Linearno

programiranje
Linearna optimizacija

Prof. dr. Vlatko Čerić

Ekonomski fakultet - Zagreb

Prikazat ćemo osnove najviše korištenih metoda

„ Linearna optimizacija predstavlja skupinu metoda linearne optimizacije:
koje omogućuju nalaženje najpovoljnijih rješenja
raznovrsnih problema u kojima i „ linearno programiranje
funkcija cilja (npr. dobit) i
„ cjelobrojno linearno programiranje
utrošci resursa (npr. materijala ili vremena) „ transportni problem
„ problem dodjeljivanja
imaju linearan oblik ovisnosti o nezavisnim
varijablama problema
(npr. o broju proizvedenih proizvoda).

3 4

Naglasak je na:

„ prepoznavanju problema koji se mogu

opisati linearnom optimizacijom
Linearno programiranje
„ formulaciji modela

„ analizi osjetljivosti rezultata optimizacije

5 6

1

„ To je najvažnija i najviše korištena metode za
rješavanje poslovnih problema.
7 8
„ Prvi problem kojeg je Dantzig riješio simplex
metodom:
problem prehrane uz minimalne troškove
77 varijabli odlučivanja i 9 ograničenja
„ The National Bureau of Standards je provjeravao
rješenje
za to je trebalo 120 čovjek-dana uz korištenje
kalkulatora
9 10
„ Volumen proizvodnje ograničen je s tri vrste
resursa:
tvrtka dnevno ima na raspolaganju:
40 specijalnih tranzistora,
200 sati radnika koji sastavljaju satove i
160 sati radnika koji provjeravaju ispravnost
satova.
11
„ Metodu je razvio američki matematičar George
Dantzig 1947. godine. Metoda je temeljena na
njegovom radu u statističkom odjelu US Air Force.
„ Tamo su rješavanje metoda planiranja pomoću
stolnog kalkulatora zvali “programiranje”
(odavde ime metodi).
Primjer modela linearnog
programiranja (LP)
„ Tvrtka Satex je mali proizvođač satova koji traži
proizvodni plan koji bi joj dao najveću moguću dobit.
„ Tvrtka proizvodi dvije vrste satova, Raketix i Rolix.
Dobit po jednom primjerku sata iznosi:
10 dolara za model Raketix, a
25 dolara za model Rolix
„ Potražnja za objema vrstama satova je velika te
nadmašuje mogućnost proizvodnje.
„ Iako je dobit za Rolix satove veća, ti satovi
zahtijevaju i više kritičnih resursa.
isključivo u Rolix satove ugrađuje se po jedan
specijalni tranzistor.
za sastavljanje jednog sata treba
samo 1 sat za model Raketix a
čak 4 sata za model Rolix, dok
za provjeru jednog sata treba
1 sat rada za model Raketix a
2 sata za model Rolix.
12
2
 Pitanje je: Formuliranje modela linearnog
programiranja
„ kakvim se proizvodnim programom može
ostvariti najveća moguća dobit te koliki će biti „ Posao korisnika LP je formuliranje modela i
iznos te dobiti. interpretacija rezultata;

„ Intuitivno rješavanje problema: „ izračunavanje optimalnog rješenja i analizu

osjetljivosti modela izvodi program korištenjem
nije lako naći najpovoljniji proizvodni program, čak odgovarajućih algoritama (postupaka rješavanja
i za ovako jednostavan problem. problema).

13 14

„ Izbor varijabli odlučivanja, tj. varijabli o čijoj „ Funkcija cilja = dobit, koju želimo maksimizirati.
vrijednosti trebamo donijeti odluku (te ćemo
vrijednosti dobiti rješavanjem problema linearnog
Dobit po jednom primjerku sata:
programiranja).
10 dolara za model Raketix a
x1 - tražena količina dnevne proizvodnje Raketix 25 dolara za model Rolix.
satova,
Stoga je ukupna dnevna dobit: “10 x1 + 25 x2“.
x2 - tražena količina dnevne proizvodnje Rolix satova.

15 16

„ Ograničenja Na temelju ovih razmatranja formulirat ćemo

model linearnog programiranja ovog
primjer: problema:

Za sastavljanje jednog Raketix sata treba 1 sat rada, Max ( 10 x1 + 25 x2 ) maksimizacija ukupne
dok za sastavljanje jednog Rolix sata treba 4 sata dnevne dobiti
rada, a dnevno imamo na raspolaganju 200 sati
Uz ograničenja:
radnika koji sastavljaju satove. Stoga ovo ograničenje
ima oblik „ 1 x2 < 40 (1) broj specijalnih tranzistora
“1 x1 + 4 x2 < 200”.
„ 1 x1 + 4 x2 < 200 (2) vrijeme sastavljanja satova
Dodatno prirodno ograničenje u tome je što nije „ 1 x1 + 2 x2 < 160 (3) vrijeme provjeravanja satova
moguće proizvoditi negativne količine satova, tj.
mora biti “x1 > 0, x2 > 0”. „ x1 > 0, x2 > 0 nenegativne količine satova

17 18

3
 LINDO DS for Windows

19 20

„ Općeniti model linearnog programiranja

„ Linearno programiranje rješava i probleme
Poopćenjem ovog LP modela možemo formulirati i minimizacije funkcije cilja, npr. traženje najjeftinije
općeniti oblik modela linearnog programiranja sa n
varijabli odlučivanja i m ograničenja: mješavine hrane za životinje koja će zadovoljiti
zahtjeve za potrebnom količinom kalorija, vitamina i
sl.
Max (c1 x1 + c2 x2 + . . . + c n xn )
Uz ograničenja: U problemima minimizacije često se pojavljuju i
a11 x1 + a12 x2 + . . . + a1n xn < b1 ograničenja tipa “veće ili jednako”, npr. količina
a21 x1 + a22 x2 + . . . + a2n xn < b2
vitamina u dnevnom obroku mora biti veća ili jednaka
.......
am1 x1 + am2 x2 + . . . + amn xn < bm količini koju traži standard prehrane.
x1, x2, . . . . . , xn > 0
Problem minimizacije može se jednostavno pretvoriti
ci , ekonomski koeficijenti u problem maksimizacije.
bi , ograničenja resursa
aij , tehnološki koeficijenti

21 22

Grafički način prikazivanja i

„ Prikaz ograničenja: primjer ograničenja vremena
rješavanja modela linearnog sastavljanja satova: “1 x1 + 4 x2 < 200”. Prikazat
programiranja ćemo rub područja ograničenja, a to je pravac
“1 x1 + 4 x2 = 200” kojeg dobijemo pretvaranjem
„ Primjer tvrtke Satex sadrži samo dvije varijable, što nejednadžbe u jednadžbu.
omogućuje grafički prikaz odgovarajućeg LP modela.
„ Takav prikaz omogućuje intuitivno razumijevanje
Taj pravac možemo najjednostavnije nacrtati tako da
problema, načina njegova rješavanja, karaktera
nađemo njegova presjecišta s obje osi i spojimo ih
optimalnog rješenja te analize osjetljivosti rješenja.
odreskom pravca.
„ Grafički prikaz sadrži samo prvi kvadrant ravnine jer
varijable odlučivanja ne mogu imati negativnu Samo ograničenje prikazano je osjenčanom
vrijednost.
površinom ispod tog odreska pravca.

23 24

4
 „ Kada na isti način grafički prikažemo sva tri
ograničenja, dobit ćemo područje mogućih
rješenja problema koje zadovoljava sva tri
ograničenja.

„ Ovo područje obuhvaća beskonačan broj mogućih

rješenja (jer su varijable odlučivanja realni brojevi).

Graf ograničenja vremena sastavljanja satova

25 26

Ekstremne točke područja mogućih rješenja.

„ Pogledajmo vrhove poligona (A, B, C, D, i O) koji

uokviruje područje mogućih rješenja - ti su vrhovi
zvani i ekstremne točke područja mogućih rješenja.

„ Teorem ekstremnih točaka linearnog programiranja

kaže da ukoliko postoji optimalno rješenje problema
linearnog programiranja, tada bar jedno optimalno
rješenje mora biti u ekstremoj točki područja mogućih
rješenja.

Ovaj teorem pokazuje da možemo ograničiti

traženje optimalnog rješenja na konačan broj
Područje mogućih rješenja LP problema tvrtke Satex
ekstremnih točaka
(u našem jednostavnom primjeru to je svega pet točaka).
27 28

„ Prikaz funkcije cilja. Crtanje funkcije cilja za nekoliko „ Uzmimo još dvije moguće vrijednosti dobiti, $ 1 500 i
$ 2 000 te nacrtajmo i njih crtkanom linijom na istoj
mogućih vrijednosti dobiti pokazat će nam koja bi od
ekstremnih točaka mogla predstavljati optimalno slici.
rješenje problema. Linije jednake dobiti su međusobno paralelne, pri
čemu su linije s većom vrijednosti funkcije cilja dalje
Ukoliko funkciju cilja “10 x1 + 25 x2“ izjednačimo npr. od ishodišta.
s vrijednošću $ 1 000, dobivamo jednadžbu pravca
“10 x1 + 25 x2 = 1 000”
(kojeg možemo nacrtati na isti način na koji smo
crtali rubne linije ograničenja).

29 30

5
 „ Pitanje je:

koliko daleko možemo pomicati liniju jednake dobiti u

smjeru od ishodišta, a da ona sadrži bar još jednu
točku iz područja mogućih rješenja.

Linije jednake dobiti za različite vrijednosti dobiti

31 32

„ Iz slike je jasno da će uvijek jedna od točaka koja „ U primjeru tvrtke Satex očito je da je točka C
daje optimalnu vrijednost biti ekstremna točka. optimalno rješenje problema, jer u njoj linija dobiti
postiže svoju najveću vrijednost.
Ona će biti
Koordinate točke C dobit ćemo kao koordinate
presjecišta ograničenja br. 2 i br. 3, tj. rješavajući
a) jedina točka optimuma ukoliko linija dobiti nije
jednadžbe:
paralelna ni jednoj liniji ograničenja, ili
„ 1 x1 + 4 x2 = 200 (2) vrijeme sastavljanja satova
b) bar jedna od optimalnih točaka u rijetkim slučajevima
da je linija jednake dobiti paralelna nekoj od linija
„ 1 x1 + 2 x2 = 160 (3) vrijeme provjeravanja satova
ograničenja.

33 34

„ Rješenje:
LINDO
x1 = 120, x2 = 20.

Dakle, optimalno je proizvoditi 120 satova Raketix i

20 satova Rolix dnevno

Dobit iznosi : 10 (120) + 25 (20) = 1 700 dolara

dnevno.

35 36

6
 DS for Windows
DS for Windows

37 38

„ Optimalno rješenje je na presjecištu ograničenja br. 2 Simplex algoritam za rješavanje LP

i br. 3, što znači da su ta dva ograničenja iskorištena
do kraja. „ U stvarnim problemima optimizacije susrećemo se
sa stotinama ili čak tisućama varijabli odlučivanja,
pa je za rješavanje LP problema potrebno imati
Ograničenje br. 1, tj. broj specijaliziranih tranzistora,
efikasan općeniti postupak rješavanja (algoritam)
nije iskorišteno do kraja.
koji će se implementirati na računalu.
Kada u nejednadžbu tog ograničenja (x2 < 40)
uvrstimo optimalnu vrijednost varijable x2 = 20, „ Najpoznatiji i najviše korišten algoritam za
vidimo da još 20 specijaliziranih tranzistora koji nam rješavanje LP problema jest simplex algoritam
dnevno stoje na raspolaganju nije iskorišteno u
optimalnom proizvodnom programu.

39 40

„ Simplex algoritam blisko je povezan s poznatom

„ Simplex algoritam je algebarski postupak Gaussovom procedurom eliminacije za rješavanje
pretraživanja ekstremnih točaka područja sustava linearnih algebarskih jednadžbi.
mogućih LP rješenja.

Budući da je originalni LP problem formuliran u

Pri tome se redom pretražuju susjedne ekstremne
obliku nejednadžbi, simplex algoritam zahtijeva
točke,
njegovo pretvaranje u sustav jednadžbi jer je
a kao sljedeća ekstremna točka izabire se ona koja
njega lakše riješiti od sustava nejednadžbi.
daje jednako ili bolje rješenje nego prethodna.

41 42

7

„ Nejednadžbe tipa “manje ili jednako” pritom se
pretvaraju u jednadžbe
na taj način da im dodajemo tzv. varijable rezerve si
(engl. slack variables), i to prvoj nejednadžbi
dodajemo samo varijablu s1, drugoj dodajemo samo
s2 itd.
„ Budući da neiskorišteni resursi ne donose dobit, oni
se ni ne pojavljuju u funkciji cilja.
„ Pogledajmo kako izgleda LP model tvrtke Satex u
kojem su nejednadžbe zamijenjene jednadžbama:
„ Max ( 10 x1 + 25 x2 )
uz ograničenja:

Varijable rezerve predstavljaju iznose neiskorištenih 1 x2 + 1 s 1 = 40

resursa. 1 x1 + 4 x2 + 1 s2 = 200
1 x1 + 2 x2 + 1 s3 = 160
x1, x2, s1, s2, s3 > 0

43 44

„ U općenitom slučaju s n varijabli odlučivanja i m

ograničenja dodavanjem m varijabli rezerve imat
ćemo ukupno n + m varijabli i m jednadžbi.
„ Sa n varijabli više nego što je jednadžbi sustav ima
n stupnjeva slobode u rješavanju jednadžbi. To
omogućuje da se vrijednost bilo kojih n varijabli
može izjednačiti s nulom, čime se dobiva sustav od
m jednadžbi s m nepoznanica.
„ Od velikog broja takvih rješenja simplex metoda
uzima u obzir samo moguća bazična rješenja (ona
koja se nalaze u području mogućih rješenja
problema).
„ Svako moguće bazično rješenje odgovara jednoj
ekstremnoj točci LP problema.

„ Ukoliko su varijable koje se stavljaju na nulu dobro

odabrane, taj će sustav imati jedinstveno rješenje za
preostalih m varijabli. Takvo se rješenje naziva
bazično rješenje, a varijable rješenja nazivaju se
bazičnim varijablama.
45 46

LINDO DS for Windows

47 48

8
Postupak rješavanja problema

„ Najpoznatiji program: LINDO

„ Više programa za proračunske tablice (npr. Excel)

uključuje rutine za rješavanje LP problema.

49 50

51 52

53 54

9
 „ Analiza osjetljivosti

Analiza osjetljivosti (postoptimalna analiza) služi za

ispitivanje promjena u izlazu modela kao posljedice
promjena u pojedinačnim ulaznim parametrima
modela.

Analiza osjetljivosti LP modela temelji se na

matematičkoj teoriji, pa se može provesti koristeći
standardne izlazne podatke dobivene izvođenjem
simplex algoritma.

55 56

„ Vrijednosti parametara LP modela, tj. jedinične dobiti,

„ Analiza osjetljivosti daje stupanj osjetljivosti
iznosi ograničenja resursa i tehnološki koeficijenti,
rezultata modela na male promjene ulaznih
često su procjene napravljene na temelju
parametara modela.
ograničenog broja podataka koji nisu uvijek ni posve
ažurni.
Ako je osjetljivost modela na neki ulazni parametar
velika ⇒ potrebno je uložiti dodatni trud da se
„ Modeli se rade zbog donošenja odluka koje će se
napravi točnija procjena tog parametra kako bi se
realizirati u bližoj ili daljnjoj budućnosti, pa se
procjena vrijednosti parametara mora temeljiti na dobilo i točnije rješenje LP problema.
predviđanju njihovih budućih vrijednosti, što je
izvor nužnih grešaka.

57 58

Analiza osjetljivosti omogućuje npr. npr. odgovori na Marginalni troškovi

pitanja o tome
Marginalni troškovi (engl. shadow price) pokazuje
iznos povećanja optimalne vrijednosti funkcije cilja
„ bi li sadašnji proizvodni program ostao optimalan čak
kada se vrijednost ograničenja jedne vrste resursa
i ako bismo morali smanjiti dobit na nekima od
poveća za jednu jedinicu tog resursa,
proizvoda;
uz nepromijenjene vrijednosti svih drugih parametara
modela.
„ koliko bi se povećala dobit ukoliko bismo dokupili
neki od ograničenih resursa.

59 60

10
„ Na slici je prikazana je grafička interpretacija
marginalnih troškova na primjeru tvrtke Satex za
slučaj povećanja vrijednosti ograničenja resursa br. 3
(vrijeme provjeravanja satova).

Ovo povećanje uzrokuje pomak optimalne točke iz

pozicije C u C’ gdje funkcija cilja ima nešto veću
vrijednost. Taj pomak odgovara promjeni vrijednosti
varijabli u istom bazičnom rješenju.

Marginalni trošak povećanja količine resursa br. 3

61 62

Rješenje LP modela tvrtke Satex daje sljedeće

vrijednosti marginalnih troškova: LINDO

„ $0 za specijalne tranzistore (taj resurs nije u

potpunosti iskorišten u optimalnom rješenju),

„ $ 2.5 za vrijeme sastavljanja satova, te

„ $ 7.5 za vrijeme provjeravanja satova.

63 64

„ Pretpostavimo da jedna jedinica resursa br. 1 stoji

$ 4, resursa br. 2 stoji $ 1, a resursa br. 3 stoji $ 6.5. „ ⇒ Upravi tvrtke Satex savjetovali bismo dakle

da investira u povećanje vremena sastavljanja satova

Kada od povećanja dobiti za ulaganje u jednu (resurs br. 2) jer će na taj način postići najveće
jedinicu resursa odbijemo cijenu tog resursa vidimo povećanje dobiti.
da proširenje od jedne jedinice

„ resursa br. 1 donosi gubitak od $ 4,

„ resursa br. 2 dobitak od $ 1.5,

„ a resursa br. 3 dobitak od $ 1.

65 66

11
 Granice vrijednosti ograničenja

„ Cilj traženja granica vrijednosti ograničenja (engl.

Marginalni trošak vrijedi samo tako dugo dok
promjene ograničenja resursa ne dovedu do novog
optimalnog rješenja, tj. ekstremne točke.
right hand side ranging) jest odrediti
do kojih se granica može promijeniti vrijednost
pojedinog ograničenja uz nepromijenjene vrijednosti
svih drugih parametara modela, a da se ne promijeni
optimalna točka (tj. bazično rješenje).

67 68

Slika: primjer ograničenja resursa br. 3 (vrijeme

provjeravanja satova) kod LP modela tvrtke Satex.

„ Kada se vrijednost tog ograničenja smanji na 120 sati

(linija 3a) dolazi do promjene bazičnog rješenja iz
točke C u točku B - daljnje smanjenje vrijednosti
ograničenja br. 3 dovodi do promjene vrijednosti
marginalne cijene resursa br. 3.

„ S druge strane, kada se vrijednost ograničenja br. 3

poveća na 200 sati (linija 3b) dolazi do promjene
bazičnog rješenja iz točke C u točku D.
Granice vrijednosti ograničenja resursa br. 3
u kojima se njegov marginalni trošak ne mijenja
69 70

„ Rješenje LP modela tvrtke Satex daje sljedeća LINDO

područja promjene vrijednosti ograničenja:

„ 20 - ∞ za specijalne tranzistore,
160 - 240 za vrijeme sastavljanja satova te
120 - 200 za vrijeme provjeravanja satova.

71 72

12
 Promjena vrijednosti koeficijenata funkcije
cilja
Promjena vrijednosti pojedinačnih koeficijenata
funkcije cilja (uz nepromijenjene vrijednosti svih
drugih parametara modela)
„ utječe na optimalnu vrijednost funkcije cilja (i to bez
promjene vrijednosti bazičnih varijabli), a
„ može utjecati i na promjenu bazičnog rješenja.
„ Grafička interpretacija promjene vrijednosti
koeficijenata funkcije cilja odgovara promjeni nagiba
linije jednakih vrijednosti funkcije cilja.
Unutar nekih granica vrijednosti koeficijenata funkcije
cilja sadašnje se bazično rješenje ne mijenja,
a kada se te granice prijeđu, tada se dobiva novo
optimalno rješenje.

73 74

„ Slika: primjer LP modela tvrtke Satex.

Unutar određenih granica vrijednosti koeficijenata vrh

C ostaje optimalno rješenje (slučaj a),

dok prijelazom preko tih granica rješenje prelazi ili na

vrh B (slučaj b) ili na vrh D.

Promjene vrijednosti koeficijenata funkcije cilja

75 76

„ Rješenje LP modela tvrtke Satex daje sljedeća LINDO

područja vrijednosti koeficijenata u funkciji cilja u
kojima se optimalno rješenje ne mijenja:

6.25 - 12.5 za prvi koeficijent te

20.0 - 40.0 za drugi koeficijent.

77 78

13
 Primjene linearnog programiranja
Problem mješavine sastojaka (engl. blending)
opisuje mješavinu sastojaka koji zajedno čine konačni
proizvod koji mora zadovoljiti nekim specifikacijama.
„ Svaki sastojak ima svoju cijenu i svojstva te doprinosi
svojstvima konačnog proizvoda.
„ Traži se takva mješavina koja zadovoljava zadane
specifikacije, ne prelazi raspoloživu količinu sastojaka,
a izaziva minimalne troškove.
Primjeri problema mješavine su traženje mješavine nafte i
mješavine životinjske hrane.
79
Problem distribucije i dodjeljivanja opisuje slanje
dobara iz dostavnih centara (npr. tvornica) u centre
potražnje (prodavaonice ili skladišta).
„ Svaki dostavni centar ima svoj kapacitet i cijenu
proizvoda, a svaki centar potražnje svoju razinu
potražnje.
„ Cijene transporta mogu se razlikovati po smjerovima
distribucije.
„ Traži se takvo dodjeljivanje transporta koje će
minimizirati ukupnu cijenu transporta, zadovoljiti
potražnju i neće prekoračiti raspoložive kapacitete
dostavnih centara.
81
Primjer
Marketinška kampanja
„ za kampanju je odobren fiksni iznos sredstava
„ pitanje je kako disperzirati oglašavanje preko
različitih kanala?
radio, TV (+ vrijeme dana), tisak
Kako formulirati LP model?
83
Problem određivanja mješavine proizvoda (engl.
product mix) traži određivanje količina različitih vrsta
proizvoda koje treba proizvesti da bi se maksimizirala
dobit.
„ Pri tom svaki od proizvoda zahtijeva određene
proizvodne resurse i doprinosi određeni iznos ukupnoj
dobiti.
„ Konačna mješavina proizvoda mora uzeti u obzir
ograničenja proizvodnih resursa te očekivanu
potražnju za proizvodom.
80
Problem nabave rješava problem odluke o nabavi
proizvoda (ili materijala) s različitih mjesta koja nude
različite količine, kvalitete i cijene proizvoda.
„ Cilj je postizanje maksimalne moguće dobiti, uz
zadovoljenje svih zahtjeva i specifikacija proizvoda
kao i ograničenja budžeta.
82
Primjer
Marketinška kampanja
„ za kampanju je odobren fiksni iznos sredstava
„ pitanje je kako disperzirati oglašavanje preko
različitih kanala?
radio, TV (+ vrijeme dana), tisak
„ svaki marketinški kanal ima neku očekivanu publiku
(broj gledatelja/slušatelja/čitatelja) i trošak
„ cilj: maksimizirati ukupnu publiku
korištenjem raspoloživih sredstava
84
14
 „ available Lego elements per week:
Application
8 small pieces
Production of Lego furniture
6 big pieces
„ company produces tables and chairs
„ Lego pieces needed for a table and a chair:
(colour doesn’t matter!) „ profit: $16 per table
$10 per chair

What is the optimal production?

What is the optimal profit?
2 big + 2 small 1 big + 2 small What is the LP model?
pieces pieces 85 86

„ if we produce only tables we can produce mostly: „ if we produce only tables we can produce mostly:
(they have higher profit than chairs) (they have higher profit than chairs)

2 small pieces 2 small pieces

are left are left

profit = 3 * $16 = $48 per week profit = 3 * $16 = $48 per week

„ if we produce only chairs we can produce mostly:

2 big pieces
are left

profit = 4 * $10 = $40 per week

87 88

„ if we produce only tables we can produce mostly: „ Yes, we can – the optimal solution is:
(they have higher profit than chairs)

2 small pieces
are left no pieces left

profit = 3 * $16 = $48 per week

„ if we produce only chairs we can produce mostly:

profit = 2 * $16 + 2 * $10 = $52 per week
2 big pieces
are left

profit = 4 * $10 = $40 per week

Can we do better than this? 89 90

15
 Problem Formulation Problem Formulation

Decision variables Decision variables

X1 is the number of Chairs X1 is the number of Chairs
X2 is the number of Tables X2 is the number of Tables

Constraints
X1 + 2 X2 <= 6 large bricks
2 X1 + 2 X2 <= 8 small bricks

91 92

Problem Formulation
Tables
Decision variables 5
X1 is the number of Chairs
X2 is the number of Tables 4

2 X1 + 2 X2 = 8 Small Bricks
Constraints
3
X1 + 2 X2 <= 6 large bricks
2 X1 + 2 X2 <= 8 small bricks
2

Objective function
1
Maximize 15 X1 + 20 X2

X1>=0, X2>= 0
0 Chairs
93 1 2 3 4 5 6 94

Tables Tables
5 5

4 4

2 X1 + 2 X2 = 8 Small Bricks

3 3
X1 + 2 X2 = 6 Large Bricks

2 2

X1 + 2 X2 = 6 Large Bricks
2 X1 + 2 X2 = 8 Small Bricks
1 1

0 Chairs 0 Chairs
1 2 3 4 5 6 95 1 2 3 4 5 6 96

16
objective function

97

17