Przykłady zadań programowania liniowego

Slides:



Advertisements
Podobne prezentacje
Wybrane zastosowania programowania liniowego
Advertisements

11. Różniczkowanie funkcji złożonej
Programowanie matematyczne
Ile rozwiązań może mieć układ równań?
Metoda simpleks Simpleks jest uniwersalną metodą rozwiązywania zadań programowania liniowego. Jest to metoda iteracyjnego poprawiania wstępnego rozwiązania.
STATYSTYKA WYKŁAD 03 dr Marek Siłuszyk.
Badania operacyjne. Wykład 2
Materiały pochodzą z Platformy Edukacyjnej Portalu Wszelkie treści i zasoby edukacyjne publikowane na łamach Portalu
Materiały pochodzą z Platformy Edukacyjnej Portalu
Funkcja produkcji.
ZLICZANIE cz. II.
Wpływ systemu rachunku kosztów na wynik finansowy
Ü     warunkiem koniecznym istnienia ekstremum funkcji jest by pierwsze pochodne spełniały warunek:
Rozwiązywanie układów
Algorytm Rochio’a.
Metody Sztucznej Inteligencji w Sterowaniu 2009/2010Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz,
Komputerowe Wspomaganie Decyzji 2010/2011 Zagadnienia wielocelowe II Dr hab. inż. Kazimierz Duzinkiewicz, Katedra Inżynierii Systemów Sterowania 1 Metody.
Liniowe modele decyzyjne – rozwiązania i analiza post-optymalizacyjna
Metoda simpleks opracowanie na podstawie „Metody wspomagające podejmowanie decyzji w zarządzaniu” D. Witkowska, Menadżer Łódź Simpleks jest uniwersalną.
Wielkości skalarne i wektorowe
gdzie: P-cena jednostkowa sprzedaży K-koszt całkowity produkcji
Teoria wyboru konsumenta
Grupa 1 Sposoby rozwiązywania układów równań stopnia I z dwiema i z trzema niewiadomymi. Wykresy funkcji w szkole ponadgimnazjalnej.
Układ równań stopnia I z dwoma niewiadomymi
Paweł Górczyński Badania operacyjne Paweł Górczyński
Mikroekonomia A.14 Maciej Wilamowski.
Programowanie liniowe w teorii gier
Paweł Górczyński Badania operacyjne Paweł Górczyński
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
II Zadanie programowania liniowego PL
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
Zakładamy a priori istnienie rozwiązania α układu równań.
Technika optymalizacji
Modelowanie i identyfikacja 2010/2011Optymalizacja miary efektywności działania sztucznych sieci neuronowych Dr hab. inż. Kazimierz Duzinkiewicz, Katedra.
PROBLEMY DECYZYJNE KRÓTKOOKRESOWE WYBÓR OPTYMALNEJ STRUKTURY PRODUKCJI
Źródła błędów w obliczeniach numerycznych
Formuły cenowe.
Materiały pochodzą z Platformy Edukacyjnej Portalu Wszelkie treści i zasoby edukacyjne publikowane na łamach Portalu
MS Excel - wspomaganie decyzji
Badania operacyjne, Solver
FUNKCJE Opracował: Karol Kara.
MECHANIKA 2 Wykład Nr 10 MOMENT BEZWŁADNOŚCI.
II Zadanie programowania liniowego PL
Rozwiązywanie układów równań liniowych różnymi metodami
UKŁAD RÓWNAŃ LINIOWYCH INTERPRETACJA GRAFICZNA
Treści multimedialne - kodowanie, przetwarzanie, prezentacja Odtwarzanie treści multimedialnych Andrzej Majkowski 1 informatyka +
Zagadnienie i algorytm transportowy
D. Ciołek EKONOMETRIA – wykład 7
Wydział Elektroniki PWr AiR III r. Metody numeryczne i optymalizacja Dr inż. Ewa Szlachcic Wykład 3 Właściwe minimum lokalne: Funkcja f(x) ma w punkcie.
METODY WYODRĘBNIANIA KOSZTÓW STAŁYCH I ZMIENNYCH
Materiały pochodzą z Platformy Edukacyjnej Portalu Wszelkie treści i zasoby edukacyjne publikowane na łamach Portalu
PRÓG RENTOWNOŚCI – BEP (Break- Even- Point)
ANALIZA CVP KOSZT-WOLUMEN-ZYSK.
Treść dzisiejszego wykładu l Metoda kar. l Podsumowanie przekształcania zadań programowania liniowego do postaci tabelarycznej. l Specjalne przypadki –sprzeczność,
Monopol oferenta Założenia modelu:
Treść dzisiejszego wykładu l Postać standardowa zadania PL. l Zmienne dodatkowe w zadaniu PL. l Metoda simpleks –wymagania metody simpleks, –tablica simpleksowa.
Treść dzisiejszego wykładu l Analiza wrażliwości –zmiana wartości współczynników funkcji celu, –zmiana wartości prawych stron ograniczeń. l Podejścia do.
Optymalna wielkość produkcji przedsiębiorstwa działającego w doskonałej konkurencji (analiza krótkookresowa) Przypomnijmy założenia modelu doskonałej.
Trochę matematyki - dywergencja Dane jest pole wektora. Otoczymy dowolny punkt P zamkniętą powierzchnią A. P w objętości otoczonej powierzchnią A pole.
 Zdefiniowanie zmiennych  Programowanie liniowe jest działem programowania matematycznego obejmującym te zagadnienia, w których wszystkie związki mają.
Rozpatrzmy następujące zadanie programowania liniowego:
Metody optymalizacji Wykład /2016
Struktury i algorytmy wspomagania decyzji
Metody optymalizacji Materiał wykładowy /2017
(x1, x2) – decyzja (zmienne decyzyjne)
Matematyka przed egzaminem czyli samouczek dla każdego
Metody optymalizacji – metody badań operacyjnych
dr Zofia Skrzypczak Wydział Zarządzania UW
Jednorównaniowy model regresji liniowej
Zapis prezentacji:

Przykłady zadań programowania liniowego 1. Zadanie o najlepszym wykorzystaniu zasobów. Niech niektóra jednostka wytwórcza (zakład, ...) może wyprodukować n różnych typów produkcji (towarów), które oznaczymy P1, P2, ... Pj, ... Pn. Jednostka wytwórcza jest ograniczona dysponującymi rodzajami produkcyjnych zasobów, technologii, surowców, siły roboczej itd. Niech liczba takich ograniczeń m, a ich ilości odpowiednio są równe b1, b2, ... bm umownych jednostek. Znana jest też miara użyteczności wyprodukowania produkcji każdego rodzaju (na przykład, cena sprzedaży, zysk itd.) c1, c2, ... cn.. Wiadome są również współczynniki technologiczne wskazujące ile jednostek i - go zasobu potrzebne będzie dla wyprodukowania jednostki j - go rodzaju produkcji. Oznaczymy przez x=(х1, х2, ... хn) plan produkcji, zgodnie z którym muszą być wyprodukowane wyroby P1, P2, ... Pn w ilościach odpowiednio х1, х2, ... хn, żeby przedsiębiorstwo miało maksymalną produkcję dla zasobów b1, b2, ... bm, którymi on dysponuje. Tak jak koszt jednostki j-ej produkcji jest cj, ilość jednostek xj, to suma ze sprzedaży xj jednostek będzie cj*xj, a ogólna suma ze sprzedaży wyprodukowanej produkcji będzie max Z=c1*x1+c2*x2+ ... +cn*xn = Rozchód i-gо zasobu na produkcję xj jednostek j-gо produktu można określić jako aij*xj. Wówczas sumowany rozchód tego zasobu nie powinien przekroczyć bi (i=1,2, ... m) jednostek: ai1*x1+ai2*x2+ ... + ain*xn  bi, lub , (i=1,2,...m) Rzeczywiście, że objętość wyprodukowanej produkcji xj powinna być nieujemna: xj  0, j=1,2, ... n Zadanie programowania liniowego z ograniczeniami można sformułować w postaci macierzowej: max Z = c*x dla ograniczeń А*х  b gdzie с = (c1, c2 , ... cn) jest wektorem cen na produkcję, х = (х1, х2 , ... хn) jest wektorem ilości wyprodukowanej produkcji (plan zadania), b = (b1, b2 , ... bm) jest wektorem dysponowanych zasobów, А= (aij) jest macierzą technologicznych współczynników.

2. Zadania o dietach (mieszankach). Mamy produkty na pokarm zwierząt P1, P2, ... Pj, ... Pn. (siano, buraki, ziarno itd.). W nich zawarte są różne materie pożywne (węglowodany, białka, mikroelementy itd.), oznaczymy ich numerami 1, 2, ... m . Jednostka j-gо produktu ma w sobie aij jednostek i-gо materiału pożywnego. Według norm za określony czas potrzebne zwierzęta muszą otrzymać nie mniej niż bi jednostek i-gо materiału pożywnego. Niech znany jest również koszt ci jednostki produktu i-го rodzaju. Potrzebne jest dokonać wyboru pokarmu najmniejszego kosztu, w którym są niezbędne ilości materiałów pożywnych, tj. określić plan х = (х1, х2 , ... хn) zadania. Ekonomiczno-matematyczny model zadania ma postać: min Z = c1*x1+c2*x2+ ... +cn*xn = dla ograniczeń ai1*x1+ai2*x2+ ... + ain*xn  bi, lub (i=1,2,...m) xj  0, j=1,2, ... n

Graficzna metoda rozwiązania zadania planowania liniowego Rozpatrzymy zadanie planowania liniowego dwóch zmiennych х1, х2, dla którego możemy znaleźć graficzne rozwiązanie na płaszczyźnie. Niech dane jest zadanie max Z = c1*x1+c2*x2 Żeby obliczyć kierunek wzrostu (malenia) celowej funkcji znajdziemy cząstkowe pochodne tej funkcji Z według х1 i x2: Cząstkowe pochodne funkcji Z pokazują szybkość jej wzrostu według odpowiednich osi. Na przykład c1 i c2 są szybkościami wzrostu Z według osi Ох1 i Ох2. Wektor nazywa się gradientem funkcji. Pokazuje on kierunek najszybszego wzrostu funkcji celu. Wektor -с wskazuje kierunek najszybszego malenia funkcji celu. Nazywa się on antygradientem. Wektor c = (c1; с2) prostopadły do całego zbioru prostych Z = const = c1*x1+c2*x2.

Możliwe są następujące przypadki: Wykorzystując geometryczną interpretację elementów możemy wnioskować o następnej kolejności kroków w trakcie rozwiązania zadania: 1. Biorąc pod uwagę wszystkie ograniczenia budujemy dziedzinę dopuszczalnych rozwiązań. 2. Obliczamy wektor c = (c1; с2) najszybszego wzrostu celowej funkcji, inaczej mówiąc, wektor gradientowego kierunku. 3. Rysujemy dowolną poziomicę ze zbioru Z=Zo (najłatwiej narysować krzywą Z=0, prostopadłą do wektora с). 4. Jeżeli do rozwiązania zadania konieczne jest odszukanie maksimum celowej funkcji wtedy przesuwamy poziomicę Z=Zo w kierunku wektora с tak, żeby ona dotknęła dziedziny dopuszczalnych rozwiązań w jej brzegowym punkcie (na rys. — do punktu А2). Jeżeli do rozwiązania zadania konieczne jest odszukanie minimum celowej funkcji wtedy przesuwamy poziomicę Z=Zo w kierunku odwrotnym do wektora с (na rys — do punktu A5). 5. Wyznaczymy optymalny plan х* = (х1*; х2*) i ekstremalną wartość celowej funkcji Z* = Z(x*)= Z(х1*; х2*) (na rys. – odpowiednio współrzędne punktów А2 i А5). Możliwe są następujące przypadki: 1) optymalny plan jest jedyny: to znaczy poziomica i dziedzina dopuszczalnych rozwiązań, gdy pokazują one rozwiązanie mają tylko jedyny wspólny punkt; 2) optymalnych planów jest nieskończenie wiele: wtedy, gdy one pokazują rozwiązanie poziomica zawiera jeden odcinek brzegu dziedziny dopuszczalnych rozwiązań; 3) celowa funkcja nie jest ograniczona, jakkolwiek byśmy nie przesuwali poziomicę nie może ona zająć stanu, przy którym mamy rozwiązanie; 4) dziedzina dopuszczalnych rozwiązań zawiera tylko jedyny punkt, w którym celowa funkcja osiąga jednocześnie maksimum i minimum; 5) zadanie nie ma rozwiązania; dziedzina dopuszczalnych rozwiązań to jest pusty zbiór, czyli układ ograniczeń jest niezgodny.

Graficzne rozwiązanie zadania planowania całkowitego dla dwóch zmiennych objaśniających Graficzna metoda pozwala znaleźć również całkowitoliczbowe rozwiązania zadań planowania liniowego. Ogólnie mówiąc, dla rozwiązania takiego rodzaju zadań istnieją specjalne metody (metoda gałęzi i brzegów, metoda Homory i inne). Jednakże w przypadku dwóch zmiennych możliwe jest graficzne rozwiązanie. Dlatego do wymienionych wyżej punktów musimy dodać następujące. 4a. W trakcie rozwiązania zadania na znalezienie maksymalnej wartości przesuwamy poziomicę Z=Zo w kierunku wektora с tak, żeby ona przechodziła przez wierzchołkowy punkt z całkowitoliczbowymi współrzędnymi (na rys. — do punktu А). W przypadku rozwiązania zadania na znalezienie minimum, poziomicę Z=Zo przesuwamy w antygradientnym kierunku tak, żeby przechodziła ona przez wierzchołkowy punkt z całkowitoliczbowymi współrzędnymi (na rys. — do punktu В). 5a. Wyznaczymy dopuszczalny plan х* = (х1*;х2*) w punkcie z całkowito-liczbowymi współrzędnymi, w którym celowa funkcja ma ekstremalną wartość Z* = Z(x*)= Z(х1*; х2*) (na rys. – odpowiednio współrzędne punktów А i В).

Przykład rozwiązania ZPL Plik BO_Cw_01.xls