Upload
phambao
View
260
Download
1
Embed Size (px)
Citation preview
1.3. Model linearnog programiranja
1.3.1. Osnovne pretpostavke modela linearnog programiranja
Model linearnog programiranja, bez obzira o kom obliku problema se radi
(problemu maksimuma ili problemu minimuma), karakterišu neke zajedničke
osobine – odnosno postoji određeni broj pretpostavki koje moraju biti
zadovoljene da bi određeni model predstavljao model linearnog programiranja.
Navešćemo samo osnovne pretpostavke modela linearnog programiranja i
objasniti njihovo značenje :
1. Linearnost. Pretpostavka linearnosti podrazumeva postojanje linearnih
zavisnosti između promenljivih u zadatku linearnog programiranja. Ova
pretpostavka zadovoljena je tako što su funkcija cilja i ograničavajući uslovi
u modelu linearnog programiranja izraženi linearnim funkcijama. Kao
posledica linearnosti u modelu linearnog programiranja zadovoljene su takođe
dve osnovne pretpostavke i to: proporcionalnost i aditivnost.
Proporcionalnost podrazumeva postojanje proporcionalnog odnosa u modelu
linearnog programiranja između inputa i outputa. Tako, na primer, ukoliko je
za proizvodnju jedne jedinice nekog proizvoda neophodno utrošiti 5 jedinica
određenog resursa, onda će za proizvodnju 10 jedinica tog proizvoda biti
neophodno utrošiti 50 jedinica posmatranog resursa. Osobina aditivnosti
podrazumeva da se ukupna vrednost funkcije cilja ili pojedinih ograničenja
može dobiti kao zbir vrednosti pojedinih aktivnosti koje predstavljaju sastavne
elemente modela linearnog programiranja. Tako, na primer, ukoliko funkcija
cilja pokazuje ukupan profit određenog preduzeća koji se ostvaruje od
proizvodnje određenih proizvoda, onda se ukupan profit određuje kao suma
profita ostvarenih od pojedinih proizvoda. Osobina aditivnosti primenjuje se i
na ograničavajuće uslove modela linearnog programiranja - ukupni utrošci
određenog resursa u proizvodnji određuju se kao suma utrošaka pojedinih
aktivnosti (proizvoda).
2. Izvesnost. Svi parametri modela linearnog programiranja su unapred
jednoznačno određeni, što znači da su koeficijenti funkcije cilja i sistema
ograničenja deterministički određeni i ne menjaju se u toku rešavanja modela.
S obzirom na ovu osobinu, model linearnog programiranja smatramo
determinističkim modelom.
3. Deljivost. Ova pretpostavka podrazumeva da promenljive u modelu linearnog
programiranja ne moraju biti celi brojevi. Prema tome, u opštem obliku
modela linearnog programiranja ne postavlja se tzv. uslov celobrojnosti
rešenja, što znači da vrednosti promenljivih mogu biti izražene i u obliku
decimalnih brojeva. Ukoliko se, međutim, iz određenih razloga zahteva
celobrojnost promenljivih, onda je u pitanju specijalan oblik zadatka - model
celobrojnog linearnog programiranja - o kome će takođe biti reči u okviru
narednih razmatranja.
4. Nenegativnost. Uslov nenegativnosti promenljivih predstavlja jednu od
osnovnih pretpostavki modela linearnog programiranja. Ova pretpostavka ima
svoj metodološki i suštinski (ekonomski) značaj. Naime, kako opšti algoritam
rešavanja modela linearnog programiranja predstavlja simpleks metod, to je
za primenu ovog metoda neophodno zadovoljenje uslova nenegativnosti
promenljivih, što čini metodološki aspekt uslova nenegativnosti promenljivih.
S druge strane, kako promenljive u modelu linearnog programiranja koji se
koristi za određene ekonomske analize predstavljaju određene ekonomske
veličine, jasno je da one ne mogu biti negativne. Jasno je, na primer, da
ukoliko korišćenjem modela linearnog programiranja želimo da odredimo
optimalan program proizvodnje nekog preduzeća, promenljive modela
pokazuju vrednost (količinu) proizvodnje određenih proizvoda, koja ne može
biti negativna. Zbog toga uslov nenegativnosti, pored funkcije cilja i sistema
ograničenja (predstavljenih u vidu nejednačina i jednačina), predstavlja jedan
od osnovnih elemenata modela linearnog programiranja.
Navedene pretpostavke predstavljaju osnovne pretpostavke modela linearnog
programiranja, i one moraju biti uvek zadovoljene. Ukoliko, međutim, bilo koja
od navedenih pretpostavki nije zadovoljena, onda ili se radi o specijalnom obliku
modela linearnog programiranja, ili postavljeni model ne predstavlja model
linearnog programiranja.
1.3.2. Standardni problem maksimuma
Standardni problem maksimuma predstavlja takav oblik modela linearnog
programiranja u kome se postavlja zahtev za određivanjem maksimalne vrednosti
unapred poznate linearne funkcije (funkcije cilja), pod uslovima koji su
predstavljeni sistemom nejednačina sa znakom . Ovakav oblik modela linearnog
programiranja, ekonomski posmatrano, definiše se u uslovima postojanja
ograničenih resursa, koje treba na najracionalniji način utrošiti radi ostvarivanja
maksimalnih ekonomskih efekata.
Zadatak standardnog problema maksimuma predstavićemo na sledeći način
0,...,,
...
........................
...
...
...(max)
21
2211
22222121
11212111
2211
p
mpmpmm
pp
pp
pp
xxx
bxaxaxa
bxaxaxa
bxaxaxa
xcxcxcz
(1.3.1)
U ovako postavljenom problemu očigledno je da se postavlja zahtev za
određivanjem nenegativnih vrednosti promenljivih pxxx ,...,, 21 , za koje su
zadovoljene sve nejednačine ograničenja i za koje linearna funkcija z ostvaruje
maksimalnu vrednost.
Na osnovu problema (1.3.1) (što važi za sve oblike modela linearnog
programiranja) vidimo da su osnovni elementi modela:
a) funkcija cilja;
b) sistem ograničenja, i
c) uslov nenegativnosti.
1. Funkcija cilja u modelu linearnog programiranja (a time i u standardnom
problemu maksimuma) izražava osnovni cilj koji se unapred definiše i radi
koga se formuliše i rešava odgovarajući model linearnog programiranja. U
našem obliku standardnog problema maksimuma kao cilj se može postaviti
maksimizacija ukupnog profita, maksimizacija deviznih efekata, maksimalni
stepen zaposlenosti, i sl. Pri tome, radi ostvarivanja cilja predstavljenog
funkcijom z u našem problemu postoji p delatnosti (u najširem smislu), koje
su predstavljene promenljivima (proizvodnja pojedinih proizvoda, izvoz
različitih roba, i sl.), pxxx ,...,, 21 čiji su pojedinačni efekti izraženi
parametrima pccc ,...,, 21 . Usled prethodno navedene pretpostavke o osobini
aditivnosti modela, funkcija cilja predstavlja ukupan zbir ekonomskih efekata
svih p delatnosti.
2. Sistem ograničenja izražava uslove i način korišćenja ograničenih resursa,
čiji iznos je izražen slobodnim članovima sistema ograničenja, tj. parametrima
mbbb ,...,, 21 . Raspoloživi resursi se koriste za ostvarivanje navedenih
delatnosti, na način koji je predstavljen parametrima (koeficijentima)
),...,1;...,,1( pjmiaij , pri čemu koeficijenat ija pokazuje iznos
korišćenja i-tog resursa u uslovima jediničnog ostvarivanja
j-te delatnosti. Tako, na primer, kod određivanja optimalnog programa
proizvodnje korišćenjem standardnog problema maksimuma koeficijenat ija
pokazuje utrošak i-tog resursa (rada, kapitala, sirovina, i sl.) u proizvodnji
jedne jedinice j-tog proizvoda.
3. Uslov nenegativnosti predstavlja, kao što je prethodno navedeno, obavezan
elemenat modela linearnog programiranja. U našem problemu (1.3.1) uslov
nenegativnosti, osim metodoloških razloga, svakako mora biti zadovoljen jer
nijedna delatnost ne može biti negativna.
Svi elementi modela (1.3.1), izuzev promenljivih pxxx ,...,, 21 , unapred su
poznati, što znači da koeficijenti u funkciji cilja )( jc , koeficijenti u sistemu
ograničenja )( ija i slobodni članovi sistema ograničenja ( )ib predstavljaju
parametre modela.
U cilju određivanja rešenja problema (4.1), sistem nejednačina moramo
transformisati u sistem jednačina. Sistem nejednačina transformisaćemo u
sistem jednačina tako što ćemo levoj strani svake nejednačine dodati
nenegativnu vrednost tzv. dodatne promenljive, koja je jednaka vrednosti
razlike između desne i leve strane nejednačine. Nakon uvođenja dodatnih
promenljivih, sistem ograničenja problema (1.3.1) možemo predstaviti u obliku
11 1 12 2 1 1 1
21 1 22 2 2 2 2
1 1 2 2
1 2
...
...
. . . . . . . . . . . . . . . . . . . . . . . .
...
, , ... , 0
p p p
p p p
m m mp p p m m
p m
a x a x a x x b
a x a x a x x b
a x a x a x x b
x x x
(1.3.2)
Uvedene dodatne promenljive, osim metodološke uloge u pretvaranju
sistema nejednačina u sistem jednačina, imaju veoma značajan suštinski
(ekonomski) značaj prilikom rešavanja zadatka linearnog programiranja.
Naime, obzirom da nejednačine sistema ograničenja problema maksimuma
(1.3.1) pokazuju način korišćenja ograničenog iznosa raspoloživih resursa
(predstavljanih slobodnim članovima sistema ograničenja), to pozitivne
vrednosti dodatnih promenljivih pokazuju iznos neiskorišćenih resursa u
nekom od rešenja. Tako, vrednosti dodatnih promenljivih iz optimalnog rešenja
pokazuju koliko resursa ostaje neiskorišćeno u situaciji kada su vrednosti realnih
promenljivih optimalne, tj. kada funkcija cilja ostvaruje svoju maksimalnu
vrednost. Uslov nenegativnosti, koji se u osnovnom obliku modela odnosio na
realne promenljive, prema tome, mora biti zadovoljen i za dodatne promenljive.
Osim u sistem ograničenja, dodatne promenljive se uvode i u funkciju cilja, nakon
čega će kompletan transformisani oblik problema (1.3.1) biti:
1 1 1 1
11 1 12 2 1 1 1
21 1 22 2 2 2 2
1 1 2 2
1 2
(max) ... ...
...
...
. . . . . . . . . . . . . . . . . . . . . . . .
...
, , ... , 0
p p p p p m p m
p p p
p p p
m m mp p p m m
p m
z c x c x c x c x
a x a x a x x b
a x a x a x x b
a x a x a x x b
x x x
(1.3.3)
Kao što vidimo, u našem problemu (1.3.3) imamo p realnih (glavnih) i m
dodatnih promenljivih. Pri tome, dodatne promenljive u funkciju cilja su uvedene
sa nultim vrednostima koeficijenata, tj. 0...21 mppp ccc , što
pokazuje da se ove promenljive u funkciju cilja uvode isključivo iz metodoloških
razloga. Ukoliko, radi jednostavnijeg zapisa, prihvatimo da je nmp ,
problem (1.3.3) možemo u kraćem obliku izraziti na sledeći način:
),...,1(0
),...,1(
(max)
1
1
njx
mibxa
xcz
j
n
j
ijij
n
j
jj
(1.3.4)
odnosno u matričnom obliku
0
(max)
x
bAx
cxz
(1.3.5)
gde je c vektor vrsta koeficijenata funkcije cilja n -tog reda; x vektor kolona
promenljivih (realnih i dodatnih) n -tog reda; A matrica koeficijenata sistema
ograničenja reda ),( nm , a b vektor kolona slobodnih članova sistema
ograničenja m -tog reda. Ovako izražen standardni problem maksimuma
predstavlja tzv. kanonički oblik zadatka linearnog programiranja.
Kao što vidimo, svaki model standardnog problema maksimuma, nakon
uvođenja dodatnih promenljivih može se predstaviti u kanoničkom obliku, dok je
isto tako svaki kanonički izražen oblik modela jednostavno predstaviti njemu
odgovarajućim osnovnim oblikom modela. Za određene potrebe, prevashodno
metodološko-teorijska razmatranja više se koristi kanonički oblik modela, dok se
osnovni oblik više koristi za potrebe ekonomske analize i praktična istraživanja.
1.3.3 Opšte osobine rešenja modela linearnog programiranja
Da bi predstavili mogućnosti i postupak određivanja optimalnog rešenja
modela linearnog programiranja, predstavićemo osnovne karakteristike rešenja,
tj. ukazati na vrste i karakteristike rešenja. Pri tome, s obzirom na već prezentirani
standardni problem maksimuma, vrste i karakteristike rešenja modela linearnog
programiranja predstavićemo koristeći ovaj oblik modela. Takav pristup iniciran
je sa jedne strane jednostavnijim mogućnostima dokazivanja nekih rigoroznih
matematičkih stavova i teorema, i, sa druge strane najvećom zastupljenošću ovog
oblika modela linearnog programiranja u teorijskim i praktičnim istraživanjima.
Međutim, teorijski stavovi koje ćemo predstaviti o karakteru i vrstama rešenja,
veoma slično se izvode i za ostale oblike modela linearnog programiranja
(mešoviti problem maksimuma i problem minimuma). Karakter i vrste rešenja
modela linearnog programiranja, zbog toga, predstavićemo na način koji
omogućuje donošenje istovetnih zaključaka za sve vrste modela.
Kao što je rečeno, osnovni cilj rešavanja standardnog problema maksimuma
jeste određivanje nenegativnih vrednosti promenljivih za koje su sve nejednačine
(jednačine) sistema ograničenja zadovoljene i za koje funkcija cilja z ostvaruje
maksimalnu vrednost. Sve vrednosti promenljivih za koji su zadovoljene
nejednačine (jednačine) sistema ograničenja predstavljaju tzv. moguća
rešenja, odnosno obrazuju skup mogućih rešenja (mogući skup). Kako su
ograničavajući uslovi standardnog problema maksimuma dati u obliku
nejednačina sa znakom , odnosno u kanoničkom obliku u vidu jednačina, skup
mogućih rešenja je ograničen i zatvoren skup. Skup mogućih rešenja, međutim,
može biti prazan skup u slučaju kada su postavljeni uslovi kontradiktorni,
odnosno kada ne postoji ni jedna tačka ),...,,( 21 nxxxx za koju su
zadovoljeni svi uslovi (ograničenja) zadatka.
Skup mogućih rešenja obrazovan je, prema tome, od tačaka koje
zadovoljavaju sve nejednačine (jednačine) sistema ograničenja, odnosno
predstavlja presek skupova tačaka za koje su zadovoljene pojedine nejednačine
(jednačine). Iz linearnog karaktera ograničavajućih uslova proizilazi da tačke
koje zadovoljavaju pojedine nejednačine (jednačine) obrazuju konveksan skup
tačaka. Na osnovu toga se izvodi veoma važna osobina skupa mogućih rešenja
zadatka linearnog programiranja – konveksnost skupa mogućih rešenja1 – koja
predstavlja osnovu postupka određivanja optimalnog rešenja zadatka linearnog
programiranja.
Teorema 1.3.1. Skup mogućih rešenja zadatka linearnog programiranja je
konveksan skup.
Dokaz:
Da bi dokazali tvrđenje naše teoreme potrebno je da pokažemo da konveksna
kombinacija svaka dva moguća rešenja, takođe predstavlja moguće rešenje. Zbog
toga, uzmimo da ),...,,(),...,,( ""
2
"
1
"''
2
'
1
'
nn xxxxixxxx predstavljaju
moguća rešenja problema (1.3.5), na osnovu čega je
' '' Ax b Ax b
Posmatrajmo sada tačku x koja predstavlja konveksnu kombinaciju tačaka "' xix , odnosno
' (1 ) '', 0 1 x x x .
1 Ova osobina izvodi se na osnovu dokazivanja teoreme po kojoj je presek konveksnih skupova
takođe konveksan skup. Vidi: K.Lancaster, Mathematical economics, The Macmillan Company, London 1970., str. 263.
Ukoliko sada tačku x uvrstimo u sistem jednačina problema (1.3.5), imamo
bbbbAxAxAx
AxAxxxAAx
""'
"'"' )1()1(
na osnovu čega vidimo da tačka x predstavlja moguće rešenje zadatka linearnog
programiranja,2 tj. da sve konveksne kombinacije mogućih rešenja takođe
predstavljaju moguća rešenja. Prema tome, skup mogućih rešenja je konveksan
skup, što je trebalo i dokazati.
Posmatrajmo sada kanonički oblik standardnog problema maksimuma, tj.
(max)
0
z cx
Ax b
x
Nakon uvođenja dodatnih promenljivih formiran je, kao što vidimo, sistem od
m jednačina sa )( mpnn nepoznatih, pri čemu je očigledno nm . Iz
linearne algebre je poznato da ukoliko matrica A ima rang m (maksimalan broj
linearno nezavisnih vektor kolona), možemo uzeti da su bilo koje mn
promenljive jednake nuli, a zatim određivati vrednosti preostalih m promenljivih.
Bilo koje tako određeno rešenje našeg problema maksimuma predstavlja bazično
rešenje. Ukoliko takvo rešenje zadovoljava i uslov nenegativnosti ono
predstavlja bazično moguće rešenje problema maksimuma.
Osnovni cilj rešavanja zadatka standardnog problema maksimuma predstavlja
zahtev za određivanjem optimalnog rešenja. Bazično moguće rešenje,
),...,,( **
2
*
1
*
kxxxx , predstavlja optimalno rešenje zadatka standardnog
problema maksimuma ukoliko imamo da je )()( '* xzxz , za bilo koje moguće
rešenje 'x . Drugim rečima, rešenje zadatka standardnog problema maksimuma
je optimalno ukoliko je moguće i ukoliko daje maksimalnu vrednost funkcije cilja
z .
Teorema 1.3.2. Optimalno rešenje zadatka linearnog programiranja nalazi se
u ekstremnoj tački konveksnog skupa mogućih rešenja.
Dokaz:
Kako je skup mogućih rešenja konveksan, ograničen skup postoji konačan
broj (pretpostavimo k ) ekstremnih tačaka koje ćemo označiti sa kxxx ,...,, 21 .
Neka je *x tačka za koju funkcija cilja ostvaruje maksimum, odnosno za koju
2 Osobina konveksnosti skupa mogućih rešenja važi za sve oblike zadatka linearnog programiranja
(standardni problem maksimuma, mešoviti problem maksimuma i problem minimuma), zbog čega koristeći razmatranje standardnog problema maksimuma izvodimo opštu osobinu modela linearnog programiranja.
imamo da je )()( * xzxz , za svako moguće rešenje x . Ako je *x ekstremna
tačka konveksnog skupa mogućih rešenja, teorema je dokazana.
Pretpostavimo sada suprotno, tj. da *x nije ekstremna tačka skupa mogućih
rešenja. Tada tačku *x možemo izraziti kao konveksnu kombinaciju skupa
ekstremnih tačaka, tj.
kk xxxx ...2211
*
gde je
k
i
ii iki1
1)...,1(0 .
Kako je funkcija z linearna, možemo pisati
1 1 2 2
1 1 2 2
( *) ( ... )
( ) ( ) ... ( )
k k
k k
z x z x x x
z x z x z x
Ukoliko sada u poslednjoj jednačini, od k mogućih rešenja predstavljenih
ekstremnim tačkama mogućeg skupa izaberemo tačku za koju funkcija z
ostvaruje maksimalnu vrednost, na primer kx tada možemo pisati
1 2
1 1 2 2
( ) ( ) ... ( )
( ) ( ) ... ( ) ( *)
k k k k
k k
z x z x z x
z x z x z x z x
Obzirom da su koeficijenti 10 ii i , dobijamo
1 2
1 2
( ) ( ) ... ( )
( ... ) ( ) ( )
k k k k
k k k
z x z x z x
z x z x
odnosno
)()( *xzxz k
što je i trebalo dokazati. Na taj način, pokazano je da tačka x predstavlja
optimalno rešenje zadatka standardnog problema maksimuma jedino ukoliko je
kxx *, odnosno da se maksimalna vrednost funkcije z ostvaruje u ekstremnoj
tački skupa mogućih rešenja.
1.3.4 Određivanje optimalnog rešenja zadatka linearnog programiranja
1.3.4.1 Grafički metod
Najjednostavniji način određivanja rešenja u zadatku linearnog programiranja
predstavlja grafički metod. Osim toga, grafički način predstavljanja uslova
sistema ograničenja i funkcije kriterijuma u zadatku linearnog programiranja,
pruža jasnu sliku o karakteru skupa mogućih rešenja, načinu određivanja
optimalnog rešenja zadatka, kao i zavisnosti optimalnog rešenja od promene
pojedinih parametara u zadatku. Međutim, i pored izrazite jednostavnosti i
preglednosti, mogućnosti korišćenja ovog metoda u rešavanju praktičnih
problema linearnog programiranja su veoma ograničene. Naime, grafički metod
rešavanja zadatka linearnog programiranja može se primeniti samo u slučaju kada
u zadatku postoje dve realne promenljive. Zbog toga, razmatranje grafičkog
metoda ima prevashodno karakter predstavljanja skupa mogućih rešenja i
postupka traženja optimalnog rešenja, kao i ukazivanja na osnovni karakter
postupka određivanja rešenja korišćenjem simpleks metoda.
Način određivanja optimalnog rešenja zadatka linearnog programiranja
predstavićemo na jednom primeru standardnog problema maksimuma.
Primer 1.3.1
Jedna fabrika proizvodi dva proizvoda 21 PiP .U procesu proizvodnje
proizvodi prolaze kroz tri pogona, pri čemu su utrošak radnih časova po jedinici
proizvoda i raspoloživi kapacitet pogona predstavljeni sledećom tabelom
Pogoni
Potrebno vreme po jedinici Raspoloživi
fond časova P1 P2
I 1 2 42.000
II 3 1 50.000
III 1 0 15.000
Po jednoj jedinici proizvoda 21 PiP ostvaruje se profit u iznosu od 80,
odnosno 60 dinara.
Odrediti optimalan program proizvodnje za koji će posmatrana fabrika
ostvariti maksimalan ukupan profit.
Rešenje: Neophodno je, na početku, definisati model linearnog programiranja koji
izražava uslove predstavljene u našem primeru. Ukoliko obim proizvodnje
proizvoda 21 PiP obeležimo sa 21 xix , tada funkciju cilja, koja izražava
zahtev za maksimizacijom ukupnog profita fabrike, možemo predstaviti u
obliku
21 6080(max) xxz ,
gde izraz na desnoj strani pokazuje ukupan profit koji će se ostvariti po osnovu
proizvodnje 1x jedinica proizvoda P1 i 2x jedinica proizvoda P2.
Iznos raspoloživih resursa - u našem primeru raspoloživog fonda časova
pojedinih pogona - kao i način njihovog korišćenja predstavićemo sistemom
nejednačina
000.15
000.503
000.422
1
21
21
x
xx
xx
gde, kao što vidimo, izrazi na levoj strani nejednačina pokazuju iznos
neophodnog utroška radnih časova u pojedinim pogonima za proizvodnju 1x
jedinica proizvoda P1 i 2x jedinica proizvoda P2, dok na desnoj strani imamo
raspoloživi fond časova pojedinih pogona.
Osim prethodnih elemenata, neophodan uslov izražava i zahtev za
nenegativnošću promenljivih, što je s obzirom na značenje naših promenljivih
(obim proizvodnje) očigledno veoma važan uslov.
Na taj način, model linearnog programiranja, koji će nam poslužiti za
određivanje optimalnog programa proizvodnje posmatranih proizvoda, možemo
predstaviti u obliku:
21 6080(max) xxz
0,
000.15
000.503
000.422
21
1
21
21
xx
x
xx
xx
Na osnovu ovako izraženog problema linearnog programiranja vidimo da smo
zahtev za određivanjem optimalnog programa proizvodnje posmatranih
proizvoda izrazili kao zahtev za određivanjem nenegativnih vrednosti
promenljivih 1x i 2x za koje su zadovoljene sve nejednačine ograničenja i za
koje funkcija cilja z ostvaruje maksimalnu vrednost.
U cilju grafičkog određivanja rešenja, odnosno predstavljanja skupa mogućih
rešenja, prvo ćemo sistem nejednačina izraziti u obliku odgovarajućeg sistema
jednačina:
000.15
000.503
000.422
1
21
21
x
xx
xx
Nejednačine smo transformisali u jednačine radi jednostavnijeg prikazivanja
skupa mogućih vrednosti promenljivih za koje su pojedini od uslova
ograničenja zadovoljeni. Tako, ukoliko primenimo segmentni oblik
predstavljanja pravih, nakon deljenja jednačina sa vrednošću njihovih slobodnih
članova na desnoj strani, imamo:
1000.15
1000.50667.16
1000.21000.42
1
21
21
x
xx
xx
Sada, jednostavno možemo predstaviti prave koje reprezentuju pojedine
nejednačine ograničenja (Slika 1.3.1.)
Slika 1.3.1.
Sve tačke koje se na slici 1.3.1. nalaze na pojedinim segmentima pravih u okviru
prvog kvadranta i ispod njih zadovoljavaju pojedine nejednačine sistema
ograničenja našeg zadatka. Skup tačaka OABCD predstavlja konveksan skup
mogućih rešenja našeg zadatka - sve tačke koje se nalaze u okviru ovog skupa i
na njegovim granicama (dužima) zadovoljavaju istovremeno sve tri nejednačine
ograničenja. S obzirom na prethodna razmatranja, optimalno rešenje našeg
zadatka nalazi se u jednoj od ekstremnih tačaka skupa mogućih rešenja. U cilju
određivanja optimalnog rešenja, tj. ekstremne tačke skupa mogućih rešenja za
koju funkcija cilja ostvaruje maksimalnu vrednost, moguće je:
a) odrediti vrednost funkcije cilja u svakoj od ekstremnih tačaka skupa K i, na
taj način algebarski utvrditi u kojoj ekstremnoj tački se nalazi optimalno
rešenje; ili
b) predstaviti pravu koja reprezentuje funkciju cilja - optimalno rešenje naći
ćemo u ekstremnoj tački najudaljenijoj od koordinatnog početka.
Prihvatajući drugi postupak (grafički), prvo smo predstavili pravu koja
reprezentuje funkciju cilja i prolazi kroz koordinatni početak. Naime, iz uslova
0z , odnosno
06080 21 xx
odakle je
1260
80xx
dobijamo koeficijent pravca prave koja reprezentuje funkciju cilja
3
4tg
što nam je poslužilo za konstruisanje prave funkcije cilja. Translacijom početno
unete prave funkcije cilja koja prolazi kroz koordinatni početak, odnosno
nanošenjem paralelnih pravih u odnosu na ovu, (prave predstavljene isprekidanim
linijama na slici 1.3.1.), odredićemo optimalno rešenje našeg zadatka. Ekstremna
tačka konveksnog skupa K koja je najudaljenija od koordinatnog početka,
predstavlja tačku za koju funkcija cilja ostvaruje maksimalnu vrednost. U našem
primeru to je tačka B u kojoj je
000.840.1(max)200.15,600.11 21 zixx
Neposrednom proverom vrednosti funkcije cilja za bilo koju tačku skupa K
(a time i za ekstremne tačke), mogli bi jednostavno utvrditi da ne postoje moguće
vrednosti promenljivih za koje funkcija cilja ima veću vrednost u odnosu na njenu
vrednost u tački B.
Na osnovu prethodnih razmatranja vidimo da se grafički metod određivanja
optimalnog rešenja zadatka linearnog programiranja sastoji od sledećih
aktivnosti:
1. Formulisanje problema u obliku zadatka linearnog programiranja;
2. Grafičko predstavljanje pravih koje reprezentuju nejednačine sistema
ograničenja;
3. Identifikacija skupa mogućih rešenja za koja su zadovoljene sve nejednačine
sistema ograničenja i uslov nenegativnosti.
4. Nanošenje prave koja reprezentuje funkciju cilja za nulte vrednosti
promenljivih (prava funkcije cilja koja prolazi kroz koordinatni početak);
5. Translacija prave funkcije cilja sleva udesno, (nanošenje paralelnih pravih)
sve dok ne ucrtamo jednu takvu pravu koja sa skupom mogućih rešenja ima
samo jednu zajedničku tačku;
6. Utvrđivanje optimalnih vrednosti promenljivih 1x i 2x u vidu koordinata
ekstremne tačke skupa mogućih rešenja najudaljenije od koordinatnog
početka (identifikacijom sa grafika ili rešavanjem sistema jednačina pravih
na čijem preseku se tačka nalazi), i
7. Određivanje vrednosti funkcije cilja za optimalne vrednosti promenljivih.
Na kraju, važno je napomenuti da je postupak primene grafičkog metoda
određivanja optimalnog rešenja istovetan sa razmatranim i u slučaju rešavanja
problema minimuma, kao i mešovitog problema maksimuma. U slučaju rešavanja
problema minimuma, inverzan zahtev definisan odgovarajućom funkcijom cilja,
determiniše egzistenciju optimalnog rešenja u tački skupa mogućih rešenja koja
je najbliža koordinatnom početku. Kod mešovitog problema maksimuma razlika
prilikom utvrđivanja skupa mogućih rešenja u odnosu na razmatrani postupak
posledica je modifikacije sistema ograničavajućih uslova. Međutim, opšti
karakter i način korišćenja grafičkog metoda istovetan je kod rešavanja svih
zadataka linearnog programiranja.
1.3.4.2 Simpleks metod
Za razliku od grafičkog metoda, koji se može koristiti samo za rešavanje
problema u kojima postoje dve realne promenljive, simpleks metod predstavlja
opšti algoritam koji se koristi za rešavanje svih oblika zadatka linearnog
programiranja. Simpleks metod predstavlja algoritam u kome se u nizu iteracija
(faza) dolazi do optimalnog rešenja zadatka linearnog programiranja. Pri tome, u
svakoj od iteracija utvrđuju se vrednosti promenljivih koje odgovaraju
ekstremnim tačkama skupa mogućih rešenja i ispituje njihova optimalnost.
Simpleks metod obezbeđuje najkraći put do optimalnog rešenja, što znači da se u
postupku rešavanja zadatka linearnog programiranja ne utvrđuju rešenja koja
odgovaraju svim ekstremnim tačkama konveksnog skupa mogućih rešenja (kao
što je to slučaj kod tzv. metoda pretraživanja koji se koristi u kombinaciji sa
grafičkim metodom).
Da bi objasnili suštinu simpleks metoda i način izračunavanja optimalnog
rešenja zadatka linearnog programiranja, izrazićemo model (1.3.3) u matričnom
obliku:
Funkcija cilja
mp
mp
x
x
x
cccz
.
.),....,,(
2
1
21
Sistem ograničenja
mmpmpmm
p
p
b
b
b
x
x
x
aaa
aaa
aaa
........
1...00...
.............
0...10...
0...01...
2
1
2
1
21
22221
11211
(1.3.6)
gde pojedine kolone matrice koeficijenata sistema ograničenja predstavljaju tzv.
vektore aktivnosti, koje možemo predstaviti u obliku
1
21
11
1....
ma
a
a
A ,
2
22
12
2....
ma
a
a
A , . . . . ,
mp
p
p
p
a
a
a
A....
2
1
, . . . . ,
1
....
0
0
mpA
odnosno
mj
j
j
j
a
a
a
A....
2
1
, kao i
mb
b
b
b....
2
1
mpx
x
x
x....
2
1
Ukoliko, pored toga, koeficijente funkcije cilja izrazimo u obliku vektora
),...,,( 21 mpcccc , problem (4.6) možemo izraziti u kanoničkom obliku, tj.
(max)
0
Tz c x
Ax b
x
odnosno u skladu sa prethodnim matričnim označavanjem
1
1
(max)
0 ( 1, .... , )
p m
j j
j
p m
j j
j
j
z c x
A x b
x j p m
(1.3.7)
što će nam poslužiti za razmatranje karaktera simpleks metoda, odnosno
izvođenje simpleks kriterijuma koji se koriste za promenu strukture vektorske
baze i ispitivanje optimalnosti određenog rešenja.
Postupak određivanja optimalnog rešenja problema (1.3.7), započinjemo
određivanjem tzv. početnog bazičnog rešenja. Početno bazično rešenje
standardnog problema maksimuma određuje se tako što se pretpostavlja da su sve
realne promenljive jednake nuli, a dodatne promenljive slobodnim članovima
sistema ograničenja, tj.
mizabx
pjzax
iip
j
,....,1
,....,10
(1.3.8)
Funkcija cilja za ovako određeno početno bazično rešenje jednaka je nuli (
0z ). Prema tome, slično kao kod grafičkog metoda, rešavanje zadatka
standardnog problema maksimuma započinjemo iz početka m -dimenzionalnog
vektorskog prostora. Navedena pretpostavka, prema tome, ima za posledicu da
vektorsku bazu na osnovu koje se utvrđuje početno bazično rešenje obrazuju
vektori koeficijenata uz dodatne promenljive, dok su vektori koeficijenata uz
realne promenljive nebazični. Vektori koeficijenata uz dodatne promenljive
(kojih u našem problemu ima m) obrazuju jediničnu matricu - čija inverzna
matrica je takođe jedinična - što predstavlja osnovni razlog za otpočinjanje
simpleks procedure rešavanja zadatka na ovakav način. Naime, ovakva
pretpostavka omogućuje direktno određivanje početnog bazičnog rešenja i time
primenu simpleks metoda.
Nakon određivanja početnog bazičnog rešenja, na osnovu pretpostavke da su
realne promenljive jednake nuli, odnosno da početnu bazu obrazuju vektori koji
odgovaraju dodatnim promenljivim, postavlja se pitanje na koji način se može
odrediti rešenje za koje funkcija cilja ima veću vrednost. Promena rešenja u
zadatku linearnog programiranja vrši se, ukoliko za to postoji mogućnost,
izmenom elemenata (vektora) vektorske baze. Zbog toga, prilikom određivanja
svakog od rešenja (a time i početnog), u svakoj od iteracija, postavlja se pitanje:
Da li se i kakvom promenom vektorske baze može odrediti rešenje za koje
funkcija cilja ima veću (za problem maksimuma) vrednost u odnosu na
odgovarajuću vrednost iz već određenog rešenja? Da bismo odgovorili na ovo
pitanje, izvešćemo Dantzigove, odnosno simpleks kriterijume za promenu
vektorske baze.
S obzirom na pretpostavku o načinu određivanja početnog bazičnog rešenja,
odnosno na osnovu relacije (1.3.8), možemo pisati
1,
1,2
1,1
...
pm
p
p
a
a
a
0
...
0
1
1px
1,
2,
1 1
,
0
0, .....,
.......
1
p m
p m
p p m p m m
m p m
a
ax b x x b
a
na osnovu čega za vektore ),....,1( mppiAi koji obrazuju vektorsku
bazu možemo pisati
bxAmp
pi
ii
1
(1.3.9)
a za vektore ),....,1( pjAj , koji su nebazični
01
p
j
jj xA (1.3.10)
gde su 0 ( 1, .... , ), 0 ( 1, .... , )i jx i p p m x j p , dok je
funkcija cilja za početno bazično rešenje, s obzirom na vrednosti koeficijenata uz
dodatne (u početnom rešenju bazične) promenljive, jednaka nuli, tj.
mp
pi
ii xcz1
(1.3.11)
Na osnovu osobina skupa mogućih rešenja i prethodnih razmatranja, svaki
od nebazičnih vektora možemo izraziti u obliku linearne kombinacije vektora
baze, odnosno
mp
pi
iijj AxA1
, j=1,2,...,p (1.3.12)
gde su ijx koeficijenti linearne kombinacije - u početnom rešenju ijij ax dok
se u narednim rešenjima ove vrednosti izračunavaju nakon izmene vektorske
baze.
Osim toga, za svaki nebazični vektor jA možemo odrediti vrednost funkcije
jz u obliku
mp
pi
iijj cxz1
, j=1,2,...,p (1.3.13)
koja će nam poslužiti za ispitivanje optimalnosti rešenja, odnosno za izvođenje
simpleks kriterijuma za promenu vektorske baze.
Ispitajmo sada kako će uvođenje nekog od prethodno nebazičnih vektora
uticati na izmenu rešenja, odnosno na povećanje vrednosti funkcije cilja. Pri
tome, treba utvrditi uvođenje koga od prethodno nebazičnih vektora će omogućiti
najveće povećanje vrednosti funkcije cilja. U tom cilju, pretpostavimo da
nebazični vektor jA ulazi u bazu.
Kriterijum za ulazak vektora jA u bazu.
Kriterijum za uključivanje jednog od prethodno nebazičnih vektora u bazu
sastoji se u tome da treba odabrati onaj vektor ( l -ti) kod koga je zadovoljen
uslov
0)(max jjj
ll zczc (1.3.16)
Izraz (1.3.16) predstavlja kriterijum optimalnosti, odnosno I simpleks
kriterijum za izmenu vektorske baze. Ukoliko su za neko od rešenja ove
razlike za sve nebazične vektore negativne, tj. 0)( jj zc , takvo rešenje
predstavlja optimalno rešenje problema maksimuma.
Maksimalan broj linearno nezavisnih vektora problema (1.3.6) iznosi m , koliko
iznosi i broj vektora baze, zbog čega jedan od prethodno bazičnih vektora mora
napustiti bazu.
Kriterijum za izlazak vektora iA iz baze.
Iz baze treba isključiti onaj k -ti vektor kA za koga bude zadovoljen uslov
0 za,min il
il
i
kl
ki xx
x
x
x (1.3.19)
Izraz (1.3.19) predstavlja kriterijum za izlazak vektora iz baze, odnosno II
Dantzigov simpleks kriterijum. Kao što vidimo, nakon određivanja nebazičnog
vektora lA , koji se u cilju poboljšanja programa treba uključiti u bazu, vektor
koji izlazi iz baze određuje se nakon određivanja količnika vrednosti prethodno
bazičnih promenljivih i koeficijenata na osnovu kojih je vektor lA bio izražen
kao linearna kombinacija bazičnih vektora u prethodnom rešenju. Iz baze, prema
tome, izlazi onaj vektor kA za koji ovako određen količnik bude minimalan
pozitivan broj (manji od ostalih vrednosti količnika).
Nakon smene vektora u bazi, na osnovu primene navedenih simpleks
kriterijuma, izračunava se novo poboljšano rešenje. Vrednosti promenljivih, koje
odgovaraju vektorima nove baze, mogu se izračunati se na dva načina, i to:
a) korišćenjem vrednosti izračunate veličine na osnovu drugog simpleks
kriterijuma, pri čemu promenljive određujemo u obliku:
novouvedena promenljiva, tj. promenljiva koja odgovara vektoru koji je
uključen u bazu ( lA )
lx
ostale promenljive koje su i u prethodnoj iteraciji bile bazične
ilii xxx '
tj. vrednosti ovih promenljivih izračunavaju se tako što se od njihovih
vrednosti iz prethodne iteracije oduzme proizvod vrednosti i koeficijenata
preko kojih je novouvedeni vektor l -ti) bio u prethodnoj iteraciji izražen kao
linearna kombinacija vektora baze.
b) nakon određivanja vektora nove baze, vrednosti bazičnih promenljivih
možemo odrediti iz proizvoda inverzne matrice od matrice baze i vektora
slobodnih članova sistema ograničenja, tj.
bxB
1
gde Bx predstavlja vektor kolonu bazičnih promenljivih, 1 inverznu
matricu od matrice baze, a b vektor kolonu slobodnih članova sistema
ograničenja.
Nakon određivanja vrednosti promenljivih za novo poboljšano rešenje
određuje se vrednost funkcije cilja, na način predstavljen relacijom (1.3.11), kao
i funkcije jz za nebazične vektore na način predstavljen relacijom (1.3.13), koje
su nam neophodne za ispitivanje optimalnosti rešenja korišćenjem simpleks
kriterijuma za ulazak vektora u bazu. Pri tome, koeficijente linearne kombinacije
ijx (obeležimo ih kao vektor kolonu jx ) izračunavamo iz izraza
jj Ax 1
gde jA predstavlja nebazični vektor.
Postupak određivanja optimalnog rešenja problema maksimuma, prema tome,
sastoji se od niza iteracija u kojima se izmenom vektorske baze vrši poboljšavanje
rešenja, odnosno povećavanje vrednosti funkcije cilja. O specijalnim slučajevima
zadatka linearnog programiranja u kojima ne postoji mogućnost jednoznačnog
određivanja vektora koji izlazi iz baze, odnosno u kojima se u uzastopnim
iteracijama funkcija cilja neće povećati, biće više reči prilikom razmatranja
tabelarnog postupka primene simpleks metoda.
1.3.5 Mešoviti problem maksimuma
U određenim situacijma, prilikom rešavanja praktičnih problema, može se
pojaviti zahtev za određivanjem maksimalne vrednosti funkcije cilja u uslovima
kada (osim gornje granice raspoloživih resursa) postoji donja granica
ograničavajućeg uslova, ili kada je uslov dat u vidu jednakosti. U takvim
problemima, prema tome, osim nejednačina sa znakom , u sistemu ograničenja
neki od uslova može biti dat u vidu jednačine, odnosno nejednačine sa znakom
. Prilikom rešavanja praktičnih problema, ovakvi uslovi, na primer, mogu
izražavati zahtev za utroškom sirovina u tačno određenom iznosu, ispunjavanjem
ugovorenih obaveza u predviđenom iznosu (jednačine), predviđenu donju
granicu korišćenja kapaciteta, najniži planirani nivo ukupne proizvodnje
(nejednačine sa znakom ), i slično. Ukoliko su, dakle, u sistemu ograničenja
problema maksimuma, osim nejednačina sa znakom , neki od uslova
zadatka predstavljeni jednačinama, ili nejednačinama sa znakom , takav
oblik problema nazivamo mešoviti problem maksimuma.
Da bi objasnili suštinsku i metodološku razliku ovakvog oblika zadatka
linearnog programiranja u odnosu na standardni problem maksimuma,
posmatrajmo sledeći oblik problema:
0,...,,
...
........................
...
........................
...
...
...(max)
21
2211
2211
22222121
11212111
2211
p
mpmpmm
kpkpkk
pp
pp
pp
xxx
bxaxaxa
bxaxaxa
bxaxaxa
bxaxaxa
xcxcxcz
(1.3.20)
U problemu (1.3.20), kao što vidimo postoji p realnih promenljivih i m
ograničavajućih uslova. I ovde, kao i kod standardnog problema maksimuma
(4.1) postavlja se zahtev za određivanjem nenegativnih vrednosti promenljivih
pxxx ,...,, 21 , za koje su zadovoljeni svi ograničavajući uslovi i za koje funkcija
cilja z ostvaruje maksimalnu vrednost. Međutim, za razliku od standardnog
problema maksimuma, u kome su sve nejednačine bile oblika , u problemu
maksimuma (1.3.20) vidimo da je k -ti uslov dat u vidu jednačine, dok je m -ti
uslov dat u vidu nejednačine sa znakom . Iako i u slučaju ovakvog problema
maksimuma važe sve prethodno navedene karakteristike mogućih, bazičnih i
optimalnog rešenja, različito izraženi uslovi u sistemu ograničenja izazivaju
promenu postupka određivanja optimalnog rešenja u odnosu na ovaj postupak
kod standardnog problema maksimuma.
Kod standardnog problema maksimuma (1.3.1), za potrebe određivanja
optimalnog rešenja, u prvom koraku smo sistem nejednačina transformisali u
sistem jednačina uvođenjem dodatnih promenljivih. Početno bazično rešenje
određivali smo na osnovu pretpostavke da su realne promenljive jednake nuli, na
osnovu čega je početna baza bila sastavljena od vektora koji odgovaraju dodatnim
promenljivim. Takav pristup (početna baza je bila jedinična matrica)
omogućavao nam je direktno određivanje početnog bazičnog rešenja, i, time,
otpočinjanje simpleks postupka određivanja optimalnog rešenja.
Ukoliko bi i kod mešovitog problema maksimuma primenili prethodno
objašnjeni postupak za određivanju početnog rešenja, ne bi bili u mogućnosti da
odredimo početno bazično rešenje u kome su sve promenljive nenegativne, tj. ne
bi mogli obezbediti da vektori početne baze obrazuju jediničnu matricu. Zbog
toga se prilikom transformisanja ograničavajućih uslova mešovitog problema
maksimuma, osim dodatnih, u sistem uvode i tzv. veštačke promen-ljive.
Veštačke promenljive uvode se u jednačine, dok se u nejednačine sa znakom
uvode i dodatne i veštačke promenljive. Osim u sistem ograničenja,
veštačke promenljive se uvode i u funkciju cilja, i to sa koeficijentima koji
su jednaki negativnoj vrednosti broja M , pri čemu je M veliki konačan
broj.3 Nakon toga, koristeći mogućnost određivanja nenegativnog početnog
bazičnog rešenja (početnu bazu obrazuju vektori koji odgovaraju dodatnim i
veštačkim promenljivim), postupak određivanja optimalnog rešenja je sličan kao
i kod određivanja optimalnog rešenja standardnog problema maksimuma.
Nakon uvođenja dodatnih i veštačkih promenljivih, problem (1.3.20) možemo
predstaviti u obliku
1 1 1 2 , ,
11 1 12 2 1 1 1
21 1 22 2 2 2 2
1 1 2 2 ,
1 1 2 2
(max) ... 0 0 ... 0 ...
...
...
...
. . . . . . . . . . . . . . . . . . . . . . . .
...
p p p p p m p k M p m M
p p p
p p p
k k kp p p k M k
m m mp p
z c x c x x x x Mx Mx
a x a x a x x b
a x a x a x x b
a x a x a x x b
a x a x a x
,
1 2 ,
, , ... , 0
p m p m M m
p m M
x x b
x x x
(1.3.21)
Dodatne promenljive smo, kao i ranije dodavali levim stranama nejednačina
sa znakom , odnosno oduzimali od levih strana nejednačina sa znakom , čime
ove promenljive ispunjavaju svoju metodološku i suštinsku ulogu u modelu
linearnog programiranja. Veštačke promenljive uvodimo samo u jednačine i
nejednačine sa znakom , i to isključivo iz metodoloških razloga. Ovako
transformisan oblik mešovitog problema maksimuma rešava se sada na sličan
način kao standardni problem maksimuma, korišćenjem simpleks metoda, pri
čemu se koriste isti simpleks kriterijumi za promenu vektorske baze. Početno
bazično rešenje određuje se na osnovu baze sastavljene od m vektora
koeficijenata iz sistema ograničenja koji se nalaze uz dodatne i veštačke
promenljive i koji obrazuju jediničnu matricu.
Veštačke promenljive, za razliku od dodatnih, nemaju nikakvo suštinsko
(ekonomsko) značenje, već predstavljaju isključivo metodološki postupak
neophodan za određivanje početnog bazičnog rešenja mešovitog problema
maksimuma, i, na taj način otpočinjanje simpleks postupka rešavanja zadatka.
Osim toga, u postupku rešavanja zadatka veštačke promenljive, odnosno njima
odgovarajući vektori, moraju biti eliminisane iz baze, što znači da se one ne
mogu naći u optimalnom rešenju zadatka linearnog programiranja. Eliminisanje
veštačkih promenljivih iz baze obezbeđeno je njihovim uvođenjem u funkciju
cilja sa koeficijentom M (veliki broj). Ukoliko se, ipak, neka veštačka
promenljiva pojavi u optimalnom rešenju sa pozitivnom vrednošću, onda je to
3 Zbog toga se veštačke promenljive često nazivaju M - promenljive, a postupak rešavanja zadatka
mešovitog problema maksimuma (i minimuma) M – simpleks metod. Vidi: Render,B.Đ i R.Stair, Quantitative analysis for management, Allyn and Bacon, London, 1993.
znak da je sistem ograničenja nekonzistentan, odnosno da postavljeni problem
nema rešenje.4
1.3.6 Problem minimuma
Problem minimuma predstavlja takav oblik modela linearnog
programiranja u kome se postavlja zahtev za određivanje minimalne
vrednosti unapred poznate funkcije cilja, uz respektovanje zadanih
ograničenja predstavljenih u obliku sistema jednačina i nejednačina. U
okviru preduzeća problem minimuma se najčešće koristi za određivanje
optimalnog programa proizvodnje pojedinih proizvoda za koji će se ostvariti
minimalni ukupni troškovi (materijala, sirovina, angažovane radne snage, i sl.).
Slično kao kod problema maksimuma, standardni problem minimuma predstavlja
takav oblik modela linearnog programiranja u kome je sistem ograničenja
predstavljen isključivo nejednačinama sa znakom . Mešoviti problem
minimuma, pored nejednačina oblika , uključuje i jednačine, kao i nejednačine
sa znakom . Pri tome, kao i ranije, prilikom transformisanja sistema
ograničavajućih uslova u sistem jednačina radi primene simpleks metoda, u
nejednačine sa znakom uvodimo samo dodatne promenljive, u jednačine
uvodimo samo veštačke promenljive, dok u nejednačine sa znakom uvodimo
i dodatne i veštačke promenljive. Bez obzira o kakvom obliku problema
minimuma se radi (standardnom ili mešovitom), geometrijski posmatrano
optimalno rešenje se nalazi u jednoj od ekstremnih tačaka (najbližoj početku
prostora) konveksnog, odozdo ograničenog skupa mogućih rešenja.
Problem minimuma (standardni oblik) možemo predstaviti u sledećem obliku
0,...,,
...
...
...
...(min)
21
2211
22222121
11212111
2211
p
mpmpmm
pp
pp
pp
xxx
bxaxaxa
bxaxaxa
bxaxaxa
xcxcxcz
(1.3.22)
u kome se postavlja zahtev za određivanjem nenegativnih vrednosti promenljivih
za koje funkcija cilja z ostvaruje minimalnu vrednost. U tom cilju primenjuje se
simpleks postupak određivanja optimalnog rešenja, zbog čega se, u prvom
4 Ukoliko se u optimalnom rešenju pojavi veštačka promenljiva sa nultom vrednošću, onda je to
indikator da u sistemu nejednačina imamo nepotrebnih uslova, odnosno neefektivnih nejednačina (jednačina).
koraku, sistem nejednačina problema (1.3.22) uvođenjem dodatnih promenljivih
transformiše u sistem jednačina, pa imamo
1 1 2 2 1 2
11 1 12 2 1 1 1
21 1 22 2 2 2 2
1 1 2 2
1 2
(min) ... 0 0 0
...
...
...
, , ... , 0
p p p p p m
p p p
p p p
m m mp p p m m
p m
z c x c x c x x x x
a x a x a x x b
a x a x a x x b
a x a x a x x b
x x x
(1.3.23)
I pored toga što je sistem nejednačina transformisan u sistem jednačina, nismo
u mogućnosti da na osnovu modela (1.3.23) direktno odredimo početno bazično
rešenje problema minimuma. I ovde se pojavljuje sličan problem kao kod
mešovitog problema maksimuma. Ukoliko bi, naime, pošli od uobičajene
pretpostavke da su realne promenljive jednake nuli, s obzirom da su vrednosti
bi>0, vrednosti bazičnih promenljivih bi bile negativne, zbog čega ne bi mogli
odrediti optimalno rešenje korišćenjem simpleks postupka. Zbog toga se i ovde
uvode veštačke promenljive (kojih će u našem problemu imati m), čiji vektori
obrazuju jediničnu matricu koju možemo uzeti za početnu vektorsku bazu. Osim
u sistem ograničenja veštačke promenljive uvodimo i u funkciju cilja, pri čemu
se za koeficijente uz veštačke promenljive u funkciji cilja (s obzirom na
promenjeni simpleks kriterijum) uzimaju pozitivne vrednosti broja M.
Nakon uvođenja veštačkih promenljivih problem (1.3.23) možemo predstaviti
u obliku
0,...,,
...
...
...
,...,,
000...(min)
,21
,2211
2,222222121
1,111212111
,,2,1
212211
Mmp
mMmpmppmpmm
Mpppp
Mpppp
MmpMpMp
mppppp
xxx
bxxxaxaxa
bxxxaxaxa
bxxxaxaxa
xxxM
xxxxcxcxcz
odnosno u matričnom obliku
Mmp
Mp
mp
p
p
p
x
x
x
x
x
x
MMccz
,
,1
1
1
1 )...,,,0...,,0,...,,((min)
mMmpmpmm
p
p
b
b
b
x
x
x
aaa
aaa
aaa
2
1
,
2
1
21
22221
11211
100100...
010010...
001001...
0,...,, ,21 Mmpxxx
Matrično izražen problem minimuma sada možemo rešavati korišćenjem
simpleks metoda. Početno bazično rešenje određuje se na osnovu pretpostavke da
su realne i dodatne promenljive jednake nuli, dok su veštačke promenljive
jednake slobodnim članovima sistema ograničenja. Na taj način, početno bazično
rešenje određuje se na osnovu početne baze – jedinične matrice. Postupak
određivanja optimalnog rešenja je sličan kao kod problema maksimuma, uz
suprotan prvi simpleks kriterijum za promenu vektorske baze. Naime, kako
se iz iteracije u iteraciju funkcija cilja problema minimuma mora smanjivati,
simpleks kriterijum za ulazak nekog prethodno nebazičnog vektora ovde je
0)(min jj zc
Rešenje je optimalno kada su sve razlike (cj - zj ) > 0.
1.3.7 Dualni problem
1.3.7.1 Osnovne karakteristike dualnog problema
Svakom problemu linearnog programiranja odgovara dualni problem, koji
takođe predstavlja problem linearnog programiranja. Između osnovnog
(primarnog) i izvedenog (dualnog) problema linearnog programiranja postoji
inverzan odnos u pogledu osnovnog zahteva, odnosno u pogledu zahteva za
određivanjem ekstremne vrednosti funkcije cilja. Tako, ukoliko se u početnom
problemu, koji se naziva primarni problem, postavlja zahtev za
maksimizacijom funkcije cilja, u dualnom problemu će funkcija cilja biti funkcija
minimuma, i obrnuto. Osim toga, nejednačine ograničenja dualnog problema
izvode se na osnovu nejednačina ograničenja primarnog problema. Prilikom
rešavanja konkretnih ekonomskih problema, na osnovu ovakvog odnosa između
primarnog i dualnog problema, primarne i dualne promenljive omogućavaju
dobijanje značajnih informacija o karakteru optimalnog rešenja. Zbog toga,
korišćenje dualnog problema u postupku rešavanja nekog problema linearnog
programiranja ima veoma značajne analitičke i metodološke karakteristike.
Između primarnog i dualnog problema, kao što ćemo pokazati, postoji takav
odnos da u dualnom problemu ima tačno onoliko promenljivih koliko u
primarnom problemu ima strukturnih ograničenja, odnosno svakoj nejednačini
ograničenja (odnosno dodatnoj promenljivoj) primarnog problema odgovara
jedna realna promenljiva dualnog problema. Isto tako, u dualnom problemu
postoji po jedna nejednačina ograničenja za svaku realnu (glavnu) promenljivu
primarnog problema. Ovakva korespodencija (veza), koja postoji između
ograničenja (dodatnih promenljivih) određenog problema linearnog
programiranja i realnih promenljivih njemu odgovarajućeg dualnog problema, i
obrnuto, omogućava dobijanje veoma značajnih informacija koje se mogu
koristiti u postupku donošenja zaključaka (odluka) o načinu optimizacije
ekonomskih aktivnosti.
Osim značajnih analitičkih karakteristika dualnog problema, činjenica da
svaki zadatak linearnog programiranja možemo transformisati u odgovarajući
dualni problem ukazuje na metodološke pogodnosti korišćenja prethodno
predstavljene veze između primarnog i dualnog problema. Naime, s obzirom da
određivanje optimalnog rešenja bilo koga zadatka linearnog programiranja
istovremeno znači određivanje optimalnog rešenja i njemu odgovarajućeg
dualnog problema, moguće je njihovo alternativno korišćenje za postupak
rešavanja zadatka. Ovakva mogućnost dolazi do izražaja u situaciji kada je neki
problem linearnog programiranja jednostavnije rešavati korišćenjem njemu
odgovarajućeg dualnog problema, što u praksi nije redak slučaj.
1.3.7.2. Formulisanje i rešavanje dualnog problema
Dualni problem određenog zadatka linearnog programiranja (primarnog
problema) formira se na sledeći način:
1. Ukoliko primarni problem predstavlja problem maksimuma, funkcija cilja
dualnog problema će biti funkcija minimuma, i obrnuto;
2. Menja se smer znakova nejednakosti u sistemu nejednačina, i to tako da
ukoliko su nejednačine primarnog problema sa znakom , nejednačine
dualnog problema postaju nejednačine sa znakom , i obrnuto;
3. Vrši se transponovanje matrice koeficijenata sistema ograničenja primarnog
problema, na osnovu čega ukoliko u primarnom problemu imamo m
nejednačina sa p promenljivih, u dualnom problemu će biti p nejednačina sa
m promenljivih;
4. Koeficijenti uz promenljive u funkciji cilja dualnog problema jednaki su
slobodnim članovima sistema ograničenja primarnog problema;
5. Slobodni članovi sistema nejednačina dualnog problema jednaki su
koeficijentima koji se uz promenljive nalaze u funkciji cilja primarnog
problema;
6. Sve promenljive dualnog problema moraju biti nenegativne, zbog čega je
ovaj uslov obavezno prisutan i u dualnom problemu.
Polazeći od navedenih pravila za formulisanje dualnog problema nekog
zadatka linearnog programiranja, koja predstavljaju opšti postupak koji se
primenjuje bez obzira na oblik početnog zadatka, posmatrajmo osnovni oblik
standardnog problema maksimuma:
0,...,,
...
...
...
...(max)
21
2211
22222121
11212111
2211
p
mpmpmm
pp
pp
pp
xxx
bxaxaxa
bxaxaxa
bxaxaxa
xcxcxcz
(1.3.24)
Dualni problem koji odgovara problemu (1.3.24), primenjujući prethodno
navedeni postupak, možemo predstaviti u obliku
0,...,,
...
...
...
...(min)
21
2211
22222112
11221111
2211
m
pmmppp
mm
mm
mm
yyy
cyayaya
cyayaya
cyayaya
ybybybv
(1.3.25)
Ukoliko problem maksimuma predstavimo u obliku
)...,,1(0
)...,,1(
(max)
1
1
pjx
mibxa
xcz
j
p
j
ijij
p
j
jj
(1.3.26)
tada, njemu odgovarajući dualni problem možemo predstaviti u obliku
)...,,1(0
)...,,1(
(min)
1
1
miy
pjcya
ybv
i
m
i
jiij
m
i
ii
(1.3.27)
Zadaci (1.3.26) i (1.3.27) predstavljaju dva međusobno povezana zadatka,
tako da se svaki od njih može smatrati primarnim, odnosno dualnim problemom.
Očigledno je da između promenljivih primarnog i dualnog problema postoji
povezanost i međusobna uslovljenost rešenja. Da bi to pokazali, uvedimo u
primarni problem (1.3.26) dodatne promenljive mpp xx ...,,1 , u njemu
odgovarajući dualni problem pmm yy ...,,1 , i izrazimo ih u sledećem
kanoničkom obliku:
Primarni problem - problem maksimuma
)...,,1;...,,1(00
)...,,1(
(max)
1
1
mipjxx
mibxxa
xcz
ipj
p
j
iipjij
p
j
jj
(1.3.28)
Dualni problem - problem minimuma
)...,,1;...,,1(0,0
)...,,1(
(min)
1
1
pjmiyy
pjcyya
ybv
jmi
m
i
jjmiij
m
i
ii
(1.3.29)
Broj promenljivih u primarnom i dualnom problemu sada je jednak i iznosi
mp . Sada smo u mogućnosti da uspostavimo vezu između promenljivih
primarnog i dualnog problema. Ova veza, može se izraziti na sledeći način:
svakoj dodatnoj promenljivoj primarnog problema odgovara (međusobno
su povezane) jedna realna promenljiva dualnog problema, u obliku5
mmp
p
p
yx
yx
yx
_____
_____
_____
22
11
dok svakoj glavnoj promenljivoj primarnog problema odgovara jedna dodatna
promenljiva dualnog problema, tj.
pmp
m
m
yx
yx
yx
_____
_____
_____
22
11
Ovako izražena veza (korespodencija) između promenljivih primarnog i
dualnog problema (pri čemu ona ne podrazumeva numeričku jednakost),
predstavlja veoma značajnu karakteristiku dualnog problema. Na osnovu
iskazane relacije možemo konstatovati da rešavajući jedan iz navedenog para
zadataka (primarni ili dualni), određivanjem optimalnog rešenja jednog od njih
dobijamo istovremeno i optimalno rešenje njemu odgovarajućeg dualnog
problema.
Optimalno rešenje dualnog problema, na osnovu već izračunatog optimalnog
rešenja primarnog problema, možemo odrediti na dva načina:
5 Kuznecov,A. i N.Holod, Matematičeskoe programirovanie, Višejšaja škola, Minsk, 1981., str.61.
a) Optimalne vrednosti realnih promenljivih dualnog problema )...,,1( miyi
određujemo kao negativnu vrednost razlike prvog simpleks kriterijuma za
dodatne promenljive iz poslednjeg (optimalnog) rešenja primarnog problema,
tj.
mizcy ipipi ...,,1)(
b) Na osnovu optimalnog rešenja primarnog problema, (određenog na osnovu
vektorske baze opt), optimalne vrednosti realnih promenljivih dualnog
problema )...,,1( miyi određujemo i iz relacije
1 optBcy
gde je )...,,( 1 myyy , Bc vektor vrsta koeficijenata koji se u funkciji
cilja primarnog problema nalaze uz promenljive iz optimalne baze opt .
Imajući u vidu prethodne mogućnosti određivanja optimalnog rešenja
dualnog problema, kao i činjenicu da dualni problem dualnog problema
predstavlja primarni problem6, bilo koji zadatak linearnog programiranja može
se rešiti preko njemu odgovarajućeg dualnog problema. Ovakva mogućnost
koristi se uvek kada se proceni da je rešavanje nekog problema linearnog
programiranja jednostavnije preko odgovarajućeg dualnog problema. Zbog toga
se, s obzirom na uobičajeno veliki broj promenljivih, problem minimuma
najčešće rešava preko njegovog dualnog problema - problema maksimuma - koji
se može lakše i brže rešiti.
1.3.7.3 Osnovne teoreme dualnosti
Razmotrićemo neke osnovne teoreme dualnosti, koje predstavljaju osnovu za
određivanje optimalnog rešenja dualnog problema i ukazuju na značaj
izračunavanja vrednosti dualnih promenljivih.
Teorema 1.3.3. Za bilo koje moguće rešenje )...,,( 1 pxxx primarnog
problema (1.3.26) i bilo koje moguće rešenje dualnog problema )...,,( 1 myyy
vrednost funkcije cilja primarnog problema manja je ili jednaka vrednosti
funkcije cilja dualnog problema, tj.
)()( yvxz ili
p
j
m
i
iijj ybxc1 1
(1.3.30)
6 Dokaz videti u Stojanović,D., Ekonomsko-matematički metodi i modeli, Ekonomski fakultet,
Beograd, 1990., str.220.
Teorema 1.3.4. Ukoliko su )...,,( 1
pxxx i )...,,( 1
myyy moguća
rešenja primarnog i dualnog problema (1.3.26) i (1.3.27), za koje su vrednosti
funkcija cilja primarnog i dualnog problema jednake, tj.
)()( yvxz
tada x i
y predstavljaju optimalna rešenja primarnog i dualnog problema,
respektivno.
Teorema 1.3.5. Ukoliko jedan od problema linearnog programiranja primarni ili
dualni problem - imaju makar jedno moguće rešenje, tada i primarni i dualni
problem imaju optimalna rešenja.
Teorema 1.3.6. Moguće rešenje x primarnog problema je optimalno, ako i
samo ako postoji moguće rešenje dualnog problema y za koje je )()( yvxz
. Tada rešenje y predstavlja optimalno rešenje dualnog problema.
Teorema 1.3.7. Ukoliko su x i
y moguća rešenja primarnog i dualnog
problema, tada su to i optimalna rešenja ako i samo ako imamo zadovoljene
uslove
p
j
ijiji mibxajeukolikoy1
)...,,1(0)1 (1.3.34)
)...,,1(0)21
pjcyajeukolikoxm
i
jiijj
(1.3.35)
odnosno, dualna promenljiva je jednaka nuli kada je njoj odgovarajuća dodatna
promenljiva pozitivna u optimalnom rešenju primarnog problema, kao i ukoliko
je neka realna promenljiva u optimalnom rešenju primarnog problema jednaka
nuli onda je njoj odgovarajuća dodatna promenljiva u optimalnom rešenju
dualnog problema pozitivna.
Teorema 1.3.7. na osnovu koje se uspostavlja veza između dodatnih promenljivih
primarnog problema i realnih promenljivih dualnog problema, i obrnuto, ima
značajna analitička svojstva i predstavlja osnov za interpretaciju značenja dualnih
promenljivih.
1.3.7.4 Ekonomska interpretacija dualnog problema
Dualne promenljive, kao što se na osnovu prethodno predstavljenih teorema i
veze sa promenljivim primarnog problema može zaključiti, osim značajnih
metodoloških osobina, pružaju mogućnost za dobijanje veoma značajnih
informacija o karakteru problema linearnog programiranja, kao i ispitivanje
uticaja promene nivoa korišćenja raspoloživih resursa na vrednost funkcije cilja.
Posmatrajmo problem standardnog maksimuma
0
(max)
x
bAx
cxz
(1.3.45)
čiji je odgovarajući dualni problem
0
''
'(min)
y
cyA
ybv
(1.3.46)
Neka *x predstavlja optimalno rešenje problema (1.3.45), za koje je
)(max*)( xzxz , za svako Kx , i neka je odgovarajuće optimalno rešenja
dualnog problema *y za koje je )(min*)( yzyz , za svako Ly .
Pretpostavimo, sada, da se elementi vektora b (resursi) primarnog problema
(1.3.45), povećavaju za iznos b , koji ne izaziva promenu strukture optimalne
baze. Promena vrednosti elemenata vektora b dovešće do povećanja vrednosti
funkcije cilja primarnog problema za iznos od7
byxz **)( (1.3.47)
odnosno, povećanje iznosa i-tog resursa za b uticaće na promenu vrednosti
funkcije cilja primarnog problema za iznos od
iibyxz **)( (1.3.48)
Dokaz prethodnog, veoma značajnog tvrđenja proizilazi iz karaktera bazičnih
rešenja i teorema dualnosti. Neka, naime, *x i **x predstavljaju optimalne
vrednosti promenljivih primarnog problema (1.3.45) u slučajevima vektora b i
7 Lancaster, K., Ibidem, str. 40-42.
b , respektivno. Kako je struktura optimalne baze u oba slučaja ista, to
optimalno rešenje dualnog problema *y ostaje nepromenjeno. Na osnovu toga,
za oba slučaja, na osnovu teoreme dualnosti možemo pisati
bycx
bbycx
**
)(***
Nakon oduzimanja druge jednačine od prve, dobijamo
bybbycxcx *)(****
odakle dobijamo da je
byxz **)(
gde ****)( cxcxxz predstavlja povećanje vrednosti funkcije cilja izazvano
povećavanjem vrednosti vektora b , na osnovu čega smo pokazali da je relacija
(1.3.47) tačna. Na osnovu ovakvog rezultata, odnosno relacije (4.48), možemo
konstatovati da je
* ( *)i
i
z xy
b
(1.3.49)
na osnovu čega možemo konstatovati da optimalna vrednost dualne
promenljive *
iy pokazuje marginalnu vrednost funkcije cilja primarnog
problema u odnosu na resurs i
b ),...,1( mi . Drugim rečima, vrednost
dualne promenljive *
iy pokazuje za koliko jedinica će se povećati (smanjiti)
vrednost funkcije cilja primarnog problema, ukoliko se korišćenje resursa
ib ),...,1( mi poveća (smanji) za jednu jedinicu. Zbog toga, dualne promenljive
predstavljaju tzv. obračunske cene korišćenih resursa, odnosno tzv. cene u senci
(shadow prices).
Kod uobičajenih ekonomskih problema, u okviru kojih se ispituju uslovi za
ostvarivanje optimalnog plana ekonomskih aktivnosti (programa proizvodnje,
spoljnotrgovinske razmene, investicionih ulaganja, i sl.), optimalne vrednosti
dualnih promenljivih pokazuju vrednost priraštaja funkcije cilja (profita,
ukupnog deviznog efekta, i sl.) koja je izazvana jediničnim povećanjem
korišćenja određenog resursa (sirovina, rada, energije, i sl.). Na taj način,
optimalne vrednosti dualnih promenljivih pokazuju obračunske cene pojedinih
resursa koji se koriste za ostvarivanje unapred definisanog ekonomskog cilja.
1.3.9 Specijalni slučajevi zadatka linearnog programiranja
a) Problem degeneracije
Problem degeneracije linearnog programiranja, koji se javlja u toku postupka
rešavanja zadatka simpleks metodom, predstavlja takav slučaj kod koga jedna
ili više bazičnih promenljivih imaju vrednost jednaku 0. Ovakav problem
pojavljuje se u slučaju kada u zadatku imamo suvišnih ograničenja, odnosno
kada su jedna ili više nejednačina u sistemu ograničenja nepotrebne.
Prilikom rešavanja zadatka linearnog programiranja, postojanje problema
degeneracije će se manifestovati prilikom određivanja vrednosti količnika
, koji nam služi za isključivanje neke od prethodno bazičnih promenljivih.
Ukoliko u zadatku postoji problem degeneracije, onda će se u nekoj od iteracija,
prilikom određivanja vrednosti količnika drugog simpleks kriterijuma, dobiti dve
ili više jednakih minimalnih vrednosti.
b)Višestruko optimalno rešenje
Optimalno rešenje zadatka linearnog programiranja, u okviru prethodnih
razmatranja posmatrano je kao jedinstveno optimalno rešenje. Kod problema
maksimuma optimalno rešenje predstavljali smo simpleks tabelom u kojoj su sve
razlike za nebazične promenljive u poslednjoj vrsti )( jj zc negativne.
Geometrijski posmatrano, takvo optimalno rešenje problema maksimuma nalazi
se u jednoj ekstremnoj tački (najudaljenijoj od koordinatnog početka)
konveksnog, ograničenog i zatvorenog skupa mogućih rešenja. Slično, samo uz
inverzan kriterijum, predstavljali smo uslov za optimalnost rešenja problema
minimuma. Međutim, u nekim slučajevima može se dogoditi da izračunato
optimalno rešenje zadatka linearnog programiranja nije jedinstveno,
odnosno da postoji višestruko optimalno rešenje.
Ukoliko u okviru neke simpleks tabele postoji makar jedna razlika prvog
simpleks kriterijuma )( jj zc = 0 za prethodnu nebazičnu promenjivu xj, dok
su vrednosti ovih razlika za ostale nebazične promenljive negativne, izračunato
optimalno rešenje nije jedinstveno. Uvođenjem u bazu promenljive xj u cilju
određivanja novog rešenja, i isključivanjem neke od prethodno bazičnih
promenljivih na osnovu drugog simpleks kriterijuma, dobili bi takođe optimalno
rešenje za koje funkcija cilja ima istu vrednost kao i u slučaju prethodnog rešenja.
Usled osobina skupa mogućih rešenja, postojanje dva optimalna rešenja ima za
posledicu da sve konveksne kombinacije ova dva rešenja takođe predstavljaju
optimalna rešenja, zbog čega kažemo da takav zadatak ima višestruko
(beskonačno mnogo) optimalno rešenje. Geometrijski, slučaj postojanja
višestrukog optimalnog rešenja se javlja kada su koeficijenti pravca prave koja
reprezentuje neko od ograničenja i koeficijent pravca prave funkcije cilja jednaki.
a) Nepostojanje mogućih rešenja
Prilikom formulisanja modela linearnog programiranja može se dogoditi
da model bude tako postavljen da ne postoje moguća rešenja. Takav slučaj se
dešava ukoliko ne postoje vrednosti promenljivih za koje su zadovoljeni svi
ograničavajući uslovi. Geometrijski, takav zadatak ima prazan skup mogućih
rešenja, odnosno ne može se naći ni jedna tačka za koju su zadovoljene sve
nejednačine (jednačine) sistema ograničenja modela. Rešavanjem ovakvog
zadatka korišćenjem simpleks metoda nepostojanje mogućih rešenja možemo
konstatovati u poslednjoj simpleks tabeli. Naime, u poslednjoj simpleks tabeli svi
elementi vrste )( jj zc pokazaće postojanje optimalnog rešenja, ali će se u
optimalnom rešenju naći veštačka promenljiva, što je glavni indikator postojanja
međusobno kontradiktornih ograničavajućih uslova u zadatku.
d) Neograničena vrednost funkcije cilja i promenljivih
Problem nemogućnosti određivanja konačnih vrednosti promenljivih i
funkcije cilja u problemu maksimuma javlja se ukoliko je: a) model
formulisan tako da se jedna ili više promenljivih mogu povećavati
neograničeno a da ne bude narušen ni jedan od ograničavajućih uslova
zadatka, i b) funkcija cilja na skupu mogućih rešenja nema konačnu
vrednost (skup mogućih rešenja nije ograničen skup). Rešavajući problem
maksimuma korišćenjem simpleks metoda, ovaj problem možemo identifikovati
pre dobijanja vrednosti elemenata finalne simpleks tabele. Naime, problem
mogućnosti postojanja neograničene vrednosti promenljivih i funkcije cilja
konstatovaćemo u nekoj iteraciji u postupku određivanja promenljive koja treba
da izađe iz baze, odnosno prilikom određivanja vrednosti količnika . Da bi
neka promenljiva izašla iz baze, kao što smo prethodno naglasili, potrebno je da
u odnosu na ostale vrednosti ima najmanji pozitivan količnik drugog simpleks
kriterijuma. Međutim, ukoliko svi ovakvi količnici budu negativni ili
nedefinisani, možemo konstatovati da problem nema konačno rešenje.
1.3.10 Postoptimalna analiza
Ukoliko se u modelu linearnog programiranja, nakon određivanja optimalnog
rešenja, promeni neki od uslova zadatka postavlja se pitanje da li nastale promene
dovode do promene strukture vektorske baze na osnovu koje je određeno
optimalno rešenje. Umesto rešavanja kompletno novog zadatka linearnog
programiranja, koji bi formulisali uvođenjem novih (promenjenih) vrednosti
parametara modela, korišćenjem postupka postoptimalne analize moguće je
ispitati optimalnost prethodno izračunatog rešenja. Tako, kod optimizacije
proizvodnje u nekom preduzeću, nakon određivanja optimalnog programa
proizvodnje može se postaviti pitanje:
a) Kako će promena vrednosti ostvarenog profita od nekog proizvoda (po
jedinici) uticati na već izračunati optimalni proizvodni program?
b) Da li se optimalni proizvodni program mora menjati ukoliko se obezbedi veća
količina određene sirovine ili veća uposlenost kapaciteta?
c) Kako će ušteda materijala, radne snage, energije i sl. u proizvodnji jednog ili
više proizvoda uticati na već određeni optimalni program proizvodnje?
d) Da li bi bilo ekonomski opravdano uvesti novi proizvod u program
proizvodnje preduzeća?
Nakon već definisanog optimalnog programa proizvodnje preduzeća,
odgovori na prethodna pitanja mogu se dobiti korišćenjem postupka
postoptimalne analize.
Postoptimalna analiza predstavlja postupak koji se koristi za ispitivanje
da li će promena nekog od parametara modela linearnog programiranja
uticati na promenu već izračunatog optimalnog rešenja. Na osnovu primene
metoda postoptimalne analize, imajući u vidu nastale promene u vrednosti
parametara modela, kao i već izračunato optimalno rešenje, može se doći do
jednog od sledeća dva zaključka:
a) nastale promene u vrednosti parametara modela neće dovesti do promene
vektorske baze na osnovu koje je određeno optimalno rešenje zadatka,
odnosno rešenje zadatka linearnog programiranja ostaje optimalno i u novim
uslovima;
b) prethodno izračunato optimalno rešenje u uslovima novih vrednosti
parametara modela ne može ostati optimalno, pri čemu se u postupku
postoptimalne analize može identifikovati neophodna promena vektorske
baze koju treba učiniti da bi se dobilo poboljšano rešenje.
Upotrebom metoda postoptimalne analize, u uslovima već izračunatog
optimalnog rešenja modela linearnog programiranja, moguće je ispitati uticaj
vrednosti sledećih parametara:
1) Promena vrednosti koeficijenata funkcije cilja (vektor c),
2) Promena slobodnih članova sistema ograničenja (vektor b),
3) Promena koeficijenata ija koji se u sistemu ograničenja nalaze uz
promenljive (matrica A).