Untitled

OPERATIONS
RESEARCH:
AN INTRODUCTION
SEVENTH EDITION
Hamdy A. Taha
University o f Arkansas, Fayetteville
Pearson Education, Inc.

Upper Saddle River, New Jersey 07458
ВВЕДЕНИЕ
В ИССЛЕДОВАНИЕ
ОПЕРАЦИЙ
СЕДЬМОЕ ИЗДАНИЕ
Хемди А. Таха
Университет Арканзаса, Фейетвилл
Издательский дом “Вильямс”

Москва ♦ Санкт-Петербург * Киев
2005
ББК 32.973.26-018.2.75
Т24
УДК 681.3.07
Издательский дом “Вильямс”
Зав. редакцией С. Н. Тригуб
Перевод с английского и редакция канд. физ.-мат. наук А. А. Минъко
По общим вопросам обращайтесь в Издательский дом “Вильямс” по адресу:
info@williamspublishing.com, h ttp ://www.williamspublishing.com
Т аха, Хемди А.
Т24 Введение в исследование операций, 7-е издание.: Пер. с англ. — М.: Издатель
ский дом “В ильямс”, 2005. — 912 с.: ил. — Парал. тит. англ.
ISBN 5-8459-0740-3 (рус.)
Исследование операций ориентировано на решение практических задач,

которые можно описать с помощью математических моделей. В книге пред
ставлены основные разделы теории исследования операций: математическое
программирование (линейное и нелинейное, детерминированное и стохастиче
ское), теория принятия решений и теория игр, теория управления запасами,
теория массового обслуживания, имитационное моделирование. Книга может
служить учебным пособием по теории и практическому применению методов
исследования операций. Каждая тема начинается с вводного материала, дос
тупного студентам первых курсов, далее уровень изложения постепенно по
вышается и рассчитан уже на студентов старш их курсов и аспирантов. В конце
каждой главы приводится набор комплексных задач, связанных с излагаемой
темой, которые значительно углубляют и расширяют ее.
Написанная без излишнего академизма (но достаточно строго) книга будет
полезна широкому кругу читателей: студентам, аспирантам и преподавателям
высших учебных заведений, экономистам, инженерам, разработчикам про
граммного обеспечения и т.д.
ББК 32.973.26-018.2.75
Все названия программных продуктов являются зарегистрированными торговыми марками

соответствующих фирм.
Никакая часть настоящего издания ни в каких целях не может быть воспроизведена в какой
бы то ни было форме и какими бы то нн было средствами, будь то электронные или механические,
включая фотокопирование и запись на магнитный носитель, если на это нет письменного разреше
ния издательства Prentice Hall, Inc
Authorized translation from the English language edition published by Prentice Hall, Inc.,
Copyright © 2003
All rights reserved. No part of this book may be reproduced or transmitted in any form or by any
means, electronic or mechanical, including photocopying, recording or by any information storage
retrieval system, without permission from the Publisher.
Russian language edition published by W illiams Publishing House according to the Agreement
with R&I Enterprises International, Copyright © 2005
ISBN 5-8459-0740-3 (pyc.) © Издательский дом “ Вильямс” , 2005

ISBN 0-13-032374-8 (англ.) © Pearson Education, Inc., 2003
ОГЛАВЛЕНИЕ
Предисловие 16
Об авторе 19
Глава 1. Исследование операций: что это такое 21
Глава 2. Введение в линейное программирование 33
Глава 3. Симплекс-метод 95
Глава 4. Двойственность и анализ чувствительности 141
Глава 5. Транспортные модели 193
Глава 6. Сетевые модели 243
Глава 7. Теория линейного программирования 321
Глава 8. Целевое программирование 381
Глава 9. Целочисленное линейное программирование 397
Глава 10. Детерминированные модели динамического
программирования 441
Глава 11. Детерминированные модели управления запасами 471
Глава 12. Основы теории вероятностей 507
Глава 13. Методы прогнозирования 537
Глава 14. Теория игр и принятия решений 549
Глава 15. Вероятностное динамическое программирование 595
Глава 16. Вероятностные модели управления запасами 607
Глава 17. Системы массового обслуживания 629
Глава 18. Имитационное моделирование 697
Глава 19. Марковские процессы принятия решений 737
Глава 20. Классическая теория оптимизации 765
Глава 21. Алгоритмы нелинейного программирования 797
Приложение А. Краткий обзор теории матриц 837
Приложение Б. TORA. Краткое описание 849
Приложение В. Статистические таблицы 855
Приложение Г. Частичные ответы к некоторым упражнениям 859
Предметный указатель 893
СОДЕРЖАНИЕ
Об авторе 19
Глава 1. Исследование операций: что это такое 21

1.1. Математические модели исследования операций 21
1.2. Решение моделей исследования операций 24
1.3. Имитационное моделирование 24
1.4. Искусство моделирования 25
1.5. Больше, чем просто математика 26
1.6. Методология исследования операций 28
1.7. Об этой книге 30
Литература 30
Литература, добавленная при переводе 31
Глава 2. Введение в линейное программирование зз

2.1. Модели ЛП с двумя переменными 33
2.2. Графическое решение задачи линейного программирования 36
2.2.1. Нахождение максимума целевой функции 37
2.2.2. Нахождение минимума целевой функции 40
2.2.3. Графическое решение с помощью TORA 43
2.3. Графический анализ чувствительности 46
2.3.1. Изменение коэффициентов целевой функции 46
2.3.2. Доступность ресурсов 51
2.3.3. Стоимость ресурсов 52
2.4. Компьютерное решение задач ЛП 57
2.4.1. Решение задач ЛП с помощью TORA 57
2.4.2. Решение задач ЛП с помощью Excel 60
2.4.3. Решение задач ЛП с помощью LINGO и AMPL 62
2.5. Примеры моделей ЛП 69
Комплексные задачи 91
Глава 3. Симплекс-метод 95
3.1. Стандартная форма задачи ЛП 95
3.1.1. Преобразование неравенств в равенства 95
3.1.2. Свободная переменная 97
Содержание 7
3.2. Переход от графического решения к алгебраическому 99

3.3. Алгоритм симплекс-метода 104
3.3.1. Итерационная природа симплекс-метода 104
3.3.2. Вычислительный алгоритм симплекс-метода 107
3.3.3. Реализация симплекс-метода в системе TORA 116
3.4. Искусственное начальное решение 118
3.4.1. М-метод 118
3.4.2. Двухэтапный метод 123
3.5. Особые случаи применения симплекс-метода 127
3.5.1. Вырожденность 128
3.5.2. Альтернативные оптимальные реш ения 131
3.5.3. Неограниченные решения 133
3.5.4. Отсутствие допустимых решений 135
Глава 4. Двойственность и анализ чувствительности i4i

4.1. Определение двойственной задачи 141
4.2. Соотношения между прямой и двойственной задачами 146
4.2.1. Обзор простых матричных операций 146
4.2.2. Структура симплекс-таблицы 147
4.2.3. Оптимальное решение двойственной задачи 148
4.2.4. Вычисление симплекс-таблиц 152
4.2.5. Значения целевых функций прямой и обратной задач 157
4.3. Экономическая интерпретация двойственности 158
4.3.1. Экономическая интерпретация переменных двойственной
задачи 158
4.3.2. Экономическая интерпретация ограничений
двойственной задачи 161
4.4. Разновидности симплекс-метода 163
4.4.1. Двойственный симплекс-метод 164
4.4.2. Обобщенный симплекс-метод 170
4.5. Анализ чувствительности оптимального решения 171
4.5.1. Изменения, влияющие на допустимость решения 172
4.5.2. Изменения, влияющие на оптимальность решения 183
Глава 5. Транспортные модели 193
5.1. Определение транспортной модели 193

5.2. Нетрадиционные транспортные модели 201
8 Содержание
5.3. Решение транспортной задачи 206

5.3.1. Определение начального реш ения 207
5.3.2. Итерационный алгоритм реш ения транспортной задачи 212
5.3.3. Решение транспортной задачи с помощью TORA 217
5.3.4. Интерпретация метода потенциалов как симплекс-метода 225
5.4. Задача о назначениях 226
5.4.1. Венгерский метод 227
5.4.2. Интерпретация венгерского метода как симплекс-метода 232
5.5. Транспортная модель с промежуточными пунктами 233
Глава 6. Сетевые модели 243

6.1. Основные определения 244
6.2. Алгоритм построения минимального остовного дерева 245
6.3. Задача поиска кратчайшего пути 250
6.3.1. Практические примеры задачи поиска кратчайшего пути 251
6.3.2. Алгоритм определения кратчайш его пути 255
6.3.3. Ф ормализация задачи поиска кратчайш его пути как
задачи ЛП 265
6.3.4. Решение задачи поиска кратчайш его пути в Excel 268
6.4. Задача о максимальном потоке 269
6.4.1. Перебор разрезов 2 70
6.4.2. Алгоритм нахождения максимального потока 271
6.4.3. Ф ормализация задачи поиска максимального потока
как задачи ЛП 280
6.4.4. Решение задачи определения максимального потока в Excel 281
6.5. Задача нахождения потока наименьшей стоимости 283
6.5.1. Сетевая модель 2 83
6.5.2. Сетевая модель как задача линейного программирования 285
6.5.3. Симплексный алгоритм для сетей с ограниченной
пропускной способностью 291
6.5.4. Решение задачи вычисления потока наименьшей
стоимости в Excel 297
6.6. Методы сетевого планирования 299
6.6.1. Построение сети проекта 299
6.6.2. Метод критического пути 305
6.6.3. Построение временного графика 308
6.6.4. Формализация задачи поиска критического пути как задачи ЛП 314
6.6.5. Сети PERT 316
Глава 7. Теория линейного программирования 321
7.1. Основы симплекс-метода 321

7.1.1. Базисные реш ения 323
7.1.2. Матричное представление симплекс-таблиц 327
7.2. Модифицированный симплекс-метод 329
7.2.1. Условия оптимальности и допустимости 330
7.2.2. Вычислительная процедура модифицированного
симплекс-метода 333
7.3. Алгоритм решения задач с ограниченными переменными 338
7.4. Метод декомпозиции 346
7.5. Двойственность 355
7.5.1. Матричное представление двойственной задачи 355
7.5.2. Оптимальное решение двойственной задачи 356
7.6. Параметрическое линейное программирование 360
7.6.1. Параметрическое изменение коэффициентов целевой
функции 360
7.6.2. Параметрическое изменение правых частей ограничений 363
7.7. Метод Кармаркара 366
7.7.1. Основная идея метода Кармаркара 367
7.7.2. Алгоритм Кармаркара 368
Глава 8. Целевое программирование 381

8.1. Формулировка задачи целевого программирования 381
8.2. Алгоритмы целевого программирования 386
8.2.1. Метод весовых коэффициентов 387
8.2.2. Метод приоритетов 390
Глава 9. Целочисленное линейное программирование 397

9.1. Примеры задач целочисленного программирования 397
9.2. Методы решения задач целочисленного программирования 410
9.2.1. Метод ветвей и границ 411
9.2.2. Метод ветвей и границ в системе TORA 418
9.2.3. Метод отсекающих плоскостей 422
9.2.4. Вычислительный взгляд на задачи ЦЛП 428
9.3. Задача коммивояжера 428

9.3.1. Применение метода ветвей и границ для решения задачи
коммивояжера 432
9.3.2. Применение метода отсекающих плоскостей для реш ения
задачи коммивояжера 435
Глава 10. Детерминированные модели динамического

программирования 441
10.1. Рекуррентная природа вычислений ДП 441
10.2. Рекуррентные алгоритмы прямой и обратной прогонки 444
10.3. Приложения динамического программирования 446
10.3.1. Задача о загрузке 447
10.3.2. Задача планирования рабочей силы 455
10.3.3. Задача замены оборудования 458
10.3.4. Задача инвестирования 462
10.3.5. Модели управления запасами 465
10.4. Проблема размерности 465
Комплексная задача 468
Глава 11. Детерминированные модели управления

запасами 471
11.1. Общая модель управления запасами 471
11.2. Статические модели управлення запасами 472
11.2.1. Классическая задача экономичного размера заказа 472
11.2.2. Задача экономичного размера заказа с разрывами цен 478
11.2.3. Многопродуктовая статическая модель с ограниченной
вместимостью склада 482
11.3. Динамические задачи экономичного размера заказа 486
11.3.1. Модель при отсутствии затрат на оформление заказа 487
11.3.2. Модель с затратами на оформление заказа 492
Глава 12. Основы теории вероятностей 507
12.1. Законы теории вероятностей 50 7

12.1.1. Закон сложения вероятностей 508
12.1.2. Условные вероятности 510
12.2. Случайные величины и распределения вероятностей 511

12.3. Математическое ожидание и моменты случайной величины 514
12.3.1. Математическое ожидание и дисперсия случайной
величины 515
12.3.2. Совместные распределения вероятностей 517
12.4. Некоторые распределения вероятностей 520
12.4.1. Биномиальное распределение 520
12.4.2. Распределение пуассона 522
12.4.3. Отрицательное экспоненциальное распределение 523
12.4.4. Нормальное распределение 524
12.5. Эмпирические распределения 527
Глава 13. Методы прогнозирования 537

13.1. Прогнозирование с использованием скользящего среднего 537
13.2. Экспоненциальное сглаживание 541
13.3. Регрессионный анализ 544
Глава 14. Теория игр и принятия решений 549

14.1. Принятие решений в условиях определенности — Метод анализа
иерархий 549
14.2. Принятие решений в условиях риска 560
14.2.1. Критерий ожидаемого значения 560
14.2.2. Другие критерии ожидаемого значения 566
14.3. Принятие решений в условиях неопределенности 575
14.4. Теория игр 580
14.4.1. Оптимальное решение игры двух лиц с нулевой суммой 581
14.4.2. Решение матричных игр в смешанных стратегиях 584
Глава 15. Вероятностное динамическое программирование 595
15.1. Азартная игра 595

15.2. Задача инвестирования 598
15.3. Максимизация вероятности достижения цели 602
Глава 16. Вероятностные модели управления запасами 607

16.1. Модель с непреры вны м контролем уровня зап аса 60 7
16.1.1. “Рандомизированная” модель экономичного размера заказа 60 7
16.1.2. Стохастический вариант модели экономичного
размера заказа 610
16.2. Однозтапные модели 615
16.2.1. Модель при отсутствии затрат на оформление заказа 616
16.2.2. Модель при наличии затрат на оформление заказа 619
16.3. Многоэтапные модели 622
Л итература 624
Глава 17. Системы массового обслуживания 629

17.1. Что такое очередь 629
17.2. Основные компоненты моделей массового обслуживания 631
17.3. Экспоненциальное распределение в системах массового
обслуживания 633
17.4. Модели рождения и гибели (связь между экспоненциальным
и пуассоновским распределениями) 637
17.4.1. Модель чистого рождения 637
17.4.2. Модель чистой гибели 641
17.5. Общая модель системы массового обслуживания 644
17.6. С пециализированные системы обслуживания с пуассоновским
распределением 650
17.6.1. Ф ункциональные характеристики стационарных систем
обслуживания 651
17.6.2. Модели с одним сервисом 655
17.6.3. Модели с параллельными сервисами 666
17.6.4. Модель (M /M /R ) : (G d/K /К ) при R < К 676
17.7. Модель (М / G / 1): (GD/°°/°°)- Формула П оллачека-Х инчина 680
17.8. Другие модели массового обслуживания 683
17.9. Модели принятия решений в теории массового обслуживания 683
17.9.1. Модель со стоимостными характеристиками 683
17.9.2. Модель предпочтительного уровня обслуживания 689
Глава 18. Имитационное моделирование 697

18.1. Метод Монте-Карло 698
18.2. Типы имитационных моделей 703
18.3. Элементы дискретного моделирования 704

18.3.1. Общее определение событий 704
18.3.2. Генерирование выборочных значений 706
18.4. Генерирование случайных чисел 716
18.5. Механика дискретной имитации 718
18.5.1. Ручная имитация модели очереди с одним сервисом 718
18.5.2. И митация модели очереди с одним сервисом в электронной
таблице 723
18.6. Методы сбора статистических данных 726
18.6.1. Метод подынтервалов 727
18.6.2. Метод повторения 729
18.6.3. Метод циклов 730
18.7. Языки имитационного моделирования 732
Глава 19. Марковские процессы принятия решений 73 7
19.1. Марковская задача принятия решений 737

19.2. Модель динамического программирования с конечным числом этапов 739
19.3. Модель с бесконечным числом зтапов 743
19.3.1. Метод полного перебора 743
19.3.2. Метод итераций по стратегиям без дисконтирования 746
19.3.3. Метод итераций по стратегиям с дисконтированием 750
19.4. Применение методов линейного программирования 752
19.5. Приложение: обзор теории цепей Маркова 756
19.5.1. Марковские процессы 756
19.5.2. Цепи М аркова 757
Глава 20. Классическая теория оптимизации 765

20.1. Экстремальные задачи без ограничений 765
20.1.1. Необходимые и достаточные условия существования
экстремума 766
20.1.2. Метод Ньютона-Рафсона 770
20.2. Задачи на экстремум при наличии ограничений 773
20.2.1. Ограничения в виде равенств 773
20.2.2. Ограничения в виде неравенств 789
Глава 21. Алгоритмы нелинейного программирования 797

21.1. Алгоритмы решения задач без ограничений 797
21.1.1. Методы прямого поиска 797

21.1.2. Градиентный метод 801
21.2. Алгоритмы реш ения задач с ограничениями 805
21.2.1. Сепарабельное программирование 805
21.2.2. Квадратичное программирование 815
21.2.3. Геометрическое программирование 820
21.2.4. Стохастическое программирование 825
21.2.5. Метод линейных комбинаций 829
21.2.6. Алгоритм последовательной безусловной максимизации 832
Приложение А. Краткий обзор теории матриц 837

А.1. Векторы 837
А. 1.1. Определение вектора 837
А.1.2. Сложение и вычитание векторов 837
А. 1.3. Умножение вектора на скаляр 83 7
А. 1.4. Линейная независимость векторов 838
А.2. Матрицы 838
А .2.1. Определение матриц 838
А .2 .2. Типы матриц 838
А .2.3. Арифметические операции над матрицами 839
А .2.4. Определитель квадратной матрицы 840
А .2.5. Невырожденная матрица 841
А .2.6. Обратная матрица 842
А .2.7. Методы вычисления обратных матриц 843
А.З. К вадратичные формы 847
А.4. Выпуклые и вогнутые функции 848
Задачи 849
Приложение Б. TORA.Краткое описание 849

Б.1. Главное меню 849
Б.2. Реж им ввода данны х и ф орматы чисел 850
Б.З. Окно ввода данны х 850
Б.4. Меню Solve/M odify 851
Б.5. Формат результата 852
Б.6. Выходные результаты 852
Приложение В. Статистические таблицы 855

Приложение Г. Частичные ответы к некоторым
упражнениям 859

ПРЕДИСЛОВИЕ
Замечательно, что за 30 лет сотни тысяч студентов во всем мире познакомились
с исследованием операций благодаря различным изданиям данной книги. Этот ус
пех побуждает должным образом подготовить новое, седьмое, издание книги, что
бы оно отвечало потребностям будущих поколений студентов.
Основное внимание в седьмом издании уделяется интенсивному использованию
соответствующего программного обеспечения. Прежде всего это программа TORA,
шаблоны электронной таблицы Excel и программные пакеты LINGO и AMPL.
Программа TORA предлагает средства для обращения матриц, решения систем
линейных уравнений, задач линейного целочисленного программирования, транс
портных и сетевых задач, задач теории массового обслуживания и теории игр.
TORA может использоваться в автоматическом режиме или в режиме пошагового
выполнения, который можно считать режимом обучения. В автоматическом ре
жиме выводится конечное решение задачи, обычно в стандартном формате, прису
щем “ серьезным” научным программам. Реж им пошагового выполнения — это
уникальная возможность проверить понимание читателем вычислительных дета
лей каждого алгоритма. Как и ее DOS-предшественница, современная программа
TORA имеет четкий и логичный интерфейс и проста в применении, что полностью
исключает потребность в руководстве пользователя.
Шаблоны электронной таблицы Excel дополняют возможности программы TORA.
Это, в частности, шаблоны для решения задач линейного и динамического програм
мирования, реализации аналитического иерархического процесса, теории принятия
решений, исследования моделей инвестиций, предварительной обработки данных,
теории массового обслуживания, имитационного моделирования и нелинейной оп
тимизации. Некоторые из этих шаблонов являются “ простыми” рабочими листами
Excel. Другие используют надстройку Excel Поиск решения или макросы, написанные
на языке VBA. Но независимо от того, что собой представляют эти шаблоны, все они
обладают особыми средствами или специальными областями для ввода данных, что
позволяет решать широкий круг задач без необходимости изменения формул или
структуры рабочего листа. Формулы и структура рабочих листов организованы та
ким образом, чтобы минимизировать возможность их случайного изменения.
Книга включает примеры использования коммерческих пакетов LINGO и AMPL,
предназначенных для решения сложных и больших задач математического про
граммирования.
Программа TORA и электронная таблица Excel, описанные в книге, призваны
облегчить изучение и понимание излагаемого материла там, где сделать это другим
способом затруднительно. Исходя из своего личного опыта, могу утверждать, что
пошаговый режим программы TORA и рабочие книги Excel очень эффективно по
могают при аудиторном изучении материала, когда какие-либо концепции можно
показать, просто изменив исходные данные задачи. Например, с помощью TORA
можно продемонстрировать причудливое поведение алгоритма ветвей и границ,

примененного для решения небольшой задачи целочисленного программирования,
когда решение найдено за девять итераций, а для проверки его оптимальности по
требовалось более 25 тысяч итераций. Без такой программы, как TORA, с ее понят
ным интерфейсом, было бы сложно показать подобную ситуацию. Другой пример —
это специальные шаблоны рабочих книг Excel для решения задач динамического
программирования и реализации аналитического иерархического процесса, где поль
зователь в интерактивном режиме может эффективно изучить все подробности этих
двух методов. Третий пример касается генерирования псевдослучайных чисел, рав
номерно распределенных на интервале от 0 до 1, на основе мультипликативного ме
тода сравнений. С помощью соответствующей рабочей книги можно непосредственно
продемонстрировать эффект влияния на “ качество” генератора псевдослучайных чи
сел выбора начального числа и других параметров, в частности, на длину последова
тельности случайных чисел, и тем самым предостеречь студентов от опасности ис
пользования этого метода в своих имитационных моделях.
Все главы настоящего издания значительно переработаны (многие переписаны)
для того, чтобы изложить материал в более лаконичной форме. В книгу включен
новый материал: новая вводная глава 1, обобщенный симплекс-метод (глава 4),
представление всех сетевых моделей в виде линейных моделей (глава 6), решение
задачи коммивояжера (глава 9) и метод золотого сечения (глава 21).
Так же, к ак и в шестом издании, книга разбита на три части, посвященные опи
санию детерминированных, вероятностных и нелинейных моделей. Приложения
содержат обзор теории матриц, введение в TORA (хотя сама программа своей про
стотой и наглядностью исключает необходимость в руководстве пользователя), ос
новные статистические таблицы и ответы к некоторым задачам.
Благодарности
Я благодарен многим моим коллегам и сотням студентов за их советы и крити
ческие замечания о содержании книги. Особо хочу поблагодарить профессоров
М айкла Харнетта (R. Michael H arnett) из университета шт. Канзас, Яссера Хосни
(Yasser Hosni) из Флоридского университета, Гая Карри (Guy Curry) из Техасского
сельскохозяйственного университета, Рафаэля Гутиэреса (Rafael Gutierez) из
университета Техаса в Эль-Пасо, Роберта Льюиса (Robert Lewis) из Инженерного
колледжа менеджмента армии Соединенных Ш татов, Аллена С. Ш ермана (Allen С.
Schuermann) из университета шт. Оклахома и Стивена Ван-Дрю (Steven L. VanDrew)
из университета Мерке.
Мои коллеги по университету Арканзаса — профессоры Ричард Кесседи
(Richard Cassady), М айк Кул (Mike Cole), Эрхан Кутан-оглы (Erhan Kutanoglu),
Скотт Мэйсон (Scott Mason), Хетер Нектманн (H eather N achtm ann) и Мануэль Рос
сетти (Manuel R ossetti) — помогли мне при подготовке книги, и я очень благодарен
им за их дружескую поддержку.
Отдельное спасибо хочу сказать профессорам Джоузу Вентуре (Jose V entura) из
университета шт. Пенсильвания, Джорджу Валенсуэле (Jorge Valenzuela) из Обен-
ского университета, Бураку Экси-оглы (Burak Eksioglu) из Флоридского универси
тета, М айклу Харнетту (Michael H arnett) из университета шт. Канзас и Стивену
Ван-Дрю (Steven VanDrew) из университета Мерке за внимательное прочтение шес
того издания книги и полезные замечания.
18 Предисловие
Хочу также выразить признательность моим редакторам Энн Имхоф (Ann Im hof),
Дороти Марреро (Dorothy M arrero) и Линде Кастилло (Lynda Castillo) за их профес
сиональную работу по подготовке книги.
Я благодарен своему новому издателю Prentice Hall за мягкий и гладкий переход
под его покровительство. Выражаю особую благодарность моим редакторам Бей-
ни М. де Леон (Bayani М. de Leon), Алисе Дворкин (Alice Dworkin) и Редоре Пифиа-
ренда (Rhodora Pefiaranda). Их опыт и компетентность чрезвычайно помогли мне.
Хэмди А. Таха
hat@ engr.uark.edu
ОБ АВТОРЕ
Хэмди А. Т аха (Hamdy A. Taha) — профессор технической инженерии универ
ситета Арканзаса, где он преподает и ведет научную работу в области исследования
операций и имитационного моделирования. Таха автор трех книг (помимо данной)
по целочисленному программированию и имитационному моделированию. Его
книги переведены в Китае, Корее, Испании, Японии, России, Турции и Индонезии.
Таха такж е написал несколько книг в соавторстве. Его статьи напечатаны в журна
лах M anagem ent Science, Operations Research, Interfaces, N aval Research Logistics,
European Journal o f Operations Research и A l l E Transactions.
Профессор Таха назван Senior F ulbright Scholar (ведущим Фулбрайтовским уче
ным) университета Карлоса III (Мадрид, Испания). Он удостоен премии Alumni
Award за достижения в научных исследованиях и премии Nadine Baum Faculty
Teaching Award за плодотворную преподавательскую деятельность (обе премии
присуждены университетом Арканзаса). Он такж е награжден многочисленными
премиями за научную и преподавательскую деятельность в инженерном колледже
университета А рканзас. Хэмди Таха свободно владеет тремя язы кам и и хорошо из
вестен в Мексике и на Среднем Востоке.
Г Л А В А 1
ИССЛЕДОВАНИЕ ОПЕРАЦИЙ:
ЧТО ЭТО ТАКОЕ
Первые формальные разработки по исследованию операций (ИО) были иниции
рованы в Англии во время Второй мировой войны, когда команда британских уче
ных сформулировала и наш ла решение задачи наиболее эффективной доставки во
енного снаряжения на фронт. После окончания войны эти идеи были перенесены
в гражданскую сферу для повышения эффективности и продуктивности экономи
ческой и производственной деятельности. Сегодня теория исследования операций
является основным и неотъемлемым инструментом при принятии решений в са
мых разнообразных областях человеческой деятельности.
Краеугольным камнем исследования операций является математическое моде
лирование. Хотя данные, полученные в процессе исследования математических
моделей, являю тся основой для принятия решений, окончательный выбор обычно
делается с учетом многих других “ нематериальных” (не имеющих числового вы
ражения) факторов (таких как человеческое поведение), которые невозможно ото
бразить в математических моделях.
1.1. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ИССЛЕДОВАНИЯ ОПЕРАЦИЙ

Предположим, что в соответствии с деловыми обязательствами вам необходимо
в течение пяти недель пять раз посетить город В (а живете вы в городе А). Вы долж
ны быть в городе В в понедельник первой недели и окончательно возвратиться в го
род А в среду пятой недели. Билет из города А в город В и обратно стоит 400 долл.,
однако вы можете получить 20% скидки от стоимости билетов, если вылет придет
ся на конец недели. Кроме того, следует учесть, что стоимость билета только в одну
сторону равна 75% от стоимости заказного билета. Вы, естественно, хотите миними
зировать стоимость перелетов. Как это сделать?
Описанную ситуацию можно рассматривать как задачу принятия решений, где для
поиска оптимального решения требуется определить три основных компонента.
1. Что в данном случае считать альтернативными решениями?
2. Каким ограничениям должно удовлетворять возможное решение?
3. По какому критерию долж ны отбираться альтернативные решения?
В нашей задаче возможны следующие альтернативы.
1. Покупка пяти заказных билетов А-В-А(т.е. изгородаА вгородВиобратно).
2. П окупка одного билета в одну сторону A -В, четырех билетов А-В-А, захва
тывающих конец недели, и одного “ однонаправленного” билета В-А.
22 Глава 1. Исследование операций: что это такое
3. Покупка билета А-В-А для первой недели, причем между датами вылетов
должен быть нонеделышк; для последней недели приобретение билета А-В-А,
между датами которого должна быть среда, причем первый и последний биле
ты должны захватывать последние дни недели; покупка четырех билетов А-В-А,
между датами которых также есть последние дни недели.
Ограничением в данной задаче являю тся дни прибытия: понедельник первой
недели и среда пятой.
В данном случае естественным критерием для оценки возможных альтернатив
является цена билетов. Альтернатива, обеспечивающая наименьшую стоимость
билетов, будет наилучшей. В данном случае имеем следующие варианты.
Альтернатива 1: стоимость билетов = 5 х 400 = 2000 долл.
Альтернатива 2: стоимость билетов = 0,75 х 400 + 4 х 0,8 х 400 + 0,75 х 400 =
= 1800 долл.
Альтернатива 3: стоимость билетов = 5 х (0,8 х 400) = 1600 долл.
Очевидно, что наилучшей является третья альтернатива.
Приведенный пример показывает основные принципиальные составляющие
модели исследования операций (ИО), а именно альтернативы, ограничения и кри
терий отбора альтернатив. Но в различных ситуациях эти составляющие могут
весьма отличаться от аналогичных составляющих других моделей. Чтобы показать
это, рассмотрим следующую задачу. Среди всех прямоугольников с периметром
фиксированной длины L необходимо найти прямоугольник максимальной площ а
ди. Какую длину и ширину будет иметь такой прямоугольник?
В отличие от предыдущего примера здесь количество альтернатив бесконечно,
поскольку длина и ширина прямоугольника могут принимать бесконечное множе
ство значений (но из конечного интервала). Чтобы это свойство задачи выразить
формально, определим возможные альтернативы, задав непрерывные переменные,
соответствующие длине и ширине прямоугольника.
Итак, обозначим через I длину прямоугольника, через w — его ширину. Осно
вываясь на этих обозначениях, ограничения задачи можно сформулировать сле
дующим образом.
1. Ш ирина прямоугольника + длина прямоугольника = половина периметра
прямоугольника.
2. Ш ирина и длина прямоугольника не могут быть отрицательными.
Эти ограничения алгебраически запишутся так.
1. 2 (l + w) = L.
2. l > 0, w> 0.
Теперь осталось не забыть о цели нашей задачи — максимизировать площадь

прямоугольника. Обозначив площадь прямоугольника через г, окончательную ма
тематическую модель можно записать следующим образом.
Максимизировать г = Iw
при ограничениях
2(1 + w) = L,
l,w > 0.
Оптимальным решением данной задачи будет w = 1 = L/A, т.е. среди прямоугольни-
ов с фиксированным периметром максимальную площадь будет иметь квадрат.
1.1. Математические модели исследования операций 23
Два приведенных примера демонстрируют различия моделей ИО. В общем слу

чае первым шагом в построении таких моделей является определение альтернатив,
или переменных реш ения. Далее переменные решения используются для создания
целевой функции и ограничений модели. Законченную типичную математическую
модель ИО схематически можно представить следующим образом.
М аксимизация или минимизация целевой функции
при условии выполнения ограничений.
Решение задачи называется допустимым, если оно удовлетворяет всем ограни
чениям модели. Решение будет оптимальны м, если, кроме того, что оно допустимо,
целевая функция при этом решении достигает оптимального (максимального или
минимального) значения. В примере с билетами задача имела три допустимых аль
тернативы и оптимальное решение предоставляла третья альтернатива. В примере
с прямоугольником допустимое решение должно удовлетворять условию l + w = L /2
с неотрицательными значениями I и w. Это приводит к бесконечному множеству до
пустимых решений, поэтому здесь, в отличие от примера с билетами, для поиска оп
тимального решения необходимо привлекать соответствующие математические сред
ства (в данном случае — средства дифференциального исчисления).
В моделях ИО понятие “ оптимальности” решений определяется с учетом соответст
вия этого решения множеству ограничений. Это означает, что качество конечного ре
шения, сделанного на основе решения задачи, зависит от адекватности представления
моделью реальной ситуации, которую она формально описывает посредством ограни
чений. Например, если в примере с билетами нам не были бы известны все варианты
покупки билетов (точнее, скидки на билеты), то, скорее всего, оптимальным было бы
другое решение. Если исключить из модели третью альтернативу, тогда
“оптимальным” решением будет второй вариант, при котором следует заплатить за би
леты 1880 долл. Такое решение будет условно оптимальным (или локально оптималь
ным) для реальной ситуации. Таким образом, конкретное оптимальное решение явля
ется наилучшим только для этой модели. Чем модель лучше отображает реальную
ситуацию, тем ближе решение этой задачи к оптимальному.
УПРАЖНЕНИЯ 1.1
1. В примере с билетами определите четвертую возможную альтернативу.
2. В примере с прямоугольником найдите два допустимых реш ения и опре
делите, какое из них лучш е (т.е. какое решение задает прямоугольник
с большей площадью).
3. Найдите оптимальное решение задачи о площади прямоугольника.
(Совет. С помощью ограничений преобразуйте целевую функцию к ф унк
ции, зависящ ей от одной переменной. Затем примените методы дифферен
циального исчисления.)
4. Крис, Джим, Джон и Келли находятся на восточном берегу реки и хотят пере
правиться на западный берег с помощью каноэ. Каноэ может вместить не более
двух человек. Крис, как наиболее сильный из всех своих друзей, может пере
правиться через реку за 1 минуту. У Джима, Джона и Келли на это уйдет соот
ветственно 2, 5 и 10 минут. Если в каноэ находятся два человека, то время пе
реправы определяется по слабейшему пассажиру. Цель друзей заключается
в переправе на западный берег реки по возможности за минимальное время.
a) Найдите не менее двух возможных схем переправы через реку.
b ) Определите критерий оценки альтернатив.
c) Какое минимальное время переправы через реку всех друзей?
1.2. РЕШЕНИЕ МОДЕЛЕЙ ИССЛЕДОВАНИЯ ОПЕРАЦИЙ1

В исследовании операций нет единого общего метода решения всех математиче
ских моделей, которые встречаются на практике. Вместо этого выбор метода реше
ния диктуют тип и сложность исследуемой математической модели. Например,
в разделе 1.1 для решения задачи о билетах необходимо просто ранжировать альтерна
тивы по стоимости билетов, тогда как для решения задачи о максимальной площади
прямоугольника необходимо применять средства дифференциального исчисления.
Наиболее известными и эффективными методами ИО являются методы линейно
го программирования, когда целевая функция и все ограничения являются линей
ными функциями. Для решения математических моделей других типов предназначены
методы целочисленного программирования (если все переменные должны принимать
только целочисленные значения), динамического программирования (где исходную
задачу можно разбить на меньшие подзадачи) и нелинейного программирования (когда
целевая функция и/или ограничения являются нелинейными функциями). Перечис
ленные методы составляют только часть из большого количества самых разнообраз
ных доступных методов исследования операций.
Практически все методы ИО не позволяют получить решение в замкнутой (в ви
де формул) форме. Напротив, они порождают вычислительные алгоритмы , кото
рые являю тся итерационными по своей природе. Это означает, что задача решается
последовательно (итерационно), когда на каждом шаге (итерации) получаем реше
ния, постепенно сходящиеся к оптимальному. Итерационная природа алгоритмов
обычно приводит к объемным однотипным вычислениям. В этом и заключается
причина того, что эти алгоритмы разрабатываются, в основном, для реализации
с помощью вычислительной техники.
Некоторые математические модели могут быть такими сложными, что их не
возможно решить никакими доступными методами оптимизации. В этом случае
остается только эвристический подход: поиск подходящего “ хорошего” решения
вместо оптимального. Эвристический подход предполагает наличие эмпирических
правил, в соответствии с которыми ведется поиск подходящего решения.
1.3. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ

Несмотря на впечатляющие достижения математического моделирования, мно
гие реальные ситуации невозможно адекватно представить с помощью соответст
вующих математических моделей. Часто в этом “ виновата” определенная
“ жесткость” математики как язы ка описания и представления событий и явлений.
Но даже если существует возможность формализовать рассматриваемую ж изнен
ную ситуацию посредством построения математической модели, полученная на ее
основе задача оптимизации может быть слишком сложной для современных алго
ритмов реш ения задач этого класса.
Альтернативой математическому моделированию сложных систем может слу
жить имитационное моделирование. Различие между математической и имитацион
1 Когда говорят о “решении моделей”, то подразумевается “решение задачи, формализован

ной в виде модели” . В англоязычной научной литературе общепринята такая “подмена” . Если
полистать книги по этой тематике, изданные в последнее время в России, то можно заметить, что
подобные выражения приживаются и в русском научном обиходе. Поэтому мы оставили более ко
роткое (и более емкое) выражение “решение моделей” без перевода в корректную, но более длин
ную (и более размытую в понятийном плане) литературную форму. — Прим. ред.
1.4. Искусство моделирования 25
ной моделями заключается в том, что в последней отношение между “ входом”

и “ выходом” может быть явно не задано. Вместо явного математического описания
взаимоотношения между входными и выходными переменными математической мо
дели, при имитационном моделировании реальная система разбивается на ряд доста
точно малых (в функциональном отношении) элементов или модулей. Затем поведе
ние исходной системы имитируется как поведение совокупности этих элементов,
определенным образом связанных (путем установки соответствующих взаимосвязей)
в единое целое. Вычислительная реализация такой модели начинается с входного эле
мента, далее проходит по всем элементам, пока не будет достигнут выходной элемент.
Имитационные модели значительно гибче в представлении реальных систем, чем их
математические “ конкуренты” . Причина такой гибкости заключается в том, что при
имитационном моделировании исходная система рассматривается на элементарном
уровне, а математические модели стремятся описать системы на глобальном уровне.
За гибкость имитационных моделей приходится платить высокими требова
ниями к потребляемым временным и вычислительным ресурсам. Поэтому реали
зация некоторых имитационных моделей даже на современных быстрых и высоко
производительных компьютерах может быть очень медленной.
1.4. ИСКУССТВО МОДЕЛИРОВАНИЯ

Иллюстративные модели из раздела 1.1 точно отображают реальные ситуации
(в том смысле, что здесь модели не являю тся абстрактными приближ ениями ж и з
ненных реалий). Но это исключение в практике исследования операций — подав
ляющее большинство моделей ИО в той или иной степени являю тся абстракциями
реальной ж изни. На рис. 1.1 показаны уровни абстракции, которые характеризуют
разработку моделей ИО. Предположения о реальном мире абстрагируются от ре
ального мира путем определения основных (доминантных) переменных, описы
вающих поведение реальных систем. Модель, являясь абстракцией предположений
о реальном мире, на язы ке математических функций описывает поведение не ре
альных систем, а предположений о их поведении.
Чтобы показать уровни абстракции в процессе моделирования, рассмотрим

пример компании Tyko M anufacturing, производящей пластиковую упаковку. Ко
гда заказ поступает в производственный отдел, необходимое для его выполнения
сырье поступает со складов компании или закупается на стороне. Когда партия
продукции готова, отдел сбыта берет на себя заботу о распределении и отправке го
товой продукции заказчикам.
Анализ ИО деятельности компании должен дать ответ на вопрос о том, каким

должен быть оптимальный объем партии изготовляемой продукции. К ак можно
представить описываемую ситуацию в виде модели?
Эту задачу следует рассматривать в целом как систему, где количество и типы
переменных и параметров, описывающих эту систему, будут зависеть от того, со
стороны какого подразделения компании мы смотрим на эту ситуацию.
1. Производственный от дел: возможности производства описываются в тер
минах доступных мощностей и трудовых ресурсов, наличия необходимого
оборудования (или его стоимости, если оно отсутствует и его необходимо за
купить), принятых стандартов качества и т.п.
2. Подготовительный цех (отвечает за сырье для производства): здесь пере
менными и параметрами, описывающими систему, будут доступное количе
ство сырья на складе, сроки поставки новых партий сырья от поставщиков,
емкость складских помещений и т.д. Если необходима предварительная об
работка сырья, то добавляются новые переменные.
3. Отдел сбыта: с точки зрения этого подразделения система описывается прогно
зируемыми объемами продаж готовой продукции, емкостью дистрибьюторской
сети, эффективностью рекламной кампании, наличием конкурентов.
К аж дая из приведенных переменных представляет производство компании
Tyko на своем уровне. И, конечно, определение четких функциональных зависимо
стей между этими переменными является весьма нетривиальной задачей.
Первый уровень абстракции требует определения границ для предположений
о реальном мире (см. рис. 1.1). После некоторых размыш лений приходим к выводу,
что реальную систему приближенно можно представить двумя основными пере
менными: производительность и удельные издержки производства. Производи
тельность включает такие показатели, к ак объем производственных мощностей,
стандарты качества и доступное количество сырья. Удельные издерж ки зависят
в основном от показателей, определяемых отделом сбыта. Существенным здесь яв
ляется то, что упрощение реального мира происходит путем “ сваливания в одну
кучу” различных показателей, в результате чего появляются относительно про
стые переменные (показатели) предположений о реальном мире.
Теперь относительно просто на основе предположений о реальном мире постро
ить модель, что будет следующим уровнем абстракции. Через производительность
и удельные затраты можно выразить стоимостные и объемные показатели произ
водства конкретной продукции. Абстрактную математическую модель можно по
строить на основе баланса стоимостных и /и л и объемных показателей таким обра
зом, чтобы минимизировать, например, себестоимость производства.
1.5. БОЛЬШЕ, ЧЕМ ПРОСТО МАТЕМАТИКА

Поскольку модели ИО имеют математическую природу, существует мнение, что
исследование операций является исключительно математической дисциплиной.
Хотя математические методы действительно являю тся краеугольны '' камнем ИО,
эта дисциплина не замыкается только на математических моделях (но отметим,
что они действительно необходимы, поскольку облегчают и упрощают анализ ре
альных жизненных ситуаций). Математический аспект исследований операций
должен рассматриваться в широком контексте всего процесса принятия решений.
Поскольку человеческий фактор присутствует во всех задачах принятия решений,
во многих случаях привлечение психологов дает ключ к решению задач. В качестве
иллюстрации этого положения рассмотрим три примера.
1.5. Больше, чем просто математика 27
1. Классическим примером является известная проблема лифта. Ж ильцы вы

сотного дома постоянно жаловались на длительное ожидание лифта. На основе
модели массового обслуживания это время было оптимизировано. Но предло
женное решение не уменьшило поток жалоб. Дальнейшее изучение ситуации
показало, что жильцам просто скучно ждать лифт. Проблема была решена,
когда в холле возле лифтов повесили большие зеркала. Жалобы на длительное
ожидание лифта прекратились: теперь жильцы коротают время возле лифтов,
разглядывая себя и других в зеркале, что, согласитесь, почти не надоедает.
2. Группа американских и канадских специалистов ИО изучала возможность
увеличить пропускную способность регистрационных стоек большого бри
танского аэропорта. По одной из рекомендаций, выработанных этой груп
пой, в видных местах вывесили таблички с указанием, что пассажиры, у ко
торых осталось менее 20 минут до вылета, должны без очереди подойти
к регистрационной стойке. Однако эта мера не имела успеха, поскольку пас
сажиры, особенно британцы, настолько уважают “ живую” очередь, что не
могли позволить себе подобную вольность.
3. В сталелитейном производстве первым продуктом, получаемым из железной
руды, являются стальные слитки, из которых затем производят различные
сталепрокатные изделия. Управляющий производством заметил слишком
большую задержку между получением и непосредственным их прокатом на
прокатных станах. В идеале прокатка слитков должна начинаться сразу после
получения их из печи, чтобы уменьшить потребность повторного нагрева
слитков. Первоначально эта проблема группой экспертов ИО была представ
лена в виде линейной модели, оптимизирующей баланс между производи
тельностью литейной печи и пропускной способностью прокатного стана.
В процессе исследования ситуации эксперты строили простые графики произ
водительности плавильной печи, суммируя производство стальных слитков
в течение ее трехсменной работы. Они обнаружили, что, хотя третья смена на
чинается в 23 часа, наибольшая производительность достигается только меж
ду 2 и 5 часами утра. Дальнейшие наблюдения показали, что операторы печи,
работающие в третью смену, имели привычку в начале смены устроить себе
довольно длительный период “ раскачки” , наверстывая этот простой в ут
ренние часы. Таким образом, данная проблема решалась простым выравни
ванием производства слитков в течение всех рабочих смен, для чего при
шлось “ поработать” с человеческим фактором.
На основе трех приведенных примеров можно сделать такие заключения.
1. Прежде чем приступать к построению математических моделей, команда экс
пертов ИО должна рассмотреть возможность разрешения проблемы путем при
менения какого-либо “ человеческого” , а не технического решения. В основе ре
шения проблемы лифта путем установки зеркал лежат свойства человеческого
поведения, а не математическое моделирование. Отметим, что и стоимость тако
го решения значительно ниже, чем стоимость решения, полученного на основе
математического моделирования. В связи с этим команды экспертов ИО обычно
в качестве первого этапа исследования реальной проблемы проводят экспертизу
ситуации путем привлечения специалистов, не связанных с математикой (при
решении проблемы лифта такими специалистами были психологи). Это было
выявлено еще во время Второй мировой войны британскими учеными,
“ пионерами” в области ИО, — в команду разработчиков ИО входили специа
листы по социологии, психологии и поведенческим наукам.
2. Реш ения, к ак правило, реализуются через людей, а не через “ бездушные”

технологии. Любое решение, которое не учитывает человеческого поведе
ния, обречено на провал. Причиной невыполнения рекомендаций команды
консультантов британского аэропорта стало неучтенное этой командой
культурное различие между Соединенными Ш татами и Великобританией
(американцы и канадцы более свободны в поведении, чем британцы).
3. Анализ ИО никогда не начинается сразу с поиска решения построенной мате
матической модели — сначала надо доказать обоснованность ее применения.
Например, поскольку методы линейного программирования хорошо зареко
мендовали себя на практике, существует тенденция использовать линейные
модели в любых ситуациях. Это приводит к тому, что такие модели плохо со
ответствуют реальной проблеме. Сначала всегда следует проанализировать
имеющиеся данные, используя для этого по возможности простые технологии
(например, вычисляя средние, строя диаграммы и графики и т.п.). Когда про
блема исследована и определена, для ее решения подбираются соответствую
щие методы.2 В примере со сталелитейным производством простые временные
графики производства стальных слитков стали тем единственным средством,
которое помогло исправить ситуацию.
1.6. МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ ОПЕРАЦИЙ

Реш ения реальных задач исследования операций должны быть плодом коллек
т ивной работы, когда заказчики исследований и аналитики работают бок о бок.
Аналитикам ИО с их знаниями возможностей математического моделирования не
обходимы опыт и знание реальной ситуации, исходящие от клиента, для которого,
собственно, и решается задача ИО.
Исследование операций как инструмент задачи принятия решения можно рас
сматривать и к ак науку, и к ак искусство. Наука здесь представлена всей мощью
математических методов, а искусство — тем обстоятельством, что успех на всех
этапах, предшествующих получению оптимального реш ения математической мо
дели, в большей степени зависит от творчества и опыта всей команды, занимаю
щейся решением задачи ИО. Уиллимейн (W illemain, [8]) утверждает, что
“ эффективная практика [ИО] требует нечто больше, чем только знания и компе
тентность. Она такж е требует, среди прочего, “ технической” мудрости (т.е. пони
мания того, когда и к ак применять тот или иной метод или алгоритм) и определен
ного уровня коммуникабельности и организационных способностей” .
Из-за “ неуловимого” человеческого фактора трудно дать точные предписания
для реализации теории исследования операций на практике. Можно попытаться
показать только общую направленность такой реализации.
На практике реализация методов ИО должна включать следующие этапы.
1. Ф ормализация исходной проблемы.
2. Построение математической модели.
2
Использовать специальные математические модели до обоснования их применимости —
все равно, что ставить телегу впереди лошади. Это напоминает мне историю об одном пасса
жире самолета, который панически боялся бомб на борту самолета, которые могли подло
жить террористы. Он вычислил вероятность такого события. Эта вероятность оказалась
сравнительно небольшой, но достаточной, чтобы вызвать его беспокойство. Исходя из этого,
он всегда проносил бомбу на самолет в своем портфеле, поскольку, по его расчетам, вероят
ность того, что на самолете окажется две бомбы, практически равна нулю!
1.6. Методология исследования операций 29
3. Решение модели.
4. Проверка адекватности модели.
5. Реализация решения.
Из всех пяти приведенных этапов только третий, решение модели, достаточно
точно определен и наиболее прост для реализации в рамках методологии ИО, по
скольку действия на этом этапе основываются на точной математической теории.
Выполнение остальных этапов в значительной мере является искусством, а не нау
кой. Поэтому мы не можем точно описать эти процедуры.
Ф орм ализация проблемы требует исследования той предметной области, где
возникла рассматриваемая проблема. Это начальный этап работы любой команды
аналитиков ИО. В результате такого исследования должны быть получены сле
дующие три принципиальных элемента решаемой задачи: 1) описание возможных
альтернативных решений, 2) определение целевой функции, 3) построение системы
ограничений, налагаемых на возможные решения.
Построение матем атической модели означает перевод формализованной зада
чи, описание которой получено на предыдущем этапе, на четкий язы к математи
ческих отношений. Если получена одна из стандартных математических моде
лей, например, модель линейного программирования, то решение обычно
достигается путем использования существующих алгоритмов. Если же результи
рующая модель очень слож ная и не приводится к какому-либо стандартному ти
пу моделей, то команда ИО может либо упростить ее, либо применить эвристиче
ский подход, либо использовать имитационное моделирование. В некоторых
случаях комбинация математической, имитационной и эвристической моделей
может привести к решению исходной проблемы.
Решение модели, как уже упоминалось, — наиболее простой из всех этапов
реализации методов исследования операций, так как здесь используются извест
ные алгоритмы оптимизации. Важным аспектом этого этапа является анализ чув
ствительности полученного реш ения. Это подразумевает получение дополни
тельной информации о поведении “ оптимального” решения при изменении
некоторых параметров модели. Анализ чувствительности особенно необходим, ко
гда невозможно точно оценить параметры модели. В этом случае важно изучить
поведение оптимального решения в окрестности первоначальных оценок парамет
ров модели.
Проверка адекватности модели предполагает проверку ее правильности, т.е.
определения того, соответствует ли поведение модели в конкретных ситуациях по
ведению исходной реальной системы. Но сначала команда аналитиков ИО должна
удостовериться, что модель не содержит “ сюрпризов” . Другими словами, надо убе
диться, что решение, полученное в рамках построенной модели, имеет смысл и ин
туитивно приемлемо. Формальным общепринятым методом проверки адекватно
сти модели является сравнение полученного решения (поведение модели)
с известными ранее решениями или поведением реальной системы. Модель счита
ется адекватной, если при определенных начальных условиях ее поведение совпа
дает с поведением исходной системы при тех же начальных условиях. Конечно, это
не гарантирует, что при других начальных условиях поведение модели будет сов
падать с поведением реальной системы. В некоторых случаях в силу разных при
чин невозможно прямое сравнение модели с реальной системой или сравнение ре
шений, полученных в рамках этой модели, с известными решениями (например,
из-за отсутствия таких данных). В такой ситуации для проверки адекватности ма
зо Глава 1. Исследование операций: что это такое
тематической модели можно использовать имитационное моделирование, т.е.

сравнивать поведение математической и имитационной моделей.
Р еали зац и я реш ения подразумевает перевод результатов решения модели в ре
комендации, представленные в форме, понятной для лиц, принимающих решения,
т.е. заказчиков. Бремя этой непростой задачи лож ится непосредственно на плечи
команды аналитиков ИО.
1.7. ОБ ЭТОЙ КНИГЕ

Моррис (Morris, [5]) утверждает, что “ изучение моделей не эквивалентно изуче
нию моделирования” . Автор постоянно держал эту важную мысль в голове во время
подготовки седьмого издания данной книги и сознательно старался привнести искус
ство моделирования в теорию исследования операций. Эта книга, кроме описания
математических моделей, содержит большое количество упражнений и задач, кото
рые позволяют проникнуть в суть анализа практических ситуаций.
Автор надеется, что эта книга даст студентам не только фундаментальную осно
ву для понимания математических методов исследования операций, но и понима
ние возможностей их применения. Такое понимание должно показать, что недоста
точно сосредоточиться только на философских и “ художественных” аспектах ИО.
Необходимы фундаментальные знания математических методов исследования опе
раций. Только на этой основе студенты могут “ взращивать” свой “ художественный”
потенциал в искусстве моделирования ИО. Хорошим подспорьем здесь может слу
жить изучение публикаций и статей в различных ж урналах. Автор настоятельно
рекомендует журнал Interfaces (издательство INFORMS) как богатый источник ин
тересных приложений теории ИО.
ЛИТЕРАТУРА
1. A ltier W. J . The T hinking M anager’s Toolbox: E ffective Processes for Problem
Solving and Decision M aking, Oxford U niversity Press, New York, 1999.
2. Checkland P. System s Thinking, System Practice. W iley, New York, 1999.
3. Evans J . Creative T hinking in the Decision and M anagem ent Sciences, South-
W estern Publishing, Cincinnati, Ohio, 1991.
4. Gass S. M odel World: Danger, Beware the User as a Modeler, Interfaces, Vol. 20,
No. 3, pp. 6 0 -64, 1990.
5. Morris W. On the A rt of Modeling, Management Science, Vol. 13, pp. B 707-B 717,1967.
6. Paulos J . A. Innum eracy: M athem atical Illiteracy and I ts Consequences. Hill and
W ang, New York, 1988.
7. Taha H. Guide to Optim ization Models. C hapter 11.3 in M aynard’s Industrial
E ngineering Handbook, 5th ed. McGraw-Hill, New York, 2001, pp. 11.45-11.65.
8. W illem ain T.R. Insights on M odeling from a Dozen E xperts, Operations Research,
Vol. 42, No. 2, pp. 213-222, 1994.
Литература, добавленная при переводе3

1. Вагнер Г. Основы исследования операций. — М.: Мир, 1972.
2. Вентцель Е. С. Исследование операций. — М.: Советское радио, 1972.
3. Вилкас Э. Й., Майминас Е.З. Решения: теория, информация, моделирование. —
М.: Радио и связь, 1981.
4. Гермейер Ю. Б. Введение в теорию исследования операций. — М.: Наука, 1971.
5. Ларичев О. И. Н аука и искусство принят ия реш ений. — М.: Наука, 1979.
6. Ларичев О. И. Объективные модели и субъективные решения. — М.: Наука, 1987.
7. Краснощеков П. С., Петров А. А. П ринципы построения моделей. — М.: Изд-во
МГУ, 1983.
8. Мур Д ж ., Уэдерфорд Л. Экономическое моделирование в M icrosoft Excel. — М.:
Издательский дом “ В ильямс” , 2004.
9. Шеннон Р. И мит ационное моделирование систем — искусство и наука. — М.:
Мир, 1978.
3 Литература по исследованию операций на русском языке очень обширна. Но, поскольку

данная кннга позиционирует себя как учебник, мы будем приводить, в основном, моногра
фии, “устоявшиеся” в качестве учебных пособий для вузов. — Прим. ред.
ГЛАВА 2
ВВЕДЕНИЕ В ЛИНЕЙНОЕ
ПРОГРАММИРОВАНИЕ
Линейное программирование (ЛП) — это метод оптимизации моделей, в которых
целевые функции и ограничения строго линейны. ЛП успешно применяется
в военной области, индустрии, сельском хозяйстве, транспортной отрасли, экономике,
системе здравохранения и даже в социальных науках. Широкое использование этого
метода также подкрепляется высокоэффективными компьютерными алгоритмами,
реализующими данный метод. На алгоритмах линейного программирования
(учитывая их компьютерную эффективность) базируются оптимизационные
алгоритмы для других, более сложных типов моделей и задач исследования
операций, включая целочисленное, нелинейное и стохастическое программирование.
Эта глава начинается с изучения моделей с двумя переменными и их графиче
скими реш ениями. Обобщение графического метода решения приводит к алгебраи
ческому симплекс-методу (см. главу 3). Графическое решение такж е показывает
конкретные механизмы разработки и реализации анализа чувствительности задач
ЛП. Глава заканчивается большим количеством примеров формализации и реше
ния практических задач.
2.1. МОДЕЛИ ЛП С ДВУМЯ ПЕРЕМЕННЫ МИ

В этом разделе на простом примере с двумя переменными показаны основные
элементы модели ЛП. Далее этот пример будет обобщен в общую задачу линейного
программирования.
Пример 2.1.1. Компания Reddy Mikks1

Компания Reddy Mikks производит краску для внутренних и наружных работ из
сырья двух типов: M l и М2. Следующая таблица представляет основные данные
для задачи.
1 Автор часто использует в примерах шуточные названия компаний, которые адекватно труд
но перевести на русский язык. Например, в данном случае Reddy Mikks дословно не переводится,
но по-русски это звучало бы как “Охряные смеси” (намек на производимые краски) или как
“Краснощекие бездельники” . Эти названия, как правило, не несут смысловой нагрузки. По
этому в большинстве случаев мы будем оставлять их без перевода. — Прим. перев.
34 Глава 2. Введение в линейное программирование
Отдел маркетинга компании ограничил ежедневное производство краски для внут

ренних работ до 2 т (из-за отсутствия надлежащего спроса), а такж е поставил усло
вие, чтобы ежедневное производство краски для внутренних работ не превышало
более чем на тонну аналогичный показатель производства краски для внешних ра
бот. Компания хочет определить оптимальное (наилучшее) соотношение между ви
дами выпускаемой продукции для максимизации общего ежедневного дохода.
Задача (модель) линейного программирования, как и любая задача исследования
операций, включает три основных элемента.
1. Переменные, которые следует определить.
2. Ц елевая ф ункция, подлеж ащ ая оптимизации.
3. Ограничения, которым долж ны удовлетворять переменные.
Определение переменных — первый шаг в создании модели. После определения пере
менных построение ограничений и целевой функции обычно не вызывает трудностей.
В нашем примере необходимо определить ежедневные объемы производства краски
для внутренних и наружных работ. Обозначим эти объемы как переменные модели:
х1 — ежедневный объем производства краски для наружных работ;
х2 — ежедневный объем производства краски для внутренних работ.
Используя эти переменные, далее строим целевую функцию. Логично предполо
жить, что целевая ф ункция, как суммарный ежедневный доход, долж на возрастать
при увеличении ежедневных объемов производства красок. Обозначим эту функ
цию через z (она измеряется в тысячах долларов) и положим, что г = 5,v, + 4,v2. В со
ответствии с целями компании получаем задачу:
И так, остался не определенным последний элемент модели — условия

(ограничения), которые должны учитывать возможности ежедневного потребления
сырья и ограниченность спроса на готовую продукцию. Другими словами, ограни
чения на сырье можно записать следующим образом.
Из таблицы с данными имеем следующее.

2.1. Модели ЛП с двумя переменными 35
Поскольку ежедневный расход сырья M l и М2 ограничен соответственно 24 и 6 тон

нами, получаем следующие ограничения.
6х, + 4х2< 24 (сырье M l)
lxj + 2х2< 6 (сырье М2)
Существует еще два ограничения по спросу на готовую продукцию. Первое ограни
чение указывает, что ежедневный объем производства краски для внутренних ра
бот не должен превышать ежедневный объем производства краски для наружных
работ более чем на одну тонну, т.е. х2 - хг < 1. Второе ограничение простое — м ак
симальный ежедневный объем производства краски для внутренних работ не дол
жен превышать 2 т — и записывается к ак хг <2.
Еще одно неявное ограничение состоит в том, что переменные хг и х2 долж ны быть
неотрицательными. Таким образом, к сформулированным выше ограничениям не
обходимо добавить условие неотрицательности переменных: х1> 0, х2> 0.
Окончательно задача будет записана следующим образом:
максимизировать z = 5х, + 4х2
при выполнении ограничений
6х, + 4х2< 24,
Xj + 2х2< 6,
— Xj + Х2 < 1 ,
х2< 2 ,
Xj > О, х2> 0.
Любое решение, удовлетворяющее ограничениям модели, является допустимым.
Например, решение Xj = 3 и х 2 = 1 будет допустимым, так к ак не нарушает ни одного
ограничения, вклю чая условие неотрицательности. Чтобы удостовериться в этом,
подставьте значениях, = 3 и х 2 = 1 в левые части неравенств системы ограничений и
убедитесь, что ни одно неравенство не нарушается. Значение целевой функции при
этом решении будет равно z = 5x3 + 4x1 = 19 (тыс. долл.).
Итак, задача сформулирована, теперь встает вопрос о поиске оптимального допусти
мого решения, доставляющего максимум целевой функции. После некоторых разду
мий приходим к выводу, что задача имеет много (фактически бесконечно много) до
пустимых решений. По этой причине невозможна подстановка значений переменных
для поиска оптимума, т.е. нельзя применить простой перебор всех допустимых реше
ний. Следовательно, необходима эффективная процедура отбора допустимых реше
ний для поиска оптимального. В разделе 2.2 показан графический метод нахождения
оптимального допустимого решения, а в главе 3 — его алгебраическое обобщение.
В предыдущем примере целевая ф ункция и все ограничения были линейными.

Свойство линейност и функций предполагает следующее.
1. Значения левых частей неравенств ограничений и значение целевой функ
ции прямо пропорциональны значениям переменных.
2. Аддитивность переменных означает, что общий вклад всех переменных
в значения целевой функции и левых частей неравенств ограничений яв л я
ется прямой суммой вкладов каждой отдельной переменной.
1. В модели для компании Reddy M ikks сформулируйте новые ограничения,
исходя из следующих условий.
a) Ежедневный объем производства краски для внутренних работ должен
не менее чем на одну тонну превышать ежедневный объем производства
краски для наружных работ.
b) Ежедневное потребление сырья М2 должно быть не менее 3 т и не более 6 т.
c) Ежедневный объем производства краски для внутренних работ не может быть
меньше ежедневного объема производства краски для наружных работ.
d) М инимальный ежедневный общий объем производства краски обоих ти
пов составляет 3 т.
e) Отношение ежедневного объема производства краски для внутренних работ
к общему объему производства краски обоих типов не должно превышать 0,5.
2. Д ля компании Reddy Mikks найдите оптимальное допустимое реш ение мо
дели среди следующих решений.
a) х, = 1, х 2 = 4;
b) х 1 = 2 , х г = 2;
c) JCj- З , х 2= 1 ,5 ;
d) х, = 2 , х г = 1;
e) х, = 2, х 2 = -1 .
3. Д ля допустимого реш ения Xj = 2, х 2 = 2 в модели компании Reddy Mikks оп
ределите:
a) объем используемого сырья M l;
b) объем используемого сырья М2.
4. Предположим, что компания Reddy M ikks продает свою краску для наруж
ных работ оптовому покупателю со скидкой, зависящей от объема поставок.
В результате доход на тонну продукции составляет 5000 долл., если оптовик
покупает не более 2 т краски в день, и 4500 долл. — в противном случае. Мож
но ли для этой ситуации построить модель линейного программирования?
2.2. ГРАФИЧЕСКОЕ РЕШЕНИЕ ЗАДАЧИ ЛИНЕЙНОГО

ПРОГРАММИРОВАНИЯ
Графический способ реш ения задачи ЛП состоит из двух этапов.
1. Построение пространства допустимых решений, удовлетворяющих всем ог
раничениям модели.
2. Поиск оптимального решения среди всех точек пространства допустимых
решений.
Далее графический способ решения описан в двух вариантах: для максимиза
ции и минимизации целевой функции.
2.2.1. Нахождение максимума целевой функции
Пример 2.2.1
Мы используем модель, построенную для компании Reddy Mikks в разделе 2.1, что
бы показать два этапа графического реш ения задачи ЛП.
Этап 1. Построение пространства допуст имы х реш ений.
Сначала проведем оси: на горизонтальной будут указываться значения переменной л,, а
на вертикальной — х2 (рис. 2.1). Далее рассмотрим условие неотрицательности пе
ременных: х, > 0 и х2> 0. Эти два ограничения показывают, что пространство допус
тимых решений будет лежать в первом квадранте (т.е. выше осих, и правее осих2).
Чтобы учесть оставшиеся ограничения, проще всего заменить неравенства на равенства

(получив уравнения прямых), а затем на плоскости провести эти прямые. Например,
неравенство 6xj + 4х2< 24 заменяется уравнением прямой 6х, + 4х2= 24. Чтобы провести
эту линию, надо найти две различные точки, лежащие на этой прямой. Если х, = 0, то
х2- 24/4 = 6. Аналогично для х2= 0 находим Xj = 24/6 = 4. Итак, наша прямая проходит
через две точки (0, 6) и (4, 0). Эта прямая обозначена на рис. 2.1 как линия (1).
Теперь рассмотрим, как графически интерпретируются неравенства. Каждое нера
венство делит плоскость (Xj, х2) на два полупространства, которые располагаются по
обе стороны прямой, которая, как показано выше, соответствует данному неравенст
ву. Точки плоскости, расположенные по одну сторону прямой, удовлетворяют нера
венству (допустимое полупространство), а точки, лежащие по другую сторону, — нет.
“Тестовой” точкой, проверяющей, точки какого полупространства удовлетворяют
неравенству, а какого — нет, может служить точка (0, 0). Например, эта точка удов
летворяет первому неравенству 6хг + 4х2< 24 (здесь 6 х 0 + 4 х 0 = 0 < 24). Это означает,
что точки полупространства, содержащего начальную точку (0, 0), удовлетворяют
этому неравенству. На рис. 2.1 допустимые полупространства показаны стрелочками.
Если точка (0, 0) не удовлетворяет неравенству, допустимым полупространством
будет то, которое не содержит эту точку. Если же прямая проходит через эту точку,
следует в качестве “ тестовой” взять какую-либо другую точку.
Этап 2. П оиск оптимального решения.
Точки пространства допустимых решений, показанного на рис. 2.1, удовлетворяют
одновременно всем ограничениям. Это пространство ограничено отрезками п ря
мых, которые соединяются в угловых точках Л, В, С, D, Е и F. Любая точка, распо
ложенная внутри или на границе области, ограниченной ломаной ABCDEF, являет
ся допустимым решением, т.е. удовлетворяет всем ограничениям. Поскольку
пространство допустимых решений содержит бесконечное число точек, необходима
некая процедура поиска оптимального решения.
Д ля того чтобы найти оптимальное решение, необходимо определить направление
возрастания целевой функции z = 5х1 + 4х2 (напомним, что функцию z следует м ак
симизировать). Мы можем приравнять z к нескольким возрастающим значениям,
например 10 и 15. Эти значения, подставленные вместо z в выражение целевой
функции, порождают уравнения прямых; для значений 10 и 15 получаем уравнения
прямых 5х, + 4х2= 10 и 5xj + 4х2= 15. На рис. 2.2 эти прямые показаны штриховыми
линиями, а направление возрастания целевой функции — жирной стрелкой.2 Целе
вая функция может возрастать до тех пор, пока прямые, соответствующие возрас
тающим значениям этой функции, пересекают область допустимых решений. Точка
пересечения области допустимых решений и прямой, соответствующей максимально
возможному значению целевой функции, и будет точкой оптимума.
На рис. 2.2 видно, что оптимальное решение соответствует точке С. Эта точка яв л я
ется местом пересечения прямых (1) и (2), поэтому ее координаты х1и х2 находятся
к а к решение системы уравнений, задающих эти прямые:
6х, + 4х2 = 24,
х1 + 2х2= 6.
Решением этой системы будет Xj = 3 и х2= 1,5, при этом значение целевой функции
равно z = 5 х З + 4 х 1,5 = 21. Полученное решение означает, что для компании Reddy
Mikks оптимальным выбором будет ежедневное производство 3 т краски для наруж
ных работ и 1,5 т — для внутренних работ с ежедневным доходом в 21 ООО долл.
Не случайно, что оптимальное решение расположено в угловой точке пространства
допустимых решений, где пересекаются две прямые. Если мы изменим наклон
функции z (путем изменения ее коэффициентов), то обнаружим, что в любом случае
решение достигается в одной из угловых точек (или одновременно в нескольких уг
ловых точках). В этом и состоит основная идея построения общего симплексного
алгоритма, который будет рассмотрен в главе 3.
2 Направление изменения целевой функции легко определить из вида целевой функции:

коэффициенты при переменных х, и х г — это координаты нормали к прямой, определяемой
целевой функцией. В данном случае целевая функция будет изменяться в направлении век
тора (5; 4). — Прим.ред.
УПРАЖНЕНИЯ 2.2.1
1. Д ля каждого из следующих неравенств определите допустимое полупро
странство, предполагая, что х г, х г > 0:
a) -Зл:, + х г < 6;
b) Xj - 2 х г > 5;
c) 2 х1- 3 х 2<12;
d) - х 2< 0;
e) -Xj + X2> 0.
2. Определите направление возрастания целевой функции z в следующих случаях:
a) максимизировать г = х 1—х 2‘
b) максимизировать z = - 6л:2;
c) максимизировать z = - х х + 2 х г;
d) максимизировать z = -Зл^ + х г.
3. В рам ках модели компании Reddy M ikks постройте пространство допусти
мых решений и найдите оптимальное решение, учитывая (независимо) сле
дующие условия.
a) Ежедневный объем производства краски для наружных работ не должен
превышать 2,5 т.
b ) Ежедневный объем производства краски для внутренних работ должен
быть не менее 2 т.
c) Ежедневный объем производства краски для внутренних работ должен
превышать ежедневный объем производства краски для наружных работ
ровно на одну тонну.
d) Ежедневный расход сырья M l должен быть не менее 24 т.

e) Ежедневный расход сырья M l должен быть не менее 24 т, и ежедневный
объем производства краски для внутренних работ должен не менее чем на
одну тонну превышать ежедневный объем производства краски для на
ружных работ.
4. Д ля исходной задачи компании Reddy M ikks определите угловые точки об
ласти допустимых решений, где достигается оптимальное решение для сле
дующих целевых функций:
a) z = Зл:1+ х 2;
b) z = л:, + Зл;2;
c) z = &xl + Ахг.
Чем решение для целевой функции п. с отличается от решений для целевых
функций пп. а и ft?
5. Д ж ек — студент-первокурсник. Он пришел к выводу, что одна только учеба,
без ежедневной игры в баскетбол, плохо влияет на его умственное, нравст
венное и физическое развитие. Поэтому он решил распределить свое дневное
время (примерно 10 часов) для учебы и игры в баскетбол. Привлекательность
игрового времени он оценивает в два раза выше, чем привлекательность вре
мени, затраченного на учебу. Но, имея совесть и чувство долга, Д ж ек решил,
что время для игры не должно превышать время учебы. Кроме того, он заме
тил, что, если выполнять все учебные задания, на игру останется не более
4 часов в день. Помогите Д жеку распределить время так, чтобы он получал
максимальное удовольствие и от работы, и от игры.
2.2.2. Нахождение минимума целевой функции
Пример 2.2.2. Задача “диеты”

Ф армацевтическая фирма Ozark ежедневно производит не менее 800 фунтов3 некой
пищевой добавки — смеси кукурузной и соевой муки, состав которой представлен
в следующей таблице.
Диетологи требуют, чтобы в пищевой добавке было не менее 30% белка и не более
5% клетчатки. Фирма Ozark хочет определить рецептуру смеси минимальной стои
мости с учетом требований диетологов.
3 Практически во всех примерах при описании реальных ситуаций автор пользуется сис
темой мер, принятой в США. Мы не стали переводить эти единицы измерения в метриче
скую систему, так как названия единиц никак не влияют ни на описание примеров, ни на
понимание методов, иллюстрируемых ими. — Прим. ред.
Поскольку пищ евая добавка состоит только из кукурузной и соевой муки, пере
менными для этой задачи, очевидно, будут:
Xj — количество (в фунтах) кукурузной муки, используемой в дневном производст
ве пищевой добавки;
х2— количество (в фунтах) соевой муки, используемой в дневном производстве
пищевой добавки.
Целевая функция равна общей стоимости пищевой добавки, производимой за один
день, и должна быть минимальной. В данном случае это можно записать следую
щим образом:
минимизировать z = 0,3х1+ 0,9х2.
Ограничения модели должны отражать производственные требования и рекомен
дации диетологов. Фирма долж на выпускать не менее 800 фунтов смеси в день; со
ответствующее ограничение будет записано следующим образом:
^ + х2> 800.
Рассмотрим ограничение, связанное с количеством белка в пищевой добавке. Общее
количество белка в смеси, состоящей из.г, фунтов кукурузной муки их, фунтов соевой
муки, равно 0,09х1+ 0,6х2 (фунтов). Это количество должно составлять не менее 30%
от общего объема смеси хг + х2. Отсюда получаем следующее неравенство:
0,09х, + 0,6х2> 0,3(х1+ х 2).
Аналогично строится ограничение для клетчатки:
0,02х, + 0,06х2< 0,05(х1+ лг2).
В последних двух неравенствах переменные хг и х2 надо перенести из правых частей
неравенств в левые. Окончательно модель примет следующий вид.
М инимизировать z = 0,3х1+ 0,9х2
х, + х2> 800,
0,21xj - 0,30х2< О,
0,03х1- 0,01х2> О,
хР х2> 0.
Нарис. 2.3 показано графическое решение этой задачи. В отличие от модели примера
2.2.1, здесь две прямые, соответствующие неравенствам ограничений, проходят через
начальную точку (0, 0). Д ля того чтобы провести на графике такую прямую, необхо
дима еще одна точка. Координаты этой точки можно найти, подставив в уравнение
прямой любое значение для одной переменной, и затем из этого уравнения вычислить
значение для другой. Например, для второго неравенства из системы ограничений
положим х1= 200, тогда для второй переменной получаем уравнение 0 ,2 1 x 2 0 0 -
0,3х2= 0; отсюда имеем х2 = 140. Таким образом, прямая 0,21х, - 0,30х2 = 0 прохо
дит через точки (0, 0) и (200, 140). Заметим также, в данном случае для определе
ния допустимого полупространства нельзя использовать в качестве “ тестовой”
точку (0, 0), здесь следует взять какую-либо другую, например (100, 0) или (0, 100).
Поскольку в данной модели следует минимизировать целевую функцию, нужно
идти в направлении уменьшения ее значений (это направление на рис. 2.3 показано
стрелкой). Оптимальное решение находится на пересечении прямых х, + х2 = 800
и 0,21л, - 0,30дг2 = 0, откуда получаем xt = 470,6 (фунтов) и х2 = 329,4 (фунтов). При

этих значениях переменных минимальная стоимость производимой ежедневно
пищевой добавки составляет z = 0,3 х 470,6 + 0,9 х 329,4 = 437,64 долл.
1. Определите направление убывания следующих целевых функций:
a) минимизировать г = 4 х г - 2 х г;
b) минимизировать г = -З х , + х г;
c) минимизировать г = - х , - 2х2.
2. В задачу “ диеты” добавлено еще одно ограничение: ежедневный расход ку
курузной муки ограничен 450 фунтами. Постройте новое пространство до
пустимых решений и найдите новое оптимальное решение.
3. Найдите оптимальное решение в задаче “ диеты” при условии, что ежеднев
ное производство пищевой добавки не должно превышать 800 фунтов. Имеет
ли такое решение смысл?
4. Джон, помимо занятий в школе, для поддержания надлежащего финансово
го уровня должен подрабатывать не менее 20 часов в неделю. Д ля этого у него
есть прекрасная возможность работать в двух магазинчиках. В первом он
может работать от 5 до 12 часов в неделю, а во втором — от 6 до 10 часов. Оба
магазина предлагают одинаковую почасовую оплату. Джон должен опреде
литься, в каком магазине и сколько ему работать, исходя из фактора
“ напряженности” работы. Основываясь на сведениях, полученных при общении
с работниками этих магазинов, он оценил этот фактор по 10-балльной шкале:

для первого и второго магазинов соответственно 8 и 6 баллов. Понятно, что
суммарная “ напряженность” работы за неделю пропорциональна количеству
отработанных часов. Сколько часов Джон должен работать в каждом магазине,
чтобы минимизировать общую суммарную “ напряженность” работы?
5. Нефтяная компания OilCo строит новый нефтеперерабатывающий завод для
производства 4 видов продуктов: дизельное топливо, бензин, смазочные ма
териалы и авиационное топливо. Спрос на эти виды продукции составляет
соответственно 14, 30, 10 и 8 тыс. баррелей в день. Компания заключила
контракты с Ираном и ОАЭ на поставку сырой нефти танкерами. Поскольку
объем добычи нефти квотируется реш ениями ОПЕК (Организация стран —
экспортеров нефти), компания рассчитывает, что не менее 40% нефти она
будет получать из Ирана, а остальное — из Арабских Эмиратов. OilCo такж е
прогнозирует, что в ближайш ие 10 лет спрос на ее продукцию и квоты на сы
рую нефть останутся неизменными.
Нефть, поставляемая из Ирана и ОАЭ, отличается своими качествами. Из од
ного барреля иранской нефти можно произвести 0,2 барреля дизельного топ
лива, 0,25 барреля бензина, 0,1 барреля смазочных материалов и 0,15 барре
ля авиационного топлива. Соответствующие числа для нефти из ОАЭ
составляют 0,1, 0,6, 0,15 и 0,1.
Компании OilCo необходимо определить минимальную загрузку сырой неф
тью своего нового нефтеперегонного завода.
6. Биржевой маклер хочет вложить в акции некоторую сумму денег с тем, чтобы
к концу года иметь не менее 10 тыс. долл. Существует два типа акций, в которые
стоит делать вложения: акции надежных компаний с минимальным риском (так
называемые “ голубые фишки” ), приносящие в среднем 10% годовых, и акции
компаний, занимающихся высокими технологиями. Последние акции имеют
более высокую доходность — в среднем 25% годовых, однако они значительно
более рисковые. Поэтому маклер решил вкладывать в них не более 60% средств.
На какую сумму и каки х акций надо приобрести маклеру, чтобы достичь
желаемой цели?
2.2.3. Графическое решение с помощью TORA

Программа TORA разработана так, что вычисления можно проводить как в авто
матическом режиме, так и в режиме обучения (пошагового исполнения), или, если
необходимо, можно использовать совместно оба режима. Меню и команды этой про
граммы достаточно содержательные, поэтому руководства пользователя и справочной
системы не требуется. Тем не менее, если у вас возникнут какие-то сложности при рабо
те в этой программе, в приложении Б приведено краткое описание системы TORA.
Чтобы получить графическое решение задачи линейного программирования
в системе TORA, выполните следующие действия.
1. Выберите в меню Main Menu (Главное меню) пункт Linear Programming
(Линейное программирование).
2. У кажите режим ввода данных (загрузить данные из файла или ввести но
вые), а такж е формат чисел.
3. Если решается новая задача, введите данные для нее в таблицу.
4. Щ елкните на кнопке Solve Menu (Меню реш ения).

5. В появившемся меню выберите команду SolveOGraphical (РешитьОГрафически).
6. Определите формат результата и щ елкните на кнопке Go То Output Screen
(Переход в окно результата).
7. П оявится графическое и числовое реш ение задачи Л П .
На рис. 2.4 показано графическое решение задачи Reddy M ikks (данные для этой
задачи содержатся в файле ch2ToraReddyM ikks.txt). Условия и алгебраическое ре
шение задачи представлены в левой части окна. Справа расположена область вывода
графика, которая первоначально пуста. В ней выведены только оси x t и х 2, на кото
рые нанесены значения в подходящем для данной модели масштабе. Построить гра
фическое решение можно двумя способами. Можно просто щ елкнуть на кнопке Click
here to graph LP in one stroke (Щ елкните здесь, чтобы построить график), чтобы сразу
получить решение. Такж е можно последовательно построить линии ограничений
(щ елкните на каждом из них в левой части экрана), а затем щ елкнуть на изображе
нии целевой функции. В любом случае будет найдено оптимальное решение.
* TORA O :\W o rk \T o ra F ito tc h 2 T o rd R e d d y M ild a tx l •
LINEAR PROGRAMMING
GRAPtffCAL LINEAR PROGRAMM NG SOLUTION
T o ^ a p h the LP betoі* click conttiamfe

one at a line , then click objective function
Ri dy M A k i model. Fкапріе / 1 1
Маялміс г 5 ООяІ *4.00*2
subject to
(1 ) 6 00*1 * 4 0 0 *2 *- 24 00
I 2) 1 ООяІ ♦ 2 00я2 6 00
(3 ) 1 .0 0*1 * 1.00x2 <- 100
( 4) 0 ООяІ « 1 00*2 < - 2.00
■Яxj>«0
Рис. 2.4. Графическое решение модели Reddy M ikks, полученное в системе TORA
При необходимости можно удалить график, а затем нарисовать его заново. Д ля

этого щ елкните на записи all xj>= 0 (все переменные неотрицательные) в левой час
ти окна. Чтобы просмотреть или изменить условия задачи, щ елкните на кнопке
View/Modify Input Data (П росмотр/И зменение входных данных). Затем можно снова
решить задачу с новыми исходными значениями.
1. Режим обучения в программе TORA. В программе TORA введите следую
щ ие условия задачи ЛП и укаж и те, что реш ение следует получить в гра
фическом реж им е.
М аксимизировать г = Зх, + 8х2
при выполнении условий
х ,+ х 2> 8 ,
2х, - 3х2< 0,
X, + 2 х 2< 30,
Зх, - х 2> 0 ,
* ,< Ю ,
х 2 - 9,
х „ х 2> 0.
Далее на листе бумаги начертите оси х, и х2 в подходящем для Зтой задачи мас
штабе (в программе TORA можно щелкнуть на кнопке Print Graph (Распечатать
график), которая расположена в верхней правой части окна, чтобы получить раз
графленный лист). Теперь самостоятельно начертите первое ограничение. Д ля
проверки можно щелкнуть на соответствующем ограничении в левой части ок
на программы. Начертите все остальные ограничения. Затем постройте целе
вую функцию. Проверьте, правильно ли вы усвоили графическое решение за
дачи ЛП, повторив все выполненные действия в системе TORA.
2. Рассмотрим модель Reddy Mikks (файл ch2ToraReddyMikks.txt). С помощью
TORA покажите, что оптимальное решение задачи ЛП всегда связано с угловой
точкой пространства решений. Сначала введите (или загрузите) исходную модель
ЛП. Найдите ее графическое решение. Затем, щелкнув на кнопке View/Modify
Input Data (Просмотр/Изменение исходных данных), вернитесь в окно ввода дан
ных и введите представленные ниже уравнения целевых функций. В результа
те вы должны увидеть, что при изменении угла наклона целевой функции оп
тимальные решения будут находиться в различных угловых точках. Цель
этого упражнения — показать, что для того, чтобы найти оптимальное реше
ние задачи ЛП, достаточно знать угловые точки пространства решений.
a) г = 5х, + х 2.
b ) г = 5х, + 4 х2.
c) 2 = х, + Зх2.
d) 2 = - х, + 2х2.
e) 2 = - 2 х , + х 2.
f) 2 = - X, - х 2.
3. В модели “диеты ” (файл ch2ToraD iet.txt) замените целевую функцию сле
дующей:
минимизировать z = 0,8х, + 0,8х2.
Используя графические возможности системы TORA, покажите, что опти
мальное решение связано с двумя различными угловыми точками, причем
в обеих точках оптимальное решение будет одинаковым. В этом случае гово
рят, что задача имеет альт ернат ивны й оптимум. Объясните, какие условия
привели к такой ситуации, и покажите, что на самом деле задача имеет бес
конечное множество альтернативных оптимумов. Затем напишите формулу
для определения всех таких решений.
4. Рассмотрим следующую модель ЛП:
максимизировать z = 5 х г + 4 х 2
бх, + 4 х 2< 24,
6 х г + Зх2< 22,5,
х г + х г < 5,
х, + 2 х 2 < 6,
- х, + х 2< 1,
х 2< 2 ,
х„ х 2> 0.
В ЛП ограничение называется избыточным, если его удаление из модели не
изменяет пространство допустимых событий. Используя систему TORA, оп
ределите, какие ограничения избыточны. Затем покажите, что их удаление
не повлияет на пространство решений и оптимум.
5. Используя систему TORA, покажите, что если в модели Reddy Mikks удалить ог
раничения на ресурсы (первые два ограничения), то пространство решений будет
неограниченным. Что в этом случае можно сказать об оптимальном решении?
Предположим, что в модель Reddy Mikks добавлено еще одно ограничение: х2> 3.
6. Используя систему TORA, покажите, что полученная модель содержит про
тиворечивые ограничения, которые одновременно не могут быть удовлетво
рены. Поэтому модель не имеет допустимых решений.
2.3. ГРАФИЧЕСКИЙ АНАЛИЗ ЧУВСТВИТЕЛЬНОСТИ

Модель линейного программирования является как бы “ моментальным сним
ком ” реальной ситуации, при которой параметры модели (коэффициенты целевой
функции и неравенств ограничений) предполагаются неизменными. Естественно
изучить влияние изменения параметров модели на полученное оптимальное реше
ние задачи ЛП. Такое исследование называется анализом чувствительности.
В этом разделе анализ чувствительности основывается на графическом решении
задачи ЛП. Рассмотрим два случая: 1) изменение коэффициентов целевой функции
и 2) изменение значений констант в правой части неравенств ограничений. Хотя
проведенное здесь исследование будет элементарным и ограниченным, оно пока
ж ет основные идеи методов анализа чувствительности. Подробно методы этого
анализа описаны в главе 4.
2.3.1. Изменение коэффициентов целевой функции

В общем виде целевую функцию задачи ЛП с двумя переменными можно запи
сать следующим образом.
Максимизировать или минимизировать z = с1х 1+ с2х 2.
Изменение значений коэффициентов с, и сг приводит к изменению угла наклона
прямой 2 . Графический способ решения задачи ЛП, описанный в разделе 2.2, показы
вает, что это может привести к изменению оптимального решения: оно будет достигать
ся в другой угловой точке пространства решений. Вместе с тем, очевидно, существуют
интервалы изменения коэффициентов Cj и с2, при которых текущее оптимальное реше
ние сохраняется. Задача анализа чувствительности и состоит в получении такой ин
формации. В частности, представляет интерес определение интервала оптимальности
для отношения сг/с 2 (или, что то же самое, для C2/Cj); если значение отношения с1/с 2
не выходит за пределы этого интервала, то оптимальное решение в данной модели со
храняется неизменным. Следующий пример показывает, как можно получить необ
ходимый результат с помощью анализа графического представления модели ЛП.
Пример 2.3.1
Применим процедуру анализа чувствительности к задаче п рим ера2.2.1 (модель
для компании Reddy Mikks). На рис. 2.5 видно, что функция z= 5х2 + 4х2 достигает
максимального значения в угловой точке С. При изменении коэффициентов целе
вой функции г = с,х, + Cj*., точка С останется точкой оптимального решения до тех
пор, пока угол наклона прямой z будет леж ать между углами наклона двух пря
мых, пересечением которых является точка С. Этими прямыми являю тся
6л, + 4хг = 24 (ограничение на сырье M l) и хг + 2хг = 6 (ограничение на сырье М2).
Алгебраически это можно записать следующим образом:
или
с, *0.
2 с, 4
В первой системе неравенств условие Ф0 означает, что прямая, соответствующая
целевой функции, не может быть горизонтальной. Аналогичное условие в следую
щей системе неравенств означает, что эта же прямая не может быть вертикальной.
Из рис. 2.5 видно, что интервал оптимальности данной задачи (он определяется
двумя прямыми, пересекающимися в точке С) не разрешает целевой функции быть
ни горизонтальной, ни вертикальной прямой. Таким образом, мы получили две
системы неравенств, определяющих интервал оптимальности в нашем примере.
(Если с , и с2 могут принимать нулевые значения, интервал оптимальности для от
ношения c j c 2 (или c2/c t) необходимо разбить на два множества, где знаменатели не
обращались бы в нуль. Эта ситуация представлена в упражнении 2.3.1.1.)
Итак, если коэффициенты с, и сг удовлетворяют приведенным выше неравенст
вам, оптимальное решение будет достигаться в точке С. Отметим, если прям ая z =
cjjc, + Cj*., совпадет с прямой хг + 2jcz = 6, то оптимальным решением будет любая
точка отрезка CD. Аналогично, если п рям ая, соответствующая целевой функции,
совпадет с прямой 6л, + 4х2 = 24, то лю бая точка отрезка ВС будет оптимальным
решением. Однако заметим, что в обоих случаях точка С остается точкой опти
мального реш ения.
Приведенные выше неравенства можно использовать при определении интервала
оптимальности для какого-либо одного коэффициента целевой функции, если
предположить, что другой коэффициент остается неизменным. Например, если
в нашей модели зафиксировано значение коэффициента с2 (пусть с2 = 4), то интер-

1 С 6
вал оптимальности для коэффициента с получаем из неравенств путем
2 с, 4
подстановки туда значения с2 = 4. После выполнения элементарных арифметиче
ских операций получаем неравенства для коэффициента 2 <с, < 6. Аналогично,
если зафиксировать значение коэффициента с, (например, с, = 5), то из неравенств
4 с 2
—< — < — получаем интервал оптимальности для коэффициента с2: 10/3 < с2< 10.
6 с, 1
1. Определите графически интервал оптимальности для отношения с ,/с2 в сле
дующих задачах; отдельно рассмотрите случаи, когда коэффициенты сг и с2
могут обращаться в нуль.
a) Максимизировать z = 2хг + Зх2 при выполнении условий
Зх, + 2хг < 6,
- х , + х 2< О,
х „ х 2> 0.
b) Максимизировать z = 6xt + Зх2при выполнении условий
Зх, + 2х2< 6,
х, - х 2< О,
х „ х 2> О.
с) Максимизировать z = х, + х 2 при выполнении условий
-х , + х2< О,
Зх, - х 2< 3,
х „ х 2> 0.
2. В задаче “диеты ” из примера 2.2.2:
a) определите интервал оптимальности для отношения стоимости фунта ку-
курузной муки к стоимости фунта соевой муки;
b ) если стоимость фунта кукурузной муки увеличится на 20% , а стоимость
фунта соевой уменьшится на 5% , то будет ли в этом случае оптимальным
ранее найденное решение?
c) если стоимость фунта кукурузной муки останется фиксированной
(30 центов), а стоимость фунта соевой муки возрастет до 1,10 долл., то ос
танется ли оптимальным ранее найденное решение?
3. Магазин В&К продает два вида безалкогольных напитков: колу А1 известно
го производителя и колу В&К собственного производства. Доход от одной
банки колы А1 составляет 5 центов, тогда как доход от одной банки собст
венной колы — 7 центов. В среднем магазин за день продает не более 500 ба
нок обоих напитков. Несмотря на то что А1 — известная торговая марка, по
купатели предпочитают колу В&К, поскольку она значительно дешевле.
Подсчитано, что объемы продаж колы В&К и А1 (в натуральном исчислении)
должны соотноситься не менее 2:1. Кроме того, известно, что магазин прода
ет не менее 100 банок колы А1 в день.
a) Сколько банок каждого напитка должен иметь магазин в начале рабочего
дня для максимизации дохода?
b ) Определите соотношение доходов от напитков А1 и В&К, при котором со
храняется оптимальное решение, найденное на предыдущем этапе.
4. Мебельная фабрика для сборки столов и стульев привлекает к работе на
10 дней четырех столяров. Каждый столяр тратит 2 часа на сборку стола и 30 ми
нут — на сборку стула. Покупатели обычно приобретают вместе со столом от
четырех до шести стульев. Доход от одного стола составляет 135 долл.
и 50 долл. — от одного стула. На фабрике установлен 8-часовой рабочий день.
a) Определите графически структуру производства (на 10 рабочих дней), ко
торая максимизировала бы суммарный доход.
b ) Определите для найденного решения интервал оптимальности для отно
шения доходов на единицу продукции.
c) Изменится ли найденное выше оптимальное решение, если доходность из
готовления столов и стульев уменьшится на 10% ?
d) Изменится ли найденное выше оптимальное решение, если доходность из
готовления столов и стульев составит соответственно 120 и 25 долл. на
единицу продукции?
5. Банк Elkins в течение нескольких месяцев планирует вложить до
200 000 долл. в кредитование частных лиц (клиентов) и покупок автомоби
лей. Банковские комиссионные составляют 14% при кредитовании частных
лиц и 12% при кредитовании покупок автомобилей. Оба типа кредитов воз
вращаются в конце годичного периода кредитования. Известно, что около
3% клиентских и 2% автомобильных кредитов никогда не возвращаются.
В этом банке объемы кредитов на покупку автомобилей обычно более чем
в два раза превышают объемы других кредитов для частных лиц.
a) Найдите оптимальное размещение средств по двум описанным видам кре
дитования и определите коэффициент возврата по всем кредитам.
b ) Определите интервал оптимальности для отношения процентных ставок
по двум видам кредитов для найденного на предыдущем шаге оптималь
ного решения.
c) Предположим, что невозврат кредитов составит 4 и 3 % для кредитов ч а
стных лиц и кредитов на покупку автомобилей соответственно. Изменит
ся ли при этом оптимальное решение, полученное выше?
6. Завод Electra производит два типа электрических двигателей, каждый на от
дельной сборочной линии. Производительность этих линий составляет 600
и 750 двигателей в день. Двигатель первого типа использует 10 единиц некоего
комплектующего, а двигатель второго типа — 8 единиц этого же компонента.
Поставщик может обеспечить на день 8000 единиц этих деталей. Доходность
изготовления двигателя первого типа составляет 60, второго — 40 долл.
a) Определите оптимальную структуру ежедневного производства двигателей.
b ) Найдите интервал оптимальности для отношения доходности двигателей.
7. Консервный завод Рореуе перерабатывает за смену 60 000 фунтов спелых по
мидоров (7 пенсов за фунт) в томатный сок и пасту. Готовая продукция паке
тируется в упаковки по 24 банки. Производство одной банки сока требует од
ного фунта спелых помидоров, а одной банки пасты — трети фунта.
Заводской склад может принять за смену только 2 000 упаковок сока и 6 000 упа
ковок пасты. Оптовая цена одной упаковки томатного сока составляет
18 долл., одной упаковки томатной пасты — 9 долл.
a) Определите оптимальную структуру производства консервного завода.
b ) Найдите отношение оптовых цен на продукцию завода, при котором заво
ду будет выгоднее производить больше томатной пасты, чем сока.
8. Мебельная фабрика собирает из готовых комплектующих два вида кухонных
шкафов: обычные и дорогие. Обычный шкаф покрывается белой краской, а до
рогой — лаком. Покраска и покрытие лаком производятся на одном производ
ственном покрасочном участке. Сборочная линия фабрики ежедневно может
собирать не более 200 обычных шкафов и 150 дорогих. Лакирование одного до
рогого ш кафа требует вдвое больше времени, чем покраска одного простого.
Если покрасочный участок занят только лакированием дорогих шкафов, то за
день здесь можно подготовить 180 таких шкафов. Ф абрика оценивает доход
от обычных и дорогих кухонных шкафов в 100 и 140 долл. соответственно.
a) Сформулируйте задачу линейного программирования и составьте опти
мальное ежедневное расписание работы покрасочного участка.
b) Предположим, что в результате конкуренции доход от производства одно
го обычного ш кафа снизился до 80 долл., а дорогого— до 110 долл. Ис
пользуя анализ чувствительности, определите, будет ли в этой ситуации
решение, полученное на предыдущем этапе, оптимальным.
2.3.2. Доступность ресурсов

Во многих моделях линейного программирования ограничения трактуются как
условия ограниченности ресурсов. В таких ограничениях правая часть неравенств
является верхней границей количества доступных ресурсов. В этом разделе мы
изучим чувствительность оптимального решения к изменению ограничений, нала
гаемых на ресурсы.
Пример 2.3.2
В модели для компании Reddy Mikks (пример 2.2.1) первые два неравенства пред
ставляют собой ограничения на использование сы рья M l и М2 соответственно.
Напомним, что в данной задаче оптимальное решение достигается в угловой точ
ке С, являю щ ейся точкой пересечения прямы х, соответствующих ограничениям
на сырье M l и М2 (рис. 2.6). При изменении уровня доступности материала M l
(увеличение или уменьш ение текущего уровня, равного 24 т) точка С оптималь
ного реш ения “ плы вет” вдоль отрезка DG. Любое изменение уровня доступности
материала M l, приводящ ее к выходу точки пересечения С из этого отрезка, ведет
к неосуществимости оптимального реш ения в точке С. Поэтому можно сказать,
что конечные точки D = (2, 2) и G = (6, 0) отрезка DG определяют инт ервал осу
ществимости для ресурса M l. Количество сырья M l, соответствующего точке
D = (2, 2), равно 6хг + 4х2 = 6 х 2 + 4 х 2 = 20 т. Аналогично количество сырья, со
ответствующего точке G = (6, 0), равно 6 x 6 + 4 x 0 = 3 6 т. Таким образом, ин
тервал осущ ествимости д л я ресурса M l составляет 20 <Mt < 36 (здесь через M l
Рис. 2.6. Интервал осуществимости для ресурса M l

обозначено количество материала M l). Если мы определим М1 как Л/, = 24 + Dv

где D, — отклонение количества материала M l от текущего уровня в 24 т, то по
следние неравенства можно переписать к ак 20 < 24 + D, < 36 или -4 < D, < 12. Это
означает, что текущ ий уровень ресурса M l может быть уменьшен не более чем на
4 т и увеличен не более чем на 12 т. В этом случае гарантируется, что оптималь
ное решение будет достигаться в точке С — точке пересечения прямы х, соответ
ствую щ их ограничениям на ресурсы M l и М2.
Теперь рассмотрим ресурс М2. На рис. 2.7 видно, что интервал осуществимости для
ресурса М2 определяется конечными точками В и Н отрезка ВН , где В = ( 4 , 0 ) и Я =
(8/3, 2). Точка Н находится на пересечении прямых ED и ВС. Определяем, что коли
чество сырья М2, соответствующего точке В, равно х, + 2хг = 4 + 2 x 0 = 4 т , а точке
Н — 8/3 + 2 x 2 = 20/3 т. Значение целевой функции в точке В равно 5х, + 4х2=
5 x 4 + 4 x 0 = 2 0 (тыс. долл.), а в точке Н — 5 х 8/3 + 4 x 2 = 64/3 (тыс. долл.). Отсюда
следует, что количество сырья М2 может изменяться от 4 до 20/3 тонн.
2.3.3. Стоимость ресурсов

На рис. 2.8 показано, что модель ЛП можно представить как модель “ вход-
выход” , где ограниченные ресурсы соответствуют входу модели, а значение целе
вой функции — выходу. Чувствительность модели можно оценить по степени
влияния входа (ресурсов) на выход (значение целевой функции). Простую меру
чувствительности можно получить как побочный продукт вычисления интервалов
осуществимости для ресурсов, выполненного в разделе 2.3.2. В частности, опреде
лим стоимость единицы ресурса, как отношение изменения значения целевой
функции к изменению доступного количества ресурсов.
Обозначим через г/, стоимость ресурса і. Эта стоимость вычисляется по формуле

_ изменение значения z, соответствующего интервалу осуществимости ресурса і
интервал осуществимости ресурса і
Проиллюстрируем этот показатель на примере модели Reddy Mikks.
Пример 2.3.3
На рис. 2.6 видно, что при изменении количества сырья M l от 20 до 36 тонн
(интервал осуществимости ресурса M l) значения целевой функции г будут соответ
ствовать положению точки С на отрезке DG. Обозначив через ух стоимость единицы
ресурса M l, получим следующую формулу.
изменение значения z при перемещении т. С от D до G
Уі =
изменение количества М[ при перемещении т. С от D до G
Если точка С совпадает с точкой D = (2, 2), то г = 5 х 2 + 4 х 2 = 18 (тыс. долл.), если
же точка С совпадает с точкой G = (6, 0), тогда г = 5 х 6 + 4 х 0 = 30 (тыс. долл.). От
сюда следует, что
30 — 18 3
j, = ——— = — (тыс. долл. на тонну материала M l).
Этот результат показывает, что изменение количества ресурса M l на одну тонну

(если общее количество этого ресурса не меньше 20 и не больше 36 тонн) приводит
к изменению в оптимальном решении значения целевой функции на 750 долл.
Теперь рассмотрим ресурс М2. Д ля него интервал осуществимости составляет от
4 до 20 /3 тонн. На рис. 2.7 видно, что этот интервал определяется конечными точ
ками В и Н отрезка ВН. Таким образом,
изменение значения z при перемещении т. С от В до //
Уг
изменение количества М2 при перемещении т. С отВ до //
Значение целевой функции в точке В равно 5xt + 4х, = 5 x 4 + 4 x 0 = 2 0 (тыс. долл.),
а в точке Я — 5 х 8 /3 + 4 x 2 = 64/3 (тыс. долл.). Отсюда следует, что
64/3-20 1 , , . оч
у2 = ^ —4_ = '2 (ТЬІС‘ долл< на Т0ННУ материала М2).
Этот результат показывает, что изменение количества ресурса М2 на одну тонну

(если общее количество этого ресурса не меньше 4 и не больше 20/3 тонн) приводит
к изменению в оптимальном решении значения целевой функции на 500 долл.
1. Ф абрика W ild W est производит два типа ковбойских ш ляп. Производство
ш ляпы первого типа требует в два раза больше временных ресурсов, чем из
готовление ш ляпы второго типа. Если фабрика будет производить только
ш ляпы второго ти па, то в день она сможет изготовить 400 так и х ш ляп.
Ры нок налагает ограничения на производство ш ляп: не более 150 ш ляп пер
вого и 200 ш ляп второго типа. Доход от производства ш ляп составляет
8 долл. на единицу первого типа и 5 долл. — второго типа.
a) Примените графический метод для определения ежедневного оптималь
ного производства ш ляп обоих типов.
b) Определите стоимость увеличения производства на одну ш ляпу второго
типа и интервал значений числа ежедневного производства этих шляп,
для которого данная стоимость была бы применима.
c) Используя стоимость единицы ресурса, определите, на сколько изменится
максимальный доход фабрики, если ежедневное производство шляп пер
вого типа не будет превышать 120 единиц.
d) Чему равна стоимость увеличения предельного спроса на одну ш ляпу вто
рого типа?
2. Компания производит два вида продукции, А и В. Объем продаж продукта А
составляет не менее 80% от общего объема продаж продуктов А и В. Вместе
с тем, компания не может производить более 100 единиц продукта А в день.
Д ля производства этих продуктов используется одно и то же сырье, поступ
ление которого ограничено 240 фунтами в день. На изготовление единицы
продукта А расходуется 2 фунта сырья, а единицы продукта В — 4 фунта.
Цена одной единицы продуктов А и В составляет 20 и 50 долл. соответственно.
a) Найдите оптимальную структуру производства этой компании.
b) Определите стоимость единицы сырья и интервал изменения потребляе
мого сырья, при котором справедлива данная стоимость.
c) С помощью графического анализа чувствительности определите, как из
менится значение целевой функции при изменении максимального уров
ня производства продукта А на ±10 единиц.
3. Компания на производство двух продуктов в день тратит 10 часов. Производ
ство каждого продукта состоит из последовательного выполнения трех процес
сов. Данные по этим продуктам и процессам приведены в следующей таблице.
a) Определите структуру оптимального производства.

b) Предположим, что появилась возможность увеличить время на выполне
ние одного из трех процессов. Д ля выбора процесса, время которого будет
увеличено, создайте логически обоснованные приоритеты процессов.
4. Компания Show&Sell имеет возможность рекламировать свою продукцию по

местному радио и телевидению. Бюджет на рекламу ограничен суммой
10 ООО долл. в месяц. Одна минута рекламного времени на радио стоит 15,
а на телевидении — 300 долл. Компания предполагает, что реклама на радио
по времени должна превышать рекламу на телевидении не менее чем в два
раза. Вместе с тем, известно, что нерационально использовать более 400 минут
рекламы на радио в месяц. Последние исследования показали, что реклама
на телевидении в 25 раз эффективнее рекламы на радио.
a) Разработайте оптимальный бюджет для рекламы на радио и телевидении.
b ) Определите стоимость единицы месячного лимита на рекламу по радио.
c) Вычислив стоимость единицы ресурса, определите возможную эффектив
ность рекламной кампании при увеличении ежемесячного бюджета на
рекламу до 15 ООО долл.
5. Корпорация W yom ing Electric является собственником электрогенерирую
щей станции. Поскольку эта корпорация имеет богатые запасы угля, на
электростанции для генерации электрического тока используется уголь.
Агентство по защ ите окружающей среды установило следующие ограниче
ния: концентрация выбрасываемого в воздух сернистого газа не должна пре
выш ать 0,002, количество выбрасываемых аэрозольных частиц не должно
превыш ать 20 фунтов в час. Корпорация для генерации электрического то
к а использует пылевидный уголь двух сортов, С1 и С2. Перед сж иганием
эти сорта угля обычно смешиваются. Д ля простоты предположим, что сер
нистая составляю щ ая в смеси углей определяется как средневзвешенное от
доли угля каждого сорта в смеси. Х арактеристики используемых сортов
угля приведены в следующей таблице.
a) Найдите оптимальную смесь углей обоих сортов.

b) На сколько изменится количество вырабатываемого пара (в час), если ос
лабить на 1 фунт в час ограничение на количество выбрасываемых аэро
зольных частиц?
6. Ф акультет послевузовского обучения местного колледжа города Озарк пред
лагает в общей сложности до 30 курсов каж ды й семестр. Все курсы условно
можно разбить на два типа: практические, такие как деревообработка, обу
чение работе на компьютере, ремонт и поддержка автомобилей и т.п.; и гу
манитарные, например история, музыка и изобразительное искусство. Что
бы удовлетворить запросы обучающихся, в каждом семестре должно
предлагаться не менее 10 курсов каждого типа. Факультет оценивает доход
от одного практического курса в 1500, а гуманитарного — в 1000 долл.
a) Какова оптимальная структура курсов для факультета?
b ) Определите, какой доход будет иметь факультет при увеличении на 1 ми
нимального количества практических курсов.
c) Определите доход факультета при увеличении минимального количества
гуманитарных курсов на 1.
7. Ш вейная фабрика B urroughs производит мужские сорочки и женские блузки

для магазина W alm ark. Этот магазин согласен принимать всю продукцию
фабрики B urroughs. Производство швейного изделия состоит из раскроя,
пошива и пакетирования готового изделия. На участке раскроя работают
25 человек, непосредственно на пошиве изделий — 35 человек и пакетируют
готовые изделия 5 человек. Ш вейная фабрика B urroughs работает в одну
смену (8 часов) пять дней в неделю. Трудозатраты на выпускаемые фабрикой
изделия и доход от них показаны в следующей таблице.
Изделие Раскрой Пошив Пакетирование Доход

(минуты на изделие) (в долл. на изделие)
Рубашка 20 70 12 8,00
Блузка 60 60 4 12,00
a) Определите оптимальную структуру еженедельного производства для

этой швейной фабрики.
b ) Вычислите стоимость одного часа рабочего времени, затрачиваемого от
дельно на раскрой, пошив и пакетирование.
c) Предположим, что можно организовать сверхурочную работу на участках
раскроя и пошива. Какую максимальную почасовую добавку за сверх
урочные может предложить швейная фабрика?
8. Завод бытовой химии производит два вида чистящ их средств, А и В, исполь
зуя при этом сырье I и II. Д ля производства чистящ их средств ежедневно
имеется 150 единиц сырья. На получение одной единицы средства А исполь
зуется 0,5 единицы сырья I и 0,6 единицы сырья II. На производство одной
единицы средства В затрачивается 0,5 единицы сырья I и 0,4 единицы сырья II.
Доход на одну единицу средств А и В составляет соответственно 8 и 10 долл.
Ежедневное производство средства А должно быть не менее 30 и не более
150 единиц. Д ля производства средства В аналогичные ограничения состав
ляю т 40 и 200 единиц.
a) Найдите оптимальную структуру выпуска чистящ их средств.
b ) Определите стоимость единицы изменения граничных значений ежеднев
ного выпуска средств А и В.
9. Конвейер состоит из трех последовательных линий для сборки двух видов
радиоприемников: HiFi-1 и HiFi-2. Время, необходимое для сборки одного
радиоприемника на каждой линии, приведено в следующей таблице.
Количество минут, затрачиваемых на сборку одного изделия

Сборочная линия HiFi-1 HiFi-2
1 6 4
2 5 5
3 4 6
Ежедневные профилактические работы на соответствующих линиях состав

ляют 10, 14 и 12% от всего рабочего времени, которое для любой линии не
превышает 480 минут в смену.
a) Определите структуру выпускаемой продукции, при которой минимизи

руется время простоя всех трех линий.
b) Вычислите стоимость одного процента уменьшения времени профилакти
ческих работ для каждой линии.
2.4. КОМПЬЮТЕРНОЕ РЕШЕНИЕ ЗАДАЧ ЛП

Графический метод, описанный в разделе 2.2, основывается на некоторых фун
даментальных свойствах оптимального решения задач ЛП. Но на практике, когда
типичная задача линейного программирования содержит сотни и даже тысячи пе
ременных и ограничений, графический метод неприменим. Здесь требуется ис
пользование компьютерных программ.
В этом разделе мы рассмотрим решение задач ЛП с помощью программы TORA,
средства Excel Поиск решения, а такж е программ AMPL и LINGO. Программа TORA
и средство Поиск решения предназначены для решения задач средних размеров. Для
решения больших задач, содержащих сотни (и даже тысячи) ограничений и перемен
ных, необходимо использовать коммерческие программы, такие как AMPL и LINGO.
2.4.1. Решение задач ЛП с помощью TORA

Ввод необходимых для решения задачи данных в программе TORA прост и по
нятен и не нуждается в дополнительных инструкциях. Поэтому в этом разделе мы
основное внимание уделим интерпретации результатов, получаемых с помощью
этой программы.
Пример 2.4.1
На рис. 2.9 показана выходная распечатка решения задачи ЛП для компании Reddy
Mikks (пример 2.2.1), выполненная программой TORA. На примере этой неодно
кратно исследованной задачи проиллюстрируем решение, полученное с помощью
программы TORA.
Выходные результаты программы разбиты на два основных раздела: числовые ре
зультаты решения задачи и данные анализа чувствительности (раздел Sensitivity
Analysis). В первом разделе представлены оптимальные значения переменных
(первая таблица) и значение целевой функции (Objective value). В рассматриваемом
примере оптимальное значение переменной х1(количество выпускаемой краски для
наружных работ) равно 3 т, а переменной х2 (количество выпускаемой краски для
внутренних работ) — 1,5 т. Соответственно, доход составляет 21 ООО долл.
В следующей таблице данного раздела представлены ограничения (Constraint).
В этой таблице показаны значения дополнительных переменных, остаточных (Slack-),
избыточных (Surplus-І-) и значения правых частей неравенств (столбец RHS4).
Из таблицы видно, что значения дополнительных переменных для первых двух не
равенств равны нулю. Это означает, что сырье M l и М2 потребляется полностью,
без остатка. В третьем и четвертом ограничениях значения дополнительных пере
менных отличны от нуля, т.е. неравенства этих ограничений выполняются строго.
В верхней части раздела Sensitivity Analysis в двух таблицах показаны результаты
анализа чувствительности при изменении по отдельности коэффициентов целевой
4RHS — сокращение от Right Hand Side, т.е. “правая сторона”. — Прим. перев.
функции (первая таблица) и значений правых частей неравенств ограничений

(вторая таблица). Например, текущее оптимальное решение сохраняется до тех
пор, пока доход на тонну краски для внешних работ составляет от 2000 до
6000 долл. Текущее оптимальное решение такж е будет сохранено, если ежеднев
ные поступления сырья M l будут находиться в пределах от 20 до 36 тонн. Такой же
результат получен графическим способом в примерах 2.3.1 и 2.3.2.
Теперь рассмотрим информацию, приведенную в столбцах Reduced Cost (Приведенная
стоимость) и Dual Price (Двойственная цена) таблиц раздела Sensitivity Analysis.
Начнем с приведенной стоимости. С точки зрения экономиста, переменные в моде
ли ЛП можно рассматривать как числовые характеристики интенсивности опреде
ленных видов деятельности (или процессов), в результате которых потребляются
ресурсы (“ вход” модели) в целях получения прибыли (“ выход” модели). Из этой
интерпретации вытекает следующее определение.
Если приведенная стоимость какого-либо процесса положительна, то отсюда следу
ет, что стоимость потребленных ресурсов больше возможного дохода (все на едини
цу интенсивности процесса), поэтому такой процесс экономически не приемлем.
Это обусловливает нулевое значение соответствующей переменной в оптимальном
решении. Если же экономически привлекательный процесс имеет нулевую приве
денную стоимость, то это означает, что достигнута точка равновесия, когда
“ выход” (единичный доход) равен “ входу” (единичной стоимости ресурсов). В оп
тимальном решении, показанном на рис. 2.9, обе переменные хх и х2имеют положи
тельные значения и нулевые приведенные стоимости.
Теперь рассмотрим определение двойственной цены. Двойственная цена — это

просто еще одно название стоимости единицы ресурсов, определенной в разде
ле 2.3.3. Она равна вкладу, который привносит в значение целевой функции изме
нение на одну единицу лимита, определяющего доступность ресурса. Термин
“ двойственная цена” произошел от названия “ проблема двойственности” из тео
рии линейного программирования (см. главу 4). Д ля обозначения стоимости еди
ницы ресурсов такие термины, как теневая цена (shadow price) и сим плексны й
м ульт ипликат ор (simplex multiplier), применяются значительно реже. Хотя назва
ние “ стоимость единицы ресурсов” , введенное в разделе 2.3.3, лучше отображает
смысл, вкладываемый в это понятие, мы все же будем использовать термин
“ двойственная цена” (dual price), так как он применяется во всех коммерческих
программах решения задач ЛП.
На рис. 2.9 видно, что двойственные цены для сырья M l и М2 равны соответствен
но 0,75 и 0,50 (т.е. 750 и 500 долл.) за тонну. Такие же результаты получены гра
фическим способом в примере 2.3.3 и справедливы только при условии, что
2 0 < М , < 3 6 и 4 < М 2< 2 0 / 3 (здесь через Мх и М2 обозначено количество сырья M l
и М2 соответственно). Отсюда Следует, что если, например, доступное количество
сырья M l возрастет от текущего уровня в 24 т до 28, то оптимальное значение целе
вой функции увеличится на 750 х (28 - 24) = 3000 долл. Но если доступное количе
ство сырья M l возрастет до 40 т (т.е. выйдет за интервал осуществимости), необхо
димо искать новое оптимальное решение.
2.4. Компьютерное решение задач ЛП
*** OPTIMUM SOLUTION SUMMARY ***
Рис. 2.9. Выходные результаты программы TORA

Двойственные цены для третьего и четвертого ограничений в данной модели равны

нулю при изменении значений правых частей этих неравенств от - 1 ,5 до оо и от 1,5
до оо соответственно. Это означает, что ограничения, налагаемые рынком на струк
туру производства (ограничение на производство краски для внутренних работ до
2 т и т.п.), в данной ситуации не оказы ваю т влияния на оптимальное решение.
2.4.2. Решение задач ЛП с помощью Excel

Покаж ем на модели R eddy M ikks, как надо располагать данные на рабочем лис
те, чтобы было удобно использовать средство Excel Поиск решения (файл рабочей
книги ch2SolverR eddyM ikks.xls5). В верхней части рис. 2.10 показано табличное
представление этой модели. Здесь содержится 4 типа данных:
1) входные данные (затененные ячейки В5:С9 и F6:F9),
2) значения переменных и целевой функции (ячейки в прямоугольнике B13:D13),
3) формулы, по которым вычисляю тся значения целевой ф ункции и левых час
тей ограничений (ячейки D5:D9) и
4) поясняю щ ие заголовки и надписи.
Д ля средства Поиск решения требуется информация только первых трех типов —

поясняю щ ие заголовки и надписи необходимы только для того, чтобы сделать таб-
6 Рабочие книги Excel, которые упоминаются в первых девяти главах, русифицированы

и содержатся на прилагаемом к книге компакт-диске. Их названия совпадают с названиями
исходных файлов, перед которыми стоит слово “Копия” . Например, русифицированный ва
риант данной рабочей книги имеет название Копия ch2SolverReddyMikks.xls. — Прим. ред.
2.4. Компьютерное, решение задач ЛП 61
личное представление модели более понятным и удобочитаемым. Относительное

расположение ячеек, содержащих информацию разных типов, не обязательно
должно быть таким, как показано на рис. 2.10. Например, ячейки, содержащие зна
чения переменных и целевой функции, не обязательно должны располагаться в од
ном непрерывном диапазоне ячеек или внизу таблицы — часто их размещают в верх
ней части табличной модели. Важно только то, чтобы они находились в отдельных
ячейках и на них можно было бы сослаться при задании параметров средства Поиск
решения. Вместе с тем мы рекомендуем придерживаться структуры табличной моде
ли, как показано на рис. 2.10, поскольку она наглядна и удобна в работе.
Покажем соответствие между математической моделью и табличной. Начнем
с соответствия формул этих моделей. Коэффициенты целевой функции и левых
частей ограничений помещены в диапазон ячеек В5:С9. В следующей таблице при
ведены алгебраические формулы и эквивалентные им формулы Excel и ячейки, в
которых эти формулы записаны.
Отметим, что вы должны ввести формулу только в ячейку D5, а затем ее надо
скопировать в ячейки D6:D9. Чтобы правильно скопировать формулы, в формуле
ячейки D5 надо ссылки на ячейки В13 и С13 (содержащих значения х 1и х 2) сделать
абсолютными в виде $В $13 и $С $13. Д ля больших табличных моделей в ячейку
D5 можно ввести формулу
= СУММПРОИЗВ(В5:С5;$В$13:$С$13)
и затем скопировать ее в ячейки D6:D9.
После ввода исходных данных и расчетных формул табличная модель готова
для использования средства Поиск решения. В меню Сервис выберите команду
Поиск решения. Откроется одноименное диалоговое окно, показанное на рис. 2.10.
В этом окне надо ввести адрес ячейки, в которой вычисляется значение целевой
функции, указать, надо ли минимизировать или максимизировать целевую функ
цию, и ввести адреса ячеек, содержащих значения переменных. В нашей модели:
в поле ввода Установить целевую ячейку вводится D5;
устанавливается переключатель Равной максимальному значению;
в поле ввода Изменяя ячейки вводится $В$13:$С$13.
Эта информация указывает средству Поиск решения, что переменные находятся
в ячейках В ІЗ и С13, и надо найти максимум целевой функции, значение которой
вычисляется в ячейке D5.
Далее надо задать ограничения модели, щ елкнув на кнопке Добавить в диало
говом окне Поиск решения. Отрывшееся диалоговое окно Добавление
ограничения предоставляет средства для ввода всех частей ограничений (левой
части, знака неравенства и значения правой части). Используя это окно, вводим
ограничения модели в таком виде.
$D$6:$D$9<=$F$6:$F$9
Напомним, что в ячейках F6:F9 записаны значения правых частей ограничений.

Теперь осталось ввести ограничения неотрицательности для переменных. С по
мощью диалогового окна Добавление ограничения вводим
$В$13:$С$13>=0
Когда Поиск решения найдет решение данной задачи, оптимальное значение це
левой функции появится в ячейке D5, а значения переменных х 1 и х 2 — в ячейках
В13 и С13 соответственно. Д ля удобства мы используем ячейку D13 для отображе
ния значения целевой функции (в эту ячейку введена формула =D5) — в этом слу
чае все элементы оптимального реш ения отображаются рядом в одной строке.
Теперь все готово для решения нашей задачи, достаточно щ елкнуть на кнопке
Выполнить в диалоговом окне Поиск решения. Но перед этим желательно проверить
установленные параметры работы средства Поиск решения (максимальное время
поиска решения, максимальное количество итераций, относительная погрешность
и т.д.), для чего надо открыть диалоговое окно Параметры поиска решения, щ елк
нув на кнопке Параметры. Самое важ н о е — установить опцию Линейная модель.
В этом же окне можно указать, что все переменные должны быть неотрицательны
ми (опция Неотрицательные значения).4
Если табличная модель создана правильно, то решение появится в выходных
ячейках табличной модели (в нашем случае в ячейках B13:D13). Также появится
новое диалоговое Результаты поиска решения, которое даст возможность получить
более детальную информацию о решении в виде отчетов, вклю чая важный отчет по
устойчивости. Эти отчеты формируются на отдельных листах рабочей книги. На
рис. 2.11 показан отчет по устойчивости для модели Reddy Mikks. Информация
в этом отчете полностью совпадает с той, что предоставляет программа TORA, и ин
терпретируется аналогичным образом. Заметим, что здесь теневая цена — то же
самое, что dual price (двойственная цена) в отчете программы TORA.
Необходимо подчеркнуть, что описанная табличная модель Reddy M ikks по
строена и решена “ прямолинейно” . Другие модели могут потребовать определен
ных ухищрений и преобразований для того, чтобы к ним можно было применить
средство Поиск решения. Один класс таких моделей Л П , а именно сетевых моделей,
будет рассмотрен в главе 6.
2.4.3. Решение задач ЛП с помощью LINGO и AMPL

Модели ЛП, представленные в этой книге, вынужденно упрощены и минимизиро
ваны. В реальной жизни модели ЛП могут содержать тысячи переменных и ограни
чений. В этом случае соответствующие данные хранятся во внешних файлах, а сами
данные могут быть извлечены из какой-либо базы данных или подготовлены в элек
тронных таблицах. При этом данные для больших моделей обычно представляются
в матричной форме в виде чрезвычайно больших числовых массивов. В таком слу
чае вводить данные с помощью Excel или TORA непрактично, кроме того необхо
димы средства для автоматического генерирования моделей на основе этих данных.
Д ля выполнения таких задач существует несколько коммерческих программ
ных пакетов, среди которых назовем AMPL, GAMS, LINGO и MPL. Основная идея
6 Необходимо предостеречь от некоторых “причуд” средства Поиск решения. Если вы за

дадите слишком малое значение Относительная погрешность (например, 0,000000001), то
можете получить странное сообщение, что для вашей модели не выполняются предположе
ния о линейности. Также вследствие округления значений в выходных отчетах можно полу
чить не совсем точные значения (например, 1Е-14 вместо 0 или 9,999999999999 вместо 10).
построения этих пакетов заключается в том, чтобы иметь готовую пустую алгеб
раическую модель ЛП и затем на основе предоставляемых данных сформировать
конкретную модель. Эти данные могут быть встроены в модель либо могут считы
ваться из внешних файлов и из файлов электронных таблиц. Это делает модель ис
ключительно гибкой, позволяя настраивать ее под те или иные данные.
Рис. 2.11. О т чет по уст ойчивост и
В этом разделе кратко опишем два популярных пакета решения задач оптими
зации: LINGO и AMPL. Это описание по понятным причинам не будет очень под
робным и всесторонним, но, вместе с тем, даст общее представление о том, как ра
ботают эти пакеты. Оба этих пакета имеют специальные обучающие версии,
которые можно загрузить с W eb-узлов www. 1 i n g o . com и www. a m p l. com.
М оделирование в LINGO. На рис. 2.12 показан листинг модели Reddy Mikks,
созданный в LINGO (файл ch2LingoReddyM ikks.lng). В этом листинге служебные
слова LINGO записаны прописными буквами и выделены полужирным начертани
ем (на самом деле язы к LINGO не чувствителен к регистру символов), остальные
элементы листинга записаны пользователем.
В листингах LINGO строки, начинающиеся с восклицательного знака, являю тся
комментариями и игнорируются процессором LINGO. Все стандартные операторы,
включая комментарии, должны заканчиваться точкой с запятой. Служебные слова
MODEL, SETS и DATA должны заканчиваться двоеточием, однако служебные
слова END, ENDSETS и ENDDATA (закрывающие операторные скобки) не требуют
в конце каких-либо знаков препинания.
В модели на рис. 2.12 входные данные содержатся внутри модели, что не удоб
но, если необходимо найти решение одной и той же модели для разных исходных
данных. Ниже мы покажем, как можно выйти из этой ситуации путем сохранения
данных в отдельных внешних файлах.
Оператор TITLE предваряет название модели. В операторных скобках SETS:
ENDSETS пользователем вводятся имена основных компонентов модели ЛП — ог
Для вычисления всех ограничений из множества Constr(i) используется цикл

@ F O R (C o n s tr( і ) :
@SUM( V a r ( j ) : A i j ( i , j)*X (j) ) <=Rhs(і )
);
Отметим, что тело цикла @FOR ограничивается круглыми скобками.
Последний раздел листинга на рис. 2.12 содержит данные, подставляемые в ал
гебраическую модель. Так, множество Constr определяется как множество из четы
рех ограничений, названных M l, М2, D em andl и Dem andl (Cnpocl и Спрос2). От
метим обязательные пробелы между именами — по их числу определяется
количество элементов в множестве. В следующей строке вектору Rhs присваивают
ся значения правых частей ограничений 24, 6, 1 и 2. Элементам множества Var
обычно даются имена X I и Х2 (если модель имеет только две переменные). Соот
ветственно, С присваиваются два элемента, 5 и 4, значения коэффициентов целевой
функции. Наконец, массиву Aij присваиваются значения коэффициентов левых
частей ограничений в соответствии с определением множества ConsVar(Constr,Var).
Не обязательно помещать элементы каждого ограничения в отдельной строке, как
в листинге на рис. 2.12. Здесь это сделано для удобства чтения.
По умолчанию в LINGO предполагается, что все переменные неотрицательны.
Свободные переменные (т.е. такие, которые могут принимать как положительные,
так и отрицательные, значения) задаются с помощью оператора @FREE. Например,
если Х2 — свободная переменная, то в модели она должна быть описана оператором
@FREE( X ( 2 ) ) ;
Этот оператор можно вставить в любое место листинга после оператора ENDSETS,
даже в оператор цикла.
Стандартный выходной результат работы программы LINGO представлен на
рис. 2.13. Оптимальное решение записано как Х(Х1) = 3 и Х(Х2) = 1.5 со значением
целевой функции 21. В нижней части выходного отчета выводится список значе
ний дополнительных переменных для каждого ограничения (строки 2 - 5) вместе
с соответствующими двойственными ценами (столбец Dual Prices). В строке 1 при
ведено значение целевой функции. Остальные значения в выходном отчете повто
ряют входные данные модели.
Выходной отчет программы LINGO можно настраивать, выводя только необхо
димые данные. Отметим, что в этот отчет не включаются автоматически результа
ты анализа чувствительности оптимального решения. Вместе с тем LINGO предос
тавляет возможности проведения такого анализа и вывода его результатов.
Мощность и гибкость таких программ, как LINGO, заключается в том, что
входные данные модели не обязательно должны быть включены непосредственно
в модель, как это сделано в листинге на рис. 2.12. Входные данные могут находить
ся во внешних файлах. На рис. 2.14 показан листинг модели Reddy Mikks, где с по
мощью оператора @FILE присоединяются два внешних файла. Содержимое этих
файлов показано на рис. 2.15. Таким образом, заменяя эти файлы другими, можно
просчитывать модель для разных входных данных.
Моделирование в AMPL. Используем ту же модель Reddy Mikks для описания
работы программы AMPL. На рис. 2.16 показан листинг этой модели, созданный
в AMPL (файл ch2AmplReddyM ikks.mod). К ак и в примере LINGO, служебные сло
ва AMPL здесь выделены полужирным шрифтом.
Первым в листинге стоит оператор set, определяющий ограничения и перемен
ные модели с помощью задаваемых пользователем имен Constr и Var (мы сохранили
здесь имена из модели LINGO для того, чтобы можно было сравнить модели
в LINGO и AMPL). Далее с помощью оператора param задаются имена элементов

целевой функции и ограничений. Так, С определяет коэффициенты целевой функ
ции как функция множества Var. Rhs определяет значения правых частей ограни
Рис. 2.14. Л и с т и н г L IN G O м одели R ed d y M ik k s с вн е ш н и м и ф а й ла м и

Рис. 2.16. Листинг AMPL модели Reddy Mikks
Далее оператор var задает имя X (имя определяется пользователем) для пере
менных множества Var. В отличие от программы LINGO, где все переменные по
умолчанию предполагаются неотрицательными, в AMPL все переменные изна
чально предполагаются свободными. В модели Reddy M ikks переменные ограничи
ваются условием неотрицательности, поэтому добавляется выражение X{Var}>=0.
После задания имен переменных пользователь определяет имена целевой функ
ции (Total в данном случае) и ограничений — Restrictions. Эти имена используются
в выходном отчете программы.
В последнем разделе листинга задаются входные данные модели. Отметим, что
данные от имен данных в операторах set и param отделяются символами :=.
В моделях AMPL, к ак и в моделях LINGO, входные данные не обязательно
должны включаться в саму модель. В LINGO для присоединения внешних файлов
сданны м и использовался оператор @ FILE (см. рис. 2.14). В AMPL ситуация не
сколько иная, поскольку эта программа выполняется в среде DOS (а не Windows).
Одпако и эта программа позволяет сохранять данные, вклю чая спецификацию
модели, во внешних файлах, а затем во время исполнения извлекать эти данные.
Например, чтобы найти решение модели Reddy Mikks, в среде программы AMPL
надо выполнить следующие команды:
a m p l: m odel c h 2 A m p lR e d d y M ik k s . m od;
a m p l: s o lv e ;
Здесь в файле ch2AmplReddyM ikks.mod содержится вся спецификация модели,
представленная в листинге на рис. 2.16, включая исходные числовые данные. Если
числовых данных в этой спецификации пет (т.е. в листинге па рис. 2.16 отсутствует
раздел data), но они содержатся в отдельном файле ch2A mplReddyM ikks.dat, следу
ет использовать такие команды,
a m p l: m odel c h 2 A m p lR e d d y M ik k s . m od;
a m p l: d a ta c h 2 A m p lR e d d y M ik k s .d a t;
a m p l: s o lv e ;
Вывод на экран результатов расчета (как и входных данных) обеспечивает ко
манда display. Для примера рассмотрим следующие команды (они должны выпол
няться после команды solve).
am p l: d is p la y T o ta l;
am p l: d is p la y X, rc;
am p l: d is p la y R e s tric tio n s ;
am p l: d is p la y Aij, Rhs;
Первая команда выводит на экран значение целевой функции Total, вторая —

значения переменных X и приведенные стоимости (параметр гс). Третья команда
выводит значения, связанные с ограничениями. Последняя команда отображает
значения массива Aij коэффициентов левых частей ограничений и значения Rhs —
правых частей ограничений.
1. На рис. 2.17 показаны выходные результаты, полученные с помощью про
граммы TORA для задачи “ диеты ” из примера 2.2.2.
a) Интерпретируйте двойственную цену первого ограничения.
b ) Найдите новое оптимальное решение, если необходимо ежедневно произ
водить не мепее 900 фунтов пищевой добавки.
c) Если стоимость кукурузной изменится до 0,40 долл. за один фунт при не
изменной цене соевой муки, то будет ли текущее решение оптимальным?
2. Задача ЛП из упражнения 2.3.1.7 формулируется следующим образом.
М аксимизировать г = 18jCj + 9 х2
24x1 + 8x2< 60 000,
х х < 2000, х 2< 6000,
где х г и х 2 — количество производимых консервным заводом упаковок то

матного сока и томатной пасты соответственно. Решение этой задачи приве
дено на рис. 2.18.
a) Определите единичную стоимость дополнительного фунта помидоров.

b) Изменится ли оптимальное решение, если склад сможет принимать
больше упаковок томатного сока? А при увеличении емкости склада для
упаковок томатной пасты?
c) Найдите новое оптимальное решение, если компания уменьшит объем пе
рерабатываемых помидоров до 50 ООО фунтов за смену.
3. Решите задачу “ диеты ” из примера 2.2.2 с помощью:
a) средства Excel Поиск решения;
b) программы LINGO;
c) программы AMPL.
2.5. ПРИМЕРЫ МОДЕЛЕЙ ЛП

В этом разделе исследовано несколько реалистических моделей ЛП, в которых
определение переменных и построение целевой функции и ограничений не так
однозначно, к а к в ранее рассмотренных моделях с двумя переменными. Исполь
зование программы TORA позволит интерпретировать результаты решения
этих задач ЛП.
LINEAR PROGRAMMING OUTPUT SUMMARY

Title: Problem 2, Set 2.4а
Final Iteration No.: 4
Objective Value = 63000
Variable Value Obj Coeff Obj Val Contrib
x 1 : Juice 500,00 18,00 9000,00

x2: Paste 6000,00 9,00 54000,00
Constraint RHS Slack-/Surplus+
1 (<) 60000,00 0.00

2 (<) 2000.00 1500,00-
3 (< ) 6000,00 0,00
•"Sensitivity Analysis*"
Variable Current Obj Coeff Min Obj Coeff Max Obj Coeff Reduced Cost
x1: Juice 18,00 0,00 27,00 0,00

x2: Paste 9,00 6,00 infinity 0,00
Constraint Current RHS Min RHS Max RHS Dual Price
1 (<) 60000,00 48000,00 96000,00 0,75

2 (<) 2000.00 500,00 infinity 0,00
3 (< ) 6000,00 1500,00 7500,00 3,00
Рис. 2.18. Выходной отчет программы TORA
Пример 2.5.1 . Кредитная политика банка

Б анк Thriftem, предоставляющий полный набор банковских услуг, находится
в процессе формирования портфеля кредитов объемом 12 млн. долл. В следующей
таблице представлены возможные типы банковских кредитов.
T ип кредита Ставка процента Вероятность безнадежных долгов

Кредиты физическим лицам 0,140 0,10
Кредиты на покупку автомобилей 0,130 0,07
Кредиты на покупку жилья 0,120 0,03
Сельскохозяйственные 0,125 0,05
Коммерческие 0,100 0,02
Безнадежные долги считаются невозвратимыми, поэтому они должны вычитаться

из возможного дохода.
Конкурентная борьба с другими финансовыми институтами вынуждает банк не ме
нее 40% капитала помещать в сельскохозяйственные и коммерческие кредиты.
Для содействия строительной индустрии своего региона банк планирует вложить
в кредиты на покупку ж илья не менее 50% от общей суммы кредитов физических
лиц, на покупку автомобилей и ж илья. Банк такж е поддерживает государственную
политику, указывающую, что отношение безнадежных долгов ко всей сумме кре
дитов не должно превышать 0,04.
Математическая модель. Переменные для создаваемой модели можно определить

следующим образом:
Xj — кредиты физическим лицам,
х2— кредиты на покупку автомобилей,
х3— кредиты на покупку ж илья,
х4— сельскохозяйственные кредиты,
х5— коммерческие кредиты.
Банк Thriftem, естественно, желает максимизировать чистую прибыль, т.е. разность
между доходом от инвестируемых сумм и суммой невозвращенных кредитов. По
скольку безнадежные долги считаются невозвратимыми, они вычитаются к ак из
инвестируемых сумм, так и из общей прибыли. Исходя из этих соображений, целе
вую функцию можно записать следующим образом.
Максимизировать z = 0 ,14x(0,9xj) + 0,13х(0,93х2) + 0,12х(0,97х3) + 0,125х(0,95х4) +
+ 0,1х(0,98х5) - 0,lXj - 0,07х2 - 0,03х3- 0,05х4 - 0,02х5.
После приведения подобных членов получаем
максимизировать z = 0,026xj + 0,0509х2+ 0,0864х3+ 0,06875х4 + 0,078х5.
Задача имеет пять ограничений.
1. Ограничение общей суммы кредитов
Xj + х2+ х3+ xt + х5 < 12.
2. Ограничение на сельскохозяйственные и коммерческие кредиты
xt + х 5> 0 ,4 х 12
или
xt + х 5> 4,8.
3. Ограничения кредитов на покупку жилья
x ^ O M X t+ X t + x,)
или
0,5xj + 0,5х2 - 0,5х3< 0.
4. Ограничения на невозвращенные кредиты
0,1х, + 0,07х2 + 0,03х3+ 0, 05х4+ 0,02х5 ^ ^
х1+ х, + х3+ х4 + х5
или
0,06Xj + 0,03х2- 0,01х3+ 0,01х4- 0,02 х5< 0.
5. Условия неотрицательности
х, > 0, х2 > 0, х3 > 0, х4 > 0, х5 > 0.
Необходимо сделать еще одно “ тонкое” замечание, что все кредиты выделяются
примерно в одно и то же время. Это позволит игнорировать временной фактор
в процессе размещения капитала в различные кредиты.
Оптимальное решение сформулированной задачи линейного программирования пока
зано на рис. 2.19.7 Оно рекомендует использовать только кредиты на покупку жилья
и коммерческие кредиты. Среди неиспользованных типов кредитов наименее при
7 Все модели, рассмотренные в этом разделе, в формате программы TORA содержатся

в папке ToraFiles на прилагаемом к книге компакт-диске.
влекательны кредиты физическим лицам и не только из-за того, что коэффициент при
переменной х, в целевой функции минимальный (равен 0,026), но и потому, что приве
денная стоимость таких кредитов превышает (равна 0,0604) все остальные. Приведен
ная стоимость показывает, что “ рентабельность” этой переменной должна возрасти до
0,0604, чтобы кредиты для физических лиц стали привлекательными для инвестиций.
Title; Bank Loan Model, Example 2.5-1
Objective Value = 1
x1 : personal 0.00 0.03 0,00

x2 : car 0.00 0,05 0,00
x3: home 7.20 0.09 0,62
x4:farm 0.00 0,07 0,00
x5: comm'l 4,80 0,08 0,37
1 (<) 12,00 0,00

2 (>) 4.80 0,00
3 (<) 0,00 3,60-
4 (<) 0,00 0.17-
“ "Sensitivity Analysis***
x1 : personal 0,03 -infinity 0,09 0,06

x2 : car 0,05 -infinity 0,09 0,04
x3; home 0,09 0.08 infinity 0,00
x4: farm 0.07 -infinity 0,08 0.01
x5: comm'l 0.08 0,07 0,09 0.00
1 (<) 12,00 4,80 infinity 0,09

2 (>) 4.80 0,00 12,00 - 0,01
3 (<) 0,00 -3,60 infinity 0,00
4 (<) 0.00 -0,17 infinity 0.00
Рис. 2.19. В ы ходной от чет програм м ы T O R A д л я м одели кред и т н о й п о л и т и к и б а н ка
Двойственная цена первого ограничения показывает, что увеличение суммы всех

кредитов на единицу (млн. долл.) приводит к увеличению чистой прибыли на
0,0864 (млн. долл.). Это эквивалентно 8,64% годовых от суммы инвестиций. По
скольку соответствующий интервал для значения правой части этого ограничения
простирается от 4,8 до бесконечности, указанный процент годовых гарантирован
для любой общей суммы кредитов, превышающих 12 млн. долл. Но этот процент
годовых, конечно, очень мал, поскольку наименьший процент по банковским вло
жениям составляет 10% (для коммерческих кредитов). Разность в величинах этих
процентов обусловливают невозвращенные кредиты, которые вычитаются и из об
щей суммы кредитов, и из чистой прибыли. В формуле целевой функции наиболь
ший коэффициент (0,0864) стоит перед переменной, соответствующей объему кре
дитов на покупку ж илья. Интересно, что в данном решении ему оказалась равной
двойственная цена первого ограничения. Отсюда можно заключить, что любые но
вые вложения следует размещать в виде кредитов на покупку ж илья.
Второе ограничение данной задачи указывает нижнюю границу суммы сельскохозяй
ственных и коммерческих кредитов. Отрицательная двойственная цена (-0,0084) пока
зывает, что увеличение этой границы приведет к уменьшению чистой прибыли банка.
Другими словами, экономически не выгодно устанавливать нижнюю границу для
суммы сельскохозяйственных и коммерческих кредитов. Это еще раз подтверждает,
как было видно при рассмотрении первого ограничения, что любые дополнительные
вложения следует помещать в кредиты на покупку жилья, а не в сельскохозяйствен
ные и коммерческие кредиты. Если мы вообще удалим это ограничение, все инвести
ции переместятся в кредиты на покупку жилья. Проверьте это утверждение, удалив
второе ограничение и решив новую задачу с помощью программы TORA (для этого дос
таточно использовать опцию MODIFY (Изменить) при решении текущей задачи).
Пример 2.5.2. Освоение и использование земли

Компания Birdeyes владеет 800 акрами необработанной земли с живописным озером
в центре горного массива Озарк. В прошлом освоение территории вокруг озера про
исходило нерегулярно и понемногу. Сейчас вокруг озера построено много домиков
для отдыхающих. Поскольку канализация отсутствует, интенсивно используются
септические контейнеры (большие емкости для хранения бытовых отходов). В на
стоящее время многие контейнеры приходят в негодность (текут), поэтому появи
лись проблемы с загрязнением воды в озере.
Чтобы предотвратить дальнейшее загрязнение озера, официальные власти округа
разработали строгие ограничительные требования для возможного дальнейшего
освоения этой территории.
1. Разрешается возводить домики только на одну, две или три семьи, причем доля
домиков на одну семью должна составлять не менее 50% от всех построенных.
2. Ограничивается количество септических контейнеров: минимальная террито
рия, отведенная для размещения одного контейнера, обслуживающего один до
мик на одну, две или три семьи, составляет соответственно 2, 3 и 4 акра.
3. Рекреационная зона рассчиты вается исходя из нормы — не мепее одного
акра на 200 семей.
4. Для предотвращения загрязнения озера запрещается использовать поверхност
ные воды для полива и бытовых нужд.
Правление компании Birdeyes решило изучить возможности дальнейшего освоения
тех 800 акров земли, которые ей принадлежат. Дальнейшее освоение этих земель
предусматривает строительство домиков для отдыха на одну, две и три семьи. Под
считано, что необходимо отвести не менее 15% всей территории на прокладку дорог
и строительство вспомогательных сооружений. Компания планирует сдавать домики
отдыхающим и рассчитывает получить от одного домика следующую прибыль.
Тип домика на одну семью на две семьи на три семьи
Чистая прибыль (долл.) 10 000 12 000 15 000
Стоимость планируемой водопроводной сети пропорциональна количеству доми

ков, подключенных к водопроводу. Однако власти округа настаивают на том, что
необходимо собрать не менее 100 ОООдолл., чтобы этот проект был экономически
осуществимым. Кроме того, известно, что даже в пиковый период водопроводная
сеть не сможет поставить больше 200 ООО галлонов воды в день. В следующей таб
лице приведена стоимость подключения к водопроводной сети одного домика
и указана ежедневная потребность в воде одной средней семьи.
Тил домика на одну на две на три Рекреационная

семью семьи семьи зона
Стоимость подключения к водопроводу (долл.) 1000 1200 1400 800
Потребность в воде (галлон/день) 400 600 840 450
Математическая модель. Компания должна определить, сколько строить домиков

различного типа и какова должна быть рекреационная зона, чтобы удовлетворить
требованиям властей округа. Пусть
х, — количество домиков на одну семью,
х2 — количество домиков на две семьи,
х3— количество домиков на три семьи,
х4 — количеетво акров земли, отводимых под рекреационную зону.
Очевидно, что компания должна максимизировать свой доход, поэтому целевую
функцию можно записать так:
максимизировать z - ЮООх, + 12000х2+ 15000х3.
Задача имеет следующие ограничения.
1. Ограничение на общую площадь используемой земли.
2. Ограничение, связанное со строительством домиков преимущественно на
одну семью.
3. Ограничение, учитывающее требования к рекреационной зоне.
4. Ограничение, связанное со строительством водопроводной сети.
5. Ограничение на потребление воды в пиковый период.
Эти ограничения математически будут записаны следующим образом.

1. Ограничение на общую площадь используемой земли:
2х, + Зх2 + 4х3+ 1х4 < 6 8 0 (= 0 ,8 5 х 8 0 0 ).
2. Ограничение, связанное со ст роительством домиков преимущ ест венно на
одну семью:
----- і ----- SO,5
X, + X, + х3
или
0,5х, - 0 ,5 х2 - 0 ,5 х 3 > 0.
3. Ограничение, учитывающее требования к рекреационной зоне:
^ х, + 2х, + Зх,
X. > —-------- ■-------- Ł
200
или
200х4- х, - 2х2- Зха > 0.
4. Ограничение, связанное со строительством водопроводной сети:

ЮООх, + 1200х2+ 1400х3+ 800х4> 100 ООО.
5. Ограничение на потребление воды в пиковый период:
400х, + 600х2 + 840х3+ 450х4< 200 ООО.
6. Условия неотрицательности:
х, > 0, х2 > 0, х3> 0, х4> 0.
Еще на этапе формулирования математической модели следует обращать внимание
на возможные проблемы, которые могут возникнуть из-за ошибок машинного округ
ления. В нашей модели коэффициенты в четвертом и пятом ограничениях значи
тельно больше по величине, чем все остальные. Эта несоразмерность (относительная)
величин коэффициентов может привести к непредвиденным ошибкам машинного
округления и, следовательно, к неверному результату. В нашем случае мы можем
предотвратить эту потенциальную опасность путем масштабирования коэффициен
тов, для чего все коэффициенты в четвертом и пятом неравенствах надо разделить на
1000. После этого неравенства будут записаны следующим образом.
х, + 1,2х2+ 1,4х3+ 0,8х4 > 100,
0,4л:, + 0,6х2 + 0,84х3+ 0,45х4< 200.
К подобным вычислительным проблемам может привести и наличие в неравенст
вах слишком малых по величине коэффициентов. В этом случае такж е применяет
ся масштабирование коэффициентов, но уже в сторону их увеличения. Большинст
во программного обеспечения, предназначенного для решения задач ЛП (включая
программу TORA), пытается согласовать величины коэффициентов еще до начала
расчетов. Однако это желательно сделать еще на этапе формализации модели.
На рис. 2.20 представлено оптимальное решение для построенной модели. Отметим,
что обычная задача линейного программирования не предполагает целочисленного
решения. Поэтому мы получили значения х, = 339,15, х4 = 1,70 и х2 = х3 = 0. Мы мо
жем округлить полученные значения, тогда х, = 339 и х 4 = 2 (эти значения в данном
случае совпадут с оптимальным решением задачи целочисленного линейного про
граммирования).
Оптимальное решение не рекомендует строить домики на две и три семьи, несмотря
на то что доходность этих домиков (12 000 и 15 000 долл.) выше, чем домиков, рас
считанных на одну семью. Этот результат показывает, что только по коэффициен
там целевой функции нельзя судить о “ рентабельности” отдельных видов эконо
мической деятельности, которым соответствуют данные коэффициенты . Следует
учитывать такж е стоимость ресурсов, необходимых для осуществления такой
деятельности. Это тот фактор, который вы раж ается приведенной стоимостью.
Приведенные стоимости для домиков на две и три семьи составляют 3012,47
и 5024,94 долл. соответственно. Это означает, что для того, чтобы такие домики
были рентабельными, необходимо либо на величины приведенных стоимостей
уменьшить стоимость ресурсов, необходимых для их строительства и эксплуата
ции, либо на такую же величину увеличить их доходность.
В ограничениях 2, 4 и 5 дополнительные переменные имеют положительные значения,
а это указывает на то, что соответствующие “ ресурсы” использованы не полностью.
В результате двойственные цены, соответствующие этим ограничениям, равны нулю.
Двойственная цена первого ограничения (ограничение на общую площадь используе
мой земли) равна 4987,53 долл.; это говорит о том, что увеличение общей площади на
один акр должно принести 4987,53 долл. чистой прибыли. Эту информацию можно ис
пользовать для определения цены при покупке дополнительного земельного участка.

Title: Land Use Model, Example 2.5-2
Objective Value = 3391521.2
x 1 : single 339,15 10000,00 3391521,20

x2 : double 0,00 12000,00 0,00
x3: triple 0,00 15000,00 0,00
x4: recr’n 1,70 0,00 0,00
1 (<) 680,00 0,00

2 (>) 0,00 169,58+
3 (> ) 0,00 0,00
4 (>) 100.00 240,51 +
5 (< ) 200,00 63,58-
" ‘ Sensitivity Analysis*"
x 1 : single 10000,00 7993,36 infinity 0,00

x2 : double 12000,00 -infinity 15012,47 3012,47
x3: triple 15000,00 -infinity 20024,94 5024,94
x4; recr'n 0,00 -infinity 5000.00 0,00
1 (<) 680,00 199,70 996,89 4987,53

2 (>) 0,00 -infinity 169,58 0,00
3 (>) 0,00 -340,00 50988,00 -24,94
4 (>) 100,00 -infinity 340,51 0,00
5 (<) 200.00 136,42 infinity 0,00
Рис. 2.20. В ы ход ной от чет програм м ы T O R A д л я м одели и сп о льзо ва н и я зем ли
В третьем ограничении двойственная цена равна -2 4 ,9 4 долл. (если точно, то

-4 ,9 3 7 7 долл.), поэтому любое увеличение этого “ ресурса” приведет к снижению
общего дохода. Но почему так происходит? Чтобы ответить на этот вопрос, нужно
знать, сколько единиц этого “ ресурса” содержится в данном ограничении. Рас
смотрим это ограничение подробнее.
200х4- х, - 2х2 - Зх3> 0.
Неравенство показывает, что минимальная площадь рекреационной зоны зависит
от количества домиков. В такой записи единицы измерения левой части неравенст
ва не видны. Поэтому мы разделим все неравенство на 200, в результате получим
х4 - (0,005х, + 0,01х2+ 0 ,0 1 5х3) > 0.
Поскольку площадь рекреационной зоны измеряется в акрах, выражение в скобках
также должно измеряться в акрах. Поэтому увеличение на одну единицу правой части
неравенства (т.е. возрастание от 0 до 1) можно интерпретировать как увеличение на

один акр площади рекреационной зоны. На основании такого представления ограни
чения можно сказать, что двойственная цена соответствует стоимости увеличения на
акр рекреационной зоны. Но новая запись ограничения показывает, что двойствен
ная цена должна быть равной 200 х (-24,9377) = -4 9 8 7 ,5 4 долл. (Повторив расчеты
программы TORA при такой записи третьего ограничения, вы должны получить
именно такую величину двойственной цены — проверьте это!)
Новая двойственная цена свидетельствует о том, что увеличение площади рекреа
ционной зоны на один акр приведет к уменьшению общего дохода на 4987,54 долл.
Интересно, что это число в точности равно двойственной цене первого ограничения,
но с противоположным знаком. Такой результат имеет экономический смысл, по
скольку перевод акра земли в рекреационную зону означает исключение этого акра
земли из той площади, па которой можно построить домики, приносящие прибыль.
Поэтому не стоит удивляться, что эти величины совпадают.
Пример 2.5.3. Расписание движения автобусов

Городская транспортная компания изучает возможность ввести такую систему дви
жения городских автобусов, которая сиизила бы проблему загазованности в городе
путем уменьшения количества используемых автобусов. Вначале нужно было опре
делить минимальное количество автобусов, необходимое для удовлетворения транс
портных потребностей горожан. Оказалось, что в различное время суток требуется
разное количество автобусов. Дальнейшее изучение этого вопроса позволило аппрокси
мировать суточную потребность в автобусах кусочно-постоянной функцией с 4-часовыми
интервалами постоянных значений. Эта функция показапа на рис. 2.21. При составле
нии расписания движения автобусов следует учитывать, что каждый автобус должен
находиться на линии непрерывно в течение 8 часов (одна рабочая смена).
Математическая модель. Итак, требуется определить число автобусов, выходящих
на линию в определенную смену (т.е. переменные), так, чтобы удовлетворить ми
нимальные потребности в транспортных услугах (ограничения) и по возможности
минимизировать общее количество автобусов, выходящ их на линию в течение су
ток (целевая функция).
Нетрудно заметить, что такое определение переменных неоднозначно. Мы знаем, что
каждый автобус должен отработать 8-часовую смену, но мы не знаем, когда эта смена
должна начинаться. Если следовать схеме обычной 3-сменной работы (1-я смена
с8:01 до 16:00, 2-я — с 16:01 до 24:00 и 3-я — с 00:01 до 8:00) и обозначить через х,, х2
и,Y3количество автобусов, работающих на линии в эти смены, тогда, исходя из транс
портных потребностей (рис. 2.21), получаем х , > 10, х2> 12 и х3> 8, а общее количество
ежедневно используемых автобусов составляетх, + х2+ х3= 10 + 12 + 8 = 30.
Это решение приемлемо, если смены должны начинаться так, как при обычной ор
ганизации 3-сменной работы. Однако можно оптимизировать расписание движе
ния автобусов, если поискать другое, “ лучш ее” время начала рабочих смен. Пред
положим, что между началом “ соседних” смен может быть 4 часа, а не 8, как
в обычной схеме 3-сменной работы. В нижней части рис. 2.21 показана такая схема
организации перекрывающихся рабочих смен, согласно которой они должны на
чинаться в 00:01, 4:01, 8:01, 12:01, 16:01 и 20:01, при этом каж дая смена продол
жается 8 часов. Теперь мы готовы определить переменные:
•--------------- ч
*2
• ------------------------------- ч
*3
• ------------------------------- ч
*4
• ------------------------------- н
х5
• ------------------
*6
Рис. 2.21. График суточной потребности в автобусах
х, — количество автобусов, начинающих работу в 00:01,

хг — количество автобусов, начинающих работу в 4:01,
х3 — количество автобусов, начинающих работу в 8:01,
х4 — количество автобусов, начинающих работу в 12:01,
хь — количество автобусов, начинающих работу в 16:01,
хб — количество автобусов, начинающих работу в 20:01.
Задача линейного программирования будет записана следующим образом.
М инимизировать z —х, + х2 + ха + х4 + хъ+ хв
х, + х„ > 4 (время от 00:01 до 4:00),
х, + х2> 8 (время от 4:01 до 8:00),
х2+ ха > 10 (время от 8:01 до 12:00),
х3+ х4> 7 (время от 12:01 до 16:00),
х4+ хъ> 12 (время от 16:01 до 20:00),
хъ+ х6> 4 (время от 20:01 до 24:00),
x > 0 ,j = - 1, 2, 6.
Результаты решения этой задачи ЛП представлены на рис. 2.22. Отметим, что

в оптимальном решении общее количество автобусов равно 26, при этом хх —4,
х2= 10, х3—0, xt = 8, хъ= 4 и х6 = 0. Приведенные стоимости всех переменных равны
нулю; это указывает на альтернативные оптимальные решения (но с тем же значе
нием целевой функции).
Интерес представляет информация о рассчитанных двойственных ценах. Двойст
венная цена, равная 1, показывает, что увеличение правой части соответствующего
неравенства на единицу увеличивает общее количество автобусов такж е на едини
цу. Если двойственная цена равна нулю, то увеличение значения правой части со
ответствующего неравенства не приводит к возрастанию общего числа используе
мых автобусов. Однако эти утверждения справедливы только тогда, когда значения
правых частей неравенств не выходят за пределы соответствующих интервалов
(значения в столбцах Min RHS и Max RHS последней таблицы отчета на рис. 2.22).
Title: Bus Sceduling Model, Example 2.5-3
Objective Value = 26
x1:12:01AM 4,00 1,00 4,00

x2: 4:01AM 10,00 1,00 10,00
x3: 8:01AM 0,00 1,00 0,00
x4: 12:01PM 8,00 1,00 8,00
x5: 4:01PM 4,00 1,00 4,00
x6 : 8:01PM 0,00 1,00 0,00
1 (>) 4,00 0,00

2 (>) 8,00 6 ,00+
3 (>) 10.00 0,00
4 (>) 7,00 1 ,00+
5 (>) 12,00 0,00
6 (>) 4,00 0,00
‘ "Sensitivity Analysis***
x1: 12:01AM 1.00 0,00 1,00 0,00

x2: 4:01AM 1,00 0,00 1,00 0,00
x3: 8:01AM 1,00 1,00 infinity 0,00
x4: 12:01PM 1.00 1,00 1,00 0,00
x5: 4:01PM 1.00 1,00 1,00 0,00
x6: 8:01PM 1,00 1,00 infinity 0,00
1 (>) 4,00 0,00 infinity 1,00

2 (>) 8,00 -infinity 14,00 0.00
3 (>) 10,00 4,00 infinity 1,00
4 (>) 7,00 -infinity 8,00 0,00
5 (>) 12,00 11,00 infinity 1,00
6 (>) 4,00 0,00 5,00 0.00
Рис. 2.22. В ы ход ной от чет програм м ы T O R A д л я задачи с о ст а вл е н и я р а с п и с а н и я движ ения

авт обусов
Например, правая часть второго неравенства может возрасти от 8 до 14 без увели

чения общего количества используемых автобусов, А увеличение на какое-либо
значение правой части третьего неравенства (начиная со значения 10 и выше) при
водит к такому же увеличению общего количества автобусов. Эта информация
очень важ на для анализа оптимального решения.
Анализ чувствительности коэффициентов целевой функции в данном случае не
имеет особого смысла, поскольку в этой модели они могут иметь только значение 1.
Если бы целевая функция отражала какую-нибудь другую “ цель” (например, ми
нимизировала бы стоимость эксплуатации автобусов), тогда ситуация могла быть
иной и анализ этих коэффициентов имел бы смысл.
Пример 2.5.4. Минимизация потерь при разрезании рулонов бумаги

Тихоокеанская бумажная фабрика производит стандартные рулоны бумаги шири
ной в 20 футов. Специальные заказы клиентов требуют разрезания стандартных
рулонов. Типовой заказ (такие заказы могут меняться каж дый день) приведен
Позиции заказа Требуемая ширина рулона (футы) Требуемое количество рулонов (шт.)
1 5 150
2 7 200
3 9 300
На фабрике заказы выполняются путем разрезания специальными ножами стан

дартных рулонов на требуемые. Существует несколько вариантов деления стан
дартного рулона, три из которых показаны на рис. 2.23. Конечно, существуют
и другие варианты, не показанные на этом рисунке (они будут описаны ниже), но
сейчас мы ограничимся только представленными. Д ля выполнения заказа можно
совместно использовать несколько вариантов разрезки стандартных рулонов. На
пример, для выполнения заказа, приведенного в таблице, можно применить сле
дующие комбинации вариантов 1, 2 и 3.
1. Разрезать 300 стандартных рулонов, используя вариант 1, и 75 рулонов с помо
щью варианта 2.
2. Разрезать 200 стандартных рулонов, используя вариант 1, и 100 рулонов с по
мощью варианта 3.
К акая из этих комбинаций лучше? Чтобы ответить на этот вопрос, надо рассмот
реть потери от каждой из них. На рис. 2.23 серым цветом показаны отходы бумаги
после каждого варианта разрезки. Мы можем оценить преимущества каждой ком
бинации, если подсчитаем суммарные отходы, полученные после их применения.
Но, поскольку отрезки рулонов, идущие в отходы, имеют разную длину, нам надо
подсчитать объем этих отходов, а не просто количество отрезков. Предполагая, что
стандартный рулон бумаги имеет площадь поперечного сечения, равную L квадрат
ным футам, подсчитываем потери для комбинаций 1 и 2.
Комбинация 1: 300х(4 х L) + 75х(3 x L ) = 1425 L куб. футов.
Комбинация 2: 200х(4 х L) + 100х(1 х L) = 900 L куб. футов.
Вариант 1 Вариант 2
Вариант 3
Рис. 2.23. Варианты разрезки стандартных рулонов (размеры да
ны в футах )
Если число рулонов шириной 5, 7 или 9 футов, которые были получены в результате
применения какой-либо комбинации вариантов разрезки, превышает количество,
необходимое для выполнения заказа, то разность между ними также следует отнести
к потерям. В первой комбинации при использовании варианта 1 получено 300 -
- 200 = 100 лишних рулонов шириной 7 футов; применение варианта 2 добавляет еще
75 лишних рулонов такой же ширины. Таким образом, дополнительные потери со
ставляют 1 7 5 x (7 x L ) = 1225L куб. футов. Комбинация 2 не производит лиш них
рулонов шириной 7 и 9 футов, но применение варианта 3 приводит к появлению
200 - 150 = 50 лишних рулонов шириной 5 футов, что составляет 50 х (5 х L) = 250L куб.
футов дополнительных отходов бумаги. В результате этих выкладок имеем следующее.
Объем отходов от комбинации 1 = 1425L + 1225L = 2650L куб. футов.
Объем отходов от комбинации 2 = 900L + 250L = 1150L куб. футов.
Очевидно, что комбинация 2 лучше, так как имеет меньше отходов.
Для получения оптимального решения данной задачи необходимо определить все до
пустимые варианты разрезки стандартных рулонов и затем получить все возможные
комбинации этих вариантов. Хотя определить все допустимые варианты разрезки не
сложно, перебор всех комбинаций этих вариантов уже является нетривиальной зада
чей. Здесь необходим систематический подход к организации такого перебора. В дан
ном случае это поможет выполнить модель линейного программирования.
М атематическая модель. Мы должны найти комбинацию вариантов разрезки
(переменные), с помощью которой можно было бы вы полнит ь заказ (ограничения)
с минимальными отходами бумаги (целевая функция).
Переменные надо определить таким образом, чтобы их значения можно было ин
терпретировать в способ разрезки стандартных рулонов бумаги. Поэтому опреде
лим переменные как количество ст андарт ны х рулонов, разрезанны х с помощью
конкретных вариантов. Это определение требует описать все возможные вариан
ты разрезки. Три варианта показаны на рис. 2.23, остальные приведены в следую
щей таблице. Убедитесь, что не пропущены еще какие-нибудь варианты разрезки,
при этом помните, что в допустимом варианте разрезки ширина остатка стандарт
ного рулона должна быть меньше 5 футов.
Требуемая ширина Варианты Требуемое количество

(футы) 1 2 3 4 5 6 рулонов
5 0 2 2 4 1 0 150
7 1 1 0 0 2 0 200
9 1 0 1 0 0 2 300
Остаток (футы) 4 3 1 0 1 2
Теперь можно определить переменные: д\ — количество стандартных рулонов, раз

резанных вариантом j , j = 1, 2......... 6.
Ограничение в этой модели заклю чается в том, что произведенных рулонов задан
ных размеров (5, 7 и 9 футов) должно быть достаточно для выполнения заказа. Ес
ли использовать все варианты разрезки, приведенные в таблице, то получим, что
количество рулонов шириной 5 футов = 2х2 + 2х3 + 4дг4+ х5,
количество рулонов шириной 7 футов = дг, + х2 + 2дг5,
количество рулонов шириной 9 футов = дг, + дг3 + 2дг6.
Эти числа должны быть не меньше 150, 200 и 300 соответственно.
Д ля построения целевой ф ункции заметим, что общий объем отходов можно под
считать к ак разность между объемом всех использованных стандартных рулонов
и объемом рулонов, необходимых для выполнения заказа. Запиш ем это следую
щим образом:
объем использованных стандартных рулонов = 20Цдг, + дг2 + дг3+ дг4+ дг5 + дг6),
объем заказны х рулонов = Ц 150 х 5 + 200 х 7 + 300 х 9) = 4750L.
Поскольку объем рулонов, необходимых для выполнения заказа, постоянен,
а такж е постоянна величина поперечного сечения L, целевую функцию можно за
писать просто как сумму всех переменных: г. = дг, + х2 + дг3 + дг4 + дг5+ дг6.
Таким образом, получаем следующую задачу линейного программирования.
М инимизировать г = дг, + х2 + дг3 + дг4 + дг5 + дг6
2дг2 + 2дг3 + 4л:4 + х5> 150 (ограничение на рулоны шириной 5 футов),
дг, + дг2 + 2дг5 > 2 0 0 (ограничение на рулоны шириной 7 футов),
дг, + дг3 + 2дг6 > 3 0 0 (ограничение на рулоны шириной 9 футов),
X j > 0 , j = l , 2 ........6.
Оптимальное решение этой задачи, представленное на рис. 2.24, показывает, что
задача имеет и другие оптимальные решения, где для выполнения того же заказа
используется такое же количество рулонов стандартной длины, но применяются
другие варианты разрезки. В приведенном решении 12,5 стандартных рулонов раз
резаются в соответствии с вариантом 4, 100 стандартных рулонов — в соответствии
с вариантом 5, а 150 стандартных рулонов— с вариантом 6. В таком виде это ре
шение нельзя реализовать, так как значение переменной дг4 нецелое. В этой ситуа
ции можно применить к данной задаче алгоритм целочисленного программирова
ния (см. главу 9) или округлить значение переменной дг4до 13.

Title: Trim Loss Model, Example 2.5-4
Objective Value = 262.5
x1 : stngl 0,00 1,00 0,00

x2 : stng2 0,00 1,00 0,00
x3: stng3 0,00 1,00 0,00
x4: stng4 12,50 1,00 12,50
x5: stng5 100,00 1,00 100,00
x6 : stng6 150,00 1,00 150,00
1 (>) 150,00 0,00

2 (>) 200,00 0,00
3 (> ) 300,00 0,00
•‘ ‘ Sensitivity Analysis***
x1 : stngl 1,00 0,88 infinity - 0,12

x2 : stng2 1.00 0,88 infinity - 0,12
x3: stng3 1,00 1,00 infinity 0,00
x4: stng4 1,00 0,00 1,00 0,00
x5: stng5 1,00 0,25 1,25 0,00
x6: stng6 1,00 0,00 1,00 0,00
1 (>) 150,00 100,00 infinity 0,25

2 (>) 200,00 0,00 300,00 0,38
3 (>) 300,00 0,00 infinity 0,50
Рис. 2.24. Выходной отчет программы TORA для задачи разрезания рулонов бумаги
При интерпретации результатов, полученных с помощью программы TORA, следу

ет учитывать требование целочисленности значений переменных, которое неявно
присутствует в данной задаче. Например, двойственная цена 0,25, соответствую
щ ая первому ограничению, показывает, что увеличение на 1 количества заказных
рулонов шириной 5 футов потребует дополнительно еще четверти стандартного ру
лона (шириной 20 футов). Но эта информация в данном случае не имеет практиче
ского смысла. Ее нужно переформулировать следующим образом (исходя из усло
вия целочисленности): потребуется дополнительный стандартный рулон при
увеличении на 4 единицы количества заказны х рулонов шириной 5 футов. Подоб
ные изменения следует внести при интерпретации других двойственных цен.
1. Вернитесь к задаче из примера 2.5.1 (модель банковских инвестиций) и ее
решению, приведенному на рис. 2.19.
а) Рассмотрим таблицу, в которой приведены результаты анализа чувстви
тельности правых частей неравенств ограничений. Объясните, почему
минимальное и максимальное значения интервала изменений величины

правой части первого неравенства равны соответственно 4,8 и 12 млн. долл.
b ) Предположим, что банк решил вложить все 12 млн. долл. в сельскохозяй
ственные и коммерческие кредиты. Вычислите чистую прибыль банка.
c) Предположим, что объем капитала, предназначенного для инвестиций,
возрос до 20 млн. долл., а лимит на сельскохозяйственные и коммерче
ские кредиты увеличился до 9 млн. долл. Будет ли новое оптимальное
решение включать только кредиты на покупку ж илья и коммерческие
кредиты? Найдите это новое оптимальное решение.
2. Вернитесь к примеру 2.5.2 (модель освоения и использования земли). Пред
положим, что компания Birdeyes может купить дополнительные 100 акров
земли за 450 ООО долл. Используя результаты анализа чувствительности по
этой задаче (см. рис. 2.20), подскажите компании, стоит ли покупать эту землю.
3. Вернитесь к задаче из примера 2.5.3 (составление расписания движения автобу
сов). На основе оптимального решения, представленного на рис. 2.22, определите
оптимальное количество используемых автобусов, предполагая, что минималь
ные потребности в автобусах для шести 4-часовых периодов (см. рис. 2.22) со
ставляют, во-первых, (4, 12, 10, 7, 12, 4) и, во-вторых, (4, 8, 7, 7, 12, 4).
4. Вернитесь к примеру 2.5.4 (задача минимизации потерь при разрезании ру
лонов бумаги) и ее оптимальному решению, показанному на рис. 2.24.
a) Определите потери бумаги при разрезании 200 стандартных рулонов по
варианту 1 и 100 стандартных рулонов — по варианту 2.
b ) Предположим, что ширина стандартного рулона равна 15 футам. Опреде
лите возможные варианты разрезки на рулоны шириной 5, 7 и 9 футов
и укаж ите потери бумаги при использовании каждого варианта.
c) В исходной задаче (со стандартными рулонами шириной 20 футов) посту
пил новый заказ, где потребность в рулонах шириной 7 футов уменьши
лась до 80 штук, а необходимое число рулонов другой ширины (5 и 9 фу
тов) осталось неизменным. Сколько стандартных рулонов необходимо для
выполнения нового заказа?
d) В исходной задаче требуемое количество рулонов шириной 9 футов воз
росло до 400 штук. Сколько дополнительных стандартных рулонов необ
ходимо для выполнения такого заказа?
5. Нефтедобывающая компания, расположенная на острове Аруба, добывает
600 000 баррелей сырой нефти в день. Нефтеперерабатывающий завод произ
водит два вида неэтилированного бензина: рядовой и высококачественный.
Процесс нефтепереработки включает три стадии: 1) перегонка сырой нефти
на перегонной колонне — на выходе бензиновый полуфабрикат, 2) часть по
луфабриката поступает на крекинг-установку, где производится бензиновый
дистиллят, 3) смесительная установка смешивает полуфабрикат, получен
ный на выходе перегонной колонны, и бензиновый дистиллят. Как рядовой,
так и высококачественный бензин, можно получить на основе либо бензино
вого полуфабриката, либо бензинового дистиллята (это зависит от того, что
является основой смеси в смесительной установке), но стоимость таких видов
бензина будет разной. Компания подсчитала, что чистая прибыль от одного
барреля рядового бензина составляет 7,70 и 5,20 долл., в зависимости от то
го, будет ли основой бензина полуфабрикат или дистиллят. Аналогичная
чистая прибыль от одного барреля высококачественного бензина составляет

соответственно 12,30 и 10,40 долл.
На производство одного барреля бензинового полуфабриката (получаемого на
выходе перегонной колонны) идет 5 баррелей сырой нефти. Крекинг-
установка за день не может переработать более 40 ООО баррелей полуфабри
ката. Весь остальной полуфабрикат идет на изготовление чистого бензина
через смесительную установку. Ежедневно требуется производить не более
80 000 баррелей рядового и 50 000 баррелей высококачественного бензина.
a) Разработайте математическую модель, позволяющую найти оптимальный
производственный план нефтеперерабатывающего завода.
b ) Предположим, что появилась возможность увеличить производитель
ность перегонной колонны до 650 000 баррелей в день, для чего необходи
мо одноразовое вложение 3 500 000 долл., а после этого 15 000 долл. еж е
дневно для поддержания такой производительности. Порекомендуете ли
вы реализовать такую возможность? Обоснуйте свою рекомендацию.
6. Сахарный завод из сиропа сахарного тростника производит ж елты й сахар,
обычный белый, сахарную пудру и мелассу (черную патоку). Компания еж е
недельно закупает 4000 т сиропа и планирует производить не менее 25 т к аж
дого сахарного продукта в неделю. Процесс производства начинается с пере
работки сахарного сиропа в желты й сахар и мелассу. Из одной тонны сиропа
получается 0,3 т желтого сахара и 0,1 т мелассы. Далее из желтого сахара
вырабатывается белый: из тонны желтого сахара получается 0,8 т белого.
Наконец, сахарная пудра получается из белого сахара путем размельчения
на специальной мельнице. Производительность этой мельницы равна 95% ,
т.е. из тонны белого сахара получается 0,95 т сахарной пудры. Доход от од
ной тонны желтого и белого сахара, сахарной пудры и мелассы составляет
150, 200, 230 и 35 долл. соответственно.
a) Сформулируйте задачу линейного программирования и найдите ее опти
мальное решение.
b ) Определите экономическую целесообразность расширения производства са
харного завода для переработки более 4000 т сахарного сиропа еженедельно.
7. Некая компания рассматривает возможность реализации шести проектов
в течение 4 лет. Ожидаемые затраты на реализацию каждого проекта и доход
от них приведены в следующей таблице. Компания может выполнить любой
проект частично или полностью. При частичном выполнении проекта доход
и затраты рассчитываются пропорционально реализованной доле проекта.
Проект Затраты (на 1000 долл.) Доход

1 -й год 2 -й год 3-й год 4-й год (на 1000 долл.)
1 10,5 14,4 2,2 2,4 32,40
2 8,3 12,6 9,5 3,1 35,80
3 10,2 14,2 5,6 4,2 17,75
4 7,2 10,5 7,5 5,0 14,80
5 12,3 10,1 8,3 6,3 18,20
6 9,2 7,8 6,9 5,1 12,35
Возможное вложение (в 1000 долл.) 60,0 70,0 35,0 20,0

a) Сформулируйте задачу линейного программирования и найдите решение

(состоящее из набора выполняемых частей проектов), максимизирующее
общую прибыль.
b ) Предположим, что никакая часть второго проекта не может быть выпол
нена без реализации такой ж е или большей части шестого проекта. Изме
ните формулировку задачи и найдите новое оптимальное решение.
c) Каков эффект от денег, вложенных на 4-м году?
d) Предположим, что деньги, оставшиеся в конце года, можно использовать
в следующем году. Найдите новое оптимальное решение и определите,
какую сумму каж дый год может “ зан ять” у предыдущего.
e) Предположим, что суммы, вкладываемые ежегодно в течение первых
трех лет, при необходимости можно получить в виде займа у внешних за
емщиков. Переформулируйте задачи и найдите оптимальное решение.
Будет ли новое решение требовать займов каж дый год? Если да, то каков
процент прибыли можно получить на заемные деньги?
8. Производственная компания “ Прогресс” получила заказ на изготовление
оконных блоков, рассчитанный на 6 месяцев. В течение этого срока надо
ежемесячно поставлять 100, 250, 190, 140, 220 и 110 оконных блоков. Стои
мость оконных блоков в разные месяцы может быть разной, в зависимости от
стоимости трудовых ресурсов, материалов и оконной фурнитуры. Компания
подсчитала, что стоимость ее продукции на следующие 6 месяцев будет равна
50, 45, 55, 48, 52 и 50 долл. за один оконный блок. Учитывая изменения
стоимости, компания может производить больше оконных блоков, чем необ
ходимо, и использовать ранее произведенную продукцию для покрытия по
требности следующих месяцев. Однако хранение одного оконного блока сто
ит 8 долл. в месяц, причем начисления за хранение происходят при
инвентаризации продукции в конце каждого месяца.
a) Сформулируйте задачу линейного программирования для определения
оптимальной временной схемы производства.
b ) Реш ите задачу, предполагая, что компания имеет в начале первого месяца
в запасе 25 оконных блоков.
c) Объясните, почему двойственные цены для 1-, 2-, 4- и 5-го месяцев в точ
ности равны стоимостям производства единицы продукции в эти месяцы,
тогда как в 3-й месяц этого не наблюдается.
d) Если стоимость хранения оконного блока возрастет до 9 долл., изменится
ли полученное ранее оптимальное решение?
9. Некий инвестор имеет четыре проекта инвестирования суммы в размере
100 000 долл. В следующей таблице показаны денежные потоки для каждого
инвестиционного проекта.
Проект Денежные потоки (в 1000 долл.]і на начало года
1 -й год 2 -й год 3-й год 4-й год 5-й год
1 - 1,00 0,50 0,30 1,80 1,20

2 - 1,00 0,60 0,20 1,50 1,30
3 0,00 - 1,00 0,80 1,90 0,80
4 - 1,00 0,40 0,60 1,80 0,95

Рассмотрим подробнее эту таблицу. Например, для проекта 1 вложение 1,00 долл.
в начале первого года принесет 0,50 долл. в начале второго года, 0,30 долл. —
вначале третьего года, 1,80 долл. — в начале четвертого и 1 ,2 0 долл. — в на
чале пятого. Д ля остальных проектов данные интерпретируются таким же об
разом. Значение 0,00 показывает, что поступления денег в этом году нет. Инве
стор также может положить деньги в банк под 6,5% годовых. Деньги,
полученные по итогам года, можно реинвестировать в последующие годы.
a) Сформулируйте задачу линейного программирования и найдите решение,
оптимизирующее размещение инвестиций.
b) Используя двойственные цены, определите доходность инвестиций.
c) Если в конце первого года вы планируете истратить 1000 долл. на удо
вольствия, то как это отразится на сумме, получаемой в начале пятого года?
10. Производственная компания Toolco заключила контракт с сетью магазинов авто
товаров AutoMate на поставку 1500 гаечных ключей и 1200 специальных отвер
ток еженедельно. Работая в одну смену, компания Toolco не может выполнить
этот контракт, поэтому вынуждена ввести сверхурочные и воспользоваться ус
лугами субподрядчиков, в результате чего возрастает себестоимость ее инстру
ментов, как показано в следующей таблице. Отметим также, что рыночная це
на гаечных ключей более чем в два раза выше рыночной цены отверток.
Инструмент Тип Еженедельные производственные Себестоимость единицы

производства возможности (шт.) продукции (долл.)
Гаечный ключ Обычный 0 -5 5 0 2,00

Использование 551 - 800 2,80
сверхурочных
Использование 801 —оо 3,00
субподрядчиков
Отвертка Обычный 0 -6 2 0 2,10
Использование 621 - 900 3,20
сверхурочных
Использование 901 - оо 4,20
субподрядчиков
a) Сформулируйте задачу линейного программирования и найдите опти

мальную схему производства каждого инструмента.
b ) Свяжите двойственные цены в анализе чувствительности оптимального
решения с себестоимостью продукции, приведенной в таблице.
c) Как скажется на общей стоимости продукции увеличение на единицу произ
водственных возможностей обычной рабочей смены и сверхурочной работы?
11. Четыре изделия последовательно обрабатываются на двух станках. Данные,
описывающие этот технологический процесс, приведены в следующей таблице.
Станок Стоимость часа Время обработки (часы) Максимальная

работы (долл.) Изделие 1 Изделие 2 Изделие 3 Изделие 4 нагрузка (часы)
1 10 2 3 4 2 500
2 5 3 2 1 2 380
Цена единицы изделия (долл.) 75 70 55 45


b ) Предположим, что увеличить нагрузку на станки можно только за счет
сверхурочной работы. Какую максимальную стоимость часа сверхурочной
работы каждого станка может позволить компания?
c) К акая максимальная стоимость машинного часа обработки третьего изде
лия позволит получить от него хоть какую-то прибыль?
12. Завод производит три типа (I, II и III) некоторого изделия, используя для это
го материал А и В. В следующей таблице приведены необходимые данные
для этой задачи.
Материал Расход материалов на единицу изделия Доступно

1 II III
А 2 3 5 4000
В 4 2 7 6000
Надо произвести не менее (шт.) 200 200 150
Доход на единицу изделия (долл.) 30 20 50
На изготовление единицы изделия типа I тратится в два раза больше рабоче

го времени, чем на изготовление единицы изделия типа II, и в три раза боль
ше, чем на изготовление единицы изделия типа III. Рабочие ресурсы завода
эквивалентны ресурсам, необходимым для изготовления 1500 шт. изделия
типа I. Отдел маркетинга требует, чтобы объемы производства изделий типов
I, II и III относились как 3:2:5.
b ) Предположим, что завод имеет возможность приобрести дополнительный
объем материала А по цене 12 долл. за единицу. Целесообразно ли делать
такую покупку?
c) Порекомендуете ли вы заводу купить дополнительный объем материала В
по цене 5 долл. за единицу?
13. Компания HiRise получила предложение участвовать в двух одногодичных
проектах. Ежеквартальные денежные потоки для этих проектов показаны
Проект Объем денежных потоков (млн. долл.) на указанную дату
01.01.08 01.04.08 01.07.08 01.10.08 31.12.08
I - 1,0 -3,1 -1 ,5 1,8 5,0

II -3 ,0 -2 ,5 1,5 1,8 2,8
Компания в начале каждого квартала может инвестировать 1 млн. долл.,

а такж е взять заем на сумму, не превышающую 10% совокупного годового
дохода. Все займы должны быть возвращены в конце квартала. Прибавочные
суммы могут ежеквартально приносить прибыль, равную 8% годовых. Все
суммы, аккумулированные в конце квартала, можно инвестировать
в следующем квартале.
a) Предположим, что компания для реализации проектов может привлекать

к долевому участию внешних партнеров. Определите уровень их долевого
участия для максимизации чистой прибыли, аккумулированной на 31.12.08.
b) Объясните, можно ли в каком-нибудь квартале использовать внешний за
ем и получить в конце этого же квартала чистый доход?
c) Дайте экономическую интерпретацию двойственным ценам в этой модели.
d) П окажите, что двойственную цену, соответствующую верхней границе
займа в начале третьего квартала, можно выразить через двойственную
цену, соответствующую балансным уравнениям денежных потоков на
каждую дату, приведенную в таблице.
14. В предчувствии больших расходов на обучение своего ребенка в колледже
семейная пара реш ила ежегодно откладывать определенную сумму в течение
10 лет, начиная с 8-летнего возраста ребенка. Они распределили эти суммы
следующим образом.
Год 1 2 3 4 5 6 7 8 9 10
Сумма (долл.) 2000 2000 2500 2500 3000 3500 3500 4000 4000 5000
Д ля предотвращения нежелательных финансовых сюрпризов, семейная пара

решила вложить деньги в 1) страховой полис с 7,5% годовых; 2) шестилетние
правительственные ценные бумаги с 7,9% годовых (их текущ ая рыночная
цена равна 98% номинальной стоимости); 3) девятилетние муниципальные
ценные бумаги с доходностью 8,5% и текущей рыночной стоимостью 1,02 от
их номинальной стоимости.
a) Помогите этой семейной паре оптимально вложить свои деньги.
b ) Вычислите их ежегодные доходы.
15. Бизнесмен имеет возможность вложить деньги в два инвестиционных про
екта: проект А гарантирует 0,70 долл. на каж ды й вложенный доллар еж е
годно, проект В — 2 долл. на вложенный доллар по истечении двух лет.
В проекте А влож ения можно делать ежегодно, а в проекте В только в пе
риоды, кратны е двум годам.
a) Как инвестировать 100 тыс. долл. для получения максимального дохода
в конце третьего года инвестирования?
b ) Стоит ли вкладывать еще деньги в эти проекты, т.е. можно ли получить
больший процент прибыли при больших вложениях?
16. Рассмотрим задачу назначения трех типов самолетов на четыре маршрута
в соответствии со следующими данными.
Тип Вместимость Количество Число ежедневных полетов по маршруту

самолета самолета (чел.) самолетов 1 2 3 4
1 50 5 3 2 2 1
2 30 8 4 3 3 2
3 20 10 5 5 4 2
Ежедневное число пассажиров 1000 2000 900 1200
Глава 2. Введение в линейное программирование
Стоимость полетов, вклю чая неустойку за “ потерю” пассажиров вследствие

нелетной погоды, приведена в следующей таблице.
Тип самолета Стоимость одного полета по маршруту (в долл.)

1 2 3 4
1 1000 1100 1200 1500
2 800 900 1000 1000
3 600 800 800 900
Неустойка за одного “потерянного” 40 50 45 70
пассажира (долл.)
a) Определите оптимальное распределение самолетов по маршрутам.

b ) Целесообразно ли увеличивать количество самолетов какого-либо типа?
c) Интерпретируйте двойственные цены, соответствующие ограничениям на
количество пассажиров того или иного маршрута.
Сплавы А и В состоят из металлов I, И, III и IV согласно следующей специ
фикации.
Сплав Спецификация Рыночная цена (долл.)

А Не более 80% металла I 200
Не более 30% металла II
Не менее 50% металла IV
В От 40 до 60% металла II 300
Не менее 30% металла III
Не более 70% металла IV
М еталлы , используем ы е д л я сплавов, получаю т из руды трех типов, к а к по

казан о в следую щ ей таблице.
Руда Максимум Содержание металлов (%)

добычи (т) I II III IV Другое Стоимость 1т (долл.)
1 1000 20 10 30 30 10 30
2 2000 10 20 30 30 10 40
3 3000 5 5 70 20 0 50
a) Сколько сплавов каждого типа можно произвести? (Совет. Обозначьте

через х школичество руды і, расходуемой на производство сплава k, и через
wk — количество произведенного сплава k.)
b) Сколько руды каждого типа расходуется на производство сплава А
и сколько — на производство сплава В?
c) Какое из ограничений, связанных со спецификацией сплавов, самое не
благоприятное для оптимального решения?
d) К акую максимальную цену можно позволить при покупке руды 1?
А руды 2 и 3?
18. Рассмотрим игру, в которой требуется разделить ставку по четырем полям.

Игра имеет три исхода. В следующей таблице показаны прибыль и потери
для каждого поля в зависимости от исхода игры.
Исход игры Возврат на 1 долл., поставленный на поле
1 2 3 4
1 -3 4 -7 15
2 5 -3 9 4
3 3 -9 10 —8
Игрок имеет 500 долл., которые он может поставить только один раз. Шансы
какого-либо исхода игры неизвестны. В условиях этой неопределенности
найдите стратегию, которая максимизировала бы м инимальны й возврат сде
ланной ставки при всех возможных исходах игры.
a) Как игрок должен разложить 500 долл. по четырем полям? (П одсказка.
Чистая прибыль игрока может быть положительной, нулевой или отри
цательной.)
b) Ваш совет игроку о том, как сделать ставки, если появится дополнитель
ная сумма.
1. B azaraaM ., Ja rv is J ., Sherall M. Linear Program m ing and N etw ork Flows, 2nd ed.,
W iley, New York, 1990.
2. Schrage L. LINDO: A n O ptim ization M odeling System , T ext and Softw are, 4th ed.,
Boyd and F raser, Danvers, Mass, 1991.
3. W illiam H. Model B uilding in M athem atical Programming, 3rd ed., W iley, New
York, 1990.
Литература, добавленная при переводе

1. Гольштейн Е. Г., Юдин Д. Б. Л инейное программирование: Теория, методы
и приложения. — М.: Н аука, 1969.
2. Кофман А. Методы и модели исследования операций. — М.: Мир, 1966.
3. Мур Д ж ., Уэдерфорд JI. Экономическое моделирование в M icrosoft E xcel. — М.:
КОМПЛЕКСНЫЕ ЗАДАЧИ
2.1. 8 Компания Hi-C по переработке апельсинов производит три продукта: кон
центрат, обычный сок и джем, которые расфасовываются в 5-галонные бан
ки. Д ля джема используются апельсины только первого сорта, а для других
8 Материал для этой задачи взят из статьи “Red Brand Canners”, Stanford Business Cases,
1965, Graduate School of Business, Stanford University (Высшая школа бизнеса Стэнфордско-
го университета).
Глава 2. Введение в линейное программирование
продуктов — апельсины второго сорта. В следующей таблице показано,

сколько апельсинов идет на производство продуктов, а такж е максималь
ный возможный объем их производства на следующий год.
Маркетинговые исследования показывают, что рыночные потребности
в обычном соке более чем в два раза превосходят потребности в апельсино
вом концентрате.
Сорт К-во апельсинов (фунты), необходимых Возможности произ
Продукт
апельсинов для изготовления 5-галонной банки продукта водства (к-во банок)
Джем 1 5 10 000
Концентрат II 30 12 000
Сок II 15 40 000
В прошлом году компания закупала апельсины первого и второго сортов по

отдельности по цене соответственно 25 и 20 центов за фунт. В этом году
в силу ряда причин поставщики поставляют апельсины без сортировки.
Подсчитано, что урожай текущего года (всего собрано 3 миллиона фунтов
апельсинов) на 30% состоит из апельсинов первого сорта и на 60% — второ
го. Оптовая цена неотсортированных апельсинов опустилась до 19 центов за
фунт. Компания Ні-С подсчитала, что сортировка апельсинов обойдется ей
в 2,15 цента за фунт. Несортовые апельсины (10% от поставок) идут в отходы.
Д ля определения себестоимости продукции экономический отдел компании
использует следующий способ вычисления стоимости фунта апельсинов
первого и второго сортов. Поскольку 10% апельсинов идет в отходы, сред
няя стоимость сортовых апельсинов равна (19 + 2,15)/0,9 = 23,5 цента. Так
как отношение объема апельсинов первого сорта к объему апельсинов вто
рого сорта составляет 1:2, средняя цена (на основе прошлогодних цен)
должна быть равной (20 х 2 + 25 х 1)/3 = 21,67 цента. Итак, в этом году
средняя цена апельсинов возросла на 1,83 цента (= 23,5 - 21,67). Эту раз
ность надо “ разбросать” на стоимость апельсинов первого и второго сортов,
учитывая соотношения их объемов 1:2. В результате стоимость апельсинов
первого сорта равна 25 + 1 ,8 3 х (1 /3 )= 25,61 цента за фунт, а апельсинов
второго сорта — 20 + 1 ,8 3 х (2 /3 )= 21,22 цента за фунт. На основе этой ин
формации экономический отдел вычислил доходность всех трех произво
димых компанией продуктов.
Джем Концентрат Сок

(для 5-галонных банок)
Отпускная цена, долл. 15,0 30,25 20,75
Стоимость сырья, долл. 9,85 21,05 13,28

Другие расходы, долл. 1,05 2,15 1,96
Себестоимость, долл. 10,90 23,20 15,24

Чистый доход, долл. 4,80 7,05 5,51
Составьте оптимальный производственный план для компании НІ-С.

2.2. 9 Сталелитейная компания имеет литейный цех и два прокатных стана. Л и

тейный цех производит три типа стальных заготовок, которые, прежде чем
попасть на прокатные станы, обрабатываются в механическом цехе.
В начале каждого квартала прокатные станы определяют помесячно свои
потребности в стальных заготовках и делают заказ литейному цеху. Р уко
водство литейного цеха на основе этого заказа строит свой производствен
ный план, на который влияют ограниченные мощности механического це
ха. Возможная недостача стальных заготовок для прокатных станов
покрывается покупкой аналогичных заготовок у сторонних производите
лей. Стоимость собственных заготовок и закупаемых у сторонних произво
дителей показана в следующей таблице. Руководство считает, что такие
внешние закупки происходят не часто, и их можно позволить при условии,
что они не превышают 5% от требуемого количества заготовок.
Длина заготовки Внутренняя цена Цена на рынке

Тип заготовки
(футы) (в долл. на одну заготовку) (в долл. на одну заготовку)
1 800 90 108
2 1200 130 145
3 1650 180 194
В механическом цехе заготовки обрабатываются на станках четырех раз

личных типов, имеющих следующую производительность.
Время обработки одной заготовки Количество Общее время работы

Тип станка типа станков станка в месяц
1 2 3 (часы)
1 1 5 7 10 320
2 0 4 6 8 310
3 6 3 0 9 300
4 3 6 9 5 310
Потребности прокатных станов в стальных заготовках на следующие три

месяца.
Потребность в заготовках
Первый прокатный стан Второй прокатный стан
Месяц Заготовки Заготовки Заготовки Заготовки Зеготовки Заготовки

типа 1 типа 2 типа 3 типа 1 типа 2 типа 3
1 500 200 400 200 100 0
2 0 300 500 300 200 200
3 100 0 300 0 400 200
Составьте оптимальный производственный график для механического цеха.
9 Взято из S. Jain, К. Stott, Е. Vasold. “Orderbook Balancing Using a Combination of Linear Pro
gramming and H euristic Techniques”, Interfaces, Vol. 9, No. 1, November 1978, pp. 5 5 -6 7 .
2.3. Фирма АгкТес собирает персональные компьютеры для частных клиентов.

На следующие четыре квартала имеются заказы на 400, 700, 500 и 200 ком
пьютеров соответственно. Фирма может производить больше компьютеров,
чем указано в заказах, но в таком случае приходится платить 100 долл. за
хранение одного компьютера в течение квартала. Увеличение производства
в следующем квартале, по сравнению с предыдущим, приводит к дополни
тельному набору работников, что повышает себестоимость одного компью
тера на 60 долл. При уменьшении производства в следующем квартале, по
сравнению с предыдущим, придется прибегнуть к сокращению персонала,
что такж е увеличивает себестоимость одного компьютера на 50 долл. Как
организовать сборку компьютеров, чтобы удовлетворить все заказы ?
2.4. Мебельная фабрика осуществляет производство и сборку стульев, столов
и книж ных полок. Заготовительный цех производит продукцию, которая
затем собирается в сборочном цехе фабрики.
Ежемесячная производительность заготовительного цеха составляет
3000 стульев, 1000 столов и 580 книжных полок (несобранных). В сбороч
ном цехе работают 150 рабочих в две 8-часовые смены 5 дней в неделю.
Среднее время сборки одной единицы продукции равно 20, 40 и 15 минут
соответственно для стульев, столов и книж ны х полок.
Количество рабочих в сборочном цехе колеблется в зависимости от того,
сколько человек в настоящее время находится в ежегодном отпуске. В мае,
июне и июле планируют уйти в отпуск соответственно 20, 25 и 45 человек.
Отдел маркетинга фабрики оценил потребность рынка в их продукции на
май, июнь и июль следующим образом.
Продукт Май Июнь Июль Остаток на конец апреля

Стул 2800 2300 3350 30
Стол 500 800 1400 100
Книжная полка 320 300 600 50
Себестоимость продукции и ее отпускная цена показаны в следующей таблице.
Продукт Себестоимость (долл.) Отпускная цена (долл.)

Стул 150 250
Стол 400 750
Книжная полка 60 120
Если какая-либо продукция не продана в течение того месяца, в каком она

произведена, то она может быть продана в следующем месяце. Хранение
одной единицы стоит 2% от стоимости этой продукции.
Помогите фабрике разработать план ежегодных отпусков для работников
сборочного цеха.
ГЛАВА З
СИМПЛЕКС-МЕТОД
Графический способ решения задачи ЛП из главы 2 показывает, что оптималь
ное решение этой задачи всегда ассоциируется с угловой точкой пространства ре
шений (в математике она такж е называется крайней точкой множества). Это явл я
ется ключевой идеей при разработке общего алгебраического симплекс-метода для
решения любой задачи линейного программирования.
Переход от геометрического способа решения задачи ЛП к симплекс-методу лежит
через алгебраическое описание крайних точек пространства решений. Для реализации
этого перехода сначала надо привести задачу ЛП к стандартной форме, преобразовав
неравенства ограничений в равенства путем введения дополнительных переменных.
Основное свойство симплекс-метода заклю чается в том, что решение задачи ЛП
осуществляется итерационно. На каждой итерации алгоритм переходит к новой
угловой точке, которая потенциально может улучшить значение целевой функции.
Этот процесс перехода от одной угловой точки к следующей заканчивается, когда
дальнейшее улучшение значений целевой функции невозможно.
Процесс реализации симплекс-метода включает большое количество однотип
ных громоздких и утомительных вычислений. Это делает компьютер незаменимым
инструментом для решения задач линейного программирования, поскольку вы
числительный алгоритм симплекс-метода позволяет сравнительно легко автомати
зировать вычислнения.
3.1. СТАНДАРТНАЯ ФОРМА ЗАДАЧИ ЛП

Стандартная форма записи задачи ЛП предполагает выполнение следующих
требований.
1. Все ограничения (включая ограничения неотрицательности переменных)
преобразуются в равенства с неотрицательной правой частью.
2. Все переменные неотрицательные.
3.1.1. Преобразование неравенств в равенства

Неравенства любого типа (со знаками неравенств < или >) можно преобразовать
в равенства путем добавления в левую часть неравенств дополнительных перемен
ных — остаточных или избыт очных1, которые связаны с неравенствами типа
и “>” соответственно.
' Отметим, что в русской язычной математической литературе для этих типов переменных не ис
пользуются какие-либо специальные названия — они известны просто как дополнительные пере
менные (хотя иногда их также называют балансными). В неравенствах они различаются тем, что пе
ред остаточной переменной всегда стоит знак “ плюс” , а перед избыточной — “минус” . — Прим. ред.
96 Глава 3. Симплекс-метод
Для неравенств типа “ <” в левую часть неравенства вводится неотрицательная

остаточная переменная. Например, в модели компании Reddy Mikks (пример 2.1.1)
ограничение на количество сырья M l задается в виде неравенства 6х, + 4 х 2< 24. Вво
дя новую неотрицательную переменную sv которая показывает остаток
(неспользованное количество) сырья M l, это ограничение преобразуется в равенство
6х, + 4 х г + s, = 24, s, > 0.
Неравенства типа “ >” в задачах ЛП обычно устанавливают нижнюю границу че-
го-либо. И збыточная переменная определяет превышение значения левой части
неравенства над этой границей. Так, в модели “ диеты ” (пример 2.2.2) неравенство
х г + х 2> 800 показывает, что суточное производство пищевой добавки не должно
быть меньше 800 фунтов. Математически это неравенство эквивалентно равенству
х, + х2 - S, = 800, S, >0.
Положительное значение избыточной переменной S, показывает превышение
суточного производства добавки над минимальным значением в 800 фунтов.
Важно еще раз подчеркнуть, что дополнительные переменные — остаточная sx
и избыточная S, — всегда неотрицательные.
Правую часть равенства всегда можно сделать неотрицательной, умножив все
равенство на -1 . Кроме того, заметим, что неравенство типа “ <” такж е преобразу
ется в неравенство типа “ >” посредством умножения обеих частей неравенства на -1.
Например, неравенство - х г + х 2< -3 эквивалентно равенству
-х , + х 2 + s, = -3 , s, > 0.
Теперь, умножая обе части этого равенства на -1 , получим равенство с неотрица
тельной правой частью: х, - х 2 - s, = 3.
1. В модели компании Reddy Mikks (пример 2.2.1) рассмотрите допустимое ре
шение х х = 3 т и х 2= 1 т. Для этого решения найдите недоиспользование сы
рья M l и М2.
2. В модели “ диеты” (пример 2.2.2) определите превышение над минимальным
допустимым объемом производства пищевой добавки, на которую расходует
ся 500 фунтов кукурузной муки и 600 фунтов — соевой.
3. Дано неравенство 10х, - Зх2> -5 . Покажите, что в результате преобразова
ния, когда сначала обе части неравенства умножаются на -1 , а затем нера
венство преобразуется в равенство, получется такое же равенство, что и в ре
зультате преобразования, когда сначала исходное неравенство преобразуется
в равенство, а затем умножается на -1 .
4. Два изделия, Р1 и Р2, можно произвести на двух различных станках Ml
и М2. Время изготовления любого изделия на любом станке одинаково. Про
изводительность станка M l составляет 200 изделий за смену, а производи
тельность станка М2 — 250 изделий. Мастер планирует сбалансировать ра
бочее время таким образом, чтобы общее количество изделий,
произведенных на одном станке, не превышало более чем на 5 единиц общее
количество изделий, изготовленных на другом станке. Доход от одного изде
лия Р1 составляет 10, а от второго— 15 долл. Запишите эту задачу в стан
дартной форме линейного программирования.
3.1. Стандартная форма задачи ЛП 97
5. Покажите, как следующую целевую функцию можно записать в стандартной

форме задачи ЛП.
М инимизировать z = тах{|х, - х 2+ З х3\, |-х , + З х2 - х 3|},
х,, х г, х а>0.
6. Покажите, что т. равенств вида
эквивалентны следующим т + 1 неравенствам.
/ = 1, 2,..., m,
3.1.2. Свободная переменная

Во всех примерах задач ЛП главы 2 условие неотрицательности переменных являет
ся естественным. Но, конечно, возможны ситуации, когда переменные могут прини
мать любые действительные значения. Такая ситуация показана в следующем примере.
Пример 3.1.1
Ресторан быстрого обслуживания McBurger торгует порционными мясными пиро
гами и чизбургерами. На порцию мясного пирога идет четверть фунта мяса, а на
чизбургер — только 0,2 фунта. В начале рабочего дня в ресторане имеется 200 фун
тов мяса, можно еще прикупить мясо в течение дня, но уже с наценкой в 25 центов.
Мясо, оставшееся в конце рабочего дня, жертвуется благотворительной организа
ции. Ресторан получает доход 20 центов от одной порции мясного пирога и 15 цен
тов — от одного чизбургера. К ак и многие другие, этот ресторан не может продать
в день более 900 бутербродов. Какова должна быть доля каждого блюда (т.е. сколь
ко порций мясного пирога и сколько чизбургеров) в ежедневном производстве рес
торана, чтобы максимизировать его доход?
Сначала рассмотрим ограничения. Обозначим через дг, и х2соответственно количество
порций мясного пирога и чизбургеров, производимых рестораном. Для их производ
ства ресторан может либо ограничиться 200 фунтами мяса, либо прикупить еще.
В первом случае получаем ограничение в виде неравенства 0,2 5 * , + 0 ,2 х ,< 2 00, а во
втором— 0,25л-, + 0,2 * 2 > 2 0 0 . Естественно, выбор одного из этих неравенств будет
существенно влиять на возможное оптимальное решение. Так как мы не знаем, какое
из них необходимо, логично заменить их одним равенством 0,25*, +0,2л^ + лг3 = 200,
где*3 — свободная переменная. Фактически свободная переменная лг3 в данной ситуа
ции одновременно играет роли как остаточной, так и избыточной переменной.
Далее построим целевую функцию. Ресторан хочет максимизировать свой доход.
Очевидно, что для максимизации дохода желательно как можно больше продавать
своей продукции, но для этого необходимы дополнительные закупки мяса. В этом
случае переменная лг3 должна быть отрицательной, т.е. должна играть роль избы
точной переменной.
Д ля того чтобы раскрыть “ двойственную” природу переменной х3, используем

стандартный математический прием, т.е. представим ее в следующем виде.
х3 = х*3 - , где Х*3 , .V, > 0.
Если х’ > 0 и х, = 0, то переменная х3играет роль остаточной. Если, напротив, .г, > 0
и xl = 0, то переменная л3 выступает в роли избыточной. (Теория задач ЛП гласит,
что переменные .г* и .vj не могут одновременно принимать положительные значе
ния.) Итак, теперь ограничение можно записать в виде равенства
0,25хг + 0,2х2+ .vj - xj = 200.
Целевая функция получает следующее выражение.
М аксимизировать z = 0,20 + 0,15х2- 0,25 х3
1. В некотором машинном центре производятся два изделия, причем на производ
ство одной единицы первого изделия затрачивается 10 минут рабочего времени,
а на единицу второго изделия — 12 минут. Рабочее время машинного центра ог
раничено 2500 минут в день (некоторые операции центр может выполнять па
раллельно); возможно превышение этой величины, но каждая дополнительная
минута работы машинного центра стоит 50 центов. В рабочий день допустимо
производить от 150 до 200 единиц первого изделия, но не более 45 единиц второго.
a) Предполагая, что доход от единицы первого изделия составляет 6,00 долл.,
а второго — 7,50 долл., постройте модель и найдите оптимальное соотно
шение между объемами производства изделий, максимизирующее общий
доход, а такж е дополнительное время работы машинного центра.
b) Если стоимость дополнительного времени работы машинного центра уве
личится до 1,50 долл., будет ли компания использовать это время?
2. Фирма производит три вида изделий, прибыль от которых составляет соот
ветственно 2, 5 и 3 долл. на единицу изделия. Д ля производства этих изделий
фирма располагает 80 рабочими часами ручного труда и 65 часами машинно
го времени. Для производства одной единицы изделия каждого из трех видов
требуется 2, 1 и 2 часа ручного труда и 1, 1 и 2 часов машинного времени со
ответственно. При необходимости фирма может увеличить количество рабо
чих часов ручного труда и количество часов машинного времени, но каждый
дополнительный час ручного труда будет стоить 15, а машинного — 10 долл.
Сформулируйте задачу линейного программирования и найдите ее опти
мальное решение с помощью программы TORA.
3. В задачах ЛП, где есть несколько свободных переменных, преобразование
типа x ^ x j - x " , х*, Xj > 0, удваивает соответствующее число неотрицатель
ных переменных. Но при использовании подстановок x1=x'j -w , x'r w>0
можно k свободных переменных заменить на k + 1 неотрицательных. Ис
пользуя программу TORA, покажите, что эти два метода приводят к одному
и тому же решению следующей задачи ЛП.
Максимизировать z = -2 х , + Зх2 - 2 х г
4 х : - х 2- 5*з = 10,
2 х г + Зх2+ 2*з = 12,
х г > 0, х 2, х 3— свободные переменные.
3.2. ПЕРЕХОД ОТ ГРАФ ИЧЕСКОГО РЕШ ЕНИЯ

К АЛГЕБРАИЧЕСКО М У
Идеи, лежащие в основе графического метода решения задач линейного программи
рования, также являются основой и алгебраического симплекс-метода. На рис. 3.1 по
казаны параллели между этими двумя методами. В графическом методе пространство
решений определяется как пересечение полупространств, порождаемых ограничения
ми. В симплекс-методе пространство решений задают система из т линейных уравне
ний и п неотрицательных переменных. Вы должны понимать различие между этими
методами, как показано на рис. 3.1 и как будет пояснено на материале этого раздела.
Графический метод Алгебраический метод
Рис. 3.1. Переход от графического реш ения к алгебраическому
Мы можем увидеть пространство решений графического метода, имеющее бес

конечное число точек решений, но как можно сделать подобное заключение на ос
нове алгебраического представления пространства решений? Ответ заключается
втом, что в алгебраическом представлении количество уравнений т всегда меньше
или равно количеству переменных п .2 Если т = п и система уравнений совместна, то
2 Если количество уравнений т больше количества переменных п, тогда по крайней мере

т - п уравнений должны быть избыточными.
она имеет только одно решение3; если же т < п и система уравнений совместна, то она
имеет бесконечное множество решений. Простая иллюстрация в качестве доказа
тельства: для уравнения х = 2 имеем т = п = 1, а его решение, очевидно, единствен
ное. Д ля уравнения х + у = 1 имеем т = 1 и п = 2, этому уравнению удовлетворяет
бесконечное множество решений (любая точка на прямой х + у = 1 будет решением).
В алгебраическом представлении кандидаты на оптимальное решение (т.е. те же
угловые точки в графическом представлении) определяются из системы линейных
уравнений следующим образом. Пусть т < п (это условие выполняется для боль
шинства задач ЛП), тогда полагаем п - т переменных равными нулю и решаем сис
тему из т уравнений относительно оставшихся т переменных; если решение этой
системы единственно, то оно соответствует угловой точке пространства решений.
Следующий пример иллюстрирует это положение.
Пример 3.2.1
Рассмотрим следующую задачу ЛП с двумя переменными.
М аксимизировать z = 2 х г + Зх 2
2 х г + х2 < 4 ,
Xj + 2х,г < 5,
X,, х 2 > 0.
На рис. 3.2 показано пространство решений для этой задачи.
Рис. 3.2. Пространство реш ений для примера 3.2.1
3 Это не совсем верно: совместная система уравнений имеет единственное решение тогда,
когда она невырождена. — Прим. ред.
После преобразования к стандартной форме имеем следующую задачу ЛП.

М аксимизировать z = 2 х 1 + 3*2
2хг + хг 4- = 4,
+ 2 х 2 + s2 = 5,
дг,, хг, s v s2 > 0.
Здесь имеем систему из т = 2 уравнений для п = 4 переменных. Согласно сформу
лированному выше правилу угловые точки можно определить алгебраически, при
своив п - т = 4 - 2 = 2 переменным нулевых значений и решив затем систему урав
нений относительно оставшихся т = 2 переменных. Если, например, положить
.г, = 0 и х2 = 0, тогда решением системы будет st = 4, ss = 5. Это решение соответству
ет точке А на рис. 3.2 (убедитесь, что решение s, = 4, ss = 5 действительно соответст
вует точке А). Другую угловую точку М О Ж Н О определить, если П О Л О Ж И Т Ь 5-J = 0 и
ss = 0. В этом случае надо найти решение системы
2 х { + х 2 = 4,
х г 4- 2 х 2 = 5.
Решением в данном случае будет х : = 1 и х2 = 2, что соответствует точке С на рис. 3.2.
Вас, вероятно, интересует, как определить, какие п - т переменные положить рав
ными нулю, чтобы получить конкретную угловую точку. Без графического пред
ставление пространства решений (что возможно только для задач с двумя и тремя
переменными) нельзя сказать, какие п - т нулевые переменные соответствуют той
или иной угловой точке. Однако это не мешает перечислить все угловые точки про
странства решений. Д ля этого надо просто рассмотреть все комбинации п - т пере
менных, приравнять их к нулю и затем найти решение полученной системы урав
нений. Оптимальное решение, которое доставляет наилучшее значение целевой
функции, будет среди допуст имых угловых точек.
4'
В нашем примере мы имеем ^ = = ^ угловых точек. Но, глядя на рис. 3.2,
можно насчитать только 4 угловые точки — А, В, С и D. Где “ спрятались” еще две
точки? В действительности точки Е и F такж е являю тся угловыми точками, но это
недопустимые угловые точки, поскольку они не удовлетворяют всем ограничени
ям задачи. Такие недопустимые угловые точки не рассматриваются как кандидаты
на оптимальное решение.
Для полного перехода к алгебраическому методу решения задач ЛП необходимо
как-то назвать угловые точки разного типа на “ алгебраическом” язы ке. На этом
языке п - т переменные, которые полагаются равными нулю, называются неба
зисными переменными. Если оставшиеся т переменные имеют единственное ре
шение, то в этом случае они называются базисными переменными, а совокупность
значений, которые они получают в результате решения системы уравнений, со
ставляют базисное решение (см. рис. 3.1). Если при этом все переменные прини
мают неотрицательные значения, то такое базисное решение является допусти
мым. В противном случае — недопустимым.*
4 В русскоязычной математической литературе такж е применяются термины “ план” ,

“опорный план” и “ оптимальный опорный план” как эквиваленты для терминов “ базисное ре
шение” , “допустимое базисное реш ение” и “ оптимальное базисное реш ение” . — П рим.ред.
В следующей таблице перечислены все базисные и небазисные реш ения текущего

примера.
Небазисные Базисные Базисные Соответствующие Допустимо Значение

(нулевые) пере решения угловые точки ли решение? целевой
переменные менные функции z
(*1, хг) (Si, 8г) (5, 4) А Да 0
(*1, Si) {Хг, 8г) (4, -3) F Нет —

(*1, S2) {Хг, Si) (2,5, 1,5) D Да 7,5
{Хг, Si) (*1, %) (2, 3) В Да 4
{Хг, 8г) (Xl, Si) (5, -6) Е Нет —
(Si, «г) (Xl, X2) (1,2) С Да 8 (оптимум)
К ак видно из примера 3.2.1, при возрастании размера задачи (т.е. при увеличе
нии значений п и т ) процесс перечисления всех угловых точек становится отдель
ной чрезвычайно сложной задачей. Например, при п = 20 и т = 10, когда необхо
димо решить =184756 систем уравнений порядка 10x10, получаем
устрашающую, в вычислительном отношении, задачу. Здесь следует учесть, что за
дачи ЛП размерности 10x20 считаются небольшими — реальные задачи могут
иметь сотни и даже тысячи переменных и ограничений. Однако симплекс-метод
в значительной степени снимает эту проблему, поскольку он рассматривает не все
возможные базисные решения (т.е. угловые точки пространства решений), а только
часть всех допустимых базисных решений.
1. Проверьте все базисные и небазисные реш ения, приведенные в конце при
мера 3.2.1.
2. Дана следующая задача ЛП.
М аксимизировать г = 2 x t + З х 2
х х + З х2< 6,
3jCj + 2х2< 6,
x v х 2>0.
a) Запишите задачу в стандартной форме.
b ) Найдите все базисные решения этой задачи и определите, какие из них
допустимые, а какие — нет.
c) Путем непосредственной подстановки решений в целевую функцию опре
делите наилучшее допустимое базисное решение.
d) Подтвердите графическим способом, что решение, полученное в предыдущем
пункте, является оптимальным. Отсюда следует, что оптимальное решение
можно получить путем перебора множества допустимых базисных решений.
e) Определите, чему на рисунке, где представлено пространство решений,
соответствует недопустимое базисное решение.
3. Путем перебора всех базисных решений найдите оптимальные решения сле

дующих задач линейного программирования.
a) М аксимизировать г = 2 х 1- 4 х г + 5*3 - 6*4
*, + 4 *2- 2 *3+ 8*4< 2 ,
- х 1+ 2 *2+ Зл:3 + 4 *4< 1 ,
^1) *^2»^3’ *^4 “

b) М инимизировать z = *, + 2 х г - З*3 - 2 х4
*! + 2*2- З*3+ *4= 4 ,
*j + 2*2 + *3 + 2*4= 4 ,
*р * 2, *3, * 4> 0.
4. Покажите, что все базисные решения следующей задачи ЛП недопустимы.
М аксимизировать г = х 1+ * 2
*j + 2*2 < 6,
2*! + *2> 16 ,
*,, * 2> 0.
Максимизировать г = 2*t + 3*2 + 5*3
-6*j + 7*2- 9 *з > 4 ,
-* j + *2 + 4*з = 10,
*!, * з> 0 ,
*2 — свободная переменная.
Приведите задачу к стандартной форме, используя для этого подстановку
х, = хС - х~. Покажите, что в этой задаче не существует базисных решений, в
которые входили бы одновременно х\ и .
6. Рассмотрите следующую задачу ЛП.
М аксимизировать г = х 1+ 3*2
*j + *2 < 2,
- * 1 + *2< 4 ,
*j — свободная переменная,
* 2> 0.
a) Найдите все допустимые базисные решения этой задачи.
b ) С помощью подстановки решений в целевую функцию определите наи
лучшее базисное решение.
c) Решите эту задачу графическим способом и докажите, что решение, най
денное в предыдущем пункте, является оптимальным.
3.3. АЛГОРИТМ СИМ ПЛЕКС-М ЕТОДА

Основываясь на определениях из раздела 3.2, мы можем найти оптимальное
решение задачи линейного программирования, записанной в стандартной форме,
путем простого перебора всех базисных (допустимых) решений. Но, конечно, такая
процедура не эффективна. Алгоритм симплекс-метода находит оптимальное реше
ние, рассматривая ограниченное количество допустимых базисных решений.
В разделе 3.3.1 мы покажем итерационную природу симплекс-метода, а в разде
ле 3.3.2 — вычислительные детали его алгоритма.
3.3.1. Итерационная природа симплекс-метода

На рис. 3.3 показано пространство решений задачи ЛП из примера 3.2.1. Обыч
но алгоритм симплекс-метода начинается с исходной точки, где х 1= х г = 0
(точка А). В этой начальной точке значение целевой функции z равно нулю. Возни
кает естественный вопрос: если одна или обе небазисные переменные х 1 и х 2 примут
положительные значения, то приведет ли это к улучшению (возрастанию) значений
целевой функции? Для ответа на этот вопрос рассмотрим целевую функцию
максимизировать z = 2 x t + З хг.
Очевидно, что если переменная х х или переменная х г (или обе сразу) примут положи
тельные значения, то это приведет к увеличению значения целевой функции (помните,
что рассматривается задача максимизации). Однако алгоритм симплекс-метода на
каждом шаге допускает изменение значения только одной небазисной переменной.
1. Если увеличивать значение переменной x v то (см. рис. 3.3) ее значение
должно возрасти таким образом, чтобы соответствовать угловой точке В
(повторим, что внутренние точки отрезка от точки А до точки В неприемле
мы, поскольку кандидатом на оптимальное решение может быть только уг
ловая точка). В точке В симплекс-метод должен увеличить значение пере
менной х 2, перемещаясь при этом в угловую точку С. Так как точка С
соответствует оптимальному решению, то на этом процесс вычислений за
канчивается. Таким образом, алгоритм симплекс-метода создает путь А —»В —>С.
2. Если сначала увеличивать значение переменной х г, то следующей угловой
точкой будет точка D, из которой процесс решения переходит в оптимальную
точку С. Здесь алгоритм симплекс-метода создает путь А —»D —» С.
Отметим, что оба пути, А —¥ В —» С и А —>D —>С, расположены вдоль границы про
странства решений. Это означает, что симплекс-метод не может сразу перескочить
из точки А в точку С.
Может возникнуть правомерный вопрос: существует ли правило, в соответствии
с которым можно было бы определить, какую небазисную переменную сделать по
ложительной в данной угловой точке? Например, в точкеА как переменная x lt так
и переменная х г могут увеличить значение целевой функции. Симплекс-метод
предлагает простое правило выбора переменных, которое в основном применяется
в его программных реализациях. Поскольку здесь мы рассматриваем задачу мак
симизации, то следует выбирать такую небазисную переменную, которая имеет
наибольший положительный коэффициент в выражении целевой функции. Если
таких переменных несколько, то выбор произвольный. Необходимо понимать, что
это эмпирическое правило, сформулированное на основе многочисленных компью
терных вычислений симплекс-метода — в большинстве случаев (но не обязательно
всегда) применение этого правила ведет к наименьшему числу итераций, затрачи
ваемых на поиск оптимального решения.
Рис. 3.3. И т ер а ц и о н н ы й процесс сим плекс-м ет ода
Этот раздел завершим описанием перевода небазисных переменных в базисные

и наоборот при переходе от одной угловой точки к следующей. На рис. 3.4 показано,
что в точке А переменные s, и s2 являются базисными, а переменные x t и х 2— неба
зисными. Если переменная х , принимает положительное значение, мы переходим
Вугловую точку В, В которой изменяется состояние переменной JCj из небазисной в ба
зисную. Одновременно переменная s1, которая была базисной в точке А, становится
небазисной и принимает нулевое значение в точке В. Здесь существенно, что проис
ходит одновременный “ обмен состояниями” между небазисной переменной jCj и ба
зисной переменной Sj, что приводит к новым базисным переменным (х,, s2) и небазис
ным переменным (s,, х 2) в точке В. Скажем, что в точкеА переменная л:, вводится
в базисное решение, а переменная st — исключается из базисного решения. В соот
ветствии с терминологиейсимплекс-метода выбранная небазисная (нулевая) пере
менная называется вводимой (в базисное решение), а удаляемая (из базисного реше
ния) базисная переменная— исключаемой. В точке В вводимой и исключаемой
переменными будут соответственно переменные х 2и s2. Процесс изменения состояний
переменных заканчивается в точке С, поскольку найдено оптимальное решение.
1. На рис. 3.4 показана схема изменения базисных и небазисных переменных
в соответствии с путем А —» В —» С в пространстве решений, представленном
на рис. 3.3. Создайте аналогичную схему для пути А —»D —» С.
2. Вернитесь к графическому решению задачи Reddy Mikks, показанному на
рис. 2.2. Разработайте схему изменения базисных и небазисных переменных
(подобную представленной на рис. 3.4), указав на каждой итерации вводи
мые и исключаемые переменные в соответствии со следующими путями.
a) А —>В —>С.
b) А-» F - » Е -> D -» С.
Точка А ■=> Точка В ■=> Точка С
Небазисные переменные (х\ Х 2) (*1, х г> (5і>5г)
1 1
ВВОДИТСЯ Х2 вводится
і і
Базисные переменные С*і. (*1> s2) (*рХ2)
г >Г
5, исключается 5, исключается Оптимум
Р ис. 3.4. В водим ы е и и склю ча ем ы е перем енны е в сим плекс-м ет оде
3. На рис. 3.5 показано пространство допустимых решений трехмерной задачи

ЛП с угловыми точками А, В, С, ..., J .
a) Могут ли следующие пары угловых точек составить часть пути при успешном
выполнении симплекс-метода: (А, В), (В, D), (Е, Н ), (А, 1)7 Поясните ответ.
b) Предположим, что реализация симплекс-метода начинается в точке А
и заканчивается в точке оптимума Н . Определите, какие из следующих
последовательностей угловых точек могут привести к точке оптимума.
Обоснуйте свой вывод.
i) A —> B —>G—>H.
ii) С-> / - > Я .
iii) А - » С—>E - > B —>A—>D—>G—>H.
Рис. 3.5. П рост ранст во р еш ен и й д л я за д а ч и Л П
4. Пусть в задаче ЛП, которой соответствует пространство допустимых реше

ний, показанное на рис. 3.5, все ограничения являются неравенствами типа
“<” , а все переменные задачи (т.е. x lt х г и х 3) неотрицательны. Обозначим че
рез Sj, s2, s3 и s4 дополнительные (неотрицательные) переменные, ассоции-
руемые с ограничениями, представленными плоскостями C E IJF , BEIH G ,

DFJHG и IJ H соответственно. Определите базисные и небазисные перемен
ные для каждой угловой точки пространства допустимых решений.
5. Пусть в задаче ЛП, для которой пространство допустимых решений представле
но на рис. 3.5, реализация симплекс-метода начинается в точке А. Определите
вводимую переменную на первой итерации симплекс-метода, а также ее значение
и значение целевой функции, если целевая функция имеет следующий вид.
a) М аксимизировать z = x l - 2 х г + Зх3.
b) Максимизировать г = 5л:, + 2 х2 + 4 х3.
c) М аксимизировать z = - 2 х г + 7х2 + 2хг
d) М аксимизировать z = х, + х 2 + х 3.
3.3.2. Вычислительный алгоритм симплекс-метода

В этом разделе показаны вычислительные свойства алгоритма симплекс-метода,
которые включают правила для определения вводимых и исключаемых перемен
ных, а такж е условия достижения оптимального решения, при которых вычисле
ния завершаются. Рассмотрим числовой пример.
Пример 3.3.1
Используем задачу о компании Reddy Mikks (пример 2.2.1) для рассмотрения дета
лей выполнения симплекс-метода. Эта задача в стандартной форме записывается так:
максимизировать z = 5-ї, + 4х2+ Os, + 0s2 + 0s3+ 0s4
6xi + 4*2 + Si = 24 (ограничение на сырье М1),

х-i +2 x2 + s2 = 6 (ограничение на сырье М2),
-XI + Хг + вз = 1 (ограничение на спрос),
хг + s4 = 2 (ограничение на спрос),
Х ь Х2, S1, S2, S3, S i > 0 .
Здесь Sj, s2, s3, j, — дополнительные (остаточные) переменные, добавленные в нера

венства для преобразования их в равенства.
Далее целевую функцию будем представлять в виде уравнения
z - 5х1- 4х2= 0.
Задачу ЛП в стандартной форме можно представить в виде следующей компактной
таблицы.
Базис z *1 x2 Si S2 S3 Решение
z 1 -5 -4 0 0 0 0 0 z-строка
Si 0 6 4 1 0 0 0 24 Si-строка
S2 0 1 2 0 1 0 0 6 вг-строка
S3 0 -1 1 0 0 ЙШ 0 1 вз-строка
Si 0 0 1 0 0 0 1 2 вд-строка
Таблица показывает множества базисных и небазисных переменных, а такж е ре

шение, соответствующее данной (начальной) итерации. В разделе 3.3.1 указыва
лось, что начальная итерация симплекс-метода начинается из точки (xlt х2) = (0, 0).
Это соответствует следующим множествам базисных и небазисных переменных.
Небазисные (нулевые) переменные: (xv х2).
Базисные переменные: (sp s2, s3, sĄ).
Поскольку небазисные переменные xlt х2 и коэффициенты при базисных перемен
ных Sj, s2, s3, s4 в уравнении целевой функции равны нулю, а в формулах левых час
тей равенств-ограничений — 1, то отсюда сразу без дополнительных вычислений
получаем, что г = 0, = 2 4 , s2 = 6 , j3 = 1 h s ( = 2.
В таблице базисные переменные перечислены в левом столбце “ Базис” , а их значе
ния приведены в правом столбце “ Решение” . Таким образом, в таблице текущая
угловая точка определяется путем указания базисных переменных и их значений,
а также вычисляется соответствующее значение целевой функции 2 . Помните, что не
базисные переменные (которые не приведены в столбце “ Базис” ) всегда равны нулю.
Будет ли это начальное решение оптимальным? Конечно, нет, поскольку переменные
xt и х2 здесь равны нулю, а возрастание этих переменных даже на единицу приводит
к увеличению значения целевой функции z= 5xt + 4х2 на 5 (при увеличении xt) или 4
(при увеличении х2). Поскольку коэффициент при переменной х1 в формуле целевой
функции больше, чем коэффициент при Х 2, переменную Xj следует ввести в число базис
ных (в этом случае она станет вводимой). Если обратиться к приведенной выше таблице,
то вводимая переменная определяется среди множества небазисных как переменная,
имеющая наибольший отрицательный коэффициент в z-строке (напомним, что тут
решается задача максимизации). Если так случится, что все коэффициенты в z-строке
будут неотрицательными, то дальнейшее увеличение значения целевой функции бу
дет невозможно; это будет означать, что достигнуто оптимальное решение.
Чтобы определить исключаемую переменную непосредственно из таблицы, надо
вычислить точки пересечения всех функций ограничений с положительным на
правлением оси х1 (повторим, что переменная х1 уже определена как вводимая пе
ременная). Координаты этих точек пересечения можно вычислить как отношения
правых частей равенств (значение в столбце “ Реш ение” ) к коэффициентам при пе
ременной х1в этих равенствах, как показано в следующей таблице.
Базис Коэффициенты при Xl Решение Отношение (точка пересечения)
Si 6 24 Xi = 24/6 = 4 (минимум)
а>
О)
1 6
и
S2
II
*
S3 -1 1 X, = 1 /(—1 ) = - 1 (не подходит)
S4 0 2 X] = 2/0 = °° (не подходит)
На рис. 3.6 видно, что неотрицательные отношения порождают точки пересечения

на положительной полуоси хг Отношения (пересечения), соответствующие пере
менным s3 и s4, исключаются из рассмотрения, поскольку для них точка пересече
ния леж ит или на отрицательной полуоси, или на бесконечности.
Минимальное неотрицательное отношение соответствует базисной переменной sv
тем самым определяя эту переменную как исключаемую (т.е. на следующей итера
ции ее значение будет равно нулю). Значение вводимой переменной х, в новом
решении такж е равно минимальному неотрицательному отношению, а именно

х, = 4 (сравните с точкой В на рис. 3.6). Значение целевой функции при этом значе
нии x t возрастет до 20 (= 5x4).
х2
Рис. 3.6. Г раф ическа я и н т ер п р ет а ц и я о т но ш ени й к а к т очек

пересечения
Замена исключаемой переменной на вводимую переменную х, приводит к новым

множествам базисных и небазисных переменных и новому решению в точке В.
Небазисные (нулевые) переменные: (s,, *2).
Базисные переменные: (xlt s2, s3, s4).
Теперь необходимо выполнить преобразования в последней таблице так, чтобы
в столбцах “ Базис” и “ Реш ения” получить новое решение, соответствующее точ
ке В. Вычисление нового базисного решения основывается на методе исключения
переменных (методе Гаусса-Ж ордана), который описан в разделе А .2.7. Эти вы
числения громоздкие и объемные, что делает компьютер незаменимым средством
для решения задач линейного программирования. Вы должны освоить ручной спо
соб вычислений хотя бы для того, чтобы понять, как работает симплекс-метод. По
сле этого, вы, вероятно, никогда не будете выполнять вычисления вручную.
В следующей таблице, которая пока совпадает с начальной таблицей задачи ЛП,
определим ведущий столбец, ассоциируемый с вводимой переменной, и ведущую
строку, ассоциируемую с исключаемой переменной. Элемент, находящийся на
пересечении ведущего столбца и ведущей строки, назовем ведущим.
і
Базис z Xl хг Si s2 S3 S4 Решение
z 1 -5 -4 0 0 0 0 0
<— S1 0 к,. 6 4 1 0 0 0 - 24 Ведущая строка
S2 0 1 2 0 1 0 0 6
S3 0 -1 1 0 0 1 0 1
S4 0 0 1 0 0 0 1 2
Ведущий столбец
Процесс вычисления нового базисного решения состоит из двух этапов.

1. Вычисление элементов новой ведущей строки.
Новая ведущая строка = текущ ая ведущая строка / ведущий элемент.
2. Вычисление элементов остальных строк, включая z-строку.
Новая строка = текущ ая строка - ее коэффициент в ведущем столбце х новая ве
дущ ая строка.
В нашем примере выполняем такие вычисления.
1. Новая ведущая .^-строка = текущ ая ведущая .^-строка / 6.
2. Новая z-строка = текущ ая z-строка - (-5 ) х новая ведущая строка.
3. Новая .^-строка = текущ ая .^-строка - (1) х новая ведущая строка.
4. Новая ^-строка = текущ ая ^-строка - (-1 ) х новая ведущая строка.
5. Новая .^-строка = текущ ая ^-строка - (0) х новая ведущая строка.
Новая симплекс-таблица, соответствующая новому базисному решению (xlt s2, s3,
s4), имеет следующий вид (проверьте результаты вычислений!).
J.
Базис z ' x1 Лг Sl S2 S3 S4 Решение
z 1 0 - 2 /3 ; 5/6 0 0 0 20
*1 0 1 . 2/3 і 1/6 0 0 0 4
0 0 4/3 - 1/6 Ш Д B IS IS
<- 5г їв ш и м
S3 0 0 5/3 ■V 1/6 0 1 0 5
S4 0 0 1 0 0 0 1 2
Отметим, что новая таблица обладает теми же свойствами, что и начальная: только
небазисные переменные хг и равны нулю, в столбце “ Реш ение” представлено но
вое базисное решение (х1= 4 , s2 = 2, s3 = 5, s4 = 2) вместе с новым значением целевой
функции z (= 20). Это результат применения метода Гаусса-Ж ордана.
Из последней таблицы видно, что полученное базисное решение не является опти
мальным, поскольку в z-строке переменная хг имеет отрицательный коэффициент.
Как и в начальной таблице, строку z можно интерпретировать как уравнение
2 5
z = —-v, — .s, + 20.
3 ' 6 '
Из последнего уравнения следует, что увеличение значения переменной х 2 (ее те
кущее значение равно нулю) приведет к увеличению значения целевой функции.
Таким образом, переменная х, должна стать вводимой в базис.
Далее определим исключаемую переменную. Д ля этого вычислим отношения пра
вых частей равенств, соответствующих ограничениям, к коэффициентам, стоящим
прих, в этих равенствах.
Базис Коэффициенты при х2 Решение Отношение
х, 2 /3 4 Х2 = 4/(2/3) =6
& 4 /3 2 х г - 2/(4/3) = 3/2 (минимум)
S3 5 /3 5 *2 = 5/(5/3) =3
s4 1 2 *2 = 2/1 = 2
Вычисления показывают, что минимальное (неотрицательное) отношение соответ

ствует переменной s2, которая становится исключаемой; при этом значение отно
шения (= 3 /2) равно новому значению переменной х 2. Соответствующее увеличение
2 3
значения целевой функции составит ~ х ~ = * и z = 20 + 1 = 21.
В этой ситуации ведущей строкой будет ^-строка, а ведущим столбцом — столбец,

соответствующий переменной х 2. Ведущий элемент равен 4/3.
Вычисляем элементы новой симплекс-таблицы.
4
1. Новая ведущая .^-строка = текущ ая .^-строка / у .
2
2. Новая строка z-строка = текущ ая г-строка - ( - —) х новая ведущая строка.
3. Новая .^-строка = текущ ая ^j-строка - у х новая ведущая строка.
4. Новая ^-строка = текущ ая ^-строка - х новая ведущая строка.
5. Новая ^-строка = текущ ая ^-строка - 1 х новая ведущая строка.

Эти вычисления приводят к следующей таблице.
Базис z *1 Хг Si S2 S3 S4 Решение
z 1 0 0 3/4 1/2 0 0 21
*1 0 1 0 1/4 - 1/2 0 0 3
хг 0 0 1 - 1/8 3/4 0 0 3/2
S3 0 0 0 3/8 -5 /4 1 0 5/2
s4 0 0 0 1/8 -3 /4 0 1 1/2
Поскольку z-строка не имеет отрицательных коэффициентов, соответствующих

небазисным переменным и s2, полученное решение оптимально.
О птимальное реш ение задачи Л П можно “ считать” из симплекс-таблицы

следующим образом. Неотрицательные (базисные) переменные представлены
в столбце “ Б ази с” , а их з н а ч е н и я — в столбце “ Реш ение” . В данном примере
имеем следующее.
Переменные Оптимальные
Интерпретация
задачи значения
*1 3 Ежедневно следует производить 3 т краски для наружных работ
хг 3/2 Ежедневно следует производить 1,5 т краски для внутренних работ

z 21 Ежедневный доход составляет 21 тыс. долл.
Вы можете проверить, что значения дополнительных переменных s1 = s2= 0,

и ї 4 = 1 / 2 согласуются со значениями переменных и х 2.
ї 3 = 5 /2
С помощью симплекс-таблицы можно получить много дополнительной инфор

мации (кроме непосредственно оптимального решения).
1. Состояние ресурсов.
2. Цена единицы ресурсов (двойственные цены).
3. Все данные, необходимые для проведения анализа чувствительности опти
мального решения.
Здесь мы покажем, как определить состояние (статус) ресурсов. Вычисление
двойственных цен и использование данных симплекс-таблицы для проведения
анализа чувствительности описано в главе 4.
Статус ресурса определяется как дефицитный или недефицитный, в зависимости от
того, будет он использован полностью или нет. Эту информацию можно получить из ре
зультирующей симплекс-таблицы путем проверки значений дополнительных
(остаточных) переменных, ассоциируемых с соответствующими ограничениями, нала
гаемыми на ресурсы. Если дополнительная переменная равно нулю, значит, ресурс ис
пользован полностью, и он получает статус дефицитного. Положительное значение до
полнительной переменной указывает на недефицитность соответствующего ресурса.
В задаче о компании Reddy M ikks четыре ограничения классифицируются сле
Ресурс Остаточная переменная Статус
Сырье М1 Si = 0 Дефицитный
Сырье М2 s2 = 0 Дефицитный
Ограничение на спрос 1 s3 = 2,5 Недефицитный
Ограничение на спрос 2 S4 = 0,5 Недефицитный
Статус ресурсов показывает, что, поскольку M l и М2 дефицитны, их увеличение

может привести к улучшению оптимального решения (т.е. увеличению значения
целевой функции). Процедура анализа чувствительности поможет определить, на
сколько можно увеличить объемы ресурсов. Этот вопрос исследовался в разделах
2.3.2 и 2.3.3, полное его решение представлено в главе 4.
В примере 3.3.1 велся поиск максимума целевой функции. В случае минимизации

целевой функции исключаемые переменные определяются точно так же, как и при ее
максимизации. Поскольку задача минимизации сводится к задаче максимизации
простым соотношением шах г = - m in(-z), то в случае минимизации целевой функ
ции вводимая переменная выбирается как небазисная с наибольшим положитель
ным коэффициентом в 2 -строке симплекс-таблицы, а минимум целевой функции бу
дет достигнут тогда, когда все коэффициенты в 2 -строке будут неположительными.
Два правила выбора вводимых и исключающих переменных в симплекс-методе
назовем условием оптимальности и условием допустимости. Сформулируем эти
правила, а такж е рассмотрим последовательность действий, выполняемых при
реализации симплекс-метода.
Условие оптимальности. Вводимой переменной в задаче максимизации
(минимизации) является небазисная переменная, имеющая наибольший отрица
тельный (положительный) коэффициент в 2 -строке. Если в 2 -строке есть несколько
таких коэффициентов, то выбор вводимой переменной делается произвольно. Оп
тимальное решение достигнуто тогда, когда в 2 -строке все коэффициенты при неба
зисных переменных будут неотрицательными (неположительными).
Условие допустимости. Как в задаче максимизации, так и в задаче минимиза
ции в качестве исключаемой выбирается базисная переменная, для которой поло
жительное отношение значения правой части ограничения к положительному ко
эффициенту ведущего столбца минимально. Если базисных переменных с таким
свойством несколько, то выбор исключаемой переменной выполняется произвольно.
Теперь приведем последовательность действий, выполняемых в симплекс-методе.
Этап 0. Находится начальное допустимое базисное решение.
Этап 1. На основе условия оптимальности определяется вводимая перемен
ная. Если вводимых переменных нет, вычисления заканчиваются.
Этап 2. На основе условия допустимости выбирается исклю чаем ая пе
рем енная.
Этап 3. Методом Гаусса-Ж ордана вычисляется новое базисное решение.
Переход к п. 1.
1. Это упражнение должно показать значимую роль условия допустимости
в симплекс-методе. В примере 3.3.1 в первой симплекс-таблице мы исполь
зовали минимальное неотрицательное значение из множества вычисленных
отношений для определения исключаемой переменной. Такой выбор исклю
чаемой переменной гарантирует, что новое значение базисной переменной не
будет отрицательным. Для иллюстрации этого утверждения на первом шаге
вместо переменной Sj исключите из базисного решения переменную s2. Далее
посмотрите на результирующую симплекс-таблицу, вы должны увидеть, что
переменная Sj приняла отрицательное значение (= -12). Это показывает, что
полученное решение недопустимо.
2. Рассмотрим следующее множество ограничений.
х х + 2 хг - 2 х 3+ 4 х 4< 40,
2 x t —х 2 + х 3+ 2 х 4 < 8,
4*! - 2 хг + х 3- х 4 < 10,
х х, х г, х 3, > 0.
С учетом этих ограничений решите следующие задачи ЛП.

a) М аксимизировать z = 2 х г + х 2- З х 3 + 5 х4.
b) М аксимизировать z = 8jc1+ 6 х 2 + 3jc3 - 2 х 4.
c) М аксимизировать z = 3jc1 - х 2 + 3jc3 + 4 х4.
d) Минимизировать z — 5jc1 - 4 хг + 6 х 3 - 8jc4.
e) М инимизировать z = -4jc1+ 6 х 2 - 2 х 3 + 4 х 4.
3. Дана следующая система уравнений:
x t + 2 хг - 3jc3 + 5 х 4 + х 5 = 4,
5 x t - 2 х 2 + 6 х 4 + х е = 8,
2 х х + З хг —2 х3 + З х4 + х 7 = 3,
-je, + х 3 - 2 х4 + х е = О,
*!> JC2.......x g > 0.
Пусть переменные jc5, х 6, х 7 и x s составляют начальное допустимое базисное ре
шение. Предположим, что в базис вводится переменная х г Определите, какую из
переменных текущего базисного решения следует исключить из базиса так, что
бы все переменные остались неотрицательными. Найдите значение переменной
x t в этом новом базисе. Повторите это упражнение для переменных х 2, х 3и х4.
М аксимизировать z = jc,
5jc1 + х 2 = 4,
6 jc1+ х 3 = 8 ,
3jc1 +jc4 = 3,
х 2, х 3, х 4 > 0.
a) Решите эту задачу путем нахождения точек пересечений (не используя
метод Гаусса-Ж ордана), на каждом шаге интерпретируя полученные ре
зультаты в терминах базисных решений симплекс-метода.
b) Повторите решения задачи ЛП при тех же ограничениях, что и в п. а, но
для м иним изации целевой функции г = х г
5. Решите следующую задачу ЛП путем нахождения точек пересечений, на
каждом шаге интерпретируя полученные результаты в терминах базисных
решений симплекс-метода.
М аксимизировать z = 5jc1- 6 х 2 + 3jc3 - 5х4 + 12xs
jc, + 3jc2 + 5х3 + 6jc4 + 3jc5< 90,
x v х 2, х 3, х 4, x s > 0.
(Подсказка. Базисное решение содержит только одну переменную.)
6. Следующая таблица представляет отдельную итерацию симплекс-метода.
Все переменные неотрицательные. Таблица не оптимальна как для задачи
максимизации, так и для задачи минимизации.
Бази с Xl хг *3 х4 *5 хв Х7 Хв Реш ение
z 0 -5 0 4 -1 -1 0 0 0 620
Хъ 0 3 0 -2 -3 -1 5 1 12
Хз 0 1 1 3 1 0 3 0 6
Xl 1 -1 0 0 6 -4 0 0 0
a) Разделите все переменные на базисные и небазисные и найдите их значения.

b) Пусть решается задача максимизации. Определите небазисные перемен
ные, которые потенциально могут увеличить значение целевой функции.
Д ля каждой такой переменной, предполагая, что она вводится в базис,
найдите исключаемую переменную и соответствующее изменение целевой
функции. Не используйте метод Гаусса-Ж ордана.
c) Повторите упражнение п. Ь, предполагая, что решается задача минимизации.
d) Какие небазисные переменные не смогут изменить значение целевой
функции, если их ввести в базис?
7. Рассмотрите двухмерное пространство решений на рис. 3.7.
a) Пусть целевая функция имеет следующий вид:
максимизировать г = Зл^ + 6 х г.
Предполагая, что реализация симплекс-метода начинается в точке А, опреде
лите последовательность угловых точек, приводящих к точке оптимума Е.
b ) Определите вводимую переменную, значения соответствующих отношений
в условии допустимости и значение целевой функции, полагая, что реали
зация симплекс-метода начинается в точке А и целевая функция имеет вид
максимизировать z = 4 x t + х 2.
c) Повторите п. b применительно к целевой функции
максимизировать z = x t + 4 х 2.
х2
Рис. 3.7. Пространство решений для упражнения 7


М аксимизировать г = 16л:, + 15х2
40л:, + 31л:2 < 124,
- я , + л:2 < 1,
л:, < 3 ,
л:„ л:2 > 0 .
a) Решите поставленную задачу симплекс-методом, выбирая в качестве вво
димой небазисную переменную, имеющую наибольший по абсолютной
величине отрицательный коэффициент в 2 -строке симплекс-таблицы.
b) Решите поставленную задачу симплекс-методом, выбирая в качестве вво
димой небазисную переменную, имеющую наименьший по абсолютной
величине отрицательный коэффициент в z -строке симплекс-таблицы.
c) Подсчитайте количество итераций, используемых для решения задачи
в пп. а и Ь. Действительно ли выбор вводимой переменной среди небазис
ных, имеющих наибольший по абсолютной величине отрицательный ко
эффициент в 2 -строке, ведет к уменьшению числа итераций, выполняе
мых при реализации симплекс-метода?
d) Предположим, что задача максимизации целевой функции г заменена на
задачу минимизации путем умножения функции z на -1 . Как это скажет
ся на количестве итераций симплекс-метода?
9. Компания Gutchi производит дорожные сумки, чемоданы и рюкзаки. Для трех
видов изделий используется натуральная кож а и синтетические материалы,
причем кож а считается ограниченным ресурсом. Производство этих изделий
также требует выполнения двух ручных операций: прошивки и окончательной
отделки изделия. В следующей таблице приведены ограничения на используе
мые в производстве ресурсы, а также отпускная цена каждого вида изделия.
Расход ресурса на производство одного изделия Офаничение на ресурс
Ресурс Сумка Чемодан Рюкзак (ежедневно)
Кожа (кв. футы) 2 1 3 42

Прошивка (часы) 2 1 2 40
Отделка (часы) 1 0,5 1 45
Отпускная цена (долл.) 24 22 45
Сформулируйте задачу линейного программирования, с помощью програм

мы TORA найдите ее оптимальное решение и определите статус ресурсов.
3.3.3. Реализация симплекс-метода в системе TORA

В программной системе TORA можно выполнить все итерации симплекс-метода
так же, как это было описано в разделе 3.3.2. Сначала введите условия задачи (как
это сделать, см. приложение Б). Затем из меню SOLVE/MODIFY выберите команду
SolveÂlgebraicÎterationsÂll-Slack. (Команда All-Slack (Все остаточные) указывает
на то, что начальное базисное решение состоит только из остаточных дополнитель
ны х п ерем енны х. О стальны е ком анды из подменю Iterations будут описаны
далее в разделах 3.4, 4.3 и 7.4.2.) Далее задается точность, с которой будут отобра
ж аться выходные результаты , остается щ елкнуть на кнопке Go То Output Screen
(Перейти к экрану вывода).
На рис. 3.8 представлено окно, в котором показаны результаты расчетов для
каждой итерации для модели Reddy M ikks (файл ch3ToraR eddyM ikks.txt). Чтобы
перейти к следующей итерации, щ елкните на кнопке Next Iteration (Следующая
итерация, это реж им пошагового выполнения). Чтобы сразу получить окончатель
ный ответ, щ елкните на кнопке All Iterations (Все итерации). Если вы выполняете
вычисления в пошаговом реж име, то на каждой итерации можно указать вводимую
и исключаемую переменные, щ елкнув на соответствующих столбце и строке. Если
ваш выбор корректен, то столбец закрасится зеленым цветом, а строка — красным.
В противном случае получите сообщение об ошибке. Такой тип вычислений должен
помочь вам понять основные базовые концепции симплекс-метода без громоздких
вычислений по методу Гаусса-Ж ордана.
i TORA D :\W o r k \T o r a F ile s \c h 3 T o r a R e d d y M ik k s .tx t
LINEAR PROGRAMMIN G
__________________ ______ _________ S IM P I F X T AB L fcA U ( S ta rtin g A l l S l i c k M e th o d )________________

T it le : R e d d y M ik k s m o d e l, F x a m p le 7 .2 -1 ( M a x im ir e ) _____________________________________________________
S te p * (o r Q e ne rttm a NEXT tableau fro m CURRENI o ne:
1. ENTERING variable: C lick a N0NBA5IC variable ( if c orrec t, c olu m n tu r n * green)
?. LEAVING variable: C lick a SASIC variable (it c orrec t, r o w l u m a red)
_3. Click com m and b u tto n NEXT ITERATION (er A L t ITERATIONS) T h ii a tc p m a y b e executed w ith o u t S te p ! 1 and/or 2.
Р ис. 3.8. М о д ель R e d d y M ik k s в програм м е T O R A
М аксимизировать z = хг + х 2+ З х 3+ 2xt
дс, + 2 х 2 - 3 * , + 5 х 4 < 4,
2л:, + Зл:2 - 2л:3 + Зл:4< З,

- х х + х 3 + 2 xt < 0,
л:„ х 2, х 3, x t >0.
a) С помощью программы TORA найдите оптимальное решение данной задачи.
b) Имея оптимальное решение, выберите любую небазисную переменную
и попробуйте ввести ее в базис, щ елкнув на кнопке Next Iteration. Сравните
полученное значение целевой функции с оптимальным. (Идея этого уп
раж нения заключается в том, чтобы показать, что в оптимальном реше
нии любая небазисная переменная, введенная в базис, не может улучшить
значения целевой функции.)
3.4. ИСКУССТВЕННОЕ НАЧАЛЬНОЕ РЕШЕНИЕ

В примере 3.3.1 при начальном допустимом базисном решении гарантирова
лось, что все последующие базисные реш ения, получаемые при выполнении сим
плекс-метода, такж е будут допустимыми. В задачах линейного программирования,
где все ограничения являются неравенствами типа “ <” (с неотрицательной правой
частью), дополнительные (остаточные) переменные позволяют сформировать на
чальное допустимое базисное решение. Естественно, возникает вопрос: как найти
начальное допустимое базисное решение в задачах ЛП, где есть ограничения в виде
равенств или неравенств типа “ >” ?
Наиболее общим способом построения начального допустимого базисного реше
ния задачи ЛП является использование искусственных переменных. Эти перемен
ные в первой итерации играют роль дополнительных остаточных переменных, но
на последующих итерациях от них освобождаются. Разработано два тесно связан
ных между собой метода нахождения начального решения, которые используют
искусственные переменные: М -метод5и двухэтапный метод.
3.4.1. М-метод
Пусть задача ЛП записана в стандартной форме (см. раздел 3.1). Д ля любого ра
венства і, в котором не содержится дополнительная остаточная переменная, введем
искусственную переменную Д., которая далее войдет в начальное базисное реше
ние. Но, поскольку эта переменная искусственна (другими словами, не имеет ни
какого “ физического смысла” в данной задаче), необходимо сделать так, чтобы на
последующих итерациях она обратилась в нуль. Д ля этого в выражение целевой
функции вводят штраф.
Переменная Ą с помощью достаточно большого положительного числа М ш тра
фуется путем ввода в целевую функцию выражения -M R , в случае максимизации
целевой функции и выражения +М Д — в случае минимизации. Вследствие этого
штрафа естественно предположить, что процесс оптимизации симплекс-метода
приведет к нулевому значению переменной R t. Следующий пример проясняет дета
ли этого метода.
5М-метод также называют методом больших штрафов. — Прим. ред.

Пример 3.4.1
Минимизировать г = 4xt + х2
3х1+ ;t2 = 3,
4дг1+ Зх2> 6,
х, + 2хг< 4,
xv x2>0.
Стандартная форма этой задачи получается в результате добавления дополнитель
ной (избыточной) переменной х3 во второе неравенство и дополнительной
(остаточной) переменной х4 в третье неравенство. Эта задача в стандартной форме
будет записана следующим образом.
Минимизировать z = 4хг + х2
Зх, + х2 = 3,
4хх + Зх2- х3 = 6,
х, + 2хг + xt = 4,
JCj, JC2, JC3, > 0.
В полученной задаче первое и второе уравнения не имеют дополнительных
(остаточных) переменных, которые можно ввести в базисное решение. Поэтому
введем в эти уравнения искусственные переменные Л1 и R2, а в целевую функцию
добавим штраф M RX+ M R2. В результате получим следующую задачу ЛП.
М инимизировать z = 4дг1+ х2 + МЛ, + MR2
3х1+ х 2 + Л1= 3,
4дг1 + Зх2 - х3 + R2 = 6 ,
*, + 2х„ + * 4 = 4,
JCj, JC2, JSC3, JC4, / г 1( / г 2, > 0 .
В этой модифицированной задаче переменные Л,, R2 и х4 можно использовать в ка

честве начального допустимого базисного решения. В результате получим следую
щую симплекс-таблицу.
Базис Xl X2 X3 Fh fh Xi Решение
z -4 -1 0 -M -M 0 0
Яі 3 1 0 1 0 0 3
fk 4 3 -1 0 0 6
Xt 1 2 0 0 0 1 4
Прежде чем применять симплекс-метод, надо согласовать значения в z-строке с ос

тальной частью таблицы. В частности, значение функции г, соответствующее на
чальному базисному решению R1= 3, R2= 6 и xt = 4, должно равняться
3М+ 6М + 0 = 9М, а не 0, как показано в таблице. Это противоречие связано с тем,
что переменным Л1и R2 соответствуют ненулевые коэффициенты (-М , -М ) в строке г

(сравните с начальным решением в примере 3.3.1, где дополнительным перемен
ным соответствуют нулевые коэффициенты в z-строке). Чтобы сделать эти коэффи
циенты нулевыми, следует умножить элементы строк Rx и R2 на величину М,
и затем сложить эти строки с г-строкой. (Обратите внимание на “ подсвеченные”
единицы в этих строках — если бы эти коэффициенты были отличны от единиц, то
необходимо было бы сначала разделить все элементы этих строк на данные коэф
фициенты.) Кратко это действие можно записать следующим образом.
Новая z-строка = старая г-строка + М х /^-строка + М х Л2-строка
Измененная симплекс-таблица примет следующий вид (проверьте!).
Базис *1 хг хз Я, я2 Xd Решение
z - 4 + 7М :■ -1 + 4 М -М 0 0 0 9М
■Яі 3 1 0 1 0 0 3
я2 4 і з -1 0 1 0 6
X4 1 2 0 0 0 1 4
Отметим, что теперь z = 9М, что соответствует базисному решению Л1 = 3, R2 = 6 и

*4 = 4.
Последняя таблица готова к применению симплекс-метода с использованием усло
вий оптимальности и допустимости, описанных в разделе 3.3.2. Поскольку мы ми
нимизируем целевую функцию, находим наибольший полож ительный коэффици
ент в z-строке. Наибольший коэффициент -4 + 7М соответствует переменной
которая и будет вводимой. Условие допустимости указывает на переменную Rx
в качестве исключаемой.
Поскольку вводимая и исключаемая переменные определены, новую симплекс-
таблицу можно вычислить с помощью метода Гаусса-Ж ордана. Заметим, что вы
числения в г-строке, где присутствует М, следует проводить алгебраически. Так,
для получения новой z-строки надо новую ведущую строку умножить на - ( - 4 + 7М)
и сложить с текущей z-строкой. В результате получим следующую таблицу.
Базис X1 хг хз Я Яг х4 Решение
СО
z 0 (1 + 5/VQ/3 -М 0 0 4 + 2М
І
X1 1 1/3 0 1/3 0 0 1
fi. В ІЙ Ш 5/3 -1 -4 /3 0 2
х4 0 3/5 0 -1 3 0 1 3
Отметим, что уже первая итерация исключила из базисного решения искусственную

переменную Rv что является результатом включения штрафа в целевую функцию.
Последняя таблица показывает, что следующими (вводимой и исключаемой) пере
менными будут х2 и R2 соответственно. Конечно, для получения оптимального ре
шения может потребоваться больше двух итераций. В данной задаче оптимальным
решением будет х, = 2 /5 , х2= 9 /5 , х3 = 1 и z = 17/5.
При использовании М -метода следует обратить внимание на следующие два об

стоятельства.
1. Использование ш трафа М может и не привести к исключению искусствен
ной переменной в конечной симплекс-итерации. Если исходная задача л и
нейного программирования не имеет допустимого реш ения (например, сис
тема ограничений несовместна), тогда в конечной симплекс-итерации по
крайней мере одна искусственная переменная будет иметь положительное
значение. Это “ индикатор” того, что задача не имеет допустимого реш е
ния. В разделе 3.5.4 показана так ая ситуация.
2. Теоретически применение М -метода требует, чтобы М —> Однако с точки
зрения компьютерных вычислений величина М должна быть конечной и,
вместе с тем, достаточно большой. Как понимать термин “достаточно боль
ш ая” — это открытый вопрос. Величина М должна быть настолько большой,
чтобы выполнять роль “ ш трафа” , но не слишком большой, чтобы не умень
шить точность вычислений. На практике вы должны помнить о возможных
ошибках машинного округления при выполнении вычислений, в которых
совместно участвуют как большие, так и малые числа.
1. Завершите решение задачи из примера 3.4.1 и получите оптимальное решение.
2. Найдите решение задачи из примера 3.4.1 с помощью программы TORA
(файл ch3ToraM m ethodEx3-4-l.txt), используя команду Iterations^M-method
(Итерации^М -метод). Сравните решения при М = 1 , М = 1 0 и М = 1000. Ка
кое заключение можно сделать из этого эксперимента?
3. В примере 3.4.1 найдите начальную симплекс-таблицу для каждого из сле
дующих (независимых) случаев и подсчитайте коэффициенты 2 -строки после
определения всех искусственных переменных.
a) Третье ограничение имеет вид х г + 2 х 2> 4.
b) Второе ограничение имеет вид 4 х х + Зд:2< 6.
c) Второе ограничение имеет вид 4 х х + Зл:2 = 6.
d) Целевая функция имеет вид: максимизировать z = 4 х х + *2.
4. Существует следующее множество ограничений.
- 2 xi + 3x2 = 3, (1 )
4xi + 5x2 > 10 , (2 )
xi + 2хг < 5, (3)
6 xi + 7X2 < 3, (4)
4xi + 8x2 > 5, (5)
X 1, Х2 > 0.
Для каждой из следующих задач найдите коэффициенты 2 -строки симплекс-

таблицы после введения искусственных переменных.
a) Максимизировать z = Ьхх + 6д:2 при ограничениях (1), (3) и (4).
b) М аксимизировать г = 2 х х - 7 х2 при ограничениях (1), (2), (4) и (5).
c) М инимизировать z = Зле, + 6л:2 при ограничениях (3), (4) и (5).
d) М инимизировать z = 4 x , + 6 x 2при ограничениях (1), (2) и (5).

e) Минимизировать z = 3 x 1+ 2x2 при ограничениях (1) и (5).
5. Дано следующее множество ограничений:
х : + х 2+ х 3 = 7,
2 х х - 5 х 2 + х 3> 10,
х „ х 2, х 3> 0 .
При этих ограничениях решите задачи ЛП для следующих целевых функций.
a) М аксимизировать z = 2х, + З х2- Ъх3.
b) М инимизировать z = 2 х 1+ Зх2- 5 х3.
c) М аксимизировать z = х г + 2 х г + х 3.
d) М инимизировать z = 4 х 1- 8 хг + Зх3.
6. Дана следующая задача.
М аксимизировать z = 2 х 1+ 4 х 2+ 4 х 3- З х4
x, + х 2 + х 3 = 4,
х, + 4 х 2 + х 4 = 8,
х „ х 2, х 3, х 4> 0 .
В этой задаче переменные х 3 и х 4 могут выполнить роль дополнительных оста
точных переменных. Они отличаются от остаточных переменных тем, что
имеют ненулевые коэффициенты в выражении целевой функции. Поэтому, ес
ли использовать их как начальные базисные переменные, перед выполнением
симплекс-метода следует преобразовать в симплекс-таблице z-строку (как это
делается для искусственных переменных). Решите эту задачу без искусствен
ных переменных, используя в начальном базисном решении переменные х 3и х4.
7. Без применения искусственных переменных решите следующую задачу, ис
пользуя в начальном базисном решении переменные х 3 и х 4.
Минимизировать z = 3 х 1+ 2х2+ Зх3
х 1 + 4 х 2 + х 3 > 7,
2 х 1 + х 2 + х 4> 10,
Xj, х 29 Х3, х 4—0.
М аксимизировать z = х 1+ Ьх2+ З х 3
х 1+ 2 х 2 + х 3= 3,
2 х х - х 2 = 4,
х 2, х 3> 0 .
В первом равенстве переменная х 3 может войти в базисное решение вместо
искусственной переменной. Однако во втором равенстве искусственная пере
менная R2 необходима. Используя начальное базисное решение, состоящее из
переменных х 3 и R2, найдите оптимальное решение этой задачи.
9. П окажите, как с помощью М -метода можно определить, что следующая за
дача не имеет допустимого решения.
М аксимизировать z —2 х : + Ьх2
Зх, + 2 х 2 > 6 ,
2 х г + х 2< 2,
х„ х 2>0.
3.4.2. Двухэтапный метод

Двухэтапный метод лишен недостатков, которые присущи М -методу вследствие
ошибок округления. К ак следует из названия этого метода, процесс решения зада
чи ЛП разбивается на два этапа. На первом этапе ведется поиск начального допус
тимого базисного решения. Если такое решение найдено, то на втором этапе реш а
ется исходная задача.
Этап 1. Задача ЛП записывается в стандартной форме, а в ограничения добав
ляются необходимые искусственные переменные (как и в М-методе)
для получения начального базисного решения. Решается задача ЛП
минимизации суммы искусственных переменных с исходными огра
ничениями. Если минимальное значение этой новой целевой функции
больше нуля, значит, исходная задача не имеет допустимого реше
ния, и процесс вычислений заканчивается. (Напомним, что поло
жительные значения искусственных переменных указывают на то,
что исходная система ограничений несовместна.) Если новая целе
вая функция равна нулю, переходим ко второму этапу.
Этап 2. Оптимальное базисное решение, полученное на первом этапе, исполь
зуется как начальное допустимое базисное решение исходной задачи.
Пример 3.4.2
К задаче из примера 3.4.1 применим двухэтапный метод.
Этап 1
М инимизировать г = Л, + R2
Зх, + х2+ Л, = 3,
4х, + Зх2 - х3 + R2 = 6 ,
X, + 2х2+ х4 = 4,
^ ii X 2i х 3, X ą, 7?j, R 2, —
Соответствующая таблица имеет следующий вид.
Базис *1 *2 *з R^ fh *4 Решение
г 0 0 0 -1 -1 0 0
Яі 3 1 0 1 0 0 3
Яг 4 3 -1 0 0 6
ш ш
*4 1 2 0 0 0 1 4
К ак и в А/-методе, сначала вычисляется новая г-строка по формуле

новая г-строка = старая г-строка + 1 х ^ -с тр о к а + 1 х Л2-строка
Новая г-строка используется для решения задачи первого этапа, что приведет
к следующему оптимальному решению (проверьте с помощью программы TORA,
выполнив команду Iterations ć > Two-phase Method).
Базис *1 хг *3 Я, я 2 *4 Решение
г 0 0 0 --1 L ; -1 0 0
*1 1 0 1/5 3/5 -1 /5 0 3/5
хг 0 1 -3 /5 - 4 /5 3/5 0 6/5
*4 0 0 1 1 -1 1 1
Поскольку достигнут минимум г = 0, значит, на первом этапе получено допустимое

базисное решение = 3 /5 , х2= 6/5 и х4 = 1. Искусственные переменные полностью
выполнили свою “ миссию” , поэтому из последней таблицы можно удалить их
столбцы. Переходим ко второму этапу.
Этап 2
После удаления искусственных переменных исходная задача будет записана сле
М инимизировать г = 4лг + хг
с ограничениями
j. 1— X
Л", + , --------3,
1 5 3 5
3 6
х , ---- х, = - ,
2 5 3 5
Х3+Х* = !>
-^1, Хд, Х4^ 0 .
Обратите внимание па то, что после первого этапа исходная задача претерпела не
которые изменения, которые учитывают полученное базисное решение. Этой
трансформированной задаче соответствует следующая таблица.
Базис Xl *2 хз Xi Решение
z -4 -1 0 0 0
Х\
1 0 1/5 0 3/5
хг 0 -3 /5 0 6/5
Хі 0 0 1 1 1
Поскольку базисные переменные хх и х2 имеют ненулевые коэффициенты в г-строке,

эту строку следует преобразовать.
Новая г-строка = старая г-строка + 4 х х,-строка + 1 х х2-строка.
Н ачальная таблица второго этапа примет следующий вид.
Базис *1 хг х3 хд Решение
г 0 0 1/5 0 18/5
х, 1 0 1/5 0 3/5
х2 0 1 -3 /5 0 6/5
х4 0 0 1 1 1
Так как решается задача минимизации, следует ввести переменную х 3 в базис.

Применение алгоритма симплекс-метода уже на следующей итерации приведет
к оптимальному решению (проверьте с помощью TORA!).
Удаление искусственных переменных в конце первого этапа имеет смысл только

тогда, когда все они являю тся н е б а з и с н ы м и (как в примере 3.4.2). Однако возмож
на ситуация, когда в конце первого этапа искусственные переменные о с т а н у т с я
в б а з и с е , но будут иметь н у л е в ы е з н а ч е н и я . В этом случае такие переменные при
необходимости будут формировать часть начального базисного решения для второ
го этапа. При этом необходимо так изменить вычисления, выполняемые на втором
этапе, чтобы искусственные переменные никогда не смогли принять положитель
ные значения ни в каки х итерациях симплекс-метода.
Существует простое правило, которое гарантирует, что н у л е в а я базисная искус
ственная переменная на втором этапе никогда не станет положительной.
1. Если в ведущем столбце коэффициент, соответствующий нулевой базисной искус
ственной переменной, положителен, тогда в е д у щ и й э л е м е н т определяется авто
матически (поскольку ему соответствует минимальное отношение, равное нулю),
и искусственная переменная на следующей итерации становится небазисной.
2. Если ведущий элемент равен нулю, следующая итерация оставляет искусст
венную переменную нулевой.
3. Если ведущий элемент отрицательный, то минимальное отношение не ассо
циируется с базисной (нулевой) искусственной переменной. В этом случае,
если минимальное отношение будет положительным, то на следующей ите
рации искусственная переменная примет положительное значение (обоснуйте
это утверждение). Чтобы исключить эту возможность, мы п р и н у ж д а е м искусст
венную переменную всегда оставаться в базисном решении. Поскольку искусст
венная переменная равна нулю, ее удаление из базисного решения не влияет на
то, будет ли допустимым решение из оставшихся в базисе переменных.
Итак, правило для второго этапа заключается в том, чтобы искусственные пере
менные оставлять в базисе всегда, когда коэффициент в ведущем столбце положи
телен или отрицателен. Ф актически это правило применяется в конце первого эта
па, когда из базисного решения удаляются нулевые искусственные переменные,
перед тем как приступить ко второму этапу (см. упражнение 3.4 . 2 .5).
1. Ответьте на следующие вопросы.
a) Почему на первом этапе двухэтапного метода всегда минимизируется
сумма искусственных переменных?
b) Если в задаче ЛП требуется найти максимум целевой функции, то следует
ли на первом этапе максимизировать сумму искусственных переменных?
2. Д ля каждой задачи из упражнения 3.4.1.4 запишите соответствующую целе

вую функцию для первого этапа.
3. Решите задачи из упражнения 3.4.1.5 двухэтапным методом.
4. Покажите, что следующая задача не имеет допустимого реш ения. Запишите
задачу ЛП для первого этапа и затем примените программу TORA для поиска
ее решения.
М аксимизировать z = 2х, + 5х 2
Зх, + 2 хг > 6 ,
2 х 1+ х г <2,
х „ х 2> 0 .
М аксимизировать z = 2 х 1+ 2 х2+ 4х 3
2 х 1+ х 2 + х г < 2 ,
Зх, + 4х 2 + 2х 3> 8,
х „ х 2, х 3> 0 .
a) Используя программу TORA, покажите, что первый этап закончится с ну
левой искусственной базисной переменной.
b ) Выполните вручную вычисления второго этапа с нулевой искусственной
переменной, являю щ ейся частью начального базисного решения. Убеди
тесь, что искусственные переменные никогда не принимают положитель
ных значений.
c) Покажите, что нулевые искусственные переменные можно удалить из ба
зисного решения на первом этапе (до начала второго) путем выбора вво
димой переменной с помощью ненулевого ведущего элемента в строке ис
кусственной переменной.
6 . Рассмотрите следующую задачу.
М аксимизировать z = Зх, + 2 х 2+ Зх 3
2 х 1+ х 2+ х 3= 2,
х 1+ Зх 2 + х 3 = 6 ,
Зх, + 4х2+ 2х 3 > 8,
х „ Х2, х 3 > 0.
a) С помощью программы TORA покажите, что первый этап закончится
с двумя нулевыми искусственными переменными в базисном решении.
b ) Покажите, что описанная в упражнении 5.3 процедура, применяемая
в конце первого этапа, может только одну из двух нулевых искусственных
переменных сделать небазисной.
c) П окажите, что исходное ограничение, соответствующее нулевой искусст
венной переменной, которую нельзя сделать небазисной в п. Ь, является
избыточным. Следовательно, строку этого ограничения, как и его искус
ственную переменную, можно удалить перед началом второго этапа.
7. Дана следующая задача линейного программирования.

Максимизировать z = Зх, + 2х 2 + Зх 3
2 х, + х 2+ х г < 2,
Зх, + 4 х 2 + 2х 3 > 8 ,
х „ х 2, х 3> 0 .
Оптимальная симплекс-таблица, полученная в конце первого этапа, имеет
следующий вид
Базис Х-[ хг *3 ХЛ *5 Я Решение
z -5 0 -2 -1 -4 0 0
хг 2 1 1 0 1 0 2
Я -5 0 -2 -1 -4 1 0
Покажите, что небазисные переменные х,, х 3, х 3 и х 4 никогда не примут поло

жительных значений в конце второго этапа. Следовательно, столбцы этих пе
ременных можно удалить из симплекс-таблицы еще до начала второго этапа.
В сущности, удаление этих переменных сводит ограничительные равенства к од
ному: х 2 = 2. Это означает, что не было необходимости выполнять второй этап
вовсе, так как пространство допустимых решений состоит только из одной точки.
Из этого упражнения можно сделать общий вывод, что любые небазисные
переменные, которые имеют строго отрицательные коэффициенты в z-
строке в конце вычислений первого этапа, можно удалить из симплекс-
таблицы, так как они никогда не примут положительных значений в резуль
тате выполнения второго этапа. В связи с этим отметим, что отрицательные
коэффициенты в z-строке для “ естественных” (не искусственных) перемен
ных могут появиться только в том случае, если в конце первого этапа в базисе
присутствуют искусственные нулевые переменные.
8 . Дана задача линейного программирования.
Минимизировать z = 2х, - 4х 2 + Зх 3
5х, - 6 х 2 + 2х 3 > 5,
-х , + Зх 2 + 5х 3 > 8 ,
2х, + 5 х 2 - 4х 3 < 9,
х „ х2, х 3 > 0 .
Покажите, что неравенства можно свести к множеству равенств, которое по
требует введения только одной искусственной переменной (вместо возмож
ных двух искусственных).
3.5. ОСОБЫЕ СЛУЧАИ ПРИМЕНЕНИЯ СИМПЛЕКС-МЕТОДА

В этом разделе рассмотрим четыре особых случая, встречающихся при исполь
зовании симплекс-метода.
1. Вырожденность.
2. Альтернативные оптимальные решения.
3. Неограниченные решения.
4. Отсутствие допустимых решений.
При изучении этих случаев основное внимание мы уделим, во-первых, теоре
тическому обоснованию причин, приводящих к таким ситуациям, и, во-вторых,
их практ ическим интерпретациям применительно к реальным задачам.
3.5.1. Вырожденность
В ходе выполнения симплекс-метода проверка условия допустимости может
привести к неоднозначному выбору исключаемой переменной. В этом случае на
следующей итерации одна или несколько базисны х переменных примут нулевое
значение. Тогда новое решение будет вырожденным.
В вырожденном решении нет никакой опасности, за исключением небольших
теоретических неудобств, которые мы далее кратко обсудим. С практической
точки зрения вырожденность объясняется тем, что в исходной задаче присутст
вует по крайней мере одно избыточное ограничение. Д ля того чтобы лучше по
нять практические и теоретические аспекты явления вырожденности, рассмот
рим численный пример. Графическая интерпретация задачи поможет наглядно
разобраться в этом явлении.
Пример 3.5.1. Вырожденное оптимальное решение

Рассмотрим следующую задачу ЛП.
М аксимизировать z = Зх, + 9хг
х, + 4 х 2 < 8 ,
х, + 2х2 < 4,
х „ х 2> 0.
Обозначим через х3 и х4 дополнительные переменные. Результаты применения сим

плекс-метода представлены в следующей таблице.
Итерация Базис Xl хг *3 ХЛ Решение
Начальная z -3 -9 0 0 0
Вводится хг *3 1 4 1 0 8
Исключается х3 Хі 1 2 0 1 4
Первая z -3 /4 0 9/4 0 18
Вводится /1 хг 1/4 1 1/4 0 2

Исключается Хі 1/2 0 -1 /2 1 0
Вторая z 0 0 3/2 3/2 18
Оптимум хг 0 1 1/2 -1 /2 2
*1 1 0 -1 2 0
На начальной итерации в качестве исключаемой можно выбрать как переменную

х3, так и х,. Если оставить в базисе переменную х4, на следующей итерации она
примет значение 0 (как показано в таблице), т.е. получим вырожденное базисное

решение. Оптимальное решение получается на следующей итерации.
Что же практически приводит к вырожденности реш ения? Рассмотрим рис. 3.9,
графически представляющий решение этой задачи. Точка оптимума х, = О, хг = 2
является пересечением трех прямых. Поскольку данная задача двухмерна, эта
точка переопределена (на плоскости для определения точки достаточно двух пря
мых), и, следовательно, одно из ограничений избыточно.
Оптимальное
вырожденное
решение
Рис. 3.9. Вырожденность задачи примера 3.5.1
На практике информация о том, что некоторые ресурсы недефицитны, может быть

полезной при интерпретации результатов решения задачи. Эти сведения такж е мо
гут помочь выявить неточности и ошибки в постановке исходной задачи. К сож але
нию, не существует способов определить избыточное ограничение непосредственно
изданных симплекс-таблиц.
С вычислительной и теоретической точек зрения вырожденность может привести
к двум последствиям. Во-первых, в процессе вычислений может возникнуть за
цикливание. Если в приведенной выше таблице сравнить первую и вторую итера
ции, то можно заметить, что значение целевой функции не изменилось (z = 18). По
этому может возникнуть ситуация, когда при реализации симплекс-метода
некоторая последовательность будет повторяться, не изменяя значения целевой
функции и не приводя к завершению вычислительного процесса. Существуют ме
тоды, предотвращающие зацикливание, однако они значительно замедляют про
цесс вычислений. Поэтому в большинстве программ, реализующих симплекс-
метод, отсутствуют специальные средства защ иты от зацикливания, тем более, что
вероятность зацикливания очень мала.
Во-вторых, последствие вырожденности решения можно обнаружить, сравнивая
первую и вторую итерации в приведенной выше таблице. Хотя в этих итерациях
состав базисных и небазисных переменных различен, значения всех переменных
и значение целевой функции не изменяются:
х, = 0 , х2 = 2 , х3= 0, х4 = 0, z = 18.
Можно ли, несмотря на то, что оптимальное решение не достигнуто, остановить
вычисления на первой итерации (когда впервые обнаруживается вырожденность)?
Ответ отрицательный, так как решение может быть только временно вырожден
ным (упражнение 3.5.1.2).
1. Рассмотрите графическое представление пространства решений (рис. 3.10).
Предположим, что выполнение симплекс-метода начинается из точки А, оп
тимальное решение соответствует точке D, а целевая функция такова, что
в точке А вводимой переменной будет X,.
a) Покажите (на рисунке) крайние точки, которые соответствуют последова
тельности симплекс-итераций, приводящих к точке оптимума.
b ) Определите максимально возможное число симплекс-итераций, необхо
димых для достижения оптимального решения.
2. Покажите (графически и с помощью TORA), что следующая задача имеет

временно вырожденные решения.
М аксимизировать z = Зх, + 2х 2
4х, + Зх2< 12,
4х, - х 2 < 8 ,
4х, + х 2 < 8 ,
х,, х 2 > 0 .
3. Используя в программе TORA опции, позволяющие управлять процессом вы
числений, выполните последовательность симплекс-итераций в следующей зада
че ЛП (задача придумана Е. М. Beale). Начальное допустимое базисное решение,
состоящее из дополнительных переменных, повторится на седьмой итерации.
Этот пример иллюстрирует явление зацикливания при выполнении симплекс-
метода; в этом случае оптимальное решение никогда не будет достигнуто.

— х, - 8 х,2 - х,3 + 9х,4 < 0,
4Л 1
—х. - 1 2 х, - —х. + Зх, < 0 ,

2 1 2 2
х 3<1,
х„ х2, х 3, х 4 > 0 .
Интересно отметить, что если сделать все коэффициенты в этой задаче целы
ми (путем умножения на соответствующие множители), то алгоритм сим
плекс-метода достигнет оптимального решения за конечное число итераций
(проверьте это!).
(Предостережение. Не используйте программу TORA в автоматическом режиме,
так как в этом случае циклические вычисления будут выполняться бесконечно.)
3.5.2. Альтернативные оптимальные решения

Когда прямая (если рассматривается двухмерная задача ЛП, в общем случае —
гиперплоскость), представляющая целевую функцию, параллельна прямой
(гиперплоскости), соответствующей связывающ ему неравенству (которое в точке
оптимума выполняется как точное равенство), целевая функция принимает одно
и то же оптимальное значение на некотором множестве точек границы простран
ства решений. Эти решения называются альтернативны ми оптимальными реше
ниями. Следующий пример показывает, что таких решений (если они существуют)
бесконечное множество. Этот пример такж е проиллюстрирует практическую зна
чимость альтернативных решений.
Пример 3.5.2. Бесконечное множество решений

М аксимизировать z = 2 x 1+ 4х2
х1+ 2х2< 5,
х, + х2< 4,
хг, х2> 0 .
На рис. 3.11 показано множество альтернативных оптимальных решений, которые яв
ляются следствием того, что прямая, представляющая целевую функцию, параллельна
прямой,' соответствующей связывающему ограничению. Каждая точка отрезка ВС
соответствует оптимальному решению со значением целевой функции z = 1 0 .
Последовательные итерации выполнения симплекс-метода представлены в сле-
дующей таблице.
Итерация Базис *1 *2 *3 *4 Решение

Начальная z -2 -4 0 0 0
Вводится хг *3 1 2 1 0 5
Исключается хз Xi 1 1 0 1 4
Первая (оптимум) z 0 0 2 0 10
Вводится Х-[ хг 1/2 1 1/2 0 5/2
Исключается хд Xi 1/2 0 - 1/2 1 3/2
Вторая z 0 0 2 0 10
(альтернативный хг 0 1 1 -1 1
оптимум) X\ 1 0 -1 2 3
■Оптимальные базисные решения
Р и с . 3 .1 1 . А л ь т е р н а т и в н ы е о п т и м у м ы в п р и м е р е 3 .5 .2
На первой итерации получаем оптимальное решение х 1 = 0, х2 = 5/2 и г = 10, кото

рое соответствует точке В на рис. 3.11. Как узнать из симплекс-таблицы, что суще
ствует альтернативное оптимальное решение? Посмотрите на коэффициенты неба
зисны х переменных в г-строке первой итерации. Коэффициент небазисной
переменной хг равен нулю, это означает, что данную переменную можно ввести
в базис без изменения значения целевой функции, но значение самой переменной х1
изменится. Введение переменной Xj в базисное решение выполнено на второй ите
рации, при этом из базиса исключена переменная х4. Получено новое решение
х 1= 3, х2 — 1, z = 10, которое соответствует точке С на рис. 3.11.
Симплекс-метод может определить только две угловые точки В и С. Математически
мы можем найти все точки (*,',*') отрезка ВС как взвешенное среднее (с неотрица
тельными весами) точек В и С. Если 0 < а < 1 и
В: х1= 0 ,х 2 = 5/2,
С: хг = 3, х2= 1,
координаты любой точки отрезка ВС можно записать следующим образом:
х' = а х 0 + (1 - а) х 3 = 3 - За,
При а=0 (jtp.rJ) = (З, 1), что соответствует точке С. При а = 1 получаем
= (0, 5/2) — это точка В. Если значение а леж ит строго между 0 и 1, получа
ем внутренние точки отрезка ВС.
На практике альтернативные оптимальные решения весьма полезны, поскольку

позволяют сделать выбор среди множества решений без ухудшения значения целевой
функции. Например, в рассмотренной выше задаче переменная х 2принимает нулевое
значение в точке В, тогда как в других альтернативных оптимальных решениях ее
значение положительно. Если интерпретировать задачу как задачу организации про
изводства двух видов товара (которые соответствуют переменным д:1 и х2), то с учетом
конкуренции на рынке более рационально производить оба вида товара, а не один.
В этом случае решение, соответствующее точке С, предпочтительнее.
1. Д ля следующей задачи ЛП найдите не менее трех альтернативных опти
мальных базисных решений. Запиш ите такж е общее выражение для всех не
базисных альтернативных оптимальных решений, частными случаями кото
рых будут найденные ранее решения.
М аксимизировать г = х, + 2хг + 3x 3
д:1 + 2 х г + 3*3 < 1 0 ,
я, + х 2< 5,
* ,< 1 ,
х х, х г, х 3 > 0 .
2. Покажите с помощью программы TORA, что следующая задача ЛП имеет
альтернативные оптимальные решения и все они небазисные. Д ля этой зада
чи представьте на плоскости пространство решений и прямую, соответст
вующую целевой функции.
М аксимизировать г = 2 х х - х 2 + Зд:3
я, - х 2+ 5х3< 10,
2 х х - х 2+ 3*3 < 40,
х 2, х г > 0 .
3. Покажите с помощью программы TORA, что в следующей задаче ЛП опти
мальное решение вырождено, и все существующие альтернативные решения
являю тся небазисными.
М аксимизировать z = Зд:1 + х 2
д:1 + 2 хг < 5,
я, + х 2- х 3< 2 ,
7хг + З д :2 - 5 * 3 < 2 0 ,
х г, х 3> 0 .
3.5.3. Неограниченные решения

В некоторых задачах ЛП значения переменных могут неограниченно возрастать
без нарушения ограничений. Это говорит о том, что пространство допустимых ре
шений не ограничено по крайней мере по одному направлению. В результате этого
целевая функция может возрастать (задача максимизации) или убывать (задача
минимизации) неограниченно.
Неограниченность решения задачи свидетельствует только об одном: модель раз
работана не достаточно корректно. Типичные ошибки, приводящие к построению та
ких моделей, заключаются в том, что не учитываются ограничения, не являющиеся
избыточными, и не точно оцениваются параметры (коэффициенты) ограничений.
В следующем примере показано, как на основе данных, приведенных в сим
плекс-таблице, можно определить, когда не ограничено пространство решений
и значения целевой функции.
Пример 3.5.3. Неограниченная целевая функция

Рассмотрим задачу
максимизировать z = 2x1+ хг
Xj - х2< 1 0 ,
2х, < 40,
хг, х2>0.
Симплекс-таблица начальной итерации этой задачи имеет следующий вид.
Бази с Х\ *2 ХЗ Ха Реш ение
z -2 *Л г 4 - “ 1 ,fs 0 0 0
хз 1 1 0 10
Ха 2 0 1 40
Из этой таблицы видно, что в качестве вводимой переменной можно взять как
так и х2. Поскольку переменная х1 имеет максимальный (по абсолютной величине)
отрицательный коэффициент в z-строке, именно ее следует ввести в базисное реше
ние. Однако заметим, что во всех ограничениях коэффициенты, стоящие перед пе
ременной х2, отрицательны или равны нулю . Это означает, что значение перемен
ной х2 может возрастать до бесконечности, и при этом не нарушается ни одно
ограничение. Поскольку увеличение на 1 значения переменной х 2 приводит к уве
личению на 1 значения целевой функции, следовательно, неограниченное увеличе
ние значения переменной х2 ведет к неограниченному увеличению значения целе
вой функции. Эта ситуация проиллюстрирована на рис. 3.12. На этом рисунке
видно, что пространство допустимых решений не ограничено в направлении оси х 2,
и значение целевой функции может быть каким угодно большим.
Р и с . 3 . 1 2 . Н е о г р а н и ч е н н о с т ь р е ш е н и я в п р и м е р е 3 .5 .3
Правило выявления неограниченности решения следующее. Если на какой-либо

симплекс-итерации коэффициенты в ограничениях для какой-нибудь небазисной
переменной будут неположительными, значит, пространство решений не ограниче
но в направлении возрастания этой переменной. Кроме того, если коэффициент этой
переменной в z-строке отрицателен, когда рассматривается задача максимизации,
или положителен в задаче минимизации, целевая ф ункция такж е не ограничена.
1. В задаче из примера 3.5.3 с помощью программы TORA покажите, что при
менение симплекс-метода, когда согласно условию оптимальности вычисле
ния начинаются с переменной д:1 в качестве вводимой, обязательно приведет
к неограниченному решению.
М аксимизировать z = 20л:, + 10x 2 +
Зх, - 3x 2 + 5*3 < 50,
х х+ < 10,
Х 1 ~ х г + 4*3 - 2 0 ,
х х, х г, х 3>0.
a) Рассмотрев ограничения, определите направление (по оси х х, х 2 или^з),
в котором пространство допустимых решений не ограничено.
b ) Без дополнительных вычислений сделайте заключение относительно оп
тимального значения целевой функции.
3. В некоторых плохо построенных моделях ЛП пространство допустимых ре
шений может быть неограниченным даже тогда, когда задача имеет конечное
(ограниченное) оптимальное решение. Такое может случиться, если при по
строении ограничений допущены ошибки. В больших задачах иногда трудно
визуально определить, является ли пространство допустимых решений огра
ниченным. Разработайте процедуру определения неограниченности про-
• странства решений.
3.5.4. Отсутствие допустимых решений

Если ограничения задачи ЛП несовместны (т.е. они не могут выполняться одно
временно), то задача не имеет допустимых решений. Такая ситуация не может воз
никнуть, если все неравенства, составляющие систему ограничений, имеют тип “ <”
с неотрицательными правыми частями, так как в этом случае дополнительные пе
ременные могут составить допустимое решение. Д ля других типов ограничений ис
пользуются искусственные переменные. И хотя в оптимальном решении все искус
ственные переменные в силу штрафов равны нулю, такой исход возможен только
тогда, когда задача имеет непустое пространство допустимых решений. В против
ном случае в оптимальном решении будет присутствовать хотя бы одна положи
тельная искусственная переменная.
С практической точки зрения отсутствие допустимых решений свидетельствует
о том, что задача плохо сформулирована.
Пример 3.5.4. Отсутствие допустимых решений

Рассмотрим следующую задачу.
М аксимизировать z = Sxx + 2хг
2хх + х 2<2,
Зд'1 + 4х3> 1 2 ,
x v x2>0.
Результат применения симплекс-метода представлен в следующей таблице.
Итерация Базис *1 хг Ха хз Я Решение
М
СМ
Начальная z -3 -3 м 0 0 -1 2 М
I
I
Вводится х г Хз 2 1 0 1 0 2
Исключается хз Я 3 4 -1 0 1 12
Первая z 1 +5 М 0 м 2 + AM 0 4 -4 М
(псевдооптимум) хг 2 1 0 1 0 2
Я -5 0 -1 -4 1 4
Данные из этой таблицы показывают, что в точке оптимума искусственная пере

менная R имеет положительное значение (= 4), что свидетельствует об отсутствии до
пустимого решения. На рис. 3.13 графически представлена ситуация данной задачи.
Алгоритм симплекс-метода, допуская положительные значения искусственной пе
ременной, по существу, превращает неравенство Зл^ +4х 3 > 12 в З х х + 4 х 3 < 12.
(Объясните, почему так происходит.) В результате получаем то, что можно назвать
псевдооптимальным решением.
1. Компания производит изделия трех типов T l, Т2 и ТЗ. На их изготовление
расходуется материал M l и М2 согласно данным следующей таблицы.
Р а с х о д м а т е р и а л о в н а е д и н и ц у и здел ия
М атериал Т1 Т2 ТЗ
М1 3 5 6
М2 5 3 4
Ежедневно можно использовать не более 1000 единиц материала M l и 1200 еди

ниц материала М2. Отдел маркетинга настаивает, чтобы суммарное ежеднев
ное производство изделий составляло не менее 500 единиц. Может ли произ
водство удовлетворить это требование? Если ответ отрицательный, помогите
компании составить наиболее выгодную структуру производства изделий.
М аксимизировать z = 3 х 1 + 2 х г + З х3
2 x l + х 2+ Xj < 2 ,
3х 1 + 4 х 2+ 2 хг > 8 ,
*!> * 2>* з ^ ° -
Используя М -метод в программе TORA, покажите, что оптимальное решение
этой задачи содержит искусственную базисную переменную, значение этой
переменной равно нулю. Имеет ли задача допустимое оптимальное решение?
1. Bazaraa М., Ja rv is J ., Sherali М. Linear Program m ing and Network Flows, 2nd ed.,
Wiley, New York, 1990.
2. Dantzig G. Linear Program m ing and E xtensions, Princeton U niversity Press, P rin
ceton, N .J., 1963. (Русский перевод: Данциг Дж. Л инейное программирование,
его применение и обобщение. — М.: Прогресс, 1966.)
3. D antzig G., Thapa М. L inear P rogram m ing 1: In tro d u tio n , S p rin g er, New
York, 1997.
4. Nering E., Tucker A. Linear Programming and Related Problems, Academic Press,
Boston, 1992.
5. Schrage L. O p tim iza tio n M odeling w ith LIN G O , LINGO S ystem s, Inc., Chicago,
1999.
6 . Taha H. Linear Programming, C hapter II—1 in Handbook of Operations Research,
J. Moder and S. Elm aghraby (eds.), Van N ostrand Reinhold, New York, 1978.
(Русский перевод: Исследование операций: в 2-х томах. Под ред. Дж. Моудера,
С. Элмаграби. — М.: Мир, 1981.)

1. Ашманов С. А. Л инейное программирование. — М.: Наука, 1981.
2. Гольштейн Е. Г., Юдин Д. Б. Л инейное программирование: Теория, методы
и приложения. — М.: Наука, 1969.
3. Мур Д ж ., Уэдерфорд JI. Экономическое моделирование в M icrosoft Excel. — М.:
Издательский дом “ Вильямс” , 2004.
КОМПЛЕКСНЫ Е ЗАДАЧИ
3.1. Небольшой консервный завод производит пять типов консервов на основе
трех видов свежих фруктов. Завод имеет два производственных цеха, кото
рые при необходимости могут наращивать выпуск продукции. В настоящее
время производственные цеха работают в одну смену, но без труда могут пе
рейти на двух- или трехсменную работу. Реальным ограничением наращи
вания выпуска продукции является только объем поставляемых на перера
ботку свежих фруктов. Поскольку объемы холодильных камер ограничены,
желательно, чтобы все фрукты перерабатывались в течение рабочего дня.
Молодой аналитик, специалист по исследованию операций, горит желанием
увеличить уровень производства этого завода. После анализа производствен
ной ситуации он сформулировал задачу линейного программирования. Зада
ча включает пять переменных (для пяти видов продукции) и три ограничения
(для трех видов сырья). Теория ЛП говорит о том, что в задаче с пятью пере
менными и тремя ограничениями оптимальное решение не может содержать
более трех базисных переменных. Следовательно, оптимальное решение
предполагает производство не более трех видов продукции. “Ага, — подумал
аналитик, — производство этой компании явно не оптимально.”
Он добился встречи с менеджером по производству для обсуждения построен
ной модели ЛП. Менеджер, подробно ознакомившись с задачей, нашел, что
модель адекватно отображает сложившуюся производственную ситуацию.
А налитик объяснил, что согласно теории ЛП, поскольку задача имеет толь
ко три ограничения, оптимальный план производства не должен содержать
более трех видов продукции, и поэтому завод должен прекратить выпуск
двух бесприбыльных видов продукции. Менеджер, внимательно выслушав
аналитика, сказал, что его компания не может прекратить выпуск двух ви
дов продукции, так как это не выгодно предприятию. Но, чтобы согласовать
теорию и практику, он предложил добавить в модель еще два ограничения,
тогда будет пять ограничений, и в этом случае оптимальное решение долж
но разрешить производство всех пяти видов продукции.
Это предложение немного смутило аналитика, так к ак очевидно, что до
бавление новых ограничений не может улучш ить оптимальное решение,
однако он смог честно ответить менеджеру, что данное предложение со
гласуется с теорией ЛП.
Как разрешить этот “ парадокс” ?
3.2. Транспортная компания, специализирующаяся на перевозках грузов, имеет
множество терминалов, расположенных в “ стратегических” точках по всей
территории США.* Когда грузы поступают на терминал, они сортируются:

часть груза, предназначенная местному потребителю, ему же и поступает, ос
тальной груз отправляется к следующему терминалу. Терминальные доки об
служивают как постоянные, так и временные работники, набираемые по най
му. Постоянным работникам гарантирована 40-часовая рабочая неделя. Они
работают в одну из трех стандартных смен непрерывно в течение пяти дней, но
их рабочая неделя может начаться в любой день недели. Временные работники
нанимаются на любое количество рабочих часов при пиковых поступлениях
грузов, превышающих возможности их обработки постоянными работниками.
Грузы могут поступать на терминалы в любое время, причем неравномерно
в течение суток. Изучение статистических данных показывает, что распре
деление поступления грузов примерно одинаково каждую неделю, и пик по
ступления грузов обычно приходится на конец недели (пятн и ца-
воскресение). Политика компании требует, чтобы грузы задерживались на
терминалах не более, чем на 16 часов.
Разработайте модель, с помощью которой можно было бы назначать в рабо
чие смены постоянных работников и нанимать временных.
6 Эта задача основана на исследованиях, проводимых автором для национальной транс

портной компании.
Г Л А В А 4
ДВОЙСТВЕННОСТЬ И АНАЛИЗ
ЧУВСТВИТЕЛЬНОСТИ
Оптимальное решение задачи линейного программирования определяется те
ми условиями, которые наш ли отражение в модели в момент ее формирования.
В реальной ж изни условия, формирующие модель, не остаются неизменными.
В связи с этим особое значение приобретают средства, позволяющ ие оценить и з
менения в оптимальном реш ении, вызванные изменениями в параметрах исход
ной модели. Таким средством является анализ чувст вит ельност и. Он предлага
ет эффективные вы числительны е методы, позволяю щ ие изучить динамическое
поведение оптимального реш ения.
Мы уже встречались с анализом чувствительности (на элементарном уровне)
в разделе 2.3. В этой главе мы подробнее рассмотрим методы анализа чувствитель
ности, основанные на теории двойственности.
4.1. ОПРЕДЕЛЕНИЕ ДВОЙСТВЕННОЙ ЗАДАЧИ

Исходную задачу линейного программирования будем называть прямой. Двой
ственная задача — это задача, формулируемая с помощью определенных правил
непосредственно из прямой задачи. В этом разделе рассмотрены правила построе
ния двойственных задач.
При изложении теории двойственности часто рассматривают формулировки двой
ственной задачи в зависимости от различных видов прямой задачи, которые опреде
ляются типами ограничений, знаками переменных (неотрицательные или свободные,
т.е. без ограничения в знаке) и типом оптимизации (максимизация или минимизация
целевой функции). Такая “ привязка” двойственной задачи к исходной не всегда оп
равдана (см. упражнение 4.1.7). В этой книге приводится единая формулировка
двойственной задачи, применимая ко всем видам прямой задачи. В основу такой
формулировки положена стандартная форма прямой задачи (см. раздел 3.1). На
помним, что задача ЛП в стандартной форме записывается следующим образом.
М аксимизировать или минимизировать целевую функцию г =
'£j ailx J = bi, i = 1 , 2 , . . . , т ,
і
x > 0 , j = 1, 2, /і.
142 Глава 4. Двойственность и анализ чувствительности
В состав п переменных х } входят такж е дополнительные переменные. Стандарт

н ая форма задачи ЛП предполагает выполнение следующих условий.
1. Все ограничения записаны в виде равенств с неотрицательной правой частью.
2. Все переменные неотрицательны.
3. Оптимизация определяется к ак максимизация или минимизация целевой
функции.
Стандартная форма задачи ЛП порождает стандартную таблицу симплекс-
метода. Поэтому, как будет показано ниж е, решение двойственной задачи можно
получить непосредственно из симплекс-таблицы, соответствующей оптимальному
решению прямой задачи. Таким образом, определив двойственную задачу на основе
стандартной формы прямой задачи, после вычислений симплекс-метода мы авто
матически получаем решение двойственной задачи.
Переменные и ограничения двойственной задачи формируются путем симмет
ричных структурных преобразований прямой задачи по следующим правилам.
1. Каждому из т ограничений прямой задачи соответствует переменная двой
ственной задачи.
2. Каждой из п переменных прямой задачи соответствует ограничение двойст
венной задачи.
3. Коэффициенты при какой-либо переменной в ограничениях прямой задачи
становятся коэффициентами ограничения двойственной задачи, соответст
вующей этой переменной, а правая часть формируемого ограничения равна
коэффициенту при этой переменной в выражении целевой функции.
4. Коэффициенты целевой функции двойственной задачи равны правым частям
ограничений прямой задачи.
Графически эти правила представлены в табл. 4.1.
Таблица 4.1. Формирование двойственной задачи из прямой

Переменные Переменные прямой задачи
двойственной *1 *2 Xj Хп
задачи C1 сг с, Сп
Уі Эц a-iг ... • а,; Зі п to1
Уг а21 322 вг/ Эгп
.
Уп Эт1 3irQ Этп Ьт
j-e ограничение двойственной Коэффициенты целевой
задачи функции двойственной
задачи
Правила, определяющие тип оптимизации и ограничений, а такж е знак пере

менных двойственной задачи, приведены в табл. 4.2. Напомним, что в прямой за
даче все ограничения записаны в виде равенств с неотрицательными правыми час
тями и все переменные неотрицательны.
Таблица 4.2. Правила определения типа оптимизации и ограничений

Целевая функция Двойственная задача
прямой задачи Целевая функция Тип ограничений Переменные
Максимизация Минимизация > Свободные
Минимизация Максимизация < Свободные
Следующие примеры иллюстрируют правила построения двойственной задачи.
Пример 4.1.1
Прямая задача Прямая задача в стандартной форме Двойственные переменные
Максимизировать Максимизировать
г = 5xi + 12x2 + 4 х з z = 5xi + 12хг + 4хз + 0х<
при ограничениях при ограничениях
Xi + 2 X 2 + Х з < 10, Х1 +2X2 + Х з + Х 4 = 10, У1
2xi - хг + Зхз = 8, 2xi - хг + Зхз + 0x4 = 8, уг
xi, хг, хз > 0 . xi, хг, хз, Х4 2: 0.
Д войственная задача
Минимизировать w = Юу, + 8;у2
Уі + 2 У і > 5 ,
2у і - у 2 > 1 2 ,
Уі + 3 у г > 4,
у. + 0 у 2 £ 0, }
} => (у, > 0, у 2 — свободная переменная).
УгУг — свободные
Пример 4.1.2
Прямая задача Прямая задача в стандартной форме Двойственные переменные
Минимизировать z = 15xi + 12хг Минимизировать z = 15xt + 12хг + Охіз + 0X4
Х1 + 2 X2 > 3 , Xt + 2 X2 - Хз + 0X4= 3, У1
2xi - 4X2 < 5, 2xt - 4 X2 + О хз + Х4 = 5, п
X1 ,X 2 > 0. Х1 . Х 2, Хз, Х4 > 0.
Двойственная задача
Максимизировать w = Зу, + Ъу2
У, + 2у2 < 15,
2 у х - ±Уг ^ 12,
-З '^ О С и л и ^ ^ О ),
^J, у2 — свободные переменные (избыточное условие).

Пример 4.1.3
Прямая задача Прямая задача в стандартной форме Двойственные
переменные
Максимизировать г = 5xi + 6x2 Подстановка х , = x,ł - х ~ приводит к задаче:
при ограничениях максимизировать г = 5х,г - 5дг,' + 6 х2
xi + 2хг = 5, при ограничениях

—Xi + 5x2 > 3, jc,+ - jr,~ + 2x2 =5, У1
4xi + 7 x2 < 8 , - X* + Х~ + 5X2 - Хз =3, Уг

xi — свободная, 4х* - 4х~ + 7хг + *4 = 8 , Уз
Х2 > 0. Х; , JC,- , Х2 > 0 .
Двойственная задача
М инимизировать w = 5 ^ + Зу2 + 8у3
У і- ^ + 4 ^ ^ 5
, ^ Л = > У, ~Уг+*Уъ = 5-
- у , + У 2 - 4 у 32 -5
2у, + 5уг + 7у3> 6 ,

- у 2> 0 ^ 2< 0 ,
ух — свободная переменная,
Уг' Уз---свободные переменные (избыточное условие).
Первое и второе ограничения двойственной задачи заменены одним ограничением
в виде равенства. Здесь действует следующее правило: свободной переменной пря
мой задачи соответствует ограничение в виде равенства двойственной задачи, и, на
оборот, ограничению в виде равенства прямой задачи соответствует свободная пе
ременная двойственной задачи.
1. Д ля задачи из примера 4.1.1 запишите двойственную задачу, предполагая,
что определяется не максимум целевой функции, а ее минимум.
2. В примере 4.1.2 сформулируйте двойственную задачу, предполагая, что
в прямой задаче этого примера добавлено третье ограничение Зх, + х 2 —4.
3. На основе задачи из примера 4.1.3 покажите, что даже если изменить тип оп
тимизации (с максимизации на минимизацию целевой функции), то все рав
но свободным переменным прямой задачи будут соответствовать в двойст
венной задаче ограничения в виде равенств.
4. Запишите двойственные задачи для следующих прямых задач ЛП.
a) М аксимизировать z = - 5 х х + 2х2
b ) при ограничениях
2х, + Зх2< 5,
х „ х 2>0.
c) М инимизировать z —бх, + Зх 2
6 х, - З х 2 + х 3> 2 ,
Зх, + 4 х 2+ х 3> 5,
х „ х 2, х 3>0.
d) М аксимизировать z = х г + х 2
2х, + х 2 = 5,
Зх, - х 2 = 6 ,
x v х 2 — свободные переменные.
5. Вернитесь к задаче из примера 4.1.1. Применение симплекс-метода к прямой
задаче ЛП, записанной в стандартной форме, требует введения искусственной
переменной во второе ограничение для получения начального базисного реше
ния. Покажите, что введение искусственной переменной не влияет на построе
ние двойственной задачи, поскольку искусственная переменная прямой задачи
порождает избыточное ограничение двойственной задачи.
6 . Истинны или ложны следующие утверждения?
a) Задача, двойственная к двойственной, совпадает с исходной прямой задачей.
b ) Если в прямой задаче есть ограничение в виде равенства, то соответст
вующая переменная двойственной задачи обязательно будет свободной.
c) Если в прямой задаче ограничение имеет вид неравенства типа “<” , то со
ответствующая переменная в двойственной задаче будет неотрицательной
(неположительной), в зависимости от того, следует в прямой задаче м ак
симизировать или минимизировать целевую функцию.
d) Если в прямой задаче ограничение является неравенством типа “ >” , то со
ответствующая переменная в двойственной задаче будет неотрицательной
(неположительной), в зависимости от того, следует в прямой задаче ми
нимизировать или максимизировать целевую функцию.
e) Свободная переменная прямой задачи порождает в двойственной задаче
ограничение в виде равенства.
7. В следующей таблице приведены правила построения двойственных задач,
которые часто приводятся в литературе по исследованию операций и линей
ному программированию. Покажите, что эти правила являю тся частными
случаями общих правил, приведенных в табл. 4.2.
Задача максимизации Задача минимизации
Опэаничения Пеоеменные
> о <0
< о >0
= о Свободная
Пеоеменные Опэаничения
>0 о >
<0 о <
Свободная о =
4.2. СООТНОШ ЕНИЯ МЕЖ ДУ ПРЯМОЙ И ДВОЙСТВЕННОЙ

ЗАДАЧАМИ
Изменение коэффициентов целевой ф ункции и ограничений задачи ЛП влияет
на оптимальность и допустимость текущего оптимального реш ения. Поэтому не
обходимо выяснить, к а к вычисления в симплекс-методе зависят от изменений
коэффициентов исходной задачи. В частности, следует вы яснить, к а к от этих из
менений зависят оптимальность и допустимость реш ения, представленного в ви
де симплекс-таблицы.
Наиболее компактный способ записи вычислений, производимых при симплекс-
методе, заключается в использовании матриц. Д ля этого в начале данного раздела
приведем краткий обзор действий над матрицами, а затем рассмотрим соотношение
между оптимальными реш ениями прямой и двойственной задач.
4.2.1. Обзор простых матричных операций

Нам необходимы только три элементарные матричные операции: умножение
вектор-строки на матрицу, умножение матрицы на вектор-столбец и умножение ска
ляра (числа) на матрицу. Д ля удобства мы сформулируем определение этих опера
ций, а такж е некоторые другие основополагающие определения . 1
1. М ат рица А порядка т х п — это прямоугольный массив элементов с т
строками и п столбцами.
2. Вектор-строка V размерности п — матрица порядка 1 х п.
3. Вектор-столбец Р размерности т — матрица порядка т х 1.
Эти определения математически можно представить следующим образом.

Ґ Ґ \
аи а, 2 . ■ a L„ ' Р.
“ 2. а 22 ' • а 2п Р2
V = (vp v2, ... ,v„), А = , р=
^ а т1 а т2 ■ а яп J чPm j
Теперь определим три матричные операции умножения.

Г
1. Умножение вектор-строки V на мат рицу А: V х А. Эта операция определе
на только тогда, когда количество элементов в вектор-строке V равно числу
строк в матрице А.
/
\ х А = £ ^ , р £ у д 2, а,,
Например,
1 2
(11, 2 2 , 3 3 ) 3 4 =(1 x 1 1 + 3 x 2 2 + 5 x 3 3 , 2 x 1 1 + 4 x 2 2 + 6 x 3 3 ) = (2 4 2 ,3 0 8 ).
5 6
2. Умножение матрицы А на вектор-столбец Р: А х Р. Эта операция опреде

лена только тогда, когда количество столбцов матрицы А равно количеству
элементов вектор-столбца Р.
1 В приложении А приведен более полный обзор теории матриц.

4.2. Соотношения меиоду прямой и двойственной задачами 147
/ И \
/
Например,
1 3 5 11x1 + 22x3 + 33x5 242

2 4 6 11x2 + 22x4 + 33x6 308
33
4J-v
3. Умножение скаляра на матрицу. При умножении скаляра (константы) а на
матрицу А, СхА, получаем матрицу порядка т х п , у которой (і, ;)-й элемент
равен ааІҐ Например, для а = 10 имеем
В общем случае схА = А а. Этим же свойством обладает операция умножения

вектора на скаляр: aV = V a и a P = P a.
1. Даны следующие матрицы.
V, = (11, 22), V 2 = (-1 , -2 , -3 ).

В каждом из ниже перечисленных примеров укажите, допустима ли такая
матричная операция, и если допустима, вычислите ее результат.
a) AV,.
b ) APj.
c) А Р2.
d) V.A.
e) V 2A.
f) P tP 2.
s) v,p,.
4.2.2. Структура симплекс-таблицы

В главе 3 мы ввели стандартную форму для симплекс-таблиц. Такой формат
симплекс-таблиц будет использоваться и в этой главе.
На рис. 4.1 показано схематическое представление структуры начальной и об
щей симплекс-таблиц. В начальной таблице коэффициенты ограничений под ба
зисными переменными образуют единичную матрицу (в единичной матрице все ко
эффициенты на главной диагонали равны 1, а все внедиагональные — 0). Сохра

н яя ту же структуру таблицы, после серии симплекс-преобразований методом Га
усса-Ж ордана получим то, что называется обратной матрицей. Как будет показано
далее в этой главе, обратная матрица играет ключевую роль при вычислении всех
элементов симплекс-таблиц.
Начальные базисные переменные
z-строка целевой функции □
1 0
Столбцы 0 1
коэффициентов <
ограничений
0 0
Единичная матрица
(Начальная таблица)
Начальные базисные переменные

z-строка целевой функции ■[ = □
Столбцы
коэффициентов <
(Общая таблица)
Р ис. 4.1. С хем ат ическое пр ед ст а влени е на ч а льн о й и общ их си м п лек с-т а б ли ц
1. Вернитесь к таблице с оптимальным решением примера 3.3.1.
a) Определите в этой таблице обратную матрицу.
b ) Покажите, что вектор значений в столбце “ Решение” (без значения z-строки)
равен произведению обратной матрицы на вектор правых частей исход
ных ограничений.
2. Повторите упражнение 1 для последней таблицы примера 3.4.1.
4.2.3. Оптимальное решение двойственной задачи

П рямая и двойственная задачи так тесно взаимосвязаны, что оптимальное ре
шение одной задачи можно получить непосредственно (без дополнительных вычис
лений) из симплекс-таблицы, представляющей оптимальное решение другой. По
кажем два метода получения этого результата.
2
Единичная матрица без дополнительных преобразований образуется только тогда, ко
гда начальный базис составляют дополнительные остаточные переменные. — П рим . ред.
Метод 1
Вектор-строка исходных
Оптимальные значения ' Обратная матрица
коэффициентов целевой функции
двойственных в оптимуме прямой
при базисных переменных
переменных задачи
в оптимуме прямой задачи
Элементы в вектор-строке исходных коэффициентов целевой функции должны
быть перечислены в таком порядке, в каком базисные переменные перечислены
встолбце “ Базис” в симплекс-таблице. Этот метод рассмотрен в примере 4.2.1.
Метод 2
Оптимальное решение двойственной задачи можно получить из следующего
уравнения.
'Коэффициент при j -й ' Разность между левой и правой'
переменной в г-строке частями у-го неравенства
прямой задачи двойственной задачи
Поскольку двойственной к двойственной задаче будет прямая задача (проверьте!),
эти методы симметричны относительно прямой и двойственной задач. Их можно ис
пользовать для определения оптимального решения одной задачи непосредственно из
симплекс-таблицы, содержащей оптимальное решение другой. Данное обстоятельст
во обусловливает возможность проведения вычислений именно по той задаче (прямой
или двойственной), которая требует меньших вычислительных ресурсов (меньший
объем вычислений имеет задача с меньшим количеством ограничений). После нахо
ждения оптимального решения решаемой задачи оптимальное решение обратной за
дачи определяется одним из описанных методов (см. упражнение 4.2.3.1).
Пример 4.2.1
М аксимизировать г = 5xt + 12хг + 4х3
xt + 2х2+ х3< 1 0 ,
2хг - х 2+ Зх3 = 8 ,
^11 х2, ^ j - 0 .
Чтобы подготовить задачу к решению симплекс-методом, надо добавить дополни
тельную остаточную переменную x t в первое ограничение и искусственную пере
менную R во второе. В результате прямая задача и соответствующая ей двойствен
ная будут определены следующим образом.
Прямая задача Двойственная задача

Максимизировать 2 = 5 *i + 1 2хг + 4хз -M R Минимизировать w = 10уі + 8уг
Xl +2X2 + Хз + Х4 = 10, у, + 2уг > 5,
2Х| - хг + Зхз + Я = 8, 2 у і- у 2 >12,
1 хг, хз,
Х , Ха, Я > 0 . уі + Зу2 > 4,
уі > 0, уг > - М (уг — свободная переменная).
В следующей таблице представлены симплекс-итерации решения прямой задачи.
И тераци я Бази с Х1 хг хз Xt R Реш ение
г -5 - 2 М -1 2 + М -4 - 3 М 0 0 -8 М
0 х4 1 2 1 1 0 10
Я 2 -1 3 0 1 8
г -7 / 3 -4 0 / 3 0 0 4 .3 + М 32 / 3
1 х4 1/3 7/3 0 1 -1 / 3 | 22/3
хз 2/3 -1 / 3 1 0 1/3 8/3
г -3 / 7 0 0 40 7 -4 .3 +М 368/7
2 Х2 1/7 1 0 3/7 -1 / 7 22/7
хз 5/7 0 1 1/7 2/7 8 26/7
г 0 0 3/5 29 5 - 2 '5 +М 274/5
3 Х2 0 1 -1 / 5 2/5 -1 / 5 : 12/5
Х1 1 0 7/5 1/5 2/5 J 26/ 5
( 2/5 -1/5^1
Обратная матрица симплекс-таблицы с оптимальным решением имеет вид I I.
Покажем, к ак отсюда определить оптимальное решение двойственной задачи, ис

пользуя методы, описанные в начале раздела.
Метод 1. Заметим, что базисные переменные в оптимальной симплекс-таблице

в столбце “ Базис” записаны в таком порядке, что сначала идет х 2, а затем х,. По
этому в вектор-строке первоначальных коэффициентов целевой функции коэффи
циенты этих двух переменных должны идти в том же порядке:
(вектор коэффициентов) = (коэффициент при х 2, коэффициент при X,) = (12, 5).
Оптимальное решение двойственной задачи вычисляется так:
О/,, Уг)= (вектор коэффициентов) х (обратная матрица) = (12, j = (29/5, -2/5).
Метод 2. Поскольку двойственная задача имеет две переменные, необходимо два

уравнения, чтобы найти их значения. Сначала посмотрим, как ограничения двой
ственной задачи связаны с переменными x t и R, составляющими первоначальный
базис прямой задачи.
Переменная х 4: у х > 0,
Переменная R: у 2> -М .
Из симплекс-таблицы с оптимальным решением имеем
коэффициент в z-строке при х 4 = 29/5,
коэффициент в z-строке при R = - 2 /5 + М .
Теперь, следуя методу 2, получаем систему уравнений
2 9/5 = у , - 0 ^ у, = 29/5,
- 2 /5 + М = у г - ( - М ) =>у 2 = - 2/5.
4.2. Соотношения меяоду прямой и двойственной задачами 151
Отметим, что каж дое уравнение вклю чает только одну неизвестную, поэтому ре
шение двойственной задачи существует всегда и находится легко. Т ак бывает
всегда, когда ограничения двойственной задачи связаны с начальными базисны
ми переменными.
Конечно же, ничего не мешает использовать другие переменные при построении
уравнений, необходимых для определения значений переменных двойственной за
дачи. Например, ограничения, ассоциируемые с переменными xt и х3, порождают
следующие уравнения (проверьте!):
у 1 + 2уг - 5 = 0 ,
у, + З у , - 4 = | .
Решение этой системы уравнений также приводит к оптимальным значениям двойст

венной задачи уг = 29/5 и у2= - 2 /5 . Однако эти уравнения уже не так просты, как
уравнения, ассоциируемые с переменными х4 и R. (Убедитесь самостоятельно, что
уравнения, ассоциированные с любыми двумя переменными из множествахг, х2, ха, х4,
R, дают одни и те же значения переменных двойственной задачи.)
1. С помощью программы TORA решите двойственную к следующей задачу ЛП
и затем найдите оптимальное решение прямой задачи.
М инимизировать z = 5 х г + &х2 + Зх 3
5Xj + 5 х2+ Зх 3 > 50,
х г + х 2- х 3> 2 0 ,
7хх + 6 х2 - 9х3> 30,
5Xj + 5 х 2 + Ъхг > 35,
2Xj + 4 х 2 - 15х3 > 10,
12Xj + 10х 2 > 90,
- х 2- 1 0 х 3 > 20 ,
x v х г, х 3 > 0 .
М аксимизировать z = 5 хх + 2 хг + З х3
Xj + 5 х 2 + 2 х3 = 30,
Xj - 5 х 2 - 6х3< 40,
х 2, х 3> 0 .
О пт имальное решение этой задачи удовлетворяет уравнению (получено из
z-строки симплекс-таблицы)
z + Oxj + 2 3 х2+ 7х3+ (5 + М )х 4+ 0х 5 = 150,
где искусственная переменная x t и дополнительная переменная х 5 входили
в начальное базисное решение. Запишите соответственную двойственную задачу
и найдите ее оптимальное решение, исходя из приведенного уравнения.

М аксимизировать z = де, + 5 х 2+ Здс3
х, + 2 х2+ х 3 = 3,
2 х х - х 2 = 4,
х„ х 2, х 3>0.
a) Запиш ите соответствующую двойственную задачу.
b) Используя информацию о том, что оптимальное базисное решение этой
задачи содержит переменные дс, и х 3, найдите оптимальное решение двой
ственной задачи.
М аксимизировать z = 2дс, + 4 х2 + 4 х3 - Здс4
дс, + х 2+ х 3 = 4,
дс, + 4 х 2 + x t = 8,
х 2, х 3, x t > 0 .
О птимальное реш ение этой задачи удовлетворяет уравнению (получено
из 2 -строки симплекс-таблицы)
2 + 2х} + 0 х 2 + 0 х 3 + Здс4 = 16.
И спользуя эту информацию, найдите оптимальное решение двойственной
задачи.
5. С помощью двойственной задачи найдите допустимое решение следующей
системы неравенств:
2*, + 3* 2 < 12,
-З х , + 2х 2 < -4 ,
3xt - 5х 2 <2,
Xj — свободная переменная,
х 2> 0 .
(Совет. Добавьте к этой системе неравенств тривиальную целевую функцию
максимизироват ь z = Ох, + 0 х 2и решите двойственную задачу.)
6 . Найдите оптимальное значение целевой функции следующей задачи, осно
вываясь только на свойствах ее двойственной задачи (т.е. не применяя сим
плекс-метод к двойственной задаче).
Минимизировать z = Юдс, + 4 х 2+ 5 х3
5 х г - 1 х2+ Здс3 > 50,
* „ х 2, Х3> 0 .
4.2.4. Вычисление симплекс-таблиц

В этом разделе будет показано, как на основе исходных данных задачи вычисля
ется симплекс-таблица и как вычисляется обратная матрица на каждой итерации.
С учетом структуры симплекс-таблиц, показанной на рис. 4.1, все эти вычисления
можно разбить на две группы.
1. Вычисление значений в столбцах ограничений симплекс-таблицы (как ле

вой, так и правой частей ограничений).
2. Вычисление значений в 2 -строке.
Вычисление значений в столбцах ограничений. На произвольной симплекс-

итерации значения коэффициентов в столбцах левой и правой частей ограничений
вычисляются по следующей формуле 1 .
Столбец коэффициентов
( Обратная матрица4) f Столбец ИСХОДНЫХ ''j
на і-й итерации
на /-й итерации J (^коэффициентов ограниченийJ
Вычисление значений z-строки. На произвольной симплекс-итерации значения

коэффициентов в z-строке вычисляются по следующей формуле 2 .
'"Коэффициент при j -й ^ Значение левой Значение правой ^
переменной в z-строке части j -то неравенства части j -го неравенства
прямой задачи двойственной задачи двойственной задачи
Отметим, что формула 2 такая же, какая используется в методе 2 (раздел 4.2.3)
для определения оптимального решения двойственной задачи.
Пример 4.2.2
На основе задачи из примера 4.2.1 покажем, как использовать формулы 1 и 2. Из
оптимальной симплекс-таблицы этой задачи получаем
2/5 -1/5
обратная матрица =
1/5 2/5
С помощью формулы 1 вычислим коэффициенты в столбцах ограничений опти
мальной симплекс-таблицы.
Столбец коэффициентов Обратная матрица Столбец исходных
ограничений, соответствующий из оптимальной коэффициентов ограничений,
переменной л:, симплекс-таблицы соответствующий переменной хи
га-сн:
Аналогично вычисляю тся другие столбцы коэффициентов ограничений.
Столбец коэффициентов 2/5
ограничении, соответствующий
переменной х2
1/5 2/5 Г 1-1
Столбец коэффициентов 2/5 -1/5 -1/5

ограничений, соответствующий
1/5 2/5 7/5
переменной Jt3
Столбец коэффициентов 2/5 -1/5 2/5

ограничений, соответствующий
1/5 2/5 1/5
переменной хл
' Столбец коэффициентов '

ограничений, соответствующий 2/5 _1/5 I X I ° I = Г 175
1/5 2/5 J Ы [2І5
переменной R
Столбец коэффициентов 'j _ f - O _ ( У 5 “ 1/5'j х pO'j _ ( 12/5^1

правых частей ограничений^ ^ ^ 1/5 2/5 J ^8J ^26/5 J
Теперь применим формулу 2 для вычисления коэффициентов в г-строке. Опти

мальные значения двойственных переменных (j/p у 2) = ( 2 9 / 5 ,- 2 / 5 ) вычислены
в примере 4.2.1 двумя различными методами. Эти значения используются для вы
числения коэффициентов в 2 -строке.
Коэффициент при х х = 1/, + 2у2 - 5 = 29/5 + 2 х (-2 /5 ) - 5 = 0.
Коэффициент при х 2= 2j/, - у 2 - 12 = 2х(29/5) - (-2 /5 ) - 1 2 = 0.
Коэффициент при х 3= i/j + Зу2- 4 = 29/5 + З х (-2 /5 ) - 4 = 3/5 .
Коэффициент при x t = у г - 0 = 29 /5 - 0 = 29/5.
Коэффициент при R = у 2- (- М ) = - 2 / 5 - (-М ) = - 2 /5 + М .
Важно отметить, что формулы 1 и 2 можно применять на любой симплекс-
итерации как к прямой, так и к двойственной задаче.
1. В задаче из примера 4.1.2 с помощью программы TORA (выполнив команду
Iterations o M -m eth od ) определите элементы симплекс-таблицы первой итера
ции. Затем с помощью формул 1 и 2 найдите значения всех элементов опти
мальной симплекс-таблицы.
М аксимизировать г = 4 х 1+ 14х2
2 * ,+ 7 * ,+ *, = 21,
7 х{+ 2 хг + x t = 2 1 ,
х г, х 2, х 3, x t >0.
Проверьте оптимальность и допустимость следующих базисных решений.
1/7 0)
a) Базисные переменные (х 2, дс4), обратная матрица =
-2 / 7 1
0 1/2
b) Базисные переменные (х 2, х 3), обратная матрица =
1 -7 / 2
х « Г 7/ 4 5 -2 / 4 5 )
с) Базисные переменные (х2, дс,), обратная матрица = I ^j .
1/2 0'
d) Базисные переменные (хр x t), обратная матрица =
-7 / 2 1,

М аксимизировать z = Зле, + 2 х2+ 5х3
х х + 2 хг + х 3 + x t = 30,
Зле, + 2 хг + х й= 60,
дс, + 4 х 2+ х 6 = 20,
х х, х 2, х 3, х 4, х &, х 6^ 0 .
Проверьте оптимальность и допустимость следующих базисных решений.
( 1 - 1/2 0 ^|
а) Базисные переменные (дс4, х 3, х 6),обратная матрица = 0 1/2 0
0 0 1,
1/4 -1/8 1/8

Ь) Базисные переменные (х 2, х 3, х,), обратная матрица = 3/2 -1/4 -3/4
-1 1/2 1/2 J
Ґ\/2 -1/4 0^
с) Базисные переменные (х 2, х 3, х 6), обратная матрица = 0 1/2 0
-2 1 1

М инимизировать z = 2х, + х 2
Зле, + х 2- х 3 = 3,
4 х х+ З х 2- х 4= 6 ,
х { + 2 х г + х й= 3,
х х, х 2, х 3, х 4, х 5> 0 .
Вычислите симплекс-таблицу, соответствующую следующему базисному
решению, и проверьте его оптимальность и допустимость.
' 3/5 -1/5 O')
Базисные переменные (дс,, х 2, x s), обратная матрица = -4/5 3/5 0
[ 1 -1 1 ,
М аксимизировать z = 5 х х + 12х2+ 4 х3
х х + 2 х 2+ х 3+ х 4 = 1 0 ,
2 х х - х 2+ Здс3 = 2,
х 2, х 3, x t >0.
а) Найдите наилучшее решение среди следующих базисных допустимых
решений.
- і/з ї
i) Базисные переменные (дс4, дс3), обратная матрица =
,0 1/3 J *
^2/5 - 1/ 5'
ii) Базисные переменные (х2, дс,), обратная матрица =
<1/5 2/5.
3 /7 —1/7 j
iii) Базисные переменные (х 2, дс3), обратная матрица =
.1/7 2 /7 У
Ь) Присутствует ли среди них оптимальное решение?

6 . В следующей таблице представлено оптимальное решение задачи максими
зации с тремя ограничениями типа “ <” и неотрицательными переменными х }
и х 2. Переменные х 3, x t и х й являю тся дополнительными (остаточными) пе
ременными, соответствующими ограничениям задачи. Двумя различными
способами, используя целевые функции прямой и двойственной задач, най
дите оптимальное значение целевой функции исходной задачи.
Базис Х\ хг Хз Ха *5 Решение
z 0 0 0 3 2 ?
Хз 0 0 1 1 -1 2
хг 0 1 0 1 0 6
Х\ 1 0 0 -1 1 2
7. Рассмотрите следующую задачу ЛП.

М аксимизировать z = 5 х х + 2 х г + Здс3
х х + 5 хг + 2 х3< Ьг,
х , - 5хг - 6 дс3 < Ь2,
х 2, х 3>0.
Определите значения констант и Ь2, при которых симплекс-таблица
с оптимальным решением имеет следующий вид.
Базис *1 хг Хз *4 Хь Решение
z 0 a 7 d е 150
*1 1 Ь 2 1 0 30
*5 0 с -8 -1 1 10
Константы a 'b , с, d и е можно найти на основе данных исходной задачи

и условий оптимальности и допустимости реш ения, представленного
в симплекс-таблице.
a) Найдите значения правых частей неравенств исходной задачи, т.е. кон
станты b, и Ь2.
b) Найдите значения констант а, Ь, с, d, е.
c) Найдите оптимальное решение двойственной задачи.
8 . Дана следующая задача ЛП.
М аксимизировать z = 2 х х + 4 х г + 4 х 3 - Здс4
х х + х 2 + х 3 = 4,
jCj + 4 х 2 + х 4 = 8,
x v х 2, х 3, x t > 0 .
С помощью двойственной задачи проверьте, что базисное решение (хр х 2) не
оптимально.
4.2.5. Значения целевых функций прямой и обратной задач

В отношениях двойственности задач ЛП, если одна задача является задачей макси
мизации, то вторая обязательно является задачей минимизации. С этой точки зрения
существует такое соотношение между значениями целевых функций двух задач.
Д ля любой пары допустимых решений прямой и двойственной задач
В точке оптимума это соотношение принимает вид строгого равенства.

Отметим, что в этом соотношении не указывается, какая задача прямая, а какая
двойственная — здесь важен только тип оптимизации.
Пример 4.2.3
В примере 4.2.1 прямая и двойственная задачи имеют допустимые решения х{ —О,
л:2= 0, *3 = 8/3 и у, = 6 , у г = 0. Для этих решений значения целевых функций соответст
венно равны г = 3 2 /3 и w = 60. Для оптимальных решений х, = 26/5, х2= 12/5, х3 = 0
и Vj = 29/5, у2= -2 /5 имеем z = w = 54,8. Таким образом, приведенные значения целевых
функций подтверждают сформулированное соотношение.
Из соотношения следует, что для всех допустимых решений прямой и двойствен
ной задач значения целевой функции задачи минимизации всегда будут верхним
пределом значений целевой функции задачи максимизации. Таким образом, ите
рационное решение задачи максимизации ведет к возрастанию значений целевой
функции, а итерационное решение задачи минимизации — к ее убыванию. В итоге,
при успешном завершении процессов вычисления прямой и двойственной задач
приходим к точке “ равновесия” , где значения целевых функций задач максимиза
ции и минимизации становятся равными.
1. Определите интервалы изменения значений целевой функции в следующих
задачах ЛП.
а) М инимизировать г = 5х, + 2 х г
х г- х 2> 3,
2 х х + Здс2> 5,
х„ х 2> 0 .
Ь) М аксимизировать z = х х + 5 х 2 + З * 3
х , + 2х2+ дс3 = 3,
2 х х - х 2 = 4,
х 2, х 3>0.
с) Максимизировать z = 2 х х + х 2
- х 2< 1 0 ,
2*, < 40,
* 1, дс2 > 0 .
d) М аксимизировать г = Зх, + 2 х г
2 * ,+ * ,< 3 ,
Зл^ + 4 дс2> 12,
*„ х 2> 0 .
2. В упражнении 1, а обозначим через j/t и у г переменные двойственной задачи.
Определите, какая из следующих пар решений прямой и двойственной задач
является оптимальной.
a) х х = 3, х 2= 1; i/j = 4, j/2 = 1.
b) *, = 4, х г = 1 ; у 1= 1 ,у г = 0.
c) х { = 3, х 2= 0; = 5, у 2= 0.
4.3. ЭКОНОМИЧЕСКАЯ ИНТЕРПРЕТАЦИЯ ДВОЙСТВЕННОСТИ

Задачу линейного программирования можно рассматривать как модель распре
деления ограниченных ресурсов, в которой целевая функция, отображающая при
быль или доход от производственной деятельности, подлежит максимизации. Если
рассматривать задачу ЛП с этой точки зрения, соответствующая ей двойственная
задача получает интересную экономическую интерпретацию.
Чтобы формализовать рассматриваемый вопрос, приведем еще раз общее пред
ставление прямой и двойственной задач, причем прямая задача будет играть роль
модели распределения ресурсов.
Исходя из модели распределения ресурсов, прямая задача отображает п видов
экономической (производственной) деятельности и возможности получения т ре
сурсов. В прямой задаче коэффициент cj представляет собой прибыль на единицу
продукции у-го вида экономической деятельности, причем на единицу продукции
этого вида деятельности расходуется atj единиц ресурса і, максимальные запасы ко
торого ограничены величиной bt.

к т
Максимизировать z= Минимизировать w= V,
м і»!
«
^ a ^ X j <bn i = l, 2 І А У‘ ~ сг J = l'2....п'
/-і <=1
Xj> 0, ]= 1, 2, п. у,-> 0, /= 1, 2, т.
4.3.1. Экономическая интерпретация переменных двойственной задачи

Соотношение из раздела 4.2.5 устанавливает, что для любой пары допустимых
решений прямой и двойственной задач значения (конечные) их целевых функций
удовлетворяют неравенству
я т
z = H cixi - И ьіУі = w-
j*l
Строгое равенство здесь достигается только тогда, когда решения прямой и двойст
венной задач оптимальны.
Рассмотрим сначала вариант оптимума, т.е. когда z = w. Исходя из представления
прямой задачи как модели распределения ресурсов, можно считать, что величина
z соответствует величине дохода (в долларах3). Поскольку b — общее доступное ко
личество ресурса і, равенство z = w можно переписать следующим образом.
Доход (долл.) = (количество ресурса і) х (доход (долл.) на единицу ресурса і).
Это означает, что переменная у, двойственной задачи долж на представлять

стоимость единицы ресурса і. (Данное понятие уж е вводилось в разделе 2.3.3, ис
ходя из графического представления задачи Л П .) В литературе по исследованию
операций переменные у, двойственной задачи часто называю т двойственными
ценами. Кроме того, иногда их именуют теневы м и ценами и симплексны ми
м ультипликаторами.
Аналогично для любой пары допустимых решений прямой и двойственной за
дач неравенство z < w можно интерпретировать следующим образом:
доход < общая стоимость ресурсов.
Это соотношение показы вает, что до тех пор, пока суммарный доход от всех
видов деятельности строго меньше суммарной стоимости всех используемых ре
сурсов, реш ение к ак прямой, так и двойственной задачи не может быть опти
мальным. Оптимум (максимальны й доход) может быть достигнут только тогда,
когда все потребляемые ресурсы использованы полностью. Если модель ЛП рас
сматривать более обще к ак модель некой системы, имеющую “ вход” и “ выход” ,
то потребляемые ресурсы характеризую т “ вход” этой системы, а получаемый до
х од — ее “ выход” . Система будет находиться в нестабильном (неоптимальном)
состоянии, пока вход превыш ает выход. Устойчивое состояние системы характе
ризуется равенством входа и выхода.
Пример 4.3.1
Приведем формулировки прямой и двойственной задач, описывающие модель про
изводства компании Reddy M ik k s из примера 2.1.1.
Максимизировать z= 5хі + 4хг Минимизировать w = 24уі + буг + уз + 2уд

6xi + 4хг ^ 24 (ресурс 1, сырье М1), буї + У2 - уз £ 5,
Хі + 2хг < 6 (ресурс 2, сырье М2), 4уі + 2уг + уз + уд > 4,
—Хі + Хг < 1 (ресурс 3), У1, У2, Уз, У4 £ 0.
х2 < 2 (ресурс 3),
Х\ , Хг > 0.
Оптимальное решение: Оптимальное решение:

Хі = 3 , Хг = 1,5, 2 = 21 уі = 0,75, уг = 0,5, уз = у4 = 0, w= 21
3 Читатель вместо долларов может, конечно, подставить любую другую денежную едини
цу — это не принципиально для понимания изложенного материала. — П р и м . ред.
Напомним вкратце, что в этой модели описывается производство двух видов краски
(для внутренних и наружных работ) на основе двух видов сырья M l и М2 (ресурсы 1 и 2)
с учетом рыночных условий, выражаемых третьим и четвертым ограничениями. Зада
ча состоит в определении объемов производства красок каждого вида (в тоннах), при
которых будет получен максимальный доход (в тыс. долл.).
Оптимальное решение двойственной задачи показывает, что стоимость единицы
первого ресурса (сырье M l) составляет у1 = 0,75 (или 750 долл. за тонну), а второго
(сырье М2) — у2 = 0,5 (или 500 долл. за тонну). В разделе 2.3.3 мы графически по
казали, что приведенные значения стоимостей справедливы, если значение первого
ресурса не выходит из интервала (20, 36), а второго — из интервала (4, 6,67) (эти
же результаты алгебраически будут получены в разделе 4.5.1). Таким образом,
расход сырья M l может возрасти с 24 до 36 тонн, что приведет к соответствующему
увеличению дохода на величину 12 х 750 = 9000 долл. Аналогично количество вто
рого ресурса (сырье М2) можно увеличить с 6 до 6,67 тонн с увеличением дохода на
величину 0,67 х 500 = 335 долл. Но еще раз напомним, что подобные расчеты при
менимы только тогда, когда увеличение числа используемых ресурсов не выходит
за приведенные выше интервалы значений. Конечно, это не означает, что количе
ство используемых ресурсов в принципе не может выходить за указанны е пределы.
Однако приведенные выше стоимости ресурсов определены только для ситуации,
когда количество этих ресурсов не выходит за указанны е пределы.
Д ля третьего и четвертого ресурсов двойственные цены (оптимальное решение
двойственной задачи) равны нулю. Это указывает на то, что данные ресурсы неде-
фицитны. Поэтому их стоимость равна нулю.____________________________________
1. В задаче из примера 4.3.1 подсчитайте оптимальный доход при выполнении
следующих условий.
a) Ограничение для первого ресурса: 6 * t + 4 х г < 22.
b) Ограничение для второго ресурса: х г + 2 х г < 4,5.
c) Четвертое ограничение: х г < 10.
2. Электротехническая компания NWAC производит четыре типа кабеля для
оборонного ведомства. Каждый тип кабеля подвергается четырем последова
тельным операциям: разделка, пайка, оплетка и проверка. В следующей таб
лице приведены данные, характеризующие производство кабелей.
Тип Затраты времени на изделие (в минутах) Доход

кабеля Разделка Пайка Оплетка Проверка (ДОЛЛ.)
SC320 10,5 20,4 3,2 5,0 9,40

SC325 9,3 24,6 2,5 5,0 10,80
SC340 11,6 17,7 3,6 5,0 8,75
SC370 8,2 26,5 5,5 5,0 7,80
Ежедневный фонд рабочего 4800,0 9600,0 4700,0 4500,0

времени (в минутах)
Оборонное ведомство гарантирует для компании минимальный уровень про

изводства в 100 единиц каждого типа кабеля.
a) Сформулируйте задачу линейного программирования и с помощью про

граммы TORA найдите ее оптимальное решение.
b ) Основываясь на двойственных ценах, приведенных программой TORA,
определите возможное увеличение ежедневного фонда времени по каждой
технологической операции.
c) Выгодно ли компании выполнение требования заданного минимального
уровня производства? Обоснуйте ответ, основываясь на величинах двой
ственных цен.
d) Возможно ли увеличение на 10% временного фонда операции пайки с со
хранением величины ее вклада в суммарный доход, определяемый теку
щей двойственной ценой?
3. Компания производит кож аные чехлы и сумки. Н а производство одного чех
ла требуется 8 м 2 кожи и 1 2 часов рабочего времени, на производство сум
ки — 2 м 2 кожи и 5 часов рабочего времени. Текущие еженедельные ресурсы
производства ограничены 1200 м 2 кожи и 1850 часами рабочего времени.
Компания продает чехлы и сумки по цене 350 и 120 долл. соответственно.
Определите для этой компании схему производства, максимизирующую чис
тую прибыль. Допустим, компания желает расширить свое производство.
Какова максимальная цена, по которой компании имеет смысл закупать до
полнительную кожу? А какова допустимая максимальная цена дополни
тельных трудовых ресурсов?
4.3.2. Экономическая интерпретация ограничений

двойственной задачи
Для интерпретации ограничений двойственной задачи используем формулу 2 из
раздела 4.2.4. В соответствии с этим соотношением на любой итерации решения
прямой задачи справедливо равенство
w
коэффициент при х. в г-строке = ^а,,у, - с, ■
/=1
Условие оптимальности симплекс-метода в задаче максимизации говорит о том,
что у'-й вид деятельности (переменная х :), не представленный в текущем базисном ре
шении, можно ввести в базис для увеличения дохода только тогда, когда коэффици
ент при х. в г-строке (равный ~Cj) будет неотрицательным. В рамках предла
гаемой экономической интерпретации это означает, что у-й вид деятельности должен
быть представлен в базисном решении, если выполняется следующее неравенство.
^Стоимость всех ресурсов, используемых'' Доход от реализации
для производства единицы продукции единицы продукции
7-го вида деятельности у-го вида деятельности
Таким образом, условие оптимальности (в задаче максимизации) говорит о том,

что деятельность любого вида следует наращивать до тех пор, пока доход от нее
превышает возможные издержки.
Приведем стандартные определения, используемые в литературе по линейному
программированию. Введем обозначение z.: = a:jyt . Величина z. представляет сум
марную стоимость ресурсов, используемых на производство единицы продукции у-го
вида деятельности. Величина z. - с. равна коэффициенту при х. в z-строке симплекс-
таблицы и часто называется приведенной стоимостью (приведенными издержками)
у-го вида деятельности. В некоторых случаях разности 2; - с; = ]Га,;у, - с; используют-

»=1
ся непосредственно для вычисления коэффициентов в г-строке симплекс-таблицы
(вместо метода Гаусса-Ж ордана). Такие вычисления используются в модифициро
ванном симплекс-методе (этот метод описан в главе 7).
Пример 4.3.2
Фабрика игрушек TOYCO собирает три вида игрушек: модели поездов, грузовиков
и легковых автомобилей; при сборке каждого вида используется три типа операций.
Ежедневный фонд рабочего времени на каждую операцию ограничен предельными ве
личинами 430,460 и 420 минут. Доход на одну игрушку каждого вида составляет соот
ветственно 3, 2 и 5 долл. На каждой из трех операций для сборки модели поезда тре
буется 1, 2 и 1 минуты рабочего времени. Соответствующее время для сборки моделей
грузовиков и легковых автомобилей составляет (2 ,0 , 4) и (1, 2 ,0 ) минут (нуль указы
вает на то, что соответствующая операция не выполняется).
Обозначив через лг,, х 2 и х 3 количество собираемых ежедневно моделей трех видов,
получаем прямую и двойственную задачи ЛП.

Максимизировать z= 3 *i + 2хг + 5 х 3 Минимизировать w = 430уі + 460уг + 420уз
х і + 2хг + х з < 430 (операция 1), у і + 3 уг + у з ^ 3,
3*1 + 2 * з < 460 (операция 2), 2уі + 4уз > 2,

X: + 4X2 < 420 (операция 3), yi + 2у2 > 5,
х і , х г, хз > 0. У і.У г , У з ^ О .
Оптимальное решение Оптимальное решение

хі = 0, хг = 100, хз = 230, z = 1350 долл. у, = 1 , уг = 2, уз = 0, w = 1350 долл.
Оптимальное решение предусматривает производство моделей грузовых (х 2 — 100)

и легковых (х 3= 230) автомобилей и требует отказа от производства моделей поездов
(jt, = 0). Это означает, что в текущей экономической ситуации производство моделей
поездов нерентабельно. Вместе с тем, рынок игрушек требует выпуска этого вида мо
делей. К ак сделать их производство доходным? В соответствии с экономической ин
терпретацией задач ЛП, приведенной в этом разделе, производство моделей поездов
будет выгодным только тогда, когда будет выполняться неравенство Z , < с,. Д ля вы
полнения этого неравенства нужно либо повысить коэффициент с, (доход от продажи
одной модели поезда), например путем увеличения цены модели, либо снизить стои
мость ресурсов Z, (= у, + 3уг + у3), необходимых для производства этих игрушек. Уве
личение цены игрушек не желательно, так как это снизит их конкурентоспособность
на рынке игрушек. Уменьшение величины коэффициента более привлекательно,
поскольку для этого надо просто сократить время выполнения операций, необходи
мых для производства моделей поездов. Обозначим через г„ гг и г3 величины, пропор
циональные долям сокращения времени соответствующих операций. Эти величины
находим из условия, чтобы новая стоимость производственных операций не превы
ш ала доход от одной модели поезда. Это условие записывается следующим образом.
1(1 - г1)у1+ 3(1 - г2)у2 + 1(1 - г3)у3 < 3
После подстановки значений y t = 1, у2 = 2 и y z = 0 получим следующее неравенство

(проверьте!): г, + 6 г2> 4.
Таким образом, любые значения величин г, и г2, от 0 до 1, удовлетворяющие нера
венству г, + 6 г2 > 4, приведут к доходности производства моделей поездов. Напри
мер, для значений г, = 0,6 и гг = 0,6 получаем z, - с, = 4 - 0,6 - 6x0,6 = -0 ,2 . Вместе
с тем отметим, что сокращение времени выполнения второй операции в 6 раз эф
фективнее сокращ ения времени выполнения первой операции.
1. В задаче из примера 4.3.2 предположим, что время выполнения второй опе
рации при сборке модели поезда сокращено с 3 до 1,25 минуты. На сколько
должно быть сокращено время выполнения первой операции, чтобы произ
водство этой игрушки стало доходным?
2. В задаче из примера 4.3.2 предположим, что фабрика игрушек рассматрива
ет возможность производства еще одного вида игрушки — модели пожарной
машины. При сборке этой модели первая операция не используется, а вторая
и третья требуют соответственно 1 и 3 минуты для сборки одной модели. До
ход от одной модели пожарной машины составляет 4 долл. Посоветуете ли
вы фабрике производить эти игрушки?
3. Компания использует токарные и сверлильные станки для производства четы
рех типов деталей: РР1, РР2, РРЗ и РР4. В следующей таблице представлены
технологические данные, характеризующие производство этих деталей.
Время обработки одного

Станок изделия (минуты) Фонд машинного
РР1 РР2 РРЗ РР4 времени (минуты)
Токарный 2 5 3 4 5300
Сверлильный 3 4 6 4 5300
Доход от одного изделия (долл.) 3 6 5 4
Д ля тех изделий, которые не войдут в оптимальное базисное решение, опре

делите степень уменьшения оптимального дохода при увеличении их произ
водства на единицу.
4. Рассмотрите оптимальное решение задачи из предыдущего упражнения.
Компания подсчитала, что с помощью специальны х мероприятий можно
уменьшить общее время производства изделий, не вошедших в оптималь
ное базисное реш ение, на 20% . Будет ли после этого производство таких
изделий рентабельно? Если нет, то на сколько следует сократить время
производства данны х изделий?
4.4. РАЗНОВИДНОСТИ СИМ ПЛЕКС-М ЕТОДА

В симплекс-методе, описанном в главе 3, решение задачи начинается с некото
рого допустимого базисного решения. На последующих итерациях осуществляется
переход такж е к допустимым базисным реш ениям с постепенным улучш ением
значения целевой функции, пока не будет достигнута точка оптимума. Такой алго
ритм иногда называют прямы м симплекс-методом.
В этом разделе рассмотрим две другие разновидности симплекс-метода: двойст
венный симплекс-метод и обобщенный симплекс-метод. В двойственном симплекс-
методе решение задачи ЛП начинается с недопустимого, но лучшего, чем оптималь
ное, решения. Последовательные итерации этого метода приближают решение к об
ласти допустимости без нарушения оптимальности (точнее, “ супероптимальности” )
промежуточных решений. Когда будет достигнута область допустимых решений,
процесс вычислений заканчивается, так к ак последнее решение будет оптималь
ным. В обобщенном симплекс-методе комбинируются элементы прямого и двойст
венного методов. Начальное решение в этом методе будет и неоптимальным, и не
допустимым. На последующих итерациях базисные решения могут быть как
допустимыми, так и недопустимыми. На последней итерации решение должно
быть и оптимальным, и допустимым (если, конечно, такое решение существует).
Эти три алгоритма — прямой, двойственный и обобщенный — дают основу для
проведения анализа чувствительности, как будет показано в разделе 4.5.
4.4.1. Двойственный симплекс-метод

Так ж е, к ак и в прямом симплекс-методе, основная проблема двойственного
симплекс-метода состоит в том, чтобы на каж дой итерации получить
“ правильное” базисное реш ение. Д ля реализации двойственного симплекс-
метода разработаны следующие два условия, выполнение которы х гарантирует
оптимальность последовательных промежуточных реш ений и приближение их
к области допустимых реш ений.
Двойственное условие допустимости. В качестве исключаемой переменной х г выби
рается базисная переменная, имеющая наибольшее по абсолютной величине отрица
тельное значение. Если таких переменных несколько, то выбор произволен. Если все
базисные переменные неотрицательные, процесс вычислений заканчивается.
Двойственное условие оптимальности. Вводимая в базис переменная определя
ется к ак переменная, на которой достигается следующий минимум:
где г) - су— коэффициент в г-строке симплекс-таблицы, соответствующий пере

менной x jy arj — отрицательный коэффициент из симплекс-таблицы, расположен
ный на пересечении ведущей строки (соответствующей исключаемой переменной
х г) и столбца, соответствующего небазисной переменной х;. При наличии несколь
ких альтернативных переменных выбор делается произвольно. Отметим, что двой
ственное условие оптимальности гарантирует достижение оптимального решения.
Чтобы существовало начальное оптимальное (“ супероптимальное” ) и недопус
тимое решение, необходимо выполнение двух условий.
1. Целевая функция долж на удовлетворять условию оптимальности обычного
симплекс-метода (см. главу 3).
2. Все ограничения должны быть неравенствами типа “ <” .
Второе условие можно удовлетворить простым умножением на -1 неравенств типа

“ >” . Если есть ограничения в виде равенств, то эти равенства заменяются на два не
равенства. Например, равенство х, + х 2= 2 эквивалентно двум неравенствам
я , + х 2 < 2 , я , + jc2 > 2 ,
или X, + х 2 <2, -я , - х 2< -2 .
После преобразования всех ограничений в виде неравенств типа “<” начальное

недопустимое решение возможно тогда и только тогда, когда по крайней мере в од
ном неравенстве правая часть будет строго отрицательной. В противном случае
двойственный симплекс-метод не применяется, поскольку возможное начальное
решение уж е оптимально и допустимо.
Пример 4.4.1
Дана следующая задача ЛП.
Минимизировать z = Зх, + 2х2
Зх, + х2 > 3,
4х, + Зх2 > 6 ,
х, + х 2 < 3,
х,, х2 > 0 .
Сначала первых два неравенства умножаются на -1 , чтобы привести их к неравенст
вам типа Начальная симплекс-таблица этой задачи имеет следующий вид.
Б ази с *1 хг хз Хл *5 Реш ение
z -3 -2 0 0 0 0
Хз -3 -1 1 0 0 -3
Хл -4 -3 0 1 0 -6
*5 1 1 0 0 1 3
Поскольку Zj - Cj < 0 для всех 7 = 1 ,..., 5, начальное базисное решение (х3 = -3 , хА= - 6,
х6= 3) является оптимальным и недопустимым.
Двойственное условие допустимости указывает на переменную х4 (= - 6 ) как на ис
ключаемую из базиса. Теперь применим двойственное условие оптимальности для
определения вводимой переменной. Д ля этого используем следующую таблицу.
Перем енны е х\ хг хз xs
г-с тр о к а (Zj - с,) - 3 - 2 О О О
Xt-с тр о к а , щ j - 4 - 3 0 1 0
z ,-с , 2 Z. ~~
Отношение —------- , . , ■
Приведенные отношения показывают, что вводимой переменной будетх2. Отметим, что

переменные х будут кандидатами на включение в базисное решение только тогда, когда
коэффициент a4j будет строго отрицательным. По этому критерию переменные х3, х4 и х5
не рассматриваются как кандидаты на включение в базис.
Следующая таблица получена с помощью известных операций над строками, при

меняемых в прямом симплекс-методе.
Бази с X1 *2 *3 ха хъ Реш ение
z -1 / 3 0 0 -2 / 3 0 4
*3 -5 / 3 0 1 -1/3 0 -1
хг 4/3 1 0 -1 / 3 0 2
*5 -1 / 3 0 0 1/3 1 1
О тнош ени е ' 1/5 — — 2 —
Последняя таблица показывает, что из базиса исключается переменная х3 и вводит

ся .г,. В результате получаем следующую симплекс-таблицу.
Базис X1 хг *3 ха хъ Реш ение
z 0 0 -1 / 5 -3 / 5 0 21/ 5
Х\ 1 0 -3 / 5 1/5 0 3/5
хг 0 1 4/5 -3 / 5 0 6/5
*5 0 0 -1 / 5 2/5 1 6/5
Решение, представленное в последней таблице, допустимо (и оптимально), поэтому

вычисления заканчиваются. Это решение имеет вид .г, = 3/5, х 2 = 6 /5 и г = 21/5.
На рис. 4.2 показана последовательность шагов двойственного симплекс-метода

при решении задачи из примера 4.4.1. Алгоритм начинается в крайней точке А
(которой соответствует недопустимое, но “ лучше, чем оптимальное” решение), за
тем он переходит к точке В (которой такж е соответствует недопустимое, но
“ лучше, чем оптимальное” решение) и заканчивается в точке С, уже принадлежа
щей области допустимых решений.
Программа TORA позволяет выполнять двойственный симплекс-метод в пошаговом
режиме. Для этого 'В меню SOLVE/MODIFY выберите команду SolveÂlgeraic^
Iterations^ Dual Simplex (Р еш и ть^ Алгебраически ^И терации ^Двойственный сим
плекс-метод). Помните, что сначала надо ограничения в виде равенств преобразо
вать в неравенства. Неравенства типа “ >” преобразовывать в противоположные не
равенства не нужно, поскольку TORA автоматически выполнит преобразование
задачи к виду, необходимому для применения двойственного симплекс-метода. Ес
ли задача не удовлетворяет начальным требованиям для применения двойственно
го симплекс-метода, то на экране появится соответствующее сообщение. Как
и в обычном симплекс-методе, здесь в пошаговом режиме TORA позволяет вручную
указывать вводимые и исключаемые переменные.
1. На рис. 4.3 показано пространство решений, соответствующее задаче мини
мизации целевой функции z = 2jc, + х 2. Предполагается, что поиск решения
выполняется двойственным симплекс-методом; оптимальное решение соот
ветствует точке F = (0,5, 1,5).
а) Если начальное базисное (недопустимое) решение соответствует точке G,

будет ли алгоритм двойственного симплекс-метода проходить через точки
G, Е , F7 Обоснуйте это.
Ь) Если начальное базисное (недопустимое) решение соответствует точке L,

определите на рис. 4.3 возможную последовательность точек, через кото
рые будет проходить алгоритм двойственного симплекс-метода для дос
тиж ения оптимального реш ения в точке F.
2. Решите следующие задачи двойственным симплекс-методом с помощью про
граммы TORA и определите на графически представленном пространстве
решений этих задач последовательность точек прохождения алгоритма двой
ственного симплекс-метода для достижения оптимального решения.
a) М инимизировать z = 2лс, + Зх 2
2х, + 2хг < 30,
X, + 2 хг > 1 0 ,
х 2> 0 .
b) М инимизировать z = 5jc, + 6 х 2
jc, + х 2> 2 ,
4jc, + х 2 > 4,
jc,, x 2> 0 .
c) М инимизировать z = 4x^ + 2 x 2
JC, + x 2 = 1 ,
Зле, - x 2> 2,
jc,, x 2> 0 .
d) М инимизировать z = 2jc, + 3x 2
2jc, + x 2> 3,
X, + x 2 = 2 ,
jc,, x 2> 0 .
3. Д войст венны й Симплекс-метод с искусст венными ограничениями. Дана
следующая задача ЛП.
М аксимизировать z = 2 x t - х 2+ х 3
2jc, + Зх 2 - 5х3> 4,
-X, + 9jc2 - j c 3 > 3,
4jc, + 6 х 2 + Зх 3 < 8 ,
x 2>x 3> 0 .
Начальное базисное решение содержит дополнительные переменные х 4, х 5 и х6
и является недопустимым, поскольку х 4= - 4 и х 5 = -3 . Но непосредственное
применение двойственного симплекс-метода невозможно, так как переменные х,
и х 3 не удовлетворяют условию оптимальности для задачи максимизации. По
кажите, что введение искусственного ограничения х, + х3< М (где М — доста
точно большое положительное число и такое, что данное неравенство не сужает
область допустимых решений исходной задачи) и последующее использование
его как ведущей строки симплекс-таблицы позволяют получить оптимальную

г-строку путем выбора переменной х, в качестве вводимой. Таким образом ста
новится возможным применить двойственный симплекс-метод к модифициро
ванной задаче с искусственным ограничением.
4. Используя процедуру введения искусственного ограничения, описанную
в предыдущем упражнении, решите двойственным симплекс-методом сле
дующие задачи ЛП. Во всех задачах укаж ите, будет окончательное решение
допустимым, недопустимым или неограниченным.
a) Максимизировать г = 2 х ъ
- я , + 2хг - 2хъ> 8 ,
- я , + х 2 + х 3< 4,
2 jc, - х г + 4х 3 < 1 0 ,
^11 ^"2* ^"3 “

b) Максимизировать г = х, - Злс2
X, - х г<2,
je, +jc 2 >4,
2 х, - 2хг > 3,
X,, х 2> 0 .
c) М инимизировать г —-jc, + х г
я, - 4 х 2 > 5,
X, - Злс2 < 1 ,
2 х , - 5 х 2 > 1,
я,, х 2> 0 .
d) М аксимизировать г = 2 хъ
- я , + З х 2 - 7 х 3> 5,
х, -Их 2 —х 3^ 1 ,
Зх, + х 2- 1 0 х 3 < 8 ,
JCj, х 2, х 3 > 0 .
5. Решите следующую задачу ЛП тремя различными методами (используя
в качестве инструмента программу TORA). Определите, какой метод будет
наиболее эффективным при вычислениях.
Минимизировать г = бх, + Чх2+ Злс3 + 5х 4
5jc, + 6jc2 - 3jc3 + 4 x ą > 12,
x 2- 5x 3 - 6 x 4 > 1 0 ,
2Xj + 5 jc2+ jc3 + jc, > 8,
jc,, x 2, x z, > 0.
4.4.2. Обобщенный симплекс-метод

В прямом симплекс-методе (см. главу 3) начальное решение допустимо, но не оп
тимально. В двойственном симплекс-методе данное решение оптимально (точнее,
“ супероптимально” ), но не допустимо. Возникает естественный вопрос: можно ли
начать решение задачи ЛП с неоптимального и недопустимого решения? Мы видели,
что в прямом симплекс-методе при отсутствии допустимого начального решения ис
пользуются искусственные переменные. В двойственном симплекс-методе при отсут
ствии оптимального начального решения такж е применяются искусственные огра
ничения. Хотя задача этих процедур и состоит в обеспечении автоматического
выполнения вычислений, необходимо не терять из виду основную идею симплексных
алгоритмов, а именно то, что оптимальное решение задачи ЛП достигается в одной из
крайних (угловых) точек пространства допустимых решений. С учетом этих замеча
ний можно разработать симплексный алгоритм решения задач ЛП, в котором на
чальное решение будет и неоптимальным, и недопустимым. Следующий пример по
казывает, как можно обобщить симплексный алгоритм.
Пример 4.4.2
Рассмотрим задачу из упражнения 4.4.1.4, а. В качестве начальной таблицы можно
принять следующую симплекс-таблицу, где представлено начальное решение
(х4, х ь, х6), которое не оптимально (из-за переменной х3) и не допустимо (так как х 4 = - 8).
(Заметим, что в этой таблице первое равенство умножено на -1 для того, чтобы пока
зать недопустимость решения непосредственно в столбце “ Решение” .)
Базис X1 хг хз Ха Хъ Хв Решение
z 0 0 -2 0 0 0 0
Ха 1 -2 2 1 0 0 -8
Хъ -1 1 1 0 1 0 4
2 -1 4 0 0 1 10
Решение задачи ЛП без использования каких-либо искусственных переменных или

ограничений может быть следующим. Сначала освобождаемся от свойства недопус
тимости базисного решения путем применения версии двойственного условия допус
тимости. В нашем примере это приведет к выбору переменной х 4 в качестве исклю
чаемой из базиса. Чтобы определить вводимую переменную, надо найти в .^-строке
строго отрицательный коэффициент, соответствующий небазисной переменной. Вы
бор вводимой переменной можно осуществить без удовлетворения требования опти
мальности решения, так как в данном случае это не существенно (сравните с двой
ственным условием оптимальности). В результате получим следующую таблицу.
Базис X1 хг хз Ха Хъ Хв Решение
z 0 0 -2 0 0 0 0
Ха -1 /2 1 -1 -1 /2 0 0 4
хъ -1 /2 0 2 1/2 1 0 0
3/2 0 3 -1 /2 0 1 14
Решение в последней таблице допустимо, но не оптимально. Далее можно исполь

зовать прямой симплекс-метод для получения оптимального реш ения. В общем
случае, если на очередной итерации полученное решение неопустимо, то описанная
процедура повторяется до тех пор, пока не будет получено допустимое решение.
Далее основное внимание уделяется оптимальности реш ения путем применения
условия оптимальности прямого симплекс-метода.
Пример 4.4.2 показывает гибкость симплексного метода. В литературе описано

большое количество вариаций симплекс-метода (например, метод одновременного
решения прямой и двойственной задач, симметричный, перекрестный и мультип
лексный методы), причем создается впечатление, что каж ды й из них существенно
отличается от других, тогда как все они просматривают экстремальные точки про
странства решений с различной степенью автоматизации вычислений и вычисли
тельной эффективности.
1. Задача ЛП из упраж нения 4.4.1.4, с не имеет допустимого решения. Пока
жите, что это свойство задачи ЛП можно определить с помощью обобщенного
симплексного алгоритма.
2. Задача ЛП из упражнения 4.4.1.4, d не имеет ограниченного решения. По
кажите, что это свойство задачи ЛП можно определить с помощью обобщен
ного симплексного алгоритма.
4.5. АНАЛИЗ ЧУВСТВИТЕЛЬНОСТИ ОПТИМ АЛЬНОГО РЕШЕНИЯ

Анализ чувствительности оптимальных решений задач ЛП на элементарном
уровне рассмотрен в разделе 2.3. В этом разделе, используя соотношения двойст
венности и матричное представление симплексных вычислений, мы проведем ана
лиз чувствительности значительно глубже.
Анализ чувствительности выполняется уж е после получения оптимального ре
шения задачи ЛП. Его цель — определить, приведет ли изменение коэффициентов
исходной задачи к изменению текущего оптимального реш ения, и если да, то как
эффективно найти новое оптимальное решение (если оно существует).
В общем случае изменение коэффициентов исходной задачи может привести
к одной из следующих четырех ситуаций.
Результат изменения исходной задачи Рекомендуемые действия
Текущее базисное решение остается Никаких действий не производится

оптимальным и допустимым
Текущее решение становится недопустимым Используется двойственный симплекс-метод
для восстановления допустимости решения
Текущее решение становится неоптимапьным Используется прямой симплекс-метод для
восстановления оптимальности решения
Текущее решение становится неоптимальным Используется обобщенный симплекс-метод
и недопустимым для получения нового решения
Первые три ситуации рассмотрены в этом разделе. Четвертая ситуация как ком
бинация второй и третьей представлена в комплексной задаче 4.3.
Д ля объяснения различных процедур анализа чувствительности используем

модель фабрики игрушек TOYCO из примера 4.3.2. Напомним, что фабрика TOYCO
собирает три вида детских игрушек: модели поездов, грузовиков и легковых авто
мобилей. Сборка модели каждого вида требует последовательного применения трех
операций. В задаче необходимо определить объемы производства каждого вида иг
рушек, максимизирующие общий доход. Д ля удобства изложения материала по
вторим формулировки прямой и двойственной задач.
Максимизировать z = Зхі + 2хг + 5*з Минимизировать w = 430уі + 460уг + 420уз

хі + 2хг + хз < 430 (операция 1), Уі + Зу2 + Уз > 3,

3*1 + 2х3 < 460 (операция 2), 2уі + 4уз > 2,
х\ + 4хг < 420 (операция 3), Уі + 2 у г > 5,

*1, хг , хз > 0. У и У і,У з > 0 .
Оптимальное решение Оптимальное решение

*1 = 0, хг = 100, хз = 230, z= 1350 долл. уі = 1, у2 = 2, уз = 0, w= 1350 долл.
Приведем симплекс-таблицу, содержащую оптимальное решение прямой задачи.
Базис Xi хг хз Х4 Х5 хв Решение
z 4 0 0 1 2 0 1350
х2 -1/4 1 0 1/2 - 1 /4 0 100

х3 3/2 0 1 0 1/2 0 230
хв 2 0 0 -2 1 1 20
4.5.1. Изменения, влияющие на допустимость решения

К недопустимости текущего оптимального решения может привести, во-первых,
изменение правых частей ограничений и, во-вторых, введение в множество ограни
чений задачи нового ограничения. В любом случае недопустимость решения проявит
ся в том, что по крайней мере один элемент в правой части ограничений
в оптимальной симплекс-таблице (столбец “ Решение” ) станет отрицательным,
т.е. одна или несколько базисных переменных примут отрицательные значения.
Изменение правы х частей ограничений. Изменение правых частей ограничений
исходной задачи требует повторных вычислений правых частей ограничений
в симплекс-таблице, для чего используется формула 1 из раздела 4.2.4.
Новый столбец правых ^ Обратная матрица ^ 'Новый столбец правых'
частей ограничений в = из симплекс-таблицы X частей ограничений
^симплекс-таблице на і-й итерации на і-й итерации исходной задачи ,
Напомним, что в столбце правых частей ограничений симплекс-таблицы

(столбец “ Решение” ) приводятся значения базисных переменных. В следующем
примере показано применение приведенной формулы.
Пример 4.5.1
Предположим, что фабрика игрушек TOYCO планирует расширить производство
своей продукции путем увеличения возможностей сборочных линий на 40%, что
даст следующий фонд рабочего времени для каждого вида сборочной операции:
602, 644 и 588 минут соответственно. Эти изменения влияют только на правые час
ти неравенств ограничений (и на оптимальное значение целевой функции). Н ахо
дим новое базисное решение задачи.
- -- 0
'6 0 2 ) '1 4 0 '
644 = 322
00
00
Ul
^28,
Таким образом, текущ ие базисные переменные х 2, х 3 и х 6 с новыми значениями

140, 322 и 28 по-прежнему составляют допустимое реш ение. Соответствующее
этому решению оптимальное значение целевой ф ункции (максимальны й доход)
равно 1890 долл.
Хотя новое решение и приводит к увеличению дохода фабрики, реализация меро
приятий, необходимых для такого наращ ивания производства, требует определен
ного времени. Временной альтернативой такой модернизации производства может
служить “ перенос” неиспользуемого фонда рабочего времени третьей операции
(х6 = 20 минут) в фонд первой. Тогда фонд рабочего времени трех сборочных опера
ций будет равен 450, 460 и 400 минут соответственно. С учетом новых ограничений
получаем следующее решение.
- — 0
х2' 2 4 '450' '110
х3 = 1 . 460 = 230
о
О
1
2 ,400,
1
О
1-2 1 \)
Полученное решение не является допустимым, поскольку теперь х6 = -4 0 . Для воз

врата в область допустимых решений применим двойственный симплекс-метод. Сна
чала изменим значения в столбце “ Решение” симплекс-таблицы (эти новые значения
выделены в следующей симплекс-таблице). Отметим, что соответствующее значение
целевой функции равно г = 3 х 0 + 2 х 1 1 0 + 5 х 230 = 1370 долл.
Базис *1 х2 *3 Ха хь *6 Решение
z 4 0 0 1 2 0 1370
хг - 1 /4 1 0 1/2 - 1 /4 0 110
хз 3/2 0 1 0 1/2 0 230
Хв 2 0 0 -2 1 1 -4 0
В соответствии с двойственным симплекс-методом исключаемой переменной будет х 6,

а вводимой — х 4. В результате получим следующую симплекс-таблицу с оптималь
ным допустимым решением. (В общем случае для получения допустимого решения
может потребоваться несколько итераций двойственного симплекс-метода.)
Базис *1 *2 хз xą *5 хв Решение
2_________________ 5__________ 0__________ 0__________ 0_________ 5/2________ 1/2__________ 1350
х2 1/4 1 0 0 0 1/4 100

х3 3/2 0 1 0 1/2 0 230
Х4 -1 0 0 1 -1 /2 -1 /2 20
По существу, оптимальное решение осталось неизменным. Это означает, что в дан

ном случае “ перенос” части фонда рабочего времени третьей операции в фонд рабо
чего времени первой операции не приводит к улучшению целевой функции.
1. В модели для фабрики TOYCO 20-минутная часть фонда рабочего времени
третьей операции перенесена в фонд рабочего времени второй операции.
Улучшит ли это оптимальное решение?
2. Предположим, что фабрика TOYCO планирует изменить фонды рабочего
времени сборочных операций следующим образом.
оО
'450'
оо
а) 500 , Ь) 400 , с) 800 , d) 700

,400, “ О, v2 0 0 j <350,
Воспользуйтесь возможностями анализа чувствительности, чтобы найти оп
тимальное решение.
3. Вернитесь к модели предприятия Reddy Mikks из примера 2.1.1. Ее симплекс-
таблица с оптимальным решением приведена в примере 3.3.1. Используя анализ
чувствительности, найдите новое оптимальное решение этой задачи, предпола
гая, что ограничения на сырье M l и М2 составляют 28 и 8 тонн соответственно.
4. Птицефабрика Ozark содержит 20 000 цыплят, которых выращивают до 8 -недель
ного возраста и затем отправляют на рынок. В следующей таблице представлен
недельный расход корма на одного цыпленка в зависимости от его возраста.
Неделя , 1 2 3 4 5 6 7 8
Расход корма (фунты) 0,26 0,48 0,75 1,00 1,30 1,60 1,90 2,10
Для того чтобы цыплята к 8 -й неделе могли достичь определенного веса, их ра
цион должен удовлетворять определенным требованиям к калорийности. Хотя
обычно список кормов очень большой, мы ограничимся тремя основными ин
гредиентами: известняк, зерно и соевая мука крупного помола. Требования
к качественному составу рациона такж е ограничим только тремя показателя
ми: кальций, белок и клетчатка. В следующей таблице приведены обобщенные
данные по их содержанию в кормовых ингредиентах.
Содержание веществ (фунт/фунт ингредиента) Стоимость

Ингредиент Кальций Белок Клетчатка (долл ./фунт)
Известняк 0,380 0,00 0,00 0,12

Зерно 0,001 0,09 0,02 0,45
Соевая мука 0,002 0,50 0,08 1,60
Кормовой рацион должен содержать:

а) кальция — не менее 8 и не более 1 2 %,
б) белка — не менее 2 2 %,
в) клетчатки — не более 5%.
Составьте оптимальный кормовой рацион для каждой недели.
Интервалы допустимых изменений для коэффициентов правых частей ограни
чений. Другой способ исследовать влияние изменения доступности ресурсов (т.е. ко
эффициентов правых частей неравенств ограничений) — определить интервалы до
пустимости для этих коэффициентов, сохраняющих текущее решение допустимым.
Следующий пример иллюстрирует данный метод анализа чувствительности.
Пример 4.5.2
Пусть в задаче о фабрике игрушек TOYCO нас интересует интервал допустимости
для значения фонда рабочего времени первой операции. Заменим вектор коэффи
циентов правых частей ограничений вектором
'4 3 0 + 0,^
460
V 420 ,
Переменная D, представляет изменение фонда рабочего времени первой операции
по сравнению с текущим уровнем в 430 минут. Текущее базисное решение останет
ся допустимым, если все базисные переменные останутся неотрицательными. От
сюда получаем следующую систему неравенств.
Г ! -1 о!
ро 2 4 '430 + 0 ,) 100 + - ^ ( °)
о1
X,3 = 1 460 __ 0
о
'1
О
230
г
\" Ь /
2 ч 420
— / 42 0 -2 D ,J
0
,-2 1 1,
Первое неравенство х2> 0 порождает D, > -200, второе неравенство х3> 0 не зависит от D,,
третье х6> 0 дает условие D, < 10. Таким образом, текущее базисное решение останется
допустимым при выполнении неравенств -200 < D, < 10. Это эквивалентно следующему
интервалу допустимости для фонда рабочего времени первой операции.
430 - 200 < Фонд рабочего времени операции 1 < 430 + 10
или
230 < Фонд рабочего времени операции 1 < 440.
Изменение значения целевой функции, соответствующее изменению Dv равно D j v
где у, — стоимость (в долларах) одной минуты фонда рабочего времени первой опе
рации (т.е. двойственная цена этого ресурса).
Чтобы проиллюстрировать использование данного интервала допустимости, предпо
ложим, что фонд рабочего времени первой операции изменился от 430 до 400 минут.
Текущее базисное решение остается допустимым, поскольку новое значение фон
да рабочего времени первой операции принадлеж ит интервалу допустимости.
Д ля вычисления новых значений переменных воспользуемся значением D, = 400

- 430 = -3 0 . Д алее получим следующее.
/ \ \
00
V 100+ -(-30)
2
*3 = = 230
230
00
О
Ч-О 20 - 2(—30)
Для вычисления нового значения целевой функции сначала найдем значения двойст
венных цен, для чего применим метод 1 из раздела 4.2.3, т.е. используем формулу
Вектор-строка исходных
Оптимальные значения Обратная матрица
коэффициентов целевой функции
двойственных в оптимуме прямой
при базисных переменных
переменных У задачи
в оптимуме прямой задачи
На основании этой формулы получаем
— —- о
Ь г л -л М 2’5’0) =( 1, 2,0).
о
-2
Таким образом, стоимость одной минуты фонда рабочего времени первой операции
равна у, = 1 долл. Тогда изменение оптимального дохода составит Dlyl = -3 0 х 1 =
= -3 0 долл. Следует помнить, что данная стоимость минуты фонда рабочего времени
первой операции, равная у , = 1 долл., справедлива только для указанного выше ин
тервала изменения D,. Любое изменение, выходящее за этот интервал, приводит
к недопустимому решению. В таком случае следует использовать двойственный сим-
плекс-метод для поиска нового решения, если оно существует.
Аналогичную процедуру можно использовать при определении интервалов допус
тимости для переменных D2 и D3, равных изменению фондов рабочего времени вто
рой и третьей сборочных операций (см. упражнение 4.5.2.1). Определение интерва
лов допустимости для Dv D2 и D3, как описано выше, и их соотношения
с переменными у ,, у, и Уз двойственной задачи корректны только тогда, когда эти
ресурсы рассматриваются независимо друг от друга. Далее мы рассмотрим воз
можность одновременного изменения всех трех ресурсов, в этом случае текущий
вектор коэффициентов правых частей ограничений необходимо заменить на вектор
с элементами 430 + D,, 460 + D2 и 420 + D3(упражнение 4.5.2.2).
1. Пусть в задаче о фабрике игрушек TOYCO переменные D2 и D3 представляют
изменения фондов рабочего времени второй и третьей операций.
a) Определите интервалы для D2 и D3, гарантирующие допустимость текуще
го реш ения. Предполагается, что изменения фондов рабочего времени
каждой операции выполняются по отдельности.
b ) Определите стоимость одной минуты фондов рабочего времени второй
и третьей операций.
c) Пусть фонд рабочего времени второй операции изменен от текущего зна

чения 460 минут до 500 минут. Найдите новое оптимальное решение и оп
ределите соответствующее изменение значения целевой функции.
d) Пусть фонд рабочего времени третьей операции изменен от текущего зна
e) Пусть фонд рабочего времени третьей операции изменен от текущего зна
2. Пусть в задаче о фабрике игрушек TOYCO изменения D3, D 2 и D3 фондов ра
бочего времени всех операций производятся одновременно.
a) Сформулируйте условия для переменных D3, Dz и D3, гарантирующие до
пустимость текущего оптимального решения.
b) Пусть фонды рабочего времени всех трех операций изменены до 438, 500 и 410 ми
нут соответственно. На основании условия, найденного в предыдущем пунк
те, покажите, что текущее базисное решение останется допустимым.
С помощью двойственных цен найдите изменение значения целевой функции.
c) Пусть фонды рабочего времени всех трех операций изменены до 460, 440
и 380 минут соответственно. На основании условия, найденного в п. а, пока
жите, что текущее базисное решение будет недопустимым. С помощью двой
ственного симплекс-метода найдите новое оптимальное решение.
3. Вернитесь к модели фабрики игрушек TOYCO.
a) Предположим, что стоимость дополнительного времени, выделяемого для
первой сборочной операции сверх текущего фонда времени в 430 минут,
равна 50 долл. за час. В эту стоимость входит оплата сверхурочных работ
персонала и стоимость машинного времени. Будет ли экономически целесо
образным использовать дополнительное время для первой операции?
b) Пусть на второй сборочной операции оператор может ежедневно работать два
часа сверхурочно с оплатой 45 долл. за каждый час. Стоимость дополнитель
ного машинного времени составляет 10 долл. за час. Будет ли экономически
целесообразным использовать дополнительное время для второй операции?
c) На каких условиях экономически целесообразно использовать дополни
тельное время для третьей операции?
d) Предположим, что фонд рабочего времени первой операции увеличен до
440 минут, но любое превышение текущего фонда этой операции (430 ми
нут) стоит 40 долл. за час. Найдите новое оптимальное решение, включая
значение целевой функции.
e) Предположим, что фонд рабочего времени второй операции уменьшен на
15 минут. Стоимость одного часа этой операции равна 30 долл. (в течение
обычной рабочей смены). Будет ли экономически целесообразным
уменьшение фонда рабочего времени для второй операции?
4. Компания производит бумажники, кошельки и небольшие рюкзаки. Конструк
ция всех трех видов изделий предусматривает использование кожи и синтетиче
ских материалов, причем кожа является дефицитным материалом. В производ
ственном процессе используется два вида ручных работ: прошивка и зачистка.
В следующей таблице приведены данные, характеризующие производственный
процесс, потребность в ресурсах и доход на единицу производимого изделия.
Ресурсы, необходимые для изготовления Ежедневный

одного изделия лимит
Ресурс Бумажник Кошелек Рюкзак ресурса
Кожа (кв. футы) 2 1 3 42

Прошивка (часы) 2 1 2 40
Зачистка (часы) 1 0,5 1 45
Отпускная цена (долл.) 24 22 45
Сформулируйте задачу линейного программирования и найдите ее опти

мальное решение с помощью программы TORA. Д ля приведенных ниже из
менений в предельных значениях доступных ресурсов определите, какие из
них сохраняют допустимость текущего реш ения. В случае сохранения допус
тимости решения найдите новое оптимальное решение (т.е. значения пере
менных задачи и значение целевой функции).
a) Ежедневный лимит кожи возрос до 45 кв. футов.
b) Ежедневный лимит кожи уменьшился на 1 кв. фут.
c) Фонд рабочего времени операции прошивки изменился до 38 часов.
d) Фонд рабочего времени операции прошивки изменился до 46 часов.
e) Фонд рабочего времени операции зачистки уменьшился до 15 часов.
f) Фонд рабочего времени операции зачистки увеличился до 50 часов.
g) Следует ли рекомендовать компании набор временных рабочих на опера
цию прошивки с оплатой 15 долл. в час?
5. Компания производит две модели электронных устройств, при изготовлении
которых используются резисторы, конденсаторы и микросхемы. В следующей
таблице приведены данные, характеризующие производство этих моделей.
Количество комплектующих на одно Лимит

изделие комплектующих
Ресурс Модель 1 Модель 2 (шт.)
Резистор г 2 3 1200
Конденсатор 2 1 1000
Микросхема 0 4 800
Доход на одно изделие (долл.) 3 4
Обозначим через х, и х 2 количество производимых устройств моделей 1 и 2

соответственно. Ниже приведена сформулированная задача ЛП и соответст
вующая симплекс-таблица с ее оптимальным решением.
Максимизировать z = Зх, + 4х 2
2 х, + Зх 2< 1200 (ограничение на резисторы),
2 х, + х г < 1000 (ограничение на конденсаторы),
4х 2< 800 (ограничение на микросхемы),
х„ х 2> 0 .
Базис XI хг S1 S2 S3 Решение
z 0 0 5/4 1/4 0 1750
*1 1 0 - 1 /4 3/4 0 450
S3 0 0 -2 2 1 400
хг 0 1 1/2 - 1 /2 0 100
a) Определите статус каждого ресурса (комплектующего).

b ) В терминах оптимального дохода определите стоимость одного резистора,
одного конденсатора и одной микросхемы.
c) Найдите интервал применимости двойственных цен для каждого ресурса.
d) Найдите новое оптимальное решение при возрастании числа доступных
резисторов до 1300.
e) Если количество доступных микросхем будет уменьшено до 350, можно
ли будет найти новое оптимальное решение непосредственно из приведен
ной выше информации? Обоснуйте свой ответ.
f) В п. с был определен интервал допустимости для доступного количества ис
пользуемых конденсаторов. На основе этих данных определите соответст
вующий интервал изменения оптимального дохода и соответствующие интер
валы изменения количества производимых изделий первой и второй моделей.
g) Новый контракт позволяет компании закупить дополнительное число рези
сторов по 40 центов за единицу, но только при условии, что закупочная пар
тия составит не менее 500 единиц. Выгоден ли компании такой контракт?
6 . Компания для производства двух видов продукции имеет ежедневный фонд
рабочего времени 320 часов и 350 единиц расходных материалов (сырья).
При необходимости ком пания может позволить 10 часов сверхурочной ра
боты с оплатой 2 долл. за час. На изготовление одной единицы продукции
первого вида требуется 1 час рабочего времени и 3 единицы сырья, а на из
готовление одной единицы продукции второго вида — 2 часа рабочего вре
мени и 1 единица сырья. Доход от одной единицы этих продукций составля
ет соответственно 10 и 12 долл. Обозначим через х, и х г ежедневные объемы
. производства продукции первого и второго видов, а через х 3— количество
используемых сверхурочных часов. Ниже приведена сформулированная за
дача ЛП и соответствующая симплекс-таблица с оптимальным решением.
М аксимизировать г = 10х, + 12х 2 - 2 х3
х, + 2х 2 - х 3< 320 (ограничение на фонд рабочего времени),
Зх, + х г < 350 (ограничение на сырье),
х 3< 10 (ограничение на сверхурочные работы),
х л, х 2, х 3>0.
Базис *1 хг хз S1 S2 S3 Решение
z 0 0 0 26/5 8/5 16/5 2256
хг 0 1 0 3/5 -1 /5 3/5 128
*1 1 0 0 -1 /5 215 - 1 /5 74
*3 0 0 1 0 0 1 10
a) Найдите оптимальное решение этой задачи.

b ) Определите двойственные цены ресурсов и их интервалы допустимости.
c) Найдите двойственные цены для фонда рабочего времени и сверхурочных
работ. Могут ли эти цены быть одинаковыми? Обоснуйте.
d) Компания может увеличить объем сверхурочных работ за дополнитель
ную плату 2 долл. за час. Сколько часов такой сверхурочной работы мо
жет ввести компания?
e) Компания ежедневно может получать дополнительный объем сырья в 100
единиц по цене 1,50 долл. Стоит ли компании использовать этот резерв
сырья? А если стоимость дополнительного сырья будет 2 долл. за единицу?
f) Предположим, что компания вынуждена сократить складские площади
для сырья и поэтому ежедневно не может использовать более 200 единиц
сырья. Найдите для этой ситуации новое оптимальное решение.
g) Предположим, что компания не может ежедневно использовать более
8 часов сверхурочной работы. Найдите новое оптимальное решение.
7. Достаточное правило допустимости. Это упрощенное правило можно ис
пользовать для проверки того, что одновременные изменения Dv Dz, ..., Dm
элементов вектора правых частей неравенств ограничений сохранят допусти
мость текущего решения. Предположим, что правая часть b: і-го ограничения
была изменена на 6, + £)., причем независимо от изменения правых частей дру
гих ограничений, и соответствующий интервал допустимости р , < D, < <?, рассчи
тан так, как показано в примере 4.5.2. Очевидно, что р,< 0 (q: > 0), поскольку
величина p t {q) соответствует максимальному уменьшению (возрастанию)
значения Ьг Положим г, равным или отношению D Jpt, или D Jqt, в зависимо
сти от того, будет ли величина D. отрицательной или положительной. По оп
ределению 0 < г, < 1. Достаточное правило допустимости гласит, что для дан
ных изменений £),, D2, ..., Dmдостаточным (не необходимым) условием того,
что текущее решение останется допустимым, будет выполнение неравенства
гх + гг + ... + г т <1. Если это условие не выполняется, то текущее решение
может быть как допустимым, так и недопустимым. Сформулированное пра
вило неприменимо, если D, выходят из своих интервалов допустимости.
В действительности достаточное правило допустимости является очень сла
бым критерием** допусти мости решения и на практике применяется редко.
Д аж е в том случае, когда допустимость решения может быть подтверждена
с помощью этого правила, все равно для получения нового оптимального ре
ш ения будет использовано условие допустимости прямого симплекс-метода
(как в упражнении 2 ).
Примените данное правило к задачам b и с из упражнения 2. В задачей дос
таточное правило допустимости не может подтвердить допустимость реше
ния, а в задаче с оно не применимо. Следующее упражнение должно подтвер
дить наши утверждения относительно этого правила.
8 . Дана следующая задача ЛП.
М аксимизировать z = x t + х 2
2 хх + х 2< 6 ,
х, + 2хг < 6 ,
х,, х 2> 0 .
a) Покажите, что оптимальное базисное решение содержит обе переменные х,

и х г, и что интервалы допустимости для правых частей ограничений, полу
ченные при условии их независимости, имеют вид - 3 <£), < 6 и -3 <DZ< 6 .
b) Предположим, что правые части ограничений одновременно увеличива
ются на величину Д > 0. Сначала докажите, что базисное решение остается
допустимым для всех Д > 0. Далее покажите, что достаточное правило до
пустимости дает правильный ответ только тогда, когда 0 < Д < 3, не дает
ответа при 3 < Д < 6 , и не применимо — когда Д > 6 .
9. Покажите, что достаточное правило допустимости из упражнения 7 является
следствием неравенства
Добавление новых ограничений. Добавление нового ограничения в существую

щую модель ЛП может привести к одной из следующих ситуаций.
1. Новое ограничение является избыточным. Это означает, что новое ограниче
ние выполняется при текущем оптимальном решении.
2. Новое ограничение не выполняется при текущем оптимальном решении.
В этом случае необходимо применить двойственный симплекс-метод, чтобы
получить (или хотя бы попытаться получить) новое оптимальное решение.
Отметим, что добавление неизбыточного нового ограничения может только
ухудшить текущее оптимальное значение целевой функции.
Пример 4.5.3
Предположим, что фабрика игрушек TOYCO изменила конструкцию выпускаемых
моделей, и теперь для их производства необходима четвертая сборочная операция.
Ежедневный фонд рабочего времени этой операции составляет 500 минут. Время вы
полнения этой операции при сборке одной игрушки различных видов составляет со
ответственно З, 1 и 1 минуту. В результате получаем новое ограничение: Зх, + хг +
+ х3< 500. Это ограничение является избыточным, поскольку оно удовлетворяется
при текущем оптимальном решении = 0, х2= 100 и х3= 230. Таким образом, теку
щее оптимальное решение остается неизменным.
Теперь предположим, что в модели фабрики игрушек TOYCO время выполнения
новой четвертой операции составляет соответственно 3, 3 и 1 минуту при сборке
одной игрушки каждого вида. В этом случае четвертое ограничение Зх, + Зхг +
+ х3< 500 не будет избыточным, и текущее оптимальное решение ему не удовлетво
ряет. Мы должны ввести новое ограничение в симплекс-таблицу, где представлено
текущее оптимальное решение.
Базис * хг *3 Хі, Хъ Х7 Решение

z 4 0 0 1 2 0 1 0 1350
хг -1 /4 1 0 1/2 - 1 /4 0 0 100
хз 3/2 0 1 0 1/2 0 0 230
Хв 2 0 0 -2 1 1 0 20
X1 3 3 1 0 0 0 1 500
Поскольку переменные х 2 и х 3 являю тся базисными, из х7-строки следует исклю

чить соответствующие им коэффициенты (т.е. надо сделать их нулевыми). Д ля это
го необходимо выполнить следующую операцию.
Новая л:7-строка = старая х.-строка - [З X (л:2-строка) + 1 X (х,-строка)]
В результате получим новую симплекс-таблицу.
Базис *1 хг хз Xi *5 хв Ху Решение
z 4 0 0 1 2 0 0 1350
хг -1 /4 1 0 1/2 -1 /4 0 0 100
хз 3/2 0 1 0 1/2 0 0 230
хв 2 0 0 -2 1 1 0 20
Xl 9/4 0 0 -3 /2 1/4 0 1 -3 0
С помощью двойственного симплекс-метода находим новое оптимальное решение

я, = 0, хг = 90, х3= 230 и г = 1330 долл. (проверьте!).
1. Пусть в модели фабрики игрушек TOYCO время выполнения четвертой опе
рации составляет соответственно 4, 1 и 2 минуты при сборке одной игрушки
каждого вида. Найдите оптимальное решение задачи, предполагая, что фонд
рабочего времени четвертой операции составляет а) 570 минут, Ь) 548 минут.
2. Вторичные ограничения. Вместо решения задачи ЛП с учетом всех ограниче
ний можно сначала определить так называемые вторичные ограничения и на
первом этапе решения задачи исключить их из рассмотрения. Вторичными ог
раничениями являются те, которые, как мы подозреваем, лиш ь в малой степе
ни влияют (или совсем не влияют) на оптимальное решение. После определе
ния такие ограничения исключаются из множества ограничений задачи,
и далее решается задача только с оставшимися ограничениями. Затем по очереди
проверяются вторичные ограничения. Если полученное ранее оптимальное
решение удовлетворяет вторичному ограничению, такое ограничение отбрасы
вается совсем. Ё противном случае оно вводится в множество ограничений за
дачи и продолжается поиск нового оптимального решения. Этот процесс вы
полняется до тех пор, пока не исчерпаются все вторичные ограничения.
Примените описанную процедуру к следующей задаче ЛП.
М аксимизировать z = 5 x t + 6 х2 + Зх 3
5х, + Ъх2+ Зх 3 < 50,
х, + х 2 - х 3< 2 0 ,
7х, + 6 х2 - 9х3< 90,
5х, + Ьх2 + 5х3< 35,
1 2 *, + 6х2<90,
х 2 - 9 х 3< 20,
х 2, х 3> 0 .
4.5.2. Изменения, влияющие на оптимальность решения

В этом разделе рассмотрим два фактора, которые могут изменить оптималь
ность текущего реш ения.
1. Изменение коэффициентов целевой функции.
2. Добавление в модель нового вида производственной деятельности (т.е. добав
ление новой переменной).
Изменение коэффициентов целевой функции. Эти изменения влияют только на
оптимальность реш ения. Для определения влияния изменений коэффициентов це
левой функции следует пересчитать коэффициенты в 2 -строке только для небазис
ных переменных, поскольку для базисных переменных эти коэффициенты всегда
остаются равными нулю.
Вычислительная процедура заключается в следующем.
1. С использованием методов 1 и 2 из раздела 4.2.3 вычисляются значения
двойственных переменных.
2. На основе значений двойственных переменных по формуле 2 из раздела 4.2.4
вычисляю тся коэффициенты 2 -строки.
При этом возможны два варианта.
1. Если для новой 2-строки условие оптимальности выполняется, текущее реше
ние остается оптимальным, но значение целевой функции может измениться.
2. Если условие оптимальности не выполняется, следует применить прямой
симплекс-метод для получения нового оптимального решения.
Пример 4.5.4
Предположим, что фабрика игрушек TOYCO проводит новую ценовую политику
относительно своих изделий. В соответствии с этим доход от одной модели поезда,
грузовика и легкового автомобиля составляет соответственно 2, 3 и 4 долл. Получа
ем новую целевую функцию для этой модели
максимизировать z = 2х, + Зх2 + 4х3.
Таким образом,
новые коэффициенты при базисных переменных х2, х3и х 6= (3, 4, 0).
По формулам метода 1 из раздела 4.2.3 вычислим значения двойственных пере
менных.
'
— —- о
2
(Л.У2.Л) =(3.4.0) і 1
о 2’ 4’
-2
Коэффициенты 2 -строки вычисляю тся как разности между значениями левых

и правых частей ограничений двойственной задачи (формула 2 из раздела 4.2.4).
Напомним, что эти коэффициенты пересчитываются только для небазисных ко
эффициентов, поскольку для базисных переменных они всегда остаются равны
ми нулю (проверьте!).
y,+3y,+y3-2 = | + 3^j + 0-2=-j,
„ 3
*4: У>-° = 2 '
Отметим, что здесь использовалось новое значение 2 коэффициента при перемен

ной я, в выражении целевой функции.
В ычисления показы ваю т, что текущ ее реш ение л:, = 0, х2 = 100 и х3 = 230 остается
оптим альны м . Новое значение целевой ф ункции равно 2 x 0 + 3 x 1 0 0 +
+ 4 х 230 = 1220 долл.
Предположим, что в рассматриваемой задаче целевая функция имеет следующий вид.
М аксимизировать г = б*, + Зх2 + 4х3.
Соответствующие изменения в г-строке следующей симплекс-таблицы выделены
(проверьте эти значения!).
Базис xi хг хз х4 х5 Хб Решение
z ________________- 3 /4 _________ 0_________ 0________ 3/2________ 5 /4 _________ 0___________1220
х2 - 1 /4 1 0 1/2 -1 /4 0 100
хз 3 /2 0 1 0 1/2 0 23 0
х6 2 0 0 -2 1 1 20
Д ля нахождения нового оптимального решения следует ввести в базис переменную

x t и исключить из него переменную х6. В результате получим решение хх = 10,
х2= 102,5, х3 = 215 и z = 1227,50 долл. (проверьте!).
1. Проверьте оптимальность решения задачи о фабрике TOYCO для следующих
целевых функций. Если решение неоптимально, найдите новое оптимальное
решение. (Симилекс-таблица с оптимальным решением для данной задачи
представлена в начале раздела 4.5.)
a) г = 2 x t + х 2 + 4 х 3,
b ) г = Зх, + &х2 + х 3,
c) z = 8х, + З х2 + 9 х 3.
2. Проверьте оптимальность решения задачи о компании Reddy Mikks
(пример 4.3.1) для следующих целевых функций. Если решение неопти
мально, найдите новое оптимальное решение. (Симплекс-таблица с опти
мальным решением для данной задачи представлена в примере 3.3.1.)
a ) г = 3 x t + 2х 2,
b) z = 8х, + Ю х2,
c) г = 2 х , + 5 х 2.
3. В упражнении 4.5.2.4 с помощью программы TORA вычислите оптимальное

решение. На основе анализа чувствительности найдите оптимальное решение
для следующих целевых функций.
а) 2 = 4 0 x t + 22х2 + 4 5х3,
Ь) z = 70х, + 22*2 + 45х3,
с) 2 = 24х, + 10x2 + 45х3,
d) 2 = 24х, + 20х2 + 45х3,
е) 2 = 24х, + 22*2 + 50х3,
f) 2 = 24х, + 22*2 + 40х3.
И нтервалы оптимальности д ля коэффициентов целевой функции. Другой путь
исследования влияния коэффициентов целевой функции на оптимальность реше
ния заключается в вычислении (по отдельности) интервалов изменения каждого
коэффициента, сохраняющих оптимальность текущего решения. Д ля этого следует
заменить текущий коэффициент cv выражением су+ d., где dt — величина
(положительная или отрицательная) изменения коэффициента с,.
Пример 4.5.5
В задаче о фабрике TOYCO запишем целевую функцию следующим образом.
М аксимизировать z = (3 + dt)xt + 2х2+ 5х3.
Найдем интервал оптимальности для изменения dr
Мы должны следовать той же процедуре, которая описана выше. Но так как перемен
ная л:, не входит в оптимальный базис, значения двойственных переменных не изменят
ся и останутся такими же, как в исходной задаче (т.е. уг — 1, у2= 2, у3—0). Более того,
поскольку переменная x t небазисная, то в 2-строке изменится только ее коэффициент,
а все остальные коэффициенты останутся неизменными (почему?). Это означает, что
нам необходимо применить формулу 2 из раздела 4.2.4 только к ограничению двой
ственной задачи, соответствующего переменнойx t.
x t: y t + Зу2 + у3 - (3 + dt) = 1 + 3x2 + 0 - (3 + d%
) = 4 - dr
Поскольку рассматривается задача максимизации, исходное решение будет оптималь
ным до тех пор, пока выполняется неравенство 4 - d t >0 или d,< 4. Это эквивалентно
утверждению, что текущее решение останется оптимальным до тех пор, пока в целе
вой функции коэффициент при*, не превысит величины 3 + 4 = 7.
Теперь рассмотрим изменение d2 коэффициента при переменной х2 в выражении це
левой функции:
максимизировать z = З*, + (2 + d2)x2+ 5*3.
Различие здесь по сравнению с предыдущем случаем заключается в том, что пере
менная х2 входит в оптимальный базис, и поэтому изменение ее коэффициента из
менит значения двойственных переменных и, следовательно, значения коэффици
ентов в 2-строке, соответствующих всем небазисным переменным (напомним, что
коэффициенты в 2-строке, соответствующие базисным переменным, останутся рав
ными нулю независимо от изменения целевой функции). Используя метод 1 из разде
ла 4.2.3, вычисляем значения двойственных переменных:
-2 1
Теперь можно вычислить коэффициенты в 2 -строке для небазисных переменных.
+0-3 = 4 --^ > 0

4
Из этих неравенств имеем d2< 16, d2> - 2 u d 2<8 или

-2 <d2< 8.
Отсюда получаем интервал оптимальности для коэффициента с2 = 2 + d2:
0 < с 2< 10.
1. Пусть в задаче б фабрике TOYCO доход от одной модели легкового автомоби
ля составляет 5 + d 3 долл. Определите интервал для величины d3, сохраняю
щий текущее оптимальное решение.
2. В задаче о фабрике TOYCO, используя решения из примера 4.5.5 и предыдущего
упражнения, укажите, будет ли текущее решение оптимальным для следующих
(независимых) ситуаций. Если решение изменится, найдите новое.
a) Доход от одной модели поезда возрос от 3 до 5 долл. До 8 долл.
b) Доход от одной модели поезда уменьшился от 3 до 2 долл.
c) Доход от одной модели грузовика увеличился от 2 до 6 долл.
d) Доход от одной модели легкового автомобиля уменьшился от 5 до 2 долл.
3. Пусть в задаче о компании Reddy Mikks коэффициенты целевой функции
претерпели следующие изменения (каждое изменение рассматривается как
отдельная задача).
a) Доход от одной тонны краски для наруж ны х работ составляет 5 + d x
ты с. долл.
b) Доход от одной тонны краски для внутренних работ составляет 4 + d 2
тыс. долл.
Изменения d , и d 2 могут быть как положительными, так и отрицательными.
Применяя подходящее условие оптимальности к коэффициентам 2-строки
оптимальной симплекс-таблицы, определите интервалы для величин d x и d2,
сохраняющие текущее оптимальное решение.
4. В задаче о компании Reddy M ikks, используя решение из предыдущего уп

раж нения, покажите, будет ли текущее решение оптимальным для следую
щ их (независимых) ситуаций. Если решение изменится, найдите новое.
a) Доход от одной тонны краски для наружных работ возрос от 5 до 7 тыс. долл.
Уменьшился от 5 до 4 тыс. долл.
b ) Доход от одной тонны краски для внутренних работ возрос от 4 до 6 тыс. долл.
Уменьшился от 4 до 3 тыс. долл.
5. Вернитесь к задаче из упраж нения 4.5.2.5.
a) Найдите оптимальное решение с помощью программы TORA.
b) Определите интервал значений удельного дохода от первой модели вы
пускаемых устройств, сохраняю щих оптимальность текущего решения.
c) Найдите интервал значений удельного дохода от второй модели выпус
каемых устройств, сохраняю щих оптимальность текущего решения.
d) Вычислите новое оптимальное решение, если удельный доход от первой
модели возрастет до 6 долл.
e) Найдите новое оптимальное решение при изменении удельного дохода от
второй модели до 1 долл.
6. Вернитесь к задаче из упражнения 4.5.2.6.
a) Найдите оптимальное решение с помощью программы TORA.
b) Каков наименьший удельный доход от первого продукта, сохраняющий
текущее оптимальное решение?
c) Найдите новое оптимальное решение при возрастании удельного дохода
от первого продукта до 25 долл.
7. Пусть в задаче о фабрике TOYCO изм енения d t, d 2 и d 3 производятся одно
временно.
a) Найдите условия, сохраняющие текущее решение оптимальным.
b ) Используя условия, полученные в предыдущем пункте, найдите новое
решение (если текущее изменилось) для следующих целевых функций.
і) 2 = 2 x t + х 2 + 4 х 3,
ІІ) 2 = З х , + 6 х 2+ х 3,
iii) 2 = 8х, + З х2 + 9 х3.
8. Пусть в упражнении 3 изменения d , и d2 производятся одновременно.
a) Найдите условия, сохраняющие текущее решение оптимальным.
b ) Используя условия, полученные в предыдущем пункте, найдите новое
решение (если текущее изменилось) для следующих целевых функций.
i) 2 = З х , + 2 х 2,
ii) 2 = Зх, + 9 х 2,
iii) 2 = 5х, + 5 х 2.
9. Вернитесь к задаче из упражнения 4.5.2.5.
a) Определите условия, сохраняющие текущее оптимальное решение при од
новременном изменении удельных доходов от обеих моделей устройств.
b) Найдите новое оптимальное решение, если целевая функция примет вид
2 = 5 x t + 2 х 2.
10. Достаточное правило оптимальности. Правило, подобное достаточному

правилу допустимости из упражнения 4.5.2.7, можно сформулировать
и для проверки оптимальности текущего решения при одновременном изме
нении всех коэффициентов ct целевой функции. Д ля этого представим коэф
фициенты с; в виде Cj + dj, j = 1, 2, ..., п. Предположим, что для всех измене
ний dj независимо получены индивидуальные интервалы uy< d < и значений,
сохраняющих оптимальность текущего решения (как в примере 4.5.5). Оче
видно, что ut < 0 ( ^ > 0 ) , поскольку эта величина соответствует максимально
возможному уменьшению (увеличению) коэффициента cjt сохраняющего те
кущее оптимальное решение. Д ля dp которые находятся в интервале
Uj < dj < у , определим отношение г. = d.Jv. или rj = ci/u , в зависимости от того,
будет величина d положительной или отрицательной. По определению
0 < г^ < 1 . Правило гласит, что достаточным (но не необходимым) условием
сохранения оптимальности текущего решения является выполнение нера
венства rt + г2+ ... + rn < 1. Если это неравенство не выполняется, то текущее
решение может быть как оптимальным, так и неоптимальным. Это правило
не применимо, если величины dj выходят за свои интервалы оптимальности.
Примените достаточное правило оптимальности к задаче из упражнения 7, Ь,
чтобы определить измененные целевые функции, которые сохраняют теку
щее оптимальное решение. Покажите, что достаточное правило оптимально
сти слишком слабое для того, чтобы использовать его в качестве инструмента
принятия решений.
11. П окаж ите, что достаточное правило оптимальности (упраж нение 10) яв л я
ется следствием неравенств г .- с . > 0 в задаче м аксимизации и неравенств
Zj - Cj < 0 в задаче минимизации.
Добавление в модель ЛП нового вида производственной деятельности. Введение
в модель линейного программирования нового вида производственной деятельности
эквивалентно добавлению новой переменной в задачу ЛП. Добавление нового вида
производственной деятельности интуитивно обосновано только в том случае, если эта
деятельность экономически рентабельна, т.е. улучшает оптимальное значение целе
вой функции. Это условие можно проверить, применив к новой переменной форму
лу 2 из раздела 4 . 2 . Поскольку новая переменная пока не является частью реше
ния, ее можно считать небазисной переменной. Тогда значения двойственных
переменных, ассоциированных с текущим решением, останутся неизменными.
Если формула 2 показывает, что новая переменная удовлетворяет условию оп
тимальности, то это означает, что новая деятельность нежелательна, поскольку не
улучшает оптимального реш ения. В противном случае новый вид деятельности яв
ляется рентабельным, и соответствующая ему переменная должна быть включена
в базисное решение.
Пример 4.5.6
Оптимальное реш ение задачи ЛП о фабрике игруш ек TOYCO показы вает, что
производство моделей поездов нерентабельно. Поэтому фабрика планирует заме
нить производство этих моделей выпуском модели пожарной маш ины, причем ее
сборка будет осущ ествляться с использованием тех же производственных мощно
стей. Доход от новой игруш ки ожидается в 4 долл. за одну модель. Ее время
сборки на каж дой из трех технологических операций составляет соответственно

1, 1 и 2 минуты.
Обозначим через х1объем производства новой продукции. Имея значения перемен
ных двойственной задачи (>>,, у2, у3) = (1, 2, 0), вычисляем приведенную стоимость
для переменной х7:
1у, + 1у2 + 2уъ —4 = l x l + l x 2 + 2 x 0 —4 = —1.
Полученный результат показывает, что экономически целесообразно включить пе
ременную х1 в оптимальное базисное решение. Чтобы найти новое оптимальное ре
шение, сначала с помощью формулы 1 из раздела 4.2.4 вычислим столбец коэффи
циентов ограничений, соответствующий переменной х1.
\
( 1 1 'П
0
2 4 ґ 1^ 4
1 1 —1
0 0
2 ,2J 2
,-2 1 1 lu
Отсюда следует, что текущ ая симплекс-таблица должна быть приведена к следую
щему виду.
Б ази с *1 х2 хз *7 х4 Х5 *6 Реш ение
z 4 0 0 -1 Й 1 2 0 1350
хг -1 / 4 1 0 1/4 1/2 -1 / 4 0 100
хз 3/2 0 1 1/2 0 1/2 0 230
*6 2 0 0 1 -2 1 1 20
Теперь новое оптимальное решение можно найти, введя в базис переменную х7

и исключив из него переменную х6. Новое решение составляют x t = 0, х 2= 0,
х3= 125, х 7= 2 1 0 и г = 1465 долл. (проверьте!).
Введение в модель ЛП нового вида деятельности, как следует из приведенного

выше, можно рассматривать как обобщение ситуации, когда происходит измене
ние ресурсов, используемых для существующей деятельности. Например, в по
следнем примере можно считать, что переменная х 7 в исходной задаче имела нуле
вой коэффициент в целевой функции и нулевые коэффициенты в ограничениях на
использование ресурсов. Но затем были изменены ее нулевой коэффициент в целе
вой функции и соответствующие нулевые коэффициенты в ограничениях. Поэтому
введение в модель ЛП нового вида деятельности можно рассматривать как измене
ние параметров существующего вида деятельности.
1. В исходной модели фабрики игрушек TOYCO производство моделей поездов
не входит в оптимальный производственный план. Ситуация на рынке игру
шек не позволяет увеличить отпускную цену этих моделей. Поэтому фабрика
решила усовершенствовать сборочные операции данной модели. Это привело
к уменьшению времени выполнения каждой из трех сборочных операций на
р % . Найдите значение р, при котором выпуск моделей поездов становится
рентабельным. (Симплекс-таблица с оптимальным решением данной задачи

приведена в начале раздела 4.5.)
2. Предположим, что в исходной модели фабрики игрушек TOYCO время вы
полнения трех сборочных операций при производстве моделей поездов
уменьшено соответственно до 0,5, 1 и 0,5 минут. Доход от модели этого вида
остался неизменным на уровне 3 долл. за одну игрушку. Найдите новое оп
3. Пусть производство модели нового вида (модель пожарной машины) требует
соответственно 1, 2 и 3 минуты для выполнения каждой сборочной операции.
Найдите оптимальное решение, если доход от одной модели нового вида со
ставляет а) 5 долл., Ь) 10 долл.
4. Вернитесь к модели компании Reddy Mikks (модель представлена в примере
4.3.1, симплекс-таблица с ее оптимальным реш ением — в примере 3.3.1).
Предположим, что компания рассматривает возможность производства де
шевой краски для наружных работ, причем для производства тонны такой
краски требуется 0,75 тонны сырья M l и столько ж е сырья М2. Ситуация на
рынке показывает, что производство краски для внутренних работ не должно
превышать ежедневного производства обоих видов красок для наружных работ
более чем на одну тонну. Доход от одной тонны новой краски составляет
3500 долл. Найдите новое оптимальное решение.
1. B azaraa М., Ja rv is J ., Sherali М. L inear Program m ing and Network Flows, 2nd ed.,
2. Bradley S., Hax A., M agnanti T. Applied M athem atical Programming, Addison-
W esley, Reading, MA, 1977.
3. N ering E., Tucker A. Linear Program m ing and Related Problems, Academic Press,
Boston, 1992.

1. Ашманов С. А. Линейное программирование. — М.: Наука, 1981.
2. Гольштейн Е. Г. Теория двойственности в математическом программирова
нии и ее приложения. — М.: Наука, 1971.
3. Гольштейн Е. Г., Юдин Д. Б. Линейное программирование: Теория, методы
и прилож ения. — М.: Наука, 1969.
4.1. 4 Компания MANCO производит три вида продукции: P I, Р2 и РЗ. В произ
водственном процессе используются материалы M l и М2, обрабатываемые на
станках С1 и С2. В следующей таблице приведены данные, характеризующие
производственный процесс.
4 Задача основана на материалах статьи D. Sheran, “Post-Optimal Analysis in Linear Pro

gramming — The Right Example”, IIE Transactions, Vol. 16, No. 1, March 1984, pp. 99-102.
Единицы К-во ресурсов на единицу изделия Ежедневный фонд

Ресурсы измерения Р1 Р2 РЗ ресурсов
Время работы станка С1 Минуты 1 2 1 430

Время работы станка С2 Минуты 3 0 2 460
Материал М1 Фунты 1 4 0 420
Материал М2 Фунты 1 1 1 300
Ежедневный объем производства изделия Р2 должен быть не менее 70 единиц,

а изделия РЗ — не более 240 единиц. Доход на единицу изделия P I, Р2 и РЗ
составляет соответственно 300, 200 и 500 долл.
Руководство компании разрабатывает стратегию для улучш ения своего фи
нансового положения. Существуют такие предложения.
1. Увеличить на 20% доход от изделия РЗ, но при этом уменьшится объем его
производства до 2 1 0 единиц.
2. Материал М2 является критическим фактором, ограничивающим текущее
производство. Можно приобрести дополнительные объемы этого материала
у сторонних поставщиков, но его цена за фунт будет на 3 долл. выше, чем
у поставщиков, которые обслуживают компанию сегодня.
3. Увеличить фонд рабочего времени станков на 40 минут в рабочий день, одна
ко такое увеличение приведет к дополнительной стоимости эксплуатации
каждого станка — 35 долл. в день.
4. Отдел маркетинга обосновал необходимость увеличения минимального объ
ема производства продукта Р2 с 70 до 100 единиц.
5. Время обработки единицы изделия Р1 на станке С2 можно уменьшить до
2 минут с дополнительной стоимостью 4 долл. в рабочий день.
Рассмотрите целесообразность внедрения этих предложений, учитывая, что
некоторые из них можно внедрить одновременно.
4.2. Компания Reddy Mikks планирует в будущем расширить свое производство.
Изучение ситуации на рынке красок показало, что компания может увеличить
объем продаж на 25% . План развития производства можно разработать на ос
нове следующих предложений. (Обратитесь к примеру 3.3.1 за детальной ин
формацией о модели ЛП для этой компании и ее решении.)
Предложение 1. Поскольку рост продаж на 25% приведет к увеличению до
хода примерно на 5250 долл., стоимость дополнительных объемов сырья M l
и М2 составляет 750 и 500 долл. за тонну; следовательно, для обеспечения рос
та объема производства потребуется 5250/((750 + 500)/2) = 8,4 тонны сырья
M l и столько ж е сырья М2.
Предложение 2. Потребление сырья M l и М2 должно возрасти на 6 и 1,5 тонны
соответственно, так как эти величины соответствуют 25% текущего уровня
потребления сырья (равного 24 тоннам для сырья M l и 6 тоннам для сырья
М2). Поскольку в текущем оптимальном решении оба этих ресурса дефицит
ны, увеличение их потребления на 25% должно привести к такому же увели
чению производства краски, т.е. конечного продукта.
Какие выводы вы можете сделать относительно этих предложений? Предло
жите несколько подходов к решению данной проблемы.
4.3. А на ли з чувст вит ельност и одновременно на допустимость и опт ималь

ность реш ения задачи Л П . Предположим, что в модель компании Reddy
M ikks одновременно внесены следующие изменения. Доход от тонны крас
ки для наружны х работ равен 10 0 0 долл., а краски для внутренних ра
бот — 4000 долл. Ежедневное потребление сырья M l и М2 ограничено 28
и 8 тоннами соответственно.
1. Покажите, что внесенные изменения приведут к потере текущ им оптималь
ным решением как свойства оптимальности, так и допустимости.
2. Используя обобщенный сим плексны й алгоритм из раздела 4.4.2, найдите
новое оптимальное допустимое решение.
Г Л А В А 5
ТРАНСПОРТНЫЕ МОДЕЛИ
Транспортные модели (задачи) — специальный класс задач линейного про
граммирования. Эти модели часто описывают перемещение (перевозку) какого-
либо товара из пункта отправления (исходный пункт, например место производст
ва) в пункт назначения (склад, магазин, грузохранилище). Назначение транспорт
ной задачи — определить объем перевозок из пунктов отправления в пункты на
значения с минимальной суммарной стоимостью перевозок. При этом должны
учитываться ограничения, налагаемые на объемы грузов, имеющихся в пунктах
отправления (предложения), и ограничения, учитывающие потребность грузов
в пунктах назначения (спрос). В транспортной модели предполагается, что стоимость
перевозки по какому-либо маршруту прямо пропорциональна объему груза, пере
возимого по этому маршруту. В общем случае транспортную модель можно приме
нять для описания ситуаций, связанных с управлением запасами, управлением
движением капиталов, составлением расписаний, назначением персонала и др.
Хотя транспортная задача мож ет быть реш ена как обычная задача линейно
го программирования, ее спец и альн ая структура позволяет разработать алго
ритм с упрощ енными вы числениям и, основанны й на сим плексны х отнош ениях
двойственности. В данной главе будет показан этот алгоритм и его тесная связь
. с симплекс-методом.
5.1. ОПРЕДЕЛЕНИЕ ТРАНСПОРТНОЙ МОДЕЛИ

На рис. 5.1 показано общее представление транспортной задачи в виде сети с т
пунктами отправления и п пунктами назначения, которые ноказаны в виде узлов
сети. Дуги, соединяющие узлы сети, соответствуют маршрутам, связывающим
пункты отправления и назначения. С дугой (i, j), соединяющей пункт отправления
і с пунктом назначения j, соотносятся два вида данных: стоимость ctJ перевозки
единицы груза из пункта і в пункт j и количество перевозимого груза х ч. Объем гру
зов в пункте отправления і равен at, а объем грузов в пункте назначения j — b . За
дача состоит в определении неизвестных величин x ti, минимизирующих суммарные
транспортные расходы и удовлетворяющих ограничениям, налагаемым на объемы
грузов в пунктах отправления (предложения) и пунктах назначения (спрос).
194 Глава 5. Транспортные модели
Пункты отправления Пункты назначения
Объемы
предложений
Рис. 5.1. Представление транспортной задачи
Пример 5.1.1
Автомобильная компания MG Auto имеет три завода в Лос-Анджелесе, Детройте
и Новом Орлеане и два распределительных центра в Денвере и Майами. Объемы
производства заводов компании в следующем квартале составят соответственно
1000, 1500 и 1200 автомобилей. Е ж еквартальная потребность распределительных
центров составляет 2300 и 1400 автомобилей. Расстояния (в милях) между завода-
ми и распределительными центрами приведены в табл. 5.1.
Таблица 5.1
Денвер Майами
Лос-Анджелес 1000 2690

Детройт 1250 1350
Новый Орлеан 1275 850
Транспортная компания оценивает свои услуги в 8 центов за перевозку одного ав

томобиля на расстояние в одну милю. В результате получаем следующую стоимость
перевозок (с округлением до доллара) по каждому маршруту.
Таблица 5.2
Денвер (1) Майами (2)
Лос-Анджелес (1) 80 215

Детройт (2) 100 108
Новый Орлеан (3) 102 68
Основываясь на данных из табл. 5.2, формулируем следующую задачу линейного

програм м ирован и я.
Минимизировать z = 80л:и + 215лг12 + 1 0 0 .ї 21 +108л:22 + 1 0 2 jc3i + 68л:32
хи + хи = 1000 (Лос-Анджелес),
*21 + * 22= 1500 (Детройт),
^зі + * 32= 1200 (Новый Орлеан),
хи + хп + х31 = 2300 (Денвер),

*12 + х 22 + ^зг = 1400 (Майами),
дс1у> 0 , / = 1 , 2 , 3 , 7 = 1,2.
Эти ограничения выражены в виде равенств, поскольку общий объем произведен
ных автомобилей (1000 + 1500 + 1200 = 3700) равен суммарному спросу распреде
лительных цен тров(2300 + 1400 = 3700).
Данную задачу ЛП можно реш ить симплекс-методом. Но специфическая структура
ограничений позволяет реш ить эту задачу более простым способом с помощью так
называемой транспортной таблицы (табл 5.3).
Таблица 5.3
Денвер Майами Объем производства
80 215
Лос-Анджелес
Хц X l2 1000
100 108
Детройт
Х21 Х22 1500

102 68
Новый Орлеан
Х зі Х32 1200
Спрос 2300 1400
Оптимальное решение (полученное с помощью программы TORA ) показано на

рис. 5.2. Оно предполагает перевозку 1000 автомобилей из Лос-Анджелеса
в Денвер, 1300 автомобилей— из Детройта в Денвер, 200 автомобилей— из Дет
ройта в Майами и 1200 — из Нового Орлеана в Майами. М инимальная стоимость
перевозок составляет 313 200 долл.
1000
2300
1500
1400
Майами
1200
Рис. 5.2. Схема оптимальных перевозок
Чтобы получить в программе TORA решение транспортной задачи, в меню Main Menu
выберите команду Transportation Model (Транспортная модель). Затем в меню SOLVE/MODIFY
выберите команду Solve^Final solution. Более подробно решение транспортных задач в про
грамме TORA описано в разделе 5.3.3.
Когда суммарный объем предложений (грузов, имеющихся в пунктах отправле

ния) не равен общему объему спроса на товары (грузы), запраш иваемые пунктами
назначения, транспортная модель называется несбалансированной. Далее мы по
следовательно будем применять прием, позволяющий любую несбалансированную
транспортную задачу сделать сбалансированной. Д ля этого будем вводить фиктив
ные пункты назначения или отправления. Выполнение баланса транспортной за
дачи необходимо для того, чтобы иметь возможность применить алгоритм реше
ния, построенный на использовании транспортных таблиц.
Пример 5.1.2
В рамках модели компании MG Auto предположим, что завод в Детройте уменьшил
выпуск продукции до 1300 автомобилей (вместо 1500, как было ранее). В этом случае
общее количество произведенных автомобилей (3500) меньше общего числа зака
занных (3700). Таким образом, очевидно, что часть заказов распределительных
центров Денвера и Майами не будет выполнена.
Поскольку в данной ситуации спрос превышает предложение, для восстановления ба
ланса введем фиктивный завод (пункт отправления), производящий 200 (3 7 0 0 - 3500)
автомобилей. Назначим нулевую стоимость транспортных перевозок от фиктивного за
вода до пунктов назначения, поскольку такого завода не существует. В принципе,
стоимость транспортных перевозок от фиктивного пункта назначения может иметь
любое положительное значение. Например, чтобы гарантировать выполнение всех
заказов распределительного центра Майами, можно назначить очень высокую стои
мость перевозок (штраф) от фиктивного завода до Майами.
В табл. 5.4 представлена сбалансированная модель и ее оптимальное решение. Ре
шение показывает, что фиктивный завод поставит в Майами 200 автомобилей. Это
означает, что для данного распределительного центра из заказа на 1400 автомоби
лей не будет поставлено 200 автомобилей.
Таблица 5.4
Денвер Майами Объем производства
Г
80 215
1000 1000
100 108
Детройт
1300 1300
102 68
1200 1200
0 0
Фиктивный завод
200 200
Спрос 2300 1400

Предположив, что заказ распределительного центра Денвера составляет всего 1900 ав
томобилей, получим ситуацию, когда предложение превышает спрос. В этой ситуации
необходимо ввести фиктивный пункт назначения, “ поглощающий” избыточное пред
ложение. Здесь также можно назначить нулевую стоимость перевозок в фиктивный
пункт назначения, если не требуется выполнения каких-то особых условий. Напри
мер, если необходимо вывести всю продукцию какого-либо завода, следует назначить
очень высокую стоимость перевозок от этого завода до фиктивного пункта назначения.
В табл. 5.5 показана новая модель и ее оптимальное решение (полученное с помо
щью программы TORA). Решение показывает, что 400 автомобилей завода Детрой
та не востребованы.
Таблица 5.5
Денвер Майами Фиктивный центр
80 215 0 І
■ ■ ■ н н н
1000 1000
100 108
Детройт
900 200 400 1500
102 68 1 0
Новый Орлеан ...... .. :.a c i;4
1200 1200
Спрос 2300 1400 400
1. Истинны или ложны следующие утверждения?
a) Для сбалансированности транспортной модели может понадобиться ввести
как фиктивные пункты отправления, так и фиктивные пункты назначения.
b ) Объем перевозок в фиктивный пункт назначения равен объему превыше
ния предложения над спросом.
c) Объем перевозок из фиктивного пункта отправления равен разности меж
ду спросом и предложением.
2. В каждом из следующих случаев определите, следует ли ввести фиктивный пункт
отправления или фиктивный пункт назначения, чтобы сбалансировать модель.
a) Предложение: а, = 10, а 2= 5, а 3= 4, а 4= 6. Спрос: Ьг = 10, Ь2= 5, Ьа= 7, bt = 9.
b) Предложение: а, = 30, а 2 = 44. Спрос: Ь, = 25, Ь2 —30, Ь3= 10.
3. На основе табл. 5.4 из примера 5.1.2 (здесь введен фиктивный завод) интер
претируйте решение, при котором фиктивный завод “ поставит” 150 автомо
билей распределительному центру в Денвере и 50 автомобилей распредели
тельному центру в Майами.
4. Как в табл. 5.5 из примера 5.1.2 учесть требование, что завод в Детройте
должен отправить заказчикам все свои автомобили?
5. Пусть в примере 5.1.2 (табл. 5.4) введены штрафы в размере 200 и 300 долл. за
каждый недопоставленный автомобиль в распределительные центры Денве
ра и Майами соответственно. Кроме того, поставки из Лос-Анджелеса
в Майами не планируются изначально. Постройте транспортную модель
и найдите схему оптимальных перевозок с помощью программы TORA.
6. Три электрогенерирующие станции мощностью 25, 40 и 30 миллионов кВ т/ч
поставляют электроэнергию в три города. М аксимальная потребность в элек
троэнергии этих городов оценивается в 30, 35 и 25 миллионов кВ т/ч. Цены за
миллион кВ т/ч в данных городах показаны в табл. 5.6.
Таблица 5.6
Город
1 2 3
1 600 700 400
Станция 2 320 300 350
3 500 480 450
В августе на 20% возрастает потребность в электроэнергии в каждом из трех

городов. Недостаток электроэнергии города могут восполнить из другой
электросети по цене 1000 долл. за 1 миллион кВ т/ч. К сожалению, третий
город не может подключиться к альтернативной электросети. Электрогене
рирующие станции планируют разработать наиболее экономичный план рас
пределения электроэнергии и восполнения ее недостатка в августе.
a) Сформулируйте эту задачу в виде транспортной модели.
b ) Реш ите транспортную задачу с помощью программы TORA и определите
оптимальный план распределения электроэнергии электрогенерирующи
ми станциями.
c) Определите стоимость дополнительной электроэнергии для каждого из
трех городов.
7. Выполните предыдущее упражнение, предполагая, что 10% электроэнергии
теряется при передаче по электросетям.
8. Три нефтеперегонных завода с ежедневной производительностью 6, 5 и 8 мил
лионов галлонов бензина снабжают три бензинохранилища, ежедневная по
требность которых составляет 4, 8 и 7 миллионов галлонов бензина соответ
ственно. Бензин транспортируется в бензинохранилища по бензопроводу.
Стоимость транспортировки составляет 10 центов за 1000 галлонов на 1 ми
лю длины трубопровода. В табл. 5.7 приведены расстояния (в милях) между
заводами и хранилищ ами. Отметим, что первый нефтеперегонный завод не
связан трубопроводом с третьим бензинохранилищем.
Таблица 5.7
Бензохранилище
1 2 3
1 120 180 —
Завод 2 300 100 80
3 200 250 120
a) Сформулируйте транспортную задачу.

b) С помощью программы TORA найдите оптимальную схему транспорти
ровки бензина.
9. Пусть в предыдущем упражнении ежедневная производительность третьего
нефтеперерабатывающего завода составляет 6 миллионов галлонов бензина,
а потребности первого бензинохранилища должны выполняться
в обязательном порядке. Кроме того, на недопоставки бензина во второе
и третье хранилищ а налагаются штрафы в размере 5 центов за каждый недо
поставленный галлон бензина.
a) Сформулируйте соответствующую транспортную задачу.
b ) Реш ите сформулированную задачу с помощью программы TORA и найди
те оптимальную схему поставок бензина.
10. Пусть в упражнении 8 ежедневные потребности третьего бензинохранилища
составляют 4 миллиона галлонов. Избыток своей продукции первый и второй
нефтеперегонные заводы могут отправить на другие бензохранилища с по
мощью автотранспорта. В этом случае расходы на транспортировку 100 гал
лонов бензина составляют 1,50 и 2,20 долл. для первого и второго заводов со
ответственно. Третий нефтеперерабатывающий завод может использовать
свои излиш ки бензина для нужд собственного химического производства.
b ) Реш ите сформулированную задачу с помощью программы TORA и найди
те оптимальную схему поставок бензина.
11. Три плодовых хозяйства поставляют апельсины в ящ иках четырем оптовым
покупателям. Ежедневная потребность этих покупателей составляет 150, 150,
400 и 100 ящиков соответственно. Предположим, что все три плодовых хозяй
ства используют только постоянную рабочую силу и могут ежедневно по
ставлять 150, 200 и 250 ящ иков апельсинов соответственно. Первые два хо
зяйства могут увеличить поставки апельсинов, привлекая дополнительных
рабочих, третье хозяйство такой возможности не имеет. Транспортные рас
ходы (в долл.) на один ящ ик апельсинов приведены в табл. 5.8.
Таблица 5.8
Покупатели
1 2 3 4
1 1 2 3 2
Хозяйства 2 2 4 1 2
3 1 3 5 3

b) Решите сформулированную задачу с помощью программы TORA.
c) Сколько дополнительных ящ иков апельсинов могут поставить первое
и второе хозяйства, используя временных рабочих?
12. Три распределительных центра поставляют автомобили пяти дилерам. Ав
томобили от распределительных центров к дилерам перевозятся на трейле
рах, и стоимость перевозок пропорциональна расстоянию между пунктами
отправления и назначения и не зависит от степени загрузки трейлера.
В табл. 5.9 приведены расстояния между распределительными центрами

и дилерами, а такж е соответствующие величины спроса и предложения, вы
раженные в количест вах автомобилей. При полной загрузке трейлер вмеща
ет 18 автомобилей. Транспортные расходы составляют 25 долл. на одну милю
пути, пройденного трейлером.
Таблица 5.9
Дилеры
1 2 3 4 5 Предложения
1 100 150 200 140 35
Центры 2 50 70 60 65 80
3 40 90 100 150 130
Спрос 100 200 150 160 140

b)
Решите сформулированную задачу с помощью программы TORA.
13. Компания MG A uto из примера 5.1.1 производит четыре модели автомоби
лей. Завод в Детройте выпускает модели M l, М2 и М4. Модели M l и М2 про
изводятся в Новом Орлеане, М3 и М4 — в Лос-Анджелесе. Производитель
ность каждого завода и потребности распределительных центров
в автомобилях разных моделей даны в табл. 5.10.
Таблица 5.10
Модель
М1 М2 М3 М4 Всего
Завод
Лос-Анджелес 700 300 1000
Детройт 500 600 — 400 1500
Новый Орлеан 800 400 — — 1200
Распоеделительный центр
Денвер 700 500 500 600 2300
Майами 600 500 200 100 1400
Расстояния между заводами и распределительными центрами приведены

в примере 5.1.1, транспортные расходы составляют 8 центов за перевозку од
ного автомобиля (любой модели) на одну милю пути. Кроме всего прочего,
есть возможность удовлетворить спрос на одну из моделей автомобилей за
счет другой в соответствии с табл. 5.11.
Таблица 5.11
Распределительный центр Заменяемая часть спроса (%) Взаимозаменяемые модели
Денвер 10 М1, М2
20 М3, М4
Майами 10 М1, М3
5 М2, М4

b ) Решите сформулированную задачу с помощью программы TORA.
(Совет.. Введите четыре новых пункта назначения, соответствующих комби

нациям (M l, М2), (М3, М4), (M l, М2) и (М2, М4). Объемы потребностей но
вых пунктов определяются на основании данных о процентном соотношении
заменяемых моделей автомобилей.)
5.2. НЕТРАДИЦИОННЫ Е ТРАНСПОРТНЫ Е МОДЕЛИ

Использование транспортной модели не ограничивается задачей о транспорти
ровке чего-либо между географическими пунктами отправления и назначения.
В этом разделе описано применение транспортной модели к задаче управления за
пасами и задаче распределения оборудования.
Пример 5.2.1. Управление запасами

Фабрика Boralis производит рюкзаки для путешественников. Спрос на эту продук
цию, в основном, есть только в марте-ию не (т.е. четыре месяца в году). Фабрика
оценивает спрос в эти месяцы соответственно в 100, 200, 180 и 300 единиц изделия.
Так как производство не ритмично, на фабрике рабочие работают не полный рабо
чий день. В течение рассматриваемых четырех месяцев фабрика может выпустить
50, 180, 280 и 270 единиц изделия. Производство и спрос в различные месяцы не
совпадают, спрос в текущем месяце можно удовлетворить следующими способами.
1. Производством изделий в течение текущего месяца.
2. Избытком произведенных в прошлом месяце изделий.
3. Избытком произведенных в следующем месяце изделий в счет невыполненных
заказов.
В первом случае стоимость одного рюкзака составляет 40,00 долл. Во втором случае
возникают дополнительные расходы в расчете 0,50 долл. на один рюкзак за хранение в
течение месяца. В третьем случае за просроченные заказы начисляются штрафы
в размере 2,00 долл. на один рюкзак за каждый просроченный месяц. Фабрика пла
нирует разработать оптимальный план производства на эти четыре месяца.
Описанную ситуацию можно смоделировать в виде транспортной задачи, используя
следующие соответствия между элементами задачи управления запасами
и транспортной модели.
Транспортная модель Модель управления запасами
1. Пункт отправления і 1. Период производства і

2. Пункт назначения j 2. Период потребления j
3. Предложение в пункте отправления і 3. Объем производства за период і
4. Спрос в пункте назначения j 4. Объем реализации продукции за периоду
5. Стоимость перевозки из пункта / в пункт j 5. Стоимость единицы продукции
(производство + хранение + штрафы) за период от /до j
Результирующая транспортная модель представлена в табл. 5.12 (данные выраж е

ны в долл.).
Таблица 5.12
1 2 3 4 Объем производства
1 40,00 40,50 41,00 41,50 50
2 42,00 40,00 40,50 41,00 180
3 44,00 42,00 40,00 40,50 280
4 46,00 44,00 42,00 40,00 270
Спрос 100 200 180 300
Стоимость “ транспортировки” единицы изделия из периода і в периоду вычисляет

ся следующим образом.
стоимость производства в і-й период, і = j,
стоимость производства в і-й период +
+ стоимость хранения от і до j, і < j,
стоимость производства в і-й период + штраф от і до j, і > j.
Например,
с„ = 40,00,
c2i = 40,00 + (0,50 + 0,50) = 41,00 долл.,
с41 = 40,00 + (2,00 + 2,00 + 2,00) = 46,00 долл.
О птимальное реш ение графически представлено на рис. 5.3. Здесь п унктирн ы
ми лин и ям и п оказаны задолж енности производства, линией из точек представ
лено производство для будущего периода (для удовлетворения будущего спро
са) и сплош ны м и лин и ям и — производство д л я удовлетворения спроса
текущ его периода.
Объем производства 50 180 280 270

ґ
Период производства м )
© © ©
50 50/ 130 70/ 180 30 \ 270
Период спроса
© © "©
Спрос 100 200 180 300

Рис. 5.3. Оптимальное решение задачи управления запасами
Пример 5.2.2. Распределение оборудования

Лесопильный завод обрабатывает различную древесину (от мягкой сосны до твер
дого дуба) по утвержденному недельному производственному плану. Согласно это
му плану в зависимости от типа древесины в разные рабочие дни 7-днев-ной рабо
чей недели требуется различное количество полотен для пил.
День 1 (Пн.) 2 (Вт.) 3 (С р .) 4 (Чт.) 5 (Пт.) 6 (Сб.) 7 (Вс.)
Потребность (к-во полотен) 24 12 14 20 18 14 22
Завод может удовлетворить свои потребности в полотнах одним из следующих

способов.
1. Купить новые полотна по 12 долл. за единицу.
2. Применить ночную заточку полотен стоимостью 6 долл. за одно заточенное полотно
либо сдать пилы на 2-дневную заточку (эта услуга стоит 3 долл. За полотно).
Данную ситуацию можно описать как транспортную модель с восьмью пунктами от
правления и семью пунктами назначения. Пунктам назначения соответствуют 7 дней
рабочей недели. Исходные пункты (т.е. “ пункты отправления” ) определяются сле
дующим образом. Первый исходный пункт соответствует покупке новых полотен;
в экстремальном случае возможна такая покупка, которая удовлетворит потребность
в полотнах на все 7 дней рабочей недели. Исходные пункты со второго по восьмой со
ответствуют семи дням рабочей недели. Объем предложения каждого из этих исход
ных пунктов равен количеству полотен, использованных к концу соответствующего
рабочего дня. Например, “ предложение” второго исходного пункта (соответствует
понедельнику) равно количеству полотен, необходимых для выполнения производст
венного плана этого рабочего дня. “ Транспортные” расходы в этой модели составля
ют соответственно 12, 6 и 3 долл., в зависимости от того, является ли полотно но
вым, получено после ночной заточки или после 2-дневного обслуживания полотен.
Отметим, что для ночной заточки использованные полотна передаются в конце /-го
рабочего дня и могут использоваться с начала (/ + 1)-го или (/ + 2)-го рабочего дня.
При 2-дневной заточке использованные полотна отдаются на заточку в конце /-го
рабочего дня и могут использоваться с начала (/ + 3)-го рабочего дня или в после
дующие дни. В приведенной ниже таблице столбец “ Остаток” соответствует фик
тивному пункту назначения, в этом столбце приведено количество полотен, остав
шихся не заточенными в конце каждого рабочего дня. Полная транспортная модель
для описанной ситуации представлена в табл 5.13 (данные приведены в долл.).4
Оптимальное решение (полученное с помощью программы TORA, файл
ch5ToraEquipMainEx5-2-2.txt) показано в следующей таблице.
Рабочий день Новые полотна Ночная заточка 2-дневная заточка Остаток

Понедельник 24 (Пн.) 10 (В т .)+ 8 (Ср.) 6 (Вт.) 0
Вторник 2 (Вт.) 6 (Ср.) 6 (Пт.) 0
Среда 0 14 (Чт.) 0 0
Четверг 0 12 (Пт.) 8 (Вс.) 0
Пятница 0 14 (Сб.) 0 4
Суббота 0 14 (Вс.) 0 0
Воскресенье 0 0 0 22
Общая стоимость 840 долп.
4В табл. 5.13 буква М означает достаточно большое положительное число. — Прим. ред.
Таблица 5.13
1 (Пн.) 2 (Вт.) 3 (Ср.) 4 (Чт.) 5 (Пт.) 6 (Сб.) 7 (Вс.) 8 (Остаток)
1 12 12 12 12 12 12 12 0
(Новые) 24 2 98 124
2 М * : 6 6 3 3 3 3 0
(Пн.) 10 8 6 24
3 ■ 'Ш 1' ЇЇ'С м 6 6 3 3 3 0
(Вт.) 6 6 12
4 ■ ■ '4W - ,, м М 6 6 3 3 0
(Ср.) 14 14
5 м ;6,ЙМ Ш М ^й. М 6 6 3 0
(Чт.) 12 8 20
6 М М М 6 6 0
(Пт.) 14 4 18
7 'M jg - м ШШ- М М 6 0
(Сб.) 14 14
8 м М м М М М М 0
(Вс.) 22 22
24 12 14 20 18 14 22 124
Объясним полученный результат. В понедельник завод покупает 24 новых полотна

для пил. В конце того же дня остается 24 использованных полотна, из которых 18
отправляются на ночную заточку, 6 — на 2-дневную. Из 18 заточенных ночью по
лотен 10 используются во вторник, а 8 — в среду. Шесть полотен после 2-дневного
обслуживания используются в четверг. Остальные позиции приведенного решения
интерпретируются аналогично. В столбце “ Остаток” показано количество исполь
зованных полотен, которые не передаются на заточку в конце рабочего дня.
1. Пусть в примере 5.2.1 стоимость хранения продукции зависит от месяца,
в котором она произведена, и составляет для первых трех месяцев соответст
венно 40, 30 и 70 центов за хранение единицы продукции. Величина штрафа
за просроченные заказы и величины производственных расходов остаются
такими же, как и в примере 5.2.1. С помощью программы TORA найдите оп
тимальное решение и интерпретируйте полученный результат.
2. Пусть в примере 5.2.2 также имеется 3-дневный сервис по заточке полотен
пил, использованных в понедельник и вторник; при этом стоимость заточки
одного полотна составляет 1 долл. Сформулируйте задачу заново и интерпре
тируйте ее оптимальное решение, полученное с помощью программы TORA.
3. Пусть в примере 5.2.2 заточенные полотна, не использованные сразу после за
точки, отправляются на хранение, причем стоимость хранения одного полотна
в течение дня составляет 50 центов. Переформулируйте задачу и интерпрети
руйте ее оптимальное решение, полученное с помощью программы TORA.
4. Компания планирует оптимизировать распределение станочного парка, со

стоящего из станков четырех типов, для выполнения станочных работ пяти
видов. Пусть имеется 25, 30, 20 и 30 станков каждого типа. Приведем ко
личество работ каждого вида: 20, 20, 30, 10 и 25 соответственно. Отметим,
что станки четвертого типа не используются для выполнения работ четвер
того вида. В табл. 5.14 представлена стоимость (в долл.) выполнения к а ж
дого вида работ на станках определенного типа. Сформулируйте транс
портную задачу, решите ее с помощью программы TORA
и интерпретируйте полученный результат.
Таблица 5.14
Вид работ
1 2 3 4 5
1 10 2 3 15 9
Тип 2 5 10 15 2 4
станка 3 15 5 14 7 15
4 20 15 13 — 8
5. Спрос на некий скоропортящийся продукт в следующие 4 месяца составляет

400, 300, 420 и 380 тонн соответственно. Предложение этого товара в те же
месяцы составляет 500, 600, 200 и 300 тонн. Отпускная цена на этот товар
колеблется от месяца к месяцу и равна соответственно 100, 140, 120
и 150 долл. за тонну. Поскольку товар скоропортящийся, он должен быть
реализован в течение трех месяцев (вклю чая текущий). Стоимость хранения
в течение месяца тонны товара равна 3 долл. Природа товара такова, что не
возможна задерж ка с выполнением заказа. Опишите данную ситуацию как
транспортную модель и найдите ее оптимальное решение для 4-х месяцев
с помощью программы TORA.
6. Спрос на специализированные малые двигатели в следующие пять кварталов
составляет 200, 150, 300, 250 и 400 единиц. Мощность производства двига
телей в тот же период времени оценивается в 180, 230, 430, 300 и 300 еди
ниц. Невыполнение заказов не допускается, при необходимости можно орга
низовать сверхурочные работы для выпуска дополнительной продукции.
Стоимость единицы продукции в каждый из следующих пяти кварталов со
ставляет 100, 96, 116, 102 и 106 долл. соответственно. Стоимость дополни
тельно произведенной продукции увеличивается на 50% по сравнению со
“ стандартной” стоимостью в соответствующий период. Если двигатели, про
изведенные в одном квартале, реализуются в последующих, за хранение од
ного двигателя в течение квартала необходимо заплатить 4 долл. Сформули
руйте транспортную задачу. С помощью программы TORA определите
оптимальный план производства двигателей.
7. Периодически проводится профилактика самолетных двигателей с заменой
важной детали А. В следующие 6 месяцев будут выполнены регламентные рабо
ты (с разбивкой по месяцам) на 200,180, 300,198, 230 и 290 двигателях. Все рег
ламентные работы, запланированные на месяц, проводятся в течение первых
двух дней месяца, когда отработанная деталь заменяется А на новую или отре
монтированную. Снятую деталь можно отремонтировать в местной мастерской, и
она будет готова к началу следующего месяца, или отправить в центральные мас
терские, откуда она вернется через 3 месяца (считая месяц, в котором выполнены
профилактические работы). Стоимость ремонта одной детали А в местной мас

терской составляет 120 долл., а в центральной — только 35 долл. Если отремон
тированная деталь будет использована в последующие месяцы, стоимость ее хра
нения составит 1,50 долл. в месяц. Новые детали можно купить по цене 200 долл.
В первом месяце с возрастанием цены на 5% каждые 2 месяца. Представьте опи
санную ситуацию в виде транспортной модели и с помощью программы TORA
найдите ее оптимальное решение.
8. Управление национальными парками получило четыре заявки от подрядчи
ков на лесозаготовки в трех сосновых лесных массивах Арканзаса. Эти мас
сивы имеют площадь 10 000, 20 000 и 30 000 акров. Каждый подрядчик мо
жет получить для разработки не более половины всех отводимых для
лесозаготовки площадей. Предлагаемые подрядчиками цены за разрешение
на лесозаготовки (долл.) показаны в табл. 5.15.
Таблица 5.15
Лесной массив
1 2 3
1 520 210 570

Подрядчик 2 — 510 495
3 650 — 240
4 180 430 710
a) В описанной ситуации необходимо максимизировать общую прибыль,

получаемую управлением национальными парками. Покажите, как эту
проблему можно представить в виде транспортной задачи.
b ) С помощью программы TORA определите площади, выделяемые каждому
подрядчику для лесозаготовок.
5.3. РЕШ ЕНИЕ ТРАНСПОРТНОЙ ЗАДАЧИ

В данном разделе*будет детально описан алгоритм решения транспортной зада
чи. Этот алгоритм повторяет основные шаги симплекс-метода (глава 3). Однако для
представления данных, вместо обычных симплекс-таблиц, используются транс
портные таблицы со специальной структурой.
Необходимо оговорить, что специальный алгоритм реш ения транспортной за
дачи первоначально разрабатывался для ручных вычислений как метод, дающий
“ быстрое” решение. Сегодня мощ ная компьютерная техника совместно с соот
ветствующим программным обеспечением позволяет реш ать транспортные зада
чи любого размера как задачи линейного программирования. В частности, про
грамма TORA использует формат транспортной задачи только для экранного
представления данных, вы полняя все вычисления на основе обычного симплекс-
метода. С другой стороны, описываемый далее алгоритм реш ения транспортной
задачи, кроме исторического интереса, предлагает взгляд изнутри на то, как
можно использовать теоретические отнош ения двойственности (раздел 4.2) для
получения практических результатов.
Алгоритм решения транспортной задачи будет проиллюстрирован на следую
щем примере.
Пример 5.3.1
Транспортная компания занимается перевозкой зерна специальными зерновозами
от трех элеваторов к четырем мельницам. В табл. 5.16 показаны возможности от
грузки зерна (предложения) элеваторами (в зерновозах) и потребности (спрос) мель
ниц (также в зерновозах), а также стоимость перевозки зерна одним зерновозом от
элеваторов к мельницам. Стоимость перевозок с, приведена в сотнях долларов.
В данной задаче требуется определить структуру перевозок между элеваторами
и мельницами с минимальной стоимостью. Д ля этого необходимо вычислить объе
мы перевозок xlt между i-м элеватором и j -й мельницей.
Таблица 5.16
Мельницы
1 2 3 4 Предложение
см
о
10 2 11
1
*12
X
*11 *14
со
12 7 9 20
Элеваторы 2
*21 *22 *23 *24

4 14 16 18
3
*31 *32 *33 *34

Спрос 5 15 15 15
Последовательность этапов алгоритма решения транспортной задачи в точности

повторяет аналогичную последовательность этапов симплексного алгоритма.
Ш аг 1. Определяем начальное базисное допустимое решение, затем пере
ходим к выполнению второго этапа.
Ш аг 2. На основании условия оптимальности симплекс-метода среди
всех небазисных переменных определяем вводимую в базис. Если
все небазисные переменные удовлетворяют условию оптималь
ности, вычисления заканчиваю тся; в противном случае перехо
дим к третьему этапу.
Ш аг 3. С помощью условия допустимости симплекс-метода среди теку
щих базисных переменных определяем исключаемую. Затем нахо
дим новое базисное решение. Возвращаемся ко второму этапу.
Рассмотрим каждый описанный этап в отдельности.
5.3.1. Определение начального решения

Общая транспортная модель с т пунктами отправления и п пунктами назначе
ния имеет /71 + п ограничений в виде равенств, по одному на каждый пункт отправ
ления и назначения. Поскольку транспортная модель всегда сбалансирована
(сумма предложений равна сумме спроса), одно из этих равенств должно быть из
быточным. Таким образом, транспортная модель имеет т + п - 1 независимых ог
раничений, отсюда следует, что начальное базисное решение состоит из т + п - 1
базисных переменных. Например, начальное решение в примере 5.3.1 содержит
3 + 4 - 1 = 6 базисных переменных.
Специальная структура транспортной модели для построения начального реше
ния позволяет применить следующие методы (вместо использования искусствен
ных переменных, как это делается в симплекс-методе).
1. Метод северо-западного угла.
2. Метод наименьшей стоимости.
3. Метод Фогеля.
Различие этих методов заключается в “ качестве” начального решения, т.е.
“ удаленности” начального решения от оптимального. В общем случае метод Фоге
ля дает наилучшее решение, а метод северо-западного угла — наихудшее. Однако
метод северо-западного угла требует меньшего объема вычислений.
Метод северо-западного угла. Выполнение начинается с верхней левой ячейки
(северо-западного угла) транспортной таблицы, т.е. с переменной х и .
Ш аг 1. Переменной х п присваивается максимальное значение, допускае

мое ограничениями на спрос и предложение.
Ш аг 2. Вычеркивается строка (или столбец) с полностью реализованным
предложением (с удовлетворенным спросом). Это означает, что
в вычеркнутой строке (столбце) мы не будем присваивать значения
остальным переменным (кроме переменной, определенной на пер
вом этапе). Если одновременно удовлетворяются спрос и предло
жение, вычеркивается только строка или только столбец.
Ш аг 3. Если не вычеркнута только одна строка или только один столбец,
процесс останавливается. В противном случае переходим к ячейке
справа, если вычеркнут столбец, или к нижележащ ей ячейке, если
вычеркнута строка. Затем возвращаемся к первому этапу.
Пример 5.3.2
Если применить описанную процедуру к задаче из примера 5.3.1, получим началь
ное базисное решение, представленное в табл. 5.17. В этой таблице стрелками пока
зана последовательность определения базисных переменных.
Получено следующее начальное базисное решение:

.г,, = 5, х12 = 10,
х г2= 5 , х . г з = 1 5 , х 24 = 5,
*34 = 1 0 -
Соответствующая суммарная стоимость перевозок равна

z = 5 х 1 0 + 1 0 x 2 + 5 x 7 + 1 5 х9 + 5 х 2 0 + 1 0 х 18 = 520 долл.
Таблица 5.17
10 2 20 11
5 ...... і -1,0 15
12 : 7 9 20
т
5 ...... ■- 1 5 ...... >- 5 25
4 14 16 : 18
Т
10 10
5 15 15 15
Метод наименьшей стоимости.5 Данный метод находит лучшее начальное реше

ние, чем метод северо-западного угла, поскольку выбирает переменные, которым со
ответствуют наименьшие стоимости. Сначала по всей транспортной таблице ведется
поиск ячейки с наименьшей стоимостью. Затем переменной в этой ячейке присваива
ется наибольшее значение, допускаемое ограничениями на спрос и предложение.
(Если таких переменных несколько, выбор произволен.) Далее вычеркивается соот
ветствующий столбец или строка, и соответствующим образом корректируются зна
чения спроса и предложений. Если одновременно выполняются ограничения и по
спросу, и по предложению, вычеркивается или строка, или столбец (точно так же,
как в методе северо-западного утла). Затем просматриваются невычеркнутые ячейки,
и выбирается новая ячейка с минимальной стоимостью. Описанный процесс продол
жается до тех пор, пока не останется лиш ь одна невычеркнутая строка или столбец.
Пример 5.3.3
Применим метод наименьшей стоимости к задаче из примера 5.3.1.
1. Ячейка (1, 2) имеет наименьшую в таблице стоимость (2 долл.). Наибольшее
значение, которое можно присвоить переменной х12, равно 15. В этом случае
удовлетворяются ограничения, соответствующие первой строке и второму
столбцу. Вычеркиваем второй столбец, предложение первой строки и спрос вто
рого столбца принимают нулевые значения.
2. Следующей ячейкой с наименьшей стоимостью в незачеркнутой части табли
цы будет (З, 1). Присвоим переменной х31 значение 5 и вычеркнем первый
столбец. Ограничение по предложению, соответствующее третьей строке, ста
нет равным 10 - 5 = 5.
3. Продолжая процедуру, последовательно присваиваем переменной х23 значение 15,
переменной хи — значение 0; далее находим х34 = 5 и х24 = 10 (проверьте!).
Процесс поиска начального решения представлен в табл. 5.18. Стрелками показана
последовательность присвоения переменным значений. Итак, мы получили сле
дующее начальное базисное решение (состоящее из 6 переменных):
5 Этот метод в русской математической литературе часто называют методом минималь

ного элемента. — Прим. ред.
II
=1 5 > * н
О
II
*23 “ -1 5 , = 10,
•*31 “ ~ *34 “ 5.
Соответствующее значение целевой функции равно

Z = 1 5 x 2 + 0 x l l + 1 5 x 9 + 1 0 x 2 0 + 5 x 4 + 5 x l 8 = 475 долл.
Отсюда следует, что полученное методом наименьшей стоимости начальное ре
шение лучш е, чем начальное решение, представленное методом северо-западного
угла (сравните данное значение целевой функции с аналогичным значением из
примера 5.3.2).
Таблица 5.18
10 2 20 11
-15 , о.
/12 7 /9 20
г 15 10
4
: 4 .-•*■*14 16 18
!t
5 ■’ 5
Спрос 5 15 15 15
Метод Фогеля. Данный метод является вариацией метода наименьшей стоимо

сти и в общем случае находит лучшее начальное решение. Алгоритм этого метода
состоит из следующих шагов.
Ш аг 1. Для^каждой строки (столбца), которой соответствует строго поло
жительное предложение (спрос), вычисляется штраф путем вычи
тания наименьшей стоимости из следующей по величине стоимо
сти в данной строке (столбце).
Ш аг 2. Выделяется строка или столбец с наибольшим штрафом. Если та
ковых несколько, выбор произволен. Из выделенной строки или
столбца выбирается переменная, которой соответствует мини
мальная стоимость, и ей присваивается наибольшее значение, по
зволяемое ограничениями. Затем в соответствии с присвоенным
значением переменной корректируются величины оставшегося
неудовлетворенным спроса и нереализованного предложения.
Строка или столбец, соответствующие выполненному ограниче
нию, вычеркиваются из таблицы. Если одновременно выполняют
ся ограничения и по спросу, и по предложению, вычеркивается
только строка или только столбец, причем оставшейся строке
(столбцу) приписывается нулевое предложение (спрос).
Ш аг 3.
а) Если не вычеркнута только одна строка или только один стол
бец с нулевым спросом или предложением, вы числения зак ан
чиваются.
б) Если не вычеркнута только одна строка (столбец) с положи
тельным предложением (спросом), в этой строке (столбце) мето
дом наименьшей стоимости находятся базисные переменные,
и вычисления заканчиваются.
в) Если всем невычеркнутым строкам и столбцам соответствуют
нулевые объемы предложения и спроса, методом наименьшей
стоимости находятся нулевые базисные переменные, и вычис
ления заканчиваются.
г) Во всех остальных случаях необходимо перейти к п. 1.
Пример 5.3.4
Применим метод Фогеля к задаче из примера 5.3.1. В табл. 5.19 показан первый
набор вычисленных штрафов.
Поскольку третья строка имеет наибольший штраф (10) и в этой строке наимень
шая стоимость содержится в ячейке (З, 1), присваиваем переменной х31 значение 5.
В этом случае полностью выполняется ограничение первого столбца, его вычерки
ваем. Новый набор пересчитанных штрафов показан в табл. 5.20.
Теперь первая строка имеет наибольший штраф 9. Поэтому мы присваиваем значе
ние 15 переменной х12, которой соответствует минимальная стоимость в первой
строке. В этом случае одновременно выполняются ограничения и для первой стро
ки, и для второго столбца. Вычеркнем второй столбец, положив объем предложе
ний, соответствующий первой строке, равным нулю.
Таблица 5.19
1 2 3 4 Штрафы для строк
10 2 20 11 10-2 = 8
1
15
12 7 9 20 9 -7 = 2
2
25
4 14 16 18 14-4=10
3
5 10
5 15 15 15
Штрафы для столбцов 10-4 = 6 7-2 = 5 16-9 = 7 18-11=7
Таблица 5.20
Штрафы для строк
10 2 20 11 1 1 -2 = 9
•
15 15
12 7 9 20 9 -7 = 2
25
14 16 18 1 6 -1 4 = 2
X\4
5 5
0 15 15 15
Штрафы для столбцов _ 5 7 7
Продолжая этот процесс, находим, что на следующем шаге вторая строка будет
иметь наибольший штраф (20 - 9 = 11). Поэтому переменной х23 присваиваем зна
чение 15. В результате будет вычеркнут третий столбец, во второй строке останется
нереализованным предложение объемом в 10 единиц. Остается невычеркнутым
только четвертый столбец с положительным неудовлетворенным спросом объемом
в 15 единиц. Применяя метод наименьшей стоимости к этому столбцу, последова
тельно получаем л-,4 = 0, х31 = 5 и х24 = 10 (проверьте!). Соответствующее значение
целевой функции равно
z = 15 х 2 + 0 х 11 + 1 5 x 9 + 10 х 20 + 5 x 4 + 5x 18 = 475 долл.
В данном случае значение целевой функции такое же, как и при методе наимень
шей стоимости. Но обычно метод Фогеля дает наилучшее начальное решение для
транспортной задачи.
У П Р А Ж Н Е Н И Е 5.3.1
>»
1. Найдите начальные решения методами северо-западного угла, наименьшей
стоимости и Фогеля для следующих транспортных задач.
Ь) с)
0 2 1 6 1 2 6 7 5 1 8 12
2 1 5 7 0 4 2 12 2 4 0 14
2 4 3 7 3 1 5 11 3 6 7 4
5 5 10 10 10 10 9 10 11
5.3.2. Итерационный алгоритм решения транспортной задачи

После определения начального решения (с помощью одного из трех методов,
описанных в предыдущем разделе) применяется алгоритм, позволяющий найти
оптимальное решение транспортной задачи.
Ш аг 1. На основе симплексного условия оптимальност и среди текущего

множества небазисных переменных определяется вводимая
в базис переменная, которая может улучш ить значение целевой
функции. Если условие оптимальности выполняется для всех не-
базиспых переменных, вычисления заканчиваются, в противном
случае необходимо перейти ко второму этапу.
Ш аг 2. С помощью симплексного условия допустимости определяется
исклю чаемая из базиса переменная. Происходит изменение базиса
и возврат к первому этапу.
При изменении базиса в данном случае не используются вычисления, выпол
няемые при реализации симплекс-метода, — специальная структура транспортной
таблицы позволяет значительно упростить вычисления.
Пример 5.3.5
Решим транспортную задачу из примера 5.3.1, используя начальное решение
(табл. 5.21), полученное методом северо-западного угла в примере 5.3.2.
Таблица 5.21
10 2 20 11
1
5 10 15
12 7 9 20
2
5 15 5 25
4 14 16 18
3
10 10
Спрос 15 15 15
Определение вводимой переменной среди текущих небазисных (т.е. среди тех пе
ременных, которые не входят в начальное базисное решение) основано на вычисле
нии коэффициентов z-строки, соответствующих небазисным переменным,
с использованием метода потенциалов (который, как будет показано в разделе 5.4,
основан на соотношениях двойственности задачи ЛП).
В методе потенциалов каждой строке і и каждому столбцу j транспортной таблицы
ставятся в соответствие числа (потенциалы) и, и vy. Д ля каждой базисной перемен
ной х, потенциалы и, и v( (как показано в разделе 5.4) удовлетворяют уравнению
В рассматриваемой задаче имеем 7 неизвестных переменных (потенциалов) и 6 уравне

ний, соответствующих шести базисным переменным. Чтобы найти значения по
тенциалов из этой системы уравнений, нужно присвоить одному из них произволь
ное значение (обычно полагают и, = 0) и затем последовательно вычислять
значения остальных потенциалов.
Базисные переменные Уравнения относительно потенциалов Решение
*1 1 щ + i/i = 10 i/i = 0 -> i/i = 10

*1 2 1/1 + 1/2 = 2 i/i = 0 -> i/г = 2
*2 2 + 1/2 = 7
1/2 1/2 = 2 1/2 = 5
*2 3 1/2 + 1/3 = 9 U2 = 5 —> 1/з = 4
СЛ
СЛ
11
и2 + 1/4 = 20
II
*2 4
£
і
*3 4 1/3 + 1/4 = 18 1/4 = 15 -> из = 3
И так, им еем
ui = 0, w2 = 5 , иъ - 3,
v , = 10, v2 - 2 , v3 = II
II
Далее, используя найденные значения потенциалов, для каждой небазисной пере
менной вычисляются величины ut + Vj - с, . Результаты вычисления этих величин
приведены в следующей таблице.
Небазисные переменные Значения и/ + Vj- Сі,

*13 U\ + Уз —с, 3 - 0 + 4 —20 — 16
*14 Ul + 1/4 - С-14 = 0 + 1 5 - 1 1 = 4
*2 1 i /2 + i/i —С21 - 5 + 1 0 —1 2 = З
*3 1 ł /з + i/i —С31 = 3 + 10 —4 = 9
*3 2 из + i/г —Сз2 = 3 + 2 — 14 = —9
*3 3 t/з + і/з —сзз = 3 + 4 — 16 = —9
Вычисленные значения совместно с нулевыми значениями для базисных перемен

ных (поскольку w, + V - с,! = 0 для любой базисной переменной х ) фактически яв
ляю тся коэффициентами z-строки симплекс-таблицы.
Базис________ Xu *12 хіз уі4 *21 х-п х2з х24 хзі х32 х3з хз4
z 0 0 -1 6 4 3 О 0 0 9 -9 -9 О
Поскольку в транспортной задаче ведется поиск минимума стоимости перевозок,

вводимой в базис будет переменная, имеющая наибольший полож ительный коэф
фициент в z-строке. В данном случае вводимой переменной будет х31.
Описанные вычисления обычно выполняю тся непосредственно в транспортной
таблице, как показано в табл. 5.22. В этом случае нет необходимости в явном ви
де выписывать уравнения для потенциалов. Вычисления в транспортной таблице
начинаю тся с присвоения потенциалу г/, нулевого значения: и,= 0. Затем вычис
ляю тся v-потенциалы для всех столбцов, имеющих базисные переменные в пер
вой строке. Далее на основании уравнения для потенциалов, соответствующего
переменной х22, определяется величина потенциала и2. Зная значение потенциала
и2, вычисляем потенциалы v3 и v4, что позволяет найти потенциал иъ. Поскольку
все потенциалы определены, далее вычисляю тся величины г/ + - с, для каждой
небазисной переменной x tj. Эти величины показаны в табл. 5.22 в левом нижнем
углу ячеек транспортной таблицы.
Таблица 5.22
і/, = 10 1/2 = 2 і/з = 4 1/4 = 15 Предложение
10 2 20 11
щ =0
5 10 -1 6 4 15
12 7 9 20
и2 = 5
3 5 15 5 25
4 14 16 18
t/з - 3
9 -9 -9 10 10
Спрос 5 15 15 15
Определив вводимую в базис переменную х31, далее следует найти исключаемую из

базиса переменную. Напомним, если какая-либо переменная вводится в базис, одна
из текущих базисных переменных должна стать небазисной (и равной нулю), чтобы
количество базисных переменных оставалось постоянным (в данном примере коли
чество базисных переменных равняется 3 + 4 - 1 = 6).
Исключаемая из базиса переменная определяется следующим образом. Выбрав
в качестве вводимой переменную х31, мы хотим, чтобы перевозки по маршруту, со
ответствующему этой переменной, уменьшили общую стоимость перевозок. Какой
объем груза можно перевезти по этому маршруту? Обозначим через 0 количество
груза, перевозимого по маршруту (3 ,1 ) (т.е. х31 = 0). М аксимально возможное зна
чение 0 определяем из следующих условий.
1. Должны выполняться ограничения на спрос и предложение.
2. Ни по какому маршруту не должны выполняться перевозки с отрицательным
объемом грузов.
Эти условия позволяют найти значение 0 и определить исключаемую переменную.
Сначала построим зам кнут ы й цикл, который начинается и заканчивается в ячей
ке, соответствующей вводимой переменной (в данном примере — это ячейка (З, 1)).
Ц икл состоит из последовательности горизонтальных и вертикальных отрезков (но
не диагональных), соединяющих ячейки, соответствующие текущим базисным пе
ременным, и ячейку, соответствующую вводимой переменной. В табл. 5.23 показан
цикл для вводимой переменной .г31. Д ля любой вводимой переменной можно по
строить только один замкнутый цикл.
Теперь найдем значение 0. Д ля того чтобы удовлетворить ограничениям по спросу
и предложению, надо поочередно отнимать и прибавлять 0 к значениям базисных
переменных, расположенных в угловы х ячейках цикла, как показано в табл. 5.23
(не имеет значения направление обхода цикла: по часовой стрелке или против). Но
вые значения базисных переменных останутся неотрицательными, если будут вы
полняться следующие неравенства.
хм = 5 - 0 > 0,
*22 = 5 - 0 > 0,
*34 = 10 - 0 > 0.
Таблица 5.23
vi = 10 v2 = 2 v3 = 4 v4 = 15 Предложение
10 2 20 11
5 - 0-* - 1 0 + 0
+ * -16 4
12 :7 ..9 20
5 - 0 - --•■'15 •• •5 + 0
3 + +
4 14 16 : 18
►10-0
+ 9 -9 -9
Спрос 5 15 15 15
Отсюда следует, что наибольшее значение, которое может принять 0, равно 5, при
этом переменные лп и х.п обращаются в нуль. Поскольку только одна переменная
исключается из базиса, в качестве исключаемой можно выбрать как х и , так и хгг.
Остановим свой выбор н ал п.
Определив значение для вводимой переменной (х31 = 5) и выбрав исклю чаемую
переменную , далее следует откорректировать зн ачен ия базисны х переменных,
соответствующих угловым ячейкам замкнутого цикла, к ак показано в табл. 5.24.
Поскольку перевозка единицы груза по маршруту (З, 1) уменьшает общую стои
мость перевозок на 9 долл. (= иъ + v, - с31), суммарная стоимость перевозок будет на
9 х 5 = 45 долл. меньше, чем в предыдущем решении. Таким образом, новая сум
марная стоимость перевозок будет равна 520 - 45 = 475 долл.
Имея новое базисное решение, следует повторить вычисления потенциалов, как
показано в табл. 5.24. Новой вводимой в базис переменной будет х и . Замкнутый
цикл, соответствующий этой переменной, позволяет найти ее значение (х14 = 10)
и исключаемую переменную х24.
Новое решение, показанное в табл. 5.25, на 4 х 10 = 40 долл. уменьшает значение
целевой функции. Таким образом, новая суммарная стоимость перевозок составля
ет 475 - 40 = 435 долл. Теперь новые значения величин + v; - с,, для всех небазис
ных переменных д: отрицательные. Поэтому решение, представленное в табл. 5.25,
оптимально.
Таблица 5.24
vi = l v2 = 2 v3= 4 v4= 15
10 2 20 11
«1 = 0 1 5 -0 - —0
А
-9 -16 + : 4
12 і 7 .. 9 т 20
и2 = 5 0 + 0- •15 • • 1 0 - 0
-6 +
4 14 16 18
w3= 3 5 5
-9 -9
Спрос 5 15 15 15
5.3, Решение транспортной задачи 217
Таблица 5.25
i/i = - 3 1/2 = 2 1/з = 4 1/4 = 11 Предложение
10 2 20 11
и 1= 0
-1 3 5 -1 6 10 15
12 7 9 20
1/2 = 5
-1 0 10 15 -4 25
4 14 16 18
Мз = 7
5 -5 -5 5 10
Спрос 5 15 15 15
Полученное решение, изложенное в терминах исходной задачи перевозки зерна от

элеваторов до мельниц, имеет следующий смысл.
От элеватора До мельницы Количество зерновозов

1 2 5
1 4 10
2 2 10
2 3 15
3 1 5
3 4 5
Суммарная стоимость перевозок = 435 долл.
5.3.3. Решение транспортной задачи с помощью TORA

Ранее было показано, как решить транспортную задачу в программе TORA в авто
матическом режиме. В этом разделе будет описано, как решать эту задачу в обучающем
режиме (режиме пошагового выполнения). Также будет показано, как можно решить
эту задачу, используя средство Excel Поиск решения и программу LINGO.
Обучающий режим программы TORA. Из меню Solve/Modify выберите команду
Solve^lterations. Чтобы приступить к решению транспортной задачи, из появивше
гося подменю выберите один из трех методов решения (северо-западного угла, наи
меньшей стоимости или Фогеля). В этом режиме можно использовать два полезных
интерактивных средства.
1. Любые значения потенциалов и и и можно приравнять к нулю перед вычис
лением второй итерации (по умолчанию и, = 0). Если вы приравняли к нулю
какой-либо потенциал, отличный от uv то заметите, что, несмотря на то, что
значения ut и и; изменились, значения в небазисных ячейках (= u( + vj - сч) ос
тались неизменными. Это означает, что изначально любые мили и могут при
равниваться к нулю (в действительности могут принимать любое значение),
что не влияет на применение условия оптимальности.
2. Можно самостоятельно выбрать зам кнут ы й ц икл, щелкнув (в любом поряд
ке) на ячейках, которые составят этот цикл. Если был сделан правильный
выбор, цвет ячеек изменится (зеленый для вводимых переменных, красный

для исклю чаемых переменных и серый д ля остальных).
Н а рис. 5.4 представлено решение задачи из примера 5.3.1, полученное в систе
ме TORA с применением метода северо-западного угла.
"• TORA U '\W o r k \lo r a ł- ile tW :h b lo r a S u n r a y 1 r d n s p o r l I x t »
TRANSPORTATION MODEL
Средство Excel Поиск решения. Ввод данны х транспортной модели в рабочую

книгу Excel не вызывает затруднений. Н а рис. 5.5 показан пример реш ения задачи
из примера 5.3.1 (файл ch5SolverTranBportation.xlB). Этот шаблон может быть ис
пользован для реш ения моделей, которые состоят из не более 10 пунктов отправле
ния и не более 10 пунктов назначения. Рабочий лист состоит из разделов входных
и выходных данных. В разделе входных данны х обязательно долж ны содержаться
следующие данные: количество пунктов отправлений (ячейка ВЗ), количество
пунктов назначений (ячейка В4), транспортная таблица, т.е. м атрица стоимостей
(диапазон Вб:К15)6, названия пунктов отправления (диапазон А6:А15), названия
пунктов назначения (диапазон В5:К5), объемы предлож ения (диапазон L6:L15)
и спрос (диапазон В16:К16). В разделе выходных данны х (диапазон В 20:К29) со
держ ится оптимальное реш ение в матричном виде, которое вы числяется автомати
чески. Соответствующее значение общей стоимости вычислено в ячейке А19. Размер
модели был ограничен до 10 х 10 для того, чтобы все данные поместились на экране.
Н иже приведем подробные объяс-нения того, к ак можно создать в Excel табличную
модель, размер которой регулируется пользователем.
* На рис. 5.5 часть строк этого диапазона и диапазона В20:К29 скрыты. — Прим. ред.
A В С, 1 D Е _ F G __Н_ I.. _ J___к L.

Входные данные
К-во п. отправления 3 «максимум 10
J К-во п. назначения «макс у и 10
с Матрица стоимостей D1 D2 D3 D4 Предлоїкение
е S1 10 2 20 11 16
7 S2 12 7 9 20 25
8 S3 4 14 18 10
16 I і
15
16 Спрос 6 16 16 16
17 Оптимальное решение
18 Общая стоимость
19 435 D1 D2 D3 D4
20 S1 0 6 0 10 О О О 0 0 0 15
21 S2 0 10 16 0 О О О 0 0 0 25
22 S3 6 0 0 6 О О О 0 0 0 10
29 0 0 0 0 О О О 0 0 0 0
30 5 15 15 15 0 0 0 0 0 0
31
Поиск решения ВЕЗ
Установитьцелевуюячейку: |*A$19 ]\j | выполнить |
t Равной: г ирксимапьному значению г значение: |0
Закрыть |
инициальному знамению
, Измена* ячейки:
j |tB$20:$k$29 :У Г^едпопожить |
; Ограничения: - | Параметры |
$8$30:$К$Э0 = *в$16:$К $16
■i tL$20t$L$29 = $L$6:$L$15
J Добавить I
Изменить
Восстановить j
Йалить 1
іІ zi | Справка |
Р и с. 5.5. Р е ш е н и е з а д а ч и и з п р и м е р а 5 .3 .1 , п о л у ч е н н о е с п ом ощ ью ср ед ст ва
П о и с к р е ш е н и я
После ввода исходных данны х откройте средство Поиск решения и щелкните на

кнопке ОК. Реш ение появится в диапазоне В20:К29.
Д ля создания транспортной модели в рабочий лист необходимо ввести следую
щие ф ормулы .
Формула вычисления значения целевой ф ункции в ячейке А19:
=СУММПРОИЗВ(В6:К15;В20:К29).
Объемы перевозки от пунктов отправления: в ячейку L20 сначала введится
формула =СУММ(В20:К20), после чего она копируется в диапазон L21:L29.
Объемы перевозки до пунктов назначения: в ячейку ВЗО вводится формула
=СУММ(В20:В29), затем она копируется в диапазон С30:К30.
Ограничения модели связаны с отношениями объемов перевозок и объемов
предложения в пунктах отправления и спросом в пунктах назначения. Ограниче
ния формируются в виде следующих равенств
$L$20:$L$29=$L$6:$L$15
$В$30:$К$30=$В$16:$К$16
На основе этих входных данных можно получить еще одну интересную форму
лировку транспортной модели. Р азличия проявятся в структуре выходных дан
ных и в определении параметров средства Поиск решения. В модель такж е доба
вится раздел промежуточных вычислений — клю чевая часть табличной модели.
В нашей модели разделы вы ходны х данны х и промежуточных вы числений будут
полностью автоматизированы. Пользователю достаточно будет ввести параметры
средства Поиск решения (и исходные данные, конечно же).
На рис. 5.6 показано решение примера 5.2.5 с использованием новой формули
ровки задачи (файл ch5SolverN etw orkB asedTransportation.xls). Решение задачи
находится в столбце В (начиная с ячейки В22) под заголовком “ Поток” . Названия
маршрутов были сгенерированы автоматически на основе названий пунктов от
правления и назначения в разделе входных данных и находятся в столбце А
(начиная с ячейки А22 и ниже).
Основные формулы, с помощью которых вы числяется оптимальное решение,
содержатся в разделе промежуточных вычислений. В столбце Е (начиная с ячей
ки Е21) находятся порядковые номера пунктов отправлений и назначений, при
чем сначала идут пункты отправлений. Эта информация, а такж е номера пунктов
отправлений и назначений используются для числового представления путей
модели. Например, пункт отправления 1 (ячейка Н21) в пункт назначения 4
(ячейка 121) обозначают путь от пункта отправления S1 в пункт назначения D1.
На основе информации из столбцов Н и I в столбце F (начиная с ячейки F21)
строятся формулы для вычисления потока через узел. В частности, в ячейке F21
содержится следующая формула5.
=СУММЕСЛИ($Н$21:$Н$121;$Е21;$В$22:$В$122)-
-СУММЕСЛИ($1$21:$1$121;$Е21;$В$22:$В$122)
Затем эта формула была скопирована в диапазон F22:F121.
В сущности, в формуле СУММЕСЛИ вычисляется чистый поток (вход-выход) че
рез каж дый узел, перечисленный в столбце Е (начиная с ячейки Е21). Важно отме
тить, что в данной стандартной транспортной модели с помощью формулы можно
эффективно вычислить сумму выходных потоков из каждого пункта отправления
или сумму входных потоков в каж дый узел пункта назначения. Несмотря на то что
необходимо использовать две отдельные формулы для представления выходных
потоков в пунктах отиравлений и входных потоков в пунктах назначений, при ис
пользовании основных сетевых моделей (которые обсуждаются в главе 6) все вы
числения можно объединить в одной формуле.
Д ля каждого узла величина потока вычисляется по формуле:
входной поток - выходной поток = чистый поток.
Нам необходимо определить объем чистого потока для каждого узла. В столбце G
(начиная с ячейки G21) содержатся данные, которые автоматически копируются из
раздела входных данных с помощью функции ИНДЕКС. Заметьте, что чистый поток
для узла пункта отправления имеет положительный знак, в то время как для узлов
пунктов назначения чистый поток имеет отрицательное значение. Необходимость
использования отрицательных значений чистого потока для узлов пунктов назна
чений обусловлена тем, как определен поток через узлы сети в столбце F.
5 Идея использования функции СУММЕСЛИ для представления баланса потоков в сети по
заимствована из статьи С. Т. Ragsdale, “ Solving Network Flow Problems ill a Spreadsheet” ,
COMPASS News, No. 2, Spring 1996, pp. 4, 5. Остальная часть таблицы, частичная автоматиза
ция вычислений и раздел промежуточных вычислений разработаны автором.
А В с D .£ . ' -F G н J IК L I
1 j Общая сетевая модель
2 Входные данные:
3'. К-во п. отправления 3 ■-<ма>симун 10
4 К-во п. назначения 4 «максимум 10
5 Пр.способностьЬ п)? п гизмеииете на V , есги w * чается пр спосоОность
6 Мат. ица дольны х стоимостей
,п D1 02 ГО D4 Предложение
6 S1 10 2 20 11 15
S2 12 7 9 20 25
to S3 4 14 16 18 10
18 Спрос 5 15 15 15
IS ’Оптимальное решение: Промежуточные вычисления:
20 ООщая стоимость 435 Имя Узел Поток Спрос От В Уд. стоимость
21 От- в Поток Пр спос. S1 1 1S 15 1 А 10
22 S1-D1 0 99999S S2 2 ! 25 25 1 5 2
23 S1 -D2 В 999999 S3 3 10 10 1 Є 20
24 S1-D3 0 999999 D1 4 -5 -3 1 7 11
2S S1 -D4 10 999999 D2 5 -15 -15 2 4 12
26 S2-D1 0 999999 D3 6 -15 -15 2 5 7
27 S2-D2 10 999999 D4 7 -15 -IS 2 Є 9
28 S2-D3 IS 999999 2 7 20
29 S2-D4 0 999999 3 А 4
30 S3-D1 S 399999 3 5 14
31 S3-D2 0 999999 3 Є 16
32 S3-D3 0 999999 3 7 1В
33 S3-D4 S 999999
34
Поиск решения ЕШ
Установить целевую «чайку ■j$B$20 2J Выполнить
I
Равной: нама«альному значению рачению: 1°
Зарыть I
F ниаинапьному знач»**о
Изменяя ячейки',-- -
|$В$22:$В$ЗЭ Предположить 1
:©раничения: •- — Параметры
і
, $B$22.*Bt33<=$Ct22:$C$33 * Добавить I
' $F$21:$Ft27 -$G$21:$G$27
Іфмениіь
Восстановить I
, ралить І
ZJ Справка
-
_ w.— ^ ■-
Р ис. 5.6. Р еш ен и е п р и м ер а 5.3.1, п о л уч ен н о е с и сп о льзо ва н и ем сет ей
Можно такж е налож ить ограничения на пропускные способности на различных

марш рутах транспортной модели. Сначала введите латинскую букву “ у ” (без к а
вычек) в ячейку В5. В результате будут созданы и соответствующим образом оза
главлены ячейки в диапазоне N 8:W 17, в которые можно ввести ограничения про
пускной способности марш рута. Если пропускная способность маршрута не
ограничена, то соответствующая ячейка долж на остаться пустой. После этого огра
ничения пропускной способности с помощью функции ИНДЕКС будут автоматиче
ски скопированы в столбец С (начиная с ячейки С22). Число 999 999 представляет
неограниченную пропускную способность.
Теперь для реш ения задачи осталось только задать параметры средства Поиск
решения. Целевая ячейка уже содержит следующую общую формулу, которую не
нужно изменять для моделей, размер которых не превышает 10 х 10.
=CyMMnPOH3B(B22:B122;J21:J121)
Осталось заполнить поля Изменяя ячейки и Ограничения в диалоговом окне сред
ства Поиск решения. На рис. 5.6 показано, что в поле Изменяя ячейки содержится
ссылка $В$22:$В$33.
В строках 22:33 содержатся все возможные маршруты модели, которые изме
няю тся в соответствии с размерами транспортной задачи.
Ограничения можно сформулировать следующим образом.
Поток на маршруте (г, j) < пропускной способности на маршруте (г, j),
(входной поток - выходной поток) через узел j = спрос в узле j.
Д ля первого множества ограничений левая часть выражения соответствует зна
чениям в столбце В (начиная с ячейки В22), а правая часть — значениям в столбце
С (начиная с ячейки С22). Например, на рис. 5.6 первой группе ограничений соот
ветствует такое выражение.
$В$22:$В$33 <= $С$22:$С$33
Значения для второго множества ограничений содержатся в столбцах F и G,
а выражение выглядит следующим образом.
$F$21:$F27 = $G$21:$G$27
Условия неотрицательными можно задать в диалоговом окне Параметры поиска
решения, которое появляется после щ елчка на кнопке Параметры в окне средства
Поиск решения6.
Решение транспортной задачи в программе LINGO. На рис. 5.7 представлена
модель LINGO для транспортной задачи примера 5.3.1 (файл ch5LingoTrans.lg4).
Используемые в модели имена не нуждаются в пояснениях. Обратите внимание на
то, что имена пунктов отправлений (S I, S2, S3) и пунктов назначений (D l, D2, D3,
D4) можно ввести так, как показано на рисунке, вместо того, чтобы включать их
в раздел DATA (Данные) модели.
1. В табл. 5.26 приведены исходные данные (в долл.) для трех транспортных
задач.
a) Используя начальное решение, полученное методом северо-западного уг
ла, найдите их оптимальное решение.
b) В программе TORA сравните начальные решения, полученные методами
северо-западного угла, наименьшей стоимости и Фогеля.
c) Решите задачи с помощью средства Excel Поиск решения.
d) Реш ите задачи с помощью программы LINGO.
6 Следует быть внимательным, поскольку стандартная версия средства Поиск решения, вхо
дящая в поставку Excel, обладает некоторыми “ особенностями” . Если в диалоговом окне
Параметры поиска решения установить слишком маленькое значение в поле Относительная
погрешность (например, 0,000000001), будет выдано непонятное сообщение о том, что модель не
удовлетворяет условиям линейности. Кроме того, выходные результаты будет легче читать, если
их округлить (например, число 1Е-14 должно отображаться как 0, а 9,999999999 — как 10).
MODEL:
TITLE: T ra n s p o rta tio n m odel, Example 5.3-i;
SETS:
f r o m / S I S2 S 3 / : s u p p l y ;
t o / D l D2 D3 D 4 / : d e ma n d ;
r o u te (from, t o ) :c o s t , sh ip ;
ENDSETS
MIN=0SUM( r o u t e ( I , J ) : c o s t ( I , J ) * s h i p ( i , J ) ) ;
! subject to;
0FOR (
t o ( J ) : 0 SUM{ f r o m { I ) : s h i p ( I , J ) ) = d e m a n d ( J )
);
@FOR(
f r o m ( I ) :0SUM(to(J) : s h i p ( I , J ) ) = s u p p ly ( I)
);
DATA:
s u p p ly = 1 5 25 10;
d e m a n d = 5 15 15 1 5 ;
cost=10 2 2 0 11
12 7 9 20
4 14 1 6 18;
ENDDATA
END
Рис. 5.7. Р еш ени е т р анспорт ной задачи в програм ме L IN G O
Таблица 5.26
а) Ь) с)
0 2 1 6 0 4 2 8 — 3 5
2 1 5 9 2 3 4 5 7 4 9
2 4 3 5 1 2 0 6 1 8 6
5 5 10 7 6 6 5 6 19
2. В транспортной модели (табл. 5.27) суммарный спрос превышает общий объем

предложений. Пусть штрафы за необеспеченный единичный спрос составляют
5 долл. для первого пункта назначения, 3 — для второго и 2 — для третьего.
a) Используя начальное решение, полученное методом наименьшей стоимо
сти, найдите оптимальное решение.
b ) Решите задачу с помощью средства Excel Поиск решения.
c) Решите задачу с помощью программы LINGO.
Таблица 5.27
5 1 7 10
6 4 6 80
3 2 5 15
75 20 50
3. Пусть в транспортной модели из предыдущего упражнения штрафы не назнача

ются, но спрос третьего пункта назначения должен быть выполнен полностью.
Найдите оптимальное решение в программах a) TORA, b) Excel, с) LINGO.
4. В несбалансированной транспортной модели (табл. 5.28) стоимость хранения

единицы груза, не отправленного из первого, второго и третьего пунктов от
правления, составляет соответственно 5, 4 и 3 долл. Найдите оптимальное ре
шение, если из второго пункта отправления груз должен быть вывезен полно
стью. Д ля получения начального решения используйте метод Фогеля.
Таблица 5.28
1 2 1 20
3 4 5 40
2 3 3 30
30 20 20
5. Пусть в транспортной модели размерностью 3 x 3 через x tj обозначено количе

ство грузов, перевозимых из пункта отправления і в пункт назначения /,
а через ctj — стоимость перевозки. Объемы грузов в первом, втором и третьем
пунктах отправления равны соответственно 15, 30 и 85 единиц. Спрос в пер
вом, втором и третьем пунктах назначения составляет 20, 30 и 80 единиц со
ответственно. Предположим, что начальное решение, полученное методом
северо-западного угла, оптимально со следующими значениями потенциа
лов: Uj = -2 , и2= 3, и3 = 5, и, = 2, v2= 5 и v3 = 10.
a) Найдите оптимальную стоимость транспортных расходов.
b) Определите наименьшие значения сц для всех небазисных переменных,
сохраняющих оптимальность решения, полученного методом северо-
западного угла.
6. В табл. 5.29 показано вырожденное базисное решение некой транспортной
задачи. Пусть этому решению соответствуют следующие значения потенциа
лов: Uj = 1, и2— -1 , ut = 2, v2= 2 и v3= 5. Стоимости перевозок для всех нуле
вы х (базисных и небазисных) переменных x tj представим в виде
Ctj — i + /0, - СО < 0 < СЮ.
Таблица 5.29
10 10
20 20 40
10 20 20
a) Найдите значение целевой функции, если данное решение оптимально.

b) У каж ите значения параметра 0, гарантирую щ ие оптимальность данного
реш ения. (Совет. Определите местоположение нулевых базисных пере
менных.)
m и
Минимизировать z =
;=i ,*i
2Х ^а ' = !>2- •••>"»>

/-і
У = 1.2,..., и,
ы
x tj > 0, для всех і и /.
Логично предположить, что оптимальное решение обращает первое или вто
рое множество неравенств в равенства (в зависимости от того, будет ли вы
полняться неравенство ^ а , > ^ й уили Контрпример, опровер
гающий это предположение, представлен в табл. 5.30.
Таблица 5.30
1 1 2 5
6 5 1 6
2 7 1
Покажите, что данное предположение приводит к “ оптимальному” решению

х п = 2, х 12= 3, х 22 = 4, х гз = 2, дающему z = 27 долл., которое хуже решения
je,, = 2, х 12 = 7, д;2з = 6 с г = 15 долл.
5.3.4. Интерпретация метода потенциалов как симплекс-метода

Связь метода потенциалов с симплекс-методом основывается на соотношениях
двойственности задач ЛП (раздел 4.2). Исходя из специальной структуры транс
портной задачи (обратитесь к примеру 5.5.1, где показано, к а к транспортную
задачу представить в виде стандартной задачи ЛП), двойственная ей задача будет
записана в следующем виде.
т п
Максимизировать 2 = ^£j atuj + ^ 6 / ,
,=i р \
и. + Vj < с для всех і и j,
ul n v j — свободные переменные,
где
'а — предложение (объем грузов) пункта отправления г,
bf — спрос (заявка на грузы) пункта назначения j,
сч — стоимость перевозки единицы груза из пункта отправления I в пункт
назначения j,
uj — двойственная переменная, соответствующая ограничению на предло
жение пункта отправления г,
Vj— двойственная переменная, соответствующая ограничению на спрос
пункта назначения /.
Из формулы 2 раздела 4.2.4 следует, что коэффициент при переменной х
в выражении целевой функции должен быть равен разности между левой
и правой частями соответствующего ограничения двойственной задачи, т.е. ве
личине ut + v - ctj. Но к а к мы уже знаем, эта величина долж на быть равной нулю
для каждой базисной переменной. Другими словами, для этих переменных
должно выполняться равенство ut + v = ctj. Имея т + п - 1 таких равенств и ре
ш ая их как систему линейных уравнений (после присвоения какой-либо переменной

произвольного значения, например = 0), находим значения потенциалов ut и vf.
Вычислив значения потенциалов, далее определяем вводимую в базис перемен
ную среди всех небазисны х к а к переменную, имеющую наибольшее полож итель
ное значение величины ut + v - с,..
Присвоение одной из двойственных переменных произвольного значения
(например, и 1= 0) противоречит представлениям раздела 4.2.3, поскольку это
присвоение показывает, что, возможно, решение двойственной задачи (определяется
вычисленными значениями двойственных переменных (потенциа-лов)) не единст
венное. В действительности противоречия здесь нет, и реш ение упраж не
ния 5 .3 .3 .2 объясняет, — почему.
1. Запиш ите двойственную задачу для транспортной модели из примера 5.3.5
(см. табл. 5.21). Вычислите оптимальное значение целевой функции двойст
венной задачи с помощью значений двойственных переменных, приведенных
в табл. 5.25, и покаж ите, что найденное значение совпадает с оптимальным
значением целевой функции транспортной задачи.
2. В транспортной модели одной из двойственных переменных присваивается
произвольное значение. Это означает, что одному и тому ж е базисному реше
нию прямой задачи соответствует не единственный набор значений двойст
венных переменных. Это противоречит положениям теории линейного про
грамм ирования, где значения двойственных переменных вы числяю тся как
произведение вектора коэффициентов целевой функции, стоящих при ба
зисных переменных, на обратную матрицу соответствующего базиса (см. ме
тод 1 из раздела 4.2.3). Покажите, что в транспортной модели обратная мат
рица всегда определяется однозначно, в то время как вектор коэффициентов
целевой функции, стоящих при базисных переменных, можно определить не
единственным образом. В частности, покажите, что если коэффициенты ctj за
менить на ctj + k для всех і и j, где k — произвольная константа, то оптималь
ные значения переменных x tj не изменятся. Покажите, что присвоение одной
двойственной переменной произвольного значения эквивалентно прибавлению
к коэффициентам ctj некой константы к.
5.4. ЗАДАЧА О НАЗНАЧЕНИЯХ

“ Л учш ий работник для вы полнения данной работы ” — вот подходящ ее
кратко е описание задачи о н азначениях. В этой задаче необходимо назначить
работников на определенные работы; каж д ы й работник мож ет вы полнять лю
бую работу, хотя и с различной степенью мастерства. Если на некоторую работу
назначается работник именно той квал и ф и кац и и , которая необходима для ее
вы полнения, тогда стоимость вы полнения работы будет ниж е, чем при назна
чении на данную работу работника неподходящей квалификации. Цель задачи —
найти оптим альное (м иним альной стоимости) распределение работников по
всем заявленны м работам.
Общая задача назначения п работников на п работ представлена в табл. 5.31.
Таблица 5.31
Работы
1 Си С12 Сіл 1
2 С21 С22 С2л 1
Работники ... ... ...
п Сл1 Сл2 Спп 1
1 1 1
Коэффициент сч равен стоимости назначения работника і на работу j (i , j = 1, 2,

..., п). То, что количество работников равно количеству работ, не является ограни
чением общности, поскольку всегда можно ввести в модель фиктивных работников
или фиктивные работы.
Задача о назначениях является частным случаем транспортной задачи, в кото
рой работники соответствуют пунктам отправления, а работы — пунктам назначе
ния. В данном случае все величины спроса и предложения равны 1. Стоимость
“транспортировки” рабочего і на работу j равна с,г Задачу о назначениях можно
эффективно решить точно так же, к ак и транспортную задачу. Вместе с тем тот
факт, что все величины спроса и предложения равны 1, привел к разработке упро
щенного алгоритма решения, названного венгерским методом. Хотя этот метод не
имеет никакого отношения к транспортной задаче, он, к ак и метод потенциалов,
все равно основан на симплекс-методе.
5.4.1. Венгерский метод7

Для представления этого метода используем два примера. Интерпретация вен
герского метода как симплекс-метода будет рассмотрена в следующем разделе.
Пример 5.4.1
Трое детей Джоя Клини — Джон, Карен и Терри — желают подзаработать немного де
нег на школьную экскурсию в местный зоопарк. М-р Клини выбрал три вида работ, ко
торые дети выполнить могут за определенную плату: стрижка газона, уборка гаража
и мойка семейного автомобиля. Чтобы избежать ненужных споров между детьми, он
опросил каждого (конечно, по секрету), сколько за каждый вид работ они хотят по
лучить. Результаты опроса (в долл.) представлены в табл. 5.32.
Таблица 5.32
Стрижка газона Уборка гаража Мойка машины
Джон 15 10 9
Карен 9 15 10
Терри 10 12 8
7 Классический венгерский метод, как и методы решения транспортной задачи, первона

чально разрабатывался для ручных вычислений и сегодня, в основном, представляет только
исторический интерес. В настоящее время нет необходимости в таких “ быстрых” ручных
вычислительных алгоритмах, поскольку задачи этого класса эффективно решаются как
обычные задачи ЛП с помощью мощной современной вычислительной техники.
Основываясь на этой информации, к ак распределить работы между детьми с мини

мальными (денежными) потерями для м-ра Клини?
Решим эту задачу о назначениях венгерским методом.
Этап 1. В исходной матрице стоимостей определим в каждой строке ми
нимальную стоимость и отнимем ее от других элементов строки.
Этап 2. В матрице, полученной на первом этапе, найдем в каждом
столбце минимальную стоимость и отнимем ее от других элемен
тов столбца.
Этап 3. Оптимальным назначениям будут соответствовать нулевые эле
менты, полученные на предыдущем этапе.
Обозначим через pt и qt минимальные стоимости соответственно в строке і и столбце
у, определенные на первом и втором этапах описанного выше алгоритма. М инималь
ные стоимости по строкам находятся по исходной матрице стоимостей, как показа
но в табл. 5.33.
Таблица 5.33
Стрижка газона Уборка гаража Мойка машины Минимумы по строкам
Джон 15 10 9 Pi = 9
Карен 9 15 10 Дг = 9
Терри 10 12 8 Рз = 8
Теперь вычтем минимальные стоимости из элементов соответствующих строк,

и в результате получим следующую матрицу.
Таблица 5.34
Джон 6 1 0
Карен 0 6 1
Терри 2 4 0
Минимумы по столбцам ф = 0 <*> = 1 «Й = 0
На втором этапе алгоритма находим минимальные значения по столбцам и вычита

ем их из элементов соответствующих столбцов. В результате получим матрицу,
представленную в виде табл. 5.35.
Таблица 5.35
Джон 6 0 0
Карен 0 5 1
Терри 2 3 0
В последней матрице подчеркнутые нулевые элементы определяют оптимальное

решение: Джон будет убирать в гараже, Карен подстригать газон, а Терри достанет
ся мойка машины. Эти работы обойдутся м-ру Клини в 9 + 10 + 8 = 27 долл. Отме
тим, что эта сумма всегда равна (рх + Рг + Рз) + (<7і + Яг + <7з) - (9 + 9 + **) +
+ (0 + 1 + 0 ) = 27 долл. (Доказательство этого приведено в следующем разделе.)
Алгоритм венгерского метода в предыдущем примере завершен успешно, по

скольку нулевые элементы в конечной матрице соответствуют допустимому реше
нию (в том смысле, что каждому ребенку назначена в точности одна работа). В не
которых случаях нулевые элементы, полученные на первом и втором этапах
венгерского метода, не позволяют непосредственно получить допустимое решение. То
гда необходимы дополнительные действия. Следующий пример демонстрирует это.
Пример 5.4.2
Предположим, что в примере 5.4.1 представлено четыре ребенка и четыре вида ра
бот. Таблица 5.36 соответствует матрице стоимостей для этой задачи (данные пред
ставлены в долл.).
Таблица 5.36
Виды работ
1 2 3 4
1 1 4 6 3
Дети 2 9 7 10 9
3 4 5 11 7
4 8 7 8 5
Применение первого и второго этапов алгоритма к исходной матрице (при этом

Pj =1, рг = 7, р3 — 4, рл = 5, q1= 0, q2 = 0, <73 = 3 и qt = 0) приводит к следующей мат
рице (проверьте!).
Таблица 5.37
Виды работ
1_________________2________________ 3________________4
1 0 3 2 2
Дети 2 2 0 0 2
3 0 1 4 3
4 3 2 0 0
В последней матрице расположение нулевых элементов не позволяет назначить каж

дому ребенку одну работу. Например, если мы назначим первому ребенку работу 1, из
дальнейшего рассмотрения исключается первый столбец, и тогда в строке третьего
ребенка не окажется нулевых элементов. Подобные проблемы можно разрешить,
добавив к описанной в примере 5.4.1 процедуре следующий этап.
Этап 2.1. Если после выполнения первого и второго этапов описанного ал
горитма не получено допустимое решение, выполните следую
щие действия.
і) В последней матрице проведите минимальное число горизон
тальных и вертикальных прямых по строкам и столбцам, чтобы
вычеркнуть в матрице все нулевые элементы.
ii) Найдите наименьший невычеркнутый элемент и вычтите его из ос

тальных невычеркнутых элементов и прибавьте к элементам, стоя
щим на пересечении проведенных на предыдущем этапе прямых.
iii) Если новое распределение нулевых элементов не позволяет по
строить допустимое решение, повторите этап 2.1. В противном
случае перейдите к третьему этапу алгоритма.
В задаче данного примера выполнение этапа 2.1 требует проведения трех прямых
и приводит к табл. 5.38.
Таблица 5.38
Виды работ
Дети
Наименьший невычеркнутый элемент (он подчеркнут) равен 1. Этот элемент вычитаем

из остальных невычеркнутых элементов и прибавляем к элементам, стоящим на пере
сечении прямых. В результате получим матрицу, представленную в виде табл. 5.39.
Таблица 5.39
Виды работ
1 2 3 4
1 0 2 1 1
Дети 2 3 0 0 2
3 0 0 3 2
4 4 2 0 0
Оптимальное решение, показанное в таблице подчеркнутыми нулями, предлагает пер

вому ребенку работу 1, второму — работу 3, третьему — работу 2 и четвертому — рабо
ту 4. Соответствующее значение целевой функции равно 1 + 10+ 5 + 5 = 21 долл. Такое
же значение можно получить путем суммирования значений pt и <?. и значения элемента,
наименьшего среди всех невычеркнутых: (1 + 7 + 4 + 5) + (0 + 0 + 3 + 0) + (1) = 21 долл.
1. Реш ите задачи о назначениях, представленные в табл. 5.40.
Таблица 5.40
а) б)
3 8 2 10 3 3 9 2 3 7
8 7 2 9 7 6 1 5 6 6
6 4 2 7 5 9 4 7 10 3
8 4 2 3 5 2 5 4 2 1
9 10 6 9 10 9 6 2 4 5
a) Решите задачи венгерским методом.

b ) С помощью программы TORA реш ите задачи к ак транспортные.
c) Запишите задачи как задачи ЛП и решите их с помощью программы TORA.
d) Решите задачи в Excel с помощью шаблона ch5SolverTransportation.xls.
e) Решите задачи с помощью программы LINGO.
2. Дана следующая задача распределения четырех рабочих по четырем видам
работ. Различная квалиф икация рабочих обусловливает различную стои
мость выполнения работ. Стоимость работ (долл.) приведена в табл. 5.41. От
метим, что первый рабочий не может выполнять работу 3, а третий — работу
4. Найдите оптимальное решение.
Таблица 5.41
Виды работ
1 2 3 4
1 50 50 — 20
Рабочие 2 70 40 20 30
3 90 30 50 —
4 70 20 60 70
3. Пусть в задаче из предыдущего упражнения можно ввести нового (пятого)

рабочего, способного выполнить любой вид работ со стоимостью соответст
венно 60, 45, 30 и 80 долл. Будет ли экономически выгодным заменить одно
го из “ работающих” рабочих новым?
4. Пусть в задаче из упражнения 2 необходимо ввести новый вид работы, кото
рый может выполнить любой из четырех рабочих, со стоимостью соответст
венно 20, 10, 20 и 80 долл. Будет ли новая работа более выгодной по сравне
нию с имеющимися?
5. Бизнесмен должен сделать четыре поездки туда и обратно из своего головного
офиса в Далласе в филиал в Атланте (данные о поездках приведены в табл. 5.42).
Билет туда и обратно, т.е. Даллас-Атланта-Даллас, стоит 400 долл. Скидка 25%
предоставляется тогда, когда даты отправления и прибытия совпадают
с выходными днями (суббота и воскресенье). Если в билете между датами прибы
тия в А тланту и отправления из нее не менее 21 дня, то скидка увеличивает
ся до 30% . Билет в одну сторону (в любом направлении) стоит 250 долл. Ка
кую минимальную сумму может потратить на билеты бизнесмен?
Таблица 5.42
Дата отправления из Далласа Дата возвращения в Даллас
Понедельник, 3 июня Пятница, 7 июня
Понедельник, 10 июня Среда, 12 июня
Понедельник, 17 июня Пятница, 21 июня
Вторник, 25 июня Пятница, 28 июня
6. На рис. 5.8 схематически показан план обрабатывающего цеха с четырьмя ста

рыми станками, обозначенными квадратиками с номерами от 1 до 4. В цех будут
поставлены четыре новых станка, местоположение которых обозначено кружоч

ками с буквами а, Ь, с и d. Необходимо так разместить новые станки, чтобы ми
нимизировать суммарные перемещения обрабатываемых деталей между новыми
и старыми станками. В табл. 5.43 показана интенсивность перемещения деталей
между новыми и старыми станками. Детали перемещаются по сторонам пря
моугольника, противоположными вершинами которого будут старый и новый
станки. Например, расстояние (в метрах) между станком 1 и станком, распо
ложенным в позиции Ь, равно 30 + 20 = 50 м.
Рис. 5.8. Расположение станков в задаче упражнения 6
Таблица 5.43
г Новые станки
1 2 3 4
1 10 2 4 3
Старые 2 7 1 9 5
станки 3 0 8 6 2
4 11 4 0 7
5.4.2. Интерпретация венгерского метода как симплекс-метода

Задачу о назначении п работников на п видов работ можно представить в виде
задачи линейного программирования следующим образом. Обозначим через ctj
стоимость назначения работника і на работу у и определим
j 1, если работник і назначен на работу j,
11 [О, в противном случае.
Получаем следующую задачу ЛП.

Х^=1, І = 1.2,..., л,
£*♦=1, У = 1.2,..., л,
jc(. = 0 или 1.
Оптимальное решение данной задачи ЛП останется неизменным, если ко всем
элементам какой-либо строки или столбца матрицы стоимостей (с,.) прибавить кон
станту или вычесть ее из этих элементов. Д ля доказательства этого обозначим через
р. и q константы, вычитаемые из элементов строки і и столбца у соответственно. Та
ким образом, стоимость с изменится и будет равна
Теперь покажем, что при коэффициентах целевой функции с' получим те же

оптимальные значения переменных jc ., что и при коэффициентах ctJ.
/ \
= ХХСЛ “ X 0)~ X?Л0 = ХХСЛ “ константа.

Р<
Поскольку новая ц елевая ф ун кц ия отличается от исходной только на кон

станту, оптим альны е зн ачен ия переменны х х долж ны быть одинаковы в обоих
случаях. Таким образом показано, что этапы 1 и 2 венгерского метода, где р.
вычитаются из элементов строки i, a qj — из элементов столбца у матрицы
стоимостей, приводят к эквивалентной задаче о назн ачен иях. Поэтому, если
нулевые элементы в м атрице стоимостей, созданные на этапе 1 и 2 венгерского
метода, позволяю т найти допустимое реш ение, то оно долж но быть оптим аль
ным, поскольку стоимости в измененной матрице стоимостей не могут быть
меньше нуля.
Если созданные нулевые элементы не могут привести к допустимому решению
(как в примере 5.4.2), необходимо выполнить описанный выше этап 2.1. Эта про
цедура опять основывается на симплекс-методе, и ее корректность можно обосно
вать, исходя из теории двойственности (глава 4) и теоремы о дополняющей нежест-
кости (глава 7). Пока мы не будем углубляться в это.
То, что сумма +X j <7/ равна оптим альному значению целевой функции,
вытекает из того, что дан ная сумма представляет собой целевую функцию
двойственной задачи. Это видно из представленного в разделе 5.3.4 вы раж ения
для целевой ф ункции задачи, двойственной транспортной задаче.
(Подробности см. в [1].)
5.5. ТРАНСПОРТНАЯ МОДЕЛЬ С ПРОМЕЖУТОЧНЫМИ ПУНКТАМИ

Транспортная модель с промежуточными пунктами соответствует реальной си
туации, когда между исходными и конечными пунктами перевозок имеются про
межуточные пункты для временного хранения грузов (т ранзитные пункты). Эта
модель более общая, чем обычная транспортная, где перевозки осуществляются

непосредственно между пунктами отправления и назначения.
В этом разделе показано, к ак транспортную модель с промежуточными п унк
тами можно преобразовать (и реш ить) в обычную транспортную с помощью вве
дения буфера.
Пример 5.5.1
Два автомобильных завода Р 1 и Р2 связаны с тремя дилерами D l, D2 и D3, имеющи
ми два транзитных (перевалочных) центра Т 1 и Т2, как показано на рис. 5.9. Заводы
Р 1 и Р2 производят 1000 и 1200 автомобилей. Заказы дилеров составляют соответст
венно 800, 900 и 500 автомобилей. Стоимость перевозок одного автомобиля (в сотнях
долларов) показана на рис. 5.9 возле соответствующих дуг.
Рис. 5.9. Транспортная модель с промежуточными пунктами
В данной модели перевозки транзитом могут осуществляться через любые пункты

(в соответствии с направлением дуг на схеме), даже через некоторые пункты назначе
ния. Поэтому пункты, которым соответствуют как входящие, так и выходящие дуги
на схеме рис. 5.9, назовем транзитными (пункты 71, Т2, D l и D2). Оставшиеся будут
либо истинными пунктами отправления (пункты Р1 и Р2), либо истинными пункта
ми назначения (в данной схеме такой пункт только один — D3). Эту модель можно
преобразовать в обычную транспортную модель с шестью пунктами отправления
(PI, Р2, 71, Т2, D1 и D2) и пятью пунктами назначения (71, Т2, Dl , D2 и D3). Объе
мы спроса и предложения, соответствующие этим пунктам отправления и назначе
ния, вычисляются следующим образом.
Объем предложения истинного пункт а от правления = объем исходно
го предложения.
Объем предложения транзитного пун кт а — объем исходного предло
ж ения + объем буфера.
Объем спроса истинного пункт а назначения = объем исходного спроса.
Объем спроса транзитного п ун кт а = объем исходного спроса +
+ объем буфера.
Объем буфера должен быть таким, чтобы вместить объем всего предложения (или
спроса). Обозначим через В объем буфера. Тогда
В —общий объем предложения (или спроса) =

= 1000 + 1200 = (или = 800 + 900 + 500) =
= 2200 автомобилей.
Построенная транспортная модель, эквивалентная исходной задаче, представлена
в табл. 5.44. Решение этой транспортной модели, полученное с помощью программы
TORA (файл ch5ToraTransshipEx5-5-l.txt), показано на рис. 5.10. Отметим
“транзитный” эффект решения: дилер D2 получает 1400 автомобилей, из них 900 ос
тавляет себе (для удовлетворения своего спроса), а 500 отправляет дилеру D3.
Таблица 5.44
Г1 72 01 02 03
Р1 3 4 м М м 1000
Р2 2 5 : м М м 1200
Л 0 7 8 6 м В
72 м 0 М 4 9 В
01 м м 0 5 М В
02 м м м 0 3 В
в в 800 + В 900 + В 500
Рис. 5.10. Решение транспортной задачи

с промежуточными пунктами
УПРАЖНЕНИЯ 5.5е
1. В транспортной сети, показанной на рис. 5.11, осуществляются перевозки из
пунктов 1 и 2 в пункты 5 и 6 через транзитные пункты 3 и 4. Стоимость пере
возок показана на этом же рисунке.
a) Постройте транспортную модель с промежуточными пунктами и соответ
ствующую ей обычную транспортную модель.
b) Решите транспортную задачу и покаж ите на схеме маршруты доставки
грузов из пунктов отправления в пункты назначения.
8 Для решения задач этого набора упраж нений используйте программы T O R A , Excel (со
средством Поиск реш ения) и L IN G O .
2. Пусть в предыдущей задаче пункты 1 и 2 связаны транспортной магистралью

со стоимостью перевозки в 1 долл., а стоимость перевозки из пункта 1 в
пункт 3 возросла до 5 долл. Найдите оптимальную схему перевозок.
3. На рис. 5.12 показана транспортная сеть перевозок автомобилей между тре
мя заводами (пункты 1, 2 и 3) и тремя дилерами (пункты 6, 7 и 8) через два
распределительных центра (пункты 4 и 5). Стоимость перевозок (в сотнях
долларов) представлена на рисунке возле соответствующих дуг.
a) Сформулируйте задачу к а к транспортную задачу.

b ) Предположим, распределительный центр (пункт 4) может продать
240 автомобилей самостоятельно. Найдите новое оптимальное решение.
4. Две фабрики" снабжают определенной продукцией три магазина. Объемы
производства фабрик равны 200 и 300 единиц продукции, а потребности ма
газинов составляют 100, 200 и 50 единиц продукции. Исследуется возмож
ность перевозок продукции через промежуточные пункты. Основываясь на
величинах стоимости перевозок (в долл.), приведенных в табл. 5.45, найдите
оптимальный план перевозок.
Таблица 5.45
Фабрики Магазины
1 2 1 2 3
Т
Фабрики 1 0 6 I 7 8 9
I
2 6 0 I 5 4 3
Г
Магазины 1 7 2 I 0 5 1
I
2 1 5 1 1 0 4
1
3 8 9 1 7 6 0
5. На рис. 5.13 показана сеть нефтепроводов. Узлы этой сети соответствуют на
сосным и принимающим станциям. Расстояния (в милях) между станциями
приведены на схеме сети. Стоимость транспортировки одного галлона нефти
между двумя станциями пропорциональна длине нефтепровода, соединяю
щего эти станции. Сформулируйте транспортную задачу с промежуточными
пунктами и найдите ее оптимальное решение для перекачки нефти из пунк
тов 1 и 3 в пункты 2 и 4.
SO ООО 60 ООО (галлоны)
6. Задача нахож дения крат чайш его пут и. Чтобы найти кратчайш ий путь
между пунктами 1 и 7 транспортной сети, показанной на рис. 5.14, сфор
мулируйте транспортную задачу с промежуточными пунктами. Расстояния
между промежуточными пунктами показаны на рисунке. (Совет. Пусть в
пункте 1 есть предложение в одну единицу, а в пункте 7 — спрос такой же
величины.)
7. В модели примера 5.5.1 обозначим через x tj объем перевозок между пунктами

і и у. Задачу этого примера можно сформулировать к ак задачу линейного
программирования, у которой каждому пункту транспортной сети соответст
вует ограничение в виде равенства. Сформулируйте задачу ЛП и покажите,
что в ограничениях коэффициенты atj при переменных x tj определяются сле
1, для ограничения і,
-I , для ограничения j ,
О, в противном случае.
8. Агентство по трудоустройству имеет заявки на рабочих на следующие пять

месяцев.
Месяц 1
К-во рабочих 100 120 80 170 50
Стоимость рабочей силы зависит от длительности периода трудоустройства

(см. следующую таблицу).
Длительность периода трудоустройства (месяцы) 1 2 3 4 5
Стоимость трудоустройства одного рабочего (долл.) 100 130 180 220 250
Сформулируйте задачу линейного программирования. Затем путем алгеб

раических преобразований ограничений покаж ите, что эту задачу можно
свести к транспортной. Найдите ее оптимальное решение. (Совет. Для пре
образования общей задачи ЛП в транспортную используйте представление
коэффициентов ограничений из предыдущего упражнения.)
1. B azaraaM ., Ja rv is J ., Sherali M. Linear Programming and Network Flows, 2nd ed.,
2. D antzig G. Linear Programming and E xtensions, Princeton U niversity Press, P rin
ceton, N. J ., 1963. (Русский перевод: Данциг Д ж . Линейное программирование,
его применение и обобщение. — М.: Прогресс, 1966.)
3. M urty К. Netw ork Programming, Prentice H all, Upper Saddle R iver, N .J., 1992.
Литература, добеленная при переводе

1. Ашманов С. А. Линейное программирование. — М.: Н аука, 1981.
2. Гольштейн Е. Г., Юдин Д. Б. Задачи линейного программирования транспорт
ного типа. — М.: Н аука, 1969.
КОМПЛЕКСНЫ Е ЗАДАЧИ
5.1. 9 Компания ABC Cola имеет завод по производству безалкогольных напит
ков в северной части островного государства Таванда. Напитки выпускают
ся в трех различных упаковках: возвращаемых стеклянных бутылках,
алюминиевых консервных банках и невозвращаемых пластмассовых бу
ты лках. Стеклянные бутылки складируют и затем возвращают на завод для
повторного использования.
9 Задача построена на материалах статьи Cheng Т., Chiu С. “A Case Study of Production Expan
sion Planning in a Soft-Drink Manufacturing Company”, Omega, Vol. 16, No. 6, pp. 5 2 1 -5 3 2 ,1 9 8 8 .
Поскольку спрос на безалкогольные напитки постоянно растет, компания

ABC Cola планирует построить еще один завод в центральной или южной час
ти острова. Прогнозируемый спрос на безалкогольные напитки (выраженный
в количестве упаковок) на следующие пять лет показан в табл. 5.46.
Таблица 5.46
Года
Вид упаковки 1 2 3 4 5
Возвращаемая стеклянная 2400 2450 2600 2800 3100
Банки 1750 2000 2300 2650 3050
Невозвращаемая пластмассовая 490 550 600 650 720
Плановые возможности существующего завода по выпуску продукции по

казаны в табл. 5.47.
Таблица 5.47
Года
Вид упаковки 1 2 3 4 5
Возвращаемая стеклянная 1800 1400 1900 2050 2150

Банки 1250 1350 1400 1500 1800
Невозвращаемая пластмассовая 350 380 400 400 450
Компания имеет 6 складов для стеклотары: N1 и N2 расположены в се

верной части острова, С1 и С2 — в центральной части, S1 и S2 — в юж
ной. Доля стеклотары , обрабатываемой каж ды м складом, показана
в табл. 5.48.
Таблица 5.48
Склад Доля (в процентах)
N1 85
N2 15
С1 60
С2 40
S1 80
S2 20
Из общего количества стеклотары примерно 60% приходится на северные

склады, 15% — на центральные и 25% — на южные.
Компания планирует построить новый завод по производству безалкогольных
напитков либо в центре, либо на юге острова. Транспортные расходы, рассчи
танные на одну упаковку напитка в стеклянных бутылках, приведены в
табл. 5.49. Транспортные расходы на напитки в банках и пластмассовых бу
ты лках составляют соответственно 60 и 70% от аналогичных расходов на
транспортировку напитков в стеклянных бутылках.
Определите, где целесообразнее построить новый завод: в центральном рай
оне или на юге острова?
Таблица 5.49
Транспортные расходы на одну упаковку (долл.)
Склад Существующий завод Завод в центральном районе Завод в южном районе
N1 0,80 1,30 1,90
N2 1,20 1,90 2,90
C1 1,50 1,05 1,20
C2 1,60 0,80 1,60
S1 1,90 1,50 0,90
S2 2,10 1,70 0,80
5.2. 10 В ходе строительства международного аэропорта в г. Брисбен для укреп

ления болотистого грунта необходимо произвести песчаную насыпь общим
объемом 1 355 ООО м3 на девяти площ адках аэропорта. Песок берется из
расположенных вблизи аэропорта пяти небольших карьеров. Некоторые
строительные подразделения, обслуживающие стройплощадки, выделены
для прокладки дорог внутри аэропорта и по его периметру. Д ля насыпи пе
сок берется со стройплощадок. Расстояние (в сотнях метров) от карьеров до
стройплощадок показано в табл. 5.50, где такж е приведены потребности
в песке стройплощадок и возможности карьеров (в 100 м3).
Таблица 5.50
1 2 3 4 5 6 7 8 9 Возможности
карьеров
1 22 26 12 10 18 18 11 8,5 20 960
2 20 28 14 12 20 20 13 10 22 201
3 16 20 26 20 1,5 28 6 22 18 71
4 20 22 26 22 6 ОО 2 21 18 24
5 22 26 10 4 16 оо 24 14 21 99
Потребности 62 217 444 315 50 7 20 90 150
стройплощадок
a) Управление строительством оценивает объем перемещения песка

[объем (м3) х расстояние (100 м)] в 2 495 000 соответствующих единиц при
стоимости 0,65 долл. за единицу. Достаточно ли приведенного объе
ма песка для выполнения запланированных работ?
b ) Управление строительством пришло к выводу, что подвоз песка к некото
рым стройплощадкам не возможен до завершения строительства дороги во
круг аэропорта (длиной 900 м). В табл. 5.51 значком “ х ” обозначены
стройплощадки, к которым не возможен подвоз песка (из определенных
карьеров) до завершения строительства окружной дороги. К ак организо
вать подвоз песка с учетом этого ограничения?
10 Задача построена на материалах статьи Perry С., Ilief М. “Earth M oving on Construction
P rojects”, Interfaces, Vol. 13, No. 1, pp. 7 9 -8 4 , 1983.
Таблица 5.51
1 2 3 4 5 6 7 8 9
1
2
3
4
5
5.3. Десять лет назад некий предприниматель организовал доставку оптовых

фармацевтических товаров с центрального склада (ЦС) на автофургонах.
С тех пор значительно увеличился спрос на фармацевтическую продукцию
и появились два новых товарных склада (С1 и С2). Центральный склад,
традиционно имеющий больший ассортимент товаров, время от времени
выручал новые склады в обеспечении кратковременных заказов. Такая
взаимовыручка со временем привела к тому, что треть своих заказов новые
склады выполняли за счет товаров, полученных с центрального склада.
В табл. 5.52 приведено количество заказов, выполняемых тремя товарными
складами для шести потребителей, обозначенных П 1-П 6.
Таблица 5.52
Маршрут
Откуда Куда Количество заказов
ЦС С1 2000
ЦС С2 1500
ЦС П1 4800
ЦС П2 3000
ЦС ПЗ 1200
С1 П1 1000
С1 ПЗ 1100
С1 П4 1500
С1 П5 1800
С2 П2 1900
С2 П5 600
С2 П6 2200
Предприниматель постоянно совершенствовал способы доставки заказов,

придерживаясь принципа децентрализации, когда каждому товарному
складу была определена своя зона доставки товара, покрывающая всех по
требителей, получающих заказы с этого склада. Но управляющие складами
комплектовали заказы согласно своим “ сферам влияния” . Например, менед
жеры центрального склада гордились тем, что поставляют товары не только
обычным потребителям, но и другим товарным складам. Поэтому зачастую
разные склады поставляют заказы одному и тому же потребителю.
В табл. 5.53 приведены расстояния (в милях) между складами и потребите
лями. В автофургон обычно помещается 100 товарных заказов.
Оцените организацию перевозок предпринимателя и предложите свой план
перевозок.
Таблица 5.53
ЦС С1 С2 П1 П2 ПЗ П4 П5 П6
ЦС 0 5 45 50 30 30 60 75 80
С1 5 0 80 38 70 30 8 10 60
С2 45 80 0 85 35 60 55 7 90
П1 50 38 85 0 20 40 25 30 70
П2 30 70 35 20 0 40 90 15 10
ПЗ 30 30 60 40 40 0 10 6 90
П4 60 8 55 25 90 10 0 80 40
П5 75 10 7 30 15 6 80 0 15
П6 80 60 90 70 10 90 40 15 0
5.4. Авиакомпания KeeWee выполняет полеты между городами А и В согласно

расписанию, приведенному в табл. 5.54. Экипаж может вернуться в свой го
род не ранее чем через 90 минут после прилета либо на следующий день. Со
ставьте расписание назначения экипажей на рейсы, минимизирующее сум
марное время простоев всех экипажей.
Таблица 5.54
Рейс Отлет из города А Прилет в город В Рейс Отлет из города В Прилет в город А
А1 6:00 8:30 В1 7:30 9:30

А2 8:15 10:45 В2 9:15 11:15
АЗ 13:30 16:00 ВЗ 16:30 18:30
А4 15:00 17:30 В4 20:00 22:00
Г Л А В А 6
СЕТЕВЫЕ МОДЕЛИ
В рамках теории исследования операций рассматривается большое количество
практических задач, которые можно сформулировать и решить как сетевые моде
ли. Недавние исследования показывают, что не менее 70% реальных задач матема
тического программирования можно представить в виде сетевых моделей. Приве
дем несколько конкретных примеров.
1. Проектирование газопровода, соединяющего буровые скважины морского
базирования с находящ ейся на берегу приемной станцией. Целевая функция
соответствующей модели должна минимизировать стоимость строительства
газопровода.
2. П оиск кратчайш его марш рута м еж ду двум я городами по сущ ествую щ ей
сети дорог.
3. Определение максимальной пропускной способности трубопровода для
транспортировки угольной пульпы от угольных ш ахт к электростанциям.
4. Определение схемы транспортировки нефти от пунктов нефтедобычи к неф
теперерабатывающим заводам с минимальной стоимостью транспортировки.
5. Составление временного графика строительных работ (определение дат нача
ла и заверш ения отдельных этапов работ).
Решение приведенных задач (как и многих аналогичных) требует применения
различных сетевых оптимизационных алгоритмов. В этой главе будут рассмотрены
следующие пять алгоритмов.
1. Алгоритм нахождения минимального остовного дерева (пример 1).
2. Алгоритм поиска кратчайш его пути (пример 2).
3. Алгоритм определения максимального потока (пример 3).
4. Алгоритм минимизации стоимости потока в сети с ограниченной пропускной
способностью (пример 4).
5. Алгоритм определения критического пути (пример 5).
Задачи, вытекающ ие из перечисленных примеров, можно сформулировать
и решать как задачи линейного программирования. Однако специфическая струк
тура этих задач позволяет разработать специальные сетевые алгоритмы, более эф
фективные, чем стандартный симплекс-метод.
244 Глава 6. Сетевые модели
6.1. ОСНОВНЫ Е ОПРЕДЕЛЕНИЯ

Сеть состоит из множества узлов, связанны х дугами (или ребрам и).1 Таким
образом, сеть описывается парой множеств (N , А ), где N — множество узлов,
а А — множество ребер. Н апример, сеть, показанная на рис. 6.1, описывается
# - { 1 , 2 , 3 , 4, 5},
А - {(1, 2), (1, 3), (2, 3), (2, 5), (3, 4), (3, 5), (4, 2), (4, 5)}.
С каж ды м типом сети связан определенный тип потоков (например, транспорт

ный поток нефти в нефтепроводах или автомобильные потоки в сети городских до
рог). В общем случае потоки в сети ограничены пропускной способностью ее ребер,
которая может быть как конечной, так и бесконечной.
Ребро называется направленны м, или ориентированным (и в этом случае ребро
будем называть дугой), если в одном направлении возможен только положитель
ный поток, а в противоположном — только нулевой. В ориентированной сети все
ребра ориентированы.
Путем называется последовательность различных ребер, соединяющих два уз
ла, независимо от направления потока в каждом ребре. Путь формирует цикл, если
начальный и конечный узлы совпадают. Например, на рис. 6.1 дуги (2 ,3 ), (3 ,4 )
и (4, 2) составляют цикл. Ориентированный цикл — это цикл, в котором все дуги
ориентированы в определенном направлении.
С вязная сеть — такая сеть, у которой любые два узла связаны по крайней мере
одним путем. На рис. 6.1 показан именно такой тип сети. Деревом называется
связная сеть, содержащая подмножество узлов исходной сети и не имеющая цик
лов. Остовное дерево’’— это дерево, содержащее все узлы сети. На рис. 6.2 показа
ны дерево и остовное дерево для сети из рис. 6.1.
Рис. 6.2. Дерево и остовное дерево для сети из рис. 6.1
1 Чтобы согласовать используемую здесь терминологию с терминологией теории графов,

составляющей основу рассматриваемых сетей, будем называть дугами только ориентиро
ванны е ребра. Термин “ребро” (как более общее понятие) часто будем употреблять для обо
значения как ребер, так и дуг. Также отметим очевидное соответствие м еж ду узлом сети
и вершиной графа. — Прим. ред.
У П Р А Ж Н Е Н И Я 6.1
1. Д ля каждой сети, показанной на рис. 6.3, определите: а) путь, б) цикл,

в) ориентированный цикл, г) дерево, д) остовное дерево.
Рис. 6.3. Сети д ля упраж нения 1
2. Определите множества N и А для сетей, представленных на рис. 6.3.

3. Нарисуйте сеть, заданную множествами
4. N = {1,2, 3 ,4 , 5,6},
5. А = {(1, 2), (1, 5), (2, 3), (2, 4), (3, 5), (3, 4), (4, 3), (4, 6), (5, 2), (5, 6)}.
6. Дано восемь равных квадратиков, расположенных в три линии: на первой
находится два квадратика, на второй — четыре и на третьей — два. Квадра
тики на каждой линии располагаются симметрично вертикальной оси. Необ
ходимо приписать каждому квадратику число от 1 до 8 так, чтобы смежные
(по вертикали, горизонтали или диагонали) квадратики не имели последова
тельных номеров. Сформулируйте эту задачу как сетевую, и на основе сете
вого представления задачи разработайте алгоритм симметричного решения.
7. Троих заключенных в сопровождении трех стражников необходимо перепра
вить на лодке из Сан-Франциско в тюрьму на острове Алкатрас для исполнения
приговора. Лодка не может перевести более двух человек одновременно. З а
ключенные определенно сильнее стражников, если их количество в какой-то
момент превысит количество стражников. Разработайте сетевую модель, по
зволяющую найти такую последовательность перевозки заключенных, чтобы
не возникло каких-либо инцидентов между заключенными и стражниками.
6.2. АЛГОРИТМ ПОСТРОЕНИЯ МИНИМАЛЬНОГО ОСТОВНОГО

ДЕРЕВА
Алгоритм построения минимального остовного дерева предполагает соединение
всех узлов сети с помощью путей наименьшей длины. Типичной задачей, для реше
ния которой необходим такой алгоритм, является создание (проектирование) сети
дороге твердым покрытием, соединяющих населенные пункты в сельской местности,
где дороги, соединяющие два каких-либо пункта, могут проходить через другие насе
ленные пункты. Наиболее экономичный проект дорожной системы должен миними
зировать общую длину дорог с твердым покрытием, при этом желаемый результат
можно получить с помощью алгоритма построения минимального остовного дерева.
Опишем процедуру выполнения этого алгоритма. Обозначим через N = { 1 ,2 , ..., п }
множество узлов сети и введем новые обозначения:
Ck — множество узлов сети, соединенных алгоритмом после выполнения k -й

итерации этого алгоритма,
Ск — множество узлов сети, не соединенных с узлами множества Ск после вы
полнения k -й итерации этого алгоритма.
Этап 0. Пусть С0 = 0 и С0 = N .
Этап 1. Выбираем любой узел і из множества С0 и определяем = {і}, то
гда С, = N - {і}. Полагаем k — 2.
Основной этап к. В множестве С*_, выбираем узел / , который соединен самой
короткой дугой с каким-либо узлом из множества С*_г Узел / при
соединяется к множеству Сц_! и удаляется из множества СА_,. Та
ким образом, Ск = С*., + {/}, Ск = С*_, - {/}.
Если множество Ск пусто, то выполнение алгоритма заканчивается.
В противном случае полагаем k —k + 1 и повторяем последний этап.
Пример 6.2.1
Телевизионная компания планирует подключение к своей кабельной сети пяти но
вых районов. На рис. 6.4 показана структура планируемой сети и расстояния
(в милях) между районами и телецентром. Необходимо спланировать наиболее
экономичную кабельную сеть.
Чтобы начать выполнение алгоритма построения минимального остовного дерева,

выберем узел 1 (или любой другой узел). Тогда
С . - Ш и С, ={2, 3 ,4 , 5, 6}.
Последовательные итерации выполнения алгоритма представлены на рис. 6.5.
Здесь тонкими линиями показаны ребра, соединяющие узлы, принадлежащие
множествам Ск и Ск , среди которых ищется ребро с минимальной стоимостью
(длиной). Это найденное ребро показано пунктирной линией. Толстыми сплошны-
". линиями обозначены ребра, соединяющие узлы множества С* (и которые ранее
)зн чались пунктирными линиями).
Альтернативные
ребра
Итерация 6
(Минимальное остовное дерево)
Рас. 6.5. Последовательные ит ерации вы полнения алгоритма построения
минимального остовного дерева
Например, на первой итерации ребро (1, 2) имеет наименьшую стоимость (т.е. наи
меньшее расстояние между пунктами сети) среди всех других ребер, соединяющих
узел 1 с узлами множества С, (отметим, что узел 6 не имеет ребра, непосредственно
соединяющего его с узлом 1). П о это м у / = 2 и С, = {1, 2}, Сг = {3, 4, 5 , 6 } .
Решение в виде минимального остовного дерева получено на 6-й итерации (рис. 6.5).
Минимальная длина кабеля для построения такой сети равна 1 + 3 + 4 +
+ 3 + 5 = 1 6 милям.
Программа TORA может находить минимальное остовное дерево. Д ля этого из

меню Main menu выберите команду Network modelsOMinimal spanning tree (Сетевые
модели^М инимальное остовное дерево). Далее из меню SOLVE/MODIFY выберите
команду Solve problemOGo to output screen (Реш ить задачуО П ерейти к выходному
окну). В выходном окне щ елкните на кнопке Starting node (Н ачальны й узел) и затем
на кнопке Next iteration (Следующя итерация) или All iterations (Все итерации) для
получения реш ения. Чтобы получить решение с новым начальны м узлом, щ елкни
те на кнопке Starting node. На рис. 6.6 показаны выходные результаты для задачи
из примера 6.2.1 (файл ch6T oraM inS panE x6-2-l.txt).
•» И д U \wo KUorjH(E»\Lfi6ioia«m5p*ijtx / i txt
NETWORK MODEL'
1. Решите задачу из примера 6.2.1, начиная с узла 5 (вместо узла 1), и убеди
тесь, что будет получено то ж е самое решение.
2. Найдите минимальное остовное дерево для сети из примера 6.2.1 при выпол
нении каждого из следующих условий в отдельности.
a) Узлы 5 и 6 связаны 2-мильным кабелем.
b ) Узлы 2 и 5 не связаны.
c) Узлы 2 и 6 связаны 4-мильным кабелем.
d) Узлы 1 и 2 связаны кабелем длиной 8 миль.
e) Узлы 3 и 5 связаны кабелем длиной 2 мили.
f) Узел 2 не связан непосредственно с узлами 3 и 5.
3. В модульных перевозках груженые трейлерные платформы перевозятся по

железной дороге между специальными перевалочными железнодорожными
терминалами, где платформы снова присоединяются к трейлерам и далее
следуют к потребителям по автомобильным дорогам. На рис. 6.7 показаны
основные железнодорожные терминалы Соединенных Ш татов и существую
щие железнодорожные пути между ними. Выделите сегменты железных до
рог так, чтобы связать все железнодорожные терминалы и минимизировать
суммарную стоимость перевозок трейлерных платформ (стоимость перевозок
пропорциональна длине железнодорожных путей).
4. На рис. 6.8 показаны расстояния между платформами, добывающими газ

в открытом море, и приемным пунктом, расположенным на берегу. По
скольку платформа 1 ближе остальных к берегу, она оснащена необходимым
оборудованием для перекачки газа от остальных платформ к приемному
пункту. Спроектируйте сеть трубопроводов минимальной длины, соединяю
щую приемный пункт со всеми добывающими платформами.
5. Предположим, что в предыдущей задаче (рис. 6.8) все добывающие платфор

мы разбиты на две группы в зависимости от давления газа в скважинах:
к группе с высоким давлением газа относятся платформы 2, 3, 4 и 6, с низ
ким давлением — 5, 7, 8 и 9. Из-за разницы в давлении газопроводы от плат
форм разных групп нельзя соединять между собой. В то же время газопроводы
от этих групп могут подсоединяться к приемному пункту через платформу 1.
Определите минимальную сеть трубопроводов для данной ситуации.
6. Компания производит 15 типов изделий на 10 станках. Она планирует сгруп
пировать станки так, чтобы минимизировать “ несходство” операций, вы
полняемых на каждой группе станков. Мерой “ несходства” между станками
і и у служит величина dtj, вычисляемая по формуле
где пц — количество изделий, обрабатываемых как на станке і, так и на

станке у, m tj — количество изделий, обрабатываемых только на станке і или
только на станке у.
В следующей таблице показано, изделия каких типов на каких станках обра
батываются.
Станок Типы изделий
1 1 ,6
2 2. 3, 7, 8, 9, 12, 13, 15
3 3, 5, 10, 14
4 2, 7, 8, 11, 12, 13
5 3, 5, 10, 11, 14
6 1 ,4 ,5 , 9 ,1 0
7 2, 5, 7, 9, 10
8 3, 4, 15
9 4, 10
10 3, 8, 10, 14, 15
a) Сформулируйте данную задачу как сетевую.

b) Покажите, что разбить множество станков на группы можно, решив зада
чу нахождения минимального остовного дерева.
c) Решите данную задачу для разбиения станков на две и три группы.
6.3. ЗАДАЧА ПОИСКА КРАТЧАЙШЕГО ПУТИ

Д ан ная задача состоит в определении в транспортной сети кратчайш его пути
м еж ду заданны м и исходным пунктом и пунктом назначения. Такую модель
мож но использовать для описания разнообразны х ситуаций, к а к показано
в следующем разделе.
6.3.1. Практические примеры задачи поиска кратчайшего пути
Пример 6.3.1. Замена оборудования

Компания по прокату автомобилей разрабатывает план по обновлению парка своих
машин на следующие пять лет (2001-2005 гг.). Каждый автомобиль должен прора
ботать не менее одного и не более трех лет. В следующей таблице приведена стои
мость замены автомобиля в зависимости от года покупки и срока эксплуатации.
Стоимость замены (долл.) в зависимости от срока эксплуатации
Год покупки 1 2 3
2001 4000 5400 9800

2002 4300 6200 8700
2003 4800 7100 —
2004 4900 —
Задачу можно сформулировать как сетевую с пятью узлами с номерами от 1 до 5,

соответствующими годам 2001-2005. Из узла 1 (2001 год) дуги идут только к узлам
2, 3 и 4, поскольку автомобиль может эксплуатироваться не менее одного и не бо
лее трех лет. Дуги из других узлов интерпретируются аналогично. Стоимости дуг
равны стоимостям замены автомобилей. Решение задачи эквивалентно нахожде
нию кратчайш его пути между узлами 1 и 5.
На рис. 6.9 показана построенная сеть. С помощью программы TORA находим
кратчайший путь 1—>3—>5 (показан на рис. 6.9 жирными линиями). Это решение
означает, что автомобили, приобретенные в 2001 году (узел 1), будут эксплуатиро
ваться 2 года, до 2003 года (узел 3), затем они будут заменены новыми, которые бу
дут эксплуатироваться до конца 2005 года. Общая стоимость замены составит
5 4 0 0 + 7 1 0 0 = 1 2 5 0 0 долл.
9800
Рис. 6.9. Задача замены оборудования к а к задача поиска кратчайшего пут и

Пример 6.3.2. Самый надежный маршрут

М-р Разумник ежедневно ездит на работу на автомобиле. Закончив в свое время полный
курс по теории исследования операций, он легко определил самый короткий путь от
дома до работы. К сожалению, данный маршрут усиленно патрулируется нарядами по
лиции, и автомобиль Разумника часто останавливают за превышение скорости (как
ему кажется, не обоснованно). Таким образом, самый короткий путь оказался не са
мым быстрым. Поэтому м-р Разумник планирует разработать новый маршрут, на ко
тором он имел бы самую высокую вероятность не быть остановленным полицией.
Схема сети дорог, по которой м-р Разумник может добраться от дома до работы,
показана на рис. 6.10. На этой же схеме приведены вероятности не быть останов
ленны м для каждого сегмента сети дорог. Вероятность не быть остановленным на
всем пути следования автомобиля Разумника равна произведению вероятностей не
быть остановленным на каждом сегменте выбранного пути. Например, вероятность
не быть остановленным на маршруте 1—>3—>5—>7 равна 0 ,9 x 0 ,3 x 0 ,2 5 = 0,0675.
Таким образом, м-ру Разумнику необходимо решить задачу выбора маршрута, ко
торый м аксимизировал бы вероятность не быть остановленным.
Эту задачу можно сформулировать как задачу нахождения кратчайш его пути, если
вместо вероятностей использовать логарифмы вероятностей. Тогда произведение
вероятностей преобразуется в сумму логарифмов вероятностей: если р,*= Рі><
р 2 х ... x p k — вероятность не быть остановленным на маршруте 1—>2—»...—>к, тогда
log р 1к = log р, + log р 2 + ... + log pk.
С точки зрения математики задача максимизации вероятности р 1к эквивалентна за
даче максимизации величины logpu . Поскольку logpu < 0 , задача максимизации
величины logpu эквивалентна задаче минимизации -lo g p u . Заменив на рис. 6.10
вероятности р к на величины -logp*, получаем сеть (рис. 6.11), к которой можно
применить алгоритм определения кратчайш его пути.
Рис. 6.11. Сетевая модель для задачи поиска кратчайшего пути

С помощью программы TORA находим кратчайш ий путь для полученной сети:

1-»3-»5-»7 с соответствующей “ длиной” пути 1,1707 (= - lo g p 17). Таким образом,
максимальная вероятность не быть остановленным равн ар17 = 0,0675.
Пример 6.3.3. Головоломка о трех бидонах

Восьмилитровый бидон заполнен некой жидкостью, а два бидона емкостью 5 и 3
литра пусты. Необходимо разделить 8 литров жидкости на две равные части, ис
пользуя только три имеющихся бидона. Какое минимальное количество перелива
ний из бидона в бидон надо сделать, чтобы достичь желаемого результата?
Вы, вероятно, уже нашли решение этой головоломки. Вместе с тем ее можно ре
шить как задачу о нахождении кратчайш его пути.
В этой сетевой модели каж дый узел будет соответствовать объемам жидкости в 8-,
5- и 3-литровом бидонах. Начальным узлом будет (8, 0, 0), а конечным — (4, 4, 0).
Новый узел получается из текущего при однократном переливании жидкости из
одного бидона в другой.
На рис. 6.12 показаны различные маршруты, ведущие от начального узла (8, 0, 0)
к конечному (4, 4, 0). Таким образом, наша головоломка сведена к задаче опреде
ления кратчайш его пути между узлами (8, 0, 0) и (4, 4, 0).
Оптимальное решение, показанное в нижней части рис. 6.12, требует семи перели
ваний из бидона в бидон.
1. Создайте заново модель замены оборудования из примера 6.3.1, предполагая,
что автомобиль до замены должен эксплуатироваться не менее 2-х и не более
4-х лет. Стоимость замены автомобилей в 2001-2005 годах приведена в сле
Стоимость замены (долл.) в зависимости от срока эксплуатации

Год покупки 1 2 3
2001 3800 4100 6800

2002 4000 4800 7000
2003 4200 5100 7200
2004 4800 5700 —
2005 5300 —
2. На рис. 6.13 показана коммуникационная сеть между двумя приемно

передающими станциями 1 и 7. Возле каждой дуги этой сети указаны веро
ятности передачи сообщений без потерь по этим дугам. Необходимо найти
маршрут от станции 1 к станции 7 с максимальной вероятностью успешной
передачи сообщений. Сформулируйте эту задачу как поиск кратчайш его пу
ти и решите ее с помощью программы TORA.
3. Тостер старой конструкции имеет две подпружиненные дверцы на петлях,

размещенные с ^обеих сторон тостера. Ломтик хлеба помещается в тостер
с одной стороны и дверца закрывается, затем другой ломтик хлеба загружа
ется в тостер с противоположной стороны. После того как одна сторона лом
тика хлеба подрумянится, он переворачивается. Задача заключается в опре
делении последовательности операций (помещение ломтика хлеба,
поджаривание одной стороны, переворачивание ломтика в тостере и извле
чение готового хлеба из тостера), необходимых для поджаривания трех лом
тиков хлеба за минимально возможное время. Сформулируйте эту задачу как
определение кратчайш его пути, используя следующие данные о времени вы
полнения различных операций.
Операция Время (секунды)
Помещение ломтика хлеба в тостер 3

Поджаривание одной стороны ломтика 30
Переворачивание ломтика в тостере 1
Извлечение ломтика из тостера 3
4. П ланирование производства. К омпания продает некую продукцию, спрос на

которую в следующие 4 месяца составит 100, 140, 210 и 180 единиц соответ
ственно. Компания может удовлетворить любой помесячный спрос на про
дукцию и даже спрос на два и более месяцев вперед. В последнем случае не
обходимо платить 1,20 долл. за хранение единицы избыточно произведенной
продукции в течение месяца. П окупная цена единицы продукции в следую
щие 4 месяца будет равна 15, 12, 10 и 14 долл. соответственно. Стоимость пе
реналадки оборудования для выполнения заказа составляет 200 долл. Ком
пания хочет разработать такой производственный план, чтобы
минимизировать расходы на выполнение заказов, покупку продукции и ее
хранение. Сформулируйте задачу как поиск кратчайшего пути и найдите ее
оптимальное решение с помощью программы TORA.
5. Задача о рюкзаке. Путешественник, собираясь в путь, пытается поместить
в свой рю кзак (объемом 5 кубических футов) наиболее необходимые в путе
шествии вещи. Есть три вещи, объемом соответственно 2, 3 и 4 кубических
фута, необходимость в которых оценивается (по 100-балльной ш кале) в 30,
50 и 70 баллов. Сформулируйте эту задачу как сетевую, где необходимо оп
ределить самый длинный путь, и найдите ее оптимальное решение. (Совет.
Узел в этой сети можно определить как пару [і, и], где і — номер выбираемой
вещи, a u — свободный объем рю кзака, оставшийся после выбора і-й вещи.)
6.3.2. Алгоритм определения кратчайшего пути

В этом разделе представлены два алгоритма для решения задачи поиска крат
чайшего пути как в сетях, имеющих циклы , так и в сетях, не имеющих циклов.
1. Алгоритм Дейкстры.
2. Алгоритм Флойда.
Алгоритм Дейкстры разработан для поиска кратчайшего пути между заданным
исходным узлом и любым другим узлом сети. Алгоритм Флойда более общий, по
скольку он позволяет одновременно найти минимальные пути между любыми дву
мя узлами сети.
Алгоритм Дейкстры. В процессе выполнения этого алгоритма при переходе от
узла і к следующему узлу j используется специальная процедура пометки ребер.
Обозначим через и, кратчайшее расстояние от исходного узла 1 до узла г, через dtj —
длину ребра (г, j). Тогда для узла j определим метку [ujf і] следующим образом.
[u., i] = [u, + dtj, /], >0
Метки узлов в алгоритме Дейкстры могут быть двух типов: временные и посто
янные. Временная метка впоследствии может быть заменена на другую временную,
если будет найден более короткий путь к данному узлу. Когда же станет очевид
ным, что не существует более короткого пути от исходного узла к данному, статус
временной метки изменяется на постоянный.
Вычислительная схема алгоритма состоит из следующих этапов.
Этап 0. Исходному узлу (узел 1) присваивается постоянная метка [0, — ].
Полагаем і = 1.
Этап 1.
а) Вычисляются временные метки [ut + dtj, і] для всех узлов j, которые можно
достичь непосредственно из узла і и которые не имеют пост оянных ме
ток. Если узел j уже имеет метку [и., k\, полученную от другого узла k, и,
если ц, + dtj < иг тогда метка [и k\ заменяется на [ц( + dtj, і].
b) Если все узлы имеют постоянные метки, процесс вычислений заканчива
ется. В противном случае выбирается метка \ur, s] с наименьшим значени
ем расстояния иг среди всех временны х меток (если таких меток несколь
ко, то выбор произволен). Полагаем і = г и повторяем этап L
Пример 6.3.4
На рис. 6.14 показана транспортная сеть, состоящая из пяти городов (расстояния меж
ду городами (в милях) приведены возле соответствующих дуг сети). Необходимо найти
кратчайшие расстояния от города 1 (узел 1) до всех остальных четырех городов.
Этап 0. Назначаем узлу 1 постоянную метку [0, —].

Этап 1. Из узла 1 можно достичь узлов 2 и 3. Вычисляем метки для этих
узлов, в результате получаем следующую таблицу меток.
Узел Метка Статус метки
1 [0 ,-] Постоянная
2 [0 + 100, 1] = [100, 1] Временная
3 [0 + 30, 1] = [30, 1] Временная
г
Среди узлов 2 и 3 узел 3 имеет наименьшее значение расстояния
(и3= 30). Поэтому статус метки этого узла изменяется на “ постоянная” .
Этап 2. Из узла 3 (последнего узла с постоянной меткой) можно попасть

в узлы 4 и 5. Получаем следующий список узлов.
1 [0 ,-] Постоянная
2 [100, 1] Временная
3 [3 0 ,1 ] Постоянная
4 [30 + 10, 3] = [40, 3] Временная

5 [30 + 60, 3] = [90, 3] Временная
Временный статус метки [40, 3] узла 4 заменяется постоянным (г/4 = 40).

Этап 3. Из узла 4 можно достичь узлов 2 и 5. После вычисления меток по
лучим следующий их список.

1 [ 0 ,- ] Постоянная
2 [40 + 15, 4] = [55, 4] Временная
3 [30,1] Постоянная
4 [40, 3] Постоянная
5 [90, 3] или [40 + 50, 4] = [90, 4] Временная
Временная метка [100, 1], полученная узлом 2 на втором этапе, из

менена на [55, 4]. Это указывает на то, что найден более короткий
путь к этому узлу (проходящий через узел 4). На третьем этапе узел
5 получает две метки с одинаковым значением расстояния иь = 90.
Этап 4. Из узла 2 можно перейти только в узел 3, но он уже имеет постоянную
метку, которую нельзя изменить. Поэтому на данном этапе получа
ем такой же список меток, как и на предыдущем, но с единственным
изменением: метка узла 2 получает статус постоянной. С временной
меткой остается только узел 5, но, так как из этого узла нельзя по
пасть ни в какой другой, процесс вычислений заканчивается.
Алгоритм позволяет проводить вычисления непосредственно на схеме сети, как
показано на рис. 6.15.
1№ ПГп
Рис. 6.15. П р и м ен ен и е а лго р и т м а Д е й к ст р ы
Кратчайший маршрут между узлом 1 и любым другим узлом определяется начиная

с узла назначения путем прохождения их в обратном направлении с помощью ин
формации, представленной в постоянных метках. Например, для определения
кратчайшего маршрута между узлами 1 и 2 получаем такую обратную последова
тельность узлов
(2) -> [55, 4] -> (4) -> [40, 3] -> (3) -> [30, 1] -> (1).
Таким образом, получаем путь 1 —» 3 —» 4 —» 2 общей длиной 55 миль.
Программа TORA такж е может прим енять алгоритм Д ейкстры для реш ения се
тевых задач. Д ля этого в меню SOLVE/MODIFY выберите команду Solve problemO
Iterations1^ Dijkstra’s algoritm (Алгоритм Д ейкстры ). На рис. 6.16 показано выходное
окно TORA с реш ением задачи из примера 6.3.4 (файл ch6T oraD ijkstraE x6-3-4.txt).
« Т 0 IWotkUo FiIk V h*Tor4f)i)kxtr f A 4 4 Ы «. J
NETWORK MODELS
т іM ‘ ч а т ц ч . ї д і - i m im
•......an n» MД |I
гф k«iivio «■
_______________________________________________ OMKSTP ■ S S H Q 'I ES • » Ц Т Е Д < « ч ,1 H ________________________________________________
pSe1 r і ■ pul D pt'.-i —і
Tl • Еж . p i* 6 4
Hod*
fteidlron 1
1 [0.00, -]
IV W 1J
O pt «і - n
Lest Iteration provides c f& n jn г с Л г

10,00, I
11''.00, 1]
[X.oo. 1 ]
И» і)
|X(00, 3{ ł“Vere«)r
Relation З
1 [0.0O, .]
4* »l
ІЗЛ00, 1]
|4 -,0 0 , 3)
[90,00, 3)
View/Modify I» p f Tata MAIM Menu Evj1T0FA
Р ис. 6.16. Р еш ен и е за д а ч и и з п рим ера 6.3.4
1. На рис. 6.17 показана транспортная сеть, соединяю щ ая восемь городов,
и расстояния между ними. Найдите кратчайш ие марш руты между следую
щ ими городами.
a) Города 1 и 8.
b ) Города 1 и 6.
c) Города 4 и 8.
d) Города 2 и 6.
2. Найдите кратчайш ие пути между узлом 1 и всеми остальными узлами сети,
представленной на рис. 6.18.
3. Найдите оптимальное решение задачи из упраж нения 6.3.1.1.
4. Найдите оптимальное решение задачи из упраж нения 6.3.1.2.
5. Найдите оптимальное реш ение задачи из упраж нения 6 .3.1.4.
Алгоритм Флойда. Этот алгоритм более общий по сравнению с алгоритмом

Дейкстры, так как он находит кратчайш ие пути между лю быми двум я узлам и
сети. В этом алгоритме сеть представлена в виде квадратной м атрицы с п стро
ками и п столбцами. Элемент (i, j) равен расстоянию dtj от узла і к узлу j, кото
рое имеет конечное значение, если сущ ествует дуга (i, j), и равен бесконечности
в противном случае.
Покажем сначала основную идею метода Флойда. Пусть есть три узла i, j w. к
изаданы расстояния между ними (рис. 6.19). Если выполняется неравенство
dlj + djlt< d llt, то целесообразно заменить путь путем і - » / - » Л. Такая замена
(далее ее будем условно называть треугольным оператором) выполняется система
тически в процессе выполнения алгоритма Флойда.
Алгоритм Флойда требует выполнения следующих действий.

Этап 0. Определяем начальную матрицу расстояний D0 и матрицу после
довательности узлов S 0. Диагональные элементы обеих матриц
помечаются знаком “ — ” , показывающим, что эти элементы в вы
числениях не участвуют. Полагаем к = 1.
— с/12 ... dy d in
с/21 — ... d 2j dm
D0 = ... ... ...
dn da da dm
... ... ...
dni dni dnj —
— 2 ... І n
1 — ... ] n
So = ... ... ... ... ...
1 2 ... J' n
... ...
1 2 ] —
Основной этап к. Задаем строку ft и столбец ft как ведущ ую ст року и ведущий

столбец. Рассматриваем возможность применения треугольного
оператора ко всем элементам dtj матрицы Dk_r Если выполняется
неравенство
d ik + d k, < d ,j’ V * k , j * k K i * j ) ,
то делаем следующее:
a) создаем матрицу Dt путем замены в матрице элемента dtj
суммой dlk + dkj,
b) создаем матрицу S k, меняя в матрице S k_l элемент st/ на ft. Пола
гаем ft = ft + 1 и повторяем этап ft.
Поясним действия, выполняемые на ft-м этапе алгоритма, представив матрицу
Dk_l так, как она показана на рис. 6.20. На этом рисунке строка k и столбец k явля
ются ведущими. Строка і — любая строка с номером от 1 до f t- 1, а строка р —
произвольная строка с номером от ft + 1 до п. Аналогично столбец / представляет
любой столбец с номером от 1 до ft - 1, а столбец q — произвольный столбец с номе
ром от ft + 1 до п. Треугольный оператор выполняется следующим образом. Если
сумма элементов ведущих строки и столбца (показанных в квадратиках) меньше
элементов, находящ ихся на пересечении столбца и строки (показаны в кружках),
соответствующих рассматриваемым ведущим элементам, то расстояние (элемент
в кружке) заменяется суммой расстояний, представленных ведущими элементами.
После реализации п этапов алгоритма определение по матрицам Dn и S n крат
чайшего пути между узлами і и j выполняется по следующим правилам.
1. Расстояние между узлами і и у равно элементу dtj в матрице Dn.
2. Промежуточные узлы пути от узла і к узлу j определяем по матрице S n.
Пусть st/ = ft, тогда имеем путь і —» ft —» j. Если далее slk = ft и sk/ = j, тогда
считаем, что весь путь определен, так как найдены все промежуточные уз
лы . В противном случае повторяем описанную процедуру для путей от узла
і к узлу ft и от узла ft к узлу j.
Ведущий
Столбец столбец Столбец
j к Я
Пример 6.3.5
Найдем для сети, показанной на рис. 6.21, кратчайш ие пути между любыми двумя
узлами. Расстояния между узлами этой сети проставлены на рисунке возле соот
ветствующих ребер. Ребро (3, 5) ориентированно, поэтому не допускается движе
ние от узла 5 к узлу 3. Все остальные ребра допускают движение в обе стороны.
ЭтапО. Начальные матрицы D0 и S 0 строятся непосредственно по заданной

схеме сети. Матрица D0 симметрична, за исключением пары элементов
d35и dSi, где d53= оо (поскольку невозможен переход от узла 5 к узлу 3).
Do So
3 З
1 — 3 10 GO оо 1 2 3 4 5
2 ЯШ — 00 5 00 2 1 3 4 5
3 10 00 — 6 15 3 1 2 4 5
4 00 5 6 — 4 4 1 2 3 — 5
5 00 00 00 4 5 1 2 3 4 —
Этап 1. В матрице D0 выделены ведущие строка и столбец с номером k = 1.

Затемненными представлены элементы d23 и d32, единственные
среди элементов матрицы D0, значения которых можно улучшить
с помощью треугольного оператора. Таким образом, чтобы на ос
нове матриц D0 и S 0 получить матрицы D, и S,, выполняем сле
дующие действия.
1. Заменяем d23на d21 + d13 = 3 + 10 = 13 и устанавливаем s23 = 1.
2. Заменяем d32на d3l + d12 = 10 + 3 = 13 и устанавливаем s32 = 1.
М атрицы -D, и S, имеют следующий вид.
О, S,
1 2 3 4 5 1 2 3 4 5
1 — 10 СО 00 1 — 2 3 4 5
2 йР!?- 13 2 1 — 1 4 5
3 10 13 — 6 15 3 1 1 — 4 5
4 .00 5 6 — 4 4 1 2 3 — 5
5 00 ot) 00 4 — 5 1 2 3 4 —
Этап 2. Полагаем k = 2; в матрице D, выделены ведущие строка и столбец.

Треугольный оператор применяется к элементам матриц D, и S,,
выделенным затенением. В результате получаем матрицы D2и S 2.
Ог S2
1 2 3 4 5 1 2 3 4 5
1 — 3 /ИО;:.. 8 00 1 — 2 3 2 5
2 3 — 5 X 2 1 — 1 4 5,
3 10 ■д.—Е; 15 3 1 1 — 4 5
4 8 5 т *1 — 4 4 2 2 3 — 5
5 00 00 •К'ОЙ;- 4 — 5 1 2 3 4 —
Этап 3. Полагаем k = 3; в матрице D2 выделены ведущие строка и столбец.

Треугольный оператор применяется к затемненным элементам
матриц D 2и S 2. В результате получаем матрицы D3и S 3.
D3 S3
1 2 3 4 5 1 2 3 4 5
1 — 3 10 8 25 1 — 2 3 2 3
2 3 — 13 5ts 28 2 1 — 1 4 3
3 10 13 — 15 3 1 1 — 4 5
4 5 6 — 4 2 2 3 — 5
5 00 .Ф 00 4 — 5 . 1 2 3 4 —
Этап 4. Полагаем k = 4, ведущие строка и столбец в матрице D3 выделены.

Получаем новые матрицы Dt и S t .
Da s4
1 2 3 4 5 1 2 3 4 5
1 — 3 10 8 12 1 — 2 3 2 4
2 3 — 11 5 9 2 1 — 4 4 4
3 10 11 — 6 10 3 1 4 — 4 4
4 8 5 6 — 4 4 2 2 3 — 5
5 12 9 10 4 — 5 4 4 4 4 —
Этап 5. Полагаем k = 5, ведущие строка и столбец в матрице Dt выделены.

Н икаких действий на этом этапе не выполняем; вычисления за
кончены.
Конечные матрицы Dt и St содержат всю информацию, необходимую для определе
ния кратчайш их путей между любыми двумя узлами сети. Например, кратчайшее
расстояние между узлами 1 и 5 равно dI5 = 12.
Для определения соответствующих маршрутов напомним, что сегмент маршрута
(i,j) состоит из ребра (/,_/) только тогда, когда stj = j . В противном случае узлы / и j
связаны, по крайней мере, через один промежуточный узел. Например, поскольку
s]5 = 4 и s45 = 5, сначала кратчайш ий маршрут между узлами 1 и 5 будет иметь вид
1 -» 4 -» 5. Но так как s]4 ф 4, узлы 1 и 4 в определяемом пути не связаны одним реб
ром (но в исходной сети они могут быть связаны непосредственно). Далее следует
определить промежуточный узел (узлы) между первым и четвертым узлами. Имеем
= 2 и s2t = 4, поэтому маршрут 1 -> 4 заменяем 1 -> 2 -» 4. Поскольку s]2 = 2
И524= 4, других промежуточных узлов нет. Комбинируя определенные сегменты
маршрута, окончательно получаем следующий кратчайш ий путь от узла 1 до узла
5:1 -» 2 -» 4 -» 5. Длина этого пути равна 12 милям.
Программа TORA такж е может применять алгоритм Флойда для решения сете
вых задач. Д ля этого в меню S O LV E/M O D IFY выберите команду Solve problem^
Iterations^ Floyd’s algoritm (Алгоритм Флойда). Н а рис. 6.22 показано выходное ок
но TORA с решением задачи из примера 6.3.5 (файл ch6ToraFloydEx6-3-5.txt).
1. В задаче из примера 6.3.5 определите кратчайш ие пути между следующими
парами узлов.
a) От узла 5 к узлу 1.
b ) От узла 3 к узлу 5.
c) От узла 5 к узлу 3.
d) От узла 5 к узлу 2.
2. Примените алгоритм Флойда к сети, показанной на рис. 6.23. Заметьте, что
ребра (7, 6) и (6, 4) ориентированы. Определите кратчайш ие пути между сле
дующими парами узлов.
• TOR* D:\Work\ToraFiles\ch6ToraFloydEx6 3-5.txt 0 0 8

N ETW O R K M ODELS
томврмвммт.ппнмик)
C ÎMflXOVSCHWV*ТЯ1Aflngія
ttми«
•ГфШ Ащр 0 ,0 1 1 1 9
_____________________________________________FLOYD S SHORTEST ROUTE ALGORITHM_____________________________________
r S e le c t O u tpu t O p tio n —л
Ite ratio ns
Vie1'* Modify lnpi.it [іа і Ma IM Menu Екг! DFi.fl
Р ис. 6.22. Р еш ен и е за д а ч и и з п р и м ер а 6.3.5
a) От узла 1 к узлу 7.
b) От узла 7 к узлу 1.
c) От узла 6 к узлу 7.
3. Телефонная ком пания обслуживает шесть удаленных друг от друга районов,

которые связаны сетью, показанной на рис. 6.24. Расстояния на схеме сети
указаны в м илях. Компании необходимо определить наиболее эффективные
марш руты пересылки сообщений между любыми двумя районами.
6.3.3. Формализация задачи поиска кратчайшего пути как задачи ЛП

В этом разделе рассмотрим две формализации задачи определения кратчайшего
пути как задачи линейного программирования. Эти формализации достаточно об
щие в том смысле, что позволяют находить кратчайш ие пути между двумя любыми
узлами сети (как в алгоритме Флойда).
Пусть сеть состоит из п узлов и нужно найти кратчайш ий путь между некото
рыми узлами s и t этой сети.
Ф ормализация 1. В этой формализации предполагается, что в узел s входит од
на единица внешнего потока и этот поток выходит через узел t сети. Обозначим
x,j — величина потока, проходящего по дуге (і, j),
Су — длина дуги (i, j ).
Поскольку только одна единица потока может пройти через любую дугу в к аж
дый момент времени, переменные x tj должны быть двоичными (т.е. они могут прини
мать только значения 0 или 1). В этих обозначениях целевая функция запишется как
минимизировать Х СЛ
по веем сущ ествую щ и м д у іа м ( / . / )
Для каждого уэла определяется только одно ограничение, задающее баланс по
тока, проходящего через данный узел:
общий входной поток = общий выходной поток.
Ф ормализация 2. Эта формализация фактически определяет двойственную за
дачу к прямой задаче, формализованной первым способом. Поскольку количество
ограничений в первой формализации равно количеству узлов, двойственная задача
будет иметь столько же переменных, сколько узлов в сети. Эти переменные будут
свободными (т.е. могут принимать как положительные, так и отрицательные зна
чения), так как в прямой задаче все ограничения выражаются в виде равенств.
Пусть
у. — переменная двойственной задачи, ассоциированная с узлом j.
Считая узлы s и t начальным и конечным узлами сети, двойственная задача за
пишется следующим образом.
М аксимизировать z = у, - уг
!/.-!/,< сц для всех возможных пар і и j,
все і/, свободные переменные.
Пример 6.3.6
Рассмотрим сеть из примера 6.3.4. Предположим, что необходимо определить
кратчайш ий путь из узла 1 в узел 2. Таким образом, здесь s = 1 и t = 2. На рис. 6.25
показано, как одна единица потока входит в узел 1 и выходит из узла 2.
Первая формализация дает следующую задачу ЛП.

*12 *13 *23 *34 *35 *42 /4 5
Минимизировать z = 100 30 20 10 60 15 50
Узел 1 -1 -1 = -1
Узел 2 1 -1 1 = 1
Узел 3 1 1 -1 -1 =0
Узел 4 1 -1 -1 =0
Узел 5 1 1 =0
Ограничения представляют балансы потоков, протекающих через каж ды й узел.

Например, в узле 2 баланс потоков “ входной поток = выходной поток” выражается
как равенство х 12 + x i2 = 1 + х 23. Отметим, что одно из ограничений всегда будет из
лиш ним. Например, сумма четырех последних ограничений дает равенство х 12 + д:13
= 1, которое совпадает с первым ограничением.
Оптимальным решением (полученным с помощью программы TORA, файл
ch6ToraLpShortRouteEx6-3-6.txt) является z = 55, x l3 = 1, х и = 1, x t2 = 1. Это решение
дает кратчайш ий путь 1 —> 3 —> 4 —>2 из узла 1 в узел 2 длиной z — 55 (миль).
При использовании второй формализации задача, двойственная к представленной
выше задаче ЛП, имеет вид.
М аксимизировать z = y2- y l
у2- у 1< 100 (маршрут 1-2),
у3- у ^ 30 (маршрут 1-3),
у3- у 2< 20 (маршрут 2-3),
yt - y 3< 10 (маршрут 3-4),
Уь~ Уг —60 (м арш рут3-5),
у 2 - y t < 15 (маршрут 4-2),
У5~У4< 50 (м арш рут4-5),

у,, у2, ys — свободные переменные.
Хотя двойственная задача строится чисто математическим путем на основе прямой
задачи, ее можно сформулировать, не опираясь н апрям ую задачу.
Определим і/, как расстояние до узла і.2 Из этого определения следует, что крат
чайшее расстояние между узлами 1 и 2 можно найти путем максимизации величи
ны у2 - у г Ограничение, связанное с маршрутом (t, j), показывает, что расстояние
от узла і до узла j не может превыш ать длину этого маршрута. Это расстояние мо
жет быть меньше длины маршрута, если узел j можно достичь из узла і через дру
гие промежуточные узлы, как предлагает кратчайш ий путь. Например, расстояние
от узла 1 до узла 2 не может превыш ать 100.
Если переменные yt интерпретируются как расстояния, то мы вправе предполо
жить, что все эти переменные неотрицательны (вместо условия, что они свободны).
Мы также можем положить, что 1^ = 0 как расстояние до узла 1. Исходя из этих
предположений получаем оптимальное решение: г = 5 5 , у х - 0, i/2 = 55, i/3 = ЗО,
yt = 40, ys = 0. Значение г = 55 дает кратчайш ее расстояние от узла 1 до узла 2. Это
же значение можно получить как у 2- у х — 55 - 0 = 55.
Определение кратчайш его пути из этого реш ения не очевидно. Нетрудно проверить
непосредственными вычислениями, что решение удовлетворяет ограничениям для
маршрутов 1-3, 3-4 и 4-2 в виде равенст в. Эти ограничения и определяют крат
чайший путь как 1 —» 3 —» 4 —» 2.
Другой способ найти ограничения, которые выполняются в виде равенств, заклю
чается в использовании реш ения двойственной задачи, полученной с помощью вто
рой формализации. Любое ограничение, которое включает ненулевую двойствен
ную переменную, должно выполняться в виде равенства (см. раздел 4.2.4).
Следующая таблица показывает маршруты (ограничения) и значения соответст
вующих двойственных переменных.
Маршрут (ограничение) 1-2 1-3 2-3 3-4 3-5 4-2 4-5
Двойственная переменная 0 1 0 1 0 1 0
1. В примере 6.3.6, используя обе формализации, найдите кратчайшие пути
для следующих пар узлов.
a) От узла 1 до узла 5.
b) От узла 2 до узла 5.
2 Здесь предполагается отсчитывать расстояние от некоторой фиксированной точки, од

ной для всех узлов. Н иж е в качестве такой начальной точки взят узел 1. — Прим. ред.
6.3.4. Решение задачи поиска кратчайшего пути в Excel

Шаблон Excel, предназначенный для решения общей транспортной задачи (см. раз
дел 5.3.3), можно немного модифицировать для решения задачи нахождения кратчай
шего пути. Д ля решения задачи используется первая формализация (раздел 6.3.3).
Максимальный размер сети — 10 узлов. Н а рис. 6.26 показан рабочий лист, на котором
решается задача из примера 6.3.4 (файл ch6SolverShortestRoute.xls). Матрица расстоя
ний записана в диапазоне В 6:К 15.3 “ Бесконечное” значение расстояния (равное
здесь 9999 или другому достаточно большому числу) вводится для несуществую
щ их дуг. Поскольку определяется кратчайш ее расстояние между узлами 1 и 2, ве
личина предлож ения д ля узла 1 и величина спроса для узла 2 устанавливаются
равными 1. Остальные значения спроса и предлож ения остаются равными нулю.
В С D Е F 0 і 1 1
1 Задача нахождения кратчайшего пути __ I
2 Входные данные Z D
3 К-во уэпоа 5 .<.маю.-ммум Ш
4 Матрица удельных стоимостей
6 N1 N2 N3 N4 NS Предложения]
6" N1 9Э99 100 30 9999 9999 1
7 N2 9999 9999 30 9999 9999 0
8 N3 9999 9999 9999 10 60 0
9 N4 9999 15 9999 9999 50 0
1C N5 9999 9999 9999 9999 9999 0
11Є Спрос 0 1 0 0 0
1 17 Оптимальное решение Промежуточные вычисления 1
18 ОБщая стоимость 5 5 ............. Имя Узел Поток Спрос От В Уд. стоимость!
19, О т-в Поток 1р спос N1 1 1 1 2 100
20 N1 -N 2 0 999999 N2 -1 -1 I 3 30
21 N1 - N3 1 999999 N3 J -1Е-11 0 1 4 9999
22 N1 - N4 0 999999 N4 4 0 0 I 5 9999
23 N1 - N5 0 999999 N5 " -IE 13 С 2 1 9999
24 N2 - N1 0 999999 2 3 30
25 N 2-N 3 0 999999 2 4 9999
26 N 2-N 4 0 999999 2 5 9999
27 N 2-N 6 0 999999 3 1 9999
28 N3-N1 0 999999 3 2 9999
29 N 3-N 2 0 999999 3 4 10
30 N 3-N 4 1 999999 3 5 60
31 N 3-N 5 1Е-13 ; 999999 4 1 9999
132 N4 - N1 | 0 999999 4_ 2 __ 15
Поиск «еш ения НЕЗі
Установить целевую ячейсу: |$8$18 | Выполнить | I

Равной: Г иамсимапьнону значению Значению: Р 1 Заіфьггь I
а нинимальноку значению
Изменяя ячейки.
|$В$20:$В$39 5] г^эедполгокить 1
Ограничения. Параметры j
|$F$19:$F$23 = $G$19:$G$23 Добавить |
_
Изменить I
*■*” Восстановить
"1""1"
5£далить | -----
J — С правка J
—
Рис. 6.26. В ы ч и с л е н и е к р а т ч а й ш е го п у т и в E x c e l
3 На рис. 6 .2 6 строки от 11 д о 15 и столбец К скрыты для экономии места.

После того как будут введены значения спроса и предложения, рабочий лист пе
ресчитывается автоматически. Выделенные столбцы В, С, F и G содержат исходные
данные задачи, необходимые для использования средства Поиск решения. Д иапа
зон В20.В39 (изменяемые ячейки для средства Поиск решения) содержит величины
потоков, проходящие по каждой дуге. Столбец С содержит значение пропускных
способностей дуг (диапазон С20:С39). В задаче поиска кратчайшего пути эти про
пускные способности в вычислениях не участвуют, поэтому они имеют
“бесконечные” значения (равные 99999). Ограничения модели представляют ба
лансы потоков, проходящих через каж дый узел. Как показано в разделе 5.3.3,
с помощью функций СУММЕСЛИ вычисляю тся чистые потоки через каждый узел,
для чего используются данные из столбцов I и J . Все эти вычисления выполняются
автоматически. Все, что необходимо сделать вам для решения задачи, — это ука
зать диапазон изменяемых ячеек и задать ограничения в диалоговом окне средства
Поиск решения. На рис. 6.26 видно, что изменяемые ячейки составляют диапазон
В20:В39, а ограничения задаются в виде равенства F19:F23=G19:G23.
Решение N1-N3 = 1, N3-N4 = 1 и N4-N2 = 1, показанное на рис.6.26, дает общее
расстояние 55 миль. Это решение означает, что кратчайш ий путь проходит через
узлы 1 —» 3 —» 4 —» 2.
1. Измените рабочую книгу ch6SolverShortestRoute.xls применительно к задаче
примера 6.3.4, чтобы найти кратчайшие пути между следующими парами узлов.
a) От узла 1 до узла 5.
b ) От узла 4 до узла 3.
2. Измените рабочую книгу ch6SolverShortestR oute.xls применительно к задаче
из упражнения 6.3.1.2, чтобы найти кратчайш ий путь между узлами 4 и 7.
6.4. ЗАДАЧА О МАКСИМ АЛЬНОМ ПОТОКЕ

Рассмотрим сеть трубопроводов для транспортировки сырой нефти от буровых
скважин до нефтеперегонных заводов. Д ля перекачки нефти предусмотрены магист
ральные насосные станции. Каждый сегмент трубопровода имеет свою пропускную
способность. Сегменты трубопровода могут быть как однонаправленные
(осуществляют перекачку нефти только в одном направлении), так и двунаправлен
ные. В однонаправленных сегментах положительная пропускная способность пред
полагается в одном направлении и нулевая — в другом. На рис. 6.27 показана типо
вая сеть нефтепроводов. Как определить максимальную пропускную способность (т.е.
максимальный поток) между нефтяными скважинами и нефтеперегонными заводами?
При решении данной задачи исходную сеть необходимо свести к сети с одним
источником и одним стоком. Этого можно достичь, вводя дополнительные дуги
с бесконечной пропускной способностью от источника к скважинам и от нефтепере
гонных заводов к стоку (на рис. 6.27 эти дуги показаны пунктирными линиями).
Для ребра (i, у), где і < у, используем запись (CIJ,CJI) для представления пропуск
ных способностей в направлениях і —>у и у —>і соответственно. Во избежание недо
разумений на схеме сети С,; будем располагать на ребре (i, у) ближе к узлу і, а Ср —
ближе к узлу у, как показано на рис. 6.28.
заводы
Рис. 6.27. Сеть, свя зы ва ю щ а я скваж ины , насосны е с т а н ц и и и неф т еперегонны е заводы
© - 5 ------------
Рис. 6.28. О бозначение п р о п у с к н ы х способност ей
6.4.1. Перебор разрезов

Разрез определяет множество ребер, при удалении которых из сети полностью
прекращается поток от источника к стоку. Пропускная способность разреза равна
сумме пропускных способностей “ разрезанных” ребер. Среди всех разрезов сети раз
рез с минимальной пропускной способностью определяет максимальный поток в сети.
Пример 6.4.1
Рассмотрим сеть, показанную на рис. 6.29. Н а этом рисунке при обозначении про
пускных способностей двунаправленных ребер придерживались соглашения, при
нятого ранее (рис. 6.28). Например, для ребра (3, 4) пропускная способность в на
правлении 3 —> 4 равна 10, а в направлении 4 —> 3 — только 5.
Г
Разрез 2
і
/
/
Рис. 6.29. П р и м ер р азрезов сет и

Разрезы, представленные на рис. 6.29, имеют следующие пропускные способности.
Разрез “Разрезанные" ребра Пропускная способность
1 (1 .2 ), (1 ,3 ), (1 ,4 ) 10 + 30 + 20 = 60
2 (1 ,3 ), (1 ,4 ), (2, 3), (2, 5) 30 + 10 + 40 + 30 = 110
3 (2, 5), (3, 5), (4, 5) 30 + 20 + 20 = 70
Вывод, который можно сделать на основе этих трех разрезов, заклю чается в том,
что максимальный поток не может превыш ать 60 единиц. Но мы не можем сказать,
каков максимальный поток на самом деле, так как не перебрали все возможные
разрезы сети. К сожалению, перебор всех разрезов является непростой задачей. По
этому для определения максимального потока в сети не используются алгоритмы,
основанные на полном переборе разрезов. В следующем разделе будет показан эф
фективный алгоритм вычисления максимального потока.
УПРАЖНЕНИЕ 6.4.1
1. Д ля сети, показанной на рис. 6.29, проведите еще два разреза и найдите их
пропускные способности.
6.4.2. Алгоритм нахождения максимального потока

Идея данного алгоритма состоит в поиске сквозных путей с положительными
потоками от источника к стоку.
Рассмотрим ребро (і, у) с (начальной) пропускной способностью (С..С,,) . В про
цессе выполнения алгоритма части этих пропускных способностей “ забираются”
потоками, проходящими через данное ребро, в результате каждое ребро будет
иметь остаточную пропускную способность. Будем использовать запись (cjy, с.) для
представления остаточных пропускных способностей. Сеть, в которой все ребра
имеют остаточную пропускную способность, назовем остаточной.
Для произвольного узла у, получающего поток от узла і, определим метку [ау, і],
где а — величина потока, протекающего от узла j к узлу і. Чтобы найти макси
мальный поток, выполним следующие действия.
Этап 1. Д ля всех ребер (i, j ) положим остаточную пропускную способность
равной первоначальной пропускной способности, т.е. приравняем
( с у, с ) = (Ci tCj,) . Назначим а , = оо и пометим узел 1 меткой [оо, — ].
Полагаем і = 1 и переходим ко второму этапу.
Этап 2. Определяем множество S l как множество узлов j, в которые можно
перейти из узла і по ребру с положительной остаточной пропуск
ной способностью (т.е. cjy> 0 для всех j є S,). Если S, Ф0 , выполня
ем третий этап, в противном случае переходим к п. 4.
Этап 3. В множестве S, находим узел к, такой, что
Положим ак = с1к и пометим узел к меткой [ак, і]. Если последней

меткой помечен узел стока (т.е. если к = п), сквозной путь найден,
и мы переходим к пятому этапу. В противном случае полагаем

i = k и возвращаемся к п. 2.
Этап 4. Откат назад. Если і = 1, сквозной путь невозможен, и мы перехо
дим к п. 6. Если і ф 1, находим помеченный узел г, непосредствен
но предшествующий узлу і, и удаляем узел і из множества узлов,
смежных с узлом г. Полагаем і = г и возвращаемся ко второму этапу.
Этап 5. Определение остаточной сети. Обозначим через N = {1, kv k2, ..., п)
множество узлов, через которые проходит p -й найденный сквозной
путь от узла источника (узел 1) до узла стока (узел п). Тогда макси
мальный поток, проходящий по этому пути, вычисляется как
/р = min{a,, а и, ак2,
Остаточные пропускные способности ребер, составляющих сквоз
ной путь, уменьшаются на величину f в направлении движения
потока и увеличиваю т ся на эту же величину в противоположном
направлении. Таким образом, для ребра (i, j), входящего в сквоз
ной путь, текущие остаточные пропускные способности (с|у, cjt) из
менятся следующим образом:
a) (сч - с + fp), если поток идет от узла і к узлу j,
b) (с у+ fp, c/t - fp), если поток идет от узла j к узлу і.
Далее восстанавливаем все узлы, удаленные в п. 4. Полагаем і = 1
и возвращаемся ко второму этапу для поиска нового сквозного пути.
Этап 6. Решение.
a) При т найденных сквозных путях максимальный поток вы
числяется по формуле
F = f l + f 2 + . . . + f m.
b) Имея значения начальных (Cly,Cyj) и конечных (с,., с.,) пропуск
ных способностей ребра (i, j), можно вычислить оптимальный
поток через это ребро следующим образом. Положим
(a,p ) = [c,j - c ij, c jl- c j^ . Если а > 0, поток, проходящий через
ребро (i, j), равен а . Если же Р > 0, тогда поток равен р.
(Случай, когда одновременно a > 0 и р > 0, невозможен.)
Процесс отката назад на четвертом этапе выполняется тогда, когда алгоритм
должен “ убить” промежуточный узел до момента реализации сквозного пути. Кор
рекцию пропускных способностей, выполняемых в п. 5, можно пояснить на приме
ре простой сети, показанной на рис. 6.30. Н а рис. 6.30, а найден первый сквозной
путь ЛГ, = {1, 2, 3, 4} с максимальным потоком /, = 5. После этого остаточные пропу
скные способности ребер (1, 2), (2, 3) и (3, 4) изменятся соответственно с (5, 0) на
(0, 5). Н а рис. 6.30, б показан второй сквозной путь N 2 = {1, 3, 2, 4} с максимальным
потоком f 2= 5. После коррекции пропускных способностей получаем сеть, пока
занную на рис. 6.30, в, где уже невозможно построить сквозной путь. Почему так
получилось? При вычислении остаточных пропускных способностей в п. 5 при пе
реходе от сети б к сети в невозможна организация потока в направлении 2 -> 3. По
лучается, что алгоритм как бы “ помнит” , что поток в направлении 2 -> 3 уже был
в предыдущих сквозных путях, и поэтому снова (на пятом этапе) изменяет пропу
скную способность с 0 до 5 в направлении от узла 3 к узлу 2.
[5,1] [5,3]
[оо, п] [оо, п]
[5,2] 15,1]
Путь: 1-+3-+2-+4,/, = 5 Путь: 1->3->2->4,/2 = 5 Сквозны х путей нет
а) б) в)
Рис. 6.30. И сп о ль зо ва н и е о ст а т о чн ы х п р о п у с к н ы х способност ей д л я вы ч и с л е н и я пот ока
Пример 6.4.2
Найдем максимальный поток в сети из примера 6.4.1 (рис. 6.29). На рис. 6.31
предлагается графическая иллюстрация выполнения алгоритма. Считаем полез
ным сравнить описание выполняемых алгоритмом вычислительных итераций с их
графическим представлением.
Итерация 1. Положим остаточные пропускные способности (с:/, ct) всех ребер рав
ными первоначальным пропускным способностям (C^.C-i) .
Ш аг 1. Назначаем я, = оо и помечаем узел 1 меткой [оо, — ]. Полагаем / = 1.

Ш аг 2. = {2, 3, 4} (* 0 ).
Ш агЗ. к = 3, поскольку с13= тах{с12, с13, с14} = тах{20, 30, 10} = 30. Назна
чаем а3 = с,з = 30 и помечаем узел 3 меткой [30, 1]. Полагаем / = 3 и
возвращаемся к ш агу 2.
Ш аг 4. S2={ 4,5}.
Ш аг 5. к= 5 и я5= с35 = тах{10, 20} = 20. Помечаем узел 5 меткой [20,3].
Получен сквозной путь. Переходим к шагу 5.
Ш аг 6. Сквозной путь определяем по меткам, начиная с узла 5 и заканчи
вая узлом 1: (5)-> [20, 3] -» (3 ) -» [30, 1] -» (1). Таким образом, N, =
{1, 3, 5} и /j = min{flj, я3, я5} = {оо, 30, 20} = 20. Вычисляем остаточ
ные пропускные способности вдоль пути іV,:
(с13, с„) = (30 - 20, 0 + 20) = (10, 20),
(с„, с53) = (20 - 20, 0 + 20) = (0, 20).
Итерация 2
Шаг 1. Назначаем я, = оо и помечаем узел 1 меткой [оо, — ]. Полагаем / = 1.
Ш аг 2. 5, = {2, 3,4}.
Ш агЗ. к = 2 , назначаем аг = с12= тах{20, 10, 10} = 20 и помечаем узел 2
меткой [20, 1]. Полагаем / = 2 и возвращаемся к шагу 2.
Ш а г2. S2= {3, 5}.

Шаг 3. і = З и о 3 = с23 = 40. Помечаем узел 3 меткой [40, 2]. Полагаем і = 3
и возвращаемся к шагу 2.
[оо, n [oo, n
[ 20, 1]
O'—^[30, 1]
a)/, = 20
[30, 2] [ 20, 2]
[ 10, 1]
[oo
д)/5=ю
Рис. 6.31. Последовательное выполнение алгоритма нахождения максимального потока
Ш аг 2. S3 = {4} (отметим, что с35 = 0, поэтому узел 5 не включается в S3).

Ш аг 3. к = 4, назначаем а4 = см = 10 и помечаем узел 4 меткой [10, 3]. По
лагаем / = 4 и возвращаемся к ш агу 2.
Ш аг 2. St = {5} (поскольку узлы 1 и 3 уже помечены, они не включаются в 5,).

Ш агЗ . к — 5 и а5= с45 = 20. Помечаем узел 5 меткой [2 0 ,4 ]. Получен
сквозной путь. Переходим к шагу 5.
Ш аг 5. N2 = {1, 2, 3, 4, 5} и / 2 = min{°o, 20, 40, 10, 20} = 10. Вычисляем оста

точные пропускные способности вдоль пути N2:
(с12, с21) = (20 - 10, 0 + 10) = (10, 10),
(с23, с32) = (40 - 10, 0 + 10) = (30, 10),
(с34, с43) = (10 - 10, 5 + 10) = (0, 15),
(с„, сJ = (20 - 10, 0 + 10) = (10, 10).
Итерация 3
Ш аг 1. Назначаем а, = оо и помечаем узел 1 меткой [оо, — ]. Полагаем / = 1.
Ш аг 2. 5, = {2, 3,4}.
Ш агЗ . к= 2, назначаем аг = с12= шах{10, 10, 10} = 10 и помечаем узел 2
меткой [10, 1]. Полагаем /' = 2 и возвращаемся к ш агу 2.
Ш аг 2. <>2= { 3 ,5 } .
Ш агЗ. к = 3 и а3 = с23 = 30. Помечаем узел 3 меткой [30, 2]. Полагаем /' = 3
и возвращаемся к шагу 2.
Ш аг 2. S3 = 0 (поскольку c3i = с35 = 0). Переходим к шагу 4.
Шаг 4. Метка [30, 2] узла 3 показывает номер предшествующего узла г = 2.

На этой итерации узел 3 в дальнейшем во внимание не принимается,
его метку вычеркиваем. Полагаем /' = /• = 2 и возвращаемся к шагу 2.
Ш аг 2. S4 = {5} (поскольку узел 3 удален из возможного сквозного пути).

Ш агЗ. к = 5 и аь = с25 = 30. Помечаем узел 5 меткой [30, 2]. Получен
сквозной путь. Переходим к шагу 5.
Ш аг 5. N3 = {1, 2, 5} и / 3 = min{oo, 10, 30} = 10. Вычисляем остаточные про-

пускные способности вдоль пути N3:
(с12, с21) = (10 - 10, 10 + 10) = (0, 20),
(с». с«) = (30 - ю , 0 + 10 ) = (20 , 10 ).
Итерация 4. На этой итерации получен путь N4 = {1, 3, 2, 5} с f t = 10 (проверьте!).

Итерация 5. На этой итерации получен nyTbN5 = {1, 4, 5} с /5 = 10 (проверьте!).
Итерация 6. Новые сквозные пути невозможны, поскольку все ребра, исходящие
из узла 1, имеют нулевые остаточные пропускные способности. Переходим к ш а
гу 6 для определения решения.
Ш аг 6. М аксимальный объем потока в сети равен F = /, + / 2 + ... + / 5 = 20 +

10 + 10 + 10 + 10 —60 единиц. Значения потоков по различным
ребрам вычисляются путем вычитания последних значений оста
точных пропускных способностей (т.е. (ctj, с.()6) из первоначальных

значений пропускных способностей (Су,С.,) . Результаты вычисле
ний приведены в следующей таблице.
Ребро (С ,.С Я) —{су, Су/)б Величина потока Направление
(1 .2 ) (20, 0) - (0, 20) = (20, -2 0 ) 20 1 -> 2

(1 .3 ) (30, 0) - (0, 30) = (30, -3 0 ) 30 1 -> 3
(1 .4 ) (10, 0 ) - ( 0 , 1 0 ) = (10, -1 0 ) 10 1 -> 4
(2. 3) (40, 0) - (40, 0) = (0, 0) 0 —
(2, 5) (30, 0) - (10, 20) = (2 0 ,-2 0 ) 20 2 -> 5
(3, 4) (10, 5) - (0, 15) = (1 0 ,-1 0 ) 10 3 -> 4
(3, 5) (20, 0) - (0, 20) = (20, -2 0 ) 20 3 -> 5
(4, 5) (20, 0) - (0, 20) = (20, -2 0 ) 20 4 -> 5
Программа TORA позволяет найти максимальный поток или в автоматическом

режиме, или последовательно — так, как показано ранее. В меню SOLVE/MODIFY
выберите команду Solve problem. После задания выходного формата перейдите
в выходное окно и выберите команду Maximum Flows (М аксимальный поток) или
Iterations. На рис. 6.32 показано выходное окно TORA с первыми двумя итерациями
реш ения задачи из примера 6.4.2 (файл ch6ToraM axFlowEx6-4-2.txt).
1. В задаче из примера 6.4.2
a) для всех ребер определите величины неиспользованных пропускных спо
собностей;
b ) найдите величину потока, проходящего через узлы 2, 3 и 4;
c) можно ли увеличить максимальный поток в сети путем повышения про
пускных спесобностей в направлениях 3 -> 5 и 4 -> 5?
2. Найдите максимальный поток и значения потоков, проходящих через каж
дое ребро сети, показанной на рис. 6.33.
3. Три нефтеперегонных завода транспортируют свою продукцию двум распредели
тельным терминалам по сети трубопроводов, которая включает и насосные стан
ции (рис. 6.34). Направления потоков в сети показаны стрелками, пропускные
способности отдельных сегментов сети указаны в миллионах баррелей в день.
a) Определите ежедневную производительность каждого нефтеперегонного
завода, соответствующую максимальной пропускной способности сети
трубопроводов.
b ) Определите ежедневную потребность каждого распределительного терми
нала, соответствующую максимальной пропускной способности сети тру
бопроводов.
c) Определите ежедневную пропускную способность каждой насосной стан
ции, соответствующую максимальной пропускной способности сети тру
бопроводов.
i TORA D:\Work\ToraF1les\ch6ToraMdxFI0wEx6 4 2 .txt

NETWORK MODELS
томopatв ь і і а
до
с ^ у іііів в в а в ю т ^ д тна м п *і» м н »
■ф ін мцст а ххя і
MAXIMUM FLOW OUTPUT SUMMARY
rS e l c t Output Option —
T itle : E xam ple 6.4-2
Iteration 1
Stirling Flow Matrix
N1 N2 N3 N4 N5
N1 ■■ 1 10,00 EED
N2 40.001 0.Ю Jw
N3 ■ S K Q 1K E E j
' ,TT 1
N4 ■ B Q M B E 3 5,001
N5 ■ В Е Н Ш З 0.00 j 0.00 1
Iteration 2: Bi eaktlii ongli flow = :20.00
Labels. 10
( ( . ] гзкзо.оо.і] і?чіо.оо.з]
N1 N2 N3 N4 N5
N1
М2 0.00
№ 20,001
0.00 j
0.00 1
Iter ati - 1 : n •гам * u f 1’ fłow ■- <n nn
L jb e ta c 11 [0, 120 ,00,1 ] |3 [40,00,2] I * ([10,00,3] [5)[20,0^,4]
N1 № N3 N4
Vmv/Modfy Irpui Dafi
Р и с. 6.32. Р еш ен и е за д а ч и и з пр и м ер а 6.4.25
4 .
Пусть в сети из предыдущего упраж нения (рис. 6.34) пропускная способность
насосной станции 6 ограничена 60 миллионами баррелей в день. Найдите
максимальную пропускную способность сети с учетом этого ограничения.
5. Зерно из трех зерн охран и л и щ доставляется на грузовиках четы рем п ти
цеводческим ф ерм ам , при этом некоторы е зерн охран и лищ а не могут
непосредственно поставлять зерно определенным фермам. П ропускная

способность м арш рутов от зернохранилищ до птицеводческих ферм огра
ничена количеством используемых грузовиков и числом вы полняем ы х
ежедневно рейсов. В следующей таблице показаны еж едневны е предло
ж ени я зернохранилищ и еж едневны й спрос птицеводческих ферм (в ты
сячах фунтов), в ячейках таблицы указаны пропускные способности соот
ветствующих маршрутов.
Фермы
2 3
1 30 5 0 40 20
Зернохранилища 2 0 0 5 90 20
3 100 40 30 40 200
200 10 60 20
a) Найдите схему транспортировки зерна, обеспечивающую максимальный

спрос птицеводческих ферм.
b ) Существует ли при данных условиях схема транспортировки, обеспечи
вающая весь спрос птицеводческих ферм?
6. Пусть в задаче из предыдущего упражнения возможна транспортировка зер
на между зернохранилищами 1 и 2, а такж е 2 и 3. Кроме того, возможна
транспортировка между фермами 1 и 2, 2 и 3, 3 и 4. М аксимальная пропуск
ная способность в обоих направлениях указанны х маршрутов составляет
50 тысяч фунтов. Как данные предположения скаж утся на обеспечении пока
неудовлетворенного спроса птицеводческих ферм?
7. Родители имеют пять детей подросткового возраста, которых ежедневно
привлекают к пяти видам домашней работы. Опыт трудового воспитания де
тей показал, что принудительное (силовое) назначение на работу чревато
конфликтами. Поэтому дети сами составили список своих предпочтений, ко
торый приведен в следующей таблице.
Ребенок Предпочтительные работы
Ральф 3, 4 или 5
Мэй 1
Бен 1 или 2
Ким 1, 2 или 5
Кен 2
Теперь родителям осталось найти такое распределение работ, которое в наи

большей степени учитывало бы предпочтения детей. Найдите максимальное
количество таких распределений работ.
8. Четыре фабрики получаю т зак аз на производство четы рех типов игру
ш ек. В следующей таблице показано, какие игруш ки долж на произво
дить каж д ая ф абрика.
Фабрика Тип игрушки
1 1 ,2 , 3
2 2 ,3
3 1 ,4
4 3 ,4
Ежедневные производственные возможности фабрик составляют 250, 180,

300 и 100 ш тук игруш ек соответственно. Ежедневный спрос на игруш ки че
тырех типов составляет 200, 150, 350 и 100 штук. Разработайте производст
венный план, максимально удовлетворяющий спрос на игруш ки.
9. Студенческий совет университета рассматривает представления на шесть
студентов, являю щ ихся членами четырех студенческих обществ. Студен
ческий совет имеет три секции: естественных, гуманитарны х и инж енер
ных наук. Совет может принять не более двух студентов в каж дую секцию.
В следующей таблице показано членство студентов в каж дом из четырех
студенческих обществ.
Общество Студент
1 1 ,2 , 3
2 1 ,3 , 5
3 3 ,4 , 5
4 1 ,2 , 4 ,6
Приведем такж е распределение студентов по возможному принятию их

в различные секции совета.
Секция Студент
естественных наук 1 ,2 ,4
гуманитарных наук 3, 4
инженерных наук 4, 5, 6
Каждый студент может быть принят только в одну секцию. Могут ли быть
представлены в совете все четыре студенческих общества?
10. М аксим альны й и миним альны й потоки в сети с ниж ними границами про
пускны х способностей. В этом разделе во время поиска максимального по
тока в сети неявно предполагалось, что нижние границы пропускных спо
собностей всех ребер равны нулю. В некоторых задачах нижние границы
пропускных способностей могут быть строго положительными. В таком слу
чае возникает интерес к вычислению как максимального, так и минимально
го потоков в сети (см. комплексную задачу 6.3 в конце главы). Наличие по
ложительных ниж них границ пропускных способностей вызывает
определенные затруднения, так как в этом случае сеть вообще может не
иметь допустимого потока. М аксимальный и минимальный потоки в сети
можно найти, выполняя следующие действия.
Ш аг 1. Найдите начальное допустимое решение для сети с положитель
ными ниж ними границами пропускных способностей.
Ш аг 2. Используя допустимое решение, найденное на первом этапе, опре

делите максимальный и минимальный потоки в сети.
a) Покажите, что поток через дугу (i, j), величина которого огра
ничена неравенствами ltj < x tj < utj, можно представить в виде
стока СО спросом В узле І, И С ТО Ч Н И К О М С предложением l.j в уз
ле ] и потоком, ограниченным неравенствами 0 < x':j < utj - ltj.
b) Покажите, что нахождение допустимого решения в исходной
сети эквивалентно нахождению максимального потока в сети,
где 1) поток х ц через каждую дугу (і, /) заменен потоком Ą с ог
раничениями 0 < Ą < utj - ltj (как показано в предыдущем пунк
те); 2) все источники “ слиты ” в один с выходящей из него ду
гой, имеющей пропускную способность I ; 3) все стоки “ слиты”
в один с входящей в него дугой, имеющей пропускную способ
ность ltj; 4) конечный узел t соединен с узлом источника s ис
ходной сети дугой с бесконечной пропускной способностью.
Допустимое решение существует, если максимальный поток
в новой сети равен сумме ниж них границ пропускных способ
ностей исходной сети. Примените описанную процедуру к сле
дующей сети и найдите допустимое решение (поток).
Дуга (/, У) (k Щ)
(1 .2 ) (5, 20)
(1 ,3 ) (0, 15)
(2, 3) (4, Ю )
(2, 4) (3, 15)
(3 ,4 ) (0, 20)
c) Чтобы вычислить минимальный поток в исходной сети, ис

пользуйте допустимое решение, найденное в предыдущем
пункте, совместно с алгоритмом поиска максимального пото
ка. (Совет. Сначала на основе имеющегося допустимого реше
ния найдите остаточную сеть. Далее определите максимальный
поток от конечного узла сети к начальному. Теперь, комбини
руя допустимый и максимальный потоки, найдите минималь
ный поток в исходной сети.)
d) Используя алгоритм нахождения максимального потока с до
пустимым решением, найденным в п. Ь, определите макси
мальный поток в исходной сети. (Совет. Начните с определе
ния остаточной сети. Далее примените алгоритм поиска
сквозных путей к этой сети.)
6.4.3. Формализация задачи поиска максимального потока

как задачи ЛП
Обозначим через * . величину потока, проходящего по дуге (i, j), пусть ctj — про
пускная способность этой же дуги. Предположим, что необходимо найти макси
мальный поток между начальным узлом s и конечным узлом t.
Ограничениями задачи Л П будут уравнения баланса входного и выходного по

токов для каждого узла. Целевая функция максимизирует или величину общего
потока, “ выходящ его” из начального узла, или величину общего потока,
“входящего” в конечный узел.
Пример 6.4.3
В задаче вычисления максимального потока в сети, показанной на рис. 6.29
(пример 6.4.2), s = 1 и f = 5. В следующей таблице приведена соответствующая за
дача ЛП с двумя различными целевыми функциями, одна из которых максимизи
рует поток, выходящ ий из узла 1 (функция z J , вторая максимизирует поток, вхо
дящий в узел 5 (функция z2).
*1 2 *1 3 *1 4 *2 3 *2 5 Х34 *3 5 *4 3 *4 5
Максимизировать Zi 1 1 1
Максимизировать гг 1 1 1
Узел 2 1 -1 -1 =0
Узел 3 1 1 -1 -1 1 =0
Узел 4 1 1 -1 -1 =0
Пропускная способность 20 30 10 40 30 10 20 5 20
Оптимальное решение этой задачи л п с использованием любой :ц елевой функции

составляют х 12= 20, х „ = зо,1 х и ю , * 2 5 = 2 ° . * 3 4 10, * 3 5 = 20, * 4 5 = 20. Макси-
мальныи поток равен z 1 - 2г - 60.
1. Решите задачу из упражнения 6.4.2.2 как задачу линейного программирования.
2. Решите задачу из упражнения 6.4.2.5 как задачу линейного программирования.
6.4.4. Решение задачи определения максимального потока в Excel

Шаблон Excel, предназначенный для решения общей транспортной задачи
(см. раздел 5.3.3), можно немного модифицировать, чтобы найти максимальный
поток. Максимальный размер сети — 10 узлов. На рис. 6.35 показан рабочий лист,
на котором решается задача из примера 6.4.2 (файл ch6SolverMaxFlow.xls). Мат
рица пропускных способностей записана в диапазоне В 6:К 15.4 Незаполненные
ячейки матрицы пропускных способностей показывают, что соответствующие дуги
имеют бесконечную пропускную способность. Нулевое значение пропускных спо
собностей вводится для несуществующих дуг.
После того как будут введены значения пропускных способностей, рабочий лист пе
ресчитывается автоматически. Выделенные столбцы В, С, F и G содержат исходные
данные задачи, необходимые для использования средства Поиск решения. Диапа
зон В20:В39 (изменяемые ячейки для средства Поиск решения) содержит величины по
токов, проходящие по каждой дуге. Столбец С содержит значение пропускных способ
4На рис. 6.35 строки от 11 до 16 скрыты для экономии места.

282 Главв 6. Сетевые модели
ностей дуг (диапазон С20:С39). Все эти вычисления выполняются автоматически. Все,
что необходимо сделать вам для решения задачи, — это указать диапазон изменяемых
ячеек и задать ограничения в диалоговом окне средства Поиск решения. Н а рис. 6.35
видно, что изменяемые ячейки составляют диапазон В20:В39, а ограничения задают
ся как F20:F22=G20:G22 (баланс потоков для узлов 2, 3 и 4) и В20:В39<=С20:С39
(ограничения пропускных способностей дуг). Отметим, что целевая ячейка устанав
ливается автоматически и ее не надо изменять. Следует установить переключатель
Равной максимальному значению, поскольку реш ается задача максимизации.
Зяґячя нахождении максимального йотой»

h Входные данные
3 К-ао алоа в «максим 10
4 Ма и a n on екмых спосоСностай стые ячейки=Сесконечность
5 N1 М2 Ml М М5
_6 N1 0 20 30 _ 10 0
М2 0 0 40 _ 30
В N3 0 0 0 10 1 20
9 N4 0 Б 0 1 20
н- 0 ~ 1
10 N5 0 0 0 0 0
17 Оптимальної решение Промежуточные вычисления
18 ООщая стоимость 60 Имя Узел І Поток Спрос| от В Единичный поток
От-В Поток П спос. N111 1' 60 nl 1 2 1|
,9.
20 N1-N2 20 20 N2 ? 0 L 1 3 1
21 N1 -N3 30 30 N3 Г і о 1 4 1
а N1 -N4 10 10 N4 I b 1 5 0
N1-N5
1— 1 0
23 0 0 N5 5 -60 2 1 0
24 N2-N1 0 0 2 3 0
25 N2-N3 0 4С 2 4 0
N2-N4 0 0 2 5 0
27 N2-N5 20 30 з1 1 0
2В N3-N1 0 0 3 2 0
29 N3-N2 0 0 3 4 0
30 N3-N4 10 10 3 5 0
,31 N3-N5 20 70 4 1 0
32 N4-N1 0 0 4 2 0
Поиск реш ении
Установить целевую ячейку: |$В$18 Л Вытопить )

Равной: доясжальнсму знача ию Значвто: О
Закрыть I
мдошъному знача н о
Изменяя яче£*и
$В$20:$В$39
Огряпшежя; Раранвтры |
$В$20:$В$Э9 <= $С$20:$С$Э9 Добавить

$F*20:tF*22 = $G$20:$G$22
Цэмешть
Восстановить |
їдапить
Ртравта I
Р ис. 6.35. О пределен и е м а к с и м а л ь н о го п о т о ка в E x c e l
Решение N1-N2 = 20, N l-N 3 = 30, N l-N 4 = 10, N2-N5 = 20, N 3 -N 4 = 1 0 , N3-
N5 = 20 и N4-N5 = 20, показанное на рис. 6.35, дает максим альны й поток, равный
60 единицам.
1. Решите задачу из упражнения 6.4.2.2 с помощью средства Поиск решения.
2. Решите задачу из упражнения 6.4.2.5 с помощью средства Поиск решения.
6.5. ЗАДАЧА НАХОЖ ДЕНИЯ ПОТОКА НАИМЕНЬШ ЕЙ

СТОИМОСТИ
Задача нахождения потока наименьшей стоимости в сети с ограниченной пропу
скной способностью обобщает задачу определения максимального потока по сле
дующим направлениям.
1. Каждой дуге поставлена в соответствие (неотрицательная) стоимость прохо
ждения единицы потока по данной дуге.
2. Дуги могут иметь положительную нижнюю границу пропускной способности.
3. Любой узел сети может выступать в качестве как источника, так и стока.
В рассматриваемой задаче необходимо найти потоки по дугам, минимизирую
щие общую стоимость прохождения потока по сети; при этом должны удовлетво
ряться ограничения на пропускные способности дуг и на величины предложений
и спроса отдельных (или всех) узлов. Сначала опишем сетевую модель с заданными
стоимостями прохождения потока по дугам и сформулируем соответствующую за
дачу линейного программирования. Эта задача далее будет использована как осно
ва для построения специального симплексного алгоритма, предназначенного для
решения данной сетевой задачи.
6.5.1. Сетевая модель

Рассмотрим сеть G = (N, А ) с ограниченной пропускной способностью, где N —
множество узлов, А — множество дуг. Обозначим
xtj — величина потока, протекающего от узла і к узлу у,
ич ( ф — верхняя (ниж няя) граница пропускной способности дуги (i, у),
Сц — стоимость прохождения единицы потока по дуге (і, у),
f. — величина “чистого” результирующего потока, протекающего через узел /.
На рис. 6.36 показано, как на схемах сетей будем отображать определенные па
раметры дуг. Метка [/\] указывает положительное (отрицательное) значение пред
ложения (спроса), соответствующего узлу і.
Щ щ
Vij> uip
X,i
Рис. 6.36. Обозначение параметров дуг

Пример 6.5.1
Компания GrainCo снабжает зерном из трех зернохранилищ три птицеводческие
фермы. Предложение зернохранилищ составляет 100, 200 и 50 тысяч бушель зер
на, а спрос ферм — 150, 80 и 120 тысяч бушель соответственно. Компания может
транспортировать зерно по железной дороге, за исключением трех маршрутов, где
используется автомобильный транспорт.
На рис. 6.37 показаны возможные маршруты между зернохранилищ ами и птице
водческими фермами. Зернохранилищ а представлены узлами 1, 2 и 3; их предло
жения указаны метками [100], [200] и [50] соответственно. Фермы обозначены уз
лами 4, 5 и 6 с величинами спроса [-150], [-80] и [-120]. Маршруты
транспортировки зерна показаны на рис. 6.37 дугами, соединяющими узлы сети.
Дуги (1, 4), (3, 4) и (4, 6) соответствуют автомобильным маршрутам. Эти маршруты
имеют верхние и нижние границы пропускных способностей. Например, по мар
шруту (1, 4) можно провести от 50 до 80 тысяч бушелей зерна. Другие маршруты
соответствуют железнодорожному транспорту, пропускная способность которого
практически не ограничена. Стоимость транспортировки одного бушеля зерна по
казана возле каждой дуги.
[-1 5 0 ]
Рис. 6.37. Схема сети для примера 6.5.1
УПРАЖНЕНИЯ 6.5.1 »
1. Компания разрабатывает 4-этапный план производства некоего продукта со
гласно следующим данным.
Этап Объем спроса Стоимость единицы Стоимость хранения единицы

продукции (долл.) продукции (долл.)
1 100 24 1
2 110 26 2
3 95 21 1
4 125 24 2
Сформулируйте данную задачу как сетевую модель, предполагая, что заказы

нельзя выполнять “ задним числом” .
2. Пусть в предыдущем упражнении возможна недопоставка продукции со

штрафом 1,50 долл. за единицу продукции при задерж ке в течение одного
этапа. Сформулируйте задачу как сетевую модель.
3. Пусть в упражнении 1 производственные возможности каждого из четырех
этапов составляют соответственно 110, 95, 125 и 100 единиц продукции, что
не позволяет выполнить все заказы (без недопоставок продукции) в срок.
Ш траф за недопоставку единицы продукции равен 1,50 долл. при задерж ке
в течение одного этапа. Сформулируйте задачу как сетевую модель.
4. Химическая компания владеет двумя заводами, которые производят опреде
ленные химические компоненты для двух клиентов; потребности этих кли
ентов составляют 660 и 800 тонн продукции ежемесячно. Первый завод мо
жет производить от 400 до 800 тонн, а второй — от 450 до 900 тонн
продукции ежемесячно. На первом заводе расходы на производство одной
тонны продукции составляют 25, на втором — 28 долл. Сырье для заводов
поставляют два поставщика, которые могут поставить не менее 500 тонн сы
рья по цене 200 долл. за тонну первому заводу и не менее 750 тонн по цене
210 долл. второму заводу. Химическая компания предполагает самостоя
тельно транспортировать и сырье, и готовую продукцию. Стоимость транс
портировки одной тонны сырья от первого поставщика к заводам составляет
10 долл. для первого завода и 12 долл. — для второго. Аналогичные стоимо
сти перевозок от второго поставщика равны 9 и 13 долл., соответственно для
первого и второго заводов. Стоимость перевозки одной тонны продукции от
первого завода к клиентам 1 и 2 составляет 3 и 4, от второго завода —
5 и 2 долл. соответственно. Допустим, из одной тонны сырья можно получить
одну тонну готовой продукции. Сформулируйте задачу в виде сетевой модели.
5. В двух открытых школах необходимо изменить расовый баланс среди уча
щихся путем дополнительного их набора из национальных меньшинств.
Учащиеся из национальных меньшинств долж ны составлять от 30 до 40% от
общего количества. Учащиеся из национальных меньшинств живут в трех
общинах, а “ обычные” — в двух. В следующей таблице приведены расстоя
ния от общин до школ (в милях).
Расстояние от школы до
Школа Количество учащихся общины национальных меньшинств “обычной” общины
(не более) 1 2 3 1 2
1 1500 20 12 10 4 5
2 2000 15 18 8 6 5
Количество учащихся 500 450 300 1000 1000
Сформулируйте задачу как сетевую модель и определите расовый состав

учащихся в каждой школе.
6.5.2. Сетевая модель как задача линейного программирования

Определение модели сети с ограниченной пропускной способностью как задачи
линейного программирования необходимо для разработки симплексного алгоритма
решения задач данного типа (алгоритм описан в следующем разделе). Используя
определения, данные в разделе 6.5.1, мы можем записать задачу линейного програм

мирования для сети с ограниченной пропускной способностью следующим образом.
Минимизировать z = ^ i^ ici)xij
О,У) єЛ
ZZ x4=f,'
к
j sN*
і
{j,k)*A {iJHA
1,< х^< и1Г

Результирующий “ чисты й” поток fs, протекающий через узел у, вычисляется по
формуле
/\ = (величина потока, выходящего из узла у) - (величина потока, входящего в узел у).
Узел у выступает в качестве источника, если /\ > 0, и к а к сток при ft < 0.
Нижнюю границу пропускной способности /1;. можно удалить из ограничений
с помощью подстановки x tj = x'v + ltj. Д ля нового потока верхней границей пропу
скной способности будет величина иц - 1 . В этом случае результирующий поток че
рез узел і будет равен f t - 1 , а через узел у — f + L. На рис. 6.38 показаны преобра
зования характеристик дуги (і, у) после исключения ее нижней границы
пропускной способности.
т г щ к -у . ifj+ ig)
(D -(h?uip
ir t r O - («у hp
xij xij
Puc. 6.38. Исключение нижних границ пропускных способностей
Пример 6.5.2
Запишем задачи линейного программирования для сети (см. рис. 6.37) до и после
исключения нижних границ пропускных способностей.
Основные ограничения формулируемой задачи линейного программирования свя
заны с определением входных и выходных потоков, протекающих через каждый
узел, что порождает следующую задачу ЛП.
*12 *13 *14 *23 *25 *34 Х35 *46 *58
Минимизировать 3 4 1 5 6 1 2 2 4
Узел 1 1 1 1 = 100
Узел 2 -1 1 1 = 200
Узел 3 -1 -1 1 1 = 50
Узел 4 -1 -1 1 = -15 0
Узел 5 -1 -1 1 = -8 0
Узел 6 -1 -1 = -12 0
Нижние границы 0 0 50 0 0 70 0 100 0

Верхние границы 00 00 80 00 00 120 00 120 00
Сделаем замечание о структуре коэффициентов, формирующих ограничения.

В столбце, соответствующем переменной хц, всегда в строке / стоит +1, а в строке
j --------1. Остальные коэффициенты равны нулю. Такая структура коэффициентов
типична для сетевых моделей.
Для переменных, представляющих потоки через дуги, имеющие ненулевые ниж
ние границы пропускных способностей, выполняем замену
х и = х 'и + 5 0 >
Х 34 ~ *3 4 ^ 0 »
*46 = * « + 1 0 0 -
В результате получаем следующую задачу линейного программирования.
*12 *13 х'н *23 *25 *34 Х35 *56
Минимизировать 3 4 1 5 6 1 2 2 4
Узел 1 1 1 1 = 50
Узел 2 -1 1 1 = 200
Узел 3 -1 -1 1 1 = -2 0
Узел 4 -1 -1 1 = -1 3 0
Узел 5 -1 -1 1 = -8 0
Узел 6 -1 -1 = -2 0
Верхние границы 00 00 30 00 00 50 ОС 20 00
Соответствующая сеть после исключения нижних границ пропускных способно

стей дуг показана на рис. 6.39. Отметим, что данную сеть можно получить непо
средственно из сети, представленной на рис. 6.37, с помощью преобразований, по
казанных на рис. 6.38, причем без необходимости записи в виде задачи линейного
Рис. 6.39. Сеть из прим ера 6.5.2 после и с к лю ч ен и я

н иж н их гр а н и ц п р о п у с к н ы х способност ей
Пример 6.5.3. Распределение рабочих

В этом примере представлена сетевая модель, которая изначально не удовлетворяет
условию “узлового потока” (т.е. условию, при котором результирующий поток,
проходящий через узел, равен разности выходного и входного потоков), но которую
можно преобразовать в модель, удовлетворяющую этому условию, изменив огра
ничения соответствующей задачи линейного программирования.
Агентство по найму рабочей силы получило заказ на рабочих на 4 месяца вперед
(с января по апрель) согласно следующему графику.
Месяц Январь Февраль Март Апрель

К-во рабочих 100 120 80 170
Поскольку спрос на рабочих различен в разные месяцы, возможно, экономически

целесообразно нанять больше рабочих, чем требуется, в текущем месяце. Стои
мость найма рабочих и удержания их в “ ждущем реж име” зависит от времени тру
доустройства, как показано в следующей таблице.
Время трудоустройства (месяцы) 1 2 3 4

Стоимость найма одного рабочего (долл.) 100 130 180 220
Обозначим через х количество рабочих, нанятых на начало ;-го месяца и освобож

денных на начало j- го. Например, хи — это количество рабочих, нанятых в январе
только на один месяц.
Чтобы сформулировать задачу линейного программирования, нужно добавить еще
пятый месяц (май). Тогда, например, переменная xi5 будет обозначать количество ра
бочих, нанятых в апреле на один месяц. Естественно, на май нет заказа на рабочих.
Ограничения строятся так, чтобы спрос на рабочих в месяц к можно было бы удовлетво
рить за счет всех рабочих х , где і < к <j. Обозначив через s, (5, > 0) количество рабочих,
“ лишних” в месяце і, получим следующую задачу линейного программирования.
*12 *13 X1-J. *15 *23 *24 *25 *34 *35 *45 S1 S2 S3 S4
Min 100 130 180 220 100 130 180 100 130 100
Янв. 1 1 1 1 -1 100
Фев. 1 1 1 1 1 1 -1 120
Март 1 1 1 1 1 1 -1 80
Апр. 1 1 1 1 -1 170
В данной задаче ЛП нет той специальной структуры коэффициентов ограничений, что

была в модели из примера 6.5.2. Тем не менее эта задача имеет свою специфику, ко
торая позволит преобразовать ее в сетевую модель. Выполним следующие действия.
1. Из и-го уравнения (ограничения) задачи создадим новое (п + 1)-е уравнение, ум
ножив п-е уравнение на -1 .
2. Оставляем первое уравнение без изменений.
3. Для і = 2, 3...... п последовательно заменяем і-e уравнение разностью г-го и (/'- 1)-го
уравнений.
Применение описанной процедуры к задаче данного примера приводит к следующей

задаче линейного программирования, которая уже имеет структуру сетевой модели.
*12 *13 хи *15 *23 *24 *25 *34 *35 *45 S1 S2 S3 S4

Min 100 130 180 220 100 130 180 100 130 100
Янв. 1 1 1 1 -1 100
Фев. -1 1 1 1 1 -1 20
Март -1 -1 1 1 1 -1 -4 0
Апр. -1 -1 -1 1 1 -1 90
Май -1 -1 -1 -1 1 -1 7 0
Таким образом, задачу распределения рабочих можно представить в виде эквива

лентной задачи вычисления потока минимальной стоимости в сети с ограниченной
пропускной способностью (рис. 6.40). Поскольку здесь не налагаются ограничения
на верхние границы пропускных способностей, эту задачу можно такж е решить
как транспортную задачу (см. раздел 5.5).
*1 5
1. Сформулируйте задачу линейного программирования, минимизирующую
стоимость потока в сети, показанной на рис. 6.41, до и после исключения
нижних границ пропускных способностей дуг.
[20]
Рис. 6.41. Сеть для задачи из упражнения 1

2. С помощью непосредственной проверки найдите допустимое решение задачи

определения потока минимальной стоимости в модели распределения рабо
чих из примера 6.5.3 (см. рис. 6.40). Интерпретируйте найденное решение
в терминах первоначальной постановки задачи (как количество нанимаемых
рабочих), проверьте выполнение ограничений модели и найдите соответст
вующую общую стоимость.
3. Переформулируйте задачу распределения рабочих (пример 6.5.3), предпола
гая, что рабочие нанимаются не менее, чем на два месяца. Запиш ите соответ
ствующую задачу линейного программирования и преобразуйте ее в задачу
определения потока минимальной стоимости в сети с ограниченной пропуск
ной способностью.
4. Сформулируйте задачи ЛП и соответствующие задачи определения потока
миним альной стоимости для модели распределения рабочих из прим е
ра 6.5.3, используя следующие данные о потребностях рабочих в течение по
следующих пяти месяцев. Стоимость найма одного рабочего в эти месяцы со
ставит соответственно 50, 70, 85, 100 и 130 долл.
а)
Месяц 1 2 3 4 5
К-во рабочих 300 180 90 170 200
Ъ)
Месяц 1 2 3 4 5
К-во рабочих 200 220 300 50 240
5. Преобразование сети с ограниченной пропускной способностью в сеть с не

ограниченной пропускной способностью. Покажите, что дугу (i —>j) с ограни
ченным потоком х < и:/ можно заменить двумя дугами, не имеющими огра
ничений на величину потока, — (і - » k) и (k -> j) с результирующим
(выходным) потоком [~ич] в узле k и дополнительным (входным) потоком
[+ц,у] в узле j. В результате сеть с ограниченной пропускной способностью
преобразуется'в сеть с неограниченной пропускной способностью, т.е. в транс
портную модель (раздел 5.1). Примените описанное преобразование к сети на
рис. 6.42 и найдите оптимальное решение полученной транспортной задачи
с помощью программы TORA.

6.5.3. Симплексный алгоритм для сетей с ограниченной пропускной

способностью
Предлагаемый алгоритм повторяет в точности те ж е этапы, что и обычный сим
плекс-метод. Вместе с тем здесь учитывается специальная структура сетевой модели.
Используя определения из раздела 6.5.2, где f t — результирующий поток через
узел і, строим симплексный алгоритм на основе условия =0 . Это условие оз
начает, что в сети суммарный объем предложений равен суммарному объему спро
са. Мы всегда можем удовлетворить данное условие, введя фиктивный источник
или сток, которые можно связать с остальными узлами сети дугами с нулевой
стоимостью и бесконечной пропускной способностью. Однако сбалансированность
сети не гарантирует существования допустимого решения, поскольку этому может
воспрепятствовать ограниченность пропускных способностей дуг.
Опишем алгоритм нахождения потока минимальной стоимости для сетей
с ограниченной пропускной способностью. Отметим, что он базируется на стандартном
симплекс-методе и теории двойственности (главы 3 и 4). Здесь также полезно знакомст
во с симплекс-методом для задач ЛП с ограниченными переменными (раздел 7.3).
ШагО. Определяем для данной сети начальное базисное допустимое ре
шение (множество дуг). Переходим к ш агу 1.
Шаг 1. С помощью условия оптимальности симплекс-метода определяем
вводимую в базис переменную (дугу). Если на основе условия оп
тимальности определяем, что последнее решение оптимально, вы
числения заканчиваются. В противном случае переходим к шагу 2.
Шаг 2. На основе условия допустимости симплекс-метода определяем ис
ключаемую из базиса переменную (дугу). Изменив базис, возвра
щаемся к ш агу 1.
Сети с п узлами и нулевым результирующим потоком (т.е. при выполнении равенст-
ва Д + f2+ ... + f n= 0) соответствуют п - 1 независимым ограничениям в виде равенств.
Поэтому базисное решение должно содержать п - 1 переменных. Можно показать,
что базисное решение соответствует остовному дереву данной сети (см. раздел 6.2).
Вводимая перем енная (дуга) на шаге 1 определяется путем вы числения р аз
ностей гц - с,, для всех текущ их небазисных дуг (i, j). Если для всех разностей
2i; - c:J< 0, тогда текущее базисное решение оптимально. Иначе в качестве вводимой
в базис переменной выбираем дугу, которой соответствует наибольшее положи
тельное значение разности гц - с,..
Вычисление разностей ztj - ctj основано на соотношениях двойственности точно
так же, как в транспортной модели (см. раздел 5.3.4). Обозначим через wt перемен
ную задачи, двойственной к задаче ЛП (определенной в разделе 6.5.2), которая
(переменная) соответствует ограничению узла і. Тогда данная двойственная задача
формулируется следующим образом.
М аксимизировать z =
/И
^ - w. < сц, (і, у) є А ,
переменные wt произвольного знака (і = 1, 2, ..., п).
Из теории линейного программирования следует, что wt - wt = ctJ для любой ба
зисной дуги (i, j). Поскольку исходная задача ЛП (раздел 6.5.2) по определению
имеет одно избыточное ограничение, мы можем присвоить произвольное значение

одной из переменных двойственной задачи (сравните с алгоритмом реш ения транс
портной задачи из раздела 5.3). Д ля определенности положим wl = 0. Затем следует
решить (базисную) систему уравнений wt - wt = с,., чтобы вычислить остальные пе
ременные двойственной задачи. Далее находим разности гц - сц для небазисных пе
ременных согласно формуле
Zlj- C i r Wl - W l - Cii.
Теперь осталось показать, как определяется исключаемая из базиса переменная.
Д ля этого рассмотрим следующий числовой пример.
Пример 6.5.4
Сеть трубопроводов связывает две станции опреснения воды с двумя городами.
Ежедневное предложение опреснительных станций составляет 40 и 50 миллионов
галлонов воды, города ежедневно потребляют 30 и 60 миллионов галлонов воды.
К аж дая станция трубопроводами соединена с каждым городом непосредственно,
однако они могут такж е перекачивать воду в города через специальную насосную
станцию. Кроме того, станция 1 может транспортировать воду на станцию 2, а го
род 1 — в город 2. Д анная сеть сбалансирована, так как в ней суммарный спрос ра
вен суммарному предложению. Описанная сеть показана на рис. 6.43.
Удельная стоимость Пропускная способность
Рис. 6.43. Сеть для примера 6.5.4
И терация 0
Ш аг 0. Определение начального допустимого базисного реш ения. Нетруд
но построить остовное дерево (на рис. 6.44 показано сплошными
дугами) для рассматриваемой сети. Отсюда получаем начальное
допустимое базисное решение. Обычно, чтобы найти такое реше
ние, используется метод введения искусственных переменных
(подробности см. в [2]).
На рис. 6.44 показано, что базисному решению соответствуют дуги
(1, 3), (1, 4), (2, 3) и (3, 5) с потоками 30, 10, 50 и 60 единиц соот
ветственно. Оставшиеся дуги (показаны пунктиром) представляют
небазисные переменные. Запись х(с) показывает, что через соот
ветствующую дугу с пропускной способностью с проходит поток X.
По умолчанию считается, что х = 0 и с = оо.
с .2= 0 - (-5 ) - 3 = 2
z 25- c 25~ 5 (-1 5 )-1 -9
Z45- C 45= - 5 - ( - 1 5 ) - 4 = 6
Рис. 6.44. Сеть на итерации О
Итерация 1
Ш а г і. Определение вводимой в базис переменной. При решении системы
уравнений
w, = 0,
wL- Wj = cLj для базисных дуг (i,j)
получим значения переменных двойственной задачи.
Дуга (1, 3): w, - w3 = 7 w3 = -7 .
Дуга (1, 4): w, - w4 = 5 w4 = -5 .
Дуга (2, 3): w2- w3 = 2 w2 = -5 .
Дуга (3, 5): w3- ws = 8 ws = -1 5 .
Теперь вычисляем разности zLj - ctj для небазисных переменных.
Дуга (1, 2): w, - w2- с12= 0 - (-5 ) - 3 = 2.
Дуга (2, 5): w, - w, - с„ = (-5 ) - (-15) - 1 - 9.
Дуга (4, 5): w4- ws - c4S= (-5 ) - (-15) - 4 = 6.
Таким образом, дуга (2, 5) будет введена в базисное решение.
Шаг 2. Определение исключаемой из базиса переменной. На рис. 6.44
видно, что дуга (2, 5) совместно с базисными дугами (2, 3) и (3, 5)
образует цикл. По определению остовное дерево не может содер
жать циклов. Поскольку поток через дугу (2, 5) должен возрасти,
необходимо выровнять потоки через дуги, составляющие цикл та
ким образом, чтобы новое решение осталось допустимым. Д ля это
го поток через дугу (2, 5) пометим знаком “ + ” , потоки через дру
гие дуги ц и к л а — знаком “ + ” или в зависимости от того,
будут ли совпадать направления потоков в этих дугах с направле
нием потока в дуге (2, 5) при обходе цикла против часовой стрел
к и .5Пометки дуг цикла показаны на рис. 6.44.
При определении максимального потока, протекающего через ду
гу (2, 5), необходимо придерживаться следующих правил.
5 Направление обхода дуг цикла всегда совпадает с направлением потока, протекающего

через дугу, вводимую в базис. В данном случае это направление совпадает с направлением
против часовой стрелки, но это, конечно, совсем не обязательно. — П рим. ред.
1. Новый поток в текущ ей базисной дуге не может быть отрицательным.

2. Поток через вводимую в базис дугу не может превышать ее пропускную способность.
Применение правила 1 показывает, что потоки через дуги (2, 3) и (3, 5) нельзя
уменьшить более, чем на min{50, 60} = 50 единиц. Из правила 2 следует, что поток
через дугу (2, 5) не может превыш ать 30 единиц (пропускная способность этой дуги
равна 30). Поэтому поток через дуги цикла изменится не более, чем на
min{30, 50} = 30 единиц. Таким образом, поток через дугу (2, 5) равен 30 единиц,
через дугу (2, 3) 50 - 30 = 20 единиц, а через дугу (3 ,5 ) — 60 - 30 = 30 единиц.
П оскольку н и к ак а я из текущ и х базисны х переменны х не п ри н ял а нулевого
зн ачен ия, дуга (2, 5) д олж н а остаться небазисной, но с ненулевы м значением
в 30 единиц. Чтобы выполнить требование равенства нулю небазисных перемен
ны х, сделаем подстановку
Эта подстановка изменит уравнения для потоков, протекающих через узлы 2 и 5.

Текущее уравнение для потоков узла 2: 50 + х12 = х23 + x2S.
Текущее уравнение для потоков узла 5: х25 + х35 + х45 = 60.
После подстановки х25 = 30 - х52 получим следующее.
Новое уравнение для потоков узла 2: 20 + х 12 + хб2= х23.
Новое уравнение для потоков узла 5: хзъ + х45 = х52 + 30.
Результаты этих изменений показаны на рис. 6.45. Направление потока через дугу
(2, 5) изменилось на обратное (от узла 5 к узлу 2), причем, к ак и ожидалось, х52 = 0.
Описанная подстановка такж е требует изменения стоимости прохождения потока
по дуге (2, 5) до -1 долл. Те дуги, направления потоков которых изменены на про
тивоположные, помечены в сети звездочкой.
2\г~ с\г~ 0 —(- ^ )_ 3 - 2

z52~ с52= - 15 - (-5) - (-1) = -9
z45-c4 5 = -5 —(-1 5 )-4 = 6
Рис. 6.45. Сеть на итерации 1
И терация 2. На рис. 6.45 представлены новые значения разностей ztj - сц (проверьте

эти значения!). Очевидно, что в базис следует ввести дугу (4, 5). Введение в базис
этой дуги такж е приводит к образованию цикла.
Величину потока через дугу (4, 5) можно увеличить до наименьшей из следующих
величин.
1. М аксим альны й поток через дугу (4, 5), определяемый пропускной способно
стью, равен оо.
2. М аксимальное увеличение потока через дугу (1, 4) равно 35 - 30 = 5 единиц.
3. М аксимальное уменьшение потока через дугу (1, 3) равно 10 единиц.
4. М аксимальное уменьшение потока через дугу (3, 5) равно 30 единиц.
Таким образом, поток через дугу (4, 5) можно увеличить до 5 единиц; эта дуга вхо
дит в базис, а дуга (1, 4) с потоком в 35 единиц исключается из базиса.
Выполнив подстановку х и = 35 - х41, получим сеть, показанную на рис. 6.46, где ду
ги (1, 3), (2, 3), (3, 5) и (4, 5) формируют остовное дерево сети (базисное решение).
Для дуги (1, 4) с обратным направлением потока изменена стоимость прохождения
потока до -5 долл. Проверьте самостоятельно, что в уравнения для потоков в узлах
1 и 4 будет добавлено 5 единиц входного потока.
2\г~ с\г~ ®“ (- 5) - 3 - 2
z41-c41= - 11 - 0 - (-5) = -6
z52~ с52= - 15 - (-5) - (-1) = -9
Итерация 3. Вычисленные новые значения разностей z, - с, для небазисных дуг

(1, 2), (4, 1) и (5, 2) показаны на рис. 6.46. Из этих значений вытекает, что в базис
следует ввести дугу (1, 2) с потоком в 5 единиц, тогда к ак дуга (1, 3) исключается из
базиса с нулевым значением потока. Новое решение представлено на рис. 6.47.
Z 1 3 ~ с 13= ®_ (- 5) - 7 = -2
z4i-C4i = - 9 - ° - ( - 5) = -4
z52- с52= - 13 - (-3) - (-1) = -9
Оптимальное решение:
*12=5, *1з= О
дг14= 35 - О= 35
хгъ= 25
*25= 30 - 0 = 30
*3 5 = 2 5 « * 4 5 = 5
Суммарная стоимость = 490
Итерация 4. Из новых значений разностей z, - сц (рис. 6.47) видно, что последнее

решение оптимально. Значения исходных переменных получаем путем обратной
подстановки, как показано на рис. 6.47.
1. Реш ите задачу из упражнения 6.5.1.1 с помощью симплексного алгоритма
для сетей с ограниченной пропускной способностью. Покажите такж е, что
эту задачу можно решить к ак транспортную.
2. Реш ите задачу из упражнения 6.5.1.2 с помощью симплексного алгоритма
для сетей с ограниченной пропускной способностью. П окажите такж е, что
эту задачу можно решить к ак транспортную.
3. Решите задачу из упражнения 6.5.1.3 с помощью симплексного алгоритма
для сетей с ограниченной пропускной способностью.
4. Решите задачу из упражнения 6.5.1.4 с помощью симплексного алгоритма
5. Реш ите задачу из упраж нения 6.5.1.5 с помощью симплексного алгоритма
6. Реш ите задачу из примера 6.5.3 с помощью симплексного алгоритма для се
тей с ограниченной пропускной способностью.
7. Электрическая компания Вайоминга транспортирует по трубопроводам
угольную пульпу от трех шахт (1, 2 и 3) к трем электростанциям (4, 5 и 6).
Каждый трубопровод может транспортировать не более 10 тонн пульпы в час.
Стоимость транспортировки одной тонны пульпы (в долл.), а такж е предложе
ние ш ахт и спрос электростанций представлены в следующей таблице.
4 5 6 Предложение
1 5 8 4 8
2 6 9 12 10
3 3 1 5 18
Спрос 16 6 14
Найдите оптимальную схему транспортировки угля к электростанциям.

8. На рис. 6.48 показана сеть из семи городов и расстояния между ними. С по
мощью симплексного алгоритма для сетей с ограниченной пропускной спо
собностью найдите кратчайш ий маршрут между городами 1 и 7. (Совет.
Пусть узлы 1 и 7 имеют результирующие потоки [+1] и [-1] соответственно,
а все остальные — нулевые результирующие потоки.)

9. П окаж ите, что симплексны й алгоритм вычисления потока минимальной

стоимости для сетей с ограниченной пропускной способностью можно при
менить, чтобы найти максим альны й поток в сети (см. раздел 6.4). С его по
мощью реш ите задачу из примера 6.4.2. Д ля определенности положите
стоимость прохож дения потока от узла 4 к узлу 3 нулевой, остальные данные
остаются без изменений.
6.5.4. Решение задачи вычисления потока наименьшей

стоимости в Excel
Ш аблон Excel, предназначенный для реш ения общей транспортной задачи
(см. раздел 5.3.3), мож но применить, чтобы найти поток наименьш ей стоимости.
На рис. 6.49 показан рабочий лист, на котором решается задача из примера 6.5.4 (файл
В С Е F G Н М N
нахож данн» потока н а н м *н ь ш *и стоимости
2 Входны» ж-нны »
3 .K- ю у»ло«
4 ІМ атрица пропускных
J5 Предложения N1 N1 N3 N4 N i
JB N1 40 N1 0 10 36 0
!7 N2 60 N2 0 0 60 0 30
Г8 N3 0 N3 0 0 0 0
N4 0 N4 0 0 0 0
10 NS 0 N5 0 0 0 0 0
16 Спрос 30 60
17 Оптимально» р«ш »ни« Промежуточны» ■ычислония
18 Сщая стоимост 490 Имя Узел Поток Спрос О т В Уд стоимость
19 от- в Поток Пр спос N1 1 40 40 1 2 3 !
20і N1 -N 2 в 999999 N2 2 50 50
21 N1 - N3 0 10 N3 3 0 0
22 N1 - N4 35 35 N4 4 -30 -30
23 N1 - N5 0 0 N5 5 -6D 60
24 N 2-N 1 0 0
25 N 2 -N 3 28 60
-26 N 2 - N4 0 0
27 N 2 - N5 30 30
28 N 3 - N1 0 0
29 N 3 -N 2 0 0
ЗО N3-N4 0 0
31 N 3 - N5 25 999999
32 N 4 - N1 0 0
М 4 -К І-5
,э э , 0 . .0
П оиск р е ш е н и я
Установить целевую ячейку: 1$В$18 Выполнить

Равной: f цакотчальному значсям о f значению, [о
Закрыть
17 нщ^адъному знаменно
Изменяя ячейм :
|$В$20:$В(39 "31 Предположить I
Ограничения: Параметры I
$В$20:$В$Э9 <= $С$20:$С$39 *□ Добавить

$F$19:$F$23 = $G$19:$G$23
Изменить
J Восстановить j
Уда/мть
Справка I
Рис. 6.49. Поиск потока минимальной стоимости в Excel

ch6SolverMinCostCapacitatedNetwork.xls). М атрица пропускных способностей запи

сана в диапазоне N 6:W 15.6 Незаполненные ячейки матрицы пропускных способно
стей показываю т, что соответствующие дуги имеют бесконечную пропускную спо
собность. Нулевые значения пропускных способностей вводятся для
несуществующих дуг. Матрица удельных стоимостей записана в диапазоне В6:К15.
Здесь такж е нулевые значения вводятся для несуществующих дуг.
После того к ак будут введены значения пропускных способностей и удельных
стоимостей, рабочий лист пересчитывается автоматически.
В диалоговом окне средства Поиск решения целевая ячейки, изменяемые ячейки
и ограничения уже заданы. На рис. 6.49 видно, что изменяемые ячейки составляют
диапазон В20:В39, а ограничения задаются к ак F19:F23=G19:G23 (баланс потоков
для всех узлов) и В20:В39<=С20:С39 (ограничения пропускных способностей дуг).
Решение N1-N2 = 5, N1-N4 = 35, N2-N3 = 25, N2-N5 = 30, N3-N5 = 25 и N4-
N5 = 5, показанное на рис. 6.49, дает общую стоимость потока, равную 490 долл.
1. Реш ите следующие задачи с помощью средства Поиск решения.
a) Задача из упражнения 6.5.3.3.
b ) Задача из упражнения 6.5.3.4.
c) Задача из упражнения 6.5.3.7.
d) Задача из упражнения 6.5.3.8.
6 .6. МЕТОДЫ СЕТЕВОГО ПЛАНИРОВАНИЯ

На основе сетевых моделей разработано множество методов планирования, со
ставления временных расписаний и управления проектами. Наиболее известные —
метод критического пути (Critical P ath Method — СРМ), а такж е система планиро
вания и руководства программами разработок (Program Evaluation and Review
T echnique— PERT). В этих методах проекты рассматриваются как совокупность
некоторых взаимосвязанных процессов (видов деятельности, этапов или фаз вы
полнения проекта), каж ды й из которых требует определенных временных и других
ресурсов. В методах jCPM и PERT проводится анализ проектов для составления
временных графиков распределения фаз проектов. На рис. 6.50 в обобщенной фор
ме показаны основные этапы реализации этих методов. На первом этапе определя
ются отдельные процессы, составляющие проект, их отношения последовательности
(т.е. какой процесс должен предшествовать другому) и длительность. Далее проект
представляется в виде сети, показывающей последовательность процессов, состав
ляю щ их проект. На третьем этапе на основе построенной сети выполняются вычис
ления, в результате которых составляется временной график реализации проекта.
Сеть Временной график
[—►і Вычисления I— -------1.1— і

±=d !z—
Время
Рис. 6.50. О сновны е э т а п ы вы п о л н е н и я мет одов С Р М и P E R T
б
На рис. 6 .4 9 строки от 11 до 15 и столбец К скрыты для экономии места.
Методы СРМ и PERT, которые разрабатывались независимо друг от друга, от

личаются тем, что в методе критического пути длительность каждого этапа проекта
является детерминированной, тогда как в системе планирования PERT — стохас
тической. Рассмотрим сначала метод СРМ, а затем кратко PERT.
6.6.1. Построение сети проекта

Каждый процесс проекта обозначается в сети дугой, ориентированной по на
правлению выполнения проекта. Узлы сети (такж е называемые событиями) уста
навливают отношения предшествования среди процессов проекта.
Построение сети проекта основано на следующих правилах.
П равило 1. Каждый процесс в проекте представляется одной и только од
ной дугой.
П равило 2. Каждый процесс идентифицируется двумя концевыми узлами.
На рис. 6.51 показано, как с помощью фиктивного процесса можно представить два
параллельных (конкурирующих) процесса А и В. По определению фиктивный процесс
(который на схеме сети обычно обозначается пунктирной дугой) не поглощает времен
ных или других ресурсов. Вставив фиктивный процесс одним из четырех способов,
показанных на рис. 6.51, мы получаем возможность идентифицировать процессы А
и В по крайней мере одним уникальным концевым узлом (как требует правило 2).
Г* * * * * ——- —
Icctx)
! в
Рис. 6.51. П р ед ст а влен и е д в у х п а р а л л е л ь н ы х процессов с помощ ью ф и кт и вн о го процесса
Правило 3 .Д л я поддержания правильны х отношений предшествования при

вклю чении в сеть любого процесса необходимо ответить на сле
дующие вопросы.
1. Какой процесс непосредственно предшествует текущему?
2. Какой процесс должен вы полнят ься после завершения текущего процесса?
3. Какой процесс конкурирует ( вы полняет ся параллельно) с текущим?
Ответы на эти вопросы, возможно, потребуют включить в сеть фиктивные процессы,
чтобы правильно отобразить последовательность выполнения процессов. Предполо
жим, например, что четыре процесса должны удовлетворять следующим условиям.
1. Процесс С должен начаться сразу после заверш ения процессов А и В.
2. Процесс Е должен начаться непосредственно после заверш ения процесса В.
Н а рис. 6.52, а показано неправильное представление наш их процессов, так

к а к из него следует, что процесс Е долж ен начаться после заверш ения к а к про
цесса В, так и А. Н а рис. 6.52, б показано, к а к с помощью фиктивного процесса D
разреш ить эту коллизию .
а) б)
Рис. 6.52. И с п о ль зо ва н и е ф и кт и вн о го
процесса д л я п р а ви льно го от ображ ения
последоват ельного вы п о л н е н и я процессов
Пример 6.6.1
Издатель имеет контракт с автором на издание его книги. Н иже представлена по
следовательность (упрощенная) процессов, приводящ ая к реализации проекта из
дания книги. Необходимо разработать сеть для этого проекта.
Процесс Предшествующий Длительность

процесс (недели)
А Прочтение рукописи редактором — 3
В Пробная верстка отдельных страниц книги — 2
С Разработка обложки книги — 4
D Подготовка иллюстраций — 3
Е Просмотр автором редакторских правок А, В 2
и сверстанных страниц
F Верстка книги (создание макета книги) Е 2
G: Проверка автором макета книги F 2
Н: Проверка автором иллюстраций D 1
1: Подготовка печатных форм G, Н 2
J: Печать и брошюровка книги С, 1 4
На рис. 6.53 показана сеть, представляю щ ая взаимосвязь процессов данного проек

та. Ф иктивный процесс (2, 3) введен для того, чтобы “ развести” конкурирующие
процессы А и В. Номера узлов сети возрастают в направлении выполнения проектов.
Рис. 6.53. Сеть проекта для примера 6.6.1

1. Постройте сеть проекта, содержащего процессы, помеченные латинскими
буквами от А до L, с учетом следующих отношений предшествования.
a) Первые процессы А, В и С проекта могут выполняться параллельно.
b ) Процессы А и В предшествуют процессу D.
c) Процесс В предшествует процессам Е, F и Н.
d) Процессы F и С предшествуют процессу G.
e) Процессы Е и Н выполняются перед процессами I и J.
f) Процессы С, D, F и J предшествуют процессу К .
g) Процесс К выполняется перед процессом L.
h) Проект заканчивается после заверш ения процессов I, G и L.
2. Постройте сеть проекта, содержащего процессы, помеченные латинскими
буквами от А до Р, с учетом следующих отношений предшествования.
a) Первые процессы А, В и С проекта могут выполняться параллельно.
b ) Процессы D, Е и F следуют за процессом А.
c) Процессы I и G выполняются после процессов В и D.
d) Процесс Н следует за процессами С и G.
e) Процессы К и L выполняются после процесса I.
f) Процесс J следует за процессами Е и Н.
g) Процессы М и N следуют за процессом F, но не могут начаться до завер
ш ения процессов Е и Н.
h) Процесс О следует за процессами М и I.
i) Процесс Р — за процессами J, L и О.
j) Проект заканчивается после заверш ения процессов К, N и Р.
3. Фундамент здания должен состоять из четырех железобетонных блоков. При
создании каждого блока выполняются следующие виды работ: 1) земляные
(рытье котлована), 2) закладка арматуры, 3) заливка бетона. Земляные работы
под очередной железобетонный блок не могут начаться до тех пор, пока не бу
дут завершены все работы на предшествующем блоке. Такое же ограничение су
ществует для бетонных работ. Постройте сеть процессов закладки фундамента.
4. Допустим, в предыдущем упражнении одновременно с земляными работами
может быть выполнено 10% работ по созданию водопроводно-
канализационной сети здания, но в любом случае эти работы должны на
чаться до заливки фундаментных блоков бетоном. Кроме того, по 5% этих
работ можно выполнить при достижении 95% готовности каждого фунда
ментного блока. Постройте сеть строительных работ.
5. Выявление общественного мнения предполагает выполнение следующих ра
бот: разработка и печать опросных листов, наем и транспортировка интер
вьюеров, выбор участников опроса, пересылка заполненных опросных лис
тов и анализ полученных данных. Постройте сеть этих работ,
предварительно сформулировав необходимые предположения о последова
тельности их выполнения.
6. В следующей таблице приведены работы (процессы), выполняемые при
строительстве нового каркасного дома. Разработайте сеть этих работ.
Процесс Предшествующий Длительность (дни)

процесс
А: Очистка строительного участка — 1

В: Завоз оборудования — 2
С: Земляные работы А 1
D: Заливка фундамента С 2
Е: Наружные сантехнические работы В, С 6
F: Возведение каркаса дома D 10
G: Прокладка электропроводки F 3
Н: Создание перекрытий G 1
1: Создание каркаса крыши F 1
J: Внутренние сантехнические работы Е, Н 5
К: Покрытие крыши 1 2
L: Наружные изоляционные работы F, J 1
М: Вставка окон и наружных дверей F 2
N: Обкладка дома кирпичом L, М 4
О: Штукатурка стен и потолков G, J 2
Р: Облицовка стен и потолков 0 2
Q: Изоляция крыши 1, Р 1
R: Окончание внутренних отделочных Р 7
работ
S: Окончание наружных отделочных 1. N 7
работ
Т: Ландшафтные работы S 3
7. Компания готовит бюджет производства нового изделия. В следующей таб

лице представлены этапы подготовки бюджета и их длительность. Постройте
сеть этапов подготовки бюджета.
Процесс Предшествующий Длительность (дни)

процесс
А: Прогнозирование объема продаж — 10
В: Изучение рынка конкурирующих — 7
товаров
С: Доводка изделия А 5
D: Подготовка производственного С 3
плана
Е: Оценка стоимости производства D 2
F: Определение отпускной цены В, Е 1
G: Подготовка бюджета Е, F 14
8. Расширение участка дороги требует переноса воздушной электролинии

(длиной 1700 футов). В следующей таблице приведены этапы выполнения
работ по замене электролинии. Постройте соответствующую сеть.
Предшествующий Длительность
Процесс
процесс (дни)
А Определение объема работ — 1
В Извещение пользователей о временном А 0,5
отключении электросети
С Подвозка материалов и оборудования А 1
D Предварительные работы А 0,5
Е Заготовка опор и материалов С, D 3
F Развозка опор Е 3,5
G Определение нового местоположения опор D 0,5
Н Разметка местоположения опор G 0,5
1: Земляные работы для установки новых опор Н 3
J: Установка новых опор F, 1 4
К Ограждение старой линии F, 1 1
L: Прокладка новых проводов J, К 2
М: Обустройство новой линии L 2
N Натяжка проводов L 2
О Подрезка деревьев D 2
Р Отключение старой электролинии В, М, N, О 0,1
Q Подключение новой электролинии Р 0,5
R Уборка территории Q 1
S Удаление проводов старой линии Q 1
Т Удаление опор старой линии S 2
и Возврат материалов и оборудования R, Т 2
9. В следующей таблице показаны этапы покупки нового автомобиля. Построй

те соответствующую сеть,
Предшествующий Длительность
процесс (дни)
А: Принятие окончательного решения о покупке автомобиля — 3
В: Поиск потенциального покупателя имеющегося А 14
автомобиля
С: Составление списка желаемых моделей машин А 1
D: Исследование желаемых моделей С 3
Е: Консультации у автомехаников С 1
F: Сбор рекламных материалов продавцов автомобилей С 2
G: Обобщение полученной информации D, Е, F 1
Н: Выбор трех наиболее подходящих моделей G 1
I: Знакомство “в натуре" с выбранными моделями Н 3
J: Сбор финансовой информации Н 2
К: Выбор одного автомобиля I, J 2
L: Выбор продавца автомобиля К 2
М: Выбор автомобиля желаемого цвета L 4
N: Повторная дорожная проверка выбранной модели L 1
О: Покупка нового автомобиля В, М, N 3
6.6.2. Метод критического пути

Конечным результатом применения метода критического пути (СРМ) будет по
строение временного графика выполнения проекта (см. рис. 6.50). Д ля этого прово
дятся специальные вычисления, в результате чего получаем следующую информацию.
1. Общая длительность выполнения проекта.
2. Разделение множества процессов, составляющих проект, на критические
и некрит ические.
Процесс является критическим, если он не имеет “ зазора” для времени своего
начала и завершения. Таким образом, чтобы весь проект заверш ился без задержек,
необходимо, чтобы все критические процессы начинались и заканчивались в строго
определенное время. Д ля некритического процесса возможен некоторый “дрейф”
времени его начала, но в определенных границах, когда время его начала не влияет
на длительность выполнения всего проекта.
Д ля проведения необходимых вычислений определим событие как точку на вре
менной оси, где завершается один процесс и начинается другой. В терминах сети, собы
тие — это сетевой узел. Нам понадобятся также следующие определения и обозначе
ния.
— самое раннее возможное время наступления события у,

Aj — самое позднее возможное время наступления события у,
Dtj — длительность процесса (і, у).
Вычисление критического пути включает два этапа (прохода). При проходе
вперед вычисляю тся самые ранние времена наступления событий, а при проходе
назад — самые поздние времена наступления тех же событий.
Проход вперед. В ычисления начинаю тся в узле 1 и заканчиваю тся в послед
нем узле п.
Н ачальны й шаг. Полагаем Dj = 0; это указывает на то, что проект начинает
ся в нулевой момент времени.
Основной ш аг j. Д ля узла у определяем узлы р, q.......v, непосредственно свя
занные с узлом у процессами (р, у), (q, у), ..., (v , j ), для кото
рых уже вычислены самые ранние времена наступления со
ответствующих событий. Самое раннее время наступления
события у вычисляется по формуле
Ц = тах { П , + Dpj, Dq + Dqj......... □„ + D J .
Проход вперед заверш ается, когда будет вычислена величина Пп для узла п.
По определению величина равна самому длинному пути
(длительности) от начала проекта до узла (события) у.
Проход назад. В этом проходе вычисления начинаются в последнем узле п и за
канчиваю тся в узле 1.
Н ачальны й шаг. Полагаем Дп= это указывает, что самое раннее и самое
позднее времена для заверш ения проекта совпадают.
Основной ш аг]. Д ля узла у определяем узлы р, q.......v, непосредственно свя
занные с узлом у процессами (у, р), ( j , q)....... (у, v), для кото
рых уже вычислены самые поздние времена наступления со
ответствующих событий. Самое позднее время наступления

события j вычисляется по формуле
Л/ = min{A - Dip, A ~ D n.......Д„- D.J.
Проход назад завершается при вычислении величины Aj для узла 1.
Процесс (і , j) будет крит ическим, если выполняю тся три условия.
1. Д, = П,
2. Д ,- П ,
3. Д ,-Д , = П , - П - D „
Если эти условия не выполняются, то процесс некрит ический.
Критические процессы должны образовывать непрерывный путь через всю сеть
от начального события до конечного.
Пример 6.6.2
Найдем критический путь для сети проекта, показанной на рис. 6.54. Длитель
ность всех процессов дана в днях.
Обозначения: _
А Проход вперед : П—
Проход назад: —
Критический путь: © —
Конец Начало
прохода. прохода
назад назад
Начало f Конец
прохода прохода
вперед вперед
Рис, 6.54. Проходы вперед и назад для проекта из примера 6.6.2
Проход вперед
Узел 1. Полагаем d j = 0.
Узел 2. П2 = Dj + D12 = 0 + 5 = 5.
Узел 3. П 3 = тах{П] + DI3, П 2 + D23} = тах{0 + 6, 5 + 3} = 8.
Узел 4. П 4 = П2 + D24 = 5 + 8 = 13.
Узел 5. П5 = тах{П3 + D3S, П 4 + D45} = тах{8 + 2, 13 + 0} = 13.
У зел 6. П 6 = тах{П3 + D36, П 4 + D46, П5 + D J =
= тах{8 + 11, 13 + 1, 13 + 12} = 25.
Таким образом, расчеты показывают, что проект можно выполнить за 25 дней.
Проход назад
Узел 6 . Полагаем Д6 = П 6 = 25.
Узел 5. Д5 = Д6 - D56 = 25 - 12 = 13.
Узел 4. Д4 = тіп{Д6 - Di6, Д5 - D45} = min{25 - 1 , 1 3 - 0 } = 13.
Узел 3. Д3 = тіп{Д 6 - D36, Д5 - D35} = min{25 - 11, 13 - 2} = 11.
Узел 2. Д2 = тіп{Д4 - D24, Д3 - D23} = min{13 - 8 , 11 - 3} = 5.
Узел 1. Д; = тіп{Л3 - D13, Д2 - DI2} = тіп{11 - 6 , 5 - 5} = 0.
Вычисления без ошибок всегда приводят к результату Aj = 0.
Результаты вычислений, выполняемых при проходах вперед и назад, показаны на
рис. 6.54. П равила определения критических процессов показы ваю т, что кри ти
ческий путь составляю т процессы 1 - > 2 - > 4 - > 5 —> 6 , т.е. этот путь проходит от
начального узла 1 до конечного узла 6 . Сумма длительностей критических про
цессов (1, 2), (2, 4), (4, 5) и (5, 6 ) равна длительности всего проекта (т.е. 25 дней).
Отметим, что процесс (4, 6 ) удовлетворяет первым двум условиям критического пути
(Д4 = П 4 = 13 и Д6 = П 6 = 25), но не удовлетворяет третьему условию (П 6 - П 4* D46). По
этому данный процесс не является критическим.
УПРАЖНЕНИЯ 6.6,2
1. Найдите критический путь для сети проекта, показанной на рис. 6.55.
2. Найдите критические пути для сетей проектов, показанных на рис. 6.56.

3. Найдите критический путь в задаче из упраж нения 6 . 6 .1.6.
Проект А Проект Б
Рис. 6.56. С ет и про ект о в д л я уп р а ж нен и я 2
6.6.3. Построение временного графика

В этом разделе показано, как на основе данных, полученных расчетным путем
в предыдущем разделе, строится временной график последовательного выполнения
проекта. Мы уже знаем, что □, для процесса (і, у) указывает на самое раннее время
начала этого процесса, а Д. — на самое позднее время завершения процесса. Таким
образом, пара величин (□,, Д;) ограничивает максимальный интервал времени,
в течение которого может выполняться процесс (i, j).
Построение предварительного граф ика. Метод построения предварительного
временного графика выполнения проекта покажем на следующем примере.
Пример 6.6.3
Построим временной график проекта из примера 6.6.2 (см. рис. 6.54).
Предварительный временной график проекта можно начертить, используя макси
мальные интервалы выполнения каждого процесса. В результате получим график,
представленный на рис. 6.57. Сделаем два замечания.
1. Критические процессы (показаны на графике сплошными линиями) располага
ются последовательно друг за другом без временных зазоров и перекрытий. Та
ким образом, их суммарная длительность равна длительности выполнения всего
проекта (в данном случае 25 дней).
2. Некритические процессы (показаны на графике пунктирными линиями) пред
ставлены максимальными интервалами выполнения, которые превышают ре
альную длительность выполнения этих процессов. Поэтому необходимо каким-
то образом определиться с началом выполнения этих процессов.
Как выбрать время начала выполнения некритического процесса? Обычно предпо
читают начинать некритические процессы по возможности в самый ранний срок.
В этом случае остается запас времени (остаток максимального интервала выполне
ния), который можно использовать для реш ения неожиданно возникш их во время
выполнения процесса проблем. Вместе с тем при необходимости можно перенести
начало выполнения какого-либо процесса. Допустим, если в нашем примере во
время выполнения процессов Е и F (см. рис. 6.57) используется одно и то же обору
дование, причем в каж ды й момент времени его можно задействовать только для
одного процесса, значит, можно исключить временное наложение этих процессов,
начав процесс F после заверш ения Е.
Дни
Р ис. 6.57. П р ед ва р и т ель н ы й врем енной граф ик в ы п о л н е н и я проект а
Если на некритические процессы не налагаю тся какие-либо дополнительные огра

ничения и все они начинаются в самый ранний момент времени, то временной график
проекта строится автоматически. Однако в этом случае могут нарушаться некоторые
отношения предшествования. В частности, в нашем примере (см. рис. 6.54) процесс
С должен быть завершен до начала процесса Е. Но максимальные интервалы вре
мени выполнения этих процессов перекрываются, поэтому и реальные интервалы
времени их выполнения такж е могут перекрываться. Поэтому необходимо преду
смотреть какие-нибудь “ красные ф лаж ки ” , которые автоматически указывали бы,
когда тот или иной процесс может начинаться без нарушения отношений предше
ствования с другими процессами. Далее мы покаж ем, как для этого использовать
запасы времени отдельных процессов.
Определение запасов времени. Запас времени некритического процесса — это

часть максимального интервала времени выполнения этого процесса (который, на
помним, больше реальной длительности процесса). Различают общий и свободный
запас времени процесса.
На рис. 6.58 показана разность между этими запасами времени процесса (i, у) —
общим (TFtj) и свободным (FF ). Общий запас времени процесса (і, у) определяется
как превышение над длительностью выполнения этого процесса интервала времени
от самого раннего момента осуществления события і до самого позднего времени
осуществления события у, т.е.
TFi r Ar n - D ir
Свободный запас времени процесса (i, у) определяется как превышение над длитель
ностью выполнения этого процесса интервала времени — от самого раннего момента
осуществления события і до самого раннего времени осуществления события у, т.е.
FF,r D„.
По определению FFt < TFtj.
П р а вило “красного флажка”. Д л я некритического процесса (i, j)

а) если FFtj = TFtj, то данный процесс может вы полняться в любое вре
м я внут р и максимального инт ервала (□,, Д.) без нарушения отно
шений следования;
б) если FFU < T Fljt то без нарушения отношений следования данный
процесс может начаться со сдвигом, не превышающим FFl}, относи
тельно самого раннего момента начала процесса Сдвиг начала
процесса на ве л и ч и н у времени, превышающую FFtj (но не более TFtj),
должен сопровождаться равны м сдвигом относительно всех про
цессов, начинаю щ ихся с события j.
Pvi.
..-A
-O r
T fif
FFt = ą - n , - D t
&
D>,
Puc. 6.58. В ы ч и с л е н и е общего и свободного за п а со в вр ем ени

<Z)
Это правило означает, что некритический процесс (/,/) помечается “ красным
ф лаж ком ” только тогда, когда FFtj < TF,r Этот флаж ок принимается во внимание
при сдвиге начала процесса относительно самого раннего времени □, на такую ве
личину, при которой следует рассчитывать сдвиг процессов, следующих из узла /.
Пример 6.6.4
Вычислим запасы времени для некритических процессов в сети проекта из приме
ра 6 .6.2 и на основе этих расчетов построим окончательный временной график проекта.
Общие и свободные запасы времени некритических процессов представлены в сле
дующей таблице. Такие расчеты можно проводить непосредственно на сети проек
та, как показано на рис. 6.54.
Некритический Длительность Общий запас времени Свободный запас времени

процесс процесса (TF) (FF)
В (1,3) 6 1 1 - 0 - 6 = 5 8 - 0 - 6 = 2
СЛ
00
со
II
С (2, 3) 3 1 1 - 5 - 3 = 3
I
Е (3, 5 ) 2 1 3 - 8 - 2 = 3 1 3 - 8 - 2 = 3
F (3, 6 ) 11 2 5 - 8 - 11 = 6 2 5 -8 -1 1 = 6
Н (4, 6 ) 1 2 5 -1 3 -1 = 11 25-13 - 1 = 11
Правило “ красного ф лаж ка” следует применять только к процессам В и С, по

скольку для них FF < TF. Оставшиеся процессы (Е, F и Н) имеют FF = TF, поэтому
они могут выполняться в любое время внутри своих максимальных интервалов
времени выполнения.
Рассмотрим процесс В, помеченный “ красным ф лаж ком ” . Поскольку для этого
процесса TF = 5 дней, он может начаться в любой день из интервала 0 -5 дней от на
чала выполнения всего проекта (см. рис. 6.57). Но если FF = 2 дня, то, поскольку
процесс В начнется в 0-, 1- или 2-й день от начала выполнения проекта, это не ока
жет никакого влияния на последующие процессы Е и F. Однако, если процесс В
начнется в (2 + d)-й день (2 + d < 5), начало выполнения процессов Е и F необходимо
сдвинуть от самого раннего срока их начала (8 -й день от начала выполнения проек
та) на величину, не меньше d\ только при таком условии не нарушатся отношения
следования между процессами В, Е и F.
Для помеченного “ красным ф лаж ком ” процесса С имеем FF = 0. Это означает, что
любой сдвиг начала выполнения этого процесса должен сопровождаться таким же
(не меньшим) сдвигом начала выполнения процессов Е и F.
П рограмма TORA обладает средствами реализации метода СРМ и построения

временных графиков. Чтобы воспользоваться этими средствами, в меню Main
Menu выберите команду Project PlanningOCPM—Critical Path Method (Планирование
лроекта^М етод критического пути). В выходном окне доступна опция СРМ Cal
culations (В ы числения метода СРМ), после выбора которой поэтапово вы п олн я
ю тся проходы вперед и назад, а так ж е вы чи сляю тся запасы времени. Д ля соз
дания и работы с временным граф иком нуж но выбрать опцию СРМ Ваг Chart
(В ременная диаграмма метода СРМ).
На рис. 6.59 показано выходное окно TORA с результатами вычислений мето
дом СРМ задачи из примера 6.6.2 (файл ch6ToraCPM Ex6-6-2.txt). Д ля вычислений
в пошаговом режиме используйте кнопку Next Step (Следующий этап).
На рис. 6.60 представлен временной граф ик проекта из примера 6.6.2, для по
строения которого следует выбрать опцию СРМ Bar Chart. По умолчанию все кри
тические процессы автоматически размещ аю тся в расписании к ак можно рань
ше. Используя раскрывающ иеся списки в ниж ней левой части экрана, можно
исследовать, как будет влиять на расписание задерж ка выполнения некритиче
ских процессов. Это влияние, а такж е соответствующие пояснения будут показа
ны непосредственно на графике. Н апример, если задерж ка начала выполнения
процесса В будет более 2 временных единиц, то задерж ка начала выполнения по
следую щ их процессов Е и F будет равна разнице между задерж кой и запасом
времени процесса В, Так, если задерж ка начала выполнения процесса В будет
равна 3 единицам, то запас времени для этого процесса будет равен 2. Следова
тельно, задерж ка выполнения процессов Е и F будет равна к ак минимум 3 - 2 = 1
временной единице. Эта ситуация показана на рис. 6.60.
» TORA D :\W o r k \T o r a F ile i\c łi6 T o r a C P M [x 6 6 2 . tx t
Рис. 6.59. Результаты вычислений для задачи из примера 6.6.2

» TORA D :\W o r k \r o r e ftle s \c h 6 T o ra C P M E K 6 6 2 t v t
PROJECT P t ANNING PERT/TPM

і ив
...а ---
» ш » і> іи ч
ицнш-уд-ж* •>“|itP*iaia«
ІЗ » » CR ITIC AL PA TH M ETHOD SCHEDULE
і *pe- p* wrfh t S e d u ii qł» ges ■

M in cha ng e і||<1 о T r ia l f м і
д е i t n 't o f bf
TIVITVB START T IM E - 3 .DELAYle la tr/e lo tt

FLIEST START - 3. FREE FLOAT - 2. Because DELAY
;eedt FREE FLOAT by 1 succeetfcng ectryitiet (E F) ca rro t
rt ary earhet lhan Uroe 9
i UTION Activities folow ng {E F) ї а г у are rtcl checked I

able delay Т Ы ttep i t done m a n ua l by asssj-irig zero
Рис. 6.60. Временной график проекта из примера 6.6.2

1. Дан процесс ( і ,;') длительностью самый ранний срок его начала — Q
и самый поздний срок его заверш ения — Д.. Определите самый ранний срок
заверш ения этого процесса и самый поздний срок его начала.
2. Чему равны общий и свободный запасы времени критических процессов?
3. Д ля следующих процессов определите максимальный сдвиг начала их вы
полнения (относительно самого раннего срока начала выполнения), который
не нарушает никаких отношений следования с другими процессами.
a) TF = 10, FF = 10, D —4.
b) TF = 10, FF = 5, £> = 4.
c) TF = 10, ^ = 0,1» = 4.
4. В задаче из примера 6.6.4 на основе значений запасов времени ответьте на
следующие вопросы.
a) Пусть процесс В начался в 1-й день от начала выполнения всего проекта,
а процесс С — в 5-й день (см. рис. 6.57). Каков самый ранний срок начала
процессов Е и F?
b)Пусть процесс В начался на 3-й день от начала выполнения проекта,
а процесс С — на 7-й. Каков самый ранний срок начала процессов Е и F?
c) Может ли процесс В начаться после 6 -го дня от начала выполнения проекта?
5. Пусть в проекте из примера 6.6.2 (рис. 6.54) длительность процессов В и F
возросла до 20 и 25 дней соответственно.
a) Определите критический путь.
b) Найдите общие и свободные запасы времени для некритических процес
сов и пометьте при необходимости их “ красными ф лаж кам и ” .
c) Пусть процесс А начался на 5-й день от начала выполнения всего проекта. Оп
ределите по возможности самые ранние сроки начала процессов С, D, Е и Н.
d) Предположим, для выполнения процессов F, G и Н необходимо одно и то
ж е оборудование. Определите минимально необходимое количество этого
оборудования.
6 . Вычислите запасы времени и расставьте “ красные ф лаж ки ” процессам про
ектов, показанных на рис. 6.56. Затем постройте временные графики при со
блюдении следующих условий.
П роект А
1. Процесс (1, 5) не может начаться раньше 14-го момента времени.
2. Процессы (5, 6 ) и (5, 7) используют одинаковое оборудование, которое в лю
бой момент времени может использоваться только в одном процессе.
3. Все другие процессы начинаются так рано, как только возможно.
П роект Б
1. Процесс (1, 3) должен начаться так рано, как только возможно, с учетом то
го, что процессы ( 1 , 2 ), ( 1 , 3) и ( 1 , 6 ) используют одинаковое оборудование,
которое в любой момент времени может использоваться только в одном процессе.
2. Все другие процессы начинаются так рано, как только возможно.
6.6.4. Формализация задачи поиска критического пути как задачи ЛП

Задача определения критического пути в сети проектов, реш аемая методом
СРМ, противоположна задаче вычисления кратчайш его пути (раздел 6.3) в том
смысле, что здесь ищется самый длинны й путь от начального узла до конечного.
Можно применить формализацию задачи поиска кратчайш его пути из разде
ла 6.3.3 к задачам нахождения критического пути, реш аемых метом СРМ (для
краткости будем называть такие задачи задачами СРМ), следующим образом.
Предположим, что в сеть в начальном узле поступает одна единица потока, которая
покидает сеть в конечном узле. Обозначим
xtj — величина потока, проходящего по дуге (i, j), соответствующей процессу (i, j),
D,: — длительность процесса (i, j).
В этих обозначениях целевая функция задачи линейного программирования за
пишется как
максимизировать г = ^ Д (х:|
н о веем процессам ( i , j)
(Сравните с формализацией задачи вычисления кратчайш его пути, где целевая

функция минимизируется.) Д ля каждого узла (проекта) определяется только одно
ограничение, задающее баланс потока, проходящего через данный узел:
общий входной поток = общий выходной поток.
Очевидно, что все переменные х 1} неотрицательны. Отметим, что одно из ограниче
ний избыточно.
Опять, к ак и в задачах поиска кратчайш его пути, для решения задачи СРМ
можно применить двойственную задачу ЛП. В следующем примере покажем две
формализации задачи СРМ.
Пример 6.6.5
Н иже дана формулировка задачи из примера 6.6.2 (см. рис. 6.54) в терминах се
тевых моделей линейного программирования. Отметим, что узлы 1 и 6 являю тся
соответственно начальным и конечным узлами.
А В С D Е F Фиктивный н G
Х12 *13 *23 Х24 Х35 Хзб Х45 Х46 Х56
Максимизировать z 5 6 3 8 2 11 0 1 12
Узел 1 -1 -1 = -1
Узел 2 1 -1 -1 =0
Узел 3 1 1 -1 -1 =0
Узел 4 1 -1 -1 =0
Узел 5 1 1 -1 =0
Узел 6 1 1 1 =1
С помощью программы TORA было получено следующее оптимальное реше

ние: 2 = 25, jc12(A)= 1, jc24(D) = 1, ^ (Ф и к ти в н ы й ) = 1, x 56(G) = 1, все другие перемен
ные равны 0. Решение определяет следующий критический путь: А -> D -> Ф иктив
ный -» G, при этом длительность проекта равна 25 дней.
Приведем формулировку двойственной задачи ЛП.

Минимизировать w = y6- у х
у 2- у , > 5 (А),
Уз - Ух * 6 (В ),
у 3 - у 2>3 (С),
у , - у 2> 8 (D),
У ,-У з> 2 (Е),
у 6 - у 3 > 11(F),
у 6- у4> 0 (Фиктивный),
у 6 -у<> 1(H),
У6 -У 5 ^ 1 2 (&)>
все г/, не ограничены в знаке.
В формулировке двойственной задачи можно дать интересную интерпретацию
двойственных переменных. Пусть у/ — время узла отсчитываемое от некоторого
момента времени, общего для всех узлов. В этом случае w = у 6 - у х будет представ
лять длительность проекта. Каждое ограничение связано с определенным процес
сом, они устанавливают отношения предшествования между различными процес
сами. Например, неравенство у 2 - у 1>5 эквивалентно неравенству у 2 > у,+ 5,
которое показывает, что для узла 2 время у 2 не может быть меньшим времени
г/, + 5. Минимум целевой функции определяет наименьший промежуток времени,
при котором будут выполняться все ограничения. В этой интерпретации двойст
венные переменные могут принимать только неотрицательные значения. Время
начала выполнения проекта у, естественно установить равным нулю. В этом случае
целевую функцию можно переписать как w = у6. Задание значения у х = О такж е со
гласуется с тем, что одно из первоначальных условий лишнее.
С учетом того, что переменные могут принимать только неотрицательные зна
чения, в программе TORA было получено следующее оптимальное решение двойст
венной задачи: w = 25, у, = 0, у 2 = 5, уэ = 11, у4 = 13, уй = 13, у 6 = 25. Из полученного
реш ения видно, что длительность проекта составляет w — 25 дней.
В соответствии с ограничениями, которые выполняю тся строго в виде равенств,
определяем критические процессы: А -> D -> Ф иктивный -» G. Из того факта, что,
если ограничение удовлетворено в виде равенства, то соответствующее значение
двойственной задачи должно быть положительным, в данном случае вытекает, что
значения переменных прямой задачи СРМ (поскольку мы решаем двойственную),
ассоциированные с такими ограничениями, будут равны 1. На этом основании
можно заполнить следующую таблицу.
Ограничение А В С D Е F Фиктивный G Н
Переменная прямой задачи 1 0 0 1 0 0 1 0 1
Отсюда получаем, что путь А —> D —> Ф иктивный -» G является критическим.

Заметьте, что положительное значение переменной прямой задачи всегда равно 1,
поскольку задерж ка в один день д ля любого критического процесса приведет к уве
личению продолжительности проекта на один день (напомним, что двойственные
переменные интерпретируются к а к стоимость единицы ресурса, см. раздел 4.3.1).
УП Р А Ж Н Е Н И Я 6.6.4
1. Используя формализацию линейного программирования, определите кри ти

ческий путь для сети проекта, показанного на рис. 6.55.
2. Используя формализацию линейного программирования, определите кри ти
ческий путь для сетей проектов, которые представлены на рис. 6.56.
6.6.5. Сети PERT

Метод PERT отличается от СРМ тем, что здесь длительность процессов характе
ризуется тремя оценками.
1. Оптимистичная оценка времени а, когда предполагается, что выполнение
процесса будет происходить максимально быстро.
2. Наиболее вероятная оценка времени т., когда предполагается, что выполне
ние процесса будет происходить нормально.
3. П ессимистическая оценка времени Ь, когда предполагается, что выполнение
процесса будет происходить очень медленно.
Любая возможная оценка времени выполнения процесса будет леж ать в интер
вале (а, Ь). Поэтому оценка времени т. такж е должна лежать в этом интервале. На
основе этих оценок среднее время D выполнения процесса и дисперсия v вы числя
ются по формулам
Все вычисления метода СРМ, которые описаны в разделах 6.6.2 и 6.6.3 выпол
нимы, если заменить значения длительностей D процессов оценками D .
Теперь можно определить вероятность того, что узел j модели будет достигнут
в заранее запланированное время Sr Пусть е.— время наискорейшего достижения
узла j. Поскольку длительности выполнения процессов, которые ведут от начального
узла к узлу j, — случайные величины, то е такж е является случайной величиной.
Предположив, что все процессы в сети статистически независимы, можно определить
среднее (математическое ожидание) М{е} и дисперсию var{e;} следующим образом.
Если существует только один путь от начального узла к узлу j, то среднее является
суммой ожидаемых длительностей D выполнения всех процессов, входящих в этот
путь, а дисперсия равна сумме дисперсий v тех ж е процессов. С другой стороны, если
к узлу j ведет более одного пути, то до того, как будут вычислены среднее и диспер
сия, необходимо найти вероятностное распределение длительности выполнения про
цессов, которые составляют самый длинный путь. Эта задача достаточно сложная,
поскольку она эквивалентна задаче, вычисляющей распределение максимума не
скольких случайных величин. Д ля упрощения этой задачи среднее М{е] и дисперсия
var{e.} вычисляются только для пути, для которого сумма ожидаемой длительности
выполнения процессов максимальна. Если несколько путей имеют равные значения
среднего, то выбирается тот, для которого дисперсия больше, поскольку этот путь от
ражен наименее четко, и поэтому будет вычислена более общая оценка вероятностей.
После того как будет вычислено среднее М{е] и дисперсия var{e}, вероятность того,
что узел j будет достигнут в запланированное время S p можно вычислить по формуле
е - М { е ,} -М { е ,.}
P{e,*Sl} = P = P{z<K,},
л/ v аг{ё/} yjv аг{е,}
где 2 — случайная величина, имею щ ая стандартное нормальное распределение,
' Vvar!e^
Случайная величина г имеет среднее 0 и стандартное отклонение 1 (см. прило
жение В). В данном случае использование нормального распределения оправдано
тем, что е. является суммой независимых случайных переменных. Согласно ц е н
т р а л ь н о й п р е д е л ь н о й т е о р е м е (см. раздел 12.5.4) величина ej приближенно распре
делена по нормальному закону.
Пример 6.6.6
Рассмотрим проект из примера 6.6.2. Чтобы не повторять вычисление критиче
ского пути, значения а , т и Ь, представленные в таблице ниж е, были выбраны так,
чтобы Dtj = D:j для всех і и
Процесс i-j (а, т, Ь) Процесс i-j (a, m, b)
А 1-2 ( 3 ,5 ,7 ) E 3-5 (1 .2 , 3)
В 1-3 (4, 6, 8) F 3-6 (9, 11, 13)
С 2-3 ( 1 ,3 ,5 ) H 4-6 ( 1 ,1 ,1 )
D 2-А (5 ,8 ,1 1 ) G 5-6 (10, 12, 14)
С р е д н и е D:J и д и с п е р с и и VtJ д л я р а з л и ч н ы х п р о ц е с с о в д а н ы в с л е д у ю щ е й т а б л и -
ц е . З а м е т ь т е , ч т о д л я ф и к т и в н о г о п р о ц е с с а ( а , т , Ъ) = ( 0 , 0 , 0 ) , п о э т о м у е го сред нее
и диспер сия т а к ж е равны н ул ю .
Процесс i-j Du Уц Процесс H Dij V,j

А 1-2! 5 0,444 E 3-5 2 0,111
В 1-2I 6 0,444 F 3-6 11 0,444
С 2-2I 3 0,444 H 4-6 1 0,000
D 2-АI 8 1,000 G 5-6 12 0,444
В таблице ниж е приведены самые длинные пути (которые были определены по

средней длительности) от начального узла 1 ко всем остальным узлам, а такж е со
ответствующие средние значения и дисперсии.
Узел Самый длинный путь Среднее пути Стандартное отклонение пути
2 1-2 5,00 0,67

3 1-2-3 8,00 0,94
4 1-2-4 13,00 1,20
5 1-2-4-5 13,00 1,20
6 1-2-4-5-6 25,00 1,37
И наконец, в следую щ ей таблице представлены вы численны е аналитиком

зн ачен ия вероятностей того, что каж ды й узел будет достигнут в запланирован
ное время S,..
Узел j Стандартное
Самый длинный путь Среднее пути S, К) P(z<Kj)
отклонение пути
2 1-2 5,00 0,67 5,00 0 0,5000
3 1-2-3 8,00 0,94 11,00 3,19 0,9993
4 1-2-4 13,00 1,20 12,00 -0 ,8 3 0,2033
5 1-2-4-5 13,00 1,20 14,00 0,83 0,7967
6 1-2-4-5-6 25,00 1.37 26,00 0,73 0,7673
Программа TORA содержит модуль д л я выполнения вычислений методом

PERT. Чтобы им воспользоваться, из главного меню выберите команду Project
P la n n in g o P E R T -P ro g ram Evaluation & Review Technique (Планирование п р о екта^
PERT). В выходном окне д ля вычисления среднего и дисперсии каждого процесса
надо выбрать опцию Activity M ean /V ar (Среднее/дисперсия процессов). Чтобы сразу
вычислить средние и дисперсии д ля самы х длинны х путей к каж дом у узлу сети,
следует выбрать опцию P E R T Calculations (Вычисления методом PERT).
На рис. 6.61 показаны результаты вычислений методом PERT, полученные
в системе TORA, для примера 6 . 6 .6 (файл ch 6 ToraPER TEx 6 -6 -6 .tx t).
« TORA D :\W o r k \r o r d F ile s \c h 6 T o rd P E R Г Е хб -б 6.1 x t
PROJECT PLANNING PERT/CPM

ТОР Гі|І1 »Г~і ТЩп Ш Ч T ill im
с * * |и в п в -зв н а м у л n u
І ««ЧСІ О 0 SI
_____________________________ PRO*ЕСТРІД I G РЕ Т____________________________
S o ^c t Output O p tm —і
[ нет
T it • : Ex ( f i t 6 6.-6
P A 4 H A N A f*D S T D . D E V IA • N
Node lon ge st РлМ B<ised on Mean Din dltons Meat» Din dlion Sid. L)evi.ition
2 12 5,00 0.67
3 12 J 8,00 0.94
4 12 4 13,00 1,20
5 1. 2- 4- 5 13,00 1,20
6 1 -2 4 5 6 МЛО W
View/Modify Input D ata E r t T ir *
Рис. 6.61. Вычисления для примера 6 .6 .6
1. Н иж е приведены оценки (а, т, Ь) для проектов из упраж нения 6 . 6 .2.2. Д ля
всех узлов проекта определите вероятности того, что эти узлы будут достиг
нуты без задерж ек.
Проект А Проект Б
Процесс (а, т, Ь) Процесс (а, т, Ь) Процесс (а, т, Ь) Процесс (а, т, Ь)
1-2 (5, 6, 8) 3-6 (3. 4. 5) 1-2 (1 ,3 , 4) 3-7 (12, 13, 14)

1-4 (1 .3 , 4) 4-6 (4, 8. 10) 1-3 (5, 7. 8) 4-5 (10, 12, 15)
1-5 (2, 4. 5) 4-7 (5, 6, 8) 1-4 (6, 7, 9) 4-7 (8, 10, 12)
2-3 (4, 5, 6) 5-6 (9, 10, 15) 1-6 (1 ,2 , 3) 5-6 (7, 8, 11)
2-5 (7, 8, 10) 5-7 (4, 6, 8) 2-3 (3, 4, 5) 5-7 (2, 4, 8)
2-6 (8, 9, 13) 6-7 (3, 4, 5) 2-5 (7, 8, 9) 6-7 (5, 6, 7)
3-4 (5. 9, 19) 3-4 (10. 15, 20)
1. A huja R., M agnati Т., Orlin J . Network Flows: Theory, Algorithms and Applica
tions, P rentice Hall, Upper Saddle R iver, N .J., 1993.
2. B azaraa М., Ja rv is J ., Sherali H. Linear Programming and Network Flow, 2nd ed.,
3. Evans J . R ., M inieka E. Optimization Algorithms for Networks and Graphs, 2nd ed.,
Marcel Dekker, New York, 1992.
4. M u rty K . Network Programming, P rentice Hall, Upper Saddle River, N .J ., 1992.

1. Ахо А. В., Хопкрофт Дж. Э., Ульман Д ж . Д. Структуры данных и алгорит
мы. — М.: Издательский дом “ В ильямс” , 2000. 7
2. Форд Л. Р., Фалкерсон Д. Р. П от оки в сетях. — М.: Мир, 1966.
6.1. Любитель свежего воздуха, ж итель Сан-Франциско (СФ), планирует во
время своего 15-дневного отпуска посетить четыре национальных парка:
Йосемитский (ЙО), Йеллоустонский (ЙЕ), Гренд-Тетон (ГТ) и Маунт-
Рушмор (МР). Во время путешествия, которое начнется и закончится в Сан-
Ф ранциско, он планирует посетить парки в таком порядке:
СФ-»ЙО-»ЙЕ-»ГТ-»МР-»СФ. На осмотр каждого парка отводится 2 дня. От
одного парка до другого можно добраться либо самолетом, либо автомоби
лем. Если пользоваться самолетом, то перелет между любыми парками
(а такж е между парками и Сан-Франциско) занимает примерно полдня. Ес
ли путешествовать на автомобиле, то марш рут СФ - ЙО занимает полдня,
ЙО - ЙЕ — 3 дня, ЙЕ - ГТ — один день пути, ГТ - МР — два дня, и воз
вращение из МР в СФ требует 3 дня. В общем случае проезд на автомобиле
дешевле перелета на самолете, но, естественно, путешествие на автомобиле
занимает больше времени. Разработайте наиболее дешевый маршрут посе
щ ения национальных парков (т.е. определите вид транспорта на каждом
7 В данной книге представлены (с вычислительной точки зрения) все рассмотренные

в данной главе алгоритмы. — П р и м . ред.
этапе путешествия) с учетом того, что длительность путешествия не может

превышать 15 дней. В следующей таблице приведена стоимость проезда на
автомобиле и перелета на самолете.
Стоимость полета в Стоимость проезда в

Из СФ ЙО ЙЕ ГТ МР СО ЙО ЙЕ ГТ МР
СФ — 150 350 380 450 130 175 200 230

ЙО 150 400 290 340 13С — 200 145 180
ЙЕ 350 4 Си — 150 320 175 200 70 150
ГТ 380 290 150 — 300 200 145 7С 100
МР 450 340 320 300 230 180 150 1Си —
6.2. 8 Некто ж елает подарить большое количество ценны х книг публичной

библиотеке. Все книги имеют различны е размеры по высоте кореш ка: 12,
10, 8 и 6 дюймов. Заведующ ий библиотекой подсчитал, что для размещ е
ния книг высотой 1 2 дюймов необходимы полки общей длиной 1 2 футов,
для книг высотой 10 дюймов — полки длиной 18 футов, для книг высотой
8 дюймов — полки длиной 9 футов и для книг высотой 6 дюймов — полки
длиной 10 футов. Ц ена книж ны х полок состоит из фиксированной цены
и цены, рассчитываемой в зависимости от суммарной длины полок, как
показано в следующей таблице.
Высота полки (дюймы) Фиксированная цена (долл.) Цена (долл.) за фут длины полки
12 25 5,50
10 25 4,50
8 22 3,50
6 22 2,50
Сколько и каки х полок необходимо для библиотеки, если учесть, что книги
меньшего размера могут храниться на полках для книг большего размера?
6.3. Судоходной ком пании необходимо доставить пять партий груза из пор
тов А, В и С в порты D и Е. Сроки доставки грузов приведены в следую
щей таблице.
Партия груза Маршрут доставки Срок доставки (дни)
1 из А в D 10
2 из А в Е 15
3 из В в D 4
4 из В в Е 5
5 из С в Е 18
В следующей таблице приведено время перехода (дни) между портами

(обратный переход, к ак правило, требует меньше времени).
8 Основано на материалах статьи Ravindran A. “On Compact Storage in L ibraries”,

Opsearch, Vol. 8, No. 3, pp. 245-252, 1971.
A В С D E
A 3 4
В 3 2
С 3 5
D 2 2 2 ■
E 3 1 4
Компания планирует минимизировать количество судов, необходимых для

перевозки данных партий груза.
6.9. 9 Несколько человек решили основать брокерскую фирму для игры на бир
же с ценными бумаги. Брокеры работали по свободной финансовой системе,
что позволяло им проводить многочисленные сделки между самими броке
рами, вклю чая покупку и продажу ценных бумаг, предоставление денеж
ных ссуд и займов под проценты. Д ля всей этой группы брокеров, в целом,
основным источником доходов были комиссионные, получаемые от прода
жи ценных бумаг сторонним клиентам.
Со временем эти спекулятивные сделки вышли из-под контроля, что приве
ло всех брокеров к банкротству. К тому же, финансовое положение брокер
ской фирмы было таково, что все деньги брокеров были вложены во внеш
них клиентов и сделки между самими брокерами, причем таким образом,
что практически каж дый брокер стал должником другого.
Брокеры, чьи активы позволяли погасить долги, были объявлены платеже
способными. Остальные через судебные инстанции должны были погасить
свои долги в интересах сторонних клиентов. Поскольку активы и авуары
несостоятельных брокеров меньше общего объема долгов, долги погашают
ся пропорционально их объемам.
Из-за финансовых затруднений неплатежеспособной группы брокеров су
дебные инстанции постановили, что заключенные ранее сделки должны
вы полняться только для удовлетворения определенных судом требова
ний, поскольку брокеры не имеют собственных источников капитала.
В частности, судебные инстанции требуют свести количество погашаемых
сделок между брокерами к минимуму. Это означает, что если брокер А
должен брокеру В сумму X, а брокер В — брокеру А сумму Y, то эти вза
имные долги сведутся к одному с суммой долга |Х - Y|. Эта сумма считает
ся долгом А перед В, если X > Y, и долгом В перед А, когда X < Y. Если
X = У, долг погашен. Эта идея погашения взаимных долгов распространяет
ся на все долги между брокерами.
Каковы ваши предложения по выходу из данной финансовой ситуации?
В частности, ответьте на следующие вопросы.
1. К ак рассчитать доли возвращаемых долгов?
2. К какому минимальному количеству можно свести взаимные долги ме
жду брокерами?
9 Задача основана на материалах статьи Taha Н. “Operations Research Analysis of a Stock

Market Problem”, Computers and Operations Research, Vol. 18, No. 7, pp.597-602,1991.
ГЛАВА 7
ТЕОРИЯ ЛИНЕИНОГО
Эта глава представляет строгий математический фундамент теории линейного
программирования (ЛП). Здесь будет обоснован симплекс-метод и теория двойст
венности. Кроме того, будут рассмотрены такие эффективные вычислительные а л
горитмы, как модифицированный симплекс-метод, метод декомпозиции, метод
решения задач, содержащих ограничения на значения переменных, и методы па
раметрического программирования. В заключение будет представлен алгоритм
Кармаркара, полностью отличный от симплекс-метода. Этот алгоритм наиболее
эффективен при решении очень больших задач ЛП.
В этой главе используется аппарат матричной алгебры. Читатель, не знакомый
с матричной алгеброй, может обратиться к приложению А.
7.1. ОСНОВЫ СИМПЛЕКС-МЕТОДА

В задачах линейного программирования пространство допустимых решений
всегда имеет форму выпуклого множества. Множество называется выпуклым, если
отрезок прямой, соединяющий две различные точки этого множества, полностью
принадлежит данному множеству. Крайней точкой выпуклого множества является
точка, принадлежащ ая этому множеству, но которая не лежит ни на каком отрезке
прямой, соединяющей две различные точки этого множества. Фактически крайние
точки — это то же самое, что и угловые точки, которые использовались в главах 2, 3 и 4.
На рис. 7.1 показаны два множества. Множество а, которое представляет ти
пичное пространство решений задачи ЛП, является выпуклым множеством, тогда
как множество б невыпуклое.
а б
Р ис. 7.1. П рим еры вы п у к ло го и не вы п у к ло го множ ест в
322 Глава 7. Теория линейного программирования
В разделе 2.3 мы графически показали, что оптимальное (конечное) решение

двухмерной задачи ЛП соответствует крайней (угловой) точке пространства допус
тимых решений. Этот результат основан на том факте, что в задачах ЛП любая до
пустимая точка представима как функция крайних точек пространства решений.
Например, в выпуклом множестве на рис. 7.1, а имеется шесть крайних точек X,,
Х 2....... Х6, произвольную допустимую точку X можно представить как линейную
комбинацию крайних точек:
X = < х ,Х , + <х2Х 2 + СС3Х3 + <х4Х 4 + <х5Х 5 + <х6Х 6,
где все коэффициенты а, > 0 и выполняется равенство

а 1 + а 2 + а 3 + а 4 + а 5 + а 6= 1.
Таким образом, множество крайних точек полностью определяет пространство
допустимых решений.
Пример 7.1.1
П окажем, что следующее множество является выпуклым.
С = {(*,, x2) I ж, < 2, х 2< 3, Хх > 0, х 2 > 0>.

Пусть X, ={x|,x|} и X, ={х,2,х;} — две различные точки из множества С. Если мно
жество С выпукло, тогда точка X = (xt, х2) = а,Х , + а 2Х 2 долж на принадлежать это
му множеству. Чтобы точка X принадлежала множеству С, ее координаты должны
удовлетворять неравенствам, которые определяют это множество.
х, = а,*,' + а 2х; < а ,х 2 + а, х 2 = 2 .
х, = а,х! + а 2х; < а , х 3 + а ,х 3 = 3 .
Таким образом (поскольку a t + a 2 = 1), х, < 2 и х 2< 3. Так как коэффициенты a t и ctj
неотрицательны, то координаты такж е удовлетворяют условиям неотрицательности.
1. Покажите, что множество Q = {*,, дс2 1 дс, Ч- дс2 < 1, ^ 0 , л:2 > 0} выпуклое. Су
щественно ли в данном случае условие неотрицательности переменных?
2. П окажите, что множество Q = {*,, дс2| x t> 1 или л:2> 2} не является выпуклым.
3. Найдите графически крайние точки выпуклого множества
Q = {дс,, дс2| + л:2< 2, х х >0, х г > 0}.
Затем покаж ите, что все пространство допустимых решений, совпадающее
с множеством Q, можно определить как выпуклую комбинацию этих край
них точек. Таким образом, будет доказано, что любое ограниченное про
странство решений в общем случае определяется только крайними точками.
4. Представьте внутреннюю точку (З, 1) пространства решений, показанного на
рис. 7.2, как выпуклую комбинацию крайних точек А, В, С и D, где каждая
крайняя точка долж на иметь строго положительный весовой коэффициент.
7.1.1. Базисные решения

В этом разделе задачу ЛП, записанную в стандартной форме (см. раздел 3.1), пред
ставим в новой форме записи с использованием матричных обозначений. Обозначим
через X = (*,, л:2...... лг„)т n -мерный вектор переменных, через А — матрицу размер
тхп, содержащую коэффициенты левы х частей ограничений, b = (Ь,, Ь2.......Ьт)Т —
m-мерный вектор правых частей ограничений, С = (ср с2, ..., сп) — л-мерный вектор
коэффициентов целевой функции. С помощью матричной формы записи стандарт
ную задачу ЛП можно представить следующим образом.
М аксимизировать или минимизировать z = СХ
АХ = Ь,
Х > 0.
На основе стандартной формы для симплекс-таблиц из главы 3 (см. такж е рис. 4.1)
т. крайних справа столбцов матрицы А всегда можно представить в виде единичной
матрицы I, для чего, возможно, придется надлежащ им образом расположить пере
менные и использовать при необходимости искусственные переменные.
Базисное решение системы уравнений АХ = b получается путем присвоения п -
т переменным нулевых значений и последующим решением системы из т. уравне
ний относительно оставшихся т. переменных (предполагается, что эта система име
ет единственное решение). Теория линейного программирования устанавливает
следующее соответствие между геометрическим определением крайних точек и ал
гебраическим определением базисного решения.
Крайние точки множества {X | АХ = Ь} <=>Базисные решения системы АХ = Ь.
Это соответствие означает, что все крайние точки области решений задачи ЛП
полностью определяются базисными решениями системы АХ = b и наоборот. От
сюда следует, что множество базисных решений содержит всю информацию, необ
ходимую для оптимального решения задачи ЛП. Более того, если наложить усло
вия неотрицательности X > 0 , поиск оптимального решения ограничится только
множеством допустимых базисных решений.
Чтобы формализовать определение базисного реш ения, представим систему

АХ = b в векторной форме
£ рЛ = Ь ,
м
где вектор — j -й столбец матрицы А. Подмножество из т векторов Р; формирует
базис В тогда и только тогда, когда эти векторы линейно независимы . Для этого
необходимо (и достаточно), чтобы определитель матрицы В, состоящей из данных
т. векторов, был отличен от нуля, т.е. det(B) * О.1 В этом случае матрица В называ
ется невырожденной. Обозначим через Хв вектор из т переменных, ассоциирован
ных с векторами Р;, составляющих невырожденную матрицу В. Тогда Х в будет ба
зисным решением, если он будет решением системы ВХв = Ь.
Пусть В"1 — матрица, обратная к матрице В (напомним, что матрица В невыро
жденная). Тогда базисное решение находим по формуле:
Хв = В 1Ь.
Если выполняется неравенство B“'b > 0, тогда Хв будет допустимым решением.
В заключение отметим, что количество базисных решений у системы из т. урав
нений с п неизвестными не превышает величины
т\(п-т)\
Пример 7.1.2
Найдем и классифицируем (как допустимые или недопустимые) все базисные ре
шения следующей системы уравнений
1 3 -1
х,
2 -2 -2
В следующей таблице показаны все базисные реш ения. Матрица, обратная к мат
рице В, вычислена методами, приведенными в разделе А .2.7.
В BXs = b Решение Статус
(Pi. Ра) 1 3 Допустимое
2 -2
(Pi, Рз) Не является базисом
(Ра, Рз) 3 -1 Г і - і ' 1Ґ 4 Л

f^ Недопустимое
4 8 4
-2 -2 _ !
ч” 4
І
г )
UJ =
ч
7
4,
1 Здесь и далее автор обозначает через В как базис, т.е. совокупность базисных векторов,
так и матрицу, составленную из этих векторов. Это не приводит к недоразумениям, так как
и з контекста всегда понятно, о чем идет речь. — Прим. ред.
Рассмотрим эту ж е задачу, представив систему в векторной форме:
Здесь векторы P t, Р 2, Р 3, b являю тся двухмерными; в общем виде они представимы

как (о,, а2)т. На рис. 7.3 на плоскости (о,, а2) показаны векторы данной системы.
Например, вектор b = (4, 2)т, где а, = 4 , а 2 = 2.
Р b
Рис. 7.3. В ект орное п редст авление сист ем ы ур а вн ен и й
Поскольку у нас только два уравнения ( т = 2), базис должен состоять из двух век
торов, выбранных среди Р,, Р 2 и Р 3. Из рис. 7.3 видно, что пары векторов (Р,, Р2)
и (Р 2 Р3) могут быть базисами, поскольку векторы в этих парах независимы. Но пара
векторов (Рр Р3) не может составить базис, так как эти векторы линейно зависимы.
Алгебраический подход к определению базиса требует, чтобы определитель матри
цы, составленной из векторов, претендующих на роль базисных, был отличен от
нуля. Вычисления определителей показывают, что пары векторов (Р,, Р 2) и (Р 2 Р 3)
будут базисами, а векторы (Р,, Р 3) не могут составить базис.
1. Представленные ниж е системы уравнений а) и б) имеют единственные ба
зисные реш ения, система в) — бесконечно много решений, а г) не имеет
реш ения. Д окаж ите это, представив реш ения графически на плоскости. На
основании данны х примеров выведите общие закономерности, определяю
щие у системы уравнений единственное реш ение, бесконечно много реше
ний или отсутствие решений.
а) я, + Зх, = 2 , б) 2xt + Зл:2 = 1 ,

3 jCj + х г = 3. 2 х х- х2= 2 .
в) 2 х г + 6 л:2 = 4, г) 2 х г - 4 х г = 2,
Xj + Зх, = 2 . -х , + 2 х г = 1 .
Определите графически, какая из следующих систем уравнений имеет един

ственное решение, бесконечно много решений или не имеет решений.
а) б)
61 п
в) 2 4 г) 4
1 3 х, 2
д) -2 4 е) -2
1 -2 О
3. Дана следующая система уравнений.

т '0' Г '2" '3 '
2 х,+ 2 х, + 4 х3+ 0 *4 = 4
Л .2, .0, .2,
Определите, какой из следующих наборов векторов образует базис.
a) (Р,, Р2, Р3)
b) (Р„ Р2, Р4)
c) (Р2, Р„ PJ
d) (Р„ Р2, Р„ Р4)
4. Истинны или ложны следующие утверждения?
a) Если матрица В не вырождена, то система ВХ = b имеет единственное
решение.
b) Система ВХ = b не имеет решения, если матрица В вырождена и вектор b
независим относительно векторов, составляющих матрицу В.
c) Система ВХ = b имеет бесконечно много решений, если матрица В вырож
дена и вектор b зависим относительно векторов, составляющих матрицу В.
7.1.2. Матричное представление симплекс-таблиц

В этом разделе мы используем матричную алгебру для построения симплекс-таблиц.
Рассмотрим стандартную задачу ЛП
максимизировать z = СХ при ограничениях АХ = b, X > 0.
Эту задачу ЛП можно такж е записать следующим образом.
С Ж )-С )
Для любой симплексной итерации будем обозначать через Х в базисный вектор
переменных, а через Св — вектор коэффициентов целевой функции, соответст
вующих этому базису. Поскольку все небазисные переменные равны нулю, стан
дартная задача ЛП будет сведена к задаче с целевой функцией z = СВХ Ви ограниче
ниями ВХв = Ь, где текущ ее решение удовлетворяет следующему уравнению.
O J(о1 -С*ТТ°1= 1 CflB 0W сйв-ь

xj в (ь о в- bI B 'b
Здесь при обращении матрицы использовались формулы из раздела А .2.7.
Симплекс-таблица получается из исходной задачи ЛП путем вычислений по
следующей формуле.
і с, в-1Vi - c Y z W i сяв-1Y
о в- Ао aA xJ [о в" ){ъ )
Выполнив вычисления по этой формуле, получаем такую симплекс-таблицу.
Базис Xi Решение
z С8В“1Р ,- с, CsB‘ 1b
х8 В-1 Р, В~1Ь
В этой таблице необходимо вычислить только обратную матрицу В-1, так как
другие элементы таблицы получаются из исходных данных задачи.
Представленная симплекс-таблица имеет большое значение, так как является
основой всех вычислительных алгоритмов линейного программирования. В част
ности, на ней основаны модифицированный симплекс-метод, метод решения задач
с ограниченными переменными и метод декомпозиции, которые будут описаны
в следующих разделах.
Пример 7.1.3
М аксимизировать z = x t + 4 х г + 7х 3 + 5xt
2 х г + х г + 2 х 3 + 4xt = 10 ,
3 x t - х 2- 2 х 3 + 6 jc4 = 5,
х 2, х 3, x t > 0 .
Пусть В = (P t, Р 2) является допустимым базисом.
На основании В = (Р,, Р 2) имеем Хв = (*,, х ^ т и Св = (1 ,4 ). Вычисляем обратную

матрицу В '1:
I I
В 1= 5 5
\5 5J
Находим текущее базисное решение

' X, 1
Х „ = Г l = B 'b = 5 5
Далее вычисляем в симплекс-таблице значения коэффициентов ограничений:

і і 2 1 2 4 10 0 2
В 1(Р|,Р2,Р3,Р4) = S 5
3-1-2 6 0 12 0
Теперь находим коэффициенты г-строки симплекс-таблицы:
Ся[В-'(Р„Р3,Рз,Р4)]-С = а 4 ) ^ ° ° -(14,7,5) = ( 0, 0,1 - 3).
Наконец, вычисляем значение целевой функции:
г = С йВ-,Ь = СвХя =(1,4) 1= 19.
Таким образом, получаем значения следующей симплекс-таблицы.
Базис Х1 хг хз Ха Решение
г 0 0 1 —3 19
хз 1 0 2 0 3
Хг 0 1 0 2 4
Еще раз подчеркнем, что в этой таблице основные вычисления связаны с нахожде
нием обратной матрицы В-1, другие элементы таблицы получаются на основе вы
численной матрицы В"1 и исходных данных задачи.
1. Пусть в примере 7.1.3 В = (Р3, Р4). Покажите, что соответствующее базисное ре
шение является допустимым и постройте соответствующую симплекс-таблицу.
М аксимизировать z = 5 х г + 12хг + 4 х 3
+ 2 дс2 + лгэ + л:4 = 1 0 ,
2 х х - 2 х 2- х3 = 2,
х г, х а, x t > 0 .
Определите, какие из следующих наборов векторов образуют базис: (Р,, Р2),
(Р ., Р з). (Р з, P J -

Минимизировать z = 2 х г + л:2
3Xj + х 2 - лг3 = 3,
4 х г + Зл:2 - дс4 = 6 ,
Xj + 2 х г + х ъ= 3,
дс2, х 3, x t , х ъ> 0 .
Вычислите симплекс-таблицу, соответствующую X B= (x v х 2, х й)т, и опреде
лите, будет ли это решение допустимым и оптимальным.
4. Дана следующая симплекс-таблица с оптимальным решением задачи ЛП.
Базис XI хг х3 Ха, хь Решение
z 0 0 0 3 2 ?
Хз 0 0 1 1 -1 2
х2 0 1 0 1 0 6
XI 1 0 0 -1 1 2
Здесь переменные дс3, л:4 и л:5 являю тся дополнительными (остаточными).

С помощью матричных вычислений реконструируйте исходную задачу ЛП,
затем вычислите оптимальное значение целевой функции.
5. В стандартной задаче ЛП разобьем вектор X на два — X = (X,, Х„)т. Здесь
вектор Х„ соответствует начальному базисному решению, состоящему из до
полнительных и искусственных переменных (так что В = I). Тогда матрицу А
можно представить как А = (D, I). Вектор С такж е разделим на два вектора С,
и С„ в соответствии с векторами X, и Х„. Покажите, что в этом случае сим
плекс-таблицу можно записать в следующем виде, который в точности соот
ветствует виду симплекс-таблицы из главы 3.
Базис X, Хи Решение
z CSB‘ 1D - C | СвВ-1 - Си С8В '1Ь
х8 B‘ 1D В-1 В"1Ь
7.2. МОДИФИЦИРОВАННЫЙ СИМПЛЕКС-МЕТОД

В разделе 7.1.1 показано, что оптимальное решение задачи линейного програм
мирования всегда находится среди множества базисных (допустимых) решений.
Выполнение симплекс-метода начинается с допустимого базисного решения В, за
тем осуществляется переход к следующему допустимому базисному решению, ко
торое улучшает (по крайней мере, не ухудшает) значение целевой функции, и так
до тех пор, пока не будет достигнуто оптимальное решение.
Модифицированный симплекс-метод предусматривает выполнение точно та
ких ж е этапов, к ак и обычный табличный симплекс-метод, описанный в главе 3.
Основное отличие между ними заклю чается в том, что в обычном симплекс-
методе при переходе от одного базиса к другому используется процедура преобра
зования строк симплекс-таблицы с помощью метода Гаусса-Ж ордана, тогда как
в модифицированном симплекс-методе эти преобразования осущ ествляются пу

тем вычисления обратной матрицы В"', и основные действия связаны именно
с вычислением этой матрицы.
7.2.1. Условия оптимальности и допустимости

Рассмотрим стандартную задачу ЛП.
М аксимизировать или минимизировать г = СХ при ограничениях =Ь, х>.
І--Л
0 ,у = 1 , 2 , ..., п.
Д ля данного базисного вектора Х в и соответствующих базиса В и вектора коэф
фициентов целевой функции Св на каждой итерации вычисления значений сим-
плекс-таблицы выполняются по следующим формулам (см. раздел 7.1.2).
z + £ ( z , - c , ) x , = C e B - 'b
У=1
(Х Д + Х О Г 'Р Д х ^ В -'Ь ),,

;=і
где zj - c j = СвВ ’Р; - сг Здесь запись (У), используется для обозначения /-го элемента
вектора V.
Условие оптимальности симплекс-метода. Из уравнения для значений г-
строки, приведенного выше, следует, что увеличение значения небазисной пере
менной xt приводит к возрастанию (убыванию) значения целевой функции z выше
текущего значения СвВ_1Ь только в том случае, если разность zj - cj строго отрица
тельна в задаче максимизации или строго положительна в задаче минимизации.
В противном случае переменная х} не может улучшить текущее решение и должна
остаться небазисной с нулевым значением. Таким образом, любая небазисная пе
ременная, удовлетворяющая этому условию, может быть включена в базис, что,
возможно, улучш ит значение целевой функции. В симплекс-методе действует эм
пирическое правило, которое гласит, что в качестве вводимой в базис переменной
выбирается переменная, которой соответствует наибольший (по модулю) отрица
тельный коэффициент г/ - в г-строке в задаче максимизации или наибольший по
ложительный аналогичный коэффициент в задаче минимизации.
Условие допустимости симплекс-метода. Определение исключаемого из базиса
вектора основано на проверке ограничения, представленного в виде равенства, со
ответствующего t-й базисной переменной. Это равенство имеет следующий вид.
(Хя),+ Х (В -|Р/ ),х/ =(В-'Ь)1.
Обозначим через Р 4 вводимый вектор, определенный из условия оптимальности,

а через x k — вводимую в базис переменную, принимающую положительное значе
ние. Поскольку все остальные небазисные переменные сохраняют нулевые значе
ния, равенство ограничения, соответствующее базисной переменной (Хв)(, можно
записать следующим образом.
(Хя), = (В_1Ь), -^(В_1РД хк
Это уравнение показывает, что при (В-1РД > 0 возрастание переменной хк не
приведет к отрицательному значению базисной переменной (Хв)( только в том слу
чае, если будет выполняться неравенство
(B"'b)( - (В-1РД хк > 0 для всех і.
Таким образом, максимальное значение вводимой переменной х к можно вычис

лить по следующей формуле.
Базисная переменная, на которой достигается этот минимум, становится ис

ключаемой.
1. Д ана следующая задача ЛП.
М аксимизировать z = с,дс, + с 2л:2 + с 3x a + ctx t
Р,*, + Р2л:2 + Р3х3 + Р4х4 = Ь,
х 2, х 3, x t > 0 .
Векторы P t, Р 2, Р 3 и Р 4 показаны на рис. 7.4. Предположим, что текущ им ба
зисом является В = (P t, Р 2).
Рис. 7.4. Векторы для упражнения 1
a) Если вектор Р 3 ввести в базис, какой вектор необходимо из него исклю

чить, чтобы полученное базисное решение было допустимым?
b) Может ли вектор Р 4 быть частью допустимого базиса?
2. Д о каж и те, что д ля всех б азисны х перем енны х соответствующ ие разности
z ■- cf равны нулю.
3. Д окаж ите, что если в задаче максимизации (минимизации) для всех неба
зисных переменных х/ выполняется неравенство Zj - Cj > 0 (< 0 ), то задача
имеет единственное оптимальное решение. Если ж е для некоторых небазис
ных переменных Xj выполняется равенство Zj - Cj = 0 , задача имеет альтерна
тивное оптимальное решение.
4. Пусть начальное базисное решение задачи ЛП сформировано только из до
полнительных остаточных переменных. С помощью матричного представле
ния симплекс-таблицы покаж ите, что применение процедуры, описанной
в разделе 3.3, где уравнение для целевой функции записано как
г - Е сл = ° >
>=1
автоматически приведет к вычислению разностей zj - c j для всех переменных

в начальной симплекс-таблице.
5. Пусть начальное базисное решение задачи Л П сформировано только из ис
кусственных переменных. Используя матричное представление симплекс-
таблицы , покаж ите, что применение процедуры исклю чения искусствен
ных переменных из целевой функции (для чего использовались ограниче
ния-равенства), описанной в разделе 3.4.1, приведет к вычислению разно
стей zt - ct для всех переменных в начальной симплекс-таблице.
6 . Пусть дана задача ЛП, в которой не накладываются ограничения на знак пе
ременной хк. Д окаж ите, что после замены хк = хк - хк , где хк и x't неотрица
тельны, невозможна ситуация, когда переменные и хк заменяют одна
другую в альтернативных оптимальных решениях.
7. Дана задача Л П , записанная в стандартной форме и имеющая т ограничений
(в виде равенств) и п неизвестных. Определите число смежных крайних то
чек, которые можно достичь из невырожденной крайней точки пространства
решений. Почему здесь существенно условие невырожденности крайней точки?
8. Применяя условие допустимости симплекс-метода, предположим, что х г —
базисная переменная, имеющая нулевое значение, а дс.— вводимая. Объяс
ните, почему для того, чтобы переменную х г исключить из базиса, необходи
мо выполнение неравенства (В’1Р ) г> 0 . Какие возникнут проблемы при вы
полнении неравенства (В 'Р .)г< 0? (Подсказка. При ответе учитывайте, что
переменная х г должна остаться неотрицательной.)
9. Что может указать на появление (впервые) вырожденного решения при реа
лизации условия допустимости симплекс-метода? Какое условие приведет
к повторению вырожденности решения на следующей итерации? Какое ус
ловие необходимо для того, чтобы вырожденность исчезла на следующей
итерации? Обоснуйте ответы математически.
10. Каковы соотношения между крайними точками пространства решений и ба
зисными решениями при вырожденности и невырожденности решений? Ка
кое максимальное число итераций симплекс-метода может быть выполнено
в одной и той ж е крайней точке?
11. Дана следующая задача ЛП: максимизировать z = CX при ограничениях
АХ < b, X > 0, где b > 0. Предположим, что вводимый в базис вектор Рутаков,
что по крайней мере один элемент вектора В_1Руположителен.
a) Пусть вектор Р; заменен на а Р ;, где а — положительное число, при этом
переменная xt остается переменной, вводимой в базис. Найдите соотноше
ния между значениями переменной xjy соответствующими векторам Руи cdP.
b) Ответьте на вопрос предыдущего пункта, если дополнительно вектор b за
менен на вектор Pb, где Р — положительное число.
12. Дана следующая задача ЛП: максимизировать z = СХ при ограничениях
АХ < b, X > 0, где b > 0. Предположим, что после получения оптимального
решения возникла идея сделать небазисную переменную х базисной (т.е.
приносящей доход, если вспомнить экономическую интерпретацию задач
ЛП) путем уменьшения ресурсов, расходуемых на единицу х , до величины
1 /а от исходного значения, где а — число, превышающее единицу. По
скольку сокращено потребление ресурсов, ожидается, что доход на единицу

х такж е уменьшится до величины 1 /а от исходного значения. Может ли это
изменение привести к рентабельности переменной х .? Каковы ваши рекомен
дации относительно Т О ГО , чтобы сделать переменную X j приносящей доход ?2
13. Дана следующая задача ЛП: максимизировать г = СХ при ограничениях
(A, I)X = b, X > 0. Обозначим через Хв текущий базисный вектор, через Св —
вектор коэффициентов целевой функции, соответствующих базисным пере
менным. Допустим, что вектор Св изменен на DB. Д окаж ите, что в этом слу
чае разности 2 . - с , соответствующие базисному вектору Хв, останутся рав
ными нулю. Дайте объяснение этому.
7.2.2. Вычислительная процедура модифицированного

симплекс-метода
Имея условия оптимальности и допустимости, приведенные в разделе 7.2.1,
можно описать последовательность вычислений, выполняемых в модифицирован
ном симплекс-методе.
Ш аг 0. Находится начальное базисное допустимое решение. Пусть В и Св —
базис и вектор коэффициентов целевой функции, соответствую
щ их базисным переменным.
Ш аг 1. К аким-либо подходящ им способом вы числяется обратная мат-
т>'1 . 3
рица В
Ш аг 2. Д ля каждой небазисной переменной х. вычисляется величина
zj ~ ci = СвВ~'Ру- сг
Если для всех небазисных переменных дс величины 2 ) - с > 0
в задаче максимизации или z. - с < 0 в задаче минимизации, то вы
числения заканчиваю тся, так как получено оптимальное решение
Хв = B~’b, г —СВХВ.
Иначе на основе условия оптимальности определяется вводимая
(в базис) переменная х; как небазисная переменная, которой соот
ветствует наибольшая (по модулю) отрицательная величина zj - c /
в задаче максимизации или наибольшая положительная в задаче
минимизации.
2 Этот вопрос можно переформулировать без “ экономического” подтекста: при каких ус
ловиях переменная Xj может быть представлена в оптимальном решении? — Прим. ред.
3 В большинстве руководств по линейному программированию, включая первые шесть
изданий этой книги, приводится метод вычисления обратной матрицы на основе ее мульти
пликативного представления (см. раздел А .2 .7). Поскольку в симплекс-методе последова
тельные базисы отличаются только одним вектор-сТолбцом, мультипликативное представ
ление обратной матрицы позволяет не вычислять заново обратную матрицу на очередной
итерации симплекс-метода, а получать ее из обратной матрицы предыдущ ей итерации, что
значительно упрощает вычисления. Автор удалил описание этого метода получения обрат
ной Матрицы из данной главы, так как он не рассчитан на машинную реализацию вследст
вие возможны х серьезны х проблем, порож даем ы х ош ибками округления. Обычно в про
граммах, реализующ их симплекс-метод, для вычисления обратной матрицы использую тся
другие численные методы, такие как м етод деком позиции (разлож ения на две треуголь
ные матрицы). В частности, программа TORA использует метод деком позиции.
Ш аг 3. Вычисляется вектор В_1Ру. Если все элементы этого вектора от

рицательны или равны нулю, вычисления заканчиваю тся, так
как задача не имеет ограниченного реш ения. Иначе вычисляется
вектор В ’b. Д ля всех строго полож ительных элементов вектора
В~’Р; вы числяется отношение, определенное в условии допусти
мости. Базисная переменная x t, которой соответствует наимень
шее отношение условия допустимости, становится исключаемой
из базиса переменной.
Ш аг 4. Из текущего базиса В формируется новый базис путем замены
в базисе В вектора Р; на вектор Р(. Выполняется переход к этапу 1
для начала новой итерации.
Пример 7.2.1
С помощью модифицированного симплекс-метода решим заново задачу о компании
Reddy M ikks из раздела 2.1. Решение этой задачи обычным симплекс-методом дано
в разделе 3.3.2. Сравнение двух решений данной задачи показывает, что оба метода
выполняют одну и ту ж е последовательность действий.
Представим в матричном виде рассматриваемую задачу, уж е приведенную к стан
дартной форме:
максимизировать г = (5, 4, 0, 0, 0, 0)(дс,, х 2, х 3, дс4, дс5, х 6)Т
•*1
( 6 4 1 0 0 0 ' х2 '24
1 2 *3 0 1 0 0 6
-1 1 0 0 1 0 *4 1
, 0 1 0 0 0 к *5 U
Л,
*«. х 2, *3. *4. *5 *6 > 0 .

Мы используем запись С = (с,, с2, с6) для представления вектора коэффициентов
целевой функции и (P t, Р 2, ..., Р 6) — для представления столбцов коэффициентов
левых частей ограничений. Вектор правых частей ограничений обозначим Ь.
В следующих вычислениях мы приводим формулы, по которым выполняются вы
числения, и конечный результат без подробных арифметических выкладок, кото
рые читатель может выполнить самостоятельно.
Итерация О
= (*3 > *4 > *5 > Х 6 ?> С В0 = (°> °> 0 > ° ) '
В0 = (Р 3, Р 4, Р 5, Р 6) = 1, В-1 =1.
ХВе = В-, Ь = ( 2 4 ,6 ,1 ,2 ) Т, 2 = С*Х* = 0 .
Вычисления условия оптимальности

с * в 0- - (О, О, О, 0 ).
{z, - 2 = CBt В"1 (Р,, Р 2) - (с,, с2) = (-5 , -4 ).
Отсюда следует, что вводимым в базис вектором будет Р,.

Вычисления условия допустимости
ХЯо = (*3, * 4, * 5, * / = (2 4 ,6 ,1 ,2 )" .
В-'Р, = ( в , 1 , - 1 , 0 ) г.
Следовательно,
X, = ш і п |^ , у , — , — j = min{4, 6 , — , — } = 4,
и вектор Р 3 определяется как исключаемый из базиса.

Результаты выполненных вычислений представим в виде знакомой симплекс-
таблицы. Такое представление поможет сравнить модифицированный и обычный
симплекс-методы.
Базис *1 хг хз Xi xs *6 Решение
z -5 -4 0 0 0 0 0
хз 6 24
Х4 1 6
XS -1 1
Х6 0 2
Итерация 1
Х«, = (* 1 > *4. *5. *б ) > С » = ( 5 >0 >0 >° ) '
6 0 0 01
1 1 0 0
в, = (Р,, P4iР5,Р6)=
-10 10
0 0 0 1
Используя подходящий метод вычисления обратной матрицы В / (в разделе А .2.7

приведен метод вычисления обратных матриц на основе их мультипликативного
представления), находим
( і0 о о о'
-Іь 1 о о
в:' =
1о 0 1 о
0 0 0 1
Отсюда получаем
X. = ВГ b - (4, 2, 5, 2) , 2 = С. X. = 20.
Вы числения условия оптимальности
Св В"' =1 - ,0 ,0 ,0 I.
2 5
te j - СХ - 2 . 3 = С я Д ‘ ( р 2. Р з ) - ( с 2> С з) =
3’ 6
Отсюда следует, что вводимым в базис будет вектор Р 2.
Вы числения условия допустимости
х ч = (*i> *4» ^е)7 = (4 >2- 5>2 )Т-
2 4 5
В,_1Рг =| т - т - т - 1 1 ■
З- 3’ З-
и вектор Р 4 определяется как исключаемый из базиса. (Постройте симплекс-

таблицу, отображающую результаты вычислений этой итерации.)
И терация 2
ХВ, = ( * , .* 2>* 5. *с)Т> с «. = ( 5 , 4 ,0 , 0).
6 4 0 0^1
1 2 0 0
В2 = ( Р „ Р 2, Р 5, Р 6) =
- 1 1 1 0
0 1 0 1
Находим
( т 0 0
' і о о
В2‘ = з 1 о
і з 0 1
X* = В-Ъ=[ 3 , | , | , 1 1 , Z = C Ą . = 2 1 .
Вы числения условия оптимальности
с „ в -'
tej - = Ся В-' (Р3, Р4) - (с3, с4) = (Д, I
Отсюда следует, что решение ХЛ оптимально. Вычисления заканчиваются.
Оптимальное решение:
= 3, х 2 = 1,5, г = 21.
1. В примере 7.2.1 представьте результаты вычислений, выполненных на пер
вой и второй итерациях, в виде симплекс-таблиц.
2. Реш ите модифицированным симплекс-методом следующие задачи ЛП.
a) М аксимизировать z = 6 л:, - 2 х г + Злг3
2 л:, - х г + 2 х 3 < 2 ,
х г + 4 х 3 < 4,
х 2, х 3 > 0 .
b) М аксимизировать z = 2 х г + х 2 + 2х 3
4л:, + Зл:2 + 8л:3< 12,
4л:, + л:2 + 12л:3 < 8 ,
4л:, - л:2 + Зл:3< 8 ,
x v х 2, х 3 > 0 .
c) М инимизировать z = 2л:, + л:2
Зл:, + л:2 = 3,
4л:, + 3л:2 > 6,
л:, + 2л:2< 3,
л:,, л:2 ^ 0 .
d) М инимизировать z = 5л:, - 4л:2 + 6 л:3 + 8 л:4
л:, + 7л:2 + Зл:3 + 7л:4< 46,
Зл:, - л:2 + л:3 + 2 л:4 < 20 ,
2 л:, + Зл:2 - л:3 + л:4 > 18,
л:,, л:2, л:3, л:4 > 0 .
3. Реш ите следующую задачу ЛП с помощью модифицированного симплекс-
метода, используя в качестве начального базиса вектор Х Ви = (х2, л:4, л:5)т.
М инимизировать z = 7х 2 + 11л:3 - 10л:4 + 26л:6
л:2 *“ л-з + Л-5
л:2 - л:3 + л:4 + Зл:6 = 8 ,
л:, + л:2 - Зл:3 + л:4 + л:5 = 1 2 ,
л:,, л:2, л:3, л:4, л:5, л:6 > 0 .
4. Используя модифицированный симплекс-метод в схеме вычислений двух

этапного метода с искусственными переменными, решите следующие задачи.
a) Задача из упраж нения 2,с.
b) Задача из упраж нения 2,d.
с) Задача из упражнения 3 (отказавшись от предложенного начального ре

шения Хв ).
Модифицированный двойственный симплекс-метод. Последовательность
выполнения модифицированного двойственного симплекс-метода (исполь
зующего матричные вычисления) можно описать следующим образом.
Ш аг 0. Пусть В0= I — начальный базис, причем хотя бы один из элемен
тов вектора ХД| отрицателен (т.е. решение недопустимо).
Ш аг 1. Вычисляем текущие значения базисных переменных: Хв = B '’b. Вы
бираем в качестве исключаемой из базиса переменную, имеющую
наибольшее отрицательное значение (обозначим исключаемую пе
ременную х г). Если все элементы в Хв неотрицательны, то вычисле
ния заканчиваются, так как достигнуто допустимое решение.
Ш аг 2.
a) Д ля всех небазисных переменных вычисляем разности 2; - с; = СвВ 1Р/ - с .
b) Д ля всех небазисных переменных x f вычисляем коэффициенты ограниче
ний (В 'РД , ассоциированные со строкой, соответствующей исключаемой
переменной х г.
c) Определяем вводимую в базис переменную как переменную, на которой
достигается следующий минимум.
г ,- с .
0 = mirW (В -'РД <0 .
' I (В"Р,)Г
Если все (В"‘РД > 0, допустимого решения не существует.
Ш аг 3. Формируем новый базис путем замены в базисе вектора Р. на Рг.
Вычисляем новую обратную матрицу В "1 и переходим к шагу 1.
Примените описанный метод для решения следующей задачи.
М инимизировать z = 2 х х + х 2
3Xj -4- jc2 > З,
4Xj + Зл:2 > 6 ,
я, + 2 x 2< З,
х ,, x2 > 0.
7.3. АЛГОРИТМ РЕШЕНИЯ ЗАДАЧ С ОГРАНИЧЕННЫМИ

ПЕРЕМЕННЫМИ
В некоторых моделях линейного программирования на значения переменных
могут налагаться явные положительные верхние и нижние ограничения. Напри
мер, в производственных моделях ниж ние и верхние границы переменных могут
соответствовать минимальным и максимальным значениям спроса на определен
ную продукцию. Явные ограничения, налагаемые на переменные, особенно замет
ны при решении задач целочисленного программирования методом ветвей
и границ (см. раздел 9.3.1).
Специальный алгоритм реш ения задач с ограниченными переменными, кото

рый мы рассмотрим в этом разделе, особенно эффективен, поскольку он учитывает
тот факт, что ограничения заданы в явном виде. Сначала рассмотрим более простой
случай, когда заданы только ниж ние границы на значения переменных. При я в
ных ограничениях X > L замена (подстановка) типа
X = L + X ', Х '> 0
позволяет решать задачу ЛП относительно переменных X', для которых ниж няя гра
ница значений равна нулю. Значения исходных переменных X вычисляются путем
обратной подстановки; при этом, очевидно, гарантирована их неотрицательность.
Теперь рассмотрим ситуацию с верхними границами X О невозможна, поскольку обратная подстановка не
гарантирует неотрицательности X. Здесь необходимо применение других процедур.
Запишем задачу ЛП с верхними границами на значения переменных как
максимизировать z = {СХ | (A, I)X = b, 0 < X < U}.
При выполнении алгоритма решения задач с ограниченными переменными явно
используются только ограничения (A, I)X = b, X > 0; ограничения вида X 0. Обозначим через вводимый в базис вектор, опреде
ленный на основе обычного симплексного условия оптимальности. Если предполо
жить, что все небазисные переменные равны нулю, уравнение ограничения
относительно базисной переменной x t будет записано следующим образом.
(Хв), = (В ’b), - (В_1Рр, Xj
Поскольку вводимая переменная х/ примет положительное значение, величина
базисной переменной (Хв), возрастет или уменьшится, в зависимости от того, бу
дет значение (В~'Р.); отрицательным или положительным. Таким образом, при оп
ределении значения вводимой переменной необходимо удовлетворить следую
щие три условия.
1. Базисная переменная (Хв), должна остаться неотрицательной, т.е. (Хв), > 0.
2. Базисная переменная (Хв), не должна превышать своей верхней границы, т.е.
должно выполняться неравенство (Хв), < (UB)„ где UB— вектор, содержащий
упорядоченные элементы вектора U, соответствующие вектору Хв.
3. Вводимая переменная я не может принять значения, превышающего верх
нюю границу, т.е. должно выполняться неравенство х < ujt где и}— j -Й эле
мент вектора U.
Первое условие (Хв), > 0 требует выполнения неравенства
(В ’b), - (В_1Рр, Xj > 0,
которое заведомо будет выполняться, если
Это условие полностью соответствует условию допустимости обычного симплекс-

метода.
Условие (Х Д < (UB), эквивалентно неравенству

(B~'b)( - (В~1РД Xj < (UB),,
которое будет выполняться, если
(В-'РУ),.<0 .
(В-Р,),.
Наконец, третье условие будет выполнено, если выполняется неравенство х; <

Все три неравенства относительно можно обобщить в виде следующего условия.
Xj = min{9,, 02, U.}.
Базис, формируемый для следующей итерации, зависит от того, какое значение
(0j, 0 2 или и.) примет переменная х}. Предполагая, что (Хв)г— исключаемая пере
менная, получаем следующие правила формирования базиса.
1. Если Xj = 0j, то переменная (Хв)г исключается из базиса и принимает нулевое
значение. Новый базис формируется точно так же, как в обычном симплекс-
методе с вводимой переменной Xj и исключаемой (Хв)г.
2. Если х, = 02, переменная (Хв)г исключается из базиса и принимает значение
своей верхней границы. Новый базис формируется точно так же, как в обыч
ном симплекс-методе, но с учетом того, что переменная (Хв)г равна верхней
границе. Поскольку значения 0t и 02 получены при условии, что все небазис
ные переменные равны нулю, необходимо выполнить преобразование новой
небазисной переменной (Хв)г, чтобы она такж е приняла нулевое значение.
Это достигается с помощью подстановки (XB)r = (UB)r - (Х^) ’ , где (Х в) '> 0 .
Не имеет особого значения, когда выполняется эта подстановка: до или после
вычисления нового базиса.
3. Если Xj = Uj, то базисный вектор Х в остается неизм енны м , поскольку
в данном случае н и к ак а я из текущ и х базисны х переменны х не принимает
ни нулевого зн ачен ия, ни зн ачен ия своей верхней гран и цы . Таким обра
зом, перем енная Xj остается небазисной, но со значением своего верхнего
предела. После подстановки яу = и; — х' вы полняется следую щ ая итера
ц и я симплекс-метода.
В случае равенства значений 0,, 02 и ut выбор правила, в соответствии с которым
переходим к следующей итерации симплекс-метода, произволен. Вместе с тем
предпочтительнее использовать третье правило (Xj = и;), так как в этом случае тре
буется выполнить меньший объем вычислений.
Подстановка я:j = uj - х\ изменяет исходные значения г , R и b на с' = -c /t Р' = -Р.
и b' = b - uPj. Это означает, что при выполнении модифицированного симплекс-
метода на каждой итерации все вычисления (таких величин, как В '1, Хв и 2^-ср
долж ны основываться на измененных значениях С, А и b (более подробно этот во
прос рассмотрен в упражнении 7.3.1.5).
Пример 7.3.1
Решим следующую задачу ЛП вышеописанным методом решения задач с ограни
ченными переменными.
М аксимизировать г = Зх, + Ъу + 2х 3
х, + у + 2 х 3 < 14,
2 х і + 4у + Злг3 < 43,
0 < л г,< 4, 7 <у< 10, 0 < лг3< 3.
Поскольку переменная у ограничена положительной константой не только сверху,
но и снизу, производим замену у = х 2 + 7, где 0 < л:2< 1 0 - 7 = 3.
Во избежание излиш них вычислительных сложностей здесь мы применим не мо
дифицированный симплекс-метод, а обычный симплекс-метод в виде компактных
симплекс-таблиц.
Итерация 0
Базис *1 хг хз Хі хъ Решение
z -3 -5 -2 0 0 35
Х4 1 1 2 1 0 7
*5 2 4 3 0 1 15
Имеем В = В"1 = I и Хв = (дс4, х й)т= B"'b = (7, 15)т. Принимая переменную л:2 в качестве
вводимой в базис переменной (z 2- с 2 = -5 ), получаем В"'Р 2 = (1, 4)т. Отсюда следует
. Г7 151
0, = m injy, — = 3,75 , что соответствует переменной дс5,
02 = °° (поскольку В"'Р 2 > 0).

Так как по условию л:2 < 3, получаем значение, принимаемое переменной х 2.
х 2 = min{3, 7 5 , оо, 3 } = 3 = и2.
Поскольку л:2 = и2, базис остается неизменным; переменная л:2 в базис не вводится
(остается небазисной), но принимает значение своей верхней границы. После под
становки л:2 = 3 - X, получаем новую симплекс-таблицу.
/
Базис Xl хз Хі Xs Решение
Х2
z -3 5 -2 0 0 50
Хі 1 -1 2 1 0 4
Хъ .. 2 -4 3 0 1 3
Выполненная подстановка изменяет исходный вектор правых частей ограничений

с Ь= (7, 15)т на b' = (4, 3)т. Эти изменения должны учитываться в последующих
вычислениях.
И терация 1. Определяем вводимую в базис переменную я,. Базисный вектор Хв

и обратная матрица В "1 (= I) такие же, как на предыдущей итерации. Вычисляем
в - 'р . - а . г Г .
Отсюда следует
Г4 3]
0, = min j у , —I = 1,5 , что соответствует переменной x s,
0 2 — ОО (поскольку В’
Т ак к ак по условию задачи х, < 4, получаем значение, принимаемое переменной я,.
jc, = шіп{1,5, °°, 4} = 1,5 (= 0,).
В данной ситуации переменная де, становится базисной со значением 1,5, перемен
н ая x s выводится из базиса и принимает нулевое значение. Получаем следующую
симплекс-таблицу.
Базис Xi / Хз ха XS Решение
z 0 -1 5/2 0 3/2 109/2
Х а. 0 1 1/2 1 -1 /2 5/2
X1 1 -2 3/2 0 1/2 3/2
И терация 2. Имеем новую обратную матрицу.

( 1 -1
В
О
Значения базисных переменных определяются так:

Х в - (*4, = В"1 Ь' - (5/2, 3 /2 )г,
где Ь' = (4, 3)т — значения правых частей ограничений, вычисленные в конце ну
левой итерации.
Определяем х2 как вводимую в базис переменную. Учитывая, что Р' = - Р 2, получаем
В"'р; = ( 1 , - 2 )т.
Далее вычисляем
'5
■min : 2,5 , что соответствует базисной переменной х 4,
►
= 1,25 , что соответствует базисной переменной х г
Так к ак по условию х[ < 3, получаем значение, принимаемое переменной х'2.

хг = min{2,5, 1,25, 3} = 1,25 (= 02).
Таким образом, переменная х 2' вводится в базис (со значением 1,25), из которого
исключается переменная х, с ненулевым значением, равным ее верхней границе.
Применяем подстановку дс, = 4 - х[ и получаем следующую симплекс-таблицу.
Базис / / Хз ха х5 Решение
xi
z 0 -1 5/2 0 3/2 109/2
ха 0 1 1/2 1 -1 /2 5/2
/ -1 -2 3/2 0 1/2 -5 /2
Далее в базис вводится переменная х\ и исключается х[,, что приводит к следующей

симплекс-таблице.
Базис / / Решение
Х1 х-> Хз ха Х5
z 1/2 0 7/4 0 5/4 223/4
Ха -1 /2 0 5/4 1 -1 /4 5/4
/ 1/2 1 - 3 /4 0 -1 /4 5/4
Х2
Данная таблица представляет допустимое оптимальное решение. Оптимальные зна

чения переменных дс,, х 2 и х 3 получаем обратной подстановкой: х, = и 1 - х' = 4 - 0 = 4,
х 2 = и 2 - х 2 = 3 - 5/4 = 7/4 и х 3 = 0. Теперь вычисляем значение переменной у:
у = /2 + х г = 7 + 7/4 = 35/4. Оптимальное значение целевой функции равно z = 223/4.
1. Д ана следующая задача линейного программирования.
М аксимизировать z = 2х, + х 2
х, + х 2 < 3,
0 < х, < 2 , 0 < х 2< 2 .
a) Решите задачу графическим способом и определите последовательность
крайних точек пространства решений, ведущих к оптимальному решению.
b ) Реш ите задачу с использованием метода решения задач с ограниченными
переменными и покажите, что данный метод порождает ту ж е последова
тельность крайних точек пространства решений, приводящую к опти-'
мальному решению, что и графический способ.
c) К ак алгоритм решения задач с ограниченными переменными распознает
крайние точки пространства решений?
2. Реш ите следующую задачу ЛП методом решения задач с ограниченными пе
ременными.
М аксимизировать z = 6 х, + 2 х г + 8 дс3 + 4х 4 + 2 xs + 10дсе
8 jc, + х 2 + 8X3 + 2 х 4 + 2xs + 4х 6 < 13,
0 ś * , ś l , / = l , 2 , ...,6.
3. Решите следующие задачи ЛП методом реш ения задач с ограниченными пе

ременными.
a) Минимизировать z = 6 х, - 2хг - Зх 3
2х, + 4 х г + 2х 3 < 8 ,
х, - 2 х г + Зх3< 7,
О< х, < 2 , 0 < х 2 < 2 , 0 < х 3 < 1 .
b) М аксимизировать z = Зх, + 5х 2 + 2х 3
х ( + 2х 2+ 2 х3< 1 0 ,
2х, + 4х 2 + Зх 3 < 15,
0 < х, < 4, 0 < х 2 < 3, 0 < х 3 < 3.
4. В следующих задачах некоторые переменные имеют полож ительные ниж
ние границы . Реш ите эти задачи методом реш ения задач с ограниченными
переменными.
a) М аксимизировать z = Зх, + 2дс2 - 2х 3
2 х, + х 2 + дс3 < 8 ,
де, + 2 х г - х 3 > 3,
1 < х, < 3, 0 < х 2 < 3, 2 < х 3.
b) М аксимизировать z = х, + 2х 2
-х , + 2 дс2 > О,
Зх, + 2 х г < 1 0 ,
-х , + х 2< 1 ,
1 < х, < 3, 0 < х 2 < 1 .
c) М аксимизировать z = 4х, + 2 х г + 6 х 3
4х, - х 2 < 9,
-дс, + х 2 + 2 х 3 < 8 ,
-З х , + х 2 + 4х 3 < 12,
1 < х, < 3, 0 < х 2 < 5, 0 < х 3 < 2.
5. Рассмотрим матричное представление задачи с ограниченными переменны
ми. Разобьем вектор X на две части (Хг, Х ц), где элементами вектора Хц яв
ляю тся переменные, к которым в процессе выполнения алгоритма будет
применена подстановка, эквивалентная их верхнему пределу. Тогда задачу
ЛП с ограниченными переменными можно записать следующим образом.
Пусть В (и Х в) — базисное решение текущей симплексной итерации, полу

ченное после подстановки Х ц= U„ - X' , где Uu — подмножество элементов
вектора значений верхних границ U, соответствующего переменным Х ц. По
каж ите, что в данном случае симплекс-таблица имеет следующий вид.
Базис хГ х; Решение
z CbB~1Dz- C z —СвВ Du + Си СвВ' 1 b' + CuUu

Хв B~1DZ -В ' 1Du В' 1 Ь'
Здесь b' = b - DUUU.

6 . В задаче из примера 7.3.1 выполните следующее.
a) На этапе итерации 1, используя матричные представления, проверьте, что
Хв = (*4, х / = (5 /2 , 3 /2 )г.
b) Н а этапе итерации 2 покаж ите, как на основе исходных данных задачи
можно вычислить В"1. Затем, используя матричные представления, про
верьте вычисленные в примере значения переменных х 4 и х ' .
7. Реш ите задачу из упраж нения 3.1 с помощью модифицированного
(использующего матричные представления) симплекс-метода.
8 . Двойственный симплекс-метод решения задач с ограниченными перемен
ными. Двойственный симплекс-метод (раздел 4.4) такж е можно модифици
ровать для учета явных ограничений, налагаемых на переменные. Д ля этого
после подстановок xt = ut ~ х' (u; — верхняя граница переменной х-, если іг
бесконечна, заменяем ее достаточно большим положительным числом М )
исходная задача записывается в двойственной форме. Далее выполняются
следующие действия.
Ш аг 1. Если значение какой-либо базисной переменной (Хв), превышает
ее верхнюю границу, выполняем замену (Хв), = (UB), - (Хв) ' .
Ш аг 2. Если базисное решение допустимо, вычисления заканчиваются.
В противном случае среди базисных переменных определяем ис
ключаемую из базиса переменную х г к ак имеющую наибольшее
отрицательное значение.
Ш агЗ . В соответствии с условием оптимальности двойственного сим
плекс-метода определяем вводимую в базис переменную.
Ш аг 4. Выполняем пересчет базиса. Переходим к шагу 1.
Примените описанный алгоритм к следующим задачам.
а) Минимизировать г = -З х , - 2 х г + 2 х 3
2 jc, + х 2 + х 3 < 8 ,
- х , + 2 хг + х 3> 13,
О< jc , < 2, 0 < jc2 < 3, 0 < jc3 < 1.
b) М аксимизировать г = де, + 5 х 2 - 2 х 3
4*, + 2 х г + 2 х 3< 26,
х, + З.г2 + 4дс3> 17,
О < д:, < 2 , 0 < х г < 3, 0 < дс3 (х 3 сверху не ограничена).
7.4. МЕТОД ДЕКОМПОЗИЦИИ

Рассмотрим разработку производственного плана предприятия, состоящего из
нескольких подразделений. Хотя каждое подразделение имеет собственные произ
водственные возможности и соответствующие ограничения, производственные
планы отдельных подразделений обобщаются на уровне управления предприятием.
Таким образом, результирующая модель рассматриваемого предприятия будет со
держать ограничения двух типов: общие, соответствующие уровню всего предпри
яти я, и независимые, отображающие производственные ограничения отдельных
подразделений. Н а рис. 7.5 показана структура ограничений для п подразделений.
Отсутствие общих ограничений означает, что все подразделения независимы.
Метод деком позиции предлагает эффективный вычислительны й алгоритм
реш ения задач со структурой ограничений, подобной показанной на рис. 7.5, пу
тем разбиения исходной задачи на л подзадач, которые реш аются независимо
друг от друга. Вместе с тем отметим, что применение этого метода особенно оп
равдано, когда расчеты выполняю тся на вычислительном устройстве с ограни
ченной скоростью выполнения операций и ограниченным объемом пам яти. Сего
дня, когда вы числительная техника имеет огромную (по сравнению с недавним
прош лым) производительность, необходимость в методе декомпозиции не так
очевидна. Н есмотря на это мы рассмотрим данны й метод, поскольку он пред
ставляет интерес в теоретическом плане.
Подразделение
1
Независимые 2
ограничения
л
Рис. 7.5. Структура декомпозиции задачи линейного программирования
М атематическую модель, к которой применяется метод декомпозиции, запи

шем в следующем виде.
М аксимизировать г = С,Х, + С2Х 2 + ... + СлХ п
АіХі + АгХг + ... + АПХЛ = bo

D,X, = bi
D2X2 = b2
DnXn = Ьл
Xy> 0 , /'= 1 , 2 , л.
При необходимости ограничения в виде неравенств с помощью дополнительных
переменных преобразуются в равенства.
Метод декомпозиции основан на определении к райних точек множеств
{Х; ID X . = Ь;, Х; > 0}, j —1,2, ..., л. Д ля этого необходимо, чтобы каждое множество
{ X |D X = b , Х; >0} было ограниченным. Это требование выполнимо всегда, по
скольку при необходимости для любого множества j можно добавить искусственное
ограничение IX; < М , где М — достаточно большое положительное число.
Обозначим через Y jk, k = 1, 2, ..., Кр крайние точки множества {Х( | D(X; = b(,
Ху> 0}. Тогда можно записать
Х / = Е Р Л > / = 1 ,2 ,..., л ,
*=1
Kj
где > 0 для всех k и /, причем =1.
*=1
Теперь переформулируем исходную задачу в терминах крайних точек и полу
чим так называемую главную задачу, определяемую следующим образом.
*1 Ki к*
М аксимизировать z = Ż C .YuPu + ■■■+ X ^ » Y»*P"*
к-\ к=\ к=]
ZA.YuPu + £ A2Y2łp2ł +... + X A„Y„tp„t = b0 ,

*= І к~\ * =I
ZPu = 1.
к -I
b , = 1.
k=\
IX = 1.
*-1
> 0 для всех k и j.

В главной задаче новыми переменными являю тся р/Г После того как будет най
дено оптимальное решение p*t этой задачи, оптимальное решение исходной задачи
вычисляется путем обратных подстановок по следующей формуле.
Х, =ЕР’Л > /=1>2>->л.

к=\
Может показаться, что для решения главной задачи необходимо предварительно

найти все крайние точки Y /k, что является очень трудной задачей. К счастью, это не так.
При решении главной задачи с использованием модифицированного симплекс-
метода (раздел 7.2) на каждой итерации нам необходимо определить вводимую
и исключаемую переменные. Начнем с определения вводимой переменной. Зная
текущ ий базис главной задачи (и, следовательно, матрицы Св и В’1), для любой не
базисной переменной p;i имеем
где
cjk = C,Y,k и Р ,
О
Напомним: чтобы определить, какая из небазисных переменных p;ł должна
войти в базис, следует найти
zJ4 . - c k.= m in {zjk- c jk}.
1 1 и о веем j и к 4 1
Если zrk. - сґк. < О, тогда в соответствии с условием оптимальности задачи мак
симизации переменная р „j, долж на войти в базис. При выполнении обратного нера
венства считаем, что оптимальное решение достигнуто.
Теперь покажем, как можно вычислить разность zrk. - c rk. . “ Секрет” вычисле
ний заклю чается в равенстве
m in { г jk - с к}= m in { m in {zJk - с к}] .
но в е е м / и к 1 1 JJ
Это равенство вытекает из того, что каждое выпуклое множество, определяемое огра
ничениями D X = b , X > 0 , имеет собственное независимое множество крайних точек.
В соответствии с этим равенством мы можем найти разность z,.k. - с:,к, за два этапа.
1. Д ля каждого выпуклого множества {Х( | D(X; = b , Х; > 0} определяем край

нюю точку Yjk„ на которой достигается минимум разностей zjk - cjk, т.е. zjk, -
V = т і п *Ц* - с,*}-
2. Далее определяем zrk. - с ґк, = min;{z(ł, - cjk,}.
Из теории линейного программирования мы знаем, что конечное оптимальное

реш ение ассоциируется с крайней точкой пространства реш ений. П оскольку к а
ждое из множеств {X. I D;Xy= b;, Ху> 0 } ограничено по определению, действия,
вы полняем ы е в п. 1 , математически эквивалентны решению п задач линейного
программирования вида
минимизировать ws = {z; - | DyXy= by, Ху> 0 }.
Ф актически здесь целевая функция wj является линейной функцией от Х; (см. уп
раж нение 7.4.1.8).
Таким образом, определение вводимой переменной р]Ч. в главной задаче сведено
к решению п задач линейного программирования (меньшего размера) для вычис
ления “ вводимых” крайних точек Y ^,. Такой подход не требует определения всех
крайних точек всех л выпуклых множеств. После того к ак требуемая крайн яя точ
ка определена, нетрудно определить все элементы вектора Р^„. На основе этой ин
формации мы можем определить исключаемую переменную. Далее с помощью мо
дифицированного симплекс-метода вычисляем следующую обратную матрицу В"1.
Пример 7.4.1
Решим с помощью метода декомпозиции следующую задачу ЛП.
М аксимизировать z —Зх, + 5 х 2 + х 3 + х 4
х, + х г + дс3 + х 4 < 40,
5дс, + х 2 < 12,
х 3 + х 4 > 5,
х 3 + 5xt < 50,
х„ х 2, х 3, х 4 > 0 .
Данную задачу можно разбить на две подзадачи, которым будут соответствовать
следующие множества переменных:
Xi (Хр Х2) , Х 2 (Хд, Х4) .
Основную задачу можно записать следующим образом.
Подзадача 1 Подзадача 2 Начальное базисное

решение
Pu Pl2 PlJC, P21 P22 P»s Xs Хв X?
C1Y11 C1Y12 C.Y,,, C2 Y21 C2 Y22 c 2y 2Ki 0 -М -М
A1Y11 a ,y 12 A ,Y 1Jtl A2 Y21 A2 Y22 a 2y 2, ; 1 0 0 =40
1 1 1 0 0 0 0 1 0 =1
0 0 0 1 1 1 0 0 1 =1
C1 = (3, 5), А, = (1 ,1 ). C2 = (1, 1), Aa = (1, 1).
Пространство решений D 1X 1 < bi: Пространство решений D2X 2 < Ьг:
5X1 + Хг < 12, Xi, Хг > 0. Хз + Ха > 5, Хз + 5 Ха. < 50,

Хз, Х4 > 0.
Отметим, что дополнительная переменная х ь введена для преобразования общего

ограничения к виду равенства
X, + х 2 + дс3 + х 4 + х 5 = 40.
Эта переменная не входит ни в одну подзадачу, ее значение находится как часть
решения главной задачи. Другие переменные в начальном базисе, х 6 и х 7, являю тся
искусственными переменными.
Итерация 0
X B = (xs, x 6, х 7)т= ( 4 0 , 1 , 1)г,
Св = (0, -М , - М ) , В = В 1 = I.
И терация 1
Подзадача 1 (j = 1). Имеем
А,Х^
Zi~Ci=CgB~' 1 -с л =
О
( 1. 1)
(3,5) 1 = - З х 1- 5 х 2- М .
\ Х2 ;
Таким образом, соответствующая задача ЛП имеет следующий вид.

М инимизировать ш, = -З х , - 5 х г - М
5дс, + х г< 12,
х г> 0.
Реш ив эту задачу (обычным симплекс-методом), получаем
Yn = (0, 12)г, z j - c j ^ w j = - 6 0 - М.
П одзадача 2 (j = 2). Соответствующая задача ЛП имеет следующий вид.
(А ,Х Л
М инимизировать z, - с, = СвВ~ -С,Х, =
( 1. 1)
= (0, - М , ~ М ) - ( 1, 1)
= -х 3- х 4-М .
х 3 + х 4>5,
де3 + 5xt < 50

z 3, *4п о
находим оптимальное решение этой задачи.
Y21 = (50, О)7-, z2-c [ = - 5 0 - M .
Поскольку главная задача — задача максимизации и z' - cj < z^ - с ] , а также

z,*-c'<0 ,следовательно, переменная рп, соответствующая крайней точке Yn,
долж на быть введена в базисное решение.
Для определения исключаемой переменной запишем
A,Yn (1,1) 12Л

.12
Р„ = 1
О
Отсюда В 'Р П = (12, 1, 0)т. Имея Хв = (д:5, х 6, х 7)т= (40, 1, 1)т, делаем вывод, что из ба
зисного решения следует исключить переменную д:6 (искусственную переменную).
Новый базис получается путем удаления из базиса вектора, соответствующего пе
ременной х д, и введения в базис вектора Р и. Получим (проверьте!)
1 12 (Л
В= 1 О
0 К
-12 0^
1 0
0 1
и новое базисное решение

Х в - (х„ р„, х 7)т= В 1(40, 1, 1)г = (28, 1, 1)г,
Св = (0, C,Yn , - М ) = (0, 60, -М ) .
И терация 2
Подзадача 1 (j = 1). Вы должны проверить, что соответствующая задача ЛП оста
нется такой же, к ак и на первой итерации (это простое совпадение, а не общее пра
вило). Ее оптимальное решение дает г,* - с,* = w, = 0 . Отсюда следует, что н икакая из
оставшихся крайних точек пространства решений подзадачи 1 не может улучшить
решение главной задачи. (Оптимальным решением этой подзадачи будет крайн яя
точка Y,,, которой соответствует переменная р„, уж е входящ ая в состав базиса.
Именно поэтому z,*- с[ - 0 .)
Подзадача 2 (j = 2). Снова вы должны проверить, что соответствующая задача ЛП
такая же (опять совпадение), к ак и на первой итерации. Ее оптимальное решение
Y22 = (50, О)7-, zi - с, = - 5 0 - М.
Отметим, что точка Y 22 фактически совпадает с крайней точкой Y21, но мы исполь
зуем ниж ний индекс 2 , чтобы показать, что эта точка соответствует второй итера
ции.
Из решений обеих подзадач следует, что zj - с\ < 0 . Это указывает на то, что пере
менная р22, соответствующая крайней точке Y22, долж на войти в базисное решение.
Для определения исключаемой переменной запишем
Отсюда В~'Р22 = (50, О, 1)г. Поскольку Хв = (дс5, ри, х 7)г = (28, 1, 1)г, из базисного
решения следует исключить переменную xs.
Находим новый базис и новую обратную матрицу В’ 1 (проверьте!)
5 0 1 2 0 '
В = 0 1 0
1 0 1,
( - - Н о
50 50
в 1 = 0 1 0
--І- н 1
ч 50 50
Новое базисное решение равно

Х В= (Р22, Рп, х 7)Т—В~'(40, 1, 1)г = (14/25, 1, 11/25)г,
Св - (C2Y22, CjYu , -М ) = (50, 60, -М ).
И терация 3
Подзадача 1 (j = 1). Вы должны проверить, что на этой итерации целевая функция
для данной подзадачи имеет следующий вид.
М инимизировать w. =| — - 2 |х + (— - 4 їх, - ^ ^ - + 48.

' І50 J 1 150 ) - 50
Соответствующее оптимальное решение дает
12М
Y]3= (о,0), г
;-с
;= - ^ - + 4 8 .
Подзадача 2 (j = 2 ). Здесь целевая функция имеет следующий вид (проверьте!).

М
М инимизировать w2 =— (х3 +х4 ) - М .
Находим оптимальное решение:

т . . 9М
Y 23 = ( 5 , 0 ) , г; - с; = - ^ - .
Небазисная п ерем енная х ь. Исходя из вида главной задачи, разность - с} для пе
ременной х ь необходимо вычислять отдельно.
25- с 5 = СвВ ‘Р 6 - с 6 =
+ ^ . 4 8 - ^ . - лЛ > , 0 , 0 ^ 0 = >+ ^ .
I 50 50 Г 50
Отсюда вытекает, что переменная х 5 не может улучш ить решение.
Из приведенных вычислений следует, что вводимой в базис будет переменная р23,
соответствующая крайней точке Y23. Д ля определения исключаемой переменной
вычисляем следующее.
'5 ^
Отсюда В~'Р23 = (1/10, 0, 9 /1 0 )г. Поскольку Х в = (р22, рп, х 7)т= (14/25, 1, 11/25)г, из
базисного решения следует исключить искусственную переменную х 7.
Находим новый базис и новую обратную матрицу В ' 1 (проверьте!).
г 50 12 5'
В= 0 1 0
, 1 0 1/
( і 12 5
45 45 45
В 1= 0 1 0
1 12 50
ч ~45 45 45
Новое базисное решение равно

Х в = (р22, рп, р2/ = В -(40, 1, i f = (23/45, 1 , 22/45)г,
Св - (C2Y22, C,Y„, C2Y23) - (50, 60, 5).
Итерация 4
Подзадача 1 (j = 1 ) . w , = ~ 2 х 1 - 4х 2 + 48. Получаем г,‘ - с,' = w, = 0 .
Подзадача 2 (j = 2 ) . w 2= 0jc4 + 0 x s + 48 = 48.
Небазисная переменная х ь. z 5 - с 5 = 1. Отсюда следует, что решение, полученное на
третьей итерации, оптимально.
С помощью обратной подстановки вычисляем оптимальное решение исходной задачи,
х; - (*„ х / = pnYn = 1(0, 1 2 )Г= (0 , 12)Г,
х ; = (х3, х / = p 22y 22 + p 23y 23 =
= — (50,0)r + — (5,0)7 = (28, O f.

45 45
Все остальные переменные равны нулю. Оптимальное значение целевой функции
получим путем прямой подстановки в ее выражение значений соответствующих
переменных.
1. В каждой из следующих систем ограничений графически найдите допусти
мые крайние точки и определите пространство допустимых решений как
функцию этих крайних точек. Если пространство решений не ограничено,
добавьте необходимое искусственное ограничение.
а)
jc, + 2 х 2< 6 ,
2xt +jc2< 8 ,
- х , + jc2< 1 ,
х2<2 ,
х „ х 2> 0 .
b)
2 х, + х 2 < 2 ,
Зх, + 4 х г > 12,
х„ х 2 > 0 .
c)
х, - х 2< 1 0 ,
2 х , < 40,
х„ х 2 > 0 .
2. В примере 7.4.1 крайние точки подпространств { X j D ^ ^ b , , Х,>0}
и {Х21D 2X 2 = b 2, Х 2> 0} можно найти графически. Используйте эту информа
цию, чтобы сформулировать в явном виде главную задачу. Затем покажите,
что применение к главной задаче модифицированного симплекс-метода по
рождает такую ж е последовательность вводимых в базис переменных рд, как
и последовательное решение отдельных подзадач 1 и 2 .
М аксимизировать z = де, + Здс2 + 5х 3 + 2х 4
2х, + х 2 < 9,
х, + 4 х 2 < 8 ,
5х, + Зх 2 + 4х 3 > 10,
х 3 - 5 х 4 < 4,
х 3 + х 4 < 10 ,
х,, х 2, х 3, х 4 > 0 .
Постройте в явном виде главную задачу (для этого используйте крайние точ
ки подпространств, найденные графически) и затем решите ее модифициро
ванным симплекс-методом.
4. Реш ите задачу из предыдущего упражнения методом декомпозиции и срав
ните процесс решения при использовании разных алгоритмов.
5. Примените метод декомпозиции к следующей задаче.
М аксимизировать z = 6 х, + 7х 2 + Зх 3 + 5х 4 + х 6 + х 6
х, + х 2 + х 3 + х 4 + х 6 + х 6 < 50,
х, + х 2 < 1 0 ,
х 2< 8 ,
5х 3 + х 4< 12,
х 6 + х 6 > 5,
х 5 + 5х 6 < 50,
Xj, х 2, Хд , х 4, х6, х 6 ^ 0.
6 . Продумайте необходимые изменения в применении метода декомпозиции
к задаче минимизации, затем решите следующую задачу.
Минимизировать z = 5х, + Зх 2 + 8 х 3 - 5х 4
х, + х г + х 3 + х 4 > 25,
5 jc, + х 2< 20,
5jc, - х 2 > 5,
х 3 + х л = 20 ,
Хр х 2, х3, х 4 ^ 0 .
7. Реш ите следующую задачу методом декомпозиции.
М инимизировать z = 10(/, + 2уг + 4у 3 + 8 у 4 + у ь
Уг + 4 у 2 - у 3 > 8 ,
2 у х+ у г + у 3 > 2 ,
Зу, + у, + уь > 4,
+ 2^4 “ ^5 ^ 10>
У У У 3>У4’ Уъ^°-
(Совет. Рассмотрите сначала задачу, двойственную к данной.)
8 . Пусть при применении метода декомпозиции количество общих ограничений
в исходной задаче равно г. Покажите, что целевую функцию для подзадачи j
можно записать следующим образом.
М инимизировать wt = zt - су= (C„RA; - С )Х; + Св \ г+1
Здесь матрица R состоит из первых г столбцов матрицы В '1, a Vr+j — ее (г + /)-й

столбец.
7.5. ДВОЙСТВЕННОСТЬ
Двойственные задачи и соотношения двойственности на элементарном уровне
мы изучали в главе 4. В этом разделе рассмотрим теорию двойственности на более
строгом (доказательном) уровне, в частности, представим доказательства соотно
шений двойственности, которые являю тся основой анализа чувствительности
(см. главу 4). Эти теоретические построения послужат фундаментом для описанных
далее методов параметрического программирования.
7.5.1. Матричное представление двойственной задачи

Пусть прямая задача ЛП с т ограничениями и п переменными уж е записана
в стандартной форме.
М аксимизировать z = СХ
АХ = Ь,
Х >0.
Обозначим через Y = (у,, уг, ..., ут) вектор переменных двойственной задачи.
В соответствии с правилами, представленными в табл. 4.2, получаем следующую
двойственную задачу.
Минимизировать w = Yb
YA >С,
Y — вектор свободных переменных (т.е. не имеющих ограничений в знаке).
1. Докаж ите, что задача, двойственная к двойственной задаче, совпадает с ис
ходной (прямой) задачей.
2. Пусть прямая задача имеет вид: минимизировать 2 = {СХ| А Х > Ь , Х >0}.
Сформулируйте соответствующую двойственную задачу.
7.5.2. Оптимальное решение двойственной задачи

В этом разделе устанавливаются соотношения между прямой и двойственной
задачами и показывается, как определить оптимальное решение двойственной за
дачи на основе оптимального решения прямой задачи. Обозначим через В опти
мальный базис прямой задачи, через Св — вектор коэффициентов целевой функ
ции, соответствующих оптимальным базисным переменным Х в.
Теорема 7.5.1. Первая теорема двойственности. Д л я любой пары допустимых ре
шений (X, Y) прямой и двойственной задач значение целевой функции в задаче ми
нимизации ограничивает сверху значение целевой функции в задаче максимизации.
Д л я пары оптимальных решений (X*, Y ) значения целевых функций совпадают.
Д оказат ельст во. Пара допустимых решений (X, Y) удовлетворяет всем огра
ничениям обеих задач. Умножая слева обе части ограничений задачи максимиза
ции на вектор (свободных) переменных Y, получим
YAX = Yb = ш.
Аналогично, умножая справа ограничения задачи минимизации на вектор
(неотрицательных) переменных X, будем иметь
Y A X >C X = 2 .
(Неотрицательность вектора X здесь существенна, так к ак определяет
“ направленность” неравенства.) Комбинируя последние два выражения, получаем
неравенство z < w, доказанное для пары любых допустимых решений (X, Y).
Отметим, что теорема не указывает, к а к ая задача прямая, а к акая — двойст
венная. Это очень важно при нахождении оптимальных решений обеих задач.
Из доказанной части теоремы (z < w для пары любых допустимых решений) следу
ет, что максимум функции г и минимум функции w будут достигнуты только тогда,
когда обе эти функции примут одинаковое значение. Исходя из этого, можно постро
ить оценку близости полученных допустимых решений к оптимальным путем срав
нения разности z - w и величины (г + w )/2. Чем меньше отношение 2(г - w)/(z + w),
тем ближе данные решения к оптимальным. Но, конечно, из этого эмпирического
правила не следует, что оптимальные значения целевых функций равны (г + w )/2.
Если в одной из задач целевая ф ункция примет бесконечное значение, что мож
но сказать о решении другой? Ответ очевиден: другая задача не должна иметь до
пустимых решений. Если это не так (т.е. обе задачи имеют допустимые решения),
неравенство z < w обязательно должно выполняться, что невозможно, например,
П р и Z = +<*> И Л И W = - о о .
Рассмотрим обратную ситуацию . Если одна из задач не имеет допустимых
реш ений, то обязательно ли реш ение другой задачи будет неограниченны м? Не
обязательно! В следующем примере и прямая, и двойственная задачи не имеют до

пустимых решений.
П р я м а я задача. М аксим изировать z = {де, + х 2 | х, - х г < - 1 , - х , + х 2 < - 1 ,
х„ х 2 > 0 }.
Д в о й с т в е н н а я задача. М инимизировать w = { - у х - у 2 \ - у г > 1, - у х + у г > 1,
Ух>
Теорема 7.5.2. Оптимальное решение двойственной задачи равно
Y = CBB \
где В — оптимальный базис прямой задачи, которому соответствует вектор Св
коэффициентов целевой функции.
Д оказат ельст во. Д ля доказательства этой теоремы надо показать, что допус
тимое решение двойственной задачи можно вычислить по формуле Y = СвВ , и что
в соответствии с теоремой 7.5.1 2 = w для оптимальных решений.
Реш ение прям ой задачи будет оптим альны м , если вы полняю тся неравенства
z - Cj > 0 для всех } (см. раздел 7.2.1), т.е.
СвВ 'А - С > 0.
Но решение Y допустимо, если оно удовлетворяет ограничению YA > С. Это доказы
вает равенство Y = СвВ”' для допустимого реш ения двойственной задачи Y.
Равенство оптимальных значений z и w доказывается непосредственным срав
нением выражений
w = Yb = CBB"'b,
г = СвХ в = СвВЧ>.
Переменные двойственной задачи Y = СвВ”' иногда называют симплексными
мультипликаторами. Они такж е известны к ак двойственные цены — название,
идущее от экономической интерпретации этих переменных (см. раздел 4.3.1).
Обозначим через Ру й столбец матрицы А. Из теоремы 7.5.2 следует, что
величины
2; - С; = СвВ ‘Р ~ С;= У Р ,-С
равны разностям меж ду левы ми и правыми частями ограничений двойственной
задачи. В начале реш ения прямой задачи м аксим изации по крайней мере для од
ного j вы полняется неравенство zj - Cj < 0 ; это означает, что соответствующее ог
раничение YP^ > с не удовлетворяется. Если достигнуто оптимальное решение
прямой задачи, тогда выполняю тся неравенства - су> 0 для всех /; в этом случае
соответствующее решение двойственной задачи Y = СвВ-1 допустимо. Таким обра
зом, если решение прямой задачи оптимально, то решение двойственной задачи
автоматически допустимо. На этом соотношении построен двойственный сим
плекс-метод (раздел 4.4), в котором вычисления начинаю тся с недопустимого
решения, “лучш его” , чем оптимальное. Выполнение метода продолжается до тех
пор, пока не будет достигнуто допустимое решение. В противоположность этому
в “обычном” симплекс-методе (глава 3) вычисления начинаю тся с допустимого,
но “ худш его” , чем оптимальное, реш ения и продолжаю тся до тех пор, пока не
будет достигнуто оптимальное решение.
Пример 7.5.1
В следующей задаче ЛП оптимальный базис равен В = (Р,, Р 4). Сформулируем
двойственную задачу и найдем ее оптимальное решение, используя оптимальный
базис прямой задачи.
М аксимизировать z = Зх, + 5 х г
я, + 2 х г + *3 = 5,
- х , + З.г2 + х 4 = 2,
х „ х г, х 3, х 4 > 0 .
Двойственная задача имеет следующий вид.
М инимизировать w = 5у, + 2у 2
У і-У г^З,
2yl + 3y2Z5,
Уі’ Уг - 0-
Имеем В = (*:,, х У , тогда Св = (3, 0). Оптимальный базис и его обратная матрица
равны следующему.
0' '1 о4
1 и В '= 1 1
ч J к
Переменные прямой и двойственной задач имеют следующие значения.
(*,, х4)г = B~'b = (5, 7)Т,
(Уі, Уг) - С.В-1- (3, 0).
Оба реш ения допустимы и z = w = 15 (проверьте!). Таким образом, реш ения оп
тимальны .
1. Проверьте правильность формулировки двойственной задачи в приме
ре 7.5.1. Проверьте графически, что прямая и двойственная задачи не имеют
недопустимых решений.
М аксимизировать г = 50х, + 30х2 + 10х 3
2 х, + х 2 = 1 ,
2 х г —-5 ,
4х, + *3 = 6 ,
Xj, х 2, х 3 —0 .
a) Сформулируйте и запиш ите двойственную задачу.
b ) Покажите с помощью непосредственной проверки, что прямая задача не
имеет допустимого решения.
c) Покажите, что двойственная задача не имеет ограниченного реш ения.

d) На основе примеров задач из предыдущих упражнений найдите соотно
шение между свойствами недопустимости и неограниченности прямой
и двойственной задач ЛП.
М аксимизировать z = 5х, + 12х2 + 4 х 3
2 х х - х г + 3*3 = 2 ,
jc, + 2 х г + х 3 + х 4 — 5,
x v х 2, х 3, х 4 > 0 .
a) Сформулируйте и запиш ите двойственную задачу.
b ) В каждом из следующих случаев сначала проверьте, что приведенный ба
зис В является допустимым для прямой задачи. Затем, используя форму
лу Y = СвВ~\ вычислите значения переменных двойственной задачи. Кро
ме того, определите, является ли данное решение прямой задачи
оптимальным.
а) В = (Р4, Р 3). в) В = (Р,, Р 2).

б) В = (Р2, Р 3). г)В = ( Р „ Р 4).
Максимизировать z = 2 х х + 4 х 2+ 4 х 3 - Здс4
jc, + х 2 + х 3 = 4,
дс, + 4jc2 + jc4 = 8 ,
jc,, х 2, х 3, х 4 > 0 .
a) Сформулируйте и запишите двойственную задачу.
b) Путем вычисления разностей г. - для всех небазисных Р; проверьте, что
базис В = (Р2, Р 3) соответствует оптимальному решению.
c) Найдите оптимальное решение двойственной задачи.
5- Модель ЛП содержит две переменные х, и х 2 и три ограничения типа “ <” . Со
ответствующие дополнительные (остаточные) переменные обозначены как
дс3, x t и дс5. Предположим, что В = (Р „ Р 2, Р 3) — оптимальный базис, а соот
ветствующая обратная матрица имеет следующий вид.
"О -1 О
О 1 О
J 1 - 1,
Ниж е представлены оптимальные решения прямой и двойственной задач.
Х в = (х„ х 2, х 3)т= (2, 6 , 2)т,
Y = {ух, у г, «/3) = (°. 3>2)-
Найдите оптимальное значение целевой функции.
6 . Докажите следующее соотношение между оптимальными решениями пря

мой и двойственной задач:
элемент вектора В 'Р*.

7. Запиш ите задачу, двойственную к следующей.
М аксимизировать z = {СХ | АХ = b, X — свободные переменные}
8 . Покажите, что задача, двойственная к задаче
максимизировать z = {СХ | АХ < b, 0 < L < X },
всегда имеет допустимое решение.
7.6. ПАРАМЕТРИЧЕСКОЕ ЛИНЕЙНОЕ ПРОГРАММИРОВАНИЕ

Параметрическое линейное программирование — это расширение техники
анализа чувствительности, которую мы рассмотрели в разделе 4.5. Здесь исследу
ются изменения в оптимальном решении задачи ЛП, являю щ иеся результатом
предопределенных непрерывных изменений коэффициентов целевой функции
и значений правых частей ограничений.
Пусть задача ЛП определена следующим образом.
В параметрическом программировании задаются изменения коэффициентов це

левой функции и правых частей ограничений. Д ля этого используются функции C(t)
и Ь(г), зависящие от параметра изменения t. Д ля определенности полагаем, что t > 0.
Основная идея параметрического анализа заключается в следующем. Вначале
находится оптимальное решение задачи ЛП при t = 0. Затем на основании условий
оптимальности и допустимости симплекс-метода определяется интервал 0 < t <
значений параметра t, для которых решение, полученное при t = 0 , остается опти
мальным и допустимым. Значение t , называется критическим. Затем определяют
ся следующие критические значения параметра t и соответствующие им оптималь
ные допустимые решения. Процесс заканчивается, когда будет найдено такое
значение tr, что при любых значениях t > tr последнее решение остается неизмен
ным либо решения не существует.
7.6.1. Параметрическое изменение коэффициентов целевой функции

Пусть Х„ , В, и Св (0 — элементы оптимального реш ения, соответствующего
критическому значению t , (вы числения начались при t 0 = 0 с оптимальным бази
сом В0). Далее определяем следующее критическое значение и соответствую
щ ий ему оптимальны й базис, если он существует. П оскольку изменения в векто
ре коэффициентов целевой ф ункции влияю т только на оптимальность решения,
текущ ее решение Хя = Вг'Ь останется оптимальным при t > tt до тех пор, пока бу
дет вы полняться условие оптимальности
z f t ) - e ft) = Clt (OB-'P, - eft) > 0 для всех ].
Очередное критическое значение tl+l определяется к ак наибольшее t, t > t,, при ко

тором выполняются все условия оптимальности.
Отметим, что приведенное неравенство не требует, чтобы вектор С(г) был линей
ной функцией от t; допустима функциональная зависимость любого вида — как л и
нейная, так и нелинейная. Трудность использования нелинейных функций заключа
ется лиш ь в том, что численное решение системы неравенств может быть очень
трудоемким. (В упражнении 7.6 .1.5 рассмотрен случай нелинейной функции.)
Пример 7.6.1
Рассмотрим задачу ЛП.
М аксимизировать z = (3 - 6 0 дс, + (2 - 21) х г + (5 + 51) х 3
+ 2 х г + х 3< 40,
Зх, + 2х3< 60,
X, + 4 х г < 30,
х 2, х 3>0.
Здесь C(t) = (3 - 6 1, 2 - 2 1, 5 + 51), t > 0. Введем дополнительные (остаточные) пере
менные х 4, x s и х в.
Оптимальное решение при t0 = 0.
Базис Xl х2 Хз Ха *5 *6 Решение
z 4 0 0 1 2 0 160
*2 -1 /4 1 0 1/2 -1 /4 0 5
хз 3/2 0 1 0 1/2 0 30
Хв 2 0 0 -2 1 1 10
со
5*
( х 2, Х3, Х 6)
II
1 0 ) 7-,
о
Х »„
С Вп(0 = (2 - 2t, 5 + 5t, 0),
12 -I4 O'
в-' = 0 і 0
-2 1 1
Условия оптимальности для текущ их небазисных векторов Р ,, Р 4 и Р 5 имеют вид

{С^(/)В-,Р>-Cj(t )}Mа5 = (4 + U t , l - t , 2 + 3t)> 0.
Таким образом, решение Xą остается оптимальным до тех пор, пока выполняются

неравенства
4 + 14t > 0,
1 - t > 0,
2 + 3t > 0 .
Первое и третье неравенства выполняются при всех положительных t (напомним,

что t > 0), второе — справедливо при t < 1. Отсюда имеем, что і, = 1, т.е. решение
остается оптимальным (и допустимым) для всех t из интервала 0 < t < 1 .
При t = 1 разность z 4(f) - ct(t) = 1 - 1 равна нулю и становится отрицательной при
t > 1. Поэтому при t > 1 вектор Р 4 должен войти в базис, тогда вектор Р 2 будет исклю
чен из базиса (см. симплекс-таблицу с оптимальным решением при t = 0). Итак, при
t = 1 (вследствие включения в базис вектора Р 4) получаем новое решение Xą .
Оптимальное решение при t x = 1. Имеем новый базис и новую обратную матрицу.
'1 1 0' 'i i o'
I _ |г
B,= , В,- =
О
0 2 0
■О
о
,0 0
к
*6 f = B-‘b =
= (X
4> ^ 3 ’
C* ( 0 = (0 ,5 + 51, 0 ).
Д ля небазисных векторов Pj, Р 2 и Р 5 условия оптимальности можно записать сле
{С.МВГ'Р, - с, (0 }Л1, , = -2 + 2 , , ^ ] > 0
В соответствии с этими условиями базисное решение Хв остается оптимальным для

всех t > 1. Это означает, что t2= °° и вычислительный процесс параметрического ана
лиза закончен. Отметим, что условие оптимальности -2 + 2t > 0 автоматически
“ запомнило” , что решение Xą оптимально в интервале, который начинается со зна
чения i, = 1. Такое “ запоминание” всегда имеет место при параметрическом анализе.
Оптимальные реш ения для всей области изменения параметра t представлены
в следующей таблице. Значения целевой функции получены путем подстановки
значений переменных в выражение целевой функции.
t X1 Х2 Хз
0 < t< 1 ЗО 1 6 0 + 140Г
t> 1 ЗО 150 + 150/
У П Р А Ж Н Е Н И Я 7.6.1
1. Пусть в примере 7.6.1 параметр t может принимать как положительные, так

и отрицательные значения. Определите интервал изменения значений пара
метра t, при которых решение ХЯо остается оптимальным.
2. Проведите параметрический анализ задачи Л П из примера 7.6.1, если целе
вая функция задана следующими выражениями.
a) М аксимизировать z = (3 + 31) х х + 2 хг + (5 - 6 i) х 3.
b) М аксимизировать z = (3 - 21) x t + (2 + 1) x 2 + (5 + 21) x 3.
c) М аксимизировать z = (3 + 1) x t + (2 + 21) x 2 + (5 - t) x 3.
3. Проведите параметрический анализ оптимального реш ения следующей зада

чи Л П , здесь t > 0.
М инимизировать z = (4 - t) jc, + (1 - 3f) x 2 + (2 - 21) x 3
3jCj + x 2 + 2 x3 = 3,
4 x i + 3 x 3 + 2 x 3 > 6,
x i + 2 x 2 + 5 x 3 < 4,
x v x 2, x 3> 0 .
4. При выполнении параметрического анализа в этом разделе предполагалось,
что оптимальное решение задачи ЛП при t = 0 получено обычным симплекс-
методом. Однако в некоторых ситуациях предпочтительнее получить опти
мальное решение двойственным симплекс-методом (раздел 4.4). Разработай
те схему проведения параметрического анализа для такого случая и выпол
ните анализ задачи Л П из примера 4.4.1, предполагая, что целевая функция
задана следующим выражением.
М инимизировать z = (3 + t) x i + (2 + 4 1) x 2
5. Пусть в примере 7.6.1 целевая ф ункция нелинейная по t ( i > 0 ) и задается
следующим выражением.
М аксимизировать z = (3 + 212) x I + (2 - 212) x 2 + (5 - t) x 3.
Найдите первое критическое значение t v
7.6.2. Параметрическое изменение правых частей ограничений

Параметрическое изменение вектора правых частей ограничений b(О влияет
только на свойство допустимости реш ения. В этом случае критические значения
параметра t определяются на основе условия
Хв = В 'ЬСО > 0.
Пример 7.6.2
Рассмотрим задачу ЛП.
М аксимизировать z = 3jCj + 2 х2 + 5х3
Xj + 2 х 2 + х 3 < 40 - f,
Зх, + 2 х3< 60 + 2t,
Xj + 4 х 2 < 30 - It,
x v х 2, х 3 > 0 .
Предполагается, что t > 0.
Оптимальное решение этой задачи при t = t0 = 0 приведено в примере 7.6.1. Имеем
X* = (х2, х 3, х 6)т= (5, 30, 10)г,
Чтобы найти первое критическое значение t t, используем условие допустимости

Хві = B"'b(0 > 0, которое в данном случае примет вид
х, = 30 + 1 > 0
Эти неравенства выполняются при t < 10/3. Таким образом, tx= 10/3, и базис В0остает
ся допустимым при изменении параметра t в интервале 0 < t< 10/3. Отметим, что здесь
значения базисных переменных х 2, х 3и х 6изменяются при изменении параметра t.
Значение базисной переменной х 6 (= 10 - 3 1) равно нулю при f = f, = 10/3 и стано
вится отрицательным для t > 10/3. Следовательно, при t — 10/3 необходимо опре
делить новый базис В,. Д ля этого применим модифицированный симплекс-метод
(см. упражнение 7.2.2.5). Исключаемой из базиса будет переменная х6.
Новый базис при t = 10/3.
Имея переменную х 6 в качестве исключаемой из базиса, определяем вводимую в ба
зис. Поскольку
Х д, = ( * 2, *з> х / И с «„ ( 0 = (2 > 5 > °)>
ТО
{(В-'РД.
0
45 = (строка в В0
О * 1.4.5
- ', ассоциированная с х6) (Р„ Р 4, Р 5) =
= (3-я строка в В0' ) (Р „ Р 4, Р 5) =
- ( - 2 ,1 , 1 ) (P l f P 4, P , ) -
= (2 , - 2 , 1 ).
Отсюда следует, что
соответствует переменной х 4. Следовательно, в базис вводится вектор Р4.

Вычисляем новый базис и обратную матрицу В,"'.
'2 1 Г
В ,= ( Р 2,Р3,Р4) = 0 2 0 ,
ч4 0 0,
/ \
о о 4
в; = о о
\ 2 J
Следующее критическое значение t2 определяем из условия Хя = В~'Ь(0 > 0. Отсюда

получаем следующее.
( 3 0 - 7 / ^
V 4 "0"
= 30 + / > 0
х з
- 1 0 + 31 ,0 ,
I 2
Это условие показывает, что В] остается допустимым базисом для 10/3 < t < 30/7.
При t = t 2 = 3 0 /7 новый базис можно получить с помощью модифицированного
двойственного симплекс-метода, при этом исклю чаем ой из базиса будет пере
менная х 2.
Новый базис при t 2 = 30/7.
Определив исключаемую переменную х 2, находим вводимую переменную следую
щим образом. Поскольку
Х8, = (х2, х 3, х 4)ти С4 (0 = ( 2 , 5 , 0),
то
{(В;'РД, 56 = (строка в В;1, ассоциированная с х 2) (Р„ Р 5, Р 6) =
= (1-я строка в В '1) (Р„ Р 5, Р 6) =
- ^ 0 . 0 , l j ( P 1, P „ Р.) =
Поскольку все элементы неотрицательны, задача не имеет допустимых решений

при t > 3 0 /7. Таким образом, параметрический анализ заканчивается в точке
t = t2 = 30/7.
Оптимальные реш ения при различных значениях параметра t приведены в сле
t X1 хг Хз z
0 < Г < И 0 /3 0 5 -Г 30 + t 160 + 3 1
10/3 S / < 30/7 0 (30 - 70/4 30 + t 1 6 5 + (3/2 )t

f > 30/7 Допустимых решений нет
1. Д ля задачи из примера 7.6.2 найдите первое критическое значение t x и опре
делите векторы, составляющие матрицу В,, для следующих случаев.
a) b(f) = (40 + 2f, 60 - 31, ЗО + 6 t f .
b) b(f) = (40 - t, 60 + 21, 30 - Ы)т.
2. Проведите параметрический анализ оптимального решения следующей зада
чи ЛП, предполагая, что t > 0.
М инимизировать г = 4 х х + х 2 + 2хг
Зл:, + х 2 + 2х3 = 3 + 31,
4Xj + Зх3 + 2х3> 6 + 2 1,
х х + 2 x 2 + 5х3 < 4 - f,
х г, х 2, х 3> 0 .
3. При выполнении параметрического анализа в этом разделе предполагалось,
что оптимальное решение задачи ЛП при t = 0 получено обычным симплекс-
методом. Однако в некоторых ситуациях предпочтительнее получать опти
мальное решение двойственным симплекс-методом (раздел 4.4). Разработай
те схему проведения параметрического анализа для такого случая и выполните
анализ задачи ЛП из примера 4.4.1, предполагая, что вектор правых частей ог
раничений задачи задан следующим выражением (считаем, что t > 0 ).
b(f) = (3 + 2 f, 6 - і, 3 - 4t)T
4. Реш ите задачу из упражнения 2, предполагая, что вектор правых частей ог
раничений задан следующим выражением.
Ь (0 = (3 + Зі2, 6 + 2 t \ 4 - t2f
Затем решите эту же задачу при условии, что параметр t может принимать
к ак положительные, так и отрицательные значения.
7.7. МЕТОД КАРМАРКАРА

В симплекс-методе оптимальное решение находится путем продвижения вдоль
граней пространства решений от одной угловой (крайней) точки к другой. Хотя на
практике симплекс-метод применяется для реш ения очень больших задач, теоре
тически количество итераций, необходимых для достижения оптимального реше
ния, может расти по экспоненциальному закону. Можно построить задачу ЛП с п
переменными, при решении которой необходимо перебрать все 2" крайних точек,
пока не будет достигнуто оптимальное решение.
В 1984 году Н. Кармаркар (N. Karm arkar) разработал алгоритм с полиномиальным
временем выполнения, который “ пробегает” по внутренним точкам пространства ре
шений. Этот алгоритм особенно эффективен при решении очень больших задач ЛП.
Мы сначала рассмотрим основную идею метода Кармаркара, а затем остановим
ся на вычислительной реализации алгоритма.
7.7.1. Основная идея метода Кармаркара

Рассмотрим очень простой пример.
М аксимизировать г = х 1
при выполнении ограничения
О < je, < 2.
Вводим дополнительную (остаточную) переменную х 2. Задача в стандартной
форме будет записана следующим образом.
М аксимизировать г = х 1
х 1+ х г = 2,
х х, х 2 > 0.
Эта задача представлена на рис. 7.6. Ее пространство решений совпадает с от
резком прямой А В . Направление возрастания целевой функции г совпадает с по
ложительным направлением оси х х.
х2
Рис. 7.6. Иллюстрация основной идеи метода

Кармаркара
Начнем поиск оптимального решения с произвольной внут ренней (не крайней)

точки С пространства допустимых решений (отрезок АВ). Градиент целевой ф унк
ции z = х 1 в точке С показывает направление скорейшего возрастания функции г.
Если мы зафиксируем какую-нибудь точку вдоль градиента и опустим из нее пер
пендикуляр на пространство допустимых решений, то получим новую точку D
с лучшим значением целевой функции. Такое улучшение значения целевой ф унк
ции получено вследствие движения по направлению проекции CD градиента. Если
мы повторим описанную процедуру для точки D, получим новую точку Е , которая
будет еще ближе к точке оптимума В. Таким образом, если мы будем двигаться (но
осторожно) в направлении проекции градиента, то, вероятно, рано или поздно
“ споткнемся” о точку оптимума В. Если же необходимо найти минимум целевой

функции (вместо ее максимума), следует перемещаться в направлении, противопо
ложном проекции градиента, т.е. от точки В к точке А, где х 1 = 0.
Конечно, данную процедуру нельзя считать алгоритмом (в обычном смысле), но
идея очень интересная! Чтобы воплотить эту идею в алгоритм, необходимо выпол
нить модификации приведенной процедуры, гарантирующие, что, во-первых, по
следовательность шагов, сделанных вдоль проекции градиента, не “ перескочит”
через точку оптимума, во-вторых, в общем я-мерном случае направления, указан
ные проекциями градиентов, не приведут алгоритм к неоптимальной точке (т.е. не
“ зац и кл ят” алгоритм на неоптимальной точке). Если реализовать эти условия, то
получим вполне работоспособный алгоритм.
7.7.2. Алгоритм Кармаркара

Существует несколько вариантов алгоритма Кармаркара. Мы рассмотрим ис
ходный вариант, предложенный его автором. Кармаркар предполагал, что задача
ЛП приведена к следующему виду.
Минимизировать z = СХ
АХ = О,
IX = 1,
Х >0.
Здесь все ограничения представлены в виде однородных уравнений, за ис
клю чением ограничения IX = которое определяет я-мерны й пра
вильны й си м п лекс.4 Обоснованность алгоритм а К арм аркара “ п окои тся” на вы
полнении двух условий.
1. Вектор X -1 удовлетворяет ограничениям АХ = 0.
\п п пJ
2. min z = 0.
Кармаркар предложил алгебраические преобразования, приводящие общую за
дачу ЛП к виду, представленному выше. Эти преобразования показаны в следую
щем примере. Там такж е показано, как в результате преобразований добиться того,
чтобы вектор X = (1 /я , 1 /я , ..., 1 /я ) являлся допустимым решением системы АХ =
0 (условие 1). Преобразования, необходимые для выполнения условия 2 (min z = 0),
мы не приводим из-за их громоздкости и трудоемкости.
4 Симплексом (n-мерным) называется выпуклая оболочка п точек Х2.......Х„, не

лежащих на одной (п - 2)-мерной плоскости. Точки Хр Х2, ..., Хп являются вершинами
симплекса, при этом любую точку симплекса можно представить как выпуклую комби
нацию (см. раздел 7.1) его вершин. Двухмерный симплекс — это отрезок, трехмерный —
треугольник, четырехмерный — тетраэдр. (Здесь размерность симплекса определяется
по размерности пространства, а не по размерности (я-І)-м ер н о й гиперплоскости, на
которой он расположен.) В данном случае вершинами симплекса являются точки X, =
(0, ..., 1 , _, 0), і = 1, ..., п. Такой симплекс является частным случаем правильного
симплекса. — Прим. ред.
Пример 7.7.1
Рассмотрим следующую задачу.
М аксимизировать г = у х + у2
приограничениях
У>+2у2<2,
y t, y , z o -
С помощью дополнительной переменной у 3> О преобразуем ограничение у х + 2у2 < 2
в равенство:
*Л+2г/2 + г/3 = 2.
Теперь введем неравенство
Уі + У2+ У г ^ и >
где U — достаточно большое положительное число, но такое, которое не удаляло
бы ни одной допустимой точки исходного пространства решений. В данном приме
ре, исходя из равенства г/, + 2у2 + у 3 = 2, достаточно взять U, равное 5. После введе
ния еще одной дополнительной переменной у 4 получаем
У ,+ У2 + Уъ+ Уа = ^>-
Теперь можно сделать уравнение г/, + 2у2 + у 3 = 2 однородным, умножив его правую
часть на (г/, + у2 + у 3 + у4)/5, поскольку последнее соотношение равно 1. Таким обра
зом, после приведения подобных членов получаем
3У, + 8у2 + Зг/3 - 2ул = 0.
Чтобы преобразовать равенство ух+ у2+ у3+ у4= 5 в уравнение, определяющее симплекс,
введем новые переменные x t = y j b , і = 1, 2, 3, 4. Получаем следующую задачу ЛП.
М аксимизировать z = 5 x t + Ьх2
З х, + 8л:2 + Зл:3 - 2х 4 = 0,
х 1+ х г + х 3 + х 4 = 1,
x t > 0, і = 1, 2, 3, 4.
Теперь обеспечим выполнение условия, что точка Х = (1 / я , 1 /я, ..., 1/я), являю
щаяся центром (барицентром) симплекса, будет удовлетворять однородному урав
нению. Д ля этого от левой части каждого однородного уравнения отнимем искусст
венную переменную с коэффициентом, равным алгебраической сумме всех
коэффициентов левой части уравнения (в данном случае имеем 3 + 8 + 3 - 2 = 12).
Эта искусственная переменная такж е прибавляется к уравнению симплекса и в ви
де штрафа появляется в выражении целевой функции. В нашем примере искусст
венная переменная х 5войдет в задачу ЛП следующим образом.
М аксимизировать z = 5 хх + Ьх2 - М х ъ
3 х 1 + 8х2 + 3jc3 - 2х 4 - 12хй = 0,
х х + х 2 + х 3 + х 4 + х ъ= 1,
x t > 0, і = 1, 2, ..., 5.
Для этой системы уравнений новый центр симплекса ( 1 / 5 ,1 /5 ,..., 1/5) является
допустимым решением однородного уравнения. Значение константы М в выраж е
нии целевой функции должно быть достаточно большим, чтобы привести перемен-
ную х нк нулевому значению (сравните с М -методом из раздела 3.4.1).______________
Последний пример показывает, что любую задачу Л П можно с помощью преоб

разований привести к виду, который необходим для выполнения алгоритма Кар
маркара. Но эти преобразования громоздкие и неочевидные, поэтому их редко ис
пользуют на практике. Существуют различные модификации алгоритма, которые
не требуют обязательного выполнения второго условия (min z = 0).
Пример 7.7.2
Рассмотрим еще раз задачу из примера 7.7.1.
Максимизировать z = г/, + у 2
Ух + 2Уг < 2,
Ух> Уг - °-
Начнем с формулировки прямой и двойственной задач.
Максимизировать уо = У: + Уг Минимизировать Wo = 2 W i
У1 +2уг<2, w >і ]
2*4*1J
у : , уг > 0. Wi > 0.
Ограничения этих задач в стандартной форме запиш утся так:

У1 + 2У2+ У3 = 2 > У ^ 0 -
wl - w 2 = l , w 2>0. (1)
Из условия оптимума у0 = w0 вытекает, что
г/, + y 2- 2 w x = 0. (2)
Выбираем достаточно большое число М , чтобы выполнялось неравенство
У1+ У2+У3 + и)1+и)2 ^ м - (3)
Теперь путем введения дополнительной переменной преобразуем неравенство (3)
в равенство:
У х + Уг + Уз + и , х + и , г + 3 х = м > S1 * ° - (4)
Далее введем новую переменную s 2 такую, что следующие два равенства, вытекаю
щие из равенства (4), будут выполняться тогда и только тогда, когда 8, = 1.
Ух + Уг + Уз + “\ + w 2 + s x “ = °>
Ух + Уг + У3 + и>1+и>2 + 81+ 8 2 = М + 1. (5)
При условии s2 = 1, что обусловливают равенства (5), ограничения (1) можно запи
сать как
Ух + 2 Уг + У3 - 2 s 2 = °-
wl - w 2- l s 2 = 0. (6)
Теперь определим новые переменные JCj, х 2.......х 7на основе соотношений

у = ( М + l) x j, j = \ , 2, 3,
Wj.з = (М + Щ , j = 4, 5,
s, = (М + l)x 6,
s2 = (М + l) x 7.
Подставляя последние выраж ения в равенства (2), (5) и (6), получим новые ограни
чения в виде равенств.
х х + х 2 - 2 х4 = О,
х х + х 2 + х 3 + х 4 + х 5 + х 6 - М х 7 = О,
х х + х 2 + х 3 + х 4 + х ъ+ х 6 + х 7 = 1,
х х + 2х2 + х 3 - 2 х7 = О,
x t - х ъ- х 7 = О,
x j > 0 ,j= 1, 2, ..., 7.
Теперь осталось ввести искусственную переменную х н в левую часть каждого ограниче
ния — эта переменная будет новой целевой функцией, которую следует минимизиро
вать. Если прямая задача имеет допустимое решение, то минимум этой целевой функ
ции будет равен нулю. Но алгоритм Кармаркара дополнительно требует, чтобы точка
U 8 8 8 8 8 8 8 J
удовлетворяла системе АХ = 0. Это условие можно выполнить для однородной сис
темы (т.е. для системы, у которой правые части уравнений равны нулю), если соот
ветствующий коэффициент при искусственной переменной х е в любом уравнении
систем будет равен сумме всех остальных коэффициентов этого уравнения. С уче
том этого замечания получаем следующую преобразованную задачу ЛП.
Минимизировать z = х е
х х + х 2 - 2 х4 - 0х8 = О,
х х + х 2 + х 3 + х 4 + х 5 + х в - М х 7 - (6 - М )х е = О,
х х + 2хг + х 3 - 2 х7- 2xs = О,
х 4- х 5- х 7 + x s = О,
х х + х 2 + х 3 + х 4 + х ь + х 6 + х 7 + х е = 1,
х .> 0 ,; = 1 ,2 .......8.
Отметим, что решение этой задачи дает оптимальные решения как прямой, так
и двойственной задач.
Теперь опишем основные этапы алгоритма Кармаркара. На рис. 7.7, а показано ти
пичное трехмерное пространство решений, определяемое однородной системой ограни
чений АХ = 0, состоящей из одного уравнения. В данном случае пространство решений
совпадает с отрезком прямой А В, лежащим внутри симплекса IX = 1 , причем точка
(1 /3 ,1 /3 ,1 /3 ) является допустимой внутренней точкой пространства решений. Анало
гично на рис. 7.7, б показано четырехмерное пространство решений (треугольник
ABC), определяемое однородной системой ограничений, такж е состоящей из одного
уравнения. В этом случае центром симплекса является точка (1 /4 ,1 /4 ,1 /4 ,1 /4 ) .
Глава 7. Теория линейного программирования
(0,0,0,1)
б) Четырехмерное пространство решений

Рис. 7.7. Трех■и четырехмерный симплексы
П ринципиальная идея К армаркара заключается в том, что вычисления начи

наются с внутренней точки, соответствующей центру симплекса, далее в направле
нии проекции градиента определяется новая точка решения, которая должна быть
строго внутренней, т.е. все ее координаты должны быть положительными. Это яв
ляется необходимым условием сходимости алгоритма.
Чтобы новая точка решения была внутренней, она не должна выходить за преде
лы симплекса. (Это значит, что на рис. 7.7, а новая точка не может быть точкой А или
В, а на рис. 7.7, б — не может совпадать с точками отрезков А В , ВС и АС.) Д ля того
чтобы определить такую точку, построим сферу, вписанную в симплекс. В п-мерном
пространстве в правильный симплекс можно вписать сферу с максимальным радиу
сом г, равным .5 Тогда пересечение сферы радиуса ar (0 < а < 1) и простран
ства решений, определяемого системой АХ = 0, будет содержать только внутренние
точки пространства решений с положительными координатами. В таком случае для
определения новой точки решения можно перемещаться вдоль проекции градиента
до тех пор, пока будем находиться внутри ограниченного пространства, являющегося
пересечением шара радиуса ar и пространства, определяемого системой АХ = 0.
Новая точка решения не обязана быть центром симплекса. Поэтому, чтобы сде
лать алгоритм итерационным, необходимо найти способ перенести новую точку
решения снова в центр симплекса. Д ля этого Кармаркар предложил оригинальную
идею проективных преобразований. Пусть
х,
X,..
і = 1, 2.... п.
I fлц
где х и — і-й элемент текущего решения, т.е. і-я координата текущей точки реше
ния Xt . Такое преобразование правомерно, поскольку все х к1 > 0. Также отметим,
что по определению V, = 1 (т.е. 1Y = 1). Это преобразование можно записать в
матричном виде
Y Р /Х
1 D /X ’
где Dt — диагональная матрица, у которой і-й диагональный элемент равен х к1. Это
преобразование осуществляет взаимно-однозначное отображение Х-пространства
в У-пространство, поскольку нетрудно проверить, что из последней формулы следует
Х = -^ .
lDtY
По определению min СХ = 0. Отсюда следует, что значение lD tY должно быть
положительным. В таком случае исходная задача ЛП преобразуется в следующую.
М инимизировать z = CDtY
ADtY = 0,
1 Y -1 ,
Y > 0.
5 Здесь надо уточнить, что центр этой сферы находится в барицентре симплекса. Далее
в этом разделе, не оговаривая этого явно, везде предполагается, что центры всех сфер совпа
дают с барицентром симплекса. — Прим. ред.
Преобразованная задача имеет тот же тип, что и исходная. Мы можем опять на
чать решение этой задачи с точки Y = (1 /л , 1 /л ........1/л ), являю щ ейся центром
симплекса, и повторить действия, выполненные на предыдущем этапе. После каж
дой итерации на основании полученного Y-решения нетрудно вычислить значения
исходных Х-переменных.
Теперь покажем, как определить новую точку решения для преобразованной за
дачи. На любой k -й итерации задача имеет следующий вид.
М инимизировать z = CD4Y
AD*Y = О,
Y леж ит в шаре радиуса аг.
Поскольку шар радиуса а г является частью пространства допустимых решений,
определяемого ограничениями IX = 1, X > 0, эти ограничения можно исключить из
рассмотрения. Можно показать, что решение последней задачи вычисляется по
следующей формуле
Y.O.O, ^текущее И II’
где Yт е к у щ е е = ( 1 /л , 1/п , 1/п ), с — проекция градиента, которую можно вычис-

лить так
с = [ I - P r(P P rr 'P ] ( C D /,
где Р =
Выбор параметра а — ключевой момент при построении алгоритма. Обычно а

выбирается настолько большим, насколько это возможно, чтобы ускорить сходи
мость к оптимальному решению. Но при выборе слишком большого значения а
можно “ упереться” в запрещенную границу симплекса. В настоящее время не из
вестно оптимальное значение а. Кармаркар предлагал использовать а = (л - 1 )/3 п.
И так, алгоритм Кармаркара требует выполнения следующих этапов.
Этап 0. Алгоритм начинается с точки Х0 = (1 /п , 1/ п .......1 /п ), вычисляют
ся параметры г = \/^п (п -\) и а = (л - 1)/Зл.
Основной этап к. Определяем
D, = d iag { ^ ,.......x j ,
AD і
Р=
и вычисляем
Пример 7.7.3
Рассмотрим следующую задачу ЛП, которая уже приведена к форме, нооСходимой
для выполнения алгоритма Кармаркара.
М инимизировать z = 2 хг + 2хг - З х 3
х х - 2хг + х 3 = 0,
х х + х 2 + х 3 = 1,
х х, х 2, х 3^ 0 .
Эта задача удовлетворяет всем условиям алгоритма К армаркара, а именно точка
X = (1/3, 1/3, 1/3) удовлетворяет уравнению я, - 2 хг + х 3= 0 и оптимальное значе
ние целевой функции равно нулю (оптимальным решением является вектор
(О, 0,6, 0,4)).
Итерация 0
с = (2, 2 ,- 3 ) , А = ( - 1 ,- 2 , 3 ) ,
1 _ 2
Х .= I I I г = — а
з’ з’ з Тб ~~ 9
( 1 0 o'
3
D„ = 0 і 0
3
0 0 і
з/
Используя проективные преобразования, получаем У0 = 11 ,1 , I
Итерация 1
13 0 0
c D0 = ( 2 , 2 - 3 ) 0 3 о -Iff-".
0 0 і
Ч и
10 0
AD0 = (-1 , -2 ,3 ) 0 і3 о
0 0 ЗУ
‘
О. л 1 і14 о
з з
(РРТ = 0 гІ J
1 1 1 V
1 1
f 1
Ґ\ 0 o '
' 3
''I o'1
I - РГ(РРГ) 'Р = 0 1 0
1
3
1 1 1
,0 0
k 1
( 25 -20 -5 Л
_1_
20 16 4
’ 42
-5 4 1
/п
' 25 -20 -5 n 3 < 25 л
2 і
с = [ I - P r( P P V P ] ( C D / = 1 -20 16 4 Ъ ~ І2 6 -20
42
1 -5 4 1 , 1 -ь 1 -5 ,
Далее находим
V
Y m, =
Г' 1 О - - х2 - =1 х -------------х
1 1
— х (2 5 ,-2 0 ,-5 ) =
806 U 3 3j 9 -Уб 0,257172 126 V'
= (0,263340, 0,389328, 0,347332)г.
1 D ,Y „ o » « = j ( l , l , l ) ( 0 , 2 6 3 3 4 0 , 0 , 3 8 9 3 2 8 , 0 , 3 4 7 3 3 2 ) г = ^ .
Теперь найдем X;
Г) V --j Y
*новос
х
1= m у =
]--------= у = ( 0 ,2 6 3 3 4 0 ,0 ,3 8 9 3 2 8 ,0 ,3 4 7 3 3 2 / ,
нов1>с 4’’'
новое _
Z, = 0 ,2 6 3 3 4 .
И терация 2
0,263340 0 0
cD, = (2 ,2 ,-3 ) 0 0,389328 0 =(0,526680,0,778656, -1,041996)
0 0 0,347332
0,263340 О О
AD, = (1, - 2,1) О 0,389328 О =(-0,263340, -0,778656,1,041996)
О 0 0,347332
-0,263340 1
0,26334 -0,778656 1,041996^ 0,567727 О
-0,778656 1
(рр'У 1 1 1 J 1,041996 1
О 0,333333
I - РГ
(РР') р
О
о
'-0,263340
0,567727 О -0,263340 -0,778656 1,041996^1
= 0 1 0 - -0,778656
О 0,33333 1 1 1 у
о
О
к 1,041996
' 0 ,6 2 7 2 9 6 -0 ,4 4 9 7 4 6 -0 ,1 7 7 5 5 0 ^
-0 ,4 4 9 7 4 6 0 ,3 2 2 4 5 1 0 ,1 2 7 2 9 5
ч- 0 , 1 7 7 5 5 0 0 ,1 2 7 2 9 5 0 ,0 5 0 2 5 4
с = [ I - P r( P P T P ] ( C D / =
' 0 ,6 2 7 2 9 6 -0 ,4 4 9 7 4 6 -0 ,1 7 7 5 5 0 ' ' 0 ,5 2 6 6 8 0 ^ ' 0 ,1 6 5 1 9 3 4
-0 ,4 4 9 7 4 6 0 ,3 2 2 4 5 1 0 ,1 2 7 2 9 5 0 ,7 7 8 5 5 6 = -0 ,1 1 8 4 3 5
ч- 0 , 1 7 7 5 5 0 0,127 295 0 ,0 5 0 2 5 4 / -1 ,0 4 1 9 9 6 -0 ,0 4 6 7 5 7 ,
lie I = а/о, 16519 3 2 + ( - 0 ,1 1 8 4 3 5 )2 + ( - 0 , 0 4 6 7 5 7 )2 = 0 ,2 0 8 5 7 1 .
1 1
у - f i l i ) . ł x ________
- х - x (0 ,1 6 5 1 9 3 , - 0 , 1 1 8 4 3 5 , - 0 , 0 4 6 7 5 7 ) r =
ново. І^ з ’ з ’ з ^ 9 0 ,2 0 8 5 7 1
= (0,261479, 0,384849, 0,353671)r.

Теперь для вычисления X 2имеем
'0 , 2 6 3 3 4 0 0 0 4 '0 , 2 6 1 4 7 9 '* '0 , 0 6 8 8 5 8 '
D , Y B0B« = 0 0 ,3 8 9 3 2 8 0 0 ,3 8 4 8 4 9 = 0 ,1 4 9 8 3 2
0 0 0 ,3 4 7 3 3 2 , 0 ,3 5 3 6 7 1 0 .1 2 2 8 4 1 ^
\
=0 , 3 4 1 5 3 1 ,
0 ,2 0 1 6 1 6
.
Di У л новое _
0 ,4 3 8 7 0 7
ID Y
A Ł , I 1 новое
0 ,3 5 9 6 7 7
z = 0,201615.
Выполнив еще один этап алгоритма, получим решение, которое будет еще ближе
к оптимальному (0, 0,6, 0,4). Кармаркар предлагает дополнительный этап, кото
рый позволяет перейти от полученного решения к оптимальной крайней точке. К
сожалению, мы не имеем возможности рассмотреть его здесь.
1. С помощью программы TORA покажите, что решение преобразованной зада
чи ЛП, приведенной в конце примера 7.7.2, дает оптимальное решение п ря
мой и двойственной исходных задач. (Совет. Положите М = 10 и задайте
точность не менее 5 десятичных знаков.)
2. Преобразуйте следующую задачу ЛП к виду, необходимому для применения
метода Кармаркара.
М аксимизировать z = і/, + 2у2
У\~ У г - 2,
2j/i + J/2- 4,
Уі’ У г*0 -
3. Выполните еще одну итерацию в примере 7.7.3 и убедитесь, что полученное

решение приблизится к оптимальному.
4. Выполните три итерации алгоритма Кармакара для решения следующей задачи.
М аксимизировать г = 4л:, + х г + х 4
- 2 л : , + 2 л :2 + х 3- х 4 = О,
x t + х 2+ х 3 + х 4 = 1,
л : , , л : 2, х 3, х 4> 0.
5. Выполните три итерации алгоритма Кармаркара для реш ения следующей
задачи ЛП.
М аксимизировать г = 2л:, + л:2
л:, + л:2< 4 ,
л:,, л:2> 0.
1. Bazaraa М., Ja rv is J ., Sherali М. Linear Programming and N etw ork Flows, 2nd ed.,
2. Hooker J . K arm arkar’s Linear Programming Algorithm , Interfaces, Vol. 16, No. 4,
pp. 75-90, 1986.
3. N ering E., Tucker A. Linear Programming and Related Problems, Academic Press,
Boston, 1992.

1. Ашманов С. А. Линейное программирование. — М.: Наука, 1981.
2. Гольштейн Е. Г. Теория двойственности в математическом программировании
и ее приложения. — М.: Наука, 1971.
3. Гольштейн Е. Г., Юдин Д. Б. Линейное программирование: Теория, методы
и прилож ения. — М.: Наука, 1969.
4. Крона Г. Исследование слож ных систем по частям — диакопт ика. — М.:
Н аука, 1972.
7.1. Имеем координаты трех точек:
А = (6, 4, 6, -2 ), В = (4, 12, -4 , 8) и С = (-4 , 0, 8, 4).
Разработайте процедуру, которая позволяла бы определить, является ли
данная точка выпуклой комбинацией заданных точек. С помощью этой
процедуры проверьте, будут ли следующие точки выпуклыми комбинация
ми точек А , В и С.
а) (3 ,5 , 4, 2),
б) (5, 8, 4, 9).
7.2. Рассмотрим следующую задачу ЛП.

Максимизировать z = Зл:, + 2 х г
л:, + 2 х 2< 6,
2л:, + х 2< 8,
-л:, +л:2< 1,
л:,, л:2> 0.
Найдите оптимальное решение этой задачи (можно применить программу
TORA). Затем, используя информацию, представленную в симплекс-
таблице с оптимальным решением, определите второе (по отношению
к “ абсолютному” оптимуму) наилучшее решение (т.е. крайнюю точку про
странства решений). Проверьте ответ, решив эту задачу графически.
СП одсказка. Искомая крайн яя точка будет смежной с точкой, соответст
вующей оптимальному решению.)
7.3. И нт ервальное программирование. Рассмотрим следующую задачу ЛП.
М аксимизировать z = {СХ | L < АХ < U, X > 0},
где L и U — вектор-столбцы констант. Определим вектор Y > 0, такой, что
АХ + Y = U. Покажите, что исходная задача эквивалентна следующей.
М аксимизировать z = {СХ | АХ + Y = U, 0 < Y 0}.
Используя показанный прием, решите следующую задачу ЛП.
Минимизировать z = 5л:, - 4л:2 + 6л:3
20 < л:, + 7л:2 + Зл:3< 46,
10 < Зл:, - л:2 + л:3< 20,
18 < 2л:, + Зл:2 - л:3< 35,
л:,, л:2, л:3> 0.
7.4. Рассмотрим следующую целочисленную задачу ЛП, где переменные при
нимают только значения 0 и 1.
Минимизировать z = {СХ | АХ < b, X = (0,1)}.
Предположим, что известна верхняя граница целевой функции zmhi. Введем
ограничение
min max {|i(b - АХ) + (z™, - СХ)} > 0,
цгод^о.!)*- J
где ц> 0. Это ограничение не нарушает ни одного из ограничений исходной
задачи. Покажите, что определение /л из этого ограничения фактически сво
дится к решению исходной задачи ЛП. (Совет. В данном случае условие це-
лочисленности X = [0 ,1 ] эквивалентно “ непрерывному” ограничению
0 < X < 1. Сформулируйте двойственную задачу.)
7.5. В задаче 7.2 оптимальным решением является л:, = 10/3, л:2 = 4/3 и z = 38/3.
К ак будет изменяться оптимальное значение целевой функции в зависимо
сти от параметра 0, если положить л:, = 10/3 + 0 (на параметр 0 не налагают
ся ограничения в знаке)?
7.6. Предположим, что оптимальное решение задачи ЛП представлено следую

щим образом.
Максимизировать z = с0- ^ (z ; ~cj )xl
)(r N B
х, = х ’ - ^ °V V і = 1, 2 ,..../и,
I * NB
все я. и ї ; > 0 ,
где N B — множество индексов небазисных переменных. Предположим, что
на текущую базисную переменную х, = х' налагается ограничение х. > dt, где
dt — наименьшее целое, большее х‘ ■ После введения этогоограничения
оцените верхнюю границу оптимального значения целевой функции. По
вторите процедуру оценки верхней границы при наложении ограничения
х, < е,, где ej — наибольшее целое, меньше х ] .
7.7. Рассмотрим следующую задачу линейного программирования.
М инимизировать z = (10t - 4) je, + (4 1 - 8) x 2
2 x t + 2x 2 + x 3 = 8,
4jc, + 2 x 2 + x t = 6 - 2 t ,
х х, х г, х 3, х 4>0,
где -o®< t < ° о. С помощью параметрического анализа получены следующие
результаты:
при - ° ° < t< - 5 оптимальный базис: В = (Р,, Р 4),
при —5 < £ < —1 оптимальный базис: В = (Р,, Р 2),
при -1 < t < 2 оптимальный базис: В = (Р2, Р 3).
Найдите все критические значения параметра t при t > 2.
ГЛАВА 8
ЦЕЛЕВОЕ ПРОГРАММИРОВАНИЕ
Модели линейного программирования, рассмотренные в предыдущих главах,
предполагали оптимизацию только одной целевой ф ункции. Но возможны ситуа
ции, когда в модели присутствует несколько (возможно, конфликтующих между
собой) целевых функций. Например, честолюбивый политик может пообещать
уменьшение национального долга и, одновременно, снижение ставок налогов.
В таких ситуациях иногда невозможно найти единственное решение, оптимизи
рующее все конфликтующие целевые функции. Поэтому нужно искать компро
миссное решение, учитывающее “ важность” каждой целевой функции.
В этой главе представлены методы целевого программирования (многокрите
риальной оптимизации)1для решения задач линейного программирования с нескольки
ми целевыми функциями. Основное назначение этих методов— преобразование ис
ходной задачи с несколькими целевыми функциями в задачу ЛП с одной целевой
функцией. После решения преобразованной задачи получаем так называемое эффек
тивное решение, поскольку может не существовать оптимального решения, достав
ляющего оптимум всем частным целевым функциям исходной задачи.
8.1. ФОРМУЛИРОВКА ЗАДАЧИ ЦЕЛЕВОГО

Рассмотрим пример, приводящий к задаче целевого программирования.
Пример 8.1.1
Файрвилл — небольшой городок, в котором проживает около 20 тысяч жителей.
Предположим, городской совет разрабатывает ставки местного налогообложения.
Ежегодная база налогообложения недвижимости составляет 550 миллионов долла
ров. Ежегодная база налогообложения розничных и оптовых продаж составляет 35
и 55 миллионов долларов соответственно. Ежегодное потребление городом бензина
оценивается в 7,5 миллионов галлонов. Городской совет планирует разработать
систему налоговых ставок, основанную на перечисленных базах налогообложения
и учитывающую следующие ограничения и требования.
1 Задачи целевого программирования являются только подклассом задач, решаемых ме

тодами многокритериальной оптимизации. Подходы и методы, применяемые в многокрите
риальной оптимизации, отнюдь не исчерпываются теми методами, которые описаны в этой
главе (см. список литературы в конце главы). — П рим. ред.
382 Глава 8. Целевое программирование
1. Налоговые поступления должны составить не менее 16 миллионов долларов от

всех баз налогообложения.
2. Налог с розничных продаж не может превышать 10% от суммы всех собирае
мых налогов.
3. Налог с оптовых продаж не может превышать 20% от суммы всех налогов.
4. Налог на бензин не может превышать 2 центов за галлон.
Обозначим через хн, хр и хо ставки налогов (выраженные десятичными дробями) на
недвижимость, розничную и оптовую торговлю соответственно, а через хб — налог
па бензин, выраженный в центах на галлон. Пожелания городского совета можно
записать следующим образом.
550хя + 35хр + 55л0+ 0,075xs > 16 (суммарные налоговые поступления)
35*, < 0,1(550хи+ 35хр + 55х0 + 0,075х„) (налог на розничную торговлю)
55хс < 0,2(550хн + 35хр + 55хо+ 0,075ха) (налог на оптовую торговлю)
хб< 2 (налог на бензин)
-V -Ч,> ^ о.
После упрощения получаем три ограничения.
550хя + 35хр + 55хо+ 0,075хв > 16,
55хн - 3 1 ,5хр + 5,5х0+ 0,0075хв > 0,
110хя + 7хр - 44х0+ 0,015xs > 0.
х.< 2,
Хр, х„, х„ > 0.
Каждое из этих неравенств представляет одну из целей городского совета, которую

желательно добиться. Но эти цели могут конфликтовать друг с другом, и в лучшем
случае мы можем попытаться достичь какого-нибудь компромиссного решения.
Способ, которым в целевом программировании достигается компромиссное реше
ние, заклю чается в следующем. Сначала каждое неравенство преобразуется в част
ную задачу, в рамках которой можно удовлетворить данное ограничение. В нашем
случае эти частные задачи записываются так:
550х„ + 35хр + 55хо+ 0,075х„ + sf - s; = 16,
55хи- 3 1,5xp + 5,5x0+ 0,00 75xe + - j; = 0,
110x„ + 7xp - 44x0 + 0,015x„ + j3+ - j 3" = 0.
+ J4+ - J4 = 2.
xp> > 0,
s ', s; > 0 , i = 1, 2, 3, 4.
Неотрицательные переменные s* и s7 называются отклоняющими, поскольку они

показываю т отклонение значений левых частей ограничений от соответствующих
величин правых частей этих ж е ограничений.
Отклоняющие переменные 5,ł и s. зависимы по определению, поэтому они обе од

новременно не могут быть базисными. Это означает, что на любом этапе реш ения
задачи одним из симплексных методов только одна из пары отклоняющ их пере
менных может принимать положительное значение. Если исходное /-е ограничение
является неравенством типа “ <” и s* > 0, то это ограничение выполняется. Если же
s. > 0, то данное ограничение не выполняется. Таким образом, определенные зн а
чения отклоняю щ их переменных s * и либо соответствуют /-є ограничению, либо
нет. Это та гибкость, которая позволяет целевому программированию достичь ком
промиссного реш ения. Естественно, хорошее компромиссное решение минимизи
рует число невыполняемых ограничений.
В нашем примере первые три ограничения являю тся неравенствами типа “ >” ,
а четвертое— неравенством типа “ <” . Вследствие этого положительные значения
отклоняющих переменных s * , 5:+ , Sj и будут указы вать на то, что соответст
вующие ограничения не выполняются. Поэтому ведется поиск такого компромисс
ного реш ения, которое будет удовлетворять по возможности большему числу сле
дующих частных целей (целевых функций).
М инимизировать = j*
М инимизировать G2 = j 2*
Минимизировать G3 = s*
Минимизировать Gt =
Как оптимизировать модель, имеющую несколько конфликтующих целевых

функций? Д ля этого разработано множество разнообразных методов. В данной гл а
ве рассмотрим, во-первых, метод весовых коэффициентов и, во-вторых, метод при
оритетов. Оба метода основаны на приведении множества частных целевых ф унк
ций к одной целевой функции.
УП РАЖ НЕНИЯ 8.1
1. Сформулируйте заново задачу о налогах из примера 8.1.1, предполагая, что

городской совет определил дополнительное ограничение, которое заклю чает
ся в том, что поступления от налога на бензин должны составлять не менее
10% от общих налоговых поступлений.
2. Руководство супермаркета планирует провести несколько специальных ме
роприятий для привлечения потенциальных покупателей. Два основных
(наиболее популярных) мероприятия — эстрадный концерт и выставка ис
кусств и ремесел — посещают практически все слои населения, которые ме
неджеры супермаркета условно разбивают по трем возрастным группам: ти
нэйджеры (подростковая группа), группа среднего возраста (сюда вошла
и молодежь, вышедшая из подросткового возраста) и старш ая возрастная
группа. Стоимость одного концерта и одной выставки составляет 1 500
и 3 ООО долл. соответственно. Общий годовой бюджет этих мероприятий не
должен превыш ать 15 ООО долл. Менеджеры супермаркета оценивают посе
щаемость своих мероприятий следующим образом.
Мероприятие Количество посетителей

Подростки Средняя группа Старшая группа
Концерт 200 100 0

Выставка искусств 0 400 250
Руководство супермаркета желает, чтобы их мероприятия посетило не менее

1000 подростков, 1200 людей из средней возрастной группы и не менее 800 по
тенциальных покупателей старшего возраста. Сформулируйте модель целе
вого программирования.
3. Университет Озарк проводит прием студентов. Всех поступающих можно
разбить на три категории: жители данного штата, приезжие из других шта
тов и поступающие из других стран. Соотношения между мужчинами
и женщ инами среди поступающих данного ш тата и других штатов равны со
ответственно 1 :1 и 3 : 2. Д ля “ международных” студентов это соотношение
составляет 8 : 1 . При зачислении студентов на первый курс одним из основ
ных факторов, влияю щ их на зачисление, является средний балл ACT
(American College Test — Американский тест для поступающих в колледж).
Статистика, накопленная университетом, свидетельствует, что средний балл
ACT равен 27, 26 и 23 соответственно для поступающих данного штата, дру
гих штатов и других стран. Приемная комиссия университета при приеме
первокурсников ж елает добиться следующего.
a) На первый курс желательно принять не менее 1200 студентов.
b ) Средний балл ACT всех первокурсников должен быть не ниж е 25.
c) Студенты-неамериканцы должны составлять не менее 10% от всего коли
чества первокурсников.
d) Отношение количества женщ ин и мужчин желательно не менее 3 : 4 .
e) Среди всех принятых на первый курс жители других штатов должны со
ставлять не менее 20% .
Сформулируйте данную проблему как модель целевого программирования.
4. Птицефабрика ежедневно потребляет 3 тонны специальных кормов. Кормо
вая смесь состоит из известняка, зерна и соевой муки и должна удовлетво
рять требованиям рационального питания:
кальций — не менее 0,8 и не более 1,2% ,
белок — не менее 22% ,
клет чат ка — не более 5% .
В следующей таблице приведен состав ингредиентов кормовой смеси.
Кальций Белок Клетчатка

Ингредиент (в фунтах на фунт ингредиента)
Известняк 0,380 0,00 0,00
Зерно 0,001 0,09 0,02
Соевая мука 0,002 0,50 0,08
Сформулируйте модель целевого программирования. Как вы думаете, стоит

ли в данной ситуации применять модель целевого программирования?
5. Фабрика игрушек производит детские тележки, для которых на стадии ко

нечной сборки необходимы четыре колеса и два сиденья. На фабрике работа
организована в три смены, причем в течение одной рабочей смены произво
дится несколько партий колес и сидений. В следующей таблице показаны
объемы партий изделий в зависимости от рабочей смены.
Смена Количество изделий в партии
Колеса Сиденья
1 500 300
2 600 280
3 640 360
В идеале количество произведенных колес должно точно в два раза превы

шать количество произведенных сидений (напомним, что на каждую тележ
ку идет четыре колеса и два сиденья). Но так как число произведенных изде
лий колеблется от смены к смене, невозможно обеспечить точный баланс
между количествами произведенных колес и сидений. Ф абрика планирует
определить, какое количество партий изделий необходимо изготовлять к а ж
дую смену, чтобы свести к минимуму дисбаланс между произведенными ко
лесами и сидениями. В первую смену можно произвести 4 или 5 партий изде
лий, во вторую — от 10 до 20 партий, а в третью — от 3 до 5. Сформулируйте
задачу целевого программирования.
6. Завод продает четыре типа изделий, для производства которых используются
токарный и сверлильный станки. Каждый из этих станков может работать
10 часов в рабочий день. В следующей таблице показано, сколько минут ра
бочего времени необходимо для изготовления изделия каждого типа.
Изделие Токарный станок Сверлильный станок
1 5 3
2 6 2
3 4 6
4 7 4
Завод пытается сбалансировать время использования станков таким обра

зом, чтобы разность между полными временами работы станков не превы
ш ала 30 минут. Спрос на изделия каждого типа составляет не менее 10
единиц. Кроме того, количество изделий первого типа не может превыш ать
количество изделий второго типа. Сформулируйте задачу целевого про
7. Производство двух изделий требует двух последовательных операций. В сле
дующей таблице показано время (в минутах) выполнения каждой операции
при изготовлении изделий.
Операция Изделие 1 Изделие 2
1 5 3
2 6 2
Ежедневная квота на производство первого и второго изделий составляет со

ответственно 80 и 60 единиц. На выполнение каждой операции отводится по
8 часов в рабочий день. Сверхурочные работы не желательны, хотя при необ
ходимости, чтобы выполнить производственный план, их можно применять.
Сформулируйте задачу целевого программирования.
8. Городская больница планирует организовать для больных кратковременный
(до 4 дней) стационар на свободных местах. Предполагается, что в течение 4-
дневного периода будет 30, 25 и 20 больных, которым потребуется 1-, 2- и 3-
дневный стационар. Такж е рассчитано, что на тот же период будет свободно
20, 30, 30 и 30 мест соответственно. Используйте целевое программирование,
чтобы вычислить максимальное и минимальное количество больных, кото
рых можно принять на кратковременное лечение.
9. Семейство Траппов собирается переезжать в новый город, где оба супруга
нашли новую работу. Сейчас они пытаются определить идеальное местопо
ложение своего нового дома, составив список своих пожеланий:
а) новый дом должен быть как можно ближе к месту работы м-ра Траппа
(в пределах четверти мили),
б) дом долж ен бы ть к а к мож но дал ьш е от ш умного аэропорта (не ближе
10 миль),
в) желательно, чтобы в пределах одной мили от дома был супермаркет.
Д ля решения своей задачи супруги нанесли на карту города координатную
сетку и пометили место работы, аэропорт и супермаркет. Получили следую
щие их координаты: место работы — (1, 1), аэропорт— (2 0 ,1 5 ), супермар
кет — (4, 7) (все расстояния приведены в милях). Сформулируйте задачу це
левого программирования. (П рим ечание. Ограничения не обязательно
долж ны быть линейными.)
10. Регрессионный анализ. Предположим, что в лабораторном эксперименте ка
ждому значению уі независимого параметра у соответствует п измерений х ,
i = l , 2 , ..., т, j = 1, 2, ..., п, зависимой величины х. Требуется построить ли
нию регрессии, проходящую через экспериментальные точки. Обозначим че
рез br j = 0, 1, ..., п, коэффициенты уравнения регрессии. Коэффициенты
находятся из условия минимума суммы абсолютных значений разностей на
блюдаемых и расчетных (т.е. рассчитанных на основании уравнения регрес
сии) значений зависимой величины. Сформулируйте эту задачу в виде моде
ли целевого программирования.
11. Задача Чебышева. Здесь, в отличие от предыдущей задачи, коэффициенты
регрессии находятся из условия минимизации максимума абсолютных зна
чений разностей наблюдаемых и расчетных значений зависимой величины.
Сформулируйте задачу целевого программирования.
8.2. АЛГОРИТМЫ ЦЕЛЕВОГО ПРОГРАММИРОВАНИЯ

В этом разделе представлены два метода реш ения задач целевого программиро
вания. Оба метода основаны на сведении множества частных целей к одной целевой
функции. В методе весовых коэф ф ициентов единственная целевая функция фор
мируется как взвешенная сумма исходных частных целевых функций. В методе
приоритетов на частные цели устанавливаются приоритеты в порядке их важности.
Исходная задача решается путем последовательного решения ряда задач Л П с од

ной целевой функцией таким образом, что решение задачи с низкоприоритетной
целью не может “ испортить” оптимального значения целевой функции с более вы
соким приоритетом.
Эти методы различны по своей природе и в общем случае дают оптимальные ре
шения, не совпадающие между собой. Вместе с тем нельзя сказать, что один из этих
методов лучше другого; в сущности, они предназначены для решения задач с раз
ными предпочтениями в процессе принятия решений.
8.2.1. Метод весовых коэффициентов

Предположим, что модель целевого программирования имеет п целей следую
щего вида.
Минимизировать G,, i= 1, 2 ,..., я.
В методе весовых коэффициентов обобщенная целевая ф ункция определяется
М инимизировать г = wlGl + w2G2 + ... + wnGn.
Здесь wt (і = 1, 2, ..., я ) — положительные весовые коэффициенты, которые ото
бражают предпочтения, отдаваемые каждой цели. Например, вариант wt = 1 для
всех і говорит о равнозначности всех целей. Задание значений весовым коэффици
ентам очень субъективно. В настоящее время разработаны различные методы
(см. [1]), которые уменьшают субъективный фактор при определении весовых ко
эффициентов.
Пример 8.2.1
Новое рекламное агентство, в составе которого 10 рекламных агентов, получило
контракт на рекламу нового продукта. Агентство может провести рекламную а к
цию на радио и телевидении. В следующей таблице приведены данные о количестве
людей, охватываемых тем или иным видом рекламы, стоимость этой рекламы
и количество необходимых рекламных агентов. Все эти данные отнесены к одной
минуте рекламного времени.
Радио Телевидение
Рекламная аудитория (млн. чел.) 4 8
Стоимость (тыс. долл.) 8 24
Количество рекламных агентов 1 2
Реклама на радио и телевидении должна охватить не менее 45 миллионов человек

(так называемая рекламная аудитория), но контракт запрещает использовать более
6 минут рекламы на радио. Рекламное агентство может выделить на этот проект
бюджет, не превышающий 100 ООО долл. Сколько минут рекламного времени
агентство должно купить на радио и сколько на телевидении?
Обозначим через хг и х2 количество минут рекламного времени, закупленного соот
ветственно на радио и телевидении. Д ля данной задачи целевого программирова
ния можно задать следующие частные целевые функции.
Минимизировать Gx = (для выполнения условия по рекламной аудитории),
минимизировать G2= jj (для выполнения условия по бюджету)

Ахх + 8х, + j,+ - sj = 45 (условие по рекламной аудитории),

8х1+ 24хг + s2 - si = 100 (условия по бюджету),
х 1+ 2х2 < 10 (ограничение по рекламным агентам),
x t <6 (ограничение на рекламу по радио),
Х г, Х г , S* , 5j" , J j , s ; > 0 .
Менеджеры рекламного агентства считают, что выполнение условия по объему

рекламной аудитории в два раза важнее, чем выполнение условия по бюджету. По
этому обобщенная целевая функция будет записана следующим образом.
М инимизировать г = 2G, + G2 = 2 s * + j " .
Оптимальное решение этой задачи (полученное с помощью программы TORA) сле
дующее: г = 10, хх — 5 минут, х2 = 2,5 минуты, j,+ = 5 миллионов человек. Остальные
переменные равны нулю.
Тот факт, что оптимальное значение целевой функции не равно нулю, указывает,
что по крайней мере одна из исходных целевых функций не достигла своего опти
мального значения. Действительно, так как j ,+ = 5, значит, объем рекламной ауди
тории меньше запланированного на 5 миллионов. При этом условие по бюджету
выполнено, поскольку 5, = 0.
Еще раз повторим, что методы целевого программирования позволяют получить
только эффективное реш ение задачи, которое не всегда будет оптимальным. На
пример, решение x t = 6 и хг = 2 дает такой же объем рекламной аудитории (4 x 6 +
8 x 2 = 40 миллионов человек), но при меньшей стоимости рекламной кампании
( 8 x 6 + 24 х 2 = 96 000 долл.). Существенно, что методы целевого программирова
ния в общем случае не находят оптимум каждой целевой функции исходной моде
ли. Этот “ дефект” методов целевого программирования поднимает общий вопрос
о “ жизнеспособности” целевого программирования в качестве технологии оптими
зации (дальнейшее обсуждение этого вопроса см. в примере 8.2.3).
1. Реш ите задачу из упражнения 8.1.1, предполагая, что в обобщенную целе
вую функцию все частные целевые функции входят с одинаковыми весовыми
коэффициентами. Будет ли в этом случае достигнут оптимум всех частных
целевых функций?
2. Пусть в задаче упражнения 8.1.2 привлечение посетителей средней возрастной
группы в два раза важнее, чем привлечение посетителей других возрастных
групп. Найдите соответствующее решение и проверьте, будет ли достигнут
оптимум всех частных целевых функций.
3. Пусть в задаче о приеме студентов на первый курс университета (см. уп раж

нение 8.1.3) ограничение, касающееся общего количества приняты х перво
курсников, должно быть выполнено обязательно, остальные ограничения не
являю тся жесткими. Кроме того, считаем, что ограничение на средний балл
ACT в два раза важнее, чем остальные ограничения. .
a) Реш ите данную задачу и проверьте, все ли частные целевые функции дос
тигнут своего оптимума.
b ) Пусть ограничение на количество приняты х первокурсников не является
ж естким, но все равно имеет в два раза важнее, чем ограничение на сред
ний балл ACT. Как в этом случае изменится решение?
4. Можно ли в условиях задачи из упраж нения 8.1.4 удовлетворить всем требо
ваниям рационального питания?
5. Найдите решение задачи из упражнения 8.1.5 и определите, можно ли сба
лансировать ежедневное производство колес и сидений.
6. В задаче из упражнения 8.1.6 выполнение ограничения, касающегося удов
летворения спроса на изделия, считается в два раза важнее, чем сбалансиро
ванность рабочего времени станков. Пусть такж е допустимы сверхурочные
работы. Реш ите эту задачу и проверьте, все ли частные целевые функции
достигнут своего оптимума.
7. В задаче из упражнения 8.1.7 производственные квоты должны быть реали
зованы в любом случае; при необходимости можно использовать сверхуроч
ные работы. Найдите решение этой задачи и определите объем сверхурочных
работ, если они используются.
8. Пусть в задаче из упражнения 8.1.8 все частные целевые функции в вы раж е
нии обобщенной целевой функции имеют равные весовые коэффициенты.
Могут ли все частные целевые функции достичь своего оптимума?
9. Отдел кадров компании составил следующую таблицу о своих пяти работни
ках, чтобы установить зависимость между заработком работника и его воз
растом, образованием (выражается в количестве лет, проведенных в коллед
же) и опытом (количество лет работы в компании).
Возраст (года) Образование (года) Опыт (года) Заработок (долл.)
30 4 5 40 000
39 5 10 48 000
44 2 14 38 000
48 0 18 36 000
37 3 9 41 000
Используя формулировку задачи целевого программирования из упражне

ния 8.1.10, постройте уравнение линейной регрессии у —Ь0 + Ь1х х + Ьгх г + Ь3х 3
на основе данных этой таблицы.
10. Решите предыдущую задачу, используя условие Чебышева из упражне
ния 8.1.11.
8.2.2. Метод приоритетов

В методе приоритетов п частных целевых функций ранжируются в порядке их
важности, так как их оценивает специалист по принятию решений, т.е.
минимизировать Gx = р х (наивысший приоритет),
минимизировать G„ = рп (наинизш ий приоритет).

Переменные $ — это компоненты отклоняю щ их переменных, т.е. 5- ИЛИ s7 , ко
торые определяю т і-ю ц елевую функцию . Например, в задаче из примера 8.2.1
Рх = ИР г = •
В методе приоритетов поочередно решаются задачи с одной целевой функцией,
начиная с задачи с целевой функцией Gx, имеющей наивысший приоритет, и закан
чивая задачей с целевой функцией Gn, имеющей минимальный приоритет. В процессе
реш ения последовательных задач решение задачи с целевой функцией, имеющей бо
лее низкий приоритет, не может ухудш ить полученные ранее реш ения задач с целе
вой функцией, имеющих более высокий приоритет. Это означает, что если z(G) —
оптимальное значение целевой функции Gt, то для всех і > 1 оптимизация любой це
левой функции G; (J> i)c меньшим приоритетом не может ухудшить значение z(G).
В литературе по целевому программированию описан “ специальный” симплекс-
метод, который гарантирует неухудшаемость решений задач с целевыми функциями
более высокого приоритета. Этот метод использует правило исключения столбцов,
которое применяется для удаления из оптимальной симплекс-таблицы задачи с целевой
функцией Gk небазисной переменной х } с z. - с. * 0 до начала реш ения задачи с це
левой функцией Gł+1. Это правило распознает, что небазисная переменная х., если она
получит ненулевое значение, может ухудшить (но никогда не улучшит) оптимальное
значение задачи с целевой функцией, имеющей более высокий приоритет.
К сожалению, этот метод изменения симплекс-таблиц требует более сложных
вычислений, чем необходимо на самом деле. Мы покаж ем, что такого же результа
та можно достичь более простым способом.
Этап 0. Определяем частные целевые функции задачи и ранжируем их в по
рядке приоритетов: Gx= рх>- G2= р2у . . . у G„ = рп. Положим і = 1.
Этап і. Решаем і-ю задачу ЛП с целевой функцией G,. Обозначим через р'
полученное оптимальное значение отклоняющей переменной pt.
Если і = п, вычисления заканчиваются, поскольку решена послед
н яя п -я задача. В противном случае вводим в задачу новое ограни
чение pt = р*, тогда значение pt не сможет измениться при решении
последующих задач. Полагаем і = і + 1 и повторяем этап і.
Последовательное введение дополнительных ограничений вида pt = р* теорети

чески не так “ элегантно” , как правило исклю чения столбцов. Однако это приводит
точно к такому ж е результату. Кроме того, обоснование введения дополнительных
ограничений совершенно очевидно и понятно.
Определенным аргументом в пользу правила исключения столбцов может слу
ж ить то, что при использовании этого правила происходит удаление переменной,
т.е. уменьшается размерность задачи. В то же время описанная выше процедура
увеличивает размерность задачи при добавлении новых ограничений. Но если пов
нимательнее присмотреться к этим ограничениям (вида pt = р*), то легко изменить
вычисления таким образом, чтобы это ограничение учитывалось непосредственно

путем подстановки значения р' вместо переменной р , что такж е уменьшает коли
чество переменных в задаче. (Можно такж е использовать метод решения задач ЛП
с ограниченными переменными из раздела 7.3 для выполнения замены р = р ‘ ,
предполагая при этом ограничение вида р, < р‘ .) С этой точки зрения правило ис
ключения столбцов, если отвлечься от его теоретической привлекательности, не
имеет особых вычислительных преимуществ по сравнению с описанной выше про
цедурой. Но ради объективности мы продемонстрируем, как работает правило ис
ключения столбцов в примере 8.2.3. В следующем примере покажем использование
описанной выше упрощенной процедуры реш ения задач с приоритетами.
Пример 8.2.2
Решим методом приоритетов задачу из примера 8.2.1. Предположим, что наи
больший приоритет имеет частная целевая ф ункция, соответствующая условию,
налагаемому на объем рекламной аудитории.
Этап 0. Gt >- G2, где
G,: минимизировать j* (условие по рекламной аудитории),
G2: минимизировать si (условие по бюджету).
Этап 1. Решаем первую задачу ЛП.
М инимизировать Gt = s*
4хг + 8 х 2 + j,ł - 5j~ = 45 (условие по рекламной аудитории),
8jc, + 24jc2+ si - si = 100 (условие по бюджету),
х х + 2 х 2 < 10 (ограничение по рекламным агентам),
хх < 6 (ограничение на рекламу по радио),
x v x 2, s * , j~ , s i , s~2 > 0 .
Оптимальное решение этой задачи (найденное с помощью про

граммы TORA) составляет ^ = 5 минут, х2= 2,5 минуты, j,* = 5
миллионов человек, остальные переменные равны нулю. Решение
показывает, что условие по объему рекламной аудитории не вы
полняется с дефицитом в 5 млн. чел.
В этой задаче мы имеем р х = s*. Поэтому в следующей задаче доба
вим ограничение j,+ = 5 .
Этап 2. Теперь необходимо решить вторую задачу ЛП.
М инимизировать G2= si
при выполнении тех же ограничений, что и в предыдущей задаче,
плюс дополнительное ограничение 5j+ = 5. Мы можем решить эту
задачу, используя, как и на предыдущем этапе, программу TORA,
и добавив с помощью опции MODIFY (Изменить) новое ограничение.
Но в данном случае в решении второй задачи нет необходимости, поскольку уже

в решении первой имеем j ; = 0. Следовательно, решение первой задачи автомати
чески является оптимальным решением второй (можете проверить это утвержде
ние с помощью программы TORA). Решение jj = 0 показывает, что ограничение,
касающееся бюджета рекламной компании, выполняется.
Дополнительное ограничение —5 можно такж е учесть путем подстановки значе
ния 5 вместо переменной j,+ в первое ограничение. В результате правая часть этого
неравенства изменится со значения 45 на 40. Получим следующую задачу ЛП.
М инимизировать G2 = jj
4j c 1+ 8х2 - 5|” = 40 ,
8jc1 + 2 4 х 2 + si - si = 100,
х х+ 2х2 < 10,
х ,< 6 ,
Х1УХ2, 5, , s l, s; > 0.
В новой формулировке этой задачи на одну переменную меньше, чем в первой задаче.
Теперь мы используем ту же задачу, чтобы показать, что наилучшее решение

получается тогда, когда в методе приоритетов используется оптимизация
“ настоящ их” целевых функций, а не тех целевых функций, которые строятся
только для того, чтобы выполнялись определенные ограничения. Следующий при
мер такж е демонстрирует правило исклю чения столбцов при решении задач целе
вого программирования.
Пример 8.2.3
Цели, поставленные в задаче из примера 8 .2 .2 , можно переформулировать сле
Ц ель 1. М аксимизировать объем рекламной аудитории (Z5,).
Цель 2. М инимизировать стоимость рекламной кампании (Р2).
Математически эти цели можно выразить с помощью следующих целевых функций.
М аксимизировать Р х = 4jc1 + 8хг,
м и н и м и зи ровать^ = 8 ^ + 24х2.
Отдельные ограничения на желаемый объем рекламной аудитории и стоимость
рекламной кампании в данном случае излиш ни, поскольку для этих величин мы
получим границы после решения соответствующих задач.
Получили новую задачу.
М а к с и м и з и р о в а т ь = 4 х 1 + 8 х 2,
минимизировать Р2 = 8х1 + 24jc2
дг, + 2 х 2 < 1 0 ,
дг,<6,
дг,,дг2>0.
Сначала решим эту задачу с помощью процедуры, описанной в примере 8.2.2.
Этап 1. Решаем первую задачу ЛП.
М аксимизировать Z5, = 4дс, + 8дг2
дг, + 2х2< 10,
дг, <6,
дг,, д*2 > 0 .
Оптимальное решение этой задачи (полученное с помощью программы TORA) со

ставляет дг, = 0, дг2 = 5 и Рх = 40. Отсюда видно, что объем рекламной аудитории не
может превысить 40 миллионов человек.
Этап 2. Добавим ограничение 4дс, + 8дг2>40, которое гарантирует, что решение, полу
ченное на предыдущем этапе, не будет ухудшено, и решаем следующую задачу ЛП.
М инимизировать Л, = 8л:, + 24хг
дг, + 2х 2 < 1 0 ,
дг, < 6,
4дс, + 8 дг2 > 40,
дг,,дг2> 0.
Программа TORA дает следующее оптимальное решение этой задачи:
Р2= 96 ООО долл., дг, = 6 минут и дг2 = 2 минуты. Мы получили тот же объем реклам
ной аудитории (Рх = 40 млн. чел.), но за меньшую стоимость. Это результат того,
что здесь мы искали оптимальные значения соответствующих величин, а не просто
удовлетворяли ограничениям, как в примере 8.2.2.
Теперь решим ту же задачу, используя правило исключения столбцов. Это правило
применяется последовательно к строкам симплекс-таблицы, соответствующим ча
стным целевым функциям.
Первая задача ЛП. М аксим изация объема реклам ной аудитории. При решении
этой задачи симплекс-таблица содержит строки, соответствующие как целевой
функции Pv так и целевой функции Р2. Строка целевой функции Р2 пока играет
пассивную роль, но будет изменена перед решением второй задачи ЛП.
Первая задача решается за две симплексные итерации, как показано в следующей
таблице.
Нижняя часть этой таблицы показывает оптимальное решение дг, = 0, дг2 = 5 и Рх = 40
первой задачи.
Итерация Базис *1 хг S1 S2 Решение

1 Ї A/-'1 Pt.:-.. ■ -4 -8 ^ J lllii 0
Рг -8 -2 4 0 0 0
Si 1 2 1 0 10
s2 1 0 0 1 6
2 Р\ 0 0 4 0 40
Рг 4 0 12 0 120
Хг 1/2 1 ч, 1/2 • 0 5
S2 1 0 1 6
Правило исклю чения столбцов применяется перед решением второй задачи для
удаления из симплекс-таблицы с оптимальным решением первой задачи небазис
ной переменной X j , ДЛЯ которой Zj - Cj Ф0. Такие переменные, приняв положитель
ные значения в задаче с более низким приоритетом, ухудшают решение задач с бо
лее высоким приоритетом.
Вторая задача ЛП. М иним изация стоимости реклам ной кампании. Правило ис
клю чения столбцов удаляет переменную sv для которой г, - с, = 4. Из /^-строки
приведенной выше симплекс-таблицы видно, что если не удалить переменную і,, то
на первой итерации реш ения второй задачи она долж на войти в базис, при этом из
базиса будет исключена переменная хг После этого будет получено оптимальное
решение второй задачи (в этом решении х1= х г = 0), которое ухудшает оптимальное
решение первой, поскольку теперь Рх = 0 вместо Рх = 40, к ак было ранее.
В данном случае вторая задача ЛП является задачей минимизации. После удале
ния переменной 5, в базис вводится небазисная переменная х, со значением разно
сти Zj - Cj, равным 4 (> 0), что может улучш ить значение целевой функции Рг.
В следующей симплекс-таблице показаны две итерации решения второй задачи
ЛП. /^-строку можно удалить из этой таблицы, так к ак она не участвует в процессе
поиска оптимального реш ения задачи с целевой функцией Рг.
Итерация Базис хі хгSiвгРеш

Pi 40
1 -■ " 'Р г * 4 0 0 120
хг 1/2 1 0 5
S2 1 0 1 6
Pi 40
2 Рг 0 0 -4 96
хг 0 1 -1 /2 2
*1 1 0 1 6
Полученное здесь оптимальное решение (jc, = 6, хг = 2) со значениями целевых

функций Рх = 40 и Рг = 96 такое же, как и полученное ранее.
1. Пусть в задаче из примера 8.2.2 бюджет рекламной компании возрос до
110 ООО долл. Ж елаемы й объем рекламной аудитории остался неизмен
ным — 45 млн. чел. Найдите решение данной задачи методом приоритетов.
2. Решите задачу из упраж нения 8.1.1, используя следующую иерархию при
оритетов частных целевых функций: G, у G3 у G3 у Gt.
3. Вернитесь к задаче из упражнения 8.1.2. Пусть частные целевые функции,
описывающие количество привлеченных посетителей подросткового, средне
го и старшего возрастов, обозначаются соответственно G,, и G3. Решите эту
задачу при следующих иерархиях приоритетов частных целевых функций:
a) Gt у G3 у G3,
b) G3 y Ог у <?,.
4. С помощью метода приоритетов решите задачу из упражнения 8.1.3, предпо
лагая, что порядок приоритетов частных целевых функций совпадает с по
рядком их описания в задаче.
1. Cohon Т. L. M ultiobjective Program m ing and Planning. Academic Press, New
York, 1978.
2. Ignizio J . P ., Cavalier T.M. L inear Programming. Prentice-H all, U pper Saddle
River, N J, 1994.
3. Steuer R. E. M ultiple Criteria O ptimization: Theory, Computations, and Applica
tion, W iley, New York, 1986.

1. П оляк Б. Т. Введение в оптимизацию. — М.: Наука, 1983.
2. Поспелов Г. С., Ириков В. А. Программно-целевое планирование и управле
ние. — М.: Сов. радио, 1976.
3. Соболь И. М., Статников Р. Б. Выбор опт имальны х параметров в задачах со
многими критериями. — М.: Наука, 1981.
4. Сухарев А. Г., Тимохов А. В., Федоров В. В. Курс методов опт имизации. — М.:
Наука, 1986.
8.1. 1 Лесозаготовительная компания использует три участка леса площадью
100 ООО, 180 ООО и 200 000 акров для заготовки древесины и последующих ле
сопосадок. Древесная продукция компании разбита на три основные катего
рии: пиломатериал, клееная фанера и древесная измельченная масса. Для
каждого участка лесного массива возможны различные альтернативные ва
рианты его эксплуатации, которые различаются стоимостью разработок,
арендной платой, периодом чередования вырубок и лесопосадок, объемом
произведенной продукции. Эти альтернативы показаны в следующей таблице.
1 Задача основана на материалах статьи Rustagi К .Р . Forest M ana g em en t P lan n in g fo r Timber

Prodaction: A Goal P ro g ra m m in g A p p ro a ch , B ulletin No. 89, Y ale U n iversity, New H aven, 1976.
долл. в год/акр Период м3 в год/акр
Участок Альтернатива Стоимость Аренда чередова- Пиломатериалы Фанера Древесная

ния (годы) масса
А1 1000 160 20 12 0 0
А2 800 117 25 10 0 0
АЗ 1500 140 40 5 6 0
А4 1200 195 15 4 7 0
А5 1300 182 40 3 0 7
А6 1200 180 40 2 0 6
А7 1500 135 50 3 0 5
А1 1000 102 20 9 0 0
А2 800 55 25 8 0 0
АЗ 1500 95 40 2 5 0
А4 1200 120 15 3 4 0
А5 1300 100 40 2 0 5
А6 1200 90 40 2 0 4
А1 1000 60 20 7 0 0
А2 800 48 25 6 4 0
АЗ 1500 60 40 2 0 4
А4 1200 65 15 2 0 3
А5 1300 35 40 1 0 5
Д ля гарантии будущего производства необходимо, чтобы на каж ды й акр ле

са, выведенный из использования, приходилось столько же выведенных из
использования акров леса, каков период чередования вырубок и лесопоса
док. Арендная плата — это собираемая плата на порубку леса.
Компания преследует следующие цели.
Ежегодное производство пиломатериалов, фанеры и древесной массы должно
быть не менее 200 ООО, 150 ООО и 350 ООО кубических метров соответственно.
1. Ежегодный бюджет на восстановление леса составляет 2,5 млн. долл.
2. Ежегодная арендная плата долж на составлять 100 долл. за акр.
Какой вариант эксплуатации для каждого участка леса следует выбрать?
8.2. Благотворительная организация помогает детскому приюту. Для этого она
привлекает волонтеров ежедневно с 8 до 14 часов. Волонтеры могут начать
работу в любое время с 8 до 11 часов. Длительность работы волонтера не более
6 и не менее 2 часов. С 12 до 13 часов обеденное время. Благотворительная ор
ганизация считает, что в приюте ежедневно необходимо 15 волонтеров для
работы с 8 до 9, 16 волонтеров — с 9 до 10, 18 волонтеров — с 10 до 11, 20 во
лонтеров — с 11 до 12 и 16 волонтеров — с 12 до 14 часов (но это работа на
один час, так как с 12 до 13 обеденное время). Здесь частными целевыми
функциями могут быть волонтеры (т.е. их количество), работающие в течение
каждого часа с 8 до 14. Цель всей задачи — определить количество волонтеров,
приступающих к работе в начале каждого часа, и длительность их работы.
Сформулируйте и решите эту задачу как задачу целевого программирования.
ГЛАВА 9
ЦЕЛОЧИСЛЕННОЕ ЛИНЕЙНОЕ
Целочисленное линейное программирование (ЦЛП) ориентировано на решение
задач линейного программирования, в которых все или некоторые переменные
должны принимать целочисленные (или дискретные) значения. Несмотря на ин
тенсивные исследования, проводимые на протяжении последних десятилетий, и з
вестные вычислительные методы решения задач ЦЛП далеки от совершенства. На
сегодня не существует надежных вычислительных алгоритмов решения таких задач.
В настоящей главе рассматриваются сначала примеры задач целочисленного
программирования, а затем методы их решения.
9.1. ПРИМЕРЫ ЗАДАЧ ЦЕЛОЧИСЛЕННОГО

Рассмотрим сначала простые практические задачи, которые сводятся к задачам
ЦЛП, затем обратимся к более сложным. Д ля удобства задачи, в которых все пере
менные должны быть целочисленными, называются полностью целочисленными,
а задачи, в которых лиш ь некоторые переменные должны принимать
целочисленные значения, — частично-целочисленными.
Пример 9.1.1. Распределение капиталовложений

Оценивается пять проектов с точки зрения их возможного финансирования на пред
стоящий трехлетний период. Следующая таблица содержит ожидаемую прибыль от реа
лизации каждого проекта и распределение необходимых капиталовложений по годам.
Расходы (млн. долл./год) Прибыль
Проект 1-й год 2-й год 3-й год (млн. долл.)
1 5 1 8 20
2 4 7 10 40
3 3 9 2 20
4 7 4 1 15
5 8 6 10 30
Доступный капитал 25 25 25
(млн. долл.)
398 Глава 9. Целочисленное линейное программирование
Предполагается, что каж ды й утвержденный проект Ьудет реализован за трехлет

ний период. Необходимо определить совокупность проектов, которой соответствует
максимум суммарной прибыли.
Задача сводится к решению типа “да-н ет” относительно каждого проекта. Опреде
лим двоичные переменные х
fi, если проект j утвержден,
X: = <
[О, если проект j не утвержден.
Задача ЦЛП будет записана следующим образом.
М аксимизировать z = 20х, + 4 0 хг + 20х3 + 15х4 + 30х5
5х, + 4 х 2 + Зх3+ 7xt + 8х5< 25,
х, + 7хг + 9х3 + 4 х 4 + 6xs < 25,
8х, + 10хг + 2х3 + х 4 + 10;с5< 25,
x v х 2, х 3, х 4, х 5 = 0 или 1.
Оптимальным целочисленным решением (полученным с помощью программы
TORA1) является х х = х г = х 3 = х 4= 1, х ъ = 0 с z = 95 млн. долл. Это решение означа
ет, что необходимо выбрать для финансирования все проекты, кроме пятого.
Интересно сравнить решение данной задачи ЦЛ П с решением “ обычной” задачи
ЛП с теми ж е ограничениями, но без условия целочисленности переменных. За
дача линейного программирования получается в результате замены условия ж = 0
или 1 на ограничение 0<Xj < 1 для всех j. Эта задача имеет решение х, = 0,5789,
х г = х 3 = х 4 = 1, х ъ = 0,7368 и 2 = 108,68 млн. долл. Такое решение с точки зрения
целочисленной задачи лиш ено смысла, так к а к две переменные принимают дроб
ное значение. Можно было бы попытаться округлить полученный результат, что
привело бы к х, = x s = 1. Полученное при этом решение является недопустимым,
так к ак наруш аю тся ограничения задачи. Более существенным в этой ситуации
является то, что округление применят ь нельзя, так к ак Xj представляет решение
типа “ д а -н е т ” , для которого дробные значения лиш ены смысла.
1. В модели распределения капиталовложений из примера 9.1.1 предположим,
что проект 5 должен быть обязательно выбран, если выбирается либо проект
1, либо 3. Измените математическую модель, включив в нее новое ограниче
ние, и решите полученную задачу с помощью программы TORA.
2. Рассмотрите задачу о загрузке самолета грузами пяти типов. Вес объем
и,, а так ж е стоимость г, единицы груза каж дого типа приведены в следую
щей таблице.
1Для решения задач ЦЛП в программе TORA из основного меню выберите команду Inte
ger Programming (Целочисленное программирование). После ввода исходных данных (файл
Ch9ToraCapitalBudgetEx9-l-l.txt) перейдите в выходное окно и для получения оптимально
го решения выберите Automated В&В (Автоматические вычисления методом ветвей и границ).
2Задачи 3-6 в адаптированном виде заимствованы из книги Malba Tahan. El Hombre Que
Calculaba, Editorial Limusa, Mexico City, 1994, pp. 39-182.
Груз і Вес единицы груза, Объем единицы груза, Стоимость единицы груза,
IV,- (тонны) vi (куб. ярд) п (100 долл.)
1 5 1 4
2 8 8 7
3 3 6 6
4 2 5 5
5 7 4 4
Максимальная грузоподъемность и объем самолета равны 112 тонн и 109 куб.

ярдов соответственно. Сформулируйте в виде модели ЦЛП задачу определе
ния набора грузов, обеспечивающего максимальную стоимость груза,
и найдите решение с помощью программы TORA.
3. Пусть есть 7 полных бутылок вина, 7 бутылок, заполненны х наполовину,
и 7 пустых бутылок. Необходимо распределить 21 бутылку между тремя пер
сонами так, чтобы каж ды й получил 7 бутылок. В то же время каж ды й дол
жен получить одинаковое количество вина. Сформулируйте эту задачу в виде
задачи ЦЛП с ограничениями в виде равенств и найдите решение, используя
программу TORA. (Совет. Используйте фиктивную целевую функцию, все
коэффициенты которой равны нулю.)
4. Эксцентричный шейх оставил завещ ание относительно распределения ста
да верблюдов между тремя детьми: Тарик получает не менее половины ста
да, Ш ариф - не менее одной трети, а Майса — по меньшей мере одну девя
тую часть. Остаток завещ ался благотворительной организации.
В завещ ании не упоминался размер стада, говорилось лиш ь, что количест
во верблюдов — число нечетное и благотворительная организация получа
ет в точности одного верблюда. Сколько верблюдов оставил шейх и сколько
получил каж ды й из его детей?
5. Супружеская пара фермеров посылает трех своих сыновей на базар продать
90 яблок, чтобы обучить их числам и обращению с деньгами. Самый старший
Джим получил для продажи 50 яблок, Билл (средний) — 30 и самый млад
ший Д ж о н — лиш ь 10. Родители поставили пять условий. 1. Цена яблок
должна быть равна либо 1 долл. за 7 яблок, либо 3 долл. за 1 яблоко. 2. К аж
дый ребенок может использовать один или оба варианта цен. 3. Все дети
должны вернуться с одинаковой суммой денег. 4. Каждый ребенок приносит
домой сумму, которая является четным числом (без центов). 5. Сумма денег,
полученная каждым из детей, должна быть максимальной при сформулиро
ванных условиях. Считается, что дети могут продать все яблоки, которые
они имеют. К ак дети могут выполнить требования своих родителей?
6. Капитан торгового судна, который хотел наградить трех членов команды за
их героические усилия по спасению груза корабля во время неожиданного
шторма, взял некоторую сумму денег у казначея и отдал приказ старшему
помощ нику распределить их поровну между тремя матросами после того,
к ак корабль достигнет берега. Однажды ночью один из матросов решил
взять свою (справедливую) третью часть заранее. После деления денег на
три равные части осталась одна монета, которую матрос реш ил оставить
себе (в дополнение к третьей части денег). На следующую ночь второй мат
рос реш ил осуществить такой же план и, повторив деление на три части ос
тавш ейся суммы, присвоил себе еще и монету, которая осталась после де
л ен и я. На третью ночь третий матрос взял третью часть того, что осталось,
и одну дополнительную монету, которая осталась после деления. Когда ко
рабль достиг берега, старш ий помощ ник капитана разделил остаток денег
поровну между тремя матросами и снова осталась одна монета. Старший
помощ ник отлож ил эту монету в сторону и вручил матросам предназначен
ные им равные части. Сколько денег было в самом начале? Сформулируйте
задачу в виде задачи ЦЛП и найдите оптимальное решение, используя про
грамму TORA. (Совет. Задача имеет бесконечно много целочисленных ре
ш ений. Предположите для удобства, что следует определить минимальную
сумму денег, которая удовлетворяет условиям задачи. У величивая затем
полученное решение на 1, рассмотрите его к а к нижнюю границу и получи
те новое минимальное решение. П родолж ая таким образом, можно най
ти формулу для общего реш ения.)
7. Имеются следующие слова, состоящие из трех букв: AFT, FAR, TVA, ADV,
JOE, FIN, OSF и KEN. Предположим, что буквам алфавита приписаны числа
(метки), начиная с А = 1 и заканчивая Z = 26. Каждое слово помечается чис
лом, равным сумме числовых меток составляющих его трех букв. Например,
слово AFT имеет метку 1 + 6 + 20 = 27. Необходимо выбрать пять из задан
ных восьми слов таким образом, чтобы получить максимальную суммарную
метку. Вместе с тем выбранные пять слов должны удовлетворять следующе
му условию: (сумма меток первых букв) < (сумма меток вторых
букв) < (сумма меток третьих букв).
Сформулируйте задачу в виде задачи ЦЛП и найдите ее оптимальное реше
ние, используя программу TORA.
8. Фирма, специализирующаяся на грамзаписи песен, заключила договор с вос
ходящей звездой эстрады на запись восьми песен. Продолжительность песен
равна 8, 3, 5, 5, 9, 6, 7 и 12 минут соответственно. Фирма планирует исполь
зовать для записи двусторонние кассеты. К аждая сторона имеет длитель
ность звучания 30 минут. Фирма намерена распределить песни на две сторо
ны кассеты сбалансированным образом. Это значит, что продолжительность
звучания песен на каждой стороне кассеты должна быть примерно одинако
вой (насколько это возможно). Сформулируйте задачу в виде задачи ЦЛП
и найдите оптимальное решение.
9. Рассмотрите задачу из предыдущего упражнения, предположив, что харак
тер мелодий песен диктует условия, согласно которым третья и четвертая
песни не могут быть записаны на одной стороне кассеты. Сформулируйте за
дачу в виде задачи ЦЛП. Возможно ли использование 25-минутной (для ка
ждой стороны) кассеты для записи 8 песен? Если нет, используйте модель
ЦЛП, чтобы определить минимальную емкость кассеты для записи.
Пример 9.1.2. Задача с постоянными затратами

Три телефонные компании предложили мне подписаться на их услуги по дальней
связи в пределах Соединенных Ш татов. Услуги компании MaBell стоят 16 долл.
в месяц плюс 0,25 долл. за каждую минуту связи. Компания PaBell оценивает свои
услуги в 25 долл. в месяц, но имеет поминутную оплату в 0,21 долл. Что касается
компании BabyBell, месячная плата равна 18 долл., а стоимость минуты связи —
0,22 долл. Мои телефонные звонки на дальние расстояния в среднем составляют
обычно 200 минут в месяц. Предполагается, что я не вношу помесячной платы, ес
ли не использую телефон для звонков на дальние расстояния, и что я могу распре
делять звонки между тремя компаниями, как мне хочется. Как я должен использо
вать три компании, чтобы минимизировать свой месячный телефонный счет?
Эта задача может быть легко решена без использования методов ЦЛП. Тем не менее
поучительно сформулировать ее как целочисленную задачу.
Пусть
х, — количество минут разговора (на дальние расстояния) в месяц через ком па
нию MaBell,
х2— количество минут разговора в месяц через компанию PaBell,
х 3— количество минут разговора в месяц через компанию BabyBell,
і/, = 1, если х, > 0, и у 1 = 0 при х, = 0,
у2= 1, если х 2 > 0, и у2 = О при х 2 = 0,
у3= 1, если х 3 > 0, и у3 = 0 при х 3 = 0.
Для обеспечения равенства у = 1 при положительном значении переменной х, ис
пользуем ограничение х < M yJt j = 1, 2, 3, где М — достаточно большое число, ко
торое не должно ограничивать величину х . Так как звонки на дальние расстояния
занимают около 200 минут в месяц, т.е. х < 200 для всех /, поэтому достаточно по
ложить М = 200.
Теперь можно сформулировать следующую задачу.
Минимизировать z = 0,25.x, + 0,21х2+ 0,22х3 + 16i/, + 25у2+ 18у3
х, + х 2+ х 3= 200,
х, < 200y v
х 2< 200і/2,
* 3^ 200і/3,
х,, х 2, х 3> О,
Уі > */2> У з = = 0 и л и 1 -
Формулировка задачи показывает, что помесячная j -я оплата за пользование теле

фоном является частью целевой функции z лиш ь при условии у, = 1, которое по оп
ределению может выполняться лиш ь тогда, когда х} > 0. Если в оптимальном ре
шении будет х. = 0, то минимума функции z (с учетом положительности
коэффициента при у ) можно достичь только при равенстве нулю yjt что и требуется.
Оптимальным решением данной задачи (получено с помощью TORA, файл
Ch9ToraFixedChargeEx9-l-2.txt) является х3 = 200, i/3= 1, все остальные перемен
ные равны нулю. Это зн ачит, что копания BabyBell долж на быть выбрана для
услуг по дальней связи. Следует подчеркнуть, что информация, которую несет

значение переменной у 3 = 1, является избыточной, так к а к такой же результат
следует из х г > 0 (= 200). В самом деле, основной причиной использования пере
менных у х, у г и у 3 является лиш ь учет месячной платы за телефон. В сущности,
только эти двоичные переменные преобразуют исходную нелинейную задачу
в частично-целочисленную, поддающуюся аналитическому решению.
И злож енная концепция “ твердого гонорара” является типичной для задачи,

известной в литературе к а к задача с постоянными затратами.
1. Компания планирует производство некоторой продукции на трех станках,
которой должно быть изготовлено не менее 2000 единиц. М инимальная про
изводительность любого станка равна 500 единиц. Следующая таблица со
держит необходимую информацию для рассматриваемой задачи.
Станок Расходы на Затраты на производство Производительность

переналадку единицы продукции (в единицах продукции)
1 300 2 600
2 100 10 800
3 200 5 1200

2. Нефтедобывающая компания изучает вопрос о бурении четырех нефтяных
скважин на двух нефтеносных участках. Издержки подготовки к бурению на
каждом участке и затраты на бурение скважины j на участке і (і= 1, 2; j= 1, 2,
З, 4) приведены в следующей таблице.
Затраты на бурение скважины (млн. долл.) Издержки подготовки

Участок 1 2 3 4 к бурению (млн. долл.)
1 2 1 8 5 5
2 4 6 3 1 6

3. Рассматриваются три промышленных участка для размещения обрабаты
вающих заводов, которые снабжают своей продукцией трех потребителей.
Данные об объемах производства продукции, объемах потребления и себе
стоимости (в долл.) перевозки продукции от заводов к потребителям содер
ж атся в следующей таблице.
1 2 3 Объем производства
1 10 15 12 1800
2 17 14 20 1400
3 15 10 11 1300
Спрос 1200 1700 1600

В дополнение к транспортным, существуют еще фиксированные затраты

в объеме 10 ООО, 15 ООО и 12 ООО долл., связанные с 1, 2 и 3 заводом соответственно.
Сформулируйте задачу в виде задачи ЦЛП и найдите ее оптимальное решение, ис
пользуя программу TORA.
4. Повторите упражнение 3, предполагая, что спрос потребителей 2 и 3 умень
ш ился до 800 единиц.
Пример 9.1.3. Задача о покрытии

Для обеспечения безопасности студентов отдел безопасности американского уни
верситета устанавливает телефоны экстренного вызова на территории студенческо
го городка. Отделу желательно установить минимальное количество телефонов та
ким образом, чтобы на каждой из основных улиц этого городка был расположен по
крайней мере один телефон. На рис. 9.1 представлены основные улицы (от А до К)
студенческого городка.
Рис. 9.1. С хем а у л и ц ст уденческого городка
Логично расположить телефоны на пересечениях улиц так, чтобы каж дый телефон
мог обслуживать по меньшей мере две улицы. Из рис. 9.1 видно, что данное распо
ложение улиц требует не более восьми телефонов.
Определим, что переменная х. равна 1, если телефон расположен на перекрестке j
(j= 1, 2, ..., 8), и 0 в противном случае.
Условия задачи требуют установки по меньшей мере одного телефона на каждой из
11 улиц (от А до К). Поэтому задачу можно сформулировать следующим образом.
М инимизировать z = х х + х г + х 3 + х 4 + х й + х 6 + х 7+ х е
х х + х 2> 1 (улица А),

х 2 + х 3> 1 (улица В),
х 4 + x s > 1 (улица С),
х 7+ х н> 1 (улица D),
х 6 + х 7> 1 (улица Е),
х 2 + x s > 1 (улица F),
x, + х ъ> 1 (улица G),
х 4 + х 7> 1 (улица Н ),
х 2 + х 1>1 (улица I),
х ь + x s > 1 (улица J),
х 3 + х й>1 (улица К),
x t = 0 или 1, j = 1, 2, 8.
В соответствии с оптимальным решением задачи (полученным с помощью про
граммы TORA, файл C h9ToraSetC overEx9-l-3.txt) необходимо установить телефо
ны на перекрестках 1, 2, 5 и 7.
Рассмотренная выше модель является типичным представителем общего класса

задач, именуемых задачам и о покрытии. В этой модели все переменные являются
двоичными. Все коэффициенты левой части каждого ограничения равны 0 или 1,
а правая часть ограничений имеет вид “ > 1 ” . Целевая функция всегда имеет вид
clx i + с2х 2+ ... + спх п, где Cj> 0 для всех у = 1, 2 ,..., п, и подлежит минимизации.
В рассмотренном примере су= 1 для всех j. Однако если величина с; будет равна
стоимости установки телефона на j -м перекрестке, то эти коэффициенты могут
принимать значения, отличные от 1.
1. Компания ABC занимается доставкой грузов пяти потребителям. Можно вы
брать следующие маршруты перевозки грузов.
Маршрут Потребители
1 1, 2, 3, 4
2 4, 3, 5
3 1, 2, 5
4 2, 3, 5
5 1, 4, 2
6 1, 3, 5
Эти маршруты определяются грузоподъемностью автомобиля, доставляюще

го грузы. Например, на маршруте 1 автомобиль имеет грузоподъемность,
достаточную для доставки грузов лиш ь потребителям 1, 2, 3 и 4. Следующая
таблица содержит расстояния (в милях) между терминалом компании ABC
и потребителями.
ABC 1 2 3 4 5
ABC 0 10 12 16 9 8
1 10 0 32 8 17 10
2 12 32 0 14 21 20
3 16 8 14 0 15 18
4 9 17 21 15 0 11
5 8 10 20 18 11 0
Необходимо выполнить дневные поставки пяти потребителям, минимизируя

при этом пройденный суммарный путь. Оптимальное решение может быть
таким , что один и тот же потребитель обслуживается более чем одним мар
шрутом. Но при реализации такого реш ения используется только один из
этих маршрутов. Сформулируйте задачу в виде задачи ЦЛП и найдите опти
мальное решение, используя программу TORA.
2. Американский университет формирует комитет по рассмотрению жалоб студен
тов. В соответствии с указаниями, полученными из администрации, в эту комис
сию необходимо включить по крайней мере одну женщину, одного мужчину, од
ного студента, одного администратора и одного преподавателя. Выдвинуты
десять кандидатур (обозначенных для удобства буквами от а до j) . Принадлеж
ность этих кандидатур к различным категориям отражена в следующей таблице.
Категория Кандидатуры
Женщины а, Ь, с, d, в
Мужчины f, 9, h, /, /
Студенты а, b, с, j
Администраторы в, f
Преподаватели d, д, h, і
Университет заинтересован создать наименьшую по составу комиссию, га

рантирующую представительство каждой из указанных категорий. Сформу
лируйте задачу в виде задачи ЦЛП и найдите ее оптимальное решение, ис
пользуя программу TORA.
3. Округ Вашингтон определил шесть городов, которые нуждаются в службе
скорой помощи. Станции скорой помощи могут быть расположены в некото
рых или во всех шести городах. Однако в силу территориальной близости не
которых городов одна станция может обслуживать более одного населенного
пункта. Единственным условием является время поездки; оно не должно
превышать 15 минут. Приведенная ниже таблица содержит время поездки
в минутах между шестью городами.
1 2 3 4 5 6
1 0 23 14 18 10 32
2 23 0 24 13 22 11
3 14 24 0 60 19 20
4 18 13 60 0 55 17
5 10 22 19 55 0 12
6 32 11 20 17 12 0
Сформулируйте задачу в виде задачи ЦЛП, оптимальное решение которой

определит наименьшее количество станций и их расположение. Найдите оп
тимальное решение, используя программу TORA.
4. Сокровища короля Тута находятся в музее в Новом Орлеане. План музея, со
стоящего из нескольких комнат, соединенных открытыми дверями, показан
на рис. 9.2. Сторож, находящ ийся у двери, может наблюдать за двумя смеж
ными комнатами. Администрация музея заинтересована, чтобы в каждой
комнате присутствовал сторож, но число сторожей должно быть минималь
ным. Сформулируйте задачу в виде задачи ЦЛП и найдите ее оптимальное
решение, используя программу TORA.
Пример 9.1.4. Ограничения типа “или-или”

Машиностроительная компания использует один станок для выполнения трех за
казов. Время выполнения, а такж е срок сдачи каждого заказа даны в приведенной
ниж е таблице. Сроки сдачи заказов вычисляются от начальной даты, т.е. предпо
лагаемого начала выполнения первого заказа.
Заказ Время выполнения Срок сдачи заказа (дни) Штраф за задержку

заказа (дни) заказа (долл./день)
1 5 25 19
2 20 22 12
3 15 35 34
Требуется определить последовательность выполнения заказов, которая миними

зирует штраф за задерж ку сдачи заказов.
Определим переменную как дату заверш ения заказа j, измеряемую в днях от на
чальной даты. Задача имеет два типа ограничений: 1) ограничения, которые гаран
тируют, что никакие два заказа не выполняются одновременно; 2) ограничения по
срокам сдачи заказов. Сначала рассмотрим первый тип ограничений.
Два заказа і и j, время выполнения которых p t и р г не будут выполняться одновре
менно, если
И Л И X, > X j + P j , И Л И X j > x l + p t,
в зависимости от того, будет ли заказ і предшествовать выполнению заказа j или

наоборот.
Поскольку все математические модели имеют дело лишь с совместными ограниче

ниями, мы преобразуем ограничения типа и л и -и л и , введя дополнительную двоич
ную переменную
[1, если заказ і предшествует заказу у,
(О, если заказ j предшествует заказу і.
При достаточно большом М ограничение типа и л и -и л и преобразуется в следующие

два совместных ограничения.
My.j + i x . - x ^ p j и M ( l - y iJ) + (xj - x i) >p, .
Указанное преобразование гарантирует, что лиш ь одно из двух ограничений может

быть активным в любой момент времени. Если ytj = 0, первое ограничение является
активным, а второе — избыточным (так как его левая часть будет содержать вели
чину М , которая намного больше р ). Если у = 1, первое ограничение является из
быточным, а второе — активным.
Рассмотрим теперь ограничения по срокам сдачи заказов. При заданной дате dj сда
чи заказа j введем в рассмотрение неограниченную по знаку переменную s}. Тогда
соответствующее ограничение примет вид
x j + pj + si = dr
Если > 0, то заказ сдается в срок, если же < 0, получаем убытки, связанные с за
держкой сдачи заказа. Используя стандартную замену
= j ; , 5,-20.
приводим ограничение к виду

X/+s]-s~ =dl - p r
Штраф за задерж ку сдачи заказа пропорционален s~.

Математическая модель рассматриваемой задачи принимает следующий вид.
М инимизировать z = 19j," +12л; +34лз
х х- х 2 + М у Х2> 20,
-х , + х2 - М у Х2S 5 - М,
х х- х 3 + М у хз>1Ъ,
-х , + х 3 - М у хз>Ь - М,
х 2- х 3 + М у 23S 15,
- х 2+ х 3- М у 23>20 - М ,
jc, + л,+- j" = 25-5,
х , + s i - sl_ = 2 2 - 20,
*3 + s3 - s3 =35-15,
x,, x2, хъ, sx, sx, i,+, si, j , , Jj SO,
У \ 2 * У\3> У 23 ® ИЛИ 1 .
Целочисленные переменные у п , у 13 и у гз введены для преобразования ограничений

типа и л и -и л и в совместные ограничения. Конечная задача является частично
целочисленной задачей линейного программирования.
Д ля реш ения задачи выберем М = 100 — число, которое больше суммы времени
изготовления всех трех заказов.
Оптимальным решением (полученным с помощью программы TORA, файл
C h9T oraE itherO rE x9-l-4.txt) является х х = 20, х г = 0 и х 3 = 25. Следовательно, оп
тимальной последовательностью выполнения заказов будет 2 —> 1 —>3. В соответст
вии с оптимальным решением заказ 2 выполняется за время 0 + 5 = 5, заказ 1 — за
время 20 + 5 = 25 и заказ 3 — за 25 + 15 = 40 дней. В результате выполнение заказа 3
задержано на 40 - 35 = 5 дней, что приводит к штрафу в размере 5 х 34 = 170 долл.
1. Игральная доска состоит из девяти равных квадратов, расположенных 3x3.
Требуется заполнить каждый квадрат числом из интервала от 1 до 9 таким об
разом, чтобы сумма чисел каждой строки, каждого столбца и каждой диагона
ли была равна 15. Определите числа в каждом квадрате для следующих случаев.
a) Числа в каждой строке и каждом столбце различны.
b ) Числа во всех квадратах различны.
Запиш ите сформулированную задачу в виде задачи ЦЛП с ограничениями
и решите ее с помощью программы TORA.
2. Станок используется для производства двух взаимозаменяемых видов про
дукции. Производительность станка позволяет за день изготовить не более
20 единиц продукции первого вида и 10 единиц второго вида. Существует
альтернативная наладка станка, позволяющая ежедневно изготовлять не бо
лее 12 единиц продукции вида 1 и 22 единицы вида 2. Анализ рынка показы
вает, что максимальный суммарный спрос на два вида продукции составляет
35 единиц ежедневно. Предположим, что прибыль от производства единицы
продукции первого и второго вида составляет 10 и 12 долл. соответственно.
К акая из двух возможных настроек станка должна быть выбрана? Сформу
лируйте задачу в виде задачи ЦЛП и решите ее с помощью программы TORA.
(Примечание. Сформулированная двухмерная задача может быть решена пу
тем перебора возможных решений после графического построения простран
ства допустимых решений. Этого нельзя сделать в «-мерной задаче.)
3. Н екая компания производит три вида продукции. Ежедневные временные
затраты и потребности сырья, необходимые на изготовление одной единицы
продукции, приведены в следующей таблице.
Продукция Необходимое время (час./ед.) Необходимое сырье (фунты/ед.)

1 3 4
2 4 3
3 5 6
Доходы от производства единицы каждого вида продукции равны 25, 30

и 22 долл. соответственно. Компания имеет возможность организовать выпуск
этой продукции в двух цехах своего производства. Цехи отличаются главным об
разом ресурсом рабочего времени и сырья, как показывает следующая таблица.
Цех Ресурс рабочего времени (часов в рабочий день) Ресурс сырья (фунты в день)
1 100 100
2 90 120
Сформулируйте задачу в виде задачи частично-целочисленного линейного

программирования и используйте программу TORA для оптимального раз
мещения производства по цехам.
4. Рассмотрите задачу планирования производственной линии, связанной с из
готовлением двух различных изделий на одном станке. Последовательность
выполнения необходимых для этого восьми операций изображена на
рис. 9.3. Пусть р . — время выполнения j -й операции (j = 1, 2 .......п). Сроки
сдачи изделий типа 1 и 2, которые определяются на основе некоторого ис
ходного момента, равны d x и d2 соответственно. Предполагается, что любая
выполняемая на станке операция должна быть завершена до начала другой
операции. Сформулируйте задачу в виде задачи частично-целочисленного
линейного программирования.
Изделие 1
Изделие 2
Рис. 9.3. О т н о ш ен и я п р ед ш ест вования опера

ц и й д л я уп р а ж н ен и я 4
5. Компания владеет фабрикой, которая производит изделия трех типов. Необ

ходимые трудовые затраты и потребности сырья для производства одной
единицы каждого из трех типов изделий приведены в следующей таблице.
Тип изделия Необходимое время (час./ед.) Необходимое сырье (фунты/ед.)

1 3 4
2 4 3
3 5 6
Наличный дневной объем 100 100
Доходы от производства единицы каждого из трех типов изделий равны 25, 30

и 45 долл. соответственно. Если будет производиться изделие типа 3, то его
ежедневный объем производства должен быть не менее 5 единиц. Сформули
руйте задачу в виде задачи частично-целочисленного линейного программиро
вания и используйте программу TORA, чтобы найти оптимальное решение.
6. Опишите невыпуклые заштрихованные области допустимых решений, кото
рые изображены на рис. 9.4, в виде набора одновременно выполняющихся
ограничений. Используйте программу TORA, чтобы найти оптимальное ре

шение, которое максимизирует целевую функцию z = 2 х х + З х2 при ограни
чениях, определяющих область, изображенную на рис. 9.4, а.
0 1 2
К 3
а б
Рис. 9.4. Пространства решений для упражнения 6
7. Пусть требуется, чтобы любые k ограничений из следующих т ограничений

были активными.
g,(xl, x 2.......x a)< bt, і = 1 ,2 ........ т.
П окажите, к ак это сделать.
8. Правая часть следующего ограничения может принимать одно из значений
Ь2.......Ьт, т.е.
g ix lt х 2.......х п) < Ьх, Ъ2, ... или Ьт.
П окажите, к ак можно представить это ограничение.
9.2. МЕТОДЫ РЕШЕНИЯ ЗАДАЧ ЦЕЛОЧИСЛЕННОГО

Методы решения задач целочисленного линейного программирования основаны
на использовании вычислительных возможностей методов линейного программиро
вания. Обычно алгоритмы целочисленного программирования включают три шага.
Ш аг 1. “ Ослабление” пространства допустимых решений задачи цело
численного линейного программирования путем замены любой
двоичной переменной у непрерывным ограничением 0 < у < 1 и от
брасывания требования целочисленности для всех остальных пе
ременных. В результате получается обычная задача линейного
Ш аг 2. Решение задачи линейного программирования и определение ее
оптимального решения.
Ш аг 3. И мея полученное (непрерывное) оптимальное решение, добавляем
специальные ограничения, которые итерационным путем изме
няют пространство допустимых решений задачи линейного про
граммирования таким образом, чтобы в конечном счете получи
лось оптимальное решение, удовлетворяющее требованиям
целочисленности.
Разработаны два общих метода генерирования специальных ограничений, о ко
торых идет речь при реализации шага 3.
1. Метод ветвей и границ.

2. Метод отсекающих плоскостей.
Хотя ни один из упомянутых методов не дает надежных результатов при реш е
нии задачи целочисленного линейного программирования, опыт вычислений сви
детельствует, что метод ветвей и границ более успешно решает задачу, чем метод
отсекающих плоскостей.
9.2.1. Метод ветвей и границ

Впервые метод ветвей и границ был предложен в 1960 году А. Лэндом (A. Land)
иД ж . Дойгом (G. Doig) для решения полностью целочисленных и частично
целочисленных задач линейного программирования. Позднее в 1965 году Э. Бэлес
(Е. Balas) разработал аддитивный алгоритм для решения задач с двоичными пере
менными. Этот алгоритм с вычислительной точки зрения оказался настолько прост
(в основном используя только операции сложения и вычитания), что его рассматривали
как возможный прорыв в методах решения задач ЦЛП общего вида.3 К сожалению,
этот алгоритм не оправдал возлагаемые на него надежды. Более того, если первона
чально алгоритм не был связан с методом ветвей и границ, то вскоре было установле
но, что аддитивный алгоритм является частным случаем метода ветвей и границ.
В этом разделе мы представим только метод ветвей и границ и основы этого ме
тода объясним на численном примере.
Пример 9.2.1
Рассмотрим следующую задачу целочисленного линейного программирования.
Максимизировать z = Ъхх + 4 х2
х , + х 2< 5,
Юх, + 6х2< 45,
х х, х 2~2. 0 и целые.
На рис. 9.5 пространство допустимых решений задачи целочисленного линейного про
граммирования представлено точками. Соответствующая начальная задача линейного
программирования (обозначим ее ЛПО) получается путем отбрасывания условий цело
численности. Ее оптимальным решением будет х х = 3,75, х 2= 1,25 и z = 23,75.
Поскольку оптимальное решение задачи ЛПО не удовлетворяет условию целочис
ленности, метод ветвей и границ изменяет пространство решений задачи линейного
программирования так, что в конечном счете получается оптимальное решение за
дачи целочисленного линейного программирования. Д ля этого сначала выбирается
одна из целочисленных переменных, значение которой в оптимальном решении
задачи ЛПО не является целочисленным. Например, выбирая х х (= 3,75), замечаем,
3 Общую задачу ЦЛП можно выразить через двоичные переменные следующим образом.
Любая целочисленная переменная х, значения которой не превышают конечной верхней
границы и (т.е. 0 < х < и), может быть выражена через двоичные переменные с помощью
представления х = 2° _v0+ 2і у, + 21у2+...+ 21у,., где k — наименьшее целое число, удовлетво
ряющее условию 2‘* '-1 > и ,а _у0, V..... _у( — двоичные переменные.
что область 3 < х х < 4 пространства допустимых решений задачи ЛПО не содержит
целочисленных значений переменной х х и, следовательно, может быть исключена
из рассмотрения, как бесперспективная. Это эквивалентно замене исходной задачи
ЛПО двумя новыми задачами линейного программирования ЛП1 и ЛП2, которые
определяются следующим образом:
х2
пространство допустимых решений ЛП1 = пространство допустимых решений ЛПО

+ (*, < 3),
пространство допустимых решений ЛП2 = пространство допустимых решений ЛПО
+ (* ,> 4 ).
На рис. 9.6 изображены пространства допустимых решений задач ЛП1 и ЛП2. Оба
пространства содержат все допустимые решения исходной задачи ЦЛП. Это озна
чает, что задачи ЛП1 и ЛП2 “ не потеряют” решения начальной задачи ЛПО.
Если мы продолжим разумно исключать из рассмотрения области, не содержащие
целочисленных решений (такие к ак 3 < х х < 4), путем введения надлежащ их огра
ничений, то в конечном счете получим задачу линейного программирования, опти
мальное решение которой удовлетворяет требованиям целочисленности. Другими
словами, будем решать задачу ЦЛП путем решения последовательности непрерыв
ных задач линейного программирования.
Новые ограничения х , < 3 и х х >4 взаимоисключаемы, так что задачи ЛП1 и ЛП2
необходимо рассматривать как независимые задачи линейного программирования,
что и показано на рис. 9.7. Дихотомизация задач ЛП — основа концепции ветвле
ния в методе ветвей и границ. В этом случае х х называется переменной ветвления.
Оптимальное решение задачи ЦЛП находится в пространстве допустимых решений
либо задачи ЛП1, либо ЛП2. Следовательно, обе подзадачи должны быть решены.
Рис. 9.6. Пространства решений задач ЛП1 и ЛП2
Выбираем сначала задачу ЛП1 (выбор произволен), имеющую дополнительное ог

раничение x, < 3.
М аксимизировать г = 5х, + 4х2
x t + х 2< 5,
Юд:, + 6 х2< 45,
*,<3,
х 2 > 0.
Рис. 9.7. Ветвление по переменной х, для создания задач

ЛП1 и ЛП2
Оптимальным решением задачи ЛП1 (которое можно получить с помощью метода

решения задач с ограниченными переменными, изложенного в разделе 7.3) являет-
ся х х = 3, х 2 = 2 и 2 = 23.
Оптимальное решение задачи ЛП1 удовлетворяет требованию целочисленности пе

ременных х х и х 2. В этом случае говорят, что задача ЛП1 прозондирована. Это оз
начает, что задача ЛП1 не долж на больше зондироваться, так как она не может со
держать лучшего решения задачи ЦЛП.
Мы не можем в этой ситуации оценить качество целочисленного решения, полу
ченного из рассмотрения задачи ЛП1, ибо решение задачи ЛП2 может привести
к лучшему целочисленному решению (с большим значением целевой функции г).
П ока мы можем лиш ь сказать, что значение г = 23 является нижней границей оп
тимального (максимального) значения целевой функции исходной задачи ЦЛП.
Это значит, что любая нерассмотренная подзадача, которая не может привес
ти к целочисленному решению с большим значением целевой функции, должна
быть исключена из рассмотрения, как бесперспективная. Если же нерассмотренная
подзадача может привести к лучшему целочисленному решению, то ниж няя гра
ница долж на быть надлежащ им образом изменена.
При значении нижней границы z = 23 исследуем задачу ЛП2 (единственную остав
шуюся нерассмотренную подзадачу). Так как в задаче ЛПО оптимальное значение
целевой функции равно 23,75 и все ее коэффициенты являю т ся целыми числами,
то невозможно получить целочисленное решение задачи ЛП2 (пространство реше
ний которой более узко, чем в задаче ЛПО), которое будет лучше существующего.
В результате мы отбрасываем подзадачу ЛП2 и считаем ее прозондированной.
Реализация метода ветвей и границ завершена, так как обе подзадачи ЛП1 и ЛП2 про
зондированы (рассмотрение первой привело к целочисленному решению, а второй —
к заключению, что ее возможное целочисленное решение не может быть лучше сущест
вующего). Следовательно, мы заключаем, что оптимальным решением задачи ЦЛП яв
ляется решение, соответствующее нижней границе, а именно я, = 3, х 2= 2 и z = 23.
Остались без ответа два вопроса, связанные с реализацией описанной вычисли
тельной процедуры.
1. Можно ли было в задаче ЛПО выбрать переменную х 2 в качестве переменной
вет вления вместо д:,?
2. Можно ли было при выборе подзадачи для зондирования решить сначала задачу
ЛП2 вместо ЛП1?
Ответы на оба вопроса положительные. Однако последующие вычисления могут
значительно отличаться. Ситуация, когда первой решается задача ЛП2, иллюстри
руется схемой вычислений (рис. 9.8), подтверждающей высказанную мысль. Оп
тимальным решением задачи ЛП2 является я, = 4, х 2 = 0,83 и z = 23,33 (проверьте
с помощью программы TORA).
Поскольку значение переменной х 2 (= 0,83) не является целым числом, задача ЛП2
исследуется дальше. Рассматриваем подзадачи ЛПЗ и ЛП4, используя ветви х2<0
и х 2>0 соответственно. Это означает, что
пространство решений ЛПЗ = пространство решений ЛП2 + (х2 < 0) =
= пространство решений ЛПО + (я, > 4) +(х2 < 0),
пространство решений ЛП4 = пространство решений ЛП2 + (х2> 1) =
= пространство решений ЛПО + (я, > 4) +(х2> 1).
Рис. 9.8. Другой путь решения задачи примера 9.2.1
У нас есть три нерассмотренные подзадачи, которые должны быть решены, — ЛП1,
ЛПЗ и ЛП4. Предположим, что мы произвольно выбрали первой задачу ЛП4. Эта за
дача не имеет решения и, следовательно, является прозондированной. В качестве
следующей выберем подзадачу ЛПЗ. Ее оптимальным решением является х 1= 4,5,
х2= 0 и 2 = 22,5. Нецелочисленное значение переменной я, (= 4,5) порождает две вет
ви решений при x, < 4 и x, > 5 и соответствующие им подзадачи ЛП5 и ЛП6. При этом
пространство решений ЛП5 = пространство решений ЛПО + (я, > 4) + (х 2< 0) +
+ (я, < 4) = пространство решений ЛПО + (я, = 4) + (х2< 0),
пространство решений ЛП6 = пространство решений ЛПО + (я, > 4) + (х 2< 0) +
+ (я, > 5) = пространство решений ЛПО + (я, > 5) + (х2< 0).
Теперь не рассмотрены подзадачи ЛП1, ЛП5 и ЛП6. Подзадача ЛП6 прозондирова
на, так как не имеет допустимых решений. Подзадача ЛП5 имеет целочисленное
решение (х, = 4, х 2= 0, 2 = 20) и, следовательно, порождает нижнюю границу
(2 = 20) оптимального значения целевой функции задачи ЦЛП. Теперь остается
лишь подзадача ЛП1, решение которой такж е является целочисленным (x, = 3,
х 2 = 2, 2 = 23). Следовательно, нижнюю границу значений целевой функции пола
гаем равной 23. Так как все подзадачи прозондированы, оптимальным решением
задачи ЦЛП является решение, соответствующее последней нижней границе,
а именно х 1= 3, х 2 = 2 и 2 = 23.
Последовательность решения подзадач, показанная на рис. 9.8 (ЛПО, ЛП2, ЛП4,

ЛПЗ, ЛП6, ЛП5, ЛП1), является наихудшей; тем не менее, она встречается на
практике. Этот пример указывает на основную слабость метода ветвей и границ:
как выбирать следующую подзадачу для исследования и как выбирать для нее пе
ременную ветвления?
В процессе реш ения, представленного на рис. 9.7, мы случайно наткнулись на
хорошую нижнюю границу значений целевой функции на самой первой подзада
че Л П 1, что позволило прозондировать ЛП2 без детальных исследований и за
кончить вычисления. По существу, мы заверш или вычисления, решив лиш ь одну
подзадачу. В процессе реш ения, представленном на рис. 9.8, мы были вынужде
ны исследовать семь подзадач, и лиш ь тогда заверш ились вычисления метода
ветвей и границ. Х отя имеются эвристические соображения, позволяющие
“ угадать” , какая из ветвей может привести к улучш енному решению задачи
ЦЛП (см., например, [3]), не существует строгой теории, которая всегда обеспе
чивала бы надежные результаты.
Теперь сформулируем алгоритм метода ветвей и границ в общем случае. Пред

положим, что рассматривается задача максимизации. Зададим нижнюю границу
оптимального значения целевой функции z задачи ЦЛП равной Положим і = 0.
Ш аг 2. (Зондирование и определение границы). Выбираем і-ю подзадачу линей
ного программирования ЛГО для исследования. Решаем ЛПі и зондируем
ее, при этом возможна одна из трех ситуаций.
a) Оптимальное значение целевой функции задачи ЛПі не может улучшить
текущей нижней границы.
b ) ЛПі приводит к лучшему допустимому целочисленному решению, чем те
кущ ая н иж няя граница.
c) ЛПі не имеет допустимых решений.
Возможны два варианта.
a) Если задача ЛПі прозондирована, ниж няя граница изменяется только при
условии, что найдено лучшее решение задачи ЦЛП. Если все подзадачи
прозондированы, необходимо закончить вычисления: оптимальным ре
шением задачи ЦЛП является то, которое соответствует текущей нижней
границе, если такая существует. Иначе положить і = і + 1 и повторить шаг 1.
b ) Если задача ЛПі не прозондирована, переходим к шагу 2 для выполнения
ветвления.
Ш аг 2. Вет вление. Выбираем одну из целочисленных переменных х , оптималь
ное значение л* которой в оптимальном решении задачи ЛПі не является
целым числом. Исключаем из пространства допустимых решений область
+ l (где [ у ] — наибольшее целое, не превосходящее у ) путем
формирования двух подзадач ЛП, которые соответствуют ограничениям
^ *[■*;] и ^> [.*;.]+ i.
Положим i = i + 1 и переходим к шагу 1.

Описанный алгоритм применим для реш ения задач максимизации. Д ля реше

ния задач минимизации в алгоритме необходимо заменить нижнюю границу верх
ней (начальное значение которой равно z = +°°).
Алгоритм метода ветвей и границ непосредственно распространяется на задачи
частично-целочисленного ЛП (в которых лиш ь некоторые из переменных должны
принимать целочисленные значения). Если некоторая переменная является непре
рывной, то она никогда не выбирается в качестве переменной ветвления. Допусти
мая подзадача определяет новую границу для значения целевой функции, если
значения дискретных переменных являю тся целочисленными и значение целевой
функции улучшено по сравнению с текущей границей.
1. Решите задачу ЦЛП из примера 9.2.1 методом ветвей и границ, начиная с пере
менной х2 как переменной ветвления. Решите подзадачи с помощью программы
TORA, используя опцию MODIFY (Изменить) для задания верхней и нижней
границ. Начните с решения подзадачи, включающей ограничение х, < [.cj] .
2. Постройте дерево подзадач, получаемое при использовании метода ветвей
и границ для каждой из приведенных ниже задач. Д ля удобства в нулевом
узле в качестве переменной ветвления всегда выбирайте х г
a) Максимизировать z = Зх, + 2хг
2х, + 5хг < 9,
4х, + 2хг < 9,
x v хг > 0 и целые.
b) М аксимизировать z = 2 x t + З х2
5х, + 7 х 2< 35,
4х, + 9хг < 36,
х,, х 2> 0 и целые.
c) Максимизировать z = x, + х 2
2х, + 5 х 2 < 16,
бх, + 5хг < 27,
d) М инимизировать z = 5х, + 4 х 2
Зх, + 2хг > 5,
2х, + Зх2> 7,
e) М аксимизировать z = 5х, + 1х2
2х, + х 2< 13,
б*, + 9х2<41,
x v х2> 0 и целые.
3. Реш ите задачи из предыдущего упраж нения, предполагая, что на перемен

ную л:, не налагается условие целочисленности.
4. Покажите графически, что следующая задача ЦЛП не имеет допустимых ре
шений, а затем проверьте этот результат с помощью метода ветвей и границ.
М аксимизировать z = 2л:, + х 2
Юл:, + 10х2< 9,
Юл:, + Ьх2 > 1,
х,, х 2> 0 и целые.
5. Решите следующую задачу методом ветвей и границ.
М аксимизировать z = 18л:, + 14х2 + 8 х 3 + 4 х4
15л:, + 12л:2 + 7х3 + 4 х4 + х ь < 37,
x v х 2, х 3, х 4, х ь = 0 или 1.
9.2.2. Метод ветвей и границ в системе TORA

Модуль целочисленного программирования системы TORA позволяет интерак
тивно генерировать деревья подзадач в методе ветвей и границ. Чтобы воспользо
ваться этой возможностью, в выходном окне модуля целочисленного программиро
вания выберите опцию User-guided В&В (Учебный режим метода ветвей и границ). В
этом окне представлена вся информация, необходимая для создания дерева подза
дач. На рис. 9.9 показан внешний вид окна, в котором представлен корень N10 де
рева подзадач, которое соответствует задаче ЛПО на рис. 9.6 (файл
ch9ToraB&BEx9-2 -l.tx t). Каждый узел определяется двумя цифрами, перед кото
рыми стоит буква N. Л евая цифра определяет строку таблицы, в которой находится
узел, а правая цифра представляет порядковое значение в пределах той же строки.
Например, обозначение N10 на рис. 9.9 указывает, что узел 0 расположен в строке
1 (это единственный узел в этой строке). В программе TORA может быть не более 10
подзадач в одной строке. Но помните, что в автоматическом режиме нет каких-
либо ограничений на количество генерируемых подзадач.
Далее следует выбрать переменную ветвления, щелкнув на любом из узлов, поме
ченных “ х?” . Эти узлы выделены зеленым цветом. Если щелкнуть на записи одного
узла над областью, где расположено дерево, появится соответствующее решение. Как
показано на рис. 9.10, из решения для узла N10 видно, что л:, = 3,75 и х 2 = 1,25. Так
же следует обратить внимание на то, какие переменные ограничены целыми значе
ниями. Щ елчок на любой из переменных приведет к автоматическому созданию двух
подзадач, которые соответствуют выделенной переменной ветвления. На рис. 9.11
показан результат выбора л:, в качестве переменной ветвления в узле N10. К дереву
были добавлены узлы N20 (соответствует новому ограничению л:, < 3) и N21
(соответствует новому ограничению л:, >4). В узле N20 получено целочисленное ре
шение, поэтому он считается прозондированным. Прозондированные узлы выделя
ются красным или пурпурным цветом. Пурпурный цвет используется тогда, когда
в прозондированном узле была достигнута текущ ая ниж няя граница значения целе
вой функции, что в данном случае произошло с узлом N20. Узел N21 пока не прозон
дирован. Поэтому щелчок на нем приведет к созданию следующих узлов в строке 3
дерева. Этот процесс продолжается до тех пор, пока не будут прозондированы все
узлы (т.е. пока все они не будут выделены красным или пурпурным цветами).
- TORA D :\W o r k \T o r a F H e *V h 9 T o ra B ftB E x 9 Ł 1 їж і

IN TEG E R PROGRAMMIN G
Рис. 9.9. Начальное решение для примера 9.2.1

• TORA D :\W o ik \[o ia F ile * k .h 9 r o r d B ft B E * 9 2 -1 .1 *1 С І SĆ
Рис. 9.10. Выбор переменной вет вления

ГОНА D :\W o ik \T o fa F ile s \c h 9 T o ia flft0 F x 9 ? 1 .їж і
O b te c tive V a lu e Bounds
( 7 Activate b o n d * to fathom nodes
S e arch T ie e Coiot C odes — IN T E G E R P R O G R A M M IN G B Ł B A L G O R IT H M
Node not yet nveAeated -S e le c t O utput O ption — UBomJ>23,75 (conłnuou* max)
Л Node fathomed e i-g u id e d B iB »
Node under nve ri® A on L B o u n d -2 3 .0 0
Ц Cunentbettsotubon O ccissatnode 20
T itie : B A B , E x a m p le 9 2 -1
' N10
1 -2 3 ,7 5
*1-3,75
<Nf) N>1
N 20
x 1 < -3 *1> -4
v z - 23 ,0 0 z - 23,33
in te g e r x?
B e it LBound
View/Modify Input Date ПНЯ Я егя Н ЕяіТВПРк
Рис. 9.11. Создание первых двух подзадач
В верхнем правом углу выходного окна автоматически отслеживается ниж няя

и верхняя границы целевой ф ункции. Эти границы вы числяю тся автоматически
при зондировании узлов. TORA отбрасывает подзадачи, значения целевы х функ
ций которы х выходят за текущ ие границы . Тем не менее можно убрать границы
(т.е. снять ф лаж ок с опции) д ля создания полного дерева подзадач. В этом случае
узел будет прозондирован только тогда, когда будет получено целочисленное реше
ние или если оно будет недостижимо.
Важно отметить, что в автоматическом реж им е TORA выполняет последова
тельное решение подзадач по принципу “ первым приш ел — первым уш ел” . По
этому, вероятнее всего, поиск вручную может привести к более эффективному де
реву подзадач, поскольку пользователь может осуществить лучш ий выбор
следующего зондируемого узла.
1. Следующее упражнение было создано д ля того, чтобы продемонстрировать
неестественное поведение метода ветвей и границ в некоторы х ситуациях
даж е для небольших по размеру задач. В частности, обратите внимание на то,
сколько подзадач будет проверено прежде, чем будет найден оптимум.
М инимизировать у
2(хх + х 2 + ...+ х 16) + у = 15.
Все переменные двоичные.
Используя программу TORA в автоматическом режиме, ответьте на следую

щие вопросы.
a) Сколько подзадач было решено прежде, чем было найдено оптимальное
решение?
b ) Сколько подзадач было решено прежде, чем была проверена оптималь
ность найденного решения?
2. Дана следующая задача Ц Л П .
М аксимизировать z = 18л:, + \ 4 х 2 + 8 х3
1 5хх + 12x2 + 7х3 < 43,
х х, х 2, х 3 — неотрицательные целые.
В системе TORA в режиме пошагового выполнения создайте дерево подза
дач с вычислением границ целевой функции и без такового. Как повлияет
знание границ целевой функции на количество сгенерированных подзадач?
Д ля сравнения всегда выбирайте переменную ветвления с наименьшим ин
дексом и зондируйте все задачи в текущ ей строке слева направо, затем пе
реходите на следующую строку.
3. Вернитесь к задаче из упражнения 2. Преобразуйте эту задачу в задачу ЦЛП
с двоичными переменными, затем решите ее в программе TORA в автоматиче
ском режиме. Сравните размеры деревьев подзадач в каждом из упражнений.
4. В следующей задаче ЦЛП с двоичными переменными с помощью TORA сге
нерируйте дерево подзадач.
М аксимизировать z = Зх, + 2 хг - 5 х3 - 2х4 + Зхъ
х х + х 2+ х 3 + 2 х 4 + х ъ < 4 ,
7 х х + З х3 - 4 х 4 + З хъ< 8,
1 1 х ,- 6 х 2 + 3х4 - З хъ> 3,
х х, х 2, х 3, х 4, х ъ = 0 или 1.
5. Используя программу TORA в режиме пошагового выполнения, покажите,
что следующая задача не имеет допустимого решения.
Максимизировать z —2 х х + х 2
10х, + 10х2< 9,
10х, + 5 хг > 1,
х х, х г = 0 или 1.
6. С помощью TORA создайте дерево подзадач в методе ветвей и границ для сле
дующей частично-целочисленной задачи и найдите ее оптимальное решение.
Максимизировать z = х х + 2хг - З х3
З хх+ 4 х 2 - х 3< 10,
2 х х - З х2+ 4 х3 < 20,
х х, х 2 неотрицательные целые,
* 3> ° .
7. В системе TORA создайте дерево подзадач для следующей задачи, полагая,

что выполняется только одно ограничение.
М аксимизировать z = х х + 2х2- З х 3
2 0хг + 15jc2- х 3< 10,
12хг + З х 2+ 4 х 3< 13,
х г х 2, х 3> 0.
8. Преобразуйте представленную ниже задачу в частично-целочисленную, по
сле чего в системе TORA сгенерируйте для нее дерево подзадач. Каким будет
оптимальное решение?
М аксимизировать z = х г + 2хг + 5 х3
|-jCj + 10 jc2- 3 jc3| > 15,
2 х г + х 2+ х 3< 10,
x v х 2, х 3> 0.
9.2.3. Метод отсекающих плоскостей

Данный метод, как и метод ветвей и границ, начинает работу с оптимального ре
шения “ обычной” (непрерывной) задачи линейного программирования. Однако вме
сто ветвления и построения границ этот метод видоизменяет пространство допусти
мых решений, последовательно прибавляя специальным образом построенные
ограничения (именуемые отсечениями). Рассмотрим сначала идею этого метода на
графическом примере, а затем покажем, как отсечения строятся алгебраически.
Пример 9.2.2
Продемонстрируем применение метода отсекающих плоскостей для решения сле
дующей задачи ЦЛП.
М аксимизировать z = 1хг + 10jc2
-jCj + Здс2< 6,
Ч х ^ х ^ З 5,
Яр х 2> 0 и целые.
Данный метод путем добавления отсечений (отсекающих плоскостей) преобразует
пространство допустимых решений соответствующей задачи линейного программи
рования в выпуклый многогранник, вершина которого, соответствующая оптимуму,
является целочисленной и представляет решение исходной задачи. На рис. 9.12 по
казан пример двух таких отсечений. Мы начинаем с оптимального решения непре
рывной задачи линейного программирования (jCj, дс2) = (4,5, 3,5) и z = 66,5. Затем
прибавляем отсечение I, которое вместе с ограничениями исходной задачи линейного
программирования приводит к оптимальному решению (лс,, х 2) = (4 у , 3) с z = 62. По
сле этого прибавляется отсечение И, которое вместе с отсечением I и исходными огра
ничениями приводит к оптимальному решению (jCj, х 2) = (4 ,3 ) с z = 58. Последнее
решение является полностью целочисленным, как и требуется.
Прибавленные отсечения не отбрасывают ни одной исходной допустимой целочис

ленной точки, но должны проходить по меньшей мере через одну целочисленную
точку (допустимую или недопустимую). Этим основным требованиям должно удов
летворять любое отсечение.
В общем случае может потребоваться любое (конечное) число отсечений для дости
жения полностью целочисленной экстремальной точки. В действительности коли
чество необходимых для этого отсечений не зависит от размерности задачи в том
смысле, что для решения задачи с небольшим количеством переменных и ограниче
ний может потребоваться больше отсечений, чем для задачи большой размерности.
Рис. 9.12. П ослед оват ельност ь пост роения от сечений
Метод отсекающих плоскостей начинает работу с решения непрерывной задачи ли

нейного программирования. В симплекс-таблице, соответствующей оптимальному
решению задачи линейного программирования, следует выбрать одну из строк
(называемую производящей), для которой базисная переменная нецелочисленная.
Искомое отсечение строится на основании дробных составляющих коэффициентов
производящей строки. По этой причине его называют дробным отсечением. П ока
жем построение дробного отсечения на нашем примере.
При дополнительных переменных х 3 и х 4 для ограничений 1 и 2 оптимальная сим
плекс-таблица исходной задачи имеет следующий вид.
Базис X: хг хз *4 Решение
z 0 0 63/22 31/22 66,5
хг 0 1 7/22 1/22 3,5

хх 1 0 -1 /2 2 3/22 4,5
Оптимальным непрерывным решением является х 1= 4,5, дс2= 3 ,5 , х 3= 0, х 4 = О

и 2 = 66,5. Целочисленное отсечение получается в предположении, что все пере
менные задачи являю тся целочисленными. Поскольку коэффициенты исходной
целевой функции являю тся целочисленными, то и значение z, соответствующее
целочисленному решению, должно быть целочисленным.
Информация, содержащ аяся в симплекс-таблице, соответствующей оптимальному
решению, может быть записана в виде следующих уравнений.
z-уравнение: г + Щ х3+ ^ х 4 = 66±,
^ " У р ав нение: х, + 2 2 х* = 3 \ >
л^-уравнение: х, - - ^ х , + -^ x t =4±.
Так как в этом примере z, дс1 и х 2 должны быть целочисленными и все они на дан
ный момент имеют дробные значения в оптимальной симплекс-таблице, любое из
трех уравнений можно использовать в качестве производящей строки для построе
ния отсечения. Выберем (произвольно) для этой цели z-уравнение.
Z+ 22 х3 + 2 І Х4 = ^ 2 (пРоиавоДя Щая z-строка).

Д ля построения дробного отсечения каждый из нецелочисленны х коэффициентов
раскладывается на целую и дробную части при условии, что дробная часть являет
ся строго положительной. Например,
1 -Ю -
-И-Ч)-
Разлож ение коэффициентов производящей г-строки приводит к следующему
уравнению.
z+(2+i b +(i+^K=(66+ł)-
При переносе всех целочисленных слагаемых в левую часть уравнения, а всех
дробных слагаемых в правую часть получаем следующее.
z7 + zx3
4. 2 г +x4
4-Х — 00
6 6 = 2 22х3 ------22х4.
—--------—
г — г
Поскольку все переменные в рассматриваемой задаче принимают целочисленные

значения, левая часть последнего уравнения должна быть целочисленной, откуда
следует, что и правая часть такж е должна принимать целые значения. Перепишем
ее следующим образом.
--2-х = l - f i £ x +-§-* Ї
2 22 3 22 4 2 І22 3 22 4І
Поскольку х 3, х 4 > 0, выражение в скобках является неотрицательным. Поэтому
величина \ —г^х3—£ х 4, будучи целочисленной, не может превышать 1/2. Следова
тельно, необходимое условие целочисленности можно записать следующим образом.
i - i i x --9-х <0
2 22 3 22 4
Это и есть дробное отсечение, порожденное z-строкой. Нетрудно убедиться, что ранее
найденное оптимальное непрерывное решение х х = 4,5, х 2= 3,5, х 3= 0, х 4= 0 не удов
летворяет отсечению. Действительно, так как х 3= х4= 0, отсечение не удовлетворяет
ся (оно приводит к неравенству 1/2 < 0). Следовательно, если мы присоединим отсе
чение к конечной симплекс-таблице, то оптимальное решение новой симплекс-таблицы
будет “ двигаться” в направлении выполнения ограничения целочисленности.
Можно таким же образом построить отсечение, исходя из производящей -строки
или х2-строки. Рассмотрим сначала л^-строку. Имеем
Х\ ~ 2 2 Х3 + 22Х4 = 4 2 (пРоизв°ДЯ1Чая * f строка).
Операция разложения приводит к уравнению
+ M 0+#
х 1 + ( - 1 22 4=(4 +ł)-
Соответствующим отсечением является
21 _ _ 3 _ , 1
Аналогично
Х2 + 22х3 + 22Х4 =^2 (пРоизв°Дя1Чая х 2-строка)

записывается в виде
Х2 + (° + 2ї )Х3 + (° + 2 2 К = (3 + 2)'
Следовательно, в данном случае отсечение имеет вид
——х — —х + —^ 0
22 3 22 4 + 2
Любое из трех отсечений может быть использовано на первой итерации метода от
секающих плоскостей. Поэтому нет необходимости строить все три отсечения перед
выбором одного из них.
Выбирая (произвольно) отсечение, порожденное х 2-строкой, записываем его сле
~ 2 2 Х3 ~ 2 2 Х4 + S\ = - 2 1 51 - ° (отсечение О-
Это ограничение добавляется в качестве дополнительного в оптимальную сим
плекс-таблицу задачи.
Базис *1 Хг хз х4 S1 Решение
z 0 0 63/22 31/22 0 66,5

хг 0 1 7/22 1/22 0 3,5
Xl 1 0 -1/22 3/22 0 4,5
S1 0 0 -7/22 -1/22 1 -0 ,5
Таблица представляет оптимальное, но недопустимое решение. Д ля восстановле

ния допустимости решения применим двойственный симплекс-метод (см. раз
дел 4.4), что приведет к следующей симплекс-таблице.
Базис *1 хг хз х4 S1 Решение
z 0 0 0 1 g 62
хг 0 1 0 0 1 3
Xl 1 0 0 1/7 -1/7
ц
Хз 0 0 1 1/7 -22/7
ц
Из-за дробных значений переменных х х и х 3 последнее решение все еще нецелочис-

ленное. Выберем лг,-строку в качестве производящей, т.е.
v K K +(-1+fh-K)-
Соответствующее отсечение имеет вид
—у-Гд - y 5 j +52 = ~ у . 52 ~ ° (отсечение 2).

Присоединяя отсечение 2 к последней симплекс-таблице, получаем следующее.
базис Хх Хг Хз ха Si S2 Решение
z 0 0 0 1 9 0 62
хг 0 1 0 0 1 0 3
хх 1 0 0 1/7 -1/7 0
*7
хз 0 0 1 1/7 -22/7 iiim Ц
S2 0 0 0 -1/7 -6/7 і -4/7
П рим енение двойственного сим плекс-м етода приводит к следую щ ей симплекс-

таблице.
Базис *1 хг хз ХА Si S2 Решение
z 0 0 0 0 3 7 58
хг 0 1 0 0 1 0 3
хх 1 0 0 0 -1 1 4
хз 0 0 1 0 -4 1 1
ха 0 0 0 1 6 -7 4
Оптимальное решение (Xj = 4, дс2= 3, z = 58), определяемое последней симплекс-

таблицей, является целочисленным. То, что все элементы данной симплекс-
таблицы являю тся целочисленными, не случайность. Это типичное явление при
использовании дробных отсечений.
Важно подчеркнуть, что применение дробного отсечения предполагает целочис-

ленность в с е х переменных, в к л ю ч а я д о п о л н и т е л ь н ы е . Это значит, что данный ме
тод применим только к решению полностью целочисленных задач.
Важность этого продемонстрируем на следующем примере. Рассмотрим огра
ничение
1 2<--
X. + -х П 3,
1 3 2 2
х 1У х 2> 0 и целые.
С точки зрения решения соответствующей задачи ЦЛП это ограничение преобразу
ется в уравнение путем введения неотрицательной дополнительной переменной Sj, т.е.
1 13
X, + —X, +5. = -- .
1 3 - 1 2
Применение дробного отсечения предполагает, что ограничение имеет допусти
мое целочисленное решение ПО всем переменным, Т.е. Xj, х 2 И Sj. Рассмотрев это
уравнение, можем сказать, что оно может иметь допустимое целочисленное реше
ние переменных x t и х 2 л и ш ь в т о м с л у ч а е , е с л и п е р е м е н н а я Sj п р и н и м а е т н е ц е л о
ч и с л е н н ы е з н а ч е н и я . Следовательно, применение дробного отсечения приведет
к недопустимому целочисленному решению, так как в с е переменные х 1? х 2 и Sj не
могут одновременно быть целочисленными. Тем не менее ограничение имеет до
пустимые целочисленные реш ения для рассматриваемых переменных х г и х 2.
Есть две возможности исправить эту ситуацию.

1. Можно умножить все ограничения на соответствующую константу для уст
ранения дробей. Например, приведенное выше ограничение умножается на
6, что приводит к неравенству 6jCj + 2 х2< 39. Любое целочисленное решение
переменных дс1 и х 2 автоматически дает целочисленное значение дополни
тельной переменной. Однако этот тип преобразования применим лиш ь для
простых ограничений, так как значения необходимых целочисленных коэф
фициентов в некоторых случаях могут быть чрезвычайно большими.
2. Можно использовать специальные отсечения, именуемые частично
целочисленными. Они ориентированы на решение задач, в которых лишь
часть переменных должна принимать целочисленные значения, а остальные
(вклю чая дополнительные) остаются непрерывными. Детальное изложение
таких отсечений в этой главе не рассматривается (см. [3]).
1. В примере 9.2.2 покаж ите графически, может ли каждое из следующих ог
раничений служить в качестве правильного отсечения.
a ) дс1 + 2 х 2< 1 0 .
b) 2дс1+ х 2< 10.

c) З х 2< 10.
d) Здс1 + х 2< 15.
2. В примере 9.2.2 покажите графически, как следующие два правильных отсе
чения могут привести к оптимальному целочисленному решению.
Отсечение I. jc, + 2 хг < 10.
Отсечение I I . Здс1 + х 2< 15.
3. Запишите отсечения I и II в примере 9.2.2 через уравнения для переменных
jc, и х 2 и покажите, что они совпадают с отсечениями, которые графически
показаны на рис. 9.12.
4. Покажите, что дробное отсечение не приводит к допустимому решению
в приведенной ниже задаче, если не устранены все дроби в ограничении.
М аксимизировать z = дс1+ 2 х2
x v ї 2> 0 и целые.
5. Решите следующие задачи методом отсекающих плоскостей и сравните оп
тимальное целочисленное решение с решением, полученным путем округле
ния соответствующего оптимального непрерывного решения.
а) М аксимизировать z = 4 х г + 6 х 2+ 2х3
4 jc] - 4 jc2<5,
—JCj + 6 х 2< 5,
-Xj + х 2+ jc3<5,
дс1, x 2, x 3> 0 и целые.
b) М аксимизировать z = З*! + х 2+ Здс3

- х , + 2 х 2 + х 3< 4,
4 х 2 - Здс3 < 2,
jCj - З х 2+ 2х 3< 3,
X,, х 2, х 3> 0 и целые.
9.2.4. Вычислительный взгляд на задачи ЦЛП

На сегодняшний день, несмотря на 40 лет интенсивных исследований, не суще
ствует вычислительного алгоритма, приемлемого для решения всех разнообразных
задач целочисленного программирования. Из представленных в этой главе двух ал
горитмов метод ветвей и границ считается более эффективным — практически все
коммерческие программы, предназначенные для решения задач ЦЛП, используют
этот метод. Метод отсекающих плоскостей более сложен и менее надежен, кроме того
его реализация порождает серьезные проблемы, связанные с ошибками машинного
округления. Было много попыток сделать этот метод эффективным для компьютер
ных вычислений, но они не увенчались большими успехами. В большинстве случаев
метод отсекающих плоскостей используется как дополнительный метод при решении
подзадач, генерируемых в процессе применения метода ветвей и границ.
Наиболее важным фактором, влияющим на процесс вычислений в целочисленном
программировании, является количество целочисленных переменных. Существую
щие алгоритмы не решают задачу ЦЛП последовательно, т.е. не позволяют получать
промежуточные целочисленные решения, отличные от оптимального, поэтому с вы
числительной точки зрения в задаче ЦЛП необходимо ограничиться по возможности
меньшим числом переменных, принимающих целочисленные значения. Следую
щие советы могут оказаться полезными при решении практических задач.
1. Аппроксимировать целочисленные переменные непрерывными, где это воз
можно.
2. Сузить, насколько возможно, интервалы допустимых значений целочислен
ных переменных.
3. Избегать в модели ЦЛП использования нелинейных функций.
Уровень развития методов решения целочисленных задач не удовлетворяет тре
бованиям, которые диктуются их практической важностью. Маловероятно, что
в целочисленном программировании будет получен новый теоретический прорыв.
Представляется более вероятным, что новые технологические достижения в облас
ти компьютерной техники могут предложить новые пути повышения эффективно
сти алгоритмов реш ения задач ЦЛП.
9.3. ЗАДАЧА КОММИВОЯЖЕРА

Задачи такого типа известны под общим названием задача коммивояжера,
в “ классической” формулировке которой коммивояжер пытается определить
крат чайш ий марш рут для одноразового посещения п городов. По существу, эта
задача является задачей о назначениях с дополнительными ограничениями, кото
рые гарантируют исключение из оптимального решения неполных замкнутых
маршрутов. (В задаче коммивояжера замкнутый маршрут, проходящий через
каждый пункт только один раз, называется циклом; цикл, проходящий через все
пункты, называется полным, в противном случае — частичны м или подциклом.)
В задаче коммивояжера с п городами можно определить такие переменные:
J 1,если город j достижим из города і,
U [0,в противном случае.
Имея значения dtj, расстояния от города і до города j (считается, что dtl = °° при
і - j), задачу коммивояжера можно формализовать следующим образом.
М инимизировать
/=і і --і
—l , i 1 ,2 , ...,/i,
Х л = 1 >j = 2>•••> га>

/=і
х ц = 0 или 1,
реш ение ДОЛЖНО быть ПОЛНЫМ ЦИКЛОМ.
Ограничения задачи, кроме последнего, определяют обычную задачу о назначе
ниях (см. раздел 5.4). В общем случае нет гарантии, что оптимальное решение за
дачи коммивояжера может быть получено путем решения соответствующей задачи
о назначениях, т.е., что оптимальное решение задачи о назначениях образует пол
ный цикл. Более вероятно, что оно будет содержать частичные циклы , соединяю
щие вместе некоторые подмножества узлов сети. На рис. 9.13 показана задача
коммивояжера, состоящая из 5-ти городов. Ребра, соеди н яю щ и е узлы (города) се
ти, соответствуют дорогам с двухсторонним движением. На этом рисунке показано
решение задачи коммивояжера и частичные циклы, соответствующие решению за
дачи о назначениях. Если задача о назначениях формирует полный цикл, то это бу
дет оптимальным решением задачи коммивояжера. Если оптимальное решение за
дачи о назначениях состоит из нескольких частичных циклов, то в эту задачу
добавляются специальные ограничения, удаляющие решения с частичными цик
лами. Такие ограничения будут показаны далее в этом разделе.
Задача 5-ти городов Решение задачи коммивояжера Решение задачи о назначениях

{ Х \2 — * 2 5 — * 5 4 — %ЛЗ ~ *3 1 — 1 ) (*2 3 — *3 2 “ *1 3 — * 5 4 — *4 1 — О
Рис. 9.13. Пример задачи коммивояжера для 5-ти городов

Основные методы решения задачи коммивояжера построены на тех же основах,

что и методы ветвей и границ и отсекающих плоскостей, рассмотренные в разде
ле 9.2. Прежде чем представлять эти методы, рассмотрим пример, демонстрирую
щий универсальность задачи коммивояжера для описания различных практиче
ских ситуаций (см. такж е упражнения 9.3.1).
Пример 9.3.1
Дневной график работы предприятия, производящего краски, включает изготов
ление партий белой (Б), желтой (Ж ), красной (К) и черной (Ч) красок. Так как
предприятие использует одно и то же оборудование для изготовления всех четырех
типов краски, необходима его надлежащ ая чистка между изготовлением различ
ных партий краски. Приведенная ниже таблица содержит время чистки оборудо
вания в минутах, если за изготовлением краски, указанной в строке, следует изго
товление краски, указанной в столбце. Например, если за белой краской следует
ж елтая, то время чистки равно 10 минут. Поскольку за определенным цветом
краски не может следовать такой же цвет, то соответствующее время чистки пола
гается равным бесконечности. Необходимо определить оптимальную последова
тельность дневного производства четырех типов краски, которая минимизирует
суммарное время чистки оборудования.
Время чистки в мин., если следующий цвет

Текущий цвет белый желтый черный красный
Белый оо 10 17 15
Желтый 20 ОО 19 18
Черный 50 44 ОО 25
Красный 45 40 20 ОО
Условия данной задачи можно представить “ графически” , поставив в соответствие

каждому цвету краски узел сети, и приписав каждой дуге, соединяющей два узла,
числовое значение, равное времени чистки. Задача, таким образом, сводится к оп
ределению кратчайшего контура, который начинается в одном узле, проходит че
рез оставшиеся три узла в точности по одному разу перед тем, как возвратиться
в начальный узел.
Эту задачу можно решить путем полного перебора шести [(4-1)! = 3! = 6] возмож
ных контуров сети. Приведенная ниже таблица показывает, что последователь
ность узлов Б—>Ж—>К—>4—>Б определяет оптимальный контур.
Производственный цикл (контур) Суммарное время чистки
Б -> Ж -> Ч -> К -> Б 10 + 1 9 + 2 5 + 45 = 99
Б -> Ж -> К -> Ч -> Б 10 + 18 + 20 + 50 = 98
Б -> Ч -> Ж -> К -> Б 17 + 44 + 18 + 45 = 124
Б -> Ч -> К -> Ж -> Б 17 + 25 + 40 + 2 0 = 102
Б -> К -> Ч -> Ж -> Б 15 + 20 + 44 + 20 = 99
Б -> К -> Ж -> Ч -> Б 15 + 4 0 + 19 + 5 0 = 124

Метод полного перебора контуров практически применим лиш ь для задач малой
размерности. Например, сеть с 11 узлами имеет 10! = 3 628 800 контуров. Следова
тельно, требуется более эффективный подход к решению таких задач.
Определим переменные х равными 1, если узел j достигается из узла г, и 0 в про
тивном случае. Необходимым условием для контура (цикла) является то, что узел г
связывается лишь с одним узлом и узел j достигается лиш ь из одного узла. Считая
М достаточно большим положительным числом, мы можем записать задачу пред
приятия, производящего краски, следующим образом.
М инимизировать г = М х ББ 4- 10хЕЖ4- П х БЧ4- 15лсв/г 4- 20х ЖБ + М х жж4- 19хЖЇ 4-
4-18хжк 4- 5 0 хЧБ 4- 44хЇЖ 4- М х чч 4- 2 5 хч1с 4- 45л; и + 4:0хкж4- 20*^,, 4- М х кк
Х ББ "*■ Х БЖ "*■ Х БЧ Х БК ~
Х ЖБ Х ЖЖ Х ЖЧ Х ЖК ^ ’
Х ЧБ Х ЧЖ Х ЧЧ Х ЧК ~ ^ >
Х КБ Х КЖ Х КЧ Х КК ~ ^ >
Х ББ Х ЖБ Х ЧБ Х КБ ~
Х БЖ Х ЖЖ Х ЧЖ Х КЖ ~ ^ >
Х БЧ Х ЖЧ Х ЧЧ Х КЧ ~
Х БК Х ЖК Х ЧК Х КК ~ ^ ’
Хц = 0 или 1 для всех і и j,

решение должно быть контуром (полным циклом).
Использование константы М в целевой функции гарантирует, что производство
краски одного цвета не будет повторяться подряд.
1. Менеджер проектов имеет 10 сотрудников, которые работают над шестью
проектами, причем каж дый работает одновременно над несколькими проек
тами, как показано в следующей таблице.
1
2
3
4
Сотрудники 5
6
7
8
9
10
Менеджер должен встретиться с каждым из 10 сотрудников один раз в неделю

для обсуждения их проблем. Беседа с каждым из них длится примерно 20 ми
нут, т.е. на разговоры со всеми сотрудниками уходит 3 часа 20 минут. Пред
лагается проводить встречи менеджера с группами сотрудников, работаю
щих над одним и тем же проектом, чтобы уменьшить суммарное время,
которое тратится на совещания. Менеджер планирует составить график об
суждения проектов таким образом, чтобы уменьшить движение в офисе, т.е.
сократить число сотрудников, входящих и выходящих из комнаты для со
вещаний. В какой последовательности необходимо рассматривать проекты?
2. Продавец книг, проживающий в городе А, один раз в месяц должен посетить
своих четырех клиентов, которые проживают в городах Б, В, Г и Д соответст
венно. Приведенная ниже таблица содержит расстояния в милях между раз
личными городами.
А Б В Г Д
А 0 120 220 150 210
Б 120 0 80 110 130
В 220 110 0 160 185
Г 150 110 160 0 190
Д 210 130 185 190 0
Необходимо составить марш рут движ ения продавца книг, минимизирую

щий суммарное расстояние. Сформулируйте задачу в виде задачи о назна
чениях ЦЛП.
3. Пусть в предыдущем упражнении города Б, В, Г и Д обозначены через 1, 2, 3
и 4, а городА разделен на два, которые обозначены через 0 и 5. Пусть мар
шрут продавца книг начинается в городе 0, проходит (в некотором порядке)
через города 1, 2, 3 и 4 и заканчивается в городе 5. Определим переменную у,
для города г (г = 0, 1.......5 ), которая удовлетворяет условиям 0 < vt < 5. Пусть
х ц = 1, если в маршруте город j следует за городом г, и 0 в противном случае.
Покажите, что ограничения
у, - V: + 5 х .< 4, і = 0, 1, . . . , 4, j= 1, 2, . . . , 5,
гарантируют исключение вчсех неполных маршрутов в решении задачи.
9.3.1. Применение метода ветвей и границ для решения задачи

коммивояжера
Вначале алгоритм ветвей и границ применяется к задаче о назначениях, соот
ветствующей данной задаче коммивояжера. Если полученное оптимальное реше
ние образует полный цикл, то на этом вычисления заканчиваются. В противном
случае в задачу необходимо ввести ограничения, удаляющие частичные циклы . Это
создает ряд подзадач, которых в общем случае столько же, сколько переменных об
разуют один частичный цикл. В каждой подзадаче одна из таких переменных уста
навливается равной нулю (напомним, что переменные, ассоциированные с каким-
либо циклом, имеют единичные значения). Реш ения этих подзадач могут либо
сформировать, либо нет полный цикл. Если такой цикл сформирован в какой-либо
подзадаче, то оптимальное значение целевой функции этой подзадачи дает верх
нюю границу длины полного цикла. Если же подзадача не формирует полный
цикл, то она снова разбивается на ряд новых подзадач в соответствии с переменны

ми, которые образуют частичные циклы в решении данной подзадачи. Этот процесс
продолжается до тех пор, пока не будут рассмотрены все существующие подзадачи,
либо пока не будет получено лучшее (меньшее) значение верхней границы длины
полного цикла, или пока не будет доказано, что подзадачи не могут иметь лучшего
решения. Оптимальным решением задачи коммивояжера будет полный цикл, на
котором достигается наилучшее значение верхней границы.
Следующий пример проясняет детали применения метода ветвей и границ для
решения задачи коммивояжера.
Пример 9.3.2
В следующей матрице записаны расстояния между 5 городами задачи коммивояжера.
10 9Л
ОО 2
9
1
2
Решение начальной задачи о назначениях (полученное с помощью TORA) следующее:

2 = 15, (jc13 = jc31 = 1), (jc25= х ьі = х іг = 1), все остальные переменные равны 0.
Это решение порождает два частичных цикла (1-3-1) и (1-5-4-2). Это же решение
обозначено как узел 1 дерева подзадач на рис. 9.14. Полученное значение целевой
функции 2 = 1 5 принимаем в качестве нижней границы длины оптимального ц ик
ла, проходящего через все 5 городов.
( Т )
Рис. 9.14. Дерево подзадач решения задачи коммивояжера методом ветвей и границ
Прямолинейный способ определения верхней границы оптимального цикла за

ключается в том, чтобы выбрать какой-либо полный цикл и подсчитать его длину.
Например, полный цикл 1-2-3-4-5-1 (выбран произвольно) дает общую длину
10 + 5 + 7 + 4 + 3 = 29. (Можно получить лучшее значение верхней границы, если
взять другой полный цикл. Помните, что наименьшая верхняя граница — цель
поиска методом ветвей и границ.)
Вычисленные ниж няя и верхняя границы показывают, что длина оптимального
полного цикла лежит в интервале от 15 до 29. Подзадачи, дающее решение с дли
ной цикла больше 29, отбрасываются как “ не оправдавшие надежд” .
Чтобы исключить частичные циклы в задаче узла 1, надо “ разбить” эти частичные
циклы путем принудительного приравнивания переменных х , задающих эти цик
лы, нулю. Частичный цикл 1-3-1 можно разбить, если положить лс13= 0 или лс31 = 0
(одновременно только одну переменную). Аналогично частичный цикл 2-5-4-2
можно разбить, если ввести ограничения лс25= 0, х ЪА= 0 или х іг = 0. Каждое из по
добных ограничений порождает отдельную ветвь дерева подзадач (и, конечно, от
дельную подзадачу). Важно заметить, что нет необходимости разбивать все имею
щиеся частичные циклы — достаточно исключить только один частичный цикл.
Причина этого в том, что введение в задачу нового ограничения автоматически
влияет на значения всех переменных этой задачи, что создает “ благоприятные” ус
ловия для формирования полного цикла. На основании этого аргумента обычно
разбивают один частичный цикл, наименьший по количеству составляющих его
дуг, поскольку это приводит к меньшему количеству новых ветвей в дереве подзадач.
Выбирая для удаления короткий цикл 1-3-1, получаем на дереве подзадач две вет
ви, определяемые условиями лс13= 0 и лс31 = 0, выходящие из узла 1. Новые задачи о
назначениях строятся путем удаления из последней задачи переменной ветвления
(т.е. лс13 или лс31), что уменьшает размер подзадач. Другой путь построения подзадач
(который дает тот же самый результат при решении этих подзадач и который со
храняет их размер) заклю чается в том, чтобы назначить переменным ветвления
значения расстояний, равные бесконечности. Например, в подзадаче с ограничени
ем лс13 = 0 расстоянию d l3 присваивается значение °°.
Из двух имеющихся подзадач решим сначала задачу с условием лс13= 0 (узел 2 на
рис. 9.14) — порядок реш ения подзадач произвольный. Получаем решение 2 = 17,
которое формирует два частичных цикла (2-5-2) и (1-4-3-1). Эту подзадачу разбива
ем на две путем введения дополнительных ограничений лс25 = 0 и лс52 = 0 так же, как
это сделано в задаче узла 1.
Теперь имеется три нерешенные подзадачи, которые соответствуют узлам 3, 4 и 5
на рис. 9.14. Произвольно выбираем для решения подзадачу узл аЗ . В исходных
данных для этой подзадачи устанавливаем d l3 = °° и d2i = °°. Ее решение дает 2 = 21
с полным циклом 1-4-5-2-3-1. Поскольку получено решение с полным циклом, то
ветвления в узле 3 не будет.
Решение подзадачи у зл аЗ позволяет улучшить значение верхней границы, z = 21,
оптимальной длины полного цикла. Это означает, что любая нерассмотренная под
задача, для которой можно показать, что она даст решение, превышающее или
равное 21, можно отбросить и не рассматривать.
Из нерассмотренных подзадач 4 и 5 выбираем для решения подзадачу 4. Д ля ее ре
ш ения в данных исходной задачи о назначениях положим d l3 = °° и d M= Получа
ем решение этой подзадачи с z = 19 и полным циклом 1-4-2-5-3-1. Это решение
предлагает новую верхнюю границу z = 19.
Осталась нерассмотренной только подзадача узла 5. Д ля ее решения в данны х ис

ходной задачи о назначениях положим d 3i = Получаем решение с г = 16 и пол
ным циклом 1-3-4-2-5-1, а такж е новую верхнюю границу г = 16.
Нерассмотренных подзадач не осталось. Оптимальным циклом будет цикл 1-3-4-2-
5-1 с длиной в 16 миль.
Сделаем замечание. Излишне длинная последовательность решения подзадач 1—>
2-> 3—> 4—> 5, приведшая к оптимальному решению в данном примере, снова пока
зывает основной недостаток метода ветвей и границ — невозможно предсказать по
следовательность выбора подзадач, ведущую к оптимальному решению наиболее
коротким путем. Например, если первой была бы решена подзадача узла 5, то это
дало бы значение верхней границы, равное 16. Это автоматически отбрасывает
возможные подзадачи, порождаемые в узле 2.
Конечно, существуют эвристические подходы, позволяющие помочь в “ предсказа
нии” последовательности подзадач, ведущей к оптимальному решению наиболее
эффективным путем. Например, после того, как определены все ветви
(подзадачи), выходящ ие из некоторого узла дерева подзадач, первой реш ается та
подзадача, у которой исключаемой переменной х ц соответствует наибольшее зна
чения расстояния d l} среди рассматриваемых подзадач. Если воспользоваться
этим правилом в данном примере, то после определения подзадач узла 1 первой
надо решать подзадачу 5, что приведет к оптимальному решению всего за два
этапа. (Первый этап — решение подзадачи 5, второй этап — решение подзада
чи 2, которое дает худшее значение целевой ф ункции (г = 17), чем сущ ествую щ ая
на тот момент верхняя граница, равная 16.)
1. Решите задачу примера 9.3.2, начав с удаления частичного цикла 2-5-4-2.
При прохождении дерева подзадач примените следующие правила.
a) На каждом уровне дерева подзадач исследуйте подзадачи слева направо.
Переходите на следующий уровень только после того, как будут рассмот
рены все подзадачи текущего уровня.
b)Исследуйте подзадачи “ вертикально” , начиная от нулевого узла и после
довательно проходя по ветвям, пока не будут рассмотрены все подзадачи
одной последовательности ветвей.
2. Реш ите методом ветвей и границ задачу из упражнения 9.3.1.1.
3. Решите методом ветвей и границ задачу из упражнения 9.3.1.2.
4. Решите методом ветвей и границ задачу из упражнения 9.3.1.3.
9.3.2. Применение метода отсекающих плоскостей для решения

задачи коммивояжера
Идея прим енения метода отсекаю щ их плоскостей для реш ения задачи ком
мивояжера заклю чается в том, чтобы в первоначальную задачу о назначениях
ввести дополнительны е ограничения, гарантированно удаляю щ ие частичны е
циклы. Эти дополнительны е ограничения строятся следующим образом. Пусть
в задаче ком мивояж ера с п городами каж дому городу с номерами 2, 3, ..., п ста
вится в соответствие непреры вная неотрицательная переменная и,. Тогда допол

нительные ограничения имеют вид
и, - ц. + тіХц < п - 1 , 1 = 2, 3, п, j = 2, 3, п, ІФ].
Эти ограничения, добавленные в исходную задачу о назначениях, автоматиче
ски удаляют из решения частичные циклы , оставляя все полные циклы .
Пример 9.3.3
В следующей матрице записаны расст ояния между 4 городами задачи коммивояжера.
13 21 26n
10 °° 29 20
1К«= 30 20 ~ 5
,12 30 7
Данная задача коммивояжера формішизуется как соответствующая задача о назна-
чениях плюс следующие дополните,гсьные ограничения, исключающие из решения
частичные циклы. Все переменные х 1 двоичные, все переменные ut неотрицательные,
Задача решается как частично-целоч деленная задача линейного программирования.
^1 1 ^12 ^13 ^14 ^21 ^22 ^23 Х 24 ^31 ^32 ^33 ^34 ^41 ^42 ^43 ^44 ^2 ^3
4 1 -1 <3
4 1 -1 <3
4 -1 1 <3
4 1 -1 <3
4 -1 1 <3
4 -1 1 <3
Оптимальное решение этой задачи (полученное с помощью TORA) следующее:

иг = 0, и3= 1, и4 = 2, jc12 = jc23 = jc34 = = 1, длина полного цикла = 59.
Это решение формирует полный цикл 1-2-3-4-1. Решение удовлетворяет всем до
полнительным ограничениям (проверьте!).
Чтобы показать, что частичные циклы не удовлетворяют дополнительным ограничени
ям, рассмотрим решение с частичными циклами (1-2-1) и (3-4-3): х 12= х21= 1, = х43= 1.
Теперь рассмотрим ограничения 4 и 6, представленные в выше приведенной таблице.
4 x 3i + u3- u t <3,
4*43- и3+ и4<3.
Подставив в эти выражения значения jc34 = х 43 = 1 и сложив их, получим невыпол
нимое неравенство 8 < 6, что говорит о невозможности частичного цикла 3-4-3.
Основным недостатком применения метода отсекающих плоскостей к решению за
дачи коммивояжера является то, что введение дополнительных ограничений резко
увеличивает размер задачи, при этом количество таких ограничений возрастает по
экспоненциальному закону при росте количества посещаемых городов.
1. Решите следующие задачи коммивояжера методом отсекающих плоскостей.
ОО 43 21 20'
10 ОО 9 22
а) Задача с матрицей расстояний W
20 10 ОО 5
42 50 27 °°,
b) Задача из упражнения 9.3.1.2.

c) Задача из упражнения 9.3.1.3.
1. Nemhauser G., Wolsey L. In teg er and Combinatorial O ptimization, W iley, New
York, 1988.
2. Salkin H., M athur K. Foundations of Integer Programming, N orth-H olland, New
York, 1989.
3. Taha H. Integer Programming: Theory, Applications, and Computations, Academic
Press, Orlando, FL, 1975.
4. Wolsey L. Integer Programming, W iley, New York, 1998.

1. Белоусов Е. Г. Введение в вы пуклы й анализ и целочисленное программирова
ние. — М.: Изд-воМГУ, 1977.
2. Корбут А. А., Ф инкелынтейн Ю. Ю. Дискрет ное программирование. — М.:
Наука, 1968.
3. Ху Т. Целочисленное программирование и потоки в сетях. — М .: Мир, 1974.
9.1. Развиваю щ аяся компания владеет 90 акрами земли в растущей столичной
зоне, где планирует построить офисные здания и торговый центр. Создан
ная собственность сдается в аренду на 7 лет и затем продается. Цена каж до
го здания оценивается в 10 раз выше суммы чистого дохода, полученного за
последний год от сдачи здания в аренду. Компания оценивает, что проект
будет включать торговый центр площадью в 4,5 миллиона квадратных фу
тов. Бизнес-план предусматривает строительство трех высотных офисных
зданий и четырех зданий с садом.
Перед компанией стоит задача составления расписания работ. Если строи
тельство завершается очень рано, построенные здания могут остаться не
востребованными; если строительство завершается очень поздно, могут
быть потеряны потенциальные арендаторы. Потребности в офисных пло
щадях на следующие 7 лет, вычисленные на основе соответствующего изу
чения рынка, показаны в следующей таблице.
Потребность (тыс. кв. футов)

Год В высотных зданиях В офисах с садом
1 200 1СС
2 220 110
3 242 121
4 266 133
5 293 146
6 322 161
7 354 177
Следующая таблица содержит предложения по площадям семи зданий.
Здания с садом Площадь (кв. футы) Высотные здания Площадь (кв. футы)
1 60 000 1 350 000
2 60 000 2 450 000
3 75 000 3 350 000
4 75 000 —
Суммарный доход от ренты оценивается в 25 долл. за квадратный фут. Те

кущ ие затраты равны 5,75 и 9,75 долл. за квадратный фут для офисов с са
дом и высотных зданий соответственно. Затраты на строительство равны 70
и 105 долл. за квадратный фут соответственно. Считается, что и стоимость
строительства, и рентный доход возрастают примерно в соответствии с про
центом инфляции, равным 4%.
Каким образом компания должна спланировать строительство семи зданий?
9.2. 4 В Национальной университетской ассоциации женской спортивной гимна
стики проводятся соревнования, которые включают четыре вида спортив
ных состязаний: опорный прыжок, упраж нения на разновысоких брусьях и
бревне, а такж е вольные упражнения. К аж дая команда может выставить
шесть участников на каж дый вид. Выступления гимнасток оцениваются по
десятибалльной шкале. Статистика по университетской команде дает сле
дующие показатели по отдельным гимнасткам.
Показатели гимнасток
1 2 3 4 5 6
Опорный прыжок 6 9 8 8 4 10
Брусья 7 9 7 8 9 5
Бревно 9 8 10 9 9 8
Вольные упражнения 6 6 5 9 10 9
Общее число очков команды определяется путем суммирования пяти луч

ших индивидуальных показателей для каждого вида состязаний. Участник
соревнований может выступать в одном виде или во всех четырех сразу. Эти
4 Задача основана на материалах статьи E llis P ., Corn R. “U sin g B ivalent Integer Pro-
-ram m ing to Select Teams of Intercollegiate W om en’s G ym nastic Com petition”, Interfaces,
V o l.14, No. 3, 1984, pp. 4 1 -4 6 .
две возможности взаимно исключают друг друга. Спортсмену разрешается

участвовать максимум в трех видах, и по меньшей мере четыре участника
команды долж ны соревноваться по четырем видам. Сформулируйте задачу
ЦЛП, которую можно использовать для формирования гимнастической ко
манды, и найдите ее оптимальное решение, используя программу TORA.
9.3. 5 В 1990 году в Соединенных Штатах на телевидении функционировало при
мерно 180000 центров рекламы, что позволяло предоставить работу 2 миллио
нам человек. Исследования показывают, что в 2000 году более 700000 компа
ний будут использовать труд примерно 8 миллионов человек для рекламы своей
продукции на телевидении. Вопросами первостепенной важности являются
необходимое количество центров рекламы на телевидении и их размещение.
Компания ABC занимается решением поставленных вопросов. Рекламный
центр может быть расположен в одном из нескольких районов, выбранных
компанией, и может обслуживать (частично или полностью) одну или не
сколько географических зон. Обычно понятие географической зоны ассо
циируется с одним или несколькими телефонными кодами. Центры рекла
мы на телевидении, которыми занимается компания ABC, расположены
в восьми зонах с кодами 501, 918, 316, 417, 314, 816, 502 и 606. Следующая
таблица содержит информацию о кандидатах на размещение центра; зонах,
которые они обслуживают; и стоимости организации центра.
Размещение центра Коды обслуживаемых зон Стоимость (долл.)
Даллас 501, 918, 3 1 6 ,4 1 7 500 000

Атланта 314, 816, 502, 606 800 000
Луисвилл 918, 316, 417, 314, 816 400 000
Денвер 501, 502, 606 900 000
Литл-Рок 417, 314, 816, 502 300 000
Мемфис 606, 5 0 1 ,3 1 6 , 417 450 000
Сан-Луис 816, 502, 606, 314 550 000
Клиенты всех зон имеют доступ к каждому из рекламных центров 24 часа

в сутки. Стоимость связи между центрами и соответствующими зонами
(в долл. за час) приведена в следующей таблице.
Из зоны с кодом
В центр 501 918 316 417 314 816 502 606
Даллас 14 35 29 32 25 13 14 20
Атланта 18 18 22 18 26 23 12 15
Луисвилл 22 25 12 19 30 17 26 25
Денвер 24 30 19 14 12 16 18 30
Литл-Рок 19 20 23 16 23 11 28 12
Мемфис 23 21 17 21 20 23 20 10
Сан-Луис 17 18 12 10 19 22 16 22
5 Задача базируется на работе Spenser Т., Brigand! A ., Dargon D ., Sheehan М. “AT&T’s

Telemarketing Site Selection System O ffers Customer Support”, In terfaces, Vol. 20, No. 1,
1990, pp. 8 3 -9 6 .
Компания ABC собирается выбрать три или четыре рекламных центра. Где
они должны быть расположены?
9.4. 6 Электрическая компания, обслуживающая сельские районы, хочет опреде
лить количество своих сервисных центров и их местоположение. Компания об
служивает 5 районов, в которых проживает следующее число потребителей.
Район 1 2 3 4 5
К-во потребителей 400 500 300 600 700
Компания определила пять возможных мест для размещения своих сервис

ных центров. В следующей таблице приведены средние расстояния от этих
возможных центров до районов потребления.
Сервисный центр
Район 1 2 3 4 5
1 40 100 20 50 ЗО
2 120 90 80 ЗО 70
3 40 50 90 80 40
4 80 70 110 60 120
5 90 100 40 110 90
Средняя скорость передвижения аварийных машин сервисных центров со

ставляет 45 миль в час. Компания хочет, чтобы пользователи в любом рай
оне ожидали аварийные машины не более 90 минут. Где должны распола
гаться сервисные центры?
6 Задача основана на материалах статьи E rkut Е ., Myrdon Т., Strangw ay К. “Transatlanta

R edesigns Its Service D elivery N etwork” , In terfaces, V ol.30, No. 2, 2000, pp. 5 4 -6 9 .
ГЛАВА 10
ДЕТЕРМИНИРОВАННЫЕ МОДЕЛИ
ДИНАМИЧЕСКОГО
Динамическое программирование (ДП) определяет оптимальное решение п-
мерной задачи путем ее декомпозиции на п этапов, каж дый из которых представ
ляет подзадачу относительно одной переменной. Вычислительное преимущество
такого подхода состоит в том, что мы занимаемся решением одномерных оптими
зационных подзадач вместо большой л-мерной задачи. Фундаментальным принци
пом ДП, составляющим основу декомпозиции задачи, является оптимальность.
Так как природа каждого этапа решения зависит от конкретной оптимизационной
задачи, ДП не предлагает вычислительных алгоритмов непосредственно для к аж
дого этапа. Вычислительные аспекты решения оптимизационных подзадач на к а
ждом этапе проектируются и реализуются по отдельности (что, конечно, не исклю
чает применения единого алгоритма для всех этапов).
10.1. РЕКУРРЕНТНАЯ ПРИРОДА ВЫЧИСЛЕНИЙ ДП

Вычисления в ДП выполняются рекуррентно в том смысле, что оптимальное
решение одной подзадачи используется в качестве исходных данных для следую
щей. Решив последнюю подзадачу, мы получим оптимальное решение исходной
задачи. Способ выполнения рекуррентных вычислений зависит от того, как произ
водится декомпозиция исходной задачи. В частности, подзадачи обычно связаны
между собой некоторыми общими ограничениями. Если осуществляется переход от
одной подзадачи к другой, то должны учитываться эти ограничения.
Пример 10.1.1. Задача о кратчайшем пути

Предположим, необходимо выбрать кратчайш ий путь между двумя городами.
Сеть дорог, показанная на рис. 10.1, представляет возможные маршруты между
исходным городом, находящ имся в узле 1, и конечным пунктом, который нахо
дится в узле 7. М аршруты проходят через промежуточные города, обозначенные
на сети узлами с номерами 2 -6 .
442 Глава 10. Детерминированные модели динамического программирования
Мы можем решить эту задачу посредством полного перебора всех маршрутов меж
ду узлами 1 и 7 (имеется пять таких маршрутов). Однако в большой сети полный
перебор является неэффективным с вычислительной точки зрения.
Чтобы решить эту задачу с помощью методов динамического программирования, сна
чала разделим ее на этапы. Вертикальные пунктирные линии на рис. 10.2 очерчивают
три этапа задачи. Далее выполняются вычисления для каждого этапа в отдельности.
Рис. 10.2. Декомпозиция задачи на три этапа
Общая задача состоит в вычислении кратчайш их (постепенно накапливаемых) рас

стояний ко всем вершинам этапа с последующим использованием этих расстояний
в качестве исходных данных для следующего этапа. Рассматривая узлы, относящиеся
к первому этапу, замечаем, что каждый из узлов 2, 3 и 4 связан с начальным узлом 1
единственной дугой (рис. 10.2). Следовательно, для первого этапа имеем следующее.
Этап 1. Итоговые результаты.
Кратчайший путь к узлу 2 равен 7 миль (из узла 1).
К ратчайш ий путь к узлу 3 равен 8 миль (из узла 1).
Кратчайш ий путь к узлу 4 равен 5 миль (из узла 1).
Далее переходим ко второму этапу для вычисления кратчайш их (накопленных)
расстояний к узлам 5 и 6. Рассматривая узел 5 первым, из рис. 10.2 замечаем, что
10.1. Рекуррентная природа вычислений ДП 443
есть три возможных маршрута, по которым можно достичь узла 5, а именно (2, 5),
(3, 5) и (4, 5). Эта информация вместе с кратчайш ими расстояниями к узлам 2, 3,
и 4 определяет кратчайш ее (накопленное) расстояние к узлу 5 следующим образом.
Кратчайший ^ Расстояние от
= min
путь к узлу 5 J ,=- 3J узла і к узлу 5,
7 + 12 = 19
8+ 8 = 16 = 12 (из узла 4).
5+ 7 = 12
Аналогично для узла 6 имеем следующее.
^Кратчайший Кратчайший | Расстояние от
= min . +
путь к узлу 6 I ,=34 путь к узлу I ) узла і к узлу 6
8+ 9 = 17
= min^ ? = 17 (изузлаЗ).
[5+ 13 = 18] v ’

Последним шагом является третий этап. Конечный узел 7 можно достичь как из
узла 5, так и 6. Используя итоговые результаты этапа 2 и расстояния от узлов 5 и 6
к узлу 7, получаем следующее.
Кратчайший^ fl2 + 9 = 2l] .
=тЫ г = 21 (изузла5).
путь к узлу 7 J [l7 + 6 = 23j

Кратчайший путь к узлу 7 равен 21 миле (из узла 5).
Приведенные вычисления показывают, что кратчайш ее расстояние между узлами
1 и 7 равно 21 миле. Города, через которые проходит кратчайш ий маршрут, опре
деляются следующим образом. Из итоговых результатов третьего этапа следует,
что узел 7 связывается с узлом 5. Далее из итоговых результатов второго этапа сле
дует, что узел 4 связывается с узлом 5. Наконец, из итоговых результатов первого
этапа следует, что узел 4 связывается с узлом 1. Следовательно, оптимальным
маршрутом является последовательность 1—> 4—> 5—> 7.
Теперь покажем, как рекуррентные вычисления динамического программиро

вания можно выразить математически. Пустьf ( jc,) — кратчайш ее расстояние до уз
ла Xj на этапе i, d(xLl^Ci) — расстояние от узла jc,_j до узла х,. Тогда f вычисляется на
основе значений f Ll с помощью следующего рекуррентного уравнения.
/,(*,)= min
все д опусти м ы е Ł
.*,•) + / . , (*,-i)}> ' = 1.2,3.
(•*>-1 -хі )-маршруты
При / = 1 полагаем f 0(x0) = 0. Это уравнение показывает, что кратчайшие расстояния

f{x) на этапе / должны быть выражены как функции следующего узла х,. В термино
логии динамического программирования х, именуется состоянием системы на этапе і.
В действительности состояние системы на этапе і — это информация, связывающая

этапы между собой, при этом оптимальные решения для оставшихся этапов могут при
ниматься без повторной проверки того, как были получены решения на предыдущих
этапах. Такое определение состояния системы позволяет рассматривать каждый этап
отдельно и гарантирует, что решение является допустимым на каждом этапе.
Определение состояния системы приводит к следующему унифицированному
положению.
Принцип оптимальности. На каждом этапе оптимальная стратегия определяет
ся независимо от стратегий, использованных на предыдущих этапах.
Применение принципа оптимальности демонстрируется вычислениями из при
мера 10.1.1. Например, на этапе 3 мы используем кратчайш ие пути к узлам 5 и 6
и не интересуемся, как эти узлы были достигнуты из узла 1.
1. Решите задачу из примера 10.1.1, предполагая, что используются следую
щие длины маршрутов:
</(1,2) = 5, </(1,3) = 9, </(1,4) = 8,
d(2, 5)= 10, d(2,6)= 17,
</(3, 5) = 4, d(3, 6) = 10,
d(4, 5) = 9, d(4, 6) = 9,
d(5, 7) = 8,
d(6, 7) = 9.
2. Я — заядлый турист. Прошлым летом мы с другом отправились в пятиднев
ный поход по прекрасным Белым Горам в штате Нью-Гемпшир. Мы решили
ограничить наше путешествие территорией, на которой расположены три
хорошо известные вершины: Вашингтон, Джефферсон и Адамс. Гора Ва
шингтон имеет шестимильную тропу от подножия до вершины. Аналогич
ные тропы гор Джефферсона и Адамса имеют длину 4 и 5 миль соответствен
но. Тропы, соединяющие подножия этих трех гор, имеют следующую длину:
3 мили между вершинами Вашингтона и Джефферсона, 2 мили между вер
шинами Джефферсона и Адамса и 5 миль между вершинами Адамса и Ва
шингтона. В первый день мы стартовали от подножия вершины Вашингтона
и вернулись в эту же точку к концу пятого дня. Нашей целью было пройти
как можно более длинный путь. Мы такж е решили подниматься каждый
день только на одну вершину и располагаться лагерем у подножия той горы,
на которую мы решили восходить на следующий день. Кроме того, мы реши
ли, что не будем подниматься на одну и ту же вершину в течение двух дней
подряд. Каким было расписание нашего похода?
10.2. РЕКУРРЕНТНЫЕ АЛГОРИТМЫ ПРЯМОЙ И ОБРАТНОЙ

ПРОГОНКИ
В примере 10.1.1 вычисления проводились последовательно: от первого этапа до
третьего. Такая последовательность вычислений известна как алгоритм прямой про
гонки. Этот же пример может быть решен с помощью алгоритма обратной прогонки,
в соответствии с которым вычисления проводятся от третьего этапа до первого.
10.2. Рекуррентные алгоритмы прямой и обратной прогонки 445
Алгоритмы прямой и обратной прогонки приводят к одному и тому ж е реш е

нию. Несмотря на то что алгоритм прямой прогонки представляется более логич
ным, в специальной литературе, посвященной динамическому программированию,
неизменно используется алгоритм обратной прогонки. Причина этого в том, что
в общем случае алгоритм обратной прогонки может быть более эффективным с вы
числительной точки зрения. Продемонстрируем использование алгоритма обрат
ной прогонки на примере 10.1.1. Мы такж е представим вычисления динамического
программирования в компактной табличной форме.
Пример 10.2.1
Рекуррентное уравнение для алгоритма обратной прогонки в примере 10.1.1 имеет вид
/,(* ,)= min {d(xi,x ^ ) + f ^ (дгы )}, / = 1,2,3,
' все допустимые Ł
(л /.хм )-маршруты
где ft(xt) = 0 для x t = 7. Соответствующей последовательностью вычислений будет

U~*
Этап 3. Поскольку узел 7 (хА= 7) связан с узлами 5 и 6 (х, = 5 и 6) только одним
маршрутом, альтернативы для выбора отсутствуют, а результаты третьего этапа
можно подытожить следующим образом.
ф г3, Xi) Оптимальное решение
Хз Xi = 7 f3{x з) х'
5 9 9 7
6 6 6 7
Этап 2. Так как маршрута (2, 6) не существует, соответствующая альтернатива не

рассматривается. Используя значения f 3(x3), полученные на третьем этапе, мы можем
сравнить допустимые альтернативные решения, как показано в следующей таблице.
сЦх2, хз) + h(Xi) Оптимальное решение
х2 х3 = 5 х3 = 6 k{x2)
2 12 + 9 = 21 — 21 5
3 8 + 9 = 17 9 + 6=15 15 6
4 7 + 9=16 1 3 + 6 = 19 16 5
Оптимальное решение второго этапа означает следующее. Если вы находитесь в уз

ле (городе) 2 или 4, кратчайш ий путь к узлу 7 проходит через узел 5, а если в узле
3 — через узел 6.
Этап 1. Из узла 1 начинаются три альтернативных маршрута: (1, 2), (1, 3) и (1, 4).
Используя значения f 2(x 2), полученные на втором этапе, вычисляем данные сле
дующей таблицы.
Оптимальное решение на первом этапе показывает, что кратчайший путь проходит
через город 4. Далее из оптимального решения на втором этапе следует, что из города
4 необходимо двигаться в город 5. Наконец, из оптимального решения на третьем
этапе следует, что город 5 связан с городом 7. Следовательно, полным маршрутом,
имеющим кратчайшую длину, является 1—>4—>5—> 7, и его длина равна 21 миле.
d(xu х2) + f2(x2) Оптимальное решение
Х\ *. = 2 х2 = 3 Хг = 4 M *t) хг
1 7 + 21 = 28 8 + 15 = 23 5 + 16 = 21 21 4
1. Д ля задачи из упражнения 10.1.1 получите рекуррентное соотношение об
ратной прогонки и используйте его для получения оптимального решения.
2. Д ля задачи из упражнения 10.1.2 получите рекуррентное соотношение об
ратной прогонки и используйте его для получения оптимального решения.
3. Определите кратчайш ий маршрут между городами 1 и 7 на сети дорог, пред
ставленной на рис. 10.3. Определите этапы и состояния системы с помощью
алгоритма обратной прогонки, а затем решите задачу.
10.3. ПРИЛОЖЕНИЯ ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ

В данном разделе рассмотрено четыре примера, каж ды й из которых выбран для
демонстрации методов динамического программирования. При рассмотрении каж
дого примера особое внимание обратите на три основных элемента моделей дина
мического программирования.
1. Определение этапов.
2. Определение на каждом этапе вариантов реш ения (альтернатив).
3. Определение состояний на каждом этапе.
Из перечисленных выше элементов понятие состояния, как правило, представ
ляется весьма сложным для восприятия. Рассмотренные в этом разделе приложе
ния последовательно показывают, что определение состояния меняется в зависи
мости от моделируемой ситуации. При рассмотрении каждого приложения полезно
ответить на следующие вопросы.
1. К акие соотношения связывают этапы вместе?
2. К акая информация необходима для того, чтобы получить допустимые реше
ния на текущем этапе без повторной проверки решений, принятых на преды
дущих этапах?
Мой опыт преподавания показывает, что понятие состояния удается глубже

уяснить, если поставить под сомнение определение состояния, которое предложено
в настоящей книге. Рекомендуем воспользоваться каким-либо другим определени
ем, которое покаж ется вам “ более логичны м” , и применить его в рекуррентных
вычислениях. В конечном счете вы сможете убедиться, что приведенные здесь оп
ределения обеспечивают корректное решение задач. В то же время предложенный
подход будет способствовать вашему пониманию самой концепции состояния.
10.3.1. Задача о загрузке

Задача о загрузке — это задача о рациональной загрузке судна (самолета, авто
машины и т.п.), которое имеет ограничения по объему или грузоподъемности. Ка
ждый помещенный на судно груз приносит определенную прибыль. Задача состоит
в определении загрузки судна таким и грузами, которые приносят наибольшую
суммарную прибыль.
Перед тем как представить соотношения динамического программирования,
заметим, что рассматриваемая здесь задача известна такж е как задача о снаряж е
нии, где пилот реактивного самолета должен определить наиболее ценные
(необходимые) предметы, которые следует взять на борт самолета, или как задача
о рюкзаке, в которой солдат (или турист) должен определить наиболее ценные
предметы, подлежащие загрузке в ранец (рюкзак). К аж ется, что три упомянутых
названия для одной и той же задачи были выбраны для того, чтобы гарантировать
равное представительство военно-морского флота, воздушных сил и армии!
Рекуррентное уравнение процедуры обратной прогонки выводится для общей
задачи загрузки судна грузоподъемностью W предметов (грузов) п наименований.
Пусть iiij — количество предметов і-го наименования, подлежащ их загрузке, г, —
прибыль, которую приносит один загруженный предмет /-го наименования, w,—
вес одного предмета i'-го наименования. Общая задача имеет вид следующей цело
численной задачи линейного программирования.
М аксимизировать z = rxin{+ r2m2+ ... + r„m„
при условии, что
wy/ij + w2m2+ ... + wnmn< W,
ni\, m2..... mn> О и целые.
Три элемента модели динамического программирования о п р е д е л я е т с я сле
1. Этап і ставится в соответствие предмету /-го наименования, / = 1 , 2 п.
2. Варианты решения на этапе і описываются количеством т, предметов /-го на
именования, подлежащих загрузке. Соответствующая прибыль равна дун,-. Зна
чение nij заключено в пределах от 0 до [W/wJ, где [W/wJ — целая часть числа W/w,.
3. Состояние х, на этапе і выражает суммарный вес предметов, решения о по
грузке которых приняты на этапах і, і + 1,..., п. Это определение отражает тот
факт, что ограничение по весу является единственным, которое связывает п
этапов вместе.
Пусть f t(x ) — максимальная суммарная прибыль от этапов /, / + 1......п при за
данном состоянии Xj. Проще всего рекуррентное уравнение определяется с помо
щью следующей двухшаговой процедуры.
Ш аг 1. В ыразим/(*,) как функцию fi^(xi+l) в виде
/,(*,) = max {>;»«,+/ /+1(*і+1)}, і = 1,2,..., я,

m,=0.t..МЧ1 J
г, = 0.1.....W '
где/„^(л^і) = 0.
Ш аг 2. Выразим лг^, как функцию дг,- для гарантии того, что левая часть по
следнего уравнения является функцией лиш ь дг,. По определению
X j-x Ul представляет собой вес, загруженный на этапе /, т.е. х -
*/+1 = w,mi или xUt = Xj- WjiTij. Следовательно, рекуррентное уравнение
приобретает следующий вид.
/;(х ;)= max Ь - П * / = 1,2,..., п.
от,-«0.1.. -J4
«0. I .... W '
Пример 10.3.1
В 4-тонный самолет загружаются предметы трех наименований. Приведенная ни
же таблица содержит данные о весе одного предмета w, (в тоннах) и прибыли г,
(в тысячах долларов), получаемой от одного загруженного предмета. К ак необхо
димо загрузить самолет, чтобы получить максимальную прибыль?
Предмет і IV; гі
1 2 31
2 3 47
3 1 14
Так как вес одного предмета w, для всех наименований и максимальный вес W при
нимают целочисленные значения, состояние X; может принимать лиш ь целочис
ленные значения.
Этап 3. Точный вес, который может быть загружен на этапе 3 (предмет наименования
3), заранее неизвестен, но он должен принимать одно из значений 0, 1...... 4 (так как
W = 4 тонны). Состояния х3= 0 и х3= 4 представляют собой крайние случаи, когда пред
меты третьего наименования совсем не загружаются или загружают самолет полно
стью. Остальные значения х3(= 1, 2 или 3) предполагают частичную загрузку самолета
предметами третьего наименования. Действительно при этих значениях х3 все остав
шиеся емкости самолета могут быть заполнены предметами третьего наименования.
Так как вес ш3 одного предмета третьего типа равен 1 тонне, максимальное количе
ство единиц этого типа, которое может быть загружено, равно [4/1] = 4. Это означа
ет, что возможными значениями х 3 будут 0, 1, 2, 3 и 4. Решение т3 является допус
тимым лиш ь при условии, что w3m3< x 3. Следовательно, все недопустимые
альтернативы (те, для которых w3m3> х 3) исключены. Следующее уравнение явля
ется основой для сравнения альтернатив на этапе 3.
В следующей таблице сравниваются допустимые решения для каждого значения х г.
14тз Оптимальное решение
X} т 3= 0 ту = 1 т 3= 2 тз = 3 тз = 4 Ыхз) »h
0 0 — — — — 0 0
1 0 14 — — — 14 1
2 0 14 28 — 28 2
3 0 14 28 42 42 3
4 0 14 28 42 56 56 4
Этап 2.
4
Л (*:) = max{47т, + / 3(х, -Зот,)}, тах{/л: } 3
= 1.
4 7 /7 7 2 + fi(x2 - 3/772) Оптимальное решение
*2 /772 =0 /772 = 1 h(Xi) т\
0 0 +0 =0 — 0 0
1 0 + 14=14 — 14 0
2 0 + 28 = 28 — 28 0
3 0 + 42 = 42 47 + 0 = 47 47 1
4 0 + 56 = 56 4 7 + 14 = 61 61 1
Этап 1.
4
/,(л г,) = тах{31т + /,( де, —2/и,)}, max{ »/,} = = 2.
(К, v .2
31 m, + f2(*i -2 т ,) Оптимальное решение
х, mi =0 т, = 1 гп\ = 2 M * i)
ч
0 0 +0 =0 — — 0 0
1 0 + 14=14 — — 14 0
2 0 + 28 = 28 3 1 + 0 = 31 — 31 1
3 0 + 47 = 47 31 + 1 4 = 45 — 47 0
4 0 + 61 = 61 31 + 28 = 59 62 + 0 = 62 62 2
Оптимальное решение определяется теперь следующим образом. Из условия W = 4

следует, что первый этап решения задачи при х х = 4 дает оптимальное решение
т\ = 2, которое означает, что два предмета первого наименования будут загружены
в самолет. Эта загрузка оставляет х г= х х~ 2 т,' = 4 - 2 x 2 = 0. Решение на втором
этапе при л:2= 0 приводит к оптимальному решению т] = 0 , которое, в свою оче
редь, дает х 3= х 2- 3 т‘ = 0 - 3 x 0 = 0. Далее этап 3 при х 3= 0 приводит к т] = 0.
Следовательно, оптимальным решением задачи является от* = 2, т\ = О и т* = 0.

Соответствующая прибыль равна 62 ООО долларов.
В таблице для первого этапа нам, по существу, необходимо получить оптимальное
решение лиш ь для х { = 4, так к ак это последний этап, подлеж ащ ий рассмотрению.
Однако в таблицу вклю чены такж е вычисления д л я = О, 1, 2 и 3, которые позво
ляю т провести анализ чувствительности реш ения. Например, что произойдет, если
м аксимальная грузоподъемность самолета будет 3 тонны вместо 4? Новое опти
мальное решение может быть определено, начиная с х, = 3 на первом этапе и про
долж ая так, к ак мы поступали при x t — 4.
Задача о загрузке явл яется типичны м представителем задачи распределения

ресурсов, в которой ограниченны й ресурс распределяется между конечным чис
лом видов (экономической) деятельности. При этом целью явл яется максимиза
ц ия соответствующей ф ункции прибы ли. В так и х моделях определение состоя
н ия на каж дом этапе будет аналогично приведенному для задачи о загрузке:
состоянием на этапе і явл яется суммарное количество ресурса, распределяемого
на этапах і, і + 1,..., п.
Реш ение задачи о загрузке в Excel. Природа вычислений в динамическом про
граммировании такова, что делает невозможным разработку универсальных про
грамм для реш ения задач ДП. Возможно, этим объясняется отсутствие на сего
дняш ний день коммерческих программных продуктов, рассчитанных на решение
широкого класса задач ДП.
Здесь мы покажем, как решается в Excel один подкласс задач ДП — задача о загруз
ке с одним ограничением (файл chlOKnapsack.xls‘). На рис. 10.4 показан рабочий лист
Excel для решения задачи о загрузке методом обратной прогонки. Рабочий лист разбит
на два раздела. В разделе, ограниченном столбцами Q:V, выводятся результаты вычис
лений. В другом разделе (столбцы А:Р) в его верхней части (строки 3 -6 ) содержатся
входные данные для текущего этапа, ниж няя часть (строка 7 и ниже) зарезервирова
на для вывода результатов вычислений по этапам. Отметим, что максимальное воз
можное число альтернатив т , на этапе і не должно превышать 10 (ячейки D6:N6).
' А ! в ; с ! D ■ * 1
F Г о Л Н н 1 1 J :
1 к L 1 M 1 N 1 O ! P !1 0 R IS 1T , U 1V 1
1 1 D y n a m ic P fo a r e m m in a (B a c k w a rd ) K n a p s a c k M o d e l 1
J L In p u t Data a n d S ta g e C a lc u la tio n s 1 O u o u t S o lu tio n S u m n w iy I

3 і llu m b e r o f s t a o e s j i " і R e s . H m it. W * ««Maximum W A v cannot exceed 10 x f m x 1 m
щ :u ir e n t « t a n e s l w=* »“
5 A re id v a t u i e t o n K t ? Stage
~е m* Optimum
7
_е__, r*m * Solution
w 'm * I 1 m
9
10
11 '
Рис. 10.4. Шаблон Excel для решения задачи о загрузке
На рис. 10.5 показаны этапы вычислений для задачи примера 10.3.1. Вычисле
ния выполняю тся последовательно по этапам и пользователю необходимо предос
1 Эта рабочая книга закрыта паролем от изменений, поэтому она не русифицирована.

Кроме того, перед ее использованием следует установить в Windows (Панель
упр авл ения^Я зы к и стандарты) региональные установки Английский (С Ш А ), иначе не все вы
числения в этой книге выполняются корректно. Это замечание относится ко всем рабочим
книгам и шаблонам Excel, которые упоминаются в оставшейся части книги. — Прим. ред.
тавить основные данных для каждого этапа.2 Вычисления начинаются с этапа 3,

для которого надо ввести следующие данные.
Что вводится Ячейки
Количество этапов, N = 3 D3
Ограничение загрузки, W = 4 G3
Текущий этап = 3 С4
w3 = 1 Е4
гЗ = 14 G4
т З = (0 ,1 ,2 , 3 ,4 ) D6:H6
Отметим, что допустимыми значения для т 3 являю тся числа 0, 1, ..., [W /w3] =
= [4/1] = 4 так же, как в примере 10.3.1. Рабочий лист автоматически проверяет
правильность значений т , и выводит соответствующие сообщения в строке 5
(сообщения вида “yes” (“ да” ), “по” (“ нет” ) и “delete” (“ исключить” )).
После ввода данных для этапа 3 рабочий лист “ ож ивает” и выполняет все необ
ходимые вычисления автоматически (в столбцах В:Р). Значения -111111 указы
вают, что соответствующий вариант загрузки недопустим. Оптимальное решение
(/з, т 3) этого этапа приведено в столбцах О и Р. В столбце А выводятся значения / 4.
Поскольку вычисления начинаются с этапа 3, / 4 = 0 для всех значений х 3. Поэтому
ячейки А9:А13 оставлены пустыми (или могут быть заполнены нулями).
Закончив вычисления этапа 3, необходимо выполнить следующие шаги для соз
дания постоянной записи оптимального реш ения текущего этапа и подготовки ра
бочего листа к следующему этапу вычислений.
Ш аг 1. Скопируйте значения х 3 (диапазон С9:С13) и вставьте их в ячейки
диапазона Q5:Q9, где будет храниться оптимальное решение 3-го
этапа. Далее скопируйте значения (/,, тъ) (диапазон 09:Р13)
и вставьте их в диапазон R5:S9. Напомним, что необходимо скопи
ровать и вставить только значения (а не формулы, по которым вы
числялись эти значения). Д ля этого после копирования данных
и выделения диапазона, где будут вставлены эти данные, выпол
ните команду ПравкаОСпециальная вставка и после появления од
ноименного диалогового окна установите в нем переключатель
Значения; затем щелкните на кнопке ОК.
Ш аг 2. Скопируйте значения f 3 из диапазона R5:R9 в диапазон А9:А13 (без
использования диалогового окна Специальная вставка).
Ш агЗ. Введите число 2 в ячейку С4, а также новые значения w2, г2 и т2.
На этом заканчивается подготовка к выполнению этапа 2.
После выполнения этапа 2 рабочий лист следует подготовить к этапу 1 так же,
как описано выше. После заверш ения этапа 1 полученное оптимальное решение
интерпретируется точно так же, как показано в примере 10.3.1.
2 Я мог бы автоматизировать все вычисления на рабочем листе, чтобы сразу получить ко
нечный результат. Но я предпочел вовлечь пользователя в процесс получения решения. Уси
лия со стороны пользователя для этого необходимы минимальные, а наградой ему за эти уси
лия (я надеюсь) будет углубленное понимание вычислительных деталей решения задачи ДП.
Этап 3
Inp u t Data and Stage C ilc u lt t io w OHWtSoimkinSumnniY

3 llu m b e i o f Ч ц R e t. iK n tt W " =sМалпигті W V v с anno! r- t t
4 f U iie iil a la o » -j
5 m 3 v a lu m correct, Stage
6 Optvnum
7 Stan»4 SoKiion
Є
s x> n im tłu m hum
10 x> mm
11 x> 26 ft1111lfl11111
12 хЭ» 26 111111
13 x> 26 56
Эman 2
1 ' * -- ŁI - B j I C I d ' e I F - -I O . H .......................
, I I J ; "К
> f■ ~
L I ™
ł W 1 "N l O
■ — . p . Q R i «Sw T
- ij -U i ; . V ;
1 1 1 Dynamic P io ora m m tn a (Bachwaid) Kn psack M odel I
12 Input Data am* Matre C a ktifcition * 1I Ouput S olution Sum m ary I
I 3 Number o f atM M aJH J I Res. BnwŁ W * 4 -•*to x w s e v‘ ,|,,iiv c a n rd aed 1 x f m x f m
I 4 . u f i e i i t ełaoe=| ? •К Ї- J 1?* 47 Этап 3 Этап 2
S 4r»m2Yi i/ v m e *2 1 , Stage 0 0 0 0 0 0
6 mЇ* • 1 і Optvnum 1 14 1 1 14 0
7 S ta fle l r2*m2* 0 47 Solution 2 26 2 2 26 0
6 fJ w2*m2- 0 3 f2 m2 3 42 3 3 47 1
9 0 x2- 0 0 111111 0 0 4 56 4 4 61 1
10 14 x2- 1 14 111111 14 0
11 26 x2 - 2 26 111111 26 0
12 42 x2 - 3 42 47 47 1
13 56 x2 - 4 56 61 61 1
14..
Этап /
A В С D E F 0 H I J К ^ L M N 0 ,P О R !S i I U V
1 I Dynamic Р ю щ а гги п т д (B ackw aid) Knapsack M odel
2 Data and Sta • Catculationa O uout S ołuti« n Sum m ary
3 N um bei o f sta J Res. Ы W- 4 X f m X f m
4 'u n e m s la e * 1 M i t i1 « 51 Этап 3 Этап 2
S h r * m 1 v * lu tc o r r * c t es s Stage 0 0 0 0 0 0
6 m1=* • 2 Opttnum 1 14 1 1 14 0
7 Stage? r1 *m1 =* 0 31 62 Solution 2 26 2 2 26 0
6 12 w1 *m1« 0 2 4 fl ml 3 42 3 3 47 1
S 0 x1- 0 0 111111 111111 0 0 4 56 4 4 61 1
10 14 x l- 1 14 111111 111111 14 0 ЭталЗ
11 26 x l- 2 26 31 111111 31 1 0 0 0
12 47 x l- 3 47 45 111111 47 0 1 14 0
13 61 Х І* 4 61 59 62 62 2 2 31 1
14 3 47 0
15 4 62 2
16 .
Р ис. 10.5. Э т а п ы р е ш е н и я за д а ч и при м ер а 10.3.1
1. В задаче примера 10.3.1 определите оптимальное решение, предполагая, что
максимальная грузоподъемность самолета составляет 3 тонны.
2. Решите задачу о загрузке из примера 10.3.1 для каждого из следующих случаев.
a) wt = 4, г,= 70, w2= 1, r2= 20, w3= 2, r3= 40, W = 6.
b) Wj = 1, rt = 30, w2= 2, r2= 60, w3= 3, r3= 80, W = 4.
3. Турист собирается в путешествие по дикой местности и должен упаковать
в рю кзак предметы трех видов: пищ у, средства первой помощи и одежду.
Объем рюкзака составляет 3 кубических фута. Каждая единица пищи занимает
3 т-.
В этих упраж нениях там, где возмож но, выполните вычисления вручную, а затем про
верьте полученные результаты с помощью шаблона Excel chlOKnapsack.xls.
1 кубический фут, упаковка средств первой помощи — четверть кубического

фута, а отдельный предмет одежды — примерно половину кубического фута.
Турист определил свои предпочтения весовыми коэффициентами 3, 4 и 5 —
для пищи, средств первой помощи и одежды соответственно. Это означает,
что одежда является самым ценным предметом среди остальных. Опыт под
сказывает туристу, что он должен взять не менее одного предмета каждого
вида и не более двух комплектов средств первой помощи. Сколько единиц
каждого наименования возьмет турист в поход?
4. Студент должен выбрать 10 факультативных курсов на четырех различных фа
культетах, причем на каждом факультете должен быть выбран по меньшей мере
один курс. Эти курсы распределяются между факультетами таким образом,
чтобы максимизировать объем “ знаний” . Студент оценивает знания по шкале
в сто баллов и приходит к выводам, представленным в следующей таблице.
Номер курса
Факультет 1 2 3 4 5 6 £7
1 25 50 60 80 100 100 100
II 20 70 90 100 100 100 100
III 40 60 80 100 100 100 100
IV 10 20 30 40 50 60 70
Какие курсы следует выбрать студенту?

5. У меня во дворе имеется небольшой огород 10 х 20 футов. Этой весной я соби
раюсь посадить овощи трех видов: помидоры, зеленые бобы и кукурузу. Огород
разбит на ряды, длина которых равна 20 футам. Кукуруза и помидоры зани
мают ряды шириной 2 фута, а зеленые бобы — 3 фута. Помидоры мне нравятся
больше, а бобы меньше. По 10-балльной шкале предпочтений я бы присвоил
помидорам 10 баллов, кукурузе — 7 баллов и зеленым бобам — 3 балла. Н еза
висимо от моих предпочтений, жена настаивает, чтобы я посадил не менее
одного ряда зеленых бобов и не более двух рядов помидоров. Сколько рядов
каждого вида овощей следует мне посадить?
6. “Ж илищ е для человечества” — прекрасная благотворительная организа
ция, которая строит дома для бедствующих семей силами добровольцев. Та
кая семья может выбрать себе дом из трех типоразмеров: 1000, 1100 и 1200
квадратных футов. Дом каждого типоразмера требует выполнения опреде
ленного объема работ силами добровольцев. Ф илиал организации в городе
Файтвилл получил пять заявок на предстоящие шесть месяцев. Комитет по
надзору дает оценку каждой заявке в численном виде, принимая во внима
ние различные факторы. Более высокая оценка означает более острую по
требность в жилье. В течение предстоящих шести месяцев филиал организа
ции в этом городе может привлечь к работе максимум 23 добровольца.
Следующая таблица содержит оценку каждой заявки и необходимое число
добровольцев для ее выполнения. Какие заявки следует утвердить комитету?
Заявка Размер дома (фут2) Оценка Необходимое число добровольцев
1 1200 78 7
2 1000 64 4
3 1100 68 6
4 1000 62 5
5 1200 85 8
7. Ш ериф округа Вашингтон баллотируется на следующий срок. Денежные

средства на предвыборную кампанию составляют примерно 10 ООО долларов.
Хотя комитет по переизбранию хотел бы провести кампанию во всех пяти из
бирательных участках округа, ограниченность денежных средств предписы
вает действовать по-другому. Приведенная ниже таблица содержит данные
о числе избирателей и денежных средствах, необходимых для проведения
успешной кампании по каждому избирательному участку. Каждый участок
может либо использовать все предназначенные деньги, либо вовсе их не ис
пользовать. К ак следует распределить денежные средства?
Участок Число избирателей Необходимые средства (долл.)

1 3100 3500
2 2600 2500
3 3500 4000
4 2800 3000
5 2400 2000
8. Конструируется электронный прибор, состоящий из трех основных компо

нентов. Все компоненты соединены последовательно, поэтому выход из строя
одного из них влечет за собой отказ всего прибора. Надежность (вероятность
безаварийной работы) прибора можно повысить путем дублирования каждо
го компонента. Конструкция прибора допускает использование одного или
двух резервных (параллельных) блоков, т.е. каж ды й компонент прибора
может содержать до трех блоков, соединенных параллельно. Следующая
таблица содержит данные о надежности г и стоимости компонентов прибора.
Число параллельных Компонент 1 Компонент 2 Компонент 3

блоков г1 с1 (долл.) г2 с2 (долл.) гЗ сЗ (долл.)
10.6 1000 0.7 3000 0.5 2000
2 0 .8 2000 0.8 5000 0.7 4000
30.9 3000 0.9 6000 0.9 5000
Общая сумма, выделенная на конструирование прибора, равна 10 ООО долл.

Как следует сконструировать прибор? (Совет. Наша задача состоит в макси
мизации надежности г^г2г3 прибора. Это значит, что целевая функция является
мультипликативной, а не аддитивной.)
9. Реш ите следующую задачу с помощью метода динам ического програм
мирования.
М аксимизировать z = У\Уг---Уп
при условиях
У\ + Уг+-+У«=с,
Уі>0,і= 1,2......п.
(Подсказка. Это упражнение аналогично предыдущему упражнению, но
с той лиш ь разницей, что переменные у, являю тся непрерывными.)
10. Решите следующую задачу с использованием метода динамического про
М инимизировать z = y] + у* + ...+ у*
У \ У г-У й = с ,
0, і = 1, 2,..., п .
у ,>
11. Решите следующую задачу, используя метод динамического программирования.

М аксимизировать z = (у, +2)' + у г у ъ + (у4-5)"
У\ + У2 + У Ъ + У * ^ 5,
у,-> 0 и целые, i = 1, 2, 3, 4.
12. Реш ите следую щую задачу с помощью метода динам ического програм
мирования.
Минимизировать z = max {fly]), fly 2), -,fly„)}
y ] + y 2+ . . . + y „ = c ,
Уі>0, i = 1,2,
Найдите решение задачи при условии, что п = 3, с = 1 0 , Д уі)= У і+ 5,
fly2) = 5у2+ 3 и /СУз) = уз - 2.
10.3.2. Задача планирования рабочей силы

При выполнении некоторых проектов число рабочих, необходимых для реали
зации какого-либо проекта, регулируется путем их найма и увольнения. Посколь
ку как наем, так и увольнение рабочих связано с дополнительными затратами, не
обходимо определить, каким образом должна регулироваться численность рабочих
в период реализации проекта.
Предположим, что проект будет выполняться в течение п недель и минимальная
потребность в рабочей силе на протяжении і-й недели составит Ь, рабочих. При иде
альных условиях хотелось бы на протяжении і-й недели иметь ровно £>, рабочих.
Однако в зависимости от стоимостных показателей может быть более выгодным
отклонение численности рабочей силы как в одну, так и в другую сторону от мини
мальных потребностей. Если х, — количество работающих на протяжении і-й неде
ли, то возможны затраты двух видов: 1) Ci(x, - Ь,)— затраты, связанные с необхо
димостью содержать избыток х рабочей силы и 2) С2(х, - xLl) — затраты,
связанные с необходимостью дополнительного найма х, - xLl рабочих.
Элементы модели динамического программирования определяются следующим
образом.
1. Этап і представляется порядковым номером недели і, і = 1, 2 ...... п.
2. Вариант ами реш ения на і-м этапе являю тся значения х, — количество рабо
тающих на протяжении і-й недели.
3. Состоянием на і-м этапе является дг,_, — количество работающих на протя
жении (І - 1)-й недели (этапа).
Рекуррентное уравнение динамического программирования представляется в виде
/ (*,-1) = min {С, (х,-Ь,) + С2(х, - х^ ) + /,+1(дг,)}, і = 1,2,.... п,
где/„+,(х„) =0. Вычисления начинаются с этапа п при х„ = Ь„и заканчиваются на этапе 1.

Пример 10.3.2
Строительный подрядчик оценивает минимальные потребности в рабочей силе на
каждую из последующих пяти недель следующим образом: 5, 7, 8, 4 и 6 рабочих
соответственно. Содержание избытка рабочей силы обходится подрядчику
в 300 долл. за одного рабочего в неделю, а наем рабочей силы на протяжении одной
недели обходится в 400 долл. плюс 200 долл. за одного рабочего в неделю.
В ыражая С| и С2 в сотнях долларов, имеем следующее.
ON
сз-
Ь, = 5, Ь2=7, Ь3= 8, Ь4
II
II
С, Or, - b,) = 3(х, - bj), х, > bn і = 1,2,.. .,5,
С2(х, - xLl) = 4 + 2(х, --Xl.,), Xj>xui, і = 1,2,..., 5.
Этап 5. (bs = 6)
С'\х* —6) + С:(х<—Xą) Оптимальное решение
Цхі)
СО
II
А
4 3x0 + 4 + 2x2 = 8 8 є
5 3x0 + 4 + 2x1 = 6 6 є
6 3x0 + 0 = 0 0 є
Этап 4. (£>4 = 4)
С](х4- 4) + Сг(х4 - х3) + Ь(Хі ) Оптимальное решение
СЛ
II
II
&
Xt = 6 « *з ) х\
*
8 3x0+ 0 + 8 = 8 3x1 + 0 + 6 =9 3x2+ 0 + 0 = 6 6 6
Этап 3. (Ь} = 8)
Сі(х3 - 8) + Сг(хъ - х2) + &(х3) Оптимальное решение
h(Xi)
СО
S?
%
II
■*з
7 3x0 +4 + 2x 1 + 6 = 12 12 8
8 3x0 + 0 + 6 = 6 6 8
Этап 2. (£>2 = 7)
С](х2- 7) + С2<х3 - х2) + h(x2) Оптимальное решение
Xi х2 = 7 х2 = 8 fl(Xi)
5 3x0 + 4 + 2x2 + 12 = 20 3x1 +4 + 2x3 + 6 = 19 19 8
6 3x0 + 4 + 2x1 + 1 2 = 18 3x1 +4 + 2x2 + 6 = 17 17 8

7 3x0 + 0 + 12 = 12 3x1 +4 + 2x1 +6= 15 12 7
8 3x0 + 0 + 12 = 12 3x1 + 0 + 6 = 9 9 8
Этап 1. (&, = 5)
С,(х, - 5) + С2(х і - Хо) + fi(xi) Оптимальное решение
Хо X] = 5 Хі = 6 X] =7 X] =8 М*о) х;
0 3x0 + 4 + 2x5 3x1 + 4 + 2x6 3x2 + 4 + 2x7 3x2 + 4 + 2x8 33 5

+ 19 = 33 + 1 7 = 36 + 1 2 = 36 + 9 = 35
Оптимальное решение определяется последовательно таким образом.

х 0 —0 —> X, —5 —> Xj —8 —> хз = 8 —> х\ = 6 —> х\ = 6.
Полученному решению соответствует следующий план.
Номер недели (!) Минимум рабочей сипы (Ь,) Количество фактически Решение
работающих (х,)
1 5 5 Нанять 5 рабочих
2 7 8 Нанять 3 рабочих
3 8 8 Ничего не менять
4 4 6 Уволить 2 рабочих
5 6 6 Ничего не менять
1. Решите задачу из примера 10.3.2 при следующих минимальных потребно
стях в рабочей силе.
a) 6, = 6 ,Ь 2= 5, Ь3= 3, bi = 6, Ъъ= 8.
b) bt = 8, Ь2= 4, Ь3= 7, Ь4 = 8, Ьй= 2.
2. Пусть в примере 10.3.2 каждому уволенному рабочему выплачивается вы
ходное пособие в размере 100 долл. Найдите оптимальное решение задачи.
3. Туристическое агентство организовывает недельные поездки в Египет.
В соответствии с договором на ближ айш ие четыре недели агентство долж но
обеспечить туристические группы арендными автомобилями в количестве
семь, четыре, семь и восемь штук соответственно. Агентство заклю чает до
говор с местным дилером по прокату автомобилей. Дилер назначает аренд
ную плату за один автомобиль 220 долл. в неделю плюс 500 долл. за любую
арендную сделку. Агентство, однако, может не возвращать арендованные
автомобили в конце недели, и в этом случае оно должно будет платить
только арендную плату в 220 долл. Каково оптимальное решение пробле
мы, связанной с арендой автомобилей?
4. К омпания на следующие четыре года заклю чила контракт на поставку
авиационных двигателей, по 4 двигателя в год. Доступные производствен
ные мощности и стоимость производства меняются от года к году. Компа
ния может изготовить пять двигателей за 1-й год, шесть — за 2-й, три — за
3-й и пять — за 4-й. Стоимость производства одного двигателя на п ротя
ж ении следующих четырех лет равна соответственно 300 000, 330 000,
350 000 и 420 000 долл. В течение года компания может произвести больше
двигателей, чем необходимо, но в этом случае двигатели долж ны надле

жащ им образом храниться до их отгрузки потребителю. Стоимость хране
ния одного двигателя такж е меняется от года к году и оценивается в 20 ООО
долл. для первого года, 30 ООО долл. — для второго, 40 ООО долл. — для
третьего и 50 000 — для четвертого. В начале первого года компания имеет
один двигатель, готовый к отгрузке. Разработайте оптимальный план про
изводства двигателей.
10.3.3. Задача замены оборудования

Чем дольше механизм эксплуатируется, тем выше затраты на его обслуживание
и ниже его производительность. Когда срок эксплуатации механизма достигает оп
ределенного уровня, может оказаться более выгодной его замена. Задача замены
оборудования, таким образом, сводится к определению оптимального срока экс
плуатации механизма.
Предположим, что мы занимаемся заменой механизмов на протяжении п лет.
В начале каждого года принимается решение либо об эксплуатации механизма еще
один год, либо о замене его новым. Обозначим через ф ) и c(t) прибыль от эксплуа
тации /-летнего механизма на протяжении года и затраты на его обслуживание за
этот же период. Далее пусть s(t)— стоимость продажи механизма, который экс
плуатировался / лет. Стоимость приобретения нового механизма остается неизмен
ной на протяжении всех лет и равна /.
Элементы модели динамического программирования таковы.
1. Этап / представляется порядковым номером года /, / = 1, 2 , п.
2. Вариант ами реш ения на /-м этапе (т.е. для /-го года) являю тся альтернати
вы: продолжить эксплуат ацию или заменит ь механизм в начале /-го года.
3. Состоянием на /-м этапе является срок эксплуатации / (возраст) механизма
к началу /-го года.
Пусть f(t) — максимальная прибыль, получаемая за годы от / до п при условии,
что в начале /-го года имеется механизм /-летнего возраста.
Рекуррентное уравнение имеет следующий вид.
/■ (/)-с ( /) + / Ч1(/ + 1), если эксплуатировать
/ (/) = шах
/■(0) + і ( / ) - / - с ( 0 ) + / . , ( 1 ) , если заменить механи:
гДе/„.і(-) = 0.
Пример 10.3.3
Компания планирует определить оптимальную политику замены используемого
в настоящее время трехлетнего механизма на протяжении следующих 4 лет (п = 4),
т.е. вплоть до начала пятого года. Приведенная таблица содержит относящиеся
к задаче данные. Компания требует обязательной замены механизма, который на
ходится в эксплуатации 6 лет. Стоимость нового механизма равна 100 000 долл.
Возраст t Прибыль r(t) Стоимость обслуживания c(t) Остаточная стоимость s(t)

(года) (долл.) (ДОЛЛ.) (ДОЛЛ.)
0 20 000 200 —
1 19 000 600 80 000
2 18 500 1200 60 000
3 17 200 1500 50 000
4 15 500 1700 30 000
5 14 000 1800 10 000
6 12 200 2200 5 000
Определение допустимых значений возраста механизма на каждом этапе является

нетривиальной задачей. На рис. 10.6 представлена рассматриваемая задача замены
оборудования в виде сети. В начале первого года имеется механизм, эксплуати
рующийся 3 года (на графике рис. 10.6 по оси Y откладывается возраст механизма).
Мы можем либо заменить его (3), либо эксплуатировать (С) на протяжении сле
дующего года. Если механизм заменили, то в начале второго года его возраст будет
равен одному году, в противном случае его возраст будет 4 года. Такой же подход
используется в начале каждого года, начиная со второго по четвертый.
Год принятия решения
Рис. 10.6. Схема возможной замены механизма для примера 10.3.3
Если однолетний механизм заменяется в начале второго или третьего года, то заме
нивший его механизм к началу следующего года также будет однолетним. К тому же,
в начале 4-го года 6-летний механизм обязательно должен быть заменен, если он еще
эксплуатируется; в конце 4-го года все механизмы продаются (77) в обязательном по
рядке. На схеме сети также видно, что в начале второго года возможны только меха
низмы со сроком эксплуатации 1 или 4 года. В начале третьего года механизм может
иметь возраст 1, 2 или 5 лет, а в начале четвертого — 1, 2, 3 или 6 лет.
Решение данной задачи эквивалентно поиску маршрута максимальной длины

(т.е. приносящего максимальную прибыль) от начала первого года к концу четвер
того в сети, показанной на рис. 10.6. При решении этой задачи используем таблич
ную форму записи. (Числовые данные в таблице кратны тысячам долларов.)
Этап 4.
С 3 Оптимум
ł K0 + s ( ? + 1 ) - c ( 0 KO)+s(0 + s ( 1 ) - c ( O ) - / М Решение
1 19,0 + 6 0 - 0 , 6 = 78,4 20 +80 + 80 - 0,2 - 100 = 79,8 79,8 3
2 18,5 + 5 0 - 1 , 2 = 67,3 20 + 60 + 80 - 0,2 - 100 = 59,8 67,3 С
3 17,2 + 3 0 - 1,5 = 45,7 20 + 50 + 80 - 0,2 - 100 = 49,8 49,8 3
6 Необходима замена 20 + 5 + 80 - 0 , 2 - 1 0 0 = 4,8 4,8 3
Этап 3.
С 3 Оптимум
ł /(0 -с(0 + W+ 1 ) KO) + s ( 0 - c ( O ) - / + / i ( 1 ) т Решение

1 1 9 , 0 - 0 , 6 + 67,3 = 85,7 20 + 80 - 0,2 - 100 + 79,8 = 79,6 85,7 С
2 1 8 , 5 - 1 , 2 + 49,8 = 67,1 20 + 60 - 0,2 - 100 + 79,8 = 59,6 67,1 С
5 1 4 ,0 -1 ,8 + 4 ,8 = 1 7 ,0 20 + 1 0 - 0 , 2 - 1 0 0 + 79,8 = 9,6 17,0 3
Этап 2.
С 3 Оптимум
ł / ( 0 - c ( 0 + 6(f + 1) KO) + s ( 0 - c ( O ) - / + f j ( 1 ) h (0 Решение
1 1 9 , 0 - 0 , 6 + 67,1 = 8 5 ,5 20 + 80 - 0,2 - 100 + 85,7 = 85,5 85,5 С или 3
4 1 5 , 5 - 1 , 7 + 19,6 = 33,4 20 + ЗО - 0,2 - 100 + 85,7 = 35,5 35,5 3
Этап 1.
С 3 Оптимум
ł K 0-c( 0 + « f +1 ) KO) + s ( 0 - c ( O ) - / + 6 ( 1 ) т Решение

1 1 7 , 2 - 1 , 5 + 35,5 = 51,2 20 + 50 - 0,2 - 100 + 85,5 = 55,3 55,3 3
На рис. 10.7 показана последовательность получения оптимального решения. В на

чале первого года оптимальным решением при / = 3 является замена механизма.
Следовательно, новый механизм к началу второго года будет находиться в эксплуа
тации 1 год. При / = 1 в начале второго года оптимальным решением будет либо ис
пользование, либо замена механизма. Если он заменяется, то новый к началу
третьего года будет находиться в эксплуатации 1 год, иначе механизм будет иметь
возраст 2 года. Описанный процесс продолжается до тех пор, пока не будет опреде
лено оптимальное решение для четвертого года.
м— Год 1 — и*— Год 2 — и*— Год 3 — и*— Год 4
(/ - 3)—-| 3 _ Продажа
Рис. 10.7. Решение примера 10.3.3
Следовательно, начиная с первого года эксплуатации механизма, альтернативны

ми оптимальными стратегиями относительно замены механизма будут (3, С, С, 3)
и(3, 3, С, С). Общая прибыль составит 55 300 долл.
1. Постройте сеть и найдите оптимальное решение в задаче из примера 10.3.3
в каждом из следующих случаев.
a) В начале первого года имеется механизм, находящ ийся в эксплуатации
2 года.
b ) В начале первого года имеется механизм, находящийся в эксплуатации 1 год.
c) В начале первого года куплен новый механизм.
2. Мой тринадцатилетний сын занимается собственным бизнесом — косит га
зоны десяти клиентам. Каждому клиенту он косит траву три раза в год, по
лучая за один скошенный газон 50 долл. Он купил косилку за 200 долл. На
протяжении первого года затраты на содержание и использование косилки
равны 120 долл., и через год они увеличиваются на 20%. Одногодичная ко
силка может быть продана за 150 долларов, и с каждым годом ее стоимость
уменьшается на 10%. Мой сын планирует продолжить свой бизнес, пока ему
не исполнится 16 лет, и считает, что более выгодно менять косилку через
каждые два года. Он объясняет это тем, что цена новой косилки увеличива
ется за год лиш ь на 10%. Справедливо ли его решение?
3. Группа ферм владеет трактором двухлетней давности и планирует разрабо
тать стратегию его замены на следующие пять лет. Трактор должен эксплуа
тироваться не менее двух и не более пяти лет. В настоящее время новый
трактор стоит 40 000 долларов, и эта цена за год увеличивается на 10%. Те
кущ ая годичная стоимость эксплуатации трактора составляет 1300 долларов
и, как ожидается, будет увеличиваться на 10% в год.
a) Сформулируйте задачу в виде задачи о кратчайш ем пути.
b) Постройте соответствующее рекуррентное уравнение.
c) Определите оптимальную стратегию замены трактора на следующие пять лет.
4. Рассмотрим задачу замены оборудования на протяжении п лет. Цена новой
единицы оборудования равна с долларов, а стоимость продажи после t лет
эксплуатации равна s(t) = n - t при п > t и нулю — в противном случае. Годич
ная прибыль от эксплуатации является функцией возраста оборудования t
и равна r(t) = п - t2 при п > t и нулю — в противном случае.
a) Сформулируйте задачу к ак модель динамического программирования.

b) Определите оптимальную стратегию замены оборудования двухгодичной
давности при с = 10 ООО долл., считая, что п = 5.
5. Решите задачу из предыдущего упражнения, предполагая, что возраст обо
рудования составляет 1 год и л = 4 ,с = 6000 долл., r(t) = п/(п + 1).
10.3.4. Задача инвестирования

Предположим, что в начале каждого из следующих п лет необходимо сделать
инвестиции P v Р2,..., Рп. Вы имеете возможность вложить капитал в два банка: пер
вый банк выплачивает годовой сложный процент rv а второй — г2. Д ля поощрения
депозитов оба банка выплачивают новым инвесторам премии в виде процента от
вложенной суммы. Премиальные меняются от года к году, и для /-го года равны qa
и qi2 в первом и втором банках соответственно. Они выплачиваются в конце года, на
протяжении которого сделан вклад, и могут быть инвестированы в один из двух
банков на следующий год. Это значит, что лиш ь указанные проценты и новые день
ги могут быть инвестированы в один из двух банков. Размещ енный в банке вклад
должен находиться там до конца рассматриваемого периода. Необходимо разрабо
тать стратегию инвестиций на следующие п лет.
1. Этап і представляется порядковым номером года /, / = 1 , 2 , . . . , п.
2. Вариант ами реш ения на /-м этапе (для /-го года) являю тся суммы /, и /, ин
вестиций в первый и второй банк соответственно.
3. Состоянием х, на /-м этапе является сумма денег на начало /-го года, которые
могут быть инвестированы.
Заметим, что по определению /, = х,- - /,. Следовательно,
xt= P v
Xi = Pj + + qL U (x Ll - =
= Л + ( <?i_i,i ~ + <7i-i.2*/-b
где і = 2,3, п. Сумма денег х„ которые могут быть инвестированы, включает
лиш ь новые деньги и премиальные проценты за инвестиции, сделанные на протя
ж ении (/ - 1)-го года.
Пусть f (x ,) — оптимальная сумма инвестиций для интервала от /-го до л-го года
при условии, что в начале /-го года имеется денежная сумма х,. Далее обозначим
через Sj накопленную сумму к концу п-то года при условии, что I, и (х, - /,) — объе
мы инвестиций на протяжении /-го года в первый и второй банк соответственно.
Обозначая а, = (1 + rj), і = 1,2, мы можем сформулировать задачу в следующем виде.
М аксимизировать г = s, + s2+ ... + sn,
где
5, = /;а"*'"' + (л, - /,)аГ'~' =(a"ł|-' - а"*1")/. + / = 1,2, п -1,
$п (Ctl + <7„, СС2 ^лз)^л (С^2 + піУ^п•
Поскольку премиальные за п-й год являю тся частью накопленной денежной суммы
от инвестиций, в вы раж ения для s„ добавлены qnl и qn2.
И так, в данном случае рекуррентное уравнение для обратной прогонки в алго
ритме динамического программирования имеет вид
/. {х,) = {*, + f u , {х ш )}> ' = 1.2..... п - 1.
где jc,+i выражается через х,- в соответствии с приведенной выше формулой,

&fn+l(xn+l) = 0*
Пример 10.3.4
Предположим, вы хотите инвестировать 4000 долл. сейчас и 2000 долл. в начале
каждого года, от второго до четвертого, считая от текущего года. Первый банк вы
плачивает годовой сложный процент 8% и премиальные на протяжении следую
щих четырех лет в размере 1,8, 1,7, 2,1 и 2,5% соответственно. Годовой сложный
процент, предлагаемый вторым банком, на 0,2% ниже, чем предлагает первый
банк, но его премиальные на 0,5% выше. Задача состоит в максимизации накоп
ленного капитала к концу четвертого года.
Используя введенные выше обозначения, имеем следующее.
Pj = 4 000 долл., Рг = Ра= Pt = 2 000 долл.,
а, = (1 +0,08) = 1,08,
а, = (1 +0,078)= 1,078,
Чп = 0,018, Чп = 0,017, Чп = 0,021, ЧіХ = 0,025,
<у12= 0,023, цгг = 0,022, q32= 0,026, qu = 0,030.
Этап 4.
где s4= (а, + ?41 - а, - q j l , + (а, + qi2)xt = - 0,003/4+ 1,108х4.

Функция st является линейной по /4 в области 0 < / 4<х4, и, следовательно, ее макси
мум достигается при /4 = 0 из-за отрицательного коэффициента при /4. Следовательно,
оптимальное решение для этапа 4 может быть представлено в следующем виде.
О птимальное решение
Состояние fi ( x 4)
п
Х4 1,108X4 0
Этап 3.
/э(*э)= т к { * з + Л(*«)}.
где
53 = (1,082 - 1,078% + 1,078’* ,= 0,00432/, + 1,1621*,,
*4= 2000 - 0,005/3+ 0,026*,.
/ 3(-г3)= max {0,00432/ 3+ 1,162Ц +1,108(2000-0,005/3+ 0,026*3)} =
= шах {2216-0,00122/, +1,1909*,}.

Оптимальное решение
Состояние 6(хз)
п
Хз 2216 + 1,1909x3 0
Этап 2.
f A Xl ) = ™ x { S2+f}(X})}’
где
s2= (1,083- 1,0 783)/2+ 1,0783х2= 0,006985/2+ 1,25273х2,
х3 = 2000 - 0,005/2+ 0,022х2.
/ , (jt2) = m ax { 0 ,0 0 6 9 8 5 / 2 + 1,2521 х 2 + 2 2 1 6 + 1 ,1 9 0 9 ( 2 0 0 0 - 0 ,0 0 5 / 2 + 0 ,0 2 2 х 2)} =
= т а х { 4 5 9 7 ,8 + 0 ,0 0 1 0 3 0 5 / 2 + 1,27893jc2}.
Состояние Н хг)
Хг 4597,8 + 1,27996X2 хг
Этап 1.
/,(*,)= т ^ { * , + / 2(*2)},
где
s, = (1,084 - 1,0784)/! + 1,0784х, = 0,01005/, + 1,3504х„
х2 = 2000 - 0,005/, + 0,023х,.
/,(*,)= ш {0,01005/, +1,3504*, +4597,8 + 1,27996(2000 - 0,005/, + 0,023*,)} =
= max {7157,7 + 0,00365/. + 1,37984*,}.
0SA«л,1 J
Состояние М х,)
А'
Xi = $4000 7157,7 + 1,38349x1 $4000
При вычислениях в обратном направлении получаем следующее.

х2 = 2000 - 0,005 х 4000 + 0,023 х 4000 = 2072 долл.,
х 3 = 2000 - 0,005 х 2072 + 0,022 х 2072 = 2035,22 долл.,
х 4 = 2000 - 0,005 х 0 + 0,026 х 2035,22 = 2052,92.
Следовательно, оптимальное решение будет записано следующим образом.
Год Оптимальное решение Решение, принимаемое инвестором Накопления

1 Инвестировать xi = 4000 долл. в первый банк .«і = 5441,80 долл.
= Х1
2 1 \= хг Инвестировать хг = 2072 долл. в первый банк sz = 2610,13 долл.
3 /;= о Инвестировать хз = 2035,22 долл. во второй банк із = 2365,13 долл.
4 /;=о Инвестировать хд = 2052,92 долл. во второй банк Y4 = 2274,64 долл.
Всего 12 691,70 долл.
1. Решите задачу из примера 10.3.4, предполагая, что г, = 0,085, г2- 0,08. Кроме
того, пусть Р 1= 5000 долл., Р2= 4000 долл., Р3= 3000 долл. и Р4 = 2000 долл.
2. Некий инвестор с начальным капиталом в 10 000 долл. должен решить в конце
каждого года, сколько денег истратить и сколько инвестировать. Каждый инве
стированный доллар возвращает а = 1,09 долл. в конце года. Истраченные у дол
ларов на протяжении каждого года приносят удовлетворение, определяемое ко
личественно как эквивалент получения g { y )~ 4 y долларов. Решите задачу
с помощью методов динамического программирования для периода в п = 5 лет.
3. Фермер имеет k овец. В конце каждого года он принимает решение, сколько
овец продать и сколько оставить. Прибыль от продажи одной овцы в і-й год
равна pi. Количество овец в конце /-го года удваивается к концу (/ + 1)-го года.
Фермер планирует в конце п-то года полностью продать овец.
a) Получите общее рекуррентное уравнение для реш ения задачи.
b) Решите задачу при следующих данных: п = 3 года, k = 2 овцы, р, = 100 долл.,
р 2= 130 долл., р 3= 120 долл..
10.3.5. Модели управления запасами

Важной областью применения методов динамического программирования яв
ляются задачи управления запасами. В главах 11 и 16 рассмотрены некоторые за
дачи этого класса, при этом в главе 11 рассматриваются детерминированные моде
ли, а в главе 16 — стохастические.
10.4. ПРОБЛЕМА РАЗМЕРНОСТИ

Во всех рассмотренных выше задачах динамического программирования состоя
ние системы на любом этапе описывалось единственной переменной. Например, в за
даче о загрузке (раздел 10.3.1) вес предмета является единственным ограничением,
которое учитывается при его погрузке. Вместе с этим объем судна также может быть
ограничительной величиной. В этом случае говорят, что состояние системы явл я
ется двухмерным, так к ак формируется двумя переменными: весом и объемом.
Увеличение числа переменных состояния системы влечет за собой увеличение
объема вычислений на каждом этапе. Особенно это заметно в моделях динамиче
ского программирования при вычислениях с использованием таблиц, так как ко
личество строк каждой таблицы должно соответствовать всем возможным комби
нациям значений переменных состояния. Эти вычислительные трудности настоль

ко значительны в динамическом программировании, что в литературе на них ссы
лаются как на проклятие размерности.
Следующий пример приводится для иллюстрации проблемы размерности. Он
такж е демонстрирует возможность решения задачи линейного программирования
методами динамического программирования.
Пример 10.4.1
Предприятие обрабатывающей промышленности выпускает два вида продукции.
Производственный процесс составляет 430 минут в день. Д ля производства едини
цы продукции первого вида требуется 2 минуты, а второго — 1 минута. На дневной
объем производства продукции первого вида ограничений нет (кроме возможностей
производственного процесса), максимальный ежедневный спрос на второй вид про
дукции равен 230 единиц. Реализация единицы продукции первого вида приносит
прибыль в 2 долл., а второго— 5 долл. Необходимо найти оптимальное решение
задачи максимизации прибыли методами динамического программирования.
Д анная задача является следующей задачей линейного программирования.
М аксимизировать z = 2хг + 5 х2
2х1+ х 2<430,
х г < 230,
х,, х 2>0.
1. Этап і соответствует продукции /, / = 1, 2.
2. Альтернативой х, на і-м этапе является объем производства продукции /, / = 1,2.
3. Состояние (v]? w,) представляет количество ресурсов, необходимое для произ
водства продукции вида 1 и 2 (производственное время и ограничение на спрос)
и используемое на этапах 1 и 2.
4. Состояние (v2, w2) представляет количество ресурсов, необходимое для произ
водства продукции вида 1 и 2 (производственное время и ограничение на спрос)
и используемое на этапе 2.
Этап 2. Пусть / 2(v2, w2) представляет максимальную прибыль для этапа 2 (прибыль
от выпуска продукции вида 2) при заданном состоянии (v2, w2). Тогда
/ 2(v2, и-2)= Qmax {5 .ї 2}.
Следовательно, max{5x2} имеет место при х 2= min{v2, w2}. Имеем следующее реше
ние для второго этапа.
Состояние f2(v2, w2) x2
(v2, w2) 5 min{v2, w2} min{v2, w2}
Этап 1.
/i(vi, Wi)= max {2*1 + / 2(v, —2jc,, w,)j- = max {2*, + 5min(v,-2*,,w,)}.
Оптимизация на первом этапе требует реш ения минимаксной задачи, что в общем
случае является достаточно сложным делом. Д ля рассматриваемой задачи имеем
у, = 430 и wt —230, что дает 0 < 2х, < 430. Так как min(430 - 2хг 230) представляет
собой нижнюю огибающую двух пересекающихся прямых (проверьте!), то
„ [230, 0<х, < 100,
min(430 - 2х„ 230) = 4
1 [430 - 2*,, 100<х, <215
Г2*. +1150, 0<*, <100,

/,(430,230)= max \ '
J * [-8*,+ 2150, 100 <*,<215.
Графически можно легко проверить, что ф ун кц ия/і(430, 230) достигает максималь-
ного значения при х. = 100. И так, получаем следующее.
Состояние f l ( V l , WО Xi
(430, 230) 1350 100
Для определения оптимального значения х 2заметим, что

и2= и, - 2х, = 430 - 200 = 230,
w2 = w1- 0 = 230.
х 2= min{ v2, w2} = 230.
Итак, оптимальное решение имеет вид:
х, = 100 единиц, х 2 = 230 единиц, г = 1350 долл.
1. Решите следующие задачи линейного программирования методами динами
ческого программирования.
a) Максимизировать г = 4х, + 14х2
2х,+ 7х 2<21,
7х, + 2 х2< 21,
х„ *2> 0 .
b) Максимизировать z = 8х, + 1х2
2х, + х2< 8,
5х, + 2 х2< 15,
x v х 2> 0 и целые.
с) М аксимизировать г = 7 Ą + 6xt + 5 xl
х, + 2х2< 10,
х, - Зх2< 9,
х,, х 2> 0.
2. Пусть в задаче из примера 10.3.1 о загрузке предметов п наименований огра
ничения самолета по весу и объему представлены величинами W и V соответ
ственно. Величины vv„ V/ и г, представляют соответственно вес, объем и при
быль, отнесенные к одному предмету наименования і. Необходимо записать
рекуррентное уравнение обратной прогонки для алгоритма динамического
программирования решения сформулированной задачи.
1. Bertsekas D. Dynam ie Programming: D eterm inistic and Stochastic M odels, Prentice
Hall, Upper Saddle River, N.J., 1987.
2. Denardo E. D ynam ic P rogram m ing Theory and Application, P rentice Hall, Upper
Saddle R iver, N .J ., 1982.
3. D reyfus S., Law A. The A rt and Theory of D ynam ic Program m ing, Academic
P ress, New Y ork, 1977.
4. Sniedovich M. D ynam ic Programming, Marcel Dekker, New York, 1991.

1. Беллман Р. Динамическое программирование. — М.: ИЛ, 1960.
2. Беллман Р ., Дрейфус С. П рикладны е задачи динамического программирова
ния. — М.: Н аука, 1965.
3. Вентцель Е. С. Исследование операций. — М.: Сов. радио, 1972.
4. Романовский И. В. Алгорит мы реш ения экст рем альны х задач. — М.: Наука,
1977.
КОМПЛЕКСНАЯ ЗАДАЧА
10.1. К омпания проверяет состояние оборудования в конце каждого года и на
основании этого принимает следующее решение: либо использовать его
еще один год, либо заменить. Однако оборудование, которое находилось
в эксплуатации три года, подлежит замене в обязательном порядке. Ком
пания планирует разработать стратегию замены имеющегося оборудова
ния на следующие 10 лет. Соответствующая информация содержится
в приведенной ниж е таблице. Считается, что в начале первого года все
оборудование новое.
Стоимость содержания (долл.) Стоимость продажи (долл.) для

Год Стоимость для данного возраста (лет) данного возраста (лет)
покупки покупки (долл.) 0 1 2 1 2 3
1 10 000 200 500 600 9 000 7 000 5 000
2 12 000 250 600 680 11 000 9 500 8 000
3 13 000 280 550 600 12 000 11 000 10 000
4 13 500 320 650 700 12 000 11 500 11 000
5 13 800 350 590 630 12 000 11 800 11 200
6 14 200 390 620 700 12 500 12 000 11 200
7 14 800 410 600 620 13 500 12 900 11 900
8 15 200 430 670 700 14 000 13 200 12 000
9 15 500 450 700 730 15 500 14 500 13 800
10 16 000 500 710 720 15 800 15 000 14 500
ГЛАВА 11
ДЕТЕРМИНИРОВАННЫЕ МОДЕЛИ
УПРАВЛЕНИЯ ЗАПАСАМИ
Как в бизнесе, так и в производстве обычно принято поддерживать разумный
запас материальных ресурсов или комплектующих для обеспечения непрерывно
сти производственного процесса. Традиционно запас рассматривается к ак неиз
бежные издерж ки, когда слишком низкий его уровень приводит к дорогостоящим
остановкам производства, а слишком высокий — к “ омертвлению” капитала. З а
дача управления запасами — определить уровень запаса, который уравновешивает
два упомянутых крайних случая.
Важным фактором, определяющим формулировку и решение задачи управле
ния запасами, является то, что объем спроса на хранимый запас (в единицу времени)
может быть или детерминированным (достоверно известным), или вероятност
ным (описанным вероятностным распределением). В этой главе рассматриваются
детерминированные модели управления запасами. Вероятностные модели (обычно
более сложные) обсуждаются в главе 16.
11.1. ОБЩАЯ МОДЕЛЬ УПРАВЛЕНИЯ ЗАПАСАМИ

Природа задачи управления запасами определяется неоднократным размеще
нием и получением заказов заданных объемов продукции (в дальнейшем — хра
нимых запасов) в определенные моменты времени. С этой точки зрения стратегия
управления запасам и должна отвечать на следующие два вопроса.
1. Какое количество хранимого запаса следует заказать?
2. Когда заказывать?
Ответ на первый вопрос определяет экономичный размер заказа путем миними
зации следующей функции затрат.
Суммарные 4
Затраты на \ Затраты на' ' Потери от^
затраты системы Затраты на
оформление + хранение + дефицита
управления приобретение.
заказа / заказа запаса
запасами
Все эти стоимости должны быть выражены как функции искомого объема зак а
за и интервала времени между заказами.
472 Глава 11. Детерминированные модели управления запасами
1. Зат раты на приобретение определяются стоимостью единицы приобретае

мой продукции (хранимого запаса). Эта стоимость может быть постоянной
или со скидкой, которая зависит от объема заказа.
2. Затрат ы на оформление заказа представляют собой постоянные расходы,
связанные с его размещением (для изготовления продукции) на других про
изводствах. Эти затраты не зависят от объема заказа.
3. Затрат ы на хранение запаса представляют собой затраты на содержание
запаса на складе. Этот вид затрат включает как процент на инвестированный
капитал, так и стоимость хранения, содержания и ухода.
4. Потери от дефицита запаса — это расходы, обусловленные отсутствием запаса
необходимой продукции. Они включают как потенциальные потери прибыли,
так и более субъективную стоимость, связанную с потерей доверия клиентов.
Ответ на второй вопрос (когда заказы вать?) зависит от типа системы управле
ния запасами, с которой мы имеем дело. Если система предусматривает периоди
ческий контроль состояния запаса (например, каждую неделю или месяц), мо
мент поступления нового зак аза совпадает с началом периода. Если же в системе
предусмотрен непреры вны й контроль состояния запаса, новые заказы размеща
ются тогда, когда уровень запаса опускается до заранее определенного значения,
называемого точкой возобновления зак аза.
Модели управления запасами, рассматриваемые в этой главе, охватывают два
типа детерминированных моделей: статические и динамические. В статических
моделях рассматриваются ситуации, когда объем спроса на хранимую продукцию
(запас) является постоянным во времени. В динамических моделях объем спроса
является функцией времени.
11.2. СТАТИЧЕСКИЕ МОДЕЛИ УПРАВЛЕНИЯ ЗАПАСАМИ

В этом разделе рассмотрены три разновидности модели управления запасами, по
зволяющие определить экономичные размеры заказа со статическим объемом спроса.
11.2.1. Классическая задача экономичного размера заказа

Простейшие модели управления запасами характеризуются постоянным во
времени спросом, мгновенным пополнением запаса и отсутствием дефицита. Вве
дем обозначения:
у — объем заказа (количество единиц продукции),
D — интенсивность спроса (измеряется в единицах продукции на единицу времени),
t0 — продолжительность цикла заказа (измеряется во временных единицах).
Уровень запаса изменяется в соответствии с функцией, показанной на рис. 11.1, где
использованы приведенные выше обозначения. Заказ объема у единиц размещает
ся и пополняется мгновенно, когда уровень запаса равен нулю. Затем запас равно
мерно расходуется с постоянной интенсивностью спроса D. Продолжительность
цикла заказа для этого примера равна
у
ć0 = — единиц времени.
11.2. Статические модели управления запасами 473
Рис. 11.1. И зм е н е н и е за п а с а в к л а с си ческ о й м одели
Средний уровень запаса определяется соотношением

V
среднии уровень запаса = -j единиц.
Для построения функции затрат требуется два стоимостных параметра.

К — затраты на оформление, связанные с размещением заказа,
h — затраты на хранение (затраты на единицу складируемой продукции в еди
ницу времени).
Суммарные затраты в единицу времени (обозначается TCU') можно представить
как функцию от у в следующем виде.
ТСЩу) = затраты на оформление заказа в единицу времени +
+ затраты на хранение запаса в единицу времени =
_ затраты на оформление + затраты на хранение за цикл t0 _
t„
* +„ u
2_ 12
D
Оптимальное значение объема заказа у определяется путем минимизации по у
функции ТСЩу). Предполагая, что у является непрерывной переменной, получаем
необходимое условие минимума (в виде уравнения), из которого можно найти оп
тимальное значение у
d T C U (y ) KD h
--------—- = —+ —= 0.
dy у 2
Это условие является такж е и достаточным, так как функция ТСЩу) выпуклая.
Решение данного уравнения определяет экономичный объем заказа у .
2KD
Оптимальная стратегия управления запасами для рассмотренной модели фор

мулируется следующим образом.
1 T C U — сокр ащ ени е от T o ta l Cost p er U n it tim e , т .е . суммарны е затраты в ед иницу вре

мени. — П рим . ред.
Заказы ват ь у* = ^ единиц продукции через каждые ,о = ~ ' единиц времени.
В действительности пополнение запаса не может произойти мгновенно в мо

мент размещ ения заказа, к а к предполагалось ранее. Д ля больш инства реальных
ситуаций существует полож ительны й срок вы полнения зак аза L (временное за
паздывание) от момента его размещ ения до реальной поставки, к а к показано на
рис. 11.2. В этом случае точка возобновления зак аза имеет место, когда уровень
запаса опускается до LD единиц.
Рис. 11.2. Точки возобновления заказа в классической модели
На рис. 11.2 представлено изменение уровня запаса во времени при условии, что
срок выполнения заказа L меньше продолжительности цикла заказа t’0 , что в об
щем случае выполняется не всегда. В противном случае определяется эффектив
ный срок L ' выполнения заказа в виде
Le = L - n t ’0 ,
где п — наибольшее целое, не превышающее L /t'0. Такое решение оправдывается
тем, что после п циклов (длиной f* каж дый) ситуация управления запасами стано
вится такой же, к ак если бы интервал между размещением одного заказа и получе
нием другого был равен L r. Следовательно, точка возобновления заказа имеет место
при уровне запаса LtD единиц продукции, и стратегия управления запасами может
быть переформулирована следующим образом.
Заказывать у* единиц продукции, как только уровень запаса опускается до LJD единиц.
Пример 11.2.1
Неоновые лампы в университетском городке заменяются с интенсивностью 100 штук в
день. Подразделение материального обеспечения городка заказывает эти лампы с опре
деленной периодичностью. Стоимость размещения заказа на покупку ламп составляет
100 долларов. Стоимость хранения лампы на складе оценивается в 0,02 долл. в день.
Срок выполнения заказа от момента его размещения до реальной поставки равен 12
дней. Требуется определить оптимальную стратегию заказа неоновых ламп.
Н а основании приведенных данных имеем следующее.
D = 100 единиц в день,

К — 100 долларов за заказ,
h —0,02 доллара за хранение одной лампы в день,
L = 12 дней.
2x100x100
= 1000 ламп.
0.02
Соответствующая длина цикла составляет
Так как срок выполнения заказа L = 12 дней превышает продолжительность цикла i'0
(= 10 дней), необходимо вычислить Lr. Число целых циклов, заключенных в L, равно
п = (наибольшее целое < L / 1'0 ) = (наибольшее целое < 12/10) = 1.
Le = L - n t l = 1 2 - 1 x 1 0 = 2 дня.
Поэтому точка возобновления заказа имеет место при уровне запаса
L eD — 2 х 100 = 200 неоновых ламп.
Оптимальная стратегия заказа неоновых ламп может быть сформулирована сле
Заказать 1000 лам п, как только уровень их запаса уменьшается до 200 единиц.
Дневные расходы, связанные с содержанием запаса в соответствии с оптимальной
стратегией, равны
1000
2
D 100
Решение классической задачи управления запасами в Excel. Шаблон Excel

chllEO Q .xls разработан для решения этой задачи. Точная формулировка задачи,
которая реш ается с помощью этого шаблона, приведена в упражнении 11.2.1.9.
Применение шаблона продемонстрировано в примере 11.2.2 (раздел 11.2.2).
1. В каждом из следующих случаев дефицит не допускается, а время выполне
ния заказа от момента его размещ ения до реальной поставки равно 30 дней.
Требуется определить оптимальную стратегию управления запасами и соот
ветствующие дневные затраты.
a) К = 100 долл., h = 0,05 долл., D = 30 единиц в день.
b) К = 50 долл., h = 0,05 долл., D = 30 единиц в день.
c) К = 100 долл., h = 0,01 долл., D = 40 единиц в день.
d) К = 100 долл., h —0,04 долл., D = 20 единиц в день.
2. Ресторан заказы вает мясной фарш в начале каждой недели для удовлетворе
ния недельного спроса в 300 фунтов. Ф иксированная стоимость размещения
заказа равна 20 долл. Стоимость замораживания и хранения одного фунта
фарша обходится ресторану примерно в 0,03 долл. в день.
a) Определите недельные затраты ресторана, связанные с существующей
стратегией создания запаса.
b) Определите оптимальную стратегию управления запасами, предполагая,
что время выполнения заказа от момента его размещ ения до реальной по
ставки равно нулю.
c) В ычислите разность между текущ им и недельны ми затратам и рестора
на и теми, которы е определяю тся оптим альной стратегией управления
запасам и.
3. К омпания хранит на складе продукцию, которая потребляется с интенсив
ностью 50 единиц в день. За размещ ение заказа ком пания каж ды й раз пла
тит 20 долл. Стоимость хранения единицы продукции на складе обходится
в 0,35 долл. в неделю.
a) Определите оптимальную стратегию управления запасами, если предпо
ложить, что время выполнения заказа от момента его размещения до ре
альной поставки равно 1 неделе.
b) Определите оптимальное количество заказов в течение года (считая, что
год имеет 365 дней).
4. Отдел снабжения компании предложил две стратегии управления запасами.
С тратеги я 1. Объем зак аза 150 единиц при точке возобновления заказа
в 50 единиц и времени выполнения заказа 10 дней.
С тратеги я 2. Объем зак аза 200 единиц при точке возобновления заказа
в 75 единиц и времени выполнения заказа 15 дней.
Затраты на оформление заказа равны 20 долл., а стоимость хранения едини
цы продукции на складе обходится в 0,02 долл. в день.
a) Какую из двух стратегий следует утвердить?
b) Если бы вы отвечали за разработку стратегии управления запасами, како
ва была бы ваша рекомендация?
5. Магазин прессует и складывает в поддоны пустые картонные упаковочные ко
робки для их последующей переработки. За день штабелируется пять поддо
нов. Стоимость хранения одного поддона на заднем дворе магазина составляет
0,10 долл. в день. Компания, которая перевозит поддоны в перерабатывающий
центр, устанавливает оплату в 100 долл. за аренду своего погрузочного обору
дования плюс 3 долл. за перевозку каждого поддона. Изобразите графически
изменение количества поддонов с течением времени и разработайте оптималь
ную стратегию доставки поддонов в перерабатывающий центр.
6. Отель использует внешнюю прачечную для стирки полотенец. За день в отеле
накапливается 600 грязных полотенец. Прачечная забирает эти полотенца и
заменяет их чистыми через постоянные промежутки времени. Стоимость од
нократной доставки полотенец в прачечную и обратно равна 81 доллар.
Стирка одного полотенца обходится в 0,60 долл. Стоимость хранения в отеле
грязного и чистого полотенец равна 0,02 долл. и 0,01 долл. соответственно.
Как часто следует отелю пользоваться службой доставки полотенец?

(П одсказка. В этой задаче имеется два типа складируемых предметов. Если
количество грязных полотенец возрастает, то количество чистых уменьш ает
ся с равной интенсивностью.)
7. Дана задача управления запасами, в которой склад пополняется равномерно
(вместо мгновенного пополнения) с интенсивностью а. Продукция потребля
ется с интенсивностью D. Так к ак потребление происходит наряду с перио
дом пополнения, необходимо, чтобы было a >D. Стоимость размещения зака
за равна К , а стоимость хранения единицы продукции в единицу времени —
h. Покажите, что если у — объем заказа и отсутствует дефицит, то
a) максимальный объем запаса равен у( 1 - D /a),
b) общие затраты в единицу времени при заданном у равны
с) экономичный объем заказа равен
d) формулу экономичного объема заказа при мгновенном пополнении запаса

можно получить из формулы в п. с.
8. Фирма может производить изделие или покупать его у подрядчика. Если фир
ма сама выпускает изделие, то каждый запуск его в производство обходится
в 20 долл. Мощность производства составляет 100 единиц в день. Если изделие
закупается, затраты на размещение каждого заказа равны 15 долл. Затраты на
содержание изделия на складе, независимо от того, закупается оно или произ
водится на фирме, равны 0,02 долл. в день. Потребление изделия фирмой оце
нивается в 260 000 единиц в год. Если предположить, что фирма работает без
дефицита, определите, что выгоднее — закупать или производить изделия?
9. Предположим, что в упражнении 7 допускается дефицит и удельные потери
от него составляю тр долл. в единицу времени. Если w — величина дефицита
и у — объем заказа, покажите, что имеют место следующие соотношения.
11.2.2. Задача экономичного размера заказа с разрывами цен

Представленная в этом разделе модель управления запасами отличается от рас
смотренной в разделе 11.2.1 только тем, что продукция может быть приобретена со
скидкой, если объем заказа у превышает некоторый фиксированный уровень q; та
ким образом, стоимость единицы продукции с определяется как
с,, если у <q,
с2, если у > q,
где с, > с2. Следовательно,
затраты на приобретение продукции в единицу времени = '
Используя обозначения из раздела 11.2.1, запишем общие затраты в единицу

времени следующим образом.
TCU1(y) = Dc1+ — +^ y , y< q,

У 2
TCU{y) = -
, ч „ KD h
TCU2(y) = D c 2 + ---- + - у , y > q .
У
У 2
Графики функций TCUX и TCUг представлены на рис. 11.3. Так как значения
этих функций отличаются только на постоянную величину, то точки их минимума
совпадают и находятся в точке
2KD
{
Затраты
ТСЩ
I II -*+«-111—
График функции затрат ТСЩу), если идти от минимальных значений аргумен

тов, совпадает с графиком функции TCU^y) до точки у = q, в которой меняется цена
продукции, а затем совпадает с графиком функции TCU2(y). На рис. 11.3 показано,
что определение оптимального объема заказа у зависит от того, где находится точ-
ка разрыва цены q по отношению к указанным на рисунке зонам I, II и III, которые
определены к ак интервалы [0, ym), [ут, Q) и [Q, °°) соответственно. Величина Q (> ут)
определяется из уравнения
TCU2(Q) = TCU1( y J
или
ci ° + !^ - + !f = TCUl( y J -
Отсюда получаем квадратное уравнение относительно Q:

0 +( 2 b tD -T C U ,(y J )\Q + 2KD=O'
h Г h
На рис. 11.4 показано, к а к определяется оптимальное значение у .
[ут, если q находится в зоне I или Ш,
У=
q, если q находится в зоне П.
Затраты
Затраты
Рис. 11.4. Три случая оптимального решения
Алгоритм определения у можно сформулировать в следующем виде.

Этап 1. Вычисляем у т . Если q попадает в зону I, полагаем у = у т
В противном случае переходим к этапу 2.
Этап 2. Находим Q из уравнения
и определяем зоны II и III. Если q находится в зоне II, полагаем

у = q. Иначе q находится в зоне III, тогда у *= у т.
Пример 11.2.2
Автомобильная мастерская специализируется на быстрой замене масла в автомо
билях. М астерская покупает автомобильное масло в большом количестве по 3 долл.
за галлон. Цена может быть снижена до 2,50 долл. за галлон при условии, что мас
терская покупает более 1000 галлонов. За день в мастерской обслуживается около
150 автомобилей, и на каж дый из них для замены требуется 1,25 галлона масла.
М астерская хранит на складе большие объемы масла, что обходится в 0,02 долл.
в день за один галлон. Стоимость размещ ения заказа на большой объем масла равна
20 долл. Срок выполнения заказа — 2 дня. Требуется определить оптимальную
стратегию управления запасами.
Дневное потребление масла равно
D - 125 автомобилей х 1,25 галлона = 187,5 галлона в день.
Такж е имеем
h = 0,02 долл. за галлон в день,
К = 20 д о л л .за заказ,
L = 2 дня,
с, = 3 долл. за галлон,
с2 = 2,50 долл. за галлон,
q = 1000 галлонов.
Этап 1. Вычисляем
2KD 2x20x187,5
y„, = J --------= ---------------------- =612,37 галлонов.
V h V 0,02
Так к ак q = 1000 больше у т= 612,37, переходим к этапу 2.
Этап 2. Вычисляем Q.
TCUl(ym) = c lD + ™ + ' ^ =
У,„ 2
, ,оп с 20x187,5 0,02x612,37 пс
= 3x187,5 + ----------- + —--------------= 574,75.
612,37 2
Уравнение для Q имеет вид
2 ( 2 х (2,5x187,5-574,75)^ 2x20x187.5
+1 0,02 J 0,02 “ ’
или Q2 - 10599,74Q + 375000 = 0.
Решением этого уравнения будет Q = 10564,5 (> у т). Следовательно,
Зона II = (612,37, 10564,5),
Зона III = (10564,5, °о).
П оскольку q (= 1000) находится в зоне II, оптим альны й объем зак аза равен у =
= q = 1000 галлонов.
При заданном сроке выполнения заказа в 2 дня точкой возобновления заказа явля
ется 2D = 2 х 187,5 = 375 галлонов. Следовательно, оптимальная стратегия управ
ления запасами формулируется следующим образом.
Заказат ь 1000 галлонов масла, когда уровень запаса понижается до 375 галлонов.
Реш ение задачи в Excel. Шаблон Excel chllE O Q .xls разработан для решения об
щей задачи управления запасами, описанной в упражнении 11.2.1.9. Его такж е мож
но использовать для реш ения задачи экономичного размера заказа с разрывами цен.
Н а рис. 11.5 показано решение с помощью этого шаблона задачи экономичного
размера заказа с разрывами цен примера 11.2.2. Д ля решения задачи сначала необ
ходимо ввести исходные данные в ячейки СЗ:С11 раздела Input data. Если в данной
задаче не используются какие-либо предусмотренные шаблоном исходные данные, то
в соответствующие ячейки вводится число —1. Например, для реш ения общей задачи
управления запасами без разрыва цен в ячейки СЗ:С5, где должны содержаться зна
чения Cj, q и с2, вводится значение —1. Если введены не корректные исходные данные,
то будет выведено соответствующее сообщение об ошибке. На рабочем листе шаблона
выводятся к ак выходные результаты расчетов (раздел Model output results), так и ре
зультаты промежуточных вычислений (раздел Model intermediate calculations).
' В M c > .P - .H
1 Generalized Economic Order Quantity (EOQ)
2 Input data: Enter -1 in column С if data element is not apoljcable to your model
3 і Item cost, c1 = 3
4 lOtv discount lim it,«, * 1000
5 jltem cost, c2 - 2.5
6 Setup cost, К - 20
7 Demand rate, D = 187.5
8 Production rate, a = -1
9 Unit holding cost, h = 0.02
10 'Unit penalty cost, p - -1
11 Lead time. L » 2
12 (Model output results:
13 )rder qty, y* = 1000 00
14 Shortage qty.w* = 0.00
15 Reorder point, R = 375.00
16 CU(y*) = 482 50
17. Purchase/prod. Cost = 468.75
18 Jetup cost/unit time = 3.75
19 iHolding cost /unit time = 10.00
20 shortage cost/unit time = 0 00
21 ’Optimal inventory policy: Order 1000.00 units whenever level drops to 375 00 units
22 Model intermediate calculations:
23 ym = 612.37
24 TCU1(ym)= 574.75
25 Q-equation: Q**2 - 10599 7449*Q + 375000 0000 = 0
26 Q = 10564 25
27 cycle length. tO = 5.33
28 Optimization zone = II
29 ,Effectice lead time, Le = 2.00
Рис. 11.5. Решение в Excel задачи примера 11.2.2
1. Вернитесь к задаче из упраж нения 11.2.1.6. Стоимость стирки одного гряз
ного полотенца равна 0,60 долл., но она может быть снижена до 0,50 долл.,
если отель поставляет в прачечную по меньшей мере 2500 единиц полотенец.
Следует ли отелю воспользоваться скидкой?
2. П родукция используется с интенсивностью 30 единиц в день. Стоимость хра
нения единицы продукции равна 0,05 долл. в день, стоимость размещ ения
зак аза составляет 100 долл. Предположим, что дефицит продукции не до
пускается, стоимость закупки равна 10 долл. за единицу продукции, если
объем закупки не превыш ает 500 единиц, и 8 долл. в противном случае. Оп
ределите оптимальную стратегию управления запасами при условии, что
срок выполнения зак аза — 21 день.
3. Комплектую щ ие продаются по 25 долл. за единицу, но предлагается 10 %

скидка при покупке партии от 150 единиц и выше. К омпания в день ис
пользует 20 единиц ком плектую щ их. Стоимость размещ ения зак аза равна
50 долл., стоимость хранения единицы товара составляет 0,30 долл. в день.
Следует ли компании воспользоваться скидкой?
4. В предыдущем упражнении определите пределы изменения скидки на цену
комплектующих в процентах (предлагаемую за партию от 150 единиц и вы
ше), при которых компания не получит никакой финансовой выгоды.
5. В модели управления запасами, рассмотренной в этом разделе, предположи
те, что стоимость хранения единицы товара в единицу времени равна Л,, если
объем хранимого товара меньше q единиц, и Л2 в противном случае, Л, > h2.
Покажите, как в этом случае можно определить экономичный размер партии
хранимого товара.
11.2.3. Многопродуктовая статическая модель с ограниченной

вместимостью склада
Эта модель рассматривает задачу управления запасами п различных товаров,
которые хранятся на одном складе ограниченной вместимости. Характер измене
н ия запаса каждого товара в отдельности определяется функцией, показанной на
рис. 11.1; предполагается, что дефицит отсутствует. Отличие от ранее рассмотрен
ных моделей состоит в том, что товары конкурируют между собой за ограниченное
складское пространство.
Определим для товара i ,i = 1, 2, . . . , п, следующие параметры.
D, — интенсивность спроса,
K t — стоимость размещения заказа,
Л( — стоимость хранения единицы товара в единицу времени,
у, — объем заказа,
at — необходимое пространство для хранения единицы товара,
А — максимальное складское пространство для хранения товаров п видов.
При отсутствии дефицита математическая модель сформулированной задачи имеет
следующий вид.
Z “'-я - А'
у, > 0 , t = 1, 2, ..., п.
Алгоритм решения этой задачи можно описать следующим образом.
Этап 1. Вычисляются оптимальные объемы заказов без учета ограниче-
ния по вместимости склада:
Этап 2. Осуществляется проверка, удовлетворяют ли найденные значения

у' ограничению по вместимости склада. Если это так, вычисления
заканчиваются, при этом значения у' , і = 1, 2, ..., п являю тся оп
тимальными. В противном случае следует перейти к этапу 3.
Этап 3. Ограничение по вместимости склада должно удовлетворяться в форме
равенства. Используется метод множителей Лагранжа для определе
ния оптимальных объемов заказа для задачи с ограничением.
На этапе 3 строится функция Л агранж а
Ц Л ’ Уі’ Уг У„) = Т С и ( У і ’ У г’- ’ У , , ) - Л \ ^ Е а і У і - А ^ =
где Я(< 0) — множитель Л агранж а2.

Поскольку функция Л агранж а является выпуклой, оптимальные значения у, и
Я находятся из следующих уравнений, которые представляют собой необходимые
условия экстремума функции Лагранжа.
Э LК Д h, ,
— = — Чг- +— -Л а . =0,
3.v, у," 2
— = - Т а у , + А = 0.
дЛ 11
Второе уравнение показывает, что ограничение по вместимости склада в опти
мальной точке должно удовлетворяться в форме равенства.
Из первого уравнения следует, что
2Кр,
У' ~ ^ - 2 Я У
Полученная формула показывает, что у] зависит от оптимального значения Я*
множителя Л агранж а. Кроме того, при X = 0 значение у’ является решением зада
чи без ограничения.
Значение X может быть найдено следующим образом. Так как по определению
в поставленной выш е задаче минимизации Л < 0 , мы последовательно уменьш а
ем Я на достаточно малую величину и используем ее в данной формуле для вы
числения соответствующего значения у " . Искомое значение X приводит к значе
ниям у], i = l , 2, ..., п, которые удовлетворяют ограничению по вместимости
склада в форме равенства.
Пример 11.2.3
2 В разделе 2 0 .1 .1 детально рассмотрен метод множителей Лагранжа. Применение метода

в данном случае является корректным, так как здесь функция TCU(yt, у г, ..., уп,) выпуклая,
задача имеет единственное линейное ограничение и, следовательно, выпуклое пространство
решений. Метод может оказаться некорректным при Других ограничениях или при наличии
более одного ограничения (см. раздел 2 0 .1 .2 ).
Рассмотрим задачу управления запасами, исходные данные для которой приведе

ны в следующей таблице.
Товар /' К, (долл.) Di (единиц в день) hi (долл.) ai (кв. футы)

1 10 2 0,3 1
2 5 4 0,1 1
3 15 4 0,2 1
Общая площадь склада = 25 футов2
Вручную производить вычисления в этой задаче утомительно, поэтому воспользу

емся шаблоном chllConstrainedEOQ.xls.
Н а рис. 11.6 показан рабочий лист этого шаблона с исходными данны ми д ля рас
сматриваемой задачи. Исходные данные содержат все необходимые параметры для
каждого вида запаса (товара). Начальное значение Л (ячейка СЮ) обычно устанав
ливается равным нулю, ш аг изменения Л задается в ячейке С И . Это начальное зна
чение Л и ш аг изменения определяют точность вычисленного значения Л' и объем
выполненных вычислений.
В С D E F G H
1 Constrained multi-item EOQ — [sum(ay)<A
2 Input data:
3 Nbr. of items = 3 II.
4 IConstraint RHS, A 25 Enter 0 if sum(ay), 1 if sum(a/y) 0
5 Iteml Item2 Item3
6 Setup cost, К = 10 5 15
7 Demand rate, D = 2 4 4 1
8 Holding cost, h = 0.3 0.1 0.2
9 Parameter, a = 1 _______ II ______ I I ________
Initial X :
X decrement =
Output:
Calculations: Last tow gives the appioximate optimum
14 Л У1 V2 УЗ
15 0 000000 11 55 20.00 24.49
16 -0 100000 8 94 11.55 17.32
17 -0.200000 7 56 8.94 14.14
18 -0.300000 6.67 7.56 12.25
19 -0.400000 6.03 6.67 10.95
20
Р ис. 11.6. Р еш ен и е в E x c e l за д а ч и п р и м ер а 11.2.3
Ш аблон рассчитан на решение задач, содерж ащ их не более 10 видов запаса. С по

мощью этого шаблона можно находить решение задач, где ограничение представ
лено в форме
Такой тип ограничения может возникнуть в различных ситуациях, одна из них

показана в упражнении 11.2.3.4. Д ля решения задач с таким типом ограничений
следует ввести в ячейку G4 значение 1.
Данные в столбце М показывают, что значение Я* находится в интервале от -0 ,3 до
-0,4. Шаблон позволяет получить значение А* с любой наперед заданной точностью.
Для этого надо ввести в ячейку СЮ новое начальное значение -0 ,3 для Л и новое
значение шага изменения, например 0,05. После ввода этих значений рабочий лист
пересчитывается автоматически, в результате чего получаем новый (меньший) ин
тервал, содержащий значение Л . После нескольких подобных пересчетов я полу
чил значение X = -0 ,3 4 8 , вычисленное с точностью 0,0005. Это значение Я* дает
у\ ~ 6,34 единицы, у'2 ~ 7,09 единицы, у] ~ 11,57 единицы.
1. Приведенные ниже данные относятся к задаче управления запасами для п я
ти видов продукции.
Продукция/ К, (долл.) D, (единиц в день) hi (долл.) а, (кв. футы)

1 20 22 0,35 1,0
2 25 34 0,15 0,8
3 30 14 0,28 1,1
4 28 21 0,30 0,5
5 35 26 0,42 1,2
Общая площадь склада = 25 футов2
Определите оптимальный объем заказа.

2. Решите задачу из примера 11.2.3, предполагая, что сумма средних запасов
всех предметов должна быть меньше 25 единиц.
3. Решите предыдущее упражнение, предполагая, что единственным ограниче
нием является денежная сумма в 10 000 долл., которая может быть потраче
на на приобретение запасов продукции. Стоимость закупки единицы про
дукции вида 1, 2 и 3 равна соответственно 100, 50 и 100 долл.
4. Приведенные ниже данные относятся к задаче управления запасами для че
тырех видов продукции. Компания желает определить экономичный объем
заказа для каждого из четырех видов продукции таким образом, чтобы сум
марное количество заказов в год (365 дней) было не более 150.
Продукция і Ki (долл.) Di (единиц в день) hi (долл.)

1 100 10 0,1
2 50 20 0,2
3 90 5 0,2
4 20 10 0,1
П ри вы полнении эти х у п р аж н ен и й реком ендуем использовать ш аблон

c h i IC o nstrained E O Q . xls.
Запиш ите функцию Л агранж а и получите формулы, необходимые для реше

ния данной задачи.
5. На основе уравнения в частных производных задачи управления запасами
этой главы покаж ите, что в качестве начального значения Я в процедуре по
иска оптимального значения этого параметра можно взять величину
h _ п'а KD
~2Й Л7" " ’
где
1>, 1>, _
а=-&— , KD = —------ .
п п п
Примените это начальное значение в задаче из примера 11.2.3.
11.3. ДИНАМИЧЕСКИЕ ЗАДАЧИ ЭКОНОМИЧНОГО РАЗМЕРА

ЗАКАЗА
Рассматриваемые здесь модели отличаются от представленных в разделе 11.2.
Во-первых, уровень запаса контролируется периодически на протяжении конечно
го числа одинаковых периодов. Во-вторых, объем спроса на протяжении периода
хотя и является детерминированным, но в то ж е время он динамический, посколь
ку может периодически меняться.
Ситуация, в которой имеет место переменный детерминированный спрос, называет
ся планированием потребностей ресурсов. Подход к решению такой задачи рассмот
рим на примере. Предположим, что на протяжении следующего года квартальный
спрос на модели M l и М 2 некоторой продукции равен 100 и 150 единиц соответственно.
Поставки квартальных партий реализуются в конце каждого квартала. Срок выпол
нения заказа на модели M l и М 2 равен 2 месяца и 1 месяц соответственно. Для изго
товления каждой единицы модели M l и М 2 используется 2 единицы комплектую
щих деталей S. Срок изготовления комплектующих равен одному месяцу.
На рис. 11.7 схематически представлено календарное планирование производства
моделей M l и М 2. Построение плана начинается с отображения в виде сплошных
стрелок квартального спроса на две модели, который имеет место в конце 3-, 6-, 9-
и 12-го месяцев. Затем при известных квартальных сроках пунктирные стрелки ука
зывают начало производства каждой партии продукции M l и М 2 в 1-й и 2-й месяцы.
Чтобы вовремя начать производство партий двух рассматриваемых моделей, по
ставка комплектую щих S должна совпадать с началом производства M l и М2, т.е.
с пунктирными стрелками в планах их производства. Эта информация представле
на сплошными стрелками на S -схеме, где учитывается, что спрос на комплектую
щие S равен 2 единицам на каждую единицу продукции M l и М 2. Если учесть, что
срок изготовления комплектующих равен одному месяцу, пунктирные стрелки на
S -схеме определяют план производства комплектую щих. Исходя из указанных
двух планов, можно определить соответствующий суммарный спрос на S, как это
показано в нижней части рис. 11.7. Результирующий переменный (но известный)
спрос на комплектующие S представляет собой типичную ситуацию, когда приме
няются динамические модели экономичного размера заказа. При указанном пере
менном спросе на комплектующие S задача, по существу, сводится к определению
объемов производства в начале каждого месяца для уменьшения затрат, связанны х

с производством и хранением продукции.
В этом разделе представлены две модели. В первой не учитывается стоимость
размещения заказа, а вторая модель учитывает такие затраты. Эта “ м аленькая”
деталь порождает соответствующие отличия в сложности моделей.
Модель 1 Модель 2
О 1 2 3 4 5 6 7 8 9 10 11 12 0 1 2 3 4 5 6 7 8 9 10 11 12
I— I— I— I— I— I— I— I— I— I— I— I— I I— I— I— I— I— I— I— I— I— I— I— I— I
150 150
і і
і і
200 300 200 300 200 300 200 300

Комбинированные требования і і і і і і і i
на комплектующие S для t—ł— I— ł—X— I— ł—I— I— I—t— I— I
изделий 1и2 0 1 2 3 4 5 6 7 8 9 10 11 12
Рис. 11.7. Календарное планирование производства двух моделей
1. Определите суммарные потребности в комплектующих S в соответствии
с рис. 11.7 в каждом из следующих случаев.
a) Поставка продукции M l осуществляется каж ды й квартал.
b) Поставка продукции M l осуществляется раз в три квартала.
11.3.1. Модель при отсутствии затрат на оформление заказа

В этой модели рассматривается задача календарного планирования производст
ва, рассчитанная на п равных периодов. Возможные объемы производства в к аж
дый из периодов ограничены, однако они могут включать несколько уровней
(например, два возможных объема производства могут определяться обычным ре
жимом работы и сверхурочными работами соответственно). На протяжении теку
щего периода могут производиться изделия для последующих периодов, но в этом
случае должны учитываться затраты на их хранение.
Основные предположения модели состоят в следующем.
1. Отсутствие затрат на оформление заказа в любой период планирования.
2. Отсутствие (недопустимость) дефицита.
3. Стоимость производства единицы продукции в любой период либо является

постоянной, либо имеет возрастающие предельные затраты (т.е. соответст
вующая функция затрат является выпуклой).
4. Стоимость хранения единицы продукции в каж ды й период является посто
янной величиной.
Предположение об отсутствии дефицита означает, что спрос на продукцию на
протяжении текущего периода не может быть удовлетворен за счет ее производства
в последующие периоды. Это предположение по крайней мере требует, чтобы сум
марные возможности производства за периоды 1, 2, ..., і были равны суммарному
спросу на продукцию за это ж е время.
На рис. 11.8 показано, когда производственные затраты на единицу продукции
возрастают с увеличением уровня производства. Например, при двух возможных
объемах производства, которые определяются обычным режимом работы и сверх
урочными работами, стоимость производства единицы продукции, производимой
в сверхурочное время, выше, чем при обычном режиме работы.
Затраты
Уровень Уровень Уровень Уровень.
I II III хчУ
О Объем производства
Рис. 11.8. Выпуклая функция затрат
Рассматриваемую задачу п-этапного планирования можно сформулировать

в виде транспортной задачи (см. главу 5) с fen пунктами производства и п потреби
телями, где k — количество возможных уровней производства на протяжении пе
риода (например, если на протяжении каждого периода используется регулярный
и сверхурочный режимы работы, то k = 2). Производственные возможности каждо
го из kn пунктов производства определяют объемы поставок. Объемы потребления
определяются объемом спроса для каждого периода. Себестоимость “ перевозки” от
пункта производства до пункта назначения определяется суммой затрат исполь
зуемого производственного процесса и стоимости хранения единицы продукции.
Оптимальное решение такой транспортной задачи определит объемы производства
продукции для каждого производственного уровня, которые минимизируют сум
марные затраты на производство и хранение.
Эту задачу можно решить без использования метода решения транспортных за
дач, представленного в главе 5. Обоснованность нового метода решения, показан
ного далее, следует из упомянутых предположений об отсутствии дефицита и вы
пуклости функции затрат на производство.
Пример 11.3.1
Компания производит специальные вы тяж ки, которые используются в домашних
каминах в период с декабря по март. В начале отопительного сезона спрос на эту
продукцию низкий, в середине сезона он достигает своего пика и уменьшается
к концу сезона. У читывая популярность продукции, компания может использо
вать сверхурочные работы для удовлетворения спроса на свою продукцию. Сле
дующая таблица содержит данные о производственных мощностях компании
и объемах спроса на протяжении четырех месяцев.
Возможности производства
Месяц Обычный режим работы (единицы) Сверхурочные (единицы) Спрос (единицы)
1 90 50 100
2 100 60 190
3 120 80 210
4 110 70 160
Стоимость производства единицы продукции равна 6 долл. в условиях обычного

режима работы и 9 долл. при сверхурочных работах. Стоимость хранения единицы
продукции на протяжении месяца равна 0,10 долл.
Чтобы гарантировать допустимое решение при отсутствии дефицита, требуется,
чтобы суммарное предложение продукции (возможности производства) к началу
каждого месяца по меньшей мере равнялось суммарному спросу. Об этом свиде
тельствует следующая таблица.
Месяц Суммарное предложение Суммарный спрос
1 90 + 5 0 = 140 100
2 140 + 100 + 60 = 300 1 0 0 + 190 = 290
3 300 + 120 + 80 = 500 290 + 210 = 500
4 5 0 0 + 110 + 70 = 680 500 + 160 = 660
В табл. 11.1 содержатся данные, относящиеся к рассматриваемой задаче, и ее ре

шение. Здесь R, и О, соответствуют уровням производства в обычном и сверхуроч
ном режиме работы на протяжении периода і, і = 1, 2, 3 ,4 . Так как суммарное
предложение в четвертом периоде превышает суммарный спрос, то введен искусст
венный пункт потребления (избыток), чтобы сбалансировать модель (это показано
в табл. 11.1). Все “ транспортные” маршруты из предыдущего в текущ ий период за
блокированы, так как дефицит отсутствует.
Себестоимости “ перевозок” продукции вычисляются в виде суммы затрат на про
изводство и хранение. Например, соответствующая себестоимость от R. до первого
периода равна лиш ь стоимости изготовления в 6 долл., себестоимость от О, до чет
вертого периода — стоимости изготовления плюс стоимость хранения от первого
периода до четвертого, т.е. 9 + (ОД + 0,1 + ОД) = 9,30 долл. Наконец, себестоимость
перевозки до искусственного пункта потребления (избыток) равна нулю.
Оптимальное решение получается в один проход, начиная с первого столбца в на
правлении к столбцу “ И збы ток” . Д ля каждого перспективного столбца спрос удов
летворяется с использованием самого дешевого маршрута4.
4 Доказательство оптимальности этой процедуры приведено в работе Johnson S.M. “Sequential

Production Planning over Time at Minimum Cost”, Management Science, V o l.3 ,1957, pp. 4 35-437.
Таблица 11.1
1 2 3 4 Избыток
6 6,1 6,2 6,3 0
Я, 90 90
g 9,1 9,2 9,3 0
о. 10 30 10 5 0 -» 4 0 -» 1 0
6 6,1 6,2 0
я2 ■' : 'i'-''.1 100 100
9 9,1 9,2 0
Ог 60 60
6 6,1 0
Яз 120 120
9 9,1 0
Оз 80 80
6 0
Я, 110 110
9 0
о4 50 20 7 0 -» 2 0
100 190 210 160 20

і i i i
10 90 90 50
i i
30 10
Начиная с первого столбца маршрут (Я,, 1) имеет самую дешевую себестоимость пе
ревозки, и мы назначаем перевозку максимально возможного объема, а именно
m in(90, 100) = 90 единиц, что оставляет 10 единиц неудовлетворенного спроса
в первом столбце. Далее переходим к следующему по себестоимости маршруту
(О,, 1) первого столбца и определяем перевозку m in(50, 10) = 10 единиц, что теперь
полностью удовлетворяет спрос для первого периода.
После удовлетворения спроса для первого периода мы переходим ко второму
столбцу. Определение перевозок в этом столбце происходит следующим образом:
100 единиц по маршруту (R2, 2), 60 единиц по маршруту (0 2, 2) и 30 единиц ио
маршруту (О,, 2). Этим маршрутам соответствуют себестоимости “ перевозок” в 6, 9
и 9,10 долл. При этом маршрут (Яр 2), транспортные расходы на единицу продук
ции для которого равны 6,10 долл., не рассматривается, так как весь запас R i был
израсходован для первого периода.
Продолжая аналогичным образом, мы удовлетворяем спрос для третьего, а затем
и четвертого столбцов. Оптимальное решение, выделенное жирным шрифтом
в табл. 11.1, интерпретируется следующим образом.
Период Производство
Период 1 (обычный режим работы) Изготовить 90 единиц продукции для первого периода
Период 1 (сверхурочный режим работы) Изготовить 40 единиц продукции: 10 для периода 1, 30
для периода 2 и 10 для периода 3
Период 2 (обычный режим работы) Изготовить 100 единиц продукции для второго периода
Период 2 (сверхурочный режим работы) Изготовить 60 единиц продукции для периода 2
Период 3 (обычный режим работы) Изготовить 120 единиц продукции для третьего периода
Период 3 (сверхурочный режим работы) Изготовить 80 единиц продукции для периода 3
Период 4 (обычный режим работы) Изготовить 110 единиц продукции для четвертого периода
Период 4 (сверхурочный режим работы) Изготовить 50 единиц продукции для периода 4;
осталась неиспользованной производственная
мощность на 20 единиц продукции
Соответствующие суммарные затраты при этом равны

90 х 6 + 10 х 9 + 30 х 9,10 + 100 х 6 + 60 х 9 + 10 х 9,20 +
+ 120 х 6 + 8 0 х 9 + 1 1 0 х 6 + 5 0 х 9 = 4685 долл.
УПРАЖ НЕНИЯ 11.3.2
1. Реш ите задачу из примера 11.3.1, предполагая, что стоимости производст

ва и хранения единицы продукции имеют значения, приведенные в сле
Период /' Стоимость единицы Стоимость единицы Стоимость хранения

продукции при обычном продукции при сверхурочном единицы продукции
режиме работы (долл.) режиме (долл.) до периода / + 1
1 5,00 7,50 0,10

2 3,00 4,50 0,15
3 4,00 6,00 0,12

4 1,00 1,50 0,20
Изделие производится для удовлетворения заданного спроса на четырех вре

менных этапах в соответствии со следующими данными.
Удельные производственные затраты на этапах

Диапазон объема производства (ДОЛЛ.)
(единицы) 1 2 3 4
1 -3 1 2 2 3
4 -1 1 1 4 5 4
1 2 -1 5 2 4 7 5
1 6 -2 5 5 6 10 7
Затраты на хранение одного изделия 0,30 0,35 0,20 0,25
до следующего этапа (долл.)
Суммарный спрос (единицы) 11 4 17 29
a) Найдите оптимальное решение, определяющее количество изделий, кото

рые необходимо изготовить на каждом из четырех этапов.
b ) Предположим, что на этапе 4 требуется 10 дополнительных изделий. На
каких этапах следует их изготовить?
3. В течение последующих пяти этапов спрос на некоторое изделие можно
удовлетворить при обычном режиме работы, сверхурочных работах и суб
подряде. Субподряды можно использовать лиш ь при недостатке возможно
стей сверхурочных работ. Данные о производственных мощностях и объемах
спроса приведены в следующей таблице.
Производственные мощности (единицы)
Этап Обычный режим работы Сверхурочные работы Субподряд Спрос

1 100 50 30 153
2 40 60 80 200
3 90 80 70 150
4 60 50 20 200
5 70 50 100 203
Предполагается, что затраты на производство единицы продукции на всех

этапах одинаковы и составляют 4, 6 и 7 долл. при обычном режиме работы,
сверхурочных работах и субподряде соответственно. Затраты на хранение
единицы продукции на каждом этапе равны 0,50 долл. Требуется найти оп
11.3.2. Модель с затратами на оформление заказа

В рассматриваемой модели предполагается, что дефицит не допускается и за
траты на оформление заказа учитываются всякий раз, когда начинается производ
ство новой партии продукции. Здесь будут рассмотрены два метода решения этой
задачи: точный метод динамического программирования и эвристический.
Д анная задача управления запасами схематически представлена на рис. 11.9.
На этом рисунке использованы обозначения следующих величин, определенных
д ля каждого этапаг, і = 1 ,2 , ..., п.
2, — количество заказанной продукции (объем заказа),
D, — потребность в продукции (спрос),
х , — объем запаса на начало этапа г.
г1 г2 г/ г /+ 1 г„
*1 х2 . X, , * /+ Г
)С?
с гг ^ С *
Dx Di Dn
Рис. 11.9. Схема управления запасами с затратами на оформление заказа
Стоимостные элементы в рассматриваемой задаче определяются так:

К, — затраты на оформление заказа,
ht — затраты на хранение единицы продукции, переходящей из этапа г в этап г +1.
Соответствующая функция производственных затрат для этапа і задается формулой
где с,(z,) — функция предельных производственных затрат при заданном значении z,.
Алгоритм динамического программирования с общей функцией стоимости. По
скольку дефицит не допускается, задача управления запасами сводится к вычисле
нию значений z,, минимизирующих суммарные затраты, связанные с размещением
заказов, закупкой и хранением продукции на протяжении п этапов. Затраты на хра
нение на г-м этапе для простоты предполагаются пропорциональными величине
которая представляет собой объем запаса, переходящего из этапа і в этап і + 1.

Для рекуррентного уравнения процедуры прямой прогонки состояние на этапе (пе
риоде) г определяется как объем запаса х И1 на конец этапа, где, как следует из рис. 11.9,
Это неравенство означает, что в предельном случае запас х м может удовлетворить

спрос на всех последующих этапах.
Пусть f,(xl+l) — минимальные общие затраты на этапах 1, 2, ..., і при заданной
величине запаса х,+1 на конец этапа г. Тогда рекуррентное уравнение алгоритма
прямой прогонки будет записано следующим образом.
Пример 11.3.2
Требуется найти оптимальную стратегию в трехэтапной системе управления запа
сами, которая формулируется ниже. Начальный запас равен х, = 1 единице про
дукции. Предполагается, что предельные затраты на приобретение продукции со
ставляют 10 долл. за каждую единицу для первых трех единиц и 20 долл. — за
каждую дополнительную единицу.
Период /' Спрос, D, (единицы) Затраты на оформление заказа, К, (долл.) Затраты на хранение, Л, (долл.)
1 3 3 1
2 2 7 3
3 4 6 2
Функция производственных затрат для периода і равна С/г,) = K t + сЦг) для zt > 0, где
Этап 1. D, = 3, 0 < х 2< 2 + 4 = 6.

C i(zi) + h\X2 Оптимальное
z, =2 3 4 5 6 7 8 решение
Хг ^1*2 Ci(Zi) = 23 33 53 73 93 113 133 *(*> z;

0 0 23 23 2
1 1 34 34 3
2 2 55 55 4
3 3 76 76 5
4 4 97 97 6
5 5 118 118 7
6 6 139 139 8
Т ак к а к х, = 1, м иним альное значение 2 , равно D, - х , = 3 -- 1 = 2 .
Э тап 2. D 2 = 2, 0 < х ъ < 4.

C2(z2) + h2x3 + f1(хЗ + D2 - z2) Оптимальное
2г = 0 1 2 3 4 5 6 решение
хЗ h2x3 C2(z2) = 0 17 27 37 57 77 97 f2(x3) z-
0 0 0 + 55 = 55 17 + 34 = 27 + 23 = 50 2
51 50
1 3 3 + 76 = 79 20 + 55 = 30 + 34 = 40 + 23 = 63 3
75 64 63
2 6 6 + 97 = 23 + 76 = 33 + 55 = 43 + 34 = 63 + 23 = 77 3
103 99 88 77 86
3 9 9 + 118 = 26 + 97 = 36 + 76 = 46 + 55 = 66 + 34 := 86 + 23 = 100 4
127 123 112 101 100 109
4 12 12 + 139 = 29 + 118 = 39 + 97 = 49 + 76 = 69 + 55 := 89 + 34 = 109 + 23 123 5
151 147 136 125 124 123 = 132
Э тап 3. D 3 = 4, x t = 0.
Сз(*з) + Лз*4 + k (x 4+ D3 — Z3) Оптимальное
Zs = 0 1 2 3 4 решение
*4 Л3Л4 Сз(гз) = 0 16 26 36 56 &(*) г3'

О 0 0 + 123= 123 16 + 100=116 26 + 77 = 103 36 + 63 = 99 56 + 50 = 106 99 3
О птим альное реш ение определяется следую щ им образом:

(х4= 0) —>[2, = 3] —>(х4= 0 + 4 - 3 = 1) —>[ г 2 = 3] —>(х2= 1 + 2 - 3 = 0) —>[г, = 3].
Отсюда получаем решение-, г" = 2 , гг = Ъ и ^ = Ъ, при этом общие затраты состав
ляю т 99 долл.
Решение задачи динамического программирования с общей функцией стоимо

сти в Excel. Ш аблон Excel chllD ynam icInventory.xls создан для решения общих за
дач управления запасами с произвольной функцией стоимости. Этот шаблон похож
на шаблон chlOK anpsack.xls, описанный в разделе 10.3.1. В частности, шаблон
chllD ynam icInventory.xls выполняет вычисления только для одного периода и для
вычислений следующего периода пользователь должен произвести некоторые под
готовительные операции.
На рис. 11.10 показано применение описываемого шаблона для решения задачи
примера 11.3.2. Исходные данные надо вводить для каждого периода в отдельности
(после вычислений очередного периода). Эти данные следует вводить в выделенные
цветом ячейки. Коэффициенты функции затрат c,(z,) вводятся в строке 3: G3 = 10,
Н3 = 20, 13 = 3. Это означает, что удельные затраты для первых трех единиц про
дукции составляют 10 долл., а для последующих — 20 долл. Отметим, что из зна
чения D, необходимо вычесть значение начального запаса (= 3 - я, = 3 - 1 = 2 ), эта
разность вводится в ячейку С5. Такж е необходимо вручную ввести возможные зна
чения переменной z,. Ш аблон автоматически проверит правильность этих значений
и выведет соответствующие сообщения в строке 6.
После ввода всех данных, необходимых для вычислений первого периода, рабочий
лист пересчитывается автоматически, показывая оптимальные значения ft n z t B столб
цах S и Т. Далее следует полученное решение (*,, ft, z ) переписать в область итоговых
оптимальных решений в столбцах U:Z. Д ля этого, скопировав нужные данные и выде
лив диапазон ячеек, куда будут перенесены эти данные, надо выполнить команду
Правка^Специальная вставка^Значения — по этой команде будут скопированы только
значения (без формул), по которым они вычислены. (Более подробно эта операция пред
ставлена в разделе 10.3.1 при описании работы с шаблоном chlOKanpsack.xls.)
Далее для выполнения вычислений следующего периода надо скопировать зна
чения f t в столбец А, к ак показано на рис. 11.10, и ввести в ячейку Н2 номер оче
редного периода.
УПРА Ж Н ЕНИЯ 11.3.3
1. Вернитесь к задаче из примера 11.3.2.

a) Имеет ли смысл рассматривать значение x t > 0?
b) Д ля каждого из следующих случаев определите допустимые интервалы
значений для z,, z2, z3, х г, х 2 и х 3. (Полезно представить каж ды й случай
графически, к ак н ари с. 11.9.)
i) x l = 4, остальные исходные данные не меняются,
ii) x l = 0, D1 = 5, D2 = 4 и D3 = 5.
2. Найдите оптимальное решение следующей четырехэтапной задачи управле
ния запасами.
Период / Спрос, Di Затраты на оформление заказа, К/ Затраты на хранение,

(единицы) (долл.) hi (долл.)
1 5 5 1
2 2 7 1
3 3 9 1
4 3 7 1
Период 1
В C D Е F G Н I J К S ' T ’ U V W X Y Z
1 General (Forwaid) D н а т іс Pioqramming Inventory Model
2 Number of periods, N * 3 Current period* Optimum solution
3 K1- 3 I M « d(z1>- 10 20 3 Summary
4 Period 1 2 3 x f z к f z
5 Dfl to 3)= 2 I 2 4 Период 1
Є A n z1 values correct? Optimum 0 23 2
7 Period 0 z1= 2 3 4 5 6 7 8 Penodl 1 34 3
6 fO C1(z1)= 23 33 53 73 93 113 133 f1 z1 2 55 4
9 «2= 0 23 1111111 1111111 1111111 1111111 1111111 1111111 23 2 3 76 5
10 x2= 1 1111111 34 1111111 1111111 1111111 1111111 1111111 34 3 4 97 6
11 x2= 2 1111111 1111111 55 1111111 1111111 1111111 1111111 55 4 5 118 7
12 x2= 3 1111111 1111111 1111111 76 1111111 1111111 111111 76 5 6 139 8
x2= 4 1111111 1111111 1111111 1111111 97 1111111 111111 97 6
14 x2= 5 1111111 1111111 1111111 1111111 1111111 116 111111 118 7
15 x2= 6 1111111 1111111 1111111 1111111 1111111 1111111 139 139 8
16
Период 2
в С D E F G H 1 k 1 c; T U I V V/ X >
Geneiat (Forward) Dynamic Programming Inventory Model
Number of periods, N - 3 Current period» 2 Optimum solution
K1- 7 h1= 3 d(z1) 10 20 3 Summarv
4 Period 1 2 3 X z X f z
- D(1 to 3)= 2 ] 2 4 I Пеоиод 1 Период 2
.Are z1 valtM rom ct? Ve- \es ,e \es Optimum 0 23 2 0 50 2
7 Peiiod 1 z2= 0 2 3 4 5 6 Period2 1 34 3 1 63 3
8 C2(z2)= 0 17 27 37 57 77 97 f2 z2 2 55 4 2 77 3
l f1
9 23 x3= 0 55 51 50 1111111 1111111 1111111 1111111 50 2 3 76 5 3 100 4
10 34 x3= 1 79 75 64 63 1111111 1111111 1111111 63 3 4 97 6 4 123 5
П 55 x3= 2 103 99 88 77 86 1111111 1111111 77 3 5 118 7
Г 76 x3= 3 127 123 112 101 100 109 1111111 100 4 6 139 8
і: 97 x3= 4 151 147 136 125 124 123 132 123 5
14 118
15 139
16
Период З
Рис. 11.10. Решение в Excel задачи примера 11.3.2
Затраты на приобретение первых шести единиц продукции составляют

1 долл. за каж дую единицу и 2 долл. за каж дую дополнительную единицу.
П роверьте вы ч и сл ен и я, вы полненны е вручную , с помощ ью шаблона
ch 11 D ynam icInventory.xls.
‘i1.3. Динамические задачи экономичного размера заказа 497
3. Пусть стоимость хранения запаса определяется средним его объемом на про

тяж ении периода. Получите соответствующее рекуррентное уравнение для
алгоритма прямой прогонки.
4 Получите рекуррентное уравнение для алгоритма обратной прогонки и с его
помощью решите задачу из примера 11.3.2.
5. Получите рекуррентное уравнение для алгоритма обратной прогонки, пред
полагая, что стоимость хранения запаса определяется средним его объемом
на протяжении периода.
Алгоритм динамического програм м ирования д ля задачи с постоянными или
невозрастаю щими предельны ми затратам и . Рассмотренную выше модель дина
мического программирования можно использовать при любых ф ункциях затрат.
Важным частным случаем этой модели является такая модель, в которой на эта
пе і как стоимость закупки единицы продукции, так и затраты на ее хранение —
невозрастающие (вогнутые) функции объема закупаемой и хранимой продукции
соответственно. Т акая ж е ситуация возникает, когда ф ункция стоимости, отне
сенная к единице продукции, является постоянной или когда предоставляется
оптовая скидка.
При указанных выше условиях можно доказать следующее.5
1. При заданном начальном нулевом уровне запаса (х, = 0) для любого этапа і
оптимальной стратегией является удовлетворение спроса за счет либо новой
закупленной продукции, либо запаса, но не обоих источников, т.е. 2 ^ , = 0.
(При положительном начальном уровне запаса (Х; > 0) этот объем может
быть списан из спроса последующих этапов, пока он не исчерпается.)
2. Оптимальный объем заказа z, на любом этапе і должен либо равняться нулю,
либо в точности соответствовать спросу одного или более последующих этапов.
Использование указанных двух свойств с рекуррентным уравнением для алго
ритма прямой прогонки динамического программирования позволяет упростить
схему вычислений.
Пример 11.3.3
Рассмотрим четырехэтапную модель управления запасами при следующих исход
ных данных.
Период /' Спрос, Dj (единицы) Затраты на оформление заказа, К, (долл.)

1 76 98
2 26 114
3 90 185
4 67 70
5 Подробное доказательство изложено в работе Wagner Н. and W hitin Т. “Dynamic Version of

the Economic Lot Size Model”, Management Science, Vol. 5, 1958, pp. 89-96. Доказательство полу
чено при ограничивающем предположении, что затраты на единицу продукции постоянны
и идентичны на всех этапах. Этот результат в дальнейшем был обобщен А. Вейноттом (A. Veinott)
из Стэнфордского университета для вогнутых функций затрат, имеющих место на каждом этапе.
Начальный уровень запаса равен я, = 15 единиц. Затраты на закупку единицы про

дукции и ее хранение в течение одного периода для всех этапов одинаковы и состав
ляю т 2 и 1 долл. соответственно. (Затраты на закупку и хранение единицы продук
ции приняты одинаковыми для всех этапов исключительно в целях упрощения.)
Решение определяется обычным алгоритмом прямой прогонки, за исключением
того, что величины х м и 2 ( допускают “ общие” платежи, как это следует из свойств
функции затрат. Так как начальный запас jc1 = 15, спрос на первом этапе уменьша
ется на эту величину и составляет 76 - 15 = 61 единицу.
Этап 1. D, = 61.
Ci(Zi) + ft1X2 Оптимальное
z, = 6 1 87 177 244 решение
Хг C ,(z,) = 220 272 452 586

г,’
0 0 220 220 61
26 26 298 298 87
116 116 568 568 177
183 183 769 769 244
Заказ на этапе 1 1 1 ,2 1 ,2 ,3 1 ,2 , 3 ,4
для этапов
Этап 2. D2 = 26.
СгСзг) + ІЬХз + f:(x3 + Ог - гг) Оптимальное
решение
It
26 116 183
О
хз ЬгХ3 С г(^ ) =0 166 346 480 Шз)

0 0 0 + 298 = 298 166 + 220 = 386 298 0
90 90 90 + 568 = 658 436 + 220 = 656 656 116
157 157 157 + 769 = 926 637 + 220 ==857 857 183
Заказ на этапе 2 — 2 2 ,3 2, 3 ,4
для этапов
Этап 3. D3= 9 0 .
Сз(гз) + Лз*4 + k(Xi + D3 -Z 3) Оптимальное
Z3 = 0 90 157 решение
Xt hsXi Сз(ій) = 0 365 499 h(Xi) zj

0 0 0 + 656 = 656 365 + 298 = 663 656 0
67 67 67 + 857 = 924 566 + 298 = 864 864 157
Заказ на этапе 3 — 3 3 ,4
для этапов
Этап 4. £)4 = 67.

C ą (Z ą ) + Л4 Х5 + /з(Х5 + Dą — Z4) Оптимальное
Zą = 0 67 решение
Хъ Л4 Х5 C Ą z t) =0 204 fA{xs) 2*
0 + 864 = 864 204 + 656 = 860 860 67

о
Заказ на этапе 4 — 4
для этапов
Оптимальная стратегия на основе приведенных таблиц определяется следующим

образом.
(*В = О) - » [24 = 67] -►(*4 = О) -►[г8 = О] -* (*8 = 90) -►[г2 = 116] ^ (*2 = О) -►[2! = 61].
Отсюда получаем решение: г\ = 6 1 , z'2 = 116, zj = 0 и г\ = 67 при суммарных за
тратах 860 долл.
Реш ение в Excel задачи уп равлен ия зап асам и с постоянными или невозрас
таю щ ими предельны ми затратам и . Ш аблон Excel c h i lW ag n e rW h itin .x ls, предна
значенный д ля реш ения этих задач, подобен шаблону chllD y n am icIn v en to ry .x ls,
описанному выш е. Различие между ними заклю чается только в том, что в шаблоне
c h llW a g n e rW h itin .x ls используются общие платеж и для состояний х и альтерна
тивных значений 2 . Д ля упрощ ения расчетов оптовые скидки не допускаю тся. На
рис. 11.11 показаны вычисления первого периода д ля задачи из примера 11.3.3.
Ш аблон ограничен максимум 10 периодами.
В
t- F H P • •
D
1 Wagner-Whitin (Forward) Dynamic Programming Inventory Model
Number of eriods N= 4 Current erlodB| 1
3 Period 1 2 3 4
4 c(1 to 4] - 2 2 2 2 і Optimum Solution
K(1 to 4) - 98 114 185 70 Summer
h(1 to 4) • 1 1 1 3 X f z X f z
7 D(1 to 4) “J 61 26 90 67 Current period 1
Are z1 values со ■> - 1 q і с 0 itimum Ó I 220, 61
Period 0 z1- 61 1 87 177 244 I Period 1 2 6 ^ 298 87
ro C1(z1)= 220 272 1 452 586 I f1 I Z1 116 568 177
x2= 0 220 ІІ1111 1111111 1111111 220 I 61 183 769 244
x2=. 26 111111 298 1111111 1111111 298 I 87
x2=| 116 111111 ІІ1111 568 1111111 568 1 177
14 x2= 183 ІІ1111 И1111 1111111 769 769 1 244
Р и с . 11 .1 1 . В ы ч и с л е н и я в E x c e l п е рвого п е р и о д а д л я з а д а ч и и з п р и м е р а 11.3 .3
1. С помощью ш аблона c h llW a g n e rW h itin .x ls реш ите задачу из примера
11.3.3, предполагая, что начальны й запас — 80 единиц.
2. Реш ите следующую 10-этапную детерминированную задачу управления за
пасами, предполагая, что исходный запас — 50 единиц.
Этап / Спрос, D, Стоимость единицы Затраты на хранение Затраты на оформление

(единицы) продукции (долл.) единицы продукции (долл.) заказа (долл.)
1 150 6 1 100
2 100 6 1 100
3 20 4 2 100
4 40 4 1 200
5 70 6 2 200
6 90 8 3 200
7 130 4 1 300
8 180 4 4 300
9 140 2 2 300
10 50 6 1 300
Определите оптимальную стратегию управления запасами в следующей 5-

этапной задаче. Стоимость единицы продукции равна 10 долл. для любого
периода. Стоимость хранения единицы продукции на протяжении периода
равна 1 долл.
Этап і Спрос, D, (единицы) Затраты на оформление заказа, К, (долл.)

1 50 80
2 70 70
3 100 60
4 30 80
5 60 60
4. Определите оптимальную стратегию управления запасами в следующей 6-этап-

ной задаче. Стоимость единицы продукции равна 2 долл. для любого периода.
Этап і Di (единицы) К, (долл.) hi (долл.)

1 10 20 1
2 15 17 1
3 7 10 1
4 20 18 3
5 13 5 1
6 25 50 1
Эвристический подход Сильвера-Мила. Данный подход применим к решению

только тех задач управления запасами, в которых затраты на закупку единицы про
дукции постоянны и одинаковы для всех этапов. Поэтому эвристический подход стре
мится сбалансировать лишь стоимости размещения заказа и затраты на хранение.
Эвристический метод определяет последующие этапы, потребности которых
можно удовлетворить за счет размещения заказа на протяжении текущего периода.
Задача планирования заключается в минимизации затрат, которые связаны с раз
мещением заказа и хранением продукции и отнесены к одному периоду.
Предположим, на этапе і размещается заказ для периодов г, і + 1...... t (i< t).
Пусть TC(i, t) — соответствую щ ая стоимость разм ещ ения заказов и хранения
продукции для этих ж е этапов. С использованием обозначений, принятых для мо

делей динамического программирования, математически это можно выразить сле
Гк,, г = /,
^^ \к, +htDM+(/г,- + hi+\) At: + - + (fy + +•••+ fy-i) D,■r>і-
Обозначим далее через ТСЩі, t ) соответствующие затраты за период, т.е.
TC(i,t)
TCU{i,t) =
t - i +l
Таким образом, для заданного текущего этапа і эвристический метод определяет t ,
которое минимизирует функцию TCU(i, t).
Функция TC(i, t) определяется с помощью рекуррентных соотношений.
тса, і) = к„
TC(i, t) = TC(i, t - 1) + (A, + A^, + ... + А,_,)Д, t = і + 1, і + 2, ..., п.
Алгоритм эвристического метода состоит из следующих шагов.
Ш аг О. Пусть г = 1.
Шаг 1. Определяем локальный минимум t функции TCU(i, t), который
должен удовлетворять неравенствам
TCU(i, t -\) > T C V { i, t ) ,
TC U (i,t + \)> T C U { i,t).
Тогда в соответствии с эвристическим подходом на этапе і разме
щ ается заказ объемом (Д + Д м + ... + Д .) для этапов і, і + 1 ,..., t .
Ш аг 2. Пусть і = t* + 1. Если i> п, вычисления заканчиваются; рассмот
рен весь плановый период. Иначе следует перейти к шагу 1.
Пример 11.3.4
Найдем оптимальную стратегию управления запасами в следующей 6-этапной за
даче. Стоимость единицы продукции равна 2 долл. для любого периода.
Этап / Di (единицы) Ki (долл.) h, (долл.)

1 10 20 1
2 15 17 1
3 7 10 1
4 20 18 3
5 13 5 1
6 25 50 1
Итерация 1 (г = 1, К 1= 20 долл.). Ф ункция ТС{ 1, t ) определяется рекуррентно по t.

Например, при заданном значении 742(1, 1) = 20 долл., 742(1, 2) = 742(1, 1) + АД 2=
= 20 + 1 х 15 = 35 долл.
Этап t D, щ 1 ,0 7CU(1, Г)
1 10 20 20/1 = 20,00
2 15 20 + 1 х 15 = 35 35/2 = 17,50
3 7 35 + (1 + 1) х 7 = 49 49/3 = 16,33
4 20 49 + (1 + 1 + 1) х 20 = 109 109/4 = 27,25
Локальный минимум достигается при t = 3, что означает необходимость размеще

ния на первом этапе заказа объемом 10 + 15 + 7 = 32 единицы для этапов 1, 2, 3.
Полагаем 1= t + 1 = 3 + 1 = 4.
И терация 2 ( i= 4, K t = 18 долл.)
Этап t D, Щ 4, 0 TCU(A , 0
4 10 18 18/1 = 18,00
5 13 18 + З х 13 = 57 52/2 = 28,50
Значение t = 4 означает, что на четвертом этапе необходимо разместить заказ объ

емом 20 единиц для этапа 4. Полагаем і = 4 + 1 = 5.
И терация З (і = 5, К ь = 5 долл.)
Этап t D, Щ 5, 0 TCU(5, 0
5 13 5 5/1 = 5
6 25 5 + 1 х 25 = 30 30/2 = 15
Так к ак t = 5, на пятом этапе заказы вается 13 единиц для этапа 5. Полагаем далее
і = 5 + 1 = 6. Так к ак і = 6, то это последний этап планирования. Мы должны зака
зать на шестом этапе 25 единиц для этого ж е этапа.
В следующей таблице сравниваются реш ения, полученные эвристическим методом
и точным методом динамического программирования. Мы исключили из части
таблицы, содержащей результаты динамического программирования, стоимость
закупки единицы продукции, так к ак этот параметр в вычислениях с помощью эв
ристического метода не учитывается.
Эвристический метод Метод динамического программирования

Этап Закуплено единиц Стоимость (долл.) Закуплено единиц Стоимость (долл.)
1 32 49 10 20
2 0 0 22 24
3 0 0 0 0
4 20 18 20 18
5 13 5 38 30
6 25 50 0 0
Всего 90 122 90 92
Стоимость производственного плана, предложенного эвристическим методом,

примерно на 32 % превышает стоимость аналогичного плана, полученного метода
ми динамического программирования (122 долл. против 90). “ Неадекватность”
результата эвристического метода может быть обусловлена данными, которые ис-
пользовались в задаче. В частности, причиной этого мож ет быть чрезвы чайная не
равномерность стоимостей разм ещ ения заказов для этапов 5 и 6. Тем не менее этот
пример показы вает, что эвристический метод не обладает способностью “ смотреть
вперед” в поисках лучш его производственного плана. Н апример, размещение на
пятом этапе заказов для этапов 5 и 6 (вместо разм ещ ения их в отдельности) может
сэкономить 25 долл., что уменьш ит суммарные затраты производственного плана,
предложенного эвристическим методом, до 97 долл.
Р е а л и за ц и я в Excel эвристического подхода С и львера-М и ла. Ш аблон Excel

ch llS ilv erM ealH e u ristic .x ls разработан для получения реш ения на основе эвристи
ческого подхода С ильвера-М ила. Процесс реш ения задачи начинается со ввода всех
необходимых данны х, вклю чая значения величин К , й и D д ля каждого периода и
значение N — количество периодов. (Я чейки рабочего листа для входных данных
выделены цветом .) Затем пользователь долж ен инициировать вы числения для
каж дой итерации вручную.
Н а рис. 11.12 показано применение этого шаблона для реш ения задачи из приме
ра 11.3.4. Первая итерация инициируется путем введения значения 1 в ячейку F11,
это означает что на первой итерации выполняются вычисления для первого периода.
Excel выведет столько строк расчетных значений, сколько указано в ячейке G3 к ак
общее число периодов (в данном примере это число равно 6). Номера периодов вы
водятся в диапазоне G11:G16. Далее проверяем вычисленные значения TCU
в столбце L (этот столбец выделен зеленым цветом) и находим минимальное значе
ние. В данном случае локальному минимуму соответствует t = 3 (третий период) со
значением TCU = 16,33. Отсюда следует, что следующая итерация долж на начаться
О Р Q R ^
Sllver-Meal Heuristic Inventory Model
2 In put data:
3 Number o f periods, N = ■«■Maximum 14 periods
4 Period t:
5 Setup cost, K t> 20 17 10 18 90
6 Holding cost, h t :
7 _________ Demand, Dt = 10 19 20 13 25
Є
9 Solution complete Model calculations: Optimum solution (Total cost = Я 2 2 00)'
10 Start Iteration at Period Period TC
Vя 1 1 10 10 ООО 20 00
12 2 15 25 1.00 35 00
13 3 7 32 2 00. 49.00
14 4 20 52 3 00 109.00
J5] 5 13 65| І Щ 187.00
1В 6 25 90 7 00 362.00 Order 32 in period 1 for periods 1 to 3, cost - S49.00
17 і
18 4 4 20 20 0.00 16.00
І9 5 13 33 3.00. 57.00
20 6 I 25 58 +4.Ó0 157.00 Older 20 in period 4 tor periods 4 to 4, cost - S18.00
21 I
22 5 5 13 13 0.00 ~ 5.00
23 6 25 38 1.00 30.00 |Ordsr 13 in period 5 for periods 5 to 5, cost - S5.00
24 _J_ __ L I '
25 6 6 25 25 0.00 50.00 lOrdsr 25 in peiiod sto r penods e to 6, cost - $50.00
Рис. 11.12. Решение в Excel задачи из примера 11.3.4

с четвертого периода. Поэтому, пропустив пустую строку от ранее вычисленных

значений, вводим значение 4 в ячейку F18. Это действие инициирует вычисления
второй итерации, откуда находим, что локальному минимуму функции TCU соот
ветствует t = 4 (четвертый период) со значением TCU = 18,00. Поэтому третья ите
рация должна начаться с пятого периода, для чего в ячейку F22 вводим значение 5.
На третьей итерации локальному минимуму функции TCU соответствует t = 5
(пятый период). Следовательно, для начала последней итерации надо ввести чис
ло 6 в ячейку F25. При выполнении каждой итерации рабочий лист автоматически
отображает оптимальное решение, соответствующее этой итерации, и величину
общих затрат, к ак показано на рис. 11.12 в столбце М.
1. Спрос на удилища достигает своего минимума в декабре, а максимума — в ап

реле. Компания, которая изготовляет удилища, оценивает декабрьский спрос
на них в 50 единиц. Затем спрос увеличивается на 10 удилищ в месяц, достигая
максимального значения 90 единиц в апреле. После этого объем спроса умень
шается на 5 удилищ в месяц. Стоимость размещения заказа на изготовление
партии удилищ равна 250 долл. на протяжении всех месяцев, за исключени
ем февраля, марта и апреля, когда она составляет 300 долл. Стоимость про
изводства одного удилища является примерно постоянной на протяжении
всего года и составляет 15 долл., а стоимость хранения одного удилища равна
1 долл. в месяц. Требуется составить план производства удилищ.
2. На протяжении последующих 12 месяцев небольшое издательство переиздает
роман в целях удовлетворения спроса на него: 100, 120, 50, 70, 90, 105, 115,
95, 80, 85, 100 и 110 экземпляров. Стоимость размещения заказа на переизда
ние равна 200 долл., а стоимость хранения книги на протяжении одного ме
сяца — 1,20 долл. Определите план переиздания книги издательством.
1. Silver Е., Руке D. and Peterson R. Inventory M anagem ent and Production Plan
ning and Scheduling, 3rd ed., W iley, New York, 1998.
2. Tersine R. Principles of Inventory and M aterials M anagem ent, 3rd ed., North
Holland, New York, 1988.
3. W aters C. In ventory Control and M anagem ent, W iley, New York, 1992.

2. Мур Д ж ., Уэдерфорд JI. Экономическое моделирование в M icrosoft Excel. — М.:
11.1. Распределительный центр универмага специализируется на ежедневной
покупке и хранении предметов торговли, вышедших из моды. Постоянный
спрос на такие предметы поступает от многочисленных торговых точек
универмага. В прошлом реш ения относительно того, когда и сколько товара

заказы вать, перекладывались на отдел поставки, главная задача которого
состояла в том, чтобы приобрести продукцию в достаточно больших объе
мах, дабы гарантировать низкие закупочные цены. Эта стратегия прим еня
лась без надлежащего рассмотрения фактора хранения продукции. Дейст
вительно, решения относительно того, сколько товара закупать,
основывались на годовой стоимости спроса на товар на уровне распредели
тельного центра. Например, если единица продукции приобретается по цене
25 долл. и в год используется 10 ООО единиц, то годовая стоимость спроса на
этот товар составляет 250 ООО долл. Отдел поставки руководствовался основ
ным принципом: чем выше годовая стоимость спроса на товар, тем больше его
следует запасать в распределительном центре. Этот принцип затем выражал
ся в объеме запаса продукции, который должен храниться в распределитель
ном центре в период между пополнениями. Например, отдел поставки мог за
купать заранее определенное количество продукции каждые три месяца.
Чтобы улучшить стратегию управления запасами, руководство универмага ре
шило прибегнуть к услугам консультанта по исследованию операций. Изучив
ситуацию, он пришел к выводу, что интенсивность потребления большинства
видов продукции в распределительном центре с практической точки зрения яв
ляется постоянной и что проводится политика отсутствия дефицита. Дальней
шее изучение показало, что стоимость хранения всех рассматриваемых видов
продукции составляет один и тот же постоянный процент от закупочной цены.
Кроме того, стоимость размещения заказа для всех рассматриваемых видов
продукции является одинаковой. С помощью этой информации консультант
смог построить для каждого вида продукции соответствующую кривую, ко
торая устанавливает связь годовой стоимости спроса на товар со средним вре
менем между пополнениями товара. Эта кривая была затем использована для
того, чтобы выяснить, какой продукции в настоящее время имеется излиш
ний запас, а какой — недостаточный. Как консультант сделал это?
11.2. Компания производит конечный продукт с использованием единственного
комплектующего блока, который она закупает у внешнего поставщика.
Спрос на конечный продукт является постоянным и равен примерно 20 из
делиям в неделю. Д ля изготовления каж дой единицы конечного продукта
требуется два комплектующих блока. Имеется такж е следующая информа
ция для рассматриваемой задачи управления запасами.
Комплектующие Продукция
Стоимость размещения заказа (долл.) 80 100
Стоимость хранения единицы в неделю (долл.) 2 5
Срок изготовления (недели) 2 3
Неудовлетворенный спрос на готовую продукцию является задолженностью

компании и приносит ей потери в 8 долл. в неделю за единицу спроса. Р аз
работайте стратегию к ак размещения заказов на комплектующие, так
и производства конечной продукции.
11.3. Компания производит сезонную продукцию, спрос на которую ощутимо ме
няется от месяца к месяцу. Данные об объемах спроса (в количестве единиц
продукции) за последние пять лет приведены в следующей таблице.
Год
Месяц 1 2 3 4 5
Январь 10 11 10 12 11
Февраль 50 52 60 50 55
Март 8 10 9 15 10
Апрель 99 100 105 110 120
Май 120 100 110 115 110
Июнь 100 105 103 90 100
Июль 130 129 125 130 130
Август 70 80 75 75 78
Сентябрь 50 52 55 54 51
Октябрь 120 130 140 160 180
Ноябрь 210 230 250 280 300
Декабрь 40 46 42 41 43
Принимая во внимание колебания спроса на продукцию, менеджер по

управлению запасами избрал стратегию, в соответствии с которой заказы на
продукцию размещаются поквартально: 1 января, 1 апреля, 1 июля
и 1 октября. При этом объем заказа покрывает объем спроса соответствую
щего квартала. Срок между размещением заказа и его получением равен
3 месяца. Оценки объема спроса на текущ ий год принимаются равными со
ответствующим показателям пятого года плюс дополнительно 10 % в каче
стве безопасности.
Новый сотрудник верит в то, что можно достичь более эффективной страте
гии управления запасами, используя экономичный объем заказа, основан
ный на среднемесячном объеме спроса на продукцию за год. Колебания
спроса могут быть сглажены путем размещения заказов, которые по объему
примерно равны экономичному объему партии и покрывают спрос несколь
ких последовательных месяцев. В отличие от менеджера, новый сотрудник
считает, что оценки объема спроса на следующий год должны основываться
на усредненных показателях для четвертого и пятого годов.
Во всех вычислениях, связанных с хранением продукции, компания счита
ет, что затраты на хранение единицы продукции на протяжении месяца
равны 0,50 долл. Стоимость размещения нового заказа равна 55 долл.
Предложите стратегию управления запасами для компании.
ГЛАВА 12
ОСНОВЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ

Все методы решения задач исследования операций, изложенные в предыдущих
главах, предполагают, что необходимые для их реализации данные известны точно.
Однако это предположение выполняется не во всех случаях. Например, потреб
ность в электроэнергии в летние месяцы может меняться от года к году в зависимости
от погодных условий. В таких случаях представление потребности в виде постоян
ной детерминированной величины неприемлемо. Вместо этого можно использовать
данные наблюдений или статистические источники для описания потребности
с помощью вероятностного распределения.
12.1. ЗАКОНЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ

Понятие вероятности ассоциируется с проведением эксперимента, результаты
которого, именуемые исходами, изменяю тся случайным образом. Множество всех
возможных исходов эксперимента называется пространством событий, а любое
подмножество этого пространства — событием. Например, в эксперименте с броса
нием игральной шестигранной кости исход соответствует грани кости, т.е. может
принимать значение от 1 до 6. Следовательно, пространство событий представляет
собой множество {1, 2, 3, 4, 5, 6}. Примером события в этом эксперименте может,
например, быть выпадение четного числа (2, 4 или 6).
Эксперимент может быть связан такж е с непрерывным пространством событий.
Например, время между отказами некоторого электронного устройства может при
нимать любое неотрицательное значение.
Если в эксперименте, состоящем из п опытов, событие Е имеет место т раз, то
вероятность Р{Е} появления события Е математически определяется соотношением
Р[Е}= lim—.
п
Приведенное определение означает, что если эксперимент повторяется бесконечное
число раз (п —>оо), искомая вероятность представляется граничным значением дро
би т /п . Это определение можно проверить, проведя эксперимент с бросанием моне
ты, исходами которого являю тся выпадение герба (Г) и решетки (Р). Чем большее
число раз бросается монета (проводится эксперимент), тем ближе оценки Р{Р}
и Р{Г} к теоретическому значению 0,5.
508 Глава 12. Основы теории вероятностей
По определению
0 < Р{Е} < 1,
где вероятность Р{Е} равна 0, если событие Е невозможно, и 1, если оно досто
верно. Например, в эксперименте с ш естигранной игральной костью выпадение
семерки является невозможным событием, тогда к а к любое целое число от 1 до
6 — событие достоверное.
1. В ходе анализа, проведенного в средних ш колах штата Арканзас в целях

изучения зависимости между успеваемостью по математике и поступлением
в технические колледжи, получены следующие данные: из 1000 опрошенных
выпускников 400 изучали математику. Из тех, кто изучал математику, лишь
150 были приняты в технические колледжи.
a) Определите вероятность того, что студент, изучавший математику, 1) по
ступит в технический колледж, 2) не поступит в технический колледж.
b ) Определите вероятность того, что студент, не изучавший математику, не
поступит в технический колледж.
2. Рассмотрим случайную совокупность из п человек. Определите наименьшее
п такое, что более вероятным будет событие, состоящее в совпадении дней
рождения нескольких человек (т.е. более вероятным по сравнению с событи
ем, что у всех индивидуумов в данной совокупности даты рождения различ
ны). (Совет. Предположите, что нет високосных годов и все дни года с равной
вероятностью могут быть днем рождения каждого человека.)
12.1.1. Закон сложения вероятностей

Д ля данных двух событий Е и F запись Е + F обозначает их объединение,
a EF — пересечение. События Е и F называю тся несовместными (взаимно исклю
чающими), если они не пересекаются, т.е. наступление одного события исключает
возможность реализации другого. При приняты х определениях закон сложения
вероятностей определяется соотношением
. . \ р{ Е] + если Е и F несовместные,
[ Р{Е) + P { F } - P{EF} в противном случае.
Вероятность того, что события Е и F произойдут одновременно, обозначается
как P{EF}. Если эти события независимы , тогда
P{EF}=P{E}P{F}.
Пример 12.1.1
Рассмотрим эксперимент с игральной костью. В данном случае пространство собы
тий представляет собой множество {1, 2, 3, 4, 5, 6}. Д ля симметричной кости имеем
Р{\} = Р{ 2} = />{3} = />{4} = />{5} = Р{ 6} = 1 .
Определим события
Е = {1, 2, 3 или 4},
F = {3, 4 или 5}.
12.1. Законы теории вероятностей 509
Исходы 3 и 4 являю тся общими для событий Е и F. Следовательно, E F ■

= {3 или 4}. Имеем
А>{£} = А>{1} + А>{2} + А>{3}+А*{4} = 1 + 1 + 1 + 1 = | ,
P {F} = P{3} + P{4} + P{5} = -i + i + .i = i
P { £ F } = P {3 } + /’ { 4 } = i + i = i .
Отсюда следует, что
p {e + f } = p {e } + p { f } - p { e f } Ą Ą Ą Ą .
Чисто интуитивно этот результат понятен, так как событие (Е + F) = {1, 2, 3, 4, 5},
очевидно, имеет вероятность 5/6.
1. Игральная кость бросается дважды. Обозначив через Е и F исходы независи

мых бросаний, вычислите вероятности следующих событий.
a) Сумма .Ей Н равна 11.
b) Сумма Е и F четная.
c) Сумма Е и F нечетная и больше 3.
d) Е меньше 6 и F нечетно и больше 1.
e) Е больше 2 и F меньше 4.
f) Е равно 4 и сумма Е n F нечетная.
2. Бросаются независимо две игральные кости и записываются выпавшие числа.
a) Какова вероятность того, что оба числа являю тся четными?
b ) Какова вероятность того, что сумма двух чисел равна 10?
c) Какова вероятность того, что два числа отличаются по меньшей мере на 3?
3. Можно бросать симметричную монету до 7 раз и выиграть 100 долл., если
появится по крайней мере три герба до появления решетки. Каковы шансы
выиграть 100 долл.?
4. Анна, Джим, Джон и Лиза участвуют в теннисном турнире. Вероятность то
го, что Анна победит Джима, в два раза выше вероятности обратного резуль
тата, а мастерство Д ж има оценивается на том же уровне, что и мастерство
Джона. В прошлом Л иза выигрывала у Джона примерно один раз из трех.
a) Какова вероятность того, что Джим выиграет турнир?
b) Какова вероятность того, что турнир выиграет женщина?
c) Какова вероятность того, что турнир женщ ина не выиграет?
12.1.2. Условные вероятности

Д ля данных двух событий Е и F условная вероятность события Е при условии,
что наступило событие F, обозначается к а к Р{ Е \ F } и определяется по формуле
P{E]F} =^ } ’ P{F}>°-
Если событие Е содержится в событии F (т.е. множество исходов Е является под
множеством множества исходов F), тогда P{EF) = Р{Е).
Два события Е и F являю тся независимыми тогда и только тогда, когда выпол
няется равенство P { E \F } = Р{Е}. В этом случае формула условной вероятности
сводится к следующему
P{EF} = P{E}P{F}.
Пример 12.1.2
Предположим, вы участвуете в игре, в которой другой человек бросает игральную
кость. Вы не можете видеть игральную кость, но вам сообщается некоторая инфор
мация об исходах бросания кости. Вам необходимо предсказать возможный исход
каждого бросания кости. Определим вероятность того, что исходом будет число 6 при
условии, что вам сообщили о том, что исходом бросания кости является четное число.
Пусть Е = {6}; определим F = {2, 4 или 6}. Следовательно,
Х ' ' P{F} P{F} (і) З'

Заметим, что P{EF} = Р{Е}, так к ак множество исходов Е является подмножеством
множества исходов F.
У П Р А Ж Н Е Н И Я 12.1.3
1. Вернитесь к примеру 12.1.2. Предположим, вам сообщили, что исход броса

ния кости меньше 6.
a) Определите вероятность выпадения четного числа.
b ) Определите вероятность выпадения нечетного числа, превышающего 1.
2. Д окаж ите, что если выполняется равенство Р{А \ В } = Р{А}, то события А и В
независимы.
3. Теорема Байеса-1 Покажите, что для двух заданных событий А и В имеет ме
сто соотношение
Р[Я|Л)Р{Л)
гдеР(В} > 0 .
1Более детально теорема Байеса представлена в разделе 14.2.2.

4. Завод А поставляет в магазин 75 % продаваемых аккумуляторов, а завод

В — 2 5 % . Процент бракованных аккумуляторов равен 1 и 2 % соответст
венно для заводов А и В. Клиент купил в магазине аккумулятор.
a) Какова вероятность того, что аккумулятор бракованный?
b) Если купленный аккумулятор является бракованным, какова вероят
ность того, что он изготовлен на заводе А? (Совет. Используйте теорему
Байеса из предыдущего упражнения.)
5. Статистика свидетельствует, что 70 % мужчин болеют какой-нибудь формой
рака предстательной железы. Американский тест PSA в 90 % случаев дает
положительный результат для пораженных болезнью мужчин и в 10 % —
для здоровых. Какова вероятность того, что мужчина, имеющий положи
тельный результат теста, имеет рак предстательной железы?
12.2. СЛУЧАЙНЫЕ ВЕЛИЧИНЫ И РАСПРЕДЕЛЕНИЯ

ВЕРОЯТНОСТЕЙ
Исходы эксперимента (испытания) обычно либо выражаю тся в числовом виде,
либо им можно поставить в соответствие некоторые действительные числа. Напри
мер, исходы бросания игральной кости выражаю тся в виде целых чисел от 1 до 6.
А проверка на брак некоторого изделия дает два исхода: некачественное и качест
венное. В этом случае можно использовать число 0 для представления исхода
“некачественный” и 1 - для исхода “ качественный” . Численное представление ис
ходов эксперимента — это то, что именуется случайной величиной.2
Случайная величина х может быть дискретной или непрерывной. Например, слу
чайная величина, связанная с бросанием игральной кости, является дискретной со зна
чениями от 1 до 6, тогда как время между поступлениями заявок в систему обслужива
ния выражается непрерывной случайной величиной с положительными значениями.
Как непрерывная, так и дискретная случайная величина имеют плотность рас
пределения вероятностей, которая часто именуется просто плотностью вероятно
сти и обозначается как f(x) (для непрерывной случайной величины) или р(х) (для
дискретной случайной величины). Плотности вероятностей должны удовлетворять
условиям, перечисленным в следующей таблице.
Случайная величина х
Характеристики плотности Дискретная Непрерывная
Область определения х= а, а + 1 b а< х<Ь
Условия неотрицательности р(х) > 0, А*) - 0,
и нормировки
Ь
\f(x)d x = \
\~а
a
Условие неотрицательности для непрерывных и дискретных распределений оз

начает, что плотность вероятности не может принимать отрицательные значения
(в противном случае вероятность некоторых событий могла бы быть отрицательной).
2 Случайную величину можно считать функцией, отображающей пространство элемен

тарных исходов на пространство действительных чисел. — Прим. ред.
Условие нормировки показывает, что сумма вероятностей по всему пространству

событий должна быть равна единице.
Самой важной вероятностной характеристикой случайной величины является
функция распределения, определяемая следующим образом:
%)= 2 р {х) для дискретной случайной величины х,

1’{х< Х } = X
/•' (X) = J / (x)dx для непрерывной случайной величины х
Пример 12.2.1
Рассмотрим ситуацию с бросанием игральной кости. Пусть х є {1, 2, 3, 4, 5,6} —
случайная величина, представляющ ая количество выпавш их очков. Тогда
плотность вероятности и функция распределения вероятности случайной
величины х определяются следующим образом.
р(х ) = 7- -«= 1.2 6,

О
Р(Х) = —, X = 1,2,...,6.
v ’ 6
На рис. 12.1 приведены графики этих двух функций. Плотность вероятности р(х)
является равномерной дискретной функцией, так как любые значения случайной
величиной принимаются с одинаковыми вероятностями.
Рис. 12.1. Функция распределения и плот

ность вероятности дискретной случайной
величины
Непрерывный аналог равномерной плотности вероятности можно получить на ос

нове следующего эксперимента. Стрелка длиной I закреплена подвижно на оси
в центре круга, радиус которого такж е равен I. На окружности выбирается точка
отсчета, стрелка вращается в направлении часовой стрелки, по окружности изме
ряется расстояние х, пройденное стрелкой от точки отсчета. Такая случайная вели
чина х является непрерывной, принимающей значения из интервала 0 < х< М . Нет
никаких оснований считать, что стрелка будет иметь тенденцию останавливаться
в некоторой области окружности чаще, чем в других областях. Поэтому все значения
х из интервала 0 < х < М могут приниматься с равной вероятностью и распределение

х должно быть равномерным.
В данном случае плотность вероятности f(x) случайной величины х определяется
/ Ы = —, 0<х<п1.
v ' Ш
Функция распределения F(X) случайной величины х вычисляется по формуле
/г(х) = P{jc< X} = [—* = — , 0< Х <к1.

' ПІ 7С/
Нарис. 12.2 представлены графики этих двух функций.
Рис. 12.2. Ф ункция распределения и плотность ве

роятности непрерывной случайной величины
УПРАЖ НЕНИЯ 12.2
1. Некоторая величина принимает случайным образом целочисленное значение

х из интервала [1, 5]. Плотность вероятности р(х) этой величины прямо про
порциональна значению х с коэффициентом пропорциональности К.
a) Определите плотность вероятности и функцию распределения данной
случайной величины, нарисуйте графики полученных функций.
b ) Определите вероятность того, что случайная величина примет значение,
равное четному числу.
2. Дана следующая функция:
/ ( * ) = 4 - , 10 < jc< 20.

х~
a) Найдите значение константы k, при котором функция f(x) будет плотно
стью вероятности.
b) Найдите функцию распределения случайной величины х и определите ве
роятность того, что случайная величина х примет значение: а) больше 12,
б) между 13 и 15.
3. Дневная потребность в бензине без свинца является равномерно распреде
ленной случайной величиной, изменяющ ейся в интервале от 750 до 1250
галлонов. Бензоцистерна емкостью 1100 галлонов наполняется ежедневно

в полночь. Какова вероятность того, что цистерна будет пустой как раз перед
заполнением ее бензином?
12.3. МАТЕМАТИЧЕСКОЕ ОЖИДАНИЕ И МОМЕНТЫ СЛУЧАЙНОЙ

ВЕЛИЧИНЫ
Пусть х — случайная величина, h(x) — некоторая функция от х. Математиче
ским ожиданием случайной функции h(x), которое обозначается как M{h(x)}, на
зывается средняя величина, взвешенная по отношению к плотности вероятности
случайной величины х. При заданной плотности вероятности р(х) или f(x) (для
дискретной и непрерывной случайных величин соответственно) величина M{h(x)}
вычисляется следующим образом:
ь
если х — дискретная случайная величина,
j h ( x ) f ( x ) d x , если х — непрерывная случайная величина.

а
Пример 12.3.1
В течение первой недели каждого месяца я, как и большинство людей, оплачиваю
все свои счета и отвечаю на некоторые письма. С этой целью я обычно покупаю 20
почтовых марок. Число используемых марок является случайной величиной, при
нимающей значения от 10 до 24 с равными вероятностями. Найдем, чему равно
среднее число оставшихся марок.
Пусть х — количество используемых марок, тогда плотность вероятности х такова:
р ( х ) = — , х = 10,11,..., 24.
Количество оставш ихся марок определяется соотношением
Л/{Л(л:)} = ^ [ ( 2 0 - 1 0 ) + ( 2 0 - 1 1 ) + ( 2 0 - 1 2 ) + ... + ( 2 0 - 1 9 ) ] + ^ 0 = з|.
Произведение ^ - 0 необходимо для заверш ения вычисления математического

ожидания. Вероятность того, что вообще не останется марок, равна
Р{х > 20} = Р(20) + Р (21) + Р (22) + Р (23) + Р(24) = 5 ^ j = ^

1. В задаче из примера 12.3.1 вычислите среднее количество оставшихся марок

при условии, что ежемесячно покупается число марок, соответствующее
максимально возможной потребности в них.
2. Результаты решения задачи из примера 12.3.1 и предыдущего упражнения
приводят к полож ительным значениям средних величин как при избытке,
так и недостаче марок. Я вляю тся ли эти результаты противоречивыми? Д ай
те объяснение.
3. Владелец газетного киоска каждое утро приобретает для продажи 50 экземп
ляров газеты А ль А храм . Ежедневный спрос х на эту газету является случай
ной величиной со следующим распределением
1
л-= 3 5 , 36......49,
45
_j_
р(х) ■ х = 50, 51, ...,59,
30’
_ 1_
х = 60, 61......70.
33’
a) Найдите вероятность того, что все газеты будут проданы.
b) Вычислите ожидаемое число непроданных газет.
c) Если владелец киоска приобретает газеты за 50 центов, продает за 1 долл.,
то какова его ожидаемая чистая прибыль в день?
12.3.1. Математическое ожидание и дисперсия случайной величины

Для общей характеристики свойств одномерной случайной величины х обычно
используется две числовые характеристики: математическое ожидание (среднее)
М{х} и дисперсия D{x). Математическое ожидание является характеристикой по
ложения распределения случайной величины х на числовой оси относительно на
чала координат, а дисперсия — мерой ее разброса относительно математического
ожидания М {х}. Большее значение дисперсии свидетельствует о более высокой сте
пени неопределенности в описании случайной величины.
Формулы для математического ожидания и дисперсии случайной величины х
могут быть получены из общей формулы для математического ожидания путем
подстановки h(x) = х для М {х) и h(x) = (х - М{х})2для D{x). Следовательно,
^ х р ( х ) , если х — дискретная случайная величина,

д —п
Лф} = Ь
jx f( x ) d x , если л:— непрерывная случайная величина,
ь ,
^ ( х - М {jc })' p(jc), если х — дискретная случайная величина,
1=0
D{x} = Ь
\ { х - М {.хг}) / (x)dx, если х — непрерывная случайная величина.
Обоснованность вывода указанных формул легче просматривается для дискрет

ного распределения. В этом случае М {х} представляет собой взвешенную сумму
дискретных значений х, D{х} — взвешенную сумму квадратов отклонения случайной

величины х от М{х}. Ситуацию с непрерывно распределенной случайной величиной
можно интерпретировать аналогично, заменив суммирование интегрированием.
Пример 12.3.2
Вычислим математическое ожидание и дисперсию для каждого из двух экспери
ментов, рассмотренных в примере 12.2.1.
Ситуация 1 (бросание игральной кости). Здесь плотность вероятности равна
p(jc) = —, х = 1,2,..., 6. Следовательно,
6
мм=1Ш+2Ш+зШ+4Ш+5Ш+бШ=з'5’
0 { л-} = ^ [ ( 1 - 3 ,5 ) : + ( 2 - 3 , 5 ) 2 + ( 3 - 3 , 5 ) 2 + ( 4 - 3 , 5 ) 2 + ( 5 - 3 , 5 ) 2 + ( 6 - 3 , 5 ) : ] = 2,917 .
Ситуация 2 (вращ ение стрелки). Пусть длина стрелки равна единице. Тогда
/ ( * ) = — , 0 < х < 3 ,1 4 .
v ’ 3,14
Математическое ожидание и дисперсия вычисляются следующим образом.

1
М{х}= f JC—!—<*с= 1,57 ,
1 1 І 3,14
3.14 .
D{.v}= J ( jc—1,57)2-----dx = 0,822.

n 3,14
У П Р А Ж Н Е Н И Я 12.3.2
1. Вычислите математическое ожидание и дисперсию случайной величины, оп

ределенной в упражнении 12.2.1.1.
2. Вычислите математическое ожидание и дисперсию случайной величины, оп
ределенной в упражнении 12.2.1.2.
3. П окажите, что математическое ожидание и дисперсия случайной величины
х, равномерно распределенной на интервале а < х < Ь , равны
ч і\х\
М л =------,
ь+а
1 1 2
. . (Ь-аУ
D\x} = ±------
1 1 12
4. Докаж ите, что для случайной величины х, определенной на интервале

а < х < Ь с заданной плотностью вероятности f(x), имеет место соотношение
ч2
5. Пусть для случайной величины х, определенной на интервале а < х < Ь , зада

на плотность вероятности f(x ) и у = сх + d, где e n d — константы. Докажите,
что имеют место соотношения
М {>'} = сМ {д:} + </,
В{у} =сЩ х}.
12.3.2. Совместные распределения вероятностей

Рассмотрим две непрерывно распределенные случайные величины х, и х 2, кото
рые определены соответственно на интервалах а1< х1<Ь1 и а2< х 2< Ь2. Обозначим
через f(x v х 2) плотность совместного распределения вероятностей величин Xj и х 2,
а через f ^ x j и f 2(x2) — маргинальны е (частные) плотности распределения вероят
ностей величин х, и х 2соответственно. Тогда
/ ( лг,, лг2) > 0, а, < * ,< £ ,, а2 < х2 <Ь2,
ь, ь,
Jćfr, \ d x j ( *,,x,) = l,
О] л»
А,
/,(*,) = }f{xvxi)dx2,
а1
Ъ,
f i ( x i ) = l f ( x „ x 2) d x „
/ ( дг,, jc2) = /,(.< :,)/,(х ,), если*, и х2 независимы.
Такие же формулы используются для дискретно распределенных случайных вели

чин, которые получаются в результате замены интегрирования суммированием.
Далее в этом разделе рассматриваются функции от нескольких случайных пе
ременных. В частности, рассмотрим две ситуации.
1. y = ĄXlt
2. у = схх, + с2х2,
где х х и х 2 — случайные величины, плотность совместного распределения вероят

ностей которых задана функцией f( x v х 2).
Если х, и х 2 независимые случайные величины, то
M {X ,X 2} = M { XI}M{X2}.
Для суммы случайных величин х г и х 2без учета их зависимости можно доказать, что
М {с1х 1 + с2х 2} = с1М {х1} + сгМ {х2}.
К роме т ого,
£>{c,x, +c2x2) = c]D{x^ + clD{x2\ + l c f 2co\{xl,x^\,
где ковариация cov{x,, х2} случайных величин х х и х 2вычисляется по формуле
С0\[х1,х2} = м { ( х 1- м { х 1})(х2 - м { х 2})} = м \ х 1х2- х ім [ х 2} - х 2м { х ,} + м { х 1} м { х 2}) =

= М {х,х2}~ М {х,} М {х2}.
Если х, и х 2— независимые случайные величины, то М{х,х2} = М {х1}М{х2}
и cov{x,, х 2} = 0. Обратное утверждение неверно в том смысле, что две зависимые
случайные величины могут иметь ковариацию, равную нулю.
Пример 12.3.3
П артия изделий содержит четыре дефектных (Д) и шесть качественных (К) изде
лий. Случайным образом выбирается и проверяется одно изделие. Затем, не воз
вращ ая его, выбирают и тестируют другое. Пусть случайные величины х, и х 2 пред
ставляют исходы тестирования первого и второго изделий соответственно.
1. Определим плотность совместного распределения вероятностей случайных
величин X, и х 2.
2. Найдем маргинальную плотность вероятности случайной величины х 2.
3. Предположим, мы получаем 5 долл. за каждое качественное изделие из вы
бранных и платим 6 долл., если изделие бракованное. Найдем математиче
ское ожидание и дисперсию выигрыш а после двух испытаний.
Обозначим через p ( x v х 2) плотность совместного распределения вероятностей слу
чайных величин Xj и х 2, а через р ^ х ,) и р 2( х 2) — их маргинальные плотности веро
ятностей. Определим сначалаPj(Xj) как
Д (* ) = А = 0,6, Рі( Д ) = ± = 0,4.
Мы знаем, что исход х 2 второго испытания зависит от х,. По этой причине для оп
ределения р 2( х 2) сначала определим плотность p ( x v х 2) совместного распределения
вероятностей случайных величин Xj и х 2, после чего можно будет определить мар
гинальную плотность вероятности р 2( х 2). Имеем
Р{х2 = К \ х х= К } Л ,
Р{хг = К \х і = Д } Л ,
P{x1= fl\x x = K } Ą ,
Р{Х2 = Д \ ХІ= Д } Л .
Д ля определения р(х,, х2) воспользуемся формулой Р{АВ) = Р{А I В)Р{В) (см. раздел
12.1.2). Получаем следующее.
Представим теперь плотность совместного распределения следующим образом.
Хг =К Хг =Д Рі(*і)
Р(Х1, Хг) = x-t = К 5/15 4/15 9/15
хі=Д 4/15 2/15 6/15
РгШ 9/15 6/15
Маргинальные плотности распределения вероятностей p ^ x j и р 2(х 2) могут быть оп

ределены посредством суммирования элементов (соответственно) столбцов или
строк в таблице, представляющей значения плотности совместного распределения.
Интересно отметить, ЧТО, вопреки интуиции, здесьp^JCj) = р 2(х 2).
Математическое ожидание выигры ш а можно определить из совместного распреде
ления, если принять, что изделие К дает 5 долл., а изделие Д — 6. Следовательно,
ожидаемый выигрыш = (5 + j
+ (5 - j +
Тот же результат можем получить, принимая во внимание, что математическое

ожидание выигрыш а после двух испытаний равно сумме математических ож ида
ний после каждого испытания в отдельности.
ожидаемый выигрыш = ( ожидаемый выигрыш после 1-го испытания)+
+ ( ожидаемый выигрыш после 2-го испытания )=
= 0,60 + 0,60 = 1,20,
Для вычисления дисперсии общего выигрыш а заметим, что

^{выигрыша} = D {l-ro выигрыша} + £){2-го выигрыша} +
+ 2cov{l-ro выигрыш а, 2-го выигрыша}.
Так как р г(хг) = р 2{х2), то D {l-ro выигрыша} = D{2-ro выигрыша}. Д ля вычисления
дисперсии воспользуемся формулой
D{x) = М {х2} - (М {х})\
9
D {l-r o выигрыша}: (5) i s f ^ A r s -0,6 = 29,04.
Далее для вычисления ковариации применим формулу

cov{jc,,jr2} = М {х,х2} - М {д:,}М {д:2}.
При вычислении значения М {х1х 2} нужно знать плотность совместного распределе

н ия вероятностей случайных величин х 1 и х 2. Имеем
ковариация =
(5х5) й ) +(5х(_6))(^ )+(_6х5)й ) +(_6х(_6))(и).
- 0 , 6 х 0 , 6 = -3 ,2 3 .
И так,
дисперсия = 29,04 + 29,04 + 2 (-3 ,2 3 ) = 51,62.
У П Р А Ж Н Е Н И Е 12.3.3
1. Плотность совместного распределения вероятностей р (х г, х 2) случайных ве

личин х 1и х 2имеет следующий вид.
хг =5 *2=7
СО
я
XI = 1 II0,2 0 0,2
р<*1, х2) = *1 =2 0 0,2 0
*1=3 0,2 0 0,2
a) Найдите маргинальные плотности вероятностей и р 2(х2).

b) Являются ли случайные величины х г и х 2независимыми?
c) Вычислите М {я, + х 2}.
d) Найдите cov{x,, х 2}.
e) Вычислите D{5x1 - 6*2}.
12.4. НЕКОТОРЫЕ РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ

В разделах 12.2 и 12.3 мы рассмотрели равномерные распределения
(дискретные и непрерывные). В этом разделе рассматриваются еще четыре распре
деления случайных величин, которые часто используются в теории исследования
операций, — дискретные (биномиальное и Пуассона) и непрерывные
(экспоненциальное и нормальное).
12.4.1. Биномиальное распределение

Предположим, предприниматель изготавливает некоторые изделия партиями
по п единиц в каждой. Предыдущий опыт свидетельствует, что вероятность появ
ления бракованного изделия в каждой партии равна р. Необходимо определить
плотность вероятности числа бракованных изделий в партии.
Имеется С* = ^ П ! Х^' различных возможностей получить х бракованных изде
лий в партии из п изделий; вероятность реализации каждой такой комбинации
равна рх(1 ~р)"~х. Отсюда следует, что вероятность того, что в партии из п изделий
имеется k бракованных, равна (что следует из закона сложения вероятностей)
Р { х = к} = С п
к р к { 1 - р ) п-к, к = 1 2 , . . . , п.
Это формула плотности вероятности биномиального распределения с параметрами

п и р . Математическое ожидание и дисперсия для этого распределения равны
М {х} = пр, D{x} = пр( 1 - р ) .
Пример 12.4.1
Некая работа сопряжена с десятью поездками на автомобиле между двумя городами.
Выполнив все 10 поездок, работник может отдыхать остаток дня, что является доста
точным стимулом для превышения скорости. Опыт показывает, что вероятность полу
чения штрафа за превышение скорости в каждой поездке туда и обратно равна 40 %.
1. Какова вероятность того, что рабочий день закончится без получения штрафа?
2. Если штраф равен 150 долл., то каково среднее значение дневного штрафа?
Вероятность быть оштрафованным в одной поездке равна р = 0,4. Следовательно,
вероятность того, что рабочий день закончится без штрафа, равна
/5{х = 0} = С° (0,4)° (0,6)'° = 0,006047.
Это значит, что шанс закончить рабочий день без штрафа меньше одного процента.
Средний штраф = 150М{д:} = 80(пр) = 80 х 10 х 0,4 = 320 (долл.).
1. Симметричная игральная кость бросается 10 раз. Какова вероятность того,

что ни разу не выпадет четное число очков?
2. Пусть независимо бросаются пять симметричных монет. Какова вероятность
того, что в точности одна из монет выпадет одной стороной, а остальные че
тыре — другой?
3. Гадалка утверждает, что по почерку она может предсказать, достигнет ли чело
век благосостояния на протяжении всей своей жизни. Для проверки этого попро
сили 10 миллионеров и 10 профессоров предоставить образцы их почерка. Затем
эти образцы были представлены гадалке попарно — по одной подписи миллио
нера и профессора в каждой паре. Считается, что утверждение гадалки является
правильным, если она сделала по меньшей мере восемь правильных предска
заний. Какова вероятность того, что утверждение гадалки будет “ удачным” ?
4. Казино предлагает следующую игру. Вы, игрок, выбираете число от 1 до 6.
Затем одновременно бросаются три игральные кости. Казино вам выплачи
вает столько долларов, сколько будет совпадений на костях с вашим выбран
ным числом. Если таких совпадений нет, то вы платите казино 1 долл. Каков
ваш долговременный ожидаемый выигрыш в этой игре?
5. Предположим, что вы играете в следующую игру. Вы бросаете две игральные
кости. Если выпавшие числа на костях различные, то вы теряете 10 центов.
Если же эти числа совпадают, то вы получаете 50 центов. Каков ожидаемый
выигрыш в этой игре?
6. Докажите приведенные выше формулы для математического ожидания
и дисперсии биномиального распределения.
12.4.2. Распределение Пуассона

Люди приходят в банк или магазин “ совершенно случайным” образом. Это означа
ет, что нет никакой возможности предсказать, когда и кто придет. Плотность вероятно
сти случайной величины, которая равна количеству таких посещений на протяжении
определенного периода времени, описывается с помощью распределения Пуассона.
Пусть х — количество событий (например, посещений банка или магазина),
которые происходят на протяжении единицы времени (например, минуты или
часа). Плотность вероятности распределения Пуассона задается формулой
Р{х = к} = ^ ~ , к = 1 ,2 ,....
Математическое ожидание и дисперсия распределения Пуассона равны соответ

ственно М {х} = Я и D{x) = Я. Из интуитивных соображений формула М {х} =* Я долж
на означать среднее количество событий, происходящих за единицу времени. По
существу, это так и есть: параметр Я определяет скорость, с которой происходят со
бытия (количество событий за единицу времени).
Распределение Пуассона широко используется в теории массового обслужива
н ия (см. главу 17).
Пример 12.4.2
Заказы на ремонт небольших электродвигателей поступают в мастерскую случай
ным образом, примерно 10 заказов в день.
1. Каково среднее количество электродвигателей, которые поступают ежеднев
но в мастерскую?
2. Какова вероятность того, что на протяжении одного часа не поступит ни од
ного заказа, если мастерская открыта 8 часов в день?
Среднее количество заказов, которые поступают ежедневно в мастерскую, равно
Я = 10. Д ля вычисления вероятности того, что на протяжении одного часа не посту
пит ни одного заказа, необходимо подсчитать скорость поступления заказов в час,
т.е. в среднем = 10/8 = 1,25 заказа в час. Следовательно,
(X 1 25<V~u 'i
Р{нет заказов за 1 час} = ------- = Ь.— ------ = 0,2865.
1 ! 0! 1
У П Р А Ж Н Е Н И Я 12.4.2
1. Клиенты прибывают в учреждение обслуживания в соответствии с распреде
лением Пуассона со скоростью четыре клиента в минуту. Какова вероятность
того, что по крайней мере один клиент прибудет в любой заданный 30-
секундный интервал времени?
2. Распределение Пуассона с параметром Я аппроксимирует биномиальное
распределение с парам етрам и п и р при условии, что п — достаточно
большое полож ительное число, р — очень малое число, а Я примерно
равно пр (с матем атической точки зрен и я это означает, что п —> °°, р - » О
и пр —> Я). П родемонстрируйте это на ситуации, когда известно, что изго
товленная п арти я изделий содерж ит 1% брака. Вычислите вероятность

того, что вы борка объемом 10 изделий содерж ит не более одного б рако
ванного изделия, использовав д л я этого сначала (точное) биномиальное
распределение, а затем (приближ енное) распределение Пуассона. П о к а
ж ите, что такое приближ ение будет неприемлемы м, если величина р бу
дет увеличена, скаж ем , до 0,5.
3. Покупатели подходят к контрольной кассе со средней интенсивностью 20 че
ловек в час.
a) Найдите вероятность того, что касса будет свободной.
b) Какова вероятность того, что в очереди перед кассой будет не менее 2 че
ловек?
и дисперсии распределения Пуассона.
12.4.3. Отрицательное экспоненциальное распределение

Если число заявок, поступивших в учреждение за определенный период време
ни, удовлетворяет распределению Пуассона, то распределение интервалов времени
между последовательными поступлениями заявок должно следовать отрицатель
ному экспоненциальному (или просто экспоненциальному) распределению. В част
ности, если X есть скорость появления событий в распределении Пуассона, то рас
пределение времени х между последовательными поступлениями определяется
плотностью вероятности
f ( x ) = Xe ^ , х>0.
Нарис. 12.3 показан график функции f(x).
Рис. 12.3. Плотность вероятности экс

поненциального распределения
Математическое ожидание и дисперсия экспоненциального распределения равны
М {4 = 1 D{x} = ±
Математическое ожидание М {х) согласуется с определением X. Если X — скорость,

с которой происходят события, то 1 /Х — средний интервал времени между после
довательными событиями.
Пример 12.4.3
Автомобили прибывают на заправочную станцию случайно, в среднем каждые
2 минуты. Вычислите вероятность того, что интервал между последовательными
прибытиями автомобилей не превысит 1 минуты.
Искомая вероятность имеет вид Р {х< А }, здесь А = 1 минута. Вычисление требуе
мой вероятности эквивалентно вычислению значения функции распределения слу
чайной величины х .
А
Р{х< А}= |о = 1- е 'и .

о
Вычисляем скорость прибытия автомобилей.
к =і прибытия в минуту.
Р{д:<1} = 1 - е = 0,39.
1. Магазин посещают ж ители как городской местности, так и сельской. Город

ские покупатели прибывают со скоростью 5 посетителей в минуту, а сель
ские — 7 посетителей в минуту. Прибытия покупателей являю тся случай
ными событиями. Определите вероятность того, что время между
последовательными прибытиями посетителей будет меньше 5 секунд.
и дисперсии экспоненциального распределения.
12.4.4. Нормальное распределение

Нормальное распределение описывает многие случайные явления, которые
происходят в каждодневной ж изни, вклю чая анализ счетов, распределение веса
и роста людей и многое другое. Плотность вероятности нормального распределения
задается формулой
/(jt) = —f----- е lal , —00 < X< 00,

■si2 т 1
где М {х) = /и, D{x) = ( ł . Нормальное распределение с математическим ожиданием ft

и стандартным отклонением егобозначается как N(/i, о).
На рис. 12.4 показан график плотности f(x) нормального распределения. Как
видим, плотность вероятности является симметричной функцией относительно ма
тематического ожидания /и.
Рис. 12.4. Плотность вероятности нор

мального распределения
Важность нормального распределения объясняется тем, что распределение

среднего достаточно большой выборки, имеющей любое распределение, можно
асимптотически аппроксимировать нормальным распределением. Это следует из
представленной ниже теоремы.
Ц ентральная предельная теорема. П уст ь л,,л2....х„ — независимые, одинаково
распределенные случайны е величины с математическим ожиданием ц и ст ан
дартным от клонением акаж дая. Определим сумму
■*„=*,+*2 + - + V
При возрастании п (ге—>«>) распределение случайной величины sn являет ся
асимптотически нормальным с мат емат ическим ожиданием пц и дисперсией ncł
независимо от начального распределения величин .
Центральная предельная теорема свидетельствует, в частности, о том, что сред
нее выборки объемом п, имеющей любое распределение, асимптотически является
нормальным с математическим ожиданием ц и дисперсией (ł/п .
Функцию нормального распределения трудно представить в виде формулы,
пригодной для практических расчетов. В связи с этим составлены специальные
таблицы функции нормального распределения (см. табл. 1 в приложении В). Эти
таблицы созданы для стандартного нормального распределения с нулевым мате
матическим ожиданием и дисперсией, равной единице. Любую нормально распре
деленную случайную величину х с математическим ожиданием ц и дисперсией (ł
можно привести к стандартному виду путем замены
о
Отметим, что около 99 % площади под кривой плотности нормального распре
деления находится в интервале ц - 3 а< х< ц + Ъ о . Этот факт известен под названи
ем “ правило трех сигм” .
Пример 12.4.4
Внутренний диаметр цилиндра должен иметь размер (спецификацию) 1±0,3 дюй
ма. Процесс механической обработки таких деталей подчиняется нормальному
распределению с математическим ожиданием 1 и стандартным отклонением 0,1
дюйма. Требуется определить процент продукции, удовлетворяющей требованиям
спецификации.
Пусть случайная величина х равна диаметру цилиндра. Вероятность того, что ци
линдр будет удовлетворять требованиям спецификации, равна
Р{ 1 - 0 ,0 3 < je < 1 + 0 ,0 3 } = Р{0 ,9 7 < д: < 1 ,03}.
При 1 и <7= 0,1 эту вероятность можно выразить через стандартное нормальное
распределение следующим способом.
Р {0,97 < л: < 1,03} = p j 0’^7 " 1 < z < 1’° 3 ~ 1| = Р { -0 ,3 ś z < 0 ,3 } =
= P { z < 0 ,3 } - P { z < - 0 ,3 } = P { z < 0 , 3 } - [ l - P { z < 0 , 3 } ] =

= 2P{z < 0 ,3 } - 1 = 2 x 0 ,6 1 7 9 -1 = 0,2358.
На рис. 12.5 заш трихованная область соответствует искомой вероятности. Заме

тим, что равенство Р{г < -0,3} = 1 - Р{г < 0,3} имеет место в силу симметрии функ
ции плотности вероятностей. Величина 0,6179 (= Р{г < 0,3}) взята из таблицы для
нормального распределения (табл. 1 приложения В).
Рис. 12.5. Вычисление вероятно

сти Р { -0,3 <х<0,3} стандарт
ного нормального распределения
У П Р А Ж Н Е Н И Я 12.4.4
1. Инженерный колледж американского университета набирает студентов из

числа выпускников средней школы, которые по стандартному тесту ACT для
поступающих в колледжи имеют не менее 26 баллов. Результаты тестирования
выпускников являются нормально распределенной случайной величиной с ма
тематическим ожиданием 22 балла и стандартным отклонением 2 балла.
a) Определите процент выпускников средней школы, которые являются по
тенциальными студентами инженерного колледжа.
b ) Определите процент выпускников школы, которые не будут приняты
в инженерный колледж, если университет не примет ни одного из них
с количеством баллов, меньше 17.
2. Вес людей, которые хотят совершить прогулку на вертолете в парке аттрак
ционов, является случайной величиной с математическим ожиданием 180
фунтов и стандартным отклонением 15 фунтов. Вместимость вертолета со
ставляет пять человек, максимальная грузоподъемность— 1000 фунтов.
К акова вероятность того, что вертолет не взлетит с пятью пассажирами на
борту? (Совет. Используйте центральную предельную теорему.)
3. Внутренний диаметр цилиндра является нормально распределенной случай

ной величиной с математическим ожиданием 1 дюйм и стандартным отклоне
нием 0,01 дюйма. При сборке внутрь каждого цилиндра вставляется твердый
стержень. Диаметр стержня является нормально распределенной случайной
величиной с математическим ожиданием 0,99 и стандартным отклонением
0,01 дюйма. Требуется определить процент пар цилиндр-стержень, которые не
подойдут для сборки. (Подсказка. Разность двух нормально распределенных
случайных величин такж е является нормально распределенной величиной.)
12.5. ЭМПИРИЧЕСКИЕ РАСПРЕДЕЛЕНИЯ

В предыдущих разделах мы рассмотрели свойства плотностей вероятностей,
функции распределения случайных величин и привели примеры четырех типов
распределений. К ак определяются эти распределения на практике?
Определение (или, точнее, оценка) любой плотности вероятности случайной ве
личины содержится в необработанной информации, которая собирается в процессе
изучения исследуемой ситуации. Например, для оценки плотности вероятности
времени между приходом покупателей в бакалейную лавку, сначала фиксируется
время их прихода. Искомое время между приходом покупателей находится путем
вычитания времен последовательных их приходов.
В этом разделе мы рассмотрим, как собранные данные (именуемые ст ат ист и
ческим рядом или выборкой) можно преобразовать в плотность вероятности слу
чайных величин с помощью следующих шагов.
Ш аг 1. Отображаем данные в виде подходящей частотной гистограммы
и подбираем эмпирическую функцию плотности вероятности.
Ш аг 2. Используем критерий согласия, чтобы проверить, совпадает ли
полученная эмпирическая функция плотности вероятности с од
ной из известных плотностей вероятностей.
Рассмотрим детали этой процедуры.
Гистограмма частот. Д анная гистограмма строится на основе статистического
ряда (выборки) путем деления области изменения исходных данных (от минималь
ного до максимального значения) на непересекающиеся интервалы. При заданных
границах (/,_г, I ) интервала і соответствующая частота определяется к ак число вы
борочных значений х , которые удовлетворяют неравенству I lml < x < I t.
Пример 12.5.1
Данные, приведенные в следующей таблице, представляют время обслуживания
(в минутах) 60 посетителей в некотором сервисном центре.
0,7 0,4 3,4 4,8 2,0 1,0 5,5 6,2 1,2 4,4
1,5 2,4 3,4 6,4 3,7 4,8 2,5 5,5 0,3 8,7
2,7 0,4 2,2 2,4 0,5 1,7 9,3 8,0 4,7 5,9
0,7 1,6 5,2 0,6 0,9 3,9 3,3 0,2 0,2 4,9
9,6 1,9 9,1 1,3 10,6 3,0 0,3 2,9 2,9 4,8
8,7 2,4 7,2 1,5 7,9 11,7 6,3 3,8 6,9 5,3
Минимальное и максимальное значения приведенных данных соответственно рав

ны 0,2 и 11,7. Поэтому выбираем двенадцать интервалов длиной в 1 минуту
(полный интервал изменений равен [0,12]). Надлежащ ий выбор размера интервала
является решающим фактором в определении формы эмпирического распределе
ния. Хотя не существует жестких правил выбора оптимального размера интервала,
общим правилом, которого следует придерживаться, является выбор от 10 до 20
интервалов. На практике было бы неплохо попробовать различные размеры интер
вала для построения подходящей гистограммы.
Приведенная ниже таблица суммирует информацию для рассматриваемого стати
стического ряда, необходимую для построения гистограммы. Столбец относитель
ной частоты /, вычисляется путем деления соответствующих значений столбца час
тоты о, на общий объем наблюдений (ге = 60). Например Д = 11/60 = 0,1833.
Значения F, в столбце накопленных частот вычисляются посредством последова
тельного суммирования величин f t. Так, F l = f l = 0,1833 и F2 = Fl + f 2=
= 0,1833 + 0,1333 = 0,3166.
Интервал Подсчет Частота, о, Относительная Накопленная

наблюдений частота, tі относительная частота, F,
(0,1) 4W-4W-I 11 0,1833 0,1833

(1,2) -ШИП 8 0,1333 0,3166
(2,3) ■ШИШ 9 0,1500 0,4666
(3,4) 4W-II 7 0,1167 0,5833
(4, 5) ■ШИ 6 0,1000 0,6833
(5,6) 4Ш- 5 0,0833 0,7666
(6,7) IIII 4 0,0667 0,8333
(7,8) II 2 0,0333 0,8666
(8, 9) III 3 0,0500 0,9166
(9, 10) III 3 0,0500 0,9666
(10, 11) I 1 0,0167 0,9833
(11, 12) I 1 0,0167 1,0000
Всего 60 1,0000
Величины f t и Ft являются дискретными эквивалентами плотности вероятности

и функции распределения времени обслуживания t. Так как гистограмма частот дает
дискретную версию непрерывного времени обслуживания, можно преобразовать
дискретную функцию распределения в непрерывную кусочно-линейную функцию,
соединяя полученные точки отрезками прямых. На рис. 12.6 представлена эмпири
ческая плотность вероятности и функция распределения для рассматриваемого приме
ра. Здесь функция распределения оценивается в средних точках интервалов значений.
Теперь можно оценить математическое ожидание Т и дисперсию sf эмпирического
распределения. Пусть N — число интервалов в гистограмме; обозначим через Ę
среднюю точку интервала і. Тогда
t (минуты)
Рис. 12.6. Эмпирическая плотность вероятности
и функция распределения
Применяя эти формулы для рассматриваемого примера, получаем следующее.

Т = 0,1833 х 0,5 + 0,133 х 1,5 + ... + 0 ,0 1 6 7 х 11,5 = 3,934 минуты,
s; = 0,1833 х (0,5 - 3,934)2 + 0,133 х (1,5 - 3,934)2 + ... + 0,0167 х (11,5 - 3,934)2 =
8,646 минут2.
Построение гистограмм в Excel. Электронная таблица Excel имеет встроенные

средства для построения гистограмм. Д ля этого выберите команду Сервис=>Анализ
данныхОГистограмма и в открывш емся диалоговом окне введите необходимые дан
ные3. Средство Гистограмма непосредственно не вычисляет среднее и стандартное
отклонение4. Поэтому предлагаемый шаблон chllSam pleM eanV ar.xls разработан
таким образом, что в нем автоматически вычисляются среднее, дисперсия, макси
мальное и минимальное значения, такж е как имеется возможность применить
средство Excel Гистограмма5.
На рис. 12.7 видно, что входные данные примера 12.5.1 записаны в диапазоне
А8:Е19. После того как данные будут внесены в рабочий лист, шаблон автоматиче
ски подсчитает простые статистические характеристики (среднее, стандартное от
клонение, минимум и максимум).
Для построения гистограммы сначала надо ввести верхние границы интервалов
в столбец F, начиная со строки 8. В нашем примере эти границы введены в диапа
зон F8:F19. В диалоговом окне Гистограмма надо указать местоположение выбо
3 Команда С ерв и с^А н ал из данных будет доступна только тогда, когда к Excel присоеди
нена надстройка Пакет анализа, которая автоматически не присоединяется при установке
Excel. Чтобы присоединить эту надстройку, выберите команду Сервис^Надстройки и в диа
логовом окне Надстройки установите флажок Пакет анализа. — Прим. ред.
4 В диалоговом окне Анализ данных предлагается много различных средств статистиче
ского анализа. В частности, средство Описательная статистика можно использовать для вы
числения среднего и стандартного отклонения (даже если остальные выходные результаты
этого средства вы использовать не будете).
5Рабочая книга chllSampleMeanVar.xls защищена от изменений, поэтому она не руси
фицирована. Данные, вычисляемые в этом шаблоне, легко получить с помощью встроенных
функций Excel СРЗНАЧ, ДИСП, МАКС, МИН и других. — Прим. ред.
рочных данны х (в поле ввода Входной интервал вводится А 8:Е 19) и границ интер
валов (в поле ввода Интервал карманов вводится F 8:F 19), к ак показано на рис. 1 2 .7 .
Такж е в группе Параметры вывода установите ф лаж ки Интегральный процент
и Вывод графика. После щ елчка на кнопке О К на новом рабочем листе будет по
строена гистограмма (см. рис. 12.8).
А В С D E F
1 Sample Mean and Variance +Histogram
2 .Output:
3 (Sample size 60 Mean 3 9367
4 Minimum 0 2000 Variance 8.9105
5 Maximum 11 7000 Std Dev 2.9850
6 Input:
7 Enter data in A8:E100 Bln
8 07 34 2 55 12 0 9999
9 15 34 37 25 o: 1 9999
10 27 22 05 93 4 , 2 9999
11 07 52 09 33 0? 3 9999
12 96 91 106 03 2У 4 9999
13 87 72 79 63 69 5 9999
14 04 48 1 62 44 6 9999
15 24 64 48 55 87 7 9999
16 04 24 17 8 5.9 8 9999
17 16 06 39 02 4.9 9 9999
18 19 13 3 29 4f 10 9999
19 24 15 11 7 38 5. 11 9999
Ги с т о г р а м м а кш
Входной интервал- |$А$8:$Е$19
Отмена
Интервал карманов' |tF$8:$F$l9
5J
Справка
Г MeTW
Параметры вывода
Выходной интервал [
^ Нсюьмрабо^ £><т: |
Новая рабочая дога
Г Оарето (отсортированная гистограмма)

W ^ггегральньй процент
РІВьвод срафика
Рис. 12.7 . Входные данные из примера 12.5Л и диалоговое окно Гистогрзммз
К ритерий согласия. С помощью этого критерия можно проверить, является ли

выборка, на основе которой получено эмпирическое распределение, представите
лем конкретного вероятностного распределения. Н ачальную оценку можно сде
лать, сравнив значения эмпирической функции распределения и предполагаемой
теоретической ф ункции распределения. Если значения этих функций чрезмерно не
отличаются друг от друга, то, вероятно, рассматриваемая выборка получена из
предложенного теоретического распределения. Это начальное “ предчувствие” мо
ж ет быть в дальнейш ем подтверждено с помощью критерия согласия.
А В Е F
Каоман Частота'Интвгоапьный %
0.9999 11 18.33% Гистограмма
1.9999 _ 8 31.67%
4 2.9999 9 46 67% 12 120 00 %
5 3~9999 7 58 33% 10 100 .00 %
4.9999 6 68.33%
8 60.00% Г I Частота
7 5.9999 5 76.67%
6 9999 4 83.33% 6 Б0 00%
-Интегральный %
7.9999 2 86.67% 4 40.00% ~
8.9999 3 91 67% 2 20 .00 %
11 9.9999 3 96.67% 0 00%
12 10 9999 1 98.33%
13 11 9999 1 100.00% О- V Ъ- 4,.- Л.
14 Еще 0 100.00%
Рис. 12.8. Гистограмма для примера 12.5.1
Пример 12.5.2
Проверим данные из примера 12.5.1 на принадлежность предполагаемому экспо
ненциальному распределению.
Первой задачей является уточнение параметров плотности вероятности и функции
распределения, которые определяют теоретическое распределение. Из примера
12.5.1 следует, что Т = 3,934 минуты, поэтому Я. = 1 /3 ,9 3 4 = 0,2542 для предпола
гаемого экспоненциального распределения (см. раздел 12.4.3). Соответствующая
плотность вероятности и ф ункция распределения имеют следующий вид.
/ (г) = 0,2542e4US42', f>0,
F (T) = \ f ( t ) d t = 1- е°Ліі2т, Т> 0.

О
Используем теперь функцию распределения F(T) для вычисления ее значений
в точках Т= 0 ,5 , 1,5, ..., 11,5 и сравнения их с эмпирическими значениями Fit і = 1,
2 .......12, которые вычислены в примере 12.5.1. Н апример,
F(0,5) = 1- <Г<0-2542*°-5)-0,12.
На рис. 12.9 представлены результаты сравнения. Просмотрев два графика, можем
сделать вывод, что экспоненциальное распределение действительно приемлемо для
аппроксимации распределения имею щ ихся данны х.
Следующий ш аг состоит в применении критерия согласия. Имеется два таких кри
терия: 1) критерий К олмогорова-Смирнова и 2) к р и т е р и й /2 (критерий хи-
квадрат). Здесь мы ограничимся обсуждением критерия / 2 .
Критерий х2 основан на измерении отклонений между эмпирическими и теорети
ческими частотами, соответствующими различны м интервалам построенной гисто
граммы. В частности, теоретическая частота и(, соответствующая наблюдаемой час
тоте о, интервала г, вычисляется по формуле
ni= n ) f ( t ) d , = n(F (Il) - F ( l , J ) = 60(е^ 542' " - е— ■).

Л-.
532 Гл ава 12. Основы теории вероятностей
Эмпирическая функция распределения
Рис, 12.9. Сравнение эмпирической и теоретической функций распределения
При заданных о( и nt для каждого интервала і мера отклонения между эмпириче

скими и теоретическими частотами определяется следующей формулой.
Г = 1
Когда количество интервалов N —»°°, величина % асимптотически стремится

к плотности вероятности ^'распределения с N - k - 1 степенями свободы, где k —
число параметров, оцененных на основе исходной информации и использованных
для определения теоретического распределения.
Нулевая гипотеза, утверждающая, что наблюденная выборка получена из теорети
ческого распределения f(t), принимается, если %2 гДе JG-t-u-o — значе
ние при N - k - 1 степенях свободы, а — уровень значимости критерия.
Вычисления в соответствии с критерием показаны в следующей таблице.
Интервал Наблюдаемая частота, о, Теоретическая частота, л,

п,
(0,1) 11 13,47 0,435

(1,2) 8 10,44 0,570
(2, 3) 9 8,10 0,100
(3, 4) 7 6,28 0,083
(4,5) 6' 4,87
(5,6) 5 3,88
(6,7) 4 2,93
(7,8) 2 2,27
(8,9) 3 ■25 1,76 ■21,71 0,499
(9,10) 3 1,37
(10,11) 1 1,06
(11,12) 1 0,82
(12,оо) 1 2,75
со
о
СО
О
Всего Величина £ равна 1,705

с
с
II
II
Существует практическое правило: ожидаемое значение теоретической частоты

для любого интервала должно быть не менее 5. Это правило всегда можно выпол
нить путем объединения последовательных интервалов. В приведенной таблице
правило требует формирования единого интервала (4, «>)■ Количество интервалов
становится равным N = 5. Поскольку на основе исходных данных оценивается
только один параметр (а именно Я), степень свободы величины х должна равняться
5 - 1 - 1 = 3. Если выберем уровень значимости а = 0,05, таблица значений величи
ны (табл. 3 приложения В) дает критическое значение Хз005 = 7,815. Так как зна
чение величины х2 (= 1,705) меньше критического, мы принимаем гипотезу, что
выборка получена из экспоненциального распределения.
Вычисления предыдущей таблицы можно легко выполнить в Excel на основе дан
ных, полученных при построении гистограммы (рис. 12.8). На рис. 12.10 показано,
как решается эта задача. Здесь данные в столбцах А, В и С получены при построе
нии гистограммы (формат данных в столбце С изменен на обычный десятичный
формат). Формулы, по которым проводятся вычисления в столбцах D:G, совпадают
с формулами критерия % .
о " D Е
f a - ”, ) *
Карман : Частота (оі) ;Интегральный % пі я,

0 9999 11 0.183: 13.448 0.44562
1 9999: 8 0 317 10.435 0.568206
2.9999, 9 0.467 8.09 0.100941
3.9999 7 0.583 6.28 0.082306
4 9999 6 0.683 4.87 0.260646
5 9999 5 0.767 3 78 0.393007
6 9999 4 0.833 2.933 0.388165
7.9999; 2 0.867: 2.276 0.033469
8 9999 3 0.917; 1.766 0.862263
9.9999; 3 0.967 1.37 1.939343
10 9999 1 0.983; 1.063 0.003734
100 1 1 ООО; 3.678 1.949887
1С у м м а 60 60 7.027587
Рис. 12.10. Вычисления критического значения критерия согласия

1. Следующие данные представляют время (в минутах) между прибытием кли
ентов в некий центр обслуживания.
4,3 3,4 0,9 0,7 5,8 3,4 2,7 7,8

4,4 0,8 4,4 1,9 3,4 3,1 5,1 1,4
0,1 4,1 4,9 4,8 15,9 6,7 2,1 2,3
2,5 3,3 3,8 6,1 2,8 5,9 2,1 2,8
3,4 3,1 0,4 2,7 0,9 2,9 4,5 3,8
6,1 3,4 1,1 4,2 2,9 4,6 7,2 5,1
2,6 0,9 4,9 2,4 4,1 5,1 11,5 2,6
0,1 10,3 4,3 5,1 4,3 1,1 4,1 6,7
2,2 2,9 5,2 8,2 1,1 3,3 2,1 7,3
3,5 3,1 7,9 0,9 5,1 6,2 5,8 1,4
0,5 4,5 6,4 1,2 2,1 10,7 3,2 2,3
3,3 3,3 7,1 6,9 3,1 1,6 2,1 1,9
a) Постройте три гистограммы с длиной интервалов 0,5, 1 и 1,5 минуты со

ответственно.
b)Сравните графически эмпирическую функцию распределения с аналогич
ной функцией экспоненциального распределения.
c) Проверьте гипотезу о том, что данная выборка взята из экспоненциаль
ного распределения. Используйте 95% -ны й доверительный уровень
(т.е. 5% -ный уровень значимости).
d) К акая из трех гистограмм является “ наилучш ей” для проверки нулевой
гипотезы о том, что выборочные значения подчиняются экспоненциаль
ному закону?
2. Следующие данные представляют время (в секундах), необходимое для пере
дачи сообщения.
25,8 67,3 35,2 36,4 58,7

47,9 94,8 61,3 59,3 93,4
17,8 34,7 56,4 22,1 48,1
48,2 35,8 65,3 30,1 72,5
5,8 70,9 88,9 76,4 17,3
77,4 66,1 23,9 23,8 36,8
5,6 36,4 93,5 36,4 76,7
89,3 39,2 78,7 51,9 63,6
89,5 58,6 12,8 28,6 82,7
38,7 71,3 21,1 35,9 29,2
При 95% -ном доверительном уровне проверьте гипотезу о том, что данная вы
борка имеет равномерное распределение, при этом используйте следующую
дополнительную информацию о теоретическом равномерном распределении.
a) Распределение сосредоточено на интервале от 0 до 100.

b ) Интервал, на котором сосредоточено распределение, вычисляется из дан
ных выборки.
c) Верхний предел интервала, на котором сосредоточено распределение, р а
вен 100, а нижний должен быть определен из данных выборки.
3. Автоматический прибор используется для определения интенсивности дви
жения на оживленном перекрестке. Прибор фиксирует время прибытия ав
томобиля на перекресток по непрерывной временной ш кале, начиная с нуля.
Приведенная ниже таблица содержит (накопленное) время (в минутах) при
бытия на перекресток первых 60 автомобилей. Постройте подходящую гис
тограмму для проверки гипотезы о том, что данные выборки имеют экспо
ненциальное распределение. Используйте 95% -ный доверительный уровень.
Прибытие Время прибытия Прибытие Время прибытия Прибытие Время прибытия

1 5,2 21 97,2 41 180,1
2 6,7 22 97,9 42 188,8
3 9,1 23 111,5 43 201,2
4 12,5 24 116,7 44 218,4
5 18,9 25 117,3 45 219,9
6 22,6 26 118,2 46 227,8
7 27,4 27 124,1 47 233,5
8 29,9 28 127,4 38 239,8
9 35,4 29 127,6 49 243,6
10 35,7 30 127,8 50 250,5
11 44,4 31 132,7 51 255,8
12 47,1 32 142,3 52 256,5
13 47,5 33 145,2 53 256,9
14 49,7 34 154,3 54 270,3
15 67,1 35 155,6 55 275,1
16 67,6 36 166,2 56 277,1
17 69,3 37 169,2 57 278,1
18 78,6 38 169,5 58 283,6
19 86,6 39 172,4 59 299,8
20 91,3 40 175,3 60 300,0
1. Feller W. A n Introduction to Probability Theory and Its Applications, 2nd ed., Vols.
1 and 2, Wiley, New York, 1967. (Существует русский перевод первого издания: Фел-
лер В. Введение в теорию вероятностей и ее приложения. — М.: Мир, 1967. — 2 т.)
2. Papoulis A. Probability and Statistics, Prentice Hall, Upper Saddle River, N .J., 1990.
3. Parzeń E. M odern Probability Theory and I ts Applications, W iley, New York, 1960.
4. Ross S. Introduction to Probability Models, 5th ed., Academic Press, New York, 1993.
Литература, добаёленная при переводе

1. Айвазян С. А., М хитарян В. С. П рикладная ст ат ист ика и основы экономет
р и ки . — М.: ЮНИТИ-ДАНА, 2001.
2. Бендат Д ж., Пирсол А. Прикладной анализ случайных данных. — М.: Мир, 1989.
3. М акарова Н. В., Трофимец В. Я. Статист ика в Excel. — М.: Финансы и стати
стика, 2002.
4. Минько А. А. Статистический анализ в Microsoft Excel. — М.: Диалектика, 2004.
5. Пугачев В. С. Теория вероятностей и мат емат ическая ст ат ист ика. — М.:
Наука, 1979.
6. Чистяков В. П. Курс теории вероятностей. — М.: Высш. ш кола, 1982.
ГЛАВА 13
МЕТОДЫ ПРОГНОЗИРОВАНИЯ
Принимая решения, мы определяем планы на будущее. Следовательно, исполь
зуемые при этом данные должны соответствовать последующим событиям. Напри
мер, в теории управления запасами мы обосновываем наши реш ения посредством
спроса на определенные виды продукции в течение определенного планового пе
риода. Аналогично в финансовом планировании необходимо предсказать структуру
денежного потока в будущем на основе структуры текущих денежных потоков.
В этой главе рассматриваются три методики прогнозирования изменений интере
сующих нас переменных как функций времени: прогнозирование с использованием
скользящего среднего, прогнозирование путем экспоненциального сглаживания и рег
рессионное прогнозирование. Будут также показаны реализации этих методов в Excel.
13.1. ПРОГНОЗИРОВАНИЕ С ИСПОЛЬЗОВАНИЕМ

СКОЛЬЗЯЩЕГО СРЕДНЕГО
При использовании этой методики основное предположение состоит в том, что
временной ряд является устойчивым в том смысле, что его члены і/, есть реализа
циями следующего случайного процесса:
y, = b + ą,
где Ь— неизвестный постоянный параметр, который оценивается на основе пред
ставленной информации, £, — случайный компонент (или шум) в момент време
ни t. Предполагается, что случайная ошибка £t имеет нулевое математическое ож и
дание и постоянную дисперсию. Кроме того, предполагается, что данные для
различных периодов времени не коррелированны.
Метод с использованием скользящего среднего предполагает, что последние п
наблюдений являю тся равнозначно важными для оценки параметра Ь. Другими
словами, если в текущий момент времени t последними п наблюдениями есть у,„+1,
у1п+г, ..., у 0 тогда оцениваемое значение для момента ( 4 - І вычисляется по формуле
• + У,-„+2+•••+?,
Уі+1
и
Не существует четкого правила для выбора числа п — базы метода, использующего
скользящее среднее. Если есть весомые основания полагать, что наблюдения в течение
достаточно длительного времени удовлетворяют модели у = b + et, то рекомендуется
выбирать большие значения п. Если же наблюдаемые значения удовлетворяют приве
денной модели в течение коротких периодов времени, может быть приемлемым и ма
лое значение п. На практике величина п обычно принимается в пределах от 2 до 10.
538 Глава 13. Методы прогнозирования
Пример 13.1.1
В табл. 13.1 представлены объемы спроса на некое изделие за прошедшие 24 меся
ца. Необходимо с помощью методики скользящего среднего дать прогноз объема
спроса на следующий месяц (здесь t = 25).
Таблица 13.1
Месяц t Спрос y t Месяц t Спрос у,
1 46 13 54
2 56 14 42
3 54 15 64
4 43 16 60
5 57 17 70
6 56 18 66
7 67 19 57
8 62 20 55
9 50 21 52
10 56 22 62
11 47 23 70
12 56 24 72
Чтобы проверить применимость метода скользящего среднего, проанализируем

приведенные данные. Эти данные показывают, что наблюдается тенденция к воз
растанию значений у, с течением времени. Это, вообще-то, означает, что скользящее
среднее не будет хорошим предсказателем для будущего спроса. В частности, ис
пользование большой базы и для скользящего среднего неприемлемо в этом случае,
так как это приведет к подавлению наблюдаемой тенденции в изменении данных.
Следовательно, если мы используем небольшое значение для базы и, то будем нахо
диться в лучшем положении с точки зрения отображения упомянутой тенденции в
изменении данных.
Если мы используем значение п = 3 в качестве базы скользящего среднего, то оцен
ка спроса на следующий месяц (t = 25) будет равна средней величине спроса за 22,
23 и 24 месяцы:
. 62 + 70 + 72
уа = ------- -------- = 68 единиц.
Оценка величины спроса в 68 единиц для 25 месяца будет использоваться также

при прогнозе спроса для t = 26:
. 70 + 72 + 68
уX = ------- -------- = 70 единиц.
Когда значение реального спроса в 25 месяце будет известно, его следует использо
вать для вычисления новой оценки объема спроса для 26 месяца в виде средней ве
личины спроса 23, 24 и 25 месяцев.
Средство вычисления скользящего среднего является составной частью надстройки
Пакет анализа Excel. Д ля его использования выполните команду СервисОАнализ
13.1. Прогнозирование с использованием скользящего среднего 539
д анны хоС кользящ ее среднее . В откры вш емся одноименном диалоговом окне

(см. рис. 1 3 .1 ) укаж ите местоположение на рабочем листе исходных данных (в поле
ввода Входной интервал), а такж е определите, куда выводить расчетные данные
(в поле ввода Выходной интервал). Д л я вывода граф ика установите флаж ок Вывод
графика. Н а рис. 13.1 показано заполненное окно Скользящее среднее и результа
ты работы этого средства.
С*0/(Ьч4ЯЩее с р е д н е е ВЕЗ
|$В$2:$В$25
ок
Вводной і*нтереал:
Г" дотюі е первой строге
I
Интервал:
Параметры вьеода
Вдоодной интервал: |$С$2
5J
Р Вьеод [рафика Стандартные погрешности
Скользящее среднее
2 1 46 #Н/Д
- Фактический
3 2 56 #Н/Д
80 - Прогноз
4 3 54 52
5 4 43 51 70
6 5 57 51 33333 60
7 6 56 52
50
8 7 67 60
9 8 62 61.66667 40
10 9 50 59.66667 30
11 10 56 56 20
12 11 47 51
13 12 56 53 10
14 13 54 52 33333 о
15 14 42 50 66667 7 10 13 16 19 22
16 15 64 53 33333 Точка данных
17 16 60 55 33333
18 17 70 64 66667
19 18 66 65 33333
20 19 57 64 33333
21 20 55 59 33333
Рис. 13.1. П рименение средства Скользящее среднее к данным примера 13.1.1
1 Команда С ерв и сО А н ал из данны х будет доступна только тогда, когда к E xcel присоеди
нена надстройка П ак ет анал иза, которая автоматически не присоединяется при инсталляции
E xcel. Чтобы присоединить эту надстройку, выберите команду С ерв ис^ Н ад стр о йки и в диа
логовом окне Надстройки установите ф лаж ок П акет анал иза. — Прим. ред.
1. В примере 13.1.1 оцените объем спроса для t = 25, используя п = 12 в качест
ве базы скользящего среднего. Какой эффект имеет большее значение п
с точки зрения подавления тенденции изменения данных?
2. Число кондиционеров, проданных за последние 24 месяца, приведено
в табл. 13.2. Проанализируйте эти данные с точки зрения применимости ме
тода скользящего среднего.
Таблица 13.2
Месяц Продажа Месяц Продажа
1 25 13 40
2 15 14 35
3 30 15 50
4 38 16 60
5 58 17 66
6 62 18 90
7 85 19 105
8 88 20 85
9 60 21 60
10 40 22 55
11 40 23 50
12 38 24 45
3. В табл. 13.3 содержатся данные за десятилетний период о количестве людей,

посетивших туристическую зону на автомобиле и воздушном транспорте.
Проанализируйте эти данные с точки зрения применимости метода скользя
щего среднего.
Таблица 13.3
Год__________1980 1981 1982 1983 1984 1985 1986 1987 1988 1989
Автомобиль 1042 1182 1224 1338 1455 1613 1644 1699 1790 1885
Самолет 500 522 540 612 715 790 840 900 935 980
4. В табл. 13.4 представлены данные об объемах продажи универмага (в мил

лионах долларов). Проанализируйте эти данные с точки зрения применимо
сти метода скользящего среднего.
Таблица 13.4
Год 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989
Продажа 21,0 23,2 23,2 24,0 24,9 25,6 26,6 27,4 28,5 29,6
5. Университет предлагает курсы лекций (вне своей территории) в пяти насе

ленных пунктах штата. В табл. 13.5 приведены данные о числе слушателей
курсов на протяжении шести лет. Данные относительно каждого года разбиты
по семестрам: осень (1), весна (2) и лето (3). Необходимо использовать эти дан
ные для оценки числа слушателей в следующем году. Проанализируйте приве
денные данные с точки зрения применимости метода скользящего среднего.
Таблица 13.5
Населенный пункт, где проводятся курсы лекций
Семестр 1 2 3 4 5
1989
1 288 136 48 165 59
2 247 150 49 168 46
3 117 69 14 61 15
1990
1 227 108 41 108 28
2 239 106 46 128 43
3 101 50 15 54 16
1991
1 240 126 31 104 46
2 261 134 19 83 38
3 138 48 9 56 32
1992
1 269 149 17 90 51
2 301 113 25 54 28
3 119 50 14 17 6
1993
1 226 102 22 16 30
2 241 110 16 0 24
3 125 46 7 0 12
1994
1 231 88 2 0 1
2 259 66 3 0 27
3 102 23 0 0 0
13.2. ЭКСПОНЕНЦИАЛЬНОЕ СГЛАЖИВАНИЕ

Прогнозирование путем экспоненциального сглаж ивания (метод экспоненци
ального сглаживания) предполагает, что вероятностный процесс определяется мо
делью yt = Ь + £s; это предположение использовалось и при рассмотрении метода
скользящего среднего. Метод экспоненциального сглаж ивания разработан для то
го, чтобы устранить недостаток метода скользящего среднего, который состоит
втом, что все данные, используемые при вычислении среднего, имеют одинаковый
вес. В частности, метод экспоненциального сглаж ивания приписывает больший ве
совой коэффициент самому последнему наблюдению.
Определим величину а {0 < а < 1) как константу сглаж ивания, и пусть известны
значения временного ряда для прошедших t моментов времени у х, у2, ..., уг Тогда
оценка y'ltl для момента времени t + 1 вычисляется по формуле
у",н ~ а У, + а (1_ а )з',-| + а ( 1 - а ) " у,_2+ - ■
Коэффициенты при yt, yt_lt yt_2, ... постепенно уменьшаются, тем самым эта проце
дура приписывает больший вес последним (по времени) данным.
Ф ормулу для вычисления у'ІЛІ можно привести к следующему (более простому)
виду:
У„і = о у ,+ ( 1 -а ){ с 0 ',.1+ а (1 - а );у (_2+ а ( 1 - а ) 2;у,_3+ ...| = а)>, + (1 -а );у ‘ .
Таким образом, значение у"н можно вычислить рекуррентно на основании значения у’ .
Вычисления в соответствии с этим рекуррентным уравнением начинаются с того, что
пропускается оценка у\ для t = 1 и в качестве оценки для f = 2 принимается наблю
денная величина для t = 1, т.е. у\ = у, . В действительности же для начала можно ис
пользовать любую разумную процедуру. Например, часто в качестве оценки у'0 берется
усредненное значение у, по “ приемлемому” числу периодов в начале временного ряда.
Выбор константы сглаживания «является решающим моментом при вычислении
значения прогнозируемой величины. Большее значение а приписывает больший вес
последним наблюдениям. На практике значение аберут в пределах от 0,01 до 0,30.
Пример 13.2.1
Применим метод экспоненциального сглаж ивания к данным из примера 13.1.1 при
а = 0,1.
При вычислениях пропускается у* и принимается, что у‘ = у, = 46 единиц. Для
примера последовательно вычислим
Уз =ау2 + ( 1 - а ) ^ =0,1x56 + 0,9x46 = 47 ,
y’t = ау3+ ( l- a ) jJ =0,1x54 + 0,9 x 47 = 47,7 .

На рис. 13.2 показано диалоговое окно средства Excel Экспоненциальное
сглаживание и результаты его применения к данным примера 13.2.1. Для работы
с этим средством надо выполнить такие же действия, к ак при работе со средством
Скользящее среднее (см. раздел 13.1). Отметим, что в диалоговом окне
Экспоненциальное сглаживание в поле Фактор затухания задается не величина кон
станты сглаж ивания а, а величина 1 - а .
Из приведенных данных следует, что оценка для t = 25 равна
= ауи + (1 —с х ) =0,1x72 + 0,9x57,63 = 59,07 единиц.
Эта оценка значительно отличается от полученной с помощью метода скользящего

среднего (68 единиц). Большее значение для «д аст оценку, более близкую к оценке
метода скользящего среднего.
Э ксп о не н ц и а л ь но е с гл а ж и в а н и е В х
Вводной интервал. |$8$2:$8$25
OK
Отмена
фактор затухания: |0,9
Г" tjBTw Справка

Параметры вьеода
Выходной интервал: |*С$2 2J
1
Вывод графика Г" Стандартные погреиюсти
А В С ~>
1 Месяц t Спрос yt Прогноз
2 1 46 #н/д Экспоненциальное сглаживание
3 2 56 46
4 3 54 47
80
5 4 43 47.7
6 5 57 47 23 70
7 6 56 48 207 60
8 7 67 48 9863
50 Н
9 8 62 50 78767
*- Фактический
10 9 50 51 9089 40
»—Прогноз
11 10 56 51 71801 30
12 11 47 52 14621
20
13 12 56 51 63159
14 13 54 52 06843 10
15 14 42 52 26159 0
16 15 64 51.23543
1 4 7 10 13 16 19 22
17 16 60 52 51189 Точка данных
18 17 70 53 2607
19 18 66 54 93463
20 19 57 56 04117
1 20 55 56 13705
Рис. 132. Применение экспоненциального сглаживания к данным примера 13.2.1
1. П римените метод экспоненциального сглаж ивания для данных из упражне

н и я 13.1.2 при а = 0,2.
2. П римените метод экспоненциального сглаж ивания для данных из упражне
н ия 13.1.3 при а = 0,2.
3. Примените метод экспоненциального сглаж ивания для данных из упражне
н ия 13.1.4 при а = 0,2.
4. Примените метод экспоненциального сглаж ивания для данных из упражне
н ия 13.1.5 при а = 0,2.
13.3. РЕГРЕССИОННЫЙ АНАЛИЗ

Регрессионный анализ определяет связь между зависимой переменной
(например, спросом на продукцию) и независимой переменной (например, време
нем). Часто применяемая формула регрессии, описывающая зависимость между
переменной у и независимой переменной х, имеет вид
у = Ь0 + Ьгх + Ь2х 2 + ... + Ьпх п + £,
где ft0, ft,, ..., Ьп — неизвестные параметры. Случайная ошибка є имеет нулевое ма
тематическое ожидание и постоянную дисперсию (т.е. дисперсия случайной вели
чины £ одинакова для всех наблюдаемых значений у).
Самая простая регрессионная модель предполагает, что зависимая переменная
линейна относительно независимой переменной, т.е.
у ‘ = а + Ьх.
Константы а и Ь определяются из временного ряда с использованием метода наи
меньших квадратов, в соответствии с которым находятся значения этих констант,
доставляющих минимум сумме квадратов разностей между наблюдаемыми и вы
численными величинами. Пусть (у,, х () представляет і-ю точку исходных данных
временного ряда, і - 1, 2 ,..., п. Определим сумму квадратов отклонений между на
блюдаемыми и вычисленными величинами.
S = Y J( y . - d - b x i ) 2 .
1=1
Значения коэффициентов а и ft определяются из соответствующих условий мини

мума функции S , которые представимы в виде следующих уравнений.
! =-2 £ ( л - . - Щ . О ,
^ = - 2 ^ ( у ,- а - Ь х : ) х ,- 0 .
После алгебраических преобразований получаем следующее решение данных

уравнений.
Y.y^ -nyx
а = у - Ьх,
Ż x> і*
гдел; = —— , ;у= —— .
n n
Приведенные соотношения показывают, что сначала необходимо вычислить Ь,
а затем величину коэффициента а.
Вычисленные значения а и ft имеют силу при любом вероятностном распределе
нии случайных величин уг Однако если yt являю тся нормально распределенными
случайными величинами с одинаковым стандартным отклонением, можно устано
вить доверительный интервал для среднего значения оценки при х = х° (т.е. для
у0 = а + Ьх°) в виде интервала
Мы заинтересованы в установлении для прогнозируемых значений зависимой пе

ременной у соответствующих им интервалов предсказания (это важнее, чем довери
тельный интервал для среднего значения оценки). Как и следовало ожидать, интер
вал предсказания для значения прогнозируемой величины является более широким,
чем доверительный интервал для среднего значения оценки. Действительно формула
для интервала предсказания такая же, как и для доверительного интервала, но с той
лишь разницей, что член \ / п под вторым квадратным корнем заменен на (п + 1)/п.
Чтобы проверить, насколько линейная модель у" = а + Ьх соответствует исход
ным данным, необходимо вычислить коэффициент корреляции г согласно формуле:
пу X
J ^ x f - n x '- j j r y f - n y 2
гд е-1 < г< 1.

Если г = ±1, тогда линейная модель идеально подходит для описания зависимо
сти между у и х. В общем случае, чем ближе |г| к 1, тем лучше подходит линейная
модель. Если же г = 0, величины у и х могут быть независимыми. В действительно
сти равенство г = 0 является лиш ь необходимым, но не достаточным условием не
зависимости, так как возможен случай, когда для двух зависимы х величин коэф
фициент корреляции будет равен нулю.
Пример 13.3.1
Применим модель линейной регрессии к данным из примера 13.1.1, которые для
удобства приведены в табл. 13.6.
Таблица 13.6
Месяц, Xi Спрос, у,- Месяц, Xi Спрос, у,
1 46 13 54
2 56 14 42
3 54 15 64
4 43 16 60
5 57 17 70
6 56 18 66
7 67 19 57
8 62 20 55
9 50 21 52
10 56 22 62
11 47 23 70
12 56 24 72
Из данных этой таблицы получаем следующее.
£ > -,х = 17842, £ * ,= 3 0 0 , £ х , : =4900, £ у. = 1374, £ у ; = 80254.

;=■! /=і і=і /-і /=1
1 = 12,5, у = 51,25,
, 17842-24x57,25x12,5
о = ------------------------- г------ = 0,58,
4900 - 24x12,5
а = 5 7 ,2 5 -0 ,5 8 х 12,5 = 50.
Таким образом, оценка спроса представляется формулой
/ = 5 0 + 0 , 58л:.
Например, при* = 25 получаем / = 50 + 0,58 х 25 = 64,5 единицы.
Вычисляем коэффициент корреляции:
17842-24x57,25x12,5
= 0,493.
4900 - 24 х 12,52) (80254 - 24 х 57,252)
Относительно малое значение коэффициента корреляции г указы вает на то, что

линейная модель у ' = 50 + 0,58* является не совсем подходящ ей для исходных
данны х. Считается, к а к правило, что линейная модель подходит для исходных
данных, если 0,75 < |л| < 1.
Предположим, необходимо вычислить 95% -ный доверительный интервал для по
лученной линейной оценки. Д ля этого надо сначала вычислить сумму квадратов
отклонений от аппроксимирующей прямой. В табл. 13.7 приведены результаты
этих вычислений.
Из табл. 2 приложения В имеем f0025 22 = 2,074. Следовательно, искомый довери
тельный интервал имеет вид
(50 + 0 ,5 8 х °)± 2,0 7 4 ./1205'64 J—•4 9^—

2 4 - 2 \2 4
+ '2'^
0 0 -2 4 x 1 2 ,52 ’
Это выражение можно упростить, в результате получим следующее.
/ „ч / (х ° -1 2 ,5 ) '
(50 + 0,58* ) ± 15,35W0,042 + - '
1150
Чтобы продемонстрировать применение этой формулы, вычислим интервал пред
сказания для оценки спроса на следующий месяц (х° = 25). В этом случае коэффи
циент 0,042 должен быть заменен на 1,042,2 и соответствующий интервал предска
зания определяется как (6 4 ,5 + 1 6 ,6 6 ) или (4 7 ,8 4 ,8 1 ,1 6 ). Следовательно, можно
сказать, что с вероятностью 95 % спрос для х = 25 будет находиться между 47,84
и 81,16 единицами.
2 Напомним, что определение интервала предсказания основано на формуле, определяю

щей доверительный интервал, где под корнем слагаемое 1 / п заменено на (п + 1 )/п. — Прим. ред.
Таблица 13.7
X У У* (y -y f
1 46 50,58 20,98
2 56 51,16 23,43
3 54 51,74 5,11
4 43 54,32 86,86
5 57 52,90 16,81
6 56 53,48 6,35
7 67 54,06 152,77
8 62 54,64 54,17
9 50 55,22 27,25
10 56 55,80 0,04
11 47 56,38 87,98
12 56 56,96 0,92
13 54 57,54 12,53
14 42 58,12 259,85
15 64 58,70 28,09
16 60 59,28 0,52
17 70 59,86 102,82
18 66 60,44 30,91
19 57 61,02 16,16
20 55 61,60 43,56
21 52 62,18 103,63
22 62 62,76 0,58
23 70 63,34 44,53
24 72 63,92 65,29
I U - : И,*)1 = 1205,64
Вычисления регрессионного анализа обычно весьма сложны и громоздки. К сча

стью, нет необходимости выполнять их вручную. Excel предлагает для этого несколь
ко средств. На рис. 13.3 показан рабочий лист с исходными данными и диалоговое
окно средства Регрессия, которое предназначено для выполнения вычислений рег
рессионного анализа. Excel автоматически сгенерирует выходной отчет этого средст
ва, содержащий всю необходимую информацию. Чтобы воспользоваться средством
Регрессия, выберите команду Сервис=>Анализ данных^Регрессия.
1. Примените метод линейной регрессии к данным из упражнения 13.1.2.

5. Д окаж ите, что при линейной регрессии сумма разностей между расчетными
и предсказанными величинами по всем исходным данны м равна нулю, т.е.
выполняется равенство
/=1
Г* J
2 я 46 Р е гр е с с и я
3 2! 56 Входные данные
4 зі 54
Входной интервал Y |$В$2:$В$25
5 4І 43
6 5! 57 Вводной интервал X f$A$2:$A$25j 3
7 6І 56 Оправка
67 Г~ М етки Г Константа - ноль
8 7І
У 8; 62 Г уровень надеж ности; [І5 %
10 і 9І 50
Параметры вывода
11~ і 1°; 56
12 її : 47 Выходной интервал: U
13~ 12І 56 ** Новый рабочий лист;
14 13і 54 ’ Новая рабочая & *іга
15 14І 42 Остатки
16 is; 64і Г“ Остатки Г Срафик остатков
17 іє; 60 Г Стандартизованные остатки W Граф ик подбора
18 171 70 і
19 18І 66 Нормальная вероятность
Г“ Граф ик формальной вероятности
20 19; 57.
21 20; 55'.
гг 211 52
Рис. 13.3. Применение средства Регрессия к данным примера 13.2.3
1. Brown В. L. and O’Connell. Forecasting and Tim e Series: A n Applied Approach
D uxbury P ress, Belm ont, CA, 1993.
2. Brown R. G. Sm oothing, Forecasting, and Prediction o f Discrete Tim e Series, P ren
tice Hall, U pper Saddle R iver, N .J ., 1972.
3. M ontgom ery D. and Peck E. Introduction to L inear Regression A nalysis, Wiley,
New Y ork, 1991.
4. W illis R. E. A Guide to Forecasting fo r P lanners and M anagers, P ren tice H all, Up
p er Saddle R iver, N .J ., 1987.

1. А йвазян С. А ., М хитарян B .C . П р и кла д н а я ст ат ист ика и основы экономет
р и к и . — М.: Ю НИТИ-ДАНА, 2001.
2. М акарова Н. В., Трофимец В. Я. С т ат ист ика в E xcel. — М.: Ф инансы и стати
стика, 2002.
3. Минько А. А. Статистический анализ в Microsoft Excel. — М .: Диалектика, 2004.
4. Сигел Э. Ф. П ракт ическая бизнес-ст ат ист ика. — М.: И здательский дом
“ В ильям с” , 2002.
5. Х анк Д ж . Э., Райте А. Д ж ., Уичерни Д. У. Бизнес-прогнозирование. — М.: И з
дательский дом “ В ильям с” , 2003.
Г Л А В А 1 4
ТЕОРИЯ ИГР И ПРИНЯТИЯ РЕШЕНИЙ

В теории принятия решений используются “ разумные” процедуры выбора наи
лучшей из нескольких возможных альтернатив. Насколько правильным будет вы
бор, зависит от качества данных, используемых при описании ситуации, в которой
принимается решение. С этой точки зрения процесс принятия решений может при
надлежать к одному из трех возможных условий.
1. Принятие решений в условиях определенности, когда данные известны точно.
2. Принятие решений в условиях риска, когда данные можно описать с помо
щью вероятностных распределений.
3. Принятие решений в условиях неопределенности, когда данным нельзя при
писать относительные веса (весовые коэффициенты), которые представляли
бы степень их значимости в процессе принятия решений.
По существу, в условиях определенности данные надежно определены, в усло
виях неопределенности они не определены.1 Принятие решений в условиях риска,
следовательно, представляет “ промежуточный” случай.
14.1. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ ОПРЕДЕЛЕННОСТИ —

МЕТОД АНАЛИЗА ИЕРАРХИЙ
Модели линейного программирования (главы 2-8) являются примером принятия
решений в условиях определенности. Эти модели применимы лишь в тех случаях, ко
гда альтернативные решения можно связать между собой точными линейными функ
циями. В этом разделе рассматривается иной подход к принятию решений в ситуаци
ях, когда, например, для идей, чувств, эмоций определяются некоторые количественные
показатели, обеспечивающие числовую ш калу предпочтений для возможных альтер
нативных решений. Этот подход известен как метод анализа иерархий.
Перед тем к ак излож ить детали данного метода, рассмотрим пример, демон
стрирующий способ, с помощью которого оцениваются различные альтернатив
ные реш ения.
і
Это не значит, что в условии неопределенности полностью отсутствует информация
о задаче. Речь идет о том, что имеющиеся данные трудно или невозможно классифицировать
по степени значимости их для принятия решения, и что для этих данных, рассматриваемых
как реализации случайных величин или процессов, неизвестна или не может быть опреде
лена их функция распределения или другие статистические характеристики. — Прим. ред.
550 Глава 14. Теория игр и принятия решений
Пример 14.1.1
Мартин Ганс — выпускник-отличник средней школы, который получил полную
стипендию от трех университетов: А, В и С. Для того чтобы выбрать университет,
Мартин сформулировал два основных критерия: местонахождение университета
и его академическая репутация. Будучи отличным учеником, он оценивает академи
ческую репутацию университета в пять раз выше, чем его местонахождение. Это при
водит к тому, что репутации университета приписывается вес примерно 83 %, а его
местонахождению— 1 7 % . Далее Мартин использует системный анализ (сущность
его излагается ниже) для оценки трех университетов с точки зрения их местонахож
дения и репутации. Проведенный анализ дает следующие оценки.
Университет
Критерии А В С
Местонахождение 12,9% 27,7% 59,4%
Репутация 54,5% 27,3% 18,2%
Структура задачи принятия решений приведена на рис. 14.1. Задача имеет единст
венный иерархический уровень с двумя критериями (местонахождение и репута
ция) и три альтернативных реш ения (университеты А, В и С).
Решение:
Критерий иерархии
1-го уровня:
Альтернативы:
Ун. А Ун. В Ун. С Ун. А Уи.В Ун. С
(0 , 1 2 9 ) ( 0 ,2 7 7 ) (0 ,5 9 4 ) ( 0 ,5 4 5 ) (0 ,2 7 3 ) (0 ,1 8 2 )
і L L J J J
0,17 х 0,129 + 0,83 х 0,545 = 0,4743

I
0,17 х 0,277 + 0,83 х 0,273 = 0,2737 0,17 х 0,594 + 0,83 х 0,182 = 0,2520
Университет А Университет В Университет С
Рис. 14.1. И е р а р х и я п р и н я т и я р е ш ен и й прим ера 14.1.1
Оценка трех университетов основана на вычислении комбинированного весового

коэффициента для каждого из них.
Университет А: 0,17 х 0,129 + 0,83 х 0,545 = 0,4743.
Университет В: 0,17 х 0,277 + 0,83 х 0,273 = 0,2737.
Университет С: 0,17 х 0,594 + 0,83 х 0,182 = 0,2520.
На основе этих вычислений университет А получает наивысший комбинированный
вес и, следовательно, является наиболее оптимальным выбором Мартина.
14.1. Принятие решений в условиях определенности — метод анализа иерархий 551
Общая структура метода анализа иерархий может включать несколько иерар

хических уровней со своими критериями. Предположим в примере 14.1.1, что се
стра-близнец Мартина Джейн такж е получила полную стипендию от трех универ
ситетов. Однако их родители ставят условие, что дети должны учиться в одном
университете, тогда они смогут пользоваться одним автомобилем. На рис. 14.2
приведена структура задачи выбора решения, которая теперь включает два иерар
хических уровня со своими критериями. Величины р и q (предположительно рав
ные) на первом иерархическом уровне представляют собой весовые коэффициенты,
которые приписываются точке зрения Мартина и Джейн относительно процесса
выбора соответственно. Второй иерархический уровень использует веса (р ,,р 2)
и(<7,, q2) для отображения индивидуальных точек зрения Мартина и Джейн относи
тельно критериев местонахождения и академической репутации каждого универ
ситета. Остальная часть структуры принятия решения может быть интерпретиро
вана аналогично предыдущему примеру. Заметим, что p + q = 1, р 1+ р 2 = 1,
q, + q2= 1> р п + p l2+ р 13= 1, р п + р 22+ р 23 = 1, qu + q ,2+ q i3 = l , q2, + q22 + q 23= 1. Опре
деление комбинированного веса для университета А, представленное на рис. 14.2,
демонстрирует, каким образом вычисляются эти показатели.
Решение:
Критерий
иерархии
Критерий
иерархии Местополс1ЖЄНИЄ (Р[) Репута дня (р2) Местополсикение (q\) Репутаїіщя (q2)
Ун. А Ун. В Ун. С Ун. А Ун. В Ун. С Ун. А Ун. В Ун. С Ун. А Ун. В Ун. С
Альтернативы:
(Ри) Оіг) (Різ) (Р21) (Р22) ( Р г 3) («») (?іг) (?.з) (?2l) (Чгт) (?2з)
і ____ і ______ і
і
і
і
Ун. А = р(р[ хрп +р2 хр2]) + ?(?1 х qu +q2xq2l)
Рис. 14.2. Р асш иренная иерархия п р и н я т и я реш ений примера 14.1.1
1. Пусть для задачи выбора университета Мартином и Джейн установлены сле

дующие значения весовых коэффициентов.
р = 0,5, q = 0,5,
Pi = 0,17, р 2 = 0,83,
р и = 0,129, р 12 = 0,277, р, з = 0,594,
p2i = 0,545, р 22= 0,273, р 23= 0,182,
= 0,3, <72 = 0,7,
9п = 0 >2>9,2 = 0>3>9,3 = 0>5

Чи = 0,5, q22 = 0,2, q23 = 0,3.
Основываясь на этой информации, оцените с помощью комбинированных ве
сов каж дый из трех университетов.
Определение весовых коэффициентов. Сложность метода анализа иерархий за

ключается в определении относительных весовых коэффициентов (таких, как ис
пользованные в примере 14.1.1) для оценки альтернативных решений. Если имеется
п критериев на заданном уровне иерархии, соответствующая процедура создает мат
рицу А размерности п х п , именуемую матрицей парных сравнений, которая отража
ет суждение лица, принимающего решение, относительно важности разных критери
ев. Парное сравнение выполняется таким образом, что критерий в строке і (і = 1, 2,
..., ті) оценивается относительно каждого из критериев, представленных п столбцами.
Обозначим через а, элемент матрицы А, находящийся на пересечении і-й строки и j-
го столбца. В соответствии с методом анализа иерархий для описания упомянутых
оценок используются целые числа от 1 до 9. При этом atj = 1 означает, что і-й и j- й
критерии одинаково важны, at/ = 5 отражает мнение, что і-й критерий значительно
важнее, чем j-Vi, a atj = 9 указывает, что і-й критерий чрезвычайно важнее j - го. Другие
промежуточные значения между 1 и 9 интерпретируются аналогично. Согласован
ность таких обозначений обеспечивается следующим условием: если а ; = k, то авто
матически ah = l / k . Кроме того, все диагональные элементы ап матрицы А должны
быть равны 1 , так как они выражают оценку критерия относительно самих себя.
Пример 14.1.2
Покажем, как определяется матрица сравнения А для задачи выбора Мартина из
примера 14.1.1. Начнем с главного иерархического уровня, который имеет дело
с критериями академической репутации университета и его местонахождения.
С точки зрения Мартина, академическая репутация университета значительно
важнее его местонахождения. Следовательно, он приписывает элементу (2, 1) мат
рицы А значение 5, т.е. а 21 = 5. Это автоматически предполагает, что а12= 1/5. Обо
значив через R и L критерии репутации университета и его местонахождения, мож
но записать матрицу сравнения следующим образом.
L R
А=
Относительные веса критериев Rw. L могут быть определены путем деления элемен
тов каждого столбца на сумму элементов этого же столбца. Следовательно, для
нормализации матрицы А делим элементы первого столбца на величину 1 + 5 = 6 ,
элементы второго— на величину 1 + 1/5 = 1,2. Искомые относительные веса wR
и wL критериев вычисляю тся теперь в виде средних значений элементов соответст
вующих строк нормализованной матрицы А. Следовательно,
L R Средние значения элементов строк
N=
В результате вычислений получили wR= 0,83 и wL= 0,17, т.е. те веса, которые пока
заны на рис. 14.1. Столбцы матрицы N одинаковы, что имеет место лиш ь в случае,
когда лицо, принимающее решение, проявляет идеальную согласованность
в определении элементов матрицы А. Этот тезис детальнее обсуждается ниже.
Относительные веса альтернативных решений, соответствующих университетам А,
В и С, вычисляются в пределах каждого критерия R и L с использованием следую
щих двух матриц сравнения.
В С
А
А, = В 2
С 2
Суммы элементов столбцов =[8, 3,5, 1.7].

А В
/
А 2
-В 1
С
Суммы элементов столбцов =[1,83, 3,67, 5,5],
Элементы матриц АЛ и AŁ определены на основе суждений М артина, касающихся
относительной важности трех университетов.
При делении элементов каждого столбца матриц АЛи AŁ на сумму элементов этих
же столбцов получаем следующие нормализованные матрицы.
А В С Средние значения элементов строк
А ^0,125 0,143 0,118^ w ,A = ( 0 , 1 2 5 + 0 ,1 4 3 + 0 , 1 1 8 ) / 3 = 0 ,1 2 9 ,
N,= В 0,250 0,286 0,294 w IB = ( 0 , 2 5 0 + 0 , 2 8 6 + 0 , 2 9 4 ) / 3 = 0 , 2 7 7 ,
С 0,625 0,571 0,588 w lc = ( 0 ,6 2 5 + 0 ,5 7 1 + 0 ,5 8 8 ) / 3 = 0 ,5 9 4 .
А В С Средние значения элементов строк

А ^0,545 0,545 0,545^ И -^ = ( 0 , 5 4 5 + 0 ,5 4 5 + 0 ,5 4 5 ) / 3 = 0 ,5 4 5 ,
N R =B 0,273 0,273 0,273 w KB = ( 0 , 2 7 3 + 0 , 2 7 3 + 0 , 2 7 3 ) / 3 = 0 , 2 7 3 ,
С 0,182 0,182 0,182 w RC = ( 0 , 1 8 2 + 0 , 1 8 2 + 0 , 1 8 2 ) / 3 = 0 , 1 8 2 .
Величины (wца, wRB, wRC) = (0 ,5 4 5 ,0 ,2 7 3 ,0 ,1 8 2 ) дают соответствующие веса для

университетов А, В и С с точки зрения академической репутации. Аналогично ве
личины (wM, w,в, wLC) = (0,129, 0,277, 0,594) являю тся относительными весами, ка
сающимися местонахождения университетов.
Согласованность матрицы сравнений. В примере 14.1.2 мы отмечали, что все

столбцы нормализованных матриц N и N,j идентичны, а столбцы матрицы NL тако
выми не являются. Одинаковые столбцы указывают на то, что результирующие отно
сительные веса сохраняют одно и то же значение независимо от того, как выполняет
ся сравнение. В этом случае говорят, что исходные матрицы сравнения А и А ,
являются согласованными. Следовательно, матрица A Lне является таковой.
Согласованность означает, что реш ение будет согласовано с определениями
парных сравнений критериев или альтернатив. С математической точки зрения
согласованность матрицы А означает, что = aik для всех I, j н к. Например,

в матрице А я из примера 14.1.2 а 13 = 3 и а 12а 23 = 2 х 3 /2 = 3. Свойство согласованно
сти требует линейной зависимости столбцов (и строк) матрицы А. В частности,
столбцы любой матрицы сравнений размерностью 2 x 2 являю тся зависимыми, и,
следовательно, такая матрица всегда является согласованной. Не все матрицы
сравнений являю тся согласованными. Действительно, принимая во внимание, что
такие матрицы строятся на основе человеческих суждений, можно ожидать неко
торую степень несогласованности, и к ней следует относиться терпимо при усло
вии, что она не выходит за определенные “допустимые” рамки.
Чтобы выяснить, является ли уровень согласованности “допустимым” , необхо
димо определить соответствующую количественную меру для матрицы сравне
ний А. В примере 14.1.2 мы видели, что идеально согласованная матрица А порож
дает нормализованную матрицу N, в которой все столбцы одинаковы:
W,
w,
N:
Отсюда следует, что матрица сравнений А может быть получена из матрицы N пу
тем деления элементов і-го столбца на wt (это процесс, обратный к нахождению
матрицы N из А). И так, получаем следующее.
W,.
W..
V ,v\ 2
Используя приведенное определение матрицы А, имеем
з.
И ’„
Ч ї
w2 ЛW, w2
w., = = п
.К. nw„.
_Ł JJL ... 1
В компактной форме условие согласованности матрицы А формулируется следую

щим образом. Матрица А будет согласованной тогда и только тогда, когда
Aw = =nw,
где w — вектор-столбец относительных весов ш(, і = 1, 2, ..., п.
Когда матрица А не является согласованной, относительный вес w, аппроксими
руется средним значением п элементов і-й строки нормализованной матрицы N
(см. пример 14.1.2). Обозначив через w вычисленную оценку (среднее значение),
можно показать, что
Aw = /!„,„w.
где nmax> п. В этом случае, чем ближе птвх к п, тем более согласованной является
матрица сравнения А. В результате в соответствии с методом анализа иерархий вы
числяется коэффициент согласованности в виде
с*=Я ,
RI
где
Сі =Ит*—” — коэффициент согласованности матрицы А,

п-1
1,98(и-2 )
RI = ----- 1------- — стохастическии коэффициент согласованности матрицы А.
п
Стохастический коэффициент согласованности RI определяется эмпирическим пу
тем как среднее значение коэффициента CI для большой выборки генерированных
случайным образом матриц сравнения А.
Коэффициент согласованности CR используется для проверки согласованности
матрицы сравнения А следующим образом. Если CR < 0,1, уровень несогласованно
сти является приемлемым. В противном случае уровень несогласованности матри
цы сравнения А является высоким, и лицу, принимающему решение, рекоменду
ется проверить элементы парного сравнения atl матрицы А в целях получения более
согласованной матрицы.
Значение nm>x вычисляется на основе матричного уравнения Aw = /i^w , при этом
нетрудно заметить, что i-e уравнение этой системы имеет вид:
Z a,:W. =
tj / max і ’
і = 1, 2 *,...,и.
/=і
Поскольку H\ = 1 , легко проверить, что
n ( n \
,=1V /-! У i=l
Это значит, что величину nmax можно определить путем вычисления вектор-столбца
Aw с последующим суммированием его элементов.
Пример 14.1.3
В примере 14.1.2 матрица AŁявляется несогласованной, так как столбцы матрицы
Nł неодинаковы. Требуется исследовать согласованность матрицы A Ł.
Вычислим значение лпих. Из данных примера 14.1.2 имеем
vv, =0,129, w2 =0,277, vv3 =0,594.
1
5 "0,129'j '0,3863
А ;w = 1 0,277 = 0,8320
2 .0,594, 1,7930
і
«тах= 0,3863 + 0,8320 + 1,7930 = 3,0113.

Следовательно, д ля п = 3 имеем
СІ = = 3 ,0 1 1 3 - 3 = 0,00565,
л -1 3 -1
^ - l , 9 f c 2 ) = j;9 8 x l=()
п 3
СЛ = а = О 00565 =
RI 0 ,6 6
Так к ак CR < 0,1, уровень несогласованности матрицы А£ является приемлемым.
Реализация метода анализа иерархий в Excel. Шаблон Excel chl4A H P.xls разрабо
тан для решения задач принятия решений, у которых максимальный размер матриц
сравнения не превышает 8 x8 . Так же, как и в шаблонах Excel, описанных в главах 10
и 1 1 , здесь пользователю необходимо некоторые действия выполнить вручную.
Н а рис. 14.3 показано применение этого ш аблона для реш ения задачи примера
14.1.22. М атрицы сравнения вводятся по одной за раз в верхнюю часть раздела
входных данных. П орядок, в котором вводятся матрицы сравнения не важ ен, тем
не менее, будет больше пользы , если рассматривать их в порядке иерархии. После
ввода коэффициентов матрицы сравнения в разделе выходных результатов в ниж
ней части рабочего листа появится соответствующ ая нормированная матрица,
а такж е ее коэффициент согласованности CR. Д алее вы долж ны скопировать значе
ния весов w в столбце J и вставить их в область Solution summary (правая часть таб
лицы ). Д ля вставки не забудьте выполнить команду Вставка ^С пециальная
вставкаО Значения, чтобы скопировать значения, а не формулы. Эти действия сле
дует повторять для всех матриц сравнения.
А В С D E iF I J К в L N _ 0 [
1 AHP-Analytie Hierarchy Process |
2 1 Input: Comparison matrix Solution summary
3 Matrix name: AL A
4 'Matrix size= 3 « M a imum 8 R 0.B3333
5 Matrix data: UA UB UC L 0.16667
6 I UA 1 0.5 0.2 AR AL
7 UB 2 1 0.5 UA 0.54545 UA 0.12B5
~8 UC 5 2 1 UB 0.27273 UB 0.27661
9 UC 0 1B1B2 UC 0.59469
14 1 Col sum G 3.5 1.7
15 і Output: Normalized martix
16 I nMax=| 3 0074E | CR=| 0 0056 |
UA UB UC Weight
17 1
18 UA 0.12500 0.142B6 0.11765 0 12B50
19 , UB 0.25000 0.2B571 0.29412 0 27661 I Final ranking
20 UC 0.62500 0 57143 0.5BB24 0.594B9 UA= 0.47596
21 UB= 0.27337
22 UC= 0.25066
I
23
Р ис. 14.3. Р еш ен и е в E x c e l за д а ч и п р и м ер а 14.1.2
2
Из-за ошибок округления результаты, полученные в Excel, немного отличаются от тех, кото
рые были получены в примерах 14.1.2 и 14.1.3 (в Excel получены более точные результаты).
После того как в столбцах K:R будут записаны значения весов для всех матриц
сравнения, можно использовать эти данные для создания формул, необходимых
для сравнения альтернативных вариантов. Выполнить эту операцию в Excel не
сложно. На рис. 14.3 в диапазоне К 20:К27 представлены результаты ранжирова
ния альтернатив. В ячейке К20 содержится формула
=$L$4*$L8+$L$5*$N8
По этой формуле вычисляется оценка для университета А. После создания этой
формулы скопируйте ее, а затем вставьте в ячейки К21 и К22. Во вставленных
формулах относительные ссылки автоматически изменятся так, что новые форму
лы будут вычислять оценки для университетов В и С.
Можно усовершенствовать формулы в ячейках К20:К22 так, чтобы непосредст
венно в ячейке отображались названия альтернатив. Такая формула для альтерна
тивы университета А (обозначается как UA) выглядит следующим образом.
=$К8 &"= "&TEKCT($L$4*$L7+$L$5*$N7;"####0.00000")
Заметьте, что названия альтернатив содержатся в ячейках К 8:К10. Вам надо само
стоятельно ввести эти названия.
Процедуру вычисления оценок альтернативных вариантов можно без труда распро
странить на любое количество уровней иерархии. Если формула для первой альтерна
тивы была создана правильно, то ее же можно использовать и для других альтернатив
ных вариантов, просто скопировав ее в последующие строки того же столбца. Но не
забывайте, что все ссылки на ячейки должны быть абсолютными, кроме ссылок на
альтернативы, в которых фиксированным должен быть только столбец.
1. Отдел кадров фирмы сузил поиск будущего сотрудника до трех кандидатур:

Стив (S), Джейн (J ) и Майса (М). Конечный отбор основан на трех критери
ях: собеседование (С), опыт работы (О) и рекомендации (Р). Отдел кадров ис
пользует матрицу А (приведенную ниже) для сравнения трех критериев. По
сле проведенного собеседования с тремя претендентами, сбора данных,
относящихся к опыту их работы и рекомендациям, построены матрицы Ас,
А 0 и Ар. Какого из трех кандидатов следует принять на работу? Оцените со
гласованность данных.
с о Р S М
( \\
1 2 f 1
С 4 S
1
>
, Ас = J
II
1
о
1 1 3
2 5
р М 1
И 5 О v4
S J м
S s
A0 = J : J
М M
2. Кевин и Джун Парки (К и Д) покупают новый дом. Рассматриваются три вари

анта — А, В и С. Парки согласовали два критерия для выбора дома: площадь
зеленой луж айки (Л) и близость к месту работы (Б), а такж е разработали
матрицы сравнений, приведенные ниже. Необходимо оценить три дома в поряд

ке их приоритета и вычислить коэффициент согласованности каждой матрицы.
К Д Л Б Л Б
'1 2' Л л '1 4'
, А аг = и 3 • Ал =
I 1 к Б 'І1 3 Б 1 1
\2 I3 и ч4 /
А В С А В С
/
<\ 2 ъл 9 п
А А 2
=В 1 2 ’ АКБ = В 1
2 1
С
2 3
С 1 1 11
ІЗ 2 J U 3 и
А В С А в с
Ґ \
'1 4 2" 1 1 чА
А А 2
1 1 3
=В 4 > А ДБ = В 2 1 3
С 1 1 г1 С 1 1 ]
І2 3 / U 3 /
3. Автор книги по исследованию операций определил три критерия для выбора из
дательства, которое будет печатать его книгу: процент авторского гонорара (R),
уровень маркетинга (М) и размер аванса (А). Издательства Н и Р проявили ин
терес к изданию книги. Используя приведенные ниже матрицы сравнения, необ
ходимо дать оценку двум издательствам и оценить согласованность решения.
R М А
( н Н Р
R
Н Н Н 1
■М А .= = А. =
1 1
А 12
4. Профессор политологии планирует предсказать исход выборов в местный

школьный совет. Кандидаты I, В и S баллотируются на одно место. Профес
сор делит всех избирателей на три категории: левые (L), центристы (С) и пра
вые (В). Оценка кандидатов основывается на трех факторах: педагогический
опыт (О), отношение к детям (Д) и характер (X). Ниже приведены матрицы
сравнения для первого иерархического уровня, связанного с градацией изби
рателей (левые, центристы и правые).
L С R О Д X
С і > С і А
L 1 2 і 1 О
' 3 2
А =С
J- i J- ■ А ,.= Д J- 1 J-
R
2 ‘ 5
X 3 3
U 5 lj 1.2 3 lj
О Д X О Д X
<\ 2 21
'1 1 9 '
О 1
О
1 1 8
АС = Д І 1 1 . АК= Д
X X J- J- 1
І9 8 )
2 ' '
Профессор сгенерировал еще девять матриц сравнения для трех кандидатов

на втором иерархическом уровне, связанном с педагогическим опытом, от
ношением к детям и характером. Затем был использован метод анализа ие
рархий для сведения этих матриц к следующим относительным весам.
Левые Центристы Правые

Кандидат О Д X О Д X О Д X
/ 0,1 0,2 0,3 0,3 0,5 0,2 0,7 0,1 0,3
В 0,5 0,4 0,2 0,4 0,2 0,4 0,1 0,4 0,2
S 0,4 0,4 0,5 0,3 0,3 0,4 0,2 0,5 0,5
Используя эту информацию, необходимо определить, кто из кандидатов вы

играет выборы, и оценить согласованность решения.
5. Ш кольный округ крайне заинтересован в сокращении своих расходов, что
вызвано очередным уменьшением бюджетного финансирования начальных
школ. Есть две возможности решить эту проблему: ликвидировать програм
му физического воспитания (Ф) или программу музыкального образования
(М). Управляющий округа сформировал комитет с равным представительст
вом от местного школьного совета (С) и ассоциации родителей и учителей (Р)
для изучения ситуации и выработки предложения. Комитет принял решение
изучить ситуацию с точки зрения ограничения бюджета (Б) и потребностей
учеников (77). Проведенный анализ дал следующие матрицы сравнения.
Б П Б П
Ф М Ф М
^ СБ =
Ф
..
fl ^2 ^ СП -
ф
..
f> 11
3
Із ij
’
М
U ij М
Ф М Ф М
ф
f* Vі ф '1 2 "
Аре~ м
3 А ’ «7 -
м
..
ІЗ Ij li 'J
Проанализируйте ситуацию, связанную с принятием решения, и выработай
те соответствующее предложение.
6 . Решив купить автомобиль, человек сузил свой выбор до трех моделей: M l ,
М2 и М 3. Факторами, влияющими на его решение, являются: стоимость ав
томобиля (С), стоимость обслуживания (О), стоимость поездки по городу (Г)
и сельской местности (М). Следующая таблица содержит необходимые дан
ные, соответствующие трехгодичному сроку эксплуатации автомобиля.
Модель автомобиля С (долл.) О (долл.) Г (долл.) М (долл.)

М1 6 000 1800 4500 1500
М2. 8 000 1200 2250 750
М3 10 000 600 1125 600
Используйте указанны е стоимости для построения матриц сравнений. Оце

ните согласованность матриц и определите модель автомобиля, которую сле
дует выбрать.
14.2. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ РИСКА

Если решение принимается в условиях риска, то стоимости альтернативных ре
шений обычно описываются вероятностными распределениями. По этой причине
принимаемое решение основывается на использовании критерия ожидаемого значе
ния, в соответствии с которым альтернативные решения сравниваются с точки зре
ния максимизации ожидаемой прибыли или минимизации ожидаемых затрат. Такой
подход имеет свои недостатки, которые не позволяют использовать его в некоторых
ситуациях. Для них разработаны модификации упомянутого критерия. В этой главе
рассматриваются часто используемые подходы к принятию решений в условиях риска.
14.2.1. Критерий ожидаемого значения

Критерий ожидаемого значения сводится либо к максимизации ожидаемой
(средней) прибыли, либо к минимизации ожидаемых затрат. В данном случае
предполагается, что прибыль (затраты), связанная с каждым альтернативным ре
шением, является случайной величиной.
Дерево решений. В приведенном ниже примере рассматривается простая ситуа
ция, связанная с принятием решения при наличии конечного числа альтернатив
и точных значений матрицы доходов.
Пример 14.2.1
Предположим, что вы хотите вложить на фондовой бирже 10 ООО долл. в акции од
ной из двух компаний: А или В. А кции компании А являю тся рискованными, но
могут принести 50 % прибыли от суммы инвестиции на протяжении следующего
года. Если условия фондовой биржи будут неблагоприятны, сумма инвестиции
может обесцениться на 20 % . Компания В обеспечивает безопасность инвестиций
с 15 % прибыли в условиях повышения котировок на бирже и только 5 % — в ус
ловиях понижения котировок. Все аналитические публикации, с которыми можно
познакомиться (а они всегда есть в изобилии в конце года), с вероятностью 60 %
прогнозируют повышение котировок и с вероятностью 40 % — понижение котиро
вок. В какую компанию следует вложить деньги?
Информация, связанная с принятием решения, суммирована в следующей таблице.
Прибыль за один год от инвестиции 10 000 долл.
Альтернативные решения При повышении котировок (долл.) При понижении котировок (долл.)
Акции компании А 5000 -2 0 0 0

Акции компании В 1500 500
Вероятность события 0,6 0,4
Эта задача может быть такж е представлена в виде дерева решений, показанного на
рис. 14.4. На этом рисунке используется два типа вершин: квадратик представляет
"решающую” вершину, а круж ок — “случайную". Таким образом, из верш ины 1

(“решающая” ) выходят две ветви, представляющие альтернативы, связанные с по
купкой акций компании А или В. Далее две ветви, выходящие из “ случайны х”
вершин 2 и 3, соответствуют случаям повышения и понижения котировок на бирже
с вероятностями их появления и соответствующими платежами.
Повышение котироюк (0,6)
Инвестиции в
компанию А
Понижение котировок (0,4) _2qoo
Повышение котироюк (0,6) здд

Инвестиции в
компанию В
I Понижение котироюк (0,4)
Рис. 14.4. Дерево решений для задачи инвестирования

Исходя из схемы рис. 14.4 получаем ожидаемую прибыль за год для каждой из
двух альтернатив.
Для акций компанииЛ: 5000 х 0,6 + (-2000) х 0,4 = 2 200 (долл.).
Для акций компании В: 1500 х 0,6 + 500 х 0,4 = 1 100 (долл.).
Вашим решением, основанным на этих вычислениях, является покупка акций
компании А.
В теории принятия решений повышение и понижение котировок на бирже име

нуются состояниями природы, возможные реализации которых являю тся случай
ными событиями (в данном случае с вероятностями 0,6 и 0,4). В общем случае за
дача принятия решений может включать п состояний природы и т альтернатив.
Если Pj — вероятность j -го состояния природы, a at. — платеж, связанный с приня
тием решения і при состоянии природы j (г = 1 , 2 , ..., т, j = 1 , 2 , ..., п), тогда ож и
даемый платеж для решения і вычисляется в виде
= + аі2р2+ ... -baj),,, i = 1 , 2, ..., п,
где по определению p t + р 2 + ... + р п= 1 .
Наилучшим решением будет то, которое соответствует MV" = тах,{МУ)} или
MV’ =xm\i{MVj) , в зависимости от того, является ли платеж в задаче доходом
(прибылью) или убытком (затратами).
1. Вас пригласили на телевизионную игру Колесо фортуны. Колесо управляет

ся электронным образом с помощью двух кнопок, которые сообщают колесу
сильное (В) или слабое (Н) вращение. Само колесо разделено на равные об
ласти — белую (Б) и красную (К). Вам сообщили, что в белой области колесо
останавливается с вероятностью 0,3, а в красной — 0,7. Плата, которую вы
получаете за игру, равна (в долл.) следующему.
Б К
Н 800 200
В -2 5 0 0 1000
Изобразите соответствующее дерево решений.

2. Фермер Мак-Кой может выращивать либо кукурузу, либо соевые бобы. Веро
ятность того, что цены на будущий урожай этих культур повысятся, останутся
на том же уровне или понизятся, равна соответственно 0,25, 0,30 и 0,45. Если
цены возрастут, урожай кукурузы даст 30 000 долл. чистого дохода, а урожай
соевых бобов — 10 000 долл. Если цены останутся неизменными, Мак-Кой
лиш ь покроет расходы. Но если цены станут ниже, урожай кукурузы и соевых
бобов приведет к потерям в 35 000 и 5 000 долл. соответственно.
a) Представьте данную задачу в виде дерева решений.
b)Какую культуру следует выращивать Мак-Кою?
3. Допустим, у вас имеется возможность вложить деньги в три инвестиционных
фонда открытого типа: простой, специальный (обеспечивающий максималь
ную долгосрочную прибыль от акций мелких компаний) и глобальный. При
быль от инвестиции может измениться в зависимости от условий рынка. Суще
ствует 1 0 % -ная вероятность, что ситуация на рынке ценных бумаг ухудшится,
50% -ная — что рынок останется умеренным и 40% -ная — рынок будет воз-
растать. Следующая таблица содержит значения процентов прибыли от суммы
инвестиции при трех возможностях развития рынка.
Процент прибыли от инвестиции (%)
Альтернатива (фонды) Ухудшающийся рынок Умеренный рынок Растущий рынок
Простой +5 +7 +8
Специальный -1 0 +5 +30
Глобальный +2 +7 +20
a) Представьте задачу в виде дерева решений.

b ) Какой фонд открытого типа вам следует выбрать?
4. Предположим, у вас имеется возможность влож ить деньги либо в 7,5%-
ные облигации, которые продаются по номинальной цене, либо в специ
альны й фонд, который выплачивает лиш ь 1% дивидендов. Если существу
ет вероятность инф ляции, процентная ставка возрастет до 8 %, и в этом
случае номинальная стоимость облигаций увеличится на 1 0 % , а цена ак
ций фонда — на 20% . Если прогнозируется спад, то процентная ставка по
низится до 6 % . При этих условиях ож идается, что номинальная стоимость
облигаций поднимется на 5% , а цена акций фонда увеличится на 20% . Ес
ли состояние экономики останется неизменным, цена акций фонда увели
чится на 8 % , а номинальная стоимость облигаций не изменится. Экономи
сты оценивают в 20% шансы наступления инф ляции и в 15% —
наступление спада. Ваше решение относительно инвестиций принимается
с учетом экономических условий следующего года.
a) Представьте задачу в виде дерева решений.
b ) Будете ли вы покупать акции фонда или облигации?
5. Фирма планирует производство новой продукции быстрого питания в нацио

нальном масштабе. Исследовательский отдел убежден в большом успехе новой
продукции и хочет внедрить ее немедленно, без рекламной кампании на рынках
сбыта фирмы. Отдел маркетинга положение вещей оценивает иначе и предлагает
провести интенсивную рекламную кампанию. Такая кампания обойдется
в 100 ООО долл., а в случае успеха принесет 950 ОООдолл. годового дохода. В случае
провала рекламной кампании (вероятность этого составляет 30%) годовой доход
оценивается лишь в 200 000 долл. Если рекламная кампания не проводится вовсе,
годовой доход оценивается в 400 000 долл. при условии, что покупателям понра
вится новая продукция (вероятность этого равна 0 ,8 ), и в 200 000 долл. с вероят
ностью 0 , 2 , если покупатели останутся равнодушными к новой продукции.
a) Постройте соответствующее дерево решений.
b) Как должна поступить фирма в связи с производством новой продукции?
6. Симметричная монета подбрасывается три раза. Вы получаете один доллар за
каждое выпадение герба (Г) и дополнительно 0,25 доллара за каждые два по
следовательных выпадения герба (заметим, что выпадение ГГГ состоит из двух
последовательностей ГГ). Однако вам приходится платить 1,1 долл. за каждое
выпадение решки (Р). Вашим решением является участие или неучастие в игре.
a) Постройте соответствующее дерево решений для описанной игры.
b ) Будете ли вы играть в эту игру?
7. Предположим, у вас имеется возможность сыграть в игру следующего со
держания. Симметричная игральная кость бросается два раза, при этом воз
можны четыре исхода: 1 ) выпадает два четных числа, 2 ) выпадает два нечет
ных числа, 3) выпадает сначала четное, затем нечетное число, 4) выпадает
сначала нечетное, затем четное число. Вы можете делать одинаковые ставки
на два исхода. Например, вы можете поставить на два четных числа (исход 1)
и два нечетных (исход 2). Выигрыш на каж дый доллар, поставленный на
первый исход, равен 2 доллара, на второй и третий исходы — 1,95 доллара,
на четвертый — 1,50 доллара.
a) Постройте дерево решений для описанной игры.
b ) На какие исходы следует делать ставки?
c) Можно ли иметь стабильный выигрыш в этой игре?
8 . Ф ирма производит партии продукции с 0,8, 1, 1,2 и 1,4 % бракованных и з
делий с вероятностями 0,4, 0,3, 0,25 и 0,05 соответственно. Три потребите
ля А, В и С заклю чили контракт на получение партий изделий с процентом
некачественных изделий не выше 0,8, 1,2 и 1,4% соответственно. Фирма
штрафуется в сумме 10 0 0 долл. за каж дый пункт процента 3 в случае, если
процент некачественных изделий выше указанного. Наоборот, поставка пар
тий изделий с меньшим процентом бракованных изделий, чем оговорено
в контракте, приносит фирме прибыль в 500 долл. за каж дый пункт процен
та. Предполагается, что партии изделий перед отправкой не проверяются.
b) Какой из потребителей должен иметь наивысший приоритет при получе
нии своего заказа?
3 Пункт процента — это одна десятая процента. — Прим. ред.

9. Ф ирма планирует открыть новое предприятие в Арканзасе. В настоящее вре

мя имеется возможность построить либо крупное предприятие, либо неболь
шое, которое через два года можно будет расширить при условии высокого
спроса на выпускаемую им продукцию. Рассматривается задача принятия
решений на десятилетний период. Фирма оценивает, что на протяжении этих
1 0 лет вероятность высокого и низкого спроса на производимую продукцию
будет равна 0,75 и 0,25 соответственно. Стоимость немедленного строитель
ства крупного предприятия равна 5 млн. долл., а небольшого — 1 млн. долл.
Расширение малого предприятия через два года обойдется фирме в 4,2 млн.
долл. Прибыль, получаемая от функционирования производственных мощ
ностей на протяжении 1 0 лет, приводится в следующей таблице.
Ожидаемый доход за год (тыс. долл.)

Альтернатива Высокий спрос Низкий спрос
Крупное предприятие сейчас 1000 300

Небольшое предприятие сейчас 250 200
Расширенное предприятие через 2 года 900 200
a) Постройте соответствующее дерево решений, принимая во внимание, что

через два года фирма может либо расширить небольшое предприятие, ли
бо не расш ирять его.
b ) Сформулируйте стратегию строительства для фирмы на планируемый 10-
летний период. (Для простоты не принимайте во внимание возможную
инфляцию .)
10. Решите предыдущее упражнение, предположив, что ежегодная учетная ставка
равна 10 % и что решение принимается с учетом инфляции. (Совет. Для реше
ния задачи необходимы таблицы сложных процентных ставок.)
11. Реш ите упражнение 9, предположив, что спрос может быть высоким, сред
ним и низким с вероятностями 0,7, 0,2 и 0,1 соответственно. Расширение не
большого предприятия будет проведено лиш ь в том случае, если на протяже
нии первых двух лет спрос будет высоким. Следующая таблица содержит
данные о прибылях за год.
Ожидаемый доход за год (тыс. долл.)

Альтернатива Высокий спрос Средний спрос Низкий спрос
Крупное предприятие сейчас 1000 500 300

Небольшое предприятие сейчас 400 280 150
Расширенное предприятие через 2 года 900 600 200
12. Электроэнергетическая компания использует парк из 20 грузовых автомоби

лей для обслуживания электрической сети. Компания планирует периодиче
ский профилактический ремонт автомобилей. Вероятность поломки автомоби
л я в первый месяц равна нулю, во второй месяц — 0,03 и увеличивается на
0,01 для каждого последующего месяца, по десятый включительно. Начиная
с одиннадцатого месяца и далее, вероятность поломки сохраняется постоянной
на уровне 0,13. Случайная поломка одного грузового автомобиля обходится
компании в 200 долл., а планируемый профилактический ремонт в 75 долл.
Компания хочет определить оптимальный период (в месяцах) между плани

руемыми профилактическими ремонтами.
b) Определите оптимальную длину цикла для профилактического ремонта.
13. Ежедневный спрос на булочки в продовольственном магазине задается сле
дующим распределением вероятностей.
п 100 150 200 250 300
Рп 0,20 0,25 0,30 0,15 0,10
Магазин покупает булочку по 55 центов, а продает по 1,20 долл. Если булоч

ка не продана в тот же день, то к концу дня она может быть реализована за 25
центов. Величина запаса булочек может принимать одно из возможных зна
чений спроса, которые перечислены выше.
b ) Сколько булочек необходимо заказы вать ежедневно?
14. Пусть в предыдущем упражнении временной интервал, для которого необхо
димо решить задачу принятия решений, составляет два дня. Альтернативы для
второго дня зависят от объема реализации булочек в первый день. Если реали
зован в точности весь запас первого дня, магазин закажет такое же количество
булочек и на второй день. Если потребность в булочках в первый день пре
вышает имеющийся запас, то для второго дня магазин может заказать любой
из объемов спроса на булочки, который превышает запас первого дня. И на
конец, если в первый день реализовано меньше булочек, чем было закупле
но, то для второго дня магазин может заказать любой из объемов спроса на
булочки, который меньше запаса первого дня. Постройте соответствующее
дерево решений и определите оптимальную стратегию заказа.
15. Автомат производит а тысяч единиц некоего продукта ежедневно. Если а
увеличивается, доля брака р, будучи случайной величиной, возрастает в со
ответствии со следующей функцией плотности вероятности:
/ ( р ) = { а Ра"'’
[О в противном случае.
Каждое бракованное изделие приносит убыток в 50 долл., а качественное из

делие — прибыль в 5 долл.
a) Постройте дерево решений для этой задачи.
b) Определите значение а, при котором ожидаемая прибыль принимает м ак
симальное значение.
16. Наружный диаметр d цилиндра, производимого автоматом, имеет верхнее
и нижнее допустимые значения d + tv n d - t Lсоответственно. Производственный
процесс настроен так, что величина диаметра является нормально распределен
ной случайной величиной с математическим ожиданием ц и стандартным откло
нением а. Каждый цилиндр со значением диаметра, превышающим верхнее до
пустимое значение, доводится до нужных размеров за ct долл. Цилиндр, диаметр
которого меньше установленной нижней нормы, реализуется с убытком с2 долл.
Определите оптимальное значение настройки для автомата.
17. Критерий предельного уровня. Фирма для технических целей использует

в одном из своих производственных процессов химические препараты
(химикалии). Срок годности этих препаратов составляет один месяц, после
чего оставш аяся их часть уничтожается. Объем используемых фирмой хи
мических препаратов (в галлонах) является случайной величиной, изме
няющейся в соответствии со следующим распределением.
О, в противном случае.
Химикалии поступают в производство в начале каждого месяца. Фирма плани

рует определить количество химических препаратов, удовлетворяющих двум кон
фликтующим критериям (или предельным уровням): среднее число оставшихся
химикалий не должно превышать 20 галлонов в месяц, и среднее количество не
достающих химикалий не должно превышает 40 галлонов в месяц.
14.2.2. Другие критерии ожидаемого значения

В этом разделе рассматриваются две модификации критерия ожидаемого значе
ния. Первая состоит в определении апостериорных вероятностей на основе экспе
римента над исследуемой системой, вторая — в определении полезности реальной
стоимости денег.
Апостериорные вероятности Байеса. Распределения вероятностей, которые ис
пользуются при формулировке критерия ожидаемого значения, получаются, как
правило, из накопленной ранее информации (см. раздел 12.5). В некоторых случаях
оказывается возможным пересчитать эти вероятности с помощью текущей и/или по
лученной ранее информации, которая обычно основывается на исследовании выбо
рочных (или экспериментальных) данных. Получаемые при этом вероятности назы
вают апостериорными (или байесовскими), в отличие от априорных, полученных из
исходной информации. Следующий пример показывает, как рассмотренный в разде
ле 14.2.1 критерий ожидаемого значения можно модифицировать так, чтобы вос
пользоваться новой информацией, содержащейся в апостериорных вероятностях.
Пример 14.2.2
В примере 14.3.1 априорные вероятности 0,6 и 0,4 повышения и понижения котировок
акций на бирже были определены из наличных публикаций финансового характера.
Предположим, вместо того, чтобы полностью полагаться на эти публикации, вы реши
ли провести личное исследование путем консультаций с другом, который хорошо раз
бирается в вопросах, касающихся фондовой биржи. Друг высказывает общее мнение
“ за” или “ против” инвестиций. Это мнение в дальнейшем определяется количественно
следующим образом. При повышении котировок его мнение с 90%-ной вероятностью
будет “ за ” , при снижении котировок вероятность его мнения “ за ” уменьшится до
50 %. Каким образом можно извлечь пользу из этой дополнительной информации?
Мнение друга фактически представляет условные вероятности “ за-против” при
заданных состояниях природы в виде повыш ения и понижения котировок. Введем
следующие обозначения:
V, — мнение “ за” ,
і — мнение “ против” ,
т, — повышение котировок,
т2— понижение котировок.
Мнение друга можно записать в виде вероятностных соотношений следующим образом.
P{v, I/и,} = 0,9, P{v, | т2) = 0 , 1 ,
Р{і>2|/н,} = 0,5, P{ v2\ т2} = 0,5.
С помощью этой дополнительной информации задачу выбора решения можно
сформулировать следующим образом.
1. Если мнение друга “ з а ” , акции какой компании следует покупать — А или В?
2. Если мнение друга “ против” , то, опять-таки, — акции какой компании следует
покупать — А или В?
Рассматриваемую задачу можно представить в виде дерева решений, показанного
на рис. 14.5. Узлу 1 здесь соответствует случайное событие (мнение друга) с соот
ветствующими вероятностями “ за ” и “ против” . Узлы 2 и 3 представляют выбор
между компаниями А и В при известном мнении друга “ за” или “ против” соответ
ственно. Узлы 4 -7 соответствуют случайным событиям, связанным с повышением
и понижением котировок.
Повышение котировок (т;)
$5000
Р{т}|i>,} =0.730
Инвестиции в А
Понижение котировок (т2)
-$2000
Мнение "за" (v,) / >{m2|v]} =0.270
Повышение котировок (т,)
$1500
/ >{m!|v!} =0.730
Инвестиции в В
$500
Р{т2|vj> = 0.270
© Повышение котировок (mt)
$5000
Р{т j|v2> = 0.231
Инвестиции в А
-$2000
Мнение "против" (v2) Р{т2|v2} = 0.769
Повышение котировок (т,)
$1500
Р { т ^ 2} = 0 .2 3 1
Инвестиции в В
$500
P{m2\v2) = 0.769
Puc. 14.5. Дерево решений с апостериорными вероятностями
Для оценки различных альтернатив, показанных на рис. 14.5, необходимо вычис

лить апостериорные вероятности P{mt\vy}, указанные на соответствующих ветвях,
выходящ их из узлов 4 -7 . Эти апостериорные вероятности вычисляю тся с учетом

дополнительной информации, содержащейся в рекомендациях друга, с помощью
следующих действий.
Шаг 1. Условные вероятности Р{і>.|т(} для данной задачи запишем сле

V2
P{VjІ ті} — ff?1 0,9 0,1
m2 0,5 0,5
Шаг 2. Вычисляем вероятности совместного появления событий.

Р { т = P{vs\ т}Р{іПі} для всех і и j.
При заданных априорных вероятностях Р{т,} = 0,6 и Р{т2} = 0,4 ве
роятности совместного появления событий определяются умноже
нием первой и второй строк таблицы, полученной на шаге 1 , на 0,6
и 0,4 соответственно. В результате имеем следующее.
v2
Р{т„ V/) ■ Я?1 0,54 0,06
тг 0,20 0,20
Сумма всех элементов этой таблицы равна 1.

Ш агЗ. Вычисляем абсолютные вероятности.
р {у ;} = ^ vy} Для в с е х /
п о веем /
Эти вероятности получаются путем суммирования элементов соот

ветствующих столбцов таблицы, полученной на шаге 2. В итоге
имеем следующее.
РЫ P{v2)
0,74 0,26
Шаг 4. Определяем искомые апостериорные вероятности по формуле
р {щ К}=:
Эти вероятности вычисляются в результате деления каждого столбца

таблицы, полученной на шаге 2 , на элемент соответствующего столб
ца таблицы, вычисленной на шаге 3, что приводит к следующим ре
зультатам (округленным до трех десятичных знаков).
V2
m-i 0,730 0,231
тг 0,270 0,769
Это те вероятности, которые показаны на рис. 14.5. Они отличаются от исходных

априорных вероятностей Р{т^ = 0,6 и Р{т2} = 0,4.
Теперь можно оценить альтернативные решения, основанные на ожидаемых п ла
тежах для узлов 4 -7 .
М нение“з а ”
Доход от акций компании А в узле 4 = 5000 х 0,730 + (-2000) х 0,270 = 3110 (долл.).
Доход от акций компании В в узле 5 = 1500 х 0,730 + 500 х 0 ,2 7 0 = 1230 (долл.).
Решение. Инвестировать в акции компании А.
Мнение“против”
Доход от акций компании А в узле 6 = 5000 х 0,231 + (-2000) х 0,769 = -383 (долл.).
Доход от акций компании В в узле 7 = 1500 х 0,231 + 500 х 0,769 = 731 (долл.).
Решение. Инвестировать в акции компании В.
Заметим, что предыдущие реш ения эквивалентны утверждению, что ожидаемые
платы в узлах 2 и 3 равны 3110 и 731 долл. соответственно (рис. 14.5). Следова
тельно, при известных вероятностях P{v1} = 0,74 и P{v2} = 0,26, вычисленных на
шаге 3, можно определить ожидаемую плату для всего дерева решений
(упражнение 14.2.2.3).
Вычисление в Excel апостериорных вероятностей. Шаблон Excel chl4Bayes-

Posterior.xls вычисляет апостериорные вероятности для заданных матриц условных
вероятностей, которые не должны превышать размер 10x10. Для вычислений необ
ходимо задать вероятности Р{т} и P{u| т). Excel проверит входные данные на нали
чие ошибок и при их обнаружении выведет соответствующее сообщение. На рис. 14.6
показано применение шаблона для решения задачи примера 14.2.2.
А В С I.0 I E L М ■N ‘ ł
1 Bayes Posterior Probabilities
2 Input Data Output Results
3 |P{v|m} (10 x 10) maximum P{v,m}
4 P{m} j v1 v2 v1 v2
-5- ml 0 .6 1 0.9 0.1 0 5400 0 0600
де- m2 0 .4 1 0.5 0.5 0.2000 0 2000
15 Input Data Error Messages P{v}
16 0.7400 0.2600
17 Ш
' ш Щ Щ т В- P{m|v}
18 0.7297 0.2308
19 m2 0.2703 0.7692
Рис. 14.6. В ы ч и сл е н и е в E x c e l а п о ст ер и о р ны х ве
ро ят но ст ей д л я прим ера 14.2.2
1. Несмотря на сезон дождей, Джим Боб планирует завтра идти на рыбалку, но

только если не будет дождя. Из данных о погоде прошлых лет следует, что имеет
ся 70%-ная вероятность, что в сезон дождей будет идти дождь. В шесть часов ве
чера синоптики предсказали с 85% -ной вероятностью, что завтра будет дождь.
Следует ли Джиму Бобу планировать рыбалку на завтра?
2. Фирма “ Электра” получает 75 % электронных деталей от поставщика А

и 25 % — поставщика В. Доля брака в продукции поставщиков А и В составля
ет 1 и 2 % соответственно. При проверке пяти деталей из полученной партии
обнаружена лиш ь одна дефектная. Определите вероятность того, что партия
получена от поставщика А. Проведите аналогичные вычисления относительно
поставщика В. (П о д с к а з к а . Вероятность появления бракованной детали в пар
тии подчиняется биномиальному закону распределения.)
3. Предположим, что в задаче из примера 14.2.2 есть дополнительный выбор,
связанный с инвестированием 10 ООО долл. в надежный депозит, который
приносит 8 % прибыли. Совет вашего друга по-прежнему относится к инве
стированию через биржу.
b) Какое оптимальное решение в этом случае? (Совет. Используйте вероят
ности P{vy} и P{v2}, полученные на шаге 3 в примере 14.2.2, для вычисле
ния ожидаемой суммы инвестирования через биржу.)
4. Допустим, вы являетесь автором романа, который обещает быть популяр
ным. Вы можете либо самостоятельно напечатать роман, либо сдать его в из
дательство. Издательство предлагает вам 20 ООО долл. за подписание кон
тракта. Если роман будет пользоваться спросом, будет продано 200 000
экземпляров, в противном случае — лиш ь 10 000 экземпляров. Издательство
выплачивает авторский гонорар в сумме один доллар за экземпляр. Исследо
вание рынка, проведенное издательством, свидетельствует о том, что сущест
вует 70% -ная вероятность, что роман будет популярным. Если же вы сами
напечатаете роман, то понесете потери в сумме 90 000 долл., связанные с пе
чатанием и маркетингом, но в этом случае каж ды й проданный экземпляр
принесет вам прибыль в два доллара.
a) Принимая во внимание имеющуюся информацию, вы примете предложе
ние издательства или будете печатать роман самостоятельно?
b) Предположим, что вы заключили договор с литературным агентом на ис
следование, связанное с потенциальным успехом романа. Исходя из преды
дущего опыта, компания извещает вас, что если роман будет пользоваться
спросом, то исследование предскажет неверный результат в 20 % случаев.
Если же роман не станет популярным, то исследование предскажет верный
результат в 85 % случаев. Как эта информация повлияет на ваше решение?
5. Вернитесь к проблеме выбора решения фермером Мак-Коем из упражне
ния 14.2.1.2. Фермер имеет дополнительный выбор, связанный с использо
ванием земли к ак пастбища, что гарантированно принесет ему прибыль
в 7500 долл. Фермер получил такж е дополнительную информацию от броке
ра, касающуюся степени стабильности будущих цен на продукцию. Оценки
брокера “ благоприятный — неблагоприятный” выражаю тся количественно
в виде следующих условных вероятностей.
Зі аг
S1 0,15 0,85
Р{Щ I Si) = s2 0,50 0,50
S3 0,85 0,15
В данном случае а, и а 2— оценки брокера “ благоприятный” и “ небла

гоприятны й” , a s,, s 2 и s 3 представляют изменение в будущих ценах: соответ
ственно “ понижение” , “ такие ж е” , “ повышение” .
b) Найдите оптимальное решение задачи.
6. Пусть в упражнении 14.2.1.5 дирекция компании решила провести пробную
продажу своей продукции в выбранных населенных пунктах. Результатом
пробной продажи являются оценки “ хорошо” (а,) или “ плохо” (а2). Тест дает
следующие условные вероятности с проведением рекламной кампании и без нее.
Р{а/\ V,} с рекламной кампанией P{at-| v,} без рекламной кампании

3 -\ Й2 ć?2
V1 0,95 0,05 Wi 0,8 0,2

v2 0,3 0,7 Wz 0,4 0,6
Здесь у, и v2 обозначают соответственно “ успех” и “ неуспех” , a wr и w2 —

“ восприимчивый” и “ невосприимчивый” покупатель.
b ) Определите оптимальный план действий фирмы.
7. Статистические данные о работе компании показывают, что с вероятностью
5 % произведенная партия продукции будет неприемлемой (плохой). Плохая
партия содержит 15 % дефектных изделий, а хорошая — лиш ь 4 %. Пусть
значение переменной а = а х (= а2) обозначает, что партия изделий является
хорошей (плохой). Тогда соответствующие априорные вероятности равны со
ответственно Р{а = а,} = 0,95 и Р{а = а2} = 0,05.
Вместо того чтобы отправить партии продукции с характеристиками, осно
ванными на априорных вероятностях, из каждой партии проверяются два
изделия. Возможны следующие результаты проверки.
Оба изделия являю тся качественными (s,).
Одно изделие является качественным (s2).
Оба изделия являю тся бракованными (s3).
a) Определите апостериорные вероятности P{at \ s }, і = 1, 2; / = 1, 2, 3.
b) Предположим, что фирма отправляет партии продукции двум потребите
лям А и В. Контракты с ними определяют, что процент бракованных из
делий в поставках не должен превышать 5 и 8 % соответственно. Преду
сматривается штраф в 10 0 долл. за превышение на один процент
максимально допустимого лимита бракованных изделий. Поставка пар
тий лучшего качества, чем указано в контракте, приносит производителю
прибыль в 80 долл. за каж ды й процент уменьшения доли бракованных
изделий. Постройте соответствующее дерево решений и определите при
оритетную стратегию отправки партий продукции.
Ф ункции полезности. В предыдущих примерах критерий ожидаемого значения

применялся лиш ь в тех ситуациях, где платежи выражались в виде реальных де
нег. Зачастую возникают ситуации, когда при анализе следует использовать скорее
полезность, чем реальную величину платежей. Д ля демонстрации этого предпо

ложим следующее. Существует шанс 50 на 50, что инвестиция в 20 ООО долл. или
принесет прибыль в 40 ООО долл., или будет полностью потеряна. Соответствующая
ожидаемая прибыль равна 40000 х 0,5 - 20000 х 0,5 = 10000 долл. Хотя здесь ожи
дается прибыль в виде чистого дохода, разные люди могут по-разному интерпрети
ровать полученный результат. Инвестор, который идет на риск, может вложить
деньги, чтобы с вероятностью 50 % получить прибыль в 40 000 долл. Наоборот, ос
торожный инвестор может не выразить ж елания рисковать потерей 2 0 000 долл.
С этой точки зрения очевидно, что разные индивидуумы проявляют разное отно
шение к риску, т.е. они проявляют разную полезность по отношению к риску.
Определение полезности является субъективным. Оно зависит от нашего отноше
ния к риску. В этом разделе мы представляем систематизированную процедуру чи
словой оценки отношения к риску лица, принимающего решение. Конечным резуль
татом является функция полезности, которая занимает место реальных денег.
В примере, приведенном выше, наилучш ий платеж равен 40 000 долл., а наи
худш ий ------20 000 долл. Мы устанавливаем произвольную (но логически обос
нованную) ш калу полезности U, изменяю щ уюся от 0 до 1 0 0 , где 0 соответствует
полезности -2 0 000, а 1 0 0 — 40000, т.е. Щ -20000) = 0 и {/(40000)= 100. Далее
определяем полезность в точках между -2 0 0 0 0 и 40000 для определения общего
вида функции полезности.
Если отношение лица, принимающего решение, беспристрастно к риску, то ре
зультирующая функция полезности является прямой линией, соединяющей точки
(0, -20000) и (100, 40000). В этом случае как реальные деньги, так и их полезность
дают совпадающие решения. В более реальных ситуациях функция полезности мо
жет принимать другой вид, отражающий отношение к риску лица, принимающего
решение. На рис. 14.7 иллюстрируется вид функции полезности для трех индиви
дуумов X , Y и Z. Индивидуум X не расположен к риску (осторожен), так как прояв
ляет большую чувствительность к потере, чем к прибыли. Индивидуум Z — противо
положность в этом отношении индивиду X; он настроен на риск. Это следует из того,
что для индивидуума X при изменении в 10 000 долл. вправо и влево от точки, соот
ветствующей 0 долларов, увеличение прибыли изменяет полезность на величину ab,
которая меньше изменения полезности Ьс, обусловленной потерями такой же вели
чины, т.е. ab < be. В то же время такие же изменения в ±10000 долл., относящиеся к
индивидууму Z, обнаруживают противоположное поведение; здесь de > ef. Далее, ин
дивидуум У является нейтральным к риску, так как упомянутые изменения порож
дают одинаковые изменения полезности. В общем случае индивидуум может быть
как не расположен к риску, так и настроен на риск, в зависимости от суммы риска.
В этом случае соответствующая кривая полезности будет иметь вид удлиненной буквы S.
Кривые полезности, аналогичные изображенным на рис. 14.7, определены с по
мощью количественного показателя, характеризующего отношение к риску лица,
принимающего решение, для различных значений уровня реальных денег в пределах
установленного интервала. Так в рассмотренном примере установленным интервалом
является (-20000,40000), соответствующая полезность изменяется в интервале
(0,100). Необходимо определить полезность, соответствующую таким промежуточ
ным значениям, как например, -1 0 000, 0, 10 000, 20 000 или 30 000. Соответствую
щ ая процедура построения функции полезности начинается с того, что организовы
вается лотерея для определения суммы реальных денег х, для которой ожидаемое
значение полезности будет вычислено по следующей формуле.
U(x) = p t/(-2 0 0 0 0 ) + (1 т р)С/(40000) = 0 р + 100(1 - р ) = 100 - 100р, 0 < р < 1 .
Рис. 14.7. Ф у н к ц и я п о лезн о ст и д л я л и ц , по-разном у

о т н о сящ и х с я к р и с к у
Для определения значения U(x) просят лицо, принимающее решение, сообщить

свое предпочтение между гарантированной наличной суммой х и возможностью
сыграть в лотерею, в которой с вероятностью р реализуется проигрыш в сумме
20000 долл. и с вероятностью 1 - р имеет место выигрыш в 40000 долл. При этом
под предпочтением понимается выбор значения “ нейтральной” вероятности р, при
котором, с точки зрения лица, принимающего решение, возможности сыграть в ло
терею и получить гарантированную сумму х являются одинаково привлекатель
ными. Например, если х = 20000 долл., лицо, принимающее решение, может зая
вить, что гарантированные 2 0 0 0 0 долл. наличными и лотерея одинаково
привлекательны при р = 0,8. В этом случае вычисляется полезность для х —20000
последующей формуле.
1/( 2 0 0 0 0 ) = 1 0 0
- 10 0 х 0 ,8 = 2 0 .
Эта процедура продолжается до тех пор, пока не будет получено достаточное ко
личество точек (х, U(x)) для определения формы функции полезности. Затем мож
но определить искомую функцию полезности путем регрессионного анализа или
просто линейной интерполяции между полученными точками.
Хотя здесь применяется количественная процедура для определения функции по
лезности, сам подход далек от того, чтобы быть научно обоснованным. То, что процеду
ра полностью определяется мнением лица, принимающего решение, порождает сомне
ния относительно надежности описанного процесса. Процедура, в частности, неявно
предполагает, что лицо, принимающее решение, является рационально мыслящим —
требование, которое не всегда может быть согласовано с вариациями в поведении
и настроении, что является типичным для человеческой личности. В этом отношении
лицо, принимающее решение, должно придерживаться концепции полезности в ш и
роком смысле, в соответствии с которой денежные величины не должны быть единст
венным решающим фактором в теории принятия решений.
1. Допустим, вы — студент университета ш тата Арканзас, и имеете сильное
желание присутствовать на следующем баскетбольном матче. Проблема
в том, что входной билет стоит 10 долл., а у вас есть лиш ь 5 долл. Вы можете
рискнуть 5 долл. в игре в покер с шансами 50 на 50 удвоить свою сумму или
совсем ее проиграть.
a) Будете ли вы, исходя из реальной стоимости денег, искушать судьбу, иг
рая в покер?
b ) У читывая ваше сильное желание присутствовать на матче, переведите на
личные деньги в функцию полезности.
c) Основываясь на функции полезности, которую вы построили, примете ли
вы участие в игре в покер?
2. Семья переехала в местность, где возможны землетрясения, и собирается по
строить дом. Решается вопрос, стоит ли строить дом в соответствии с высо
кими стандартами, рассчитанными на сейсмическую зону. Строительство
дома в соответствии с такими стандартами обойдется в 850 ООО долл., а без их
учета — в 350 000 долл. В случае землетрясения (его вероятность равна
0 , 0 0 1 ) восстановление дома, построенного без соответствующих стандартов,
обойдется в 900 000 долл. Примените в этой ситуации рассмотренную выше
процедуру использования лотереи, предполагая, что ш кала полезности из
меняется от 0 до 1 0 0 .
3. Инвестиция в 10 000 долл. в предприятие с высоким уровнем риска имеет
шанс 50 на 50 увеличить эту сумму до 14 000 долл. на протяжении следую
щего года либо уменьшить ее до 8 000 долл. Это значит, что чистый доход со
ставит либо 4000 долл., либо -2 0 0 0 долл.
a) Принимая позицию нейтрального к риску инвестора и ш калу полезности
от 0 до 1 0 0 , определите полезность 0 долл. чистого дохода и соответст
вующую “ нейтральную” вероятность.
b) Пусть два инвестора А и В определили следующие “ нейтральны е” веро
ятности.
Вероятность
Чистая прибыль (долл.) Инвестор А Инвестор В
-2 0 0 0 1,00 1,00
-1 0 0 0 0,30 0,90
0 0,20 0,80
1000 0,15 0,70
2000 0,10 0,50
3000 0,05 0,40
4000 0,00 0,00
Нарисуйте графики функций полезности для инвесторов А и Б и охарак

теризуйте их отношение к риску.
с) Пусть инвестор А может вложить деньги в одно из двух рискованных
предприятий: I или II. И нвестиция в предприятие I может принести
прибы ль в сумме 3000 долл. с вероятностью 0,4 или убыток в 1000 долл.
с вероятностью 0,6. Инвестиция в предприятие II может принести при

быль в 2 0 0 0 долл. с вероятностью 0 ,6 или вовсе не принести прибыли с ве
роятностью 0,4. Используя функцию полезности инвестора А, построен
ную в предыдущем пункте, и критерий ожидаемой полезности,
определите предприятие, которое следует выбрать инвестору А. Каково
ожидаемое денежное значение, соответствующее выбранному предпри
ятию (используйте линейную интерполяцию функции полезности)?
d) Повторите упражнение предыдущего пункта для инвестора В.
14.3. ПРИНЯТИЕ РЕШЕНИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

Принятие решений в условиях неопределенности, как и в условиях риска, тре
бует определения альтернативных действий, которым соответствуют платежи, за
висящие от (случайных) состояний природы. Матрицу платежей в задаче принятия
решений с т возможными действиями и п состояниями природы можно предста
вить следующим образом.
S1 s2 Sn
31 И31, S i) Ка,, s2) v(a1, sn)
32 i/(a2, si) v(a2, s2) v(a2, sn)
Зт v(am, s i ) v{3m, S2) lĄ&m, Sn)
Элемент а, представляет i-e возможное решение, а элемент — у-е состояние природы.

Плата (или доход), связанная с решением а, и состоянием s;, равна v(at, s).
Отличие между принятием решений в условиях риска и неопределенности со
стоит в том, что в условиях неопределенности вероятностное распределение, соот
ветствующее состояниям S]t j = 1 ,2 , ..., п, либо неизвестно, либо не может быть оп
ределено. Этот недостаток информации обусловил развитие следующих критериев
для анализа ситуации, связанной с принятием решений.
1. Критерий Лапласа.
2. М инимаксный критерий.
3. Критерий Сэвиджа.
4. Критерий Гурвица.
Эти критерии отличаются по степени консерватизма, который проявляет индиви
дуум, принимающий решение, перед лицом неопределенности.
Критерий Л апласа опирается на принцип недостаточного основания4, который
гласит, что, поскольку распределение вероятностей состояний P(st) неизвестно, нет
причин считать их различными. Следовательно, используется оптимистическое
предположение, что вероятности всех состояний природы равны между собой, т.е.
?{s,} = P{s2} = ... = P{sJ = 1/п. Если при этом v(at, s ) представляет получаемую при
быль, то наилучшим решением является то, которое обеспечивает
4 Этот принцип впервые сформулирован Я. Бернулли. — Прим. перев.

Если величина и(а,, sy) представляет расходы лица, принимающего решение, то

оператор “ m ax” заменяется на “ m in” .
М аксиминный (минимаксный) критерий основан на консервативном осторож
ном поведении лица, принимающего решение, и сводится к выбору наилучшей
альтернативы из наихудш их. Если величина и(а,, s;) представляет получаемую при
быль, то в соответствии с максиминним критерием в качестве оптимального выби
рается решение, обеспечивающее
т Ь * П1'(а1’*')}'
Если величина v(at, s.) представляет потери, используется минимаксный критерий,
который определяется следующим соотношением.
Критерий Сэвиджа стремится смягчить консерватизм минимаксного (максиминного)

критерия путем замены матрицы платежей (выигрышей или проигрышей) v(at, s) мат
рицей потерь Ąat, sy), которая определяется следующим образом.
ma x j v ( a t , sy) } - если v -д о х о д ,
r{ a i'si) '
v (a f , i / ) - m i n { v ( a ł , i / )}, если v -по тер и .
Чтобы показать, как критерий Сэвиджа “ смягчает” минимаксный (максиминный)

критерий, рассмотрим следующую матрицу платежей u(a,, s.):
S1 S2 М а к с и м у м стр ок
аі 11 ООО 90 11 0 0 0
а2 10 0 0 0 10 0 0 0 10 000 < - м иним акс
Применение минимаксного критерия приводит к тому, что решение а 2 с фикси

рованными потерями в 10000 долл. является предпочтительным. Однако можно вы
брать и а,, так как в этом случае существует возможность потерять лишь 90 долл., ес
ли реализуется состояние s2, при потенциальном выигрыше 1 1 000 долл.
Посмотрим, какой результат получится, если в минимаксном критерии вместо
матрицы платежей v(a,, sy) использовать матрицу потерь r(a,,sy).
s^ S2 М а к си м ум стр ок
аі 1000 0 1000 < - м инимакс
аг 0 9910 9910
Как видим, минимаксный критерий, применяемый к матрице потерь, приводит

к выбору реш ения а, в качестве предпочтительного.
Рассмотрим теперь критерий Гурвица. Этот критерий охватывает ряд различных
подходов к принятию решений — от наиболее оптимистичного до наиболее пессими
стичного (консервативного). Пусть 0 < а< 1 и величины v(a,, s.) представляют доходы.
Тогда решению, выбранному по критерию Гурвица, соответствует
max|amaxv(a/,s/ ) + (l -a)m inv(ai,sy)|.
Параметр а — показатель оптимизма. Если а = 0, критерий Гурвица становится кон

сервативным, так как его применение эквивалентно применению обычного мини
максного критерия. Если а = 1, критерий Гурвица становится слишком оптимистич
ным, ибо рассчитывает на наилучшие из наилучших условий. Мы можем
конкретизировать степень оптимизма (или пессимизма) надлежащим выбором вели
чины а из интервала [0 ,1 ]. При отсутствии ярко выраженной склонности к оптимиз
му или пессимизму выбор а = 0,5 представляется наиболее разумным.
Если величины и(а,, s.) представляют потери, то критерий принимает следую
щий вид:
т т | а т т у ( а ;^ ; ) + (1 -а ) т а х у ( а ,^ ) > .
Пример 14.3.1
Национальная школа выживания подбирает место для строительства летнего лагеря
в центре Аляски в целях тренировки людей на выживание в условиях дикой приро
ды. Ш кола считает, что число участников сбора может быть 200, 250, 300 или 350
человек. Стоимость летнего лагеря будет минимальной, поскольку он строится для
удовлетворения только определенных небольших потребностей. Отклонения в сторо
ну уменьшения или увеличения относительно идеальных уровней потребностей вле
кут за собой дополнительные затраты, обусловленные строительством избыточных
(неиспользуемых) мощностей или потерей возможности получить прибыль в случае,
когда некоторые потребности не удовлетворяются. Пусть переменные а ,-а 4 представ
ляют возможные размеры лагеря (на 200, 250, 300 или 350 человек), а переменные
s - s 4 — соответствующее число участников сбора. Следующая таблица содержит мат
рицу стоимостей (в тысячах долларов), относящуюся к описанной ситуации.
S1 S2 S3 S4
ai 5 10 18 25
a2 8 7 12 23
аз 21 18 12 21
34 ЗО 22 19 15
Описанная ситуация анализируется с точки зрения четырех рассмотренных выше

критериев.
Критерий Л апласа. При заданных вероятностях P{s) = 1/4, j = 1, 2, 3, 4, ожидае
мые значения затрат для различных возможных решений вычисляются следую
А/{а,} = (1/4)(5 + 10 + 18 + 25) = 14 500,
М{а2] = (1/4)(8 + 7 + 12 + 23) = 12 500 «- Оптимум,
М{а3) = (1/4)(21 + 18 + 12 + 21) = 18 000,
М{а4) = (1/4)(30 + 22 + 19 + 15) = 21 500.
Минимаксный критерий. Этот критерий использует исходную матрицу стоимостей.

Si S2 S3 są Максимум строк
ai 5 10 18 25 25
a2 8 7 12 23 23
a3 21 18 12 21 21 <- минимакс
34 30 22 19 15 30
Критерий Сэвиджа. Матрица потерь определяется посредством вычитания чисел 5

7, 12 и 15 из элементов столбцов от первого до четвертого соответственно. Следова
тельно,
S1 S2 S 3 S4 Максимум строк
ai 0 3 6 10 10
32 3 0 0 8 8 <- минимакс
аз 16 11 0 6 16
34 25 15 7 0 25
Критерий Гурвица. Результаты вычислений содержатся в следующей таблице.

Альтернатива Минимум строк Максимум строк «(минимум строки) + (1 - ^(максимум строки)
ai 5 25 25 - 2 0 а
82 7 23 23-1 6 а
ГО
со
аз 12 21
I
34 15 30 30-1 5 а
Используя подходящее значение для а, можно определить оптимальную альтерна

тиву. Например, при а = 0,5 оптимальными являю тся либо альтернатива а,, либо
а2, тогда как при а = 0,25 оптимальным является решение а3.
Реализация в Excel критериев принятия решений в условиях неопределенности.

Шаблон Excel chl4UncertainlyDecision.xls можно использовать для вычисления всех
критериев, описанных выше. Основой вычислений служит матрица затрат
(диапазон В9:К19). Если надо использовать матрицу выигрышей, то все элементы
этой матрицы надо умножить на -1 . Максимальный размер матриц 10x10. На
рис. 14.8 показано применение этого шаблона к данным примера 14.3.1.
1. Хенк — прилежный студент, который обычно получает хорошие отметки

благодаря, в частности, тому, что имеет возможность повторить материал
в ночь перед экзаменом. Перед завтрашним экзаменом Хенк столкнулся с не
большой проблемой. Его сокурсники организовали на всю ночь вечеринку,
в которой он хочет участвовать. Хенк имеет три альтернативы:
а, — участвовать в вечеринке всю ночь,
а 2 — половину ночи участвовать в вечеринке, а половину — учиться,
а 3 — учиться всю ночь.
D Е L М
Decision Under Uncertainty_____
Enter x to select method: Output Results
Laplace
Minimax
Savage
Hurwicz Optimum strategies
7 'input (cost) Matrix: Maximum size = (10x10) a2 a3 a2 a2
8 81 s2 s3 s4 Laplace Minimax Savage Hurwicz
9 a1 5 10 18 25 14 5 25 10 15
10 a2 8 7 12 23 12 5 23 8 15
11 a3 21 18 12 21 18 21 16 165
12 a4 30 22 19 15 21 5 30 25 22 5
13
Р и с. 14.8. Р еш ен и е в E x c e l пр и м ер а 14.3.1
Профессор, принимаю щ ий завтраш ний экзамен, непредсказуем, и экзамен

может быть легким ( s j , средним (s2) или трудным (s3). В зависимости от
сложности экзамена и времени, затраченного Хенком на повторение, можно
ож идать следующие экзаменационные баллы.
S1 S2 S3
ai 85 60 40
a2 92 85 81
a3 100 88 82
a) Порекомендуйте Х енку, какой выбор он долж ен сделать (основываясь на

каж дом из четырех критериев п рин яти я реш ений в условиях неопреде
ленности).
b ) Предположим, что Хенк более заинтересован в оценке (в буквенном вы
раж ении), которую он получит на экзамене. Буквенным оценкам от А до
D, означаю щ им сдачу экзамена, соответствует 90, 80, 70 и 60 баллов.
Иначе при числе баллов ниж е 60 студент получает оценку F, которая сви
детельствует о том, что экзамен не сдан. Изменит ли такое отношение
к оценкам выбор Х енка?
2. В приближении посевного сезона фермер Мак-Кой имеет четыре альтернативы:
а, — выращ ивать кукурузу,
а 2 — выращ ивать пшеницу,
а 3 — вы ращ ивать соевые бобы,
а 4 — использовать землю под пастбища.
П латеж и, связанны е с указанны ми возможностями, зависят от количества
осадков, которые условно можно разделить на четыре категории:
Sj — сильные осадки,
s 2 — умеренные осадки,
s 3 — незначительные осадки,
s 4 — засуш ливы й сезон.
П латеж н ая м атрица (в тыс. долл.) оценивается следующим образом.
S1 S2 S3 S4
зі -2 0 60 30 -5
a2 40 50 35 0
з3 -5 0 100 45 -1 0
ад 12 15 15 10
Что должен посеять Мак-Кой?

3. Один из N станков должен быть выбран для изготовления Q единиц опреде
ленной продукции. М инимальная и максимальная потребность в продукции
равна Q* и Q соответственно. Производственные затраты ТС, на изготовле
ние Q единиц продукции на станке і включают фиксированные затраты Kt
и удельные затраты с, на производство единицы продукции и выражаются
формулой ТС, = К, + c,Q.
a) Решите задачу с помощью каждого из четырех критериев принятия ре
шений в условиях неопределенности.
b) Решите задачу при следующих данных, предполагая, что 1000 <Q < 4000.
С тано к/ К, (долл.) с, (долл.)
1 100 5
2 40 12
3 150 3
4 90 8
14.4. ТЕОРИЯ ИГР

В теории игр рассматриваются ситуации, связанные с принятием решений, в кото
рых два разумных противника имеют конфликтующие цели. К числу типичных при
меров относится рекламирование конкурирующих товаров и планирование военных
стратегий противоборствующих армий. Эти ситуации принятия решений отличаются
от рассмотренных ранее, где природа не рассматривается в роли недоброжелателя.
В игровом конфликте участвуют два противника, именуемые игроками, каждый
из которых имеет некоторое множество (конечное или бесконечное) возможных вы
боров, которые называются стратегиями. С каждой парой стратегий связан платеж,
который один из игроков выплачивает другому. Такие игры известны как игры двух
лиц с нулевой суммой, так как выигрыш одного игрока равен проигрышу другого.
В такой игре достаточно задать результаты в виде платежей для одного из игроков.
При обозначении игроков через А и Б с числом стратегий т и п соответственно игру
обычно представляют в виде матрицы платежей игроку А:
е. Вг Вп
*1 ап 312 ащ
Аг 321 322 a2n
Ат am i 3/л2 amn
Такое представление матричной игры означает, что если игрок А использует

стратегию і, а игрок Б — стратегию /, то платеж игроку А составляет a:j и, следова
тельно, игроку Б ----- а1Г
14.4.1. Оптимальное решение игры двух лиц с нулевой суммой

Поскольку игры берут свое начало в конфликте интересов, оптимальным решени
ем игры является одна или несколько таких стратегий для каждого из игроков, при
этом любое отклонение от данных стратегий не улучшает плату тому или другому иг
року. Эти решения могут быть в виде единственной чистой стратегии или нескольких
стратегий, которые являются смешанными в соответствии с заданными вероятно
стями. Рассматриваемые ниже примеры демонстрируют перечисленные ситуации.
Пример 14.4.1
Две компании А и В продают два вида лекарств против гриппа. Компания А реклами
рует продукцию на радио ( А { ) , телевидении ( А 2) и в газетах ( А 3) . Компания В , в допол
нение к использованию радио (5,), телевидения ( В 2) и газет ( В 3) , рассылает такж е по
почте брошюры ( B J . В зависимости от умения и интенсивности проведения рек
ламной кампании, каж дая из компаний может привлечь на свою сторону часть
клиентов конкурирующей компании. Приведенная ниже матрица характеризует
процент клиентов, привлеченных или потерянных компанией А .
в, Вг S3 Bt Минимумы строк
Аі 8 - 2 9 -3 -3
А> 6 5 6 8 5 максимин
Лз -2 4 -9 5 -9
Максимумы столбцов 8 5 9 8
минимакс
Решение игры основано на обеспечении наилучшего результата из наихудших для

каждого игрока. Если компания А выбирает стратегию At, то, независимо от того, что
предпринимает компания В, наихудшим результатом является потеря компанией А
3 % рынка в пользу компании В. Это определяется минимумом элементов первой
строки матрицы платежей. Аналогично при выборе стратегии Аг наихудшим исходом
для компании А является увеличение рынка на 5 % за счет компании В. Наконец, наи
худшим исходом при выборе стратегии А3 является потеря компанией А 9 % рынка
в пользу компании В. Эти результаты содержатся в столбце "Минимумы строк” . Чтобы
достичь наилучшего результата из наихудших, компания А выбирает стратегию А2,
так как она соответствует наибольшему элементу столбца “ Минимумы строк” .
Рассмотрим теперь стратегии компании В. Так как элементы матрицы являю тся
платежами компании А, критерий наилучшего результата из наихудших для
компании В соответствует выбору минимаксного значения. В результате приходим
к выводу, что выбором компании В является стратегия В2.
Оптимальным решением в игре является выбор стратегий А2 и В2, т.е. обеим компа
ниям следует проводить рекламу на телевидении. При этом выигрыш будет
в пользу компании А, так как ее рынок увеличится на 5 %. В этом случае говорят,
что цена игры равна 5 % и что компании А и В используют стратегии,
соответствующие седловой точке.
Решение, соответствующее седловой точке, гарантирует, что ни одной компании

нет смысла пытаться выбрать другую стратегию. Действительно, если компания В
переходит к другой стратегии (5,, Вг или Bt), то ком пания А может сохранить свой
выбор стратегии Аг, что приведет к большей потере ры нка компанией В (6 или 8 %).
По тем же причинам компании А нет резона использовать другую стратегию, ибо
если она применит, например, стратегию А3, то компания В может использовать
свою стратегию Вг и увеличить свой рынок на 9 % . Аналогичные выводы имеют ме
сто, если компания А будет использовать стратегию А,.
Оптимальное решение игры, соответствующее седловой точке, не обязательно
должно характеризоваться чистыми стратегиями. Вместо этого оптимальное реше
ние может требовать смешивания случайным образом двух или более стратегий,
к ак это сделано в следующем примере.
Пример 14.4.2
Два игрока А и В играют в игру, основанную на подбрасывании монеты. Игроки од
новременно и независимо друг от друга выбирают герб (Г) или реш ку (Р). Если ре
зультаты двух подбрасываний монеты совпадают (т.е. ГГ или РР), то игрок А полу
чает оди н доллар от игрока В. Иначе игрок А платит один доллар игроку В.
Следующая матрица платежей игроку А показывает величины минимальных эле
ментов строк и максимальных элементов столбцов, соответствующих стратегиям
обоих игроков.
Вг Вр Минимумы строк
Аг 1 -1 -1
Ар -1 1 -1
Максимумы столбцов 1 1
М аксиминная и м иним аксная величины (цены) для этой игры равны -1 долл. и 1
долл. соответственно. Т ак к а к эти величины не равны между собой, игра не имеет
реш ения в чистых стратегиях. В частности, если игрок А использует стратегию
А Г, игрок В выберет стратегию Вр, чтобы получить от игрока А один доллар. Если
это случится, игрок А может перейти к стратегии Ар, чтобы изменить исход игры
и получить один доллар от игрока 5. Постоянное искуш ение каждого игрока пе
рейти к другой стратегии указывает на то, что реш ение в виде чистой стратегии
неприемлемо. Вместо этого оба игрока долж ны использовать надлежащ ую слу
чайную комбинацию своих стратегий. В рассматриваемом примере оптимальное
значение цены игры находится где-то между максиминной и минимаксной цена
ми для этой игры:
максиминная (ниж няя) цена < цена игры < минимаксная (верхняя) цена.
Следовательно, в данном случае цена игры должна леж ать в интервале [-1 , 1], из
меряемом в долларах.
1. Определите решение, определяемое седловой точкой, соответствующие чис
тые стратегии и цену игры для следующих игр, в которых платежи заданы
для игрока А.
а)
б, б2 Вз в4
а, 8 6 2 8
Аг 8 9 4 5
Аз 7 5 3 5
Ь)
б, Вг Вз б4
А, 4 -4 -5 6
Аг -3 -4 -9 -2
Аз 6 7 -8 -9
Aą 7 3 -9 5
2. В следую щ их играх заданы платеж и игроку А. У каж и те область значений

для параметров р и q, при которы х пара ( 2 , 2 ) будет седловой точкой
в каж дой игре,
а)
б, бг Вз
А, 1 Я 6
Аг Р 5 10
Аз 6 2 3
Ь)
б, бг Вз
А, 2 4 5
Аг 10 7 Я
Аз 4 Р 6
3. Укажите область, которой принадлежит цена игры в каждом из следующих

случаев, предполагая, что платежи заданы для игрока А.
а)
б. Вг Вз б,
А, 1 9 6 0
Аг 2 3 8 4
Аз -5 -2 10 -3
Ад 7 4 -2 -5
Ь)
б, Вг бз б4
/>1 -1 9 6 8
Аг -2 10 4 6
Аз 5 3 0 7
Aą 7 -2 8 4
с)
d)
б. Вг Вз Bą
А, 3 7 1 3
4 8 0 -6
Лз 6 -9 -2 4
4. Две фирмы производят два конкурирующ их товара. Каждый товар в на

стоящее время контролирует 50 % рынка. Улучшив качество товаров, обе
фирмы собираются развернуть рекламные кампании. Если они не будут этого
делать, то существующее состояние ры нка не изменится. Однако если какая-
либо фирма будет более активно рекламировать свои товары, то другая фир
ма потеряет соответствующий процент своих потребителей. Исследование
рынка показывает, что 50 % потенциальных потребителей получают инфор
мацию посредством телевидения, 30 % — через газеты и 20 % — по радио.
a) Сформулируйте задачу в виде игры двух лиц с нулевой суммой и выберите
подходящие средства рекламы для каж дой фирмы.
b) У каж ите интервал значений, которому принадлежит цена игры. Может
ли каж д ая фирма действовать с единственной чистой стратегией?
5. Пусть atj — (і, })-й элемент платежной матрицы с т стратегиями игрока .Аи п
стратегиями игрока В. Элементы платежной матрицы представляют собой
платежи игроку А. Докажите, что
шах min au < min max a„.
і І І I
14.4.2. Решение матричных игр в смешанных стратегиях

Решение матричных игр в смешанных стратегиях может быть найдено либо
графически, либо методами линейного программирования. Графический метод
применим для решения игр, в которых хоть один игрок имеет две чистые страте
гии. Этот метод интересен в том плане, что графически объясняет понятие седловой
точки. Методами линейного программирования может быть решена любая игра
двух лиц с нулевой суммой.
Графическое реш ение игр. Рассмотрим игру 2 х п, в которой игрок А имеет две
стратегии.
У1 уг - Уп
а Вг ... Вп
XV. Ах Я11 Зі2 ... Зіп
1 —xi : А2 321 322 ••• 32п
Игра предполагает, что игрок А смешивает стратегии А х и А г с соответствующи

ми вероятностями х г и 1 —л:,, 0 < x i < 1. Игрок В смешивает стратегии В,, В2, ..., Вп
с вероятностями і/,, уг, ..., уп, где ^ > 0 , j = 1, 2, ..., п, и у 1+ уг + . . . + у п= 1. В этом
случае ожидаемый выигрыш игрока А , соответствующий j -й чистой стратегии иг
рока В, вычисляется в виде
( а а ~ а г ) x i ~ a 2j’ j = 1 ’ 2>
Следовательно, игрок .А ищет величину x v которая максимизирует минимум ожи
даемых выигрышей
max rnin|(aly
Пример 14.4.3
Рассмотрим следующую игру 2x4, в которой платежи выплачиваю тся игроку А.
S, Вг Вз 64
А, 2 2 3 -1
А2 4 3 2 6
Игра не имеет решения в чистых стратегиях, и, следовательно, стратегии должны

быть смешанными. Ожидаемые выигрыши игрока А , соответствующие чистым
стратегиям игрока В, приведены в следующей таблице.
Чистые стратегии игрока В Ожидаемые выигрыши игрока А

1 -2*1 + 4
2 -хх + 3
3 Хх +2
4 -7хх + 6
На рис. 14.9 изображены четыре прямые линии, соответствующие чистым страте

гиям игрока В. Чтобы определить наилучший результат из наихудших, построена
нижняя огибающая четырех указанных прямых (изображенная на рисунке толстыми
линейными сегментами), которая представляет минимальный (наихудший) выиг
рыш для игрока А независимо от того, что делает игрок В. Максимум (наилучшее)
нижней огибающей соответствует максиминному решению в точке = 0,5 . Эта точка
определяется пересечением прямых 3 и 4. Следовательно, оптимальным решением
для игрока А является смешивание стратегий А 1 и А 2 с вероятностями 0,5 и 0,5 соот
ветственно. Соответствующая цена игры v определяется подстановкой хг —0,5
в уравнение либо прямой 3, либо 4, что приводит к следующему.
2 +^ = 2 из Уравнения прямой 3,
- 7 ^ | + 6 = ^ из уравнения прямой 4.
Рис. 14.9. Граф ическое р еш ени е игры д в у х л и ц с н улево й

сум м ой и з прим ера 14.4.3
Оптимальная смешанная стратегия игрока В определяется двумя стратегиями, ко

торые формируют нижнюю огибающую графика. Это значит, что игрок В может
смешивать стратегии В3 и В4, в этом случае у , = у 2= 0 и у 4 = 1 - у 3. Следовательно,
ожидаемые платежи игрока В, соответствующие чистым стратегиям игрока А,
имеют такой вид.
Чистые стратегии игрока А Ожидаемые платежи игрока В

1 4уз - 1
2 —4 уз + 6
Наилучшее решение из наихудших для игрока В представляет собой точку мини

мума верхней огибающей заданных двух прямы х (построение прямы х и определе
ние верхней огибающей будет для вас поучительным). Эта процедура эквивалентна
решению уравнения
4у3 - 1 = -4 у ъ + 6 .
Его решением будету 3 = 7/8, что определяет цену игры V= 4 х (7/8) - 1 = 5/2.
Таким образом, решением игры для игрока А является смешивание стратегий А,
и Л2 с равными вероятностями 0,5 и 0,5, а для игрока В — смешивание стратегий Вг
и й, с вероятностями 7/8 и 1/8. (В действительности игра имеет альтернативное
решение для игрока В, так как максиминная точка на рис. 14.9 определяется более
чем двумя прямыми. Любая вы пуклая линейная комбинация этих альтернативных
решений такж е является решением задачи.)
Для игры, в которой и грокА имеет т стратегий, а игрок В — только две, реш е
ние находится аналогично. Главное отличие состоит в том, что здесь строятся гра
фики функций, представляющ их ожидаемые платеж и второго игрока, соответст
вующие чистым стратегиям игрока А. В результате ведется поиск минимаксной
точки верхней огибающей построенных прямых.
1. Решите графически игру с подбрасыванием монет из примера 14.4.2.

2. Робин часто ездит между двумя городами. При этом есть возможность вы
брать один из двух маршрутов: маршрут А представляет собой скоростное
шоссе в четыре полосы, маршрут В — длинную обдуваемую ветром дорогу.
Патрулирование дорог осуществляется ограниченным числом полицейских.
Если все полицейские расположены на одном маршруте, Робин с ее страст
ным желанием ездить очень быстро, несомненно, получит штраф в 10 0 долл.
за превышение скорости. Если полицейские патрулируют на двух маршру
тах в соотношении 50 на 50, то имеется 50 % -ная вероятность, что Робин по
лучит штраф в 100 долл. на маршруте А и 30 % -ная вероятность, что она по
лучит такой же штраф на маршруте В. Кроме того, маршрут В длиннее,
поэтому бензина расходуется на 15 долл. больше, чем на маршруте А. Опре
делите стратегию к ак для Робин, так и для полиции.
3. Решите графически следующие игры, в которых платежи выплачиваются
игрокуА.
а)
В, Вг Вз
Л 1 -3 7
Аг 2 4 -6
Ь)
В, Вг
Лі 5 8
Аг 6 5
Аз 5 7
Д а н а с л е д у ю щ а я и гр а д в у х л и ц с н у л ев о й с у м м о й .
В, Вг Вз
Ал 5,0 50,0 50,0
Аг 1,0 1,0 0,1
Аз 10,0 1,0 10,0
a) Проверьте, что смешанные стратегии с вероятностями (1/6, 0, 5/6) для

игрока А и с вероятностями (49/54, 5/54, 0) для игрока В являются опти
мальными, и определите цену игры.
b) Покажите, что цена игры равна
Ż1Ż;=1v > »
Реш ение м атри чны х и гр методами линейного програм м ирования. Теория игр
находится в тесной связи с линейным программированием, так к ак любую конеч
ную игру двух л иц с нулевой суммой можно представить в виде задачи линейного
программирования и наоборот. Д ж . Данциг [3] отмечает, что, когда в 1947 году
создатель теории игр Дж. фон Нейман впервые ознакомился с симплекс-методом,
он сразу установил эту взаимосвязь и обратил особое внимание на концепцию двой
ственности в линейном программировании. Этот раздел иллюстрирует решение
матричных игр методами линейного программирования.
Оптимальные значения вероятностей xt, і = 1, 2, ..., т, игрока А могут быть оп
ределены путем решения следующей максиминной задачи.
х1+ х2+ ... + хт= 1 ,

д:(> 0 , і = 1 , 2 ,..., т.
Чтобы сформулировать эту задачу в виде задачи линейного программирования,
положим
Отсюда вытекает, что

W
Следовательно, задача игрока А может быть записана в виде

максимизировать z = v
w
v “ Z a»jr--s °, j =x'2....">
xl + x2+ ... + xm= 1 ,
x (> 0 , i = 1, 2, ..., m ,
V не ограничена в знаке.
Отметим последнее условие, что цена игры V может быть к ак положительной, так
и отрицательной.
Оптимальные стратегии у х, у2, у пигрока В определяются путем решения задачи
у г + у, + — +г/„ = і,
..., п.
1/ , > 0 , / = 1, 2,
Используя процедуру, аналогичную приведенной выше для игрока А, приходим
к выводу, что задача для игрока В сводится к следующему.
М инимизировать w —v
v - I v y > °, ' = 1,2 т.
у, + уг + ... +Уп= 1,
i/.> 0 , ] = 1 , 2 , ..., п,
V не ограничена в знаке.
Две полученные задачи оптимизируют одну и ту же (не ограниченную в знаке)
переменную V , которая является ценой игры. Причиной этого служит то, что зада
ча игрока В является двойственной к задаче игрока А (вам предлагается доказать
это утверждение в упражнении 14.4.3.5, используя определение двойственности из
главы 4). Это означает, что оптимальное решение одной из задач автоматически
определяет оптимальное решение другой.
Пример 14.4.4
Решим следующую матричную игру методами линейного программирования.
Bi Вг В3 Минимумы строк
Ал 3 -1 -3 -3
Аг -2 4 -1 -2
Аз -5 -6 2 -6
Максимумы столбцов 3 4 2
Значение цены игры v находится между - 2 и 2.

Задача линейного программирования для игрока А
Максимизировать z = v
V - 3jTj + 2хг + 5х3 < О,
и + дг, - 4х2 + 6х3< О,
V + Зхг + х2 - 2х3< О,
х1+ х2 + х3= 1 ,
*^3—
Vне ограничена в знаке.
Оптимальным решением является хг = 0,39, х2 = 0,31, х3 = 0,29 и v = -0 ,9 1 .
Задача линейного программирования д ля игрока В
М инимизировать z = v
v - S y l + y 2 + Sy3> 0 ,
v + 2yl - 4 y 2+ y 3>0,
v + 5yI + 6y2- 2 y 3>0,
У і + Уг+ Уз= 1 >
y lty 2, y 3> О,
v не ограничена в знаке.
Оптимальным решением является ух—0,32, у2= 0,08, уъ= 0,60 h v = -0,91.
В программе TORA д ля реш ения игр двух игроков с нулевой суммой надо выбрать
команду Zero-sum G am esO Solve^L P-based (Игры с нулевой суммой 1^ Р еш и ть ^ К ак
задачу ЛП). На рис. 14.10 показан результат реш ения задачи примера 14.4.4 (файл
ch 14ТoraGamesEx 14-4-4).
i TORA D :\W ork\TordFiles\ch14TordG am esfx14 4 4.1x1

D ECISION AN ALYS IS U SIN G GAMES
TWO PERSON ZERO S U 4 GAME OUTPUT SU M APY

T l t l t : Ek p i * 14 4 4
У «‘ ц> o f t 1!» G r n e to Р І - у т A - - 0,91 _________________________________________
PI iy e i A s O p tim a l M l ateyies-
ST** gy
P ro b A i Ł
Player в s ( ptim<il Stivstpgi s:
S t r tllff Н Е Л Н 02 83
Р Г 0 М )П У 0,01 0,80
И луе і A 's LP F o n nu latio ii:
_________ v xl x2
1,00 0,00 0ДЮ
\O0 2,00 bflO < Г" 0,00
1.00 4,00 0,00
5.00 _1,00 2k00 4 _Qjm
1.00 1,00 1,00 1,00
t-TMtr'd(yhp
VeWModify Irr* 0
Рис. 14.10. Р еш ение программой T O R A игры д в у х игроков с нулево й сум м ой и з примера 14.4.4
1. На загородном пикнике две команды, по два человека в каждой, играют

в прятки. Есть четыре места, где можно спрятаться (А, Б, В и Г), и два члена
прячущейся команды могут спрятаться каж ды й отдельно в любых двух из че
тырех мест. Затем другая команда имеет возможность проверить любые два
места. Команда, которая ищет, получает премию, если будут обнаружены оба
участника прячущейся команды, если же не обнаружен ни один участник, то
она выплачивает премию. Иначе игра заканчивается вничью.
a) Сформулируйте задачу в виде игры двух лиц с нулевой суммой.
b ) Определите оптимальные стратегии и цену игры.
2. Университетские команды UA и DU определяют свои стратегии игры в на
циональном чемпионате по баскетболу для колледж ей. Оценивая возможно
сти своих “ запасны х скам еек” , каж ды й тренер разработал по четыре вариан
та замены игроков на протяж ении игры. Способность каж дой команды
выполнять двух-, трехочковые и ш трафны е броски является основным фак
тором, определяющим результат игры. Приведенная ниж е таблица содер

ж ит очки чистого вы игры ш а команды UA на протяжении одного владения
мячом в зависимости от стратегий, планируемых каждой командой.
DU, du2 DU3 du4
UA, 3 -2 1 2
ua2 2 3 -3 0
UA3 -1 2 -2 2
UA 4 -1 -2 4 1
a) Решите игру методами линейного программирования и определите выиг

рышные стратегии.
b ) Исходя из имеющейся информации, к акая из двух команд может выиг
рать чемпионат?
c) Пусть за всю игру имеется 60 возможностей владения мячом (30 владений
для каждой команды). Предскажите ожидаемое количество очков, с ко
торым будет выиграна игра чемпионата.
3. Армия полковника Блотто сражается с вражеской армией за контроль над
двумя стратегически важны ми позициями. Полковник имеет в своем распо
ряж ении два полка, а его противник — три. Каждый из противников может
посылать на любую позицию только целое число полков или совсем не посы
лать. П озиция будет захвачена армией, которая атакует большим количест
вом полков. Иначе результат сражения является ничейным.
a) Сформулируйте задачу в виде игры двух лиц с нулевой суммой и решите
игру методами линейного программирования.
b ) К акая армия выиграет сражение?
4. В игре двух лиц, именуемой двухпальцевой игрой Морра, каж ды й игрок по
казывает один или два пальца и одновременно отгадывает число пальцев, ко
торые покажет его противник. Игрок, который угадал, выигрывает сумму,
равную суммарному числу показанны х противниками пальцев. Иначе игра
заканчивается вничью. Сформулируйте задачу в виде игры двух лиц с ну
левой суммой и решите игру методами линейного программирования.
5. Покажите, что задача, двойственная к задаче линейного программирования
для игрока А, является задачей линейного программирования для игрока В,
и что следующие два утверждения не противоречат друг другу.
a) Задача линейного программирования для игрока А записана в форме,
приведенной в разделе 14.4.2.
b) Задача линейного программирования для игрока А записана в форме, упомя
нутой в п. 1 , в которой все ограничения вида “ <” приведены к виду “ >” .
1. C henS. and Hwang С. Fuzzy Multiple Attribute Decision Making, S pringer-V erlag,
Berlin, 1992.
2. Clemen R. J . and Reilly T. Making Hard Decisions: An Introduction to Decision
Analysis. 2nd ed., Duxbury, Pacific Grove, CA, 1996.
3. D antzig G. В. Linear Programming and Extension, Princeton U niversity Press,

Princeton, N .J., 1963. (Русский перевод: Данциг Д ж . Линейное программирова
ние, его применения и обобщения. — М.: Прогресс, 1966.)
4. Meyerson R. Game Theory: Analysis of Conflict, H arvard U niversity Press, Cam-
ridge, M ass., 1991.
5. Saaty T. L. Fundamentals of Decision Making, RWS Publications, Pittsburg, 1994.

1. Вилкас Э. Й., Майминас Е. 3. Решения: теория, информация, моделирование. —
М.: Радио и связь, 1981.
2. Карлин С. Математические методы в теории игр, программировании и эконо
мике. — М.: Мир, 1964.
3. Ларичев О. И. Н аука и искусство принятия решений. — М.: Наука, 1979.
4. Мулен Э. Теория игр с примерами из математической экономики.— М.: Мир,
1985.
5. Фишберн П. Теория полезности для принятия решений. — М.: Наука, 1978.
6 . Фон Нейман Д ж ., Моргенштерн О. Теория игр и экономическое поведение. —
М.: Наука, 1970.
14.1. 5 Руководитель цеха рассматривает три возможных решения относительно
существующего фрезерного станка.
1. Модифицировать имеющийся станок, установив на нем автоматическую
подачу (АП).
2. Купить новый станок с программным управлением (ПУ).
3. Заменить станок обрабатывающим центром (ОЦ).
Три альтернативы оцениваются на основе двух критериев: денежный
и функциональный. Следующая таблица содержит необходимые данные.
Критерий АП ПУ ОЦ
Денежный
Начальная стоимость (долл.) 12 000 25 000 120 000
Стоимость обслуживания (долл.) 2 000 4 000 15 000
Стоимость обучения персонала (долл.) 3 000 8 000 20 000
функциональный
Производительность (изделия/день) 8 14 40
Время наладки (минуты) 30 20 3
Металлические отходы (фунты/день) 440 165 44
Руководитель считает, что денежный критерий в полтора раза важнее

функционального. Кроме того, производительность в два раза важнее вре
мени наладки и в три раза важнее, чем количество получаемых металличе
5 Этот пример взят из работы W eber S. “A M odified A n alytic H ierarchy Process for A uto
m ated M anufacturing D ecision s”, Interfaces, V ol.2 3 , N o. 4, 1993, pp. 7 5 -8 4 .
ских отходов. Показатель, связанный со временем наладки, считается в ч е

тыре раза важнее показателя, связанного с количеством металлических от
ходов. Что же касается денежного критерия, то руководитель считает, что
стоимость обслуживания и стоимость обучения персонала одинаково важны,
а начальная стоимость в два раза важнее каждого из этих двух показателей.
П роанализируйте описанную ситуацию и дайте соответствующ ие реко
мендации.
14.2. 6 Компания использует каталог товаров для продажи, включающий более
200 тыс. наименований, хранящ ихся на многих региональных складах.
В прошлом компания считала важным иметь точный перечень запасов на
каждом складе. Поэтому каж ды й год проводился переучет — интенсивная
и неприятная работа, которая неохотно выполнялась всеми складами. Ком
пания для проверки качества складских операций в регионе сопровождала
каждый переучет ревизией, которая охватывала около 10 0 наименований
на каждом складе. Результаты проверки обнаружили, что в среднем лиш ь
64 % наименований на каждом складе соответствовали действительной ин
вентарной описи, что является неприемлемым. Дабы исправить ситуацию,
компания распорядилась чащ е проводить переучет дорогих и быстро реали
зуемых товаров. Системному аналитику была поставлена задача разрабо
тать процедуры для реализации этих планов.
Вместо того чтобы напрямую заняться выполнением задания компании, сис
темный аналитик решил установить причину возникшей проблемы. Он пе
решел в своем исследовании от формулировки “ Как мы можем увеличить
частоту переучетов?” к “ Как можно повысить точность переучетов?” . Изуче
ние проблемы под таким углом зрения свелось к следующему анализу. Пред
полагая, что доля точно сосчитанных наименований на складе равна р, анали
тик затем предположил следующее. Есть основания считать, что существует
95 % -ная вероятность того, что если изделие было правильно учтено в первый
раз, то будет правильно переучтено и при последующем переучете. Для части
1 - р товаров, которая не была точно учтена в первом раунде проверки, доля
правильного учета во втором раунде равна 80 %. Используя эту информацию,
аналитик с помощью дерева решений построил график безубыточности, кото
рый сравнил точность учета в первом и втором раундах проверки. Конечный ре
зультат сводился к тому, что склады, на которых уровень точности выше порога
безубыточности, не требовали переучета. Удивительным результатом предло
женного решения было рьяное усердие со стороны каждого склада сделать пра
вильный учет за первый раз, что привело к повышению точности учета на всех
складах.
Как аналитик убедил руководство в жизнеспособности предложенного по
рога безубыточности для повторного переучета?
14.3. 7 В авиакомпаниях рабочие часы устанавливаются в соответствии с договора
ми, заключенными с профсоюзными организациями. В частности, макси
мальная продолжительность работы может быть ограничена 16 часами для
полетов на Боинге-747 (В -747) и 14 часам и— на Боинге-707 (В-707). Если
6 Этот пример взят из работы M illet I. “A N ovena to Saint A nthony, or How to Find Inven
tory by N ot Looking”, Interfaces, Vol. 24, N o. 2, 1994, pp.6 9 -7 5 .
7 Этот пример взят из работы Gaballa A . “Planning Callout R eserves for A ircraft Delays” ,
Interfaces, Vol. 9, N o. 2, P art 2, 1979, p p .7 8 -8 6 .
эти пределы превышаются в силу неожиданных задержек, экипаж должен

быть заменен новым. Авиакомпании содержат резервные экипажи для таких
случаев. Средняя годовая стоимость содержания члена резервного экипажа
оценивается в 30 ООО долл. Задержка полета на одну ночь, обусловленная от
сутствием резервного экипажа, может стоить 50 ООО долл. Член экипажа на
ходится по вызову непрерывно 12 часов в сутки 4 дня в неделю и может не на
ходиться по вызову три оставшихся дня недели. Самолет В - 74 7 может
обслуживаться двумя экипажами для самолета В - 707.
Следующая таблица содержит вероятности вызова резервных экипажей,
вычисленные на основании трехлетнего опыта.
Вероятность вызова
Категория рейса Рейс (время вылета) В -7 47 В -7 07

1 14:00 0,014 0,072
2 13:00 0,000 0,019
3 12:30 0,000 0,006
4 12:00 0,016 0,006
5 11:30 0,003 0,003
6 11:00 0,002 0,003
Приведенные данные свидетельствуют, например, что для 14-часового рей

са вероятность вызова равна 0,014 для В -747 и 0,072 — для В -707.
Типичная пиковая часть расписания дня имеет следующий вид.
Время дня Самолет Категория рейса
8:00 707 3
9:00 707 6
707 2
10:00 707 3
11:00 707 2
707 4
15:00 747 6
16:00 747 4
19:00 747 1
Существующая политика относительно резервных экипажей состоит в ис

пользовании двух экипажей (по семь членов каж дый) с 5:00 до 11:00, четы
рех — с 11:00 до 17:00 и двух — с 17:00 до 23:00.
Оцените эффективность существующей политики относительно резервных
экипаж ей. В частности, является ли число резервных экипажей очень
большим, очень малым или таким, как необходимо?
Г Л А В А 1 5
ВЕРОЯТНОСТНОЕ ДИНАМИЧЕСКОЕ
Вероятностное динамическое программирование (ДП) отличается от детерми
нированного, описанного в главе 1 0 , тем, что состояния и прибыли на каждом эта
пе являются случайными1. Модели вероятностного ДП возникают, в частности, при
рассмотрении стохастических моделей управления запасами и в теории марков
ских процессов принятия решений. Этим двум темам посвящены главы 16 и 19, по
этому в настоящей главе они не рассматриваются. В этой главе описываются неко
торые примеры достаточно общего содержания, призванные показать
стохастическую природу ДП.
15.1. АЗАРТНАЯ ИГРА

Одна из разновидностей игры в русскую рулетку состоит во вращении колеса, на
котором по его периметру нанесены п последовательных чисел от 1 до п. Вероят
ность того, что колесо в результате одного вращения остановится на цифре і, равна
рг Игрок платит х долларов за возможность осуществить т вращений колеса. Сам
же игрок получает сумму, равную удвоенному числу, которое выпало при послед
нем вращении колеса2. Поскольку игра повторяется достаточно много раз (каж дая
до т вращений колеса), требуется разработать оптимальную стратегию для игрока.
Мы сформулируем задачу в виде модели ДП, используя следующие определения.
1. Этап і соответствует і-му вращению колеса, і = 1, 2 ,..., т.
2. Альтернативы на каждом этапе состоят в следующем — либо покрутить
колесо еще раз, либо прекратить игру.
3. Состояние системы у на каждом этапе і представляется одним из чисел от 1
до п, которое выпало в результате последнего вращ ения колеса.
Пусть ffj) — максимум ожидаемой прибыли при условии, что игра находится на
этапе (вращении) і и исходом последнего вращения есть число у. Имеем следующее.
1 Эта глава является продолжением главы 10, посвященной детерминированным м оде

лям динамического программирования.
2
Здесь подразумевается, что игрок может прекратить игру (больше не вращать колесо)
после любого 1-го вращения колеса (i < m). В этом случае выигрыш определяется результатом
последнего вращения колеса, на котором игра остановлена. — Прим. ред.
596 Глава 15. Вероятностное динамическое программирование
2 j, если игра заканчивается,

( Ожидаемая прибыль на этапе /' при условии,'j
[ что исходом последнего вращения естьj ) Х а /» i (^)> если игРа продолжается.
Рекуррентное уравнение для ft(j) можно записать следующим образом

/,,-.(У) = 2 У,
конец игры:
2J’
f (j) = шах
продолжение игры: і = 2 , 3 , т,
t=i
Обоснование рекуррентного уравнения сводится к следующему. При первом
вращении колеса (t = 1 ) состоянием системы является у = 0 , ибо игра только нача
лась. Следовательно, /ДО) = p j 2( 1) 4- p 2f2(2) + ■■■ + p nf2(ri). После выполнения послед
него вращ ения колеса (г = т) остается лиш ь один выбор — закончить игру незави
симо от исхода у m-го вращ ения. Следовательно, fm(,(у) = 2у.
Рекуррентные вычисления начинаются с fm+l, заканчиваю тся при /,(0) и сводят
ся таким образом к т + 1 вычислительному этапу. Так как Д( 0) представляет собой
ожидаемую прибыль от всех т вращений колеса, а игра обходится игроку в х дол
ларов, получаем следующее.
Ожидаемая прибыль = /,(0) - х.
Пример 15.1.1
Предположим, что по периметру колеса русской рулетки расставлены числа от 1 до 5.
Вероятности pi остановки колеса на числе / соответственно равны следующему: р, = 0,3,
р2= 0 ,2 5 ,ръ= 0 ,2 ,р4= 0,15,/;5= 0,1. Игрок платит 5 долл. за возможность сделать небо-
лее четырех вращений колеса. Определим оптимальную стратегию игрока для каж
дого из четырех вращений и найдем соответствующий ожидаемый выигрыш.
Этап 5.
/,(/)= 2/
Исход 4-го вращения, j f5G) Решение
1 2 Закончить
Этап 4.
/ 4(/) = m a \ { 2 j , p lf 5( l ) + p :f 5( 2) + р / 5( 3) + р / 5( 4) + р / 5( 5) } =
= тах{2у, 0,3 х 2 + 0,25 х 4 + 0,2 х 6 + 0,15х8 + 0,1 х 10}
= тах{2у, 5}.
15.1. Азартная игра 597
Ожидаемая прибыль Оптимальное решение
Исход 3-го вращения, j Закончить Вращать Щ) Решение
1 2 5 5 Вращать
2 4 5 5 Вращать
3 6 5 6 Закончить
Э та п 3 .
Ш = max{2y, Plf 4( \ ) + р / 4(2 ) + р / 4(3) + Pą[ 4(4) + р / 4(5)} =
— т а х { 2 у , 0 ,3 х 5 + 0 ,2 5 х 5 + 0 ,2 х 6 + 0 ,1 5 х 8 + 0,1 х 10} =
= та х {2 у , 6 ,1 5 } .

Исход 2-го вращения,; Закончить Вращать т Решение
1 2 6,15 6,15 Вращать

2 4 6,15 6,15 Вращать
3 6 6,15 6,15 Вращать
4 8 6,15 8,00 Закончить
5 10 6,15 10,00 Закончить
Э та п 2.
/> (/) = т а х { 2 у , р £ ( 1 ) + РМ 2) + ^ / з ( 3 ) + / > / з ( 4 ) + / > /з ( 5 ) } =
= т а х { 2 / , 0 ,3 х 6 ,1 5 + 0 ,2 5 х 6 ,1 5 + 0 , 2 x 6 , 15 + 0 , 1 5 x 8 + 0 , 1 x 1 0 } =
= та х {2 у , 6, 812 5} .

Исход 1-го вращения,; Закончить Вращать т Решение
1 2 6,8125 6,8125 Вращать
2 4 6,8125 6,8125 Вращать
3 6 6,8125 6,8125 Вращать
4 8 6,8125 8,0000 Закончить
5 10 6,8125 10,0000 Закончить
Э т а п 1.
/і( 0 ) = Рі/ІО> +/>/2(2) + Р М 3) + р /2 ( 4 ) + р /2 (5 ) =

= 0,3 х 6,8125 + 0,25 х 6,8125 + 0,2 х 6,8125 + 0 ,15 х 8 + 0 ,1 х 10 = 7,31.
В начале игры единственным выбором является вращение колеса.

Из предыдущих таблиц следует, что оптимальным решением будет следующая по
следовательность действий.
р Оптимальная стратегия
вращения
1 Начало игры; вращать
2 Продолжить игру, если исходом первого вращения есть 1, 2 или 3;иначе закончить
3 Продолжить игру, если исходом второго вращения есть 1, 2 или 3; иначе закончить игру
4 Продолжить игру, если исходом третьего вращения есть 1 или 2; иначе закончить игру
Ожидаемая прибыль от игры составляет 7,31 - 5 = 2,31 долл.
1. Пусть в задаче из примера 15.1.1 по периметру колеса расставлены числа от 1

до 8 , и вероятности остановки колеса на каждом из этих чисел одинаковы.
Предполагая, что каж д ая игра состоит не более чем из пяти вращений коле
са, определите оптимальную стратегию игры.
2. Я хочу продать свой подержанный автомобиль тому, кто предложит наивыс
шую цену. Изучая автомобильный рынок, я пришел к выводу, что с равными ве
роятностями мне за автомобиль могут предложить низкую (около 1050 долл.),
среднюю (около 1900 долл.) либо высокую цену (около 2500 долл.). Я решил по
мещать объявление о продаже автомобиля на протяжении не более трех дней
подряд. В конце каждого дня мне следует решить, принять ли наилучшее пред
ложение, поступившее в течение этого дня. Какой должна быть моя оптималь
ная стратегия относительно принятия предложенной цены за автомобиль?
15.2. ЗАДАЧА ИНВЕСТИРОВАНИЯ

Некто планирует инвестировать С тыс. долл. через фондовую биржу в течение
последующих п лет. Инвестиционный план состоит в покупке акций в начале года
и продаже их в конце этого ж е года. Накопленные деньги затем могут быть снова
инвестированы (все или их часть) в начале следующего года. Степень риска инве
стиции представлена тем, что прибыль имеет вероятностный характер. Изучение
ры нка свидетельствует о том, что прибыль от инвестиции зависит от т условий
рынка (благоприятных или неблагоприятных). При этом условие / приводит к при
были г, с вероятностьюpt, і = 1, 2 , . . . , т. Как следует инвестировать С тыс. долл. для
наибольшего накопления к концу п лет?
Обозначим
х — сумма денежных средств, доступных для инвестирования в начале /-го года
(* ,= С ),
У' — сумма реальной инвестиции в начале /-го года (yt < х ).
Элементы модели ДП можно описать следующим образом.
1. Этап і представляет /-Й год инвестирования.
2. Альтернативами на этапе / являю тся величины у,.
3. Состояние системы на этапе / описывается величиной x t.
Пусть f,(x) — максимальная ожидаемая сумма поступления денежных средств
за годы от / до п при условии, что в начале /-го года имеется сумма xt. Д ля k-ro усло
вия рынка имеем следующее.
x i+; = ^ + rJ y i + f x i - y i,> = rky 1 + x 1, к = 1 , 2 ......т .
Поскольку вероятность ft-го условия рынка равна р к, рекуррентное уравнение д и

намического программирования имеет следующий вид:
/W = \^ L p J A x' +r*yĄ ' ,-=1- 2- - ’и-
где fn+t(xn+,) = хп^,, так как после n -го года инвестиции нет. Отсюда следует, что
(*»)= { і Л(*»+^ )j =*»+,™

а* Ь’п
/п
Введя обозначения r = ' £ p lrk , получим
О, если 7 < О,
jc„, если 7 > 0.
дг„, если 7 < 0,
(1+7)*,,, если г > 0.
Пример 15.2.1
Пусть в предыдущей модели инвестирования объем инвестиции составляет С= 10 ООО долл.
на 4-летний период. Существует 40%-ная вероятность того, что вы удвоите деньги, 2 0% -
ная— останетесь при своих деньгах и 40% -ная— потеряете весь объем инвестиции.
Необходимо разработать оптимальную стратегию инвестирования.
Используя принятые в модели обозначения, получаем следующее.
С = 10 ООО, п = 4, m = 3,
р , = 0 , 4 , /> 2 = 0 , 2 , /> 3 = 0 ,4 ,
г, = 2 , г2= 0 , г3= - 1 .
Этап 4.
F = 0 , 5 x 0 ,1 + 0 ,2 x 0 + 0 , З х ( - 1 ) = 0 ,2 ,
/ 4СО = (! + г )х 4= 1, 2 х 4.
Состояние U( ха )
у\
Х4 1,2 х4 х4
Этап 3.
A ( xi ) = „max { Р і Л (*і + W ) + P i f а (*< + r2V,) + Р,/. (*з + W )} =

= ^ т а х {о ,5 х 1,2(дг3 + у , ) + 0 , 2 х 1,2(дг, + 0 ^ , ) +0 ,3 х1 ,2 [д г, + ( - 1 ) у , ] } =
Поэтому имеем
Состояние Ыхз) у\
Хз 1,44 х3 Хз
Этап 2.
f 2(x2) = max {pj^{x1+rty1) + p1f y{x1+r1y1) + p j ^ + г.у,))^
()<v2<<s
= max |0,5х1,44(дг2 + v2) + 0,2xl,44(.v2 +0у2) + 0,3х1,44[дг2 + (-l)y 2J| =
= max {1, 44jc, +0,288y2} = 1,728лґ2.
Отсюда следует
Состояние ^(Хг) Уг
хг 1,728 X2 хг
Этап 1.
f { x ,) = max { p j 2(x,+rlyl) + p2f 2(х, + r2yt) + p j r(х, + r,y,)} =
= max {o,5x 1,728( jc, +у| ) + 0,2х1,728(дг| +0у| ) + 0,3х1,728[дг| + (-l)y ,]| =
= max {l,728x + 0,3456y.} = 2, 0736jc,.
( K v, <• t. *
•
Имеем
Состояние f,(X l)
у\
Xi 2 ,0 7 3 6 Xi Х1
Оптимальную инвестиционную политику можно сформулировать следующим об

разом. Так как у] =дг, для /= 1, 2, 3, 4, то оптимальным решением является инвести
рование всех наличных денежных средств в начале каждого года. Накопленные де
нежные средства к концу четырех лет составят 2,0736 jc( = 2,0736 х 10000 =
= 20 736 долл.
Методом математической индукции нетрудно показать, что задача при каждом со-
стоянии i ( i = 1 , 2 ,..., п) имеет следующее решение:
[х , если 7 < 0,
fAy,) = \[(1
n + г)
-,„-м , если -г > 0„ .
f0, если 7 < 0,

|дг,, если г> 0.
1. Определите оптимальную инвестиционную политику в примере 15.2.1,

предположив, что вероятности р к и прибыли гк для следующих 4 лет прини
мают такие значения.
Год г, h Гг р , Р2 Pi
1 2 1 0,5 0,1 0,4 0,5

2 1 0 -1 0,4 0,4 0,2
3 4 -1 1 0,2 0,4 0,4
4 0,8 0,4 0,2 0,6 0,2 0,2
Камера объемом 10 м 3 предназначена для хранения изделий трех наименова

ний. Одно изделие наименований 1, 2 , 3 занимает соответственно 2 , 1 и 3 м3.
Вероятности спроса на эти изделия приведены в следующей таблице.
Вероятность спроса
Количество единиц Наименование 1 Наименование 2 Наименование 3
1 0,5 0,3 0,3

2 0,5 0,4 0,2
3 0,0 0,2 0,5
4 0.0 0,1 0,0
Стоимость хранения единицы изделия наименований 1, 2 , 3 равна 8 , 10 и 15 долл.

соответственно. Сколько единиц изделий каждого наименования следует
хранить в камере?
3. Фирма с высокотехнологичным производством начала выпуск самых совре
менных суперкомпьютеров в расчете на трехлетний период. Годовой спрос D
на новый суперкомпьютер описывается распределением
p(D = 1) = 0,5, p(D = 2) = 0,3, p(D = 3) = 0,2.
Производственная мощность завода составляет три суперкомпьютера в год
стоимостью 5 млн. долл. к аж д ы й . Количество произведенных за год су
перкомпью теров может не совпадать точно с объемом спроса. На нереали
зованный к концу года суперкомпьютер требуются затраты в 1 млн. долл.,
связанны е с его хранением и содерж анием в исправности. Ф ирма терпит
убы тки в 2 млн. долл., если поставка суперкомпью тера отклады вается на
один год. Ф ирма не будет приним ать новых заказов позж е четвертого го
да, но будет продолж ать вы пуск суперкомпьютеров на протяж ении п ято
го года, чтобы вы полнить все зак азы , оказавш иеся невыполненными
к концу четвертого года. Определите оптим альны е годичные объемы
производства суперкомпью теров.
4. Компания владеет тремя спортивными центрами в деловой части города. На
Пасху популярны велосипедные прогулки на открытом воздухе. В компании
имеется восемь велосипедов, которые она может распределить между тремя
центрами для их проката, чтобы максимизировать доходы. Спрос на велоси
педы и часовая стоимость их аренды зависят от месторасположения центра
и характеризую тся следующими данными.
Вероятность спроса
Количество велосипедов Центр 1 Центр 2 Центр 3
0 0,10 0,02 0
1 . 0,20 0,03 0,15
2 0,30 0,10 0,25
3 0,20 0,25 0,30
4 0,10 0,30 0,15
5 0,10 0,15 0,10
6 0 0,05 0,025
7 0 0,05 0,025
8 0 0,05 0
Арендная плата (долл./ч) 6 7 5
К ак компании распределить восемь велосипедов между тремя спортивными

центрами?
15.3. МАКСИМИЗАЦИЯ ВЕРОЯТНОСТИ ДОСТИЖЕНИЯ ЦЕЛИ

В разделе 15.2 рассматривалась задача, связан н ая с м аксим изацией ожи
даемой прибы ли. И ным полезным критерием для рассмотренной задачи явля
ется м акси м и зац и я вероятности достиж ения определенного уровня дохода.
П родемонстрируем этот подход на примере модели инвестирования, которая
описана в разделе 15.2.
Используя обозначения из раздела 15.2, оставим без изменения определение
этапа і, альтернативы yt и состояния хг Эти модели отличаются только опреде
лением критерия; здесь нашей целью является максимизация вероятности дости
ж ения некоторой накопленной денежной суммы S по истечении п лет. С этой точки
зрения определим функцию ft(x) — вероятность накопления суммы S, если в нача
ле і-го года имеются денежные средства в сумме xt и для последующих лет і, і + 1 ,
..., п используется оптимальное инвестирование.
Рекуррентное уравнение динамического программирования имеет вид
/( * ,) = Оmax
^ У .ЇХ , ^ As(
+ J
і=
Рекуррентная формула основана на формуле условной вероятности
Р{А} = ± Р { А \ В І }Р{ВІ ).
7-І
В нашем случае fi+l(xi + rky ) играет роль вероятности Р{А | Б у}.
15.3. Максимизация вероятности достижения цели 603
Пример 15.3.1
Некий индивидуум планирует инвестировать 2 ООО долл. Имеющиеся варианты
позволяют удвоить эту сумму с вероятностью 0,3 или потерять ее с вероятностью
0,7. А кции продаются в конце года, а в начале следующего года все деньги или их
часть снова инвестируются. Этот процесс повторяется на протяж ении трех лет.
Целью является м аксим изация вероятности достиж ения суммы в 4 ООО долл.
в конце третьего года.
В соответствии с обозначениями данной модели имеем rl = 1 с вероятностью 0,3
и г2 = - 1 с ве роятностью 0,7.
Э тап 3. Н а этом этапе состояние х 3 м ож ет и зм ен яться от 0 до 8 000 долл. М и

ним альное значение возм ож н о, когд а все влож енны е средства потеряны ,
а м акси м альн ое — когд а и н в ести ц и я удваивается в конце каж д ого из двух
первых лет. С ледовательно, рекуррентное уравнение д л я этап а 3 зап и сы вает
ся в следую щ ем виде:
А (*3) = V,™.Х.,J 0,З Р + Уг - 4>+ °’1 Р ~ Уг - ’

гдедг3 = 0 , 1 , ..., 8.
Приведенная ниже табл. 15.1 содержит детали вычислений для данного этапа.
Все заш трихованные ячейки таблицы являю тся неподходящими, так как не
удовлетворяют условию у 3 < х 3. Кроме того, при выполнении вычислений можно за
метить, что
Р { х 3 + У3Z 4} = О, если х 3 + у 3 < 4,
Р{х3 - у3 > 4} = 0, если дг3—у 3 < 4.
В противном случае эти вероятности равны 1.
Хотя приведенная таблица и свидетельствует о том, что сущ ествую т альтерн а
тивные оптимумы д л я х 3 = 1, 3, 4, 5, 6 , 7 и 8 , оптим альны й (последний) столбец
содержит лиш ь наименьш ие оптим альны е зн ачен ия у 3. Это объясняется тем,
что инвестор не собирается инвестировать больше того, что необходимо для
достиж ения поставленной цели.
Этап 2.
М хг)= max { 0 ,3 / 3(дг2 + 7 2) + 0 , 7 / 3(дг2 - ^ 2)}.

Лв0*‘.. *2
Соответствующие вычисления приведены в табл. 15.2
Этап 1.
/( * .) = а* а{°-3/2 (xi + У\) + °’1fi

™0 (*. - У\ )}•
В табл. 15.3 показаны вычисления для данного этапа.

Оптимум СО
о
ші Щ Шг X
ІІІІР в N- N.
сГ со о со
щ +о +Ó
jjl
щ я ш * оII X II
II ішіі ш со о
£ о" о* X
щШ У к X
г- N- N^
о" со о" со о"
Ж И + сГ + 3 + со
ШЁ о
lllll щш II II X (1
ІІ їїж со о со о со о
5со* о V о < о* X
* X
N- N-__ N. N..
o" о ” о ' о '
+ со + со + «о + со
о —о т—о т—о
I. < II у II X 11
co о со о со о со о
o о X о о X
* X < X
N- N- N. N.
o о“ о" o'
+ СО + со + + со +
т- О" T—о т—о т—о ▼“
X II <к * II < II X II
II СО о co о со о ГО о со Т"
СП
is О X o X о X о X o’ X
X X X X
h- N.. N- N.
o о~ о" о
+ <0 + со + +
T—о“ т—о" т—г— т—
X II X II X II X II
II co. о со_ о со Г- со V
& o" X о“ X о" X о* X
X X X X
N- N.. N. N.
o' о о о”
+ со + + +
T—о" т—т— т— т—
X II X II X и X II
II co о со. т- со г- со
0,ЗР{Хз + уз > 4} + 0,7Р{Хз - уз > 4}
2, o” X о" X о" X о* X
X X X X
N- N- N.. N-
o о о~ о
+ + + + і
4— т— т— т— т— т—
X и X II X II X II
ї co. т - со т- со со чіГ
N-
£ o' X о’ X сГ X о“ X О*
X X X X +
N. N .. rw
o Ó о* о* Ss
СМ +
Таблица 15.1
+ +
т- ч- + + V)
4- ч- т-
*»
X II X II X II X II
ii co со со со (Q чіГ
СО
СП
o X о X о X о" X 7 o '
>§
£ X О ł- <N co Tt
Таблица 15.3
0,3f2(xi + yi) + 0,7f2(xi - уі) Оптимум
Xl у, = 0 Уі = 1 уі = 2 fi у,
2 0 , 3 x 0,3 + 0 , 7 x 0,3 = 0,3 0,3 x 0,51 + 0 , 7 x 0,09 = 0,216 0,3 x 1 + 0 , 7 x 0 = 0,3 0,3 0
Оптимальная стратегия определяется следующим образом. При заданной начальной

сумме х1= 2000 долл. вычисления для первого этапа дают у1= 0. Это означает, что
в первый год не следует делать инвестиций. Данное решение оставляет инвестора
с 2000 долл. к началу второго года. Из таблицы, соответствующей второму этапу, при
х2= 2 получаем у2= 0 ; это снова означает, что на протяжении второго года также не
следует делать инвестиций. Далее использование значения х3= 2 на третьем этапе
приводит к у3= 2, а это означает, что на третий год следует инвестировать всю имею
щуюся в распоряжении сумму. Соответствующая максимальная вероятность дости
жения цели 5 = 4 равна/Д 2 ) = 0,3.
1. В примере 15.3.1 этап 1 решения задачи показывает, что существует два аль
тернативных оптимума: у г = 0 и y i = 2. Покажите, что применение стратегии
у 1= 2 (т.е. инвестировать все деньги в начале первого года) не изменяет резуль
тата инвестиционной политики на протяжении трех лет, а именно, соответст
вующая максимальная вероятность достижения цели сохраняется равной 0,3.
2. Решите задачу из примера 15.3.1, если целью инвестора является максими
зация вероятности достижения по меньшей мере суммы в 6 0 00 долл. к кон
цу третьего года. Инвестор имеет в своем распоряжении 1000 долл., и веро
ятность удвоения суммы на протяжении каждого года равна 0 , 6 .
3. Вы и ваш друг хотите сыграть в казино в следующую игру. Вы делаете опреде
ленную ставку, и каждый из вас независимо подбрасывает симметричную мо
нету. За каждый доллар суммы ставки казино заплатит три доллара (что дает
чистую прибыль в 2 долл.), если в результате подбрасывания выпадут две реш
ки. Иначе вы теряете сумму ставки. Если вы с другом имеете в сумме один дол
лар, определите стратегию игры, считая, что целью является максимизация
вероятности окончания трех игр с суммой в 4 долл.
1. B ertsekas D . Dynamic Programming: Deterministic and Stochastic Models, P ren
tice Hall, Upper Saddle R iver, N. J ., 1987.
2. Cooper L . and Cooper M . Introduction to Dynamic Programming, Pergamon Press,
New York, 1981.
3. Sm ith D . Dynamic Programming: A Practical Introduction, Ellis Horwood, Lon
don, 1991.

1. Веллман Р., Дрейфус С. Прикладные задачи динамического программирова
ния. — М.: Наука, 1965.
2. Романовский И. В. Алгоритмы решения экстремальных задач. — М.: Наука, 1977.
КОМПЛЕКСНАЯ ЗАДАЧА
15.1. Компания использует грузовые автомобили для доставки заказов покупате
лям и планирует заменить свои автомобили на прРяжении последующих
пяти лет. Годовые затраты, связанные с использованием нового грузовика,
являю тся нормально распределенной случайной величиной с математиче
ским ожиданием 300 долл. и среднеквадратическим отклонением 50 долл.
М атематическое ожидание и среднеквадратическое отклонение годовых
эксплуатационных затрат через год возрастают на 10 %. Стоимость нового
грузового автомобиля в настоящее время равна 20 000 долл. и через год воз
растет, как ожидается, на 12 % . Грузовые автомобили используются чрез
вычайно интенсивно, поэтому существует вероятность того, что каж ды й из
них может окончательно сломаться в любое время. Можно сдать старый ав
томобиль при покупке нового. При этом стоимость старого автомобиля за
висит от того, находится ли он в рабочем состоянии. В начале шестого года
автомобиль подлежит продаже по цене, которая такж е зависит от его со
стояния (аварийное или рабочее). Приведенная ниже таблица содержит
данные, описывающие ситуацию в зависимости от возраста автомобиля.
Возраст автомобиля (годы) 0 1 2 3 4 5 6

Вероятность поломки 0,01 0,05 0,10 0,16 0,25 0,40 0,60
Если автомобиль использовался 1 год и находится в рабочем состоянии, то

его стоимость равна 70 % от начальной и за год уменьшается на 15 % . Если
же он находится в аварийном состоянии, то соответствующие показатели
уменьшаются в два раза. Стоимость автомобиля в виде испорченного иму
щества в начале шестого года составляет 2 0 0 долл., если он находится в ра
бочем состоянии, и 50 долл., если он аварийный. Разработайте оптималь
ную политику замены автомобилей.
Г Л А В А 1 6
ВЕРОЯТНОСТНЫЕ МОДЕЛИ
УПРАВЛЕНИЯ ЗАПАСАМИ
В главе 11 изложены основы теории управления запасами в условиях определенно
сти1. В этой главе рассматриваются вероятностные модели управления запасами,
в которых значение спроса является случайной величиной с известным распределением
вероятностей. Рассмотренные модели подразделяются на модели с непрерывным и на
модели с периодическим контролем уровня запаса. При этом класс моделей с периоди
ческим контролем включает как одноэтапные, так и многоэтапные модели.
16.1. МОДЕЛЬ С НЕПРЕРЫВНЫМ КОНТРОЛЕМ УРОВНЯ ЗАПАСА

В этом разделе рассмотрены две модели управления запасами: 1) обобщение де
терминированной модели экономичного размера заказа (см. раздел 1 1 . 2 . 1 ) на вероят
ностный случай, в которой используется буферный запас, отвечающий за случайный
спрос и 2 ) более точная вероятностная модель экономичного размера заказа, которая
учитывает вероятностный характер спроса непосредственно в постановке задачи.
16.1.1. “Рандомизированная” модель экономичного размера заказа

Некоторые специалисты пытались адаптировать детерминированную модель эко
номичного размера заказа (см. раздел 1 1 . 2 . 1 ) для учета вероятностной природы спро
са, используя при этом приближенный метод, который предполагает существование
постоянного буферного запаса на протяжении всего планового периода. Размер ре
зерва устанавливается таким образом, чтобы вероятность истощения запаса в течение
периода выполнения заказа (интервала между моментом размещения заказа и его по
ставкой) не превышала наперед заданной величины.
Введем следующие обозначения.
L — срок выполнения заказа, т.е. время от момента размещения заказа до его
поставки,
xL— случайная величина, представляющая величину спроса на протяжении
срока выполнения заказа,
ць — средняя величина спроса на протяжении срока выполнения заказа,
1 Данная глава продолжает тему главы 11, посвященной детерминированным моделям

управления запасами.
608 Глава 16. Вероятностные модели управления запасами
<TL— среднеквадратическое отклонение величины спроса на протяжении срока

выполнения заказа,
В — размер резервного запаса,
а — максимально возможное значение вероятности истощения запаса на про
тяж ении срока выполнения заказа.
Основным предположением при построении модели является то, что величина
спроса xL на протяжении срока выполнения заказа L является нормально распре
деленной случайной величиной со средним ць и стандартным отклонением aL, т.е.
имеет распределение N(fiL,crL).
На рис. 16.1 показана зависимость между размером резервного запаса В и пара
метрами детерминированной модели экономичного размера заказа, которая включа
ет срок выполнения заказа L, среднюю величину спроса на протяжении срока вы
полнения заказа и экономичный размер заказа у . Заметим, что L должно быть равно
эффективному времени выполнения заказа, как это определено в разделе 1 1 . 2 . 1 .
Рис. 16.1. Р езер вны й за п а с в д ет ер м и ни р о ва н но й м о дели эко н о м и ч

ного разм ера за к а за
Вероятностное условие, которое определяет размер резервного запаса В, имеет вид

P /xL>B + \ i j < a .
По определению (см. раздел 12.4.4) случайная величина
О /.
является стандартной нормально распределенной случайной величиной, т.е. имеет

распределение ЛГ(0, 1). Следовательно,
Н а рис. 16.2 показана величина К а, которая определяется из таблицы стандарт

ного нормального распределения (см. приложение В), так что
P/z > K J = а.
Следовательно, размер резервного запаса должен удовлетворять неравенству
B > a LKc,
16.1. Модель с непрерывным контролем уровня запаса 609
№
N ( 0, 1)
Площадь = о
Рис. 16.2. Определение вероятности P/z >К„} —а
Величина спроса на протяжении срока выполнения заказа L обычно описывается

плотностью распределения вероятностей, отнесенной к единице времени (например,
к дню или неделе), из которой можно найти распределение спроса на протяжении пе
риода L. В частности, если спрос за единицу времени является нормально распределен
ной случайной величиной со средним D и стандартным отклонением о, то общий
спрос на протяжении срока выполнения заказа L будет иметь распределение N(jjl, <tl),
где /UL= DL и о, = - J g 2L . Формула для <JL получена на основании того, что значение L
является целым числом (или же округлено до целого числа).
Пример 16.1.1
В примере 11.2.1, где речь ш ла об управлении запасом неоновых ламп в универ
ситетском городке, был определен экономичный размер заказа в 1000 ламп. Тре
буется определить размер резервного запаса таким образом, чтобы вероятность
истощения запаса не превыш ала а = 0,05 при условии, что дневной спрос яв л яет
ся нормально распределенной случайной величиной с математическим ож идани
ем D = 100 ламп и среднеквадратическим отклонением о = 10 ламп, т.е. имеет
распределение N( 1 0 0 , 1 0 ).
Как следует из примера 11.2.1, эффективное время выполнения заказа L равно
2 дня. Следовательно,
Ці = DL= 100 х 2 = 200 единиц,
единиц.
Из таблицы стандартного нормального распределения (прилож ение В) опреде
ляем Ко к = 1,645. Следовательно, размер резервного запаса вы числяется сле
В > 14,14 х 1,645 = 23 лампы.
При экономичном размере заказа у* = 1000 единиц оптимальная политика управ
ления запасами с объемом резерва В состоит в заказе 1000 ламп, как только объем
запаса уменьшается до 223 единиц (= В + juL= 23 + 2 х 100).
У П Р А Ж Н Е Н И Я 16.1.1
1. В примере 16.1.1 определите оптимальное управление запасами для каждого

из следующих случаев.
a) Время выполнения заказа равно 15 дней.
b ) Время выполнения заказа равно 23 дня.
c) Время выполнения заказа равно 8 дней.
d) Время выполнения заказа равно 10 дней.
2. М узыкальный магазин продает популярный компакт-диск. Распределение
дневного спроса на диск можно аппроксимировать нормальным распределени
ем с математическим ожиданием 200 дисков и стандартным отклонением 20
дисков. Стоимость хранения диска в магазине составляет 0,04 долл. за один
день. Размещение нового заказа обходится магазину в 100 долл. Поставщик
обычно устанавливает семидневный срок для выполнения заказа. Предполо
жим, что магазин хочет ограничить вероятность истощения запаса дисков на
протяжении срока выполнения заказа величиной, не превышающей 0,02. Оп
ределите оптимальное управление запасами для магазина.
3. Дневной спрос на фотопленку в подарочном магазине курортной зоны является
нормально распределенной случайной величиной с математическим ожидани
ем 30 пленок и стандартным отклонением 5 пленок. Стоимость хранения ка
тушки с пленкой в магазине составляет 0,02 долл. Размещение нового заказа
на фотопленку каждый раз обходится магазину в 30 долл. Стратегия магазина
по управлению запасами состоит в размещении заказа на 150 фотопленок, как
только уровень запаса опускается до 80 единиц, тем самым поддерживается
одновременно постоянный резерв в 20 фотопленок.
a) Д ля указанной стратегии магазина по управлению запасами определите ве
роятность истощения запаса на протяжении срока выполнения заказа.
b) Разработайте рекомендации для магазина относительно стратегии по
управлению запасами, предполагая, что вероятность истощения запаса
пленок на протяжении срока выполнения заказа не превышает 0 , 1 0 .
16.1.2. Стохастический вариант модели экономичного размера заказа

Нет оснований полагать, что “ рандомизированная” модель экономичного раз
мера заказа, рассмотренная в разделе 16.1.1, определит оптимальную политику
управления запасами. Подтверждением этого является то, что существенная ин
формация, имеющая отношение к вероятностной природе спроса, при этом подходе
первоначально не учитывается, а используется лиш ь независимо на последнем эта
пе вычислений. Чтобы исправить такую “ нездоровую” ситуацию, в этом разделе
рассматривается более точная модель, в которой вероятностная природа спроса
учитывается непосредственно в постановке задачи.
В отличие от ситуации, рассмотренной в разделе 16.1.1, в новой модели допус
кается неудовлетворенный спрос, как это показано на рис. 16.3. В рассматриваемой
модели заказ размером у размещается тогда, когда объем запаса достигает уровня
R. Как и в детерминированном варианте, уровень R, при котором снова размещает
ся заказ, является функцией периода времени между размещением заказа и его
выполнением. Оптимальные значения у и R определяются путем минимизации
ожидаемых затрат системы управления запасами, отнесенных к единице времени,
которые включают как расходы на размещение заказа и его хранение, так и поте
ри, связанные с неудовлетворенным спросом.
Рис. 16.3. С т о ха ст и ческ а я м одель эконом ичного разм ера за к а за
В рассматриваемой модели приняты три условия.

1. Неудовлетворенный в течение срока выполнения заказа спрос накапливается.
2. Разреш ается не более одного невыполненного заказа.
3. Распределение спроса в течение срока выполнения заказа является стацио
нарным (неизменным) во времени.
Для определения функции, отражающей суммарные затраты, отнесенные к единице
времени, введем следующие обозначения.
/(дг) — плотность распределения спроса х в течение срока выполнения заказа,
D — ожидаемое значение спроса в единицу времени,
h — удельные затраты на хранение (на единицу продукции за единицу времени),
р — удельные потери от неудовлетворенного спроса (на единицу продукции за
единицу времени),
К — стоимость размещения заказа.
Основываясь на этих определениях, вычислим компоненты функции затрат.
1. Стоимость размещения заказов. Приближенное число заказов в единицу
времени равно D/ y, так что стоимость размещения заказов в единицу време
ни равна K D /y .
2. Ожидаемые затраты на хранение. Средний уровень запаса равен
l = { y + m R - x\ )+ M{R - x ] = l + R _
2 2
Следовательно, ожидаемые затраты на хранение за единицу времени равны М.

Приведенная формула получена в результате усреднения ожидаемых запасов
в начале и конце временного цикла, т.е. величин у + M { R —x) и M { R - x } со
ответственно. При этом игнорируется случай, когда величина R —М{х) мо
жет быть отрицательной, что является одним из упрощающих допущений
рассматриваемой модели.
3. Ожидаемые потери, связанные с неудовлетворенным спросом. Дефицит возни

кает при х > R. Следовательно, ожидаемый дефицит за единицу времени равен
к
Так как в модели предполагается, что р пропорционально лиш ь объему дефици
та, ожидаемые потери, связанные с неудовлетворенным спросом, за один цикл рав
ны pS. Поскольку единица времени содержит D / y циклов, то ожидаемые потери,
обусловленные дефицитом, составляютp D S / y за единицу времени.
Результирую щ ая функция общих потерь за единицу времени TCU имеет сле
дующий вид.
Оптимальные значения у*и R*определяются из представленных ниже уравнений.
Следовательно, имеем
(1)
(2)
Так как из уравнений (1) и (2) у* и R* нельзя определить в явном виде, для их по-
иска используется численный алгоритм, предложенный Хедли и Уайтин (Hadley,
W hitin) [1]. Доказано, что алгоритм сходится за конечное число итераций при ус
ловии, что допустимое решение существует.
При R = 0 последние два уравнения соответственно дают следующее.
У= —
Если у > у , тогда существуют единственные оптимальные значения для у и R. Вы

числительная процедура определяет, что наименьшим значением у' является
•JlKDIh , которое достигается при S = 0.
Алгоритм состоит из следующих шагов.
ШагО. Принимаем начальное решение >>,=/ = ÎKDjh и считаем R0= 0.
Полагаем і = 1 и переходим к ш агу г.
Шаг і. Используем значение у. для определения Rt из уравнения (2). Ес-
ли Rt = Rj_l, вычисления заканчиваю тся; оптимальным решением
считаем у = у, и R* = Л(. Иначе подставляем значение Л, в уравне
ние (1) для вычисления уґ Полагаем 1 = і + 1 и повторяем шаг і.
Пример 16.1.2
Электротехническая компания использует в производственном процессе канифоль
в количестве 1000 галлонов в месяц. Размещение заказа на новую поставку канифоли об
ходится фирме в 100 долл. Стоимость хранения одного галлона канифоли на протя
жении одного месяца равна 2 долл., а удельные потери от ее дефицита — 1 0 долл. за
один галлон. Статистические данные свидетельствуют о том, что спрос в период по
ставки является случайной величиной, равномерно распределенной от 0 до 10 0 гал
лонов. Надо определить оптимальную политику управления запасами для компании.
Используя принятые в модели обозначения, имеем следующее.
D = 1000 галлонов в месяц,
К= 10 0 долл. за размещение заказа,
/( = 2 долл. за один галлон в месяц,
р= 10 долл. за один галлон,
f t x ) = 1 /1 0 0 , 0 < х < 100,
М{х) = 50 галлонов.
Сначала необходимо проверить, существует ли допустимое решение задачи. Ис
пользуя уравнения для V и у , получаем следующее.
. 10 x 1000
у = ---------- ==5000
5000 галлонов.
галлонов.
2
Так как у > у , значит, существует единственное решение для у* и R .

Выражение для S записывается в следующем виде:
Используя в уравнениях (1) и (2) выражение для S, получаем следующее.
(3)
Из последнего уравнения имеем
Л, = 100 — . (4)
50
Теперь используем уравнения (3) и (4), чтобы найти решение.
Итерация 1.
R, = 100 - ^ ^ = 93,68 галлонов.

50
И терация 2.
R2
S = —!— R, + 50 = 0,19971 галлонов.
200
у 2= yjl 00000 +10000 х 0,19971 = 319,37 галлонов.

319 37
Л2 = 100------:— = 93,612 галлонов.
И терац ия 3.
D2
S = —— R?+50 = 0,20399 галлонов.
200
у} = yj100000 +10000 x 0,20399 = 3 19 , 44 галлонов.

319 44
Л3 = 100------- :— = 93,611 галлонов.
3 50
Поскольку значения R2 и R3 примерно одинаковы , приближенное оптимальное ре
шение определяется значениями Л*ж 93,61 галлонов, (/*«319,4 галлонов. Следова
тельно, оптимальное управление запасами состоит в размещ ении зак аза примерно
н а 320 галлонов, к а к только запас уменьш ается до 94 галлонов.
Н а рис. 16.4 показаны эти ж е вычисления, выполненные в шаблоне Excel
c h l 6 ContinuousReviwModel.xls. Здесь задана вы сокая точность вычислений 0,000001
(в ячейке С8 ) только д ля того, чтобы продемонстрировать скорость сходимости ал
горитма. Н а практике так ая вы сокая точность не требуется. Ш аблон рассчитан
только на равномерное распределение спроса.
В С D j K
1 Continuous Review Model
2 Input data:
3 Demand rate, D = 1000
4 SetuD cost, К = 100
Unit holding cost, h 2
6 I Unit penaity cost, р 10
7 'Uniform limits(a, b)= 0 | 1М
ITolerance = 0.000001
9 Optimum solution:
10 Order quantity, y* = 319 438282
11 Reorder point, R* = 93 611234
12 Total expected cost = 826.10
13 ,iteratvie calculations:
14 Iteration і Уі Ri Si
15 0 316.227766 0.000000 0 000000
16 1 316 227766 93 675445 0.200000
17 2 319 374388 93.612512 0.204000
18 3 319.437005 93.611260 0.204080
19 4 319.438257 93 611235 0.204082
20 5 319 438282 93.611234 0.204082
Рис. 16.4. Реализация в Excel вычислений примера 16.1.2

16.2. Одноэтапные модели 615
УП РА Ж Н ЕН И Я 1 6 .1 .2
1. Д ля данных, приведенных в примере 16.1.2, определите следующее.

a) Приближенное число заказов в месяц.
b ) Ожидаемое значение месячной стоимости размещ ения заказов.
c) Ожидаемое значение месячных затрат на хранение.
d) Ожидаемое значение месячных затрат, связанны х с дефицитом.
e) Вероятность истощения запаса в течение периода выполнения заказа.
2. Решите задачу из примера 16.1.2, учитывая, что спрос в период выполнения
заказа является случайной величиной, равномерно распределенной на ин
тервале [0, 50] (галлонов).
3. В задаче из примера 16.1.2 предположите, что спрос в период поставки явля
ется случайной величиной, равномерно распределенной на интервале [40, 60]
(галлонов). Сравните решение, полученное при этих условиях, с решением,
полученным в примере 16.1.2, и интерпретируйте результаты. (Подсказка.
В обеих задачах величина М{х} одинакова, но дисперсия в этой задаче меньше.)
4. Найдите оптимальное решение задачи из примера 16.1.2, если спрос в период
поставки является нормально распределенной случайной величиной со сред
ним 100 галлонов и стандартным отклонением 2 галлона. Предположите
такж е, что D = 10000 галлонов в месяц, Л = 2 долл. за галлон в месяц, р = 4
долл. за галлон и К = 20 долл.
16.2. ОДНОЭТАПНЫЕ МОДЕЛИ

Одноэтапные модели управления запасами отражают ситуацию, когда для удовле
творения спроса в течение определенного периода продукция заказывается только один
раз. Например, модный сезонный товар устаревает к концу сезона, и, следовательно,
заказы на него могут не возобновляться. В данном разделе рассматривается два типа
таких моделей: с учетом и без учета затрат на оформление заказов.
При изложении данного материала используются следующие обозначения.
с — стоимость закупки (или производства) единицы продукции,
К — стоимость размещ ения заказа,
h — удельные затраты на хранение единицы продукции в течение рассматри
ваемого периода,
р — удельные потери от неудовлетворенного спроса (на единицу продукции за
рассматриваемый период),
D — величина случайного спроса за рассматриваемый период,
f(D) — плотность вероятности спроса за рассматриваемый период,
у — объем заказа,
х — наличный запас продукта перед размещением заказа.
Модель определяет оптимальный объем заказа у, который минимизирует сум
марные ожидаемые затраты, связанные с закупкой (или производством), хранени
ем и неудовлетворенным спросом. При известном оптимальном значении у (обозна
чается у') оптимальное управление запасами состоит в размещении заказа объемом
у*- х, если х < у; в противном случае заказ не размещается.
16.2.1. Модель при отсутствии затрат на оформление заказа

В этой модели принято следующее.
1. Спрос удовлетворяется мгновенно в начале периода непосредственно после
получения заказа.
2. Затраты на размещение заказа отсутствуют.
На рис. 16.5 иллюстрируется состояние запаса после удовлетворения спроса D.
Если D < у , запас у - D хранится на протяжении периода. Если же D > у, возникает
дефицит объема D - у.
D<y D> у
-r— t
t ?
у Т
і у -°
t t -Время
D -у
Рис. 16.5. Состояние запаса в одноэтапной модели
Ожидаемые затраты М{С(у)} на период выражаются следующей формулой.
М {C(y)} = c ( y - x ) + h j ( y - D ) f ( D ) d D + p X
j ( D- y ) f ( D) dD.
О у
Можно показать, что функция М{С{у)} является выпуклой по у и, таким образом,
имеет единственный минимум. Следовательно, вычисляя первую производную
функции М{С(у)} по у и приравнивая ее к нулю, получим
c +h j f ( D ) d D - p ~ j f ( D ) d D =О
О у
или
с + hP{D < у) + р(1 - P{D < у}) = 0.
Отсюда имеем
P{D<y} = Р-с
p +h
Правая часть последней формулы известна как критическое отношение. Значение
у определено только при условии, что критическое отношение неотрицательно, т.е.
р > с. Ситуация, когда р < с, является бессмысленной, так как это предполагает, что
стоимость закупки единицы продукции выше потери от неудовлетворенного спроса.
Ранее предполагалось, что спрос D является непрерывной случайной величи
ной. Если же D является дискретной величиной, то плотность распределения веро
ятностей f(D) определена лиш ь в дискретных точках и функция затрат вычисляет
ся в соответствии с формулой
M\C(y)} = c ( y - x ) + h'£i ( y - D ) f ( D ) + p £ ( D- y ) f ( D) .
Необходимыми условиями оптимальности служ ат неравенства

М{С(у - 1)} > М{С(у)) и М{С(у + 1)} > М{С(у)}.
Эти условия в данном случае являю тся достаточными, так как функция М{С(у)}
выпукла. Применение этих условий после некоторых алгебраических преобразова
ний приводит к следующим неравенствам для определения у .
Пример 16.2.1
Владелец газетного киоска должен определить количество экземпляров газеты USA
Now, которые должны быть в продаже в начале каждого дня. Он покупает экземп
ляр газеты за 30 центов, а продает за 75 центов. Продажа газеты обычно происхо
дит с 7.00 до 8.00 часов утра. Оставшиеся к концу дня экземпляры газеты повторно
выставляются для продажи по цене 5 центов за экземпляр. Сколько экземпляров
газеты должен закупить владелец каждое утро, если дневной спрос описывается
одним из следующих вероятностных распределений.
1. Нормальным распределением с математическим ожиданием 300 экземпляров
и стандартным отклонением 20 экземпляров.
2. Дискретной плотностью распределения j{D), заданной в виде следующей таблицы.
D 200 220 300 320 340
т 0,1 0 ,2 0 ,4 0 ,2 0,1
Стоимости хранения и потери, обусловленные дефицитом, в этой ситуации не оп

ределены в явном виде. Однако данные задачи свидетельствуют о том, что каждый
непроданный экземпляр газеты обходится владельцу в 30 - 5 = 25 центов, и что по
тери, связанные с истощением запаса газет, равны 75 - 30 = 45 центов за экземп
ляр. Следовательно, в терминах, приняты х в модели управления запасами, мы мо
жем предполагать, что с = 3 0 центов за экземпляр, /г = 25 центов за экземпляр,
р = 45 центов за экземпляр в день.
Сначала определяем критическое отношение
p +h 45 + 25
Ситуация 1. Спрос D распределен по нормальному закону N(300, 20). Определим

стандартную нормально распределенную случайную величину (с законом распре
деления N(0, 1 ))
Р -3 0 0
z =
20
Из таблицы стандартного нормального распределения находим (см. приложение В)
20
Следовательно, оптимальный объем заказа равен у —284,2 (или примерно 284) эк
земпляров.
Ситуация 2. Спрос D описывается дискретной плотностью распределения ДО). Сна

чала найдем функцию распределения Я{ D < у }.
У 200 220 300 320 340
P{D<y} 0,1 0 ,3 0 ,7 0 ,9 1,0
Д ля вычисленного критического отношения 0,214 имеем неравенства

P{D < 200} < 0,214 < P{D < 220}.
Отсюда следует, что у *= 220 экземпляров.
1. П окажите, что для одноэтапной модели с дискретной величиной спроса оп

тимальный объем заказа определяется из соотношения
p { D - y - x) - J T h - p { D - y'}-
2. Спрос на продукцию в течение единственного периода удовлетворяется мгно
венно в начале периода. Соответствующая плотность распределения вероят
ностей является экспоненциальной со средним 10 единиц. В силу сложности
оценки стоимостных параметров объем заказа определяется таким образом,
что вероятность либо излиш ка, либо дефицита не превышает 0,1. Можно ли
удовлетворить оба условия одновременно?
3. В одноэтапной модели управления запасами стоимость закупки единицы про
дукции равна 10 долл., а стоимость ее хранения — 1 долл. Найдите допусти
мую область значений удельных потерь от неудовлетворенного спроса в опти
мальном случае, если объем заказа равен 4 единицы. Также предполагается,
что спрос удовлетворяется мгновенно в начале периода, и что плотность рас
пределения величины спроса представляется следующей таблицей.
D 0 1 2 3 4 5 6 7 8
т 0 ,0 5 0,1 0,1 0 ,2 0 ,2 5 0 ,1 5 0 ,0 5 0 ,0 5 0 ,0 5
4. Книжный магазин университета предлагает ксерокопии конспектов лекций

университетских профессоров. Профессор Ятаха читает лекции первокурс
никам; на первый курс принимается от 200 до 250 студентов, причем ожи
даемое количество первокурсников подчиняется равномерному распределе
нию. Изготовление каждой копии обходится в 10 долл., магазин продает их
студентам по 25 долл. за копию. Студенты покупают конспекты в начале се
местра. К аж дая непроданная копия конспекта профессора Ятахи выставля
ется для продажи по частям. Между тем, если в магазине заканчиваются ко
пии конспектов, дополнительные копии не печатаются, и студенты сами
заботятся о том, чтобы достать конспекты из других источников. Сколько
копий конспектов лекций следует напечатать магазину, если он заинтересо
ван в максимизации своих доходов?
5. Магазин быстрого обслуживания предлагает посетителям кофе и орехи с шести
часов утра каждый день. Магазин покупает орехи по 7 центов за порцию,
а продает по 25 центов за порцию до 8 часов утра. После этого времени орехи

продаются по 5 центов за порцию. Число посетителей, которые ежедневно по
купают орехи, является случайной величиной, равномерно распределенной на
интервале [30, 50]. Каждый посетитель обычно заказывает три порции орехов
с кофе. Сколько примерно порций орехов следует закупать магазину каждое
утро в целях максимизации своих доходов?
6. Магазин одежды создает запас теплых пальто для приближающейся зимы.
Каждое пальто закупают по 50 долл., а продают со 100%-ной наценкой. В кон
це сезона проводится распродажа, и пальто реализуется по цене 55 долл. Спрос
на пальто в течение зимнего сезона является случайной величиной, равномер
но распределенной на интервале от 20 до 30. Так как зимний сезон является
коротким, затраты на хранение в расчет не принимаются. Управляющий мага
зина считает также, что не будет потерь, вызванных дефицитом товара. Опре
делите оптимальный объем заказа, который максимизирует доходы магазина.
7. Пусть в рамках одноэтапной модели спрос в течение периода меняется равно
мерно (а не удовлетворяется мгновенно в начале периода). Разработайте соот
ветствующую стоимостную модель и определите оптимальный объем заказа.
8. Решите задачу из примера 16.2.1, предположив, что спрос непрерывен и рав
номерен в течение периода; плотность вероятности спроса является постоянной
на интервале от 0 до 100. (Совет. Воспользуйтесь результатами упражнения 7.)
16.2.2. Модель при наличии затрат на оформление заказа

Рассматриваемая модель отличается от представленной в предыдущем разделе тем,
что учитывается стоимость К размещения заказа. Используя обозначения, введенные
выше, получаем следующее выражение для суммарной ожидаемой стоимости.
М {С(у)} = К + М{С.(у)} = К + с(у - х) + h j ( y - D)f(D)dD + р j ( D - y)f(D)dD.

0 v
Как показано в разделе 16.2.1, оптимальное значение у * должно удовлетворять

соотношению
Так как К является константой, минимум величины М{С.(у)} такж е должен дости
гаться при у , к ак показано на рис. 16.6.
s S У
Заказывать Не заказывать
Рис. 16.6. Определение оптимальной ве
личины заказа
На рис. 16.6 S = у* и величина s (< S) определяются из уравнения

М|С(л)} = М|Г(5)} = Л'+М|Г(5)}> s < S.
(Отметим, что это уравнение имеет и другое решение Sj > S, которое не рассмат
ривается.)
Задача формулируется следующим образом. Какое количество продукции необ
ходимо заказы вать, если наличный запас перед размещением заказа составляет х
единиц? Ответ на этот вопрос рассматривается по отдельности при выполнении
следующих условий.
1. x<s.
2. s < x < S .
3. x > S .
Ситуация 1 (x < s). Так как в наличии имеется х единиц продукции, соответст
вующие издержки содержания запаса составляют М{С(х)}. Если заказывается лю
бое дополнительное количество продукции у - х (у > х), то соответствующие затра
ты при заданной величине у равны величине Л/|С(у)}, которая учитывает
сто и м о сть^ размещения заказа. Из рис. 16.6 следует, что
min М IС(у)}= М IC(S)} < МIС(х)}.
V >х
Следовательно, оптимальной стратегией управления запасами в этом случае будет

заказ в S - х единиц.
Ситуация 2 (s < х < S ). Из рис. 16.6 видно, что
М IС(.х)} < min М [С(у)} = М {С(5)}.
\>х
Следовательно, в данном случае дополнительных затрат не возникает, если новый
заказ не размещается. Поэтому у = х.
Ситуация 3 (х > S). Из рис. 16.6 видно, что при у > х
М[С(х)}<М[С(у)}.
Это неравенство показывает, что в данном случае экономнее будет не размещать за
каз, т.е. у = х.
Описанная стратегия управления запасами, часто именуемая (з-5)-стратегией,
определяется следующим правилом.
Если х < s, делать заказ объемом S - х,
если х > s, заказы вать не следует.
Оптимальность (б--5)-стратегии следует из того, что соответствующая функция
затрат является выпуклой. Если это свойство не выполняется, данная стратегия
перестает быть оптимальной.
Пример 16.2.2
Дневной спрос на продукцию в течение одного периода удовлетворяется мгно
венно в начале периода. Спрос является случайной величиной, равномерно
распределенной от 0 до 10 единиц. Стоимость хранения единицы продукции на
протяж ении периода равна 0 ,5 0 долл., а ш траф за деф ицит единицы продук-
ц и и — 4,5 0 долл. Стоимость единицы продукции равна 0,50 долл., стоимость

размещ ения з а к а з а — 25 долл. Необходимо определить оптимальную страте
гию зак аза продукции.
Определим сначала у . Имеем
ZZ£ = M Z M = 0,8.
p +h 4,5 + 0,5
Так как
то S = у' = 8 .
Ожидаемое значение функции затрат определяется следующим образом.
V | ^ 1
Л^{^(>’)}=:0,5( у-л:) + 0,5 |— (у - £ ) ) < / £ > + 4 , 5 y)dD =
= 0,25_у2- 4>>+ 22,5 - 0,5х

Величина s определяется из уравнения
M{C(s)) = K + M{C(Sj).
0,25/ - As + 22,5 - 0,5* = 25 + 0,25S2 - 45 + 22,5 - 0,5*.
При 5 = 8 это уравнение сводится к виду
s2- 16д- - 3 6 = 0 .
Решением данного уравнения является s = - 2 и 5 = 1 8 . Значение 5 = 1 8 (превы
шающее S) следует отбросить. Так как оставшееся значение является отрицатель
ным (= -2 ), то s не имеет допустимого значения. Следовательно, оптимальной стра
тегией является отказ от размещения заказа (рис. 16.7). Т акая ситуация обычно
возникает тогда, когда ф ункция затрат является “ плоской” или когда затраты на
размещение заказа превышают другие затраты модели.
Рис. 16.7. Оптимальная стратегия размещения заказа

для примера 16.2.2
У П Р А Ж Н Е Н И Я 1 6 .2 .2
1. Определите оптимальную стратегию управления запасами для ситуации,

описанной в примере 16.2.2, если предположить, что стоимость размещения
заказа составляет 5 долл.
2. Пусть в одноэтапной модели, рассмотренной в разделе 16.2.1, необходимо
максимизировать прибыль, при этом следует учитывать стоимость размеще
ния заказа К. Постройте формулу для ожидаемого значения прибыли и опре
делите оптимальный объем заказа, используя при этом информацию из раз
дела 16.2.1 и предполагая, что стоимость продажи единицы продукции равна
г. Решите задачу при следующих данных (все величины в долл.): г = 3, с = 2,
р = 4, Л = 1 и ї = 10. Плотность вероятности спроса является постоянной на
интервале [0 , 1 0 ].
3. Реш ите упражнение 16.2.1.5, предполагая, что доставка орехов связана с по
стоянными затратами в 10 долл.
16.3. МНОГОЭТАПНЫ Е МОДЕЛИ

В этом разделе рассматривается многоэтапная модель без учета стоимости
размещ ения заказа. Кроме того, в модели предусматривается возможность за
долженности и нулевое время поставки. Предполагается такж е, что спрос D
в каж ды й период описывается стационарной (независящ ей от времени) плотно
стью вероятности /(£>).
В многоэтапной модели учитывается приведенная стоимость денег. Если а ( < 1) —
коэффициент дисконтирования (процент скидки) для одного этапа, то сумма А
спустя п этапов будет эквивалентна сумме оРА в настоящий момент.
Предположим, что планирование охватывает п этапов, и неудовлетворенный
спрос может оставаться таковым лишь на протяжении одного этапа. Пусть Ft(xt) —
максимальная суммарная ожидаемая прибыль для этапов от і до п, определенная при
условии, что xt — уровень имеющегося запаса перед размещением заказа на і-м этапе.
Используя обозначения из раздела 16.2 и предполагая, что /---- удельный доход
от реализации единицы продукции, сформулируем задачу управления запасами
в виде следующей задачи динамического программирования (см. главу 15).
= max{-c(y, -л\) + - D)~^f(D)dD +

V, 2 д , 0
+ ] [ r y , + a r ( D - y i) - p { D ~ y i)]f(D)dD +
у.
+ « ~\Fi A y i ~ D) f ( D)dD^ ' = 1> 2 , п,

о
где F„+J(i/n - D) = 0. Величина xt может принимать отрицательные значения, так как
неудовлетворенный спрос может накапливаться. Величина ar(D - у,) включена во
второй интеграл, поскольку D - у, представляет собой неудовлетворенный спрос на
і-м этапе, который должен быть удовлетворен на этапе і + 1 .
Задачу можно решить рекуррентно методами динамического программирова
ния. Если число этапов является бесконечным, приведенное выше рекуррентное
уравнение сводится к следующему.
16.3. Многоэтапные модели 623
F(x) - max{-c ( y - x ) + ' f[ rD- h( y- D) ]f ( D) dD +

y x О
+ "§ry + a r { D - у ) - p(D~ y)Y(D)dD +

>
+a\F{y-D)f(D)dD),
0
где x и у представляют собой уровни запаса на каждом этапе до и после получения
заказа соответственно.
Оптимальное значение у можно определить из приведенного ниже необходимого
условия, которое в данном случае есть такж е достаточным, так к ак ф ункция ож и
даемой прибыли F(x) является вогнутой.
^ = - c - h ] f ( D ) d D + \ ( \ - a ) r + p ] f ( D ) d D + a f F^ ~ D'>f (D)dD=0.
dF (y - D)
Величина — 1-------определяется следующим образом. Если на начало следующего
Эу
этапа уровень запаса еще составляет @ (> 0 ) единиц, то прибыль на этом этапе воз
растает на величину с/3, так к а к объем последующего заказа уменьшается именно
на эту величину. Это означает, что
ЭF ( y - D )
Эу
Следовательно, необходимое условие принимает вид
- c - h j f ( D ) d D + [ ( \ - a ) r + p ] 1- \ f ( D ) d D +ac~jf(D)dD= 0.
0 \ 0 J о
Поэтому оптимальный уровень заказа у *определяется из уравнения
’г
о р + ft + ( 1 - а ) г
Оптимальная стратегия каждого этапа при заданном исходном запасе х выра

жается следующим правилом.
Если д: < у', делать заказ объемом у - х,
если х > у , заказа не делать.
УП РА Ж Н Е Н И Я 16.3
1. Рассмотрим двухэтапную вероятностную модель управления запасами, в ко
торой спрос накапливается, а заказы поступают с нулевым запаздыванием.
Спрос в каж ды й период описывается постоянной плотностью вероятности на
интервале от 0 до 10. Стоимостные параметры модели таковы:
цена продажи единицы продукции — 2 долл.,
цена покупки единицы продукции — 1 долл.,
стоимость хранения единицы продукции — 0 ,1 0 долл.,
штраф за дефицит единицы продукции — 3 долл.,
коэффициент дисконтирования — 0 , 8 .
Определите оптимальную стратегию для двух этапов, предполагая, что на

чальный запас для первого периода равен нулю.
2. Плотность распределения величины спроса для каждого этапа в модели управле
ния запасами при бесконечном горизонте планирования имеет вид f(D) = 0,08Д
О < D < 5. Стоимостные параметры, отнесенные к единице продукции, таковы:
цена продажи — 10 долл.,
цена покупки — 8 долл.,
штраф за дефицит — 1 долл.,
коэффициент дисконтирования — 0,9.
Определите оптимальную стратегию управления запасами, предположив,
что заказы выполняются с нулевым запаздыванием и неудовлетворенный
спрос накапливается.
3. Дана модель управления запасами при бесконечном горизонте планирования,
в которой заказы выполняются с нулевым запаздыванием, а неудовлетво
ренный спрос накапливается. Определите оптимальную стратегию управле
ния запасами, основанную на минимизации ожидаемых затрат, если
затраты на хранение z единиц продукции — hzг,
штраф за дефицит z единиц продукции — p z 2.
Покажите, что в частном случае, когда h = р , оптимальное решение не зави
сит от конкретного вида вероятностного распределения спроса.
1. Hadley G. and W hitin Т., Analysis of Inventory Systems, Prentice Hall, Upper Saddle
R iver, N. J ., 1963. (Русский перевод: Хедли Д ж ., Уайтин Т. Анализ систем
управления запасами. — М.: Наука, 1969.)
2. Silver Е. and Peterson R. Decision Systems for Inventory Management and Produc
tion Planning, 2nd ed., Wiley, New York, 1985.
3. Tersine R. Principles of Inventory and Materials Management, N orth Holland,
New York, 1982.

2. Мур Д ж ., Уэдерфорд JI. Экономическое моделирование в Microsoft Excel. — М.:
Издательский дом “ Вильямс” , 2004.
16.1. 2 Телефонная компания управляет телефонными центрами, которые пре
доставляют услуги клиентам по месту жительства в своих регионах. Суще
ствует более 60 моделей телефонных аппаратов, которые предлагаются
2 Этот пример взят из работы Cohen R. and Dunford F. “Forecasting for Inventory Control: An
Example of When “Sim ple” Means “Better”, Interfaces, Vol. 16, No. 6, pp. 9 5 -9 9 , 1986.
клиентам. В настоящее время каж ды й телефонный центр содержит запас

телефонных аппаратов, рассчитанный на срок от 15 до 75 дней. Управляю
щий считает такие уровни запаса чрезмерными, так как они ежедневно по
полняются из центрального товарного склада. В то же время управляющий
должен гарантировать, что в телефонных центрах поддерживается уровень
запаса, достаточный для обеспечения обслуживания клиентов на уровне
95 % . Изучающий проблему коллектив специалистов начал свою работу со
сбора соответствующих данных. Задача этого коллектива — определить оп
тимальный уровень запаса для каждой модели телефонного аппарата. Сле
дующая таблица содержит количество установленных за день настольных
телефонных аппаратов зеленого цвета с вращающимся наборным диском.
Установленные аппараты 0 1 2 3 4
Частота 189 89 20 4 1
Аналогичные таблицы были построены для всех моделей телефонных ап

паратов.
Стоимостные параметры, необходимые для определения оптимального
уровня запаса каждой модели телефонного аппарата, трудно поддаются
оценке, и, следовательно, применение традиционных моделей управления
запасами невозможно. Поэтому исследовательский коллектив решил ис
пользовать более основательный подход к определению соответствующего
уровня запаса для различны х моделей телефонных аппаратов. В результате
исследования был сделан вывод, что как регрессионный анализ, так и ан а
лиз временных рядов не смогли обнаружить заметных тенденций спроса.
Предложите метод определения соответствующих уровней запаса для раз
личных моделей телефонных аппаратов. Сформулируйте все предположе
ния, необходимые для получения решения.
16.3. 3 М енеджер по снабжению небольших магазинов розничной торговли раз-
* мещает заказы на продукцию , чтобы получить выгоду за счет специаль
ных цен или объединения заказов, полученных от одного поставщ ика.
В результате к а к объем зак аза, так и продолж ительность ц икла (период
между последовательны ми заказам и) являю тся случайны м и. Более то
го, поскольку стратегия менедж ера, в основном, определяется не сооб
раж ен иям и управлен ия запасам и, объем зак аза и продолж ительность
ц и кла могут рассматриваться независимо в том смысле, что из меньшей
длительности циклов не следует (с необходимостью) меньший объем зак а
зов и наоборот.
П риведенная ниж е таблица содержит типичные данные д ля трех наиме
нований продукции, которые были заказаны одновременно. Эти данные
показы ваю т, что к а к объем заказа, так и продолжительность цикла яв
ляю тся случайными величинами. Более того, даж е беглый анализ данных
таблицы обнаруживает отсутствие корреляции между объемом заказа
и продолжительностью цикла.
3 Этот пример взят из работы H olt A . “M ulti-Item Inventory Control for F luctuating Reor
der Intervals”, Interfaces, Vol. 16, N o. 3, pp. 6 0 -6 7 , 1986.
Объем заказа (единицы)

Длина цикла (месяцы) Продукция 1 Продукция 2 Продукция 3
2,3 10 8 1
2,6 4 6 0
0,4 1 4 2
2,0 8 6 2
1,2 7 0 2
1,4 0 10 1
1,7 1 2 0
1,3 0 5 2
1,1 9 4 3
1,8 4 6 2
1,6 2 0 0
0,5 5 3 1
2,1 10 7 2
2,3 4 12 4
2,4 8 9 3
2,1 10 8 5
2,2 9 13 2
1,8 12 8 4
0,7 6 4 2
2,1 5 4 0
Проверка по критерию согласия для всех приведенных данных (см. главу 12)
показывает, что распределение коэффициентов спроса (объем заказа, делен
ный на длину цикла) для трех наименований продукции является распреде
лением Вейбулла /(г), плотность вероятности которого задается формулой
г> О,
где j---- коэффициент спроса на продукцию. Дальнейший анализ показыва

ет, что распределение обратной величины к длине цикла s(x) является экс
поненциальным
s(x) — х>а,
где а — минимальное значение, которое может принимать х.
Определение оптимального объема заказа основано на максимизации ожи
даемой прибыли в месяц, которая определяется формулой
Ожидаемая прибыль = J - ju (q ,r,t)f (r)dr g { t )d t = j xju^q,r,— j / ( r ) ć / r s(x)dx,
где t и g(t) представляют соответственно длину цикла и ее плотность веро

ятности. Ф ункция прибыли u(q, г, t) определяется чистым доходом р от
единицы продукции, стоимостью хранения h единиц продукции на про
тяж ении месяца и фиксированными затратами К, связанны ми с размеще
нием заказа.
1. Определите плотность вероятности спроса для каждого наименования про

дукции на основе данных таблицы.
2. Используйте приведенные в таблице значения длины ц и кла для определе
ния s(x).
3. Получите в математической форме выражение для u(q, г, t).
4. Определите оптимальный объем заказа для трех наименований продукции
при следующих данных (все величины измеряются в долл.): Рг —1 0 0 ,
р 2 = 150, Рз = 125, Л, = 2, Л2 = 1,20, Л3 = 1,65 и К = 30.
ГЛАВА 17
СИСТЕМЫ МАССОВОГО
ОБСЛУЖИВАНИЯ
Ожидание того или иного вида обслуживания является частью нашей повсе
дневной жизни. Мы ожидаем, чтобы пообедать в ресторане, мы стоим в очереди
к кассам в продовольственных магазинах и выстраиваемся в очередь в почтовых
отделениях. Однако феномен ож идания характерен не только для людей: детали,
поставленные в очередь для обработке на станке; группа пассажирских самолетов,
ожидающих разрешения на посадку в аэропорту; автомобили, движение которых
приостановлено сигналом светофора на пути их следования и т.п. К сожалению,
феномен ожидания нельзя исключить без чрезмерных расходов. И лиш ь на одно
мы можем надеяться — на возможность сокращения времени нежелательного
ожидания в очереди до некоторых терпимых пределов.
17.1. ЧТО ТАКОЕ ОЧЕРЕДЬ

Изучение очередей в системах массового обслуживания позволяет определить
критерии функционирования обслуживающей системы, среди которых наиболее
значимыми являю тся среднее время ожидания в очереди и средняя длина очереди.
Эта информация используется затем для выбора надлежащего уровня обслужива
ния, что продемонстрировано в следующем примере.
Пример 17.1.1
Посетители ресторана быстрого питания жалуются на медленное обслуживание.
В настоящее время в ресторане работают три кассира. Управляющий поручил консал
тинговой фирме провести расследование жалобы. В результате была обнаружена сле
дующая зависимость между числом кассиров и временем ожидания обслуживания.
Число кассиров 1 2 3 4 5 6 7
Среднее время ожидания (мин.) 16,2 10,3 6,9 4,8 2,9 1,9 1,3
Приведенные данные свидетельствуют о том, что при работающих в настоящее

время трех кассирах среднее время ожидания обслуживания примерно равно
7 мин. Управляющий хочет уменьшить его примерно до трех минут. Как следует из
этих же данных, среднее время ожидания становится меньше 3 мин., если число
кассиров больше или равно пяти.
630 Глава 17. Системы массового обслуживания
Результаты исследования системы обслуживания такж е можно использовать

для оптимизации модели со стоимостными характеристиками, в которой миними
зируется сумма затрат, связанных с предоставлением услуг, и потерь, обусловлен
ных задерж ками в их предоставлении. На рис. 17.1 изображена типичная стоимо
стная модель системы обслуживания (в денежных единицах за единицу времени), где
затраты на обслуживание возрастают с ростом его уровня. В то же время потери, обу
словленные задержками в предоставлении услуг, уменьшаются с возрастанием уров
ня обслуживания. Главной проблемой, связанной с применением стоимостных моде
лей, является трудность оценки потерь в единицу времени, обусловленных
задержками в предоставлении услуг. В частности, это особенно ощутимо, когда услу
ги предоставляются индивидууму, чье поведение может не совпадать с интересами
функционирования системы обслуживания (см. раздел 17.9).
Уровень обслуживания
Рис. 17.1. С т оим ост ная м одель сист ем ы обслуж ивания
УП Р А Ж Н Е Н И Я 17.1
1. Предположим, что дальнейший анализ работы ресторана быстрого питания

привел к следующим дополнительным данным.
Число кассиров 1 2 3 4 5 6 7
Простой (%) 0 8 12 18 29 36 42
a) Какова эффективность обслуживания (выраженная в процентах времени,

когда служащ ие заняты работой), если число кассиров равно пяти?
b ) У правляю щ ий желает поддерживать одновременно среднее время ожида
ния на уровне примерно трех минут и эффективность использования пер
сонала на уровне 90 %. Может ли он достичь этого? Приведите надлежа
щее объяснение.
2. Металлообрабатывающая мастерская покупает перфоратор многоцелевого
назначения. Подходящими являю тся модели А и В, эксплуатационные за
траты при их использовании равны 18 и 25 долл. в час соответственно. Пер
форатор модели А работает медленнее, чем перфоратор модели В. Анализ
систем обслуживания с такими устройствами показывает, что в случае ис
пользования модели А средняя длина очереди работ, ож идаю щ их обслу
ж и в ан и я , равна четы рем, что на 30 % выш е аналогичного показателя при
17.2. Основные компоненты моделей массового обслуживания 631
использовании модели В. Задерж ка в выполнении работы приводит к потере

прибыли, которая оценивается в 10 долл. за час ож идания в очереди. Какую
модель перфоратора следует приобрести мастерской?
17.2. ОСНОВНЫ Е КОМПОНЕНТЫ МОДЕЛЕЙ М АССОВОГО

ОБСЛУЖ ИВАНИЯ
Основными элементами модели массового обслуживания являются клиент
(заявка или требование на обслуживание либо просто “объект обслуживания” ) и сер
вис (обслуживающее устройство1, средства обслуживания и т.п.). Клиенты поступают
в систему обслуживания из источника. Поступив в сервис, они могут сразу же по
пасть на обслуживание или ожидать в очереди, если сервис занят. После завершения
процедуры обслуживания сервис автоматически “выбирает” из очереди (если она
имеется) одного из клиентов с тем, чтобы приступить к его обслуживанию. Если же
очередь отсутствует, то сервис становится незанятым до прибытия нового клиента.
Поступление клиентов в систему обслуживания характеризуется интервалом
между их последовательными поступлениями, а обслуживание — временем об
служивания клиента. В общем случае эти параметры могут быть и случайными,
как, например, в работе почтового отделения, и детерминированными, как, на
пример, прибытие на собеседование кандидатов на вакантную должность.
В анализе систем обслуживания определенную роль играет длина очереди, ко
торая может быть конечной, к ак в буферной зоне между двумя последовательными
обслуживающими устройствами, и бесконечной, как у обслуживающих операторов
почтовых отделений.
Важным фактором при анализе систем обслуживания является дисциплина
очереди (или принцип построения очереди), определяющая порядок, в соответст
вии с которым выбираются клиенты из очереди для обслуживания. Наиболее рас
пространенный принцип построения очереди основан на правиле “ первым при
шел — первым обслуживаеш ься” (это правило часто обозначается аббревиатурой
FIFO — от английского F irst-In-F irst-O ut, т.е. “ первым вошел — первым выш ел” ).
Среди других правил, определяющих принципы построения очередей, укажем
правило “ последним пришел — первым обслуживаешься” (обычно обозначается
как LIFO — от английского Last-In-First-O ut, т.е. “ последним в ош ел — первым
выш ел” ) и дисциплину очереди, определяемую случайным правилом отбора кли
ентов (иногда обозначается как S IR 0 — от английского Service-In-Random-Out, т.е.
“обслуживание по случайному принципу” ). Кроме того, клиенты могут выбирать
ся из очереди в соответствии с заданным приоритетом. Например, в производст
венном цехе срочные работы выполняются раньше обычных.
При анализе систем с очередями важным фактором является такж е поведение
индивидуума, нуждающегося в обслуживании. Такие индивидуумы, выступающие
в роли клиентов, при наличии параллельного обслуживания могут перейти из од
ной очереди в другую в надежде сократить продолжительность своего вынужденно
го ожидания. Они могут также отказаться от ожидания в очереди, так как люди
обычно не переносят длительного бездействия, или покинуть очередь, простояв в ней
какое-то время и придя к выводу, что и так уж слишком много времени потеряно.
1 Очень часто, особенно в системах с одним сервисом, понятия “обслуживающее устрой

ство” и “обслуживающая система” являются синонимами. — Прим. перев.
С труктура обслуживающей системы может включать один сервис или несколь

ко таких средств обслуживания, работающих параллельно (например, работа не
скольких клерков почтового отделения). Кроме того, сервисы могут быть располо
жены последовательно (например, обслуживание представляет собой комплекс
работ, которые выполняются последовательно на различных станках).
Источник, генерирующий “ клиентов” , подлежащих обслуживанию, может
иметь конечную или бесконечную мощность. Источник конечной мощности огра
ничивает число клиентов, поступающих на обслуживание (например, в цехе, рас
полагающем N станками, суммарное количество потенциальных заявок на их ре
монт не превышает N). Наоборот, источник бесконечной мощности всегда имеет
клиентов в “ изобилии” (например, звонки, поступающие на телефонную станцию).
Можно построить множество моделей систем массового обслуживания, варьи
руя перечисленные выше операционные характеристики систем. В этой главе рас
сматривается ряд таких моделей.
1. В каждой из следующих ситуаций определите клиент и сервис (средство об

служивания).
a) Самолеты, прибывающие в аэропорт.
b ) Стоянка такси.
c) Обрабатывающие инструменты в цехе механической обработки.
d) Письма, обрабатываемые в почтовом отделении.
e) Регистрация на учебу в университете.
f) Судебные дела судьи.
g) Процесс контроля в супермаркете.
h) Обслуживание площ адки, отведенной под автостоянку.
2. В каждой ситуации, описанной в предыдущем упражнении, определите сле
дующее: а) мощность источника “ клиентов” (конечная или бесконечная),
б) характер поступающих “ клиентов” (индивидуальные или групповые),
в) тип интервалов времени между последовательными поступлениями заявок
(случайный или детерминированный), г) тип времени обслуживания, д) вме
стимость очереди (конечная или бесконечная) и е) дисциплину очереди.
3. Проанализируйте описанные ниже ситуации и опишите их с помощью моде
лей массового обслуживания. В каждом случае определите “ клиентов” , сер
висы, дисциплину очереди, время обслуживания, максимальную длину оче
реди, а такж е источник “ клиентов” .
a) В мастерскую поступают заказы на выполнение работ. При их приемке
диспетчер указывает, является заказ срочным или обычным. Д ля выпол
нения некоторых заказов требуется использовать один из нескольких
одинаковых станков, которыми располагает мастерская. Остальные зака
зы выполняю тся на двухэтапной производственной линии; их в мастер
ской имеется две. В каж дой из двух групп оборудования мастерской один
станок предназначается для выполнения срочных работ.
b ) Заявки , поступающие на некоторое обслуживающее устройство, выпол
няю тся в порядке их поступления. Выполненные заказы до момента их
отправки клиентам складируются в специальном помещении зоны гото
вой продукции, которое имеет ограниченную вместимость.
17.3. Экспоненциальное распределение в системах массового обслуживания 633
с) Реж ущ ими инструментами различные станки обеспечиваются из цен

трального инструментального склада. При выходе станка из строя вы зы
вается механик из централизованной службы ремонта. Станки, выпол
няющие срочные заказы , всегда имеют преимущество как при получении
нового инструмента со склада, так и при выполнении ремонтных работ.
4. Истинны или лож ны следующие утверждения?
a) Если у ожидающего обслуживания клиента не хватает терпения, то он
может отказаться от дальнейшего пребывания в системе обслуживания.
b ) Если продолжительное время ожидания неприемлемо, поступивший кли
ент может отказаться от обслуживания.
c) Переход клиента из одной очереди в другую объясняется тем, что он наде
ется за счет этого сократить время ожидания.
5. В каж дой ситуации, описанной в упраж нении 1, обсудите возможности
“ кл и ен то в” , осущ ествляю щ их переход из очереди в очередь и о тказы
ваю щ ихся от обслуж ивания по причине длительности ож идания, а такж е
от дальнейш его пребы вания в обслуж иваю щ ей системе из-за медленного
обслуж ивания.
17.3. ЭКСПО НЕНЦИАЛЬНОЕ РАСПРЕДЕЛЕНИЕ В СИСТЕМАХ

МАССОВОГО ОБСЛУЖ ИВАНИЯ
В большинстве систем массового обслуживания поступление клиентов происхо
дит случайным образом. Это означает, что наступление события (например, посту
пление клиента или завершение обслуживания) не зависит от времени, прошедше
го с момента наступления предыдущего события.
Время между последовательными поступлениями клиентов и время их обслу
живания, будучи случайными, при моделировании систем массового обслужива
ния количественно описываются экспоненциальным распределением, плотность
вероятности которого имеет вид
fit) = Де'*, t > О,
где M{t) = 1/Я (подробнее см. раздел 12.4.3). То, что экспоненциальное распределе
ние является совершенно случайным, иллюстрируется следующим примером. Ес
ли сейчас 8 :2 0 и некое событие имело место в 8 :0 2 , то в соответствии с экспоненци
альным законом распределения вероятность того, что следующее аналогичное
событие произойдет в 8:29, является функцией лиш ь интервала времени от 8:20 до
8:29 и не зависит от интервала времени, прошедшего с момента наступления по
следнего события (от 8:02 до 8:20). Данное свойство экспоненциального распреде
ления обычно называют отсутствием последействия или отсутствием памяти.
Пусть время t наступления какого-либо события распределено по экспоненци
альному закону с функцией плотности fit). Если S — время, прошедшее с момента
наступления предыдущего события, то свойство отсутствия последействия выра
жается соотношением
P {t> T + S\t> S}= P {t> T }.
Для доказательства этого равенства заметим, что
Р{*>У} = 1 -Р{* <У} = е 'ДУ.
P{t >Т + S \ t > S} =
Пример 17.3.1
При обслуживании сложного агрегата всегда существует запасной блок для немед
ленной замены в случае поломки. Время выхода из строя агрегата (или его запасно
го блока) является случайной величиной, распределенной по экспоненциальному
закону, и в среднем происходит каж ды е 40 минут. Оператор, обслуживающий аг
регат, утверждает, что агрегат “ имеет привычку” выходить из строя каж ды й вечер
около 20:30. Проанализируем утверждение оператора.
Средняя интенсивность отказов агрегата равна Я = 60/40 = 1,5 отказа в час. Следо
вательно, плотность экспоненциального распределения времени отказа имеет вид
Л 0 = 1,5е’1А, / > 0.
Что касается заявления оператора, то и без вычислений видно, что оно не может соот
ветствовать действительности, так как не согласуется с тем, что время между отказа
ми агрегата распределено по экспоненциальному закону и, следовательно, является
случайным. Д ля подтверждения или опровержения заявления оператора нельзя ис
пользовать вероятность того, что отказ будет происходить в 20:30, так как вероят
ность такого события зависит от времени дня (относительно 20:30), когда зта вероят
ность вычисляется. Например, если вычисления выполняются в 20:20, то вероятность
того, что утверждение оператора окажется справедливым зтим вечером, равна
т.е. является очень малой. Если вычисления выполняются в 19:00, то вероятность

того, что отказ будет иметь место в 20:30, возрастает примерно до 0,9 (проверьте!).
Эти два крайних значения вероятности показывают, что достоверность утвержде
ния оператора нельзя проанализировать на основе полученных вероятностей;
в данной ситуации мы долж ны полагаться только на характеристики экспоненци
ального распределения (точнее, на его свойство отсутствия последействия).
1. Объясните связь между интенсивностью поступления заявок на обслужива
ние Я и средним временем между последовательными их поступлениями.
В каки х единицах измеряется каж д ая из этих величин?
2. В каждом из следующих случаев определите среднюю интенсивность (в час)
поступлений заявок на обслуживание Я и среднее время между их последова
тельными поступлениями.
a) Каж ды е 10 минут происходит одно поступление.
b) Каж ды е 6 минут происходит два поступления.
c) Число поступлений за 30 минут равно 10.
d) Средний интервал между последовательными поступлениями равен 0,5 часа.
17.3. Экспоненциальное распределение в системах массового обслуживания 635
3. В каждом из следующих случаев определите среднюю (в час) интенсивность

обслуживания ц и среднее время обслуживания.
a) Каждые 12 минут выполняется одно обслуживание.
b) Каждые 15 минут две обслуженные заявки покидают систему.
c) Число обслуженных клиентов за 30 минут равно 5.
d) Среднее время обслуживания равно 0,3 часа.
4. В примере 17.3.1 определите следующие показатели.
a) Среднее число отказов за неделю, если система обслуживания функцио
нирует 7 дней в неделю по 24 часа в день.
b) Вероятность по крайней мере одного отказа за два часа.
c) Вероятность того, что следующий отказ не произойдет на протяжении
трех часов.
d) Если после последнего отказа на протяжении трех часов других отказов не
было, то какова вероятность того, что время между последовательными
отказами системы равно по крайней мере 4 часа?
5. Время между последовательными поступлениями клиентов в Управление
департамента государственных сборов распределено по экспоненциальному
закону со средним значением 0,05 часа. Управление начинает работу в 8:00.
a) Определите плотность вероятности экспоненциального распределения, опи
сывающего время между последовательными поступлениями клиентов.
b) Определите вероятность того, что до 8:15 в управлении клиентов не будет.
c) Сейчас 8:35. Последний клиент прибыл в управление в 8:26. Какова веро
ятность того, что следующий клиент прибудет до 8:38? Какова вероят
ность того, что следующего клиента не будет до 8:40?
d) Чему равно среднее число посетителей, которые прибудут в управление от
8:10 до 8:45?
6 . Пусть время между отказами механизма распределено по экспоненциально
му закону со средним 6 часов. Если механизм работал безотказно на протя
ж ении последних трех часов, то какова вероятность того, что не будет отказа
на протяжении следующего часа? Найдите такж е вероятность того, что на
протяжении следующего получаса произойдет отказ.
7. Время между последовательными поступлениями клиентов в игротеку распре
делено по экспоненциальному закону с математическим ожиданием 10 минут.
a) Какова интенсивность прихода клиентов в час?
b) Какова вероятность того, что на протяжении следующих 15 минут в игро
теку не придет ни один клиент?
c) Какова вероятность того, что на протяжении следующих 20 минут в игро
теку придет по крайней мере один клиент?
8 . Помогите управляющему нового ресторана быстрого питания описать количе
ственно процесс поступления посетителей, оценивая долю интервалов времени
между их приходами, которые будут а) меньше двух минут, б) больше трех ми
нут и в) от двух до трех минут. Интенсивность поступления посетителей в рес
тораны подобного типа равна 35 клиентов в час. Время между приходами по
следовательных посетителей распределено по экспоненциальному закону.
9. Официанты О, и 0 2 ресторана быстрого питания в ожидании посетителей за

няты следующей игрой: если в течение одной минуты в ресторан не прибудет
ни один посетитель, Oj платит 2 цента 0 2, в противном случае 2 цента от 0 2 по
лучает О,. Требуется вычислить средний выигрыш официанта О j за восьмича
совой период. Время между последовательными прибытиями посетителей рас
пределено по экспоненциальному закону со средним значением 1,5 мин.
10. Пусть в предыдущей ситуации (упражнение 9) правила игры таковы, что
официант О j платит 2 цента Ог, если следующий посетитель прибывает через
1,5 мин. после предыдущего, а официант Ог платит такую же сумму Oj, если
очередной промежуток между последовательными прибытиями посетителей
не превышает одной минуты. Если последовательные прибытия посетителей
происходят в пределах от 1 до 1,5 мин., игра заканчивается вничью. Требует
ся вычислить средний выигрыш официанта Oj за восьмичасовой период.
11. Предположим, что в ситуации из упражнения 9 официант 0 2 платит 2 цента
Oj, если следующий посетитель прибывает после предыдущего в пределах 1
мин., и 3 цента, если это происходит в пределах от 1 до 1,5 мин. Официант 0 2
получает 5 центов от О,, если интервал между прибытиями следующего
и предыдущего посетителей находится в пределах от 1,5 до 2 мин., и 6 цен
тов, если это время больше 2 мин. Требуется вычислить средний выигрыш
официанта 0 2 за восьмичасовой период.
12. Посетитель ресторана быстрого питания, который приходит в пределах че
тырехминутного интервала после предыдущего посетителя, обслуживается
без очереди. Если же время между последовательными приходами посетите
лей составляет от 4 до 5 мин., время ожидания будет около 1 мин. Если же
время между последовательными приходами посетителей больше 5 мин.,
время ожидания составляет около 2 мин. Время между последовательными
приходами посетителей является случайной величиной, распределенной по
экспоненциальному закону со средним значением 6 мин.
a) Определите вероятность того, что прибывающий посетитель не будет
ожидать в очереди.
b ) Определите среднее время ожидания для прибывающего посетителя.
13. Известно, что время между отказами в работе холодильника является случай
ной величиной, распределенной по экспоненциальному закону со средним зна
чением 9000 часов (примерно один год эксплуатации), и производящая компа
ния выдает на холодильник годичную гарантию. Какова вероятность того, что
холодильник потребует ремонта во время гарантийного срока?
14. В университетском городке функционируют две автобусные линии: красная
и зеленая. Красная обслуживает северную часть городка, зеленая — южную.
Автобусные линии связаны пересадочной станцией. Время между прибытиями
автобусов зеленой линии на пересадочную станцию является случайной вели
чиной, распределенной по экспоненциальному закону со средним значением
10 мин. Аналогичный показатель для автобусов красной линии равен 7 мин.
a) Найдите распределение времени ожидания студента, который прибывает
по красной линии для пересадки на зеленую.
b ) Найдите распределение времени ожидания студента, который прибывает
по зеленой линии для пересадки на красную.
15. Докажите, что математическое ожидание и стандартное отклонение для экс
поненциального распределения совпадают.
17.4. Модели рождения и гибели.. 637
17.4. МОДЕЛИ РОЖДЕНИЯ И ГИБЕЛИ (СВЯЗЬ МЕЖДУ

ЭКСПОНЕНЦИАЛЬНЫ М И ПУАССОНОВСКИМ
РАСПРЕДЕЛЕНИЯМ И)
В данном разделе рассматриваются две модели обслуживающих систем: в пер
вой представлены только поступления клиентов (модель чистого рождения), во
второй — только выход клиентов из системы (модель чистой гибели). Примером
модели чистого рождения является процесс оформления свидетельств о рождении
детей. В качестве модели чистой гибели может служ ить случайное изъятие храня
щихся на складе запасов.
Данные модели строятся на основе экспоненциального распределения, которое
задает интервал времени между рождениями или гибелью. Побочным продуктом
этих построений является демонстрация тесной связи между экспоненциальным
распределением и распределением Пуассона в том смысле, что одно из них автома
тически определяет другое.
17.4.1. Модель чистого рождения

Пусть p 0(t) — вероятность отсутствия событий (поступления клиентов) за пери
од времени t. При условии, что длина интервала времени Т между поступлениями
клиентов описывается экспоненциальным распределением с интенсивностью Я, бу
дем иметь
p0(t) = Р{интервал времени Т > t} = 1 - Р{интервал времени Т <t} =
Экспоненциальное распределение базируется на предположении, что на достаточно

малом временном интервале h > О может наступить не более одного события
(поступления клиента). Следовательно, при h -» О
/>,(Л)= 1 - p 0(h)*Zh.
Этот результат показывает, что вероятность поступления клиента на протяжении
интервала h прямо пропорциональна h с коэффициентом пропорциональности,
равным интенсивности поступлений Я.
Чтобы получить распределение числа клиентов, поступивш их на п ротяж е
нии некоторого интервала времени, обозначим через p„(t) вероятность поступ
ления п клиентов на протяж ении времени t. При достаточно малом h > О имеем
следующее.
Р„(* + А) */>„(0(1 - Щ + Р . - ^ Л Н , п > О,
p0(t + h) * p 0(t)(l - Ah), n = 0.
Из первого уравнения следует, что поступление п клиентов на протяжении времени
t + h возможно в двух случаях: если имеется п поступлений на протяжении време
ни t и нет поступлений за время h, или существует п - 1 поступлений за время t
и одно поступление за время h. Любые другие комбинации невозможны вследствие
того, что на протяжении малого периода h возможно наступление только одного со
бытия. В соответствии с условием независимости событий к правой части уравнения
применим закон умнож ения вероятностей. Во втором уравнении отсутствие посту

плений клиентов на протяжении интервала t + h возможно лиш ь тогда, когда нет
поступлений клиентов за время Л.
Перегруппировывая члены и переходя к пределу при Л —►0, получаем следующее.
р- W = Iі™Р"^ + Р" ^ = (0 + *A-i(') ’ ” > °>
р 'о(‘) = №0Р°^ + 1>

1 Р° ^ = - хРо{‘)’ и = 0’
где p'„(t) — производная по t ф ункцииp n(t).

Решение приведенных выше разностно-дифференциальных уравнений имеет
следующий вид:
-, и = 0, 1, 2 ,...
и!
В данном случае мы получили дискретную плотность вероятности распределения
Пуассона с математическим ожиданием М{п 11} = At поступлений за время t. Дис
персия распределения Пуассона такж е равна At.
Полученный результат означает, что всякий раз, когда временные интервалы
между моментами последовательных поступлений заявок распределены по экпо-
ненциальному закону с математическим ожиданием 1/Я, число поступлений зая
вок в интервале, равном t единиц времени, характеризуется распределением Пуас
сона с математическим ожиданием At. Верным является и обратное утверждение.
Соответствие между экспоненциальным распределением (с интенсивностью по
ступлений Я) и распределением Пуассона показано в следующей таблице.
Экспоненциальное Распределение
распределение Пуассона
Случайная переменная Время t между Количество п наступлений

наступлениями событий событий в течение заданного
периода времени Т
Значение случайной величины f> 0 л = 0 , 1 , 2 , ...
Функция плотности вероятности Ąt) = Ле"а,1 f > 0
/ ч М "е -Ь
Р„{*)= , > и = 0 ,1,2,...
и!
Среднее значение (математическое Ш временных единиц XT в течение времени Т

ожидание)
PnstĄT) = ро(7) + pi(7) + ... +
*,
1
Функция распределения
II
IA
5
Pn(7)
Вероятность, что не произойдет ни P{t > А] = е“* Ро(А) = е " *
одного события в течение времени А
Пример 17.4.1
В небольшом ш тате каж ды е 12 минут рождается ребенок. Время между рождения
ми распределено по экспоненциальному закону. Требуется определить следующее.
17.4. Модели рождения и гибели. 639
1. Среднее число рождений за год.

2. Вероятность того, что на протяжении одного дня не будет ни одного рождения.
3. Вероятность выдачи 50 свидетельств о рождении к концу третьего часа, если
известно, что на протяжении последних двух часов было выдано 40 таких
свидетельств.
Вычислим интенсивность рождении за день: , 24 x6—

—— 0 = 120 рождении за день.
Интенсивность рождений в штате за год равна Я/ = 120 х 365 = 43800 рождений.

Вероятность того, что на протяжении одного дня не родится ни один ребенок, вы
числяется с использованием пуассоновского распределения
, ч (l 20 x l ) V ,2,M
'■ •О Н — і ---------“ »■
Для вычисления вероятности выдачи 50 свидетельств о рождении к концу третьего

часа при условии, что на протяжении последних двух часов было выдано 40 таких
свидетельств, заметим, что, поскольку распределение числа рождений является пу-
ассоновским, искомая вероятность сводится к вероятности появления 10 (= 50 - 40)
рождений за один ( = 3 - 2 ) час. Так к ак Я = 60/12 = 5 рождений за час, то
■■V-1
Pw( 1)=--------------= 0,01813.
' 10!
Формулы для вычисления функциональных параметров систем обслуживания

включают громоздкие вычисления, поэтому для их выполнения желательно ис
пользовать программное обеспечение TORA. На рис. 17.2 показаны выходные дан
ные, полученные с помощью программы TORA, для модели чистого рождения с ин
тенсивностью Я/ = 5 x 1 = 5 рождений за день.
Аналогичные вычисления выполняет шаблон Excel chl7PoissonQueues.xls, такж е по
казанный на рис. 17.2.
УП РА Ж Н ЕН И Я 17.4.1
1. Пусть в примере 17.4.1 служащ ий, который вводит информацию из свиде

тельств о рождении в компьютер, обычно ожидает, пока не накопится по
крайней мере пять сертификатов. Определите вероятность того, что служа
щий будет вводить новый пакет данных каж дый час.
2. Коллекционер произведений искусства в среднем раз в месяц ездит на худо
жественные аукционы. К аж дая поездка точно гарантирует одну покупку.
Время между поездками имеет экспоненциальное распределение. Определи
те следующие параметры.
a) Вероятность того, что коллекционер на протяжении трехмесячного пе
риода не купит ни одного произведения искусства.
b) Вероятность того, что коллекционер приобретет не более восьми произве
дений искусства на протяжении года.
c) Вероятность того, что интервал между двумя последовательными поезд
ками коллекционера превысит один месяц.
Title: Example 17.4-1

Scenario 1: Pure Birth Model
Lambda = 5 00000 Mu = 0 00000

Lambda eff = Rho/c =
Ls = 5,00000
Ws =
п Probability, pn Cumulative, Pn n Probability, pn Cumulative, Pn
0 0,00674 0,00674 9 0,03627 0,96817
1 0,03369 0,04043 10 0,01813 0.98630

2 0,08422 0,12465 11 0,00824 0,99455
3 0,14037 0,26503 12 0,00343 0,99798
4 0,17547 0.44049 13 0.00132 0,99930
5 0,17547 0,61596 14 0,00047 0,99977
6 0,14622 0,76218 15 0,00016 0.99993

7 0,10444 0,86663 16 0,00005 0,99998
8 0.06528 0.93191 17 0,00001 0.99999
A 6 С щ рщ m l D -m b l .
M/M/c/GD/N/K Queueing Model
2 Input Data (to enter an infinite value, type i or infinity):
3 5і 0
4 C “ op
5 Sy . Llm.. N= infinity! Source limit. К “ I Infinity
6 Output Results (Pur* Birth Model):
■7
infinit
Ls = L La =
9 Ws =| W q=|
10 n Pn CPn 1-CPn
11 0 0 0067379470 0 0067379470 0 9932620530
1„ 1 0 0336897350 0 0404276820 0 9595723180
V 2 0 0842243375 01246520195 0 8753479805
14 3 01403738958 0 2650259153 0 7349740847
14 4 01754673698 0 4404932851 0.5595067149
11 5 01754673698 0 6159606548 0 3840393452
17 6 01462228081 0 7621834630 0.2378165370
7 01044448630 0 8666283259 0.1333716741
8 0 0652780393 0 9319063653 0 0680936347
9 0 0362655774 0 9681719427 0 0318280573
10 0 0181327887 0 9863047314 0 0136952686
11 0 0082421767 0 9945469081 0 0054530919
Ł. 12 0 0034342403 0 9979811484 0 0020188516
Р ис. 17.2. В ы ч и с л е н и е в T O R A u E x c e l ве р о я т н о ст ей и з п р и м ер а 17.4.1
3. В систему обслуживания банка заявки на обслуживание поступают с интен

сивностью 2 заявки в минуту. Требуется определить следующие параметры.
a) Среднее число заявок на протяж ении пяти минут.
b ) Вероятность того, что в течение 0,5 минуты не поступит ни одной заявки.
c) Вероятность того, что по крайней мере одна заявк а поступит в течение
следующих 0,5 минуты.
d) Вероятность того, что промежуток времени между двумя последователь
ными поступлениями заявок н а обслуживание равен по меньшей мере
трем минутам.
17.4. Модели рождения и гибели. 641
4. Время между прибытиями посетителей в ресторан распределено по экспо

ненциальному закону со средним значением 5 минут. Ресторан открывается
в 11:00. Требуется вычислить следующее.
a) Вероятность того, что в 11:12 в ресторане окажется 10 посетителей при
условии, что в 11:05 в ресторане было 8 посетителей.
b)
Вероятность того, что новый посетитель прибудет в ресторан в интервале
между 11:28 и 11:33, если известно, что предыдущий посетитель прибыл
в ресторан в 11:25.
5. Заказанные публичной библиотекой книги поступают в соответствии с пуассо-
новским распределением со средним значением 25 книг в день. На каждой полке
в хранилищах можно разместить 100 книг. Требуется вычислить следующее.
a) Среднее количество полок, ежемесячно заполняемых новыми книгами.
b) Вероятность того, что ежемесячно для размещ ения поступающих книг
потребуется более 1 0 книж ны х шкафов, если известно, что каждый
книж ны й шкаф состоит из пяти полок.
6. В университетском городке функционируют две автобусные линии: красная
и зеленая. Красная обслуживает северную часть городка, зеленая — южную.
Автобусные линии связаны пересадочной станцией. Автобусы зеленой линии
на пересадочную станцию прибывают в соответствии с распределением Пуас
сона в среднем каж дые 10 мин. Аналогичный показатель для автобусов
красной линии равен 7 мин.
a) Какова вероятность того, что оба автобуса остановятся на пересадочной
станции на протяжении пятиминутного интервала?
b)У студента, чье общежитие находится рядом с пересадочной станцией, че
рез 10 мин. лекция. Любой автобус доставит студента к учебному зданию.
Поездка занимает 5 мин., затем студент должен около 3 мин. идти пеш
ком к учебному зданию. Какова вероятность того, что студент вовремя
придет на лекцию?
7. Докажите, что среднее и дисперсия распределения Пуассона на интервале t
равны Xt, где Я — интенсивность поступления заявок.
8 . Получите распределение Пуассона из разностно-дифференциальных уравнений
модели чистого рождения. Совет. Решением дифференциального уравнения
у + a(t)y = b(t)
является ф ункция
17.4.2. Модель чистой гибели

В данной модели предполагается, что система начинает функционировать, ко
гда в момент времени 0 в ней имеется N клиентов и не допускается ни одного нового
поступления клиента. Обслуженные клиенты выбывают из системы с интенсивно
стью /л клиентов в единицу времени. Пусть pn(t) — вероятность того, что после t
временных единиц в системе остается п клиентов. Д ля получения разностно
дифференциальных уравнений относительно pn(t) обычно следуют логике рассуж
дений, использованных в модели чистого рождения (раздел 17.4.1). Поэтому имеем
P N( t + h ) = p N(t)(l - //ft),
Pn(t + h ) = p n(t)(l - juh) + p n+i(t)juh, 0 < n < N ,
Pott + h ) = p a(t)( 1 )
При h —> ? получим
pH 0 = -w v (0 >
л ( 0 = _ № " (0 + № - і ( 0 ’ 0 < n < N,
Эти уравнения имеют решение
р ( Л = Щ 2 ------- — , „ = 1 ,2 ,
"V ’ ( N -п)!
Ро(‘) = і ~ Т ІРЛ‘)’
/1=1
которое называется усеченным распределением Пуассона.
Пример 17.4.2
Секция цветов бакалейно-гастрономического магазина складирует 18 дюжин роз
в начале каждой недели. В среднем продается 3 дюжины роз в день (за один раз
продается дю жина роз), но действительный спрос подчиняется распределению Пу
ассона. К ак только уровень запаса снижается до 5 дюжин, делается новый заказ на
поставку 18 дюжин роз в начале следующей недели. Запасы по своей природе тако
вы, что все неиспользованные до конца недели розы приходят в негодность и лик
видируются. Требуется вычислить следующие параметры системы.
1. Вероятность размещения заказа к концу каждого дня недели.
2. Среднее количество роз, которые будут ликвидированы к концу недели.
Так к а к розы покупаются с интенсивностью // = 3 дюжины в день, то вероятность
того, что заказ будет размещен в конце дня t, равна
5 ( 3 / ) 18' " е - 3'
Рп<5(0 =Ро(0 +P\{t) + ... +Ps(l) =Ро(0 + ' =1’2’ - ’7-
7ҐІ (18-и)!
С помощью программы TORA получим следующие результаты расчетов (файл
chi 7ToraQueuesExl 7-4-2 .txt).
t (дни) 1 2 3 4 5 6 7
tf 3 6 9 12 15 18 21
0,0000 0,0088 0,1242 0,4240 0,7324 0,9083 0,9755
Среднее количество роз, которые будут ликвидированы к концу недели (I = 7), вы
числяется (с использованием программы TORA) следующим образом.
18
M[n\t = 7} = ^ир„(7) = 0,664 дюжины.

17.4. Модели рождения и гибели.. 643
УП РА Ж Н Е Н И Я 1 7 .4.2
1. На основе примера 17.4.2 выполняется следующее.

a) Используйте программу TORA для проверки значений p n<s(t) при * = 1 , 2 ,
..., 7.
b) Используйте программу TORA для вычисления р п(7), п = 1 ,2 ...... 18, и затем
проверьте, что эти вероятности дают значение М{п \ t = 7} = 0,664 дюжины.
2. В примере 17.4.2 определите следующее.
a) Вероятность того, что за три дня запас роз будет исчерпан.
b ) Среднее количество роз, оставш ихся к концу второго дня.
c) Вероятность того, что по крайней мере одна дюжина роз будет продана в тече
ние четвертого дня, если последняя покупка роз была в конце третьего дня.
d) Вероятность того, что интервал времени до следующей покупки роз не
превышает полдня, если последняя покупка была днем раньше.
e) Вероятность того, что на протяжении первого дня не будет продано ни од
ной дюжины роз.
3. Джазовый оркестр средней ш колы дает концерт в зале на 400 мест. Местные
фирмы покупают билеты блоками по 1 0 билетов и дарят их молодежным ор
ганизациям. Этим фирмам билеты продаются лиш ь 4 часа в день перед кон
цертом. Процесс заказа билетов по телефону является пуассоновским со
средним значением, равным 10 звонков в час. Билеты, оставшиеся после за
кры тия кассы, продаются со скидкой за час перед началом концерта. Требу
ется определить следующее.
a) Вероятность того, что можно будет купить “уцененные” билеты.
b ) Среднее значение количества “ уцененных” билетов.
4. Каждое утро в холодильник небольшой мастерской помещается два ящ ика
(по 24 банки) безалкогольных напитков для десяти работников. Они могут
утолять свою жаж ду в любой момент на протяжении восьмичасового рабочего
дня (с 8:00 до 16:00). Процесс потребления напитков является случайным (в со
ответствии с распределением Пуассона), но известно, что в среднем каждый ра
ботник употребляет примерно 2 банки в день. Какова вероятность того, что за
пас напитков исчерпается к полудню? К моменту закрытия мастерской?
5. Студент-первокурсник ежемесячно получает от родителей банковский депо
зит на 100 долл. для покрытия текущ их расходов. Получение студентом де
нег чеками по 20 долл. каж дый на протяжении месяца происходит случай
ным образом в соответствии с экспоненциальным законом со средним
значением 1 раз в неделю. Определите вероятность того, что к концу месяца
(т.е. к концу четвертой недели) у студента не будет денег на текущие расходы.
6. На складе находится 80 единиц продукции, которая изымается в соответст
вии с распределением Пуассона с интенсивностью 5 единиц в день. Требуется
определить следующее.
a) В ероятность того, что за два дня из склада будет изъято 10 единиц
продукции.
b ) Вероятность того, что к концу четвертого дня на складе не останется ни
одной единицы продукции.
c) Среднее количество и зъ яты х единиц продукции на протяж ении четы
рех дней.
7. Ремонтный цех предприятия только что складировал 10 комплектов запас

ных частей для ремонта автомобилей данного предприятия. Пополнение за
паса в таком же объеме происходит каждые 7 дней. Время между поломками
автомобилей является случайной величиной, распределенной по экспонен
циальному закону со средним значением, равным одному дню. Определите
вероятность того, что автомобиль 2 дня будет находиться в неисправном со
стоянии из-за отсутствия запасных частей.
8 . Объем спроса на изделие является случайной величиной, распределенной по
закону Пуассона со средним значением 3 единицы в день. М аксимальная вме
стимость склада равна 25 единицам. Склад полностью заполняется каждый
понедельник сразу же после получения нового заказа. Объем заказа зависит от
количества изделий, оставшихся к концу недели в субботу (воскресенье —
выходной день). Требуется определить следующие параметры.
a) Средний недельный объем заказа.
b ) Вероятность отсутствия запаса утром в пятницу.
c) Вероятность того, что недельный объем заказа превысит 10 единиц.
9. Докажите, что в модели чистой гибели распределение времени между удале
ниями (подчиняющимися усеченному распределению Пуассона) клиентов из
системы является экспоненциальным с математическим ожиданием 1 / / / еди
ниц времени.
10. Получите усеченное распределение Пуассона из разностно-дифференциаль-
ных уравнений модели чистой гибели с помощью метода индукции.
(Подсказка. См. указание к упражнению 17.4.1.8.)
17.5. ОБЩ АЯ МОДЕЛЬ СИСТЕМЫ М АССОВОГО

ОБСЛУЖ ИВАНИЯ
В данном разделе рассматриваются общие системы массового обслуживания,
в которых есть к а к входной поток клиентов, так и выходной поток обслуженных
клиентов. Время между последовательными поступлениями клиентов и время об
служ ивания являю тся экспоненциально распределенными случайными величина
ми. Эта модель служит основой при рассмотрении специализированных моделей
Пуассона, которым посвящен раздел 17.6.
При рассмотрении общих систем массового обслуживания предполагается, что
система функционирует в течение достаточно большого интервала времени, по ис
течении которого в ее работе наступает стационарный режим. Этот режим функ
ционирования обслуживающей системы противопоставляется переходному (или
неустановившемуся) режиму, который превалирует в самый начальный период
функционирования системы. В этой главе не рассматриваются переходные режимы
работы систем массового обслуживания, поскольку, во-первых, это связано с серь
езными математическими трудностями, а, во-вторых, на практике данные системы
обычно предназначаются для работы в течение весьма длительного времени.
В рассматриваемой в этом разделе общей модели системы массового обслужива
ния предполагается, что и интенсивность поступления клиентов, и интенсивность
выходного потока зависят от состояния системы, что означает их зависимость от
числа клиентов в системе обслуживания. Например, сборщик платы за проезд по
автомагистрали в часы интенсивного движения стремится ускорить сбор пошлины.
Или в мастерской с фиксированным количеством станков интенсивность их поломки
убывает по мере возрастания числа аварийных станков, ибо лиш ь работающие

станки могут выходить из строя.
Введем следующие обозначения.
п — число клиентов в системе обслуживания (в очереди и на обслуживании),
Лп— интенсивность поступления в систему клиентов при условии, что в системе
уже находится п клиентов,
цп— интенсивность выходного потока обслуженных клиентов при условии, что
в системе находится п клиентов,
р п— вероятность того, что в системе находится п клиентов.
В общей модели системы массового обслуживания устанавливается функциональ
ная зависимость вероятностей р п от Лп и цп. Эти вероятности используются затем
при определении функциональных характеристик обслуживающей системы, таких
как средняя длина очереди, среднее время ож идания и средний коэффициент ис
пользования сервисов.
Вероятности р п определяются из диаграм м ы интенсивностей переходов, пред
ставленной на рис. 17.3. Обслуживающая система находится в состоянии п, если
в ней имеется п клиентов. К ак показано в разделе 17.3, вероятность появления бо
лее одного нового клиента на протяжении малого промежутка времени h стремится
к нулю при h —> 0. Это означает, что при п > 0 состояние п может быть изменено
в двух возможных направлениях: п - 1 , когда с интенсивностью //л обслуженный
клиент выбывает из системы, и п + 1 , когда клиенты поступают с интенсивностью
Лл. Состояние 0 может измениться лиш ь к состоянию 1, когда имеет место поступ
ление клиента с интенсивностью А0. Заметим, что //„ не определено, так как клиен
ты не могут выбывать из пустой системы обслуживания.
Ао Я] An_ j Ар
Иг Мп /*п+1
Р ис. 17.3. Д и а гр а м м а и н т е н си вн о ст ей переходов
При выполнении условий стационарности ожидаемые интенсивности входного

и выходного потоков в состоянии п ( п > 0) должны быть равны. Так как состояние п
может изменяться Л И Ш Ь К СОСТО ЯН И ЯМ П - І И П + 1, отсюда следует
ожидаемая интенсивность
входного потока в состоянии п
Аналогично
( ожидаемая интенсивность 'j
= ( ^ + м„)р„-
^выходного потока в состоянии п )
Приравнивая эти две интенсивности, получаем следующее уравнение баланса.

К - А - 1 + Я + іР ^ і = ( К +я)Р«> п = 1 , 2 , ...
Как видно из рис. 17.3, уравнение баланса, соответствующее п = 0, имеет вид

* oPo=MJ>i-
Уравнения баланса решаются рекуррентно, последовательно вы раж ая вероят

ности р, черезр 0 следующим образом: для п = 0 имеем
Рі = Ро-
Д ля n = 1 получаем
^оРо МтРг
Подставляя сюда р, = (Д0///,)р 0 и упрощ ая полученное выражение, имеем
(проверьте!)
Рг '■ V O Ро-
Методом индукции можно показать, что
Po, п = 1, 2 , ...
Значение р 0определяется из уравнения = 1.
Пример 17.5.1
Бакалейный магазин работает с тремя кассами. Вывеска возле касс извещает поку
пателей, что в любой момент будет открыта дополнительная касса, к ак только чис
ло покупателей в любой очереди превысит 3. Это означает, что если число покупа
телей меньше четырех, то работать будет лиш ь одна касса. Если число покупателей
от четырех до шести, то будет работать две кассы. Если имеется больше шести по
купателей, будут открыты все три кассы. Покупатели подходят к кассам в соответ
ствии с распределением Пуассона с математическим ожиданием 10 человек в час.
Время обслуживания одного покупателя в кассе распределено по экспоненциаль
ному закону со средним 12 минут. Определим в установившемся режиме вероят
ность р п, что п покупателей стоят в очереди в кассу.
Из формулировки задачи имеем следующее.
Ап= Л = 10 покупателей в час, п = 0 , 1 , ...,
•yj = 5 покупателей в час, и = 0,1,2,3,
: 2 x 5 = 10 покупателей в час, п = 4,5,6,

3 x 5 = 15 покупателей в час, и = 7,8, ...
(Ю
Ра :
ТІ® —
- і'т ЇЇїїЬ —
-ІТ ЇЙ Ї—
^ Ш Ш 'М т Г
Значение р 0 определяется из уравнения
Ро Ро 2 + 4 + 8 + 8 + 8 + 8 + 8 | | j + 8 f | j + s f | l +••■ = 1
или, что равносильно,
p J3 1 + 8
1+lf Г I і + - = 1.
Используя формулу суммы бесконечной геометрической прогрессии

1
i«0 1— X
w <l
получаем следующее.
Ро 31 + 8 = 1.
1-
Следовательно,р 0= 1/35.
Зная р 0, можно определить любую вероятность, имеющую отношение к задаче. Н а
пример, вероятность того, что будет работать лиш ь одна касса, вычисляется как
вероятность нахождения в системе не больше трех клиентов, т.е.
Ро + Рі + Рі + Рз= (1 + 2 + 4 + 8 )(1 /3 5 )а 0,273.
Здесь предполагается, что в бакалейном магазине будет открыта к ак минимум одна
касса, даже в том случае, когда вовсе нет покупателей.
Вероятности р п можно использовать для определения численных значений функ
циональных характеристик рассматриваемой системы. Например, среднее количе
ство неработающих касс равно
Зр 0 + 2 (р, + р 2 + р 3) + 1 (р4 + р 6 + р 6) + 0 (р7 + р 8 + ...) = 1 касса.
У П РА Ж Н Е Н И Я 17.5
1. В примере 17.5.1 определите следующие характеристики системы.

a) Распределение вероятностей количества работающих касс.
b ) Среднее количество неработающих касс.
2. Пусть в задаче о бакалейном магазине из примера 17.5.1 время между подхо

дом покупателей к кассам распределено по экспоненциальному закону со
средним 5 мин., а время расчета одного покупателя в кассе распределено по
такому же закону со средним 10 мин. Предположим далее, что будет уста
новлена четвертая касса, и все кассы будут открываться при увеличении
числа покупателей на два. Требуется определить следующие величины.
a) Вероятности р пустановившегося режима для всех п.
b ) Вероятность того, что четвертая касса будет открыта.
c) Среднее количество неработающих касс.
3. Пусть в задаче о бакалейном магазине из примера 17.5.1 три кассы всегда от
кры ты , и обслуживание организовано так, что покупатель будет подходить к
первой свободной кассе. Определите следующие величины.
a) Вероятность того, что покупатели будут у всех трех касс.
b ) Вероятность того, что подошедший к кассам покупатель не будет ожидать
обслуживания.
4. Б анк имеет один пункт, где клиенты могут воспользоваться банковским ав
томатом, не выходя из автомобиля. Автомобили прибывают в соответствии
с распределением Пуассона с интенсивностью 12 автомобилей в час. Время,
необходимое для обслуживания клиента банкоматом, распределено по экс
поненциальному закону со средним, равным 6 мин. М аксимальная вмести
мость полосы обслуживания банкоматом составляет 10 автомобилей. При
заполненной полосе прибывающие клиенты должны обратиться к другому
банку. Определите следующие величины.
a) Вероятность того, что прибывающий клиент не сможет воспользоваться
услугами банковского автомата из-за того, что полоса обслуживания бу
дет заполнена.
b ) Вероятность того, что прибывающий клиент не сможет воспользоваться
услугами банковского автомата без ожидания.
c) Среднее количество автомобилей в полосе обслуживания.
5. Вы слыш али когда-либо, чтобы кто-то повторял противоречивое заявление:
“ Это место настолько переполнено, что больше туда никто не ходит” ? Это ут
верждение можно интерпретировать в том смысле, что возможность отказа
от обслуживания возрастает с ростом числа клиентов, которые нуждаются
в обслуживании. Возможной основой для моделирования этой ситуации яв
ляется утверждение о том, что интенсивность входного потока клиентов
уменьшается, если число клиентов в системе возрастает. Д ля конкретности
рассмотрим упрощенную модель бильярдного клуба, куда посетители обычно
приходят парами для игры в бильярд. Нормальная интенсивность прихода
клиентов равна шести парам в час. Однако если число пар в бильярдном клубе
превышает восемь, интенсивность поступления клиентов уменьшается до 5 пар
в час. Предполагается, что входной поток подчиняется распределению Пуассо
на. Время игры каждой пары является случайной величиной, распределенной
по экспоненциальному закону с математическим ожиданием 30 мин. Бильярд
ный клуб имеет в своем распоряжении 5 бильярдных столов и одновременно
может расположить не более 12 пар. Определите следующие величины.
a) Вероятность того, что клиенты начнут отказываться от сервиса.
b) Вероятность того, что все бильярдные столы заняты .
c) Среднее количество используемых бильярдных столов.

d) Среднее число пар, ожидающих освобождения бильярдного стола.
6. П арикмахерская в любой момент времени может обслужить только одного
клиента. Имеется такж е три места для ожидающих клиентов. Это значит,
что в парикмахерской одновременно не могут находиться более четырех че
ловек. Клиенты приходят в соответствии с распределением Пуассона со сред
ним значением 4 человека в час. Время обслуживания является случайной
величиной, распределенной по экспоненциальному закону с математическим
ожиданием 15 мин. Определите следующие величины.
a) Вероятности установившегося режима.
b ) Ожидаемое число клиентов в парикмахерской.
c) Вероятность того, что клиент уйдет в поисках другой парикмахерской,
поскольку все места заняты .
7. Рассмотрите систему обслуживания с одним сервисом, в которой интенсив
ности входного и выходного потоков имеют следующий вид.
Лп = 10 - п, п = 0 , 1 , 2 , 3,
и
и* = 2- + 5, /1 = 1,2,3,4.
Эта ситуация эквивалентна снижению интенсивности входного потока и уве

личению интенсивности выходного потока при увеличении числа п клиентов
в системе.
a) Постройте диаграмму переходов и уравнение баланса для описанной си
туации.
b ) Определите вероятности установившегося режима.
8. Рассмотрите простую систему обслуживания, когда в ней может находиться
лиш ь один клиент. Прибывающие клиенты, которые застают систему заня
той, покидают ее и больше к ее услугам не обращаются. Пусть поступления
клиентов происходят в соответствии с распределением Пуассона со средним Л
человек в единицу времени, а время обслуживания является экспоненциаль
но распределенной случайной величиной со средним 1 / ц временных единиц.
a) Постройте диаграмму переходов и уравнения баланса.
b ) Определите вероятности установившегося режима.
c) Определите среднее число клиентов в системе.
9. Процедура получения общего решения для системы обслуживания общего
вида с использованием метода индукции выполняется следующим образом.
Рассмотрим соотношения
' X, '
Pt =п р0, к = п , п -\ ,п ~ 2 .
Чтобы получить искомое выражение для р п, следует подставить выражения

д л я р п_, и р л_2вобщ ее разностное уравнение, включающее и р„_2. Про
верьте корректность этой процедуры.
17.6. С ПЕЦИАЛИЗИРО ВАННЫ Е СИСТЕМ Ы О БСЛУЖ ИВАНИЯ

С ПУАССОНОВСКИМ РАСПРЕДЕЛЕНИЕМ
На рис. 17.4 схематически представлена специализированная система обслужи
вания пуассоновского типа, в которой параллельно функционируют с идентичных
сервисов (средств обслуживания). Ожидающий клиент выбирается из очереди для
обслуживания на первом свободном сервисе. Интенсивность поступления клиентов
в систему равна Л клиентов в единицу времени. Все параллельные сервисы являю т
ся идентичными; это означает, что интенсивность обслуживания каждого сервиса
равна ц клиентов в единицу времени. Число клиентов, находящ ихся в системе об
служивания, включает тех, кто уже обслуживается, и тех, кто находится в очереди.
Обозначения, наиболее подходящие д ля характеристик системы обслуживания
(рис. 17.4), имеют следующую структуру:
(а / b / с ) : (d / е / f),
где
а — тип распределения моментов времени поступления клиентов в систему,
Ь — тип распределения времени между появлением элементов выходного пото
ка (времени обслуживания),
с — количество параллельно работающих сервисов ( = 1 , 2 , ..., с о ),
d — дисциплина очереди,
е — максимальная емкость (конечная или бесконечная) системы (количество
клиентов в очереди плюс число клиентов, приняты х на обслуживание),
f — емкость (конечная или бесконечная) источника, генерирующего клиентов.
■*---------------------Система обслуживания —-------------------►

Средства
«------------------ Очередь-----------------обслуживания -»■
Рис. 17.4. С ист ем а обслуж и ва ни я с н е с к о л ь к и м и сервисам и
Стандартными обозначениями для типов распределений входного и выходного

потоков (символы а и Ь) являю тся следующие.
М — марковское (или пуассоновское) распределение моментов поступления
клиентов в систему либо их выхода из нее (или эквивалентное экспоненциальное
17.6. Специализированные системы обслуживания с пуассоновским распределением 651
распределение интервалов времени между моментами последовательных поступ

лений или продолжительностей обслуживания клиентов),
D — детерминированный (фиксированный) интервал времени между момента
ми последовательных поступлений в систему клиентов (или детерминированная
(фиксированная) продолжительность обслуживания клиентов),
Ек— распределение Эрланга, или гамма-распределение интервалов времени
(или, что то же самое, распределение суммы независимых случайных величин,
имеющих экспоненциальное распределение),
GI — произвольный (общий) тип распределения моментов поступления клиен
тов на обслуживание,
G — произвольный (общий) тип распределения продолжительности обслужива
ния клиентов.
Д ля дисциплины очереди (символ d) используются следующие обозначения.
PCFS — первым приш ел — первым обслуживаешься,
LCFS — последним приш ел — первым обслуживаешься,
SIRO — случайный отбор клиентов,
GD — произвольный (общий) тип дисциплины.
Д ля иллюстрации рассмотрим структуру системы обслуживания, которая соот
ветствует модели (М / D / 10): (GD / N / со). В соответствии с принятыми обозначе
ниями здесь речь идет о системе (и, соответственно, модели) массового обслужива
ния с пуассоновским входным потоком (или экспоненциальным распределением
интервалов времени между моментами последовательных поступлений клиентов),
фиксированным временем обслуживания и десятью параллельно функционирую
щими сервисами. При этом дисциплина очереди не регламентирована, и макси
мальное количество допускаемых в систему клиентов равно N. Наконец, источник,
“ порождающий клиентов” , имеет неограниченную емкость.
В качестве исторической справки заметим, что первые три элемента ( а / Ь / с )
рассмотренного обозначения были введены Кендаллом (D. G. Kendall) в 1953 го
ду, и в литературе по теории массового обслуживания они фигурируют к ак обо
значения К еи далла. Позднее в 1966 году Ли (А. М. Lee) добавил к ним символы d
и е. Автором этой книги в 1968 году был введен последний символ приняты х обо
значений — f.
Перед детальным рассмотрением системы обслуж ивания пуассоновского типа
покаж ем, к а к с помощью полученных в разделе 17.5 вероятностей р п, соответст
вующих стационарному реж иму, можно получить функциональные характери
стики системы.
17.6.1. Функциональные характеристики стационарных систем

обслуживания
Основными функциональными характеристиками систем массового обслужи
вания являю тся следующие.
L' — среднее число находящ ихся в системе клиентов,
Lq— среднее число клиентов в очереди,
Ws — средняя продолжительность пребывания клиента в системе,
W — средняя продолжительность пребывания клиента в очереди,

с — среднее количество заняты х средств обслуживания (сервисов).
Напомним, что система включает к ак очередь, так и средства обслуживания.
Покажем, как перечисленные функциональные характеристики получаются
(прямо или косвенно) из вероятностей р п— вероятностей того, что в системе нахо
дится п клиентов. В частности, имеем следующее.
Ls=Y,np„,
п-1
А, = Z ( " - с)л.-
л=г+1
Зависимость между Lt и W Л(а такж е между Lq и W?), известная в литературе по

теории массового обслуживания как формула Л иттла, имеет вид
4 = ^ w q.
Эти соотношения справедливы при достаточно общих условиях. Параметр А
представляет собой эффективную интенсивность поступления клиентов в систему
обслуживания. Он равен (исходной) интенсивности поступления клиентов Л, когда
все прибывающие клиенты имеют возможность попасть в обслуживающую систе
му. Если же некоторые клиенты не имеют такой возможности по той причине, что
она заполнена (например, заполненная автостоянка), то Ляфф< Л. Позже мы пока
жем,’ к ак вычисляется Лэфф .
Существует такж е прямая зависимость между величинами W s и W . По опреде
лению
( Средняя продолжительность'] ( Среднее время ^ ( Среднее время
^ пребывания в системе J ^пребывания в очередиJ ^ обслуживания
Математически это записывается в следующем виде
Ws =Wq + ~.
ц
Теперь можно получить формулу, связывающую L, и Lq, умножая обе части по
следнего соотношения на Л^ и используя формулу Литтла. В результате получаем
£, = V
— •
ц
По определению разность между средним числом находящ ихся в системе кли
ентов Ls и средним числом клиентов в очереди Lq равна среднему количеству заня
ты х узлов обслуживания с . Следовательно, имеем
c =L' - L = h j * '
Ц
Поэтому коэффициент использования узлов обслуживания вычисляется как отно
шение с / с .
Пример 17.6.1
Автостоянка для посетителей колледжа имеет всего пять мест. Автомобили прибы
вают на стоянку в соответствии с распределением Пуассона с интенсивностью
шесть автомобилей в час. Время пребывания автомобилей на стоянке является экс
поненциально распределенной случайной величиной со средним 30 мин. Посетите
ли, которые не могут найти свободного места на стоянке непосредственно по при
бытии, могут временно ожидать освобождения места на территории стоянки.
Таких мест для ожидания на стоянке имеется три. Если и стоянка, и все места для
ожидания заполнены, то прибывшие автомобили вынуждены искать другую авто
стоянку. Требуется определить следующее:
а) вероятностьр птого, что в системе находится п автомобилей,
б) эффективную интенсивность поступления автомобилей на стоянку,
в) среднее количество автомобилей на стоянке,
г) среднее время нахождения автомобиля в очереди на территории стоянки,
д) среднее количество заняты х мест на автостоянке.
Прежде всего, заметим, что место для стоянки в рассматриваемой ситуации высту
пает в роли сервиса, так что система имеет всего с = 5 средств обслуживания. М ак
симальная вместимость системы равна 5 + 3 = 8 автомобилей.
Вероятность р п может быть определена как частный случай из общей модели, рас
смотренной в разделе 17.5. Например, имеем
Лп= 6 автомобилей в час, п = 0 , 1 , 2 , .. ., 8,
я — = 2 п автомобилей в час, п = 1,2, ..., 5,

l3 0 j
5 — = 1 0 автомобилей в час, и = 6 ,7 ,8 .
V30j
Следовательно, из соотношений, полученных в разделе 17.5, вычисляем
Р„ =<
Значениер 0 вычисляется путем подстановки значений для р п, п = 1 ,2 , ..., 8 , в урав

нение р 0 + р , + ... + p g = 1. В результате получаем
Решением этого уравнения является р 0 = 0,04812 (проверьте!). Найденное значение

р 0 позволяет вычислить все вероятности от р, до р 8.
п 1 2 3 4 5 6 7 8 8
рп 0,14436 0,21654 0,21654 0,16240 0,09744 0,05847 0,03508 0,02105
Эффективную интенсивность поступления автомобилей на стоянку Лэфф можно

вычислить с использованием принципиальной схемы (рис. 17.5), в соответствии
с которой клиенты из источника поступают с интенсивностью Я. Прибывающий
автомобиль может поступить на стоянку с интенсивностью Я^ или уехать в по
исках другой стоянки с интенсивностью Япотвря, т.е. Я = Я^ ф + Япотери. Автомобиль
не может въехать на стоянку, если там уже имеется 8 автомобилей. Это значит,
что часть автомобилей, которые не смогут попасть на стоянку, пропорциональна
р 8. Следовательно,
Лштери = = 6 х 0,02105 = 0,1263 автомобилей в час,
Ядфф= Я -Я потвр11 = 6 -0 ,1 2 6 3 = 5,8737 автомобилей в час.
Среднее количество автомобилей на стоянке (тех, которые занимают места стоян
ки, и тех, которые ожидают места) определяется значением Ls — средним числом
клиентов в системе. Значение Ls определяется черезр„ следующим образом.
Ls = 0р0 + 1р, + ... + 8p g = 3,1286 автомобилей.
Рис. 17.5. Соотношение между различными пока

зателями интенсивности
Автомобиль, ожидающий, пока освободится место для стоянки, фактически нахо

дится в очереди. Следовательно, время его ожидания равно величине Wr Для вы
числения Wq используем определение
wq=wt - ~ .
ц
Так как
W, = - Ł - = - - 1286 = 0,53265 часа,
5,8737
ТО
W = 0,53265-- = 0,03265 часа.

’ 2
Среднее количество заняты х мест на автостоянке равно среднему значению

“ заняты х сервисов” и поэтому вычисляется следующим образом.
с = L -L =Ьй. = 1 = 2,9368 мест.

’ ц 2
Отсюда получаем, что коэффициент использования мест на стоянке равен

УП РА Ж Н ЕН И Я 17.6.1
1. В задаче из примера 17.6.1 выполните следующее.

a) Вычислите Lq, используя для этого формулу (п-с)р„.
b) На основании найденного значения Lqвычислите W t.
c) Вычислите среднее количество автомобилей, которые не смогут въехать
на территорию стоянки на протяжении восьмичасового периода.
d) Покажите, что среднее количество свободных мест на стоянке равно
2 Г,о(с ~ и)л-
2. Решите задачу из примера 17.6.1, если количество мест для стоянки автомо
билей равно 6 , количество временных мест — 4, Х = 10 автомобилей в час,
и среднее время нахождения автомобиля на месте стоянки равно 45 мин.
17.6.2. Модели с одним сервисом

В этом разделе представлены две модели обслуживающей системы с одним сред
ством обслуживания (т.е. с = 1). Предполагается, что клиенты поступают с посто
янной интенсивностью X. Интенсивность обслуживания такж е постоянна и равна //
клиентов в единицу времени. Первая модель не устанавливает ограничений на вме
стимость системы, во второй модели предполагается, что вместимость системы яв
ляется ограниченной. В этих двух моделях источник, “ порождающий” клиентов,
имеет неограниченную емкость.
Рассматриваемые здесь модели обслуживающих систем (как, по сути, и все ос
тальные модели раздела 17.6) являю тся частными случаями систем обслуживания
общего вида, рассмотренных в разделе 17.5.
Используем обозначения Кендалла, чтобы описать характеристики системы об
служивания в каждом случае. Так к ак вывод выражения для р п в разделе 17.5
и всех функциональных характеристик обслуживающей системы в подразделе
17.6.1 выполнен независимо от конкретной дисциплины очереди, в обозначениях
будем использовать символ GD (дисциплина очереди не регламентирована).
Модель (М /М /1 ): (GD/oo/oo). Используя обозначения общей модели, имеем
Хп = X и = ц для всех п = 0,1,2,...
Поскольку отсутствуют ограничения на емкость очереди, и, следовательно, все при
бывающие клиенты могут попасть в систему обслуживания, то X = X и 1 потер11 = 0 .
Обозначим р = X/ц. Тогда выражение для вероятности р пв общей модели прини
мает следующий вид:
Vn= p"p0. n = 0 , l , 2 , -
Для определения величины р 0 используется тождество
Ро ( 1 + Р + Р2 + ■■■) = 1-
Предполагаем, что р < 1, тогда геометрический ряд имеет конечную сумму 1/(1 - р),
поэтому р 0 = 1 - р.
Следовательно, общая формула для р пимеет вид
Р„ = ^ -Р)Р"> п = 1 , 2 , . . . , ( р < 1 ) .
Эти значения вероятностей р п (включая вероятность р0) соответствуют геометриче
скому распределению.
При выводе формулы для р п предполагалось, что р < 1. Это означает, что для
достижения системой стационарного режима функционирования необходимо, что
бы интенсивность поступления клиентов Я была строго меньше интенсивности об
служивания //. Если Я > //, геометрический ряд является расходящимся, и, следова
тельно, вероятности р п стационарного состояния не существуют. В этом случае
система обслуживания будет функционировать в нестационарном режиме, когда
длина очереди со временем неограниченно возрастает.
Среднее число находящ ихся в системе клиентов Lt как функциональная харак
теристика обслуживающей системы вычисляется по следующей формуле:
L, =Ź"A, = Ź " ( 1- p ) p " :=(1- p ) P 7 - Ż p ' ' = (1- p ) P T - f 7 ^ - ] = 7^ --

ло и ар». о “ Р V *—РУ 1-Р
Так как в рассматриваемой модели Яэфф= Я, то остальные функциональные харак

теристики обслуживающей системы вычисляются с использованием соотношений
из подраздела 17.6.1, что приводит к следующим результатам.
= 1 1
X ц (1 —р) ц-Л .’
r t = w. - ± = . - Р
ц ц( 1 - р ) ’
c = L , - L = р.
Пример 17.6.2
Автоматическая мойка для автомобилей имеет только один моечный бокс. Автомо
били прибывают в соответствии с распределением Пуассона со средним 4 машины
в час и могут ожидать обслуживания на стоянке рядом с автомойкой. Время мойки
автомобиля является экспоненциально распределенной случайной величиной с ма
тематическим ожиданием 10 мин. Автомобили, которые не помещаются на стоян
ке, могут ожидать на прилегающей к автомойке улице. Это значит, что практиче
ски нет ограничений на емкость системы обслуживания. Хозяин автомойки хочет
определить количество мест на стоянке для автомобилей.
Д ля рассматриваемой задачи имеем Я = 4 автомобиля в час и //= 60/10 = 6 автомо
билей в час. Так как р = Я///< 1, то система может функционировать в стационар
ном режиме.
Результаты использования программы TORA для решения рассматриваемой задачи,
представленные на рис. 17.6, получены путем введения данных в следующем поряд
ке: Я = 4, //= 6 , с = 1, емкость системы равна со и емкость источника такж е равна со.
Результаты решения показывают, что среднее количество автомашин, ожидающих
в очереди, равно Z,? = 1,33 автомашины. Мы не можем рассматривать Lq в качестве
единственного аргумента при определении искомого количества мест на стоянке,
ибо при расчете долж на учитываться максимально возможная длина очереди. На
пример, можно рассчитать количество мест на стоянке, при котором по меньшей
мере 90 % прибывших автомобилей найдет место на стоянке.
С N. СМ ОО О) см LO о о N. т— со N.
CL LO N. О) со LO N. оо оо О) О) О) О)
СО N. оо оо О) О) О) О) О) О) О) О) О)
<D О) О) О) О) О) О) О) О) О) О) О) О) О)
> О) О) О) О) О) О) О) О) О) О) О) О) О)
J9 о" <э о ' <э о" о ' <э о" о' о' о' о' о"
з
E
з
О
с
Q_
т— со т— со LO о N. со см т—
N. N. LO со см т— т— о о о о о
т— т— о о о о о о о о о о о
о о о о о о о о о о о о о
о о о о о о о о о о о о о
X2 о" о ' о" о ' о" о" о ' о" о" о' о' о ' <э
CO
О
со T f Ю CD S . со О) О т—СМсо Tf LO
см см см см CMCM
_ N. со
O (D
O CD
О CD £ со
расчетов для задачи примера 17.6.2

g<° со g
CO ° n- S С со со о N. т—т— N. оо О) со О) со
CL со LO N. со см О) О) со см оо
со LO со см оо см о со см оо см
0)" со LO о о со т— со N. оо оо О) О)
> со LO N. оо оо О) О) О) О) О) О) О) О)
ГО сГ о" о" о" о" о" о" о" о' о" о" о ' о"
3
S c e n a rio 1-- (M /M /1 ):(G D /inflnity/infinity)
Е
3
О
с
Q_ со см LO N. о со т—т—N. оо LO N.
со см т— N. оо О) см LO о со N. оо LO
со см со оо LO со О) О) со оо LO со см
со см О) со Tf см т— т— о о о о
со см о о о о о о о о о о
n о" о ' о" о" о" о о" о" о" о" о" о" о"
03
n
H °g .
о
Title: Example 1 7 .6 -2
Рис. 17.6. Результаты
II §w . о CMCO Tf LO CD К СО О) О CM
it CM°
II (1)
га га
XJ XJ
XI XI
E E
ra ra
Пусть неизвестная переменная s представляет искомое количество мест на стоян

ке. Тогда система имеет емкость s + 1 (очередь плюс место на мойке). Прибываю
щий автомобиль в 90 % случаев получит место на стоянке, если в системе нахо
дится максимум s автомобилей. Это условие эквивалентно следующему
вероятностному утверждению:
P o + Pl + ••• + P i - 0 , 9.
Из листинга, показанного на рис. 17.6, следует, что суммы вероятностей р п равны
0,86831 и 0,91221 при п = 4 и л = 5 соответственно. Это значит, что условие выпол
няется при s > 5 мест на стоянке.
Количество мест на стоянке s может быть такж е определено с использованием фор
мулы, определяю щ ейр п. Получаем
(1 " Р)(1 + р + р + ■■■ + //) > 0,9.
Сумма усеченного геометрического ряда равна (1 - / / +1)Д1 - р). Следовательно, по
следнее выражение приводится к виду
( 1 - / Г ') > 0 ,9 .
Упрощая это неравенство, получаем
/Г 1<0,1.
Логарифмируя обе части последнего неравенства, получаем следующее.
In (0, 1)
,у> V У- -1= 4,679-5.
|пШ
Таким образом, необходимо s > 5 мест на стоянке.
1. В задаче из примера 17.6.2 выполните следующее.

a) Определите процент использования автомойки.
b) Определите вероятность того, что прибывающий автомобиль должен
ожидать на стоянке, прежде чем попасть в моечный бокс.
c) Определите вероятность того, что прибывающий автомобиль найдет сво
бодное место на стоянке при условии, что там имеется семь мест.
d) Сколько должно быть мест на стоянке, чтобы прибывающий автомобиль
в 99 % случаев нашел место на стоянке?
2. Студент университета Джон иногда подрабатывает, чтобы улучш ить свое ма
териальное положение. Интервал времени между последовательными посту
плениями заявок на работу является экспоненциально распределенной слу
чайной величиной со средним значением пять дней. Время, необходимое для
выполнения работы, такж е является экспоненциально распределенной слу
чайной величиной со средним значением четыре дня.
a) Какова вероятность того, что Джон будет без работы?
b) Если за каждую работу Джон получает примерно 50 долл., то каков его
среднемесячный заработок?
с) Если в конце семестра Джон решает передоверить невыполненные работы

другому лицу по 40 долл. за каждую работу, то каково среднее значение
суммы, которую должен уплатить Джон?
3. На протяжении многих лет детектив Коломбо из отделения полиции города
Фейетвилл демонстрирует феноменальный успех в расследовании каждого
криминального дела, за которое он берется. Для него раскрытие любого кри
минального дела — это всего лиш ь вопрос времени. Коломбо соглашается, что
время раскрытия каждого отдельного преступления является “ совершенно
случайным” , но в среднем каждое расследование занимает около полторы не
дели. Криминальные дела в мирном городке, где работает Коломбо, явление
не очень частое. Они происходят случайным образом с интенсивностью одно
преступление в месяц. Проанализируйте “ производительность” работы де
тектива Коломбо; в частности, найдите следующие показатели.
a) Среднее число случаев, которые ожидают расследования.
b ) Процент времени, когда детектив занят расследованиями.
c) Среднее время, необходимое для раскрытия преступления.
4. Автомобили прибывают к пропускному пункту туннеля Л инкольна, где взи
мается плата за проезд, в соответствии с распределением Пуассона со сред
ним 90 единиц в час. Время прохождения пропускного пункта автомобилями
является случайной величиной, распределенной по экспоненциальному за
кону со средним 38 секунд. Водители жалуются на долгое время ожидания,
и власти планируют сократить среднее время прохождения пропускного
пункта до 30 секунд, установив автоматическое устройство для взимания
транспортной пошлины, если только выполняются два условия: 1 ) среднее
количество ожидающих автомобилей превышает 5 единиц при существую
щей системе взимания пошлины и 2 ) процент времени простоя нового уст
ройства, установленного на пропускном пункте, не будет превыш ать 1 0 %.
Может ли быть оправдана установка нового устройства?
5. Ресторан быстрого питания имеет один пункт обслуживания, где клиенты
обслуживаются, не выходя из автомашины. Машины прибывают в соответ
ствии с распределением Пуассона с интенсивностью 2 клиента за каждые 5
мин. Возле пункта обслуживания может расположиться не больше 10 авто
машин, вклю чая ту, которую обслуживают. Другие автомашины при необ
ходимости могут ожидать обслуживания за пределами этого пространства.
Время обслуживания одного клиента распределено по экспоненциальному
закону со средним значением 1,5 мин. Определите следующие показатели.
a) Вероятность того, что пункт обслуживания свободен.
b ) Среднее число клиентов, ожидающих обслуживания.
c) Среднее время ожидания клиента до того момента, когда он делает заказ.
d) Вероятность того, что очередь превысит десятиместное пространство пе
ред пунктом обслуживания.
6. Б анк располагает одним пунктом обслуживания, где клиенты обслуживают
ся, не выходя из автомашины. Клиенты прибывают в соответствии с распре
делением Пуассона со средним значением 10 клиентов в час. Время обслужи
вания одного клиента распределено по экспоненциальному закону со
средним значением 5 мин. Напротив пункта обслуживания имеется место
для трех автомобилей, вклю чая и тот, что обслуживается. Другие прибы
вающие автомашины выстраиваются в очередь вне этого пространства.
a) Какова вероятность того, что прибывающий автомобиль может занять од

но из трех мест возле пункта обслуживания?
b ) Какова вероятность того, что прибывающий автомобиль будет ожидать
обслуживания вне зоны для трех автомобилей?
c) Каково среднее время ожидания прибывающего клиента до того момента,
когда его начнут обслуживать?
d) Сколько мест для автомобилей должно быть возле обслуживающего пунк
та обслуживания, чтобы прибывающий клиент мог найти там место по
крайней мере в 20 % случаев?
7 . В модели ( М / М / 1 ) : (G D /co/oo) системы обслуживания покажите, что в общем
случае Lt не равно Lq + 1. При каком условии возникает это равенство?
8. Д ля модели ( М / М / 1 ) : (G D /oo/oo) системы обслуживания получите выраже
ние для L , используя формулу для г(п - 1 )р„.
9 . Д ля модели ( М / М / 1 ) : (G D /oo/oo) системы обслуживания покажите, что
a) среднее число клиентов в очереди, если она не пуста, равно 1/(1 - р),
b) среднее время ожидания в очереди равно 1 /( //- Л).
Распределение времени ожидания в модели (M/M/l):(FCFS/oo/oo)2. Вывод фор

мулы для вероятностей р п в общей модели системы обслуживания, рассмотренной
в разделе 17.5, абсолютно не зависит от дисциплины очереди. Это значит, что ма
тематические ожидания всех функциональных параметров W t, W q, Lt и Lq справед
ливы для системы с любой дисциплиной очереди.
В отличие от среднего времени ож идания в системе обслуживания, плотность
вероятности его распределения зависит от дисциплины очереди. Проиллюстри
руем это утверждение путем построения плотности вероятности времени ожида
ния для модели (М /М /1 ) с дисциплиной очереди FCFS (“ первым приш ел — пер
вым обслуж иваеш ься” ).
Обозначим через г количество времени, которое только что прибывший клиент
проведет в системе от момента прибытия до завершения обслуживания. Исходя из
дисциплины очереди FCFS, если в системе уже находится п клиентов, которые по
ступили в систему перед только что прибывшим, то
Т=/, + )
где г,' — время, необходимое для завершения обслуживания клиента, который уже на
ходится в средстве обслуживания системы, a t2, t3, ..., tn— интервалы времени, которые
потребуются для обслуживания п - 1 клиентов, которые находятся в очереди. Вели
чина tn+1 представляет собой время обслуживания только что прибывшего клиента.
Обозначим через ш (г|п + 1) условную плотность вероятности г, где условием
служ ит наличие в обслуживающей системе п клиентов на момент прибытия нового.
Поскольку время обслуживания в системе распределено по экспоненциальному за
кону, который обладает свойством отсутствия последействия (раздел 17.3), вели
чина t[ такж е распределена по экспоненциальному закону. Следовательно, г пред
ставляет собой сумму п + 1 независимых случайных величин, каж дая из которых
подчиняется одному и тому же экспоненциальному распределению. К ак известно
из теории вероятностей, в этом случае функция ш(г| п + 1 ) будет плотностью веро
ятности гамма-распределения с параметрами ц и п + 1. Отсюда следует, что
2
Этот пункт можно пропустить без ущерба для понимания дальнейшего материала.
4 T) = Ż w ( T i ” + l ) p . = Ё ц ^
п=0 п-0 П,] е ( 1~ р )р " =
= (1 - = ц (1 - р ) е -и(' х > 0.
п=о и!
Таким образом показано, что случайная величина г имеет экспоненциальное рас
пределение с математическим ожиданием W $= 1 /Д 1 - р).
Пример 17.6.3
В модели работы автомойки из примера 17.6.2 вполне обоснованным является
предположение о том, что обслуживание выполняется в соответствии с дисципли
ной очереди FCFS. Определим надежность использования величины W, в качестве
оценки времени ожидания в системе. Д ля этого оценим часть клиентов, время
ожидания которых превышает Ws. Используя формулу Wt = 1/Д1 - р), получаем
w;
P{x>Ws} = l - Jw(T)rfT = e"M(l' p,lr' = е_| -0,368.
0
Следовательно, при дисциплине очереди FCFS для 37 % клиентов время ожидания
превысит значение Ws. Этот процент каж ется чрезмерно большим, особенно если
учесть, что текущее значение Ws для рассматриваемой системы обслуживания также
является большим (0,5 часа). Заметим, что найденная вероятность (е 1 = 0,368) не за
висит от интенсивностей Я и // модели (М/М/1): (FCFS/co/co); это в свою очередь оз
начает, что ее величину нельзя уменьшить. Следовательно, если мы проектируем
систему на основании средней величины Ws, то следует ожидать, что для 36,8 %
клиентов время ожидания превысит среднее время ожидания в системе.
Существует две возможности улучшить ситуацию: 1) увеличить интенсивность об
служивания клиентов ц для уменьшения значения Ws до приемлемого уровня или 2)
выбрать интенсивность обслуживания клиентов таким образом, чтобы вероятность
того, что время ожидания превысит заранее определенную величину (скажем, 10 ми
нут), была меньше приемлемо малой величины (например, 10% ). Первая возмож
ность эквивалентна поиску такого значения //, что Ws <Т , а вторая — вычислению
такого значения //, что р |т > f j < а , где Т и а должны определяться пользователем.
1. В условиях упражнения 17.6.2.3 определите вероятность того, что для рас

кры тия преступления детективу Коломбо потребуется больше одной недели.
2. В примере 17.6.3 вычислите следующее.
a) Среднеквадратическое отклонение для времени гожидания в системе.
b ) Вероятность того, что время ожидания в системе изменится на половину
среднеквадратического отклонения относительно своего среднего значения.
3. В примере 17.6.3 определите интенсивность обслуживания клиентов //таки м
образом, чтобы выполнялось условие Wt < 10 мин.
4. В примере 17.6.3 определите такое значение интенсивности обслуживания
клиентов //, при котором будет выполняться условие Р{т> 10 мин.} < 0,1.
5. Вернитесь к упражнению 17.6.2.5. Для привлечения большего числа посети

телей администрация ресторана решила предлагать бесплатно порцию про
хладительного напитка каждому клиенту, который вынужден ожидать более
5 мин. Если стоимость порции прохладительного напитка равняется 50 цен
там, то в какую сумму в среднем обойдется ресторану ежедневное угощение
прохладительными напитками? Предполагается, что ресторан открыт для
клиентов 1 2 часов в сутки.
6. П окажите, что для модели (М /М /1 ) : (FCFS/co/co) системы обслуживания
плотность вероятности времени пребывания клиентов в очереди имеет сле
дующий вид:
С помощью этой формулы найдите W .
Модель (М /М /1 ): (GD/N/oo). Эта модель отличается от рассмотренной выше

только тем, что система вмещает не более N клиентов (максимальная длина очере
ди равняется N - 1). Примерами обслуживающей системы такого типа служат про
изводственные ситуации, когда станок может иметь ограниченную зону складиро
вания заготовок, а такж е рестораны быстрого питания с одним пунктом
обслуживания клиентов на автомобилях и т.д.
Ситуация в рассматриваемой модели такова, что, как только число клиентов
в системе достигает N, ни один из дополнительных клиентов на обслуживание не
принимается. Из этого условия следует, что
_ [ \ л = 0, 1,
" [0, n = N,N + 1, ...,
//„ = //, п = 0 , 1 , ...
Используя обозначение р = Я///, имеем
р>„, п< N,
0, п > N.
Значение вероятности р0 определяется из уравнения ^ р „ = 1 , которое принимает
Ро(! + Р + Р + ••• + р") = 1 .
Ра= і
Р„ = п = 0, 1, ..., N .
N+\’
Заметим, что в этой модели значение параметра р = а / ц не обязательно должно

быть меньше единицы, так как поступления клиентов в систему контролируются
максимальной емкостью системы N. Это значит, что в данном случае в качестве ин
тенсивности поступления клиентов скорее выступает Лэф , нежели Л. Так как кл и
енты будут потеряны в том случае, если в системе находится N клиентов, тогда, как
показано на рис. 17.5,
^ПОТерВ
'потерв л,
Л>фф= я - яп отери —* 1 - p N).

'потери
Следует ожидать, что лэффбудет меньше р.

Среднее число клиентов в системе вычисляется по формуле
( 1 - р ) ( 1 - р - ' ) ’
При р = 1 L' —N / 2 (проверьте!). Используя значения Ls и лэфф, можно такж е полу

чить выражения для W t, W и Lq, как это сделано в подразделе 17.6.1.
Использование калькулятора для вычислений по формулам теории массового
обслуживания является в лучшем случае громоздким (в последующих моделях
формулы еще более сложные!). Поэтому автор рекомендует использовать про
граммное обеспечение TORA (или шаблон Excel chl7PoissonQ ueues.xls).
Пример 17.6.4
Рассмотрим ситуацию с автомойкой автомобилей из примера 17.6.2. Пусть станция
имеет четыре места для стоянки автомобилей. Если все места на стоянке заняты,
вновь прибывающие автомобили вынуждены искать другую автомойку. Хозяин
хочет определить влияние ограниченного количества мест для стоянки автомоби
лей на потери клиентов.
В обозначениях, приняты х в модели, максимальная вместимость системы равна
дг= 4 + 1 = 5. Исходными данными для программы TORA являю тся числа 4, 6 , 1, 5
и оо соответственно, а выходные данные представлены на рис. 17.7.
Так как емкость системы равняется N = 5 , доля потерянных клиентов составляет
р5= 0,04812, что при круглосуточной работе моечной станции эквивалентно потере
(Лр5) х 24 = 4 х 0,04812 х 24 = 4,62 автомобилей в день. Решение относительно уве
личения количества мест для стоянки автомобилей должно основываться на сумме
потерь автомойки.
Анализируя ситуацию с другой стороны, замечаем, что среднее время пребывания
клиента в обслуживаю щ ей системе ^ = 0,3736 (примерно 22 мин.), т.е. меньше
30 мин., как это было в примере 17.6.3, когда всем прибывающим автомобилям
разрешалось встать в очередь. Уменьшение этого показателя обслуживающей сис
темы примерно на 25 % обеспечено за счет потери около 4,8 % потенциальных
клиентов из-за ограниченного количества мест на стоянке автомобилей.

Scenario 1 - (M/M/1 ):(GD/5/infinity)
Lambda = 4,00000 Mu = 6,00000

Lambda eff = 3,80752 Rho/c = 0,66667
Ls = 1,42256 Lq = 0,78797
Ws= 0,37362 Wq =____0,20695
n Probability, pn Cumulative, Pn nProbability, pn Cumulative, Pn
0 0,36541 0,36541 3 0,10827 0,87970
0.24361 0,60902 0,07218 0,95188

0.16241 0,77143 0,04812 1,00000
Рис. 17.7. В ы ход ны е р е зу л ь т а т ы T O R A д л я прим ера 17.6.4
1. В примере 17.6-4 определите следующие величины.
a) Вероятность того, что прибывший автомобиль сразу же попадет в моеч
ный бокс.
b ) Среднее время ожидания клиентов до начала обслуживания.
c) Среднее количество свободных мест на стоянке автомобилей.
d) Вероятность того, что все места на стоянке автомобилей заняты.
e) Уменьшение (в процентах) среднего времени обслуживания клиентов при
уменьшении среднего времени пребывания клиента в системе примерно
до 10 мин. (Совет. Используйте метод проб и ошибок в работе с програм
мой TORA для реш ения зтого упраж нения.)
2. Рассмотрите ситуацию с автомойкой из примера 17.6.4. Определите такое
количество мест для стоянки автомобилей, при котором процент автомоби
лей, которые не могут найти место на стоянке, ограничен значением 1 %.
3. П арикмахер Иосиф обслуживает клиентов в соответствии с экспоненциаль
ным распределением со средним значением 12 мин. Иосиф очень популярен
среди клиентов, поэтому они прибывают (в соответствии с распределением
Пуассона) с интенсивностью, намного большей, чем он может обслужить
(шесть клиентов в час). На самом деле парикмахеру хотелось бы, чтобы ин
тенсивность поступления клиентов уменьшилась примерно до четырех кли
ентов в час. Поэтому он пришел к мысли ограничить количество стульев
в зале ож идания, чтобы вновь прибывающие клиенты, обнаружив, что все
стулья заняты , уходили в поисках иного обслуживания. Сколько стульев
следует Иосифу разместить в зале ожидания, чтобы реализовать свой план?
4. Конечная сборка электрических генераторов на электропредприятии проходит
в соответствии с распределением Пуассона со средним значением 10 генераторов
в час. Затем генераторы с помощью ленточного конвейера транспортируются
в отдел технического контроля для испытаний. На конвейере может находиться
максимум 7 генераторов. Электронный датчик автоматически останавливает

конвейер, как только он заполнен, прекращая таким образом работу сборочного
цеха до появления свободного места на конвейере. Время проверки генераторов
имеет экспоненциальное распределение со средним значением 15 мин.
a) Какова вероятность того, что сборочный цех прекратит сборку генераторов?
b ) Чему равняется среднее количество генераторов на конвейере?
c) Инженер утверждает, что перерывы в работе сборочного цеха можно
уменьшить, увеличив производительность конвейера до такого уровня,
который обеспечивает сборочному цеху возможность работать 95 % вре
мени без перерывов. Обосновано ли такое утверждение?
5. В кафетерии имеется не более 50 мест. Посетители прибывают в соответствии
с пуассоновским распределением с интенсивностью 1 0 человек в час и обслу
живаются (каждый в отдельности) с интенсивностью 1 2 человек в час.
a) Какова вероятность того, что очередной посетитель не сможет пообедать
в кафетерии из-за нехватки свободных мест?
b ) Предположим, что три посетителя кафетерия (каж ды й из которых при
бывает случайным образом) хотели бы сидеть за одним столиком. Какова
вероятность того, что их желание может быть выполнено? (Здесь предпо
лагается, что всегда есть возможность посадить упомянутых посетителей
вместе, если в кафетерии имеется больше трех свободных мест.)
6 . Пациенты прибывают в клинику в соответствии с распределением Пуассона
с интенсивностью 20 пациентов в час. В комнате ожидания могут разместиться
не больше 14 человек. Время осмотра клиентов является экспоненциально
распределенной случайной величиной с математическим ожиданием 8 мин.
a) Какова вероятность того, что очередной пациент не будет ожидать?
b ) Какова вероятность того, что очередной пациент найдет свободный стул
в комнате ожидания?
c) Каково среднее время пребывания пациента в клинике?
7. Ниже приведены значения вероятностей р п нахождения п клиентов в обслу
живающей системе модели ( М / М / 1 ) : (GD/5/cc).
п 0 1 2 3 4 5
р„ 0,399 0,249 0,156 0,097 0,061 0,038
Интенсивность Л поступления клиентов равняется пяти клиентам в час. Ин

тенсивность //обслуж ивания клиентов равняется восьми клиентам в час.
a) Вычислите вероятность того, что очередной клиент сможет попасть в сис
тему обслуживания.
b ) Вычислите интенсивность, при которой прибывающие клиенты не смогут
попасть в систему обслуживания.
c) Вычислите среднее число клиентов в обслуживающей системе.
d) Вычислите среднее время ожидания клиентов в очереди.
8. Покажите, что при р = 1 в модели ( М / М / 1 ) : (GD/N/co) среднее число клиен
тов в системе Laравно N / 2. (Подсказка. 1 + 2 + ... + і = і(і + 1)/2.)
9. Покажите, что Л в модели ( М / М / 1 ) : (GD/N/ж) можно вычислить по фор
муле = / / ( ! , ,- 1 ,,).
17.6.3. Модели с параллельными сервисами

В этом разделе рассматриваются три модели систем массового обслуживания с не
сколькими параллельно работающими средствами обслуживания (сервисами). Пер
вые две модели представляют собой обобщение моделей, рассмотренных в подразде
ле 17.6.2, для ситуации нескольких параллельно работающих сервисов. В третьей
модели рассматривается бесконечное количество параллельно работающих сервисов.
Модель (М /М /с ): (GD/oo/oo). Эта модель предусматривает работу с параллель
ных средств обслуживания. Интенсивность входного потока клиентов равна X,
а интенсивность обслуживания клиентов — /л для каждого сервиса. Поскольку от
сутствуют ограничения на количество клиентов в системе, то Л ^ = Л.
Результатом использования с параллельных сервисов является пропорциональ
ное увеличение интенсивности обслуживания клиентов системой до nju, если п < с,
и до с/и, если п > с. Следовательно, в терминах общей модели системы обслужива
ния (раздел 17.5) Лпи /ипопределяются следующим образом.
Лп= Л, п > О,
(пц, п < с.
C (i, п > с.
X" X"
Ро- ~ТТ Ро ' ГРо’ п<с,
м (2 ц )(3 ц )...(и ц ) п\(і
Рп =
X" X"
r / v ' , „-с „ Ро : — Ро- п>с■
ц ( 2 ц )...( с - 1 ) ц (с ц ) " ~ с!с (і
Значение вероятности р 0 определяется из уравнения оР»=1* Если р —Л/ц,

а р/с < 1 , приходим к следующей формуле для р0:
Z - + - - < 1.
i-р
V С)
Выражение для L можно найти следующим образом.
Ро-
*=о *=0 С с! c!c ł=0 \ c j (с-1 )!(с-р )
Поскольку Язфф = Л, то Lt = Lq + рг, значения для W t и W q можно найти, разделив на Я
значения L. и L .
Пример 17.6.5
В небольшом городке функционируют две службы такси. Каж дая из них располагает
двумя автомобилями, и по имеющейся информации заказы на обслуживание делятся
службами практически поровну. Это подтверждается тем фактом, что заказы в дис
петчерские отделения обеих служб поступают с одной и той же интенсивностью, рав
ной 8 вызовам в час. Среднее время выполнения одной заявки составляет 12 минут.
Заявки на обслуживание поступают в соответствии с распределением Пуассона,

а время обслуживания клиентов распределено по экспоненциальному закону. Недав
но обе службы были приобретены инвестором, который заинтересован в их объедине
нии с единым диспетчерским пунктом для обеспечения более быстрого обслужива
ния клиентов. Необходимо проанализировать предложения нового хозяина.
С точки зрения теории массового обслуживания такси представляют собой обслу
живающие устройства, а вызов такси является сервисом. К аж дая служба такси
может быть представлена моделью (М/М/2 ): (G D /oo/oo) с Л= 8 вызовов в час и // =
= 60/12 = 5 поездок на одно такси в час. Объединение служб такси приведет к модели
(М/М/ 4 ): (G D /co/co) с Л = 2 х 8 = 1 6 вызовов в час и ju= 5 поездок на одно такси в час.
Подходящей мерой для сравнения двух моделей обслуживания является среднее
время ожидания клиентом такси от момента его вызова до момента прибытия ав
томобиля, т.е. Wr На рис. 17.8 представлены выходные данные программы TO RA
для двух описанных моделей. Результаты показывают, что время ожидания кли
ентом приезда автомобиля равняется 0,356 ч (примерно 21 мин.) для модели об
служивания с двумя таксомоторными службами и 0,149 ч (примерно 9 мин.) для
модели обслуживания в объединенном варианте. Значительное уменьшение (более
чем на 50 % ) функционального показателя рассмотренной обслуживающей систе
мы делает очевидной целесообразность объединения двух служб такси.

Comparative Analysis_________________________________________________________________________________
Scenario с Lambda Mu Uda eff pO Ls Lq Ws Wq
1 2 8,00000 5,00000 8,00000 0,11111 4,44444 2,84444 0,55556 0,35556

2 4 16,00000 5,00000 16,00000 0,02730 5,58573 2,38573 0,34911 0,14911
Рис. 17.8. Р е зу л ь т а т ы расчет о в в програм м е T O R A д л я прим ера 17.6.5
Из приведенного анализа следует, что объединение систем обслуживания всегда

обеспечивает более эффективный режим работы. Этот вывод остается справедли
вым даже в том случае, когда загруженность всех сервисов очень высока.
1. В примере 17.6.5 определите следующие параметры.

a) Вероятность того, что все автомобили в каждой из двух служб такси нахо
дятся на вызове.
b ) Вероятность того, что все такси в объединенной компании будут на вызове.
c) Среднее количество свободных такси в каждой из двух моделей.
d) Количество машин, которое следует иметь объединенной компании для
того, чтобы время ожидания клиентом приезда автомобиля по вызову со
ставляло не более пяти минут.
2. В примере 17.6.5 предположите, что среднее время обслуживания клиента фак
тически равняется 14,5 мин., так что коэффициент загруженности автомобилей
(= A//JĆ) для режимов работы с двумя и четырьмя такси возрастает до 96 % и бо

лее. Имеет ли смысл при этих условиях объединять две компании в одну?
3. Определите минимальное количество сервисов в каждой из следующих ситуаций
(предполагается пуассоновское распределение поступления клиентов и обслужи
вания), которое гарантирует стационарный режим работы системы массового об
служивания (в этом случае длина очереди не будет неограниченно возрастать).
a) Клиенты прибывают каждые 5 мин., а обслуживаются с интенсивностью
1 0 клиентов в час.
b) Среднее время между последовательными прибытиями клиентов равняет
ся 2 мин., а среднее время обслуживания — 6 мин.
c) Интенсивность входного потока — 30 клиентов в час, а интенсивность об
служ ивания одним сервисом — 40 клиентов в час.
4. Посетители прибывают в банк в соответствии с распределением Пуассона
с математическим ожиданием 45 клиентов в час. Длительность деловых опе
раций с одним клиентом имеет экспоненциальное распределение с математи
ческим ожиданием примерно пять минут. Банк планирует использовать од
ноканальный многокассовый режим работы, подобный тем, которые
применяются в аэропортах и почтовых отделениях .3 Управляющий отдает
себе отчет в том, что клиенты могут обратиться в другие банки, если они чув
ствуют, что их ожидание в очереди является “ чрезмерным” . Поэтому управ
ляю щ ий хочет уменьшить среднее время ожидания в очереди до 30 секунд,
не более. Сколько кассиров должен иметь банк?
5. В ресторане быстрого питания работают три кассира. Посетители прибывают
в ресторан в соответствии с распределением Пуассона каждые три минуты
и образуют одну очередь, чтобы быть обслуженным первым освободившимся
кассиром. Время до момента размещ ения заказа экспоненциально распреде-
■ лено со средним, равным примерно пяти минутам. Вместимость зала ожида
ния внутри ресторана ограничена. Однако ресторан имеет хорошую кухню
и при необходимости посетители готовы выстраиваться в очередь и вне рес
торана. Определите размер зала ожидания внутри ресторана, кроме мест воз
ле касс, таким образом, чтобы с вероятностью не менее 0,999 следующий по
сетитель не ожидал обслуживания вне ресторана.
6. Небольшое почтовое отделение имеет два обслуживающих окна. Клиенты
прибывают на почтовое отделение в соответствии с распределением Пуассона
с интенсивностью 1 клиент в каж ды е три минуты. Однако лиш ь 80 % из них
нуждаются в обслуживании возле окон. Время обслуживания клиента под
чиняется экспоненциальному закону со средним значением 5 минут. Все
прибывающие клиенты образуют одну очередь и подходят к свободному окну
по принципу “ первым пришел — первым обслуживаешься” .
a) Какова вероятность того, что очередной клиент будет ожидать в очереди?
b) Какова вероятность того, что оба обслуживающих окна свободны?
c) Какова средняя длина очереди?
d) Можно ли предложить приемлемое обслуживание лиш ь с одним окном?
Приведите аргументы.
3 Здесь имеется в виду, что есть одна очередь, но клиенты обслуживаются несколькими
сервисами (в данном примере сервисы — это кассы). — Прим. ред.
7. Вычислительный центр университета состоит из четырех одинаковых боль

ших ЭВМ коллективного пользования. Число работающих в центре пользо
вателей в любой момент времени равно 25. Каждый пользователь готовит
свою программу для ее машинной реализации через терминал, куда она сра
зу ж е передается. Время подготовки программ имеет экспоненциальное рас
пределение со средним значением 15 мин. Поступающие программы автома
тически размещаются для реализации на первую свободную ЭВМ. Время
выполнения программы имеет экспоненциальное распределение со средним
значением 2 мин. Вычислите следующие показатели.
a) Вероятность того, что программа не будет выполнена сразу же, как только
она поступила на терминал.
b ) Среднее время до получения пользователем результатов машинной реали
зации программы.
c) Среднее количество программ, ожидающих машинной реализации.
d) Процент времени, когда все ЭВМ вычислительного центра свободны.
e) Среднее количество свободных ЭВМ.
8 . Аэропорт обслуживает пассажиров трех категорий: городских жителей, ж и
телей пригородов и транзитных пассажиров. Прибытие в аэропорт пассажи
ров всех трех категорий во времени происходит в соответствии с распределе
нием Пуассона со средней интенсивностью 15, 10 и 7 пассажиров в час
соответственно. Время регистрации пассажиров подчиняется экспоненци
альному распределению с математическим ожиданием 6 мин. Определите
количество стоек для регистрации пассажиров, которыми должен распола
гать аэропорт в каждом из следующих случаев.
a) Среднее время пребывания пассажира в режиме ожидания и регистрации
не должно превыш ать 15 мин.
b ) Процент свободных регистрационных стоек не превышает 10 % .
c) Вероятность того, что все регистрационные стойки свободны, не превы
шает 0 , 0 1 .
9. Для модели ( М / М / с ) : (GD/oo/oo) обслуживающей системы Морс (Morse) [3] пока
зал, что при условии р/с —» 1 L = р/(с - р). Используя эту информацию, покажи
те, что отношение среднего времени ожидания в модели ( М / М / с ) : (GD/oo/oo)
к аналогичному параметру в модели ( М / М / 1 ) : (G D /oo/oo) стремится к 1/с при
р / с —» 1. Следовательно, при с = 2 среднее время ожидания может быть
уменьшено на 50 % . Из этого следует вывод, что объединение систем обслу
ж ивания целесообразно всегда.
10. В процедуре вывода формулы для вероятности р пв модели ( М / М / с ) : (GD/oo/oo)
укажите, какая ее часть требует условия р/с < 1. Объясните значение этого ус
ловия. Что произойдет, если это условие не будет выполнено?
11. Используя формулу i , ’ Д°каж и те, что Ls =Lq+ c , где с —
среднее количество работающих сервисов. Далее покажите, что с = лэфф///.
12. Покажите, что формулу для вероятностей рп в модели ( М / М / 1 ) : (GD/oo/co) мож
но получить из аналогичной формулы для модели ( М / М / с) : (GD/oo/co) при с = 1.
13. Покажите, что в модели ( М / М / с ) : (GD/oo/oo) имеет место следующая формула:
14. П окаж ите, что для модели ( М / М / с ) : (G D /cc/oo) обслуживающей системы

справедливы следующие утверждения.
a) Вероятность того, что клиент ожидает, равняется р ср/(с - р).
b) Если имеется очередь, то ее средняя длина равна с/(с - р).
c) Среднее время ожидания в очереди тех клиентов, которые вынуждены
ждать, равно І /fĄc - р).
15. П окаж ите, что для модели ( М / М / с ) : (G D /cc/oo) обслуживающей системы
плотность вероятности времени ожидания в очереди имеет следующий вид:
1~ 7 Г\7/------ГРо. Т = 0,
( с - 1)!(с - р )
,(П = с -ц (с -р )7 '
“F i T * ™
(Совет, Преобразуйте систему обслуживания с с каналами в эквивалентную
одноканальную, для которой
P{t >Т} = P{minf( > г} = {е-»т)с =е~*т.
где t — время обслуживания в эквивалентной одноканальной системе об

служ ивания.)
16. Д окаж ите, что если плотность вероятности wq(T) задается формулой из пре
дыдущего упраж нения, то
Р { Т > у } = Р { Т > 0 } е ^ Л)у,
где Р { Т > 0 } — вероятность того, что поступающий в систему клиент будет
ждать обслуживания.
17. Д окаж ите, что в модели ( М / М / с ) : (F C F S /oo/oo) системы обслуживания плот
ность вероятности времени ож идания клиента в очереди имеет вид
= + (( с - 1n.F
) ! ( с - -р -'1n
) l[—
с-p ' еЙ
<С“Р”'1'J} т- °-
(Подсказка. Распределение случайной величины г представляет собой сверт
ку распределений времени ожидания в очереди Т (см. упражнение 15) и вре
мени обслуживания.)
Модель ( М / М / с ) : (GD/N/ao), c < N . Эта модель обслуживающей системы отли

чается от модели ( М / М / с ) : (G D /oo/oo) тем, что емкость системы ограничена сверху
значением N (тогда максимальная длина очереди равна N - с). Интенсивности по
ступления и обслуживания клиентов равны Я и ц соответственно. Эффективная ин
тенсивность поступления заявок в систему обслуживания Я^ меньше Я в силу ог
раниченности емкости системы значением N.
Параметры Яп и цп общей модели обслуживающей системы в данной модели оп
ределяются следующим образом:
Подставляя Яп и цп в общее выражение для р п из раздела 17.5 и используя обозначе

ние р = Я/ц, получаем
;Ро> Oś п<с,
Рп =
— Po- с < п < N,
где
N с-1 \
1- І *
Ż
я=Н—
П +- с!| 1 - £
Ро =
Z Ł + Ł (« - „ , )
~ 0 п\ с!
Далее мы вычисляем L для ситуации, когда р/ с * 1:
г w \ V • p ' p v ' ■(Р I Р d V'Y Р

1 Ч (п~ с )Р. = L .TJT .P j * c = -n r! rLT. Tj \ - \
T T г
Ро - ггЛ . О \ ТТ.
И Ч £ - ( N —с + 1) 1
■fXf /V
Можно такж е показать, что для ситуации, когда р/ с = 1, выражение для Lq имеет
, р ' ( ^ - с ) ( ^ - с + 1)_ р ,
2с! Ро' с
Д ля определения W и, следовательно, W, и Lt, необходимо получить выражение

Поскольку ни один клиент не может попасть в систему после того, как дос
Д Л Я Язфф.
тигнут лимит N по ее вместимости, то
^потери ^РN J
Пример 17.6.6
Пусть в задаче, связанной с объединением служб такси, которая рассматривалась
в примере 17.6.5, известно, что объединенная служба такси не имеет финансовых
возможностей для покупки новых автомашин. Друг нового хозяина советует ин
формировать пассажиров о возможных задерж ках с прибытием заказанной авто
машины, как только список ожидающих клиентов достигает шести. Эта мера, не
сомненно, заставит новых клиентов искать обслуживания в другом месте, что
уменьшит время ожидания тех клиентов, которые уже ожидают в очереди. Необ
ходимо узнать, насколько полезным является совет друга.
Ограничение списка ожидающих в очереди до 6 клиентов равносильно тому, что

емкость системы становится равной N = 6 + 4 = 10 клиентов. Следовательно, мы
имеем дело с системой обслуживания модели (М/М/4 ): (GD/10/по) с Л = 16 клиентов
в час и ц = 5 поездок в час. На рис. 17.9 представлены выходные данные, получен
ные с помощью программы TORA для этой модели.

Scenario 1-- (M/M/4):(GD/1 О/infinity)__________________________________________________________
Lambda = 16,00000 Mu = 5,00000

Lambda eff = 15,42815 Rho/c = 0,80000
__________________I
Ls = 4,23984 1,15421
СГ
II
Ws = 0,27481 Wq = 0,07481
n Probability, pn Cumulative, Pn n Probability, pn Cumulative, Pn
0 0,03121 0,03121 6 0,08726 0,79393
1 0,09986 0,13106 7 0,06981 0,86374

2 0,15977 0,29084 8 0,05584 0,91958
3 0,17043 0,46126 9 0,04468 0,96426
4 0,13634 0,59760 10 . 0,03574 1,00000
5 0,10907 0,70667
Рис. 17.9. Выходные результаты программы TORA для примера 17.6.6
Среднее время ожидания Wq при отсутствии ограничения на емкость системы равня

ется 0,149 ч (=9 мин.) (см. рис. 17.8), что почти в два раза больше значения 0,075 ч
(а 4,5 мин.) м— аналогичного показателя при наличии ограничения на емкость системы.
Это существенное уменьшение функциональной характеристики системы достигнуто за
счет потери примерно 3,6 % потенциальных клиентов. Этот результат, однако, не от
ражает возможной потери расположения клиентов к деятельности службы такси.
1. В примере 17.6.6 определите следующие показатели.
a) Среднее количество свободных такси.
b) Вероятность того, что клиент, вызывающий такси, будет последним из
тех, кто ставится в очередь.
c) Максимальное число ожидающих в очереди клиентов при условии, что
время ожидания не превыш ает трех минут.
2. Газозаправочная станция для автомобилей располагает двумя газовыми насоса

ми. В очереди, ведущей к насосам, могут расположиться не более пяти автома
шин, включая те, которые обслуживаются. Если уже нет места, прибывающие
автомобили уезжают искать другую заправку. Распределение прибывающих ав
томобилей является пуассоновским с математическим ожиданием 20 автомоби
лей в час. Время обслуживания клиентов имеет экспоненциальное распределе
ние с математическим ожиданием 6 мин. Определите следующие величины.
a) Процент автомобилей, которые будут искать другую заправку.
b ) Процент времени, когда используется только один из насосов.
c) Процент времени использования двух насосов.
d) Вероятность того, что прибывающ ий автомобиль найдет свободное ме
сто в очереди.
e) Емкость очереди, которая обеспечит потерю в среднем не более 10 % по
тенциальных клиентов.
f) Емкость очереди, при которой вероятность того, что оба насоса свободны,
не превышает 0,05.
3. В небольшой ремонтной мастерской работают три механика. В начале марта
каждого года клиенты приносят в мастерскую свои культиваторы и газоноко
силки для ремонта и технического обслуживания. Мастерская стремится при
нять все, что приносят клиенты. Однако когда очередной клиент видит на полу
мастерской массу механизмов, ожидающих обслуживания, он уходит в другое
место в поисках более быстрого обслуживания. На полу мастерской размещается
не более 15 культиваторов или газонокосилок, не учитывая тех, которые уже ре
монтируются. Клиенты прибывают в мастерскую в среднем каждые 10 мин.,
а механик тратит на один ремонт в среднем 30 мин. Как время между последова
тельными приходами клиентов, так и время выполнения работы подчиняются
экспоненциальному распределению. Определите следующие величины.
a) Среднее число незанятых механиков.
b) Число потерянных потенциальных клиентов на протяжении десятичасо
вого рабочего дня по причине ограниченной емкости мастерской.
c) Вероятность того, что следующий клиент будет обслужен в мастерской.
d) Вероятность того, что по крайней мере один механик будет свободен.
e) Среднее количество культиваторов и газонокосилок, которые ожидают
обслуживания.
f) Показатель общей производительности мастерской.
4. Студенты первого курса одного из американских университетов приезжают на
лекции на своих автомобилях (даже несмотря на то, что большинство из них
нуждаются в проживании на территории университета и могут пользоваться
удобной университетской бесплатной транспортной системой). На протяж е
нии первых двух недель осеннего семестра на университетской территории
преобладает беспорядок в транспортном движении, так как первокурсники
отчаянно пытаются найти места для стоянки автомашин. С необычной само
отверженностью студенты терпеливо ожидают на пешеходных дорожках
возле стоянок для автомашин, когда кто-нибудь заберет свою автомашину,
чтобы можно было поставить на стоянку свои авто. Рассмотрим следующий ха
рактерный сценарий. Автостоянка имеет 30 мест, но может также расположить
еще 10 автомашин на пешеходных дорожках. Эти 10 автомашин не могут по

стоянно оставаться на пешеходных дорожках и должны ожидать, пока хоть
одно место на стоянке освободится. Первокурсники прибывают к автостоянке в
соответствии с распределением Пуассона с математическим ожиданием 20 ав
томашин в час. Время пребывания автомашины на стоянке подчиняется экс
поненциальному распределению со средним значением примерно 60 минут.
a) Каков процент первокурсников, вынужденных повернуть обратно по той
причине, что они не смогли поставить автомашину на стоянку?
b) Какова вероятность того, что прибывающий автомобиль будет ожидать на
пешеходной дорожке?
c) Какова вероятность того, что прибывающий автомобиль займет единст
венное оставшееся место на стоянке?
d) Определите среднее количество заняты х мест на стоянке.
e) Определите среднее количество заняты х мест на пешеходных дорожках.
f) Определите среднее число первокурсников, которые не попадут на лекции
на протяжении восьмичасового периода, так как стоянка будет занята.
5. Проверьте правильность формулы для р 0 в модели ( М / М / с ) : (G D /N / с о ) для
случая, когда р/ с 1 .
6. Д ля модели ( М / М / с ) : (GD/N/co) докаж ите равенство = цс, где с — сред
нее количество заняты х сервисов.
7. Проверьте правильность формул для р 0 и Lq в модели ( М / М / с ) :(GD/7V/co) для
случая, когда р/ с = 1 .
8. Д ля модели ( М / М / с ) : (GD/N/co) при N = с из соотношений для общей мо
дели (раздел 17.5) определите и цп, затем покаж ите, что формула для р а
имеет такой вид:
Р А. и = Г
А, = — 1 ..., с,
1.2,
IV
IV.
где
Модель самообслуживания (М/ М/ со): (GD/oo/oo). В этой модели количество сер

висов является неограниченным, так как клиент выступает одновременно и в роли
сервиса. Типичным примером модели самообслуживания является сдача письмен
ной части экзамена на право вождения автомобиля. Газозаправочные станции ав
томобилей с самообслуживанием и банковские автоматы с 24-часовым режимом
работы не вписываются в рассматриваемую здесь модель, так как обслуживающи
ми устройствами в этих случаях являю тся, по существу, насосы и банковские ав
томаты соответственно.
В рассматриваемой модели предполагается, что интенсивность поступления
клиентов Л является постоянной. Интенсивность обслуживания /л такж е является
постоянной. Воспользовавшись общей моделью из раздела 17.5, имеем
Л„ = Л, n = 0, 1, 2, ...,
цп=пц, п = О, 1 , 2 , ...
Р * = - ~ Р о = —,Ро’ « = 0,1,2, ...

«!(і п\
Из равенства рп= 1 следует, что

1 1
Ро = ---------- ~2------ = — = е 'Р-
1 +р + £ - + ... Є
2!
В результате получаем
Р „ = ^ ~ , п= 0, 1, 2, ...
Эти вероятности совпадают с вероятностями распределения Пуассона с математи

ческим ожиданием Ls = р. К ак и следовало ожидать, здесь (по принципу самооб
служивания) Lq = W = 0.
Пример 17.6.7
Инвестор вкладывает 1000 долл. в месяц в специальный тип облигаций фондовой
биржи. Так как инвестор должен ждать возможности хорошей “ покупки” , фактиче
ское время совершения этой покупки является случайным. Инвестор обычно держит
облигации в среднем три года, но продаст их в случайный момент времени, когда
представится такая возможность. Хотя инвестор известен как хитрый биржевой иг
рок, опыт прошлого показывает, что около 25 % облигаций теряют в цене примерно
20 % в год. Остальные 75 % облигаций повышаются в цене примерно на 12 % в год.
Оценим среднюю стоимость акций инвестора на протяжении длительного периода.
Эту ситуацию можно представить в виде модели (М/М/ж) : (GD/oo/oo), так как инве
стор не должен ждать в очереди, чтобы купить или продать облигации. Среднее
время между размещениями заказа равняется 1 месяц, что дает значение Я = 12 об
лигаций в год. Интенсивность продажи облигаций равна ju= 1/3 облигаций в год.
При указанны х значениях Я и ц получаем
Ls = р = —= 36 облигаций.
И
Средняя годовая стоимость облигаций инвестора на протяжении длительного пе
риода оценивается следующей величиной:
(0,25LSх 1000)(1 - 0,20) + (0,75Lj х 1000)( 1 + 0,12) = 37 440 долл.
1. В примере 17.6.7 вычислите следующие показатели.
a) Вероятность того, что инвестор продаст все свои облигации.
b) Вероятность того, что инвестор будет иметь больше 10 облигаций.
c) Вероятность того, что инвестор будет иметь от 30 до 40 облигаций.
d) Оцените среднюю стоимость акций инвестора на протяжении длительного

периода, если только 10 % облигаций теряют в цене 30 % в год, а осталь
ные 90 % повышаются в цене на 15 % в год.
2. Новые водители перед тем, как им выдадут задание по дорожному вождению,
должны сдать письменную часть (тесты) экзамена на право вождения автомо
биля. Эти тесты обычно проводятся городским управлением полиции. Стати
стика показывает, что среднее количество письменных тестов за 8 -часовой
день равняется 100. Среднее время, необходимое для выполнения теста, рав-
но примерно 30 мин. Однако фактическое прибытие каждого экзаменующе
гося и время, которое он тратит на сдачу экзамена, являю тся случайными
величинами. Необходимо определить следующее.
a) Среднее количество посадочных мест в зале для сдачи экзамена, которое
должно обеспечить управление полиции.
b) Вероятность того, что число экзаменую щ ихся превысит среднее количе
ство посадочных мест в зале для сдачи экзамена.
c) Вероятность того, что в какой-нибудь день не будет проведено ни одного
экзамена.
3. П окаж ите (используя программное обеспечение TORA), что для малого па
раметра р —0,1 значения величин W s, Ls, W , Lq и p n в модели
( М /М /с ) : ( G D /oo/oo) при с> 4 сервисов можно надежно оценить с помощью
менее громоздких формул для модели (М/М/ОО) : (G D /oo/oo).
4. Повторите предыдущее упражнение для значения р = 9 и покажите, что в этом
случае значение с должно быть больше 20. Какой общий вывод можно сде
лать относительно использования модели (М /М /оо): (G D /oo/oo) для оценки
показателей модели (М /М /с ): (G D /o o /o o ), исходя из результатов, получен
ных в упраж нениях 3 и 4?
17.6.4. Модель (MIMIR) : (GD/КУК) при R < К

Базовым примером для этой модели является цех, насчитывающий К станков.
Всякий раз, когда станки выходят из строя, прибегают к услугам одного из механи
ков, бригада которых состоит из R человек. Интенсивность поломок, отнесенная к
одному станку, равняется Л поломок в единицу времени. Механик ремонтирует сло
манные станки с интенсивностью //станков в единицу времени. Предполагается, что
моменты времени поломок и время ремонта подчиняются распределению Пуассона.
Эта модель отличается от всех рассмотренных ранее тем, что мощность источ
ника, генерирующая “ клиентов” , конечна. Например, в модели цеха источник
может породить конечное количество заявок на ремонт. Это положение становится
очевидным, если предположить, что все станки в цехе сломаны, тогда больше не
поступит ни одной заявки на ремонт. По существу, лиш ь работающие станки могут
сломаться и, следовательно, генерировать заявки на ремонт.
При заданной интенсивности Л поломок на один станок интенсивность по
лом ок во всем цехе пропорциональна количеству станков в рабочем состоянии.
В терм инологии систем обслуж ивания наличие п станков в системе означает,
что п станков сломаны . Следовательно, интенсивность поломок во всем цехе вы
числяется так:
Лп = ( К - п)Л, 0<п<К.
В обозначениях общей модели системы обслуживания из раздела 17.5 имеем

следующее:
\(К-п)Х, 0 <п<К,
о, п>К,
иц, 0 < п < R,
= R\x, R < п < К,

О, п > К.
Теперь из общей модели можно получить (проверьте!) следующие формулы:

Q p"A » 0<n<R,
В этой модели трудно получить в замкнутой форме выражение для Ls или Lq, и,
следовательно, они должны вычисляться в соответствии с их определением:
Значение Азффможно определить в следующей форме:

А ^ = М { Л( К -п ) } = Л ( К - Ь ) .
Используя формулы из подраздела 17.6.1, можно вычислить оставшиеся функцио
нальные показатели W s ,' W а и Lа .
Пример 17.6.8
Компания располагает цехом, насчитывающим 22 станка. Известно, что каждый
станок выходит из строя в среднем один раз в два часа. На его ремонт уходит
в среднем 12 мин. К ак время между поломками станков, так и время, необходимое
для ремонта, являю тся экспоненциально распределенными случайными величи
нами. Компания заинтересована в определении минимального числа механиков,
необходимых для обеспечения “ плавной” работы цеха.
Описанную ситуацию можно проанализировать, исследуя производительность
станков как функцию числа механиков. Такая мера производительности может
быть определена в следующем виде.
Производительность Количество станков - сломанные станки , „„
:-------------------------------------------------х 100 =
станков Количество станков
= -- хЮО.
22
На рис. 17.10 представлены полученные с помощью программы TORA сравнитель

ные характеристики обслуживающей системы для R = 1, 2, 3,4 при Л= 0,5 поломки
в час на один станок и // = 5 ремонтов в час. Соответствующие значения производи
тельности представлены в следующей таблице.
Количество механиков, R 1 2 3 4
Производительность станков (%) 45,44 80,15 88,79 90,45
Рост производительности (%) — 34,71 8,64 1,66
Приведенные результаты показывают, что неприемлемым является наличие лишь

одного механика, так как в этом случае будет очень низкая производительность
(4 5 ,4 4 % ). Если число механиков увеличивается до двух, то производительность
станков возрастает на 34,71 % и достигает 80,15 % . При работе трех механиков про
изводительность станков возрастает примерно на 8,64 % и достигает значения
88,79 % , в то время как при наличии четырех механиков производительность воз
растает лиш ь на 1,66 % и достигает значения 90,45 %.
Судя по этим результатам, использование двух механиков может быть оправданным.
Ситуация с тремя механиками является не такой убедительной, так как производи
тельность при этом возрастает лиш ь на 8,64 % . Возможно, что сравнение в денежном
эквиваленте содержания третьего механика и прибыли, обусловленной ростом про
изводительности станков, на 8,64 % можно использовать для решения этого вопроса
(см. раздел 17.10, где рассматриваются стоимостные характеристики модели). Что
касается приема на работу четвертого механика, то скудный рост производительно
сти станков на 1 ,6 6 % , который при этом достигается, не оправдывает данного шага.

Comparative Analysis_____ ______ _____________________ _____________ _____ ____________
Scenario с Lambda Mu L’daeff р0 Ls Lq Ws Wq

1 1 0,50000 5,00000 4,99798 0,00040 12,00404 11,00444 2,40178 2,20178
2 2 0,50000 5,00000 8,81616 0,05638 4,36768 2,60447 0,49542 0,29542
3 3 0,50000 5.00000 9,76703 0,10779 2,46593 0.51257 0,25247 0,05248
4 4 0,50000 5,00000 9,94995 0,11993 2,10010 0,11015 0,21107 0,01107
Р и с . 1 7 .1 0 . С р а в н и т е л ь н ы е х а р а к т е р и с т и к и с и с т е м ы и з п р и м е р а 1 7 .6 .8 , п о л у ч е н н ы е с по
м о щ ь ю п р о г р а м м ы TO RA
1. В примере 17.6.8 выполните следующее.
a) Проверьте значения величин Яэфф, которые приведены в листинге на
рис. 17.10.
b) Подсчитайте среднее число свободных механиков при R = 4.
c) Вычислите вероятность того, что все механики свободны при R = 3.
d) Вычислите вероятность того, что большинство механиков свободны при
R = 3 и R = 4.
2. В примере 17.6.8 определите и затем вычислите производительность работы
механиков при R = 1, 2, 3, 4. Используйте эту информацию вместе с показа
телем производительности станков для решения вопроса о количестве меха
ников, которых компании следует принять на работу.
3. В вы числениях, которые приведены в листинге на рис. 17.10, может в ы

звать недоумение то обстоятельство, что средняя интенсивность поломки
станков в цехе Лафф увеличивается с ростом R. Объясните, почему следует
ож идать увеличения Лэфф.
4. Оператор обслуживает пять автоматических станков. После того как каж дый
станок заверш ает выполнение пакета программ, оператор должен его перена
строить на выполнение нового пакета. Время выполнения пакета программ
является экспоненциально распределенной случайной величиной со средним
значением 45 мин. Время наладки такж е описывается экспоненциальным
распределением с математическим ожиданием 8 мин.
a) Определите среднее количество станков, которые ожидают наладки.
b) Вычислите вероятность того, что все станки работают.
c) Определите среднее время простоя станка.
5. Обслуживающая фирма выполняет разнообразные работы, такие как уборка
в саду, хозяйственные работы, подрезка деревьев и покраска домов. Четыре
сотрудника фирмы оставляют контору, каж ды й получив свое первое задание.
После выполнения задания сотрудник может позвонить в контору и получить
информацию относительно следующей заявки. Время выполнения задания
имеет экспоненциальное распределение со средним значением 45 мин. Время
переезда между последовательными работами такж е имеет экспоненциаль
ное распределение со средним значением 2 0 мин.
a) Определите среднее число сотрудников фирмы, которые перемещаются
между последовательными работами.
b) Вычислите вероятность того, что нет ни одного сотрудника в процессе пе
ремещения.
6 . После долгого ожидания, благодаря чудесам медицины, семья Ньюборнов
была вознаграждена рождением пяти близнецов: двух мальчиков и трех де
вочек. На протяжении пяти первых месяцев жизнь малышей состояла из
двух состояний: бодрствующего (и, в основном, с криком) и спящего. По сло
вам Ньюборнов, эти состояния для малышей никогда не совпадают и прояв
ляю тся совершенно случайно. На самом деле госпожа Ньюборн, статистик по
профессии, считает, что время, когда каж дый из малышей кричит, экспо
ненциально распределено со средним значением 30 мин. Время сна каждого
малыш а такж е является экспоненциально распределенной случайной вели
чиной со средним значением 2 часа. Определите следующее.
a) Среднее число малышей, которые бодрствуют в некоторый момент времени.
b) Вероятность того, что все малыши спят.
c) Вероятность того, что Ньюборны не будут счастливы по той причине, что
бодрствующих малышей (которые при этом кричат) больше, чем спящ их.
7 . Проверьте корректность выражения для вероятностей р п в модели
( M / M / R ) : (G D / K / K ).
8 . Покажите, что интенсивность поломок в цехе можно вычислить по формуле
Х,фф=|аЛ, где R — среднее число заняты х механиков.
9. Проверьте следующие формулы для ситуации, когда работает один механик
( Д = 1 ):
17.7. МОДЕЛЬ (MIG11): (GD/oo/oo). ФОРМУЛА

ПОЛЛАЧЕКА-ХИНЧИНА
Анализ моделей массового обслуживания, в которых входные и выходные потоки
не подчиняются пуассоновскому распределению, весьма сложен. Вообще в таких
случаях в качестве альтернативного аппарата для анализа моделей обслуживания
целесообразно использовать методы имитационного моделирования (см. главу 18).
В этом разделе рассматривается один из немногих вариантов системы массового
обслуживания, не подчиняющейся пуассоновскому распределению, для которого
могут быть получены аналитические результаты. Речь идет о том случае, когда
время обслуживания t имеет произвольное распределение с математическим ожи
данием M{t) и дисперсией D{t}. Д ля такой модели известны аналитические форму
лы для основных функциональных характеристик обслуживающей системы, таких
как Ls, Lq, W s и W . Однако в силу аналитических трудностей невозможно получить
в замкнутой форме выражения для вероятностей рп.
Пусть Я — интенсивность поступления клиентов в системе обслуживания с од
ним сервисом. При заданных значениях M{t) и D{t) для времени обслуживания
и условии AM{t} < 1 с использованием сложного анализа, связанного с применени
ем аппарата цепей Маркова, можно показать, что 4
Вероятность, что сервис будет незагруженным, вычисляется как

р0 = 1 - AM{t} = 1 - р .
Поскольку Яэфф= Я, то остальные функциональные характеристики обслужи
вающей системы (Lq, W t и W ) можно получить из формулы для Lt, как это сделано
в разделе 17.6.1.
В шаблоне Excel ch l7P K F orm ula.xls автоматизирован процесс вычислений по
этим формулам.
Пример 17.7.1
Пусть в задаче об автомойке из примера 17.6.2 сделано дополнительное предполо
жение, что установлено новое оборудование, поэтому время обслуживания для всех
автомобилей является постоянным и равным 10 мин. К ак новое оборудование
влияет на функционирование автомойки?
4Данная формула, собственно, и называется формулой Поллачека-Хинчина. — Прим. ред.

17.7. Модель (MIG11 ) : (GD/°o/oc). Формула Поллачека-Хинчина 681
На основании данных примера 17.6.2 имеем, что Л ^ = Л = 4 автомобиля в час. Вре

мя обслуживания является постоянным, так что М{/} = 10/60 = 1/6 часа и D{t} = 0.
-О
4 - 1,333 автомобилей,
6) 2Ґ і - ±
6
L4 = 1,333 _ ^ j = 0,667 автомобиля,
1,333 „
Ws = ------ = 0,333 часа,
4
О. 667
IV = -------= 0,167 часа.
? 4
Интересно отметить, что, несмотря на то, что интенсивности как поступления кли
ентов, так и обслуживания в рассматриваемой модели такие же, как и в пуассонов-
ском случае из примера 17.6.2 (Л = 4 автомобиля в час и //= 1 /М{/} = 6 автомобилей
в час), среднее время ожидания в рассматриваемом случае меньше, так как время
обслуживания является постоянным, о чем свидетельствует следующая таблица.
( М І М П ) : (GD/oo/oo) ( М Ю П ) : (GD/oo/oo)
Ws (часы) 0,5 0,333
Wq (часы) 0,333 0,167
В этих результатах есть смысл, поскольку постоянное время обслуживания подра

зумевает большую определенность в функционировании системы.
1. В примере 17.7.1 вычислите процент времени, когда оборудование простаивает.
2. Реш ите задачу из примера 17.7.1, предположив, что распределение времени
обслуживания задается следующим образом.
a) Равномерное на интервале от 8 до 20 мин.
b) Нормальное с ц = 12 минут и а = 3 мин.
c) Дискретное со значениями, равными 4, 8 и 15 мин., и вероятностями 0,2,
0 ,6 и 0 ,2 соответственно.
3. Фирма устанавливает деревянные крыши в новых и старых жилых домах
в штате Арканзас. Будущие клиенты обращаются за услугами фирмы случай
ным образом с интенсивностью 9 работ за месяц (30 дней) и заносятся в очередь
в соответствии с принципом “ первым приш ел— первым обслуживаешься” .
Дома отличаются своими размерами, но есть основания утверждать, что
площади крыш равномерно распределены между 150 и 300 кв. единицами
(1 кв. единица = 100 кв. футов). Рабочая бригада за день может выполнить рабо
ты на 75 кв. единицах площади крыш и. Определите следующие показатели.
a) Среднее количество невыполненных заказов по установке крыш.
b ) Среднее время, которое клиент вынужден ждать до заверш ения уста
новки кры ш и.
с) Если рабочая бригада за день сможет выполнить работы на 150 кв. едини
цах площади кры ш , как это повлияет на среднее время ожидания завер
ш ения установки крыш и?
4. Фирма Оптика изготавливает очки в соответствии с рецептами, которые полу
чает от своих клиентов. Каждый рабочий специализируется на изготовлении оп
ределенных типов очков. Фирма испытывает некоторые затруднения с изготов
лением бифокальных и трифокальных типов очков. Рабочие получают 30 заказов
на восьмичасовой рабочий день. Время изготовления очков по рецепту нормаль
но распределено с математическим ожиданием 1 2 мин. и стандартным отклоне
нием 3 мин. Затем рабочий проверяет очки, затрачивая на это от 2 до 4 мин.
С равномерным распределением соответствующего времени, после чего может
приступить к выполнению нового заказа. Определите следующие показатели.
a) Процент времени простоя рабочего.
b ) Среднее количество невыполненных заказов на изготовление бифокаль
ных и трифокальных типов очков.
c) Среднее время выполнения заказа.
5. Изделие поступает на обработку в соответствии с распределением Пуассона
с интенсивностью одно изделие в единицу времени. Обработка изделия требует
выполнения двух последовательных операций, за которыми следит один рабо
чий. Д ля выполнения первой операции используется полуавтоматический ста
нок, который выполняет свои операции точно за 28 мин. На второй операции
осуществляются незначительные изменения и регулировка, и время ее выпол
нения зависит от качества изделия после первой операции. Время выполнения
второй операции равномерно распределено на интервале от 3 до 6 мин. Так как
выполнение каждой операции требует полного внимания рабочего, нельзя на
чать обработку нового изделия на полуавтоматическом станке до тех пор, пока
не будет выполнена вторая операция для обрабатываемого изделия.
a) Определите количество изделий, ожидающих обработки на полуавтома
тическом станке.
b ) Чему равен процент времени простоя рабочего?
c) Сколько в среднем требуется времени для обработки изделия обеими
операциями?
6 . Модель (М/ D / 1 ): (GD/=o/co). Покажите, что для ситуации, когда время об
служ ивания постоянно (в этом случае D{t) = 0), формула П оллачека-
Хинчина принимает следующий вид:
' 2(1-р)*
г д е / 7 = Д/// = AM{t} и // = 1/M{t).

7. Модель ( M / E J 1 ): ( G D / o o / o o ) . Время обслуживания подчиняется распределе
нию Эрланга с параметрами т и //(здесь M { t } = т / р и D{t} = т//и). Покажите,
что в данном случае формула П оллачека-Х инчина принимает такой вид:
m( 1 + т ) р 2
Ls = m p + ■
2(l-w p)
8. П окаж ите, что формула П оллачека-Х инчина сводится к формуле для Lt

в модели ( М / М / 1 ): (GD/co/co), когда время обслуживания подчиняется экс
поненциальному закону с математическим ожиданием 1 / / / единиц времени.
9. Пусть в системе обслуживания с с параллельными сервисами клиенты при

бывают в соответствии с распределением Пуассона со средней интенсивно
стью Я. Прибывающие клиенты распределяются между сервисами (занятыми
или свободными) на основе строгого чередования.
a) Найдите распределение времени между последовательными поступле
ниями клиентов.
b) П редполож ите, что прибы ваю щ ие клиенты случайны м образом рас
пределяю тся между с сервисами с вероятностями at, at > 0 , г = 1 , 2 , ..., с
и а 1 + а2+ ... + ас = 1. Найдите распределение времени между последова
тельными поступлениями клиентов.
17.8. ДРУГИЕ МОДЕЛИ МАССОВОГО ОБСЛУЖИВАНИЯ

В предыдущих разделах основное внимание было сосредоточено на пуассонов-
ских системах массового обслуживания. Однако в литературе по теории массового
обслуживания рассматривается множество других моделей. В частности, системы
массового обслуживания с приоритетами и системы обслуживания непуассонов-
ского типа составляют существенную часть соответствующей научной литературы.
С такими моделями можно познакомиться в большинстве специальных книг по
теории массового обслуживания.
17.9. МОДЕЛИ ПРИНЯТИЯ РЕШЕНИЙ В ТЕОРИИ МАССОВОГО

ОБСЛУЖИВАНИЯ
Уровень обслуживания в системе является функцией интенсивности обслужи
вания /и и количества с параллельно работающих сервисов. В этом разделе рассмат
риваются две модели принятия решений для определения “ подходящ их” уровней
обслуживания для систем массового обслуживания: 1 ) модель со стоимостными ха
рактеристиками и 2) модель предпочтительного уровня обслуживания. В обеих мо
делях более высокий уровень обслуживания подразумевает уменьшение времени
ожидания в системе. В этих моделях для поиска равновесия между конфликтую
щими факторами (уровнем обслуживания и временем ожидания в системе) исполь
зуются функциональные показатели обслуживающей системы, которые получены
ранее для различных моделей.
17.9.1. Модель со стоимостными характеристиками

Модели со стоимостными характеристиками стремятся уравновесить два кон
фликтую щ их стоимостных показателя.
1. Затраты на обслуживание.
2. Потери, обусловленные задерж ками в предоставлении услуг (время ожида
ния клиента).
Эти два вида затрат конфликтуют между собой, так как увеличение одного из них
автоматически ведет к уменьшению другого и наоборот (см. рис. 17.1).
Пусть уровень обслуживания представляет переменная х, равная //и л и с. Тогда
модель со стоимостными характеристиками можно представить в следующем виде:
COC(x) = СТС(х) + СТО(х),
где
СОС — средняя общая стоимость в единицу времени,
СТС — средняя стоимость обслуживания в единицу времени,
СТО — средняя стоимость ожидания в единицу времени.
Простейшим видом функций СТС и СТО являю тся линейные функции:
СТС(х) = С,*,
СТО(х) = С ^ „
где
С, — удельная стоимость на единицу х в единицу времени,
С2 — “ цена” ожидания в единицу времени на (ожидающего) клиента.
Следующие два примера иллюстрируют использование стоимостной модели.
В первом примере предполагается, что х равняется интенсивности обслуживания jj,
во втором — количеству параллельных сервисов с.
Пример 17.9.1
И здательская фирма покупает высокоскоростной копировальный аппарат для
коммерческих целей. Продавцы предложили четыре модели копировальных аппа
ратов, характеристики которых приведены в следующей таблице.
Модель копировального аппаратаЭксплуатационные затраты (долл./ч) Скорость печати (стр./мин.)

1 15 30
2 20 36
3 24 50
4 27 66
Заказы поступают на фирму в соответствии с пуассоновским распределением

с математическим ожиданием четыре работы на протяжении 24-часового дня.
Объем работы является случайной величиной, но в среднем составляет примерно
10 ООО страниц. Договоры с клиентами предусматривают штраф в сумме 80 долл.
(за одну работу) за задерж ку выполнения заказа на один день. К акой копиро
вальны й аппарат следует купить фирме?
Пусть индекс / представляет номер модели копировального аппарата / (/= 1, 2,
3, 4). Общая ожидаемая стоимость обслуживания в день, связанная с использова
нием копировального аппарата представлена в следующем виде:
СОС, = СТС, + СТО, = Си х 24 + C3JLsi = 24С,, + 80Lsi, і = 1, 2, 3, 4.
Значения величин С |, приведены в постановке задачи. Определим значения Z.,,,
считая, что с практической точки зрения копировальны й аппарат может рас
см атриваться к ак модель (А//А//1): (GD/co/co) обслуживающей системы. При этом
интенсивность поступления заявок Я = 4 работы в день, а интенсивности ц, об
служ и ван и я, соответствующие модели /-го копировального аппарата, приведены в
следующей таблице.
Модель і И нтенсивность обслуживания д (работы/день)

1 4,32
2 5,18
3 7,20
4 9,50
Проиллюстрируем определение интенсивности обслуживания на примере модели 1.
Среднее время выполнения работы = -------х — = 5,56 ч.

30 60
/и, = ----- = 4,32 работы в день.

5,56
Значения Z.J,, вычисленные с помощью программы TORA, приведены в следующей
таблице.
М одель / Я/ (работы/день) д (работы/день) Lsi (работы)
1 4 4,32 12,50
2 4 5,18 3,39
3 4 7,20 1,25
4 4 9,50 0,73
Получены следующие стоимостные характеристики (в долл.) для четырех рассмат

риваемых моделей копировальных аппаратов.
М одель і СТС; СТО, СОС;

1 360,00 1000,00 1360,00
2 480,00 271,20 751,20
3 576,00 100,00 676,00
4 648,00 58,40 706,40
Следовательно, для третьей модели копировального аппарата стоимость минимальна.
1. В примере 17.9.1 выполните следующее.
a) Проверьте правильность вычисленных в примере значений р 2, /и3и /иА.
b ) Предположим, что за задержку выполнения заказа штрафом в сумме 80 долл.
за работу в день облагаются лиш ь те работы, которые не выполняются
к концу дня. Д ля какой модели копировального аппарата общая стои
мость в день будет самой низкой?
2. М еханическая мастерская нанимает механика для обслуживания парка из
10 станков. Рассматриваются две кандидатуры. Первый кандидат может вы
полнять ремонтные работы с интенсивностью 5 станков в час, и ему надо платить
15 долл. в час. Второй претендент более квалифицирован, он может ремонтировать

8 станков в час, и ему придется платить 20 долл. в час. Руководство мастерской
считает, что каждый час простоя станка приносит мастерской убыток в 50 долл.
Предполагая, что станки выходят из строя в соответствии с распределением
Пуассона со средним 3 станка в час, и что время ремонта имеет экспоненциаль
ное распределение, определите, какого механика следует нанять мастерской.
3. Компания, владеющая бакалейными магазинами, открывает новый магазин,
где в кассовом блоке будут установлены сканеры. Мистер Браун, один из
владельцев компании, ограничил выбор сканеров двумя типами: сканер А
может обработать 1 0 изделий в минуту, а сканер более высокого качества
В — 15 изделий в минуту. Дневная (10 часов) стоимость эксплуатации и тех
нического обслуживания сканеров моделей А и В равна 25 и 35 долл. соот
ветственно. Покупатели, выбрав покупки, подходят к каждой из касс
в соответствии с распределением Пуассона с интенсивностью 10 покупателей
в час. Тележ ка каждого покупателя содержит от 25 до 35 предметов (равно
мерное распределение). Мистер Браун считает, что средняя стоимость мину
ты ожидания клиента равна примерно 10 центам. Сканеры какого типа сле
дует установить в кассовом блоке? (Подсказка. Время обслуживания одного
покупателя подчиняется не экспоненциальному закону, а равномерному.)
4. Промышленная компания производит станки специального типа, произво
дительность которых можно изменять в соответствии со спецификацией за
казчиков. Компания увеличивает цену станка на 50 долл. за наращивание
его производительности на одну единицу. Хозяин одной из мастерских пла
нирует купить один из таких станков и решает вопрос об определении опти
мальной (с экономической точки зрения) производительности станка. Опи
раясь на предыдущий опыт, хозяин мастерской считает, что заказы от
клиентов поступают в соответствии с распределением Пуассона с интенсив
ностью три заказа в час. Объем каждого заказа в среднем составляет 500 из
делий. Договорами между хозяином и клиентами предусматривается штраф
в сумме 10 0 долл. за задерж ку выполнения заказа на один час.
a) Предполагая, что время выполнения заказа распределено по экспоненци
альному закону, постройте общую стоимостную модель как функцию
производительности станка /и.
b ) Исходя из стоимостной модели, построенной в предыдущем пункте, най
дите формулу для оптимального значения производительности станка.
c) Исходя из данных задачи, определите оптимальное значение производи
тельности станка, которое должен указать хозяин мастерской промыш
ленной компании при оформлении заказа.
5. Работы поступают в механическую мастерскую в соответствии с распределе
нием Пуассона с интенсивностью 80 заказов в неделю. Автоматический ста
нок представляет собой узкое место в работе мастерской. Считается, что уве
личение мощности этого станка на одну единицу обойдется в 250 долл.
в неделю. Невовремя выполненные работы приносят убытки в 500 долл. на од
ну работу в неделю. Основываясь на приведенной информации, определите со
ответствующую оптимальную производительность автоматического станка.
6. Фирма продает рестораны двух типов. Ресторан типа А рассчитан на 80 групп
посетителей, а ресторан типа В — на 100 групп (группой считаются посетители,
занимающие один столик). Месячные расходы, связанные с обслуживанием
клиентов в ресторанах типа А и В, равны 12 000 и 16 000 долл. соответственно.
Потенциальный покупатель планирует открыть ресторан, специализирую

щийся на приготовлении пиццы. Он оценивает, что группы посетителей при
бывают в соответствии с распределением Пуассона с интенсивностью 25 групп
в час. Если все столики заняты, то дополнительно прибывающие посетители ухо
дят, не дожидаясь обслуживания. Ресторан типа А позволяет обслужить 10 групп
посетителей в час, а ресторан типа В — 13. Так как группы посетителей раз
личаю тся как по количественному составу, так и по типу заказов, то время
их обслуживания распределено по экспоненциальному закону. Покупатель
считает, что средние потери, обусловленные не обслуженными посетителя
ми, составляют в расчете на одного посетителя 3 долл. в час. Задерж ка в об
служивании клиентов, которые уж е разместились в ресторане, обходится
в 0,50 долл. в расчете на одного посетителя в час.
a) Постройте общую стоимостную модель, которая учитывает потери от не-
обслуженных посетителей (в дополнение к расходам, связанным с обслу
живанием клиентов в ресторане и задержкой в обслуживании клиентов).
b ) Предположим, что ресторан будет работать 10 часов в сутки, какой тип
ресторана вы бы рекомендовали потенциальному покупателю?
7. Пусть в условиях предыдущего упраж нения покупатель может выбрать лю
бую желаемую вместимость ресторана на основе определенной граничной
стоимости за каждую затребованную дополнительную единицу вместимости
ресторана. Постройте соответствующую этому случаю общую стоимостную
модель, определите все ее элементы и характеристики.
8 . Фирма занимается комиссионной торговлей товарами, которые она получает
от своих клиентов на основе поручительства. Функционирование фирмы
можно рассматривать как задачу управления запасами, в которой товары по
ступают на склад и извлекаются из него случайным образом в соответствии
с распределением Пуассона с интенсивностями Я и //соответственно. Каждый
раз, когда некоторое изделие отсутствует на складе, фирма теряет Сг долл. по
причине нереализованной возможности, а если изделие находится на складе,
то за хранение необходимо платить С2 долл.
a) Получите формулу для ожидаемой общей стоимости в единицу времени.
b) Найдите оптимальное значение параметра р = Я///. Какое условие должно
быть наложено на величины С1и С2 для того, чтобы полученный результат
был совместимым с предположениями модели { М / М / 1 ) : (GD/co/co)?
Пример 17.9.2
На инструментальный склад, где работают несколько служащих, поступают заявки
на замену режущего инструмента в соответствии с распределением Пуассона со средним
значением 17,5 заявки в час. Каждый служащий может выполнить в среднем 10 заявок
в час. Стоимость найма нового служащего на склад составляет 12 долл. в час. Потери,
связанные с ожиданием станка, оцениваются примерно в 50 долл. в час. Необходимо
определить число работников для рассматриваемой системы обслуживания.
Описанная ситуация соответствует модели (М/М/с), в которой требуется опреде
лить оптимальное значение с. Следовательно, х = с, и соответствующая стоимост
ная модель имеет вид
СОС(с-) = С,с + C2L,(c) =12 с + 50Ls(c).
Заметим, что L,(c) является функцией количества служащ их на складе.
Используем модель (М/М/с) : (GD/co/co) с Л = 17,5 заявок в час и ц = 10 заявок

в час. В этом отнош ении модель достигнет устойчивого состояния лиш ь при ус
ловии, что с > Л//и, т.е. в рассматриваемом примере с долж но быть по крайней
мере равно 2. П риведенная ниж е таблица содерж ит результаты вычислений
д л я определения оптимального значения с. Зн ачен ия Ls(c) вычислены с помо
щью программы TORA.
с Ls(c) (заявки) СОС (с) (долл.)
2 7,467 397,35
3 2,217 142,35
4 1,842 140,10
5 1,769 148,45
6 1,754 159,70
Следовательно, оптимальным числом сотрудников для мастерской является 4.
1. Решите задачу из примера 17.9.2, предполагая, что С1= 20 долл. и С2 = 45 долл.
2. К омпания владеет насосной станцией трубопровода, агрегаты которой ра
ботают в непрерывном режиме. Время между последовательными выхода
ми из строя каждого из агрегатов экспоненциально распределено со сред
ним значением 20 часов. Время ремонта любого агрегата такж е имеет
экспоненциальное распределение со средним значением 10 часов. На стан
ции имеются 1 0 агрегатов, которые обслуживаются двумя механиками по
ремонту. Заработная плата каждого из них составляет 18 долл. в час. Поте
ри, связанны е с выходом из строя одного агрегата, оцениваю тся в 30 долл.
в час. К омпания изучает возможность п рин яти я на работу еще одного ме
ханика по ремонту агрегатов.
a) Будет ли какая-либо экономия, если принять на работу еще одного меха
ника по ремонту агрегатов?
b ) Чему равны потери, связанные с выходом из строя одного агрегата, когда
работают два механика? А если работают три механика?
3. Компания арендует для служебных целей автоматическую телефонную ли
нию по цене 1500 долл. в месяц. Сотрудники аппарата компании используют
телефонную линию в рабочее время, что в сумме составляет 200 часов в ме
сяц. Остальное время телефонная линия используется для других целей
и для компании является недоступной. В течение рабочего дня арендуемой
телефонной линией пользуются 10 0 сотрудников компании, каждому из ко
торых она может понадобиться в любое время, но в среднем 2 раза на про
тяж ении восьмичасового рабочего дня с экспоненциальным распределени
ем времени между звонками. Служащ ий компании во всех случаях ждет
освобождения телефонной линии, если она занята, при этом испытываемое
им неудобство оценивается в 1 цент за минуту ож идания. Предполагается,
что во время ожидания служащим освобождения линии не возникает по
требности в других звонках. Обычная стоимость минуты разговора (без ис
пользования арендованной телефонной линии) составляет в среднем 50 центов,
длительность телефонных разговоров имеет экспоненциальное распределе

ние со средним значением 6 мин. Компания считает, что используемая линия
телефонной связи перегружена звонками и рассматривает вопрос об аренде
(по той же цене) второй автоматической телефонной линии.
a) Приносит ли аренда одной автоматической телефонной линии экономиче
скую выгоду компании по сравнению с ситуацией, когда телефонные ли
нии вообще не арендуются? Какую сумму компания выигрывает или про
игрывает в месяц, арендуя одну автоматическую телефонную линию?
b) Следует ли компании арендовать вторую автоматическую телефонную
линию ? Какую сумму ком пания выиграет или проиграет в месяц, арен
дуя вторую автоматическую телефонную линию , по сравнению с арен
дой лиш ь одной линии?
4. М еханический цех насчитывает 20 станков, которые обслуживаю тся тремя
механикам и. Неполадки в работающ их станках возникают случайны м об
разом в соответствии с распределением Пуассона. Время устранения непо
ладки на одном станке подчиняется экспоненциальному распределению
с математическим ожиданием 6 мин. А нализ рассматриваемой системы об
служ ивания показы вает, что во всем цехе на протяж ении восьмичасового
рабочего дня возникает в среднем 57,8 неполадок в работе станочного пар
ка, и что к выш едшему из строя станку механик подходит в среднем через
4,5 мин. Пусть интенсивность работы каждого станка составляет 20 единиц
продукции в час, каж д ая из которых приносит прибыль в 2 долл. Д алее,
пусть зарплата каждого механика равняется 20 долл. в час. Сопоставьте
плату за наем механиков с потерями, обусловленными потерей прибыли
в случае выхода из строя станков.
5. Необходимым условием того, что величина СОС(с) (определение которой
приведено выше) достигает своего минимума при с = с , являются неравенства
СОС(с - 1) > СОС(с*) и СОС(с + 1) > СОС(с ).
П окажите, что эти неравенства сводятся к следующим:
Примените этот результат к примеру 17.9.2 и покажите, что в этом случае с = 4.
17.9.2. Модель предпочтительного уровня обслуживания

Жизнеспособность модели обслуживающей системы со стоимостными характе
ристиками зависит от того, насколько хорошо мы можем оценить параметры стои
мости. В общем случае оценить эти параметры довольно сложно, особенно если
стоимость связана с ожиданием клиента. В моделях с предпочтительным уровнем
обслуживания делается попытка обойти эту проблему, оперируя непосредственно
функциональными показателями обслуживающей системы. Идея состоит в опре
делении приемлемого интервала изменения для уровня обслуживания (параметры
/и или с) путем поиска разумных пределов для конкурирующих экономических по
казателей, которые характеризуют процесс обслуживания. Эти пределы представ
ляют собой уровни предпочтительного обслуживания, которых стремится достичь
лицо, принимающее управленческое решение.
Проиллюстрируем применение этой процедуры для модели системы обслужи

вания с несколькими сервисами, в которой необходимо определить “ приемлемое”
количество сервисов с . Д ля этого рассмотрим два (конкурирующих) экономиче
ских показателя процесса обслуживания.
1. Среднее время ожидания в системе W t.
2. Процент простоя сервисов X.
Значение W s можно вычислить, используя программное обеспечение TORA для мо
дели ( М / М/ с) . Процент простоя средств обслуживания можно вычислить следую
х =— - x i o o = с ( — L" K 100 = f l - ^ * - 1 x 100 .

с с V си ;
(Доказательство этого соотношения см. в упражнении 17.6.5.12.)

Задача сводится к определению такого количества сервисов с*, что
W в< а и X < Д
где a n J3— уровни предпочтительного обслуживания, определенные лицом, которое
принимает решение. Например, можно поставить условие, что а = 3 мин. и f}= 10 %.
Задачу можно решить, построив графики И ' . и Х как функции количества сер
висов с (рис. 17.11). Отмечая на графиках значения а и Д мы определяем приемле
мый интервал изменения для уровня обслуживания с . Если оба упомянутых выше
условия нельзя удовлетворить одновременно, необходимо ослабить один или оба
уровня предпочтительности, пока не будет получен приемлемый интервал измене
ния количества сервисов.
Рис. 17.11. Приемлемый интервал изме

нения для уровня обслуживания
Пример 17.9.3
Допустим, что в примере 17.9.2 необходимо определить такое количество служа
щих на складе, чтобы среднее время ожидания инструмента было меньше 5 мин.
Одновременно требуется, чтобы процент времени, в течение которого персонал
мастерской остается свободным, не превышал 20 % .
Заметим, что и без вычислений очевидным является тот ф акт, что уровень пред
почтительности в 5 мин. для времени ож идания инструмента (т.е. здесь H's <5)
является недостижимым, так как из данных задачи следует, что среднее время об
служивания равно 6 мин. Приведенная ниж е таблица содержит значения Ws и X

как функций от с и подтверждает это замечание. Действительно при с > 5 имеем
Ws = 6 мин. Таблица такж е показывает, что дальнейшее увеличение числа служ а
щих может лиш ь повысить процент их простоя X.
С 2 3 4 5 6 7 8
Ws (минуты) 25,6 7,6 6,3 6,1 6,0 6,0 6,0
Х(%) 12,5 41,7 56,3 65,0 70,8 75,0 78,0
В этой ситуации мы ф актически ничего не можем сделать, так к ак задачу нель

зя реш ить путем увеличения количества служ ащ их на складе. Необходимо л и
бо ум еньш ить время обслуж ивания в системе, либо признать, что в реальной
ситуации, которой соответствует м атем атическая модель, интенсивность за
просов на инструм енты чрезвы чайно вы сока (Я = 17,5 запросов в час). Весьма
вероятно, что именно на последний ф акт долж но быть обращено вним ание. Н а
пример, мож но провести исследование причины такого высокого спроса на за
мену инструм ента. М ожет ли быть причиной этого н еадекватная кон струкци я
самого инструм ента? Или ж е причиной яв л яется то, что операторы станков ц е
ленаправленно стараю тся подорвать производство, таким образом вы раж ая
свое недовольство?
1. Цех использует 10 одинаковых станков. Каждый станок выходит из строя

в среднем один раз в 7 часов. Ремонт сломанного станка длится в среднем 4 часа.
Как процесс выхода станков из строя, так и процесс ремонта подчиняются
распределению Пуассона. Определите следующие показатели.
a) Необходимое число механиков для ремонта станков, при котором среднее
количество неработающих станков будет меньше 4.
b) Такое число механиков для ремонта станков, чтобы ожидаемое время за
держ ки, обусловленное ремонтом станка, было меньше четырех часов.
2. В стоимостной модели системы обслуживания, рассмотренной в подразде
ле 17.9.1, в общем случае трудно оценить стоимостный параметр С2
(стоимость ожидания). Может быть полезным вычисление стоимости ожида
ния С2, предполагаемое уровнями предпочтительности обслуживания. В этом
случае считаем, что значение Ct известно. Используя модель предпочтитель
ного уровня обслуживания для определения с , можно оценить предполагае
мое значение С2 с помощью следующего неравенства:
LX c ' ) - k { c + ^ ) ^ ^ L s {c - \ ) - L s { c ) .
(Вывод этой формулы см. в упражнении 17.9.2.5.) Примените эту процедуру

для задачи из примера 17.9.2, предполагая, что с = 3 и Сг = 12 долл.
1. Hall R. Queueing Methods for Service and Manufacturing, P rentice Hall, Upper
Saddle R iver, N. J ., 1991.
2. L ipsky L. Queueing Theory, A Linear Algebraic Approach, M acm illan, New
Y ork, 1992.
3. M orse P. Queues, Inventories, and Maintenance, W iley, New York, 1958.
4. P arzen E. Stochastic Processes, Holden-Day, San Francisco, 1962.
5. S aaty T . Elements of Queueing Theory with Applications, Dover, New York, 1983.
6. Tijm s H.C. Stochastic Models — An Algorithmic Approach, W iley, New York, 1994.

1. Боровков А. А. Вероятностные процессы в теории массового обслуживания. —
М.: Н аука, 1972.
2. Гихман И. И., Скороход А. В. Введение в теорию случайных процессов. — М.:
Н аука, 1965.
4. Мур Д ж ., Уэдерфорд JI. Экономическое моделирование в Microsoft Excel. — М.:
5. Саати Т. Элементы теории массового обслуживания и ее приложения. — М.:
Сов. радио, 1965.
17.1. 5 Б анк в своей деятельности использует традиционную линию , где клиен
ты обслуживаю тся, не выходя из автомаш ины , и две “ автоматические”
линии, которые соединены с внутренней частью банка пневматическим
контейнером. Б ан к хотел бы расш ирить сущ ествующие средства обслу
ж и ван ия, чтобы прибываю щий на автомаш ине клиент смог завершить
свое дело в банке в среднем не более чем за 4 минуты. Это ограничение по
времени было основано на психологических исследованиях, которые по
казы ваю т, что нетерпение клиентов проявляется на основе движ ения ми
нутной стрелки часов между двумя метками, что для большинства часов,
установленных в банках, соответствует пяти минутам. Д ля сбора необхо
димой информации группа специалистов по исследованию операций изу
чила действия кассиров, которые работают в банке. После некоторого оз
наком ления с работой системы один из членов группы отметил заметное
отличие времени, которое тратит клиент в линии обслуж ивания, и време
ни, когда кассир выполняет необходимые банковские операции. Действи
тельно время, которое автомобиль проводит в системе, состоит из 1 ) осоз
н ания, что впереди стоящ ий автомобиль уехал, 2 ) движ ения к окну
кассира, 3) передачи кассиру необходимых указан ий , 4) необходимых
действий кассира и 5) выхода из системы. На протяж ении первой, второй
5 З ад ач а бази р у ется н а работе Foote В. L. “ A Q ueu ein g Case S tu d y in D riv e-In B a n k in g ” ,

Int er f aces, Vol. 6, No. 4, pp. 3 1 -3 7 , 1976.
и пятой составляю щ их этого времени кассир является вынужденно сво

бодным. Анализ показал, что на протяж ении ц и к ла обслуживания одного
клиента кассир занят им лиш ь 40 % времени этого ц и кла. На основе этой
информации группа сделала вывод о том, что стоимость обслуживания
в существующей системе можно снизить.
В чем состояло предложение специалистов по исследованию операций по
улучшению обслуживания в банке с использованием линии, где клиенты
обслуживаются, не выходя из автомашины? Обсудите все последствия
предложения.
17.2. Государственный центр по защ ите детей работает ежедневно с 9:00 до 21:00.
Звонки, сигнализирующие о необходимости вмешательства для защ иты де
тей, поступают в центр, как и следовало ожидать, случайным образом. При
веденная ниже таблица содержит количество звонков на протяжении 7 дней,
разбитых на интервалы длиной в 1 час.
Время Количество звонков в день

1 2 3 4 5 6 7
9:00 4 6 8 4 5 3 4
10:00 6 5 5 3 6 4 7
11:00 3 9 6 8 4 7 5
12:00 8 11 10 5 15 12 9
13:00 10 9 8 7 10 16 6
14:00 8 6 10 12 12 11 10
15:00 10 9 12 4 10 6 8
16:00 8 6 9 14 12 10 7
17:00 5 10 10 8 10 10 9
18:00 5 4 6 5 6 7 5
19:00 3 4 6 2 3 4 5
20:00 4 3 6 2 2 3 4
21:00 1 2 2 3 3 5 3
Таблица не содержит звонков, потерянных по той причине, что во время

звонка линия оказалась занятой. Длительность каждого из полученных
звонков является случайной величиной со средним, равным 7 мин., но ино
гда достигает и 12 мин. Данные свидетельствуют о том, что количество
звонков в центр возрастает на 15 % в год. Центр планирует определить ко
личество телефонных линий, которые необходимо установить для надле
жащего обслуживания в настоящем и в будущем. В частности, особое вни
мание уделяется уменьшению неблагоприятных результатов, когда звонки
не поступают из-за занятости телефонной линии.
17.3. Промышленная компания использует три грузовика для перевозки мате
риалов шести своим филиалам. Клиенты требуют выделения для этих це
лей четвертого грузовика для уменьшения проблемы, связанной с чрезмер
ными задержками поставок. Грузовики не имеют постоянного гараж а,
откуда их можно было бы вызывать. Администрация считает более эффек
тивной систему, когда грузовики находятся в непрерывном движении.
Представитель филиала, которому необходим грузовик, должен дождаться

его прибытия поблизости завода. Если грузовик свободен, он ответит на
звонок. Иначе представитель филиала должен ожидать следующего грузо
вика. Приведенная таблица содержит частоты появления соответствующего
количества звонков па протяжении часа.
Количество звонков в час Частота
0 30
1 90
2 99
3 102
4 120
5 100
6 60
7 47
8 30
9 20
10 12
11 10
12 4
Время обслуживания (в минутах) для каждого филиала примерно одинако

вое. Приведенная ниже таблица содержит типичное распределение времени
обслуживания для одного из филиалов.
Время обслуживания, ł Частота
0 < ł < 10 61
10 < f < 20 34
20 < ł < ЗО 15
ЗО < ł < 40 5
40 < ł < 50 8
50 < ł < 60 4
60 < ł < 70 4
70 < ł < 80 3
80 < ł < 90 2
90 < ł < 100 2
Выработайте рекомендации для руководства компании.

17.4. Джон, молодой инженер, недавно принят на работу в машиностроительную
компанию. Компания владеет цехом, насчитывающим 30 станков, для под
держ ания которых в рабочем состоянии содержит ш тат из шести механи
ков. Цех работает в одну смену с 8:00 до 16:00. Джон получил первое зада
ние: изучить эффективность ремонтной службы цеха. С этой целью Джон
собрал следующие данные из протокола регистрации ремонта трех станков,
выбранных случайным образом.
Станок 5 Станок 18 Станок 23

Время Время Время Время Время Время
поломки ремонта поломки ремонта поломки ремонта
8:05 8:15 8:01 8:09 8:45 8:58

10:02 10:14 9:10 9:18 9:55 10:06
10:59 11:09 11:03 11:16 10:58 11:08
12:22 12:35 12:58 13:06 12:21 12:32
14:12 14:22 13:49 13:58 12:59 13:07
15:09 15:21 14:30 14:43 14:32 14:43
15:33 15:42 14:57 15:09 15:09 15:17
15:48 15:59 15:32 15:42 15:50 16:00
В дополнение к этой информации, просмотрев записи из протокола регист

рации ремонта для пяти случайно выбранных дней, Джон смог собрать дан
ные о количестве сломанных станков (включая и те, которые находились
в ремонте) в начале каждого часа рабочего дня.
Общее количество сломанных станков по состоянию на

Дата 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00
2/10 6 6 9 6 8 8 7 7
29/10 9 8 5 9 5 5 6 8
4/11 6 6 5 7 7 8 6 5
1/12 9 5 9 7 5 7 5 5
19/1 6 5 8 5 9 8 8 6
Джон встретился со своим руководителем Ребеккой и обсудил с ней собран

ную информацию. Джон заявил, что он уверен в том, что процесс выхода из
строя и ремонта станков в цехе является совершенно случайным, и можно
предположить, что эту ситуацию можно представить в виде системы мас
сового обслуж ивания пуассоновского типа. Ребекка подтвердила, что ее
многолетний опыт работы в цехе согласуется с предположением, что рас
сматриваемая ситуация является совершенно случайной. Основываясь на
этом предположении, Ребекка проверила собранные Джоном данные и,
сделав некоторые вы числения, сказала, что в данны х содержатся ошибки.
К ак Р ебекка приш ла к такому выводу?
17.5. Таксомоторная ком пания владеет четы рьмя маш инами. Служба такси ра
ботает 10 часов каж ды й день. З аяв ки на обслуживание поступают в дис
петчерскую службу в соответствии с распределением Пуассона в среднем
20 заявок в час. Известно, что длительность поездки такси является экс
поненциально распределенной случайной величиной с математическим
ожиданием 11,5 мин. В силу высокого уровня спроса на обслуживание
ком пания ограничивает список клиентов в диспетчерской службе, ож и
дающих обслуживания, до 16 заявок. Когда этот предел достигается, кли
ентам советуют искать такси в другом месте, объяснив, что среднее время
ожидания машины будет длительным.
Глава 17. Системы массового обслуживания
Управляющий компании Стоун опасается, что он, возможно, теряет много

клиентов, и поэтому хочет рассмотреть вопрос об увеличении парка машин
компании. Стоун считает, что средняя прибыль, получаемая компанией от
обслуживания одного клиента, составляет примерно 5 долл. Новый автомо
биль, по его оценке, можно купить за 18 ООО долл. Новое такси использует
ся на протяжении пяти лет и затем продается за 3 500 долл. Стоимость со
держания и обслуживания такси на протяжении одного года составляет
20 ООО долл. Может ли мистер Стоун обосновать увеличение парка автомо
билей компании, и если да, то на сколько единиц? При анализе учтите 10 %
ежегодного прироста клиентов.
ГЛАВА 18
ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ
Имитационное моделирование является мощным инструментом исследования
поведения реальных систем. Методы имитационного моделирования позволяют со
брать необходимую информацию о поведении системы путем создания ее компью
теризованной модели. Эта информация используется затем для проектирования
системы. Имитационное моделирование не решает оптимизационных задач, а ско
рее представляет собой технику оценки значений функциональных характеристик
моделируемой системы.
Современное имитационное моделирование применяется в основном для иссле
дования ситуаций и систем, которые можно описать как системы массового обслу
живания. Это не ограничивает применение имитационного моделирования, по
скольку на практике любую ситуацию исследования операций или принятия
решений можно в той или иной мере рассматривать как систему массового обслу
живания. По этой причине методы имитационного моделирования находят широ
кое применение в задачах, возникающих в процессе создания систем массового об
служивания, систем связи; в экономических и коммерческих задачах, включая
оценки поведения потребителя, определение цен, экономическое прогнозирование
деятельности фирм; в социальных и социально-психометрических задачах; в зада
чах анализа военных стратегий и тактик.
Предшественником современного имитационного моделирования считается ме
тод Монте-Карло, основная идея которого состоит в использовании выборки слу
чайных чисел для получения вероятностных или детерминированных оценок ка
ких-либо величин. Основное различие между современными методами имитации
и методом Монте-Карло заключается в том, что в последнем время не является обя
зательным фактором, а получаемые оценки “ статичны” . Метод Монте-Карло при
меняется для вычисления площадей фигур, ограниченных кривыми, или, в более
общем случае, вычисления кратных интегралов; вычисления констант (например
к, равной 3,14159...); обращения матриц и т.п.
Имитация является случайным экспериментом, поэтому любой результат, по
лученный путем имитационного моделирования, подвержен экспериментальным
ошибкам и, следовательно, как в любом статистическом эксперименте, должен ос
новываться на результатах соответствующих статистических проверок. Это важное
замечание мы подчеркиваем на протяжении всей главы.
698 Глава 18. Имитационное моделирование
18.1. МЕТОД МОНТЕ-КАРЛО

Для демонстрации метода Монте-Карло рассмотрим следующий пример. Здесь
особо подчеркнута статистическая природа имитационного эксперимента.
Пример 18.1.1
Используем метод Монте-Карло для оценки площади круга, уравнение окружности
которого имеет вид
(х - I )2 + (у - 2 )2 = 25.
Круг имеет радиус г = 5 см, и его центр находится в точке (х, у) = (1, 2).
Процедура оценки площади требует заключения круга в описанный около него
квадрат, сторона которого равна диаметру круга (рис. 18.1). Вершины квадрата оп
ределяются непосредственно из геометрических свойств фигуры.
(-4, 7) (6, 7)
Рис. 18.1. Оценка площади круга

методом Монте-Карло
Оценка площади круга основана на предположении, что все точки квадрата равно
вероятны. Предположим, что выборка состоит из наблюдений п точек квадрата, и т
из них попали внутрь круга или на окружность. Тогда
площадь круга = — (площадь квадрата) = — (10x10).

п п
Здесь координаты х и у точек квадрата представлены как равномерно распределен
ные случайные величины с плотностями вероятностей
/(х) = —, -4 <х <6 ,

к ' 10
/(>-)
кп = —
10 , - Ъ < у < 1 .
Обе функции равны нулю вне указанных интервалов.

Процедура вычисления выборочных значений (дг, у) начинается с генерирования
независимых случайных чисел, равномерно распределенных на интервале [0 , 1 ].
Затем эти числа отображаются на наш квадрат. Равномерно распределенные на ин
тервале [ 0 , 1 ] случайные числа имеют плотность вероятности вида
„, . Г1, если 0 < х < 1,

[Ов противном случае.
В табл. 18.1 приведен небольшой список случайны х чисел из интервала [0, 1].
Эти числа сгенерированы с использованием специальны х методов, которые опи
саны в разделе 18.4.
Таблица 18.1
0,0589 0,3529 0,5869 0,3455 0,7900 0,6307
0,6733 0,3646 0,1281 0,4871 0,7698 0,2346
0,4799 0,7676 0,2867 0,8111 0,2871 0,4220
0,9486 0,8931 0,8216 0,8912 0,9534 0,6991
0,6139 0,3919 0,8261 0,4291 0,1394 0,9745
0,5933 0,7876 0,3866 0,2302 0,9025 0,3428
0,9341 0,5199 0,7125 0,5954 0,1605 0,6037
0,1782 0,6358 0,2108 0,5423 0,3567 0,2569
0,3473 0,7472 0,3575 0,4208 0,3070 0,0546
0,5644 0,8954 0,2926 0,6975 0,5513 0,0305
Пусть Rl wR2 — различные случайные числа из интервала [0, 1]. Тогда координаты
(.V, у) точек квадрата можно выразить через эти случайные числа:
х = -4 + [6 - (-4)]/?, = - 4 + 10Rv
у = -3 + [7 - (-3)]Л 2 = - 3 + 10Л2.
Используя приведенные формулы, мы можем сгенерировать равномерно распреде
ленную случайную точку (х, у) квадрата для каждой пары случайных чисел (RltR2).
Сгенерированная точка (х, у) попадает внутрь круга, если
( * - 1 )2 + Су- 2)2< 25.
Например, если /?, = 0,0589 и R2 = 0,6733, то
х = -4 + ЮЛ, = -4 + 10 х 0,0589 = -3,411,
у = - 3 + 10R2 = -3 + 10 х 0,6733 = 3,733.
Так как величина (-3 .411 - I )2 + (3.733 - 2 )2 = 22,46 меньше 25, следовательно,
точка (х, у) попадает внутрь круга.
Исследуем теперь влияние случайной выборки на точность оценки площади круга.
Точность оценки можно повысить, увеличив объем одной выборки и/и ли повторив
эксперименты (прогоны) на разных выборках (но одинакового размера).
Хотя вычисление отдельных выборочных значений относительно просто, создание
выборки достаточно большого объема требует больших вычислений. Шаблон Excel
ch l 8 Circle.xls создан для выполнения вычислений рассматриваемого примера
(рис. 18.2). Входными данными для вычислений являются радиус круга (ячейка С5),
координаты центра круга (ячейки С6 и С7), размер выборки (ячейка С4) и количество
прогонов (ячейка СЗ). В ячейку Е4 вводится число имитаций (т.е. количество полных
повторений экспериментов с тем же количеством прогонов). Например, если объем вы
борки п равен 30 000 и число имитаций равно 3, то шаблон автоматически вычислит
результаты для выборок объема 30 000, 60 000 (2 имитации) и 90 000 (3 имитации).
M onte Carlo Estim ation of th e Area of a Circle

Input data
Nbr. R eplications. N =
Sample size, n = 30,000
Radius. r =
C enter, cx =
C enter. cy =
O utput resu lts
;Exact area = 7B 5^0
Piessto Execute Monte Lailo
11 ,Monte Carlo Calculations

12’ n=30000 n=60000 n=90000
13 Replication 1 78.207 78 555 78 483
14 Replication 2 78.673 78 752 78 581
15 і Replication 3 78.300 78.288 78.281
16 Replication 4 78.503 78.347 78.343
17 Replication 5 78 983 78.775 78 760
1B
1 9 iMean = 78.533 78.543 78.490
20 3td Deviation = 0.308 0.225 0 191
21
22 j95% lower conf limit = 76 151 78.263 78.253
23 j95% upper conf. limit = 78.915 76.823 78.727
Рис. 18.2. Вычисление в Excel оценки площади круга

методом Монте-Карло
На рис. 18.2 показаны оценки площади круга д л я объема выборки 30 000, количе
ства выборок 5 и числа имитаций 3. Точная площ адь круга равна 78,54 см2, мето
дом Монте-Карло получили оценки от А = 78,533 до А = 78,490 см2. Отметим, что
стандартное отклонение изменяется от значения s = 0,308 при п = 30 000 до
s = 0,191 при п = 90 000. Это говорит о том, что точность оценки повы ш ается при
увеличении объема выборки.
Если в шаблоне щ елкнуть на командной кнопке Press to Execute Monte Carlo
(Выполнить метод М онте-Карло), то будут получены новые оценки путем повтор
ных вычислений с новой последовательностью случайны х чисел.
Ввиду того, что оценки площади имеют разброс, важ но, чтобы результаты экспе
римента, связанного с моделированием, были выраж ены в виде доверительных ин
тервалов, показываю щ их величину отклонения от точного значения. В рассматри
ваемом примере, если А представляет собой точное значение площ ади, а А и s2 —
среднее и дисперсию при числе экспериментов N, то 100(1 -а )% -н ы й доверитель
ный интервал для А задается в виде
^~7n ‘uI2-n~1~А~^+Т к ‘а/2-к-"

где /а/2 *_! — (100а/2)% -ная точка /-распределения (распределения Стьюдента) с N - 1
степенями свободы (см. приложение В). Заметим, что N обозначает число экспери
ментов (прогонов), и его следует отличать от п, которое обозначает объем выборки
(“ продолжительность” прогона модели). В рассматриваемом примере мы заинтересо
ваны в установлении доверительного интервала, полученного для выборки наиболь
шего объема (т.е. п = 90 000). При N = 5, А = 78,490 см2 , s = 0,191 см 2 и = 2,776
результирующим 95% -ным доверительным интервалом является 78,25 <А< 78,73.
Рассмотренный пример ставит два вопроса, характерных для любого экспери

мента, связанного с моделированием.
1. Каким должен быть объем выборки п для достижения необходимого значе
ния доверительных интервалов?
2. Сколько для этого требуется прогонов N1
Ответы зависят от природы эксперимента, связанного с моделированием. Как
и в любом статистическом эксперименте, большие значения п и N обеспечивают
более надежные результаты. Препятствием может быть стоимость проведения экс
перимента, которая возрастает пропорционально увеличению nvi N.
1. В условиях примера 18.1.1 вычислите площадь круга, используя из
табл. 18.1 два первых столбца в качестве источника случайных чисел из ин
тервала [0, 1]. (Для удобства выбирайте из первого столбца, a R2 — из вто
рого, двигаясь при этом сверху вниз.) Сравните полученный результат с ре
зультатами вычислений в Excel, показанны ми на рис. 18.2.
2. Пусть уравнение окружности имеет вид (л: - 3)"! + (у + 2)2 = 16.
a) Найдите соответствующие плотности вероятностей f(x) и f(y). Покажите,
как с помощью пары случайных чисел (Rt, R2) из интервала [0, 1] можно
получить выборочную точку (дг, у).
b) С помощью шаблона Excel c h l 8 Circle.xls оцените площадь круга при
п = 100 000 и N = 10. Постройте 95% -ны й доверительный интервал для
оценки площади круга.
3. Примените метод Монте-Карло для вычисления площади озера, показанного
на рис. 18.3. Д ля получения значений случайных чисел из интервала [0, 1]
используйте два первых столбца табл. 18.1.
Мили
Рис. 18.3. П л а н озера д л я у п р а ж н ен и я 3
4. Рассмотрим игру, в которой два игрока А и Б поочередно подбрасывают пра

вильную (симметричную) монету. Если выпадает лицевая сторона монеты, игрок
А получает 10 долл. от игрока Б, иначе игрок Б выигрывает у игрока А 10 долл.
a) К ак смоделировать эту игру в виде эксперимента Монте-Карло?
b) Проведите эксперимент в 5 прогонов с 10 подбрасываниями монеты в к а
ждом прогоне. Используйте пять первых столбцов табл. 18.1 для получе
ния значений случайных чисел из интервала [0 , 1 ], при этом каждый
столбец будет соответствовать одному прогону.
c) Вычислите 95% -ный доверительный интервал для выигрышей игрока А.

d) Сравните доверительный интервал, полученный в предыдущем пункте,
с ожидаемым теоретическим выигрышем игрока А.
1
5. Рассмотрим определенный интеграл |д?dx.
о
a) Оцените значение этого интеграла с помощью метода Монте-Карло.
b)Используйте четыре первых столбца табл. 18.1 для получения оценки
значения интеграла, основанной на 4 прогонах объемом 10 каждый. Вы
числите 95% -ный доверительный интервал и сравните его с точным зна
чением интеграла.
6 . Смоделируйте ситуацию с пятью выигрышами или проигрышами в следую
щей игре в кости. Игрок бросает две симметричные игральные кости. Если
выпавш ая сумма равна 7 или 11, игрок выигрывает 10 долл. Иначе он запо
минает выпавшую сумму (называемую очком) и продолжает бросать кости до
тех пор, пока выпавш ая сумма не совпадет с очком, после чего игрок получа
ет 10 долл. Но если выпавш ая сумма равна 7, игрок проигрывает 10 долл.
7. Ц икл исполнения заказа на некую продукцию с равной вероятностью состав
ляет 1 или 2 дня. Предполагается, что ежедневный спрос равен 0, 1 и 2 еди
ницы этой продукции с вероятностями 0,2, 0,5 и 0,3 соответственно. Исполь
зуйте значения случайных чисел из табл. 18.1 (начиная с первого столбца)
для оценки совместного распределения спроса и цикла исполнения заказа.
Исходя из полученного совместного распределения, оцените плотность веро
ятности спроса в течение цикла исполнения заказа. (Подсказка. Спрос во
время исполнения заказа может принимать значения 0, 1, 2, 3 и 4.)
8. Рассмотрим эксперимент Бюффона с иглой. Горизонтальная плоскость раз
делена параллельными прямыми, расположенными на расстоянии D см одна
от другой. И гла длиной с! см ( d < D) случайным образом бросается на плос
кость. Необходимо найти вероятность того, что игла коснется или пересечет
одну из прямых. Введем следующие обозначения.
h — расстояние от центра иглы до ближайш ей прямой,
9 — угол, составленный иглой с этой прямой.
a) Покажите, что игла коснется или пересечет прямую, если
/ г < —sin0, 0 < Л < — , O < 0 S jc.

2 2
b) Составьте план эксперимента Монте-Карло, обеспечивающий определение

оценки искомой вероятности.
c) Используйте первые четыре столбца табл. 18.1 для поиска оценки иско
мой вероятности, основанной на 4 прогонах объемом 10 каждый. Вычис
лите 95% -ный доверительный интервал для оценки.
d) Покажите, что вероятность интересующего нас события равна
2d
Р = Ы-
Используйте эту формулу вместе с результатом, полученным при решении
задачи из п. с), для оценки значения числа к.
18.2. Типы имитационных моделей 703
18.2. ТИПЫ ИМИТАЦИОННЫХ МОДЕЛЕЙ

Использование современных имитационных моделей базируется, в основном, на
идее метода Монте-Карло. Отличие состоит в том, что имитационная модель обыч
но связана с изучением реально существующей системы, поведение которой я в л я
ется функцией времени. Существует два типа имитационных моделей.
1. Непрерывные модели используются для систем, поведение которых изменяется
непрерывно во времени. Непрерывные имитационные модели обычно представляют
ся в виде разностно-дифференциальных уравнений, которые описывают взаимодей
ствие между различными элементами системы. Типичным примером непрерывной
имитационной модели является изучение динамики народонаселения мира.
2. Дискретные модели имеют дело с системами, поведение которых изменяется
лиш ь в заданные моменты времени. Типичным примером такой модели является
очередь. При этом задача моделирования состоит в оценивании операционных ха
рактеристик обслуживающей системы, таких, например, как среднее время ож и
дания или средняя длина очереди. Такие характеристики системы массового об
служивания изменяют свои значения либо в момент появления клиента, либо при
завершении обслуживания. В других случаях в системе ничего существенного
(с точки зрения имитационного моделирования) не происходит. Те моменты време
ни, в которые в системе происходят изменения, определяют события модели
(например, приход или уход клиента). То, что эти события происходят в дискрет
ные моменты, указывает, что процесс протекает в дискретном времени, откуда
и появилось название дискретное моделирование.
В настоящей главе основное внимание уделено обсуждению основ дискретного
моделирования. Начнем с описания событий и того, как они могут быть сгенериро
ваны в имитационной модели. Далее рассмотрим процедуры сбора статистических
данных на основе имитационной модели и обсудим статистические аспекты имита
ционного эксперимента. Мы такж е подчеркнем важную роль компьютера и языков
имитационного моделирования при реализации имитационных моделей.
1. Распределите по категориям приведенные ниже ситуации с точки зрения их
принадлежности к дискретному или непрерывному типу (они такж е могут
быть комбинацией обоих типов). В каждом случае укаж ите цель создания
имитационной модели.
a) Заказы на деталь поступают на склад случайным образом. Заказ, который
не может быть выполнен сразу из наличного запаса, должен ожидать при
бытия новых поставок.
b) На численность населения земного шара влияет наличие полезных иско
паемых, производство пищ и, экологические условия, уровни образова
ния, здравоохранения и капитальные вложения.
c) Товары прибывают на приемную платформу автоматизированного склада
на поддонах. Поддоны погружаются на нижний ленточный конвейер
и поднимаются лифтом на верхний конвейер, который перемещает их
к коридорам. Коридоры обслуживаются кранами, которые снимают под
доны с конвейера и помещают их в складские бункеры.
2. Объясните, почему вы согласны (или не согласны) со следующим утвержде
нием: “ Большинство моделей дискретного моделирования в той или иной
форме можно обнаружить в системах массового обслуживания, состоящих из

источников, которые поставляют клиентов; очередей, где клиенты ожидают;
и сервисов, где клиенты обслуживаются” .
18.3. ЭЛЕМЕНТЫ ДИСКРЕТНОГО МОДЕЛИРОВАНИЯ

В этом разделе показано, как используется концепция события и как собирают
ся статистические данные на основе имитационных моделей систем.
18.3.1. Общее определение событий

Все имитационные модели с дискретными событиями описывают прямо или кос
венно ситуации с очередью, в которую клиенты прибывают, при необходимости ожи
дают в ней, потом обслуживаются перед тем, как оставить систему. В общем случае
любая модель с дискретными событиями состоит из сети взаимосвязанных очередей.
Имитационная модель с дискретными событиями в действительности является
композицией очередей. В целях сбора статистических данных (показателей функ
ционирования системы) заметим, что изменения в системе (например, изменение
длины очереди или состояния средств обслуживания) возникают лиш ь тогда, когда
клиент поступает в очередь или покидает систему после обслуживания. Это означа
ет, что двумя главными событиями в любой дискретной имитационной модели яв
ляются прибытие и уход клиентов. Это единственные показатели, по которым не
обходимо исследовать систему. В другие моменты времени никаких изменений,
влияю щ их на статистические данные системы, не происходит.
Пример 18.3.1
Металлообрабатывающий цех получает два вида работ: обычную и срочную. Все
работы выполняются последовательно на двух обрабатывающих центрах с обшир
ными буферными зонами. Считается, что срочные работы всегда имеют приоритет
перед обычными. Охарактеризуем события в описанной ситуации.
Рассматриваемая ситуация состоит из двух сдвоенных очередей, соответствующих
двум обрабатывающим центрам. На первый взгляд, можно согласиться со следую
щим определением событий в описанной ситуации.
А Н : обычная работа поступает в центр 1;
А21: срочная работа поступает в центр 1;
Д11: обычная работа уходит из центра 1;
Д21: срочная работа уходит из центра 1;
А12: обычная работа поступает в центр 2;
А22: срочная работа поступает в центр 2;
Д 1 2 : обычная работа уходит из центра 2 ;
Д22: срочная работа уходит из центра 2.
В действительности мы точно имеем лиш ь два события: прибытие (новой) работы
в цех и выход (выполненной) работы из цеха. Заметим сначала, что события Д11
и А12 совпадают и являю тся неразличимыми. Это же замечание применимо к со
бытиям Д21 и А22. Далее в дискретной имитационной модели мы можем использовать
одно событие (прибытие или уход) для обоих типов работ, просто приписывая собы
тию “ ярлы к” , атрибут которого указывает тип работы. (В данном случае можно рас
сматривать в качестве атрибута персональный идентификационный номер работы.)
Принимая эту аргументацию, приходим к выводу, что события в модели сводятся
к 1) поступлению А (в цех) и 2) уходу Д (из каждого центра). Действия, связанные
с уходом, будут зависеть от обрабатывающего центра, на котором это происходит.
Определив основные события имитационной модели, покажем теперь, как модель
функционирует. На рис. 18.4 дано схематическое представление типичных место
нахождений событий на шкале времени имитации. После выполнения всех дейст
вий, связанных с текущим событием, имитационная модель “ перепрыгивает” к дру
гому событию, которое непосредственно за ним следует. По сути, имитация
возникает в те моменты, когда происходят события.
Событие 1 Событие 2 Событие 3Событие 4 Событие 5 Время

Рис. 18.4. События на шкале времени
Как имитационное моделирование определяет время наступления событий? В сис

теме события, связанные с прибытием, определяются временем между поступле
ниями клиентов, а события, связанные с их уходом, — временем обслуживания.
Время наступления этих событий может быть детерминированным (например,
прибытие поездов метро на станцию каждые пять минут) или случайным
(например, прибытие клиентов в банк). Если время между наступлениями событий
является детерминированным, то процедура определения времени их наступления
проста. Если же указанное время является случайным, то используется специаль
ная процедура для получения выборочных значений времени между событиями
в системе, соответствующей заданному вероятностному распределению. Содержа
ние такой процедуры рассматривается в следующем разделе.
1. Опишите дискретные события, необходимые для моделирования следующей
ситуации. Два вида работ поступают из двух различных источников. Все ра
боты выполняются на единственной машине, причем преимущество имеют
работы, поступающие из первого источника.
2. Работы поступают с постоянной скоростью на карусельный конвейер. Три
станции обслуживания (серверы) расположены равномерно вокруг конвейе
ра. Если станция свободна, то работа снимается с конвейера для выполнения.
Иначе работа находится на вращающемся конвейере до тех пор, пока не ос
вободится какой-либо сервер. Выполненная работа складируется в приле
гающей зоне для отправки в другой цех. Определите дискретные события,
необходимые для моделирования этой ситуации.
3. Автомобили прибывают по двум линиям в банк, где клиенты обслуживают
ся, не выходя из машины. М аксимальная емкость каждой линии составляет
четыре машины. Если обе линии заполнены, то прибывший автомобиль уез
жает в поисках другого банка. Если в любой момент на одной из линий по мень
шей мере на два автомобиля больше, чем на другой, то последний автомобиль из
более “ длинной” линии перемещается на последнюю позицию “ короткой”

линии. В этом режиме банк работает с 8:00 до 15:00 каж дый рабочий день.
Определите дискретные события для описанной ситуации.
4. Кафетерий начальной школы обеспечивает всех своих учеников завтраком, ко
торый помещается на одном подносе. Дети подходят к раздаточному окну каж
дые 30 секунд. Для получения подноса с завтраком необходимо 18 секунд. Нане
сите на временную шкалу события прибытия-ухода для первых пяти учеников.
18.3.2. Генерирование выборочных значений

Случайность в имитационных моделях возникает тогда, когда интервал време
ни t между последовательными событиями является случайным. В этом разделе
рассматриваются следующие методы получения последовательных случайных зна
чений t = t v t2, ..., имеющих заданное распределение вероятности f(x).
1. Метод обратных функций.
2. Метод сверток.
3. Метод отбора.
Метод обратных функций дает хорошие результаты для непрерывных распреде
лений, функция распределения которых имеет аналитическое представление, на
пример, как при экспоненциальном или равномерном распределении. Другие два
метода более универсальны и используются в таких сложных ситуациях, как, на
пример, генерирование случайных чисел, имеющих нормальное распределение или
распределение Пуассона. Все три метода основаны на использовании независимых
одинаково распределенных случайных чисел, имеющих равномерное распределе
ние на интервале [0 , 1 ].
Метод обратных функций. Пусть необходимо получить значение х случайной ве

личины у, имеющей непрерывную или дискретную плотность вероятности f(x). Со
гласно методу обратных функций сначала находится функция распределения F(x) =
= Р{у < х}, где 0 < F(x) < 1 для всех значений х. Пусть R — случайное число, полученное
из равномерного на интервале [0 , 1 ] распределения, и пусть F — функция, обратная
к функции F. Метод обратных функций требует выполнения следующих действий.
Этап 1. Генерируется случайное число R из интервала [0, 1].
Этап 2. Вычисляется искомое случайное число х = F \R).
На рис. 18.5 проиллюстрирована описанная процедура для непрерывного и дис
кретного распределений. Равномерно распределенная случайная величина Д, из
интервала [0, 1] проектируется с вертикальной оси F(x) на горизонтальную, опре
деляя при этом искомое значение
Корректность предложенной процедуры основана на том, что случайная пере
менная г = F(x) является равномерно распределенной на интервале 0 < г < 1 , что до
казывается в следующей теореме.
Теорема 18.3.1. Д ля заданной функции распределения F(x) случайной
величины х, -оо < х <°о, случайная величина z = F(x), 0 < г < 1 , имеет плотность
вероятности
f(z) = 1 , 0 < г < 1 ,
т.е. является случайной величиной, равномерно распределенной на интервале [0 , 1 ].
Рис. 18.5. Получение случайных чисел методом обратных функций
Доказательство. Случайная величина z является равномерно распределенной

на интервале [0 , 1 ] тогда и только тогда, когда
P { z < Z } = Z, 0 < Z < 1 .
Это соотношение непосредственно следует из таких равенств:
Р{г < Z } = P{F(x) < Z } = Р{х < F \ Z)} = F(F'\Z)) - Z .
При этом 0 < Z < 1, так как 0 < P{ z < Z ) < 1.
Пример 18.3.2. Экспоненциальное распределение

Предположим, что время t между прибытиями клиентов в парикмахерскую рас
пределено по экспоненциальному закону с математическим ожиданием M{t} = 1/Л
единиц времени, т.е. плотность вероятности задается формулой
= f > 0.
Найдем случайное значение времени г.
Функция распределения вычисляется стандартным образом:
I
F(t)= jXe-kj‘dx = l ~ e iJ, f > 0.
о
Если R — случайное число из интервала [0, 1], то, если R « F(t), получим
Так как R — случайное число из интервала [0, 1], то и (1 - R) представляет собой

случайное число из того же интервала, поэтому можно заменить (1 - R) на R.
Пусть в имитационной модели события происходят через t единиц времени. Тогда,
например, при Я = 4 посетителя в час и R = 0,9 интервал времени между прибытия
ми посетителей вычисляется как
/, = - ^ i j l n ( l - 0 , 9 ) = 0,577 ч = 3 4 ,5 мин.
Значения R, используемые для получения последовательных случайных чисел,

должны выбираться случайным образом из интервала [0 , 1 ], подчиняясь равномер
ному закону распределения. В разделе 18.4 мы покажем, как генерируются такие
случайные числа._______________________________________________________________
1. Пусть в модели из примера 18.3.2 первый клиент поступает в начальный мо
мент времени 0. Используя первые три случайных числа первого столбца
табл. 18.1, сгенерируйте время прибытия следующих трех клиентов и нане
сите полученные события на временную ш калу.
2. Равномерное распределение. Пусть время, необходимое для обработки детали
на станке, равномерно распределено на интервале [а , Ь], а < Ь , т.е.
/ ( f ) = — , a<,t<b.
b-a
Найдите выражение для вычисления случайного числа t при заданном зна
чении случайного числа R.
3. В небольшой цех с одним станком заказы поступают случайным образом.
Время между поступлениями заказов распределено по экспоненциальному
закону с математическим ожиданием 2 часа. Время, необходимое для вы
полнения заказа, является случайной величиной, равномерно распределен
ной на интервале [1,1, 2], измеряемом в часах. Пусть первый заказ поступает
в момент времени, равный нулю. Определите время поступления и выполне
ния первых пяти заказов, используя случайные числа из интервала [0 , 1 ],
помещенные в первом столбце табл. 18.1.
4. Запрос на дорогую запасную деталь для пассажирского самолета равен 0, 1, 2
или 3 единицы в день с вероятностями 0,2, 0,3, 0,4 и 0,1 соответственно. Цех
технического обеспечения полетов имеет на складе 5 упомянутых деталей
и немедленно восстановит запас до этого же уровня, если их останется на
складе меньше двух единиц.
a) Разработайте процедуру получения случайных значений величины запроса.
b) Сколько дней пройдет до первого пополнения запаса деталей? Используйте
последовательные значения случайных чисел R из первого столбца табл. 18.1.
5. В имитационной модели телевизионные блоки проверяются на наличие де
фектов. В 80 % случаев блок успешно проходит проверку и упаковывается,
иначе он ремонтируется. Символически эту ситуацию можно представить
одним из двух способов.
Выполнить ремонт с вероятностью 0,2, упаковать с вероятностью 0,8.
У паковать с вероятностью 0,8, выполнить ремонт с вероятностью 0,2.
Эти два способа каж утся эквивалентными. Однако при моделировании этой
ситуации с помощью одной и той же заданной последовательности случай
ных чисел из интервала [0 , 1 ] эти представления могут дать различные ре
зультаты (в виде “выполнить ремонт” или “ упаковать” ). Объясните, почему.
6. Игрок подбрасывает симметричную монету до тех пор, пока не появится ее
лицевая сторона (герб). Результирую щ ая выплата равна 2", где п — число
подбрасываний до появления лицевой стороны монеты.
a) Разработайте имитационную модель игры.
b ) Используйте случайные числа из первого столбца табл. 18.1, чтобы опре
делить накопленное значение выплаты после того, как лицевая сторона
монеты появится два раза.
7. Треугольное распределение. В имитационном моделировании при недостатке
данны х часто невозможно определить вероятностное распределение, соот
ветствующее моделируемым ситуациям. Во многих таких случаях может
оказаться полезным описание распределения случайной переменной путем

оценки ее наименьшего, наиболее вероятного и наибольшего значений. Этих трех
величин достаточно для вычисления треугольного распределения, которое
можно использовать в качестве “ черновой” оценки истинного распределения.
а) Разработайте формулу для получения случайных значений, соответствующих
треугольному распределению, параметрами которого являются константы а,
Ь и с , а < Ь < с , и плотность вероятности которого задается формулой
2(х-а)
, а<х<Ь,
, Ь<х<с.
( с - Ь) { с- а)
Ь) Получите три значения, соответствующие треугольному распределению
с параметрами (1, 3, 7), используя для этого три первых случайных числа
первого столбца табл. 18.1.
8 . Разработайте процедуру получения случайных значений, подчиняющихся
распределению, плотность вероятности которого состоит из прямоугольника,
граничащего слева и справа с двумя прямоугольными треугольниками
(вертикальными катетами этих треугольников являю тся стороны прямо
угольника). Соответствующие основания левого треугольника, прямоуголь
ника и треугольника справа равны [а, Ь], [Ь, с] и [с, d], а < b < с < d. Каждый
треугольник имеет высоту, равную высоте прямоугольника.
Определите пять случайных значений, которые соответствуют описанному
выше распределению с набором параметров (а, Ь, с, d) = (1, 2, 4, 6 ), используя
при этом пять первых случайных чисел из первого столбца табл. 18.1.
9. Геометрическое распределение. Покажите, как можно получить случайное
значение, подчиняющееся геометрическому распределению
f(x) = р ( 1 - р ) \ х = 0 , 1 , 2 , ...,
где х — число неудач в схеме Бернулли до первого появления успеха, р — веро
ятность успеха, 0 < р < 1. Сгенерируйте пять случайных значений прир = 0,6.
10. Распределение Вейбулла.' Покажите, как можно получить случайное значе
ние, подчиняющееся распределению Вейбулла, плотность вероятности кото
рого имеет вид
где а > 0 — параметр формы, р > 0 — параметр масштаба.

Метод сверток. Основная идея данного метода состоит в том, чтобы выразить
искомую случайную величину в виде суммы других случайных величин, для кото
рых легко получить реализации случайных значений2. Типичными среди таких
распределений являю тся распределения Эрланга и Пуассона, которые можно полу
чить из экспоненциального распределения.
1 В русской математической литературе это распределение также имеет название

“распределение Вейбулла-Гнеденко” . — Прим. ред.
2 Функцию распределения суммы случайных величин можно выразить через функции рас
пределения слагаемых в виде так называемого интеграла свертки, а операцию суммирования слу
чайных величин иногда называют операцией свертки. Отсюда идет название метода. — Прим. ред.
Пример 18.3.3. Распределение Эрланга

Случайная величина, имеющая распределение Эрланга с параметром т (т — целое
число), определяется как сумма (свертка) т независимых случайных величин, каж
дая из которых имеет экспоненциальное распределение с параметром А. Пусть у —
случайная величина, подчиняющаяся распределению Эрланга с параметром т. Тогда
У==Уі+У2 + — +У-».
где у; (/ = 1 , 2 , ..., т) — независимые экспоненциально распределенные случайные
величины, плотность вероятности которых задается формулой
/ ( у ^ - Х е ^ , yt > 0, 1 = 1, 2 ,
Как следует из примера 18.3.2, случайное значение, имеющее (i-e) экспоненциаль

ное распределение, вычисляется по формуле
Следовательно, значение случайной величины Эрланга с параметром т можно вы

числить как
у = - Q - j [ l n ( Л,) + In (Л2) +... + 1п(/?,„)] = - Q - jln (Л,Л2...ЛИ)
В качестве иллюстрации применения этой формулы предположим, что т = 3 и А = 4

события в час. Первые три случайных числа из первого столбца табл. 18.1 дают та
кой результат: = 0,0589 х 0,6733 х 0,4799 = 0,0190, что в свою очередь при
водит к значению ^ = —(1/4)1п(0,019) = 0,991 часа.
Пример 18.3.4. Распределение Пуассона

Если время между некоторыми событиями представляет собой случайную величину,
распределенную по экспоненциальному закону, то распределение числа событий, про
исходящих в единицу времени, будет пуассоновским, и наоборот. Этот факт использу
ется для получения случайных значений, подчиняющихся распределению Пуассона.
Пусть для рассматриваемого распределения Пуассона среднее количество событий
в единицу времени равно Я. Тогда время между событиями является случайной ве
личиной, имеющей экспоненциальное распределение со средним, равным 1 /Я еди
ниц времени. Это означает, что на протяжении t единиц времени будет иметь место
п событий (число п подчиняется распределению Пуассона) тогда и только тогда, когда
время до реализации события n < t < время до реализации события п + 1 .
Это условие можно записать следующим образом:
?i + t2 + ... + 1„ < t < f] + r2 + ••• + t„+1, n> 0 ,
0 < t <r,, n = 0 ,
где г, — случайная величина, подчиняющаяся экспоненциальному распределению
со средним 1/Я. Принимая во внимание результат примера 18.3.3, имеем
/ г 1/ г 2 - я „ ^ е 1' > / г 1/ г 2 - Л +1. * > 0 .
і > ^ > / г р /і = о.
Проиллюстрируем описанный подход на следующем примере. Пусть необходимо
получить случайное значение, соответствующее распределению Пуассона со сред
ней частотой Л = 4 события в час, при t —0,5 часа. Это нам дает е~* = 0,1353. Ис
пользуя случайные числа первого столбца табл. 18 1, замечаем, что Л, = 0,0589
меньше е м = 0,1353. Следовательно, п = 0.
Пример 18.3.5. Нормальное распределение

Центральная предельная теорема (см. раздел 12.4.4) утверждает, что сумма п оди
наково распределенных случайных величин стремится к нормально распределен
ной величине при бесконечном увеличении п. Мы используем этот результат для
получения значений, соответствующих нормальному распределению с математиче
ским ожиданием ju и стандартным отклонением а.
Обозначим х = Л, + /?2 + ... + /?„, где /?,, Д2, ..., Л„ — случайные числа, равномерно
распределенные в интервале [0, 1]. В соответствии с центральной предельной тео
ремой случайная величина х является асимптотически нормальной величиной со
средним п/2 и дисперсией п / 12. Следовательно, случайная величина у, подчиняю
щаяся нормальному распределению N(/t, о) с математическим ожиданием ju и стан
дартным отклонением а, может быть получена из случайной величины х по формуле
г \
Для удобства в практических задачах п обычно выбирается равным 12, что приво
дит предыдущую формулу к виду у = ju+ djc - 6 ).
Для демонстрации этого метода предположим, что необходимо получить случайное
значение, соответствующее нормальному распределению JV(1 0 , 2 ) (математическое
ожидание ц = 10 и стандартное отклонение сг= 2). Вычисляя сумму первых 12 слу
чайных чисел из первого и второго столбцов табл. 18.1, получаем х=> 6,1094. Сле
довательно, у = 10 + 2(6,1094 - 6 ) = 10,2188.
Неудобство этой процедуры состоит в том, что необходимо генерировать 12 случай
ных чисел из интервала [0 , 1 ] для получения одного выборочного значения, соответ
ствующего рассматриваемому нормальному распределению, что делает ее малоэф
фективной с вычислительной точки зрения. В соответствии с более эффективной
процедурой решения этой же задачи необходимо использовать преобразование
х = ^ - 21п(Л,) со$(2 яЛ, )•
Бокс и Мюллер (Box and Muller) [1] доказали, что случайная величина х является
стандартной нормально распределенной случайной величиной, т.е. имеет распре
деление N(0, 1). Следовательно, у = //+ ах дает значение, подчиняющееся нормаль
ному распределению N(/j, о). Эта процедура является более эффективной, так как
требует генерирования всего двух случайных чисел из интервала [0 , 1 ].
В действительности данный метод (метод Бокса-М юллера) является еще более эф
фективным, так как Бокс и Мюллер доказали, что предыдущая формула дает дру
гое значение, такж е имеющее нормальное распределение 7V(0, 1 ), если cos(2 яЛ2) за
менить на sin(2я/?2). Это значит, что два случайных числа Я, и /?2 из интервала [0,1]
можно использовать для одновременного получения двух значений, соответствую
щ их нормальному распределению Л^(0 , I ) .3
В качестве иллюстрации применим метод Бокса-М юллера для нахождения значе
ний, подчиняющихся нормальному распределению N(10, 2). Два первых случай
ных числа первого столбца табл. 18.1 приводят к следующим значениям, подчи
няю щ имся нормальному распределению N(0 , 1 ):
х, = ^/-21п(0,0589) cos(2?rx 0,6733) «-1,103,
х, = ^/-21п(0,0589) sin(2кх 0,6733) « -2,108.
Следовательно, соответствующие значения, имеющие нормальное распределение

N(1 0 , 2 ), равны
у, = 10+ 2(—1,103) = 7,794,
у2= 10 + 2 (-2 ,108) = 5,782.
1. В задаче примера 18.3.3 вычислите случайное значение, соответствующее
распределению Эрланга при т = 4 и X = 5.
2. В задаче примера 18.3.4 сгенерируйте три случайных значения, соответст
вующих распределению Пуассона для одночасового периода при математиче
ском ожидании 5 событий в час.
3. В задаче примера 18.3.5 сгенерируйте два случайных значения, соответст
вующих нормальному распределению N(8, 1 ), используя как метод сверток,
так и метод Бокса-М ю ллера.
4. Работы поступают в металлообрабатывающий цех в соответствии с распреде
лением Пуассона с математическим ожиданием шесть работ в день. Цех име
ет пять обрабатывающих центров, на которые контролер направляет полу
ченные работы строго по очереди. Определите одно случайное значение
интервала между получением работ на первом обрабатывающем центре.
5. Проведен стандартный тест ACT среди выпускников одного класса средней
ш колы небольшого городка. Результаты теста являю тся нормально распре
3 Интересно отметить, что две случайные величины, получаемые в методе Бокса-

Мюллера по схожим формулам, причем зависимые от одних и тех же равномерно распреде
ленных случайных величин, независимы между собой. — Прим. ред.
4 Для всех приведенных здесь задач используйте случайные числа из табл. 18.1, начиная
с первого столбца.
деленной случайной величиной с математическим ожиданием 27 баллов

и стандартным отклонением 3 балла. Используя метод Бокса-М ю ллера, по
лучите случайные значения показателей шести выпускников этого класса.
6 . Профессор психологии Ятаха проводит обучающий эксперимент, в котором
мыши приучаются находить путь внутри лабиринта. Основой лабиринта я в
ляется квадрат. Мышь впускают в лабиринт через один из четырех его углов,
и она должна найти путь через лабиринт таким образом, чтобы выйти из него
через этот же угол. Конструкция лабиринта такова, что до своего выхода из
лабиринта мыш ь должна пройти через оставшиеся три угла в точности по од
ному разу. Многовариантные пути лабиринта соединяют четыре его верши
ны строго в направлении вращ ения часовой стрелки. Профессор считает, что
время, которое мышь тратит для перехода от одной вершины лабиринта до
другой, является случайной величиной, равномерно распределенной на ин
тервале от 10 до 20 секунд. Опишите процедуру получения случайного зна
чения для времени пребывания мыши в лабиринте.
7. Пусть в ситуации, описанной в предыдущем упражнении, как только одна
мышь покидает лабиринт, другая в тот же миг входит в него. Опишите про
цедуру получения случайного значения для количества мышей, которые
пройдут лабиринт на протяжении 5 мин.
8 . Отрицательное биномиальное распределение (распределение Паскаля). П о
каж ите, как можно вычислить случайное значение, имеющее отрицательное
биномиальное распределение, плотность вероятности которого имеет вид
/( * ) = * = 0, 1, 2 ,...,
где х — число неудач в последовательности независимых испытаний Бернулли

до получения у-го успеха, р — вероятность успеха, 0 < р < 1 . (Подсказка. Слу
чайная величина, имеющая отрицательное биномиальное распределение,
является сверткой (суммой) независимых случайных величин, подчиняю
щ ихся геометрическому распределению. См. такж е упражнение 18.3.2.9.)
Метод отбора .6 Данный метод разработан для получения значений случайных

величин со сложными функциями плотностей вероятностей, к которым нельзя
применить изложенные выше методы. Общая идея данного метода сводится к за
мене сложной плотности вероятности f(x) более удобной с аналитической точки зре
ния плотностью вероятности h(x). Затем значения, соответствующие плотности h(x),
используются для получения значений, соответствующих исходной плотности f(x).
Д ля плотности вероятности f(x) определяем такую мажорирующ ую функцию
g(x), что
g(x) > f(x), -оо < X < оо.
Теперь определим плотность вероятности h(x) путем нормализации функции g(x):
h(x) = х — , -оосхсоо.
\g{y)dy
5 _
В русскоязычной математической литературе этот метод иногда также называют мето
дом отказов, что больше соответствует английскому названию acceptance-rejection method.
— Прим. ред.
В методе отбора последовательно выполняются следующие действия.

Этап 1. С помощью метода обратной функции или метода свертки получа
ем случайное значение х = х г, соответствующее плотности вероят
ности h(x).
Этап 2. Генерируем случайное число R из интервала [0, 1].
Этап 3. Если R < /(*,)/#(*,), следует принять х г как искомое значение, со
ответствующее распределению f(x). Иначе необходимо вернуться
к этапу 1 , отбросив значение
Обоснованность этого метода вытекает из следующего равенства:
а
Р{х< а\ х = х, принимается, - о о < д , < о о } = j f ( y ) d y , - о о < а < о о .
Это вероятностное соотношение означает, что значение х = х ,, удовлетворяющее

условию этапа 3, в действительности является значением, соответствующим ис
ходной плотности вероятности f{x), что и требуется.
Эффективность предложенного метода можно повысить, уменьшив вероятность
отклонения значения я, на этапе 3. Эта вероятность зависит от выбранной функции
g(x) и долж на уменьшаться с выбором такой функции g(x), которая более “ точно”
мажорирует функцию f(x).
Пример 18.3.6. Бета-распределение

Используем метод отбора, чтобы найти значение, соответствующее бета-распреде
лению, плотность вероятности которого задается формулой
J{х) - 6х( 1 - х ) , 0 < д: < 1 .
Н а рис. 18.6 изображены ф ункция^*) и мажорирующ ая ее функция g(x).
Высота мажорирующ ей функции g(x) равна максимальному значению функции

J[x), которого она достигает в точкех = 0,5. Это значит, 4 rog(x) = 1,5, 0 < х < 1.
Ф ункция плотности “ замещающего” распределения h(х), такж е представленная на
рис. 18.6, вычисляется согласно соотношению
g(*) 1,5
h{ х) = = 1, 0<х< 1.
площадь под g(x) 1x1,5
Следующие действия демонстрируют применение процедуры метода отбора с ис

пользованием последовательности случайных чисел из табл. 18.1.
Этап 1. Использование числа R = 0,0589 приводит к случайному значению
х = 0,0589, соответствующему плотности h(x).
Этап 2. Выбираем из табл. 18.1 следующее число R = 0,6733.
Этап 3. Так как y(0,0589)/g-(0,0589) = 0 ,3 3 2 6 /1 ,5 = 0,2217 меньше
R = 0,6733, мы отбрасываем значение* = 0,0589.
Для получения второго значения повторяем действия.
Этап 1. Использование числа R = 0,4799 (из первого столбца табл. 18.1)
приводит к случайному значению х = 0,4799, соответствующему
плотности h(x).
Этап 2. Выбираем из табл. 18.1 следующее число R = 0,9486.
Этап 3. Так K a K y ( 0 , 4 7 9 9 ) / g ( 0 , 4 7 9 9 ) = 0 , 9 9 8 4 больше Л = 0 , 9 4 8 6 , мы при
нимаем значение х = 0 , 4 7 9 9 как соответствующее бета-
распределению.
Из этого примера видно, что итерации метода отбора должны повторяться с новы
ми значениями случайных чисел, равномерно распределенных на интервале [0 , 1 ],
до тех пор, пока не будут выполнены условия этапа 3.
Эффективность метода отбора повышается в результате выбора такой маж ори

рующей функции g(x), которая “ облегала” бы функцию f(x) как можно более
плотно, порождая в то же время приемлемую с аналитической точки зрения ап
проксимирующую функцию h(x). Например, метод будет более эффективным, если
прямоугольную мажорирующую функцию g(x) на рис. 18.6 заменить ступенчатой
(см. упражнение 18.3.4.2). С увеличением числа ступеней функция g(x) становится
все более прилегающей к функции f(x), и, следовательно, возрастает вероятность
принятия полученного случайного значения как искомого. Однако получение тесно
прилегающей мажорирующей функции влечет за собой дополнительные вычисле
ния, которые могут стать чрезмерными, что, в свою очередь, может свести на нет
преимущества высокой вероятности принятия полученных значений.
1. В примере 18.3.6 продолжите выполнение процедуры метода отбора до полу
чения следующего приемлемого случайного значения.
2. Рассмотрим плотность вероятности бета-распределения из примера 18.3.6.
Определите двухступенчатую “ пирамидальную” мажорирующую функцию
g(x) с двумя равными скачками величины 0,75. Получите случайное значе
ние, соответствующее бета-распределению, с использованием новой мажори
рующей функции и тех же случайных чисел из интервала [0 , 1 ] (табл. 18.1),
которые использовались в примере 18.3.6. Вывод, который можно здесь сде
лать, сводится к тому, что использование более точной мажорирующей
функции повышает вероятность принятия полученного значения как иско
мого. Заметьте, однако, что объем вычислений, связанных с использованием
новой функции, увеличился.
3. Определите функции g(x) и h(x) для применения метода отбора к плотности

распределения следующего вида:
. sin(x) + cos(x) „ к
f (\x )) = — — ------—
2 0<х<—
2.
Используйте случайные числа из первого столбца табл. 18.1 для получения
двух значений, соответствующих плотности распределения f(x). (Совет. Для
удобства используйте прямоугольную функцию g(x) над областью определе
ния функции f(x).)
4. Время между приходом клиентов в парикмахерскую описывается следую
щим распределением:
f{t) =j , 12 < / < 20.
Время стрижки является случайной величиной, плотность вероятности которой
/ 2(') = тЬ 18</<22.
Константы А, и k2 выбираются из условия, что функции /,(*) и f2(x) являются

плотностями вероятностей. Используйте метод отбора (и случайные числа из
табл. 18.1), чтобы определить время ухода первого клиента из парикмахер
ской и время прихода второго клиента. Предположите, что первый клиент
приходит в момент времени Т = 0.
18.4. ГЕНЕРИРОВАНИЕ СЛУЧАЙНЫХ ЧИСЕЛ

Равномерно распределенные случайные числа из интервала [0, 1] играют клю
чевую роль в получении выборок из любого вероятностного распределения. Истин
ные случайные числа из интервала [0 , 1 ] можно генерировать лиш ь с помощью
электронных приборов. Так как имитационные модели реализуются на компьюте
ре, использование электронных приборов для генерации случайных чисел слиш
ком бы замедлило процедуру имитационного моделирования. Кроме того, элек
тронные приборы активизирую тся случайным образом. Следовательно,
невозможно по желанию воспроизвести одну и ту ж е последовательность случай
ных чисел. Этот факт чрезвычайно важен, так как для отладки, проверки и утвер
ждения имитационной модели часто требуется дублирование одной и той же после
довательности случайных чисел.
В имитационном моделировании единственным подходящим методом генера
ции случайных чисел из интервала [0 , 1 ] является метод, основанный на арифме
тических операциях. Такие числа не являю тся истинно случайными, так как они
могут быть определены заранее, поэтому их называют псевдослучайными.
Наиболее часто используется мультипликативны й метод сравнений, который
генерирует случайные числа из интервала [0 , 1 ] с использованием арифметических
операций. В соответствии с этим методом псевдослучайное число Rn при заданных
значениях параметров и0, Ь , с , и т можно вычислить по следующей формуле:
ип= {bun-\ +c)m°d(m), « = 1, 2,...,
Rn = —, « = 1,2, ...
т
18.4. Генерирование случайных чисел 717
Начальное значение параметра и 0 обычно называют н ачальн ы м числом генератора

случайных чисел.
Варианты мультипликативного метода сравнений, которые генерируют случайные
числа с улучшенными статистическими характеристиками, описаны в книге [2 ].
Пример 18.4.1
Используя м ультипликативны й метод сравнений, сгенерируем три случайных чис
ла при следующих начальны х данных: 6 = 9, с = 5, и0 = 11 и т = 12.
и, = ( 9 x l l + 5 ) m o d l 2 = 8, Л, = = 0 , 66 6 7 ,
и2 = ( 9 x 8 + 5 ) m o d l 2 = 5, R2 = ~ ^ = 0 , 4 1 6 7 ,
щ = ( 9 x 5 + 5 ) m o d l 2 = 4, R3 = - ^ = 0 , 3 3 3 3 .
Ш аблон Excel c h l 8 RandomNumberGenerator.xls реа А В

лизует описанный м ультипликативны й метод 1 Multiplicative Congruential Method
сравнений .6 Н а рис. 18.7 показаны случайные 2 Input data
числа, сгенерированные в соответствии 3 b= 9
с начальными данными этого примера. Отме 4 С = 5
тим, что сгенерированная последовательность 5 u0 = 11
случайных чисел состоит только из четырех 6 m= 12
различны х чисел, затем эти числа повторяются. 7 How many numbers? 10
8 Output results
К онкретный выбор параметров и0, Ь, с , и т яв
ляется реш аю щ им фактором, определяющим P r e ii to j nerat - e
9
статистические качества генератора случайных 10 Generated random numbers
чисел, а так ж е длины его ц и к л а (по окончании 11 1 0.66667
ц и кла генерируемая последовательность начи 12 2 0 41667
нает повторять себя, как на рис. 18.7). Исполь 13 3 0.16667
зование параметров, выбранных “ наобум” , не 14 4 0 91667
15 5 0.66667
дает хорошего генератора случайны х чисел.
16 6 0 41667
Н адеж ны е генераторы, наряду с достаточно
17 7 016667
большой длиной ц и к ла генерируемых случай
18 8 0.91667
ных чисел, долж ны пройти соответствующие 19 0.66667
9
статистические проверки, чтобы гарантировать гО 10 0.41667
равномерное распределение на интервале [0 , 1 ] 21
полученной последовательности. На это усло
вие нужно обращать внимание при использова Рис. 18.7. Сгенерированные в E x c e l
нии непроверенного программного обеспечения случайны е числа
в качестве генератора случайны х чисел.
* E x c e l обладает н е с к о л ь к и м и в с т р о е н н ы м и с р е д с т в а м и ге н е р и р о в а н и я с л у ч а й н ы х ч и с е л .
Т а к , ф у н к ц и я С Л Ч И С ге н е р и р у е т р а в н о м е р н о р а сп р е д е л е н н ы е н а и н те р в а л е [0 , 1 ] ч и с л а ,
ср е д с т во Генерация случайных чисел и з н а д с т р о й к и Пакет анализа п о зв о л я е т ге н е р и р о в а ть
с л у ч а й н ы е ч и с л а , и м е ю щ и е р а з л и ч н ы е в е р о я т н о с т н ы е р а сп р е д е л е н и я , в т о м ч и с л е р а в н о
м е р н о е , н о р м а л ь н о е , П у а с с о н а . — П р и м . ред.
1. С помощью шаблона c h l 8 Random NumberGenerator.xls сгенерируйте последо

вательность случайных чисел с начальными параметрами b = 17, с = 111, и0= 7
и т = 103 (см. пример 18.4.1) и определите длину цикла этой последовательности.
2. Найдите программу генератора случайных чисел для вашего компьютера и сге
нерируйте с его помощью 1000 случайных чисел из интервала [0,1]. Постройте
гистограмму полученных чисел и визуально убедитесь в том, что есть веские
основания считать, что они подчинены равномерному распределению из ин
тервала [0, 1]. Впрочем, чтобы проверить последовательность надлежащим об
разом, вам необходимо использовать следующие тесты: критерий согласия хи-
квадрат (раздел 1 2 .6 ), тест на независимость и корреляционный тест [2 ].
18.5. МЕХАНИКА ДИСКРЕТНОЙ ИМИТАЦИИ

Как указывалось выше, все дискретные имитационные модели в той или иной
форме представляют ситуации, связанные с очередями, в которых есть два типа ос
новных событий: прибытие и уход. Эти события определяют моменты, в которые
могут происходить изменения в статистике системы. В этом разделе детально об
суждаются вопросы сбора статистических данных, полученных в процессе наблю
дений над имитационной моделью. В разделе 18.5.1 на числовом примере детально
рассмотрена имитация простой модели очереди с одним сервисом. В разделе 18.5.2
показана реализация такого же процесса в электронной таблице Excel.
18.5.1. Ручная имитация модели очереди с одним сервисом

Время между приходом клиентов в парикмахерскую является случайной вели
чиной, изменяю щ ейся по экспоненциальному закону с математическим ожидани
ем 15 мин. В парикмахерской работает один мастер, который выполняет мужскую
стриж ку от 10 до 15 мин., время стрижки имеет равномерное распределение на
этом интервале. Клиенты обслуживаются в порядке очереди. Требуется определить
следующие параметры работы парикмахерской.
1. Среднюю занятость парикмахера.
2. Среднее количество ожидающих клиентов.
3. Среднее время ожидания клиента в очереди.
Л огику работы имитационной модели можно описать в терминах событий, свя
занных с прибытием и уходом клиентов, следующим образом.
Событие, связанное с прибытием клиента
1. Сгенерировать и сохранить время события, связанного с прибытием следую
щего клиента (текущее время моделирования + промежуток времени между
приходами клиентов).
2. Если средство обслуживания (парикмахер) свободно,
а) начать обслуживание поступившего клиента, изменить состояние систе
мы на рабочее и скорректировать данные использования системы;
б) сгенерировать и сохранить хронологически время события, связанного
с уходом клиента (текущее время моделирования + время обслуживания).
3. Если средство обслуживания занято, поставить поступившего клиента в оче
редь и увеличить ее длину на единицу.
Событие, связанное с уходом клиента (окончание обслуживания)

1. Если очередь пуста, объявить систему свободной. Скорректировать данные
использования системы.
2. Если очередь не является пустой,
а) начать обслуживание первого в очереди клиента. Уменьшить длину оче
реди на единицу и скорректировать данные использования системы;
б) сгенерировать и сохранить хронологически время события, связанного
с уходом клиента (текущее время моделирования + время обслуживания).
В рассматриваемом примере время между приходом клиентов изменяется по
экспоненциальному закону с математическим ожиданием 15 мин., а время обслу
ж ивания распределено равномерно в интервале от 10 до 15 мин. Обозначим через р
и q случайные значения времени между прибытием клиентов и их обслуживанием
соответственно. Используя результаты раздела 18.3.2, получаем
р = -1 0 1п(Д) мин., 0 < R <1,
q = 10 + bR мин., 0 < R < 1 .
В этом примере используем случайные числа R из табл. 18.1, начиная с первого
столбца. Обозначим через Т время моделирования (время наблюдения над моде
лью). Предположим такж е, что первый клиент приходит в момент времени Т = 0
и средство обслуживания свободно.
Поскольку в процессе имитации выполняется много вычислений, ограничимся
имитацией прихода только пяти клиентов. При этом рассмотрим все возможные
ситуации, возникающие в процессе имитации. В следующем разделе с помощью
шаблона Excel покаж ем имитацию без проведения вычислений вручную.
Прибытие клиента 1 в момент Т = 0. Второй клиент прибудет в момент времени
Т = 0 + р , = -1 5 1п(0,0589) = 42,46 мин.
Так как при Т = 0 система свободна, немедленно начинается обслуживание пер
вого клиента. Соответствующее время обслуживания вычисляется с использовани
ем равномерно распределенного случайного числа і? = 0 ,6 7 3 3 . Первый клиент уй
дет из парикмахерской в момент времени
7 = 0 + 9 , = 1 0 + 5 х 0,6733 = 13,37 мин.
Получаем следующий хронологический перечень будущих событий
Время Т Событие
13,37 Уход клиента 1
42,48 Приход клиента 2
Уход клиента 1 в момент Т = 13.37. Так как очередь пуста, средство обслужива
ния становится свободным. В то ж е время фиксируем, что система была занята от
момента времени Т = 0 до Т = 13,37. Имеем следующий скорректированный пере
чень будущих событий (в данном случае имеется только одно событие).

Прибытие клиента 2 в момент Т = 42,48. Третий клиент прибудет в момент времени

Т = 42,48 + [-1 5 1п(0,4799)] = 53,49 мин.
Так как средство обслуживания свободно, начинается обслуживание второго клиен
та, и система объявляется занятой. Второй клиент оставит систему в момент времени
Т = 42,48 + (1 0 + 5 х 0,9486) = 57,22 мин.
Список будущих событий изменяется следующим образом.

П рибытие клиента 3 в момент Т = 53,49. Клиент 4 прибудет в момент времени

Т = 53,49 + [-1 5 1п(0,6139)] = 60,81 мин.
Так как система в это время занята (она зан ята до Т = 57,22), третий клиент по
мещается в очередь в момент Т —53,49. Откорректированный список будущих со
бытий принимает следующий вид.
Уход клиента 2 в момент Т = 57,22. Клиент 3 покидает очередь для начала об
служ ивания. Время его ожидания в очереди равно
W 3= 57,22 - 43,22 = 3,73 мин.
Время ухода (время окончания обслуживания) третьего клиента:
Т = 57,22 + (10 + 5 x 0 , 5 9 3 3 ) = 70,19 мин.
Список будущих событий принимает следующий вид.
Прибытие клиента 4 в момент Т = 60,81. Клиент 5 прибудет в момент времени

Т = 60,81 + [-1 5 1п(0,9341)] = 61,83 мин.
Так как система занята до Т = 70,19, четвертый клиент помещается в очередь.
Откорректированный список будущих событий принимает следующий вид.

Приход клиента 5 в момент Т = 61,83. Поскольку наш а имитация ограничива

ется пятью клиентами, время прибытия шестого клиента генерировать не будем.
Так как средство обслуживания в момент прихода клиента 5 занято, он в момент

времени Т = 61,83 помещается в очередь. Имеем список будущих событий.
Уход клиента 3 в момент Т = 70,19. Первый клиент в очереди (клиент 4) начи

нает обслуживаться. Его время ожидания в очереди составляет
W 4 = 70,19 - 60,81 = 9,38 мин.
Время ухода клиента 4:
Т = 70,19 + (10 + 5 х 0,1782) = 81,08 мин.
Откорректированный список будущих событий принимает такой вид.
Уход клиента 4 в момент Т = 81,08. Клиент 5 начинает обслуживаться. Его вре

мя ожидания в очереди составляет
W 6= 81,08 - 61,83 = 19,25 мин.
Время ухода клиента 5:
Т = 81,08 + (10 + 5 х 0,3473) = 92,82 мин.
Откорректированный список будущих событий принимает такой вид.
Уход клиента 5 в момент Т = 92,82. Клиентов в системе (в очереди и на обслу

живании) больше нет. И митация заканчивается.
На рис. 18.8 показаны изменения длины очереди и использование сервиса

(занятость системы) как функции времени имитации.
Длина очереди и занятость системы (т.е. парикмахера) являются переменными, за
висящими от времени. Поэтому их средние значения вычисляются следующим образом.
( Среднее значение переменнойЛ Площадь под кривой
^ зависящей от времени ) Период имитации
Применяя эту формулу для данных, показанных на рис. 18.8, получаем

Средняя длина очереди = (А, + А2)/92,82 = 32,36/92,82 = 0,349 (клиента),
Средняя занятость системы = (А3 + А 4)/92,82 = 63,71/92,82 = 0,686 (парикмахера).
Среднее время ожидания в очереди является переменной, зависящ ей от количе
ства происшедших событий, и ее значение вычисляется по формуле
( Среднее значение переменной, 'j _ Сумма наблюдений
^ зависящей от количества событий ) Количество событий
Из рис. 18.8 видно, что площадь под кривой длины очереди в действительности рав
на сумме времен ожидания трех клиентов, которые формировали очередь. Поэтому
W, + W 2 + W 3 + W 4 + W b= 0 + 0 + 3,73 + 9,38 + 19,25 = 32,36 мин.
Среднее время ож идания в очереди равно

W q= 3 2 ,3 6 /5 = 6,47 мин.
Длина очереди
Занятость системы
-? і- Ч «— Чг —►
(*— Ь — Ча -Н*- #5 -Н
Л,=13,37 Л4= 50,34

1 1 1 1 1 1 1 1 1
О 10 20 30 40 50 60 70 80 90
Рис. 18.8. И зм е н е н и е д л и н ы очереди и и с п о льзо ва н и е сервиса во врем ени
имит ации
1. Предположим, что в парикмахерской, о которой шла речь в разделе 18.5.1,
работают два парикмахера, и клиенты обслуживаются согласно принципу
“ первым приш ел — первым обслуживаеш ься” . Предположим такж е, что
время стриж ки является случайной величиной, равномерно распределенной
на интервале от 15 до 30 мин.; время между приходом клиентов распределе
но по экспоненциальному закону с математическим ожиданием 10 мин. Смо
делируйте вручную работу системы на протяжении 75 единиц времени. Из
полученных результатов имитации определите среднее время ож идания к л и
ента, среднее число ожидаю щ их клиентов и среднюю занятость парикмахе
ров. Используйте случайные числа из табл. 18.1.
2. Классифицируйте следующие переменные к ак зависящ ие либо от количества
событий, либо от времени.
a) Время отказа электронного прибора.
b ) Объем запаса некоторого изделия.
c) Объем заказа на некоторый товар, внесенный в инвентарную опись.
d) Количество бракованных изделий в партии.
e) Время, необходимое для оценки результатов теста.
f) Количество автомобилей на стоянке агентства по прокату автомобилей.
3. Следующая таблица представляет изменение числа ожидающ их в очереди
клиентов в зависимости от времени имитации.
Время имитации Т (часы) Число ожидающих клиентов
0< Г<3 0
3 < Г<4 1
4 < Т< 6 2
6< Г<7 1
7 < Т< 10 0
1 0 < Т< 12 2
12 < Т < 18 3
18 < Т <20 2
20 < Г < 2 5 1
Определите следующие величины.

a) Среднюю длину очереди.
b) Среднее время ожидания в очереди.
Предположим, что в парикмахерской (раздел 18.5.1) работают три парик
махера; их занятость характеризуется следующей таблицей.
Время имитации Т (часы) Число занятых парикмахеров
0 < Т< 10 0
10 < Г < 2 0 1
20 < Г < 3 0 2
30 < Г < 3 5 1
35 < Г < 4 0 0
40 < Г < 6 0 1
60 < Г <70 2
70 < Т< 75 3
75 < Г < 8 0 2
80 < Г <90 1
90 < Т< 100 0
Определите следующие величины.

a) Среднее время работы парикмахеров.
b) Среднее время простоя парикмахеров.
18.5.2. Имитация модели очереди с одним сервисом в электронной

таблице
У томительные вы числения примера из раздела 18.5.1 указываю т на необхо
димость использования компьютера к ак существенного инструмента для реали
зации имитационны х моделей. В этом разделе будет показано, как создать рабо
чую книгу для имитации модели очереди с одним сервисом. Конечно, модель
с одним сервисом очень проста и ее несложно смоделировать в электронной таб
лице. Д ля моделирования других моделей придется затратить больше усилий, но
использование специального программного обеспечения значительно облегчает

эту работу (см. раздел 18.7).
В разделе 18.5.1 было показано, что для имитации модели очереди с одним сер
висом необходимы два основных элемента.
1. Список событий модели, упорядоченный в хронологическом порядке.
2. Д иаграмма, с помощью которой отслеживаются изменения использования
средств обслуживания и длины очереди.
Эти два элемента такж е остаются важ ны м и при имитации модели в электронной
таблице (это ж е относится и к компьютерной имитации вообще). Различие состоит
только в методах регистрации изменений в модели. Пусть, к а к и в разделе 18.5.1,
клиенты обслуживаю тся в порядке их прибы тия (дисциплина FIFO).
Н а рис. 18.9 п оказан ш аблон рабочей кн и ги Excel (ф айл c h l 8 S ingleServer-
S im u la to r.x ls). Входные данные позволяют представить время между поступле
ниями и время обслуживания одним из четырех способов: в виде константы или
случайных чисел, имеющих экспоненциальное, равномерное или треугольное рас
пределения. Треугольное распределение полезно, поскольку с его помощью можно
приближенно представить любое другое распределение. Д ля этого введите три чис
ла а, Ъ и с, которые соответствуют наименьш ему, наиболее вероятному и наиболь
шему значениям времени между поступлениями клиентов в систему или времени
их обслуживания. Кроме того, необходимо ввести еще один параметр имитируемой
модели — длительность им итации, которая в этой модели определяется количест
вом сгенерированных поступлений.
E F G H J J К L М
Simulation of a S ingle-S erver Q ueueing Model
Nbr of arrivals = «M axim um 500 Simulation Calculations
E n ter x in column A to s e le c t interarrival Nbr InterArvlTirrServiceTime ArrvlTime DepartTime Wq Ws
C on stan t = 1 5 53 10.63 0 00 10.63 0.00 10.63
* Exponential: 0.07 2 14 32 10 35 5.53 21.10 5 30 15.66
Uniform: a = 3 25 67 12.66 10.65 33.65 1 34 14 00
Triangular 3 = 4 1 63 12 11 45 72 57 63 0.00 12 11
E n ter x in column A to s e le c t serv ice 5 4 16 12.54 47.35 70 37 10 46 23.02
C on stan t = 6 6.01 12 66 51.53 63.23 16 64 31 70
Exponential: 7 4 64 12.06 56 43 05.30 24.70 36 67
Uniform: В 22 12 10.16 63 27 105 46 32.03 42 21
Triangular 9 1 66 13 16 65.30 116.67 20 00 33 26
O utput Summary 10 20 41 14.96 67.25 133.65 31.42 46 40
4 v. facility utilization = 0 02 11 6 47 13.41 107 66 147 06 25.00 39.40
І 5~j Percent idleness (%) = 7.02 12 10.62 14 12 114.13 161 17 32.03 47 04
16 . /laximum queue length= 3 13 11.50 12.32 124.05 173.50 36.22 46 54
17 |Av. queue length, Lq = 13 14 43 67 14.67 136 45 166 16 37.04 51.71
18 |Av. nbr in system. Ls = 2 05 : 15 1561 13.62 160.32 201 76 7.64 21.46
19 queue time, Wq = 15.33 16 10.15 1346 106.13 215.25 5.65 10 11
20 A« system time, Ws = •57 67 17 15.23 13.06 206.26 220 21 6.06 22 03
21 Sum(ServiceTime) = 250 75 1B 16 56 10.66 221.51 240 00 7.70 16 56
'22 Sum(Wq) = 306 63 10 21 65 11.07 240.10 252.06 0 00 11 07
23 SumfWsj =_________ 557 3B 20 13.62 10.56 261.75 272.31 0 00 10 56
Рис. 18.9. Результаты имитации модели с одним сервисом в Excel
В шаблоне каж дому поступлению кли ен та в систему соответствует одна строка.

В ремя м еж ду поступлениям и и время обслуж ивания д л я каж дого кл и ен та гене
рирую тся на основе исходны х данны х. П редполагается, что первое поступление
происходит в момент времени Т = 0. Поскольку средство обслуживания в начале

работы свободно, то первый клиент обслуживается сразу. Поэтому
(время ухода клиента 1) = (время прихода клиента 1) 4- (время обслуживания клиента 1)
о■м.а5 11,35,
(время прихода клиента 2) = (время прихода клиента 1) 4- (время между прихо
дами клиентов) =
= 0 + 15,15 = 15,15.
Д ля определения времени ухода других клиентов і используется следующая
формула:
I время ухода [ время прихода [ время ухода время обслуживания
= шах
^ кл и ен та/ \ клиента / - 1 ; кл и ен та/
Из формулы видно, что клиент не может быть обслужен, пока сервис не освобо
дится. И так, из формулы и рис. 18.9 видно, что
время ухода клиента 3 = тах{18,89, 26,41} -I-14,86 = 41,25.
Теперь обратим внимание на то, к ак формируются статистические данные мо
дели. Сначала заметим, что для клиента і время ожидания в очереди W?(i) и время
пребывания в системе Ws(i) вы числяется по таким формулам:
время ухода ' время прихода^ ("время обслуживания']
W(i)-
кл и ен та/ . кл и ен та/ клиента/
время ухода время прихода

Ws(i) =
кл и ен та/ кл и ен та/
Может показаться, что для вычисления оставшихся статистических данных

имитации модели необходимо отслеживать изменения в использовании сервиса
и длины очереди, к ак это делалось в разделе 18.5.1. Но, применяя формулы, при
веденные в конце раздела 18.5.1 (объяснение к которым дано на рис. 18.8), вычис
ления можно упростить, если использовать следующие соотношения.
1. Область под кривой использования сервиса = сумма времени обслуживания
всех клиентов.
2. Область под кривой длины очереди = сумма времени ожидания всех клиентов.
Д ля использования этих соотношений вычисляется три суммы (ячейки Е21:Е23
нарис. 18.9):
сумма времени обслуживания = 248,66,
сумма значений W q = 513,14,
сумма значений Wt = сумма значений W -I- сумма времени обслуживания =
= 761,80 (= 248,66 + 513,14).
Поскольку последний клиент (клиент 20) ушел в момент времени Т = 252,64,
следовательно
среднее время использования сервиса = 248,66/252,64 = 0,9842,
средняя длина очереди = 513,14/252,64 = 2,03,
среднее время простоя сервиса, выраженное в процентах, вычисляется к ак
(1 - 0,9842) х 100 = 1,575 %.
Остальные статистические данные вычисляются обычным образом.
Среднее время ож идания в очереди = сумма значений WJnvLcno клиентов =

= 513,14/20 = 25,66.
Среднее время пребывания в системе = сумма значений Ж /ч и с л о клиентов =
= 761,81/20 = 38,09.
М аксимальное количество клиентов, генерируемое шаблоном, не должно пре
выш ать 500.
Еще одна рабочая книга разработана для имитации моделей с несколькими сер
висами (файл c h l 8 M ultiServerSim ulator.xls). Вычисления в ней выполняются на
той ж е теоретической основе, что и при использовании моделей с одним сервисом.
Тем не менее определить время ухода клиентов в этой ситуации более сложно, для
чего используются макросы VBA.
1. Используя исходные данные из раздела 18.5.1, выполните в Excel имитацию
1 0 поступлений клиентов и постройте график изменения использования сер
виса и длины очереди к ак функцию от времени имитации. Проверьте, что
площади под соответствующими кривыми равны сумме времени обслужива
ния и сумме времени ожидания.
2. Имитируйте модель типа М / М/ 1 для 500 поступлений при условии, что интен
сивность поступлений X равна 4 клиентам в час и интенсивность обслуживания
ц составляет 6 клиентов в час. Повторите имитацию 5 раз (обновив значения на
рабочем листе нажатием клавиши <F9>) и определите 95% -ные доверитель
ные интервалы для всех полученных оценок показателей работы модели.
3. Комплектующие для телевизоров поступают по конвейеру каж ды е 11,5 мин.
для проверки на испытательном стенде, обслуживаемом одним оператором.
Д етальная информация по работе испытательного стенда недоступна. Тем не
менее, по оценке оператора, он тратит “ в среднем” 9,5 мин. на проверку од
ной детали. В наихудшем случае время проверки не превышает 15 мин., а
для некоторых комплектую щ их время проверки составляет менее 9 мин.
a) Используйте шаблон Excel для имитации проверки 200 комплектующих
для телевизоров.
b ) Н а основе 5 имитаций оцените среднее число комплектующ их, ожидаю
щ их проверки, и среднее время использования испытательного стенда.
18.6. МЕТОДЫ СБОРА СТАТИСТИЧЕСКИХ ДАННЫХ

Имитационное моделирование представляет собой статистический эксперимент.
Его результаты долж ны основываться на соответствующих статистических про
верках (с использованием, например, доверительных интервалов и методов про
верки гипотез). Д ля выполнения этой задачи получаемые наблюдения и имитаци
онный эксперимент долж ны удовлетворять следующим трем требованиям.
1. Наблюдения имеют стационарные распределения, т.е. распределения не из
меняю тся во время проведения эксперимента.
2. Наблюдения подчиняются нормальному распределению.
3. Наблюдения независимы.
Иногда на практике результаты имитационного моделирования не удовлетво

ряют ни одному из этих требований. Тем не менее их выполнение гарантирует на
личие корректных способов сбора наблюдений над имитационной моделью.
Рассмотрим сначала вопрос о стационарности распределений (первое требова
ние). Результаты наблюдений над моделью зависят от продолжительности периода
имитации. Начальный период неустойчивого поведения модели (системы) обычно
называется переходным. Когда результаты имитационного эксперимента стабили
зируются, говорят, что система работает в установивш емся реж име. Продолжи
тельность переходного периода определяется в значительной степени начальными
характеристиками модели, и невозможно предсказать, когда наступит установив
шийся режим. В общем случае, чем длиннее продолжительность прогона модели,
тем выше шанс достичь установившегося состояния.
Рассмотрим теперь второе требование, состоящее в том, что наблюдения над
имитационной моделью должны иметь нормальное распределение. Это требование
можно выполнить, если привлечь центральную предельную теорему (см. раз
дел 12.4.4), утверждающую, что распределение среднего выборки является асим
птотически нормальным независимо от распределения генеральной совокупности,
из которой взята выборка. Центральная предельная теорема, таким образом, есть
главное средство удовлетворения требования о нормальности распределения.
Третье требование касается независимости наблюдений. Природа имитационного
эксперимента не гарантирует независимости между последовательными наблюде
ниями над моделью. Однако использование выборочных средних для представле
ния отдельных наблюдений позволяет смягчить проблему, связанную с отсутстви
ем независимости. Д ля этого, в частности, следует увеличивать интервал времени
имитации для получения выборочного среднего.
П онятия переходного и установившегося состояний имеют силу в ситуациях,
именуемых незаканчиваю щ ейся имитацией, т.е. имитацией, применяемой к сис
темам, которые функционируют бесконечно долго. При заканчиваю щ ейся имита
ции (например, работа банка, если он обычно работает восемь часов в день) пере
ходное поведение является частью нормального функционирования системы и,
следовательно, не может игнорироваться. Единственным выходом в такой ситуа
ции является увеличение, насколько это возможно, числа наблюдений.
Обсудив “ подводные кам н и ” имитационного эксперимента и средства, с помо
щью которых их можно обойти, рассмотрим теперь три наиболее общих метода
сбора информации в процессе имитационного моделирования: метод подынтерва
лов, метод повторения и метод циклов.
18.6.1. Метод подынтервалов

На рис. 18.10 проиллю стрирована идея метода подынтервалов. Предположим,
что им итация длится на протяж ении Т единиц времени (т.е. длина прогона моде
ли равна Т) и требуется получить п наблюдений. В соответствии с методом по
дынтервалов необходимо сначала “ обрезать” информацию, относящуюся к пере
ходному периоду, а затем разделить остаток результатов имитации на п равных
подынтервалов (групп). Среднее значение искомой величины (например, длины
очереди или времени ож идания в очереди) внутри каждого подынтервала исполь
зуется затем в качестве единственного наблюдения. Отбрасывание начального
переходного периода означает, что статистические данные, собранные на протя
ж ении этого периода, не используются.
Преимущество данного метода состоит в том, что влияние переходных

(нестационарных) условий уменьшается, в частности, на те данные, которые соб
раны в конце времени имитации. Недостаток заключается в том, что последова
тельные группы с общей границей являю тся коррелированными, что приводит
к невыполнению предположения о независимости. Влияние корреляции может
быть уменьшено путем увеличения интервала времени для каждой группы.
период Группа 1 Группа 2 Группа п
__ ____
Время имитации
Рис. 18.10. И л л ю с т р а ц и я к м ет оду и н т ер ва ло в
Пример 18.6.1
На рис. 18.11 показано изменение длины очереди в системе обслуживания с одним
сервисом (модель простой очереди) к ак функции времени. Период имитации со
ставляет Т = 35 часов, а длина переходного периода оценивается в 5 часов. Необхо
димо получить 5 наблюдений, т.е. п = 5. Соответствующая длина интервала
времени для каждой группы равна (35 - 5)/5 = 6 часов.
Длина
очереди Q
Переходный
период ( Группа 1 ( Группа 2 , Группа 3 Группа 4 Группа 5 (
Л4=6_ Г ]
- ,---------- r J Ц
_J Л 5= 1 5 ~ Ц
1 1 1 1 1 1 1 1 1 1 I 1 I 1 1 1 і , !" | , , 1 і 1 1 і і ---1---L.-.L Л . .J I
5 10 15 20 25 30 35
Р ис. 18.11. И зм ен ен и е д л и н ы очереди
Пусть Q' представляет среднюю длину очереди в группе Так как длина очереди
является переменной, зависящей от времени, то
в , = — , і= 1, 2 ,..., 5
t
где А,- — площадь под кривой длины очереди, t — длина интервала времени для
группы. В рассматриваемом примере t = 6 часов.
Анализ данных, приведенных на рис. 18.11, приводит к следующей таблице.
Наблюдение / 1 2 3 4 5
А 14 10 11 6 15
2,33 1,67 1,83 1,00 2.5
а
Выборочное среднее = 1,87 Выборочная дисперсия = 0,35
Выборочные среднее и дисперсию можно использовать, если это необходимо, для

вычисления доверительного интервала.
Вычисление выборочной дисперсии в этом примере основано на использовании
следующей хорошо известной формулы:
Ź O * . - 1 )2
--------------------------.
п-\
Эта формула является лиш ь приближением точного значения дисперсии, так как
не учитывает эффекта автокорреляции между последовательными группами. Точ
ную формулу можно найти в работе [2 ].
18.6.2. Метод повторения

В данном методе каждое наблюдение представляется независимым прогоном
(имитацией) модели, в котором переходный период не учитывается, как показано
на рис. 18.12. Вычисление средних величин выборки для каждой группы прово
дится точно так, как и в методе подынтервалов. Единственное отличие в том, что
в данном случае стандартная формула для дисперсии применима, так как группы
не коррелированы между собой.
Преимуществом этого метода является то, что каж дый имитационный прогон
модели определяется своей последовательностью случайных чисел из интервала
[О, 1 ], что действительно обеспечивает статистическую независимость получаемых
наблюдений. Недостаток состоит в том, что все наблюдения могут оказаться под
сильным влиянием начальных переходных условий. Этот недостаток можно смяг
чить, увеличив длину прогона модели.
Рис. 18.12. Иллю ст рация к методу повторения

18.6.3. Метод циклов

Этот метод можно рассматривать как расширенный вариант метода подынтер
валов. Мотивацией данного метода является попытка уменьшить влияние авто
корреляции, которая характерна для метода подынтервалов, путем выбора групп
таким образом, чтобы обеспечить одинаковые начальные условия для каждой из
них. Например, если в качестве переменной рассматривается длина очереди, то
каж д ая группа должна начинаться в тот момент, когда длина очереди равна нулю.
В отличие от метода подынтервалов, в методе циклов длины интервалов каждой
группы могут оказаться различными.
Хотя метод циклов и позволяет уменьшить влияние автокорреляции, его недос
татком является меньшее, по сравнению с методом подынтервалов, число получае
мых наблюдений при заданной длине прогона модели. Это следует из того, что нельзя
заранее сказать, когда новая группа (цикл) начинается, и какова продолжительность
каждого цикла. Однако можно ожидать, что в стационарных условиях начальные
точки последовательных циклов будут расположены более или менее равномерно.
Вычисление среднего для цикла і в рассматриваемом методе определяется в ви
де отношения двух случайных величин а, и т.е. в виде xt = a j b r Определение ве
личин а, и Ь: зависит от вычисляемой переменной. Например, если переменная яв
ляется функцией времени, то а, представляет площадь под кривой, a bt —
длительность соответствующего интервала времени. Если же переменная является
функцией количества событий, то а, — общая сумма наблюдений этой величины
в пределах цикла i, a bt — общее число событий внутри соответствующего цикла.
Так к ак х, является отношением двух случайных величин, можно показать, что
в данном случае несмещенная оценка выборочного среднего определяется формулой
п
где
па (п-\)(па -а,) . , Л
У' ~ Т rib-bt ’
ь , ь ,
J— , Ь = ±
п п
В этом случае доверительный интервал для математического ожидания можно
найти с помощью выборочного среднего у и стандартного отклонения величин у:.
Пример 18.6.2
На рис. 18.13 показано число занятых обслуживающих устройств в одноканальной сис
теме обслуживания с тремя параллельными обслуживающими устройствами. Длина
периода имитации — 35 единиц времени, а длина переходного периода — 4 единицы
времени. Требуется оценить среднее значение использования сервисов методом циклов.
После отбрасывания переходного периода получаем четыре цикла, общей характе
ристикой начала каждого из которых является незанятость всех трех обслужи
вающих устройств. Результаты вычислений приведены в следующей таблице.
Занятость Переходный
оборудования / период
Группа 1 Группа 2 Группа 3 Группа 4
1 1 1 1 і І i I 1 і і 1 ! i I 1 1 Г" і , , Г~1 і , , г Н , . 1 , і
Р ис. 18.13. И зм е н е н и е к о л и ч е с т в а з а н я т ы х сервисов к а к ф у н к ц и я вр ем ени
Цикл / а, Ьі
1 12 9
2 6 5
3 10 10
4 6 7
a = 8,5 b = 7 ,7 5
Вычислениеyj проводится в соответствии со следующей формулой:

4 x 8 ,5 ( 4 - 1 ) ( 4 х 8 , 5 - Д|) 1 102-З а ,
7,75 4 x 7 ,7 5 - 6 , ’ 31
Эти вычисления выполняет шаблон Excel c h l 8 Regenerative.xls, показанный на

рис. 18.14.
А В Г С D E
1 Regenerative (Cycles) Method
л Input Data Output Results
3 'No. Batches I 'd К Uf a ПО
4 •I bi
4Г
5 12 9 1.3870968 8 5000
6 6 6 1 1563275 7 7500
10 10 0.9585253 Average yi J 1.0973
6 7 0 8870968 Std Dev уі =| 0 2243
'э
Р ис. 18.14. В ы ч и с л е н и е в E x c e l за д а ч и п р и м ер а 18.6.2
1. В примере 18.6.1 используйте метод подынтервалов для вычисления среднего

времени ожидания в очереди для тех клиентов, которые вынуждены ожидать.
2. Пусть в имитационной модели используется метод подынтервалов для вы
числения средних величин в ц иклах. Переходный период — 100 единиц
времени, длина каждого ц и к ла такж е составляет 100 единиц времени. Ис
пользуя приведенные н иж е данны е, которые представляют время ожидания
клиентов, к а к функцию времени им итации, определите 95% -ны й довери
тельный интервал д л я среднего времени ож идания.
Интервал времени Времена ожидания
0-100 10, 2 0 ,1 3 ,1 4 ,8 ,1 5 , 6 ,8
100-200 12, 3 0 ,1 0 ,1 4 ,1 6
200 - 300 1 5 ,1 7 ,2 0 , 22
300 - 400 10, 20, 3 0 ,1 5 , 25, 31
400 - 500 1 5 ,1 7 , 20, 14, 13
500 - 600 25, 30, 15
3. Пусть в условиях примера 18.6.2 начальные точки циклов совпадают с теми

моментами времени, когда все три обслуживающих устройства становятся не
занятыми. На рис. 18.13 эти точки соответствуют моментам времени t —10, 17,
24 и 33. Определите 95%-ный доверительный интервал для занятости обслужи
вающих устройств, основываясь на новом определении точек начала циклов.
4. Д ля сервисной системы с одним обслуживающим устройством проводится
имитация ее работы на протяжении 100 часов. Результаты имитации пока
зывают, что обслуживающее устройство было занято на протяжении таких
интервалов времени: (0, 10), (15, 20), (25, 30), (35, 60), (70, 80) и (90, 95). Ос
тальное время из интервала имитации обслуживающее устройство было сво
бодно. Длина переходного периода равна 10 часов.
a) Определите начальные точки, необходимые для применения метода циклов.
b) Методом циклов определите 95% -ный доверительный интервал для вре
мени занятости обслуживающего устройства.
c) С помощью метода подынтервалов решите ту же задачу при числе интер
валов п = 5. Определите соответствующий 95% -ный доверительный ин
тервал и сравните его с результатом, полученным методом циклов.
18.7. ЯЗЫКИ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ

Реализация имитационных моделей связана с двумя различными типами вы
числений: 1 ) манипуляции регистрацией, которые имеют дело с хронологическим
накоплением и обработкой событий модели, и 2 ) вычисления, связанные с генери
рованием случайных чисел и сбором статистических данных, относящ ихся к моде
ли. Вычисления первого типа основываются на различных логических методах об
работки списков, а вычисления второго типа обычно очень громоздки и занимают
много времени. Природа этих вычислений делает компьютер важным инструмен
том в реализации имитационных моделей и, в свою очередь, стимулирует создание
специализированных язы ков программирования, что позволяет выполнять эти вы
числения более удобным и эффективным способом.
Доступные язы ки дискретного имитационного моделирования делятся на две
большие категории.
1. Я зы ки, ориентированные на планирование событий.
2. Я зы ки, ориентированные на обработку процессов (процедур).
При использовании язы ков, ориентированных на планирование событий, пользо
вателю необходимо указать действия, связанны е с каж ды м событием, происхо
дящ им в системе, аналогично тому, как они были представлены в разделе 18.5.1.
18.7. Языки имитационного моделирования 733
О сновная роль п р ограм м ы в этом сл у ч а е св о д и тся к ав то м а ти за ц и и п р о ц есса п о л у ч е

ния сл учай ны х зн ач ен и й , и м ею щ и х соответствую щ ее расп р едел ен и е, хр о н о л о ги ч е
ск о м у н а к о п л е н и ю , о б р а б о т к е с о б ы т и й и с б о р у д а н н ы х , о т н о с я щ и х с я к м о д е л и .
П р о ц е д у р н о -о р и е н т и р о в а н н ы е я зы к и и с п о л ь зу ю т б л о к и (и л и у з л ы ), к о т о р ы е
м о ж н о с о е д и н я т ь д л я ф о р м и р о в а н и я сет и , к о т о р а я о п и сы в ает д в и ж е н и е т р а н з а к
ци й и л и о б ъ е к т о в (т .е . к л и ен т о в ) в с и с т е м е . Н а п р и м е р , н а и б о л е е и зв ес т н ы м и т и п а
ми у зл о в в л ю б о м я зы к е и м и т а ц и о н н о г о м о д е л и р о в а н и я я в л я ю т ся и с т о ч н и к , в к о
тор ом т р а н за к ц и и с о зд а ю т с я , о ч ер ед ь , гд е пр и н е о б х о д и м о с т и о н и м о г у т о ж и д а т ь ,
и с е р в и с ы , где в ы п о л н я ет с я о б с л у ж и в а н и е . К а ж д ы й и з э т и х у зл о в п р и ег о о п р е д е
л е н и и о б есп еч и в а ет ся в сей н е о б х о д и м о й и н ф о р м а ц и е й , п о зв о л я ю щ е й вы п ол н я ть
и м и т а ц и ю а в т о м а т и ч еск и . Н а п р и м е р , е сл и в р ем я м е ж д у п о с т у п л е н и я м и за к а зо в
д л я и ст о ч н и к а о п р е д е л е н о , п р о ц е д у р н о -о р и е н т и р о в а н н ы й я зы к а в т о м а т и ч еск и
“ з н а е т ” , к о г д а м о г у т в о зн и к н у т ь с о б ы т и я , с в я за н н ы е с п р и б ы т и ем за к а з а . В д е й с т
в и тел ь н ости к а ж д ы й у з е л и м еет у с т а н о в л е н н ы е и н с т р у к ц и и , т .е . то ч н о о п р е д е л я е т
к а к и к о г д а т р а н за к ц и и п е р ем ещ а ю т с я по и м и т а ц и о н н о й сет и .
П роц едурн о-ор и ен ти ров ан н ы е я зы к и уп р ав л я ю тся тем и ж е дей ств и я м и , что и я зы
к и, ор иентированны е на пл анирование собы тий. О тличие состоит в том , что эти д ей ст
вия автом атизированы д л я о св о б о ж д ен и я п ол ьзовател я от у том и тел ь н ы х вы ч исли
тельны х и л о ги ч еск и х детал ей . В некотор ом отн ош ен и и м о ж н о рассм атривать
пр оцедурно-ориентирован ны е я зы к и как основанны е на кон ц еп ц и и “ черного я щ и к а ” ,
им ею щ его задан н ы е “ в х о д ” и “ в ы х о д ” . Это озн ач ает, что пр оцедур но-ор иентир ован ны е
я зы ки просты и л егк и в испол ьзован ии бл агодар я гибкости п роцесса м одел и р ован и я.
Н а и б о л ее и зв ест н ы м и я зы к а м и п р о гр а м м и р о в а н и я , о р и ен ти р ов ан н ы м и на п л а
н и р ов ан и е собы т и й , я в л я ю тся SIM SC R IP T , S L A M и S IM A N . Р а зв и ти е эт и х я зы к о в на
п р о т я ж ен и и м н о г и х л ет пр и в ел о к т о м у , что о н и вк лю ч аю т и в о зм о ж н о ст и п р о ц е д у р
н о -ор и ен ти р ов ан н ы х я зы к о в . В се эт и я зы к и п о зв о л я ю т п ол ь зовател ю создав ать м о
дел и (и л и и х отдел ь н ы е ч асти) на я зы к а х вы сок ого у р о в н я , т а к и х к а к F O R T R A N и С.
Это н е о б х о д и м о д л я т ого , чтобы дать в о зм о ж н о ст ь п о л ь зов ател ю п р огр ам м ир овать
сл о ж н ы е л о ги ч еск и е о п ер а ц и и , к отор ы е н е в о зм о ж н о и л и т р у д н о осущ еств и ть о бы ч
ны м и ср едст в ам и эт и х я зы к о в . Г лавной п р и ч и н о й эт о го я в л я ет ся огр а н и ч и т ел ь н а я и,
в о зм о ж н о , за п у т а н н а я п р о ц ед у р а , с п о м о щ ь ю котор ой д а н н ы е я зы к и п ер ем ещ а ю т
т р ан зак ц и и (и л и объекты ) м е ж д у очередью и серви сам и, присутствую щ и м и в м одел и .
П ер в ы м п р о ц е д у р н о -о р и е н т и р о в а н н ы м я зы к о м бы л G P S S . Этот я з ы к , п ер в ая
в ер си я к о т о р о го п о я в и л а с ь в н а ч а л е 1 9 6 0 -х г о д о в , со в ер ш ен ств о в а л ся на п р о т я ж е
н и и н е с к о л ь к и х л е т , чтобы у д о в л е т в о р и т ь н о в ы м т р еб о в а н и я м , с в я за н н ы м с м о д е
л и р о в а н и ем с л о ж н ы х с и с т е м . Ч тобы э ф ф ек т и в н о и сп о л ь зо в ат ь эт от я зы к , п о л ь зо
в ател ю н е о б х о д и м о н аст р о и т ь п р и м ер н о в о с ем ь д е с я т р а зл и ч н ы х б л о к о в . Н есм о т р я
н а м н о г и е годы и сп о л ь зо в а н и я G P S S , я зы к все е щ е и м еет н ек о т о р ы е т р у д н о о б ъ я с
н и м ы е о со б ен н о ст и м о д е л и р о в а н и я . П р и м ер о м м о ж е т с л у ж и т ь н е о б х о д и м о с т ь а п
п р о к си м и р о в а т ь н еп р ер ы в н ы е р а с п р е д е л ен и я в ер о я т н о с т е й и х к у с о ч н о -л и н е й н ы м и
а н а л о г а м и . С п р ав едл и в о ст и р ад и за м е т и м , что н ек о т о р ы е п о сл е д н и е в ер си и эт о го
я зы к а о б есп еч и в а ю т в о з м о ж н о с т и и с п о л ь зо в а н и я и н еп р ер ы в н ы х р а сп р ед ел ен и й
(н а п р и м ер , э к с п о н ен ц и а л ь н о г о и н о р м а л ь н о го ). О д н а к о при и м е ю щ и х с я г р о м а д
н ы х в о з м о ж н о с т я х со в р ем ен н ы х к о м п ь ю т ер о в т р у д н о п о н я т ь , п о ч е м у та к о е п р е
п я т ст в и е п р о д о л ж а е т так д о л го су щ ест в о в а ть .
В н а ст о я щ ее вр ем я на р ы нке п р о гр а м м н ы х п р о д у к т о в д л я м од ел и р о в а н и я д о м и
н и р ую т к ом м ер ч еск и е п акеты , та к и е как A r e n a , A w e S im и G P S S /Н . Эти пакеты о б
л ад аю т разв и ты м и н т ер ф ей со м , что у п р о щ а ет п ол ь зовател ю пр оцесс со зд а н и я и м и
т а ц и о н н ы х м о д ел ей . О ни т а к ж е и м ею т ан и м а ц и о н н ы е ср едства, в и зу а л и зи р у ю щ и е
и зм ен ен и я , п р о и сх о д я щ и е в м од ел и во вр ем я и м и т а ц и и . О днако д л я о п ы тн ы х п о л ь
зов ател ей так и е “ д р у ж е с т в е н н ы е ” и н тер ф ей сы м о гу т зн а ч и т ел ь н о за м ед л и т ь процесс

со зд а н и я и м и т а ц и о н н ы х м о д ел ей . П о э т о м у нет н и ч его у д и в и т ел ь н о го в то м , что м но
гие р азр аботч и к и и м и т а ц и о н н ы х м о д ел ей п р ед п о ч и та ю т и сп о л ь зо в а ть в св оей работе
я зы к и п р огр ам м и р ов ан и я “ о б щ его н а зн а ч е н и я ” , т а к и е к а к С, B a sic и л и F O R T R A N .
1. К л и ен т ы сл у ч а й н ы м о б р а зо м п р и бы в аю т н а п о ч т о в о е о т д е л е н и е , в котором
р аботаю т тр и с л у ж а щ и х . В р ем я м е ж д у и х п р и х о д а м и я в л я ет ся сл у ч а й н о й
в е л и ч и н о й , р а с п р е д е л е н н о й по эк с п о н е н ц и а л ь н о м у з а к о н у с м а т ем а ти ч еск и м
о ж и д а н и е м 5 м и н . В р е м я , за т р а ч и в а ем о е с л у ж а щ и м н а о б с л у ж и в а н и е к л и
е н т а , и м еет э к с п о н е н ц и а л ь н о е р а с п р е д е л ен и е с м а т е м а т и ч ес к и м о ж и д а н и е м
10 м и н . В се п р и бы в а ю щ и е к л и ен ты ф о р м и р у ю т е д и н у ю о ч ер ед ь и ож и д а ю т
п ервого о св ободи в ш его ся с л у ж а щ ег о . И сп о л ь зу й те и м и т а ц и о н н у ю м о д ел ь сис
тем ы д л я и ссл едов а н и я ее работы на п р о т я ж е н и и 4 8 0 м и н ., чтобы оп р едел и ть
a) с р ед н ее ч и сл о к л и е н т о в , о ж и д а ю щ и х в о ч ер ед и ;
b) ср ед н ю ю за н я т о с т ь с л у ж а щ и х .
2 . Т ел ев и зи о н н ы е б л о к и п р и б ы в а ю т д л я п р о в ер к и н а л е н т о ч н ы й к о н в ей ер с п о
с т о я н н о й ск о р о ст ь ю п я т ь е д и н и ц в ч а с. В р ем я п р о в е р к и б л о к а я в л я ет ся с л у
ч а й н о й в е л и ч и н о й , р а в н о м ер н о р а с п р е д ел е н н о й м е ж д у 1 0 и 1 5 м и н . П р ед ы
д у щ и й оп ы т п о к а зы в а е т , что 2 0 % п р о в е р е н н ы х б л о к о в д о л ж н ы бы ть
о т р егу л и р о в а н ы и о т п р а в л ен ы на п о в т о р н у ю п р о в ер к у . В р ем я р егу л и р о в к и
т а к ж е я в л я е т с я сл у ч а й н о й в е л и ч и н о й , р а в н о м ер н о р а с п р е д е л е н н о й м е ж д у 6
и 8 м и н . И с п о л ь зу й т е и м и т а ц и о н н у ю м о д е л ь си с т ем ы д л я и с сл е д о в а н и я ее
работы н а п р о т я ж е н и и 4 8 0 м и н ., чтобы вы ч и сл и ть
a ) с р е д н е е в р ем я , н е о б х о д и м о е д л я п р о в ер к и о д н о г о б л о к а ;
b) с р ед н ее к о л и ч ес т в о п о в т о р н ы х п р о в ер о к , к о т о р ы е д о л ж е н п р о й т и т ел ев и
зи о н н ы й б л о к п е р е д в ы х о д о м и з си ст ем ы .
3. М ы ш ь н а х о д и т с я в л а б и р и н т е и о т ч а я н н о п ы т а ет ся и з н ег о вы б р а т ь ся . П р о
в ед я в п о п ы т к а х вы бр ать ся от 1 д о 3 м и н . с р а в н о м ер н ы м р а сп р ед е л е н и е м ,
в 3 0 % сл у ч а ев о н а н а х о д и т в ы х о д и з л а б и р и н т а . В с л у ч а е н е у д а ч и о н а бр оди т
б е с ц е л ь н о от 2 д о 3 м и н . с р а в н о м ер н ы м р а сп р е д е л е н и ем и , в к о н ц е к он ц ов ,
о ст а н а в л и в а ет ся в м е с т е , о т к у д а о н а н а ч и н а л а , н о л и ш ь д л я т о го , чтобы п о
пр обов ать ещ е р а з. М ы ш ь м о ж е т п ы тать ся вы бр ать ся н а с в о б о д у ст о л ь к о раз,
с к о л ь к о о н а х о ч е т , н о в с е м у есть п р е д е л . И ст р а т и в м н о г о эн е р г и и н а м н о го
числ енн ы е попы тки вы браться на свободу, м ы ш ь н еп р ем ен н о ум р ет, если не ус
пеет вы браться за п ер и од вр ем ен и , и м ею щ и й н ор м ал ьное распр едел ение с м ате
м ат и ч еск и м о ж и д а н и е м 1 0 м и н . и стан дар тн ы м о т к л о н ен и ем 2 м и н . П остройте
и м и т а ц и о н н у ю м о д ел ь д л я о ц ен к и в ер оя тн ости т о го , что м ы ш ь освободи тся .
С этой цел ью п р ед п о л о ж и т е, что в м одел и буд ет и сп ол ьзован о 1 0 0 м ы ш ей.
4 . Н а ф и н а л ь н о й ст ад и и сбор к и автом обил ь д в и ж е т с я по к о н в ей ер у м е ж д у двум я
п ар ал л ел ь н ы м и р абоч и м и м ест а м и , чтобы м о ж н о бы л о в ы п ол н я ть работы как
с л е в о й , так и с п р а в о й ст о р о н ы о д н о в р е м е н н о . В р е м я в ы п о л н ен и я работ
с к а ж д о й стор оны я в л я ет ся р авн ом ер но р а сп р ед ел ен н о й сл у ч а й н о й вел ич иной
с и н т ер в а л о м и зм е н е н и я от 1 5 д о 2 0 м и н . и о т 1 8 д о 2 2 м и н . со о т в ет ств ен н о .
7 Решите эти упражнения, используя какой-либо язык имитационного моделирования по

своему выбору или языки программирования Basic, FORTRAN или С.
К о н в ей ер п рибы вает на р абоч и е м ест а к а ж д ы е 2 0 м и н у т . П о ст р о й т е и м и т а ц и

он н ую м о д ел ь работы сб о р о ч н о го к о н в ей ер а на п р о т я ж ен и и 4 8 0 м и н . д л я о п р е
д е л е н и я в р ем ен и и сп о л ь зо в а н и я р а б о ч и х м ест сл ева и сп р ав а от м а ш и н ы .
5 . В р ем я м е ж д у п р и б ы т и ем м а ш и н н а п у н к т м о й к и с о д н и м о б с л у ж и в а ю щ и м
у ст р о й ст в о м я в л я е т с я с л у ч а й н о й в е л и ч и н о й , р а с п р е д ел е н н о й по э к с п о н е н ц и
а л ь н о м у за к о н у с м а т е м а т и ч е ск и м о ж и д а н и е м 1 0 м и н . А в т о м о б и л и в ы ст р а и
в а ю тся в о д н у о ч е р е д ь , к о т о р а я м о ж е т п о м ест и т ь м а к си м у м п я ть о ж и д а ю
щ и х а в т о м о б и л ей . Е сл и о ч ер ед ь за п о л н е н а , вн овь п р и б ы в ш и й а в т о м о б и л ь
у е з ж а е т . В р ем я м о й к и м а ш и н ы я в л я е т с я е л у ч а й н о й в е л и ч и н о й , р а в н о м ер н о
р а с п р е д е л е н н о й н а и н т ер в а л е от 1 0 д о 1 5 м и н . П о ст р о й т е и м и т а ц и о н н у ю м о
д е л ь р аботы си ст ем ы н а п р о т я ж е н и и 9 6 0 м и н . и н а й д и т е в р ем я п р еб ы в а н и я
а в т о м о б и л я на п у н к т е м о й к и .
1. B o x G . an d M u lle r М . “A N o te o n th e G e n e r a tio n o f R a n d o m N o r m a l D e v ia t e s ” , A n
n a ls o f M a t h e m a t i c a l S t a t i s t i c s , V o l. 2 9 , p p .6 1 0 - 6 1 1 , 1 9 5 8 .
2 . L aw A . an d K e lto n W . S i m u l a t i o n M o d e l i n g & A n a l y s i s , 3 rd e d ., M c G r a w -H ill, N e w
Y o rk , 2 0 0 0 .
3 . R o s s S . A C o u r s e o f S i m u l a t i o n , M a c m illa n , N e w Y o r k , 1 9 9 0 .
4. R u b e n s te in R ., M ela m ed B . a n d S h a p ir o A . M o d e r n S i m u l a t i o n a n d M o d e l i n g ,
W ile y , N e w Y o r k , 1 9 9 8 .
5. T ah a A . S i m u l a t i o n M o d e l i n g a n d S I M N E T , P r e n tic e H a ll, U p p e r S a d d le R iv e r ,
N .J ., 1988.

1. Е р м а к о в С. М . М е т о д М о н т е - К а р л о и с м е ж н ы е в о п р о с ы . — М .: Н а у к а , 1 9 7 5 .
2 . М ур Д ж ., У э д ер ф о р д JI. Э к о н о м и ч е с к о е м о д е л и р о в а н и е в M i c r o s o f t E x c e l . — М .:
И здател ьск ий дом “ В и л ья м с” , 2 0 0 4 .
3 . Н ей л о р Т . М а ш и н н ы е и м и т а ц и о н н ы е э к с п е р и м е н т ы с м о д е л я м и э к о н о м и ч е
с к и х с и с т е м . — М .: М и р , 1 9 7 8 .
4 . С оболь И . М . Ч и с л е н н ы е м е т о д ы М о н т е - К а р л о . — М .: Н а у к а , 1 9 7 3 .
5 . Ш ен н о н Р . И м и т а ц и о н н о е м о д е л и р о в а н и е с и с т е м — и с к у с с т в о и н а у к а . — М .:
М ир, 1 9 7 8 .
Г Л А В А 19
МАРКОВСКИЕ ПРОЦЕССЫ
ПРИНЯТИЯ РЕШЕНИЙ
В эт о й гл ав е р а ссм о т р е н о п р и м е н е н и е м е т о д о в д и н а м и ч е с к о г о п р о г р а м м и р о в а
н и я д л я р е ш е н и я с т о х а с т и ч е с к и х за д а ч , гд е п р о ц е с с п р и н я т и я р е ш ен и й м о ж н о
п р едстави ть к он еч н ы м ч и сл о м со с т о я н и й . П е р е х о д н ы е в е р о я т н о с т и м е ж д у с о с т о я
н и я м и о п и сы в а ю т м а р к о в с к у ю ц е п ь 1. С тр у к т у р а в о з н а г р а ж д е н и й в п о д о б н о м п р о
ц ессе п р ед ст а в и м а в в и д е м а т р и ц ы , эл е м е н т а м и к о т о р о й я в л я ю т с я в ел и ч и н ы д о х о
д а (и л и за т р а т ы ), в о з н и к а ю щ и е п р и п е р е х о д е и з о д н о г о с о с т о я н и я в д р у г о е .
М атрица п е р е х о д н ы х в е р о я т н о ст е й и м а т р и ц а д о х о д о в за в и с я т от а л ь т ер н а т и в р е
ш ен и я , к о т о р ы м и р а сп о л а г а ет л и ц о , п р и н и м а ю щ ее р е ш е н и е . Ц ел ь ю за д а ч и я в л я
ется ф о р м и р о в а н и е о п т и м а л ь н о й ст р а т е г и и , м а к с и м и зи р у ю щ е й о ж и д а е м ы й д о х о д
от п р о ц есса , и м е ю щ е г о к о н е ч н о е и л и б е с к о н е ч н о е ч и с л о эт а п о в .
19.1. МАРКОВСКАЯ ЗАДАЧА ПРИНЯТИЯ РЕШ ЕНИЙ

Мы и сп о л ь зу ем п р о ст о й п р и м ер , к о т о р ы й б у д е т с л у ж и т ь н ам н а п р о т я ж е н и и
всей главы . Н есм о т р я на п р о с т о т у , п а р а ф р а з эт о го п р и м е р а н а х о д и т п р и м ен е н и е во
м н о г и х п р и л о ж е н и я х в о б л а с т и у п р а в л е н и я за п а с а м и , за м ен ы о б о р у д о в а н и я , к о н
тр оля и р ег у л и р о в а н и я д е н е ж н ы х п о т о к о в и д р .
К а ж д ы й г о д в н а ч а л е с е зо н а са д о в н и к п р о в о д и т х и м и ч е с к и й а н а л и з со ст о я н и я
почвы в св оем с а д у . В за в и с и м о с т и от р езу л ь т а т о в а н а л и за п р о д у к т и в н о с т ь с а д а на
новы й с езо н о ц е н и в а е т с я к а к 1) х о р о ш а я , 2 ) у д о в л ет в о р и т е л ь н а я и л и 3) п л о х а я .
В р езу л ь т а т е м н о г о л е т н и х н а б л ю д е н и й са д о в н и к за м е т и л , что п р о д у к т и в н о сть
в тек ущ ем г о д у за в и си т тол ь к о от со ст о я н и я почвы в п р ед ы д у щ ем го д у . П о это м у в е
р о я тн ости п е р е х о д а почвы и з о д н о г о с о ст о я н и я п р о д у к т и в н о ст и в д р у г о е д л я к а ж
дого го д а м о ж н о п редстави ть как в ер оя тн ости п е р ех о д а в с л ед у ю щ е й ц еп и М аркова.
Состояние системы в следующем году
1 2 3
Состояние системы в текущем ГОДУ 1 '0,2 0,5 0 ,3'

•2 0 0,5 0,5
3 , о 0 1 ,
1Обзор теории цепей Маркова приведен в разделе 19.5.

738 Глава 19. Марковские процессы принятия решений
П е р е х о д н ы е в е р о я т н о ст и в м а т р и ц е Р' п о к а зы в а ю т , ч т о п р о д у к т и в н о ст ь почвы
в т ек у щ е м г о д у н е л у ч ш е , ч ем в п р е д ы д у щ е м . Н а п р и м е р , ес л и с о с т о я н и е почвы
в т е к у щ е м г о д у у д о в л ет в о р и т е л ь н о е (с о с т о я н и е 2 ), т о в с л е д у ю щ е м г о д у о н о м о ж ет
о с т а т ь ся у д о в л ет в о р и т ел ь н ы м с в е р о я т н о с т ь ю 0 ,5 и л и ста ть п л о х и м (с о с т о я н и е 3)
с т ой ж е в ер о я т н о сть ю .
В р езу л ь т а т е р а зл и ч н ы х а г р о т е х н и ч е с к и х м е р о п р и я т и й с а д о в н и к м о ж е т и зм е
н и т ь п е р е х о д н ы е в ер о я т н о с т и Р1 . О бы ч н о д л я п о в ы ш ен и я п р о д у к т и в н о с т и почвы
п р и м е н я ю т с я у д о б р е н и я . Э ти м ер о п р и я т и я п р и в о д я т к н о в о й м а т р и ц е п ер е х о д н ы х
вер оятн остей Р2 .
1 2 3
1 ' 0,3 0,6 0,1
Р2= 2 0,1 0,6 0,3
L/1
3 О 0,4 0,55
О
Ч т обы р а ссм о т р ет ь за д а ч у п р и н я т и я р е ш е н и й в п ер сп е к т и в е, с а д о в н и к св я зы в а
ет с п е р е х о д о м и з о д н о г о с о с т о я н и я почвы в д р у г о е ф у н к ц и ю д о х о д а (и л и ст р у к т у р у
в о з н а г р а ж д е н и я ), к о т о р а я о п р е д е л я е т п р и б ы л ь и л и у б ы т о к з а о д н о г о д и ч н ы й п ер и
од в за в и с и м о с т и от с о с т о я н и й , м е ж д у к о т о р ы м и о с у щ е ст в л я е т с я п е р е х о д . Т ак как
с а д о в н и к м о ж е т п р и н я т ь р е ш е н и е и сп о л ь зо в а т ь и л и н е и сп о л ь зо в а т ь у д о б р е н и я ,
е г о д о х о д и л и у б ы т о к б у д ет и зм е н я т ь с я в за в и с и м о с т и от п р и н я т о го р е ш е н и я . М ат
р и ц ы R 1 и R 2 о п р ед ел я ю т ф у н к ц и и д о х о д а (в с о т н я х д о л л .) и с о о т в ет ст в у ю т м а т р и
ц а м п е р е х о д н ы х в ер о я т н о с т е й Р 1 и Р 2.
R4 M I=
2 3
5 -П
R 4 о
3 -2
Э л ем ен ты Ą м атр и ц ы R 2 уч и т ы в а ю т за тр а ты , с в я за н н ы е с п р и м ен ен и ем у д о б р ен и я .
Н а п р и м ер , есл и си ст ем а н а х о д и т с я в со ст о я н и и 1 и о ст а ется в этом со с т о я н и и и в сл е
д у ю щ е м го д у , т о д о х о д состави т = 6 , е сл и ж е у д о б р е н и я не и сп о л ь зу ю т ся , г \ = 1 .
К а к а я ж е за д а ч а п р и н я т и я р е ш е н и й с т о и т п е р е д са д о в н и к о м ? С н ач ал а н е о б х о
д и м о у с т а н о в и т ь , б у д е т л и д е я т е л ь н о с т ь с а д о в н и к а п р о д о л ж а т ь с я о гр а н и ч ен н о е
ч и с л о л е т и л и б еск о н е ч н о . В с о о т в ет ст в и и с эт и м р а ссм а т р и в а ю т ся за д а ч и п р и н я т и я
р е ш ен и я с к о н еч н ы м и б е ск о н е ч н ы м ч и с л о м эт а п о в . В о б о и х с л у ч а я х , и м ея р езу л ь та
ты х и м и ч еск о го а н ал и за почвы (с о с т о я н и е си ст ем ы ), са д о в н и к д о л ж е н вы брать н а и
л у ч ш у ю ст р атеги ю п ов еден и я (у д о б р я т ь и л и н е у д о б р я т ь п оч в у). П р и этом оп ти м ал ь
н ость п р и н я т ого р еш ен и я о сн ов ы вается н а м а к с и м и за ц и и о ж и д а е м о г о д о х о д а .
С а до в н и к а м о ж е т т а к ж е и н т е р е с о в а т ь о ц е н к а о ж и д а е м о г о д о х о д а по за р а н е е о п
р е д е л е н н о й ст р а т ег и и п о в е д е н и я п р и том и л и и н о м с о с т о я н и и с и с т е м ы . Н а п р и м ер ,
о н м о ж е т п р и н я т ь р еш е н и е в с ег д а п р и м е н я т ь у д о б р е н и я , е с л и с о с т о я н и е почвы
п л о х о е (с о с т о я н и е 3 ). В т а к о м с л у ч а е го в о р я т , что п р о ц есс п р и н я т и я р е ш е н и й о п и
с ы в а ет ся с т а ц и о н а р н о й с т р а т е г и е й .
К а ж д о й с т а ц и о н а р н о й ст р а т е г и и со о т в е т с т в у ю т св о и м а т р и ц ы п е р е х о д н ы х в е р о
я тн ост ей и д о х о д о в , к о т о р ы е м о ж н о п о ст р о и т ь н а о с н о в е м а т р и ц Р1, Р2, R1 и R2. Н а
п р и м ер , д л я с т а ц и о н а р н о й с т р а т е г и и , т р е б у ю щ е й п р и м е н е н и я у д о б р е н и я т о л ь к о
тогда, к о г д а с о с т о я н и е почвы п л о х о е (с о с т о я н и е 3 ), р е зу л ь т и р у ю щ и е м а т р и ц ы п е
р ех о д н ы х в е р о я т н о ст ей и д о х о д о в за д а ю т с я с л е д у ю щ и м и в ы р а ж е н и я м и .
'0 ,2 0,5 0,3 ' '1 6 3 '
р = 0 0,5 0,5 , R= 0 5 1
L/1
О
0,4 0,55,
О
,6 3 -2 ,
Э ти м а т р и ц ы о т л и ч а ю т с я от Р1 и R1 т о л ь к о т р е т ь е й с т р о к о й , в к л ю ч е н н о й в н и х
и з м ат р и ц Р2 и R2. П р и ч и н а эт о го в т о м , ч т о Р2 и R2 — м а т р и ц ы , со о т в е т с т в у ю щ и е
с и т у а ц и и , к о г д а у д о б р е н и я п р и м е н я ю т с я п р и л ю б о м с о с т о я н и и п оч в ы .
УПРА Ж Н Е Н И Я 19.1
1. В за д а ч е с а д о в н и к а о п р е д е л и т е м а т р и ц ы Р и R, с о о т в е т с т в у ю щ и е с т а ц и о н а р
н о й ст р а т е г и и , т р е б у ю щ ей и с п о л ь зо в а н и я у д о б р е н и й п р и у д о в л е т в о р и т е л ь
н ом и п л о х о м с о с т о я н и я х п оч в ы .
2. О п р ед ел и т е все с т а ц и о н а р н ы е ст р а т е г и и в п р и м е р е с с а д о в н и к о м .
19.2. МОДЕЛЬ ДИНАМ ИЧЕСКО ГО ПРОГРАМ М ИРОВАНИЯ

С КОНЕЧНЫ М ЧИСЛОМ ЭТАПОВ
П р ед п о л о ж и м , что садовн и к пл ан и р ует прекратить за н я т и е садоводством ч ер ез N
л ет. В этом сл уч ае н ео б х о д и м о опр едел ить стр атегию п ов еден и я (удобр ять и л и не у д о б
рять почву) д л я к а ж д о г о года план и р ов ан и я . О чевидно, что оптим альн ой стратегией
будет такая, при котор ой садовн и к пол учит н аибол ьш ий о ж и д а ем ы й д о х о д ч ер ез N л ет.
П уст ь k = 1 и л и 2 о б о зн а ч а е т д в е в о з м о ж н ы е (а л ь тер н а т и в н ы е) с т р а т ег и и п о в е
д ен и я са д о в н и к а . М ат р и ц ы Рк и Rk, п р е д с т а в л я ю щ и е п е р е х о д н ы е в ер о я т н о ст и
и ф у н к ц и ю д о х о д а д л я а л ьтер н а ти в ы k , о п р е д е л е н ы в р а зд е л е 1 9 .1 ; зд е с ь о н и п р и
водя тся д л я у д о б с т в а .
"0,2 0,5 0,3''j \ 1 6 3'
0 0,5 0,5 0 5 1
II
II
г'= И 1 =
я
0
О
1 /
о
ч0
0,3 0,6 0,1 '6 5 -Г
ОЙ
0,1 0,6 0,3 і 4 0

II
II
:И =
0,05 0,4 0,55 6 3 -2 ,
З а д а ч у са д о в н и к а м о ж н о п р ед ст а в и т ь к а к з а д а ч у д и н а м и ч е с к о г о п р о г р а м м и р о
ван ия (Д П ) с к о н еч н ы м ч и с л о м эт а п о в с л е д у ю щ и м о б р а зо м . П у ст ь ч и сл о с о с т о я н и й
д л я к а ж д о г о эт а п а (г о д а ) р авн о т (3 в п р и м е р е с с а д о в н и к о м ). О бо зн а ч и м ч е р е з f n(i)
о п ти м ал ьн ы й о ж и д а е м ы й д о х о д , п о л у ч е н н ы й н а э т а п а х от п д о N в к л ю ч и т ел ь н о
пр и у с л о в и и , ч т о с и с т е м а н а х о д и т с я в н а ч а л е эт а п а п в с о с т о я н и и і.
О б р а т н о е р ек у р р е н т н о е у р а в н е н и е , с в я зы в а ю щ ее f n и f n+l, м о ж н о за п и с а т ь в в и д е
/„ (/)= i m + / п+і ( у ) ] | . " =1>2>
где f N+l(J) = О для все х/.

П ри веден ное ур авн ен и е основано на том , что н а к а п л и в а ю щ и й с я доход

г* + п о л у ч а ет ся в р е зу л ь т а т е п е р е х о д а и з с о с т о я н и я і н а эт а п е п в с о ст о я н и е j
н а эт а п е п + 1 с в ер о я т н о сть ю р* . В в е д я о б о зн а ч е н и е
>1
р е к у р р ен т н о е у р а в н е н и е Д П м о ж н о за п и с а т ь с л е д у ю щ и м о б р а зо м :
/ „ ( / ) = m a x {v f},
/„ ( /) = maxjv,* + | > * / „ +,C /)j, и = 1,2, 1.
П р ои л л ю ст р и р уем и сп о л ь зо в а н и е р ек у р р ен т н о го у р а в н ен и я д л я вы ч и сл ен и я ве
л и ч и н у,* в зад ач е садов н и к а д л я с и т у а ц и и , к о гд а уд о б р ен и я н е п р и м ен я ю т ся (k = 1).
v ,'= 0 ,2 x 7 + 0 ,5 x 6 + 0 ,3 x 3 = 5 ,3,
Vj = 0 x 0 + 0 ,5 x 5 + 0 ,5x1 = З,
V j = 0 x 0 + 0 x 0 + lx (-l) = -l.
Э ти зн а ч е н и я п о к а зы в а ю т , что е сл и с о с т о я н и е почвы в н а ч а л е г о д а о к а зы в а ет с я х о
р о ш и м (с о с т о я н и е 1 ), то п р и о д н о м п е р е х о д е о ж и д а е м ы й г о д о в о й д о х о д со ст а в л я ет
5 ,3 . А н а л о г и ч н о , есл и с о с т о я н и е п оч в ы у д о в л е т в о р и т е л ь н о е , о ж и д а е м ы й годовой
д о х о д со ст а в и т 3 , а в сл у ч а е п л о х о г о б у д е т р авен - 1 .
Пример 19.2.1
В эт о м п р и м ер е за д а ч а с а д о в н и к а р е ш а е т с я п р и д а н н ы х , з а д а н н ы х м а т р и ц а м и Р 1,
Р 2, R ' и R 2. П р ед п о л а г а е т с я , ч то г о р и зо н т п л а н и р о в а н и я в к л ю ч а ет 3 г о д а (N = 3).
Т ак к а к зн а ч е н и я v* м н о г о к р а т н о и с п о л ь зу ю т с я в в ы ч и с л е н и я х , д л я у д о б с т в а они
с в ед ен ы в т а б л и ц у . Н а п о м н и м , ч т о зн а ч е н и е к = 1 со о т в ет ст в у е т р е ш е н и ю “ н е у д о б
рять” , к = 2 — “ удобр ять” .
і і
V, у ,2
1 5,3 4,7
2 3 3,1
3 -1 0,4
Э тап 3
V* Оптимальное решение
і к= 1 к=2 ад к
1 5,3 4,7 5,3 1
2 3 3,1 3,1 2
3 -1 0,4 0,4 2
Этап"2
Ч + Р ,* ,/,( 1 ) + Р*2/ 3(2 ) + р ‘ / 3(3 ) Оптимальное

решение
і к =1 к=2 f2(i) к
1 5,3 + 0,2 х 5,3 + 0,5 х 3,1 + 0,3 х 0,4 = 8,03 4,7 + 0,3 х 5,3 + 0,6 х 3,1 + 0,1 х 0,4 = 8,19 8,19 2
2 3 + 0 х 5,3 + 0,5 х 3,1 + 0,5 х 0,4 = 4,75 3,1 + 0,1 х 5,3 + 0,6 х 3,1 + 0,3 х 0,4 = 5,61 5,61 2
3 - 1 + 0 х 5,3 + 0 х 3,1 + 1 х 0,4 = -0 ,6 0,4 + 0,05 х 5,3 + 0,4 х 3,1 + 0,55 х 0,4 = 2,13 2,13 2
Этап 1
^ +р М ) +Р "гФ ) +Р М )
решение
і к= 1 к= 2 т к
1 5,3 + 0,2 x 8,19 + 0,5 x 5,61 +0,3 x 2,13 = 10,38 4,7 + 0,3 x 8,19 + 0,6 x 5,61 +0,1 х 2,13 = 10,74 10,74 2
2 3 + 0 х 8,19 + 0,5 х 5,61 + 0,5 х 2,13 = 6,87 3,1 +0,1 х 8 ,1 9 + 0,6x5,61 + 0 ,3 x 2 ,1 3 = 7,92 7,92 2
3 -1 + 0 х 8,19 + 0 х 5,61 + 1 х 2,13 = 1,13 0,4 + 0,05 х 8,19 + 0,4 х 5,61 + 0,55 х 2,13 = 4,23 2
= 4,23
О птим альное р еш ен и е п ок а зы в а ет , что в 1 -й и 2-й годы са д о в н и к д о л ж е н п р и м ен я ть

у д о бр ен и я (к" = 2 ) н еза в и си м о от со ст о я н и я си ст ем ы (со ст о я н и я почвы по д ан н ы м х и
м ическ ого ан а л и за ). Н а 3 -й год с а д о в н и к у с л е д у е т п р и м ен я т ь у д о б р ен и я тол ь к о т о
гда, к огд а си ст ем а н а х о д и т ся в с о с т о я н и я х 2 и л и 3 (т .е . п р и удов л ет в о р и т ел ь н о м ил и
пл охом со ст о я н и и п оч в ы ). С ум м ар н ы й о ж и д а е м ы й д о х о д за три года со ст а в и т /^(1) =
1 0 ,7 4 пр и х о р о ш ем со ст о я н и и систем ы в 1 -й г о д ,7^(2) = 7 ,9 2 — пр и у д о в л ет в о р и т ел ь
ном со ст о я н и и си стем ы в 1-й год и/^(3) = 4 ,2 3 — п р и п л о х о м со ст о я н и и .
З а д а ч а п р и к о н еч н о м г о р и зо н т е п л а н и р о в а н и я (р е ш е н н а я вы ш е за д а ч а с а д о в н и
ка) м о ж е т бы ть о б о б щ е н а в д в у х н а п р а в л е н и я х . В о -п е р в ы х , п е р е х о д н ы е в е р о я т н о
сти и ф у н к ц и и д о х о д а н е о б я за т е л ь н о д о л ж н ы бы ть о д и н а к о в ы д л я к а ж д о г о год а.
В о-втор ы х, м о ж н о исп ол ь зовать к о эф ф и ц и ен т п е р е о ц е н к и (д и ск о н ти р о в а н и я ) о ж и
даем ы х д о х о д о в д л я п осл ед о в ат ел ь н ы х эта п о в , всл едстви е чего зн а ч ен и я /,( /) б у д у т
п р едставл ять собой п р и в е д е н н ы е в е л и ч и н ы о ж и д а е м ы х д о х о д о в по всем эт а п ам .
В п ер в ом с л у ч а е зн а ч е н и я д о х о д о в Ą и п е р е х о д н ы е в ер о я т н о ст и />* д о л ж н ы
бы ть ф у н к ц и я м и эт а п а п. З д е с ь р е к у р р ен т н о е у р а в н е н и е д и н а м и ч е с к о г о п р о г р а м
м и р о в а н и я п р и н и м а е т ви д
/ v ( / ) = m ax{v*"v },
/„(/) = max|v*-,, + ^ A*-"/nł|(y )|, и = 1,2, 1,
где
^ =2 > №
/=і
В т о р о е о б о б щ е н и е за к л ю ч а е т с я в с л е д у ю щ е м . П у ст ь а ( < 1) — го д о в о й к о э ф ф и
ц и ен т п е р е о ц е н к и (д и с к о н т и р о в а н и я ), т о г д а D д о л л а р о в б у д у щ е г о года равн ы a D
д о л л а р а м н а ст о я щ ег о г од а . П р и в в е д е н и и к о э ф ф и ц и е н т а п е р е о ц ен к и и с х о д н о е р е
к у р р ен т н о е у р а в н е н и е п р е о б р а зу е т с я в с л е д у ю щ е е :
/ „ ( ; ) = max {v f} ,
/ „ ( / ) = m a x jvf + а ] Г /> * /„ ,,(./) j , « = 1,2, 1.
1. Ф и р м а е ж е г о д н о о ц е н и в а е т п о л о ж е н и е с о сб ы т о м о д н о г о и з в и д о в с в о е й о с
н о в н о й п р о д у к ц и и и д а е т е м у у д о в л е т в о р и т е л ь н у ю (с о с т о я н и е 1 ) и л и н е
у д о в л е т в о р и т е л ь н у ю о ц е н к у (с о с т о я н и е 2 ). Н е о б х о д и м о п р и н я т ь р е ш е н и е
о ц е л е с о о б р а з н о с т и р е к л а м и р о в а н и я э т о й п р о д у к ц и и в ц е л я х р а с ш и р ен и я
е е сб ы т а . П р и в е д е н н ы е н и ж е м а т р и ц ы Р 1 и Р 2 о п р е д е л я ю т п е р е х о д н ы е в е
р о я т н о с т и п р и н а л и ч и и р е к л а м ы и б е з н е е в т е ч е н и е л ю б о г о г о д а . С о о тв ет
с т в у ю щ и е д о х о д ы за д а н ы м а т р и ц а м и R 1 и R 2. Н а й д и т е о п т и м а л ь н ы е р е ш е
ния для п осл едую щ и х трех л ет.
2 . К о м п а н и я м о ж е т п р о в ес т и р е к л а м н у ю а к ц и ю с п о м о щ ь ю о д н о г о и з т р ех
ср ед ст в м а ссо в о й и н ф о р м а ц и и : р а д и о , т е л е в и д е н и я и л и га зет ы . Н ед ел ь н ы е
затраты на р ек л ам у с пом ощ ью эт и х средств о ц ен и ваю тся в 200, 900 и 300 д о л л .
со о т в ет ст в ен н о . К о м п а н и я о ц е н и в а е т н е д е л ь н ы й о б ъ е м сб ы т а св о ей п р о д у к
ц и и п о т р е х б а л л ь н о й ш к а л е к а к у д о в л ет в о р и т е л ь н ы й (1 ), х о р о ш и й (2 ) и от
л и ч н ы й (3 ) . Н и ж е у к а за н ы п е р е х о д н ы е в е р о я т н о с т и , с о о т в е т с т в у ю щ и е к а ж
д о м у и з т р е х с р ед ст в м а с с о в о й и н ф о р м а ц и и .
Радио Телевидение Газета
1 2 3 1 2 3 1 2 3
1 0,4 0,5 0,Г 1 0,7 0,2 0,Г 1 0, 2 0,5 0,3'
2 0,1 0,7 0,2 2 0,3 0,6 0,1 2 0 0,7 0,3
3 ,0,! 0,2 0,7j 3 ,0,1 0,7 0,2j 3 , о 0,2 0,8,
С о о т в ет ст в у ю щ и е н е д е л ь н ы е д о х о д ы (в т ы с. д о л л .) р авн ы с л е д у ю щ е м у .
Радио Телевидение Газета
оО
40
Чоо 520 '1000 1300 1600' Чоо 530 710'

300 400 700 800 1000 1700 350 450 800
_______ ^
сч
О
О
О
О
250 500, 250 400 650,

40
700 1100,
Н а й д и т е о п т и м а л ь н у ю ст р а т е г и ю р ек л а м ы д л я п о с л е д у ю щ и х т р е х н ед ел ь .
3 . З а д а ч а у п р а в л е н и я з а п а с а м и . М а г а зи н эл ек т р о т о в а р о в в ц е л я х б ы ст р о го
у д о в л е т в о р е н и я сп р о с а п о к у п а т е л е й н а х о л о д и л ь н и к и м о ж е т р а зм е щ а т ь з а
к а зы в н а ч а л е к а ж д о г о м е с я ц а . К а ж д о е р а зм е щ е н и е за к а з а п р и в о д и т к п о
ст о я н н ы м за т р а т а м в 100 д о л л . З а т р а т ы н а х р а н е н и е о д н о г о х о л о д и л ь н и к а
в т е ч е н и е м е с я ц а равн ы 5 д о л л . П о т е р и м а г а зи н а п р и о т с у т с т в и и х о л о д и л ь
н и к о в о ц ен и в а ю т ся в 150 д о л л . з а к а ж д ы й х о л о д и л ь н и к в м е с я ц . М еся ч н ы й
сп р о с н а х о л о д и л ь н и к и за д а е т с я с л е д у ю щ и м р а с п р е д е л е н и е м в ер о я т н о с т е й .
19.3. Модель с бесконечным числом этапов 743
Спрос х 0 1 2
РМ 0,2 0,5 0,3
М а г а зи н р е а л и зу е т с л е д у ю щ у ю ст р а т еги ю : м а к си м а л ь н ы й у р о в ен ь за п а с а не
д о л ж е н п р ев ы ш ать д в у х х о л о д и л ь н и к о в в т е ч е н и е л ю б о г о м е с я ц а .
a ) О п р ед ел и т е п е р е х о д н ы е в е р о я т н о ст и п р и р а зл и ч н ы х а л ь т е р н а т и в а х р еш е
н и я эт о й за д а ч и .
b) О п р ед ел и т е о ж и д а е м ы е м е с я ч н ы е за т р а т ы н а х р а н е н и е з а п а с а к а к ф у н к
ц и ю с о с т о я н и я си с т е м ы и а л ь т ер н а т и в н ы х р е ш е н и й .
c ) О п р ед ел и т е о п т и м а л ь н у ю ст р а т е г и ю р а зм е щ е н и я за к а з о в н а п о с л е д у ю щ и е
3 м есяца.
4. В ы п о л н и т е за д а н и я п р е д ы д у щ е г о у п р а ж н е н и я , п р е д п о л а г а я , ч т о п л о т н о ст и
в ер о я т н о с т е й сп р о с а на с л е д у ю щ и й к в ар тал о п р е д е л я ю т с я з н а ч е н и я м и и з
сл едую щ ей табли цы .
Месяц
Спрос, х 1 2 3
0 0,1 0,3 0,2
1 0,4 0,5 0,4
2 0,5 0,2 0,4
19.3. МОДЕЛЬ С БЕСКОНЕЧНЫ М ЧИСЛОМ ЭТАПОВ

С у щ ест в у ет д в а м ет о д а р е ш е н и я з а д а ч и с б ес к о н еч н ы м ч и с л о м эт а п о в . П ер в ы й
м ет о д о сн о в а н н а п ер еб о р е в с е х в о з м о ж н ы х с т а ц и о н а р н ы х ст р а т ег и й в за д а ч е п р и
н я т и я р е ш е н и й . Э тот п о д х о д , п о с у щ е с т в у , эк в и в а л е н т е н м е т о д у п о л н о г о п ер еб о р а ,
и е г о м о ж н о и сп о л ь зо в а т ь т о л ь к о т о г д а , к о г д а о б щ е е ч и сл о с т а ц и о н а р н ы х ст р а т е
ги й с т о ч к и зр е н и я п р а к т и ч е с к и х в ы ч и с л е н и й д о с т а т о ч н о м а л о . В т о р о й м е т о д , н а
зы в а ем ы й м е т о д о м и т е р а ц и й п о с т р а т е г и я м , к а к п р а в и л о , б о л е е эф ф е к т и в е н , т а к
к а к о п р е д е л я е т о п т и м а л ь н у ю ст р а т е г и ю и т е р а ц и о н н ы м п у т ем .
19.3.1. Метод полного перебора

П р е д п о л о ж и м , ч т о в за д а ч е п р и н я т и я р е ш е н и й и м е е т с я S с т а ц и о н а р н ы х ст р а т е
г и й . П у ст ь Р 'и К ' — м а т р и ц ы п е р е х о д н ы х (о д н о ш а г о в ы х ) в е р о я т н о с т е й и д о х о д о в ,
со о т в ет ст в у ю щ и е п р и м е н я е м о й с т р а т е г и и , 8 = 1 , 2 , . . . , S . М ето д п е р е б о р а в к л ю ч а ет
сл едую щ и е действия.
Ш а г 1. В ы ч и сл я е м v’ — о ж и д а е м ы й д о х о д , п о л у ч а е м ы й з а о д и н эт а п п р и
ст р а т ег и и s д л я з а д а н н о г о с о с т о я н и я і, і = 1 , 2 , . . . , т .
Ш аг 2. В ы ч и сл я е м тс’ — д о л го с р о ч н ы е ст а ц и о н а р н ы е в е р о я т н о с т и м а т
р и ц ы п е р е х о д н ы х в е р о я т н о ст е й Р*, с о о т в ет ст в у ю щ и е ст р а т е г и и 8.
Э ти в ер о я т н о с т и (е с л и о н и с у щ ес т в у ю т ) н а х о д я т с я и з у р а в н е н и й
я’Р’ = я ’,
< + тс’ + ...+ < = 1 ,

г д е я5 =(тс[,тс2 ,...,л:*л) .
Ш агЗ. В ы ч и сл я е м п о с л е д у ю щ е й ф о р м у л е Е ‘ о ж и д а е м ы й д о х о д з а один
ш а г (эт а п ) п р и в ы б р а н н о й ст р а т е г и и s.
Es =
1=1
Ш аг 4. О п т и м а л ь н а я ст р а т е г и я s о п р е д е л я е т с я и з у с л о в и я , что
Е 1 = ш а х | £ 5}.
П р о и л л ю с т р и р у е м эт о т м е т о д н а п р и м е р е за д а ч и с а д о в н и к а п р и б еск о н еч н о м го
р и зо н т е п л а н и р о в а н и я .
Пример 19.3.1
В за д а ч е с а д о в н и к а и м е е т с я в о сем ь с т а ц и о н а р н ы х с т р а т е г и й , п р едставл ен н ы х
в сл едую щ ей табли це.
Стационарная стратегия, s Действия
1 Не применять удобрения вообще

2 Применять удобрения независимо от состояния почвы
3 Применять удобрения, если почва находится в состоянии 1
6 Применять удобрения, если почве находится в состоянии 1 или 2
7 Применять удобрения, если почва находится в состоянии 1 или 3
8 Применять удобрения, если почва находится в состоянии 2 или 3
М а т р и ц ы Р 5 и R 1 д л я с т р а т е г и й о т 3 д о 8 п о л у ч а ю т ся и з а н а л о г и ч н ы х м а т р и ц дл я
с т р а т е г и й 1 и 2. Т а к и м о б р а зо м , и м еем
ґ 0,2 0,5 0,3 ' '1 6 3'

Р 1= 0 0,5 0,5 , R 1= 0 5 1
0 1 , 0 0 -к
' 0,3 0,6 0,1 ' '6 5 -і
Р2 = 0,1 0,6 0,3 , R2 1 4 0

,0 ,0 5 0 ,4 0,5 5, ,6 3 -2
"0,3 0,6 о ,г "6 5 -1 '

Р3= 0 0,5 0,5 R3= 0 5 1 ,
0 1 , ,0 0
-к
'0 ,2 0,5 0 ,3 ' '1 6 3'

Р4 = 0,1 0,6 0,3 , R4= 1 4 0 7
[о 0 1 0 -к
'0 , 2 0,5 0,3 4 '1 6 зч

р5 = 0 0,5 0,5 , R5= 0 5 1
,0,05 0,4 0,55, ,6 3 -2J
'0 ,3 0,6 0 ,Г '6 5 -Г

р6= 0,1 0 ,6 0,3 , R6= 1 4 0
,0 0 1 ,
0 0 -і,
'0 , 3 0,6 0,1 ^ '6 5 -Г

р7= 0 0,5 0,5 , R7= 0 5 1
,0,05 0,4 0,55; ,6 3 -2 ,
f 0,2 0,5 0 ,3 " '1 6 з4

р8= 0,1 0,6 0,3 , R8= 1 4 0
KJ\
©
0 ,4 0 ,5 5 , 3 -2 ,
О
,6
Г
Р е зу л ь т а т ы в ы ч и сл ен и й зн а ч е н и й v’ п р и в ед ен ы в с л е д у ю щ е й т а б л и ц е .
v;
5 /= 1 /=2 /= 3
1 5,3 3,0 -1 ,0
2 4,7 3,1 0,4
3 4,7 3,0 -1 ,0
4 5,3 3,1 -1 ,0
5 5,3 3,0 0,4
6 4,7 3,1 -1 ,0
7 4,7 3,0 0,4
8 5,3 3,1 0,4
С та ц и он ар н ы е в ер о я т н о ст и н а х о д я т с я и з у р а в н е н и й
я’Р’ = п \
7С, + 7С2 + . . . + 7Ст = 1 .
Д л я и л л ю с т р а ц и и п р и м е н е н и я э т и х у р а в н е н и й р ассм о т р и м с т р а т е г и ю 5 = 2. С оот
в ет ст в у ю щ и е у р а в н е н и я и м е ю т с л е д у ю щ и й в и д .
0,3тс, + 0 ,1 я 2 + 0,05тс3 = тс,,
0,6тс, + 0,6тс2 + 0,4тс3 = тс2,
0,1тс, + 0,3тс2 + 0 ,5 5 т с 3 = тс3,
7С| + ТС2 + 7С3 = 1.
(О тм етим , ч т о од н о и з п ер в ы х т р е х у р а в н ен и й и зб ы т о ч н о .) Р еш ен и ем си ст ем ы б у д ет
В д а н н о м сл у ч а е о ж и д а е м ы й г о д о в о й д о х о д р а в ен
Е г = ^ J t,2v,2 = — ( 6 x 4 , 7 + 3 1х 0,31 + 22 x 0 ,4 ) = 2,256.

;=| 59
Р е зу л ь т а т ы в ы ч и сл ен и й ті и £* д л я в с е х с т а ц и о н а р н ы х с т р а т е г и й п р и в е д е н ы в сл е
д у ю щ е й т а б л и ц е . (О тм ет и м , ч т о х о т я к а ж д а я и з с т р а т е г и й 1, 3, 4 и 6 и м е е т п огл о
щ а ю щ е е с о с т о я н и е (с о с т о я н и е 3), эт о н и к о и м о б р а зо м не в л и я ет н а р езу л ь та т ы вы
ч и с л е н и й . П о эт о й п р и ч и н е = лг = 0 и пъ = 1 д л я в с е х эт и х с т р а т е г и й .)
5 Е®
я? *2 *3
1 0 0 1 -1 ,0
2 6/59 31/59 22/59 2,256
3 0 0 1 0,4
4 0 0 1 -1 .0
5 5/154 69/154 80/154 1,724
6 0 0 1 -1 ,0
7 5/137 62/137 70/137 1,734
8 12/135 69/135 54/135 2,216
И з э т о й т а б л и ц ы в и д н о , ч то ст р а т ег и я 2 д а е т н а и б о л ь ш и й о ж и д а е м ы й г о д о в о й д о
х о д . С л ед о в а т ел ь н о , о п т и м а л ь н а я д о л г о с р о ч н а я ст р а т ег и я т р е б у е т п р и м ен ен и я
у д о б р е н и й н е з а в и с и м о от с о с т о я н и я си с т е м ы .
У П Р А Ж Н Е Н И Я 19.3.1
1. Р е ш и т е з а д а ч у и з у п р а ж н е н и я 1 9 .2 .1 м ет о д о м п о л н о г о п е р е б о р а п р и б е с к о
н еч н о м ч и с л е эт ап о в .
2 . Р е ш и т е з а д а ч у и з у п р а ж н е н и я 1 9 .2 .2 п р и б е с к о н е ч н о м г о р и зо н т е п л а н и р о в а
н и я м ет о д о м п о л н о г о п е р е б о р а .
3 . Р е ш и т е з а д а ч у и з у п р а ж н е н и я 1 9 .2 .3 м ет о д о м п о л н о г о п ер е б о р а , п р е д п о л а
га я , ч т о г о р и зо н т п л а н и р о в а н и я б е с к о н е ч е н .
19.3.2. Метод итераций по стратегиям без дисконтирования

Ч т о б ы о ц е н и т ь т р у д н о с т и , св я за н н ы е с п р и м е н е н и е м м е т о д а п о л н о г о п ер еб о р а ,
п р е д п о л о ж и м , ч т о у с а д о в н и к а в м е с т о д в у х и м е е т с я ч ет ы р е ст р а т е г и и п о в е д е н и я
(а л ь т ер н а т и в ы ): н е у д о б р я т ь , у д о б р я т ь о д и н р а з в с е зо н , у д о б р я т ь д в а ж д ы и у д о б
р я ть т р и ж д ы в с е з о н . В эт о м с л у ч а е о б щ е е ч и с л о ст р а т е г и й , и м е ю щ и х с я в р а сп о р я
ж е н и и с а д о в н и к а , со с т а в л я е т 4* = 2 5 6 с т а ц и о н а р н ы х с т р а т ег и й . Т а к и м о б р а зо м ,
п р и у в е л и ч е н и и ч и с л а а л ь т ер н а т и в с 2 д о 4 ч и с л о с т а ц и о н а р н ы х с т р а т е г и й в о зр а с
т а е т п о э к с п о н е н т е с 8 д о 2 5 6 . Т р у д н о н е т о л ь к о п е р еч и сл и т ь в я в н о м в и д е в се эт и
с т р а т е г и и , н о и м о ж е т о к а за т ь с я т а к ж е н е д о п у с т и м о б о л ь ш и м о б ъ ем в ы ч и сл ен и й ,
т р е б у е м ы х д л я о ц е н к и в сего м н о ж е с т в а с т р а т е г и й .
М етод и т е р а ц и й п о с т р а т е г и я м о сн о в ы в а ет ся н а с л е д у ю щ е м . К а к п о к а з а н о
в р а зд ел е 1 9 .2 , д л я л ю б о й к о н к р е т н о й с т р а т ег и и о ж и д а е м ы й с у м м а р н ы й д о х о д з а
я -й эт а п о п р е д е л я е т с я р ек у р р е н т н ы м у р а в н ен и е м
Л (0=v,+£/>„/„. (А ' = 2.... і т -

J=I
Это у р а в н е н и е и с л у ж и т о с н о в о й м е т о д а и т е р а ц и й п о ст р а т е г и я м . О д н а к о , чтобы
сдел ать в о з м о ж н ы м и з у ч е н и е а с и м п т о т и ч е с к о г о п о в е д е н и я п р о ц е с са , в и д у р а в н е
ни я н у ж н о н е м н о г о и зм е н и т ь . В о т л и ч и е о т в е л и ч и н ы га, к о т о р а я ф и г у р и р у е т
в у р а в н ен и и и со о т в е т с т в у е т re-м у э т а п у , о б о зн а ч и м ч е р е з ij ч и с л о о с т а в ш и х с я д л я
а н а л и за эт а п о в . Т о гд а р е к у р р е н т н о е у р а в н е н и е за п и с ы в а е т с я в в и д е
Л (0 = + Ёл/Л-1(А ' = !>2> •••>т -

У=1
З д есь f n — су м м а р н ы й о ж и д а е м ы й д о х о д п р и у с л о в и и , ч т о о ст а л и сь н е р а с см о т р е н
ны м и т] эт а п о в . П р и т а к о м о п р е д е л е н и и т] м о ж н о и зу ч и т ь а с и м п т о т и ч е с к о е п о в е д е
н и е п р о ц есса , п о л а г а я п р и э т о м , ч т о т) —> оо.
О бозн ач и м ч е р е з я = (тс1,7с2,...,тст ) в ек то р у с т а н о в и в ш и х с я в е р о я т н о ст е й с о с т о я
н и й с м а т р и ц е й п е р е х о д н ы х в е р о я т н о ст е й Р = |р у| и п у ст ь Е = тг,V, + 7t2v2 +... + Kmvm —

о ж и д а е м ы й д о х о д з а э т а п , в ы ч и с л е н н ы й п о с х е м е р а зд е л а 1 9 .3 .1 , т о г д а м о ж н о п о
к азать , ч т о п р и д о с т а т о ч н о б о л ь ш о м т]
Л ( ' ) =ті£ + / ( ' ) ’
где № — п о с т о я н н ы й ч л е н , о п и с ы в а ю щ и й а с и м п т о т и ч е с к о е п о в е д е н и е ф у н к ц и и
f ^ i ) п р и за д а н н о м с о с т о я н и и і.
Т ак к а к / , ( і ) п р е д с т а в л я е т с у м м а р н ы й о п т и м а л ь н ы й д о х о д з а т] эт а п о в п р и з а
д а н н о м с о с т о я н и и і, а Е — о ж и д а е м ы й д о х о д з а о д и н э т а п , т о и н т у и т и в н о п о н я т
н о , п о ч е м у в е л и ч и н а f n(i) р а в н а с у м м е r/Е и п о п р а в о ч н о г о ч и с л а f ( i) , у ч и т ы в а ю
щ его о п р е д е л е н н о е с о с т о я н и е і. П р и э т о м , к о н е ч н о , п р е д п о л а г а е т с я , ч т о ч и с л о ij
достаточн о в ел и к о.
Т еп ер ь р ек у р р е н т н о е у р а в н е н и е м о ж н о за п и с а т ь в с л е д у ю щ е м в и д е
цЕ + / ( / ) = V; + j r {(л - 1 )£ + /( У )} , i = 1, 2,..., т.
j =I
У п р ости в э т о у р а в н е н и е , п о л у ч а е м
£ + /( ') - X V U ) = ' = !> 2>•••>

м
т .е . и м еем т у р а в н е н и й с т + 1 н е и зв е ст н ы м и /( 1 ) , f ( 2 ) , . . . , f ( m ) и Е .
З д е с ь , к а к и в р а зд е л е 1 9 .3 .1 , к о н е ч н о й ц ел ь ю я в л я е т с я о п р е д е л е н и е о п т и м а л ь
н о й с т р а т ег и и , п р и в о д я щ е й к м а к си м а л ь н о м у зн а ч е н и ю Е . Т ак к а к и м е е т с я т
у р а в н ен и й с т + 1 н еи зв е с т н ы м и , о п т и м а л ь н о е зн а ч е н и е Е н е л ь зя о п р ед е л и т ь з а
о д и н ш а г . В с в я зи с эт и м и с п о л ь зу е т с я и т ер а т и в н а я п р о ц е д у р а , н а ч и н а ю щ а я ся
с п р о и зв о л ь н о й с т р а т ег и и , а за т е м о п р е д е л я е т с я н о в а я с т р а т е г и я , д а ю щ а я л у ч ш е е
зн а ч ен и е Е . И т ер а т и в н ы й п р о ц е с с за к а н ч и в а ет с я , е с л и д в е п о сл ед о в а т ел ь н о п о л у
ч а ем ы е с т р а т ег и и со в п а д а ю т .
И т ер а т и в н ы й п р о ц есс с о с т о и т и з д в у х о сн о в н ы х ш а го в .
1. Ш а г о ц е н к и п а р а м е т р о в . В ы б и р а ем п р о и зв о л ь н у ю ст р а т е г и ю s. И сп о л ь зу я
со о т в е т с т в у ю щ и е е й м а т р и ц ы Р ' и И ' и п о л а г а я (п р о и зв о л ь н о ) f ( m ) = 0 , р еш а
е м у р а в н ен и я
£ * + / * (О - І / » ; / * с /Ь '? .
i =і
относительно неи звестн ы х Е \ f ( l ) , ..., f ( m - 1). П ер ех о д и м к сл е д у ю щ е м у ш агу.
2. Ш а г у л у ч ш е н и я с т р а т е г и и . Д л я к а ж д о г о с о с т о я н и я і о п р е д е л я е м а л ь т ер н а
т и в у k , о б есп еч и в а ю щ у ю
maxjv* + £ / 7 * / s ( ; ) j , і = 1,2,..., т.
(З д е с ь и сп о л ь зу ю т с я зн а ч е н и я f ( j ) , j = 1, 2 , . . . , т , о п р е д е л е н н ы е н а ш аге
о ц е н к и п а р а м ет р о в .) Р е з у л ь т и р у ю щ и е о п т и м а л ь н ы е р е ш е н и я д л я со с т о я н и й
1, 2 , . . . , т ф о р м и р у ю т н о в у ю с т р а т е г и ю t. Е сл и s и ( и д е н т и ч н ы , т о а л го р и тм
за к а н ч и в а ет ся ; в эт о м с л у ч а е t — о п т и м а л ь н а я с т р а т е г и я . В п р о т и в н о м с л у
ч а е п о л а г а ем s = t и в о зв р а щ а е м с я к ш а г у о ц е н к и п а р а м ет р о в .
О п ти м и зац и он н ая за д а ч а на ш аге у л у ч ш ен и я стр а теги и н у ж д а е т с я в п о я с

н ен и и . Ц ел ь ю этого ш ага я в л я ет ся п о л у ч ен и е м ак си м ал ь н ого зн а ч ен и я Е . К ак
п о к а за н о вы ш е,
Е = v; + X P „ f U ) - / ( ') •
у-1
П о с к о л ь к у f(i) н е за в и с и т о т а л ь т ер н а т и в k , за д а ч а м а к с и м и за ц и и н а ш а г е у л у ч ш е
н и я с т р а т е г и и эк в и в а л ен т н а м а к с и м и за ц и и Е п о а л ь т ер н а т и в а м k.
Пример 19.3.2
Р е ш и м з а д а ч у с а д о в н и к а м ет о д о м и т е р а ц и й п о ст р а т ег и я м .
Н а ч н ем с п р о и зв о л ь н о й с т р а т е г и и , и с к л ю ч а ю щ е й п р и м е н е н и е у д о б р е н и й . И м еем
со о т в е т с т в у ю щ и е м атр и ц ы
0,2 0,5 0,3' 'l 6 3'

р= 0 0,5 0,5 , R = 0 5 1
0 1 ,
о - і
У р а в н е н и я ш а г а о ц е н к и п а р а м ет р о в п р и н и м а ю т в и д
£ + / ( 1 ) - 0 ,2 / ( 1 ) - 0 ,5 / ( 2 ) - 0 ,3 /( 3 ) = 5,3,
£ + / ( 2) ~ 0 ,5 /(2 ) - 0 ,5 /( 3 ) = 3,
£ + / ( 3) - / ( 3) = - 1 .
П о л а г а я f i b ) = 0, п о л у ч а е м р е ш е н и е э т и х у р а в н е н и й
Е = —1, / ( 1 ) = 12,88, / ( 2) = 8, / ( 3) = 0.
П е р е й д е м к ш а гу у л у ч ш е н и я с т р а т е г и и . Р езу л ь т а т ы со о т в е т ст в у ю щ и х в ы ч и с л е н и й
п р и в ед ен ы в с л е д у ю щ е й т а б л и ц е .
Ч * + ^ /(1 ) + Л*/(2) + а ‘ /(3 )
решение
1 /с= 1 к=2 т к
1 5,3 + 0,2 х 12,88 + 0,5 х 8 + 0,3 х 0 = 11,875 4,7 + 0,3 х 12,88 + 0,6 х 8 + 0,1 х 0 = 13,36 13,36 2
2 3 + 0 х 12,88 + 0,5 х 8 + 0,5 х 0 = 7 3,1 + 0,1 х 12,88 + 0,6 х 8 + 0,3 х 0 = 9,19 9,19 2
3 -1 + 0 x 1 2 ,8 8 + 0 x 8 + 1 х 0 = -1 0,4 + 0,05 х 12,88 + 0,4 х 8 + 0,55 х 0 = 4,24 4,24 2
Н о в ая ст р а т ег и я п р е д у с м а т р и в а е т п р и м е н е н и е у д о б р е н и й н е з а в и с и м о о т с о с т о я н и я
п оч в ы . Т ак к а к н о в а я ст р а т е г и я о т л и ч а е т с я о т п р е д ы д у щ е й , п о в т о р я ет ся ш а г о ц е н
ки п а р а м ет р о в . Н о в о й с т р а т е г и и со о т в е т с т в у ю т м а т р и ц ы
'0 ,3 0,6 0,1 ' '6 5 -Г

Р = 0,1 0,6 0,3 , R = 7 4 0
KJ\
0,4 0,55, 3 -2,

О
,6
о
Эти м а т р и ц ы о п р е д е л я ю т с л е д у ю щ и е у р а в н е н и я :
£ + / ( 1 ) - 0 ,3 /( 1 ) - 0 ,6 /( 2 ) - 0 ,1 /( 3 ) = 4,7,
Е + / ( 2 ) - 0 , 1 / ( 1 ) - 0 , 6 / ( 2 ) - 0 , 3 / ( 3 ) = 3,1,
£ + / ( 3 ) - 0 ,0 5 /( 1 ) - 0 ,4 /( 2 ) - 0 ,5 5 /( 3 ) = 0,4.
С нова п о л а г а я /£ 3 ) = 0, п о л у ч а е м р еш ен и е
£ = 2,26, /( 1 ) = 6,75, / ( 2 ) = 3,80, /( 3 ) = 0.
Р е зу л ь т а т ы в ы ч и с л е н и й н а ш а г е у л у ч ш е н и я с т р а т е г и и п р и в е д е н ы в с л е д у ю щ е й
т а б л и ц е.
^ + Л * . / ( 0 + Л * 2 /( 2 ) + Л з/ ( 3 )
решение
/ к =1 к =2 т к
1 5,3 + 0,2 х 6,75 + 0,5 х 3,80 + 0,3 х 0 = 8,55 4,7 + 0,3 х 6,75 + 0,6 х 3,80 + 0,1 х 0 = 9,01 9,01 2
2 3 + 0 х 6,75 + 0,5 х 3,80 + 0,5 х 0 = 4,90 3,1 + 0,1 х 6,75 + 0,6 х 3,80 + 0,3 х 0 = 6,06 6,06 2
3 —1 + 0 х 6,75 + 0 х 3,80 + 1 х 0 = —1 0,4 + 0,05 х 6,75 + 0,4 х 3,80 + 0,55 х 0 = 2,26 2,26 2
Н о в а я ст р а т е г и я , т р е б у ю щ а я п р и м е н ен и я у д о б р е н и й н е за в и с и м о о т с о с т о я н и я с и с
т е м ы , и д е н т и ч н а п р е д ы д у щ е й , п о э т о м у п о с л е д н я я ст р а т е г и я о п т и м а л ь н а и и т е р а
ти в н ы й п р о ц есс з а к а н ч и в а е т с я . Е с т е ст в е н н о , ч т о э т о т р е зу л ь т а т с о в п а д а ет с р е зу л ь
т а т о м , п о л у ч ен н ы м м ет о д о м п о л н о го п е р е б о р а (п о д р а з д е л 19.3.1). О д н а к о с л е д у е т
о т м ет и т ь , ч т о м е т о д и т е р а ц и й п о ст р а т е г и я м д о с т а т о ч н о б ы ст р о с х о д и т с я к о п т и
м а л ь н о м у р е ш е н и ю , ч то я в л я е т с я его х а р а к т е р н о й о со б е н н о с т ь ю .
1. П у ст ь в за д а ч е у п р а ж н е н и я 1 9 .2 .1 г о р и зо н т п л а н и р о в а н и я б е с к о н е ч е н . Р е
ш и т е э т у з а д а ч у м ет о д о м и т е р а ц и й п о ст р а т ег и я м .
2 . Р е ш и т е з а д а ч у у п р а ж н е н и я 1 9 .2 .2 м ет о д о м и т е р а ц и й п о с т р а т е г и я м , п р е д п о
л а г а я , ч то г о р и зо н т п л а н и р о в а н и я б е ск о н е ч е н .
3 . Р е ш и т е з а д а ч у у п р а ж н е н и я 1 9 .2 .3 м ет о д о м и т е р а ц и й п о с т р а т е г и я м , п р е д п о
л а г а я , ч то г о р и зо н т п л а н и р о в а н и я б е ск о н е ч е н .
19.3.3. Метод итераций по стратегиям с дисконтированием

О п и сан н ы й м ет о д и т е р а ц и й п о с т р а т е г и я м м о ж н о о б о б щ и т ь н а с л у ч а й д и с к о н
т и р о в а н и я . Е сл и о б о зн а ч и т ь ч е р е з а (< 1) к о э ф ф и ц и е н т д и с к о н т и р о в а н и я
(п е р е о ц е н к и ), т о р ек у р р е н т н о е у р а в н е н и е п р и к о н еч н о м ч и с л е эт а п о в м о ж н о за п и
сать в с л е д у ю щ е м в и д е (с м . р а зд е л 1 9 .2 )
(О т м ет и м , ч то 7] р ав н о ч и с л у эт а п о в , к о т о р ы е н е о б х о д и м о р а с с м о т р е т ь .) М о ж н о п о
к а за т ь , ЧТО п р и Г) -> оо (м о д е л ь С б е ск о н еч н ы м ЧИСЛОМ эт а п о в ) frjii) - f( i), г д е f(i) —
п р и в ед ен н ы й к т е к у щ е м у м о м е н т у в р ем ен и д и с к о н т и р о в а н н ы й д о х о д п р и у с л о в и и ,
ч т о с и с т е м а н а х о д и т с я в с о с т о я н и и і и ф у н к ц и о н и р у е т н а б е с к о н еч н о м и н т ер в а л е
в р е м е н и . Т ак и м о б р а зо м , д о л г о с р о ч н о е п о в е д е н и е f ^ i ) п р и т] -> оо н е за в и с и т о т з н а
ч е н и я т]. В эт о м со с т о и т о т л и ч и е о т с л у ч а я б е з д и с к о н т и р о в а н и я , к о гд а
f ^ i ) = т)Е + f(i). Э того с л е д о в а л о о ж и д а т ь , т а к к а к в с л у ч а е с д и с к о н т и р о в а н и е м
в л и я н и е б у д у щ и х д о х о д о в а с и м п т о т и ч е с к и у м е н ь ш а е т с я д о н у л я . Д ей с т в и т ел ь н о
п р и в е д е н н ы й д о х о д f(i) д о л ж е н с т р е м и т ь с я к п о с т о я н н о й в е л и ч и н е п р и 77 -> 00 .
С у ч ет о м в ы ш е и зл о ж е н н о г о в д а н н о м с л у ч а е п р и и с п о л ь зо в а н и и м ет о д а и т ер а
ц и й п о ст р а т ег и я м в ы п о л н я ю т ся с л е д у ю щ и е д е й с т в и я .
1. Ш а г о ц е н к и п а р а м е т р о в . Д л я п р о и зв о л ь н о й ст р а т е г и и s с м а т р и ц а м и Р ' и R '
р еш а ем с и с т е м у и з т у р а в н е н и й
о т н о си т ел ь н о т н е и з в е с т н ы х f ( 1 ), f ( 2 ) , . . . , f ( m ) .
2 . Ш а г у л у ч ш е н и я с т р а т е г и и . Д л я к а ж д о г о с о с т о я н и я і о п р е д е л я е м а л ь т ер н а
т и в у k , о б есп еч и в а ю щ у ю
г д е f ( J ) и м е ю т з н а ч е н и я , о п р е д е л е н н ы е н а ш а г е о ц е н к и п а р а м ет р о в . Е сл и п о
л у ч е н н а я с т р а т е г и я t со в п а д а е т со ст р а т ег и ей s, то а л го р и т м за к о н ч е н ; в этом
сл уч ае стр атегия t оп тим ал ьн а. В противном сл уч ае п олагаем s = t и повторя
ем ш а г о ц е н к и п а р а м ет р о в .
Пример 19.3.3
Р е ш и м з а д а ч у и з п р и м ер а 1 9 .3 .2 с у ч ет о м к о э ф ф и ц и е н т а д и с к о н т и р о в а н и я а = 0 ,6 .
В ы бер ем п р о и зв о л ь н у ю с т р а т е г и ю , н а п р и м е р s = {1, 1, 1}. М а т р и ц ы Р и R ( Р 1 и R 1

в п р и м ер е 19.3.1) о п р е д е л я ю т у р а в н е н и я
/ ( 1 ) - 0 , б [ 0 , 2 / ( 1 ) + 0 , 5 / ( 2 ) + 0 , 3 / ( 3 ) ] = 5,3,
/( 2 )- 0 ,б [ 0 , 5 / ( 2 ) + 0 , 5 / ( 3 ) ] = 3,
/( 3 )- 0 ,б [ + /(3 )] = -1 .
Р еш ен и е эт и х ур ав н ен и й дает
/ 1= 6 ,6 1 ,/2 = 3 ,2 1 ,/з = - 2 ,5 .
Р е зу л ь т а т ы в ы ч и сл ен и й и т е р а ц и и п о у л у ч ш е н и ю с т р а т ег и и п р и в ед ен ы в с л е д у ю
щ ей табли ц е.
V* + 0 ,6 [р * /(1 )+ / 4 / ( 2 ) + р * /(3 )] Оптимальное

решение
/ /с = 1 к=2 т к
1 5,3 + 0,6[0,2 х 6,61 + 0,5 х 3,21 + 0,3 х 4,7 + 0,6[0,3 х 6,61 + 0,6 х 3,21 + 0,1 х 6,90 2
х (-2,5)] = 6,61 х (-2,5)] = 6,90
2 3 + 0,6[0 х 6,61 + 0,5 х 3,21 + 0,5 х 3,1 + 0,6[0,1 х 6,61 + 0,6 х 3,21 + 0,3 х 4,2 2
х (-2,5)] = 3,21 х (-2,5)] = 4,2
3 -1 + 0,6[0 х 6,61 + 0 х 3,21 + 1 х 0,4 + 0,6[0,05 х 6,61 + 0,4 х 3,21 + 0,55 х 0,54 2
х (-2,5)] = -2 ,5 х (-2,5)] = 0,54
Ш аг о ц е н к и п а р а м ет р о в , в ы п о л н ен н ы й н а о с н о в е м а т р и ц Р 2 и R 2 (п р и м е р 1 9 .3 .1 ),
приводит к сл едую щ и м уравн ениям .
/ ( 1 ) - 0 , б [ 0 , 3 / ( 1 ) + 0 , 6 / ( 2 ) + 0 ,1 /( 3 ) ] = 4,7,
/ ( 2 ) - 0 , б [ 0 , 1 / ( 1 ) + 0 , 6 / ( 2 ) + 0 ,3 / ( 3 ) ] = 3,1,
/ ( 3 ) - 0, б [0 ,0 5 /( 1 ) + 0 , 4 / ( 2 ) + 0 ,5 5 /( 3 ) ] = 0,4.
Р еш ен и ем эт и х уравн ений будет

/ 1 = 8 , 8 9 , / 2 = 6 ,6 2 ,/з = 3,37.
Р е зу л ь т а т ы , п о л у ч ен н ы е н а ш а г е у л у ч ш е н и я с т р а т е г и и , п р и в ед ен ы в с л е д у ю щ е й
табли це.
v* + 0,6[р,*/(1) + р * ,/(2 ) + р,*/(3)] Оптимальное

решение
/ /с = 1 к=2 W к
1 5,3 + 0,6[0,2 х 8,89 + 0,5 х 6,62 + 0,3 х 4,7 + 0,6[0,3 х 8,89 + 0,6 х 6,62 + 0,1 х 8,96 1
х 3,37] = 8,96 х 3,37] = 8,89
2 3 + 0,6[0 х 8,89 + 0,5 х 6,62 + 0,5 х 3,1 + 0,6[0,1 х 8,89 + 0,6 х 6,62 + 0,3 х 6,62 2
х 3,37] = 6,00 х 3,37] = 6,62
3 -1 + 0,6[0 х 8,89 + 0 х 6,62 + 1 х 3,37] = 0,4 + 0,6[0,05 х 8,89 + 0,4 х 6,62 + 0,55 х 3,37 2
= 1,02 х 3,37] = 3,37
Т ак к а к н о в а я ст р а т ег и я {1, 2, 2} о т л и ч а е т ся о т п р е д ы д у щ е й , п о в то р я ем ш а г о ц е н к и
п а р а м ет р о в с и сп о л ь зо в а н и е м м а т р и ц Р 8 и R 8 (п р и м е р 19.3.1). П о л у ч а е м с л е д у ю щ и е
уравн ения.
/ ( О ~ 0 , б [ 0 , 2 / ( 1 ) + 0 , 5 / ( 2 ) + 0 , 3 / ( 3 ) ] = 5,3,
/ (2 ) - 0, б [ 0 ,1 /( 1 ) + 0 , 6 / ( 2 ) + 0 , 3 / ( 3 ) ] = 3,1,
/ ( 3 ) - 0 , б [ 0 , 0 5 / ( 1 ) + 0 , 4 / ( 2 ) + 0 , 5 5 / ( 3 ) ] = 0,4.
Р еш ением эти х уравн ений будет

/ 1= 8,97,/2= 6,63,/3= 3,38.
Р е зу л ь т а т ы , п о л у ч ен н ы е н а ш а г е у л у ч ш е н и я с т р а т е г и и , п р и в е д е н ы в с л ед у ю щ ей
т а б л и ц е.
v‘ + 0 ,6[ p jk ( \ ) + /4 /( 2 ) + /4 /( 3 ) ] Оптимальное
решение
к= 1 к=2 т к
1 5,3 + 0,6[0,2 х 8,97 + 0,5 х 6,63 + 0,3 х 4,7 + 0,6[0,3 х 8,97 + 0,6 х 6,63 + 0,1 х 8,97 1
х 3,38] = 8,97 х 3,38] = 8,90
2 3 + 0,6[0 х 8,97 + 0,5 х 6,63 + 0,5 х 3,1 + 0,6[0,1 х 8,97 + 0,6 х 6,63 + 0,3 х 6,63 2
х 3,38] = 6,00 х 3,38] = 6,63
3 -1 + 0,6[0 х 8,97 + 0 х 6,63 +1 х 3,38] = 1,03 0,4 + 0,6[0,05 х 8,97 + 0,4 х 6,63 + 0,55 х 3,37 2
х 3,38] = 3,37
Т ак к а к нов ая ст р а т ег и я {1, 2, 2} и д е н т и ч н а п р е д ы д у щ е й , т о о н а о п т и м а л ь н а . З а м е
т и м , ч т о п р и д и с к о н т и р о в а н и и о п т и м а л ь н а я с т р а т е г и я и с к л ю ч а е т п р и м ен ен и е
у д о б р е н и й п р и х о р о ш е м с о с т о я н и и си с т е м ы (с о с т о я н и е 1).
УП Р А Ж Н Е Н И Е 19.3.3
1. Р е ш и т е у к а за н н ы е н и ж е з а д а ч и , п р и н я в к о э ф ф и ц и е н т д и с к о н т и р о в а н и я
р авн ы м а = 0 ,9 .
a ) З а д а ч а у п р а ж н е н и я 1 9 .3 .2 .1 .
b) З а д а ч а у п р а ж н е н и я 1 9 .3 .2 .2 .
c) З а д а ч а у п р а ж н е н и я 1 9 .3 .2 .3 .
19.4. ПРИМЕНЕНИЕ МЕТОДОВ ЛИНЕЙНОГО

М а р к о в ск у ю з а д а ч у п р и н я т и я р е ш е н и й п р и б е с к о н е ч н о м ч и с л е эта п о в как
с д и с к о н т и р о в а н и е м , т а к и б е з н ег о м о ж н о сф о р м у л и р о в а т ь и р е ш и т ь к а к за д а ч у
л и н ей н ого п рогр ам м и р ован и я. Р ассм отри м сначала сл уч ай без ди ск он ти р ован и я.
В п о д р а зд е л е 1 9 .3 .1 б ы л о п о к а за н о , ч т о м а р к о в ск а я за д а ч а б е з д и с к о н т и р о в а
н и я п р и б е с к о н е ч н о м ч и с л е эт а п о в св о д и т ся к п о и с к у о п т и м а л ь н о й ст р а т ег и и s , со
о т в ет ст в у ю щ ей
maxi 1я’Р’ = я1, я* + Jtj+ . . . + = 1, л’ > 0, i = l, 2,.

где S — м н о ж е с т в о в сех в о з м о ж н ы х с т р а т е г и й . З д е с ь тс’, /' = 1,2,,..,т, п р ед с т а в л я ю т

у ст а н о в и в ш и еся в е р о я т н о с т и м а р к о в с к о й ц е п и Р \ П о д о б н а я з а д а ч а б ы л а р е ш е н а
в п о д р а зд ел е 1 9 .3 .1 п ол н ы м п е р еб о р о м в с е х ст р а т е г и й s.
П р и в ед ен н а я за д а ч а с л у ж и т о сн о в о й д л я ф о р м у л и р о в к и м а р к о в с к о й за д а ч и
принятия реш ений в ви де задач и л и н ей н ого програм м ирован ия. О дн ако н ео б х о д и
мо п р ео б р а зо в а ть п ер ем е н н ы е з а д а ч и т а к и м о б р а зо м , ч т о б ы о п т и м а л ь н о е р еш ен и е
а в т о м а т и ч е с к и о п р е д е л я л о о п т и м а л ь н о е д е й с т в и е (а л ь т ер н а т и в у ) k , к о г д а с и ст ем а
н а х о д и т ся в со с т о я н и и і. С о в о к у п н о сть в с е х о п т и м а л ь н ы х д е й с т в и й о п р е д е л я е т о п
ти м а л ь н у ю ст р а т ег и ю s*.
Это р е а л и зу е т с я с л е д у ю щ и м о б р а зо м . В в е д е м о б о зн а ч е н и е : gf — у с л о в н а я в е р о
ятность в ы бор а ал ь т ер н а т и в ы k, к о г д а с и с т е м а н а х о д и т с я в с о с т о я н и и і. Т о гд а з а д а
ч у м о ж н о п р ед ст а в и т ь в с л е д у ю щ е м в и д е .1
при о г р а н и ч е н и я х
т
У = 1,2,..., W,
Tt1 + I t 2 + . . . + T t „ = l ,
q)+q] + ... + qf = 1, і = 1,2,..., m,

Tct > 0, qf > 0 для всех /' и к .
З а м е т и м , ч т о в ер о я т н о ст и p tj я в л я ю т с я ф у н к ц и я м и в ы б р а н н о й с т р а т е г и и и , с л е д о
ва тел ьн о, к о н к р ет н ы х а л ь т ер н а т и в k эт о й с т р а т ег и и .
Н и ж е б у д е т п о к а з а н о , ч т о э т у з а д а ч у м о ж н о п р е о б р а зо в ать в з а д а ч у л и н е й н о г о
п р о гр а м м и р о в а н и я п у т ем с о о т в е т с т в у ю щ и х п о д ст а н о в о к , в к л ю ч а ю щ и х qk, . Н о с л е
д у ет о т м ет и т ь , ч т о п р и в е д е н н а я в ы ш е ф о р м у л и р о в к а эк в и в а л е н т н а и с х о д н о й ф о р
м у л и р ов к е за д а ч и и з р а зд е л а 1 9 .3 .1 т о л ь к о п р и у с л о в и и , ч т о q* = 1 д л я о д н о г о k пр и
к а ж д о м /, т ак к а к т о л ь к о п р и эт о м с у м м а б у д е т св е д ен а к vf , где k* — в ы
б р ан н ая о п т и м а л ь н а я а л ь т е р н а т и в а . П р е д л а г а е м а я зд е с ь л и н е й н а я з а д а ч а у ч и т ы
вает эт о у с л о в и е а в т о м а т и ч е с к и .
О бозн ач и м wjlt = кд* для всех і и к. П о о п р е д е л е н и ю в е л и ч и н а wit п р е д с т а в л я е т с о
бой с о в м е с т н у ю в ер о я т н о ст ь п р еб ы в а н и я в с о с т о я н и и і и п р и н я т и я р е ш е н и я k. И з
теор и и в е р о я т н о ст ей и зв е с т н о , ч т о
К
С л едов ател ь н о,
П о этом у о ч ев и д н о , ч т о о г р а н и ч е н и е тс, = 1 м о ж н о за п и с а т ь в в и д е
/=| *=i
1Здесь и далее К — количество возможных альтернатив. — Прим. ред.

О г р а н и ч ен и е Z *-i^* = * т а к ж е а в т о м а т и ч еск и в ы т е к а е т и з с п о с о б а о п р е д е л е н и я qk,

ч е р е з wik. (П р ов ер ь те!) Т а к и м о б р а зо м , з а д а ч у м о ж н о за п и с а т ь в с л е д у ю щ е м в и д е.
т К
Максимизировать Е = I I v , 4
і=\ k=i
при огр ан и чен и ях
Z ~ Z Z p> j w* = J= 2’ •••’ m’
*■=1 1=1 *-=1
m К
w .= l,
i-l
wf ł > 0 , /' = 1,2,..., w; Jfc = l, 2, ...,A'.

С ф орм ул ированная задача представл яет собой за д а ч у л и н ей н о го програм м ирования
с п ерем ен н ы м и w,k . П о к а ж е м , что ее оптим альн ое р еш ен и е автом атически гарантиру
ет, что qkt = 1 д л я одн ого к пр и л ю бом і. З а м ет и м , что в задач е л и н ей н ого пр ограм м иро
ван ия и м еется т н езави си м ы х уравн ений (о д н о ур авн ение, соответствую щ ее я = я Р ,
и збы точно). С ледовательно, задача д о л ж н а вклю чать т бази сн ы х п ер ем ен н ы х. О днако
м о ж н о п о к а за ть , ч т о wlk д о л ж н о бы ть стр ого п о л о ж и т ел ь н ы м по м ен ь ш ей м ере при
о д н о м к д л я к а ж д о г о /. И з эт и х д в у х у т в е р ж д е н и й м о ж н о за к л ю ч и т ь , что в ел и ч и н а
м о ж е т п р и н и м а т ь т о л ь к о д в а зн а ч е н и я (0 и л и 1 ), ч т о и т р еб о в а л о сь д о к а за т ь .
(Ф а к т и ч е с к и п о л у ч ен н ы й в ы ш е р е зу л ь т а т п о к а зы в а е т т а к ж е , ч т о я, = Z * - ivv<* = *V >
г д е к * - а л ь т ер н а т и в а , с о о т в е т с т в у ю щ а я wit > 0 . )
Пример 19.4.1
Н и ж е п р и в е д е н а ф о р м у л и р о в к а за д а ч и с а д о в н и к а б е з д и с к о н т и р о в а н и я в в и д е з а
дач и л и н ей н ого програм м ирован ия.
М а к си м и зи р о в а т ь £ = 5,3w,, + 4,7w l2 + 3w21 + 3,lw22 - w 31 + 0 ,4 w 32
при огран и чен и ях
w,, +vv12-(0 ,2 W |, +0,3W |2 + 0,1 w22 + 0,05w 32) = 0,
w2| + w22 -(0 ,5 w ,, + 0 ,6 w ,2 + 0 ,5 w 2| + 0 , 6 w 22 + 0 , 4 w3, ) = 0,
w31 + w32 - ( 0 , 3 w n + 0 ,lw ,2 + 0 ,5 w 2, + 0,3w 22 + vv3, + 0,55w32) = 0,
w„ + wl2 + w21 + w22 + w31 + w32 = 1,
wlk £ 0 при любых / и к.
О п ти м ал ьн ы м р еш ен и ем я в л я ет ся wu = w21 = w31 = 0, w12 = 0 ,1 0 1 7 , w22 = 0 ,5 2 5 4

и w32= 0 ,3 7 2 9 . Это озн ач ает, что q] = q\ = q\ = 1 . Т аким об р а зо м , оп ти м ал ьн ая стратегия
т р еб у ет вы бора ал ьтер н ати вы 2 (к = 2 ) пр и / = 1, 2 и 3. О п ти м ал ь н ое зн а ч ен и е Е равно
4 ,7 x 0 ,1 0 1 7 + 3 ,1 x 0 ,5 2 5 4 + 0 ,4 x 0 ,3 7 2 9 = 2,256. И н тер есн о от м ети т ь , что п о л о ж и т ел ь -
ны е зн а ч ен и я wlk в т оч н о ст и равны зн а ч ен и я м тс,, со о т в ет ств у ю щ и м о п т и м а л ь н о й

ст р атеги и , оп р ед ел ен н о й с п о м о щ ь ю м ет о д а п ол н ого п ер еб о р а в п р и м ер е 19.3.1, что
д о к азы в ает н еп о ср ед ст в ен н у ю в за и м о св я зь м е ж д у д в у м я м ет о д а м и р еш ен и я .
Р а ссм о т р и м т еп ер ь м а р к о в с к у ю з а д а ч у п р и н я т и я р е ш е н и й с д и с к о н т и р о в а н и е м .
В п о д р а зд е л е 1 9 .3 .2 э т а з а д а ч а о п и с ы в а е т ся р ек у р р ен т н ы м у р а в н е н и е м
/ ( i ) = maxjvf + a ^ p j / ( y ) | , / = 1,2,...,т.
Это у р а в н е н и е э к в и в а л ен т н о с л е д у ю щ е м у :
т
/ ( / ) > a £ / ? * / ( y ' ) + v f, д л я в с е х /и * ,
У=I
п р и у с л о в и и , ч то п р и л ю б о м і ф у н к ц и я f(i) д о с т и г а е т м и н и м а л ь н о г о з н а ч е н и я . Р а с
с м о т р и м т еп ер ь ц е л е в у ю ф у н к ц и ю
т
минимизировать Z ^ . / ( ') ’
г. I
г д е Ь, (> 0 п р и в сех /) — п р о и зв о л ь н ы е к о н ст а н т ы . М о ж н о п о к а за т ь , ч т о о п т и м и за
ц и я э т о й ф у н к ц и и (п р и о г р а н и ч е н и я х в в и д е п р и в ед е н н ы х вы ш е н ер а в ен ст в ) д а ет ,
ч т о и т р е б у е т с я , м и н и м а л ь н о е зн а ч е н и е /( /) . Т а к и м о б р а зо м , з а д а ч у м о ж н о за п и са т ь
с л е д у ю щ и м о б р а зо м .
Минимизировать Z ^ / / ( 0
п р и о г р а н и ч ен и я х
/ ( / ) - a ^ /? * /( y ) > v f , при любых/ и к,

І*I
/( /') не ограничены по знаку, / = 1,2,...,т .
Д войственной к приведенной вы ш е задаче я в л яется задача

а К
максимизировать
п р и о г р а н и ч ен и я х
= Ь Р 7 = 1 ,2 ,
*■=1 /=1 *■=!
и^^О при i = l,2,...,т; к = \, 2 ,...,К.
Пример 19.4.2
Р а ссм о т р и м з а д а ч у с а д о в н и к а с к о э ф ф и ц и е н т о м д и ск о н т и р о в а н и я а = 0 ,6 . Е сл и п о
л о ж и т ь b 1 = b2 = b 3 = 1, т о д в о й с т в е н н у ю з а д а ч у л и н е й н о г о п р о гр а м м и р о в а н и я м о ж н о
за п и са т ь в с л е д у ю щ е м в и д е .
М аксимизировать 5,3w,, + 4,7w,2+ 3w21+ 3,lw22 - w,, + 0,4w,2
при ограничени ях
wi 1+ w12- 0 , 6 [ 0 , 2 wii + 0 ,3 w I2 + 0,1w 22 + 0 ,0 5 w 32] = 1,
w2l + w12 - 0 ,6 [0 ,5 w ,| + 0 ,6 w ,2 + 0,5w 2, + 0 ,6 w 22 + 0,4w 32] = 1,
w,, + w32 -0 ,6 [0 ,3 W |, + 0,lW|2 + 0,5w 2, + 0,3w22 + w31 + 0,55w 32] = 1,
wlk > 0 при любых і и к.
О птим альны м реш ен и ем б у д ет w12 = w21 = w31 = 0, wu = 1,5678, w22 = 3,3528 и w32 = 2,8145. И з
эт ого реш ен и я сл едует, что оптим альной стр атеги ей явл яется { 1 ,2 ,2 }.
1. С ф о р м у л и р у й т е у к а за н н ы е н и ж е за д а ч и в в и д е за д а ч л и н е й н о г о п р о г р а м м и
рования.
a ) З а д а ч а у п р а ж н е н и я 1 9 .3 .2 .1 .
b) З а д а ч а у п р а ж н е н и я 1 9 .3 .2 .2 .
c ) З а д а ч а у п р а ж н е н и я 1 9 .3 .2 .3 .
19.5. ПРИЛОЖЕНИЕ: ОБЗОР ТЕОРИИ ЦЕПЕЙ МАРКОВА

Р а ссм о т р и м д и с к р е т н ы е м о м ен т ы в р е м е н и { f j , k = 1, 2 , . . . , и п у ст ь 2; — сл у
ч а й н а я в е л и ч и н а , х а р а к т е р и зу ю щ а я с о с т о я н и е си с т е м ы в м о м е н т t k. С ем ей ств о
с л у ч а й н ы х в ел и ч и н {^,J о б р а зу е т с т о х а с т и ч е с к и й п р о ц е с с . С о ст о я н и я в м о м е н т
в р е м е н и t k, в к о т о р ы х м о ж е т н а х о д и т ь с я в э т о т м о м е н т си ст ем а , ф о р м и р у ю т п о л
н у ю и в з а и м н о и ск л ю ч а ю щ у ю г р у п п у с о б ы т и й . Ч и с л о с о с т о я н и й си с т е м ы м о ж е т
бы ть к о н еч н ы м и л и б е с к о н е ч н ы м . Т а к , н а п р и м е р , р а с п р е д е л е н и е П у а с с о н а
, . e-h ( \ t Y
P„(t) = ----- K
— L , п = 0,1,2,...
ń
п р е д с т а в л я е т с т о х а с т и ч е с к и й п р о ц ес с с б е ск о н е ч н ы м ч и сл о м с о с т о я н и й . З д е с ь с л у
ч а й н а я в ел и ч и н а п со о т в е т с т в у е т ч и с л у н а б л ю д а ем ы х со б ы т и й в и н т ер в а л е о т 0 д о t
(н а ч а л ь н ы м м о м ен т о м с ч и т а е т с я 0 ). Т а к и м о б р а зо м , с о с т о я н и я си ст е м ы в л ю б о й
м о м е н т t за д а ю т с я сл у ч а й н о й в е л и ч и н о й п = 0 , 1 , 2 , ...
Е щ е о д н и м п р и м ер ом м о ж е т с л у ж и т ь и гр а с k п о д бр а сы в а н и я м и м он еты . К а ж д о е
и сп ы т а н и е (п од бр асы в ан и е м он еты ) м о ж н о р ассм атр и вать к а к н ек о т о р ы й м о м ен т
в р ем ен и . П о л у ч ен н а я п о сл едовател ьн ость и сп ы т а н и й о б р а зу е т сл у ч а й н ы й п р о ц есс.
С о стоя н и ем си ст ем ы при л ю бом и сп ы т а н и и я в л я ет ся л и б о “ гер б ” , л и б о “ р еш к а ” .
В д ан н ом р а зд ел е п р и в одятся св еден и я о так и х сл учай н ы х п р о ц ессах, как
м а р к о в ск и е п р о ц ессы и м а р к о в ск и е ц е п и . Ц еп ь М ар к ова я в л я ет ся частны м
сл уч аем м ар к ов ск и х п р оц ессов . Ц еп и М аркова и сп ол ь зую тся при и зу ч ен и и к р ат
к оср оч н ого и дол госр оч н ого п ов еден и я ст ох асти ч еск и х систем с дискретны м
м н ож еством состоян и й .
19.5.1. Марковские процессы

М а р к о в ск и й п р о ц есс о п и сы в а ет п о в е д е н и е с т о х а с т и ч е с к о й си ст ем ы , в к о т о р о й
н а с т у п л е н и е о ч е р е д н о г о с о с т о я н и я за в и с и т т о л ь к о о т н еп о с р е д ст в е н н о п р е д ш е с т
вую щ его с о с т о я н и я с и с т е м ы . Е сл и < „ < < ,< . . . < f n (я = 0 , 1 , 2 , . . . ) — м о м ен т ы в р е м е

ни, т о сем е й с т в о сл у ч а й н ы х в ел и ч и н {с,,_} б у д е т п р о ц е с с о м М а р к о в а т о г д а и т о л ь к о
тогда, к о г д а о н о о б л а д а е т м а р к о в с к и м св о й с т в о м
= х. I ą,.., = ą, = *„} = | ą,.., =

д л я в сех в о з м о ж н ы х з н а ч е н и й с л у ч а й н ы х в е л и ч и н 4, 4, •
В ер о я т н о ст ь р к , = p ją , = хп I = хя_, j н а зы в а е т с я п е р е х о д н о й . О н а п р е д с т а в л я
е т со б о й у с л о в н у ю в ер о я т н о с т ь т о го , ч т о с и с т е м а б у д е т н а х о д и т ь с я в с о с т о я н и и х п
в м ом ен т t n, е с л и в м о м е н т f n_j о н а н а х о д и л а сь в с о с т о я н и и х п_г Э ту в ер о я т н о сть
назы в аю т т а к ж е о д н о ш а г о в о й п е р е х о д н о й , п о с к о л ь к у о н а о п и с ы в а е т и зм е н е н и е с о
ст о я н и я си ст ем ы м е ж д у п о сл е д о в а т е л ь н ы м и м о м е н т а м и в р е м е н и и t n. А н а л о
г и ч н о m -ш а г о в а я п е р е х о д н а я в ер о я т н о ст ь о п р е д е л я е т с я ф о р м у л о й
19.5.2. Цепи Маркова

П усть £ , , Е 2, . .., £ . (у = 0 , 1, 2 , . ..) — п о л н а я и в з а и м н о и с к л ю ч а ю щ а я гр у п п а с о
с т о я н и й н е к о т о р о й си ст ем ы в л ю б о й м о м е н т в р е м е н и . В и с х о д н ы й м о м ен т <0 с и с т е
м а м о ж е т н а х о д и т ь с я в о д н о м и з эт и х с о с т о я н и й . П у ст ь я*0) (у = 0,1,2,...) — в е р о я т
ность т о г о , ч т о в м о м е н т <0 с и с т е м а н а х о д и т с я в с о с т о я н и и £ .. П р е д п о л о ж и м т а к ж е ,
что р а ссм а т р и в а ем а я с и с т е м а я в л я ет ся м а р к о в с к о й .
О п р ед ел и м p t = я{с,,_ = у I ą( = /} к а к о д н о ш а г о в у ю в е р о я т н о ст ь п е р е х о д а си ст е м ы
и з со с т о я н и я і в м о м ен т в р е м е н и <п_, в с о с т о я н и е j в м о м е н т t n и д о п у с т и м , ч т о эт и
в е р о я т н о ст и п о ст о я н н ы во в р е м е н и . У д о б н е е п р ед ст а в и т ь в е р о я т н о ст и п е р е х о д а и з
со с т о я н и я Е : в с о с т о я н и е Е . в м а т р и ч н о м в и д е
\
>00 Pm P oi Р оу
Р \0 Pu Pn Pu
р = Рій Рг\ Pu Ргъ
Pm P m Ръг Pn
М а т р и ц а Р н а зы в а ет ся о д н о р о д н о й м а т р и ц е й п е р е х о д о в (п е р е х о д н ы х в ер о я т н о
с т е й ), п о с к о л ь к у все п е р е х о д н ы е в ер о я т н о сти p tj ф и к с и р о в а н ы и н е за в и с я т от вре
м ен и . В е р о я т н о с т и р ц д о л ж н ы у д о в л ет в о р я т ь у сл о в и я м
^ P ij = 1 для всех і,
і
p :J > 0 для всех і и j .
М атр и ц а п ер ех о д н ы х в ер о я тн о стей Р со в м ест н о с и с х о д н ы м и вер оя тн остя м и с о

ст о я н и й п ол н остью о п р ед ел я е т ц еп ь М а р к о в а (и л и м а р к о в с к у ю ц еп ь ). О бы чно сч и т а
ется, что ц еп ь М арк ов а оп и сы в а ет п ер ех о д н ы й р еж и м н ек о т о р о й си стем ы на о д и н а
к ов ы х и н т ер в ал ах в р ем ен и . О днако и н огда и н тер вал ы в р ем ен и м е ж д у п ер ех о д а м и
зав и ся т о т ха р а к т ер и ст и к си стем ы и , сл ед ов ател ьн о, м огут бы ть нео ди н ак овы м и .
А б со л ю тн ы е и п ер ех о д н ы е вер оя тн ости . П ри задан н ы х вер оятн остях состоян и й

|a*°’J и м а т р и ц е п е р е х о д н ы х в ер о я т н о с т е й Р а б с о л ю т н ы е в е р о я т н о с т и с о с т о я н и й
с и с т ем ы п о сл е о п р е д е л е н н о г о ч и с л а п е р е х о д о в о п р е д е л я ю т с я с л е д у ю щ и м о б р а зо м .
П у ст ь {я*"1} — а б со л ю т н ы е в ер о я т н о ст и с о с т о я н и й си ст е м ы п о с л е я п е р е х о д о в , т .е .
в м о м ен т t n. В ел и ч и н ы |a*"’J м о ж н о в ы р а зи ть в о б щ ем в и д е ч е р е з {я*°’| и Р п о с р е д
ст в ом с л е д у ю щ е г о со о т н о ш е н и я :
(і) (о) (о) , (о) V і (°)
а ) = а \ ' р ч + а \ p 2J + а \ р у + . . . = ^ рг
С л ед ов ател ь н о,
«Г' І Л
' 4
, - i f 1 .4 " P .V , - Х « Р ( ї й , / - , ) - І Л
' N ?
і • \ к J к \ І ) к
г д е p \ f = ^Рі,,Р„ — д в у х ш а г о в а я в е р о я т н о с т ь , и л и п е р е х о д н а я в е р о я т н о с т ь в т о р о
г о п о р я д к а , т .е . в ер о я т н о сть п е р е х о д а и з с о с т о я н и я k в с о с т о я н и е j в т о ч н о ст и з а д в а
ш ага.
П о д о б н ы м о б р а зо м п о и н д у к ц и и м о ж н о п о к а за т ь , что
где р ^ — я -ш а го в а я п е р е х о д н а я в ер о я т н о ст ь (и л и п е р е х о д н а я в ер о я т н о ст ь я -го
п о р я д к а ), о п р е д е л я е м а я р е к у р р е н т н о й ф о р м у л о й
В о б щ ем в и де д л я п р о и зв о л ь н ы х і и у и м е е м
(и ) (п-т) (от) л
р\ = L p * р» * о <»><»■
к
Э ти у р а в н е н и я и зв ест н ы как у р а в н е н и я К о л м о г о р о в а -Ч е п м е н а .
Э л ем ен т ы м а т р и ц п е р е х о д о в в ы с ш и х п о р я д к о в ||р*”’| м о ж н о п о л у ч и т ь н е п о с р е д
с т в е н н о п у т ем п е р е м н о ж е н и я м а т р и ц . Т а к , н а п р и м ер ,
И 1 -Ы Ы =*'-
Н’’|=и*'|ы=-
и в о б щ ем сл у ч а е
|р , М |= Р " - Р = Р".
С л ед о в а т ел ь н о , есл и а б со л ю т н ы е в е р о я т н о ст и с о с т о я н и й о п р е д е л е н ы в в ек то р н о й
ф о р м е к ак
«(»
то
aw = a (V .
Пример 19.5.1
Р а ссм о тр и м ц е п ь М ар к о в а с д в у м я с о с т о я н и я м и . М а т р и ц а п е р е х о д н ы х в е р о я т н о
ст ей и м е е т ви д
р (0 ,2 0,8^
[0 ,6 0 ,4 J
и а <0) = ( 0 ,7 , 0 ,3 ) . Н а й д е м а 0 ’, а <4) и а (8).
2 ( 0 ,2 0 , 8 У 0 ,2 0,8^1 ( 0,52 0,48

Р =. ,, , ,
,0,6 0,4)10,6 0,4) 10,36 0,64
2 , I:0,520,48V
II 0,52 0,48)I I( 0.443 0,557
»
:P P =i u i- i і.
^0,36 0,64ДО,36 0,64J 1^0,418 0,582 j
p g _ 4 4 _ ( 0,443 0,557V0,443 0,557^1 f 0,4291 0,5709^1

_ [o,418 0,582Д 0 ,418 0,582J “ [ 0,4284 0,5716j '
Т ак и м о б р а зо м ,
m (0 ,2 0,8',
a(l) = ( 0 ,7 ,0 ,3)| o 6 ^ 4 I = (0 ,3 2 ,0 ,6 8 ),
[0,443 0,557)
0,443 С
a =(0,7,0,3) „ =(0,436,0,564),
0 ,4 18 0,582
,g, ( 0,4291 0 ,5 7 0 9 4
i (8) = ( 0 ,7 ,0 ,3 ) = (0 ,4 2 8 9 ,0 ,5 7 1 1 ).
\ 0,4 28 4 0 ,5 7 1 6 J
О тм ети м , ч т о с т р о к и м а т р и ц ы Р 8 н е зн а ч и т е л ь н о о т л и ч а ю т с я д р у г о т д р у г а . К р о м е
т о го , в ек тор а <8) т а к ж е н е с у щ ес т в ен н о о т л и ч а е т ся о т к а ж д о й и з ст р о к м а т р и ц ы Р 8.
Это с в я за н о с т е м , ч то а б со л ю т н ы е в е р о я т н о с т и с о с т о я н и й п о с л е в ы п о л н ен и я н е
с к о л ь к и х п е р е х о д о в п р а к т и ч е с к и н е за в и с я т о т н а ч а л ь н ы х в ер о я т н о стей а <0). В том
с л у ч а е, к о г д а о н и д е й ст в и т е л ь н о н е б у д у т за в и сет ь о т н а ч а л ь н ы х в е р о я т н о ст ей , и х
н а зы в аю т у с т а н о в и в ш и м и с я .
К л а с с и ф и к а ц и я со с т о я н и й м а р к о в с к и х ц е п е й . П р и р а сс м о т р е н и и ц е п е й М а р к о
ва н ас м о ж е т и н т ер есо в а т ь п о в е д ен и е с и с т е м ы н а к о р о т к о м о т р е зк е в р ем ен и . В т а
ком с л у ч а е а б со л ю т н ы е в ер о я т н о сти в ы ч и сл я ю т ся т а к , как п о к а за н о в п р е д ы д у щ е м
р а зд ел е. О дн ак о б о л е е в а ж н о и зу ч и т ь п о в е д е н и е с и с т е м ы н а б о л ьш о м и н т ер в а л е
в р ем ен и , т .е . в у с л о в и я х , к о г д а ч и с л о п е р ех о д о в ст р е м и т с я к б е ск о н еч н о с т и . В этом
с л у ч а е и з л о ж е н н ы й в ы ш е м е т о д н еп р и го д е н ; т р е б у е т с я с и с т ем а т и ч ес к и й п о д х о д ,
п о зв о л я ю щ и й п р о г н о зи р о в а т ь д о л го с р о ч н о е п о в е д е н и е с и ст ем ы . Н и ж е вв од ятся
о п р ед ел ен и я с о с т о я н и й м а р к о в с к и х ц е п е й , к о т о р ы е н е о б х о д и м ы д л я и зу ч е н и я д о л
го ср о ч н о г о п о в е д е н и я си ст ем ы .
Н е п р и в о д и м а я м а р к о в с к а я ц е п ь . Ц е п ь М а р к о в а н а зы в а ет ся н е п р и в о д и м о й , ес
л и л ю б о е с о с т о я н и е E t м о ж е т бы ть д о с т и г н у т о и з л ю б о г о д р у г о го с о ст о я н и я Е : за
к о н еч н о е ч и с л о п е р е х о д о в , т .е . п р и і Фj p if > 0 для 1 < « < оо. В этом с л у ч а е все с о
ст о я н и я ц е п и н а зы в а ю т ся с о о б щ а ю щ и м и с я .
З а м к н у т о е м н о ж ест в о с о ст о я н и й и п о гл о щ а ю щ и е со с т о я н и я . М нож ество С

с о с т о я н и й ц е п и М ар к ов а н а зы в а е т ся з а м к н у т ы м , ес л и с и с т е м а , о д н а ж д ы о к а за в
ш а я с я в о д н о м и з со с т о я н и й эт о го м н о ж е с т в а , б у д е т н а х о д и т ь с я в м н о ж е с т в е С
в т е ч е н и е б е ск о н еч н о г о и н т е р в а л а в р ем ен и . Ч а ст н ы м с л у ч а ем за м к н у т о г о м н о ж е с т
ва я в л я ет ся ед и н с т в е н н о е с о с т о я н и е с п е р е х о д н о й в ер о я т н о ст ь ю р м = 1. В этом
с л у ч а е со с т о я н и е Е 1 н а зы в а ет ся п о г л о щ а ю щ и м . В с е с о с т о я н и я н е п р и в о д и м о й ц е п и
д о л ж н ы обр азов ы в ать з а м к н у т о е м н о ж е с т в о , и н и о д н о п о д м н о ж е с т в о эт о го м н о ж е
ст в а н е м о ж е т бы ть за м к н у т ы м . З а м к н у т о е м н о ж е с т в о С у д о в л е т в о р я е т всем у с л о
в и я м , х а р а к т е р и зу ю щ и м м а р к о в с к у ю ц еп ь , и , с л е д о в а т е л ь н о , ег о м о ж н о п о д в ер г
н у т ь н е з а в и с и м о м у а н а л и зу .
Пример 19.5.2
Р а ссм о т р и м ц еп ь М ар к ов а с о с л е д у ю щ е й м а т р и ц е й п е р е х о д н ы х в ер о я т н о с т е й
0 1 2 3
f і ] ] \
0 0
2 4 4
Р= 1 0 0 1 0
2 1 0 1 1
3 3 3
3
10 0 0 и
Эта ц еп ь гр а ф и ч еск и п р ед с т а в л ен а н а р и с. 19.1. К ак в и д н о и з р и с у н к а , ч ет ы р е с о
с т о я н и я не с о с т а в л я ю т н е п р и в о д и м у ю ц е п ь , п о с к о л ь к у с о с т о я н и й 0, 1 и 2 н ел ь зя
д о с т и ч ь и з со с т о я н и я 3. С о ст о я н и е 3 о б р а зу е т за м к н у т о е м н о ж е с т в о и , т а к и м о б р а
зо м , я в л я ет ся п о г л о щ а ю щ и м . М о ж н о т а к ж е у т в е р ж д а т ь , ч т о с о с т о я н и е 3 со о т в е т
ствует н епр и води м ой ц еп и М аркова.
Рис. 19.1. Р а з л и ч н ы е в и д ы с ост ояни й це пи М а р к о в а
П е р в о е в р е м я в о з в р а щ е н и я . В а ж н ы м п о н я т и е м в т е о р и и м а р к о в с к и х ц е п е й я в
л я е т с я п е р в о е в р е м я в о з в р а щ е н и я . С и стем а , п ер в о н а ч а л ь н о н а х о д я щ а я с я в с о
с т о я н и и Е г м о ж е т в ер н у ть ся в п е р в ы й р а з в эт о ж е с о с т о я н и е ч е р е з п ш а го в , п > 1.
Ч и с л о ш а г о в , з а к о т о р о е с и с т е м а в о зв р а щ а ет ся в с о с т о я н и е E Jf н а зы в а е т ся п е р в ы м
временем возвращ ения.
О бозн ач и м ч е р е з / ] ”’ в ер о я т н о с т ь т о г о , ч т о п ер в о е в о зв р а щ е н и е в с о с т о я н и е Е.
с о с т о и т с я н а я -м ш а г у . Т о гд а п р и за д а н н о й м а т р и ц е п е р е х о д н ы х в ер о я т н о стей
Р = ||р:у|| /j" ’ м о ж н о о п р е д е л и т ь с л е д у ю щ и м о б р а зо м :
/■(>)
Р И ~ f ii ’
р '2 )= /?
г И J ])
> + /J ЧJJ »г .ц,і
ИЛИ
J/ ■JJ 2^= г JJ —J f и^ p
П о и н д у к ц и и н е т р у д н о п о к а за т ь , ч т о
/■>=„(■>_
Jи гц
у / . а- уг .jj— ).
т-1
О т сю д а с л е д у е т , ч т о в ер о я т н о сть п о к р а й н е й м е р е о д н о г о в о зв р а щ е н и я в с о с т о я
н и е Е . за д а е т с я ф о р м у л о й
f * = лt*1 f Г-
С л ед ов ател ь н о, с и с т е м а о б я за т е л ь н о в ер н ется в с о с т о я н и е у, е с л и / . =1 . О бозн ач и в
ч ер ез (д^ с р е д н е е в р ем я в о зв р а щ е н и я , п о л у ч а е м
ft—
I
Е с л и f u < 1, т о н е и з в е с т н о , в е р н е т с я л и с и с т е м а в с о с т о я н и е , и , следователь
но,
И с х о д я и з о п р е д е л е н и я п ер в о го в р ем ен и в о зв р а щ е н и я , с о с т о я н и я м а р к о в ск о й
ц еп и м о ж н о к л а сси ф и ц и р о в а т ь с л е д у ю щ и м о б р а зо м .
1. С о ст о я н и е я в л я ет ся н е в о зв р а т н ы м , е с л и f u < 1, т .е . цу> =оо .
2 . С о ст о я н и е я в л я ет ся в о з в р а т н ы м , е с л и f u = 1.
3. В о зв р а т н о е с о с т о я н и е я в л я е т с я н у л е в ы м , е с л и 1^ = 00, и н е н у л е в ы м , к о гд а
< оо (т .е . к о н еч н о ).
4 . С о ст о я н и е н а зы в а ется п е р и о д и ч е с к и м с п е р и о д о м f, есл и в о зв р а щ е н и е в н его

в о з м о ж н о т о л ь к о ч е р е з ч и с л о ш а г о в , к р а т н о е t : t, 2t, З і , . . . Э то о зн а ч а е т , что
е с л и п н е д е л и т с я н а t б е з о с т а т к а , т о р {"] = О.
5 . В о зв р а т н о е со с т о я н и е я в л я е т с я э р г о д и ч е с к и м , е с л и о н о н е н у л е в о е и а п е р и о
дическ ое.
Е сл и все с о с т о я н и я ц еп и М а р к о в а я в л я ю т с я э р г о д и ч е ск и м и , т о ц еп ь н е п р и в о д и
м а . В этом сл у ч а е р а с п р е д е л е н и е а б с о л ю т н ы х в ер о я т н о ст ей со с т о я н и й
aw = a< V
в сегда о д н о зн а ч н о с х о д и т с я к п р е д е л ь н о м у р а с п р е д е л е н и ю п р и п -» оо, г д е п р е д е л ь
н о е р а с п р е д е л е н и е н е за в и си т о т н а ч а л ь н ы х в е р о я т н о ст е й а(0).
С п р а в ед л и в а сл е д у ю щ а я т е о р ем а .
Т е о р е м а 1 9 .5 .1 . В с е с о с т о я н и я в н е п р и в о д и м о й б е с к о н е ч н о й ц е п и М а р к о в а м о
гу т принадлеж ат ь к одном у и т олько одном у из след ую щ и х т р ех классов: невоз
вр а т н ы х , в о з в р а т н ы х н у л е в ы х или в о з в р а т н ы х н е н у л е в ы х сост ояний. В о всех

с л у ч а я х в с е с о с т о я н и я я в л я ю т с я с о о б щ а ю щ и м и с я и и м е ю т о д и н и т о т же период.
В ч а с т н о м с л у ч а е , к о г д а в ц е п и к о н е ч н о е ч и с л о с о с т о я н и й , о н а н е м о ж е т содер
ж ат ь т о л ьк о н е в о зв р а т н ы е или какие-либо н у л е в ы е сост ояния.
П р едел ь н ы е р а сп р ед ел ен и я в н еп р и води м ы х ц еп я х М аркова. И з п рим е

р а 1 9 .5 .1 в и д н о , ч т о с р о с т о м ч и с л а п е р е х о д о в а б с о л ю т н а я в е р о я т н о с т ь со с т о я н и й
с т а н о в и т с я н е з а в и с и м о й от н а ч а л ь н о г о р а с п р е д е л е н и я . В д а н н о м р а з д е л е о п и сы
в а е т ся м е т о д в ы ч и с л е н и я п р е д е л ь н о г о р а с п р е д е л е н и я в е р о я т н о с т е й со с т о я н и й
в н еп р и води м ой ц еп и . Мы огр аничим ся рассм отр ен и ем тольк о а п ер и оди ч еск и х
со ст о я н и й , так как это еди н ствен н ы й класс со ст о я н и й , и сп ол ь зуем ы й в дал ьн ей
ш ем . К ром е того, ан ал и з п ер и о д и ч еск и х состоян и й я в л я ется довольно сл ож н ы м .
С у щ еств о в а н и е п р е д е л ь н о г о р а с п р е д е л е н и я в н е п р и в о д и м о й а п е р и о д и ч е с к о й
ц еп и за в и си т от к л а сса ее с о с т о я н и й . Т ак и м о б р а зо м , р а ссм а т р и в а я тр и к л а с с а со
с т о я н и й , у к а з а н н ы х в т е о р е м е 1 9 .5 .1 , м о ж н о сф о р м у л и р о в а т ь с л е д у ю щ у ю т ео р ем у .
Т е о р е м а 1 9 .5 .2 . Е с л и в н е п р и в о д и м о й а п е р и о д и ч е с к о й ц е п и М а р к о в а
а) все сост ояния невозвра т н ы е или н улевы е, т о p l " } —> 0 п р и п —» оо д л я в с е х

iи j u предельного р а сп р ед ел ен и я не сущ е с т в у е т ,
б) вс е с о с т о я н и я э р г о д и ч е с к и е , т о
lim г/"' = я,, j = 0, 1, 2, ...,

П~*ж ' *
г д е Kj — п р е д е л ь н о е ( у с т а н о в и в ш е е с я ) р а с п р е д е л е н и е . В е р о я т н о с т и щ о п
р е д е л я ю т с я о д н о з н а ч н о и н е з а в и с я т о т a f } . В е л и ч и н ы яг. м о ж н о о п р е д е
ли т ь из сист ем ы уравнен и и
яу = Х я.Л - , = Х яу
і ;
С р ед н е е в р е м я в о з в р а щ е н и я в со с т о я н и е j п р и э т о м о п р е д е л я е т с я ф о р м у л о й
1
Пример 19.5.3
Р а с см о т р и м з а д а ч у и з п р и м е р а 19.5.1. Д л я о п р е д е л е н и я у с т а н о в и в ш е г о с я р а с п р е д е
л е н и я в ер о я т н о ст ей и с п о л ь зу е м с о о т н о ш е н и я
я, = 0,2я, + 0,6я2,
я2 = 0,8я, + 0,4я 2,
я, + я2 = 1.
1Заметим, что одно из уравнений nt =^я,Рд является избыточным.

Р е ш е н и е м б у д е т я-j = 0 ,4 2 8 6 и лг = 0 ,5 7 1 4 . Э ти р езу л ь т а т ы о ч ен ь б л и з к и к з н а ч е н и
я м эл ем ен т о в в ек т о р а а (8) (и ст р о к а м м а т р и ц ы Р8) и з п р и м ер а 1 9 .5 .1 . Д а л е е п о л у ч а е м
з н а ч е н и я с р е д н е г о в р ем ен и в о зв р а щ е н и я в п ер в о е и втор ое с о с т о я н и я
Ці і := = 2 ,3 , ц 22 — “ 1>75 .
я, п2
Пример 19.5.4
Р а с см о т р и м с л е д у ю щ у ю ц еп ь М а р к о в а с т р е м я со с т о я н и я м и :
О 1 2
О 2 4 4
Р=1
2 4 4
2
О 1 1
2 2.
Т а к ая м а т р и ц а н а зы в а ет с я д в а ж д ы с т о х а с т и ч е с к о й , т а к к а к
Ё л = £ л / =1’
(=| ;=!
гд е 5 — ч и сл о со с т о я н и й ц е п и М а р к о в а . В т а к и х с л у ч а я х у с т а н о в и в ш и е с я в е р о я т
н о ст и равн ы X j = l / s д л я в с е х j . П о э т о м у д л я д а н н о й за д а ч и кй = л х = кг = \ / Ъ .
1 . О п р ед ел и т е к л а сс со с т о я н и й п р и в е д е н н ы х н и ж е ц еп ей М а р к о в а и н а й д и т е и х
ст а ц и о н а р н ы е р а с п р е д е л е н и я .
fi і П
4 4 2
а) 1 1 0
4 4
1 0 1
І2 2)
'я Р 0 0 0'
ч 0 Р 0 0
Ь) ч 0 0 Р 0
ч 0 0 0 Р
и 0 0 0 V
2 . Н а й д и т е с р ед н ее в р ем я в о зв р а щ е н и я в к а ж д о е со ст о я н и е ц е п и М а р к о в а , з а
д а н н о й с л е д у ю щ е й м а т р и ц е й п е р е х о д н ы х в ер о я т н о стей .
(І І І)
3 3 3
i l l
2 4 4 '
1 3 1
\5 5 5)
1. Derman С. F i n i t e S t a t e M a r k o v i a n D e c i s i o n P r o c e s s , Academic Press, New York,
1970.
2. Howard R. D y n a m i c P r o g r a m m i n g a n d M a r k o v P r o c e s s e s , MIT Press, Cambridge,
Mass., 1960. (Русский перевод: Ховард P. Д и н а м и ч е с к о е п р о г р а м м и р о в а н и е
и м а р к о в с к и е п р о ц е с с ы . — М.: Сов. радио, 1964.)

1. Дынкин Е. Б., Юшкевич А. А. Т е о р е м ы и з а д а ч и о п р о ц е с с а х М а р к о в а . — М.:
Наука, 1967.
2. Кемени Д ж ., Снелл Д ж . К о н е ч н ы е ц е п и М а р к о в а . — М.: Наука, 1970.
Г Л А В А 2 0
КЛАССИЧЕСКАЯ ТЕОРИЯ
ОПТИМИЗАЦИИ
В к л а сси ч еск о й т ео р и и о п т и м и за ц и и д л я п о и ск а т о ч ек м а к с и м у м а и м и н и м у м а
(эк стр ем ал ь н ы х т о ч ек ) ф у н к ц и й в у с л о в и я х к а к о т су т ст в и я , т а к и н а л и ч и я о гр а н и ч е
ний на перем енн ы е ш и р ок о и сп ол ь зуется аппарат ди ф ф ер ен ц и а л ьн о го и сч и сл ен и я. П о
лучаем ы е при этом м етоды не всегда оказы ваю тся у д о б н ы м и п р и и х ч и сл ен н ой р еа л и
заци и. О днако соответствую щ ие теоретические результаты л е ж а т в основе б ол ьш и н ств а
а л гор и тм ов р еш ен и я за д а ч н ел и н ей н о го п р о гр а м м и р о в а н и я (с м . гл а в у 2 1 ).
В этой главе и зл о ж е н ы н ео б х о д и м ы е и д о ст а то ч н ы е у с л о в и я су щ ест в о в а н и я э к с
т р ем ум ов ф у н к ц и й п р и о т су тст в и и о гр а н и ч ен и й н а п ер ем ен н ы е за д а ч и , м етоды Я к о
би и Л а г р а н ж а д л я р еш ен и я за д а ч с о гр а н и ч ен и я м и на п ер ем ен н ы е в ф о р м е равен ств,
а т а к ж е у сл о в и я К у н а - Т а к к е р а д л я за д а ч с о гр а н и ч ен и я м и в в и де н ер авенств.
20.1. ЭКСТРЕМ АЛЬНЫ Е ЗАДАЧИ БЕЗ ОГРАНИЧЕНИЙ

Э к ст р ем а л ь н а я т о ч к а ф у н к ц и и /( X ) о п р е д е л я е т л и б о е е м а к с и м а л ь н о е, л и б о м и
н и м а л ь н о е з н а ч е н и е . С м а т е м а т и ч ес к о й т о ч к и з р е н и я т о ч к а X 0 = (^ j, . . . , х., . . . , х п)
я в л я ет ся т о ч к о й м а к с и м у м а ф у н к ц и и /( X ) , е с л и н ер а в ен ст в о
/ ( X D+ h ) < / ( X D)
в ы п о л н я ет ся д л я в с е х h = (А ,, . . . , А;........A J т а к и х , что |Aj д о с т а т о ч н о м ал ы п р и в сех
j . Д р у г и м и с л о в а м и , т о ч к а Х 0 я в л я е т с я т о ч к о й м а к с и м у м а , ес л и зн а ч е н и я ф у н к ц и и
/ в о к р ест н о ст и т о ч к и Х 0 не п р ев ы ш а ю т / ( Х 0). А н а л о г и ч н о т о ч к а Х 0 я в л я е т с я т о ч
к ой м и н и м у м а ф у н к ц и и / ( X ) , е с л и д л я о п р е д е л е н н о г о в ы ш е в ек т о р а h и м еет м есто
н ер ав ен ств о
/ ( X 0 + h ) > / ( X 0).
Н а р и с. 2 0 .1 п о к а за н ы т о ч к и м а к с и м у м а и м и н и м у м а ф у н к ц и и о д н о й п ер ем ен н о й
f ( x ) н а и н т ер в а л е [а , 6]. Т о ч к и х 2, х 3, х 4 и х 6 с о с т а в л я ю т м н о ж е с т в о э к с т р ем а л ь
н ы х т о ч ек ф у н к ц и и f ( x ) . З д е с ь т о ч к и x v х 3 и х 6 я в л я ю т с я т о ч к а м и м а к си м у м а ,
а точки х 2и х 4— точк ам и м и н и м ум а ф ун к ц и и f(x ). П оск ол ь к у
/ ( * 6) = m a x { /(* j), f ( x 3), f ( x 6)},
зн а ч ен и е f ( x 6) н азы в ается г л о б а л ь н ы м и л и а б со л ю т н ы м м а к си м у м о м , а зн а ч ен и я
f ( x j) и f ( x 3) — л о к а л ь н ы м и и л и о т н о си т ел ь н ы м и м а к си м у м а м и . П о добн ы м о б р а зо м ,
зн а ч ен и е f ( x t) я в л я ет ся л о к а л ь н ы м , a f ( x 2) — гл обал ь н ы м м и н и м у м о м ф у н к ц и и f( x ).
766 Глава 20. Классическая теория оптимизации
Рис. 20.1. Э к ст р ем ум ы ф у н к ц и и одной переменной
Зам ет и м , что хотя точка х х я вл яется точкой м ак си м ум а ф ун к ц и и f( x )

(р и с . 2 0 .1 ) , о н а о т л и ч а ет ся от о с т а л ь н ы х л о к а л ь н ы х м а к с и м у м о в f ( x ) т ем , ч т о по
к р а й н е й м ер е в о д н о й т о ч к е ее о к р е ст н о с т и зн а ч е н и е ф у н к ц и и f ( x ) со в п а д а е т с /( * ,) .
Т о ч к а х , п о эт о й п р и ч и н е н а зы в а ет ся н е с т р о г и м (с л а б ы м ) м а к с и м у м о м ф у н к ц и и
f ( x ) , в о т л и ч и е , н а п р и м ер , от т о ч к и х 3, к о т о р а я я в л я е т с я ст р о ги м м а к с и м у м о м f ( x ) .
Н е с т р о г и й м а к с и м у м , сл е д о в а т е л ь н о , п о д р а зу м е в а е т н а л и ч и е (б е с к о н е ч н о г о к о л и
ч е с т в а ) р а зл и ч н ы х т о ч ек , к о т о р ы м со о т в е т с т в у е т о д н о и то ж е м а к с и м а л ь н о е зн а ч е
н и е ф у н к ц и и . А н а л о г и ч н ы е р е зу л ь т а т ы и м е ю т м ест о в т о ч к е x t , г д е ф у н к ц и я f ( x )
и м е е т н е с т р о г и й м и н и м у м . В о б щ ем с л у ч а е Х 0 я в л я е т с я т о ч к о й н е с т р о го г о м а к с и
м у м а ф у н к ц и и f ( x ) , есл и /(Х „ + h ) < / ( Х 0), и т о ч к о й ее ст р о го го м а к с и м у м а , есл и
/ ( Х 0 + h ) < / ( Х 0), г д е h — в ек т о р , о п р е д е л е н н ы й вы ш е.
Н а р и с . 2 0 .1 л е г к о за м е т и т ь , ч т о п ер в а я п р о и з в о д н а я ф у н к ц и и / (т а н г е н с у г л а
н а к л о н а к а са т е л ь н о й к г р а ф и к у ф у н к ц и и ) р а в н а 0 во в сех ее э к ст р е м а л ь н ы х т о ч
к а х . О д н а к о эт о у с л о в и е в ы п о л н я ет с я и в т о ч к а х п е р е г и б а и с е д л о в ы х т о ч к а х
ф у н к ц и и / , т а к и х к а к т о ч к а х ь. Е сл и т о ч к а , в к о т о р о й у г о л н а к л о н а к а са т ел ь н о й
к г р а ф и к у ф у н к ц и и (г р а д и е н т ф у н к ц и и ) р а в ен н у л ю , не я в л я е т ся в т о ж е в р ем я
т о ч к о й э к с т р е м у м а (м а к с и м у м а и л и м и н и м у м а ), то о н а а в т о м а т и ч е с к и д о л ж н а
бы ть т о ч к о й п е р е г и б а и л и с е д л о в о й т о ч к о й .
20.1.1. Необходимые и достаточные условия существования экстремума

В эт о м р а зд е л е и зл а г а ю т с я н е о б х о д и м ы е и д о с т а т о ч н ы е у с л о в и я с у щ ес т в о в а н и я
эк с т р е м у м о в ф у н к ц и и п п е р е м е н н ы х /( X ) . П р и эт о м п р е д п о л а г а е т с я , ч т о п ер в ы е
и втор ы е ч а ст н ы е п р о и зв о д н ы е ф у н к ц и и /( X ) н еп р ер ы в н ы в к а ж д о й т о ч к е X .
Т е о р е м а 2 0 .1 .1 . Н е о б х о д и м ы м у с л о в и е м т о го , ч т о т о ч к а Х 0 я в л я е т с я э к с т р е
м а льн о й т очкой ф у н к ц и и /(X ), служ и т ра вен ст во
V /( X D) = 0 .
Д о к а з а т е л ь с т в о . И з т ео р ем ы Т е й л о р а с л е д у е т , ч т о п р и 0 < 0 < 1 и м е е т м есто
р азл ож ен и е ф ун к ц и и f( X )
/ ( х 0 + h) - / ( х „ ) = V/(X„)h + i h rIIh |Xtł0h,

где h — в ек т о р , о п р е д е л е н н ы й в ы ш е. Д л я д о с т а т о ч н о м а л ы х зн а ч е н и й |/ij о с т а т о ч
ны й ч л ен y h rHh я в л я е т с я в е л и ч и н о й п о р я д к а h2t .С л е д о в а т е л ь н о ,
/ ( Х 0 + h ) - / ( X 0) = V /( X 0)h + 0 ( h ) ) * V /( X 0)h.
П уст ь X 0 — т о ч к а м и н и м у м а ф у н к ц и и /( X ) . Д о к а ж е м от п р о т и в н о го , ч т о г р а д и
ен т V /(X 0) ф у н к ц и и /( X ) в т о ч к е м и н и м у м а Х 0 р а в ен н у л ю . П у с т ь эт о у с л о в и е н е вы
п о л н я ет ся ; т о г д а д л я н е к о т о р о г о j д о л ж н о в ы п о л н я т ь ся у с л о в и е
М М < 0 „ли Ш й > 0 .

dXj dXj
З н а к hj в сег д а м о ж н о вы бр ать т а к и м о б р а зо м , чтобы
'
П ол агая остал ь н ы е р авн ы м и н у л ю , и з р а зл о ж е н и я Т ей л о р а п о л у ч а ем н ер авенство
/ ( X 0 + h ) < / ( X 0).
Э тот р езу л ь т а т п р о т и в о р е ч и т п р е д п о л о ж е н и ю , ч т о Х 0 — т о ч к а м и н и м у м а . С л ед о в а
т ел ь н о , в ел и ч и н а V /( X 0) д о л ж н а р а в н я т ь ся н у л ю . Д о к а з а т е л ь с т в о д л я т о ч к и м а к
си м ум а проводится аналогично.
Т ак к а к н е о б х о д и м о е у с л о в и е в ы п о л н я е т ся т а к ж е в т о ч к а х п е р е г и б а и с е д л о в ы х
т о ч к а х , т о ч к и , у д о в л е т в о р я ю щ и е у р а в н е н и ю V /( X 0) = 0 , н а зы в а ю т с т а ц и о н а р н ы м и .
С л ед у ю щ а я т е о р е м а у ст а н а в л и в а е т д о ст а т о ч н ы е у с л о в и я т о г о , ч т о с т а ц и о н а р н а я
то ч к а Х 0 я в л я е т с я э к с т р е м а л ь н о й .
Т е о р е м а 2 0 .1 .2 . Д л я т о г о ч т о б ы с т а ц и о н а р н а я т о ч к а Х 0 б ы л а э к с т р е м а л ь н о й ,
д о с т а т о ч н о , ч т о б ы м а т р и ц а Г е сс е Н в т о ч к е Х 0 б ы л а
а ) п о л о ж и т е л ь н о о п р е д е л е н н о й ( т о г д а Х 0 — т о ч к а м и н и м у м а );
б ) о т р и ц а т е л ь н о о п р е д е л е н н о й ( т о г д а Х 0 — т о ч к а м а к с и м у м а ).
Д о к а з а т е л ь с т в о . С огл а сн о т е о р е м е Т ей л о р а п р и 0 < в < 1 и м е е м
/ ( X D+ h ) - / ( X D) = V /( X D) h + | h ,-H h|x<ł,ł .
П о с к о л ь к у Х 0 — ст а ц и о н а р н а я т о ч к а , п о т е о р е м е 2 0 .1 .1 V /( X 0) = 0 . Т а к и м о б р а зо м ,
/ ( X 0 + h ) - / ( X 0) = i h rH h | ^ 011.
Е сл и Х 0 — т о ч к а м и н и м у м а , то
/ ( X D+ h ) > / ( X D)
д л я в с е х н е н у л е в ы х в ек то р о в h . С л ед о в а тел ь н о , в т о ч к е м и н и м у м а Х 0 д о л ж н о вы
п о л н я т ь ся н ер а в ен ст в о
■^■hrH h |Xiôll> 0 .
Н еп р ер ы в н ост ь в т о р ы х ч а ст н ы х п р о и зв о д н ы х ф у н к ц и и /( X ) г а р а н ти р у ет, ч то в е л и
ч и н а y h rHh и м е е т о д и н и т о т ж е зн а к к а к в т о ч к е Х 0, т а к и Х 0+ Я і. Т а к к а к hrHh
п р е д ст а в л я ет с о б о й к в а д р а т и ч н у ю ф о р м у (с м . р а зд е л А . 3 ), ее зн а ч е н и е (и , с л е д о в а
т е л ь н о , hrH h |x ôh) п о л о ж и т е л ь н о т о г д а и т о л ь к о т о гд а , к о г д а Н |х< — п о л о ж и т е л ь

но о п р е д е л е н н а я м а т р и ц а . Э то о зн а ч а е т , ч то п о л о ж и т е л ь н а я о п р е д е л е н н о с т ь м а т
р и ц ы Г ессе в ст а ц и о н а р н о й т о ч к е Х 0 я в л я е т с я д о ст а т о ч н ы м у с л о в и е м с у щ е с т в о в а
н и я в эт о й т о ч к е м и н и м у м а . П у т е м а н а л о г и ч н ы х р а с с у ж д е н и й д о к а зы в а е т с я , что
с т а ц и о н а р н а я т о ч к а я в л я е т с я т о ч к о й м а к с и м у м а , е сл и м а т р и ц а Г ессе в э т о й т о ч к е
о т р и ц а т е л ь н о о п р ед ел ен а .
Пример 20.1.1
Р ассм отр и м ф ункцию
/ ( д с , , д с 2 ,д с 3 ) = .V, + 2хъ + х2хъ - х 2 - х 2 - х ,2.
Н е о б х о д и м о е у сл о в и е эк с т р е м у м а V J ( \ ) = 0 зд е с ь п р и н и м а е т с л е д у ю щ и й в и д .
—
■
л
ОХ}
= 1 -
I
2 *, =
4
0 ,
д/
= х, - 2х, = 0,
дх2
Ж . = 2 + х, - 2х, = 0.
дх.
Р е ш е н и е м эт о й си ст ем ы у р а в н е н и й я в л я е т с я т о ч к а Х 0 = ( 1 / 2 , 2 / 3 , 4 / 3 ) .
Д л я п р о в е р к и в ы п о л н ен и я у с л о в и я д о с т а т о ч н о с т и вы ч и сл и м
а2/ д гf д 2f
дх} дххдх2 дх,дху
-2 0^
д 2/ д 2f d 2f
HL = 0 1
дх2дх1 дх2 дх2дх3
0 -2
б2/ д 2/ д 2f
дхудх, дхгдх2 дх]
У г л о в ы е м и н ор ы м ат р и ц ы Н |х р авн ы - 2 , 4 и - 6 со о т в ет с т в е н н о . В эт о м с л у ч а е Н |х<
я в л я е т с я о т р и ц а т ел ь н о о п р е д е л е н н о й м а т р и ц е й (с м . р а зд е л А .З ) , о т к у д а с л е д у е т ,
что точка Х 0 = ( 1 /2 , 2 /3 , 4 /3 ) я вл яется точкой м ак сим ум а.
В о б щ ем сл у ч а е, к о г д а м а т р и ц а Н |х я в л я е т с я н е о п р е д е л е н н о й , т о ч к а Х 0 д о л ж н а
бы ть с е д л о в о й . Е сл и ж е м а т р и ц а Н |х о к а зы в а е т с я п о л у о п р е д е л е н н о й , т о с о о т в е т
с т в у ю щ а я т о ч к а Х 0 м о ж е т к а к бы ть, т а к и не бы ть эк с т р е м а л ь н о й . П р и эт о м ф о р
м у л и р о в к а д о ст а т о ч н о го у с л о в и я с у щ е с т в о в а н и я эк с т р е м у м а зн а ч и т е л ь н о у с л о ж
н я е т с я , и бо д л я эт о го н е о б х о д и м о у ч и т ы в а т ь ч л ен ы б о л е е в ы с о к и х п о р я д к о в
в р а з л о ж е н и и Т ей л ор а.
П р и м е н и м д о ст а т о ч н ы е у с л о в и я , п о л у ч е н н ы е в т ео р е м е 2 0 .1 .2 , к ф у н к ц и и од н о й
п е р е м е н н о й . П у ст ь у 0 — с т а ц и о н а р н а я т о ч к а ф у н к ц и и / , т о гд а
1) н ер а в ен ст в о / ( у 0) < 0 я в л я е т с я д о ст а т о ч н ы м у с л о в и е м с у щ е с т в о в а н и я м а к
с и м у м а в т о ч к е і/ 0;
2) н ер а в ен ст в о / (у 0) > 0 я в л я е т с я д о с т а т о ч н ы м у с л о в и е м с у щ е с т в о в а н и я м и н и
м у м а в т о ч к е у 0.
Е сл и ж е д л я ф у н к ц и и о д н о й п е р е м е н н о й / ( у 0) = 0 , т о н е о б х о д и м о и с с л е д о в а т ь
п р о и зв о д н ы е в ы сш и х п о р я д к о в в со о т в е т с т в и и со с л е д у ю щ е й т е о р е м о й .
Т е о р е м а 2 0 .1 .3 . Е с л и в с т а ц и о н а р н о й т о ч к е у 0 ф у н к ц и и f ( y ) п е р в ы е ( п - 1) ее
п р о и з в о д н ы х р а в н ы н у л ю и f 1" \ у 0) *■ 0 , т о в т о ч к е у = у 0 ф у н к ц и я f ( y ) и м е е т
1 ) т о ч к у перегиба, если п — нечет ное;

2 ) т о ч к у м а к с и м у м а , е с л и п — ч е т н о е и f (" \ y 0) < О,-
3 ) т о ч к у м и н и м у м а , е с л и п — ч е т н о е и f {" \ у 0) > 0 .
Пример 20.1.3
Р а с с м о т р и м ф у н к ц и и Д у ) = у H g(y) = у . Д л я ф у н к ц и и Д у ) = у * и м е е м
/ О ) = 4 / = О,
откуда п ол учаем стационар ную т о ч к у у 0 = 0 . Д ал ее н аходим
/ ( 0 ) = / ( 0 ) = / ‘3,( 0 ) = 0 .
Т ак к а к / 14)(0 ) = 2 4 > 0 , т о у 0 = 0 я в л я е т с я т о ч к о й м и н и м у м а (р и с . 2 0 .2 ).
Д л я ф у н к ц и и g(y) = у и м е е м
g (y )= 3 / = 0.
С л едов ател ь н о, то ч к а у 0 = 0 я в л я ет ся ст а ц и о н а р н о й т о ч к о й . П о ск о л ь к у g ( 0 ) = g (0 ) =
= 0 , g l31(0 ) = 6 и не о б р а щ а е т с я в н у л ь , т о ч к а у 0 = 0 я в л я е т с я т о ч к о й п ер ег и б а .
giyUy3
0 У
Рис. 20.2. С т а ц и он ар ны е т о ч к и
ф ункций { (у ) = у и g ( y ) = у 3
У П Р А Ж Н Е Н И Я 20.1.1
1. Н а й д и т е э к ст р ем а л ь н ы е т о ч к и с л е д у ю щ и х ф у н к ц и й .
a) f(x ) = х + х.
b) f(x ) = Xі + х .
c) / ( * ) = 4х4- х + 5.
d ) f ( x ) = ( З х - 2 ) \ 2 х - З)2.
e) f(x) = 6 x s - 4 х 3+ 10.
2 . Н а й д и т е эк ст р ем а л ь н ы е т о ч к и с л е д у ю щ и х ф у н к ц и й .
a) / ( X ) = л:,3 + х] - Зх,х2 .
b) / ( X ) = 2xj + х] + хj + 6 (x , + х2 + хъ) + 2х,х2х 3.
3 . П р ов ер ь т е, что ф у н к ц и я
/ (хр х2,х3) = 2х 1х 2х 3- 4х1х3- 2х 2х 3+ xf + х, + х] - 2х, - 4х2 + 4х,
и м еет с т а ц и о н а р н ы е т о ч к и (0 , З, 1 ), (0 , 1, - 1 ) , (1 , 2 , 0 ) , ( 2 , 1 , 1) и (2 , З, - 1 ) .
И с п о л ь зу й т е д о ст а т о ч н ы е у с л о в и я д л я н а х о ж д е н и я э к с т р е м у м о в ф у н к ц и и .
4 . Р е ш и т е с л е д у ю щ у ю с и с т е м у у р а в н е н и й п у т е м п р ев р а щ е н и я ее в з а д а ч у м и
н и м и за ц и и н е л и н е й н о й ц е л е в о й ф у н к ц и и п р и о т с у т ст в и и о г р а н и ч ен и й на
п ер ем ен н ы е.
x2- x f = 0 ,
х 2- х , = 2.
( П о д с к а з к а , m in f 2( x 1, х 2) и м е е т м ест о п р и f ( x x, х 2) = 0 .)
5 . Д о к а ж и т е т е о р е м у 2 0 .1 .3 .
20.1.2. Метод Ньютона-Рафсона

В о б щ ем сл у ч а е и с п о л ь зо в а н и е н ео б х о д и м о г о у с л о в и я э к с т р е м у м а V /(X ) = 0 д л я
п о и с к а ст а ц и о н а р н ы х т о ч е к ф у н к ц и и /( X ) м о ж е т бы ть с о п р я ж е н о с т р у д н о с т я м и ,
в о зн и к а ю щ и м и п р и ч и с л е н н о м р е ш е н и и со о т в е т с т в у ю щ е й с и с т е м ы у р а в н е н и й . М е
т о д Н ь ю т о н а -Р а ф с о н а п р е д л а г а е т и т е р а ц и о н н у ю п р о ц е д у р у р е ш е н и я си ст ем ы н е
л и н е й н ы х у р а в н е н и й . Н е с м о т р я н а т о что д а н н ы й м е т о д р а с с м а т р и в а е т с я в этом
р а зд е л е и м ен н о в у к а за н н о м к о н т е к с т е , н а с а м о м д е л е он о т н о с и т с я к ч и с л у г р а д и
е н т н ы х м е т о д о в ч и с л е н н о г о п о и с к а эк ст р е м у м о в ф у н к ц и й п р и о т с у т с т в и и о г р а н и
ч е н и й (см . р а зд ел 2 1 .1 .2 ) .
Р ассм отри м си стем у уравн ен и й
/,( Х ) = 0 , і = 1 , 2 ........ т .
П усть X* — н ек от ор ая ф и к си р о в а н н а я то ч к а . И с п о л ь зу я р а зл о ж е н и е Т ей л о р а , и м еем
/ , ( Х ) » /,(Х *) + Vf,(X*)(X - X *), і = 1, 2 , . . . , т .
С л ед о в а т ел ь н о , и с х о д н а я с и с т е м а у р а в н е н и й п р и б л и ж е н н о п р е д с т а в и м а в ви де
/,(Х *) + V /,(X * )(X - X*) = 0 , i = 1 , 2 , . . . , т .

Эти у р а в н е н и я м о ж н о за п и с а т ь в м а т р и ч н о й ф о р м е:
А* + В Д Х - X*) = 0 .
П р е д п о л о ж и м , ч т о в ек то р ы /,( Х ) н е за в и си м ы , т о г д а м а т р и ц а В* я в л я е т с я н е в ы р о ж
д е н н о й . В р езу л ь т а т е и з п р е д ы д у щ е г о у р а в н е н и я п о л у ч и м
Х = X* - B j'A j.
И д е я м ет ода Н ь ю т о н а -Р а ф с о н а со ст о и т в с л е д у ю щ ем . Н а п ер в ом ш аге вы би рается

нач ал ь н ая точ к а Х °. С п о м о щ ь ю п о л у ч ен н о го у р а в н ен и я по и зв ест н о й т о ч к е X* м о ж н о
вы ч и сл и ть к оор д и н аты н ов ой т о ч к и X**1. П р о ц есс вы ч и сл ен и й за в ер ш а ет ся в точке
X ” , к о т о р а я сч и т ает ся п р и б л и ж ен н ы м р еш ен и ем и с х о д н о й си ст ем ы , есл и X ” ~ X я' 1.
Г ео м ет р и ч еск а я и н т ер п р е т а ц и я д а н н о г о м е т о д а д л я ф у н к ц и и о д н о й п е р е м е н н о й
f ( xс)) п рпири
в евд ед
е н а н а р и с . 2 0 .3 . С вя зь м е ж д у т о ч к а м и х к и х*+1 в эт о м с л у ч а е в ы р а ж а е т с я
ф орм улой
/И
/ ' И
или
/ ' И - А
Н а р и с . 2 0 .3 в и д н о , что п о л о ж е н и е т о ч к и х*+1 о п р е д е л я е т с я у г л о м 0 н а к л о н а к а
са т ел ь н о й к г р а ф и к у ф у н к ц и и f ( x ) в т о ч к е х , гд е t g 0 = f ( x k).
О д н и м и з н ед о ст а т к о в и з л о ж е н н о г о м е т о д а я в л я е т с я т о , ч т о д л я ф у н к ц и й о б щ е
го в и д а не в сег д а га р а н т и р у е т с я ег о с х о д и м о с т ь . Н а р и с . 2 0 .3 в и д н о , ч т о п р и вы бор е
в к а ч ест в е х т о ч к и а и т ер а ц и о н н ы й п р о ц е с с р а с х о д и т с я . П р о с т ы х р е ц е п т о в д л я вы
бора “ х о р о ш его ” начального п р и б л и ж ен и я не сущ ествует.
Пример 20.1.3
Д л я д е м о н с т р а ц и и р абот ы м е т о д а Н ь ю т о н а -Р а ф с о н а р а ссм о т р и м з а д а ч у н а х о ж д е
н и я с т а ц и о н а р н ы х т о ч ек ф у н к ц и и
f ( x ) = ( З х - 2 ) 2( 2 х - З )2.
Ч т обы н а й т и ст а ц и о н а р н ы е т о ч к и , н а д о р еш и т ь у р а в н е н и е f ' ( x ) = 0 , к о т о р о е в д а н
ном сл уч ае п ри н и м ает вид к уби ч еск ого уравн ен и я
72 л:3 - 234л:2 + 241л: - 78 = 0.
Ш а б л о н E x c e l ch20N ew ton R ap h son .xls м е т о д о м Н ь ю т о н а -Р а ф с о н а м о ж е т р е ш и т ь л ю

б о е у р а в н е н и е с о д н о й п е р е м е н н о й . Н а р и с . 2 0 .4 п о к а з а н о р е ш е н и е в э т о м ш а б л о н е
у р а в н е н и я д а н н о г о п р и м е р а . Ч т о б ы н а й т и э т о р е ш е н и е , н а д о в я ч е й к у СЗ ввести
сл ед у ю щ ее в ы р аж ен и е, за м ен и в п ер ем ен н у ю х ссы л к ой н а я ч ей к у А З .
72л:3 - 234л:2 + 24 Ьс - 7 8
2 1 6 х 2 - 4 6 8 х + 241
О т м ет и м , ч т о ч и с л и т е л ь э т о г о в ы р а ж е н и я я в л я е т с я ф о р м у л о й д л я в ы ч и с л е н и я п ер
вой п р ои зводн ой ф ун к ц и и f(x ), а зн а м ен а тел ь — ф ор м ул ой второй п р ои зводн ой ,
ч т о и т р е б у е т с я д л я м е т о д а Н ь ю т о н а -Р а ф с о н а п р и р е ш е н и и у р а в н е н и я f' ( x ) = 0 . П е
р ед н а ч а л о м в ы ч и сл ен и й т а к ж е з а д а е т с я п р е д е л т о ч н о с т и А ( = 0 , 0 0 1 ) и н а ч а л ь н о е
зн а ч е н и е х 0 ( = 1 0 ). Е сл и р а з н о с т ь м е ж д у з н а ч е н и я м и х" и л:*41 б у д е т м е н ь ш е п р е д е л а
т о ч н о с т и , т о п р о ц е с с в ы ч и с л е н и й за в е р ш а е т с я . В д а н н о м п р и м е р е м е т о д с о ш е л с я
к з н а ч е н и ю х = 1 ,5 .
1 Newton-Raphson (One-Variable) Method

2 Input data: T >pe f(A3)/f '(A3) in C3. where ЛЗ represents x in f(x)
#3HA4!
0.0001
. x0= .
Initial 10
6 И Solution: гЕїсеї ii ł re It rf ієієПйс] к0 <'ai
7 х’ =| 1.50000
8 Clalculations: Person с ic
9 x(k) x(k+1) f(x(k))/f(x(k))
Ю 10.000000 7 032108 2 967892314
11 7.032108 5 055679 1.97642875
12 5.055679 3.741312 1.314367243
13 3.741312 2.869954 0.871358025
14^ 2.869954 2.296406 0.573547408
15 2.296406 1.925154 0.371251989
~16 1.925154 1 694452 0.230702166
17" 1.694452 1.565453 0128999578
18 1 565453 1 511296 0.054156405
19 1 511296 1.500432 0 010864068
20 1 500432 1 500001 0 000431385
21 , 1.500001 1.500000 6 70394E-07
Рис. 20.4. Решение алгебраического ура в н ен и я методом

Н ъю т она-Раф сона
Н а сам ом дел е н аш а ф у н к ц и я f( x ) и м еет три стац и он ар н ы е точки х = 2 / 3 , х = 1 3 /1 2

и х = 3 / 2 . О ст а в ш и еся д в е с т а ц и о н а р н ы е т о ч к и м о ж н о н а й т и , е с л и за д а т ь с о о т в е т
ствую щ и е начальны е зн ач ен и я , н ап р и м ер , х 0 = 0 ,5 и х 0 = 1. В общ ем сл уч ае н адо
с д е л а т ь н е с к о л ь к о п о п ы т о к р е ш е н и я за д а ч и м е т о д о м Н ь ю т о н а -Р а ф с о н а п р и р а з
л и ч н ы х н ачал ьн ы х зн а ч ен и я х , чтобы оты ск ать все к ор н и ур а в н ен и я . В дан н ом
п ри м ере н ам “п о в езл о ” — мы зн аем , что н аш е ур ав н ен и е и м еет три к о р н я . О днако
в случае сл о ж н ы х уравн ен и й или ур ав н ен и й , за в и ся щ и х от н еск ол ь к и х п ер ем ен
ны х, как правило н еи звестн о ни кол ичество к орн ей , ни и х м естоп ол ож ен и е.
У П Р А Ж Н Е Н И Е 20.1.2
1. П р и м е н и т е м ет о д Н ь ю т о н а -Р а ф с о н а д л я р е ш е н и я у п р а ж н е н и й 2 0 . 1 . 1 . 1 , с
и 2 0 .1 .1 .2 , Ь.
20.2. ЗАДАЧИ НА ЭКСТРЕМ УМ ПРИ НАЛИЧИИ ОГРАНИЧЕНИЙ

В настоящ ем разд ел е рассм атриваю тся зад ач и п ои ск а эк стр ем ум ов непреры вны х
ф у н к ц и й при нал ичи и огр ан и чен и й на пер ем ен н ы е. В р а зд ел е 2 0 .2 .1 рассматривается
си туац и я , когда дополнительны е ограничения им ею т вид равенств, а в разделе 2 0 .2 .2 —
неравенств. О сновная часть м атериала р а зд ел а 2 0 .2 .1 и зл о ж ен а в соответствии с [2 ].
20.2.1. Ограничения в виде равенств

В д а н н о м р а зд е л е р а ссм а т р и в а е т с я д в а м ет о д а р е ш е н и я о п т и м и за ц и о н н ы х за д а ч
п р и н а л и ч и и о г р а н и ч ен и й в в и д е р ав ен ств : м е т о д Я к о б и и м е т о д Л а г р а н ж а . М ето д
Л а г р а н ж а м о ж н о л о г и ч е с к и п о л у ч и т ь и з м ет о д а Я к о б и . Э та с в я зь п о зв о л я е т дать
и н т е р е с н у ю эк о н о м и ч е с к у ю и н т е р п р е т а ц и ю м е т о д а м н о ж и т е л е й Л а г р а н ж а .
М ет о д п р и в е д е н н о г о г р а д и е н т а (м е т о д Я к о б и ). Р а с с м о т р и м за д а ч у
м и н и м и зи р о в а т ь z = /( X )

g (X ) = 0 ,
где
Х = ( x v х 2, . . . , x j ,
g = ( g 1, g 2, •••, g mf ■
Ф у н к ц и и /( X ) и g"((X ), і = 1 , 2 , . . . , т , п р е д п о л а г а ю т ся д в а ж д ы н еп р ер ы в н о д и ф ф е
р ен ци руем ы м и .
И д е я и с п о л ь зо в а н и я п р и в е д е н н о г о г р а д и е н т а за к л ю ч а е т с я в т о м , чтобы н а й т и
за м к н у т о е а н а л и т и ч е с к о е в ы р а ж е н и е д л я п ер в ы х ч а с т н ы х п р о и з в о д н ы х ф у н к ц и и
/( X ) во в с е х т о ч к а х , у д о в л е т в о р я ю щ и х о г р а н и ч е н и я м g (X ) = 0 . С о о тв етст в у ю щ и е
с т а ц и о н а р н ы е т о ч к и о п р е д е л я ю т с я и з у с л о в и я р а в ен ств а н у л ю у к а за н н ы х ч а ст н ы х
п р о и з в о д н ы х . З а т е м м о ж н о и сп о л ь зо в а т ь д о ст а т о ч н ы е у с л о в и я , сф о р м у л и р о в а н н ы е
в р а зд е л е 2 0 .1 , д л я к л а с с и ф и к а ц и и н а й д е н н ы х с т а ц и о н а р н ы х т о ч е к .
Д л я п о я с н е н и я и з л о ж е н н о й и д е и р а ссм о т р и м ф у н к ц и ю f ( x j, х 2), г р а ф и к к о т о р о й
п р ед ст а в л ен на р и с. 2 0 .5 . П р е д п о л о ж и м , что эт у ф у н к ц и ю н е о б х о д и м о м и н и м и з и
ровать п р и о г р а н и ч ен и и
&,(*,, * 2) = * 2 ~ Ь = 0,
гд е Ь — н ек о т о р а я к о н ст а н т а . Н а р и с. 2 0 .5 в и д н о , что к р и в а я , к о т о р а я п р о х о д и т
ч е р е з т о ч к и А , В и С, со с т о и т и з зн а ч е н и й ф у н к ц и и / ( * , , х 2), д л я к о т о р ы х за д а н н о е
о г р а н и ч ен и е в ы п о л н ен о . В с о о т в е т с т в и и с р а ссм а т р и в а ем ы м м е т о д о м о п р е д е л я ю т с я
к о м п о н ен т ы п р и в ед ен н о г о г р а д и е н т а ф у н к ц и и f ( x lt х 2) в к а ж д о й т о ч к е к р и в о й A B C .
Т очка В , в которой пр и в еден н ая п р ои зводн ая обращ ается в нуль, явл яется ст а ц и о
н а р н о й д л я р а ссм а т р и в а ем о й за д а ч и с о г р а н и ч ен и е м .
Т еп ер ь р а ссм о т р и м о б щ у ю м а т е м а т и ч е с к у ю ф о р м у л и р о в к у м е т о д а . И з т ео р ем ы
Т е й л о р а с л е д у е т , что д л я т о ч ек X + А Х и з о к р е ст н о с т и т о ч к и X и м ее м
/ ( х + д х ) - / ( х ) = у / - ( х ) д х + о ( д * , 2),
g (X + A X ) - g ( X ) = V g(X )A X + 0(Ax,2).
Рис, 20.5. И л л ю с т р а ц и я к м ет о ду Я к о б и
П р и А х j - » 0 э т и у р а в н е н и я п р и н и м а ю т ви д
3 /( X ) = V /(X )3 X ,
3 g (X ) = V g (X )3 X .
П о с к о л ь к у g ( X ) = 0 , 3 g (X ) = 0 в д о п у с т и м о й о б л а с т и . О т сю д а с л е д у е т , что
о / ( Х ) - V /(X )0 X = 0 ,
V g (X )3 X = 0 .
К а к в и д и м , за д а ч а с в о д и т с я к р еш ен и ю т + 1 у р а в н е н и й с п + 1 н е и зв е с т н ы м и , к о
т о р ы м и я в л я ю т с я 3 /( Х ) и ЗХ . Н е и зв е с т н у ю в е л и ч и н у 3 /( Х ) м о ж н о о п р е д е л и т ь , к а к
т о л ь к о б у д е т н а й д е н в ек т о р ЗХ . Это о зн а ч а е т , ч т о , п о с у щ е с т в у , и м е е т с я т у р а в н е
н и й с п н еи з в е с т н ы м и .
П р и т > гг п о м ен ь ш е й м ер е т - п у р а в н е н и й си с т е м ы я в л я ю т с я и зб ы т о ч н ы м и .
П о с л е у с т р а н е н и я и зб ы т о ч н о с т и к о л и ч ес т в о н е з а в и с и м ы х у р а в н ен и й в с и с т е м е с т а
н о в и т ся р авн ы м т (< п). Е сл и т = п, р е ш е н и е м я в л я е т с я ЭХ = 0 . П р и эт о м т о ч к а X
не и м е е т д о п у с т и м о й о к р е с т н о с т и , и , с л е д о в а т е л ь н о , п р о ст р а н ст в о р е ш е н и й за д а ч и
с о с т о и т и з е д и н с т в е н н о й т о ч к и . Т а к а я с и т у а ц и я я в л я е т с я т р и в и а л ь н о й . С и ту а ц и ю ,
к о г д а т < п , р а ссм о т р и м п о д р о б н о .
П у ст ь X = (Y , Z ), где
Y = (г/і> г/2........ г/J и z = (Z j, z 2.......... z n_ j
н а зы в а ю т ся з а в и с и м ы м и и н е з а в и с и м ы м и п е р е м е н н ы м и с о о т в е т с т в е н н о . П е р е п и
сы в ая гр а д и ен т ы ф у н к ц и й / и g в н о в ы х о б о з н а ч е н и я х , п о л у ч и м
V /(Y , Z) = (V Y/ , Vz/ ) ,
V g (Y , Z) = (V Yg , Vzg ).
В в ед ем в р а ссм о т р ен и е м а т р и ц ы
Ч * . '
J = VYg =
V vg j
c = v 7.g =
М атрица н а зы в а ет ся м а т р и ц е й Я к о б и , a CmX(„_m) — м а т р и ц е й у п р а в л е н и я . М ат

р и ц а Я к о б и J п р е д п о л а г а е т с я н е в ы р о ж д е н н о й . Это в сегд а м о ж н о о б е с п е ч и т ь , п о
с к о л ь к у р ассм а т р и в а ем ы е т у р а в н е н и й я в л я ю т с я н е за в и с и м ы м и п о о п р е д е л е н и ю .
П о э т о м у к о м п о н ен т ы в ек т о р а Y м о ж н о вы брать с р е д и к о м п о н е н т о в в е к т о р а X т а
к и м о б р а зо м , что м а т р и ц а J о к а ж е т с я н е в ы р о ж д е н н о й .
И с х о д н у ю с и с т е м у у р а в н е н и й с н е и зв е ст н ы м и 3 /( Х ) и З Х м о ж н о п ер еп и са ть
в с л е д у ю щ е м в и де
d f ( Y , Z ) = V J d Y + V zfd Z ,
J o Y = -C d Z .
Т а к к а к м а т р и ц а J н е в ы р о ж д е н н а я , су щ е с т в у е т о б р а т н а я м а т р и ц а J -1. С л ед о в а
т ел ь н о ,
oY = - j ' c a z .
П о д с т а в л я я эт о в ы р а ж е н и е ĆY в у р а в н е н и е д л я 3 /(Y , Z ), м о ж н о в ы р а зи ть d f ч е р е з 8Z
в с л е д у ю щ е м ви де
df( y , Z ) = ( v j - v Yf j lC ) d z .
И з э т о г о у р а в н е н и я п о л у ч а ем ф о р м у л у д л я п р о и зв о д н ы х ф у н к ц и и f по в ек т о р у н е
за в и с и м ы х п е р ем ен н ы х Z
v c/ = -
A AY-Z).- = Vz/ - V v,/3-'C,
d rz
гд е V / п р ед ст а в л я ет в ек т о р п р и в е д е н н о г о г р а д и е н т а ф у н к ц и и / п о Z . С л ед о в а тел ь
н о , в ек т о р Vc/( Y ,Z ) д о л ж е н о б р а щ а т ь с я в н ул ь в с т а ц и о н а р н ы х т о ч к а х .
Д о ст а т о ч н ы е у с л о в и я э к с т р е м у м а в ст а ц и о н а р н о й т о ч к е а н а л о г и ч н ы и з л о ж е н
н ы м в р а зд е л е 2 0 .1 . В эт о м с л у ч а е эл е м е н т ы м а т р и ц ы Г ессе б у д у т соответств овать
к о м п о н ен т а м в ек т о р а н е з а в и с и м ы х п е р е м е н н ы х Z. М е ж д у т е м эл ем ен т ы м атр и ц ы
Г ессе д о л ж н ы бы ть п р и в е д е н н ы м и в т о р ы м и п р о и зв о д н ы м и . Ч т о б ы п о к а за т ь , к а к
о н и в ы ч и сл я ю т ся , п о л о ж и м
V / = V Z/ - W C .
О т сю д а с л е д у е т , ч то і-й ст р о к о й п р и в е д е н н о й м а т р и ц ы Г ессе я в л я е т с я в ек то р
d V cf / d z t. З а м е т и м , что W — ф у н к ц и я от Y , a Y , в св о ю о ч ер ед ь , — ф у н к ц и я о т Z.
С л ед о в а т ел ь н о , п р и в ы ч и сл ен и и ч а ст н о й п р о и з в о д н о й V J по 2 , с л е д у е т п р и м ен я т ь
п р а в и л о д и ф ф е р е н ц и р о в а н и я с л о ж н о й ф у н к ц и и , а и м ен н о
dwi dv/j ду j
dzt d y f dz,
Пример 20.2.1
Р а с с м о т р и м с л е д у ю щ у ю за д а ч у .
/ ( X ) = х 2 + З х ; + 5л:,лГз,
g, (X ) = х,х3 + 2хг + х2 -1 1 = О,
g 2(X ) = х 2 + 2х,х2 + х 2 - 1 4 = 0.
И зв е с т н а д о п у с т и м а я т о ч к а Х° = (1 , 2 , 3 ). Т р е б у е т с я о ц е н и т ь п р и р а щ ен и е ф у н к ц и и /
(= d j ) в д о п у с т и м о й о к р ес т н о с т и т о ч к и Х°.
П у с т ь Y = (Xj, х3) и Z = х2. И м еем
'df df'
V Y/ = = (2х, + 5x3,10x,x3),
v 5 x ,’ 5x3,
V J = $ - = 6x2,
ccc,
ogi dgt
oxt дх,
J=
O g2 дёг 42x , + 2 x 2 2 x 3,
\ dx< &3 J
fix, 2x2 +2~]

C=
8S 2 \2x,
О ц ен к а п р и р а щ е н и я д / в о к р ес т н о ст и д о п у с т и м о й т о ч к и X = (1 , 2 , 3), в ы зв ан н о го
м а л ы м и з м е н е н и е м д х 2 = 0 ,0 1 , п о л у ч а е т с я с л е д у ю щ и м о б р а зо м :
6 Г
00
-1
12 12
К)
'3 Г '6 '

J 'C =
,6 6, ,2 , 6 3 ,2, 1-2 ,5 0 J
12 12,
С л ед о в а т ел ь н о , п р и р а щ е н и е ф у н к ц и и / с у ч е т о м о г р а н и ч ен и й р авн о
'2 , 8 3 ' '

d j = {vzf - v Yjj-'c)dz = 6 x 2 -(4 7 ,3 0 ) дх2 = -4 6 ,0 lax,.
-2 ,5
Е сл и у к а за н а в ел и ч и н а и з м е н е н и я д х 2 н е з а в и с и м о й п ер е м ен н о й х 2, т о д о п у с т и м ы е
зн а ч е н и я ćtej и д х 3 за в и с и м ы х п е р е м е н н ы х х г и х 3 о п р е д е л я ю т с я п о ф о р м у л е
д \ = - J 'C 3Z.
П р и д х 2 = 0 ,0 1 получаем
ох, -0 ,0 2 8 3
) 0,0250
Ч т обы п р о в ер и ть то ч н о ст ь п о л у ч е н н о й вы ш е о ц е н к и д л я д / , м о ж н о в ы ч и сл и ть з н а
ч е н и я ф у н к ц и и / в т о ч к а х Х° и Х° 4- ЗХ . П о л у ч а е м
Х° + ЗХ = (1 - 0 ,0 2 8 3 , 2 + 0 ,0 1 , 3 + 0 ,0 2 5 ) = ( 0 ,9 7 1 7 , 2 ,0 1 , 3 ,0 2 5 ) .
О т сю да с л е д у е т , что
Д Х ) = 5 8 и Д Х ° + ЗХ ) = 5 7 ,5 2 3
или
Э /= Л Х ° + д Х ) - Д Х ° ) = - 0 , 4 7 7 .
П о л у ч ен н ы й р езу л ь т а т с в и д е т е л ь с т в у е т о б у м е н ь ш е н и и зн а ч е н и я ф у н к ц и и / по
с р а в н ен и ю с в ы ч и сл ен н ы м вы ш е в с о о т в ет ст в и и с ф о р м у л о й д л я 3/ . Это р а зл и ч и е
м е ж д у д в у м я п о л у ч ен н ы м и р е зу л ь т а т а м и ( - 0 ,4 7 7 и - 0 ,4 6 0 1 ) я в л я е т с я с л е д с т в и е м
л и н ей н о й а п п р о к си м а ц и и в о к р ест н о ст и т о ч к и Х°. П о э т о м у п р и в ед ен н а я вы ш е ф о р
м у л а д а ет х о р о ш и е р езул ь та т ы л и ш ь т о гд а , к о гд а о т к л о н ен и я от т о ч к и Х° м ал ы .
У П Р А Ж Н Е Н И Е 20.2.1
1. В ер н и т есь к за д а ч е и з п р и м е р а 2 0 .2 .1 .
a ) В ы ч и сл и т е в ел и ч и н у 3cf д в у м я с п о с о б а м и , к а к эт о бы л о п р о д е л а н о в п р и
м ер е, и с п о л ь зу я д х 2 = 0 ,0 0 1 в м ест о д х 2 = 0 ,0 1 . Б у д е т л и в л и я н и е л и н е й н о й
а п п р о к с и м а ц и и м е н е е с у щ е с т в е н н ы м п р и у м е н ь ш е н и и в ел и ч и н ы д х 21
b) У ст а н о в и т е за в и с и м о ст ь м е ж д у п р и р а щ е н и я м и д х г, д х 2 и д х 3 в д о п у с т и м о й
т о ч к е Х ° = ( 1 , 2 , 3 ) п р и у с л о в и и , что т о ч к а (х“ + ох,,х" + дх2,х° + ох,) т а к ж е
явл яется д оп усти м ой .
c ) Е сл и Y = (х 2, х 3) и Z = Xj, т о к а к и м д о л ж н о бы ть зн а ч е н и е д х г, чтобы в ел и
ч и н а п р и р а щ е н и я dcf б ы л а т а к а я ж е , к а к в р а с с м о т р е н н о м п р и м ер е?
Пример 20.2.2
Д а н н ы й п р и м ер и л л ю с т р и р у е т п р о ц е д у р у и с п о л ь зо в а н и я м е т о д а п р и в ед е н н о г о гр а
д и е н т а . Р а ссм о т р и м за д а ч у
минимизировать / ( X ) = х,2 + х\ + х]
g 1(X ) = x 1 + х2 + Зх3- 2 = 0 ,
& (Х ) = 5*j + 2*2 + * з - 5 = 0 .
О п р ед ел я ем эк ст р ем а л ь н ы е т о ч к и ц е л ев о й ф у н к ц и и п р и н а л и ч и и о г р а н и ч ен и й с л е
д у ю щ и м о б р а зо м . П у ст ь Y = (дс1( х2) и 2 = х3. Т о гд а
VY/ = = (2хІ,2 х2), V zf = ~ ~ = 2х,,

удХ і’ дх2; дх,
fi г 3 3 '3'
J= , J '= , С=
,5 2/ 5 1 Л
3J
С л ед о в а т ел ь н о ,
( 2 Ґ\
'з З 10 28
V J = ^ - = 2 x , - ( 2 x i,2x2) З х 1------Х
=— 3 л2 + 2х,.З
VCX3 5 Kb
І 3 3у
В с т а ц и о н а р н о й т о ч к е в ы п о л н я ет с я р а в е н с т в о У /= 0 , к о т о р о е в м ест е с о г р а н и ч е
н и я м и g [(X ) = 0 и g 2(X ) = 0 о п р е д е л я е т и с к о м у ю с т а ц и о н а р н у ю т о ч к у (и л и т о ч к и ).
В д а н н о м сл у ч а е с и ст ем а у р а в н е н и й
V /-0 ,
£,(Х) = О,
gJCX) = о,
или
"10 -2 8 6^ V 'О''
1 1 3 *2= 2
, 5 2 Кл. Л
и м е е т р е ш е н и е Х ° « ( 0 , 8 1 , 0 ,3 5 , 0 ,2 8 ) .
Д а л е е у ст а н а в л и в а ем т и п п о л у ч е н н о й с т а ц и о н а р н о й т о ч к и п у т ем п р о в е р к и в ы п о л
н е н и я д о с т а т о ч н ы х у сл о в и й эк с т р е м у м а . Т а к к а к л:3 — н е за в и с и м а я п е р е м е н н а я , и з
р а в ен ств а V / = 0 с л е д у е т , что
d \f 10 28 „ , Ю 28 dx,
f * 'l { +2= — ,---- + 2.
дА “ з 1^3 J 3 1*зі 1 3 3 dx2
V *3 7
В с о о т в е т с т в и и с м ет о д о м Я к о б и п о л у ч а ем
( А |1 ' 1'
<1хъ
= -J с= 3
dx j 14
1^3 J , 3,
Т е п ер ь п у т е м п о д с т а н о в к и н а х о д и м , ч т о • ^ ^ = ■ ^ ^ > 0 . С л е д о в а т е л ь н о , Х° — т о ч к а
дсх, 9
м иним ум а.
А н а л и з ч ув ств и тел ь н ости с п ом ощ ь ю м ет о д а Я к о б и . М етод Я к о б и м о ж н о и сп о л ь зо

вать д л я ан ал и за ч увствител ьности оптим ал ьн ого зн ач ен и я цел евой ф у н к ц и и / к м алы м
и зм ен ен и я м правы х частей огр аничени й о п т и м и за ц и о н н о й задач и . В частности, м о ж н о
определить, как п ов ли яет на оптим ал ьн ое зн ач ен и е ф у н к ц и и / зам ен а огр ан и чен и я
g,(X) = 0 н а g ,(X ) = dg,. И ссл едов ан и е так ого ти п а и м ен у ет ся а н а л и зо м чув ств ител ьности
и в некотором см ы сл е анал оги чн о соответствую щ ей п р о ц ед у р е, к отор ая бы л а р ассм от
рена в л и н ей н о м п р о гр ам м и р о в а н и и (гл ава 4 ). С л ед у ет о д н а к о зам ети ть, ч т о а н а л и з
ч ув ств и тел ь н ости в н ел и н ей н о м п р о гр а м м и р о в а н и и п р и в о д и т к р езу л ь та т а м , сп р а
ведл ивы м л и ш ь в м ал ой о к р ест н о ст и эк ст р ем а л ь н о й т о ч к и . З н а к о м ст в о с т а к и м и
п р о ц ед у р а м и б у д ет п о л езн о п р и и зу ч е н и и м ет о д а м н о ж и т ел ей Л а г р а н ж а .
В ы ш е б ы л о п о к а з а н о , что
3 /(Y , Z ) = Vy/ 3 Y + Vz/ 3 Z ,
dg = J 3 Y + C 3Z.
П р едп ол ож и м , что dg * 0 , т о гд а
3Y = J~'dg - J _1C dZ .
П о д с т а в л я я п о с л е д н е е в ы р а ж е н и е в у р а в н е н и е д л я о /(Y , Z ), п о л у ч а е м
а / (Y, z ) = V y / J - ' d g + v c/ a z ,
где VC/ = V Z/ - V у /Г 'С , к а к б ы л о о п р е д е л е н о р а н е е. П о л у ч е н н о е в ы р а ж е н и е д л я

d f ( Y , Z ) м о ж н о и сп о л ь зо в а т ь п р и а н а л и зе и зм е н е н и й ц е л е в о й ф у н к ц и и / в м ал ой
о к р ест н о ст и д о п у с т и м о й т о ч к и Х °, о б у с л о в л е н н ы х м а л ы м и и зм е н е н и я м и d g и дЪ.
В эк с т р е м а л ь н о й (ф а к т и ч е с к и л ю б о й с т а ц и о н а р н о й ) т о ч к е X 0 = ( Y 0, Z0) п р и в е
д е н н ы й г р а д и е н т Vc/ д о л ж е н бы ть р а в ен н у л ю . С л ед о в а т ел ь н о , в т о ч к е Х 0 и м е е м
d f ( \ , Z 0) = 4 ^ f l - ' d g { y a, Z 0)
ИЛИ
в ы ч и сл ен н о м у в т о ч к е Х 0. Это зн а ч и т , ч то в л и я н и е м а л ы х и зм е н е н и й d g на о п т и
м а л ь н о е зн а ч е н и е ф у н к ц и и / м о ж н о о ц ен и т ь ч е р е з с к о р о ст ь и зм е н е н и я ф у н к ц и и /
по о т н о ш е н и ю к и з м е н е н и я м g . Э ти в ел и ч и н ы п р и н я т о н азы в ать к о э ф ф и ц и е н т а м и
чувстви тел ьн ости .
Пример 20.2.3
Р а ссм о т р и м задач у из п р и м ер а 2 0 .2 .2 . О п ти м а л ь н о й точкой является
) = (0,81, 0,35, 0,28). Т а к к а к Y0 = ) , то
С л ед ов ател ь н о,
Это с в и д ет ел ь ст в у ет о т о м , что и зм е н е н и е dg 1 = 1 п р и в о д и т к у в е л и ч е н и ю зн а ч е н и я
ц е л ев о й ф у н к ц и и / п р и б л и з и т е л ь н о н а 0,0867. А н а л о г и ч н о п р и dg2 = 1 и м ее т м есто
у в е л и ч е н и е зн а ч е н и я / п р и б л и з и т е л ь н о на 0,3067.
И с п о л ь зо в а н и е м е т о д а Я к о б и в з а д а ч а х л и н е й н о г о п р о г р а м м и р о в а н и я . Р а с
с м о т р и м за д а ч у л и н е й н о г о п р о г р а м м и р о в а н и я .
М а к си м и зи р о в а т ь г = 2 х , + З х г
п ри огран и чен и ях
х 1+ х 2 + х 3= 5,
х 1- х 2 + х 4 = 3,
xî x 2t х^, х 4 Ź 0 .
Для к аж дого усл овия н еотри цател ьности xf > 0 в в ед ем соответствую щ ую
(н е о т р и ц а т е л ь н у ю ) д о п о л н и т е л ь н у ю п е р е м е н н у ю w2j . Т а к и м о б р а зо м , Xj - w2 = 0
и л и Xj = w 2. П р и т а к о й за м е н е у с л о в и я н ео т р и ц а т е л ь н о ст и с т а н о в я т с я н ея в н ы м и ,
и и с х о д н а я за д а ч а п р и н и м а е т ви д
м а к с и м и зи р о в а т ь z = 2 w 2 + 3w,2
Wl + W2 + W3 = 5,
w, - wI + щ = 3.
Д л я м е т о д а Я к о б и п о л о ж и м Y = (ц>,, w 2) и Z = (w 3, w 4). (В т е р м и н о л о г и и л и н е й н о го
п р о г р а м м и р о в а н и я в ек то р ы Y и Z о б р а зо в а н ы б а зи с н ы м и и н е б а зи с н ы м и п ер е м е н
н ы м и со о т в е т с т в е н н о .) С л ед о в а тел ь н о ,
1 1
2 w, 2 w2 4W| 4vv,
J= , J '= w, и W2 * 0,
2 w, - 2 w2j J ____ -1_
4w2 4w2 j
2 w3 0
С= , V y/ = ( 4 wp 6 vv2 )-V z / = ( 0, 0 ) ,
0 2w,
т а к что
1 1
4vv, 4vv. 2w3 0
Vc/ = (0 ,0 )-(4 w „ 6 w 2) = ( - 5 w3,w4).
1 -1 0 2 w4
4w2 4 w2у
Р е ш е н и е си ст ем ы у р а в н е н и й , с о с т о я щ е й и з у р а в н е н и я V / = 0 и о г р а н и ч е н и й за д а
ч и , п о зв о л я е т о п р ед ел и т ь с т а ц и о н а р н у ю т о ч к у w x = 2, w 2 = l , w 3 = 0 , u>4 = 0 . П р и
эт о м м а т р и ц а Г ессе и м е е т в и д
д ії
дУ з dcW)3cWA f ~5 0
Н ,=
д]/ ó J2 0 1
d c w i& c w *
П о с к о л ь к у H c я в л я е т с я н е о п р е д е л е н н о й м а т р и ц е й , с т а ц и о н а р н а я т о ч к а не б у д е т
точкой м аксим ум а.
Н а с а м о м д е л е п о л у ч е н н ы й р е зу л ь т а т не я в л я е т с я н е о ж и д а н н ы м , п о с к о л ь к у
(н е б а з и с н ы е ) п ер ем ен н ы е w 3 и и>4 (и , с л е д о в а т е л ь н о , х 3 и х 4) р а в н я ю т ся н у л ю , к а к
и п р е д у с м о т р е н о т е о р и е й л и н е й н о г о п р о г р а м м и р о в а н и я . С л ед о в а тел ь н о , р е ш е н и е ,
пол учен н ое с п ом ощ ью м етода Я к оби , о п р едел яет ту и ли и н ую крайн ю ю точ к у п р о
ст р а н ств а д о п у с т и м ы х р е ш е н и й р а с см а т р и в а е м о й за д а ч и , к о т о р а я с в я за н а с к о н
к р ет н ы м вы бор ом в ек тор о в Y и Z. П р и э т о м н а й д е н н о е р еш е н и е м о ж е т к а к бы ть,
т а к и не бы ть о п т и м а л ь н ы м . О д н а к о м е т о д Я к о б и п о зв о л я е т р а сп о зн ать о п т и м а л ь
н ое р е ш е н и е за д а ч и п у т ем и с п о л ь зо в а н и я д о с т а т о ч н ы х у с л о в и й эк с т р е м у м а .
П р и в ед ен н ы е р а с с у ж д е н и я с в и д е т е л ь с т в у ю т о т о м , ч то д л я о п т и м а л ь н о го р е ш е
н и я за д а ч и л и н е й н о г о п р о г р а м м и р о в а н и я н е о б х о д и м о м ен я т ь к о н к р ет н ы й вы бор Y
и Z, п о к а не б у д у т в ы п о л н ен ы д о с т а т о ч н ы е у с л о в и я . П у с т ь , н а п р и м е р , Y = ( w 2, w 4)
и Z = ( w j, w 3). Т о г д а со о т в е т ст в у ю щ и й п р и в е д е н н ы й г р а д и ен т п р и н и м а е т ви д
1
0
2 w, 2 w, 2w3
= (-2 w „6 w 3).
J ____ 1_ ч2 w, 0
2 w4 2 w4,
С о о т в ет ст в у ю щ а я ст а ц и о н а р н а я т о ч к а о п р е д е л я е т с я зн а ч е н и я м и w l = 0, w2 = Тб ,
w 3 = 0 , w4 = у/8 . Т а к к а к м а т р и ц а
-2 0
Н =
0 -6
я в л я е т с я о т р и ц а т ел ь н о о п р е д е л е н н о й , т о у к а з а н н а я т о ч к а — т о ч к а м а к с и м у м а .
П о л у ч ен н ы й р езу л ь т а т м о ж н о п р ов ер и ть г р а ф и ч е ск и , и с п о л ь зу я р и с. 2 0 .6 . П е р
вое и з н а й д е н н ы х р е ш е н и й ( x t = 4 , х 2 = 1) не я в л я е т с я о п т и м а л ь н ы м , в то в р ем я к а к
в т о р ое (Xj = 0 , х 2 — 5 ) о к а зы в а е т с я т а к о в ы м . Ч и т а т ел ь и м ее т в о зм о ж н о с т ь п р о в е
р и т ь , ч т о д в е о с т а в ш и е с я к р а й н и е т о ч к и п р о ст р а н с т в а д о п у с т и м ы х р е ш е н и й не я в
л я ю т с я т о ч к а м и м а к с и м у м а . К р о м е т о г о , с и с п о л ь зо в а н и е м д о ст а т о ч н ы х у с л о в и й
э к с т р е м у м а м о ж н о п о к а за т ь , что в т о ч к е х г = 0 , х 2 = 0 в о зн и к а е т м и н и м у м ц ел ев о й
ф у н к ц и и р а ссм а т р и в а ем о й за д а ч и .
З а м ет и м , что в в еден н ы е р анее к о эф ф и ц и ен ты чув ств и тел ь н ости V Yj/ T ' в задач е
л и н ей н о го п р огр ам м и р ов а н и я я в л я ю тся п ер ем ен н ы м и д в о й ств ен н о й за д а ч и . Ч тобы
п р о и л л ю стр и р овать это на р ассм атр и ваем ом ч и сл ен н о м п р и м ер е, о б о зн а ч и м ч ер ез u t
и и 2 соот в ет ств ую щ и е п ер ем ен н ы е дв о й ств ен н о й за д а ч и . В оп ти м ал ьн ой точке w x = 0 ,
w2 = Тб , w 3 = 0 , W4 = V8 п ер ем ен н ы е дв о й ств ен н о й за д а ч и вы ч и сл яю тся по ф ор м ул е
В т о ч к е ( 3 , 0 ) ц е л е в а я ф у н к ц и я д в о й с т в е н н о й з а д а ч и р а в н а 5u j + 3 u 2 = 1 5
и совп адает с оп ти м ал ьн ы м зн ач ен и ем ц ел евой ф у н к ц и и п р я м ой за д а ч и . П о л у
ч е н н о е р е ш е н и е т а к ж е у д о в л е т в о р я е т о г р а н и ч е н и я м д в о й с т в е н н о й з а д а ч и , т .е .
я в л я е т с я д о п у с т и м ы м и , с л е д о в а т е л ь н о , о п т и м а л ь н ы м . Э то з н а ч и т , ч т о к о э ф ф и
ц и е н т ы ч ув ств и тел ь н ост и со в п а д а ю т с п ер ем ен н ы м и д в о й ств ен н о й за д а ч и л и н ей н о го
п р о гр ам м и р ов ан и я .
И з п р о ц ед у р ы п р и м е н е н и я м е т о д а Я к о б и к р еш е н и ю за д а ч л и н е й н о г о п р о г р а м
м и р о в а н и я м о ж н о с д ел а т ь н е с к о л ь к о о б щ и х в ы в о д о в . Р а сс м о т р е н н ы й ч и сл ен н ы й
п р и м е р п о к а зы в а ет , ч т о в с и л у н е о б х о д и м ы х у с л о в и й эк с т р е м у м а н е за в и с и м ы е п е
р ем ен н ы е за д а ч и р авн ы н у л ю . Д о с т а т о ч н ы е ж е у с л о в и я у к а зы в а ю т н а т о , ч т о м а т
р и ц а Г ессе я в л я е т с я д и а г о н а л ь н о й . С л ед о в а тел ь н о , в се д и а г о н а л ь н ы е эл ем ен т ы
эт о й м а т р и ц ы д о л ж н ы бы ть п о л о ж и т е л ь н ы м и , ес л и в р а сс м а т р и в а ем о й т о ч к е и м еет
м ест о м и н и м у м , и о т р и ц а т ел ь н ы м и — в с л у ч а е м а к с и м у м а .
И з в ы ш еск а за н н о г о с л е д у е т , ч т о н е о б х о д и м о е у с л о в и е э к с т р е м у м а р а в н о си л ьн о
у к а за н и ю н а т о , ч т о о п т и м а л ь н о е р е ш е н и е за д а ч и с л е д у е т и ск а т ь то л ь к о с р е д и ее
б а зи с н ы х р е ш е н и й . В эт о м с л у ч а е в к а ч ест в е н е б а з и с н ы х п е р е м е н н ы х за д а ч и л и
н е й н о го п р о г р а м м и р о в а н и я в ы ст у п а ю т н е за в и с и м ы е п е р е м е н н ы е . Д о с т а т о ч н о е ж е
у с л о в и е п р и в о д и т к в ы в о д у , ч т о м е ж д у д и а г о н а л ь н ы м и э л е м е н т а м и м а т р и ц ы Г ессе
и р а зн о с т я м и - с, з а д а ч и л и н е й н о г о п р о г р а м м и р о в а н и я (см . р а зд е л 7 .2 ), п о л у ч а е
м ы м и с п о м о щ ь ю с и м п л е к с -м е т о д а , су щ е с т в у е т ст р о го е с о о т в е т с т в и е .1
У П Р А Ж Н Е Н И Я 20.2.2
1. П р е д п о л о ж и м , ч т о з а д а ч а и з п р и м е р а 2 0 .2 .2 р е ш е н а с л е д у ю щ и м о б р а зо м .
С н ач ал а и з о г р а н и ч ен и й за д а ч и в ы р а ж а ем п е р ем е н н ы е и х г ч е р е з х 3; за т ем
и сп о л ь зу ем п о л у ч е н н ы е с о о т н о ш е н и я д л я п р е д с т а в л е н и я ц е л ев о й ф у н к ц и и
в за в и с и м о с т и л и ш ь о т п е р е м ен н о й х 3. Д и ф ф е р е н ц и р у я п о л у ч е н н у ю ц ел ев у ю
ф у н к ц и ю п о х 3, н а х о д и м т о ч к и м и н и м у м а и м а к с и м у м а .
1 Формальное доказательство справедливости этих утверждений для общей задачи ли

нейного программирования можно найти в статье Taha Н. and Curry G. “ Classical Derivation
of the Necessary and Sufficient Conditions for Optimal Linear Programs” , Operations Research,
Vol. 19, 1971, pp.1045-1049. В этой статье показано, что все основные положения симплекс-
метода могут быть получены с помощью метода Якоби.
a ) Б у д у т л и п р о и зв о д н ы е н о в ой ц е л е в о й ф у н к ц и и (в ы р а ж е н н ы е ч е р е з п е р е
м е н н у ю х 3) о т л и ч а т ь ся о т п о л у ч е н н ы х с п о м о щ ь ю м ет о д а Я к о б и ?
b) В чем осн ов н о е от л и ч и е о п и са н н о й п р о ц еду р ы р еш ен и я за д а ч и от м е
тода Я коби?
2 . П р и м е н и т е м е т о д Я к о б и к р е ш е н и ю за д а ч и и з п р и м е р а 2 0 .2 .1 , в ы б и р а я
Y = ( x 2, x 3) h Z = ( я , ) .
3 . С п о м о щ ь ю м ет о д а Я к о б и р е ш и т е с л е д у ю щ у ю за д а ч у .
Минимизировать /( X ) = ^ х 2
при ограничении
П *,= с ,
1=1
г д е С — п о л о ж и т е л ь н а я к о н с т а н т а . П у с т ь т еп ер ь п р а в а я ч а сть о г р а н и ч е н и я
р а в н а С + S, г д е S — м а л о е п о л о ж и т е л ь н о е ч и сл о . Н а й д и т е с о о т в е т с т в у ю щ е е
и з м е н е н и е о п т и м а л ь н о го зн а ч е н и я ц е л е в о й ф у н к ц и и f.
4 . Р е ш и т е м ет о д о м Я к о б и с л е д у ю щ у ю за д а ч у .
Минимизировать /( X ) = 5х2 + х22 + 2х,х2
п р и о г р а н и ч ен и и
g(X) = х, х2 - 1 0 = 0.
a ) Н а й д и т е и зм е н е н и е о п т и м а л ь н о го зн а ч е н и я ц е л е в о й ф у н к ц и и f ( X ) , есл и
о г р а н и ч е н и е за д а ч и п р и м е т в и д х гхг - 9 ,9 9 = 0 .
b ) Н а й д и т е и зм е н е н и е зн а ч е н и я ц е л е в о й ф у н к ц и и f ( X ) в о к р е с т н о с т и д о п у с
т и м о й т о ч к и (2 , 5 ) п р и у с л о в и и , ч т о х хх 2 = 9 ,9 9 и дхг = 0 ,0 1 .
5. Р е ш и т е с л е д у ю щ у ю за д а ч у .
Максимизировать /( X ) = х2 + 2х\ + 10х32 + 5х,х2
g, (X) = jc, + х \ + Зх2х, - 5 = 0,
g 2(X) = х,2 + 5х,х2 + Xj - 7 = 0.
И с п о л ь з у й т е м е т о д Я к о б и д л я н а х о ж д е н и я 3 /( Х ) в о к р е с т н о с т и д о п у с т и
м о й т о ч к и ( 1 , 1 , 1 ). П у с т ь у к а з а н н а я о к р е с т н о с т ь о п р е д е л я е т с я у с л о в и я
м и d g x = - 0 , 0 1 , d g 2 = 0 , 0 2 и дхг = 0 , 0 1 .
6 . Р е ш и т е с л е д у ю щ у ю за д а ч у .
Минимизировать / ( X ) = х2 + х2 + х \ + х42
g j(X ) = х х + 2хг + Зх3 + 5 x t - 1 0 = 0 ,
g 2( X ) = х г + 2хг + 5х3 + 6 х 4 - 1 5 = 0 .
а ) П о к а ж и т е , ч то п р и вы бор е x 3 n x t B к а ч ест в е н еза в и с и м ы х п е р е м е н н ы х м е
т о д Я к о б и не д а е т о п т и м а л ь н о го р е ш е н и я .
b ) Р е ш и т е за д а ч у , вы брав х г и х 3 в к а ч ест в е н е за в и с и м ы х п ер ем е н н ы х ,
и п р и м е н и т е д о ст а т о ч н ы е у с л о в и я д л я и с с л е д о в а н и я п о л у ч е н н о й с т а ц и о
нарной точки.
c ) Н а й д и т е к о эф ф и ц и ен т ы ч у в ст в и т ел ь н о ст и д л я эт о й за д а ч и .
7 . Р еш и те сл едую щ ую задач у лин ей н ого програм м ирован ия.
п
Максимизировать / ( Х ) = ^ с ;ху
;=|
8. ( х ) = Ż ° A - ь>= °> ' = *>2 ’ т’

J- 1
х у> 0 , j = 1, 2 ........п .
П о к а ж и т е , ч т о е сл и в эт о й за д а ч е п р ен еб р еч ь у с л о в и я м и н ео т р и ц а т ел ь н о ст и
п е р е м е н н ы х , то п р и в е д е н н ы е п р о и зв о д н ы е V / ( X ) со в п а д а ю т с р а зн о ст я м и
{ z .- с ) , о п р е д е л я е м ы м и у с л о в и е м о п т и м а л ь н о с т и за д а ч и л и н е й н о г о п р о
г р а м м и р о в а н и я (р а з д е л 7 .2 ), а и м ен н о
{z, - с ) = {СвВ Р ; - с ) д л я в с ех j .
М о ж н о л и н еп оср ед ст в ен н о п р и м ен я ть м ет о д п р и в ед ен н о го гр а д и ен т а к р еш е
н и ю за д а ч и л и н ей н о го п р огр ам м и р ован и я? П о ч ем у м о ж н о и л и п о ч ем у нел ь зя?
М ет о д м н о ж и т е л е й Л а г р а н ж а . К о э ф ф и ц и е н т ы ч у в с т в и т е л ь н о с т и м е т о д а Я к о б и
5^- = V v Г '
3g Y*
м о ж н о и сп о л ь зо в а т ь д л я р е ш е н и я за д а ч с о г р а н и ч е н и я м и в в и д е р а в ен ств . П усть
X= Vv*0J- Ж
cg'
d f - X d g = 0.
Э то у р а в н е н и е с о о т в ет ст в у ет н е о б х о д и м ы м у с л о в и я м с т а ц и о н а р н о с т и т о ч е к , так
к а к ф о р м у л а д л я — п о л у ч е н а с у ч е т о м т о г о , ч т о V cf = 0 . П р е д с т а в л ен н о е у р а в н ен и е
dg
м о ж н о за п и са т ь в б о л ее у д о б н о й ф о р м е , е с л и п е р е й т и к ч а стн ы м п р о и зв о д н ы м по
всем п ер ем ен н ы м x jt ч т о п р и в о д и т к си с т е м е у р а в н е н и й
~ ~ {f~ X g) = 0, j = 1 ,2 ,...,п.
П о л у ч ен н ы е у р а в н е н и я вм есте с о г р а н и ч е н и я м и за д а ч и g (X ) = 0 ф о р м и р у ю т с и с т е
м у , к о т о р а я п о зв о л я е т о п р е д ел и т ь д о п у с т и м ы е в ек то р ы X и X, у д о в л е т в о р я ю щ и е
н ео б х о ди м ы м усл ови я м стац ион арн ости.
О п и сан н ая п р о ц ед у р а со ст а в л я ет осн о в у м е т о д а м н о ж и т е л е й Л а г р а н ж а , котор ы й
п о зв о л я ет о п р ед ел я т ь ст а ц и о н а р н ы е то ч к и за д а ч и о п т и м и за ц и и с огр ан и ч ен и я м и
в виде р а в е н с т в . Ф ор м ал ьно сх е м а этого м ет о д а представи м а в сл ед ую щ ем виде. П усть
ДХ, X) = f ( X ) - X d g(X).
Ф у н к ц и я L н а зы в а ет ся ф у н к ц и е й Л а г р а н ж а , а п а р а м ет р ы X — м н о ж и т е л я м и Л а
г р а н ж а . К ак с л е д у е т и з о п р е д е л е н и я , эт и м н о ж и т е л и и м е ю т т о т ж е с м ы с л , что
и к о эф ф и ц и ен т ы ч у в с т в и т е л ь н о с т и , ф и г у р и р у ю щ и е в м е т о д е Я к о б и .
У р а в н ен и я
dL = 0n и —
— 8L =0п
дк дХ
д а ю т н е о б х о д и м ы е у с л о в и я д л я о п р е д е л е н и я ст а ц и о н а р н ы х т о ч е к ф у н к ц и и /( X )
п р и о г р а н и ч е н и я х g (X ) = 0 . Д о с т а т о ч н ы е у с л о в и я , и с п о л ь зу е м ы е в м е т о д е м н о ж и
т ел ей Л а г р а н ж а , б у д у т с ф о р м у л и р о в а н ы б е з д о к а за т е л ь с т в а . О п р ед ел и м м а т р и ц у
о
Н8 =
где
'vg.(x)
~
Р= : Q = К—^
Ц Х Л )
----- - для всех і и j .■■
дхдх:
Ч Л х ).
М а т р и ц а Н в н а зы в а ет ся о к а й м л е н н о й м а т р и ц е й Г е с с е .
П у ст ь и м е е т с я ст а ц и о н а р н а я т о ч к а ( Х 0, Х0) ф у н к ц и и Л а г р а н ж а L (X , X), и о к а й м
л е н н а я м а т р и ц а Г ессе Н в в ы ч и с л е н а в т о ч к е (Х 0, Х0). Т о гд а Х 0 я в л я е т с я с л е д у ю щ и м .
1. Т о ч к о й м а к с и м у м а , е с л и , н а ч и н а я с у г л о в о го м и н о р а п о р я д к а 2 т + 1, п о с л е
д у ю щ и е п - т у г л о в ы х м и н о р о в о к а й м л ен н о й м а т р и ц ы Г ессе Н в о б р а зу ю т
з н а к о п е р е м е н н ы й ч и с л о в о й р я д , в к о т о р о м зн а к п ер в о го ч л е н а о п р е д е л я е т с я
ч/П+1
- 1)
2 . Т оч к ой м и н и м у м а , е с л и , н а ч и н а я с у гл о в о го м и н о р а п о р я д к а 2 т + 1, п о с л е
д у ю щ и е п - т у г л о в ы х м и н о р о в м а т р и ц ы Н в и м ею т з н а к и , о п р е д е л я е м ы е
м н о ж и т е л е м (-1 )" 1.
Э ти у с л о в и я я в л я ю т с я д о с т а т о ч н ы м и д л я о п р е д е л е н и я э к с т р е м а л ь н о й т о ч к и .
Д р у г и м и с л о в а м и , э к ст р ем а л ь н о й м о ж е т о к а за т ь с я с т а ц и о н а р н а я т о ч к а , не у д о в л е
т в о р я ю щ а я эт и м у с л о в и я м .
С у щ ест в у ю т д р у г и е у с л о в и я о п р е д е л е н и я эк с т р е м а л ь н ы х т о ч ек за д а ч и , к отор ы е
я в л я ю т с я к ак н е о б х о д и м ы м и , т а к и д о с т а т о ч н ы м и . О д н а к о и х п р а к т и ч е с к о е и с
п о л ь зо в а н и е ч а ст о св я за н о со зн а ч и т ел ь н ы м и в ы ч и сл и тел ь н ы м и т р у д н о с т я м и . О п
ределим м атрицу
i-f* Р ]■
I.P' Q - |d J
в ы ч и сл ен н у ю в с т а ц и о н а р н о й т о ч к е ( Х 0, Х0), г д е ju — н е и зв е с т н ы й п а р а м ет р . П усть
|Д| — о п р е д е л и т е л ь м а т р и ц ы Д, т о г д а все п - т д ей с т в и т е л ь н ы х к о р н е й д. п о л и н о м а
|Д| = 0 д о л ж н ы бы ть
1) о т р и ц а т ел ь н ы м и , е с л и Х 0 — т о ч к а м а к с и м у м а ,
2) п ол ож ител ьны м и, есл и Х 0 — точка м иним ум а.
Пример 20.2.4
Р а с с м о т р и м з а д а ч у и з п р и м ер а 2 0 .2 .2 . Ф у н к ц и я Л а г р а н ж а и м е е т ви д
£ ( Х Д ) = xf + х\ + х ,2 - X, (Х| + х2 + Зх, - 2 ) - Х2(5.x, + 2хг + - 5).
Н ео б х о д и м ы е у сл о в и я эк ст р ем у м а зап и сы в а ю т ся в ви де сл ед у ю щ ей си стем ы
уравн ений.
dL = і2х. - Х . - 5 Х 2 =0,
—
дх,
д1_
: 2х , - X.
дх.,
— = 2 х , - З Х 1- Х 2 =0,
дх,
= - ( * , + х, + Зх, - 2) = 0,
dL (і ■2 х > , 5) = 0.
Т7- =- ( ^
ок+
Р е ш е н и е м эт о й си ст ем ы я в л я ю т ся век тор ы
Х0 = (jCj, х г, х 3) = ( 0 ,8 0 4 3 , 0 , 3 4 7 8 , 0 ,2 8 2 6 ) ,
X = (А„ Лг) = ( 0 ,0 8 7 0 , 0 ,3 0 4 3 ) .
В э т о м р е ш е н и и о б ъ е д и н е н ы р е з у л ь т а т ы п р и м е р о в 2 0 .2 .2 и 2 0 .2 .3 . К а к в и д и м ,
з н а ч е н и я м н о ж и т е л е й Л а г р а н ж а X с о в п а д а ю т со з н а ч е н и я м и к о э ф ф и ц и е н т о в
ч у в с т в и т е л ь н о с т и , п о л у ч е н н ы м и в п р и м е р е 2 0 .2 .3 . Э то у к а з ы в а е т н а т о , ч т о эт и
к о эф ф и ц и ен ты не за в и ся т от вы бора в ек тор а за в и си м ы х п ер ем ен н ы х Y при
р еал и зац и и м етода Я к оби .
Ч тобы п о к а за ть , что н ай ден н ая точка я в л я ет ся точ к ой м и н и м ум а, р ассм отри м
м атрицу
'0 0 1 1 З''
0 0 5 2 1
Н" 1 5 2 0 0
1 2 0 2 0
, 3 1 0 0 2 ,
З д е с ь п = 3 , т = 2 и п - т = 1 . С л ед о в а т ел ь н о , н е о б х о д и м о п р о в ер и ть т о л ь к о о п р е д е
л и т е л ь м а т р и ц ы Н8, зн а к к о т о р о го з а д а е т с я м н о ж и т е л е м ( - 1 ) 2 в т о ч к е м и н и м у м а .
Т ак к а к detH® = 4 6 0 > 0 , т о Х0 я в л я е т с я т о ч к о й м и н и м у м а .
Пример 20.2.5
Р а с см о т р и м з а д а ч у
минимизировать z - x ^ + х2 + х]
п р и о г р а н и ч ен и и
4х і + х\ + 2х у - 1 4 = 0.
Ф у н к ц и я Л а г р а н ж а и м е е т ви д
L(X,X) = х,2 + х2 + х] - Х (4х, + х \ + 2.x, - 14).
О т сю д а п о л у ч а ем н е о б х о д и м ы е у с л о в и я эк с т р е м у м а в в и д е с и с т е м ы
— = 2 х - 4 Х = 0,
а*,
---- = 2хг - 2 Хх2 = 0,

дх2
----- = 2х , - 2Х = 0,
дх,
| ^ = - ( 4 х, + х2 + 2 х3 - 1 4 ) = 0>
р е ш е н и я м и к о т о р о й я в л я ю т с я век тор ы
(2 , 2 , 1 ,1 ),
(Х 0, Л0)г = (2 , - 2 , 1, 1),
(Х„, Л0)3 = ( 2 ,8 , 0 , 1 ,4 , 1 ,4 ).
И с п о л ь зу я д о ст а т о ч н ы е у с л о в и я , в ы ч и сл и м эл ем ен т ы м а т р и ц ы
'0 4 2хг 2Ч
4 2 0 0
н" =
2хг 0 2-2Х 0
U 0 0 2,
Т ак к ак т = 1 и п = 3 , т о д л я т о г о , ч то б ы с т а ц и о н а р н а я т о ч к а б ы л а то ч к о й м и н и м у
м а , зн а к п о с л е д н и х 3 - 1 = 2 у г л о в ы х м и н о р о в д о л ж е н о п р е д е л я т ь с я зн а к о м м н о
ж и т е л я (- I ) " 1= - 1 . Т а к и м о б р а зо м , в т о ч к е (Х 0,А 0)1 = (2 , 2, 1, 1) и м еем
0 4 4 2
0 4 4
4 2 0 0
4 2 0 = -3 2 < 0 и
4 0 0 0
4 0 0
2 0 0 2
В т о ч к е (Х„, Л0)2 = (2 , - 2 , 1 , 1 )
0 4 -4 2
0 4 -4
4 2 0 0
4 2 0 = -3 2 < 0 и
-4 0 0 0
-4 0 0
2 0 0 2
Н аконец, в точке (Х0, Л0)3 = (2,8, 0, 1,4, 1,4)

0 4 0 2
0 4 0
4 2 0 0
4 2 0 = 12,8 > 0 и
0 0 - 0 ,8 0
0 0 - 0 ,8
2 0 0 2
О тсю да с л е д у е т , ч то (X,,), и (Х„)2 — т о ч к и м и н и м у м а . Т от ф а к т , ч т о в т о ч к е ( Х Д не

у д о в л е т в о р я ю т с я д о ст а т о ч н ы е у с л о в и я м а к с и м у м а и л и м и н и м у м а , не о зн а ч а е т , что
э т а т о ч к а не я в л я е т с я э к с т р е м а л ь н о й . Э то с л е д с т в и е т о го , ч т о и с п о л ь зу е м ы е у с л о
в и я я в л я ю т с я л и ш ь д о ст а т о ч н ы м и .
Д л я и л л ю с т р а ц и и с х е м ы п р о в ер к и д о с т а т о ч н ы х у с л о в и й э к с т р е м у м а , к о т о р а я и с
п о л ь зу е т к о р н и п о л и н о м а , р а ссм о т р и м м а т р и ц у
'0 4 2х 2 2 '
4 2 -ц 0 0
2х 2 0 2 - 2 Х - ц 0
ч2 0 0 2 -ц ,
В т о ч к е (Х„, Л0\ = (2 , 2 , 1, 1) и м еем
|Д| = V - 2 6 //+ 1 6 = 0,
о т к у д а п о л у ч а е м ju = 2 и ju = 8 / 9 . Т ак к а к все ju > 0 , то (Х 0), = ( 2 , 2 , 1) — т о ч к а м и н и
м у м а . В т о ч к е (Х 0, Л0)2 = (2 , - 2 , 1 , 1)
|Л| = 9 / / - 2 6 //Ч -1 6 = 0 ,
ч т о со в п а д а ет с р ассм о т р ен н ы м вы ш е с л у ч а е м . С л ед о в а тел ь н о , (Х 0)2 = ( 2 , - 2 , 1) я в
л я е т с я т о ч к о й м и н и м у м а . Н а к о н е ц , в т о ч к е (Х„, Л0)3 = ( 2 ,8 , 0 , 1 ,4 , 1 ,4 )
|Д| = 5 / / - 6 // - 8 = 0 ,
о т к у д а п о л у ч а ем ju = 2 и / / = - 0 , 8 , ч т о с в и д ет е л ь с т в у е т о том , что точка
(Х„)з = ( 2 ,8 , 0 , 1 ,4 ) не я в л я е т с я э к с т р ем а л ь н о й .
У П Р А Ж Н Е Н И Я 20.2.3
1. М ет о д о м Я к о б и и м ет о д о м м н о ж и т е л е й Л а г р а н ж а р еш и т е с л е д у ю щ у ю за д а ч у
л и н ей н ого програм м ирован ия.
М а к с и м и зи р о в а т ь /( X ) = 5 х , + З х 2
^ (Х ) = х, + 2хг + х 3- 6 = 0,
g 2(X ) = 3 * j + х 2 + х 4 - 9 = 0 ,
*!> * 2>х г> * 4^ 0 .

2 . Н а й д и т е о п т и м а л ь н о е р е ш е н и е с л е д у ю щ е й за д а ч и .
Минимизировать / ( X) = х ,2 + 2х\ +10х,2

g l(X) = xl + х ] + х ,- 5 = 0,
g 2 (X) = х, + 5х2 + х, - 1 = 0.
П у ст ь g \( X ) = 0 ,0 1 и g 2( X ) = 0 ,0 2 . Н а й д и т е в е л и ч и н у со о т в е т с т в у ю щ е г о и з м е
н е н и я о п т и м а л ь н о г о зн а ч е н и я ф у н к ц и и f ( X ) .
3. Р еш и т е у п р а ж н ен и е 2 0 .2 .2 .6 м етодом м н о ж и т ел ей Л агр ан ж а и проверьте, что
п ол учен н ы е зн ач ен и я м н о ж и т ел ей Л а гр а н ж а совп адаю т со зн ач ен и я м и к о эф ф и
ц и ен тов чувствител ьности, п ол учен н ы м и р анее пр и реш ен и и этого уп р а ж н ен и я .
20.2.2. Ограничения в виде неравенств

В д а н н о м р а зд е л е п о к а з а н о , к а к м е т о д м н о ж и т е л е й Л а г р а н ж а м о ж н о о б о б щ и т ь
н а с л у ч а й за д а ч и с о г р а н и ч е н и я м и в в и д е н ер а в ен ст в . О сн о в н у ю ч а ст ь р а зд е л а с о
с т а в л я ет вы в од у с л о в и й К у н а -Т а к к е р а , к о т о р ы е и гр а ю т в а ж н у ю роль в н е л и н е й
ном п р о г р а м м и р о в а н и и .
О бобщ ен н ы й м ет о д м н о ж и т ел ей Л а г р а н ж а . П усть да н а за д а ч а , в котор ой тр ебуется

м а к с и м и зи р о в а т ь z = / ( X )
g l( X ) < 0 , і = 1, 2 ........т .
Е сл и в р а ссм а т р и в а ем о й за д а ч е и м е ю т с я у с л о в и я н е о т р и ц а т е л ь н о с т и п е р е м е н н ы х
X > 0 , то п р е д п о л а г а е т с я , ч т о о н и в к л ю ч ен ы в у к а за н н ы е т о г р а н и ч е н и й .
О сн овная и д е я об о б щ ен н о го м ет о д а м н о ж и т е л е й Л а г р а н ж а со ст о и т в то м , ч то есл и
точ к а б е з у с л о в н о г о о п т и м у м а ф у н к ц и и f ( X ) не у д о в л ет в о р я ет всем огр а н и ч ен и я м з а
д а ч и , т о оп т и м ал ь н ое р еш ен и е за д а ч и с о гр а н и ч ен и я м и д о л ж н о д о ст и га т ь ся в гр а
ни ч н ой т оч к е обл асти д о п у ст и м ы х р еш ен и й . С л едов ател ь н о, о д н о и л и н еск о л ь к о и з т
о гр ан и ч ен и й за д а ч и д о л ж н ы вы п олн я ться к а к р авен ства. П о эт о м у вы ч и сл и тел ь н ая
п р о ц ед у р а о б о б щ ен н о го м ет о д а м н о ж и т е л ей Л а г р а н ж а вк лю чает сл е д у ю щ и е ш а ги .
Ш а г 1. Р е ш а е т с я за д а ч а б е з у ч е т а о г р а н и ч е н и й
м а к с и м и зи р о в а т ь z = f ( X ) .
Е сл и п о л у ч е н н о е о п т и м а л ь н о е р е ш е н и е у д о в л е т в о р я е т всем о г р а
н и ч ен и я м за д а ч и , в ы ч и сл ен и я за к а н ч и в а ю т с я , так к а к все о г р а
н и ч е н и я я в л я ю т с я и зб ы т о ч н ы м и . И н а ч е с л е д у е т п о л о ж и т ь k = 1
и п ер ей ти к ш агу 2.
Ш аг 2 . А к ти в и зи р у ю тся лю бы е k огр аничени й задачи (т .е . преобразовы ваю т
ся в равенства), и о п ти м и зи р у ется ф у н к ц и я f ( X ) пр и н ал ичи и k огра
н и ч ен и й м етодом м н о ж и т ел ей Л а гр а н ж а . Е сл и оптим альн ое р еш ение
этой зад ач и явл яется д о п усти м ы м по отн ош ен и ю к остальны м огра
ни ч ен и я м и сх о д н о й задач и , вы ч и сления заканчиваю тся: полученн ая
точ к а я вл яется л о к а л ь н ы м о п т и м у м о м 2. И наче н у ж н о сделать актив
ны м и др у ги е k огр аничени й и сх о д н о й задачи и повторить данны й
ш аг. Е сли вс е п од м н о ж еств а , состоя щ и е и з k активн ы х ограничений,
не при в одят к д о п у ст и м о м у р еш ен и ю , сл ед у ет перейти к ш агу 3.
Ш аг 3. Е сл и k = m, вы числения прекращ аю тся: задача не и м еет доп усти м ы х
р еш ен и й . И наче н еобход и м о п о л о ж и ть k = k + 1 и перейти к ш агу 2.
В о п и с а н н о й в ы ч и сл и т ел ь н о й п р о ц е д у р е ч а ст о и г н о р и р у ет ся то в а ж н о е о б с т о я
т ел ь ст в о , ч то о н а н е г а р а н т и р у е т п о л у ч е н и я гл о б а л ь н о г о о п т и м у м а д а ж е в т е х
2 Локальный оптимум определяется из множества оптимумов, полученных в результа

те оптимизации целевой функции f(X) при учете всех комбинаций из k ограничений-
равенств, k = 1, 2, ..., т.
с л у ч а я х , к о г д а за д а ч а и м е е т е д и н с т в е н н о е о п т и м а л ь н о е р е ш е н и е . Д р у г и м важ н ы м
м о м ен т о м я в л я е т с я о ш и б о ч н о с т ь и н т у и т и в н о го п р е д с т а в л е н и я , ч т о е с л и p < q , то
о п т и м а л ь н о е зн а ч е н и е ц е л е в о й ф у н к ц и и /( X ) п р и р о г р а н и ч е н и я х -р а в е н с т в а х в се
г д а л у ч ш е, ч ем п р и q о гр а н и ч ен и я х -р а в ен ст в а х . В общ ем с л у ч а е эт о и м еет м есто л и ш ь
в том сл у ч а е, к огд а набор и з р о гр а н и ч ен и й я в л я ет ся п о д м н о ж ес т в о м н абор а и з q ог
р а н и ч ен и й . Р ассм атр и в аем ы й н и ж е п р и м ер с л у ж и т и л л ю ст р а ц и ей ск а за н н о го .
Пример 20.2.6
Максимизировать z = ~(2х, - 5)2 ~ ( 2 х 2 - 1)2
х г + 2хг < 2,
x l t x2> 0 .
Г р а ф и ч еск о е п р ед ст а в л ен и е д а н н о й за д а ч и (р и с . 2 0 .7 ) п р и зв а н о п о м о ч ь в п о н и м а
н и и а н а л и т и ч е с к и х в ы к л а д о к . К а к в и д и м , ц е л е в а я ф у н к ц и я за д а ч и я в л я е т с я в о
г н у т о й , а обл асть д о п у с т и м ы х р е ш е н и й в ы п у к л о й . О т сю д а с л е д у е т , ч т о эф ф е к т и в
н ы й ал го р и тм д о л ж е н га р а н ти р о в а т ь о п р е д е л е н и е г л о б а л ь н о г о о п т и м у м а . О дн ако
о б о б щ ен н ы й м ет о д м н о ж и т е л е й Л а г р а н ж а , к а к б у д е т п о к а з а н о , п о зв о л я е т н а й т и
л и ш ь т о ч к у л о к а л ь н о го м а к с и м у м а .
Рис. 20.7. Прост ранство решений для з а д а

чи примера 20.2.6
Т о ч к а б е зу с л о в н о г о эк с т р е м у м а н а х о д и т с я к а к р е ш е н и е у р а в н е н и й
- ^ = -4 (2 * , - 5 ) = 0,
ОХ,
Т ~ = “4 (2 x2 - 1 ) = 0.
дхг
О тсю да и м еем (х ,, х2) = ( 5 / 2 , 1 /2 ) . Т ак к а к эт о р е ш е н и е не у д о в л е т в о р я е т у сл о в и ю

-V, + 2 х 2 < 2 , о г р а н и ч ен и я п о о ч е р е д н о а к т и в и зи р у ю т с я . Р а с с м о т р и м о гр а н и ч ен и е
х, = 0. Ф у н к ц и я Л а г р а н ж а в это м с л у ч а е п р и м е т ви д
І ( Х |,Х 2Д ) = - ( 2 Х | - 5 )2 ~( 2 х 2- 1)2 - Ajc,.

— = —4(2дг, - 5 ) - Я. = 0,
ЙХ|
— = - 4 ( 2 х , - 1 ) = 0,
дх2 V 2 ; -
— = -х =0
дх х'
Р е ш е н и е м эт о й си ст ем ы б у д е т т о ч к а (jCj, jc2) = ( 0 , 1/2), к о т о р а я я в л я е т с я т о ч к о й
м а к с и м у м а , в ч ем м о ж н о у б е д и т ь с я , и с п о л ь зу я д о с т а т о ч н о е у с л о в и е . П о с к о л ь к у эт а
т о ч к а у д о в л е т в о р я е т о ст а л ь н ы м о г р а н и ч е н и я м и с х о д н о й за д а ч и , в ы ч и сл и т ел ь н а я
п р о ц е д у р а за в ер ш а ет ся : (х ,, jc2) = (0 , 1 / 2 ) — т о ч к а л о к а л ь н о го м а к с и м у м а за д а ч и .
(З а м е т и м , ч то есл и п о о ч е р е д н о а к т и в и зи р о в а т ь о с т а в ш и е с я о г р а н и ч е н и я за д а ч и
х2 > 0 и х, + 2 х2 < 2 , то п о л у ч а ю т с я н е д о п у с т и м ы е р е ш е н и я .) О п ти м а л ь н о е зн а ч е н и е
ц е л ев о й ф у н к ц и и z = - 2 5 .
К а к в и д н о и з р и с. 2 0 .7 , д о п у с т и м о м у р е ш е н и ю (xlt х 2) = (2 , 0 ) р а с с м а т р и в а е м о й з а
д а ч и , к о т о р о е о п р е д е л я е т с я т о ч к о й п е р е с е ч е н и я д в у х п р я м ы х х г = 0 и jt, + 2х2 = 2,
с о о т в ет ст в у ет зн а ч е н и е ц е л е в о й ф у н к ц и и z = - 2 . О но л у ч ш е зн а ч е н и я ф у н к ц и и z ,
к о т о р о е п о л у ч е н о с у ч ет о м о д н о г о а к т и в н о го о г р а н и ч е н и я .
К ак сл едует и з оп и сан н ой вы числительной п р оц едур ы , при р еа л и за ц и и о б о б щ ен н о

го м ет ода м н о ж и т ел ей Л а гр а н ж а на бол ьш ее, чем п ол учен и е п р и ем л ем ого д о п у ст и м о го
р еш ен и я задач и , не сл едует рассчиты вать. О собенно это пр оявл яется тогда, к о гд а ц ел е
вая ф у н к ц и я задач и не я вл яется о д н ов ер ш и н н ой . Е сл и в оп ти м и зац и он н ой за д а ч е и м е
ется еди н ствен н ы й (глобальны й) усл овн ы й эк стр ем ум (к ак в пр им ер е 2 0 .2 .6 ) , т о , чтобы
его н ай т и , м о ж н о и сп ол ь зовать о т к о р р ек т и р о в а н н ы й обо б щ ен н ы й м ет о д м н о ж и т е л е й
Л а гр а н ж а . Д л я эт ого н ео б х о д и м о п р ов ести ср а в н ен и е б езу сл о в н о го о п т и м у м а и у с
л о в н ы х эк ст р ем у м о в , п о л у ч е н н ы х с у ч ет о м в с е х в о зм о ж н ы х н абор ов а к т и в н ы х о гр а
н и ч ен и й , т .е . к о г д а сн ач а л а от д ел ь н ы е о гр а н и ч ен и я д ел а ю т ся а к ти в н ы м и п о о ч е р е д
н о, зат ем р ассм ат р и в аю т ся пары а к т и в н ы х о гр а н и ч ен и й , и так д о т ех п о р , п о к а все т
о гр ан и ч ен и й рассм атр и в а ем о й за д а ч и не ст а н у т ак ти вн ы м и . Н а и л у ч ш и й и з в с е х т а
к и х д о п у с т и м ы х эк ст р ем у м о в я в л я ет ся глобал ьн ы м .
Е сл и э т у п р о ц е д у р у п р и м ен и т ь к р е ш е н и ю за д а ч и и з п р и м ер а 2 0 .2 .6 , то д л я о п
р е д е л е н и я гл о б а л ь н о г о эк с т р е м у м а н е о б х о д и м о р еш и т ь сем ь за д а ч . Э то с в и д е т е л ь
ст в ует о т о м , ч т о в о з м о ж н о с т и и с п о л ь зо в а н и я о б о б щ е н н о г о м е т о д а м н о ж и т е л е й Л а
г р а н ж а д л я р е ш е н и я п р а к т и ч е с к и х за д а ч о г р а н и ч ен ы .
У с л о в и я К у н а -Т а к к е р а . Д а н н ы й р а зд е л п о с в я щ е н р а ссм о т р ен и ю н е о б х о д и м ы х
у сл о в и й К у н а -Т а к к е р а , к о т о р ы е п о зв о л я ю т о п р е д ел я т ь ст а ц и о н а р н ы е т о ч к и в з а
д ач е н е л и н е й н о г о п р о г р а м м и р о в а н и я с о г р а н и ч е н и я м и в ви де н ер а в ен ств . В о сн о в у
и з л о ж е н и я п о л о ж е н м е т о д м н о ж и т е л е й Л а г р а н ж а . Э ти у с л о в и я я в л я ю т с я т а к ж е
и дост аточ н ы м и , есл и вы п ол н я ю тся о п р ед ел ен н ы е пр ав и л а, к отор ы е о п и са н ы н и ж е .
Р а ссм о т р и м с л е д у ю щ у ю за д а ч у .
М а к с и м и зи р о в а т ь г = /( X )
пр и о г р а н и ч е н и я х
g (X )< 0.
О г р а н и ч ен и я -н ер а в ен ст в а м о ж н о п р ео б р а зо в а т ь в р а в ен ств а с п о м о щ ь ю н е о т р и ц а
т е л ь н ы х д о п о л н и т е л ь н ы х п е р е м е н н ы х . П у ст ь S 2(> 0 ) — д о п о л н и т е л ь н а я п е р е м е н
н а я , к о т о р а я п р и б а в л я е т с я к л е в о й ч а ст и і-го о г р а н и ч е н и я g ,(X ) < 0 и п усть
г д е т — о б щ ее к о л и ч ест в о о г р а н и ч е н и й -н е р а в е н с т в . С л ед о в а т ел ь н о , ф у н к ц и я Л а
г р а н ж а за п и сы в а ет ся в в и д е
Д Х , S , X) = /( X ) - X [g (X ) + S*].
П р и о г р а н и ч е н и я х g (X ) < 0 н е о б х о д и м ы м у с л о в и е м о п т и м а л ь н о с т и в за д а ч е м а к с и
м и з а ц и и (м и н и м и з а ц и и ) я в л я ет ся н е о т р и ц а т ел ь н о ст ь (с о о т в е т с т в е н н о , н е п о л о ж и
т ел ь н о ст ь ) м н о ж и т е л е й X. П р и в ед е м о б о с н о в а н и е эт о г о . Р а с с м о т р и м з а д а ч у м а к с и
м и з а ц и и . Т ак к ак м н о ж и т е л и X в ы р а ж а ю т ск о р о ст ь и з м е н е н и я ц е л е в о й ф у н к ц и и f
п о о т н о ш е н и ю к и зм е н е н и я м g , т .е .
т о к а к тол ь к о п р а в а я ч аст ь о г р а н и ч е н и я g (X ) < 0 у в е л и ч и в а е т с я и с т а н о в и т с я б о л ь

ш е н у л я , о б л а ст ь д о п у с т и м ы х р е ш е н и й за д а ч и р а с ш и р я е т с я и , с л е д о в а т е л ь н о , о п
т и м а л ь н о е зн а ч е н и е ц е л е в о й ф у н к ц и и не м о ж е т у м е н ь ш и т ь с я . Э то зн а ч и т , что
X > 0 . А н а л о г и ч н о в за д а ч е м и н и м и за ц и и п р и у в е л и ч е н и и п р а в о й ч а ст и о г р а н и ч е
н и я о п т и м а л ь н о е зн а ч е н и е ф у н к ц и и f не м о ж е т у в е л и ч и т ь с я , о т к у д а с л е д у е т , что
X < 0. Е сл и ж е о г р а н и ч ен и я за д а ч и и м ею т в и д р а в ен ств , т .е . g (X ) = 0 , то к о м п о н ен т ы
в ек тор а X п о з н а к у н е о г р а н и ч е н ы (с м . у п р а ж н е н и е 2 0 .2 .4 .2 ) .
У к а за н н ы е вы ш е о г р а н и ч е н и я на в ек то р X д о л ж н ы р а сс м а т р и в а т ь с я как часть
н е о б х о д и м ы х у с л о в и й К у н а -Т а к к е р а . Т еп ер ь п о л у ч и м о с т а л ь н ы е у с л о в и я .
В ы ч и с л я я ч а ст н ы е п р о и зв о д н ы е ф у н к ц и и L и о X , S и X и п р и р а в н и в а я и х к н у
л ю , п о л у ч а ем
| ^ = V /( X ) - X V g ( X ) = 0 ,
— = -2X,S ,=Q, і = 1,2,..., да,
И з в т ор ой г р у п п ы у р а в н е н и й с л е д у ю т т а к и е р езу л ь т а т ы .
1. Е сл и Я, не р а в н я ет с я н у л ю , то S,2 = 0 . Э то о зн а ч а е т , ч то с о о т в ет ст в у ю щ и й э т о
м у о г р а н и ч ен и ю р е с у р с я в л я е т с я д е ф и ц и т н ы м и , с л е д о в а т е л ь н о , п о л н о ст ь ю
и сч ер п а н (о г р а н и ч е н и е и м ее т в и д р а в ен ств а ).
2 . Е сл и S 2 > 0 , то Я, = 0 . Э то зн а ч и т , ч т о і-й р ес у р с д е ф и ц и т н ы м не я в л я е т с я и,
П о л у ч ен н ы е у сл о в и я ф а к т и ч еск и п о д т в е р ж д а ю т п р е д ы д у щ и й р езу л ь та т , и бо есл и

Я, > 0 , то g t( X ) = 0 и л и .S',2 = 0 . А н а л о ги ч н о п р и g ,(X ) < 0 Sf > 0 и , сл ед о в а т ел ь н о , Я, = 0 .
Т еп ер ь д л я за д а ч и м а к с и м и за ц и и м о ж н о сф о р м у л и р о в а т ь у с л о в и я К у н а -Т а к к е р а ,
н е о б х о д и м ы е д л я т ого, чтобы век тор ы X и X о п р е д ел я л и ст а ц и о н а р н у ю точку:
Х>0,
V f ( X ) - X V g (X ) = 0 ,
Я Д (Х ) = 0 , 1 = 1 , 2 .............
g (X )< 0 .
Ч и т а т ел ь и м е е т в о з м о ж н о с т ь с а м о с т о я т е л ь н о у б е д и т ь с я , ч т о эт и у с л о в и я п р и м е н и
мы т а к ж е к за д а ч е м и н и м и за ц и и , з а т ем л и ш ь и с к л ю ч е н и е м , ч т о в ек то р X д о л ж е н
бы ть н е п о л о ж и т е л ь н ы м , к а к эт о б ы л о у с т а н о в л е н о р а н ее . П р и р е ш е н и и к а к за д а ч и
м а к с и м и з а ц и и , так и за д а ч и м и н и м и з а ц и и м н о ж и т е л и Л а г р а н ж а , с о о т в е т с т в у ю
щ и е о г р а н и ч е н и я м в в и д е р а в ен ств , п о з н а к у не о г р а н и ч ен ы .
Д о с т а т о ч н о с т ь у с л о в и й К у н а -Т а к к е р а . Е сл и ц е л е в а я ф у н к ц и я и о б л а ст ь д о п у с
т и м ы х р е ш е н и й р а ссм а т р и в а е м о й з а д а ч и о б л а д а ю т о п р е д е л е н н ы м и с в о й ст в а м и ,
с в я за н н ы м и с в ы п ук л ост ь ю и в о г н у т о ст ь ю , то н е о б х о д и м ы е у с л о в и я К у н а -Т а к к е р а
я в л я ю т с я т а к ж е д о ст а т о ч н ы м и . У п о м я н у т ы е св о й ств а п ер е ч и с л е н ы в т а б л . 2 0 .1 .
Таблица 20.1
Требуемые свойства
Тип оптимизации Целевая функция Область допустимых решений

Максимизация Вогнутая Выпуклое множество
Минимизация Выпуклая Выпуклое множество
П р о ц е д у р а п р о в ер к и в ы п у к л о ст и и л и в о г н у т о ст и н ек о т о р о й ф у н к ц и и я в л я ет ся
б о л е е п р о с т о й , ч ем д о к а за т е л ь с т в о в ы п у к л о ст и м н о ж е с т в а д о п у с т и м ы х р еш е н и й
эк ст р ем а л ь н о й за д а ч и . Т ак к а к в ы п у к л о ст ь д о п у с т и м о г о м н о ж е с т в а м о ж е т бы ть
у с т а н о в л ен а п у т ем н е п о с р е д с т в е н н о й п р о в ер к и в ы п у к л о ст и и л и в о г н у т о ст и ф у н к
ц и й о г р а н и ч е н и й , по эт о й п р и ч и н е м ы п р и в о д и м п ер еч ен ь т р еб о в а н и й , к о т о р ы е
л е г ч е и сп о л ь зо в а т ь на п р а к т и к е . Ч тобы у ст а н о в и т ь эт и т р еб о в а н и я , р а ссм о т р и м з а
д а ч у н ел и н е й н о г о п р о г р а м м и р о в а н и я в о б щ е й п о с т а н о в к е .
М а к си м и зи р о в а т ь и л и м и н и м и зи р о в а т ь г = f ( X )
g , ( X ) < 0 , i = l , 2 ........г,
£ ( Х ) > 0 , i = r + 1 ........... р,
g t( X ) = 0 , i = p + 1 ........... т .
П р и этом ф у н к ц и я Л а г р а н ж а и м е е т вид
L{X,S,X) = /(X) - 2>, [ft (X) + Sf ] - £ X, [g, (X) - S,2] - J \g, (X),
i=l i= r + l i =p*\
где Я( — м н о ж и т ел ь Л а г р а н ж а , со о т в ет ств у ю щ и й і-м у о гр а н и ч ен и ю . Т р еб о в а н и я , к о

торы е уст ан авл и в аю т достаточ н ость у сл о в и й К у н а -Т а к к е р а , при в еден ы в табл. 2 0 .2 .
Таблица 20.2
Требуемые свойства
Тип оптимизации т 9(Х) X,
Выпуклая >0 (1 < і < г)

Максимизация Вогнутая Вогнутая <0 (г + 1 й і < р)
Линейная Нет ограничений (р + 1< /< т)
VI
VI
Выпуклая
к
<0
Минимизация Выпуклая Вогнутая 2:0 (г + 1< I < р)
Линейная Нет ограничений ( р +1 < / < т )
В т а б л . 2 0 .2 п р е д с т а в л е н а л и ш ь ч а с т ь у с л о в и й , у п о м я н у т ы х в т а б л . 2 0 .1 . Э то
связан о с тем , что область доп устим ы х реш ен и й задачи м ож ет бы ть вы пуклой,
и в то ж е в р е м я ф у н к ц и и о г р а н и ч е н и й , к о т о р ы е ее ф о р м и р у ю т , м о гу т не с о о тв е тс т
в о в а т ь т р е б о в а н и я м , п е р е ч и с л е н н ы м в т а б л . 2 0 .2 .
З а к о н н о с т ь п о л о ж е н и й т а б л . 2 0 .2 о с н о в а н а н а т о м , ч т о п р и с ф о р м у л и р о в а н н ы х
у с л о в и я х ф у н к ц и я Л а г р а н ж а Д Х , S , А) я в л я е т с я в о г н у т о й в з а д а ч е м а к с и м и з а ц и и
и в ы п у к л о й — в за д а ч е м и н и м и з а ц и и . Э то п о д т в е р ж д а е т с я т е м , ч т о е с л и g ,(X ) —
в ы п у к л а я ф у н к ц и я , т о ф у н к ц и я А д (Х ) о к а з ы в а е т с я в ы п у к л о й п р и Ą > 0 и вогн у
т о й — п р и А ,< 0 . А н а л о г и ч н ы е р а с с у ж д е н и я п о д т в е р ж д а ю т в с е о с т а л ь н ы е у с л о в и я .
З а м ет и м т а к ж е , ч то л и н е й н а я ф у н к ц и я я в л я е т с я к а к в ы п у к л о й , т а к и вогн утой .
Н а к о н е ц , есл и ф у н к ц и я f в о гн у тая, то ф у н к ц и я - f я в л я е т с я в ы п у к л о й , и наоборот.
Пример 20.2.7
Р ассм о тр и м следую щ ую задачу .
Минимизировать /( X ) = х* + х\ + х]
при ограни чениях
g 1( X ) = 2 x 1 + x 2 - 5 < 0 ,
g 2(X ) = х , + хз - 2 < 0,
g 3( X ) = l - x , < 0 ,
g 4(X ) = 2 - * 2 < 0 ,
g 5(X ) = - * 3 < 0 .
П о с к о л ь к у р а сс м атр и в ае тся зад ач а м и н и м и за ц и и , то X < 0. П оэто м у у сл о в и я К ун а-

Т ак к е р а за п и сы в аю тся в следую щ ем виде.
(А,, А2, Ад, А4, А5) < 0 ,
(2 1 0)
1 0 1
(2.x,, 2х2, 2.x,) - (X, Д 2Д , Д 4, Х5) - 1 0 0 = 0,
0 - 1 0
0 0-1
Л £ і = Л & = — = Л «г5 = 0 >

g (X )< 0 .
Э ти у с л о в и я м о ж н о у п р о с ти ть и п р и в е с ти к ви ду
Л> ^2> Л>

2хг - 2Лг - Л г + Л3 = 0,
2хг - Лг + Л4 = 0,
2х 3 - Лг + Ль = О,
АД2.Х, + х2 - 5) = О,
Я2(* і + х 3 - 2 ) = 0 ,
Я3(1 - X , ) = О,
Л ( 2 - х г) = °>
Л<х з = О,
2.Xj + х2 < 5,
+ х 3 < 2,
Xj ^ 1 , х 2 ^ 2 , х 3 ^ 0 .
О тсю да п о л у ч аем р еш ен и е: хх = \ , хг = 2, х 3 = 0, Лх = Лг = Лъ = О, Л3 = - 2 , Л4 = - 4 . П о
скольку и целевая ф ун кц и я ДХ), и о б л а с т ь д о п у с т и м ы х р е ш е н и й g (X) < 0 я в л я ю т с я
в ы п у к л ы м и , ф у н к ц и я L (X , S, X ) т а к ж е д о л ж н а б ы т ь в ы п у к л о й , и п о л у ч е н н а я с т а
ц и о н ар н ая точка оп ределяет глоб ал ьн ы й м ини м ум задачи . Р ассм отрен н ы й прим ер
п о казы вает т ак ж е, что р еш ен и е си стем ы , порож ден н ой у сло ви ям и К у н а -Т а к к ер а ,
в явн ой ф орм е м ож ет бы ть затруд н и тельн ы м . С ледовательно, дл я чи слен н ы х рас
ч е то в о п и с а н н а я п р о ц е д у р а не п о д х о д и т . Т ем не м ен ее у с л о в и я К у н а -Т а к к е р а и г
раю т основополагаю щ ую роль п ри рассм отрен и и алгори тм ов реш ен и я задач н ели
нейного п р о гр ам м и р о в а н и я в гл ав е 21.
1. П о к а ж и т е , ч т о у с л о в и я К у н а - Т а к к е р а д л я з а д а ч и
м аксим изировать f(X )
g (X )> 0
с о в п а д а ю т с у с л о в и я м и , с ф о р м у л и р о в а н н ы м и в р а з д е л е 2 0 .2 .2 , с т о й л и ш ь
разн и ц ей , что м н ож и тел и Л агр ан ж аХ д олж н ы бы ть н еп олож и тельн ы м и .
2. Д ан а след у ю щ ая задача.
М акси м и зи ровать f(X )
g (X ) = 0.
П о к аж и те, что у сл о ви я К у н а -Т а к к е р а д л я этой зад ач и им ею т вид
V f( X ) - X V g ( X ) = 0,
g (X ) = 0,
X по зн а к у не ограни чен.
3. З ап и ш и те необходим ы е у сл о ви я К у н а -Т а к к е р а д л я следую щ и х задач.

a) М акси м изировать / ( X ) = х] - х \ + x tx]
п ри ограни чениях
х, + х \ + х у = 5,
5х,2 - х ] - х , > 0,
JCj>0, х 2> 0 , х 3> 0 .

b) М иним изировать / ( X ) = х* + х \ + 5х,х2х3

x i ~ Х1 + х ] < 10,
х] + х 2 + Ах] > 20.
4. Д ан а задача
м а к с и м и з и р о в а т ь /(X )
g (X ) = 0.
П у с т ь f ( X ) — в о г н у т а я ф у н к ц и я , a g ,(X ) ( і = 1 , 2 ......... тп) — л и н е й н ы е ф у н к
ц и и . П о к а ж и т е , ч то в этом с л у ч ае н ео б х о д и м ы е у с л о в и я К у н а -Т а к к е р а о к а
зы в аю тся т а к ж е и д о статочн ы м и . В ерно л и последнее у твер ж д ен и е, если
g t( X ) я в л я е т с я в ы п у к л о й н е л и н е й н о й ф у н к ц и е й д л я в с е х і? П о ч е м у ?
5. Д а н а за д а ч а
м а к с и м и з и р о в а т ь /(X )
# i ( X ) > 0 , g 2( X ) = 0 , g 3( X ) ^ 0 .
С ф орм улируй те усло ви я К у н а -Т а к к е р а д л я дан н ой зад ач и и установите требова
н и я к ф ун кц и ям , при р еали зац и и которы х вы полняю тся у казан н ы е условия.
1. B a z a r a a М ., S h r a li Н . a n d S h e t ty С . N o n l i n e a r P r o g r a m m i n g T h e o r y a n d A l g o
r i t h m s , 2 n d e d ., W ile y , N e w Y o r k , 1 9 9 3 . ( С у щ е с т в у е т п е р е в о д п е р в о г о и з д а н и я :
Б а з а р а М ., Ш е т т и К . Н е л и н е й н о е п р о г р а м м и р о в а н и е . Т е о р и я и а л г о р и т м ы . —
М .: М и р , 1 9 8 2 .)
2 . B e i g h t l e r С ., P h i l l i p s D . a n d W i l d e D . F o u n d a t i o n s o f O p t i m i z a t i o n , 2 n d e d . , P r e n
tic e H a ll, N . J . , 1 9 7 9 .
3 . R a r d in R . O p t i m i z a t i o n in O p e r a tio n s R e s e a r c h , P r e n tic e H a ll, N . J . , 1 9 9 8 .

1 . Б а н д и Б . М е т о д ы о п т и м и з а ц и и . В в о д н ы й к у р с . — М .: Р а д и о и с в я з ь , 1 9 8 8 .
2 . З а н г в и л л У . И . Н е л и н е й н о е п р о г р а м м и р о в а н и е . — М .: С о в . р а д и о , 1 9 7 3 .
3 . С у х а р е в А . Г ., Т и м о х о в А . В . , Ф е д о р о в В . В . К у р с м е т о д о в о п т и м и з а ц и и . — М .:
Н аука, 1986.
4. П о л як Б . Т. В ведение в опт им изацию . — М .: Н а у к а , 1 9 8 3 .
5 . Х и м м е л ь б л а у Д . П р и к л а д н о е н е л и н е й н о е п р о г р а м м и р о в а н и е . — М .: М и р , 1 9 7 5 .
Г Л А В А 2 1
АЛГОРИТМЫ НЕЛИНЕЙНОГО
М етоды р еш ен и я задач н ел и н ей н о й п р о гр ам м и р о ван и я условн о м ож н о р азде
л и т ь н а два кл асса: п р я м ы е и н е п р я м ы е м етоды . П ри м ером п р я м ы х м етодов м огут
с л у ж и т ь гр ад и ен тн ы е м ето д ы , где эк стр ем у м ф у н к ц и и н а х о д и т с я п о сл ед о вател ьн о
при дви ж ен и и в н ап р авлен и и во зр астан и я и ли у бы ван и я ф у н к ц и и в соответствии
с вы чи сл ен н ы м и на к аж д о м ш аге зн ач ен и ям и гради ен тов. В н еп р я м ы х м етодах и с
х о д н а я за д а ч а з а м е н я е т с я (а п п р о к с и м и р у е т с я ) д р у го й за д а ч е й , о п т и м а л ь н о е р е ш е
ни е которой м ож н о н ай ти . С ю да о тн о сятся м етоды квад р ати чн о го , сепарабельного
и стохасти ческого п р о гр ам м и р о ван и я.
21.1. АЛГОРИТМЫ РЕШ ЕНИЯ ЗАДАЧ БЕЗ ОГРАНИЧЕНИЙ

В этом р а зд ел е п р е д с та в л ен ы д ва м ето д а р е ш е н и я зад ач н ел и н е й н о го п р о гр а м
м и р о в ан и я без о гр ан и ч е н и й н а п ер ем ен н ы е: м етод прям ого п о и с к а и г р а д и е н т н ы й
м етод. В первом р еал и зу ется п р ям о й п о и ск о п ти м ал ьн о й т о ч к и в зад ан н о й области,
т о гд а к а к во вто р о м м ето д е, ч то б ы н а й т и эк с тр е м ал ь н у ю т о ч к у , и с п о л ь зу е т с я г р а
диент целевой ф у н кц и и .
21.1.1. Методы прямого поиска

М ето д ы п р я м о го п о и ск а п р и м е н я ю т с я гл а в н ы м о бразом д л я о п р е д е л ен и я э к с
тр ем у м о в ф у н к ц и й одн ой п ер ем ен н о й . Н есм о тр я н а то что т а к и е за д а ч и м о гу т п о
к азатьс я тр и в и ал ь н ы м и , в следую щ ем разделе п о к азан о , что м етоды п р ям ого п о
и ска н ах о д ят п ри м ен ен и е и при реш ен и и м ногом ерны х задач.
И д ея м етодов п рям ого п о и ска п роста. С начала о п р ед ел яется и н те р в ал н еоп ре
делен н ости , которы й содерж и т иском ую то чку оп тим ум а. Затем дли н а интервала
п оследовательн о у м ен ьш ается до тех пор, п ока не будет н ай ден а то ч ка оптим ум а.
П роц ед ура стр о и тся т а к и м образом , ч то д л и н у и н те р в ал а , со д ер ж ащ его о п ти м а л ь
ное реш ен и е, м ож н о сд ел ать ско л ь угодно м алой .
В дан н ом р азд ел е р а ссм атр и в ается м етод д и х о то м и ч еск о го п о и с к а 1 и м етод зо
лотого сеч ен и я. В обоих м етодах на и н тервале а < х < Ь и щ ется м акси м у м ф ун кц и и
f(x), и м ею щ ей н а этом и н те р в ал е т о л ь к о о д и н м ак си м у м . (Т а к а я ф у н к ц и я н а зы в а
ется о д н о ве р ш и н н о й .) Н а ч а л ь н ы й и н тер в ал н ео п р ед елен н о сти со стои т и з исходного
и н т е р в а л а 1 0 = ( а , Ь).
1 В р у с с ко я зы ч н о й м а те м а ти че ской литературе этот метод обы чно назы вается методом деле
ния отрезка пополам. — П р и м . ред.
798 Глава 21. Алгоритмы нелинейного программирования
П у с т ь / ,_j = ( x L, х н) — и н т е р в а л н е о п р е д е л е н н о с т и н а ш а г е і ( н а н у л е в о м ш а г е
x L = а и x R= b). Д а л е е о п р е д е л я е м х г и х 2 т а к и е , ч т о
х , < х г < х 2 < х и.
С л ед у ю щ и й и н тер в ал н ео п р ед елен н о сти /, о п р е д е л я ется после в ы ч и с л ен и я зн а

ч е н и й f ( x j и f ( x 2). П р и э т о м в о з м о ж н ы т р и в а р и а н т а .
1 . Е с л и /(jCj) > f ( x 2), т о т о ч к а э к с т р е м у м а х ' д о л ж н а л е ж а т ь м е ж д у x L и х г:

x L < х < х 2. Т о г д а п о л о ж и м х Г1 = х 2 и п о л у ч и м н о в ы й и н т е р в а л н е о п р е д е л е н
н о с т и L = ( x L, х 2) ( р и с . 2 1 . 1 , а ) .
2 . Е с л и /(jCj) < f ( x 2), т о х х < х < x R, Т о г д а x L = х х и / , = (jelt х й) ( с м . р и с . 2 1 . 1 , б).
3 . Е с л и Длгг) = f ( x 2), т о х х < х < х 2. П о л о ж и м x L = х х и х н = х 2, т о г д а I t = ( x v х 2).
‘i-i і—1
I.
a) б)
Puc. 21 .1. И лл ю ст р ац и и к прямы м м ет одам поиска
П о с к о л ь к у зд е с ь н а к а ж д о м ш а г е г а р а н т и р о в а н о I, < в р езул ьтате су ж ается

и н тер вал , в котором н аход и тся то ч к а м ак си м у м а ф у н к ц и и f(x). А л го р и тм за к а н ч и
в а е т с я н а н ек о то р о м ш аге k , к о гд а бу д ет в ы п о л н я т ь с я н е р ав е н с тв о І к < Д, гд е Д —
зн ач ен и е зар ан ее задан н ой точности .
Р а зл и ч и е м е ж д у м ето д ам и д и х о то м и ч ес к о го п о и ск а и зо л о то го с еч ен и я за к л ю
ч а е т с я т о л ь к о в с п о с о б е в ы ч и с л е н и я т о ч е к х , и х 2. Ф о р м у л ы д л я в ы ч и с л е н и я э т и х
точек, представлены в следую щ ей табли це.
Метод дихотомического поиска Метод золотого сечения
*1 = (Хд + Xl - Д)/2
V5 - 1
(Xr ~ X l )
2
х г = (x r + xL + Д)/2
V5- 1
х, = х . +- ( xR- x, _)
В м етоде ди хо то м и ч еско го п ои ска зн ач ен и я и х г си м м етр и ч н ы относи тельно

с р е д н е й т о ч к и т е к у щ е г о и н т е р в а л а н е о п р е д е л е н н о с т и . Э т о о з н а ч а е т , ч т о I, = 0 , 5 ( 1 ^ + Д ).
П о сл ед о вател ьн о е п р и м ен ен и е этого р авен ств а д о к а зы в а е т, ч то д л и н а к о н ечн о го
и н т е р в а л а н е о п р е д е л е н н о с т и д о с т и гн е т з н а ч е н и я ж е л а е м о й т о ч н о с т и Д.
И д ея м етода золотого сеч ен и я не т а к а я о ч еви д н ая. З ам ети м , что в м етоде д и х о то
м и ч е с к о г о п о и с к а в ы ч и с л я ю т с я д в а з н а ч е н и я f ( x t) и f ( x 2), н о п о с л е с р а в н е н и я о д н о и з
н и х о т б р а с ы в ае тс я . В м ето д е зо л о то го с еч е н и я , т о зн а ч е н и е , к о то р о е о т б р ас ы в ае тс я
в м етоде д и х о то м и ч еско го п о и ск а, со х р ан яется и и сп о л ьзу ется на следую щ ем ш аге.
В ведем п а р ам е тр а т а к о й , ч то 0 < а < 1. П у сть
X; = XR - ^ X R - X j , X2 = XL + O f x R - X j .
Т огда и н те р в ал н е о п р ед ел ен н о сти н а ш а г е і р а в е н и л и ( x L, х г) и л и (лсг, x R). Р а с
с м о т р и м с и т у а ц и ю , к о г д а / , = (x L, je2). З д е с ь т о ч к а х { с о д е р ж и т с я в и н т е р в а л е 1 Г Н а
ш а г е і + 1 в к а ч е с т в е т о ч к и х г в ы б и р а е т с я т о ч к а х { с п р е д ы д у щ е г о ш а г а , т .е .
* 2( н а ш а г е і + 1 ) = je,(H a ш а г е і).
И с п о л ь з у я ф о р м у л ы д л я в ы ч и с л е н и я т о ч е к х г и х 2, п р и в е д е н н ы е в ы ш е , э т о р а в е н с т
во м о ж н о п е р е п и с а т ь к а к
x l + <х[х2( н а ш а г е i ; - x j = x R - a ( x R - x j
и л и , е щ е р а з п р и м е н я я а н а л о г и ч н у ю ф о р м у л у д л я * 2( н а ш а г е і) , в в и д е
x l + « / X + а ( х к “ х J “ х J = х к - а ґ х к - х ьЛ
И з последнего р авен ств а после н есл о ж н ы х п р ео б р азо ван и й п олуч и м
< * V X R - х J + а ( x r - х J - ^ X R - X l) = 0 .
П о д е л и в п о с л е д н е е в ы р а ж е н и е н а ( x R - x L), п о л у ч и м у р а в н е н и е о т н о с и т е л ь н о а :
d + а - 1=0.
Э то к в а д р а т н о е у р а в н е н и е им еет корни а = (-1 ± > /5 )/2 . П о с к о л ь к у п о у с л о в и ю

О < а < 1 , м ы в ы б и р а е м п о л о ж и т е л ь н ы й к о р е н ь а = (-1 + -75) / 2 = 0 ,6 8 1 .
М етод зо л о то го с еч ен и я п о стр о ен т а к и м о бр азо м , ч то к а ж д ы й п о сл ед у ю щ и й и н
т е р в а л н е о п р е д е л е н н о с т и м е н ь ш е п р е д ы д у щ е г о в а р а з , т .е . = a l t. П о с р а в н е н и ю
с м е т о д о м д и х о т о м и ч е с к о г о п о и с к а э т о т м е т о д с х о д и т с я з н а ч и т е л ь н о б ы с т р е е ( т .е .
через м ен ьш ее ч и сл о ш аго в п о л у ч ается и н тер в ал н ео п р ед елен н о сти зад ан н о й д л и
н ы Д , с о д е р ж а щ и й х ). К р о м е т о г о , м е т о д з о л о т о г о с е ч е н и я т р е б у е т в д в а р а з а м е н ь
ш е в ы ч и сл ен и й , чем м етод ди х о то м и ч еско го п о и ск а, п о ск о л ьк у н а к аж д о м ш аге
использую тся вы ч и сл ен и я, вы п олн ен н ы е на п реды дущ ем ш аге.
Пример 21.1.1
И м еем сл ед у ю щ у ю за д а ч у .
f3x, О < х < 2,

Максимизировать / ( х ) = <! х 20
2<х<3.
Г з +Т ’
Я с н о , ч т о м а к с и м у м ф у н к ц и и Д х ) д о с т и г а е т с я в т о ч к е х = 2. В с л е д у ю щ е й т а б л и ц е
п о к азан ы в ы ч и с л ен и я д л я д в у х ш аго в м етодов д и х о то м и ч еск о го п о и ск а и золотого
с е ч е н и я п р и Д = 0 ,1 .
Метод дихотомического поиска Метод золотого сечения

Шаг 1 Шаг 1
/о = (0, 3) = ( X L, X r), /о = (0, 3) = (xL, xR),
х, = 0 , 5 ( 3 + 0 - 0 ,1 ) = 1,45, f( x i) = 4 ,3 5 , х, = 3 - 0,618(3 - 0) = 1,146, f { x i) = 3,438,
х 2 = 0 , 5 ( 3 + 0 + 0 ,1 ) = 1 ,5 5 , f{x 2) = 4 ,6 5 , хг = 0 + 0,618(3 - 0) = 1,854, f{x 2) = 5,562,
f{x 2) > f{x і) = > x L = 1 ,4 5 , /і = (1 ,4 5 , 3). > f(*i) => xL = 1,146, /, = (1,146, 3).
Шаг 2 Шаг 2
/, = (1 ,4 5 , 3 ) = ( xl, xr), /і = (1,146, 3) = (xL, xR),
Xt = 0,5(3 + 1,45 - 0,1) = 2,175, f(*i) = 5,942, x-\ = X2 на шаге 1 = 1,854, f(*i) = 5,562,
хг = 0,5(3 + 1,45 + 0,1) = 2,275, fl^ ) = 5,908, = 1,146 + 0,618(3 - 1,146) = 2,292, f(x2) = 5,903,
f{x 1) > f[x 2) => x r = 2,275, /1 = ( 1 ,45, 2,275). f(x z ) > f ( * i) => xL = 1 ,854, h = ( 1 ,854, 3).
П р о д о л ж ая вы ч и сл ен и я, п олуч и м с зад ан н о й точностью и н тер вал ы , содерж ащ и е

т о ч к у м а к с и м у м а ф у н к ц и и f(x ).
Н а р и с . 2 1 . 2 п о к а з а н ш а б л о н E x c e l c h 2 1 D ic h o to m o u s G o ld e n S e c tio n .x ls , п р е д н а з н а ч е н
н ы й д л я п ои ска экстрем ум ов ф у н к ц и й оп и сан н ы м и м етодам и. В ходн ы м и данны м и
я в л я ю т с я ф у н к ц и я f ( x ) и к о н с т а н т ы a , b и А. В д а н н о м п р и м е р е ф у н к ц и я f ( x ) з а д а
ется в яч ей к е Е З с пом ощ ью ф орм улы
=ЕСЛИ(СЗ<=2;3*СЗ;(-СЗ+20)/3)
О т м е т и м , ч т о з д е с ь с с ы л к а С З и г р а е т р о л ь п е р е м е н н о й х . К о н с т а н т ы а и Ь, в в е д е н
н ы е в я ч е й к и В 4 и D 4 , за д а ю т и н т е р в а л п о и с к а т о ч к и эк с т р е м у м а ф у н к ц и и f(x).
З н а ч е н и е п р ед ел а то ч н о сти Д в в о д и т ся в я ч е й к у В З. М етод п о и ск а за д а е т с я путем
в в о д а с и м в о л а х в я ч е й к у D 5 (м е т о д д и х о т о м и ч е с к о г о п о и с к а ) и л и в я ч е й к у F5
(м ет о д зо л о т о го с е ч е н и я ).
Н а р и с . 2 1 .2 д л я с р а в н е н и я п о к а з а н ы р е з у л ь т а т ы в ы ч и с л е н и й в с о о т в е т с т в и и с обо
и м и м е т о д а м и . К а к в и д н о н а р и с у н к е , м е т о д зо л о т о го с е ч е н и я п о т р е б о в а л всего
40 % ч и сл а и тер ац и й , вы п о л н ен н ы х м етодом ди хотом и ч еского п ои ска.
1. С п о м о щ ью ш а б л о н а c h 2 1 D ic h o to m o u s G o ld e n S e c tio n .x ls р е ш и т е з а д а ч у и з
п р и м е р а 2 1 .1 .1 , п о л о ж и в Д = 0 ,0 1 . С р а в н и т е т о ч н о с т ь п о л у ч е н н ы х р е з у л ь т а
т о в с д а н н ы м и , п о к а з а н н ы м и н а р и с . 2 1 .2 .
2. М етодом ди х о то м и ч еско го п о и ска н ай д и те м ак си м у м ы следу ю щ и х ф у н к ц и й ,
п о л а г а я п р и эт о м , ч т о Д = 0 ,0 5 .
a)
b) f(x) = x cosx, 0 < х < щ
c) f(.x) = x s m n x , l , 5 < x < 2 , 5 ;

d ) f ( x ) = - ( x - 3 ) 2, 2 < x < 4 ;
e)
С D Е_
DichotomonvGolden Section Seaich
е х|_ xR x1 x2 f(*1) f(*2)

9 0 000000 3000000 1 450000 1 550000 4 350000 4 650000
10 1 450000 3000000 2.175000 2.275000 5 941667 5 908333
11 1 450000 2 275000 1 012500 1912500 5 437500 5 737500
12 1 012500 2 275000 1 993750 2 093750 5981250 5 968750
13 1.012500 2 093750 1 903125 2 003125 5 709375 5998958
14 1 903125 2 093750 1 948438 2 048438 5045313 5 983854
15 1 940438 2093750 1971094 2.071094 5913281 5 976302
16 1 971094 2093750 1 982422 2 082422 5 947266 5 972526
17 1 982422 2.093750 1 988086 2 088086 5 964258 5 970638
10 1.988086 2.093750 1 990910 2 090910 5 972754 5 969694
19 1 988086 2 090918 1 989502 2 089502 5 968506 5970166
20 1 989502 2 090910 1 990210 2 090210 5.970630 5 969930
21 1 989502 2090210 1 969656 2 069856 5 969568 5 970048
22 1 989656 2090210 1 990033 2 090033 5.970099 5 969989
23 1 989656 2 090033 1 969944 2 089944 5969833 5 970019
24 1 969944 2 090033 1 989989 2 089989 5 969966 5.970004
25 1 989989 2 090033 1 990011 2090011 5 970033 5 969996
26 1 989989 2 090011 1 990000 2 090000 5 969999 5 970000
27 1 990000 2 090011 1.990005 2 090005 5 970016 5 969996
28 1 990000 2 090005 1 990003 2 090003 5 970008 5 969999
А ш я В С D E H F
1 Dichotomou&Golden Section Seatch
2 Input dala: Т ґре f(C3) tn E3. where C3 repr 'ents * in fM
3 0 .1 1
4 Minimum х - 0 Maximum x • 3 H
5 Solutlon: E n t * i x to M l« C t> Dicholomous. J-rSprtl 'ГІ 1 к J
6 | х* = 2.00909 f(x*) = 5 992 }
7 Calculations: im II*
8 xL xR *1 x2 ffxD
9 Г 0 000000 3 000000 1 145898 1 054102 3 437694 5562306
10 1 145898 3 000000 1 054102 2 291796 5 562306 5.902735
11 1 054102 3 000000 2 291796 2 562Э06 5 902735 5 012565
12 1 054102 2 562306 2124612 2 291796 5 958463 5 902735
13 1 854102 2 291796 2 021286 2124612 5 992905 5 958463
14 1 854102 2124612 1 957428 2 021286 5 072283 5 992905
15 1 957428 2124612 2 021286 2 060753 5 992905 5.979749
16 1 957428 2 060753 1.996894 2.021286 5 990683 5992905
17 1 996894 2 060753 2 021286 2 036361 5 992905 5 967880
18
Р и с. 21.2. Р е а л и з а ц и я м ет о до в прямого п о и ск а в E x c e l
3. П олучите ф орм улу д л я определени я м аксим ального чи сла итераци й, вы пол

н я ем ы х в м етоде ди хотом и ч еского п о и ска п ри задан н ой вели чи н е Д и длин е
н а ч а л ь н о г о и н т е р в а л а н е о п р е д е л е н н о с т и 10 = Ь - а .
21.1.2. Градиентный метод

В этом р азд ел е р асс м ат р и в ае т ся м ето д р е ш е н и я зад ач н ел и н ей н о го п р о гр ам м и
р о в ан и я с д в аж д ы непреры вн о д и ф ф ерен ц и руем ы м и ф у н к ц и ям и . О сновная идея
м етода зак л ю ч ается в построени и п оследовательн ости точек с учетом н ап равлен и я
гради ен та исследуем ой ф у н кц и и .
О д н и м и з г р а д и е н т н ы х м е т о д о в я в л я е т с я и з л о ж е н н ы й в р а з д е л е 2 0 . 1 .2 м е т о д Н ь ю -
т о н а -Р а ф с о н а , к о то р ы й о р и ен ти р о в ан на р еш ен и е систем у р авн ен и й . Здесь рассм атри
в а е т с я е щ е о д и н м е т о д , к о т о р ы й н а з ы в а е т с я м е т о д о м н а и с к о р е й ш е г о п о д ъ е м а 2.
2
В русскоязычной математической литературе описываемый метод, называемый методом
наискорейшего сп уск а, ориентирован на решение задач безусловной минимизации. — П рим. ред.
С огласно град и ен тн ом у м етоду в ы ч и сл ен и я завер ш аю тся п р и н ах о ж д ен и и точ

к и , в к о то р о й гр ад и ен т ф у н к ц и и р авен н у л ю . Н о это л и ш ь н ео бх о ди м о е у сл о в и е д л я
того, чтобы в дан н ой точке н ах о д и л ся оп ти м ум . Ч тобы у д о стовери ться, что найде
н а и м ен н о то ч к а о п ти м у м а, обы чно п р и в л е к аю тся свой ства вогн утости и л и в ы п у к
л о ст и ф у н к ц и и f(x).
Р а с см о т р и м за д а ч у м а к с и м и з а ц и и ф у н к ц и и /(X ). П у с ть Х ° — н а ч а л ь н а я то ч ка,
с к о т о р о й н а ч и н а е т с я р е а л и з а ц и я м е т о д а , V /(X * ) — г р а д и е н т ф у н к ц и и f в k - й т о ч к е
X *. И д е я м е т о д а с в о д и т с я к о п р е д е л е н и ю в д а н н о й т о ч к е н а п р а в л е н и я р , в д о л ь к о
т о р о го п р о и зв о д н а я п о н а п р а в л е н и ю d f / d p д о с т и га е т сво его м а к с и м у м а . Э то проис-
к ■ « r ł+ 1
Х и X с вя зан ы соотнош ен ием
X k+1 = X k + r kV f ( X k),
г д е г* — п а р а м е т р , н а з ы в а е м ы й д л и н о й ш а г а в т о ч к е X *.
О бы чно зн ачени е п арам етра г вы бирается из условия, чтобы в т о ч к е Х*^1
н аб л ю д ал о сь м ак си м ал ьн о е у в ел и ч ен и е зн ач ен и я ц ел ев о й ф у н к ц и и /. Д р у ги м и
с л о в а м и , е с л и ф у н к ц и я Л (г) о п р е д е л я е т с я с о о т н о ш е н и е м
h ( r ) = f ( X k + r V f ( X k)),
т о г р а в е н з н а ч е н и ю г , н а к о т о р о м ф у н к ц и я Л (г) д о с т и г а е т м а к с и м у м а . П о с к о л ь к у
Л (г) я в л я е т с я ф у н к ц и е й о д н о й п е р е м е н н о й , ч т о б ы н а й т и е е м а к с и м у м , м о ж н о п р и
м е н и т ь м е т о д п о и с к а э к с т р е м у м а , о п и с а н н ы й в п о д р а з д е л е 2 1 .1 .1 , е с л и , к о н е ч н о ,
ф у н к ц и я Л (г) с т р о г о о д н о в е р ш и н н а я .
О п и с а н н а я п р о ц е д у р а з а к а н ч и в а е т с я , к о г д а д в е п о с л е д о в а т е л ь н ы е т о ч к и X* и X k+1
б л и з к и . Э т о э к в и в а л е н т н о т о м у , ч т о r*V /(X *) = 0 . П о с к о л ь к у г ф 0 , последнее соотнош е
н и е о з н а ч а е т , ч т о в т о ч к е X* в ы п о л н я е т с я н е о б х о д и м о е у с л о в и е э к с т р е м у м а V /(X * ) = 0 .
Пример 21.1.2
Р ассм о тр и м зад ач у м ак си м и зац и и ф у н к ц и и
/ ( х \ >х 2 ) = 4 * i + 6 х 2 - 2л:,2 - 2лг,лг2 - 2х \ .
Ф у н к ц и я Д х ,, х г) я в л я е т с я к в а д р а т и ч н о й , и н а м и зв е с тн о , ч т о ее а б с о л ю т н ы й м а к
с и м у м д о с т и г а е т с я в т о ч к е ( * ’, х\)= .
Р е ш и м э т у з а д а ч у м е т о д о м н а и с к о р е й ш е г о п о д ъ е м а . Н а р и с . 2 1 .3 и з о б р а ж е н а п о с л е
довательность п олучаем ы х точек. Г радиен ты в двух последовательн ы х итерац и он
н ы х т о ч к а х с н ео б х о д и м о стью я в л я ю т с я о р то го н а л ь н ы м и (п е р п е н д и к у л я р н ы м и ) друг
к другу. Д л я данной ф ун кц и и гради ен т вы чи сляется по ф орм уле
УДХ) = (4 - 4х, - 2 х 2, 6- 2 х , - 4 х 2) .
П у с т ь н а ч а л ь н о й т о ч к о й я в л я е т с я Х° = ( 1 , 1 ).
И тер ац и я 1.
УДХ°) = ( - 2 , 0 ).
С ледую щ ая точка Xі н аходи тся на основании ф орм улы
X = ( 1 , 1 ) + г ( - 2 , 0 ) = (1 - 2 r , 1 ).
2 2
Рис. 21.3. П о след ов а т ел ь но ст ь т очек, ве д у щ а я к оп

т имуму ф ункции
О т с ю д а п о л у ч а е м в ы р а ж е н и е д л я ф у н к ц и и h(r):
h(r) = Д 1 - 2 г, 1 ) = - 2 ( 1 - 2 r f + 2 (1 - 2 г) + 4 .
О п т и м а л ь н а я д л и н а ш а г а г, п р и к о т о р о й ф у н к ц и я h(r) д о с т и г а е т м а к с и м у м а , р а в н а
1 / 4 . Т а к и м о б р а з о м , м ы н а ш л и , ч т о X і = ( 1 / 2 , 1 ).
И тер а ц и я 2.
У Д Х 1) = (О, і ) .
Т еп ер ь с л е д у ю щ ая т о ч к а X2о п р е д е л я ет с я в ы р а ж е н и е м
Х = ( ^ , 1 ) + г (0 ,1 ) = ( 1 , 1 + г ) .
С ледовательно,
h(r) = - 2 ( 1 + r f + 5 (1 + г) + I .
О т сю д а п о л у ч а е м г = 1 /4 и X 2 = ( 1 /2 , 5 /4 ).
И т е р а ц и я 3-
У Д Х 2) = ( - і , 0 ) .
Т о ч к а X3о п р е д е л я е т с я в ы р аж ен и е м
С л ед о вател ь н о ,
/і(г) = - - ( 1 - г ) 2 + - ( 1 - г ) + — .
2 4 8
О тсю д а п о л у ч ае м г = 1 /4 и X = ( 3 /8 , 5 /4 ).
И т е р а ц и я 4.
V /(X 3) = ( 0 , I ) .
4
Т очка X определяется вы раж ен ием
,8 4 ) { 4J [8 4
П оэтом у
A( 0 = “ (5 + r): + ^ ( 5 + r) + g .
О тсю д а и м е ем г = 1 /4 и X 4 = ( 3 /8 , 2 1 /1 6 ).
УДХ4) = (_ “ >0).
о
Т о ч к а X5о п р е д е л я ет ся в ы р а ж е н и е м
З 2П ( 1 QW 3 - r 21
Х ,8 ’ і б Г Л 8 ’° J і 8 '1 6
567
h (r) = —-(З - г)" +— (3- r) +
к ’ 32 ’ 64 ' 128
О т сю д а п о л у ч а е м г = 1 /4 и Xs = ( 1 1 /3 2 , 2 1 /1 6 ).
V /(X 5) = ( 0 , 1 ) .
1о
Т а к к а к V /(X °) = 0 , в ы ч и с л е н и я м о ж н о з а к о н ч и т ь . П о л у ч е н а п р и б л и ж е н н а я т о ч
ка м аксим ум а X5 = ( 0 ,3 4 3 7 , 1 ,3 1 2 5 ) . Точны й м аксим ум дости гается в точке
Х* = ( 0 , 3 3 3 3 , 1 ,3 3 3 3 ) .
1 . П о к а ж и т е , ч т о м е т о д Н ь ю т о н а - Р а ф с о н а (р а з д е л 2 0 .1 .2 ) , п р и м е н я е м ы й к р е
ш ен и ю за д а ч и м а к с и м и за ц и и строго во гн у то й к в ад р ат и ч н о й ф у н к ц и и , в об
щ ем сл у ч ае сх о д и т ся в то ч н о сти за оди н ш аг. П р и м ен и те у к а за н н ы й м етод
к зад аче м ак с и м и зац и и ф у н к ц и и
/ ( X ) = 4.V, + 6х, - 2.x] - 2х,х, - 2х] .

21.2. Алгоритмы решения задач с ограничениями 805
2. В ы п о л н и те н е более п я т и и т е р а ц и й м ето д а н а и с к о р е й ш е го с п у с к а (п о д ъ е м а)
д л я к аж д о й и з следую щ и х зад ач . Во всех сл у ч аях п олож и те Х ° = 0.
a) m i n / ( X ) = ( x 2 - x 12 ) 2 + ( l - x 1) 2
b ) m a x / ( X ) = с Х + Х тА Х , г д е
с = ( 1 , 3 , 5 ),
-5 -3 —
2
А = - 3 - 2 - 0
о —
2 2.
с) m i n f ( X ) = x x - x 2 + x l ~ x l x 2.
21.2. АЛГОРИТМ Ы РЕШ ЕНИЯ ЗАДАЧ С ОГРАНИЧЕНИЯМИ

О бщ ая зад ача нелинейного п рограм м и рован и я с о гран и чен и ям и зап и сы ва
ется в виде:
м ак с и м и зи р о в ат ь (и л и м и н и м и зи р о в а ть ) z = f{ X )
g ( X ) < 0.
У словия неотри ц ательн ости п ерем енны х Х > 0 составляю т часть задан н ы х огр ан и
чен и й общ его ви да. П р ед п о л агается т а к ж е , что по к р ай н ей м ере одн а и з ф у н к ц и й
/( X ) и л и g (X ) я в л я е т с я н е л и н е й н о й , и в с е ф у н к ц и и н е п р е р ы в н о д и ф ф е р е н ц и р у е м ы .
У н и вер сал ьн ы х алгор и тм ов р еш ен и я задач н ели нейного п р о гр ам м и р о ван и я не
су щ еству ет, и с в я зан о это, г л а в н ы м о б р азо м , с р азн о о б р ази ем н е л и н е й н ы х ф у н к
ц и й . В о зм о ж н о , н аи более общ и м р езу л ьтато м , и м ею щ и м отн ош ен и е к р ассм атр и
в а е м ы м з а д а ч а м , я в л я ю т с я у с л о в и я К у н а - Т а к к е р а . К а к п о к а з а н о в р а з д е л е 2 0 .2 .2 ,
эти у с л о в и я я в л я ю т с я н ео б х о д и м ы м и л и ш ь д л я су щ е ств о в а н и я э к с тр е м у м а, за и с
к л ю ч е н и е м с и т у а ц и и , к о г д а ф у н к ц и и Д Х ) и g (X ) я в л я ю т с я в ы п у к л ы м и и л и в о г н у
ты м и (то гд а эти у с л о в и я будут т а к ж е д о с та т о ч н ы м и ).
В этом р азд еле р ассм атр и вается р яд алго р и тм о в р еш ен и я зад ач н ели н ей н ого
п рограм м и рован и я, которы е условно м ож но раздели ть н а непрям ы е и прямы е.
В н еп р ям ы х м етодах реш ение зад ачи н елинейного п рограм м и рован и я сводится
к реш ению одной или н ескольки х л и н е й н ы х задач, порож денны х исходной. П р я
м ы е м етоды непосредственн о им ею т дело с исходн ой н ели н ей н ой зад ач ей и п озво
ляю т построить последовательность точек, сходящ ую ся к точке экстрем ум а.
В дан н ом р азделе н еп р ям ы е м етоды п ред ставл ен ы ал го р и тм ам и сеп арабельн ого,
квад р ати ч н о го , геом етри ч еского и сто х асти ч еско го п р о гр ам м и р о в ан и я. К ч и сл у
п р ям ы х м етодов отн о си тся м етод л и н е й н ы х к о м б и н ац и й и м етод п о сл ед овател ьн о й
б езусл овн ой м а к с и м и за ц и и , и зл о ж е н н ы й д а л ее в к р а т ц е . С д р у ги м и в а ж н ы м и м е
тодам и реш ен и я задач нелинейного п р о гр ам м и р о ван и я м ож но п о зн ак о м и ться, об
ративш ись к приведенном у в конце главы списку литературы .
21.2.1. Сепарабельное программирование

Ф у н к ц и я f ( x v х г, . . . , х п) н а з ы в а е т с я с е п а р а б е л ь н о й ( р а з д е л и м о й ) , е с л и о н а п р е д
с т а в л я е т с я в в и д е с у м м ы п ф у н к ц и й о д н о й п е р е м е н н о й / , ( * , ) , / 2( х 2), • •., /„(*„)> т .е .
f (х, , х 2, ..., х J = f / x j + f / x j + ... + f , / x J .
К прим еру, ли н ей н ая ф ун кц и я
Ъ ( х , , х 2, х J = а ,х , + а р с 2 + ... + а , х п
( з д е с ь a t, і = 1 , 2 , . . . , п — к о н с т а н т ы ) я в л я е т с я с е п а р а б е л ь н о й . Ф у н к ц и я ж е
И(.х1, х г, х} ) =х ,2 + xt sin(лг2+ х } ) + х2ех’
таковой не явл яется.

Н екоторы е н ел и н ей н ы е ф у н к ц и и сеп ар аб ел ьн ы м и непосредственно не я в л я ю т
ся, о д н ако м огут б ы ть п ри вед ен ы к т ак о м у ви ду п утем соответствую щ и х п од стан о
в о к . Р а с с м о т р и м , к п р и м е р у , з а д а ч у м а к с и м и з а ц и и ф у н к ц и и z = х хх 2. Е с л и в в е с т и
о б о з н а ч е н и е у = х хх г, т о In у = l n x , + 1пл:2 и з а д а ч а п р и н и м а е т с л е д у ю щ и й в и д .
М акси м и зи ровать г = у
при ограни чении
I n у = l n x , + 1плг2,
т .е . о н а я в л я е т с я с е п а р а б е л ь н о й . П р и т а к о й з а м е н е п р е д п о л а г а е т с я , ч т о п е р е м е н
ны е я, и х 2 при н и м аю т полож ительные зн ач ен и я, и н аче л о гар и ф м и ч еск ая ф у н к
ц и я не определена.
В случае, когд а перем енны е хх и х 2 приним аю т и нулевы е зн ач ен и я
( т .е . X j, х 2 > 0 ), м о ж н о п о с т у п и т ь с л е д у ю щ и м о б р а з о м . П у с т ь Ą и Ą — п о л о ж и т е л ь
н ы е к о н стан ты , введем н овы е п ерем ен н ы е = х , + <5, и w 2 = х 2 + Ą . Э т и п е р е м е н н ы е
п ри н и м аю т то лько п о л о ж и тел ьн ы е зн ач ен и я. Т еп ерь им еем
х хх 2 = wiw2 - S2w x - 8xw 2 + St S2.

П у с т ь у = w tw 2, т о г д а и с х о д н а я з а д а ч а э к в и в а л е н т н а с л е д у ю щ е й .
М а к с и м и з и р о в а т ь 2 = у - S2w x - Sxw 2 + 8х8г
\ п у = ln u ;, + \ n w 2, u > ,> Ą , w 2 > 8 2.
В это й за д а ч е все ф у н к ц и и сеп ар аб ел ь н ы е.

П ри м ерам и д руги х ф у н кц и й , которы е в результате зам ен ы перем енны х приво
д я т с я к с е п а р а б е л ь н ы м , м о гу т с л у ж и т ь е' ' , и лг,‘; . В э т и х с л у ч а я х д л я р е а л и з а ц и и
свой ства сеп арабельн ости следует п р и м ен и ть соответствую щ и й вари ан т опи санной
вы ш е процедуры .
В сепарабельном п р о гр ам м и р о ван и и рассм атр и ваю тся зад ачи нелинейного про
грам м и рован и я, в которы х к а к ц елевая ф у н к ц и я, т ак и ф ун кц и и ограни чений я в
л я ю т с я сеп ар аб ел ь н ы м и . В этом разд ел е р а сс м атр и в аю тс я м етоды п р и б л и ж ен н о го
р еш ен и я зад ач и сепарабельн ого п р о гр ам м и р о ван и я, основан ны е на л и н ей н о й ап
п р о к с и м а ц и и ф у н к ц и й и н а с и м п л ек с -м ет о д е л и н е й н о го п р о г р а м м и р о в а н и я .
Ф у н к ц и ю о д н о й п е р е м е н н о й f( x ) м о ж н о а п п р о к с и м и р о в а т ь к у с о ч н о -л и н е й н о й
ф ункц ией с пом ощ ью м ето д о в ч а с ти ч н о -ц е л о ч и сл е н н о го п р о г р а м м и р о в а н и я
( г л а в а 9). П у с т ь т р е б у е т с я а п п р о к с и м и р о в а т ь ф у н к ц и ю f ( x ) н а и н т е р в а л е [а, &].
О б о з н а ч и м ч е р е з а к, k = \ , 2 , . . . , К , k - ю т о ч к у р а з б и е н и я и н т е р в а л а [а, Ъ], п р и ч е м
а = а х < а 2 < ... < а К = Ъ. Т о г д а ф у н к ц и я f ( x ) а п п р о к с и м и р у е т с я с л е д у ю щ е й к у с о ч н о
линейн ой ф ункц ией :
к к
fix) = £/(<»*>*,
*=|
г д е t k — н е о т р и ц а т е л ь н ы й в е с о в о й к о э ф ф и ц и е н т , с в я з а н н ы й с fe- й т о ч к о й р а з б и е
н и я и н тер в ал а. В есовы е к о эф ф и ц и е н т ы уд о в л етв о р яю т услови ю
К
М етоды ч а с ти ч н о -ц е л о ч и сл е н н о го п р о г р а м м и р о в а н и я г а р а н т и р у ю т к о р р е к т н о с т ь
такой ап п р о кси м ац и и . В частн ости , ап п р о к си м ац и я я в л я ет ся обоснованной в сле
дую щ их случаях.
1. Е с л и н е б о л ь ш е д в у х в е с о в ы х к о э ф ф и ц и е н т о в t k и м е ю т п о л о ж и т е л ь н ы е
зн ач ен и я.
2. Е сл и зн ач ен и е tk б о л ь ш е н у л я , то п о л о ж и т е л ь н ы м м о ж ет о к а з а т ь с я л и ш ь
о д и н и з с м е ж н ы х в е с о в ы х к о э ф ф и ц и е н т о в t k+i и л и
Ч тобы п о казать, к а к вы п о л н яю тся перечи сленн ы е услови я, рассм отрим общ ую

зад ач у сеп араб ельн ого п р о гр ам м и р о в а н и я .
М а к с и м и з и р о в а т ь ( м и н и м и з и р о в а т ь ) z = X ■/)(■*»')

а
J = l 2 ,..., т.
Э ту за д а ч у м о ж н о п р и в е с ти к за д а ч е ч а с ти ч н о -ц е л о ч и сл е н н о го п р о г р а м м и р о в а н и я
сл ед у ю щ и м о б р азо м . О б о зн ачи м ч ер ез К, ч и с л о т о ч е к р а з б и е н и я д л я і-й п е р е м е н н о й
х,, а ч е р е з а- — к - ю т о ч к у р а з б и е н и я . П у с т ь /,* — в е с о в о й к о э ф ф и ц и е н т , а с с о ц и и
р у е м ы й с ft- й т о ч к о й р а з б и е н и я д л я і - й п е р е м е н н о й . Т о г д а э к в и в а л е н т н а я з а д а ч а
ч а с ти ч н о -ц е л о ч и с л е н н о го п р о г р а м м и р о в а н и я и м е ет в и д
максим изировать (или м иним изировать)
0</,' < у), і = 1 , 2 ...... п .
0 < / * < х * " ' + х* * = 2 , 3 , АГ, - 1 ,
0 < / * ' < у ї ‘~\
ЛГ,
у* =0 или 1, * = 1,2,..., АГ,., ( = 1,2,..., п.
В а п п р о к с и м и р у ю щ е й з а д а ч е п е р е м е н н ы м и я в л я ю т с я /,* и у * .
Д ан н ое п р ед ставл ен и е сви д етел ьству ет о том , что в п р и н ц и п е л ю б ая зад ач а се
параб ельн ого програм м и рован и я м ож ет бы ть реш ена м етодам и частично
ц елочи слен н ого п р о гр ам м и р о ван и я. Т р уд н ость тако го подхода к реш ен и ю задачи

с в я зан а с б ы стр ы м ростом ч и сл а о гр ан и ч ен и й п р и у в ел и ч ен и и к о л и ч е с тв а то чек
р азби ен и я. В частности, проблем атичной я в л я ет ся вы чи сли тел ьн ая р еал и зац и я
п роц ед уры , п о ско л ьку нет эф ф екти вн ы х к о м п ью тер н ы х п рограм м д л я р еш ен и я за
д а ч ч а с ти ч н о -ц е л о ч и сл е н н о го п р о г р а м м и р о в а н и я б о л ь ш о й р а зм ер н о сти .
Д л я р еш ен и я ап п р о кси м и р у ю щ ей зад ачи м о ж н о и сп ользовать т ак ж е обы чны й
с и м п л е к с -м е т о д (г л а в а 3 ), д о п о л н е н н ы й п р а в и л о м о г р а н и ч е н н о г о в в о д а в б а з и с .
В этом сл у ч ае и гн о р и р у ю тся всп о м о гател ьн ы е о гр ан и ч е н и я , со д ер ж ащ и е у‘ . С о
гл асн о д а н н о м у п р а в и л у в бази се м о ж ет н а х о д и т ь с я не более д в у х п о л о ж и т е л ь н ы х
весовы х коэф ф и ц и ен тов . Б о л е е т о г о , д в а к о э ф ф и ц и е н т а /* м о г у т б ы т ь п о л о ж и
т ел ь н ы м и л и ш ь то гд а, к о гд а он и я в л я ю т с я с м е ж н ы м и . Т ак и м о бр азо м , строгое ус
л о в и е о п т и м а л ь н о с т и с и м п л ек с -м ет о д а т о л ь к о т о гд а и с п о л ь зу е т с я д л я вы б о р а п е
рем енной /' , п о д леж ащ ей введени ю в чи сло б ази сн ы х , когд а он а удовлетворяет
у к а з а н н ы м в ы ш е т р е б о в а н и я м . В п р о т и в н о м с л у ч а е а н а л и з р а з н о с т е й (z* - с * ) п о
зво л яет вы брать следую щ ую перем енную /* , к о т о р а я м о ж е т б ы т ь с д е л а н а б а з и с

н ой . П р о ц есс п о в то р я ется до тех пор, п о к а не будет вы п о л н ен к р и т ер и й о п т и м а л ь
н о с т и и л и ж е у с т а н о в л е н а н е в о з м о ж н о с т ь в в е д е н и я в б а з и с н о в о й п е р е м е н н о й /* б е з
н ар у ш ен и я п р ави л а ограни ченного ввода. В обоих слу ч аях последн яя си м п лексн ая
таб л и ц а д ает п ри бли ж ен н ое оп ти м альн ое р еш ен и е исходной задачи.
М етод ч а с ти ч н о -ц е л о ч и сл е н н о го п р о гр а м м и р о в а н и я п о зв о л я е т н а й т и гл о б а л ь
н ы й эк с тр е м у м а п п р о к с и м и р у ю щ е й за д а ч и , т о гд а к а к с и м п л ек с -м ет о д с у ч ето м
п р а в и л а о гр ан и ч ен н о го ввода в б ази с м о ж ет г а р а н т и р о в а т ь н а х о ж д ен и е л и ш ь л о
к ал ь н о го о п ти м у м а . К ром е того, п р и б л и ж ен н о е р еш ен и е, п олуч ен н ое л ю б ы м из
дву х у п о м ян у ты х м етодов, м ож ет бы ть н едоп усти м ы м д л я исходн ой зад ач и , п о
с к о л ь к у п ри р е ш ен и и ап п р о к с и м и р у ю щ ей за д а ч и м огут б ы ть о б н ар у ж ен ы д о п о л
н и тел ьн ы е эк стрем ал ьн ы е то чки , которы е д л я исходной зад ачи эк стр ем ал ьн ы м и
н е я в л я ю т с я . Э то за в и с и т о т т о ч н о с т и л и н е й н о й а п п р о к с и м а ц и и и с х о д н о й за д а ч и .
Пример 21.2.1
Р ассм о тр и м следую щ ую задачу.
М акси м изировать г = х, + xt
Зл:, + 2x1 - 9.
х г, х 2 > 0 .
Т очное о п ти м ал ь н о е реш ен и е этой зад ач и н ах о д и тся непосред ствен н ой п роверкой :

х г = 0 , х 2 = 2 ,1 2 и г* = 2 0 ,2 5 . Ч т о б ы п р о д е м о н с т р и р о в а т ь и с п о л ь з о в а н и е м е т о д а а п
п р о кси м ац и и , рассм отрим отдельны е ф ун кц и и
/,( * ,) = *,.
* , ' W = 3-*r
« Г ( ^ ) = 2*2-
Ф у н к ц и и /,(* ,) и g \ ( x ,) о с т а ю т с я в и с х о д н о м в и д е , п о с к о л ь к у о н и у ж е я в л я ю т с я л и
н е й н ы м и . В э т о м с л у ч а е х, р а с с м а т р и в а е т с я к а к о д н а и з п е р е м е н н ы х . Д л я ф у н к ц и й
/ 2(jt2) и g ^ ( x , ) п о л а г а е м , ч т о к о л и ч е с т в о т о ч е к р а з б и е н и я р а в н о ч е т ы р е м (К г = 4 ) . Т а к
к а к з н а ч е н и е х г н е м о ж е т п р е в ы ш а т ь 3, о т с ю д а с л е д у ю т д а н н ы е , п р и в е д е н н ы е н и ж е .
к
№ )
1 0 0 0
2 1 1 2
3 2 16 8
4 3 81 18
П олучаем
f : ( X 2 ) = ‘ i f (“ і ) + '
2 2 /2 {а ?) + ‘ I f 2 { а 2 ) + ‘ i f (а4) =
2 2
= 0 х / і + 1 х /; + 1 6 x / j + 8 1 х / 24 = /; + 16/,1 + 8 1;,4.
А н алогично
g t~ ) ~ 2 і; + 8/; + 18 /4.
С ледовательно, ап п р о к си м и р у ю щ ая зад ач а п р и н и м ает вид
м аксим изировать z = .г, + 1 ; + 16/2 +8 1/,4
Злг, + Ъ \ + 8/,3 + 1 8 / 4< 9,
t \ + t \ + t l + t\ =1,
/ * > 0 , к = 1.2,3,4,
jc, > 0.
И с х о д н а я с и м п л е к с -т а б л и ц а (в к о т о р о й о с у щ е с т в л е н а п е р е с т а н о в к а с т о л б ц о в д л я
п о л у ч ен и я н а ч ал ьн о го р е ш е н и я ) в ы гл я д и т след ую щ и м образом .
Базис xi /; tl i\ si i\ Решение
z -1 -1 -1 6 -81 0 0 0
S, 3 2 8 18 1 0 9
/: о 1 1 1 0 1 1
З д е с ь 5, (> 0 ) — д о п о л н и т е л ь н а я ( о с т а т о ч н а я ) п е р е м е н н а я . (В э т о й з а д а ч е н а ч а л ь н о е
р е ш е н и е я в л я е т с я о ч е в и д н ы м . В о б щ ем ж е с л у ч а е д л я его п о л у ч е н и я м о гу т п о н а д о
б и т ь с я и с к у с с т в е н н ы е п е р е м е н н ы е , с м . р а з д е л 3 .4 .)
К о э ф ф и ц и е н т ы z- с т р о к и у к а з ы в а ю т н а т о , ч т о в ч и с л о б а з и с н ы х н е о б х о д и м о в в е с т и
п е р е м е н н у ю / 4 . П о с к о л ь к у п р и э т о м п е р е м е н н а я t\ у ж е в х о д и т в б а з и с н ы е в с и л у
п р а в и л а о гр ан и ч ен н о го ввода в б ази с, о н а д о л ж н а б ы ть вы вед ен а из ч и с л а бази сн ы х

п е р е д т е м , к а к б а з и с н о й с т а н е т п е р е м е н н а я /,4 . В м е с т е с т е м , с о г л а с н о у с л о в и ю д о
п у с т и м о с т и п р и в в е д е н и и в б а з и с н ы е п е р е м е н н о й t* п е р е м е н н а я s, д о л ж н а в ы в о
д и т ь с я и з б а з и с а . Э то з н а ч и т , ч т о Ą н е л ь з я с д е л а т ь б а зи с н о й . С л е д у ю щ е й п о д х о
дящ ей для введения в бази сн ы е является перем енная t\. С нова при этом
п е р е м е н н а я t\ д о л ж н а б ы т ь в ы в е д е н а и з ч и с л а б а з и с н ы х . У с л о в и е д о п у с т и м о с т и н а
этот р аз п о зво л яет в ы вести и з ч и сл а б ази сн ы х п ерем ен н ую t \ , что и треб у ется. Т а

к и м о б р азо м , п о л у ч аем н овую си м п л ек с -та б л и ц у .
Базис *1 t; S1 Решение
/ 23
z -1 15 0 -6 5 0 16 16
S1 3 -6 0 10 1 -8 1
0 1 1 1 0 1 1
О ч е в и д н о , ч т о б а з и с н о й с л е д у е т с д е л а т ь п е р е м е н н у ю / 4 . Т о , ч т о п е р е м е н н а я t\ у ж е
я в л я е т с я б ази сн о й , не п р о ти в о р еч и т п р а в и л у о гр ан и ч ен н о го вво д а в б ази с. В соот
в е т с т в и и с с и м п л е к с -м е т о д о м п е р е м е н н а я s, и с к л ю ч а е т с я и з ч и с л а б а з и с н ы х . П о л у
ч а е м сл е д у ю щ у ю с и м п л е к с -та б л и ц у .
Базис *1 t\ S1 Решение
t;
z 37/2 -2 4 0 0 13/2 -3 6 45/2
t[ 3/10 -6 /1 0 0 1 1/10 -8 /1 0 1/10
t\ -3 /1 0 16/10 1 0 -1 /1 0 18/10 9/10
И з э т о й т а б л и ц ы с л е д у е т , ч т о в б а з и с м о г у т в в о д и т ь с я п е р е м е н н ы е t\ и t ; . П е р е
м е н н а я t'2 н е м о ж е т б ы т ь б а з и с н о й , п о с к о л ь к у н е я в л я е т с я с м е ж н о й с п е р е м е н н ы м и
/,3 и /,4 , к о т о р ы е у ж е н а х о д я т с я с р е д и б а з и с н ы х . Д а л е е , п е р е м е н н у ю q т а к ж е н е л ь
з я сд ел ать б ази сн о й , п о с к о л ь к у /4 н е л ь зя и ск л ю ч и т ь и з ч и сл а б ази сн ы х . П оэто м у
п р о ц ед у р а р еш ен и я зад ач и на этом зав ер ш ается , и п олуч ен н ое реш ен и е я в л я ет ся
н аи л у ч ш и м доп усти м ы м реш ен и ем ап п ро кси м и р ую щ ей задачи .
В о с п о л ь з у е м с я н а й д е н н ы м и з н а ч е н и я м и /,3 = 9 / 1 0 и г,4 = 1 / 1 0 , ч т о б ы в ы р а з и т ь п о
л у ч е н н о е р е ш е н и е ч е р е з п е р е м е н н ы е jc, и х г. П о л у ч а е м
лг, = 0, дг, = 2t32+3t4= 2 ^ j + 3 ^ j =2,l , z = 0 + 2 ,14 = 2 2 ,5 .
П о л у ч е н н о е п р и б л и ж е н н о е о п т и м а л ь н о е з н а ч е н и е д л я х 2 ( = 2 ,1 ) м а л о о т л и ч а е т с я о т
и с т и н н о г о о п т и м а л ь н о г о з н а ч е н и я (= 2 ,1 2 ).
С е п ар аб ел ьн о е в ы п у к л о е п р о гр ам м и р о в а н и е. З ад ач а вы п у кл о го сепарабельного
п р о гр ам м и р о в а н и я в о зн и к ает в том случ ае, к о гд а ф у н к ц и и gf(x,) я в л я ю т с я вы -
п у к л ы м и , о б есп еч и в ая, т а к и м о б р азо м , в ы п у к л о ст ь о б л асти д о п у сти м ы х р еш ен и й .

К р о м е т о г о , с ч и т а е м , ч т о ф у н к ц и и /,( * ,) я в л я ю т с я в ы п у к л ы м и в з а д а ч е м и н и м и з а
ц и и и в о г н у т ы м и в з а д а ч е м а к с и м и з а ц и и (с м . т а б л . 2 0 .2 в р а з д е л е 2 0 .2 .2 ) . П р и э т и х
услови ях м ож н о и сп о л ьзо вать следую щ и й у п р о щ ен н ы й м етод ап п р о кси м ац и и .
Рассм отрим задачу м и н и м и зац и и . П усть ф у н к ц и я f,(x ) им еет так о й вид, к а к п о
к а з а н о н а р и с . 2 1 . 4 . О б о з н а ч и м т о ч к и р а з б и е н и я д л я ф у н к ц и и f t( x ) ч е р е з x t = а и , k = 0 ,
1 . . . . , К ,. П у с т ь х к1 — в е л и ч и н а и з м е н е н и я п е р е м е н н о й х , н а и н т е р в а л е ( а * .,,, a kt), k = l ,
2 . . . . , K t, a р ы — т а н г е н с у г л а н а к л о н а л и н е й н о г о с е г м е н т а н а т о м ж е и н т е р в а л е .
°0 i а2і а зі аХ1
и а2г аъ, ХІ
Рис. 21.4. К ус о ч н о -л и н е й н а я а п п р о к с и м а ц и я
вы пуклой функции
Т огда
/ ( * . ) = Е р л + f i ao,)- х , = Z хь ■
З д е с ь п р е д п о л а г а е т с я , ч т о 0 < х и < а к1 - а*_, (, k = 1 , 2 , . . . , К г

Т а к к а к ф у н к ц и я /,( * ,) в ы п у к л а я , т о р„ < р ,; < ... < р ^ , . Э т о о з н а ч а е т , ч т о в з а д а ч е
м и н и м и зац и и при р < q больш ее вли ян и е на зн ачени е ц елевой ф у н кц и и о казы вает
п е р е м е н н а я х р1, ч е м х г С л е д о в а т е л ь н о , п е р е м е н н а я х р1 в с е г д а б у д е т в х о д и т ь в р е ш е
н и е д о т о г о , к а к в н е г о в о й д е т x ąl П р и э т о м з н а ч е н и я к а ж д о й п е р е м е н н о й х к1 д о л ж н ы
б ы т ь о г р а н и ч е н ы с в е р х у в е л и ч и н о й (а к1 - а к. и,)-
В ы п у к л ы е ф у н к ц и и о гр ан и ч е н и й g /(x,) а п п р о к с и м и р у ю т с я а н ал о ги ч н ы м о б р а
з о м . П у с т ь ри — т а н г е н с у г л а н а к л о н а k - r o л и н е й н о г о с е г м е н т а , с о о т в е т с т в у ю щ е г о
ф у н к ц и и g l ( x , ) . Т о г д а ф у н к ц и я g j (х .) а п п р о к с и м и р у е т с я ф о р м у л о й
8 ! ( хі ) = Т , Р І хь + « П о
следоват ельно, р ассм атр и ваем ая задача п р и н и м ает вид

,, f К,
минимизировать г = £ Х Р ‘А ' + ft ( ао,)
«-і V*-i
0 < x u < a k i - a k_lJt k = 1, 2.......K ,,i= l, 2, ..., п,

где
Ри ” »
а к, ~ а к - 1.1
8 ! { a h ) - g ! { a t . ,,)
Ри ~
акі ~ ак- 1.І
З а д а ч а м а к с и м и з а ц и и п р е о б р а з у е т с я а н а л о г и ч н о . В э т о м с л у ч а е р,. > p 2l > . . . > p s. 1 ,
о т к у д а сл ед у ет, что п р и р < q п е р ем е н н а я х всегда будет в х о д и ть в р еш ен и е р ан ьш е
х (с м . у п р а ж н е н и е 2 1 .2 .1 .7 ) .
П о л у ч ен н у ю за д а ч у м о ж н о р е ш и т ь с и м п л ек с -м ет о д о м , п р е д н а зн а ч е н н ы м д л я
р е ш е н и я з а д а ч с о г р а н и ч е н н ы м и с в е р х у п е р е м е н н ы м и ( р а з д е л 7 .3 ). П р и э т о м и с ч е
за ет н ео б х о д и м о сть в со б л ю д ен и и п р а в и л а о гр ан и ч ен н о го вв о д а в б ази с, п о с к о л ь к у
в ы п у к л о с т ь (в о гн у то сть ) ф у н к ц и й г а р а н т и р у е т н а д л е ж а щ и й в ы б о р п е р ем е н н ы х .
Пример 21.2.2
Р ассм о тр и м задачу
м аксим и зи ровать z = х х- х г
3 x f + х 2 < 243,
х 1+ 2 х \ < 3 2 ,
^ > 2, 1,
х 2 > 3 ,5 .
О т д е л ь н ы м и (с е п а р а б е л ь н ы м и ) ф у н к ц и я м и это й за д а ч и я в л я ю т с я
/ і ( * і ) = *і> / г ( х 2 ) = -* 2 .
S l ( * l ) = 3 *l4> *2 ( * 2 ) = *2'
g f { x l ) = x l, g 2 ( x 2) = 2 x l.
Э ти ф у н к ц и и в ы п у к л ы е , что и тр еб у ется в зад ач ах м и н и м и за ц и и .

О б л а с т ь д о п у с т и м ы х з н а ч е н и й п е р е м е н н ы х х х и х 2, к а к с л е д у е т и з о г р а н и ч е н и й з а
д а ч и , о п р е д е л я е т с я н е р а в е н с т в а м и 0 < j c ,< 3 и 0 < jc 2 < 4 . Р а з б и в а е м э т и и н т е р в а л ы
и з м е н е н и я п е р е м е н н ы х х г и х 2. П у с т ь К г = 3 и К 2 = 4 п р и а 01 = а 02 = 0 . З н а ч е н и я т а н
генсов углов н а к л о н а, соответствую щ и х о тдельн ы м ф у н к ц и я м рассм атри ваем ой
задачи , приведены в следую щ их табли ц ах.
Д л я і = 1 имеем
к ft (зм) - a*i Ai Х*1

S i ' K ) = 3aM РІі Si Ю = P*i
0 0 0 0 — 0 —
1 1 1 1 з 3 1 1 *11
2 2 2 3 48 45 2 1 *21
3 3 3 5 243 195 3 1 *31

Д л я і = 2 имеем
к а*2 h (Зк2) = Зк2 Р к2 8 І ( а к,) = 2а;2 Хк2

8'Лач ) = а іІ і P i’ PI:
0 0 0 0 -- 0 — —
1 1 -1 1 1 1 2 2 *12
2 2 -2 -1 2 1 8 6 Х22
3 3 -3 -1 3 1 18 10 Х32
4 4 -4 -1 4 1 32 14 ХЛ2
Т еперь зад ач а п р и н и м ает следую щ и й вид.
М и н и м и зи ровать z ~ х„ + х 21 + х 31 - х 12 - х 22 - х 32 - х 42
З х и + 45 х21 + 1 9 5 х 31 + х 12 + х 22 + х 32 + * 42 < 2 4 3 ,
х ,, + х 21 + х ЗІ + 2*12 + 6 х 22 + Ю х 32 + 1 4 х 42< 3 2,
Хп + *21 + Х 31 ~
Х]2 + Х22 + Х32 *42 —3,5,

0 < Х ц < I, * = 1, 2, 3,
0 < . ї п ^ 1 Д = 1, 2, 3 ,4 .
С пом ощ ью п рограм м ы TO R A получено следую щ ее оп ти м альн ое реш ение:
2 = - 0 ,5 2 , х и = х 12 = 1 , х 13 = 0 ,9 8 , х 21 = х 22 = х 23= 1 , x 2i = 0 ,5 .
О т с ю д а п о л у ч а е м р е ш е н и е и с х о д н о й з а д а ч и ( x t , х 2) = (2 ,9 8 , 3 ,5 ).
1. Д л я с л е д у ю щ е й з а д а ч и п о с т р о й т е а п п р о к с и м и р у ю щ у ю м о д е л ь в в и д е з а д а ч и
ч а с ти ч н о -ц е л о ч и сл е н н о го п р о г р а м м и р о в а н и я .
М а к си м и зи р о в а ть г = е~х' + x t + (х2 + I)2

х2 + х2 < 3,
х х, х 2 > 0 .
2 . Р еш и те ап п рокси м и р у ю щ у ю зад ач у и з п реды дущ его у п р аж н ен и я, и сп ользуя
п р ав и л о о гр ан и ч ен н о го ввода в б ази с. З а те м н ай д и те о п ти м альн о е реш ен и е
и сходной задачи .
3. Р ас см о тр и те след ую щ ую зад ач у .
М а к с и м и з и р о в а т ь z = х хх 2х 3
х,’ + х, + х3 < 4,
х 2, х 3 > 0 .
П острой те ап п р о кси м и р у ю щ у ю зад ач у в виде зад ач и ли н ей н ого п р о гр ам м и р о ва
н и я с у ч ето м д а л ьн е й ш его и с п о л ь зо в а н и я п р а в и л а о гр ан и ч ен н о го ввода в б ази с.
4. П о к а ж и т е , к а к и м о б р а з о м п р и в е д е н н а я н и ж е з а д а ч а м о ж е т б ы т ь п р и в е д е н а
к сепарабельном у виду.
М а к с и м и з и р о в а т ь z = х хх 2 + х 3 + х хх 3
х хх 2 + х 2 + х , х а < 1 0 ,
х г, х 2, х 3 > 0 .
5. П о к а ж и т е , к а к и м о б разом следую щ ую за д а ч у м о ж н о п р ео б р азо вать в зад ач у

сеп арабельного п р о гр ам м и р о ван и я.
Минимизировать z = е2х,+хг +(х3- 2)'
x i + х 2+ х з -
х и х 2, л:3 > 0 .
6. П о к а ж и т е , к а к след у ю щ у ю зад ач у м ож н о п р ео б р азо вать в зад ач у сеп ар а

бельного п р о гр ам м и р о в ан и я.
Максимизировать z = eVl + х\хъ + х4

х г + х 2х 3 + х 3 < 1 0 ,
х , , х 2, х 3 S О,
х 4не ограни чена в зн аке.
7. П о к аж и те, что п р и р еал и зац и и м етода вы п уклого сепарабельного п р о гр ам

м и р о в а н и я о п т и м а л ь н о е р е ш е н и е н е с о д е р ж и т п е р е м е н н о й х к1 > 0 , е с л и п е р е
м е н н а я х к_г , н е д о с т и г а е т с в о е й в е р х н е й г р а н и ц ы .
8. Р еш ите представленную н и ж е задачу к а к задачу вы пуклого сепарабельного
програм м ирования.
Минимизировать z = х4 + 2хг + х32
xf + х, + л'з < 4,
|я; + х,|< 0,
* 3^ °>
х 2не о гран и чен а в зн аке.
9. Р еш ите к а к задачу вы пуклого сепарабельного програм м ировани я следую

щ ую задачу.
М ин им изи ровать г = (х г - 2)2 + 4 ( х 2 - 6)2
6л:, + 3(л:2 + 1 )2< 12,
х 2> 0 .
21.2.2. Квадратичное программирование

З ад ач а квад рати чн ого п р о гр ам м и р о ван и я и м еет следую щ ий вид.
М а к с и м и з и р о в а т ь ( и л и м и н и м и з и р о в а т ь ) z = С Х + X TD X
А Х О,
где
Х = ( х „ х 2, х „ )т,
С = ( с ,, с 2, с„),
b = ( b „ b 2, . . . , ь т )т,
\
Ч і " ■ а и,
4a m l ' ‘ ÎIIH ;
ч , - ■ d x:
D =
А г ' ^Ш І J
Ф у н к ц и я X D X , где D — с и м м е т р и ч е с к а я м а т р и ц а , я в л я е т с я к в а д р а т и ч н о й ф о р
м о й (с м . р а з д е л А .З ). М а т р и ц а D б у д е т о т р и ц а т е л ь н о о п р е д е л е н н о й в з а д а ч е м а к с и м и
зац и и и п олож и тельн о определенн ой — в з а д а ч е м и н и м и з а ц и и . Э то о з н а ч а е т , ч то
ф у н к ц и я z я в л я е т с я строго в ы п у к л о й по п ер ем ен н ы м X в задаче м и н и м и зац и и
и строго во гн у то й — в зад ач е м ак с и м и з а ц и и . О гр ан и ч ен и я в это й зад ач е п р е д п о л а га
ю тся л и н ей н ы м и , что гаран ти рует вы п у кл о сть области доп усти м ы х реш ений.
Р еш ен и е сф орм ули рован н ой зад ач и основан о н а и сп ользован и и н еобходи м ы х
у сл о в и й К у н а -Т а к к е р а . Т ак к а к ц е л е в а я ф у н к ц и я z строго в ы п у к л а я (и л и в о гн у
т а я ) и об ласть д о п у сти м ы х р еш ен и й зад ач и я в л я е т с я в ы п у к л ы м м н о ж ество м , эти
у с л о в и я ( к а к п о к а з а н о в р а з д е л е 2 0 .2 .2 ) т а к ж е д о с т а т о ч н ы д л я у с т а н о в л е н и я н а л и
ч и я глоб альн ого о п ти м у м а.
З ад ач у квад рати чн ого п р о гр ам м и р о ван и я рассм отрим д л я си туац и и , ко гд а ц е
л ев а я ф у н к ц и я п о д леж и т м ак си м и зац и и . И зм енение ф о р м у л и р о вки зад ач и при
м и н и м и зац и и ц елевой ф у н к ц и и я в л я е т с я тр и ви альн ы м . О бщ ая п о стан о вка зад ачи
и м еет следую щ и й вид.
М а к с и м и з и р о в а т ь z = С Х + X TD X
G(X) = <0.
О б о з н а ч и м ч е р е з X = (Я ,, Я2, . . . , Ят)Т и U = ( jiv Цг, . . . , ц У м н о ж и т е л и Л а г р а н ж а , с в я

зан н ы е с о гр ан и ч е н и я м и А Х - Ь < 0 и - Х < 0 соответственно. П р и м е н я я у сл о в и я
К у н а -Т а к к е р а , получаем
X >0,U>0,
Vz - ( Х \ U T)V G (X ) = 0,
= 0, i = l,2 , , m.
HjXj = 0 , j = l , 2 , . . . , n ,
A X 0 в ек то р д о п о л н и т е л ь н ы х (о стато ч н ы х ) п ер ем ен н ы х .
Т огда п р и вед ен н ы е в ы ш е у с л о в и я п р и н и м аю т сл ед у ю щ и й вид.
- 2 X TD + ХТА - U T = С ,
А Х + S = Ь,
HjXj = 0 = А Д д л я в с е х і и j ,
X ,U ,X ,S > 0 .
Т а к к а к D T= D , в р е зу л ь т а т е т р а н с п о н и р о в а н и я п ер в о й си ст е м ы у р а в н е н и й п о л у ч и м
- 2 D X + А ТХ - U = С т .
С ледовательно, н еобходи м ы е усло ви я м ож но зап и сать в виде
-2D А7 - I 0^ 'с '"

. А 0 0 I, и Ь ,
vS,
HjXj = 0 = X-jSj д л я в с е х і и j ,
X, U , X , S > 0 .
В се у р а в н е н и я , за и с к л ю ч е н и е м f i x t = 0 = Я Д , я в л я ю т с я л и н е й н ы м и о тн о си
т е л ь н о п е р е м е н н ы х X , X, U и S . С л е д о в а т е л ь н о , и с х о д н а я з а д а ч а с в о д и т с я к п о и с к у
реш ен и я систем ы л и н ей н ы х уравн ен и й , удовлетворяю щ ем у доп олн и тельн ы м ус
л о в и я м f i x = 0 = Я Д . П о с к о л ь к у ф у н к ц и я z строго во гн у тая, а об ласть д оп усти м ы х
р еш ен и й п р ед ставл яет собой вы п у кл о е м н ож ество, д о пуст им ое реш ение, удовле
тво р яю щ ее всем эти м у сл о в и я м , д о л ж н о б ы ть ед и н ствен н ы м и о п ти м ал ь н ы м .
Р еш ен и е рассм атри ваем ой систем ы н ах о д и тся путем р еал и зац и и этап а I дву х
э т а п н о г о м е т о д а (р а з д е л 3 .4 .2 ) . П р и эт о м е д и н с т в е н н ы м о г р а н и ч е н и е м я в л я е т с я н е
о б х о д и м о ст ь у д о в л е т в о р е н и я у с л о в и й Я Д = 0 = f i x . В ы п о л н е н и е этого у с л о в и я о з
н а ч а е т , ч т о е с л и п е р е м е н н а я Я, в б а з и с н о м р е ш е н и и п р и н и м а е т п о л о ж и т е л ь н о е
з н а ч е н и е , то п е р е м е н н а я S, не м о ж е т б ы т ь б а зи с н о й и п р и н и м а т ь п о л о ж и т е л ь н о е
з н а ч е н и е . А н а л о г и ч н о п е р е м е н н ы е ц: и х. н е м о г у т о д н о в р е м е н н о п р и н и м а т ь п о л о
ж и т е л ь н ы е з н а ч е н и я . Э то о б с т о я т е л ь с т в о п о д о бн о п р а в и л у о г р а н и ч е н н о г о в во д а
в б а з и с , к о т о р о е б ы л о и с п о л ь з о в а н о в р а з д е л е 2 1 .2 .1 .
Э тап 1 за в е р ш а е т с я о б р а щ е н и ем в н у л ь всех и с к у сс тв е н н ы х п е р ем е н н ы х то л ь к о
в том случае, есл и и сх о д н ая зад ач а им еет непустое м нож ество до п у сти м ы х реш ений.
Пример 21.2.3
Р ассм отрим следую щ ую задачу .
Максимизировать г = 4х, + 6х, - 2х" - 2х,х, - 2 х ;
х, + 2 х 2 < 2 ,
х ,, х 2 > 0 .
Э ту за д а ч у м о ж н о з а п и с а т ь в м а т р и ч н о й ф о р м е
-2
максимизировать г = (4, 6) ' + (хр
-1 1 :
(,-2>йЬ
х ,, х 2 > 0 .
У слови я К у н а -Т а к к е р а п р и н и м аю т след у ю щ и й вид.
V
'А 20 0' х2
1 -1
2 4 2 0 -1 0 ь, = 6
J 2 0 0 0 к M(■*l2 л
X.
Н а ч а л ь н а я с и м п л е к с -та б л и ц а д л я эт а п а I стр о и тся п у тем в в ед ен и я и с к у сс тв е н н ы х

п е р е м е н н ы х /?, и /?2. И м е е м
Базис X1 хг * Рг Я, Яг S1 Решение
г 6 6 3 -1 -1 0 0 0 10
Я, 4 2 1 -1 0 1 0 0 4
я2 2 4 2 0 -1 0 1 0 6
S1 1 2 0 0 0 0 0 1 2
И т е р а ц и я 1. П о с к о л ь к у = 0 , в в о д и м о й в б а з и с п е р е м е н н о й м о ж е т б ы т ь х ,, п р и
этом и з ч и с л а б а зи с н ы х и с к л ю ч а е т с я п е р е м е н н а я Rr П о л у ч а е м сл ед у ю щ у ю сим -
п л е к с -т а б л и ц у .
Базис Х1 хг * Л Мг я. я2 S1 Решение
г 0 3 3/2 1/2 -1 -3 /2 0 0 4
*1 1 1/2 1/4 -1 /4 0 1/4 0 0 1
я2 0 3 3/2 1/2 -1 -1/2 1 0 4
S1 0 3/2 -1/4 1/4 0 -1/4 0 1 1
И т е р а ц и я 2 . Т а к к а к / / 2 = 0 , в в о д и м о й в б а з и с п е р е м е н н о й я в л я е т с я х 2. В р е з у л ь т а т е
при ходим к следую щ ей таблице.
Базис Xi *2 Л, V2 Яі я2 S1 Решение
г 0 0 2 0 -1 -1 0 -2 2
*1 1 0 1/3 - 1 /3 0 1/3 0 -1 /3 2/3
Яі 0 0 2 0 -1 0 1 -2 2
Хг 0 1 - 1 /6 1/6 0 -1 /6 0 2/3 2/3
И т е р а ц и я 3 . Т а к к а к 5, = 0 , в ч и с л о б а з и с н ы х м о ж н о в в е с т и п е р е м е н н у ю Лг В ре-
зу л ь т а т е п о л у ч а е м с и м п л е к с -т а б л и ц у .
Базис *1 хг >А Мг я. я2 S1 Решение
г 0 0 0 0 0 -1 -1 0 0
Х\ 1 0 0 -1 /3 1/6 1/3 -1 /6 0 1/3
Лі 0 0 1 0 -1 /2 0 1/2 -1 1
хг 0 1 0 1/6 -1 /1 2 -1 /6 1/12 1/2 5/6
П о сл ед н яя таб л и ц а дает оп ти м альн о е реш ен и е р ассм атр и ваем о й н а этап е I зад ачи .
Т а к к а к г = 0 , п о л у ч ен н о е р еш ен и е х , = 1 /3 , х2 = 5 /6 я в л я е т с я д о п у сти м ы м . О п ти
м альн ое зн ач ен и е г в ы ч и с л я ется п о д стан о вко й п ол уч ен н ого р еш ен и я в в ы р аж ен и е
д л я ц е л е в о й ф у н к ц и и и с х о д н о й з а д а ч и и р а в н я е т с я 4 ,1 6 .
С р е д с т в о E x c e l Поиск решения м о ж н о и с п о л ь з о в а т ь д л я р е ш е н и я з а д а ч к в а д р а т и ч
н о го п р о г р а м м и р о в а н и я . Н а р и с . 2 1 .5 п о к а з а н о р е ш е н и е з а д а ч и и з д а н н о г о п р и м е р а
( ф а й л c h 2 1 S o lv e rQ u a d ra tic P ro g ra m m in g .x ls ). И с х о д н ы е д а н н ы е д л я з а д а ч и п р е д с т а в л е
ны в таком же виде, к ак и в з а д а ч а х л и н е й н о г о п р о г р а м м и р о в а н и я (с м . р а з
д е л 2 .4 .2 ) . О с н о в н о е о т л и ч и е с о с т о и т в т о м , ч т о ц е л е в а я ф у н к ц и я с е й ч а с н е л и н е й н а .
П оскольку в данном прим ере ц ел евая ф у н к ц и я им еет вид
z = 4х, + 6х, - 2х,2 - 2х,х2 - 2 х \ ,
в яч е й к у D 5 зап и сы вается ф орм ула
=4*В10+6*С10-2*В10 *2 -2 *8 1 0*С 10-2*С 10*2

З д е с ь в я ч е й к а х В 1 0 и С Ю з а п и с а н ы з н а ч е н и я х х и х г. О т м е т и м , ч т о я ч е й к и В 5 :С 5
н е и с п о л ь з у ю т с я (в о т л и ч и е о т за д а ч л и н е й н о г о п р о г р а м м и р о в а н и я ) , п о э т о м у м ы
в в е л и в н и х з н а ч е н и я NL, п о к а з ы в а ю щ и е , ч т о о г р а н и ч е н и я н е л и н е й н ы . Ч т о б ы у к а
зать , что п ерем ен н ы е н ео тр и ц ател ьн ы , надо и л и устан о ви ть соответствую щ ую о п
ц и ю в д и а л о г о в о м о к н е Параметры и л и з а д а т ь н у ж н ы е о г р а н и ч е н и я н е п о с р е д с т в е н
н о в д и а л о г о в о м о к н е Поиск решения.
D5 * =4*В10+6*С10-2*В10Л2-2'В10*С10-2*С10Л2
А В 0 . є F
Quadratic Programming Model
2 Input data:
J ' ' x1 x2
Totals Limits
і 4 Objective NL NL 4 166667
6 Constraint 1 2 2 <= 2
? : ............. >=0 >=0 I
8 'o u tp u t results:
9 X1 x2 z
10 Solution 0 333333 0 833333 4 166667
11
П о и с к <е ш е н и я ЕШ
становить целевую ячейку fiois" а
Равной, максимальному а а чеин о JO40I н о - (о
Закрыть I
С мии-мальному эначенио
Изменяя ячейка
$ В $ 10 :$С $10 ^ Предположить I
Ограничения Параметры |
$ В $ 10 :$С $ 1 0 > = О __ Добавить I

$0$6 <= $F$6
УЭМвНЛТЪ
Воссіаноеить |
Удалить
J Справка |
Р и с . 21 .5 . Р е ш е н и е в E x c e l з а д а ч и п р и м е р а 21 .2 .3
1. Д а н а зад ач а, в ко то р о й требуется
м аксим изировать z = 6х, + Ъхг - 4х,х2 - 2х] - Ъх\

х, + х 2< 1,
2х, + З х 2 < 4,
х ,, х 2> 0 .
П о к а ж и те , что z — строго во гн у тая ф у н к ц и я , и реш и те зад ачу, используя
алгори тм квад рати чн ого п рограм м и рован и я.
2. Д ан а след ую щ ая задача.
М и н и м и з и р о в а т ь z = 2 x f + 2х \ + Зхj + 2ххх 1 + 2 х 2х} + х , - Зх2 - 5л,

X, + х 2 + х 3 > 1,
Зх , + 2 х 2+ х 3< 6,
х ,, х 2, х 3 > 0.
П о к а ж и те , что ф у н к ц и я z — строго в ы п у к л ая , и н ай ди те реш ен ие зад ач и м е
тодом квад рати чн ого п рограм м и рован и я.
21.2.3. Геометрическое программирование

В геом ет рическом програм м ировании р а сс м ат р и в аю тс я за д а ч и н ел и н ей н о го
п р о гр ам м и р о в а н и я сп ец и альн о го ви д а. П од ход геом етри ч еского п р о гр ам м и р о ва
н и я п о зво л яет н ах о д и ть реш ение и сходн ой зад ач и с пом ощ ью соответствую щ ей
двой ствен н ой задачи .
М етодам и геом етри ч еского п р о гр ам м и р о в ан и я р еш аю тся н ел и н ей н ы е зад ачи ,
в ко то р ы х к а к ц ел евая ф у н к ц и я , т ак и ф у н к ц и и о гр ан и чен и й им ею т следую щ и й вид:
z = f ( X ) = ± U t,
1
где
^ = С, Г К ' ’ У' = Ь 2 ,...,М

/=1
П р е д п о л а г а е т с я , ч т о з д е с ь в с е с ;. > 0 , а ч и с л о N я в л я е т с я к о н е ч н ы м . П о к а з а т е л и
с т е п е н и a tj п о з н а к у н е о г р а н и ч е н ы . Ф у н к ц и я / ( X ) и м е е т в и д п о л и н о м а , е с л и н е у ч и
т ы в а т ь т о г о , ч т о п о к а з а т е л и с т е п е н и a t/ м о г у т п р и н и м а т ь о т р и ц а т е л ь н ы е з н а ч е н и я .
П о э т о й п р и ч и н е , а т а к ж е в с в я з и с т е м , ч т о в с е к о э ф ф и ц и е н т ы су > 0 , ф у н к ц и я / ( X )
н азы в ается п озином ом .
В этом р азд еле будут р ассм отрен ы зад ач и геом етри ч еского п р о гр ам м и р о в ан и я
без о гр ан и ч е н и й . И ссл ед о ван и е зад ач гео м етр и ч еск о го п р о гр ам м и р о в а н и я с о гр а
н и ч ен и ям и вы ходит за р ам к и н асто ящ ей гл ав ы . Д етальн ое рассм отрение и зл агае
м ы х з д е с ь в о п р о с о в с о д е р ж и т с я в к н и г е [2 ], г л а в а 6 .
Р а с с м о т р и м з а д а ч у м и н и м и з а ц и и п о з и н о м и а л ь н о й ф у н к ц и и /(X ). Б у д е м н а з ы
в а т ь э т у з а д а ч у п р я м о й . П р е д п о л а г а е т с я , ч т о п е р е м е н н ы е x t п р и н и м а ю т ст рого по
л о ж и т е л ь н ы е з н а ч е н и я , т . е . о б л а с т ь х, < 0 н е д о п у с т и м а . Д а л е е б у д е т п о к а з а н о , ч т о
требование х і Ф0 я в л я ет ся су щ ествен н ы м п р и п о л у ч ен и и основны х результатов.
П ер вы е ч астн ы е п ро и зво д н ы е ф у н к ц и и z в то чке м и н и м у м а д о л ж н ы об р ащ аться
в н уль. С ледовательно,
OAk j,{ ОЛк ,tk * - « ...."■
П о с к о л ь к у по п р е д п о л о ж е н и ю все х к > 0, и м еем
= 0= Л = 1 ,2 ,..., я.
ахк хк у-1
П у с т ь z — м и н и м а л ь н о е з н а ч е н и е ф у н к ц и и z. О ч е в и д н о , ч т о z > 0 , т а к к а к z — по-
з и н о м , и все х к > 0 . О б о зн а ч и м
И з оп ределен и я следует, что у > 0 и (у / = 1. В е л и ч и н а y f х а р а к т е р и з у е т о т н о с и
т е л ь н ы й в к л а д j- го с л а г а е м о г о U в о п т и м а л ь н о е зн а ч е н и е ц е л е в о й ф у н к ц и и z . Н е
обходимые у сл о в и я эк стр ем у м а теп ер ь м о ж н о зап и сать в следую щ ем виде.
Е а . Д г 0’ А: = 1,2,..., и.
5 > , =1, V > 0 для всех j.
Э ти у р а в н е н и я , и м е н у е м ы е у с л о в и я м и о р т о г о н а л ь н о с т и и н о р м и р о в к и , о п р е д е л я
ю т единственное реш ение д л я п р и у с л о в и и , ч т о все у р а в н е н и я н е за в и с и м ы
и п + 1 = N . З а д а ч а у с л о ж н я е т с я п р и N > п + 1 , т а к к а к в э т о м с л у ч а е р е ш е н и е д л я і/,
не я в л я е т с я ед и н ствен н ы м . Н и ж е п о к азан о , что и в этом случ ае сущ ествует во з
м о ж н о сть одн озн ачн о о п р ед ел и ть у д л я м и н и м и зац и и ф у н к ц и и г.
П усть — эл ем ен ты еди н ствен н ого р еш ен и я п р ед ставл ен н о й вы ш е систем ы
у р авн ен и й . Т огда в ел и ч и н ы z * и х], і = 1, 2 , п , о п р е д е л я ю т с я с л е д у ю щ и м о б р а з о м .

Рассм отрим вели чин у
П о с к о л ь к у z = % , то
В п о с л е д н е м в ы р а ж е н и и у ч т е н о у с л о в и е ’<
2 ^ і_1а,,У, - ^ • С л е д о в а т е л ь н о , з н а ч е н и е 2*
м о ж н о в ы ч и с л и т ь , к а к т о л ь к о б у д у т о п р е д е л е н ы все уг П р и и з в е с т н ы х у] и z ' м о ж
н о о п р е д е л и т ь U] = y'jZ . З н а ч е н и я xt н а х о д я т с я к а к р е ш е н и е с и с т е м ы у р а в н е н и й
/=•1
Р ассм о тр ен н ая п р о ц ед у р а п о к азы в ает, что и сх о д н ая зад ач а м и н и м и зац и и позино-

м а z м о ж е т б ы т ь с в е д е н а к р е ш е н и ю с и с т е м ы л и н е й н ы х у р а в н е н и й о т н о с и т е л ь н о у ;.
П р и этом зн а ч е н и я всех у определяю тся из необходим ы х условий сущ ествовани я
м и н и м у м а. М ож н о п о к а за ть , что эти у сл о в и я я в л я ю тс я т а к ж е и д о стато ч н ы м и . Д о

к а з а т е л ь с т в о э т о го п р и в о д и т с я в к н и г е [2 ].
Ф ак ти ч е ск и п ерем ен н ы е yt оп ределяю т двой ствен н ы е перем ен н ы е, соответст
вую щ и е п р я м о й зад ач е м и н и м и за ц и и z. Ч тоб ы у с та н о в и ть эту зав и си м о сть, за п и
ш ем ц елевую ф у н к ц и ю п р ям о й зад ач и в виде
О пределим теп ерь ф ун кц и ю

П оскольку = 1 и y t > 0 , в с и л у н е р а в е н с т в а К о ш и 1и м е е м w < z .
Ф у н к ц и я w с п е р е м е н н ы м и у х, у 2, . . . , yN о п р е д е л я е т з а д а ч у , д в о й с т в е н н у ю к и с
ходной. П оско л ьку w яв л яется н и ж н ей гран и ц ей зн ачен и й z и р ассм атри вается за
д а ч а м и н и м и з а ц и и z, т о , м а к с и м и з и р у я ф у н к ц и ю ш, м ы п о л у ч и м
w* = max w = min z = z .
У1 *:
Э то з н а ч и т , ч т о м а к с и м а л ь н о е зн а ч е н и е w (= w ) н а м н о ж е с т в е д о п у с т и м ы х зн а ч е н и й
у. с о в п а д а е т с м и н и м а л ь н ы м з н а ч е н и е м z ( = z') н а м н о ж е с т в е д о п у с т и м ы х з н а ч е н и й х г
Пример 21.2.4
В э т о м п р и м е р е р а с с м а т р и в а е т с я з а д а ч а , гд е N = п + 1, т а к ч т о р е ш е н и е , п о л у ч а е м о е
и з у с л о в и й о р т о го н а л ь н о с т и и н о р м и р о в к и , я в л я е т с я е д и н с т в е н н ы м . (С л ед у ю щ и й
п р и м е р и л л ю с т р и р у е т с л у ч а й , к о г д а N > п + 1 .)
Р ассм о тр и м задачу
м и н и м и зи ровать z = lx tx~' + 3 x ,x f + 5х~гх2хг + xtx,xr

Э ту ф у н к ц и ю м о ж н о за п и с а т ь в виде
г = 1х\хі'х°г + Ъх°х\хг2 + 5х~3х\х'} + х\х\х'},
т а к ч то зд есь
(Ср с2, с3, с4) ( 7 , 3 , 5 , 1 ),
Ч і « 12 «13 «14 ' ( \ 0 -3 Г
«21 «22 «23 а 24

1 1 1
,« 3 1 «32 «33 а м ,
-2 1 1
У слови я ортогон альн ости и н о р м и р о вки п р и во д ят к систем е уравн ен и й
' 1 0 -3 Р V '0 '

- 1 1 1 1 Уі 0
0 - 2 1 1 Уз 0
, > > 1 1 ч Л, кК
Э та си стем а и м е ет ед и н ствен н о е р еш ен и е
1 . 1 . 5 . 1
2 * у- ~ 6 ' Уз~ 2 4 ’ Л ~ 8 '
=15,23.
1 Н еравен ство К о ш и (неравенство м еж д у средн им ари ф м е ти ч ес к и м и средн им геом етриче
с ки м ) у с та н а вл и ва ет, ч т о п р и Zj > 0 в ы п о л н я е тс я , WjZj ' ГДе W1 И X ; I Wi ■

И з у р а в н е н и я U] = у 'г ’ с л е д у е т , ч т о
7jr,.v,' = U, = 1(15,23) = 7,615,
3.г:дг,- = ; /: = -1(15,23) = 2,538,
5-V -V 3 = ^3 = ^ ( 1 5 .2 3 ) = 3,173,
-V,.V;.V, = U 4 = 1(15,23) = 1,904.

8
Э та с и ст е м а и м е ет р еш ен и е = 1,3 1 6 , л, = 1,21, .\3 = 1 , 2 , к о т о р о е я в л я е т с я о п т и м а л ь
ны м реш ен и ем п р ям о й задачи .
Пример 21.2.5
Р ассм о тр и м зад ач у
м и н и м и зи ровать с = 5 л | л ; ' + 2.v, '.v2 +5.v, + .v j'.
У слови я о р тогон альн ости и н о р м и р о вки п р и во д ят к систем е уравн ен и й
V,
I -I I 0^
у. <01
-I I 0 -I - 0
Уз
I I I I V 1)
П о с к о л ь к у N > n + 1, эти у р а в н е н и я не п о зв о л я ю т н еп о ср ед ствен н о о п р е д е л и ть и с

к о м ы е з н а ч е н и я у,. В ы р а ж а я \>і, у 2 и y s ч е р е з у 4, и м е е м
1 -і i Y ' -Л
-1 1 0
1 1 1 •-V 4 ,
или
»-3 . у4
V, =
2 ’
1 - V,
У 3 = У 4-
Д вой ствен н ую зад ач у м ож н о зап и сать в следую щ ем виде.
М а к с и м и з и р о в а т ь iv =
5 і 2 1
UT Ш
I l
'J)
©
0,5(1 - 3 v 4) j >'4 У У4 ,
М а к с и м и з а ц и я w э к в и в а л е н т н а м а к с и м и з а ц и и ф у н к ц и и lnw , п е р е х о д к к о т о р о й у п
рощ ает вы чи слен и я. П олучи м
lnw = 0 ,5 (1 - 3v4){ ln l0 - ln (l - Зу4)} + 0 ,5 (1 - у 4){1л4 - 1л(1 - у 4)} + у 4{1л5 - 1лу4 + 1п1 - 1пу4}.
Значение у 4, м аксим изирую щ ее ф ункцию lnw , долж но бы ть единственны м ,

п о ск о л ьк у п р я м а я задача им еет еди н ствен н ы й м и н и м ум . С ледовательно,
din w
ду4 т Г 'Ч (т Г т Г ^ М т т ) +( т И ‘ - ' ^ +
+ln 5 - { l + l n y 4}+ln 1- { l + l n v4} = 0.
П осле упрощ ений получаем
2 х 102 ( 1 -3 .у 4) ? ( 1 - у 4) ї
-In + In
У]
> /(1 -З у 4) 3( 1 - .у 4)
12, 6 ,
УІ
о т к у д а у ' = 0 ,1 6 . С л е д о в а т е л ь н о , y j = 0 , 1 6 , у 2 = 0 ,4 2 и у* = 0 , 2 6 .
Значение г вы числяется по формуле

\0 .2 6 / \0 .4 2 / \0 .I6
— 1 (— ) f— 1 =9,661.
0,26 I I 0,42 J I 0.16 J
U3 = 0 , 1 6 x 9 , 6 6 1 = 1 ,5 4 6 = 5л-,,
ІІЛ= 0 ,1 6 x 9 ,6 6 1 = 1,546 = лг2 ‘.
О т с ю д а и м е е м ** = 0 ,3 0 9 и х'г = 0 ,6 4 7 .
1. Р е ш и т е след у ю щ у ю за д а ч у м етодом гео м е тр и ч ес к о го п р о гр а м м и р о в а н и я .
М и н и м и з и р о в а т ь г = 2 х \ ' х \ + x f x ż 2 +4дг,2 п р и * , , х 2 > 0 .
2. Р еш и те следую щ ую зад ач у м етодом геом етри ч еского п р о гр ам м и р о ван и я.
М и н и м и зи ровать г = S x ^ 'x ; + 2*3"' + 10лг2 + 2 х \ ' х гх~3 п р и х , , х 2, х 3 > 0 .
3. Р е ш и те следу ю щ ую за д а ч у м етодом гео м етри ч еск ого п р о гр ам м и р о в ан и я.
М и н и м и з и р о в а т ь z = 2 х 2х 2ъ +8х~*х2 + 3х,хг п р и * , , х 2 > 0 .
4. Р еш и те следую щ ую зад ач у м етодом геом етри ч еского п р о гр ам м и р о ван и я.
М и ним изировать г = 2 х\х~^ + 4х~2хг + лг,лг2 п р и х ,, х 2 > 0 .

21.2.4. Стохастическое программирование

В стохасти ч еском п р о гр ам м и р о ван и и рассм атр и ваю тся зад ач и , в к о то р ы х отд ель
н ы е и л и все п а р а м е т р ы я в л я ю т с я с л у ч а й н ы м и в е л и ч и н а м и . Т а к и е с и т у а ц и и т и п и ч н ы
в р еал ьн ы х зад ач ах , когд а трудно о п р ед ел и ть точн ы е зн ач ен и я п ар ам етр о в.
О сн овн ой п о д х о д к р еш ен и ю за д а ч сто х асти ч еск о го п р о гр ам м и р о в а н и я состоит
в преобразован и и исходной вероятн остн ой зад ач и в эк ви вален тн ую детер м и н и р о
ван н ую . В д ан н о м разделе р ассм атр и в ается о п ти м и зац и о н н ая зад ача с в ер о я тн о ст
н ы м и о гр ан и чен и ям и , которая им еет следую щ ий вид.
М а к с и м и з и р о в а т ь z = '^_i cjx j
і- і
Я Ą j > 1- а , , і = 1,2...... »к х ; > 0 для всех j.
Н азван и е “ вероятн остн ы е о гр ан и ч ен и я” обусловлено тем , что к аж д о е о гр ан и

ч е н и е з а д а ч и д о л ж н о в ы п о л н я т ь с я с в е р о я т н о с т ь ю н е м е н ь ш е й , ч е м 1 - a t, 0 < a t < 1.
П р е д п о л а г а е т с я , ч т о в с е к о э ф ф и ц и е н т ы a tJ и bt я в л я ю т с я с л у ч а й н ы м и в е л и ч и н а м и .
Д алее рассм атр и ваю тся три в ар и ан та. П ервы е два соответствую т п р ед п о л о ж ен и ям
о т о м , ч т о т о л ь к о и л и а, , и л и 6 я в л я ю т с я с л у ч а й н ы м и в е л и ч и н а м и , а т р е т и й о б ъ е
д и н я е т эти д в а с л у ч а я . В о всех тр ех с и т у а ц и я х п р ед п о л агается , ч то п а р ам е тр ы я в
л яю тся норм ально распределен ны м и случай н ы м и вели чин ам и с известны м и м ате
м атическим и ож иданиям и и дисперсиям и.
С и т у а ц и я 1 . П р е д п о л а г а е т с я , ч т о в с е a t/ я в л я ю т с я н о р м а л ь н о р а с п р е д е л е н н ы м и
случай н ы м и вели чин ам и с м атем ати чески м и ож и дан и ям и М { а ^ и дисперсиям и
D { a , y Т а к ж е и з в е с т н ы к о в а р и а ц и и c o v je ^.a,.-} с л у ч а й н ы х в е л и ч и н а ч и а . . .
Р а с с м о т р и м t-e о г р а н и ч е н и е з а д а ч и
и введем обозначен ие
h, = 1 > л -
С л у ч а й н а я в е л и ч и н а Л. и м е е т н о р м а л ь н о е р а с п р е д е л е н и е с м а т е м а т и ч е с к и м о ж и д а
н и е м Л/{Л,} = Х ; ^ { ^ Ц и д и с п е р с и е й D { h } = X r D ,X , г д е Х = ( x t , х 2, . . . , х п) т,
' D{an} ••• cov{efl,a f„}'

D, = і-я м атрица ковариаций = : : :
v COV{ « , „ , « „ } D {aJ
Т еп ерь им еем
h-M(h)
г д е — .— — с т а н д а р т н а я н о р м а л ь н о р а с п р е д е л е н н а я с л у ч а й н а я в е л и ч и н а с ну-
л е в ы м м а т е м а т и ч е с к и м о ж и д а н и е м и е д и н и ч н о й д и с п е р с и е й . Э то о зн а ч а е т , ч т о
' b ,-M (h ,)
P {h ,< b ,}= Ф
где ч ер ез Ф о б о зн ач ен а ф у н к ц и я р а сп р е д е л ен и я с та н д а р тн о го н о р м а л ьн о го р асп р е
деления.
П у сть Ка — зн ач ен и е стан д а р тн о й н о р м а л ь н о р асп р ед ел ен н о й сл у ч ай н о й в ел и
чи н ы , определяем ое и з у р авн ен и я
ф К , ) = • - “ ,•
В э т о м с л у ч а е н е р а в е н с т в о P{h. 1 - a t в ы п о л н я е т с я т о г д а и т о л ь к о т о г д а , к о г д а
b ,-M (h , ) .
->К„
> № }
Э то п р и в о д и т к д е т е р м и н и р о в а н н о м у н е л и н е й н о м у о г р а н и ч е н и ю , к о т о р о е э к в и в а
лен тн о исходном у вероятностн ом у
£ м { а , } х 1 + К „ ^ Х гТ ),Х < Ь,.

і гі
В ч а с т н о с т и , е с л и а ,у — н е з а в и с и м ы е н о р м а л ь н о р а с п р е д е л е н н ы е с л у ч а й н ы е в е л и
ч и н ы , т о г д а с о v { a i r a,y} = 0 , и п о с л е д н е е н е р а в е н с т в о п р и н и м а е т в и д
- ь‘-
r-І V' -'
Д ан н ое огран и чен и е м ож н о зап и сать в виде огр ан и ч ен и й зад ачи сепарабельного
п р о г р а м м и р о в а н и я (р а з д е л 2 1 .2 .1 ) , д л я ч е г о и с п о л ь з у е т с я з а м е н а п е р е м е н н ы х
>’ ДЛЯ ВСЄХ
Т ак и м образом , исходное о гр ан и ч ен и е эк в и в а л ен т н о н ер авен ству
{ a j.r , + у, < 6,
/ =1
и уравнен ию
± D { a , ] x ] - y ; = 0.
С и т у а ц и я 2 . З д е с ь п р е д п о л а г а е т с я , ч т о т о л ь к о 6, я в л я е т с я н о р м а л ь н о р а с п р е д е
л ен н о й сл у ч ай н о й в ел и ч и н о й с м атем ати ч еск и м о ж и д ан и ем М {Ь ) и ди сперсией
D {b ). А н а л и з это й с и ту а ц и и п р о в о д и тся ан ал о ги ч н о п р е д ы д у щ ей . Р а с см о тр и м сто
хастическое ограни чение
К ак и в первом случае, им еем
> а ;.
Э то о г р а н и ч е н и е в ы п о л н и м о л и ш ь п р и в ы п о л н е н и и н е р а в е н с т в а
, ------- < к а .
И так , исходное вероятностн ое огран и чен и е экви вален тн о д етерм и н и рован н ом у

линейном у
^ х < м { ь ] + к а^БЩ .
і =і
С и т у а ц и я 3 . Т е п е р ь п р е д п о л о ж и м , ч т о в с е п а р а м е т р ы a tj и 6 я в л я ю т с я н о р м а л ь
но расп ределен н ы м и сл у ч ай н ы м и вел и чи н ам и . П ереп и ш ем огр ан и чен и е
ś ь,
в виде
t , a4Xi ~ b<- °-
!-1
Т а к к а к в с е а,, и b, р а с п р е д е л е н ы п о н о р м а л ь н о м у з а к о н у , в с о о т в е т с т в и и с и з
вестны м и р езу л ьтатам и м атем ати ческо й стати сти к и вел и чи н а такж е
и м еет н о р м ал ь н о е р а сп р е д е л ен и е. О тсю да след у ет, ч то д а н н ы й в а р и ан т п одобен в а

р и а н т у 1 и м о ж ет б ы ть р ассм о тр ен а н а л о ги ч н ы м о б р азо м .
Пример 21.2.6
Рассм отри м зад ач у с вер оятн о стн ы м и огран и чен и ям и
м а к с и м и з и р о в а т ь г = 5дг, + 6 х 2 + Злг3
Р { а и х \ + а п х г + а & з — 8 } S 0,9 5,
Р { 5 х х + х 2 + 6 х } < 62| S 0,1 0,
п р и ч е м все X j> 0 . П у с т ь Яу — н е з а в и с и м ы е н о р м а л ь н о р а с п р е д е л е н н ы е с л у ч а й н ы е
в е л и ч и н ы со с л е д у ю щ и м и з н а ч е н и я м и м а т е м а т и ч е с к и х о ж и д а н и й и д и сп е р с и й
М { а п ) = 1 , М { а 12} = 3 , М { а 13} = 9 ,
D{flll} = 2 5 , D { a 12} = 1 6 ,D { ai3} = 4 .
П у с т ь п а р а м е т р Ь2 я в л я е т с я н о р м а л ь н о р а с п р е д е л е н н о й с л у ч а й н о й в е л и ч и н о й с м а
т е м а т и ч е с к и м о ж и д а н и е м 7 и д и с п е р с и е й 9.
П о та б л и ц е ф у н к ц и и распред еления с та н д а р тн о го н о р м а л ь н о го за ко н а (п р и л о ж е н и е В)
находим
К щ =к„.05 = 1.645, к „ ; = К 010 = 1,285.
П ервое о гр а н и ч е н и е зад ачи э кв и в а л е н тн о д е те р м и н и р о в а н н о м у н е р а ве н ству
х{ + Зх, + 9дг, + 1,645^25х,’ + 1 +Ах] < 8,
а второе о гр а н и ч е н и е — н е р а в е н ств у
5 *, + х 2+ 6лг3 < 7 + 1 , 2 8 5 х 3 = 1 0 ,8 5 5 .
Если п о л о ж и ть
у 2 = 25х, + 16х; + 4х~,
и с х о д н а я задача п р и н и м а е т с л е д у ю щ и й ви д:
м а к с и м и з и р о в а т ь г = 5лг, + 6х2 + Зх3

п р и о гр а н и ч е н и я х
*1 + Зх2 + 9лг3 + 1 ,6 4 5 у < 8 ,
25л:,2 + 16 х 2 + 4 .Г3 - у 2 = 0,
5дг, + х 2 + 6лг3 < 1 0 ,8 5 5 ,
x i> х 2’ х з> У - ° ,
и м о ж е т б ы т ь р е ш е н а м е то д а м и с е п а р а б е л ь н о го п р о гр а м м и р о в а н и я .
Н а р и с . 2 1 .6 п о к а з а н о р е ш е н и е р а с с м а т р и в а е м о й з а д а ч и с т о х а с т и ч е с к о г о п р о г р а м
м и р о в а н и я в E x c e l ( ф а й л c h 2 1 S o lv e rS to c h a s tic P ro g ra m m in g .x ls ). В д а н н о м с л у ч а е н е л и
нейной является то л ько левая часть в то р о го о гр а н и ч е н и я , ко то р а я вводится
в я ч е й к у F7 в виде ф о р м ул ы
=25*В12Л2+16С12A2+4*D 12Л2-Е 12л2
1. П р е о б р а зу й те с л е д у ю щ у ю за д а ч у с т о х а с т и ч е с ко го п р о гр а м м и р о в а н и я в э к
в и в а л е н тн ую д е те р м и н и р о в а н н ую м одель.
М аксим изировать z = х, + 2 х 2 + 5х3

п р и о гр а н и ч е н и я х
Р {а ,х , + З х 2 + а 3х 3 < 1 0 } > 0 ,9 ,
Р{7х, + 5 х 2 + х 3 < Ь2} > 0 ,1 ,

х „ х 2, х 3> 0 .
П у с т ь а, и а3 я в л я ю т с я независим ы м и норм ально распределенны м и сл учай
ны ми величинам и с м атем атическим и ожиданиями М {а ,} = 2 и М {а 3} —5
и д и с п е р с и я м и D {a ,} = 9 и D{a3} = 16. П р е д п о л а га е тс я т а к ж е , ч т о Ь2 — н о р
м ал ьно распределенная сл уч а й н а я в е л и чи н а с м а те м а ти че ски м о ж и д а н и е м
15 и д и с п е р с и е й 2 5 .
F7 * =25*B 12Л2+ 16*C 12Л2+4*012Л2-Е 12Л2

А В С D E F J G H
1 Stochastic Programming Model
2 Input data:
X1 x2 x3 У
3I
4 ' Totals Limits
5 j Objective 6 6 3 4.66129 i
6 .'Constraint 1 1 3 9 1.646 2 529435 <= 8
7 j Constraint 2 NL NL NL NL 7.4E-11 = 0
8 Constraint 3 6 1 6 0 o <= 10.856
9 I >=0 >=0
10 .O utput results:
11 J x1 x2 x3 У z
12 Solution 0.274194 0 0 1 37096Ć 4 66129
П оиск реш ения ЕШ
Установить целевую ячейку: [ІР ІІ 3 Вьлопшть ]
Равной: & цамсимальному значенио аначенисг |о”
Закрыть j
ництальноиу значению
Иэмендя ячей<м:
|$В$12:$Е$12 ■З Предположить I
Ограничения: Параметры |
*В$12:$Е$12 > = 0 тз Добавить I

$F$6 <= $И$6
$F$7 = tH$7 Изменить
$F(8 <= $Н$6 Восстановить I
Удалить
J Справка |
Р и с . 21 .6. Р е ш е н и е з а д а ч и с т о х а с т и ч е с к о г о п р о г р а м м и р о в а н и я в E x c e l
2. Д ан а следую щ ая зад ач а стохасти ческого п рограм м и рован и я.

М а к с и м и з и р о в а т ь z = х, + х \ + х }
Р |х ,2 + а2х\ + агУ[х^ < l o j > 0,9,
x t , х 2, х 3 > 0 .
П усть п арам етры а2и а3 — н езави си м ы е н орм альн о распределен ны е случ ай
н ы е в ел и ч и н ы с м а т е м ат и ч е с к и м и о ж и д а н и я м и 5 и 2 и д и сп е р с и я м и 16 и 25
соответствен н о. П р ео бр азу й те дан н у ю зад ач у в д етер м и н и р о ван н у ю задачу
сепарабельного п рограм м и рован и я.
21.2.5. Метод линейных комбинаций

Э тот м ето д о р и е н т и р о в ан н а р е ш е н и е за д а ч , в к о т о р ы х все о гр а н и ч е н и я я в л я ю т
ся линейны м и:
м а к с и м и з и р о в а т ь z = f(X )
А Х < b, X > 0.
О сновой м етода л и н ей н ы х к о м б и н ац и й я в л я е т с я гр ад и ен тн ы й м етод н аи ск о

р е й ш е г о п о д ъ е м а (р а з д е л 2 1 .1 .2 ) . И з в е с т н о , ч т о в э т о м м е т о д е д в и ж е н и е п о н а п р а в
л ен и ю гр ад и ен та м о ж ет вы вести за п р ед ел ы о б ласти д о п у сти м ы х р еш ен и й . К ром е
того, в то ч к е у словн ого о п ти м у м а гр ад и ен т не о б я зател ь н о о б р ащ ается в н у л ь. П о
э т о м у м ет о д н а и с к о р е й ш е г о п о д ъ е м а н е о б х о д и м о м о д и ф и ц и р о в а т ь в ц е л я х его
п р и м ен ен и я к р ассм атри ваем ой зад аче с о гр ан и ч ен и ям и .
П у с т ь X* — д о п у с т и м а я т о ч к а , п о л у ч е н н а я н а k-Pi и т е р а ц и и . Р а з л о ж и м ц е л е
в у ю ф у н к ц и ю /X X ) в о к р е с т н о с т и т о ч к и X в р яд Т ей лора. В резу л ьтате п олуч и м
/X X ) = /XX*) + V /X X *)(X - X ") = f i X " ) - V/XX*)X* + V /X X *)X .

Н а м н е о б х о д и м о о п р е д е л и т ь д о п у с т и м у ю т о ч к у X = X ", в к о т о р о й д о с т и г а е т с я м а к
с и м у м ф у н к ц и и /X X ) п р и в ы п о л н е н и и ( л и н е й н ы х ) о г р а н и ч е н и й з а д а ч и . Т а к к а к
/XX*) - V /X X k) X k — п о с т о я н н о е с л а г а е м о е , з а д а ч а о п р е д е л е н и я X* с в о д и т с я к р е ш е
нию следую щ ей зад ачи ли н ей н ого п р о гр ам м и р о ван и я:
м а к с и м и з и р о в а т ь w k( X ) = V f ( X k) X
А Х < b, X > 0.
Т а к к а к ц е л е в а я ф у н к ц и я w k о п р е д е л я е т с я г р а д и е н т о м ф у н к ц и и /X X ) в т о ч к е
Х к, у л у ч ш е н и е и м е ю щ е г о с я р е ш е н и я м о ж е т б ы т ь о б е с п е ч е н о л и ш ь т о г д а , к о г д а
“ \ ( Х * ) > ш Д Х * ). И з р а з л о ж е н и я Т е й л о р а с л е д у е т , ч т о в ы п о л н е н и е э т о г о у с л о в и я
н е г а р а н т и р у е т , ч т о /XX*) > f ( X k), т а к к а к X " н е о б я з а т е л ь н о н а х о д и т с я в м а л о й
о к р е с т н о с т и т о ч к и Х \ О д н а к о п р и в ы п о л н е н и и у с л о в и я ш Д Х ") > w k( X . k) н а о т
р е з к е ( Х \ X ) д о л ж н а с у щ е с т в о в а т ь т а к а я т о ч к а X k l , ч т о f ( X k i ) > f ( X k). С л е д о
в а т е л ь н о , з а д а ч а с в о д и т с я к о п р е д е л е н и ю т а к о й т о ч к и X **1. Н а й д е м э т у т о ч к у
сл ед у ю щ и м о бр азо м :
X k“ = (1 - г ) Х к + гХ * = Х к + г(Х * - Х к), 0 < г < 1.
О т с ю д а с л е д у е т , ч т о т о ч к а X**1 я в л я е т с я л и н е й н о й к о м б и н а ц и е й т о ч е к Х к и X*. Т а к
к а к Х * и Х * — т о ч к и в ы п у к л о й о б л а с т и д о п у с т и м ы х р е ш е н и й , т о ч к а X**1 т а к ж е я в
л я е т с я доп усти м ой . Е сли с р ав н и ть эту п ро ц ед у р у с м етодом н аи ск о р ей ш его п од ъ е
м а (п о д р а з д е л 2 1 .1 .2 ) , п а р а м е т р г м о ж н о р а с с м а т р и в а т ь к а к д л и н у ш а г а .
Т о ч к а X * '1 о п р е д е л я е т с я и з у с л о в и я м а к с и м у м а ф у н к ц и и /X X ). Т а к к а к X й1 з а в и
с и т л и ш ь о т п е р е м е н н о й г, т о Х * м о п р е д е л я е т с я п у т е м м а к с и м и з а ц и и ф у н к ц и и
h ( r ) = f [ X k + r ( X * - X k)].
П р о ц е д у р а п о в т о р я е т с я д о т е х п о р , п о к а н а fe-й и т е р а ц и и н е б у д е т в ы п о л н е н о
у с л о в и е ш Д Х ) < w k( X k). В э т о й т о ч к е д а л ь н е й ш е е у л у ч ш е н и е с у щ е с т в у ю щ е г о р е
ш ен и я н ево зм о ж н о , проц есс вы ч и сл ен и й зав ер ш ается , то ч к а Х к сч и тается н аи
лучш им реш ением .
З ад ач и ли н ей н ого п рограм м и рован и я, которы е реш аю тся на к аж д о й итераци и
оп и сан н о й п р о ц ед у р ы , о тли ч аю тся друг от д р у га л и ш ь к о эф ф и ц и ен там и целевой
ф у н к ц и и . П оэтом у д л я п о вы ш ен и я эф ф екти вн ости вы чи слен и й м ож но исп ользо
в а т ь м е т о д ы а н а л и з а ч у в с т в и т е л ь н о с т и , р а с с м о т р е н н ы е в р а з д е л е 4 .5 .
Пример 21.2.7
Р а с с м о т р и м з а д а ч у к в а д р а т и ч н о г о п р о г р а м м и р о в а н и я и з п р и м е р а 2 1 .2 .3 .
М а к с и м и з и р о в а т ь г = 4дг, + 6дг2 - 2 х 2 - 2 x tx 2 - 2 х \
+ 2х2< 2,
x t, х2> 0.
П у сть Х° = ( 1 /2 , 1 /2 ) — н ач ал ьн ая то чка, к о то р ая я в л я ется доп устим ой д л я рас
см атри ваем ой зад ач и . И м еем
V Д Х ) = (4 - 4 х , - 2 х 2, 6 - 2 х , - 4 х 2).
у д х ° ) = ( і , 3).
С оответствую щ ая задача лин ейн ого п рограм м и рован и я своди тся к м акси м и зац и и
ф у н к ц и и wj = X j + З х , с у ч е т о м о г р а н и ч е н и й и с х о д н о й з а д а ч и . Е е о п т и м а л ь н ы м р е
ш е н и е м е с т ь т о ч к а X* = ( 0 , 1 ). З н а ч е н и я ф у н к ц и и w , в т о ч к а х Х° и X* р а в н ы 2 и 3 с о
ответственн о. С лед овательн о, н овая то ч ка и щ ется в виде
М акси м и зац и я ф ун кц и и
*(-•)-/ (1Г - 1т )
д а е т г = 1. Т а к и м о б р а з о м , X і = ( 0 , 1) и Д Х 1) = 4 .
У Д Х !) = ( 2 , 2 ) .
Ц елевой ф ункцией новой зад ач и ли н ей н ого програм м ирования является

w2 = 2xj + 2 лг2. О п т и м а л ь н о е р е ш е н и е э т о й з а д а ч и — X* = ( 2 , 0 ). П о с к о л ь к у з н а ч е н и я w2
в т о ч к а х X і и X р а в н ы 2 и 4, с л е д у е т н а й т и н о в у ю т о ч к у . Р а с с м а т р и в а е м т о ч к у
X 2 = ( 0 , 1 ) + г [(2 , 0 ) - ( 0 , 1 )] = ( 2 r , 1 - г).
М акси м и зац и я ф ун кц и и
h ( r ) = Л 2 Л 1 - г)
д а е т г = 1 / 6 . Т а к и м о б р а з о м , X 2 = ( 1 / 3 , 5 / 6 ) , п р и э т о м Д Х 2) « 4 , 1 6 .
У Д Х 2) = ( 1 , 2 ) .
З д е с ь ц е л е в а я ф у н к ц и я и м е е т в и д w 3 = x 1 + 2 х 2. О п т и м а л ь н ы м р е ш е н и е м з а д а ч и л и н е й
н о г о п р о г р а м м и р о в а н и я б у д у т а л ь т е р н а т и в н ы е т о ч к и X = ( 0 , 1 ) и X = (2 , 0 ). З н а ч е н и е w3
в о б о и х с л у ч а я х с о в п а д а е т с о з н а ч е н и е м w3 в т о ч к е X 2. С л е д о в а т е л ь н о , у л у ч ш и т ь и м е ю
щ ееся р еш ен и е н ево зм о ж н о . П олуч ен о пр и б ли ж е н н о е о п ти м ал ь н о е р еш ен и е зад ач и :
Х 2 = ( 1 / 3 , 5 / 6 ) с Д Х 2) “ 4 ,1 6 . В д а н н о м с л у ч а е о н о с о в п а д а е т с т о ч н ы м о п т и м у м о м .
1. Р е ш и т е след у ю щ у ю за д а ч у м етодом л и н е й н ы х к о м б и н а ц и й .
М и н и м и з и р о в а т ь / ( X ) = дг,3 + x l -Зл :,*,

Зх, + х 2< 3,
5 х , - З х 2 < 5,
x t, х 2 > 0 .
21.2.6. Алгоритм последовательной безусловной максимизации

В этом р азд еле п р и во д и тся о п и сан и е град и ен тн ого м етода более общ его вида.
П р е д п о л а г а е т с я , ч т о ц е л е в а я ф у н к ц и я /X X ) я в л я е т с я в о г н у т о й , а к а ж д а я ф у н к ц и я
о гр ан и ч ен и й £ /Х ) — в ы п у к л о й . К р о м е того, д о п у сти м ая о б л асть за д а ч и д о л ж н а
с о д е р ж а т ь в н у т р е н н и е т о ч к и . Э то и с к л ю ч а е т к а к я в н о е , т а к и н е я в н о е и с п о л ь з о в а
ни е огр ан и ч ен и й в виде р а ве н с т в.
А л го р и т м п о сл ед о вател ьн о й безу сл о вн о й м а к с и м и за ц и и о сн о ван на п р ео б р азо
в а н и и и сх о д н о й за д а ч и с о г р а н и ч е н и я м и в э к в и в а л е н т н у ю з а д а ч у без о г р ан и ч е н и й .
П роц ед ура в н екоторой степени подобна п ри м ен ен и ю м етода м н о ж и тел ей Л агр ан
ж а . П р ео б р азо ван н ая зад ач а затем м о ж ет б ы ть реш ен а м етодом н аи скорей ш его
п о д ъ е м а ( р а з д е л 2 1 .1 .2 ) .
В ведем новую целевую ф у н к ц и ю
і
р ( х ,о = / ( х ) +/
tT s ,(x )
где t — н ео тр и ц ател ьн ы й п ар ам етр . Н ал и ч и е второй су м м ы обусловлен о уч ето м тр е

бован и й неотри ц ательн ости п ер ем ен н ы х исходной зад ач и , которы е следует зап и сать
в в и д е —лг; < 0 д л я и х с о г л а с о в а н и я с о с т а л ь н ы м и о г р а н и ч е н и я м и в и д а £ , ( Х ) < 0 . П о
с к о л ь к у ф у н к ц и я £ ,(Х ) я в л я е т с я в ы п у к л о й , 1 / ^ ( Х ) б у д е т в о г н у т о й . О т с ю д а с л е д у е т ,
ч т о р (Х , t) я в л я е т с я в о гн у т о й ф у н к ц и е й о т п е р е м е н н ы х X . С л е д о в а т е л ь н о , ф у н к ц и я
р (Х , t) и м е ет е д и н с т в е н н ы й м а к с и м у м . П о э то м у р е ш е н и е и с х о д н о й о п т и м и з а ц и о н н о й
з а д а ч и с о г р а н и ч е н и я м и э к в и в а л е н т н о м а к с и м и з а ц и и ф у н к ц и и р ( Х , t).
В ы п ол н ен и е ал го р и тм а н а ч и н ае тся с п р ои звольн ого вы бора н ачал ьн ого н ео т р и
ц а т е л ь н о г о з н а ч е н и я t. Н а ч а л ь н а я т о ч к а Х ° в ы б и р а е т с я в к а ч е с т в е п е р в о г о п р о б н о г о
р е ш е н и я . Э та т о ч к а д о л ж н а б ы т ь в н у т р е н н е й т о ч к о й о б л а сти д о п у с т и м ы х р е ш е н и й ,
т .е . н е д о л ж н а н а х о д и т ь с я н а е е г р а н и ц е . П р и з а д а н н о м з н а ч е н и и t о п т и м а л ь н о е р е ш е
н и е (т о ч к а м а к с и м у м а ) ф у н к ц и и р (Х , t ) н а х о д и т с я м ето д о м н а и с к о р е й ш е го п о д ъ е м а.
Т о ч к а, п р е д с та в л я ю щ а я новое р еш ен и е, всегда будет в н у тр ен н ей , ибо если ре
ш ен и е н ах о д и тся б л и зк о к гр ан и ц е об ласти , то по к р ай н ей м ере одн а и з ф у н к ц и й
1 /£ ,( Х ) и л и - 1 / х . п р и м е т о ч е н ь б о л ь ш о е о т р и ц а т е л ь н о е з н а ч е н и е . П о с к о л ь к у р а с
с м а т р и в а е т с я з а д а ч а м а к с и м и з а ц и и р (Х , t), то т а к и е р е ш е н и я а в т о м а т и ч е с к и и с
кл ю ч аю тся. О сновной р езу л ьтат состоит в том , что послед овательн о получаем ы е
р е ш е н и я всегда будут вн у тр ен н и м и то ч к ам и д оп усти м ой об л асти . С ледовательно,
и с х о д н а я за д а ч а м о ж ет всегд а р а сс м ат р и в ат ь с я к а к за д а ч а без о гр ан и ч ен и й .
К о г д а п о л у ч е н о о п т и м а л ь н о е р е ш е н и е , с о о т в е т с т в у ю щ е е з а д а н н о м у з н а ч е н и ю t,
в ы б и р а е т с я н о в о е з н а ч е н и е t, и п р о ц е с с в ы ч и с л е н и й (м е т о д о м н а и с к о р е й ш е г о п о д ъ
е м а ) п о в т о р я е т с я . Е с л и Ґ — т е к у щ е е з н а ч е н и е t, то с л е д у ю щ е е зн а ч е н и е Г н ео б х о
ди м о вы би рать так , чтобы в ы п о л н ял и сь неравенства 0 < ґ < ґ .
Р е ш ен и е за д а ч и м етодом п о сл ед о вател ьн о й б езусловн ой м а к с и м и за ц и и за в е р

ш ается, к о гд а д л я двух п ослед овательн ы х зн ач ен и й t соответствую щ ие о п т и м а л ь
н ы е р е ш е н и я X , п о л у ч е н н ы е в р е з у л ь т а т е м а к с и м и з а ц и и ф у н к ц и и р (Х , t), п р и м е р
но совп адаю т. В этом случае дальнейш ие вы числен ия лиш ь н езн ачи тельн о
у л у ч ш ат полученн ое реш ение.
П р а к т и ч е с к а я р е а л и за ц и я а л го р и т м а п о сл ед о вател ьн о й б езусловн ой м а к с и м и
за ц и и и м еет р я д н ю ан сов, к о то р ы е зд есь не р а сс м атр и в аю тс я . В ч астн о сти , с у щ ест
в е н н ы м ф а к т о р о м я в л я е т с я в ы б о р н а ч а л ь н о г о з н а ч е н и я п а р а м е т р а t, к о т о р ы й м о
ж ет п о вл и ять на скорость сходим ости алгори тм а. Д алее д л я определени я
н а ч ал ьн о й в н у тр ен н ей то ч к и о б л асти д о п у сти м ы х р е ш ен и й м о гу т п о тр еб о ваться
с п е ц и а л ь н ы е а л г о р и т м ы . С о о т в е т с т в у ю щ и е д е т а л и м о ж н о н а й т и в к н и г е [3 ].
1. B a z a r a a М ., S h e ra ll Н. and S h e tty С. N o n lin e a r P ro g ra m m in g , Theory and
A l g o r i t h m s , 2 n d e d .,W ile y , N e w Y o rk , 1 9 9 3 . ( Р у с с к и й п е р е в о д п е р в о г о и з д а н и я :
Б а з а р а М ., Ш е т т и К . Н е л и н е й н о е п р о г р а м м и р о в а н и е . Т е о р и я и а л г о р и т м ы . —
М .: М и р , 1 9 8 2 . )
2 . B e i g h t l e r С ., P h i l l i p s D . a n d W i l d e D . F o u n d a t i o n s o f O p t i m i z a t i o n , 2 n d e d . , P r e n
tic e H a ll, U p p e r S a d d le R iv e r , N . J . , 1 9 7 9 .
3 . F i a c c o A . a n d M c C o r m ic k G . N o n l i n e a r P r o g r a m m i n g : S e q u e n t i a l U n c o n s t r a i n e d
M i n i m i z a t i o n T e c h n iq u e s , W ile y , N e w Y o r k , 1 9 6 8 . ( Р у с с к и й п е р е в о д : Ф и а к к о A .,
М ак -К о р м и к Г. Н е л и н е й н о е п р о гр а м м и р о ва н и е. М е т о д ы п о с л е д о в а т ел ь н о й без
у с л о в н о й м и н и м и з а ц и и . — М .: М и р , 1 9 7 2 . )
4 . R a r d in D . O p t i m i z a t i o n i n O p e r a ti o n s R e s e a r c h , P r e n tic e H a ll, U p p e r S a d d le R iv e r ,
N .J ., 1998.

1. Б а н д и Б . М е т о д ы о п т и м и з а ц и и . В в о д н ы й к у р с . — М .: Р а д и о и с в я з ь , 1 9 8 8 .
2 . Г и л л Ф . , М ю р р е й У . , Р а й т М . П р а к т и ч е с к а я о п т и м и з а ц и я . — М .: М и р , 1 9 8 5 .
3 . З а н г в и л л У . И . Н е л и н е й н о е п р о г р а м м и р о в а н и е . — М .: С о в . р а д и о , 1 9 7 3 .
4 . С у х а р е в А . Г ., Т и м о х о в А . В ., Ф е д о р о в В . В . К у р с м е т о д о в о п т и м и з а ц и и . — М .:
Н аука, 1986.
5 . Х и м м е л ь б л а у Д . П р и к л а д н о е н е л и н е й н о е п р о г р а м м и р о в а н и е . — М .: М и р , 1 9 7 5 .
П Р И Л О Ж Е Н И Е А
КРАТКИЙ ОБЗОР ТЕОРИИ МАТРИЦ
А.1. ВЕКТОРЫ
А.1.1. Определение вектора

П у с т ь р , , р 2, . . . , р п — п р о и з в о л ь н ы е д е й с т в и т е л ь н ы е ч и с л а . О б о з н а ч и м ч е р е з Р
у п о р я д о ч е н н о е м н о ж е с т в о э т и х ч и с е л : Р = ( p v p 2, . . . , р п). В э т о м с л у ч а е Р н а з ы в а е т с я
л - м е р н ы м в е к т о р о м ( и л и п р о с т о в е к т о р о м ) , a р, — і-м э л е м е н т о м в е к т о р а Р . Н а п р и
м ер , Р = (2 , 4 ) — 2 -м е р н ы й в е к т о р , у к о т о р о г о р х = 2 и р 2 = 4.
А.1.2. Сложение и вычитание векторов

П у с т ь Р = (P j, р 2, . .. ,р „ ) и Q = (q v q2, q n) — д в а л - м е р н ы х в е к т о р а . Т о г д а э л е м е н т ы
в е к т о р а R = (Гц г2, . . . , г„), р а в н о г о R = Р ± Q , о п р е д е л я ю т с я с о о т н о ш е н и я м и г, = р , ± qr
В общ ем случ ае д л я л ю б ы х век то р о в Р , Q и S , и м ею щ и х од и н акову ю р азм ер
н ость, вы п о л н яю тся следую щ и е соотн ош ен и я.
P ± Q = Q ± P (сво й ств о к о м м у т а т и в н о с т и )
( P + Q ) + S = P + (Q + S ) (сво й ств о а сс о ц и а т и в н о с т и )
Р + (-Р ) = О (с у щ е ст в о в а н и е н у л ев о го в е к т о р а )
А1.3. Умножение вектора на скаляр

Д л я п р о и зв о л ь н о г о в е к т о р а Р и с к а л я р а 0 (п р о и з в о л ь н о г о д е й с т в и т е л ь н о г о ч и с
л а) п рои звед ен и е в ек т о р а Р н а с к а л я р 0 о п р ед ел яет н овы й век то р Q, за д а в ае м ы й со
отнош ением
Q = 0 Р = ( 0 p t , 0 р 2, . . . , 0 р „ ) .
В общ ем случ ае д л я л ю б ы х век то р о в Р и S , и м ею щ и х од и н ако ву ю разм ерн ость,
и п рои звольн ы х с к ал я р н ы х вели чи н 0 и у вы п о л н яю тся следую щ ие соотнош ен ия.
0 (Р + S ) = 0 Р + 0 S (с в о й ст в о д и с т р и б у т и в н о с т и )
6 (у Р ) = (6 у )Р (с в о й ст в о а с с о ц и а т и в н о с т и )
836 Приложение А. Краткий обзор теории матриц
А.1.4. Линейная независимость векторов

В е к т о р ы Р , , Р 2, • • •, Р „ н а з ы в а ю т с я линейно независимыми, есл и равенство
1 0 ,р , = °
hі
в ы п о л н я е т с я т о г д а и т о л ь к о т о г д а , к о г д а в с е 0. р а в н ы н у л ю (0 . — произвол ьны е
д е й с т в и т е л ь н ы е ч и с л а ). Е с л и у к а з а н н о е равенство в ы п о л н я е тс я при не ко то р ы х
0у* 0 , т о в е к т о р ы P j, Р 2........ Р п н а з ы в а ю т с я линейно-зависимыми. Н априм ер, векто
ры Р 1= ( 1 ,2 ) и Р 2 = ( 2 ,4 ) л и н е й н о з а в и с и м ы , п о с к о л ь к у с у щ е с т в у ю т н е н у л е в ы е
ч и с л а 0 t = 2 и 02 = - 1 , п р и к о т о р ы х в ы п о л н я е т с я р а в е н с т в о
о ^ + о А - о .
А.2. МАТРИЦЫ
А.2.1. Определение матриц

М а т р и ц е й назы вается п р я м о у го л ь н ы й м ассив элем ентов, с тр у кт у р и р о в а н н ы й
с тр о ка м и и стол бцам и. В м атрице А элем ент аи р а с п о л о ж е н н а п е р е с е ч е н и и і- й
с т р о к и и у -го с т о л б ц а м а с с и в а . Г о в о р я т , ч т о м а т р и ц а и м е е т п о р я д о к (р а з м е р н о с т ь )
тхп, если она состоит из т строк и п стол бцов. Н а п р и м е р , м а тр и ц а
ч Щ хЗ
им еет р а зм ерность 4 x 3 .
А.2.2. Типы матриц

1. К в а д р а т н а я м а т р и ц а — это м а т р и ц а , и м е ю щ а я о д и н а ко в о е к о л и ч е с т в о с т р о к
и с т о л б ц о в (т .е . т = п).
2. Е д и н и чн а я м атрица — к в а д р а т н а я м а т р и ц а , у к о т о р о й все д и а г о н а л ь н ы е
элем енты равны 1 , а все н е д и а г о н а л ь н ы е — нулю . Н априм ер, единичная
м а тр и ц а п о р яд ка 3 x 3 имеет вид
/ 1 О (Л
13 = О 1 О
О О 1
3. В е кт о р -с т р о ка — м а тр и ц а , и м е ю щ а я о д н у с т р о к у и п стол бцов.
4. В е кт о р -с то л б е ц — м а тр и ц а , и м е ю щ а я т с т р о к и од ин столбец.
5. М атрица А Т назы вается тр а н с п о н и р о в а н н о й к м атрице А , если элем ент aLj

м атрицы А тр а в е н э л е м е н т у а м а т р и ц ы А . Н а п р и м е р ,
(\ 4> /1 2 3
А = 2 5 и Аг =
ч4 5 6
.3 6
6 . М а т р и ц а В н а з ы в а е т с я н у л е в о й (В = 0 ) , е с л и в с е е е э л е м е н т ы р а в н ы н у л ю .
7 . Д в е м а т р и ц ы А = ||в;/|| и В = ||^ || р а в н ы т о г д а и т о л ь к о т о г д а , к о г д а о н и и м е ю т
о д и н а к о в у ю р а з м е р н о с т ь и a t/ = bt/ д л я в с е х і и j .
А.2.3. Арифметические операции над матрицами

Д л я м атр и ц оп редел ен ы то льк о о п ер ац и и с л о ж е н и я (в ы ч и тан и я ) и у м н о ж ен и я.
О п е р а ц и я д е л е н и я м а т р и ц не о п р е д е л е н а , н о в н е к о т о р ы х с л у ч а я х ее м о ж е т з а м е
н и т ь о п е р а ц и я о б р а щ е н и я м а т р и ц (с м . р а з д е л А . 2 .6 ).
С л о ж е н и е и в ы ч и т а н и е м а т р и ц . С л о ж е н и е ( в ы ч и т а н и е ) д в у х м а т р и ц А = Ца^Ц
и В = |^ | во зм о ж н о то льк о тогда, к о гд а он и им ею т о д и н ако ву ю р азм ер н о сть. М ат
р и ц а с у м м ы п о л у ч а е т с я п у т е м с л о ж е н и я э л е м е н т о в м а т р и ц А и В , т .е .
D = А + В = |Ш |
II 4 IIw x h
= I L + Ь-
II >
I .
> WlUX.ll
Д л я п р о и зв о л ь н ы х м ат р и ц А , В и С, и м ею щ и х о д и н ак о в у ю р азм ер н о сть, с п р а
ведливы следую щ ие соотнош ения.
А ± В = В ± А (с в о й ст в о к о м м у т а т и в н о с т и )
А ± (В ± С ) = ( А ± В ) ± С (с в о й ст в о а с с о ц и а т и в н о с т и )
( А ± В ) Т = А Т± В Т
П р о и з в е д е н и е м а т р и ц . П р о и з в е д е н и е А В м а т р и ц А = |а,; | и В = ||b j о п р е д е л е н о
тогда и то льк о тогд а, к о гд а ко л и ч ество столбц ов м атр и ц ы А равн о к о л и ч еству

стр о к м ат р и ц ы В . Т ак и м о б р азо м , есл и м ат р и ц а А и м еет р азм ер н о сть т х г , м а т р и
ц а В д о л ж н а и м е т ь р а зм е р н о с т ь г х л , где т и п — п р о и зво льн ы е п о л о ж и тел ьн ы е
ц ел ы е ч и с л а . П у с ть D = А В . Т о гд а м а т р и ц а D и м е ет р а зм е р н о с т ь т х п , и ее эл е м е н
т ы d tj д л я в с е х і и j о п р е д е л я ю т с я ф о р м у л о й
d., = Х аА •
Н априм ер, если
1 3 , 5 7 9
А = , и В=
2 4 6 8 0
то
D= Iі 31'5 7 91 (1 х 5 + 3 х 6 ) (1 х 7 + 3 х 8 ) (1 х 9 + 3 х 0 )" )
1
ОО
,2 4 ,6 (2 х 5 + 4 х 6 ) (2 х 7 + 4 х 8 ) (2 x 9 + 4 x 0 )j
(2Ъ 31 9'
Д 34 46 18J
В общ ем случ ае А В Ф В А , д аж е если п рои звед ен и е В А оп ределено.
П рои звед ен и е м атр и ц обладает след ую щ и м и свой ствам и .
I mA = А1„ = А , г д е I m и 1п — е д и н и ч н ы е м а т р и ц ы ,
( А В ) С = А ( В С ),
С (А + В ) = С А + С В ,
( А + В )С = А С + В С ,
а (А В ) = (а А )В = А (а В ), а — с к а л я р .
У м н о ж ен и е б л о ч н ы х м ат р и ц . П у сть м атр и ц ы А и В им ею т разм ер н о сти т х г

и г х л со о тветствен н о . П р е д п о л о ж и м , что эти м а т р и ц ы п р е д с та в и м ы в ви д е сово
к у п н о с т и п о д м а т р и ц (б л о к о в ):
[Ч В 12
А» а 12 А„
А= и В = В 21 В 22
Аи А 22 а 23
1В з, В 32
п р и ч е м д л я в с е х і и у ч и с л о с т о л б ц о в в б л о к е А ,, р а в н о ч и с л у с т р о к в б л о к е В.,. Т о г д а
А цВ и + А 12В 21 + А 13В 31 А „В ,2 + А |2В 22 + А )3В 32

А хВ =
A 2jB|, + А 22В 2, + А 23В31 А 21В,г + А 22В 22 + А и В 32
Н априм ер,
(\ 2 зЛ '4> ( 0 ( 4 ) + (2 3) 4 + 2 + 24 3(Л
1 0 5 1 = 44
0 5
,2 5 6, ,8 , (4) + 61
5 6
А.2.4. Определитель квадратной матрицы

Д л я квадратной м атрицы
А=
VUH]
п о р я д к а п р а с с м о тр и м п р о и зв е д е н и е ее эл е м ен то в
~ а Ч,аг ь " ' а’Л. ’
где к а ж д ы й сто л бец и к а ж д а я с тр о к а м атр и ц ы А п р ед став л ен ы в то ч н о сти одним
э л е м е н т о м . О п р е д е л и м в е л и ч и н у е /Л h , р а в н у ю + 1 , е с л и м н о ж е с т в о и н д е к с о в у',, у2,
. .. ,/ „ п о л у ч е н о и з м н о ж е с т в а н а т у р а л ь н ы х ч и с е л 1, 2 , ..., л ч е т н ы м ч и с л о м п а р н ы х
п ер естан о во к, и равн ую - 1 — в п роти вн ом случ ае. Т огда с к а л я р н а я вел и ч и н а
h i. ’
р
г д е с у м м и р о в а н и е в е д е т с я п о в с е м л ! п е р е с т а н о в к а м и н д е к с о в у „ у2.........ул, н а з ы в а е т
с я о п р е д е л и т е л е м (д е т е р м и н а н т о м ) м а т р и ц ы А . О п р е д е л и т е л ь м а т р и ц ы об ы ч н о
о б о з н а ч а е т с я к а к d e t A и л и |А |.
Н ап ри м ер, если
/
а и «12
А = «2! °2 2 а 2Ъ
a,i “и,
ТО (А) ^ ц (^22^33 ^23^32^ ^ 12( ^ 21^33 ^ 31^ 23) ^ 13( ^ 21^32 ^ 22^ 31)*
О п редели тели обладаю т следую щ и м и свой ствам и.
1. Е с л и все э л е м е н т ы к а к о г о -н и б у д ь с т о л б ц а и л и с т р о к и м а т р и ц ы р а в н ы нулю ,
то оп р ед ел и тел ь этой м атр и ц ы равен нулю .
2. О п р ед ел и тел ь т р а н с п о н и р о в ан н о й м ат р и ц ы равен оп ределителю исходной
м а т р и ц ы , т .е . |А Т| = |А |.
3. Е сли м атр и ц а В получена и э м атр и ц ы А путем перестан овки двух к ак и х -

л и б о с т р о к ( и л и д в у х с т о л б ц о в ) , т о г д а |В| = - |А |.
4 . Е с л и д в е с т р о к и (и л и д в а с то л б ц а) в м а т р и ц е о д и н а к о в ы , то ее о п р е д е л и т е л ь
равен нулю .
5. Значен и е о п р ед ел и тел я не и зм ен и тся, если к а к у ю -л и б о строку м атриц ы
(с т о л б е ц ) ум нож ить на скаляр и затем прибавить ее к другой строке
(с т о л б ц у ).
6 . Е с л и к а ж д ы й э л е м е н т к а к о й -л и б о с т р о к и (с т о л б ц а ) у м н о ж и т ь н а с к а л я р а , то
зн ач ен и е о п р е д е л и те л я т а к ж е будет у м н о ж ен о н а это ч и сл о а .
7 . Е сл и А и В — две к в а д р а т н ы е м а т р и ц ы п о р я д к а п , то
|А В | = |А | |В |.
О п р е д е л е н и е м и н о р а . М и н о р о м М ц э л е м е н т а а и в о п р е д е л и т е л е п - г о п о р я д к а |А|
н азы вается определитель (n -l)-ro порядка, получаем ы й после вы черкивания
в м а т р и ц е А і-й с т р о к и и j -го с т о л б ц а . Н а п р и м е р , в о п р е д е л и т е л е м а т р и ц ы
А = «2,
им еем м и н оры
а и а г
Ми = У ^22 ~
Яг
П р и с о е д и н е н н а я м а т р и ц а . О б о з н а ч и м ч е р е з A l/ = ( - l ) ‘+lM IJ а л г е б р а и ч е с к о е д о
п о л н е н и е эл ем ен та а ч к в ад р ат н о й м а т р и ц ы А . Т огда м атр и ц а, п р и со ед и н ен н ая
к м атри ц е А , о п р ед ел яется соотнош ен ием
Ч і Ai ••• Al
Аг Аг А і2
adjA =
Л , А„ А„
Н ап ри м ер, если
fl 2 3Л
А = 2 3 2
3 3 4
т о А п = ( - 1 ) ( 3 х 4 - 2 х 3 ) = 6 , А іг = ( - 1 ) ( 2 х 4 - 3 х 2 ) = - 2 , и т .д . О т с ю д а п о л у ч а е м
'6 1 -5 >
adjA = -2 -5 4
-З 3 -1
А.2.5. Невырожденная матрица

Р ан го м м атри ц ы н азы вается поряд ок н аибольш ей квадратн ой п одм атрицы , оп
редели тель которой отли чен от н у л я. К в а д р а т н а я м атр и ц а, оп ределитель которой
отличен от н у л я, н азы вается м атр и ц ей п олного р ан га и л и н евы рож ден н ой м ат р и
цей. Н априм ер, м атрица
(I 2 3^1
А = 2 3 4
3 5 7
яв л яется вы рож денной, п оскольку
|А | = 1 х ( 2 1 - 2 0 ) - 2 х ( 1 4 - 1 2 ) + З х ( 1 0 - 9 ) = 0 .
В м есте с тем м атр и ц а А и м еет р ан г г = 2, т а к к а к
1 2 'I
= -1 *0 .
2 3
А.2.6. Обратная матрица

Е сли В и С — две квадратны е м атрицы порядка п, причем такие, что
ВС = С В = I, т о г д а м а т р и ц а В н а з ы в а е т с я о б р а тн о й к м а т р и ц е С , п р и это м м а т р и ц а С
т а к ж е б у д е т о б р а т н о й к м а т р и ц е В . О б р а т н ы е м а т р и ц ы о б о з н а ч а ю т с я к а к В ’ 1 и С ’1.
Т е о р е м а . Е с л и В С = I и В — н е в ы р о ж д е н н а я м а т р и ц а , т о г д а С = В ’ 1, п р и ч е м
м а т р и ц а С о п р е д е л я е т с я е д и н с т в е н н ы м образом.
Д о к а за т ель ст во . П о у сл о в и ю тео р ем ы ВС = I. Т о гд а, у м н о ж а я это равен ство
с п р а в а н а В ’1, п о л у ч и м В 'В С = В '1 , о т к у д а с л е д у е т , ч т о 1C = В ’ 1 и л и С = В ‘ \
Т еорем а д о к азан а.
Д л я н евы р ож д ен н ы х м атр и ц сп раведли вы т ак ж е следую щ ие результаты .
1. Е с л и А и В н е в ы р о ж д е н н ы е к в а д р а т н ы е м а т р и ц ы о д и н а к о в о й р а зм е р н о с т и ,
т о ( А В ) " 1 =» В ’1А ’1.
2 . Е с л и А — н е в ы р о ж д е н н а я м а т р и ц а , то и з р а в е н с т в а А В = А С в ы т е к а е т , что
В = С.
О братны е м атр и ц ы н ах о д ят п ри м ен ен и е п ри р еш ен и и систем л и н ей н ы х уравне

ний. Р ассм отри м систем у из п л и н ей н ы х независим ы х уравн ен и й
«12
аш ,Л х„) КК;
г д е х , — н е и з в е с т н ы е , a t/ и Ь 1 — з а д а н н ы е к о н с т а н т ы . Э т а с и с т е м а в м а т р и ч н о й ф о р
ме зап и ш ется
А Х = Ь.
П о с к о л ь к у у р а в н ен и я си стем ы л и н ей н о н езав и си м ы , м а т р и ц а А будет н евы р о ж
ден н о й , и, сл ед о в ател ьн о , будет су щ ество вать о б р а тн ая к н ей м ат р и ц а. Т ак и м обра
зом , и м еем
А 'А Х = А Ъ ,
о т к у д а п о л у ч а е м р е ш е н и е с и с т е м ы : X = A " 'b .
А.2.7. Методы вычисления обратных матриц

М етод п ри соеди н ен н ой м атр и ц ы . Д л я невы рож ден н ой м атр и ц ы А п о р яд ка п
справедлива ф орм ула
'Ч! А» Д„
Д2
А ^ т —radjA = т—г
|А| |А|
Д,„
Н априм ер, д л я м атрицы
А=
6 1 - 5 'l
и м е е м adjA = - 2 -5 4 и |А | = - 7 . П о э т о м у
-3 3 -1
5^
6 1
7
-5 '
4
А '1=- -2 -5 4
-7 7
-3 3 -1
М ето д п о с л е д о в а т е л ь н ы х и с к л ю ч е н и й (м ет о д Г а у с с а -Ж о р д а н а ). Р а с с м о т р и м
б л о ч н у ю м а т р и ц у (A j I), гд е А — н е в ы р о ж д е н н ая м атр и ц а. У м н о ж а я сл ев а эту
м а т р и ц у н а м а т р и ц у А " 1, п о л у ч и м
( А " 'А I A _1I ) = ( I I А ’ 1).
Т ак и м образом , п р и п о сл ед о вател ьн о м п р ео б р азо ван и и стр о к и схо д н о й м ат р и
ц ы , о б е с п е ч и в а ю щ е м п р е о б р а зо в а н и е м а т р и ц ы А в I, о д н о в р е м е н н о м а т р и ц а I п р е
о б р а з у е т с я в м а т р и ц у А " 1.
Рассм отрим систем у л и н ей н ы х уравн ен ий
2 3 2
3 3 4
Л
В ектор реш ен и й X и м атр и ц у , обратн ую к м атри ц е д ан н ой си стем ы , м ож но по
л у ч и ть из соотнош ен ия
А _1( А 111 b ) = ( I I А " 1 1A ~ 'b ).
Р е а л и за ц и я м етода п ослед овательн ы х и скл ю ч ен и й при води т к следую щ ей после
довательн ости дей стви й . И сходн ая м атр и ц а им еет вид
'\ 2 3 1 0 0 3N
2 3 2 0 10 4
з 4 0 0 1 5,
И те р а ц и я 1
'1 2 3 1 0 0 зч
0 -1 -4 -2 1 0 -2
,0 -3 -5 -3 0 1 -4 ,
И терация 2
'1 0 -5 -3 2 0 -Г
0 1 4 2 -1 0 2
,0 0 7 3 -3 1 2,
И терация 3
/
6 1 5 Зч
1 0 0
7 7 7 7
2 5 4 6
0 1 0
7 7 7 7
3 3 1 2
0 0 1
V 7 7 7 7,
Т а к и м о б р а з о м , п о л у ч и л и р е ш е н и е с и с т е м ы jc, = 3 / 7 , х 2 — 6 / 7 и х 3 = 2 / 7 . О б р а т
н а я м а т р и ц а А ’1 п р и в е д е н а с п р а в а о т е д и н и ч н о й м а т р и ц ы и с о в п а д а е т с о б р а тн о й
м атр и ц ей , п олуч ен н ой м етодом п ри соеди н ен н ой м атр и ц ы .
М у л ь т и п л и к а т и в н о е п р е д с т а в л е н и е о б р а т н о й м а т р и ц ы . П р е д п о л о ж и м , ч т о две
н е в ы р о ж д е н н ы е м а т р и ц ы В и В след р а з л и ч а ю т с я т о л ь к о о д н и м в е к т о р - с т о л б ц о м .
П у с т ь т а к ж е д а н а о б р а т н а я м а т р и ц а В "1. И м е я м а т р и ц у В "1, м о ж н о в ы ч и с л и т ь м а т
р и ц у B j CJI с п о м о щ ь ю ф о р м у л ы
В слел
1 = Е В " 1.
М а т р и ц а Е н а х о д и т с я с л е д у ю щ и м о б р а зо м . О б о зн а ч и м ч е р е з Р . в ек т о р -ст о л б е ц
м атриц ы В, которы й в м атриц е В з а м е н е н н а в е к т о р - с т о л б е ц Р г. Т о г д а м а т р и ц у Е
м о ж н о о п р е д е л и т ь к а к т - м е р н у ю е д и н и ч н у ю м а т р и ц у , у к о т о р о й г- й с т о л б е ц з а м е
нен след ую щ и м столбц ом .
~ -(В -'р д ~
~ ( В - 'Р ,) 2
( В - 'Р Д +1 <— г -и элемент
- ( В -1?,),,,
З д е с ь п р е д п о л а г а е т с я , ч т о (В _1Р ) г * 0 , в п р о т и в н о м с л у ч а е о б р а т н о й м а т р и ц ы
В 'лсл н е с у щ е с т в у е т .
Д о каж ем справедливость ф орм улы В~лсд = Е В " ‘. О б о з н а ч и м ч е р е з F т - м е р н у ю
е д и н и ч н у ю м а т р и ц у , у к о т о р о й г -й с т о л б е ц з а м е н е н с т о л б ц о м В " 'Р ., т .е .
F = ( e i> •••» e r-i> В Р,> e ,.i> •••> е т )-

П о с к о л ь к у м а т р и ц а В слвд о т л и ч а е т с я о т м а т р и ц ы В т о л ь к о г -м с т о л б ц о м , к о т о р ы й
в м а т р и ц е В спед с о в п а д а е т с в е к т о р о м Р (, т о л е г к о п р о в е р и т ь р а в е н с т в о
В
"след = B F .
О тсю да п о л у ч аем
B j ea = ( B F ) ‘ = F ‘B 1.
Т е п е р ь о с т а л о с ь п о л о ж и т ь Е = F " 1.
М у л ьти п л и к ати в н ая ф о р м а и сп о л ьзу ется д л я в ы ч и сл ен и я м атр и ц ы , обратн ой
к лю бой невы рож денной м атри ц е В. В ы чи сления начинаю тся с м атриц ы В0= 1 =
Bó' • Д а л е е с т р о и т с я м а т р и ц а В , к а к е д и н и ч н а я м а т р и ц а , у к о т о р о й п е р в ы й с т о л б е ц
со вп ад ает с п ер в ы м сто л б ц о м м а т р и ц ы В . Т огда
В11= Е 1В01= Е 11 = Е | .
Д а л е е п о д о б н ы м о б р а з о м с т р о и т с я м а т р и ц а В 2 и в ы ч и с л я е т с я В ; 1. Н а i - м ш а г е ,
е сл и н а о сн о в е е д и н и ч н о й м а т р и ц ы п у т ем за м е н ы ее п е р в ы х і с то л б ц о в с то л б ц а м и
м а т р и ц ы В п о с т р о е н а м а т р и ц а В ,, т о
в -' = е (в ;_‘, = е ,е ,_,в ;‘2 = ... = е ,е /„,...е , .
Э то о зн а ч а е т , ч т о д л я и с х о д н о й м а т р и ц ы В о б р а тн у ю к н е й м о ж н о в ы ч и с л и т ь по
ф ормуле В ^ Е А - .- Е ,-
С ледую щ ий п ри м ер и ллю стри рует п ри м ен ен и е м у л ьти п л и кати вн о го п редстав
л ен и я обратн ой м атр и ц ы . П усть д ан а след у ю щ ая м атр и ц а, д л я кото р о й надо вы
ч и сл и ть обратн ую .
'2 1 О'
В= 0 2 О
,4 0 1
Ш аг О
1 о о
в„= в-' = 0 1 о
0 0 1
Ш аг 1
'2 0 0' 'г '
В ,= 0 1 0 . В- Р. = Р, = 0
.4 0 1. .4 ,
+ - 0 0
2 ' 1
0 0
2
Е ,= 1 0 В ,' = 0 1 0
,-2 0 1
0 1
Ш аг 2
( 1 ^ <1'
'2 1 0' - 0 0 Т
Л
L Л
L
0 1 0 = В ,’ ВГ’Р _
1 2, = 0 1 0
2
2
V4 0 1) 0
-2 0 1, "2,
г \
/ \ 1
і 0
1 0 4
Е, =
w
1
0 +1/2 0 0 0
2
,0 —(—2 )/2 К ,0 1 К
1 — о 1 — — О
4 О О
2
в = в ; 1= е 2в , 1=
О і О О 1 о о
2
-2 О 1
О 1 1 -2
М етод б л о ч н ы х м атр и ц . П усть две н евы р о ж д ен н ы е м атр и ц ы А и В п редстави м ы

в с л е д у ю щ е м б л о ч н о м в и д е , п р и ч е м п о д м а т р и ц а А ,, н е в ы р о ж д е н н а я .
' К А„ ^ В„
(рхр) (pxq) (рхр) (p x q )
А= и В=
А 31 А 22 В 22
J.д х р ) K( q x P ) (q x q )
П у с т ь В б у д е т м а т р и ц е й , о б р а т н о й к м а т р и ц е А . Т о г д а и з р а в е н с т в а А В = 1л с л е
дует, что
А 11В 11 + А 12В 21 =
А ц В і2 + А і 2В 22 = 0 .
А н а л о г и ч н о и з р а в е н с т в а В А = 1п п о л у ч а е м
В 21А 11 + В 22А 21 = 0 >
B2tA 12 В22А 22_

Т а к к а к п о д м а т р и ц а А ,, н е в ы р о ж д е н н а я , т о |А ,,| * 0 , и с у щ е с т в у е т о б р а т н а я м а т
р и ц а А,,1. Т о г д а и з п р и в е д е н н ы х у р а в н е н и й п о л у ч а е м
в „= АГ,1 + ( A 1i‘ A 12)D - 1( A 21A i1' ) ,
b 12 = - ( a - ; a 12) d 1,
b 21 = - d 1( a 21a - 1),
B22= D ‘,
где D A 22 —A 2|( A jj A j2).
Д л я и л л ю с тр а ц и и п р и м е н е н и я эти х ф о р м у л р азоб ьем м ат р и ц у

(1 2
31
А= 2 3 2
3 4,
3 2\
н а б л о к и А и = ( 1 ) , А 12 = ( 2 , 3 ) , А 2| = и А 22 = З д е с ь A,,' = 1 и
З 4
3 2 s] -1 -4\
D= (1)(2, 3) =
З 4 -З -5
А.З. Квадратичные формы 845
Г 1
Г -5 4) 7 7
D 1= -
3 -1 3 _1.
7 7
Д алее вы числяем
2
1 5 7
в „ -[ 7 J . в 12- ^ 7 7 j , в 2|- и В22 =
3
\7 /
Т е п е р ь н е т р у д н о п о л у ч и т ь м а т р и ц у В = А " 1.
А.З. КВАДРАТИЧНЫ Е ФОРМЫ

П у с т ь X = (X j, х 2.........*„) и
аи
а
А=
Т огда ф у н к ц и я
2 (X ) = X r AX = £ £ W
н азы в ается к в а д р а т и ч н о й формой. В сегда м о ж н о с ч и тать, что м ат р и ц а А си м м ет

р и ч еск ая. В сам ом деле, зн ач ен и е квад р ати ч н о й ф орм ы не и зм ен и тся, если к аж д ы й
к о э ф ф и ц и е н т и з п а р ы а ц и a jt (і * j ) з а м е н и т ь н а ( a t] + а :) / 2 . В д а л ь н е й ш е м с в о й с т в о
си м м етр и ч н о сти м атр и ц ы А будет п р ед п о л агаться.
Д л я прим ера приведем квадратичн ую ф орм у
'1 О Г '
Q(X) = (xt,x2,x3) 2 1
3 О
ко то р ая совп адает с ф орм ой

/ \
1 2 Ч •*1
(2(Х) = (дг,,х,, х3) 1 7 3 *2
,2 3 2,
О тм ети м , что во второй к в ад р ати ч н о й ф орм е м атр и ц а си м м етр и ч еск ая .
Р азл и ч аю т следую щ ие ти п ы квад рати чн ы х ф орм .
1. К в а д р а т и ч н а я ф о р м а н а з ы в а е т с я п о л о ж и т е л ь н о о п р е д е л е н н о й , е с л и Q (X ) > О
д л я в с е х X * О.
2. К в ад р ати ч н ая форма н азы вается полож ит ельно полуопределенной, если
Q(X) > 0 д л я всех X и сущ ествует так о й вектор X * 0, что Q(X ) = 0.
3. К в ад р ати ч н ая ф о р м а Q ( X ) н азы вается о т р и ц а т ел ь н о определенной, если
к в ад р а т и ч н а я ф орм а -Q (X ) я в л я е т с я п о л о ж и тел ьн о оп ределен н ой .
4 . К в а д р а т и ч н а я ф о р м а Q (X ) н а з ы в а е т с я о т р и ц а т е л ь н о п о л у о п р е д е л е н н о й , ес
л и к в ад р а т и ч н а я ф о р м а -Q (X ) я в л я е т с я п о л о ж и тел ьн о п о л у о п р ед ел ен н о й .
5. В о всех остал ьн ы х сл у ч ая х к в ад р ат и ч н ая ф орм а н азы вается неопределенной.
М ож н о д о к а за ть , что н ео б х о д и м ы м и и д о стато ч н ы м и у с л о в и я м и того, что к в ад

р а т и ч н а я ф о р м а будет п р и н ад л еж ат ь одн ом у и з п ер еч и сл ен н ы х в ы ш е ти п о в, я в л я
ю тся следую щ ие утверж ден ия.
1. К в а д р а т и ч н а я форма Q (X ) будет полож ительн о определенн ой

( п о л у о п р е д е л е н н о й ) , е с л и з н а ч е н и я в с е х у г л о в ы х м и н о р о в о п р е д е л и т е л я |А|
п о л о ж и т е л ь н ы ( н е о т р и ц а т е л ь н ы ) .1 В эт о м с л у ч а е м а т р и ц а А н а з ы в а е т с я п о
ло ж и т ель н о о п р ед елен н о й ( п о л у о п р е д е л е н н о й ).2
2. К в ад р ат и ч н ая ф о р м а Q ( X ) я в л я е т с я о тр и ц ател ьн о о п ределен н ой , есл и зн ач ен и я
k - x у г л о в ы х м и н о р о в о п р е д е л и т е л я |А| о т л и ч н ы о т н у л я и и м е ю т з н а к (- 1 ) * , k = 1,
2 , ..., п . В этом с л у ч ае м а т р и ц а А н а зы в а е т с я о т р и ц а т е л ь н о о п р е д е ле н н о й .
3 . К в а д р а т и ч н а я ф о р м а Q (X ) я в л я е т с я о т р и ц а т е л ь н о п о л у о п р е д е л е н н о й , е с л и
з н а ч е н и я k - x у г л о в ы х м и н о р о в о п р е д е л и т е л я |А | р а в н ы н у л ю л и б о и м е ю т з н а к
(-1 )* , * - 1, 2 , . . . , п .
А.4. ВЫ ПУКЛЫ Е И ВОГНУТЫ Е ФУНКЦИИ

Ф у н к ц и я /(X ) н а з ы в а е т с я с т р о го в ы п у к л о й , е с л и д л я п р о и зв о л ь н ы х д в у х р а з
л и ч н ы х точек X , и Х 2вы п о л н яется неравенство
« А Х , + (1 - Х )Х 2) < X f i X , ) + (1 - X ) f ( X 2),
г д е 0 < Х < 1. Ф у н к ц и я /(X ) н а з ы в а е т с я с т р о г о в о г н у т о й , е с л и ф у н к ц и я - / ( X ) —

строго вы п у к л а.
С п е ц и а л ь н ы м с л у ч ае м в ы п у к л о й (в о гн у то й ) ф у н к ц и и я в л я е т с я к в а д р а т и ч
н ая ф орм а3
/ ( X ) = С Х + Х ГА Х ,
гд е С — в е к т о р к о н с т а н т , а А — с и м м е т р и ч е с к а я м а т р и ц а . М о ж н о п о к а з а т ь , что
ф у н к ц и я /(X ) б у д ет с тр о го в ы п у к л о й , е с л и м а т р и ц а А п о л о ж и т е л ь н о о п р е д е л е н н а я ,
и строго вогн утой , если А — о т р и ц ател ьн о о п р ед ел ен н ая м атр и ц а.
1 k -м у г л о в ы м м и н о р о м о п р е д е л и т е л я м а т р и ц ы А„х„ н а з ы в а е т с я о п р е д е л и т е л ь вида
Я,1 *12 • ■ я,*
, к = 1,2,
...
...
...
Я». ап • а»
2 В э т о й ф о р м у л и р о в к е д о п у щ е н а н е т о ч н о с т ь о т н о с и те л ь н о п о л о ж и т е л ь н о полуоп реде-
л е н н ы х ф о р м : к в а д р а т и ч н а я ф о р м а б уд ет п о л о ж и т е л ь н о п о л у о п р е д е л е н н о й т о гд а и т о л ь к о
т о г д а , к о г д а в се г л а в н ы е м и н о р ы о п р е д е л и т е л я м а т р и ц ы А бу д у т н е о т р и ц а т е л ь н ы . Г л а в н ы
м и м и н о р а м и н а з ы в а ю т с я о п р е д е л и т е л и , п о л у ч е н н ы е п у т ем в ы ч е р к и в а н и я и з м а т р и ц ы А
с т р о к и сто л б ц о в с о д и н а к о в ы м и н о м е р а м и , т .е . г л а в н ы е м и н о р ы с и м м е т р и ч н ы о т н о си те л ьн о
гл ав н о й д и аго н али . — П р и м . ред.
3 С тр о го г о в о р я , зд ес ь п р и в е д е н а н е к в а д р а т и ч н а я ф о р м а , а с у м м а к в а д р а т и ч н о й и л и н е й
н о й ф о р м . — П р и м . ред.
1 . H a d l e y G . M a t r i x A l g e b r a , A d d i s o n - W e s l e y , R e a d i n g , M a s s ., 1 9 6 1 .
2. H o h n F . E l e m e n t a r y M a t r i x A lg e b r a , 2 n d e d ., M a c m illa n , N e w Y o rk , 1 9 6 4 .
3 . P r e s s W . , F l a n n e r y B ., T e u k o l s k y A . a n d V e t t e r i n g W . N u m e r i c a l R e c i p e s : T h e A r t
o f S c i e n t i f i c C o m p u tin g , C a m b rid g e U n iv e r s ity P r e s s , C a m b rid g e , E n g la n d , 1 9 8 6 .

1 . Е ф и м о в Н . В . К в а д р а т и ч н ы е ф о р м ы и м а т р и ц ы . — М .: Н а у к а , 1 9 6 7 .
2. Л ан к астер П . Т еория м а т р и ц . — М . Н ау к а, 1978.
3 . Х о р н Р . , Д ж о н с о н Ч . М а т р и ч н ы й а н а л и з . — М .: М и р , 1 9 8 9 .
ЗАДАЧИ
А .1 . П о к а ж и т е , ч т о с л е д у ю щ и е в е к т о р ы я в л я ю т с я л и н е й н о -з а в и с и м ы м и .
' г '-2 ' ' Г

а) -2 > 4 > -2
, з,
' 2' ' 4>

-3 -6
Ь) >
4 8
, 5,
А .2 . Д ля данны х м атриц
'1 4 9' '1 -1 2Ч

А = 2 5 -8 и В= 9 4 8
,з 7 2, ,з 6 ю,
наиди те
a ) А + 7В ;
b) 2 А - З В ;
c ) ( А + 7 В ) Г.
А .З . Д л я м а т р и ц и з за д а ч и А .2 п о к а ж и т е , что А В * В А .
А .4 . Д аны блочны е м атрицы
<1 5 7
2 3 -4 5
2 -6 9
А = И В = 1 2 6 7
3 7 2
3 1 0 9
,4 9 1
Н ай ди те п рои звед ен и е А В , и сп о л ьзу я блочную стр у к ту р у м атриц .
А .5 . Д л я м а т р и ц и з з а д а ч и А . 2 н а й д и т е А " 1 и В "1
a) м етодом п ри со ед и н ен н о й м атр и ц ы ,
b) м етодом п о сл ед о вател ьн ы х и ск л ю ч ен и й ,
c) используя м у л ьти п л и кати вн о е представление обратны х м атри ц ,

d) м етодом бл оч н ы х м атр и ц .
А .6 . Д аны м атрицы
’5 5 3
4 8 8
1 1 1
В= В 1=
2 4 4
1 1
-1
2 2
П р е д п о л о ж и м , ч т о в м а т р и ц е В т р е т и й в е к т о р - с т о л б е ц Р3 з а м е н я е т с я н а в е к -
т о р - с т о л б е ц V 3 = Р, + 2Р2. В э т о м с л у ч а е п о л у ч е н н а я м а т р и ц а б у д е т в ы р о ж
д е н н о й . П о к а ж и т е , к а к с п о м о щ ью м у л ь т и п л и к а т и в н о го п р е д с т а в л е н и я об
ратной м атри ц ы м ож но обн аруж ить вы рож денность исходной м атриц ы .
А .7 . С п о м о щ ью м у л ь т и п л и к а ти в н о го п р е д с та в л ен и я о б р атн о й м ат р и ц ы опреде
л и т е, к а к а я и з сл ед у ю щ и х систем у р авн ен и й им еет еди н ствен н о е реш ение,
не и м еет р еш ен и я и л и и м еет бескон ечно м ного реш ен и й .
a) jc, + 2 jc2 = 3 ,
лс, + 4 jc2 = 2 .
b) jc, + 2 x 2 = 5,
-jc1 - 2 x 2 = - 5 .
c) ^ + * 3 = 5,
4jc, + x 2 + 3jc3 = 8 ,
Xj + 3 x 2 - 2 x 3 = 3 .
A .8 . П р оверьте п р ави л ьн о сть ф о р м у л в ы ч и сл ен и я об р атн ы х м ат р и ц с блочной
с т р у к т у р о й , п р и в е д е н н ы е в п о д р а з д е л е А . 2 .7 .
А .9 . Н ай д и те м атр и ц у , обратн ую к м атр и ц е
А = (1
ІН BJ
где В — н евы рож ден н ая м атр и ц а.

А. 10. П о к аж и те, что следую щ ая квад р ати ч н ая ф орм а явл яется отри ц ательн о оп
ределенной .
Q (xt,x 2) = 6х, + 3х: - 4 х ,х , - 2х,: - Зх ; .
А .1 1 . П о к аж и те, что следую щ ая к вад р ати ч н ая ф орм а яв л я ется полож ительн о

определенн ой.
Q ( x , , x 2, x 3) = 2 x 2 + 2 х ; + 3 x 1 + 2 х , х 2 + 2 х 2х 3.
А .1 2 . П о к а ж и т е , ч т о ф у н к ц и я f ( x ) = е стр о го в ы п у к л а н а в сей д е й с т в и т е л ь н о й оси.

А . 13. П окаж и те, что квад р ати ч н ая ф орм а
f ( x t,x 2,x3) = 5х, +5х2 +4х3 + 4х,х, + 2х,х3.
я в л я е т с я строго вы п у к л о й .
А .1 4 . В у с л о в и я х з а д а ч и А . 1 3 п о к а ж и т е , ч т о ф у н к ц и я - / ( * , , х 2, х 3) с т р о г о в о г н у т а .
П Р И Л О Ж Е Н И Е Б
TORA. КРАТКОЕ ОПИСАНИЕ

П р о г р а м м н а я с и с т е м а о п т и м и з а ц и и T O R A — э т о W in d o w s- п р и л о ж е н и е , в к о т о
ром р еали зован о больш ин ство алгори тм ов, рассм атр и ваем ы х в этой кн и ге. Д осто
ин ством этой п р о гр ам м ы я в л я е т с я то, что ее м о ж н о и сп о л ьзо вать к а к в р еж и м е
о б у ч ен и я, т а к и в авто м ати ч еск о м р е ж и м е . Р е ж и м о б у ч ен и я (п о ш аго в ы й р еж и м
в ы п о л н е н и я в ы ч и с л ен и й ) ч р е зв ы ч а й н о п о л е зе н , п о с к о л ь к у в этом р е ж и м е м о ж н о
р азо б р аться в работе сам ого а л го р и тм а. П р и этом не н у ж н о вручн ую в ы п о л н я ть о г
ром ное к о ли чество у то м и тел ьн ы х вы ч и сл ен и й , ко то р ы е л еж а т в основе б о л ь ш и н
ства алго р и тм о в и сслед ован и я о п ер ац и й .
T O R A я в л я е т с я сам о д о стато ч н о й си стем о й , в том с м ы с л е, что все и н с т р у к ц и и
и п о ясн ен и я, необходи м ы е д л я работы с этой п р ограм м ой , закл ю чен ы в н азв ан и ях
п у н кто в м ен ю , ко м ан д н ы х к н о п о к , о п ц и й и д р у ги х элем ен тов у п р ав л ен и я. T O R A
не и м еет р у к о в о д ств а п о л ь зо в ат ел я , п о это м у в этом п р и л о ж е н и и будут к р а т к о о п и
саны основны е средства данной систем ы оп ти м и зац и и .
С истем а T O R A м о ж ет работать то льк о с р азреш ен и ем экрана 800x600 или
1024x768 п и ксел ей . Ж ел ател ьн о , чтобы бы ло устан овлен о разреш ен и е 1024x768
п и к с е л е й , п о с к о л ь к у в этом сл у ч ае р а зм е щ е н и е эл ем ен то в у п р а в л ен и я буд ет более
удобны м и проп орциональны м .
Б.1. ГЛАВНОЕ МЕНЮ

Н а р и с . Б . 1 п о к а з а н о M a in M e n u ( г л а в н о е м е н ю ) п р о г р а м м ы . П о с л е в ы б о р а к а к о
г о -л и б о э л е м е н т а и з э т о го м е н ю п о я в и т с я н о в о е о к н о , в к о т о р о м н у ж н о б у д е т в ы
брать р еж и м ввода исходн ы х д ан н ы х реш аем ой задачи .
Linear Equations ►
Linear Programming
Transportation model
Inte ge r programming
N etw ork models ►
Project Planning ►
Queuing analysis
Zero-Sum Games
EXIT TORA
Рис.Б.1. Главное ме

ню сист емы TORA
850 Приложение Б. TORA. Краткое описание
Б.2. РЕЖ ИМ ВВО ДА Д А Н Н Ы Х И Ф О РМ АТЫ ЧИСЕЛ

В о к н е з а д а н и я р е ж и м а в в о д а д а н н ы х (р и с . Б .2 ) о п р е д е л я ю т с я д в а п а р а м е т р а в в о д а .
-S eH * Input Mode
О E r* | N щ Piobl
Ф Select Еда ( g Fde
r S e 1-'- Fotnat “ '
O D e - el Notat o (N N N M n )
Ф Scrent? с Nota* on (N.NM 4 e D D )
HownenyN? R
p ^ r r T jiO '? 2 ~
G o to Input Screen
HI*N14«пи Ея(ТвПЯ
Р ис. Б .2. О к н о з а д а н и я р е ж и м а
ввода д а н н ы х
1. М ож н о в ы б р а ть, сл ед у ет л и в в ести н о в ы й н абор д а н н ы х д л я р е ш а ем о й за д а ч и

(в ы б р а н о п о у м о л ч а н и ю ) и л и з а г р у з и т ь д а н н ы е и з ф а й л а , р а н е е с о зд а н н о го
в п рограм м е TO R A .
2. М ож н о о п р е д е л и ть ф о р м а т ч и сел (д е ся т и ч н ы й и л и эк с п о н е н ц и ал ь н ы й ), а т а к
ж е устан ови ть точность вводим ы х дан н ы х.
К о д д е с я т и ч н о г о ф о р м а т а ( у с т а н о в л е н п о у м о л ч а н и ю ) в ы г л я д и т к а к N N N N N .D D ,
т о г д а к а к к о д э к с п о н е н ц и а л ь н о г о ф о р м а т а в ы г л я д и т к а к N .N N N N N e D D . П о у м о л ч а
н и ю у с т а н о в л е н о п я т ь р а зр я д о в д л я ц е л о й ч а с т и ч и с л а (к о д N ) и д в а р а з р я д а д л я
д р о б н о й ч а с т и ч и с л а ( к о д D ). К о л и ч е с т в о р а з р я д о в м о ж н о и з м е н и т ь н а л ю б о е д р у г о е
(р азу м н о е) ч и сл о .
Б.З. ОКНО ВВО ДА Д А Н Н Ы Х

В л е в о й в е р х н е й ч а с т и о к н а в в о д а д а н н ы х (р и с . Б .З ) в в о д я т с я п а р а м е т р ы р е ш а е
м ой зад ач и . В зави си м о сти от зн ач ен и й введ ен н ы х п арам етров м о ж ет и зм ен и ться
табли ц а ввода дан н ы х, р асп олож ен н ая в средней части экран а. Т ак ж е вид табли ц ы
в в о д а д а н н ы х за в и с и т от в ы б р а н н о й в гл а в н о м м ен ю м о д е л и (н а п р и м е р , ви д т а б л и
цы д л я зад ач и ли н ей н ого п р о гр ам м и р о ван и я о тли ч ается от ви да таб л и ц ы для
т р а н с п о р т н о й м о д е л и ). И з м е н и т ь т а б л и ц у в в о д а д а н н ы х м о ж н о т а к и м и ж е с п о со
бам и , к а к и м и н астр а и в ае тс я в н еш н и й ви д рабочего л и с та эл ек тр о н н ы х таб л и ц .
М ож но вст а влят ь и уда лят ь столбцы и ли строки , а так ж е копироват ь
и в с т а в л я т ь и х со д ер ж и м о е. Д л я этого с н а ч а л а щ е л к н и т е н а за го л о в к е тр еб у е
м ого сто л б ц а и л и с тр о к и . З а т е м и з м ен ю EditGrid ( Р е д а к т и р о в а т ь т а б л и ц у ) в ы б е
р и т е н у ж н у ю к о м а н д у . В се к о м а н д ы м ен ю м о ж н о в ы п о л н и т ь с п о м о щ ь ю к о м б и н а ц и й
Б.4. Меню Solve/Modify 851
к л а в и ш < C T R L + I> , < C T R L + D > , < C T R L + C > и < C T R L + P > , к о т о р ы е в ы п о л н я ю т в с т а в

к у и уд ал ен и е столбц а и л и стр о ки и ко п и р о ван и е и в ставк у скоп и рован н ого со
д ерж и м ого соответствен н о. Л ю бую оп ерац и ю м ож н о отм ен и ть, н аж ав ко м б и н а
ц и ю к л а в и ш <CTRL+U>.
М U \ ia f I U J
MMINr,
P roblem T ttle. * edd M ikks model. Exam ple 2 2-1 Editing Grtd
»С Н ск Ntaxvni2a(NM m l 2a)-c*R to chang* К to MMnrfza (M axim za)
Nbr of V a ria b le s » T o DELETE, MSERT, COPT, or PASTE a cołumntroa), cHck haadmg
cod of taroot cofcmm(toN), than rwofca pull down EdIGrid menu
No o t Constraints ^ f o r INSERT moda, a ingtofdoubte) cMck of target iowJcolurnn « Я
płaca new rom icotum n affarpafare) target гоиМсоМлп
IN PU T GRID U N E A R PROGRAMMIN G
*1
Var Na Extarюг
Maxknr 5.00
С COO,
Cl 1.00
г 1.00
с __ 0.00
й
и м м у
Unraatr'd (у/Hf* л
Save’ В
9 Do you wish to save data?
E iit TOR*.
Рис. Б.З. О к н о ввод а д а н н ы х
П о с л е в в о д а в с е х д а н н ы х щ е л к н и т е н а к н о п к е S o lv e M e n u ( Р е ш и т ь ) . Н а э к р а н е
п о яв и тся окн о с зап росом , следует л и со х р ан и ть д ан н ы е. Е сли н уж н о, сохран и те
д а н н ы е . П о с л е э т о г о н а э к р а н е п о я в и т с я м е н ю S o lv e /M o d ify ( Р е ш и т ь / и з м е н и т ь ) .
Б.4. МЕНЮ SO LVE/M O D IFY

М е н ю S o lv e /M o d if y , п о к а з а н н о е н а р и с . Б . 4 , с о д е р ж и т к о м а н д ы , к о т о р ы е и с п о л ь
зу ю тся д л я р еш е н и я вы б р ан н о й за д а ч и . В аж н о й особен ностью си стем ы T O R A я в
л яется то. что она п озволяет проводи ть вы чи слен и я в автом ати ческом реж и м е и ли
в р еж и м е пош агового вы п о л н ен и я. Ч тобы р еш и ть зад ач у в последнем р еж и м е, в ы
б е р и т е в п о д м е н ю S o lv e P ro b le m ( Р е ш и т ь з а д а ч у ) к о м а н д у I t e r a ti o n s ( И т е р а ц и и ) ,
а затем м етод р е ш е н и я зад ач и .
Е сл и н у ж н о п р о см о тр еть и л и вн ести и зм ен ен и я в и сх о дн ы е дан н ы е, вы берите
к о м а н д у V ie w /M o d ify I n p u t D a t a ( П р о с м о т р е т ь / и з м е н и т ь и с х о д н ы е д а н н ы е ) . В р е
зультате п ояви тся окно ввода дан н ы х.
852 Приложение Б. TORA. Краткое описание
Рис. Б.4. М е н ю Solve/Modify
Б.5. Ф О РМ А Т РЕЗУЛЬ ТА ТА
В о к н е ф о р м а т а в ы х о д н ы х р е з у л ь т а т о в , к о т о р о е п о к а з а н о н а р и с . Б .5 , м о ж н о у с
т а н о в и т ь т о ч н о с ть , с к о т о р о й б у д у т в ы в е д е н ы п о л у ч е н н ы е р е з у л ь т а т ы . Э то о к н о
о ч е н ь п о х о ж е н а о к н о р е ж и м а в в о д а д а н н ы х , к о т о р о е б ы л о о п и с а н о в р а з д е л е Б .2 .
•betecl Output Fh t W
О D ec ,Ы N o t** >*| (N H 4 H 4 D D )
• S c v - iM ic N o ta tio n (N NN NN eOD )
H ^ n a n y N "» 9
И"»*r d’ m
Go T o O u tpu t S c ie e n
View/Modify InpiJ Dala MAIN Menu Exit TORA
Рис. Б.5. О к н о ф о рм а т а в ы х о д н ы х р е
зульт ат ов
Б.6. ВЫ ХО ДНЫ Е РЕЗУЛЬТАТЫ

В о к н е в ы х о д н ы х р е з у л ь т а т о в (в за в и с и м о с т и о т р е ш а е м о й з а д а ч и ) р е з у л ь т а т ы
расчетов мож но представить или граф ически или в текстовом виде (р и с . Б .6
и р и с . Б . 7 ). П о л у ч е н н ы е р е з у л ь т а т ы м о ж н о в ы в е с т и н а п р и н т е р , щ е л к н у в н а к н о п
к е W rite t o P r i n t e r .
Б.6. Выходные результаты 853
(ORA b '\W a rk \T a ra H b e s b c h 3 T a ra K e d d y M ik k s t x t
Рис. B.6. В ы х о д н ы е р е з у л ь т а т ы в т е к с т о в о м виде
ГОНА D ‘ \W o r k \T o r a F tk e s tc № ( a r a R e d d y M ik k s tx t т
LINEAR PROGRAMMING
GR APHICAL LINEAR PROGRAMM ING SOLUTION
Z o і In Zo lu t
T e g ia p h (he LP b e low c lic k c o n s tra in t*
o n e a t a tin e , th e n c lic k o b je c tiv e h m c ti • i
It H d y M ik t m JH Exam ple * 1 1
М алою * 2 5 . ООяІ +4 00 x2
* o b je c t to
(1 ) 6ДЮ«1 « 4 0 0 *2 2 4 .0 0
(2) Id 1 * 2 P<b? 6.00
( 3 ] -1 0u *1 « 1.l 1.00
(4) 0.00*1 * 1.00*2 2.00
«Лxi -0
Qb| c tiv e v a lu e - 21 00
л1 3 00
«2 1 SO
Vew-'l lcdifji Inpol C'aia MAIN Menu Exit TQRA
Рис. B.7. Выходные результ ат ы в графическом виде

П Р И Л О Ж Е Н И Е В
СТАТИСТИЧЕСКИЕ ТАБЛИЦЫ
Таблица В.1. Функция нормального распределения /•’(.'.) = -Д = Г e ' -ndt

ч/271
Z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0.5359
0,1 0,5398 0,5438 0.5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0.3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0.7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0.8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1.1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1.2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0.9131 0,9147 0,9162 0,9177
1,4 0,9192 0,9207 0,9222 0,9236 0,9251 0,9265 0,9279 0,9292 0,9306 0,9319
1.5 0,9332 0,9345 0,9357 0,9370 0,9382 0,9394 0,9406 0,9418 0,9429 0,9441
1,6 0,9452 0,9463 0,9474 0,9484 0,9495 0,9505 0,9515 0,9525 0,9535 0,9545
1.7 0,9554 0,9564 0,9573 0,9582 0,9591 0,9599 0,9608 0,9616 0,9625 0,9633
1,8 0,9641 0,9649 0,9656 0,9664 0,9671 0,9678 0,9686 0,9693 0,9699 0,9706
1.9 0,9713 0,9719 0,9726 0,9732 0,9738 0,9744 0,9750 0,9756 0,9761 0,9767
2,0 0,9772 0,9778 0,9783 0,9788 0,9793 0,9798 0,9803 0,9808 0,9812 0,9817
2,1 0,9821 0,9826 0,9830 0,9834 0,9838 0,9842 0,9846 0,9850 0,9854 0,9857
2.2 0,9861 0,9864 0,9868 0,9871 0.9875 0,9878 0,9881 0,9884 0,9887 0,9890
856 Приложения В, Статистические таблицы
О кончание табл. В.1
Z 0.00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
2,3 0,9893 0,9896 0,9898 0,9901 0,9904 0,9906 0,9909 0,9911 0,9913 0,9916
2,4 0,9918 0,9920 0,9922 0,9925 0,9927 0,9929 0,9931 0,9932 0,9934 0,9936
2,5 0.9938 0,9940 0,9941 0,9943 0,9945 0,9946 0,9948 0,9949 0,9951 0,9952
2,6 0,9953 0,9955 0,9956 0,9957 0,9959 0,9960 0,9961 0,9962 0,9963 0,9964
2,7 0,9965 0,9966 0,9967 0,9968 0,9969 0,9970 0,9971 0,9972 0,9973 0,9974
2,8 0.9974 0,9975 0,9976 0,9977 0,9977 0,9978 0,9979 0,9979 0,9980 0,9981
2,9 0.9981 0,9982 0.9982 0,9983 0,9984 0,9984 0,9985 0,9985 0,9986 0,9986
3,0 0.9987 0,9987 0,9987 0,9988 0.9988 0,9989 0,9989 0,9989 0,9990 0,9990
3.1 0,9990 0,9991 0,9991 0,9991 0,9992 0,9992 0,9992 0,9992 0,9993 0,9993
3,2 0,9993 0,9993 0,9994 0,9994 0,9994 0,9994 0,9994 0,9995 0,9995 0,9995
3,3 0,9995 0,9995 0,9995 0,9996 0,9996 0,9996 0,9996 0,9996 0,9996 0,9997
3,4 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9997 0,9998
3.5 0,9998
4,0 0.99997
5,0 0,9999997
6.0 0,999999999
И с т о ч н и к : M ille r I, a n d F r e u n d J , P ro b a b ility a n d S ta tis tic s fo r E n g in e ers, P r e n t ic e H a ll,

U p p e r S a d d le R iv e r , N . J . , 1 9 8 5
Таблица В.2. Процентные точки распределения Стьюдента fa„

V « = 0 ,1 0 a= 0,05 a =0,025 a =0,01 or =0,005 V
1 3,078 6,314 12,706 31,821 63,657 1

2 1,886 2,920 4,303 6,965 9,925 2
3 1.638 2,353 3,182 4,541 5,841 3
4 1,533 2,132 2,776 3,747 4,604 4
5 1,476 2,015 2,571 3,365 4,032 5
6 1,440 1,943 2,447 3,143 3,707 6
7 1,415 1,895 2.365 2,998 3,499 7
8 1.397 1,860 2,306 2,896 3,355 8
9 1,383 1,833 2,262 2,821 3,250 9
10 1,372 1,812 2,228 2,764 3,169 10
11 1,363 1,796 2,201 2,718 3,106 11
12 1.356 1,782 2,179 2,681 3,055 12
13 1,350 1,771 2,160 2,650 3,012 13
14 1,345 1,761 2,145 2,624 2,977 14
15 1,341 1,753 2,131 2,602 2,947 15
16 1,337 1,746 2,120 2,583 2,921 16
17 1.333 1,740 2,110 2,567 2,898 17
18 1.330 1,734 2,101 2,552 2,878 18
Приложения В. Статистические таблицы 857
О к о н ч а н и е т абл. В . 2
О
V 0.10 а =0.05 0,025 а =0,005 V
II
a =
о
$
a=
19 1.328 1,729 2.093 2,539 2,861 19

20 1.325 1.725 2.086 2,528 2,845 20
21 1.323 1,721 2,080 2.518 2,831 21
22 1.321 1.717 2,074 2.508 2.819 22
23 1.319 1,714 2.069 2.500 2,807 23
24 1,318 1.711 2,064 2.492 2.797 24
25 1.316 1,708 2,060 2,485 2.787 25
26 1,315 1,706 2,056 2,479 2.779 26
27 1,314 1,703 2,052 2,473 2.771 27
28 1,313 1,701 2,048 2.467 2.763 28
29 1,311 1,699 2,045 2,462 2.756 29
ОО 1,282 1,645 1.960 2,326 2,576 ОО
Д а н н а я т а б л и ц а п у б л и к у е т с я с р а з р е ш е н и я M a c m illa n P u b lis h in g C o., I n c ., в з я т а и з

S ta tis tic a l M e th o d s fo r R esearch W o rkers, 1 4 th e d ., b y R . A . F is h e r . C o p y rig h t © 1 9 7 0 , U n iv e r
s i t y o f A d e la id e .
Таблица B.3. Процентные точки распределения xl

V а = 0,995 Of= 0,99 а = 0,975 а = 0,95 Of = 0,05 а = 0.025 ЯГ =0.01 а = 0.005 V
1 0.0000393 0,000157 0,000982 0,00393 3,841 5.024 6.635 7,879 1
2 0.0100 0.0201 0,0506 0,103 5,991 7,378 9.210 10,597 2
3 0,0717 0,115 0,216 0,352 7,815 9,348 11.345 12.838 3
4 0,207 0,297 0,484 0,711 9,488 11,143 13,277 14.860 4
5 0,412 0,554 0,831 1,145 11.070 12,832 15,056 16,750 5
6 0.676 0,872 1,237 1,635 12.592 14,449 16.812 18.548 6
7 0,989 1,239 1,690 2,167 14,067 16,013 18,475 20.278 7
8 1.344 1,646 2.180 2,733 15.507 17,535 20,090 21.955 8
9 1.735 2,088 2,700 3,325 16,919 19,023 21.666 23,589 9
10 2,156 2,558 3.247 3.940 18,307 20.483 23.209 25,188 10
11 2,603 3,053 3.816 4.575 19,675 21,920 24.725 26,757 11
12 3,074 3,571 4.404 5,226 21,026 23,337 26.217 28,300 12
13 3.565 4,107 5,009 5,892 22,362 24,736 27.688 29,819 13
14 4,075 4,660 5.629 6,571 23,685 26,119 29.141 31,319 14
15 4,601 5,229 6.262 7.261 24,996 27.488 30.578 32,801 15
16 5,142 5,812 6.908 7.962 26,2% 28,845 32,000 34,267 16
17 5,697 6,408 7,564 8,672 27.587 30,191 33,409 35,718 17
18 6,265 7,015 8,231 9,390 28,869 31.526 34,805 37,156 18
19 6,844 7,633 8,907 10.117 30.144 32,852 36,191 38,582 19
20 7.434 8,260 9,591 10.851 31,410 34,170 37,566 39,997 20
858 Приложения В. Статистические таблицы
О к о н ч а н и е т а б л . В .З
V a = 0.995 = 0.99 a = 0.975 a = 0.95 a = 0,05 a = 0.025 С!Г= 0,01 a = 0.005 V

21 8.034 8.897 10,283 11,591 32,671 35.479 38,932 41.401 21
22 8.643 9,542 10,982 12.338 33,924 36,781 40,289 42.796 22
23 9,260 10,196 11,689 13.091 35,172 38.076 41,638 44,181 23
24 9,886 10,856 12,401 13,484 36,415 39.364 42.980 45,558 24
25 10,520 11.524 13.120 14,611 37,652 40,646 44.314 46,928 25
26 11.160 12,198 13.844 15,379 38.885 41,923 45,642 48,290 26
27 11,808 12.879 14,573 16,151 40,113 43.194 46,963 49.645 27
28 12.461 13.565 15.308 16.928 41,337 44.461 48,278 50.993 28
29 13.121 14,256 16.047 17,708 42,557 45,772 49.588 52.336 29
30 13.787 14.953 16.791 18.493 43,773 46.979 50.892 53.672 30
Эта табл и ц а с разреш ен и я адм и н и стр а ц и и B io m e tr ik a основана на табл. 8 из B io m etrik a

T ables f o r S ta tisticia n s, Vol. 1.
П Р И Л О Ж Е Н И Е Г
ЧАСТИЧНЫЕ ОТВЕТЫ К НЕКОТОРЫМ

УПРАЖНЕНИЯМ
ГЛАВА 1
4. с) 17 м и н у т .
ГЛА В А 2
1. a ) - j c , + х 2 > 1.
с) jc, - х,г < 0 .
е ) 0,5jC j - 0 ,5 jc 2 > 0 .
3. 4 тонны в день.
1. а ) и е ) . С м . р и с . Г . 1.
2. а ) и d ). С м . р и с. Г .2 .
Ри с . Г.1 Р и с . Г. 2
5. Н а и гр у о тво д и тся 4 ч аса, н а учебу — 6 часов, г = 14.
860 Приложение Г, Частичные ответы к некоторым упражнениям
2 . О п т и м а л ь н о е р е ш е н и е : jc, = 4 5 0 , х 2 — 3 5 0 , z — 4 5 0 д о л л .
5. П у с т ь jc, — к о л и ч е с т в о н е ф т и , п о л у ч а е м о й и з И р а н а (т ы с . б а р р е л е й в д е н ь ), х.г —
к о л и ч е с т в о н е ф т и , п о л у ч а е м о й и з Д у б а й (т ы с . б а р р е л е й в д е н ь ). З а д а ч а Л П :
м и н и м и зи ровать z = х ^ х 2п р и о гр ан и ч е н и я х
—0,6jC j + 0 ,4 jc 2 < 0 ,
0 ,2 * ! + 0 ,1 * 2 > 1 4 ,
0 ,2 5 л :, + 0 , 6 jc2 > ЗО,
0 , 1 jc, + 0 , 1 5 jc2 > 1 0 ,
0 ,1 5 л :, + 0 ,1 jc 2 > 8 ,
jc,, x 2 > 0 .
О п т и м а л ь н о е р е ш е н и е : л:, = 5 5 , x 2 = 3 0 , z = 8 5 .
1. b ) - 1 < c , / c 2 < 2 / 3 . С м , р и с . Г .З .
2 . П у с т ь jc, — к о л и ч е с т в о з а к у п а е м ы х б а н о к к о л ы A l , х 2 — к о л и ч е с т в о з а к у
п аем ы х банок колы В & К . Задача Л П :
м а к с и м и з и р о в а т ь z — jc, + х 2 п р и о г р а н и ч е н и я х
je, + х 2 < 5 0 0 , 2 х , - х 2 < 0 , je, > 1 0 0 , дср х 2 > 0 .
a ) jc, — 1 0 0 , х 2 = 4 0 0 , z — 3 3 д о л л .
b) П редставим ограни чение ле, > 100 в виде lim (.v,-й .с ?) > 100 . Т о гда
lim — < — < - и л и -«о < с . / с < 1 . С м . р и с . Г . 4 .

6 >° - 6 (.•, I
7 . П у с т ь jc, — к о л и ч е с т в о п р о и з в е д е н н ы х у п а к о в о к т о м а т н о г о с о к а , х 2 — к о л и
чество п рои звед ен н ы х у п ак о в о к том атной пасты . З ад ач а Л П :
м а к с и м и з и р о в а т ь z = 18л:, + 9jc2 п р и о г р а н и ч е н и я х
2 4 jc, + 8 jc 2 < 6 0 0 0 0 , jc , < 2 0 0 0 , х 2< 6 0 0 0 , jc ,, х 2> 0.
a ) jc, — 5 0 0 , х 2 = 6 0 0 0 , z = 6 3 т ы с . д о л л .
b) 0 < с , / с 2 < 3 , с 2 / 0 . С м . р и с . Г .5 .
Глава 2 861
x2
8000, -
6000
У О птим ум;
= 500, x 2 —
\ *
4000
Л
2000 L \
\ ,
О 2000 4000 Xj
Рис. Г.5
1. П у с т ь jc, — к о л и ч е с т в о п р о и з в е д е н н ы х ш л я п п е р в о г о т и п а , jc2 — количество
п р о и зв ед ен н ы х ш л я п второго ти п а. З а д а ч а Л П :
м а к с и м и з и р о в а т ь г = 8jc, + 5 х 2 п р и о г р а н и ч е н и я х
2 х г + х 2 < 4 0 0 , jc, < 1 5 0 , х 2 < 2 0 0 , х 2> 0.
a ) С м . р и с . Г .6 . х г = 1 0 0 , х г = 2 0 0 , z = 1 8 0 0 д о л л . в т о ч к е В .
b) С тои м ость в о зр астан и я п рои зводства на одн у ш л я п у второго ти п а со став
л я е т 4 д о л л . в и н т е р в а л е (2 0 0 , 5 0 0 ).
c) С т о и м о ст ь в о з р а с т а н и я п р е д е л ь н о го с п р о са н а о д н у ш л я п у п е р в о го т и н а
с о с т а в л я е т 0 д о л л . в и н т е р в а л е (1 0 0 , ~ ).
d) С тоим ость в о зр астан и я предельн ого спроса на одн у ш л я п у второго ти п а
с о с т а в л я е т 1 д о л л . в и н т е р в а л е (1 0 0 , 4 0 0 ).
Z
p A = (0, 200)
400> В = (100, 200) оптим ум
C = (150, 200)
300 D = (150, 100)
£ = ( 1 5 0 ,0 )
A \B
200 — F = (0 ,4 0 0 )
100 - D
0 100 200 *i
Рис. Г . 6
4 . П у с т ь jc, — количество м инут реклам ы по радио, х 2 — количество м инут

реклам ы на телевидении. Задача Л П :
м а к с и м и з и р о в а т ь z = jc, + 2 5 jc 2 п р и о г р а н и ч е н и я х
15jCj 4- 3 0 0 jc 2 < 1 0 0 0 0 , - j c , + 2 x 2 < 0 , jc, < 4 0 0 , jc,, x 2 > 0 .
862 Приложение Г. Частичные ответы к некоторым упражнениям
a ) х , = 6 0 ,6 1 , х 2 = 3 0 ,3 , г = 8 1 8 ,1 8 .
b) С тоим ость ед и н и ц ы м есяч н ого л и м и та на р е к л ам у по радио составляет 0
в и н т е р в а л е ( 6 0 , 6 1 , °°).
c ) С т о и м о с т ь 1 д о л л . б ю д ж е т а с о с т а в л я е т 0 ,0 8 2 в и н т е р в а л е (0 , 6 6 0 0 0 ).
8 . П у с т ь Xj — к о л и ч е с т в о п р о и з в е д е н н о г о с р е д с т в а А , х 2 — к о л и ч е с т в о п р о и з
вед ен н ого ср ед ства В . З а д а ч а Л П :
м а к с и м и з и р о в а т ь z = 8л:, + 1 0 х 2 п р и о г р а н и ч е н и я х
0 ,5 л :, + 0 ,5 л :2 < 1 5 0 , 0 ,6 л :, + 0 ,4 л :2 < 1 4 5 ,
30 < х, < 1 5 0 , 4 0 < х 2< 2 0 0 , x t, х 2 > 0.
a ) л:, = 1 0 0 , л:2 = 2 0 0 , z = 2 8 0 0 д о л л .
b) С т о и м о с т ь е д и н и ц ы с ы р ь я I с о с т а в л я е т 1 6 д о л л . в и н т е р в а л е ( 1 1 5 , 1 5 4 ,1 7 ) .
С т о и м о с т ь е д и н и ц ы с ы р ь я I I с о с т а в л я е т 0 д о л л . в и н т е р в а л е ( 1 4 0 , °°).
1. а ) О дин до п олн и тельн ы й ф ун т м у ки стоит 55 центов.

b) О бщ ая стои м ость п и щ ево й д об авки , п рои звод и м ой за ден ь, р а вн а 495
долл.
c) Т ек у щ ее р еш ен и е о с тан ется о п ти м а л ь н ы м .
1. Ь) Ч и с т а я п р и б ы л ь б а н к а с о с т а в и т 0 ,9 3 6 м л н . д о л л .
4. а ) П отери бум аги с о ставят 1150 к в. ф утов.

b) В о з м о ж н ы в а р и а н т ы р а з р е з к и (3 , 0 , 0 ), (1 , 1, 0 ) и (1 , 0 , 1) с с о о т в е т с т в у ю
щ и м и п о т е р я м и н а о д и н ф у т 0 , 3 и 1.
c) К о л и ч ество с та н д а р тн ы х р у л о н о в у м ен ьш и т ся п а 30.
6 . а ) П у с т ь л:, — к о л и ч е с т в о п р о и з в е д е н н о г о з а н е д е л ю ж е л т о г о с а х а р а (т о н н ы ),
л:2 — к о л и ч е с т в о п р о и з в е д е н н о г о з а н е д е л ю б е л о г о с а х а р а ( т о н н ы ) , х 3 —
к о л и ч е с т в о п р о и зв ед ен н о й за н е д е л ю с а х а р н о й п у д р ы (т о н н ы ), х 4 — к о
л и ч е с т в о п р о и зв е д е н н о й за н ед ел ю м ел а с сы (т о н н ы ). З а д а ч а Л П :
м а к с и м и з и р о в а т ь z = 1 5 0 л :, + 2 0 0 х 2 + 2 3 0 х 3 + 3 5 х 4 п р и о г р а н и ч е н и я х
0 ,7 6 л :, + 0 ,9 5 л :2 + х 3 < 9 1 2 , л:, > 2 5 , л:2 > 2 5 , х 3 > 2 5 , 0 < х 4 < 4 0 0 .
О птим альное реш ение: х, = 25, х2 = 25, х3 = 8 6 9 ,2 5 , х4 = 400,
z = 2 2 2 6 7 7 ,5 0 д о л л .
Ь ) С т о и м о с т ь т о н н ы с и р о п а с о с т а в л я е т 5 5 , 9 4 д о л л . в и н т е р в а л е ( 1 8 7 , 1 5 , °°).
9. а) О б о з н а ч и м ч е р е з х 1 с у м м у и н в е с т и ц и й в п р о е к т t, і = 1 , 2 , 3 , 4 , ч е р е з y t —
с у м м у д е н е г , п о л о ж е н н у ю в б а н к в j -м го д у , j = 1, 2 , ..., 5 . З а д а ч а Л П :
м а к с и м и зи р о в а т ь z = у 5п р и о г р а н и ч е н и я х
х \ + х2 + хі + У\ - ю ооо,
0 ,5 л :, + 0 , 6 х 2 - х 3 + 0 , 4 х 4 + 1 ,0 6 5 (/, - у 2 = 0 ,
0 ,3 л :, + 0 ,2 л :2 + 0 ,8 л :3 + О .бл^ + 1 , 0 6 5 ( / 2 - у ъ = 0 ,
1 , 8 *, + 1 , 5 х 2 + 1 , 9*3 + 1 , 8 л:4 + 1 , 065(/3 - у 4= 0,
Глава З 863
1 ,2 л :, + 1 , 3 х 2 + 0 ,8 * 3 + 0 ,95 xt + 1 , 0 6 5 ( / 4 - у ь = 0,
*з> *4>Уі>&> Уз. У і п о

о п т и м а л ь н е е р е ш е н и е : л:, = 0 , л:2 = 1 0 ООО д о л л . , х 3 = 6 0 0 0 д о л л . , х і = 0 ,
Уі = 0 , у 2 = 0 , Уз — 6 8 0 0 д о л л . , j/4 = 3 3 6 4 2 д о л л . , г = 5 5 6 2 8 ,7 3 д о л л . на
н а ч а л о 5 -го г о д а .
b ) Д о х о д н о с т ь и н в е с т и ц и й с о с т а в л я е т 5 ,3 6 % .
c) С ум м а, которая будет получена в конце 5 -го года, ум еньш ится на

1 0 0 0 x 0 ,3 7 3 = 3 7 3 0 д о л л .
12. а )
м а к с и м и з и р о в а т ь z = 30л :, + 2 0 х 2 + 5 0 х 3 п р и о г р а н и ч е н и я х
2х, + З х 2+ 5 х 3 < 4000,
4л:, + 2 л:2 + 7 х 3 < 6 0 0 0 ,
л:, + 0 ,5 л :2 + 0 ,З З л :3 < 1 5 0 0 ,
2х, - З х 2= 0,
Ь х 2 - 2 х 3 = 0,
л:, > 2 0 0 , л:2 > 2 0 0 , л:3 > 1 5 0 .
О п т и м а л ь н о е р е ш е н и е : х , = 3 2 4 ,3 2 , х 2 = 2 1 6 ,2 2 , х 3 = 5 4 0 , 5 4 , 2 = 4 1 0 8 1 ,0 8 д о л л .
b) Н ец ел есо о б р азн о , п о с к о л ь к у д в о й ствен н ая ц ен а м ат е р и ал а А со став л яет
1 0 ,2 7 д о л л . з а е д и н и ц у .
c) Н ет, п о ск о л ьк у д вой ствен н ая ц ен а м атер и ал а В равн а нулю .
15. а ) С ледует вл о ж и ть 100 0 0 0 дол л . в п р о ек т А в первом году и 170 0 0 0 долл.

в п р о е к т В во в то р о м го д у .
Ь ) О д и н д о л л а р и н в е с т и ц и й п р и н о с и т 5 ,1 0 д о л л . в к о н ц е с р о к а и н в е с т и р о в а н и я .
ГЛА В А 3
1. 2 т о н н ы в д е н ь с ы р ь я M l и 1 т о н н у в д е н ь с ы р ь я М 2 .
4 . О б о з н а ч и м к а к x tj к о л и ч е с т в о и з д е л и й і, п р о и з в е д е н н ы х н а с т а н к е j , і = 1 , 2;
j = 1, 2 . П о л у ч а е м з а д а ч у Л П :
м а к с и м и з и р о в а т ь z = 1 0 (л :,, + л:,2) + 15 (л :2, + л:22) п р и о г р а н и ч е н и я х
лг,, + x 2i х l2 — х 22 + s, 5,
- х 21 + х 12 + х 22 + s 2 = 5 ,
+ х 21 + s 3 = 2 0 0 ,
*12 + + =
*22 S4 2 5 0 ,
в с е п е р е м е н н ы е x tj и s, н е о т р и ц а т е л ь н ы .
2 . О б о з н а ч и м ч е р е з x t к о л и ч е с т в о п р о и з в е д е н н о й п р о д у к ц и и i, i = 1 , 2 , 3 . П о л у
чаем задачу Л П :
м а к с и м и з и р о в а т ь z = 2 х х + 5 х 2 + З х 3 - 1 5 л," - 1 0 s, п р и о г р а н и ч е н и я х
2 x t + х 2 + 2 х 3 + s* - ж" = 8 0 ,
x t + х 2 + 2 х 3 + s, - sj = 6 5 ,
все п е р е м е н н ы е н е о т р и ц а т е л ь н ы е .
О п тим альное реш ение: x t = 0, х 2= 65, остальн ы е п ерем ен н ы е равн ы 0, z = 325.
1. е) х, = 6 /7 , х г = 1 2 /7 , г = 4 8 /7 .
е ) x t = 0 , х г = 3 и х, = 6 , х 2 = 0.
4. Н е д о п у с т и м ы е б а зи с н ы е р е ш е н и я :
( х „ х 2) = ( 2 6 / 3 , - 4 / 3 ) , (ж р х 3) = ( 8 , - 2 ) ,
( * ,, x j = ( 6 , - 4 ) , ( х 2, х 3) = ( 1 6 , - 2 6 ) ,
(* „ , x t ) = ( 3 , - 1 3 ) , ( х 3, x t ) = ( 6 , - 1 6 ) .
3 . а ) Т о л ь к о п а р а (А , В ) . О с т а л ь н ы е п а р ы с о с т о я т и з у г л о в ы х т о ч е к , к о т о р ы е н е
являю тся см еж ны м и.
Ь) Т о л ь к о п о с л е д о в а т е л ь н о с т ь (і). В д р у г и х п о с л е д о в а т е л ь н о с т я х п р и с у т с т
вую т и л и две п о сл ед о вател ьн ы е у гло вы е т о ч к и , к о то р ы е не я в л я ю тс я
с м еж н ы м и , и л и о су щ ествляется возврат к п рой д ен н ой угловой точке.
1.
Базисная переменная х1 х2 хЗ х4
Значение 1,5 1 0 0,8

Исключаемая переменная х7 х7 х8 х5
6. Ь) З н а ч е н и е 2 м о г у т у в е л и ч и т ь п е р е м е н н ы е х 2, х й и х 6. Е с л и в б а з и с в в о д и т с я
п е р е м е н н а я х 2, т о г д а Д г = + 2 0 . Е с л и в в о д и т с я п е р е м е н н а я х 5, т о г д а A z = 0 .
Е сли п ерем ен н ая х 6 — Az =
3. а ) 2 = (8 М - 4 )* , + (6 М - 1 ) х 2 - M s 2 - M s 3 = Ю М .
Ь) 2 = (3 М - 4 )* , + ( М - 1 ) х 2 = З М .
6. Н а ч а л ь н а я с и м п л е к с -та б л и ц а :
Базис х1 х2 хЗ х4 Решение
z -1 -1 2 0 0 -8
хЗ 1 1 1 0 4
х4 1 4 0 1 8
Глава 4 865
1. а ) С ум м а зн ач ен и й и ск у сствен н ы х п ер ем ен н ы х — это м ера “ н е д о п у сти
м о сти ” р еш ен и я . П оэтом у сум м а зн ач ен и й и ск у сствен н ы х п ер ем ен н ы х
всегда м и н и м и зи р у ется.
7. Н и к а к а я б а зи с н а я п е р е м е н н а я , и м е ю щ а я п о л о ж и т е л ь н ы й к о эф ф и ц и е н т в г-
с тр о к е в к о н ц е п ер во го этап а, не м о ж е т п р и н я т ь п о л о ж и т ел ьн о е зн ач ен и е н а вто
ром этапе, п о ско л ьку тогда зн ач ен и е целевой ф у н к ц и и н а первом этап е долж н о
б ы т ь п о л о ж и т е л ь н ы м , ч то у к а з ы в а е т н а н ед о п у сти м о сть р е ш е н и я н а этом этап е.
1. a ) . А В С - > £>.
b) В точке А — одна и терац и я, в точке В — одна итераци я, в С — три, в D —
то ж е одна.
1. А л ь т е р н а т и в н ы е оптим альны е б ази сн ы е реш ения: ( 0 ,0 , 1 0 /3 ), (0 , 5 , 0 )
и ( 1 , 4 , 1 / 3 ) . А л ь т е р н а т и в н ы е о п т и м а л ь н ы е н е б а з и с н ы е р е ш е н и я : ( а 2, Ъа^,
( 1 0 / 3 ) а , + З а 2), а , + а 2 + Оз = 1 , в с е ą > 0 .
1. а ) П р о с т р а н с т в о р е ш е н и й н е о г р а н и ч е н о в н а п р а в л е н и и о с и х 2.
2. Ь) Ц ел ев ая ф у н к ц и я не о гран и чен а, п о ск о л ьк у к о эф ф и ц и ен т п р и п ерем ен н ой х 2
в вы р аж ен и и целевой ф у н к ц и и п олож и телен .
1. Э т о т р е б о в а н и е у д о в л е т в о р и т ь н е л ь з я — м о ж н о п р о и з в е с т и н е б о л е е 2 7 5 е д и
ни ц издели й .
ГЛАВА 4
2 . П у с т ь (/,, у 2 и у 2 — п е р е м е н н ы е д в о й с т в е н н о й з а д а ч и .
М а к с и м и з и р о в а т ь w = 3(/, + Ъ у 2 + 4 у г п р и о г р а н и ч е н и я х
У, + 2 У2 + 5 Уз ^ 5 , 2 у, - 4 у 2 + у 3 < 1 2 ,
у, > 0 , у 2> 0 , у 3 н е и м е е т о г р а н и ч е н и я в з н а к е .
4. с) П у с т ь (/, и у 2 — п е р е м е н н ы е д в о й с т в е н н о й з а д а ч и .
М и н и м и з и р о в а т ь w = 5(/, + 6 у 2 п р и о г р а н и ч е н и я х
2 (/, + 3 у 2 = 1, (/, - у 2 = 1, (/, и у 2 н е и м е ю т о г р а н и ч е н и й в з н а к е .
5. О гран ичени е двойственной зад ач и , соответствую щ ее искусствен н ой пере
м ен ной, им еет вид у 2> - М . П оследнее неравенство экви вал ен тн о услови ю ,
что п ерем енная у 2не ограни чена в зн аке.
1. а ) О п е р а ц и я A V , н е д о п у с т и м а ,
е ) V 2A = (—1 4 —3 2 ) .
- О О
3
2. а) О братная м атри ц а = -- 1 О
3
-- 0 1
3
2. П у с т ь (/, и у 2 — п е р е м е н н ы е д в о й с т в е н н о й з а д а ч и .
М и н и м и з и р о в а т ь w = 30</, + 4 0 у 2 п р и о г р а н и ч е н и я х
</, + у 2 > 5 , 5</, - Ъ у 2 > 2 , 2</, - 6 у 2 > 3 , у , > - М , у 2 > 0 .
Р е ш е н и е : (/, = 5, у 2 = 0, w = 150.
3 . а ) П у с т ь </, и у 2 — п е р е м е н н ы е д в о й с т в е н н о й з а д а ч и .
М и н и м и з и р о в а т ь w = 3(/, + 4 у 2 п р и о г р а н и ч е н и я х
(/, + 2 у 2 > 1 , 2(/, - у 2 > 5 , (/, > 3 , у 2 н е о г р а н и ч е н а в з н а к е .
Ь ) Р е ш е н и е : (/, = 3 , у 2 = - 1 , w = 5 .
1. а ) П р о в е р к а д о п у с т и м о с т и : ( х 2, x j = (3, 15) => р е ш е н и е д о п у с т и м о .
П роверка оптим альности: коэф ф ициенты при х 2 и х 4 в 2 -стр о к е сим плекс-
т а б л и ц ы р а в н ы с о о т в е т с т в е н н о 0 и 2 => р е ш е н и е о п т и м а л ь н о .
7. а ) Ь, = 3 0 , Ь2 = 40.
Ь ) а = 23, Ь = 5, с = - 1 0 , d = 5, е = 0.
2. а) Р е ш ен и я п р ям о й и двойственной задач не доп устим ы .
Ь) Р е ш ен и я до п у сти м ы , но не о п ти м ал ьн ы .
2. П усть х 2, х 3 и х 4 — о б ъ е м ы е ж е д н е в н о г о п р о и з в о д с т в а к а б е л е й ч е т ы р е х
типов. Задача Л П :
м а к с и м и з и р о в а т ь г = 9 ,4 л :, + 1 0 ,8 л :2 + 8 ,7 5 л :3 + 7 ,8 л :4
10,5л:, + 9 ,З л:2 + 11,6л:з + 8,2л:4 < 48 0 0 ,
20,4л:, + 2 4 ,6 л:2 + 17,7л:3 + 26,5л:4 < 96 0 0 ,
3 ,2 л :, + 2 ,5 л:2 + З ,6 л :3 + 5 ,5 л :4 < 47 0 0 ,
Глава 4 867
5л:, + 5 л:2 + 5л:3 + 5л: 4 < 4 5 0 0 ,

л:, > 1 0 0 , л:2 > 1 0 0 , х 3 > 1 0 0 , л:4 > 1 0 0 .
О п т и м а л ь н о е р е ш е н и е : х , = 1 0 0 , х 2 = 1 0 0 , х 3 = 1 3 8 ,4 2 , х 4= 1 0 0 , z = 4 0 1 1 ,1 6 .
b) Т о льк о д л я п а й к и м о ж н о у в ел и ч и ть еж ед н ев н ы й ф он д врем ен и , п о ск о л ь
к у с о о т в е т с т в у ю щ а я д в о й с т в е н н а я ц е н а п о л о ж и т е л ь н а я (= 0 ,4 9 4 4 ).
c) Д в о й ствен н ы е ц ен ы о т р и ц а те л ь н ы е и л и н у л ев ы е. П о это м у к о м п а н и и не в ы
годно в ы п о л н е н и е т р еб о в а н и я зад ан н о го м и н и м а л ь н о го у р о в н я п р о и зво д ства.
2. П р ои зводство новой и гр у ш к и п р и б ы л ьн о , т ак к а к со о тветству ю щ ая п р и ве
д е н н а я с т о и м о с т ь р а в н а (/, + 3 у 3 - 4 = - 2 .
1. а ) Н ет, п о ск о л ьк у то ч к а Е соответствует доп усти м ом у реш ен и ю — в двойст
вен н о м с и м п л е к с -м е т о д е п р о м е ж у т о ч н ы е р е ш е н и я д о л ж н ы б ы т ь н ед о п у с
ти м ы м и , п о к а не будет дости гн уто о п ти м альн о е р еш ен и е.
4 . с ) Д о б а в л я е т с я о г р а н и ч е н и е л:, < М . З а д а ч а н е и м е е т д о п у с т и м о г о р е ш е н и я .
4. П усть Q о бозн ач ает еж ен ед ел ьн ы й объем к о р м а. О п ти м ал ьн о е реш ен и е: и з
вестняк = 0 ,0 2 8 Q , зе р н о = 0 ,6 4 9 Q , с о е в а я м у к а = 0 ,3 2 3 Q . С т о и м о с т ь =
= 0 ,8 1 2 2 1 Q .
1. а ) - 2 0 < D 2 < 4 0 0 , Я , > - 2 0 .
5. а) Д еф и ц и тн ы е ресурсы : рези сто р ы и ко н д ен сато р ы . М и кросхем ы не я в л я
ю тся д еф и ц и тн ы м ресурсом .
b) С тои м ости одн о го р ези сто р а, одн ого к о н д е н с ат о р а и о д н ой м и к р о сх ем ы
с о с т а в л я ю т с о о т в е т с т в е н н о 1 ,2 5 , 0 ,2 5 и 0 д о л л .
g ) П р и б ы л ь в о з р а с т е т н а 2 5 0 д о л л ., д о п о л н и т е л ь н ы е затраты равны
2 0 0 д о л л ., ч и с т а я п р и б ы л ь с о с т а в и т 5 0 д о л л .
1. а ) Н о в о е о г р а н и ч е н и е 4л:, + л:2 + 2л:3 < 5 7 0 и з б ы т о ч н о .
2. а) Т еку щ ее р еш ен и е остается о п ти м альн ы м .
c) Н о в о е р е ш е н и е : х, = 2, х 2 = 2, х ъ = 4, z = 14.
2. Ь) О п ти м ал ьн о е р еш ен и е не и зм ен и тся.
d ) Н о в о е р е ш е н и е : л:, = 1 0 , л:2 = 1 0 2 , 5 , л:3 = 2 1 5 , z = 6 6 5 .
6 . Ь) Н аи м ен ьш и й у д е л ь н ы й д о х о д от п е р в о го п р о д у к т а , с о х р а н я ю щ и й т е к у щ е е
оптим альное реш ение, равен 6 долл.
с) Н овое р еш ен и е: х , = 0, х 2= 165, x s = 10, г = 41 0 5 .
9. а ) 1 ,2 5 -0 ,2 5 ^ + 0 ,5 ^ > 0 , 0 ,2 5 + 0 ,7 5 d t - 0 ,5 d 2> 0.
1. 4 2 , 8 6 % .
3. а) П р о и зв о д с тв о н о во й м о д е л и (м о д е л и п о ж а р н о й м а ш и н ы ) э к о н о м и ч е ск и
не вы годн о.
ГЛАВА 5
4. Н адо н азн ач и ть очень вы сокую стои м ость М п еревозок от Д етр о й та до ф и к
ти вн ого п у н к та н азн ач ен и я.
6. а ) и Ь) С лед ует п о л о ж и ть М — 10 0 0 0 . О б щ ая стои м ость р авн а 49 710 долл.
Р еш ен и е п оказан о в следую щ ей табли ц е.
1 2 3 Предложение
Станция 1 600 700 400
25 25
Станция 2 320 300 350
23 17 40
Станция 3 500 480 450
25 5 30
Внешняя 1000 1000 М
сеть 13 13
Спрос 36 42 30
9 . Р е ш е н и е (в м л н . г а л л о н о в ) п о к а з а н о в т а б л и ц е . Б е н з о х р а н и л и щ е 2 н е д о п о л у
ч и т 2 м лн. галлон ов. О бщ ая стоим ость равн а 304 000 долл.
Бх1 Бх2 БхЗ Предложение

Завод 1 12 18 М
4 2 6
Завод 2 30 10 8
4 1 5
Завод 3 20 25 12
6 6
Фиктивный М 50 50
завод 2 2
Спрос 4 8 7
Глава 5 869
2. О б щ а я с т о и м о с ть р а в н а 8 04 д о л л .
Рабочий Новые Ночная 2-дневная 3-дневная

Остаток
день полотна заточка заточка заточка
Понедельник 24 0 6 18 0
Вторник 12 12 0 0 0
Среда 2 14 0 0 0
Четверг 0 0 20 0 0
Пятница 0 14 0 0 4
Суббота 0 2 0 0 12
Воскресенье 0 0 0 0 22
5. О п ти м ал ьн о е р еш ен и е: в п ер вы й м есяц следует п р о и звести 500 тонн п р о д у к

ц и и , и з к о то р ы х 100 тон н п р ед н азн ач ен ы д л я п о к р ы т и я спроса второго м е
с я ц а ; во вто р о й м е с я ц — 6 0 0 то н н п р о д у к ц и и , и з к о т о р ы х 2 0 0 то н н п р е д н а
зн ач ен о н а п о к р ы ти е сп роса третьего м ес я ц а и 180 тон н — на покры ти е
сп роса четвертого; в тр ети й м есяц следует п р о и звести 200 тонн п р о д у кц и и ;
в ч е тв е р ты й т а к ж е будет п р о и звед ен о 2 00 то н н п р о д у к ц и и . О б щ ая сто и м о сть
п рои зводства равн а 190 040 долл.
1. а ) М е т о д с е в е р о - з а п а д н о г о у г л а : х и = 5 , х 12 = 1 , х 22 = 4 , х 23 = 3 , х 33 = 7 , с т о и
м о с т ь = 4 2 д о л л . М е т о д н а и м е н ь ш е й с т о и м о с т и : х и = 5 , х 13= 1 , х 22 = 5 ,
х 23 = 2 , х 33 = 7 , с т о и м о с т ь = 3 7 д о л л . М е т о д Ф о г е л я : т а к о е ж е н а ч а л ь н о е
р еш ен и е, к а к и в м етоде н аи м ен ьш ей стои м ости .
5. а) С тоим ость равн а 1475 долл.
Ь ) с 12 > 3 , с 13 > 8 , с 23 > 1 3 , с 31 > 7 .
5 . Б и л е т 1: о т п р а в к а и з Д а л л а с а 3 и ю н я , в о з в р а щ е н и е 2 8 и ю н я . Б и л е т 2 : о т
п р а в к а и з А т л а н т ы 7 и ю н я , в о зв р ащ е н и е 10 и ю н я . Б и л е т 3: о т п р а в к а и з А т
л а н т ы 12 и ю н я , в о зв р ащ е н и е 17 и ю н я . Б и л е т 4: о т п р а в к а и з А т л а н ты 21 и ю
ня, во звр ащ ен и е 25 и ю н я. С тоим ость би летов 1180 долл. Задача им еет
альтернати вн ы е реш ения.
6. О п ти м ал ьн о е разм ещ ен и е: стан ок 1 — м есто d, стан о к 2 — м е с т о с, с т а
н о к 3 — м е с т о а , с т а н о к 4 — м е с т о Ь.
4. О б щ ая стоим ость равн а 1550 долл. Р еш ен и е п о казан о в следую щ ей таб ли ц е.
З ад ач а им еет альтернати вн ое оптим альное реш ение.
Магазин 1 Магазин 2 Магазин 3

Фабрика 1 50 0 0
Фабрика 2 50 200 50
ГЛА В А 6
1. а ) 1 - 3 - 4 - 2 . Ь) 1 - 5 - 4 - 3 - 1 . с ) 1 - 3 - 4 - 5 - 1 . d ) С м . р и с . Г .7 . е ) С м . р и с . Г .7 .
Рис.Г.7
4. Ц и ф р ы 1 и 8 д о л ж н ы обязател ьн о р асп о л агаться в ц ен тр ал ьн ы х к в ад р ати

к а х . З а д а ч а и м е е т н е с к о л ь к о р е ш е н и й ( р и с . Г . 8 ).
3 5
7 1 8 2
4 6
Рис. Г. 8
2. а) 1 - 2 - 5 - 6 - 4 - 3 и л и 3 - 1 - 2 - 5 - 6 - 4 . О б щ а я д л и н а с о с т а в и т 14 м и л ь .
5. П л а тф о р м ы с в ы со к и м д а в л ен и ем газа: 1 - 2 - 3 - 4 - 6 . П л а тф о р м ы с н и зк и м
давл ен и ем газа: 1 - 5 - 7 и 5 - 9 - 8 . О б щ ая д л и н а состави т 53 м и л и .
1. З а м е н а а в т о м о б и л е й д о л ж н а п р о и з о й т и в 2 0 0 1 и 2 0 0 4 г о д а х . О б щ а я с т о и
м о с т ь р а в н а 8 9 0 0 д о л л . ( р и с . Г . 9 ).
4100
Р и с. Г .9
Глава 6 871
5 . Д л я к а ж д о й д у г и , с о е д и н я ю щ е й у з л ы (і, и.) и (і + 1 , и м ), с л е д у е т о п р е д е л и т ь в е
л и ч и н ы р ( д ) — н е о б х о д и м о с т ь в б а л л а х ( ч и с л о в е щ е й і). Р е ш е н и е : н а д о в з я т ь п о
о д н о й в е щ и 1 и 2 . З н а ч е н и е н е о б х о д и м о с т и р а в н о 8 0 б а л л о в ( р и с . Г . 1 0 ).
1. с ) 4 - S - 6 - 8 и л и 4 - 6 - 8 , д л и н а обоих м ар ш р у т о в р а в н а 8.
1. а ) 5 - 4 - 2 - 1 , д л и н а м ар ш р у та р авн а 12.
3. С вязь м еж д у р ай о н ам и 1 и 2 :м а р ш р у т 1 - 3 - 2 , длин а м арш рута = 500 м иль.

С в я з ь м е ж д у р а й о н а м и 1 и 4 :м а р ш р у т 1 - 3 - 2 - 4 , д л и н а м а р ш р у т а = 7 0 0 м и л ь .
С в я з ь м е ж д у р а й о н а м и 1 и 5 :м а р ш р у т 1 - 3 - 5 , дли н а м арш рута = 800 м иль.
1. а ) О птим альное реш ение: 1 -3 -4 -5 , дли н а м арш рута равна 90.
1. Р а з р е з 1: ( 1 , 2 ) , ( 1 , 4 ) , ( 3 , 4 ), ( 3 , 5 ), п р о п у с к н а я с п о с о б н о с т ь р а з р е з а р а в н а 6 0 .
1. а ) В е л и ч и н а н е и с п о л ь з о в а н н ы х п р о п у с к н ы х с п о со б н о стей ч е р е з д у гу (2 , 3)
р а в н а 4 0 , ч е р е з д у г у (2 , 5 ) — 1 0 , ч е р е з д у г у (4 , 3 ) — 5 , ч е р е з о с т а л ь н ы е д у г и
равн а нулю .
b) В ели чи н ы п отоков, п р о х о д ящ и х через у зл ы 2, 3 и 4, равн ы соответствен
но 20, 30 и 20 единиц.
c) Н ет, п о с к о л ь к у в это й сети “ у зк и м м ес т о м ” я в л я ю т с я д у ги , и с х о д я щ и е и з
у з л а 1.
7. М акси м ал ьн о е к о л и чество т а к и х расп ределен и й работ равн о 4. О дно и з рас

п р ед ел ен и й рабо т: Р а л ь ф — р аб о та 3, М эй — р а б о т а 1, Б е н — р а б о т а 2,
К и м — р аб о та 5, К ен о с та ет ся без р аб о ты .
1. С м . р и с . Г .1 1 .
Рис. Г.11
1. З а д а ч а Л П д о и с к л ю ч е н и я н и ж н и х г р а н и ц п р о п у с к н ы х с п о с о б н о с т е й д у г:
м и н и м и з и р о в а т ь z = х 12 + 5 х 13 + З х 24 + 4 х 32 + 6 х ЗІ п р и о г р а н и ч е н и я х
х у1 + х 13 — 5 0 ,
—х 12 + х 21 — х ъ2 — —4 0 ,
-*13 + *32 + *34 = 2 0 ,
-*24 - *34 = - 3 0 ’
3 0 < х 13 < 4 0 , х 24 > 1 0 , х 32 > 1 0 .

З а д а ч а Л П п о с л е и с к л ю ч е н и я н и ж н и х г р а н и ц п р о п у с к н ы х с п о со б н о с те й дуг:
М и н и м и з и р о в а т ь z = x l2 + 5 х 13 + 3 x 2i + 4 х 32 + 6 х ЗІ п р и о г р а н и ч е н и я х
*12 + *із = 2 0 ,
—* 1 2 * 2 4 — * 3 2 — —4 0 ,
—* 1 3 *32 *34 _ 4 0 ,
-*24 - * 3 4 --------2 0 ,
* 13<ю.
1. С л е д у е т п р о и з в е с т и 2 1 0 е д и н и ц п р о д у к ц и и н а п е р в о м э т а п е и 2 2 0 е д и н и ц —
на тр етьем . О б щ ая стои м ость п р о и зво дства состави т 9 895 д олл.
5. Ш к о л а 1 п р и н и м а е т 4 5 0 у ч а щ и х с я и з второй о б щ и н ы н а ц и о н а л ь н ы х м ен ь
ш инств и 1000 из первой “ обы чной” общ ины . Ш кола 2 при н и м ает 500 уча
щ и х ся из первой общ ины наци он альн ы х м еньш инств, 300 человек из треть
ей общ и н ы н ац и о н ал ьн ы х м ен ьш и н ств и 1000 и з второй “ обы ч н о й ” общ ины .
З н ач ен и е целевой ф у н к ц и и , о п р ед еляем ой к а к п рои звед ен и е коли чества
у ч а щ и х ся н а р ассто ян и е от их м есто ж и тел ьства до ш к о л ы , равн о 24 300. З а
дача им еет альтернати вн ое реш ение.
Глава 7 873
1. С м . р и с . Г . 1 2 .
1. К р и т и ч е с к и й п у т ь : 1 - 3 - 4 - 5 - 6 - 7 , д л и т е л ь н о с т ь п р о е к т а р а в н а 19 .
3. Д л и тельн о сть п р о екта — 38 дней.
3. а) М а к с и м а л ь н ы й сд в и г р а в е н 10.
5. а ) К р и ти ч еск и й п у ть 1 - 3 - 6 , д л и тельн о сть п р о ек та — 45 дн ей.

b) Н еобходим о п ом ети ть “ к р асн ы м и ф л а ж к а м и ” процессы A , D и Е.
c ) Н а ч а л а п р о ц е с с о в С, D , G и Н з а д е р ж и в а ю т с я н а 5 д н е й . Н а п р о ц е с с Е н а
чало процесса А пе вл и яет.
d ) М и н и м а л ь н о н ео б х о д и м о две ед и н и ц ы этого о б о р у д о ван и я.
ГЛАВА 7
2. Т о ч к и (1 , 0 ) и ( 0 , 2 ) п р и н а д л е ж а т м н о ж е с т в у Q , н о т о ч к и п р я м о й
M l , 0 ) + (1 - 5l)(0, 2 ) = а , 2 - 2 к )
н е п р и н а д л е ж а т м н о ж е с т в у Q п р и 0 < X < 1.
2. Ь) Р е ш е н и е е д и н с т в е н н о ( р и с . Г . 1 3 ) . d ) Б е с к о н е ч н о е м н о ж е с т в о р е ш е н и й , f)
Р еш ен и я не сущ ествует.
3. а) Э т о т н а б о р в е к т о р о в о б р а з у е т б а з и с , п о с к о л ь к у d e tB = - 4 .
d) Э тот набор в ек то р о в не о б р азу ет б ази с, п о с к о л ь к у в дан н о м сл у ч ае в б ази се
д о л ж н о бы ть ровно три н езави си м ы х вектора.
1 . Б а з и с н о е р е ш е н и е Х в = ( х 3, x t )T = ( 2 , 1 , 5 ) г д о п у с т и м о .
4. О п тим альное зн ач ен и е целевой ф у н к ц и и равн о 34. И сх о д н ая задача Л П :
м а к с и м и з и р о в а т ь z =■ 2 х , + 5 х 2 п р и о г р а н и ч е н и я х
х 1< 4 , х 2< 6 , х х + х 2 < 8 , x v х 2> 0.
1. а ) Н е о б х о д и м о и с к л ю ч и т ь и з б а зи с а в е к т о р Р , . Ь) В е к т о р Р 4м о ж е т б ы т ь ч а с ть ю
д о п у с т и м о г о б а з и с а В = ( Р 2, Р 4).
2. Д л я б ази сн ого в ек т о р а X s и м еем
{г, - с } = С вВ ' В - С я - С В1 - Ся = С в - С в = 0 .
7. И з у сло ви я н евы рож д ен н ости следует, что коли чество см еж н ы х к р ай н и х то

чек долж но бы ть п - т.
10. В случае вы р ож д ен н ости чи сло к р ай н и х точек м ен ьш е ч и сл а б ази сн ы х реш ений.

11. а ) Н о в о е х , = ( С т а р о е х . ) / а . Ь ) Н о в о е х = (5 (С т а р о е х . ) / а .
2. Ь) ( х , , х 2, х 3) = ( 1 ,5 , 2 , 0 ), z = 5.
2. ( * ,, х 2, х 3, x t , х ъ, х й) = ( 0 , 1 , 0 , 7 5 , 1 , 0 , 1 ), г = 2 2 .
1. с ) Д о б а в л я е т с я и с к у с с т в е н н о е о г р а н и ч е н и е х 2 < М . Т о г д а
( х г, х 2) = а , ( 0 , 0 ) + а 2( 1 0 , 0 ) + а 3( 2 0 , 1 0 ) + ос4( 2 0 , М ) + а 5( 0 , М ) ,
а , + а 2 + а 3 + а 4 + а 5 = 1 , а > 0 , і = 1 , 2 , . . . , 5.
2. П о д з а д а ч а 1 : ( * ,, х 2) = а , ( 0 , 0 ) + а 2( 1 2 / 5 , 0 ) + а 3( 0 , 1 2 ).
П о д з а д а ч а 2 : ( х 3, х 4) = (5,(5, 0 ) + (52( 5 0 , 0 ) + (53( 0 , 1 0 ) + (54( 0 , 5 ).
О п т и м а л ь н о е р е ш е н и е : а , = а 2 = 0 , а 3 = 1 => х , = 0 , х 2 = 1 2 ,
р, = 0 ,4 8 8 9 , р2= 0 ,5 1 1 1 , р3= р4= 0 ^ л:3 - 2 8 , * 4 = 0 .
Глава 8 875
6. П о ск о л ьк у и сход н ая зад ач а я в л я е т с я зад ачей м и н и м и зац и и , к а ж д а я п о д за

д а ч а д о л ж н а б ы т ь з а д а ч е й м а к с и м и з а ц и и . О п т и м а л ь н о е р е ш е н и е : ( x lt х 2, х 3,
x j = ( 5 /3 , 1 0 /3 , 0 , 2 0 ), 2 = - 2 4 5 / 3 .
2. М а к с и м и з и р о в а т ь w = Yb п р и о г р а н и ч е н и я х Y A < С , Y > 0 .
5. П е р в ы й с п о с о б : е с л и Х в = ( 2 , 6 , 2 ) г, т о г д а ( b v Ь2, Ь3) = ( 4 , 6 , 8 ) => о п т и м а л ь н о е
зн ач ен и е ц елевой ф у н к ц и и д вой ствен н ой задачи = 34.
В то р о й способ: есл и Y ^ ( 0 , 3 , 2 ) , т о г д а ( с р с 2) = ( 2 , 5 ) => о п т и м а л ь н о е з н а ч е
ние целевой ф у н к ц и и п р ям о й зад ачи = 34.
7. М и н и м и з и р о в а т ь w = Yb п р и о г р а н и ч е н и я х YA = С , п е р е м е н н ы е Y п р о и з
вольного зн ак а.
1. - 2 / 7 < < < 1 .
2. а)
Базисное решение Интервал применимости
(х2, Хз, хе) = (5, 30, 10) 0 < ( < 1/3

(хг, хз, х,) = (25/4, 90/4, 5) 1/3 < 1< 5/12
(Хг, Xą, Xi) = (5/2, 15, 20) 5/12 < 1< «о
5. {z, - 5 = ( 4 - 3 < /2 - 3 ^ / 2 , 1 - t 2, 2 - t / 2 + t 2/ 2 ) . Б а з и с о с т а е т с я о п т и м а л ь
н ы м п р и 0 < t < 1.
1. a ) t 1 = 1 0 , В , = ( Р 2, Р 3, Р 4).
2. Д л я t = 0 им еем (х,, х 2, х 6) = ( 0 , 4 , 1 , 8 , 1 ). Э тот б ази с сохраняется при
0 < t < 1 ,5 . П р и t > 1 ,5 э т о р е ш е н и е с т а н о в и т с я н е д о п у с т и м ы м .
ГЛА В А 8
1. В водится ещ е одна ц ел евая ф у н к ц и я : м и н и м и зи р о вать Gb = s~5 п р и д о п о л н и
т е л ь н о м о г р а н и ч е н и и 5 5 х н + 3 , 5 х р + 5 , Ъ х 0 - 0 ,0 6 7 5 л :,, + - sj = 0 .
3. О б озн ачи м через х г к о л и ч ество п ер во к у р сн и к о в — ж и те л ей дан н ого ш та та ,

ч е р е з л:2 — ч и с л о п е р в о к у р с н и к о в — ж и т е л е й д р у г и х ш т а т о в , ч е р е з л:3 — к о
л и ч ество п е р в о к у р сн и к о в -н еа м ер и к а н ц ев . Ч астн ы е ц елевы е ф у н к ц и и :
м и н и м и з и р о в а т ь G', = .v,+ , г = 1 , 2 , . . . , 5 , п р и о г р а н и ч е н и я х
x t + х 2 + х.3 + s~ - s~ = 1200,
2 х , + х 2 - 2 х 3 + s j - s2 = О,
- 0 , 1 х 1 - 0 , 1 х 2 + 0 ,9 л :3 + s j - s j = 0 ,
0 , 1 2 5 ^ ^ 0 , 0 5 ^ 2 - 0 , 5 5 6 ^ 3 + і * - s4 = 0 ,
- 0 .2 л : , + 0 , 8 л:2 - 0 ,2 л :3 + і, - sj = 0 ,
все п ер ем ен н ы е н ео тр и ц ател ьн ы .
5 . О б о з н а ч и м ч е р е з х } к о л и ч е с т в о п а р т и й и з д е л и й , и з г о т о в л е н н ы х в у’-ю с м е н у ,
j = 1, 2, 3. П о л у ч ае м зад ач у :
м и н и м и з и р о в а т ь s* + s j п р и о г р а н и ч е н и я х
-Ю О д :, + 4 0 х 2 ~ 8 0 х 3 + sj - s j = 0 , 4 < х г < 5 , 1 0 < д:2 - 2 0 , 3 < х 3 < 5 .
1. Ц е л е в а я ф у н к ц и я : м и н и м и з и р о в а т ь z = s j + s j + s j + s j + s j .
Р е ш е н и е : х н = 0 , 0 2 0 1 , х = 0 , 0 4 5 7 , х о = 0 , 0 5 8 2 , х б = 2 ц е н т а , sj = 1 , 4 5 , в с е о с
т а л ь н ы е Sj р а в н ы н у л ю . С у м м а н а л о г а н а б е н з и н с о с т а в л я е т 1 , 4 5 м л н . д о л л .
в м е с т о ж е л а е м ы х 1 ,6 м л н .
4. П у с ть х г — к о л и ч е с тв о и з в е с т н я к а (ф у н т ы ), п о т р еб л я ем о го в д ен ь д л я п р и го
т о в л е н и я к о р м о в о й с м е с и , л:2 — к о л и ч е с т в о зе р н а (ф у н т ы ), п о тр еб л я ем о го
в д е н ь , л:3 — к о л и ч е с т в о с о е в о й м у к и ( ф у н т ы ) , п о т р е б л я е м о г о в д е н ь .
Ц е л е в а я ф у н к ц и я : м и н и м и зи р о в а т ь z = sj + 4 + sj + sj + sj .
Р е ш е н и е : Xj = 1 6 6 , 0 8 , л:2 = 2 7 7 8 , 5 6 , л:3 = 3 0 5 5 , 3 6 , 2 = 0 . В се ц е л и у д о в л е тв о
ряю тся.
7. Д л я п р о и з в о д с т в а 8 0 е д и н и ц п е р в о г о и з д е л и я и 6 0 е д и н и ц в т о р о г о н е о б х о д и
м о и с п о л ь з о в а н и е с в е р х у р о ч н ы х р а б о т : 1 0 0 м и н у т д л я п е р в о й о п е р а ц и и и 120
м и н у т — д л я второй .
2 . О п т и м и з а ц и я ц е л е в о й ф у н к ц и и G , д а е т х п = 0 ,0 2 0 4 , х = 0 , 0 4 5 7 , х о = 0 ,0 5 8 2 ,
х в = 2 , д р у г и е п е р е м е н н ы е р а в н ы 0 . Ц е л и G lt G 2, G 3 и G 4 у д о в л е т в о р я ю т с я ,
ц е л ь G b — н ет. О п т и м и з а ц и я ц е л ев о й ф у н к ц и и G bд а е т т ак о е ж е р е ш е н и е , что
и о п т и м и з а ц и я ц е л е в о й ф у н к ц и и G v п л ю с s j = 1,45 . Э т о у к а з ы в а е т н а т о , ч т о
ц ел ь G bу д о в л е тв о р и т ь н ев о зм о ж н о .
ГЛАВА 9
3 . О б о з н а ч и м ч е р е з x tj к о л и ч е с т в о б у т ы л о к т и п а і, п о л у ч е н н ы х и н д и в и д у у м о м j ,
п р и это м і = 1 (п о л н а я б у т ы л к а ), 2 (з а п о л н е н н а я н а п о л о в и н у ), 3 (п у с та я ), j =
1, 2 ,3 . В о зм о ж н о е р е ш ен и е: = 3 , х 2] = 1 , х 31 — 3 , х и = 3 , х 22= 1 , х 32 = 3 ,
х , з = 1 , х 23= 5 , х 33= 1 . З а д а ч а и м е е т и д р у г и е р е ш е н и я .
Глава 9 877
6. П усть у — и с х о д н а я су м м а ден ег, — с у м м а , в з я т а я в н о ч ь j, j = 1 ,2 , 3, x t —

кон ечн ая сум м а, п олу ч ен н ая к аж д ы м м оряком . Задача Ц Л П :
м и н и м и зи ровать г = у при огран и чен и ях
З х , - у = 2 , х 2 + З х 2 - у = 2, х 2+ х 2 + З х 3 - у = 2 , у - x t - х 2 - х 3 - З х 4= 1.
В се п е р е м е н н ы е н е о т р и ц а т е л ь н ы е ц е л ы е .
Р е ш е н и е : у = 7 9 + 8 1 и , и = 0 , 1, 2 , ... .
8. Н а п ер во й сторон е к ас с ет ы за п и с ы в аю т ся п есн и 5, 6 и 8, н а вто р о й — 1, 2, 3,

4 и 7. Е м к о с т ь к а с с е т ы д о л ж н а б ы т ь н е м е н е е 2 8 м и н у т н а к а ж д о й с то р о н е .
З ад ач а и м еет и другие реш ен и я.
1. П у с т ь x t — к о л и ч е с т в о п р о д у к ц и и , п р о и зв ед ен н о й н а с т а н к е j, j = 1 , 2 ,3 ;
у = 1, если с та н о к / и с п о л ь зу е т с я , и у}= 0 в п р о ти в н о м с л у ч ае . З а д а ч а Ц Л П :
м и н и м и з и р о в а т ь z = 2л:, + 10л:2 + 5 х 3 + 3 0 0 y t + 1 0 0 ( /2 + 2 0 0 у 3
х , + х 2 + х ъ > 2 0 0 0 , х х - 6 0 0 (/, < 0 , х 2 - 8 0 0 у 2 < 0, х ъ- 1 2 0 0 у ъ< 0,

X , , х 2, х 3 > 5 0 0 и ц е л ы е , у х, у 2, у 3 = 0 и л и 1 .
Р еш ен и е: х х= 600, х 2= 500, х 3= 900, 2 = 11 3 0 0 д о л л .
2. Р еш ен и е: на у ч астк е 1 следу ет бури ть с к в аж и н ы 1 и 2, на у ч астк е 2 — с к в а
ж и н ы 3 и 4, 2 = 18.
1 . П у с т ь п е р е м е н н ы е х р а в н ы 1 , е с л и в ы б р а н м а р ш р у т у, и р а в н ы 0 в п р о т и в н о м
случае. З адача Ц Л П :
м и н и м и зи ровать z = 80х, + 50х2+ 70х3+ 52х4+ 6 0 х 5+ 4 4 х 6
л:, + х 3 + х ь + х 6 > 1 , л:, + х 3 + л:4 + х 5 > 1 , х х + х 2 + х 4 + х 6 > 1 ,

х 1 + х 2 + х ь > 1 , х 2 + х 3 + х 4 + х е > 1 , х 1= 0 и л и 1 д л я в с е х j .
Р е ш е н и е : х ъ = х е = 1 . С л е д у е т в ы б р а т ь м а р ш р у т ы ( 1 , 4 , 2 ) и ( 1 , 3 , 5 ), z = 1 0 4 .
2. Р е ш е н и е : в к о м и т е т д о л ж н ы в о й ти к а н д и д а т у р ы a, d, f. З а д а ч а и м е ет и д р у
гие реш ен и я.
1. а ) З ад ач а и м еет н еско л ько р еш ен и й , среди которы х следую щ ие.
9 1 5 6 4 5
1 5 9 4 5 6
5 9 1 5 6 4
3. П р о и зв о д ств о с л е д у е т о р га н и зо в а т ь во вто р о м ц е х е, п ри этом п р о д у к ц и и 1

следует п р о и зво д и ть 2 6 ед и н и ц , п р о д у кц и и 2 — 3 ед и н и ц ы , п р о д у кц и и 3 — 0.
1. а ) г = 2 3 , я , = 3 , х 2 = 2.
е ) г = 3 7 , х г = 6 , х 2 = 1.
1. а ) г = 7 , 2 5 , х : = 1 , 7 5 , х 2 = 1.
е ) г = 3 7 , ( я , = 4 , 6 , х 2 = 2 ) и л и ( х , = 6 , х 2 = 1 ).
1. а ) 9 п о д зад ач .
Ь) 2 5 ,7 3 9 п о д за д а ч .
3. Задача Ц Л П с двоичны м и перем енны м и:

м аксим и зи ровать 2 = 1 8 у п + 3 6 у 12 + 1 4 у 21 + 2 8 у 22 + 8 у 31 + 1 6 у 32 + 3 2 у 33
п р и о г р а н и ч е н и и 1 5 у п + 3 0 у 12 + 1 2 j/2J + 2 4 у 22 + 1 у 31 + 1 4 у 32 + 2 8 у 33< 4 3 .
В се п е р е м е н н ы е д в о и ч н ы е .
Р е ш е н и е : г = 5 0 , у 12 = 1 , у 21 = 1 , о с т а л ь н ы е п е р е м е н н ы е р а в н ы 0 .
1. а ) Д а, п о с к о л ь к у это о тсеч ен и е п р о х о д и т ч ер ез ц е л о ч и с л ен н ы е то ч к и
(д о п у с т и м ы е и н е д о п у с т и м ы е) и п р и это м не и с к л ю ч а е т ни о д н о й д о п у с
тим ой целочисленной точки.
6 . Ь ) О п т и м а л ь н о е ц е л о ч и с л е н н о е р е ш е н и е : (л:р л:2, л:3) = ( 5 , 2 , 3 ) , г = 2 3 .

Р еш ен и е, п олученн ое путем о к р у гл е н и я соответствую щ его оп ти м альн ого
н е п р е р ы в н о г о р е ш е н и я : ( * ,, х 2, х 3) = ( 5 , 3 , 3 ) . Э т о р е ш е н и е н е д о п у с т и м о .
1. К о л и ч е с т в о с о т р у д н и к о в , в х о д я щ и х в к о м н а т у д л я с о в е щ а н и й и в ы х о д я щ и х
и з нее, а т а к ж е р аб о таю щ и х н ад со о тветству ю щ и м и п р о е к та м и , п о к азан о
в следую щ ей табли це.
Проект
1 2 3 4 5 6
1
2
Проект 3
4
5
6
ГЛАВА 10
1. М а р ш р у т 1 - 3 - 5 - 7 , д л и н а м а р ш р у т а 21 м и л я .
Глава 10 879
3. М а р ш р у т 1 - 2 - 3 - 5 - 7 , д л и н а м ар ш р у т а 17 м и л ь.
2. а) Р е ш е н и е : п р и б ы л ь р а в н а 1 2 0 , (и г ,, т 2, т а) = ( 0 , 0 , 3 ) и л и ( 0 , 2 , 2 ) и л и
(0 , 4 , 1) и л и (0 , 6 , 0 ).
4. Р еш ен и е: о б щ ая сум м а баллов 25 0 . В ы бор курсов: на ф ак у л ьтете I курс 2, на

ф а к у л ь т е т е I I к у р с 3 , н а ф а к у л ь т е т е I I I к у р с 4 , н а ф а к у л ь т е т е IV к у р с 1 .
6. П у с т ь X j = 1 , е с л и п р и н и м а е т с я з а я в к а у, и ї (. = 0 в п р о т и в н о м с л у ч а е . З а д а ч а
о загр у зке:
м а к с и м и з и р о в а т ь г = 78л:, + 6 4л :2 + 6 8л :3 + 62л: 4 + 8 5 л :5
при ограни чении
7л:, + 4л:2 + 6л:3 + 5л: 4 + 8л:5 < 2 3 , x f = 0 и л и 1 д л я в с е х у.
Р е ш ен и е: п р и н я т ь все з а я в к и , к р о м е п ер в о й . О б щ ая о ц е н к а = 2 7 9 .
1. а ) Р е ш е н и е : н а 1 -й н е д е л е п р и н я т ь 6 ч е л о в е к , н а 2 -й н е д е л е у в о л и т ь 1 ч е л о
в е к а , н а 3 -й н е д е л е у в о л и т ь 2 ч е л о в е к а , н а 4 -й н е д е л е п р и н я т ь 3 ч е л о в е к а ,
н а 5 -й н е д е л е п р и н я т ь 2 ч е л о в е к а .
3 . Н а к а ж д у ю и з ч е т ы р е х н е д е л ь с л е д у е т а р е н д о в а т ь 7, 4, 8 и 8 а в т о м о б и л е й с о
ответственн о.
2. а) С —> С —ї З —^ С , з а т р а т ы = 4 5 8 д о л л .
1. П е р в ы й го д : и н в е с т и р о в а т ь 5 0 0 0 д о л л . в п е р в ы й б а н к . В т о р о й го д : и н в е с т и
р о в ать 4 0 9 0 д о л л . во вто р о й б а н к . Т р ети й год: 3 0 9 0 д о л л . в п ер в ы й б ан к .
Ч е т в е р т ы й год: и н в ести р о в ать 2 0 6 5 д о л л . в лю бой б ан к .
ГЛАВА 11
2. а ) С у м м а р н ы е з а т р а т ы в н е д е л ю с о с т а в л я ю т 5 1 ,5 0 д о л л .
Ь) О п т и м а л ь н а я с т р а т е г и я : з а к а з ы в а т ь 2 3 9 ,0 5 ф у н т а ф а р ш а , к а к т о л ь к о его
зап ас о п у сти тся до нулевого у р о в н я . С у м м ар н ы е за тр а ты в неделю со ста
в я т 5 0 ,2 0 д о л л .
1. а ) Н еобход и м о сд ел ать за к а з н а 200 еди н и ц п р о д у к ц и и в том случае, к о гд а
у ровен ь зап аса о п у сти тся до 150 еди н и ц .
Ь) П р и б л и зи те л ь н о 91 за к азо в .
1. О т е л ю с л е д у е т в о с п о л ь з о в а т ь с я с к и д к о й , п о с к о л ь к у с т о и м о с т ь с т и р к и п а р
т и и и з 1 8 0 0 п о л о т е н е ц с о с т а в и т 4 1 4 д о л л ., а п а р т и и и з 2 5 0 0 — 3 5 6 ,9 4 д о л л .
3. Д а, д л я за к а за п ар ти и в 150 еди н и ц при нулевом уровн е зап аса. З атр аты

в д е н ь с о с т а в я т 4 7 9 ,1 7 д о л л .
1 . О п т и м а л ь н о е р е ш е н и е , н а й д е н н о е с п о м о щ ь ю E x c e l : (/, = 4 , 4 1 , у 2 = 6 , 8 7 ,
J/з = 4 Д 2 , (/4 = 7 , 2 , (/5 = 5 ,8 .
л ^уг у2,у},у„к)
4- ^
=v^> |-----+
4 A кіУЛ
-1TL -XÛr365D i ,с „
X ------150
2(ЛГ,.-365Ь)Р,
У, 2 у>=" К
Р еш ение, найденное с пом ощ ью E x c e l: (/, = 1 5 5 , 3 , t/2 = 1 1 8 , 8 2 ,
у 3 = 7 4 ,3 6 , у 4= 9 0 ,1 0 , Х = - 0 ,0 5 6 4 .
1. а ) 5 0 0 е д и н и ц к о м п л е к т у ю щ и х в к в а р т а л ы 1, 4 , 7 и 1 0 .
3 . П е р в ы й этап : 100 ед и н и ц п р о д у к ц и и п р о и звед ен о в о бы ч н ом р е ж и м е , 50 —
за счет сверхурочн ы х работ и 23 еди н и ц ы — на у сло ви ях субп одряда. В торой
этап : 40 е д и н и ц п р о д у к ц и и п р о и зв ед ен о в об ы ч н о м р е ж и м е , 60 е д и н и ц — за
счет свер х у р о ч н ы х раб от и 80 — н а у с л о в и я х су б п о д р яд а. Т р ети й этап : 90
еди н и ц п р од у кц и и в обы чном р еж и м е, 80 едини ц — за счет сверхурочн ы х
р аб от и 70 — н а у с л о в и я х су б п о д р яд а. Ч е т в е р т ы й этап : 60 ед и н и ц п р о д у к ц и и
в обы чном р еж и м е и 50 ед и н и ц — за счет свер х у р о ч н ы х работ. П я т ы й этап :
60 еди н и ц п р о д у кц и и в обы чном р еж и м е, 50 — за счет свер х у р о ч н ы х работ
и 83 — на у сло ви ях субподряда.
1. а ) Н ет, п о ск о л ьк у нет необходи м ости в зап асах после о к о н ч ан и я периодов
планирования.
Ь ) І) 0 < 2, < 5 , 1 < г г < 5 , 0 < г 3 < 4 , х , = 4 , 1 < х 2< 6 , 0 < х 3 < 4 .
1. а ) г, = 7, г 2 = 0 , 23 = 6, г4= 0. О бщ ие затр аты составляю т 33 долл.
1. В п е р в ы й п е р и о д н е т з а к а з а , в о в т о р о й — з а к а з н а 1 1 2 е д и н и ц , в т р е т и й н е т
за к а за , в ч етвер ты й п ери од за к а з на 67 еди н и ц ; стоим ость = 632 долл.
1. В я н в а р е н е о б х о д и м о п р о и з в е с т и 2 1 0 е д и н и ц и з д е л и я , 2 5 5 е д и н и ц и з д е л и я
в ап реле, 210 — в ию ле и 165 — в о к тяб р е. О бщ ая стоим ость = 1930 долл.
Глава 12 881
ГЛАВА 12
1. а ) 0 , 1 5 , 0 , 2 5 . Ь ) 0 , 5 7 1 . с ) 0 , 8 2 1 .
2. п > 2 3 .
3. я > 2 5 3 .
4. О б озн ачи м ч е р е з р в ер о ятн о сть победы Л и зы . Т огда в ер о ятн о сть победы Д ж о н а
р а в н а 3jэ, ч т о с о в п а д а е т с в е р о я т н о с т ь ю п о б е д ы Д ж и м а . В е р о я т н о с т ь п о б е д ы
А н н ы р а в н а 6 р . В е р о я т н о с т ь р н а х о д и т с я и з р а в е н с т в а р + З р + З р + 6 р = 1.
1. а ) 0 ,4 .
5. 0 ,9 5 4 5 .
2. К = 20.
3 . Р { п о т р е б н о с т ь > 1100} = 0 ,3 .
3. а) Р { х > 50} = 2 / 3 .
Ь ) О ж и д а е м о е ч и с л о н е п р о д а н н ы х г а з е т — 2 ,6 7 .
1. М а т е м а т и ч е с к о е о ж и д а н и е — 3 , 6 6 7 , д и с п е р с и я — 1 , 5 5 6 .
1. а ) Р { х : = 1 , 2 , 3 } = Р { х 2 = 1 , 2 , 3} = ( 0 , 4 , 0 , 2 , 0 , 4 ) .
Ь) Н ет.
1. ( 0 , 5 ) ’°.
3 . В е р о я т н о с т ь э т о го с о б ы т и я р а в н а 0 ,0 5 4 7 п р и у с л о в и и , ч т о все п р е д с к а з а н и я
б у д у т с л у ч а й н ы м и ( т .е . в с е и с х о д ы б у д у т р а в н о в е р о я т н ы м и ) .
1. 0 ,8 6 4 6 .
3 . а ) Р 0 = 0 .Ь )Р „ _ > з = 1 .
1 . X — 1 2 п о с е т и т е л е й в м и н у т у . P { t < 5 с е к .} = 0 , 6 3 .
2 . 0 ,0 0 1 4 .
ГЛАВА 14
1. w A = 0 ,4 4 2 1 4 , w B = 0 ,2 5 1 8 4 , w c = 0 ,3 0 6 0 2 .
1 . w s = 0 , 3 3 1 , Wj = 0 , 2 9 2 , w M = 0 , 3 7 7 . Н а р а б о т у с л е д у е т п р и н я т ь М а й с а .
3 . w p = 0 ,5 0 2 , w H = 0 ,4 9 8 , C R A = 0 ,0 0 7 2 < 0 ,1 .
2. а) С м . р и с. Г .14.
b ) М У (К у к у р у з а ) = - 8 2 5 0 д о л л ., М У (Б о б ы ) — 2 5 0 д о л л . С л е д у е т в ы б р а т ь с о
евы е бобы .
6. а) С м . р и с. Г .15.
Ь) М К (И гр а ) = - 0 ,0 2 5 д о л л . В э т у и г р у н е с л е д у е т и г р а т ь .
0,125 (ГГТ)
3,5
0,125 (ГГР)
1,1
0,125 (ГРГ)
0,9
0,125 (ГРР)
Играть
О °> 125 (РГТ)
1,1
0,125 (РГР)
-1
0,125 (РРГ)
0,125 (РРР)
Не играть
Рис. Г.15
Глава 14 883
2. П у с ть z о б о зн ач ае т с о б ы ти е, ч т о в п а р т и и и з 5 -т и д е т а л е й о б н а р у ж е н а о д н а
д е ф е к т н а я . Т о г д а P{A\z} = 0 ,6 0 9 7 , P {B \z ) = 0 ,3 9 0 3 .
4 . а ) Е сл и п у б ли к о вать сам остоятельн о, то о ж и д аем ы й доход составит 196 ты с. до л л .

Е сл и ром ан отдать и зд ател ю , то о ж и д аем ы й доход состави т 163 ты с. д о л л .
Ь) Е с л и и с с л е д о в а н и е п р е д с к а з ы в а е т у с п е х р о м а н а , то его с л е д у е т п у б л и к о
в а т ь сам о с то я т ел ь н о , и н ач е его н ад о о тд ать и зд ател ю .
7. Ь) Е сл и в результате п р о вер ки оба и зд ел и я яв л я ю тс я к ач ествен н ы м и , то п а р

ти я и здели й о тп р авл яется п отребителю Л .
1. а ) Н е т с м ы с л а , т а к к а к М У (в о зв р а т ) = 5 д о л л .
b ) Д л я 0 < х < 10 Щ х ) = 0 , U(x) = 1 0 0 п р и х = 1 0.
c) Д а, н адо и гр ать.
2. Л о т е р е я : U(x) = 1 0 0 - 1 0 0 р .
1. а ) П о в е е м к р и т е р и я м с л е д у е т в ы б р а т ь а л ь т е р н а т и в у а 3.
Ь ) В с е к р и т е р и и у к а з ы в а ю т и л и н а а л ь т е р н а т и в у а 2 и л и а 3.
1. а ) С е д л о в а я т о ч к а (2 , 3 ). Ц е н а и г р ы р а в н а 4 .
3. а) О б о зн ач и м ч ер ез v ц е н у и гр ы . Т огда 2 < v < 4.
1. К а ж д ы й и г р о к д о л ж е н и с п о л ь з о в а т ь с м е ш а н н ы е с т р а т е г и и 5 0 - 5 0 . Ц е н а и г р ы
равн а 0.
3. a) (jci; jc2) = ( 0 , 5 , 0 , 5 ) , (г/13 г/2, г/3) = ( 0 , 0 , 6 5 , 0 , 3 5 ) , и = 0 , 5 .
b ) (jCp х г, х 3) = ( 0 , 2 5 , 0 , 7 5 , 0 ) , (г/,, у 2) = ( 0 , 7 5 , 0 , 2 5 ) , и = 5 , 7 5 .
2. a ) U A : ( x lt х 2, х 3, х 4) = ( 0 , 0 , 5 , 0 , 0 , 5 ) , D U : (г/,, у 2, у 3, г/4) = ( 0 , 1 4 , 0 , 3 4 , 0 , 2 7 ,
0 ,2 5 ), и = 0 ,5 .
4 . О б а и г р о к а п р и м е н я ю т с т р а т е г и и (1 , 2 ) и (2 , 1) с в е р о я т н о с т я м и 0 ,5 7 1 и 0 ,4 2 9
соответственно.
ГЛАВА 15
2 . 1 -й д е н ь : п р о д а в а т ь , е с л и п р е д л а г а ю т в ы с о к у ю ц е н у . 2 - й д е н ь : п р о д а в а т ь , е с л и
п р е д л а га ю т в ы со к у ю и л и ср ед н ю ю ц е н ы . 3 -й д ен ь: п р о д а в а ть за л ю б у ю ц е н у .
1. П е р в ы й г о д : и н в е с т и р о в а т ь в с е 1 0 ООО д о л л . В т о р о й г о д : и н в е с т и р о в а т ь в с е
н а к о п л ен н ы е д е н ь ги . Т р ети й год: в о зд е р ж а т ь с я от и н в е с ти ц и й . Ч етвер ты й
год: и н в е с ти р о в а ть все н а к о п л ен н ы е д ен ь ги .
4. Ц ен тр 1 — 2 велоси п еда, ц ен тры 2 и 3 — по 3 велосипеда.
3 . И г р а 1 : с т а в к а — 1 д о л л . И г р а 2 : с т а в к а — 1 д о л л . И г р а 3 : с т а в к а — 1 д о л л .,
если бы л вы и гр ы ш в п реды дущ ей игре, и н ач е третью и гр у п роп усти ть.
ГЛАВА 16
1. а ) З а к а з в 1000 ед и н и ц следует д е л ать тогд а, к о гд а ур о вен ь зап аса оп усти тся
до 537 едини ц.
1. а ) 3 ,1 2 5 з а к а з о в . Ь ) 3 1 2 ,5 0 д о л л . в м е с я ц , с) 4 0 8 д о л л . d ) 2 ,0 3 9 7 д о л л . е ) 0 ,0 6 .
3. у = 3 1 6 ,8 5 г а л л о н о в , R *= 5 8 ,7 3 г а л л о н о в .
3 . 1 9 < р < 3 5 ,7 .
6. П р и б л и зи те л ь н о 39 п а л ьто .
1. Е с л и х < 3 , 5 2 8 , т о з а к а з = 8 - х , и н а ч е з а к а з н е д е л а т ь .
УПРАЖНЕНИЯ 16.3, А
2 . Е с л и х < 4 , 6 1 , т о з а к а з = 4 , 6 1 - jc, и н а ч е з а к а з н е д е л а т ь .
ГЛАВА 17
1. а ) Э ф ф ективность о б сл у ж и ван и я — 71% .
Ь) О ба т р е б о в а н и я н е л ь з я у д о в л е тв о р и т ь о д н о в р е м ен н о .
1.
Ситуация Клиент Сервис
а Самолет Взлетно-посадочная полоса

b Пассажир Такси
Глава 17 885
2. b) Я = 6 заяво к в час, средн и й и н тервал врем ени м еж д у п оступ лен и ям и за я

в о к = 1 /6 ч аса.
с) ц = 5 о б с л у ж и в а н и й в ч а с , с р е д н е е в р е м я о б с л у ж и в а н и я = 0 ,2 ч а с а .
5. a ) f(t) = 2 0 e x p (-2 0 i), t > 0 .

b ) P { ł > 1 5 /6 0 } = 0 ,0 0 6 7 4 .
9. О ф и ц и а н т 0 2 п о л у ч а е т 2 ц е н т а с в е р о я т н о с т ь ю P { t < 1}= 0 ,4 8 6 6 и п л а т и т 2 ц е н т а
с в е р о я т н о с т ь ю P { t > 1} = 0 , 5 1 3 4 . С р е д н и й в ы и г р ы ш о ф и ц и а н т а О , з а восьм и
ч а с о в о й п е р и о д с о с т а в л я е т 1 7 ,1 5 ц е н т о в .
12. a ) P {t < 4 м и н у т ы } = 0 ,4 8 6 6 .
b) С р е д н е е в р е м я о ж и д а н и я = 6 ,2 0 8 .
1 . Р „ > 5(1 ч а с ) = 0 , 5 5 9 5 .
4. a) P 2( t = 7 ) = 0 , 2 4 1 6 7 .
6. а) В ы ч и с л я е м К = 1 / 1 0 + 1 / 7 . P 2( t = 5 ) = 0 , 2 1 9 .
2. а) = 9 , p 0( t = 3 ) = 0 , 0 0 5 3 2 .
c ) |д£ = 3 , p„<u ( t = 1 ) = 0 , 9 5 0 2 .
5 . |д< = 4 , р 0(4 ) = 0 , 3 7 1 1 6 .
8. а ) С р е д н и й н е д е л ь н ы й о б ъ е м з а к а з а = 2 5 - 7 ,1 1 = 1 7 , 8 9 .
Ь ) ц і = 1 2 , p 0( t = 4 ) = 0 , 0 0 0 6 9 .
3 . а ) р„> 3 = 0 ,4 4 4 5 .
Ь ) Ь )р „ < 2 = 0 ,5 5 5 5 .
6. а) рг 0 ,2 , j = 0 , 1 , 2 , 3 ,4 .
b ) О ж и д а е м о е ч и с л о к л и е н т о в в п а р и к м а х е р с к о й — 2.
c) р 4 = 0 ,2 .
1- a ) L q = 1р6 + 2 р 1 + Зр8 = 0 ,1 9 1 7 а в т о м о б и л я .
c) 0 ,1 2 6 3 а в т о м о б и л я в ч а с .
d ) С р е д н е е к о л и ч е с т в о с в о б о д н ы х м е с т н а с т о я н к е = с - (L s - L q) =
8 8
=c-'Znp„+ L •
» -0 « -r+ l
2- а ) р 0 = 0 ,2 .
b) С р е д н е м е с я ч н ы й з а р а б о т о к = 5 0 х |ot = 3 7 5 д о л л .
c) С р е д н я я п л а т а = 40 x L q = 1 2 8 д о л л .
5- а ) р 0 = 0 ,4 .
Ь ) L q = 0 ,9 .
d ) Рпіг = 0 ,0 0 3 6 .
6 . Н е м ен ее 13 м ест.
1 . Р { т > 1} = 0 , 6 5 9 .
5 . 3 7 ,9 5 д о л л . з а 1 2 -ч а с о в ы й р а б о ч и й д е н ь .
1. а ) р 0 = 0 ,3 6 5 4 .
b ) W q = 0 ,2 0 7 ч а с а .
c) К о л и ч е с т в о с в о б о д н ы х м ес т = 4 - L = 3 ,2 1 2 .
e ) |х = 1 0 у м е н ь ш и т W п р и м е р н о д о 9 ,6 м и н у т ы .
4 . а ) р 8 = 0 ,6 .
с) В е р о я т н о с т ь п о я в л е н и я с в о б о д н о г о м е с т а н а к о н в е й е р е н е п р е в ы ш а е т 0 ,4
п р и л ю б о й п р о и зв о д и т е л ь н о с т и к о н в е й е р а . П о э т о м у за г р у з к а сборочн ого
цеха не м ож ет превы сить 6 0 % .
7. а ) 1 - р ъ = 0 ,9 6 2 .
b) потери = = 0 Д 9 кли ен тов в час.
1. а ) 0 ,7 1 1 . Ь) 0 ,5 9 6 .
c) 0 ,4 а в т о м о б и л я д л я с = 2 и 0 ,8 — д л я с = 4.
d ) П я т ь и более автом оби лей .
5. Н е м ен ее 10 м ест.
7. a ) р п і і = 0 , 6 5 7 7 2 .
Ь) Ь) 0 ,6 6 7 Э В М .
2 . с) 8 1 ,8 % .
a ) d ) p 2 + p 3 + p t = 0 ,5 4 5 .
4 . а ) p i0 = 0 , 0 0 0 1 4 .
b ) Р,о + Р 31 + •■• + Р 39 = 0 , 0 2 4 5 3 .
Глава 17 887
d) С реднее к о л и ч еств о за н я т ы х м ест = L, - L = 20.

f) В е р о я т н о с т ь т о г о , ч т о с т о я н к а б у д е т п о л н о с т ь ю з а п о л н е н а , р а в н а 1 - р „ < 29 =
= 0 ,0 2 4 6 7 . Ч и с л о с т у д е н т о в , к о т о р ы е н е с м о г у т п р и п а р к о в а т ь с я н а п р о
т я ж е н и и во сьм и ч асо во го п ер и о д а, п р и м ер н о р авн о 4.
2. а) П р и м ер н о 7 м ест.
Ь) р„>8 = 0 ,2 9 1 1 .
1 . Ь ) С р е д н е е ч и с л о с в о б о д н ы х м е х а н и к о в = 4 - (L , - L q) = 2 , 0 1 м е х а н и к о в ,
d ) Р { 2 и л и 3 м е х а н и к а сво б о дн ы } = р 0 + р 1= 0 ,3 4 4 9 2 .
4. a) L„ = 1 , 2 5 с т а н к а .
b ) р 0 = 0 ,3 3 3 4 1 .
c) W t = 0 ,2 5 ч а с а .
6 . К = 2 к р и к а н а о д н о г о р е б е н к а в ч а с , |д. = 0 , 5 р е б е н к а в ч а с , R = 5 , К = 5 .
a ) С р е д н е е ч и с л о б о д р с т в у ю щ и х м а л ы ш е й = 5 - L , = 1.
b) Р 5 = 0 ,3 2 7 6 8 .
c ) p „ S2 = 0 , 0 5 7 8 2 .
2. a) M { t ) = 1 4 м и н . т , D { t ) = 1 2 м и н . 2, L , = 7 , 8 6 7 а в т о м о б и л я .
4 . X = 0 , 0 6 2 5 з а к а з а в м и н у т у , M { t } = 1 5 м и н . , D { t ) = 9 , 3 3 м и н . 2.
a ) Р 0 = 0 ,0 6 2 5 .
b ) L q = 7 ,3 з а к а з а .
c) = 1 3 2 ,1 7 м и н .
2. П р и м е н и т е м о д е л ь ( М / М / 1 ) : (G D /1 0 /1 0 ). О д и н ч а с р а б о т ы п е р в о го м е х а н и к а
с т о и т 4 3 1 ,5 0 д о л л ., в т о р о г о — 3 8 6 ,5 0 д о л л .
4. Ь)
с) О п ти м ал ьн о е зн ач ен и е п р о и зв о д и тел ьн о сти с т а н к а с о став л я ет 2 7 2 5 и зд е

л и й в час.
2. а ) Р а б о т а д в у х м е х а н и к о в с т о и т 8 6 ,4 д о л л . в ч а с , т р е х м ехаников —
9 4 ,8 д о л л . в ч ас.
Ь ) П о т е р и п р и р а б о т е д в у х м е х а н и к о в с о с т а в я т 3 0 х W t = 1 2 1 ,1 1 д о л л ., п р и
р а б о те т р е х м е х а н и к о в — 9 4 ,6 5 д о л л .
3. а) В ы играет 5 920 долл. в м есяц.
Ь) Д о п о л н и тел ьн ы й вы и гр ы ш в 2 880 долл.
1. а ) 5 м ехани ков.
Ь) 4 м ех ан и ка.
ГЛАВА 18
4. а) Р{Г } = Р { Р } “ 0 , 5 . Е с л и 0 < R < 0 , 5 , т о и г р о к А п о л у ч а е т 1 0 д о л л . , е с л и ж е
0 ,5 < R < 1, то и г р о к Б п о л у ч а е т 1 0 д о л л .
1. а) Д и ск р етн ы й тип.
4. С м . р и с. Г .16.
Ах 2 Л3 4 А5
\% 48 78 108 138
0 j 30 60 90 j 120
Dt L 'г >з А. >5
Рис. Г. 16
1. i = - l n ( l - R ) / X , К = 4 к л и е н т а в ч ас.
Клиент R / Время прибытия
1 — — 0
2 0,0589 0,015 0,015
3 0,6733 0,280 0,295
4 0,4799 0,163 0,458
2. t = a + (b — a ) R .
4. а) Е сли 0<Д <0,2, то запрос = 0; если 0,2<Д<0,5, запрос = 1; е с л и
0 ,5 < R < 0 ,9 , з а п р о с = 2 ; е с л и 0 ,9 < R < 1 , з а п р о с = 3 .
9- х = 0 , е с л и 0 < R < р ; в п р о т и в н о м с л у ч а е з н а ч е н и е х р а в н о н а и б о л ь ш е м у ц е
л о м у , н е п р е в ы ш а ю щ е м у в е л и ч и н ы 1п(1 - Д ) /1 п ( 1 - р ) .
Глава 19 889
1 . у = - ( 1 / 5 ) х 1 п ( 0 ,0 5 8 9 х 0 , 6 7 3 3 х 0 , 4 7 9 9 х 0 , 9 4 8 6 ) = 0 , 8 0 3 ч а с а .
6 . t = jc, + jc2 + x 3 + х 4, г д е x t = 1 0 + R :, i = 1 , 2 , 3 , 4 .
1. а ) З а в и с и т о т к о л и ч е с т в а с о б ы т и й ,
b) З а в и с и т от вр ем ен и .
2 . Д о в е р и т е л ь н ы й и н т е р в а л 1 5 , 0 7 < |д < 2 3 , 2 7 .
ГЛАВА 19
2. С т ац и о н а р н ы е с т р а т е ги и : не у д о б р я ть , у д о б р я ть п р и с о с т о я н и и 1, у д о б р я ть
п р и со ст о я н и и 2, у д о б р ять п р и со сто ян и и 3, у д о б р ять п р и со ст о я н и и 1 и л и 2,
удобрять при состоян и и 1 и л и 3, удобрять при состоянии 2 и л и 3, удобрять
при лю бом состоянии .
1. П е р в ы й и в т о р о й г о д ы : р е к л а м н у ю к а м п а н и ю с л е д у е т п р о в о д и т ь т о л ь к о п р и
с н и ж е н и и доход ов. Т р ети й год: р е к л а м н а я к а м п а н и я не п р о во д и тся.
3. З а к а за т ь 2 х о л о д и л ь н и к а п ри полном о тсутстви и и х в м агази н е, в проти вн ом

случае заказ не делать.
1 . Р е к л а м н а я к а м п а н и я п р о в о д и т с я в с е г д а п р и с о с т о я н и и 1.
ГЛАВА 20
1. а ) Н е т э к с т р е м а л ь н ы х т о ч е к .
b) М и ним ум в точке х = 0.
c) Т о ч к а п е р е г и б а п р и х = 0 , м и н и м у м п р и х = 0 ,6 3 и м а к с и м у м п р и х = - 0 ,6 3 .
4 . ( х 1, х г) = ( - 1 , 1 ) и л и ( 2 , 4 ) .
1 . Ь ) Э х, = 2 , 8 3 3 jc2, 3 jc3 = —2 ,5 ć b e 2.
х~
3 . С и с т е м а у р а в н е н и й : 2 Xj — - = 0 , і = 1 , 2 , . . . , п - 1 . Р е ш е н и е : х- = ' 4 Ć , і = 1 , 2 ,
X:
. . . , n . d f = 2 b Ć 2"'Vn.
6. b) Р еш ен и е: г = 3 7 5 /7 4 , ( jc , , jc 2, jc 3 , jc 4 ) = ( - 5 /7 4 , - 1 0 /7 4 , 1 5 5 /7 4 ,6 0 /7 4 ) —
то ч ка м иним ум а.
1 . Т о ч к и м и н и м у м а : (лс,, jc2, jc3, Ą , Л2) = ( - 1 4 , 4 , 4 , 5 6 , - 1 , 4 4 , 3 8 , 5 , - 6 7 , 3 ) и ( 4 ,4 ,

0 ,4 4 , 0 ,4 4 , 1 0 ,2 ,- 1 ,4 ) .
ГЛАВА 21
2 . с) х = 2 ,5 .
е ) х = 2.
3 . М а к с и м а л ь н о е ч и с л о и т е р а ц и й = 1 , 4 4 1п[(6 - а ) / ( Д - 1 )].
1. Н а о с н о в а н и и ф о р м у л ы Т е й л о р а и м е ем V /(X ) = V /(X ° ) + H ( X - X ° ) . М а т р и ц а
Г ессе Н н е за в и с и т от X , п о с к о л ь к у ф у н к ц и я f ( X ) к в а д р а т и ч н а я . П о это й ж е
п р и ч и н е последнее равен ство в ы п о л н я е тс я точн о, т а к к а к все п рои зводн ы е
вы ш е второй степени равны нулю . Из уравнения V /(X )= 0 находим
X = Х° + H~‘V / ( X ° ) . Э т о з н а ч е н и е X у д о в л е т в о р я е т у р а в н е н и ю V /( X ) = 0 , с л е д о
в а т е л ь н о , о н о я в л я е т с я о п т и м у м о м н е з а в и с и м о о т н а ч а л ь н о г о з н а ч е н и я Х °.
2 . О п т и м а л ь н о е р е ш е н и е : лс, = 0 , jc2 = 3 , г = 1 6 .
4 . П у с т ь w = X j + l , j = 1 , 2 , 3 , Uj = Wj W2, v 2 = w xw r А п п р о к с и м и р у ю щ а я з а д а ч а Л П :
м а к с и м и зи р о в а т ь z = иг + v2 - 2 w, - w 2 + 1 п р и о г р а н и ч е н и я х
u 1 + v 2 - 2 w r - w 2 < 9 , ln u , - ln w , - l n w 2 = 0 , l n u 2 - ln w , - l n w 3 = 0 ,
все п ер ем ен н ы е н е о тр и ц а те л ь н ы е .
1. Р е ш е н и е : jc , = 1, х 2 = 0 , z = 4.
2. Р е ш е н и е : лс, = 0 , х 2 = 4 , z = 0 , 7 .
Глава 21
2 . Р е ш е н и е : (jci; х 2) = ( 1 ,3 9 , 1 ,1 3 ) .
2 . М а к с и м и з и р о в а т ь г — jc, + х ‘ + х 3 п р и о г р а н и ч е н и я х
Ą + 5 x 2 + 2 j Ę + 1,28у < 10 , 16jc22 + 25jc3 - у
все п ерем ен н ы е н ео тр и ц ател ьн ы е.

предм етны й ука за тель
А м
A M PL, 58; 63 M P L , 63
р еш ен и е за д а ч Л П , 66
A re n a , 734 Р
A w e S im , 7 3 4
P E R T , 298; 315
С
S
СРМ , 298
S IM A N , 7 3 4
S IM S C R I P T , 7 3 4
Е
SLA M , 734
E x c e l, 2 1 7 ; 2 1 8
кри тери и п р и н яти я реш ений, 578 T
м етод С и л ь в е р а -М и л а , 503
м етоды п р и н я т и я р е ш е н и й , 5 5 6 TORA, 117; 217
пои ск в ы п о л н е н и е с и м п л е к с -м е т о д а , 117
кратчайш его пути, 268 граф и ческое р еш ен и е, 44
м аксим ального потока, 281 м етод
потока наим еньш ей стоим ости, 297 С Р М , 310
п остроени е ги сто гр ам м , 529 PE R T , 317
р еш ен и е зад ач ветвей и границ, 418
лин ей н ого програм м и рован и я, 61 н а х о ж д ен и е м и н и м ал ь н о го остовного
нелинейного п рограм м ирования, 818 дерева, 248
ди нам и ческого п рограм м ирования, 495 пои ск м акси м альн ого потока, 276
о загрузке, 450 р е ш е н и е за д а ч Л П , 58
управлени я зап асом , 475; 499
А
F
А лгеб раи ч еское доп олн ен ие, 841
F I F O ,631 А лгоритм
FO R TR A N , 734 Д ей кстры , 255
ди н ам и ческого програм м ирования
G с постоянны м и предельны ми затратами, 497
с общ ей функцией стоимости, 493
G A M S, 63 К ар м ар к ар а, 368
G P S S ,734 нахож дения
G P S S /H ,734 к ратчай ш его пути, 255
м акси м ал ьн ого потока, 271
L обратн ой п р о го н ки Д П , 444
п о сл ед о вател ьн о й безусловн ой
L IF O ,631 м а к с и м и з а ц и и ,832
L IN G O , 5 8 ; 6 3 ; 2 1 7 ; 2 2 2 п о стр о ен и я м и н и м ал ь н о го остовного
р еш ен и е за д а ч Л П , 64 дерева, 245
п рям ой прогонки Д П , 444
894 Предметный указатель
р еш ен и я зад ач с о гр ан и чен н ы м и Г
перем енны м и, 338
с и м п л ек с -м ет о д а , 1 0 4 ; 107 Г ен ерирование вы борочн ы х зн ач ен и й , м е
Ф лойда, 255; 259 тод, 706
А лгоритм ы Б о к с а-М ю л л е р а, 712
нелинейного п р о гр ам м и р о ван и я, 797 обратн ы х ф у н к ц и й , 706
р е ш е н и я за д а ч без о гр а н и ч е н и й , 79 7 отбора, 713
р е ш е н и я зад ач с о гр ан и ч е н и я м и , 805 сверток, 709
целевого п р о гр ам м и р о в ан и я, 386 Г ен ерирование слу ч ай н ы х чисел, 716
А н а л и з ч у в с тв и т е л ь н о с ти , 2 9 ; 141 м у л ь т и п л и к а т и в н ы й м етод
граф и ческий , 47 с р а в н е н и й ,716
д о б ав л ен и е н о в ы х о гр а н и ч е н и й , 181 Г еом етри ческое п р ограм м и рован и е, 820
и зм ен ен и е ко эф ф и ц и ен то в ц елевой Г истограм м а частот, 527
ф у н к ц и и ,47; 183 Гурвица критери й, 576
о п т и м а л ь н о го р е ш е н и я , 171
парам етри ческое п рограм м ирование, 360
с п ом ощ ью м етода Я к о б и , 7 7 9
д
сто и м о сть ресурсов, 53 Д в о й с т в е н н а я з а д а ч а , 141
А п остери орны е вероятности Б ай еса, 566 о г р а н и ч е н и я ,161
построени е, 142
Д в о й ствен н ы е ц е н ы , 59; 159
Б
Д в о й с т в е н н ы й с и м п л е к с -м е т о д , 164
Б ай еса теорем а, 510 с и скусствен н ы м и о гран и чен и ям и , 168
Б о к с а -М ю л л е р а м етод, 712 Д в у х этап н ы й м етод, 124
Д ейкстры алгори тм , 255
Д ерево, 244
В
остовное, 244
В ед у щ ая стр о к а, 110 реш ен и й , 560
В едущ ий Д и агр ам м а и н тен си вн о стей п ереходов, 645
столбец, 110 Д и н ам и ческое п рограм м и рован и е, 441
эл е м е н т, 1 10; 126 алгоритм
В екторы обратн ой прогонки, 444
л и н ей н о н езави си м ы е, 8 3 8 прям ой п рогонки, 444
определени е, 837 вероятностн ое, 595
В ен гер ски й м етод, 227 д етер м и н и р о в ан н ы е м одели , 441
к а к с и м п л е к с -м е т о д , 232 принцип
В ероятностны е м одели уп р авл ен и я деком позиц ии, 441
зап асам и , 607 оп тим альности , 441; 444
без за тр а т на о ф о р м л ен и е за к а з а , 6 1 6 проблем а р азм ер н о сти , 465
м н огоэтап н ы е, 622 Д и скретн ая и м и тац и я, 718
эко н о м и чн ого р азм ер а за к а з а , 6 0 7 Д и скретное м одели рован и е, 703
одн оэтапн ы е, 6 15 генерирование вы борочн ы х зн ач ен и й , 706
при затр атах на оф орм ление за к аза, 619 определение собы ти я, 704
с непреры вн ы м контролем уровня элем ен ты , 704
зап аса, 607 Д остаточное пр ави л о
В ероятность доп устим ости, 180
переходная, 757 оп ти м альн ости , 188
условн ая, 510
В ы борка, 527 3
В ы р о ж д е н н о с т ь в с и м п л е к с -м е т о д е , 1 2 8 ; 1 2 9
Задача
зам ен ы оборудовани я, 458
ин вестирования, 462; 598 К

ком м ивояж ера, 428
нахож ден ия кратчай ш его пути, 237; 250 К а р м ар к а р а м етод, 366
о загр у зке, 447 К в а д р а т и ч н а я ф о р м а ,847
о кратчай ш ем п ути , 441 неопределенн ая, 848
о м акси м альн ом потоке, 269 отрицательно определенная, 847
о н а з н а ч е н и я х ,226 отрицательно полуопределенная, 848
о покры ти и, 403 полож ительн о оп ределенн ая, 847
о рю кзаке, 255; 447 полож ительн о полуопределенная, 847
о с н а р я ж е н и и ,4 4 7 К вадрати чн ое програм м и рован и е, 815
планирования рабочей си л ы , 455 К ен д ал л а о б о зн ач ен и я, 651
расп ределен и я оборуд ован и я, 201 К л асси ч еская тео р и я о п ти м и зац и и , 765
расп р едел ен и я ресурсов, 450 К о л м о го р о в а -Ч е п м е н а у р авн ен и е, 758
у п р а в л ен и я за п а са м и , 2 0 1 ; 4 7 1 ; 742 К онтур к р атч ай ш и й , 430
Ч ебы ш ева, 386 К оэф ф ициент
экон ом и чного р азм ер а за к а за , 472 согласован н ости , 555
Задача оптим изаци и стохасти ч ески й , 555
без о г р а н и ч е н и й ,765 к о р р е л я ц и и ,545
м етод чувстви тельн ости , 779
множ ителей Л агран ж а, 784 К ритерий
Н ью то н а-Р аф со н а, 770 Г урвица, 576
п ри веден н ого гради ен та, 773 Л ап ласа, 575
обобщенный множителей Лагранжа, 789 м акси м и н н ы й , 576
при н али чи и огран и чен и й , 773 ож идаем ого зн ач ен и я, 560
у с л о в и я К у н а -Т а к к е р а , 791 предельного ур о вн я, 566
Задача п р и н яти я реш ений, 21; 738 со гласи я, 530
с бесконечны м чи слом этапов, 738 С эви дж а, 5 7 6
с конечны м числом этапов, 738 х и -к в а д р ат , 531
Запас врем ени, 308 К у н а -Т а к к е р а у с л о в и я , 791
общ ий, 308
свободны й, 308 Л
Л инейное програм м ирование, 33
И
а н а л и з ч у в с т в и т е л ь н о с т и , 171
И м и тационн ое м оделирован ие, 24; 697 д во й ствен н ая зад ач а, 141; 355
ди скретны е м одели, 703 м атричное представлени е, 355
м етод М о н т е -К а р л о , 6 9 8 до п у сти м о е р е ш е н и е , 35
м етоды сбора ста ти ст и ч е с к и х и зм енение м одели, 188
дан н ы х, 727 ин тервальн ое, 379
непреры вн ы е м одели, 703 ко м п ью тер н о е р е ш е н и е , 58
ти п ы м оделей , 703 м етод
элем ен ты ди скретного К арм аркара, 366
м о д е л и р о в а н и я ,7 0 4 Я коби , 780
я з ы к и ,733 оп ти м альн о е доп устим ое реш ен и е, 35
И нтервал п арам етри ческое, 360
н е о п р е д е л е н н о с т и ,7 9 7 п р и м е р ы м о д е л е й , 70
оптим альности , 47 п р я м а я з а д а ч а , 141
п р едсказан и я, 545 сетевы е м о д ел и , 24 3 ; 285
И ску сство м о д е л и р о в ан и я , 25 соотнош ен ия двойственности, 148
И с т о ч н и к ,631 стан д ар тн ая ф ор м а задачи , 9 5 ; 141
бескон ечной м ощ н ости , 632 тео р и я , 321
конечной м ощ ности, 632 дв ойственности, 355
транспортны е м одели, 193 линейны х ком бин ац ий, 829

ц ел ев ая ф у н к ц и я , 36 м н ож и телей Л агр ан ж а, 784
целочислен ное, 397 М о н те -К а р л о , 6 9 8
эл ем ен ты за д а ч и , 34 н аи м ен ьш ей стоим ости, 209
Л иттла ф орм ула, 652 н аи м ен ьш и х к вад ратов, 544
н аи скорей ш его п од ъ ем а, 801
м Н ь ю то н а-Р аф с о н а , 770
обобщ енны й м н о ж и тел ей Л агр ан ж а, 789
М а р к о в ск а я зад ач а п р и н я т и я р еш ен и й , 737 обратн ы х ф у н к ц и й , 706
к а к за д а ч а л и н ей н о го о тбора, 713
п р о гр ам м и р о в ан и я, 752 отсекаю щ их плоскостей , 422
М ар к о в ск и е проц ессы п р и н я ти я повторен ия, 730
реш ен и й , 737 поды н тервалов, 728
М арш рут полного п еребора с тр а те ги й , 743
кратчайш ий, 429 п оследовательны х и склю чен и й , 843
М атр и ц а, 146 потен циалов, 212
блочн ая, 840 как сим плекс-м етод, 225
Г ессе, 7 6 7 ; 775 п ри веденного гр ад и ен та, 773
окайм ленная, 785 п ри оритетов, 390
д важ д ы стохасти ч еская, 763 присоедин енн ой м атр и ц ы , 843
доходов, 737 сверток, 709
е д и н и ч н а я ,1 4 7 ;8 3 8 с ев е р о -зап ад н о го у г л а , 2 0 8
к в а д р а т н а я ,8 3 8 ско л ьзящ его средн его, 537
н е в ы р о ж д ен н ая , 32 4 ; 841 Ф огеля, 210
о б р а тн ая , 1 4 8 ;8 4 2 ц и клов, 730
методы вы числения, 843 э к с п о н е н ц и а л ь н о го с г л а ж и в а н и я , 541
м ультипликати вное представлени е, 844 Я коби , 773
п арны х сравнений , 552 М етодологи я и ссл ед о ван и я о п ер ац и й , 28
п ереходны х вероятностей, 737; 757 М етоды
п р и с о е д и н е н н а я ,8 4 1 вы чи слен и я обратн ы х м атр и ц , 843
с р а в н е н и й ,553 п ро гн о зи р о ван и я, 537
транспонированная, 838 прям ого пои ска, 797
у п р а в л е н и я ,775 сетевого п л а н и р о в а н и я , 2 9 8
Я к о б и ,775 М етоды п р о гн о зи р о ван и я, 537
М етод ин тервал п р ед сказан и я, 545
P E R T , 315 м етод
а н а л и за и е р а р х и й ,5 4 9 наим еньш их квадратов, 544
б л о ч н ы х м а т р и ц ,846 скользящ его средн его, 537
Б о к с а-М ю л л е р а, 712 эксп он ен ц и ал ьн ого сглаж ивания, 541
вен герски й , 227 регресси он н ы й ан ал и з, 544
весовы х коэф ф и ц и ен тов, 387 М етоды сбора ста ти ст и ч е с к и х д ан н ы х , 727
ветвей и гран и ц , 411 повторен ия, 730
Г ау с са -Ж о р д ан а, 110; 843 п оды н тервалов, 728
гради ен тн ы й , 770; 801 ц и клов, 730
д е к о м п о з и ц и и ,346 М и н ор, 841
д и хотом и ч еского п о и ск а, 797 М -м е т о д , 1 1 9
золотого с еч ен и я , 797 М н огокри тери альн ая оп ти м и зац и я, 381
и скл ю ч ен и я п ерем енны х, 110 М н ож ество
и т е р а ц и й по с т р а т е г и я м , 746 в ы п у к л о е, 321
с д и с к о н т и р о в а н и е м ,750 к р ай н и е т о ч к и , 321
К арм аркара, 366 М н ож и тели Л агр ан ж а , 483; 785
кр и ти ч еско го п ути , 2 9 8 ;3 0 4 М одели
и ссл ед о ван и я о п ер ац и й , 21; 24 О

л и н ей н о го п р о гр ам м и р о в а н и я , 33
п о стр о ен и е, 29 О б озн ачен и я К е н д а л л а, 651
п роверка адекватн ости , 29 О гран ичени я
реш ен и е, 29 вероятностн ы е, 825
р ож ден и я и гибели, 637 втори чны е, 182
сетевы е, 243 т и п а “ и л и -и л и ” , 406
чи стого р о ж д е н и я , 6 37 О п ератор т р е у го л ь н ы й , 259
ч и сто й ги б ел и , 641 О п ределитель м атр и ц ы , 840
М одели у п р ав л ен и я зап асам и О тсечени е, 42 2
алгоритм ди нам и ческого дробное, 4 2 3
програм м ирования, 493; 497 О чередь, 631
д е тер м и н и р о в ан н ы е, 471 п ри н ц и п п остроен и я, 631
д и н ам и чески е зад ачи , 486 с при оритетом , 631
зад ач а экон ом и чного р азм ер а за к а за с
разры вам и цен, 478
кл асси ч еская задача эконом ичного
п
р азм ера за к аза, 472 П ерем енн ы е
м ногопродуктовы е стати ч еск и е, 482 б а зи с н ы е , 101
отсутствие затрат н а оф орм лен и е в е т в л е н и я ,412
заказа, 487 вводи м ы е в б ази с, 105; 108
п л ан и р о в ан и е потребностей ресурсов, 4 8 6 доп олн и тельн ы е, 96
с затратам и на оф орм ление зак аза, 492 избы точны е, 96
стати ческие, 472 исклю чаем ы е из б ази са, 105
стр атеги и , 471 искусственны е, 119
т о ч к а во зо бн о вл ен и я за к а з а , 472 н е б а зи с н ы е , 101
эври сти чески й подход С и львера- остаточны е, 96
М и ла, 500 о тклон яю щ и е, 382
эк о н о м и ч н ы й р азм ер за к а з а , 471 р е ш е н и я , 23
М одель д и н ам и ч еск о го п р о гр ам м и р о в а н и я свободны е, 97
с бескон ечны м чи слом этап ов, 743 П озином , 820
с конечны м числом этап ов, 739 П оказатель о п ти м и зм а, 577
П о л л а ч е к а-Х и н ч и н а ф о р м у л а, 680
н П остроени е врем ен н ого гр аф и к а, 307
П равило
Н елинейное програм м ирование и ск л ю ч ен и я столбц ов, 390
алго р и тм п о след овательн ой безусловн ой красного ф л а ж к а , 309
м а к с и м и з а ц и и ,8 32 огран и чен н ого ввода в бази с, 808
м етод П р ео бр азо ван и я п р о ек ти вн ы е, 373
градиентны й, 801 П р и вед ен н ая стои м ость, 161
д и хотом ич еского поиска, 797 П ринцип
золотого сечения, 797 недостаточного о сн о в ан и я, 575
линейн ы х ком бинаций, 829 оптим альности динам ического
наискорейшего подъема, 801 програм м ирования, 444
м етоды П ри няти е реш ений, 549
прям ого поиска, 797 в условиях
пепрям ы е, 805 н еопределенн ости, 575
прямы е, 805 определенн ости, 549
услови я К у н а -Т а к к е р а , 7 9 1 ;8 1 5 риска, 560
Н ь ю т о н а -Р а ф с о н а м етод, 770 дерево р е ш е н и й , 560
коэф ф и ц и ен т согласованн ости, 555
критери й
Гурвица, 576 Реш ения

Л ап ласа, 575 ал ь те р н а ти в н ы е о п т и м а л ь н ы е , 132
ож идаем ого значення, 560 вы р о ж д ен н ы е , 129
предельного уровня, 566 н е о гр а н и ч е н н ы е, 134
Сэвиджа, 576 псевдооптим альн ы е, 137
м аксим инны й, 576
согласованность м атр и ц ы ср ав н ен и й , 553
ф у н к ц и я полезн ости , 571
С
П роблем а р азм ерн ости , 465 С войство м ар к о в с к о е, 757
П рограм м ирование С епарабельное п р о гр ам м и р о ван и е, 805
геом етрическое, 820 вы пуклое, 810
ин тервальн ое, 379 С етевы е м одели , 2 43; 283
квадрати чн ое, 815 алгоритм
парам етри ческое, 360 нахож дения кратчайш его пути, 255
сепарабельное, 805 нахож ден ия м аксим ального потока, 271
стохастическое, 825 п остроения м ини м ального остовного
П роцесс дерева, 245
м а р к о в с к и й ,756 алгоритм ы реш ения, 243
стохасти ч ески й , 756 задача
П уть в сети, 244 нахож дения кратчайш его пути, 250
о м аксим альном потоке, 269
Р к а к зад ач а ли н ей н ого
п рограм м ирования, 285
Распределение м етод к р и ти ч еск о го п у ти , 304
б е та -р а сп р е д е л ен и е, 714 м етоды п л а н и р о в а н и я , 298
би ном иальное, 520 нахож дение потока наим еньш ей
В е й б у л л а ,709 стоим ости , 283
геом етрическое, 709 о п р е д е л е н и я ,2 44
н о р м ал ьн о е, 5 24; 711 п остроени е врем ен н ого г р а ф и к а , 307
отри ц ательн ое би ном иальное, 713 с и м п л ек сн ы й ал го р и тм , 291
отри ц ательн ое эксп он ен ц и альн ое, 523 С ети P E R T , 315
П уассона, 5 22; 6 37; 7 1 0 ; 756 С еть, 244
усеч ен н ое, 642 о р и е н т и р о в а н н а я ,2 4 4
равн ом ерное, 708 о стато ч н ая, 271
стандартн ое норм альное, 525 п роекта, построени е, 299
треугольн ое, 708 п р о п у ск н ая способность р а зр еза, 270
эксп он ен ц и альн ое, 707 разр ез, 270
эм п и ри ч еское, 527 с н и ж н и м и гран и ц ам и пропускны х
Э рлан га, 710 способностей, 279
Р еб р о , 244 связн ая, 244
ориентирован ное, 244 С и л ь в е р а -М и л а э в р и с т и ч е с к и й м е т о д , 5 0 0
Р егресси он н ы й ан ал и з, 386; 544 С им п лекс, 373
Реш ени е С и м п л е к с-м е то д , 9 5
бази сн ое, 323 а л г о р и т м ,104
б а зи с н о е д о п у сти м о е, 101 альтернати вн ы е оптим альны е реш ен и я,
д о п у сти м о е, 23; 35 1 2 8 ;1 3 2
л окальн о оптим альное, 23 бази с, 324
н е д о п у с т и м о е , 101 в ы р о ж д е н н о с т ь , 1 2 8 ; 129
о п ти м ал ь н о е, 23 д в о й с т в е н н ы й , 164
о п ти м альн о е д оп усти м ое, 35 р еш ения задач с ограни ченны м и
эф ф ективное, 381; 388 перем енны м и, 345
д в у х этап н ы й м етод, 124
за ц и к л и в а н и е , 130 С тохасти ческое п р ограм м и рован и е, 825

искусственное начальн ое реш ен и е, 119 С тратеги я, 737
м атричное представлени е, 323 оп ти м альн ая, 737
м етод д е к о м п о зи ц и и , 346 см еш ан н ая, 581
М -м е т о д , 1 1 9 стационарная, 738
м о д и ф и ц и р о ван н ы й , 329 у п р а в л ен и я з а п а с а м и ,471
двойственны й , 338 ч и стая, 581
неограни ченны е р еш ен и я, 128; 134 С эви дж а кр и тер и й , 5 7 6
обоб щ ен н ы й , 170
о тсу тстви е до п у сти м ы х р еш е н и й , 128; 136
р еш ен и е зад ач с о гр ан и ч е н н ы м и
т
перем енны м и, 338 Т еневы е ц ен ы , 59; 159
условие допустим ости, 330 Т еорем а
С и м п л е к сн ы е м у л ь т и п л и к а т о р ы , 59; 159 Б ай еса, 510
С им п лексн ы й алгоритм д л я сетей с двойственности
ограни ченной пропускной об оптим альном реш ении, 357
способностью , 291 первая, 356
С и м п л е к с -т а б л и ц а , 1 1 0; 112 ц ен тр ал ьн ая п р ед ел ьн ая, 525
в ы ч и с л е н и е , 152
Т еория вероятностей
м атри ч н ое п редставлени е, 327
вы борка, 527
С истем а п л ан и р о в ан и я и ру ко во д ства
ди сп ерси я, 515
п рограм м ам и разраб оток, 298
зак о н сл о ж ен и я вероятностей, 508
С и стем ы м ассового о б с л у ж и в а н и я , 6 2 9
зак о н ы , 507
ди сц и п л и н а очереди, 631
к о в а р и а ц и я ,517
источник, 631
м атем ати ч еско е о ж и д а н и е , 514
м одели
о б ъ ед и н ен и е с о б ы т и й ,50 8
п редпочти тельного уровня
пересечение соб ы ти й , 508
о б с л у ж и в а н и я , 690
плотность расп ределен и я
принятия реш ений, 683
с одн им сервисом , 655 вер о ятн о стей , 511
с параллельны м и сервисам и , 666 пространство со б ы ти й , 507
сам ообслуж и вани я, 674 р а с п р е д е л е н и я в е р о я т н о с т е й , 511
со стоим остны м и характеристикам и, 684 с л у ч а й н ы е в е л и ч и н ы , 511
общ ая м одель, 644 со б ы ти я, 507
основны е ком поненты , 631 независи м ы е, 508; 510
очередь, 631 несовм естны е, 508
переходны й р еж и м , 644 совм естны е расп р ед ел ен и я
с п уассоновским расп ределен и ем , 650 вероятностей, 517
сервис, 631 теорем а Б ай еса, 510
с т а ц и о н а р н ы е ,651 условны е вероятности , 510
стац и он арны й р еж и м , 644 ф у н кц и я расп ределен и я, 512
т и п ы м о дел ей , 6 5 0 ;6 5 1 ц ен тральн ая п редельн ая теорем а, 525
ф ормула эксперим ен т, 507
Л иттла, 652 эм п ирические расп ределен и я, 527
П ол л ач ек а-Х и н ч и н а, 680 Т еория двой ствен н ости , 141; 355
х ар ак тер и сти к и , 631 эк о н о м и ч еск ая и н те р п р е та ц и я , 158
С лучайная величина Т еория и гр, 580
д и ск р е тн а я , 511 граф ическое реш ение, 584
н е п р е р ы в н а я ,5 1 1 и гры двух л и ц с нулевой сум м ой, 580
С оотнош ения двойственности, 148 реш ение
С редство П о и ск р е ш е н и я , 58 ; 61 о п тим альнее, 581
С то и м о сть е д и н и ц ы р е су р с а, 59; 159 в см еш анн ы х стратеги ях, 584
doo Предметный указатель
м етодам и Л П , 588 Ф ормула

см еш ан н ая стр атеги я, 581 Л и ттл а, 652
стратеги и , 580 П о л л а ч е к а-Х и н ч и н а, 680
ц ен а и гр ы , 581 Ф ункция
ч и стая стр атеги я, 581 вогн утая, 848
Точка в о гн у тая строго, 848
доп устим ая, 830 в ы п у к л а я ,84 8
к р а й н я я ,322 в ы п у к л а я строго, 848
перегиба, 766 Л а г р а н ж а , 48 3 ; 785
сед л о в ая, 58 1 ; 766 м а ж о р и р у ю щ а я , 713
с т а ц и о н а р н а я ,76 7 одн оверш и н н ая, 797
Т очки пространства реш ений позином , 820
к р ай н и е, 95 пози н ом и альн ая, 820
угловы е, 95 п о л е зн о с ти , 571
Т р ан сп о р тн ая таб л и ц а, 195 сеп арабельная, 805
Т ранспортны е м одели, 193 ц е л е в а я л и н е й н а я , 36
м етод
вен герски й, 227
наим еньш ей стоимости, 209
ц
потен циалов, 212 Ц ел евая ф у н к ц и я , 23
северо-зап ад н ого угла, 208 Ц е л ев о е п р о гр а м м и р о в а н и е , 381
Ф огеля, 210 м етод
н есб алан си рован н ы е, 196 весовы х коэф ф ициентов, 387
н е т р а д и ц и о н н ы е ,201 п ри оритетов, 390
определение начального р еш ен и я, 208 Ц елочисленное линейное
реш ение, 206 п рограм м и рован и е, 397
с пром еж уточн ы м и п ун ктам и , 233 м етод
сбалан си рован н ы е, 196 ветвей и границ, 411
отсекаю щ их плоскостей, 422
У м етоды р еш ен и я , 410
ч а с ти ч н о -ц е л о ч и сл е н н ы е за д а ч и , 397
У равнение Ц еп и М аркова, 737; 756; 757
баланса, 645 абсолю тны е вероятн ости , 758
К о л м о го р о в а -Ч е п м е н а, 758 к л асси ф и к ац и я состояний, 759
обратн ое р еку р р ен тн о е, 739 м атр и ц а переходны х вероятностей, 757
У словие н еп ри вод и м ы е, 759
доп усти м ости , 114 апери одич еские, 762
дв ой ствен н ое, 164 первое вр ем я во звр ащ ен и я, 760
снм плекс-м етода, 330 переходны е вероятности , 757
н ео тр и ц ател ьн о сти п ер ем ен н ы х , 35 п оглащ аю щ и е состоян и я, 760
н о р м и р о вки , 821 п р ед ел ьн ы е р асп р ед ел ен и я, 762
о п ти м ал ь н о сти , 114 тео р и я, 756
д вой ствен н ое, 164 у р а в н ен и е К о л м о го р о в а -Ч е п м е н а, 758
си м п л екс-м етода, 330 эр г о д и ч е с к и е , 761
ортогон альн ости , 821 Ц и к л в сети, 244
У сл о ви я К у н а -Т а к к е р а , 7 9 1 ;8 0 5 ори ен ти рован ны й , 244
Ф э
Ф ло й д а а л г о р и т м ,2 55 Э ври сти чески й подход, 24
Ф о геля м етод, 210 Э кстрем ум
глоб альн ы й , 765 Я

локальн ы й , 765
нестрогий, 766 Я зы к и им и тац и он н ого м одели рован и я, 733
строги й , 766 Я к о б и м етод, 773
условия сущ ествовани я, 766
Н аучно-популярное издание
Хемди А. Таха
Введение в исследование операций

7-е издание
Л и тературн ы й редактор О.Ю. Б е л о з о в с к а я

В ерстка В.И. Бордю к
Х удож ествен ны й редактор В.Г. П а в л ю т и н
К орректоры З.В. А л е к с а н д р о в а , Л А . Г о р д и е н к о ,
JI.B. Ч е р н о к о з и н с к а я
И здательский дом “В ильям с” .

101509, М осква, ул. Л есная, д. 43, стр. 1.
Подписано в печать 24.01.2005. Формат 70X 100/16.

Гарнитура Tim es. Печать офсетная.
Уел. печ. л. 73,53. У ч.-изд. л. 48,87.
Т ираж 3000 экз. З а к а з № 560.
Отпечатано с диапозитивов в Ф ГУП “П ечатны й двор”

М инистерства Р Ф по делам печати,
телерадиовещ ания и средств массовых ком м уникаций.
197110, Санкт-П етербург, Ч кал овски й пр., 15.
ИССЛЕДОВАНИЕ
ОПЕРАЦИ
СЕДЬМОЕ ИЗДАНИЕ
ХЕМДИ А. Т А Х А
Іанное . і и <и охраняя направленность преды ущих шести изданий, пред. ігает сбалансирован .
одход в изложении теории, практики и компьютерной реализации методов иссп ювания операций Сложные
іатематнческне концепции объясняются с помощью множ тватщат іьнопо jpaHHHX числовых примеров,
асто исключают х и дин ють в стр ітичс цок х Кинга ржит пс робный
)бор многих практических ситуаций, а в конце глав приводятся комплексные задачи, предназначенные для
нализа на занятиях со студентами Большое внимание "іеляется интенсивному использованию
оответствующего программного обегпрчення для того, гобы по„чер нутьролы шременных программных
гв ка эфф щ ум в ре иипрактичі кнх ідачисс іованияон раций
Новое в седьмом издании

• Поактичі кдый оі 1сыв ый в ип алгоритм и мет монстрируется и объясняется с помощью
t оитветству ющсго программного обеспечения, что значительно облегчает процесс их изучения н освоения.
• Мощная программная система TORA предлагает новую и уникальную возможность обучения в режиме
пошаговых вычислений, обладая средствами от графического решения з._дач линейного программирования
лодннамическ roi ktj «ннявре граф иі іввме криті іго пути н генерирования дерев. •
зч в мето е ветвей и границ
• Шаблоны Ext 1разработаны для решения общих задг і динамического программирования, задач управл* •
тпасамн и анализа иерархии, для работы с этими шаО іонами достаточно просто ввести новые исходные
анные
• Средство Excel Поиск решения нгпол гея для решения транспортных и с *вых адач іадЯ інней го
ни і " программ про; ня
• На примере к ммерчеі х і ов AMPL и LINGO показано решение крупных практических задач
пленного и целочисленного программирования
• Первая глава "начнт< іьно облегчена н упрощена.
• В книгу включен новый материал вводная первая глава, обобщенный симплекс-мет^ 1, представление всея
сетевых моделей в виде линейных моделей, решение задачи коммивояжера и метод золото *чения
• В большинство глав добавлено много новых упражнений
• В приложении Г приведены ответы к некоторым задачам
Н а ком па кт -ди ске

• Простая в использовании и с понятным интерфейсом система оптимизации TORA
• Более 20 готовых шаблонов Ext *1.
• Шаблоны Ext I, использующие ср дет во Поиск решения
• Примеры применения коммерческих пакеті. MPL и LINGO
ISBN 5-8459-0740-3
Издательский дом ВИЛЬЯМС
www.williamspubllshmg.com in min пиши
ii 0^010
źanprfw
P e a rs o n "rentice Hall i /w * /? ?
Education .prenthall.com Jlll||llllllllllll||
785845 9074ОСГ

Untitled

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Untitled

Загружено:

Авторское право:

Доступные форматы

OPERATIONS

Pearson Education, Inc.

Издательский дом “Вильямс”

Исследование операций ориентировано на решение практических задач,

Все названия программных продуктов являются зарегистрированными торговыми марками

ISBN 5-8459-0740-3 (pyc.) © Издательский дом “ Вильямс” , 2005

Глава 1. Исследование операций: что это такое 21

Глава 2. Введение в линейное программирование зз

3.2. Переход от графического решения к алгебраическому 99

Глава 4. Двойственность и анализ чувствительности i4i

Глава 5. Транспортные модели 193

5.1. Определение транспортной модели 193

5.3. Решение транспортной задачи 206

Глава 6. Сетевые модели 243

Глава 7. Теория линейного программирования 321

7.1. Основы симплекс-метода 321

Глава 8. Целевое программирование 381

Глава 9. Целочисленное линейное программирование 397

9.3. Задача коммивояжера 428

Глава 10. Детерминированные модели динамического

Глава 11. Детерминированные модели управления

Глава 12. Основы теории вероятностей 507

12.1. Законы теории вероятностей 50 7

12.2. Случайные величины и распределения вероятностей 511

Глава 13. Методы прогнозирования 537

Глава 14. Теория игр и принятия решений 549

Глава 15. Вероятностное динамическое программирование 595

15.1. Азартная игра 595

Глава 16. Вероятностные модели управления запасами 607

Глава 17. Системы массового обслуживания 629

Глава 18. Имитационное моделирование 697

18.3. Элементы дискретного моделирования 704

Глава 19. Марковские процессы принятия решений 73 7

19.1. Марковская задача принятия решений 737

Глава 20. Классическая теория оптимизации 765

Глава 21. Алгоритмы нелинейного программирования 797

21.1.1. Методы прямого поиска 797

Приложение А. Краткий обзор теории матриц 837

Приложение Б. TORA.Краткое описание 849

Приложение В. Статистические таблицы 855

Предметный указатель 893

можно продемонстрировать причудливое поведение алгоритма ветвей и границ,

1.1. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ИССЛЕДОВАНИЯ ОПЕРАЦИЙ

Теперь осталось не забыть о цели нашей задачи — максимизировать площадь

Два приведенных примера демонстрируют различия моделей ИО. В общем слу­

1.2. РЕШЕНИЕ МОДЕЛЕЙ ИССЛЕДОВАНИЯ ОПЕРАЦИЙ1

1.3. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ

1 Когда говорят о “решении моделей”, то подразумевается “решение задачи, формализован­

ной моделями заключается в том, что в последней отношение между “ входом”

1.4. ИСКУССТВО МОДЕЛИРОВАНИЯ

Чтобы показать уровни абстракции в процессе моделирования, рассмотрим

Анализ ИО деятельности компании должен дать ответ на вопрос о том, каким

1.5. БОЛЬШЕ, ЧЕМ ПРОСТО МАТЕМАТИКА

1. Классическим примером является известная проблема лифта. Ж ильцы вы­

2. Реш ения, к ак правило, реализуются через людей, а не через “ бездушные”

1.6. МЕТОДОЛОГИЯ ИССЛЕДОВАНИЯ ОПЕРАЦИЙ

тематической модели можно использовать имитационное моделирование, т.е.

1.7. ОБ ЭТОЙ КНИГЕ

Литература, добавленная при переводе3

3 Литература по исследованию операций на русском языке очень обширна. Но, поскольку

2.1. МОДЕЛИ ЛП С ДВУМЯ ПЕРЕМЕННЫ МИ

Пример 2.1.1. Компания Reddy Mikks1

Отдел маркетинга компании ограничил ежедневное производство краски для внут­

И так, остался не определенным последний элемент модели — условия

Два приведенных примера демонстрируют различия моделей ИО. В общем слу

1 Когда говорят о “решении моделей”, то подразумевается “решение задачи, формализован

1. Классическим примером является известная проблема лифта. Ж ильцы вы

Отдел маркетинга компании ограничил ежедневное производство краски для внут

Поскольку ежедневный расход сырья M l и М2 ограничен соответственно 24 и 6 тон

Маялміс г 5 ООяІ 4.002

Ежедневные профилактические работы на соответствующих линиях состав

a) Определите структуру выпускаемой продукции, при которой минимизи

* OPTIMUM SOLUTION SUMMARY *

6 Необходимо предостеречь от некоторых “причуд” средства Поиск решения. Если вы за

где х г и х 2 — количество производимых консервным заводом упаковок то