Professional Documents
Culture Documents
Yöneylem Araştırması
Yöneylem Araştırması
Yöneylem Araştırması
ORTAK DERS
ORTAK DERS
YÖNEYLEM ARAŞTIRMASI
Sevgili öğrenciler;
“Yöneylem Araştırması” adlı ders notumun öğrencilerime dersten başarılı olmaları için
yardımcı kaynak oluşturması dışında çok daha önemlisi problem çözme ve sayısal düşünme
alışkanlıklarını kazandırması yönünde yararlı bir kaynak olmasını dilerim.
i
İÇİNDEKİLER
ÖNSÖZ .................................................................................................................................................... i
İÇİNDEKİLER ...................................................................................................................................... ii
KISALTMALAR ................................................................................................................................... v
YAZAR NOTU ..................................................................................................................................... vi
1. YÖNEYLEM ARAŞTIRMASINA GİRİŞ .................................................................................. 1
1.1. Yöneylem Araştırmasının Tarihsel Gelişimi ............................................................................... 8
1.2. Yöneylem Araştırmasının Türkiye’deki Tarihçesi ...................................................................... 9
1.3. Yöneylem Araştırmasının Tanımı ............................................................................................... 9
1.4. Yöneylem Araştırmasının Uygulama Alanları .......................................................................... 10
1.5. Yöneylem Araştırmasının Özellikleri........................................................................................ 11
1.6. Bilimsel Yöntemin Aşamaları ................................................................................................... 12
2. DOĞRUSAL PROGRAMLAMA VE MODEL KURMA ....................................................... 24
2.1. Giriş ........................................................................................................................................... 29
2.2. Doğrusal programlama Tekniği Varsayımları ........................................................................... 29
2.3. Doğrusal Programlama Probleminin Matematiksel Modeli ...................................................... 30
2.4. Doğrusal Programlama Probleminin Grafik Yöntemle Çözümü ............................................... 37
3. SİMPLEKS YÖNTEM ( MAKSİMİZASYON PROBLEMİ ) ................................................ 54
3.1. Giriş ........................................................................................................................................... 59
3.2. Simpleks Yöntem ...................................................................................................................... 59
3.3. Simpleks Yöntemle Çözüm Aşamaları...................................................................................... 62
4. SİMPLEKS YÖNTEM (MİNİMİZASYON PROBLEMİ) ..................................................... 78
4.1. Minimizasyon Probleminin Simpleks Yöntemle Çözümü ........................................................ 84
5. DUALİTE VE DUYARLILIK ANALİZİ ............................................................................... 100
5.1. Dualite (İkilik veya İkincil Problem)....................................................................................... 106
5.2. Duyarlılık Analizi .................................................................................................................... 109
5.3. Amaç Fonksiyonu Katsayılarındaki Değişim .......................................................................... 110
5.4. Sağ Taraf Sabitlerindeki Değişim ve Gölge Fiyat ................................................................... 113
5.5. Sağ Taraf Sabitlerindeki ( ) Değişim .................................................................................... 115
6. TAMSAYILI PROGRAMALAMA ......................................................................................... 127
6.1. Tamsayılı Programlama Türleri............................................................................................... 135
6.2. Tamsayılı Programlama ile İlgili Problemler .......................................................................... 137
6.3. Özel Tamsayılı Programlama Problemleri .............................................................................. 138
6.4. Tamsayılı Programlama Problemlerinin Çözüm Yöntemleri .................................................. 141
7. DOĞRUSAL PROGRAMLAMA UYGULAMASI: TRANSPORT PROBLEMİ .............. 156
ii
7.1. Transport Probleminin Doğrusal Programlama ile Modellenmesi .......................................... 162
7.2. Ulaştırma Algoritması ............................................................................................................. 167
7.3. Kuzeybatı Köşe Yöntemi ........................................................................................................ 167
7.4. Minimum Maliyetli Atama Yöntemi (Kestirme Dağıtım)....................................................... 168
7.5. Vogel Yaklaşım Yöntemi (Metodu) (VAM) ........................................................................... 169
7.6. Atlama Taşı (Boş Hücre Çevrimleri)....................................................................................... 172
7.7. MO-Dİ (Modified Distribution) Yöntemi ............................................................................... 174
7.8. Ulaştırma Problemlerinde Dejenerasyon ................................................................................. 178
7.9. Yasaklanmış Yol Problemi ...................................................................................................... 179
8. ÇOK AMAÇLI KARAR VERME: HEDEF PROGRAMLAMA......................................... 190
8.1. Hedef Programlama ................................................................................................................. 196
8.2. Hedef Programlama ve Doğrusal Programlama Arasındaki Farklar ....................................... 199
8.3. Hedef Programlamanın Formülasyonu .................................................................................... 200
8.4. Hedef Programlama Türleri ..................................................................................................... 204
9. ÇOK KRİTERLİ KARAR VERME: ANALİTİK HİYERARŞİ PROSES ......................... 215
9.1. Giriş ......................................................................................................................................... 220
9.2. Karar Verme ............................................................................................................................ 220
9.3. Analitik Hiyerarşi Prosesi........................................................................................................ 221
9.4. Hiyerarşik Yapının Oluşturulması ........................................................................................... 222
9.5. İkili Karşılaştırma Matrislerinin Oluşturulması ...................................................................... 223
9.6. Önceliklerin Belirlenmesi ........................................................................................................ 225
9.7. Karşılaştırma Matrislerinin Tutarlılık İncelemesi ................................................................... 225
9.8. Bütünleştirme .......................................................................................................................... 228
10. OYUN TEORİSİ.................................................................................................................... 243
10.1. Oyun Teorisi ile İlgili Kavramlar ........................................................................................ 249
10.2. Denge Kavramı ve Nash Dengesi........................................................................................ 251
10.3. Oyunda Strateji Kavramı ..................................................................................................... 251
10.4. Ödemeler (Getiri-Kazanç) Matrisi....................................................................................... 252
10.5. Oyun Teorisinin Temel Mantığı .......................................................................................... 252
10.6. Karma Stratejili Oyunlar ve Çözüm Yöntemleri ................................................................. 255
10.7. Oyun Kuramında Grafik Yöntem ........................................................................................ 257
11. MARKOV ANALİZİ ............................................................................................................ 269
11.1. Markov Analizi.................................................................................................................... 275
11.2. Markov Analizi ile ilgili Kavramlar ve Markov Zinciri ...................................................... 276
11.3. Başlangıç olasılıkları ........................................................................................................... 277
11.4. Stokastik Süreçlerin Sınıflandırılması ................................................................................. 280
iii
11.5. Ergodik Markov Zinciri ....................................................................................................... 289
11.6. Denge Durumu .................................................................................................................... 289
12. SİMÜLASYON ...................................................................................................................... 301
12.1. Simülasyon Modellerinin Sınıflandırılması......................................................................... 309
12.2. Çeşitli Dağılımlara Uygun Rasgele Sayı Üretimi................................................................ 309
12.3. Bir Simülasyon Modelinin Çözüm Aşamaları..................................................................... 310
12.4. Simülasyon ne zaman kullanılmalıdır?................................................................................ 311
12.5. Simülasyonda Kullanılacak Yöntemin Belirlenmesi ........................................................... 313
12.6. Simülasyon Nasıl Yapılır? ................................................................................................... 315
12.7. Simülasyonda Dağılımın Belirlenmesi ................................................................................ 315
12.8. Simülasyonda Deneme Sayısının Bulunması ...................................................................... 321
13. ŞEBEKE PROGRAMLAMADA KRİTİK TOL YÖNTEMİ (CPM)............................... 329
13.1. Şebekenin Kurulması........................................................................................................... 336
13.2. İş Programlarının Hesaplanmasında Genel Bilgiler ............................................................ 336
13.3. Tabloların Düzenlenmesi..................................................................................................... 337
13.4. Proje Planlamada Ağ (Network) Diyagramı ....................................................................... 337
13.5. İş Paketlerinden Ağ Diyagramlarına ................................................................................... 338
13.6. Proje Ağ (Network) Diyagramının Çizilmesi ...................................................................... 339
13.7. Proje Şebeke Çizim Metotları ............................................................................................. 340
13.8. Ağ Diyagramının Temel Kuralları ...................................................................................... 341
13.9. (Activity-On-Node) Metodunun Temelleri ......................................................................... 341
13.10. Kritik Yol Yöntemi-CPM .................................................................................................... 343
13.11. Ağ Hesaplama Süreci .......................................................................................................... 345
13.12. İleriye Doğru Hesap ............................................................................................................ 348
13.13. AON - Geriye Doğru Hesap ................................................................................................ 349
13.14. AOA (Activity on Arrow) ................................................................................................... 350
13.15. Proje Ağ Yapısının Gerçek Hayatla Bütünleştirilmesi ........................................................ 352
14. ŞEBEKE PROGRAMLAMADA PERT YÖNTEMİ ......................................................... 364
14.1. PERT Yönteminde Faaliyet Sürelerinin Belirlenmesi ......................................................... 370
14.2. Kritik Yolun Tespiti ............................................................................................................ 373
14.3. Matris Metodu İle Çözüm Yöntemi..................................................................................... 374
14.4. PERT Tekniğinin Avantaj ve Dezavantajları ...................................................................... 380
14.5. CPM ve PERT Yöntemlerinin Karşılaştırılması ................................................................. 380
KAYNAKÇA ..................................................................................................................................... 390
TABLOLAR....................................................................................................................................... 392
iv
KISALTMALAR
v
YAZAR NOTU
Değerli öğrencilerim,
İstanbul Üniversitesi
vi
1. YÖNEYLEM ARAŞTIRMASINA GİRİŞ
1
Bu Bölümde Neler Öğreneceğiz?
2
Bölüm Hakkında İlgi Oluşturan Sorular
3
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
4
Anahtar Kavramlar
• Yöneylem Araştırması
• YA Uygulama Alanları
5
Giriş
Çok sayıda teknik ve bilimsel yaklaşımı içeren Yöneylem Araştırması genellikle kıt
kaynakların paylaşımının söz konusu olduğu sistemlerin en iyi şekilde tasarlanması ve
6
işletilmesine yönelik karar problemlerine bilimsel yaklaşımın uygulanmasını amaçlamaktadır.
Bilimsel metotlarla problem çözme çalışmalarının başlangıcı çok eskilere dayanmakla birlikte
günümüzde yöneylem araştırması olarak adlandırılan bilim dalının temelleri İkinci Dünya
Savaşı yıllarında atılmıştır. Savaş yıllarında stratejik ve taktik seviyede çeşitli askeri
problemlerin analizi ve muharebelerdeki etkinliğin artırılmasına yönelik olarak çeşitli teknikler
geliştirilmiş ve bunlar yoğun olarak uygulanmıştır. Matematiksel modelleme ve bilimsel
metotların askeri harekatlara uygulanması ve etkinliğin artırılması amacıyla yapılan
optimizasyon çalışmaları sonucunda geliştirilen teknikler Operations Research (Yöneylem
araştırması) olarak adlandırılmıştır.
7
1.1. Yöneylem Araştırmasının Tarihsel Gelişimi
Gerek otomobil, televizyon, silah gibi elle tutulur bir ürünün üretilebilmesi, gerekse ulaşım,
eğlence, güvenlik gibi insanların çeşitli ihtiyaçlarını karşılayan hizmetlerin sağlanabilmesi için
bazı kaynakların kullanılması gerekir. Kaynak deyince faaliyetlerin gerçekleştirilmesinde
kullanılan ve çeşitli işlemlerin sonunda bir ürüne ya da hizmete dönüşen her şeyi aklımıza
getirebiliriz. (Örneğin; zaman, insan gücü, para, arazi, teknoloji gibi).
Zaman ilerledikçe yeryüzündeki kaynaklardan bazıları azalmış, öbür yandan mevcut kaynakları
kullanacak olan insanların sayısı artmış ve teknolojik yönden gelişmiş özellikleri olan araç ve
gereçler üretilmeye ve kullanılmaya başlanmıştır. Aynı zamanda insanların bilgi ve kültür
seviyeleri artmış ve insanlar temel ihtiyaçlarını karşılamanın ötesinde, ortaya çıkan daha başka
ihtiyaçlarının da karşılanmasına yönelik olarak günlük hayatta kullandığı eşyalara ve
yararlandığı hizmetlere olan beklentilerini yükseltmeye başlamışlardır. Diğer yandan farklı
yeteneklere, uzmanlık alanlarına ve bilgi düzeyine sahip insanlar karmaşık yapıdaki araç, gereç
ve malzemelerden oluşan organizasyonların yönetimi ve en yüksek verimi elde edecek şekilde
eldeki kaynakların organizasyonunun faaliyetlerine paylaştırılması önemli bir problem olarak
kendini hissettirmeye başlamıştır. Özellikle 18. yüzyılın sonlarına doğru başlayan endüstri
devrimi bu değişimin daha da hızlanmasına ve daha büyük organizasyonların oluşmasına yol
açmıştır. Bu gelişmelerin sonucu olarak günlük hayatta karşılaşılan çeşitli problemler ile ilgili
karar vermeye yardımcı olmak amacıyla, problemlerin çözümünde kullanılabilecek bilimsel
metotların geliştirilmesine yönelik çalışmalar başlamıştır. Pek çok alandaki çeşitli problemlerin
çözümünde kullanılabilecek teknikleri içeren Yöneylem araştırması bilim dalı böyle bir
arayışın sonunda ortaya çıkmış, bilim adamlarının katkılarıyla gittikçe zenginleşmiş ve ilk
yıllarından itibaren karar problemlerinin çözümünde yoğun olarak kullanılmaya başlamıştır.
Yöneylem araştırması bilim dalının temelleri İkinci Dünya Savaşı sırasında, İngiltere’de savaş
araç ve gereçlerinin, limanlarda daha kısa sürede gemilere yüklenmesini ve boşaltılmasını
sağlayacak bir yöntemin araştırılmasıyla atılmıştır. İngiliz Savunma Bakanlığı bu karmaşık
problemleri çözmek ve askeri harekâtlardaki etkinliği artırmak amacıyla çeşitli disiplinlerdeki
bilim adamlarından oluşan ekipler teşkil ederek bir dizi çalışma başlatmıştır. İşlemsel, eylemsel
8
ve uygulamaya yönelik araştırma anlamına gelen bu yöntem Türkiye’de yöneylem araştırması
olarak tanınmıştır.
Başlangıçta “Harekât Araştırması” adı verilen Yöneylem araştırmasının Türkiye’ye girişi, pek
çok alanda olduğu gibi, Türk Silahlı Kuvvetlerinin öncülüğünde olmuştur. Ülkemizde
oluşturulan ilk yöneylem araştırması birimi, 19 Ağustos 1954 tarihinde Genelkurmay
Başkanlığı bünyesinde kurulan “İlmi İstişare Kurulu Müdürlüğü” olup, gerçek anlamdaki ilk
yöneylem araştırması grubu 1 Haziran 1956 tarihinde yaklaşık 10 yedek subaydan
oluşturulmuştur. Bu müdürlüğün adı 1957 yılında “İlmi İstişare ve Geliştirme Kurumu” kısaca
İLGE olarak değiştirilmiştir. 1958 yılında adı AR-GE olarak değiştirilen birim, 1970 yılına
kadar Genelkurmay Başkanlığına bağlı olarak, 1970 sonundan itibaren ise Milli savunma
Bakanlığı bünyesinde faaliyetlerini sürdürmüştür. 1973 yılında Genelkurmay Başkanlığında
Savunma Araştırması Dairesi Başkanlığı kurulmuş ve yöneylem araştırması faaliyetleri bu
başkanlık bünyesinde sürdürülmüştür. 1993 yılında başkanlığın adı Silahlanma ve Savunma
Araştırma Dairesi olmuştur.
Sivil kesimde ise ilk olarak 1 Eylül 1965 tarihinde TÜBİTAK bünyesinde bir Yöneylem
Araştırması ünitesi oluşturulmuş, 1973 yılında Gebze Marmara Bilimsel ve Endüstriyel
Araştırma Enstitüsünün bir ünitesi olarak faaliyetlerine devam etmiş ve 1992 yılında “Sistem
Analizi” adı verilerek yeni bir birime dönüştürülmüştür. Eğitim alanında ilk uygulamalar
İstanbul Teknik Üniversitesi ve Orta Doğu Teknik Üniversitesinde başlatılmış ve kısa bir süre
sonra Kara Harp Okulu da yöneylem araştırması derslerini ders programına eklemek suretiyle
öncülük yapan okullar arasında yer almıştır. Bu gelişmeyi daha sonraki yıllarda gerek yöneylem
araştırması derslerini programa koymak ve gerekse yüksek lisans ve doktora programları açmak
suretiyle diğer üniversiteler takip etmiştir.
Yöneylem Araştırması denince akla ilk gelen kelime optimizasyondur. Optimizasyon kelime
olarak “en iyiyi elde etme” şeklinde tanımlanabilir. Bu da bize amaç doğrultusunda eldeki
kaynakları kullanarak problemlerin optimal (en iyi, en verimli) çözümünün bulunmasını ifade
eder.
9
Yöneylem araştırması sistemlerin karşılaştıkları problemlerde, disiplinlerarası bir ekiple,
bilimsel metotları kullanarak ve problemin kontrol edilebilir unsurları ile ilgili alternatifleri
değerlendirmek suretiyle optimal (en uygun) çözümü bulmayı amaçlar. Yöneylem araştırması
gerçek hayattan kaynaklanan ve çoğunlukla sınırlı kaynakların paylaştırıldığı deterministik ve
olasılıklı problemlerin modellenmesi ve optimal kararın verilmesi ile ilgilenir.
Bu tanımları incelediğimizde, kaynak kıtlığı, karar verme süreci, bilimsel yaklaşım, modelleme,
optimal çözüm gibi anahtar terimlerin yöneylem araştırmasının tanımlanmasında önemli rol
oynadığını görürüz. Yöneylem araştırmasının başta üretim, yönetim, mühendislik, ekonomi,
sosyal bilimler, savunma planlaması olmak üzere pek çok gerçek hayat probleminde çok çeşitli
uygulamalarını görmek mümkündür. Bu problemlere baktığımız zaman gerçekten de çok büyük
bölümünde eldeki sınırlı kaynakların paylaştırılmasına yönelik bir yaklaşıma ihtiyaç
duyulduğunu görürüz. Bu gibi problemlerin çözümünde gerekli olan bakış açısı ve uygun
yaklaşımın, yöneylem araştırmasında olduğu gibi, bilimsel analiz yoluyla sağlanabileceğini
söyleyebiliriz.
Bir karar verme probleminin çözümü aşağıdaki üç temel unsurun belirlenmesini gerektirir.
Yöneylem araştırması, bir örgütün etkili çalışmasını sağlamak için sorunlarını ortaya
çıkartmada ve bunların çözümü ile örgütün geliştirilmesinde kullanılır. Örgütün işleyişine ve
ürününe ilişkin en kapsamlı ve bilimsel dönüt toplama yöntemlerinden biri yöneylem
araştırmasıdır. Bu yöntem, gerekli alanlardan uzmanların oluşturduğu takımlarca
uygulanmalıdır. Yine bu yöntemle yapılacak araştırmalar sürekli olmalıdır.
10
5. Proje yönetimi 20. Rassal süreçler
11
2. Disiplinlerarası yaklaşım ve
3. Bilimsel yönetimdir.
2. Modelin kurulması,
5. Çözümün uygulanması.
“Yanlış” problemden “doğru” çözüm elde edilemez. Bu ifadeden anlaşılacağı gibi ilgili
sistemin detaylı bir şekilde incelenip söz konusu problemin iyi bir şekilde tanımlanması, işin
birinci ve en önemli aşamasıdır. Bu aşama, eldeki problemin kantitatif olarak incelenebilecek
bir yapıya dönüştürülmesini amaçlar. Bu aşamada problemin çözümüne direk ya da dolaylı
olarak etki edebilecek her unsurun özenle ortaya çıkarılması gerekir. Problemin tanımlanması,
yöneylem araştırması ekibinin tamamının katılımını gerektiren bir süreç olup yapılacak
incelemenin sonunda aşağıdaki hususların belirlenmesi gerekmektedir:
1. Amaçların belirlenmesi.
12
2. Problem alanının, yani organizasyonu ve çevresini kapsayacak şekilde probleme
etki edecek olan sistemin belirlenmesi.
4. Varsayımların belirlenmesi.
Model gerçek bir nesnenin ya da durumun çeşitli semboller kullanarak ifade edilmiş
temsili bir şekli, soyutlanmış bir yaklaşımdır. Modelleri aşağıdaki gibi gruplandırmak
mümkündür:
1. İkonik (taklit) model: Fiziksel model olarak da adlandırılan ikonik model, gerçek
bir nesnenin ya da olayın genellikle farklı boyutlarda ifade edilmiş görsel bir temsilcidir.
(Örneğin: Kabartma harita, uçak marketi, fotoğraf,…)
2. Analog (çizgisel) model: Gerçek bir nesnenin ya da olayın çeşitli özelliklerini ifade
eden ve çizgilerle oluşturulan modeldir. (Örneğin: Elektrik devresi şeması, otomobil hız
göstergesi, termometre,…)
= eşitliği enerjiyi ve =
3. Tanımlayıcıdırlar. Gerçek bir nesneyi ya da olayı ideal olarak tanımlayabilirler.
Örneğin, eşitliği kuvveti tanımlar.
13
ettikleri sistemin optimal şekilde tasarlanması ve işletilmesine yönelik önemli bilgiler elde
etmek mümkündür.
suretiyle demir kapasitesi ile ilgili kısıt ( örneğin, 3 + 4 + ⋯ + 2 < 20 ) olarak ifade
ve eldeki toplam demir miktarı ise 20 kg olsun. Bu parametreleri katsayı olarak kullanmak
edilir.
14
Şekil 1’de görüldüğü gibi, karar değişkenleri ile parametreleri girdi olarak düşünecek
olursak matematiksel modeli bu girdileri çıktıya dönüştüren mekanizma olarak
değerlendirebiliriz.
Bu aşama çeşitli teknikleri kullanarak model için optimal çözüm sonuçlarının elde
edilmesidir. Optimal çözüm, amaç fonksiyonu değerinin maksimum ya da minimum yapılması
anlamındadır. Matematiksel modellerin çözülmesinde kullanılan teknik ve yöntemleri analitik
teknikler, sayısal teknikler, sezgisel yaklaşımlar olarak değerlendirmek mümkündür. Sezgisel
yaklaşımlar, optimizasyon tekniklerinden herhangi birisiyle çözülemeyecek kadar karmaşık
yapıdaki modellerde, optimal çözüm yerine yaklaşık bir çözüm elde etmek için geliştirilmiştir.
Karmaşık sistemler için kullanılan alternatif bir modelleme yaklaşımı da simülasyondur.
Matematiksel modellemedeki gelişmelere rağmen pek çok gerçek olay matematiksel olarak
modellenememektedir. Simülasyon teknikleri matematiksel olarak modellenmesi ve analitik
tekniklerle çözülmesi mümkün olmayan sistemlerin modellenmesinde ve incelenmesinde
kullanılırlar. Simülasyon genel olarak gerçek sistemi küçük parçalara ayırıp bu parçaları, uygun
mantıksal bağlantılarla, birbiri ile ilişkilendirmek suretiyle sistemin davranışını taklit etmeye
çalışan bir yaklaşım olarak tanımlanabilir.
15
Dolayısıyla modelden çözüm elde edilmesi için işin kolay bir aşaması olup, nispeten zor olan
bölüm optimal çözüm elde edildikten sonra yapılan analizlerdir. Duyarlılık analizi adı verilen
bu süreç, model parametrelerindeki olası değişiklikler (örneğin birim karın ya da eldeki
kapasitenin değişmesi ) sonucunda optimal çözümün nasıl bir davranış göstereceğinin
incelenmesini kapsar.
Bu aşama, geçerliliği kanıtlanmış bir modelden elde edilen güvenilir bir çözümün
gerçek hayattaki probleme uygulanması aşamasıdır. Bu aşamada da asıl yük, yani çözümün
anlaşılabilir bir şekilde sistemi işletecek olan personele anlatılması, yine yöneylem araştırması
ekibine düşmektedir.
Bir sorunun çözümü için YA kullanıldığı zaman aşağıdaki yedi adımlık süreç takip
edilmelidir.
YA analisti (sorunu olan karar vericiye YA teknikleri ile yardımcı olan kişi) ilk olarak
sorunu tanımlar. Sorunun tanımlanması v amaçların ve sorunu oluşturan sistemin bileşenlerinin
belirlenmesi ile olur.
Daha sonra analist sorunu etkileyen parametrelerin değerlerini belirlemek için veri
toplar. Söz konusu değerler sorunu temsil edecek bir matematiksel modelin geliştirilmesi
(Adım3) ve değerlendirilmesi (Adım4) için kullanılır.
Analist tarafından sorunu ideal bir şekilde temsil edecek bir matematiksel model
geliştirilir.
16
Adım4. Modelin Doğrulanması
Üçüncü adımda kurulan modelin gerçeği iyi yansıtıp yansıtmadığı sınanır. Şu anki
durum için modelin ne kadar geçerli olduğu belirlenerek modelin gerçeğe ne kadar uyduğu test
edilir.
Eldeki model üzerinde bir çözüm yöntemi kullanılarak amaçları en iyi karşılayan bir
Yüzden amacı karşılayan seçenek bulunamayabilir. Bazı durumlarda ise amaçları en iyi
şekilde karşılayan birden fazla sayıda seçenek bulunabilir.
Bu adımda, analist modeli ve model çözümü sonucunda ortaya çıkan önerileri karar
verici ya da vericilere sunar. Seçenek sayısı birden fazla ise karar verici(ler) gereksinimlerine
göre birini seçerler.
Eğer karar verici sunulan öneriden memnun kalırsa, analistin son görevi karar vericinin
öneriyi uygulamasına yardımcı olmaktır: Seçeneğin kullanılarak sorunun çözümüne nezaret
etmeli ve özellikle çevre koşulları değiştikçe amaçları karşılamaya yönelik dinamik
güncellemeler yaparak uygulamayı izlemelidir.
17
Uygulamalar
18
Uygulama Soruları
• .................................................................
• .................................................................
• .................................................................
19
Bu Bölümde Ne Öğrendik Özeti
20
Bölüm Soruları
1) “Belirli kısıtların olduğu bir durumda, belirli bir amaca yönelik en uygun çözümün
bulunması için geliştirilmiş bilimsel ve sayısal yöntemler dizisidir”.
a) Pazarlama
b) Model kurma
c) Operasyon
d) Yöneylem Araştırması
e) Atama
a) Askeri alan
b) Kalite kontrol
c) Yer bilimlerinde
d) Uzay çalışmaları
e) Hukuk
a) Türkiye
b) İngiltere
c) Almanya
d) Fransa
e) Hindistan
a) Henry Gantt
21
c) Richard Ernest Bellman
d) Robort Dorfman
a) Araştırma
b) Yöneylem
c) Optimizasyon
d) Amaç
e) Problem
a) Doğrusal programlama
c) Hedef programlama
d) Şebeke analizi
e) Oyun teorisi
22
a) Tahminleme çalışması
c) Parametrelerin belirlenmesi
a) Kuyruk Teorisi
b) Simülasyon
c) Rakiplerin belirlenmesi
d) Dinamik programlama
e) Optimizasyon
Cevaplar
1) d, 2) a, 3) b, 4) e, 5) c, 6) e, 7) d, 8) b, 9) a, 10 ) c
23
2. DOĞRUSAL PROGRAMLAMA VE MODEL KURMA
24
Bu Bölümde Neler Öğreneceğiz?
25
Bölüm Hakkında İlgi Oluşturan Sorular
26
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
Doğrusal Programlama
Doğrusal Programlama
Matematiksel Model Okuyarak, Araştırarak
Modeli Kısımlarını Öğrenmek
Kısımları
27
Anahtar Kavramlar
• Doğrusal Programlama
• Matematiksel Model
• Amaç Fonksiyonu
• Kısıtlar (Koşullar)-Constraints
28
2.1.Giriş
Doğrusal Programlama (DP), Lineer Programlama (LP) adı ile de anılır. Doğrusal
Programlama problemi, doğrusal sınırlayıcı koşullar (kısıtlar) adı verilen eşitlik ve eşitsizlikler
grubu ile birlikte amaç denklemi adı verilen bir doğrusal fonksiyonun değerini optimize etmeyi
amaçlayan bir matematiksel modeldir. Optimize etmek ya da genel anlamda optimizasyon, en
iyileme demektir. Örneğin amaç fonksiyonu bir fayda veya karı temsil ediyorsa bu durumda
optimize etmek demek, karı maksimize etmek (en büyükleme); bir maliyet fonksiyonundan
bahsedildiğinde optimize etmek demek fonksiyonu minimize (en küçükleme) etmek demektir.
Doğrusal Programlama belli bir amacı gerçekleştirmek için sınırlı kaynakların etkin
kullanımını ve çeşitli seçenekler arasında en uygun dağılımını sağlayan matematiksel bir
tekniktir. Daha basit bir anlatım ile Doğrusal Programlama Modeli, eldeki kaynaklar
doğrultusunda işletmenin karını maksimum yapacak üretim değerlerinin elde edilmesini veya
işletme maliyetlerini minimum yapacak üretim değerlerinin elde edilmesini sağlayan modelin
oluşturulması, çözümü ve elde edilen sonuçlarla işletme içi kararların alınabilmesini
sağlamaktadır.
DP deterministik bir araçtır, yani model parametreleri belirgin olarak kabul edilir. Bu
teknik, modelin parametrelerindeki kesikli ya eda sürekli değişimlerin “durağan” (statik)
optimum çözümünün duyarlılığını test etmede karar vericiye imkan veren, ileri optimal ve
parametrik analizleri sağlayarak eksiklikleri giderir.
Bir işletmenin en büyük sorunu, elinde kaynak (kısıt) ve imkânları, çeşitli amaç ve
kullanımlara en uygun olabilecek şekilde tüketebilmektir. İşletmedeki çalışan personel ve
uzmanlar, kullanılan makinalar, malzeme, hammadde, yer, zaman vb. kriterlerin her biri
işletmenin elinde bulundurduğu kaynak ve imkânları sembolize edebilmektedir. İşletmelerin bu
kaynakları kullanırken en büyük amaçları; kaynakların mümkün olan en iyi şekilde dağılımını
sağlayarak karlılığı maksimum seviyeye çekebilmektir. İşletmeler bu kar maksimizasyonunu,
elde bulunan imkân ve kısıtlar ile üretilecek ürün türlerinin belirlenmesi; bu ürünlerden ne kadar
üretileceği bilgisinin doğru hesaplanarak; kısıt ve imkânların mümkün olan en az maliyetli
şekilde dağıtımı gerçekleştirilmesi ile sağlanmaktadır.
29
• Değişkenler kendi aralarında ilişkili olmalıdır.
• Amaç fonksiyonu
• Kısıtlar (koşullar)
= . + . + ⋯+ .
= !. !
!"
veya
#$ = . + . +⋯+ .
30
#$ = !. !
!"
! ; Karar değişkenleri,
Örnek olarak bir atölyede üretilen + ve , gibi iki ürünün birim karları sırası ile 3 ve 2
TL ise; + ürününden tane, , ürününden
ürünün belirli bir dönemdeki üretiminden (satışından) elde edeceği kar = 3 + 2
tane üretilip satılması sonucu, atölyenin bu iki
2.3.2. Kısıtlar(Koşullar)
Modeli oluşturulan işletmenin elindeki kısıtların belirli bir sınırı olduğunu (kapasite),
bu sınırın elindeki kısıt miktarlarına ait maksimum stok olarak düşünüldüğü sınırlayıcı niteliğe
sahip ifadedir.
)! ! ≤ .! ;
/ = 1, 2, 3, … . , ;
3 = 1, 2, 3, … . , 4 ;
+ + ⋯……+ )! ! + ⋯……+ ≤ .
+ + ⋯……+ ! ! + ⋯……+ ≤ .
… … …
% + % + ⋯……+ %! ! + ⋯……+ % ≤ .%
31
göstermektedir. “ )! ” ile ifade edilen değerlerin ise alternatif üretim teknikleri olduğu
varsayılmaktadır. Daha da açık bir anlatım ile “ )! ” bir birim 3 ürünü üretebilmek için
kısıtlardan gerekli olan miktarları göstermektedir. Aşağıda eşitlik ve eşitsizlik kısıtlarına
örnekler verilmektedir. Önceki örneğe kısıtlar için de genişletecek olur isek;
32
Örnek:
Cevap:
Doğrunun grafiği aşağıdaki gibidir. Kısıtın işareti “=” olduğu için aşağıdaki doğrunun
üzerindeki noktalar bu eşitliği sağlarlar.
Örnek:
Cevap:
33
Şekil 3 Kısıta ilişkin oluşan bölge
Örnek:
Cevap:
34
2.3.3. Negatif Olmama Koşulu
! ≥0
, , L, … , ≥ 0
+ ve , gibi faklı iki ürünün üretimlerinin ne kadar olması gerektiğini belirlemek isteyen
bir atölye düşünelim. + ve , ürünlerinin birim karları sırasıyla 2 ve 5 TL dır. + ürününün her
birimi için 3 saat işçilik ve 4 ton hammadde, , ürününün her birimi için 5 saat işçilik ve 7 ton
hammadde kullanılmaktadır. Atölyenin haftalık işçilik kapasitesi 300 saat, o hafta için
deposunda tuttuğu hammadde stoku 350 ton olduğuna göre, o hafta bu iki ürünün
üretimlerinden (ki bu ürünlerin hepsinin satıldığı varsayılıyor) elde edeceği karı maksimize
etmek (en büyüklemek) için hangi üründen ne kadar üretim yapmalıdır.
; Amaç Fonksiyonu
H ve I ; üretim miktarları
! ; birim karlar
.) ; kapasiteler
35
Şekil 5 Uygun çözüm alanının grafik gösterimi
3H + 4I ≥ 300
5H + 12I ≥ 360
H , I ≥ 0
Bu durumda, uygun çözüm alanı veya uygun çözüm bölgesi aşağıdaki gibi oluşur.
36
2.4. Doğrusal Programlama Probleminin Grafik Yöntemle Çözümü
Örnek:
Z = 5X + 4X
6 +4 ≤ 24
+2 ≤6
≥ 0 ; ≥0
olmaktadır. Kalan iki kısıtı bu koordinat sisteminde göstermenin yolu, eşitsizlikleri eşitlikmiş
gibi düşünerek bunların doğrularını çizmektir. Daha sonra her eşitsizliğe ait doğruların altında
ya da üstünde kalan bölge söz konusu eşitsizliğin işaretine göre seçilmektedir. Buna göre örnek
modelin grafiği aşağıdaki şekilde olacaktır.
37
Şekil 7 Örnek 1'e Ait Grafik Çözüm
Taralı alanının sınırları üzerindeki herhangi bir nokta tüm kısıtları sağlayan çözüm
noktasıdır. Optimum çözümün belirlenmesi için,
38
Şekil 8 Matematiksel modelin grafik yöntemle çözümü
Örnek:
= 3. + 2.
+3 ≤ 15
+ ≤7
2 + ≤ 12
, ≥0
=
1
− Q3, ikinci kısıtla ilgili olarak çizilen 2 doğrusunun eğimi = −1, üçüncü kısıtla ilgili
Şekil incelendiğinde, birinci kısıtla ilgili olarak çizilen 1 doğrusunun eğimi
olarak çizilen 3 doğrusunun eğimi ise L = −2 dir. Amaç fonksiyonunun eğimi ise =
− Q = − 3Q2’ye eşittir. Dolayısıyla eğimleri mutlak değer olarak düşündüğümüzde, amaç
fonksiyonunun eğimi, 1 ve 2 doğrularının eğiminden büyük, 3 doğrusunun eğiminden küçüktür.
Amaç fonksiyonunun eğimi 2 ve 3 doğrularının eğimleri arasında kalmaktadır.
39
fonksiyonunu maksimum kılar. Karar değişkenlerinin noktasındaki değerleri 2 ve 3 doğruları
kesiştirilerek bulunabilir.
+ =7
2 + = 12
= 5 , = 2 ( noktası)
= 3. + 2. = 3.5 + 2.2 = 19
olmaktadır.
Örnek:
40
birinden en az 50’şer kasa güven stoku bulundurmak zorundadır. Firmanın toplam stoklama
maliyetini minimize eden doğrusal programlama modelini kurunuz.
Karar değişkenleri:
; elma stoğu
; armut stoğu
#$ =7 +9
Kısıtlar:
, ≥0
Dolayısıyla örnekte verilen probleme ilişkin matematiksel model aşağıdaki gibi olur.
#$ =7 +9
5 + 10 ≤ 1000
≥ 50
≥ 50
, ≥0
Örnek:
Z #$ = 5H + 4y
3H + 2I ≥ 8
H + 2I ≥ 6
H ≥ 0 ; I ≥ 0
41
Şekil 10.Problemin Grafik Çözümü
B noktası iki kısıta ilişkin doğruların kesişim noktası olduğu için bu noktayı bulmak
için iki doğru kesiştirilir.
Olursuz Problem (Mümkün çözümü olmayan): Tüm kısıtları sağlayan bir karar
değişkeni kümesinin bulunamaması durumudur. Gereksiz kısıtlar tanımlanması veya kısıtların
42
parametrelerinin yanlış hesaplanması, girilmesi kolaylıkla bu duruma yol açabilir. Özellikle
problem optimal çözüme sahip gibi görünse de karar değişkenlerinden bir ya da bir kaçı negatif
olabilir. Bu durumda verilen problem olursuz problemdir.
43
Uygulamalar
= . + .
+ ≤.
+ ≤.
, ≥0
#$ = . + .
+ ≥.
+ ≥.
, ≥0
44
Uygulama Soruları
Çözüm:
Amaç fonksiyonu:
Kısıtlar:
WX + YWY + ZWZ = [\
WX , WY , WZ ≥ \
min = 5H + 6I
3H + I ≥ 5 (1. Kısıt)
H + 2I ≥ 12 (2. Kısıt)
3H + 2I ≥ 24 (3. Kısıt)
H , I ≥ 0
Çözüm:
Optimum Çözüm:
H = 6, I = 3, = 48
45
Uygun Çözüm Bölgesi (Grafik Çözümü)
H = 6, I = 3, = 48
maks = 5 + 7^
≤6
2 + 3^ ≤ 19
+ ^ ≤ 8
, ^ ≥ 0
46
47
Bu Bölümde Ne Öğrendik Özeti
48
Bölüm Soruları
2) Aşağıdaki grafikte gösterilmiş olan taralı alan hangi eşitsizlik sistemine aittir?
3) Aşağıdaki grafikte gösterilmiş olan taralı alan hangi eşitsizlik sistemine aittir?
49
W−`<a H+I <5
` > −a I > −5
d) e)
50
6) Aşağıdaki Grafik Yöntemle bulunan optimal çözüm olan A noktasının koordinatları
aşağıdakilerden hangisidir?
51
8) Aşağıda verilen grafikte koyu işaretli OABC bölgesi doğrusal programlamada
hangi isimle adlandırılır?
çözüm bölgesini gösterdiğine göre, cmaks = ZW + b` amaç fonksiyonu B noktası için hangi
9) Aşağıda verilen grafikte gri alan bir doğrusal programlama probleminin uygun
değeri alır?
a) 35 b) Zd c) 42 d) 51 e) 60
52
çözüm bölgesini gösterdiğine göre, cmaks = ZW + b` amaç fonksiyonu A noktası için hangi
10) Aşağıda verilen grafikte gri alan bir doğrusal programlama probleminin uygun
değeri alır?
a) 21 b) 24 c) Yd d) 35 e) 40
Cevaplar
1) e, 2) c, 3) d, 4) d, 5) b, 6) a, 7) c, 8) e, 9) b, 10) c.
53
3. SİMPLEKS YÖNTEM ( MAKSİMİZASYON PROBLEMİ )
54
Bu Bölümde Neler Öğreneceğiz?
55
Bölüm Hakkında İlgi Oluşturan Sorular
56
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
Simpleks Yöntem
Varsayımları bilmek Okuyarak, tekrar yaparak
Varsayımları
57
Anahtar Kavramlar
• Simpleks Yöntem
• Büyük M Metodu
• Maksimizasyon Problemi
58
3.1. Giriş
Büyük e Metodu (Big e method) olarak da bilinen, George Bernard Dantzig tarafından 1947
yılında geliştirilen Simpleks Yöntemi Doğrusal Programlama (DP) probleminin optimum
çözümünü bulmak için uygulanması gereken kural ya da izlenmesi gereken sistematik süreçtir.
Simpleks bir yinelemeli hesaplama yöntemidir. Simpleks Yöntemde, doğrusal denklemler
sistemi için mümkün (olanaklı) temel çözümler aramaktadır, çözümlerin en uygun çözümler
olup olmadığını test etmektedir.
Simpleks tek bir noktada en iyi çözüm, birden fazla uç noktada en iyi çözüm, sınırsız çözüm ve
uygun çözüm alanı boş gibi karşılaştırılabilir tüm durumlara da cevap vermektedir.
≤ ise, bu durumda sol taraf daha küçük veya en fazla eşit olduğu için f g gibi bir değişken
eklenir. Bu değişken eklenerek eşitsizlik eşitlik durumuna getirilmiş olur. Eklenen bu değişkene
aylak (slack variable) değişken denir. Üretimde aylak değişken atıl (kullanılmayan) kapasiteyi
gösterir. Bir kısıtın sağ tarafı kapasiteyi gösterir. Eğer kapasite tam kullanılmış ise, eklenen
aylak değişkenin değeri sıfır demektir. Ancak kapasite tam kullanılmamış ise eklenen aylak
değişkenin değeri sıfırdan büyük olur.
Eğer verilen kısıt )! ! ≥ .! biçiminde bir eşitsizlik ise bu defa eşitliği sağlamak amacı ile sol
taraftan bir f g gibi bir değişken çıkarılır. Bu değişkene artık değişken denir. Artık değişken
de aylak değişken gibi sol taraf sağ tarafa eşit olduğunda sıfır, sol taraf sağ taraftan büyük
olduğunda ise sıfırdan büyük (pozitif) olur. Eşitlik bu şekilde sağlanmış olur.
olan temel çözüm oluşturabilmek için bir h g gibi yapay değişken eklenir. Yapay değişkenin
Eğer verilen kısıt eşitlik şeklinde ise, bu durumda Simpleks yöntem algoritmasının bir gereği
üretimde bir anlamı yoktur. Sadece Simpleks algoritmanın yürütülebilmesi amacı ile
matematiksel olarak gerekli olan bir değişken olarak kabul edilir.
59
Z = 3X + 2X
2 +3 ≤ 30
2 + ≤ 18
≥ 0 ; ≥0
Bu problemde iki tane kısıt bulunmaktadır. Bu kısıtların ikisi de ≤ biçiminde verilmiştir. Sol
taraf sağ tarafa kıyasla ya küçük ya da en fazla eşittir. Eşitliği sağlamak amacı ile her iki kısıta
gerekli aylak (gevşek) değişkenler eklenerek, kısıtlar eşitlik haline getirilir.
2 +3 + ] = 30 (2 +3 + 1. ] + 0. ] = 30)
2 + + ] = 18 (2 + + 0. ] + 1. ] = 18)
2 3 1 0 30
i j k l = i j
2 1 0 1 ] 18
]
Verilen doğrusal programlama modelinde buluna kısıtlar, eşitlik haline getirildiği zaman dört
değişkenli iki denklemden oluşan bir denklem sistemi elde edilir. Bu denklem siteminin
çözümü araştırılırsa,
2 3 1 0
+=i j
2 1 0 1
rank (+) = m(+) = 2 ve sağ + katsayılar matrisi ile sağ taraf sabitlerini de içeren genişletilmiş
matris aşağıdaki gibi olur.
2 3 1 0 : 30
(+; .) = i j
2 1 0 1 : 18
60
ise ] = 25 çıkar. Benzer şekilde = 1 ve = 2 olduğunda, ] = 22 çıkar. İşte bu örnekten
de anlaşıldığı gibi ve ’ye sonsuz tane farklı değer atanabilir, dolayısıyla denklemin sonsuz
sıfır değerine eşitse (yani A ve B ürününden henüz üretilmedi ise), ] = 30 olur. Zaten henüz
çözümü olur. İşte bu örnekteki üç değişkenden iki tanesine sıfır değeri atanırsa, yani ve
4 4!
p q=
! (4 − )!
4 4! 4.3.2!
p q= = =6
2 2! (4 − 2)! 2! 2!
2 +3 + 1. ] + 0. ] = 30
2 + + 0. ] + 1. ] = 18
s; Temel değişkenler
+ = u, vw
= x s
y = x s
y
t t
Kısıtlar; +. =.
61
u, vw x
s
y = ,. s + v. t =.
t
z
Amaç Fonksiyonu;
= s
z
s + t
z
t
s = , { . . − , { . v. t
Amaç Fonksiyonu;
= s
z
s + t
z
t = s
z
, { . − ((, { v)z s − t)
z
t
2 3 1 0 30
i j k l = i j
2 1 0 1 ] 18
]
(4; 2) = 6
Bu örnek için 4’ün 2’li kombinasyonu kadar temel çözüm elde edilir. 4 değişkenden 2’sine sıfır
değeri atanarak diğer değişkenlerin aldığı değerler bulunur. Aşağıda
(kombinasyon) farklı temel çözümün ne olduğu gösterilmektedir.
( , , ] , ] ) = (0,0, ] , ] )
( , , ] , ] ) = (0, , 0, ] )
( , , ] , ] )L = (0, , ] , 0)
( , , ] , ] )| = ( , 0,0, ] )
( , , ] , ] )} = ( , 0, ] , 0)
( , , ] , ] )~ = ( , , 0,0)
Z = 3X + 2X
2 +3 ≤ 30
62
2 + ≤ 18
≥ 0 ; ≥0
Çözümün birinci adımında model öncelikle standart hale getirilir. Bu amaç fonksiyonuna her
bir kısıt denklemi için bir tane olmak üzere 0 katsayılı “]) ” aylak değişkenleri eklenir. Bu
değerlerden her biri kısıt denklemlerine de eklenir. Kısıt denklemleri eşitsizlik yerine eşittir
olarak ele alınır.
Tablonun hazırlanmasına geçmeden önce temel değişkenler seçilmelidir. Her eşitlikte bir aylak
değişken olması ve eşitliklerin sağ taraflarının pozitif olması bulanacak temel çözümün uygun
(feasible) olacağını belirtir. Değişken sayısı 4, eşitlik sayısı 2 olduğundan 2 tane değişkeni
temel olmayan değişken olarak seçip onlara sıfır değeri atanır. Temel değişkenleri seçerken
eşitliklerde katsayısı 1 olanları seçmek kolaylık sağlayacaktır. Bu durumda ve sıfır kabul
edilerek temel çözüm oluşturulur. Verilen doğrusal programlama modelinde bulunan kısıtlar
eşitlik durumuna getirildiğinde problemin standart hali aşağıdaki gibi olur. Standart form
Z = 3. X + 2. X + 0. ] + 0. ]
2 +3 + 1. ] + 0. ] = 30
2 + + 0. ] + 1. ] = 18
, , ] , ] ≥ 0
1947 yılında George Dantzig ikiden fazla karar değişkenine sahip olan doğrusal modellerin
optimal çözümünün bulunmasını sağlayan Simpleks Yöntemi geliştirmiştir. Simpleks metodu
her adımda en çok kazanç sağlayacak değişkenin temel değişkenler grubuna katılmasını ve en
az getiri sağlayanın temel değişken grubundan ayrılması esasına göre çalışmaktadır. Grafik
çözüm yönteminde gördüğümüz gibi optimal çözüm noktası, her zaman uygun çözüm alanının
bir köşe noktası ya da uç noktası ile ilişkiliydi. Simpleks yöntem esas olarak işte bu temel fikre
dayanmaktadır. Bir başka deyişle Simpleks yöntem cebrik bir yöntem olmasına rağmen
dayandığı temel fikir geometriktir.
63
Şekil 11 Birinci Simpleks Tablo
C € 3 2 0 0
C•
Temel
Değişken
X• X X S S Oran
0 S 30 2 3 1 0 30/2 = 15
0 S 18 2 1 0 1 18/2 = 9 ← Anahtar
Z ƒ 0 0 0 0 0
Zƒ − Cƒ -3 -2 0 0
↑
Anahtar
amaçlanır. Bunun için tabloda Zƒ − Cƒ satırına bakılarak katsayısı negatif olan bir değişken
amaç fonksiyonundaki katsayısı en büyük olan değişkeni temel değişken gurubuna almak
aranır. Eğer birden çok negatif katsayılı değişken varsa içlerinden en küçük katsayılı olanı giriş
değişkeni olarak seçilir.
Temele girecek değişken belirlendikten sonra, sıra temel değişkenlerden çıkacak değişkeni
belirlemeye gelir. Bunu yapmak için de ayrıldığında en az değer azalışına sebep olacak
değişken aranır. Tabloyu kullanarak bunu yapmak için çözüm sütunundaki değerleri, giren
değişken sütunundaki değerlere bölerek, negatif olmayanlar arasından en küçük olanı seçilir.
Bu bölme işleminde giren değişkenin sütunundaki negatif ve sıfır değerler işleme katılmaz.
Anahtar satır belirlenirken, çözüm değerleri seçilen anahtar satır değerlerine karşılıklı olarak
bölünür. Çıkan sayılardan negatif olmayanlar arasından en küçük olanının bulunduğu satır
anahtar satır olarak belirlenir.
64
Simpleks algoritması gereği temele yazılan değişkenlerin sağında ve temel değişkenlerin
altında 1, diğer hücre değerleri 0 olur. Yani birim matris oluşur. Tablo 3.1 incelenirse, görülür
ki, S ve S temel değişkenlerin sağında ve yine aynı değişkenlerin altında birim matris
oluşmuştur. Diğer hücrelerde ise ve temel olmayan değişkenlerin katsayıları bulunur.
Anahtar sütun seçimi ile temele sokulacak değişken belirlenip, anahtar satır seçimi ile temelden
çıkacak olan değişken belirlendikten sonra sonraki tabloda yine yeni temel değişkenlerin
aşağıdaki elemanter satır işlemleri yapılarak bir sonraki tablo oluşturulur. Bu aşamada ]
sağında ve yine aynı değişkenlerin altında birim matris oluşumunu sağlamak amacı ile
Anahtar satır ile anahtar sütunun kesişiminde bulunan sayıya anahtar sayı denir. Anahtar sayı
tabloda temel değişkenler arasında, ] ise temel olmaktan çıkarılır. Yeni temel değişkenlerin
bir sonraki Simpleks Tablonun oluşturulmasında önemlidir. Temele giren yeni oluşacak
(2 + + 0. ] + 1. ] )/2 = 18/2
−2 − − 0. ] − 1. ] = −18
2 +3 + 1. ] + 0. ] = 30
C …
C•
Temel 3 2 0 0
X =Çözüm
Değişken
X X S S Oran
0 S 12 0 2 1 -1 12/2 = 6 ←
3 X 9 1 0,5 0 0,5 9/0,5 = 18
Z ƒ 27 3 1,5 0 1,5
Zƒ − Cƒ 0 -0,5 0 1,5
↑
65
2. tabloda Zƒ − Cƒ satırı incelendiğinde, henüz negatif sayı bulunan hücre olduğundan, benzer
işlemler bir kez daha yapılır. Yani anahtar sütun ve anahtar satır işlemleri tekrarlanır. Bir
sonraki tabloda, X temele girecek, S değişkeni temel olmaktan çıkacaktır. Anahtar sayı ise
seçilen yeni anahtar sütun ile yeni anahtar satır kesişiminde bulunan 2 olacaktır.
Tekrar anahtar sayının bulunduğu satır, anahtar sayıya bölünür. Bu şekilde, temele yeni giren
X ’nin sağında ve aynı değişkenin altında 1 oluşur. Sonraki tablonun ilk satırı belirlenmiş olur.
X ’nin altında bulunan diğer katsayının sıfırlanması için, birinci satır (-1/4) ile çarpılır, ikinci
satırla toplanır ve ikinci satıra yazılır. Bu işlemlerle yeni temel değişkenlerin altında birim
matris sağlanmış olur.
C …
C•
Temel 3 2 0 0
Değişken
Çözüm X X S S
2 X 6 0 1 0,5 -0,5
3 X 6 1 0 -0,25 0,75
Z ƒ 30 3 2 0,25 1,25
Zƒ − Cƒ 0 0 0,25 1,25
Yukarıdaki tabloda görüldüğü gibi, Zƒ − Cƒ satırında negatif sayı bulunan hücre kalmadığından,
işlemlere son verilir. Optimal çözüm elde edilmiş olur.
Z ƒ = Z = 30
Örnek:
maks = 50 + 80
+2 ≤ 32
3 +4 ≤ 84
; ≥0
66
Yukarıda verilen doğrusal programlama probleminin optimum çözümünü Simpleks Yöntem
kullanarak elde ediniz.
Çözüm:
İlk olarak modelde verilen kısıtlar eşitlik haline getirilir. Eşitlik haline getirilirken gevşek
değişkenler eklenir.
Z = 50. X + 80. X + 0. ] + 0. ]
+2 + 1. ] + 0. ] = 32
3 + 4. + 0. ] + 1. ] = 84
, , ] , ] ≥ 0
C …
C•
Temel 50 80 0 0
Değişken
Çözüm X X S S Oran
0 S 32 1 2 1 0 32/2=16
0 S 84 3 4 0 1 84/4=21 ←
Z ƒ 0 0 0 0 0
Zƒ − Cƒ -50 -80 0 0
↑
Şekil 15 İkinci Simpleks Tablo
C …
C•
Temel 50 80 0 0
Değişken
Çözüm X X S S Oran
80 X 16 1/2 1 1/2 0 16/0,5=32
0 S 20 1 0 -2 1 20/1=20 ←
Z ƒ 1280 40 80 40 0
Zƒ − Cƒ -10 0 40 0
↑
67
Şekil 16 Optimal Simpleks Tablo
C …
C•
Temel 50 80 0 0
Değişken
Çözüm X X S S
80 X 6 0 1 3/2 -1/2
50 X 20 1 0 -2 1
Z ƒ 1480 50 80 20 10
Zƒ − Cƒ 0 0 20 10
Verilen kısıtlar için grafik yöntemle bulunan köşe nokta çözümleri ise benzer şekilde
aşağıdaki gibi olur.
(0, 0) = 0,
68
Uygulamalar
1) Aşağıda verilen doğrusal probleminin optimum tablosunu simpleks yöntemle elde ediniz.
Sadece optimal tabloyu yazınız.
Z enb = 6 X 1 + 8 X 2
3 X1 + X2 ≤ 4
X1 + 2X 2 ≤ 4
X 1, X 2 ≥ 0
Çözüm:
69
Uygulama Soruları
Z † = 4X + X + 3XL + 5X|
3 + + L +6 | ≤ 20
+ + L + | ≤ 12
2 + +4 L +8 | ≤ 30
, , L, | ≥0
Çözüm:
† = 4 + +3 L +5 | + 0f + 0f + 0fL
3 + + L +6 | + ] = 20
+ + L + | + ] = 12
2 + +4 L +8 | + ]L = 30
, , L, | ≥0
Amaç ! 4 1 3 5 0 0 0
] ] ]L
Temel
L |
Katsayısı Çözüm
0 ] 20* 3 1 1 6** 1 0 0
0 ] 12 1 1 1 1 0 1 0
0 ]L 30 2 1 4 8 0 0 1
! 0 0 0 0 0 0 0 0
! − ! -4 -1 -3 -5* 0 0 0
70
!
] , ] ve ]L bulunduğu satırlarda yer alan sayılar ise her bir aylak değişkenin, yer aldığı
satırına yazılan değerler amaç fonksiyonuna bağlı değişkenlerin katsayıları iken;
etmektedir. Tablo oluşturulup ! − ! satırı hesaplandıktan sonra anahtar sütun tespiti yapılır.
tablosu olduğu ve üretime başlanmadığı ve kapasitelerin boş kabul edildiğini ifade
Bu satırdaki sonuçlar içinde en küçük negatif değer 5’tir. Bu değerin bulunduğu sütun anahtar
sütun olarak alınır. Soru maksimizasyon sorusu olduğu için en büyük pozitif değer alınmıştır.
değeri (5) sütunda, kısıt denklemlerine ait katsayıların tümüne bölünür ve en küçük değerin
bulunduğu hücredeki eleman (6) anahtar eleman; bulunduğu satır da anahtar satır seçilir.
“Temel” sütunundaki ] yerine; anahtar sütun olarak tespit edilen “ |” yazılır. İlk tabloda
İkinci aşamanın ilk adımında, oluşturulacak tabloda anahtar satır olarak tespit edilen
anahtar satır üzerindeki tüm değerler, anahtar elemana bölünür; elde edilen sonuçlar ikinci
tabloda | satırındaki değerler olarak yazılır.
Amaç ! 4 1 3 5 0 0 0
] ] ]L
Temel
Katsayısı s L |
İkinci aşamanın ilk adımı ile sarı ile gösterilen satır yazılmıştır. ] ve ]L satırlarına ait
) kısıtlarının katsayıları; birinci tabloda bu satırlarda bulunan katsayı değerlerinin, ikinci
tablonun ilk adımında (sarı renkli satır) belirlenen katsayılardan aynı hizadakilerin
! satırı ve ! − ! satırı tekrar hesaplanarak, birinci tabloda olduğu gibi sırasıyla anahtar
birbirlerinden çıkarılması ile elde edilmiştir. Her “Temel” satır için katsayılar belirlendiğinde
sütun; anahtar eleman ve satır belirlenir. Önceki adımlarda yapılan tüm işlemler optimum
Simpleks tablo elde edilinceye (optimum çözüm bulununcaya) kadar sürdürülür.
71
Bu süreç ! − ! satırındaki tüm değerler 0 veya pozitif olana kadar devam edilir. Bu
koşul maksimizasyon problemi için geçerlidir. Minimizasyon problemlerinde ise ! − !
Amaç ! 4 1 3 5 0 0 0 0
‡ˆ ‡X ‡Y ‡Z ‡b ‰X ‰Y ‰Z
Temel
Katsayısı Çözüm
! 35 5 3/2 3 10 1 0 1/2
! − ! 0 1 1/2 0 5 1 0 1/2
72
Bu Bölümde Ne Öğrendik Özeti
73
Bölüm Soruları
1) Sandalye ve koltuk imalatı yapan bir mobilyacı üretim için tahta ve boya
kullanmaktadır. Bir sandalye üretimi için 3 m3 tahta ve 1 kg boya kullanılırken, 1 koltuk için
ise 4 m3 tahta ve 1 kg boya gerekmektedir. Çeşitli nedenlerden dolayı mobilyacının
sağlayabildiği tahta miktarı günlük 92 m3 ve boya miktarı da 20 kg ile sınırlıdır. Ürettiği
sandalyelerin her biri mobilyacıya 300 TL, koltukların her biri ise 400 TL kar bırakmaktadır.
Bu bilgiler ışığında mobilyacının amacı mümkün olan en yüksek karı sağlayacak üretim
bileşimini seçmektir. Buna göre soruya ait doğrusal programlama modelinin amaç fonksiyonu
hangisidir?
a) Z † = 275X + 300X
2) SUHA işletmesi Š ve ˆ markalarında iki tip buzdolabı üretmektedir. Her bir Š marka
buzdolabının üretimi için a entegre ve Z dijital ekran ve ˆ marka buzdolabı için de Y entegre
ve b dijital ekran kullanılmaktadır. Kullanılabilir entegre miktarı 1200 adet ve dijital ekran ise
800 adettir. Üretilecek olan her bir Š buzdolabının net karı 500 TL ve her bir ˆ buzdolabının
net karı 300 TL’dir. Buna göre kar maksimizasyonu problemine ilişkin doğrusal programlama
modeli aşağıdakilerden hangisidir?
5X + 2X ≤ 1200 5X + 3X ≤ 1200
3X + 4X ≤ 800 2X + 4X ≤ 800
X ; X ≥ 0 X ; X ≥ 0
5X + 3X ≤ 1200 5X + 3X ≤ 1200
2X + 4X ≤ 800 2X + 4X ≤ 800
X ; X ≥ 0 X ; X ≥ 0
74
e ) Z † = 1200X + 800X
5X + 3X ≤ 600
2X + 4X ≤ 400
X ; X ≥ 0
a) ! ≤ 0 olduğunda
b) ! ≥ 0 olduğunda
c) ! − ! ≤ 0 olduğunda
d) ! − ! ≥ 0 olduğunda
e) ! − ! = 0 olduğunda
4) Küçük eşittir ( )! ! ≤ .) ) biçiminde verilen bir kısıtı eşitlik durumuna getirmek için
eklenen değişkene ne ad verilir?
a) Artık değişken
b) Aylak değişken
c) Yapay değişken
d) Eşitlik değişkeni
e) Sanal Değişken
a) Yapay değişken
b) Aylak değişken
c) Artık değişken
d) Eşitlik değişkeni
e) Sanal Değişken
75
6) Eşitlik biçiminde ( )! ! = .) ) verilen bir kısıtı kanonik formdan standart forma
geçirirken simpleks algoritmasını yürütebilmek amacı ile +1 katsayılı bir değişken eklenir. Bu
değişkenin adı nedir?
a) Yapay değişken
b) Aylak değişken
c) Artık değişken
d) Eşitlik değişkeni
e) Sanal Değişken
76
c) ! − ! satırında bulunan pozitif değerlerden en küçük değerin bulunduğu sütundaki
değişken seçilir
‡X + Y‡Y + X. ‰X + \. ‰Y = b\
‡X , ‡Y , ‰X , ‰Y ≥ \
a) ( , ) b) ( , ] ) c) ( , ] ) d) ( , ] ) e) (] , ] )
Cevaplar
1) c, 2) a, 3) c, 4) b, 5) c, 6) a, 7) e, 8) c, 9) a, 10) e
77
4. SİMPLEKS YÖNTEM (MİNİMİZASYON PROBLEMİ)
78
Bu Bölümde Neler Öğreneceğiz?
79
Bölüm Hakkında İlgi Oluşturan Sorular
80
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
81
Anahtar Kavramlar
• Simpleks Yöntem
• Minimizasyon Problemi
82
Giriş
Doğrusal Programlama modelinde bulunan kısıtlar “≤” yerine “≥” olduğunda, standart
formata geçirildiğinde, kısıtlara eklenecek değişkenlerin katsayıları “−1” olur ve eşitliklerin
sağ tarafının pozitif olması şartı sebebiyle temel değişkenlerin seçiminde eklenen değişkenler
kullanılamaz. Bu durumda bu problemin Simpleks Yöntemle çözümü, sisteme yeni yapay
⋯ H .
Š=’ ⋮ ⋱ ⋮ • ,W=’ ⋮ • , =’ ⋮ •
% ⋯ % H .%
Minimizasyon problemine ait bir matematiksel model örneği aşağıdaki gibi olur.
(MEYPA Örneği)
#$ =7 +9
5 + 10 ≤ 1000
≥ 50
≥ 50
, ≥0
83
4.1.Minimizasyon Probleminin Simpleks Yöntemle Çözümü
çözümde sistemin bu değişkenleri 0 yapması sağlanır. Aşağıdaki örnek üzerinde bütün adımlar
fonksiyonuna “e” olarak göstereceğimiz çok büyük bir katsayı ile eklenir ve optimum
anlatılacaktır.
] gibi bir aylak değişken (slack variable) eklenir. Bu eklenen değişken verilen kısıt için
“≤” biçiminde verilmiş ise; model standart forma geçirilirken, verilen kısıtın sol tarafına
Örnek:
Kanonik biçimde verilmiş olan doğrusal programlama modelinin herhangi bir kısıtı
aşağıdaki gibi “≤” biçiminde verilmiş ise; bu kısıtı eşitlik halinde yazabilmek için (standart
formda yazma) verilen kısıta bir aylak değişken (] ) eklenir.
] , ] , ]L … gibi bir aylak değişken çıkarılır, h , h , hL … gibi bir yapay değişken eklenir. Bu
“≥” biçiminde verilmiş ise; model standart forma geçirilirken, verilen kısıtın sol tarafına
eklenen değişkenin birincisi büyük olan kısmı azaltıp eşitlik haline getirmek için, ikinci eklenen
yapay değişken ise Simpleks altyapısı algoritmayı yürütebilmek içindir.
Örnek:
Kanonik biçimde verilmiş olan doğrusal programlama modelinin herhangi bir kısıtı
formda yazma) verilen kısıttan (] , ] , ]L … ) gibi bir artık değişken çıkarılarak eşitlik haline
aşağıdaki gibi “≥” biçiminde verilmiş ise; bu kısıtı eşitlik halinde yazabilmek için (standart
getirilmiş olur. Ancak eklenen değişkenin katsayısı −1 olduğundan (Simpleks yöntem gereği
eklenen değişkenlerin +1 katsayılı olması gereğinden) ikinci bir değişken daha eklenir. Bu da
üretimde anlamı olmayan yapay bir değişkendir. (h )
84
3 +4 ≥ 12 (Kanonik form)
3 +4 − ] + h = 12 (Standart form)
] : Artık değişken, eşitliği sağlamak amacı ile çıkarıldı, yani (−1) katsayı ile standart
forma getirildi. h değişkeni ise yapay bir değişken olarak eklendi.
h , h , hL … gibi bir yapay değişken eklenir. Bu değişken Simpleks yöntem gereği eklenen
“=” biçiminde verilmiş ise; model standart forma geçirilirken, verilen kısıtın sol tarafına
Örnek:
Kanonik biçimde verilmiş olan doğrusal programlama modelinin herhangi bir kısıtı
(Simpleks yöntem gereği eklenen değişkenlerin +1 katsayılı olması gereğinden) bir değişken
aşağıdaki gibi “=” biçiminde verilmiş ise; bu kısıtı doğrudan eşitlik olduğu için sadece
5 +2 = 15 (Kanonik form)
5 +2 + h = 15 (Standart form)
Örnek:
min =2 +
3 + =3
4 +3 ≥6
+ ≤4
, ≥0
Çözüm:
Amaç Fonksiyonu,
min =2 +
Kısıtlar:
85
3 + = 3 (“=” kısıtı olduğu için h yapay değişkeni eklenir.)
, ≥0
Kanonik formda verilmiş olan problem ilk olarak standart formda (eşitlik kısıtları)
dönüştürme sırasında verilen kısıt a#ƒ X# ≤ bƒ biçiminde ise, yani eşitsizlik ≤ ise, bu durumda
yazılır. Eşitlik haline getirebilmek için önceki bölümde de anlatıldığı gibi yapılır. Bu
sol taraf daha küçük veya en fazla eşit olduğu için f g gibi bir değişken eklenir. Eğer verilen
kısıt a#ƒ # ≥ .ƒ biçiminde bir eşitsizlik ise bu defa eşitliği sağlamak amacı ile sol taraftan bir
s$g gibi bir değişken çıkarılır. +1 katsayılı değişken bulunmayacağından, eşitlik halinde
verilmiş olan denklemlere de h g yapay değişkeni eklenir. Eklenen değişkenin üretimde bir
anlamı yoktur. O nedenle optimum çözümde, bu eklenen yapay değişkenlerin temel değişken
olan e ile çarpılarak amaç fonksiyonuna konur. Bu sayede, amaç fonksiyonu h değişkenlerinin
listesinden çıkmış olması gerekir. Bunu yapabilmek için düşünülebilen en büyük pozitif bir sayı
sıfır olmaması durumunda çok büyüyecektir. Ancak Simpleks Yöntem algoritması, problemin
katsayıları ile çarpılarak amaç fonksiyonuna konur.) Problem standart forma getirildiğinde
aşağıdaki gibi olur.
min =2 + − 0. ] + 0. ] + e. h + e. h
3 + +h =3
4 +3 −] +h =6
+ +] =4
, ,h ,] ,h ,] ≥ 0
86
Şekil 17 Başlangıç Simpleks Tablo
˜€ e e
˜ˆ
2 1 0 0
Çö›ü• ‡X ‡Y ‰X ‰Y žX žY
Temel
Oran
e žX 3 3 1 0 0 1 0 3/3 ←
e žY 6 4 3 -1 0 0 1 6/4
0 ‰Y 4 1 1 0 1 0 0 4/1
! 9e 7e 4e −e 0 e e
! − ! 7e − 2 4e − 1 −e 0 0 0
Temelde bulunan h , yerine yazılır. Anahtar satır anahtar sayı olan 3’e bölünür.
İkinci satır yazılır. Anahtar sayının bulunduğu hücre yeni oluşturulan tabloda 1 olur. Anahtar
sayının altında ve üstünde kalan 1 ve 3 sayılarını, birim matrise benzetme adına sıfır yapmak
amacı ile elemanter satır işlemleri uygulanır. Simpleks Yöntem adımları uygulandığında,
elemanter satır işlemleri sonucunda ikinci Simpleks tablo aşağıdaki gibi olur.
87
Şekil 18 İkinci Simpleks Tablo
˜€ e e
˜ˆ
2 1 0 0
Çözüm ‡X ‡Y ‰X ‰Y žX žY
Temel
Oran
2 ‡X 1 1 1/3 0 0 1/3 0 3
4e
5e −
2e + 2 + 2/3 −e 3 e e
3
!
+ 2/3
2 0
7e
5e −
− 0 − 1/3 −e 3
3
! !
+ 2/3
0 0 0
Dikkat edilmesi gereken bir diğer olay da problemin en küçükleme problemi olduğudur.
Bu durumda anahtar sütun seçimi yapılırken, pozitifler arasında en büyük sayının bulunduğu
Benzer adımlar ikinci tablo sonrasında da yapılırsa, bir sonraki tabloda optimum
çözüme ulaştığı görülür. Bu şekilde M metodunu kullanarak problem çözülmüş olur.
˜€ e e
˜ˆ
2 1 0 0
Çö›ü• ‡X ‡Y ‰X ‰Y žX žY
Temel
88
Optimum Simpleks Tablodan, Çözüm değerleri okunur.
Temel Değişkenler,
= 0,6
= 1,2
] = 2,2
] =0
h =0
h =0
min = 2,4
89
Uygulamalar
Z #$ = 30 + 18
2 +2 ≥3
3 + ≥2
≥ 0 ; ≥0
Z #$ = 30. + 18. + 0. ] + 0. ] + e. h + e. h
2 +2 − 1. ] + 0. ] + 1. h + 0. h = 3
3 + + 0. ] − 1. ] + 0. h + 1. h = 2
, , ] , ] , h , h ≥ 0
C … 30 18 0 0 e e
C•
h h
Temel
Değişken Çözüm X X S S Oran
e h 3 2 2 -1 0 1 0 3/2
e h 2 3 1 0 -1 0 1 2/3 ←
Z ƒ 5e 5e 3e −e −e e e
Zƒ − Cƒ 5e − 30 3e − 18 −e −e e e
C … 30 18 e e
C•
Temel 0 0
h h
Değişken
Çözüm X X S S
e h 5/3 0 4/3 -1 -2/3 1 -2/3 ←
18 X 2/3 1 1/3 0 -1/3 0 1/3
Z ƒ 5/3e + 12 18 4e/3 + 6 −e −e e e
4e/3 −2M/3 0 0
Zƒ − Cƒ 0 −e
− 12 −6
90
Optimum simpleks tablo
C … 30 18 0 0 e e
C•
Temel
h h
Değişken
Çözüm X X S S Oran
e h 3 2 2 -1 0 1 0 3/2
e h 2 3 1 0 -1 0 1 2/3 ←
Z ƒ 5e 5e 3e −e −e e e
Zƒ − Cƒ 5e − 30 3e − 18 −e −e e e
Çözüm:
a) =2 − fonksiyonunu
+ ≤8
5 +3 ≥ 30
, ≥0
Çözüm:
+ +] =8
5 +3 − ] + h = 30
min =2 − + 0. ] + 0. ] + e. h
91
Eklenen değişkenlerle birlikte negatif olmama koşulu:
, ,] ,] ,h ≥ 0
C … 2 −1 0 0 e
C•
Temel
h
Değişken
Çözüm X X S S Oran
0 ] 8 1 1 1 0 0 8/1
e h 30 5 3 0 -1 1 30/5 ←
Z ƒ 30e 5e 3e 0 −e e
Zƒ − Cƒ 5e − 2 3e + 1 0 −e 0
↑
Anahtar satır Oran sütununda (30/5)’in bulunduğu satır.
Anahtar sütun Zƒ − Cƒ satırında en büyük pozitif sayının bulunduğu sütun anahtar sütundur.
(5e − 2)
Anahtar eleman ise, anahtar sütun ile anahtar satırın kesişimindeki eleman (5) değerinin
bulunduğu hücre.
92
Uygulama Soruları
Soru:
=3 +2 fonksiyonunu
3 + = 12
4 +3 ≥ 30
, ≥0
Çözüm:
yapay değişken eklenir. İkinci kısıt büyük eşit (≥) olduğundan bir artık değişken çıkarılır ve
Önce kısıtları eşitlik durumuna getirelim: İlk kısıt zaten eşitlik olduğu için sadece
3 + + h = 12
4 +3 − ] + h = 30
min =3 +2 + e. h + 0. ] + e. h
, ,] ,h ,h ≥ 0
C … 3 2 e 0 e
C•
Temel
h
Değişken
Çözüm X X u S Oran
e h 12 3 1 1 0 0 12/3 ←
e h 30 4 3 0 -1 1 30/4
Z ƒ 42e 7e 4e e −e e
Zƒ − Cƒ 7e − 3 4e − 2 0 −e 0
93
Anahtar satır; Oran sütununda (12/3)’in bulunduğu satır. Negatif olmayan oranların
en küçüğünün bulunduğu satır (sıfır var ise o satır veya pozitiflerin arasından en küçük
sayının olduğu satır).
(7e − 3)
Anahtar eleman ise, anahtar sütun ile anahtar satırın kesişimindeki eleman (3)
değerinin bulunduğu hücredir.
94
Bu Bölümde Ne Öğrendik Özeti
95
Bölüm Soruları
96
(3-8. Soruları aşağıda standart formda verilen doğrusal programlama problemi ve bu
probleme ait Optimal Simpleks Tablo kullanılarak çözülecektir.)
‡X , ‡Y , ‰X , ‰Y , žX ≥ \
˜ˆ Temel Çözüm ‡X ‡Y ‰X ‰Y žX
⊠ ‰X 24 2 0 1 4/3 −b/Z
c€ = c• • Š
c€ −˜€ 0 0 0 −a a−§
a) = 24 , h = 162
b) = 24 , = 18
c) ] = 240 , ] = −162
d) ] = 240 , h = 162
e) = 20 , ] = 162
97
katsayılar ⊠, ⨂ ve △ sırasıyla aşağıdaki şıklardan hangisinde doğru verilmektedir.
4) Verilen problemin amaç fonksiyonunda artık ve yapay değişkenlerin alması gereken
a) 0, 0 ve −e
b) 0, 0 ve e
c) −1, −1 ve e
d) 1, 1 ve e
e) e, −e ve e
6) Optimal tabloya göre, probleme ait çözüm takımı aşağıdaki şıklardan hangisinde
doğru olarak verilmektedir.
a) = 24 , = 45
b) = 24 , = 18
c) =0, = 24
d) =0, = 18
e) = 18 , = 18
98
8) Verilen primal probleme ait dual modelin çözüm değerleri (gölge fiyatlar) aşağıdaki
şıklardan hangisinde doğru olarak verilmektedir.
a) ^ = 0 ve ^ = −5
b) ^ = 10 ve ^ = 5
c) ^ = 24 ve ^ = 18
d) ^ = 0 ve ^ = 5
e) ^ = 5 ve ^ = 0
a) Tam kullanılmıştır.
10) Aşağıda verilen doğrusal programlama modelinin dual probleminde kaç kısıt
bulunmaktadır?
Y‡X + Z‡Y + ‡Z ≤ b\
‡X , ‡Y , ‡Z ≥ \
a) −1 b) 0 c) 1 d) 2 e) 3
Cevaplar
1) b, 2) c, 3) d, 4) b, 5) b, 6) d, 7) a, 8) d, 9) c, 10) e
99
5. DUALİTE VE DUYARLILIK ANALİZİ
100
Bu Bölümde Neler Öğreneceğiz?
101
Bölüm Hakkında İlgi Oluşturan Sorular
102
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
Gölge Fiyatları
Gölge Fiyat Okuyarak, Fikir yürüterek
değerlendirebilmek
Amaç fonksiyonu
Amaç Fonksiyonu Okuyarak, Tekrar yaparak,
katsayılarının duyarlılığını
katsayılarının değişimi Örnek soru çözerek
inceleyebilmek
103
Anahtar Kavramlar
• Gölge Fiyat
104
Giriş
En az iki temel kavramın yer aldığı bir önermede bu iki kavramın yerleri
değiştirildiğinde doğru olan yeni bir önermenin elde edilmesidir. Sayısal yöntemlerde çeşitli
amaçlarla kullanılır.
Dualite felsefede sıkça kullanılan bir ifadedir. Latince kökenli bir kelimedir. “Duo”
ikilik demekken, “lite” zıtlık anlamını taşır. Kelime olarak iki kavramın zıtlığını ifade ediyor
gibi görünse de aslında anlatılmak istenen zıt olan kavramların birbirlerini tamamlayıcılığı ve
bütünlüğüdür.
105
5.1. Dualite (İkilik veya İkincil Problem)
Bir problemin dualinin alınması için kanonik formda olması gerekmektedir. Eğer
kanonik formda değilse bu hale (model kanonik forma) dönüştürülür. Problem maksimizasyon
amaçlıysa eşitsizliklerin yönü “≤” şeklinde, problem minimizasyon amaçlıysa eşitsizliklerin
yönü “≥” şeklinde olması beklenir. Problemin kısıtlarının eşitsizliklerle ifade edilmiş olması
onun kanonik formda olduğunu gösterir.
Problemin optimal çözümü hem primal hem de dual modelde aynı değeri vermektedir.
Eğer primal modelde çözüm sınırsız olursa, dual modelde problemin uygun çözümü yoktur.
Bunun tersi de doğrudur.
modelde tane kısıt 4 tane karar değişkeni varsa, problemin dual modelinde 4 tane kısıt
modeldeki karar değişkenleri de dual modelde kısıtlayıcı haline dönüşmektedirler. Primal
5. Primal modeldeki amaç fonksiyonunun katsayı değerleri dual modelde sağ taraf
sabitleri değerlerine dönüşürken, sağ taraf sabitleri değerleri de amaç fonksiyonunun katsayı
değerleri haline dönüşmektedir.
106
6. Primal modeldeki kısıtlayıcıların katsayı matrislerinin transpozesi dual modeldeki
kısıtlayıcıların katsayı değerlerini oluşturmaktadır.
Örnek:
Aşağıda bir doğrusal programlama probleminin hem primali hem de duali verilmektedir.
X. + Y. ≤ ZY (^ ) X. ^ + Z. ^ ≥ a\
Z. + b. ≤ db (^ ) Y. ^ + b. ≥ d\
, ≥0 ^ ,^ ≥ 0
Örnek:
Primal Model:
maks = 60 + 30 + 20 L
8 +6 + L ≤ 48
4 +2 +3 L ≤ 20
2 +3 + L ≤8
107
, , L ≥0
Çözüm:
Dual Model:
8^ + 4^ + 2^L ≥ 60
6^ + 2^ + 3^L ≥ 30
^ + 3^ + ^L ≥ 20
^ , ^ , ^L ≥ 0
Örnek:
Primal Model:
maks =5 +3 +4 L
3 +5 +2 L ≤ 120
8 +5 +4 L ≤ 160
, , L ≥0
Çözüm:
Dual Model:
3^ + 8^ ≥ 5
5^ + 5^ ≥ 3
2^ + 4^ ≥ 4
^ , ^ , ^L ≥ 0
• Primal modelin amaç fonksiyonu katsayıları dual modelde sağ taraf sabitleri
durumuna gelir.
108
• Örnek olarak, Primal modelde 3 değişken iki kısıt var ise, dual modelde iki
değişken 3 kısıt oluşur.
Amaç fonksiyonu:
Optimum = ! !
!"
Kısıtlar:
)! ! = .) / = 1,2,3, … ,
!"
109
Negatif olmama koşulu:
! ≥ 0 3 = 1,2,3, … , 4
şeklinde tanımlanır. Burada 4 adet değişkeni gösteren ! ’ler artık, aylak gerçek
değişkenlerde dahil tüm değişkenleri temsil etmektedir. Şimdi dual problemi oluşturmak
amacıyla primalin katsayılarını şematik olarak tabloya yazmamız gerekir.
Bu tablo aşağıdaki kurallara göre dualin primalden simetrik olarak elde edilebileceğini
gösterir:
=u … w ; Değişkenler
…
+=¬ … …
… … … -
…
; Teknolojik Matris
% % %
.
. = ¬ .… - ; Sağ taraf sabitleri
.%
bu katsayı değeri büyütülüp Zƒ − Cƒ satırındaki değeri sıfırdan küçük olacak değere gelirse, bu
değilse, bu değişkenin katsayısının yeterli büyüklükte olmamasından kaynaklanmaktadır. Eğer
110
Aşağıda verilen doğrusal programlama probleminin amaç fonksiyonu katsayılarındaki
değişimi inceleyelim.
Z = 5X + 4X
6 +4 ≤ 24 (Kısıt 1)
+2 ≤6 (Kısıt 2)
≥ 0 ; ≥0
doğrusunun eğimi -5/4’tür. Eğer X ’in katsayısı 5 yerine 6 olursa, amaç fonksiyonunun eğimi
-6/4 olur. Bu da amaç fonksiyonu doğrusunu dikleştirecektir. Aynı şekilde X ’in katsayısı 5
yerine 4 olması durumunda amaç fonksiyonu doğrusunun eğimi -4/4 olur. Verilen modeldeki
amaç fonksiyonu doğrusunun eğimi 1 ve 2 kısıt doğrularının eğimleri arasında kalmaktadır. Bu
nedenle optimal çözümde 1 ve 2 doğrularının kesişim noktasında gerçekleşmektedir.
≤ •c ≤
Eğer amaç fonksiyonundaki ikinci ürünün birim maliyeti olan 4 değiştirilmeden sabit
kaldığında, birinci ürüne ait birim kar olarak yazılırsa;
Z = X + 4X
Bu durumda amaç doğrusunun eğimi − /4 olur. Bu eğim (− /4), iki kısıta ilişkin
doğru eğimleri arasında kaldığı müddetçe iki doğrunun kesişim noktası optimal çözüm noktası
olur.
−1,5 ≤ − /4 ≤ −0,5
1,5 ≥ /4 ≥ 0,5
6≥ ≥2
değiştirilmediği sürece, birinci ürünün birim karı ; u2, 6w aralığında kaldığı sürece, optimal
Biçiminde ’in aralığı belirlenmiş olur. Bu şu demektir. Eğer ikinci ürünün birim karı
111
nokta iki doğrunun kesişim noktası olur. Benzer şekilde ikinci ürünün birim karındaki değişimi
inceleyelim.
Eğer amaç fonksiyonundaki birinci ürünün birim maliyeti olan 5 değiştirilmeden sabit
kaldığında, ikinci ürüne ait birim kar olarak yazılırsa;
Z = 5X + X
Bu durumda amaç doğrusunun eğimi −5/ olur. Bu eğim (−5/ ) iki kısıta ilişkin
doğru eğimleri arasında kaldığı müddetçe iki doğrunun kesişim noktası optimal çözüm noktası
olur.
10 ≥ ≥ 10/3
‡X =5 2 6 0
‡Y =4 10/3 10 0
Simpleks yöntemle problem çözüldüğünde, optimum çözüm tablosu aşağıdaki gibi olur.
˜€ 5 4 0 0
˜ˆ ‡ˆ
Temel
Değişken ‡X ‡Y ‰X ‰Y
Çözüm
5 ‡X 3 1 0 1/4 -1/2
c€ 21 5 4 3/4 1/2
c€ − ˜€ 0 0 3/4 1/2
112
5.4.Sağ Taraf Sabitlerindeki Değişim ve Gölge Fiyat
Örnek problemin iki kısıtı bulunmaktaydı. Birinci kısıta S , ikinci kısıta S gevşek
fonksiyonu optimal çözümünde kar 3/4 birim fazla olacaktı. Aynı şekilde ikinci kısıtta sağ
indeks satırında görülmektedir. Eğer 1. Kısıtın sağ taraf sabiti 24 yerine 25 olsaydı amaç
taraftaki 1 birimlik kapasite artışı 1/2 birimlik karda artış meydana getirir. Bu değerler gölge
fiyatı ya da fırsat maliyetidir.
Kısıt 1 24 12 36 ^ = 3/4
Kısıt 2 6 4 12 ^ = 1/2
Buradan da anlaşılıyor ki, optimum simpleks tablo indeks satırı bir çok bilgiyi içerisinde
barındırmaktadır. İndirgenmiş maliyet ve gölge fiyatlar optimal tablo ve ara tablolarda
izlenebilmektedir.
Örnek Çalışma:
113
%&'( =5 + + 10 L
+ L ≤ 100
≤1
, , L ≥0
Çözüm:
Temel C … 5 1 10 0 0
C
XX XY XZ SX SY
Değişken Çözüm
10 XZ 100 1 0 1 1 0
1 XY 1 0 1 0 0 1
Z … 1001 10 1 10 10 1
Z… − C… 5 0 0 10 1
Bir problemin duyarlılık analizi ile ilgili soru sorulacak olur ise, sonuçlar size problemle
ve sonuçlarla birlikte verilecektir. Bu tablonun nasıl okunacağını bilmeniz önemlidir.
Optimum Simpleks Tabloda ƒ − ƒ indeks satırında temel değişkeni altında yer alan
5 değeri indirgenmiş maliyet değerini göstermektedir. Yani değerinden 1 birimlik üretim
114
yapılması durumunda amaç fonksiyonunda meydana gelecek değişim 5 birim olacaktır. Şöyle
ki;
= 0, = 1 ve L = 100
Bu durumda;
Çözüme girmeyen değişken olan sütununda Ldeğişkeni karşısında yer alan 1 değeri,
’in çözüme girmesi durumunda L değişkeninde meydana gelecek azalmayı gösterir.
azalacaktır. Bu etkinin miktarı, yönü ve sınırları belirlenir. Çünkü gölge fiyatları .) değerlerine
gölge fiyatlar kadar olacaktır. Yani amaç fonksiyonunun değeri gölge fiyat kadar artacak ya da
bağlı olarak farklılık göstermektedir. Bunun için çözümde temel olmayan değişken olup
olmadığına bakılır. Eğer temel olmayan değişken çözümde yer alıyorsa, bulunduğu denklemde
o miktarda fazlalık olduğunu göstermektedir. Eğer değişim miktarı bu değerden az olursa
optimal çözümde değişiklik beklenmez.
Çözümde bulunan değer kadar yada daha fazla miktarda azalma olursa optimal çözümde
115
Gölge Fiyatın bulunması; (. sağ taraf sabitini gösterir).
c•°±² + − − +
c•³´ − + + −
• Sağ taraf Sabiti 1 birim artarsa, değeri gölge değer kadar artar.
• Sağ taraf Sabiti 1 birim azalırsa, değeri gölge değer kadar azalır.
• Sağ taraf Sabiti 1 birim azalırsa, değeri gölge değer kadar azalır.
• Sağ taraf Sabiti 1 birim artarsa, değeri gölge değer kadar artar.
Herhangi bir temel olmayan değişkenin indirgenmiş maliyeti (reduced cost), değişkenin
temel değişken olması (doğrusal programlama probleminin en iyi çözümüne girmesi) için amaç
fonksiyon katsayısında yapılacak iyileştirme miktarıdır. Eğer bir ' temel olmayan
değişkeninin amaç fonksiyon katsayısı indirgenmiş maliyet kadar iyileştirilirse, doğrusal
programlama probleminin bir tek en iyi çözümü olmaz. Alternatif çözümler vardır. ' , söz
konusu çözümlerden en az birinde temel değişken; en az birinde ise temel olmayan değişken
konumundadır. Aşağıda bir DP probleminin modeli ve probleme ait optimum tablo verilmiştir:
Örnek:
µf = 20 1 + 15 2 + 15 3
10 +3 + 10 L ≤ 100
5 + 5 + 5 L ≤ 60
1, 2 , 3 ≥0
116
İlgili problemin optimum tablosu:
! 20 15 15 0 0
s
] ]
Temel
s L
! − ! ≥0
1 = 64/7, 2 = 20/7, 3 =0
]1 = 0 , ]2 = 0
µf = 1580/7’dir.
117
Uygulamalar
Aşağıda primal dual ilişkileri verilmektedir. Tabloda primal dual ilişkisi ayrıntıları
verilmektedir.
Kısıtlar Değişkenler
≥ ≤0
≤ ≥0
= İşaretçe sınırsız
Değişkenler Kısıtlar
≥0 ≥
≤0 ≤
İşaretçe sınırsız =
118
Uygulama Soruları
Kısıtlar
x1 + 3x2 - x3 + x4 = 6,
x2 + x3 + x5 = 4,
3x1 + x2 + x6 = 7,
x1 , x 2 , x3 , x4 , x 5 , x6 ≥ 0
cj
x1 x2 x3 x4 x5 x6
-
0 x4 0 11/3 0 1 1 23/3
1/3
1 x3 0 1 1 0 1 0 4
c-z
-
0 -2/3 0 0 -1 Z = 47/3
5/3
119
120
Bu Bölümde Ne Öğrendik Özeti
121
Bölüm Soruları
1) Sağ taraf sabitlerinin bir birim arttırılmasıyla oluşan kardaki artışa ne denir?
a) Birim fiyat
b) Birim maliyet
c) Gölge fiyat
d) İndirgenmiş maliyet
d) Duyarlılık
8H + 6H ≤ 50
4H + 5H ≤ 40
H ,H ≥ 0
s Temel s ] ]
! − ! 0 0 -20,00 -40,00
122
2) ‡X değişkeninin amaç fonksiyonundaki katsayısı (˜X = 320) için değişim aralığı
aşağıdakilerden hangisidir?
a) 25,5 ≤ ≤ 42,5
b) 48 ≤ ≤ 80
c) ≤ 48
d) ≥ 80
e) ≤0
c) değeri değişmez.
a) Maksimizasyon problemi
c) Minimizasyon problemi
e) Dual problem primalden bağımsız olarak her zaman maksimizasyon problemi olur.
123
5) Aşağıda verilen primal maksimizasyon probleminin duali alınırsa kaç kısıt elde
edilir?
%&'( =4 + 10
5 +4 ≤ 200
+2 ≤ 50
+ ≤ 20
, ≥0
a) 0 b) 1 c) 2 d) 3 e) 4
%&'( =4 + 10
5 +4 ≤ 200
+2 ≤ 50
+ ≤ 20
, ≥0
a) maks =4 + 10
b) ©maks = 4^ + 10^
c) maks = 4^ + 10^
7) Bir doğrusal programlama probleminin optimal çözümünde bir kısıta ilişkin gölge
fiyatın 5 çıkması, o kısıtın 1 birim arttırılması durumunda karın ne kadar artacağını belirtir?
a) −5 b) −1 c) 0 d) 5 e) 10
124
8) Bir doğrusal programlama primal maksimizasyon probleminin duali alındığında
kısıtlar hangi tür eşitsizliğe sahip olur?
a) Küçüktür ( < )
b) Küçük eşit ( ≤ )
c) Büyüktür ( > )
d) Büyük eşit ( ≥ )
e) Eşittir ( = )
a) Eşittir ( = )
b) Küçüktür ( < )
c) Küçük eşit ( ≤ )
d) Büyüktür ( > )
d) Büyük eşit ( ≥ )
10) Aşağıda verilen primal doğrusal programlama probleminin duali hangi şıkta doğru
yazılmıştır?
¸•°¹ = Yº X + Zº Y
º X + Yº Y ≤ a
Zº X + bº Y ≤ d
º X ; º Y ≥ \
a) Z † = 2X + 3X b) G #$ = 2X + 3X
X + 2X ≤ 5 X + 2X ≤ 5
3X + 4X ≤ 8 3X + 4X ≤ 8
X ; X ≥ 0 X ; X ≥ 0
125
c ) G #$ = 5X + 8X d ) G #$ = 5X + 8X
Y + 2Y ≥ 2 Y + 3Y ≥ 2
3Y + 4Y ≥ 3 2Y + 4Y ≥ 3
Y ; Y ≥ 0 Y ; Y ≥ 0
e ) G #$ = 5X + 8X
Y + 2Y ≥ 2
3Y + 4Y ≥ 3
Y ; Y ≤ 0
Cevaplar
1) c, 2) b, 3) d, 4) c 5) c, 6) e, 7) d, 8) d, 9) c, 10) d
126
6. TAMSAYILI PROGRAMALAMA
127
Bu Bölümde Neler Öğreneceğiz?
128
Bölüm Hakkında İlgi Oluşturan Sorular
129
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
Kesikli değişkenlerin
kullanıldığı karar Okuyarak, deneme ve
Tamsayılı programlama
problemlerinin uygulama yaparak
modellenmesi
130
Anahtar Kavramlar
• Programlama
• Atama problemi
131
Giriş
Karar değişkenlerinin tümü ya da bir kısmı tamsayılı değerler almalıdır. Örneğin; 7.67
personel istihdam edilmesi, 3.4 banka şubesinin kurulması bir anlam ifade etmez. Kesirli
değerler alan bu sayıları bir alt sayıya yuvarlamak da optimal çözüm olmayabilir ve hatta uygun
çözüm bölgesinde yer almayabilir. İşletmecilikte bazı karar problemleri “evet-hayır”, “0-
1”,“doğru-yanlış”,”satınalma-üretme” gibi önermeleri içeren ikili değişken yapıda olabilir.
Örnek:
Max = 6H + 5H + 2HL
Kısıtlayıcılar
10H + 4H + HL ≤ 600
2H + 5H + 2HL ≤ 800
H , H , HL ≥ 0 ve H tamsayı
Max = 6H + 5H + 2HL
132
Kısıtlayıcılar
10H + 4H + HL ≤ 600
2H + 5H + 2HL ≤ 800
H , H , HL ≥ 0 ve H , H , HL tamsayı
0 ve 1 ile kısıtlanan karar değişkenleri ile gösterilir. Böylece, 3’inci evet veya hayır kararı 3 ile
yapmalı mıyız? Fabrikayı bir alanda mı kurmalıyız? Gibi sadece iki seçenekli kararlar, değerleri
Max = 6H + 5H + 2HL
Kısıtlar,
10H + 4H + HL ≤ 600
2H + 5H + 2HL ≤ 800
H , H , HL = 0 veya 1
H = 1 , H = 1 , HL = 1 ve Max = 13’tür.
133
Bir tamsayılı programlama probleminin doğrusal programlama gevşetmesi kavramı,
tamsayılı programlama çözümünde önemli bir rol oynar. Bu nedenle, doğrusal programlama
gevşetmesinin tanımının yapılması gerekli olmaktadır.
Değişkenler üzerinde tüm tamsayı veya 0 − 1 kısıtlarının atılarak, elde edilen doğrusal
programlama problemine, tamsayılı programlamanın doğrusal programlama gevşetmesi
(relaxation) adı verilir.
Max = 6H + 5H + 2HL
Kısıtlar,
10H + 4H + HL ≤ 600
2H + 5H + 2HL ≤ 800
H , H , HL ≥ 0
134
%&'( =5 +4
Kısıtlar;
10 +3 ≤ 30
+3 ≤9
, ≥ 0 ve tamsayı
3) Sıfır-Bir Tamsayılı Programlama: Karar değişkenleri 0 veya 1 gibi sadece iki değer
alabilir.
%&'( = 10 + 25
Kısıtlar;
+ ≤ 20
, ≥ 0 ve tamsayı
%&'( = 10 + 25
Kısıtlar;
+ ≤ 20
, ≥ 0 ve sadece tamsayı
135
Tamsayılı Programlama – Sıfır_Bir Tamsayılı Programlama Formülasyonu
%&'( = 10 + 25
Kısıtlar;
+ ≤ 20
, = 0 veya 1
Bir kargo uçağı 20.000 kg’lık taşıma kapasitesini haizdir. Her uçuşta aşağıda sunulan
kar düzeyine göre farklı ağırlıklar söz konusudur.
1 1000 100
2 4000 250
3 3000 400
4 2000 600
Her uçuş için kapasiteyi geçmeyecek şekilde toplam karı maksimize eden bir
formülasyon yapınız.
Çözüm:
Amaç Fonksiyonu;
Kısıtlar;
136
6.2.Tamsayılı Programlama ile İlgili Problemler
Süha imalat şirketi, yeni fabrikasının Adana’daki Organize Sanayi Bölgesinde (AOSB)
veya Kayseri Organize Sanayi Bölgesinde (KOSB) kurmayı düşünmektedir. Aynı zamanda
yeni kurulacak fabrikanın yanında en fazla bir depo inşa etmek zorundadır.
Her karar seçeneğinin net bugünkü değeri yani pazarın zaman içindeki değerini ele alan
toplam karlılığı ile yatırımların getirdiği sermaye miktarı aşağıdaki tabloda verilmiştir. Ayrıca
Süha şirketinin bu fabrikaya ayırabildiği sermaye miktarı da 21000000 TL’dir.
H
Fabrikayı
AOSB’de mi
1 20 15
kuralım
H
Fabrikayı
KOSB’da mı
2 14 8
kuralım
HL
Depoyu
AOSB’de mi
3 12 7
kuralım
H|
Depoyu
KOSB’da mı
4 8 4
kuralım
Şirketin amacı, toplam net bugünkü değerini en çoklamak için fabrikanın ve deponun
nerede kurulacağının belirlenmesidir.
137
1 ; Karar 3 evet ise
H! = ¾ 3 = 1, 2, 3, 4
0 ; Karar 3 hayır ise
Yani; HL + H| ≤ 1
depoya ilişkin karar koşullu karardır. Böylece, H = 0 olduğunda HL = 0 olur. Benzer şekilde,
Aynı zamanda, deponun inşaatı fabrikanın kuruduğu bölgede olması istendiğinden,
HL ≤ H ve H| ≤ H veya HL − H ≤ 0 ve H| − H ≤ 0
Kısıtlayıcılar
HL + H| ≤ 1
−H + HL ≤ 0
−H + H| ≤ 0
H! ≥ 0
H! ≤ 1
H! tamsayı
H! = 0 veya 1 (3 = 1, 2, 3, 4)
Bu örnek problem, temel kararın evet veya hayır olan çoğu gerçek hayattaki
uygulamalardan birisini göstermektedir. Çoğu kez, evet veya hayır türündeki kararlar, önceki
kararlara bağlı olup yani koşullu kararlardır. Örneğin, bir karar diğer karara koşullandırıldı ise
programı veya ABQM paket programı ile elde edilen çözümü ise H = 0, H = 1, HL = 0, H| =
diğeri evet ise onunda sadece evet olmasına izin verilir. Bu örnek problemin WINQSB paket
138
6.3.1. Küme Örtme Problemi
Küme örtme, verilen herhangi bir kümenin her üyesinin, diğer bir kümenin kabul
edilebilir bir üyesince örtülmesi (kapsanması) problemidir. Amaç, kapsanan kümenin,
kapsayan kümenin olabildiğince az elemanıyla örtülmesidir.
Örneğin, bir havayolu işletmesinde, hafta sonuna çizelgelenen uçuşlara, kabin amiri
atanması problemini düşünelim. Tüm uçuşlara mutlaka en az bir kabin amiri atanması
gerekmektedir. Öte yandan, mümkünse tüm kabin amirlerine hafta sonu uçuşu atamadan
uçuşların kapsanması tercih edilmektedir. Bu durumda problem, tüm uçuşların en az sayıda
kabin amiri görevlendirerek çizelgelenmesi şeklinde bir küme örtme problemidir.
Bulunduğu noktadan başlayarak, belirli sayıda noktaya birer defa uğrayan, sonunda
başladığı noktaya dönen ve bu güzergâh boyunca kat ettiği toplam mesafeyi en küçüklemek
isteyen bir gezginin uğrayacağı noktaların sırasının belirlenmesi problemi gezgin satıcı
problemi olarak tanımlanır. Problemin basit anlamda kısıtları; her noktaya sadece bir noktadan
gelinebileceği, gelinen her noktadan ise sadece tek bir başka noktaya geçilebileceği şeklindedir.
Ayrıca bir yere, gidilen yerden tekrar gelinmesini önleyici kısıta da ihtiyaç vardır.
En kısa yol problemi, bir noktadan diğerine gidebilmek için izlenmesi gereken en kısa
yolun belirlenmesi problemidir. Bir noktadan diğerine geçilebilecek alternatif noktalar
bulunduğunda, başlangıç noktasından bitiş noktasına farklı güzergâhlar oluşabilir. Toplamda
kat edilen mesafeyi en küçüklemek istenebilir. Bu problemde de gezgin satıcı probleminde
olduğu gibi karar değişkeni bir i noktasından bir j noktasına geçilip geçilmeyeceği kararına
dönüktür. En kısa yol problemi de, lojistik faaliyetlerinin planlanmasında önemli rol
oynayabilir. Bazen de problem fiziki anlamda iki nokta arasındaki en kısa yolu bulmaya dönük
olmamakla birlikte, çeşitli problemler en kısa yol problemine benzetilebilir. Örneğin bir
işletmenin makinalarını, en küçük toplam maliyetle yenileyebilmesi için, zaman içerisindeki
yenileme ve bakım planını oluşturma problemi bir en kısa yol problemine benzetilebilir.
Birim kapasite kullanım miktarları ve seçilmeleri hâlinde ortaya çıkacak birim katkıları
bilinen belirli sayıda nesneden hangilerinin, eldeki kapasiteyi aşmadan ve toplam katkıyı en
büyükleyecek şekilde, seçilmeleri gerektiğine dönük problemler, sırt çantası problemleri olarak
bilinirler. Bir çantaya, çanta kapasitesini aşmadan, en çok getiriyi sağlayacak şekilde, satışa
sunulabilecek ürünlerden, ağırlıklarını ve birim kârlarını da düşünerek, hangilerinin
konulmasının en iyi karar olacağı benzetmesi sebebiyle sırt çantası problemi olarak
139
adlandırılmaktadır. Farklı problemler de sırt çantası problemine benzetilebilmektedir. Örneğin,
bir işletmenin, ilgilendiği belirli sayıda yatırım aracı olsun. Her bir yatırımın birim getirisi
ayrıca yatırım maliyeti bilinmektedir. Yatırıma ayrılabilecek belirli bir sermaye söz konusu
iken, toplam yatırım harcamasının sermayeyi aşmamasına dikkat ederek, gerçekleştirilecek
yatırımlara ve miktarlarına karar vermek bir sırt çantası problemi olarak tanımlanabilir.
Problemin, birden fazla kapasite kısıtının yer aldığı, çok boyutlu sırt çantası türleri de
bulunmaktadır.
Örnek:
BAHA Tekstil Şirketi, boyahane, ev tekstili, dikim atölyesi, cep astarı dikim atölyesi
olmak üzere dört yatırımı düşünmektedir. Bu yatırımların gerektirdiği şu andaki nakit
miktarları, yatırımların getirisinin net bugünkü değeri ile şirketin elindeki yatırımlara ayıracağı
kaynak miktarı bilgileri aşağıdaki tabloda verilmiştir.
Baha Tekstil Şirketinin amacı, net bugünkü değerini en fazla kılan yatırımı seçmektir.
Çözüm:
seçeneklerine ilişkin karar evet veya hayır türündedir. O nedenle, değişkenleri 0 veya 1
Şirketin dört yatırım seçeneği ve dolayısıyla da dört karar değişkeni vardır. Yatırım
1 ; Yatırım 3 seçilirse,
H! = ¾ 3 = 1, 2, 3, 4
0 ; Yatırım 3 seçilmezse,
140
e µf = 18500H + 10200H + 18000HL + 16000H|
Kısıtlayıcılar;
H! = 0 veya 1
H = 0, H = 1, H = 1, H| = 1 ve e µf = 44.200.000 TL’dir.
Lineer ve non-lineer karar modellerinin çözümleri için farklı yaklaşımlar vardır. Fakat
lineer karar problemlerinin, tüm kısıtlarını sağlayan noktaların bulunduğu uygun çözüm
alanının dışbükey bir küme olması ve bu küme içerisinde en iyi çözümün de bir uç noktada
olması, bu tip modellerin çözümlerinin non-lineer modellere göre daha kolay bulunabilmesini
sağlamaktadır.
Non-lineer karar problemlerinin çözümü için ise, genel bir çözüm yöntemi
bulunmamakta, bunun yerine, farklı problemler için farklı çözüm yaklaşımları
kullanılmaktadır.
141
6.4.2. Sayımlama Yöntemi
Sayımlama yöntemi ile olası tüm çözüm seçeneklerinin türetilmesi, içlerinden, varsa,
uygun çözüm olanlarının belirlenmesi ve daha sonra amaç fonksiyonu değerini en iyileyen
çözümün seçilmesi işlemi yapılmaktadır.
Bu yöntem özellikle, problemde yer alan değişkenlerin 0-1 tamsayılı olduğu durumda
kullanılmaktadır ancak işlem yükü sebebiyle çok pratik bulunmamaktadır. Uygun çözüm
olmadığı hâlde, pek çok noktanın türetilmesi gerekmektedir. Çok sayıda değişkenin olduğu
durumlarda oldukça yoğun bir iş yükü getireceğinden, kesin çözümü vermekle birlikte, önerilen
bir yöntem değildir.
Temel olarak dal ve sınır algoritması, bütün olası uygun çözümleri analiz eden çok etkili
bir sayımlama metodudur. Dal ve sınır algoritmasının temel özellikleri aşağıdaki örnekte
açıklanmaktadır.
%&'( = 8H + 5H
Kısıtlar;
H +H ≤6
9H + 5H ≤ 45
H , H ≥ 0 ve tamsayı
142
Burada verilen tümü tamsayılı doğrusal programlama problemini çözmek için izlenecek
ilk adım, bütün değişkenler için tamsayı olma koşulunu gözardı ederek, problemi doğrusal
programlama teknikleri ile çözmektir. Modelde sadece iki karar değişkeni olduğu için grafik
çözüm kullanılabilir. Gevşetilmiş tamsayılı programlama modelinin grafik çözümü Şekil 6.2’de
verilmiştir.
Noktalar H H
A 0 0 0
B 0 6 30
D 5 0 40
Görüldüğü gibi optimal çözüm noktası, yani H = 15/4 ve H = 9/4 olup, amaç
fonksiyonunun optimal değeri (ÃÄ) = 165/4'tür. Tamsayı olma koşulu gözardı edilerek,
bulunan gevşetilmiş tamsayılı programlama probleminin optimal amaç fonksiyonu değeri,
tümü tamsayılı programlama probleminin amaç fonksiyonu için üst sınır oluşturur. Diğer bir
deyişle;
(ÃÄ) = 165/4
Dal ve sınır algoritmasına başlamadan önce tam sayımlama metodu ile olabilecek bütün
] = {(0, 0), (0, 1), (0, 2), (0, 3), (0, 4), (0, 5), (0, 6), (1, 0), (1, 1), (1, 2), (1, 3),
(1, 4), (1, 5), (2, 0), (2, 1), (2, 2), (2, 3), (2, 4), (3, 0), (3, 1), (3, 2), (3, 3), (4, 0), (4, 1), (5, 0)}
e µf (ÃÄ) ≥ e µf (zÄ)
143
Dal ve sınır metodu ile çözümün ilk adımı gevşetilmiş tamsayılı programlama
problemini (DP1) çözmektir.
(DP-1) %&'( = 8H + 5H
Kısıtlar;
H +H ≤6
9H + 5H ≤ 45
H ,H ≥ 0
Sonraki adımlarda ise modele ilave kısıtlar ekleyerek karar değişkenlerinin tamsayı
iki tamsayı değerine göre DP-1 iki alt bölüme ayrılır (dallandırılır). Eğer H ’e göre işlemlere
değer almaları sağlanır. Kesirli değişkenlerden herhangi birisi seçilerek bu değişkene en yakın
Bu durumda DP-1 modeli, yeni kısıtların eklenmesiyle, DP-2 ve DP-3 olmak üzere 2 alt
modele ayrılır.
Kısıtlar; Kısıtlar;
H +H ≤6 H +H ≤6
9H + 5H ≤ 45 9H + 5H ≤ 45
WX ≥ b WX ≤ Z
H ,H ≥ 0 H ,H ≥ 0
optimal amaç
144
fonksiyonu değeri olan (ÃÄ{L) = 39 ise tamsayılı programlama probleminin alt sınırını
oluşturur. Bu durumda;
39 ≤ (zÄ) ≤ 165/4
H = 4, H = 9/5 ve (ÃÄ{ ) = 41
(H = 9/5 olduğu için), DP-2 modeli H ≥ 2 ve H ≤ 1 kısıtları eklenerek DP-4 ve DP-5 olmak
elde edilir. Optimal çözümde karar değişkenlerinden bir tanesi kesirli değer aldığından
Kısıtlar; Kısıtlar;
H +H ≤6 H +H ≤6
9H + 5H ≤ 45 9H + 5H ≤ 45
WX ≥ b WX ≤ Z
WY ≥ Y WY ≤ X
H ,H ≥ 0 H ,H ≥ 0
145
DP-4 ve DP-5 modellerinin grafik çözümü yukarıdaki şekilde verilmiştir. Şekil a'da
görüldüğü gibi DP4 modelinin çözümü yoktur. Dolayısıyla bu dal da burada sona erer.
Şekil b’de görüldüğü üzere DP-5 modelinin optimal çözümünde ise H = 40/9, H = 1
ve (ÃÄ{}) = 365/9 bulunur. Çözümde kesirli değer alan H değişkenine göre DP-5 modeli,
H ≤ 4 ve H ≥ 5 kısıtları ilave edilerek DP-6 ve DP-7 olmak üzere iki dala ayrılır.
Kısıtlar; Kısıtlar;
H +H ≤6 H +H ≤6
9H + 5H ≤ 45 9H + 5H ≤ 45
WX ≥ b WX ≤ Z
WY ≥ Y WY ≤ X
WX ≤ b WX ≥ a
H ,H ≥ 0 H ,H ≥ 0
ilerlenmeyecektir. Ayrıca bu modelin optimal amaç fonksiyonu değeri (ÃÄ{~) = 37, alt sınır
olan 39 değerinden daha iyi değildir. Yani;
146
(ÃÄ{~) = 37 ≤ (ÃÄ{L) = 39
Herhangi bir alt modelde tamsayı çözüm bulunduğunda, bu alt modelin optimal amaç
fonksiyonu değeri, önceden belirlenen alt sınırla karşılaştırılır. Daha iyi bir çözüm değeri
bulunduğunda alt sınır bu değer ile değiştirilir. Bütün alt modeller ile ilgili işlem
tamamlandıktan sonra, problemin optimal çözümü, son alt sınıra eşit olan tamsayılı çözümdür.
(ÃÄ{Ç) = 40 olup, alt sınırdan daha iyi bir değerdir. Bu durumda problemin yeni alt sınırı 40
olarak belirlenir. Yani;
40 ≤ (zÄ) ) ≤ 165/4
Tüm dallarda işlemler tamamlandığından (tüm alt modeller çözüldüğünden), alt sınır
değerini oluşturan DP-7 modelinin optimal çözümü aynı zamanda tamsayılı programlama
Verilen örneğin dal ve sınır algoritması ile çözüm aşamaları Şekil deki ağaç
diyagramında özetlenmiştir.
Birinci Adım: Verilen model, değişkenlerin tamsayı değer alma koşulu göz önüne
alınmadan (gevşetilmiş tamsayılı programlama modeli olarak) çözülür. Bu çözüm sonucunda
üç durum ile karşılaşılabilir.
147
• Sınırsız çözüm bölgesi veya geçersiz çözüm bulunması. Bu durumda durulur.
Çünkü, gevşetilmiş tamsayılı programlama probleminin çözümü yok ise, tamsayılı
programlama probleminin de çözümü yoktur.
ü È = (ÉÊ)
ËÈ = −∞
148
İkinci Adım: Tamsayı değer almamış bir değişkene göre dallara ayrılarak alt modeller
elde edilir. Bulunan optimal çözümde amaç fonksiyonunun değeri alt sınırdan küçük ise bu dal
işlem dışı bırakılır. Alt sınırdan büyük bir değer elde edilmesi durumunda;
Üçüncü Adım: Alt sınır güncellenir. Yeni alt sınır üst sınıra eşit ise beşinci adıma
gidilir, değilse dördüncü adıma geçilir.
Dördüncü Adım: İşlem dışı olmamış alt problem var ise ikinci adıma dönülür, yoksa
beşinci adıma geçilir.
Beşinci Adım: Algoritma sona erer. Son alt sınıra karşı gelen çözüm optimal çözümdür.
Kesirli değer alan değişkenlerden hangisinin seçileceğine ilişkin önerilen bazı seçim
kuralları aşağıda verilmiştir.
• Modeli çözen kişinin deneyimlerine göre modelde kritik öneme sahip bir değişken
olması.
149
Uygulamalar
Mobilya imalatı yapan bir atölyede, gelecek ayın üretim programında sandalye, masa
ve tabure üretimi yer almaktadır. Sırasıyla her bir ürün çeşidinin gereksinim duyduğu ahşap
malzeme miktarları; bir adet sandalye için 11 m3, bir adet masa için 16 m3 ve bir adet tabure
için 5 m3 şeklindedir. Mobilyalar için gereken bazı parçalar seri imalat ile elde edilmekte,
montaj ve kontrol işleminde sandalye, masa ve tabure için sırasıyla, 4, 6 ve 1 saat
gerekmektedir. 360 m3 kullanılabilir ahşap malzeme, 130 saat de işçilik kapasitesi
bulunmaktadır. Ürünlerin birim satış kârları, 100, 250 ve 75 TL’dir. Sandalye ve tabure
toplam üretiminin aylık 30 adedi geçmemesi, ayrıca üretilen masa adedinin de sandalye
adedinin en fazla yarısı kadar olması öngörülmektedir. Aylık toplam satış kârını en
büyükleyecek şekilde, ürünlerden kaçar takım üretilmesi gerektiğini belirleyecek karar
modelini kurunuz.
Çözüm:
Kısıtların tanımlanması:
11x1 + 16 x2 + 5 x3 ≤ 360
4 x1 + 6 x2 + x3 ≤ 130
x1 + x3 ≤ 30
x2 ≤ ( x1 / 2 )
x1 , x2 , x3 ≥ 0 ve tamsayı
Modelin kurulması:
150
Yukarıdaki karar modeli bütünüyle tamsayılı programlamaya örnektir. Yani örnekte
yer alan karar değişkenlerinin tümünün tamsayı değer alması gerekmektedir.
151
Uygulama Soruları
152
Bu Bölümde Ne Öğrendik Özeti
153
Bölüm Soruları
a) Tam Tamsayı
b) Karma Tamsayı
c) 0-1 Tamsayı
d) Sürekli
a) Grafiğin çizilmesi.
e) Hiçbiri
b) 0 – 1 tamsayılı programlama
d) Hepsi
b) Doğrusallık
c) Kesinlik
d) Sınırlı kaynak
e) Bölünebilirlik
154
5) Bulunduğu noktadan başlayarak, belirli sayıda noktaya birer defa uğrayan, sonunda
başladığı noktaya dönen ve bu güzergâh boyunca kat ettiği toplam mesafeyi en küçüklemek
isteyen bir gezginin uğrayacağı noktaların sırasının belirlenmesi problemi ……………….
olarak tanımlanır.
155
7. DOĞRUSAL PROGRAMLAMA UYGULAMASI: TRANSPORT
PROBLEMİ
156
Bu Bölümde Neler Öğreneceğiz?
157
Bölüm Hakkında İlgi Oluşturan Sorular
158
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
Ulaştırma problemini
Okuyarak, Tekrar yaparak,
Transport Problemi doğrusal olarak
Örnek soru çözerek
modelleyebilmek
159
Anahtar Kavramlar
• MO-DI Yöntemi
160
Giriş
Transport Problemi, Doğrusal Programlama probleminin özel bir şeklidir. Transport
problemleri doğrusal programlama modeli kullanılarak modellenebilir. Bu modelde ürünlerin
kaynaklardan (fabrika, depo gibi) hedeflere (depo, pazar gibi) taşınmasıyla ilgilenilir.
Buradaki amaç hedefin talep gereksinimleri ve kaynakların arz miktarlarında denge sağlarken,
diğer taraftan da her bir kaynaktan her bir hedefe yapılan taşımaların toplam maliyetini
minimum kılacak taşıma miktarını belirlemektir.
161
7.1.Transport Probleminin Doğrusal Programlama ile Modellenmesi
Í) : /. depo / = 1,2,3, … ,
! : 3. pazar 3 = 1,2,3, … , 4
olarak gösterilebilir. Bu modelin amacı, tüm arz ve talep kısıtlarını sağlayan, ayrıca
toplam taşıma maliyetlerini minimum kılan )! bilinmeyen miktarını belirlemektir.
= )! . )! = . + . + L. L + ⋯+ % . %
)" !"
olarak yazılabilir.
Ayrıca her bir depodan gönderilen ürünlerin toplamının o deponun kapasitesine ve her
bir pazara ulaştırılan toplam miktarın da o pazarın talebine eşit olması kısıtları sağlanmalıdır.
Buna göre depo kısıtları için;
+ + L + ⋯+ =
+ + L + ⋯+ =
…. …. …. ….
% + % + %L +⋯+ % = %
yani,
)! = )
!"
162
pazar kısıtları için de;
+ + L +⋯+ % =.
+ + L +⋯+ % =.
…. …. …. ….
+ + L + ⋯+ % = .%
yani,
%
)! = .!
)"
= )! . )! (/ = 1, 2, . . . , ; 3 = 1, 2, . . . . , 4)
)" !"
)! = ) (/ = 1, 2, . . . , )
!"
)! = .! (3 = 1, 2, . . . . , 4)
)"
)! ≥0
163
Örnek:
15 25 10 5 15 15 15
Depo 1 10 2 20 11
Depo 2 12 7 9 20
Depo 3 4 14 16 18
Amaç fonksiyonu;
#$ = 10 +2 + 20 L + 11 | + 12 +7 +9 L + 20 | +
+ 4 L + 14 L + 16 LL + 18 L|
Arz kısıtları;
+ + L + | = 15
+ + L + | = 25
L + L + LL + L| = 10
Talep kısıtları;
+ + L =5
+ + L = 15
L + L + LL = 15
164
| + | + L| = 15
)! ≥ 0 (/ = 1, 2, . . . , ; 3 = 1, 2, . . . . , 4)
Üç depodan yapılan arzın dört pazarın talebine eşit olması sebebiyle kısıtların tümü
eşitlik halindedir. Toplam arzın toplam talebe eşit olmadığı durumda ulaştırma modeli
"dengelenmemiştir". Dengelenmemiş bir model "hayali" depolar ya da pazarlar eklenerek
dengelenmiş hale getirilmelidir. Problemimiz dengelenmiş bir ulaştırma modelidir.
Pazarlar
Depo
P1 P2 P3 P4
Kapasiteleri
D1 10 2 20 11 15
Depolar D2 12 7 9 20 25
D3 4 14 16 18 10
Pazar
5 15 15 15 50
Talepleri
D1 D2 D3 P1 P2 P3 P4
15 25 30 5 15 15 15
şeklinde arzın talepten büyük olduğu dengelenmemiş bir problemi dengelenmiş hale
getirmek için ulaştırma maliyetleri 0 olan hayali bir pazar eklenir.
165
Pazarlar
Depo
P1 P2 P3 P4 PY Kapasiteleri
D1 10 2 20 11 0 15
Depolar D2 12 7 9 20 0 25
D3 4 14 16 18 0 30
Pazar
5 15 15 15 20 70
Talepleri
Benzer şekilde talebin arzdan büyük olduğu durumda ise hayali bir depo ekleyerek
problemi dengelenmiş hale getiriyoruz:
D1 D2 D3 P1 P2 P3 P4
15 25 10 5 15 15 35
Pazarlar
Depo
P1 P2 P3 P4
Kapasiteleri
D1 10 2 20 11 15
D2 12 7 9 20 25
Depolar
D3 4 14 16 18 10
DY 0 0 0 0 20
Pazar
Talepleri 5 15 15 35 70
166
7.2.Ulaştırma Algoritması
Ulaştırma algoritması simpleks yönteminin adımlarını aynen takip eder, fakat normal
simpleks tabloyu kullanmak yerine, ulaştırma probleminin özel yapısının avantajını kullanarak
algoritma daha uygun bir hale getirilir. Ulaştırma algoritmasının adımları simpleks
algoritmasıyla paraleldir, yani;
2. Adım : Tüm temel dışı değişkenler içinden giren değişkenlerin belirlenir, bunun için
optimallik koşulları sağlanmalıdır.
3. Adım : Mevcut tüm temel değişkenler içinden çıkan değişkenler belirlenir, bunun
için uygunluk koşulu kullanılır ve yeni temel çözüm bulunur, 2. Adıma dönülür.
depolu ve 4 pazarlı genel bir ulaştırma problemi, her depo için bir tane ve her pazar
için bir tane olmak üzere + 4 sayıda kısıt denklemine sahiptir. Bununla birlikte ulaştırma
Ulaştırma probleminin temel yapısı, yapay olmayan bir başlangıç temel çözümünü
sağlayan üç yöntemden birini kullanmamıza olanak sağlar. Bunlar;
Yöntem tablonun değişkeninin yer aldığı kuzeybatıdaki (sol üst köşe) hücrede
başlar.
1. Adım : Seçilen kutuya mümkün olan en fazla atama yapılır ve ardından bu atanan
miktar arz ve talep miktarlarından çıkarılarak düzenleme yapılır.
167
2. Adım : İleride tekrar atama yapılmasını önlemek için çıkarma sonucu 0 arz veya
talebe ulaşan satır veya sütun iptal edilir. Hem satır hem sütun 0 değeri almışsa biri seçilerek
iptal edilir, iptal edilmeyen 0 değerli satır veya sütun dikkate alınmaz.
3. Adım : İptal edilmeyen sadece bir satır veya sütun kaldığında adımlar durdurulur,
aksi halde bir önceki işlemde sütun iptal edilmişse sağ hücreye, satır iptal edilmişse bir
aşağıdaki hücreye geçilir ve 1. Adıma dönülür.
Depo
P1 P2 P3 P4
Kapasiteleri
10 2 20 11
D1 15
5 → 10
12 ↓ 7 9 20
D2 25
5 → 15 → 5
4 14 16 ↓ 18
D3 10
10
Pazar
5 15 15 15 50
Talepleri
7.4. Minimum Maliyetli Atama Yöntemi (Kestirme Dağıtım)
Bu yöntem en ucuz maliyetli rota üzerine yoğunlaştığından daha iyi bir başlangıç
çözümü bulmaktadır.
1. Adım: En düşük birim maliyetli hücreye mümkün olduğunca fazla atama yapılarak
başlangıç çözümü oluşturulmaya başlanır (maliyetlerin eşit olmaları durumunda bu hücrelerden
rastgele birine önce atama yapılır).
2. Adım: Arz ve talep miktarları düzenlenir ve yapacağı atama tamamlanan satır veya
sütun iptal edilir. Hem satır hem sütun 0 değeri almışsa biri seçilerek iptal edilir, iptal edilmeyen
0 değerli satır veya sütun dikkate alınmaz.
168
Örneğimiz için En Düşük Maliyetler Yöntemini uygularsak şu çözüm elde edilir:
Depo
P1 P2 P3 P4
Kapasiteleri
10 2 20 11
D1 15
15
12 7 9 20
D2 25
0 15 10
4 14 16 18
D3 10
5 5
Pazar
5 15 15 15 50
Talepleri
Vogel Atama Yöntemi, Minimum Maliyetli Atama Yönteminin geliştirilmiş hali olup,
genelde en iyi başlangıç çözümünü vermektedir.
1. Adım: Pozitif arzlı (talepli) her satırdaki (sütundaki) en küçük birim maliyeti aynı
satırın (sütunun) ikinci en küçük birim maliyetinden çıkararak farklar satırı ve farklar sütunu
oluşturulur.
2. Adım: Satır ve sütun ayrımı yapmadan, farklar satırında ve sütununda bulunan sayılar
büyükten küçüğe doğru sıralanır (eşitlik halinde biri seçilir). Daha sonra bu sıralamaya göre
satır veya sütunlarda bulunan en küçük maliyete sahip hücreye arz ve talep kısıtlarına göre
atama yapılır. Bu satır veya sütundaki en düşük maliyetli hücreye yapılabilecek en fazla
miktarda atama yapılır. Kalan arz ve talepler hesaplanır ve sıfırlanan satır veya sütun iptal edilir
(Aynı anda sıfırlanan satır ve sütun varsa sadece biri iptal edilir, kalan satıra (sütuna) sıfır
miktarda arz (talep) atanır.
3. Adım:
a) İptal edilmemiş arz ya da talebe sahip tam bir satır (sütun) kalınca durulur.
b) İptal edilmemiş pozitif arzlı (talepli) bir satır (sütun) kalmışsa, en düşük
maliyetler yöntemiyle satırdaki (sütundaki) temel değişkenler belirlenir ve durulur.
c) İptal edilmemiş satır ve sütunların tümü sıfır arz ve talebe sahipse, en düşük
maliyetler yöntemiyle sıfır temel değişkenler belirlenir ve durulur.
169
1. Adım:
Depo Farklar
P1 P2 P3 P4
Kapasiteleri Sütunu
10 2 20 11
D1 15 10 - 2 = 8
12 7 9 20
D2 25 9-7=2
4 14 16 18
D3 10 14 - 4 = 10
Pazar
Talepleri 5 15 15 15 50
Farklar
10 - 4 = 6 7-2=5 16 - 9 = 7 18 - 11 = 7
Satırı
ÍL hücresine 1. sütunun talebi 5, 3. satırın arzı 10 olduğu için 5 birim atanır. Arz ve taleplerde
2. Adım: 3. satır en büyük farka sahip olduğu için bu satırdaki en düşük maliyetli sahip
düzenleme yapılırsa 1. sütunun talebi 0, 3. satırın arzı 5 birim olur. Bu durumda 1. sütun iptal
edilir ve cezalar yeniden belirlenir:
Depo Farklar
P1 P2 P3 P4 Kapasiteleri Sütunu
10 2 20 11
D1 15 11 - 2 = 9
12 7 9 20
D2 25 9-7=2
4 14 16 18
D3 5 16 -1 4 = 2
5
Pazar
Talepleri 0 15 15 15 45
Farklar
─ 7-2=5 16 - 9 = 7 18 - 11 = 7
Satırı
170
En yüksek ceza 1. satırda olduğu için en düşük maliyet olan x12'ye 15 birim atanır,
böylece arzı ve talebi aynı anda sıfırlamış olur. Burada rastgele olarak satır veya sütundan biri
iptal edilir (1. satır iptal edilmiştir) kalan sütuna 0 talep atanır ve cezalar yeniden hesaplanır:
Depo Farklar
P1 P2 P3 P4 Kapasiteleri Sütunu
10 2 20 11
D1 0 ─
15
12 7 9 20
D2 25 9-7=2
0
4 14 16 18
D3 5 16 -1 4 = 2
5
Pazar
0 0 15 15 30
Talepleri
Farklar
─ 14 - 7 = 7 16 - 9 = 7 20 - 18 = 2
Satırı
Depo Farklar
P1 P2 P3 P4
Kapasiteleri Sütunu
10 2 20 11
0 ─
D1 15
12 7 9 20
10 ─
D2 0 15
4 14 16 18
5 ─
D3 5
Pazar
0 0 0 15 15
Talepleri
Farklar
─ ─ ─ 20 - 18 = 2
Satırı
171
3. Adım : İptal edilmemiş olan 4. sütunda en düşük maliyetler yöntemine göre kalan arz
ve talebe göre atama yapılır:
Depo Farklar
P1 P2 P3 P4
Kapasiteleri Sütunu
10 2 20 11
D1 0 ─
15
12 7 9 20
D2 0 ─
0 15 10
4 14 16 18
D3 0 ─
5 5
Pazar
0 0 0 0 0
Talepleri
Farklar
─ ─ ─ ─
Satırı
Transport problemlerinde yapılan atamanın ne kadar iyi olduğunu, optimum çözüm (en
uygun değer) olup olmadığı test edilmektedir. Bu test için hangi yöntemler kullanılır? Bu
bölümde optimallik testleri detaylı olarak incelenmektedir.
miktarda birim eklemek demek o hücrenin bulunduğu satırdaki arzda ve sütundaki talepte Ñ
miktarda birim arttırmak demektir. Fakat arz ve talep kısıtlarımızı sağlamak zorunda
Boş hücre çevrimi; çevrimi çizilecek boş hücreden başlanarak, aşağı, yukarı veya
yanlara doğrusal hareketlerle gidilerken, herhangi bir taşa rastlandığında doksan derecelik
veya oklar birbirini kesebilir. Ayrıca boş hücre + olmak üzere çevrim üzerindeki taşlar −, +, −
dönüşler yapılarak aynı boş hücreye dönülmesidir. Bu işlem yapılırken bazı taşlar atlanabilir
olarak işaretlenir.
Boş hücrelere ait değerler birim taşıma maliyetlerinin verilen işaretler de hesaba katılarak
toplanmasıyla elde edilir. Örneğimizi ele alırsak;
172
Depo
P1 P2 P3 P4
Kapasiteleri
(+) 10 (-) 2 20 11
D1 15
15
12 (+) 7 9 (-) 20
D2 25
0 15 10
(-) 4 14 16 (+) 18
D3 10
5 5
Pazar
5 15 15 15 50
Talepleri
L : +20 -2 +7 -9 = +16
‡Xb = +XX − Y + [ − Y\ = −b
Depo
P1 P2 P3 P4
Kapasiteleri
10 (-) 2 20 (+) 11
D1 15
15-W +W
12 (+) 7 9 (-) 20
D2 25
0+W 15 10-W
4 14 16 18
D3 10
5 5
173
Pazar
5 15 15 15 50
Talepleri
Bir hücrede negatif atama olamayacağı için W'nin alabileceği en büyük değer 10
birimdir. Bu durumda yeni atama tablosu;
Depo
P1 P2 P3 P4
Kapasiteleri
10 2 20 11
D1 15
5 10
12 7 9 20
D2 25
10 15
4 14 16 18
D3 10
5 5
Pazar
5 15 15 15 50
Talepleri
= 13
= 10
L =5
L = 16
LL =5
| =4
değerlerinin hepsi pozitif olduğu için optimum çözüm elde edilmiştir. Yani optimum
maliyet;
Zmin = 5.4 + 5.2 + 10.7 + 15.9 + 10.11 + 5.18 = 435 Para Birimi olur.
Atlama taşı yöntemine benzer, ancak boş hücrelerin değerlemesi işlemi burada daha
etkin olarak yapılmaktadır. İki yöntem arasındaki asıl farkı, atlama taşı yönteminde boş hücre
değerleri hesaplamak için çevrimlerden yararlanırken MO-DI yönteminde bu işlemin bazı
indeksler yardımıyla yapılmasıdır. Yani bu işlemde boş hücreler için çevrimler çizmeye gerek
yoktur.
174
Başlangıç tablosu kuzeybatı köşesi yöntemiyle oluşturulur. Satır değerlerini Ò) , sütun
değerlerini Ó! göstermek üzere;
eşitliğinden yararlanılır. Boş hücrelere yapılacak dağıtımların toplam maliyette bir azalma
sağlayıp sağlamayacağı;
ifadesi ile araştırılır. Bütün düzelme indeksleri pozitif veya 0 olunca optimum çözüme ulaşılmış
demektir. Yine örneğimizi ele alacak olursak;
Ó = 10 Ó =2 ÓL = 4 Ó| = 15
Depo
P1 P2 P3 P4
Kapasiteleri
Ò = 0 D1
10 2 20 11
15
5 10
Ò = 5 D2
12 7 9 20
25
5 15 5
ÒL = 3 D3
4 14 16 18
10
10
Pazar
5 15 15 15 50
Talepleri
verilir ve diğer değişkenler buna göre hesaplanır. Genellikle Ò = 0 olarak alınıp çözüme
Bu denklem sisteminin çözülebilmesi için değişkenlerden birine herhangi bir değer
başlanır.
175
için Ó = 2 ise 7=5+2 eşitliğinden Ò = 5
+ L = 20 − 0 − 4 = 16
+ | = 11 − 0 − 15 = −4
+ = 12 − 5 − 10 = −3
ŠZX = b − Z − X\ = −¦
+L = 14 − 3 − 2 = 9
+LL = 16 − 3 − 4 = 9
Bir sonraki dağıtım planına geçerken yapılacak işlemler atlama taşındaki gibidir. Yani
boş hücrelerden mutlak değerce en büyük negatif olan esas alınarak, bu boş hücrenin çevrimi
çevrime gerek olacaktır. −9 değerine sahip L hücresine atama yapılırsa yeni tablomuz;
üzerinde işlemler yapılır. Buna göre, MO-DI yönteminde her çözüm kademesinde tek bir
Depo
P1 P2 P3 P4
Kapasiteleri
10 2 20 11
D1 15
15
12 7 9 20
D2 25
0 15 10
4 14 16 18
D3 10
5 5
Pazar
5 15 15 15 50
Talepleri
176
min = 5.10 + 15.2 + 0.7 + 15.9 + 10.20 + 5.18 = 475
Toplam maliyette 520 − 475 = 45 para birimi azalma olmuştur. İkinci dağıtım planı
yapılırsa yeni tablomuz;
Ó =1 Ó =2 ÓL = 4 Ó| = 15
Depo
P1 P2 P3 P4
Kapasiteleri
Ò = 0 D1
10 2 20 11
15
15
Ò = 5 D2
12 7 9 20
25
0 15 10
ÒL = 3 D3
4 14 16 18
10
5 5
Pazar
5 15 15 15 50
Talepleri
+ = 10 − 0 − 1 = 9
+ L = 20 − 0 − 4 = 16
ŠXb = XX − \ − Xa = −b
+ = 12 − 5 − 1 = 6
+L = 14 − 3 − 2 = 9
+LL = 16 − 3 − 4 = 9
Yeni dağıtım planında | hücresine atama yapıldığında elde edilen yeni tablo;
Depo
P1 P2 P3 P4
Kapasiteleri
10 2 20 11
D1 15
5 10
12 7 9 20
D2 25
10 15
4 14 16 18
D3 10
5 5
Pazar
5 15 15 15 50
Talepleri
177
min = 5.4 + 5.2 + 10.7 + 15.9 + 10.11 + 0.20 + 5.18 = 435
Yeni çözüm 475 − 435 = 40 para birimi azalma sağlamıştır. Ò) , Ó! ve +)! değerleri
yeni tablo için hesaplanırsa;
Ó = −3 Ó =2 ÓL = 4 Ó| = 11
Depo
P1 P2 P3 P4
Kapasiteleri
Ò = 0 D1
10 2 20 11
15
5 10
Ò = 5 D2
12 7 9 20
25
10 15
ÒL = 7 D3
4 14 16 18
10
5 5
Pazar
5 15 15 15 50
+ = 10 − 0 − (−3) = 13
Talepleri
+ L = 20 − 0 − 4 = 16
+ = 12 − 5 − (−3) = 10
+ | = 20 − 5 − 11 = 4
+L = 14 − 7 − 2 = 5
+LL = 16 − 7 − 4 = 5
178
2. Taş sayısının ( + 4 − 1) değerinden küçük olması durumunda taş sayısı
işlemlerin uygulanabilmesi için yetersizdir. Bu tür dejenerasyona başlangıç dağıtım planında
veya çözümün herhangi bir aşamasında rastlanabilir. Bu tür dejenerasyonun giderilebilmesi için
0 değerli bir taş eklenir. Bu taşın ekleneceği hücre ise taşların basamak oluşturacak şekilde
sıralanmasına uygun hücre ya da en küçük maliyetli hücre olabilir. Optimum çözümde bile
dejenerasyon bulunabilir.
Pratikte her zaman her bir depodan her bir pazara dağıtım yapılması mümkün değildir.
Çünkü bazı depolardan bazı pazarlara ulaşım mümkün değildir veya çok pahalıdır. Dolayısıyla
yollar, ulaştırma problemine yeni sınırlamalar getirmektedir. Örneğin, µ. depo ile Ô. pazar
bu depolar ve pazarlar arasında taşıma yapma olanağı bulunmaz. Böylece, bu tür yasaklanmış
Böyle bir ulaştırma probleminde simpleks yönteminde kullanılan e değeri ile aynı
manadaki çok yüksek bir maliyete sahip e değeri atama yapılması istenmeyen 'Õ hücresine
birim maliyet olarak yazılır. Birim ulaştırma maliyeti e olan bir hücreye yapılacak bir birimlik
dağıtım bile ulaştırma maliyetini aşırı derecede arttıracağından ulaştırma problemlerinin çözüm
yöntemleri bu hücrelerin boş kalmasını garantileyecektir.
179
Uygulamalar
1)
Kaynak Tüketici
Adana 6 8 10
Mersin 7 11 11
Antalya 4 5 12
2) Aşağıda verilen transport problemi için Kuzey Batı Yöntemine göre atama yapılır
ise; D1’den P1’e kaç ürün gönderilmiştir?
a) 20 b) 30 c) 40 d) 50 e) 60
180
3) Aşağıda verilen transport problemi için Vogel Atama Metodu (VAM) kullanılarak
atama yapılır ise; hangi hücreye ilk atama yapılır?
181
Uygulama Soruları
1) Siz olsanız herhangi bir transport probleminin optimal sonucuna daha hızlı
yaklaşmak için hangi atama yöntemini seçerdiniz?
182
Bu Bölümde Ne Öğrendik Özeti
183
Bölüm Soruları
1) Bir çimento şirketi, ürettiği çimentoyu 3 farklı tesisten 3 farklı inşaat bölgesine ürün
sevk etmektedir. Her üç tesise ilişkin kapasite verileri ve bu tesislerden istenilen miktarlar ve
birim ulaştırma maliyetleri (TL/ton) verilmektedir. Vogel Yaklaşımı kullanılarak atama yapılır
ise, ilk olarak hangi hücreye atama yapılır?
TESİSLER X Y Z ARZ
A 8 5 6 120
B 15 10 12 80
C 3 9 10 80
a) + →
TALEP 150 70 60 280
b) + → ^
c) ˜ → ‡
d) , →
e) →^
c) Kestirme Dağıtım
e) MO-Dİ Yöntemi
184
4) Aşağıda verilen ulaştırma tablosunun Minimum Maliyetli Hücre Yöntemi ile atama
yapıldığında ilk atama hangi hücreye gerçekleşir?
X Y Z T Arzlar
A 5 2 10 11 5
B 9 4 1 6 10
C 3 8 7 12 15
Talepler 12 8 4 6
a) + →
b) + → ^
c) →
d) , →
e) →^
185
7) Aşağıdakilerden hangisi ulaştırma problemlerinde bir atama yöntemi değildir?
TESİSLER P1 P2 P3 P4 ARZ
D1 8 5 6 6 140
D2 15 10 7 12 80
D3 3 9 8 10 80
TALEP 150 70 20 60 300
a) 3 b) 4 c) 5 d) 6 e) 7
186
10) Aşağıda bir ulaştırma problemi verilmektedir. Eğer dejenerasyon durumu
yaşanmadan 6 hücreye atama yapılmış ise, optimallik testi için kaç adet boş hücre çevrimi
çizilir?
Pazar P1 P2 P3 P4 ARZ
Depo
D1 8 3 6 6 100
D2 5 10 7 12 100
D3 4 9 8 10 100
TALEP 150 70 20 60 300
a) 4 b) 5 c) 6 d) 7 e) 8
11) Aşağıda verilen transport problemi için Minimum Maliyetli Hücre Yöntemi
(Kestirme Dağıtım Yöntemi) kullanılarak atama yapılır ise; hangi hücreye ilk atama yapılır?
12) Aşağıda yapılan dağıtım planına göre transport maliyeti kaç olur?
187
a) 400 b) 460 c) 500 d) 600 e) 900
13) Aşağıda verilen ulaştırma tablosunun Kuzey Batı Köşesi Yöntemi ile bulunan
Olurlu Başlangıç Çözümü’ nün değeri kaçtır?
DENİZLİ 6 8 10 150
BURSA 7 11 11 175
ADANA 4 5 12 275
a) 6355 TL
b) 11.500 TL
c) 5875 TL
d) 5925 TL
e) 3400 TL
14) Kuzeybatı Köşe, Vogel, Russel ve Minimum Maliyetli Hücre Atama (Kestirme
Dağıtım) yöntemlerinden hangisi kullanılırsa genellikle optimum çözüme daha geç ulaşılır?
188
a) Vogel Atama Metodu
c) Kestirme Dağıtım
a) Her bir üretim merkezi ile her bir tüketim merkezi arasında bir birim malın kaça
taşınacağı bilinmeli
b) Her bir üretim merkezi ile her bir tüketim merkezindeki toplam miktar tam olarak
bilinmeli.
c) Modelde kullanılan tüm bilgiler ve probleme konu olan mal ve hizmetler, bütün
üretim ve tüketim merkezleri için aynı birim ve homojenlikte tanımlanmış olmalı.
d) Modelde kullanılan tüm bilgiler ve probleme konu olan mal ve hizmetler, bütün
üretim ve tüketim merkezleri için ayrı birim ve heterojenlikte tanımlanmış olmalı.
Cevaplar
189
8. ÇOK AMAÇLI KARAR VERME: HEDEF PROGRAMLAMA
190
Bu Bölümde Neler Öğreneceğiz?
191
Bölüm Hakkında İlgi Oluşturan Sorular
1) Lineer programlama ile hedef programlama arasında nasıl bir fark vardır?
2) Karar verme sürecinde birden çok amaç olması durumunda nasıl bir yol izlenir?
192
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
193
Anahtar Kavramlar
• Hedef programlama
194
Giriş
Gerçek hayatta karşılaşılan birçok problemin yapısında çok amaçlılık vardır. Bu amaçlar
bazen birbirleriyle paralel olurken bazen de birbirleriyle çatışma içinde olabilir. Her iki
durumda da bu amaçların eş zamanlı sağlanması için çok amaçlı programlama modellerinden
yararlanılmaktadır. Karar verme sürecinde karar vericiler birden çok kriteri göz önünde
bulundurmaktadır. Karar verme sürecinde birden çok kriterin bulunduğu karar problemlerine
çok kriterli karar verme problemleri ismi verilmektedir. Çok kriterli karar verme problemleri,
kararı etkileyen nitelik (özellik) ve amaç sayısına göre sınıflanmaktadır. Bu doğrultuda çok
kriterli karar verme problemleri çok nitelikli karar verme ve çok amaçlı karar verme problemleri
olarak sınıflandırılmıştır.
TOPSIS
ELECTRE
PROMETHEE
VIKOR
STEM
Ziont Wallenius
STEUER
biçiminde sınıflandırılır.
Çok amaçlı karar verme, karar verme süreci sonucunda birden fazla amacın
gerçekleştirilmesi istenen yaklaşımlardır. Doğrusal programlama modelleri ile yıllık sipariş
verme maliyetlerinin en küçüklenmesi, yıllık kârın en büyüklenmesi gibi sadece tek bir amacın
en iyilenmeye çalışıldığı problemler ele alınabilmektedir. Birden fazla amacın en iyilenmeye
çalışıldığı problemlerin çözümünde ise çok amaçlı karar verme yöntemlerine ihtiyaç duyulur.
195
8.1. Hedef Programlama
Birden fazla amacı aynı anda gerçekleştirme esasına dayanan hedef programlama,
üretim planlamadan iş gücü planlamasına, ulaştırmadan finansal planlamaya birçok alanda
uygulanan bir yöntemdir. Her bir amaç bir hedefi oluşturmaktadır. Bu da, amaçlar için sayısal
hedeflerin belirlenmesi ile gerçekleşir. Bu yöntem ile tüm sistem kısıtlarının sağlandığı ve
mümkün olduğunca tüm hedeflere ulaşan bir çözüm elde edilir. Belirlenen hedeflerin tam
olarak gerçekleşmemesi durumunda hedef değerlerinden istenmeyen yöndeki sapmalar
minimize edilir. Elde edilen çözümde bazı amaçlar en iyi değerine ulaşırken, diğer amaçlar en
iyi çözüme ulaşamayabilir. Dolayısıyla, sonuç değer mümkün olduğunca karar vericileri tatmin
eden, en uzlaşık çözüm olacaktır. Bir başka ifadeyle, etkin bir çözüm elde edilecektir.
Amaç: Karar vericinin isteğinin genel durumunu gösteren ifadedir. Örneğin işgücü
kullanımını en küçüklemek bir amaç olarak tanımlanabilir.
Hedef: Belirlenen amaç için başarmak istenilen kesin ifadedir. Bir başka deyişle,
istenilen seviye ile belirlenmiş bir amaçtır. Örneğin işgücü kullanımını en küçüklemek amacını
aylık işgücü kullanımının en fazla 400 saat olarak kesin bir ifade ile belirtilmesi hedef olarak
tanımlanabilir.
Kısıtlar: Doğrusal programlamadan farklı olarak hedef programlamada iki tip kısıt
bulunur. Sistem kısıtları ve hedef kısıtları, hedef programlama modellerinde kullanılan
kısıtlardır.
Sistem Kısıtları: Fonksiyonel kısıt olarak da adlandırılan sistem kısıtları tam olarak
sağlanması gereken ve sapmaya izin verilmeyen kısıtlardır. Sistem kısıtları doğrusal
programlamada kullanılan kısıtlara karşılık gelir ve çözüm üretilmesi için mutlaka uyulması
gereken kısıtlardır. Doğrusal programlamadaki gibi formüle edilirler ve öncelikle bu kısıtların
gerçekleştirilmesi gerekir.
Hedef Kısıtları: Karar vericinin ulaşmayı istediği veya gerekli gördüğü hedefler, hedef
programlama modeline hedef kısıtları olarak aktarılır. Hedef kısıtları çok katı olmayıp
hedeflenen değerlerden (sağ taraf değerleri) sapmaların açıklanmasıyla ortaya çıkan esnek kısıt
fonksiyonlarıdır. Yani hedef kısıtlarının ihlal edilmesi durumu söz konusu olabilir. Hedef
kısıtlarının sağlanması sistem kısıtlarının gerçekleştirilmesinden sonra gelir. Hedef kısıtlarında
meydana gelen sapmalar hedef programlamada ayrı bir değişken olarak ele alınmaktadır.
Sapma Değişkenleri: Sadece hedef kısıtları ve modelin amaç fonksiyonunda yer alan
sapma değişkenleri, istenilen hedefin aşılması ve altında kalınması durumlarını gösteren
değişkenlerdir. Her bir hedef için birer negatif sapma ve pozitif sapma değişkeni tanımlanır.
196
Sapma değişkenleri her ne kadar pozitif ve negatif olarak isimlendirilse de negatif değer
alamazlar. Ayrıca, belirlenen hedefin sadece ya altında ya da üstünde bir durum
gerçekleşeceğinden, negatif ve pozitif sapma değişkenlerinden biri daima sıfır değerini alır.
Hedef kısıtlarına bağlı olarak sapma değişkenleri istenen veya istenmeyen değişken olarak da
adlandırılır.
Pozitif Sapma Değişkeni (×g ): Hedefin ne kadar aşıldığını gösteren değişkendir. Üst
sapma olarak da adlandırılır. Örneğin aylık işgücü kullanımının en fazla 400 saat olarak
belirlendiği bir hedefte aylık işgücü kullanımı 450 saat olarak gerçekleşmiş ise bir pozitif
sapmadan söz edilebilir. Bu durumda pozitif sapma 450-400=50 işgücü saati olarak
hesaplanacaktır.
Hedef kısıtları (≥), (≤), (=) şeklinde bulunabilir. Hedef programlamada model
kurulurken kısıtın yönüne göre pozitif sapma, negatif sapma veya her iki sapma eklenerek kısıt
sağ taraf sabitine eşitlenir. Hedef kısıtlarına bağlı olarak sapma değişkenleri istenen veya
istenmeyen değişken olarak da adlandırılır.
Hedef kısıtı (≥) yönünde ise ×g istenen, ×{ ise istenmeyen sapma değişkenidir.
Hedef kısıtı (≤) yönünde ise ×g istenmeyen, ×{ ise istenen sapma değişkenidir.
Hedef kısıtı (=) şeklinde ise ×g ve ×{ değişkenlerinin her ikisi de istenmeyen sapma
değişkenleridir.
Örneğin bir üretim işletmesinde üretilen + ürününe günlük günlük kota uygulandığını
düşünelim. Eğer yönetici A ürünü üretim miktarını en az (≥) 1000 adet olarak belirlemiş ise
×g istenen, ×{ ise istenmeyen sapma olmaktadır. Yani yönetici 1000 adet + ürünü üretme
görmemekte ve istenen bir durum olarak kabul etmektedir. Aynı mantıkla eğer yönetici + ürünü
hedefinin altında kalmak istememekte, 1000 adetten fazla üretimi ise hedefin ihlali olarak
197
üretim miktarını en fazla (≤) 1000 adet olarak belirlemiş ise×g istenmeyen, ×{ ise istenen
sapma olmaktadır. Yani yönetici 1000 adet + ürünü üretme hedefinin üstüne çıkmak
istememekte, 1000 adetten az üretimi ise hedefin ihlali olarak görmemekte ve istenen bir durum
olarak kabul etmektedir.
Şayet yönetici tam (=) olarak 1000 adet A ürünü üretilmesini hedeflemiş ise bu
1000 adet + ürünü üretimi hedefinin altında kalınmak istenmediğinde, min = Ø){
1000 adet + ürünü üretimi hedefinin üstünde kalınmak istenmediğinde, min = Ø)g
198
Modelin amaç fonksiyonu, hedeflerini temsil eden sapmaların ağırlıklandırılmış toplamı hâline
getirilir.
Doğrusal programlamada amaç en iyi çözümü elde etmek iken, doğrusal hedef
programlamada amaç mümkün olduğunca en iyi çözümü elde etmektir.
Doğrusal programlama modelinde tek bir amaç en iyilenmeye çalışılır. Doğrusal hedef
programlama modelinde ise birden fazla amaç için hedef değerleri belirlenir ve bu hedeflerin
hepsi modele alınır.
Hedef Programlama (HP) ilk defa doğrusal hedef programlama olarak Charnes ve
Cooper (1961) tarafından geliştirilmiştir. Bu yöntemin temeli doğrusal programlamaya dayanır.
Bu yöntemde karar vericiden, her bir amaç için erişilmesini arzu ettiği bir hedef değer
belirlemesi istenir. Daha sonra, tercih edilen çözüm bu hedef değerlerden sapmaları minimum
kılan çözüm olarak belirlenir.
199
elde edilmesi sebebi ile her amacın hedeflenen değerinin kesin hesaplanması karar verici için
zordur. Hedef Programlamanın en önemli özelliği birbiri ile zıt yönetimsel problemleri içeren
birden fazla hedefi, hedeflerin önemine göre atama yapabilmesidir.
Karar vericiler için bu tekniğin en önemli özelliği; her bir tercihe veya nitelendirmeye
doyurucu bir hedef değerini atayabilmesidir. Hedef programlama ile istenmeyen sapma
değişkenleri fonksiyonu minimum kılınır. Her bir amaç için spesifik sayısal hedef sağlamak
maksadıyla, her amacın fonksiyonu formüle edilir ve bu amaçları kaçırmadan, doğan toplam
cezayı minimum kılan bir çözüm aranır.
Karar verici öncelikle ilgi hedefleri ve bu hedefler için kabul edilen öncelikleri belirler.
Genellikle hedefler sıralanır ve her öncelik düzeyindeki hedeflere öncelikli ağırlıklar verilir. Bu
öncelikli ağırlıklar, sayısal değer veya kodlar verilerek yapılır. Yüksek öncelikli hedefler daha
düşük öncelikli hedeflerden önce doyurulur. Hedef programlama, problem kısıtlayıcılarına
bağlı olarak önceliklendirilen hedeflerden sapmaları minimum kılar.
Hedef programlama, çok amaçlı karar verme problemlerini çözmek için karar vericilere
doyurucu bir çözüm kümesini sağlayan önemli bir teknik olduğu gibi, karar vericinin her bir
nitelendirmesine de doyurucu bir hedef değerini atayabilmektedir. Hedef programlama, çok alt
hedefi olan çok hedefli problemler gibi çok alt hedefli tek bir hedefi amaçlayan karar
problemlerinin çözümünde kullanılan doğrusal programlamanın genişletilmiş özel bir
durumudur. Hedef programlamada, doğrusal programlamada olduğu gibi amaç fonksiyonunun
boyutsal bir kısıtlaması yoktur.
Kısıtlar
Hedef denklemleri
200
Değişkenler:
!: 3. karar değişkeni
%) =Ú Ø g
+Ú Ø g
Kısıtlar:
Aynı anda hem pozitif sapma hem de negatif sapma meydana gelemeyeceğin densapan
değişkenlerin en az bir tanesinin veya her ikisinin de sıfır olması gerekmektedir. İstenmeyen
sapan değişkenlerin belirlenmesinden sonra hedef programlama formülasyonu yapılır. Bu
değişkenler içerisinden yalnızca bir tanesi karar verici tarafından minimize yapılmak istenir.
201
Örnek:
Bir şirket 3 farklı model ayakkabı üretmektedir. Bu modellerin her birisi için gereken
işgücü miktarı sırasıyla 2, 3 ve 2 saattir. Yine bunların üretimi için gerekli malzeme miktarları
da sırasıyla 3, 2 ve 1 kg/çift olarak belirlenmiştir. Şirketin elinde aylık 6500 saat işgücü ile 8600
kg. malzeme bulunmaktadır. Şirket model-1 ayakkabı çiftinden 4 TL, model-2 ayakkabı
çiftinden 6 TL ve model-3 ayakkabı çiftinden de 5 TL kâr etmektedir. Yönetici aylık en az
15000 TL kârı ve model-2 ayakkabıdan da en az aylık 860 çift üretmeyi hedeflemektedir.
Amaç Fonksiyonu;
e µf = 4H + 6H + 5HL
Kısıtlayıcılar;
H , H , HL ≥ 0
H = 0 ve H = 0
HL = 3250
e µf = 16250 TL’dir.
Belirlenen aylık 15000 TL’lik kâr hedefine ilişkin sapma değişkenleri aşağıdaki gibidir.
d g
= Belirlenen aylık 15000 TL’lik kâr hedefini aşan miktar (TL olarak)
Ø {
= Belirlenen aylık 15000 TL’lik kâr hedefinin altında kalan miktar (TL olarak)
202
(Kâr hedefinin üzerine ve de altına düşmek aynı anda gerçekleşemeyeceği için, bu
sapma değerlerinden en az birisi sıfır olacaktır.)
4H + 6H + 5HL + Ø {
−Ø g
= 15000
Model-2 ayakkabıdan aylık en az 860 çift üretim hedefine ilişkin sapma değişkenleri
d2’dir.
Ø g
= Belirlenen aylık model-2 ayakkabı hedefini aşan miktar
Ø {
= Belirlenen aylık model-2 ayakkabı hedefinin altında kalan miktar
H –Ø g
+Ø {
= 860
Hedef amaç fonksiyonunu oluşturmak için istenen iki hedefin ele alınması gerekir.
İlk hedef için amaç fonksiyonu; (aylık en az 15000 TL kâr elde etmek)
e/4 = Ø {
e/4 = Ø {
+Ø {
Bu fonksiyonun iki sapma değişkeninden oluşan çok değişkenli bir fonksiyon olduğu
görülmektedir. Ayrıca sapma değişkenlerinin ölçü birimleri ilk hedef için TL, ikinci hedef için
ise ayakkabı çiftinin sayısıdır. Bu nedenle, problem çözümünün sonucunda ulaşılan amaç
fonksiyonunun toplam değerini yorumlarken ekonomik anlam aramak hatalı olacaktır. Bunun
yerine amaç fonksiyonunu oluşturan bileşenlerin ayrı ayrı değerlendirilmesi gerekir. İşte bu
sakıncayı önlemek için bazı kaynaklarda değişkenler arasına virgül konularak amaç
fonksiyonunun ifade edildiği görülebilmektedir. Yani örnekteki amaç fonksiyonu;
203
Örnekteki hedef programlama modelinin amaç fonksiyonu;
e/4 = Ø {
+Ø {
Kısıtlayıcılar;
4H + 6H + 5HL + Ø {
−Ø g
= 15000 (aylık kâr hedefi)
H –Ø g
+Ø {
= 860 (model-2 ayakkabısı aylık üretim hedefi)
H , H , HL , Ø { , Ø g , Ø {
,Ø g
≥0
H = 0, H = 844 , HL = 1984, Ø {
= 16 olarak bulunmuştur.
Hedef programlamada, karar vericilere bağlı olarak herhangi bir önceliği ya da ağırlığı
olmayan ya da belirli bir öneme ve/veya ağırlığa sahip amaçların en iyilenmesine
çalışılmaktadır. Dolayısıyla, geliştirilen amaç fonksiyonunun yapısına göre hedef programlama
türleri beş başlıkta sınıflandırılmaktadır:
Ele alınan problemin tek bir hedefi olması durumunda ortaya çıkan hedef programlama
türüdür. Hedef türüne bağlı olarak, amaç fonksiyonu üç farklı biçimde kurulur:
204
min = Ø){
min = Ø)g
Min = Ø { + Ø g + Ø { + ØLg
şeklinde yazılır.
hâlinde sapma değişkenlerine Ú) ağırlık değerleri verilmektedir. Bu ağırlıklar, her bir sapma
Hedeflerdeki sapma değişkenlerinin önem derecelerinin birbirinden farklı olması
değişkeninin diğerine oranla göreceli olarak önemini göstermektedir. Amaç fonksiyonu, sapma
değişkenlerinin ağırlıklandırılmış toplamının minimizasyonu şeklinde oluşturulur. Bu yaklaşım
genellikle eşit ağırlıklı çok hedefli problemlerin sapma değişkenlerinin boyutları/ölçü birimleri
farklı olduğunda tercih edilir. Örneğin hedef olarak kâr ve üretim miktarı belirlenmiş ise sapma
değişkenleri arasındaki ölçü birimi farklılığından dolayı ağırlıklar kullanılarak model
kurulmaktadır.
daha önemli olduğu bir hedef programlama modeli Ú = 10, Ú = 1 olmak üzere,
Birinci sapma değişkeninin ikinci sapma değişkenine nazaran göreceli olarak 10 kat
min = Ú Ø{ + Ú Øg
min = 10Ø { + 1Ø g
şeklinde kurulur.
Sapma değişkenlerine ağırlık verilmesi durumu bir hedef için negatif ve pozitif sapma
değişkenlerinin birbirine göre önemli olması durumunda da gerçekleşebilir.
Karar verici açısından bir hedefe ulaşmak diğer hedeflere ulaşmaktan daha önemli
olabilir. Dolayısıyla, öncelikli hedef programlamada karar verici hedeflere bir öncelik
belirlemekte ve bu önceliklere göre hedefleri sıralandırmaktadır. Buradaki ana fikir, ilk
205
öncelikli hedef ve/veya hedeflerin sonraki öncelik seviyesindeki hedef ve/veya hedeflerden
önce gerçekleştirilmesidir.
Ağırlıklı çok hedefli programlamadan farklı olarak, yüksek öncelikli hedefin en iyi
değerinin düşük öncelikli hedef tarafından kötüleştirilmesine izin verilmeyecek şekilde her
seferinde bir hedef en iyi kılınır.
Örnek:
Bir firma su emişli ve hava emişli olmak üzere iki tür elektrik süpürgesi üretmektedir.
Her iki ürünün üretimi için iki işlem gerekir. Bir birim su emişli süpürgenin üretimi için işlem-
1’de 6 saat, işlem-2’de ise 3 saat gereklidir. Birim hava emişli süpürge üretimi için her iki
işlemde de ayrı ayrı 3 saat gereklidir. Firmanın elindeki işlem zamanı ise işlem-1’de 120 saat,
işlem-2’de 90 saattir.
Min z = ×X { +Z×Y {
Kısıtlayıcılar;
x1+ Ø {
- ÛX g = 15 (Hedef Kısıtlayıcısı-1)
x2 – ×Y g + ×Y { = 15 (Hedef Kısıtlayıcısı-2)
206
6 x1 + 3 x2 ≤ 120
3 x1 + 3 x2 ≤ 90
x1, x2, Ø { , ÛX g , ×Y g , ×Y { ≥0
Optimal Çözüm;
x1 =7,5
x2 =15
×X { = [, a
×Y { = \
Birinci öncelikli birinci hedef için hem negatif hem de pozitif sapma değişkenleri
istenmeyen değişkenlerdir.
Birinci hedef için negatif sapma pozitif sapmadan 2 kat daha önemlidir.
İkinci hedef üçüncü, üçüncü hedef de ikinci öncelikli hedef olarak belirlenmiştir.
İkinci hedef için pozitif üçüncü hedef için ise negatif sapma değişkenleri istenmeyen
değişkenlerdir.
207
Uygulamalar
Aşağıda modeli verilen bir HP probleminin optimal çözümü WinQSB veya ABQM paket
programları ile çözülerek verilmiştir.
Model:
Ø = Øg − Ø { burada Ø g ≥ 0 Ø { ≥ 0
Ø = Øg − Ø{ burada Ø g ≥ 0 Ø { ≥ 0
Ø! ; Ø! ≥ 0 ise
Ø!g = Ü
0 ; değilse
Þ Ø! Þ ; Ø! ≤ 0 ise
Ø!{ = Ý
0 ; değilse
min = 5Ø { + 2Ø g + 4Ø { + 3ØLg
208
12H + 15H + 9HL − (Ø g − Ø { ) = 125
5H + 3H + 4HL − (Ø g − Ø { ) = 40
Çözüm Sonuçları:
H = 25/3
H =0
HL = 5/3
Øg = 0
Ø{ = 0
Ø g = 25/3
Ø{ = 0
ØLg = 0
ØL{ = 0
Ø =0
Ø = 25/3
ØL = 0
= 50/3
209
Uygulama Soruları
Hedef programlamada en iyi çözüm yerine elde edilen etkin çözüm ile ne ifade
edilmektedir?
210
Bu Bölümde Ne Öğrendik Özeti
211
Bölüm Soruları
a) Sapma değişkenleri
a) Karar değişkenleri
c) Yapay değişkenleri
d) Aylak değişkenleri
e) Artık değişkenleri
a) Karar değişkenleri
b) Sapma değişkenleri
c) Yapay değişkenleri
d) Aylak değişkenleri
e) Artık değişkenleri
3) Bir işletme aylık üretim dönemine ilişkin üç hedef belirlemiştir. Bu hedefler sırasıyla,
en fazla 300 saat işçilik kullanılması, bakım giderleri için tam olarak 1000 lira ödenmesi ve
aylık kârın en az 6000 lira olması şeklindedir. Hedefler için herhangi bir öncelik ve ağırlık
verilmemesi durumunda, firmanın hedef programlama probleminde oluşturulan amaç
fonksiyonu aşağıdakilerden hangisidir?
b) Min Z = Ø { + Ø g + Ø { + ØL{
c) Min Z = Ø g + Ø g + Ø { + ØL{
d) Min Z = Ø g + Ø { + ØL{
e) Min Z = Ø { + Ø { + ØL{
212
4) ……………………… birden çok amacın modelde yer almasına izin verir.
a) Dinamik programalama
b) Hedef programlama
c) Doğrusal Programlama
e) Dual programlama
5) Bir önceki soruda ele alınan problemin ilk iki amacı eşit önemde ve üçüncü amacı da
diğer amaçlardan daha önemli olması durumunda oluşturulacak amaç fonksiyonu
aşağıdakilerden hangisidir?
a) Min Z = ØL{ + (Ø g + Ø g + Ø { )
b) Min Z = Ø{ + (Ø g + Ø { ) + ( L ØL{ )
c) Min Z = ØL{ + (Ø g + Ø { + Ø g + Ø { )
d) Min Z = Øg + (Ø { + ØL{ )
e) Min Z = (Ø { + Ø { ) + ØL{
a) “Düşük” tek taraflı hedef, altına düşmek istemediğimiz bir alt sınırı ifade eder.
b) Çift taraflı hedef, altında ve üstünde kalmak istemediğimiz sınırları ifade eder.
a) Doğru
b) Yanlış
213
8) Hedef programalama modelleri her zaman maksimizasyon amacına sahiptir.
a) Doğru
b) Yanlış
a) Dinamik programalama
b) Hedef programlama
c) Simülasyon
e) Dual programlama
Cevaplar
1) a, 2) b, 3) , 4) b, 5) , 6) d, 7) a, 8) b , 9) b.
214
9. ÇOK KRİTERLİ KARAR VERME: ANALİTİK HİYERARŞİ
PROSES
215
Bu Bölümde Neler Öğreneceğiz?
216
Bölüm Hakkında İlgi Oluşturan Sorular
217
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
218
Anahtar Kavramlar
219
9.1.Giriş
Karar Verme (KV), hedefe ulaşmak ve amacı gerçekleştirmek için alternatif davranış
biçimleri arasından seçim yapma eylemidir. Yaşamsal ve yönetsel fonksiyonların özünde karar
verme yer alır. İnsanlar ve yöneticiler hayatın her aşamasında ve gerçekleştirdikleri her
fonksiyonda karar vermek zorundadırlar. Bir iş veya davranış nerede, kim tarafından, ne zaman,
nasıl gerçekleştirilecektir? Tüm bu soruların cevabı olabilecek çok sayıda alternatif arasından
en uygun olanını seçmek karar vermenin amacıdır.
9.2.Karar Verme
T.L. Saaty kararı (karar verme süreçlerini) "Sezgisel" ve "Analitik" olarak ikiye
ayırmaktadır. Sezgisel kararlar, verilerle desteklenmez ve genelde keyfi bir biçimde verilirler.
Bazı basit, derinliği olmayan karar durumlarında sezgisel yaklaşım başarılı olabilir. Ancak,
bilgi gerektiren karmaşık karar durumları ile karşılaşıldığında, karar vericiler sonuçta verdikleri
kararların kendi değer yargılarından sapmalar gösterdiğini görebilirler. Bu sapmaların
görülmediği durumlar için "iyi karar verme" ifadesi kullanılmaktadır. Kişinin sezgisel gücünü
vurgulamak anlamında iyi karar verme, bir "sanat" olarak görülmüştür. Günümüzde karar
verme uzun zamandır inanıldığının aksine bir "sanat" olmaktan çok bir "bilimsel süreç" haline
gelmeye başlamıştır. Bir kararın başarılı sayılabilmesi için, sıklıkla bir birleriyle çatışan değişik
aktörleri ve faktörleri bir arada değerlendirerek, tüm bunları tatmin eden sonuçlara ulaşabilmesi
ve bu sonuçların geçerliliğini zaman içinde koruması gerekmektedir. Bu nedenle kişilerin değer
yargılarını nesnel ve analitik metotlarla bir araya getiren yaklaşımlar geliştirilmiştir. Herkes
"iyi" ve "başarılı" kararlar vermeye çalışır. Ancak "iyi" kavramının kesin bir tanımı yoktur.
Karar vericiler "iyi sonuçları olan" kararlar ile ilgilenirler. Analistler veya akademisyenler ise
bilimsel teori çerçevesinde iyi oluşturulmuş ve karar faktörlerinin tümünü dikkate alan bir karar
verme sürecinin "iyi" karar vermeye yol açacağını savunurlar. Yine de ortak bir nokta olarak,
iyi bir kararın, amaçları en iyi şekilde karşılayan karar olması gerekliliği vurgulanabilir. "İyi"
ya da "rasyonel" karar verme sadece insana has bir özelliktir. Dolayısıyla, insan, karşısına çıkan
ve giderek daha karmaşık bir hal alan karar problemlerinde iyi kararlar verebilmek için sürekli
olarak yollar ve araçlar geliştirmektedir.
Yönetim bilimi literatüründe son yıllarda giderek artan bir ilgi gören Çok Kriterli Karar
Verme (ÇKKV) alanı, bir karar durumu ile ilgili olarak birbiri ile çatışan birden fazla kriteri
karşılayan olası "en iyi/en uygun" çözüme ulaşmaya çalışan yaklaşım ve yöntemleri bünyesinde
barındırmaktadır. ÇKKV, eğer temel amaç en iyi alternatifin tasarlanması değil de başlangıçta
belirgin ve sayılabilir özellikteki aday, plan, politika, strateji, hareket biçimi alternatiflerinin
karşılaştırılması, derecelendirilmesi, sınıflandırılması veya bunlar arasından en iyisinin
seçilmesi ise Çok Nitelikli Karar Verme (ÇNKV) adını alır.
İşte Çok Kriterli Karar Verme süreçleri, karmaşık karar problemlerini bilimsel ve
analitik bir çerçevede ele alarak karar vericiye en çok istediği çözüme ulaşmasında yardımcı
olmaya çalışan prosedürler bütünü olarak ortaya çıkmıştır. Çok Kriterli Karar Verme (kısaca
ÇKKV) (Multiple Criteria Decision Making-MCDM), en kısa tanımıyla; "Çoklu ve birbiriyle
çatışan amaçların (kriterlerin) gerçekleştirilmek istendiği problemlerin çözümüne" verilen
220
genel isimdir. Çok Kriterli Karar Verme alanında inceleme yaparken şu iki soru akla gelebilir:
"ÇKKV, işletme yöneticilerinin veya genel olarak kişi ve organizasyonların her gün
karşılaştıkları ve çözümlemeye çalıştıkları gerçek-hayat problemleri midir?" veya “ÇKKV,
matematik ve istatistik ile desteklenen Yönetim Bilimi veya Yöneylem Araştırması alanının
kapsadığı bir Yönetsel Karar Verme Modelleri kümesi midir?". İkinci soru, ÇKKV
literatüründe yer alan bazı matematiksel işaretler ve teknik dil ile ilk kez karşılaşan biri
tarafından daha basitçe şöyle sorulabilir: "ÇKKV bir tür matematik midir?". Bu sorulara yanıtın
"Her ikisi de..." şeklinde verilmesi mümkün görünmektedir. Bir yönüyle ÇKKV, karar verici
(kişiler, kurumlar, yöneticiler) açısından günlük hayatta karşılaşılabilecek problemlerin
çözümlenme çabasıdır. Ancak diğer yönüyle, rasyonel karar vermeye yardımcı olmak için
analist veya bazen karar vericinin kendisi tarafından problemin modellenmesi ve yöntemler
kullanılması yolu ile en yüksek tatminin sağlanabileceği çözümlere ulaşılması çabasıdır. Bu
noktadan hareketle; ÇKKV, hem bir yaklaşımı temsil eder hem de, çoklu, aynı ölçüye sahip
olmayan ve birbiriyle çatışan kriterlerle karakterize edilebilecek problemlerle karşılaşan
insanlara, kendi değer yargılarına uygun seçimler yapmalarında yardımcı olması için
tasarlanmış teknik veya yöntemleri kapsayan bir üst kavramı anlatır. ÇKKV, Yöneylem
Araştırmasının son yıllarda en hızlı gelişen dalı olarak görülmekte ve bu alanın özü olan
problem çözmede sistem düşünüşü, çok disiplinlilik ve bilimsel yaklaşım karakterlerini
yenileyen ve canlandıran bir alanı temsil etmektedir. Bu alanda çalışmaların odak noktası,
"karar vericiye karşılaştığı problemi yapılandırmasında ve çözüme ulaşmasında yardımcı olma"
noktasına kaymıştır. Böylelikle, “veri olan” ve "iyi yapılandırılmış" problemlerin bilgisayar
destekli etkin algoritmalarla optimizasyonu süreçlerinin kullanılmasına odaklanılmaktan
uzaklaşılmıştır. Tüm bunların yanında ÇKKV’nin, yeterince olgunlaşmış ve çok yönlü bir teori
olma özelliği gösterdiği söylenememekte ve bunun sebebi gençliği ve disiplinler arası duruşu
olarak görülmektedir. Bu bölümde çok kriterli karar verme yöntemlerinden Analitik Hiyerarşi
Prosesi üzerinde durulacaktır.
İlk olarak Myers ve Alpert (1968) tarafından ortaya atılan ve daha sonra Saaty (1977 ve
1982) tarafından geliştirilen Analitik Hiyerarşi Prosesi (AHP), karmaşık ve çok sayıda özellik
içeren karar verme problemlerinde, karar seçenek ve kriterlerine göreceli önem değerleri
verilmek suretiyle yönetsel karar mekanizmasının çalıştırılması esasına dayanan karar verme
sürecidir. AHP’de çok amaçlı karar verme yöntemlerinin temel özelliği olarak sadece nicel
(kantitatif) değil aynı zamanda nitel (kalitatif) değerler de göz önüne alınır.
221
derecesine bağlıdır. Aşağıdaki şekilde dört kriterli üç seçenekli basit bir AHP yönteminin
hiyerarşik yapısı görülmektedir.
• Bütünleştirme (sentez)
Örneğin C sınıfı sedan aracı seçmek için oluşturulan AHP öreği için hiyerarşik yapı
aşağıdaki gibi olur.
222
Amaç: En iyi / En uygun C sınıfı sedan aracı seçmek
Alternatifler (Seçenekler): Ford Focus, Renault Megane, Honda Civic, Opel Astra
Karar vericiden (uzman kişilerden) ikili karşılaştırmalar yaparak, her bir kriter açısından
seçenekler (alternatifler) için birer karşılaştırma matrisi ve de kriterlerin kendi aralarında
karşılaştırılarak bir karşılaştırma matrisi oluşturulur.
Söz konusu ilgili kişi ve/veya kişiler mutlaka konunun uzmanı olmasalar bile en azından
konuyu bilen, konuya aşina olan kişiler olmalıdır. AHP' nin teorik alt yapısı üç aksiyoma
dayanır. Bu aksiyomlardan birincisi, iki taraflı olma (reciprocity) aksiyomudur. Örneğin, “A
elemanı B elemanının üç katı büyüklüğünde ise B, A’nın üçte biridir. İkinci aksiyom
homojenlik aksiyomudur ve karşılaştırılan elemanların birbirinden çok fazla farklı olmaması
gerektiğini, farklı olması durumunda yargılarda hataların ortaya çıkabileceğini ifade
etmektedir. Üçüncü aksiyom bağımsız olma aksiyomudur ve bir hiyerarşideki belirli bir
kademeye ait elemanlara ilişkin yargıların veya önceliklerin başka bir kademedeki
elemanlardan bağımsız olmasını gerektirir. Bu ifade, üst kademe kriterlerin önceliklerinin yeni
bir seçenek eklendiğinde veya çıkarıldığında değişmeyeceği anlamına gelmektedir.
223
1
!) =
)!
Örnek:
Bu ankette sizden, her bir soruda yer alan iki faktörü karşılaştırmanız istenmektedir.
Amaçları tamamen kişisel yargınıza dayanarak karşılaştırınız. Hangi kriter sizin için daha
önemli ise o faktörü yuvarlak içine alınız ve önem derecesi için 1-9 arasında puan veriniz. Puan
derecesi için:
İki faktör sizin için eşit derecede önemli ise 1 puan veriniz
“Ürün özellikleri” kriterleri ile ilgili aşağıda her bir soruda karşılaştırma yaparak puan
veriniz.
224
1 3 1/5
+ = ’ 1/3 1 1/7 •
5 7 1
9.6.Önceliklerin Belirlenmesi
• Seçilen değer ile tutarlılık indeks değeri karşılaştırılarak matrislerin tutarlılığı test
edilir.
AHP kendi içinde ne kadar tutarlı bir sistematiğe sahip olsa da sonuçların gerçekçiliği
doğal olarak, karar vericinin ölçütler arasında yaptığı birebir karşılaştırmadaki tutarlılığa bağlı
Sonuçta elde edilen Tutarlılık Oranı ( Ò) ile, bulunan öncelik vektörünün ve dolayısıyla
olacaktır. AHP bu karşılaştırmalardaki tutarlılığın ölçülebilmesi için bir süreç önermektedir.
225
imkanını sağlamaktadır. AHP, Ò hesaplamasının özünü, ölçüt sayısı ile özdeğer adı verilen
(ß) bir katsayının karşılaştırılmasına dayandırmaktadır. ß’nın hesaplanması için öncelikle +
karşılaştırma matrisi ile Ú öncelik vektörü çarpılır.
… Ú
Ú
+. Ú =
…
… … … … …
% % … % Ú
Yukarıdaki matris çarpımında tanımlandığı gibi, bulunan +. Ú sütun vektörü ile Ú sütun
vektörünün karşılıklı elemanlarının bölünür. Bu şekilde λ değerleri hesaplanır. Bu değerlerin
aritmetik ortalaması alınarak λ%&'( bulunur.
λ%&'( − 4
Tutarlılık İndeksi = á =
4−1
Son aşamada ise á, Rasgele İndeksi (âà) olarak adlandırılan ve Tablo 9-2’de
gösterilen standart düzeltme değerine bölünerek Ò elde edilir. Tablo 9-2’ den kriter sayısına
karşılık gelen değer seçilir. Örneğin 3 kriterli bir karşılaştırmada kullanılacak Òá değeri Tablo
9-2’ den 0,58 olacaktır.
4 Òá 4 Òá
3 0,58 9 1,45
4 0,90 10 1,49
5 1,12 11 1,51
6 1,24 12 1,48
8 1,41 13 1,56
á
Tutarlılık Oranı = Ò =
Òá
226
Ò değerinin 0,10’dan küçük olması karar vericinin yaptığı
karşılaştırmaların tutarlı olduğunu gösterir. Ò değerinin 0,10’dan büyük olması ya AHP’deki
Hesaplanan
Örnek:
1 3 1/5
+ = ’ 1/3 1 1/7 •
5 7 1
5 7 1 0,72 2,27
0,59/0,19 3,04
+. Ú 3,04 + 3,01 + 3,14
= ’ 0,25/0,08 • = ’ 3,01 • → λ%&'( = = 3,07
Ú 3,14 3
0,72/2,27
á 0,035
Ò= = = 0,057 < 0,10 Buna göre A karşılaştırma matrisi tutarlıdır.
Òá 0,58
227
9.8.Bütünleştirme
Örnek:
Masiko Mobilya firmasının, büyüyen üretim hacmi için yeni bir fabrika yeri seçmesi
gerekiyor. Firma, yeni yerin seçiminde karar vermek için Analitik Hiyerarşi Süreci’ni
kullanmak istiyor. Masiko Mobilya’nın kararına etki edecek 4 kriteri bulunmaktadır: Emlâk
fiyatı, tedarikçilere uzaklığı, o yerdeki işgücünün kalitesi ve işçilik maliyeti. Firmanın karar
vermesi gereken 3 yer alternatifi bulunmaktadır: A, B ve C.
Çözüm:
Yer Seçimi
228
Emlak Fiyatı açısından uzman kişilerce oluşturulan karşılaştırma matrisi ve bu kriter
açısından seçeneklere ilişkin önceliklerin (ağırlıkların) belirlenmesi:
Emlak A B C A B C Ortalama
Önce her sütundaki değerler alt alta toplanarak, sütun toplamları elde edilir. Sonra bu
değerleri aynı sütunun toplamına bölünür (Matris normalize etme). Yeni çıkan matriste, her
sütunun toplamı 1’e eşit olacaktır. Emlak Fiyatı kriterine ilişkin seçenekler için oluşturulmuş
karşılaştırma matrisinin tutarlılığı incelenirse;
1 3 1 0,405 1,23
1 5 1 0,480 1,46
229
λ%&'( − 4 3,03 − 3 0,03
á= = = = 0,015
4−1 3−1 2
á 0,015
Ò= = = 0,025 < 0,10 Buna göre + karşılaştırma matrisi tutarlıdır.
Òá 0,58
Tedarikçi A B C A B C Ortalama
İşgücü A B C A B C Ortalama
230
İşgücü Maliyeti açısından uzman kişilerce oluşturulan karşılaştırma matrisi ve bu kriter
açısından seçeneklere ilişkin önceliklerin (ağırlıkların) belirlenmesi:
Maliyet A B C A B C Ortalama
Aşağıda yer seçiminde önemli olan 4 kriterin kendi aralarında karşılaştırma matrisleri
verilmektedir. Şu ana kadar, seçilecek yer alternatiflerini elimizdeki kriterlere göre
karşılaştırarak bir matrise ulaştık. Aynı yöntemi kullanarak, kriterlerin kendi aralarındaki önem
sırasını da belirlememiz gerekiyor. Bunda da birinci basamakta olduğu gibi, standart tercih
tablosundaki değerleri kullanarak ilk matrisimizi oluşturuyoruz. Fabrika yeri seçiminde takip
ettiğimiz ilk 4 basamağı, bu yeni matris için de tekrar ederek gördüğünüz tabloya ulaşıyoruz.
Satır ortalamasına dikkat edelim. Satır ortalamasını ayrı bir tablo olarak çıkardığımızda
görüyoruz ki, fabrika yeri seçiminde bizim için tedarikçiye olan yakınlık net bir şekilde birinci
sırada önemlidir. Onu emlâk fiyatı, işgücü maliyeti ve işgücü rezervi takip etmektedir.
Fiyat 1 0,2 3 4
Yakınlık 5 1 9 7
231
Fiyat Yakınlık İşgücü Maliyet Kriterler ã
Ú 0,203
Ú 0,657
Ú=
ÚL
=
0,069
Ú| 0,071
Doğal olarak kriterlere ilişkin oluşturulmuş karşılaştırma matrisi de tutarlılık testine tabi
tutulur.
Yukarıda elde edilmiş olan her bir kriter açısından alternatifler için hesaaplana önem
dereceleri (ağırlıklar) kullanılarak (yan yana getirilerek) aşağıdaki matrise ulaşılır.
‰X ‰Z ‰Z ‰b
Yerleşim
Fiyat Yakınlık İşgücü Maliyet
232
Elimizde yapılan hesaplama sonucu 2 adet matris bulunmaktadır. Bir tanesi yer
alternatiflerinin verilen kriterler bazında aldığı önem puanlarını, diğeri ise kriterlerimizin kendi
aralarındaki önem puanlarını, yani ağırlıklarını içermektedir. Bu iki matris çarpılarak
seçeneklere ilişkin son ağırlıklar elde edilir.
‰X ‰Z ‰Z ‰b × ã
0,071
Örnek:
karar matrisini aşağıdaki gibi oluşturmuş ve karar kriterlerine ilişkin ağırlıkları ise Ú = 0,20,
Bir çoklu karar probleminde 3 seçenek ve 4 karar kriteri bulunmaktadır. Karar verici
233
0,20
0,15
Ú=
0,40
0,25
0,33
] = 0,10
0,57
234
Bu vektörden 1. değerlendirme faktörü açısından + ’in %33, + ’nin %10 , +L ’ ün ise
%57 öneme sahip olduğu söylenebilir. Benzer şekilde diğer değerlendirme faktörleri için karar
noktalarının önem dağılımları aşağıda hesaplanmıştır.
+ + +L
+ 1 1/3 3
+ 3 1 5
+L 1/3 1/5 1
4,33 1,53 9
0,26
] = 0,63
0,11
+ + +L
+ 1 1/2 1/4
+ 2 1 1/3
+L 4 3 1
235
0,1429 0,1111 0,1582 = 0,4122 ⇒ 0,14
0,14
]L = 0,24
0,62
+ + +L
+ 1 1 5
+ 1 1 5
+L 1/5 1/5 1
2,20 2,20 11
236
0,46
]| = 0,46
0,08
Daha sonra yukarıda bulunan ] sütun vektörleri matris formatında bir araya getirilmiş
ve Ñ vektörü ile çarpılmıştır.
] ] ]L ]| Ñ
0,25
Elde edilen sütun vektöründeki 0,28 1. karar noktasının + önem seviyesini, 0,32 2.
karar noktasının + önem seviyesini, 0,40 ise 3. karar noktasının +L önem seviyesini
göstermektedir. Diğer bir deyişle karar noktalarının önem dizilimi +L , + ve + şeklinde
olacaktır.
237
Uygulamalar
Çözüm:
İkinci adımda her bir hücre değer sütun toplamına bölünerek karşılaştırma matrisi normalize
edilir.
238
Uygulama Soruları
239
Bu Bölümde Ne Öğrendik Özeti
Bu bölümde çok kriterli karar verme, çok nitelikli karar verme ve özellikle çok kriterli
karar vermede en sık kullanılan AHP yöntemi ele alınmıştır. Karşılaştırma matrislerinin nasıl
oluşturulduğu, matrislerin tutarlılık testlerinin nasıl yapıldığı ayrıntılı olarak anlatılmıştır.
240
Bölüm Soruları
a) 3 × 3 b) 3 × 4 c) 4 × 3 d) 4 × 4 e) 7 × 7
2) 4 kriterli 3 seçenekli bir seçim probleminde herbir kriter açısından seçeneklere ilişkin
oluşturulan karşılaştırma matrisi hangi boyutta olur?
a) 3 × 3 b) 3 × 4 c) 4 × 3 d) 4 × 4 e) 7 × 7
a) 1 b) 1/2 c) 2 d) 1/4 e) 4
a) 1 b) 1/2 c) 2 d) 1/4 e) 4
5) Bir karşılaştırma matrisi normalize etmek için aşağıdakilerden hangisi ilk adım olarak
uygulanır?
241
6) Normalize edilmiş bir karşılaştırma matrisinin sütun toplamları kaç olmalıdır?
a) 1 b) 2 c) 3 d) 4 e) 0
a) Seçeneklerin ağırlıkları
b) Kriterlerin ağırlıkları
c) Seçeneklerin toplamı
d) Kriterlerin toplamı
e) Tutarlılık oranı
a) A b) B c) C d) B ve C e) A ve C
Cevaplar
242
10. OYUN TEORİSİ
243
Bu Bölümde Neler Öğreneceğiz?
244
Bölüm Hakkında İlgi Oluşturan Sorular
245
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
246
Anahtar Kavramlar
• Oyun teorisi
• Oyuncu
• Strateji
• Oyunun değeri
• Karma stratejiler
247
Giriş
Giriş Oyun teorisi, ekonomi başta olmak üzere; gerçek hayat problemlerinde, sosyal
bilimlerde, mühendislik, siyaset bilimlerinde, bilgisayar bilimleri ve felsefede sıkça kullanılan
bir yöntemdir. Oyun teorisi, bireyin, başarısının diğer bireylerin seçimlerine dayalı olduğu
seçimler yapması olan bazı stratejik durumların matematiksel olarak davranış biçimlerini
yakalamaya çalışır. İlk başlarda bir bireyin kazancının ötekinin zararına olduğu (sıfır toplamlı
oyunlar) yarışmaları çözümlemek için geliştirilmişse bile, daha sonradan birçok kısıta dayanan
çok geniş bir etkileşim alanını incelemeye başlamıştır.
Daha öncesinde bazı gelişmeler olmuşsa da, oyun teorisi, 1944 yılında çıkan John Von
Neumann ve Oskar Morgenstern tarafından yazılmış olan “Oyunların ve Ekonomik Davranışın
Teorisi” adlı kitapla başlamıştır. Bu teori, geçmişten geleceğe, sosyal bilimlerde çok önemli bir
rol oynamaktadır.
248
• her bir oyuncunun ne bildiğini, bilmemiz gerekir.
Oyun teorisinin tanımına geri dönersek; “İki ya da daha fazla rakibi belirli kurallar
altında birleştirerek karşılıklı olarak çelişen olasılıklar karşısında, birbirlerine karşı en doğru
stratejiyi belirleme yöntemidir” şeklinde tanımlamıştık. Bu tanıma göre bir oyunda oyuncular,
oyunun kuralları ve stratejiler, oyunda elde edilen kazanç veya kayıplar (pay-off), oyunun
sonucu ya da denge noktası unsurlarının bulunması gerekmektedir.
Stratejiler: Her oyuncunun sahip oldukları eylem seçenekleri. Bir oyuncu için herhangi
bir strateji kural olup, seçenekler oyunun seçimini belirler. Herhangi bir oyuncunun seçenekleri
belirsiz sayıdaysa oyun sonlu değil süreklidir. Seçenek sayısı belirli ise oyun sonludur
Kazanç veya Ödemeler: Oyunun sonucu kazanma, yitirme veya oyundan çekilme
olabilir. Her sonuç veya ödeme, negatif, pozitif veya sıfır olmak üzere her oyuncunun rakibine
karşı kazancını veya kaybını belirler.
kişilik, üç kişilik veya (n) kişilik oyunlar kurulabilir. 4 = 2 ise oyun 2 kişilik, 4 ≥ 2 ise oyun
Oyunlar: Oyunların sınıflandırılması genellikle oyuncuların sayılarına göre yapılır. İki
4 kişili oyundur. Ayrıca sıfır toplamlı, sabit toplamlı olmayan ve sıfır toplamlı olmayan oyunlar
olarak da oyunlar sınıflandırılır.
249
Tam (arı) Stratejiler: Oyunun sonucunu tek bir strateji çiftinin oluşturması durumu.
Söz konusu sonuç her oyuncu için olabilecek en iyi sonuçtur. Tam stratejiler, oyunun tepe (eyer)
noktasını belirler.
Karma Stratejiler: Oyunun sonucunu birden fazla strateji çiftinin belirlemesi durumu.
Strateji çiftleri olasılık değerleri ile ifade edilir ve oyunun sonucunu oluşturan strateji çiftleri
olasılık değerleri toplamı 1 dir.
Beklenen Değer: Oyunun sonucunda herhangi bir oyuncunun elde edeceği değer.
Beklenen değer strateji çiftlerinin gerçekleşme olasılıkları ile değerlerinin çarpımlarının
toplamıdır.
a) Oyuncu: Bir oyunda her bir karar veren birime oyuncu denir ya da bir başka ifadeyle;
oyunun taraflarına oyuncu denir. Bu oyuncular bazen bireyler, bazen firmalar veya bazen de
devletler olabilir. Bir oyunu oynayabilmek için en az iki oyuncuya ihtiyaç vardır. Her oyuncu
kendi bilgi seti ve rakibinin bilgi seti doğrultusunda faydasını maksimize edecek şekilde
rasyonel olarak hareket ettikleri varsayımı altında hareket ederler. Rasyonel olmayan
hareketlerin hiçbiri oyun teorisi içinde yer alamaz. Kısacası her oyuncu sahip olduğu tercihler
arasında, mümkün olan en büyük ödülü verecek tercihi seçerek oyunu bitirmek arzusundadır.
b) Oyunun kuralları ve stratejiler: Bir oyunun oynanabilmesi için oyuna taraf olan
oyuncuların belirli kurallar altında birleşmeleri gerekmektedir. Kuralların olmaması
durumunda taraflar stratejilerini belirleyemeyeceklerdir. Bu kurallar satranç oyununda olduğu
gibi her taşın nasıl hareket edeceği, şirketlerin ticaretini bir düzende tutan ticaret kanunu ya da
uluslararası anlaşmalarla belirlenen kurallar olarak da ifade edilebilir. Stratejiler ise; her
oyunda oyuncuların belli hareketler içerisinde çeşitli seçenekleri vardır. Oyuncuların belirli bir
zaman dilimi içerisinde rakibinin olası hareketlerine karşı önceden belirlenen ve olanaklı
alternatiflerden rakibin hareket tarzlarını saptayan kurallar bütününe strateji denir.
c) Oyunda elde edilen kazanç ve kayıplar: Oyunun oynanması süresince her bir
stratejiye karşılık gelen, her oyuncunun bir kazancı ya da bir kaybı söz konusudur. Bu kazanç
ya da kayıplar artı sonsuz ile eksi sonsuz arasında yer alabilir. Bu değerler sayısal olarak ifade
edilebileceği gibi, oransal olarak da ifade edilebilir. Kazançlar ya da kayıpların birimleri her
durumda aynı ölçü biriminde olması gerekmektedir. Oyuncuların strateji seçimlerinden ortaya
çıkan kazanç ve kayıpları göstermek için kullanılan matrise ise ödemeler matrisi adı
verilmektedir.
250
10.2. Denge Kavramı ve Nash Dengesi
1950 yılında John Nash çözüm ve denge noktası olarak da bilinen ve günümüzde en çok
kullanılan Nash dengesi teorisini oluşturmuştur.
Çoğu oyunların baskın stratejileri yoktur ve oyuncular kendi hareketlerini seçmek için
diğer oyuncunun hareketlerini ortaya çıkarmak zorundadır. Bu bakımdan oyuncular, diğer
oyuncuların kararları veri iken yapabileceklerinin en iyisini yapacaklardır. Bu da baskın strateji
dengesini de içine alan ve daha geniş bir denge kavramı olan Nash dengesidir. Nash dengesi
çok geniş oyunlar sınıfında çok kuvvetli tahminle üreten bir çözüm kavramıdır.
Nash dengesinde temel unsur, bir denge noktası düşüncesidir. Analizde Nash, Von
Neumann minimaks teoremi genelleştirilmesinin temeli olarak en iyi cevap yaklaşımını
seçmiştir. Nash’a göre, iki kişilik bir oyunun çözümüne aday olacak bir strateji çifti, stratejinin
her biri rakibinin oynayacağını tahmin ettiği diğerine, en iyi cevap verebilme niteliğini
sağlaması gerekmektedir. Bir denge noktası diğer oyuncuların stratejileri hususunda karar
verdikleri inanılıyorsa, her bir oyuncunun stratejilerinin, oyuncunun kendi ödülünü maksimize
ettiği durumu ifade etmektedir. Her bir oyuncunun stratejisi, diğer oyuncuların oynayacağını
tahmin ettiği stratejilerine karşı optimaldir. Bu özellikleri olan bir strateji çifti (kombinasyonu)
Nash dengesi olarak isimlendirilmekte, işbirliksiz oyunların temelini oluşturmaktadır.
Bu durumda oynanan herhangi bir durumda oyunda oyuncular için baskın stratejilerin
bulunması sonucunda ulaşılan denge durumunun aynı zaman da Nash dengesine karşılık
geldiğini söylemek mümkündür. Buna karşılık her Nash dengesi baskın stratejiye sahip ortaya
çıkaran dengeyi vermek zorunda değildir. Çünkü kimi oyunlarda birden fazla Nash dengesine
ulaşılması mümkündür.
251
Oyunda tek bir denge noktası varsa hamle sayısı ne olursa olsun oyuncular bütün oyun
boyunca tek bir strateji kullanacaklardır. Oyuncunun kullandığı bu tek stratejiye Salt Strateji
denir. Bazı oyunlarda tek yerine birden fazla denge noktası vardır. Bu durumda oyuncular
hamlelerinin bir kısmında bir oyun, diğer kısımlarında başka bir oyun uygulama imkânına
sahiptirler. Böylece oyuncuların bir oyun süresince birden fazla hareket tarzını seçebilmelerine
ve çeşitli kararları bir arada benimsemelerine Karma Strateji uygulaması denir.
Oyunlar teorisinin amacı rekabet etmekte olan, beklentileri zıt iki oyuncu için rasyonel
hareket yollarını sezmektir. Tekrarı mümkün oyunlarda bir oyun için optimum strateji mümkün
en büyük ortalama kazancı garanti edecek stratejidir. Rakip yönünden beklenen optimum
strateji ise mümkün en küçük ortalama kaybı garanti edebilecek bir stratejidir.
Kaynakların kıt olduğu bir ortamda amaçlarını gerçeklemeye çalışan iki ya da daha fazla
sayıda karar verici rekabet halindedirler. Diğer bir deyişle kaynakları paylaşım çabası
içindedirler. Karar vericilerin bu paylaşımda kendilerine en yüksek getiriyi sağlamak için
birbirlerine karşı kullandıkları stratejileri vardır ve bu stratejileri mümkün olan en akılcı şekilde
kullanırlar.
Oyunun sonucu ister saf strateji ister karma strateji olsun çözüm süreci ödemeler matrisi
üzerinde gerçekleştirilir. Çözüm süreci oyunun hangi oyuncu açısından değerlendirileceğinin
seçimi ile başlar. Eğer ödemeler matrisinin satırlarını temsil eden oyuncu için çözüm
gerçekleştirilecekse maksimin (minimumların maksimumu) yöntemi, sütunlarını temsil eden
oyuncu için çözüm gerçekleştirilecekse minimaks (maksimumların minimumu) yöntemi
uygulanır. Oyunun sonucunda maksimin ve minimaks değerleri birbirine eşitse, oyun saf
stratejili bir oyundur.
Maksimin yönteminde öncelikle ödemeler matrisinin her bir satırının en küçük elemanı
seçilir. Daha sonra bu değerler arasından en büyüğü belirlenir. Bulunan değer ödemeler
matrisinde satırları temsil eden oyuncunun beklenen değeridir. Çünkü oyuncu satırlardaki
büyük değerin seçilmesi durumunun diğer oyuncu tarafından tercih edilmeyeceğini ve diğer
oyuncunun oyunu terk edeceğini bilir. Bu oyuncu açısından en küçük değerlerin en büyüğü ise
mantıklı bir sonuç olacaktır. Diğer bir deyişle bu oyuncu açısından geçerli strateji kötülerin
iyisi olarak özetlenebilir.
252
Sütunları temsil eden oyuncu açısından bakıldığında ise bu kez doğru mantık iyilerin
kötüsü olacaktır. Çünkü sütunları temsil eden oyuncu diğer oyuncunun maksimin stratejisini
bilir ve oyunu minimaks stratejisi ile oynar. Sütunları temsil eden oyuncu elemanlarını gözden
geçirir ve her bir sütunun en büyük değerini seçer. Bu oyuncu açısından oyunun sonucu bu
değerlerin en küçüğüdür.
Sütun Oyuncusu
B1 B2 B3 B4
A1 5 -2 4 3
Satır
A2 9 6 3 -4
Oyuncusu
A3 7 6 8 5
Örnek:
Rekabet halindeki A ve B firmalarından yıllık kar (milyon TL) açısından A’ nın 3 (A1,
A2, A3), B’ nin ise 4 (B1, B2, B3, B4) stratejisi bulunmaktadır. A firmasına göre düzenlenen
ödemeler matrisi aşağıda gösterilmiştir. Buna göre A ve B firmaları arasındaki rekabet oyununu
değerlendiriniz.
Sütun Oyuncusu
B1 B2 B3 B4
A1 5 -2 4 3
Satır
A2 9 6 3 -4
Oyuncusu
A3 7 6 8 5
L | 5 −2 4 3
Ödeneler Matrisi = ç L | è = ç 9 5 3 −4 è
L L LL L| 7 6 8 5
253
A oyuncusu maksimin mantığı ile hareket edecek ve B oyuncusunu oyunda tutmak için
kendi stratejilerini temsil eden satır değerlerinin en küçüklerini seçecektir. Bu değerler
arasından en büyüğü olan 4 değeri ise A oyuncusu için en iyi değerdir. Diğer bir deyişle A’nın
en iyi stratejisi A3 stratejisidir.
Satır en
B1 B2 B3 B4
küçüğü
A1 5 -2 4 3 -2
A2 9 6 3 -4 -4
A3 7 6 8 5 5
Sütun 9 6 8 5 5 Minimaks
en büyüğü
Minimaks
A’nın strateji mantığını bilen B oyuncusu ise minimaks mantığı ile hareket edecek ve
öncelikle kendi stratejilerini temsil eden sütun değerlerinin en büyüklerini seçecektir. Minimaks
mantığına göre B oyuncusunun geçerli stratejisi, bu değerler arasından en küçüğünü seçmek
olacaktır. Yukarıdaki örneğe göre bu değer 5 yani B4 stratejisidir. Sonuçta maksimin ve
minimaks değerleri birbirine eşit olduğundan bu oyun saf stratejili yani tepe noktalı bir
oyundur ve oyunun sonucunda A oyuncusunun beklenen değeri 4 (milyon TL) olarak
gerçekleşecektir. Bu değer ise B oyuncusu açısından bir kayıp olacaktır.
Örnek:
Üçer stratejisi olan satır ve sütun oyuncularının, sütun oyuncusunun satır oyuncusuna
yaptığı ödemeleri gösteren ödemeler matrisi aşağıda verildiği şekildedir. Buna göre oyuncular
seçmesi gerekli stratejileri belirleyiniz.
A1 10 6 5
A2 6 15 2
A3 8 3 4
254
Öncelikle satır oyuncusu ile başlansın. Satır oyuncusu eğer birinci stratejisini seçerse,
sütun oyuncusu da üçüncü stratejiyi seçecektir. Böylece sütun oyuncusu kaybının en az
olmasını sağlar. Satır oyuncusu ikinci stratejiyi seçerse sütun oyuncusu üçüncü stratejisini
seçecektir. Böylece en az kaybı yaşayacaktır. Eğer satır oyuncusu üçüncü stratejiyi seçerse,
sütun oyuncusu ikinci oyunu seçerek kaybını en az tutacaktır. Satır oyuncusu da en küçüklerin
en büyüğünü seçmek durumundadır. Böylece satır oyuncusu her stratejisine karşılık rakibinin
(sütun oyuncusunun) seçimi ne olursa olsun, sütun oyuncusunun satır oyuncusuna garantilediği
en az kazancı maksimize etmiş olur. Bu durumda Maks (4, 1, 2) = 4 olup satır oyuncusu için en
iyi strateji birinci stratejidir. Bu stratejiye maksimin strateji denir.
A1 10 6 5 5*
A2 6 15 2 2
A3 8 3 4 4
Maks. Sütun 10 15 5*
Sütun oyuncusu açısından ele alınırsa, yani sütun oyuncusu birinci stratejisini seçerse
satır oyuncusu kazancını en büyük yapmak için birinci stratejiyi seçecektir. Eğer sütun
oyuncusu ikinci stratejisini seçerse satır oyuncusu ikinci stratejisini seçecektir. Böylece
kazancını en büyük yapacaktır. Eğer sütun oyuncusu üçüncü stratejisini seçerse satır oyuncusu
kazancını en yüksek tutacak olan birinci stratejisini seçecektir.
Böylece sütun oyuncusu her stratejisine karşılık rakibinin (satır oyuncusunun) seçimin
ne olursa olsun, satır oyuncusunun sütun oyuncusuna neden olduğu en yüksek kaybı minimize
etmiş olur. Bu durumda Min (10, 15, 5) = 5 olup sütun oyuncusu için en iyi strateji üçüncü
stratejidir. Bu stratejiye minimaks strateji denir.
255
strateji çifti olmaması anlamına gelir. Aşağıda karma stratejili oyunlar için kullanılabilecek
Grafik Yöntem ve Doğrusal Programlama Yaklaşımı açıklanmıştır.
Bir oyunda ödemeler matrisindeki bir strateji, diğer bir stratejiyle karşılaştırıldığında,
strateji, karşılaştırılan stratejinin bire bir karşılık gelen her değerinden üstün ise, bu stratejiye
üstün (baskın) strateji denir. Diğer strateji, kendisinden her açıdan daha üstün bir strateji olduğu
için oyuncu tarafından asla seçilmeyecektir. Bu nedenle ödemeler matrisinden silinebilir.
Örnek:
B
A
K1 K2 K3
S1 2 8 -1
S2 13 10 9
S3 4 -2 5
Çözüm:
256
B
A
K1 K2 K3
S2 13 10 9
S3 4 -2 5
A K1 K2 K3
S2 13 10 9
257
…
+ = i … j
! (+) =é ! − ! êH + !
Görüldüğü gibi beklenen değerler doğru denklemi formatındadır. Daha sonra elde edilen
Örnek:
4 −1
+ = i j
1 3
(+) = ( − )H + = (4 − 1)H + 1 = 3H + 1
H = 0 ⇒ (+) = 1
(+) için Ü
H = 1 ⇒ (+) = 4
H = 0 ⇒ (+) = 3
(+) için Ü
H = 1 ⇒ (+) = −1
258
Şekilden görüleceği gibi beklenen değer doğruları tek noktada kesişmektedirler ve bu
(+) = (+)
3H + 1 = 3 − 4H
7H = 2
2
H =
7
2 5
H = 1−H = 1− =
7 7
2 13
(+) = 3. + 1 = ≅ 1,86
7 7
Örnek:
5 3 1 1
+ = i j
1 1 3 2
259
Bu oyunda A oyuncusunun 2 stratejisine karşılık B oyuncusunun 4 stratejisi
bulunmaktadır. B oyuncusunun stratejilerine karşılık A oyuncusunun beklenen değerleri
aşağıdaki gibi hesaplanmıştır.
(+) = ( − )H + = (5 − 1)H + 1 = 4H + 1
(+) = ( − )H + = (3 − 1)H + 1 = 2H + 1
L (+) =( L − L )H + L = (1 − 3)H + 3 = 3 − 2H
| (+) =( | − | )H + | = (1 − 2)H + 2 = 2 − H
H = 0 ⇒ (+) = 1
(+) için Ü
H = 1 ⇒ (+) = 5
H = 0 ⇒ (+) = 1
(+) için Ü
H = 1 ⇒ (+) = 3
H = 0 ⇒ L (+) =3
L (+) için Ü
H = 1 ⇒ L (+) = 1
H = 0 ⇒ | (+) =2
| (+) için Ü
H = 1 ⇒ | (+) = 1
260
(+) = | (+)
2H + 1 = 2 − H
3H = 1
1
H =
3
1 2
H = 1−H = 1− =
3 3
1 5
(+) = 2. + 1 = ≅ 1,67
3 3
261
Uygulamalar
A ya göre ödemeler matrisi aşağıda verilmektedir. Her bir oyuncu için en iyi seçeneği,
A ve B ye göre oyun değerini bulunuz.
Verilen A ya göre ödemeler matrisinde her bir satırın en küçük elemanı matrisin sol
tarafına ve B ye göreyse ödemeler matrisi kayıp değerleri göstermesi nedeniyle her bir sütunun
en büyük elemanı matrisin altına yazılır. Bu düşünce A yönünden maximin yani kötümserlik
kriteri ve B yönünden kayıp söz konusu olduğu için minimax (=maliyet tipli karar
matrisinde kötümserlik kriteri) olarak belirlenir. A için oyun değeri 4 ve B için oyun değeri
4 olarak bulunması nedeniyle her iki oyuncunun oyundan beklediği değerler (birinin kazancı
diğerinin kaybı olarak düşünüldüğü için) birbirini karşılamaktadır ve oyunun bir tepe noktası
vardır. A nın seçeneği II. strateji, B nin seçeneği de III. stratejidir ve tam stratejileridir. Oyunun
tepe noktası olması dolayısıyla da oyunun değeri 4 dür.
262
Uygulama Soruları
Oyuncusu Stratejisi
Stratejisi C1 C2 C3 C4
R1 1 2 3 1
R2 3 6 1 3
R3 0 5 4 0
R4 1 2 3 1
263
Bu Bölümde Ne Öğrendik Özeti
264
Bölüm Soruları
a) Doğru
b) Yanlış
a) 1
b) 2
c) 3
d) 4
e) 5
a) İşbirliği stratejisi
b) Fayda stratejisi
c) Kazanç stratejisi
d) Oyuncu stratejisi
e) Baskın strateji
c) D. Kreps
d) E. Rasmusen
e) S. Bierman ve L. Fernandez
265
5) Kendilerine ait stratejileri bulunan ve birbirlerinin hareketlerinden etkilenen iki ya da
daha fazla firmanın rekabetini analiz eden teoriye ne ad verilir?
a) Oyun Teorisi
b) Fiyat iteorisi
c) Tüketici Teorisi
d) Davranış Teorisi
e) Üretici Teorisi
a) 1 toplamlı oyun
b) 0 toplamlı oyun
a) 2
b) 3
c) 4
d) 5
e) 6
266
8) Aşağıda verilen ödemeler matrisine göre oyunun değeri kaçtır?
K1 K2
S1 2 3
S2 11 8
a) 2
b) 3
c) 8
d) 11
e) 0
9) Aşağıda verilen ödemeler matrisine göre oyunun tepe noktası varsa değeri nedir?
a) 2
b) 3
c) 8
d) 11
e) 0
a) (1;0;0)
b) (0;0,22;0,78)
c) (0,5;0,1;0,4)
267
d) (0,0,1)
e) (0;1;0)
a) (1;0;0)
b) (0,7;0,3;0)
c) (0;0,56;0,0,44)
d) (0;0;1)
e) (0;1;0)
a) 3
b) 5,89
c) 5,59
d) -3
a) 3
b) 5,59
c) 5,89
d) -3
Cevaplar
268
11. MARKOV ANALİZİ
269
Bu Bölümde Neler Öğreneceğiz?
270
Bölüm Hakkında İlgi Oluşturan Sorular
271
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
Markov analizinin ne
Okuyarak, Tekrar yaparak,
Markov Analizi olduğunu nerelerde
Uygulama yaparak
kullanıldığını anlamak
272
Anahtar Kavramlar
• Markov analizi
• Durum
• Durum uzayı
• Adım
• Markov zinciri
273
Giriş
Bilimsel karar alma süreci modellere dayanır ve isabetli kararlar alınabilmesi için büyük
ölçüde sistematik yaklaşıma gereksinim duyulur. Karar alma problemlerinde belirsizliklere
ilişkin olaylarla sıkça karşılaşılmaktadır. Bu belirsizlik genelde, doğal olayın belirsizliğinden
veya temel değişkenin akla gelmeyen değişim kaynağından ortaya çıkmaktadır. Böyle
durumlarda olay matematiksel model haline dönüştürülerek, onun değişkeni olasılık hesapları
ile tanımlanabilir. Geliştirilen bu modele Markov Analizi denilmektedir. Markov Analizi
mevcut olasılıkları kullanarak, gelecekteki durum olasılıklarını hesaplamada kullanılan güçlü
modelleme ve analiz tekniği olarak bilinmektedir.
274
11.1. Markov Analizi
Markov analizi, verilen bir sistemdeki gelecek durumların mevcut durumlara bağlı
olduğu hâllerdeki stokastik süreçlerini modellemede kullanılır. Birinci derecen Markov analizi
gelecek durumların şimdiki durum verildiğinde geçmiş durumlardan bağımsızlığını kabul eder.
Markov analizinde sisteme ait bütün açıklayıcı bilgiler durum adı verilen ifadelerde
tutulmaktadır.
Bir durumdan diğer duruma geçiş, sistemin daha önceki durumlarına bağlı olmayıp,
yalnızca bir önceki durumuna bağlıdır. Bu açıdan bakıldığında, Markov süreci için önceki
durum hariç, daha önceki durumların bilinmesine gerek yoktur. Söz konusu bu özelliğe Markov
özelliği denilir. Markov özelliği olan bir sistemde, bir durumdan diğer duruma geçiş, sadece bir
önceki duruma bağlı olan şartlı olasılıklar ifade edilir.
275
òïðñ,óï = ( Âï = | Âïðñ = { )
koşullu olasılığı ile gösterilir ve bu koşullu olasılık sistemin î { anından î anına geçişi
tanımladığından buna bir adımlı geçiş denir. µ adımlı geçiş olasılığı ise, Âï rastsal değişken
olmak üzere;
isimlendirilen v + 1 kategoriden birine düşer. Bir sistem aynı anda iki durumda olamaz.
Durumlar 0,1,2, . . . v olarak etiketlenir. rassal değişkeni, 4 anındaki sistemin durumunu
temsil eder.
Rasgele değişkenin alabileceği değerlerin tümünü kapsayan ‰ kümesi durum uzayı olarak
Durum Uzayı: Bir sistemin olası tüm durumlarını içeren kümeye, durum uzayı denir.
adlandırılır. Durum uzayı sürekli veya kesikli değerlerden oluşabilir. Buna göre { Â } süreci
sürekli-durumlu stokastik süreç veya kesikli-durumlu stokastik süreç olarak adlandırılır.
İş Makinesi Örneği:
Gün (ø) 1 2 3 4 5 6 7 8 9 10
Durum 0 0 0 1 0 0 1 1 1 0
Burada rasgele değişken kesikli olup iki değerden birini alabilmektedir (] = {0,1}). í =
{0,1,2,3, … } olduğuna göre, { Â } süreci kesikli-durumlu ve kesikli-zamanlı bir stokastik süreç
olur.
Sistemin şimdiki durumu ve geçmişte bulunduğu durumlar biliniyor olsun, buna göre
durumlardan bağımsızdır. Bir başka ifadeyle bütün durumlar ve zamanlar î = {0,1,2,3, … } için,
sistemin gelecekteki durumunun koşullu olasılığı şimdiki durumuna bağlı olup, geçmişteki
( Âg = /Âg | Â = /Â , Â{ = /Â{ , … , =/ , ÷ = /÷ )
276
( Âg = /Âg | Â = /Â )
Örneğin bir hastanın herhangi bir gündeki sağlık durumunun (kritik, normal, iyi, vs)
özelliğine sahip stokastik bir { Â } süreci eşit ve kesikli zaman aralıkları ile ifade ediliyorsa, î =
olasılığı, sadece bir önceki gün bulunduğu duruma bağlı ise bu bir Markov sürecidir. Markov
Sistemin herhangi bir dönemde / durumunda iken bir sonraki dönemde 3 durumuna
geçme olasılığı ù)! ile gösterilir ve geçiş olasılığı olarak adlandırılır.
( Âg = 3| Â = /) = ù)!
( ÷ = /) = ú)
1. \ ≤ ü € ≤ X
2. ü€=X
€
• Markov özelliği,
277
• Zamanla değişmeyen geçiş olasılıkları (ù)! ) olarak özetlenebilir.
{ Â } = { 0, 0, 0, 1, 0, 0, 1, 1, 1, 0 }
Duruma ( ø + X günü)
Arızalı 3 2 5
Çalışır 2 2 4
0 1
= 0 0,6 0,4
i j
1 0,5 0,5
ù÷÷ = ( = 0 | ÷ = 0) = 0,6
ù÷ = ( = 1 | ÷ = 0) = 0,4
ù ÷ = ( = 0 | ÷ = 1) = 0,5
ù = ( = 1 | ÷ = 1) = 0,5
278
Örnek:
Örnek:
279
Örnek:
Örnek:
İş makinesi problemine ilişkin geçiş olasılıkları matrisi aşağıdaki gibi verildiğine göre;
0 1
= 0 0,6 0,4
i j
1 0,5 0,5
Birinci adımdaki geçiş olasılığı: 10. Günün sonunda makine arızalndığına göre,
11.Günde de makinenin arızalanma olasılığı nedir?
ù÷÷ ( )
= ( = 0 | ÷ = 0) = ?
İkinci adımda geçiş olasılığı: 10.Günün sonunda makine arızalandığına göre 12.Günde
de makinenin arızalanma olasılığı nedir?
280
ù÷÷ ( )
= ( = 0 | ÷ = 0) = ?
( = 0 | ÷ = 0). ( = 0 | = 0) + ( = 1 | ÷ = 0). ( = 0 | = 1)
ù÷÷ (L) = ( L = 0 | ÷ = 0) = ?
( )
= .
(L)
= . = . = L
ve genel olarak;
( )
= ( { )
. = . ( { )
=
/.geçiş matrisi veya tek adımda geçiş matrisi daha önce elde edilmişti. 2-adımda veya
3-adımda ve 4-adımda geçiş matrisleri sırasıyla;
0,6 0,4
4 = 1. Adım → = i j
0,5 0,5
0,56 0,44
4 = 2. Adım → = x y
0,55 0,45
0,556 0,444
4 = 3. Adım → L
= x y
0,555 0,445
0,5556 0,4444
4 = 4. Adım → |
= x y
0,5555 0,4445
4.adımda geçiş olasılıkları yeterince uzun bir geçiş sürecinden sonra sabit bir değere
yaklaşma eğilimi gösterirler, yani kararlı bir hale gelirler. Buna markov sürecinde denge
durumu denir.
281
Örneğin, ù ( ) = 0,6; ù ( )
= 0,56; ù (L) = 0,556; ù (|) = 0,5556; ù (}) =
0,55556 serisi incelendiğinde ù ( )
olasılığındaki değişim miktarının her adımda gittikçe
azaldığı görülür.
Bir Markov zincirinin durumlarından bazıları yutan ve diğerleri de geçici durumlar ise
bu markov zinciri Yutan Markov Zinciri olarak adlandırılır.
Örnek:
Müşterilerine kredi ile alışveriş olanağı sunan bir mağaza, alacakların tahsili için son
ödeme tarihinden sonra iki hafta beklemekte ve bu süre Içerisinde borcunu ödemeyen
müşterileri cezalı müşteriler kategorisine koyup alacak tahsili için yasal yollara başvurmaktadır.
İki hafta içerisinde borcunu ödeyen bir müşteri yutan bir duruma geçmiş olacaktır. Öbür yandan
borcunu iki haftadan fazla geciktiren bir müşteri de yine yutan bir duruma geçmiş olacaktır.
282
Örnek:
Şehirden uzak bir küçük kasabada ] ve Ò gibi iki market bulunmaktadır. Kasabada
marketten alış veriş yapan toplam müşteri sayısı 1000 kişidir. Marketler arası müşterilerin
geçişleri aşağıda verildiği şekildedir.
] Ò
] 200 800
Ò 400 600
Başlangıç durumunda müşteri sayıları; Ø(0) = (260, 350) şeklindedir. Buna göre üç
dönem sonra müşteri durumları ne şekilde olacaktır?
Çözüm:
‰ â
‰ 800 200
â 400 600
Kasabadaki toplam müşteri sayısı 1000 kişi olduğu bilindiğine göre geçiş olasılıkları
bulunabilir.
283
Mevcut durumda Ò marketinden alışveriş yapan müşterilerin bir sonraki alış
verişlerinde ] marketine gitme olasılıkları: 600/1000 = 0,60 olacaktır.
Buna göre marketler arası müşteri geçiş olasılıkları diyagramı aşağıdaki gibi olur.
‰ â ‰ â
þ= ‰ 8/10 2/10 = ‰ 0,8 0,2
x y i j
â 6/10 4/10 â 0,6 0,4
0,688 0,312
L
=i j
0,324 0,376
0,688 0,312
Ø(3) = Ø(0). L
= u260 350w. i j = u397,28 212,72w
0,324 0,376
Müşteriden bahsedildiği için yaklaşık tam değerler Ø(3) = (397; 213) kişi şeklinde
müşteri dağılımı gerçekleşecektir.
Örnek:
adım olasılıklarını belirleyiniz. Onuncu adım olasılıklarını bulunuz. Elde edilen olasılık
matrisinin yorumlayınız.
284
Çözüm:
+ ,
1/4 1/4 1/2
= + 1/2 0 1/2
,
1/4 1/4 1/2
+ ,
0,25 0,25 0,50
= + 0,5 0 0,50
,
0,25 0,25 0,50
ù = ù . ù + ù . ù + ù L . ùL
( )
ù = ù . ù + ù . ù + ù L . ùL
( )
ù = ù . ù L + ù . ù L + ù L . ùLL
( )
L
285
ù = 0,25.0,5 + 0,25.0,5 + 0,5.0,5 = 0,5
( )
L
)"
286
Örnek:
Aşağıda durum geçiş olasılıkları diyagramı verilen sisteme ilişkin durum geçiş
olasılıkları matrisini belirleyiniz.
Çözüm:
287
Örnek:
A B C
Buna göre dördüncü dönem sonunda bisküvilerin pazar payları ne şekilde olacaktır?
Çözüm:
Durumlar arası geçiş olasılıklarını gösteren geçiş matrisi soruda verilmiştir. Bu matrise
göre örneğin, mevut durumda B bisküvisini yiyen biri, bir sonraki durumda A bisküvisini yeme
olasığı 0,4, tekrar B bisküvisini yeme olasılığı 0,3, C bisküvisini yeme olasılığı ise 0,3’tür. Bu
geçiş matrisi kullanılarak dört dönem sonra bisküvilerin pazar payları hesaplanacaktır. Bunun
için;
Ø(4) = Ø(0) |
kullanılacaktır.
Bunun için matrisinin dördüncü kuvveti alınacaktır. Böylece dört dönem sonraki geçiş
olasılıkları elde edilmiş olacaktır.
288
þ matrisinin Özellikleri:
)! =1
İkinci özellik, satır girişleri toplamının 1’e eşit olması
2.
!"÷
gerektiğini ifade eder.
0 1 0 0
= ¬ 0 0 1 0 -
0 1 0 0
1 0 0 0
Üstteki matrisi ise ergodik bir Markov zinciri değildir. Sebebi ise 4. duruma hiçbir
şekilde varılamamaktadır.
Birçok durumda Markov zincirleri denge durumuna ulaşırlar. Denge durumuna ulaşmış
bir Markov zinciri kullanılarak uzun dönemde durumların ne olacağı konusunda tahmin
yapılabilir. Uzun dönem sonunda Markov Analizinde süreç denge durumuna veya durağan
durum koşullarına ulaşır. Bu durumda sürecin geleceği ile ilgili etkili yorumlar yapılabilir.
P 'nin kuvvetlerinde izlenebileceği gibi n büyüdükçe P değerleri sabit bir sayıya veya
limite yaklaşmaktadırlar ve olasılık vektörleri bütün değerleri için eşit olmaya meyletmektedir
4 adım sonra denge durumuna ulaşmış herhangi bir Markov süreci için durumlar;
Ø = lim Ø = Ø.
→
şeklinde hesaplanır.
289
Örnek:
Çözüm:
Uzun vadede ne olunacağı söz konusu olduğu için durağanlık yani denge durumu söz
konusudur.
0,80 0,20
Ø = Øi j
0,60 0,40
0,80 0,20
uØ , Ø w = uØ , Ø w i j
0,60 0,40
Ø = 0,8Ø + 0,6Ø
Ø = 0,2Ø + 0,4Ø
Ø +Ø =1
şeklinde olmaktadır.
0 = −0,2Ø + 0,6Ø
0 = 0,2Ø − 0,6Ø
Ø = 1−Ø
şeklinde yazılabilir.
0 = −0,2Ø + 0,6. (1 − Ø )
Ø = 1 − Ø = 1 − 3/4 = 1/4
şeklinde olacaktır.
290
Örnek: (Kumarbazın İflası)
Varsayalım ki 2 TL’miz var ve her yazı-tura atışımızda eğer para TURA gelirse 1 TL
kazanıyoruz, YAZI gelirse 1 TL kaybediyoruz. Bir atışta paranın TURA gelmesi olasılığı p dir.
Cebimizdeki para miktar 4 TL olduğunda yada hiç paramız kalmadığında oyun sona erecektir.
Örnek:
Aşağıda verilen durum geçiş diyagramına göre geçiş olasılıkları matrisini yazınız.
291
Çözüm:
292
Uygulamalar
Kola örneği (üç durumlu) : Kola örneğinin üç durumlu ortalama geçiş olasılıkları matrisi:
ve π 1 + π2 + π3 = 1
293
Uygulama Soruları
• Gelecek durumlar bütün geçmiş durumlardan bağımsız olduğu için bütün olayların
istatistikleri de birbirlerinden bağımsızdır.
294
Bu Bölümde Ne Öğrendik Özeti
295
Bölüm Soruları
A B
A 0,6 0,4
B 0,3 0,7
a) 0,60
b) 0,40
c) 0,30
d) 0,70
e) 1,00
A B
A 0,6 0,4
B 0,3 0,7
a) 0,60
b) 0,40
c) 0,30
d) 0,70
e) 1,00
296
3) Aşağıdaki verilen verilen geçiş matrisine verildiğine göre;
A B
A 0,6 0,4
B 0,3 0,7
İki adım sonraki periyodda A seçeneğinden A seçeneğine geçme olasılığı kaç olur?
a) 0,48
b) 0,52
c) 0,39
d) 0,61
e) 1,00
A B
A 0,6 0,4
B 0,3 0,7
İki adım sonraki periyotta B seçeneğinden B seçeneğine geçme olasılığı kaç olur?
a) 0,48
b) 0,52
c) 0,39
d) 0,61
e) 1,00
297
5) Aşağıdaki verilen geçiş matrisinde verildiğine göre;
A B
A 0,6 0,4
B 0,3 0,7
a) 0,444
b) 0,556
c) 0,417
d) 0,583
e) 1,00
A B
A 0,6 0,4
B 0,3 0,7
a) 0,444
b) 0,556
c) 0,417
d) 0,583
e) 1,00
298
7) Aşağıdaki verilen geçiş matrisinde verildiğine göre;
A B
A 0,6 0,4
B 0,3 0,7
0,4 0,6
a) i j
0,4 0,6
0,44 0,56
b) x y
0,43 0,57
0,429 0,571
c) x y
0,429 0,571
0 1
d) i j
1 0
1 0
e) i j
0 1
A B
A 0,6 0,4
B 0,3 0,7
a) (10, 20)
b) (20, 10)
c) (15, 15)
d) (12, 18)
e) (0, 0)
299
9) Aşağıdaki verilen verilen geçiş matrisine verildiğine ve başlangıç değerleri (100, 100)
olduğuna göre iki sonraki adımda değerler kaç olur?
A B
A 0,6 0,4
B 0,3 0,7
a) (100, 100)
b) (80, 120)
c) (90, 110)
d) (200, 0)
e) (0, 200)
10) Aşağıdaki verilen verilen geçiş matrisine verildiğine ve başlangıç değerleri (100,
100) olduğuna göre 10 adım sonraki değerler yaklaşık kaç olur?
A B
A 0,6 0,4
B 0,3 0,7
a) (100, 100)
b) (86, 114)
c) (90, 110)
d) (200, 0)
e) (0, 200)
Cevaplar
1) b, 2) d, 3) a, 4) d, 5) b, 6) a, 7) c, 8) d, 9) c, 10) b.
300
12. SİMÜLASYON
301
Bu Bölümde Neler Öğreneceğiz?
302
Bölüm Hakkında İlgi Oluşturan Sorular
303
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
304
Anahtar Kavramlar
• Simülasyon
• Deneme
• Rassal sayı
• Dağılım
305
Giriş
Yöneylem Araştırması dersimizin önceki bölümlerinde işletme problemlerinin ağırlıklı
olarak matematiksel modelleri oluşturulmaya çalışılmış, kurulan modeller matematik ve
istatistik gibi analitik yöntemler kullanılarak optimal çözüm elde edilmeye çalışılmıştır. Ancak
günümüzde çözümü arzulanan bazı işletme problemlerini çözmek amacıyla kurulan modellere
ilişkin bazı girdilerin belirsizlik taşıdığı durumlarda daha önce anlatılan yöntemlerle bir çözüm
bulma olanağı bulunamayabilir. Günümüzde bu tip sorunların davranışını inceleyip analiz
ederek olabildiğince sağlıklı bir karar vermek için sıkça kullanılan yöntemlerden biri
simülasyondur.
3. Pilot kabininin yapısı üzerinde bilgisayar sistemlerinin imkânları ile uçuş eğitimi
yapılması.
306
6. Doktor adaylarının kadavra üzerinde eğitim görmeleri.
• Üretim %59
• Planlama %53
• Mühendislik %46
• Finansman %41
• AR-GE %37
• Pazarlama %24
Simülasyon, gerçek bir dünya süreci veya sisteminin işletilmesinin zaman üzerinden
taklit edilmesidir. Sistem objeleri arasında tanımlanmış ilişkileri içeren sistem veya süreçlerin
bir modelidir.
Simülasyon bir araçtır. Simülasyon günümüzde mevcut olan ve daha önemlisi de yarın
da mevcut olabilecek işlemler hakkında objektif bilgiler sağlar. Simülasyon gerçek bir şeyin
taklit edilerek yapılmasıdır. Simülasyon, taklit edilen gerçek bir olayın genelde bilgisayar
yardımıyla modellenmesidir. Örneğin bilgisayar üzerindeki bir uçuş simülatörü, uçuşun bazı
kurallarının bir bilgisayar üzerinde öğretilmesi amacıyla kullanılan bir Simülasyon modelidir.
Pilotun kokpitte göreceği ekranın bir benzerini bilgisayar ekranında görmesi ve uçuşu kontrol
etme işlemlerini sanki de gerçekten uçaktaymış gibi yapması, bir simülasyon olayıdır.
307
• Tıp alanında bazı araştırmacılar bazı ilaçları hayvanlar üzerinde deneyerek bunların
insanlarda yaratacağı etkiler konusunda bilgi sahibi olmaya çalışırlar.
• Pilotlar gerçek uçuş yapmadan önce çeşitli uçuş simülatörlerinde yüzlerce kez
kalkış ve iniş yapmaları konusunda eğitilirler. Böylece hiçbir tehlike olmaksızın güvenli kalkış
ve inişi öğrenirler.
• Dünyadaki genel nüfus artışı, istihdam hacmi, tüketim hızı, üretim hızı, ülkelerin
milli gelirleri, çevre kirliliğinin artış hızı, petrol ve benzeri kaynak tüketim hızı, iklimsel ve
atmosferik değişiklikler dikkate alınarak gelecekte ortaya çıkabilecek olumsuz sonuçlar
gerçekleşmeden önce simülasyonla belirlenebilir ve bu parametreler değiştirilerek
olumsuzlukların gerçekleşmemesi için alınması gereken önlemler belirlenebilir.
308
12.1. Simülasyon Modellerinin Sınıflandırılması
Bir sistemin bir andaki veya dönemdeki durumu söz konusu ise buna ilişkin olarak
(zaman boyutunu içermeyecek biçimde) kurulan model statik bir model olacaktır. Genellikle
statik simülasyon modelleri Monte-Carlo simülasyonu olarak adlandırılmaktadırlar.
• Bu fonksiyon tarafından 0-1 arasında üretilen tüm rasgele sayıların dağılımı düzgün
olmalıdır. Bu kavramı örnekler yardımıyla açıklamak yararlı olacaktır. Örneğin RAND()
309
fonksiyonu ile üretilen sayıların %10’u 0,00 ile 0,10 değerleri arasında olmalıdır. Yine RAND()
fonksiyonu tarafından üretilen rasgele sayıların %30’u 0,40 ile 0,70 arasında olmalıdır. Yine
örneğin bu fonksiyon tarafından üretilen rasgele sayıların %50’si 0,40 e 0,90 arasında olmalıdır.
Bu örnekleri çoğaltmak mümkündür. Bu durum rasgele sayıların 0-1 aralığında UNİFORM bir
dağılım gösterdiğini ifade eder. Yapılan test çalışmaları sonucunda RAND()
(S_SAYI_ÜRET()) fonksiyonunun bu dağılıma uygun rasgele sayılar ürettiğini göstermiştir.
bir başka fonksiyon daha vardır. Bu fonksiyon a-b aralığında tamsayılar halinde rasgele sayılar
üretir. Sürekli ve kesikli sayı üretimi simülasyon modelleri için büyük önem taşır. Örneğin bir
günde satılan pasta sayısı kesikli rasgele sayıdır. Bir arabanın yakıt deposunda mevcut yakıt
miktarının tüketimi ile ilgili olarak kurulan bir simülasyon modelinde tüketilen yakıt miktarı
sürekli bir rasgele sayı ile temsil edilebilir. Bir simülasyon modeli kurulurken bağımsız
değişkenlere ilişkin dağılımlara uygun rasgele sayılar üretimi büyük önem taşır.
• Bilgi toplama
310
Bu alanları sıralamak yerine bir simülasyon modelinin nasıl kurulduğunu öğrenmek ve
onu uygulamak problem çözüm yeteneğinin geliştirilmesi açısından büyük önem taşır.
Simülatörde taklit ederek uçmak, gerçek bir uçakla uçmaktan daha emniyetli ve daha
ucuzdur. Endüstri ve sanayide modellerin kullanılma sebepleri, maliyetlerinin düşüklüğü,
tehlikeli olmayışları ve gerçek sistemler üzerinde deney yapmanın bazen imkânsızlaşmasıdır.
Gerçek sistemlere benzer modeller üzerinde deney yapmak, para ve zaman tasarrufu demektir.
(3) Kurulan teoriyi sistemin gelecekteki davranışlarını tahmin etmek için kullanmak,
Zamanla veya rasgele değişen sistemler için Simülasyon kullanılabilir. Örneğin bir
benzin istasyonuna gelen ve giden araçların zamana bağlı olarak değişimini inceleyelim. Böyle
bir sistem, dinamik sistem olarak adlandırılır. Ancak benzin istasyonuna bir sonraki arabanın
ne zaman geleceğini kimse tahmin edemez. Burada ise rasgele bir durum ortaya çıkmaktadır.
311
Gerçek sistemlerin davranışlarını araştırmak için kullanılan simülasyon çalışmalarının
aşamaları aşağıda verilmektedir:
2. Modeli Formüle Etme: Sistemi soyutlamak veya indirgemek için mantıksal bir akış
diyagramına aktarma işlemidir.
1. Sistemin modeli kurulduktan sonra, farklı durumların analizi için istenildiği kadar
kullanılabilir.
3. Simülasyon modeli üzerinde daha sonra yapılacak analiz için veri, çoğu kez gerçek
hayatta olduğundan daha ucuz elde edilir.
4. Simülasyon bir sistemdeki karmaşık etkileşimleri etüt etme ve bunlar üzerinde deney
yapma olanağını sağlar.
312
5. Simüle edilen sistemin ayrıntılı gözlemi (-ki sistemi simüle ederken yapılması
gereken işlemlerden biridir.) daha iyi anlaşılmasını, daha önce görülmemiş eksikliklerin
giderilebilmesini, daha etkin fiziksel ve operasyonel sistemin kurulmasını sağlayabilir.
6. Simülasyon, değişik koşullar altında sistemin nasıl olacağı hakkında çok az veya
hiçbir veriye sahip olmadığımız yeni durumlar üzerinde deney yapma amacıyla kullanılabilir.
8. Simülasyon ile dinamik sistemlerin gerçek zamanı, daraltılmış veya genişletilmiş süre
içinde incelenebilir.
İncelenen sistemde eğer deney mümkünse öncelikle deney yapılmalıdır. Deney yöntemi
daima en iyi yöntemdir, çünkü tüm çevre şartları hesaba alınabilir. Dizayn seviyesi sırasında
diğer yöntemler kullanılsa bile, deney yöntemi sistemin final değerlendirilmesine daha çok
hizmet eder. Eğer deney yöntemi mümkün değilse, uygun bir analitik yöntem bulunmaya
çalışılır. Analitik yöntem de mümkün değilse, o zaman Simülasyon kullanılmalıdır.
Simülasyon, yukarıdaki kuralda görüldüğü gibi sadece son çare olarak kullanılmaz.
Simülasyon, orijinalde verilen sorulara sadece cevap sağlamakla kalmaz, daha ziyade analiz
edilmesiyle anlaşılmasına da katkıda bulunur. Simülasyon modelinin yaratılmasında hesaba
alınacak kesin şeyler neredeyse genelde ilk olarak orada elverişli bir durum ortaya çıkar.
Simülasyonu yapılan sistemin özelliği, hataları veya sistem dizaynı içerisindeki belirsizlikleri
ortaya koyabilir. Böylece hazır sistemin gelecekteki çok pahalı olacak güncelleştirilmesinden
kaçınmak için Simülasyon büyük yardım sağlayabilir.
• Çok tehlikeli alanlar (Kritik duruma varmış bir nükleer reaktör santralinin
davranışlarında, bir jet motorlu uçağın inişinde vs.)
313
• Çok pahalı (Hasara sebebiyet verecek tüm durumlarda, kiralık telefon hattı ağı
üzerinden verilerin aktarımı için uzun deneysel çalışmalar vs.)
Analiz yöntemi pratik yaşamda nadiren gerçek olan ve birçok kabule dayanan ve çoğu
kez matematiksel olarak yapılan bir Simülasyon tipidir. Analitik yöntemlerin dezavantajları çok
karmaşık cihazların kullanılması ve/veya hesaplamalarda çok uzun zaman harcanmasıdır.
Queuing ağ analizi buna bir örnektir. Diğer taraftan formülün kullanılması genelde hızlı sonuç
verir ve formüle basit farklı parametre değerleri ilave edilerek alternatif birçok durumlar test
edilebilir. Deneysel yöntemler için çok daha fazla zaman harcandığı durumlar ortaya çıkabilir.
Analizin diğer bir problemi, gerekli parametrelerin yokluğudur. Diğer Simülasyon sistemlerinin
tahmin edilen verileri kullanması, sonuçların güvenirliliğini azaltmaktadır.
Simülasyon de deneysel bir yöntemdir. Gerçek sistem ile deney yapmak yerine
deneyler Simülasyon modeli üzerinde yapılır. Simülasyonun birçok dezavantajları vardır. En
önemli dezavantajı Simülasyon modelinin yaratılmasındaki yoruculuk ve Simülasyon
modelinin programlanmasında kullanılan dilin (örneğin Pascal gibi) zorluğudur. Uygun
Simülasyon yazılımları bulunmaktadır, ancak maliyetlerinin yüksekliği nedeniyle alımı
güçleşebilmektedir. Bazı grafik tekniklerine dayanan Simülasyon yazılımları geliştirilmiştir.
Bu yazılımlar sayesinde belirli sistemler için Simülasyon modellerinin yaratılması otomatik
olarak yapılabilmektedir.
Sistemle ilgili mevcut sınırlı bilgiler kullanılarak simülasyonu yapılır. Her şeyden önce
bazı nicelik parametrelerinin bilinmesi zorunludur. Yukarıdaki örnek için varış ve rasgele servis
süreleri arasında rasgele aralıkların türetilmesi gerekir. Bu olayda Simülasyon yöntemi analiz
yönteminden daha esnektir. Çünkü Simülasyon dilleri rasgele sayıları herhangi bir dağılımın
pratikliği ile üretmeyi desteklemektedir. Herhangi bir dağılım hiçbir zaman ne birkaç parametre
(eğer o teorik ise) ne de doğrudan dağıtım fonksiyonuna (eğer dağıtım ölçme ile sağlanmışsa)
gereksinim duyar. Sistem içerisinde dizayn seviyesinde tipik olarak ortaya çıktığı gibi
sayılamayan durumlar ortaya çıkabilir ve genellikle bilincinde olmadığımız gerçekleri
kabullenmek durumuyla karşı karşıya kalabiliriz.
Hesaplamalarda zaman tüketimi çok olabilir. Birçok parçasıyla paralel olarak çalışması
gereken büyük skala sistemlerinin analizi bu duruma iyi bir örnektir. Çünkü gerçek paralel
uygulamaları henüz yaygın kullanılmamaktadır. Böyle sistemlerde tek bir işlemci ile yapılan
bir programla Simülasyon yapılır. Paralel faaliyetler o zaman aynı anda yapılır. Bunun sonucu
Simülasyonun gerçekliliği, gerçek zamandan çok daha yavaş olur. 1 saniyelik bir model
zamanı, 10 dakika CPU zamanı alır. Elbette ki bu durum gerçek zaman kontrolünde Simülasyon
uygulamasını geçersiz kılabilir.
314
12.6. Simülasyon Nasıl Yapılır?
Bir benzin istasyonu ile ilgilendiğimizi varsayalım. Benzin istasyonunda bulunan araba
sayısını, sistemin durumunu zamana bağlı olarak grafiksel olarak çizmek isteyelim. Her araba
benzin istasyona ulaştığında grafik zamana bağlı olarak bir birim artırılırken, benzin
istasyonundan ayrılan her bir araba için de grafikte bir birim düşüş olacaktır. Gözetleme
sonuçlarının kâğıda aktarılması olarak tanımlanan bu grafik, yapay olarak da çizilebilir.
Uygulamanın yapay olarak yapılması ve analiz edilmesi bir simülasyondur.
Üniform, normal, poisson, binomial, gamma vb. gibi teorik dağılımlarla belirlenen
olayların gözlem veya tecrübe verilerine bu dağılımlar uydurulabilir. Uydurma işlemi ise
dağılım parametrelerinin belirlenmesi anlamına gelmektedir.
'
) ; kesikli veri üzerinde çalışılması halinde i. aralıktaki orta değeri veya i. sınıfın değeri
); i. sınıf veya aralıktaki frekans olmak üzere ortalama veya varyans formülleri
şöyledir:
Bu durumda sorulacak soru şudur; Eldeki veriler veya örnek değerler teorik olasılık
dağılımından gelmekte midir? Gözlem verilerinin frekansı teorik frekanslara uygun düşerse ana
kütleyi temsil etmek üzere kurulan model kullanılabilir.
Akman Kırtasiye'nin müdürü Ayhan Bey, ağustos ayında gelecek yıla ilişkin kaç adet
ajanda sipariş edeceğine karar vermek istemektedir. Her ajandanın birim maliyeti 7,5 TL'dir.
Gelecek yıl için planlanan birim satış fiyatı 10 TL'dir. 1 Şubata kadar satılamayan ajandalar, 3
TL'ye daha küçük kırtasiyecilere satılabilmektedir. Ayhan Bey, geçmiş yıllardan elde ettiği
315
tecrübelerini dikkate alarak ocak ayında satılan ajandalara ilişkin satış miktarlarının Tablo-
12.1'deki gibi olduğunu ve Uniform (Düzgün) Dağılıma uygun dağıldığını belirlemiştir.
İstenen:
Ayhan Bey ajanda satışından elde edeceği kârı maksimize etmek istemektedir.
Simülasyon yöntemini kullanarak Ayhan beyin ağustos ayında sipariş edeceği ajanda miktarını
belirleyiniz.
500 0,20
750 0,30
1000 0,30
1250 0,15
1500 0,05
Çözüm Süreci:
316
Tablo – Kümülatif Sayılar Tablosu
500 1 20
750 21 50
1000 51 80
1250 81 95
1500 96 100
Çözüm:
Yapılan “100” adet simülasyon işleminde sipariş miktarının “1000” adet olduğu
varsayılmıştır.
317
Deney Sipariş Rasgele Satılan Toplam Toplam Dönem
No Miktarı Sayı Talep Miktar Gelir Maliyet Karı
• â ˜ þ
Miktarı
… … … … … … … …
Hurda değeri; f = 3 í
Satılan Miktar; ú
Toplam Gelir; Ò
318
Toplam Maliyet; í
Ò = ù. ú + f. ( − ú)
í = .
= ù. ú + f. ( − ú) − .
∑)"
H̅ = =Ortalama Kar =
)
4
=1275 TL
∑)" − 4H̅
f=Standart Sapma =f =
)
4−1
=1440,7 TL
Normal Dağılım Tablo Verisi; %95 güven aralığı üst sınırı; • = 1,96
Normal Dağılım Tablo Verisi; %95 güven aralığı alt sınırı; • = −1,96
f 1440,7
Güven Aralığı (Üst) =H̅ +• . = 1557,4 TL
√4 √100
=1275+1,96.
f 1440,7
Güven Aralığı (Alt) = H̅ – • . =1275– 1,96. = 992,6 TL
√4 √100
319
Simülasyon Tablosunu Kullanarak En İyi Sipariş Miktarının Bulunması
Yukarıda verilen Tablo – 12.4.3’de “1000” adet sipariş edilmesi halinde yapılan “100”
adet simülasyon sonucunda “1.328” TL. ortalama kâr elde edilmiştir. Bu değer bize sadece
“1000” adet sipariş verilmesi halinde elde edilecek ortalama kâr hakkında bilgi vermektedir.
Oysa problemin temel amacı, en çok ortalama kâr sağlayacak sipariş miktarının bulunmasıdır.
Bu değeri bulmak için yukarıda verilen simülasyon tablosunu kullanarak çeşitli sipariş
miktarları için güvenilir ortalama kâr değerleri bulup bu değerler ışığında en iyi sipariş
miktarını bulmaktır Bu amacı gerçekleştirmek için sipariş miktarı 500, 550, 600, 650, 700,
750, 800, 850, 900, 950, 1000, 1050, 1100, 1150, 1200, 1250, 1300, 1350, 1400, 1450 şeklinde
değiştirilerek bu değerleri esas alan “100”’er adet simülasyon yapılmıştır.
Standart
Sipariş Miktarı Ortalama Kâr
Sapma
500 1.250 0
550 1.319 129
600 1.360 281
650 1.436 405
700 1.554 488
750 1.578 661
800 1.545 713
850 1.488 906
900 1.389 1.097
950 1.332 1.174
1000 1.328 1.294
1050 1.120 1.399
1100 913 1.398
1150 817 1.449
1200 711 1.596
1250 500 1.696
1300 321 1.749
1350 -59 1.822
1400 -165 1.974
1450 -264 1.833
320
12.8. Simülasyonda Deneme Sayısının Bulunması
(• ) .f
4=
/
formülü ile bulunur. Bu formülde bulunan hata; size verilir. Bu formülde ‹ /Y ifadesi,
belirlenen risk düzeyinin yarısını ve ortalaması “0”, standart sapması “1” olan bir normal
(1.96) . 1440
4= = 172 deneme olarak bulunur.
100
Örnek:
Bir parçanın montaj süresine ilişkin olasılık dağılımı yandaki gibidir. 10 kez yapılan
süresini” belirleyiniz. Rasgele Sayılar ( ): 04, 95, 45, 21, 44, 57, 03, 98, 98, 10
montaj için aşağıda verilen rasgele sayıları kullanarak, verilen dağılıma göre “ortalama montaj
321
Çözüm:
1 4 5
2 95 10
3 45 6
4 21 6
5 44 6
6 57 7
7 3 5
8 98 10
9 98 10
10 10 5
Toplam Montaj Süresi 70 Dakika
Bir iş yerindeki otomatik içecek makinesinde kola, enerji içeceği ve meyve suyu olmak
üzere üç çeşit içecek bulunmaktadır. Müşteriler makineye ortalama olarak 5 dakikada bir
gelmektedir. 5 dakikada bir gelen müşteri sayısına ait olasılıklar ile müşteri tercihlerine ait
olasılıklar aşağıda verilmiştir. Başlangıçta makinede 8 kutu kola, 5 kutu enerji içeceği ve 7 kutu
322
meyve suyu mevcuttur. Ayrıca, aynı anda makineye gelen her bir müşteri farklı tipte bir içecek
talep edebilmektedir.
0 30 Kola 50
1 40 Enerji İçeceği 20
2 30 Meyve Suyu 30
Rastgele Sayılar (Müşteri sayısı için): 93, 63, 26, 46, 71, 26, 70, 55, 72, 89, 49, 64,
91, 02, 52, 69, 29, 96, 95, 84, 61, 09, 06, 01, 64, 90, 63, 25, 56, 24, 67, 83.
Rastgele Sayılar (İçecek türü tercihi için): 13, 08, 60, 14, 68, 41, 40, 27, 73, 64, 36,
56, 25, 88, 19, 75, 29, 80, 25, 05, 64, 71, 83, 74, 01, 95, 76, 82, 40, 58, 30, 38, 84, 73.
323
Uygulamalar
İki işçinin çalıştığı bir montaj hattında A işçisinin üretimi B işçisinin hammaddesi
olmak üzere seri halinde tasarlanmıştır. A işçisi için yandaki veriler geçerlidir:
Montaj hattının üretimini 10 gün için simüle ediniz ve B işçisinin boş zamanını
bulunuz.
324
Uygulama Soruları
1) Bir işyerinde mesai saat 9 da başlıyor ise, çalışanların işyerine gelişi hangi dağılıma
uyar?
325
Bu Bölümde Ne Öğrendik Özeti
326
Bölüm Soruları
a) Doğru
b) Yanlış
2) Basit bir bekleme hattı modelinde simülasyon kullanımı normal bekleme hattı
modeline nazaran yönetsel karakteristik tespitini kolaylaştırmaktadır.
a) Doğru
b) Yanlış
Tesadüfi olarak belirlenen rasgele sayı 68 olduğuna göre, montaj süresi ne kadar olur?
e) 1 dakika / birim
a) Doğru
b) Yanlış
327
5) Simülasyon ile tüm muhtemel çözümlerden oluşan çözüm uzayı incelenerek optimal
çözüm bulunması durumunda hesaplama süresinde çok az bir artışa katlanılır.
a) Doğru
b) Yanlış
a) Doğru
b) Yanlış
a) Doğru
b) Yanlış
a) Uniform
b) Beta
c) Gama
d) Binom
e) Poisson
9) Excel üzerinde Uniform dağılıma uygun rassal sayılar üretmek için =a+(b-
a)*RAND() işlemi kullanılabilir.
a) Doğru
b) Yanlış
Cevaplar
1) b, 2) b, 3) c, 4) a, 5) a ,6) a, 7) b, 8) d, 9) a
328
13. ŞEBEKE PROGRAMLAMADA KRİTİK TOL YÖNTEMİ (CPM)
329
Bu Bölümde Neler Öğreneceğiz?
330
Bölüm Hakkında İlgi Oluşturan Sorular
331
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
332
Anahtar Kavramlar
• Şebeke (Ağ)
• Kritik Yol
333
Giriş
Planlama ve ardından yapılan programlama geleceğe yönelik yapılacak işleri, izlenecek
yolları önceden tasarlama işlemidir. Proje ulaşılmak istenen sonuç, proje planlama ise
ulaşılması hedeflenen sonucun planlamasıdır. Planlama akılcı bir girişim ve yönetim biçimi
olup yapılan plana göre karar verilir ve seçim yapılır. Planlama yapılırken karar vermede
kullanılan araçlar değil, karar verme işlevinin nasıl başarılacağı önemlidir.
Kritik yol (CPM) ile programlamada, şebekenin bütün faaliyet sürelerinin bilinmesine
ihtiyaç vardır. Bazı yatırımlarda, şebekenin bazı faaliyetlerinin süreleri tam olarak bilinemez.
Eğer süresi belirsiz olan bu faaliyet kritik yörünge üzerinde değilse ve bulunduğu düğüm
noktalarında büyük zaman boşlukları varsa gene CPM tekniği ile programlama yapma imkan
dâhilindedir.
Ancak süreleri belli olmayan faaliyetler kritik yörünge üzerinde ise, artık yatırımın
tamamlanma süresinin tayini bile mümkün değildir. Bu hallerde yatırımların planlanması PERT
yönetimi ile yapılmalıdır. Çünkü daha önceki bölümlerde belirtmiş olduğumuz gibi yeniden
gözden geçirme tekniği olarak bazı kitaplarda isimlendirilen PERT yönetiminde, belirsiz
süreler, ihtimaller hesabına göre bulunabilmekte ayrıca yatırımın toplam süresinin programa
göre yüzde kaç ihtimalle tamamlanabileceği de hesaplanabilmektedir.
Kritik yol (CPM) yöntemine göre bir yatırımın programlanmasında en önemli iş gene
insan zekâsına düşmektedir. Çünkü programın yapılmasına, faaliyetler arasındaki bağıntılar da
göz önüne alınıp şebeke şekline getirilerek kurulması için herhangi bir yardımcı yöntem veya
makine mevcut değildir. Bir sebeple, şebekenin kurulmasında programı yapanın teorik ve pratik
bilgisi ile yatırımı oluşturan faaliyetler hakkındaki bilgisi çok önemli rol oynar.
Ancak hemen hatırlatmamız yerinde olur ki, CPM yöntemi ile programlama yapılması,
o işin en iyi şekilde planlandığı manasına gelmez. Faaliyetler arasındaki bağıntıların doğru
seçilmemesi, düşünülenlerin grafik olarak, şebekeye tam aktarılamaması ve şebekeyi oluşturan
faaliyetlerin tamamlanma sürelerinin tahmininde yapılan hatalar yöntemin önemini ve sıhhat
derecesini yitirir. Bu nedenle şebekenin kurulmasında çok dikkatli olmak, yatırımı
gerçekleştirecek kuruluşların bütün şart ve imkânlarını (insan gücü, makine kapasitesi, mali
durum vs.) bilmek zorunludur.
Kritik yol (CPM) yönteminin, şebeke prensipleri dâhilinde PERT yöntemi ile beraber
en çok kullanılabilir bir planlama ve kontrol yöntemi olduğu unutulmamalıdır. Esasen CPM ve
PERT teknikleri ilk kullanılmaya başlandığı zaman aralarında bazı farklar olmakla beraber son
20 yıl içinde bu farkların hemen hemen kalmamış olduğu belirtilebildiği gibi birçok yazar bu
iki tekniği prensip olarak bir arada tutup buna CPM-PERT adını vermektedir.
334
Örneğin bina inşa eden bir firma CPM tekniği kullanarak zaman/maliyet tahminlerini
ve eski deneyimlerden istifade ederek bunların ilişkilerini daha iyi hesap edebilir. Diğer taraftan
aya füze atılmasını öngören bir projeyi ele alalım. Bu proje ilk olarak tatbik edildiğinde PERT
kullanılacak ve maliyet unsuru belli olmadığından masraflar muhtemelen gelişigüzel olacaktır.
Ancak tekrar edelim ki, yukarıdaki ifadede CPM’i sadece müteahhitler ve PERT’in de sadece
uzay problemleri ile uğraşanlar için yararlı olduğunu ileri sürmek istemiyoruz. Hangi projede
hangi yöntemin kullanılacağını projenin özelliği tayin edecektir. Kaldı ki, kritik yol (CPM),
PERT tekniğinin özel hallerinden biri olarak kabul edilebilmektedir.
335
13.1. Şebekenin Kurulması
Yatırımlara ait iş programı yapılırken önce şebekenin önemli faaliyetlerini içine alan
ana şebeke kurulur. Bu şebekedeki faaliyetler arasındaki bağlantıların doğruluğu her faaliyet
için şu üç soru kontrol edilmelidir.
Kritik yol (CPM) yöntemiyle hazırlanmış yatırım iş programları aşağıdaki sorulara yanıt
verecek şekilde hesaplanırlar.
• Hangi faaliyetlerde belirli bir terminde bitirme mecburiyeti yoktur, bunlar bir
zaman aralığı içinde istenilen bir tarihte başlayıp bitirilebilirler?
CPM yönteminde de, olaylara ilişken en erken ve en geç tamamlanma zamanları PERT
yönteminde belirtildiği şekilde ele alınmakta ve hesap edilmektedir. Aynı şekilde faaliyetler
arasında zaman boşluklarının değerlendirilmesine ilişkin hesaplama yönteminde de bir
değişikliğin bulunmadığını belirtmek yerinde olur.
336
CPM tekniğinin PERT metodunun içinde onun özel bir hali olduğu göz önünde
tutulacak olursa ikisi arasında büyük çapta ortak yönlerin bulunabileceği anlaşılabilir.
Şebeke analizinde son safhayı, bu safhaya kadar olay ve faaliyetlere ilişkin olarak
yapılan çalışmalardan elde edilen bilgilerin değerlendirilerek tablolar haline dönüştürülmesine
ilişkin çalışmalar teşkil etmektedir. Bu nedenle tabloların hangi veriler esas alınarak
düzenleneceğini kısaca görelim.
i) En Erken Başlama Zamanı (ES = The Earliest Starting): Bir projede en erken
başlama zamanı, o faaliyetin başlayabileceği mümkün olan en erken zamandır. Bir faaliyetin
en erken başlama zamanı kendisinden sonra gelen faaliyetin en erken başlama zamanından daha
küçük (erken) olmalıdır.
ii) En Geç Bitirme Zamanı (LF = The Latest Finishing): Bir bütün olarak projenin
en geç bitiş zamanını gösterir.
iii) Toplam Boşluk (Aylak Zaman) (TS= The Total Slack): Bir faaliyetin toplam
boşluğu, o faaliyetin en geç başlama zamanı ile en erken zamanı veya en geç bitirme zamanı
ile en erken bitirme zamanı arasındaki farktır. Kritik yol üzerindeki faaliyetlerin toplam boşluk
zamanları sıfırdır.
Boşluk değeri pozitif, negatif ya da sıfır olabilir. Boşluğun sıfır çıkması faaliyetin
istenildiği gibi gerçekleşeceğini, pozitif çıkması projenin önünde gidildiğini, negatif olması da
projenin gerisinde kalındığını ve gerekli önlemlerin alınması gerektiğini belirtir.
337
diyagramı projeye başlamadan önce yapılacak ilk temel iştir bu şekilde proje yöneticisi projenin
zamanını ve maliyetini tahmin eder.
P-10-1
D E F
A
D-1-1 P-10-2 S-22-2 T-13-1
D-1-2 C
S-22-1
338
13.6. Proje Ağ (Network) Diyagramının Çizilmesi
13.6.1. Terminoloji
Bileşke Faaliyet (Merge Activity): Birden fazla öncül faaliyet içerir. Başlaması için
birden fazla faaliyetin bitmiş olması gereken faaliyetlerdir.
Olay (Event): Bu terim bir faaliyetin başladığı ya da bittiği anı temsil eder. Bir zaman
harcanması söz konusu değildir.
Öncül Faaliyet (Burst Activity): Kendisinden sonra birden çok faaliyete öncüllük eden
faaliyetlerdir.
339
Şekil 25: Öncül Faaliyetin Gösterimi
340
Uygulamada AON daha çok kullanım alanı bulmuştur. Ancak seçilecek metodun
türünden çok kullanan proje yöneticisinin ve proje katılımcılarının uygulanan metoda adapte
olmaları önemlidir.
341
A’dan önce bir faaliyet yoktur. B, A faaliyetini izler. C B faaliyetini izler. B, C
faaliyetinin öncülü, A ise B faaliyetinin öncülüdür.
342
C’nin başlayabilmesi için A ve B tamamlanmış olmalıdır. D’nin başlayabilmesi için
de aynı şekilde A ve B faaliyetlerinin tamamlanmış olması gerekir.
Proje Zaman Yönetimi; üretimi ve verimi arttırmak amaçlı olarak, belirli faaliyetler
üzerinde harcanan zamanı bilinçli bir şekilde kontrol etme yöntemidir. Zaman yönetimi, belirli
görevleri, projeleri bitirirken kullanılan çeşitli beceriler, araçlar ve teknikler ile desteklenebilir.
Bu beceri, araç ve teknikler; planlama, dağıtma, hedef belirleme, yetkilendirme, zaman analizi,
gözlemleme, tertipleme, zamanlama ve önceliklendirme ve benzerlerini içerir. Önceleri, zaman
yönetimi sadece iş ve çalışma etkinlikleri için kullanılırken, sonraları kişisel faaliyetler için de
kullanılmaya başlanmıştır. Bir zaman yönetimi sistemi; proseslerin, araçların, tekniklerin ve
metotların tasarımlı bileşimidir. Zaman yönetimi genel olarak proje geliştirmede bir
gerekliliktir, zaman yönetimi projenin tamamlanma zamanını ve ölçeğini belirler.
Örnek:
343
Çağrı Merkezi Proje Faaliyetleri
A Başvuru Onayı - 5
B Yapım Planları A 15
C Trafik İncelemesi A 10
D Servis Kontrolü A 5
E Çalışan Raporu B, C 15
F Komisyon Onayı B, C, D 10
H İkamet E, G 35
Proje diyagram çizimini aşamalara bölersek ilk aşama başlangıç faaliyetini ve başlangıç
faaliyetini öncül kabul eden faaliyetleri yerleştirmek olacaktır.
344
Şekil 28 Çağrı Merkezi (Call Business Center) Örnek Ağ Diyagramı
Doğru iş sıralamaları ve işlerin tahmin edilen süreleri ile faaliyetlerin başlangıç ve bitiş
süreleri hesaplanır. Bu şekilde projenin süresi de belirlenmiş olur. İleriye doğru ve geriye doğru
olmak üzere iki tür hesaplama yapılmaktadır.
‡ø : Faaliyet Süresi
345
Öncül Faaliyet: A ve B faaliyetleri C faaliyetlerinin öncül (önce tamamlanması gereken)
faaliyetleridir.
346
13.11.2. Geriye Doğru Hesap-En Geç Zamanlar
A Başvuru Onayı - 5
B Yapım Planları A 15
C Trafik İncelemesi A 10
D Servis Kontrolü A 5
E Çalışan Raporu B, C 15
F Komisyon Onayı B, C, D 10
H İkamet E, G 35
347
13.12.İleriye Doğru Hesap
İleriye doğru hesapta faaliyetin en erken başlama zamanıyla faaliyet süresinin toplamı
bize erken bitiş süresini verecektir.
348
13.13.AON - Geriye Doğru Hesap
Geriye doğru hesapta ise en geç bitiş zamanından faaliyetin süresi çıkartılarak en geç
başlama zamanı hesaplanır.
Yani; LF-Dur = LS olarak hesaplanarak, her bir faaliyet için hesaplanan LS sürelerinden
en küçük olanı diyagramda ilgili yere yazılır. Örneğin E faaliyeti üzerinde 200-15=185=LS
olarak yazılmış ve bu süre B ve C faaliyetleri için değerlendirilecektir. Ancak B faaliyetine aynı
zamanda F faaliyetinin LS=20 süresi de gelmektedir. Dolayısıyla geriye doğru hesapta
min{185, 20}=20 den B faaliyetinin LS değeri 20 olarak belirlenir.
SL = LS - ES ya da
Bu hesaplamalar sonrasında kritik yol kolayca görülebilir çünkü kritik yol üzerindeki
faaliyetlerin toplam serbestlikleri sıfırdır.
349
Kritik yol diyagramdaki en uzun yol olup kesikli çizgilerle gösterilmiştir.
AON yönteminin AOA yönteminden üstün yanı kukla yani süreleri sıfır olan faaliyetlere
ihtiyaç duymamasıdır. Buda daha kolay uygulanabilirlik sağlamaktadır.
Örnek:
Aşağıda faaliyetleri, öncül faaliyetleri ve normal faaliyet süreleri verilmiş olan projeye
ilişkin şebeke (network-ağ) diyagramını oluşturunuz. Kritik faaliyetleri ve kritik yolu
belirleyiniz. Projenin kaç günde biteceğini ve bitme olasılığını bulunuz.
350
Çözüm:
351
Kritik Yol:
Kritik Faaliyetler: A, C, E, G
Projenin Bitiş Süresi: CPM’de süreler deterministik olduğu için proje süresi kesindir.
Bu projenin süresi 16 gün olup, 16 günde bitme olasılığı %100’dür.
Buraya kadar anlatılan proje yapısında faaliyetler arasında finish to start ilişkisi vardı.
Yani bir faaliyetin başlayabilmesi için bir öncekinin bitmiş olması gerekiyordu. Ancak bu
gerçek hayatta her zaman bu şekilde gerçekleşmez.
Birtakım gecikmeler söz konusu olabilir. Yada bazı işler tamamlandıktan sonra
beklenmesi gerekebilir. Bu gecikmeler (lag) faaliyetlerin başlaması yada bitmesi için gerekli
olan minimum zamanlardır. Bu bekleme süreleri proje yöneticisi tarafından belirlenebilir ya da
işin işleyişi açısından zorunlu olabilir.
352
Start to Start:
Finish to Finish:
Yukarıdaki şekil incelenirse, Prototype işlemi bittikten 4 zaman dilimi sonra Testing
işlemi bitmelidir. Yani Prototype faaliyeti ile Testing faaliyetinin bitiş zamanları birbirine
bağımlıdır.
Start to Finish:
Aşağıdaki şekilde açıkça görüldüğü gibi Testing faaliyeti ile System documentation
faaliyetleri arasında bir ilişki vardır. Bu ilişki şu şekilde ifade edilebilir. Testing faaliyeti
başladıktan 3 zaman dilimi sonra System Documentation faaliyeti bitmelidir.
353
Karma Durumlar:
Burada ise Code faaliyetinin başlangıcından 4 zaman dilimi sonra Debug faaliyeti
bitmeli aynı şekilde Code faaliyetinin başlangıcından 2 zaman dilimi sonra Debug faaliyeti
başlamalıdır.
CPM Örneği:
A Contract signing -
B Questionnaire design A
C Target market ID A
D Survey sample B, C
E Develop presentation B
F Analyze results D
G Demographic analysis C
H Presentation to client E, F, G
354
Çözüm: Proje Ağ diyagramı
Çözüm:
= ] + î
î : faaliyet süresi
355
Geriye Doğru Hesap
]= −î
356
Proje Bitiş Süresi: 30 Gün
Kritik Yol Yöntemi (CPM) proje faaliyet sürelerinin deterministik olması durumunda kullanılır.
Bu nedenle proje bitiş süresi de kesindir.
357
Uygulamalar
b) Projedeki her bir faaliyet için Normal Süreler kullanılarak, ES (En erken başlama),
EF (En erken tamamlanma), LS (En geç başlama), LF (En geç tamamlama), FS (Serbest
aylak süre - bolluk) değerlerini hesaplayınız ve projenin kritik yolunu, kritik faaliyetlerini
belirleyiniz.
358
Uygulama Soruları
Proje süresinin azaltılması için diğer bir sebep tahmin dışı bir gecikme (Örneğin; kötü
hava, planlama hataları, donanım arızası) projenin ortasında önemli bir gecikmeye neden
olabilir. Çizelgede geri alma genellikle bazı kritik faaliyetlerin süresinde sıkıştırma gerektirir.
Çizelgede geri alma ek maliyeti ile geç kalma maliyeti karşılaştırılmalıdır.
359
Bu Bölümde Ne Öğrendik Özeti
360
Bölüm Soruları
a) Ağ Diyagramı
c) Histogram
d) Pareto Diyagramı
3) B faaliyeti, A faaliyetinin bitişi ile başlayabiliyor ise ne tür bir ilişki söz konusudur?
a) Bir faaliyetin başlayabilmesi için bitmesi gereken faaliyetlere A’nın öncül faaliyetleri
denir.
361
e) Her zaman ağ diyagramındaki tüm faaliyetler kritik faaliyetlerdir.
a) Çizimi zordur
a) Düğüm
b) Ok
c) Kritik yol
d) Öncül faaliyet
e) Paralel faaliyet
7) Birden fazla faaliyetle aynı anda başlayan projelerde bu faaliyetlerin öncesinde sıfır
süreli bir faaliyet eklenir. Bu faaliyet aşağıdakilerden hangisi ile isimlendirilir?
a) Kritik faaliyet
b) Kilometre taşı
c) Kritik olay
d) Bileşke faaliyet
e) Paralel faaliyetler
8) Birden fazla faaliyetle aynı anda biten projelerde bu faaliyetlerin sonuna sıfır süreli
bir faaliyet eklenir. Bu faaliyet aşağıdakilerden hangisi ile isimlendirilir?
a) Kritik faaliyet
b) Kritik olay
c) Kilometre taşı
d) Bileşke faaliyet
362
e) Paralel faaliyetler
a) Artçıl faaliyet
b) Normal faaliyet
c) Kritik faaliyet
d) Öncül faaliyet
e) Paralel faaliyet
10) Aşağıdaki şekilde verilen şebeke (ağ) diyagramında, öncül faaliyet hangi faaliyettir?
Cevaplar
1) a, 2) a, 3) a, 4) e, 5) d, 6) c, 7) b, 8) c, 9) d, 10) a
363
14. ŞEBEKE PROGRAMLAMADA PERT YÖNTEMİ
364
Bu Bölümde Neler Öğreneceğiz?
365
Bölüm Hakkında İlgi Oluşturan Sorular
366
Bölümde Hedeflenen Kazanımlar ve Kazanım Yöntemleri
367
Anahtar Kavramlar
• PERT Tekniği
• İyimser süre
• Olası Süre
• Kötümser süre
• Beklenen değer
• Varyans
• Beta dağılımı
368
Giriş
Proje alanı, daha önceden gerçekleştirilmiş, bilinen konuları içeriyorsa önceki
deneyimlere dayanarak hangi faaliyetin ne kadar sürede gerçekleşeceği belirlenebilir. Bu
durumda faaliyetlerin süresi kesindir. Örneğin, otomatik bir makinenin bir saat çalışması
sonucu bir işi gerçekleştirmesi gibi. Ancak projenin kapsamı daha önceden yapılmamış, yeni
bir konu ise bu durumda deneyimlere dayanarak faaliyet sürelerini belirlemek olanaksızdır. Bu
sebeple PERT analizinde üç zaman dikkate alınarak faaliyet süreleri belirlenir. Dolayısıyla
faaliyet süreleri olasılıklı sürelerdir.
369
14.1. PERT Yönteminde Faaliyet Sürelerinin Belirlenmesi
PERT analizinde her faaliyet için üç zaman söz konusudur. Bu süreler en iyimser süre,
en kötümser süre ve en olası süredir.
Faaliyetin en iyimser süresi, söz konusu faaliyet için bütün şartların en iyi şekilde
gerçekleşmesi sonucunda faaliyetin en kısa sürede tamamlanacağı süreyi ifade eder. Bu süre
içinde en ufak bir aksilik söz konusu değildir. Faaliyet açısından her durumun yolunda gittiği
varsayılır. Bu sebeple faaliyet %99 olasılıkla bu süreden daha erken bir sürede bitirilemez. “ ”
harfi ile ifade edilir.
Faaliyetin en kötümser süresi, söz konusu faaliyet için bütün artların en kötü şekilde
gerçekleştiği varsayılarak, faaliyetin gerçekleşmesi sırasında ortaya çıkabilecek tüm
aksamaların meydana gelmesi durumunda faaliyetin tamamlanabileceği en uzun süreyi ifade
eder. Tüm aksaklıklar göz önüne alındığı için bu faaliyetin gerçekleşme süresi %99 olasılıkla
faaliyetin en kötümser süresinden uzun olamaz. “.” harfi ile ifade edilir.
Faaliyetin gerçekleşme olasılığı en yüksek olan süredir. Normal şartlar altında faaliyetin
ne kadar sürede tamamlanabileceğini ifade eder. “ ” harfi ile ifade edilir.
PERT analizinde her faaliyet için bu üç sürenin bilinmesi gerekir. Yapılan birçok
araştırma, deney ve inceleme sonucunda faaliyet sürelerinin incelenmesi sonucu, sürelerin beta
dağılımına uygun olduğu görülmüştür. Beta dağılımının aşağıda yer alan üç özelliği
bakımından faaliyet sürelerinin bu dağılıma uygun olduğu belirlenmiştir:
• Beta dağılımı sürekli bir dağılımdır fakat daha önceden belirlenen özel bir şekli
yoktur. Başka bir deyişle verilen değerlere göre dağılıma ait eğri sağa veya sola yatkın bir hâle
gelebilmektedir.
Beta dağılımı her zaman simetrik bir dağılıma sahip olmadığı için, projedeki
faaliyetlerin üç zamanı göz önüne alındığında, sürelerine uygun olan, aşağıda gösterilen üç
grafikten birine ait şekilde gösterilme olanağına sahiptir. Sola yatık, sağa yatık veya simetrik
370
tahminin ( + .)/2 olma zorunluluğu yoktur. Bu değerin sağında veya solunda da yer alma
bir biçimde dağıldığı aşağıda gösterilen grafiklerde de görülmektedir. Başka bir deyişle en olası
371
( + .)
2 +2
î =
3
+4 +.
î =
6
Bu değer aynı zamanda faaliyet süresinin beklenen zamanını (expected time) da ifade
etmektedir. PERT analizinde hesaplanan süreler kesin olmadığı için beklenen değer eklinde
ifade edilir. Süreler kesin olmadığına göre bu sürelerden bir sapma olması söz konusudur, bu
durum her faaliyetin sapmasının hesaplanmasını gerektirir. Varyans hesaplaması da doğal
olarak beta dağılımına göre hesaplanır.
6 =.−
(. − )
=ç è
6
(. − )
=
36
Projede yer alan tüm faaliyetlerin, zamanları dikkate alınarak ortalama ve varyans
değerleri hesaplanır.
Hesaplanan sürelerin gerçekleşme olasılıklarının çok yüksek olması analiz açısından iyi
bir sonuç olarak görülse de bu durumun sakıncaları söz konusudur. Hesaplanan sürenin
gerçekleşme olasılığı % 100’e yakın olması faaliyetin, kapasite bakımından hiç bir sorun
yaşamadığını başka bir deyişle kaynakları etkin kullanılmadığını gösterir. Faaliyetin
gerçekleşme olasılığının çok düşük olması ise tam ters neden ile tehlike arz etmektedir, en ufak
bir aksilik durumunda proje ile ilgili tüm değerlerin değişeceği anlamına gelir. Projenin eski
hâline bağlı kalınması için çok yüksek maliyetli önlemler alınması gerekir. Bu nedenlerle
faaliyet sürelerinin gerçekleşme olasılıkları uygun risk ve yaralanma oranı (utilization)
arasındaki sınırları belirleyen değerler olmalıdır.
372
14.2. Kritik Yolun Tespiti
PERT analizinde kritik yolun tespit edilmesi CPM yöntemindeki kritik yol ile şüphesiz
aynıdır. Şebeke içinde yer alan en uzun yoldur. Projenin tamamlanma süresi kritik yol üzerinde
yer alan kritik faaliyetlerin sürelerinin toplamına eşittir. Ancak bu süre kesin değildir.
Faaliyetlerin varyans değerleri hesaplandığı için projenin belirlenen sürede hesaplanması da
belirli bir sapmaya tabiidir. Bu sapma değeri ise kritik yol üzerinde yer alan kritik faaliyetlerin
varyanslarının toplamına e ittir.
Yukarıda belirtilen formüller şebekede yer alan herhangi bir yol için geçerli olduğu gibi
kritik yol için de geçerlidir; sonuçta kritik yolda şebekede yer alan bir yolu ifade etmektedir.
Kritik yol için a ağıdaki ekli ile yazılması mümkündür:
Ó^ = í)!
(/ , 3 ) ∈ Kritikyol
PERT analizinde sürelerin dağılımı beta dağılımı ile hesaplanırken, kritik yol tespitinde,
Merkezi Limit Teoremine göre, gözlem sayısı arttıkça dağılım normal dağılıma yaklaşır, bu yol
üzerinde bulunan faaliyet sayılarının fazla olması dolayısıyla normal dağılıma uygundur.
Küçük ölçekli projelerde kritik yol hesaplamalarının normal dağılıma göre yapılması sağlıklı
bir yaklaşım değildir. Projenin faaliyetleri için, olası faaliyet süreleri söz konusu ise, faaliyet
zamanları hangi dağılıma uygun olursa olsun, tüm projenin süresi normal dağılıma uygundur.
Projede birden fazla kritik yolun bulunması mümkündür. CPM yönteminde bütün yollar
kritik olarak kabul edilirken PERT analizinde varyansı büyük olan yolun kritik yol olarak kabul
edilmesi daha yaygındır. Bunu sebebi ise varyans aralığı genişledikçe belirsizlik artacağı için
projenin tamamlanma süresi açısından daha güvenilir bir sonuç olacaktır.124 Bu konu için
başka bir yaklaşım daha vardır. Bu yaklaşıma göre projenin beklenen süreden daha geç
tamamlanması ile ilgili hesaplamalarda en büyük varyansı, beklenen süreden daha kısa sürede
tamamlanması ile ilgili hesaplamalarda ise en küçük varyansı göz önünde tutarak bulunan
sonuçların daha sağlıklı olduğu yaklaşımıdır.
373
−
•=
î¶ − î)!
•=
Bu işlem sonucunda bulunan değer “• tablo”suna göre hangi alanda kaldığı belirlenerek
projenin belirtilen sürede bitirilme olasılığının değeri hesaplanır. Aynı zamanda projenin
belirlenen bir olasılık değeri için ne kadar süre içinde tamamlanması gerektiği aynı formül
yoluyla hesaplanmaktadır.
Örnek:
374
14.3.1. Faaliyetlere İlişkin Beklenen Süreler
+4 +.
î =
6
1 + 4.2 + 4
î (+) = = 2,17
6
3 + 4.5 + 9
î (,) = = 5,33
6
2 + 4.5 + 6
î ( )= = 4,67
6
4 + 4.6 + 9
î (Í) = = 6,17
6
5 + 4.7 + 12
î ( )= = 7,5
6
3 + 4.4 + 7
î ( )= = 4,33
6
5 + 4.5 + 5
î (©) = =5
6
(4 − 1)
(+) = = 0,25
36
(9 − 3)
(,) = =1
36
(6 − 2)
( )= = 0,44
36
(9 − 4)
(Í) = = 0,69
36
(12 − 5)
( )= = 1,36
36
(7 − 3)
( )= = 0,44
36
(5 − 5)
(©) = =0
36
375
Bu sonuçlardan sonra:
376
14.3.5. Projeye İlişkin Şebeke Diyagramı
í="= = 20 gün
= ( m(í) = 1,62
377
= 2,61 = 1,62 gün
Proje süresi normal dağılıma uyduğuna göre normal dağılım açısından proje süresinin
grafiği aşağıda verilmiştir. Yaklaşık olarak ortalama değerin ± 3,5σ komşuluğu eğrinin altında
kalan alanın tamamını vermektedir. Bu ise yaklaşık % 99,98 ihtimali karşılamaktadır.
Buna göre projenin örneğin 22 günden önce bitme ihtimalini hesaplayacak olursak:
{í < 22}
H−"
=
22 − 20 2
•= = = 1,23
1,62 1,62
ù değeri normal dağılım tablosundan (veya örneğin Excel ile) • = 1,23 değerine göre
0,3907 (%39,07) olarak bulunmuştur. Bu değer projenin 20 ila 22 gün arasında tamamlanma
olasılığını vermektedir. Aşağıdaki şekil normal dağılım eğrisi üzerinden ihtimal değerinin
bulunmasını izah etmektedir. En geç 22 günde bitme olasılığı sorulduğu için, simetrik olan
standart normal dağılımın sol tarafındaki 0,5 lik alanı da toplamak gerekir.
378
0,5+0,3907 %89,07
í−" 22 − " 22 − 20
{í > 22} = Ü > )= Ü > )
1,62
Buna göre projenin 22 günden daha fazla sürmesi ihtimali % 10,93 gibi düşük bir
ihtimaldir. Bunun şekil üzerinden izahı aşağıda verilmiştir.
0,1043 %10,43
î−"
0,90 = { < î} = Ü < )
Buradan:
î−"
•÷, ÷ =
379
Z0,9 standart normal dağılımın % 90’lık kısmına denk gelen • değeri demektir. Normal
dağılım tablosundan bu değer 1,28 olarak okunur. Yukarıdaki formülde yerine koyarsak:
î−"
1,28 = => 1,28 ∗ 1,62 = î − 20 => î = 22,07
Buna göre projenin % 90 ihtimalle biteceği gün yaklaşık 22,07 gün olacaktır. Bunun
grafiksel olarak açıklaması aşağıda verilmiştir.
0,90 0,90
PERT tekniği, projenin tamamlanma süresini belirli bir olasılık değerine bağlı olarak
verdiği için zamanlama ile ilgili bir değişiklik yapılması diğer yöntemlere göre daha kolaydır.
Bu yöntem ile projenin herhangi bir tarihte tamamlanma olasılığının yüzde kaç olduğu
hesaplanabilmektedir.
PERT tekniğinde, faaliyetlerin süresi ile değil beklenen değerleri ile analiz yapılır.
Bunun sebebi bu yöntem ilk defa uygulanacak bir analiz için söz konusudur dolayısıyla
faaliyetlerin süreleri kesin olarak tespit edilememektedir.
Bu yöntem için optimizasyon söz konusu değildir. Analiz sonuçları en iyi değerleri
vermez sadece yöneticiye fikir verir, kontrolün daha bilinçli bir şekilde yapılmasına yardımcı
olur. PERT analizinin en önemli dezavantajı ise faaliyet süreleri beta dağılımını izlemeyebilir.
Bu durumda faaliyetlerin beklenen sürelerinin beta dağılımına göre hesaplanan değerleri yanlış
olacaktır.
CPM ve PERT teknikleri aynı amaca hizmet etmektedir. Her iki yöntemde de projeyi
planlama, programlama - uygulama ve kontrol aşamaları yer almaktadır. Her iki yöntemin
ulaşmak istediği asıl sonuç projenin hangi tarihte tamamlanacağını belirlemektir. İki teknik
birbirine benzemekle birlikte temelde önemli yapısal farklılıkları bulunmaktadır. Bu
farlılıklardan ilki faaliyet süreleri ile ilgilidir. CPM yönteminde faaliyet süreleri kesin, PERT
tekniğinde ise olasılıklıdır. Önemli ikinci farklılık ise bu yöntemlerin kullanım alanları ile
ilgilidir. CPM yöntemi daha önce yapılan ve hala yapılmakta olan proje konuları ile
380
ilgilenmektedir. Bu sebeple önceki tecrübelere dayanarak faaliyet süreleri kesin olarak
belirlenebilmektedir. Ancak PERT tekniği için böyle bir durum söz konusu değildir. PERT
tekniğinin uygulama alanı ilk defa uygulanacak projelerden oluşmaktadır. Dolayısıyla faaliyet
süreleri tahmin edilen, beklenen sürelerdir ve kesin değildir. PERT tekniği ilk defa
gerçekleştirilecek bir projeye uygulanacağı için maliyet analizi yapılması çok güçtür ve sağlıklı
sonuç vermez. Maliyet analizi, projenin hızlandırılması gibi kavramlar CPM yöntemi içinde
gerçekleştirilen analizlerdir. CPM yöntemini en belirgin özelliği maliyet unsurunun çözüm
yöntemi içerisinde yer almasıdır.
İlk bakışta olasılıklı ve üç farklı zaman içerdiği için PERT tekniğinin daha gerçekçi
olduğu düşünülebilir ancak bu yöntem, CPM yöntemine göre daha az tercih edilir. Bu durumun
iki önemli nedeni vardır. Birincisi, beta dağılımına uygunluk gösterdiği varsayılan üç zamanı
tahmin etmek oldukça güçtür. Bunun yanı sıra faaliyet sürelerini belirleyen kişiler aşırı güvence
isterse, en kötümser zamanı yüksek belirleyebilir ve bu durum analiz sonuçlarını doğrudan
etkiler. İkincisi ise, faaliyet süreleri beta dağılımını izlemeyebilir.
Proje yöneticisi bazı şartlardan dolayı projeyi tamamlamada süreyi azaltmak isteyebilir.
Projedeki kritik bir faaliyetin süresi azaltılabilir ancak neredeyse her zaman doğrudan (direkt)
maliyetlerde artış ile sonuçlanır. Sürenin düşürülmesi ek maliyete değer mi sorusunu
yanıtlaması gerekir. Maliyet - süre analizinde projenin tamamlanma süresini belirleyen kritik
yoldaki faaliyetlere odaklanılır.
381
Standart Normal Dağılım Tablosu (‹-tablosu)
0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0.1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0.2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0.3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0.4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0.5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0.6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0.7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0.8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3079 0,3106 0,3133
0.9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1.1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1.2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1.3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1.4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1.5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1.6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1.7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1.8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1.9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2 0,4773 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2.1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2.2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2.3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2.4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2.5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2.6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2.7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2.8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2.9 0,4981 0,4982 0,4983 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4991
382
Uygulamalar
PERT Örneği:
383
Uygulama Soruları
1) PERT ile şebeke programlamada birden fazla kritik yol olması durumunda varyans
nasıl hesaplanır?
384
Bu Bölümde Ne Öğrendik Özeti
385
Bölüm Soruları
a) İyimser süre
b) Olası Süre
c) Standart süre
d) Kötümser süre
a) En kısa yoldur
b) En uzun yoldur
3) Bir faaliyetin en erken başlangıç süresi 10, en geç başlangıç süresi 15 ise bolluğu ne
kadar olur?
a) 15
b) 10
c) 5
d) 1
e) 0
386
4) Bir faaliyetin süresi olasılıklı olup = 3, = 4 ve . = 11 ise faaliyetin beklenen
süresi ne kadardır?
a) 4
b) 5
c) 6
d) 7
e) 7,5
a) 16/9
b) 32/9
c) 64/9
d) 1
e) 0
6) Olasılıklı faaliyet süreleri olan bir projenin ortalama bitiş süresi = 30 gün, ve
varyansı = 16 gün olarak hesaplanmış ise = 34 gün için ‹ standardize değeri kaçtır?
a) 2,5
b) 2
c) 1,5
d) 1
e) 0
387
7) Olasılıklı faaliyet süreleri içeren bir projenin ortalama bitiş süresi = 30 gün ve
standart sapması = 4 gün ise bu projenin 26 günde daha fazla günde bitme olasılığı yüzde
kaçtır?
a) 15,87
b) 34,13
c) 50
d) 84,13
e) 100
8) Olasılıklı faaliyet süreleri içeren bir projenin ortalama bitiş süresi = 30 gün ve
standart sapması = 4 gün ise bu projenin en geç 30 günde bitme olasılığı yüzde kaçtır?
a) 26,34
b) 34,13
c) 50
d) 84,13
e) 100
9) Olasılıklı faaliyet süreleri içeren bir projenin ortalama bitiş süresi = 30 gün ve
standart sapması = 4 gün ise bu projenin en geç 34 günde bitme olasılığı yüzde kaçtır?
a) 26,34
b) 34,13
c) 50
d) 84,13
e) 100
388
10) Aşağıda verilen şebeke (ağ) diyagramında 4 faaliyetin beklenen süreleri verilmiştir.
Buna göre kritik yol süresi ne kadardır?
a) 5
b) 6
c) 8
d) 9
e) 10
11) Olasılıklı faaliyet süreleri içeren bir projenin ortalama bitiş süresi = 30 gün ve
standart sapması = 4 gün ise bu projenin en geç 26 günde bitme olasılığı yüzde kaçtır?
a) 34,13
b) 68,26
c) 50
d) 15,87
e) 100
Cevaplar
1) c, 2) b, 3) c, 4) b, 5) a, 6) d, 7) d, 8) c, 9) d, 10) e, 11)d.
389
KAYNAKÇA
Ahmet, ÖZTÜRK, Yöneylem Araştırması, 7. Baskı, Bursa, Ekin Kitabevi Yayınları, 2001.
Bertsimas, D., Tsitsiklis, J.N. (1997) Introduction to Linear Optimization, Athena Scientific,
Belmont, Massachusetts
Ergün Eroğlu, İşletme Matematiği Yayınlanmamış Ders Notları, İÜ İşletme Fakültesi, İstanbul,
1996-2015
Esin, A., “Yöneylem Araştırmasında Yararlanılan Karar Yöntemleri”, Gazi Kitabevi, Ankara.
Hanna M.E. (2003) "Quantitative Analysis for Management", Pearson Education Inc.
Howard Anton, Elemantary Linear Algebra, Fourth Edition, John Wiley and sons, Canada,
1984
İhsan Kaya, Karar Teorisi, Markov Süreçleri, Yıldız Teknik Üniversitesi, Endüstri
Mühendisliği Bölümü Ders Notları, Şubat 2017, İstanbul
Karayalçın, İ., “Endüstri Mühendisliği ve Üretim Yönetimi El Kitabı Cilt II” Çağlayan
Kitabevi, İstanbul.
King, J.P.,( 2004). Matematik Sanatı, (16. baskı), Çev. Nermin Arık.
Laurence D. Hoffmann, Gerald L. Bradley : Calculus for Business, Economics and the
Social and Life Sciences, McGraw Hill, Fourth Edition, USA, 1989
390
Lieberman , H. (2005), " Introduction to Operations Research ", Eigh Edition, Mc-Graw-Hill ,
Singapore
Mond A. Barnett, Michael R. Ziegler, Karl E. Byleen, Calculus for Business, Economics, Life
Sciences and Social Sciences, 12. Basımdan Çeviri, Nobel Yayınevi, 2011
Öner Esen, Yöneticiler için Bilgisayar Destekli Karar Modelleri, Uygulamalı Yöneylem
Araştırması - Excel ile Modelleme ve Çözüm Uygulamaları, Çağlayan Kitabevi, Beyoğlu,
İstanbul, 2008
Powell, S.g., Baker, K.R. (2009), "Management Science: The Art of Modeling with
Spreadshhets", 2nd Edition, John Wiley and Sons.
Render B., Stair R.M. Jr., Hanna M.E. (2003) "Quantitative Analysis for Management",
Pearson Education Inc.
Sevüktekin, M., 1992. Ekonometrik Simulasyon Modelleri, Uludağ Üniversitesi İktisadi İdari
Bilimler Fakültesi Dergisi, Cilt:XIII, Sayı:1-2, Bursa, 235.
Taha H.A. (2000) "Yoneylem Arastirmasi", Literatur Yayincilik (cev. Alp Baray ve Sakir
Esnaf)
Taylor B.W. III (2002) "Introduction to Management Science", Pearson Education Inc.
Winston, W. L., (2004) Operations Research: Applications and Algorithms , Fourth Edition.
Yılmaz Tulunay, İşletme Matematiği, Nobel Yayın Dağıtım, 4. Baskı, Ankara, 2006
391
TABLOLAR
0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0.1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0.2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0.3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0.4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0.5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0.6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0.7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0.8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3079 0,3106 0,3133
0.9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1.1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1.2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1.3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1.4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1.5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1.6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1.7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1.8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1.9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
2 0,4773 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2.1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2.2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2.3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2.4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2.5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2.6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2.7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2.8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2.9 0,4981 0,4982 0,4983 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4991
392