosti kolicnika r . Da bi neka promjenljiva iza la iz baze, potrebno je da u odnosu na ostale vrijednosti ima najmanji pozitivan kolicnik II SK. Medutim, ukoliko svi ovakvi kolicnici budu negativni ili nedefinisani, mo emo konstatovati da problem nema konacno re enje. Nakon dobijene tabele i nakon izracunate vrijednosti kolicnika II SK dobijamo da je beskonacnu vrijednost ili negativna vrijednost promjenljive, nemamo uslova za odredjivanje promjenljive koja treba da izadje iz baze. Ovakav slucaj upucije na cinjenicu da ovaj zadatak LP nema konacno, optimalno rjesenje.

32. Dualni simplex metod Pronasao ga je Lemke, 1954. Godine, kada je trazio rjesenja primarnog problema, iz optimalnog dualnog problema i dosao do nove metode koju je nazvao dualni simpleks metod. Osnovna karakteristika ovog metoda je to polazi od nekog bazicnog rje enja koje nije nenegativno i uslova da je simpleks kriterijum za nebazicne vektore (Cj-Zj) 0. Koristimo je kada nam je dat problem min. Veoma cesto, kori cenje dualnog simpleks metoda, u re avanju problema optimizacije ima niz prednosti u odnosu na druge algoritme simpleks metoda. Takvi su prije svega problemi minimizacije, kod kojih je potrebno uvoditi ve tacke varijable, zatim problemi postoptimalne analize, celobrojnog programiranja... Ako nam je dat problem min: (min) Z=cx ___________________ (max)Z=-cx Ax>b_________________________ -Ax<-b x>0__________________________ x>o Na osnovu pravila dualnog simpleks metoda, pomnozili smo sve sa (-1) i dobili sada problem maksimizacije. Sada uvodimo dodatne promjenljive i dobijamo (max) Z= -C1x1-C2X2-...-CpXp -a11x1-a12x2-...-a1pXp<-b1 -a21x1-a22x2-...-a2pXp<-b2 -am1x1-am2x2-...-ampXp<-bm X1;x2;....;Xp>0 Transformacija iz nedjednacine u jednacinu: (max) Z= -C1x1-C2X2-...-CpXp+0Xp+1+...+0Xp+m -a11x1-a12x2-...-a1pXp+0Xp+1 = -b1 -a21x1-a22x2-...-a2pXp +0Xp+2 = -b2 -am1x1-am2x2-...-ampXp +0Xp+m = -bm X1;x2;....;Xp>0 Pocetno bazicno re enje problema, odreduje se tako to se pretpostavlja da su vrijednosti realnih promenljivih jednake nuli, a vrijednosti dodatnih promjenljivih slobodnim clanovima sistema ogranicenja, tj.x b (i 1,2,...,m).

Cj A0 Xb -C1 -C2 -Cp 0 0 0 Cb X1 X2 Xp Xp+1 Xp+2 Xp+m 0 Xp+1 -b1 -a11 -a12 -a1p 1 0 0 0 Xp+2 -b2 -a21 -a22 -a1p 0 1 0 0 Xp+m -bm -am1 -am2 -amp 0 0 0 Zj Zo Z1 Z2 Zp 0 0 0 Cj-Zj C1-Z1 C2-Z2 Cp-Zp 0 0 0 Kriterijumi za promjenu baze: Iz baze izlazi onaj vector Aj kome odgovara najveca, po apsolutnoj vrijednosti, negativna komponenta bazicnog rjesenaj Xo, Xr=max IxI; Xi<0 Vektor koji ulazi u bazu, kod dualnog simpleks metoda odredjuje se na osnovu izraza: Optimalno rjesenje se dobija kada je zadovoljen uslov Xb0.

33. Celobrojno programiranje-op ta formulacija zadatka i metodi za re avanje U zadacima linearnog programiranja, pored uslova nenegativnosti promenljivih, mo e da se postavi jo i dodatni zahtjev po kome, neke ili sve promenljive moraju uzimati vrijednosti iz skupa cijelih brojeva. Tako na primjer, u problemu optimizacije proizvodnje u fabrici koja proizvodi gra evinske ma ine (bagere, utovariva e i sl.), po to promenljive ozna avaju broj proizvedenih ma ina, logi no je, po prirodi samog zadataka, da njihova vrijednost mora biti cijeli broj. Zadaci linearnog programiranja u kojima se postavlja uslov cjelobrojnosti promenljivih, svih ili samo nekih, jesu zadaci cjelobrojnog linearnog programiranja. Problem celobrojnosti promenljivih se mo e javiti samo u zadacima koji se re avaju simpleks metodom. Uzrok pojave necelobrojnog re enja nalazi se u karakteristi nom elementu koji se koristi u postupku transformacije bazi nih re enja. Naime, ako su svi koeficijenti u po etnom bazi nom re enju celi brojevi, optimalno re enje e biti celobrojno jedino ako je karakteristi ni elemenat u svakoj iteraciji jednak jedinici. Kako je taj uslov retko ispunjen, esto se javljaju re enja koja nisu celobrojna. U praksi se naj e e, prilikom odre ivanja optimalnog re enja zadatka celobrojnog linearnog programiranja, najpre, re ava dati problem kao problem linearnog programiranja, zanemaruju i postavljeni uslov celobrojnosti. Zatim se, u dobijenom optimalnom re enju zadatka linearnog programiranja izvr i zaokru ivanje rezultata. Takav postupak mo e dati re enja koji nisu daleko od optimalnih, ali zaokru eni rezultati naj e e ne zadovoljavaju jedno ili vi e datih ograni enja. To je uticalo na pronala enje algoritma za re avanje zadataka celobrojnog linearnog programiranja, pa se, od 1958. godine, radovima Gomory-ja, celobrojno linearno programiranje, razvija u posebnu oblast linearnog programiranja.

U zavisnosti od toga kako je postavljen uslov celobrojnosti, razlikuju se dva osnovna tipa celobrojnih problema: a) Ako je n1 = n , tj. ako sve promenljive u problemu linearnog programiranja moraju biti izra ene u celim brojevima, radi se o potpuno celobrojnom programiranju. b) Ako je n1 < n , tj. ako uslov celobrojnosti va i za samo deo promenljivih, radi se o delimi no celobrojnom programiranju. *Metodi za re avanje zadataka celobrojnog linearnog programiranja Svi metodi koje se koriste za re avanje zadataka celobrojnog linearnog programiranja, mogu se svrstati u tri grupe. To su - Metodi zaokru ivanja. Su tina ove grupe metode jeste u zaokru ivanju dobijenih rezultata. Naime, najpre se izra una optimalno re enje zadatka linearnog programiranja, zanemaruju i uslov celobrojnosti promenljivih, a zatim se izvr i zaokru ivanje rezultata, na celobrojna re enja,zbog ega ovi metodi, naj e e daju rezultate koji su daleko od optimalnih. - Metodi enumeracije. Osnovni pristup re avanju zadataka primenom ove grupe metoda sastoji se u tome da se prebroje (implicitno ili eksplicitno) sva mogu a celobrojna re enja. Proces pronala enja re enja sastoji se od etapa, tako da se u svakoj narednoj etapi usvaja bolje, od najboljeg re enja na svim prethodnim etapama. Po to je potrebno pretra iti veliki broj re enja, problem je obiman i velika je mogu nost pojave gre ke.

- Metod odsecaju ih ravni (Gomory-jev metod). Ovaj metod se naziva i metod odsecaju ih ravni, jer je osnovna ideja algoritma u formiranju dodatnog ograni enja koje treba da odse e deo konveksnog skupa mogu ih re enja u kome nema celobrojnih re enja. Ovim odsecanjem se ne gubi ni jedno celobrojno re enje. Prvobitni sistem ograni enja se pro iruje sa dodatnim ograni enjem, pa se u kona nom broju iteracija dolazi do optimalnog re enja. 34. Gomorijevo ograni enje i potpuno celobrojno programiranje Ovaj metod se naziva i metod odsecaju ih ravni, jer je osnovna ideja algoritma u formiranju dodatnog ograni enja koje treba da odse e deo konveksnog skupa mogu ih re enja u kome nema celobrojnih re enja. Ovim odsecanjem se ne gubi ni jedno celobrojno re enje. Prvobitni sistem ograni enja se pro iruje sa dodatnim ograni enjem, pa se u kona nom broju iteracija dolazi do optimalnog re enja. Prema Gomory-jevom metodu, prvo se, dati problem re ava simpleks metodom, ne uzimaju i u obzir uslov celobrojnosti. Ako dobijeno re enje zadovoljava i uslov celobrojnosti, re enje je optimalno. Me utim, ako dobijeno re enje ne ispunjava i uslov celobrojnosti, tada se formira dodatno ograni enje. Ovo ograni enje se priklju uje postoje em sistemu ograni enja, pa se zatim, primenom dualnog simpleks metoda, tra i novo optimalno re enje. Dodatno ograni enje treba da zadovolji slede e uslove: - svako dopustivo, celobrojno re enje, zadatka celobrojnog linearnog programiranja, mora ostati dopustivo re enje zadataka linearnog programiranja i posle dodavanja novog ograni enja; - dobijeno re enje zadatka linearnog programiranja u svim slede im koracima mora postati nedopustivo, za isti zadatak, posle dodavanja novog ograni enja. Ukoliko ni ovako dobijeno re enje ne zadovoljava uslov celobrojnosti promenljivih, opet se formira novo, dodatno ograni enje. Postupak se ponavlja sve dok se, u kona nom broju iteracija, ne na e re enje koje zadovoljava uslov celobrojnosti. Kako se formira dodatno ograni enje? Dodatno ograni enja se formira na osnovu teorije o ekvivalentnim (kongruentnim) brojevima. Notirajmo slede e: a) neki broj a je kongruentan broju b ( a broj; b ), onda i samo onda ako je njihova razlika ceo

b) razlomljeni deo broja a , tj. f (a) , defini e se kao najmanji ceo broj kongruentan broju a ; c) ako je a b , onda je i f (a) f (b) .

* Potpuno celobrojno programiranje U zadacima potpunog celobrojnog programiranja, postavlja se uslov da je n1 = n , tj. da sve promenljive u problemu moraju biti izra ene u celim brojevima. Dodatno ograni enje se formira tako to se odabere bazi na promenljiva iz optimalnog re enja linearnog programiranja, koja sadr i najve i razlomljeni deo i obrazuje se jedna ina u kojoj je bazi na promenljiva xi zra ena svojom vredno u i linearnom funkcijom nebazi nih promenljivih xj , tj.

Mogu a su tri slu aja:

odnosno

Nejedna ina predstavlja dodatno ograni enje, koje se dodaje po etnom sistemu ograni enja i koja obezbe uje uslov celobrojnosti promenljivih u optimalnom re enju zadatka celobrojnog linearnog programiranja. Posle formiranja dodatne nejedna ine, za dobijanje optimalnog celobrojnog re enja, najjednostavnije je koristiti dualni simpleks metod. Zbog toga je potrebno nejedna inu kod koje je znak nejednakosti , transformisati u nejedna inu sa znakom , pri emu i svi koeficijenti ovog ograni enja menjaju znak. Tako e, umesto postoje ih koeficijenata aij iz optimalnog re enja linearnog programiranja, uzimaju se njihovi razlomljeni delovi fij, odnosno fio. Za odre ivanje decimalnog (razlomljenog) dela fij nekog broja aij koristi se obrazac o kongruentnim brojevima, prema kome je:

35. Grafi ki metod i dokaz teoreme kod celobrojnog linearnog programiranja Geometrijski, svakom dodatnom ograni enju u n - dimenzionalnom prostoru, odgovara jedna hiperravan, koja, od skupa mogu ih re enja, odseca jedan deo. U odse enom delu mnogougla nalazi se optimalno, necelobrojno re enje. Prilikom odsecanja dela mnogougla, sve ta ke sa celobrojnim koordinatama, a me u njima i tra ena optimalna ta ka, ostaju u neodse enom delu mnogougla. Po to se skup ta aka sa celim koordinatama neodse enog dela mnogougla, poklapa sa skupom ta aka sa celim koordinatama po etnog mnogougla, jasno je da ako optimalno re enje zadatka linearnog programiranja na neodse enom delu zadovoljava uslov celobrojnosti, to e ono biti ujedno i optimalno celobrojno re enje po etnog zadatka. Kroz nekoliko koraka odsecanja, tra ena celobrojna ta ka e biti ponovo na granici novog mnogougla i predstavlja e optimalno re enje zadatka celobrojnog linearnog programiranja. Na primer, u dvodimenzionalnom vektorskom prostoru, ograni enja, u koordinatnom sistemu x1ox2, obrazuju mnogougao K. Funkcija cilja dosti e maksimalnu vrednost u ta ki x*, ali to re enje ne zadovoljava uslov celobrojnosti promenljivih. Me utim, unutar mnogougla K , postoji kona an broj ta aka sa celobrojnim koordinatama(na slici su te ta ke obele ene zvezdicom). Na grafiku su prikazane i tri prave l1, l 2 i l3 koje odgovaraju dodatnim, linearnim ograni enjima.

Svaka od njih odseca jedan deo od skupa mogu ih re enja K . Tako, posle odsecanja jednog dela skupa K , sa pravom l1 , optimalno re enje postaje ta ka x1. . Ograni enje l2 odseca jo jedan deo mnogougla K , a novo re enje je ta ka x2. Na kraju, odsecaju i deo mnogougla pravom l3, dobija se optimalno celobrojno re enje. To je tacka x3. Teorema 1.8. Nejedna ina 1) je linearna 2) odseca na eno optimalno necelobrojno re enje zadatka 3) ne odseca niti jedno celobrojno re enje zadatka. Dokaz Neka je x*- optimalno necjelobrojno rijesenje zadatka i neka je u tom rijesenju koordinata xio necjelobrojna. Poka imo da ovo re enje ne zadovoljava uslov Naime, ukoliko je x* optimalno re enje, tada je xj*=0, xj* S pa je: . , na osnovu koje se formira dodatno ograni enje:

Odnosno,

, to je u suprotnosti sa definicijom razlomljenog dela nekog broja. Prema tome x*- optimalno rijesenje zadatka ne zadovoljava uslov. Tre i uslov je ve dokazan prilikom formiranja dodatnog ograni enja. No ipak, pretpostavimo da u zadatku postoji neka tacka xc*, sa cjelobrojnim koordinatama koja ne zadovoljava uslov nego je

Kako je

za izraz

vazi:

to je suprotno pretpostavci da je veli ina

, za sva re enja zadatka ceo broj.

Na kraju, treba re i da neki problemi pokazuju sporu konvergenciju ka celobrojnom optimalnom re enju, pa je potrebno u initi ve i broj iteracija dok se ne dobije optimalno celobrojno re enje. Po to se kod primene Gomory-jevog metoda postoje i sistem linearnih nejedna ina pro iruje uvo enjem dodatne nejedna ine, mo e se desiti da je potrebno uvesti nekoliko dodatnih ograni enja, to znatno pove ava model, odnosno broj promenljivih u zadatku. Tako e, posle uvo enja dodatnog ograni enja, zbog zaokru ivanja rezultata na celobrojne vrednosti, gubi se zna aj dualnih promenljivih.

36. Delimi no celobrojno programiranje Ukoliko se u zadatku celobrojnog linearnog programiranja postavlja zahtev po kome samo neke promenljive moraju uzimati celobrojne vrednosti, radi se o problemima delimi no celobrojnog programiranja. U tom slu aju, pored uslova nenegativnosti promenljivih, postavlja se jo i dodatni uslov, po kome je:

Dodatno ograni enje, koje kod delimi no celobrojnog programiranja treba da obezbedi uslov celobrojnosti promenljivih, formira se na osnovu nejedna ine:

pri emu: - ako promenljiva xs mora da bude ceo broj tada je:

- ako promenljiva xs ne mora da bude ceo broj tada je:

37. Teorema kod celobrojnog programiranja

Nejedna ina fio - fijxj 0 na osnovu koje se formira dodatno ograni enje je : 1. linearna 2. odsijeca nadjeno optimalno necjelobrojno re enje 3. ne odsijeca ni jedno cjelobrojno rje enje zadatka.

DOKAZ

Linearnost dodatnog ograni enja je o igledna. Nek je x*- optimalno necjelobrojno re enje zadatka n max(Z)= CjXj , Xj 0 , (j=1,2,.......n) j=1 i neka je u tom re enju koordinata Xio zadovoljava uslov fio - fijxj 0 j S necjelobrojna. Poka imo da ovo re enje

Ukoliko je x* optimalno re enje ,tada je xj* = 0 , xj* S , pa je fijxj =0 , odnosno fio 0 , to je u suprotnosti sa definicijom razlomljenog dijela nekog broja .Prema tome x* tj. Optimalno re enje zadatka n (max) Z = CjXj j=1 ne zadovoljava uslov fio - fijxj 0 j S Xj 0 , (j=1,2,...n)

Pretpostavimo da u zadatku n max(Z)= CjXj , Xj cio broj , j=1,2,.......n1 (n1 n ) j=1

postoji neka ta ka Xc* sa cjelobrojnim koordinatama, koje ne zadovoljava uslov fio - fijxj 0 j S nego je fio - fijxj 0 j S ,

Kako je fijxj 0 j S

, i 0 fio < 1 , to va i 0 fio - fijxj < 1 to je suprotno

pretpostavci da je veli ina ( fio - fijxj ) za sva re enja zadatka j S max(Z)= CjXj cio broj.

Na kraju , treba re i da neki problemi pokazuju sporu konvergenciju ka cjelobrojnom optimalnom rje enju , pa je potrebno u initi ve i broj iteracija dok se ne dobije optimalno cjelobrojno rje enje .Po to se kod promjene Gomory-jevog metoda postoje i sistem linernih nejedna ina pro iruje uvodjenjem dodatne nejedna ine ,mo e se desiti da je potrebno uvesti nekolioko dodatnih , to znatno pove ava model,odnosno br promjenjivih u zadatku.Tako e,posle uvo enja dodatnog ograni enja ,zbog zaokru ivanja rezultata na celobrojne vrednosti , gubi se zna aj dualnih promjenjivih. 38. Postoptimalna analiza Ukoliko se u modelu linearnog programiranja,nakon odre ivanja optimalnog re enja promjeni neki od uslova zadataka postavlja se pitanje da li nastale promjene dovode do promjene strukture vektorske baze na osnovu koje je odre eno optimalno re enje.Umjesto re avanja kompletno novog zadatka linearnog programiranja , koje bi formulisali uvo enjem novih (promjenjenih) vrijednosti parametara modela , kori enjem postupaka postoptimalne analize mogu e je ispitati optimalnost prethodno izra unatog re enja. Postoptimalna analiza predstavlja postupak koji se koristi za ispitivanje da li e promjena nekog od parametara modela linearnog programiranja uticati na promjenu ve izra unatog optimalnog re enja.Na osnovu primjene metode postoptimalne analize mo e se do i do jednog slede a dva zaklju ka :

1. nastale promjene u vrijednosti parametra modela ne e dovesti do promjene vektorske baze ,odnosno re enje zadatka linearnog programiranja ostaje optimalno i u novim uslovima jer je zadovoljen uslov (Cj Zj) < O 2. nastale promjene u vrijednosti parametra modela dovode do promjene vektorske baze 3. tj. ,prethodno izra unato optimalno re enje,usled nastalih promjena vi e nije optimalno (Cj Zj ) O Upotrebom metoda postoptimalne analize (u uslovima ve izra unatog optimalnog re enja re enja) mogu e je ispitati uticaj vrednosti slede ih parametara : 1. promjena vrijednosti koeficijenta funkcije cilja vektor c 2. promjenom slobodnih lanova sistema ograni enja vektor b 3. promjena koeficijenata aij koji se u sistemu ograni enja nalaze uz promjenjive matrica A.

Npr. kod optimizacije proizvodnje u nekom preduze u , nakon odre ivanja optimalnog programa proizvodnje mo e se postaviti pitanje :     kako e promjena vrijednosti ostvarenog profita od nekog preduze a (po jedinici) uticati na ve izra unati optimalni proizvodni program? (c) da li se optimalni proizvodni program mora mjenjati ukoliko se obezbjedi velika koli ina odre ene sirovine ili ve a uposlenost kapaciteta ? (b) kako e u teda materijala,radne snage ,energije i sl. U proizvodnji jednog ili vi e proizvoda uticati na ve odre eni optimalni program proizvodnje? (b) Da li bi bilo ekonomski opravdano uvesti novi proizvod u program proizvodnje preduze a? (A)

39. Promjena vektora c u postoptimalnoj analizi Vektor c sadr i koeficijente koje se nalaze uz sve promjenjive zadatka.Nakon odre ivanja optimalnog re enja mo e do i do promjene koeficijenata koji se ne nalaze u optimalnom re enju kao i promjene koeficijenata koje se nalaze uz bazi ne promjenjive optimalnog re enja.Zbog toga,ispitivanje uticaja promjene vrijednosti elementa vektora c realizujemo razli ito, zavisno : 1. da li se mjenjaju koeficijenti uz nebazi ne promjenjive optimalnog re enja; 2. da li se mjenjaju koeficijenti uz bazi ne promjenjive optimalnog re enja.

PROMJENA KOEFICIJENATA NEBAZI NIG PROMJENJIVIH (Cj se mjenja ,a Zj ostaje nepromjenjeno )

Pretpostavimo da se koeficijent C koji se nalazi uz nebazi nu promjenjivu u f-ji cilja mijenja, pri emu nastalu promjenu mo emo predstaviti oblikom Cj = Cj + Cj Da bi utvrdili da li u novim uslovima re enje izra unato na osnovu baze -opt i dalje ostaje optimalno,neophodno je da provjerimo da li e pove anje vrijednosti koeficijenta Cj dovesti do potrebe za uvo enjem prethodno nebazi nog vektora Aj u bazu , da li je naru en uslov optimalnosti.. U tom cilju primjenjuje se Simpex kriterijum za ulazak u bazu sa novom vrijedno u koeficijenta Cj (vrijednost Zj ostaje nepromjenjena jer je ona izra unata na osnovu koeficijenata bazi nih promjenjivih) ,Odnosno Cj - Zj =( Cj + Cj) -Zj = (Cj-Zj)+ Cj ...(j=1,...p) . Da bi re enje odre eno na osnovu baze -opt ostalo optimalno re enje neophodno je da konstatujemo da nijedan od nebazi nih vektora ne treba da u e u bazu ,to e se dogoditi ukoliko je : Cj - Zj O (j=1,.....p).

Odnosno ukoliko je (Cj-Zj)+ Cj O Ukoliko se koeficijent uz nebazi nu promjenjivu smanjuje tada ne postoji mogu nost da se optimalno re enje promjeni.Ukoliko se ovaj koeficijent uve ava tj. , ukoliko je Cj > O tada e optimalno re enje ostati i dalje optimalno ukoliko je zadovoljen uslov: Cj < Cj-Zj (j=1,......p)

Ukoliko je, me utim vrijednost prirastaja koeficijenta koji se u f-ji cilja nalaze uz nebazi nu promjenjivu Xj ve i od apsulutne vrijednosti I simplex kriterijuma za vektor Aj , tj. ukoliko je Cj > Cj-Zj (j=1,......p)

Tada re enje nije vi e optimalno ve se u cilju odre ivanja pobolj anog re enja neophodno u bazu uklju iti prethodno nebazi ni vektor Aj. PROMJENA KOEFICIJENATA BAZI NIH PROMJENJIVIH (Cj Zj ) Da bi ispitali kako promjena vrijednosti koeficijenata koji se u funkciji nalazi uz promjenjjive iz optimalne baze uti e na optimalnost re enja , treba utvrditi vrijednosti razlika (Cj - Zj) za nebazi ne vektore.S obzirom da vrijednosti koeficijenta Cj (j=1,...p) za nebazi ne vektore ostaju neprimjenjene neophodno je izra unati i vrijednosti Zj (j=1,....p) za sve nebazi ne promjenjive. Neka je Cb vektor koeficijenta koji se u f-ji cilja nalaze uz bazi ne promjenjive iz optimalnog re enja.Pretpostavimo da je do lo do pove anja vrijednosti ovih  koeficijenata za iznos Cb .Novi vektor ovih koeficijenata je Cb = Cb+ Cb Vrijednosti Zj za nebazi ne vektore bile su odre ene iz relacije Zj = Cb Gdje je vektora j (j=1....p) j vektor koeficijenata linearne kombinacije bazi nih vektora i nebazi nog Aj izra unat u obliku j= 1 Aj (j=1....p) ostaje nepromjenjen. u uslovima promjenjenih koeficijenatavektora Cb odred, ujemo na

Vrednosti Zj slede i na in

Zj = Cb j = (Cb+Cb) j = Cb j +Cb j =Zj+Zj (j=1....p) Uz pretpostavku da se mjenjaju samo koeficijenti bazi nih promjenjivih , to zna i da vrijednosti Cj ostaju nepromjenjene kriterijum optimalnosti re enja e biti Cj- Zj+Zj =Cj-(Zj+Zj) O ukoliko je Zj>(Cj-Zj) (j=1...p)

Tada ve izra unato optimalno re enje ostaje i dalje optimalno ,tj. Vektor Aj ne treba da u e u bazu. U suprotnom slu aju kada postoji makar jedna pozitivna razlika kriterijuma optimalnosti,izra unato re enje vi e nije optimalno re enje ve se u bazu novog re enja mora uklju iti prethodno nebazi ni vektor Aj za koju je ova razlika maximalno pozitivna.

Kombinacijom ova dva razmatrana slu aja (promjena koef. Nebazi nih i bazi nih ). Mo emo odrediti kriterijum optimalnosti u uslovima promjena svih koeficijenata f-je cilja,kada bi imali Cj*-Zj*=(Cj+Cj)- (Zj+Zj)=(Cj-Zj)+( Cj-Zj)O (j=1.....p) Optimalno re enje se ne bi mjenjalo .Ukoliko je makar jedna od razlika pozitivna, re enje bi i dalje bilo mogu e ,al ne i optimalno. 40. Promjena vektora ograni enja u postupku postoptimalne analize Promjene elemenata vektora b (vektora sl. lanova sistema ograni enja) mo emo ozna iti sa b , tako da e novi vektor biti b=b+b . Vrijednosti bazi nih promjenjivih su odre ene relacijom: Xb= 1* b

Na osnovu ega vrijednosti bazi nih promjenjivih u uslovima izmjenjenog vektora b , tj. Vektora b ,odre ujemo na sl. Na in: Xb = Xb = Xb = 1* b 1*( b+b) 1*b+ 1*b

Odakle je Xb = Xb+ 1*b Ukoliko je za novodobijeno re enje zadovoljen uslov XbO , re enje i dalje ostaje optimalno.Ukoliko makar jedan od elemenata Xb bude negativan ,prethodno izra unato re enje vi e ne e biti mogu e jer je naru en uslov nenegativnosti promjenjivih. 41. Promjena matrice A u postupku postoptimalne analize

Promjena elemenata matrice A tj.promjena koeficijenata aij u sistemu ograni enja modela linearnog programiranja, mo e izazvati neophodnost promjene optimalnog re enja, to se ispituje u postupku postoptimalne analize. U slu aju ovakve promjene u postupku postoptimalne analize optimalnost re enja u novim uslovima mo e biti ispitivana za razli ite promjene I to: y Promjena nebazi nog vektora y Promjena bazi nog vektora, y Uvodjenje novog vektora aktivnosti (nove promjenljive) y Uvodjenje novog ograni enja

a) Promjena nebazi nog vektora Aj Ukoliko nakon odredjivanja optimalnog re enja modela dodje do promjene elemenata nebazi nog vektora Aj postupak ispitivanja optimalnosti realizujemo kori enjem kriterijuma optimalnosti. Neka Aj* predstavlja promjenjeni j-ti nebazi ni vektor. Da bi utvrdili da li taj vektor treba uklju iti u bazu, odnosno da li optimalno re enje treba mijenjati izra unavamo vrijednosti: Xj*= ( Aj * koje su nam neophodne radi odredjivanja vrijednosti Zj*, u obliku Zj*= CB Xj* nakon ega pretpostavljaju i da su koeficijenti u funkciji cilja ostali nepormijenjeni primjenjujemo kriterijum optimalnosti, odnosno izra unavamo razliku Cj-Zj* . Ukoliko je (Cj-Z*j)<=0 , re enje izra unato na osnovu baze opt i dalje ostaje optimalno. Ukoliko je, medjutim, (Cj-Zj*)> 0 , zaklju ak je suprotan prethodno re enje ne e u novim uslovima biti optimalno, vec se uvodjenjem u bazu vektora Aj*mo e dobiti pobolj ano re enje. Prikazana analiza uticaja promjene nebazi nog vektora na optimalnost re enja, realizuje se i u slu aju ispitivanja uticaja uvodjenjem novog vektora aktivnosti (uz poznati koeficijent koji se u funkciji cilja nalazi uz novu promjenljivu). b) Promjena bazi nog vektora Ai Obilje imo promjenjeni i-ti vektor , koji se nalazi u bazi bazu sa *. Re enja za novu bazu ce biti: XB*=( b

opt,

sa Ai*, odnosno novu

Xj*= ( Aj Z*=CB XB* Zj*= CB Xj*

Ukoliko je XB*0 izra unato re enje je mogu e, a ukoliko su za takvo re enje razlike (CjZj*)<=0. Re enje XB * je i optimalno, tj. opt= *. Ako je re enje mogu e, ali postoji makar jedna pozitivna vrijednost kriterijuma optimalnosti za nebazi ne vektore, takvo re enje nije optimalno. Ukoliko, pak, u okviru vektora XB* postoji makar jedna negatitivna vrijednost, prethodno optimalno re enje u uslovima izmijenjenog bazicnog vektora vi e nije ak ni mogu e re enje.

c) Uvodjenje dodatnih ograni enja Pretpostavimo da je u sistem jedna ina modela dodato jos t jedna ina, odnosno u osnovni oblik modela (sa nejedna inama) t nejedna ina oblika am+1,1 x1 + ....+ a m+p,p xp bm+1 am+t,1 x1 + + am+t, p xp1 bm+1 Ovakva promjena utica e na neophodnost pro irivanje vektora aktivnosti sa dodatnih t komponenti. Nakon toga, ispitivanje optimalnosti re enja odredjenog na osnovu baze opt realizuje se na uobi ajeni na in. Pro irena matrica baze, koja uklju uje prethodnu optimalnu bazu i dodatna ograni enja ima oblik  gdje T predstavlja matricu koeficijenata dodatnih ograni enja sa kojima su pro ireni bazi ni vektori iz optimalnog re enja, I jedini nu matricu, a 0 nula matricu. Na osnovu nove baze dobija se XB*=( b Xj*= ( Aj I postupak ispitivanja optimalnosti re enja realizuje se na dalje uobi ajeni na in. 42. PARAMETARSKO PROGRAMIRANJE-Formulacija zadatka U standardnom zadatku linearnog programiranja, sa funkcijom cilja

I ograni enjima

svi koeficijenti koji se pojavlju u modelu (cj, aij, bi) su konstantne veli ine. Medjutim, u ekonomskoj stvarnosti postoje I problemi kod kojih koeficijenti modela zavise od jednog ili vise parametara. U zavisnosti od nekog parametra mogu da budu koeficijenti funkcije cilja ili koeficijenti vektora ograni enja, takodje koeficijenti sistema orani enja ili istovremeno svi ovi koeficijenti. Dio matemati kog programiranja koji se bavi analizom ovakvih problema optimizacije, jeste parametarsko programiranje. Osnovna ideja parametarskog programiranja jeste u odredjivanju interval u kome se mogu mijenjati parametri sistema, ali tako da struktura optimalnog re enja ostane nepromjenjena. Veli ine C1, C2,Cj (j=1, 2n) u funkciji cilja su konstantne veli ine u datom trenutku I za dati problem. Medjutim, posmatrane u vremenu (ili usled nekih drugih uticaja), one mogu da budu vrlo varijabilne veli ine. Tako, npr.u zadatku optimizacije poljoprivredne proizvodnje, koeficijenti u funkciji cilja mogu da ozna avaju cijenu po jedinici proizvoda dok veli ina xj ozna ava koli inu proizvedenih jedinica nekoh proizvoda . Ako cijena proizvoda ima sezonski karakter, onda e ona biti funkcija vremena t. Po to se cijena svakog proizvoda, koji se proizvodi mo e mijenjati pod uticajem raznih faktora, ozna imo ove promjene sa dj. Prema tome, vrijednost proizvodnje odnosno funkcija cilja e se sastojati iz dva dijela- konstantnog (cjx j) I promjenljivog ( (djt)xj) koji zavisi od vremena t. Ako pretpostavimo da je zavisnost cijene od vremena linearna, tada e funkcija cilja imati oblik

Gdje su : - cj I dj konstantni vektori -t proizvoljan parametar koji mo e da uzima vrijednosti iz intervala [td, tg] pri emu je td-donja a tg-gornja granica posmatranog intervala. Veli ine b1, b2..bi (i=1,2..m) koje u zadatku linearnog programiranja izra avaju raspolo ive resurse (kapacitete, koli ine sirovina, raspolo ivu radnu snagu i sl.) su relativno konstantne i poznate u nekom momentu planiranja. Ali , ako se radi o

planiranju na du i rok, postavljanje ograni enja kao fiksnih velicina veoma je nepouzdano. Ako su resursi izra eni u funkciji vremena t tada zadatak parametarskog programiranja odbija oblik

Uz ograni enja

43. Geometrijska interpretacija i graficko re enje Neka je dat zadatak parametarskog programiranja

Sistem ogranicenja obrazuje konveksni skup mogu ih re enja K, koji je na slici predstavljen mnogouglom B B1 B2 B3 B4 B5

Za t=0 i Zt=0 funkcija cilja dobija oblik

tj. predstavlja pravu (MN) koja prolazi kroz koordinantni po etak. Ekstremnu vrijednost, funkcija cilja dosti e u ta ki B, jer je u toj ta ki prava MN paralelna sa pravom MN. Ta ka B e biti ekstremna ta ka i za sve vrijednosti parametra t za koje e se grafik funkcije cilja, tj. prava MN nalaziti izmedji pravih M1N1(paralelno sa BB5) i M2N2 (paralelno sa BB1). Ako je za t=t1 grafik funkcije cilja prava M1N1, a za t=t2 grafik funkcije cilja prava M2N2, tada e ta ka B biti extremna ta ka za sve vrijednosti parametra t u intervalu t2<=t<=t1. Ako parametar t uzima vrijednosti koje se nalaze izvan intervala t2<=t<=t1,dobija se novo optimalno re enje, odnosno ta ka B vi e ne e biti extremna ta ka. 44. Varijabilnost koeficijenata funkcije cilja Ako u zadatku parametarskog programiranja parametar t, varira u intervalu

zadatak je da se interval podeli na kona an broj manjih intervala, tako da za svaku vrijednost parametra t iz tih intervala, funkcija cilja dosti e maksimalnu vrijednost u jednoj i samo jednoj ta ki skupa mogu ih re enja K. Alogoritam za re avanje zadataka parametarskog programiranja sastoji se iz dvije etape: 1. Prvo je potrebno parametru t dodijeliti neku fiksnu vrijednost , najbolje jednaku donjoj granici , tj t=td, ili t=0. Tada ce u funkciji cilja svi koeficijenti postati fiksni, tj dobi e se standardni zadatak linearnog programiranja. Zatim je potrebno na i ta ku u kojoj funkciji cilja Z1d, odnosno Zt0 dosti e maksimum. 2. U drugom koraku je potrebno odrediti sve vrijednosti parametra t , z a koje funkcije cilja Z1 dosti e maksimum u nadjenoj ta ki . Nadjeni interval se isklju i

iz intervala ( td, tg ) pa se za interval koji je ostao opet re ava zadatak linearnog programiranja tj prelazi se na korak broj jedan. Postupak se ponavlja sve dok se cio interval (td, tg) ne podijeli na kona an broj manjih intervala tj dok gornja granica za parametar t ne bude t=tg. Ako je t=td , funkcija cilja ( 1.89) dobija oblik

U prvoj simpleks tabeli treba predvidjeti dve vrste za koeficijente funkcije cilja . U jednoj e se upisati koeficijenti cj a u drugoj koeficijenti dj, iz funkcije cilja. Takodje postoji i vrsta Zt koja je jednaka (cj+djtd t d), a koja se koristi kao kriterijum optimalnosti. Koriste i kriterijume za prera unavanje simpleks tabela, izvr imo sva prera unavanja, uklju uju i i vrste cj i dj. Koeficijente poslednje dvije vrste, u normalnoj simpleks tabeli , ozna imo sa j i j. U drugoj simpleks tabeli e se pojaviti i slobodni lanovi, 0 I 0. Ako je re enje optimalno, tada je zadovoljena nejedna ina

Sada je potrebno odrediti interval vrijednosti parametra t za koje funkcija Zt dosti e maksimum u nadjenoj tacki. Drugim recima, potrebno je odrediti sve vrijednosti parametra t, za koje je zadovoljena prethodna nejednacina. Mogu i su slede i slu ajevi: 1. Svi koeficijenti j > 0. Iz nejedna ine slijedi

Po to brojeva ( ) ima n, parametar t mora biti manji od svakog od njih. Ako od n koli nika odaberemo najmanji, tada su svi uslovi ispunjeni, tj.

Donja granica za parametar t ne postoji, pa se on mo e umanjivati beskona no. Interval vrijednosti parametra t, za koji nadjeno re enje ostaje optimalno je

Zna i da je

2. Svi koeficijenti j < 0. Iz nejedna ine sledi

Jer se dijeljenjem sa negativnim brojem smisao nejedna ine mijenja. Po to brojeva

ima m , parametar t mora biti ve i od svakog od njih. Ako od m koli nika odaberemo najve i, tada su svi uslovi ispunjeni tj.

Gornja granica za parametar t ne postoji, pa se on mo e pove avati beskona no. Interval vrijednosti parametra t, za koji nadjeno re enje ostaje optimalno je

Znaci da je td

3. Ako medju koeficijentima j ima i pozitivnih i negativnih.Interval vrijednosti parametra t, za koji nadjeno re enje ostaje optinalno je

Tj. Interval ima i donju i gornju granicu. 4. Ako je j = 0, tada iz nejednacine slijedi da je j 0 odnosno uslov optimalnosti je ispunjen, pa na kolone kod kojih je j =0 ne treba obracati pa nju. Prema tome, re enjem nejedna ine dobijaju se granice intervala promene parametra t , tj. donja granica (td) I gornja granica ( tg)u kojima optimalno resenje ostaje nepromenjeno. Kada se utvrde granice , potrebno je uporediti dobijeni interval [ td1, tg1 ]sa intervalom [td, tg] Ako je tg1 tg interval [td, tg] se nalazi unutar intervala [ td1, tg1 ] i zadatak je rije en. Za bilo koju vrijednost t koje pripada [td, tg] funkcija Z dosti e maksimum u jednoj i samo jednoj ta ki. Ako je tg1 < tg tada e u intervalu [ td1, tg1 ] funkcija Zt, dostici maksimum u jednoj tacki , a ostali dio intervala [tg1, tg ]treba dalje ispitivati. Ispituju i model parametarskog programiranja sa varijabilnim parametrom u funkciji cilja , do li smo do intervala t koji pripada [td, tg ] u kome mo e da varira parametar t , tako da dobijeno optimalno re enje ostaje nepromenjeno. To zna i da je mogu e odrediti granice variranja parametra tako da odredjena struktura izlaza, tj. proizvoda ostaje nepromenjena. I to je zna ajno iz dva razloga. Prvo, u mogu nosti smo da odredimo pona anje sistema ako se parametri C mijenjaju ( u datim granicama), i drugo da odredimo parametre tako da se pri odredjenom

optimalnom re enju postigne to bolji uspjeh. A naj e e, menadzment preduze a eli da zna u kom intervalu se mogu mijenjati ulazni parametri bez su tinskog odstupanja od nadjenog optimuma i bez zna ajnog naru avanja strukture optimlanog re enja. *Varijabilnost koeficijenta vektora ogranicenja Ako je vektor ograni enja linearno zavisan od vremena t tada treba maximizirati funkciju cilja

Pri ograni enjima

Koriste i poznatu proceduru za formulisanje dualnog problema parametarski zadatak se transformi e u problem koji glasi

Ovaj problem je problem parametarskog programiranja sa varijabilnim koeficijentom u funkciji cilja. 45. Hiperboli no (RLP) programiranje- op ti oblik zadatka

U planiranju optimalnog obima proizvodnje veliku ulogu imaju relativni pokazatelji, kao to su na primer cijena ko tanja, ekonomi nost, rentabilnost i sli no. Matemati ke funkcije koje se odnose na ove i sli ne pokazatelje imaju razlomljeno-linearni oblik. Opsti oblik zadatka linearnog programiranja izgleda ovako:

(2.1)

Ako se ovako definisanoj funkciji cilja doda sistem linearnih ograni enja oblika

(2.2)

dobija se standardni zadatak razlomljenog linearnog programiranja. Imenilac funkcije cilja (2.1.) mo e se interpretirati kao vrijednost ulaganja neophodna za ostvarenje programa proizvodnje x . Brojilac predstavlja ekonomski efekat tog ulaganja. Prema tome, problem se sastoji u odre ivanju programa proizvodnje x koji e obezbediti da odnos efekata i investicija bude, u datim uslovima, to ve i. Radi se dakle o problemu maksimizacije efikasnosti investicija. Razlomljeno linearno programiranja ima zna ajnu ulogu u optimizaciji ekonomskih problema zbog toga to su, po pravilu, relativni pokazatelji va niji od apsolutnih, pa modeli razlomljenog linearnog programiranja ne zaostaju za modelima linearnog programiranja. Za razmatranje ekonomskih problema, potrebno je uvesti jo dva ograni enja: (1)Skup mogu ih re enja zadatka razlomljenog linearnog programiranja nije prazan i ograni en je, to zna i da nijedna od ekonomskih aktivnosti koja se pojavljuje u modelu

ne mo e biti neograni ena. Ina e, skup mogu ih re enja je, kao i kod linearnog programiranja, konveksan, tj. ima kona an broj ekstremnih ta aka. (2)Imenilac funkcije cilja (2.1.) mora biti razlicit od nule, tj. z2 (x) 0. Naime, po to je z2(x) linearna i neprekidna funkcija, ona u zatvorenom konveksnom skupu ne menja znak ( za svako x koje zadovoljava sistem linearnih ograni enja). Ako bi se desilo da je imenilac funkcije cilja negativan, on se mo e prebaciti u brojilac, pa se zato i uvodi ograni enje da je z2(x) > 0 . Ovo ograni enje omogu ava da se isklju i mogu nost dobijanja neodre enog programa. Uslov z2(x) 0 matemati ki nebitno su ava okvir zadatka a ekonomski ima veliki zna aj.

46. Dokazati teoremu programiranja

monotonosti

funkcije

cilja

kod

hiperboli nog

Teorema. Na bilo kom pravolinijskom odse ku koji pripada skupu K (K-skup mogu ih re enja), razlomljena linearna funkcija je monotona. Dokaz Neka su x i x krajnje ta ke skupa mogu ih re enja. Ta ka x predstavlja konveksnu kombinaciju ta aka x i x , odnosno: x = x + (1 )x , 0 1 .

Po to se svaka koordinata ta ke x mo e izraziti u vidu konveksne kombinacije ta aka x i x , brojilac funkcije cilja (2.1.) e biti :

Analogno se dobija i za imenilac, pa funkcija cilja (2.1.) dobija oblik :

Kako su x i x konstantne veli ine, u izrazu (2.4.) promenljiva je samo veli ina z razlomljeno linearna funkcija koja zavisi od parametra ( 0 1).

pa je

Da bi dokazali monotonost funkcije z na datom odsje ku tj. za (0 utvrditi znak izvoda .

1) potrebno je

Ako se, u brojiocu prethodnog razlomka, izvr e potrebne ra unske radnje a imenilac izrazi u obliku [z2 (x) ]2 dobija se:

Brojilac u ovom izrazu ne zavisi od , pa je za konstantne veli ine x i x i on konstantan, dok je imenilac kao kvadrat neke veli ine uvijek pozitivan. Zaklju ak: Znak izvoda zavisi od znaka brojioca koji e na datom odsje ku biti ili pozitivan ili negativan.Po to izvod ne mijenja znak slijedi da je funkcija cilja monotono rastu a ili opadaju a , to je trebalo i dokazati.

47. Dokazati da funkcija cilja RLP dosti e ekstremnu vrednost u ekstremnoj ta ki skupa mogu ih re enja Teorema. Razlomljena linearna funkcija dosti e ekstremnu vrednost u ekstremnoj ta ki konveksnog skupa mogu ih re enja. Dokaz Op ti oblik modela matemati kog programiranja mo emo predstaviti u obliku zahtjeva za odre ivanjem vrijednosti promenljivih x1, x2, ..., xn koje zadovoljavaju m nejedna ina i jedna ina oblika: gi (x1, x2, ..., xn) {, =, } bi i=1,..., m

i za koje se ostvaruje maksimalna ili minimalna vrednost funkcije: z= f (x1, x2, , xn).

Pretpostavimo da su funkcije gi i f poznate, dok bi predstavljaju unaprijed zadata ograni enja. Ukoliko sistem ograni enja i odgovaraju u funkciju cilja predstavimo u razvijenom obliku, model matemati kog programiranja je: (max) Z= f (x1, x2, , xn) g1 (x) = g1 (x1, x2, ..., xn) b1 g2 (x) = g1 (x1, x2, ..., xn) b2
.

gm (x) = gm (x1, x2, ..., xn) bm gdje smo pretpostavili odre ivanje maksimalne vrednosti funkcije cilja z, u uslovima kada su sva ograni enja predstavljena nejedna inama sa znakom . Sve vrijednosti promenljivih x=( x1, x2, , xn) za koje su zadovoljene sve nejedna ine sistema ograni enja obrazuju tzv. skup dopustivih ili mogu ih rje enja modela. Cilj rje avanja zadatka matemati kog programiranja jeste odre ivanje one kombinacije vrijednosti promenljivih iz skupa mogu ih rje enja za koje funkcija cilja ostvaruje ekstremnu vrijednost. Takvo rje enje, koje obiljele avamo sa x*=( x1*, x2*, , xn * ) predstavlja optimalno rje enje zadatka.

48. Grafi ki metod za rje avanje zadatka kod hiperboli nog programiranja (op ti oblik) Najjednostavniji na in odre ivanja rje enja u zadatku razlomljenog linearnog programiranja je grafi ki metod, ali su mogu nosti njegove primene veoma ograni ene, jer se on mo e primijeniti samo u slu aju kada u zadatku postoje dvije realne promjenljive. Pri rje avanju zadataka razlomljenog linearnog programiranja, grafi kim metodom, mogu nastupiti slede i slu ajevi: 1) Skup mogu ih rje enja je ograni en. Funkcija cilja dosti e maksimalnu vrijednost. Strelica na slici pokazuje pravac kretanja funkcije cilja kako bi funkcija cilja (z) rasla.

2) Skup mogu ih rje enja je neograni en. Funkcija cilja dosti e maksimalnu i minimalnu vrednost.

3) Skup mogu ih rje enja je neograni en. Funkcija cilja dosti e samo maksimalnu vrednost. Prava x2= kx1 zauzima polo aj paralelan jednom ograni enju, pa funkcija cilja ima tkz. asimptotski minimum.

4) Skup mogu ih rje enja je neograni en, oba ekstremuma su asimptotska.

Algoritam za dobijanje optimalnog rje enja, tj. ekstremnih ta aka skupa mogu ih re enja, za razlomljenu linearnu funkciju cilja, oblika:

uz postojanje sistema linearnih ograni enja, potrebno je: 1) Grafi ki predstaviti prave koje reprezentuju nejedna ine sistema ograni enja. 2) Identifikovati skup mogu ih re enja (K) tj. konveksni skup. 3) Da bi utvrdili ta ke u kojima funkcija cilja dosti e ekstremnu vrijednost, potrebno je izraziti funkciju cilja (2.11.) u obliku x2 = kx1, pri emu je Funkcija x2 = kx1, geometrijski predstavlja pravu koja prolazi kroz koordinatni po etak i zavisi od veli ine z. k= f(x) pa za fiksirano z, koeficient pravca prave x2 = kx1, je konstantan, prava zauzima odre eni polo aj. Ako se z mijenja, mijenja se I koeficient pravca pa se prava rotira oko koordinatnog pocetka, mijenjajuci samo pravac. 4) Utvrditi karakter zavisnosti koeficijenta pravca prave x2 = kx1 od veli ine z preko izvoda, tj.

 Imenilac izvoda, kao kvadrat neke veli ine, je uvijek pozitivan.  Brojilac izvoda ne zavisi od z, pa izvod ima konstantan znak tj. pri pove anju vrednosti z, k e ili da raste ili da opada, a prava x2=kx1 e se okretati samo u jednu stranu.

 Ako je znak izvoda negativan, prava x2=kx1 se okre e u pravcu kazaljke na satu.  Ako je pozitivan u pravcu suprotno kazaljci na satu. 5) Izra unati koordinate ekstremnih ta aka i vrijednost funkcije cilja u tim ta kama. 49. Grafi ki metod-slu aj funkcionala bez slobodnog lana Imamo funkciju razlomljenog linearnog programiranja koja nema slobodan lan. Funkcija ima samo dve nepoznate promenjive zato to je to ograni enje grafi kog metoda. Ukoliko funkcija razlomljenog programiranja glasi

I ukoliko imamo dat sistem ograni enja koji predstavlja linearne jedna ine zadatak, re avamo zadatak na slede i na in: 1) Graficki predstavljamo prave koje predstavljaju nejedna ine sistema ograni enja. 2) Identifikujemo skup mogucih re enja (K) tj. konveksni skup. 3) Da bi utvrdili tacke u kojima funkcija cilja dosti e ekstremnu vrednost, potrebno je izraziti datu funkciju cilja na sledeci na in, tj dobijamo da je X2 jednako X2= (c1-z*t1)/(z*t2-c2) * x1 X2= K*X1 iz cega sledi da je koeficijent pravca funkcije cilja K jednak

S obzirom da funkcija X2= K*X1 nema slobodan clan ona prolazi kroz koordinatni pocetak i zavisi od velicine Z. 4) Sada trebamo odrediti u kojem pravcu se prava X2= K*X1, da li u pravcu kazaljke na satu ili suprotno od pravca kretanja kazaljke na satu, sto saznajemo preko izvoda dk/dz tj

Imenilac izvoda, kao kvadrat neke velicine, je uvek pozitivan a brojilac izvoda ne zavisi od z (zato sto u brojiocu nemamo z) , pa izvod ima konstantan znak. To znaci da pri povecanju vrednosti Z, k ce ili da monotono raste ili da opada, a

prava x2 = kx1 ce se okretati samo u jednu stranu. Ako je znak izvoda negativan, prava x2 = kx1 se okrece u pravcu kazaljke na satu, a ako je pozitivan u pravcu suprotnom kazaljci na satu. 5) Zatim izracunamo koordinate extremnih tacaka, procitamo ih sa grafika, i izracunamo vrednost FC u njima.

50. Grafi ki metod-slu aj funkcionala sa slobodnim lanom Ukoliko funkcija razlomljenog linearnog proglramiranja ima sledeci oblik tj ima slobodni clan u FC

Uz dati sistem ogranicenja koje cine linearne nejednacine, da bi resili zadatak potrebno je prvo izvrsiti zamenu promenjivih tako da su

Ovom zamenom dobijamo novu FC oblika

(

=Z

Kada se oslobodimo zagrada dobijamo izraz

Dalje odredimo za

vrednosti koje ce zadovoljiti jednacine

Posle svih zamena, dobija se nova FC i sistem ogranicenja ogranicenja oblika

Ovim smo FC koja je imala slobodni clan sveli na funkciju koja nema slobodni clan. Sledeci korak je graficko unosenje jednacina sistema ogranicenja gde vidimo da sistem ogranicenja u koordinatnom sistemu 0` formira konveksan skup. Geometrijski interpretirano to znaci da je zamena promenjivih dovela samo do pomeranja koordinatnog pocetka iz 0 u 0` ( ,). Sto i vidimo sledecoj slici. Na osnovu iste dolazimo do nekoliko zakljucaka a to je da: - Sistem ogranicenja obrazuje konveksan skup - Zamena promenjivih znaci samo pomeranje koordinatnog pocetka iz 0 u 0` - Pri pomeranju koordinatnog pocetka konveksni skup ne menja svoj polozaj u ravni jer se sa promenom koordinatnog sistema menjaju i ogranicenja koja ga odredjuju. I upravo radi toga - Nije potrebno transformisati ogranicenja, pa samim time ni odredjivati konveksni skup.

Za kraj zakljucujemo da se graficki metod odredjivanja optimalnog re enja zadatka razlomljenog linearnog programiranja sa slobodnim clanom u FC sastoji od sledecih aktivnosti:

1) U koordinatnom sistemu X10X2 graficki predstaviti prave koje reprezentuju nejednacine sistema ogranicenja. 2) Identifikovati skup mogucih re enja (konveksni skup K). 3) Nacrtati grafik prave koja predstavlja imenilac funkcije cilja i proveriti da li je zadovoljen uslov da Z2(x) =/ 0 (tj da imenilac funkcije cilja nije jednak nuli) 4) Izracunati koordinate novog koordinatnog pocetka, tj. 0` ( , ) 5) Utvrditi koordinate ekstremnih tacaka i znak izvoda dk/dz 6) Izracunati vrednost funkcije cilja u ekstremnim tackama.

51. Marto ev metod za re avanje problema hiperboli nog programiranja Linearna ogranicenja u zadacima razlomljenog linearnog programiranja i postojanje optimalnog re enja zadatka u ekstremnoj tacki konveksnog skupa mogucih re enja, omogucava primenu simpleks metoda za re avanje problema razlomljenog linearnog programiranja. Potrebno je jedino definisati kriterijume optimalnosti zadatka razlomljenog linearnog programiranja. Martosev metod predstavlja jedan od nacina resavanja problema razlomljenog linearnog programiranja pomocu simplex metoda. Martos je prilagodio standardnu simplex tabelu tako sto je vrstu Cj razlozio na dve vrsta: Z1 i Z2. U vrsti Z1 upisuju se koeficijenti brojioca funkcije cilja a u vrsti Z2 se upisuju koeficijenti imenioca iste funkcije. Imamo jos jednu razliku a to je vrsta dj. Zadatak razlomljenog linearnog programiranja cemo predstaviti na sledeci nacin:

Sa ogranicenjima:

Odnosno, nakon sto nejednacine transformisemo u jednacine tako sto uvedemo dodatne promenjive dobijamo funkciju cilja oblika

Dodatne promenljive se uvode i u funkciju cilja (brojilac i imenilac) sa koeficijentom nula tj (cp+1 = cp+2 = ... = cp+m = 0; tp+1 = tp+2 = ... = tp+m = 0). Vec smo pomenuli da Martosev metod ima i dj vrstu koja nam sluzi kao kriterijum optimalnosti. Dj vrstu izracunavamo na sledeci nacin

Pri cemu C0 i T0 predstavljaju slobodne clanove brojioca i imenioca, a samo dj se resava kao i svaka druga determinanta, formulu vidimo iznad. Samo d0 predstavlja vrednost funkcije cilja i dobija se kao odnos C0 i T0, tj . U pocetnom bazicnom re enju datog problema (kao i u modelu linearnog programiranja) , vrednosti realnih promenljivih su jednake nuli, vrednosti dodatnih promenljivih slobodnim clanovima sistema ogranicenja, a vrednost funkcije cilja je

Opsti oblik prve simplex tabele koja odgovara datom problem razlomljenog linearnog programiranja je

Da bi dosli do OR potrebno je izvrsiti nekoliko iteracija prilikom kojih se vrsi promena vektora u bazi. Pretpostavicemo da je odradjeno k iteracija i da u narednoj, k+1 iteraciji, u bazu ulazi neki vektor Xs a bazu napusta neki vektor Xp+r. U tom slucaju karakteristican element je ars. U (k+1)-voj simpleks tabeli umesto C0(k) nalazice se C0(k+1) ii mace vrednost jednaku

Tj kada skratimo ars dobicemo izraz

Na isti nacin se dobija i T0(k+1). Kada smo izracunali vrednost C0 i T0 u (k+1)-oj interaciji, mozemo da izracunamo vrednost FC u toj iteraciji kao odnos izmedju C0(k+1) i T0(k+1) tako da je

br/ars predstavlja drugi simplex kriterijum. Sledeci korak je da nadjemo razliku izmedju vrednosti funkcije cilja u k-toj iteraciji i (k+1)-oj iteraciji tj

odnosno

Ako imenilac razlomka oznacimo sa T0(k) * T0(k+1) a u brojiocu izdvojimo zajednicki clan br/ars dobijamo novi izraz

A s obzirom da je postaje

izraz

Iz ovog izraza cemo dobiti kriterijum za ulazak promenjive u bazu. Kada ga vise analiziramo vidimo da: a) Da ne bi iza li iz skupa mogucih re enja, kolicnik br/ars mora biti pozitivan i najmanji od svih mogucih, tj.

Zato mora biti da ars>0 jer je po uslovu zadatka br>0. U skladu sa njim i kolicnik br/ars ce biti uvek negativan. b) Prema uslovu zadatka razlomljenog linearnog programiranja, imenilac funkcije cilja (u skupu mogucih re enja to je bilo T0(k) * T0(k+1) ) mora biti pozitivan, tj. za ma koje re enje T0(k)>0 i T0(k+1). c) Znak razlike z(k+1)-z(k) zavisi od dj na sledeci nacin: - Ako je ds>0 onda je z(k+1)-z(k)>0 - Ako je ds<0 onda je z(k+1)-z(k)<0 Drugim recima, ako se za karakteristicnu kolonu odabere kolona sa pozitivnom vredno cu ds, u narednoj iteraciji ce se smanjiti vrednost funkcije cilja. Ako je ds<0 onda z(k+1)>z(k) tj vrednost funkcije cilja ce se povecati ako se za karakteristicnu kolonu odabere kolona sa negativnom velicinom ds. Vazi i obrnuto. A ako je ds=0 onda z(k+1)=z(k) tj vrednost FC ostaje nepromenjena. Da zakljucimo: Kriterijum po kome se odreduje vektor koji ulazi u bazu, kod problema minimizacije funkcije cilja je di = max dj > 0, tj od svih pozitivnih vrednosti dj uzimamo najvecu. Kod

problema maksimizacije, odreduje se na osnovu negativne velicine dj, odnosno najvece apsolutne vrednosti dj. Za odredivanje vektora koji napu ta bazu koristi se II Dantzigov simpleks kriterijum, tj =min (br/ars) tj (xb/xbs) u zavisnosti da li se zadatak resava preko ST ili matricnog racuna. 52. arns-Kuperov metod za re avanje problema hiperboli nog programiranja Carns i Kuper su nasli nacin da prevedu problem razlomljenog linearnog programiranja u linearni problem koji kao takav i resavamo pomoci simplex metoda a kasnije, nakon sto dobijemo OR, resenja prebacujemo u resenja razlomljenog linearnog programiranja. Ako nam je dat sledeci problem razlomljenog programiranja:

Razmotricemo slucaj kada je imenilac funkcije cilja X2 > 0, tj. Uvodimo prvu smenu po kojoj je 1/imenilac funkcije cilja >0, tj.

Tako da funkcija cilja sada ima sledeci oblik

Sada uvodimo drugu smenu po kojoj je

U pocetku smo imali funkciju razlomljenog linearnog programiranja sa promenjivom X a sada imamo funkciju linearnog programiranja sa promenjivom y. Dobijena funkcija cilja dobija oblik

Zatim pomnozimo sistem ogranicenja sa y0 pa dobijamo novi oblik sistema ogranicenja

Tj, kada uzmemo u obzir drugu smenu koju smo uveli i kada slobodne clanove prebacimo na levu stranu , sistem ogranicenja izgleda

Iz uslova prve smene dobijamo novo ogranicenje koje glasi I koje dodajemo postojecem sistemu ogranicenja. Na kraju dobijamo novu funkciju cilja linearnog prigramiranja koja je mesoviti problem maksimuma :

Zadatak resavamo kao mesoviti problem maksimizacije kod linearnog programiranja i kada dobijemo optimalno resenje, koristimo smenu sa pocetka da dobijemo resenja razlomljenog linearnog programiranja tj. X1= X2= ... Xp=

53. x 54. x 55. x 56. x

57. Dokazati da matrica koeficijenata sistema ograni enja kod TP ima r=m+n-1 Matricu koeficijenata sistema ogranicenja na eg transportnog problema mo emo predstaviti u obliku : 1 1 ... 1 0 0 ... 0 .... 0 0 ... 0 0 0 ... 0 1 1 ... 1 .... 0 0 ... 0 ... 0 0 ... 0 0 0 ... 0 ... 1 1 .... 1 1 0 ... 0 1 0 ... 0 .... 1 0 ... 0 0 1 ....0 0 1 ... 0 .... 0 1 .... 0 0 0 ... 1 0 0 ... 1 .... 0 0 ... 1

A=

U matrici A ima ukupno ( m + n ) vrsta, I sve su linearno zavisne. Ukoliko saberemo prvih m vrsta matrice A dobicemo vrstu ciji su svi elementi jedinice - isto takvu vrstu cemo dobiti sabiranjem preostalih n vrsta matrice A, tj. p1 + p2 +. + pm = pm+1 + pm+2 ++ pm+n ( p1 ,., pm+n = vrste matrice A)

Ovo znaci da svaku vrstu matrice A mo emo izraziti u vidu linearne kombinacije ostalih. Na primjer, za prvu vrstu je p1 = (pm+1 + + pm+n ) (p2 +. + pm ) Isto va i za bilo koju od preostalih vrsta matrice A. Ukoliko sada iz matrice A iskljucimo poslednju vrstu, i uzmemo minor (m n 1) -og reda koji ukljucuje kolone koeficijenata uz promenljive x1n , , xmn , x11 , . , x1n-1 , dobijamo 1 0 ... 0 1 1 ... 1 0 1 ... 0 0 0 ... 0 ..... .. .. 0 0 ... 1 0 0 ... 0

detM (m+n-1) =

=1

0 0 ... 0 1 0 ... 0 0 0 ... 0 0 1 ... 0 .. ... .. 0 0 ... 0 0 0 ... 1 Kako je vrijednost dobijenog minora razlicita od nule, to konstatujemo da je r (A) !m n 1, to je trebalo i dokazati. 58. Za to se u modelu transporta bazi no re enje obrazuje od m+n-1 promenljivih (nisam sigurna za ovaj odg,jer ne postoji konkretno poglavlje ) Na osnovu poznatih stavova linearnog programiranja, tvrdjenje prethodne dvije teoreme (teorema 3.2.- broj linearno nezavisnih jednacina sistema ogranicenja transportnog problema je m+n-1, i teoreme 3.3. - matrica koeficijenata sistema ograni enja kod t.p. ima rang m+n-1 ) ima za posledicu cinjenicu da u bilo kom bazicnom re enju mora imati tacno m n -1 bazicnih promenljivih. Tabelarno, to znaci da ce u svakoj tabeli koja reprezentuje neko bazicno moguce re enje biti popunjeno m n 1 polja, dok ce preostali mn (m n 1) polja ostati prazna, odnosno odgovarajuce promenljive ce biti jednake nuli.

59. Koji metodi se koriste za odre ivanje po etnog bazi nog re enja kod transportnog problema

Od razlicitih metoda koji se mogu koristiti za odredivanje pocetnog bazicnog re enja razmotricemo tri metoda:  metod sjeverozapadnog ugla  metod minimalnih tro kova  Vogelov aproksimativni metod 1. Metod severozapadnog ugla (dijagonalni metod) Metod severozapadnog ugla predstavlja takav postupak odredivanja pocetnog bazicnog re enja u kome rasporedivanje kolicina robe za prevoz preko razlicitih puteva zapocinjemo iz lijevog gornjeg (severozapadnog) ugla tabele, odnosno polja (1,1). Nakon toga, u m +n - 1 koraka, iduci dijagonalno, rasporedjuju se kolicine robe u razlicita polja tabele koja odgovaraju razlicitim putevima. Postupak se zavr ava nakon iscrpljivanja svih ponudjenih kolicina robe u pojedinim ishodi tima, odnosno nakon zadovoljenja ukupne tra nje pojedinih odredi ta. Osnovna prednost primjene metoda sjeverozaoadnog ugla ogleda se u izuzetnoj jednostavnosti postupka odredjivanja

pocetnog bazicnog re enja. Znacaj ove osobine posebno dolazi do izra aja kod slo enijih problema transporta u kojima imamo veliki broj ishodi ta i odredi ta. 2. Metod minimalnih tro kova Prilikom rasporedivanja kolicina robe za prevoz ne uzimaju se u obzir iznosi transportnih tro kova na pojedinim putevima. Metod minimalnih tro kova podrazumijeva prevashodno kori cenje puteva (polja tabele) kojima odgovaraju najmanji tro kovi po jedinici prevezene robe. Zbog toga, ovaj metod u op tem slucaju obezbeduje dobijanje pocetnog bazicnog re enja koje je bli e optimalnom re enju u odnosu na odgovarajuce re enje dobijeno metodom severozapadnog ugla. Postupak odredivanja pocetnog bazicnog re enja zapocinje kori cenjem puta kojem odgovaraju najmanji tro kovi, pri cemu u odgovarajuce polje tabele unosimo maksimalno mogucu kolicinu (manji od iznosa ponude i tra nje) za prevoz. Naizmenicnim popunjavanjem preostalih praznih polja kojima odgovaraju najmanji transportni tro kovi, u m +n-1 koraka dolazi se do pocetnog bazicnog re enja. Odredivanje pocetnog bazicnog re enja primjenom ovog metoda podrazumijeva prethodnu i sukcesivnu analizu tro kova transporta robe, to u problemima vecih dimenzija ote ava postupak i povecava mogucnost pogre nog rasporedivanja. Prednost ovog metoda ogleda se cinjenici da njegova primjena obezbjeduje znacajno skracivanje postupka odredivanja optimalnog re enja. 3. Vogelov metod ( metod maksimalnih razlika ) Predstavlja najslo eniji postupak odredivanja pocetnog bazicnog re enja. Su tina ovog metoda sastoji se u izracunavanju potencijalnih gubitaka koji ce nastati ukoliko se izmedu dva polja sa minimalnim transportnim tro kovima, koja se nalaze u nekoj vrsti (koloni) tabele, koristi ono polje u kome su transportni tro kovi veci. Primjena ovoga metoda obezbjeduje pocetno rasporedivanje kolicina robe za prevoz, tj. izracunavanje vrednosti promenljivih bazicnog re enja koje su najbli e optimalnom re enju. Zbog toga ovaj metod garantuje najkracu algoritamsku proceduru odredivanja optimalnog programa transporta robe. I korak : Izracunavanjem vrijednosti razlika izmedu dva minimalna tro ka za svaku vrstu i kolonu tabele. Tako izracunate razlike pridru ujemo vrstama i kolonama tabele, II korak : Odredujemo vrstu, odnosno kolonu kojoj odgovara najveca vrijednost razlike. III korak : Pocetnu kolicinu rasporedujemo u polje sa najni im tro kovima koje odgovara vrsti (koloni) sa najvecom izracunatom razlikom. S obzirom da se u jednom koraku elimini e ili vrsta ili kolona, nakon svakog rasporedivanja vr i se izracunavanje promijenjenih razlika izmedu dva minimalna elementa (od preostalih).

Postupak se, kao i kod drugih metoda za odredivanje pocetnog bazicnog re enja, zavr ava nakon preraspodeljivanja ukupne ponude na mesta tra nje, tj. nakon popunjavanja m +n-1 polja tabele.

60. Koji je razlog pojavljivanja i kako se manifestuje problem degeneracije kod TP? Kako se on prevazilazi? Ukoliko u postupku re avanja transportnog problema odredimo re enje u kome nema m+n-1 bazicnih promenljivih, odnosno popunjenih polja tabele, konstatujemo da takvo re enje ne zadovoljava neophodan uslov za primjenu nekog od metoda optimizacije. Takav slucaj predstavlja degeneraciju transportnog problema, dok ovakvo re enje smatramo degenerativnim. Ovakav slucaj se javlja kad je neka od parcijalnih suma ponude jednaka nekoj od parcijalnih suma tra nje. Slucaj degeneracije t.p. mo e se pojaviti:  prilikom odredivanja pocetnog bazicnog re enja,  u postupku pobolj avanja nekog programa transporta u proceduri optimizacije. Prilikom odredivanja pocetnog re enja degeneracija se javlja u slucaju kada popunjavanjem nekog od polja istovremeno elimini emo raspolo ive kolicine odgovarajuce vrste i kolone, odnosno istovremeno iscrpimo svu raspolo ivu ponudu robe i zadovoljimo ukupnu tra nju koja odgovara tom odredi tu. U postupku optimizacije, kada u nekoj od iteracija odredujemo pobolj ano re enje, slucaj degeneracije se javlja kada u jednom koraku iskljucimo iz baze dvije promenljive, a u bazu ukljucimo samo jednu prethodno nebazicnu promenljivu. Tabelarno, ovaj slucaj nastaje kada u jednom koraku dva (ili vi e) prethodno popunjena polja ostaju prazna, dok popunjavamo samo jedno prethodno prazno polje. Za primjenu nekog od metoda optimizacije programa transporta neophodno je da u tabeli bude popunjeno tacno n+m-1 polja, odnosno da se toliki broj promenljivih nade u bazi. Zbog toga, slucaj degeneracije se prevazilazi tako to se u neko od praznih polja unosi kolicina od jedinica robe, gdje je infinitezimalno mali broj, koji ne naru ava izra ene jednakosti ponude i tra nje. Obicno se ova velicina unosi u prazno polje kome odgovaraju najni i transportni tro kovi po jedinici prevezene robe. 61. Stepping stone metod iliti metod skakanja s kamena na kamen Za odre ivanje optimalnog rje enja mogu se koristiti: a) Stepping stone metod (u daljem textu SSM)

b) Metod potencijala (Modi metod) SSM: -Koristi se za provjeru pocetnog bazicnog rjesenja (u daljem textu PBR) tj. Da bismo mogli da koristimo SSM moramo izracunati PBR. Sustina ovog metoda sastoji se u ispitivanju NEzauzetih polja. Ako imamo u transportnoj tabeli polja preko kojih se vrsi transport zovemo ih zauzeta. Preko tih polja se vise ne moze transportovati a znamo troskove za ta polja i mi pokusavamo da ih snizimo tako sto cemo pokusati transport preko drugih polja, pa je sustina ove metode da se ispituju nezauzeta polja. Znaci, ispitujemo ta nezauzeta polja da vidimo da li ona mogu da se ukljuce u transport da bi troskovi bili nizi u odnosu na pocetne. To nezauzeto polje pokusavamo da ukljucimo u transport robe tako sto ga povezujemo sa zauzetim poljima. To se radi na taj nacin sto se crtaju poligoni (mnogouglovi) za prazna polja. Oni se formiraju tako sto se pocne od praznog polja a ostala tjemena mnogougla nalaze se na zauzetim poljima. To polje ce postati zauzeto a neko od zauzetih(preko kojih smo formirali poligon) ce postati prazno ( kao kod Simplex tabela-kad jedna promjenljiva udje u bazu, neka druga mora da napusti bazu). Kad formiramo poligone, uglovi moraju biti pravi a broj tjemena paran. Najmanji broj tjemena je 4 a najveci m+n. Metod je dobio naziv upravo po tome sto se prelazi (ska e) s polja na polje. -Za nezauzeta polja treba formirati relativne troskove. Relativni troskovi pokazuju za koliko jedinica ce se ukupni troskovi transporta povecati ili smanjiti ukoliko u odgovarajuce polje uvrstimo jednu jedinicu prevezene robe. Ako ti troskovi budu negativni to znaci da cemo koriscenjem tog polja smanjiti ukupne troskove a ako ti troskovi budu pozitivni to znaci da cemo koriscenjem tog polja povecati ukupne troskove. Relativne koeficijente troskova izracunavamo tako sto od transportnog troska koji odgovara pocetnom (praznom) polju naizmjenicno oduzimamo i dodajemo jedinicne troskove transporta koji se nalaze na tjemenima poligona (znaci prvi oduzmemo, sledeci saberemo itd). Postojanje makar jednog negativnog koeficijenta znaci da PBR nije optimalno! -Postupak rje avanja odvija se tako to prvo na emo PBR. Nakon toga, na osnovu praznih polja formiramo poligone. Odredimo koeficijente relativnih tro kova za prazna polja ( d ). Kad odredimo te koeficijente gledamo da li je rje enje optimalno tj da li su sve vrijednosti relativnih koeficijenata ( d ) pozitivne. Ukoliko je makar jedna vrijednost negativna znaci da rje enje nije optimalno tj mo e da se pobolj a. Ako ima vi e negativnih koeficijenta, biramo najveci apsolutni jer cemo kori enjem tog polja koje ima najve u apsolutnu vrijednost relativnog koeficijenta najvi e smanjiti tro kove i to polje uklju ujemo u transport. U to polje treba sad unijeti neku koli inu koja e se transportovati, koju obilje avamo sa , a ne e drugo moramo oduzeti istu koli inu da ne bismo naru ili ravnote u jer ukupna koli ina robe ostaje ista samo je preraspore ujemo. Na tjeme praznog polja upisujemo , na polje pored od postoje e koli ine oduzimamo , na slede e sabiramo itd (naizmjeni no). Izjedna avanjem

minimalne razlike sa nulom dobijamo vrijednost (npr 50- i 150- ,uzimamo 50- =0 jer je minimalna i dobijamo da je =50 jer ako bismo uzeli 150- =0, =150, dobili bismo ne e negativne koli ine 50- =50-150 ) i to je koli ina koju emo transportovati preko polja koje je do sad bilo prazno. Crtamo novu tabelu i popunjavamo je najprije koli inama iz prethodne tabele tj popunjavamo prvo polja koja nijesu bila obuhva ena poligonom, pa tek onda polja iz poligona. Nakon toga ra unamo transportne tro kove i upore ujemo ih sa sa tro kovima koji su odgovarali PBR. Ako su se tro kovi snizili to zna i da je rje enje dobijeno ovom metodom pobolj ano. Razlika nam pokazuje koliko e se tro kovi smanjiti ako preko ovog, do sad praznog polja transportujemo neku koli inu robe. Smanjenje tro kova mozemo izra unati i preko formule z=xij*dij (xij= ) koja pokazuje proizvod koli ine koja e se transportovati preko odabranog polja i relativnog koeficijenta tro kova za to polje. Nakon toga ponovo ra unamo relativne koeficijente tro kova i ponavljamo postupak sve dok sve vrijednosti d ne budu pozitivne to predstavlja optimalan program transporta robe.

62. Metod potencijala Modi metod(modifikovani simplex metod) Metod potencijala predstavlja postupak za odre ivanje optimalnog programa transporta robe na osnovu ve odre enog po etnog programa transporta. Su tina ovog metoda sastoji se u ispitivanju mogu nosti pobolj anja ve dobijenog programa transporta, koji se u iterativnoj proceduri transformi e u optimalno rje enje. Postupak primjene metoda potencijala podrazumijeva odre ivanje po jednog takozvanog mno itelja za svaku od jedna ina ponude i tra nje sistema ograni enja modela transporta. Mno itelaj ima m+n a bazi nih promjenljivih m+n-1. Jednom od mno itelja dodjeljuje se proizvoljna vrijednost, naj e e nula. Preostali mno itelji se izra unavaju iz relacije: Cij=Ui+Vj odnosno Cij-Ui+Vj=0 pri emu je: i=1,...,m j=1,...n Cij su vrijednosti potencijala a Ui i Vj mno itelji i ova relacija va i za zauzeta polja. Za nezauzeta polja potencijali se izra unavaju iz relacije: Cij'=Cij-Ui-Vj Ukoliko za jedno ili vi e praznih polja dobijemo negativne vrijednosti potencijala (Cij'<0) izra unati program transporta nije optimalan. Za pobolj anje programa se koristi polje kome odgovara negativni potencijal sa najve om apsolutnom vrijedno u. Za to polje crtamo poligon i balansiramo koli ine po istom principu kao kod SSM (obja njeno ve kod SSM da ne mlatim istu pri u sad). Nenegativne vrijednosti

potencijala za prazna polja nekog programa transporta pokazuju da se radi o optimalnom rje enju. Algoritam Modi metoda: 1) 2) 3) 4) Odrediti po etni program transporta robe (PBR) Odrediti mno itelje Ui i Vj za svaku vrstu i kolonu po etnog rje enja Izra unati potencijale za svako prazno polje tabele Koriste i polje sa najve om apsolutnom vrijedno u potencijala odrediti pobolj ani program transporta odgovaraju im balansiranjem koli ine prevezene robe 5) Postupak se ponavlja sve dok svi potencijali ne budu pozitivni. Optimalno rje enje je isto kao kod SSM. 63. Otvoreni problem transporta i postupak njegovog rje avanja Kad radimo transportni problem potrebno je da postoji jednakost ponude i tra nje i to zna i da se radi o zatvorenom transportnom problemu, u kojem raspodjela robe koja postoji u pojedinim mjestima ponude omogu uje zadovoljenje cjelokupne tra nje svih potro a a. Pored zatvorenog transportnog problema postoji i otvoreni i to onda kad nije zadovoljen uslov o postojanju jednakosti izme u ukupne ponude i ukupne tra nje tj kada je ai bj radi se o otvorenom transportnom problemu. Postoje dva slu aja otvorenog modela transporta: 1) Otvoreni model u kojem je ukupna ponuda ve a od ukupne tra nje tj. ai > bj 2) Otvoreni model u kojem je ukupna ponuda manja od ukupne tra nje tj. ai < bj Da bi problem mogao da se rije i potrebno je da ponuda I tra nja budu jednake jer je algoritam za rje avanje tranansportnog problema takvog oblika pa ih moramo izjedna iti. 1) Slu aj kad je ponuda ve a od tra nje: Postupak rje avanja modela sastoji se u definisanju jednog uslovnog (fiktivnog) mjesta tra nje (fiktivna kolona u tabeli) kojem se dodjeljuje iznos za koji je ukupna tra nja manja od ukupne ponude odnosno: bn+1 = ai - bj

2) Slu aj kad je ponuda manja od tra nje: Ako je ukupna ponuda manja od ukupne tra nje uvodi se uslovno(fiktivno) mjesto ponude (fiktivna vrsta u tabeli) ija je ponuda jednaka razlici izme u ukupne tra nje I ukupne ponude tj: am+1 = bj - ai Kad dodamo uslovnu ponudu ili tra nju moramo definisati i tro kove. Cij=0 jer taj potro a ne postoji ali upisujemo taj vi ak u polje uslovnog potro a a I to je vi ak koji e ostati na skladi tu I to polje smatramo zauzetim da bi uslov m+n-1 bio zadovoljen ali na kraju ne mo emo komentarisati da smo poslali tu koli inu nekom nego ka emo da na nekom skladi tu postoji vi ak ponude (odnosno vi ak tra nje u obrnutom slu aju). *Degeneracija Rje enje u kojem nema m+n-1 bazi nih promjenljivih odnosno popunjenih polja tabele ne zadovoljava neophodan uslov za primjenu nekog od metoda optimizacije. Ovakav slu aj se javlja kada je parcijalna suma ponude jednaka nekoj od parcijalnih suma tra nje. Takav slu aj se predstavlja degeneraciju transportnog problema a takvo rje enje smatramo degenerativnim. Degeneracija transportnog problema mo e da se javi prilikom odre ivanja : 1) Po etnog bazi nog rje enja 2) U postupku pobolj avanja nekog problema transporta u proceduri optimizacije. 1) Prilikom odre ivanja PBR degeneracija se javlja u slu aju kada popunjavanjem nekog od polja istovremeno elimini emo raspolo ive koli ine odgovaraju e vrste I kolone, odnosno istovremeno iscrpimo svu raspolo ivu ponudu robe I zadovoljimo ukupnu tra nju koja odgovara tom odredi tu. To se de ava kad je neka parcijalna suma ponude jednaka parcijalnoj sumi tra nje. Kad popunjavamao neko polje posmatramo koli inu koja se nudi I koja se tra i I upisujemo manju (xij=min(120,20), biramo 20 I tom iteracijom elimini emo neku vrstu) ali u slu aju kada je parcijalna ponuda jednaka parcijalnoj tra nji (xij=min(100,100)) takvom iteracijom elimini emo I jednu vrstu I jednu kolonu (odnosno istovremeno elimini emo dvije bazi ne promjenljive) pa ce uslov postojanja m+n-1 bazi nih promjenljivih biti naru en I ka emo da se pojavio problem degeneracije. To mo emo I da ne primijetimo ali kad do emo do kraja provjeravamo koliko imamo punih polja I otklanjamo degeneraciju tako to u neko od susjednih praznih polja (u ono koje ima najni e jedini ne tro kove) upi e nula. Po pravilu se upisuje epsilon jedinica robe, e je epsilon infinitezimalno mali broj, koji ne naru ava izra ene jednakosti ponude I tra nje ali s obzirom da toliko mali broj koji te i nuli jednostavnije je da pi emo nulu I to polje tretiramo kao zauzeto.

2) U postupku optimizacije, degeneracija se javlja kada u nekoj od iteracija u jednom koraku isklju ujemo iz baze dvije promjenljive, a u bazu uklju ujemo samo jednu prethodno nebazi nu promjenljivu. Degeneracija postoji kada treba odrediti , pri emu imamo dvije minimalne a iste vrijednosti. Zna i ovaj slu aj se vezuje za koli inu. Kad pravimo polygon da odredimo nove koli ine, dobijamo dva prazna polja pa problem degeneracije rje avamo na taj na in to u polje sa manjim jedini nim tro kom upisujemo nulu(pa to polje tretiramo kao zauzeto) a drugo polje ostaje prazno.

64. Osnovni pojmovi I pretpostavke teorije transportnih mre a Standardni transportni problem po iva na slede im pretpostavkama: -da postoji m otpremnih stanica (ishodi ta) -da postoji n dopremnih stanica (odredi ta) -da su sva ishodi ta neposredno povezana sa odredi tima -da prevoz od odredi ta do ishodi ta nije mogu esto navedene pretpostavke nijesu realne zato to punktovi imaju mogu nost I potrebu da uvoze I izvoze robu tj da se javljaju istovremeno kao odredi ta I kao ishodi ta, ili da se preko njih vr i samo tranzit robe. Ovakvi, I sli ni problemi spadaju u grupu problema koji se zovu transportni problemi na mre i. Transportna mre a se defini e kao skup vorova (punktova) I skup veza (komunikacija) na kojima se odvija neka transportna djelatnost. vorovi (ozna eni krugovima) mogu biti: gradovi, raskrsnice ulica, aerodrome, eljezni ke stanice. Komunikacije(ozna ene linijama) mogu biti: ulice, drumske saobra ajnice, vazdu ni putevi, eljezni ke stanice.. Prilikom kretanja izme u punktova u nekoj transportnoj mre i, problem se sastoji u odre ivanju optimalnog puta, pri emu optimalni put mo e biti definisan kao najkra i put, najdu i put, najjeftiniji, najpouzdaniji. Grane u mre i su okarakterisane du inom. Du ina grane mo e biti: du ina puta, vrijeme putovanja, transportni tro kovi, pouzdanost itd. Ako se sa P ozna i proizvoljan kona an skup elemenata pi, a sa K skup svih (nije obavezno svih) ure enih parova kij=(pi, pj), koji su sastavljeni od razli itih elemenata skupa P, tada skupovi P I K posmatrani zajedno defini u transportnu mre u. Par (P,K), dva skupa P I K, odre uje potpuno jednu transportnu mre u. Tjemena -tjemena -tjemena -tranzitna tjemena transportne mre e mogu biti: proizvodnje potro nje

U tjemenima proizvodnje veli ina pi je pozitivna, u tjemenima potro nje je negativna a u tranzitnim tjemenima jednaka je nuli.

Elementi kij=(pi,pj) skupa K, nazivaju se komunikacije transportne mre e. Komunikacija kod koje je jedan te isti punkt I po etni I zavr ni naziva se petlja. Mre a -orjentisana -neorjentisana -mje ovita mo e (ne (ozna en znamo e pravac se to biti kretanja) prevozi)

Za svaku komunikaciju su vezana dva broja: 1)Propusna mo (dij) koja pokazuje kolika je maximalna koli ina robe koja se mo e prevesti tom komunikacijom (ta vrijednost nije uvijek data) 2)Tro kovi prevoza (cij) jedinica robe koja se transportuje iz jednog punkta u drugi komunikacijom (uvijek dati) (ako je na komunikaciji napisan samo jedan br to su uvijek tro kovi!) Transportna mre a se mo e prikazati I u obliku kvadratne matrice u kojoj svakom punktu transportne mre e odgovara jedna vrsta I jedna kolona. Vrste matrice A pokazuju u koja tjemena mre e je mogu prevoz iz tjemena koja odgovaraju datoj vrsti a kolone pokazuju koje se komunikacije zavr avaju u doti nom tjemenu mre e. Na glavnoj dijagonali matrice transportne mre e uvijek se nalaze nule, zato to ne postoje komunikacije koje polaze I zavr avaju se se u istim tjemenima. 65. x 66. x 67. x 68. x 69. Matri ne igre sa mje ovitim strategijama.

Strana 317. u knjizi. Ako matri na igra nema sedlastu ta ku, tj. Ako pri optimalnim strategijama za igra a A i igra a B, maximin vrijednost (maksimalni minimalan dobitak za igra a A) i minimax vrijednost (minimalni maximalni gubitak igra a B) NISU jednaki onda se ne radi vi e o prostoj matri noj igri koja ima sedlastu ta ku i ije rje enje se lako nalazi. Ukoliko se igra i pona aju racionalno , onda u elji da bolje prodju, tj. Da pove aju svoj dobitak odnosno smanje svoj gubitak e u nizu poteza birati vi e strategija. Vazno je reci da je vrijednost igre uvijek izmedju minimax i maximin vrijednosti, to zna i da igra A mo e imati dobitak ve i od minimalnog a igra B gubitak manji od maximalnog. Opredjeljivanje za izbor razli itih strategija od strane igra a A i B realizuje se slu ajnim izborom, odnosno sa odre enom vjerovatno om pri

emu jedan slu ajan izbor razli itih strategija predstavlja tzv. Mje ovitu strategiju (kombinacija razli itih vjerovatno a sa kojima e igra i u uzastopnom nizu poteza igrati pojedine strategije koje im stoje na raspolaganju.) Za igra a A mje ovita strategija predstavlja se vektorom x = (x1,x2,...,xm) iji elementi pokazuju vjerovatno e sa kojima igra A primjenjuje pojedine strategije. Suma svih tih vjerovatno a je jednaka jedinici. I sansa za svaku strategiju da bude izabrana je ve a ili jednaka nuli. Ako je ve a od nule onda je to aktivna strategija. Isto va i i za igra a B ija mje ovita strategija je vektor y=(y1,y2,...,yn). Pri svakoj odabranoj strategiji dobitak/gubitak zavise od vjerovatno a x i y, i od matrice pla anja, te vrijednost igre mo emo predstaviti formulom 5.5 iz knjige tj: V= f (x,y) = (suma i=1 do m) (suma i=1 do n) aij xi yj Ili vektorski V= f (x,y) = xPy Primjer u knizi na str 219.

70. Rje avanje mje ovitih matri nih igara. Vrijednost igre ovdje je prosje an dobitak, odnosno gubitak za igra a A/B. Kao i u prethodnom pitanju, svaki igra pona aju i se racionalno poku ava da svede svoj dobitak na maximalan nivo , tj. Gubitak na minimalan nivo. Razli ite vrste mje ovitih igara, zavisno od vrste i dimenzije matrice pla anja, rje avaju se na razli ite na ine. Npr. Igre u kojima jedan igra raspola e sa 2 strategije, a drugi sa 2 ili vi e, tj. Sa kona nim brojem strategija se mogu rije iti analiti ki i grafi ki. To su matrice reda 2x2, 2xn ili mx2...Ako je m ve e od 2 , a takodje i n ve e od 2 onda poku avamo da uprostimo matricu u oblik pogodan za grafi ko i analiti ko rje avanje, ako ne mo e onda rje avamo kori enjem modela LP. Ovo je su tina odgovora na ovo pitanje, zbog nepogodnosti pisanja formula savjetujem da ipak pogledate u knjizi, nema tu puno...

71. Rje avanje igre reda 2x2 E sad da rezimiramo. Ako imate neku matricu 2x2 i ako vidite da donja i gornja vrijednost igre nisu jednake onda je to slo ena matri na igra , tj. Neophodno je da odredimo optimalne strategije za igra e A i B, tj. Vektore vjerovatno a odredjenih

strategija i naravno vrijednost igre to je i cilj samog zadatka. Zna i moraju obije strategije i jednog i drugog igra a biti aktivne, tj. Imati vjerovatno u ve u od 0 da se upotrijebe u jednom od nekoliko poteza ovih igra a. Elemeneti matrice su a11,a12,a21 i a22. Svako igra gleda vrijednost igre ukoliko ovaj drugi izabere neku strategiju... Tako npr igra A ima vjerovatno e kao ranije x1 i x2 za svoje 2 strategije. Za njega da bi odredili vrijednost igre praivmo sistem jedna ina:

a11x1 + a21x2 = v a12x1 + a22x2 = v x1 + x2 = 1

zamjenom npr. X1=1-x2 mozemo na i sve elemente i vrijednost igre. Analogno tome i igra B gleda svoje vrijednosti na osnovu izbora strategija igra a A, te je njegov sistem:

a11y1 + a12y2= v a21y1 + a22y2= v y1 + y2 = 1 Na isti na in dolazimo do vrijednosti igre i elemenata y1 i y2. Grafi ki na in je objasnjen u knjizi na str.323 -330 i lagan je, brzo se prelazi jer su grafici.

72. Rje avanje igre reda (2,n) ili (m,2) Poenta je da se matrica placanja svede na matricu 2x2, pa da se rije i kao takva. Zna i treba uvijek kod igra a koji ima vi e od 2 mogucih strategija na i aktivne 2 strategije, njih emo na i grafi kom metodom koja je odli no obja njena u knjizi na strani 330 i potkrijepljena primjerom, 2xn je matrica kod koje grafi kim metodom tra imo maximalan dobitak za igra a A. Krive koje odre uju omega ta ku su aktivne strategije, njih je 2 i na osnovu njih svodimo matricu na 2x2, tj. To su aktivne strategije sa strane igra a B, postupak se nastavlja analiti kim putem, tj. Analiti ki se rje ava matrica 2x2 kao u prethodnom odgovoru, skre em pa nju da u knjizi nema prazne pri e i da je sve

bitno i mora se pogledati da bi se razumjelo. Str.330-336, to su samo primjeri, nema teorije. Matrica mx2 se odnosi na igra a B, tj. Grafi ki tra imo omega minimalno, tj. Minimalan gubitak na osnovu kojih biramo optimalne strategije sa strane igra a A, dobijamo matricu 2x2 i rje avamo analiti ki. 73. x 74. x