263 Book 4

ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
Προγράμματα Συμπληρωματικής Εκπαίδευσης
Με τη χρήση καινοτόμων μεθόδων εξ αποστάσεως εκπαίδευσης
263 – H ΓΡΑΜΜΙΚΗ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ

ΤΩΝ ΠΟΛΛΑΠΛΩΝ ΕΠΕΝΔΥΤΙΚΩΝ ΕΠΙΛΟΓΩΝ
1
© Copyright 2010, Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών.
Η έντυπη, ηλεκτρονική και γενικά κατά οποιοδήποτε τρόπο αναπαραγωγή,
δημοσίευση ή χρησιμοποίηση όλου ή μέρους του υλικού έργου αυτού,
απαγορεύεται χωρίς την έγγραφη έγκριση του κατόχου των πνευματικών
δικαιωμάτων του έργου.
2
Το παρόν έντυπο αποτελεί το εκπαιδευτικό υλικό του μαθήματος “Η Γραμμική
Μοντελοποίηση του Προβλήματος των Πολλαπλών Επενδυτικών Επιλογών”.
Αποτελεί απαραίτητο συμπλήρωμα του ηλεκτρονικού υλικού που βρίσκεται
στην πλατφόρμα και αναπόσπαστο κομμάτι της εκπαιδευτικής διαδικασίας.
Στην πρώτη διδακτική ενότητα θα γίνει μια εισαγωγή στο μαθηματικό
προγραμματισμό και συγκεκριμένα σε ένα βασικό του κλάδο, αυτό του
γραμμικού προγραμματισμού (ΓΠ). Ο γραμμικός προγραμματισμός είναι μια
ευρέως χρησιμοποιούμενη τεχνική λήψης αποφάσεων στην οικονομία και στη
διοίκηση επιχειρήσεων. Ένα μοντέλο ΓΠ αποτελείται από μια “αντικειμενική
συνάρτηση” και από ένα σύνολο “περιορισμών”. Σκοπός της πρώτης
διδακτικής ενότητας είναι η συνοπτική αναφορά στο εύρος των προβλημάτων
που μπορούν να αντιμετωπισθούν με τη βοήθεια του ΓΠ, η ανάπτυξη των
προϋποθέσεων που πρέπει να ισχύουν προκειμένου να έχει νόημα η ανάπτυξη
ενός μοντέλου ΓΠ, και η κατανόηση των βασικών εννοιών που συνθέτουν ένα
πρόβλημα γραμμικού προγραμματισμού.
Η δεύτερη διδακτική ενότητα θα παρουσιάσει ένα υποδειγματικό παράδειγμα
διατύπωσης προβλημάτων γραμμικού προγραμματισμού με στόχο την
εξοικείωση του εκπαιδευόμενου με τη μοντελοποίηση γραμμικών
προβλημάτων. Επιπλέον, στη συγκεκριμένη διδακτική ενότητα παρουσιάζεται
και ένας ιδιαίτερα χρήσιμος τρόπος επίλυσης των προβλημάτων ΓΠ με τη
χρήση του Microsoft Excel, το Solver.
Στην τρίτη διδακτική ενότητα του μαθήματος θα προσεγγίσουμε το ζήτημα της
ανάλυσης ευαισθησίας της λύσης προβλημάτων Γραμμικού
Προγραμματισμού. Η ανάλυση ευαισθησίας είναι ένα πολύ χρήσιμο εργαλείο
που συμβάλλει στην κατανόηση του υπό εξέταση προβλήματος και στην
παρουσίαση εναλλακτικών λύσεων που ενδέχεται να προκύψουν σε
περίπτωση αλλαγών στα δεδομένα που συνθέτουν το μοντέλο ΓΠ.
Η τέταρτη διδακτική ενότητα παρουσιάζονται προβλήματα επενδύσεων και η
επίλυσή τους ως προβλήματα Γραμμικού Προγραμματισμού. Αν και το
χρηματοοικονομικό περιβάλλον είναι ένα ιδιαίτερα μεταβαλλόμενο περιβάλλον,
γεγονός που καθιστά δύσκολη την μοντελοποίηση χρηματοοικονομικών
προβλημάτων ως γραμμικά, στην παρούσα διδακτική ενότητα θα μελετήσουμε
τρεις διαφορετικές μελέτες περίπτωσης χρηματοοικονομικών που
αντιμετωπίζονται με ΓΠ.
Η συγγραφή του συγκεκριμένου εκπαιδευτικού υλικού, έχει πραγματοποιηθεί
από τον κ. Πετράκη Παναγιώτη, Καθηγητής του Τμήματος Οικονομικών
Επιστημών, του Εθνικού και Καποδιστριακού Πανεπιστημίου Αθηνών.
3
ΠΕΡΙΕΧΟΜΕΝΑ
ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΟ ΓΡΑΜΜΙΚΟ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ .............. 5

ΕΙΣΑΓΩΓΙΚΕΣ ΠΑΡΑΤΗΡΗΣΕΙΣ .................................................................................. 7
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΑ ΠΡΟΒΛΗΜΑΤΑ ΓΡΑΜΜΙΚΟΥ
ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ .......................................................................................... 8
ΥΠΟΕΝΟΤΗΤΑ 2. ΒΑΣΙΚΕΣ ΥΠΟΘΕΣΕΙΣ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ... 10
ΥΠΟΕΝΟΤΗΤΑ 3. ΙΔΙΟΤΗΤΕΣ ΕΝΟΣ ΜΟΝΤΕΛΟΥ ΓΡΑΜΜΙΚΟΥ
ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ........................................................................................ 12
ΥΠΟΕΝΟΤΗΤΑ 4. ΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΩΝ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ
............................................................................................................................ 14
ΣΥΝΟΨΗ ............................................................................................................... 18
ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 2. ΔΙΑΤΥΠΩΣΗ ΠΡΟΒΛΗΜΑΤΩΝ ΓΡΑΜΜΙΚΟΥ

ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΚΑΙ ΕΠΙΛΥΣΗ ΜΕ ΤΗ ΧΡΗΣΗ ΤΟΥ SOLVER ........................... 19
ΕΙΣΑΓΩΓΙΚΕΣ ΠΑΡΑΤΗΡΗΣΕΙΣ ................................................................................ 21
ΥΠΟΕΝΟΤΗΤΑ 1. ΔΙΑΤΥΠΩΣΗ ΠΡΟΒΛΗΜΑΤΩΝ ΓΠ .......................................... 22
ΥΠΟΕΝΟΤΗΤΑ 2. ΕΙΣΑΓΩΓΗ ΔΕΔΟΜΕΝΩΝ ΜΟΝΤΕΛΟΥ ΓΠ ΣΤΟ MICROSOFT
EXCEL .................................................................................................................. 25
ΥΠΟΕΝΟΤΗΤΑ 3. ΛΥΝΟΝΤΑΣ ΤΟ ΠΡΟΒΛΗΜΑ ΜΕ ΤΟ SOLVER ....................... 30
ΣΥΝΟΨΗ ............................................................................................................... 35
ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 3. ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΓΡΑΜΜΙΚΟΥ

ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ .............................................................................................. 37
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ............................. 40
ΥΠΟΕΝΟΤΗΤΑ 2. ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΤΩΝ ΑΝΑΦΟΡΩΝ
ΤΟΥ SOLVER ....................................................................................................... 43
ΣΥΝΟΨΗ ............................................................................................................... 51
ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 4. ΕΦΑΡΜΟΓΕΣ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΕ

ΠΡΟΒΛΗΜΑΤΑ ΕΠΕΝΔΥΣΕΩΝ ................................................................................. 53
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΦΑΡΜΟΓΕΣ ΠΡΟΒΛΗΜΑΤΩΝ ΕΠΕΝΔΥΣΕΩΝ ΩΣ ΜΟΝΤΕΛΑ
ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ .................................................................. 56
ΥΠΟΕΝΟΤΗΤΑ 2. ΕΠΙΛΟΓΗ ΧΑΡΤΟΦΥΛΑΚΙΟΥ ΕΠΕΝΔΥΣΕΩΝ - ΠΡΟΒΛΗΜΑ
ΜΕΓΙΣΤΟΠΟΙΗΣΗΣ ............................................................................................... 57
ΥΠΟΕΝΟΤΗΤΑ 3. ΕΠΙΛΟΓΗ ΕΠΕΝΔΥΣΕΩΝ – ΠΡΟΒΛΗΜΑ ΕΛΑΧΙΣΤΟΠΟΙΗΣΗΣ 63
ΥΠΟΕΝΟΤΗΤΑ 4. ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΠΕΝΔΥΣΕΩΝ .................................... 69
ΣΥΝΟΨΗ ............................................................................................................... 72
ΒΙΒΛΙΟΓΡΑΦΙΑ .................................................................................................... 73
4

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΟ ΓΡΑΜΜΙΚΟ

ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ
5
6
Εισαγωγικές Παρατηρήσεις
Στην πρώτη διδακτική ενότητα γίνεται μια εισαγωγή στις βασικές έννοιες του
γραμμικού προγραμματισμού. Η ενότητα αυτή αποτελείται από τέσσερις
υποενότητες. Στην πρώτη υποενότητα αναφέρονται οι εφαρμογές γραμμικού
προγραμματισμού σε διαφορετικές οικονομικές δραστηριότητες με έμφαση
στον τομέα των χρηματοοικονομικών και στην επιλογή επενδύσεων.
Η δεύτερη υποενότητα εστιάζει στις προϋποθέσεις που πρέπει να ισχύουν
προκειμένου ένα πρόβλημα να λυθεί ως πρόβλημα γραμμικού
προγραμματισμού. Συγκεκριμένα, αναλύονται οι προϋποθέσεις
γραμμικότητας, βεβαιότητας και διαιρετότητας.
Η τρίτη υποενότητα εστιάζει στις ιδιότητες ενός μοντέλου γραμμικού
προγραμματισμού. Με άλλα λόγια, αναφέρονται τα στοιχεία εκείνα που
συνθέτουν σε ένα γραμμικό μοντέλο. Επίσης, γίνεται αναφορά και στο
τυποποιημένο μοντέλο γραμμικού προγραμματισμού.
Τέλος, στην τέταρτη υποενότητα αναφέρονται συνοπτικά τα στάδια για την
ανάπτυξη ενός γραμμικού μοντέλου. Συγκεκριμένα, τρία είναι τα στάδια για την
επίλυση ενός μοντέλου γραμμικού προγραμματισμού. Το πρώτο στάδιο
αφορά στην διατύπωση του προβλήματος, το δεύτερο στην επίλυση του
προβλήματος και το τρίτο στην ερμηνεία και ανάλυση ευαισθησίας της λύσης.
Κάθε ένα από αυτά τα στάδια θα αποτελέσει αντικείμενο εκτενέστερης μελέτης
στις επόμενες διδακτικές ενότητες.
7
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΑ ΠΡΟΒΛΗΜΑΤΑ ΓΡΑΜΜΙΚΟΥ
ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ
Στη συγκεκριμένη υποενότητα θα αναφερθούμε:

στη σπουδαιότητα των προβλημάτων γραμμικού προγραμματισμού (ΓΠ),
στις εφαρμογές που έχει ο ΓΠ σε διαφορετικές γνωστικές περιοχές, και
στη χρησιμότητα του ΓΠ στην επίλυση προβλημάτων επενδύσεων
1.1 Εφαρμογές προβλημάτων Γραμμικού Προγραμματισμού
Ο γραμμικός προγραμματισμός είναι μια ευρέως χρησιμοποιούμενη μέθοδος

στον τομέα της Διοικητικής επιστήμης. Τα προβλήματα γραμμικού
προγραμματισμού αφορούν στο σχεδιασμό των δραστηριοτήτων,
προκειμένου να επιτευχθεί ένα συγκεκριμένος στόχος υπό κάποιους
περιορισμούς. Για παράδειγμα, στον τομέα της παραγωγής, συχνά
αναφερόμενα προβλήματα είναι ο προσδιορισμός του προγράμματος
παραγωγής των προϊόντων της εταιρίας (η επιλογή των προϊόντων, ο ρυθμός
παραγωγής, κ.λπ.) προκειμένου να μεγιστοποιηθεί το κέρδος και να
ικανοποιηθεί η ζήτηση. Ένα σχετικό πρόβλημα είναι το γραμμικό μοντέλο να
καθορίζει τη βέλτιστη σύνθεση των πρώτων υλών για την παραγωγή ενός
συγκεκριμένου προϊόντος αλλά και να πληροί όλες τις προδιαγραφές
παραγωγής κατά τον πλέον οικονομικό τρόπο.
Τα προβλήματα μεταφοράς είναι ένας άλλος τομέας που απαιτεί
προγραμματισμό. Η επιλογή διαδρομής για τη μεταφορά των προϊόντων, ιδίως
για τις εταιρείες που έχουν πολλές μονάδες παραγωγής και σημεία διανομής,
μπορεί να μειώσει σημαντικά το κόστος εφόσον γίνει προσεκτικός σχεδιασμός
της μεταφοράς των εμπορευμάτων. Αν η εταιρεία έχει τα δικά της οχήματα, το
πρόβλημα είναι να μάθουμε τα “μονοπάτια” που ελαχιστοποιούν το συνολικό
κόστος. Όταν η εταιρεία μισθώνει οχήματα, ο σχεδιασμός γίνεται πιο σύνθετος,
ώστε να συμπεριλάβει οποιαδήποτε ειδικά χαρακτηριστικά των διαφόρων
μέσων του κόστους μεταφοράς.
Ένας ακόμα τομέας εφαρμογής γραμμικού προγραμματισμού είναι ο τομέας
των επενδύσεων. Σε αυτά τα προβλήματα, ο επενδυτής αντιμετωπίζει μια σειρά
εναλλακτικών επενδυτικών προγραμμάτων καθένα από τα οποία
8
χαρακτηρίζονται από διαφορετικές απαιτήσεις για κεφάλαιο (ή άλλες),
διάρκεια, ποσό των επιστροφών, κίνδυνο ή αβέβαιη απόδοση, κλπ. Το
πρόγραμμα του επενδυτή θα πρέπει να καθορίζει:
¾ τα συγκεκριμένα επενδυτικά σχέδια που ο ίδιος θα αναλάβει,
¾ το χρόνο που κάθε πρόγραμμα θα πρέπει να αποδώσει,
¾ το ποσό των χρημάτων που θα επενδύσει σε κάθε πρόγραμμα, και
¾ να διασφαλίζει ότι όλοι οι αναγκαίοι οικονομικοί πόροι για την
ολοκλήρωση αυτών των έργων είναι διαθέσιμοι.
Σημείωση 1. Ορισμός μοντέλου Γραμμικού Προγραμματισμού
Ως μοντέλο ΓΠ ορίζεται το μοντέλο εκείνο που έχει ως στόχο την μεγιστοποίηση

ή ελαχιστοποίηση μιας γραμμικής αντικειμενικής συνάρτησης και ενός
συνόλου γραμμικών περιορισμών.
Στον Πίνακα 1 παρατίθενται συνοπτικά παραδείγματα ενδεικτικών

προβλημάτων που επιλύονται ως μοντέλα γραμμικού προγραμματισμού.
Πίνακας 1
Δραστηριότητα Στόχος Περιορισμοί

Προσδιορισμός ποσοτήτων • Διαθεσιμότητα σε εργατικό
Παραγωγή παραγωγής προϊόντων που δυναμικό
μεγιστοποιούν το κέρδος • Διαθεσιμότητα σε πόρους
Κατανομή κεφαλαίου για τη
• Διαφοροποίηση
Χρηματοοικονομικά μεγιστοποίηση της αναμενόμενης
• Αποδεκτά επίπεδα ρίσκου
απόδοσης
Επιλογή διαφημιστικών μέσων που • Προϋπολογισμός
Διαφήμιση μεγιστοποιούν την διαφήμιση στον • Διάρκεια διαφημιστικής
πληθυσμό στόχο καμπάνιας
Οργάνωση δραστηριοτήτων και
κατανομή εργασίας με στόχο την
Κατασκευές • Χρονοδιαγράμματα
βελτιστοποίηση του
προγράμματος κατασκευής
• Προσφορά/ ζήτηση
Ανάθεση μεταφοράς με στόχο την
Μεταφορές προϊόντων
ελαχιστοποίηση του κόστους
• Δυναμικότητα μεταφοράς
9
1.2 Γιατί τα μοντέλα Γραμμικού Προγραμματισμού είναι σημαντικά;
Τα μοντέλα ΓΠ είναι σημαντικά για τους κάτωθι λόγους:

¾ Πολλά προβλήματα είναι εύκολο να μοντελοποιηθούν ως προβλήματα
Γραμμικού Προγραμματισμού, ενώ ακόμα και αυτά που φαινομενικά δεν
πληρούν τις απαραίτητες προϋποθέσεις προκειμένου να επιλυθούν
γραμμικά, μπορούν να λυθούν προσεγγιστικά με μοντέλα γραμμικής
δομής.
¾ Υπάρχουν αποτελεσματικές τεχνικές επίλυσης των γραμμικών μοντέλων
με τη χρήση εξειδικευμένου λογισμικού αλλά και με ειδικά εργαλεία του
Excel.
¾ Τα αποτελέσματα που προκύπτουν από την επίλυση των προβλημάτων
ΓΠ συμπεριλαμβάνουν και αναλύσεις που επιτρέπουν να εξετάσουμε
πόσο ευαίσθητη είναι η λύση μας σε αλλαγές στα δεδομένα του μοντέλου
(‘What if’ ανάλυση).
ΥΠΟΕΝΟΤΗΤΑ 2. ΒΑΣΙΚΕΣ ΥΠΟΘΕΣΕΙΣ ΓΡΑΜΜΙΚΟΥ

Στην υποενότητα 2 εστιάζουμε:

στις προϋποθέσεις που πρέπει να πληρούνται προκειμένου ένα μοντέλο να
επιλυθεί ως πρόβλημα γραμμικού προγραμματισμού, και
στην τυποποιημένη μορφή του προβλήματος ΓΠ.
Πριν διατυπώσουμε ένα πρόβλημα Γραμμικού Προγραμματισμού οφείλουμε
να διασφαλίσουμε ότι ισχύουν οι προϋποθέσεις που πρέπει να πληρούνται
προκειμένου να λυθεί το πρόβλημα ως πρόβλημα ΓΠ. Εάν οι προϋποθέσεις
αυτές δεν ισχύουν, τότε το πρόβλημα μπορεί να λυθεί μόνο προσεγγιστικά.
Οι προϋποθέσεις για τα προβλήματα ΓΠ είναι:
η γραμμικότητα
η διαιρετότητα και
η βεβαιότητα.
10
2.1 Γραμμικότητα
Το μαθηματικό μοντέλο που διατυπώνεται στα προβλήματα γραμμικού

προγραμματισμού πρέπει να είναι γραμμικό ως προς τις άγνωστες μεταβλητές
του (x1, x2, ... ,Xn). Αυτό πρακτικά σημαίνει ότι πρέπει να ισχύουν οι ιδιότητες της
αναλογικότητας και της προσθετικότητας. Με άλλα λόγια, αν y είναι μια
συνάρτηση μεταβλητών και a1, a2, … , an είναι σταθερές, πρέπει να ισχύει:
Y (a1x1 + a2x2 +…..+ anxn) = a1 y (x1) + a2 y (x2) +…..+ an y (xn)
Η ιδιότητα της αναλογικότητας υπάρχει όταν για παράδειγμα η παραγωγή 1
μονάδας ενός προϊόντος απαιτεί 3 ώρες εργασίας, άρα η παραγωγή 10
μονάδων του προϊόντος απαιτεί 30 ώρες εργασίας. Η ιδιότητα αυτή θα πρέπει
να ισχύει τόσο για την αντικειμενική συνάρτηση του μοντέλου όσο και για τους
περιορισμούς.
2.2 Διαιρετότητα
Η υπόθεση της διαιρετότητας στα μοντέλα γραμμικού προγραμματισμού

αναφέρεται στο ότι η λύση του προβλήματος δεν είναι απαραίτητο να είναι
ακέραιος αριθμός. Επομένως, είναι συνεχής άρα απείρως διαιρετή. Αυτό
πρακτικά σημαίνει ότι η λύση του μοντέλου μπορεί να μας δώσει είτε ακέραιες
είτε κλασματικές τιμές.
Η υπόθεση αυτή μπορεί να ισχύει σε προβλήματα που εξετάζουν για
παράδειγμα τις ώρες λειτουργίας μιας μηχανής ή τα γαλόνια πετρελαίου που
θα παραχθούν από ένα διυλιστήριο, τα οποία μπορούν να πάρουν
κλασματικές τιμές. Υπάρχουν και περιπτώσεις, όμως, που η υπόθεση αυτή δεν
ισχύει. Για παράδειγμα, σε ένα πρόβλημα προγραμματισμού παραγωγής δεν
έχει νόημα η παραγωγή 205,4 τεμαχίων από το Χ προϊόν. Σε αυτή την
περίπτωση, όταν δηλαδή η υπόθεση της διαιρετότητας δεν ισχύει, τότε έχουμε
δυο εναλλακτικές:
¾ Αγνοούμε την υπόθεση διαιρετότητας, λύνουμε το πρόβλημα ως
πρόβλημα γραμμικού προγραμματισμού και στρογγυλοποιούμε στην
κοντινότερη ακέραιη μονάδα. Αυτό εφαρμόζεται κυρίως όταν οι τιμές που
παίρνουν οι μεταβλητές απόφασης είναι σχετικά μεγάλες.
¾ Όταν οι τιμές τον μεταβλητών παίρνουν μικρές τιμές (π.χ. 0 ή 1) τότε
χρησιμοποιούμε ακέραιο προγραμματισμό για την επίλυση του
11
προβλήματος ορίζοντας ως μεταβλητή απόφασης μια δυαδική (binary)
μεταβλητή που μπορεί να πάρει τιμές 0 ή 1.
2.3 Βεβαιότητα
Στα προβλήματα Γραμμικού Προγραμματισμού υποθέτουμε ότι ισχύει η

προϋπόθεση της βεβαιότητας. Αυτό σημαίνει ότι όλες οι παράμετροι του
προβλήματος είναι γνωστές με βεβαιότητα και δεν αλλάζουν κατά την υπό
εξέταση περίοδο.
ΥΠΟΕΝΟΤΗΤΑ 3. ΙΔΙΟΤΗΤΕΣ ΕΝΟΣ ΜΟΝΤΕΛΟΥ ΓΡΑΜΜΙΚΟΥ

Όλα τα μοντέλα γραμμικού προγραμματισμού έχουν τις ακόλουθες κοινές

ιδιότητες:
Όλα τα προβλήματα αφορούν στη μεγιστοποίηση ή ελαχιστοποίηση
κάποιας ποσότητας, συνήθως κέρδους ή κόστους αντίστοιχα. Για
παράδειγμα, η αντικειμενική συνάρτηση ενός κατασκευαστή είναι η
μεγιστοποίηση του κέρδους. Στα προβλήματα μεταφοράς συνήθως το
ζητούμενο είναι η ελαχιστοποίηση του κόστους. Αντίστοιχα σε προβλήματα
χρηματοοικονομικών το ζητούμενο μπορεί να είναι είτε η μεγιστοποίηση της
απόδοσης του χαρτοφυλακίου είτε η ελαχιστοποίηση του κινδύνου του
χαρτοφυλακίου που αναλαμβάνει ο επενδυτής. Σε κάθε περίπτωση, η
αντικειμενική συνάρτηση πρέπει να διατυπώνεται ως ένα μαθηματικό
μοντέλο. Η βέλτιστη λύση του προβλήματος είναι εκείνη η λύση που δίνει την
καλύτερη τιμή (μέγιστη ή ελάχιστη, ανάλογα με το πρόβλημα) στην
αντικειμενική συνάρτηση.
Τα μοντέλα γραμμικού προγραμματισμού έχουν περιορισμούς που
επηρεάζουν τη λύση του προβλήματος. Για παράδειγμα, αν θέλουμε να
βρούμε πόσες μονάδες από κάθε προϊόν πρέπει να παράγουμε
προκειμένου να μεγιστοποιήσουμε το κέρδος, η διαθεσιμότητα της
γραμμής παραγωγής των προϊόντων (σε ώρες για παράδειγμα) αποτελεί
περιοριστικό παράγοντα. Ομοίως, σε ένα πρόβλημα μεγιστοποίησης της
παρούσας αξίας του χαρτοφυλακίου του επενδυτή, περιοριστικός
12
παράγοντας είναι το ποσό που είναι διατεθειμένος ο επενδυτής να
τοποθετήσει σε κάθε επένδυση. Συμπερασματικά, σε ένα πρόγραμμα
γραμμικού προγραμματισμού θέλουμε να μεγιστοποιήσουμε ή να
ελαχιστοποιήσουμε την υπό εξέταση ποσότητα (την αντικειμενική
συνάρτηση) λαμβάνοντας υπόψη τους περιορισμούς στους πόρους που
έχουμε διαθέσιμους.
¾ Ένα γραμμικό πρόβλημα περιλαμβάνει μη αρνητικούς περιορισμούς
(non negativity constraints). Αυτοί οι περιορισμοί διασφαλίζουν ότι οι
μεταβλητές του μοντέλου παίρνουν μόνο μη αρνητικές τιμές (δηλαδή
τιμές μεγαλύτερες ή ίσες με το μηδέν). Αυτό είναι λογικό, αφού αρνητικές
τιμές στους διαθέσιμους πόρους δεν μπορούν να αποδοθούν. Με άλλα
λόγια, δεν μπορούμε να παράγουμε αρνητικό αριθμό προϊόντων.
Πρέπει να υπάρχουν εναλλακτικές επιλογές από τις οποίες μπορούμε εν
τέλει να επιλέξουμε. Για παράδειγμα, αν θέλουμε να βρούμε το βέλτιστο
χαρτοφυλάκιο ενός επενδυτή θα πρέπει να έχουμε ένα ικανό αριθμό
επιλογών για επενδύσεις από τις οποίες το μοντέλο θα επιλέξει εκείνες που
δίνουν τη μεγαλύτερη απόδοση. Αν δεν υπάρχουν εναλλακτικές επιλογές,
τότε το μοντέλο γραμμικού προγραμματισμού δεν έχει εφαρμογή.
Η αντικειμενική συνάρτηση και οι περιορισμοί στα προβλήματα γραμμικού
προγραμματισμού πρέπει να εκφράζονται σε μορφή γραμμικών ισοτήτων
ή ανισοτήτων. Στις γραμμικές μαθηματικές σχέσεις, όλοι οι όροι που
χρησιμοποιούνται στην αντικειμενική συνάρτηση και στους περιορισμούς
είναι στον πρώτο βαθμό (δηλαδή δεν είναι στο τετράγωνο ή στον κύβο ή σε
ανώτερη δύναμη). Οπότε η εξίσωση 2Α + 5Β = 10 είναι μια έγκυρη γραμμική
συνάρτηση, ενώ η εξίσωση 2Α2 + 5Β3 +ΑΒ = 10 δεν είναι, αφού η μεταβλητή
Α είναι υψωμένη στο τετράγωνο, η μεταβλητή Β στην τρίτη δύναμη και οι
δυο μεταβλητές εμφανίζονται ως γινόμενο στον τρίτο όρο.
3.1 Τυποποιημένη μορφή μοντέλου ΓΠ
Στη γενική του θεωρητική μορφή (κανονική μορφή), το μαθηματικό υπόδειγμα

του γενικού προβλήματος Γραμμικού Προγραμματισμού γράφεται ως εξής:
Να βρεθούν οι τιμές (Χ1, Χ2, ... , Χn) για το ύψος των δραστηριοτήτων (1,2,…,n)
ώστε να μεγιστοποιηθεί η αντικειμενική συνάρτηση
max Z=c1x1+c2x2+…+cnxn
13
με τους υπόψη περιορισμούς:
a11x1+a12x2+…+a1nxn ≤ b1 (1)
a21x1+a22x2+…+a2nxn ≤ b2 (2)
…
am1x1+am2x2+…+amnxn ≤ bm (m)
x1≥0, x2≥0, …, xn ≥ 0
Το πρόβλημα της ελαχιστοποίησης καθίσταται ισοδύναμο με αυτό της
μεγιστοποίησης, καθώς:
min{f(x)}=max{–f(x)}
ΥΠΟΕΝΟΤΗΤΑ 4. ΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΩΝ ΓΡΑΜΜΙΚΟΥ

Τα μοντέλα Γραμμικού Προγραμματισμού συμβάλλουν στην αντιμετώπιση

πολλών προβλημάτων αποφάσεων σε πολλές επιστημονικές περιοχές
(μεταφορές, χρηματοοικονομικά, επιχειρησιακές λειτουργίες, Marketing,
ανθρώπινους πόρους κ.α.). Παρότι τα προβλήματα αυτά δύναται να γίνουν
αρκετά σύνθετα και δύσκολα στην διατύπωση και επίλυσή τους -λαμβάνοντας
υπόψη τους πολλαπλούς παράγοντες που επηρεάζουν κάθε πρόβλημα- η
ανάπτυξη ενός μοντέλου ΓΠ αποτελείται από 3 διακριτά στάδια: (1) το στάδιο
της διατύπωσης του προβλήματος, (2) το στάδιο της λύσης του προβλήματος
και τέλος (3) το στάδιο της ερμηνείας των αποτελεσμάτων και της ανάλυσης
ευαισθησίας. Τα τρία αυτά στάδια αναλύονται συνοπτικά στη συνέχεια:
4.1 Διατύπωση Προβλήματος
Η διατύπωση ενός προβλήματος γραμμικού προγραμματισμού αφορά στη

διαδικασία κατά την οποία κάθε εκδοχή του προβλήματος μεταφράζεται και
απεικονίζεται ως ένα απλό μαθηματικό μοντέλο. Στόχος στη διατύπωση ενός
προβλήματος γραμμικού προγραμματισμού είναι διασφαλίσουμε ότι το
σύνολο των μαθηματικών εξισώσεων απεικονίζει επαρκώς όλα τα θέματα που
σχετίζονται με το υπό εξέταση πρόβλημα.
Όπως θα δούμε αναλυτικά στην επόμενη διδακτική ενότητα η διατύπωση ενός
μοντέλου ΓΠ απαρτίζεται από τέσσερα βασικά στάδια:
14
1. Κατανόηση του προβλήματος και ορισμός των μεταβλητών:
Το στάδιο της κατανόησης του προβλήματος είναι από τα πιο δύσκολα στάδια
που αντιμετωπίζει ο αναλυτής αφού στο στάδιο αυτό θα πρέπει να καθορισθεί
το ίδιο το πρόβλημα. Ποιο είναι το υπό μελέτη πρόβλημα; Ποιες οι μεταβλητές
του προβλήματος; Πώς το πρόβλημα που προτείνεται συνδέεται με την
αντιμετώπιση του εν λόγω προβλήματος; Πολλές φορές, ακόμα και όταν
υπάρχει σαφήνεια ως προς τη φύση του προβλήματος και τις μεταβλητές, η
δυσκολία συνίσταται στην συλλογή των δεδομένων (π.χ. στοιχεία κόστους,
κέρδους κ.α.). Όλα αυτά θα πρέπει να έχουν διασφαλισθεί προκειμένου να
συνεχίσουμε στο επόμενο στάδιο της διατύπωσης του προβλήματος.
2. Διατύπωση αντικειμενικής συνάρτησης:
Ένα μοντέλο ΓΠ θα πρέπει να έχει μια και μοναδική αντικειμενική συνάρτηση. Σε
αρκετά όμως προβλήματα ο αναλυτής μπορεί να διατυπώσει παραπάνω από
μια συναρτήσεις. Για παράδειγμα, σε μια επιχείρηση το κάθε τμήμα μπορεί να
θέσει διαφορετικούς στόχους. Το τμήμα παραγωγής μπορεί να θέσει ως στόχο
την βέλτιστη απασχόληση του εργατικού δυναμικού με στόχο την
ελαχιστοποίηση του κόστους, ενώ το τμήμα πωλήσεων μπορεί να θέσει ως
στόχο τον προσδιορισμό των προϊόντων που θα μεγιστοποιήσουν τις
πωλήσεις. Από την άλλη οι μέτοχοι μιας επιχείρησης ενδιαφέρονται για τη
μεγιστοποίηση των κερδών.
Οι παραπάνω αντικρουόμενοι στόχοι δύναται να δημιουργήσουν σύγχυση ως
προς το υπό εξέταση μοντέλο που θα πρέπει να διατυπωθεί. Στην περίπτωση
αυτή, ο αναλυτής θα πρέπει να συνδυάσει όλους τους παραπάνω στόχους
και να συνθέσει ένα μοντέλο που θα λαμβάνει υπόψη τις απαιτήσεις όλων των
τμημάτων, να επιλέξει μαζί με τη διοίκηση το σκοπό εκείνο ο οποίος ενδιαφέρει
περισσότερο ή πιο άμεσα τη δεδομένη χρονική στιγμή και να εκφράσει τους
υπόλοιπους σκοπούς ως περιορισμούς του προβλήματος.
3. Διατύπωση των περιορισμών:
Ένα μοντέλο ΓΠ θα πρέπει να διατυπώνει με ακρίβεια, συντομία και πληρότητα
όλους τους περιορισμούς σχετικά με το υπό εξέταση πρόβλημα. Οι
περιορισμοί αυτοί μπορεί να είναι περιορισμοί δυναμικότητας, τεχνολογίας,
διαθεσιμότητας πρώτων υλών κ.α.
4. Εξέταση των προϋποθέσεων που θα πρέπει να ισχύουν προκειμένου το
πρόβλημα να λυθεί ως πρόβλημα ΓΠ (όπως είδαμε στην υποενότητα 2).
15
4.2 Λύση προβλήματος
Η λύση του προβλήματος αφορά στο στάδιο κατά το οποίο το μαθηματικό

μοντέλο που έχει διατυπωθεί στο στάδιο της διατύπωσης του προβλήματος
επιλύεται για την εξεύρεση μιας βέλτιστης (της καλύτερης) λύσης για το
μοντέλο.
Η μέθοδος που ακολουθείται για την επίλυση των προβλημάτων ΓΠ είναι η
SIMPLEX. Πρόκειται για ένα αλγόριθμο αριστοποίησης ο οποίος χαρακτηρίζεται
από ένα μικρό αριθμό επαναλαμβανόμενων βημάτων. Συνοπτικά, η μέθοδος
SIMPLEX ακολουθεί τα παρακάτω βήματα:
Ì Εύρεση μιας αρχικής βασικής εφικτής λύσης.
Ì Είναι η λύση αυτή άριστη;
Ì Αν ναι, επιλύθηκε το πρόβλημα! Αν όχι, να ευρεθεί μια άλλη βασική
εφικτή λύση.
Ì Είναι η λύση αυτή άριστη;
Ì Αν ναι, επιλύθηκε το πρόβλημα! Αν όχι, να ευρεθεί μια άλλη βασική
εφικτή λύση.
Ì κ.ο.κ.
Η μέθοδος SIMPLEX είναι απλή στην εφαρμογή της όταν έχουμε να κάνουμε με
απλά προβλήματα ΓΠ, με λίγες μεταβλητές. Καθώς όμως τα προβλήματα
γίνονται σύνθετα και μεγαλύτερα, η εφαρμογή της μεθόδου καθίσταται
εξαιρετικά δύσκολη.
Για το λόγο αυτό η επίλυση των μοντέλων ΓΠ επιτυγχάνεται με τη χρήση
εξειδικευμένου λογισμικού (LINDO, WINQSB κ.α.) αλλά και με τη χρήση του
Solver που είναι ένα add in του Microsoft Excel. Σε επόμενη διδακτική ενότητα
θα δείξουμε πώς λύνεται ένα πρόβλημα ΓΠ με τη βοήθεια του Solver του
Microsoft Excel.
4.3 Ερμηνεία και Ανάλυση Ευαισθησίας
Στο στάδιο αυτό, δεδομένου ότι το πρόβλημα έχει διατυπωθεί και λυθεί, θα
πρέπει να ερμηνεύσουμε τα αποτελέσματα. Με άλλα λόγια, το ερώτημα που
τίθεται είναι:
Πώς μπορεί να αξιοποιήσει αυτά τα αποτελέσματα ένας manager και ποια
είναι η πρακτική τους εφαρμογή;
16
Η επίλυση προβλημάτων γραμμικού προγραμματισμού με τη βοήθεια
εξειδικευμένου λογισμικού δίνει τη δυνατότητα στον manager να αξιολογήσει
την επίδραση διαφορετικού τύπου ενδεχόμενων αλλαγών (what-if analysis).
Η λύση προβλημάτων ΓΠ είναι ντετερμινιστική. Αυτό πρακτικά σημαίνει ότι
υποθέτουμε πλήρη βεβαιότητα για όλα τα δεδομένα και τις σχέσεις του
προβλήματος. Για παράδειγμα, οι τιμές παραμένουν σταθερές, οι
διαθεσιμότητα σε πόρους είναι γνωστή, ο χρόνος παραγωγής που απαιτείται
για την παραγωγή ενός προϊόντος είναι προκαθορισμένος κτλ. Στην
πραγματικότητα, όμως, τα δεδομένα αυτά είναι δυναμικά και αλλάζουν. Αυτό
θα μπορούσε να σημαίνει, για παράδειγμα, ότι αν το κέρδος ανά μονάδα
προϊόντος τη χρονική στιγμή επίλυσης του προβλήματος είναι 10€, τι θα συμβεί
αν το κέρδος μειωθεί στα 9€; Πώς επηρεάζει η αλλαγή αυτή τη λύση του
προβλήματος;
Στα ερωτήματα αυτά απαντάει η ανάλυση ευαισθησίας. Η αναφορά ανάλυσης
ευαισθησίας παράγεται από το Solver και θα την δούμε αναλυτικά σε επόμενη
διδακτική ενότητα.
Στο Σχήμα 1 παρουσιάζονται διαγραμματικά τα 3 βασικά στάδια που θα
εξετάσουμε στις επόμενες ενότητες αναλυτικά.
17
Σχήμα 1. Στάδια ανάπτυξης μοντέλου ΓΠ
Σύνοψη
Μετά τη μελέτη της διδακτικής ενότητας μάθατε:
• γιατί είναι σημαντικά τα μοντέλα Γραμμικού Προγραμματισμού,
• τις βασικές υποθέσεις του γραμμικού προγραμματισμού,
• τις ιδιότητες ενός Μοντέλου Γραμμικού Προγραμματισμού και
• τα στάδια ανάπτυξης ενός μοντέλου Γραμμικού Προγραμματισμού.
18

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 2. ΔΙΑΤΥΠΩΣΗ ΠΡΟΒΛΗΜΑΤΩΝ

ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΚΑΙ ΕΠΙΛΥΣΗ ΜΕ ΤΗ ΧΡΗΣΗ
ΤΟΥ SOLVER
19
20
Όπως αναφέραμε και στην πρώτη διδακτική ενότητα, τα προβλήματα ΓΠ είναι

ευρέως γνωστά λόγω της ευκολίας που παρουσιάζουν στην διατύπωση και
επίλυση τους. Τα προβλήματα ΓΠ είναι προβλήματα αριστοποίησης στα οποία
υποθέτουμε ότι δεν υπάρχει αβεβαιότητα στα δεδομένα του προβλήματος.
Αυτό σημαίνει ότι όλες οι παράμετροι του προβλήματος είναι γνωστές και δεν
αλλάζουν κατά την υπό εξέταση περίοδο.
Η παρούσα διδακτική ενότητα αποτελείται από τρεις υποενότητες. Στην πρώτη
υποενότητα παρουσιάζουμε ένα υποδειγματικό πρόβλημα μεγιστοποίησης του
κέρδους από τον προγραμματισμό της παραγωγής προϊόντων.
Παρουσιάζεται λεπτομερώς ο τρόπος διατύπωσης ενός προβλήματος ΓΠ.
Στη δεύτερη υποενότητα παρουσιάζεται ο τρόπος επίλυσης προβλημάτων ΓΠ
με τη χρήση του Solver του Microsoft Excel. Συγκεκριμένα, αναλύεται ο τρόπος
εισαγωγής των δεδομένων και οι παράμετροι επίλυσης με τη χρήση του Solver.
Τέλος, στην τρίτη υποενότητα παρουσιάζεται η λύση του προβλήματος και οι
αναφορές που παράγει το Solver. Οι αναφορές αυτές είναι η αναφορά
απάντησης και η ανάλυση ευαισθησίας.
21
ΥΠΟΕΝΟΤΗΤΑ 1. ΔΙΑΤΥΠΩΣΗ ΠΡΟΒΛΗΜΑΤΩΝ ΓΠ
Στην παρούσα υποενότητα θα παρουσιάσουμε ένα υποδειγματικό πρόβλημα

γραμμικού προγραμματισμού. Στόχος είναι να κατανοήσουμε πώς
διατυπώνεται ένα πρόβλημα ΓΠ, ξεκινώντας από ένα απλό πρόβλημα
προγραμματισμού παραγωγής με στόχο τη μεγιστοποίηση του κέρδους.
1.1 Παράδειγμα προβλήματος Παραγωγής ΓΠ
Μία από τις πιο συχνές εφαρμογές γραμμικού προγραμματισμού είναι ο

προγραμματισμός παραγωγής μια επιχείρησης. Σε πολλές επιχειρήσεις, δύο ή
περισσότερα προϊόντα παράγονται χρησιμοποιώντας συγκεκριμένους
πόρους, όπως πρώτες ύλες, μηχανήματα, ανθρώπινο δυναμικό κ.α. Το κέρδος
που πρέπει να μεγιστοποιήσει η επιχείρηση βασίζεται στη συνεισφορά του
κέρδους ανά μονάδα παραγόμενου προϊόντος.
Εφαρμογή: Πρόβλημα Παραγωγής:
Ας εξετάσουμε ένα απλό πρόβλημα προγραμματισμού παραγωγής. Μια
επιχείρηση παράγει δύο προϊόντα, τραπέζια και καρέκλες. Η διαδικασία
παραγωγής για κάθε προϊόν είναι κοινή, αφού και τα δύο προϊόντα
προκειμένου να παραχθούν περνούν πρώτα από το ξυλουργείο και έπειτα από
το βαφείο. Για κάθε τραπέζι χρειάζονται 3 ώρες στο ξυλουργείο και 2 ώρες στο
βαφείο, ενώ για κάθε καρέκλα 4 ώρες και 1 ώρα αντίστοιχα. Για τον προσεχή
μήνα, είναι διαθέσιμες 2400 ώρες στο ξυλουργείο και 1000 ώρες στο βαφείο. Το
τμήμα μάρκετινγκ επιθυμεί να παραχθούν το πολύ 450 καρέκλες αυτό το μήνα
και 100 τραπέζια. Για κάθε τραπέζι που πωλείται η επιχείρηση κερδίζει 7 ευρώ
ενώ για κάθε καρέκλα το κέρδος είναι 5 ευρώ.
Η επιχείρηση επιθυμεί να καθορίσει τον βέλτιστο δυνατό συνδυασμό
παραγωγής του μήνα προκειμένου να μεγιστοποιήσει το κέρδος της.
Με άλλα λόγια, το πρόβλημα είναι να ευρεθούν οι ποσότητες των προϊόντων
που πρέπει να παραχθούν οι οποίες θα μεγιστοποιήσουν το συνολικό κέρδος.
1.1.1 Μεταβλητές Απόφασης
Για να διατυπώσουμε το πρόβλημα θα πρέπει πρώτα να εντοπίσουμε τις

μεταβλητές απόφασης του προβλήματος. Οι μεταβλητές απόφασης
αντιπροσωπεύουν τις άγνωστες ποσότητες στο πρόβλημα, οπότε στην
22
περίπτωση μας είναι οι μονάδες τραπεζιών και καρεκλών που θα παραχθούν.
Ένας εμπειρικός τρόπος εξεύρεσης των μεταβλητών απόφασης είναι η
ερώτηση: Τι θέλει να μάθει ο αποφασίζων από την επίλυση του προβλήματος;
Η απάντηση στο ερώτημα αυτό μας δίνει τις μεταβλητές απόφασης.
Ορίζουμε Χ1 και Χ2 τις άγνωστες ποσότητες (μεταβλητές απόφασης) του
προβλήματος. Στο σημείο αυτό πρέπει να ορίσουμε την αντικειμενική
συνάρτηση και τους περιορισμούς προκειμένου να ολοκληρωθεί η διαδικασία
μαθηματικής διατύπωσης του γραμμικού μοντέλου.
1.1.2 Αντικειμενική Συνάρτηση
Στο συγκεκριμένο πρόβλημα επιθυμούμε τη μεγιστοποίηση του κέρδους, οπότε

γράφουμε:
Κέρδος = (7€ κέρδος ανά τραπέζι)*(αριθμός τραπεζιών που θα παραχθούν) +
(5€ κέρδος ανά καρέκλα)*(αριθμός καρεκλών που θα παραχθούν)
ή
Maximize Z = 7Χ1 + 5Χ2
1.1.3 Περιορισμοί
Οι περιορισμοί υποδηλώνουν καταστάσεις που μας περιορίζουν στο να

αποδώσουμε οποιαδήποτε τιμή θέλουμε στους συντελεστές απόφασης. Ένα
μεγάλο μέρος της επιτυχίας των προβλημάτων ΓΠ εξαρτάται από την ικανότητα
του μελετητή να διατυπώσει με ακρίβεια όλους τους περιορισμούς του υπό
εξέταση προβλήματος.
Στο πρόβλημα που εξετάζουμε υπάρχουν τέσσερις περιοριστικοί παράγοντες.
Οι δυο πρώτοι έχουν να κάνουν με τις διαθέσιμες ώρες στο ξυλουργείο και στο
βαφείο. Ο τρίτος και ο τέταρτος αφορούν στους περιορισμούς παραγωγής
που θέτει το τμήμα μάρκετινγκ.
Αναφορικά με τις ώρες στο βαφείο και στο ξυλουργείο, οι περιορισμοί πρέπει
να διασφαλίζουν ότι η ποσότητα του πόρου (ώρες διαθέσιμες) που
απαιτούνται από το πρόγραμμα παραγωγής θα είναι μικρότερη ή ίση με την
ποσότητα του πόρου (ώρες διαθέσιμες) που είναι διαθέσιμος. Για παράδειγμα,
στην περίπτωση του ξυλουργείου, ο συνολικός χρόνος που απαιτείται είναι:
(3 ώρες ανά τραπέζι) * ((αριθμός τραπεζιών που θα παραχθούν) +(4 ώρες
ανά καρέκλα) * (αριθμός καρεκλών που θα παραχθούν)
23
Γνωρίζουμε ότι η επιχείρηση έχει 2.400 ώρες διαθέσιμες αυτό το μήνα για το
ξυλουργείο. Χρησιμοποιώντας τους συντελεστές απόφασης Χ1 και Χ2, αυτός ο
περιορισμός μπορεί να διατυπωθεί ως εξής:
3Χ1 + 4Χ2 ≤ 2400
Με τον ίδιο τρόπο διατυπώνονται και οι υπόλοιποι περιορισμοί:
2Χ1 + Χ2 ≤ 1000
Χ2 ≤ 450
Χ1 ≥ 100
1.1.4 Μη αρνητικοί περιορισμοί και ακέραιες τιμές
Στη διατύπωση προβλημάτων ΓΠ τίθεται ένας ακόμα λογικός περιορισμός,

αυτός της μη αρνητικότητας των συντελεστών απόφασης. Αυτό σημαίνει ότι οι
συντελεστές απόφασης -στην περίπτωσή του προβλήματος μας ο αριθμός
των τραπεζιών και καρεκλών που θα παραχθούν- δεν μπορούν να πάρουν
αρνητικές τιμές.
Οπότε γράφουμε:
Χ1 ≥ 0
Χ2 ≥ 0
Επιπρόσθετα, οι συντελεστές απόφασης ενδέχεται να πάρουν κλασματικές
τιμές. Αυτό πρακτικά δεν έχει νόημα αφού, για παράδειγμα, δεν γίνεται να
παραχθούν 230,4 καρέκλες. Η λύση θα πρέπει να μας δίνει μονάδες από κάθε
προϊόν που θα πρέπει να παραχθούν, δηλαδή ακέραιες τιμές. Όταν στη
διατύπωση ενός μοντέλου οι μεταβλητές απόφασης διατυπώνονται ως
μεταβλητές που μπορούν να πάρουν μόνο ακέραιες τιμές, τότε έχουμε ένα
πρόβλημα ακέραιου και όχι γραμμικού προγραμματισμού (δεν ισχύει η αρχή
της διαιρετότητας που αναφέρθηκε στην προηγούμενη ενότητα).
Τα προβλήματα Ακέραιου Προγραμματισμού είναι πολύ πιο σύνθετα και πιο
δύσκολα στη διατύπωσή τους, ενώ δεν υπάρχει η δυνατότητα ανάλυσης της
ευαισθησίας της λύσης σε ενδεχόμενες αλλαγές, σε αντίθεση με τα
προβλήματα γραμμικού προγραμματισμού. Για το λόγο αυτό, πολλές φορές
το πρόβλημα μοντελοποιείται ως πρόβλημα γραμμικού και αν η λύση δώσει
κλασματική τιμή γίνεται στρογγυλοποίηση στον κοντινότερο ακέραιο. Για
παράδειγμα, αν η λύση του προβλήματος είναι η παραγωγή 204,3 τραπεζιών,
συμπεραίνουμε ότι η επιχείρηση πρέπει να παράγει 204 τραπέζια.
24
Στο σημείο αυτό ολοκληρώσαμε τη διατύπωση του προβλήματος, η οποία
μπορεί να γραφτεί συνοπτικά ως εξής:
Έστω:
Χ1 : ο αριθμός τραπεζιών που θα παραχθούν
Χ2 : ο αριθμός καρεκλών που θα παραχθούν
Με τους περιορισμούς:
3Χ1 + 4Χ2 ≤ 2400
2Χ1 + Χ2 ≤ 1000
Χ2 ≤ 450
Χ1 ≥ 100
Χ1 ≥ 0
Χ2 ≥ 0
ΥΠΟΕΝΟΤΗΤΑ 2. ΕΙΣΑΓΩΓΗ ΔΕΔΟΜΕΝΩΝ ΜΟΝΤΕΛΟΥ ΓΠ ΣΤΟ

MICROSOFT EXCEL
Τα προβλήματα γραμμικού προγραμματισμού επιλύονται με τη βοήθεια

εξειδικευμένου λογισμικού (π.χ. LINDO, WΙΝQSB κα). Ο πιο εύκολος όμως
τρόπος είναι η επίλυση με τη βοήθεια του Solver, που είναι ένα add in του
Microsoft Excel που εύκολα μπορούν να εγκαταστήσουν όλοι οι χρήστες του
Microsoft Excel στον υπολογιστή τους.
Για αναλυτικές οδηγίες εγκατάστασης του Solver στον υπολογιστή σας δείτε τα
παρακάτω video:
¾ http://www.youtube.com/watch?v=uOFZCa5oujM (χρήστες Microsoft
Excel έκδοση 2007)
¾ http://www.youtube.com/watch?v=TFW3qQIEG_c (χρήστες Microsoft
Excel εκδόσεις 1997 - 2003)
Τα βήματα που ακολουθούμε για τη λύση του μοντέλου ΓΠ είναι:
¾ Εισάγουμε/ οργανώνουμε τα δεδομένα μας στο υπολογιστικό φύλλο. Τα
δεδομένα του μοντέλου ΓΠ είναι:
9 οι συντελεστές της αντικειμενικής συνάρτησης,
9 οι συντελεστές των περιορισμών (Left-Hand-Side, LHS) και
9 οι δεξιές σταθερές των περιορισμών (Right-Hand-Side, RHS).
25
¾ Επιλύουμε το γραμμικό μοντέλο με τη βοήθεια του Solver.
2.1 Καταχώρηση δεδομένων στο Microsoft Excel
Η εισαγωγή των δεδομένων στο Excel γίνεται ως εξής:

Ì Εισάγω τους συντελεστές της αντικειμενικής συνάρτησης στα κελιά B6,
C6, δηλαδή εισάγω 7 και 5 (Σχήμα 1).
Ì Εισάγω όλους τους συντελεστές όλων των περιορισμών από το κελί B9
ως το κελί C12. Για παράδειγμα, για τον πρώτο περιορισμό εισάγω τους
συντελεστές των μεταβλητών απόφασης 3 και 4 αντίστοιχα.
Ì Εισάγω τις δεξιές σταθερές (Right-Hand-Side, RHS) στα κελιά F9, F10,
F11, F12.
Ì Καταχωρώ τις μεταβλητές απόφασης και τοποθετώ αρχικά τις τιμές 0
στα κελιά B5, C5. Σε αυτά τα κελιά θα τοποθετηθούν αργότερα οι
βέλτιστες τιμές από το υπολογιστικό φύλλο.
Ì Ορίζω ως κελί της αντικειμενικής συνάρτησης το D6 και αρχικά δίνω την
τιμή 0, στη συνέχεια θα υπολογίσω τη συνάρτηση του περιορισμού.
Ì Στα κελιά D9, D10, D11, D12 αρχικά δίνω τιμή 0, στη συνέχεια θα
υπολογίσω τις συναρτήσεις των περιορισμών.
Τα παραπάνω βήματα φαίνονται στο Σχήμα 1. Με γαλάζιο χρώμα είναι τα κελιά
στα οποία το Solver θα δώσει τη λύση του προβλήματος.
Σχήμα 1. Αποτύπωση του προβλήματος ΓΠ στο υπολογιστικό φύλλο Excel
26
2.2 Καταχώρηση Αντικειμενικής Συνάρτησης
Το επόμενο βήμα είναι η εισαγωγή του τύπου της αντικειμενικής συνάρτησης. Η

αντικειμενική συνάρτηση του προβλήματος είναι Maximize Z = 7Χ1 + 5Χ2 .
Εισάγουμε τον τύπο της αντικειμενικής συνάρτησης στο κελί D6.
Γράφουμε στο κελί D6: = B6*B5+C6*C5
Όπου Β6 & C6 είναι οι συντελεστές της αντικειμενικής συνάρτησης 7 και 5, και
Β5 & C5 οι άγνωστες ποσότητες X1 & X2. Το Excel εμφανίζει αρχικά την τιμή 0
στο κελί D6. Αυτό σημαίνει ότι η τιμή της αντικειμενικής συνάρτησης είναι 0
αφού δεν υπάρχει παραγωγή προϊόντων (δεν έχουμε λύσει ακόμα το
πρόβλημα).
Εναλλακτικά, μπορούμε να χρησιμοποιήσουμε τη συνάρτηση SUMPRODUCT
του Excel που κάνει ακριβώς την ίδια δουλειά όπως φαίνεται στο Σχήμα 2.
Σχήμα 2. Καταχώρηση αντικειμενικής συνάρτησης
27
2.3 Καταχώριση των περιορισμών
Τις αριστερές πλευρές των περιορισμών (Left Hand Side, LHS) τις
διατυπώνουμε με παρόμοιο τρόπο όπως και τον τύπο της αντικειμενικής
συνάρτησης και καταχωρούμε αντίστοιχα στα κελιά D9, D10, D11, D12.
Για παράδειγμα, στο κελί D9 γράφουμε = Β9*Β5+ C9*C5
Εναλλακτικά, χρησιμοποιούμε τη συνάρτηση SUMPRODUCT του Excel όπως
φαίνεται στο Σχήμα 3.
Σχήμα 3. Καταχώρηση των περιορισμών (D9)
Με την ίδια διαδικασία εισάγουμε τις συναρτήσεις και για τους υπόλοιπους
περιορισμούς. Στο κελί D10 εισάγουμε:
= SUMPRODUCT (B10:C10, B5:C5)
28
Στο κελί D11 εισάγουμε:

29
Στο κελί D12 εισάγουμε:
ΥΠΟΕΝΟΤΗΤΑ 3. ΛΥΝΟΝΤΑΣ ΤΟ ΠΡΟΒΛΗΜΑ ΜΕ ΤΟ SOLVER
Το Solver, εφόσον έχει εγκατασταθεί στο Excel, βρίσκεται στο μενού Εργαλεία
(για χρήστες Excel 1997-2003) ή στο Tab Data (για χρήστες Excel 2007).
Πατώντας την εντολή του Solver εμφανίζεται ένα πλαίσιο διαλόγου για τον
προσδιορισμό των παραμέτρων προκειμένου να τρέξει το Solver.
3.1 Προσδιορισμός του κελιού προορισμού και των κελιών των

μεταβλητών
Στο πλαίσιο διαλόγου προσδιορίζουμε το κελί που είναι καταχωρημένη η

αντικειμενική συνάρτηση. Στην ένδειξη Set Target Cell εισάγουμε το κελί που
υπάρχει η αντικειμενική συνάρτηση (D6). Έπειτα επιλέγουμε το είδος της
αριστοποίησης που επιθυμούμε. Στην προκειμένη περίπτωση επιλέγουμε Max.
Τα κελιά που αναπαριστούν τις μεταβλητές απόφασης εισάγονται στην ένδειξη
By Changing Cells, οπότε εισάγουμε τα κελιά Β5-C5.
30
Σχήμα 7. Παράθυρο διαλόγου Solver
3.2 Προσδιορισμός των κελιών των περιορισμών
Έπειτα πρέπει να εισάγουμε τα κελιά των περιορισμών. Για να εισάγουμε τα

κελιά των περιορισμών, επιλέγουμε την ένδειξη Add του πλαισίου διαλόγου
(Σχήμα 8). Στη μικρή οθόνη Add Constraint που εμφανίζεται συμπληρώνουμε
στο Cell Reference τα κελιά που είναι καταχωρημένοι οι τύποι των
περιορισμών, επιλέγοντας τα αντίστοιχα κελιά (Β9:Β12). Επιλέγουμε το είδος του
περιορισμού -εδώ μικρότερο ή ίσο. Συμπληρώνουμε στο Constraint τα κελιά
όπου βρίσκονται καταχωρημένες οι δεξιές σταθερές των περιορισμών,
επιλέγοντας τα αντίστοιχα κελιά (F9:F11). Επιλέγουμε Add.
Επαναλαμβάνουμε την ίδια διαδικασία για όλους τους περιορισμούς.
Σημείωση: Αν δύο ή περισσότεροι περιορισμοί έχουν την ίδια φορά, δηλαδή
μικρότερο ή μεγαλύτερο ίσο, μπορούμε να τους εισάγουμε μαζί, όπως στο
προηγούμενο παράδειγμα. Όταν, όμως, το μοντέλο μας έχει περιορισμούς και
με μικρότερο και με μεγαλύτερο ίσο, θα πρέπει να τους εισάγουμε χωριστά.
Σχήμα 8. Εισαγωγή περιορισμών
31
Αφού εισάγουμε όλους τους περιορισμούς, καταλήγουμε στην οθόνη του
Σχήματος 7 που είδαμε προηγουμένως.
3.3 Προσδιορισμός παραμέτρων επίλυσης
Πριν προχωρήσουμε στη λύση του προβλήματος πρέπει να εισάγουμε και

τους περιορισμούς μη αρνητικότητας των μεταβλητών απόφασης. Αν
επιλέξουμε στο παράθυρο διαλόγου το Options έχουμε μια σειρά από επιλογές
που έχουν να κάνουν με τον τρόπο επίλυσης του προβλήματος (Σχήμα 9).
Επιλέγουμε το Assume Linear Model, εφόσον το μοντέλο μας είναι μοντέλο
γραμμικού προγραμματισμού. Σχετικά με τις παραμέτρους για τον μέγιστο
χρόνο, τις επαναλήψεις, την ακρίβεια, την ανοχή και τη σύγκλιση, αφήνουμε τις
υπάρχουσες τιμές. Επίσης, επιλέγουμε την επιλογή Assume Non-Negative για
τους περιορισμούς μη αρνητικότητας και πατάμε OK.
Σχήμα 9. Μενού επιλογών Solver
3.4 Λύση του προβλήματος (επιλογή προϊόντων)
Επιστρέφουμε στην οθόνη του Σχήματος 7 και είμαστε έτοιμοι να λύσουμε το

πρόβλημα. Για να επιλύσει το Solver το πρόβλημα, επιλέγουμε Solve στο
πλαίσιο διαλόγου. Εμφανίζεται ένα νέο πλαίσιο στο οποίο αναφέρεται ότι
βρέθηκε βέλτιστη λύση και μας ζητάει να επιλέξουμε τις αναφορές που
32
επιθυμούμε να εμφανιστούν. Επιλέγουμε και τις δυο πρώτες, δηλαδή επιλέγουμε
την αναφορά απάντησης (Answer Repost) και την αναφορά Ευαισθησίας
(Sensitivity Report), και πατάμε OK (Σχήμα 10). Στο φύλλο του Excel στο οποίο
είχαμε δημιουργήσει το πρόβλημα εμφανίζεται η λύση (στα γαλάζια κελιά) ενώ
δημιουργούνται τρία καινούργια φύλλα εργασίας που περιέχουν τις αναφορές.
Σχήμα 10. Μενού επιλογών Solver
Στο Σχήμα 10, το Solver μας έχει δώσει τη λύση του προβλήματος. Στο κελί D6
της αντικειμενικής συνάρτησης εμφανίζεται η τιμή 4040 που αντιστοιχεί στο
μέγιστο δυνατό κέρδος.
Στα κελιά των μεταβλητών απόφασης εμφανίζονται αντίστοιχα:
Στο Β5 η τιμή 320 = θα παραχθούν 320 τραπέζια
Στο C5 η τιμή 360 = θα παραχθούν 360 καρέκλες
Στα κελιά των περιορισμών εμφανίζονται αντίστοιχα:

Στο D9 η τιμή 2400 = 2400 ώρες στο ξυλουργείο θα χρησιμοποιηθούν
33
Στο D10 η τιμή 1000 = 1000 ώρες στο βαφείο θα χρησιμοποιηθούν
Στο D11 η τιμή 360 = 360 καρέκλες θα παραχθούν
Στο D12 η τιμή 320 = 320 τραπέζια θα παραχθούν
Τέλος, το Solver μας δίνει δυο ακόμα αναφορές, τις οποίες θα δούμε αναλυτικά
στην επόμενη ενότητα:
¾ την αναφορά απάντησης (σχήμα 11) και
¾ την αναφορά ευαισθησίας (σχήμα 12).
Microsoft Excel 12.0 Answer Report
Cell (Max)
Cell Name Original Value Final Value
$D$6 Κέρδος 0 4040
able Cells
$B$5 Αριθμός Προϊόντων Τραπέζια 0 320
$C$5 Αριθμός Προϊόντων Καρέκλες 0 360
Constraints
Cell Name Cell Value Formula Status Slack
$D$12 Παραγωγή τραπεζιών 320 $D$12>=$F$12 Not Binding 220
$D$9 Ώρες στο Ξυλουργείο 2400 $D$9<=$F$9 Binding 0
$D$10 ώρες στο Βαφείο 1000 $D$10<=$F$10 Binding 0
$D$11 Παραγωγή καρεκλών 360 $D$11<=$F$11 Not Binding 90
$D$9 Ώρες στο Ξυλουργείο 2400 $D$9<=$F$9 Binding 0
$D$10 ώρες στο Βαφείο 1000 $D$10<=$F$10 Binding 0
$D$11 Παραγωγή καρεκλών 360 $D$11<=$F$11 Not Binding 90
Σχήμα 11. Αναφορά Απάντησης

Microsoft Excel 12.0 Sensitivity Report
Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$5 Αριθμός Προϊόντων Τραπέζια 320 0 7 3 3.25
$C$5 Αριθμός Προϊόντων Καρέκλες 360 0 5 4.33 1.5
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$D$12 Παραγωγή τραπεζιών 320 0 100 220 1E+30
$D$9 Ώρες στο Ξυλουργείο 2400 0 2400 1E+30 0
$D$10 ώρες στο Βαφείο 1000 0 1000 1E+30 0
$D$11 Παραγωγή καρεκλών 360 0 450 1E+30 90
$D$9 Ώρες στο Ξυλουργείο 2400 0.6 2400 0 900
$D$10 ώρες στο Βαφείο 1000 2.6 1000 0 150
$D$11 Παραγωγή καρεκλών 360 0 450 1E+30 90
34
Σχήμα 12. Ανάλυση Ευαισθησίας
Εφαρμογή 1
Μία εταιρεία παράγει τρία προϊόντα x1, x2, x3. Το καθαρό κέρδος ανά προϊόν
είναι €4, €6, €12 αντίστοιχα.
Για την παραγωγή μίας μονάδας προϊόντος x1, απαιτούντα 7 μονάδες πρώτης
ύλης Β και 6 μονάδες πρώτης ύλης C.
Για την παραγωγή μίας μονάδας προϊόντος x2, απαιτούντα 4 μονάδες πρώτης
ύλης Α, 4 μονάδες πρώτης ύλης B και 8 μονάδες πρώτης ύλης C.
Για την παραγωγή μίας μονάδας προϊόντος x3, απαιτούνται 6 μονάδες πρώτης
ύλης Α, 2 μονάδες πρώτης ύλης Β, 12 μονάδες πρώτης ύλης C και 4 μονάδες
πρώτης ύλης D.
Οι διαθέσιμες ποσότητες από τις πρώτες ύλες A, B, C και D είναι 100, 400, 400
και 200 αντίστοιχα.
Βρείτε τις ποσότητες των x1, x2, x3 που θα παράγει η εταιρεία ώστε να
μεγιστοποιεί τα κέρδη της.
1) Διατυπώστε το πρόβλημα ως πρόβλημα ΓΠ
2) Εισάγετε τα δεδομένα στο Excel και λύστε το πρόβλημα με τη βοήθεια του
Solver.
Σύνοψη
Μετά τη μελέτη αυτής της διδακτικής ενότητας θα είστε σε θέση:
• να διατυπώσετε ένα πρόβλημα γραμμικού προγραμματισμού,
• να εισάγετε τα δεδομένα του προβλήματος στο Excel,
• να χρησιμοποιείτε το Solver ως εργαλείο επίλυσης προβλημάτων ΓΠ και
• να επιλύετε ένα μοντέλο ΓΠ και να παρουσιάζετε τα αποτελέσματα.
35
36

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 3. ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ΣΕ

ΠΡΟΒΛΗΜΑΤΑ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ
37
38
Το συνεχώς μεταβαλλόμενο περιβάλλον στο οποίο δραστηριοποιούνται οι

επιχειρήσεις απαιτεί τη χρήση δυναμικών μοντέλων στις αναλύσεις μας,
μοντέλων που λαμβάνουν υπ’ όψιν τους τις αλλαγές που δύναται να
αντιμετωπίσει μια επιχείρηση. Ένας Manager για παράδειγμα μπορεί να σας
ζητήσει να του δώσετε μια αναφορά που να περιέχει μια “What-if” ανάλυση ως
αποτέλεσμα αλλαγών που δύναται να προκύψουν στο μοντέλο Γραμμικού
Προγραμματισμού που διατυπώσατε. Μια τέτοια ανάλυση θα περιλαμβάνει
ερωτήματα τύπου:
¾ Τι θα συμβεί στη λύση του προβλήματος αν αυξηθούν οι διαθέσιμοι
πόροι (ώρες απασχόλησης, πρώτες ύλες κ.α., κεφάλαιο κ.α.);
¾ Τι θα συμβεί αν το τμήμα marketing απαιτήσει την παραγωγή παραπάνω
μονάδων από το προϊόν Α;
Όλα αυτά τα ερωτήματα είναι εύκολο να απαντηθούν με την ανάλυση
ευαισθησίας. Στην πρώτη υποενότητα γίνεται αναφορά στα βασικά συστατικά
της ανάλυσης ευαισθησίας και στους τύπους της.
Στη δεύτερη υποενότητα, χρησιμοποιώντας το υποδειγματικό παράδειγμα της
προηγούμενης διδακτικής ενότητας, αναλύουμε λεπτομερώς πώς ερμηνεύεται
η ανάλυση ευαισθησίας στο συγκεκριμένο πρόβλημα.
39
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ
Σε αυτή την υποενότητα θα δούμε πού χρησιμεύει η ανάλυση ευαισθησίας και

τους τύπους της.
1.1 Γιατί είναι χρήσιμη η ανάλυση ευαισθησίας;
Ένα μαθηματικό μοντέλο επί της ουσίας περιγράφει μια πραγματική

κατάσταση, ένα πραγματικό πρόβλημα που αντιμετωπίζει μια επιχείρηση.
Όμως, λόγω του ότι η πραγματικότητα είναι αρκετά πιο περίπλοκη από τα
προβλήματα αριστοποίησης που περιγράφουμε, η επίλυση γίνεται κατά
προσέγγιση. Αν και η μαθηματική μοντελοποίηση έχει εξελιχθεί σε μεγάλο
βαθμό, στην πράξη υπάρχουν πάντα παράμετροι του προβλήματος που είναι
δύσκολο να μοντελοποιηθούν άρα και να μετρηθούν με απόλυτη ακρίβεια. Οι
προϋποθέσεις γραμμικότητας που απαιτούνται στα προβλήματα ΓΠ
συμβάλλουν στην βελτίωση του μοντέλου προσεγγίζοντας έτσι το πρόβλημα
με μεγαλύτερη ακρίβεια. Σε κάθε περίπτωση, όμως, δεν μπορούμε να
ισχυριστούμε ότι είναι γνωστά με ακρίβεια 100% τα δεδομένα που
χρησιμοποιούμε στο πρόβλημα, παρότι όπως είπαμε ισχύει η αρχή της
βεβαιότητας για τα μοντέλα ΓΠ. Η γνώση σχετικά με τους διαθέσιμους πόρους
για την παραγωγή σε ένα πρόβλημα παραγωγής μπορεί να διαφέρει, η
απόδοση του χαρτοφυλακίου του επενδυτή μπορεί να διαφοροποιείται από τις
αποδόσεις που έχουμε αρχικά ορίσει. Με άλλα λόγια, οι πληροφορίες που
λαμβάνουμε από την επιχείρηση ή/ και την αγορά, παρότι υποθέτουμε ότι είναι
γνωστές με βεβαιότητα, μπορεί να μεταβληθούν. Η ανάλυση ευαισθησίας
έρχεται να καλύψει αυτήν ακριβώς την αδυναμία των μοντέλων. Είναι μια
συστηματική μελέτη του πόσο ευαίσθητη είναι η λύση του προβλήματος σε
μικρές αλλαγές στα δεδομένα.
Η ανάλυση ευαισθησίας δίνει απαντήσεις στα ερωτήματα:
¾ Αν η αντικειμενική συνάρτηση αλλάξει, πως θα επηρεαστεί η λύση του
¾ Αν οι διαθέσιμοι πόροι μεταβληθούν, πως θα επηρεαστεί η λύση του
¾ Αν προσθέσουμε ένα επιπλέον περιορισμό στο πρόβλημα, πως θα
επηρεαστεί η λύση του προβλήματος;
40
Ένας τρόπος αντιμετώπισης των παραπάνω ερωτημάτων είναι η επίλυση
πολλών προβλημάτων ΓΠ, εισάγοντας κάθε φορά τα νέα δεδομένα.
Για παράδειγμα, αν υποθέτουμε ότι το κέρδος ανά μονάδα παραγόμενου
προϊόντος θα είναι μεταξύ 100 – 120 ανά μονάδα, μπορούμε να λύσουμε
εικοσιένα διαφορετικά προβλήματα (ένα για κάθε ακέραιο αριθμό μεταξύ 100
και 120).
Το ερώτημα που προκύπτει είναι γιατί χρειαζόμαστε την ανάλυση ευαισθησίας
αφού μπορούμε απλά να αλλάξουμε τις παραμέτρους του προβλήματος και
να τρέξουμε το πρόβλημα από την αρχή στο Solver;
Η απάντηση είναι απλή:
Στα μεγάλα και σύνθετα προβλήματα, η αναδιατύπωση του προβλήματος σε
όλες τις πιθανές αλλαγές συνεπάγεται πολύ χρόνο και πολλά περισσότερα
μοντέλα.
Γι’ αυτό, το Solver μας δίνει τη δυνατότητα, μέσω της αναφοράς ανάλυσης
ευαισθησίας του προβλήματος, να απαντήσουμε στο τι θα συμβεί σε
μικροαλλαγές στα δεδομένα του προβλήματος, χωρίς να χρειάζεται να
επιλύσουμε ξανά το πρόβλημα.
Στη συνέχεια, θα παρουσιάσουμε την αναφορά απάντησης και ανάλυσης
ευαισθησίας, όπως αυτές προκύπτουν από την επίλυση του προβλήματος με
το Solver.
Η ανάλυση ευαισθησίας βοηθά τους managers να εξετάσουν την επίδραση
μικρής κλίμακας αλλαγών στο έπο εξέταση πρόβλημα.
1.2 Τύποι Ανάλυσης Ευαισθησίας
Υπάρχουν τρεις τύποι ανάλυσης ευαισθησίας τους οποίους θα εξετάσουμε

στη συνέχεια. Αυτοί είναι:
¾ Ανάλυση ευαισθησίας στους συντελεστές της αντικειμενικής
συνάρτησης: Οι συντελεστές της αντικειμενικής συνάρτησης είναι οι
συντελεστές των μεταβλητών απόφασης στην αντικειμενική συνάρτηση.
Στο υποδειγματικό παράδειγμα, οι συντελεστές αφορούν στους
συντελεστές κέρδους, ήτοι 7 και 5. Στα προβλήματα ΓΠ, οι συντελεστές
αυτοί αναπαριστούν μοναδιαίο κέρδος (μεγιστοποίηση) ή κόστος
(ελαχιστοποίηση). Στα προβλήματα επενδύσεων μπορεί να
αναπαριστούν αναμενόμενη απόδοση (μεγιστοποίηση) ή συντελεστή
41
κινδύνου (ελαχιστοποίηση). Το ερώτημα που τίθεται είναι «μπορούν οι
συντελεστές της αντικειμενικής συνάρτησης να ενέχουν αβεβαιότητα;».
Προφανώς, η απάντηση είναι καταφατική, δεδομένου ότι στα
προβλήματα της αγοράς οι τιμές πώλησης και κόστους δεν είναι
σταθερές ή στατικές τιμές.
¾ Ανάλυση ευαισθησίας στις δεξιές σταθερές των περιορισμών (Right –
Hand- Side): Οι δεξιές σταθερές παίρνουν σταθερές τιμές, όπως στο
παράδειγμά μας 2400 και 1000. Συνήθως, αφορούν σε διαθεσιμότητες
πόρων (πρώτων υλών, ποσού προς επένδυση κτλ) όταν το σύμβολο του
περιορισμού είναι μικρότερο ή ίσο ή επίπεδο ικανοποίησης αν είναι
μεγαλύτερο ή ίσο. Οι δεξιές σταθερές, λόγω του ότι επηρεάζονται από
εξωγενείς παράγοντες, είναι εύκολο να αλλάξουν. Για παράδειγμα, στην
πράξη πολλές επιχειρήσεις αλλάζουν το σχεδιασμό τους αναφορικά με
τους πόρους που έχουν στη διάθεσή τους, είτε λόγω ελλείψεως
αποθεμάτων σε πόρους είτε λόγω προβλήματος σε κάποιο μηχάνημα, ή
σε επιπλέον κεφάλαια προς επένδυση σε περίπτωση προβλήματος
επενδύσεων.
¾ Ανάλυση ευαισθησίας στους συντελεστές των περιορισμών (constraint
coefficient): Οι συντελεστές των περιορισμών είναι οι συντελεστές που
παίρνουν οι μεταβλητές απόφασης στους περιορισμούς (στο
υποδειγματικό παράδειγμα το 3 και το 4 αναφορικά με το χρόνο στο
ξυλουργείο ανά μονάδα προϊόντος). Σε πολλά προβλήματα, οι
συντελεστές αυτοί αντικατοπτρίζουν θέματα σχεδιασμού σχετικά με τις
μεταβλητές απόφασης. Για παράδειγμα, για την παραγωγή του καρεκλών
χρειάζονται 3 ώρες στο ξυλουργείο, ενώ για την παραγωγή τραπεζιών 4.
Αν και αυτοί οι συντελεστές μπορεί να αλλάξουν, δεδομένου ότι
αποτελούν αποτέλεσμα προσεκτικού σχεδιασμού, δεν αλλάζουν τόσο
εύκολα όσο οι δυο προηγούμενες κατηγορίες. Αυτό γιατί δεν
επηρεάζονται σημαντικά από εξωγενείς παράγοντες. Γι’ αυτό δεν
εξετάζουμε την επίδραση αλλαγών στους συντελεστές των περιορισμών
στη βέλτιστη λύση.
42
ΥΠΟΕΝΟΤΗΤΑ 2. ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΤΩΝ
ΑΝΑΦΟΡΩΝ ΤΟΥ SOLVER
Η ανάλυση ευαισθησίας, όπως είπαμε, μας επιτρέπει να απαντήσουμε σε

ερωτήματα αναφορικά με αλλαγές στη λύση του προβλήματος χωρίς να
χρειάζεται να επιλύσουμε το πρόβλημα από την αρχή. Η βασική αρχή, όμως,
της ανάλυσης ευαισθησίας είναι ότι υποθέτουμε ότι πραγματοποιείται μια
αλλαγή τη φορά. Με άλλα λόγια, από την αναφορά ευαισθησίας που παράγει
το Solver μπορούμε να απαντήσουμε σε ερωτήματα που έχουν να κάνουν με
μια αλλαγή στα δεδομένα του προβλήματος, είτε στην αντικειμενική συνάρτηση
είτε στους περιορισμούς.
Ένα βασικό χαρακτηριστικό της ανάλυσης ευαισθησίας είναι ότι μας δίνει
απάντηση για μια αλλαγή κάθε φορά, είτε στους συντελεστές της αντικειμενικής
συνάρτησης είτε στις δεξιές σταθερές των περιορισμών.
2.1 Αναφορές του Solver
Το Solver παράγει μας δίνει τη δυνατότητα να εξάγουμε δυο αναφορές:

¾ την Αναφορά Απάντησης (Answer Report) και
¾ την Αναφορά Ανάλυσης Ευαισθησίας (Sensitivity Report).
Για τη μελέτη των αναφορών που μας δίνει το Solver θα χρησιμοποιήσουμε το
υποδειγματικό παράδειγμα της προηγούμενης διδακτικής ενότητας που στόχο
είχε τη μεγιστοποίηση του κέρδους από την παραγωγή δυο προϊόντων. Η
διατύπωση του προβλήματος είχε ως εξής:
Με τους περιορισμούς:
3Χ1 + 4Χ2 ≤ 2400
2Χ1 + Χ2 ≤ 1000
Χ2 ≤ 450
Χ1 ≥ 100
Χ1 ≥ 0
Χ2 ≥ 0
43
2.1.1 Αναφορά απάντησης
Το Solver μας δίνει τη δυνατότητα να εξάγουμε αναφορά απάντησης για το

υπό εξέταση πρόβλημα παρέχοντας πληροφορίες για τη λύση του
προβλήματος.
Επιστρέφοντας στο υποδειγματικό παράδειγμα της μεγιστοποίησης του
κέρδους από την παραγωγή καρεκλών και τραπεζιών, στο Σχήμα 1 δίνεται η
λύση όπως προκύπτει από την αναφορά απάντησης του Solver.
Η αναφορά απάντησης αποτελείται από τρία τμήματα.
(α) Στο πρώτο τμήμα [Target Cell (max) - κελί προορισμού (μεγιστοποίηση)]
μας παρέχει την αρχική και τελική (μέγιστη) τιμή της αντικειμενικής συνάρτησης.
(β) Στο δεύτερο τμήμα (adjustable cells -ρυθμιζόμενα κελιά) μας παρέχει την
αρχική και τελική τιμή των μεταβλητών απόφασης.
(γ) Το τελευταίο τμήμα (περιορισμοί) μας παρέχει πληροφορίες σχετικές με τους
περιορισμούς. Συγκεκριμένα:
¾ Οι 2 πρώτες στήλες μας δίνουν, για κάθε περιορισμό, το κελί στο οποίο
είναι καταχωρημένος ο τύπος και το όνομα του περιορισμού.
¾ Η στήλη Τιμή Κελιού (Cell Value) δείχνει την τιμή στην οποία ικανοποιείται
τελικά ο κάθε περιορισμός. Για παράδειγμα, εάν πρόκειται για
περιορισμένη διαθεσιμότητα πρώτων υλών, μας δείχνει την ποσότητα
που τελικά καταναλώνεται από την αντίστοιχη πρώτη ύλη προκειμένου να
υλοποιηθεί το πλάνο παραγωγής που προσδιορίσθηκε παραπάνω στο
(β).
¾ Η στήλη Τύπος (Formula) δείχνει τα κελιά που είναι καταχωρημένα, για
κάθε περιορισμό, ο τύπος του περιορισμού, η δεξιά του σταθερά, και το
είδος της ανισότητας.
¾ Η στήλη Κατάσταση (Status) δείχνει ποιοι από τους περιορισμούς είναι
υποχρεωτικοί, δηλαδή δεσμευτικοί. Ένας περιορισμός είναι δεσμευτικός
όταν η βέλτιστη λύση ικανοποιείται με αυστηρή ισότητα, π.χ. εάν πρόκειται
για περιορισμένη διαθεσιμότητα πρώτων υλών, όταν η αντίστοιχη πρώτη
ύλη εξαντλείται.
¾ Τέλος, στην στήλη Απόκλιση (Slack) φαίνεται η διαφορά μεταξύ της
αριστερής πλευράς (Left-hand side) και της δεξιάς σταθεράς (Right-hand
side) κάθε περιορισμού, δηλαδή μεταξύ της «τιμής κελιού» και της δεξιάς
σταθεράς. Εννοείται ότι η απόκλιση των δεσμευτικών περιορισμών είναι
44
μηδέν, μιας και εξαντλούν τις αντίστοιχες πρώτες ύλες. Οι αποκλίσεις των
μη δεσμευτικών περιορισμών δείχνουν ποιο είναι το τελικό ανεκμετάλλευτο
απόθεμα - περίσσευμα από τις αντίστοιχες πρώτες ύλες. Οι τιμές στην
στήλη Απόκλιση των συνθηκών μη αρνητικότητας δείχνουν την ποσότητα
που οι μεταβλητές απόφασης υπερβαίνουν το κάτω όριο που είναι το
μηδέν, δηλαδή στη συγκεκριμένη περίπτωση του προβλήματός μας,
δείχνουν πάλι την άριστη ποσότητα παραγωγής των αντίστοιχων
μεταβλητών.
Από τη λύση του προβλήματος (Σχήμα 1) βλέπουμε ότι θα παραχθούν και τα

δύο προϊόντα, καρέκλες και τραπέζια, σε ποσότητες 320 και 360 μονάδες
αντίστοιχα. Το κέρδος είναι 4040€ από την παραγωγή των παραπάνω
ποσοτήτων. Αυτά δίνονται από το Final Value του πρώτου και του δεύτερου
πίνακα.
Ο τρίτος πίνακας μας δίνει πληροφορίες σχετικά με τους περιορισμούς. Κάθε
γραμμή απεικονίζει και ένα περιορισμό του προβλήματος. Ο χρόνος στο
ξυλουργείο εξαντλείται όπως και ο χρόνος στο βαφείο. Αυτό φαίνεται από την
πέμπτη στήλη του τρίτου πίνακα. Όταν αναφέρει ότι ένας περιορισμός είναι
Binding δηλαδή Δεσμευτικός τότε εξαντλείται όλη η διαθέσιμη ποσότητα, στην
προκειμένη περίπτωση ο χρόνος. Όταν ένας περιορισμός είναι Δεσμευτικός,
τότε το slack (έκτη στήλη) είναι μηδενικό. Όταν ένας περιορισμός δεν είναι
δεσμευτικός (non Binding), τότε στο slack εμφανίζεται το απόθεμα του
περιορισμού.
Έτσι, ο χρόνος στο βαφείο και ξυλουργείο εξαντλείται ενώ αναφορικά με τον
περιορισμό παραγωγής το πολύ 450 καρεκλών παρατηρούμε ότι τελικά
παράγονται 360 και στην έκτη στήλη εμφανίζεται το υπόλοιπο 90 (360+90=450).
45
2.1.2 Αναφορά ευαισθησίας
Η αναφορά ευαισθησίας έχει δυο τμήματα:

¾ το τμήμα “Ρυθμιζόμενα κελιά” (Adjustable cells) που αφορά ανάλυση
ευαισθησίας στους συντελεστές των μεταβλητών απόφασης στην
αντικειμενική συνάρτηση (αντικειμενικοί συντελεστές) και
¾ το τμήμα «Περιορισμοί» (Constraints) που αφορά ανάλυση ευαισθησίας
στις δεξιές σταθερές των περιορισμών (Σχήμα 2).
Σημείωση 1. Αλλαγές στις δεξιές σταθερές ενός περιορισμού
Η ανάλυση ευαισθησίας για αλλαγές από μεταβολές στις δεξιές σταθερές των
περιορισμών δίνεται στο δεύτερο τμήμα της αναφοράς ευαισθησίας, δηλαδή
στον πίνακα με τίτλο «Περιορισμοί» (Constraints). Κάθε γραμμή του πίνακα
αυτού περιέχει πληροφορίες ένα περιορισμό του προβλήματος.
Ας αναλύσουμε τώρα λεπτομερώς τα στοιχεία του πίνακα αυτού.
Όνομα (Name)
Στις 2 πρώτες στήλες εμφανίζεται το κελί που είναι καταχωρημένος και το
όνομα του κάθε περιορισμού.
46
Τελική Τιμή (Final Value)
Στη στήλη Τελική τιμή, δίνεται η τελική τιμή που λαμβάνει το αριστερό μέρος του
περιορισμού. Για παράδειγμα, χρησιμοποιούνται 2400 ώρες στο ξυλουργείο.
Σκιώδης τιμή (Shadow Price)
Στη στήλη Σκιώδης τιμή (Shadow Price), δίνεται η δυική τιμή του κάθε
περιορισμού. Η δυική τιμή ενός περιορισμού δείχνει το ποσό κατά το οποίο
αλλάζει η αντικειμενική συνάρτηση δεδομένης μιας μοναδιαίας μεταβολής στην
τιμή της αντίστοιχης δεξιάς σταθερής (RHS), θεωρώντας ότι οι άλλες δεξιές
σταθερές παραμένουν σταθερές. Οι σκιώδεις-δυικές τιμές δείχνουν την
πραγματική αξία της πρώτης ύλης στο πρόγραμμα παραγωγής, άρα επί της
ουσία είναι κόστος.
Δεξιά σταθερά περιορισμού (constraint R.H. Side)
Στη στήλη αυτή εμφανίζεται η τιμή της δεξιάς σταθεράς του εκάστοτε
περιορισμού όπως αυτή έχει διατυπωθεί στο πρόβλημα. Στο παράδειγμά μας
είναι για τον πρώτο περιορισμό 2400 ώρες κτλ.
Εύρος Εφικτότητας (Range of feasibility)
Στις στήλες Επιτρεπόμενη Αύξηση (Allowable Increase) και Επιτρεπόμενη
Μείωση (Allowable Decrease) δίνονται τα όρια μέσα στα οποία οι σκιώδεις-
δυικές τιμές παραμένουν σταθερές.
Δεδομένου ότι δεν υπάρχουν άλλες αλλαγές στα δεδομένα του προβλήματος:
¾ Το εύρος εφικτότητας είναι το εύρος τιμών που μπορεί να πάρει η δεξιά
σταθερά ενός περιορισμού και για το οποίο οι σκιώδεις τιμές
παραμένουν σταθερές.
¾ Όταν η αλλαγή είναι εντός εύρους εφικτότητας, τότε η αντικειμενική
συνάρτηση αλλάζει κατά τα γινόμενο της δυικής τιμής επί την αλλαγή στη
δεξιά σταθερά.
Η εξέταση της επίδρασης των αλλαγών στις δεξιές σταθερές των περιορισμών
γίνεται σε δύο επίπεδα:
¾ στην επίδραση των αλλαγών σε περιορισμούς δεσμευτικούς (Binding
Constraint) και
¾ στην επίδραση των αλλαγών σε περιορισμούς μη δεσμευτικούς (Non
Binding Constraint).
47
Ένας περιορισμός ονομάζεται δεσμευτικός όταν από τη λύση του
προβλήματος προκύπτει ότι εξαντλείται, δηλαδή ότι χρησιμοποιείται όλη η
διαθέσιμη ποσότητα για την παραγωγή των προϊόντων. Η αναφορά
απάντησης αναφέρει ποιοι περιορισμοί είναι δεσμευτικοί και ποιοι όχι
(υποενότητα 1). Αυτό όμως φαίνεται και από την ανάλυση ευαισθησίας στον
πίνακα των περιορισμών. Αν παρατηρήσουμε τη στήλη που μας δίνει τη δεξιά
σταθερά και τη συγκρίνουμε με τη στήλη της τελικής τιμής, όπου υπάρχει
ισότητα των δυο κελιών, ο περιορισμός είναι δεσμευτικός -ενώ για ανισότητα
είναι μη δεσμευτικός.
Αλλαγές σε Δεσμευτικούς Περιορισμούς

Από το Σχήμα 2 παρατηρούμε ότι η σκιώδης τιμής του περιορισμού για τις
ώρες στο βαφείο είναι 2.6€ (δεσμευτικός περιορισμός). Για παράδειγμα, οι
ώρες στο βαφείο έχουν δυική τιμή 2.6€ εφόσον η διαθεσιμότητα τους
κυμαίνεται στο διάστημα [1000-0 1000+150]. Άρα, αν η διαθεσιμότητα των
ωρών στο βαφείο αυξηθεί κατά 100 ώρες, τότε η άριστη τιμή της αντικειμενικής
συνάρτησης θα αυξηθεί κατά 100*2.6€ = 260€, δηλαδή θα γίνει
4040€+260€=4300€. Να σημειώσουμε ότι αυτή η αλλαγή δεν μεταβάλλει τις
δυικές τιμές, σίγουρα όμως μεταβάλλει τις τιμές των μεταβλητών, καθώς η
αλλαγή των δεξιών σταθερών (RHS) αλλάζει την περιοχή των εφικτών λύσεων.
Αντιστοίχως για τις ώρες στο ξυλουργείο, η δυική τιμή είναι 0.6€ με εύρος
εφικτότητας 1500 (=2400 -900) έως 2625 (=2400+225) ώρες. Αυτό σημαίνει ότι
για κάθε ώρα (επιπλέον ή λιγότερη) μέσα στα όρια του εύρους εφικτότητας το
κέρδος της εταιρείας θα αυξάνεται κατά 0.6€. Το πρόγραμμα παραγωγής θα
αλλάξει, δηλαδή ο αριθμός τραπεζιών και καρεκλών που θα παραχθούν, αλλά
γι αυτή την αλλαγή η ανάλυση ευαισθησίας δεν μας δίνει απάντηση και θα
πρέπει να ξανατρέξουμε το Solver.
Αλλαγές σε μη Δεσμευτικούς Περιορισμούς
Για αλλαγές σε μη δεσμευτικούς περιορισμούς, η ανάλυση ευαισθησίας
ερμηνεύεται διαφορετικά. Βλέπουμε ότι δεν είναι δεσμευτικός ο περιορισμός της
παραγωγής το πολύ 450 καρεκλών, αφού τελικά παράγονται 360 καρέκλες.
Επίσης, παρατηρούμε ότι για μη δεσμευτικούς περιορισμούς η δυική τιμή είναι
μηδέν. Αυτό πρακτικά σημαίνει ότι δεν θα υπάρξει αλλαγή στην αντικειμενική
συνάρτηση.
48
Σχήμα 2. Αναφορά Ευαισθησίας
Σκιώδης τιμή:
Δεδομένου ότι δεν υπάρχουν άλλες αλλαγές στα δεδομένα του προβλήματος,
η σκιώδης ή δυική τιμή ενός περιορισμού είναι η αλλαγή στην τιμή της
αντικειμενική συνάρτησης για κάθε μονάδα αύξησης ή μείωσης της δεξιάς
σταθεράς του περιορισμού.
Σημείωση 2. Αλλαγές στους συντελεστές της αντικειμενικής συνάρτησης
Η ανάλυση ευαισθησίας για τους συντελεστές της αντικειμενικής συνάρτησης

δίνεται στο πρώτο τμήμα της αναφοράς ευαισθησίας, δηλαδή στον πίνακα με
τίτλο «Ρυθμιζόμενα Κελιά» (Adjustable Cells). Κάθε γραμμή του πίνακα αυτού
περιέχει πληροφορίες για μια μεταβλητή απόφασης του μοντέλου.
Ας αναλύσουμε τώρα λεπτομερώς τα στοιχεία του πίνακα αυτού.
Όνομα (Name)
Στις 2 πρώτες στήλες δίνεται το κελί που είναι καταχωρημένη στο Excel και το
όνομα της κάθε μεταβλητής απόφασης.
Τελική τιμή (Final Value)
Στην στήλη Τελική τιμή δίνεται η άριστη τιμή για κάθε μεταβλητή. Με άλλα λόγια
στη στήλη αυτή δίνονται οι τιμές που παίρνουν οι μεταβλητές απόφασης (στο
παράδειγμά μας 320 και 360).
49
Μειωμένο Κόστος (Reduced Cost)
Στην στήλη Μειωμένο κόστος (Reduced Cost) δίνεται το επιπλέον κόστος για
κάθε μεταβλητή. Το επιπλέον κόστος ισούται με την αναγκαία μεταβολή στον
συντελεστή μιας μεταβλητής προκειμένου αυτή η μεταβλητή να καταστεί βασική
(δηλαδή να επιλεχθεί). Εννοείται ότι εάν μια μεταβλητή είναι βασική, το επιπλέον
κόστος της είναι μηδέν.
Βασικές είναι οι μεταβλητές οι οποίες τελικά επιλέγονται από το μοντέλο. Στο
παράδειγμά μας, και οι δυο μεταβλητές απόφασης (μονάδες τραπεζιών και
καρεκλών) επιλέγονται. Σε πιο σύνθετα προβλήματα, όμως, μπορεί κάποιες
από τις μεταβλητές απόφασης να μην είναι βασικές, δηλαδή να μην παράγεται
το συγκεκριμένο προϊόν. Για παράδειγμα, σε ένα πρόβλημα επενδύσεων, ο
επενδυτής μπορεί να θέλει να επιλέξει να επενδύσει μεταξύ πολλών
εναλλακτικών σε εκείνες τις επενδύσεις που του μεγιστοποιούν την παρούσα
αξία. Αυτό σημαίνει ότι θα επιλέξει εκείνες που του αριστοποιούν το στόχο του
(μεγιστοποίηση παρούσας αξίας) ενώ κάποιες δεν θα επιλεχθούν (μη βασικές).
Σε περίπτωση που από τη λύση του προβλήματος προκύπτει ότι κάποια
μεταβλητή δεν είναι βασική τότε θα εμφανίσει μη μηδενικό reduced cost.
Πρακτικά, το επιπλέον κόστος για ένα προϊόν ισούται με την διαφορά μεταξύ
της μοναδιαίας συνεισφοράς του προϊόντος στην αντικειμενική συνάρτηση και
της αξίας των πόρων που καταναλώνει το προϊόν στην παραγωγή του. Οι
καταναλωμένοι πόροι κοστολογούνται από την πραγματική τους αξία που
περιέχεται στην στήλη Σκιώδης τιμή (Shadow Price) του τμήματος περιορισμών
της αναφοράς ευαισθησίας.
Επιτρεπτά Όρια για τους συντελεστές της αντικειμενικής συνάρτησης.
Οι στήλες Επιτρεπόμενη Αύξηση (Allowable Increase) και Επιτρεπόμενη
Μείωση (Allowable Decrease) δείχνουν πόσο μπορούν να αλλάξουν
αντίστοιχα οι τιμές των συντελεστών μιας μεταβλητής στην αντικειμενική
συνάρτηση χωρίς να αλλάξει η βέλτιστη λύση, υπό την προϋπόθεση ότι οι
υπόλοιποι συντελεστές της αντικειμενικής συνάρτησης παραμένουν σταθεροί.
Για παράδειγμα, αλλάζοντας τον συντελεστή της αντικειμενικής του πρώτου
προϊόντος από 2 σε 4, διαπιστώνουμε ότι η βέλτιστη λύση παραμένει ή ίδια.
50
Μειωμένο κόστος:
Δεδομένου ότι δεν υπάρχουν άλλες αλλαγές στα δεδομένα του προβλήματος:
¾ Το μειωμένο κόστος μιας μεταβλητής που δεν είναι βασική είναι η
αρνητική αύξηση του αντίστοιχου συντελεστή της αντικειμενικής
συνάρτησης που είναι απαραίτητη προκειμένου η μεταβλητή αυτή να γίνει
βασική στη λύση.
¾ Το μειωμένο κόστος δίνει την αλλαγή της αντικειμενικής συνάρτησης για
κάθε μονάδα αύξησης αυτής της μεταβλητής.
Σύνοψη
Μετά τη μελέτη της παρούσας ενότητας μάθατε:
• τι είναι η ανάλυση ευαισθησίας και πού χρησιμοποιείται,
• να χρησιμοποιείτε την ανάλυση ευαισθησίας για την ερμηνεία των
αποτελεσμάτων προβλημάτων ΓΠ, και
• να μεταφράζετε την ανάλυση ευαισθησίας σε αναφορές που επιδεικνύουν
εναλλακτικές λύσεις για το υπό εξέταση πρόβλημα.
51
52

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 4. ΕΦΑΡΜΟΓΕΣ ΓΡΑΜΜΙΚΟΥ

ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΕΠΕΝΔΥΣΕΩΝ
53
54
Η τέταρτη και τελευταία διδακτική ενότητα του μαθήματος στοχεύει στην

παρουσίαση προβλημάτων χρηματοοικονομικής διοίκησης που
αντιμετωπίζονται με τη βοήθεια του γραμμικού προγραμματισμού.
Προβλήματα αξιολόγησης, επιλογής, διαχείρισης επενδύσεων, προβλήματα
ταμειακού προγραμματισμού, διαχείρισης χαρτοφυλακίου και πολλά άλλα
μπορούν να θεαθούν ως προβλήματα γραμμικού προγραμματισμού.
Στην πρώτη υποενότητα γίνεται μια εισαγωγή στα προβλήματα επενδύσεων
που αντιμετωπίζονται ως προβλήματα γραμμικού προγραμματισμού. Στη
δεύτερη υποενότητα παρουσιάζεται ένα πρόβλημα διαχείρισης χαρτοφυλακίου
επενδύσεων με στόχο την μεγιστοποίηση της αναμενόμενης απόδοσης. Στην
τρίτη, παρουσιάζεται ένα πρόβλημα επιλογής επενδύσεων με στόχο την
ελαχιστοποίηση του αναλαμβανόμενου κινδύνου. Τέλος, στην τέταρτη
υποενότητα παρουσιάζεται ένα πρόβλημα προγραμματισμού επενδύσεων.
55
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΦΑΡΜΟΓΕΣ ΠΡΟΒΛΗΜΑΤΩΝ ΕΠΕΝΔΥΣΕΩΝ
ΩΣ ΜΟΝΤΕΛΑ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ
Σε αυτή την υποενότητα θα κάνουμε μια εισαγωγή στα χρηματοοικονομικά

προβλήματα που μπορούν να αντιμετωπιστούν με τον Γραμμικό
Προγραμματισμό.
1.1 Εισαγωγή
Τα χρηματοοικονομικά είναι ένας τομέας του μάνατζμεντ στον οποίο

εφαρμόζεται η γραμμική μοντελοποίηση. Μια πληθώρα χρηματοοικονομικών
προβλημάτων μπορούν να αντιμετωπιστούν με μεθόδους αριστοποίησης. Στα
προβλήματα αυτά, όπως και σε όλα τα προβλήματα ΓΠ, υποθέτουμε ότι δεν
υπάρχει αβεβαιότητα ή ότι οποιαδήποτε αβεβαιότητα μπορεί να αντιμετωπισθεί
με την ανάλυση ευαισθησίας.
Μερικά παραδείγματα από το χώρο των Χρηματοοικονομικών που
αντιμετωπίζονται με τη βοήθεια του ΓΠ δίνονται στον πίνακα 1.
Πίνακας 1. Παραδείγματα Προβλημάτων
Επιλογή Χαρτοφυλακίου Επενδύσεων

Προγραμματισμός Επενδύσεων
Προγραμματισμός Χρηματοδοτήσεων
Ταμειακός Προγραμματισμός
Εμπορικός Οικονομικός Προγραμματισμός
Ένα πρόβλημα που αντιμετωπίζουν συχνά οι χρηματοπιστωτικοί οργανισμοί

αφορά στην επιλογή επενδύσεων μεταξύ των εναλλακτικών επιλογών που
υπάρχουν στην αγορά. Στόχος των συμβούλων είναι η μεγιστοποίηση της
αναμενόμενης απόδοσης δεδομένων κάποιων περιορισμών που τίθενται από
την διοίκηση ή και από την αγορά. Εναλλακτικά, στόχος μπορεί να είναι και η
ελαχιστοποίηση του κινδύνου που αναλαμβάνει ο επενδυτής.
Στη συνέχεια θα παρουσιάσουμε προβλήματα επενδύσεων που
αντιμετωπίζονται με ΓΠ.
56
ΥΠΟΕΝΟΤΗΤΑ 2. ΕΠΙΛΟΓΗ ΧΑΡΤΟΦΥΛΑΚΙΟΥ ΕΠΕΝΔΥΣΕΩΝ -
ΠΡΟΒΛΗΜΑ ΜΕΓΙΣΤΟΠΟΙΗΣΗΣ
Σε αυτή την υποενότητα θα μελετήσουμε ένα πρόβλημα μεγιστοποίησης.
2.1 Δεδομένα προβλήματος
Ας δούμε την περίπτωση ενός χρηματοπιστωτικού οργανισμού (ΧΟ) ο οποίος

επενδύει σε ομόλογα, μετοχές και δάνεια. Ο ΧΟ, έχει στη διάθεσή του €5 εκατ.
διαθέσιμα για άμεση επένδυση και επιθυμεί να μεγιστοποιήσει τον τόκο από τις
συγκεκριμένες επενδύσεις την επόμενη χρονιά. Τα χαρακτηριστικά της κάθε
επένδυσης δίνονται στον πίνακα 2. Για κάθε τύπο επένδυσης, ο πίνακας δίνει
την αναμενόμενη απόδοση για την επόμενη χρονιά καθώς και ένα δείκτη
κινδύνου που συνδέεται με τη συγκεκριμένη επένδυση.
Το διοικητικό συμβούλιο του οργανισμού προκειμένου να ενθαρρύνει την
επένδυση σε ένα διαφοροποιημένο χαρτοφυλάκιο, πρότεινε κάποιους
περιορισμούς στα ποσά που μπορούν να επενδυθούν σε κάθε τύπο
επένδυσης.
¾ Το πολύ 25% του συνολικού επενδυόμενου ποσού μπορεί να επενδυθεί σε
μια μόνο εκ των προτεινόμενων επενδύσεων.
¾ Κατ’ ελάχιστο 30% του συνολικού επενδυόμενου ποσού πρέπει να είναι σε
μετοχές.
¾ Κατ’ ελάχιστο 45% του συνολικού επενδυόμενου ποσού πρέπει να είναι σε
ομόλογα.
¾ Ο μέσος δείκτης κινδύνου για το σύνολο του επενδυόμενου ποσού πρέπει
να είναι μικρότερος του 2.
Πίνακας 2. Χαρακτηριστικά επενδύσεων
Επένδυση Αναμενόμενη απόδοση Δείκτης Ρίσκου

Ομόλογα Ελληνικού Δημοσίου 7% 1.7
Εταιρικά Ομόλογα 10% 1.2
Μετοχές Εθνικής Τραπέζης 19% 3.7
Μετοχές Marfin Group 12% 2.4
Κατασκευαστικά Δάνεια 8% 2.0
Καταναλωτικά Δάνεια 14% 2.9
57
2.2 Διατύπωση προβλήματος - Ορισμός μεταβλητών απόφασης
Το πρώτο βήμα στη διαδικασία διατύπωσης του προβλήματος είναι ο

καθορισμός των μεταβλητών απόφασης. Στα περισσότερα προβλήματα
επενδύσεων, οι μεταβλητές απόφασης αντικατοπτρίζουν το ποσό που θα
επενδυθεί στην εκάστοτε εναλλακτική επενδυτική επιλογή.
Στην προκειμένη περίπτωση ορίζουμε τις μεταβλητές απόφασης ως εξής:
Xi= ευρώ που επενδύονται στην i επένδυση (i = 1, 2, 3, 4, 5, 6)
Αναλυτικότερα,
X1 = ευρώ που θα επενδυθούν σε ομόλογα ελληνικού δημοσίου
X2= ευρώ που θα επενδυθούν σε εταιρικά ομόλογα
X3= ευρώ που θα επενδυθούν σε μετοχές Εθνικής τράπεζας
X4= ευρώ που θα επενδυθούν σε μετοχές Marfin Group
X5= ευρώ που θα επενδυθούν σε κατασκευαστικά δάνεια
X6= ευρώ που θα επενδυθούν σε καταναλωτικά δάνεια
2.3 Διατύπωση αντικειμενικής συνάρτησης
Όπως είπαμε στόχος είναι η μεγιστοποίηση της αναμενόμενης απόδοσης από

την επένδυση των 5 εκατ. στις επενδυτικές επιλογές. Οπότε, η αντικειμενική
συνάρτηση εξαρτάται από τους συντελεστές αναμενόμενης απόδοσης που
δόθηκαν στον πίνακα 2.
Έτσι γράφουμε:
Maximize Z = 0.07Χ1 + 0.1Χ2 + 0.19Χ3 + 0.12Χ4 + 0.08Χ5 + 0.14Χ6
2.4 Διατύπωση περιορισμών
Οι περιορισμοί του προβλήματος αφορούν στις αποφάσεις της διοίκησης

αναφορικά με τα ποσά που πρέπει να επενδυθούν σε κάθε επένδυση και με το
δείκτη κινδύνου της αγοράς.
Ο πρώτος περιορισμός αφορά το συνολικό επενδυόμενο ποσό το οποίο δεν
πρέπει να ξεπερνά τα 5 εκατ. Οπότε γράφουμε,
Χ1 +Χ2 + Χ3 + Χ4 + Χ5 + Χ6 ≤ 5.000.000 (1)
Ο περιορισμός αυτός θα μπορούσε να εκφραστεί και με ισότητα. Όμως στην
πραγματικότητα οι περιορισμοί που τίθενται από τη διοίκηση είναι τόσο
περιοριστικοί που να μην είναι εφικτό να βρεθεί λύση που να εξαντλεί το
58
σύνολο των 5 εκατ. Προκειμένου να είμαστε σίγουροι ότι το μοντέλο θα δώσει
λύση στο πρόβλημα, βάζουμε ανισότητα στον περιορισμό, που φυσικά
επιτρέπει και το ενδεχόμενο να επενδυθεί το σύνολο του ποσού.
Στη συνέχεια γράφουμε τους περιορισμούς αναφορικά με την επένδυση το
πολύ 25% των 5 εκατ. σε κάθε επενδυτική επιλογή.
Χ1 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (2)
Χ2 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (3)
Χ3 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (4)
Χ4 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (5)
Χ5 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (6)
Χ6 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (7)
Αν είμαστε σίγουροι ότι θα επενδυθούν και τα 5 εκατ. Ακριβώς, μπορούμε να
γράψουμε 1.250.000 (=0.25* 5 εκατ.) στις δεξιές σταθερές. Για το λόγο όμως
που περιγράψαμε στον πρώτο περιορισμό, είναι προτιμότερο να
διατυπώσουμε τους περιορισμούς όπως παραπάνω.
Μπορούμε επίσης να κάνουμε τις πράξεις και να καταλήξουμε στην παρακάτω
“οικογένεια” περιορισμών:
0.75Χ1 – 0.25Χ2 -0.25Χ3 - 0.25Χ4 - 0.25Χ5 - 0.25Χ6 ≤ 0 (το πολύ 25% στην πρώτη
επενδυτική επιλογή)
0.75Χ2 – 0.25Χ1 -0.25Χ3 - 0.25Χ4 - 0.25Χ5 - 0.25Χ6 ≤ 0 (το πολύ 25% στην δεύτερη
0.75Χ3 – 0.25Χ1 -0.25Χ2 - 0.25Χ4 - 0.25Χ5 - 0.25Χ6 ≤ 0 (το πολύ 25% στην τρίτη
0.75Χ4 – 0.25Χ1 -0.25Χ2 - 0.25Χ3 - 0.25Χ5 - 0.25Χ6 ≤ 0 (το πολύ 25% στην τέταρτη
0.75Χ5 – 0.25Χ1 -0.25Χ2 - 0.25Χ3 - 0.25Χ4 - 0.25Χ6 ≤ 0 (το πολύ 25% στην πέμπτη
0.75Χ6 – 0.25Χ1 -0.25Χ2 - 0.25Χ3 - 0.25Χ4 - 0.25Χ5 ≤ 0 (το πολύ 25% στην έκτη
Έτσι, η δεξιά πλευρά των περιορισμών είναι σταθερά και όλες οι μεταβλητές
απόφασης στο αριστερό μέρος. Τέτοιου είδους υπολογισμοί δεν είναι
απαραίτητοι για την επίλυση του προβλήματος στο Excel.
Έπειτα γράφουμε τους περιορισμούς ελάχιστης επένδυσης σε ομόλογα και
μετοχές κατά 30% και 45% αντίστοιχα.
59
Χ3 + Χ4 ≥ 0.30 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (8)
Χ5 + Χ6 ≥ 0.45 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (9)
Τέλος, διατυπώνουμε τον περιορισμό για τον δείκτη κινδύνου ο οποίος δεν
πρέπει να ξεπερνάει το 2 για το σύνολο των επενδύσεων που θα επιλεχθούν.
Για να υπολογιστεί ο δείκτης κινδύνου θα πρέπει να διαιρέσουμε τον
σταθμισμένο δείκτη κινδύνου για το σύνολο των επενδύσεων προς το
συνολικό ποσό που τελικά θα επενδυθεί. Ο λόγος αυτός θα πρέπει να είναι
μικρότερος ή ίσος από το όριο αποδεκτού δείκτη κινδύνου που έθεσε η
διοίκηση, δηλαδή το 2.
1.7Χ1 + 1.2Χ2 + 3.7Χ3 + 2.4Χ4 + 2.0Χ5 + 2.9Χ6 / Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6 ≤ 2 (10)
Για την εισαγωγή στο Excel του παραπάνω περιορισμού, θα πρέπει να
κάνουμε τους απαραίτητους αλγεβρικούς υπολογισμούς. Έτσι καταλήγουμε
στον εξής περιορισμό:
1.7Χ1 + 1.2Χ2 + 3.7Χ3 + 2.4Χ4 + 2.0Χ5 + 2.9Χ6 ≤ 2(Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6)
Τέλος, γράφουμε τους περιορισμούς μη αρνητικότητας των μεταβλητών
απόφασης. Όλες οι μεταβλητές απόφασης πρέπει να είναι θετικοί αριθμοί.
Χi ≤ 0 (11)
2.5 Επίλυση Προβλήματος
Για την επίλυση του προβλήματος πρέπει να καταχωρήσουμε τα δεδομένα της

διατύπωσης του μοντέλου στο Excel. Συνοψίζοντας, γράφουμε τη ξανά τη
διατύπωση του μοντέλου:
Maximize Z = 0.07Χ1 + 0.1Χ2 + 0.19Χ3 + 0.12Χ4 + 0.08Χ5 + 0.14Χ6
Με τους περιορισμούς (subject to, s.t.):
Χ1 +Χ2 + Χ3 + Χ4 + Χ5 + Χ6 ≤ 5.000.000 (1)
Χ1 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (2)
Χ2 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (3)
Χ3 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (4)
Χ4 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (5)
Χ5 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (6)
Χ6 ≤ 0.25 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (7)
Χ3 + Χ4 ≥ 0.30 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (8)
Χ5 + Χ6 ≥ 0.45 (Χ1 + Χ2 + Χ3 + Χ4 + Χ5 + Χ6) (9)
1.7Χ1+1.2Χ2+3.7Χ3+2.4Χ4+2.0Χ5+2.9Χ6/Χ1+Χ2+Χ3+Χ4+Χ5+Χ6≤2 (10)
Χi ≤ 0 (11)
60
Λόγω του ότι το πρόβλημα δεν έχει σταθερές στα δεξιά των περιορισμών,
όπως έχουμε μάθει μέχρι τώρα, θα πρέπει να προσέξουμε κατά την εισαγωγή
των δεδομένων στο Excel. Στο σχήμα 1 φαίνεται η εισαγωγή των δεδομένων
στο Excel.
Σχήμα 1. Εισαγωγή Δεδομένων στο Microsoft Excel
2.6 Ερμηνεία Αποτελεσμάτων
Από την αναφορά απάντησης προκύπτει ότι ο ΧΟ θα επενδύσει και στις 6

εναλλακτικές επενδυτικές επιλογές. Συγκεκριμένα, θα επενδύσει 2.5 εκατ. σε
ομόλογα, 1,5 εκατ. σε μετοχές και 1 εκατ. σε δάνεια. Παρατηρούμε ότι
επενδύονται 5 εκατ. με το συγκεκριμένο επενδυτικό πλάνο το οποίο αποφέρει
στον οργανισμό 520.000 (σχήμα 2)
Από τον πίνακα των περιορισμών της αναφοράς απάντησης παρατηρούμε
ποιοι περιορισμοί είναι δεσμευτικοί και ποιοι όχι.
61
et Cell (Max)
$H$3 0 520000
stable Cells
$B$2 X1 0 1250000
$C$2 X2 0 1250000
$D$2 X3 0 250000
$E$2 X4 0 1250000
$F$2 X5 0 500000
$G$2 X6 0 500000
onstraints
$H$14 1500000 $H$14>=$I$14 Binding 0
$H$15 2500000 $H$15>=$I$15 Not Binding 250000
$H$6 5000000 $H$6<=$I$6 Binding 0
$H$7 1250000 $H$7<=$I$7 Binding 0
$H$8 1250000 $H$8<=$I$8 Binding 0
$H$9 250000 $H$9<=$I$9 Not Binding 1000000
$H$10 1250000 $H$10<=$I$10 Binding 0
$H$11 500000 $H$11<=$I$11 Not Binding 750000
$H$12 500000 $H$12<=$I$12 Not Binding 750000
$H$13 10000000 $H$13<=$I$13 Binding 0
Στη συνέχεια, στην αναφορά ευαισθησίας δίνεται η ανάλυση ευαισθησίας για

τους συντελεστές της αντικειμενικής συνάρτησης και για τους περιορισμούς.
Αναφορικά με τους συντελεστές της αντικειμενικής συνάρτησης παρατηρούμε
ότι το reduced cost είναι μηδέν για όλες τις μεταβλητές απόφασης. Αυτό είναι
λογικό, αφού ο ΧΟ επενδύει τελικά και στις 6 εναλλακτικές επενδύσεις (όλες οι
μεταβλητές είναι βασικές).
Η ανάλυση ευαισθησίας των περιορισμών μας δίνει τις δυικές τιμές (shadow
prices) για κάθε περιορισμό.
62
Adjustable Cells
$B$2 X1 1250000 0 0.07 1E+30 0.01
$C$2 X2 1250000 0 0.1 1E+30 0.073
$D$2 X3 250000 0 0.19 0.0034 1E+30
$E$2 X4 1250000 0 0.12 1E+30 0.017
$F$2 X5 500000 0 0.08 0.003 1E+30
$G$2 X6 500000 0 0.14 1E+30 0.002
Constraints
$H$14 1500000 -0.0034 1500000 264705.88 250000
$H$15 2500000 0 2250000 250000 1E+30
$H$6 5000000 0.105 5000000 1000000 500000
$H$7 1250000 0.01 0 375000 250000
$H$8 1250000 0.073 0 264705.88 250000
$H$9 250000 0 0 1E+30 1000000
$H$10 1250000 0.017 0 250000 346153.84
$H$11 500000 0 0 1E+30 750000
$H$12 500000 0 0 1E+30 750000
$H$13 10000000 0.066 0 450000 450000
ΥΠΟΕΝΟΤΗΤΑ 3. ΕΠΙΛΟΓΗ ΕΠΕΝΔΥΣΕΩΝ – ΠΡΟΒΛΗΜΑ

ΕΛΑΧΙΣΤΟΠΟΙΗΣΗΣ
Σε αυτή την υποενότητα θα μελετήσουμε ένα πρόβλημα ελαχιστοποίησης.
Μια εταιρεία εξειδικεύεται στην παροχή χρηματοοικονομικών συμβουλευτικών

υπηρεσιών στο επενδυτικό κοινό που επιθυμεί να αναπτύξει ένα αποδοτικό
επενδυτικό χαρτοφυλάκιο. Συζητά με τους πελάτες τους επενδυτικούς τους
στόχους λαμβάνονται υπόψη τις προθέσεις του πελάτη αναφορικά με την
πρόθεση ανάληψης ρίσκου και τις απαιτήσεις ρευστότητας.
Έστω ότι ένας πελάτης επισκέπτεται την εταιρεία προκειμένου να τον βοηθήσει
να αναπτύξει ένα ετήσιο χαρτοφυλάκιο επενδύσεων. Έπειτα από μια πρώτη
σύσκεψη με τον πελάτη, ο χρηματοοικονομικός σύμβουλος επιλέγει οκτώ
63
εναλλακτικές επενδύσεις που θεωρεί ότι είναι ιδανικές για το χαρτοφυλάκιο του
πελάτη. Έπειτα ο σύμβουλος συλλέγει πληροφορίες για κάθε μια από τις
επενδύσεις που του προτείνει και τις βαθμολογεί βάσει ποιότητας της εκάστοτε
επένδυσης (από ιστορικά στοιχεία). Με αυτά τα δεδομένα φτιάχνει τον πίνακα 3
που περιέχει ένα δείκτη κινδύνου ανά επένδυση, ο οποίος προκύπτει βάσει της
εκτίμησης του συμβούλου, αναμενόμενες αποδόσεις και πληροφορίες
ρευστότητας για κάθε επένδυση. Τα δεδομένα αυτά είναι στον πίνακα 3.
Πίνακας 3. Δείκτης κινδύνου
Ετήσια
Βαθμολογία Ανάλυση Δείκτης
Πιθανή επένδυση αναμενόμενη
Συμβούλου Ρευστότητας κινδύνου
απόδοση
1 Λογαριασμός καταθέσεων 4% A Άμεση 0
2 Μετοχή “Minoan Lines” 5.2% A 1-χρὀνο 0
3 Μετοχή “Anek Sea Lines” 7.1% B+ Άμεση 25%
4 Μετοχή “Goody’s” 10% B Άμεση 30%
5 Βασικό Ασφαλιστικό πρόγραμμα 8.2% A 1-χρὀνο 20%
6 Ομόλογα Ελληνικού δημοσίου 6.5% B+ 1-χρὀνο 15%
7 Μετοχή “Intracom” 20% A Άμεση 65%
8 Μετοχή “Grecotel” 12.5% C Άμεση 40%
Ο πελάτης επιθυμεί να επενδύσει συνολικά 100.000€. Στη δεύτερη σύσκεψη με

τον πελάτη, ο σύμβουλος κατέληξε στους παρακάτω στόχους για το
χαρτοφυλάκιο του πελάτη:
¾ Όλο το διαθέσιμο κεφάλαιο πρέπει να επενδυθεί.
¾ Η ετήσια αναμενόμενη απόδοση πρέπει να είναι κατ’ ελάχιστο 7.500€
¾ Το λιγότερο 50% του κεφαλαίου θα πρέπει να επενδυθεί σε επενδύσεις με
αξιολόγηση A από τον σύμβουλο.
¾ Το λιγότερο 40% του κεφαλαίου θα πρέπει να επενδυθεί σε επενδύσεις
άμεσης ρευστότητας
¾ Το πολύ 30,000€ θα πρέπει να επενδυθούν σε επενδύσεις μηδενικού
ρίσκου.
Λαμβάνοντας υπόψη ότι ο πελάτης είναι προσεκτικός στον κίνδυνο που
αναλαμβάνει, ο σύμβουλος πρέπει να προτείνει μια επενδυτική στρατηγική που
ελαχιστοποιεί τον συνολικό δείκτη κινδύνου.
64
3.2 Διατύπωση προβλήματος
Έστω:
Xi: το ποσό του κεφαλαίου που επενδύεται στην i πιθανή επένδυση σε €
Η αντικειμενική συνάρτηση διατυπώνεται βάσει του δείκτη κινδύνου. Στόχος είναι
η ελαχιστοποίηση του κινδύνου στο επιλεχθέν χαρτοφυλάκιο, οπότε η
αντικειμενική συνάρτηση έχει ως εξής.
Minimize Z = 25X3 +30X4 +20X5 +15X6 +65X7 + 40X8
Αναφορικά με τους περιορισμούς, ο πρώτος αφορά το συνολικό ποσό προς
επένδυση που δεν μπορεί να ξεπερνά τις 100.000 για όλες τις επενδύσεις.
X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 ≤ 100000
Η ετήσια αναμενόμενη απόδοση πρέπει να είναι κατ’ ελάχιστο 7.500€
0.04X1 + 0.052X2 + 0.071X3 + 0.1X4 + 0.082X5 + 0.065X6 + 0.2X7 + 0.125X8 ≥
7500
Το λιγότερο 50% του κεφαλαίου θα πρέπει να επενδυθεί σε επενδύσεις με
αξιολόγηση A από τον σύμβουλο.
X1 + X2 + X5 + X7 ≥ 50000
Το λιγότερο 40% του κεφαλαίου θα πρέπει να επενδυθεί σε επενδύσεις άμεσης
ρευστότητας
X1 + X3 + X4 + X7 + X8 ≥ 40000
Το πολύ 30,000€ θα πρέπει να επενδυθούν σε επενδύσεις μηδενικού ρίσκου.
X1 + X2 ≤ 30000
Περιορισμοί μη αρνητικότητας μεταβλητών απόφασης.
Xi ≥ 0
3.3 Εισαγωγή Δεδομένων στο Excel
Για την επίλυση του προβλήματος εισάγουμε τα δεδομένα στο Excel, όπως
φαίνεται στο σχήμα 4.
65
Σχήμα 4. Εισαγωγή Δεδομένων στο Microsoft Excel
3.4 Επίλυση Προβλήματος
Από την επίλυση του προβλήματος εξάγουμε την αναφορά απάντησης και
αναφορά ευαισθησίας του προβλήματος.
Από την αναφορά απάντησης, Σχήμα 5, προκύπτει ότι ο σύμβουλος θα
προτείνει στον πελάτη να επενδύσει 17.333 σε λογαριασμό καταθέσεων, 12.667
σε μετοχές των Μινωικών Γραμμών, 22.557 σε μετοχές της Goody’s και 47.333
στο βασικό ασφαλιστικό πρόγραμμα. Οι υπόλοιπες επενδύσεις δεν
επιλέγονται, που σημαίνει ότι δεν θα προταθούν στον πελάτη. Από την
επένδυση των προαναφερθέντων ποσών προκύπτει ένας συνολικός δείκτης
κινδύνου 16.27 (=100000/ 162666,67) ανά επενδυόμενο ευρώ ή εναλλακτικά η
συνολική αξία του ρίσκου που αναλαμβάνει ο πελάτης με το συγκεκριμένο
χαρτοφυλάκιο είναι 1.626.666,67.
66
Target Cell (Min)
$J$5 Risk 0 16266.67
Adjustable Cells
$B$4 x1 0 17333.33
$C$4 x2 0 12666.67
$D$4 x3 0 0
$E$4 x4 0 22666.67
$F$4 x5 0 47333.33
$G$4 x6 0 0
$H$4 x7 0 0
$I$4 x8 0 0
Constraints
$J$9 100000 $J$9=$K$9 Not Binding 0
$J$10 7500 $J$10>=$K$10 Binding 0
$J$11 77333.33 $J$11>=$K$11 Not Binding 27333.33
$J$12 40000 $J$12>=$K$12 Binding 0
$J$13 30000 $J$13<=$K$13 Binding 0
$B$4 x1 17333.33 $B$4>=0 Not Binding 17333.33
$C$4 x2 12666.67 $C$4>=0 Not Binding 12666.67
$D$4 x3 0 $D$4>=0 Binding 0
$E$4 x4 22666.67 $E$4>=0 Not Binding 22666.67
$F$4 x5 47333.33 $F$4>=0 Not Binding 47333.33
$G$4 x6 0 $G$4>=0 Binding 0
$H$4 x7 0 $H$4>=0 Binding 0
$I$4 x8 0 $I$4>=0 Binding 0
Από την αναφορά ευαισθησίας παρατηρούμε ότι το μειωμένο κόστος για τις
επενδυτικές επιλογές που προτείνονται είναι μηδέν. Αντιθέτως, το solver μας
δίνει μειωμένο κόστος για κάθε μια από τις επενδυτικές επιλογές που δεν
προτείνονται. Έτσι, προκειμένου να προταθεί η επένδυση σε μετοχές της ANEK,
θα πρέπει ο συντελεστής στην αντικειμενική συνάρτηση (δηλαδή ο δείκτης
κινδύνου της συγκεκριμένης μεταβλητής) να μειωθεί κατά 0.05. Αντιστοίχως
κατά 0.01, 0.02 και 0.02 για τις άλλες επενδυτικές επιλογές που δεν προτείνονται.
Adjustable Cells
$B$4 x1 17333.33 0 0 0.01 0.005
$C$4 x2 12666.67 0 0 0.005 0.01
$D$4 x3 0 0.05 0.25 1E+30 0.05
$E$4 x4 22666.67 0 0.3 0.00 0.01
$F$4 x5 47333.33 0 0.2 0.00 0.005
$G$4 x6 0 0.01 0.15 1E+30 0.01
$H$4 x7 0 0.02 0.65 1E+30 0.02
$I$4 x8 0 0.02 0.4 1E+30 0.02
Constraints
$J$9 100000 -0.07 100000 4634.15 6341.46
$J$10 7500 3.33 7500 520 380
$J$11 77333.33 0 50000 27333.33 1E+30
$J$12 40000 0.04 40000 21111.11 28888.89
$J$13 30000 -0.1 30000 17333.33 6333.33
67
Δυικές τιμές
Οι σκιώδεις ή δυικές τιμές στον πίνακα ανάλυσης ευαισθησίας δείχνουν ότι:
¾ Αν ένα επιπλέον ευρώ επενδυθεί πέραν των 100000 ο δείκτης κινδύνου θα
βελτιωθεί κατά 0.07.
¾ Για κάθε επιπλέον ευρώ που θα απαιτείται πέραν των 7500 ως ετήσια
αναμενόμενη απόδοση, ο συνολικός δείκτης κινδύνου θα αυξάνεται κατά
3.33.
¾ Για κάθε επιπλέον ευρώ που θα απαιτείται πέραν των 40000 σε επενδύσεις
άμεσης ρευστότητας, ο συνολικός δείκτης κινδύνου θα αυξάνεται κατά
0.04.
¾ Για κάθε επιπλέον ευρώ που θα απαιτείται πέραν των 30000σε επενδύσεις
μηδενικού ρίσκου, ο συνολικός δείκτης κινδύνου θα μειώνεται κατά 0.1.
¾ Καμία αλλαγή δεν θα υπάρξει στο συνολικό δείκτη κινδύνου αν
επενδυθούν περισσότερα ευρώ σε επενδύσεις με αξιολόγηση Α (δυική
τιμή 0).
Εύρος Εφικτότητας
Το εύρος εφικτότητας των περιορισμών μας δίνει τις επιτρεπόμενες
αυξήσεις/ μειώσεις στις δεξιές σταθερές των περιορισμών προκειμένου οι
δυικές τιμές να παραμείνουν σταθερές (να είναι έγκυρες). Για παράδειγμα, το
εύρος εφικτότητας για τον περιορισμό ελάχιστης αναμενόμενης απόδοσης
7500 είναι 7500-380 έως 7500+520 ή εναλλακτικά από {7120, 8020}. Με τον ίδιο
τρόπο υπολογίζουμε το εύρος εφικτότητας και για τους υπόλοιπους
περιορισμούς.
Έστω ότι ο πελάτης ζητάει από το σύμβουλο να επενδύσει 50000 αντί 30000 σε
επενδύσεις μηδενικού ρίσκου. Τι θα συμβεί στη βέλτιστη στρατηγική που
προτείνετε και στο συνολικό δείκτη κινδύνου;
Για να απαντήσουμε στο ερώτημα το πρώτο πράγμα που διασφαλίζουμε είναι
αν η αλλαγή είναι εντός εύρους εφικτότητας. Παρατηρούμε ότι η επιτρεπόμενη
αύξηση είναι 17333,33 οπότε η προτεινόμενη αλλαγή είναι εκτός εύρους
εφικτότητας. Γι’ αυτό δεν μπορούμε να απαντήσουμε στο ερώτημα. Θα πρέπει
να τρέξουμε το Solver ξανά με το νέο περιορισμό για να δούμε την καινούρια
λύση.
68
Σε περίπτωση, όμως, που ο πελάτης ζητήσει να επενδύσει 25000 αντί 30000 σε
επενδύσεις μηδενικού ρίσκου, τι θα συμβεί στη βέλτιστη στρατηγική που
προτείνετε και στο συνολικό δείκτη κινδύνου;
Για να απαντήσουμε στο ερώτημα το πρώτο πράγμα που διασφαλίζουμε είναι
αν η αλλαγή είναι εντός εύρους εφικτότητας. Παρατηρούμε ότι η επιτρεπόμενη
μείωση είναι 6333,33 οπότε η αλλαγή είναι εντός εύρους εφικτότητας. Αυτό
σημαίνει ότι η σκιώδης τιμή είναι έγκυρη και μπορούμε να υπολογίσουμε την
αλλαγή στον συνολικό δείκτη κινδύνου ως εξής:
¾ Δυική τιμή 0.1 * 5000 = 500 αύξηση στον συνολικό δείκτη κινδύνου
¾ Συνολικός δείκτης κινδύνου: 16.266,67 – (-0,1 * 5.000) = 16.766,67
Η επενδυτική στρατηγική αλλάζει αλλά, λόγω του ότι ο περιορισμός μας είναι
δεσμευτικός, θα πρέπει να τρέξουμε εκ νέου το Solver προκειμένου να δούμε τις
αλλαγές στην επενδυτική στρατηγική (δηλαδή στα επενδυτικά προγράμματα
που θα επιλεχθούν).
ΥΠΟΕΝΟΤΗΤΑ 4. ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ ΕΠΕΝΔΥΣΕΩΝ
Σε αυτή την υποενότητα θα μελετήσουμε ένα πρόβλημα προγραμματισμού

επενδύσεων.
Ένας επενδυτής πρόκειται να τοποθετήσει €30.000 σε δύο επενδυτικά

προγράμματα: Α και Β. Ο επενδυτής μπορεί να επενδύσει κεφάλαια με
επενδυτικό ορίζοντα τα επόμενα 4 χρόνια. Από εκτιμήσεις της αγοράς, ο
επενδυτής εκτιμά ότι κάθε € που επενδύεται στο πρόγραμμα Α στην αρχή μιας
χρονιάς του αποδίδει 40% δυο χρόνια αργότερα. Κάθε € που επενδύεται στο
πρόγραμμα Β στην αρχή μιας χρονιάς, του αποδίδει 80% τρία χρόνια
αργότερα. Επίσης, ο επενδυτής γνωρίζει ότι από την αρχή της δεύτερης
χρονιάς και μετά, θα υπάρχει και τρίτη επενδυτική ευκαιρία Γ, όπου κάθε € θα
του αποδίδει 20% ένα χρόνο αργότερα. Ο επενδυτής κάθε χρόνο κρατάει
ρευστότητα ίση με τουλάχιστον το 10% του διαθέσιμου κεφαλαίου. Ο επενδυτής
επιθυμεί να μεγιστοποιηθεί το κεφάλαιό του στο τέλος της τέταρτης χρονιάς.
69
Σχήμα 7. Προγραμματισμός Επενδύσεων
4.2 Διατύπωση προβλήματος
Μεταβλητές απόφασης:
Xij= ποσό που επενδύεται στην επένδυση i στην αρχή του χρόνου j
i= {A,B,Γ} και j= {1,2,3}
Διατύπωση αντικειμενικής συνάρτησης:

Maximize Z=1.4 XA3+1.8 XB2+1.2 XΓ4
Διατύπωση περιορισμών:
α) Επενδύσεις χρονιάς 1 ≤ διαθέσιμα προς επένδυση
XA1+ XB1 ≤ 30.000×0,9
β) Επενδύσεις χρονιάς 2 ≤ (30.000 – ποσό δεσμευμένο σε επενδύσεις) × 0,9
XA2+ XB2+ XΓ2 ≤ (30.000 - XA1- XB1) × 0,9
γ) Επενδύσεις χρονιάς 3 ≤ (30.000 – ποσό δεσμευμένο σε επενδύσεις +
αποδόσεις επενδύσεων) × 0,9
XA3+ XΓ3 ≤ (30.000 – XA2– XB2 – XB1 + 0,4 XA1+0,2 XΓ2) × 0,9
δ) Επενδύσεις χρονιάς 4 ≤ (30.000 – ποσό δεσμευμένο σε επενδύσεις +
αποδόσεις επενδύσεων) × 0,9
70
XΓ4 ≤ (30.000 – XA3 – XB2 + 0,4 XA1 + 0,4 XA2+0,2 XΓ2 +0,2 XΓ3+ 0,8 XB1) × 0,9
Xij ≥ 0
4.3 Διατύπωση προβλήματος (2)
Μεταβλητές απόφασης:
Xij= ποσό που επενδύεται στην επένδυση i στην αρχή του χρόνου j
i={A,B,Γ} και j={1,2,3}
Δj = ποσό που δεν επενδύεται στην αρχή του χρόνου j
Διατύπωση Αντικειμενικής συνάρτησης:
Max Z=1,4 XA3+1,8 XB2+1,2 XΓ4
Διατύπωση Περιορισμών:
α) Εισροές = Εκροές Χρονιά 1
XA1+ XB1 + Δ1 = 30.000
β) Εισροές = Εκροές Χρονιά 2
Δ1 = XA2+ XB2+ XΓ2 + Δ2
γ) Εισροές = Εκροές Χρονιά 3

Δ2 1.4 XA1+1.2 XΓ2+= XA3+ XΓ3 + Δ3
δ) Εισροές = Εκροές Χρονιά 4
Δ3 + 1.4 XA2+1.2XΓ3 + 1.8XB1 = XΓ4 + Δ4
ε) Ρευστά χρονιάς 1
Δ1 ≥ 30.000
στ) Ρευστά χρονιάς 2
Δ2 ≥ 0.1 Δ1
ζ) Ρευστά χρονιάς 3
Δ3 ≥ 0.1 (Δ2 + 1,4 XA1 + 1,2 XΓ2)
η) Ρευστά χρονιάς 4
Δ4 ≥ 0.1 (Δ3 + 1,4 XA2 + 1,8 XB2 + 1,2 XΓ3)
Εφαρμογή:
Να επιλύσετε το πρόβλημα στο Excel και να παρουσιάσετε μια αναφορά
παρουσίασης των αποτελεσμάτων.
71
Σύνοψη
Μετά τη μελέτη της διδακτικής ενότητας μάθατε:
• πώς να διατυπώσετε προβλήματα επενδύσεων ως μοντέλα ΓΠ,
• να επιλύετε προβλήματα επενδύσεων,
• να ερμηνεύετε τα αποτελέσματα και
• το εύρος προβλημάτων επενδύσεων στα οποία μπορεί να εφαρμοστεί ΓΠ.
72
ΒΙΒΛΙΟΓΡΑΦΙΑ
ΔΕ1
• Dimitris Bertsimas and Robert M. Freund, (2000), Data, models, and
Decisions: the Fundamentals of Management Science, South-Western
Pub, 2000.
• Simon Benninga, (2005), Principles of Finance with Excel, Oxford University
Press, 2005.
• Cliff T. Ragsdale, (2000), Spreadsheet Modeling and Decision Analysis, 3rd
ed., South-Western College Publishing, 2000.
• Christian Albright, (2001), VBA for Modelers, S. Duxbury, 2001.
• Zbigniew Michalewicz and David B. Fogel, (2004), How to Solve it: Modern
Heuristics, 2nd ed, Springer, 2004.
• Gary L. Lilien, Philip Kotler, and K. Sridhar Moorthy, (1995), Marketing
Models, Prentice Hall, 1995.
• Πραστάκος Γ., (2005), Διοικητική Επιστήμη στην Πράξη, Εκδόσεις Σταμούλη.
• Render B, Stair RM., Balakrishnan N., (2003), Managerial Decision Modeling
with Spreadsheets (2003).
ΔΕ2
Pub, 2000.
Press, 2005.
73
ΔΕ3
Pub, 2000.
Press, 2005.
ΔΕ4
Pub, 2000.
Press, 2005.
74

263 Book 4

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

263 Book 4

Uploaded by

Copyright:

Available Formats

ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ

Προγράμματα Συμπληρωματικής Εκπαίδευσης

Με τη χρήση καινοτόμων μεθόδων εξ αποστάσεως εκπαίδευσης

263 – H ΓΡΑΜΜΙΚΗ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΟ ΓΡΑΜΜΙΚΟ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟ .............. 5

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 2. ΔΙΑΤΥΠΩΣΗ ΠΡΟΒΛΗΜΑΤΩΝ ΓΡΑΜΜΙΚΟΥ

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 3. ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ΣΕ ΠΡΟΒΛΗΜΑΤΑ ΓΡΑΜΜΙΚΟΥ

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 4. ΕΦΑΡΜΟΓΕΣ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ ΣΕ

Προγράμματα Συμπληρωματικής Εκπαίδευσης

Με τη χρήση καινοτόμων μεθόδων εξ αποστάσεως εκπαίδευσης

263 – H ΓΡΑΜΜΙΚΗ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΟ ΓΡΑΜΜΙΚΟ

Στη συγκεκριμένη υποενότητα θα αναφερθούμε:

1.1 Εφαρμογές προβλημάτων Γραμμικού Προγραμματισμού

Ο γραμμικός προγραμματισμός είναι μια ευρέως χρησιμοποιούμενη μέθοδος

Ως μοντέλο ΓΠ ορίζεται το μοντέλο εκείνο που έχει ως στόχο την μεγιστοποίηση

Στον Πίνακα 1 παρατίθενται συνοπτικά παραδείγματα ενδεικτικών

Δραστηριότητα Στόχος Περιορισμοί

Τα μοντέλα ΓΠ είναι σημαντικά για τους κάτωθι λόγους:

ΥΠΟΕΝΟΤΗΤΑ 2. ΒΑΣΙΚΕΣ ΥΠΟΘΕΣΕΙΣ ΓΡΑΜΜΙΚΟΥ

Στην υποενότητα 2 εστιάζουμε:

Το μαθηματικό μοντέλο που διατυπώνεται στα προβλήματα γραμμικού

Η υπόθεση της διαιρετότητας στα μοντέλα γραμμικού προγραμματισμού

Στα προβλήματα Γραμμικού Προγραμματισμού υποθέτουμε ότι ισχύει η

ΥΠΟΕΝΟΤΗΤΑ 3. ΙΔΙΟΤΗΤΕΣ ΕΝΟΣ ΜΟΝΤΕΛΟΥ ΓΡΑΜΜΙΚΟΥ

Όλα τα μοντέλα γραμμικού προγραμματισμού έχουν τις ακόλουθες κοινές

3.1 Τυποποιημένη μορφή μοντέλου ΓΠ

Στη γενική του θεωρητική μορφή (κανονική μορφή), το μαθηματικό υπόδειγμα

ΥΠΟΕΝΟΤΗΤΑ 4. ΑΝΑΠΤΥΞΗ ΜΟΝΤΕΛΩΝ ΓΡΑΜΜΙΚΟΥ

Τα μοντέλα Γραμμικού Προγραμματισμού συμβάλλουν στην αντιμετώπιση

4.1 Διατύπωση Προβλήματος

Η διατύπωση ενός προβλήματος γραμμικού προγραμματισμού αφορά στη

Η λύση του προβλήματος αφορά στο στάδιο κατά το οποίο το μαθηματικό

4.3 Ερμηνεία και Ανάλυση Ευαισθησίας

Προγράμματα Συμπληρωματικής Εκπαίδευσης

Με τη χρήση καινοτόμων μεθόδων εξ αποστάσεως εκπαίδευσης

263 – H ΓΡΑΜΜΙΚΗ ΜΟΝΤΕΛΟΠΟΙΗΣΗ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ

ΔΙΔΑΚΤΙΚΗ ΕΝΟΤΗΤΑ 2. ΔΙΑΤΥΠΩΣΗ ΠΡΟΒΛΗΜΑΤΩΝ

Όπως αναφέραμε και στην πρώτη διδακτική ενότητα, τα προβλήματα ΓΠ είναι

Στην παρούσα υποενότητα θα παρουσιάσουμε ένα υποδειγματικό πρόβλημα

1.1 Παράδειγμα προβλήματος Παραγωγής ΓΠ

Μία από τις πιο συχνές εφαρμογές γραμμικού προγραμματισμού είναι ο

1.1.1 Μεταβλητές Απόφασης

Για να διατυπώσουμε το πρόβλημα θα πρέπει πρώτα να εντοπίσουμε τις

1.1.2 Αντικειμενική Συνάρτηση

Στο συγκεκριμένο πρόβλημα επιθυμούμε τη μεγιστοποίηση του κέρδους, οπότε

Οι περιορισμοί υποδηλώνουν καταστάσεις που μας περιορίζουν στο να

1.1.4 Μη αρνητικοί περιορισμοί και ακέραιες τιμές

Στη διατύπωση προβλημάτων ΓΠ τίθεται ένας ακόμα λογικός περιορισμός,

ΥΠΟΕΝΟΤΗΤΑ 2. ΕΙΣΑΓΩΓΗ ΔΕΔΟΜΕΝΩΝ ΜΟΝΤΕΛΟΥ ΓΠ ΣΤΟ

Τα προβλήματα γραμμικού προγραμματισμού επιλύονται με τη βοήθεια

2.1 Καταχώρηση δεδομένων στο Microsoft Excel

Η εισαγωγή των δεδομένων στο Excel γίνεται ως εξής:

Σχήμα 1. Αποτύπωση του προβλήματος ΓΠ στο υπολογιστικό φύλλο Excel

Το επόμενο βήμα είναι η εισαγωγή του τύπου της αντικειμενικής συνάρτησης. Η

Σχήμα 2. Καταχώρηση αντικειμενικής συνάρτησης

Σχήμα 3. Καταχώρηση των περιορισμών (D9)

Στο κελί D11 εισάγουμε:

Σχήμα 5. Καταχώρηση των περιορισμών (D11)

Σχήμα 6. Καταχώρηση των περιορισμών (D12)

ΥΠΟΕΝΟΤΗΤΑ 3. ΛΥΝΟΝΤΑΣ ΤΟ ΠΡΟΒΛΗΜΑ ΜΕ ΤΟ SOLVER

3.1 Προσδιορισμός του κελιού προορισμού και των κελιών των

Στο πλαίσιο διαλόγου προσδιορίζουμε το κελί που είναι καταχωρημένη η