Documente Academic
Documente Profesional
Documente Cultură
PROGRAMAREA LINIAR
Prezentare general
Mulimea sistemelor economice concrete i multitudinea problemelor conducerii acestora au
creat o diversitate de reprezentri economico-matematice, denumite modele.
Varietatea acestora este determinat, n principal, de structura "obiectului" analizat, de
scopul cercetrii precum i de informaia disponibil.
Modelele de programare matematic i mai ales subclasa acestora modelele de programare
liniar ocup un loc deosebit de important, att n teoria ct i n practica economic. Teoria
economic a beneficiat de aportul abordrii interdisciplinare care a permis aprofundarea analizei
eficienei maximale a sistemelor complexe, a permis descoperirea unor concepte noi ale optimului
economic, a perfecionat metodele de cercetare i cunoatere iar practica economic s-a mbogit
cu un instrument deosebit de util analizei economice i fundamentrii deciziilor.
Structura modelului general de programare liniar se constituie n primul rnd prin mulimea
de activiti {A1, A2, ... An} care compun sistemul economic analizat, mulimea de resurse utilizate
{R1, R2, ... Rm} precum i prin relaiile tehnico-economice dintre acestea. Legtura dintre activiti
i resurse este determinat de tehnologia de fabricaie corespunztoare fiecrei activiti Aj
(j=1,...,n) i poate fi caracterizat numeric prin vectorul coloan a(j) de componente (a1j, a2j, ... amj).
Elementele {aij, i = 1,...,m; j = 1,...,n} se numesc coeficieni tehnici sau coeficieni de consum
specific i arat ce cantitate din resursa R i se consum pentru producerea unei uniti din produsul
(serviciul) Pj (ca rezultat al activitii Aj). Toate "tehnologiile" de fabricaie definite de vectorii
coloan a(j) se pot organiza ntr-o matrice A cu m linii i n coloane; fiecare linie se refer la o resurs
Ri (i = 1,...,m) i fiecare coloan se refer la o activitate Aj (j = 1,...,n).
Notnd cu xj (j = 1,...,n) rezultatul activitii Aj ntr-o perioad dat i cu bi (i = 1,...,m)
cantitile disponibile din resursele Ri (i = 1,...,m), se pot scrie matematic urmtoarele restricii
tehnico-economice:
a 11 x 1 a 12 x 2 ... a 1n x n b1
a 21 x 1 a 22 x 2 ... a 2n x n b 2
(1)
sau Ax b
a m1 x 1 a m2 x 2 ... a mn x n b m
a 11 a 12 a 1n
a
a 22 a 2n ; x =
unde A = 21
a m1 a m2 a mn
x1
b1
x
b
2 i b = 2
xn
bn
()
De aici rezult posibilitatea s calculm coeficienii a ij pe baza informaiilor disponibile privind cantitile consumate
R ij
xj
; i = 1,...,m; j = 1,...,n
21
Programarea liniar
Sistemul de restricii (1) realizeaz legtura dintre resurse i activiti prin intermediul celor
m restricii liniare.
Modelul problemei de programare liniar conine restricii de tipul (1) precum i un criteriu
de "performan" care s permit evaluarea eficienei fiecrei activiti. n funcie de scopul urmrit,
putem alege drept criteriu de eficien un indicator care msoar efortul, unul care msoar
rezultatul sau un indicator exprimat ca raport ntre rezultat i efort (sau efort pe rezultat).
Este evident c eficiena maxim nseamn minimizarea efortului i maximizarea
rezultatului, iar conceptul de optim se definete, n acest caz, ca un program x Rn care minimizeaz
sau maximizeaz o funcie obiectiv i, n acelai timp, satisface toate restriciile tehnico-economice.
Presupunnd c fiecare component a vectorului linie c = (c 1, c2, ..., cn) msoar eficiena
unei uniti din rezultatul activitii Aj, atunci se poate introduce funcia liniar:
f(x) = c1x1 + c2x2 + ... + cnxn
care evalueaz performana oricrui program x.
Sintetiznd, obinem urmtorul program de programare liniar:
optim f x
(1)
a ij x j b i
i I1
a kj x j b k
kI2
xj 0
j 1, n
j1
n
j1
unde I1 I2 = {1,2,...,m}
(2)
(3)
Relaiile (1), (2) i (3) constituie mpreun modelul general al unei probleme de programare
liniar, avnd fiecare un rol specific:
n
a ij x j b i reprezint
j1
tipul
x j j 1, n
a x a x ... a x b i 1,..., m
in n
i
i1 1 i2 2
x
x
j 1,..., n
j j j
x j 0
j 1,..., n
n unele probleme, n loc de profiturile pj se cunosc veniturile unitare vj sau costurile unitare
cj sau alt criteriu de eficien, scopul fiind maximizarea venitului, minimizarea costurilor respectiv
optimul indicatorului de eficien respectiv, sau toate la un loc. De asemenea pot lipsi condiiile de
limitare a produciei sau pot exista i alte condiii.
La o problem de programare operativ a produciei restriciile se refer la o serie de
maini (utilaje) cu care se execut produsele dorite, b i fiind disponibilul de timp al utilajului i pe
perioada analizat iar aij timpul necesar prelucrrii unui produs de tipul j pe utilajul i, scopul fiind
maximizarea produciei.
Ca urmare, modelul are forma:
max
x j ( j1,..., n)
x 1 x 2 ... x n
a i1 x 1 a i2 x 2 ... a in x n b i
i 1,..., m
x j 0 i 1,..., n
Dac se dorete obinerea unui meniu (reete furajere), care s asigure necesarurile {b i, i =
1,...,m} dintr-un numr de m substane eseniale organismului, avnd la dispoziie un numr de n
alimente, cunoscndu-se cantitile {aij, i = 1,...,m, j = 1,...,n} din fiecare substan pe care le conine
o unitate de msur din fiecare aliment i costurile {c j, j = 1,...,n} unei uniti de msur din fiecare
aliment, putem scrie modelul:
min
x j ( j1,..., n)
c1 x 1 c 2 x 2 ... c n x n
a i1 x 1 a i2 x 2 ... a in x n b i
xj 0
i 1,..., m
j 1,..., n
Variabilele xj reprezint, n acest caz, cantitatea din fiecare aliment ce va intra n meniu iar
n
f(x) =
c j xj
j1
23
Programarea liniar
Vom ncheia exemplificarea cu prezentarea modelului amestecului optim de produse
petroliere. Presupunem c o rafinrie dispune de n tipuri de benzine, prin amestecarea acestora
urmnd s obin o benzin cu m caracteristici impuse i la un pre minim posibil. O serie de
caracteristici trebuie s fie ndeplinite cu o limit inferioar (de exemplu cifra octanic), altele cu o
limit superioar (de exemplu densitatea sau temperatura de fierbere) i altele cu egalitate (de
exemplu cantitatea necesar), aceste limite fiind b 1i , i = 1,...,m1 , b i2 , i = 1,...,m2 respectiv b 3i , i =
1,...,m3 cu m1 + m2 + m3 = m. De asemenea, trebuie inut cont de cantitile disponibile din fiecare
benzin Di, i = 1,...,n. Se cunosc caracteristicile fiecrei benzine disponibile, date ntr-o matrice A
Mmn, unde aij este valoarea caracteristicii i pentru benzina j i preurile unitare ale fiecrei benzine,
notate pj, j = 1,...,n. Dac notm cu xj, j = 1,...,n, cantitile din fiecare benzin care vor forma
amestecul optim, atunci avem de rezolvat problema:
min
xj
j1
p j x j
a ij x j b1i
i 1,..., m1
a ij x j bi2
i m1 1,..., m1 m 2
a ij x j b3i
i m1 m 2 1,..., m
j1
n
j1
n
j1
x j Dj
x 0
j
j 1,..., n
j 1,..., n
Programarea matematic
Se observ c toate aceste probleme, cu toate c reprezint situaii economice total diferite,
sunt aplicaii n sfera activitii economice ale urmtoarei probleme de optimizare:
g i x1 , x 2 ,..., x n bi i 1,..., n
x1 , x 2 ,..., x n R n
1.1
1.2
1.3
n care funciile f,gi : Rn R pot avea orice form i proprieti (liniare, convexe, continui,
difereniabile etc) iar poate fi orice submulime a lui Rn (continu sau discret, mrginit sau
nemrginit, convex sau neconvex, finit sau infinit etc) i n care dorim s gsim minimul sau
maximul funciei f n variabilele xi care ndeplinesc restriciile 1.2 i 1.3. O astfel de problem se
numete problem de programare matematic.
Funcia (1.1) se numete funcia obiectiv a problemei de optimizare. n aplicaiile
economice, ea reprezint criteriul de performan urmrit: maximizarea beneficiului, maximizarea
produciei marf, minimizarea costului produciei, maximizarea gradului de ncrcare al utilajelor
sau minimizarea timpului de staionare al acestora, maximizarea veniturilor etc.
Inegalitile (1.2), n care gi sunt funcii de n variabile iar bi sunt constante, se numesc
restricii ale problemei de optimizare. Ele traduc n limbaj matematic condiiile de natur economic
sau tehnologic n care se desfoar procesul economic modelat, cum ar fi: nedepirea stocurilor
24
25
Programarea liniar
a i1 x 1 a i2 x 2 ... a in x n b i i 1,..., n
x 1 , x 2 ,..., x n 0
oarecare
unde cj (coeficienii funciei obiectiv), aij (coeficienii restriciilor) i bi (termenii liberi) sunt
constate reale.
min f c1 x1 c 2 x 2 ... c n x n
a i1 x1 a i2 x 2 ... a in x n bi i 1,..., n
x1 , x 2 ,..., x n 0
max f c1 x1 c2 x 2 ... c n x n
a i1 x1 a i2 x 2 ... a in x n bi i 1,..., n
x1, x 2 ,..., x n 0
Aceast form este cel mai des ntlnit n practic (vezi problema determinrii structurii
sortimentale optime a produciei sau problema dietei) i, n plus, restriciile economice sunt n
general inegaliti i foarte rar egaliti. De asemenea, aceast form este invariant la anumite
transformri (vezi problema dual) i asigur existena soluiei (orice problem la aceast form,
care are termenii liberi i coeficienii restriciilor pozitivi, are soluie).
26
a i1 x1 a i2 x 2 ... a in x n bi i 1,..., n
x1, x 2 ,..., x n 0
Aceast form, dei nenatural din punct de vedere economic, este cea care se preteaz cel
mai bine la rezolvarea cu metodele algebrei clasice.
Propoziie. Pentru orice problem de programare liniar P exist o problem la forma
canonic PFC i o problem la forma standard PFS echivalente cu P.
Demonstraie. ntr-adevr:
a) orice problem de maxim poate fi transformat n una de minim i reciproc folosind relaia:
max f(x) = min f(x)
b) orice restricie de tipul "" poate fi transformat ntr-o restricie de forma "" i reciproc
folosind relaia:
c) orice restricie inegalitate poate fi transformat n egalitate, prin introducerea unei variabile
suplimentare nenegative i folosind relaiile:
x
x
x0
i x 0
f) orice variabil fr restricie de semn poate fi nlocuit cu dou variabile cu restricie de semn
pozitiv, folosind relaia:
x y - z
x oarecare y 0
z 0
27
Programarea liniar
Se demonstreaz fr un efort matematic deosebit c dac P' se obine din P folosind doar
transformrile de mai sus (numite i transformri elementare) atunci P i P' sunt dou probleme
echivalente i ntre soluiile lor optime exist o bijecie.
Din cele de mai sus rezult cum poate fi adus orice problem de programare liniar la
forma standard (sau canonic) i cum se obine soluia problemei iniiale din soluia problemei la
forma standard (sau canonic).
Exemplu: Problemei P de mai jos i corespunde problema la forma standard PFS alturat:
P
PFS
9x 1 13x 2 15x 3 16
19x 1 36x 2 6x 3 9
7x 1 7x 2 14x 3 21
3x 1 30x 2 5x 3 31
x 1 0, x 2 oarecare, x 3 0
7a 1 7y 2 7z 2 14x 3 x 6 21
3a 1 30y 2 30z 2 5x 3 x 7 31
a 1 , y 2 , z 2 , x 3 , x 4 , x 5 , x 6 , x 7 0
a1 = 3, y2 =
4
, x3 = 0
3
35
.
3
x1
2
x=
,c=
x
n
c1
c2 , b =
cn
b1
2
, A=
b
n
28
a 11 a 12 a 1n
a 21 a 22 a 2n
a m1 a m2 a mn
min f
cT x
sau
Ax b
x0
max f
cT x
Ax b
x0
Se tie c un sistem de forma Ax = b are soluie doar dac rang(A) = rang( A ), unde A
este matricea extins obinut adugnd matricei A vectorul b, n acest caz sistemul devenind
echivalent cu sistemul obinut prin eliminarea restriciilor care nu corespund minorului principal
(dac sistemul nu are soluie atunci evident nici problema nu are soluii, caz care este total
neinteresant).
Presupunem c au fost eliminate aceste restricii. Dac rang A = n atunci sistemul are o
singur soluie care, dac este admisibil, este i soluia optim cutat, altfel problema nu are
soluie. Este evident c i acest caz este la fel de neinteresant ca primul.
Presupunem deci n continuare c:
rang(A) = m < n
Rezolvarea sistemului Ax = b se poate face ntr-un mod simplu (cel puin teoretic) folosind
algebra matricial astfel:
mprim coloanele matricei A n dou submatrici: minorul principal (notat cu B, care
este o matrice ptratic de dimensiune m i va fi numit baz a sistemului) i restul
coloanelor (notat cu S, care este o matrice cu m linii i n m coloane);
mprim variabilele problemei n doi vectori: vectorul variabilelor principale
(corespunztoare coloanelor bazei) i vectorul variabilelor secundare (notat cu xS).
Fcnd eventual o renumerotare, pentru uurina expunerii i fiind evident c nu se
restrnge generalitatea problemei, presupunem c variabilele principale sunt chiar
primele m (aceast presupunere va fi fcut de cte ori va fi posibil, fr a mai specifica
acest lucru).
aducem succesiv sistemul la forma de mai jos:
xB
= b BxB + SxS = b BxB = b SxS xB = B-1b B-1SxS
x
S
Ax = b (BS)
B 1 b
0
B
x = 0 n m zerouri
0
numit soluia de baz asociat bazei B. Deci xB este xB = B-1b la care se adaug n-m
zerouri. Cu toate acestea, vor fi ambele numite soluie de baz, rezultnd din context de care
29
Programarea liniar
este vorba.
Observaie: Este evident c fiecrui minor principal al sistemului (= minor de
dimensiune m = baz) i corespunde o unic soluie de baz. O soluie de baz care are toate
componentele nenule strict pozitive se va numi soluie de baz admisibil iar o soluie
optim care este de baz se va numi soluie optim de baz. Se observ c o soluie de baz
are cel mult m componente diferite de 0. Din cauza importanei lor n rezolvarea problemei,
vom evidenia soluiile de baz care au mai puin dect m componente nenule, numite soluii
degenerate i pe cele care au fix m elemente nenule, numite soluii nedegenerate.
DB este izomorf cu Rn, adic are tot attea elemente cte puncte sunt ntr-un spaiu cu n _
_m dimensiuni. "Alegndu-le" din acestea doar pe cele cu toate elementele pozitive, gsim
mulimea n care vom "cuta" vectorul (vectorii) care d (dau) extremul lui f.
Rezolvarea problemei poate duce la urmtoarele rezultate:
R1. Sistemul Ax = b nu are soluii sau nu are soluii admisibile. n acest caz problema nu
are soluie.
R2. Imaginea funciei obiectiv pe mulimea soluiilor admisibile este nemrginit (la +
ntr-o problem de maxim sau la - ntr-o problem de minim). n acest caz spunem
c problema are optim infinit.
R3. Imaginea funciei obiectiv pe mulimea soluiilor admisibile este mrginit. n acest
caz problema are cel puin o soluie i spunem c problema are optim finit.
Greutatea gsirii soluiei problemei const n imensitatea numrului de soluiilor posibile ale
sistemului i n respectarea condiiei de nenegativitate a celor printre care cutm extremul dorit al
funciei f. Este natural ca primele ncercri n rezolvare s caute n primul rnd o limitare ct mai
puternic a locului n care cutm. Pe baza unor reprezentri geometrice ale problemei au fost
descoperite urmtoarele proprieti ale problemei, care poart denumirea de teoreme fundamentale
ale programrii liniare:
Teorema 1. Dac problema de programare liniar are soluii admisibile atunci are i soluii
de baz admisibile.
Teorema 2. Dac problema de programare liniar are soluii optime atunci are i soluii
optime de baz.
Teorema 3. Mulimea soluiilor admisibile (optime) este nchis i convex. Dac este i
mrginit atunci punctele extremale ale acesteia sunt chiar soluiile admisibile
(optime) de baz ale problemei.
Cele dou teoreme realizeaz efectiv trecerea ctre o problem rezolvabil pe calculator.
ntr-adevr, deoarece o baz este un minor de ordinul m al matricii A i unei baze i corespunde o
unic soluie de baz rezult c sunt cel mult C m
n soluii de baz, adic un numr finit. n acest
moment s-ar prea c nu avem dect s lsm calculatorul s calculeze toate soluiile de baz i
valorile funciei obiectiv n cele admisibile gsind-o prin comparare pe cea care d minimul sau
maximul funciei printre acestea. Totui, aceast variant se dovedete nepractic la o analiz mai
atent, innd cont de urmtoarele observaii:
1. faptul c numrul soluiilor de baz este finit ne asigur doar c problema se va termina
cndva, ceea ce, din punct de vedere economic, este evident nemulumitor. Noi dorim ca
problema s fie rezolvat n timp util, adic repede. Rezolvnd problema ca mai sus vom
avea, pentru o problem cu 50 variabile i 20 restricii, de calculat, listat i comparat
20
C 50
soluii de baz, adic n jur de 10 20. Presupunnd c suntem dotai cu un
supercalculator care ar termina un miliard de baze pe secund, rezolvarea ar dura 3000
30
3
1
x 4 20x 5 x 6 6x 7
4
2
1
x 4 8x 5 x 6 9x 7 0
4
1
1
x 4 12x 5 x 6 3x 7 0
2
2
x6
1
x i 0, i 1,...,7
max f
x1
x2
x3
31
Programarea liniar
Se observ imediat baza admisibil B0 = (a1,a2,a3), de la care, aplicnd algoritmul sub forma
clasic, se vor obine succesiv bazele admisibile B 1 = (a4,a2,a3), B2 = (a4,a5,a3), B3 = (a6,a5,a3), B4 =
(a6,a7,a3), B5 = (a6,a2,a3), B6 = (a4,a2,a3) ... . Cititorul poate verifica uor c toate aceste baze au ca
soluie de baz soluia (0,0,1,0,0,0,0) i valoarea funciei 0, dar nu ndeplinesc condiia de optim. Pe
de alt parte se vede c B6 = B1 i deci algoritmul va repeta la infinit aceast succesiune de baze,
neatingnd niciodat valoarea maxim
7
3
, corespunztoare soluiei ( ,0,0,1,0,1,0).
4
4
Aceast situaie este ngrijortoare nu att din considerente practice imediate (nc nu a fost
gsit o problem din practic la care s apar acest fenomen, toate exemplele existente fiind
artificial construite, ca i cel de mai sus) ct din faptul c un algoritm implementat pe calculator s-ar
putea s fie pus n faa unei astfel de probleme, situaie n care n-am putea rezolva problema nici pe
calculator, nici manual, ea fiind prea mare. Situaia a fost depit prin diferite tehnici suplimentare
adugate celei de trecere la o soluie cel puin la fel de bun (insuficient, cum s-a vzut), cea mai
cunoscut fiind cea care folosete ordonarea lexicografic a soluiilor, care va fi prezentat i n
aceast carte.
n fine, referitor la condiia g), a durat mult timp pn s-a demonstrat c algoritmul, sub
aceast form, nu este n timp polinomial, un exemplu fiind clasa de probleme de mai jos, gsit
de Klee i Minty n 1972, n care algoritmul trebuie s analizeze 2 n baze (n = numrul de
necunoscute) pn la gsirea celei optime.
max f
10
n- j
xj
j1
i -1
10
j1
x j x i 100 i -1 i 1,..., n
x j 0 j 1,..., n
i- j
Pentru o astfel de problem, la 100 de variabile, algoritmul va avea 2100 1030 iteraii, i
chiar la o vitez de un miliard iteraii pe secund (mult peste puterea unui calculator actual) va
termina n 1013 ani.
Nu se tie nc dac exist sau nu o alt modalitate de trecere de la o baz la alta, folosind
tabelele simplex, prin care algoritmul s devin n timp polinomial. Au fost ns gsii algoritmi
care nu folosesc tabelele simplex, primul fiind algoritmul de punct interior al lui Karmakar, despre
care s-a demonstrat c lucreaz n timp polinomial.
n ceea ce privete erorile de rotunjire, inevitabile cnd se fac calculele pe un calculator,
algoritmul se comport ntr-adevr foarte ru, orice eroare propagndu-se imediat la tot tabelul cu
efecte foarte mari. Acest lucru poate fi ns depit aplicnd o variant a algoritmului, numit
varianta revizuit a algoritmului simplex.
Toate punctele slabe ale algoritmului, amintite mai sus, nu au nmormntat ns algoritmul
simplex, deoarece folosirea acestuia aduce informaii mult mai ample dect gsirea soluiei propriuzise, este mult mai maleabil n cazul modificrilor ulterioare ale datelor problemei (vezi analiza
senzitivitii soluiei la datele problemei), se preteaz mult mai bine la interpretri economice, este
uor de scris un program de calculator asociat, este implementat pe foarte multe calculatoare i n
plus, aa cum aminteam mai sus, nc nu a aprut o problem practic n faa cruia s clacheze.
Noii algoritmi rmn doar ca alternative teoretice sau pentru cazurile n care algoritmul simplex este
lent, dar ei nu-l pot nlocui complet.
Fundamentarea matematic a algoritmului simplex
32
f x
x j
j m 1
xi
ij
x j xi
j m 1
x j 0,
i 1,..., m
j 1,..., n
Din motive de organizare i concentrare a datelor problemei, Danzig le-a trecut pe acestea
ntr-un tabel ca cel de mai jos, numit tabel simplex.
cB
c1
c2
xB
x1
x2
cm
xm
xB
c1 c2 ... cm cm+1
x1 x2 ... xm xm+1
B-1b
Im
f(xB)
0
0
...
...
cn
xn
B-1S
zm+1
m+1
...
...
zn
n
Fiecrei soluii de baz i corespunde un tabel simplex i reciproc, deci, de fiecare dat cnd
vom vorbi de un tabel simplex, vom spune i care este baza asociat.
Din forma funciei obiectiv se vede c:
ntr-o problem de maxim:
B
f xB
j m 1
oricare ar fi x
x j f xB
j m 1
xj
0 oricare ar fi xS 0
f xB
j m 1
33
oricare ar fi x
x j f xB
Programarea liniar
n
xj
j m 1
0 oricare ar fi xS 0
xi +
a ik
x k + 1 x = 1 x
a
a ij i
a ij i
k m 1 ij
a ik x k + a x = x x +
ij j
i
j
k m 1
k j
k j
a ik
1
x k 1 x
xj = a xi
a
a ij i
k m 1 ij
ij
k j
xs +
k m 1
k j
xs +
a sk x k + a ( 1 x
sj
i
a
k m 1
k j
a sk a sj
ij
a ik
a ij
a ik
x k 1 x ) = x
s
a
a ij i
k m 1 ij
k j
a sj
a sj
xk
xi = xs
xi pentru s = 1,...,m i s i
a ij
a ij
Conform formulelor de mai sus rezult c noua soluie de baz este admisibil dac:
34
a sj
xi
1
a ij xi
i x s = xs a xi pentru s i
ij
n concluzie, dac ne hotrm s introducem n baz variabila j, singura variabil care o
poate nlocui (pentru ca noua soluie s fie admisibil de baz) nu poate fi dect aceea care
corespunde acelui aij strict pozitiv din coloana j din matricea B-1S, pentru care se obine valoarea
minim a rapoartelor dintre componentele soluiei de baz actuale i componentele coloanei j.
Pentru evidenierea acestora, ele se noteaz cu s i avem:
xj=
s s
i = min
1sm
a sj
aij 0
Condiia de mai sus este numit criteriul de ieire din baz.
Mai nainte am vzut ce efect are schimbarea unei variabile din baz asupra sistemului. Este
important ns s vedem efectul ei i asupra funciei obiectiv. Valoarea funciei obiectiv n noua
soluie de baz va fi:
B
f( x B ) = f x B j x j = f x j a x i
ij
Pentru ca aceast soluie s fie cel puin la fel de bun trebuie ca:
B
f( x B ) f(xB) f x j a x i f(xB) j a x i 0
ij
ij
xi 0
j 0
a ij 0
n concluzie, dac vrem s obinem o soluie strict mai bun vom alege o variabil x j
corespunztoare unui j < 0. Noua soluie va exista efectiv doar dac pe coloana j din matricea B -1S
exist o component aij strict pozitiv i va fi efectiv strict mai bun doar dac componenta
1
Situaia n care toate componentele coloanei j din matricea B S sunt mai mici sau egale cu
0 este lmurit de urmtoarea teorem:
-1
Teorem: Dac pe coloana j din matricea B-1S, corespunztoare unei variabile xj cu j < 0,
toate componentele sunt mai mici sau egale cu zero atunci problema are optim infinit.
Demonstraie: Fie o soluie particular a sistemului, n care variabila secundar x j = > 0,
oarecare iar celelalte sunt 0. n acest caz, variabilele principale vor fi: yi = xi aij i vor fi toate
pozitive, innd cont de faptul c toi aij 0 i, deci, soluia va fi admisibil. Pentru o astfel de
soluie, valoarea funciei obiectiv este:
f(y) = f(xB) j. i avem:
lim f y
Programarea liniar
x
max j min i
1 i m a
m 1 j n
ij
a ij 0
j 0
j 0
este uor de aplicat, mbuntete soluia i prin care se obine, n marea majoritate a cazurilor,
acelai j.
n acest moment tim cum s gsim o soluie mai bun, dac ea exist i am putea calcula
din nou elementele necesare analizrii noii soluii, din tabelul simplex, folosind formulele fiecruia:
xB = B-1b
z = c TB B-1A
=zc
Acest mod de lucru este efectiv folosit n anumite variante ale algoritmului simplex (vezi
forma revizuit) dar el presupune calcularea inversei matricei B, ceea ce necesit foarte mult timp.
Acest motiv era suficient de convingtor pentru ca Danzig s-i fi pus problema dac nu cumva
noul tabel simplex poate fi calculat pe baza fostului tabel simplex, fcnd mult mai puine calcule i
utiliznd formule uor de memorat i aplicat. Aceast ntrebare era natural de pus, dac inem cont
c noua soluie difer de fosta soluie printr-o singur variabil. Aceste formule au fost efectiv
gsite, ele putnd fi obinute urmrind efectul nlocuirii lui xi cu xj asupra sistemului:
noua soluie de baz x B se obine din fosta soluie cu formulele deja gsite mai sus:
xj=
x s = xs
1
a ij xi
a sj
a ij
xi pentru s i
ik
2. o variabil secundar xk, diferit de xi, va avea coeficienii a sk a sj a n ecuaiile
ij
a ik
s i i coeficientul a n ecuaia i.
ij
a sj
tul a n ecuaia i.
ij
B
4. noua valoare a funciei obiectiv va fi: f( x B ) = f x j a x i
ij
36
f(x) = f( x )
B
k x k (
j
k m 1
k j
k j
B
= f x j a xi
ij
k m 1
k j
= f( x )
a ik
x k 1 x + 1 x ) =
a
a ij i
a ij i
k m 1 ij
k j
k m 1
k j
a ik
a ij
a
a ik
a ij
x k j
xi =
a ij
x k j
a ij
xi
j
ik
de unde rezult c k k j a pentru k i i i a
ij
ij
Dei par s fie foarte multe formule complicate, frumuseea algoritmului i meritul lui
Danzig const tocmai n faptul c toate respect o regul vizual uor de memorat, numit regula
dreptunghiului, aa cum se va vedea n algoritmul simplex.
ALGORITMUL SIMPLEX
Reamintim c presupunem c problema este la forma standard de maxim i c dispunem de
o soluie de baz admisibil.
Pasul 1. Se construiete tabelul simplex corespunztor bazei de care dispunem n ordinea
urmtoare:
1. pe linia a doua se trec toate variabilele ntr-o ordine oarecare;
2. pe prima linie se trec coeficienii funciei obiectiv, fiecare deasupra variabilei
corespunztoare;
3. se construiete matricea A, fiecare coloan fiind format din coeficienii unei
variabile din toate ecuaiile (ordinea n care se parcurg ecuaiile trebuie s fie aceeai
pentru toate variabilele), avnd grij ca, coloanele s fie trecute n ordinea n care au
fost trecute variabilele pe linia 2;
4. se construiete baza B, ordinea coloanelor fiind cea n care apar ele n matricea A;
5. se calculeaz B-1;
6. se calculeaz B-1A i se trece n partea central a tabelului;
7. se trec variabilele principale n a doua coloan, n aa fel nct, la intersecia liniei i
coloanei corespunztoare acestei variabile, s se afle valoarea 1.
8. se trec n prima coloan coeficienii corespunztori variabilelor principale din funcia
obiectiv, fiecare n dreptul variabilei corespunztoare;
9. se calculeaz soluia de baz cu formula B-1b, avnd grij ca ordinea n care au fost
trecui termenii liberi n vectorul b s fie aceeai cu ordinea n care au fost parcurse
ecuaiile la formarea matricii A;
10. se trec n a treia coloan valorile variabilelor principale din soluia de baz, fiecare n
dreptul variabilei corespunztoare;
11. se calculeaz f(xB) nmulind dou cte dou componentele coloanei 1 cu cele din
coloana 3 aflate pe aceeai linie i adunnd toate produsele ntre ele (adic facem
produsul scalar dintre cB i xB);
12. se calculeaz pe rnd fiecare zj j = 1,...,n un zj obinndu-se nmulind scalar cB cu
coloana j din B-1A aflat n centrul tabelului (aceast linie se calculeaz i se trece
doar n primul tabel, scopul ei fiind calcularea lui );
13. se calculeaz pe rnd fiecare j j = 1,...,n scznd din linia lui z linia lui c (j = zj - cj)
37
Programarea liniar
Pasul 2. Se analizeaz valorile j corespunztoare variabilelor secundare (e uor de vzut c
ntotdeauna, cei corespunztori variabilelor principale sunt toi 0, deci neinteresani).
dac toi sunt mai mari sau egali cu 0 atunci soluia actual este cea optim. Dac
exist j = 0 n afara bazei, atunci pot aprea dou cazuri:
1) toate elementele din coloana aj din B-1A sunt mai mici sau egale cu 0. Atunci
toate soluiile de forma xB - aj sunt soluii optime, unde > 0 oarecare;
2) exist o component aij a coloanei aj strict pozitiv. Atunci introducnd
variabila xj n baz n locul variabilei principal xi obinem alt soluie de
baz optim.
Dac apar numai cazuri de tipul 2), obinem toate soluiile de baz optime, mulimea
tuturor soluiilor optime fiind format din toate combinaiile convexe ale acestora.
Dac apare i cazul 1) atunci mulimea soluiilor optime este nemrginit fiind
format din combinaiile convexe ale soluiilor de forma xB - aj unde xB sunt toate
soluiile optime de baz.
min j
dac exist j < 0 atunci l alegem pe cel mai negativ: k = m 1 j n
. Variabila xj
j 0
va fi cea care intr n noua baz. Dac minimul este multiplu atunci alegem, la
ntmplare, unul dintre acetia (cei minimi).
Pasul 3. Se analizeaz elementele coloanei aj din B-1A, corespunztoare variabilei alese la pasul 2.
Dac toate sunt mai mici sau egale cu 0 atunci problema are optim infinit i
algoritmul ia sfrit;
Dac exist componente strict pozitive, pentru acestea se calculeaz rapoartele s
xs
b i1 jk
b i 2 jk
a i1 j
a i2 j
max f 3x 1 2x 2 x 3 4x 4 3x 5 5x 6
x 1 2x 2 x 3 x 4 3x 5 x 6 8
2x 1 2x 2 3x 3 x 4 3x 5 2x 6 15
3x 1 x 2 2x 3 2x 4 x 5 2x 6 11
x i 0, i 1,...,6
pentru care tim c baza format din coloanele a1, a2, a3 este admisibil. Pentru rezolvare vom aduce
problema la forma standard de maxim introducnd variabilele de abatere x7, x8, x9 obinnd:
max f 3x 1 2x 2 x 3 4x 4 3x 5 5x 6
x 1 2x 2 x 3 x 4 3x 5 x 6 x 7 8
2x 1 2x 2 3x 3 x 4 3x 5 2x 6 x 8 15
3x 1 x 2 2x 3 2x 4 x 5 2x 6 x 9 11
x i 0, i 1,...,9
39
Programarea liniar
c=
3
2
1
4
3
5
0
0
0
1 2 1 1 3 1 1 0 0
3 1 3 2 0 1 0
3 1 2 2 1 2 0 0 1 , B =
, A= 2 2
1 2 1
2 2 3 , cB =
3 1 2
3
2
1
3 4
1
7 7
7
1
5
1
1
2
7
7 7
6
2 3 1
3 4
1 0 0
7
7 7 7
7 7
2
11 1 5
1
1
7
7 7 7
7
7
3 1 2
4 5
2
0
0
1
7 7 7
7 7
7
cB
xB
xB
3 2 1
x1 x2 x3
x1
1 0 0
x2
0 1 0
x3
0 0 1
4
3
5
0
0
0
x4 x5 x6 x7
x8
x9
6
2 3
1
3
4
7
7 7
7
7
7
2
11 1
5
1
1
7
7
7
7
7
7
3
1
2
4
5
2
7
7
7
7
7
7
xB
xB
3 2 1
x1 x2 x3
x1
1 0 0
x2
0 1 0
x3
0 0 1
10
4
3
5
0
0
0
x4 x5 x6 x7
x8
x9
6
2 3
1
3
4
7
7 7
7
7
7
2
11 1
5
1
1
7
7
7
7
7
7
3
1
2
4
5
2
7
7
7
7
7
7
19
7
9
40
17 13 9
6 8
7
7
7
7 7
4
22 9
6 8
7
7
7
7 7
min x i
j dintre cei negativi pentru care se obine 4max
i deci de calculat:
j 1 i 3
j 9
a ij
a
0
j 0
ij
xi
=
1 i 3 a
a 0 i4
9
min
7
xi
=
1 i 3 a
a 0 i5
4
min
7
xi
=
1 i 3 a
i6
a 0
22
min
7
xi
=
1 i 3 a
a 0 i8
6
min
7
4 min
i4
5 min
i6
8 min
11
3
7
2
1
3
2
i8
i n final max (
i5
6 min
8
11
22
3
18
5
3 8 22 18
22
,
,
,
)=
i corespunde tot lui 6.
2 11 3
5
3
n concluzie, soluia actual nu este optim i soluia cea mai bun dintre cele posibile ca
succesoare va avea variabila x6 printre cele principale.
Analiznd coloana a6 observm c exist componente strict pozitive (de fapt, n acest caz
sunt chiar toate) i calculm pentru acestea rapoartele i obinnd:
1 =
1
3
7
, 2 =
3
= 14, 3 =
2
7
21
2
deci minimul corespunde variabilei x1 i aceasta este cea care va iei din baz. n cest moment
cunoatem noua baz i vom construi tabelul simplex pe baza regulilor de calcul de la pasul 4:
1. pivotul este a16 =
3
7
6
7
3
7
2
7
3 3 6 2
7 7 7 7
i noua valoare de pe aceast poziie va fi:
= 1
3
7
xB
xB
3
x1
2 1
x2 x3
4
x4
41
3 5
x5 x6
0
x7
0
x8
0
x9
Programarea liniar
5
x6
x2
x3
7
3
5
3
7
3
52
3
7
3
1
3
2
0 0
1 0
0 1
22
3
2
3
5
3
1
3
8
3
1
0
0
0
1
3
2
3
2
3
7
3
4
3
1
3
2
1
0
1
16
3
xB
x6
x2
x8
xB
14
3
5
3
7
3
80
3
cB
xB
xB
x6
x5
x8
2
28
3
2 1
4
3 5
0
0
0
x1 x2 x3 x4 x5 x6 x7
x8 x9
5
1
1
2
0 1 1
1
0
3
3
3
3
1
5
2
1
1 0 0
0
0
3
3
3
3
2
1
2
2
0 1 1
0
1
3
3
3
3
14
3
4
3
1
3
8
3
3
2 1
4
3 5
0
0 0
x1
x2 x3 x4 x5 x6 x7 x8 x9
8
1
1
3
1 1 0 1
0
5
5
5
5
1
3
2
1
0 0 1 0
0
5
5
5
5
3
1
4
3
1 1 0 0
1
5
5
5
5
22
5
4
5
1 0
1
5
2
5
Ultimul tabel conine soluia optim, deoarece toi j 0. Deoarece nu mai exist nici un j
= 0 n afara celor din baz rezult c soluia optim este unic.
Determinarea unei soluii de baz admisibile de start
Presupunem nc odat c problema este la forma standard.
Algoritmul simplex necesit, pentru pornire, o soluie admisibil de baz. Gsirea acesteia
pur i simplu prin ncercri nu este deloc o sarcin uoar, gndindu-ne c aceasta presupune
gsirea unui minor principal, inversarea acestuia i calcularea soluiei, abia n acest moment putnd
vedea dac aceasta are toate componentele pozitive, aceast cutare putnd dura foarte mult.
Rezolvarea problemei pleac de la observaia c singura baz pentru care calculul de mai sus
se poate face imediat este matricea unitate, caz n care soluia de baz corespunztoare este chiar
vectorul termenilor liberi. Aceasta presupune ca problema s aib toi termenii liberi mai mari sau
egali cu 0 i n matricea A s existe toate coloanele matricii unitate.
42
Ax b
x0
43
Programarea liniar
n care am aranjat deja ca toi termenii liberi s fie pozitivi (b 0).
Faza 1 Construim problema:
min g y
Ax y b
x, y 0
pe care o rezolvm cu algoritmul simplex pornind rezolvarea de la baza matrice unitate, putnd
ajunge la dou situaii:
1) minimul funciei g este strict pozitiv. Aceasta este echivalent cu faptul c egalitatea Ax
+ y = b se poate obine doar pentru y > 0 sau altfel spus Ax > b pentru orice x 0, deci
sistemul Ax = b nu are soluii admisibile i n concluzie problema iniial nu are
soluie.
2) minimul funciei g este 0. n acest caz, soluia optim obinut are y = 0, deci verific
Ax = b fiind n concluzie o soluie admisibil de baz a primei probleme.
Faza 2 ncepnd de la soluia gsit la faza 1 se rezolv problema iniial cu algoritmul simplex.
Dezavantajul metodei const n faptul c tabelul simplex final de la faza 1 trebuie modificat
pentru a obine tabelul simplex iniial de la faza 2 (vectorii x, c, c B, z, , f(xB), se elimin coloanele
corespunztoare lui y) i n plus nu vom mai avea n tabelele simplex ale problemei iniiale inversa
bazei (care se gsea n dreptul coloanelor matricii unitate din prima faz) necesar n anumite
variante ale algoritmului simplex.
Metoda bazei artificiale (metoda penalizrii)
Dat problema de programare liniar la forma standard de maxim:
max f c T x
Ax b
x0
max g c T x My
Ax y b
x, y 0
n care M este o constant presupus foarte mare (mai mare dect orice constant care ar putea
apare n rezolvarea problemei). Rezolvm problema cu algoritmul simplex pornind rezolvarea de la
baza matrice unitate, putnd ajunge la trei situaii:
1) problema are optim infinit. n acest caz, problema iniial are optim infinit.
2) problema are optim finit i n soluia de baz avem cel puin o variabil din vectorul y. n
acest caz problema iniial nu are soluii admisibile.
3) problema are optim finit i n soluia de baz nu avem nici o variabil din vectorul y. n
acest caz problema iniial are optim finit, soluia optim i maximul funciei fiind
44
45
Programarea liniar
Exemplu Fie problema de programare liniar:
max f 2x 1 3x 2
3x 1 x 2 10
x 1 4x 2 2
x 1 , x 2 0
max f 2x 1 3x 2
3x 1 x 2 x 3 10
x 1 4x 2 x 4 2
x 1 , x 2 , x 3 , x 4 0
1
Avem deja termenii liberi i o coloan a matricii unitate 0 corespunztoare variabilei x3.
0
Pentru a obine i a doua coloan 1 vom introduce variabila x5 cu coeficientul 1 n a doua
ecuaie i n final vom avea de rezolvat problema:
Algoritmul simplex n dou faze
min g x 5
max f 2x 1 3x 2 Mx 5
3x 1 x 2 x 3 10
x 1 4x 2 x 4 x 5 2
x 1 , x 2 , x 3 , x 4 , x 5 0
3x 1 x 2 x 3 10
x 1 4x 2 x 4 x 5 2
x 1 , x 2 , x 3 , x 4 , x 5 0
Aplicnd algoritmul simplex n dou faze vom obine n prima faz succesiunea de tabele:
cB
0
1
cB
xB
x3
x5
xB
x3
x2
xB
10
2
2
0
x1
3
1
1
1
0
x2
1
4
4
4
0
x3
1
0
0
0
0
x4
0
-1
-1
-1
1
x5
0
1
1
0
0
x2
0
x3
0
x4
1
x5
xB
0
x1
19
2
1
2
11
4
1
4
1
4
1
1
4
1
4
-1
Am obinut optimul egal cu 0 n soluia de baz (x 3,x2) care va fi soluia iniial pentru
algoritmul simplex aplicat problemei iniiale n a doua faz. Eliminm din tabel coloana lui x 5,
nlocuim valorile coeficienilor funciei obiectiv i deci i valoarea acesteia, valorile i obinem
tabelul:
46
cB
xB
x3
x2
xB
2
x1
19
2
1
2
3
2
11
4
1
4
5
2
x1
0
1
0
cB
0
2
xB
x3
x1
xB
4
2
4
cB
xB
xB
x4
x1
cB
0
3
0
x3
3
x2
-11
4
5
0
x3
1
0
0
0
x4
3
-1
-2
3
x2
0
x3
0
x4
11
3
1
3
7
1
3
1
3
2
3
3
x2
0
1
0
0
x3
4
1
3
2
x1
4
3
10
3
20
3
xB
x4
x2
3
x2
0
1
0
2
x1
11
3
7
xB
38
10
30
0
x4
1
4
1
4
3
1
0
0
0
x4
1
0
0
xB
x3
x5
cB
xB
x3
x2
2
xB
x1
10
3
2
1
-2M -M
-M-2
xB
2
x1
19
2
1
2
3
2
11
4
1
4
5
3
x2
1
4
-4M
-4M-3
0
x3
1
0
0
0
0
x4
0
-1
M
M
-M
x5
0
1
-M
0
3
x2
0
x3
0
x4
-M
x5
47
1
4
1
4
3
1
4
1
4
M+
3
4
Programarea liniar
cB
0
2
xB
x3
x1
xB
4
2
4
cB
xB
xB
x4
x1
cB
0
3
xB
x4
x2
4
3
10
3
20
3
xB
38
10
30
2
x1
0
1
0
3
x2
-11
4
5
0
x3
1
0
0
0
x4
3
-1
-2
-M
x5
-3
1
2+M
3
x2
0
x3
0
x4
-M
x5
11
3
1
3
7
1
3
1
3
2
3
-1
3
x2
0
1
0
0
x3
4
1
3
0
x4
1
0
0
-M
x5
-1
0
M
2
x1
0
1
0
2
x1
11
3
7
=
=
dac dispunem de o baz dual admisibil vom rezolva problema cu algoritmul simplex
dual
dac nu dispunem de o baz dual admisibil vom rezolva problema cu algoritmul
simplex.
Pentru a evita orice confuzie, vom numi n continuare algoritmul simplex obinuit algoritm
simplex primal i o baz admisibil baz primal admisibil.
Se observ c o soluie dual admisibil nu este n general primal admisibil i reciproc, iar o
soluie care este simultan primal i dual admisibil este o soluie optim i reciproc.
Presupunem c am adus problema la forma standard de maxim i dispunem de o baz dual
admisibil i dispunem deja de de o baz dual admisibil. Algoritmul simplex dual const n
48
ia una la ntmplare.
Pasul 3. Se analizeaz linia li corespunztoare variabilei xi aleas la pasul 2:
Dac toate componentele aij j = 1,...,n sunt mai mari sau egale cu 0, atunci am
avea o ecuaie cu toi coeficienii necunoscutelor pozitivi i termenul liber strict
negativ, deci problema nu are soluii primal admisibile.
Dac exist componente strict negative, atunci pentru acestea se gsete acel
indice pentru care se obine
min
a ij 0
a ij
(prin
Dac minimul este multiplu alegem unul dintre acetia la ntmplare. Variabila
corespunztoare acestuia este cea care intr n baz.
Pasul 4. Se construiete tabelul corespunztor noii baze aplicnd aceleai reguli ca la algoritmul
simplex primal;
Pasul 5. Se reia algoritmul de la pasul 2
2. Forma secundar
Este evident c modul de organizare al datelor n tabelul simplex nu este unicul mod de a
organiza datele ntr-un tabel. Forma secundar este tocmai o astfel de alternativ. Presupunem i n
acest caz c problema este la forma standard de maxim, c problema este la forma standard i c
dispunem de o soluie iniial de baz care este primal sau dual admisibil.
Pasul 1. Datele problemei vor fi organizate ntr-un tabel de forma:
c
cB
cS
xB
xS
f
f(xB)
xB = B-1b
0
cS
xS
S
B-1S
In-m
Se observ c singura diferena este c la coloana variabilelor bazei din stnga se adaug
i cele secundare, pe orizontal se las doar variabilele secundare iar n loc de matricea
unitate n dreptul variabilelor principale vom avea matricea unitate n dreptul celor
secundare (dar cu minus), fiind calculat la fel, neglijndu-se cei din dreptul variabilelor
principale, care oricum erau 0.
Pasul 2. + Pasul 3. Se gsesc variabila care iese din baz i cea care intr n baz cu aceleai
reguli ca la algoritmul simplex primal sau, dup caz, ca la cel dual.
49
Programarea liniar
Pasul 4. Se construiete tabelul asociat noii baze aplicnd regulile:
1)
2)
3)
4)
max f 2x 1 3x 2
3x 1 x 2 10
x 1 4x 2 2
x 1 , x 2 0
max f 2x 1 3x 2
Forma standard a problemei va fi:
3x 1 x 2 x 3 10
x 1 4x 2 x 4 2
x 1 , x 2 , x 3 , x 4 0
max f 2x 1 3x 2 Mx 5
3x 1 x 2 x 3 10
x 1 4x 2 x 4 x 5 2
x 1 , x 2 , x 3 , x 4 , x 5 0
xB
2
3
0
0
-M
x1
x2
x3
x4
x5
2
xB
x1
-2M -M-2
0
-1
0
0
10
3
0
0
2
1
3
x2
-4M-3
0
-1
1
0
4
0
x4
M
0
0
0
-1
-1
Aplicm simplex primal i obinem cel mai negativ j corespunztor lui x2 i i minim
corespunztor lui x5. n acest moment avem o soluie de baz a problemei iniiale i putem elimina
variabila x5. Obinem:
cB
xB
xB
3
2
3
0
x1
x2
x3
2
x1
-1
19
11
-M
x5
M+
0
x4
-
cB
0
-
2
3
0
xB
xB
50
x1
x2
x3
2
x1
-1
19
11
0
x4
-
0
-
x4
x5
0
0
0
0
0
-1
-1
0
i n continuare:
51
x4
-1
Programarea liniar
cB
xB
xB
4
3
x2
5
0
x4
-2
cB
2
x1
10
3
0
0
x2
x3
x4
0
0
x1
-1
3
0
0
x2
x3
x4
0
4
0
-1
-11
0
0
3
-1
cB
xB
2
3
0
0
x1
x2
x3
x4
xB
30
0
10
0
38
2
x1
7
-1
3
0
11
xB
xB
3
x2
20
3
3
0
x3
-1
0
11
3
3
0
-1
0
x3
3
0
1
-1
4
Din rezolvarea de mai sus se observ c aceast metod este mai eficient doar dac
numrul variabilelor secundare este mai mic dect numrul variabilelor principale. Totui, motivul
principal pentru care a fost introdus aceast variant, este existena unor probleme n care, pe
parcursul rezolvrii, se adaug foarte multe restricii (de exemplu rezolvarea problemelor n numere
ntregi), pentru o restricie n plus tabelul simplex mrindu-se cu o linie i o coloan (cum se va
vedea la capitolul de reoptimizare) iar tabelul corespunztor formei secundare doar cu o linie.
3. Forma revizuit a algoritmului simplex
O problem mare (de exemplu cu 1000 variabile i 100 restricii) necesit n algoritmul
simplex introducerea, memorarea i lucrul cu un tabel cu 100.000 componente, adic un numr
imens de date. Din acest motiv, i remarcnd faptul c n algoritmul simplex doar o parte din
acestea contribuie efectiv la luarea deciziilor, s-a construit un algoritm care s in cont de
observaiile de mai sus, numit "forma revizuit a algoritmului simplex", n care se lucreaz cu
minimul necesar din datele tabelului simplex. Astfel, pentru testarea soluiei actuale i trecerea
eventual la o nou baz avem nevoie doar de urmtoarele elemente:
(1) inversa bazei curente B-1
(2) componentele vectorului pentru a face testul de optim i a gsi variabila care intr n
baz (dac soluia nu e optim)
(3) coloana ak din B-1A corespunztoare celui mai negativ j (dac exist strict negativi)
pentru a face testul de optim infinit
(4) soluia curent pentru a gsi variabila care iese din baz (dac mai e cazul)
Aceste elemente se aeaz ntr-un tabel de forma:
cB xB xB = B-1b
B-1
52
= c TB B-1
cB xB xB = B-1b
f(xB)
B-1
ak = B-1Pk
= c TB B-1
xi
a ik
max f 2x 1 3x 2
3x 1 x 2 10
x 1 4x 2 2
x 1 , x 2 0
53
Programarea liniar
max f 2x 1 3x 2
Forma standard a problemei va fi:
3x 1 x 2 x 3 10
x 1 4x 2 x 4 2
x 1 , x 2 , x 3 , x 4 0
max f 2x 1 3x 2 Mx 5
3x 1 x 2 x 3 10
x 1 4x 2 x 4 x 5 2
x 1 , x 2 , x 3 , x 4 , x 5 0
Se
M 2
10 1
2
0
-2M 0
0
1
-M
3 1 0
(0,-M) 1 4 1
2 3 0 =
cS
10 1
2
0
-2M 0
0
1
-M
1
4
-4M-3
i minim este cel corespunztor lui x5 i deci variabila x2 va intra n locul variabilei x5.
Dup pivotare i eliminarea ultimei coloane obinem:
0
3
x3 19
1
2 0
x2
0
3
54
1 14
0 1
4
3
1 = 1 4 care se
4
11
i minim este cel corespunztor lui x2 i deci variabila x1 va intra n locul variabilei x2.
Dup pivotare i eliminarea ultimei coloane obinem:
0
2
x3
x1
4
2
4
1
0
0
-3
1
2
1
Iteraia 3. S = S cS = (0,2) 4
0
8
1 3 0 = (
2)
1
cel mai negativ este 4 i vom calcula coloana a4 = 0
x3
x1
4
2
4
1
0
0
-3
1
2
3 0 3
1 1 = 1 care se
3
-1
-2
i minim este cel corespunztor lui x3 i deci variabila x4 va intra n locul variabilei x3.
Dup pivotare i eliminarea ultimei coloane obinem:
0
2
x4
x1
3
10
3
20
1
1
-1
0
1
Iteraia 4. S = S cS = ( 2 3 ,0) 4
1
7
0 3 0 = ( 3
0)
1
1
3
3
1
0
1
4 =
11 3
1
care se
x4
x1
3
10
3
20
1
1
3
3
-1
0
11 3
i minim este cel corespunztor lui x1 i deci variabila x2 va intra n locul variabilei x1.
Dup pivotare i eliminarea ultimei coloane obinem:
0
3
x4
x2
38
10
30
4
1
3
-1
0
0
55
Programarea liniar
3 1
Iteraia 5. S = S cS = (3,0) 1 0 2
0 = ( 7
STOP
Chiar dac la prima vedere calculele par mai mprtiate i deci mai lente, pentru probleme
mari, pe calculator se economisete foarte mult memorie i se mrete foarte mult viteza de calcul.
Totui, marele avantaj al acestei metode este acela c, la fiecare iteraie, se folosesc datele
problemei iniiale, ceea ce face ca erorile inerente de rotunjire s nu se propage, rmnnd n limite
acceptabile.
56