Kvantitativne metode za poslovno odluivanje

IV. Linearno programiranje

Rudolf Scitovski, Ivan Vazler, Martina Bri
7. sijenja 2012.
Sadraj
1 Uvod 2
2 Problem linearnog programiranja (LP) 2
2.1 Maksimizacija prota primarni LP problem . . . . . . . . . . . . . . . . . . . . 2
2.2 Minimizacija trokova dualni LP problem . . . . . . . . . . . . . . . . . . . . . 4
2.3 Primjeri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 Povijesni pregled . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Metode za rjeavanje 17
3.1 Geometrijska metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Simpleks metoda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.1 Tablini prikaz Simpleks metode . . . . . . . . . . . . . . . . . . . . . . . 21
4 Problem cjelobrojnog programiranja 22
4.1 Neki specijalni problemi cjelobrojnog programiranja . . . . . . . . . . . . . . . . 23
4.1.1 Problem ranca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1.2 Problem asignacije . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.3 Transportni problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.1.4 Problem najkraeg puta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.5 Problem maksimalnog toka . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.6 Metoda kritinog puta za planiranje realizacije projekta . . . . . . . . . . 28
4.1.7 Problem minimalnih trokova toka . . . . . . . . . . . . . . . . . . . . . . 29
4.1.8 Problem trgovakog putnika . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.9 Investicijsko odluivanje . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.10 Problem rasporeivanja . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.11 Oglaavanje u marketingu . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.12 Problem krojenja/rezanja materijala . . . . . . . . . . . . . . . . . . . . . 35

Obvezni predmet u 5. semestru sveuilinog preddiplomskog studijskog programa Poduzetnitvo Eko-

nomskog fakulteta u Osijeku (45 sati predavanja i 15 sati vjebi, 5 ECTS bodova)
Kvantitativne metode 2
1 Uvod
2 Problem linearnog programiranja (LP)
Informacijska osnova proizvodnje:
Strojevi (to mogu proizvoditi, koliko vremena im je potrebno za proizvodnju jedne jedinice
proizvoda, koliki su im vremenskim kapaciteti);
Ludski rad (to mogu proizvoditi, koliko vremena im je potrebno za proizvodnju jedne
jedinice proizvoda, koliki su im vremenskim kapaciteti);
Trite (kakva su trina okranienja za pojedini proizvod koji se namjerava proizvoditi);
Trine cijene proizvoda i trine cijene resursa.
2.1 Maksimizacija prota primarni LP problem
Primjer 1. (Barkovi, 2010) Dva proizvoda P
1
, P
2
proizvode se na jednom stroju s kapacitetom
16 uz koritenje ljudskog rada u obimu 10 i trinim ogranienjem 3 na proizvod P
2
. Treba
odrediti koliinu proizvodnje (x

1
, x

2
) proizvoda (P
1
, P
2
), uz koju se postie maksimalni prot z

kao razliku prodajne cijene i trokova proizvodnje.

Inputi Proizvodi Kapaciteti Trine cijene
P
1
P
2
resursa (b
i
) resursa (
i
)
Stroj 2 4 16 10
Ljudski rad 2 1 10 5
Trite (P
2
) 0 1 3 5
Cijene (
j
) 50 80
Trokovi 30 50
Prot (c
j
) 20 30
Tablica 1: Podaci o proizvodnji
Tablicu iz koje su vidljive veze izmeu inputa (strojevi, ljudski rad, trite) i outputa (koliine
proizvoda) zvat emo matrica tehnologije.
Kod matematike formulacije problema koristi se temeljna pretpostavka o linearnosti
veza, koja se moe razloiti na dvije pretpostavke:
Proporcionalnost. Ako je za proizvodnju jedne jedinice proizvoda P
1
potrebno 2 jedinice
vremena, onda je za proizvodnju x
1
jedinica proizvoda P
1
potrebno 2x
1
jedinica vremena;
Aditivnost. Ako je za proizvodnju jedne jedinice proizvoda P
1
potrebno utroiti 2 jedinice
vremena, a za proizvodnju jedne jedinice proizvoda P
2
potrebno utroiti 4 jedinice vremena
Kvantitativne metode 3
strojnog rada, onda je za proizvodnju jedne jedinice proizvoda P
1
i jedne jedinice proizvoda
P
2
potrebno utroiti 6 sati strojnog rada;
x
1
koliina proizvodnje proizvoda P
1
x
2
koliina proizvodnje proizvoda P
2
2x
1
+ 4x
2
16
2x
1
+ x
2
10
x
2
3
x
1
, x
2
0

1
jedinina trina cijena prvog resursa (strojnog rada)

2
jedinina trina cijena drugog resursa (ljudskog rada)

3
jedinina trina cijena treeg resursa (obrada trita)
Jedinini prot za P
1
= 50 (2
1
+ 2
2
) = 50 30 = 20
Jedinini prot za P
2
= 80 (4
1
+
2
+
3
) = 80 50 = 30
f(x
1
, x
2
) = 20x
1
+ 30x
2
max (funkcija cilja)
Na Slici 1 prikazan je skup moguih (dopustivih) rjeenja (dopustivo podruje)
S = {(x
1
, x
2
) R
2
+
: 2x
1
+ 4x
2
16, 2x
1
+ x
2
10, x
2
3}
Ovako deniran skup S je konveksan i nazivamo ga poliedar. Ako je poliedar ogranien, kao u
ovom primjeru, nazivamo ga politop.
(x
i
, y
i
) (0, 0) (5, 0) (4, 2) (2, 3) (0, 3) (3, 2)
f(x
i
, y
i
) 0 100 140 130 90 120
U vrhu (x

1
, x

2
) = (4, 2) skupa S postie se optimalno dopustivo rjeenje na kome funkcija
cilja postie optimalnu vrijednost z

= 140.
Openito, pretpostavimo da treba proizvoditi n proizvoda P
1
, . . . , P
n
u koliinama x
1
, . . . , x
n
koritenjem m resursa u koliinama b
1
, . . . , b
m
. Pri tome za izradu jedne jedinice proizvoda P
j
koristi se i-ti resurs u koliini a
ij
. Dakle, ako su
1
, . . . ,
m
postojee trine cijene resursa, a

1
, . . . ,
n
postojee trine cijene proizvoda, treba maksimizirati funkciju cilja
z = f(x
1
, . . . , x
n
) =
n

j=1
c
j
x
j
, (2.1)
gdje su
c
j
=
j

m

i=1

i
a
ij
, j = 1, . . . , n, (2.2)
Kvantitativne metode 4
1 1 2 3 4 5 6
1
1
2
3
4
5
6
Slika 1: Grako rjeavanje LP problema iz Primjera 1
veliine prota, koji se ostvaruju na j-tom proizvodu, potujui ogranienja
n

j=1
a
ij
x
i
b
j
, j = 1, . . . , m, (2.3)
x
1
, . . . , x
n
0. (2.4)
Matrini zapis:
Za zadani vektor kapaciteta resursa b R
m
, vektor prota c R
n
i matricu teh-
nologije A R
mn
, treba odrediti vektor proizvodnje x

R
n
+
, tako da na njemu
funkcija cilja z = c, x = c
T
x postie svoj maksimum uz uvjet Ax b, tj.
max
xR
n
+
c
T
x = c
T
x

, uz uvjet (2.5)
Ax b. (2.6)
Teorem 1. Skup S = {x R
n
+
: Ax b} svih dopustivih rjeenja problema linearnog programi-
ranja je konveksan.
Konveksni skup S = {x R
n
+
: Ax b} nazivamo skup dopustivih rjeenja (dopustivo
podruje), vektor x

R
n
optimalno dopustivo rjeenje, a z

= f(x

) optimalna vrijed-
nost funkcije cilja. Konveksni skup S nazivamo poliedar. Ako je poliedar ogranien, zovemo
ga politop.
2.2 Minimizacija trokova dualni LP problem
Primjer 2. Za podatke iz Primjera 1 treba odrediti jedinine cijene resursa (w

1
, w

2
, w

3
), uz koje
e se postii minimalni trokovi proizvodnje.
Uz poznate trine cijene resursa
i
i trine cijene proizvoda
i
, treba odrediti jedinine
cijene resursa w
1
, w
2
, w
3
(dualna varijabla, cijena u sjeni), tako da ukupni trokove prizvodnje
Kvantitativne metode 5
budu minimalni, tj. treba minimizirati
min(16w
1
+ 10w
2
+ 3w
3
) uz uvjete (2.7)
2w
1
+ 2w
2
50 (2.8)
4w
1
+ w
2
+ w
3
80
w
i

i
, i = 1, 2, 3. (2.9)
Uvoenjem supstitucije
y
i
:= w
i

i
, i = 1, 2, 3. (2.10)
problem (2.7) (2.9) svodi se na optimizacijski problem
min(16y
1
+ 10y
2
+ 3y
3
) uz uvjete
2y
1
+2y
2
20
4y
1
+ y
2
+ y
3
30
y
1
, y
2
, y
3
0.
Naime, vrijedi
16y
1
+ 10y
2
+ 3y
3
= 16w
1
+ 10w
2
+ 3w
3
(16
1
+ 10
2
+ 3
3
) = 16w
1
+ 10w
2
+ 3w
3
225,
pa je problem optimizacije funkcije zadane sa (2.7) ekvivalentan problemu optimizacije funkcije
(y
1
, y
2
, y
3
) 16y
1
+ 10y
2
+ 3y
3
. Takoer sustav ogranienja (2.8)(2.9) ekvivalenta je sustavu
ograni;enja u varijablama (y
1
, y
2
, y
3
) jer je
2y
1
+ 2y
2
= 2w
1
+ 2w
2
(2
1
+ 2
2
) 50 30 = 20,
4y
1
+ y
2
+ y
3
= 4w
1
+ w
2
+ w
3
(4
1
+
2
+
3
) 80 40 = 30.
Optimalno rjeenje je y

= (
20
3
,
10
3
, 0)
T
, pri emu je optimalna vrijednost funkcije cilja z

= 140.
Openito, neka su
1
, . . . ,
m
postojee trine cijene resursa, a
1
, . . . ,
n
postojee trine
cijene proizvoda. Ako su w
1
, . . . , w
m
jedinine cijene resursa, treba minimizirati ukupne trokove
proizvodnje
min
w
1
,...,w
m
m

i=1
b
i
w
i
uz uvjete (2.11)
m

i=1
w
i
a
ij

j
, j = 1, . . . , n, (2.12)
w
i

i
, i = 1, . . . , m. (2.13)
Uvoenjem supstitucije
y
i
:= w
i

i
, i = 1, . . . , m, (2.14)
Kvantitativne metode 6
problem (2.11) (2.13) svodi se na optimizacijski problem
min
y
1
,...,y
m
m

i=1
b
i
y
i
uz uvjete (2.15)
m

i=1
y
i
a
ij
c
j
, j = 1, . . . , n, (2.16)
y
1
, . . . , y
m
0, (2.17)
gdje je c
j
=
j

m
i=1

i
a
ij
prot koji se ostvaruje na j-tom proizvodu. Naime, kako je
m

i=1
y
i
a
ij
=
m

i=1
w
i
a
ij

m

i=1

i
a
ij
,
a

m
i=1

i
a
ij
je konstanta, optimizacijski problemi (2.11) i (2.15) su ekvivalentni. Osim toga
vrijedi
m

i=1
y
i
a
ij
=
m

i=1
w
i
a
ij

m

i=1

i
a
ij

j

m

i=1

i
a
ij
= c
j
.
Matrini zapis:
Za zadani vektor kapaciteta resursa b R
m
, vektor prota c R
n
i matricu tehno-
logije A R
mn
, treba odrediti vektor y

R
m
+
, takav da je
min
yR
m
+
b
T
y = b
T
y

, uz uvjet (2.18)
A
T
y c. (2.19)
Svojstva:(Marti, 1966, 1971; Vanderbei, 2001)
Ako je x dopustivo rjeenje primarnog LPproblema (2.5)(2.6), y dopustivo rjeenje du-
alnog LPproblema (2.18)(2.19), onda vrijedi c
T
x b
T
y;
Ako je x dopustivo rjeenje primarnog LPproblema (2.5)(2.6), y dopustivo rjeenje dual-
nog LPproblema (2.18)(2.19) i ako vrijedi c
T
x = b
T
y, onda su x i y optimalno dopustiva
rjeenja;
Ako primarni i dualni LPproblem imaju dopustiva rjeenja, tada postoje i optimalno
dopustiva rjeenja x

, y

i vrijedi c
T
x

= b
T
y

; Ako primarni LPproblem (2.5)(2.6) nema

dopustivo rjeenje, onda odgovarajui dualni LPproblem (2.18)(2.19) nema optimalno
dopustivo rjeenje i ako dualni LPproblem (2.18)(2.19) nema dopustivo rjeenje, onda
odgovarajui primarni LPproblem (2.5)(2.6) nema optimalno dopustivo rjeenje;
Optimalno dopustivo rjeenje x

primarnog LPproblema (2.5)(2.6) postoji onda i samo

onda ako postoji optimalno dopustivo rjeenje y

dualnog LPproblema (2.18)(2.19);

U tom sluaju vrijedi c
T
x

= b
T
y

;
Kvantitativne metode 7
Dualni problem dualnog problema ponovo je primarni problem LP.
Zadatak 1.
1
(Marti, 1971) Graki odredite rjeenje LP-problema
max(2x
1
+ 5x
2
) uz uvjete
x
1
+ 4x
2
24
3x
1
+ x
2
21
x
1
+ x
2
9
x
1
, x
2
0
Napiite matrini zapis ovog LPproblema i odgovarajui dualni problem. to je rjeenje dualnog
problema ?
Rjeenje primarnog LPproblema: x

= (4, 5)
T
, z

= 33;
Rjeenje dualnog LPproblema: y

= (1, 0, 1)
T
, z

= 33;
2.3 Primjeri
Primjer 3. (Marti, 1971) Za zadanu matricu tehnologije (Tablica 2) treba odrediti optimalni
proizvodni program koji e maksimizirati koritenje kapaciteta strojeva.
Inputi Proizvodi Kapaciteti
P
1
P
2
strojeva
Stroj S
1
10 10 8000
Stroj S
2
10 30 18000
Stroj S
3
20 10 14000
Ukupno 40 50 40000
Tablica 2: Podaci o proizvodnji
Primarni LPproblem:
max (40x
1
+ 50x
2
) uz uvjete
10x
1
+ 10x
2
8000
10x
1
+ 30x
2
18000
20x
1
+ 10x
2
14000
x
1
, x
2
0
(x
i
, y
i
) (0, 0) (0, 600) (300, 500) (600, 200) (700, 0) (400, 400)
f(x
i
, y
i
) 0 30000 37000 34000 28000 36000
1
Na web stranici http://www.zweigmedia.com/RealWorld/LPGrapher/lpg.html nalazi se program koji iscr-
tava podruje odreeno nejednakostima i rjeava problem linearnog programiranja.
Kvantitativne metode 8
200 400 600 800
200
400
600
800
Slika 2: Grako rjeavanje LP problema iz Primjera 3
Rjeenje: x

= (300, 500)
T
, z

= 37000.
Dualni LPproblem:
min (8000y
1
+ 18000y
2
+ 14000y
3
) uz uvjete
10y
1
+ 10y
2
+ 20y
3
40
10y
1
+ 30y
2
+ 10y
3
50
y
1
, y
2
, y
3
0.
Rjeenje: y

= (3.5, 0.5, 0)
T
, z

= 37000.
Znaenje: pogledajmo kakav bi efekt proizvelo poveanje kapaciteta stroja S
1
za 1:
(8000 + 1)y

1
+ 18000y

2
+ 14000y

3
= 37000 + y

1
= 37000 + 3.5,
Dakle, dualna varijabla y

1
pokazuje za koliko bi se poveala vrijednost funkcije cilja ako bi prvu
restrikciju (kapacitet stroja S
1
) poveali za 1.
Za koliko bi se poveala vrijednost funkcije cilja (ukupno koritenje strojeva) ako bi raspoloivi
kapacitet strojeva S
1
i S
2
uveali za 10 %? (Ukupni kapacitet poveao bi se za 800 3.5 +
1800 0.5 = 3700)
to bi se dogodilo ako bi kapacitet stroja S
3
poveali, a kapacitete strojeva S
1
i S
2
zadrali ?
(Nita se ne bi promijenilo jer je trea dualna varijabla y

3
= 0)
Primjer 4. (Marti, 1971) Promatramo problem maksimalnog koritenja raspoloivog materijala
u proizvodnji (primjerice, u mesnoj industriji) uz maksimiranje utroka materijala sukladno
matrici tehnologije prikazanoj u Tablici 3
Kvantitativne metode 9
Inputi Utroak materijala Raspoloivost
P
1
P
2
P
3
materijala
Materijal M
1
4 8 5 200
Materijal M
2
2 9 7 180
Trina ogranienja 80 22 60 380
Tablica 3: Podaci o proizvodnji
Primarni LPproblem:
max (4x
1
+ 8x
2
+ 5x
3
+ 2x
4
+ 9x
5
+ 7x
6
) uz uvjete
4x
1
+ 8x
2
+ 5x
3
200
2x
4
+ 9x
5
+ 7x
6
180
x
1
+ x
4
80
x
2
+ x
5
22
x
3
+ x
6
60
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
Rjeenje primarnog problema: x

= (0, 22,
24
5
, 0, 0,
180
7
)
T
, z

= 380.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y

= (1, 1, 0, 0, 0)
T
, z

= 380.
Primjer 5. (Marti, 1971) Promatramo prethodni problem maksimalnog koritenja raspoloivog
materijala u proizvodnji (primjerice, u mesnoj industriji) uz maksimiranje prota navedenog u
Tablici 4.
Inputi Prot
P
1
P
2
P
3
Materijal M
1
20 50 30
Materijal M
2
18 70 40
Tablica 4: Porot po vrstama materijala i jedinici proizvoda
Uz ogranienja kao u Primjeru 4 treba maksimizirati sljedeu funkciju cilja
max (20x
1
+ 50x
2
+ 30x
3
+ 18x
4
+ 70x
5
+ 40x
6
)
Rjeenje primarnog problema: x

= (0,
178
9
,
376
45
, 80,
20
9
, 0)
T
, z

=
25516
9
= 2835.11.
Formulirajte odgovarajui dualni LP-problem.
Kvantitativne metode 10
Rjeenje dualnog problema: y

= (6,
68
9
,
26
9
, 2, 0)
T
, z

=
25516
9
= 2835.11.
Primjer 6. (Marti, 1971) Promatramo problem optimizacije proizvodnog programa jedne tvor-
nice cigareta. Proizvodnja se obavlja na 4 stroja s kapacitetima i matricom tehnologije prikazanoj
u Tablici 5. Trina ogranienja po vrstama cigareta su sledea: P
1
(2.2), P
1
(64), P
1
(98.4), P
1
(298), P
1
(34.2)
Inputi Vrste cigareta Kapaciteti
P
1
P
2
P
3
P
4
P
5
Stroj S
1
9.8 9.6 9.4 9.2 9.1 7368
Stroj S
2
18.6 18.6 18.6 18.6 18.6 14736
Stroj S
3
116.9 53.3 67.8 27.1 29.0 19648
Stroj S
4
58.5 15.2 15.2 15.2 15.2 6912
Prot 240 195 185 180 150
Tablica 5: Proizvodnja cigareta
Primarni LPproblem:
max (240x
1
+ 195x
2
+ 185x
3
+ 180x
4
+ 150x
5
) uz uvjete
9.8x
1
+ 9.6x
2
+ 9.4x
3
+ 9.2x
4
+ 9.1x
5
7368
18.6x
1
+ 18.6x
2
+ 18.6x
3
+ 18.6x
4
+ 18.6x
5
14736
116.9x
1
+ 53.3x
2
+ 67.8x
3
+ 27.1x
4
+ 29.0x
5
19648
58.5x
1
+ 15.2x
2
+ 15.2x
3
+ 15.2x
4
+ 15.2x
5
6912
x
1
2.2
x
2
64
x
3
98.4
x
4
298
x
5
34.2
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
Rjeenje primarnog problema: x

= (0, 64, 98.4, 292.337, 0)

T
, z

= 83304.6.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y

= (0, 0, 0, 11.8421, 0, 15, 5, 0, 0)

T
, z

= 83304.6.
Zbog ega cigarete P
5
ne ulaze u optimalni proizvodni program ?
Uputa: Matricu tehnologije svedite na 100 jedinica prota za svaku vrstu cigareta (prvi stupac
pomnoite sa 100 i podijelite s 240 itd.) ili razmotrite dualni problem.
Primjer 7. (Marti, 1971) Promatramo proizvodnju jednog proizvoda koji je sastavljen od dvije
komponente K
1
, K
2
u omjeru 1: 1. Treba odrediti optimalni proizvodni program ovih komponenti
Kvantitativne metode 11
tako da je svakog dana mogue proizvest maksimalni broj gotovih proizvoda. Komponente K
1
,
K
2
proizvode se na tri stroja S
1
, S
2
, S
3
prema matrici tehnologije navedene u Tablici 6.
Inputi Vrste cigareta Kapaciteti
P
1
P
2
P
3
P
4
P
5
Stroj S
1
9.8 9.6 9.4 9.2 9.1 7368
Stroj S
2
18.6 18.6 18.6 18.6 18.6 14736
Stroj S
3
116.9 53.3 67.8 27.1 29.0 19648
Stroj S
4
58.5 15.2 15.2 15.2 15.2 6912
Prot 240 195 185 180 150
Tablica 6: Proizvodnja komponenti
Optimizacija proizvodnje ovisi o produktivnosti svakog stroja. Neka je
x
i
dnevna koliina proizvodnje komponente K
i
na stroju S
1
, i = 1, 2
x
2+i
dnevna koliina proizvodnje komponente K
i
na stroju S
2
, i = 1, 2
x
4+i
dnevna koliina proizvodnje komponente K
i
na stroju S
3
, i = 1, 2
Produktivnost stroja S
1
prilikom proizvodnje komponenta K
1
zadana je s
24
8
, a prilikom pro-
izvodnje komponenta K
2
s
24
4
. Slino se moe izraunati i produktivnost strojeva S
2
i S
3
. Zato
funkciju cilja deniramo na sljedei nain:
24
8
x
1
+
24
4
x
2
+
24
4
x
3
+
24
6
x
4
+
8
1
x
5
+
8
2
x
6
Primarni LPproblem:
max (3x
1
+ 6x
2
+ 6x
3
+ 4x
4
+ 8x
5
+ 4x
6
) uz uvjete
8x
1
+ 4x
2
24
4x
3
+ 6x
4
24
x
5
+ 2x
6
8
x
1
+ x
3
+ x
5
x
2
x
4
x
6
= 0
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
0
Rjeenje primarnog problema: x

= (0, 6,
6
5
,
16
5
, 0)
T
, z

= 120.
Rjeenja nisu cjelobrojna, kao to zahtijeva problem. Kako se u ovom sluaju moe denirati
cjelobrojni optimalni proizvodnbi program ?
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y

= (2, 1, 6, 2)
T
, z

= 120.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
Kvantitativne metode 12
Zadatak 2. (Marti, 1971) Treba odrediti optimalni proizvodni program u jednoj tvornici mli-
jenih proizvoda, gdje se proizvodi 5 vrsta mlijenih proizvoda na 4 stroja sukladno matrici
tehnologije navedene u Tablici 7. Optimizacija se treba provesti prema dva kriterija:
(a) Maksimalno koritenje kapaciteta;
(b) Maksimizacija prota ako se zna da je prot po jedinici proizvoda redom: 100, 10, 60, 80,
60, uz trina ogranienja na proizvode redom: 120, 60, .5, 5, 2.
Inputi Vrste cigareta Kapaciteti
P
1
P
2
P
3
P
4
P
5
Stroj S
1
14 18 9 49 9 32000
Stroj S
2
2 10 1 26 1 35000
Stroj S
3
15 21 10 40 10 35000
Stroj S
4
6 0 9 0 18 30000
Tablica 7: Proizvodnja mlijenih proizvoda
Rjeenje primarnog problema:
(a) x

= (0, 706.58, 0, 87.3786, 1666.67)

T
, z

= 108004.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y

= (1.47249, 0., 1.0712, 0.779755)

T
, z

= 108004.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
(b) x

= (120, 60, 0.5, 5, 2)

T
, z

= 13150.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y

= (0, 0, 0, 0, 100, 10, 60, 80, 60)

T
, z

= 13150.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
Zadatak 3. (Marti, 1971) Na jednom stroju radei 45 sati tjedno, mogu se proizvesti 3 razliita
proizvoda. Prot po proizvodima P
1
, P
2
, P
3
je redom: 40, 120, 30. Za jedan sat rada stroj
izradi 50 jedinica proizvoda P
1
ili 25 jedinica proizvoda P
2
ili 75 jedinica proizvoda P
3
. Trina
ogranienja proizvoda su redom: 1000, 500, 1500. Odredite tjedni optimalni proizvodni program
koji e maksimizirati prot.
Rjeenje primarnog problema:
x

= (250, 500, 1500)

T
, z

= 115000.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y

= (2000, 0, 40, 3.333)

T
, z

= 115000.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
Kvantitativne metode 13
Zadatak 4. (Marti, 1971) U nekom poduzeu proizvode se tri proizvoda P
1
, P
2
, P
3
na bazi
sirovina S
1
, S
2
prema nie navedenoj matrici tehnologije. Poduzee mjeseno treba proizvesti
barem 3 komada proizvoda P
1
, barem 5 komada proizvoda P
2
i barem 4 komada proizvoda P
3
.
Odredite optimalni proizvodni program koji e minimizirati trokove proizvodnje.
S
1
S
2
Koliina
P
1
1 1 3
P
2
1 5 5
P
3
2 1 4
Cijene 25 20
z = min(10x
1
+ 20x
2
) uz uvjete
x
1
+ x
2
3
x
1
+ 5x
2
5
2x
1
+ x
2
4
x
1
, x
2
0
Rjeenje primarnog problema:
x

= (1, 2)
T
, z

= 65.
Formulirajte odgovarajui dualni LP-problem.
Rjeenje dualnog problema: y

= (15, 0, 5)
T
, z

= 65.
Kakva su znaenja dualnih varijabli u ovom sluaju ?
Primjer 8. (Sierksma, 2002) Neko poduzee proizvodi kutije kratkih i dugih ibica;
Prot po kutiji dugih ibica je 3 $100, a po kutiji kratkih ibica 2 $100;
Stroj koji se koristi u proizvodnji moe proizvesti 9 100 000 kutija kratkih ili dugih ibica;
Po kutiji dugih ibica potrebno je 3m
3
, a po kutiji kratkih 1m
3
drva;
Poduzee godinje raspolae s 18 100 000m
3
drva;
Trina ogranienja za broj kutija dugih 7 100 000 i kutija kratkih ibice 6 100 000
x
1
broj kutija dugih ibica u 100 000
x
2
broj kutija kratkih ibica u 100 000
max(3x
1
+ 2x
2
) uz uvjete
x
1
+ x
2
9
3x
1
+ x
2
18
x
1
7
x
2
6
x
1
, x
2
0
Rjeenje: z

= 22.5 uz x

1
= x

2
= 4.5.
1. Mijenja li se rjeenje ako se uvede dodatno ogranienje da poduzee u sljedeoj godini po
ugovoru mora proizvesti barem 5 100 000 kutija bilo dugih bilo kratkih ibica ?
2. Kako se mijenja rjeenje ako se promijeni funkcija cilja z = x
1
+ x
2
?
Primjer 9. (Nerali, 2003) Problem proizvodnje
Kvantitativne metode 14
Inputi Proizvodi Kapaciteti
P
1
P
2
resursa (b
i
)
Stroj S
1
2 1 160
Stroj S
2
4 5 500
Stroj S
3
0 1 80
Prot (c
j
) 10 25
Tablica 8: Podaci o proizvodnji
max(10x
1
+ 25x
2
) uz uvjete
2x
1
+ x
2
160
4x
1
+ 5x
2
500
x
2
80
x
1
, x
2
0
Rjeenje: x

1
= 25, x

2
= 80, z

= 2250.
Primjedba: Strojevi S
2
, S
3
su u potpunosti iskoristeni, a stroj S
1
ima slobodni kapacitet od 30
sati.
Dualni problem:
max(160w
1
+ 500w
2
+ 80w
3
) uz uvjete
2w
1
+ 4w
2
10
w
1
+ 5w
2
+ w
3
25
w
1
, w
2
, w
3
0
Rjeenje: w

1
= 0, w

2
= 2.5, w

3
= 12.5, z

= 2250. (objasniti dualne cijene, cijene u sjeni,

oportunitetni troskovi)
Zadatak 5. Postavite LP za sljedei problem proizvodnje
Inputi Proizvodi Kapaciteti
P
1
P
2
resursa (b
i
)
Stroj S
1
3 2 12
Stroj S
2
5 2 10
Prot (c
j
) 1 0.5
Tablica 9: Podaci o proizvodnji
Kvantitativne metode 15
(a) Geometrijski rijeite ovaj LP.
(b) Ako je kapacitet prvog stroja b
1
= 10 ksan, a kapacitet drugog stroja poraste na b

2
= 20,
kako e se promijeniti optimalno rjeenje ? to e se dogoditi ako je b
2
> 20 ?
(c) Postavite, rijeite i diskutirajte odgovarajui dualni problem.
Primjer 10. (Problem prehrane)(Marti, 1966; Nerali, 2003) Treba denirati program prehrane
grupe ljudi (primjerice vojske), tako da jelovnik bude raznolik, da sadrzava dovoljnu kolicinu
potrebnih hranjivih sastojaka (bjelancevina, masti, vitamina, ugljikohidrata,. . . ), a da izdaci za
sirovine budu minimalni;
H
1
, . . . , H
n
prehrambeni artikli na tritu
b
j
trina cijena prehrambenog artikla H
j
;
E
1
, . . . , E
n
hranjivi sastojci;
c
i
minimalni zahtjev za hranjivim sastojkom E
i
;
a
ij
koliina hranjivog sastojka E
i
u jednoj jedinici prehrambenog artikla H
j
;
y
j
koliina prehrambenog artikla H
j
;
Hranjivi H
1
H
2
. . . H
n
Minimalni
sastojci zahtjevi
E
1
a
11
a
12
. . . a
1n
c
1
E
2
a
21
a
22
. . . a
2n
c
2
. . . . . . . . . . . . . . . . . .
E
m
a
m1
a
m2
. . . a
mn
c
m
Cijene: b
1
b
2
. . . b
n
Tablica 10: Podaci o prehrani
min
y
1
,...,y
n
n

j=1
b
j
y
j
uz uvjete
n

j=1
y
j
a
ij
c
i
, i = 1, . . . , m,
y
1
, . . . , y
n
0
Zadatak 6. Raspolaemo s dva prehrambena artikla: kruh i sir i kontroliramo samo dva hranjiva
sastojka: kalorije i proteini. Poznato je da 1 lb
2
kruha sadri oko 1 000 kalorija i 25 g proteina,
a 1 lb sira 2 000 kalorija i 100 g proteina. Standardna hrana za 1 dan treba sadravati barem
3 000 kalorija i 100 g proteina.
(a) Ako je cijena kruha 6 kn, a sira 21 kn po lb, kako bi izgledala optimalna prehrana ? Je li
to jedino optimalno rjeenje ? Koliki su minimalni trokovi ishrane ?
2
lb: funta pola kilograma
Kvantitativne metode 16
(b) Ako se cijena kruha povea na 10.5 kn, a cijena sira ostane nepromijenjena, koliko se u
tom sluaju moe sastaviti optimalnih programa prehrane i koji su to programi ? Koliki su
trokovi svakog od tih programa ?
(c) Pokaite da problem prehrane ima beskonano mnogo rjeenja ako je cijena kruha 6 kn, a
sira 24 kn po lb. Koji od tih optimalnih programa sadri najmanje kruha ?
(d) Neka je p
1
cijena kruha, a p
2
cijena sira. Pokaite da optimalni program prehrane sadri
samo kruh ako je p
1
<
1
4
p
2
, a samo sir ako je p
1
>
1
2
p
2
. U kojem intervalu mora biti
cijena kruha p
1
, da bi i kruh i sir bili u optimalnom programu ? U kojem odnosu su cijene
kruha i sira u sluaju postojanja vie optimalnih rjeenja ?
(d) Formulirajte dualni problem i diskutirajte ga. to su u ovom sluaju cijene u sjeni ?
Primjer 11. (Problem transporta)(Marti, 1966; Nerali, 2003) Iz m ishodita (skladita) neku
robu treba transportirati u n odredita (trgovina), tako da ukupni transportni trokovi budu mi-
nimalni;
a
1
, . . . , a
m
0 koliina robu u ishoditima
b
1
, . . . , b
n
0 potranja robe po odreditima;
c
ij
0 cijena prevoza jedne jedinice robe iz ishodita a
i
u odredite b
j
;
x
ij
koliina robe koju se namjerava prevesti iz ishodita a
i
u odredite b
j
;
I/O b
1
b
2
. . . b
n
a
1
c
11
c
12
. . . c
1n
a
2
c
21
c
22
. . . c
2n
. . . . . . . . . . . . . . .
a
m
c
m1
c
m2
. . . c
mn
Tablica 11: Podaci o transportu
min
x
ij
n

j=1
m

i=1
c
ij
x
ij
uz uvjete
n

j=1
x
ij
a
i
, i = 1, . . . , m,
m

i=1
x
ij
b
j
, j = 1, . . . , n,
x
ij
0
Pokaite da vrijedi
n

j=1
b
j

m

i=1
a
i
Kvantitativne metode 17
Zadatak 7. Konstruirajte jedno moguce rjesenje za problem transporta ako je
(a) a
1
= 10, a
2
= 14, b
1
= 3, b
2
= 8, b
3
= 9.
(b) a
1
= 10, a
2
= 14, b
1
= 5, b
2
= 9, b
3
= 10.
2.4 Povijesni pregled
Smatra se da je potrebne osnove za rjeavanje problema linearnog programiranja dao francu-
ski matematiar J. B. J. Fourier 1827. godine u radu o rjeavanju sustava linearnih nejednadbi.
Problem linearnog programiranja formulirao je 1939. godine ruski matematiar L. V. Kantorovi,
ali je to na Zapadu dugo ostalo nepoznato. Tijekom II. svjetskog rata problem linearnog pro-
gramiranja na razne naine koristio se u svrhu ratnih napora.
1947. godine G. B. Dantzig je predloio najvaniju metodu za rjeavanje problema linearnog
programiranja: Symplex Method za potrebe amerikog ratnog zrakoplovstva, a 1951. objavio je
tu metodu.
1975. godine ruski matematiar L. V. Kantorovi i nizozemski ekonomistom T. C. Koopman
dobili su Nobelovu nagradu za model linearnog programiranja u teoriji optimalne alokacije
resursa. Dantzigov rad smatrao se previe matematikim, a Nobelova nagrade se ne dodjeljuje
za podruje matematike.
3 Metode za rjeavanje
Primjer 12. Razmotrimo ponovo Primjer 1. Treba maksimizirati funkciju cilja
f(x
1
, x
2
) = 20x
1
+ 30x
2
uz uvjete
2x
1
+ 4x
2
16
2x
1
+ x
2
10
x
2
3
x
1
, x
2
0
Skup moguih rjeenja S u ovom sluaju je konveksni poliedar (konveksni politop jer je
ogranien) prikazan na Slici 1. On ima 5 vrhova koji se nalaze na presjecima parova 5 pravaca koji
geometrijski predstavljaju rubove poluravnina. Budui da se maksimum funkcije cilja postie
na barem jednom vrhu ovog konveksog poliedra, jedna mogunost je provjeriti njenu vrijednost
u svim vrhovima. U ovom sluaju to je lako jer je broj vrhova malen
Vrhovi (0, 0) (0, 3) (2, 3) (4, 2) (5, 0)
Funkcija cilja 0 90 130 140 100
Dakle najprije bi trebalo rijeiti
_
5
2
_
= 10 sustava dvije jednadbe s dvije nepoznanice. Na
taj nain dobivamo 9 toaka (jedan sustav nema rjeenja). Za svaku toku treba provjeriti svih
5 restrikcija, a za one toke koje zadovoljavaju svih 5 restrikcija izraunati vrijednost funkcije
cilja.
Kvantitativne metode 18
Openito LP problem moe imati n varijabli i m restrikcija, Ako je m n, trebalo bi rijeiti
_
m
n
_
=
m!
n!(mn)!
,
sustava od n jednadbi s n nepoznanica, ime dobivamo toliko ili manje toaka iz R
n
. Odmah je
jasno da bi to mogao biti vrlo veliki broj. Primjerice za m = 50 i n = 10 taj broj je 10 272 278 170.
Zato se ova metoda ozbiljno ne razmatra.
3.1 Geometrijska metoda
U sluaju n = 2 ili eventualno n = 3 konveksni poliedar mogue je nacrtati i uoiti sve nje-
gove vrhove. Toku optimalnog rjeenja mogli bi potraiti sljedeim iterativnim postupkom
algoritmom.
Algoritam 1. (Geometrijska metoda)
Korak 1: Odaberemo jedan vrh (poetnu aproksimaciju) A
0
i u njemu izraunamo vrijednost funkcije cilja
z
0
;
Korak 2: Za svaki susjedni vrh izraunamo vrijednost funkcije cilja i zadrimo se na onom vrhu u kome
smo postigli najveu vrijednost (za n = 2 broj susjednih vrhova je 2, a za n = 3 to ve moe biti
puno vei broj);
Korak 3: Ponavljamo Korak 2 dok god se vrijednost funkcije cilja poveava.
Za podatke iz Primjera 1 tijek iterativnog postupka opisanog u Algoritmu 1 je
Iteracija Vrh Funkcija cilja Susjedni vrhovi
0 (0, 0) 0 (0, 3), (5, 0)
1 (5, 0) 100 (0, 0), (4, 2)
2 (4, 2) 140 (5, 0), (2, 3)
Na taj nain odreeno je optimalno dopustivo rjeenje (x

1
, x

2
) = (4, 2), na kome funkcija cilja
postie optimalnu vrijednost z

= 140.
Primjedba 1. Neka je z R
++
. Jednadbom z + 20x
1
+ 30x
2
odreen je pravac, koji zapisan u
eksplicitnom obliku glasi
x
2
=
z
30

2
3
x
1
.
Njegov graf prikazan je na Slici 1b. Za z = 0 taj pravac prolazi ishoditem, a uzimanjem sve
vee pozitivne vrijednosti za broj z, graf pravca pomie se prema rubu skupa dopustivih rjeenja
S. Na taj nain takoer moemo odrediti optimalno dopustivo rjeenje.
Kroz primjere navesti primjere s odgovarajucim slikama:
za sluaj neogranienog dopustivog podruja
za sluaj kada je dopustivo podruje prazan skup
za sluaj kada se rjesenje postize na strnici poliedra
Takodjer nacrtati jedan primjer u trodimenzionalnom podrucju
Kvantitativne metode 19
3.2 Simpleks metoda
Primjer 13. Razmotrimo ponovo Primjer 1, odnosno Primjer 12.
Maksimizirati z = 20x
1
+ 30x
2
uz uvjete 2x
1
+ 4x
2
16
2x
1
+ x
2
10
x
2
3
x
1
, x
2
0
Ako uvedemo novu varijabu
s
1
= 16 2x
1
4x
2
,
onda je prva restrikcija ekvivalentna zapisu s
1
0. Drugim rijeima varijabla s
1
lijevu stranu
nejednakosti dopunjava do jednakosti. Zato varijablu s
1
nazivamo dopunska varijabla. U ovom
primjeru dopunska varijabla s
1
ima znaenje neiskoritenog kapaciteta strojnog rada.
Ako za svaku restrikciju iz navedenog primjera uvedemo dopunsku varijablu, onda LP pro-
blem moemo formulirati na sljedei nain.
Maksimizirati z = 20x
1
+ 30x
2
(3.1)
uz uvjete s
1
= 16 2x
1
4x
2
(3.2)
s
2
= 10 2x
1
x
2
(3.3)
s
3
= 3 x
2
(3.4)
x
1
, x
2
, s
1
, s
2
, s
3
0
Kao kod geometrijske metode dane u Algoritmu 1 krenimo od pocetne aproksimacije: x
(0)
1
= 0,
x
(0)
2
= 0 (vrh (0, 0) na Slici 1). Vrijednosti dopunskih varijabli su s
(0)
1
= 16, s
(0)
2
= 10, s
(0)
3
= 3,
a vrijednost funkcije cilja z
(0)
= 0.
Primjedba 2. Zavisne varijable sustava (3.2)(3.4) zovu se bazine varijable, a nezavisne varijable
tog sustava zovu se nebazine varijable.
Proizvodnju ima smisla pokrenuti s maksimalno dopustivom koliinom proizvoda P
2
jer, kao
to se vidi iz funkcije cilja (3.1), on donosi vei prot. Kako za x
1
= 0 mora biti
s
1
= 16 4x
2
0 x
2
4,
s
2
= 10 x
2
0 x
2
10,
s
3
= 3 x
2
0 x
2
3,
najvea dopustiva koliina proizvoda P
2
je x
2
= 3 jer
x
2
3 x
2
4 & x
2
10.
Kvantitativne metode 20
Primijetite da je 3 = min{
16
4
,
10
1
,
3
1
}. Tako dobivamo prvu aproksimaciju x
(1)
1
= 0, x
(1)
2
= 3 (vrh
(0, 3) na Slici 1). Vrijednosti dopunskih varijabli sada su s
(1)
1
= 4, s
(1)
2
= 7, s
(1)
3
= 0, a vrijednost
funkcije cilja z
(1)
= 90.
Iz jednakosti
s
3
= 3 x
2
izrazimo x
2
= 3 s
3
pa sada LP problem (3.1)(3.4) mozemo zapisati
Maksimizirati z = 20x
1
+ 30(3 s
3
) = 90 + 20x
1
30s
3
(3.5)
uz uvjete s
1
= 16 2x
1
4(3 s
3
) = 4 2x
1
+ 4s
3
(3.6)
s
2
= 10 2x
1
(3 s
3
) = 7 2x
1
+ s
3
(3.7)
x
2
= 3 s
3
(3.8)
x
1
, x
2
, s
1
, s
2
, s
3
0
Bazine varijable sada su s
1
, s
2
, x
2
, a nebazine x
1
, s
3
. Dakle, varijable x
2
i s
3
zamijenile su
mjesta: x
2
je postala bazina, a s
3
nebazina varijabla.
Budui da je u funkciji cilja (3.5) koecijent uz varijablu x
1
pozitivan (20), moe se oekivati
da e se funkcija cilja (vrijednost proizvodnje) poveati uvoenjem u proizvodnju proizvoda P
1
.
Kako za s
3
= 0 mora biti
s
1
= 4 2x
1
0 x
1
2,
s
2
= 7 2x
1
0 x
1
3.5,
x
2
= 3 0,
najvea dopustiva koliina proizvoda P
1
je x
1
= 2 jer
x
1
2 x
1
3.5.
Primijetite da je 2 = min{
4
2
,
7
2
}.
Iz jednakosti
s
1
= 4 2x
1
+ 4s
3
izrazimo x
1
= 2
1
2
s
1
+ 2s
3
pa sada LP problem (3.5)(3.8) mozemo zapisati
Maksimizirati z = 90 + 20(2
1
2
s
1
+ 2s
3
) 30s
3
= 130 10s
1
+ 10s
3
(3.9)
uz uvjete x
1
= 2
1
2
s
1
+ 2s
3
(3.10)
s
2
= 7 2(2
1
2
s
1
+ 2s
3
) + s
3
= 3 + s
1
3s
3
(3.11)
x
2
= 3 s
3
(3.12)
x
1
, x
2
, s
1
, s
2
, s
3
0
s
1
je postala nebazina, a x
1
bazina varijabla. (Treba li uopce u ovakvom pristupu pojam
bazicne i nebazicne varijable ?) Tako dobivamo drugu aproksimaciju x
(2)
1
= 2, x
(2)
2
= 3 (vrh
Kvantitativne metode 21
(2, 3) na Slici 1). Vrijednosti dopunskih varijabli sada su s
(2)
1
= 0, s
(2)
2
= 3, s
(2)
3
= 0, a vrijednost
funkcije cilja je z
(1)
= 130.
Budui da je u funkciji cilja (3.9) koecijent uz varijablu s
3
pozitivan (10), moe se oekivati
da e se funkcija cilja (vrijednost proizvodnje) poveati veim angairanjem trinih mogunosti
(to veim ispunjenjem tree restrikcije). Kako za s
1
= 0 mora biti
x
1
= 2 + 2s
3
0 s
3
1,
s
2
= 3 3s
3
0 s
3
1,
x
2
= 3 s
3
0 s
3
3,
najvea dopustiva koliina neangairanja trita je s
3
= 1 jer
s
3
1 s
3
1 & s
3
3.
Primijetite da je 1 = min{
3
1
,
3
3
}.
Iz jednakosti
s
2
= 3 + s
1
3s
3
,
izrazimo s
3
= 1 +
1
3
s
1

1
3
s
2
pa sada LP problem (3.9)(3.12) mozemo zapisati
Maksimizirati z = 130 10s
1
+ 10(1 +
1
3
s
1

1
3
s
2
) = 140
20
3
s
1

10
3
s
2
uz uvjete x
1
= 2
1
2
s
1
+ 2(1 +
1
3
s
1

1
3
s
2
) = 4 +
1
6
s
1

2
3
s
2
s
3
= 1 +
1
3
s
1

1
3
s
2
x
2
= 3 (1 +
1
3
s
1

1
3
s
2
) = 2
1
3
s
1
+
1
3
s
2
x
1
, x
2
, s
1
, s
2
, s
3
0
Tako dobivamo treu aproksimaciju x
(3)
1
= 4, x
(3)
2
= 2 (vrh (4, 2) na Slici 1). Vrijednosti
dopunskih varijabli sada su s
(3)
1
= 0, s
(3)
2
= 1, s
(3)
3
= 0, a vrijednost funkcije cilja je z
(1)
= 140.
3.2.1 Tablini prikaz Simpleks metode
x
1
x
2
s
1
s
2
s
3
b
i
2 4 1 0 0 16
2 1 0 1 0 10
0 1 0 0 1 3
20 30 0 0 0 0
x
(0)
=
_
0
0
_
, s
(0)
=
_

_
16
10
3
_

_, z
(0)
= 0
x
1
x
2
s
1
s
2
s
3
b
i
2 0 1 0 4 4
2 0 0 1 1 7
0 1 0 0 1 3
20 0 0 0 30 90
x
(1)
=
_
0
3
_
, s
(1)
=
_

_
4
7
0
_

_, z
(1)
= 90
Kvantitativne metode 22
x
1
x
2
s
1
s
2
s
3
b
i
1 0 1/2 0 2 2
0 0 1 1 3 3
0 1 0 0 1 3
0 0 10 0 10 130
x
(2)
=
_
2
3
_
, s
(2)
=
_

_
0
3
0
_

_, z
(2)
= 130
x
1
x
2
s
1
s
2
s
3
b
i
1 0 1/6 2/3 0 4
0 0 1/3 1/3 1 1
0 1 1/3 1/3 0 2
0 0 20/3 10/3 0 140
x
(3)
=
_
4
2
_
, s
(3)
=
_

_
0
1
0
_

_, z
(3)
= 140
Primjedba 3. Primijetite da iz posljednje simpleks tablice mogu oitati i optimalne vrijednosti
dualnih varijabli (cijene u sjeni): w

1
=
20
3
, w

2
=
10
3
, w

3
= 0.
4 Problem cjelobrojnog programiranja
Primjer 14. Razmotrimo sljedei LP problem (Slika 3a:
Maksimizirati z = 35x
1
+ 100x
2
uz uvjete
25x
1
+ 100x
2
343.75
1375x
1
+ 100x
2
4056.25
100x
2
325
x
1
, x
2
0
Njegovo rjeenje postie se za x

= (2.75, 2.75)
T
, a vrijednost funkcije cilja je z

= 371.25
(vidi Sliku 3a).
Meutim, ako bi zahtijev bio pronai maksimum iste funkcije cilja, ali uz uvjet da varijable
smiju primiti samo nenegativne cjelobrojne vrijednosti x
1
, x
2
Z
+
, onda se dopustivo podruje
sastoji samo od 11 toaka (Slika 3b, a maksimalna vrijednost funkcije cilja postie se u toki
x

I
= (1, 3)
T
, pri emu je z

I
= 335. Problem pronalaenja optimalne toke s cjelobrojnim koor-
dinatama u dopustivom podruju naziva se problem cjelobrojnog programiranja(Barkovi,
2010; Vanderbei, 2001; Sierksma, 2002).
Odmah bi nam moglo pasti na pamet da potraimo optimalnu toku, kao rjeenje klasinog
(realnog) LP problema i onda zaokruivanjem njenih koordinata prema dolje dobijemo cjelo-
brojno rjeenje.
Zato zaokruivanje prema gore ne bi imalo smisla?
U naem bi primjeru zaokruivanjem dobili toku x = (2, 2)
T
i vrijednost funkcije cilja
z = 270.
Primijetite da je relativna pogreka funkcije cilja kod cjelobrojnog programiranja (
|z

I
|
z

),
10%, dok je relativna pogreka funkcije cilja kod metode zaokruivanja (
|z

z|
z

) znatno vea i
iznosi oko 30%.
Kvantitativne metode 23
1 2 3 4
1
2
3
4
a) LP-problem
1 2 3 4
1
2
3
4
b) IP-problem
Slika 3: LP i odgovarajui IP problem
Zbog toga su u literaturi razraene brojne metode za rjeavanje problema cjelobrojnog pro-
gramiranja. Najpoznatija takva metoda je metoda grananja i ograivanja (Branch-and-bound
Method) (vidi primjerice (Sierksma, 2002)).
4.1 Neki specijalni problemi cjelobrojnog programiranja
4.1.1 Problem ranca
Primjer 15. (Sierksma, 2002) U kontejner poznatog volumena 15 m
3
treba smjestiti to vie
primjeraka od 5 objekata poznatog volumena i poznatog prihoda po komadu .
Objekt Prihod Volumen
1 5 5
2 3 4
3 6 7
4 6 6
5 2 2
Tablica 12: Podaci za problem ranca
S x
i
, i = 1, . . . , 5 oznaimo broj komada pojedinog objekta koji treba staviti u kontejner tako
da ukupni prihod bude maksimalan. Odgovarajui ILP (ineger linear programming) problem
moemo zapisati
Maksimizirati z = 5x
1
+ 3x
2
+ 6x
3
+ 6x
4
+ 2x
5
uz uvjete
5x
1
+ 4x
2
+ 7x
3
+ 6x
4
+ 2x
5
15
x
i
Z
+
Specijalno, moe se promatrati problem ranca kod kojega je x
i
{0, 1}. To znai da u
kontejner elimo staviti po jedan primjerak od samo nekih objekata, tako da ukupni prihod
Kvantitativne metode 24
bude maksimalan. U tom sluaju govorimo o 0-1 programiranju.
Zadatak 8. Rijeite problem iz prethodnog primjera kao problem cjelobrojnog programiranja i
kao problem 0-1 programiranja koritenjem programa dostupnog na
http: // www. zweigmedia. com/ RealWorld/ LPGrapher/ lpg. html .
Zadatak 9. Razmotrite primjer naveden kod (Barkovi, 2010), str.78.
4.1.2 Problem asignacije
Primjedba 4. Vrijedi:
(a, b R) a b = 0 (a = 0) (b = 0) (a = 0 b = 0)
a, b {0, 1},
a + b = 1 (a = 1 b = 0) (a = 0 b = 1)
a + b 1 (a = 0 b = 0) (a = 0 b = 1) (a = 1 b = 0)
n izvoaa radova;
m poslova;
c
ij
cijena po kojoj i-ti izvoa nudi izvoenje posla j;
x
ij
=
_
1, i-ti posao izvodi j-ti ponua,
0, i-ti posao ne izvodi j-ti ponua
2
1
3
2
1
5
6
4
5
2
3
Slika 4: Problem asignacije
(a) Treba odrediti najpovoljniju ponudu tako da oba posla (vidi Sliku 4) budu pridruena
barem jednom ponuditelju.
Minimizirati z = 5x
11
+ 4x
12
+ 2x
13
+ 6x
21
+ 5x
22
+ 3x
23
uz uvjete x
11
+ x
21
= 1
x
12
+ x
22
= 1
x
13
+ x
23
= 1
x
ij
{0, 1}
Kvantitativne metode 25
Matrini zapis:
A =
_

_
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
_

_ b =
_

_
1
1
1
_

_
z = c
T
min
Ax = b
c = ( 5 4 2 6 5 3 )
T
x = (x
11
, x
12
, x
13
, x
21
, x
22
, x
23
)
T
Rjeenje: x

= (1, 1, 1, 0, 0, 0)
T
, z

= 11.
(b) Treba odrediti najpovoljniju ponudu tako da oba posla (vidi Sliku 4) budu pridruena
barem jednom ponuditelju i da svaki ponuditelj dobije barem jedan posao.
Prethodnom sustavu restrikcija treba dodati
x
11
+ x
12
+ x
13
1
x
21
+ x
22
+ x
23
1
Matrini zapis:
A =
_

_
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
1 1 1 0 0 0
0 0 0 1 1 1
_

_
b =
_

_
1
1
1
1
1
_

_
z = c
T
min
Ax b
c = ( 5 4 2 6 5 3 )
T
x = (x
11
, x
12
, x
13
, x
21
, x
22
, x
23
)
T
Rjeenje: x

= (0, 1, 1, 1, 0, 0)
T
, z

= 12.
Zadatak 10. Za sluaj (a) i sluaj (b) napiite odgovarajue dualne probleme. Primjenom
gotovog programa pronaite rjeenja i protumaite njihovo znaenje.
Rjeenje: (a) y

= (5, 4, 2)
T
, z

= 11, (b) y

= (5, 4, 2, 0, 1)
T
, z

= 12
4.1.3 Transportni problem
n skladita (ishodita);
m trgovina (odredita);
Ishodite i raspolae sa S
i
robe
Odredite j potrauje barem D
j
robe
c
ij
trokovi transporta jedne jedinice robe iz ishodita i u odredite j;
x
ij
koliina robe koja iz ishodita i odlazi u odreite j
Kvantitativne metode 26
2
1
3
2
1
(1200)
(1000)
(1000)
(400)
(750)
Slika 5: Transportni problem
Matrini zapis:
A =
_

_
1 1 1 0 0 0
0 0 0 1 1 1
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
_

_
b =
_

_
1200
1000
1000
400
750
_

_
z = c
T
min
Ax b
c = ( 35 30 40 37 40 42 )
T
x = (x
11
, x
12
, x
13
, x
21
, x
22
, x
23
)
T
Rjeenje: x

= (50, 400, 750, 950, 0, 0)

T
, z

= 78900.
Zadatak 11. Napiite odgovarajui dualni problem. Primjenom gotovog programa pronaite
rjeenje i protumaite znaenja dualnih varijabli.
Rjeenje: y

= (2, 0, 37, 32, 42)

T
, z

= 78900
4.1.4 Problem najkraeg puta
m broj vorova;
n broj lukova (bridova);
c
ij
troak prolaza od i-tog do j-tog vora;
x
ij
=
_
1, ako je luk od vora i do vora j na putu,
0, inae
1
2
3
6
5
4
Ishodite
Odredite
6
5
6
4
17
10
10 8
15
10
Slika 6: Problem najkraeg puta
Kvantitativne metode 27
Za ishodini vor mogu postojati samo izlazi;
Za odredini vor mogu postojati samo ulazi;
Za svaki unutranji vor vrijedi: ako uemo u njega, moramo ga i napustiti.
Minimizirati z = 15x
12
+ 10x
13
+ 6x
24
+ 17x
26
+ 8x
32
+ 5x
34
+ 10x
35
+ 4x
45
+ 5x
46
+ 2x
56
uz uvjete x
12
+ x
13
= 1 (ishodini vor 1 mora se napustiti)
x
12
+ x
32
x
24
x
26
= 0 (unutranji vor 2 )
x
13
x
32
x
34
x
35
= 0 (unutranji vor 3 )
x
24
+ x
34
x
45
x
46
= 0 (unutranji vor 4 )
x
35
+ x
45
x
56
= 0 (unutranji vor 5 )
x
26
+ x
46
+ x
56
= 1 (mora se doi u odrdini vor 6 )
x
ij
{0, 1}
x : x
12
x
13
x
24
x
26
x
32
x
34
x
35
x
45
x
46
x
56
x

: 0 1 0 0 0 1 0 1 0 1 z

= 21.
1
2
3
6
5
4
Ishodite
Odredite
6
5
6
4
17
10
10 8
15
10
Slika 7: Najkrai put
Zadatak 12. Napiite odgovarajui dualni problem. Primjenom gotovog programa pronaite
rjeenje i protumaite znaenja dualnih varijabli.
4.1.5 Problem maksimalnog toka
m broj vorova;
n broj lukova (bridova);
c
ij
prihod od i-tog do j-tog vora; ako je c
i
0
,j
0
= 0, nemo ii od vora i
0
prema voru j
0
;
x
ij
=
_
1, ako je luk od vora i do vora j na putu,
0, inae
Kvantitativne metode 28
1
2
3
6
5
4
F
F
10
10
6
4
8
12
1
1
0
0
0
2
0
5
0
0
0
4
3
2
Slika 8: Problem maksimalnog toka
Maksimizirati z = F (maksimalni protok)
uz uvjete x
12
+ x
13
F = 0 (ishodini vor 1 mora se napustiti)
x
12
+ x
32
x
23
x
24
x
26
= 0 (unutranji vor 2 )
x
13
+ x
23
+ x
43
x
32
x
34
x
35
= 0 (unutranji vor 3 )
x
24
+ x
34
+ x
54
x
43
x
45
x
46
= 0 (unutranji vor 4 )
x
35
+ x
45
x
54
x
56
= 0 (unutranji vor 5 )
x
26
+ x
46
+ x
56
F = 0 (mora se doi u vor 6 )
x
12
10, x
13
10, x
23
1, x
26
8, x
24
6, x
32
1, x
34
4,
x
35
12, x
43
4, x
45
2, x
46
3, x
54
2, x
56
5
x
ij
{0, 1}
1
2
3
6
5
4
F

= 16
F

= 16
10
6
3
0
8
5
0
1
0 5
0
3
0
Slika 9: Maksimalni tok
x : x
12
x
13
x
23
x
24
x
26
x
32
x
34
x
35
x
43
x
45
x
46
x
53
x
56
x

: 10 6 0 3 8 1 0 5 0 0 3 0 5 F

= 16.
4.1.6 Metoda kritinog puta za planiranje realizacije projekta
Kontrola i evaluacija projekta
Kako identicirati uska grla
Koliko je neophodno vrijeme za realizaciju projekta
Kvantitativne metode 29
m broj vorova;
n broj lukova (aktivnosti u projektu);
c
ij
procijenjeno vrijeme trajanja projekta od vora i do vor j;
x
ij
=
_
1, ako je projektna aktivnost i j na kritinom putu,
0, inae
Najkrae vrijeme potrebno za realizaciju projekta uzima se kao trajanje najdueg puta.
Za podatke iz t.4.1.4 dobivamo
x : x
12
x
13
x
24
x
26
x
32
x
34
x
35
x
45
x
46
x
56
x

: 0 1 0 1 1 0 0 0 0 0 z

= 35.
1
2
3
6
5
4
Ishodite
Odredite
6
5
6
4
17
10
10 8
15
10
Slika 10: Najdui put
4.1.7 Problem minimalnih trokova toka
1
2
3
4
5
(20)
(5)
(15)
4, 8
4, 15
2,
6, 10
1, 15
2, 4
3, 5
1, 4
2,
Slika 11: Problem minimalnih trokova toka ovisni o trokovima i kapacitetima lukova
Kvantitativne metode 30
Minimizirati z = 4x
12
+ 4x
13
+ 2x
23
+ 2x
24
+ 6x
25
+ 1x
34
+ 3x
35
+ 2x
45
+ x
53
uz uvjete x
12
+ x
13
20 (ishodini vor 1 dozvoljava 20)
x
12
x
23
x
24
x
25
= 0 (unutranji vor 2 )
x
13
+ x
23
+ x
53
x
34
x
35
= 0 (unutranji vor 3 )
x
24
+ x
34
x
45
= 5 (vor 4 potrauje 5)
x
25
+ x
35
+ x
45
x
53
= 15 (vor 5 potrauje 15)
x
12
15, x
13
8, x
24
4, x
25
10, x
34
15, x
35
5, x
53
4
x
ij
0
Rjeenje:
x : x
12
x
13
x
23
x
24
x
25
x
34
x
35
x
45
x
53
x

: 12 8 8 4 0 11 5 10 0 z

= 35.
Ovaj problem ukljuuje sve prethodno razmatrane probleme, tj. svaki od prethodno razma-
tranih problema moe se promatrati kao specijalan sluaj problema minimalnih trokova toka:
problem maksimalnog toka razmatran u t.4.1.5 moe se gledati kao tok koji maksimizira
kapacitete u mrei;
problem najkraeg puta razmatran u t.4.1.4 moe se gledati kao tok koji minimizira tro-
kove u mrei;
transportni problem razmatran u t.4.1.3 moe se gledati kao tok koji dozvoljava viestruka
ishodita i odredita.
4.1.8 Problem trgovakog putnika
Trgovaki putnik polazi iz ishodita (vor 0 na Slici 12) i mora obii n vorova (gradova), tako da
ni u jedan ne dolazi vie od jedanput, a da trokovi puta budu minimalni. Na Slici 12 naznaeni
su trokovi pojedinih dionica puta. Primijetite da je broj svih moguih ruta jednak broju svih
permutacija redosljeda obilaska gradova. Primjerice, ve za relativno mali broj n = 20, broj
svih moguih obilazaka je ogroman: n! = 2432008176640000 2.4 10
18
. Slino kao i ranije,
oznaimo:
c
ij
procijenjeni trokovi puta i j;
x
ij
=
_
1, ako je putnik preao putod vora i do vora j,
0, inae
Kvantitativne metode 31
0
1
2
3
4
40
40
30
25
50
50
45
65
35
80
Slika 12: Problem trgovakog putnika (0 je poetak i kraj puta)
Polazni model:
Minimizirati z =
n

i=0

j=i
c
ij
x
ij
(4.1)
uz uvjete

j=i
x
ij
= 1, za svaki i = 0, 1, . . . , n
(iz i-tog vora putnik moe otii samo u jedan novi vor)

i=j
x
ij
= 1, za svaki j = 0, 1, . . . , n
(u j-ti vor putnik moe doi samo iz jednog vora)
x
ij
{0, 1}
Prvo prolazno rjeenje pokazuje da se pojavilo kruenje u subputu 0 2 1 0:
x
ij
0 1 2 3 4
0 0 1 0 0
1 1 0 0 0
2 0 1 0 0
3 0 0 0 1
4 0 0 0 1
z

= 170
Zato dodajemo novu restrikciju ime dobivamo novo rjeenje s malo poveanom vrijednosti
funkcije cilja:
x
01
+ x
10
+ x
12
+ x
21
+ x
02
+ x
20
2,
x
ij
0 1 2 3 4
0 1 0 0 0
1 1 0 0 0
2 0 0 1 0
3 0 0 0 1
4 0 0 1 0
z

= 175
I drugo prolazno rjeenje pokazuje da se opet pojavilo kruenje u novom subputu 010. Zato
dodajemo novu restrikciju
x
01
+ x
10
1,
Kvantitativne metode 32
i na taj nain dobivamo novo zavrno rjeenje s konanom vrijednosti funkcije cilja:
x
ij
0 1 2 3 4
0 0 0 1 0
1 1 0 0 0
2 0 1 0 0
3 0 0 0 1
4 0 0 1 0
z

= 195
Dakle optimalna ruta je: 0 3 4 2 1 0, pri emu su trokovi puta z

= 195.
Primjedba 5. Problem se moe denirati tako da se automatski ispituju i eliminiraju subputovi.
Modelu (4.1) treba dodati sljedee restrikcije (vidi (Vanderbei, 2001)):
t
j
t
i
+ 1 (n + 1)(1 x
ij
), i 0, j 1, i = j,
t
0
= 0,
t
i
{0, 1, . . . , n}.
Na taj nain u modelu se pojavljuje n
2
+ n + 1 varijabla.
4.1.9 Investicijsko odluivanje
D kapital raspoloiv za investiranje;
n broj projekata;
d
j
veliina inesticije u projekt j;
p
j
prot od projekta j;
x
j
=
_
1, poduzee je odluilo investirati u projekt j,
0, inae

n
j=1
d
j
x
j
ukupna investicija;

n
j=1
p
j
x
j
ukupni prot;

n
j=1
d
j
> D kapital raspoloiv za investiranje nije dovoljan za pokretanje svih projekata.
Primjer 16. U nie navedenoj tablici vidljive su potrebne inesticija u projekte d
j
, proti po
projektima p
j
, a u Tablici 13 rjeenja problema za D = 200, 300, 400. Pri tome komparirana
su rjeenja koja se dobivaju realnim i cjelobrojnim linearnim programiranjem uz koritenje pro-
gramskog sustava Mathematica:
Projekt I II III IV
d
j
100 80 120 152
p
j
25 20 30 40
Kvantitativne metode 33
Primarni ILP:
Maksimizirati z =
n

j=1
p
j
x
j
uz uvjete
n

j=1
d
j
x
j
D, (veliina ukupne inesticije raspoloivi kapital)
x
ij
{0, 1}
In[1]:=c = {25., 20., 30., 40.};
A = {{100., 80., 120., 150.}, {1., 0, 0, 0}, {0, 1., 0, 0},
{0, 0, 1., 0}, {0, 0, 0, 1.}};
b = {400., 1., 1., 1., 1.};
lp = LinearProgramming[(-c), (-A), (-b), Automatic, Integers];
Print["Integer: x*= ", lp, ", z*=", c.lp]
D x
1
x
2
x
3
x
4
Real 200 0 0 .4167 1 52.5
Integer 200 0 1 1 0 50.0
Real 300 .3 0 1 1 77.5
Integer 300 1 1 1 0 75.0
Real 400 1 .375 1 1 102.5
Integer 400 1 0 1 1 95.0
Tablica 13: Projekti u koje treba investirati
4.1.10 Problem rasporeivanja
Problem se moe razmatrati za medicinske sestre, vozae autobusa, kontrolore leta itd. Razmo-
trimo problem rasporeda broja medicinskih sestara u bolnici.
Zahtjevi Rjeenje
Red.br. Perod dana Potrebno sestara Poinje smjenu Pridrueno sestara
1 8:00 - 10:00 10 10 10
2 10:00 - 12:00 8 0 10 (10+0)
3 12:00 - 14:00 9 8 18 (10+8)
4 14:00 - 16:00 11 2 20 (18+2)
5 16:00 - 18:00 13 3 13 (20+3-10)
6 18:00 - 20:00 8 0 13 (13-0)
7 20:00 - 22:00 5 0 5 (13-8)
8 22:00 - 24:00 3 0 3 (5-2)
Tablica 14: Potreban broj medicinskih sestara u bolnici
Sestre imaju 8 satno radno vrijeme organizirano po smjenama koje mogu poeti od 8:00,
10:00, 12:00, 14:00, 16:00 sati. Na taj nain pokriva se vrijeme od 8:00 do 24:00. U tom
Kvantitativne metode 34
vremenu mogu postojati manji ili vei zahtjevi za brojem sestara koji se oituju potrebom za
brojem sestara u dvosatnim periodima (vidi primjerice Tablicu 14). Treba pokriti radno vrijeme
tako da budu ispunjeni zahtjevi po periodima, a da pri tome ukupni broj sestara bude minimalan.
x
i
- broj sestara koje poinju rad u i-toj smjeni, i = 1, 2, 3, 4, 5. Primjerice, x
1
je broj sestara u
prvoj smjeni (8:00-16:00), x
2
je broj sestara u drugoj smjeni (10:00-18:00) itd.
Primarni ILP:
Minimizirati z =
8

i=1
x
i
uz uvjete x
1
10, (1. period)
x
1
+ x
2
8, (2. period)
x
1
+ x
2
+ x
3
9, (3. period)
x
1
+ x
2
+ x
3
+ x
4
11, (4. period)
x
2
+ x
3
+ x
4
+ x
5
13, (5. period)
x
3
+ x
4
+ x
5
8, (6. period)
x
4
+ x
5
5, (7. period)
x
5
3, (8. period)
x
ij
Z
+
Rjeenje:
x : x
1
x
2
x
3
x
4
x
5
x

: 10 5 3 2 3 z

= 23.
Na Slici 13 prikazan je broj potrebnih (tamnije) i zaposlenih-pridruenih (svjetlije) sestara po
periodima.
10 12 14 16 18 20 22 24
5
10
15
20
Slika 13: Broj potrebnih (tamnije) i zaposlenih-pridruenih (svjetlije) sestara po periodima
4.1.11 Oglaavanje u marketingu
U nekoj zemlji izlazi 5 dnevnih listova (novina): A,B,C,D,E, a svaki pokriva barem jednu od 9
dravnih regija (vidi Tablicu 15)
Kvantitativne metode 35
Dnevni listovi Regije koje pokriva Cijena oglasa
A 1, 2, 3 3
B 2, 3, 6 4
C 4, 5, 6 3
D 5, 7, 8 7
E 6, 8, 9 5
Tablica 15: Pojednostavljeni problem oglaavanja
x
1
=
_
1, ako je oglas objavljen u dnevnom listu A,
0, ako oglas nije objavljen u dnevnom listu A
itd.
Primarni ILP:
Minimizirati z = 3x
1
+ 4x
2
+ 3x
3
+ 7x
4
+ 5x
5
uz uvjete
x
1
1, (pokrivenost 1. regije) x
2
+ x
3
+ x
5
1, (pokrivenost 6. regije)
x
1
+ x
2
1, (pokrivenost 2. i 3. regije) x
4
1, (pokrivenost 7. regije)
x
3
1, (pokrivenost 4. regije) x
4
+ x
5
1, (pokrivenost 8. regije)
x
3
+ x
4
1, (pokrivenost 5. regije) x
5
1, (pokrivenost 9. regije)
x
i
{0, 1}
Rjeenje:
x : x
1
x
2
x
3
x
4
x
5
x

: 1 0 1 1 1 z

= 18.
4.1.12 Problem krojenja/rezanja materijala
Promatrat emo jednostavni jednodimenzionalni problem. Skladite dasaka, koje raspolae da-
skama duljine 10-ft, primilo je narudbu za 50 dasaka duljine 3-ft, 65 dasaka duljine 4-ft i 40
dasaka duljine 5-ft. Problem je odrediti minimalni broj dasaka duljine 10-ft kojima e se pokriti
traena narudba.
Nain rezanja 3-ft daske 4-ft daske 5-ft daske otpad
#1 3 0 0 1
#2 2 1 0 0
#3 1 0 1 2
#4 0 1 1 1
#5 0 2 0 2
#6 0 0 2 0
Tablica 16: Naini rezanja dasaka duljine 10-ft
Kvantitativne metode 36
Najprije primijetimo da se dasaka duljine 10-ft moe rezati na vie naina da bi se dobile
traene duljine dasaka: 3-ft, 4-ft, 5-ft (vidi Tablicu 16).
x
i
= broj dasaka duljine 10-ft rezanih na nain #i, i = 1, 2, 3, 4, 5, 6;
Primarni ILP:
Minimizirati z = x
1
+ x
2
+ x
3
+ x
4
+ x
5
+ x
6
, uz uvjete
3x
1
+ 2x
2
+ x
3
50, (zahtjev za 3-ft daskama)
x
2
+ x
4
+ 2x
5
65, (zahtjev za 4-ft daskama)
x
3
+ x
4
+ 2x
6
40, (zahtjev za 5-ft daskama)
x
i
Z
+
Rjeenje:
x : x
1
x
2
x
3
x
4
x
5
x
6
x

: 0 25 0 0 20 20 z

= 65.
Koliki je ukupni otpad?
Primjedba 6. Radi lakeg koritenja strune literature, koja je najvie dostupna na engleskom
jeziku navedimo neke osnovne termine.
slack variable dopunska varijabla
feasible region dopustivo podruje
initial approximation poetna aproksimacija
shadow prices cijene u sjeni
objective function funkcija cilja
integer programming cjelobrojno programiranje
knapsack problem problem ranca
asignment problem problem asignacije (pridruivanja)
transportation problem transportni problem
shorthest path problem problem najkraeg puta
maximum ow problem problem maksimalnog toka
kritical path method metoda kritinog puta
minimal cost ow problem problem minimalnih trokova toka
traveling salesman problem problem trgovakog putnika
investicijsko odluivanje capital budgeting applications (???)
scheduling problem problem rasporeivanja
Literatura
H. Bader, S. Frhlich, Matematika za ekonomiste, original: Einfhrung in die Mathematik fr
Volks- und Betriebswirte, s njemakog preveo prof. Bogumir Schn, Rad, Beograd, 1980.
D. Barkovi, Operacijska istraivanja, drugo izdanje, Sveuilite u Osijeku, Osijek, 2010.
M. S. Bazaraa, H. D. Sherali, C. M. Shetty, Nonlinear Programming. Theory and Algorithms, 3
rd
Edition, Wiley, New Jersey, 2006.
Lj. Marti, Matematike metode za ekonomske analize II, Narodne novine, Zagreb, 1966.
Lj. Marti, Primjena matematikih metoda u ekonomskoj analizi, Informator, Zagreb, 1971.
Kvantitativne metode 37
L. Nerali, Uvod u matematiko programiranje, Element, Zagreb, 2003.
K. Sabo, Linearno programiranje (Radni materijal za predavanja), Odjel za matematiku, Sve-
uilite u Osijeku, 2011.
http://www.mathos.hr/lp/Materijali/predavanje16_lp.pdf
R. J. Vanderbei, Linear Programming. Fundations and Extensions, 2
rd
Edition, Kluwer, 2001.
G. Sierksma, Linear and Integer Programming. Theory and Practice, 2
rd
Edition, Marcel Dekker,
New York, 2002.