Documente Academic
Documente Profesional
Documente Cultură
Metode Mat - C6
Metode Mat - C6
Tabelul nr.4.49
Aj A1 A2 … An
Ri
R1 X11 X12 .. X1n
R2 X21 X22 … X2n
…
Rn Xn1 Xn2 .. Xnn
X
j 1
ij 1 , i = 1, 2, ..., n;
X
i 1
ij 1 , j = 1, 2, ..., n; (4.47)
min f
X
j 1
ij 1 , i = 1, 2, ..., n;
X
i 1
ij 1 , j = 1, 2, ..., n;
max f
Problema din relaţiile (4.47) este o problemă de transport degenerată şi se poate rezolva cu
algoritmul de transport, cu algoritmul ungar (Kuhn-Egervahry), algoritmul lui Little sau metode
euristice, respectiv prin utilizarea programelor calculator Qsb - modulul assignment problem,
Dsspom - modulul assignment method sau alte programe.
2
5 3 8 6 10 4
11 7 9 4 5 2
13 10 5 7 8 9
C
7 12 4 3 6 5
9 5 10 12 13 11
4 9 7 5 4 3
Modelul matematic al problemei de afectare de minim în acest exemplu:
X
j 1
ij 1 , i = 1, 2, ..., 6;
6
X
i 1
ij 1 , j = 1, 2, ..., 6;
min f
Scris concret:
f = 5.X11 + 3.X12 + 8.X13 + ... + 3.X66
Se rezolvă cu programul Qsb, modulul assignment problem pentru problema de minim, iar soluţia
optimă este:
Min f = 24 u. m. = 5 + 2 + 5 + 3 + 5 + 4,
şi este dată de repartizarea din tabelul nr.4.51.
Deci, din tabelul nr.4.51, rezultă soluţia optimă:
- muncitorul M1 pe maşina T1 ;
- muncitorul M2 pe maşina T6 ;
- muncitorul M3 pe maşina T3 ;
- muncitorul M4 pe maşina T4 ;
- muncitorul M5 pe maşina T2 ;
- muncitorul M6 pe maşina T5 .
3
6
X
j 1
ij 1 , i = 1, 2, ..., 6;
6
X
i 1
ij 1 , j = 1, 2, ..., 6;
max f
Deci, din tabelul nr.4.52, rezultă repartizarea cea mai defavorabilă, nedorită:
- muncitorul M1 pe maşina T5 ;
- muncitorul M2 pe maşina T1 ;
- muncitorul M3 pe maşina T6 ;
- muncitorul M4 pe maşina T2 ;
- muncitorul M5 pe maşina T4 ;
- muncitorul M6 pe maşina T3 .
Intervalul de încadrare a costului repartizării muncitorilor pe maşini este: f [24, 61].
Evident, este dorită soluţia optimă, deci cea pentru care min f = 24 u.m.
Observaţie.
1. Problema de afectare are sens şi dacă sunt m resurse şi n activităţi, m n, m, n N.
Problema se echilibrează prin introducerea a n – m resurse fictive pentru cazul m < n (se
completează matricea C cu n – m linii nule), respectiv a m – n activităţi fictive pentru cazul m>
n (se completează matricea C cu m – n coloane nule), iar costul (profitul) unitar este zero în ambele
cazuri. Pe calculator programul Qsb o echilibrează şi apoi o rezolvă.
Se va exemplifica prin modificarea exemplului nr.4.10. (cinci muncitori pe şase maşini sau şase
muncitori pe cinci maşini).
Modelul matematic este (4.49).
n
X
j 1
ij 1 , i = 1, 2, ..., m;
m
X
i 1
ij 1 , j = 1, 2, ..., n; (4.49)
m n
X
i 1 j 1
ij min{m, n}
4
Xij 0 , i = 1, 2, ..., m; j = 1, 2, ..., n;
Xij {0 , 1}, i = 1, 2, ..., m; j = 1, 2, ..., n;
m n
f cij . X ij
i 1 j 1
min f
Tabelul nr.4. 53
Yj Y1 Y2 Y3 Y4 Y5 Y6 Y7
Xi
X1 1 1
X2 1 1 1
X3 1 1 1
X4 1 1 1
X5 1 1
X6 1 1
X7 1 1
5
Soluţia optimă:
6
7
3.MODELAREA FLUXURILOR MATERIALE PRIN PROGRAMARE MATEMATICĂ
3.1. Programare liniară
a
j 1
ij . X j bi , i = 1, 2, . . . , m; (3.1)
Xj 0 , j = 1, 2, . . . . , n ; (3.2)
n
f(X1, X2, …, Xn) = c
j 1
j Xj (3.3)
A.X b
X0 (3.4)
f(X) = c . X
max f(X)
unde: A = ( aij ) , i = 1, 2, . . . , m ; j = 1, 2, . . . , n;
8
X1 b1
X2 b2
X : , b : , c c1 , c2 , ... cn
. .
Xn bm
Relaţiile (3.1) reprezintă restricţiile problemei de programare liniară, relaţiile (3.2) sunt condiţiile de
nenegativitate ale variabilelor, iar funcţia f din relaţia (3.3) este funcţia obiectiv, numită şi funcţie
scop sau funcţie de eficienţă.
Fluxurile materiale pot fi optimizate şi printr-o problemă de programare liniară de
minimizare în care funcţia obiectiv f reprezintă costuri care se minimizează, relaţiile (3.5).
a
j 1
ij . X j bi , i = 1, 2, . . . , m;
Xj 0 , j = 1, 2, . . . . , n ; (3.5)
n
f(X1, X2, …, Xn) = c
j 1
j Xj
A.X b
X0 (3.6)
f(X) = c . X
min f(X)
unde: A = ( aij ) , i = 1, 2, . . . , m ; j = 1, 2, . . . , n;
X1 b1
X2 b2
X : , b : , c c1 , c2 , ... cn
. .
Xn bm
Resursele reprezintă totalitatea mijloacelor care participă la realizarea unei acţiuni complexe
şi care, pentru a asigura eficienţa acţiunii (programului), trebuie să fie corect dimensionate, să se
dispună de ele la timpul oportun şi să fie utilizate cât mai raţional.
Alocarea este o prevedere, cu o anumită destinaţie, pentru un anumit scop, a unor resurse
umane, materiale sau băneşti. Conducerea problemelor economice ale unei firme pe un anumit
orizont de timp presupune asigurarea resurselor necesare atingerii obiectivelor. Dacă sunt asigurate
aceste resurse, trebuie rezolvată problema alocării lor pe obiectivele firmei. Alocarea resurselor se
poate face pe baza experienţei, a intuiţiei sau utilizând metode de optimizare.
Problemele de alocare a resurselor stabilesc modul cum trebuie repartizate resursele
disponibile între activităţile ce urmează să fie executate, pentru ca activităţile să poată fi realizate
cât mai bine, în sensul unei anumite funcţii obiectiv.
9
Obiectivul acestor probleme îl constitue alocarea resurselor în aşa fel, încât să se optimizeze
o funcţie obiectiv, de exemplu să se minimizeze cheltuielile totale sau să se maximizeze profitul
total sau venitul din vânzări.
În fabricarea a n produse se utilizează m resurse ale firmei care sunt limitate şi trebuie
folosite eficient, alocate optim în sensul unei anumite funcţii obiectiv.
Într-un sistem de producţie (atelier, secţie, întreprindere) pentru a fabrica produsele P 1,
P2,..., Pn se folosesc resursele R1, R2, ..., Rm ce sunt disponibile în cantităţi limitate b1, b2,..., bm.
Resursa Ri intră în produsul Pj în cantitatea aij , i = 1, 2,..., m ; j = 1, 2,..., n, iar profitul unitar (real
sau estimat) pentru produsul Pj este cj , j = 1, 2, ..., n. Se presupune că sunt satisfăcute condiţiile: aij
0, bj 0, cj 0, i = 1, 2,..., m; j = 1, 2,..., n.
Aceste elemente sunt sintetizate în tabelul nr.3.1.
Se cere determinarea planului de fabricaţie optim, deci trebuie aflat câte produse P 1, P2, . . ., Pn se
vor fabrica în perioada de timp considerată (zi, săptămână, lună etc.) şi în condiţiile date astfel încât
profitul să fie maxim.
Pentru rezolvarea problemei se notează cu Xj cantitatea din produsul Pj ce se va fabrica,
j = 1, 2, . . ., n.
Se obţine modelul matematic din relaţiile (3.7), care este o problemă de programare liniară.
n
j 1
a ij . Xj bi , i = 1, 2, . . ., m;
Xj 0 , j = 1, 2, . . ., n; (3.7)
n
f( X1, X2, . . . , Xn ) =
j 1
cj . Xj
Scrierea matriceală echivalentă a modelului (3.7) este modelul matematic din relaţiile (3.8).
A .X b
X 0 (3.8)
f( X ) = c . X
max f( X )
10
c = (c1, c2, . . . ,cn );
X1 b1
X 2 b 2
X b
...
; ...
Xn bm
Observaţii
1. Dacă cj reprezintă preţul unitar de vânzare a produsului Pj , j = 1, 2, . . ., n, atunci se va
maximiza venitul din vânzări în alocarea resurselor materiale, iar modelul matematic
este tot (3.7), ca şi la maximizarea profitului.
2. Dacă din studii de marketing se cunosc pentru fiecare produs P j cererea minimă egală
cu j şi cererea maximă egală cu j , la modelul matematic al problemei de
programare liniară din relaţiile (3.7) se adaugă restricţiile (3.9), rezultând modelul din
relaţiile (3.10).
j Xj j , j = 1, 2, . . . n; (3.9)
unde: j 0 , j 0 , j = 1, 2, . . . n;
j 1
a ij . Xj bi , i = 1, 2, . . ., m;
j Xj j , j = 1, 2, . . . n;
Xj 0 , j = 1, 2, . . ., n; (3.10)
n
f( X1, X2, . . . , Xn ) =
j 1
cj . Xj
11
4. Se va prezenta o generalizare a modelului matematic dat de relaţiile (3.7), considerând
că toate consumurile aij şi disponibilul de resurse care trebuie alocate aparţin unor
intervale ale numerelor reale, relaţiile (3.11).
aij [ ij , ij ]
bi [ i , i ] , ij 0, i 0, i 0, i 0, (3.11)
i = 1, 2, . . ., m; j = 1, 2, . . ., n.
Modelul matematic va fi dat de relaţiile (3.12), care este echivalent şi se rezolvă cu modelul din
relaţiile (3.13).
n
j 1
Xj . [ ij , ij ] [ i , i ] , i = 1, 2, . . ., m;
Xj 0 , j = 1, 2, . . ., n; (3.12)
n
f( X1, X2, . . . , Xn ) =
j 1
cj . Xj
j 1
ij . Xj i , i = 1, 2, . . ., m;
j 1
ij . Xj i , i = 1, 2, . . ., m;
Xj 0 , j = 1, 2, . . ., n; (3.13)
n
f( X1, X2, . . . , Xn ) =
j 1
cj . Xj
12
a) Se notează cu Xj cantitatea din produsul Pj ce se va fabrica, j = 1, 2, 3 . Modelul matematic
reprezintă problema de programare liniară (3.14).
X1 + 2 . X2 + 3 . X3 120
2 . X1 + 2 . X2 + X3 80 (3.14)
X1 + 2 . X2 + X3 70
Xj 0 , j = 1, 2, 3;
f( X1 , X2 , X3 ) = 60 . X1 + 80 . X2 + 100 . X3
max f( X1 , X2 , X3 )
13
b) Dacă din studii de marketing rezultă că produsul P2 are cererea minimă de 5 unităţi,
atunci la problema de programare liniară (3.14) se adaugă restricţia:
X2 5 ,
Se pot lua diverse valori ale cererii minime sau maxime ale produselor, rezultând probleme
de programare liniară cu mai multe restricţii decât problema (3.14).
Se pot lua diverse valori ale cererii minime sau maxime ale produselor, rezultând probleme
de programare liniară cu mai multe restricţii decât problema (3.14).
c) La punctul a) se câştigă mai mult decât la b), dar la varianta b) nu se pierde un client al
produsului P2 care s-ar duce altfel la concurenţă.
14
d) Este problemă de programare liniară cu soluții impuse. În acest caz problema de programare
liniară se reduce ca și dimensiune de la 3 variabile la 2 = 3 – 1. Pentru rezolvarea problemei
se va renunța la variabila X2 în matricea A, deci coloana 2 dispare (sau se face zero), în
funcția obiectiv f dispare c2 (sau se face zero) și termenii liberi bi , i = 1, 2, 3, se vor
corecta cu valorile coloanei j = 2 .
X1 + 3 . X3 120 – 2 . 5 =110
2 . X1 + X3 80 - 2 . 5 = 70 (3.14d)
X1 + 2 . X2 + X3 70 – 2 . 5 = 60
Xj 0 , j = 1, 2, 3;
fd( X1 , X3 ) = 60 . X1 + 100 . X3
max fd( X1 , X3 )
X1 = 20 , X3 = 30 , max fd = 4200 .
Soluţia optimă:
max f( X1 , X2 , X3 ) = max f( X1 , 5, X3 ) = max fd + 80 . 5 = 4200 + 400 = 4600
15
Tabelul nr.3.2 a
Pj P1 P2 P3 Resurse
Ri disponibile
bi
R1 [0.9; 1.1] [1.8; 2.2] [2.7; 3.3] [108; 132]
R2 [1.8; 2.2] [1.8; 2.2] [0.9; 1.1] [72; 88]
R3 [0.9; 1.1] [1.8; 2.2] [0.9; 1.1] [63; 77]
Profitul 60 80 100
unitar
cj
X1. [0.9; 1.1] + X2. [1.8; 2.2] + X3.[2.7; 3.3] [108; 132]
X1.[1.8; 2.2] + X2.[1.8; 2.2] + X3. [0.9; 1.1] [72; 88] (3.14a)
X1. [0.9; 1.1] + X2. [1.8; 2.2] + X3. [0.9; 1.1] [63; 77]
Xj 0 , j = 1, 2, 3;
f( X1 , X2 , X3 ) = 60 . X1 + 80 . X2 + 100 . X3
max f( X1 , X2 , X3 )
16
S-a luat consumul şi disponibilul de resurse cu +10% şi -10% mai mare, respectiv mai mic
decât cel din tabelul nr.3.2, dar nu va avea soluţii.
Nu are soluţii, dar se vor modifica o parte din termenii liberi şi va avea soluţie optimă.
Se modifică limita superioară din disponibilul de resurse.
17
5. Dacă din studii de marketing se poate estima intervalul de încadrare a profitului unitar
cj [ dj , ej ], j = 1, 2, . . ., n; (3.16)
atunci problema dată de relaţiile (3.12 ) se poate generaliza din nou, considerând relaţia (3.17).
n
f(X1, X2, . . . , Xn) = Xj . [ dj , ej ] , dj >0, ej >0, j = 1, 2, ..., n; (3.17)
j 1
j 1
Xj . [ ij , ij ] [ i , i ] , i = 1, 2, . . ., m;
Xj 0 , j = 1, 2, . . ., n; (3.18 )
n
f( X1, X2, . . . , Xn ) = j 1
Xj . [ dj , e j]
18
Modelul (3.18) este o problemă de programare liniară cu coeficienţi mulţimi convexe
(intervale închise) care se rezolvă cu ajutorul modelelor date de relaţiile (3.19) şi (3.20).
n
j 1
ij .Xj i , i = 1, 2, . . ., m;
j 1
ij . Xj i , i = 1, 2, . . ., m;
Xj 0 , j = 1, 2, . . ., n ; (3.19)
n
f1( X1, X2, . . . , Xn ) = j 1
dj . Xj
j 1
ij . Xj i
j 1
ij . Xj i , i = 1, 2, . . ., m;
Xj 0 , j = 1, 2, . . ., n ; (3.20)
n
f2( X1, X2, . . . , Xn ) =
j 1
ej . Xj
Soluţiile optime ale problemelor de programare liniară date de relaţiile (3.19) şi ( 3.20) se obţin cu
algoritmul simplex primal sau dual , respectiv cu calculatorul utilizând programele QSB, DSSPOM,
LINDO, QM sau alte programe.
Se notează:
Se pot considera şi alte funcţii obiectiv f, cum ar fi: vetitul din vânzări, producţia fizică, cifra
de afaceri, costurile totale etc.
19