Documente Academic
Documente Profesional
Documente Cultură
TEMATICĂ – cursuri
I. PROGRAMARE LINIARĂ
1.1. Forme de prezentare ale unei probleme de programare liniară
1.2. Trecerea de la o formă de prezentare la alta
1.3. Soluţiile unei probleme de programare liniară
1.4. Rezolvarea unei probleme de programare liniară
1.5. Dualitate în programarea liniară
1
TEMATICĂ - seminarii
2
I. PROGRAMARE LINIARĂ
FORMA GENERALĂ
Se spune că o problemă de programare liniară (P.P.L.) este prezentată sub forma generală
dacă este scrisă astfel:
[𝑜𝑝𝑡]𝑓 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + ⋯ + 𝑐𝑛 𝑥𝑛
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 ≤ 𝑏𝑖 , 1≤𝑖≤𝑘
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 = 𝑏𝑖 , 𝑘 + 1 ≤ 𝑖 ≤ 𝑙
𝑎𝑖1 𝑥1 + 𝑎𝑖2 𝑥2 + ⋯ + 𝑎𝑖𝑛 𝑥𝑛 ≥ 𝑏𝑖 , 𝑙 + 1 ≤ 𝑖 ≤ 𝑚
𝑥𝑗 ≥ 0 , 1≤𝑗≤𝑝
𝑥𝑗 ≤ 0 , 𝑝+1≤𝑗 ≤𝑞
𝑥𝑗 ∈ ℝ , 𝑞+1≤𝑗 ≤𝑛
Deci o P.P.L. este dată sub forma generală dacă, indiferent de scopul optimizării (min sau
max), aceasta are restricţii de toate felurile şi variabile de toate semnele.
Observaţie. Când se spune că 𝑥∈ℝ (x are semn oarecare) înseamnă că oricare din
rezultatele 𝑥 > 0 sau 𝑥 < 0 sau 𝑥 = 0 poate fi acceptat.
FORMA STANDARD
O problemă de programare liniară este prezentată sub forma standard dacă este scrisă astfel:
[𝑜𝑝𝑡]𝑓 = ∑ 𝑐𝑗 𝑥𝑗
𝑗=1
𝑛
∑ 𝑎𝑖𝑗 𝑥𝑗 = 𝑏𝑖 , 1≤𝑖≤𝑚
𝑗=1
𝑥𝑗 ≥ 0 , 1≤𝑗≤𝑛
sau matricial:
[𝑜𝑝𝑡]𝑓 = 𝑐𝑥
𝐴𝑥 = 𝑏
𝑥≥0
3
unde: 𝐴 = (𝑎𝑖𝑗 )1≤𝑖≤𝑚 ∈ ℳ𝑚×𝑛 (ℝ), 𝑐 = (𝑐1 , 𝑐2 , … , 𝑐𝑛 ) ∈ ℝ𝑛 ,
1≤𝑗≤𝑛
𝑥1 𝑏1
𝑥 𝑏2
𝑥 = ( ⋮ ) ∈ ℝ𝑛 , 𝑏 = ( ) ∈ ℝ𝑚
⋮
𝑥𝑛 𝑏𝑚
Deci o P.P.L. este dată sub forma standard dacă aceasta are toate restricţiile egalităţi şi toate
variabilele nenegative.
FORME CANONICE
∑ 𝑎𝑖𝑗 𝑥𝑗 ≤ 𝑏𝑖 , 1≤𝑖≤𝑚
𝑗=1
𝑥𝑗 ≥ 0 , 1≤𝑗≤𝑛
sau matricial:
[𝑚𝑎𝑥]𝑓 = 𝑐𝑥
𝐴𝑥 ≤ 𝑏
𝑥≥0
∑ 𝑎𝑖𝑗 𝑥𝑗 ≥ 𝑏𝑖 , 1≤𝑖≤𝑚
𝑗=1
𝑥𝑗 ≥ 0 , 1≤𝑗≤𝑛
sau matricial:
[𝑚𝑖𝑛]𝑓 = 𝑐𝑥
𝐴𝑥 ≥ 𝑏
𝑥≥0
4
1.2. Trecerea de la o formă de prezentare la alta
𝑦𝑗 , 𝑦𝑗 ≥ 0 , 𝑑𝑎𝑐ă 𝑥𝑗 ≥ 0
𝑥𝑗 = { −𝑦𝑗 , 𝑦𝑗 ≥ 0 , 𝑑𝑎𝑐ă 𝑥𝑗 ≤ 0 , 𝑗 ∈ ̅̅̅̅̅
1, 𝑛
𝑦𝑗 − 𝑦𝑗+1 , 𝑦𝑗 ≥ 0, 𝑦𝑗+1 ≥ 0 , 𝑑𝑎𝑐ă 𝑥𝑗 ∈ ℝ
Observaţie. Orice număr real se poate scrie ca diferenţa a două numere reale pozitive.
5
Trecerea de la forma generală la forma canonică
Etapa a-II-a Transformarea tuturor restricţiilor în inegalităţi de acelaşi sens, operaţiune care
are la bază următoarele echivalenţe:
𝑎≤𝑏
𝑎=𝑏 ⟺ { şi înmulţirea uneia dintre ele cu (-1).
𝑎≥𝑏
Soluţii posibile
Fără a diminua generalitatea problemei, vom presupune că aceasta este prezentată sub
forma standard:
[𝑜𝑝𝑡]𝑓 = 𝑐𝑥
𝐴𝑥 = 𝑏 (*)
𝑥≥0
𝑥1 𝑏1
𝑥 𝑏2
𝑥 = ( ⋮ ) ∈ ℝ𝑛 , 𝑏 = ( ) ∈ ℝ𝑚 .
⋮
𝑥𝑛 𝑏𝑚
𝒳𝑃 = {𝑥 ∈ ℝ𝑛 ⁄𝐴𝑥 = 𝑏 ş𝑖 𝑥 ≥ 0}
6
Pentru o P.P.L. se poate ca mulţimea soluţiilor posibile să se afle într-una din situaţiile:
3. 𝒳𝑃 are cel puţin 2 elemente, caz în care există posibilitatea alegerii celei mai bune
soluţii, printr-un procedeu sau algoritm specific.
Din punct de vedere practic, primele două cazuri sunt lipsite de interes.
Teorema 1. Mulţimea soluţiilor posibile 𝓧𝑷 este convexă, adică odată cu oricare două
puncte ale sale, segmentul care le uneşte aparţine, de asemenea, mulţimii:
Teorema 2. Dacă o P.P.L. (în variabile continue) admite mai mult de o soluţie posibilă,
atunci ea admite o infinitate de soluţii posibile.
Soluţii de bază
𝑎1 𝑥1 + 𝑎2 𝑥2 + ⋯ + 𝑎𝑛 𝑥𝑛 = 𝑏 (**)
𝑎1𝑗
𝑎2𝑗
unde: 𝑎𝑗 = ( ⋮ ) ∈ ℝ𝑚 , 1 ≤ 𝑗 ≤ 𝑛.
𝑎𝑚𝑗
7
Având în vedere compatibilitatea sistemelor de ecuaţii liniare, pentru programarea
liniară prezintă interes cazul în care sistemul de restricţii (**) este compatibil nedeterminat,
ceea ce are loc dacă:
Observaţie. Dacă 𝑟𝑎𝑛𝑔 𝐴 = 𝑟𝑎𝑛𝑔 (𝐴, 𝑏) = 𝑟 < 𝑚 < 𝑛, atunci se poate renunţa la (m-r)
restricţii, deoarece prezenţa sau absenţa lor nu influenţează asupra existenţei soluţiei
problemei.
Definiţia 2. O soluţie posibilă a P.P.L. (*) se numeşte soluţie de bază dacă îndeplineşte
următoarele condiţii:
1. are cel mult m componente strict pozitive, iar celelalte sunt nule.
2. coloanele matricei A corespunzătoare componentelor strict pozitive sunt vectori liniar
independenţi (din ℝ𝑚 ).
Teorema 3. Dacă 𝑟𝑎𝑛𝑔 𝐴 = 𝑟𝑎𝑛𝑔 (𝐴, 𝑏) = 𝑚 < 𝑛, atunci numărul soluţiilor de bază ale
P.P.L. (*) satisface condiţiile:
0 ≤ 𝑐𝑎𝑟𝑑(𝒳𝐵 ) ≤ 𝐶𝑛𝑚
Teorema 4. Orice soluţie de bază a P.P.L. (*) este vârf al mulţimii soluţiilor posibile ale
problemei şi reciproc.
8
Observaţie.
Un punct 𝑣 ∈ 𝐶 se numeşte punct extrem sau vârf al mulţimii convexe 𝐶 ⊂ ℝ𝑛 dacă nu
există nici o pereche de puncte 𝑥1 , 𝑥 2 ∈ 𝐶 şi 𝜆 ∈ (0,1) astfel încât 𝑣 = 𝜆𝑥1 + (1 − 𝜆)𝑥 2 .
Geometric, este vârf al lui C orice punct care nu se poate afla pe nici un segment de dreaptă
în interiorul segmentului.
Soluţii optime
Prin urmare, dacă problema admite două soluţii optime distincte, atunci aceasta admite o
infinitate de soluţii optime.
Teorema 6. Soluţia optimă a P.P.L. (*) se află printre vârfurile mulţimii soluţiilor posibile
𝒳𝑃 ale problemei. 𝒳𝑂 ⊆ 𝒳𝐵 ⊆ 𝒳𝑃
Dacă P.P.L. are optim finit, atunci acesta se află într-un vârf al lui 𝓧𝑷 (tronson sau
poliedru convex).
9
Dacă P.P.L. are optim infinit, putem admite că acesta este atins în punctul de la infinit
(care aparţine lui 𝒳𝑃 numai când 𝒳𝑃 este nemărginită).
Observaţii.
1. Metoda grafică este limitată ca aplicare la probleme cu două şi, uneori, cu trei
variabile.
2. Este însă utilă pentru a putea ilustra grafic mulţimile 𝒳𝑃 , 𝒳𝐵 şi 𝒳𝑂 , având astfel o
bază de discuţii pentru problemele cu mai multe variabile.
2. se determină soluţia optimă, calculând valoarea funcţiei obiectiv pentru fiecare soluţie
de bază şi alegând, după caz, valoarea cea mai mică sau cea mai mare.
Prin urmare, atât metoda grafică, cât şi metoda algebrică, presupun parcurgerea a două etape:
De fapt, aceasta este metoda de enumerare şi evaluare a soluţiilor, întâlnită şi în alte clase
de probleme de optimizare.
10
METODA SIMPLEX
Scopul metodei simplex este de a alege soluţia optimă pornind de la un vârf oarecare al lui
𝒳𝑃 , adică de la o soluţie de bază, şi trecând apoi la un alt vârf care să fie o soluţie mai bună
decât precedenta (în sensul optimului).
➢ s-a ajuns la cea mai bună soluţie, constatându-se dacă problema are optim unic sau
multiplu;
Cum pornim?
Cum trecem de la o soluţie la alta?
Cum ne oprim?
Presupunem 𝒎 < 𝑛; rezultă că 𝒳𝑃 are cel puţin 2 elemente. Cum 𝒳𝑃 este mulţime convexă,
rezută că 𝒳𝑃 are o infinitate de elemente, situaţie în care P.P.L. prezintă interes din punct de
vedere practic.
Notăm matricea sistemului de restricţii 𝐴 = {𝑎1 , 𝑎2 , … , 𝑎𝑛 }, unde 𝑎𝑗 este coloana
coeficienţilor necunoscutei 𝑥𝑗 , 𝑎𝑗 ∈ ℝ𝑚 , 𝑗 ∈ ̅̅̅̅̅
1, 𝑛.
11
Presupunem 𝒓𝒂𝒏𝒈 𝑨 = 𝒎; rezultă că în A există un minor de ordin m nenul (care dă
rangul), adică o submatrice 𝑚 × 𝑚 a lui A cu determinatul nenul. Cum 𝐴 ∈ ℳ𝑚×𝑛 (ℝ),
rezultă că în A există m coloane liniar independente (ca vectori din spaţiul liniar (ℝ𝑚 , ℝ)).
Deoarece 𝑑𝑖𝑚(ℝ𝑚 , ℝ) = 𝑚, rezultă că cele m coloane liniar independente formează o bază
a spaţiului liniar (ℝ𝑚 , ℝ).
Presupunem că această bază este formată din primele m coloane din A, 𝑩 = {𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒎 }
situaţie posibilă totdeauna printr-o renumerotare adecvată a coloanelor lui A.
𝑧1𝑗
𝑧
Notăm aceste coordonate cu 𝑎𝑗𝐵 = ( 2𝑗 ) şi le calculăm cu ajutorul relaţiei:
⋮
𝑧𝑚𝑗
𝑎𝑗𝐵 = 𝐵 −1 ∙ 𝑎𝑗 , 𝑗 ∈ ̅̅̅̅̅
1, 𝑛.
12
Observaţie. În practică se urmăreşte ca baza iniţială să fie formată din vectorii unitari, adică
să fie baza canonică 𝐵 = {𝑒1 , 𝑒2 , … , 𝑒𝑚 } ⊂ ℝ𝑚 .
𝑉
𝑥𝑗𝑉𝐵 > 0, 1 ≤ 𝑗 ≤ 𝑚 (𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒 𝑏𝑎𝑧𝑖𝑐𝑒)
𝑥 ={
𝑥𝑗𝑉𝑆 = 0, 𝑚 + 1 ≤ 𝑗 ≤ 𝑛 (𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒 𝑛𝑒𝑏𝑎𝑧𝑖𝑐𝑒)
𝑉𝐵
Deci 𝑥 𝑉 = (𝑥 𝑉𝑆 ) ∈ ℝ𝑛 , unde: 𝑥 𝑉𝐵 = 𝐵 −1 ∙ 𝑏 ∈ ℝ𝑚 .
𝑥
𝑓(𝑥 𝑉 ) = 𝑐 ∙ 𝑥 𝑉 = (𝑐 𝐵 𝑥 𝑉𝐵 ) = 𝑐 𝐵 ∙ 𝑥 𝑉𝐵 + 𝑐 𝑆 ∙ 𝑥 𝑉𝑆 = 𝑐 𝐵 ∙ 𝑥 𝑉𝐵 .
𝑐 𝑆) ∙ (
𝑥 𝑉𝑆
𝑐𝑗 , 1 ≤ 𝑗 ≤ 𝑚
Notăm: 𝑓𝑗 = 𝑐 𝐵 ∙ 𝑎𝑗𝐵 = 𝑐 𝐵 ∙ 𝐵 −1 ∙ 𝑎𝑗 = { 𝐵 −1
𝑐 ∙ 𝐵 ∙ 𝑎𝑗 , 𝑚 + 1 ≤ 𝑗 ≤ 𝑛
0, 1 ≤ 𝑗 ≤ 𝑚
şi cu Δ𝑗 = 𝑐𝑗 − 𝑓𝑗 = {𝑐 − 𝑓 , 𝑚 + 1 ≤ 𝑗 ≤ 𝑛.
𝑗 𝑗
Prin urmare, diferenţele corespunzătoare coloanelor vectorilor bazei curente sunt nule.
13
Macheta de început a tabloului simplex (tabel informaţional care uşurează derularea
calculelor) este:
𝒄𝟏 … 𝒄𝒊 … 𝒄𝒎 𝒄𝒎+𝟏 … 𝒄𝒋 … 𝒄𝒏
𝒄𝑩 𝑩 𝒙𝑽𝑩
𝒂𝟏 … 𝒂𝒊 … 𝒂𝒎 𝒂𝒎+𝟏 … 𝒂𝒋 … 𝒂𝒏
𝒄𝟏 𝒂𝟏 𝒙𝑽𝑩
𝟏 1 … 0 … 0
⋮ ⋮ ⋮ ⋮ … ⋮ … ⋮
𝑎𝑗𝐵 = 𝐵 −1 𝑎𝑗
𝒄𝒊 𝒂𝒊 𝒙𝑽𝑩
𝒊 0 … 1 … 0
⋮ ⋮ ⋮ ⋮ … ⋮ … ⋮
𝒄𝒎 𝒂𝒎 𝒙𝑽𝑩
𝒎 0 … 0 … 1
𝚫𝒋 𝒄𝑩 𝒙𝑽𝑩 0 … 0 … 0 Δ𝑚+1 … Δ𝑗 … Δ𝑛
CRITERIUL DE OPTIM
Pentru ca acest criteriu de optim să poată fi folosit indiferent de scopul optimizării (max sau
min), diferenţele se calculează:
𝑐𝑗 − 𝑓𝑗 , 1 ≤ 𝑗 ≤ 𝑛, pentru 𝑚𝑎𝑥
Δ𝑗 = {
𝑓𝑗 − 𝑐𝑗 , 1 ≤ 𝑗 ≤ 𝑛, pentru 𝑚𝑖𝑛
14
ÎMBUNĂTĂŢIREA SOLUŢIEI
Dacă există un indice nebazic 𝑗0 , 𝑚 + 1 ≤ 𝑗0 ≤ 𝑛 pentru care Δ𝑗0 > 0 , atunci se poate găsi
o nouă soluţie de bază cel puţin la fel de bună ca şi vechea soluţie de bază (în sensul
optimului).
Dacă există mai multe diferenţe Δ𝑗 > 0, atunci se poate alege oricare vector 𝑎𝑗 corespunzător,
fără a influenţa soluţia finală.
Dacă există un indice nebazic 𝑗0 , 𝑚 + 1 ≤ 𝑗0 ≤ 𝑛 pentru care Δ𝑗0 > 0, atunci se poate
obţine o nouă bază şi, deci, o nouă soluţie de bază, eliminând din vechea bază B vectorul
𝑎𝑖0 , 1 ≤ 𝑖0 ≤ 𝑚 pentru care:
𝑥𝑖𝑉𝐵
0
𝑥𝑖𝑉𝐵
= min { ⁄𝑧 > 0}
𝑧𝑖0 𝑗0 1≤𝑖≤𝑚 𝑧𝑖𝑗0 𝑖𝑗0
𝑧1𝑗0
𝑧2𝑗0
unde: ( ⋮ ) = 𝑎𝑗𝐵0 sunt coordonatele (în baza B) vectorului 𝑎𝑗0 determinat la criteriul de
𝑧𝑚𝑗0
intrare în bază.
Deci vectorul 𝒂𝒊𝟎 părăseşte baza, iar în locul lui va intra vectorul 𝒂𝒋𝟎 . Cu alte cuvinte, nu
stricăm baza în totalitate.
15
Observaţie. Efectuând rapoartele de la criteriul eliminării din bază, se poate întâmpla ca:
1. Să existe două sau mai multe rapoarte minime egale, caz în care poate părăsi baza
B oricare dintre vectorii care conduc la acest rezultat fără să fie afectată soluţia
optimă.
16
1.5. Dualitate în programarea liniară
[𝑚𝑎𝑥]𝑓 = 𝑐𝑥
𝐴𝑥 ≤ 𝑏
(P) (1)
𝑥≥0
[𝑚𝑖𝑛]𝑔 = 𝑦𝑏
𝑦𝐴 ≥ 𝑐
(D) (2)
𝑦≥0
Problema (1) se numeşte primala, iar problema (2) se numeşte duala şi reciproc. Perechea de
probleme (1) – (2) se numeşte cuplu dual sau cuplu de probleme duale.
Teoremă.
Duala dualei unei probleme de programare liniară este chiar problema de optimizare dată.
Altfel spus, duala dualei coincide cu primala.
[𝑚𝑎𝑥]𝑓 = 𝑐𝑥 [𝑚𝑖𝑛]𝑓 = 𝑐𝑥
sau
𝐴𝑥 ≤ 𝑏 𝐴𝑥 ≥ 𝑏
Observaţie.
Cel mai frecvent definiţia dualităţii sau a cuplului de probleme duale este dată prin
intermediul cuplului (P) – (D) din definiţia 1. În acest caz se introduce aşa numitul concept de
dualitate simetrică. Pornind de la dualitatea simetrică se poate deduce apoi orice cuplu de
probleme duale, cupluri de dualitate nesimetrică.
17
Între problemele unui cuplu primal-dual există anumite legături precise a căror cunoaştere
înseamnă posibilitatea scrierii dualei oricărei probleme de programare liniară:
➢ dacă problema primală cere maximizarea funcţiei obiectiv, atunci în problema duală
se va cere minimizarea funcţiei obiectiv şi reciproc;
➢ numărul de restricţii ale primalei indică numărul de variabile ale problemei duale şi
reciproc;
➢ numărul de variabile ale primalei indică numărul de restricţii ale dualei şi reciproc;
➢ termenii liberi din primală devin coeficienţi ai funcţiei obiectiv din duală şi reciproc;
➢ coeficienţii funcţiei obiectiv din primală devin termeni liberi în duală şi reciproc;
➢ dacă primala are matricea A a coeficienţilor necunoscutelor sistemului de restricţii,
atunci duala va avea ca matrice 𝐴𝑡 ;
➢ dacă primala are restricţii:
inegalităţi concordante,
inegalităţi neconcordante,
egalităţi,
18
Teorema fundamentală a dualităţii
Pentru orice cuplu de probleme duale este adevărată întotdeauna una şi numai una din
afirmaţiile următoare:
1. dacă una din probleme are optim infinit, atunci cealaltă nu are soluţii posibile;
2. niciuna din probleme nu admite soluţii posibile;
3. dacă una din probleme are optim finit, atunci şi cealaltă are optim finit şi valorile
optime ale celor două funcţii obiectiv coincid.
𝑚 𝑛 𝑛 𝑚
Prin urmare:
➢ dacă soluţia optimă 𝑥 0 a primalei satisface cu inegalitate strictă restricţia i a
problemei, atunci 𝑦𝑖0 = 0, 𝑖 ∈ ̅̅̅̅̅̅
1, 𝑚;
➢ dacă soluţia optimă 𝑦 0 a dualei satisface cu inegalitate strictă restricţia j a problemei,
atunci 𝑥𝑗0 = 0, 𝑗 ∈ ̅̅̅̅̅
1, 𝑛;
➢ dacă o componentă 𝑦𝑖0 a soluţiei optime a dualei este strict pozitivă, atunci soluţia
optimă 𝑥 0 a primalei satisface cu egalitate restricţia i a problemei, 𝑖 ∈ ̅̅̅̅̅̅
1, 𝑚;
➢ dacă o componentă 𝑥𝑗0 a soluţiei optime a primalei este strict pozitivă, atunci soluţia
optimă 𝑦 0 a dualei satisface cu egalitate restricţia j a problemei, 𝑗 ∈ ̅̅̅̅̅
1, 𝑛.
19
Evident că fiecare dintre cele două probleme ale cuplului dual (P) – (D) poate fi soluţionată
direct cu algoritmul simplex.
Într-un astfel de context, se pun două întrebări:
1. poate fi dedusă soluţia uneia dintre probleme pe baza rezolvării celeilalte?
2. dacă răspunsul la prima întrebare este afirmativ, care dintre probleme poate fi
soluţionată mai rapid (mai eficient)?
Teoremă.
Dacă una din problemele duale (P) – (D) are soluţie optimă, atunci soluţia optimă a celeilate
este dată de diferenţele Δ𝑗 corespunzătoare variabilelor de compensare ale problemei
rezolvate, considerate în valoare absolută (|Δ𝑗 |).
20
II. PROBLEME DE OPTIMIZARE ÎN REŢELE DE TRANSPORT
Într-o mare varietate de contexte se pune problema deplasării unei cantităţi Q dintr-un
produs omogen ce poate fi materie, energie, informaţie etc., din unele locuri numite surse
(depozite, furnizori) în alte locuri numite destinaţii (centre de consum), această deplasare
realizându-se pe anumite rute de legătură.
Se cunosc:
➢ disponibilul depozitelor (oferta);
➢ necesarul centrelor de consum (cererea);
➢ costurile unitare de transport de la fiecare deposit la fiecare centru de
consum.
Notăm cu:
➢ 𝑎𝑖 – disponibilul depozitului 𝐷𝑖 , 𝑖 ∈ ̅̅̅̅̅̅
1, 𝑚;
➢ 𝑏𝑗 - necesarul centrului de consum 𝐶𝑗 , 𝑗 ∈ ̅̅̅̅̅
1, 𝑛;
➢ 𝑐𝑖𝑗 - costul unitar de transport pe ruta (𝐷𝑖 , 𝐶𝑗 ), 𝑖 ∈ ̅̅̅̅̅̅
1, 𝑚, 𝑗 ∈ ̅̅̅̅̅
1, 𝑛.
21
Pentru a evita explicaţii şi scrieri numeroase, în prezentarea unei probleme de transport, se
recurge la sintetizarea tuturor informaţiilor legate de ofertă, cerere, costuri unitare, într-un
tabel.
∗
Să se determine 𝑥𝑖𝑗 , 𝑖 ∈ ̅̅̅̅̅̅
1, 𝑚, 𝑗 ∈ ̅̅̅̅̅
1, 𝑛 care satisfac:
𝑚 𝑛
∑ 𝑥𝑖𝑗 = 𝑎𝑖 , 𝑖 ∈ ̅̅̅̅̅̅
1, 𝑚
𝑗=1
𝑚
∑ 𝑥𝑖𝑗 = 𝑏𝑗 , 𝑗 ∈ ̅̅̅̅̅
1, 𝑛
𝑖=1
𝑥𝑖𝑗 > 0, 𝑖 ∈ ̅̅̅̅̅̅
1, 𝑚, 𝑗 ∈ ̅̅̅̅̅
1, 𝑛
22
Remarcăm faptul că problema de transport (P.T.) este o problemă de programare liniară în
forma standard, cu 𝑚 + 𝑛 restricţii şi 𝑚 × 𝑛 variabile.
Se demonstrează că:
𝑟𝑎𝑛𝑔𝐴 = 𝑚 + 𝑛 − 1
Prin urmare, orice soluţie de bază a P.T. are cel mult componente nenule. Distingem:
𝑚 𝑛
∑ 𝑎𝑖 = ∑ 𝑏𝑗
𝑖=1 𝑗=1
𝑚 𝑛
∑ 𝑎𝑖 ≠ ∑ 𝑏𝑗
𝑖=1 𝑗=1
23
2.2. Adaptarea metodei simplex la rezolvarea problemei de transport
𝑚 𝑛
∑ 𝑎𝑖 = ∑ 𝑏𝑗
𝑖=1 𝑗=1
24
Rezolvarea problemei de transport neechilibrate
➢ dacă ∑𝑚 𝑛
𝑖=1 𝑎𝑖 > ∑𝑗=1 𝑏𝑗 (oferta depăşeşte cererea), atunci, pentru echilibrare, se
➢ dacă ∑𝑚 𝑛
𝑖=1 𝑎𝑖 < ∑𝑗=1 𝑏𝑗 (cererea depăşeşte oferta), atunci, pentru echilibrare, se
Observaţii.
1. Pentru consumatorul fictiv sau pentru depozitul fictiv costurile unitare sunt nule
pentru că produsul neexistând, nu se transportă şi, deci, nu produce cheltuieli.
25
BIBLIOGRAFIE
3. Kaufmann, A., Metode şi modele ale cercetării operaţionale, Vol. II, Editura Tehnică,
Bucureşti, 1967;
4. Nica, V., Ciobanu, Gh., Mustață, F., Mărăcine, V., Cercetări operaționale, Editura
MATRIX ROM, București, 1998, ISBN 973-9254-92-6;
26