mo

background image

BADANIA OPERACYJNE

background image

Badania operacyjne

„Badania operacyjne są sztuką dawania złych odpowiedzi na

„Badania operacyjne są sztuką dawania złych odpowiedzi na

te praktyczne pytania, na które inne metody dają odpowiedzi

jeszcze gorsze.”

T. Sayty

2

background image

Standardowe zadanie

Standardowe zadanie

programowania liniowego

background image

Standardowe zadanie programowania liniowego

Rozważamy proces, w którym zmiennymi są

x

1

, x

2

, ..., x

n

.

Proces poddany jest

m

ograniczeniom, zapisanymi w postaci:

p

y j

g

,

p

y

p

11 1

12

2

1

1

21 1

22

2

2

2

...

...

n

n

n

n

a x

a x

a x

b

a x

a x

a x

b

+

+ +

=

+

+ +

=

(1)

1 1

2

2

...

...

m

m

mn

n

m

a x

a x

a x

b

+

+ +

=

(1)

1 1

2

2

m

m

mn

n

m

a

ij

, b

i

– znane współczynniki

4

background image

Standardowe zadanie programowania liniowego

Dopuszczamy jedynie nieujemne wartości

x

j

, czyli:

0

1 2

x

j

n

=

(2)

0,

1, 2,...,

j

x

j

n

=

Zakładamy również, że:

(2)

y

,

0,

1, 2,...,

i

b

i

m

=

(3)

Z procesem jest związana funkcja

Z

:

1 1

2

2

...

n

n

Z

c x

c x

c x

=

+

+ +

(4)

c

j

, j = 1, 2, ...,n

– znane współczynniki

5

background image

Standardowe zadanie programowania liniowego

Zagadnienie polega na maksymalizacji (minimalizacji) funkcji

Z

(wzór

(4)

) spełniającej ograniczenia

(1), (2), (3)

.

Z

(wzór

(4)

) spełniającej ograniczenia

(1), (2), (3)

.

Zapis:

1

FC :

MAX

n

j

j

j

Z

c x

=

=

1

m

ij

j

i

j

a x

b

=

=

(5)

1

O :

0,

1, 2,...,

j

j

x

j

n

=

⎪⎪

=

(5)

0,

1, 2,...,

i

b

i

m

=

⎪⎩

6

⎪⎩

background image

Standardowe zadanie programowania liniowego

Zapis w postaci macierzowej:

T

FC

MAX

Z

(6)

T

FC :

MAX

Z

=

c x

=

Ax b

O :

0

0

⎪ ≥

⎪ ≥

x

b

11

12

1n

a

a

a

1

c

⎡ ⎤

⎢ ⎥

1

x

⎡ ⎤

⎢ ⎥

1

b

⎡ ⎤

⎢ ⎥

21

22

2n

a

a

a

=

A

2

c

⎢ ⎥

⎢ ⎥

=

⎢ ⎥

⎢ ⎥

c

2

x

⎢ ⎥

⎢ ⎥

=

⎢ ⎥

⎢ ⎥

x

2

b

⎢ ⎥

⎢ ⎥

=

⎢ ⎥

⎢ ⎥

b

1

2

m

m

mn

a

a

a

n

c

⎢ ⎥

⎣ ⎦

n

x

⎢ ⎥

⎣ ⎦

m

b

⎢ ⎥

⎣ ⎦

7

background image

Standardowe zadanie programowania liniowego

* B d

h

d i i h

kt

h d i

* Bardzo powszechną w zagadnieniach praktycznych odmianą

ograniczeń są ograniczenia w postaci nierówności.

To też są zagadnienia programowania liniowego ale

To też są zagadnienia programowania liniowego ale

nie w postaci standardowej.

8

background image

Standardowe zadanie programowania liniowego

Przykład 1.

Zakład zamierza rozpocząć produkcję wyrobów

W

1

i

W

2

. Wśród

a ad a e a o poc ąć p odu cję y obó

W

1

W

2

ś ód

środków produkcyjnych, które zostaną użyte w produkcji dwa są
limitowane. Limity te wynoszą: dla środka

S

1

63

jednostki, a dla

ś dk

d

k

b

d k

ć d

k

b

środka

S

2

64

jednostki. Aby wyprodukować jednostkę wyrobu

W

1

potrzeba

9

jednostek środka

S

1

i

8

jednostek środka

S

2

. Aby

wyprodukować jednostkę wyrobu

W

potrzeba

7

jednostek

S

i

8

wyprodukować jednostkę wyrobu

W

2

potrzeba

7

jednostek

S

1

i

8

jednostek

S

2

. Wyroby

W

1

i

W

2

są niezbędne do produkcji

urządzenia

U

. Jedno urządzenie

U

wymaga

3

jednostek wyrobu

ą

ą

y

g

j

y

W

1

i

2

jednostek wyrobu

W

2

. Produkcja będzie opłacalna, jeżeli

zakład sprzeda wyroby

W

1

i

W

2

potrzebne do wytworzenia co

j

i j

6

j d

t k

d

i

U

najmniej

6

jednostek urządzenia

U

.

Wiedząc, że cena wyrobu

W

1

będzie wynosić

6

, a cena wyrobu

W

5

określ wielkość produkcji maksymalizującej zysk ze

9

W

2

5

określ wielkość produkcji maksymalizującej zysk ze

sprzedaży.

background image

Standardowe zadanie programowania liniowego

W

1

W

2

S

63

9

7

c

S

1

S

63

64

9

8

7

8

c

d

S

2

64

8

8

U

3

2

6

d

e

U

3

2

6

cena

6

5

e

cena

6

5

10

background image

Standardowe zadanie programowania liniowego

Zmienne decyzyjne:

lk ść

d k

b

x

1

– wielkość produkcji wyrobu

W

1

x

2

– wielkość produkcji wyrobu

W

2

11

background image

Standardowe zadanie programowania liniowego

Funkcja celu:

(

)

6

5

MAX

Z x x

x

x

=

+

Ograniczenia:

1

2

1

2

( ,

)

6

5

MAX

Z x x

x

x

=

+

Ograniczenia:

c

1

2

9

7

63

x

x

+

d

8

8

64

x

x

+

d

1

2

8

8

64

x

x

+

e

1

2

3

2

6

x

x

+

Warunki brzegowe:

1

2

0,

0

x

x

12

background image

Standardowe zadanie programowania liniowego

Zadanie programowania liniowego:

FC:

1

2

1

2

( ,

)

6

5

MAX

Z x x

x

x

=

+

O

O:

c

1

2

9

7

63

x

x

+

d

1

2

8

x

x

+

e

3

2

6

x

x

+

e

1

2

3

2

6

x

x

+

WB:

1

2

0,

0

x

x

* Ograniczenia w postaci nierówności.

To nie jest standardowe zadanie programowania liniowego

To nie jest standardowe zadanie programowania liniowego

13

background image

METODA

METODA

GEOMETRYCZNA

GEOMETRYCZNA

background image

Metoda geometryczna

Zadanie programowania liniowego z dwoma zmiennymi

decyzyjnymi

można

rozwiązać

metodą

geometryczną

decyzyjnymi

można

rozwiązać

metodą

geometryczną

(szczegóły na laboratorium).

Na podstawie tej metody otrzymujemy zbiór punktów, a

następnie sprawdzamy w którym z nich wartość funkcji celu

następnie sprawdzamy, w którym z nich wartość funkcji celu

jest największa (lub najmniejsza).

15

background image

Metoda geometryczna

Rozwiązanie dla zadania z Przykładu 1.:

A(2, 0)

B(7, 0)

(2, 0)

6 2 5 0 12

Z

= ⋅ + ⋅ =

(7, 0)

6 7 5 0

42

Z

= ⋅ + ⋅ =

C(3.5, 4.5)

(3.5, 4.5)

6 3.5 5 4.5

43.5

Z

= ⋅

+ ⋅

=

MAX

D(0,8)

E(0,3)

(0,8)

6 0 5 8

40

Z

= ⋅ + ⋅ =

(0, 3)

6 0 5 3 15

Z

= ⋅ + ⋅ =

E(0,3)

(0, 3)

6 0 5 3 15

Z

+

Odpowiedź:

Aby zysk był maksymalny, należy wyprodukować

3.5

jednostki

W

1

oraz

4.5

jednostki

W

2

.

16

background image

ZADANIE DUALNE

background image

Zadanie dualne

Przykład 2.

Zakład produkuje cztery wyroby

W

1

,

W

2

,

W

3

i

W

4

. Wśród

Zakład produkuje cztery wyroby

W

1

,

W

2

,

W

3

i

W

4

. Wśród

środków produkcyjnych, używanych w procesie wytwarzania

wyrobów dwa są limitowane. Limity te, oraz ilości środków

b

d

i

ól

h

ł

potrzebne do wytworzenia poszczególnych wyrobów zostały

przedstawione w tabeli.

Znając jednostkowe ceny wyrobów, określić taki plan

Znając jednostkowe ceny wyrobów, określić taki plan

produkcji aby zysk był maksymalny.

18

background image

Zadanie dualne

W

1

W

2

W

3

W

4

S

1

1

3

1

1

600

S

2

4

1

1

5

1200

cena

8

9

6

10

Zmienne decyzyjne:

x

i

– wielkość produkcji wyrobu

W

i

i = 1...4

19

background image

Zadanie dualne

Model matematyczny:

FC:

(

)

8

9

6

10

MAX

Z x x x x

x

x

x

x

=

+

+

+

O:

1

2

3

4

1

2

3

4

( ,

,

,

)

8

9

6

10

MAX

Z x x x x

x

x

x

x

=

+

+

+

3

600

1

2

3

4

3

600

x

x

x

x

+

+ +

1

2

3

4

4

5

1200

x

x

x

x

+ + +

WB:

0

0

0

0

x

x

x

x

1

2

3

4

0,

0,

0,

0

x

x

x

x

20

background image

Zadanie dualne

Zadanie pierwotne:

FC

T

FC:

O:

T

MAX

Z

=

c x

Ax b

WB:

0

x

Zadanie dualne:

FC:

O:

T

MIN

Z

=

b y

T

A y c

O:

WB:

A y c

0

y

21

background image

Zadanie dualne

Model matematyczny zadania dualnego:

FC:

FC:

O

1

2

1

2

( ,

)

600

1200

MIN

Z y y

y

y

=

+

O:

1

2

4

8

y

y

+

1

2

3

9

y

y

+

1

2

y

y

1

2

6

y

y

+

1

2

5

10

y

y

+

WB:

0

0

y

y

1

2

y

y

1

2

0,

0

y

y

22

background image

Zadanie dualne

Interpretacja zadania dualnego

Konkurent postanawia wykupić zapasy środków produkcji od

producenta, i chce zminimalizować koszty materiałów (ma
kupić

600

jednostek

S

i

1200

jednostek

S

)

kupić

600

jednostek

S

1

i

1200

jednostek

S

2

).

Zmienne decyzyjne w zadaniu dualnym:

y

1

– cena jednostki środka produkcji

S

1

y

2

– cena jednostki środka produkcji

S

2

y

2

j

p

j

S

2

(

)

600

1200

MIN

Z

+

1

2

1

2

( ,

)

600

1200

MIN

Z y y

y

y

=

+

23

background image

Zadanie dualne

Interpretacja zadania dualnego c. d.

Wyprodukowanie wyrobów wiąże się z kosztem środków

S

1

i

S

2

. Konkurent, aby zachęcić producenta do sprzedaży

materiałów musi mu zapłacić co najmniej tyle ile producent

materiałów musi mu zapłacić co najmniej tyle, ile producent

uzyskałby ze sprzedaży wyrobów, które produkuje.

1

2

4

8

y

y

+

1

2

3

9

y

y

+

1

2

6

y

y

+

5

10

+

1

2

5

10

y

y

+

24

background image

Zadanie dualne

Twierdzenie o dualności

Zadanie pierwotne ma rozwiązanie wtedy i tylko wtedy, gdy

zadanie dualne ma rozwiązanie, oraz:

(MAX)

(MIN)

Z

Z

=

wnioski:

1. Rozwiązując jedno z zadań, automatycznie

rozwiązujemy też drugie.

2. Twierdzenie

ma

duże znaczenie praktyczne,

p

y

,

ponieważ czasami łatwiej jest rozwiązać

zadanie dualne (mniej zmiennych).

25

background image

Zadanie dualne

Na podstawie metody geometrycznej:

A(0,9)

(A)

10800

Z

=

B(3 / 2,9 / 2)

(B)

6300

Z

=

C(5,1)

D(10 0)

(C)

4200

Z

=

(D)

6000

Z

MIN

D(10, 0)

(D)

6000

Z

=

Aby koszt materiałów był najmniejszy i wynosił

4200

, konkurent

musi zapłacić za jednostkę

S

1

5

, a za jednostkę

S

2

1

.

26

background image

Zadanie dualne

Na podstawie twierdzenia o dualności:

M k i

FC

d i

i

t

j t ó

i i

FC

Maksimum FC zadania pierwotnego jest równe minimum FC

zadania dualnego.

Zysk producenta wyniesie również

4200

y

p

y

Jakie jest rozwiązanie zadania pierwotnego?

Twierdzenie o równowadze.

27

background image

Zadanie dualne

Twierdzenie o równowadze

Jeżeli

i

–ty warunek zadania pierwotnego (ZP) jest (chociaż w

jednym) optymalnym rozwiązaniu spełniony z nierównością
( t ) t

d

i d j

i

t

i

(d

l

)

(ostro), to odpowiadająca mu

i

–ta zmienna

y

i

w (dowolnym)

optymalnym rozwiązaniu zadania dualnego (ZD) przyjmuje

wartość zero.

a ość e o

Dla

zmiennej

x

i

>0

w

rozwiązaniu

optymalnym

ZP

odpowiadające jej

i

–te ograniczenie w ZD jest ograniczeniem

ó

ś

równościowym.

Twierdzenie jest również słuszne w przeciwną stronę.

28

background image

Zadanie dualne

Rozwiązanie przykładu:

1

2

5

1

y

y

=

=

1

2

y

y

Sprawdzenie ograniczeń ZD:

1: 5 4 1 8

j

=

+ ⋅ >

2 : 3 5 1 9

j

=

⋅ + >

3

5 1

6

3 : 5 1

6

j

=

+ =

4 : 5 5 1 10

j

=

+ ⋅ =

Nierówności ostre dla

j = 1

i

j = 2

:

Dla rozwiązania optymalnego ZP

x

1

= 0

i

x

2

= 0

29

background image

Zadanie dualne

Ponieważ:

1

2

5

0

1

0

y

y

= >

= >

O

i

i 1 i 2

ZP

i

i

i ó

ś i

i

Ograniczenia 1 i 2 w ZP są ograniczeniami równościowymi
(przy czym

x

1

= 0

,

x

2

= 0

):

3

4

3

4

600

5

1200

x

x

x

x

+

=

+

=

3

4

450

150

x

x

=

=

30

background image

Zadanie dualne

Odpowiedź do zadania pierwotnego:

Aby zysk był maksymalny producent musi wyprodukować

450

Aby zysk był maksymalny, producent musi wyprodukować

450

jednostek

W

3

i

150

jednostek

W

4

. Zysk wyniesie

4200

.

31

background image

Szczegółowe zasady

formułowania zadania dualnego

formułowania zadania dualnego

background image

Szczegółowe zasady formułowania zadania dualnego

Zadanie pierwotne

Zadanie dualne

maksymalizacja

minimalizacja

maksymalizacja

minimalizacja

33

background image

Szczegółowe zasady formułowania zadania dualnego

Zadanie pierwotne

Zadanie dualne

Ograniczenia

Zmienne

i

- te:

0

y

i

te:

0

i

y

0

i

y

i

- te:

=

dowolne

i

y

i

- te:

34

background image

Szczegółowe zasady formułowania zadania dualnego

Zadanie pierwotne

Zadanie dualne

Zmienne

Ograniczenia

j

- te:

0

x

j

te:

0

j

x

0

j

x

=

dowolne

j

x

j

- te:

j

- te:

j

j

35

background image

Szczegółowe zasady formułowania zadania dualnego

Przykład 3.

Dla podanego zadania pierwotnego zapisać zadanie dualne.

p

g

p

g

p

1

2

3

4

FC :

( )

2

3

MAX

Z

x

x

x

x

=

+

+ +

x

1

2

3

4

O :

2

3

20

2

3

50

x

x

x

x

+

+

=

+

+

1

2

3

4

1

2

3

4

2

3

50

3

2

40

x

x

x

x

x

x

x

x

+

+

− + +

1

2

3

4

WB :

0

0

0

dowolne

x

x

x

x

36

background image

Szczegółowe zasady formułowania zadania dualnego

Zadanie dualne:

1

2

3

FC :

( )

20

50

40

MIN

Z

y

y

y

=

+

+

y

O :

1

2

3

2

3

2

y

y

y

+

+

2

3

y

y

y

+

1

2

3

2

3

y

y

y

+

1

2

3

3

3

1

y

y

y

+

+

2

1

y

y

y

+

1

2

3

2

1

y

y

y

+

=

WB :

1

dowolne

y

2

0

y

3

0

y

WB :

1

y

2

y

3

y

37

background image

Na dzisiaj wystarczy

Na dzisiaj wystarczy...

38

background image

Sprowadzenie modelu

do postaci bazowej

background image

2

Sprowadzenie modelu do postaci bazowej

Przykład 4.

Model matematyczny z Przykładu 1. sprowadzić do postaci
bazowej.

background image

3

Sprowadzenie modelu do postaci bazowej



1

2

9

7

63

x

x

+

Ograniczenie

Aby otrzymać ograniczenie w postaci równania
wprowadzamy dodatkową zmienną do ograniczenia:

1

2

3

9

7

63

x

x

x

+

+ =

x

3

– zmienna bilansująca

Zmienna

x

3

określa ilość środka

S

1

jaki nie zostanie

wykorzystany w procesie produkcyjnym

background image

4

Sprowadzenie modelu do postaci bazowej

1

2

3

9

7

63

x

x

x

+

+ =

3

1

2

63 9

7

x

x

x

=

Gdyby przyjąć:

x

1

=0

i

x

2

=0

:

3

63

0

x

=

Zmienna

x

3

spełnia postulat nieujemności.

background image

5

Sprowadzenie modelu do postaci bazowej

Ograniczenie

Aby otrzymać ograniczenie w postaci równania
wprowadzamy dodatkową zmienną do ograniczenia
(analogicznie jak dla pierwszego ograniczenia):

x

4

– zmienna bilansująca

Zmienna

x

4

określa ilość środka

S

2

jaki nie zostanie

wykorzystany w procesie produkcyjnym



1

2

8

x

x

+ ≤

1

2

4

8

x

x

x

+ + =

Dla

x

1

=0

i

x

2

=0

:

4

8

0

x

= ≥

background image

6

Sprowadzenie modelu do postaci bazowej

Ograniczenie

Aby otrzymać ograniczenie w postaci równania
wprowadzamy dodatkową zmienną do ograniczenia:

x

5

– zmienna bilansująca



1

2

3

2

6

x

x

+

1

2

5

3

2

6

x

x

x

+

− =

Dla

x

1

=0

i

x

2

=0

:

5

6

0

x

= − <

background image

7

Sprowadzenie modelu do postaci bazowej



W postaci bazowej, w każdym ograniczeniu musi

znajdować się jedna zmienna, która po wyzerowaniu
wszystkich pozostałych zmiennych w ograniczeniu jest
nieujemna.

Wprowadzamy kolejną zmienną:

1

2

5

6

3

2

6

x

x

x

x

+

− + =

Dla

x

1

=0

,

x

2

=0

oraz

x

5

=0

:

6

6

0

x

= ≥

x

6

– zmienna sztuczna

background image

8

Sprowadzenie modelu do postaci bazowej



Rozwiązanie zadania po wprowadzeniu zmiennej sztucznej
nie

jest

równoważne

z

rozwiązaniem

zadania

początkowego.



Byłoby równoważne tylko wtedy, gdyby w rozwiązaniu
optymalnym zmienna sztuczna miała wartość zero.

background image

9

Sprowadzenie modelu do postaci bazowej



Aby zapewnić

x

6

=0

w rozwiązaniu optymalnym, każdą

zmienną sztuczną wprowadza się do funkcji celu.



Współczynnik przy zmiennej sztucznej w funkcji celu
dobiera się tak, aby niezerowa wartość tej zmiennej mocno
pogarszała wartość funkcji celu.

1

2

6

1

2

6

( ,

,

)

6

5

MAX

Z x x x

x

x

Mx

=

+

+

1000

M

= −

background image

10

Sprowadzenie modelu do postaci bazowej

Czy zmienne bilansujące należy uwzględnić w funkcji celu?

Tak.

Z jakimi współczynnikami?

Wszystkie współczynniki przy zmiennych bilansujących w
funkcji celu są równe zero.

1

2

3

4

5

6

1

2

3

4

5

6

( ,

,

,

,

,

)

6

5

0

0

0

1000

MAX

Z x x x x x x

x

x

x

x

x

x

=

+

+

+

+

background image

11

Sprowadzenie modelu do postaci bazowej

Postać bazowa zadania z Przykładu 1:

FC:

O:







WB:

1

2

3

1

2

4

1

2

5

6

9

7

63

8

3

2

6

x

x

x

x

x

x

x

x

x

x

+

+

=

+

+

=

+

− + =

1

2

3

4

5

6

0,

0,

0,

0,

0,

0

x

x

x

x

x

x

1

2

3

4

5

6

1

2

3

4

5

6

( ,

,

,

,

,

)

6

5

0

0

0

1000

MAX

Z x x x x x x

x

x

x

x

x

x

=

+

+

+

+

background image

12

Sprowadzenie modelu do postaci bazowej

Sprowadzenie do postaci bazowej ograniczenia typu:

1

2

3

5

4

x

x

+

=

Wprowadzamy zmienną sztuczną:

1

2

3

3

5

4

x

x

x

+

+ =

Należy ją uwzględnić w funkcji celu w podany poprzednio
sposób, czyli tak, aby jej niezerowa wartość mocno
pogarszała wartość funkcji celu.

background image

13

Sprowadzenie modelu do postaci bazowej

Postać bazowa:



Wszystkie ograniczenia w postaci równań



W każdym ograniczeniu znajduje się zmienna, która po
wyzerowaniu pozostałych zmiennych ma wartość
nieujemną



Współczynnik przy tej zmiennej ma wartość 1



Wprowadzone zmienne bilansujące wprowadza się do

funkcji celu z zerowymi współczynnikami



Wprowadzone zmienne sztuczne uwzględnia się w

funkcji celu ze współczynnikami mocno pogarszającymi
jej wartość

background image

METODA SIMPLEX

background image

15

Metoda simplex

Przykład 5.

Rozwiązać zadanie z Przykładu 1. metodą simplex.

background image

16

Metoda simplex

Tablica simplex:

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

background image

17

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

1

0 9 0 1 ( 1000) 3

z

= ⋅ + ⋅ + −

3000

= −

-3000

background image

18

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

2

0 7

0 1 ( 1000) 2

z

= ⋅ + ⋅ + −

2000

= −

-3000 -2000

background image

19

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

3

0 1 0 0 ( 1000) 0

z

= ⋅ + ⋅ + −

0

=

-3000 -2000

0

background image

20

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

4

0 0 0 1 ( 1000) 0

z

= ⋅ + ⋅ + −

0

=

-3000 -2000

0

0

background image

21

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

5

0 0 0 0 ( 1000) ( 1)

z

= ⋅ + ⋅ + −

⋅ −

1000

=

-3000 -2000

0

0

1000

background image

22

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

6

0 0 0 0 ( 1000) 1

z

= ⋅ + ⋅ + −

1000

= −

-3000 -2000

0

0

1000 -1000

background image

23

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

1

1

6 ( 3000)

c

z

− = − −

3006

=

-3000 -2000

0

0

1000 -1000

c

j

- z

j

3006

background image

24

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

2

2

5 ( 2000)

c

z

− = − −

2005

=

-3000 -2000

0

0

1000 -1000

c

j

- z

j

3006

2005

background image

25

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

3

3

0 0

c

z

− = −

0

=

-3000 -2000

0

0

1000 -1000

c

j

- z

j

3006

2005

0

background image

26

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

4

4

0 0

c

z

− = −

0

=

-3000 -2000

0

0

1000 -1000

c

j

- z

j

3006

2005

0

0

background image

27

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

5

5

0 1000

c

z

− = −

1000

= −

-3000 -2000

0

0

1000 -1000

c

j

- z

j

3006

2005

0

0

-1000

background image

28

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

6

6

1000 ( 1000)

c

z

− = −

− −

0

=

-3000 -2000

0

0

1000 -1000

c

j

- z

j

3006

2005

0

0

-1000

0

background image

29

Metoda simplex

j

j

c

z

- wskaźniki optymalności



Dla zmiennych bazowych wskaźniki optymalności zawsze
są równe 0.

background image

30

Metoda simplex

Kryterium optymalności:

Rozwiązanie jest optymalne, jeżeli wartości wszystkich
wskaźników optymalności są niedodatnie.

Rozwiązanie w bazie

[x

3

, x

4

, x

6

]

nie jest rozwiązaniem optymalnym.

Należy przejść do następnej bazy

background image

31

Metoda simplex

Kryterium wejścia do bazy:

Do bazy wchodzi zmienna, która ma największą wartość
wskaźnika optymalności.



Jeżeli

największa

wartość

wskaźnika

optymalności

odpowiada więcej niż jednaj zmiennej, wybieramy zmienną
o najniższym indeksie.

W przykładzie kryterium wejścia spełnia zmienna

x

1

.

background image

32

Metoda simplex

Kryterium wyjścia z bazy:

Obliczamy ilorazy wyrazów wolnych (kolumna

b

i

) przez

elementy (tylko dodatnie) kolumny zmiennej wchodzącej do
bazy.

Bazę opuszcza ta zmienna, dla której obliczony iloraz jest
najmniejszy.



Jeżeli najmniejsza wartość ilorazu występuje dla więcej niż
jednej zmiennej, to jako zmienną opuszczającą bazę
można wybrać dowolną z nich.

background image

33

Metoda simplex

3

: 63 / 9

7

x

=

4

: 8 /1 8

x

=

6

: 6 / 3

2

x

=

W przykładzie kryterium wyjścia spełnia zmienna

x

6

.

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

9

7

1

0

0

0

1

1

0

1

0

0

3

2

0

0

-1

1

63

8

6

b

i

x(B)

x

3

x

4

x

6

c(B)

0

0

-1000

z

j

-3000 -2000

0

0

1000 -1000

c

j

- z

j

3006

2005

0

0

-1000

0

background image

34

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

0

1

1

0

3

-3

0

1/3

0

1

1/3

-1/3

1

2/3

0

0

-1/3

1/3

45

6

2

b

i

x(B)

x

3

x

4

x

1

c(B)

0

0

6

z

j

6

4

0

0

-2

2

c

j

- z

j

0

1

0

0

2

-1002

Rozwiązanie w bazie

[x

3

, x

4

, x

1

]

nie jest rozwiązaniem optymalnym.

background image

35

Metoda simplex

Do bazy wchodzi zmienna:

x

5

Ilorazy:

3

: 45 / 3 15

x

=

4

: 6 /(1/ 3) 18

x

=

1

:

x

ujemny współczynnik – nie liczymy ilorazu

Z bazy wychodzi zmienna:

x

3

background image

36

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

0

1/3

1/3

0

1

-1

0

2/9

-1/9

1

0

0

1

7/9

1/9

0

0

0

15

1

7

b

i

x(B)

x

5

x

4

x

1

c(B)

0

0

6

z

j

6

14/3

2/3

0

0

0

c

j

- z

j

0

1/3

-2/3

0

0

-1000

Rozwiązanie w bazie

[x

5

, x

4

, x

1

]

nie jest rozwiązaniem optymalnym.

background image

37

Metoda simplex

Do bazy wchodzi zmienna:

x

2

Ilorazy:

5

: 15 /(1/ 3)

45

x

=

4

: 1/(2 / 9)

4.5

x

=

1

: 7 /(7 / 9)

9

x

=

Z bazy wychodzi zmienna:

x

4

background image

38

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

0

0

1/2

-3/2

1

-1

0

1

-1/2

9/2

0

0

1

0

1/2

-7/2

0

0

27/2

9/2

7/2

b

i

x(B)

x

5

x

2

x

1

c(B)

0

5

6

z

j

6

5

1/2

3/2

0

0

c

j

- z

j

0

0

-1/2

-3/2

0

-1000

Rozwiązanie w bazie

[x

5

, x

2

, x

1

]

jest rozwiązaniem optymalnym.

background image

39

Metoda simplex

c

T

x

MAX

6

5

0

0

0

-1000

x

1

x

2

x

3

x

4

x

5

x

6

0

0

1/2

-3/2

1

-1

0

1

-1/2

9/2

0

0

1

0

1/2

-7/2

0

0

27/2

9/2

7/2

b

i

x(B)

x

5

x

2

x

1

c(B)

0

5

6

z

j

6

5

1/2

3/2

0

0

c

j

- z

j

0

0

-1/2

-3/2

0

-1000

5

27 / 2

x

=

2

9 / 2

x

=

1

7 / 2

x

=

Zmienne bazowe:

Zmienne niebazowe:

3

0

x

=

4

0

x

=

6

0

x

=

background image

40

Metoda simplex

Rozwiązanie:

1

2

3

4

5

6

3.5

4.5

0

0

13.5

0

x

x

x

x

x

x

=

=

=

=

=

=

Funkcja celu:

1

2

3

4

5

6

( ,

,

,

,

,

)

43.5

Z x x x x x x

=

background image

Różnice w algorytmie

metody simplex na

MAX i MIN

background image

42

Różnice w algorytmie metody simplex na MAX i MIN

Kryterium wejścia

MAX:

Zmienna z największą wartością wskaźnika optymalności

MIN:

Zmienna z najmniejszą wartością wskaźnika optymalności

background image

43

Różnice w algorytmie metody simplex na MAX i MIN

Kryterium wyjścia

MAX:

Zmienna, dla której iloraz elementu z wektora wyrazów wolnych
przez współczynnik z kolumny zmiennej wchodzącej do bazy
ma najmniejszą wartość.

MIN:

Identycznie jak w zadaniu na MAX.

background image

44

Różnice w algorytmie metody simplex na MAX i MIN

Rozwiązanie optymalne

MAX:

Wszystkie wskaźniki optymalności muszą być niedodatnie

MIN:

Wszystkie wskaźniki optymalności muszą być nieujemne.

background image

Postępowanie, gdy zmienne

nie spełniają warunków

nieujemności

background image

46

Postępowanie, gdy zmienne nie spełniają warunków nieujemności

1

2

3

FC :

( )

3

6

4

MAX

Z

x

x

x

=

+

x

1

2

3

1

2

3

1

2

3

O : 3

5

2

6

2

3

7

12

4

6

3

5

x

x

x

x

x

x

x

x

x

≥ −

+

+

=

1

2

3

WB :

0

0

x

x

R

x

background image

47

Postępowanie, gdy zmienne nie spełniają warunków nieujemności

*

**

*

**

2

2

2

2

2

,

0,

0

x

x

x

x

x

= −

Zmienną x

2

zastępujemy różnicą dwóch zmiennych

nieujemnych:

x

2

R

background image

48

Postępowanie, gdy zmienne nie spełniają warunków nieujemności

*

**

*

**

3

3

3

3

3

,

0,

0

x

x

x

x

x

= −

Zmienną x

3

zastępujemy różnicą dwóch zmiennych

nieujemnych:

x

3

0

background image

49

Postępowanie, gdy zmienne nie spełniają warunków nieujemności

*

**

*

**

*

**

*

**

1

2

2

3

3

1

2

2

3

3

FC :

( ,

,

,

,

)

3

6(

) 4(

)

MAX

Z x x x

x x

x

x

x

x

x

=

+

*

**

*

**

1

2

2

3

3

*

**

*

**

1

2

2

3

3

*

**

*

**

1

2

2

3

3

O : 3

5(

) 2(

)

6

2

3(

) 7(

) 12

4

6(

) 3(

)

5

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

≥ −

+

+

=

*

**

*

**

1

2

2

3

3

WB :

0

0

0

0

0

x

x

x

x

x

background image

50

Postępowanie, gdy zmienne nie spełniają warunków nieujemności

1

2

3

4

5

1

2

3

4

5

ˆ ˆ ˆ ˆ ˆ

ˆ

ˆ

ˆ

ˆ

ˆ

FC :

( ,

,

,

,

)

3

6

6

4

4

MAX

Z x x x x x

x

x

x

x

x

=

+

+

1

2

3

4

5

1

2

3

4

5

1

2

3

4

5

ˆ

ˆ

ˆ

ˆ

ˆ

O :

3

5

5

2

2

6

ˆ

ˆ

ˆ

ˆ

ˆ

2

3

3

7

7

12

ˆ

ˆ

ˆ

ˆ

ˆ

4

6

6

3

3

5

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

+

+

≥ −

+

+

+

+

=

ˆ

WB :

0,

1, 2,3, 4,5

j

x

j

=

Zmieniamy numery zmiennych:

background image

51

Postępowanie, gdy zmienne nie spełniają warunków nieujemności

1

2

3

4

5

1

2

3

4

5

ˆ ˆ ˆ ˆ ˆ

ˆ

ˆ

ˆ

ˆ

ˆ

FC :

( ,

,

,

,

)

3

6

6

4

4

MAX

Z x x x x x

x

x

x

x

x

=

+

+

1

2

3

4

5

1

2

3

4

5

1

2

3

4

5

ˆ

ˆ

ˆ

ˆ

ˆ

O :

3

5

5

2

2

6

ˆ

ˆ

ˆ

ˆ

ˆ

2

3

3

7

7

12

ˆ

ˆ

ˆ

ˆ

ˆ

4

6

6

3

3

5

x

x

x

x

x

x

x

x

x

x

x

x

x

x

x

+

+

+

+

+

+

=

ˆ

WB :

0,

1, 2,3, 4,5

j

x

j

=

Ograniczenia, w których wyraz wolny jest wartością ujemną
mnożymy przez -1 (tutaj ograniczenie pierwsze):

background image

52

Postępowanie, gdy zmienne nie spełniają warunków nieujemności

Dalsze postępowanie identyczne jak przy sprowadzaniu do
postaci bazowej.

background image

Szczególne przypadki rozwiązań

background image

54

Szczególne przypadki rozwiązań

Zadanie sprzeczne

1

2

1

2

1

2

1

2

1

2

( ,

)

6

5

MAX

8

3

2

6

,

0

Z x x

x

x

x

x

x

x

x x

=

+

+ ≥

+

1

2

3

4

5

1

2

4

1

2

3

4

1

2

5

1

2

3

4

5

( ,

,

,

,

)

6

5

1000

MAX

8

3

2

6

,

,

,

,

0

Z x x x x x

x

x

x

x

x

x

x

x

x

x

x x x x x

=

+

+ − + =

+

+ =

W postaci bazowej:









background image

55

Szczególne przypadki rozwiązań

background image

56

Szczególne przypadki rozwiązań

Zadanie sprzeczne:

Nie ma rozwiązań dopuszczalnych

Objawy w metodzie simplex:

W rozwiązaniu optymalnym, zmienna sztuczna (w tym
przykładzie

x

4

) będzie miała wartość niezerową (czyli będzie

w bazie).

background image

57

Szczególne przypadki rozwiązań

Alternatywne rozwiązania optymalne

1

2

1

2

1

2

1

2

1

2

( ,

)

2

2

MAX

8

3

2

6

,

0

Z x x

x

x

x

x

x

x

x x

=

+

+ ≤

+

1

2

3

4

5

1

2

5

1

2

3

1

2

4

5

1

2

3

4

5

( ,

,

,

,

)

2

2

1000

MAX

8

3

2

6

,

,

,

,

0

Z x x x x x

x

x

x

x

x

x

x

x

x

x

x x x x x

=

+

+ + =

+

− + =

W postaci bazowej:









background image

58

Szczególne przypadki rozwiązań

C(0,8) :

(0,8)

16

D(8, 0) :

(8, 0)

16

Z

Z

=
=

background image

59

Szczególne przypadki rozwiązań

Alternatywne rozwiązania optymalne:

Każdy punkt odcinka

CD

jest rozwiązaniem optymalnym

– odpowiada alternatywnemu, optymalnemu rozwiązaniu

Objawy w metodzie simplex:

W rozwiązaniu optymalnym, zerowe wartości wskaźników
optymalności dla zmiennych niebazowych.

Może się zdarzyć, że zadanie ma nieskończenie wiele
rozwiązań optymalnych

Rozwiązania optymalne można zidentyfikować przechodząc do
kolejnych baz.

background image

60

Szczególne przypadki rozwiązań

Nieograniczona funkcja celu

1

2

1

2

1

2

1

1

2

( ,

)

2

3

MAX

3

2

6

7

,

0

Z x x

x

x

x

x

x

x x

=

+

+

1

2

3

4

5

1

2

4

1

2

3

4

1

5

1

2

3

4

5

( ,

,

,

,

)

2

3

1000

MAX

6

7

,

,

,

,

0

Z x x x x x

x

x

x

x

x

x

x

x

x

x x x x x

=

+

+ − + =

+ =

W postaci bazowej:









background image

61

Szczególne przypadki rozwiązań

background image

62

Szczególne przypadki rozwiązań

Zbiór rozwiązań jest nieograniczony

Objawy w metodzie simplex:

W tablicy simplex kolumna zmiennej wchodzącej do bazy ma
wszystkie elementy niedodatnie.

Funkcja celu jest nieograniczona od góry

W tym zadaniu:

background image

63

Szczególne przypadki rozwiązań

Czy funkcja celu może być nieograniczona od dołu?

Nie, ponieważ wymagana jest nieujemność zmiennych

Czy, pomimo tego że zbiór rozwiązań dopuszczalnych jest
nieograniczony może istnieć „dokładne” rozwiązanie optymalne?

Może, gdy zadanie jest zadaniem na MIN.

background image

64

Szczególne przypadki rozwiązań

1

2

1

2

1

2

1

1

2

( ,

)

2

3

MIN

3

2

6

7

,

0

Z x x

x

x

x

x

x

x x

=

+

+





A(2, 0) :

(2, 0)

4

B(0, 3) :

(0, 3)

9

C(7, 0) :

(7, 0)

14

Z

Z

Z

=

=

=

MIN

Z poprzedniego rysunku:

background image

65

The Happy End

background image

PROGRAMOWANIE

CAŁKOWITOLICZBOWE

background image

METODA PODZIAŁU

I OGRANICZEŃ

background image

3

Metoda podziału i ograniczeń

Przykład 6.

Rozwiązać zadanie z Przykładu 1. metodą podziału i
ograniczeń, przy czym wielkość produkcji wyrobu

W

2

musi

być określona liczbą całkowitą.

background image

4

Metoda podziału i ograniczeń

Model matematyczny:

FC:

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+

O:



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

WB:

1

2

0,

0

x

x

2

C

x

background image

5

Metoda podziału i ograniczeń

Szukamy rozwiązania nie uwzględniając warunku

całoliczbowości (patrz: metoda geometryczna lub simplex)

Zadanie 1.

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

Rozwiązanie:

1

2

1

2

3.5

4.5 Z( , ) 43.5

x

x

x x

=

=

=

background image

6

Metoda podziału i ograniczeń

Zadanie umieszczamy na liście zadań:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

Nie

1

43.5

background image

7

Metoda podziału i ograniczeń

Zmienna

x

2

nie spełnia nałożonego na nią w zadaniu

głównym warunku

x

2

∈ C

.

Dokonujemy podziału:

Otrzymujemy dwa przedziały:

2

[0,4]

x

2

[5, )

x

∈ ∞

2

5

x

2

4

x

background image

8

Metoda podziału i ograniczeń

Na podstawie otrzymanych przedziałów budujemy dwa zadania:

Zadanie 2.

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

2

4

x



Zadanie 3.

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

2

5

x



background image

9

Metoda podziału i ograniczeń

Numery zadań umieszczamy na liście zadań:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

Nie

1

43.5

2

3

background image

10

Metoda podziału i ograniczeń

background image

11

Metoda podziału i ograniczeń

Dla

Zadania 2:

Maksimum w punkcie:

35

C(

,4)

9

35

1

Z(

,4) 43

9

3

=

Wartość funkcji celu:

Dla

Zadania 3:

Maksimum w punkcie:

G(3,5)

Z(3,5) 43

=

Wartość funkcji celu:

background image

12

Metoda podziału i ograniczeń

Lista zadań wygląda teraz tak:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

Nie

1

43.5

2

3

2

1

43

3

Tak

Tak

3

43

background image

13

Metoda podziału i ograniczeń

Porządkowanie listy zadań

Z listy usuwamy:

Zadanie 1.

- bo zostało już podzielone

Zadanie 3.

– spełnione są wszystkie warunki

całkowitoliczbowości, ale ma

mniejszą wartość funkcji celu
niż

Zadanie 2.

background image

14

Metoda podziału i ograniczeń

Lista zadań wygląda teraz tak:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

2

1

43

3

Tak

Na liście pozostało tylko jedno zadanie.

Ponieważ spełnia ono wszystkie warunki

całkowitoliczbowości, to jego rozwiązanie jest

rozwiązaniem optymalnym zadania pierwotnego.

background image

15

Metoda podziału i ograniczeń

Przykład 7.

Rozwiązać zadanie z Przykładu 1. metodą podziału i

ograniczeń, przy czym wielkość produkcji obydwóch

wyrobów musi być określona liczbą całkowitą.

background image

16

Metoda podziału i ograniczeń

Model matematyczny:

FC:

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+

O:



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

WB:

1

2

0,

0

x

x

1

2

C,

C

x

x

background image

17

Metoda podziału i ograniczeń

Szukamy rozwiązania nie uwzględniając warunku

całkowitoliczbowości

Zadanie 1.

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

Rozwiązanie:

1

2

1

2

3.5

4.5 Z( , ) 43.5

x

x

x x

=

=

=

background image

18

Metoda podziału i ograniczeń

Zadanie umieszczamy na liście zadań:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

Nie

1

43.5

background image

19

Metoda podziału i ograniczeń

Ponieważ obydwie zmienne nie spełniają warunków

całkowitoliczbowości wybieramy, względem której z nich

dokonamy podziału.

Dokonujemy podziału względem

x

1

:

Otrzymujemy dwa przedziały:

1

4

x

1

3

x

background image

20

Metoda podziału i ograniczeń

Na podstawie otrzymanych przedziałów budujemy dwa zadania:

Zadanie 2.

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

1

3

x



Zadanie 3.

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

1

4

x



background image

21

Metoda podziału i ograniczeń

Rozwiązanie

Zadania 2:

Rozwiązanie

Zadania 3:

1

2

1

2

3

5 Z( , ) 43

x

x

x x

=

=

=

1

2

1

2

4

3.8 Z( , ) 43.2851

x

x

x x

=

=

=

background image

22

Metoda podziału i ograniczeń

Lista zadań wygląda teraz tak:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

Nie

1

43.5

2

3

2

Tak

Nie

3

43.2851

43

background image

23

Metoda podziału i ograniczeń

Porządkowanie listy zadań

Z listy usuwamy:

Zadanie 1.

- bo zostało już podzielone

Zadanie 3.

– nie spełnia warunków całkowitoliczbowości,

ale ma większą wartość funkcji celu niż

Zadanie 2.

Na liście pozostaje:

Zadanie 2.

– spełnia wszystkie warunki całkowitoliczbowości

background image

24

Metoda podziału i ograniczeń

Lista zadań wygląda teraz tak:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

2

Tak

Nie

3

43.2851

43

Zadanie 3.

musi zostać podzielone

background image

25

Metoda podziału i ograniczeń

Rozwiązanie

Zadania 3

:

1

2

4

3.8

x

x

=

=

Ponieważ zmienna

x

2

nie spełnia warunków

całkowitoliczbowości, dokonujemy podziału ze względu na

tą zmienną.

2

3.8

x

=

2

3

x

2

4

x

background image

26

Metoda podziału i ograniczeń

Na podstawie otrzymanych przedziałów budujemy dwa zadania:

Zadanie 4.

Zadanie 5.

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

1

4

x





2

3

x

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

1

4

x





2

4

x

background image

27

Metoda podziału i ograniczeń

Rozwiązanie

Zadania 4:

Rozwiązanie

Zadania 5:

1

2

1

2

4.66667

3 Z( , ) 43

x

x

x x

=

=

=

Zadanie jest sprzeczne

background image

28

Metoda podziału i ograniczeń

Lista zadań wygląda teraz tak:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

2

Tak

Nie

3

43.2851

43

4

5

4

43

Nie

5

Zadanie sprzeczne

background image

29

Metoda podziału i ograniczeń

Porządkowanie listy zadań

Z listy usuwamy:

Zadanie 3.

- bo zostało już podzielone

Zadanie 4.

– nie spełnia warunków całkowitoliczbowości,

ale wartość funkcji celu jest taka sama jak
w

Zadaniu 2.

Na liście pozostaje:

Zadanie 2.

– spełnia wszystkie warunki całkowitoliczbowości

Zadanie 5.

- bo jest sprzeczne

background image

30

Metoda podziału i ograniczeń

Lista zadań wygląda teraz tak:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

2

Tak

43

4

43

Nie

Zadanie 4.

musi zostać podzielone

background image

31

Metoda podziału i ograniczeń

Rozwiązanie

Zadania 4

:

1

2

4.66667

3

x

x

=

=

Ponieważ zmienna

x

1

nie spełnia warunków

całkowitoliczbowości, dokonujemy podziału ze względu na

tą zmienną.

1

4.66667

x

=

1

4

x

1

5

x

background image

32

Metoda podziału i ograniczeń

Na podstawie otrzymanych przedziałów budujemy dwa zadania:

Zadanie 6.

Zadanie 7.

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

1

4

x





2

3

x



1

4

x

1

2

1

2

Z( , ) 6

5

MAX

x x

x

x

=

+



1

2

9

7

63

x

x

+



1

2

8

x

x

+ ≤



1

2

3

2

6

x

x

+

1

2

0,

0

x

x

1

4

x





2

3

x



1

5

x

background image

33

Metoda podziału i ograniczeń

Rozwiązanie

Zadania 6:

Rozwiązanie

Zadania 7:

1

2

1

2

4

3 Z( , ) 39

x

x

x x

=

=

=

1

2

1

2

5

2.57143 Z( , ) 42.85714

x

x

x x

=

=

=

background image

34

Metoda podziału i ograniczeń

Lista zadań wygląda teraz tak:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

2

Tak

43

4

43

Nie

6

39

Tak

7

42.85714

Nie

6

7

background image

35

Metoda podziału i ograniczeń

Porządkowanie listy zadań

Z listy usuwamy:

Zadanie 4.

- bo zostało już podzielone

Zadanie 7.

– nie spełnia warunków całkowitoliczbowości,

a wartość funkcji celu jest mniejsza niż
w

Zadaniu 2.

Zadanie 6.

- warunki całkowitoliczbowości spełnione, ale

wartość funkcji celu jest mniejsza niż
w

Zadaniu 2.

background image

36

Metoda podziału i ograniczeń

Lista zadań wygląda teraz tak:

Numery zadań, na

które zadanie zostało

podzielone

Czy spełnione

są warunki

całkowitoliczbowości

Wartość

FC

Nr

zadania

2

Tak

43

Na liście pozostało tylko jedno zadanie.

Ponieważ spełnia ono wszystkie warunki

całkowitoliczbowości, to jego rozwiązanie jest

rozwiązaniem optymalnym zadania pierwotnego.

background image

Kiedy zadanie należy

usunąć z listy?

background image

38

Kiedy zadanie należy usunąć z listy?

W przypadku problemu na MAX, zadanie usuwamy z listy gdy:

• jest sprzeczne

• zostało podzielone

• istnieje zadanie spełniające warunki

całkowitoliczbowości, o większej wartości funkcji celu

background image

39

Kiedy zadanie należy usunąć z listy?

W przypadku problemu na MIN, w ostatnim punkcie

wymagane jest, aby funkcja celu miała mniejszą wartość

background image

Kiedy zadanie należy podzielić?

background image

41

Kiedy zadanie należy podzielić?

W przypadku problemu na MAX, zadanie zastaje podzielone

gdy:

• nie spełnia warunków całkowitoliczbowości, ale ma

największą wartość funkcji celu spośród zadań

znajdujących się na liście

W przypadku problemu na MIN, funkcja celu musi mieć

wartość najmniejszą

background image

Dlaczego nie można rozwiązać

zadania bez warunków

całkowitoliczbowości, a później

zaokrąglić wyników?

background image

43

Dlaczego nie można rozwiązać zadania bez warunków całkowitoliczbowości...

Przykład 8.

Przypomnienie:

Dla Przykładu 1. rozwiązaniem był punkt:

A(3.5,4.5)

Wartość funkcji celu w tym punkcie wynosiła:

1

2

( , ) 43.5

Z x x

=

background image

44

Dlaczego nie można rozwiązać zadania bez warunków całkowitoliczbowości...

Zaokrąglenie obydwu wartości zmiennych:

W górę:

B(4,5)

W dół:

C(3,4)

background image

45

Dlaczego nie można rozwiązać zadania bez warunków całkowitoliczbowości...

background image

46

Dlaczego nie można rozwiązać zadania bez warunków całkowitoliczbowości...

Punkt:

B(4,5)

leży poza zbiorem rozwiązań dopuszczalnych

Punkt:

C(3,4)

leży w zbiorze rozwiązań dopuszczalnych

Wartość funkcji celu dla tego punktu:

1

2

Z( , ) 38

x x

=

Jest to mniejsza wartość FC, niż ta, którą uzyskano w

wyniku rozwiązania zadania z warunkami

całkowitoliczbowości.

background image

Zadanie binarne

background image

48

Zadanie binarne

Przykład 9.

Firma Ziutek Pizza chce otworzyć lokale w pewnym miasteczku.

Możliwe lokacje pizzerii oraz dzielnice jakie może obsłużyć

dany lokal podane są w tabeli.

Sformułować zadanie programowania całkowitoliczbowego,

które może zostać wykorzystane do znalezienia najmniejszej

liczby pizzerii pokrywających swoim zasięgiem wszystkie

dzielnice.

background image

49

Zadanie binarne

Wygwizdów,

Mannhattan, Sikornik,

Narita

Ramblas

Mannhattan, Sikornik,

Montparnasse

Wall Street

Wygwizdów,

Mannhattan, Narita,

Montparnasse

Pola Elizejskie

Dzielnice

Możliwa lokalizacja

pizzerii

(ulice)

background image

50

Zadanie binarne

Zmienne decyzyjne

Przyjmują tylko wartości 0 i 1.

Nazywane są zmiennymi zerojedynkowymi lub binarnymi

background image

51

Zadanie binarne

Zmienna

x

1

:

Opisuje decyzję o ewentualnej lokalizacji pizzerii przy

ulicy Pola Elizejskie:

1

1
0

x

= 

jeśli stwierdzona zostanie konieczność lokalizacji przy tej ulicy

jeżeli nie trzeba lokalizować pizzerii przy tej ulicy

background image

52

Zadanie binarne

Zmienna

x

2

:

Opisuje decyzję o ewentualnej lokalizacji pizzerii przy

ulicy Wall Street:

2

1
0

x

= 

jeśli stwierdzona zostanie konieczność lokalizacji przy tej ulicy

jeżeli nie trzeba lokalizować pizzerii przy tej ulicy

background image

53

Zadanie binarne

Zmienna

x

3

:

Opisuje decyzję o ewentualnej lokalizacji pizzerii przy

ulicy Ramblas:

3

1
0

x

­

= ®

¯

jeśli stwierdzona zostanie konieczność lokalizacji przy tej ulicy

jeżeli nie trzeba lokalizować pizzerii przy tej ulicy

background image

54

Zadanie binarne

Funkcja celu:

Minimalizujemy ilość pizzerii, czyli sumę wartości zmiennych

x

1

, x

2

, x

3

1

2

3

1

2

3

Z( , , )

MIN

x x x

x

x

x

= + + →

background image

55

Zadanie binarne

Ograniczenia:

Dla każdej dzielnicy musi istnieć przynajmniej jedna pizzeria,

która będzie ją obsługiwać.

background image

56

Zadanie binarne

Dzielnicę Wygwizdów może obsługiwać pizzeria przy ulicy

Pola Elizejskie lub Ramblas:

1

3

1

x

x

+ ≥

Dzielnicę Mannhattan może obsługiwać pizzeria przy ulicy

Pola Elizejskie, Wall Street lub Ramblas:

1

2

3

1

x

x

x

+ + ≥

Dzielnicę Sikornik może obsługiwać pizzeria przy ulicy

Wall Street lub Ramblas:

2

3

1

x

x

+ ≥

background image

57

Zadanie binarne

Dzielnicę Narita może obsługiwać pizzeria przy ulicy Pola

Elizejskie lub Ramblas:

1

3

1

x

x

+ ≥

Dzielnicę Montparnasse może obsługiwać pizzeria przy ulicy

Pola Elizejskie lub Wall Street:

1

2

1

x

x

+ ≥

background image

58

Zadanie binarne

Model matematyczny:

1

2

3

1

2

3

Z( , , )

MIN

x x x

x

x

x

= + + →

1

3

1

x

x

+ ≥

1

2

3

1

x

x

x

+ + ≥

2

3

1

x

x

+ ≥

1

3

1

x

x

+ ≥

1

2

1

x

x

+ ≥

{ }

1

2

3

, ,

0,1

x x x

background image

59

...a studenci żyli z tą wiedzą długo i szczęśliwie

background image

ZAGADNIENIE

TRANSPORTOWE

(część 1)

background image

Zadanie zbilansowane

background image

3

Zadanie zbilansowane

Przykład 10.

Firma posiada zakłady wytwórcze w miastach

A

,

B

i

C

, oraz

centra dystrybucyjne w miastach

D

,

E

,

F

i

G

.

Możliwości produkcyjne zakładów wynoszą odpowiednio:

120

,

20

i

60

jednostek, natomiast zapotrzebowanie w

poszczególnych centrach dystrybucyjnych odpowiednio:

80

,

30

,

40

i

50

jednostek.

Jednostkowe koszty transportu przedstawione są w tabeli.

Określić taki plan przewozów, aby koszty dostaw z zakładów

wytwórczych do centrów dystrybucyjnych były minimalne.

background image

4

Zadanie zbilansowane

G

F

E

D

C

11

3

2

9

B

2

4

6

4

A

2

8

3

5

Tabela kosztów jednostkowych:

dostawcy

odbiorcy

background image

Model matematyczny

background image

6

Model matematyczny

Produkcja zakładów (podaż):

120 20 60

+

+

200

=

Zapotrzebowanie w centrach dystrybucyjnych (popyt):

80 30 40 50

+

+

+

200

=

Produkcja = Zapotrzebowanie

lub

Podaż = Popyt

Zadanie jest zbilansowane

background image

7

Model matematyczny

1

1

m

n

i

j

i

j

a

b

=

=

=

∑ ∑

gdzie:

a

i

– zasoby

i

– tego dostawcy

b

j

– zapotrzebowanie

j

– tego odbiorcy

m

– ilość dostawców

n

– ilość odbiorców

c

ij

– koszt transportu od

i

– tego dostawcy do

j

– tego odbiorcy

background image

8

Model matematyczny

Zmienne decyzyjne

x

ij

– ilość towaru przewożonego od

i

– tego dostawcy do

j

– tego odbiorcy

i = 1...m

j = 1...n

m = 3 n = 4

np.

x

24

– ilość towaru przewożonego od drugiego dostawcy
(miasto

B

) do czwartego odbiorcy (miasto

G

).

background image

9

Model matematyczny

Funkcja celu

11

12

13

14

21

22

23

24

31

32

33

34

Z( ,

,

,

,

,

,

,

,

,

,

,

)

x x x x x x x x x x x x

=

11

12

13

14

5

3

8

2

x

x

x

x

=

+

+

+

+

21

22

23

24

4

6

4

2

x

x

x

x

+

+

+

+

+

31

32

33

34

9

2

3

11

x

x

x

x

+

+

+

+

MIN

1

1

Z( )

MIN

m

n

ij

ij ij

i

j

x

c x

=

=

=

∑∑

background image

10

Model matematyczny

Ograniczenia

Dostawcy:

11

12

13

14

:

120

x

x

x

x

+

+

+

=

A

21

22

23

24

:

20

x

x

x

x

+

+

+

=

B

31

32

33

34

:

60

x

x

x

x

+

+

+

=

C

1

1...

n

ij

i

j

x

a

i

m

=

=

=

background image

11

Model matematyczny

Ograniczenia c. d.

Odbiorcy:

11

21

31

:

80

x

x

x

+

+

=

D

12

22

32

:

30

x

x

x

+

+

=

E

13

23

33

:

40

x

x

x

+

+

=

F

14

24

34

:

50

x

x

x

+

+

=

G

1

1...

m

ij

j

i

x

b

j

n

=

=

=

background image

12

Model matematyczny

Warunki brzegowe

0

1...

1...

ij

x

i

m

j

n

=

=

background image

Pierwsze rozwiązanie

dopuszczalne

background image

Metoda kąta

północno - zachodniego

background image

15

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

(3,4)

(3,3)

(3,2)

(3,1)

(2,4)

(2,3)

(2,2)

(2,1)

(1,4)

(1,3)

(1,2)

(1,1)

(1,1)...(3,4)

- węzły

background image

16

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Ilość węzłów bazowych:

1

m n

+ −

W przykładzie:

3 4 1 6

+ − =

background image

17

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

min(120,80)

80

=

80

background image

18

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

background image

19

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

min(40,30)

30

=

30

background image

20

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

background image

21

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

min(10,40)

10

=

10

background image

22

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

10

0

30

0

background image

23

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

10

0

30

0

min(20,30)

20

=

20

background image

24

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

10

0

30

0

20

0

10

0

background image

25

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

10

0

30

0

20

0

10

0

min(60,10)

10

=

10

background image

26

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

10

0

30

0

20

0

10

0

10

50

0

background image

27

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

10

0

30

0

20

0

10

0

10

50

min(50,50)

50

=

50

0

background image

28

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Tablica przewozów:

120

20

60

80

30

40

50

80

40

0

0

0

30

10

0

0

0

10

0

30

0

20

0

10

0

10

50

50

0

0

0

background image

29

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

80

0

0

30

0

0

10

0

20

0

10

50

*

*

*

*

*

*

*

- węzły bazowe

Pierwsze rozwiązanie dopuszczalne:

11

12

13

14

21

22

23

24

31

32

33

34

80

30

10

0

0

0

20

0

0

0

10

50

x

x

x

x

x

x

x

x

x

x

x

x

=

=

=

=

=

=

=

=

=

=

=

=

FC : Z( ) 1230

ij

x

=

background image

30

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Sprawdzenie optymalności rozwiązania

1

u

2

u

3

u

1

v

2

v

3

v

4

v

u

i

– zmienne związane z dostawcami

v

j

– zmienne związane z odbiorcami

background image

31

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

ij

i

j

ij

e

u

v

c

= + +

Wskaźniki optymalności:

Dla węzłów bazowych:

0

ij

e

=

background image

32

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

(1,1)

1

1

5 0

u

v

+ + =



(1,2)

1

2

3 0

u

v

+ + =



(1,3)

1

3

8 0

u

v

+ + =



(2,3)

2

3

4 0

u

v

+ + =



(3,3)

3

3

3 0

u

v

+ + =



(3,4)

3

4

11 0

u

v

+ + =



background image

33

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Układ 6 równań z 7 niewiadomymi.

Układ ma nieskończenie wiele rozwiązań.

Aby go rozwiązać za jedną zmienną przyjmuje się dowolną

wartość.

background image

34

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Przyjmujemy

u

1

= 0

z :

z :

z :

z :

z :

z :

1

5

v

= −

2

3

v

= −

3

8

v

= −

2

3

4

4

u

v

= − − =

3

3

3

5

u

v

= − − =

4

3

11

16

v

u

= − − = −

background image

35

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Wskaźniki optymalności dla węzłów niebazowych:

(1,4)

14

1

4

14

14

e

u

v

c

= + +

= −

(2,1)

21

2

1

21

3

e

u

v

c

= + +

=

(2,2)

22

2

2

22

7

e

u

v

c

= + +

=

(2,4)

24

2

4

24

10

e

u

v

c

= + +

= −

(3,1)

31

3

1

31

9

e

u

v

c

= + +

=

(3,2)

32

3

2

32

4

e

u

v

c

= + +

=

background image

36

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

0

0

4

9

-10

0

7

3

-14

0

0

0

*

*

*

*

*

*

Tablica wskaźników optymalności

background image

37

Pierwsze rozwiązanie dopuszczalne – metoda kąta NW

Kryterium optymalności

Rozwiązanie jest optymalne, jeżeli wartości wszystkich

wskaźników optymalności są nieujemne

Rozwiązanie nie jest optymalne

background image

Kolejne rozwiązania

background image

39

Kolejne rozwiązania

Nowe rozwiązanie

wymiana jednego węzła w bazie

Kryterium wejścia

Do bazy wprowadzany jest węzeł, dla którego wskaźnik

optymalności ma wartość najmniejszą.

W przykładzie:

(1,4)

background image

40

Kolejne rozwiązania

Określenie węzła usuwanego z bazy

Budowa tzw. cyklu

„Definicja cyklu”

W każdym wierszu i kolumnie do cyklu wchodzą dwa lub zero

węzłów.

Cykl składa się z półcyklu dodatniego i ujemnego.

background image

41

Kolejne rozwiązania

80

0

0

30

0

0

10

0

20

0

10

50

*

*

*

*

*

*

Tablica przewozów

+

(1,4)

węzeł
wprowadzany

do bazy

Węzeł wprowadzany do bazy – półcykl dodatni

background image

42

Kolejne rozwiązania

80

0

0

30

0

0

10

0

20

0

10

50

*

*

*

*

*

*

Tablica przewozów

+

(3,4)

drugi węzeł w czwartej kolumnie – półcykl ujemny

background image

43

Kolejne rozwiązania

80

0

0

30

0

0

10

0

20

0

10

50

*

*

*

*

*

*

Tablica przewozów

+

(3,3)

drugi węzeł w trzecim wierszu – półcykl dodatni

+

background image

44

Kolejne rozwiązania

80

0

0

30

0

0

10

0

20

0

10

50

*

*

*

*

*

*

Tablica przewozów

+

(1,3)

drugi węzeł w trzeciej kolumnie – półcykl ujemny

+

background image

45

Kolejne rozwiązania

80

0

0

30

0

0

10

0

20

0

10

50

*

*

*

*

*

*

Tablica przewozów

+

Cykl składający się z czterech węzłów

+

background image

46

Kolejne rozwiązania

Określamy minimum w półcyklu ujemnym:

min(10,50) 10

=

Minimum odpowiada węzłowi

(1,3)

Kryterium wyjścia

Z bazy usuwany jest węzeł z półcyklu ujemnego, dla którego

wartość przewozu jest najmniejsza.

background image

47

Kolejne rozwiązania

10

*

Tablica przewozów – nowe rozwiązanie

background image

48

Kolejne rozwiązania

10

*

Tablica przewozów – nowe rozwiązanie

0

background image

49

Kolejne rozwiązania

10

*

Tablica przewozów – nowe rozwiązanie

0

40

*

background image

50

Kolejne rozwiązania

10

*

Tablica przewozów – nowe rozwiązanie

0

40

*

20

*

background image

51

Kolejne rozwiązania

10

*

Tablica przewozów – nowe rozwiązanie

0

40

*

20

*

80

0

0

30

0

0

20

0

*

*

*

FC : Z( ) 1090

ij

x

=

background image

52

Kolejne rozwiązania

0

0

4

9

-10

0

7

3

-14

0

0

0

*

*

*

*

*

*

Tablica wskaźników optymalności z poprzedniego kroku

(1,1)

1

1

0 0

u

v

+ + =

Dla węzłów bazowych:

(1,2)

1

2

0 0

u

v

+ + =

(1,4)

1

4

14 0

u

v

+ − =

(2,3)

2

3

0 0

u

v

+ + =

(3,3)

3

3

0 0

u

v

+ + =

(3,4)

3

4

0 0

u

v

+ + =

background image

53

Kolejne rozwiązania

Przyjmujemy

u

1

= 0

1

0

v

=

2

0

v

=

3

14

v

=

2

14

u

= −

3

14

u

= −

4

14

v

=

Otrzymujemy:

background image

54

Kolejne rozwiązania

Nowe wskaźniki optymalności:

ij

i

j

ij

e

u

v

e

′ = + +

e

ij

– wskaźniki optymalności z poprzedniego kroku

background image

55

Kolejne rozwiązania

0

0

-10

-5

-10

0

-7

-11

0

14

0

0

*

*

*

*

*

*

Nowe wskaźniki optymalności

Rozwiązanie nie jest optymalne

background image

56

Kolejne rozwiązania

10

*

Tablica przewozów

0

40

*

20

*

80

0

0

30

0

0

20

0

*

*

*

Węzeł wprowadzany do bazy:

(2,1)

+

background image

57

Kolejne rozwiązania

10

*

Tablica przewozów

0

40

*

20

*

80

0

0

30

0

0

20

0

*

*

*

(1,1)

drugi węzeł w pierwszej kolumnie – półcykl ujemny

+

background image

58

Kolejne rozwiązania

10

*

Tablica przewozów

0

40

*

20

*

80

0

0

30

0

0

20

0

*

*

*

(1,4)

drugi węzeł w pierwszym wierszu – półcykl dodatni

+

+

background image

59

Kolejne rozwiązania

10

*

Tablica przewozów

0

40

*

20

*

80

0

0

30

0

0

20

0

*

*

*

(3,4)

drugi węzeł w czwartej kolumnie – półcykl ujemny

+

+

background image

60

Kolejne rozwiązania

10

*

Tablica przewozów

0

40

*

20

*

80

0

0

30

0

0

20

0

*

*

*

(3,3)

drugi węzeł w trzecim wierszu – półcykl dodatni

+

+

+

background image

61

Kolejne rozwiązania

10

*

Tablica przewozów

0

40

*

20

*

80

0

0

30

0

0

20

0

*

*

*

(2,3)

drugi węzeł w drugim wierszu – półcykl ujemny

+

+

+

background image

62

Kolejne rozwiązania

10

*

Tablica przewozów

0

40

*

20

*

80

0

0

30

0

0

20

0

*

*

*

Cykl składający się z sześciu węzłów

+

+

+

min(80,20,40) 20

=

(2,3)

usuwany z bazy

background image

63

Kolejne rozwiązania

30

*

Tablica przewozów – nowe rozwiązanie

0

20

*

40

*

60

20

0

30

0

0

0

0

*

*

*

FC : Z( ) 870

ij

x

=

background image

64

Kolejne rozwiązania

0

0

-10

-5

-10

0

-7

-11

0

14

0

0

*

*

*

*

*

*

Tablica wskaźników optymalności z poprzedniego kroku

(1,1)

1

1

0 0

u

v

+ + =

Dla węzłów bazowych:

(1,2)

1

2

0 0

u

v

+ + =

(1,4)

1

4

0 0

u

v

+ + =

(2,1)

2

1

11 0

u

v

+ − =

(3,3)

3

3

0 0

u

v

+ + =

(3,4)

3

4

0 0

u

v

+ + =

background image

65

Kolejne rozwiązania

Przyjmujemy

u

1

= 0

1

0

v

=

2

0

v

=

3

0

v

=

2

11

u

=

3

0

u

=

4

0

v

=

Otrzymujemy:

background image

66

Kolejne rozwiązania

0

0

-10

-5

1

11

4

0

0

14

0

0

*

*

*

*

*

*

Nowe wskaźniki optymalności

Rozwiązanie nie jest optymalne

background image

67

Kolejne rozwiązania

30

*

Tablica przewozów

0

20

*

40

*

60

20

0

30

0

0

0

0

*

*

*

Węzeł wprowadzany do bazy:

(3,2)

+

background image

68

Kolejne rozwiązania

30

*

Tablica przewozów

0

20

*

40

*

60

20

0

30

0

0

0

0

*

*

*

+

(1,2)

drugi węzeł w drugiej kolumnie – półcykl ujemny

background image

69

Kolejne rozwiązania

30

*

Tablica przewozów

0

20

*

40

*

60

20

0

30

0

0

0

0

*

*

*

+

(1,4)

drugi węzeł w pierwszym wierszu – półcykl dodatni

+

background image

70

Kolejne rozwiązania

30

*

Tablica przewozów

0

20

*

40

*

60

20

0

30

0

0

0

0

*

*

*

+

(3,4)

drugi węzeł w czwartej kolumnie – półcykl ujemny

+

background image

71

Kolejne rozwiązania

30

*

Tablica przewozów

0

20

*

40

*

60

20

0

30

0

0

0

0

*

*

*

+

Cykl składający się z czterech węzłów

+

min(30,20) 20

=

(3,4)

usuwany z bazy

background image

72

Kolejne rozwiązania

50

*

Tablica przewozów – nowe rozwiązanie

0

0

*

40

*

60

20

0

10

0

20

0

0

*

*

*

FC : Z( ) 670

ij

x

=

background image

73

Kolejne rozwiązania

0

0

-10

-5

1

11

4

0

0

14

0

0

*

*

*

*

*

*

Tablica wskaźników optymalności z poprzedniego kroku

(1,1)

1

1

0 0

u

v

+ + =

Dla węzłów bazowych:

(1,2)

1

2

0 0

u

v

+ + =

(1,4)

1

4

0 0

u

v

+ + =

(2,1)

2

1

0 0

u

v

+ + =

(3,2)

3

2

10 0

u

v

+ − =

(3,3)

3

3

0 0

u

v

+ + =

background image

74

Kolejne rozwiązania

Przyjmujemy

u

1

= 0

1

0

v

=

2

0

v

=

3

10

v

= −

2

0

u

=

3

10

u

=

4

0

v

=

Otrzymujemy:

background image

75

Kolejne rozwiązania

10

0

0

5

1

1

4

0

0

4

0

0

*

*

*

*

*

*

Nowe wskaźniki optymalności

Rozwiązanie optymalne

background image

76

Kolejne rozwiązania

11

12

13

14

21

22

23

24

31

32

33

34

60

10

0

50

20

0

0

0

0

20

40

0

x

x

x

x

x

x

x

x

x

x

x

x

=

=

=

=

=

=

=

=

=

=

=

=

FC : Z( ) 670

ij

x

=

Rozwiązanie optymalne

background image

77

A jednak się skończyło!!!


Wyszukiwarka

Podobne podstrony:
MO 21 25, AB
MO 1 10, A,B0029
MO pytania przykladowe
mo all
MO 1 10, A,B0012
MO 1 10, A,B0009
MO 11 15, A,B0009
MO - sprawozdanie 2(1), Politechnika Poznańska, Mechatronika, SEMESTR I, Odlewnictwo
sciana MO
MO JM 02 JS 03
MO 16 20, A,B0001
MO 1 10, A,B0026
MO 26 30,AB0010
MO 1 10, A,B0013
MO 1 10, A,B0011
MO 24B
na sternika mo torowodnego EGZAMIN

więcej podobnych podstron