Kvantitativne Metode

8
2. LINEARNO PROGRAMIRANJE (LP)

2.1. Definicija LP

LP predstavlja metodu odreivanja optimalnog rjeenja problema odluivanja kod kojih
su relacije izmeu promjenljivih u funkciji cilja i skupu ogranienja linearne.
Optimalno rjeenje = najbolje rjeenje (iz skupu dopustivih rjeenja) u skladu sa
usvojenim kriterijem (za koje funkcija cilja dostie ekstremnu vrijednost - maksimum ili
minimum).

2.2. Model linearnog programiranja

Matematiki model koji je definisan linearnom formom sa n promjenljivih
z = c
1
x
1
+ c
2
x
2
+...+c
n
x
n
(max / min) (2.1)
i sistemom od m linearnih nejednaina/jednaina na istom skupu promjenljivih
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
b
2
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
a
k1
x
1
+ a
k2
x
2
+ ... + a
kn
x
n
b
k
a
k+1,1
x
1
+ a
k+1,2
x
2
+ ... + a
k+1,n
x
n
= b
k+1
. . . . . . . . .
. . . . . . . . .
(2.2)
. . . . . . . . .
a
l1
x
1
+ a
l2
x
2
+ ... + a
ln
x
n
= b
l

a
l+1,1
x
1
+ a
l+1,2
x
2
+ ... + a
l+1,n
x
n
b
l+1

. . . . . . . . .
. . . . . . . . .
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
b
m

x
j
0, j = n , 1
oznaava se kao model LP.
Elementi matematikog modela LP:
(1) funkcija cilja (kriterija) = linearna forma (2.1)
(2) skup ogranienja = sistem nejednaina/jednaina (2.2).
Koritenjem operatora sabiranja model definisan relacijama (2.1) i (2.2) moe se
napisati u obliku
=
=
n
j
j j
x c z
1
min) (max/ (2.1a)
p.o. ) , ( ,
1
k j i b x a
i
n
j
j ij
=
=

) ,. 1 ( ,
1
l k i b x a
i
n
j
j ij
+ = =
=
(2.2a)
) , 1 ( ,
1
m l i b x a
i
n
j
j ij
+ =
=

) , 1 ( , 0 n j x
j
= .
9
2.3. Model LP problema poslovnog odluivanja

Zadaci poslovnog odluivanja koji se mogu rjeavati LP moraju biti kvantificirani kroz
slijedee komponente:
(1) kriterij i cilj,
(2) alternativne metode ili procese,
(3) ograniavajue uslove.

Zadaci poslovnog odluivanja koji se mogu rjeavati LP su:
- izbor proizvodnog asortimana,
- izbor optimalne tehnoloke vatijante,
- proizvodni program,
- plan investicionih ulaganja,
- alokacija resursa,
- plan krojenja,
- struktura smjese,
- lokacija fabrika,
- strategija zaliha,
- razmjetaj maina,
- plan transporta,
- zapoljavanje,
- raspored radnika i sl.

2.4. Zadatak LP

Matematika formulacija zadatka LP sastoji se u slijedeem:
Potrebno je pronai takav skup vrijednosti promjenljivih
x
1
, x
2,
,..., x
n
iz domena dopustivih rjeenja D koji je odreen sistemom linearnih nejednaina/jednaina
(2) za koje funkcija cilja dostie maksimalnu/minimalnu vrijednost.

2.5. Matematika reprezentacija problema LP

Minimalna matematika reprezentacija problema LP definisana je:
(1) skupom promjenljivih x
1
, x
2,
,...,x
n
,
(2) funkcijom cilja (kriterija),
(3) skupom ogranienja.

2.5.1. Promjenljive u modelu LP

Rjeenje zadatka LP = Vrijednosti promjenljivih za koje funkcija cilja dostie ekstremnu
vrijednost.
Definisane promjenljive se predstavljaju u n-dimenzionalnom prostoru R vektorom

x
T
= |x
1
x
2
. . . x
j
. . . x
n
|.

Promjenljive odraju alternativne metode ili procese za postizanje cilja, odnosno do
rjeenja problema poslovnog odluivanja moe se doi na alternativne naine. Ako nema
alternativa onda nema ni rjeavanja problema odluivanja.
10
Promjenljive u modelu = strukturne promjenljive ili promjenljive originala (primal) =
promjenljive odluivanja (decision variables).
Najee definisanje promjenljivih u modelu LP odnosi se na:
- obim proizvodnje |npr. komada, kg, l i sl.|,
- utroke pojedinih sirovina u naturalnim jedinicama,
- naturalno izraenu nabavka proizvoda,
- naturalno izraenu prodaja proizvoda,
- nivo zaliha,
- uee u strukturi (%) i sl.

2.5.2.Funkcija cilja

Funkcija cilja = Funkcija kriterija (= linearna forma 2.1)
Kriterij moe biti izraen u naturalnim, finansijskim ili drugim veliinama (zavisno od
problema poslovnog odluivanja).

A1. Kriterij = profit, dobit, zarada, koliina, proizvodnje, kapacitet, pouzdanost, prinos po
jedinici, uinak i sl.

Cilj = maksimizacija ukupnog profita, dobiti, . . .

A2. Kriterij = trokovi, utroci, gubitak, kart, vrijeme realizacije, vrijeme transporta i sl.

Cilj = minimizacija ukupnih trokova, . . .

Definisanje funkcije cilja:
- deskriptivno formulisanje cilja i
- matematiko formulisanje cilja.
Funkcija cilja modela LP je linearna funkcija n promjenljivih za koju je potrebno odrediti
ekstremnu vrijednost (maksimum ili minimum).
Odgovor na pitanje izbora optimalnog rjeenja obezbjeuje funkcija cilja iz domena
dopustivih rjeenja D.
Matematiko definisanje funkcije cilja
z = c
1
x
1
+ c
2
x
2
+...+c
n
x
n
(max / min)
c
j
koeficijent kriterija j-te promjenljive (npr. dobit po
jedinici proizvoda ili jedinini trokovi proizvodnje).

2.5.3. Skup ogranienja linearnog modela

Ograniavajui uslovi modela = sistem od m linearnih nejednaina/jednaina (2).
U skupu ogranienja figuriraju iste promjenljive kao i u funkciji cilja.
Skup ogranienja definie u n-dimenzionalnom prostoru R domen ili skup dopustivih
(moguih) rjeenja D promjenljivih definisanih vektorom x.
U n-dimenzionalnom prostoru R, poseban sluaj linearne zavisnosti je hiperravan data
jednainom
i
n
1 j
j ij
b x a =
=

Ova hiperravan dijeli prostor R na poluprostore
11

i
n
1 j
j ij
b x a <
=
i
i
n
1 j
j ij
b x a >
=

Posmatrajmo dvije take x
1
i x
2
prostora R. Ma koja taka prave linije koja prolazi kroz
take x
1
i x
2
je linearna kombinacija taaka x
1
i x
2
izraena u obliku
x = x
1
+ (1-) x
2
.
Ako se potuje uslov da je 0<<1, onda se ova kombinacija naziva konveksna
kombinacija dvije take.
Konveksni skup taaka zove se onaj skup koji pored svoje dvije take x
1
i x
2
sadri i sve
take dui koja povezuje take x
1
i x
2
. Takav konveksan skup se moe predstaviti
konveksnim poliedrom (u dvodimenzionalnoj ravni konveksni poligon), kao npr.

Konveksni skup Konkavni skup

Domen dopustivih rjeenja D u LP udovoljava osobinama konveksnog skupa taaka.
Na konveksnom skupu se razlikuju dvije vrste taaka: ekstremne i neekstremne.
Ekstremne take se, za razliku od neekstremnih, ne mogu izraziti kao konveksna
kombinacija drugih taaka skupa.
Domen dopustivih rjeenja (konveksan poliedar) ne daje odgovor na pitanje izbora
optimalnog rjeenja, ve ga daje linearna forma (funkcija cilja) 2.1 koja ekstremnu
vrijednost dostie u ekstremnoj taki ili takama konveksnog poliedra.
Sistem (2) koji definie skup ogranienja moe biti:
- protivrjean (ne postoji domen dopustivih rjeenja),
- nije protivrjean, ali je domen D neogranien (postoji mogunost odreivanja
optimalnog rjeenja ako je funkcija cilja ograniena u neogranienoj oblasti),
- nije protivrjean i domen D je ogranien (ima rjeenje).
Ograniavajui uslovi u poslovnim sistemima definisani su fiksnim koliinama odreenih
resursa. Pod pojmom resursi obuhvataju se svi proizvodni i neproizvodni faktori koji se
mogu kvantificirati (kapaciteti maina, novana sredstva, radna snaga, prostor, raspoloivi
repromaterijal i sl.).
Iskoritenost resursa ne moe prelaziti definisane granice (koliina resursa), pa se u
matematikom smislu izraavaju nejednainama oblika manje ili jednako (). Npr. i-to
ogranienje se moe napisati u obliku
a
i1
x
1
+ a
i2
x
2
+ ... +a
ij
x
j
+ ... + a
in
x
n
b
i
gdje su:
a
ij
strukturni ili tehniki koeficijenti u i-tom ogranienju (definiu koliinu i-tog
ogranienja potrebnu za jedinicu j-te promjenljive)
b
i
slobodni koeficijent u i-tom ogranienju (koliina i-tog resursa).
x
1

x
x
2

x
1
x
2
x

12
Ogranienja matematiki izraena kao nejednaine oblika vee ili jednako () odnose se
na odreene minimalne zahtjeve kao npr.
- minimalna proizvodnja,
- minimalni bioloki zahtjevi,
- minimalne zalihe,
- minimalno koritenje resursa i sl.
Ogranienja izraena u obliku jednaina (=) proizilaze iz specifinih zahtjeva kao npr.
- potpuna iskoritenost resursa,
- struktura koja iznosi 100% ili 1,
- proizvodnja vezanih proizvoda i sl.
Prirodni skup ogranienja nenegativnost promjenljivih tj. x
j
0.

2.5.5. Matematiki uslovi modela LP

(1) Linearnost funkcije cilja i skupa ogranienja
- veze izmeu promjenljivih linearne
- promjenljive se pojavljuju samo na prvom stepenu (nema njihovog proizvoda ili
drugih funkcija),
(2) Diskretnost procesa, odnosno promjenljivih
- vrijednost jedne promjenljive nema utjecaja na strukturne koeficijente i koeficijente u
funkciji cilja drugih promjenljivih,
(3) Aditivnost procesa u funkciji cilja i ogranienjima
- svi koeficijenti u funkciji cilja treba da budu izraeni istodimenzionalno
- svi strukturni koeficijenti jednog ogranienja treba da budu istih dimenzija,
(4) Proizvoljna djeljivost procesa
- promjenljive mogu primiti proizvoljne realne vrijednosti, tj. imaju karakteristike
kontinuiranosti,
(5) Konaan broj promjenljivih i ogranienja.

2.6. Opti, standardni i kanonski oblik modela LP

Postoje dva osnovna tipa modela LP i to za:
- maksimum i
- minimum.
Na osnovu matematikih izraza za ogranienja razlikuju se tri oblika modela LP:
(1) standardni ili simetrini,
(2) kanonski i
(3) opti ili asimetrini.
Standardni oblik ima karakteristike:
- model LP za maksimum: sva ogranienja su izraena nejednainama forme manje ili
jednako (),
- model LP za minimum: sva ogranienja su izraena nejednainama forme vee ili
jednako ().
Kanonski oblik modela LP ima karakteristiku i za maksimum i za minimum da su sva
ogranienja izraena u formi jednaina (=).
Opti oblik modela LP za maksimum i minimum ima osobinu kombinacije sve tri forme
ogranienja (, =, ).
Standardni oblik modela LP za maksimum

13
max
1
=
=
n
j
j j
x c z

p.o.
) , 1 ( ,
1
m i b x a
i
n
j
j ij
=
=
(2.3)

) , 1 ( , 0 n j x
j
=

U matrinoj notaciji standardni oblik modela LP za maksimum se moe napisati

z = Cxmax
Ax A
0
(2.3a)
x 0

gdje su:

C = |c
1
c
2
...c
n
|
x
T
=|x
1
x
2
... x
n
|
A
0
T

= |b
1
b
2
... b
m
|

A =
(
(
(
(
mn 2 m 1 m
23 22 21
13 12 11
a ... a a
... ... ... ...
a ... a a
a ... a a

Standardni oblik modela LP za minimum

min
1
=
=
n
j
j j
x c z
p.o. ) , 1 ( ,
1
m i b x a
i
n
j
j ij
=
=
(2.4)
) , 1 ( , 0 n j x
j
=

Kanonski oblik modela LP za maksimum

max
1
=
=
n
j
j j
x c z
p.o. ) , 1 ( ,
1
m i b x a
i
n
j
j ij
= =
=
(2.5)
) , 1 ( , 0 n j x
j
=

Kanonski oblik modela LP za minimum je identian kanonskom obliku modela LP za
maksimum samo to se u funkciji cilja rije max zamjenjuje sa rijei min.
14
Opti oblik modela LP dat je relacijama (2.1) i (2.2), odnosno (2.1a) i (2.2a).
Standardni oblik za maksimum transformie se u kanonski pretvaranjem sistema
ogranienja iz forme nejednaina u jednaine tako da se na lijevim stranama ogranienja
dodaju promjenljive koje se nazivaju dopunske ili izravnavajue (x
n+i
).
Koeficijenti u funkciji cilja dopunskih promjenljivih jednaki su nuli.
max
1
=
=
n
j
j j
x c z
p.o. ) , 1 (
1
m i b x x a
i i n
n
j
j ij
= = +
+
=
(2.6.)
) , 1 ( , 0 m n j x
j
+ =

Transformacija opteg problema LP za maksimum u standardni vri se na slijedei nain:
- ogranienja oblika = pretvoriti u dvije nejednaine, jednu oblika (), a drugu ().
Potom nejednainu oblika () mnoiti sa (-1)

=
=
=
=
=
i j
n
j
ij
i j
n
j
ij
i j
n
j
ij
i j
n
j
ij
i
n
j
j ij
b x a
b x a
b x a
b x a
b x a
1
1
1
1
1
) 1 /(

- ogranienja oblika () mnoiti sa (-1)

i
n
j
j ij i
n
j
j ij
b x a b x a

= = 1 1
) 1 /(

Transformacija opteg oblika LP za minimum u standardni oblik vri se na slian nain,
samo to se sa (-1) mnoe ogranienja oblika ().
Transformacija opteg u kanonski oblik (i kod tipa za maksimum i minimum) vri se tako
da se dopunska promjenljiva kod ogranienja oblika () dodaje, a kod ogranienja ()
oduzima od lijeve strane nejednaine.

2.7. Dualni problem LP

Teorema dualiteta: Maksimalna vrijednost funkcije cilja originala (primarni problem ili
primal) jednaka je minimalnoj vrijednosti funkcije cilja duala i obrnuto.
Matematiki izraz:

)
`
=
)
`

= =
m
i
i i
n
j
j j
y b x c
1 1
max min (2.7)
)
`
=
)
`

= =
m
i
i i
n
j
j j
y b x c
1 1
min max

Model duala LP:
- simetrini (polazi od standardnog oblika primala)
15
- asimetrini (polazi od opteg oblika primala).
Dualnih promjenljivih ima onoliko koliko ima ogranienja. Ako je funkcija cilja
vrijednosno izraena, onda dualne promjenljive predstavljaju cjenovni izraz jedinice
ogranienja (npr. jedinice resursa). To nije trina cijena po kojoj bi se mogla prodati ili
kupiti jedinica ogranienja, ve interna cijena koja se moe platiti za jedinicu
ogranienja (resursa) da bi se realizovalo optimalno rjeenje. Dualne promjenljive mogu
biti nenegativne i nepozitivne.
Vrijednosti dualnih promjenljivih govore o tome za koliko e se promijeniti vrijednost
funkcije cilja ako se slobodni lan u ogranienjima povea za jednu jedinicu.
Pravila za formiranje dualnog modela na bazi primala (originala):
1. Ako je primal za maksimum, dual e biti za minimum i ako je primal za minimum
dual e biti za maksimum.
2. Koeficijenti u funkciji cilja primala postaju slobodni koeficijenti u ogranienjima
duala.
3. Slobodni koeficijenti u ogranienjima primala postaju koeficijenti u funkciji cilja
duala.
4. Matrica strukturnih koeficijenata primala se transponovanjem transformie u matricu
strukturnih koeficijenata duala.
5. Dual se uvijek pie u standardnom obliku za maksimum ili minimum.
6. Vrijednosti dualnih promjenljivih su:
- nenegativne (odnose na ogranienja oblika kod maksimum-problema LP i na
ogranienja oblika kod minimum-problema LP)
- nepozitivne (odnose se na ogranienja oblika kod maksimum-problema LP i na
ogranienja oblika kod minimum-problema LP)
- nenegativne ili nepozitivne kod ogranienja oblika =.

Simetrini dualni model za maksimum

- Primal standardni oblik

z=c
1
x
1
+ c
2
x
2
+..+ c
n
x
n
max

a
11
x
1
+ a
12
x
2
+...+ a
1n
x
n
b
1
a
21
x
1
+ a
22
x
2
+... + a
2n
x
n
b
2
. . . . . .
(2.8)
. . . . . .
. . . . . .

a
m1
x
1
+a
m2
x
2
+...+ a
mn
x
n
b
m
x
j

0, j= n , 1

- Dual

z=b
1
y
1
+ b
2
y
2
+...+ b
m
y
m
min

a
11
y
1
+ a
21
y
2
+...+ a
m1
y
m
c
1
a
12
y
1
+ a
22
y
2
+...+ a
m2
y
m
c
2
. . . . . . .
(2.9)
. . . . . . .
. . . . . . .
a
1n
y
1
+ a
2n
y
2
+...+ a
mn
y
m
c
n
16
y
i

0, i= m , 1

Simetrini dualni model za minimum

- Primal standardni oblik

z = c
1
x
1
+ c
2
x
2
+ ... +c
n
x
n
min
a
11
x
1
+ a
12
x
2
+ ... + a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+ ... + a
2n
x
n
b
2
. . . . . . . (2.10)
. . . . . . .
. . . . . . .
a
m1
x
1
+ a
m2
x
2
+ ... + a
mn
x
n
b
m

x
j

0, j= n , 1

- Dual

z=b
1
y
1
+ b
2
y
2
+...+ b
m
y
m
max

a
11
y
1
+ a
21
y
2
+...+ a
m1
y
m
c
1
a
12
y
1
+ a
22
y
2
+...+ a
m2
y
m
c
2
. . . . . . .
. . . . . . .
. . . . . . .
a
1n
y
1
+ a
2n
y
2
+...+ a
mn
y
m
c
n
y
i

0, i= m , 1

Asimetrini dualni model netransformisanog primala za maksimum

- Primal - opti oblik

max
1
=
=
n
j
j j
x c z
) , 1 ( ,
1
k i b x a
i
n
j
j ij
=
=

) , 1 ( ,
1
l k i b x a
i
n
j
j ij
+ = =
=
(2.11)
) , 1 ( ,
1
m l i b x a
i
n
j
j ij
+ =
=

) , 1 ( , 0 n j x
j
=

- Dual

min '
1 1 1
+ + =

+ = + = =
i i
m
l i
l
k i
i i
k
i
i i
y b y b y b z
17
) , 1 ( ,
1 1 1
n j c y a y a y a
j i ij
m
l i
l
k i
i ij
k
i
i ij
= + +

+ = + = =
(2.12)
) , 1 ( , 0 k i y
i
=
) l , 1 k i ( , 0 y
i
+ = =
) , 1 ( , 0 m l i y
i
+ =

Asimetrini dualni model netransformisanog primala za minimum

- Primal opti oblik

min
1
=
=
n
j
j j
x c z
) , 1 ( ,
1
k i b x a
i
n
j
j ij
=
=

) , 1 ( ,
1
l k i b x a
i
n
j
j ij
+ = =
=
(2.13)
) , 1 ( ,
1
m l i b x a
i
n
j
j ij
+ =
=

) , 1 ( , 0 n j x
j
=

- Dual

max '
1 1 1
+ + =

+ = + = =
i i
m
l i
l
k i
i i
k
i
i i
y b y b y b z
) , 1 ( ,
1 1 1
n j c y a y a y a
j i ij
m
l i
l
k i
i ij
k
i
i ij
= + +

+ = + = =
(2.14)
) , 1 ( , 0 k i y
i
=
) l , 1 k i ( , 0 y
i
+ = =
) , 1 ( , 0 m l i y
i
+ =

Asimetrini dualni model je neupotrebljiv za rjeavanje s obzirom da simpleks metoda
daje nenegativne vrijednosti promjenljivih.
Rjeenje ovog problema sastoji se u tome da se opti model primala transformie u
standardni oblik, pa primijeni simetrini dualni model.
Ako se neko ogranienje u primalu mnoi sa konstantom s, to e i odgovarajua dualna
promjenljiva biti pomnoena sa istom konstantom. Stoga se vrijednost dualne
promjenljive transformisanog modela y mora podijeliti sa konstantom s, tj.
s
y
y
'
p
p
=
Standardni oblik transformisanog opteg modela za maksimum

- Primal
18

max
1
=
=
n
j
j j
x c z
) . 1 ( ,
1
k i b x a
i
n
j
j ij
=
=

) , 1 ( ,
1
l k i b x a
i
n
j
j ij
+ =
=
(2.15)
) , 1 ( ,
1
l k i b x a
i
n
j
j ij
+ =
=

) , 1 ( ,
1
m l i b x a
i
n
j
j ij
+ =
=

) , 1 ( , 0 n j x
j
=

- Dual

min ' " ' ' '
1 1 1 1
+ =

+ = + = + = =
m
l i
i i i i
l
k i
l
k i
i i
k
i
i i
y b y b y b y b z
) n , 1 j ( , c ' y a ' ' y a ' y a ' y a
j
m
1 l i
i ij
l
1 k i
i ij
l
1 k i
i ij
k
1 i
i ij
= +

+ = + = + = =
(2.16)
) , 1 ( , 0 ' m i y
i
=
) , 1 ( , 0 " l k i y
i
+ =

- Veze izmeu dualnih promjenljivih netransformisanog i
transformisanog primala

) , 1 ( , ' k i y y
i i
= =
) , 1 ( , ' m l i y y
i i
+ = = (2.17)
) , 1 ( , " ' l k i y y y
i i
+ = =

Standardni oblik transformisanog opteg modela za
minimum

- Primal

min
1
=
=
n
j
j j
x c z
) , 1 ( ,
1
k i b x a
i
n
j
j ij
=
=

19
) , 1 ( ,
1
l k i b x a
i
n
j
j ij
+ =
=
(2.18)
) , 1 ( ,
1
l k i b x a
i
n
j
j ij
+ =
=

) , 1 ( ,
1
m l i b x a
i
n
j
j ij
+ =
=

) , 1 ( , 0 n j x
j
=

- Dual

max ' " ' '
1 1 1 1
+ + =

+ = + = + = =
m
l i
i i i i
l
k i
l
k i
i i
k
i
i i
y b y b y b y b z
) n , 1 j ( , c ' y b ' ' y a ' y a ' y a
j
m
1 l i
i i
l
1 k i
i ij
l
1 k i
i ij
k
1 i
i ij
= +

+ = + = + = =
(2.19)
) , 1 ( , 0 ' m i y
i
=
) , 1 ( , 0 " l k i y
i
+ =

- Veza izmeu dualnih promjenljivih netransformisanog i transformisanog primala

) , 1 ( , ' k i y y
i i
= =
) , 1 ( , " ' l k i y y y
i i
+ = = (2.20)
) , 1 ( , ' m l i y y
i i
+ = =

2.8. Rjeavanje problema linearnog programiranja

Dvije osnovne grupe metoda:
- simpleks metoda opta metoda za rjeavanje svih problema LP,
- metode prilagoene rjeavanju specijalnih vrsta problema kao to su transportni
problem, rasporeivanje (asignacija) i sl.

2.8.1. Grafiko rjeavanje problema LP

Rjeavaju se problemi definisani sa dvije (i tri) promjenljive s obzirom da se moraju
predstaviti u ravni (dvodimenzionalni sistem), odnosno u trodimenzionalnom prostoru.
Dat je model:

z=c
1
x
1
+ c
2
x
2
max/min (1)
p.o. a
11
x
1
+ a
12
x
2
b
1
. . . . .
. . . . .
. . . . .
a
k1
x
1
+ a
k2
x
2
b
k
a
k+1,1
x
1
+ a
k+1,2
x
2
= b
k+1
. . . . . (2)
20
. . . . .
. . . . .
a
l1
x
1
+ a
l2
x
2
= b
l
a
l+1,1
x
1
+ a
l+1,2
x
2
b
l+1
. . . . .
. . . . .
. . . . .
a
m1
x
1
+ a
m2
x
2
b
m
) 2 , 1 ( , 0 = j x
j

Sistem nejednaina (2) ima rjeenje ako je sistem saglasan tj. ako je rang matrice sistema
(koeficijenti uz promjenljive) jednak rangu proirene matrice (koeficijenti uz promjenljive
i slobodni lanovi u ogranienjima)
Rjeenje sistema (2) u ravni se moe predstaviti kao poluravan (a), zatvoreni poligon (b),
prava, poluprava, du ili taka (c).

Skup taaka D dobiven rjeenjem sistema (2) naziva se domen dopustivih rjeenja. Domen
dopustivih rjeenja predstavlja konveksan skup taaka u ravni.
Linearna forma (1) predstavlja familiju paralelnih pravi poto keficijent pravca |-c
1
/ c
2
| ne
zavisi od promjenljive z.
Rjeenje problema se sastoji u odreivanju one prave koja sa skupom D ima bar jednu
zajedniku taku, a linearna forma (1) dostie maksimalnu/minimalnu vrijednost.
Zbog pojednostavljenja rjeavanja iz familije pravih definisanih linearnom formom (1)
uzimamo pravu koja prolazi kroz koordinatni poetak c
1
x
1
+ c
2
x
2
= 0.
U sluaju da su c
1
, c
2
0 :
- maksimalna vrijednost se postie u posljednjoj taki (takama) presjeka z i D
(najudaljenija od koordinatnog poetka),
- minimalna vrijednost funkcije z se dobiva u prvoj taki (takama) presjeka z i D
(najblii presjek koordinatnom poetku).
U sluaju da je jedan od koeficijenata c
1
, c
2
negativan onda se:
- maksimalna vrijednost linearne forme (1) postie se pomjeranjem grafika prave z du
ose kojoj odgovara promjenljiva sa pozitivnim koeficijentom,
- minimalna vrijednost postie se pomjeranjem grafika forme (1) du ose kojoj
odgovara promjenljiva sa negativnim koeficijentom.

Primjer 1.
Preduzee proizvodi dva razliita proizvoda A i B na etiri grupe maina ) 4 , 1 ( , = i M
i
.
Mjeseni raspoloivi kapaciteti pojedinih grupa maina ) 4 , 1 ( , = i M
i
iznose 240, 350, 65 i
60 |h|, respektivno. Prema tehnikim podacima za proizvodnju jednog komada proizvoda
x
1

x
2

D
(a)
x
1

x
2

D
(b)
x
1

x
2

D
(c)
21
A na pojedinim grupama maina potrebno je 3; 2,5; 1 i 0 sati, respektivno. Ovi podaci
oznaavaju tehnike koeficijente proizvoda A. Kod proizvoda B tehniki koeficijenti
iznose 2; 5, 0 i 1 sati, respektivno. Polazei od kalkulacija utvreno je da jedan komad
proizvoda A donosi dobit preduzeu od 9 |NJ|, a jedan komad proizvoda B 11 |NJ|. Pred
donosioca odluke postavlja se pitanje koliko komada pojedinih proizvoda mjeseno da se
proizvede ako se eli postii maksimalna dobit ?

Tabela
Grupe maina Tehniki koeficij. |h/kom|
A B
Kapacite|h|

M
1
M
2
M
3
M
4
3
2,5
1
0
2
5
0
1
240
350
65
60
Dobit po komadu (NJ/kom) 9 11

Prvo se definiu promjenljive
- x
1
koliina proizvoda A koju e preduzee mjeseno proizvoditi u |kom|,
- x
2
- koliina proizvoda B koju e preduzee mjeseno proizvoditi u |kom|,
x
1
, x
2
0 (a)
Ako pretpostavimo da je utroak kapaciteta maina proporcionalan koliini proizvodnje,
onda se dalja ogranienja mogu definisati na slijedei nain:
(1) 3x
1
+ 2x
2
240 |h/kom| x (kom) = |h|
(2) 2,5x
1
+ 5x
2
350
(3) x
1
65 (b)
(4) x
2
60
Funkcija cilja
z = 9x
1
+ 11x
2
max (c)
Grafiko predstavljanje skupa ogranienja:
S obzirom na uslov (a) posmatra se samo prvi kvadrant koordinatnog sistema. Kod
ispitivanja ogranienja koja se odnose na grupu maina M
1
polazimo od toga da jednaini
3x
1
+2x
2
= 240 odgovara prava koja apscisu sijee u taki (80, 0), a ordinatu u taki (0,
120), onda dopustiva rjeenja reprezentuje osjeneni trougao na Slici 1.
Na slian nain emo predstaviti i ostala tri ogranienja (Slika 2.) i funkciju cilja za sluaj
z=0.

Slika 1.

x
2

0 (80,0)
(0,120)
x
1

22
Slika 2.

Prava: Take:
2,5x
1
+ 5x
2
= 350 --------------------- x
1
140 0
x
2
0 70
x
1
= 65 --------------------- x
1
65
x
2
0
x
2
= 60 --------------------- x
1
0
x
2
60
9x
1
+ 11x
2
= 350 --------------------- x
1
0 -55
x
2
0 -45

Ispitajmo sada vrijednost funkcije cilja u graninim (ekstremnim) takama zatvorenog
poligona D i jednoj taki po izboru u unutranjosti domena D.

M
1
(0, 60) z = 9 0 + 11 60 = 660
)
`
=
= +
60 x
240 5 5 , 2
2
2 1
2
x x
M

M
2
(20, 60) z = 9 20 + 11 60 = 840
(1)
(1)
(2)
(2)
(3)
(3)
(4)
(4)
M
1
(0,60)
M
2
(20,60
)
M
3
(50,45
)
M
4
(65,22,5
)
M
5
(65,
0)
M
5
(40,4
D
0
(0,70
(140,0
(0,120)
x
1

x
2

z
0

z
opt

(-55,45)
23
)
`
= +
= +
350 5 2,5x
240 2 3
2 1
2 1
3
x
x x
M

M
3
(50, 45) z = 9 50 + 11 45 = 945 max
)
`
=
= +
65
240 2 3
1
2 1
4
x
x x
M

M
4
(65; 22,5) z = 9 65 + 11 22,5 = 832,5
M
5
(65, 0) z = 9 65 + 11 0 = 585
M
6
(40, 40) z = 9 40 + 11 40 = 800

Primjer 2.
Potrebno je programirati optimalni dnevni obrok za tov junadi. Obrok mora sadrati
najmanje 9 jedinica sastojka K, 6 jedinica sastojka L, 12 jedinica sastojka M i 48 jedinica
sastojka N. Na raspolaganju stoje dva razliita krmiva (stona hrana) A i B. Jedan kg
krmiva A sadri 6 jedinica sastojka K, 2 jedinice sastojka M i 16 jedinica sastojka N, dok
mu je cijena po kg 5 NJ.
Jedan kg krmiva B sadri 6 jedinica sastojka L, 4 jedinice sastojka M i 8 jedinica sastojka
N, dok mu je cijena 5 NJ.
Sve prethodne podatke predstavit emo tabelarno:

Tabela
Hranljivi sastojci
Krmivo
A B
Minimalni bioloki zahtjevi
K

L

M
N

6
-
2
16
-
6
4
8
9
16
12
48
Cijena (NJ/kg) 5 5

Definisanje promjenljivih
x
1

koliina krmiva A u smjesi (u kg)
x
2

koliina krmiva B u smjesi (u kg)
Matematiki model

z = 5x
1
+ 5x
2
min
p.o. 6x
1
9
6x
2
6
2x
1
+ 4x
2
12
11x
1
+ 8x
2
48
x
1, 2
0
24

Vrijednost funkcije cilja u ekstremnim takama domena D i jednoj taki po izboru u
unutranjosti D:

M
1
(3/2, 3) z = 5 3/2 + 5 3 = 22,5
M
2
(2, 2) z = 5 2 + 5 2 = 20 min
M
3
(4, 1) z = 5 4 + 5 1 = 25
M
4
(6, 4) z = 5 6 + 5 4 = 50

2.8.2. Principi simpleks metode

Simpleks metoda spada u kategoriju iterativnih metoda gdje se polazi od nekog
dopustivog rjeenja (poetno bazino rjeenje) koje se u nizu koraka (iteracija) poboljava
dok se ne postigne optimalno rjeenje u skladu sa postavljenim ciljem.
Iteratio (lat) ponavljati, obnavljati.
Faze simpleks metode:
1. Svoenje opteg /standardnog oblika modela LP na kanonski oblik.
2. Simpleks algoritam
Korak 1. Odreivanje dopustivog bazinog rjeenja
Korak 2. Poboljanje dobivenog bazinog rjeenja kroz konaan broj koraka
iteracija.
(1)
(2)
(3)
(4)
M
1
(3/2,3)
M
2
(2,2)
M
3
(4,1)
M
4
(6,4)
D
0
(0,3)
(3/2,0)
x
1

x
2

z
0

z
opt

(1)
(2)
(3)
(4)
(6,0)
(0,6)
(0,1)
(3,0)
25
Svoenje opteg /standardnog oblika modela LP na kanonski oblik koji obezbjeuje
dopustivo poetno bazino rjeenje ) 0 (
j
x .

Ogranienje
oblika
Na lijevoj strani
ogranienja uvode se
promjenljive
Koef. u funkciji cilja uvedenih
promjenljivih
max
DP AP
min
DP AP

=

+ DP
+ AP
- DP+AP
0

0

-M
-M
0

0

M
M

Dopunske ili izravnavajue promjenljive (DP) se dodaju na lijevoj strani ogranienja
oblika nejednaina i oduzimaju od lijeve strane ogranienja oblika nejednaina .
Poto dopunske promjenljive ne izazivaju trokove i ne donose dobit to su im koeficijenti
u funkciji cilja jednaki nuli.
Artificijelne (umjetne ili vjetake) promjenljive (AP) se uvode samo kao raunsko
sredstvo u simpleks algoritmu sa vjetakom bazom sa ciljem da se obezbjedi dopustivo
bazino rjeenje i dodaju se na lijevoj strani ogranienja jednaina i oblika (nakon
oduzimanja dopunske promjenljive). Da bi se obezbijedio izlazak artificijelnih
promjenljivih iz bazinog rjeenja u funkciji cilja im se pridruuje koeficijent M kod
maksimum-problema LP, odnosno +M kod minimum-problema LP. Inae M je
nespecificirano veliki pozitivan broj. Dokle god su AP u bazi dobiveno rjeenje nije
upotrebljivo. U trenutku naputanja baze svih artificijelnih promjenljivih dobiva se prvo
upotrebljivo rjeenje.
Dopustivo bazino rjeenje podrazumijeva svako dopustivo (mogue) rjeenje u kome
nema vie od m pozitivnih vrijednosti promjenljivih (odnosno onoliko koliko ima
ogranienja).
Dopustivo bazino rjeenje moe biti:
- nedegenerirano ima tano m pozitivnih vrijednosti promjenljivih,
- degenerirano ima manje od m pozitivnih vrijednosti promjenljivih.
Promjenljive u simpleks metodi se klasifikuju kao nebazine i bazine.
Nebazine promjenljive (NBP) = promjenljive koje se izjednaavaju sa nulom.
Bazine promjenljive (BP) imaju vrijednosti vee od nule (moe biti i degeneracija) i ima
ih onoliko koliko ima ogranienja.
Osobine dopustivog bazinog rjeenja:
- sadri sve nenegativne vrijednosti promjenljivih,
- svaka promjenljiva koja ga ini moe se pojaviti samo u jednom ogranienju sa
strukturnim koeficijentom 1 tj. strukturni koeficijenti u ogranienjima uz bazine
promjenljive ine jedininu matricu.
Promjenljive koje ine dopustivo poetno bazino rjeenje = slobodni koeficijenti u
ogranienju:
- dopunske promjenljive uvedene u ogranienje oblika ,
- artificijelne promjenljive uvedene u ogranienja oblika = i .
Svaka iteracija se sastoji od tri koraka:
Korak 1. Utvrivanje da li je dobiveno rjeenje optimalno i ako nije odreuje se
promjenljiva koja treba da ue u bazu:
26
- ako je model LP za maksimum logino (ali ne i neophodno) je uvesti u bazu
promjenljivu koja najvie poveava funkciju cilja,
- ako je model LP za minimum logino je uvesti u bazino rjeenje promjenljivu
koja najvie smanjuje funkciju cilja.
Korak 2. Odreivanje promjenljive koja naputa bazu.
Korak 3. Transformacija strukturnih koeficijenata i koeficijenata u funkciji cilja nakon
ega se vraa na korak 1.
Simpleks metoda se moe provoditi:
- analitiki,
- tabelarno,
- matrino i sl.
U nastavku e se predstaviti analitiko i tabelarno rjeavanje problema LP simpleks
algoritmom.

2.8.3. Analitiko rjeavanje modela LP za maksimum simpleks metodom

Matematiki model

z = 9x
1
+ 11x
2
max
3x
1
+ 2x
2
240
2,5x
1
+ 5x
2
350
x
1
65
x
2
60
x
1,2
0

Svoenje modela LP na kanonski oblik

z=9x
1
+ 11x
2
+ 0x
3
+ 0x
4
+ 0x
5
+ 0x
6
max (1)
3x
1
+ 2x
2
+ x
3
= 240
2,5x
1
+ 5x
2
+ x
4
= 350 (2)
x
1
+ x
5
= 65
x
2
+x
6
= 60
) 6 , 1 ( , 0 = j x
j

Simpleks algoritam

Poetak = 0

I. Odreivanje poetnog bazinog rjeenja i izraunavanje kriterija optimalnosti

Promjenljive x
3,
x
4
, x
5
i x
6
se proglaavaju za bazine promjenljive, dok se x
1
i x
2
proglaavaju za nebazine. Stoga se bazine promjenljive izraavaju pomou nebazinih,
odnosno na osnovu sistema jednaina (2) dobiva se:

x
3
= 240 (3x
1
+ 2x
2
)
x
4
= 350 (2,5x
1
+ 5x
2
)
x
5
= 65 (x
1
) (3)
x
6
= 60 (x
2
).

27
Kriterij optimalnosti se dobije tako to se izvri supstitucija vrijednosti x
3
, x
4
, x
5
i x
6
iz
sistema (3) (tj. bazinih promjenljivih) u jednainu (1) i dobije se kriterij optimalnosti

z = 9x
1
+ 11x
2
(4)

Ovaj kriterij e se kod simpleks tabele transformisati u kriterij Z c, ali za bolje
razumijevanje simpleks metode neemo vriti njegovu transformaciju.
Bazine i nebazine promjenljive imaju slijedee vrijednosti:

NBP: x
1
= x
2
= 0
BP: x
3
= 240
x
4
= 350
x
5
= 65
x
6
= 60

Za ovo rjeenje funkcija cilja ima vrijednost z = 0.

1. Iteracija

Korak 1. - Ispitivanje optimalnosti rjeenja (kriterij optimalnosti) i odreivanje
promjenljive koja postaje bazina.
Poto u kriteriju optimalnosti (4) ima promjenljivih sa pozitivnim koeficijentima, to
implicira zakljuak da za vrijednosti x
1
,x
2
>0 e doi do poveanja vrijednosti funkcije
cilja. To znai da dobiveno rjeenje nije optimalno i da se moe poboljati. Poto
koeficijent c
2
=11 u relaciji (4) najvie poveava funkciju cilja, to znai da promjenljiva x
2

postaje bazina promjenljiva.

(x
2
B)

Korak 2. - Odreivanje promjenljive koja postaje nebazina.
Promjenljiva koja postaje bazina (u ovom sluaju x
2
) ne smije imati toliku vrijednost da
neka ranija bazina promjenljiva postane negativna. Stoga najvea mogua vrijednost za
bazinu promjenljivu x
2
izraunava se iz kolinika (naravno uzimaju se u obzir samo
mogue nenegativne vrijednosti):

min{240/2; 350/5; - ; 60/1}=
min{120; 70; - ; 60}= 60

Najmanji kolinik odreuje promjenljivu koja postaje nebazina. To je promjenljiva x
6
.

(B x
6
)

Prema tome, nove bazine promjenljive su x
3,
x
4
, x
5
i x
2
, dok su x
1
i x
6
nebazine.

Korak 3. - Izraavanje novih bazinih promjenljivih i kriterija optimalnosti
Prvo se iz etvrte jednaine sistema (3) izraunava nova bazina promjenljiva x
2
putem
nove nebazine promjenljive x
6
. Potom se vri supstitucija x
2
u ostalim jednainama
sistema (3), tako da se dobiva:

x
3
= 120 (3x
1
- 2x
6
)
28
x
4
= 50 (2,5x
1
- 5x
6
) (5)
x
5
= 65 (x
1
)
x
2
= 60 (x
6
)

Nakon supstitucije x
2
u realciju (4) dobiva se novi kriterij optimalnosti:

z = 9x
1
+ 11(60-x
6
) = 660 + 9x
1
11x
6
(6)

Vrijednosti promjenljivih i funkcije cilja nakon prve iteracije je:

NBP: x
1
= x
6
= 0
BP: x
3
= 120
x
4
= 50
x
5
= 65
x
2
= 60
z = 660

2. Iteracija

promjenljive koja postaje bazina.
Poto u kriteriju optimalnosti (6) uz x
1
je pozitivan koeficijent, to znai da se dobiveno
rjeenje moe poboljati. Prema tome nova bazina promjenljiva postaje x
1
.

(x
1
B)

Korak 2. - Odreivanje promjenljive koja postaje nebazina.

min{120/3; 50/2,5; 65/1; - }=
min{40; 20; 65; -} = 20
(B x
4
)

Korak 3. Izraavanje novih bazinih promjenljivih i kriterija optimalnosti
Na osnovu (5) dobiva se:

x
3
= 60 (-6/5x
4
+ 4x
6
)
x
1
= 20 (2/5x
4
- 2x
6
) (7)
x
5
= 45 (-2/5x
4
+2x
6
)
x
6
= 60 (x
6
)

Nakon supstitucije x
1
iz sistema (7) u (6) dobiva se novi kriterij optimalnosti:

z = 840 18/5x
4
+ 7x
6
(8)

Uz x
6
se nalazi pozitivni koeficijent, te se dobiveno rjeenje moe jo poboljavati.

NBP: x
4
= x
6
= 0
BP: x
3
= 60
x
1
= 20
x
5
= 45
29
x
2
= 60
z = 840

3. Iteracija

promjenljive koja postaje bazina

(x
6
B)

Korak 2. - Odreivanje promjenljive koja postaje nebazina

min{60/4; - ; 45/2; 60/1}=
min{15; - ; 22,5; 60} = 15
(B x
3
)

Na osnovu (7) dobiva se:

x
6
= 15 (1/4x
3
3/10x
4
)
x
1
= 50 (1/2x
3
1/5x
4
) (9)
x
5
= 15 (1/2x
3
+ 1/5x
4
)
x
2
= 45 (1/4x
3
+ 3/10x
4
)

Supstitucijom x
6
iz sistema (9) u (8) dobiva se:

z = 945 7/4x
3
3/2x
4
. (10)

Dobiveno rjeenje je optimalno jer nema koeficijenata uz nebazine promjenljive veih od
nule.

NBP: x
3
= x
4
= 0
BP: x
6
= 15
x
1
= 50
x
5
= 15
x
2
= 45
z = 945

Nakon 3. iteracije dobijeno je optimalno rjeenje:

OR
x
1
= 50 (kom)
x
2
= 45 (kom)
z = 945 (NJ)

2.8.4. Analitiko rjeavanje modela LP za minimum simpleks metodom

Kanonski oblik modela

z=5x
1
+ 5x
2
+ Mx
7
+ Mx
8
+ Mx
9
+Mx
10
min (11)

30
6x
1
-x
3
+x
7
= 9

6x
2
- x
4
+x
8
= 6
2x
1
+ 4x
2
-x
5
+x
9
= 12 (12)
16x
1
+ 8x
2
-x
6
+ x
10
= 48
) 10 , 1 ( , 0 = j x
j

Simpleks algoritam

Poetak =0

Odreivanje poetnog bazinog rjeenja i izraunavanje kriterija optimalnosti

Promjenljive x
7,
x
8
, x
9
i x
10
se proglaavaju za bazine promjenljive, a ostale za nebazine.
Na osnovu sistema jednaina (12) dobiva se:

x
7
= 9 (6x
1
x
3
)
x
8
= 6 (6x
2
x
4
) (13)
x
9
= 12 (2x
1
+ 4x
2
x
5
)
x
10

= 48 (16x
1
+ 8x
2
x
6
)

Nakon supstitucije (13) u (11) dobiva se izraz za kriterij optimalnosti:

z = 75M+(524M)x
1
+(5-18M)x
2
+Mx
3
+Mx
4
+Mx
5
+Mx
6
(14)

NBP: x
1
= x
2
= x
3
= x
4
=

x
5
=

x
6
= 0
BP: x
7
= 9; x
8
= 6; x
9
= 12; x
10
= 48
z = 75M

1. Iteracija

Korak 1. - Ispitivanje optimalnosti rjeenja i odreivanje promjenljive koja postaje
bazina
Dobiveno rjeenje nije optimalno, jer uz nebazine promjenljive ima koeficijenata (uz x
1
i
x
2
) koji za x
1
, x
2
> 0 mogu jo smanjiti vrijednost funkcije cilja. Poto koeficijent 524M
najvie smanjuje vrijednost funkcije cilja onda promjenljiva x
1
postaje bazina

x
1
B

Korak 2. - Odreivanje promjenljive koja postaje nebazina
Kriterij za odreivanje promjenljive koja postaje nebazina je identian kao i kod
problema za maksimum, tj.

min{9/6; - ; 12/2; 48/16;}=
min{ 3/2; - ; 6 ; 3} = 3/2
Bx
7


x
1
= 3/2 (-1/6x
3
+ 1/6x
7
)
31
x
8
= 6 (6x
2
x
4
)
x
9
= 9 (4x
2
+ 1/3x
3
x
5
1/3x
7
) (15)
x
10
= 24 (8x
2
+ 8/3x
3
x
6
8/3x
7
)

z = 15/2 + 39M + (5-18M)x
2
+ (5/6-3M)x
3
+ Mx
4
+ Mx
5
+ Mx
6
+ (-5/6+4M)x
7

(16)

NBP: x
2
= x
3
= x
4
=

x
5
=

x
6
= x
7
= 0
BP: x
1
= 3/2; x
8
= 6; x
9
= 9; x
10
= 24
Z = 15/2 + 39M

2. Iteracija

Korak 1. Ispitivanje optimalnosti rjeenja i odreivanje promjenljive koja postaje bazina

x
2
B

Korak 2. Odreivanje promjenljive koja postaje nebazina

min{- ; 6/6; 9/4; 24/8;}=
min{- ; 1; 9/4; 3} = 1
Bx
8


x
1
= 3/2 (1/6x
3
+ 1/6x
7
)
x
2
= 1 (1/6x
3
+1/6x
8
) (17)
x
9
= 5 (1/3x
3
+ 2/3x
4
x
5
1/3x
7
2/3x
8
)
x
10
= 16 (8/3x
3
+ 4/3x
4
x
6
8/3x
7
4/3x
8
)

z=25/2+21M+(5/6-3M)x
3
+(5/6-2M)x
4
+Mx
5
+Mx
6
+
+(-5/6+4M)x
7
+(-5/6+3M)x
8
(18)
NBP: x
3
= x
4
=

x
5
=

x
6
= x
7
= x
8
=0
BP: x
1
=3/2; x
2
=1; x
9
=5; x
10
=16
z=25/2 + 21M

3. Iteracija


x
3
B


min{- ; - ; 5/(1/3); 16/(8/3)}=
min { - ; - ; 15; 6} = 6
Bx
10

32

x
1
= 5/2 (1/12x
4
1/16x
6
1/12x
8
+ 1/16x
10
)
x
2
= 1 (1/6x
4
+1/6x
8
) (19)
x
9
= 3 (1/2x
4
x
5
+ 1/8x
6
1/2x
8
1/8x
10
)
x
3
= 6 (1/2x
4
3/8x
6
x
7
1/2x
8
+ 3/8x
10
)

z=35/2+3M+(5/12-1/2M)x
4
+Mx
5
+(5/16-1/8M)x
6
+Mx
7
+
(-5/12+3/2M)x
8
+(-5/16+9/8M)x
10
(20)
NBP: x
4
=

x
5
=

x
6
= x
7
= x
8
= x
10
=0
BP: x
1
=5/2; x
2
=1; x
9
=3; x
3
=6
z=35/2 + 3M

4. Iteracija


x
4
B


min{(5/2)/(1/12); - ; 3/(1/2); 6/(1/2)}=
min {30; - ; 6; 12} = 6
Bx
9


x
1
= 2 (1/6x
5
1/12x
6
- 1/6x
9
+ 1/12x
10
)
x
2
= 2 (-1/3x
5
+1/24x
6
+ 1/3x
9
1/24x
10
)
x
4
= 6 (-2x
5
+ 1/4x
6
x
8
+ 2x
9
1/4x
10
) (21)
x
3
= 3 (x
5
1/2x
6
x
7
x
9
+ 1/2x
10
)

z=20+5/6x
5
+5/24x
6
+Mx
7
+Mx
8
+(-5/6+M)x
9
+(-5/24+M)x
10
(22)

Poto vie nema negativnih koeficijenata uz nebazine promjenljive, to se dobiveno
rjeenje ne moe vie poboljavati, tj. dobiveno je optimalno rjeenje.

Optimalno rjeenje:

x
1
= 2; x
2
= 2; x
3
= 3; x
4
= 6; z = 20.

OR:
x
1
= 2 |kg|
x
2
= 2 |kg|
z = 20 |NJ|

2.8.5. Rjeavanje opteg problema LP za maksimum koritenjem simpleks tabele

Polazi se od kanonskog oblika modela LP

33
z=c
1
x
1
+ c
2
x
2
+... + c
s
x
s
+ ... + c
n
x
n
+ c
n+1
x
n+1
+ ... max

p.o. a
11
x
1
+ a
12
x
2
+... + a
1s
x
s
+ ... + x
n+1
= a
10

a
21
x
1
+ a
22
x
2
+... + a
2s
x
s
+ ... + x
n+2
= a
20
.
.
.

a
r1
x
1
+ a
r2
x
2
+... + a
rs
x
s
+ ... + x
n+r
= a
r0
.
.
.

a
m1
x
1
+ a
m2
x
2
+

... + a
ms
x
s
+ ...

= a
m0

x
j
0; j=1,2,..., n, n+1, ...

Simpleks algoritam kod tabelarnog postupka zadatka LP ima identine korake kao kod
analitikog rjeavanja problema LP. Sastoji se iz niza iteracija gdje se poetno i svako
poboljano bazino rjeenje predstavlja odgovarajuom simpleks tabelom. Odreivanje
poetnog bazinog rjeenja i izraunavanje kriterija optimalnosti se provodi na prethodno
opisani nain i prije konstrukcije poetne simpleks tabele. Ostali koraci e se predstaviti
pomou blok dijagrama i detaljnije opisati.

Pravila za konstrukciju poetne simpleks tabele:
1. Zaglavlje tabele (prvi red) sadri koeficijente u funkciji cilja promjenljivih iz
odgovarajue kolone.
2. U drugu kolonu upisuju se bazine promjenljive.
3. Prva kolona sadri koeficijente u funkciji cilja bazinih promjenljivih.
4. U treu kolonu upisuju se vrijednosti bazinih promjenljivih.
5. Kolone simpleks tabele koje odgovaraju promjenljivim sadre strukturne koeficijente
iz sistema ogranienja.
6. Red Z-c (kriterij optimalnosti), odnosno keficijenti a
m+1,j
se izraunavaju
koritenjem izraza

a
m+1,0
=

c
n+1
a
10
+ c
n+2
a
20
+ ... + c
n+r
a
r0
+ ...

a
m+1,1
=

c
n+1
a
11
+ c
n+2
a
21
+ ... + c
n+r
a
r1
+ ... - c
1

a
m+1,2
=

c
n+1
a
12
+ c
n+2
a
22
+ ... + c
n+r
a
r2
+ ... c
2

.
.
.
a
m+1,s
=

c
n+1
a
1s
+ c
n+2
a
2s
+ ... + c
n+r
a
rs
+ ... - c
s
.
.
.

ili jednostavno koritenjem formule

a
m+1,0
= c
i
a
i0
i

34
a
m+1,j
= c
i
a
ij
- c
j j=1,2,...
i

Poetna simpleks tabela
C c
1
c
2
. . . c
s
. . .
Baza x
0
x
1
x
2
. . . x
s
. . .
c
n+1

c
n+2

.
.
.

c
n+r

.
.
.
x
n+1
x
n+2

.
.
.

x
n+r
.
.
.

a
10
a
20

.
.
.

a
r0
.
.
.

a
11
a
12
. . . a
1s
. . .

a
21
a
22
. . . a
2s
. . .

.
.
.

a
r1
a
r2
. . . a
rs
. . .

.
.
.
z-c a
m+1,0
a
m+1,1
a
m+1,2
. . . a
m+1,s
. . .

Blok dijagram za izraunavanje elemenata simpleks tabele pomou simpleks algoritma za
opti maksimum problem linearne optimizacije

START
a
m+1,j<0?
j=1,...
ne
(1)
Postavljanje
poetne
simpleks
tabele
35

(odreivanje pivot-stupca)

Posljednji red simpleks tabele Z-c predstavlja kriterij optimalnosti na osnovu kojeg se
utvruje da li je dobiveno optimalno rjeenje ili ne, odnosno da li se moe jo
poboljavati.
Poboljanje programa podrazumijeva prelazak neke od nebazinih promjenljivih u
bazine, tako da kod maksimum problema LP doe do poveanja vrijednosti funkcije
cilje.
Ako su svi koeficijenti u redu Z-c vei ili jednaki nuli, dobiveno je optimalno rjeenje.
U suprotnom sluaju dobiveno rjeenje se moe poboljavati. U modelu za maksimum
promjenljivu koja ulazi u bazu odreuje najmanji negativan koeficijent a
m+1,j
ili najvei po
apsolutnoj vrijednosti negativni koeficijent a
m+1,j

1,2.... j 0 max 0 max
, 1
= < = <
+ j m j j
a c z

Ako je to koeficijent a
m+1,s
onda je stubac s vodei stubac ili pivot-stubac, a
promjenljiva x
s
ulazi u bazu. Pivot stubac se simboliki oznaava sa .

Korak 2. Odreivanje promjenljive koja naputa bazu (odreivanje pivot-reda tabele)

Da bi se odredio vodei red ili pivot-red neophodno je izraunati kolinike vrijednosti
bazinih promjenljivih i odgovarajuih elemenata po redovima iz prethodno odreene
Pivot-stubac s=?
Odreuje se sa
{ } 0 max
, 1
<
+ j m
j
a
Pivot-red r=?
Odreuje se sa
{ }
rs
r
is is i
a
a
zaa a a
0
0
0 / min >
Pivot-red r=?
Odreuje se sa
{ }
rs
r
is is i
a
a
a za a a
0
0
0 / min = >

Izraunavanje elemenata nove
simpleks tabele
- pivot red
rs
rj
rj
a
a
a = '
- ostali redovi
is rj ij rj
a a a a = ' '

Optimalno
rjeenje
KRAJ
36
pivot-kolone. Najmanja vrijednost izraunatih kolinika odreuje koji je red pivot-red,
odnosno koja promjenljiva naputa bazu. Matematiki se odreivanja pivot-reda vri
izraunavanjem

0 , min
0
>
)
`
is
is
i
a za
a
a

Neka je to r-ti red tj.
rs
r
is
is
i
a
a
a
a
a
0 0
0 , min =
)
`
> .
Koeficijent a
rs
koji se nalazi na presjeku pivot-reda i pivot-kolone naziva se kljuni broj.
Pivot-red se simboliki oznaava , a kljuni broj se zaokruuje.
Promjenljiva koja se nalazi u pivot-redu naputa bazu.

Korak 3. Transformacija koeficijenta simpleks tabele

Da bi se odredilo poboljano rjeenje neophodno je izraunati nove vrijednosti bazinih
promjenljivih i koeficijenata naredne simpleks tabele. Koeficijenti koji e se upisati u
slijedeu simpleks tabelu (1. Iteracija) transformiu se na slijedei nain:
a) Transformacija koeficijenata pivot-reda
Svi keficijenti pivot-reda transformiu se na taj nain to se podijele sa kljunim
brojem tj.
) 2 , 0 ( ; ' l m n j
a
a
a
rs
rj
rj
+ = =

b) Transformacija koeficijenata ostalih redova
Koeficijenti ostalih redova transformiu se koritenjem slijedee relacije:

Novi Stari Novi koeficijent Stari koeficijent
koeficijent = koeficijent iz iste kolone u x iz istog reda i
pivot-redu pivot-kolone

) 1 , 1 ( , + = m i r i
) 2 , 0 ( , ' ' l m n j a
a
a
a a a a a
is
rs
rj
ij is rj ij ij
+ = = =

Prilikom runog rjeavanja problema mogu se utvrditi slijedee matematike olakice:
(1) Ako u pivot-koloni neki od koeficijenata je jednak nuli, onda kod transformacije
koeficijenti u tom redu ostaju nepromijenjeni.
(2) Ako u pivot-redu se nalaze koeficijenti jednaki nuli, onda kod transformacije svi
koeficijenti u toj koloni ostaju nepromijenjeni.
(3) Radi kontrole raunskih transformacija u svakoj simpleks tabeli koeficijenti u redu
Z-c trebaju udovoljavati obrascu koji se koristi kod formiranja poetne simpleks
tabele.

Nakon izmjene bazinog rjeenja konstruie se nova simpleks tabela (1. Iteracija) sa
novim bazinim promjenljivim i transformisanim vrijednostima koeficijenata svih redova
37
simpleks tabele, te se vraa na korak 1. i ponavlja cjelokupan postupak dok se ne dobije
optimalno rjeenje.

Primjer:

z = 9x
1
+ 11x
2
max
3x
1
+ 2x
2
240
2,5x
1
+ 5x
2
350
x
1
65
x
2
60
x
1,2
0

Kanonski oblik modela:

z = 9x
1
+11x
2
+0(x
3
+x
4
+x
5
+x
6
)

max
3x
1
+2x
2
+x
3
= 240
2,5x
1
+5x
2
+ x
4
= 350
x
1
+x
5
= 65
x
2
+x
6
= 60
) 6 , 1 ( , 0 = j x
j

B.R. x
3
=240; x
4
=350; x
5
=65; x
6
=60

C 9 11 0 0 0 0
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
0 x
3
240 3 2 1 0 0 0
0 x
4
350 5/2 5 0 1 0 0
0 x
5
65 1 0 0 0 1 0
0 x
6
60 0 1 0 0 0 1
Z-c 0 -9 -11 0 0 0 0

1. Odreivanje promjenljive koja ulazi u bazu
{ } { } = =
2
x 11 11 , 9 max 11 ; 9 max
2. Odreivanje promjenljive koja naputa bazu
{ } { }
6
60 60 ; ; 70 ; 120 min 1 / 60 ; ; 5 / 350 ; 2 / 240 min x = =
3. Transformacija koeficijenata
- vodei red
r=4; s=2;
38
; 0
1
0
a
a
' a ; 0
1
0
a
a
' a ; 0
1
0
a
a
' a
; 0
1
0
a
a
' a ; 1
1
1
a
a
' a 0
1
0
a
a
' a
; 60
1
60
a
a
' a ) 6 , 0 j ( ,
a
a
' a
42
46
46
42
45
45
42
44
44
42
43
43
42
42
42
42
41
41
42
40
40
42
j 4
j 4
= = = = = = = = =
= = = = = = = = =
= = = = =

- ostali redovi

i=1,
2 2 1 0 ' '
0 2 0 0 ' '
0 2 0 0 ' '
1 2 0 1 ' '
0 2 1 2 ' '
3 2 0 3 ' '
120 2 60 240 ' '
' '
) 0,6 (j 4 i ) 5 , 1 ( ' '
12 46 16 16
12 45 15 15
12 44 14 14
12 43 13 13
12 42 12 12
12 41 11 11
12 40 10 10
12 4 1 1

= = =
= = =
= = =
= = =
= = =
= = =
= = =
=
= = =
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
i a a a a
j j j
is rj ij ij

i=5
11 ) 11 ( 1 0 ' '
0 ) 11 ( 0 0 ' '
0 ) 11 ( 0 0 ' '
0 ) 11 ( 0 0 ' '
0 ) 11 ( 1 11 ' '
9 ) 11 ( 0 9 ' '
660 ) 11 ( 60 0 ' '
' '
52 46 56 56
52 45 55 55
52 44 54 54
52 43 53 53
52 42 52 52
52 41 51 51
52 40 50 50
52 4 5 5
= = =
= = =
= = =
= = =
= = =
= = =
= = =
=
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
j j j

1. Iteracija
C 9 11 0 0 0 0
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
0 x
3
120 3 0 1 0 0 -2
0 x
4
50 5/2 0 0 1 0 -5
0 x
5
65 1 0 0 0 1 0
11 x
2
60 0 1 0 0 0 1
Z-c 660 -9 0 0 0 0 11

{ } { } B = =
1
x 9 9 max 9 max
{ } { }
4
B 62 ; ; 65 ; 20 ; 40 min ; ; 1 / 65 ; 25 / 50 ; 3 / 120 min x = =
39

2. Iteracija
C 9 11 0 0 0 0
Baza

x
0
x
1
x
2
x
3
x
4
x
5
x
6
0 x
3
60 0 0 1 -6/5 0 4
9 x
1
20 1 0 0 2/5 0 -2
0 x
5
45 0 0 0 -2/5 1 2
11 x
2
60 0 1 0 0 0 1
Z-c 840 0 0 0 18/5 0 -7

Poto u redu Z-c jo ima negativnih koeficijenata dobiveno rjeenje jo nije optimalno.

{ } { } B = =
6
x 7 7 max 7 max
{ } { }
3
B 15 ; 60 ; 5 , 22 ; ; 15 min ; 1 / 60 ; 2 / 45 ; ; 4 / 60 min x = =

Nakon izmjene baze i transformacije koeficijenata dobiva se tabela 3. iteracije

3. Iteracija-optimalno rjeenje
C 9 11 0 0 0 0
Baza

x
0
x
1
x
2
x
3
x
4
x
5
x
6
0 x
6
15 0 0 -3/10 0 1
9 x
1
50 1 0 -1/5 0 0
0 x
5
15 0 0 -1/2 1/5 1 0
11 x
2
45 0 1 -1/4 3/10 0 0
Z-c 945 0 0 7/4 3/2 0 0

Poto u redu Z-c nema negativnih koeficijenata dobiveno rjeenje je optimalno.

Iz simpleks tabele optimalnog rjeenja moe se utvrditi:

(1) Struktura originala:
x
1
= 50 (kom) c
1
= 9 (NJ/kom) c
1
x
1
= 450(NJ)
x
2
= 45 (kom) c
2
= 11 (NJ/kom) c
2
x
2
= 495(NJ)
z = 945 (NJ)
(2) Struktura duala:
Poto za svako ogranienje vezujemo jednu dualnu promjenljivu, to se u redu Z-c
ispod onih promjenljivih koje ine poetno bazino rjeenje itaju vrijednosti dualnih
promjenljivih
b
i
y
i

y
1
= 7/4 b
1
= 240 420
y
2
= 3/2 b
2
= 350 525

y
3
= 0 b
3
= 65 0
y
4
= 0 b
4
= 60 0

z = 945

(3) Ako se dopunske promjenljive nalaze u optimalnom rjeenju, onda one kod
ogranienja oblika znae neiskoriten resurs.
40

x
5
= 15
x
1
+ x
5
= 65
x
5
= 65 x
1
= 65-50 = 15
x
6
= 15
x
2
+ x
6
= 6
x
6
= 60 x
2
= 60-45 = 15

U tabeli optimalnog rjeenja, vektori koji ine poetno bazino rjeenje formiraju
inverznu matricu optimalne baze koja je vrlo znaajna u postoptimalnoj analizi

(
(
(
(
0 0 10 / 3 4 / 1
0 1 5 / 1 2 / 1
0 0 5 / 1 2 / 1
1 0 10 / 3 4 / 1
1
0
A

B A X
opt
=
1
0

Primjer: Neka je dat matematiki model:

z = 2x
1
+ x
2
max
p.o. 2x
1
+ 3x
2
12
x
1
x
2
= 1
x
1
+ 2x
2
2
x
1,2
0

Svoenje na kanonski oblik:

z = 2x
1
+x
2
+0x
3
+0x
4
-Mx
5
-Mx
6
max
2x
1
+3x
2
+ x
4
= 12
x
1
x
2
+ x
5
= 1
x
1
+2x
2
x
3
+x
6
= 2
) 6 , 1 ( , 0 = j x
j

Odreivanje poetnog bazinog rjeenja:

x
4
=12; x
5
=1; x
6
=2; z=0-3M

Sastavljanje poetne simpleks tabele:
C 2 1 0 0 -M -M
Baza

x
0
x
1
x
2
x
3
x
4
x
5
x
6
0 x
4
12 2 3 0 1 0 0
-M x
5
1 1 -1 0 0 1 0
-M x
6
2 1 2 -1 0 0 1
Z-c
-3M -2-2M -1-M M 0 0 0
41

Izraunavanje elementa u redu Z-c m=3

0 ) ( 1 ) ( 0 ) ( 0 0
0 ) ( 0 ) ( 1 ) ( 0 0
0 0 0 ) ( 0 ) ( 1 0
0 ) 1 ( ) ( 0 ) ( 0 0
1 1 2 ) ( ) 1 ( ) ( 3 0
2 2 2 1 ) ( 1 ) ( 2 0
3 2 ) ( 1 ) ( 12 0
6 , 0
46
45
44
43
42
41
40
4
= + + =
= + + =
= + + =
= + + =
= + + =
= + + =
= + + =
= =
M M M a
M M M a
M M a
M M M a
M M M a
M M M a
M M M a
j c a c a
i
j ij i j

1. Poto u poetnoj simpleks tabeli postoji

{ } { } 1 , 2 2 , 0
42 41 4 4
= = < M M a a a a
j j

dobiveno rjeenje se moe poboljati.

Pivot stubac

{ } { }
{ } 2 2 1 , 2 2 max
1 , 2 2 max , max
42 41
+ = + + =
= =
M M M
M M a a

s=1

Pivot stubac je prvi stubac, to znai da u bazu ulazi promjenljiva x
1
.

2.Pivot red

1
1
2
,
1
1
,
2
12
min , , min 0 , min
33
30
22
20
11
10
1
1
0
=
)
`
=
)
`
=
)
`
>
a
a
a
a
a
a
a za
a
a
i
i
i

r=2

Pivot red je drugi red to znai da bazu naputa promjenljiva x
5
.

3.Izraunavanje elemenata nove simpleks tabele (1. iteracija)
- pivot red-
21
2
2j
a' 2
a
a
r i
j
= = =

0
1
0
a
a
a'
1
1
1
a
a
a' 0
1
0
a
a
a'
0
1
0
a
a
a' 1
1
1
a
a
a'
1
1
1
a
a
a' 1
1
1
a
a
a'
21
26
26
21
25
25
21
24
24
21
23
23
21
22
22
21
21
21
21
20
20
= = =
= = = = = =
= = = =
= =
= = = = = =
42

- ostali redovi

i=1
0 2 0 0 ' '
2 2 1 0 ' '
1 2 0 1 ' '
0 2 0 0 ' '
5 2 ) 1 ( 3 ' '
0 2 1 2 ' '
10 2 1 12 ' '
' '
11 26 16 16
11 25 15 15
11 24 14 14
11 23 13 13
11 22 12 12
11 21 11 11
11 20 10 10
11 2 1 1
= = =
= = =
= = =
= = =
= = =
= = =
= = =
=
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
j j j

i=3
1 1 0 1 ' '
1 1 1 0 ' '
0 1 0 0 ' '
1 1 0 1 ' '
3 1 ) 1 ( 2 ' '
0 1 1 1 ' '
1 1 1 2 ' '
' '
31 26 36 36
31 25 35 35
31 24 34 34
31 23 33 33
31 22 32 32
31 21 31 31
31 20 30 30
31 2 3 3
= = =
= = =
= = =
= = =
= = =
= = =
= = =
=
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
j j j

i=4
0 ) 2 2 ( 0 0 ' '
2 2 ) 2 2 ( 1 0 ' '
0 ) 2 2 ( 0 0 ' ' '
) 2 2 ( 0 ' '
3 3 ) 2 2 )( 1 ( 1 1 ' '
0 ) 2 2 ( 1 2 2 ' '
2 ) 2 2 ( 1 3 ' '
' '
41 26 46 46
41 25 45 45
41 24 44 44
41 23 43 43
41 22 42 42
41 21 41 41
41 20 40 40
41 2 4 4
= = =
+ = = =
= = =
= = =
= = =
= = =
= = =
=
M a a a a
M M a a a a
M a a a a
M M M a a a a
M M M a a a a
M M a a a a
M M M a a a a
a a a a
j j j

1. Iteracija
C 2 1 0 0 -M -M
Baza

x
0
x
1
x
2
x
3
x
4
x
5
x
6
0 x
4
10 0 5 0 1 -2 0
2 x
1
1 1 -1 0 0 1 0
-M x
6
1 0 3 -1 0 -1 1
43
Z-c 2-M 0 -3-3M M 0 2+2M 0

1. S obzirom na to da u tabeli 1. iteracije postoji a
4j
< 0 kao i a
42
= -3-3M dobiveno
rjeenje se moe poboljavati.
Pivot stubac

{ } { } M M a 3 3 3 3 max max
42
+ = =
s=2

U bazu ulazi promjenljiva x
2
.

2.Pivot red

3
1
3
1
,
5
10
min , min 0 , min
32
30
12
10
2
2
0
=
)
`
=
)
`
=
)
`
>
a
a
a
a
a za
a
a
i
i
i

r=3

To znai da bazu naputa promjenljiva x
6

Nakon transformacije elemenata tabele 1. iteracije, dobiva se slijedea tabela (Tabela 2.
iteracije)

2. Iteracija
C 2 1 0 0 -M -M
Baza

x
0
x
1
x
2
x
3
x
4
x
5
x
6
0 x
4
25/3 0 0 5/3 1 -1/3 -5/3
2 x
1
4/3 1 0 -1/3 0 2/3 1/3
1 x
2
1/3 0 1 -1/3 0 -1/3 1/3
Z-c 3 0 0 -1 0 1+M 1+M

1. S obzirom na to da u tabeli 2. iteracije postoji a
4j
<0 i a
43
=-1 dobiveno rjeenje se moe
poboljavati.
Pivot stubac

{ } { } 1 1 max max
43
= = a
s=3

U bazu ulazi promjenljiva x
3
.

2.Pivot red

5 min 0 , min
13
10
3
3
0
=
)
`
=
)
`
>
a
a
a za
a
a
i
i
i

r=1

To znai da bazu naputa promjenljiva x
4
44
Nakon transformacije elemenata tabele 2. iteracije, dobiva se slijedea tabela (Tabela 3.
iteracije)

3. Iteracije-optimalno rjeenje
C 2 1 0 0 -M -M
Baza

x
0
x
1
x
2
x
3
x
4
x
5
x
6
0 x
3
5 0 0 1 3/5 -1/5 -1
2 x
1
3 1 0 0 1/5 3/5 0
1 x
2
2 0 1 0 1/5 -2/5 0
Z-c 8 0 0 0 3/5 4/5+M M
y
1
y
2
y
3
Na osnovu simpleks tabele optimalnog rjeenja moe se izvriti intepretacija:
(1) Struktura primala:

x
1
=3 c
1
= 2 c
1
x
1
= 23=6
x
2
=2 c
2
= 1 c
2
x
2
= 12=2

= =
j
j j
x c z 8

(2) Optimalna struktura duala:
Dualne promjenljive se itaju iz reda Z-csimpleks
tabele optimalnog rjeenja i to ispod onih promjenljivih
(dopunske i artificijelne) koje ine poetno bazino
rjeenje

y
1
= 3/5 a
10
=12 a
10
y
1
=36/5
y
2
= 4/5 a
20
= 1 a
20
y
2
=4/5
y
3
= 0 a
30
= 2 a
30
y
3
=0

= =
i
i io
y a z 8

(3) Ako dopunske promjenljive se nalaze u optimalnom rjeenju onda one kod
ogranienja oblika oznaavaju neiskoriteni resurs, a kod ogranienja oblika
znae preiskoritenost iznad minimalnog zahtjeva ogranienja.

x
3
= 5
x
1
+ 2x
2
x
3
= 2
x
3
= x
1
+ 2x
2
2= 3 + 22 2 = 5

(4) U tabeli optimalnog rjeenja, vektori koji ine poetno bazino rjeenje formiraju
inverznu matricu optimalne baze koja je vrlo znaajna u postoptimalnoj analizi.

(
(
(
0 5 / 2 5 / 1
0 5 / 3 5 / 1
1 5 / 1 5 / 3
1
0
A

B A X
opt
=
1
0

45
2.8.6. Rjeavanje opteg problema LP za minimum koritenjem simpleks tabele

Rjeavanja problema LP za minimum u odnosu na simpleks algoritam za problema LP
maksimum razlikuje se samo u koraku 1., dok su ostali koraci identini (odreivanje
pivot-reda i transformacija koeficijenata). Stoga e se dati blok dijagram rjeavanja
minimum-problema LP i detaljnije obrazloiti korak 1.

(odreivanje pivot-stupca)
Kao i kod simpleks tabele za maksimum posljednji red simpleks tabele Z-c predstavlja
kriterij optimalnosti na osnovu kojeg se utvruje da li je dobiveno optimalno rjeenje ili
ne, odnosno da li se moe jo poboljavati.
Poboljanje programa podrazumijeva prelazak neke od nebazinih promjenljivih u
bazine, tako da kod minimum problema LP doe do smanjenja vrijednosti funkcije cilje.
Ako su svi koeficijenti u redu Z-c manji ili jednaki nuli, dobiveno je optimalno rjeenje
minimum-problema LP. U suprotnom sluaju dobiveno rjeenje se moe poboljavati. U
modelu za maksimum promjenljivu koja ulazi u bazu odreuje najvei pozitivan
koeficijent a
m+1,j
.

1,2.... j 0 max 0 max
, 1
= > = >
+ j m j j
a c z

Ako je to koeficijent a
m+1,s
onda je stubac s vodei stubac ili pivot-stubac, a
promjenljiva x
s
ulazi u bazu. Pivot stubac se simboliki oznaava sa .
Blok dijagram za izraunavanje elemenata simpleks tabele pomou simpleks algoritma za
opti minimum problem linearne optimizacije

START
a
m+1,j>0
?
j=1,...
Pivot-stubac s=?
Odreuje se sa
{ } 0 max
, 1
>
+ j m
j
a
Optimalno
rjeenje
KRAJ
ne
(1)
Postavljanje
poetne
simpleks
tabele
46

Primjer:

Polazi se od kanonskog oblika modela LP:

z = 5x
1
+ 5x
2
+ 0(x
3
+x
4
+x
5
+x
6
) + M(x
7
+x
8
+x
9
+x
10
)

min

6x
1
- x
3
+x
7
= 9

6x
2
- x
4
+x
8
= 6
2x
1
+ 4x
2
- x
5
+x
9
= 12
16x
1
+ 8x
2
- x
6
+ x
10
= 48
) 10 , 1 ( , 0 = j x
j

PBR: x
7
= 9; x
8
= 6; x
9
= 12; x
10
= 48; z = 0 + 75M

C 5 5 0 0 0 0 M M M M
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
M x
7
9 6 0 -1 0 0 0 1 0 0 0
M x
8
6 0 6 0 -1 0 0 0 1 0 0
M x
9
12 2 4 0 0 -1 0 0 0 1 0
M x
10
48 16 8 0 0 0 -1 0 0 0 1
Z-c 75M -5+ 24M -5+18M -M -M -M -M 0 0 0 0

1. Odreivanje vektora koji ulazi u bazu
{ } B M M M + = + +
1
x 24 5 18 5 ; 24 5 max
2. Odreivanje vektora koji naputa bazu
{ } { }
7
B 2 / 3 3 ; 6 ; ; 2 / 3 min 16 / 48 ; 2 / 12 ; ; 6 / 9 min x = =
- vodei red
r=1; s=1;

Pivot-red r=?
Odreuje se sa
{ } 0 / min
0
>
is is i
a za a a
Izraunavanje elemenata nove
simpleks tabele
- pivot red
rs
rj
rj
a
a
a = '
- ostali redovi
is rj ij ij
a a a a r i = ' '
47
;
6
1
' ;
6
1
' 0
6
0
'
; 1
6
6
' ; 2 / 3
6
9
' ) 10 , 0 ( , '
11
17
17
11
13
13
11
12
12
11
11
11
11
10
10
11
4
1
= = = = = = =
= = = = = = = =
a
a
a
a
a
a
a
a
a
a
a
a
a
a
a j
a
a
a
j
j

ostali redovi

) 10 , 0 ( ); 5 , 2 ( ; ' ' = = = j i a a a a
is rj ij ij

i=3

0 2 0 0 ' '
1 2 0 1 ' '
0 2 0 0 ' '
3 / 1 2 6 / 1 0 ' '
0 2 0 0 ' '
1 2 0 1 ' '
0 2 0 0 ' '
3 / 1 2 ) 6 / 1 ( 0 ' '
4 2 0 4 ' '
0 2 1 2 ' '
9 2 2 / 3 12 ' '
' '
31 10 , 1 10 , 3 10 , 3
31 19 39 39
31 18 38 38
31 17 37 37
31 16 36 36
31 15 35 35
31 14 34 34
31 13 33 33
31 12 32 32
31 11 31 31
31 10 30 30
31 1 3 3
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
= = =
=
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
j j j

i=5

0 ) M 24 5 ( 0 0 a ' a a ' a
0 ) M 24 5 ( 0 0 a ' a a ' a
0 ) M 24 5 ( 0 0 a ' a a ' a
M 4 6 / 5 ) M 24 5 ( 6 / 1 0 a ' a a ' a
M ) M 24 5 ( 0 ) M ( a ' a a ' a
M ) M 24 5 ( 0 ) M ( a ' a a ' a
M ) M 24 5 ( ) 6 / 1 ( ) M ( a ' a a ' a
M 4 6 / 5 ) M 24 5 ( ) 6 / 1 ( ) M ( a ' a a ' a
M 18 5 ) M 24 5 ( 0 ) M 18 5 ( a ' a a ' a
0 ) M 24 5 ( 1 ) M 24 5 ( a ' a a ' a
M 39 2 / 15 ) M 24 5 ( 2 / 3 ) M 75 0 ( a ' a a ' a
a ' a a ' a
51 10 , 1 10 , 5 10 , 5
51 19 59 59
51 18 58 58
51 17 57 57
51 16 56 56
51 15 55 55
51 14 54 54
51 13 53 53
51 12 52 52
51 11 51 51
51 10 50 50
51 j 1 j 5 j 5
= + = =
= + = =
= + = =
= + = =
= + = =
= + = =
= + = =
+ = + = =
+ = + + = =
= + + = =
+ = + + = =
=

48
Prethodno utvrenu izmjenu vektorske baze i transformisane koeficijente unosimo u
tabelu 1. iteracije:

1. Iteracija
C 5 5 0 0 0 0 M M M M
Baza X
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
5 x
1
3/2 1 0 -1/6 0 0 0 1/6 0 0 0
M x
8
6 0 6 0 -1 0 0 0 1 0 0
M x
9
9 0 4 1/3 0 -1 0 -1/3 0 1 0
M x
10
24 0 8 8/3 0 0 -1 -8/3 0 0 1
Z-c
15/2
+ 39M
0 -5
+ 18M
-5/6
+3M
-M -M -M 5/6-4M 0 0 0

1.Odreivanje vektora koji ulazi u bazu
{ } B M M M + = + +
2
x 18 5 4 6 / 5 ; 18 5 max
2.Odreivanje vektora koji naputa bazu
{ } { }
8
B 1 3 ; 4 / 9 ; ; 1 ; min 8 / 24 ; 4 / 9 ; 6 / 6 ; min x = =
Nakon transformacije koeficijenata dobije se tabela 2. iteracije

2. Iteracija
C 5 5 0 0 0 0 M M M M
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
7
x
8
x
9
x
10
5 x
1
3/2 1 0 -1/6 0 0 0 1/6 0 0 0
5 x
2
1 0 1 0 -1/6 0 0 0 1/6 0 0
M x
9
5 0 0 1/3 2/3 -1 0 -1/3 -2/3 1 0
M x
10
16 0 0 8/3 4/3 0 -1 -8/3 -4/3 0 1
Z-c
25/2
+21M
0 0 -5/6
+3M
-5/6
+2M
-M -M 5/6
-4M
5/6
-3M
0
0
0
0

3. Iteracija
5 x
1
5/2 1 0 0 1/12 0 -1/16 0 -1/12 0 1/16
5 x
2
1 0 1 0 -1/6 0 0 0 1/6 0 0
M x
9
3 0 0 0 1/2 -1 1/8 0 -1/2 1 -1/8
0 x
3
6 0 0 1 0 -3/8 -1 -1/2 0 3/8
Z-c
35/2
+3M
0 0 0 -5/12
+ 1/2M
-M -5/16
+1/8M
-M 5/12
-3/2M
0 5/16
-9/8M

5 x
1
2 1 0 0 0 1/6 -1/2 0 0 -1/6 1/12
5 x
2
2 0 1 0 0 -1/3 1/24 0 0 1/3 -1/24
0 x
4
6 0 0 0 1 -2 1/4 0 -1 2 -1/4
0 x
3
3 0 0 1 0 1 -1/2 -1 0 -1 1/2
Z-c
20 0 0 0 0 -5/6 -5/24 -M -M 5/6
-M
5/24
-M
y
1
y
2
y
3
y
4

49
Poto u bazinom rjeenju nakon 4. iteracije nema vie artificijelnih promjenljivih
dobiveno rjeenje je prvo upotrebljivo rjeenje. Meutim, poto u redu Z-c nema
pozitivnih koeficijenata, dobiveno rjeenje je ujedno i optimalno rjeenje.
Iz simpleks tabele optimalnog rjeenja mogu se uoiti:

(1) Struktura optimalnog programa

x
1
=2 (kg) krmiva A c
1
= 5(NJ/kg) c
1
x
1
= 10(NJ)
x
2
=2 (kg) krmiva B c
2
= 5(NJ/kg) c
2
x
2
= 10(NJ)
) ( 20 NJ x c z
j
j j
= =
(2) Struktura duala:
b
i
y
i

y
1
= 0 (NJ/jed) b
1
= 9 (jed) 0 (NJ)
y
2
= 0 b
2
= 6 (jed) 0

y
3
= 5/6 b
3
= 12 10
y
4
= 5/24 b
4
= 48 10

) ( 20 NJ y b z
i
i i
= =
(3) Ako dopunske promjenljive se nalaze u optimalnom rjeenju onda one kod
ogranienja oblika znae suviak u odnosu na minimalni zahtjev
x
4
= 6
6x
2
- x
4
= 6
x
4
= 6x
2
6= 62-6 = 6
to znai da sastojka L u smjesi ima vie za 6 jedinica u odnosu na minimalni zahtjev.
x
3
= 3
6x
1
- x
3
= 9
x
3
= 6x
1
9= 62-9 = 3
To isto znai i za satojak K kojeg u smjesi ima vie za 3 jedinice u odnosu na
minimalni zahtjev.
(4) U tabeli optimalnog rjeenja, vektori koji ine poetno bazino rjeenje formiraju
inverznu matricu optimalne baze

(
(
(
(
2 / 1 1 0 1
4 / 1 2 1 0
24 / 1 3 / 1 0 0
12 / 1 6 / 1 0 0
1
0
A

B A X
opt
=
1
0

2.8.7. Rjeavanje problema LP koritenjem duala

Postupak rjeavanja problema LP koritenjem duala emo objasniti koristei se modelom
datim u opem obliku:

z = 2x
1
+ x
2
max
2x
1
+ 3x
2
12
50
x
1
x
2
= 1
x
1
+ 2x
2
2
x
1,2
0

Dual netransformisanog originala:

z' = 12y
1
+ y
2
+ 2y
3
min
2y
1
+ y
2
+ y
3
2
3y
1
y
2
+ 2y
3
1
y
1
0, y
2
=0, y
3
0

Poto nije ispunjen uslov nenegativnosti dualnih promjenljivih, da bismo primijenili
simpleks postupak izvriemo transformaciju originalnog modela odnosno njegovo
svoenje na standardni oblik (rastavljanjem drugog ogranienja na dvije nejednaine i
mnoenjem druge nejednaine kao i treeg ogranienja sa 1).

Nakon izvrenih transformacija dobijamo transformisani original u slijedeem obliku:

z = 2x
1
+ x
2
max
2x
1
+ 3x
2
12
x
1
x
2

1
x
1
+ x
2

1
x
1
2x
2
2
x
1,2
0

Dual transformisanog originala:

z' = 12y'
1
+ y'
2
y''
2
2y'
3
min
2y'
1
+ y'
2
+ y''
2
y'
3
2
3y'
1
y'
2
+ y''
2
2y
3
1
y'
1
,y'
2
,y''
2
,y'
3
0

Veze izmeu dualnih promjenljivih netransformisanog i transformisanog originala:

y
1
= y'
1

y
2
= y'
2
y''
2

y
3
= y'
3

Simpleks metodom rjeavamo standardni problem za minimum:

Kanonski oblik modela:

z' = 12y'
1
+ y'
2
y''
2
2y'
3
+ 0(y
4
+ y
5
) + M(y
6
+ y
7
) min
2y'
1
+ y'
2
+ y''
2
y'
3
y
4
+ y
6
2
3y'
1
y'
2
+ y''
2
2y
3
y
5
+ y
7
1
y'
1
,y'
2
,y''
2
,y'
3
,y
4
,y
5
,y
6
,y
7
0

PBR: y
6
= 2; y
7
= 1; z = 0 + 3M
51

B 12 1 -1 -2 0 0 M M
Baza y
0
y'
1
y'
2
y''
2
y'
3
y
4
y
5
y
6
y
7
M y
6
2 2 1 -1 -1 -1 0 1 0
1 M y
7
1 3 -1 1 -2 0 -1 0
Z'-b 3M -12+5M -1 1 2-3M -M -M 0 0

1. Iteracija
M y
6
4/3 0 5/3 -5/3 1/3 -1 2/3 1 -2/3
1/3 12 y'
1
1/3 1 -1/3 1/3 -2/3 0 -1/3 0
Z'-b 4+4/3M 0 -
5+5/3M
5-5/3M -
6+1/3M
-M -
4+2/3M
0 4-5/3M

1 y'
2
4/5 0 1 -1 1/5 -3/5 2/5 3/5 -2/5
1/5 12 y'
1
3/5 1 0 0 -3/5 -1/5 -1/5 1/5
Z'-b 8 0 0 0 -5 -3 -2 3-M 2-M

Struktura duala:

y
1
= y'
1
= 3/5 a
10
=12 a
10
y
1
=36/5
y
2
= y'
2
y''
2
= 4/5 a
20
= 1 a
20
y
2
=4/5
y
3
= y'
3
= 0 a
30
= 2 a
30
y
3
=0

= =
i
i io
y a z 8

Struktura primala:
Poto je dual od duala, ustvari, primal, rjeenje primala se ita iz reda Z'-b simpleks
tabele optimalnog rjeenja i to ispod onih promjenljivih (artificijelnih) koje ine poetno
bazino
rjeenje

x
1
=3 c
1
= 2 c
1
x
1
= 23=6
x
2
=2 c
2
= 1 c
2
x
2
= 12=2

= =
j
j j
x c z 8

Analogni postupak se koristi ako je originalni problem za minimum.

2.8.8. Transportni problem linearnog programiranja (TP)

Osnovni zadatak TP:
52
Odrediti najpovoljniju varijantu transporta iz vie ishodita
u vie odredita uz minimalne transportne trokove.
Problemi koji se svode na TP:
- prevoz roba, ljudi i sl.
- prostorni razmjetaj maina, slubi i sl.
- lokacija novih objekata itd.

Osnovni model TP

Pretpostavke:
- Postoji m ishodita I
i
u kojima se nalazi roba u koliini a
i
gdje je i=1,2,...,m.
- Postoji n odredita O
j
ije su potrebe za robom u koliini b
j
gdje je j=1,2,...,n.
- Ukupna koliina otpreme iz ishodita jednaka je ukupnoj koliini potreba
odredita, tj.

= =
=
m
i
n
j
i i
b a
1 1

- Poznati su jedinini trokovi transporta robe iz i-tog ishodita u j-to odredite c
ij

koje emo predstaviti matricom jedininih trokova C.

(
(
(
(
(
(
(
=
mn m m
n
n
c c c
c c c
c c c
C
...
.
.
.
...
...
...
.
.
.
.
.
.
...
...
2 1
2 22 21
1 12 11

Ako oznaimo sa x
ij
koliinu prevezene robe iz i-tog ishodita u j-to odredite, svi
prethodni podaci se mogu predstaviti tabelarno:

Ishodita
Odredita
Koliina
otpreme
a
i
O
1
... O
j
... O
n

I
1
c
11

x
11
...
c
1j

x
1j
...
c
1n

x
1n
a
1
.
.
.
.
.
.

.
.
.

.
.
.
.
.
.
I
i
c
i1

x
i1
...
c
ij

x
ij
...
c
in

x
in
a
i
.
.
.
.
.
.

.
.
.

.
.
.
.
.
.
I
m
c
m1

x
m1
...
c
mj

x
mj
...
c
mn

x
mn
a
m
Koliina
primanja
b
1
... b
j
... b
n

=
j
j
i
i
b a
53
(b
j
)

Osnovni model TP
z=c
11
x
11
+ c
12
x
12
+ ... + c
1n
x
1n
+ c
21
x
21
+ c
22
x
22
+... + c
2n
x
2n
+ ... + c
m1
x
m1
+
c
m2
x
m2
+ ... + c
mn
x
mn
min
x
11
+ x
12
+ ... + x
1n
= a
1
x
21
+ x
22
+ ... + x
2n
= a
2
. . . .
. . . .
. . . .
x
m1
+ x
m2
+ ... + x
mn
= a
m
x
11
+ x
21
+ ... + x
m1
= b
1
x
21
+ x
22
+ ... + x
m2
= b
2
. . . .
. . . .
. . . .
x
1n
+x
2n
+ ... + x
mn
= b
n

) n 1, (j ), m 1, i ( , 0 = =
ij
x
ili koritenjem operatora
) n 1, j ; m 1, (i , 0 x
) n 1, (j
) m 1, (i
min
ij
1
1
1 1
= =
= =
= =
=
=
=
= =
m
i
j ij
n
j
i ij
m
i
n
j
ij ij
b x
a x
x c z

Karakteristike modela TP:
- spada u klasu modela LP,
- sadri mn nenegativnih promjenljivih i m+n ogranienja.
Vrste modela TP:
- zatvoreni TP (ukupna koliina otpreme ishodita=ukupne potrebe odredita)
- otvoreni TP (ukupna koliina otpreme ishoditaukupne potrebe odredita)

Dual TP

Ako se oznae sa u
i
, i=1,2,...,m dualne promjenljive koje se odnose na ishodite i v
j
,
j=1,2,...,n dualne promjenljive koje se odnose na odredita, onda se model duala TP moe
napisati u obliku:
Analizom dualnog modela TP moe se zakljuiti slijedee:
1. Poto original TP ima m+n ogranienja, dual e imati m+n promjenljivih, odnosno,
poto original ima mn promjenljivih, dual e imati mn ogranienja.
0 v 0, u
n 1, j , m 1, i
j i, par za c v u
a ogranicenj uz
max v b u a ' z
j i
ij j i
n
1 j
j j
m
1 i
i i
= =
+
+ =

= =
54
2. S obzirom da je original TP zadat sistemom ogranienja u obliku =, to se za vrijednost
dualnih promjenljivih ne postavlja uslov nenegativnosti.
3. Poto postoji ravnotea

= =
=
n
j
j
m
i
i
b a
1 1
, to se odgovarajue dualne promjenljive mogu
modificirati tako da se promjenljive u
i
uveaju (umanje) za konstantu d, a
promjenljive v
j
umanje (uveaju) za istu vrijednost. To emo pokazati:

= =
= = = = = =
+ =
= + + = + + =
n
j
j j
m
i
i i
m
i
m
j
j
n
j
j j i
m
i
i i
n
j
j j
m
i
i i
v b u a
b d v b a d u a d v b d u a z
1 1
1 1 1 1 1 1

) ( ) ( '

To znai da vrijednosti dualnih promjenljivih nisu jednoznano odreene, ve
vieznano, ali vrijednosti funkcije kriterija ostaju iste.
4. Dualne promjenljive imaju isto znaenje kao kod svih problema LP. Vrijednosti u
i
i u
j

pokazuju za koliko e se promijeniti vrijednost funkcije cilja ako se koliina otpreme,
odnosno koliina prijema povea za jednu jedinicu.

Otvoreni TP

Svoenje otvorenog TP na zatvoreni:
- Otvoreni TP sa suvikom u otpremi,
- Otvoreni TP sa suvikom u prijemu.
Otvoreni TP sa suvikom u otpremi
Ako je koliina otpreme vea od koliine primanja tj.

>
j
j
i
i
b a
onda se problem rjeava uvoenjem fiktivnog n+1-og odredita koji e apsorbovati
suviak u otpremi. Poto se radi o fiktivnom odreditu to su mu jedinini trokovi jednaki
0. Koliina primanja fiktivnog odredita je

=
+
j
j
i
i n
b a b
1

Otvoreni model TP sa suvikom u otpremi

55
Analizom prethodnog modela lahko se uoava da kod prvih m ogranienja oblika , kada
se uvedu dopunske promjenljive x
i,n+1
, i=1,2,...,m onda se mora uvesti jo jedno
ogranienje

=
+ +
=
m
i
n n i
b x
1
1 1 ,
.
S obzirom da se radi o dopunskim promjenljivim to e im
koeficijenti u funkciji cilja biti jednaki 0.
Matrica trokova kod otvorenog TP sa suvikom u otpremi nakon svoenja na zatvoreni
TP

(
(
(
(
(
(
(
(
=
0 ...
. . ... . .
. . ... . .
. . ... . .
0 ...
0 ...
2 1
2 22 21
1 12 11
mn m m
n
n
c c c
c c c
c c c
C

Otvoreni TP sa suvikom u prijemu
Model TP sa suvikom u prijemu

Koliina primanja vea je od koliine otpreme

>
j i
i j
a b
Problem se rjeava uvoenjem fiktivnog m+1-og ishodita koje e apsorbovati suviak u
primanjima. Kako se radi o fiktivnom ishoditu to su mu svi jedinini trokovi jednaki 0.
Koliina otpreme ishodita bit e jednaka

=
+
j i
i j m
a b a
1

Matrica trokova kod otvorenog TP sa suvikom u prijemu nakon svoenja na zatvoreni
TP

56
(
(
(
(
(
(
(
(
=
0 ... 0 0
...
.
.
.
.
.
.
.
.
.
.
.
.
...
...
2 1
2 22 21
1 12 11
mn m m
n
n
c c c
c c c
c c c
C

Ako u nekoj relaciji imamo obavezan transport tada za ovu koliinu smanjimo koliine
odgovarajueg ishodita i odredita, a zatim za ovu relaciju dajemo zabranu transporta.
Problem sa zabranjenim transportom rjeava se tako to se tom transportu pridruuje
nespecificirano veliki broj M.

Rjeavanje modela TP

Algoritam za rjeavanje:
Korak 1. Formirati matricu jedininih koeficijenata (trokova) tako da bude zadovoljeno

=
i j
j i
b a
Korak 2. Postaviti poetni program po nekoj od metoda za postavljanje poetnog
programa.
Ako je broj strogo pozitivnih rjeenja x
ij
> 0 (tzv. zauzeta polja) jednak m+n-1 onda se ide
na slijedei korak i problem je nedegeneriran.
Ako je broj zauzetih polja manji od m+n-1 onda je problem degeneriran i potrebno je
otkloniti degeneraciju tj. obezbijediti da broj zauzetih polja bude jednak m+n-1.
Korak 3. Za polja gdje je x
ij
=0 (tzv. nezauzeta polja) izraunati relativne trokove koji su
kriterij optimalnosti kod rjeenja TP.
Kod rjeavanje TP za minimum ako su svi relativni trokovi nepozitivni tj. c
ij
0
dobijeno rjeenje je optimalno. Ako postoji c
ij
> 0 onda se dobiveno rjeenje moe
poboljati.
Korak 4. Odreivanje novog bazinog rjeenja tako to se izvri pomicanje tereta na polje
sa najveim pozitivnim relativnim trokom i vrati se na korak 3.

Metode za postavljanje poetnog programa (poetnog bazinog rjeenja)

Postoji vie metoda:
- metoda sjeverozapadnog ugla,
- metoda najmanjih trokova,
- metoda minimum-reda,
- metoda minimum-kolone,
- metoda dvojnog prvenstva,
- Vogelova aproksimativna metoda itd.
Za sve metode, zavisno od usvojenog kriterija, vri se raspored tereta na polja potujui
relaciju
{ }, , min
j i
b a
57
gdje su sa
j i
b a , obiljeene raspoloiva koliina tereta u i-tom ishoditu i j-tom
odreditu, respektivno
Kod metode sjeverozapadnog ugla (dijagonalna metoda) polazi se od gornjeg lijevog ugla
i vri se raspored tereta u skladu sa usvojenom relacijom.
Metoda najmanjih jedininih koeficijenata polazi od polja sa najmanjim jedininim
koeficijentom u koji se rasporeuje maksimalno mogua koliina.
Vogelova aproksimativna metoda
Korak 1. Za svaki red i svaku kolonu odreuje se razlika dva najmanja jedinina
koeficijenta. Na taj nain izraunava se m+n parametara.
Korak 2. Od svih izraunatih parametara izabire se najvei. Ako se najvea razlika dva
najmanja koeficijenta odnosi na neki red ili kolonu, onda se taj red odnosno kolona
poinju programirati tako to se pronalazi najmanji koeficijent i u njega se programira
najvea mogua koliina.
Korak 3. Za preostali dio tabele ponovo se izraunavaju diferencije izmeu dva najmanja
koeficijenta nezavrenih (neprogramiranih) redova i kolona i vraa se na korak 2.

Degeneracija u TP

Rjeenje koje ima manje od m+n-1 pozitivnih x
ij
naziva se degenerirano bazino rjeenje.
Nedegenerirano bazino rjeenje moe se grafiki predstaviti kao cjelovito drvo sa m+n
vorova (odnose se na ishodita i odredita) i m+n-1 grana (odnose se na koliine otpreme
sa x
ij
>0).

Kod degenerisanog bazinog rjeenja drvo nije cjelovito jer nedostaje jedna ili vie grana.
Problem se rjeava tako to se pronalazi grana koja e ta parcijalna drvea povezati u
jedno cjelovito drvo i toj grani dodijeliti malu koliinu
tereta.

Primjer degenerisanog rjeenja.

Koliina koja se dodjeljuje granama koje spajaju parcijalna drvea u jedno drvo mora biti
toliko mala da gotovo ne utie na vrijednost funkcije cilja. Stoga se ovim granama
dodjeljuje pozitivni mali broj .
Grafiki prikaz otklonjene degeneracije
O
1
I
1
O
3
I
2
O
4
I
3
O
2
I
4
O
5
X
11

X
13

X
23
X
24

X
34

X
32
X
42

X
45

O
1
I
1
O
3
I
2
O
4
I
3
O
2
I
4
O
5
X
11

X
13
X
24

X
34

X
32

X
45

58

MODI metoda u rjeavanju TP

Engl. - Modified Distribution Method
Rjeavanje modela TP MODI metodom polazi od nekog nedegeneriranog poetnog
bazinog rjeenja.
Korak 1. Izraunati realne brojeve u
i
, i=1,2,...,m, i v
j
, j=1,2,...,n tako da za svako zauzeto
polje (i,j) x
ij
>0 vrijedi u
i
+v
j
=c
ij
.
Poto se dobiva m+n-1 jednaina sa m+n promjenljivih odabire se po volji jedna
vrijednost za u
i
ili v
j,
a obino u
1
=0.
Korak 2. Za sva nezauzeta polja x
ij
=0 izraunava se relativni troak c
ij
= u
i
+ v
j
c
ij
.
Pozitivna vrijednost relativnog troka govori o tome za koliko e se smanjiti vrijednost
funkcije cilja ako se jedinica tereta rasporedi na razmatrano polje, a negativna vrijednost
ukazuje na poveanje funkcije cilja kod rasporeda jedinice tereta.
Korak 3. Kriterij optimalnosti: Ako su svi c
ij
0 dobiveno rjeenje je optimalno. Ako je
ima c
ij
> 0 onda je potrebno odrediti novo bazino rjeenje tako to se izvri pomicanje
tereta na polje sa najveim pozitivnim relativnim trokom.
Korak 4. Odreivanje novog bazinog rjeenja
Potrebno je formirati tzv. lanac. Lanac predstavlja zatvoreni poligon u ijem jednom
tjemenu se nalazi polje sa najveim pozitivnim relativnim trokom, dok se u ostalim
tjemenima nalaze zauzeta polja. Svi uglovi poligona moraju biti 90
o
ili 270
o
u zavisnosti
da li je poligon konveksan ili konkavan.

O
1
I
1
O
3
I
2
O
4
I
3
O
2
I
4
O
5
X
11

X
13
X
24

X
34

X
32

X
45

59

Sa rednim brojem 1. obiljeava se polje sa najveim pozitivnim relativnim trokom, a
ostala po redoslijedu. Minimalna koliina sa parnog polja odreuje koliinu koja e se
rasporediti na nezauzeto polje (polje sa najveim pozitivnim relativnim trokom). Odrediti
nakon toga novo bazino rjeenje uvaavajui koliinu koja se pomie.

Primjer:
Jedno preduzee u mjestima I
j
, 3 , 1 = j iz hladnjaa iji je mjeseni kapacitet po 300 tona
povra respektivno, isporuuje potroakim centrima O
j
, 3 , 1 = j mjeseno 290, 145, 290
tona povra respektivno. Trokovi transporta jedne tone povra od I
i
do O
j
predstavljeni
su slijedeom tabelom:

O
1
O
2
O
3

I
1
20 14 17
I
2
30 25 16
I
3
10 28 12

Odrediti optimalni plan transporta, tako da ukupni trokovi budu minimalni.
Rjeenje:

x
ij
koliina transporta povra (u t) koja e se transportovati iz i-tog ishodita u j-to
odredite

Matematiki model:
z=20x
11
+14x
12
+17x
13
+30x
21
+25x
22
+16x
23
+10x
31
+28x
32
+12x
33
min
p.o. x
11
+ x
12
+ x
13
300
x
21
+ x
22
+ x
23
300
x
31
+ x
32
+ x
33
300
x
11
+ x
21
+ x
31
= 290
x
12
+ x
22
+ x
32
= 145
x
13
+ x
23
+ x
33
= 290
Korak 1. Transformisati zatvoreni TP uvoenjem dopunskih promjenljivih u prva 3
ogranienja (x
14
, x
24
, x
34
) i novog ogranienja (x
14
+x
24
+x
34
=175) koje apsorbuje razliku.

60
Korak 2. Izbor dopustivog poetnog bazinog rjeenja

1 2 3 4 a
i
RB 1 2
1 20 14
145
17
155
0 300 14 3 3
2 30 25 16
125
0
175
300 16 9 14Z(3)
3 10
290
28 12
10
0 300 10 2 2
b
j
290 145 290 175 900
RK 10 11Z(2) 4 0Z(1)
(3) 10Z(4) - 5 -

Poto broj zauzetih polja 6 x
ij
>0 jednak broju m+n-1=6 dobiveno bazino rjeenje je
nedegenerirano.
Korak 3. Primjena kriterija optimalnosti izraunavanje relativnih trokova

Zauzeta polja x
ij
>0 u
i
+ v
j
= c
ij

Nezauzeta polja x
ij
=0 c
ij
= u
i
+ v
j
c
ij

u
i
+ v
j
= 0
u
1

= 0
u
1
+ v
2
= 14 v
2
= 14
u
1
+ v
3
= 17 u
3
= 17
u
2
+ v
3
= 16 u
2
= -1
u
2
+ v
4
= 0 v
4
= 1
u
3
+ v
1
= 10 v
1
= 15
u
3
+ v
3
= 12 u
3
= -5

c
ij
= u
i
+ v
j
- c
ij
c
11
= u
1
+ v
1
- c
11
=0+15-20=5
c
14
= u
1
+ v
4
- c
14
=0+1-0=1
c
21
= u
2
+ v
1
- c
21
=-1+15-30=-16
c
22
= u
2
+ v
2
- c
22
=-1+14-25=-12
c
32
= u
3
+ v
2
- c
32
=-5+14-28=-19
c
34
= u
3
+ v
4
- c
34
=-5+1-0=-4

Poetna tabela
1 2 3 4 u
i

1 20
-5
14
145
17
155
0
1
0
2 30
-16
25
-12
16
125
0
175
-1
3 10
290
28
-19
12
10
0
-4
-5
v
j
15 14 17 1 z=9685

c
14
=1>0 - Dobiveno rjeenje nije optimalno

Korak 4. Izbor novog bazinog rjeenja
61
1,
3
2,
3
2,
4
1,
Broj polja 1 2 3 4
Indeks polja (1,4) (2,4) (2,3) (1,3)
Koliina prije pomicanja - 175 125 155
- poslije pomicanja 155 20 280 -

min{parno polje}=min{175,155}=155
Lanac:

Pomicanje tereta:

u
i
+
v
j
= c
ij

c
ij
= u
i
+ v
j
- c
ij
u
1

= 0
u
1
+ v
2
= 14 v
2
= 14 c
11
= u
1
+ v
1
- c
11
= 0 +14-20 =-6
u
1
+ v
4
= 0 u
4
= 0 c
13
= u
1
+v
3
- c
33
= 0 +16-17 =-1
u
2
+ v
3
= 16 u
3
= 16 c
21
= u
2
+v
1
- c
21
= 0 +14-30 =-16
u
2
+ v
4
= 0 u
2
= 0 c
22
= u
2
+v
2
- c
22
= 0 +14-25 =-11
u
3
+ v
1
= 10 v
1
= 14 c
32
= u
3
+v
2
- c
32
= -4+14-28=-18
u
3
+ v
3
= 12 u
3
= -4 c
34
= u
3
+v
4
- c
34
= -4+0-0=-4

1. Iteracija optimalno rjeenje
1 2 3 4 u
i
1 20
-6
14
145
17
-1
0
155
0
2 30
-16
25
-11
16
280
0
20
0
3 10
290
28
-18
12
10
0
-4
-4
v
j
14 14 16 0

z = 9685-1551
z = 9530
Kako su c
ij
< 0 dobiveno rjeenje je optimalno.

OR :
x
12
=145 t
x
14
=155 t (prva hladnjaa nee isporuiti 155 t)
x
23
=280 t
x
24
= 20 t (druga hladnjaa nee isporuiti 20 t)
x
31
= 290 t
x
33
= 10 t
4 1
2 3
62
z= 9530

Specifinosti rjeavanja transportnog problema za maksimum

Matematiki model TP za maksimum identian je modelu TP za minimum koji je
prethodno razmatran s razlikom da se trai maksimum funkcije cilja.
Kod duala TP za maksimum funkcija cilja se minimizira, a ogranienja su oblika
) n 1, j ; m 1, (i ,

= = + j i par za c v u
ij j i

Algoritam rjeavanja TP modela za maksimum slian je prethodno razmatranom za
minimum s razlikom u koraku 3. da ako su svi relativni trokovi nenegativni tj. c
ij
0
dobiveno rjeenje je optimalno, a ako postoji neko c
ij
< 0 onda se dobiveno rjeenje moe
poboljati.
U koraku 4. odreivanje novog bazinog rjeenja realizira se tako da se izvri pomicanje
tereta na polje sa najnegativnijim relativnim trokom.
Metode za postavljanje poetnog programa za maksimum su sline prethodno
razmatranim samo to se mijenja usvojeni kriterij za odreivanje polja na koje se vri
raspored tereta.
- Metoda sjeverozapadnog ugla je identina prethodno razmatranoj,
- Metoda najmanjih jedininih koeficijenata se sada zove metoda najveih
jedininih koeficijenata i raspored tereta se vri na polje sa najveim jedininim
trokom,
- Vogelova aproksimativna metoda za maksimum polazi od toga da se utvruju
najvea razlika dva najvea koeficijenta u redovima i kolonama i izvri raspored
tereta na polje sa najveim jedininim koeficijentom.
Kod MODI metode jedino se mijenja kriterijum optimalnosti (svi c
ij
treba da budu
nenegativni da bismo dobili optimalno rjeenje). Ostali koraci su identini prethodno
razmatranim.

63

2.8.9. Problem asignacije (PA)

Uvod

Specijalan sluaj TP je problem asignacije (rasporeivanja). Od TP razlikuje ga to to je
a
i
=b
j
=1, a vrijednosti promjenljivih mogu primiti vrijednost 0 ili 1.
Ovom metodom rjeavaju se:
- problem rasporeda poslova na radna mjesta, odnosno na radnike ili maine,
- izbor kandidata pri zapoljavanju pri emu se postiu najpovoljniji efekti i sl.
Sutina rjeavanja problema sastoji se u tome da se rasporedi n izvrilaca na n aktivnosti
pri ekstremnoj vrijednosti funkcije cilja, ali pod uslovom da jednoj aktivnosti moe biti
dodijeljen samo jedan izvrilac.

Matematiki model PA

Osnovni model PA (zatvoreni)
n 1, i 1
n 1, j 1
min
1
1
1 1
= =
= =
=
=
=
= =
n
j
ij
n
i
ij
n
i
n
j
ij ij
x
x
x c z

gdje je c
ij
efikasnost i-tog izvrioca na j-toj aktivnosti.
Ako ne postoji ravnotea izmeu izvrilaca i aktivnosti dobiva se tzv. otvoreni PA. Broj
izvrilaca emo obiljeiti sa m, a aktivnosti sa n.
Ako je broj izvrilaca vei od broja aktivnosti tj. ako je m>n onda je model otvorenog PA
64
p.o.
m 1, i 1
n 1, j 1
min
1
1
1 1
=
= =
=
=
=
= =
n
j
ij
m
i
ij
n
i
n
j
ij ij
x
x
x c z

Da bi se uravnoteio broj izvrilaca i aktivnosti uvode se fiktivne aktivnosti sa
koeficijentima jednakim nuli (odnose se na dopunske promjenljive x
i,n+1
).
U sluaju da je broj izvrilaca manji od broja aktivnosti m < n, model otvorenog PA je

p.o.
m 1, i 1
n 1, j 1
min
1
1
1 1
= =
=
=
=
=
= =
n
j
ij
m
i
ij
n
i
n
j
ij ij
x
x
x c z

Da bi se uravnoteio broj izvrilaca i aktivnosti uvode se fiktivni izvrioci sa
koeficijentima efikasnosti jednakim nuli (odnose se na dopunske promjenljive x
m+1,j
).
Ako je PA za maksimum, a poto vai relacija
max Cx = min {-Cx},
onda se mogu mnoiti elementi matrice efikasnosti C sa (-1), tako da se dalje moe
nastaviti po postupku za minimum.
Obavezna i zabranjena asignacija rjeava se po slinim principima kao kod TP.

Maarska metoda u rjeavanju PA

Matrica efikasnosti C=|c
ij
|
nn
mora biti kvadratna.
Ako se u matrici nalaze i nule onda maksimalan broj nezavisnih nula je jednak
minimalnom broju linija koje povezuju sve nule.
Ako se iz zadate matrice C=|c
ij
| izvodi matrica D=|d
ij
| prema izrazu d
ij
=c
ij
-u
i
-v
j
, gdje su
u
i
i v
j
konstante odabrane po volji, onda je rjeenje od C identino sa rjeenjem od D.
H.W.Kuhn je prvi razvio algoritam na osnovu stavova koji su formulirali maarski
matematiari Konig i Egervari, dok je Flood razvio metod optimalne asignacije polazei
65
od redukcije matrice efikasnosti. Stoga se naziva maarska metoda ili metoda reducirane
matrice.
Algoritam:
Korak 1. Redukcija matrice efikasnosti
(1) Oduzeti u svakoj koloni najmanji elemenat od ostalih.
(2) Provjeriti da li u svakom redu novodobivene matrice ima
bar jedna nula, a ako nema onda se najmanji elemenat
reda oduzima od ostalih.
Korak 2. Utvrivanje i provjera optimalnosti rjeenja
Kriterij optimalnosti je poreenje broja nezavisnih nula i reda matrice efikasnosti.
Dobiveno rjeenje je optimalno ako je broj nezavisnih nula jednak redu matrice
efikasnosti.
Prvo se izvri kategorizacija nula na nezavisne i zavisne. Zatim se pronalaze redovi koji
imaju jednu nulu ta nula se proglaava nezavisnom (zaokruuje se), dok ostale nule u
pripadnoj koloni se proglaavaju zavisnim i precrtavaju. Potom se pronalaze redovi sa
dvije nekategorizirane nule i po volji se proglaava jedna za nezavisnu, a druga za
zavisnu. Takoe i nule u koloni sa proglaenom nezavisnom nulom se oznaavaju kao
zavisne. Postupak se nastavlja dok se ne zavri kompletna kategorizacija. Ako je broj
nezavisnih nula jednak redu matrice efikasnosti n, dobiveno je optimalno rjeenje. A ako
je broj nezavisnih nula manji onda se ide na korak 3.
Korak 3. Odreivanje minimalnog broja redova i kolona koji sadre sve nule
(1) Oznae se svi redovi u kojima se ne nalaze nezavisne nule (simbolino ).
(2) Precrtaju se sve kolone koje imaju zavisne nule u oznaenim redovima.
(3) Oznaavaju se svi redovi koji imaju nezavisnu nulu u svakoj precrtanoj koloni.
(4) Ponavljaju se faze (2) i (3) dok se vie ne moe precrtati niti jedna kolona, niti
oznaiti red.
(5) Precrtati sve neoznaene redove.

Korak 4. Poboljani izbor nula
Odabire se najmanji neprecrtani elemenat matrice iz koraka 3. Taj elemenat se oduzima
od svih neprecrtanih elemenata, a dodaje se elementima koji su na presjeku precrtanih
redova i kolona. Ostali precrtani elementi se prepisuju. Na novu matricu se primijeni
korak 2.

Primjer:

U jednom pogonu poslovi P
j
, 1,3 j = mogu se obaviti na strojevima S
i,
1,4 i = uz
razliite trokove, to je predstavljeno u slijedeoj tabeli:

P
1
P
2
P
3

S
1
3 7 4
S
2
5 6 7
S
3
4 7 5
S
4
7 7 6

Iz odreenih razloga odlueno je da se na stroju S
4
obavezno izvri neki od poslova.
Na kojoj vrsti strojeva bi trebalo obaviti pojedine poslove tako da se postignu ukupni
minimalni trokovi izvrenja poslova?

66
R j e e nj e:

Sa x
ij
1,4 i = , 1,3 j = oznaiemo j-ti posao dodijeljen i-tom stroju.
Matematiki model problema:

z=3x
11
+7x
12
+4x
13
+5x
21
+6x
22
+7x
23
+4x
31
+7x
32
+5x
33
+7x
41
+7x
42
+6x
43
min
p.o.
x
11
+x
12
+x
13
1
x
21
+x
22
+x
23
1
x
31
+x
32
+x
33
1
x
41
+x
42
+x
43
=1
x
11
+x
21
+x
31
+x
41
=1
x
12
+x
22
+x
32
+x
42
=1
x
13
+x
23
+x
33
+x
43
=1

Zatvoreni model PA

z=3x
11
+7x
12
+4x
13
+0x
14
+5x
21
+6x
22
+7x
23
+0x
24
+4x
31
+7x
32
+5x
33
+0x
34
+7x
41
+
7x
42
+6x
43
+Mx
44
min
p.o.
x
11
+x
12
+x
13
+x
14
=1
x
21
+x
22
+x
23
+x
24
=1
x
31
+x
32
+x
33
+x
34
=1
x
41
+x
42
+x
43
+x
44
=1
x
11
+x
21
+x
31
+x
41
=1
x
12
+x
22
+x
32
+x
42
=1
x
13
+x
23
+x
33
+x
43
=1
x
14
+x
24
+x
34
+x
44
=1

Na osnovu matematikog modela originala PA moe se uoiti da matrica efikasnosti C
nije kvadratna, te joj je potrebno dodati jednu kolonu koja se odnosi na fiktivni posao P
4
.
Svi koeficijenti ove kolone (osim posljednjeg) su jednaki nuli, poto se odnose na
dopunske promjenljive modela. Posljednji koeficijent se odnosi na vjetaku promjenljivu,
te ima u matrici efikasnosti nespecificirano veliku vrijednost oznaenu sa M.
Prethodni zakljuci proizilaze iz matematikog modela zatvorenog PA, to e se
predstaviti tabelarno:

P
1
P
2
P
3
P
4

S
1
3 7 4 0
S
2
5 6 7 0
67
S
3
4 7 5 0
S
4
7 7 6 M

Rjeavanje problema nastavljamo pronalaenjem nula po kolonama. Prve tri kolone
nemaju nula. Pronalazimo najmanji koeficijent u svakoj koloni i oduzimamo ga od od
ostalih da bismo dobili nule u prve tri kolone.

min {c
i1
}=3
min {c
i2
}=6
min {c
i3
}=4
1,4 i =

3-3 7-6 4-4 0 0 1 0 0
5-3 6-6 7-4 0 2 0 3 0
4-3 7-6 5-4 0 = 1 1 1 0
7-3 7-6 6-4 M 4 1 2 M

Zatim pronalazimo nule po redovima. Ako red nema ni jednu nulu, onda pronalazimo
najmanji koeficijent i oduzimamo ga od ostalih koeficijenata. U ovom sluaju to je samo
etvrti red, te od ostalih koeficijenata tog reda oduzimamo najmanji koeficijent.
min {c
4j
}=1
1,4 j =

0 1 0 0 0 1 0 0
2 0 3 0
=
2 0 3 0
1 1 1 0 1 1 1 0
4-1 1-1 2-1 M-1 3 0 1 M-1
z=31+01+71=10

Poslije dobijanja nula u svakoj koloni i redu vrimo njihovu kategorizaciju. U treem redu
na polju (3,4) postoji samo jedna nula, proglaavamo je nezavisnom i zaokruujemo. Sve
ostale nule u etvrtoj koloni proglaavamo zavisnim i precrtavamo polja (1,4) i (2,4). Nulu
u etvrtom redu i drugoj koloni, takoe, proglaavamo za nezavisnu, dok su ostale nule iz
te kolone zavisne (polje 2, 2).
Ostale su nekategorizirane nule u prvom redu na poljima (1,1) i (1,3). Odabiremo jednu po
izboru npr. na polju (1,1) i proglaavamo je nezavisnom. Nula na polju (1,3) postaje
zavisna. Poto je broj nezavisnih nula manji od 4, dobiveno rjeenje nije oprimalno.

Dalje se postupak sastoji u slijedeem:

(1) Oznae se red u kome se ne nalazi nezavisna nula (drugi
red ).
(2) Precrtamo kolone koje imaju zavisnu nulu u oznaenom
drugom redu (druga i etvrta kolona).
(3) Oznaimo redove koji imaju nezavisnu nulu u svakoj
precrtanoj koloni (trei i etvrti red).
68
(4) Da su i treem i etvrtom redu postojale zavisne nule
faze (2) i (3) bi se ponovile. Poto trei i etvrti red ne sadre zavisne nule
postupak oznaavanja redova i precrtavanja kolona je zavren.
(5) Precrtamo sve neoznaene redove (prvi red).
Koraci (1)-(5) predstavljeni su u prethodnoj tabeli.
Postupak se nastavlja.
(6) Pronalazi se najmanji neprecrtani element prethodne
tabele. To je 1 koji se nalazi na poljima (3,1), (3,3) i
(4,3).
(7) Prepisujemo sve precrtane elemente osim onih koji se
nalaze na presjeku redova i kolona.

d
11
=0 d
13
=0 d
22
=0 d
24
=0 d
31
=1
d
34
=0 d
42
=0 d
44
=M-1

(8) Poveamo elemente koji se nalaze na presjeku precrtanih
redova i kolona za vrijednost najmanjeg neprecrtanog
elementa utvrenog pod (6). U ovom sluaju presjeni
element je d
12
=1 i povean za 1 utvren u koraku (6), te
sad iznosi 2. Drugi presjeni element je d
14
=0 i on se
poveava za 1.
(9) Smanjujemo sve neprecrtane elemente za vrijednost
najmanjeg neprecrtanog elementa tj. d
21
=2, d
23
=3, d
31
=1, d
33
=1, d
41
=3,
d
43
=1, umanjuju se za 1.

Prethodne korake emo predstviti u narednoj tabeli na
kojoj e se takoe izvriti kategorizacija nula.

0 1+1 0 0+1 0 2 0 1
2-1 0 3-1 0
=
1 0 2 0
1-1 1 1-1 0 0 1 0 0
3-1 0 1-1 M-1 2 0 0 M-1
z=31+61+01+61=15

Na prethodnu tabelu primijenit e se postupak kategorizacije nula: U prvom, drugom i
etvrtom redu postoje po dvije nule.
U prvom redu na polju (1,1) nulu proglaavamo nezavisnom. Ostale nule u prvom redu i
prvoj koloni proglaavamo za zavisne polja (1,3) i (3,1). U drugom redu nulu na polju
(2,2) proglaavamo za nezavisnu i zaokruujemo je. Ostale nule u drugom redu na polju
(2,4) i drugoj koloni na polju (4,2) proglaavamo zavisnim i precrtavamo ih.
Nulu u etvrtom redu na polju (4,3) proglaavamo za nezavisnu, a ostale u treoj koloni za
zavisne na polju (3, 3).
Nulu u treem redu na polju (3,4) proglaavamo nezavisnom.
Poto je broj nezavisnih nula (4) jednak redu matrice efikasnosti n=4, dobiveno je
optimalno rjeenje.
Optimalno rjeenje:
x
11
=1 (posao P
1
obavljat e se na stroju S
1
)
x
22
=1 (posao P
2
2
)
x
34
=1 (stroj S
3
e ostati neiskoriten)
x
43
=1 (posao P
3
4
)
69
z=15.

3. VIEKRITERIJSKO LINEARNO PROGRAMIRANJE (VLP)

3.1. Pojam viekriterijskog programiranja (VP)

Za razliku od jednokriterijskog programiranja (LP, NLP), kod viekriterijskog
programiranja respektuje se postojanje vie od jednog kriterija, a time i vie ciljeva.
U matematikom smislu postoji vie od jedne funkcije cilja (ciljevi mogu biti konfliktni).
U poslovnom odluivanju ciljevi mogu biti:
- maksimalan ukupni profit (dobit, zarada),
- maksimalan obim proizvodnje,
- minimalni trokovi proizvodnje,
- maksimalni izvozni efekti,
- minimalni utroci repromaterijala,
- maksimalno koritenje kapaciteta,
- maksimalna produktivnost,
- maksimalna ekonominost,
- maksimalna rentabilnost,
- maksimalna pouzdanost i sl.
Viekriterijsko programiranje = vektorska optimizacija = optimiziranje kod vie funkcija
cilja.
Viekriterijsko programiranje predstavlja skup metoda za odreivanje efikasnih rjeenja
i/ili preferiranih rjeenja iz skupa efikasnih rjeenja.
Za VLP karakteristine su linearne relacije izmeu promjenljivih u funkcijama cilja i
skupu ogranienja.
Optimalno rjeenje = skup efikasnih rjeenja.

3.2. Model VLP

Matematiki model koji je definisan sa k linearnih funkcija cilja sa n promjenljivih

f
1
(x) = c
11
x
1
+c
12
x
2
+...+c
1n
x
n
max
f
2
(x) = c
21
x
1
+c
22
x
2
+...+c
2n
x
n
max
. . . . . .
. . . . . .
. . . . . .
f
k
(x) = c
k1
x
1
+c
k2
x
2
+...+c
kn
x
n
max

i sistemom od od m linearnih nejednaina/jednaina na istom skupu promjenljivih

a
11
x
1
+ a
12
x
2
+...+ a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+...+ a
2n
x
n
b
2
. . . . . .
70
. . . . . .
. . . . . .
a
r1
x
1
+a
r2
x
2
+...+ a
rn
x
n
b
r
a
r+1,1
x
1
+ a
r+1,2
x
2
+...+ a
r+1,n
x
n
= b
r+1
. . . . . .
. . . . . .
. . . . . .
a
l1
x
1
+ a
l2
x
2
+...+ a
ln
x
n
= b
l
a
l+1,1
x
1
+ a
l+1,2
x
2
+...+ a
l+1,n
x
n
b
l+1
. . . . . .
. . . . . .
. . . . . .
a
m1
x
1
+ a
m2
x
2
+...+ a
mn
x
n
b
m

n 1, j , 0 =
j
x

oznaava se kao model VLP.

Ako se neka od ciljnih funkcija minimizira ona se moe jednostavno prevesti u zadatak
maksimizacije mnoenjem funkcije cilja sa (-1) .
Primjenom matrine notacije prethodni model se moe napisati u obliku:

f(x) max
Ax = A
0

x 0

gdje su:
f(x) simbol za skup funkcija k 1, p ), ( = x f
p

f(x)=|f
1
(x), f
2
(x),..., f
k
(x)|
A matrica strukturnih koeficijenata n j a
ij
, 1 m, 1, i , = =
A
0
vektor slobodnih lanova m, 1, i =
i
b
x vektor promjenljivih n 1, j , =
j
x .
Sistem ogranienja definie skup dopustivih rjeenja xD.
Svakoj taki x iz D odgovara skup vrijednosti funkcija cilja, odnosno vektor f(x), to znai
da se skup rjeenja D moe preslikati u kriterijski skup F.

Primjer: Dat je zadatak VLP

f
1
= x
1
+ 2x
2
max
f
2
= 6x
1
2x
2
max

p.o.
71

0 , x
5 x
6
22 2 3
3
2 1
2
1
2 1
2 1
+
+
x
x
x x
x x

Odreivanje skupa dopustivih rjeenja D

Preslikavanje skupa D u kriterijski skup F vri se na taj nain to se ekstremne take
skupa D preslikavaju u ekstremne take kriterijskog skupa F. U sluaju dvije funkcije cilja
ove se take spajaju pravim linijama koje ograniavaju kriterijski skup.

(x
1
, x
2
)(f
1
, f
2
)
- (0, 3)(f
1
, f
2
)
f
1
= 0+23 = 6
f
2
= 60-23 = -6
(0, 3)( 6, -6)
- (2, 5)( 12, 2)
- (4, 5)(14,14)
- (6, 2)(10,32)
- (6, 0)( 6, 36)

D
0
3 6
3
(6,2)
(4,5) (2,5)
X
2

X
1

72

3.3. Zadatak VLP i koncept Pareto optimalnosti

Iz domena dopustivih rjeenja D koji je definisan sistemom ogranienja potrebno je
izabrati takva rjeenja pored kojih nema drugih rjeenja koja bi bila bolja od njih ili bar
jednaka za sve ciljeve.
Marginalna rjeenja zadatka VLP dobivaju se rjeavanjem k (onoliko koliko ima funkcija
cilja) jednokriterijskih zadataka na poznatom skupu dopustivih rjeenja.
Savreno rjeenje je takvo rjeenje koje istovremeno maksimizira svih k-funkcija cilja.
Koncept Pareto optimuma:
Pareto optimalnost predstavlja proirenje koncepta optimalnosti u odnosu na
jednokriterijsko programiranje.
x
*
D je efikasno (nedominirano, Pareto optimalno, dominantno) rjeenje modela VP u
sluaju da ne postoji niti jedan vektor x

D koji zadovoljava uslove:

j. jedno za bar ) ( ) (
k 1, j j, za ) ( ) (
*
*
x f x f
x f x f
j j
j j
>
=

Drugaije izraeno x
*
je efikasno rjeenje u sluaju da poboljanje vrijednosti bilo koje
funkcije cilja uzrokuje pogoranje neke druge funkcije cilja (slika 1).
f
2

f
1

F
(6,-6)
(12,2)
(14,14)
(10,32)
(6,36)
0
73

3.4. Metode za rjeavanje VLP

Polazei od kriterija pristupa rjeavanju zadatka razlikuju se slijedee grupe metoda:
Metode za odreivanje efikasnih rjeenja odreuje se skup efikasnih rjeenja, a
donosilac odluke iz skupa efikasnih rjeenja preferira konano rjeenje (npr.
multikriterijska simpleks metoda).
Metode sa unaprijed izraenim preferencijom na osnovu preferencija donosilac odluke
uvaavajui usvojeni kriterij formira jednu sinteznu funkciju cilja od k-poznatih, pa se
problem rjeava kao jednokriterijski (npr. metoda teinskih koeficijenata).
Interaktivne metode - prilikom rjeavanja VLP problema iterativno se kombinuju metode i
odluke o preferencijama i rjeenja od donosioca odluke, sve dok donosilac odluke ne
bude zadovoljan rjeenjem.
Metode za izbor preferiranog rjeenja kod kojih se skup efikasnih rjeenja suava (grupe
metoda ELECTRE i PROMETHEE)

3.5. Grafika intepretacija rjeavanja problema VLP

Grafika intepretacija je mogua za problem VLP sa dvije promjenljive.
Kao ilustraciju koristiemo prethodni zadatak VLP.
Grafiki prikaz domena dopustivih rjeenja:

ER
Slika 1. Efikasno rjeenje (ER)
D
0 3 6
3
(6,2)
(4,5) (2,5)
X
2

9 12
74

- Funkcija cilja f
1
se maksimizira u najudaljenijoj od koordinatnog poetka presjenoj
taki sa D tj. (4,5).
- Funkcija cilja f
2
se maksimizira pomjeranjem du ose x
1
(zato to je c
2
<0) tj. u taki
(6,0).
- Rjeenja (4,5) i (6,0) su marginalna rjeenja.

Test efikasnosti u dvodimenzionalnoj ravni
- Taka (x
*
1
,x
*
2
) je efikasna ako ne postoji taka (x
1
,x
2
) za koju vai:

f
1
(x
1
,x
2
) f
1
(x
*
1
,x
*
2
)
f
2
(x
1
,x
2
) f
2
(x
*
1
,x
*
2
)

sa strogom nejednakou za bar jednu funkciju.
- Pretpostavimo da je (x
*
1
,x
*
2
) = (0,3) efikasna taka

f
1
(0,3) = 0+23 = 6
f
2
(0,3) = 6023 = -6
x
1
+ 2x
2
6
6x
1
2x
2
- 6

Prethodni sistem odreuje onaj dio domena D omeen iscrtkanim pravama sa
tjemenom u taki (0,3) u kome se nalaze take (2,5), (4,5), (6,2) i dr. Poto postoji
mnotvo taaka (x
1
,x
2
) koje zadovoljavaju prethodni uslov to taka (0,3) nije efikasna.
- Testom efikasnosti se moe provjeriti da i take na dui (0,3) (2,5) iskljuujui
taku (2,5) nisu efikasne, to se jasno geometrijski moe uoiti.
- Nadalje se pretpostavlja da je taka (x
*
1
,x
*
2
) = (2,5) efikasna, to e se provjeriti:

f
1
(2,5) = 2+25 = 12
f
2
(2,5) = 6225 = 2
x
1
+ 2x
2
12
6x
1
2x
2
2

Prethodni sistem odreuje onaj dio domena D koji je omeen iscrtkanim pravama sa
tjemenom u taki (2,5) u kojem se nalazi i taka (4,5). Kao i kod testa prethodne take i za
taku (4,5) se moe utvrditi da nije efikasna.
- Zakljuak o neefikasnosti moe se provesti za bilo koju taku dui koja spaja take
(2,5) i (4,5) iskljuujui taku (4,5).
- Pretpostavimo da je (x
*
1
,x
*
2
) = (4,5) efikasna taka.

f
1
(4,5) = 4+25 = 14
f
2
(4,5) = 6425 = 14
x
1
+ 2x
2
14
6x
1
2x
2
14

sa strogom nejednakou za
bar jednu nejednainu
bar jednu nejednaiinu
bar jednu nejednainu
75
Prethodni sistem definie dio ravnine x
1
,x
2
0 omeen iscrtkanim pravama sa
tjemenom u taki (4,5) i ne sadri take iz D (osim take (4,5)).
Poto nema taaka (x
1
,x
2
) za koje vae prethodna ogranienja, to je taka (4,5)
efikasna taka.

- Na isti nain se moe provjeriti da su take (6,2) i (6,0) takoe efikasne.
I take na duima koje spajaju prethodne tri efikasne take su takoe efikasne.
- Odgovor: Pareto optimalne su sve take koje se nalaze na duima (4,5) (6,2) i (6,2)
(6,0) ukljuujui i te take.
- Ako izanaliziramo kriterijski skup onda se uoava rast i f
1
i f
2
u nizu (6,-6), (12,2) i
(14,14), iskljuujui taku (14,14). Nadalje se f
1
smanjuje, a f
2
poveava (10,32) i dalje
(6,36), to ukazuje na postojanje Pareto optimalnih rjeenja.

3.6. Simpleks metoda u rjeavanju VLP

Kod multikriterijske simpleks metode uvijek je aktivna samo jedna funkcija cilja. Kada
se postigne maksimum jedne funkcije prelazi se na ekstremizaciju druge, pa tree itd.
Redovi drugih funkcija se tretiraju isto kao i ostali redovi simpleks tabele.
Test efikasnosti rjeenja provodi se nakon svake iteracije.
Postoje teoreme |Marti (1978) str. 30-34| koje dokazuju postojanje efikasnih odnosne
neefikasnih rjeenja.
(1) Ako u kriterijalnom dijelu simpleks tabele f
k
-c
k
postoje kolone u kojoj su svi
koeficijenti 0
k
j
z i bar jedan 0 <
k
j
z dobiveno rjeenje je neefikasno.
(2) Ako u kriterijalnom dijelu simpleks tabele postoje redovi u kojima su svi
koeficijenti vei ili jednaki nuli 0
k
j
z dobiveno rjeenje je efikasno.
(3) Ako nema sluaja (1) i (2) onda se provodi test efikasnosti za kriterijalni dio
simpleks tabele za nebazine vektore.

Multikriterijalna simpleks metoda sa odreivanjem efikasnih rjeenja e se ilustrirati na
poznatom primjeru u kanonskom obliku:

f
1
= x
1
+ 2x
2
max
f
2
= 6x
1
2x
2
max
x
1
+ x
2
+ x
3
= 3
3x
1
+ 2x
2
+ x
4
= 22
x
1
+ x
5
= 6
x
2
+ x
6
= 5

1,6 j , 0 =
j
x
.

Multikriterijalna simpleks metoda poinje sa optimiziranjem funkcije f
1
.

Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
3
3 -1 1 1 0 0 0
x
4
22 3 2 0 1 0 0
x
5
6 1 0 0 0 1 0
76
x
6
5 0 1 0 0 0 1
f
1
-c
1
0 -1 -2 0 0 0 0
f
2
-c
2
0 -6 2 0 0 0 0

Test efikasnosti: Poto u kriterijalnom dijelu simpleks tabele postoje kolone sa 0
k
j
z tj.
0 1
1
1
< = z i 0 6
2
1
< = z rjeenje je neefikasno.

1. iteracija
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
2
3 -1 1 1 0 0 0
x
4
16 5 0 -2 1 0 0
x
5
6 1 0 0 0 1 0
x
6
2 1 0 -1 0 0 1
f
1
-c
1
6 -3 0 2 0 0 0
f
2
-c
2
-6 -4 0 -2 0 0 0

Test efikasnosti: Poto je. 0 3
1
1
< = z i 0 4
2
1
< = z dobiveno rjeenje je neefikasno.
2. iteracija
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
2
5 0 1 0 0 0 1
x
4
6 0 0 3 1 0 -5
x
5
4 0 0 1 0 1 -1
x
1
2 1 0 -1 0 0 1
f
1
-c
1
12 0 0 -1 0 0 3
f
2
-c
2
2 0 0 -6 0 0 4

Test efikasnosti: Kako je 0 1
1
3
< = z i 0 6
2
3
< = z dobiveno rjeenje je neefikasno.

3. iteracija
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
2
5 0 1 0 0 0 1
x
3
2 0 0 1 1/3 0 -5/3
x
5
2 0 0 0 -1/3 1 2/3
x
1
4 1 0 0 1/3 0 -2/3
f
1
-c
1
14 0 0 0 1/3 0 4/3
f
2
-c
2
14 0 0 0 2 0 -6

Test efikasnosti: U kriterijalnom dijelu simpleks tabele 3. iteracije za prvu funkciju cilja
svi 0
1
j
z tako da je dobijeno efikasno rjeenje. Budui da se nakon 3. iteracije postigla
maksimalna vrijednost f
1
, prelazi se na optimizaciju druge funkcije cilja.

4. iteracija
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
2
2 0 1 0 1/2 -3/2 0
77
x
3
7 0 0 1 -1/2 5/2 0
x
6
3 0 0 0 -1/2 3/2 1
x
1
6 1 0 0 0 1 0
f
1
-c
1
10 0 0 0 1 -2 0
f
2
-c
2
32 0 0 0 -1 9 0

Test efikasnosti: Mora se koristiti kriterij 3. tako da se formira za nebazine promjenljive
kriterijalnog dijela pomona tabela

x
4
x
5
v
1
v
2

v
1
1 -2 1 0
v
2
-1 9 0 1

0 7 0 0

U posljednjem redu nema negativnih elemenata pa je rjeenje efikasno. Da je bio negativan
elemenat on bi odredio vodei stubac j, a izabrao bi se 0 >
k
j
z za kljuni broj, te bi se izvrila
bazna transformacija. Nakon bazne transformacije ako u posljednjem redu budu svi
koeficijenti vei ili jednaki nuli dobiveno rjeenje je efikasno.

5. iteracija
Baza x
0
x
1
x
2
x
3
x
4
x
5
x
6
x
4
4 0 2 0 1 -3 0
x
3
9 0 1 1 0 1 0
x
6
5 0 1 0 0 0 1
x
1
6 1 0 0 0 1 0
f
1
-c
1
6 0 -2 0 0 1 0
f
2
-c
2
36 0 2 0 0 6 0

Nakon 5. iteracije odreen je i maksimum druge funkcije cilja, te je time dobiveno i efikasno
rjeenje (drugi kriterij efikasnosti).
Efikasna rjeenja su take (4,5), (6,2) i (6,0).
Naravno efikasne su i take koje se mogu dobiti kao konveksna kombinacija prve dvije i
druge dvije take.

3.7. Metoda teinskih koeficijenata (MTK)

Spada u klasu metoda VLP sa a priori izraenom preferencijom.
Spada u grupu metoda funkcije korisnosti poto koristi funkciju korisnosti donosioca
odluke, tako da se zadatak VLP svodi na jednokriterijski.
Funkcija korisnosti u MTK dobiva se kao linearna kombinacija normaliziranih funkcija
cilja tako da se rjeava zadatak:
=
=
k
p
o
p p
MTK
x f w x f
1
max ) ( ) (

pri poetnom skupu ogranienja gdje su:
78
- w
p
0 - teinski koeficijent p-tog kriterija koji zadaje donosilac odluke , k p , 1 = .
- ) (x f
o
p
normalizirana p-ta funkcija cilja , k p , 1 = .
Normalizacija funkcija cilja se provodi da bi se zadovoljile pretpostavke aditivnosti
(kriteriji su najee razliito skalirani sa razliitim jedinicama mjere) i linearnih
korisnosti funkcija cilja.
Kako je

. c S je gdje
x
S
c
... x
S
c
x
S
c
S
) x ( f
) x ( f
je tada , x c ) x ( f
n
1 j
pj p
n
p
pn
2
p
2 p
1
p
1 p
p
p
0
p
j pj
n
1 j
p
=
=
=
+ + + = =
=

Provodei prethodni postupak dobivaju se linearne funkcije cilja koje imaju zbir
koeficijenata uz promjenljive jednak jedinici.
Podeavanjem teinskih koeficijenata kod rjeavanja VLP mogue je dobiti sva efikasna
rjeenja.

Primjer: Rijeiti prethodni zadatak sa MTK, pretpostavljajui da su teine odgovarajuih
kriterija w
1
=6 i w
2
=4.

f
1
(x)=x
1
+ 2x
2

f
2
(x)=6x
1
- 2x
2

f
0
1
(x)=1/3x
1
+ 2/3x
2

f
0
2
(x)=6/4x
1
- 2/4x
2
= 3/2x
1
1/2x
2

f
MTK
(x) = w
1
f
0
1
(x) + w
2
f
0
2
(x) =
= 6(1/3x
1
+ 2/3x
2
) + 4(3/2x
1
1/2x
2
) =
= 8x
1
+ 2x
2

Matematiki model MTK koji e se rjeavati glasi:

f
MTK
(x) = 8x
1
+ 2x
2
max
p.o. x
1
+ x
2
3
3x
1
+ 2x
2
22
x
1
6
x
2
5
x
1
,x
2
0

Rjeavanjem ovog zadatka grafiki ili simpleks metodom dobiva se:
x
1
= 6
x
2
= 2
f
1
= 10
f
2
= 32.

79
Pogodnim izborom drugih kombinacija za teinske koeficijente mogu se dobiti i druga
efikasna rjeenja.

4. RAZLOMLJENO-LINEARNO PROGRAMIRANJE (RLP)

4.1. Uvod

Kod linearnog, dinamikog i nelinearnog programiranja kriterij je cijela funkcija tako da
se iz aspekta poslovnog odluivanja mogu optimizirati npr. ukupni prihod, dobit, ukupni
trokovi, koritenje kapaciteta, trokovi proizvodnje i sl. U sutini optimiziraju se
pokazatelji koji predstavljaju apsolutne vrijednosti.
Meutim, mnogobrojni problemi poslovnog odluivanja izraavaju se kao kolinici nekih
ekonomskih veliina, dakle ne u apsolutnim ve u relativnim vrijednostima. Takvi
problemi su npr.
- produktivnost,
- ekonominost,
- rentabilnost,
- prosjeni trokovi proizvodnje,
- likvidnost,
- odnos efekata i ulaganja i sl.
Za praktino rjeavanje problema kod kojih je funkcija cilja izraena, ne kao suma
ekonomskih veliina, ve kao njihov kolinik koriste se metode razlomljenog ili
hiperbolikog programiranja. Na interes odnosit e se na modele i metode razlomljeno-
linearnog programiranja tj. na probleme optimizacije razlomljeno linearne funkcije cilja sa
linearnim ogranienjima.

4.2. Model razlomljeno-linearnog programiranja

Ako se definie funkcija cilja u obliku

n n
n n
x d x d x d d
x c x c x c c
z
+ + + +
+ + + +
=
...
...
max
2 2 1 1 0
2 2 1 1 0
(4.1)

pri ogranienjima:

a
11
x
1
+ a
12
x
2
+...+ a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+...+ a
2n
x
n
b
2
. . . . . .
. . . . . . (4.2)
. . . . . .
a
m1
x
1
+a
m2
x
2
+...+ a
mn
x
n
b
m

n 1, j , 0 =
j
x

onda se radi o modelu razlomljeno-linearnog programiranja. Vektorski se model RLP
(4.1) i (4.2) moe napisati u obliku
80

0 x
b Ax
x d d
x c c
z max
T
0
T
0
+
+
=
(4.3)

gdje su c
T
=|c
1
c
2
... c
n
| i d
T
=|d
1
d
2
... d
n
|, c
0
i d
0
skalari, matrica A sa elementima |a
ij
| reda
(m,n), b m-dimenzionalni vektor slobodnih lanova, a x n-dimenzionalni vektor
promjenljivih.
Funkcija cilja (4.1) je razlomljeno-racionalna funkcija predstavljena kolinikom dvije
linearne funkcije, dok ogranienja (4.2) definiu domen dopustivih rjeenja i predstavljena
su n-dimenzionalnim konveksnim poliedrom (a).
Za funkciju cilja jo se postavljaju uslovi da je d
0
+d
T
x>0 (b).
U sluaju da je imenilac negativan, onda bi se i brojilac i imenilac pomnoili sa (-1), pa
prema tome prethodni uslov ne utie na optost razmatranja.
Prema tome, kod razmatranja problema poslovnog odluivanja koji se izraavaju
modelom (4.3), uslov (a) znai da programirani ekonomski procesi ne mogu da budu
neogranieni, a uslov (b) iskljuuje mogunost da vrijednost programa postane
beskonana, tako da oba uslova odgovaraju praktinoj primjeni. Ispunjavanjem uslova (a)
i (b) model (4.3) je rjeiv i postie maksimum u najmanje jednoj ekstremnoj taki poliedra
D.
Za rjeavanje modela RLP razvijeno je vie metoda koje se uglavnom baziraju na simplex
metodi LP, a dobile su nazive prema svojim pronalazaima kao npr.
- Dinkelbach-ova metoda,
- Martos-ova metoda i
- Charnes-Cooper-ova metoda.

4.3. Metode RLP

4.3.1. Dinkelbach-ova metoda

Ako obiljeimo sa z
1
, z
2
, ... , z
n
vrijednosti funkcije cilja u ekstremnim takama x
1
, x
2
, ... ,
x
n
, onda je:

n 1, k
0
0
=
+
+
=
za
x d d
x c c
z
k T
k T
k
(4.4)

tako da vai jednakost

z
k
(d
0
+ d
T
x
k
) c
0
c
T
x
k
= 0 (4.5)

za sve ekstremne take i odgovarajue vrijednosti funkcije cilja.
81
Obiljeavajui izraz na lijevoj strani sa L(z
k
,x), Dinkelbach konstruira pomoni problem
polazei od vrijednosti z
k
kao vrstog parametra u slijedeem obliku:

min L (z
k
, x) = (z
k
d
T
c
T
) x + z
k
d
0
c
0
Ax b (4.6)
x 0.

Rjeavanjem modela (4.6) simplex metodom moe se dobiti vrijednost funkcije L (z
k
, x) =
0 to znai da je taka x
k+1
optimalno rjeenje ili L (z
k
, x) < 0 gdje se postupak mora
nastaviti sve dok se ne dobije da je L (z
k
, x) = 0. Vrijednost parametra z
k+1
dobiva se na
osnovu (4.4).
Algoritamski Dinkelbach-ova metoda prolazi slijedee korake:
Korak 1. Polazei od poetnog bazinog rjeenja x
1
izraunava se vrijednost parametra

1
0
1
0
1
x d d
x c c
z
T
T
+
+
=

Koeficijenti promjenljivih u funkciji cilja L su komponente vektora z
1
d
T
-c
T
.
Potom se formira simplex tabela za pomoni problem (4.6) ije optimalno rjeenje je x
2
.
Lahko se provjerava da je L(z
1
; x
2
) < 0.
Korak 2. Na bazi rjeenja x
2
izraunava se parametar
,
2
0
2
0
2
x d d
x c c
z
T
T
+
+
=

te novi koeficijenti u funkciji cilja L koristei izraz za ciljnu funkciju (4.6). Nanovo se
primijeni simplex metoda pa se doe do treeg optimalnog rjeenja x
3
.
Korak 3. Na bazi rjeenja x
3
procedura se ponavlja sve dok se L ne moe vie smanjivati,
te je optimalno rjeenje postignuto.

4.3.2. Charnes-Cooper-ova metoda.

Ovom metodom se model (4.3) rjeava linearizacijom i to uvoenjem promjenljive
,
1
x d d
t
T
o
+
=
(4.7)
odnosno nakon sreivanja i uvoenja smjene y = tx problem RLP (4.3) se svodi na dva
problema LP.
Ako je d
0
+ d
T
x > 0 onda se model (4.3) svodi na:
Max z = (c
0
+ c
T
x)t = c
T
tx + c
o
t = c
T
y + c
0
t (4.8.1)
Ax b 0 t Atx bt 0
Ay bt 0 (4.8.2)
d
T
tx + d
0
t = 1 d
T
y + d
0
t = 1 (4.8.3)
y, t 0.
82
(0,10)
(0,0)
Ako je d
0
+ d
T
x < 0 onda se model (4.3) svodi na model:
Max z = c
T
y c
0
t
Ay bt 0
d
T
y d
0
t = 1 (4.9)
y, t 0.
U svakom moguem rjeenju problema (4.3) t treba da bude strogo pozitivno. Ako su y
*
i
t
*
optimalna rjeenja problema (4.8) i (4.9) onda je
*
*
*
t
y
x =

rjeenje problema (4.3).

4.4. Numeriki primjer

Neka je dat jednostavan problem RLP

5 25 3
3 6
max
2 1
2 1
+ +
+
=
x x
x x
z

p.o. 2x
1
+ 3x
2
30
3x
1
+ x
2
24
x
2
7
x
1,2
0
Model e se rjeavati grafiki i Charnes-Cooper-ovom metodom.

4.4.1. Grafika intepretacija rjeenja RLP
Na slici je prikazan domen dopustivih rjeenja D i taka (15,-2) koja je nulta taka
brojioca i imenioca, tj. dobiva se rjeavanjem sistema x
1
+ 6x
2
3 = 0 i 3x
1
+ 25x
2
+ 5 =
0.
Ako se pravac z = 3/5 pone vrtiti nad skupom D oko take (15,-2) u smjeru kretanja
kazaljke na satu z postaje sve vee do posljednje presjene take (6,6) za koju je
vrijednost funkcije cilja maksimalna

.
173
39
5 6 25 6 3
3 36 6
=
+ +
+
= z

83
(7,0)
(7,3)
(6,6)
z = -3/5

Prema tome optimalno rjeenje se postie za vrijednosti x
1
=6 i x
2
=6.

4.4.2. Charnes-Cooper ovo rjeenje

5 25 3
3 6
max
2 1
2 1
+ +
+
=
x x
x x
z

2x
1
+ 3x
2
30 p.o.
x
2
24 3x
1
+
x
2
7
x
1,2
0

Linearizacija modela:

0 t 7 y
0 t 24 y 3y
0 t 30 3y 2y
1 5t 25y 3y ; y ;
1 5 25 3
5 25 3
1
2
2 1
2 1
2 1 2 2 1 1
2 1
2 1

+
+
= + + = =
= + +
+ +
=
tx tx y
t tx tx
x x
t

Linearni model:

0 t , y
1 t 5 y 25 3y
0 t 7 y
0 t 24 y 3y
0 t 30 3y 2y
3 6 max
1,2
2 1
2
2 1
2 1
2 1
= + +

+
+
+ = t y y z

D
(15,-2)
84

Kanonski oblik:

1,6 j 0, t , y
1 y t 5 y 25 3y
0 y t 7 y
0 y t 24 y 3y
0 y t 30 3y 2y
My ) y y y ( 0 t 3 y 6 y z max
j
6 2 1
5 2
4 2 1
3 2 1
6 5 4 3 2 1
=
= + + +
= +
= + +
= + +
+ + + + =

c 1 6 -3 0 0 0 -M
Baza y
0
y
1
y
2
t y
3
y
4
y
5
y
6

0 y
3
0 2 3 -30 1 0 0 0
0 y
4
0 3 1 -24 0 1 0 0
0 y
5
0 0 1 -7 0 0 1 0
-M y
6
1 3 25 5 0 0 0 1
z c
0 -1 -6 3
-M -3M -25M -5M 0 0 0 0

0 y
3
0 2 0 -9 1 0 -3 0
0 y
4
0 3 0 -17 0 1 -1 0
6 y
2
0 0 1 -7 0 0 1 0
-M y
6
1 3 0 180 0 0 -25 1
z c
0 -1 -39 6
-M -3M 0 -180M 0 0 +25M 0

0 y
3
1/20 43/20 0 0 1 0 -17/4 1/20
0 y
4
17/180 197/60 0 0 0 1 -121/36 17/180
6 y
2
7/180 7/60 1 0 0 0 1/36 7/180
-3 t 1/180 1/60 0 1 0 0 -5/36 1/180
z c 39/180 -7/20 0 0 0 0 7/12 13/60

1 y
1
1/43 1 0 0 20/43 0 -85/43 1/43
0 y
4
7/387 0 0 0 -197/129 1 1211/387 7/387
6 y
2
14/387 0 1 0 -7/129 0 100/387 14/387
-3 t 2/387 0 0 1 -1/129 0 -41/387 2/387
85
z c 87/387 0 0 0 7/43 0 -14/129 29/129

1 y
1
1806/52073 1 0 0 -26015/468657 765/1211 0 602/156219
0 y
5
7/1211 0 0 0 -591/1211 387/1211 1 7/1211
6 y
2
1806/52073 0 1 0 3741/52073 -100/1211 0 1806/52073
-3 t 301/52073 0 0 1 -3096/52073 41/1211 0 301/52073
z c 11739/52073 0 0 0 5719/52073 42/1211 0 11739/52073

y
*
1
= 1806 / 52073 = 6 / 173
y
*
2
= 1806 / 52073 = 6 / 173
t = 301 / 52073 = 1 / 173
z = 11739 / 52073 = 39 / 173

6
173 / 1
173 / 6
6
173 / 1
173 / 6
*
2
*
2
*
2
*
1
*
1
*
1
= = =
= = =
t
y
x
t
y
x

3.8. Optimizacija ekonominosti kao problem RLP

Primjer:
Fabrika za proizvodnju artikala iroke potronje eli odrediti optimalni sedmini
asortiman. Postoji mogunost da se proizvede 5 vrsta artikala pod slijedeim tehniko-
tehnolokim uslovima:
a) Proizvodi P
1
, P
2
, P
3
i P
4
obrauju se na maini M
1
iji je sedmini kapacitet 48 |h| od
kojih se po jedinici proizvoda utroi 1, 2, 4 i 3 |h|, respektivno.
b) Za proizvodnju jedinice P
2
, P
3
i P
5
potrebna je sirovina S i to u koliini od 4, 6 i 10 kg.
Raspoloiva koliina sirovine S je 76 kg.
c) Proizvodi P
1
, P
4
i P
5
treba da se obrade na maini M
2
iji je sedmini kapacitet 40 |h|.
Potreban broj sati po jedinici proizvoda je 1, 2 i 5 |h|, respektivno.
d) Proporcionalni trokovi proizvodnje pojedinih proizvoda iznose 20, 20, 10, 20 i 40 NJ,
respektivno. Fiksni trokovi iznose 1000 NJ.
e) Prodajne cijene su 40, 50, 25, 35 i 100 NJ, respektivno. Odrediti optimalni program
proizvodnje pri kojem je ekonominost maksimalna.

T
UP
E =

1,5 j , =
j
x - sedmina proizvodnja proizvoda P
j
.

86

0
40 5 2
76 10 6 4
48 3 4 2
1000 40 20 10 20 20
100 35 25 50 40
5 4 1
5 3 2
4 3 2 1
5 4 3 2 1
5 4 3 2 1
+ +
+ +
+ + +
+ + + + +
+ + + +
=
j
x
x x x
x x x
x x x x
x x x x x
x x x x x
z

3.9. Maksimizacija rentabilnosti kao problem RLP

ostvarena dobit
Rentabilnost =
uloena sredstva

Primjer:
Preduzee proizvodi dva artikla A i B.
Raspoloivi kapital iznosi 3600 NJ.
Fiksni kapital je 800 NJ.
Uloeni kapital po jedinici artikla A i B je 4 i 2 NJ.
Fiksni trokovi su 300 NJ.
Jedinina bruto dobit po artiklu A i B je 1,5 i 2 NJ.
Od ukupno 1700 sati kapaciteta strojeva za jedinicu artikla A i B potrebno je 1 i 3 sata,
respektivno.
Sirovine S na zalihi ima 300 kg i pojavljuje se kao otpadak kod proizvodnje artikla A i to
1 kg po jedinici artikla A. Sirovina S se ujedno i koristi za izradu artikla B i troi se 1 kg
po artiklu B.
Maksimalna prodaja prvog artikla iznosi 600 komada.

0
600
300 300
1700 3
2800 ) 800 3600 ( 2 4
800 2 4
300 2 5 , 1
2 , 1
1
2 1 1 2
2 1
2 1
2 1
2 1
+ +
+
= +
+ +
+
=
x
x
x x x x
x x
x x
x x
x x
z

x
1
= 25
x
2
= 11,5
x
3
= 0
x
4
= 0
x
5
= 3
z = 1,01
x
1
= 200
x
2
= 500
z = 5/13
87

5. DINAMIKO PROGRAMIRANJE (DP)

5.1. Pojam DP

Za rjeenje problema ija je imanencija veliki broj kombinacija koriste se tzv.
metode drveta odluivanja u koje spadaju:
- DP,
- metoda grananja i ograivanja,
- metoda potpunog prebrojavana,
- metoda ogranienog prebrojavanja i sl.
Sve ove metode imaju osnovu u principu prebrojavanja to znai u izraunavanju svih
moguih rjeenja i izboru najboljeg u smislu usvojenog kriterija. Proces prebrojavanja ide
tako da se iskljuuju rjeenja ili djelimina rjeenja ija je neoptimalnost utvrena.
Kod DP proces prebrojavanja tee stogo paralelno. U ovakvom procesu postavljaju se
grane drveta odluivanja paralelno jedna drugoj to znai, simultano odnosno
kvazisimultano:

Po strukturi najjednostavnija metoda drveta odluivanja je metoda potpunog
prebrojavanja. Ona sadri i sastoji se u izraunavanju svih moguih rjeenja po
svakoj grani i izbor najboljeg. Mi emo odreene primjere rjeavati kako metodom
DP tako i potpunim prebrojavanjem.
Najstariji tip DP postavio je Bellman 1957. godine. Kod DP se napreduje postepeno
po etapama na kojima se uvijek izraunavaju ukupna rjeenja, odnosno stanja. Kod
DP se u svakoj etapi uporeuju sva sadrajno identina djelimina rjeenja
(analogna sadraja). Odbacuju se ona rjeenja koja sa sigurnou ne vode boljem
rjeenju od nekog drugog sadrajno identinog djeliminog rjeenja. Zadaci koji
se mogu predstaviti u vidu vieetapnih procesa su upravo predmet DP. Mnogi zadaci
ne samo u oblasti poslovnog odluivanja ve i u mnogim drugim oblastima kao to su
fizika, tehnika, biologija, vojne i druge oblasti ekonomije mogu se reprezentovati u
obliku vieetapnih procesa na koje se moe primijeniti metoda DP. Prema tome, DP
se naziva posebni matematiki metod optimizacije rjeenja specijalno prilagoenih
vieetapnim procesima.
Vieetapni prosec obino podrazumijeva proces koji se razvija u vremenu i koji se
dekomponuje na vie etapa ili koraka. Meutim, metoda DP u rjeavanju odreene
grupe problema ne mora sadravati i vremensku dimenziju. Neki procesi se mogu
dekomponovati na etape vjetaki (npr. prosec raspodjele resursa, proces planiranja
privredne djelatnosti preduzea u isjecima vremena i sl.).
Jedna od osobina metoda DP sastoji se u tome da se dobijanje rjeenja u odnosu na
vieetapne procese posmatra ne kao jedinani akt nego kao cjelina uzajamno
povezanih rjeenja. Taj niz uzajamno povezanih rjeenja naziva se STRATEGIJA.
Cilj optimalnog planiranja je upravo izabiranje strategije koja obezbjeuje
dobijanja najboljih rezultata iz aspekta izabranog kriterija. Takva strategija se
naziva OPTIMALNOM.
88
Ako se npr. posmatra rad preduzea iz aspekta rentabiliteta kriterij optimalnosti
bie profit ostvaren u preduzeu u toku poslovne godine, a optimalna e biti
strategija koja e se sastojati iz onih rjeenja koja e dovesti do ostvarenja
maksimalnog profita.
Sutina modela DP sastoji se u tome da se umjesto traenja optimalnog rjeenja u
jednom koraku (odjednom) pretpostavlja nalaenje optimalnog rjeenja za nekoliko
prostih zadataka analogna sadraja, na koje se ralanjuje osnovni zadatak.
Kao druga vana osobina DP pojavljuje se nezavisnost optimalnog rjeenja od
predhistorije tj. od toga na koji nain se optimizacijom procesa postie sadanje
stanje. Optimalno rjeenje se izabire samo sa uvaavanjem faktora koji karakteriu
proces u datom trenutku. Npr. ako se neki voza izmeu nekog poetnog i konanog
punkta naao u nekom meuprostornom punktu i ako je odlueno da se izabere
najkrai put, on dobija rjeenje bez utvrivanja na koji nain, kada i kojim putem je
on stigao na zadani punkt, a rukovodi se samo razmjetajem svoga punkta u optoj
emi puteva.
Metod DP se karakterie time da izbor rjeenja u svakoj etapi treba da se proizvede
sa uvaavanjem njegovih posljedica u budunosti. To znai da optimizirajui proces
u svakoj etapi ne smije zaboraviti na svoje slijedee etape. Zbog toga je DP
dalekovidno planiranje sa uzimanjem u obzir perspektiva. Iz ovoga slijedi da
planiranje vieetapnog procesa treba proizvoditi tako da se prilikom planiranja
svake etape prouava ne samo korist koja bi se dobila u zadatoj etapi nego korist
koja bi se dobila po zavretku cijelog vieetapnog procesa. Taj princip izbora
rjeenja u DP pojavljuje se kao opredjeljujui i naziva se PRINCIP
OPTIMALNOSTI.
Inae metoda DP bazira se na koritenju principa optimalnosti i funkcionalnih
jednaina to znatno proiruje mogunosti rjeavanja realnih problema optimizacije.
Glavna odlika metoda DP je velika mogunost koritenja raunara.
Za praktinu primjenu metode DP potrebno je da svaki razmatrani proces ima svoj
jasno postavljeni matematiki model sa precizno definisanim ciljem i funkcijom cilja
ije se ekstremna vrijednost trai i ogranienjima koja se obavezno moraju uzeti u
obzir. Za ovako postavljeni zadatak prvo treba pronai funkcionalnu jednainu
primjenom principa optimalnosti. U nekim situacijama je mogue nai i analitiko
rjeenje, ali najee rjeenje se nalazi u numerikom obliku sa ili bez primjene
raunara. Prema tome pri rjeavanju zadataka optimizacije metodom DP
neophodno je uzeti u svakoj etapi posljedice u kojima e se u budunosti dobiti
rjeenje primjenljivo u datom momentu. Kao izuzetak pojavljuje se posljednja etapa
kojom se proces zavrava. Sada se proces moe planirati na taj nain to e
posljednja etapa po sebi donijeti maksimalan efekat. Isplaniranim optimalnim
nainom, posljednjoj etapi se moe dozirati predposljednja etapa tako da bi rezultat
tih dviju etapa bio optimalan itd. Ba tako od kraja do poetka je i mogue proizvesti
proces dobijanja rjeenja. Da bi dobili optimalno rjeenje u posljednjoj etapi
moramo znati ime e se zavriti pretposljednja etapa. Za mogue zavretke
pretposljednje etape nalaze se rjeenja pri emu bi efekat u posljednjoj etapi bio
najbolji. Takvo optimalno rjeenje naeno pri ogranienju da se prethodna etapa
zavrila odreenim definisanim nainom naziva se uslovno optimalnim rjeenjem.
Analogno ovome optimizira se rjeenje i u pretposljednjoj etapi tj. urade se sve
mogue pretpostavke ime bi se mogla zavriti etapa koja prethodi pretposljednjoj i
za koju se od moguih rjeenja izabire takvo rjeenje u pretposljednjoj etapi da bi
efekti za posljednje dvije etape od kojih je posljednja etapa ve optimizirana, bili
89
najbolji, itd. Ako smo od kraja ka poetku optimiziranog procesa odredili uslovno
optimalna rjeenja za svaku etapu i izraunali odgovarajue efekte, onda nam ostaje
da proemo cijeli proces u direktnom pravcu i proitamo optimalnu strategiju.
Inae u DP se moe vriti raunanje i u direktnom pravcu to zavisi od samog
problema. Prema tome etape i vremenski periodi u DP najee idu u suprotnom
smjeru. Posljednji period - prva etapa i sl.

5.2. Vieetapni proces odluivanja

Ako obiljeimo sa s
0
=s poetno stanje procesa, a sa s
i
, i=1,...,N stanja procesa u
uzastopnim vremenskim trenucima i ako postoji relacija

s
i+1
= (s
i
), s
0
=s, i=0, 1, 2,...

koja predstavlja skup vektora

(s
0
, s
1
, s
2
, ...,) (1)

kao reprezentaciju ponaanja procesa u diskretnim trenucima vremena i=0,1,2,...,
tada skup vektora (1) definie jednu specijalnu vrstu procesa koja se naziva
vieetapni proces.
U literaturi se moe nai vie kriterija za kvalifikaciju vieetapnih procesa
odluivanja.
U zavisnosti od parametra N vieetapni procesi se dijele na konane i beskonane.
Iz aspekta definisanosti promjenljivih s obzirom na vrijeme razlikuju se vremenski
diskretni nasuprot vremenski kontinuiranim procesima. Vremenski diskretna promjenljiva
definisana je samo skupom diskretnih taaka u prostoru. Procesi u kojima su promjenljive
vremenski diskretne nazivaju se vremenski diskretni procesi, dok kod vremenski
kontinualnih procesa promjenljive su vremenski kontinuirane.
U zavisnosti od toga da li transformacija zavisi od vremena razlikuju se stacionarni,
odnosno nestacionarni procesi.
Ako transformacija zavisi od vremena tj.

s
i+1
= (s
i
), i = 0, 1, 2,...

onda se govori o vremenski nestacionarnom procesu.
Klasifikacija deterministikih nasuprot stohastikih vieetapnih procesa ukazuje na to
kako je vrijednost funkcije specificirana vrijednou njenog argumenta. Vrijednost
deterministike funkcije je potpuno specificirana vrijednou njenog argumenta. Npr.
funkcija prihoda od investicija je deterministika funkcija ako je egzaktno poznat odnos
izmeu utroenog novca i dobivenog prihoda. U stvarnosti, pak, iznos prihoda od
uloenog novca zavisi i od drugih nepredvidivih inilaca kao to su trina konjunktura,
kretanje mode, vremenske prilike i sl. Takvi nepredvidivi faktori mogu se predstaviti
stohastikim (sluajnim) promjenljivim. U tom sluaju iznos oekivanog prihoda moe
biti realnije opisan funkcijom iznosa uloenog novca i stohastike promjenljive. Kod
stohastikih procesa stanje procesa je sluajni vektor sa odreenom raspodjelom
vjerovatnoa.

90
5.3. Opta postavka zadatka DP

Pretpostavimo da se proces upravljanja prirodno ili vjetaki dekomponuje na N etapa
(koraka), to znai da posmatramo N-etapni proces odluivanja.
Stanje procesa u i-toj etapi oznait emo vektorom
s
i
=(s
i1
, ..., s
im
)
koji se naziva VEKTOR STANJA PROCESA.
Skup svih stanja u kojima se moe nalaziti proces na poetku i-te etape oznait emo sa S
i
.
Poetno stanje procesa s
0
pretpostavlja se da je poznato.
Razvoj procesa predstavlja se nizom prelaza iz jednog stanja u drugo i jednoznano se u
toku cijelog promatranog perioda moe opisati nizom stanja
s
0
, s
1
,..., s
N-1
, s
N
, gdje je s
i
S
i
.
Ako se proces nalazi u stanju s
i
, onda je njegovo slijedee stanje s
i+1
u slijedeoj etapi
odreeno ne samo vektorom s
i
nego i rjeenjem u
i
(na izbor) koje je dobijeno u i- toj
etapi. To se moe zapisati simbolino:
s
i+1
=(s
i
,u
i
),
gdje je - transformacija.
Naravno ni rjeenje u
i
ne moe biti proizvoljno nego je ono elemenat skupa moguih
rjeenja U
i
, tj. u
i
U
i
. Determinacija veliine u
i
naziva se odreivanje dopustivog rjeenja.
Bilo koji niz dopustivih rjeenja u
0
, u
1
, ... , u
n-1
koja prevode proces iz poetnog stanja s
0
u
konano s
N
nazvat emo STRATEGIJOM.
Za svaku strategiju N-etapnog procesa treba odrediti i uporediti vrijednost funkcije cilja
f
N
(s). Funkciju cilja zadat emo u vidu sume ciljnih funkcija r
i
(s
i
, s
i+1
) iji se smisao
objanjava na svakoj etapi procesa pri prelazu iz stanja s
i
u stanje s
i+1
tj.
=
+
=
1
0
1
). , ( ) (
N
i
i i i N
s s r s f (2)
Takav oblik funkcije cilja odgovara aditivnom zadatku DP.
Na osnovu prethodnog moe se konstatovati da je vieetapni proces potpuno opisan ako su
poznati:
- dopustivi skup stanja procesa,
- dopustivi skup rjeenja,
- pravilo prelaza iz jednog stanja u drugo pod utjecajem izabranog rjeenja i
- ciljna funkcija.
Uvaavajui prethodne postavke OPTI ZADATAK DP moemo formulisati u slijedeem
obliku: Potrebno je pronai iz skupa strategija U optimalnu strategiju

{ }
*
1
*
1
*
0
*
,..., ,

=
N
u u u u

koja obezbjeuje ekstremnu vrijednost funkcije cilja

=
+
=
1
0
1
). , ( ) (
N
i
i i i N
s s r s f (3)
uz ogranienja:
s
0
vektor poetnog stanja procesa,
s
i+1
=(s
i
, u
i
), s
i
S
i
,

u
i
U
i
(i=0, 1, ... ,N-1)
91
Iz opte postavke zadatka DP moe se se zakljuiti da se ono pojavljuje kao zadatak
vieetapnog izbora, tako da se pronalaenje optimalne strategije u
*
dekomponuje na niz
etapa koraka, a u svakom od njih se izabire neko dopustivo rjeenje.

5.4. Princip optimalnosti

Kao to je ve istaknuto metoda DP se sastoji u primjeni principa optimalnosti koji
je primjenljiv na sve vieetapne procese odluivanja.
Deskriptivno se ovaj princip moe izraziti u obliku:
OPTIMALNA STRATEGIJA IMA TAKVU OSOBINU
DA BEZ OBZIRA KAKVO JE POETNO STANJE
PROCESA I PRVOBITNO RJEENJE, SLIJEDEE
RJEENJE TREBA DA ODREUJE OPTIMALNU STRATEGIJU U ODNOSU
NA STANJE DOBIJENO KAO REZULTAT PRVOBITNOG RJEENJA.
Ovaj intuitivni princip moe se ilustrirati na jednom N-etapnom procesu dobijanja
rjeenja, koji ima potrebnu osobinu razdvajanja prolog od sadanjeg, sadanjeg od
budueg itd.
Neka su s
0
i s
N
poetno i posljednje stanje N-etapnog procesa.
Oznaimo sa f
N
(s
0
) ekstremnu vrijednost funkcije cilja dobijenu za N-etapa pri
optimalnoj strategiji u
*
upravljanja procesom koji se nalazi u poetnom stanju s
0
.
Pretpostavimo da je u prvoj etapi dobijeno neko rjeenje u
0
,

pod ijim je dejstvom
proces preao iz stanja s
0
u stanje s
1
. Efekat pri toj promjeni se karakterie
vrijednou r
0
(s
0
, u
0
) ciljne funkcije r
i
(s
i
, u
i
). Pretpostavit emo nadalje da se poslije
prve etape upravljanja procesom primijenila optimalna strategija koja je
obezbijedila ekstremnu vrijednost funkcije f
N-1
(s
1
) za ostalih N-1 etapa. Na osnovu
opisanih pretpostavki opta ocjena kvaliteta upravljanja za N etapa izraena je
relacijom:
r
0
(s
0
, u
0
)+f
N-1
(s
1
) (4)
Ekstremna vrijednost funkcije cilja f
N
(s
0
) za N etapa bie jednaka ekstremu sume (4)
koja oigledno zavisi od poetnog rjeenja u
0
tj.

f
N

(s
0
) = extr| || |r
0
(s
0
, u
0
)+f
N-1
(s
1
)| || | (5)

u
0

Izraz (5) oigledno objanjava princip optimalnosti iz dijela izraza r
0
(s
0
,u
0
) za ma
kakvo poetno stanje s
o
i optimalno prvo rjeenje u
0
, a iz f
N-1
(s
1
) daljnja rjeenja
moraju initi optimalnu strategiju s obzirom na stanje s
1
koje rezultira iz prvog rjeenja.
Oznaimo sa f
N-i

(s
i
) ekstrem funkcije cilja za posljednjih (Ni) etapa, ako se proces nalazi
u stanju s
i
. Tada se po analogiji jednaine (5) moe dobiti:

f
N-i
(s
i
) = extr|r
i
(s
i
, u
i
)+f
N-(i+1)
(s
i+1
)| (6)

u
i

gdje je i = 0,1, 2, ... , N-1.
Izraz (6) predstavlja matematiki analog principa optimalnosti. On se naziva
OSNOVNOM FUNKCIONALNOM JEDNAINOM DP. Njegovim koritenjem
mogu se dobiti etapna rjeenja i postepeno formiranje optimalne strategije
upravljanja cijelim N-etapnim procesom. Iz izraza (6) vidljivo je da se u funkciji f
N-i

92
u svojstvu argumenta nalazi vrijednost funkcije u prethodnoj etapi. Odnosi sa
takvim osobinama nazivaju se rekurentnim (rekurzivnim).
Izraz (6) ima vie simboliki karakter nego to je pogodan za numerika raunanja.
U njemu nije prikazan konkretan vid funkcije r
i
(s
i
, u
i
) i nije odreen karakter
argumenata s
i
, u
i
, s
i+1
, zato to on ukazuje samo na optu principijelnu shemu
raunanja pri koritenju metoda DP. Za svaki konkretan zadatak funkcionalna
jednaina ima svoj specifian i konkretan oblik, ali on bezuslovno mora sadrati
rekurzivni karakter.

5.5. Opta shema rjeavanja metodom DP

Primjena DP u cilju dobijanja numerikog rjeenja nije standardna . Naprotiv,
potrebno je dobro poznavanje sutine zadatka, matematikog aparata i velika
analitika sposobnost da bi se jedan takav zadatak rijeio. Svaki zadatak je problem
za sebe i zahtijeva posebno pravljenje programa za njegovo rjeavanje.
Ipak postoje numeriki elementi koji su zajedniki za algoritam DP, a to su:
- iterativni postupak raunanja optimalnog rjeenja i funkcije f
N-i
(s
i
) na osnovu
funkcije f
N-(i+1)
(s
i+1
),
- odreivanje ekstremne vrijednosti funkcije cilja u svakoj iteraciji.
Prema tome zadatak se sastoji u odreivanju niza rjeenja u i niza funkcija { } ) (
i i N
s f

koristei rekurentnu relaciju (6).
Prvo se napie jednaina funkcije za posljednju etapu. Na poetku te etape proces se
nalazio u stanju s
N-1
, zato to je u (6) pretpostavljeno da je i=N-1 i dobiva se

f
1
(s
N-1
)= extr|r
N-1
(s
N-1
, u
N-1
)+f
0
(s
N
)| (7)

u
N-1

U jednaini (7) f
0
(s
N
) se pojavljuje kao ekstremna vrijednost efekta u nultoj etapi
koja poinje od konanog stanja procesa s
N
. Ukoliko se nakon granice konanog
stanja s
N
proces ne posmatra i nikakav rezultat ne donosi, onda se moe pretpostaviti
prirodno da je f
0
(s
N
) = 0. Tada jednaina (7) dobiva oblik

f
1
(s
N-1
)= extr|r
N-1
(s
N-1
, u
N-1
)| (8)

u
N-1

Oznaimo sa s
N-1,1
;...; s
n-1,p
dopustiva fiksna stanja procesa na poetku posljednje
etape koja mogu biti rezultat razvoja procesa u prethodnih N-1 atapa.
Za svako od tih stanja moe se nai uslovno optimalno rjeenje za posljednju etapu

u
N-1,1
; u
N-1,2
; ... ; u
N-1,p
(9)

i odgovarajue vrijednosti efekta

r
N-1,1
; r
N-1,2
; ... ; r
N-1,p

Meu rjeenjima (9) sadrano je i rjeenje u
*
N-1
(naziva se BEZUSLOVNO
OPTIMALNIM) koje obezbjeuje extrem izraza (8). Na ovaj nain posljednja etapa
je optimizirana.
Sada se prilazi pretposljednjoj etapi. Za i=N-2 jednaina (6) postaje
93

f
2
(s
N-2
) = extr|r
N-2
(s
N-2
, u
N-2
)+ f
1
(s
N-1
)|
u
N-2

Kao u prethodnoj etapi za svako mogue stanje s
N-2,k
(k=1,p) nalazi se efekat r
N-2,k
u
zavisnosti od dopustivog rjeenja u
N-2,k
. Poslije toga, uporeujui sume r
N-2,k
+f
1
u kojima
su uvrteni rezultati f
1
optimizacije posljednje etape, utvruju se ekstremne sume za svako
mogue stanje s
N-2,k
. Zajedno s tim odreuje se i odgovarajue uslovno optimalno rjeenje
u
N-2,k
. Meu tim rjeenjima nalazi se i rjeenje u
*
N-2
, koje odreuje f
2
(s
N-2
) i koje ulazi u
optimalnu strategiju.
Na analogan nain postupamo dalje i dolazimo do prve etape procesa. Zbog toga to je
poetno stanje s
0
poznato i jednoznano, optimalno rjeenje se odreuje samo za stanje s
0

sa ueem svih uslovno optimalnih rjeenja naenih u drugoj etapi.
Na taj nain bie izraunate vrijednosti funkcija f
1
, f
2
,..., f
N-1,
f
N
za sva dopustiva stanja
procesa i ponuena odgovarajua rjeenja za svaku etapu i stanje meu kojima i rjeenja
u
*
N-1
, u
*
N-2
, ..., u
*
1
, u
*
0
optimalne strategije koja garantuje ekstremnu vrijednost funkcije
cilja f
N
(s
0
). Da bi se utvrdila ta optimalna strategija mora se proi jednom cijeli proces, ali
u pravom pravcu od s
0
do s
N
. Na osnovu poznatog poetnog stanja s
0
i izraunate
vrijednosti f
N
odreuje se bezuslovno - optimalno etapno rjeenje u
*
0
.
Zatim se na osnovu u
*
0
i f
N-1
nalazi u
*
1
i poslije analognih rasuivanja dolazi se do kraja
u
*
N-1
.

5.6. Primjena DP u rjeavanju zadataka poslovnog odluivanja

U ovom dijelu izloie se numeriki primjeri rjeavanja odreene grupe praktinih
zadataka poslovnog odluivanja. Svako rjeavanje zadataka prolazi kroz slijedei
algoritam:
1) utvrivanje funkcionalne jednaine
2) odreivanje uslovno optimalnih rjeenja
3) odreivanje optimalnog rjeenja
Zadaci su grupisani na slijedei nain:
1) optimalna raspodjela resursa
- prosta raspodjela jednorodnog resursa
- sloena raspodjela jednorodnog resursa
2) zamjena opreme (maina)
3) problemi iz oblasti trgovake djelatnosti
4) upravljanje proizvodnjom

5.6.1. Prosta raspodjela jednorodnog resursa

Ovo je tipian primjer primjene DP kod problema koji ne sadre vremensku komponentu,
tako da se na vjetaki nain vri dekompozicija na niz etapa, odnosno aktivnosti, tako da
je resurs (novac, oprema, ljudi i sl.) potrebno raspodijeliti na N aktivnosti. Svaka aktivnost
se ostvaruje sa razliitim ciljevima. Najei cilj sadri dobit tako da je neophodno
maksimizirati funkciju cilja. Mogu se formirati modeli kod kojih se trai i minimum
funkcije cilja.
94
1
Konstrukcija matematikog modela:
Ako sa x
i
oznaimo koliinu resursa dodijeljenu i-tom procesu, a sa r
i
(x
i
) funkciju dobiti,
gdje je N i , 1 = tada e ukupna dobit od raspodjele resursa na N aktivnosti biti

). x ( r ) x ( r ... ) x ( r ) x ( r ) x ( F
N
1 i
i i N N 2 2 1 1
=
= + + + =

Problem se sastoji u pronalaenju skupa promjenljivih x
1,
x
2
,...x
N
pri kojima e funkcija
F(x) imati maksimum, pri emu ukupna raspoloiva koliina resursa ne moe premaiti
raspoloivu koliinu Q tj. x
1
+ x
2
+ ... + x
n
= Q.
Umjesto oblika ogranienja = moe biti i oblik ali zbog izvoenja funkcionalne
jednaine jednostavnije je uzeti oblik jednakosti, to nee umanjiti optost modela. Ovom
uslovu dodaje se i uslov da je x
i
cjelobrojno i nenegativno tj. x
i
0.

Formiranje funkcionalne jednaine:

Resurs x
N
Q-x
N
Q

Dobit r
N
(x
N
) f
N-1
(Q-x
N
) f
N
(Q)

Ogranienje: 0x
N
Q

Prema tome ukupna dobit od procesa s N aktivnosti moe se izraziti kao:

r
N
(x
N
) + f
N-1
(Q-x
N
).

Optimalan izbor x
N
e biti onaj koji maksimizira funkciju ukupne dobiti uz ogranienja
vezana za x
N

{ }
Q x 0
N 1 N N N N
N

) x Q ( f ) x ( r max ) Q ( f

+ =

gdje je:

{ }
Q x
x r Q f

=
1
0
1 1 1

) ( max ) (

i odnosi se na dobit koja se oekuje od prve aktivnosti ako su svi resursi rasporeeni na
nju.

N-ta
etapa
N-2 N-1 2 1 0
Ostalih N-1 etapa
Svih N etapa
95

Primjer:
Preduzee raspolae sa 4 mil NS koje moe investirati u ratama po 1 mil u tri razliite
aktivnosti. Na osnovu funkcije neto dobiti utvrditi optimalnu investicionu odluku, tj.
odluku koja e dati maksimalnu neto dobit.

Matematiki model:

maxF(x) = r
1
(x
1
)+ r
2
(x
2
)+ r
3
(x
3
)
x
1
+ x
2
+ x
3
= 4
x
i
0 i=1,2,3 je cjelobrojno

Funkcionalna jednaina

{ }

) ( ) ( ) (
1
0
max N N N N
Q x
N
x Q f x r Q f
N
+ =

N=1

{ }

) ( ) (
1 1
0
1 max
1
x r Q f
Q x
=

Q=0
{ }

0 ) 0 ( ) ( ) 0 (
1 1 1
0
1 max
1
= = =
=
r x r f
x
x
1
=0
Q=1
{ }

16
16 ) 1 (
0 ) 0 (
) ( ) 1 (
1
1
1 0
1 1
1 0
1 max max
1 1
=
)
`
=
=
= =

r
r
x r f
x x x
1
=1
Q=2
{ }

32
32 ) 2 ( r
16 ) 1 ( r
0 ) 0 ( r
) x ( r ) 2 ( f
1
1
1
2 x 0
1 1
2 x 0
1 max max
1 1
=
=
=
=
= =
x
1
=2
Q=3 f
1
(3)=40 x
1
=3
Q

0
1
2
3
4

r
1
(Q)

0
16
32
40
49
r
2
(Q)

0
8
15
21
27
r
3
(Q)

0
10
24
39
49
Q x
1
f
1
(Q) x
2
f
2
(Q) x
3
f
3
(Q)
0 0 0 0 0 0 0
1 1 16 0 16 0 16
2 2
*
32 0
*
32 0 32
3 3 40 0,1 40 1 42
4 4 49 0 49 2
*
56
96
Q=4 f
1
(4)=49 x
1
=4

N=2

{ }

x Q ( f ) x ( r ) Q ( f
2 1 2 2
Q x 0
2 max
2
+ =

Q=0 f
2
(0)=0 x
2
=0

Q=1
{ }

8 0 8 ) 0 ( ) 1 (
16 16 0 ) 1 ( ) 0 (
1 ( ) ( ) 1 (
1 2
1 2
1 0
2 1 2 2
1 0
2 max max
2 2 )
`
= + = +
= + = +
= + =

f r
f r
x f x r f
x x
f
2
(1)=16 x
2
=0

Q=2

{ } 0 x 32
0 15 ) 0 ( ) 2 (
16 8 ) 1 ( ) 1 (
32 0 ) 2 ( ) 0 (
2 ( ) ( ) 2 (
2
2
1 2
1 2
1 2
2 0
2 1 2 2
2 0
2
max max
2 2
= =
+ = +
+ = +
+ = +
= + =

f r
f r
f r
x f x r f
x x

Q=3

{ }

1 , 0 x 40
40 ) 2 ( ) 1 (
40 ) 3 ( ) 0 (
3 ( ) ( ) 3 (
2
1 2
1 2
3 0
2 1 2 2
3 0
2 max max
2 2
= =
)
`
= +
= +
= + =

f r
f r
x f x r f
x x

Q=4

{ } { } 0 x 49 ) 4 ( ) 0 ( 4 ( ) ( ) 4 (
2 1 2
4 0
2 1 2 2
4 0
2
max max
2 2
= = + = + =

f r x f x r f
x x

N=3

Q=0 f
3
(0)=0 x
3
=0
Q=1

{ }

0 x 16
10 0 10 ) 0 ( ) 1 (
16 16 0 ) 1 ( ) 0 (
1 ( ) ( ) 1 (
3
2 3
2 3
1 0
3 2 3 3
1 0
3 max max
3 3
= =
)
`
= + = +
= + = +
= + =

f r
f r
x f x r f
x x

Q=2 f
3
(2)=r
3
(0)+f
2
(2)=32 x
3
=0
Q=3 f
3
(3)=r
3
(1)+f
2
(2)=42 x
3
=1
Q=4

97
1
0
2
3
4
16
32
40
49
(3)
(2)
(1)
(0)
0
0
3
4
2
1
(4)
(4)
(3)
(2)
(1)
(0)
0
8
15
24
27
24
0
1
2
(2)
(1)
(0(0)
0
8
15
0
1
2
10
0
24
(2)
(1)
(0)
{ }

2 x 56 ) 4 ( f
49 0 49 ) 0 ( f ) 4 ( r
55 16 39 ) 1 ( f ) 3 ( r
56 32 24 ) 2 ( f ) 2 ( r
50 40 10 ) 3 ( f ) 1 ( r
49 49 0 ) 4 ( f ) 0 ( r
x 4 ( f ) x ( r ) 4 ( f
3 3
2 3
2 3
2 3
2 3
2 3
4 x 0
3 2 3 3
4 x 0
3 max max
3 3
= =
= + = +
= + = +
= + = +
= + = +
= + = +
= + =

Rjeenje problema metodom potpunog prebrojavanja

5.6.2. Sloena raspodjela jednorodnog resursa

4
56
1. aktiv. 2. aktiv. 3. aktiv.
98
Problem sloene raspodjele jednorodnog resursa definie se na slian nain kao i
prosta raspodjela, s tim to se u ogranienju pojavljuju koeficijenti koji se odnose na
normativ utroka resursa, tako da se matematiki model moe definisati

) ( ) (
1
=
=
N
i
i i
x r x F

uz ogranienja:

a
1
x
1
+a
2
x
2
+...+a
N
x
N
=Q, tj.

=
=
N
i
i i
Q x a
1

x
i
0 i= N , 1 je cjelobrojno,

gdje su:
r
i
(x
i
) funkcija pojedinane dobiti ako se koliina resursa x
i
raspodijeli na i-tu aktivnost,
a
i
utroak resursa po jedinici i-te aktivnosti (strukturni koeficijent u ogranienju),
x
i
koliina resursa dodijeljena i-toj aktivnosti,
Q ukupna koliina resursa.
Polazei od principa optimalnosti moe se formulisati funkcionalna jednaina

Etapa N-ta aktivnost

Ostalih (N-1) akt. Svih N akt.
Koliina
res. Q a
N
x
N
Qa
N
x
N
Q
koja se
utroi
Dobit r
N
(x
N
) f
N1
(Qa
N
x
N
) f
N
(Q)

Ogranienje: 0 a
N
x
N
Q, odnosno 0 x
N
Q/a
N
poto je a
N
>0.

Prema tome na slian nain kao i kod proste raspodjele jednorodnog resursa dobiva se
funkcionalna jednaina:

{ }

) ( ) ( ) (
1
/ 0
max N N N N N
a Q x
N
x a Q f x r Q f
N N
+ =

pri emu je :

{ }

. ) ( ) (
1 1
/ 0
1 max
1 1
x r Q f
a Q x
=

99

Primjer:
Kamionom se prevoze 3 vrste proizvoda 1,3 i , =
i
P .
Dobit po jedinici prevezenog proizvoda P
i
iznosi 80, 120 i 170 NJ, respektivno. Kamion
moe natovariti ukupno 9 tona. Proizvodi 1,3 i , =
i
P su teine 2t, 4t i 5t, respektivno.
Formulisati matematiki model problema i metodom DP nai optimalni plan utovara
kamiona i iznos maksimalne dobiti.

x
i
broj jedinica i-tog proizvoda koji se prevozi kamionom

max F(x) = 50x
1
+ 120x
2
+ 170x
3

2x
1
+ 4x
2
+ 5x
3
9
x
i
0 je cjelobrojno

{ }

) ( ) ( ) (
1
/ 0
max N N N N N
a Q x
N
x a Q f x r Q f
N N
+ =

N=1
{ }

50 ) (
1
2 / 0
1 max
1
x Q f
Q x
=

100

{ }
{ }

2 x 100
2 50
1 50
0 50
) 4 (
4
1 x 50
1 50
0 50
) 3 (
3
1 x 50
1 50
0 50
) 2 (
2
0 x 0 0 50 ) 1 (
1
0 x 0 0 50 ) 0 (
0
1
2 0
1
1
1 0
1
1
1 0
1
1
0
1
1
0
1
max
max
max
max
max
1
1
1
1
1
= =
=
=
= =
)
`
=
=
= =
)
`
=
=
= = =
=
= = =
=

=
=
x
x
x
x
x
f
Q
f
Q
f
Q
f
Q
f
Q

N=2
{ }

) x 4 Q ( f x 120 ) Q ( f
2 1 2
4 / Q x 0
2 max
2
+ =

{ }
{ }
{ }
{ }

1 x 120
0 120 ) 0 ( 1 120
100 0 ) 4 ( 0 120
) 4 (
0 x 50 50 0 ) 3 ( 0 120 ) 3 (
0 x 50 50 0 ) 2 ( 0 120 ) 2 (
0 x 0 0 0 ) 1 ( 0 120 ) 1 (
0 x 0 0 0 ) 0 ( 0 120 ) 0 (
2
1
1
1 0
2
2 1
0
2
2 1
0
2
2 1
0
2
2 1
0
2
max
max
max
max
max
2
2
2
2
2
= =
)
`
+ = +
+ = +
=
= = + = + =
= = + = + =
= = + = + =
= = + = + =

=
=
=
=
f
f
f
f f
f f
f f
f f
x
x
x
x
x

N=3
101
(1)
0
2
1
(9)
(9)
(5)
0
240
120
170
0
0
170
0
0
1
0
(9)
(4)
(5)
(0)
1
0
2
3
50
100
200
(7)
(3)
(1)
0
(5)
150
(9)
{ }

1 x 260
120 170 ) 4 ( 1 170
240 0 ) 9 ( 0 170
) 9 (
9
.
.
.
0
) 5 ( 170 ) (
3
2
2
1 0
3
2 2 3
5 / 0
3
max
max
3
3
= =
)
`
+ = +
+ = +
=
=
=
+ =

f
f
f
Q
Q
x Q f x Q f
x
Q x

Q x
1
f
1
(Q) x
2
f
2
(Q) x
3
f
3
(Q)
0 0
*
0 0 0 0 0
1 0 0 0 0 0 0
2 1 50 0 50 0 50
3 1 50 0 50 0 50
4 2 100 1
*
120 0 120
5 2 100 1 120 1 170
6 3 150 1 170 0,1 170
7 3 150 1 170 1 220
8 4 200 2 240 0 140
9 4 200 2 240 1
*
290

OR

x
1
=0
x
2
=1
x
3
=1

F(x)=290
290
P
3
P
2
P
1

102

{ }

50 ) (
1
2 / 0
1 max
1
x Q f
Q x
=

Q 50x
1
x
1

0-1 500=0 0
2-3 501=50 1
4-5 502=100 2
6-7 503=150 3
8-9 504=200 4

{ }

) 5 9 ( 170 ) 9 (
3 2 3
1 0
3
max
3
x f x f
x
+ =

x
3
170x
3
+f
2
(9-5x
3
) x
2
x
1

0 1700+f
2
(9)=0+240=240 2 0
1 1701+f
2
(4)=170+120=290 1 0

{ }

) 4 9 ( 120 ) 9 (
2 1 2
2 0
2 max
2
x f x f
x
+ =

x
2
120x
2
+f
1
(9-4x
2
) x
1

0 1200+f
1
(9)=0+200=240 4
2 1201+f
1
(5)=120+100=220 2
2 1202+f
1
(1)=240+0=240 0

{ }

) 4 4 ( 120 ) 4 (
2 1 2
1 0
2 max
2
x f x f
x
+ =

x
2
120x
2
+f
1
(4-4x
2
) x
1

0 1200+f
1
(4)=0+100=100 2
1 1201+f
1
(0)=120+0=120 0

5.6.3. Optimalna zamjena opreme

Zamjena opreme moe se vriti u zavisnosti od:
- kapaciteta opreme,
- trokova odravanja (eksploatacijskih trokova),
OR

x
1
=0
x
2
=1
x
3
=1

F(x)=290
103
- rezidualne (preostale) vrijednosti opreme koja je u funkciji godina starosti i
- vrijednosti nove opreme.
U modeliranju zamjene opreme (maina) pretpostavlja se da je na poetku procesa
zamjene oprema stara (t
0
) godina. Stanje sistema definisano je starou opreme (t).
Proces zamjene opreme sastoji se od (k) etapa koje predstavljaju godine u kojima se
donosi odluka:
u
1
: zadravanje opreme ili
u
2
: zamjena opreme.
Optimalna politika zamjene opreme u toku posmatranog procesa od N perioda, N t , 1 =
sastoji se u tome da se u svakoj etapi donese odluka koja e maksimizirati ukupne
ekonomske efekte (dobit, profit i sl.) od cijelog N-etapnog procesa.
Oznaimo sa:
D(t) dobit ostvarena upotrebom opreme stare t godina,
C(t) godinji trokovi odravanja opreme stare t godina,
V(t) rezidualna vrijednost opreme,
C nabavna vrijednost opreme (fakturna vrijednost + zavisni trokovi).
Starost opreme 0, ... t, t+1, ... , N
Etapa N ... k, k-1, ..., 1

u
1
- zadravanje opreme:
Oprema stara t godina zadrava se te e biti za 1 godinu stara t+1 godinu.

u
2
: zamjena opreme

Funkcionalna jednaina:

)
`
+ +
+ +
=
) 1 ( ) ( ) 0 ( ) 0 (
) 1 ( ) ( ) (
max ) (
1
1
k
k
k
f C t V C D
t f t C t D
t f

pri emu je:

t t+1
D(0)-C(0)+V(t)-C+f
k-1
(1)
k k-1 1
D(t)-C(t)+f
k-1
(t+1)
0 1
k k-1
1
104
)
`
=
C t V C D
t C t D
t f
) ( ) 0 ( ) 0 (
) ( ) (
max ) (
1

gdje je:
f
k
(t) funkcija optimalne dobiti od k-etapnog procesa zamjene opreme stare t godina.

Primjer:
Potrebno je rijeiti problem zamjene opreme.
Ako je nabavna cijena nove opreme C=20NJ, ako je rezidualna vrijednost stare opreme
jednaka nuli i ako je razlika W(t) = D(t) C(t) izmeu dobiti i trokova za razliite godine
starosti opreme t data u tabeli

t 0 1 2 3 4 5 6
W(t) 20 15 12 10 7 4 0

odrediti optimalni period zamjene opreme ako proces eksploatacije traje 4 godine i ako je
maina bila u eksploataciji 1 godinu.

)
`
+ + =
+ +
=

) 1 ( 20 20 0 ) 1 (
) 1 ( ) (
max ) (
1 1
1
k k
k
k
f f
t f t W
t f

t f
1
(t) odl. f
2
(t) odl. f
3
(t) odl. f
4
(t) odl. f
5
(t) odl. f
6
(t) odl.
0 20 1 35 1 47 1 57 1 64 1 74 1
1 15 1 27 1
**
37 1
*
44 1 54 1 64 1
*
2 12 1
**
22 1* 29 1 39 1 49 1
*
59 1
3 10 1
*
17 1 27 2 37 1,2
*
47 1 54 1,2
4 7 1 15 2 27 2
**
37 2 44 1,2 54 2
5 4 1 15 2 27 2 37 2 44 2 54 2
6 0 1 15 2 27 2 37 2 44 2 54 2

k=1
itd. (1) 15
0
15 ) 1 (
max ) 1 (
20
0
20 ) 0 (
max ) 0 (
0
) (
max ) (
1
1
1
=
)
`
=
=
=
)
`
=
=
)
`
=
W
f
W
f
t W
t f

k=2
105
(1) 22
18
22 10 12 ) 3 ( ) 2 (
max ) 2 (
(1) 27
15
27 12 15 ) 2 ( ) 1 (
max ) 1 (
(1) 35
15
35 15 20 ) 1 ( ) 0 (
max ) 0 (
15 ) 1 (
) 1 ( ) (
max ) (
1
2
1
2
1
2
1
1
2
=
)
`
= + = +
=
=
)
`
= + = +
=
=
)
`
= + = +
=
)
`
=
+ +
=
f W
f
f W
f
f W
f
f
t f t W
t f

{ }
{ } ) 7 ( ) 6 ( max ) 6 (
) 6 ( ) 5 ( max ) 5 (
(2) 11
15
11 4 7 ) 5 ( ) 4 (
max ) 4 (
(1) 17
15
7 10 ) 4 ( ) 3 (
max ) 3 (
1 2
1 2
1
2
1
2
f W f
f W f
f W
f
f W
f
+ =
+ =
=
)
`
= + = +
=
=
)
`
+ = +
=

k=3
{ }
{ }
{ } (2) 25 15 10 ) 4 ( ) 3 ( max ) 3 (
29 17 12 ) 3 ( ) 2 ( max ) 2 (
37 22 15 ) 2 ( ) 1 ( max ) 1 (
(1) 47
27
27 20 ) 1 ( ) 0 (
max ) 0 (
27 ) 1 (
) 1 ( ) (
max ) (
2 3
2 3
2 3
2
3
2
2
3
= + = + =
= + = + =
= + = + =
=
)
`
+ = +
=
)
`
=
+ +
=
f W f
f W f
f W f
f W
f
f
t f t W
t f

k=4
{ }
{ }
{ }
{ } (2) ili (1) 37 27 10 ) 4 ( ) 3 ( max ) 3 (
39 27 12 ) 3 ( ) 2 ( max ) 2 (
44 29 15 ) 2 ( ) 1 ( max ) 1 (
57 37 20 ) 1 ( ) 0 ( max ) 0 (
37 ) 1 (
) 1 ( ) (
max ) (
3 4
3 4
3 4
3 4
3
3
4
= + = + =
= + = + =
= + = + =
= + = + =
)
`
=
+ +
=
f W f
f W f
f W f
f W f
f
t f t W
t f

k=5
{ }
{ } ) 3 ( ) 2 ( max ) 2 (
64 44 20 ) 1 ( ) 0 ( max ) 0 (
44 ) 1 (
) 1 ( ) (
max ) (
4 5
4 5
4
4
4
f W f
f W f
f
t f t W
t f
+ =
= + = + =
)
`
=
+ +
=

106
k=6
)
`
=
+ +
=
54 ) 1 (
) 1 ( ) (
max ) (
5
5
6
f
t f t W
t f

5.6.4. Problem trgovinskog preduzea

Neko trgovinsko preduzee bavi se nabavkom i prodajom jedne vrste robe koja se moe
uskladititi u skladitu kapaciteta C jedinica. Neka su zadate poetne zalihe Q
0
. Odluke se
donose na period od N vremenskih jedinica. Za svaki vremenski period poznate su
nabavna cijena c
i
i prodajna cijena p
i
jedinice artikla, N i , 1 = gdje indeks i je indeks
etape, a ne vremena.
Pretpostavimo da su mogue odluke:
u
1
: prodati cjelokupnu raspoloivu koliinu artikla
u
2
: kupovati artikal tako da skladite bude popunjeno
u
3
: prodavati, a zatim popunjavati skladite na nain kao kod odluka u
1
i

u
2

u
4
: dopunjavati, a zatim prazniti skladite na nain kao kod odluka u
1
i

u
2
.
Sa Q se obiljeava koliina zaliha artikla na poetku k-te etape.
Pretpostavka: Prva etapa posljednji period

k-ta etapa ostalih (k-1) etapa
u
1
koliina Q 0
zarada p
k
Q f
k-1
(0)
u
2
koliina C-Q C
zarada -c
k
(C-Q) f
k-1
(C)
u
3
koliina Q, C C
zarada p
k
Q-c
k
C f
k-1
(C)
u
4
koliina C-Q, C 0
zarada -c
k
(C-
Q)+p
k
C
f
k-1
(0)

+ +
+
+
+
=
) 0 ( ) (
) (
) ( ) (
) 0 (
max ) (
1
1
1
1
k k k
k k k
k k
k k
k
f C p Q C c
C f C c Q p
C f Q C c
f Q p
Q f

Primjer:
Dato je skladite kapaciteta 25 komada u kome se na zalihama nalazi 10 komada nekog
artikla. U toku vremenskog perioda od 4 sedmice postoje slijedee alternative u pogledu
poslovanja sa skladitem:
u
1
: prodati cjelokupnu raspoloivu koliinu artikla,
Q
k k-1 1 0
107
u
2
: kupovati artikle tako da skladite bude popunjeno,
u
3
: prazniti, a zatim popunjavati skladite na nain kao kod odluka u
1
i u
2
.
u
4
: dopunjavati, a zatim prazniti skladite na nain kao kod odluka u
1
i u
2
.
Za svaku sedmicu poznate su kupovna c
t
i prodajna cijena p
t
jedinice artikla.
t: 1 2 3 4
c
t
: 2 4 5 5
p
t
: 3 5 4 5
Po isteku etvrte sedmice ukupna raspoloiva koliina se prodaje po cijeni od 6 NJ po
komadu.
Odrediti takav nain upravljanja artikla u skladitu da po isteku 5. sedmice ukupna zarada
bude maksimalna.

k: 1 2 3 4 5
c
k
: - 5 5 4 2
p
k
: 6 5 4 5 3

f
1
(Q)=6Q (u
1
)

+ = + + = + +
+ = + = +
+ = + = +
= + = +
=
C Q C Q C f C p Q C C
C Q C C Q C f C C Q p
C Q C Q C f Q C C
Q Q f Q p
Q f
5 0 5 ) ( 5 ) 0 ( ) (
5 6 5 5 ) (
5 6 ) 5 ( 5 ) ( ) (
5 0 5 ) 0 (
max ) (
1 2 2
1 2 2
1 2
1 2
2
u
2
, u
3

C Q
Q C C Q C f C Q C
C Q C C Q C f C Q
C Q C Q C C f Q C
C Q f Q
Q f + =
= + + + = + +
+ = + = +
+ = + + = +
+ = +
= 5
5 4 5 ) 0 ( 4 ) ( 5
4 6 5 4 ) ( 5 4
5 6 5 5 ) ( ) ( 5
4 ) 0 ( 4
max ) (
2
2
2
2
3
u
2

2
3
3
3
3
4
u C 2 Q 5
C 2 Q 4 C C 5 Q 4 C 4 ) 0 ( f C 5 ) Q C ( 4
C 2 Q 5 C 6 C 4 Q 5 ) C ( f C 4 Q 5
C 2 Q 4 C 6 Q 4 C 4 ) C ( f ) Q C ( 4
C Q 5 ) 0 ( f Q 5
max ) Q ( f + =
+ = + + + = + +
+ = + = +
+ = + + = +
+ = +
=

3
4
4
4
4
5
u 155 25 5 10 3 C 5 Q 3
C 3 Q 2 C 2 C 3 Q 2 C 2 ) 0 ( f C 3 ) Q C ( 2
C 5 Q 3 C 7 C 2 Q 3 ) C ( f C 2 Q 3
C 5 Q 2 C 7 Q 2 C 2 ) C ( f ) Q C ( 2
C 2 Q 3 ) 0 ( f Q 3
max ) Q ( f
= + = + =
=
+ = + + + = + +
+ = + = +
+ = + + = +
+ = +
=

Period Odluka Zalihe Prodaja Kupovina Prihod Trokovi Zarada
108
1 u
3
10 10x3 25x2 30 50 -20
2 u
3
25 25x5 25x4 125 100 25
3 u
2
25 0 0 0 0 0
4 u
2
, u
3
25 25x5 25x5 125 25 0
5 u
1
25 25x6 - 150 - 150
155

5.6.5. Problem proizvodnje

Zadatak:
U toku N vremenskih jedinica (perioda) potrebno je utvrditi proizvodnju po periodima
| | N t x
t
, 1 , =
tako da ukupni trokovi proizvodnje i skladitenja budu minimalni i da se
pri tome zadovolji tranja koja se posmatra kao deterministika veliina.
Dalje se pretpostavlja da su poznati trokovi proizvodnje po jedinici proizvoda
| | N t c
t
, 1 , =
kao i trokovi dranja zaliha po jedinici za svaki vremenski period
| | h
.
Nadalje, neka se proizvodnja kree izmeu minimalne
| |
t
k
i maksimalne proizvodnje
| |
t
K
po periodu
| | N t , 1 =
.

Postupak rjeavanja:
Sa Q obiljeimo koliinu proizvoda koja je proizvedena u prethodnim vremenskim
periodima, a koja se nalazi na poetku perioda na zalihi. Npr. za period t

Trokovi dranja zaliha raunaju se na stanje zaliha na kraju perioda (za t-ti period)
h(Q+x
t
-d
t
). (1)
Trokovi proizvodnje u periodu t iznose
c
t
x
t
. (2)
Ogranienja vezana za proizvodnju mogu se definisati na slijedei nain:
(1) zalihe na poetku perioda i proizvodnja u periodu t moraju biti vei ili jednaki tranji
x
t
+ Q d
t
ili
x
t
d
t
Q (3)
(2) minimalna proizvodnja
x
t
k
t
(4)
(3) maksimalna proizvodnja
x
t
K
t
(5)
x
t

d
t

t
t+1
N
Q

Q+x
t
-d
t

109
(4) uslov nenegativnosti
x
t
0 (6)

Ako sa f
t
(Q) obiljeimo funkciju ukupnih trokova od t-tog perioda do posljednjeg
perioda N onda se funkcija ukupnih trokova za posmatrane periode moe napisati u
obliku

{ }
0
0 x
x K ili
x d
. .
) ( ) ( min ) (
t
*
t
*
t
*
t
*
t
1

=
=
+ + + + =
+
t
t t
t t t t t
t t t t t
t t t t t t t t
x
K x
K k K k x
Q d k d Q d x
o p
x d Q f x c x d Q h Q f
(7)

Rjeavanje ovog problema polazi od posljednjeg perioda (prva etapa) za koji se
izraunava

{ }
N N N N N
x c x d Q h Q f + + = ) ( min ) (
(8)

pri istim ogranienjima.

Dalje se izraunava funkcija minimalnih trokova za (N-1) i N-ti period primjenom
funkcionalne jednaine (7), tj. uvrtava se t=N-1.
Postupak se nastavlja sve dok ne bude t=1.

Primjer:
Neka je potranja za nekim proizvodom u toku 3 vremenska perioda
d
t
: 6, 4, 5,
a trokovi proizvodnje
c
t
: 7, 3, 6.
Trokovi skladitenja iznose 2 NJ po proizvodu za neki vremenski period.
U svakom periodu mogu se proizvoditi minimalno 2 jedinice proizvoda i maksimalno 7
jedinica.
Odrediti koliko jedinica proizvoda treba proizvoditi u svakom periodu da bi ukupni
trokovi bili minimalni.

d
*
t
: 4, 2, 3
k
*
t
: 5
t=3 d
3
=3 c
3
=6

{ }
3 3
0
5
3
3
6 ) 3 ( 2 ) (
min
3
3
3
x x Q Q f
x
x
Q x
+ + =

110
18
32 5 6 ) 5 3 0 ( 2
26 4 6 ) 4 3 0 ( 2
18 3 6 ) 3 3 0 ( 2
) 0 (
min
5
3
3
3
3
=
= + +
= + +
= + +
=
x
x
f
x
3
=3

12
36 5 6 ) 5 3 1 ( 2
28 4 6 ) 4 3 1 ( 2
20 3 6 ) 3 3 1 ( 2
12 2 6 ) 2 3 1 ( 2
) 1 (
min
5
2
3
3
3
=
= + +
= + +
= + +
= + +
=
x
x
f
x
3
=2

6
38 5 6 ) 5 3 2 ( 2
30 4 6 ) 4 3 2 ( 2
22 3 6 ) 3 3 2 ( 2
14 2 6 ) 2 3 2 ( 2
6 1 6 ) 1 3 2 ( 2
) 2 (
min
5
1
3
3
3
=
= + +
= + +
= + +
= + +
= + +
=
x
x
f
x
3
=1

0
40 5 6 ) 5 3 3 ( 2
32 4 6 ) 4 3 3 ( 2
22 3 6 ) 3 3 3 ( 2
16 2 6 ) 2 3 3 ( 2
8 1 6 ) 1 3 3 ( 2
0 0 6 ) 0 3 3 ( 2
) 3 (
min
5
0
3
3
3
=
= + +
= + +
= + +
= + +
= + +
= + +
=
x
x
f
x
3
=0

2
42 5 6 ) 5 3 4 ( 2
34 4 6 ) 4 3 4 ( 2
26 3 6 ) 3 3 4 ( 2
18 2 6 ) 2 3 4 ( 2
10 1 6 ) 1 3 4 ( 2
2 0 6 ) 0 3 4 ( 2
) 4 (
min
5
0
3
3
3
=
= + +
= + +
= + +
= + +
= + +
= + +
=
x
x
f
x
3
=0

t=2 d
2
=2 c
2
=3

{ } ) 2 ( 3 ) 2 ( 2 ) (
2 3 3 2
5
2
2
min
2
2
x Q f x x Q Q f
x
Q x
+ + + + =

111

21
21 0 21 ) 3 ( 5 3 ) 5 2 0 ( 2
22 6 16 ) 2 ( 4 3 ) 4 2 0 ( 2
23 12 11 ) 1 ( 3 3 ) 3 2 0 ( 2
24 18 6 ) 0 ( 2 3 ) 2 2 0 ( 2
) 0 (
3
3
3
3
5
2
2
min
2
2
=
= + = + + +
= + = + + +
= + = + + +
= + = + + +
=
f
f
f
f
f
x
x
x
2
=5

18
25 2 23 ) 4 ( 5 3 ) 5 2 1 ( 2
18 0 18 ) 3 ( 4 3 ) 4 2 1 ( 2
19 6 13 ) 2 ( 3 3 ) 3 2 1 ( 2
20 12 8 ) 1 ( 2 3 ) 2 2 1 ( 2
21 18 3 ) 0 ( 1 3 ) 1 2 1 ( 2
) 1 (
3
3
3
3
3
5
1
2
min
2
2
=
= + = + + +
= + = + + +
= + = + + +
= + = + + +
= + = + + +
=
f
f
f
f
f
f
x
x
x
2
=3

15
29 4 25 ) 5 ( 5 3 ) 5 2 2 ( 2
22 2 20 ) 4 ( 4 3 ) 4 2 2 ( 2
15 0 15 ) 3 ( 3 3 ) 3 2 2 ( 2
16 6 10 ) 2 ( 2 3 ) 2 2 2 ( 2
17 12 5 ) 1 ( 1 3 ) 1 2 2 ( 2
18 18 0 ) 0 ( 0 3 ) 0 2 2 ( 2
) 2 (
3
3
3
3
3
3
5
0
2
min
2
2
=
= + = + + +
= + = + + +
= + = + + +
= + = + + +
= + = + + +
= + = + + +
=
f
f
f
f
f
f
f
x
x
x
2
=3

12
33 6 27 ) 6 ( 5 3 ) 5 2 3 ( 2
26 4 22 ) 5 ( 4 3 ) 4 2 3 ( 2
19 2 17 ) 4 ( 3 3 ) 3 2 3 ( 2
12 0 12 ) 3 ( 2 3 ) 2 2 3 ( 2
13 6 7 ) 2 ( 1 3 ) 1 2 3 ( 2
14 12 2 ) 1 ( 0 3 ) 0 2 3 ( 2
) 3 (
3
3
3
3
3
3
5
0
2
min
2
2
=
= + = + + +
= + = + + +
= + = + + +
= + = + + +
= + = + + +
= + = + + +
=
f
f
f
f
f
f
f
x
x
x
2
=3

t=1 d
1
=4 c
1
=7

{ } ) 4 ( 7 ) 4 ( 2 ) (
1 2 1 1
5
4
1
min
1
1
x Q f x x Q Q f
x
Q x
+ + + + =

112
49
55 18 37 ) 1 ( 5 7 ) 5 4 0 ( 2
49 21 28 ) 0 ( 4 7 ) 4 4 0 ( 2
) 0 (
2
2
5
4
1
min
1
1
=
)
`
= + = + + +
= + = + + +
=
f
f
f
x
x
x
1
=4

Q f
3
(Q) x
3
f
3
(Q) x
2
f
3
(Q) x
1

0 18 3 21 5 49 4
1 12 2 18 3
2 6 1 15 3
3 0 0 12 3
4 2 0
5 4 0

Period Proizvod. Tr.proizv. Zalihe Tr.zaliha Uk.trok.
I 4 4x7=28 - - 28
II 5 5x3=15 3 6 21
III 0 6x0=0 - - 0
Ukupno: 9 43 3 6 49

6. OSNOVE STOHASTIKOG MODELIRANJA

6.1. Stohastike veliine

Stohastike veliine su masovne pojave sa nepoznatim kompleksom uzroka, pa se jo
zovu stohastike pojave ili masovne pojave sa stohastikim elementima.
Rije stohastian je grkog porijekla to znai koji se nasluuje. Egzaktno tretiranje
stohastikih veliina postie se teorijom vjerovatnoe. Na temeljima teorije vjerovatnoe i
matematike statistike u mnogim oblastima poslovnog odluivanja (zalihe, ekanje,
trajanje aktivnosti, prognoziranje i sl.) razvijeno je niz modela odluivanja.
Osnovni predmeti posmatranja (stohastike veliine) u stohastikim modelima su:

- dogaaj,
- promjenljiva i
- proces.

Dogaaj je pojava koji se pod datim uslovima moe desiti ili ne. Uopteno, dogaaj se
naziva sluajnim ako se pri realizaciji kompleksa uzroka koji su vezani za mogunost
javljanja datog dogaaja taj dogaaj moe desiti li ne desiti.
Ako se kae da je neki dogaaj sluajan onda se podrazumijeva da kompleks uzroka nije
obuhvatio sve uzroke, koji su potrebni da bi nastupio dogaaj.
Veliina koja definie stepen mogunosti da se neki dogaaj desi pod datim uslovima
naziva se vjerovatnoa.
113
Kod izraunavanja vjerovatnoe nekog dogaaja uvijek se trai odgovor na pitanje da li e
dogaaj nastupiti ili ne. Npr. kod bacanja kocke razlikuju se dogaaji A=|1| ili B=|2| ili
C=|3| itd. U mnogim sluajevima rezultat jednog opita moe se oznaiti jednim brojem.
U sutini svaki sluajni dogaaj, jedan opit, se oznaava jednim brojem npr. kod bacanja
kocke brojem koji padne. Ako se taj broj oznai sa x onda u sluaju bacanja kocke taj
broj moe primiti vrijednosti 1, 2, 3, 4, 5 i 6. Takva promjenljiva koja karakterie rezultat
jednog opita oznaava se kao sluajna (stohastika ili aleatorna) promjenljiva.
U toku opita (vremena) se i same stohastike promjenljive mijenjaju, te se stoga razlikuju
od obine stohastike promjenljive, i nazivaju se stohastikim procesima (aleatorna
funkcija ili sluajni proces).
Kako je za sluajni dogaaj vezana vjerovatnoa, tako je sluajna promjenljiva odreena
zakonom vjerovatnoe i statistikim pokazateljima (oekivana vrijednost, varijansa i sl.).
S obzirom da stohastiki proces predstavlja skup sluajnih promjenljivih i njega
karakteriu viedimenzionalni zakon vjerovatnoe i statistiki pokazatelji.

6.2. Vjerovatnoa dogaaja

Mnoge poslovne odluke donose se u uslovima sluajnih dogaaja kao to su tranja,
vremenski uslovi, unutranji i vanjskopolitiki ambijent i sl. Stoga se za sluajne dogaaje
utvruje vjerovatnoa kao mjera zakonitosti njegovog nastupanja.
a) Matematiki se vjerovatnoa nastupanja dogaaja A predstavlja kao granina vrijednost
odnosa broja povoljnih dogaaja m i broja n svih moguih dogaaja tj.
1. P(A) 0 i lim ) ( =

n
m
A P
n

b) Ako je P(A)=1 dogaaj A e sigurno nastupiti i ako je P(A)=0 onda je dogaaj nemogu.
c) Vjerovatnoa da se jedan dogaaj nee desiti naziva se njegova suprotna vjerovatnoa
) ( A P . Lahko se dobije da je
1 ) A ( P ) A ( P = +
(1)

d) Vjerovatnoa deavanja ili dogaaja A ili dogaaja B i da se pri tome dogaaji A i B ne
mogu desiti istovremeno je zbir vjerovatnoa tih dogaaja
) ( ) ( ) ( B P A P B A P + = +
(2)
e) Vjerovatnoa deavanja ili dogaaja A ili dogaaja B ili ....., ili dogaaja L i da se pri tome
dogaaji A, B, ..., L ne mogu desiti istovremeno jednaka je zbiru parcijalnih vjerovatnoa
dogaaja tj.

) ( ... ) ( ) ( ) ... ( L P B P A P L B A P + + + = + + +
(3)
f) Ako se dogaaji A i B ne iskljuuju (moe se pojaviti dogaaj A, dogaaj B ili oba
zajedno) onda je
) ( ) ( ) ( ) ( AB P B P A P B A P + = +
(4)
g) Uslovna vjerovatnoa dogaaja B pod uslovom da se ve ostvario dogaaj A oznaava se
sa P(B/A) i izraunava se za P(A)>0
114
=
>
=
0 ) ( za 0
0 ) ( za
) (
) (
) / (
A P
A P
A P
AB P
A B P (5)
Ako su A i B nezavisni onda je P(B/A)=P(B).

h) Multiplikacijski teorem vjerovatnoe se moe izvesti i iz formule uslovne vjerovatnoe

P(AB)=P(A)P(B/A) (6)

ili uopteno za konani broj dogaaja A
1
, A
2
, ... A
n
vai
vjerovatnoa sloenog dogaaja

P(A
1
, A
2
, ... A
n
) = P(A
1
)P(A
2
/A
1
) P(A
3
/A
1
,A
2
) ... P(A
n
/A
1,
A
2
...A
n-1
)
(7)

Ako su dogaaji A i B nezavisni onda je P(AB)=P(A) P(B)

i) Formula totalne vjerovatnoe: Ako sluajan dogaaj B nastupa pod uslovom nastupanja
dogaaja jednog za drugim A
1
, A
2
, ... A
n
koji se meusobno iskljuuju, a ija je suma
vjerovatnoa
P(A
1
)+P(A
2
)+...+P(A
n
)=1 (8)
(dogaaji A
i
formiraju POTPUNI SISTEM DOGAAJA)
onda se vjerovatnoa dogaaja B izraunava pomou formule

=
=
n
i
i i
A B P A P B P
1
) / ( ) ( ) (
(9)
(formula TOTALNE vjerovatnoe).

j) Bayes-ova formula: Ako dogaaji n i A
i
, 1 , = ine potpuni sistem, tada za dogaaj B koji
nije nemogu vrijedi relacija
n 1, k
) / ( ) (
) / ( ) (
) / (
1
=
=
n
i
i i
k k
k
A B P A P
A B P A P
B A P

(Bayes-ova formula)

6.3. Sluajna promjenljiva i distribucije vjerovatnoa

Ako promjenljiva x uzima neku od vrijednosti x
1
, x
2
, ..., x
n
sa odgovarajuim
vrijednostima vjerovatnoa P(x
1
), P(x
2
), ..., P(x
n
) pri emu je P(x
1
) + P(x
2
) + ... + P(x
n
) =
1 tada se za x kae da predstavlja diskretnu sluajnu (aleatornu ili stohastiku)
promjenljivu.
Sa n i x
i
, 1 , = obiljeena je realizacija ili tekua vrijednost promjenljive, a P(x=x
i
)=P(x
i
)
je zakon vjerovatnoe ili zakon raspodjele (rasporeda, razdiobe) vjerovatnoa ili
distribucija vjerovatnoa.
115
Distribucija vjerovatnoa pokazuje raspored vjerovatnoa na mogue rezultate nekog
opita.
Razlikuju se diskretne i kontinuirane distribucije. Kod diskretne distribucije promjenljiva
x moe poprimiti samo odreene vrijednosti (npr. osobe koje pristuu u red, kart komadi
i sl.)
Kontinuiranu distribuciju karakteriu promjenljive koje mogu poprimiti sve vrijednosti
(eventualno u okviru nekih granica, npr. vrijeme dolazaka, temperature i sl.).
Diskretna sluajna promjenljiva x za zakon vjerovatnoe P(x) udovoljava
, 1 P(x) x svako za 0 ) x ( P
svakox
=

dok kontinuirana sluajna promjenljiva sa zakonom vjerovatnoe f(x) udovoljava
+

=
+ < <
1 ) (
x - 0 ) (
dx x f
x f

Vjerovatnoa kada se sluajna promjenljiva nalazi u intervalu
) a x ( P ) a x P( F(a)
x od funkcija je a x
= < < =
< <

naziva se funkcija rasporeda sluajne promjenljive (funkcija distribucije).
Kod diskretne distribucije
= =
a x
i
i
x x P a F ) ( ) (
,
a kod kontinuirane
. ) ( ) ( ) (

= =
a
dx x f a x P a F

Osobine funkcije rasporeda:
a)
1 ) ( 0 a F

b)
< = ) ( ) ( ) ( F F x P

c)
0 ) (
lim
=

a F
a

d)
1 ) (
lim
=
+
a F
a

6.4. Karakteristike sluajne promjenljive

Neka je x sluajna promjenljiva i neka je h(x) funkcija od x. Definisat emo E{h(x)} kao
oekivanu vrijednost h(x), sa uvaavanjem zakona vjerovatnoe f(x). Tada je
116
{ }
+

svex
x P x h
dx x f x h
x h E
diskretno x za ) ( ) (
no kontinuira x za ) ( ) (
) (

Za konstantu b operator oekivanja je
{ }
{ } { }
{ } { } ) ( ) (
) ( ) (
x h E b x h b E
x h bE x bh E
b b E
=
=
=

Sredina distribucije definie se kao oekivana vrijednost u sluaju h(x)=x.
Tada je
{ }
+

svex
x xP
dx x xf
x E
diskretno x za ) (
no kontinuira x za ) (

Varijansa distribucije definie se kao oekivana vrijednost kada je
h(x) = (x-E{x})
2

Tada je

V
ar
{x}) = E{(x-E{x})
2
} = E{x
2
-2xE{x} + (E{x})
2
}=
= E{x
2
} 2E{x}E(x) + (E{x})
2
= E{x
2
} (E{x})
2

6.5. Najznaajniji rasporedi u stohastikim modelima

Bez obzira na to da li je sluajna promjenljiva diskretna ili kontinuirana mogu se utvrditi
zakoni koji definiu raspored vjerovatnoa na mogue rezultate nekog opita. U teoriji
vjerovatnoe onaj zakon kako je ve istaknuto oznaava se kao zakon vjerovatnoe ili
distribucija vjerovatnoa.
Razlikuju se empirijske i teorijske distribucije. Nas e ovdje interesovati teorijske
distribucije znaajne za stohastiko modeliranje i to:
A/ Diskretne distribucije vjerovatnoa
1. Binomna distribucija i
2. Poissonova distribucija.
B/ Kontinuirane distribucije vjerovatnoa
1. Normalna distribucija,
2. Eksponencijalna distribucija,
3. Gama distribucija i
4. Beta distribucija.

6.6. Diskretne distribucije vjerovatnoa
117

Binomna distribucija

Pretpostavimo da prosti dogaaj A nastupa sa istom vjerovatnoim p kod svakog opita.
Neka je njegova suprotna vjerovatnoa obiljeena sa q = 1 p.
Binomna distribucija definie vjerovatnou da e kod n ponavljanja nezavisnih opita,
dogaaj A nastupiti k puta.
Binomna distribucija glasi
k n k
q p
k
n
k x P

|
|
\
|
= = ) (

Binomni raspored je odreen parametrima n i p.
Takoe zadovoljava uslove

1 ) q p ( q p
k
n
k) P(x
n 0,1,2,..., k svako za 0 ) k x ( P
n
n
0 k
k n k
n
0 k
= + =
|
|
\
|
= =
= =

=
=

Oekivana vrijednost binomne distribucije je E{x}=np, a varijansa Var{x}=np(1-p)

Poissonova distribucija

Neka sluajna promjenljiva x moe poprimiti nenegativne cjelobrojne vrijednosti
k=0,1,2,...,. Svaki dogaaj nastupa sluajno i nezavisno od drugog. Sluajna promjenljiva
x oznaava frekvenciju nastupa promatranog dogaaja po jedinici vremena.
Izraz

2,... 1, 0, k ,
!
) ( = = =

k
e
k x P
k

gdje je >0 oznaava Poissonovu distribuciju i oznaava vjerovatnou nastupa dogaaja k
puta.
Poissonova distribucija moe se direktno izvesti iz binomne distribucije.
Kada
0 np da tako ali n i 0 p > =
onda je binomna distribucija

.
n
1
n k
n
) k x ( P
k n k
|
\
|

\
|
|
|
\
|
= =

Graniena vrijednost prethodnog izraza kada n
je Poissonova distribucija.
Oekivana vrijednost i varijansa Poissonovog
rasporeda jednake su parametru , odnosno E{x}= i
Var{x}= .
118
U situaciji kada je n veliko, p male vrijednosti i =np>0
pogodna konstantna vrijednost, tada Poissonova
distribucija aproksimira binomnu distribuciju.

6.7. Kontinuirane distribucije vjerovatnoa

A. Normalna distribucija

Neprekidna funkcija
+ < < =

x - ,
2
1
) (
2 2
2 / ) (
2

x
e x f

gdje su i poznati parametri, predstavlja
NORMALNU DISTRIBUCIJU (Slika 1.).

Funkcija rasporeda normalne distribucije definisana
je sa

.
2
1
) (
2 2
2 / ) (
2
dy e x F
y
x

=

Oekivana vrijednost normalne distribucije
E{x}= , a Var{x}=
2
Standardizovana normalna distribucija dobija se
uvoenjem sluajne promjenljive

=
x
z
u obliku

+ < < =

z e z
z
- ,
2
1
) (
2 /
2

f(x)
0
x
F(x)
0
x
0,5
1
Slika 1.
119
sa E{z}= 0 i Var{z}= 1 (slika 2).

B. Eksponencijalna distribucija

Eksponencijalna distribucija za sluajnu promjenljivu x definisana je
izrazom
0 x , ) ( > =
x
e x f

, gdje je dati parametar.

Poissonova distribucija definie vjerovatnou
s kojom se neki dogaaj deava u odreenoj vremenskoj jedinici. Kod
eksponencijalne distribucije je drugaije i pretpostavlja se da je vremenski razmak
kontinuirana sluajna promjenljiva. Eksponencijalna distribucija nastupa uvijek u
vezi sa Poissonovom distribucijom. Ako su vremenski intervali dogaaja
distribuirani eksponencijalno, tada je frekvencija dogaaja po vremenskoj jedinici
distribuirana prema Poissonu i obratno.
Osnovni parametri eksponencijalne distribucije su
{ }

1
= x E
i
{ }
2
1
= x Var

C. Gama distribucija

f(z)
0
z
F(z)
0 z
1/2
1
Slika 2.
x
f(x)

120
Da bi se dobio zakon vjerovatnoe Gama distribucije n - tog reda, polazi se od sloenog
dogaaja:
- da se u intervalu duine t javi (n-1) dolazak i
- da se u intervalu t, t+dt javi jedan dolazak.
Zakon vjerovatnoe definisan izrazom
0 x
)! 1 (
) (
) (
1
>
=

n
e x
x f
x n

oznaava se kao Gama ili Erlangova distribucija.

D. Beta raspored

Za sluajnu promjenljivu x koja ima zakon vjerovatnoe
0 n 0, m , 1 x 0
x) - (1 x
) n , m (
1
) x ( f
1 - n 1 - m
> >

=

gdje je:

=
1
0
1 1
) 1 ( ) ( dx x x n m
n m

kae se da ima Beta raspored.

6.8. Stohastiki procesi u odluivanju

6.8.1. Pojam stohastikog procesa

Stohastiki proces predstavlja matematiku apstrakciju empirijskog procesa koji se razvija
u vremenu po nekim zakonima vjerovatnoe. Simboliki ga definiemo kao skup sluajnih
promjenljivih {x(t), tT}, gdje se parametar t odnosi na vrijeme.
Prouavanje stohastikih procesa ima funkciju prilikom prognoziranja vrijednosti
ekonomskih procesa. Stohastiki proces se ne moe opservirati, nego mogu samo njegove
realizacije.
Primjer: Stanje dnevnih zaliha proizvoda A u istovjetnim prodavnicama jednog preduzea
varira oko jednog nivoa za koji se moe rei da predstavlja teorijski nivo zaliha. Neka se
svakodnevno u toku godine prati nivo zaliha u prodavnicama to emo predstaviti
grafiki.
Nivo
zaliha
0 t
p
u

p
1

p
2

p
3

Nivo
zaliha
0 t
Srednji nivo zaliha
121

Stanje nekog procesa u bilo kom vremenu t opisano je vrijednostima odreenog broja
opserviranih veliina odnosno stohastikih promjenljivih. Ako fiksiramo vrijeme t, tada se
proces x(t) svodi na stohastiku promjenljivu x. Za taj sluaj kaemo da predstavlja
presjek stohastikog procesa u trenutku t
0
.

Ako poemo od toga da jedina ispravna definicija ekonomske vremenske serije proizilazi
jedino iz teorije stohastikih procesa, tada se smatra da je ta vremenska serija konani dio
realizacije nekog stohastikog procesa, odnosno odreena ekonomska vremenska serija
x(t) je jedan jedini uzorak od beskonanog broja moguih uzoraka tog procesa x(t
0
), x(t
1
),
..., x(t
p
).
U skladu sa prethodnom definicijom osnovni zadatak istraivanja dinamikih ekonomskih
procesa sastoji se u otkrivanju stohastikog procesa ija je realizacija ta vremenska serija.
Takav stohastiki proces oznaava se kao model ekonomske vremenske serije.

6.8.2. Zakon vjerovatnoe stohastikog procesa

Da bismo definisali zakon vjerovatnoe stohastikog procesa posmatrat emo za svako t
i

realizaciju x(t
i
). Na bazi trenutaka t
1
, t
2
,..., t
n
kojima korenspodira niz sluajnih
promjenljivih x(t
1
), x(t
2
), ..., x(t
n
) moe se definisasti zakon vjerovatnoe procesa. U
svakom trenutku t
i
moe se pridruiti odgovarajua promjenljiva x(t
i
) koja ima svoj zakon
vjerovatnoe koji emo oznaiti sa f(x,t
i
).
Obuhvatanjem svih n stohastikih promjenljivih n-dimenzionalni zakon vjerovatnoe
stohastikog procesa moe se opisati izrazom:

f(x
1
, x
2
, ..., x
n
; t
1
, t
2
, ..., t
n
).

6.8.3. Karakteristike stohastikog procesa

Osnovne karakteristike stohastikog procesa su:
- srednja vrijednost,
- varijansa,
- funkcija autokovarijanse i
- funkcija kovarijanse.

t
0
t
122
Srednja vrijednost

Za stohastiki proces {x(t), tT} srednja vrijednost ) (t x definie se kao oekivana
vrijednost tj. { } ) ( ) ( t x E t x =

Varijansa

Varijansa stohastikog procesa se definie kao srednjekvadratno odstupanje
realizacija stohastikog procesa od njegove srednje vrijednosti tj.

| | { }
2
2
) t ( x ) t ( x E ) t ( =

Funkcija autokovarijanse i kovarijanse

Funkcija autokovarijanse stohastikog procesa {x(t), tT} pokazuje stepen zavisnosti
izmeu dva presjeka t=t
1
i t=t
2
. Ona se definie kao:

| || | { }. ) t ( x ) t ( x ) t ( x ) t ( x E ) t , t ( K
2 2 1 1 2 1 xx
=

Na bazi prethodne definicije lahko se dokazuje da vrijedi jednakost:

). t , t ( K . ) t , t ( K
1 2 xx 2 1 xx
=

Ako je t
1
=t
2
onda se funkcija autokovarijanse zove varijansa, koja je prethodno
definisana.
Funkcija kovarijanse dva stohastika procesa { {{ {x(t)} }} } i { {{ {y(t)} }} } pokazuje stepen
meusobne zavisnosti u istom vremenskom trenutku tj.

) (t x

t=t
2
t=t
1

123
| || | { }. ) ( ) ( ) ( ) ( ) , ( t y t y t x t x E t t K
xy
=

Pomou funkcija varijansi i kovarijansi moe se izraunati srednjekvadratna greka u
sluaju vremenskog pomaka (time lag).

| | { }
). , ( 2 ) ( ) (
) , ( 2 ) , ( ) , ( ) ( ) ( ) , (
2 1 2
2
1
2
2 1 2 2 1 1
2
2 1 2 1
2
t t K t t
t t K t t K t t K t y t x E t t
xy y x
xy yy xx
xy
+ =
= + = =

Iz razloga to funkcije autokovarijanse i kovarijanse mogu primiti bilo koju konanu
vrijednost i na osnovu toga se ne moe donijeti adekvatan zakljuak o stvarnoj zavisnosti,
neophodno je da se definiu funkcije autokorelacije i korelacije ije se sve vrijednosti
kreu u intervalu |-1, +1|.
Autokorelaciona funkcija, odnosno korelaciona funkcija definiu se na slijedei nain:

) ( ) (
) , (
) , (
2 1
2 1
2 1
t t
t t K
t t r
x x
xx
xx

=

) ( ) (
) , (
) , (
t t
t t K
t t r
y x
xy
xy

=

6.8.4. Klasifikacija stohastikih procesa

Stohastiki procesi mogu se klasificirati na osnovu vie kriterija.
a) Prema prirodi indeksnog skupa na:
- prosece sa diskretnim parametrom,
- prosece sa kontinuiranim parametrom.
Kod procesa sa diskretnim parametrom elementi indeksnog skupa T poprimaju diskretne
vrijednosti 0,1,2... t ,... 2 , 1 , 0 = = ili t Kod procesa sa kontinuiranim parametrom
indeksni skup T se definie { } { }. 0 t t, T / + < < = ili t t T
b) Stohastiki procesi sa diskretnim ili kontinuiranim prostorom stanja definiu se s obzirom
na karakteristike prostora stanja. Prostor stanja stohastikog procesa {x(t), tT} je skup
svih moguih realizacija procesa. Prostor stanja moe biti jednodimenzionalan ili
viedimenzionalan i pri tome diskretan ili kontinuiran.
c) U zavisnosti od distribucije stohastikog procesa mogu se definisati:
- Gausovi ili normalno distribuirani stohastiki procesi,
- ne-Gausovi procesi .
Gausovi stohastiki procesi imaju karakteritike zakona vjerovatnoe koji slijedi normalnu
distribuciju, dok ne-Gausovi procesi slijede neku drugu distribuciju.
d) Prema zavisnosti ponaanja realizacija procesa od prethodnih vremenskih trenutaka
razlikuju se:
- Markovljev stohastiki proces i
- ne-Markovljevi procesi.
Markovljev proces je takav proces kod koga vrijednost realizacije procesa u bilo kom
trenutku zavisi samo od realizacije procesa u neposredno prethodnom trenutku, a ne i od
ostalih vrijednosti u trenucima koji prethode.
autokorelaciona
funkcija
korelaciona funkcija
124
e) U zavisnosti od invarijantnosti karakteristika procesa s obzirom na parametar vrijeme,
stohastiki procesi mogu biti:
- stacionarni i
- nestacionarni.
Stohastiki proces je stacionaran samo u sluaju kada njegov zakon vjerovatnoe ostaje
nepromijenjen pri promjeni vremenskog trenutka t
k
u vremenski trenutku t
k+
. Drugim
rijeima, to znai da se raspored vjerovatnoa procesa ne mijenja u vremenu, te se
stohastiki proces sa ovim osobinama moe posmatrati u bilo kojem vremeskom
intervalu.
Razlikujemo strogu ili striktnu stacionarnost i slabu ili stacionarnost u irem smislu. Ako
je t,T i t+T, onda stohastiki proces definisan na tom skupu je strogo stacionaran
ako su funkcije rasporeda stohastikih promjenljivih

| | | | ) ( ),..., ( ), ( i ) ( ),..., ( ), (
2 1 2 1
+ + + =
n n
t x t x t x t X t X t X

identine.
Za stohastiki proces se moe rei da je slabo stacioniran, ako i samo ako je:
1) Srednja vrijednost procesa konstantna, konana i nezavisna od vremena t, tj.
{ } x t x E t x = = ) ( ) ( .
2) Varijansa procesa je konstantna i nezavisna od vremena t, tj.
| | { }
2
2
2
) ( ) (
x x
x t x E t = = .
3) Korelacione funkcije, kao i greka
2
xy
su funkcije samo jedne promjenljive i to
duine vremenskog intrevala .
Npr. kovarijansa K
xx
(t
1
,t
2
) za t
2
=t
1
+ postaje K
xx
(t,t+)=K
xx
().
Nestacionarni stohastiki procesi, za razliku od stacionarnih, karakterie evolucija
osnovnih karakteristika procesa.

U praktinim istraivanjima najee se ne raspolae sa realizacijama stacionarnih
stohastikih procesa, pa ih stoga treba odgovarajuim postupkom stacionirati. To se
najjednostavnije postie postupkom logaritmovanja ili diferenciranjem. Dostignua
teorije stacionarnih procesa su daleko vea od teorije nestacionarnih procesa, tako da se
postupkom stacionarizacije mogu postii bolji rezultati i jednostavnije se moe doi do
rjeenja.

6.8.5. Najznaajniji modeli stohastikih procesa

t
) (t x

125
U ekonomskoj analizi, analizi vremenskih serija, tehnikama prognoziranja i sl. teorija
stohastikih procesa i modeli stohastikih procesa imaju vrlo znaajno mjesto. Meu
najznaajnije spadaju:
- Bijeli um,
- ARIMA model i
- Modeli u prostoru stanja (Markovljev proces i Kalmanov filtar).

Diskretni bijeli um

Posmatrajmo diskretni stohastiki stacionarni proces { {{ {x(t),t T} }} } tako da su
realizacije x(t
1
) i x(t
2
) nezavisne ako je t
1
t
2
. Tada ga moemo predstaviti kao niz
nezavisnih i identino raspodijeljenih sluajnih veliina. U tom sluaju funkcija
kovarijanse je
=
=
2 1
2 1
2
2 1
t 0
t
) , (
t
t
t t K
xx

Proces sa takvom autokovarijansom naziva se diskretni bijeli um, odnosno diskretni
bijeli um je stacionarni stohastiki proces sa oekivanim vrijednou jednakom nula
i kovarijansom definisanom na prethodni nain.
Ovaj model stohastikog procesa posebno ima znaaj u modernoj analizi vremenskih
serija i ekonometrijskoj analizi.

Arima proces

Ovu metodologiju su razvili Box i Jenkins. ARIMA je skraenica od engleskog
naziva AutoRegressiv Intergrated Moving Average koji se moe prevesti kao model
autoregresionih integrisanih pokretnih prosjeka.

- ARMA (p, q) model
Stacionarne vremenske serije mogu se predstaviti kombinacijom sheme pokretnih
prosjeka reda q ili MA(q) i autoregresije AR(p).
Ako je vremenska serija definisana nizom { {{ {x
t
,t T} }} } onda ARIMA model za ovu seriju
moe se napisati kao:

x
t
=
1
x
t-1
+
2
x
t-2
+...+
p
x
t-p
+
t
-
1

t-1
-
2

t-2
- ... -
q

t-q

AR(p) MA(q)
gdje su:
t
- bijeli um sa osobinama da je E{
t
}= 0 Var{
t
}=
2
p - broj obuhvaenih realizacija procesa
q - broj obuhvaenih bijelih umova.

- Model ARIMA (p, d, q)
Ovaj model se koristi za nestacionarne vremenske serije. Npr. ako vremenska serija
{x
t
,tT}nije stacionarna, nego su stacionarne prve razlike z
t
= x
t
-x
t-1
i ako se model
serije z
t
moe predstaviti sa ARMA (p, q), onda se takav proces oznaava sa ARIMA (p, 1,
q), gdje broj 1 oznaava broj diferencija koje smo izvrili sa originalnom vremenskom
126
serijom, u ovom sluaju jednu. Prema tome d predstavlja broj diferencija izvrenih na
originalnoj vremenskoj seriji u cilju njene stacionarizacije.
Postoje postupci za identifikaciju reda p, d i q ARIMA procesa, kao metode za ocjenu
nepoznatih koeficijenata p i
i
, 1 , = i q
j
, 1 j , = . Na bazi tako specificiranog modela
moe se izvriti prognoziranje buduih vrijednosti vremenskih serija. Istraivanja su
pokazala da se dobivaju bolje ocjene vrijednosti serije ARIMA modelima nego
klasinim statistikim tehnikama.

Kalmanov filtar

Neka su x(t) i z(t) dva stohastika procesa. Pod pojmom filtriranje, u generikom
smislu, podrazumjeva se dobijanje informacija o stanju procesa x(t) na osnovu
realizacija procesa z(1), z(2), ..., z(t) zakljuno sa periodom t. Kalmanov filtar se
sumarno moe predstaviti u obliku slijedee sheme:

I Minimalna matematika reprezentacija stohastikog procesa

1. Model dinamike

x(t+1) = A x(t) + B u(t) + w(t)

2. Opservacioni model

z(t+1) = Cx(t+1) + v(t+1)

3. Apriorna statistika

E { w(t) } = E {v(t) } = 0 E {w(t) w
T
(k) } = Q
t k

E { v(t) v
T
(k) } = R
t k
E {w(t) v
T
(k) } = 0

II Sadrina algoritma Kalmanovog filtra

1. Prediktivna struktura

x
(t+1/t) = A x
(t) + B u(t)

V (t+1/t) = A V (t) A
T
+ Q

2. Korektivna struktura

x
(t+1) = x
(t+1/t) + K (t+1) |z(t+1) - C x
(t+1/t) |

K(t+1) = V(t+1/t) C
T
|CV(t+1) C
T
+ R|
-1

V(t+1) = | I - K(t+1) C | V (t+1/t)

gdje su:
127
- x
(t+1/t) - apriona ocjena procesa x(t) u vremenu (t+1) na osnovu opservacija z(1),
z(2), . . . ., z(t),
- x
(t) - aposteriorna ocjena procesa x(t) u vremenu t na osnovu opservacija z(1), z(2),
...., z(t),
- V (t+1/t) - matrica apriori kovarijansi greke ocjene,
- V (t+1) - matrica aposteriori kovarijansi greke ocjene.

III Prognoziranje buduih opservacija

1. Prediktivna struktura vektora stanja s perioda unaprijed sa nivoa t
x
(t+s/t) = A x
(t+s-1/t) + B u(t+s-1)
s=1,2,...
V (t+s/t) = AV (t+s-1/t) A
T
+ Q 2.
Prediktivna struktura vektora opservacija s perioda unaprijed sa nivoa t
z
(t+s/t) = C x
(t+s/t)
Var | z
(t+s/t) | = CV (t+s/t) C
T
+ R.
Numeriki algoritam Kalmanovog filtera zahtjeva poznavanje odgovarajuih
karakteristika koje se uslovno mogu klasifikovati u tri grupe:
1) informacione karakteristike,
2) karakteristike filter procesora i
3) predhistorija procesa.
Informacione karakteristike filtra sastoje se iz identifikacija modela dinamike procesa,
opservacionog modela, apriorne statistike i inicijalne strukture filtra.
Karakteristike filtar procesora mogu da stvore ponekad probleme u numerikom
procesiranju filtra. To se odnosi najvie na mogunost pojave nestabilnosti i divergencije
filtra, kao i negativno definitnih matrica.
Generisani numeriki algoritam filtra vezan je za poznavanje opservacionog
procesa {z(t); t=1,2,...,T)} za cjelokupno vrijeme procesiranja filtra. Ovaj uslov
numerikog algoritma oznaava se kao predhistorija procesa.
7. SIMULACIJA

7.1. Uvod

Simulirati ponaanje sistema znai formulisati simulacijski model kojim se priblino imitira ponaanje
sistema utvrivanjem zavisnosti koje se stvarno nalaze u sistemu, odnosno utvrivanjem interakcija izmeu
elemenata (komponenti) sistema. Ove interakcije se mogu matematiki ili statistiki utvrditi.
Razlikuju se dvije vrste simulacijskih problema:
- deterministika simulacija za analizu i rjeavanje deterministikih problema,
- stohastika simulacija za analizu i rjeavanje stohastikih problema,

stohastika simulacija = Monte Carlo simulacija = statistiko modeliranje

Takoe se moe govoriti o diskretnoj i kontinuiranoj simulaciji.
Simulacija ima vrlo iroku primjenu od rjeavanja problema npr. u matematici (priblino izraunavanje
integrala, rjeavanje diferencijalnih jednaina i sl.), preko rjeavanja problema u vojnoj strategiji i taktici do
rjeavanja problema poslovnog odluivanja (upravljanje zalihama, ponaanje potroaa, poslovna
prognostika i sl).
128
Znaajnije primjene ovog metoda baziraju se na mogunosti koritenja raunara da numerike proraune
provedu dovoljno efikasno. To pospjeuju simulacioni programi kao to su:
- GPSS (General Purpose Simulation System)
- SIMSCRIPT (Simulation Scriptum)
- SIMULA, DYNAMO i dr.

7.2. Simulacija Monte Carlo metodom

Za potpunije razumijevanje metode Monte Carlo uzet emo primjer njene primjene u priblinom
izraunavanju vrijednosti integrala (deterministiki zadatak)
1
0
) ( dx x f
nenegativne funkcije f(x) i za 0 x 1 (slika 1.)

Pretpostavimo da su x i y nezavisne i uniformno rasporeene sluajne promjenljive. Na sluajan nain bira
se taka (x,y) u jedininom kvadratu sa tjemenima (0,0), (1,0), (1,1) i (0,1). Neka je A dogaaj da taka
padne u oblast ispod krive f(x) na slici 1. Vjerovatnoa dogaaja A je P(A) i ona je jednaka koliniku
povrine te oblasti i povrine kvadrata (koja je jednaka 1) ili

0
0,2 0,4 0,6 0,8 1
0,2
0,4
0,6
0,8
1
f(x)
x
y
A
129
. ) ( ) (
1
0
= dx x f A P

P(A) se ocjenjuje pomou relativne uestalosti m/n dogaaja A, gdje je
n broj biranja sluajne take u kvadratu,
m - broj sluajnih taaka koje su pale u oblast ispod krive f(x) (ukljuujui i f(x)).
Ovaj kolinik priblino je jednak povrini tj.

1
0
) (
n
m
dx x f
.
Orijentaciona skica metode Monte Carlo sastojala bi se u slijedeem: Potrebo je pronai priblinu vrijednost
veliine a. Odredimo raspodjelu sluajne promjenljive x tako da je E{x}= a. Na osnovu realiziranog uzorka
(x
1
, x
2
, ... ,x
n
) velikog obima n uzorka
n
x :
). ... (
1
2 1 n
x x x
n
a + + +
tanost ove ocjene procjenjuje se sa datom vjerovatnoom prema centralnoj graninoj teoremi

{ } . ) (
1
s , 2
1
2
2
=
=
|
|
\
|
=
n
k
n k
n
n
n
x x
n s
n
F a x P
Npr. za datu vjerovatnou 0,95 tanost je reda
n
1
, to se ne smatra za veliku efikasnost.
U zadacima sa relativnom grekom 5-10% gdje se ne trai velika preciznost metoda Monte Carlo se moe
efikasno koristiti.

7.3. Generisanje sluajnih brojeva

Primjena metode simulacije bazirana je na upotrebi sluajnih brojeva. Oni se mogu dobiti elektronskim
simuliranjem ruleta iji su sektori cifre 0,1,2,...,9. Takoe, postiji i tzv. pseudosluajni brojevi. Primjer
generisanja takvih brojeva je algoritam Von Neumanna tzv. metod srednjih kvadrata. Npr. ako je poetni
broj n
1
=0,54 iz njegovog kvadrata n
2
1
=0,2916 uzimaju se dvije srednje cifre kao drugi broj n
2
=0,91 koji se
nanovo kvadrira n
2
2
=0,8281 i dobija se n
3
=0,28 itd.
Kod rune simulacije koriste se tablice sluajnih brojeva.

Primjer: Izraunati povrinu funkcije f(x) na bazi 30 simulacija.

Koordinate
x y
A Koordinate
x y
A Koordinate
x y
A
05 89 - 22 9 + 76 43 -
67 32 + 48 3 + 17 22 +
47 99 - 48 7 + 77 42 -
94 85 - 35 79 - 66 11 +
61 39 - 65 25 + 23 95 -
59 32 - 30 4 + 23 81 -
93 41 + 72 52 - 36 81 -
17 82 - 05 83 - 5 60 -
34 72 - 70 91 - 23 40 -
56 43 - 88 89 - 93 54 -

Od ukupnog broja simulacija n=30 u oblast ispod krive f(x) palo je m=9 taaka tako da je povrina jednaka

130
= =
1
0
3 , 0
30
9
) (
n
m
x f
.
7.4. Statistiko modeliranje date raspodjele

Neka je zadata funkcija raspodjele vjerovatnoa F(x) na intervalu -<x<+.
Treba generisati niz vrijednosti x
1
, x
2
,... koje moemo smatrati nezavisnim realizacijama sluajne
promjenljive x sa datom funkcijom raspodjele F(x) -<x<+.
Neka je u=F(x) neprekidna i strogo rastua funkcija tako da postoji jednoznana inverzna funkcija x=F
-1
(u)
0<u<1 (tzv. metoda inverzije)

Primjer: Neka x ima eksponencijalnu raspodjelu
> =

x
0
t -
0 , 1 e
0 x 0
) (
x e dt
x F
x

Prema tome 0 , 1 > =

x e u
x
, odnosno 1 0 ) 1 ln(
1
< < = u u x
.
Znai ako se poe od niza u
1
, u
2
,... koji je modelirana uniformna raspodjela na intervalu |0,1| dobija se niz
x
1
, x
2
,... koji je modelirana eksponencijalna raspodjela sa parametrom .
Pretpostavimo da je vrijeme usluivanja na benziskoj pumpi raspodijeljeno eksponencijalno sa prosjenim
trajanjem od 5 minuta. Odrediti vrijeme usluge za prvih 5 automobila.
ln
1
u x
= zato to je 1-u takoe sluajni broj iz intervala |0,1| (sa tri decimalna mjesta).
x
1
= -5 ln 0,058 = 14,2
x
2
= -5 ln 0,673 = 2,0
x
3
= -5 ln 0,479 = 3,7
x
4
= -5 ln 0,948 = 0,3
x
5
= -5 ln 0,613 = 2,4.
U mnogim sluajevima modeliranje raspodjele F(x) pomou formule X=F
-1
(U), U:U(0,1) nije uvijek
jednostavno izraunati zbog sloenosti izraunavanja vrijednosti F
-1
, tako da se moraju koristiti drugi
postupci raspodjele ili aproksimativni izrazi koritenjem metoda numerike analize.
Kod empirijskih distribucija ova izraunavanja se vre na slian nain samo sa diskretnim vrijednostima
sluajne promjenljive.

7.5. Konstruisanje simulacijskog modela i provoenje simulacije
0
u
1
x=F
-1
(u)
x
F(x)
131

Kod konstrukcije simulacionog modela moe se koristiti slijedei postupak:
1. Stvarni sistem se iskazuje putem osnovnih karakteristika i njegovih kljunih dogaaja. Dogaaj je
vremenski trenutak u kojem se deavaju promjene karakteristika sistema. Ovo se obino deava
kada se jedna ili vie aktivnosti zavre i zapoinju jedna ili vie aktivnosti. Kao komponente
stvarnog sistema pojavljuju se i sluajne veliine.
2. Na bazi generisanih sluajnih brojeva izraunava se vrijednost realizacije sluajnih veliina.
3. Na bazi izraunatih realizacija izraunava se rezultat operacije za datu realizaciju.
4. Statistiki se obrauju dobijeni rezultati tj. provjerava se ispunjavanje uslova.
5. Ocjenjuje se tanost dobijenih rezultata.

Za ilustraciju koritenja simulacije posmatrat e se rad jednokanalnog sistema masovnog opsluivanja.
Karakteristini parametri koji treba da budu izraunati su prosjena neiskoritenost uslunog mjesta,
prosjena duina reda i prosjeno vrijeme ekanja po korisniku. Dogaaji koji su karakteristini za ovaj
sistem su:
1. Dolasci klijenata i
2. Odlasci klijenata nakon dobijanja usluge.
Kada klijent pristigne on moe ii na uslugu ili stati u red ekanja. Kada jedan korisnik dobije uslugu on
odlazi, a prvi iz reda ekanja poinje koristiti uslugu. Ova dva osnovna dogaaja imaju za posljedicu
slijedeu konstrukciju simulacijskog modela.

I Dogaaj dolaska (D)
1. Obuhvata vrijeme u kojem e se pojaviti istovremeno naredni dolazak izraunavanjem vremena p i
dodavanjem trenutnom vremenu simulacije.
2. Provjera statusa uslunog mjesta
2.1. Ako je prazan onda se radi slijedee:
i. Poinje se sa pruanjem usluge prispjelom klijentu i povezuje se sa vremenom usluge q i
izraunava vrijeme odlaska klijenta (trenutno vrijeme + q)
ii. Promijeni se status uslunog mjesta u zauzet i usklade se podaci o vremenu usluivanja
2.2. Ako je usluno mjesto zauzeto, klijent se stavlja u red i poveava se duina reda za 1.

II Dogaaj odlaska (0)
1. Provjeriti status reda ekanja (prazan ili ne)
1.1. Ako nema nikog u redu ekanja proglasi se usluno mjesto praznim.
1.2. Ako u redu ima nekog radi se slijedee:
i. Poinje se sa pruanjem usluge prvom klijentu, reducira se veliina reda za 1 i usklade se
podaci o vremenu ekanja.
ii. Povezuje se vrijeme pruanja usluge q i izraunava njegovo vrijeme odlaska (trenutno vrijeme
+ q)

Primjer:
Upotrebom metode Monte Carlo treba oponaati rad jednokanalnog sistema za opsluivanje. Praenjem je
utvreno da klijenti dolaze na usluivanje u vremenskom razmaku 6, 7, 8 i 9 minuta, a usluivanje po
jednom klijentu trajalo je 4, 5, 6, 7 i 8 minuta. Vjerovatnoe dolazaka i usluivanja date su u tabelama 1. i
2.

0
D
1
D
2
0
1
D
3
0
2

. . .
Slika. Hronoloki redoslijed dolaska i
odlaska
132
Tabela 1.
Razmak izmeu dolazaka klijenata u
minutima
Vjerovatnoa
6
7
8
9
0,2
0,2
0,5
0,10

Tabela 2.
Vrijeme usluivanja klijenata u minutima Vjerovatnoa
4
5
6
7
8
0,1
0,2
0,4
0,2
0,1

Potrebno je formirati model rada sistema za usluivanje uvoenjem pripadajuih sluajnih brojeva od 00-99.
Rad sistema treba oponaati kod opsluivanja 8 klijenata.
Za potrebe modela izvaeni su iz tablice sluajnih brojeva slijedei brojevi (tabela 3.)

Tabela 3.
Redni broj dolaska Sluajni brojevi
Razmak izmeu dolaska
klijenta
Vrijeme trajanja
usluivanja
1
2
3
4
5
6
7
8
7
18
25
3
19
69
99
15
73
60
30
22
5
78
95
39

Izraunati osnovne karakteristike sistema.

Rjeenje:
Razmak izmeu dolazaka Vjerovatnoa Kumulativ Sluajni brojevi
6
7
8
9
0,2
0,2
0,5
0,1
0,2
0,4
0,9
1
(0-19)
(20-39)
(40-89)
(90-99)

Vrijeme usluivanja Vjerovatnoa Kumulativ Sluajni brojevi
4
5
6
7
8
0,1
0,2
0,4
0,2
0,1
0,1
0,3
0,7
0,9
1
(0-9)
(10-29)
(30-69)
(70-89)
(90-99)

Rbr. dolaska Sluajni broj Razmak dolazaka Sluajni broj Vrijeme usluge
1
2
3
4
5
6
7
18
25
3
19
69
6
6
7
6
6
8
73
60
30
22
5
78
7
6
6
5
4
7
133
7
8
99
15
9
6
95
39
8
6

Sistem je poeo kao prazan u trenutku t=0.
1. dolazak nakon 6 min.
t = 0 + 6 = 6 min.
Simulacija skae sa 0 na 6 min.
2. dolazak slijedi nakon 6 + 6 = 12 min.
Prvi klijent dobiva uslugu koja traje 7 min tako da je njegovo vrijeme odlaska t = 6 + 7 = 13 min.
Vrijeme dok je usluno mjesto prazno = 0 + 6 = 6 min.
2. dolazak slijedi nakon 12 min.
Usluno mjesto zauzeto i on staje u red.
Duina reda L
q
= 0 + 1 = 1 (trenutak 12).
3. Dolazak slijedi u t = 12 + 7 = 19 min.
Drugi klijent poinje uslugu u 13 min i odlazi u
t = 13 + 6 = 19 min.
Trei klijent moe odmah na uslugu itd.

Klijent Vrijeme
dolaska
Vrijeme
usluge
Poetak
usluge
Vrijeme
odlaska
Duina
reda
Vrijeme
ekanja
Vrijeme
praz.us.mj
esta
1
2
3
4
5
6
7
8
6
6+6=12
12+7=19
25
31
39
48
55
7
6
6
5
4
7
8
6
6
13
19
25
31
39
48
56
13
19
25
30
35
46
56
62
0
1
0
0
0
0
0
1
0
13-12=1
0
0
0
0
0
1
6
0
0
0
1
4
2
0
2 2 13

- % vremena kada je objekat prazan = 13/62 (simulirani period) = 0,21 (21%)
- Prosjeno vrijeme ekanja = 2/8(broj klijenata) = 0,25 min
- Prosjena duina reda Q = povrina A / T = 1+1 / 62 = = 2 / 62 = 0,03 kl.

Primjer:
Upotrebom metode Monte Carlo potrebno je oponaati promjene sistema zaliha materijala. Poznati su
podaci o dnevnim potrebama materijala od strane proizvodnje. Ovi podaci sa pripadajuim vjerovatnoama
dati su u slijedeoj tabeli:

Dnevna potreba proizvodnje u kg Vjerovatnoa
10
20
30
40
50
0,10
0,20
0,30
0,30
0,10

0 6 12 13 19 25 30 31 35 39 46 48 55 56 62
1 D
1
D
2
0
1

D
3

0
2

D
4

0
3

0
4
D
5
0
5
D
6

0
6
D
7
D
8
0
7
0
8

134
Promjene u sistemu zaliha materijala treba oponaati za period od 12 dana. Stanje zaliha materijala na
poetku posmatranja iznosilo je 100 kg, a krajem etvrtog dana primljena je nova koliina od 250 kg
materijala.
Za potrebe modela izvaeni su slijedei sluajni brojevi: 3, 17, 45, 80, 71, 55, 33, 14, 89, 13, 8 i 12.

Rjeenje:
Dnevne potrebe proizvodnje u
kg
Vjerovatnoa Kumulativ
10
20
30
40
50
0,10
0,20
0,30
0,30
0,10
0,10 (0-9)
0,30 (10-29)
0,60 (30-59)
0,90 (60-89)
0,10 (90-99)

Dan Sluajni broj Dnevne potrebe
proizvodnje
Zalihe na kraju dana
1
2
3
4
5
6
7
8
9
10
11
12
3
17
45
80
71
55
33
14
89
13
8
12
10
20
30
40
40
30
30
20
40
20
10
20
90
70
40
0+250
210
180
150
130
90
70
60
40

8. TEORIJA IGARA

8.1. Elementi strategijskih igara

U situaciji kada postoji konflikt razliitih interesa ili konkurencija teorija igara se
pojavljuje kao metoda odluivanja. Subjekt odluivanja pored svojih ciljeva mora
respektovati i ciljeve protivnika. Ciljevi igraa, odnosno uesnika u igri su najee
suprotni to je i razumljivo poto igra odraava konfliktnu situaciju. Meutim, ciljevi i
ponaanje protivnika najee su i nepoznati, tako da se igra protiv protivnika provodi u
uslovima neizvjesnosti.
Sama igra izmeu uesnika rezultira zavisnim odnosima koji predstavljaju konfliktnu
situaciju. Prema tome pod pojmom igra moemo smatrati model konfliktne situacije ili
skup pravila i dogovora kojih se moraju pridravati uesnici igre. Igrai ili uesnici igre su
lica i organizacije koje jedinstveno i samostalno donose odluke.
Da bi realizovao svoje ciljeve igra se mora prodravati pravila ponaanja koja su rezultat
raspoloivosti informacija o ciljevima i ponaanju protivnika.
Pod strategijom igraa podrazumijeva se skup uputnih pravila na osnovu kojih se donosi
odluka o akciji. Strategija sadri sve poteze u toku jedne partije.
Pod potezom se podrazumijeva etapa igre u kojoj igrai donose odluku, dok pojam partije
podrazumijeva konkretnu realizaciju igre.
Svaka igra ima svoje konano stanje, odnosno rezultat (vrijednost igre).
Ako rezultat zavisi samo od sluaja onda je to hazardna ili sluajna igra. Na interes su
igre ije konano stanje zavisi od ponaanja i izabrane strategije igraa, koje se jednim
imenom nazivaju strategijske igre.
135
Strategija je ista ako svaki igra kod ponavljanja igre stavlja izbor na jednu strategiju, a
mijeana ako mora igrati dvije ili vie strategija.
Cilj strategijskih igara je izbor optimalne strategije koja obezbjeuje optimalnu vrijednost
igre tj. korist odnosno dobitak ili gubitak za jednog od igraa.
Ako dobitak jednog igraa znai gubitak drugog, onda moemo govoriti o nula-suma i
nenula-suma igri. Kod nula-suma igre dobitak jednog igraa jednak je gubitku drugog, za
razliku od nenula-suma igre, gdje zbir dobitaka i gubitaka nije jednak nuli. Primjer nula-
suma igre je zatvoreno trite koga kontroliraju dva preduzea.
Najpoznatiji i u literaturi najvie koriteni tip igara je nula-suma igra sa dva igraa iji su
interesi potpuno suprotni (tzv. antagonistike igre). Igrai unaprijed poznaju sve
mogunosti izbora protivnika. Svaki igra u svakom potezu donosi samo jednu odluku i
mora izvriti svoj izbor ne znajui koji je izbor protivnika. Dobitak odnosno gubitak u igri
dat je funkcijom korisnosti (plaanja cijena igre) za sve mogue izbore u igri.

8.2. Igra dva igraa sa nula sumom

Pretpostavimo da postoje dva igraa I
1
i I
2
, pri emu igrau I
1
stoji na raspolaganju skup
strategija A
I
1
= A (a
1
, ..., a
m
),
a igrau I
2
skup strategija B
I
1
= B (b
1
, ..., b
n
),
pri emu je
C
1
(a
i
, b
j
), = -C
2
(a
i
, b
j
),
gdje su C
1
i C
2
korisnost (cijena) igre za igrae I
1
i I
2
,
respektivno.
Antagonistike igre su definisane:
- skupom strategija A igraa I
1
,
- skupom strategija B igraa I
2
,
- funkcijom korisnosti (cijena, plaanja).
Na bazi svih kombinacija strategija moe se utvrditi matrica korisnosti C:
| | ), n 1, j ; m 1, i ( c C
ij
= = =
gdje je c
ij
=C(a
i
,b
j
) i oznaava korisnost igraa I
1
kod njegovog izbora i-te strategije i
izbora j-te strategije igraa I
2
. Razvijeni oblik matrice je:
(
(
(
(
(
(
(
(
=
mn mj m m
in ij i i
n j
n j
c c c c
c c c c
c c c c
c c c c
C
... ...
... ... ... ... ... ...
... ...
... ... ... ... ... ...
... ...
... ...
2 1
2 1
2 2 22 21
1 1 12 11
.
Pretpostavimo da imamo dva igraa I
1
i I
2
. Igra I
1
ima strategije x
1
i x
2
. Na poteze igraa
I
1
igra I
2
parira svojom strategijom y
1
i y
2
.
Nadalje neka je utvrena funkcija korisnosti kombinacija strategija igraa I
1
i I
2
u obliku
tabele:

Igra I
1
Igra I
2

Strategija y
1

Strategija y
2

136
Strategija x
1
Strategija x
2

Igra I
1
dobiva 4NJ Igra I
1
dobiva 7NJ
Igra I
1
dobiva 2NJ Igra I
2
dobiva 3NJ

Na osnovu prethodne tabele matrica C ima oblik:
(
=
3 2
7 4
C
,
ije elemente moemo tumaiti npr. c
11
=4 znai da e igra I
1
imati korisnost od 4NJ ako
on igra strategiju x
1
, a igra I
2
odgovori strategijom y
1
ili c
22
znai da e igra I
1
imati
gubirak od 3NJ ako on igra strategiju x
2
, a igra I
2
strategiju y
2
, ...
Posmatrajmo matricu korisnosti C. Ako igra I
1
odabere strategiju x
1
onda igra I
2
moe
da odabere jednu od strategija y
1
ili y
2
. Poto se radi o racionalnom igrau on odabira
strategiju koja mu obezbjeuje najveu korist, odnosno odabira strategiju y
1
jer kod nje
ima najmanji gubitak (4NJ).
Ako pak igra I
1
odabere strategiju x
2
, onda e igra I
2
odabrati strategiju y
2
jer mu ona
donosi najveu korisnost, odnosno dobitak od 3NJ.
Na osnovu prethodnog jasno je da ako igra I
1
igra prvi za njega je najpovoljnija strategija
x
1
, jer bez obzira kakvom strategijom odgovori igra I
2
on ostvaruje najmanje 4NJ
korisnosti, dok strategija x
2
daje mogunost i gubitka.
U sluaju da je igra I
2
prvi na potezu onda na njegov izbor strategije y
1
igra I
1
e
odgovoriti strategijom x
1
jer mu ona obezbjeuje maksimalnu korist od 4NJ (za razluku od
2NJ i strategiju x
2
). Kod izbora strategije y
2
igraa I
2
, igra I
1
e odgovoriti strategijom x
1

jer mu ona obezbjeuje korist od 7NJ (za razliku od strategije x
2
koja mu donosi gubitak
od 3NJ). Iz prethodne analize proizilazi da je najpovoljnija alternativa igraa I
2
strategija
y
1
, jer mu osigurava najmanji gubitak od 4NJ.
U prethodnoj igri jasno je da e igra I
1
uvijek igrati strategiju x
1
, a igra I
2
strategiju y
1
,
odnosno ako sa obiljeimo vrijednost igre igraa I
1
:
{ } 4 3 , 4 max min max min max
2 , 1
= =
(
=
(
=
= i
ij
j i
ij
j i
c c
,
a vrijednost igre igraa I
2
:
{ } 4 7 , 4 min c max min
i
ij
j i
= =
(
=
.
Igra koja obezbjeuje da je:
v c c
ij
j i
ij
j i
=
(
=
(
max min min max

naziva se optimalnom (Kuznecov str.110).
Igra u kojoj je max/min strategija jednaka min/max startegiji naziva se istom igrom, a
strategija istom strategijom. Kod istih strategija korisnost koja se dobija kad svaki igra
igra istu strategiju, odnosno vrijednost igre se naziva sedlastom takom ili takom sedla.
Kao primjer iste igre sa sedlastom takom iskoristiemo prethodni primjer
I
2

I
1
Y
1
Y
2

i
=minc
ij
x
1
4 7 4 =max
i
=4
x
2
-2 -3 -3
j
=maxc
ij
4 7
137

=min
j
= 4

Odgovor je identian sa prethodnom analizom: Igra I
1
igra prvu strategiju, I
2
takoe prvu
i vrijednost igre je 4.

8.3. Rjeenje mjeovitih matrinih igara

Za razliku od istih igara kod kojih uesnici igraju samo po jednu strategiju, kod
mjeovitih igara uesnici mogu igrati dvije ili vie strategija. Rjeenje igre koje
obezbjeuje maksimalan dobitak igraa I
1
i minimalan gubitak igraa I
2
dobiva se
kombinacijom raspoloivih strategija. To znai da e igrai I
1
i I
2
igrati po nekoliko puta
svaku od raspoloivih strategija da bi maksimizirali svoj dobitak, odnosno minimizirali
gubitak. Svaki igra e pomou nekog sluajnog mehanizma vriti izbor alternativa,
odnosno svaki igra e primijeniti neku strategiju sa izvjesnim vjerovatnoama.
Ako sa ) , 1 ( m i x
i
= oznaimo vjerovatnoe sa kojima igra I
1
upotrebljava strategiju i,
onda je mjeovita strategija igraa I
1
data vektorom:
x = (x
1
, x
2
, ..., x
m
)
koji udovoljava uslovima:
m 1, i ; 0
1
1
=
=
=
i
m
i
i
x
x
.
Na slian nain mjeovita strategija igraa I
2
definisana je vektorom:
y = (y
1
, y
2
, ..., y
n
)
koji udovoljava uslovima:
n 1, j ; 0
1
1
=
=
=
j
m
j
j
y
y
.
Ako igra I
1
bira mjeovitu strategiju x, a igra I
2
mjeovitu strategiju y, onda e funkcije
korisnosti c
ij
biti pomnoene sa vjerovatnoom x
i
y
j
tako da je oekivana funkcija
korisnosti
= =
=
m
i
n
j
j i ij
y x c Y X E
1 1
) , (
.
Ako postoje mjeovite strategije x
*
za igraa I
1
i y
*
za igraa I
2
, tako da vai da je:
) , ( ) , ( ) , (
* * * *
y x E y x E y x E

za sve mogue strategije igraa I
1
i I
2
onda vektori X
*
i Y
*
oznaavaju optimalne strategije
igraa I
1
i I
2
.
Po anologiji sa istim igrama optimalna mjeovita strategija x
*
i y
*
igraa I
1
i I
2
udovoljava
jednaini:

) y , x ( E ) y , x ( E min max ) y , x ( E max min
* *
y x
x
y
= = =
.

Veliina E(x
*
,y
*
) naziva se cijena igre i oznaava se sa v, tj.
138
v = E(x
*
,y
*
).
Prema tome, rjeenje igre odreeno je veliinama x
*
, y
*
i v.
Kao primjer mjeovite matrice igara analizirat emo strategiju dva trgovinska preduzea
na tritu artikala A
1
i A
2
. Pretpostavimo da je poznata matrica korisnosti:
Y
1
Y
2

i
=minc
ij
x
1
6 3 3 =max
i
=3
x
2
2 4 2
j
=maxc
ij
6 4
=min
j
=4

Poto nije jednako ne postoje iste strategije koje bi igrai mogli koristiti, te se moraju
koristiti mjeovite strategije.
Pretpostavimo da igra I
1
primjenjuje mijeanu strategiju, a igra I
2
istu, odnosno ako
igra I
2
koristi strategiju y
1
onda je oekivana vrijednost korisnosti igraa I
1
jednaka:
v = 6x
1
+ 2x
2
,
a u sluaju da koristi strategiju y
2
oekivana vrijednost korisnosti je:
v = 3x
1
+ 4x
2
,
jer je
=
= = =
2
1
1,2 j za ) , (
i
i ij j
x c y x E v
.
Poto vai da je
x
1
+ x
2
= 1,
rjeavanjem sistemaod tri jednaine sa tri nepoznate dobiva se da je:
6 , 3
6 , 0
4 , 0
*
2
*
1
=
=
=
v
x
x

Na slian nain odreuje se i optimalna mjeovita strategija igraa I
2
, pri emu se
pretpostavlja da igra I
1
igra istu strategiju. Oekivana vrijednost korisnosti igraa I
2
ako
igra I
1
koristi strategiju x
1
jednaka je:
v = 6y
1
+ 3y
2
,
a ako koristi strategiju x
2

v = 2y
1
+ 4y
2
,
jer je:
=
= = =
2
1
1,2 j za ) , (
j
j ij i
y c y x E v
.
Poto i ovdje vai da je
y
1
+ y
2
= 1
rjeavanjem sistema jednaina dobiva se da je:
6 , 3
8 , 0
2 , 0
*
2
*
1
=
=
=
v
y
y

8.4. Rjeenje matrinih igara koritenjem LP

139
Sve matrine igre, a naroito one koje su definisane matricom korisnosti velikih
dimenzija, mogu se transformisati u model LP i rjeavati simplex metodom.
Polazei od prethodnih relacija mjeovita optimalna strategija za igraa I
1
dobiva se
rjeavanjem sistema jednaina/nejednaina:

c
11
x
1
+ c
21
x
2
+ ... + c
m1
x
m
v
c
12
x
1
+ c
22
x
2
+ ... + c
m2
x
m
v
.
.
.
c
1n
x
1
+ c
2n
x
2
+ ... + c
mn
x
m
v
i
x
1
+ x
2
+ ... + x
n
= 1.

Ako se svaka jednaina sistema podijeli v ako se uvede oznaka
) m 1, i (
1 '
1
= =
v
x
x

onda se prethodni sistem jednaina/nejednaina transformie u slijedei model LP:
m 1, j , 0 x
1 ... c
.
.
.
1 ... c
1 ... c
min ...
1
'
j
' '
2 2
'
1 1n
'
2
'
2 22
'
1 12
'
1
'
2 21
'
1 11
' '
2
'
1
=
+ + +
+ + +
+ + +
+ + + = =
m mn n
m m
m m
m
x c x c x
x c x c x
x c x c x
x x x
v
z

Funkcija cilja modela dobiva se transformacijom posljednje jednaine iz polaznog
sistema, a cilj - njena minimizacija proizilazi iz elje igraa I
1
da dobiva takav skup
vrijednosti v i ) m 1, (i =
i
x , koja e udovoljiti definisanim ogranienjima, a da
vrijednost oekivane korisnosti v bude to vea.
Analognim postupkom mjeovita optimalna strategija za igraa I
2
dobiva se rjeavanjem
sistema jednaina/nejednaina:

c
11
y
1
+ c
12
y
2
+ ... + c
1n
y
n
v
c
21
y
1
+ c
22
y
2
+ ... + c
2n
y
n
v
.
.
.
c
m1
y
1
+ c
m2
y
2
+ ... + c
mn
y
n
v
i
y
1
+ y
2
+ ... + y
n
= 1.
140

Nakon uvoenja smjene:
) n 1, j (
'
= =
v
y
y
j
j
i uvaavajui elju igraa I
2
da odabere takav skup vrijednosti v i ) n 1, (j =
j
y , koji e
udovoljiti definisanim ogranienjima, a da vrijednost oekivane vrijednosti igre bude
minimalna dobivamo model LP

n 1, j , 0 y
1 ... c
.
.
.
1 ... c
1 ... c
min ...
1
'
j
' '
2 2
'
1 m1
'
2
'
2 22
'
1 21
'
1
'
2 12
'
1 11
' '
2
'
1
=
+ + +
+ + +
+ + +
+ + + = =
n mn m
n n
n n
n
y c y c y
y c y c y
y c y c y
y y y
v
z

koji je ustvari dual modela LP za utvrivanje optimalne strategije igraa I
1
.
Koristei primal-dual vezu iz LP moemo rjeavanjem jednog modela utvrditi optimalne
strategije za oba igraa.

Primjer:

141
6 , 0 x
4 , 0 x
3,6 v
0,277778 z
1667 , 0 x
1111 , 0 x 0 x
1 x 4 x 3
1 x 2 x 6
min x x
v
1
z
v
x
x smjena
v x 4 x 3
v x 2 x 6
1 x x
4 2
3 6
C
*
2
*
1
'
2
'
1
'
2 , 1
'
2
'
1
'
2
'
1
'
2
'
1
1
'
1
2 1
2 1
2 1
=
=
=
=
=
=
+
+
+ = =
=
+
+
= +
(
=

142
8 , 0
2 , 0 y
3,6 v
0,277778 z
2222 , 0 y
0556 , 0 y 0
1 4 2
1 3 6
max
1
y
4 2
3 6
1
*
2
*
1
'
2
'
1
'
2 , 1
'
2
'
1
'
2
'
1
'
2
'
1
1 '
1
2 1
2 1
2 1
=
=
=
=
=
=
+
+
+ = =
=
+
+
= +
y
y
y y
y y
y y
v
z
v
y
smjena
v y y
v y y
y y

8.5. Igre protiv prirode teorija statistikih igara

Strategijeske igre protivnik inteligentan igra,
143
Statistike igre nemogunost komuniciranja sa protivnikom.
Matrica - redovi predstavljaju mogue akcije,
- kolone mogua stanja sistema (prirode),
Stohastiko ponaanje prirode
Vrednovanje pojedinih akcija u vidu matrice efekata E
ij
, gdje je E
ij
gubitak ili dobitak.
Efekti se mogu izraziti funkcijom korisnosti
Nema jednog kriterija za izbor strategije,
Razliiti kriteriji potkrijepljeni racionalnim razlozima,
Greka suprotne strane kao vlastita prednost,
Priroda = kompleks unutranjih okolnosti,
Priroda nije inteligentni protivnik,
Ona se razvija u skladu sa definisanim zakonima nezavisnim da li to odgovara ovjeku ili
ne, jer ovjek:
a) ne zna zakone prirode,
b) zna ih nedovoljno.
Igra A ispoljava strategiju A
1
,A
n
. Priroda M ispoljava skup stanja prirode P
1
, P
n
.
Strategija prirode = stanje prirode kod kojeg igra A bira svoju strategiju. Poznata stanja
prirode i vjerovatnoe s kojima ih priroda rezultira. To su apriorne vjerovatnoe.

9. MARKOVLJEVI PROCESI

9.1. Uvod

Za stohastiki proces {x(t), tT} se kae da je Markovljev kada momentima t
1
<t
2
<...<t
k

odgovara raspored promjenljivih |x(t
1
), x(t
1
), ... , x(t
k
)|, tako da za realne veliine x
1
, x
2
, ...
, x
k
postoji uslovna vjerovatnoa

| |
| |. ) ( / ) (
) ( ,..., ) ( , ) ( / ) (
1 1
1 1 2 2 1 1

= =
= = = = =
k k k k
k k k k
x t x x t x P
x t x x t x x t x x t x P

Klasifikacija Markovljevih procesa slina je klasifikaciji stohastikih procesa uopte. U
sluaju diskretnog prostora stanja Markovljev proces se naziva Markovljev lanac i moe
biti sa diskretnim i kontinuiranim parametrom vremena. Pod Markovljevim modelom
podrazumijevaju se Markovljevi lanci sa diskretnim parametrom vremena.
Ako se neki sistem moe nai u n stanja n 1, i , =
i
S , onda Markovljev model ima zakon
vjerovatnoe determinisan sa:
- vjerovatnoama za momenat t
k
i stanje S
i
| |
i i k Si
p S t x P p = = = ) (
- uslovnim vjerovatnoama | |
ij i k j k k k Sj Si
p S t x S t x P t t p = = = =
+ +
) ( / ) ( ) , (
1 1 ,

- inicijalnom vjerovatnoom p
0
.

Vjerovatnoe p
ij
nazivaju se prelazne vjerovatnoe i one objanjavaju kolika je
vjerovatnoa da e sistem iz stanja S
i
u trenutku t
k
prei u stanje S
j
u trenutku t
k+1
. To se
grafiki moe predstaviti na slijedei nain:

144

S
1
S
1

S
2
S
2
. .
. .
. .
S
i
S
j
. .
. .
. .
S
n
S
n

t
k
t
k+1

Ove vjerovatnoe mogu se predstaviti matrino tzv. matricom prelaznih vjerovatnoa
(Markovljeva matrica, tranzitivna ili prelazna matrica, stohastika matrica)

(
(
(
(
(
(
(
(
=
nn nj n n
in ij i i
n j
n j
p p p p
p p p p
p p p p
p p p p
P
... ...
... ... ... ... ... ...
... ...
... ... ... ... ... ...
... ...
... ...
2 1
2 1
2 2 22 21
1 1 12 11
.

Karakteristike matrice prelaznih vjerovatnoa su slijedee:
- 0 p
ij
1
-
=
= =
n
j
ij
n i p
1
, 1 , 1
- stepenovana matrice P
k
je takoe stohastika matrica sa istim osobinama kao i
matrica P i oznaava vjerovatnou prelaza sistema u k koraka.
Promatrajmo Markovljev lanac sa n stanja i matricom prelaznih vjerovatnoa P. Neka je
vektor | |
) 0 ( ) 0 (
2
) 0 (
1
... , ) 0 (
n
p p p p =
inicijalni vektor stanja sistema u trenutku 0 i neka vektor
| |
) ( ) (
2
) (
1
... , ) (
k
n
k k
p p p k p =
definie vjerovatnoe stanja u trenutku k (vektor stanja). Ako je sistem u trenutku (k-1) bio
u stanju i, tada je vjerovatnoa da e u trenutku k biti u stanju j odreena relacijom
= =
n
i
ik
k
i
k
j
p p p
1
) 1 ( ) (
1,2,... k , ili u matrinoj notaciji za svih n stanja p(k)=p(k-1)P
(jednaina Chapman-Kolmogorova).
Ako se izrazi p(1)=p(0)P; p(2)=p(1)P=p(0)P
2
itd. prethodno definisana matrina relacija
moe se napisati u obliku p(k)=p(0)P
k
.

p
11
p
ij
145
Primjer: Neka se na tritu moe nabaviti artikal A od etiri razna proizvoaa. Poetna
vjerovatnoa da e kupiti artikal A od proizvoaa 1,4 j , =
j
P iznosi 0,4; 0,2; 0,3 i 0,1.
Neka se statistikim postupkom mogu utvrditi prelazne vjerovatnoe to je predstavljeno
matrino:

(
(
(
(
=
1 , 0 1 , 0 3 , 0 5 , 0
1 , 0 6 , 0 2 , 0 1 , 0
1 , 0 2 , 0 4 , 0 3 , 0
0 , 0 1 , 0 2 , 0 7 , 0
P

Odrediti uee pojedinih proizvoaa u prodaji artikla A u naredna 3 perioda.

| | 1 , 0 3 , 0 2 , 0 4 , 0 ) 0 ( = p

| | 06 , 0 27 , 0 25 , 0 42 , 0 ) 1 ( p =
| | 058 , 0 26 , 0 256 , 0 426 , 0 ) 1 ( ) 2 ( = = P p p

esto se Markovljevim lancima izraunavaju vjerovatnoe prelaza sistema S iz stanja S
i
u
stanje S
j
u m koraka.
Na slici taj prelaz razmatran je preko stanja S
i(1)
, S
i(2)
,...

Uslovne vjerovatnoe prelaze kroz opisani niz stanja su p
ii(1)
, p
i(1)i(2)
,...,p
i(m-1)j.
Zbir
odgovarajuih izraza za sva mogua stanja predstavlja uslovnu vjerovatnou da e se
sistem nai u stanju S
i
u trenutku t+m ako je u trenutku t bio u stanju S
i
. Ovu vjerovatnou
oznaimo sa 1,2,... m ) , ( = =
m
j i
m
ij
S S p p . Vjerovatnoa prelaza u m koraka dobiva se
koritenjem jednaine
=
n
r
s
ij
s m
ir
m
ij
p p p
1
) (
1 s m ili izraunavanjem elemenata
matrice P
m
.

Primjer: Odrediti sve mogue vjerovatnoe prelaza stanja sistema u 2 koraka na bazi
podataka iz prethodnog zadatka.

S
i

S
i(1)

S
i(2)

S
i(m-1)

S
j

| |
(
(
(
(
= =
1 , 0 1 , 0 3 , 0 5 , 0
1 , 0 6 , 0 2 , 0 1 , 0
1 , 0 2 , 0 4 , 0 3 , 0
0 , 0 1 , 0 2 , 0 7 , 0
1 , 0 3 , 0 2 , 0 4 , 0 ) 0 ( ) 1 ( P p p
146
(
(
(
(
=
05 , 0 18 , 0 27 , 0 50 , 0
09 , 0 42 , 0 25 , 0 24 , 0
07 , 0 24 , 0 29 , 0 40 , 0
03 , 0 17 , 0 24 , 0 56 , 0
2
P

9.2. Problem ergodinosti markovljevih lanaca

Neka za Markovljev lanac sa konano mnogo stanja vai da su svi elementi matrice P
strogo pozitivni. Tada za svako j=1,2,...,n vai da je: | |
+
=
j
t
ij
t
p p
0
lim , gdje vrijednosti
+
j
p
ne zavise od i, te se nazivaju finalne, granine ili ergodine vjerovatnoe (vjerovatnoe
stabilnog stanja). Brojevi
+
j
p ako se postave u obliku matrice reda, onda ujedno
predstavljaju redove granine matrice P koja se definie relacijom | |
t
t
P P
0
lim
= .
Brojevi
=
+ +
= =
n
i
j ij j
p p p
1
n 1, j , i jednaine
=
+
=
n
i
j
p
1
1 slue za jednostavnije
izraunavanje finalne vjerovatnoe ako se koristi matrina jednaina
| | 1 ... p ... p p ,
2 1 2 1
= + + + = =
+ + + + + +
n n
p p i p p je gdje p pP .

Primjer: Izraunati vektor stabilnog stanja i graninu matricu P ako je poznata matrica
prelaznih vjerovatnoa.

| |
| | | |
| |
(
(
(
=
=
=
=
=
=
(
(
(
=
=
(
(
(
=
+
+
+
+ + +
+ + + + + +
+ + +
4379 , 0 3386 , 0 2235 , 0
4379 , 0 3386 , 0 2235 , 0
4379 , 0 3386 , 0 2235 , 0
P
0,4379 0,3386 0,2235 p
4379 , 0 p
3386 , 0 p
2235 , 0 p
1 p p p
p p p
640 , 0 220 , 0 140 , 0
317 , 0 600 , 0 083 , 0
225 , 0 175 , 0 600 , 0
p p p
p p p p
640 , 0 220 , 0 140 , 0
317 , 0 600 , 0 083 , 0
225 , 0 175 , 0 600 , 0
3
2
1
3 2 1
3 2 1 3 2 1
3 2 1
P

9.3. Markovljev model kod koga se promjena stanja mjeri efektima

147
Posmatrajmo skup S ija je evolucija opisana Markovljevim lancem. Neka su
vjerovatnoe promjene stanja tog sistema date matricom prelaznih vjerovatnoa P=|p
ij
|
i,j=1,n. Neka se prelaz iz i-tog u j-to stanje mjeri efektima koje emo obiljeiti sa k
ij
i koji
e respektivno odgovarati vjerovatnoama promjena stanja. Efekti k
ij
obrazuju matricu
efekata K=|k
ij
| i,j=1,n. Oekivana vrijednost ukupnih efekata W izraunava se prema
Belmanovom principu za promjenu stanja poslije t vremenskih perioda. Po njemu je
oekivani efekat ostvaren poev od i-tog stanja za t vremenskih jedinica jednak

=

=
+ =
n
j
t ij
n
j
ij ij t
j w p k p k w
1
1
1
) ( ) ( ili u matrinoj notaciji w
t
=Q+Pw
t-1
, gdje je

(
(
(
(
=
n
q
q
q
Q
...
2
1

=
=
n
j
ij ij i
k p q
1
.

Posmatrat emo proizvoaa robe iroke potronje koji u svoj asortiman uvodi novi
proizvod. Pretpostavimo dvije mogunosti:
1. Postoji tranja za proizvodom te njegovo uvoenje donosi pozitivne efekte,
2. Ne postoji tranja za novim proizvodom te njegovo uvoenje ne donosi pozitivne
efekte.
Nakon nekoliko lansiranja novog proizvoda utvrena je matrica prelaznih vjerovatnoa
(
=
6 , 0 4 , 0
5 , 0 5 , 0
P to znai da ako je postojala tranja za proizvodom sa vjerovatnoom 0,5
da e se i u narednom periodu prihvatiti sa istom vjerovatnoom. Ako nije postojala
tranja onda je vjerovatnoa da e kod lansiranja proizvoda postojati tranja 0,4, a da nee
postojati 0,6.
Neka je matrica
(
=
6 4
4 8
K . Uz pretpostavku da je
(
=
0
0
o
w izraunati oekivanu
vrijednost ukupnih efekata u toku tri perioda.

(
=
(
+
(
= + =
(
=
(
+
(
= + =
(
=
(
+
(
=
= + = + = =
= + = + = = + =
=
=
72 , 0
6 , 9
8 , 0
8
6 , 0 4 , 0
5 , 0 5 , 0
2
6
8 , 0
8
2
6
6 , 0 4 , 0
5 , 0 5 , 0
2
6
2
6
0
0
6 , 0 4 , 0
5 , 0 5 , 0
2
6
2 ) 6 ( 6 , 0 4 4 , 0 q
6 4 5 , 0 8 5 , 0 q
2 3
1 2
1
2
1
22 22 21 21 2 2 2
2
1
12 12 11 11 1 1 1 1
Pw Q w
Pw Q w
w
k p k p k p
k p k p k p Pw Q w
j
j j
j
j j o

Zadatak za vjebu:
Tri konkurentska preduzea A, B i C su na odreenom tritu u razdoblju 01.05.-31.05.
imali slijedee stanje kupaca:
148

Opis Preduzee
A B C
Ukupno
1. Stanje 1. maja
2. Prelaz drugim preduzeima
3. Ostala lokalna preduzea
4. Poveanje kupaca od drugih
preduzea
5. Stanje 31. maja
600

240
360

220
580
600

120
480

140
620
800

240
560

240
800
2000

600
1400

600
2000

Struktura promjena izraena brojem kupaca je slijedea:

Gubitak kupaca
A B C

Ukupno
A

Dobitak kupaca B

C
-

60

160
60

0

80
180

60

0
240

120

240
U K U P N O: 220 140 240 600

Prognozirati trino uee pojedinih preduzea 30.06., 31.07. i 31.08. i kada se postigne
stabilno stanje.

12. MRENO PROGRAMIRANJE

12.1. Pojam mrenog programiranja

Savremene probleme poslovnog odluivanja karakterie poveanje organizacionih poslova
po obimu i kompleksnosti. Kontinuirano praenje svih poslovnih aktivnosti, u takvim
uslovima, postaje sve tee, te se stoga pristupilo izgradnji novih metoda planiranja i
upravljanja kompleksnim sistemima. Koritenje metoda za planiranje i upravljanje, kao i
optimalno koritenje raspoloivih resursa pri realizaciji odreenih projekata pojavljuje se
kao problem posebno iz razloga to su to kompleksni projekti sastavljeni od niza
aktivnosti. Same aktivnosti, vremenski posmatrane, mogu biti nezavisne od drugih,
paralelne sa drugim ili zavisne od drugih aktivnosti. Na slian nain, kao i aktivnosti,
moe se vriti i upotreba resursa.
Na polju razvoja novih metoda planiranja i upravljanja kompleksnim projektima prvi
rezultati javili su se 1957. godine u SAD. Novi metodi nazvani su tehnike mrenog
programiranja-planiranja. Ove tehnike zasnovane su na primjeru moderne algebre, teorije
grafova i matematike statistike.
Tehnike mrenog programiranja obuhvataju sve metode koje se koriste mrenim
dijagramom, tako da se obezbijedi planiranje, koordinacija, upravljanje i kontrola
kompleksnih procesa kod kojih je neophodno vremenski uskladiti veliki broj djeliminih
zadataka, odnosno aktivnosti. Danas je poznato preko trideset razliitih metoda mrenog
programiranja, ali su sve u sutini modifikacija dvije osnovne i najvie primjenljive
metode:
- CPM (metoda kritinog puta, engl. Critical Path Method) i
149
- PERT (metoda ocjene i revizije programa, engl. Program Evoluation and Review
Tehnoloque).
Fundamentalna razlika izmeu ove dvije metode sastoji se u mogunou normiranja
vremena, trokova i resursa. Ako se ove norme poznaju onda se koristi CPM metod, dok
se PERT metod koristi u sluaju neizvodljivosti normiranja, odnosno u sluaju kada
norme imaju stohastiki karakter.
Sve tehnike mrenog programiranja sastoje se od slijedeih faza:
(1) analiza struktura,
(2) analiza vremena,
(3) analiza rasporeivanja resursa i
(4) analiza trokova.
Analiza strukture je za svaki projekat identina, bez obzira na upotrebu PERT-a ili CPM-a
i sastoji se u krajnjoj istanci u konstrukciji mrenog dijagrama.
U analizi vremena (po CPM-u ili PERT-u) mreni model se transformie u matematiki
tako to se odreuju vremenske veliine (parametri) neophodne za kontrolu realizacije
projekta.
Analiza strukture i analiza vremena vre se nezavisno od optimalne raspodjele resursa.
Stoga u praktinim situacijama zbog ogranienih resursa mogu nastupiti problemi u
realizacji pojedinih aktivnosti, tako da je neophodno odluiti koja struktura ili vremenska
kombinacija aktivnosti je najpovoljnija. Tehnike koje se bave analizom rasporeivanja
resursa, zbog opsenosti prikaza, ovdje se nee razmatrati.
Analiza trokova moe nastupiti tek nakon analize strukture i analize vremena. S obzirom
da se trokovi uglavnom povezuju za resurse, to se esto analiza resursa postavlja kao
uslov analize trokova. Analiza trokova proizilazi iz ciljeva primjene metoda mrenog
programiranja koji sadre, pored zahtjeva za usklaivanjem aktivnosti nekog projekta
(analiza strukture) i zavretkom projekta u najkraem vremenu (analiza vremena), i
zahtjev za realizacijom projekta uz minimalne trokove. Meu najpoznatijim metodama za
ovu analizu nalazi se PERT/COST metod, koji obezbjeuje realno prognoziranje ukupnih
trokova projekta i raspodjelu raspoloivih resursa uz odravanje rokova zavretka
projekta. U okviru predvienog gradiva nee se izlagati ni metode analize trokova.

12.2. Analiza strukture

12.2.1. Osnovni elementi mrenog dijagrama

Metode mrenog programiranja zasnivaju se na takvim modelima gdje su razliiti
dogaaji meusobno povezani aktivnostima. Takav model naziva se mrenim
dijagramom.
U matematikom smislu mreni dijagram je konaan graf orijentiran strelicama, pri emu
se graf definira kao skup taaka (vrhova ili dogaaja) {1,2,...,n} i skup dui {(i-j)}koje
povezuju neke parove tih taaka pri emu bilo koja du (i-j) ima poetak u taki i, a
zavretak u taki j. Konani grafovi imaju slijedee karakteristike:
- postoji samo jedna taka (dogaaj) u koju ne ulaze nijedna du orijentirana strelicama i
- postoji jedna taka (dogaaj) iz koje ne izlazi nijedna orijentirana du.
Osnovni elementi mrenog dijagrama su:
- projekat,
- aktivnost i
- dogaaj.
150
Tehnike mrenog programiranja obrauju projekte. Pod pojmom projekat ovdje se
podrazumijeva skup organizacionih, ekonomskih i tehnikih mjera usmjerenih na izradu
novih objekata, sistema i ureaja ili izvrenje drugih slinih zadataka.
Svaki projekat se ralanjuje na niz djeliminih zadataka (poslova) koji su ogranieni
takom poetka i takom zavretka. Definisani djelimini zadaci nazivaju se aktivnostima.
Prema tome, aktivnost je djelimian zadatak, posao ili proces koji se odigrava u vremenu.
Aktivnost kao elemenat mrenog dijagrama odraava:
(1) odreenu etapu radnog procesa uz troenje vremena i sredstava,
(2) ekanje (troi se samo vrijeme) i
(3) zavisnost bez troenja vremena i sredstava (fiktivna ili prirodna aktivnost).
U mrenom dijagramu, aktivnost se predstavlja pomou orijentiranih dui dok se fiktivna
aktivnost predstavlja orijentiranom isprekidanom dui.
Dogaaj se definie kao trenutak poetka ili zavretka aktivnosti, odnosno projekta. On se
predstavlja na dijagramu pomou kruga koji se memorie koritenjem pravila rastueg
uzastopnog numerisanja. Dogaaj ne troi ni vrijeme ni sredstva i za razliku od aktivnosti
odigrava se trenutno.
Poetni dogaaj je trenutak u kome neka aktivnost moe otpoeti, dok je zavrni dogaaj
trenutak njenog zavretka. Posebnu panju imaju poetni dogaaj projekta koji nema
prethodnih aktivnosti i zavrni dogaaj projekta nakon kojeg nema slijedeih aktivnosti.
Znai, svaki projekat ima samo jedan poetni i jedan zavrni dogaaj. Za ilustraciju
predstavljanja aktivnosti A
ij
i dogaaja i i j koji povezuju aktivnost A
ij
moe se dati
slijedea skica:

12.2.2. Sadrina analize strukture

Analiza strukture podrazumijeva utvrivanje logikog redoslijeda i meusobnih zavisnosti
pojedinih aktivnosti u okviru trajanja projekta. Analiza strukture sadri:
(1) ispostavljanje spiska aktivnosti i
(2) konstrukciju mrenog dijagrama.
Spisak aktivnosti sadri navoenje svih poslova koji se moraju izvriti da bi se realizovao
projekat. Utvrivanje potpunog spiska aktivnosti jednog projekta moe se izvriti
sluajnim prikupljanjem aktivnosti, sistematskom evidencijom aktivnosti i sl. Na osnovu
spiska aktivnosti vri se grafiko predstavljanje projekta koritenjem mrenog dijagrama.
U mreni dijagram sistematski se ukljuuju sve aktivnosti. Za svaku aktivnost utvruje se
slijedee:
(1) aktivnosti koje moraju biti zavrene prije njenog otpoinjanja,
(2) aktivnosti koje slijede nakon njenog zavretka,
(3) aktivnosti koje se moraju nezavisno paralelno odvijati i
(4) da li se razmatrana aktivnost moe podijeliti na dvije ili vie aktivnosti.
Nakon utvrivanja redoslijeda i zavisnosti pojedinih aktivnosti vri se konstrukcija
mrenog dijagrama na bazi geometrijskih pravila konstrukcije. Potom se vri kontrola u
odnosu na osnovna pravila crtanja. Na kraju analize strukture vri se numerisanje
dogaaja projekta.
i j
A
ij
151

12.2.3. Geometrijska pravila konstrukcije mrenog dijagrama

Da bi prikaz toka odvijanja projekta bio vjerna slika realnih aktivnosti neophodno je
prilikom crtanja mrenog dijagrama pridravati se odreenih uputstava i pravila.
Mreni dijagram treba da predstavlja jedinstven povezan sistem aktivnosti koji je konaan
i ne sadri alternative aktivnosti. Sam oblik mrenog dijagrama nije bitan, ve je znaajno
da se potuje redoslijed aktivnosti. Pored prethodnog, prilikom crtanja mrenog
dijagrama, neophodno je potovati slijedea pravila:
(1) Strelice koje pokazuju aktivnost treba po pravilu orijentirati s lijeva na desno. Same
strelice se mogu meusobno ukrtati, ali treba teiti ka izbjegavanju suvinih presjeka.
(2) Svaka aktivnost zapoinje i zavrava se dogaajem.
(3) Ako zavretak jedne aktivnosti uslovljava poetak druge aktivnosti, tada je zavrni
dogaaj prve aktivnosti identian poetnom dogaaju druge aktivnosti.

(4) Ako zavretak vie aktivnosti uslovljava zapoinjanje slijedee aktivnosti, tada je
zavrni dogaaj svih tih aktivnosti identian poetnom dogaaju slijedee aktivnosti.

(5) Ako dvije ili vie aktivnosti otpoinju
nakon to je prethodna aktivnost zavrena, onda sve te aktivnosti otpoinju u
zavrnom dogaaju prethodne aktivnosti.

(6) Ako dvije ili vie aktivnosti imaju zajedniki poetni i zavrni dogaaj, tada je njihova
identifikacija oteana, te je u cilju jednoznane odreenosti aktivnosti potrebno uvesti
fiktivu aktivnosti u poetnom ili zavrnom dogaaju.
1 3
j
2
A B
B
A
C
B
C
D
A
1
2
3
4 5
152

(7) Ako u jednom dogaaju zavrava i otpoinje vei broj aktivnosti koje nisu sve
meusobno zavisne, tada se stvarne zavisnosti prikazuju pomou fiktivnih aktivnosti.

(8) U mrenom dijagramu moe biti biti uveden proizvoljan broj fiktivnih aktivnosti.
(9) Bilo koja aktivnost moe se odvijati samo jednom, tako da se u mrenom dijagramu ne
mogu pojavljivati petlje ili ciklusi.

12.2.4. Numerisanje dogaaja u mrenom dijagramu

Nakon to je izvrena konstrukcija mrenog dijagrama i kontrola u odnosu na pravila
crtanja, pristupa se numerisanju dogaaja po tzv. pravilu rastue numeracije (pravilo
Fulkersona) koje kae:
(1) Poetnom dogaaju projekta dodjeljuje se broj 1 (ili 0).
(2) Precrtavaju se sve aktivnosti koje izlaze iz numerisanog dogaaja.
(3) Numeriu se dogaaji u koje ulaze sve precrtane aktivnosti. Poeljna je rastua
numeracija s lijeva na desno i odozgo ka dole. Koraci (2) i (3) se ponavljaju dok se svi
dogaaji ne numeriu.

12.3. Analiza vremena

Mreni dijagram, konstruisan u analizi strukture projekta, obezbjeuje preglednost u
redoslijedu izvravanja aktivnosti. Meutim, pored uloge u grafikom predstavljanju
projekata, mreni dijagram se moe transformisati u matematiki model u svrhu analize
vremena.
Analiza strukture za sve metode mrenog programiranja izvodi se na isti nain, dok se u
analizi vremena metode razlikuju. Dvije osnovne metode mrenog programiranja CPM i
PERT razlikuju se u karakteru matematikog modela: CPM koristi deterministiki model,
dok PERT polazi od stohastikog modela, odnosno PERT, za razliku od CPM, u
proraunu vremena unosi nesigurnost u vremenskoj procjeni trajanja pojedinih aktivnosti.
U literaturi se moe nai razliita terminologija i oznaavanje pojmova u CPM i PERT,
dok e se ovdje za iste pojmove koristiti isto ili slino oznaavanje.
A
B
A C
B D
5
6 7
8 9
10
153
Analiza vremena se obavlja u trokoranom postupku:
(1) Utvrivanje vremena trajanja aktivnosti (i-j) tj. t
ij
.
(2) Progresivni i retrogradni proraunu vremena,
(3) Odreivanje kritinog puta i vremenskih rezervi.
Kod analize vremena po CPM utvruje se jedno vrijeme trajanja aktivnosti, dok kod
PERT-a se na bazi tri vremena izraunava tzv. oekivano vrijeme trajanja aktivnosti. Na
bazi ova dva vremena izraunavaju se svi ostali vremenski parametri na osnovu kojih se
kontrolie vremensko odvijanje projekta.
Progresivni prorauni vremena podrazumijevaju izraunavanje najranijih poetaka i
najranijih zavretaka aktivnosti polazei od poetnog dogaaja projekta. Najranije vrijeme
nastupanja zavrnog dogaaja projekta ujedno predstavlja i najkrae vrijeme potrebno da
bi se projekat realizovao.
Retrogradni proraun vremena polazi od zavrnog dogaaja projekta i vri se ka poetnom
dogaaju. U retrogradnom proraunu vremena izraunavaju se najkasniji zavretak i
najkasniji poetak svake aktivnosti.
Na osnovu prorauna u progresivnom i retrogradnom postupku odreuje se kritini put
projekta i izraunavaju vremenske rezerve. Pod kritinim putem projekta podrazumijeva
se niz meusobno povezanih aktivnosti izmeu poetnog i zavrnog dogaaja projekta
koje imaju zbirno najdue vrijeme trajanja. Karakteristika svih dogaaja na kritinom putu
je identinost najranijih i najkasnijih vremena nastupanja.
Izraunavanje vremenskih rezervi u tehnici mrenog programiranja ima poseban znaaj,
poto one pokazuju koliko vremenskih jedinica se moe odloiti poetak ili zavretak
pojedinih aktivnosti. Kod PCM izraunavaju se (1) ukupna, (2) slobodna, (3) nezavisna i
(4) uslovna vremenska rezerva, dok kod PERT-a samo uslovna vremenska rezerva. Na
kritinom putu sve vremenske rezerve imaju vrijednost nula.

12.3.1. Analiza vremena po CPM

Kod CPM, kao deterministike metode, analiza vremena vri se na osnovu vremena
trajanja aktivnosti koje se moe normirati i precizno odrediti.
Na osnovu konstruisanog mrenog dijagrama i utvrenih vremena trajanja aktivnosti, u
progresivnim proraunima vremena izraunava se:
- najraniji poetak aktivnosti (i-j) oznaen sa
0
i
t i
- najraniji zavretak aktivnosti (i-j) oznaen sa
0
j
t .
Najraniji poetak aktivnosti (i-j)
0
i
t podrazumijeva vremenski najraniji rok deavanja i-tog
dsogaaja. Da bi aktivnost (i-j) otpoela neophodno je da sve aktivnosti koje joj
neposredno prethode budu zavrene. Drugim rijeima dogaaj i moe biti postignut samo
nakon isteka puta sa najduim trajanjem.
Pod najranijim zavretkom aktivnosti (i-j)
0
j
t podrazumijeva se najraniji rok u kome je
postignut dogaaj j. Izraunava se sumiranjem trajanja aktivnosti (t
ij
) sa vremenom
0
i
t
tj.
0
j
t =
0
i
t +
ij
t
U sluaju da u dogaaj j ulazi vie puteva, onda se najraniji poetak bilo koje aktivnosti
koja ima j kao poetni dogaaj izraunava iz izraza:

154
{ }
n 2,3,..., j 1; - n 1,2,..., i j; i je emu
, 0 t ; max
0
1
0 0
= = <
= + =
pri
t t t
ij i
i
j

Nakon progresivnog prorauna vremena pristupa se retrogradnom proraunu, pri emu se
polazi od zavrnog dogaaja projekta i ide ka poetnom. U retrogradnom proraunu
vremena izraunavaju se slijedei vremenski parametri:
- najkasniji poetak aktivnosti (i-j) oznaen sa
1
i
t i
- najkasniji zavretak aktivnosti (i-j) oznaen sa
1
j
t .
Polazei od najkasnijeg zavretka projekta
1
n
t i uslova
1
n
t =
0
n
t , najkasniji zavretak
aktivnosti koja neposredno prethodi dogaaju i moe se izraunati koritenjem izraza:

{ }
. 1 ,..., 2 , 1 i ,...,2; 1 , j j; i je
, t ; min
0 1
n
1 10
= = <
= =
n n n n gdje
t t t t
n ij j
i
i

Svi izraunati parametri unose se u mreni dijagram u kojem su dogaaji konstruisani na
slijedei nain:

Na bazi prethodne slike moe se uoiti da se maksimalno dozvoljeno trajanje
aktivnosti (i-j) dobiva kao razlika
1
j
t -
0
i
t .
U okviru analize vremena slijedei korak je utvrivanje kritinog puta koji
predstavlja najdui put izmeu poetnog i zavrnog dogaaja projekta. Za
aktivnosti koje se nalaze na kritinom putu ili tzv. kritine aktivnosti vai relacija:
0
i
t =
1
i
z i
0
j
t =
1
j
t
odnosno najraniji i najkasniji rokovi svakog dogaaja su identini. Bilo kakav produetak
vremenskog trajanja kritinih aktivnosti utie na rok zavretka cjelokupnog projekta,
poto kritine aktivnosti nemaju vremenskog zazora. Jedan projekat moe imati vie
kritinih puteva, ali i subkritinih kod kojih postoji mali zazor.
Nekritine aktivnosti, za razliku od kritinih raspolau sa odreenim vremenskim
rezervama. Postoji vie vrsta vremenskih rezervi koje su uslovljene odnosom razmatrane
aktivnosti i neposredno prethodnih, odnosno neposredno narednih aktivnosti.
(1) Ukupna vremenska rezerva aktivnosti (i-j) definisana je izrazom:
ij i j
t
ij
t t t S =
0 1
.
Ukupna vremenska rezerva pokazuje za koliko se vremenskih jedinica moe pomjeriti
vrijeme trajanja aktivnosti od njezinog najranijeg poetka, a da se pri tome ne ugrozi
realizacija krajnjeg roka projekta.
(2) Slobodna vremenska rezerva aktivnosti (i-j) definisana je izrazom:
ij i j
s
ij
t t t S =
0 0
.
t
ij
i
t
0
i
t
1
i
t
0
j
t
1
j
j
155
Ona ukazije na to za koliko vremenskih jedinica se moe produiti trajanje
aktivnosti (i-j), ako je cilj zadravanje najranijih poetaka svih slijedeih
aktivnosti.
Zajednika karakteristika ukupne i slobodne vremenske rezerve je da pokazuje
za koliko vremenskih jedinica se moe odloiti poetak aktivnosti. Ukupna
vremenska rezerva obezbjeuje nesmetani najraniji poetak kritinih aktivnosti,
dok slobodna vremenska rezerva to isto obezbjeuje i za nekritine aktivnosti.
(3) Nezavisna vremenska rezerva aktivnosti (i-j) definisana je izrazom:
ij i j
n
ij
t t t S =
1 0
.
Nezavisna vremenska rezerva ukazuje na to za koliko se moe produiti vrijeme
trajanja aktivnosti, odnosno pomjeriti rok najranijeg poetka aktivnosti.
Pomjeranje roka poetka aktivnosti ili vremena trajanja sve dok se potpuno ne
iscrpi nezavisna vremenska rezerva nee imati nakakvog uticaja na vremenske
parametre drugih aktivnosti mrenog dijagrama. Nezavisna vremenska rezerva
moe poprimiti i negativne vrijednosti, ali se tada smatra da je jednaka nuli.
(4) Uslovna vremenska rezerva se, za razliku od ostalih vremenskih rezervi koje se
izraunavaju za aktivnosti, odnosi samo na dogaaje. Definisana je izrazom:
0 1
j j
u
j
t t S =
.

12.3.2. Metoda PERT u analizi vremena

Za razliku od CPM metode, kod koje je vrijeme trajanja aktivnosti normirano,
odnosno poznato, kod metode PERT vrijeme trajanja je neophodno procijeniti.
Stoga PERT metoda ima svoju veliku primjenu kod onih projekata koji se po prvi
put izvode, kao npr. istraivaki ili razvojni projekti.
Kod procjene vremena, s obzirom da je PERT stohastika metoda, predspostavlja se
da frekvencija trajanja pojedinih aktivnosti se ponaa po zakonu beta raspodjele.
Kod PERT metode za svaku aktivnost se ocjenjuju tri vremena:
(1) Optimistiko vrijeme trajanja aktivnosti a
ij
se definie kao najkrae vrijeme
neophodno za izvrenje aktivnosti (i-j).
(2) Najvjerovatnije vrijeme trajanja aktivnosti m
ij
, koje oznaava najvjerovatnije
vrijeme izvrenja neke aktivnosti kod vie ponavljanja pod istim uslovima.
(3) Pesimistiko vrijeme trajanja aktivnosti b
ij
, koje predstavlja najdue vrijeme
izvoenja aktivnosti (i-j).
Prethodna tri vremena su reprezentativne vrijednosti beta raspodjele. Vjerovatnoe
ostvarenja optimistikog i pesimistikog vremena su nule, dok je njihov odnos prema
najvjerovatnijem vremenu definisan relacijom:
ij ij ij
b m a
.
Na osnovu poznatih vrijednosti parametara a
ij
, m
ij
i b
ij
izraunava se oekivano
vrijeme trajanja aktivnosti (i-j) koje se oznaava sa (t
e
)
ij
ili krae t
ij
na osnovu
relacije:
6
4
t ) (
ij
ij ij ij
ij
b m a
te
+ +
=
.
Odnos izmeu najvjerovatnijeg i oekivanog vremena trajanja aktivnosti moe se
predstaviti grafiki.
156

Sa oekivanim vremenom trajanja aktivnosti po PERT metodi se postupa isto kao i
kod CPM sa trajanjem aktivnosti, ali je neophodno utvrditi i varijansu
2
ij
s da bi se
utvrdila odstupanja od podataka koji se uzimaju kao reprezentativni. Varijansa
predstavlja mjeru grubosti definisanja polaznih parametara, odnosno mjeru
nesigurnosti s kojom se procjenjuje trajanje aktivnosti. Varijansa oekivanog
vremena trajanja aktivnosti (i-j) izraunava se koritenjem obrasca:
6
) (
s ) (
2
2
ij
2
ij ij
ij
a b
=
.
Na narednoj slici predstavljen je odnos raspodjele frekvencija i varijanse.
Vrijeme
a
ij
m
ij
= t
ij
b
ij

a
ij
t
ij
m
ij
b
ij
a
ij
m
ij
t
ij
b
ij

Vrijeme Vrijeme
a) m
ij
- a
ij
< b
ij
- m
ij
Uestalost
b) m
ij
- a
ij
> b
ij
- m
ij
Uestalost
c) m
ij
- a
ij
= b
ij
- m
ij
Uestalost
157

Na osnovu prethodnog moe se zakljuiti da kod ulaznih parametara b
ij
moe da
bude mnogo vee od a
ij
tj. da je
ij ij
a b >> , jer je u tom sluaju vee rasipanje, vea
varijansa i vee nepreciznosti u definisanju pojedinih aktivnosti.
Na osnovu oekivanog vremena trajanja aktivnosti na isti nain kao kod CPM
metode vri se progresivni i retrogradni proraun vremena, odreuje kritini put i
izraunava uslovna vremenska rezerva (ostale vremenske rezerve se ne
izraunavaju). Poto se kod PERT metode koriste procijenjena vremena trajanja
aktivnosti, ne moe se biti siguran u kojem e se vremenu neka aktivnost tao izvesti.
Polazei od distribucije vremena trajanja aktivnosti, svako vrijeme unutar intervala
| || |a
ij
, b
ij
| || | ima vjerovatnou da se realizuje kao stvarno vrijeme trajanja aktivnosti.
Najraniji zavretak aktivnosti (i-j) t
j
rauna se na bazi izvjesnih prosjeka trajanja
aktivnosti, te i ono ima karakter prosjenih vrijednosti. Na osnovu odreenih
teorema (centralna granina teorema, adiciona teorema) dokazuje se da:
- raspodjela vrijednosti
0
j
t ponaa se po normalnoj distribuciji,
- varijansa raspodjele vrijednosti
0
j
t je jednaka sumi varijansi aktivnosti koje se
nalaze na putu do dogaaja j,
- standardna devijacija s
j
distribucije
0
j
t izraunava se kao kvadratni korijen sume
varijansi aktivnosti koje se nalaze na putu do dogaaja j.
Poto je
0
j
t srednja vrijednost normalne distribucije, to se na bazi tablice normalne
distribucije i zahtjevnog nivoa vjerovatnoe moe utvrditi interval u kome e se
desiti dogaaj j. To se postie koritenjem relacije:
j j
s z t
0
,
gdje je z faktor vjerovatnoe koji se moe proitati iz tablice normalne
distribucije. Npr. unutar intervala j j
s t 3
0
nalazi se svih 99,87% vrijednosti za

0
j
t .
Takoe moe se izvriti proraun faktora vjerovatnoe (z) koji slui za utvrivanje
vjerovatnoe, odnosno procenta sigurnosti planiranih rokova izvrenja nekog
dogaaja. Faktor vjerovatnoe dogaaja j moe se izraunati koritenjem izraza:
a
ij
m
ij
b
ij
Frekvencija
Varijansa
a
ij
m
ij
b
ij
Frekvencija
Varijansa
a) RASPODJELA FREKVENCIJA S
MALIM RASIPANJEM
(
2
ij
s - MALO)
b) RASPODJELA FREKVENCIJA S
VELIKIM RASIPANJEM
(
2
ij
s - VELIKO)
158
j
j pj
j
s
t T
Z
0
=

ili za planirani rok zavretka projekta

n
n pn
n
s
t T
Z
0
=
,
gdje je T
pj
odnosno T
pn
planirani rok nastupa dogaaja j odnosno n.
Na osnovu izraunatog faktora vjerovatnoe utvruje se vjerovatnoa nastupanja
dogaaja koritenjem tablice normalne distribucije.

z p(z)
-3,0
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-5,3
-2,2
-2,1
-2,0
-1,9
-1,8
-1,7
-1,6

0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0449
0,0548
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,2420
0,2743
0,3085
0,3446
0,3821
0,4277
0,4602
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9916
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987

Ako je vjerovatnoa ispod 25%, onda se smatra da je to veliki rizik, a ako je izmeu
25% i 60% vjerovatnoe rizik je normalan.

12.4. Analiza trokova

Pored analize strukture i vremena kod realizacije projekata neophodne je izvriti i
analizu trokova. Svakoj aktivnosti ili grupi aktivnosti mogu se pridruiti trokovi ili
neka druga procijenjena veliina, tako da se mogu razviti sistemi analize trokova
bazirani na analizi vremena CPM, PERT ili nekom drugom metodu.
Postoji vie metoda koje se koriste u analizi trokova od kojih emo prikazati
metodu PERT-COST (PERT trokovi) koja poinje sa analizom trokova nakon
analize strukture i vremena projekta. Od mnogih varijanti metode PERT-COST
koristit emo onu koja se zasniva na optimizaciji trokova na osnovu istog mrenog
dijagrama. Realno je pretpostaviti da svaka aktivnost ima osobinu da se njeno
trajanje moe smanjiti do odreenog nivoa. Kada se ulaganjem dodatnih sredstava
ostvari ta granica, tada nikakva dodatna ulaganja ne mogu uticati na dalje
skraivanje trajanja te aktivnosti. To minimalno trajanje aktivnosti naziva se
usiljeno trajanje aktivnosti, dok trokovi koji nastaju pri takvom trajanju aktivnosti
nazivaju se usiljeni (maksimalni) trokovi.
159
Pored toga, aktivnost se karakterie i nekim srednjim optimalnim trajanjem koje
emo nazvati normalno trajanje aktivnosti. Ono ima osobinu da su trokovi
izvrenja aktivnosti koje imaju normalno vrijeme trajanja minimalni.
Jasno je da pri izboru tih kombinacija umanjenje vremena trajanja aktivnosti
dovodi do poveanja trokova, to se moe predstaviti krivom a).
Nekada ova oblast moe biti konstanta (prikazani rad po normalnoj tarifi) (b). U
nekim sluajevima moe nastupiti polidna zavisna.

Za svaku aktivnost (i-j) moe se odrediti normalno trajanje aktivnosti (t
n
)
ij
, usiljeno
trajanje oblasti (t
u
)
ij
, kao i direktne trokove povezane s njihovim izvrenjem (C
n
)
ij
i
(C
u
)
ij
.
Osnovu projektovanja trokova ini pretpostavka o postojanju proporcionalnog
poveanja trokova aktivnosti sa skraivanjem vremena aktivnosti. Tada se
prosjeni prirast trokova po jedinici skraivanja aktivnosti moe izraunati u
obliku:
t
u
t
n
Trokovi
Vrijeme
t
u
t
n
Trokovi
Vrijeme
t
u
t
n
Trokovi
Vrijeme
a) b)
160
ij n ij u
ij n ij u
ij
t t
C C
a
) ( ) (
) ( ) (
=
.
U analizi trokova pored analize direktnih trokova, treba obuhvatiti i indirektne
trokove koji su konstantni po jedinici vremena. Problem je u tome da se pronau
ukupni trokovi za razna trajanja aktivnosti. Kriva sume direktnih i indirektnih
trokova ima svoj minimum kod nekog optimalnog vremena trajanja. Osnovni
problem je da se pronae tako vremensko trajanje aktivnosti kod kojeg su trokovi
minimalni. Mi emo se u analizi trokova ograniiti samo na direktne trokove.
Skraivanje itavog projekta mogue je ako se pridrava slijedeih heuristikih
pricipa:
(1) Na kritinom putu skratit e se trajanje ove aktivnosti za koju je prosjeni
prirataj trokova minimalan.
(2) Kada se postigne minimalno vrijeme trajanja aktivnosti s minimalnim
prosjenim priratajem trokova prelazi se na dalje skraivanje aktivnosti na
kritinom putu s neposredno veim prosjenim priratajem trokova i to se
nastavlja sve dotle dok se ne doe do pojave novog kritinog puta, koji povezuje
drugi skup aktivnosti s istim ukupnim vremenom trajanja.
(3) U toku skraivanja projekta mogue je da se pojavi vie kritinih puteva. To vodi
tome da se istovremeno mora skratiti vie aktivnosti da bi se skratio itav
projekat. Skraivanje svakog kritinog puta vri se za isti broj vremenskih
jedinica, a pri tome se vodi rauna da se skrate najjeftinije aktivnosti.
(4) Postupak se nastavlja na slian nain sve dok se ne postigne unaprijed planirani
rok projekta ili se ne iskoriste sva mogua skraenja vremena trajanja aktivnosti
na kritinim putevima koji nastaju u pojedinim etapama.

Primjer 1.
Na osnovu ispostavljanog spiska aktivnosti sa vremenima trajanja u sedmicama
izvriti analizu strukture i vremena projekta.

Aktivnost Zavisi od a
ij
m
ij
b
ij
t
ij
2

A - 8 10 12 10 4/9
B A 5 6 7 6 1/9
C A 4 6 8 6 4/9
D A 10 10 10 10 0
E C 1 3 5 3 4/9
F D 12 14 16 14 4/9
G B 3 4 5 4 1/9
H C 15 20 25 20 25/9
I E,F 3 4 5 4 1/9
J D 9 12 15 12 1
K E,F 7 10 13 10 1
L G,H,I 6 8 10 8 4/9
M J 2 3 4 3 1/9

161

S
1
= 0 - 0 = 0
S
2
= 10 - 10 = 0
S
3
= 34 -16 = 18
S
4
= 18 - 16 = 2
S
5
= 20 - 20 = 0
S
6
= 34 - 34 = 0
S
7
= 43 - 32 = 11
S
8
= 46 - 46= 0

Kolika je vjerovatnoa zavretka projekta, ako bi smo eljeli da se projekat zavri za
49 dana, a kolika ako elimo zavretak za 43 dana?

0,62% p(-2,5) 5 , 2
9 / 13
46 43
z
99,38% p(2,5) 5 , 2
13
9
3 / 13
3
9 / 4 9 / 1 9 / 4 0 9 / 4
46 49
8
8
= =
=
= = = =
+ + + +

= z

Primjer 2.

Potrebno je izvriti zamjenu motora. Odrediti rok zamjene ako je poznata slijedea
lista aktivnosti sa njihovim trajanjem:

Aktivnost Zavisi od Vrijeme trajanja
A Izvaditi motor -. 4
B Postaviti glavni cilinda A 1
C Podesiti ventile A 2
3
34 16
8
1
0 0
2
2
10 10
5
4
18 16
8
6
34 34
8
9
46 46

8
38 38
9
5
20 20
6
7
43 32
9
10
6
10
14
12
6
4
20
3
4
8
10
3
162
D Staviti glavu A 5
E Izraditi klipove B 3
F Izbuiti poluge E 2
G Izbrusiti cilindar C 7
H Obnoviti ... C 6
I Zamjena klipa G 1
K Staviti blok motora D,H,I 6
L Staviti i ugraditi motor F,K 8

Kvantitativne Metode

Uploaded by

Copyright:

Available Formats

You might also like

Kvantitativne Metode

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Kvantitativne Metode

Uploaded by

Copyright:

Available Formats

8

2. LINEARNO PROGRAMIRANJE (LP)

, gdje je dati parametar.

(t+1/t) + K (t+1) |z(t+1) - C x

max min min max

nalazi se svih 99,87% vrijednosti za

You might also like