Professional Documents
Culture Documents
263 Book 4
263 Book 4
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
ΒΙΒΛΙΟΓΡΑΦΙΑ .................................................................................................... 73
4
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
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
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
9
1.2 Γιατί τα μοντέλα Γραμμικού Προγραμματισμού είναι σημαντικά;
10
2.1 Γραμμικότητα
2.2 Διαιρετότητα
11
προβλήματος ορίζοντας ως μεταβλητή απόφασης μια δυαδική (binary)
μεταβλητή που μπορεί να πάρει τιμές 0 ή 1.
2.3 Βεβαιότητα
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.
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)}
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
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
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
19
20
Εισαγωγικές Παρατηρήσεις
21
ΥΠΟΕΝΟΤΗΤΑ 1. ΔΙΑΤΥΠΩΣΗ ΠΡΟΒΛΗΜΑΤΩΝ ΓΠ
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.
1.1.3 Περιορισμοί
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
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
Maximize Z = 7Χ1 + 5Χ2
Με τους περιορισμούς:
3Χ1 + 4Χ2 ≤ 2400
2Χ1 + Χ2 ≤ 1000
Χ2 ≤ 450
Χ1 ≥ 100
Χ1 ≥ 0
Χ2 ≥ 0
25
¾ Επιλύουμε το γραμμικό μοντέλο με τη βοήθεια του Solver.
26
2.2 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.
Με την ίδια διαδικασία εισάγουμε τις συναρτήσεις και για τους υπόλοιπους
περιορισμούς. Στο κελί D10 εισάγουμε:
= SUMPRODUCT (B10:C10, B5:C5)
28
Σχήμα 4. Καταχώρηση των περιορισμών (D10)
29
Στο κελί D12 εισάγουμε:
= SUMPRODUCT (B12:C12, B5:C5)
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.
30
Σχήμα 7. Παράθυρο διαλόγου Solver
31
Αφού εισάγουμε όλους τους περιορισμούς, καταλήγουμε στην οθόνη του
Σχήματος 7 που είδαμε προηγουμένως.
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.
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
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
Cell Name Original Value Final Value
$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
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
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
37
38
Εισαγωγικές Παρατηρήσεις
39
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ
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.
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
43
2.1.1 Αναφορά απάντησης
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.
45
Σχήμα 1. Αναφορά Απάντησης
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.
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
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
ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ
53
54
Εισαγωγικές Παρατηρήσεις
55
ΥΠΟΕΝΟΤΗΤΑ 1. ΕΦΑΡΜΟΓΕΣ ΠΡΟΒΛΗΜΑΤΩΝ ΕΠΕΝΔΥΣΕΩΝ
ΩΣ ΜΟΝΤΕΛΑ ΓΡΑΜΜΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ
1.1 Εισαγωγή
56
ΥΠΟΕΝΟΤΗΤΑ 2. ΕΠΙΛΟΓΗ ΧΑΡΤΟΦΥΛΑΚΙΟΥ ΕΠΕΝΔΥΣΕΩΝ -
ΠΡΟΒΛΗΜΑ ΜΕΓΙΣΤΟΠΟΙΗΣΗΣ
57
2.2 Διατύπωση προβλήματος - Ορισμός μεταβλητών απόφασης
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
επενδυτική επιλογή)
0.75Χ3 – 0.25Χ1 -0.25Χ2 - 0.25Χ4 - 0.25Χ5 - 0.25Χ6 ≤ 0 (το πολύ 25% στην τρίτη
επενδυτική επιλογή)
0.75Χ4 – 0.25Χ1 -0.25Χ2 - 0.25Χ3 - 0.25Χ5 - 0.25Χ6 ≤ 0 (το πολύ 25% στην τέταρτη
επενδυτική επιλογή)
0.75Χ5 – 0.25Χ1 -0.25Χ2 - 0.25Χ3 - 0.25Χ4 - 0.25Χ6 ≤ 0 (το πολύ 25% στην πέμπτη
επενδυτική επιλογή)
0.75Χ6 – 0.25Χ1 -0.25Χ2 - 0.25Χ3 - 0.25Χ4 - 0.25Χ5 ≤ 0 (το πολύ 25% στην έκτη
επενδυτική επιλογή)
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)
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.
61
et Cell (Max)
Cell Name Original Value Final Value
$H$3 0 520000
stable Cells
Cell Name Original Value Final Value
$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
Cell Name Cell Value Formula Status Slack
$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
Σχήμα 2. Αναφορά Απάντησης
62
Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$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
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$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
Σχήμα 3. Αναφορά Ευαισθησίας
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%
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
Για την επίλυση του προβλήματος εισάγουμε τα δεδομένα στο Excel, όπως
φαίνεται στο σχήμα 4.
65
Σχήμα 4. Εισαγωγή Δεδομένων στο Microsoft Excel
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)
Cell Name Original Value Final Value
$J$5 Risk 0 16266.67
Adjustable Cells
Cell Name Original Value Final Value
$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
Cell Name Cell Value Formula Status Slack
$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
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$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
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$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).
69
Σχήμα 7. Προγραμματισμός Επενδύσεων
Μεταβλητές απόφασης:
Xij= ποσό που επενδύεται στην επένδυση i στην αρχή του χρόνου j
i= {A,B,Γ} και j= {1,2,3}
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
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
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
• 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).
73
ΔΕ3
• 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).
ΔΕ4
• 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).
74