Documente Academic
Documente Profesional
Documente Cultură
Matricea este pătratică de ordinul n, dacă m = n. În acest caz ea are n2 elemente. Elementele a ii , i =
5. Matrice nulă.
Matricea care are toate elementele nule se numeşte matrice nulă şi se notează cu litera O. Matricea nulă poate fi
dreptunghiulară sau pătratică.
6. Matrice transpusă.
Dacă într-o matrice A de tipul m n schimbăm liniile cu coloanele de acelaşi ordin, atunci obţinem o altă
matrice A' de tipul n m, numită matrice transpusă. Cu alte cuvinte, dacă
A = (a ij )m ∙n, atunci A' = (aij)n∙m.
7. Matrice-linie.
Matricea care are o singură linie se numeşte matrice-linie sau vector-linie.
8. Matrice-coloană.
Matricea care are o singură coloană se numeşte matrice-coloană sau vector-coloană.
Două matrici A şi B sunt egale, dacă sunt de acelaşi tip şi elementele lor corespunzătoare sunt
egale, adică a ij = bij, i = 1, m, j = 1, n.
Se observă cu uşurinţă că dacă A = B, atunci B = A; iar dacă A = B şi B = C, atunci
A = C.
întreprin- Producţia
derea P1 P2 P3 P4
I 1 328 1264 806 1 107
II 1 613 1417 1171 1 208
III 1 192 908 1303 1 157
Pentru aceasta, evident, este suficient de a aduna elementele respective din tabelele 1.1 şi 1.2. Dacă
notăm
1320 1261 802 1105
A= 1613 1415 1168 1206 ;
1190 906 1301 1156
a m1 bm1 a m 2 bm 2 a mn bmn
Definiţia 1.2. Suma (diferenţa) a două matrice A = (aij)mxn şi B = (bij)mXn de acelaşi tip este o matrice
C = (c;j)mxn, de asemenea de acelaşi tip, ale cărei elemente sunt egale cu suma (diferenţa) elementelor
corespunzătoare ale celor două matrice:
Aceste proprietăţi rezultă nemijlocit din definiţia sumei a două matrice şi din proprietăţile numerelor
reale.
Definiţia 1.3. Produsul dintre matricea A = (aij)mXn şi numărul k este o matrice B = (bij)mxn de acelaşi
tip ale cărei elemente bij=k∙aij, i= 1, m , j= 1, n
Adică:
ka11 ka12 ka1n
ka ka ka
B=k.A= .
21 22 2n
kam1 kam 2 kamn
1° 1 - A = A;
2° 0 • A = O (matricea nulă);
3° a(βA) = (aβ)A;
5° α(A + B) = αA + αB.
Matricea ,,—A" este matricea opusă matricei A şi provine din produsul matricei A cu — 1.
Diferenţa a două matrice o putem defini astfel:
A-B = A+(-l) •B.
Înmulţirea a două matrice
Să examinăm din nou problema celor trei întreprinderi, care produc patru tipuri de produse.
Cunoscând programul anual de producţie al fiecărei întreprinderi (matricea C) şi cantităţile a două
resurse necesare pentru a produce o unitate de producţie (tab. 1.3), să se determine volumul anual de
resurse necesare pentru fiecare întreprindere.
Tabelul 1.3
Producţia Resursele
R1 R2
P1 5 7
P2 3 5
P3 4 6
P4 2 3
Pentru a afla volumul anual de consum pentru resursa R1 la prima întreprindere, calculăm suma
produselor elementelor primei linii a matricei C cu elementele corespunzătoare ale coloanei întâi a
matricei
5 7
3 5
R= .
4 6
2 3
Obşinem:
d11 = 2648 . 5 + 2525 . 3 + 1608 . 4 + 2212 . 2 = 31671 ;
d21 = 3226 . 5 + 2832 . 3 + 2339 . 4 + 2414 . 2 = 38810 ;
d31 = 2382 . 5 + 1814 . 3 + 2604 . 4 + 2313 . 2 = 32394 .
31671 47445
d11 d12
D = d 21 d 22 = 38810 58018 .
d 31 d 32
32394 48307
Elementele acestei matrice (numite produsul matricei C cu matricea R) ne arată volumul
anual a celor două resurse necesare pentru fiecare întreprindere. Din cele expuse mai sus se
observă, că pentru a înmulţi două matrice, este necesar ca numărul de coloane ale primei matrice
să fie egal cu numărul de linii ale matricei a doua. Astfel am ajuns la noţiunea de produs a două matrice.
Fie matricele A şi B, atfel încât numărul de coloane ale matricei A este egal cu numărul de linii ale
matricei B, adică A = (aij)mxn> iar B = (bij)nxm
Definiţia 1.4. Prin produsul A•B al matricelor A şi B se înţelege matricea C = (cij)mXp ale cărei
elemente se obţin în modul următor:
n
cij = ai1 b1j + ai2 b2j + ... + ain bnj =
k 1
aik bkj , i= 1, m , j = 1, p .
Matricea C = A • B, după cum se observă, va avea atâtea linii câte linii are matricea A şi atâtea coloane
câte coloane are matricea B. Elementul cy a matricei produs A•B, situat pe linia i şi coloana j, se obţine
calculând suma produselor elementelor liniei i a matricei A cu elementele corespunzătoare ale coloanei j a
matricei B.
înmulţirea matricelor posedă următoarele proprietăţi:
1° Fie matricele A,B,C, astfel încât să existe produsele A ∙ B şi B • C, atunci are loc egalitatea
A • (B • C) = (A • B) • C (asociativitatea).
2° Fie matricele A şi B şi un număr a, atunci, dacă există produsul A • B, avem
(A + B ) ∙ C = A ∙ C + B ∙ C (distributivitatea la dreapta).
4° Dacă matricea A este pătratică, iar E - matrice unitară de acelaşi ordin, atunci
A ∙E = E ∙ A = A.
Deoarece pentru noţiunea de produs a două matrice A şi B are importanţă ordinea AB, rezultă că
înmulţirea matricelor nu este comutativă.
Dacă matricele A şi B sunt matrice pătratice de acelaşi ordin, atunci produsul lor este definit.
Cazuri particulare
3° (A • B)' = B' • A'; Matricea pătratică A se numeşte simetrică, dacă aij = aji, i= 1, n , j = 1, n .
Pentru matricea simetrică A avem A' = A.
unde x 1, x 2,.. .,x n sunt necunoscutele sistemului, iar aij şi bi sunt coeficienţii necunoscutelor şi
respectiv termenii liberi.
Sistemul de ecuaţii este omogen dacă bi = 0, i = l,m, şi neomogen în caz contrar.
Sistemul de ecuaţii liniare poate fi scris sub o formă mai compactă:
n
a x
j 1
ij j bi , i=1, m
Notând
a11 a12 a1n
a a a
A= 21 22 2n
;
a m1 a m 2 a mn
x1 b1
x2 b2
X= ; B= ,
x b
n m
Definiţia 1.5. Numim soluţie a sistemului de ecuaţii liniare (1.1) un ansamblu de valori ale
necunoscutelor x1 = a1, x 2 = a2, ..., xn = an, care verifică toate ecuaţiile sistemului (fiecare ecuaţie,
pentru aceste valori ale necunoscutelor, se transformă într-o identitate), deci
ai1 1 + ai2 2 + ... + ain n = bi , i = 1, m .
Definiţia 1.6. Sistemul de ecuaţii se numeşte compatibil, are soluţii, în caz contrar sistemul este
incompatibil.
A cerceta un sistem de ecuaţii înseamnă a stabili dacă el este compatibil sau incompatibil. în cazul
când sistemul este compatibil, rezolvarea sistemului înseamnă determinarea tuturor soluţiilor lui. Dacă
sistemul compatibil de ecuaţii liniare are o unică soluţie, atunci îl numim compatibil determinat, iar
dacă are mai multe soluţii - îl numim compatibil nedeterminat.
Exemple:
Sistemul de ecuaţii liniare
2 x1 3 x2 24
x1 2 x2 14
Sistemul de ecuaţii
3 x1 9 x2 27
x1 3 x2 9
are o infinitate de soluţii x 1 = k, x2 = (9 — k) /3, unde k este un număr real oarecare. Sistemul este compatibil
nedeterminat.
Sistemul
4 x1 2 x2 11,
2 x1 x2 5
nu are soluţii, deci este incompatibil.
Definiţia 1.7. Două sisteme de ecuaţii cu aceleaşi necunoscute se numesc echivalente, dacă orice soluţie
a primului sistem este soluţie şi a celui de-al doilea sistem şi, reciproc, soluţiile sistemului al doilea sunt
soluţii şi pentru sistemul întâi. Dacă ambele sisteme de ecuaţii nu au soluţii, atunci de asemenea spunem
că sistemele de ecuaţii sunt echivalente.
Definiţia 1.8. Se numeşte transformare elementară a unui sistem de ecuaţii liniare una dintre
următoarele trei operaţii:
În particular, dacă o ecuaţie a sistemului se exprimă liniar prin alte ecuaţii, atunci, înlăturând această
ecuaţie, se obţine un sistem echivalent cu cel iniţial.
Se poate arăta că orice sistem de ecuaţii liniare se transformă într-un sistem liniar echivalent lui prin
orice succesiune finită de transformări elementare.
Exemplu. Sistemul
x1 3x2 6 x3 x4 15
2 x1 4 x2 x3 23
3x1 x2 5 x3 x4 38
7 x1 9 x2 3x3 6 x4 21
x1 3x2 6 x3 x4 15
2 x1 4 x2 x3 23
7 x1 9 x2 3x3 6 x4 21
deoarece ecuaţia a treia a primului sistem este suma primelor două ecuaţii ale lui. Cu alte cuvinte, ecuaţia
a treia a primului sistem depinde liniar de primele două ecuaţii ale lui. Ultimul sistem de ecuaţii este
compatibil nedeterminat, deci şi primul sistem de ecuaţii este compatibil nedeterminat.
Pentru a da răspuns la întrebarea când un sistem de ecuaţii liniare este compatibil, vom introduce
noţiunile de rang al sistemului de ecuaţii şi de rang al matricei, care se bazează pe noţiunea de dependenţa
şi independenţa liniară.
sunt liniar dependente, dacă există p numere reale a 1 , α 2 ,..., a p nu toate nule, astfel încât
a y
i 1
i i 0 nu are loc decât pentru a 1 = a2 = ... = ap = 0, atunci formele numesc liniar
independente.
Definiţia 1.11. Se spune că p ecuaţii ale sistemului de ecuaţii liniare cu n necunoscute sunt liniar
dependente, dacă există p numere a1, αp,..., ap nu toate nule, astfel încât
p
Dacă a y
i 1
i i 0 nu are loc decât pentru a i = 0, i = 1, p , atunci ecuaţiile sunt liniar independente.
Se poate arăta că transformările elementare asupra unui sistem de ecuaţii liniare nu schimbă rangul
sistemului. Unui sistem de ecuaţii liniare, în afară de matricea A = (a ij )mXn , i se mai poate asocia
matricea extinsă A = (aij; bi )mx(n+1) , care se obţine din A prin adăugarea unei coloane formată din
termenii liberi. Este evident că un sistem de ecuaţii liniare determină în mod unic matricea sa extinsă A
şi reciproc. Fiecare din transformările elementare determină o operaţie corespunzătoare asupra matricei
extinse A a sistemului. Aceste operaţii sunt: înmulţirea unei linii cu un număr nenul; permutarea a două
linii; adunarea la o linie a altei linii înmulţite cu un număr.
Vom numi transformare elementară asupra matricei extinse a unui sistem de ecuaţii liniare orice
transformare realizată prin una din cele trei operaţii menţionate mai sus. Ca rezultat al transformărilor ele-
mentare asupra matricei extinse a unui sistem de ecuaţii liniare se obţine matricea extinsă a unui sistem
de ecuaţii liniare, echivalent cu cel dat.
Rangul matricei. Fie o matrice A = (aij)mXn. Vom zice că p linii ale matricei A sunt liniar
n
dependente, dacă formele liniare corespunzătoare lor yi= aij x j , i = 1, p , sunt liniar dependente.
j 1
Definiţia 1.13. Numim rangul matricei A numărul maximal de linii liniar independente. Se
notează rang (A).
2 x1 4 x 2 3 x 3 x4 0,
x 2 x 4 2,
1 x2 3 x4
x2 x3 3 x 4 1,
4 x1 7 x 2 4 x 3 4 x 4 5.
2 4 3 1 0
1 2 1 4 2
A= .
0 1 1 3 1
4 7 4 4 5
Înmulţim prima linie cu (—2) şi o adunăm la linia a doua, apoi o înmulţim cu (-4) şi o adunăm
la linia a patra. Obţinem matricea:
1 2 1 4 2
0 0 1 9 4
A 2= .
0 11 3 1
0 1 0 12 3
Permutând liniile 2 şi 3, obţinem matricea:
1 2 1 4 2
0 1 1 3 1
A 3= .
0 0 1 9 4
0 1 0 12 3
Folosind prima coloană a matricei A 3, putem obţine zerouri pe linia întâi. Pentru aceasta înmulţim prima
coloană cu (+2) şi o adunăm la a doua; apoi o înmulţim cu (—1) şi o adunăm la a treia coloană ş.a.m.d.
Obţinem matricea:
1 0 0 0 0
11 3 1
A 4=
0
.
0 0 1 9 4
0 1 0 12 3
Înmulţim linia a doua a matricei A 4 cu (—1) şi o adunăm la linia a patra. Obţinem matricea:
1 0 0 0 0
1 1 3 1
A 5=
0
.
0 0 1 9 4
0 0 1 9 4
Folosind coloana a doua, putem obţine zerouri în linia a doua pentru coloanele trei, patru şi cinci.
Obţinem matricea:
1 0
0 0 0
A 6=
0 1 0 0 0
.
0 0 1 94
0 0 1 94
Folosind coloana a treia, putem obţine zerouri în coloana a patra şi a cincea. Obţinem matricea A 7. Şi, în
sfârşit, folosind linia a treia a matricei A 7, putem obţine zerouri în linia a patra. Ca rezultat, obţinem
matricea A 8.
1 0 0 0 0 1 0 0 0 0
0 1 0 0 0 0 1 0 0 0
A 7= ; A 8= .
0 0 1 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0 0 0
2 x1 4 x 2 3 x 3 x 4 0,
x1 2 x 2 x3 4 x 4 2,
x 2 x3 3 x 4 1,
care este compatibil nedeterminat. Una din soluţii este:
x i = 11, x 2 = 9, x 3 = 5, x 4 = -1.
Exerciţii propuse
2 0 2 0 2 1 0 1 0 1
0 1 0 1 0 0 2 0 2 0
a) A = ; b) B = ;
2 1 0 2 1 2 1 0 2 1
0 1 0 1 0 0 2 0 2 0
7 6 3 4 1 1 2 3 4
2 0 2 0 2 2 3 4 1
c) C = ; d) D = ;
2 1 0 2 1
3 4 1 2
14126 8 2
4 1 2 3
Răspunsuri
1. a) 3; b) 3; c) 3; d) 4. 2. a) 2; b) 3.
Ideea metodei Gauss constă în următoarele: se efectuează transformări elementare asupra sistemului de
ecuaţii liniare, care conduc la sisteme echivalente, atfel încât în prima ecuaţie necunoscuta x1 să aibă
coeficientul 1, iar din următoarele ecuaţii necunoscuta x1 se exclude (va avea coeficientul nul). Apoi se
trece la ecuaţia a doua şi se efectuează transformări pentru ca coeficientul necunoscutei x2 (sau a altei
necunoscute cu coeficient nenul) să fie 1, iar din următoarele ecuaţii necunoscuta x2 se exclude ş.a.m.d.
Ca rezultat, dacă sistemul de ecuaţii are o singură soluţie (adică este determinat), vom obţine un sistem
echivalent cu cel iniţial, în care toţi coeficienţii situaţi mai jos de diagonala principală vor fi egali cu zero (se
mai spune că am adus sistemul la forma triunghiulară). Sistemul de ecuaţii în final va avea forma:
x1 a'12 x2 a'13 x3 ... a'1n xn b'1 ,
x2 a' 23 x3 ... a' 2 n xn b' 2 ,
x3 ... a'3n xn b'3 ,
xn 1 a' n1,n xn b' n 1 ,
x n b' n .
După cum se vede, din ultima ecuaţie avem deja valoarea necunoscutei xn = b'n. înlocuind această
valoare în ecuaţia precedentă ce conţine două necunoscute, determinăm necunoscuta xn-1 ş.a.m.d. În final,
din prima ecuaţie se determină valoarea necunoscutei x 1 .
Procedeul expus mai sus (metoda lui Gauss) poate fi realizat asupra matricei extinse şi ne permite să
aflăm rangul sistemului de ecuaţii (adică rangul matricei extinse), rangul matricei A a sistemului; să
stabilim dacă sistemul este compatibil sau incompatibil.
Într-adevăr, dacă la o etapă a aplicării metodei Gauss, după eliminarea unui număr de necunoscute, toţi
coeficienţii unei ecuaţii sunt zero, iar termenul liber este diferit de zero, atunci sistemul de ecuaţii este
incompatibil. În acest caz rangul matricei extinse A nu coincide cu rangul matricei A a sistemului. Adică
se observă o legătură între egalitatea rangurilor matricelor A şi A şi compatibilitatea sistemului de ecuaţii
liniare.
Folosind noţiunea de rang al matricei, putem determina (fără a rezolva sistemul) dacă un sistem de m
ecuaţii liniare cu n necunoscute are soluţii (este compatibil).
Teorema Kronecker-Capelli
Teorema 1.1. Condiţia necesară şi suficientă ca un sistem de m ecuaţii liniare cu n necunoscute să fie
compatibil este ca rangul matricei sistemului să fie egal cu rangul matricei extinse:
rang A = rang A .
Demonstraţie. Necesitatea. Fie sistemul de ecuaţii liniare:
n
a
j 1
ij x j bi , i = 1, m
Să presupunem că sistemul este compatibil şi fie x1 = α1, x2 = α2 ,…, xn = αn o soluţie a lui. Atunci avem:
a
j 1
ij j bi , i = 1, m .
Deoarece sistemul de ecuaţii liniare este compatibil, rezultă că ultima coloană a matricei A * este nulă.
Dar atunci matricea A *are acelaşi rang ca şi matricea A = (aij)mxn, întrucât diferă de matricea A numai
prin ultima coloană, care este nulă şi nu influenţează asupra rangului matricei.
Având în vedere că transformările elementare nu schimbă rangul matricei, rezultă:
rang(A) = rang(A ) = rang(A).
Suficienţa. Să presupunem că rang(A) — rang(A) = r. Vom arăta că sistemul de ecuaţii liniare este
compatibil. Reamintim că la rezolvarea unui sistem de ecuaţii liniare prin metoda eliminării succesive a
necunoscutelor se efectuează un şir de transformări elementare asupra matricei extinse A a sistemului.
Dacă r = rang (A) < m, atunci prin transformări elementare putem aduce sistemul iniţial de ecuaţii liniare
la un sistem echivalent lui cu matricea extinsă de forma:
1 b'1
a'12 a'1,r a '1,r 1 a'1,n
0 1 a ' 2,r a' 2,r 1 a ' 2,n b' 2
A r = 0 0 1 a' r ,r 1 a' r ,n b' r 1 .
0 0 0 0 0 b' r 1
0 0 0 0 0 b' m
În mod obligator b’i = 0, i = r 1, m , pentru că, în caz contrar, rangul matricei A r n-ar fi egal cu r.
Dar acestea din urmă şi sunt tocmai condiţiile în care sistemul de ecuaţii liniare este compatibil. ▲
În caz de compatibilitate, sistemul de ecuaţii liniare este determinat, dacă r = n, şi nedeterminat, dacă
r < n, având gradul de nedeterminare n — r.
Consecinţa 1.1. Din teorema Kronecher-Capelli rezultă că orice sistem liniar şi omogen (toţi termenii
liberi bi = 0) cu rangul mai mic decât numărul necunoscutelor posedă soluţii nenule.
r = rang(A) = rang( A ) = 3;
n-r = 4 - 3 = 1
Pentru a determina o soluţie concretă (particulară), este de ajuns să atribuim o valoare concretă
necunoscutei x4 . De exemplu, dacă luăm x4 = —1, atunci obţinem:
x1 2 x2 x3 2 4 x1 2 x2 x3 2,
x 2 x3 1 3 x2 x3 4,
x3 4 9 x3 5.
a x ai 2 x 2 a is x s ain x n bi ,
i1 1
a r1 x1 a r 2 x 2 a rs x s a rn x n br ,
a m1 x1 a m 2 x 2 a ms x s a mn x n bm .
Fie că dorim să exprimăm necunoscuta x s din ecuaţia cu numărul r prin celelalte. Aceasta este
posibil totdeauna, dacă numai coeficientul a rs ≠ 0. Avem:
br a r1 a ar ,s 1 a r , s 1 a
xs = x1 r 2 x2 x s 1 x s 1 rn xn .
ars a rs a rs ars a rs ars
Înlocuind x s prin expresia obţinută, vom avea pentru ecuaţia cu numărul i:
a a a a a a a b
ai1 is r1 x1 ai 2 is r 2 x 2 ain is rn x n bi is r , i 1, m, i r,
a rs a rs a rs a rs
Sau
ai1 x1 ai1 x1 ai1 x1 ai1 x1 bi,
Unde
ais a rj aij ars ais arj bi ars aisbr
aij aij , b i , i 1, m, i r, j 1, n, j s.
a rs ars ars
Pentru i = r, avem:
ar1 x1 ar 2 x2 arj x j xs arn
xn br ,
Unde
a rj br
a rj , br .
a rs a rs
În urma acestor transformări, obţinem un sistem de ecuaţii liniare echivalent cu cel dat.
Dacă k = rang(A) < m, atunci putem efectua k paşi (exprima k necunoscute prin celelalte
n — k necunoscute) ale metodei eliminării complete şi ca rezultat obţinem un sistem echivalent a
cărui matrice extinsă are forma:
1 a1,k 1 a1n b1
0 0
0 1 0 a 2 ,k 1 a 2 n b2
A k = 0 0 1 a k ,k 1
a kn bk .
0 0 0 0 0 bk 1
0 0 0 0 0 bm
Observaţia 1.1. Dacă la o etapă a metodei eliminării complete obţinem că toţi coeficienţii arj = 0,
iar br ≠ 0, atunci sistemul de ecuaţii nu are soluţii (este incompatibil); dacă însă toţi a rj = 0 şi br = 0,
atunci rangul sistemului de ecuaţii va fi mai mic decât m.
Pentru a facilita rezolvarea sistemelor de ecuaţii liniare, se folosesc tabelele Gauss. Trecerea de la un
sistem de ecuaţii liniare la altul, echivalent cu el, prin metoda Jordan-Gauss va însemna trecerea de la un
tabel Gauss la altul.
Tabelul iniţial are forma (tab. 1.4):
Tabelu 1.4
x1 x2 … xj … xs … xn B
a11 a12 … a1j … a1s … a1n b1
a21 a22 … a2j … a2s … a2n b2
… … … … … … … …
ai1 ai2 … aij … ais … ain bi
… … … … … … … …
ar1 ar2 … arj … ars … arn br
… … … … … … … …
În acest tabel considerăm un element oarecare ars ≠ 0, pe care îl numim pivot (element
dominant). Acest element în tabel se pune în evidenţă cu ajutorul unei casete. Linia şi coloana
în care se află pivotul se numesc respectiv linia pivotului şi coloana pivotului.
Efectuând transformările ce corespund metodei eliminării complete, obţinem în urma
primei iteraţii tabelul 1.5, în care elementele se calculează după formulele obţinute anterior:
4
arj br aij ars ais arj bi ars aisbr
arj , br , aij , bi , j 1, n, j s, i 1, m, i r.
ars ars ars ars
Tabelu 1.5
x1 x2 … xj … xs … xn B
a 11 a 12 … a 1j … 0 … a 1n b 1
a 21 a 22 … a 2j … 0 … a 2n b 2
… … … … … … …… …
a i1 a i2 … a ij … 0 … a in b i
… … … … … … …… …
a r1 a r2 … a rj … 1 … a rn b r
… … … … … … … …
a m1 a m2 … a mj … a ms … a mn b m
Observăm că elementele ais, ars, aijj,arj sunt vârfurile unui „dreptunghi" în tabelul lui Gauss.
Fiecare iteraţie, după alegerea pivotului, se efectuează după următoarele reguli:
5
3x1 6 x 2 x3 25,
x1 x 2 3x3 2,
x 2 x 5 x 9.
1 2 3
Rezolvare. Tabelul iniţial şi toate celelalte tabele obţinute la fiecare iteraţie sunt reprezentate în tabelul
1.6.
Tabelu 1.6
x1 x2 x3 B
Sistemul iniţial 3 -6 -1 25
1 -1 3 2
1 2 5 -9
Prima iteraţie 0 -3 -10 19
1 -1 3 2
0 3 2 -11
A doua iteraţie 0 12 0 -36,0
1 -5,5 0 18,5
0 1,5 1 -5,5
A treia iteraţie 0 1 0 -3
1 0 0 2
0 0 1 -1
La prima iteraţie a fost ales pivotul a21 = 1. Conform regulii dreptunghiului, avem, de exemplu:
a12a21 a11a22 6 1 3 1 6 3
a12 3.
a21 1 1
La a doua şi a treia iteraţie pivoţii au fost luaţi respectiv a33 = 2 şi a12= 12.
La ultima iteraţie obţinem soluţia sistemului:
x1 =2; x2 = —3; x3 = —1.
Mai jos vom examina un exemplu de sistem de ecuaţii liniare compatibil nedeterminat:
3 x1 2 x 2 x3 4 x 4 3 x5 2,
5 x1 4 x 2 3 x3 3 x 4 x5 12 .
Tabelul iniţial şi toate celelalte tabele obţinute la fiecare iteraţie sunt prezentate în tabelul 1.7
Tabelul 1.7
x1 x2 x3 x4 x5 B
Sistemul 3 2 1 4 -3 -2
inişial 5 4 3 3 -1 12
Prima 3 2 1 4 -3 -2
6
iteraţie -4 -2 0 -9 8 18
A doua -1 0 1 -5 5 16
iteraţie 2 1 0 4,5 -4 -9
Din ultimul tabel putem scrie sistemul respectiv:
x x3 5 x 4 5 x5 16,
2 x1 x 2 4,5 x 4 4 x5 9.
Deseori în probleme economice este necesar de a determina soluţiile de bază admisibile ale unui sistem de
ecuaţii liniare (acele soluţii de bază unde necunoscutele iau valori nenegative). Vom arăta cum pot fi aflate
atare soluţii (dacă eie există). Mai întâi, vom face ca toţi termenii liberi bi ai sistemului de ecuaţii să fie
nenegativi, adică bi ≥ 0 (pentru aceasta înmulţim ambii membri ai ecuaţiei cu (—1), dacă bi < 0).
Pentru a afla una sau mai multe soluţii de bază admisibile, putem folosi metoda Jordan-Gauss, cu
condiţia ca pivotul ars să fie pozitiv şi să fie ales astfel, ca termenii liberi b′i ai sistemului echivalent nou
obţinut să fie totdeauna nenegativi.
Conform transformărilor ce corespund metodei eliminării complete cu condiţiile adăugătoare indicate
mai sus, avem:
7
bi a rs a is br a b
b' i 0 bi is r 0.
a rs a rs
Dacă a is 0, atunci
bi b b b
r 0 i r
a is a rs a is a rs
pentru orice i pentru care a is 0, adică
br b
min i .
a rs ais :0 a is
bi a rs aisbr a b
bi 0 bi is r 0.
a rs a rs
Dacă ais 0
Din cele spuse mai sus, rezultă că pentru a afla soluţia de bază admisibilă a unui sistem de ecuaţii
liniare, putem utiliza metoda Jordan-Gauss, cu condiţia că pivotul se determină de fiecare dată în felul
următor:
1) în calitate de coloană a pivotului se alege coloana s ce conţine
cel puţin un element pozitiv,
■
2) dacă coloana pivotului conţine câteva elemente a is pozitive,
atunci aflăm raportul dintre termenii liberi corespunzători bi, şi aceste elemente şi în calitate de linie a
pivotului o alegem pe acea din ele pentru care raportul respectiv este minimal.
Exerciţii rezolvate
3x1 2 x2 x3 4 x4 3 x5 2
5 x1 4 x2 3x3 3x4 x5 12
3 21 1 2 -2 3 2 1
11 0 5 11 -7 8
2 51 0 9 10 4 5 95 9 8
X= 0, , ,0,0
11 5 0 1 11 5 7 5 85 5 5
x1 2 x2 x3 3 x4 6
2 x1 x2 4 x3 2 x4 8
Necunos- Soluţi
cutele x1 x2 x3 x4 B de bază
de bază admisibilă
1 2 1 3 6
2 -1 4 -2 8
0 52 -1 4 2
1 1 2 2 -1 4
9
x2 0 1 2 5 8 5 45 22 4
x1 x1= , ,0,0
1 0 95 22 5 5 5
1 5
x4 0 5 8 1 4 1 12 9 1
x1 x2= ,0,0,
1 18 7 4 0 92 2 2
x4 1 7 9 14 0 1 87 18 8
x3 x3= 0,0, ,
4 7 1 14 1 0 18 7 7 7
x2 29 1 0 14 9 16 9 16 22
x3 x4= 0, , ,0
59 0 1 1 9 22 9 9 9
Exerciţii propuse
x1 3x2 x3 5 2 x1 3x2 x3 x4 3
x 4x
a x1 x2 5 x3 7 1 x4 7
b
2
2 x x x 2
1 2 3 x1 2 x3 x 4 3
2 x 2 3 x3 2 x 4 3
x1 2 x2 x3 x4 1
2 x x x x 1 3 x1 4 x2 x3 2 x4 13
1 4 x x 2 x 3 x 14
c
2 3 4
1
x1 2 x2 x3 2 x4 5 d
2 3 4
x1 2 x2 3 x3 4 x4 11
x1 x2 2 x3 x4 2
3 x1 3 x2 4 x3 x4 1 2
x1 3x2 2 x3 6 x1 4 x2 2 x3 9
e 2 x1 4 x2 x3 7 f 2 x1 3x2 x3 7
x 2x 5 x 2 3x 2 x 3 x 11
1 2 3 1 2 3
x1 x 2 x3 3x 4 16, 2 x1 x3 x 4 12,
a b
x1 x 2 3x 3 x 4 8; x1 x 2 4 x 3 12 .
3x1 x2 2 x3 8, x1 x 2 2 x3 4 x 4 0,
a 5 x1 5 x2 3x3 15, b x1 2 x 2 3x3 6 x 4 3,
x 3x x 1; x x3 2 x 4 3;
1 2 3 1
10
2 x1 3 x2 5 x3 x4 18, x1 2 x2 3x3 9,
c
6 x1 2 x2 4 x3 2 x4 14; d 4 x1 5 x2 6 x3 8,
7 x 8 x 2 x 7.
1 2 3
4.Să se arăte că sistemul de ecuaţii liniare este incompatibil
4 x1 5 x2 6 x3 6, 3x1 4 x2 2 x3 6,
a x1 x2 x3 1, b x1 2 x2 x3 2,
3 x 4 x 5 x 2; 2 x 4 x 2 x 3;
1 2 3 1 2 3
x1 2 x2 3x3 4, 2 x1 x 2 4 x3 6,
c 6 x1 x2 4 x3 6, d )5 x1 6 x 2 x3 10,
2 x 4 x 6 x 7; 3x 7 x 3x 3.
1 2 3 1 2 3
Răspunsuri
1. a x1 1, x 2 2, x 3 2; b x1 1, x 2 2, x 3 3, x 4 4;
c x1 1, x 2 1, x 3 2, x 4 2; d x1 2, x 2 1, x 3 1, x 4 1;
e x1 1, x 2 1, x 3 1; f x1 1, x 2 1, x 3 2;
2.a 4;12;0;0, 10;0;6;0, 0;10;0;2, 0;0;4;4;
b 0;12;0;12 , 6;18;0;0, 4;0;4;0 , 0;0;3;9.
Dacă necunoscutelor x1, x2,..., xn li se atribuie diferite valori concrete, atunci obţinem
valorile respective pentru y1, y2,..., yn. Aşadar, problema directă se rezolvă uşor.
Să presupunem acum că ne interesează problema inversă: pentru diferite valori ale parametrilor
yi,y2, ...yn , să aflăm valorile respective ale necunoscutelor xi, x2,..., xn. Pentru aceasta, rezolvam un
11
sistem de n ecuaţii cu n necunoscute. însă această cale nu este eficientă dacă avem mai multe
variante de valori ale parametrilor y1, y2,...,yn
Utilizând metoda Jordan-Gauss, vom încerca să exprimăm necunoscutele x1,x2, ... xn prin y1,y2,
....,yn- Acest lucru poate fi efectuat dacă formele liniare sunt liniar independente. Ca rezultat vom
obţine sistemul:
b
n1 bn 2 bnn
Această matrice are proprietatea, că fiind înmulţită la stânga (şi la dreapta) cu matricea
Din cele spuse mai sus rezultă că noţiunea de matrice inversă se referă numai la matricea
pătratică. De reţinut că nu orice matrice pătratică are matrice inversă. Putem însă spune că, dacă
pentru matricea A a sistemului de n forme liniare cu n necunoscute Y = A • X,
12
există matricea inversă A-1, atunci, utilizând metoda eliminării complete, vom obţine:
x1 y1
x y Aşadar, am ajuns la concluzia
X A 1 Y , unde X 2 ; Y 2 .
că dacă este necesar de a
x y calcula valorile
n n
necunoscutelor x 1,x2,...,xn pentru mai multe variante de valori ale parametrilor y1,y2 , ... ,yn, atunci este
mai eficient de aflat matricea invercă A-1 şi apoi de a o înmulţi cu vectorul-coloană de valori y1, y2, ... ,yn.
Fie un sistem de n ecuaţii cu n necunoscute, scris sub forma matriceală A • X = B. Dacă matricea A
admite matricea inversă A-1, adică este inversabilă, atunci sistemul este compatibil determinat, înmulţind
ambii membri la stânga cu A -1, obţinem A-1 • A • X = A-1 • B sau X = A-1 • B, deoarece A-1 • A = E, iar
E • X = X. Metoda de rezolvare a unui sistem de ecuaţii liniare, utilizând matricea inversă A-1, poartă
denumirea de metoda matriceală.
Să ilustrăm cele spuse mai sus prin exemple.
y1 2 x1 x 2 3x3 ,
y 2 2 x1 x 2 3x3 ,
y 4x x3 .
3 1
Rezolvare. Exprimăm necunoscuta x2 din a doua formă liniară prin celelalte şi o eliminăm din celelalte
forme prin înlocuire. Obţinem sistemul echivalent:
y1 4 x1 y 2 ,
x2 2 x1 y 2 3x3 ,
y 4x x3 .
3 1 13
La etapa a doua exprimăm necunoscuta x 3 din a treia formă liniară. Ca rezultat obţinem sistemul:
y1 4 x1 y 2 ,
y 2 10 x1 x2 3x3 ,
y 4 x y3 .
3 1
Şi, în sfârşit, exprimând necunoscuta
X1 din prima formă liniară, obţinem sistemul de forme liniare, unde deja necunoscutele x1 x2, x3 sunt
exprimate prin y 1 , y 2 , y 3 :
1 1
x
1 y 1 y2 ,
4 4
5 7
x2 y1 y2 3 y3 ,
2 2
x3 y1 y2 y3 .
1 1
0
4 4
5 7
A 1 3
2 2
1 1 1
2 1 3
A 2 1 3
4 0 1
14
Într-adevăr,
1 1
2 1 3 0
4 4 1 0 0
A A1 2 1 3 5 7
3 0 1 0
4 0 1 2 2 0 0 1
1 1 1
Pentru a afla valorile necunoscutelor x1, x2, x3, este suficient de înmulţit matricea inversă A -1
cu fiecare din vectorii daţi:
1 1
0
x1 4 4 7 1
5 7
x2 3 11 12
x 2 2 3 1
3 1 1 1
adică x1 1, x 2 12, x3 1;
1 1 11
0
1
x 4 4
9 4
5 7 155
x2 3 2
x 2 2 16 2
3 1 1 1 27
15
11 155
adică x1 , x2 , x3 27.
4 2
Calculele pentru determinarea matricei inverse A-1 pot fi efectuate mai comod folosind
tabelul Gauss. Pentru aceasta, la dreapta (sau la stânga) matricei A se alătură o matrice
unitate E de acelaşi ordin.
După efectuarea a trei iteraţii, conform algoritmului metodei Jordan-Gauss, în ultimul
tabel, în partea dreaptă, obţinem matricea inversă (tab. 1.10).
Observaţia 1.2. Din tabelul 1.10 se observă că pivoturile au fost alese de fiecare dată pe
diagonala principală (aşa şi se cere). Insă aceasta nu totdeauna este posibil, deoarece pivotul
trebuie să fie diferit de zero. In acest caz, pentru a obţine matricea inversă este necesar de a
schimba locul liniilor în aşa fel, încât în partea stângă să fie matricea unitate. Atunci în partea
dreaptă vom obţine inversa matricei date.
1 0 2
A 3 0 1
0 2 0
Rezolvare. în urma calculelor obţinem tabelul 1.11. Permutând liniile a doua şi a treia, obţinem
matricea inversă:
1 2
0
5 5
1
A1 0
2
0
3 1 0
5 5
16
Tabelul 1.10
x1 x2 x3 y1 y2 y3
-2 1 3 1 0 0
2 1 3 0 1 0
4 0 1 0 0 1
-4 0 0 1 -1 0
2 1 3 0 1 0
4 0 1 0 0 1
-4 0 0 1 -1 0
-10 1 0 0 1 -3
4 0 1 0 0 1
1 0 0 1 4 1 4 0
0 1 0 5 2 7 2 -3
0 0 1
1 -1 1
17
În încheiere constatăm că dacă, luând pivotul în diferite linii şi diferite coloane ale matricei date, nu
putem efectua n iteraţii ale algoritmului metodei eliminării complete, atunci nu există matricea inversă.
x1 x2 x3 y1 y2 y3
1 0 2 1 0 0
3 0 1 0 1 0
0 2 0 0 0 1
1 0 2 1 0 0
0 0 -5 -3 1 0
0 2 0 0 0 1
1 0 0 -1/5 2/5 0
0 0 1 3/5 -1/5 0
0 2 0 0 0 1
1 0 0 -1/5 2/5 0
0 0 1 3/5 -1/5 0
0 1 0 0 0 1/2
Exerciţii propuse:
1. Să se determine inversa matricei:
1 2 0 4 0 1
a A 3 2 1 ; b B 2 1 3
0 1 2 2 1 3
2 1 1
c C 1 2 2 .
3 1 1
18
2.Să se rezolve prin metoda matriceală sistemul de ecuaţii liniare:
3x1 x2 x3 3, 4 x1 3x2 2 x3 5,
a x1 2 x2 2 x3 3, b 7 x1 2 x2 4 x3 2,
2 x x x 4; 5 x 4 x 3x 1;
1 2 3 1 2 3
x1 2 x2 x3 1, 4 x1 x2 3 x3 4,
c 2 x1 x2 x3 2, d 2 x1 3x2 x3 2,
3x 2 x 2 x 2; x 5 x 4 x 4;
1 2 3 1 2 3
x1 2 x2 4 x3 5, 3x1 2 x2 x3 2,
e 2 x1 4 x2 3x3 1, f x2 2 x3 1,
3x x 5 x 2; x 2x 1.
1 2 3 1 2
Răspunsuri
159 141
1. a x1 1; x2 2; x3 4. b x1
60
; x2 ; x3
87 87 87
c x1 2; x2 1; x3 3. d x1 5; x2 6; x3 10 .
Observaţia 1.3. Daca pentru un sistem dat de ecuaţii nu există matricea inversă, atunci
sistemul nu are soluţie sau are o infinitate de soluţii (este compatibil nedeterminat).
Proprietăţile matricii inverse
1 A B = B 1 A1 .
1
Într-adevăr,
A B B 1 A 1 E
Şi
B 1 A 1 A B E ,
19
Proprietăţile matricei inverse
1̊ (A•B)-1=(B-1•A-1)=E
Într-adevăr,
(A•B) •(B-1•A-1)=E
Şi
(B-1 •A-1) •(A•B)=E
ceea ce înseamnă că B -1 •A-1 este inversa matricei A • B, adică B-1 -A-1 = (A•B) -1. într-adevăr,
conform proprietăţii de asociativitate a produsului matricelor, avem:
A B B 1 A 1 AB B 1 A 1 A E A 1 A A 1 E
şi
B 1
A 1 A B B 1 A 1 A B B 1 E B B 1 B E.
2° Transpusa inversei unei matrice pătratice este egală cu inversa matricei transpuse, adică
(A- 1 )'=(A')- 1
A 1
A A1 A E E,
(A- 1 )'=(A')- 1
A2 = A • A,
An A
A
A,
n ori
20
unde n - număr natural. Dacă matricea A admite A -1, atunci A° = E, A -n = (A -1)n . Se poate
arăta că:
A n A n A 0 E,
A m A n A m n ,
A m n
A mn ,
unde m şi n sunt numere întregi.
Să examinăm economia naţională sub forma agregată, compusă din trei ramuri: industria,
agricultura şi celelalte ramuri luate împreună. Presupunem că în baza rezultatelor activităţii tuturor
obiectelor economice a fost întocmită balanţa (în unităţi băneşti) dintre ramuri pe anul precedent
(tab. 1.12). Fiecare ramură figurează în balanţă ca producător şi drept consumator. Datele din
primele trei coloane caracterizează costul producţiei, produse în ramura i şi folosită nemijlocit în
ramura j pentru a obţine volumul de producţie anual (datele din coloana a cincia).
Pentru a afla coeficientul cheltuielilor directe atj, se vor împărţi datele din fiecare coloană
(primele trei coloane) a balanţei la mărimea volumului de producţie anual corespunzător.
Obţinem matricea coeficienţilor cheltuielilor directe:
21
Tabelul 1.12
Coeficienţii cheltuielilor directe a,ij ne arată cheltuielile din ramura i pentru a produce în ramura j o
unitate de producţie. Cunoscând matricea coeficienţilor cheltuielilor directe A = (aij)nxn, unde n -numărul
de ramuri, se poate întocmi un program de activitate al fiecărei ramuri pe anul viitor, care ar asigura
balanţa dintre ramuri şi volumul consumului final.
Dacă vom nota prin xi, x2, . . ., xn volumul anual de producţie respectiv pentru fiecare ramură, iar prin y1
y2,..., yn volumul consumului final, atunci modelul matematic al balanţei dintre ramuri are forma:
x n a n1 x1 a n 2 x 2 a nn x n y n
a n1 x1 a n 2 x2 1 a nn xn y n .
22
20,5 8,4 5,6
x1 86,5 x1 39,2 x 2 28,6 x 3 y1
14,8 5,1 1,1
x2 x1 x2 x3 y 2
86,5 39,2 28,6
11,3 2,4 1,9
x3 x1 x2 x3 y 3
86,5 39,2 28,6
1 86,5 x1 39,2 x 2
20,5 8,4 5,6
x3 y1 ,
28,6
14,8
1 x2 1,1 x3
5,1
x1 y2 ,
86 ,5 39 , 2 28 , 6
11,3
1 x3 y3 .
2,4 1,9
x1 x2
86,5 39,2 28,6
Matricea B = (bij)nxm se numeşte matricea coeficienţilor cheltuielilor complete (ale celor directe şi
indirecte). Coeficienţii cheltuielilor complete bij ne arată cheltuielile din ramura i necesare pentru a
produce în ramura j o unitate de producţie pentru consum final. Ştiind matricea B (matricea
coeficienţilor cheltuielilor complete), putem, pentru diferite variante ale consumului final, să
determinăm programul anual de producţie corespunzător pentru fiecare ramură.
In exemplul de mai sus avem:
Probleme propuse
2. La o întreprindere funcţionează 4 secţii. Fiecare din ele produce un singur fel de producţie.
Coeficienţii cheltuielilor directe aij (cheltuielile producţiei din secţia i, folosite ca materie primă
(semifabricate) pentru a produce în secţia j o unitate de producţie) şi volumul de producţie yi din
secţia i prevăzut pentru vânzare sunt prezentate în tabelul 1.14.
Tabelul 1,14
Să se afle:
24
- matricea coeficienţilor cheltuielilor complete;
a 11x 1 a 12x 2 b 1 ,
a 21x 1 a 22x 2 b 2 .
a 11 a 12
A .
a 21 a 22
Pentru a rezolva sistemul, exprimăm, de exemplu, necunoscuta x2 din ecuaţia a doua (acest lucru poate fi
făcut dacă a22 ≠ 0) şi obţinem:
b 2 a 21x 1
x2 .
a 22
b 2 a 21 x 1
a 11 x 1 a 12 b1
a 22
sau
a 11a 22 a 21a 12 x 1 b 1 a 22 b 2 a 12 .
presupunem că a 11a 22 a 21a 12 0. Atunci
b 1 a 22 b 2 a 12 a b a 21b 1
x1 ; x 2 11 2 .
a 11a 22 a 21a 12 a 11a 22 a 21a 12
26
Numitorul comun pentru valorile necunoscutelor x 1 şi x2 se exprimă destul de simplu prin
elementele matricei A a sistemului. El este egal cu produsul elementelor de pe diagonala principală a
matricei A minus produsul elementelor situate pe diagonala secundară. Acest număr se numeşte
valoarea determinantului matricei A şi se notează:
a11 a12
det A a11a 22 a 21a12 .
a 21 a 22
Deoarece matricea A este matrice de ordinul doi, vom spune că avem determinant de ordinul doi.
Vom nota
b1 a 12 a 11 b1
Δ1 , Δ2 .
b2 a 22 a 21 b2
Atuci
Δ1 Δ2
x1 şi x 2 .
Δ Δ
Aceste formule, obţinute pentru rezolvarea sistemului de două ecuaţii liniare cu două necunoscute
poartă denumirea de regula lui Cramer.
5 3 2 5
1 20 18 2, 2 12 5 7.
6 4 1 6
1 2 2 7
Aşşada : x1 , x2 .
5 5 Să examinăm
acum un sistem de trei ecuaţii liniare cu trei necunoscute:
Vom proceda ca şi mai sus. Exprimăm, de exemplu, necunoscuta x3 din ecuaţia a treia (dacă a 33 ≠ 0) şi
substituim expresia pentru x 3 în prima şi a doua ecuaţie. Mai departe, exprimăm, de exemplu, x 2 din
ecuaţia a doua a sistemului echivalent obţinut (dacă a22 ≠ 0) şi substituim expresia pentru x2 în prima
ecuaţie. În urma acestor transformări obţinem:
(a 11 a 2 2 a 3 3 + a 12 a 2 2 a 31 + a 2 1 a 3 2 a 13 - a 31 a 2 2 a 13 - a 2 1 a 12 a 3 3 - a 3 2 a 2 3 a 11 )x 1 = b 1 a 2 2 a 3 3 + a 12 a 2 2 b 3 +
b 2 a 3 2 a 13 - b 3 a 2 2 a 13 - b 2 a 12 a 3 3 - a 3 2 a 2 3 b 1 .
Coeficientul necunoscutei x\ în această ecuaţie obţinută se numeşte determinant de ordinul trei pentru
matricea A a sistemului de ecuaţii liniare şi se notează:
28
După cum se observă, primul termen al determinantului este produsul elementelor de pe diagonala
principală a matricei A. Fiecare din următorii doi termeni se obţin ca produsul elementelor ce se află în
vârfurile unui triunghi cu baza paralelă cu diagonala principală a matricei A . Ceilalţi trei
termeni, care sunt cu semnul minus, se calculează la fel, numai că faţă de cealaltă diagonală
(secundară) a matricei A.
b1 a12 a13
b 1 a 2 2 a 3 3 +a 12 a 2 3 b 3 +b 2 a 32 a 13 -b 2 a 12 a 3 3 -
1 b2 a 22 a 23
b3 a 32 a 33 -a 3 2 a 2 3 b 1 .
1
Aşadar, am obţinut x1 1 . Pent ru 0 , avem x 1 =
2
Substituind expresia pentru x 1 , în ecuaţia a doua a sistemului echivalent, obţinem: x 2 = ,
29
unde
a 11 b1 a 13
Δ 2 a 21 b2 a 23 .
a 31 b3 a 33
3
Şi, în sfârşit, substituind expresiile pentru x 1 şi x 2 în ecoaţia a treia, obţinem: x 3 = , unde
a11 a12 b1
Δ 2 a 21 a 22 b2 . Aşadar, dacă determinantul
a 31 a 32 b3 sistemului din trei ecuaţii liniare
cu trei necunoscute este diferit de zero, atunci pentru rezolvarea sistemului poate fi aplicată regula
lui Cramer:
1
x1 , x2 2 , x3 3 .
Exemplu. Să se rezolve sistemul de ecuaţcu liniare
x1 2 x2 x3 7,
2 x2 x2 2 x3 9,
x x 3 x 8.
1 2 3
Deoarece 0, pentru rezolvarea sistemului poate fi aplicată regula lui Cramer. Avem:
7 2 1 1 7 1
1 9 1 2 30, 2 2 9 2 10,
8 1 3 1 8 3
1 2 7
3 2 1 9 20.
1 1 8
30
1 30 10 20
Aşadar: x1 = 3, x2 = 2 1, x3 = 3 2.
10 10 10
De menţionat că orice termen al determinantului de ordinul trei este produsul a trei elemente
luate câte unul din fiecare linie şi fiecare coloană.
Fie o matrice pătratică de ordinul n:
a
11 a12 a1n
a 21 a 22 a 2 n
A .
a a n 2 a nn
n1
Examinăm produsul a câte n elemente ale acestei matrice, luate câte unul din fiecare linie şi fiecare
coloană, adică a1α1 ∙a2α2∙...∙a nαn, unde (α 1 , α 2 ,.. ., α n ) este o permutare a numerelor 1,2, ...,n.
Numărul unor astefel de produse este egal cu numărul de permutări diferite din n simboluri,
adică n! = 1 • 2 • ... • n.
Vom considera toate aceste numere obţinute drept termeni ai determinantului de ordinul n,
corespunzător matricei A. Pentru a determina semnul cu care produsul a1α1 ∙a2α2∙...∙a nαn va
apărea ca termen al determinantului, aflăm numărul k de transpoziţii ce aduce permutarea
( 1 , 2 , . . . , n) la permutarea (α 1 , α 2 ,.. ., α n ). Constatăm că la determinanţii de ordinul doi şi
trei cu semnul plus se iau termenii unde numărul de transpoziţii k este par, iar cu semnul
minus - termenii pentru k impar. Este firesc să se păstreze această regulă şi pentru determinanţi
de ordinul n.
Definiţia 1.15. Numim determinant de ordinul n al matricei pătratice A suma a n! termeni de forma
(-l)k α 1α1 ∙ α 2α2∙...∙ α nαn, unde k este numărul de transpoziţii ce aduce permutarea 1,2,..., n la permutarea
ai, α 1 , α 2 ,.. ., α n Determinantul de ordinul n se notează:
a
11 a12 a1n
a 21 a 22 a 2 n
A .
a a n 2 a nn
n1
Pentru calcurarea determinantilor de ordin n ≥ 4 uneori este mai util sa aplicam proprietatile acestora.
31
1.3.2. Proprietatile determinantilor
1° Determinatul unei matrice este egal cu determinatul matricei transpunse.
Pentru o matrice de ordinul doi, avem
a11a12
a11a22 a21a12 ;
a21a22
a11a21
' a11a22 a12a21,
a12a22
Adică ' .
Pentru matricea de ordinul n, avem că toţi factorii în termenul (-l)k a1α1 ∙a2α2∙...∙anαn al
determinantului ∆, rămân în diferite linii şi coloane în determinantul ∆'. Luând în consideraţie că la
transpunerea matricei ∆ paritatea numărului de transpoziţii k nu se schimbă, rezultă că termenul dat al
determinantului ∆ va fi termen şi în determinantul ∆'.
2° Dacă toate elementele unei linii (sau ale unei coloane) a unei matrice sunt nule, atunci
determinantul matricei este egal cu zero.
într-adevăr, fie că toate elementele unei linii ale matricei sunt egale cu zero. Deoarece în fiecare
termen al determinantului vom avea ca factor un element din aceasta linie, rezultă că toţi termenii
determinantului vor fi egali cu zero.
3° Dacă într-o matrice permutăm două linii (sau două coloane), atunci determinantul îşi schimbă
semnul.
Pentru o matrice de ordinul doi avem:
a11 a12
a11a 22 a 21a12 ;
a 21 a 22
a 21 a 22
0 a 21a12 a11a 22 a11a 22 a 21a12 ,
a11 a12
adică 0 .
In cazul unei matrice de ordinul n dacă în determinantul ∆ avem termenul (—l) α 1α1 , α 2 α 2 ,.. ., α nan ,
atunci în determinantul ∆o vom avea acelaşi termen numai că cu semnul opus, deoarece toţi factorii
acestui termen vor fi de asemenea din diferite linii şi diferite coloane, iar numărul de transpoziţii k îşi
va schimba paritatea.
32
4° Determinantul matricei care conţine două linii (sau două coloane) identice este egal cu zero.
Fie valoarea determinantului de ordinul n, care conţine două linii identice. Permutând aceste
două linii, obţinem, de fapt, acelaşi determinant. Conform proprietăţii 3°, valoarea acestui determinant
trebuie să fie - .
5° Factorul comun al unei linii (sau al unei coloane) a determinantului poate fi scos în afara
semnului determinantului.
într-adevăr, fie γ un factor comun pentru elementele unei lninii (de exemplu, liniei a doua).
Avem:
1, 2 , , n
a n1 an2 a nn
a11 a12 a1n
1 a1 1 a 2 2 a nn a 21
k
a 22 a 2n .
a n1 an2 a nn
6° Determinantul care conţine două linii (sau coloane) proporţionale este egal cu zero.
într-adevăr, după ce vom scoate în faţa determinantului factorul comun γ din una din aceste
linii, vom obţine un determinant nou cu două linii identice, a cărui valoare va fi zero
(proprietatea 4°).
7° Dacă toate elementele unei linii a determinantului de ordinul n se prezintă ca sumă a doi
termeni: a ij = bj + C j , j = 1, n , atunci determinantul poate fi prezentat ca suma a doi determinanţi
care au aceleaşi linii ca şi determinantul dat, în afară de linia i: în primul determinant linia i este
formată din elementele b j , j = 1, n , iar în al doilea determinant linia i este formată din elementele
CJ, j = 1, n .
Această proprietate are loc şi atunci când fiecare element al liniei i este suma a m termeni,
33
m ≥2.
a i1 j a i2 j , j 1, n.
În baza proprietăţii 7°, acest determinant poate fi scris ca sumă a doi determinanţi, primul fiind ∆, iar al
doilea, după ce vom scoate factorul γ, va avea două linii identice şi de aceea are valoarea zero (proprietatea 4°).
Se spune că linia determinantului este combinaţie liniară a altor linii, dacă elementele ei se obţin ca suma
elementelor respective ale acestor linii, fiind înmulţite la careva numere (unul şi acelaşi pentru o linie).
9° Dacă una din linii a determinantului este o combinaţie liniara a altor linii, atunci valoarea determinantului
este egală cu zero.
Să presupunem că linia i1 este combinaţie liniară a s linii. Atunci fiecare element al liniei i1 poate fi prezentat
ca sumă a s termeni. în baza proprietăţii 7°, putem reprezenta determinantul dat ca sumă a s determinanţi,
unde, în fiecare, linia ii va fi proporţională cu o altă linie. Conform proprietăţii 6°, toţi aceşti determinanţi sunt
egali cu zero, dar atunci şi determinantul dat are valoarea zero.
Se observă uşor că proprietăţile 4° şi 6° sunt cazuri particulare ale acestei proprietăţi.
După cum s-a menţionat, calcularea determinantului de ordinul n, nemijlocit în baza definiţiei, este destul de
complicată. Există însă metode mai raţionale de calcul al determinantului, bazate pe ideea de a exprima
determinantul de ordinul n prin determinanţi de ordin mai mic. în acest scop vom introduce câteva noţiuni.
Dacă aij este un element al determinantului de ordinul n, atunci prin Mij vom nota minorul acestui element,
adică determinantul de ordinul (n - 1) care se obţine dacă vom elimina linia i şi coloana j. Mai departe, prin Aij
vom nota complementul algebric al elementului aij, adică
A ij 1
i j
M ij .
34
Se poate arăta că dacă vom grupa toţi termenii determinantului care conţin factorul ai1, apoi toţi termenii
care conţin factorul ai2 şi aşa mai departe, toţi termenii care conţin factorul ain şi vom scoate aceşti factori
în faţa parantezei, obţinem:
Δ a ij A i1 a i2 A i2 a in A in ,
adică valoarea determinantului ∆ este egală cu suma produselor elementelor unei linii la complemenţii lor
algebrici respectivi.
Dezvoltarea (descompunerea) determinantului poate fi efectuată şi după elementele unei coloane.
2 1 1 3
3 4 3 2
Δ .
3 1 0 1
1 3 5 3
1 1 3 2 1 3
1 3 2 1
3 `1 3 2
3 4 1 3 3 2
3 5 3 1 5 3
2 1 1
1 1 3 4 3 3 112 1 9 1 57 402 .
3 4
1 3 5
Obţinem:
35
2 1 1 3 11 4 1 3
3 4 3 2 9 2 3 2
3 1 0 1 0 0 0 1
1 3 5 3 8 0 5 3
11 4 1
1 1 9 2 3 1 110 96 0 16 0 180 402 .
3 4
8 0 5
1.3.4.
Rezolvarea sistemelor de n ecuaţii liniare cu n necunoscute. Regula lui
Cramer
In continuare, vom arăta cum pot fi rezolvate sisteme de n ecuaţii liniare cu n necunoscute cu ajutorul
determinanţilor de ordinul n.
Observăm că dacă în descompunerea determinantului după elementele liniei i
Δ a i1 A i1 a i2 A i2 a in A in
vom înlocui elementele a i1, ai2,..., ain cu elementele liniei k ak1, ak2, ..., akn, obţinem:
a k1 A i1 a k2 A i2 a kn A in 0, i k.
Într-adevăr, determinantul care se obţine în urma acestei înlocuiri va conţine două linii
identice (linia i şi linia k) şi de aceea valoarea lui va fi egală cu zero.
Aşadar, suma produselor elementelor unei linii la complemenţii algebrici respectivi pentru
elementele altei linii este egală cu zero. Acest rezultat este adevărat şi pentru coloane.
Fie A o matrice de ordinul n. Se spune că matricea pătratică A este nedejenerată, dacă
determinantul ei este diferit de zero, adică det (A) = ∆≠0. Vom arăta că dacă matricea A este
nedejenerată, atunci inversa ei va fi:
A 11 A 21 A n1
1 A 12 A 22 A n2
A 1 .
Δ
A
1n A 2n A nn 36
Întradevăr
a 11 a 21 a n1 A 11 A 21 A n1
a a 22 a n2 1 A 12 A 22 A n2
A A 1 12 .
Δ
a a nn A 1n A 2n A nn
1n a 2n
a 11 A 11 a 12 A 12 a 1n A 1n a 11 A n1 a 12 A n2 a 1n A nn
Δ Δ
a 21 A 11 a 22 A 12 a 2n A 1n a 21 A n1 a 22 A n2 a 2n A nn
A Δ Δ
a A a A a A a A a n2 A n2 a nn A nn
n1 11 n2 12 nn 1n
n1 n1
Δ Δ
1 0 0 0
0 1 0 0
0 0 1 0 E.
0 0 0 1
(A-1)=1/det(A)
Exemplu. Fie matricea
1 3 2
A 2 4 1 .
1 2 1
1 3 2
2 4 1 4 3 8 8 6 2 1 0.
1 2 1
38
Aşadar,
2 1 5 2 1 5
1 1
A 1 1 3 1 1 3 .
1
0 1 2 0 1 2
Verificare :
1 3 2 2 1 5 1 0 0
A A 1 2 4 1 1 1 3 0 1 0 ,
1 2 1 0 1 2 0 0 1
2 1 5 1 3 2 1 0 0
1
A A 1 1 3 2 4 1 0 1 0 .
0 1 2 1 2 1 0 0 1
Fie dat sistemul din n ecuaţii liniare cu n necunoscute, scris sub forma matriceală AX = B.
Dacă matricea A este nedegenerată (det (A) ≠ 0), atunci sistemul de ecuaţii liniare are o singură soluţie
X = A-1 • B.
A 21 A n1
b1
A 11
1 A 12 A 22 A n2
X A 1 B b 2
Δ
A 1N A 2n A nn b
n
A 11b 1 A 21b 2 A n1b n Δ1 Δ1 Δ
1 A 12b 1 A 22b 2 A n2 b n 1 Δ 2 Δ 2 Δ
Δ ,
Δ
A 1nb 1 A 2nb 2 A nn b n Δ Δ Δ
n n 39
adică :
Δ Δ Δ
x1 1 , x 2 2 , , x n n .
Δ Δ Δ
Astfel a fost demonstrată regula lui Cramer:
Sistemul din n ecuaţii liniare cu n necunoscute cu matricea A nedegenerată este compatibil şi determinat.
Soluţia sistemului se determină după formulele:
Δj
xj , j 1, n,
Δ
unde ∆ - determinantul matricei A, iar ∆ j - determinanţi obţinuţi din determinantul ∆ înlocuind elementele
coloanei j cu termenii liberi b 1 ,b 2 ,...,b n .
9 3 0 6 1 9 0 6
8 1 5 1 2 8 5 1
1 81; 2 108;
0 4 7 6 1 0 7 6
5 2 1 2 0 5 1 2
1 3 9 6 1 3 0 9
2 1 8 1 2 1 5 8
4 27.
3 0 27; 1 4 7 0 40
4 0 6
1 0 2 1 5
0 2 5 2
Dar atunci: x 1 = 3, x 2 = —4, x 3 = —1, x 4 = 1.
În încheiere vom menţiona că dacă matricea A a sistemului de ecuaţii liniare este dejenerată
(det(A) = 0), atunci sistemul de ecuaţii liniare sau nu are soluţii, sau are o infinitate de soluţii. în acest
caz, pentru a cerceta şi rezolva sistemul, trebuie aplicată metoda Jordan -Gauss.
Exerciţii propuse
x 1 2x 2 3x 3 15, x 1 3x 2 x 3 10,
a 2x1 3x 2 4x 3 23, b x 1 x 2 3x 3 4,
x 5x 2x 21; 3x 2x 2x 1;
1 2 3 1 2 3
x 1 2x 2 x 3 x 4 1,
2x x x x 1,
e
1 2 3 4
x 1 2x 2 x 3 2x4 5,
x 1 3x 2 2x 3 x 4 2;
x 1 2x 2 3x 3 x 4 4,
x 3x 4x x 2,
1
f
2 3 4
2x1 x 2 2x 3 2x4 1,
x 1 3x 2 2x 3 3x4 0.
Răspunsuri
a) 2, 5 , 1 ; b) 1, 3, 2; c) 3, 1, 4; d) 1, 1, 1; e) 1, -l, 2, 2; f) 1, 1, 1, 2.
Activitatea unei întreprinderi se caracterizează printr-o serie de indicatori economici, cum ar fi: volumul
producţiei pentru fiecare tip de produs, costul unei unităţi de produs, productivitatea muncii etc. De regulă,
aceşti indicatori economici se trec în documentele respective într-o anumită ordine. De aceea, dacă se schimbă
locul a două numere, se schimbă şi caracteristica activităţii întreprinderii.
41
1.4.1. Vectori şi operaţii cu vectori
Studiind diferite fenomene şi procese, întâlnim mărimi fizice de diferită natură. Unele mărimi fizice, cum ar fi
volumul corpului, masa, temperatura etc. se caracterizează printr-un singur număr. Aceste mărimi sunt
mărimi scalare. Deopotrivă cu mărimile scalare, există şi mărimi fizice pentru caracterizarea cărora este
necesar de a arăta şi direcţia (sensul). De exemplu, viteza mişcării unui corp, acceleraţia, forţa care acţionează
asupra unui corp. Mărimile fizice care se .caracterizează şi prin direcţie şi sens se numesc mărimi vectoriale
sau vectori.
Vectorul poate fi reprezentat geometric în plan şi în spaţiu ca un segment orientat, adică ca un segment la care
deosebim începutul şi sfârşitul. Dacă A este începutul segmentului orientat, iar B sfârşitul,
Doi vectori a şi b sunt egali şi se scrie a = b dacă au aceeaşi direcţie, acelaşi sens şi aceeaşi lungime.
Vectorul care are lungimea zero se numeşte vector nul şi se notează cu 0 . Direcţia şi sensul vectorului nul sunt
nedeterminate.
Geometric, suma a doi vectori a şi b este un al treilea vector c = a + b , a cărui origine coincide cu
Produsul unui vector a cu un scalar λ este un vector λ • a care se obţine din vectorul a prin întindere
(dacă | λ | > 1) sau prin comprimare (dacă | λ | < 1) de | λ | ori, păstrând sensul vectorului a , dacă λ > 0 şi
schimbându-i sensul în opus, dacă λ < 0.
+ (— b ).
42
Din cele spuse mai sus rezultă că într-o egalitate vectorială un vector poate fi trecut dintr-un
membru în altul ^u semnul schimbat (cu sens opus), adică dacă a + b = c , atunci a = c — b .
1
Dacă a este un vector nenul, atunci vectorul e = .a de lungile
a
mea 1 şi care are aceeaşi direcţie şi sens ca şi vectorul a se numeşte versorul corespunzător
vectorului a .
Fie a şi b vectori nenuli. Notăm cu φ Є [0, ] unghiul format de aceşti doi vectori. Numim produs
a b cos , dacă a 0 şi b 0,
a, b 0, dacă cel puţuţ unul dintre vectori
a şi b este vectorul nul .
Din definiţie rezultă că dacă vectorii a şi b sunt perpendiculari, atunci produsul lor scalar este egal
cu zero.
Fie Oxyz un sistem cartezian de coordonate în spaţiul euclidian E3, iar i , j , k vectori unitari (versori)
pe axele de coordonate respective.
Dacă M(x,y,z) este un punct din spaţiul E 3 , atunci vectorul OM , numit vectorul de poziţie al
x, y şi z, numite coordonatele vector ului, sunt proiecţiile lui OM pe axele de coor donate r espec tive.
Aşadar, orice vector a E3 poate fi reprezentat prin coordonate şi vectorii unitari astfel:
Deoarece orice vector se determină complet cunoscând originea şi extremitatea lui, coordonatele
vectorului pot fi exprimate prin coordonatele acestor două puncte. Fie că originea vectorului a se află în
punctul A(x 1 ,y 2 ,z 1 ), iar extremitatea lui - în punctul B(x 2 ,y 2 ,z 2 ).
43
AB OB OA x 2 i y 2 j z 2 k x 1 i y 1 j z 1 k
x 2 x 1 i y 2 y 1 j z 2 z 1 k ,
adiă
AB a x 2 x 1 i y 2 y 1 j z 2 z 1 k
sau
a x 2 x 1 , y 2 y 1 , z 2 z 1 .
a x2 x1 2 y2 y1 2 z2 z1 2 .
Fie doi vectori în spaţpaţ euclidian E3 :
a x1 i y1 j z1 k x1 , y1 , z1 şi b x2 i y2 j z2 k x2 , y2 , z2 ,
iar λ un numău real. Atunci,
a b x1 i y1 j z1 k x2 i y2 j z2 k
a x i y j z k x i y j z k x , y , z .
1 1 1 1 1 1 1 1 1
Vom exprima acum produsul scalar a doi vectori a şi b prin coordonatele lor. Avem:
z x k , i z y k , j z z k , k x x y y z z ,
1 2 1 2 1 2 1 2
1 2 1 2 1 2 1 2 1 2 1 2
Deoarece
a, b x x 1 2 y1 y 2 z1 z 2 .
Dar atunci
cos
a, b x1 x 2 y1 y 2 z1 z 2
.
44
a b x y z
2
1
2
1
2
1 x y z
2
2
2
2
2
2
Din această expresie reiese că doi vectori nenuli a şi b sunt perpendiculari (ortogonali) dacă
x1 x 2 y1 y 2 z1 z 2 0.
Mai departe, doi vectori a şi b sunt paraleli coliniari dacă a b ,
adică
x1 i y1 j z1 k x 2 i y 2 j z 2 k sau x1 x 2 ; y1 y 2 ; z 1 z 2 .
x1 y1 z1
Dar atunci .
x2 y 2 z 2
Aşadar, doi vectori şi b sunt paraleli dacă coordonatele lor sunt proporţionale:
x1 y1 z1
.
x2 y 2 z 2
În particular, pentru vectori din spaţiul euclidian E 2 avem: (a, b) = xxx2 + yiy2;
a , b x x 1 2 y1 y 2 ;
x1 x 2 y1 y 2
cos .
x y
2
1
2
1 x y
2
2
2
2
Vectorii din spaţiile E2 şi E3 au diferite aplicaţii în fizică, tehnică, în geometria analitică la studiul
diferitelor linii şi suprafeţe.
Pentru rezolvarea multor probleme economice studierea vectorilor bidimensionali şi tridimensionsli nu
este suficient. De exemplu, dacă într-un raion se produce producţie industrială şi agricolă, atunci pentru a
caracteriza activitatea acestui raion este necesar de scris o consecu-tivitate ce conţine un număr mare
de numere reale.
45
vector n-dimensional. Numerele x1,x2 ,..., xn sunt coordonatele vectorului.
În continuare deseori vectorii vor fi notaţi cu litere mari, iar coordonatele lor - cu litere mici.
Dimensiunea vectorului se determină de numărul de coordonate.Doi vectori n-dimensionali
X = (x 1 , x 2 ,..., x n ) şi Y = (y1 , y2 , ..., yn ) sunt egali, dacă coordonatele lor respective sunt
egale, adică xi =yi , i-= 1, n .
Suma a doi vectori X=(x 1,x2, … x n) şi Y=(y1 ,y2 , ... yn ) este un al treilea vector Z=(z1,z2 , ... z n )
având coordonatele
zi = x i + yi , i= 1, n ,
adică
Z = X + Y = (x 1 + y1 , x 2 + y2 , … , x n + yn ).
Într-adevăr, dacă ne interesează realizarea programului anual de activitate al unei întreprinderi care
produce n produse diferite, atunci este suficient să adunăm rezultatele activităţii pe prima şi a doua jumătate
ale anului.
Diferenţa a doi vectori X şi Y este un al treilea vector
Z X Y x1 y1 , x 2 y 2 , , x n y n .
Vectorul care are toate coordonatele egale cu zero se numeşte vector nul şi se notează 0 = (0, 0,..., 0).
Z X x1 , x 2 , , x n .
Referitor la operaţiile introduse mai sus, în baza proprietăţilor numerilor reale,
1. X Y Y X ; 4. X X X ;
2. X Y Z X Y Z ; 5. X X ;
3. X Y X Y ; 6. 0 X 0 0,
n
d X ;Y X Y x yi .
2
i
i 1
Spaţiul liniar n-dimensional în care este definit produsul scalar (şi prin urmare este introdusă metrica)
este spaţiul euclidian E n.
În baza proprietăţilor produsului scalar a doi vectori se poate demonstra că pentru orice vectori X şi
Y ai spaţiului euclidian E n are loc:
X , Y X Y; X X ; X Y X Y ,
47
unde λ orice numău real.
1.4.2. Combinaţie liniară de vectori. Vectori liniari dependenţi şi liniar independenţi
Se spune că vectorul a 1 este coliniar (proporţional) cu vectorul a 2, dacă există aşa un număr real λ,
Definiţia 1.17. Vectorul a se numeşte combinaţie liniară a vectorilor a 1, a 2,..., a k dacă există aşa
a 1 a1 2 a 2 k ak .
Definiţia 1.18. Vectorii a 1, a 2, ... a k ai spaţiului liniar Rn se numesc liniar dependenţi dacă există
numerele reale 1, 2,..., k, cel puţin unul diferit de zero, încât are loc egalitatea
1 a1 2 a 2 k a k 0 .
Definiţia 1.19. Vectorii a 1, a 2, ... a k ai spaţiului liniar Rn se numesc liniar independenţi dacă ei
nu sunt liniar dependenţi, adică egalitatea
1 2 2 0
1 exemplu,
3 2 0
1 a1 a
a1 21, 2, 22,
a k ak 0 .
2 1, 1, 1 şi a 3 5,
1, 7
5de vectorii
sunt liniar dependenţe, deoarece pentru α 1 2, α 2 3, α 3 1 avem :
2 a1 3 a 2 1 a 3 2, 4, 4 3, 3, 3 5, 1, 7 0, 0, 0.
Mai departe vom arăta că vectorii a 1 = (1, 5), a 2 — (2, 3) ai spaţiului liniar R2 sunt liniar
48
independenţi. Pentru aceasta vom examina combinaţia lor liniară 1 . a 1+ 2 . a 2. Egalăm acest vector
1 2 2 0 1 2 2 2 2
1
5 1 3 2 0 5 1 3 2 0 5 2 2 3 2 0
2 2 2 2 1 0,
1 1
7 2 0 2 0 2 0.
Definiţia 1.20. Numărul maximal r de vectori liniar independenţi ai sistemului care conţine k
vectori se numeşte rangul sistemului de vectori, iar înşişi vectorii liniar independenţi alcătuiesc
baza sistemului.
Fie a 1, a 2,..., a k sistemul daţ de vectori ai spaţiului liniar R n, iar e 1 , e 2 ,..., e r baza acestui sistem de
vectori. Vom arăta că orice vector x al sistemului de vectori poate fi exprimat liniar şi univoc prin
vectorii bazei. Vectorii x , e 1 , e 2 ,..., e r vor fi deja liniar dependenţi. Din aceea că ei sunt liniar
dependenţi rezultă că există aşa numere a, 1, 2,..., k, cel puţin unul fiind diferit de zero, încât
are loc
x 1 e1 2 e 2 a r e r 0.
Dacă presupunem 0, atunci vom avea
1 e1 2 e 2 r e r 0
şi deoarece vectorii e1 , e 2 , , e r liniar independenţi, rezultă că
1 2 r 0. Dar aceasta contrazice adevădevăr că vectorii
x, e 1 , e 2 , , e r sunt liniari dependenţe. Aşşadar α 0 şi putem scrie
49
x 1 e1 2 e 2 r e r ,
ceea ce înseamnă că orice vector al sistemului de vectori poate fi exprimat prin vectorii bazei.
Vom demonstra că această exprimare este univocă. Fie
x 1 e1 2 e 2 r e r şi x 1 e1 2 e 2 r e r
două exprimări diferite ale vectorului x prin vectorii bazei e 1 , e 2 ,..., e r . Dar atunci
x 1 e1 2 e 2 r e r şi x 1 e1 2 e2 r e r
sau
1 1 e1 2 2 e 2 r r e r 0.
Dar deoarece vectorii e1 , e 2 , , e r sunt liniar independenţi, avem
1 1 0, 2 2 0, , r r 0,
sau
1 1 , 2 2 , , r r .
Aşadar, s-a demonstrat că exprimarea oricărui vector al sistemului prin vectorii bazei e 1 , e 2 ,..., e r
este univocă.
Pentru a afla rangul şi baza unui sistem de vectori din R n , poate fi aplicată metoda Jordan-Gauss.
Fie a i = ( a 1i, a 2i,..., a ni), i = 1, k , un sistem dat de vectori ai spaţiului liniar R n . Compunem
combinaţia liniară
x1 a 1 x 2 a 2 x k a k
şi egalăg acest vector cu vectorul nul. Cu rezultat, obţbţin ecuaţcu vectorială
x1 a 1 x 2 a 2 x k a k 0
sau sistemul de ecuaţcu liniare cu necunoscutele x1 , x 2 , , x k :
a11 x1 a12 x 2 a1k x k 0,
a x a x a x 0,
21 1 22 2 2k k
a n1 x n a n 2 x 2 a nk x k 0.
50
Rezolvând acest sistem de ecuaţii (aplicând metoda Jordan -Gauss), vom obţine necunoscutele de bază
xi1, xi2 , ... , xir unde r este rangul sistemului de vectori, iar vectorii a i1 , a i2 , ..., a ir formează o bază a
sistemului de vectori. în ultimul tabel Gauss vom avea totodată coordonatele fiecărui vector în baza
obţinută.
Pentru a trece la o altă bază, este suficient să se efectueze încă un pas (o iteraţie).
x1 x2 x3 B x1 x2 x3 B
x4 x4
5 4 1 0 5 4 1 0
3 0 3 0
-3 -3 0 0 -3 -3 0 0
1 0 1 0
-2 1 -3 13 13 0
1 10
1 3 -2 11 11 0
2 8
x1 x2 x3 B
x4
14 13 1 0
0 0
-3 -3 0 0
1 0
43 43 0
51
0 x1 x2 x3 B
35 35 0 x4
0 0 -1 1 0
0 0
0 0 0 0
1 0
1 1 0
0
0 0 0
0
Din ultimul tabel se observă că rangul sistemului de vectori r = 3, necunoscutele x1, x3, x4 sunt necunoscute de bază,
iar vectorii a 1, a 3, a 4 formează o bază a sistemului dat de vectori. Totodată, am obţinut şi coordonatele fiecărui
Definiţia 1.21. 0 mulţime ordonată de vectori ai spaţiului liniar Rn se numeşte baza lui dacă aceşti
vectori sunt liniar independenţi şi numărul lor coincide cu dimensiunea spaţiului.
In sapaţiul liniar Rn există multe baze (orice n vectori liniar independenţi alcătuiesc o bază), iar dacă
am ales o bază concretă e 1 , e 2 ,.. ., e n , atunci orice alt vector x R n poate fi exprimat univoc ca o
combinaţie liniară a vectorilor bazei, adică
x x1 e1 x 2 e 2 x n e n .
52
Coeficienţii x1, x2, ...xn sunt coordonatele vectorului x în baza e 1 , e 2 ,..., e n .
Se spune că vectorii e 1, e 2, ... , e n spaţiului En sunt ortonormaţi dacă ei sunt ortogonali doi câte doi şi
fiecare din ei are lungimea (norma) egală cu unitatea. Condiţia de ortonormare a vectorilor e 1, e 2, ...
1 e1 2 e 2 k e k 0
are loc dacă 1 = 2 = ...= k = 0 Pentru aceasta înmulţim ambii membri ai egalităţii de mai sus
Fie e 1 , e 2 , . . . , e n o bază ortonormată a spaţiului euclidian E n . Pentru orice vectori are loc:
x x1 e1 x2 e 2 xn e n ,
y y1 e1 y2 e 2 yn e n .
Produsul lor scalar se calculează din formula
x, y x y x y
1 1 2 2 xn yn ,
iar lungimea vectorului
x x12 x22 xn2 .
53
Exerciţii propuse
a , b şi c :
v1 2a b c, v 2 a 2b c, v 3 a b 2c.
.
Răspunsuri
j d a 2b 3c. ţimi
conv
54
exe. Poliedre convexe
În paragraful precedent a fost introdusă noţiunea de spaţiu euclidian n-dimensional En. In continuare vom
examina diferite mulţimi de puncte (vectori) în spaţiul En.
Notaţia M En înseamnă că mulţimea M constă din puncte ale spaţiului E n . Dacă punctul X aparţine
mulţimii M, atunci se scrie X M. Fie M1 şi M2 mulţimi de puncte din spaţiul En. Dacă toate punctele mulţimii
M1 se conţin şi în mulţimea M 2, atunci se scrie M1 M2.
Definiţia 1.22. Numim segment determinat de punctele X(1) = (x1(1), x2(1),..., xn(1)) si X(2) = (x1(2), x2(2),..., xn(2)) în
spaţiul En mulţimea punctelor X = (x1, x2, ... , xn) ale spaţiului En care se reprezintă ca o combinaţie liniar
convexă a punctelor X(1) si X(2) adică
X 1 X 1 2 X 2 , unde 1 , 2 0 şi 1 2 1.
.
Punctele X(1) şi X(2) sunt extremităţile segmentului.
Definiţia 1.23. Mulţimea M En se numeşte convexă dacă împreună cu oricare două puncte X(1) şi X(2)
ale sale conţine şi segmentul determinat de aceste puncte.
Teorema 1.3. Intersecţia unui număr finit de mulţimi convexe este o mulţime convexă.
k
Demonstraţie. Fie M1, M2 ,..., Mk mulţimi convexe. Dacă M = i 1
Mi constă numai dintr-un singur punct,
atunci mulţimea M este convexă (conform definiţiei, mulţimea care conţine un singur punct este convexă).
k
Presupunem că mulţimea M = Mi constă din mai multe puncte şi fie X 1 şi X 2 puncte arbitrare ei. ▲
i 1
Deoarece fiecare din mulţimile Mi, i = 1, k , sunt mulţimi convexe, rezultă că segmentul X 1 , X 2 M i , i =
1, k , şi, prin urmare, X 1 , X 2 M .
k
M Mi
i 1
constă numai dintr-un singur punct, atunci mulţimea M este covexă (conform defeniţiei, mulţimea care
k
M Mi
i 1
55
conţine un singur punct este convexă ).
Presupunem că mulţimea constă din mai multe puncte şi fie X(1) şi X(2) puncte arbritare ale ei. Deoarece
fiecare din punctele Mi, i = 1, k ,
Definiţia 1.24. Mulţimea punctelor spaţiului En ale căror coordonate satisfac ecuaţia liniară
c1 x1 c2 x2 cn xn b
C , X C , X 1 1 X 2
C , X 1 1 C , X 2 b 1 b b.
56
În spaţiul E2 hiperplanul este linia dreaptă, iar în spaţiul E3 hiper-planul este planul obişnuit.
Hiperplanul (C, X) = b împarte spaţiul En în două părţi (mulţimi), numite semispaţii: (C, X) ≤ b şi
(C, X) ≥ b.
Demonstraţie. Fie semispaţiul (C, X) ≤ b şi două puncte arbitrare X(1) şi X(2) ale acestui semispaţiu. Vom
arăta că punctele
X X 1 1 X 2 , 0 1,
de asemeneaaparitin acestui semispatiu. Î adevar
C , X C , X 1 1 X 2
C , X 1 1 C , X 2 b 1 b b.
adica C , X b
În spaţiul E2 semispaţiul este un semiplan. Intersecţia a mai multor semiplane poate fi un punct, un segment,
o mulţime convexă mărginită sau nemărginită.
în spaţiul E3 , intersecţia unui număr finit de semispaţii poate fi un punct, un segment, un poliedru
convex, sau o mulţime convexă nemărginită.
Definiţia 1.25. Intersecţia unui număr finit de hiperplane şi semispaţii închise ale spaţiului En se numeşte
mulţime poliedrală convexă (dacă nu este vidă). Numim poliedru convex orice mulţime poliedrală convexă
mărginită.
Menţionăm că mulţimea este închisă dacă ea conţine şi toate punctele sale de frontieră.
Ca exemplu de poliedru convex în spaţiul n-dimensional poate servi paralelepipedul n-dimensional
determinat în coordonate prin inegalităţile:
α 1 x1 β 1 , α 2 x 2 β 2 , , α n x n β n
În spaţiul tridimensional corpul format (mărginit) de câteva plane şi situat de o parte faţă de fiecare
din ele este un poliedru convex. Ca exemple de asemenea corpuri pot servi prisma triunghiulară,
piramida triunghiulară, prisma şi piramida regulată.
Definiţia 1.26. Numim punct de extremă (sau vârf) al poliedru-lui convex, punctul care nu poate fi
reprezentat ca o combinaţie liniară convexă a careva două puncte ale poliedrului.
57
Cu alte cuvinte, punctul de extremă al poliedrului convex este aşa un punct care nu poate să
aparţină interiorului segmentului ce uneşte careva două puncte distincte ale poliedrului.
Prin înveliş convex al unei mulţimi M1 se înţelege cea mai mică mulţime convexă M ce conţine
mulţimea M 1 . O astfel de mulţime M există, deoarece dacă vom lua toate mulţimile convexe ce
conţin mulţimea M1, atunci intersecţia lor şi va fi cea mai mică mulţime convexă ce conţine
mulţimea M1. Cu alte cuvinte, mulţimea M este înveliş convex al mulţimii M 1, dacă ea constă din
toate punctele
k k
X λ i Pi , unde 1, λ 1 0, i 1, k ,
i 1 i 1
vectorului P1 , P2 ,, Pk .
Teorema 1.6. Orice poliedru convex din spaţiul En este un înveliş convex al vârfurilor sale. Cu alte
cuvinte, orice punct al poliedrului convex este o combinaţie liniară convexă a vârfurilor poliedrului.
Demonstraţie. Pentru simplitate vom demonstra teorema pentru spaţiul En, prin inducţie după
numărul de vârfuri ale suprafeţei poligonale convexe. Dacă suprafaţa poligonală constă dintr-un singur
punct sau dintr-un segment, atunci teorema este adevărată.
Vom examina polgonul care are trei vârfuri (este un triunghi). în interiorul triunghiului P 1 P2 P3 (fig.
1.1) luăm un punct arbitrar P. Unim punctul P1 cu punctul P. Notăm prin P4 punctul de intersecţie a
semidreptei P1 P cu latura P 2 P3 a triunghiului.
58
Mai departe, punctul P 4 se află pe segmentul P 2 P 3 , prin urmare,
ceea ce înseamnă că punctul P este o combinaţie liniar convexă a vârfurilor P 1, P2, P3 ale
triunghiului.
Să presupunem că poligonul ne reprezintă o suprafaţă poligo nală convexă cu vârfurile P 1 ,
P 2 ,..., Pk, iar P este un punct arbitrar al acestei figuri. Cu ajutorul diagonalelor construi te din
vârful P 1 , împarţim suprafaţa poligonală convexă în k — 2 triunghiuri. Evident că punctul P va nimeri
în unul din aceste triunghiuri, de exemplu, în triunghiul P 1 P 2 P 3 . Conform celor spuse mai sus vom
avea:
P = λ1 ∙ P1 + λ2 ∙ P2 + λ3 ∙ P3. Adăugând la membrul dreapf al acestei egalităţi celelalte k — 3 vârfuri, adică
k — 3 vectori cu λi = 0, obţinem definitiv
k k
P λ i Pi , unde i 0, i 1, k , i 1.
i 1 i 1
Teorema 1.7. Pentru două mulţimi convexe închise M1 şi M2 fără puncte comune există hiperplan care le
desparte strict.
Teorema 1.8. Dacă M1 şi M2 sunt mulţimi convexe fără puncte comune, atunci există hiperplan care le
59
desparte.
Teorema 1.9 (teorema despre hiperplanul suport). Dacă Po este un punct de frontieră al mulţimii convexe
închise M, atunci există un hiperplan-suport al mulţimii M în punctul Po.
Rezultatele expuse în acest capitol au aplicaţii nemjlocite pentru fundamentarea metodelor de rezolvare a
problemelor de programare liniară.
60
Capitolul 2
Programarea liniară
Schimbările ce au loc în mediul în care activează agenţii economici generează în permanenţă probleme a
căror soluţionare impune luarea şi aplicarea unor decizii.
A decide înseamnă a alege dintr-o mulţime de acţiuni (care poate fi finită sau infinită) pe acea care este
considerată cea mai avantajoasă pentru atingerea unor obiective prestabilite. De calitatea deciziei depinde
eficienţa utilizării fondurilor, reducerea costurilor, creşterea profitului etc.
Printre metodele matematice, folosite pe larg în economie, un rol important îl are programarea matematică.
Scopul principal pe care-1 urmăreşte programarea matematică constă în obţinerea soluţiei optime a unei
probleme economice pe baza unui model matematic.
Sfera de aplicare în economie a programării matematice cuprinde un număr mare şi variat de probleme
privind planificarea economică, operativă şi de perspectivă, conducerea diferitelor procese de producţie,
dirijarea diferitelor procese tehnologice etc.
In problemele de programare matematică procesele economice sunt descrise (exprimate) prin relaţii
matematice în raport cu variabilele pe care le conţin, relaţii care arată dependenţa dintre diferiţi factori ce
intervin în desfăşurarea acţiunilor. Natura, forma şi gradul acestor expresii matematice, precum şi modul de
rezolvare a acestor probleme au determinat diferite direcţii de studii ale programării matematice, cum ar fi:
programarea liniară, când aceste expresii (restricţiile şi funcţia-obiectiv) sunt liniare; programarea
neliniară, când cel puţin o restricţie sau funcţia-obiectiv este de tip neliniar; programarea dinamică, când se
examinează probleme legate de luarea deciziilor în funcţie de timp sau a unor procese compuse din mai
multe etape.
Dintre toate direcţiile programării matematice, programarea liniară este metoda cea mai răspândită
de rezolvare a multor probleme economice, pe de o parte, datorită, caracterului relativ simplu al
aparatului matematic folosit în modelare şi rezolvare, iar pe de altă parte, datorită faptului că este
uşor accesibilă pentru reprezentarea matematică şi analiza fenomenelor economice.
Modelul matematic de programare liniară aplicat la reprezentarea unui sistem economic este
constituit dintr-un ansamblu de relaţii liniare, dintre care una reflectă obiectivul urmărit, iar celelalte
cuprind restricţiile economice sau tehnologice.
Orice problemă de programare liniară se formulează matematic astfel: din mulţimea soluţiilor
sistemului de restricţii, exprimate prin ecuaţii şi inecuaţii liniare, să, se determine o soluţie (soluţia
optimă) ce dă valoarea maximă (sau minimă) a unei expresii liniare, numită funcţie-obiectiv (funcţie-
scop).
61
In continuare se vor examina unele probleme economice care conduc la modele de programare
liniară şi se vor expune metode (algoritmi) de soluţionare a acestor probleme.
Pentru a ne imagina mai bine ce fel de probleme se rezolvă în programarea liniară, vom prezenta
câteva exemple.
O întreprindere dispune de m resurse R1, R2,..., Rm în cantităţile b1 , b2 ,..., b m. Pe baza acestor resurse
se pot fabrica n produse P1, P2,..., Pn, care vor aduce întreprinderii beneficiile unitare respective
c1,c2, ...,c n .
Cunoscând că pentru a produce o unitate de produs Pj, j = 1, m , sunt necesare atJ unităţi de
Tabelul 2.1
Pentru a scrie modelul matematic al problemei formulate, vom nota cu x j volumul de producţie
Pj, j = 1, n , care va fi fabricat din resursele existente, iar prin X = (x1, x2, ... , xn) programul de
producţie al întreprinderii.
Se poate trece de la aspectul economic al problemei la aspectul matematic, scriind sub formă algebrică
restricţiile economice. Aceste restricţii sunt de două tipuri: restricţii datorate limitării resurselor şi
restricţii impuse' de sensul economic al variabilelor. Deoarece xj, j = 1, n , reprezintă mărimi
62
economice ale căror valori negative ar fi lipsite de sens, variabilele Xj trebuie să fie nenegative. Scopul
în această problemă este de a maximiza beneficiul total, obţinut ca sumă a beneficiilor pentru fiecare
produs în parte.
Aşadar, modelul matematic al problemei de utilizare raţională a resurselor (problema sortimentului
optim) are forma:
x1 0, x2 0, , x j 0, , xn 0
Z X c1 x1 c2 x2 c j x j cn xn max . 2.2
n
a ijx j b i , i 1, m,
j1
x 0, j 1, n
j
n
ZX c j x j max.
j1
Problema considerată se formulează matematic astfel: din mulţimea soluţiilor sistemului de inecuaţii (2.1)
să se determine o soluţie ce dă valoarea maximă a funcţiei (2.2).
Exemplu. Pentru a produce două feluri de marfă P1 şi P2, o fabrică de tricotaj foloseşte lână, nitron şi
silon ale căror rezerve constituie respectiv 820 kg, 430 kg şi 310 kg. Cantităţile (în kilograme) de fire toarse
necesare pentru fabricarea unei unităţi de produs finit şi beneficiul căpătat la vânzarea unei unităţi de
producţie sunt prezentate în tabelul 2.2.
Tabelul 2,2
63
Beneficiul 7,8 5,6
unitar
Se ştie că pentru a realiza un amestec se pot folosi n tipuri de materii prime M j, j = 1, n . Amestecul
trebuie să conţină m substanţe Si, i = 1, m , care se găsesc în materiile prime, în aşa fel ca fiecare
3. Problema de transport
La m producători A1, A2,..., Am se află un produs care trebuie transportat la punctele de destinaţie (la
consumatori) B1, B2, ... , Bn. Cunoscând cantităţile disponibile ai, i = 1, m , şi cantităţile necesare bj, j = 1, n ,
precum şi costurile unitare de transport cij de la producătorul Ai la consumatorul Bj, se cere să se
determine cantităţile xij de produs care urmează a fi repartizate de la producători la consumatori, astfel ca
cererea să fie satisfăcută exact în fiecare centru de consum, iar cheltuielile totale la transportarea produsului să
fie minime.
Datele iniţiale ale problemei le trecem în tabelul 2.4.
Tabelul 2.4
x1n x2 n xmn bn ,
x 0, i 1, m, j 1, n
ij
65
Z c11x11 c12 x12 cij xij cmn xmn min
Modelul matematic al problemei de transport în mod compact poate fi scris în modul următor:
n
xij ai , i 1, m,
j 1
m
xij b j , j 1, n,
i 1
x 0, i 1, m, j 1, n
ij
m n
Z X cij xij min .
i 1 j 1
m n
a b .
i 1
i
j 1
j
Se spune că o problemă de programare liniară este dată sub forma standard dacă toate
restricţiile se reprezintă prin ecuaţii şi tuturor variabilelor li se impun condiţii de nenegativitate,
adică avem:
x x a x a x b ,
m1 1 m2 2 mn n m
x1 0, x2 0, , xn 0
Z X c1 x1 c2 x2 cn xn max .
Din start am prezentat forma standard a unei probleme de programare liniară, deoarece aflarea
soluţiei oricărei probleme de programare liniară cu ajutorul unor metode analitice necesită forma ei
standard. In forma standard se mai cere ca toţi b i ≥ 0, i = 1, m . Pentru a obţine aceasta, dacă bi < 0,
vom înmulţi ecuaţia respectivă cu (—1).
Se spune că o problemă de programare liniară este dată sub forma canonică dacă toate
restricţiile sunt inecuaţii de acelaşi sens şi tuturor variabilelor li se impun condiţii de nenegativitate.
Dacă sensul restricţiilor este de tipul ,,≤”, atunci funcţia-obiectiv trebuie maximizată, iar dacă sensul
restricţiilor este de tipul ,,≥”, funcţia-obiectiv trebuie minimizată.
Putem constata că orice problemă de programare liniară dată sub forma canonica poate fi adusă
la forma standard introducând variabile de compensare (variabile ecart) nenegative. în funcţia-
obiectiv variabilele de compensare se includ cu coeficienţii egali cu zero.
Modelul matematic al problemei de utilizare raţională a resurselor scris în forma standard se
prezintă astfel:
x x a x a x xnm bm ,
m1 1 m 2 2 mn n
x1 0, x2 0, , xn 0, xn1 0, , xmn 0 67
Z X c1 x1 c2 x2 cn xn max .
De reţinut că în aplicaţiile practice apar deseori situaţii în care modelul matematic al problemei
conţine simultan restricţii de toate tipurile. Dar orice problemă de programare liniară poate fi adusă
la forma standard (sau la forma canonică) cu ajutorul unor transformări efectuate asupra restricţiilor,
precum şi a operatorului minim în maxim (sau invers) aplicat funcţiei-obiectiv. Aceste transformări sunt:
a) Schimbarea semnului unei inecuaţii se realizează prin înmulţirea
ei cu (—1).
a x
j1
ij j b i esteechivalenta cu urmatoarel e inecuatii de sens
n n
contrar : a x
j1
ij j b i si a x
j1
ij j bi .
n
d) Inecuaţiile se transformă în ecuaţii ţinând seama de faptul că inecuaţia a
j 1
ij x j bi poate fi scrisă ca o
n
ecuaţie a
j 1
ij x j xni bi , adăugînd variabile de compensare x n i 0. În mod analog o inecuaţie de forma
n n
68
Pentru studiul de mai departe al problemei de programare liniară vom avea nevoie de noţiunile de
soluţii admisibile şi soluţie optimă.
Z(X) > Z(X*), ceea ce contrazice că (x 1, x 2, ... , x*n, x*n+1, x*n+2, ... , x*n+m ) este soluţie optimă pentru
* *
problema standard. Contradicţia obţinută ne demonstrează faptul că vectorul X* = (x*1, x*2, ... , x*n) este
soluţie optimă a problemei iniţiale.
Aşadar, orice problemă de programare liniară poate fi adusă la forma standard:
n
aij x j bi , i 1, m,
j 1
x 0, j 1, n
j
69
n
Z X c j x j max .
j 1
Problema standard poate fi scrisă şi sub formă vectorială:
n
A j x j B,
j 1
x 0, j 1, n
j
Z X C , X max,
Unde A j a1 j , a2 j ,, amj ,
B b1 , b2 ,, bn , C c1 , c2 ,, cn şi X x1 , x 2 ,, x n , şi sub forma
matricială:
AX B,
X 0
Z X C, X max,
unde A aij mn .
Prob l e me p rop u se
1. Pentru confecţionarea (fabricarea) a trei articole se folosesc utilaje de frezat, strunjire, sudură şi de
şlefuire (polizare). Timpul necesar pentru prelucrarea unui articol cu fiecare utilaj, timpul (săptămânal)
disponobil pentru fiecare utilaj şi profitul de la vânzarea unui articol de fiecare tip este dat în tabelul 2.5.
Tabelul 2.5
Să se afle câte articole de fiecare tip trebuie fabricate, pentru ca profitul de la vânzarea lor să fie
maxim.
2. Pentru fabricarea a patru feluri de bomboane fabrica foloseşte trei feluri de materie primă (de
bază): zahăr, melasă (glucoza alimentară) şi piure de fructe. Cheltuielile de materie primă necesară
pentru a produce o tonă de bomboane şi profitul de la vânzare sunt date în tabelul 2.6.
70
Tabelul 2.6
3. La o fabrică de mobilă din foi standard se taie forme speciale de trei tipuri pentru a satisface
necesarul: 38 de bucăţi, 64 de bucăţi şi 52 de bucăţi. Fiecare foaie poate fi tăiată prin două metode
(moduri). Numărul de forme obţinute la aplicarea uneia din metode, precum şi cantitatea deşeurilor
respective sunt date în tabelul 2.7.
Tabelul 2.7
Să se determine câte foi şi prin ce metodă trebuie tăiate pentru a obţine cantităţile necesare de forme şi o
cantitate minimă de deşeuri.
4. La îngrăşarea suplimentară a pământului însămânţat, la fiecare hectar se introduc nu mai puţin de 10 unităţi
de substanţe chimice A, 25 de unităţi de substanţe chimice B şi 20 de unităţi de substanţe chimice C.
O gospodărie cumpără îngrăşăminte minerale de două feluri (tipuri). Conţinutul substanţelor chimice şi
preţurile de cumpărare sunt date în tabelul 2.8.
Să se determine cantităţile necesare de îngrăşăminte procurate, astfel încât cheltuielile totale să fie minime.
71
5. La stabilirea raţiei zilnice pentru animale putem folosi două feluri de furaje: fân (nu mai mult de 50 kg)
şi silos (nu mai mult de 80 kg). Raţia trebuie să conţină cel puţin 950 g de proteine (albumine), 96 g de calciu şi
Tabelul 2.8
90 g de fosfor. În tabelul 2.9 sunt date cantităţile de componente necesare conţinute de o unitate (1 kg) din
fiecare furaj şi preţurile de cost ale acestor furaje.
Tabelul 2.9
Să se determine cantităţile de fân şi silos necesare pentru a satisface cerinţele biologice, astfel încât cheltuielile
să fie minime.
72
Vom presupune că problema are soluţii admisibile. In acest paragraf vom demonstra unele proprietăţi
importante ale problemelor de programare liniară.
Teorema 2.1. Mulţimea soluţiilor admisibile ale unei probleme de programare liniară este o mulţime convexă
(dacă nu este vidă).
Demonstraţie. Dacă mulţimea soluţiilor admisibile constă numai dintr-un singur punct, atunci ea este
convexă. Presupunem că mulţimea soluţiilor admisibile constă din mai multe puncte şi fie X(1) şi X(2) două
puncte (două soluţii admisibile) distincte. Deoarece ele sunt soluţii admisibile, avem:
AX(1) = B, X(1) 0 şi AX(2) = B,
X 0. Examinăm combinaţia lor lineară convexă (adică segmentul determinat de punctele X(1) şi X(2)) X =
(2)
73
Dacă mulţimea soluţiilor admisibile este mărginită, atunci ea va fi un poliedru convex.
În continuare vom presupune că mulţimea soluţiilor admisibile este mărginită (majoritatea problemelor
practice sunt de tipul acesta).
Teorema 2.2 (teoremade bază). Dacă mulţimea soluţiilor admisibile a problemei de programare liniară este nevidă şi
mărginită, atunci funcţia-obiectiv ia valoarea optimă într-un punct de extremă (într-un vârf) al poliedrului convex al
soluţiilor admisibile.
Demonstraţie. Fie X(1), X(2), ..., X(s) vârfurile poliedrului de soluţii admisibile ale problemei de programare
liniară. Presupunem că funcţia-obiectiv ia valoarea optimă nu într-un vârf al poliedrului convex al soluţiei
admisibile. În baza teoremei despre reprezuentare punctelor unui poliedru convex putem scrie
s s
X k X ( k ) , unde k = 1, k 0, k 1, s. Dar atunci
k 1 k 1
s
s s s s
Z ( X ) (C , X ) C , k X ( k ) k (C , X ( k ) ) k Z ( X ( k ) ) k Z max Z max k Z max Aşada
k 1 k 1 k 1 k 1 k 1
În cazul în care domeniul soluţiilor admisibile ale problemei de programare liniară este nemărginit, teorema
se formulează astfel:
Dacă funcţia obiectiv în problema de programare liniară este mărginită superior pe mulţimea soluţiilor
admisibile, atunci valoarea maximă a ei se realizează într-un vârf al mulţimii poUedrale convexe (care descrie
mulţimea soluţiilor admisibile).
Teorema 2.3 (teorema despre alternative). Dacă funcţia-obiectiv ia aceeaşi valoare optimă în mai multe puncte
de extrem (vârfuri) ale mulţimii soluţiilor admisibile, atunci orice combinaţie liniară convexă a acestora este soluţie
optimă a problemei de programare liniară.
Demonstraţie. Fie X(1), X(2), ..., X(s) vârfurile domeniului de soluţii admisibile pentru care fincţia-obiectiv îşi
q q
realizează valoarea maximă. Examinăm punctele X k X ( k ) , unde k = 1, k 0, k 1, q.
k 1 k 1
q
q q q
Avem: Z ( X ) (C , X ) C , k X ( k ) k (C , X ( k ) ) k Z max Z max k Z max
k 1 k 1 k 1 k 1
Aşadar, s-a demonstrat că mulţimea soluţiilor optime ale problemei de programare liniară este o mulţime
convexă.
Rezultatele obţinute mai sus servesc drept bază pentru elaborarea metodelor eficiente de rezolvare a
problemelor de programare liniară.
74
Pentru înţelegerea problemelor prezentate în paragraful precedent şi a tehnicii de rezolvare a lor, vom
analiza interpretarea geometrică în spaţiul R2. în acest caz datele problemei pot fi prezentate grafic în plan în
sistemul de coordonate x1Ox2.
a11x1 a12 x2 b1 ,
a x a x b ,
21 1 22 2 2
x x a x b ,
m1 1 m 2 2 m
x1 0, x2 0
Z X c1 x1 c2 x2 max .
Mai întâi să clarificăm cum se determinia şi se reprezintă în planul de coordonate x1Ox2 mulţimea
soluţiilor admisibile ale problemei de programare liniară. Este clar că fiecare din inecuaţiile ai1x1 + ai2x2
≤ bi, i = 1, m , determină unul din cele două semiplane în care dreapta ai1x1 + ai2x2 ≤ bi, împarte planul
x1Ox2. Pentru a determina care semiplan închis satisface inecuaţia ai1x1+ai2x2≤bi, este suficient de luat
un punct interior al unuia din semiplanele date şi de verificat dacă coordonatele lui satisfac inecuaţia ai1x1
+ ai2x2 ≤ bi, Dacă coordonatele punctului considerat satisfac inecuaţia ai1x1 + ai2x2 ≤ bi, , atunci
semiplanul închis căutat va fi acel care conţine punctul luat, în caz contrar, semiplanul căutat va fi
celălalt semiplan închis.
Din cele expuse mai sus rezultă că, luând în consideraţie condiţiile x1 ≥ 0 şi x2 ≥ 0, precum şi
intersecţia semiplanelor ai1x1 + ai2x2 ≤ bi, , i = 1, m , se va obţine o suprafaţă poligonală convexă.
75
Z(X), adică în direcţia vectorului c = (c1,c2). După cum se observă (fig. 2.1), maximum funcţiei-
obiectiv se obţine în vârful B, iar minimum - în vârful D.
Ideile expuse mai sus stau la baza metodei grafice de rezolvare a problemelor de programare liniară.
Probleme rezolvate
2x1 3x 2 18,
x 3x 9,
1 2
2x1 x 2 10,
x1 0, x 2 0
ZX 4x1 2x 2 max.
OABCD (fig. 2.2). Construim vectorul c = (4, 2) şi ducem linia de nivel 4x1 + 2x2 = 0 a funcţiei-obiectiv Z(X).
Această dreaptă este perpendiculară pe vectorul c = (4, 2). Se observă (vezi fig. 2.2) că maximum funcţiei-
obiectiv Z(X) se obţine în vârful C al mulţimii de soluţii admisibile.
Aflăm coordonatele acestui vârf. Pentru aceasta rezolvăm sistemul de ecuaţii liniare:
76
2x1 3x 2 18, 2 x1 3x2 18 x1 6
C 6;2 si Z max 4 6 2 2 28.
2x1 x 2 10, 4 x2 8 x2 2
x1 x 2 2,
x 2x 4,
1 2
2x1 x 2 4,
x x 0
1 2
x1 0, x 2 0
ZX 2x1 4x 2 max.
ABCDE (fig. 2.3). Construim vectorul c = (2, -4) şi ducem linia de nivel 2x1 - 4x2 = 0 a funcţiei-
obiectiv Z(X). Această dreaptă este perpendiculară pe vectorul c = (2,-4). Se observă (vezi fig. 2.3)
că maximum funcţiei-obiectiv Z(X) se obţine în vârfurile D şi E. în acest caz problema are o
infinitate de soluţii optime, şi anume toate punctele segmentului DE.
Aflăm coordonatele vârfurilor D şi E:
77
x1 2 x 2 4 x1 x 2 7
D:
1
x x 2 7
3 x 2 3
Aşadar, avem D(6; 1) şi E(4;0). Atunci mulţimea soluţiilor optime va fi: X * = (6; 1) + (1 - )(4; 0)
= (6 ; ) + (4(1 - ); 0) = = (2 + 4; ), unde 0 < < 1. Valoarea maximă a funcţiei-obiectiv Zmax
= 2(2 + 4) - 4 = 4 + 8 - 4 = 8.
x1 x 2 1,
x1 2x 2 1,
x 0, x 0
1 2
Rezolvare. Determinăm domeniul soluţiilor admisibile (fig. 2.4). Construim vectorul c = (2, —1) şi
ducem linia de nivel 2x1 — x2 = 0.
Observăm că domeniul soluţiilor admisibile nu mai este limitat de o linie poligonală închisă.
Deoarece funcţia obiectiv Z(X) nu este mărginită superior, rezultă că problema nu are soluţie optimă.
78
Este uşor de constatat că interpretarea geometrică în plan poate fi efectuată pentru orice
problemă de programare liniară dată sub forma standard cu parametrii m şi n, numai dacă n — m =2.
într-adevăr, exprimând toate necunoscutele prin două dintre ele, de exemplu, prin x 1 şi x 2 , şi luând
în consideraţie că toate necunoscutele x j ≥ 0, j = 1, n , obţinem o problemă de programare liniară cu
două necunoscute x 1 şi x 2 şi cu restricţii sub formă de inecuaţii.
În cazul n = 3 domeniul de soluţii admisibile ale problemei de programare liniară poate fi
reprezentat în spaţiul R 3 .
2 x1 3x2 x3 2 x4 22,
2 x 2 x x x 16,
1 2 3 4
4x x x 4,
1 2 5
x j 0, j 1,5
ZX 3x2 x3 2 x4 2 max.
79
x3 2 x4 22 2 x1 3x2 x4 6 3 x2
x3 x4 16 2 x1 2 x2 x3 x4 16 2 x1 2 x2
x5 4 x1 x2 4 x5 4 x1 x2 4
x3 10 2 x1 x2 ,
x4 6 x2 ,
x 4 x x 4.
5 1 2
Funcţia-obiectiv în forma Z(X)=3x2-(10-2x1-x2)+2(6-x2)-2=2x1+2x2. Folosind condiţiile xj≥0 obţinem
oproblemă echivalentă cu două necunoscute sub forma cananică
2 x1 x2 10
10 2 x1 x2 0 4x x 4
1 2
6 x2 0
4 4 x x 0 0 x 2 6
1 2
x1 0
Z X 2 x1 2 x2 max Z X 2 x1 2 x2 max .
Rezolvăm această problemă aplicând metoda grafică. Mulţimea soluţiilor admisibile se reprezintă prin
suprafaţa poligonală convexă ABCDE (fig. 2.5).
80
2 x1 x2 10 x1 2
x 2 6 x2 6
Prin urmare, soluţia optimă a problemei este: X* = (2; 6; 0; 0; 10) şi Zmax = Z{X*) = 16.
2 x x 10
Deplasînd drepta 2x1+2x12=0 2(Z=0)
x 2
1 vectorului normal c =(2,2), obţinem
în direacţia
x2 6C(2;6)-punctul
Zmax=Z(C)=2*2+2*6=16, unde x2 6 de intersecţie a dreptelor I şi III:
x1 x2 x3 9,
2 x 3x x x 3,
1 2 3 4
2 x 5 x x x5 17,
1 2 3
x j 0, j 1,5
Z X x1 x2 2 x3 x4 6 min .
81
x1 x2 x3 9, x3 9 x1 x2 ,
3x 2 x x x
1 2 3 4 12, x4 12 3x1 2 x2 2 x3 ,
3 x 4 x
x5 8, x 8 3x1 4 x2 3 ,
1 2 5
x j 0, j 1,5 x j 0, j 1,5.
Functia obiectiv Z X x1 x2 9 x1 x2 12 3x1 2 x2 6
2 x1 3x2 .
Modelul echivalent este :
x1 x2 9,
3x 2 x 12,
1 2
3x1 4 x2 8,
x 0, j 1,5
1
Z X 2 x1 3x2 min .
În figura 2.6 este prezentată mulţimea G a soluţiilor admisibile ale sistemului de restricţii. Deplasând
dreapta 2x1 - 3x2 = 0 (Z = 0) în direcţia opusă a vectorului normal c — (2, -3), obţinem:
82
83
Pentru modelul iniţial avem:
x3* 9 x1* x 2* 9 4 5 0
x 4* 12 3x1* 2 x 2* 12 3 4 2 5 10
x5* 8 3x1* 4 x 2* 8 3 4 4 5 0
Deci, soluţia optimă este X* = (4; 5; 0; 10; 0), Zmin =Z(X*) = -7.
a x a x a x b
m1 1 m2 2 m3 3 m
x1 0, x2 0, x3 0,
Funcţia-obiectiv este:
Z(X)=c1x1+c2x2+c3x3→ max. Ecuaţiile ai1x1 + ai2x2 + ai3x3 = bi, i= 1, m , reprezintă plane în 3 şi
fiecare plan determină două semispaţii, care sunt definite de una din inecuaţiile ai1x1 + ai2x2 + ai3x3
< bi sau ai1x1 + ai2x2 + ai3x3 > b, (i= 1, m ).
Dacă sistemul de ecuaţii este compatibil, mulţimea soluţiilor admisibile reprezintă un
poliedru convex, numit poliedrul soluţiilor admisibile.
Funcţia Z(X) ia o valoare determinată pe fiecare plan perpendicular pe vectorul c =
(c1, c2, c3); este crescătoare când planul se deplasează în direcţia vectorului c şi descrescătoare
când planul se deplasează în direcţie opusă vectorului c şi ia valoarea optimă (maximă sau
minimă) când planul trece printr-un anumit vârf al poliedrului soluţiilor admisibile. În acest caz
problema admite o singură soluţie optimă.
Dacă vectorul c este perpendicular pe o muchie sau o faţă a poliedrului soluţiilor
admisibile, funcţia-obiectiv Z(X) ia aceeaşi valoare în toate punctele acestei muchii sau feţe; în
acest caz problema admite o infinitate de soluţii optime.
x j 0, j 1, n
84
Z ( X ) c1 x1 c2 x2 cn xn max,
Ecuaţiile ai1x1 + ai2x2 +…+ ainxn = bi (i= 1, m ) reprezintă hiperplane în 3 (spaţiul n-
dimensional). Fiecare hiperplan împarte spaţiul în două semispaţii. Punctele unuia din semispaţii
verifică inecuaţia ai1x1 + ai2x2 +…+ ainxn < bi, iar ale celuilalt semispaţiu- inecuaţia ai1x1 + ai2x2
+…+ ainxn > bi. Dacă sistemul de restricţii ale problemei de programare liniară este compatibil,
atunci mulţimea soluţiilor admisibile reprezintă un poliedru convex - poliedrul soluţiilor admi-
sibile. Funcţia-obiectiv Z(X) ia o valoare determinată pe fiecare din hiperplanele
Z(X)=c1x1+c2x2+...+cnxn. Valoarea funcţiei Z(X) creşte când hiperplanul
Z(X)=c1x1+c2x2+…+cnxn se deplasează în direcţia vectorului normal c = (c1, c2, … ,cn) şi
descreşte daca hiperplanul se deplasează în direcţia opusă a vectorului c .
Pot avea loc următoarele situaţii:
1. Hiperplanul în deplasarea lui ia o poziţie când el conţine numai
un singur punct (vârf) al poliedrului soluţiilor admisibile; problema
admite o singură soluţie optimă (într-un singur vârf al poliedrului).
2. Vectorul c = (c1, c2, …, cn) este perpendicular pe o muchie sau
pe o faţă a poliedrului, problema admite o infinitate de soluţii optime
(toate punctele muchiei sau ale feţei).
Probleme propuse
x1 3 x2 6, 2 x1 x2 16,
3x 5 x 15,
1. 3 x1 2 x2 26, 1 2
2.
x 0, x 1, 2 x1 3x2 8,
1 2
x1 0, x2 0,
Z ( X ) 3 x1 x2 max .
Z ( X ) 4 x1 x2 max .
2 x1 3x2 8,
2xx1 xx2 916
,
1 2 ,
3. 3x1 2 x2 12,
4. 3x1 5 x2 15,
3x 4 x 8,
x1 10, x2 2 0,
x 0, x 0,
Z ( X) 1 2 x1 25 x2 max .
Z ( X ) 3x1 2 x2 max .
x1 x2 x3 4,
17. x1 x3 x3 4,
x 0, x 0, x 0,
1 2 3
Z ( X ) x1 x2 x3 max . Răspunsuri
2.5. Soluţii de bază admisibile. Corespondenţa dintre soluţiile de bază admisibile şi vârfurile
mulţimii de soluţii admisibile
Fie o problemă de programare liniară dată sub forma standard şi scrisă sub forma vectorială:
n
A j x j B,
j 1
x 0, j 1, n,
j
Z ( X ) (C , X ) max .
unde Aj = (a1j, a2j,..., amj)', j
86
= 1, n sunt vectori-coloană.
Presupunem că problema are soluţii admisibile şi rangul matricei
A=(A1, A2, …, An) este egal cu m, unde m < n. Dacă m = n, atunci sistemul de ecuaţii va avea o
singura soluţie.
Problema de programare liniară poate fi interpretată astfel: din toate reprezentările vectorului-
coloana B sub formă de combinaţie liniara a vectorilor A1, A2, …, An cu coeficienţi nenegativi să se aleagă
o aşa reprezentare, încât funcţia-obiectiv Z(X) să ia valoarea maximă.
m
n
X ( x s1 , x s 2 ,..., x sm , 0,0...,0)
se numeşte soluţie de bază admisibilă dacă sistemul de vectori As1, As2, …, Asm care corespunde
coordonatelor pozitive xs1, xs2, …, xsm sunt liniar independenţi, adică alcătuiesc o bază a sistemului de
vectori A1, A2, …, An.
Faptul că vectorii As1, As2, …, Asm sunt liniar independenţi înseamnă că necunoscutele xs1,
xs2, …, xsm pot fi exprimate prin celelalte n - m necunoscute libere, adică
x si xio xij x j , i 1, m
jJ
unde J - mulţimea indicilor necunoscutelor libere; Xij - coordonatele vectorului Aj în baza As1, As2, …, Asm;
xio - coordonatele vectorului B în această bază.
2 x1 x2 3x3 4,
x1 2 x3 x4 2,
x 0, x 0, x 0, x 0,
1 2 3 4
Z ( X ) 3x1 x2 4 x3 2 x4 max .
2
În această problemă A1= ,
1
1 3 0 4
A2= , A3= , A4= , B=
0 2 1 2
. Rangul sistemului de ecuaţii este r = m = 2. Soluţia admisibilă X1=(0;4;0;2) este soluţie de bază
1 0
admisibilă, deoarece vectorii A2= şi A4= sunt liniar independenţi; soluţia admisibilă X2 = (l;2;0;l)
0 1
nu este soluţie de bază admisibilă, deoarece are trei coordonate pozitive şi se ştie că în spaţiul 2
orice trei
vectori sunt liniar dependenţi.
Soluţia de bază admisibilă este nedegenerată, dacă ea conţine exact m coordonate pozitive, iar dacă
numărul coordonatelor pozitive este mai mic decât m, atunci soluţia de bază admisibilă este degenerată.
În exemplul de mai sus, soluţia de bază admisibilă X1= (0;4;0;2) este nedegenerată, iar soluţia de
bază admisibilă X3 = (2; 0; 0; 0) este degenerată.
Fie X=(xs1, xs2, …, xsm, 0, 0,…,0) o soluţie de bază admisibilă. Se spune că vectorii liniar
independenţi Asl, As2 ..., Asm formează o bază pentru soluţia de bază admisibilă. Dacă soluţia de bază
admisibilă este nedegenerată, atunci ei îi corespunde o singură bază, în caz contrar îi corespund mai multe
baze. În exemplul de mai sus, pentru soluţia de bază admisibilă X1= (0;4;0;2) avem baza compusă din
vectorii A2, A4, iar pentru soluţia de bază admisibilă degenerată X3 = (2;0;0;0) avem două baze A1, A2 şi
87
respectiv A1, A3.
În continuare vom demonstra teorema care stabileşte legătura dintre vârfurile domeniului de
soluţii admisibile şi soluţiile de bază admisibile în problema de programare liniară.
Soluţia de bază admisibilă X=(x1, x2, …, xk, 0, 0,…, 0), ca soluţie admisibilă, satisface
k
egalitatea A x
j 1
j j B . Vom arăta că X este un vârf al mulţimii de soluţii admisibile. Presupunem că X
nu este un vârf al mulţimii de soluţii admisibile. Atunci soluţia admisibilă X poate fi reprezentată ca o
combinaţie liniar convexă a două puncte diferite X(1) şi X(2) ale mulţimii de soluţii admisibile, adică X=λ •
X(1)+ (1 - λ) • X(2), 0 <λ< 1. Dar deoarece λ> 0 şi 1-λ> 0, rezultă că şi vectorii X(1) şi X(2) au acelaşi aspect, şi
anume:
2
X(1)=(x(1), x(2), …, x k , 0, 0,…, 0)
şi
2 2 2
X(2)=( x1 , x2 ,..., xk , 0, 0,…, 0)
Soluţiile X(1) şi X(2) sunt soluţii admisibile şi de aceea,
k k
A j x (j1) B
j 1
şi A x
j 1
j
( 2)
j B.
Scăzând membrii respectivi ai
acestor două egalităţi, obţinem:
Necesitatea. Fie X= (x1, x2, ..., xk, 0, 0,... ,0), k ≤ n, un vârf al mulţimii de soluţii admisibile.
Vom arăta că X este o soluţie de bază admisibilă. Pentru aceasta e suficient să arătăm că vectorii A 1, A2, …,
Ak sunt liniar independenţi.
Presupunem că vectorii Ai, A2,..., Afc sunt liniar dependenţi.
k
Atunci A
j 1
j j 0 şi cel puţin unul dintre coeficienţii αj≠0.
k
Soluţia X fiind admisibilă, avem A x
j 1
j j B . înmulţim prima egalitate cu un număr (parametru) Ø şi
Aj ( x j j ) B;
j 1
A (x
j 1
j j j ) B.
Deoarece xj > 0, j= 1, k , este evident că se poate determina o valoare θo a parametrului θ, pentru care în
ambele egalităţi obţinute toţi coeficienţii vor fi nenegativi. Dar aceasta ne spune că
ceea ce contrazice că X este un vârf al mulţimii de soluţii admisibile. Rezultatul obţinut contrazice faptul
că vectorii A1, A2, ..., Ak sunt liniar dependenţi. Prin urmare, vectorii A1, A2, ..., Ak sunt liniar independenţi
şi deci X este soluţie de baza admisibilă. ▲
Din această teoremă se desprind următoarele concluzii:
1. Deoarece numărul de soluţii de bază admisibile este un număr
finit < C™, rezultă că şi numărul de vârfuri ale mulţimii de soluţii
admisibile a problemei de programare liniară este un număr finit.
2. Soluţia optimă a problemei de programare liniară trebuie căutată
printre soluţiile de bază admisibile.
3. Trecerea de la un vârf al mulţimii de soluţii admisibile la altul
înseamnă trecerea de la o soluţie de bază admisibilă la alta.
n
a ij x j b j , i 1, m,
j 1
x 0, j 1, n
j
n
Z X c j x j max .
j 1
1, n .
Demonstraţie. Fie X = (x1, x2, ..., xn) o soluţie admisibilă diferită de soluţia de bază admisibilă
n
X*. În baza celor expuse mai sus, avem x x
j 1
ij j xio* Dar atunci, faptul că teorema este adevăratăn rezultă
din relaţiile:
m n
n n
m
n
m
Z ( X ) c j x j zi xi csi xij x j xij x j csi csi xi*0 Z ( X * )
j 1 j 1 j 1 i 1 i 1 j 1 i 1
Aşadar,
dacă Δj=zj-cj≥0, j= 1, n , atunci soluţia de bază admisibilă X* determină valoarea maximă a funcţiei-obiectiv
(2.4) şi este deci soluţie optimă a problemei de programare liniară.▲
Verificând dacă soluţia de bază admisibilă este optimă, poate fi unul din următoarele cazuri:
1. Δj ≥ 0 pentru toţi j = 1, n ;
2. pentru un careva j=k avem Δk<0 şi toate componentele
xik ≤0, i = 1, m ;
3. Δj<0 pentru unii indici j şi pentru fiecare astfel de indice j cel
puţin unul din numerele xij este pozitiv.
În primul caz, după cum urmează din principiul de optimalitate a soluţiei de bază admisibile, soluţia de
bază admisibilă X este soluţie optimă.
În cazul al doilea, funcţia-obiectiv (2.4) este nemărginită superior pe mulţimea soluţiilor admisibile
90
(problema nu are soluţie optimă).
Cel mai des se întâlneşte cazul trei. În această situaţie, aplicând metoda Jordan-Gauss (capitolul 1, secvenţa
br x
1.2.3), se poate exprima necunoscuta xs (Δs < 0) din ecuaţia cu numărul r, pentru care min io , şi
a rs xis .0 xis
ca rezultat se trece de la soluţia de bază admisibilă X la o nouă soluţie X' pentru care Z(X') > Z(X).
Pentru soluţia de bază admisibilă X' verificăm cazurile posibile de mai sus. Dacă iarăşi va avea loc cazul
3), atunci vom trece la o altă soluţie de bază admisibilă ş.a.m.d. În cazul nedegenerat (când numărul ecuaţiei
r se determină univoc), valoarea funcţiei-obiectiv va creşte mereu şi de aceea cazul 3) poate să se repete
numai de un număr finit de ori.
Aşadar, în cazul nedegenerat, peste un număr finit de treceri de la o soluţie de bază admisibilă la alta,
vom obţine soluţia optimă sau ne vom convinge că problema nu are soluţie optimă (funcţia-obiectiv este
nemărginită superior pe mulţimea soluţiilor admisibile).
Metoda expusă mai sus poartă denumirea de metoda simplex. Trecerea de la o soluţie de bază
admisibilă la alta este o iteraţie a metodei simplex.
După cum s-a menţionat mai sus, metoda simplex ne dă posibilitatea, pornind de la o soluţie de bază
admisibilă, să trecem succesiv de la o soluţie de bază admisibilă la alta, astfel încât valoarea funcţiei-
obiectiv să crească, când funcţia-obiectiv se maximizează (sau să scadă, când funcţia-obiectiv se
minimizează). Peste un număr finit de treceri de la o soluţie de bază admisibilă la alta, vom obţine soluţia
optimă a problemei de programare liniară sau ne vom convinge că problema nu are soluţie optimă. Fiecărei
iteraţii îi corespunde trecerea de la un tabel simplex la altul. Algoritmul mtodei simplex oferă criterii în baza
cărora putem decide dacă problema de programare liniară nu are soluţie optimă sau funcţia-obiectiv este
nemărginită.
Aşadar, considerăm o problemă de programare liniară sub forma canonică:
n
aij x j bi , i 1, m
j 1
x 0, j 1, n
j
n
Z ( X ) c j x j max .
j 1
Cu ajutorul variabilelor de compensare xni , i 1, m
scriem modelul matematic al problemei sub forma standard:
n
aij x j xn i bi , i 1, m
j 1
x 0, j 1, n m
j
n m
Z ( X ) c j x j 0 xn i max .
j 1 i 1
Deoarece toţi bi 0, i 1, m
rezultă că X =(0,0, ..., 0, b1, b2, …, bm) este o soluţie de bază admisibilă iniţială (vectorii unitari An+1, An+2,
…, An+m formează o bază).
3. Dacă există cel puţin un indice j, astfel încât Δj=zj-cj<0, atunci se determină indicele s pentru
care Δs=zs-cs= min
(zj - cj).
j
br a
xr 0 , xrj rj , j 1, n;
ars ars
aij ars aisarj bi ars aisbr
xij , xi 0 ,
ars ars
j 1, n, j s; i 1, m , i r.
Ca rezultat, obţinem
un nou tabel simplex (tab. 2.11).
92
Tabelu 2.10
Baza ci B c1 … cs … cn 0 … 0 … 0
x1 … xs … xn xn+1 … xn+r … xn+m
xn+1 0 x10 x11 … 0 … x1n 1 … x1,n+r … 0
xn+2 0 x20 x21 … 0 … x2n 0 … x2,n+r … 0
… … … … … … … … … … … … …
xs cs xr0 xr1 … 1 … xrn 0 … Xr,n+r … 0
… … … … … … … … … … …. … …
xm+n o xm0 xm1 … 0 … xmn 0 … xm,n+r … 1
∆j=zj-cj ∆0 ∆1 … 0 … ∆n 0 … ∆n+r … 0 În
aces
t tabel, Δo este valoarea funcţiei-obiectiv Z(X) pentru soluţia de bază admisibilă obţinută; Δj, j — 1, n ,
sunt coeficienţi ai necunoscutelor xj în soluţia de bază admisibilă obţinută. Coeficienţii Δj se determină
din formula
m
j z j c j ci xij c j
i 1
Menţionăm, totodată, că valorile Δj, ca
şi xij, pot fi calculate conform formulei recurente (regula dreptunghiului). Posibilitatea de a calcula Δj, j =
0,1,2, ..., n + m, prin două modalităţi ne permite să verificăm calculele la fiecare iteraţie a metodei simplex.
Coeficienţii x1j, x2j, …, xmj, j=0,1,2, ..., n + m, sunt nu altceva decât coordonatele vectorilor B,A1,A2,. ..,
Am+n în baza nouă. Dacă în tabelul obţinut toţi Δj ≥0, j= 1, n m , atunci soluţia de bază admisibilă obţinută
este optimă şi Zmax = Δo. Dacă însă există valori Δj < 0 şi pentru fiecare din ele avem cel puţin un element
xij> 0, atunci procesul de rezolvare continuă. În cazul nedegenerat, peste un număr finit de iteraţii vom
obţine soluţia optimă sau vom determina că funcţia-obiectiv este nemărginită superior.
Remarcă. Dacă în ultimul tabel simplex (unde am obţinut soluţia optimă) există cel puţin o necunoscută
liberă pentru care Δj = 0, atunci problema are o infinitate de soluţii optime. Dacă la fiecare iteraţie a
algoritmului simplex valoarea funcţiei-obiectiv creşte (aceasta este posibil dacă de fiecare dată linia
pivotului se determină univoc), atunci peste un număr finit de iteraţii vom obţine soluţia optimă.
Dacă însă după o anumită iteraţie valoarea funcţiei-obiectiv nu creşte, atunci nu este exclusă
posibilitatea ca pe parcurs să se repete o soluţie de bază admisibilă deja obţinută. Acest fenomen poartă
denumirea de ciclare. Ciclarea va avea loc atunci când la o careva iteraţie se obţine o soluţie de bază
admisibilă degenerată. Pentru a preîntâmpina ciclarea, există diferite metode. Una dintre ele, propusă de
Cearnes, constă în modificarea termenilor liberi în sistemul de restricţii ale problemei în modul următor:
n n
Ai x j B Aj j
j 1 j 1
unde ε > 0 este un număr pozitiv
destul de mic.
Probleme rezolvate
2 x1 3x2 18,
x 3x 9,
1 2
2 x1 x2 10,
x1 0, x2 0
Z ( X ) 4 x1 2 x2 max . 93
Rezolvare. Aducem problema la forma standard:
2 x1 3x2 x3 18,
x 3x x 9,
1 2 4
2 x1 x2 x5 10,
x1 0, x2 0, x3 0, x4 0, x5 0,
Z ( X ) 4 x1 2 x2 max .
Alcătuim tabelul simplex iniţial (tab. 2.12)
Tabelul 2.12
Baza Ci B 4 2 0 0 0
x1 x2 x3 x4 x5
x3 0 18 2 3 1 0 0
x4 0 9 -1 3 0 1 0
x5 0 10 2 -1 0 0 1
Tabelul 2.13
Baza Ci B 4 2 0 0 0
x1 x2 x3 x4 x5
x3 0 8 0 4 1 0 -1
94
x4 0 14 0 5/2 0 1 1/2
x1 4 5 1 -1/2 0 0 1/2
∆j=zj-cj 20 0 -4 0 0 2
Deoarece Δ2 =-4 < 0, rezultă că nici soluţia de bază admisibilă x1= (5;0;8; 14; 0) nu este optimă, dar este
mai bună decât cea precedentă. Valoarea funcţiei-obiectiv Z(X1) = 20.
8 14 8
Pentru a determina din care ecuaţie trebuie exprimată necunoscuta x2, aflăm min ; 2.
4 5 / 2 4
Aşadar, este necesar de a exprima necunoscuta x2 din prima ecuaţie. Ca rezultat, obţinem soluţia de bază
admisibilă, pentru care necunoscuta x2 devine necunoscută de bază, iar x3 - necunoscută liberă (vectorul A2,
va ocupa în baza nouă locul vectorului A3).
În urma transformărilor simplex cu pivotul a12— 4, obţinem tabelul 2.14.
Tabelul 2.14
Baza Ci B 4 2 0 0 0
x1 x2 x3 x4 x5
x2 2 2 0 1 1/4 0 -1/4
x4 0 9 0 0 -5/8 1 9/8
X1 4 6 1 0 1/8 0 3/8
∆j=zj-cj 28 0 0 1 0 1
Deoarece Δ j>0, j= 1,5 , rezultă că
soluţia de bază admisibilă X* - (6;2;0;9;0) este soluţie optimă şi Zmax = 28.
Soluţia obţinută prin aplicarea metodei simplex coincide cu soluţia obţinută prin metoda grafică
(exemplul 1 din secvenţa 2.4).
2. Să se rezolve problema de programare liniară aplicând metoda simplex:
x1 2 x2 12,
2 x x 15,
1 2
2 x1 x2 10,
0 x 5,
2
x1 0,
Z ( X ) x1 2 x2 max .
Rezolvare. Aducem problema la forma standard:
x1 2 x2 x3 12,
2 x x x 15,
1 2 4
2 x1 x2 x5 10,
x x 5,
2 6
x1 0, x2 0, x3 0, x4 0, x5 0, x6 0,
Z ( X ) x1 2 x2 max .
95
Etapele de utilizare a algoritmului simplex sunt indicate în tabelul 2.15, în care
bi
se mai adaugă coloana raportului ais 0 pentru calcularea liniei pivotului (ars).
ais
În secţiunea T2 a fost obţinută soluţia de bază admisibilă X1=(0; 5; 2; 10; 15; 0) şi Z(X1)=10. Soluţia nu
este optimă, deoarece Δ1=-l<0. După următoarea iteraţie cu pivotul a11=1 (coloana 1 şi linia 1 din T2), am
* *
obţinut secţiunea T3 în care toţi Δj≥0. Deci, soluţia optimă este X 1 = (2; 5; 0; 6; 11; 0) şi Zmax = Z( X 1 ) =
12.
Observaţie. Observăm că în ultima linie a tabelului avem Δ6 = 0 ce corespunde variabilei libere x6.
Deci, variabila x6 poate fi introdusă în bază în locul variabilei x4, luând drept pivot valoarea 3 din această
* *
coloană. Ca rezultat, vom obţine o altă soluţie optimă X 2 =(6;3;0;0;l;2), pentru care Zmax=Z( X 2 )=12.
Mulţimea soluţiilor optime cuprinde şi orice combinaţie liniară convexă a acestor două soluţii optime.
Tabelul 2.15
Baza Ci B 1 2 0 0 0 0 bi/ais
x1 x2 x3 x4 x5 x6 (ais>0)
\x3 0 12 1 2 1 0 0 0 12:2=6
x4 0 15 2 1 0 1 0 0 15:1=15
x5 0 10 2 -1 0 0 1 0 −−−
x6 0 5 0 1 0 0 0 1 5:1=5←
∆j=zj-cj 0 -1 -2 0 0 0 0
\x3 0 2 1 0 1 0 0 -2 2:1=2←mi
x4 0 10 2 0 0 1 0 -1 n
x5 2 15 2 0 0 0 1 1 10:2=5
x2 0 5 0 1 0 0 0 1 15:2=7,5
____ Din punct de
∆j=zj-cj 10 -1 0 0 0 0 2 vedere economic,
\x1 1 2 1 0 1 0 0 -2 ----- existenţa mai multor
x4 0 6 0 0 -2 1 0 3 6:3=2←mi soluţii optime are o
x5 0 11 0 0 -2 0 1 5 n importanţă deosebită.
x2 2 5 0 1 0 0 0 1 11:5=2,2 într-adevăr, dacă
5:1=5 obiectivul problemei
∆j=zj-cj 12 0 0 1 0 0 de programare liniară
96
este stabilirea unui plan optim de producţie şi după rezolvare am obţinut mai multe soluţii optime, atunci
putem alege una dintre ele, astfel încât planul ales să satisfacă şi alte cerinţe, care nu au fost incluse în
condiţiile iniţiale.
Propunem cititorului să rezolve grafic această problemă (problema 2) şi să compare rezultatele obţinute.
x1 x2 x3 2,
2 x1 4 x2 x4 3,
x 0, x 0, x 0, x 0, x 0,
1 2 3 4 5
Z ( X ) 2 x1 3x2 max .
Tabelul 2.16
T1 Baza Ci B 2 3 0 0 0 bi/ais
x1 x2 x3 x4 x5 (ais>0)
x3 0 2 -1 1 1 0 0 2/1=2←min
x4 0 3 2 -4 0 1 0
T2 x5 0 8 -4 3 0 1 1 8/3=2(2/3)
∆j=zj-cj 0 -2 -3 0 0 0
Soluţia x2 3 2 -1 1 1 0 0 obţinută nu
este optimă, x4 0 11 -2 0 4 1 0 deoarece
Δ1=-5<0 şi x5 0 2 -1 0 -3 0 1 toţi ais < 0.
Procesul ∆j=zj-cj 6 -5 0 3 0 0 rezolvării s-
a terminat. Funcţia
Z(X) este nemărginită pe domeniul soluţiilor admisibile (domeniul este nemărginit de sus).
97
Observaţie. Metoda simplex se aplică fără modificări esenţiale şi în cazul în care problema de
programare liniară cere determinarea valorii minime a funcţiei-obiectiv.
Din cele expuse mai sus concluzionăm că utilizarea algoritmului simplex necesită cunoaşterea unei soluţii
de bază admisibile iniţiale.
Dacă modelul matematic al problemei de programare liniară este de tipul problemelor de folosire
raţională a resurselor
AX ≤ B
X≥0
Z(X) = (C, X) - max
atunci, aducându-1 la forma standard şi utilizând variabile de compensare, obţinem totdeauna o soluţie de
bază admisibilă corespunzătoare bazei formate din vectorii auxiliari. Dar, deoarece nu toate problemele
practice sunt de această formă, rezultă că este necesar să cunoaştem şi alte metode pentru determinarea
soluţiei de bază admisibile iniţiale.
Dat fiind faptul că-algoritmul metodei simplex se aplică numai în cazul modelului
matematic de forma standard, vom considera problema de programare liniară dată sub forma:
x j 0, j 1, n
Z ( X ) c1 x1 c2 x2 cn xn max,
~
Z ( X ) c1x1 c2 x2 cn xn Mxn 1 Mxn 2 Mxn m max,
Unde bi ≥ 0, i = 1, m .
Determinarea unei soluţii de bază admisibile iniţiale în varianta penalizărilor constă în următoarele:
98
Se înlocuieşte problema dată cu o problemă modificată sau „problemă extinsă", şi anume:
x j 0, j 1, n m
Z ( X ) c1 x1 c2 x2 cn xn max,
Z M (X) = c 1 x 1 + c 2 x 2 +… +c n x n +
Vectorii unitari An+1, An+2,..., An+m ce corespund aşa-nu mitelor variabile artificiale x n+1, xn+2,..., xn+m
alcătuiesc o bază. In continuare vom arăta că, rezolvând problema extinsă, vom rezolva şi problema
iniţială.
Demonstraţie. Observăm că dacă X* este soluţie optimă a problemei extinse, atunci X* este
soluţie admisibilă a problemei iniţiale şi Z m(X*) = Z(X*).
Vom demonstra că X* este soluţie optimă a problemei iniţiale. Pres upunem contrariul, că X* nu
este soluţie optimă pentru problema iniţială. Atunci există o aşa soluţie admisibilă X (1) = (x (1) ,
x (1) , ... ,x n (1) ) p e n t r u p r o b l e m a i n i ţ i a l ă , î n c â t Z ( X ( 1 ) ) > Z ( X * ) . D a r atunci pentru soluţia
problemei extinse X ( 1 ) = (x 1 ( 1 ) , x 2 ( 2 ) , ... ,x n ( 1 ) , 0, 0, ... ,0)avem:
Inegalitatea obţinută Z M (X ( 1 ) > Z M (X*) contrazice că X* este soluţie optimă a problemei
extinse. ▲
Probleme rezolvate
99
1. Să se rezolve problema de programare liniară:
x1 3 x2 3 x3 9,
2 x1 2 x2 x3 4,
x 0, x 0, x 0,
1 2 3
~
Z ( X ) x1 6 x2 4 x3 max .
Rezolvare. Adăugând în fiecare ecuaţie a sistemului de restricţii câte o necunoscută artificială, obţinem
problema extinsă:
x1 3 x2 3 x3 x4 9,
2 x1 2 x2 x3 x5 4,
x 0, x 0, x 0, x 0, x 0,
1 2 3 4 5
~
Z ( X ) x1 6 x2 4 x3 Mx4 Mx5 max .
Tabelul 2.17
Baza Ci B 1 6 4 -M -M
x1 x2 x3 x4 x5
x4 -M 9 1 3 3 1 0
x5 -M 4 2 2 1 0 1
Ca rezultat, obţinem o nouă soluţie de bază admisibilă pentru problema extinsă (vezi tab. 2.18).
100
Tabelu 2.18
Baza Ci B 1 6 4 -M -M
x1 x2 x3 x4 x5
x4 -M 3 -2 0 3/2 1 -3/2
x2 6 2 1 1 1/2 0 1/2
Tabelul 2.19
Baza Ci B 1 6 4 -M -M
x1 x2 x3 x4 x5
x3 4 2 -4/3 0 1 2/3 -1
x2 6 1 5/3 1 0 -1/3 1
Deoarece, în ultimul tabel simplex, toate valorile ∆j ≥ 0, j = 1,5 , finem că soluţia de bază
admisibilă X * = (0; l ; 2; 0; 0) este soluţie timă pentru problema extinsă. Dar atunci X* = (0; 1; 2)
este soluţie ;imă a problemei iniţiale, deoarece valorile necunoscutelor x 4 şi x 5 sunt nule.
Remarcă. Dacă problema iniţială nu are soluţii admisibile, atunci uţia optimă a problemei
extinse va conţine cel puţin o componentă x *n+1 > 0
x1 x2 x3 6,
2 x1 x2 x4 8,
x 0, x 0, x 0,
1 2 3
Z ( X ) 3x1 2 x2 x3 max .
în tabelul T1 cea mai mică valoare a coeficienţilor ∆j este ∆j = 2M — 2, ce corespunde variabilei x1 (vectorului
6 8
A1), care se introduce în bază în locul variabilei x 4 (vectorului A4), deoarece ei îi corespunde min ; =
1 2
8
= 4 (linia a doua)
2
Tabelul 2.20
Baza Ci B 3 2 1 -M bi/ais
x1 x2 x3 x4 (ais>0)
T1 x3 1 6 1 1 1 0 6:1=6
X4 -M 8 2 1 0 1 8:2=4←
102
2 x1 x2 4,
x x 5,
1 2
x1 2 x2 3,
x1 0, x2 0, x3 0,
Z ( X ) 2 x1 x2 min .
2 x1 x2 x3 x6 4,
x x x 5,
1 2 4
x1 2 x2 x5 3
x1 0, x2 0, x3 0, x4 0, x5 0
Z1 X Z ( X ) 2 x1 x2 max .
Pentru această problemă (problema iniţială) alcătuim problema extinsă, adăugând la primele două ecuaţii câte o
variabilă artificială (în a treia ecuaţie avem deja variabila de bază x5):
2 x1 x2 x3 x6 4,
x x x x 5,
1 2 4 7
x x x x 5
1 2 4 7
x j 0, j 1,7
~
Z1 X 2 x1 x2 Mx6 Mx7 max .
103
Tabelul 2.21
Baza Ci B -2 1 0 0 0 -M -M bi/ais
x1 x2 x3 x4 x5 x6 x7 (ais>0)
x6 -M 4 2 -1 -1 0 0 1 0 4:2=2←
T1 x7 -M 5 1 1 0 -1 1 0 1 5:1=5
x5 0 3 -1 -1 0 0 0 0 0 −−−
T2 ∆j=zj-cj -9M - -1 M M 0 0 0
3M+2
x1 -2 2 1 -1/2 -1/2 0 0 × 0 ___
x7 M 3 0 3/2 1/2 -1 0 1 3:3/2=2←
T3 x5 0 5 0 -5/2 -1/2 0 1 0 ___
∆j=zj-cj
x1 -2 3 1 0 -1/3 - 0 × ×
x2 1 2 0 1 1/3 1/3 0
Deoarece în tabelul
x5 0 10 0 0 1/3 - 1
T 3 avem ∆j ≥ 0, 2/3 j = 1,5,
-
rezultă că X* = (3; 2)
5/3
este soluţie ∆j=zj-cj -4 0 0 1 0 0 optimă a
problemei iniţiale (variabilele artificiale x 6 = x 7 = 0) şi Z min = -Zi max = -(-4) = 4.
Probleme propuse
x1 2 x2 3 x3 16,
3 x 2 x x 8,
1 2 3
1.
2 x1 x2 24
x 0, x2 0, x3 0
Z X 5 x1 3 x2 2 x3 max .
3 x1 2 x2 x4 6,
x 2 x x 4 x 12,
1 2 3 4
2.
2 x1 2 x3 x4 10,
x1 0, x2 0, x3 0, x4 0
Z X 6 x1 8 x2 4 x3 2 x4 max .
104
2 x1 x2 x3 8,
5
x 3 x2 x3 20,
3. 2 1
2 x1 3 x2 5 x3 25,
x 0, x2 0, x3 0
Z X 8 x1 6 x2 8 x3 max .
2 x1 x2 x3 3,
4. x1 x2 x4 1,
x 0, x 0, x 0, x 0
1 2 3 4
Z X 4 x1 2 x2 2 x3 2 x4 max .
x2 x3 x4 1,
5.2 x1 2 x3 x4 2, .
x 0, x 0, x 0, x 0
2 3 4
Z X 2 x1 4 x2 4 x3 x4 max .
x1 x2 x3 2,
x2 2 x3 x4 2,
6.
x2 x3 x5 4,
x 0, x2 0, x3 0, x4 0, x5 0
Z X 3 x1 2 x2 x3 2 x4 x5 max .
4 x1 3 x2 2 x3 1,
7. 3 x1 x2 2 x3 2,
x 0, x 0, x 0,
1 2 3
Z X 6 x1 4 x2 2 x3 max .
3x1 2 x2 20,
3x 3 x 26,
8. 1 2
x1 4 x2 22,
x 0, x2 0
Z X 8 x1 10 x2 max .
3x1 2 x2 10,
3 x 3 x 13,
9. 1
2
x1 4 x2 11
x1 0, x2 0
Z X 8 x1 10 x2 max .
105
2 x1 3x2 12, `
x 5 x 33,
10. 1 2
.
5
1 x 3 x2 25 ,
x 0, x2 0
Z X 4 x1 2 x2 max .
x1 1.5 x2 6,
4 x 3x 30,
11. 1 2
.
5 x1 3 x 2 25,
x 0, x2 0
Z X x1 4 x2 max .
x1 x2 2,
x x 1,
1 2
12 . x1 x2 1,
x x 1
1 2
x 0, x2 0
Z X x1 4 x2 max .
x1 x2 x3 8,
x x x x 7,
2 3 4 5
13 .
3 x x4 2 x5 13,
3
x j 0, j 1,5
Z X 9 x1 6 x2 4 x3 8 x4 5 x5 max .
x1 x2 1,
x x 3 x 8,
1 2 3
14 . x1 2 x3 9, .
x x 4,
2 3
x 0, x2 0, x3 0
Z X x1 5 x2 4 x3 max .
x1 2 x2 2 x3 3,
15.4 x1 3x2 2 x3 6, .
x 0, x 0, x 0
2 3
Z X 3x1 2 x2 4 x3 max .
106
x1 2 x2 4 x4 6,
7 x 2 x 2 x 6 x 8,
1 2 3 4
16. .
5 x1 8 x 2 4 x3 3 x5 48,
x 0, x2 0, x3 0, x4 0
Z X 3x1 4 x2 3x3 x4 max .
x1 x2 x3 3x4 3x5 1,
x x x x x 1,
1 2 3 4 5
17. .
x
1 x2 x3 5 x 4 x5 48,
x 0, x2 0, x3 0, x4 0
Z X x1 3x2 x3 x4 x5 max .
x1 3 x2 11x3 9,
18 .3 x1 x2 9 x3 5,
x 0, x 0, x 0
2 3
Z X x1 2 x2 5 x3 max .
3 x1 x2 2 x3 2,
19 . x1 x2 0,
x 0, x 0, x 0
1 2 3
Z X 3 x1 x2 3 x3 max .
107
x1 x2 4,
6 x 2 x 8,
20 . 1 2
x1 5 x2 4,
x 0, x2 0
Z X 2 x1 3 x2 min .
x1 x2 x3 1,
21 . x1 x2 3 x3 3,
x 0, x 0, x 0
1 2 3
Z X 4 x1 2 x2 2 x3 2 x4 max .
x1 2 x2 x3 5,
x x x 2,
1 2 4
22. .
x 2 x3 3,
x 0, x2 0, x3 0, x4 0
Z X 4 x1 8 x2 2 x3 x4 max .
x1 15 x2 x3 2,
23. x1 x2 x3 0,
x 0, x 0, x 0
1 2 3
Z X 2 x1 2 x2 2 x3 max .
Răspunsuri
108
15 17
1. X* = (l;0;5), Zmax = 15. 2. X* = (0;3;5;0), Zmax = 44. 3. X* = ;0; , Zmax = 49. 4. X* =
8 4
(0; 3; 0; 4), Zmax = 14. 5. Funcţia obiectiv Z(X) este nemărginită superior. 6. X* = (4; 2; 0; 0; 2), Z max =
18. 7. Nu are soluţii optime. 8. X * = (3,6; 4,6), Z m a x = 74,8. 9. X * = (1,8; 2,3), Zmax - 37,4. 10. X*
1 3 11
= (8; 5), Zmax = 42. 11. X* = (3; 6), Z mi„ = = -27. 12. X* = ; , Zmin = - . 13. X * = (0; 2; 3; 0;
2 2 2
13 21 5 59
2), Zmin = 34. 14. X* = ; ; , Zmax = . 15. X* = (1; 0; 1), Zmax = 7.
2 4 4 4
16. X * = (0; 3; 1; 0), Z m a x = 15. 17. X * = (1; 1; 1; 0; 0), Z m a x = 3. 18. X* = (3; 4; 0), Zmax = 11.
8 4
19. X* = (1; 1; 0), Zmax = -2. 20. X* = ; , Zmin = 4. 21. X*1 = (0; 0; 1), X*2 = (2; 1; 0), X* = λ X 1 * +
7 7
(l - λ) X 2 * , 0 ≤ λ≤ l , Z m a x = 4 . 22 . X * = ( 0; 0; 5 ; 2 ), Z m a x = 8. 2 3. S ol uţ i i l e d e b az ă
1 1
adm i s i bi l e op t i m e: X * = ( l ; 0 ; l ) , X 2 * = ; ;0 . Mulţimea soluţiilor optime: X * = λX * + (1 -
8 8
λ)X 2 * , 0 ≤ A ≤ 1, Z m a x = 0.
Fiecărei probleme de programare liniară i se poate asocia o altă problemă de programare liniară, numită
problema duală. Ca urmare, putem vorbi despre existenţa unui cuplu, primal-dual, de probleme de
programare liniară care are aplicaţii în modelarea matematică a fenomenelor economice. Rezolvarea
problemei duale furnizează informaţii suplimentare pentru analiza proceselor economice şi fundamentarea
deciziilor.
Pentru înţelegerea conţinutului economic al parametrilor problemei duale, vom scrie problema duală pentru
problema de utilizare raţională a resurselor.
Modelul matematic al problemei de utilizare raţională a resurselor are forma:
xj ≥ 0, j = 1,n
si prin urmare, cu cât mai mici vor fi cheltuielile neproductive în proce->ul de producţie, cu atât mai deplin se
va include valoarea cheltuielilor ifectuate în valoarea produsului obţinut.
Aşadar, rentabilitatea programului de lucru al întreprinderii constă n includerea deplină a valorilor
cheltuielilor de ingredienţi în valoarea inei unităţi de produs, adică pentru planul rentabil de lucru
valoarea cheltuielilor totale de ingredienţi trebuie să fie egală cu valoarea producţiei obţinute.
Aşadar, variabilele y1 i = 1, m, trebuie să satisfacă restricţiile:
Evident, aceste valori trebuie să fie nenegative: y i, ≥ 0, i = 1, m. Astfel, am obţinut problema duală:
Coeficienţii funcţiei-obiectiv a problemei iniţiale devin termeni liberi în problema duală, iar termenii liberi din
problema iniţială devin coeficienţi ai funcţiei-obiectiv a problemei duale. Dacă în problema iniţială se cere să se
maximizeze funcţia-obiectiv Z{X), atunci scopul problemei duale este de a minimiza funcţia-obiectiv W(Y).
Fiecărei variabile xj, j — 1, n, din problema iniţială îi corespunde o restricţie în problema duală, prin urmare,
coeficienţii variabilei xj devin coeficienţi ai unei restricţii în problema duală. Aşadar, problema duală are n
restricţii, iar coeficienţii necunoscutelor y; formează matricea A' (transpusa matricei A din problema iniţială).
De menţionat că problema duală a dualei este problema iniţială şi de aceea se poate afirma că problema iniţială
(primală) şi cea duală formează un cuplu de probleme reciproc duale.
Se spune că avem cazul de probleme duale simetrice dacă toate restricţiile în aceste probleme sunt exprimate
110
prin inecuaţii.
3x1 2 x 2 x 2 34,
x 4 x 6 x 45,
1 2 3
x 0, x 2 0, x3 0
Z X 8 x1 10 x 2 17 x3 max .
3 y1 y 2 y 3 4 y 4 34,
2 y 4 y y 3 y 10,
1 2 3 4
y1 y 2 3 y 3 17,
y1 0, y 2 0, y 3 0, y 4 0
W Y 34 y1 45 y 2 32 y 3 40 y 4 min .
Modelul matematic al problemei iniţiale şi respectiv al problemei duale poate fi scris, mai compact, astfel:
n m
a ij x j bi , i 1, m, aij y j c j , j 1, n,
j 1 i 1
yi 0, i 1,.m
x j 0, j 1,.n
m
W Y b j y j min .
n
Z X c j x j max .
j 1 i 1
Lema 2.1 Pentru orice soluţie admisibilă X = ( ) a problemei iniţiale şi orice soluţie
admisibilă Y =, •( ) o problemei duale are loc inegalitatea Z(X) ≤ W(Y)
Demonstraţie. într-adevăr,
111
n
m
n
Z X c j x j a ij y i x j .
j 1 j 1 i 1
m n m
a ij x j y i bi y i W Y .
i 1 j 1 i 1
Demonstraţie. In baza lemei 2.1, pentru orice soluţii admisibile X şi Y are loc Z(X) ≤ W(Y). în
particular, vom avea Z(X*) ≤ W{Y). De aici şi din egalitatea Z(X*) = W(Y") obţinem că W(Y*) ≤
W{Y). Această inegalitate ne arată că Y* este soluţie optimă pentru problema duală.
în mod analog avem Z(X) ≤ W{Y*) sau Z(X) ≤ Z(X*), adică X* este soluţie optimă pentru
problema iniţială. ▲
Teorema 2.7 (teorema dualităţii). Dacă problema iniţială are soluţie optimă, atunci problema duală de
asemenea are soluţie optimă şi pentru aceste soluţii X* şi Y* are loc egalitatea Z(X*) — = W(Y*).
Dacă funcţia-obiectiv în una din probleme este nemărginită (superior pentru problema iniţială sau inferior
pentru problema duală), atunci cealaltă problemă nu are soluţii admisibile.
csixij
i 1
matricea coeficienţilor problemei iniţiale, iar D~ l - inversa matricei D- (As1 ,As2 ,...,A sm ). Aşadar,
avem:
112
Fie ca
c s1,cs2,, csm* D 1* A y 1, y 2,, y n Y *
Atunci inegalitatea de mai sus poate fi scrisă astfel Y* • A ≥ C. Dar aceasta şi înseamnă că vectorul
Y* = y *1, y * 2,..., y * m soluţie admisibilă pentru problema duală. Vom demonstra că Y* este soluţie
optimă pentru problema duală. Avem:
W(Y*) = (B,Y*) = (Y*, B) = ∙ D -1 , B) = ∙ D -1 , B) =
,( = (C,X*) = Z(X*).
Conform lemei 2.2, rezultă că Y* este soluţie optimă a problemei duale. Demonstrarea părţii a doua a
teoremei. Admitem că funcţia-obiectiv în problema iniţială este nemărginită superior pe mulţimea
soluţiilor admisibile. în acest caz vom demonstra că problema duală nu are soluţii admisibile.
Presupunem contrariul, adică considerăm că problema duală are soluţii admisibile şi fie Y una din ele.
Deoarece funcţia-obiectiv în problema iniţială este nemărginită superior, rezultă că există o soluţie
admisibilă X, astfel încât Z(X) > W(Y), ceea ce contrazice Ierna 2.1. ▲
Având în vedere cele demonstrate mai sus, există doar următoarele posibilităţi logice referitor la perechea
de probleme duale:
1) problema iniţială şi problema duală nu au soluţii admisibile (se poate construi un exemplu în care să
întâlnim această situaţie);
2) problema iniţială nu are soluţii admisibile şi problema duală are funcţie-obiectiv nemărginită inferior;
3) problema iniţială are funcţie-obiectiv nemărginită superior şi problema duală nu are soluţii
admisibile;
4) problema iniţială şi problema duală au soluţii optime şi pentru aceste soluţii optime valorile
funcţiilor-obiectiv sunt egale.
n
a) bi a ij x j y i 0, i 1, m;
j 1
n
b) a ij y j c j x i 0, j 1, n;
j 1 113
Demonstraţie. Necesitatea. Fie X* şi Y* soluţii optime pentru problema iniţială şi cea duală respectiv.
Ca soluţii optime ele satisfac restricţiile problemei iniţiale şi ale celei duale respectiv. Aşadar:
m n
n n
m m
c j x j a ij y j x j a ij x j y i bi y i
j 1 i 1 i 1 j 1
j 1 i 1
avem
n m
c j x j bi yi
j 1 i 1
Dar atunci:
n
m
n
m n m
c j x j aij y j x j şi
j 1 i 1
aij x j yi bi yi
i 1 j 1
j 1 i 1
n
m m
Din prima egalitate urmează că
j 1
aij yi* c j x *j 0 si deoarece toţi termenii aij yi* c j x *j sunt
i 1 i 1
nenegativi, rezultă că
n
m
n
j 1
c j x j aij y j x j 0,
j 1 i 1
j 1, n.
m n
Din a doua egalitate urmează că bi aij x *j yi* 0 . Întrucât şi aici toţi termenii în această suma
i 1 j 1
sunt nenegativi, rezultă că
n
bi aij x j yi 0, i 1, m;
j 1
Suficienţa. Fie că pentru soluţiile de bază admisibile X* şi Y* se verifică relaţiile a) şi b). Adunând între ele
114
n n m n n m
a
i 1 j 1
ij x j yi bi yi ,
i 1
a
j 1 i 1
ij yi x j c j x j ,.
i 1
relaţiile de tipul a) şi respectiv cele de tipul b), obţinem:
m n
Deoarece membrii stângi sunt egali, rezultă că b y c x
i 1
i
*
i
j 1
j
*
j .
În baza lemei 2.2, conchidem că soluţiile de bază admisibile X* şi Y* sunt soluţii optime pentru
problema iniţială şi cea duală, respectiv.
În baza teoremei ecarturilor complementare se pot formula următoarele concluzii:
n
1) dacă yi 0, atunci
*
a
j 1
ij x *j bi ;
n
2) dacă a
j 1
ij x *j bi , atunci yi* = 0;
m
3) dacă x j 0 , atunci
*
a
i 1
ij yi* c j ;
m
4) dacă a
i 1
ij yi* c j , atunci x *j 0 .
Prima relaţie arată că variabila duală corespunzătoare unei resurse utilizate integral are o valoare
pozitivă, iar relaţia a doua arată că y*i = 0, dacă resursa R i nu este utilizată integral în programul
optim de producţie.
Analizând relaţiile 3) şi 4), ajungem la concluzia că dacă fabricarea produsului Pj este eficientă (el a
intrat în programul optim al problemei iniţiale), atunci estimarea resurselor utilizate la fabricarea unei
unităţi de acest produs este egală cu beneficiul unitar C j, iar dacă această estimare este mai mare decât Cj,
atunci nu este eficient să includem în programul optim fabricarea produsului P j.
Făcând analiza soluţiei optime în problemele de programare riniară, deseori apare întrebarea: în ce limite
pot varia componentele vectorului termenilor liberi pentru ca să se păstreze nomenclatura produselor
determinată de soluţia optimă.
într-adevăr, componentele vectorului termenilor liberi se pot modifica faţă de nivelul lor prestabilit ca
urmare a schimbării capacităţii mijloacelor de muncă, a disponibilului de resurse umane sau de materie
primă şi materiale.
Fie B = ( bm) nivelul iniţial al resurselor. Dacă resursa Ri şi-a schimbat nivelul iniţial cu
mărimea ∆bi, atunci vom avea:
B=( bm) + (0, 0, ... , 0, ∆bi, 0, ..., 0) =
115
=( bm) + ∆bi ∙(0, 0, ... ,0, 1, 0, ... ,0)
In urma transformărilor simplex, în ultimul tabel simplex, obţinem soluţia optimă:
x*i1 = b'1 + ∆bi * α1; x*i2 = b'2 + ∆bi * α2; ... ; x*im = b'2 + ∆bi * αm
unde α 1 , α 2 ,..., α m sunt coordonatele vectorului unitar e 1 , = (0,0,... ..., 0,1,0,0,..., 0) în baza optimă.
Evident, pentru a păstra nomenclatura produselor determinată de soluţia optimă, este necesar să
cerem ca valorile necunoscutelor de bază x* i1 , x* i2 ,..., x* im să fie nenegative, adică
b1' bi 1 0,
'
b2 bi 2 0,
b ' b 0.
m i m
bi'
max ,
bi i 0 i
, dacă toţo 0
i
Şi
bi'
max ,
bi i 0 i
, dacă toţo 0
i
2 x1 x2 x3 3x4 1200 ,
2 x 4 x 2 x 600 ,
1 3 4
x1 2 x2 x3 1800 ,
x1 0, x2 0, x3 0, x4 0
Z X 20 x1 10 x2 15 x3 25 x4 max
116
interval, atunci valoarea variabilei duale respective y* rămâne constantă.
Vom ilustra cele expuse mai sus printr-un exemplu:
Tabelul 2.22
Baza ci B 20 10 15 25 0 0 0
x1 x2 x3 x4 x5 x6 x7
x1 20 180 1 0 0 11/5 4/5 - -
x2 10 780 0 1 0 -4/5 -1/5 1/10 2/5
x3 15 60 0 0 1 -3/5 3/10 - 3/5
1/10 1/5
3/10
B= + ∆b i ∙
Din ultimul tabel simplex se vede că vectorul B s-a transformat în vectorul ( 180 780 60) iar vectorul ( 1 0 0 ) - în
vectoru ( 4/5 -1/5 -2/5).
Prin urmare, vectorul B s-a transformat în vectorul B = ( 180 780 60) + ∆b i (4/5 -1/5 -2/5)
Pentru ca variabilele x1, x2 şi x3 să rămână variabile de
4 bază, este necesar să aibă loc:
180 b1 0,
5
1
780 b1 0,
5
2
60 b1 0.
5 117
Rezolvând sistemul de inecuaţii, obţinem:
bi' 180
b1 max max 225,
i 0
i 4 5
bi' 780 60
b1 max max ; 150.
i 0
i 4 5 2 5
Aşadar, intervalul de variaţie a primei resurse, pentru care y*1 = 8 va rămâne aceeaşi, este: [1200 - 225; 1200 +
150] sau [975; 1350]. în mod analog pot fi determinate şi intervalele de variaţie ale celorlalte resurse: [400; 2 400] şi
respectiv [1500; 2 250].
Considerând aceste intervale, poate fi efectuată o anumită analiză economică. De exemplu, dacă se
măreşte volumul primei resurse cu ∆b i = 25, beneficiul maxim se va mări cu Z max y1 b1 8 25 200
*
Z max Z max
caz, şi Z max = Z(X*) se va mări cu o valoare ΔZ max . Dar atunci lim . Luând în
bi 0 b bi
i
n m
consideraţie că Zmax = c j x*j bi yi* , obţinem
j 1 i 1
Z max
y i* , i 1, m
bi
Prin urmare, pentru o problemă de programare liniară scrisă sub forma canonică, în care se urmăreşte
maximizarea funcţiei-obiectiv Z(X), mărimea y* reprezintă valoarea unei unităţi folosite în producţie din
resursa R 1. Având în vedere că ma,xZ(X) = min W(Y), rezultă că dacă cantitatea disponibilă din resursa Ri
va creşte cu o unitate, atunci valoarea funcţiei-obiectiv va creşte cu y* i unităţi, deci y* i măsoară creşterea
valorii funcţiei-obiectiv, determinată de creşterea cu o unitate a cantităţii disponibile b i ,. în particular,
dacă y* i = 0, atunci resursa Ri nu este deficitară, ceea ce înseamnă că mărirea ei cu o unitate nu
influenţează creşterea funcţiei-obiectiv Z(X).
Valorile optime yi , i 1, m , ale necunoscutelor duale ne permit să determinăm dacă este raţional sau nu
*
realizarea unor acţiuni. Acţiunea va fi eficientă dacă va asigura un beneficiu suplimentar. Ca exemplu,
vom presupune că a apărut necesitatea de a lărgi producţia prin fabricarea unui nou produs P n+1,
cunoscând cheltuielile ( ale resurselor respective la fabricarea unei unităţi de produs
şi beneficiul c n+i obţinut la vânzarea unei unităţi de produs.
118
m
Evident, dacă cheltuielile vor fi mai mari ca beneficiul, adică z
i 1
i , n 1 yi* cn1 , atunci extinderea
m
producţiei nu este eficientă, iar dacă a
i 1
i , n 1 yi* cn1 , atunci extinderea producţiei este eficientă.
Din cele spuse mai sus rezultă că valorile optime y* i ale necunoscutelor duale furnizează
informaţii suplimentare pentru analiza eficienţei economice a resurselor şi a diferiţilor indicatori
economici care apar în restricţiile unei probleme de programare liniară. In baza lor se pot fundamenta
deciziile privind alocarea judicioasă a resurselor, se pot stabili măsuri de stimulare a consumului raţional al
resurselor, se poate determina cât mai corect nivelul minim şi maxim al diferiţilor indicatori tehnici şi
economici de care depinde structura programului de producţie optim.
Pentru o problemă scrisă sub forma canonică, în care se cere mini mizarea funcţiei Z(X), restricţiile se
referă la caracteristici economice cărora li se impun limite inferioare. în acest caz, valorile variabilelor duale
y*i măsoară creşterea costului total al producţiei, a cheltuielilor de muncă etc, determinată de creşterea cu
o unitate a componentei b i a vectorului termenilor liberi.
In paragraful precedent au fost examinate probleme duale simetrice, în care sistemul de restricţii, atât în
problema iniţială, cât şi în cea a duală, sunt exprimate prin inecuaţii. De menţionat că variabilelor
nenegative din problema iniţială le corespund inegalităţi concordante (corespunzătoare) în problema duală.
Paralel cu astfel de probleme prezintă interes sistemul problemelor duale nesimetrice. Forma nesimetrică a
problemei duale corespunde cazului când în problema iniţială condiţiile sunt exprimate şi prin ecuaţii.
Considerăm problema de programare liniară sub forma standard:
.
a11x1 a12 x2 a1n xn b1 ,
a x a x a x b ,
21 2 22 2 2n n 2
a x a x a x b ,
m1 1 m2 2 mm n m
x1 0, x2 0, , xn 0
Z X c1 x1 c2 x2 cn xn max .
Probleme rezolvate
1.Pentru problema de programare liniară
x1 2 x2 3x4 8,
x2 x3 2 x4 6,
x 0, x 0, x 0, x 0
2 3 4
y1 2,
2 y y 5,
1 2
y 2 3,
3 y1 2 y 2 11
W Y 8 y1 6 y 2 min .
Rezolvăm problema iniţială prin metoda simplex. Alcătuim tabelul simplex iniţial (tab. 2.23).
Tabelul 2.23
120
Baza ci B -2 5 3 11
x1 x2 x3 x4
x2 -2 8 1 2 0 -3
x3 3 6 -0 1 1 2
∆j=zj-cj 2 0 -6 0 1
După prima iteraţie a metodei simplex, obţinem o nouă
soluţie de bază admisibilă (tab. 2.24).
Tabelul 2.24
Baza ci B -2 5 3 11
x1 x2 x3 x4
x2 5 4 1/2 1 0 -3/2
x3 3 2 -1/2 0 1 7/2
∆j=zj-cj 26 3 0 0 -8
După a doua iteraţie, obţinem soluţia optimă a problemei iniţiale (tab. 2.25) X* = (0; 34/7: 0; 4/7) si Z max
= 214/7
Tabelul 2.25
Baza ci B -2 5 3 11
x1 x2 x3 x4
x2 5 34/7 2/7 1 3/7 0
x4 11 4/7 -1/7 0 2/7 1
Pentru a determina soluţia optimă a problemei duale, este necesar de a efectua următoarele calcule simple
2 3
Y C B D 5;11
* 1 7 7 1 ; 37 .
1 2 7 7
7 7 121
Aşadar, am obţinut y* 1 = -1/7; Y* 2 = 37/7 si Wmin = 214/7
Deoarece Y* — C B ∙ D-1
si z j = = ∆ j + c j rezultă că pentru a afla y*, i = l,m, la valorile Aj,
corespunzătoare necunoscutelor de bază Xj în soluţia de bază admisibilă iniţială, trebuie de adăugat
valoarea coeficienţilor respectivi din funcţia-obiectiv Z(X).
In exemplul dat, avem: y* 1 = 13/7+(-2) = -1/7; y* 2 = 16/7+3=37/3
De menţionat că s-ar fi putut rezolva problema duală şi în ultimul tabel simplex am fi obţinut şi soluţia
optimă a problemei iniţiale.
In exemplul de mai sus, este mai comod de a rezolva problema duală prin metoda grafică, deoarece,
aplicând metoda simplex, am fi avut tabele simplex de dimensiuni mai mari (şi deci calcule voluminoase)
faţă de tabelele simplex, rezolvând problema iniţială.
x1 x2 x3 3,
x1 2 x2 x3 1,
x 0, x 0, x 0
2 3
Z X 8 x1 4 x2 4 x3 max .
grafică, rezolvând problema duală
Rezolvare. Problema duală este:
y1 y 2 8,
y1 2 x2 4,
y y 4
1 2
W Y 3 y1 y 2 min .
122
y1 y 2 8,
y1 y 2 4
2 y1 12; y1 6; y 2 2.
Aşadar, am obţinut Y* = (6; 2) şi Wmin — -20. Mai departe, leoarece a doua restricţie în problema duală pentru
y*1 = 6 şi y*2 = 2 e satisfac ca inegalitate strictă, rezultă că necunoscuta x^ în soluţia iptimă a problemei iniţiale va
fi egală cu zero. Dar atunci sistemul de estricţii ale problemei iniţiale va avea forma:
x1 x3 3,
x1 x3 1.
Problema iniţială
A X B
Z(X) = (C,X) – max
X 0
Problema duală
Problema duală
x1 x 2 x3 14,
x 5 x x 15,
1 2 3
2 x1 x 2 3 x3 16,
x1 0, x 2 0, x3 0
Z X 3 x1 2 x 2 5 x3 min .
y1 y 2 2 y 3 3,
y 5 y y 2,
1 2 3
y1 y 2 3 y 3 5,
y1 0, y 2 0, y 3 0
W Y 14 y1 15 y 2 16 y 3 max .
124
x1 x 2 x3 14,
x 5 x x 1`5,
1 2 3
2 x1 x 2 3x3 16,
x1 0, x 2 0, x3 0
Z X 3x1 2 x 2 5 x3 min .
Problema iniţială
A X B Z(X) = (C,X) – max
X 0
Problema duală
Problema iniţială
A X B
Z(X) = (C,X) – min
X 0
Problema duală
n
aij x j bi ; i 1, m1 , m1 m,
j 1
n
aix x j bi ; i m1 1, m,
j 1
x 0; j 1, n , n n
j 1 1
n
Z X c j x j max .
j 1
125
Problema duala are forma:
x1 2 x 2 x3 2,
2 x x 2 x 6,
1 2 3
x1 x 2 x3 8,
x1 0, x3 0
Z X 9 x1 10 x 2 13 x3 max .
Exemplu 2. Pentru problema data sa se scrie problema duala:
Rezolvare. Vom scrie problema iniţială sub for
x1 2 x2 x3 2,
2 x x 2 x 6,
1 2 3
x1 x2 x3 8,
x1 0, x3 0
Z X 9 x1 10 x2 13 x3 max .
m
aij yi c j ; j 1, n1 , n1 m,
i 1
m
aij yi c j ; j n1 1, n,
i 1
y 0; i 1, m , m m
i 1 1
m
W Y bi yi min .
i 1
y1 2 y 2 y 3 9,
2 y y y 10,
1 2 3
y1 2 y 2 y 3 13,
y1 0, y 2 0
W Y 2 y1 6 y 2 8 y 3 min .
126
Probleme propuse
Pentru următoarele probleme să se scrie problema duală. Să se rezolve una din ele utilizând
metoda simplex şi să se arate soluţia optimă a problemei iniţiale şi a celei duale.
x1 x 2 5,
2 x x 3,
1 2
1.3 x1 x 2 2 x3 8,
x 2 x3 4,
x1 0, x 2 0, x3 0
Z X 13 x1 7 x 2 8 x3 max .
5 x1 x 2 x3 2 x 4 5,
2.4 x1 2 x 2 x3 3 x 4 3,
x 0, x 0, x 0, x 0
1 2 3 4
Z X 13 x1 7 x 2 8 x3 max .
construieşte o consecutivitate de soluţii de bază ale problemei iniţiale, astfel încât prima soluţie de
bază admisibilă obţinută va fi o soluţie optimă a problemei iniţiale.
Considerăm un cuplul de probleme duale:
problema iniţniţi
A X B,
X 0
Z X C , X max
problema dublă
A Y C,
'
W Y B, Y min
Să presupunem că pentru problema iniţială s-a ales o bază formată din vectorii A i1, Ai2 ,..., Ai m, astfel
încât cel puţin o componentă a soluţiei de bază X = (xi1, xi2..xim., 0 , 0 , .. .,0) este negativă, iar pentru
toţi vectorii Aj are loc relaţia ∆j = Zj — Cj ≥ 0, j = 1, n.
127
Din demonstraţia teoremei dualităţii se deduce imediat că vectorul Y = C∙D -1
= (yi1 , yi2 , ... ,yim
0,0,..., 0) este o soluţie admisibilă a problemei duale, unde C B = (ci1, ci2,..., cim), iar D-1 este
inversa matricei D = (A i1 , A i2 ,..., A im ).
Soluţia admisibilă Y = (y i1 , y i2 ,..., yim , 0,0,..., 0) a problemei duale nu este optimă, deoarece în
baza aleasă A i1, Ai2,..., Aim
Soluţia de bază X = (xix , Xi2,..., x,m, 0, 0,..., 0) are cel puţin o componentă negativă şi deci nu este
soluţie admisibilă a problemei iniţiale.
Presupunem că în soluţia de bază X = (x i1, x i1,...,x im,0,0,.. . , 0 ) a problemei iniţiale componenta
Xir < 0. In acest caz, vectorul Air, ce corespunde componentei x ir < 0, trebuie exclus din bază. Pentru
a afla vectorul ce va intra în bază, se examinează elementele liniei r. Dacă în linie nu avem
elemente xrj < 0, atunci funcţia-obiectiv W(Y) a problemei duale este nemărginită inferior pe
mulţimea soluţiilor admisibile, iar problema iniţială (conform teoremei dualităţii) nu are soluţii
admisibile.
Dacă însă în linia r avem unele elemente x rj < 0, atunci, pentru coloanele ce conţin aceste
valori negative, determinăm max
Aşadar, vectorul As va intra în bază în locul vectorului A ir.
Cu alte cuvinte, necuniscuta xs va deveni necunoscută de bază în locul necunoscutei Xir.
Vom arăta că dacă vectorul As va intra în bază, atunci valorile ∆ j se vor păstra nenegative. într-
adevăr, conform formulelor de transformare simplex, avem:
Deoarece x rs < O, rezultă că ∆′j vor fi nenegative, dacă ∆ j • x rs — ∆ s • x r j < 0. Dacă ∆ s =
0, atunci ∆′ j = ∆j. Dacă însă ∆ s > 0 şi luând în consideraţie că x rs < 0, vom avea: ∆j ≥
trebuia demonstrat.
Trecând la valori absolute, regula de mai sus poate fi scrisă şi astfel:
După ce a fost ales corect pivotul xra, se execută transformările elementare, bazate pe metoda
Jordan-Gauss, necesare în tabelul simplex asociat problemei iniţiale şi ca rezultat obţinem o nouă
soluţie de bază, în care xs a devenit necunoscuta de bază, în locul necunoscutei x !r .
Peste un număr finit de iteraţii ale algoritmului simplex dual vom obţine o soluţie de bază
admisibilă a problemei iniţiale (care şi va fi soluţie optimă) sau ne vom convinge că problema iniţială
nu are soluţii admisibile. Algoritmul simplex dual este algoritmul simplex aplicat problemei duale
fără însă a construi problema duală.
Algoritmul simplex dual porneşte de la o soluţie duală realizabilă, dar care nu este realizabilă
pentru problema iniţială, şi urmăreşte eliminarea din bază a variabilelor negative, menţinând, în
fiecare iteraţie, îndeplinit criteriul de optimalitate Aj > 0, j = l,n.
Vom ilustra utilizarea algoritmului simplex dual rezolvând următoarea problemă de programare
128
liniară:
x2 3x3 6 x4 8,
3x1 2 x2 x3 5 x4 1 6,
x j 0, j 1,4
Z X 4 x1 3x2 10 x3 5 x4 max .
x 2 3x3 6 x 4 8,
3x1 2 x 2 x3 5 x 4 16,
x j1 0, j 1,4
Z X 4 x1 3x 2 10 x3 5 x 4 max .
x 2 3x3 6 x 4 x5 8,
3x1 2 x 2 x3 5 x 4 x6 16,
x j1 0, j 1,4
Z X 4 x1 3x 2 10 x3 5 x 4 max .
Baza ci B -4 -3 -10 -5 0 0
x1 x2 x3 x4 x5 x6
x5 0 -8 0 1 3 -6 1 0
x6 0 -16 -3 -2 1 5 0 1
∆j=zj-cj -16 1 1 11 0 0 1
Soluţia de bază X- = (0; 0; 0; 0; -8; -16) conţine componente negative şi de aceea nu este soluţie de
bază admisibilă a problemei iniţiale. Stabilim vectorul ce va ieşi din bază. în calitate de linie pivot
luăm linia a doua, deoarece ei îi corespunde componenta negativă cea mai mică în soluţia de bază.
Aşadar, avem r = 2; i r = 6. Pentru a afla vectorul ce va intra în bază în locul vectorului A6 , aflăm
129
4 3 5
min , , 1.
3 2 5
Prin urmare, în bază va intra vectorul A4. Efectuând transformările simplex cu elementul pivot a 24 =
-5, obţinem o nouă soluţie de bază în care necunoscuta x 4 a devenit necunoscută de bază în locul
necunoscutei x 6 (vezi tab. 2.27).
Tabelul 2.27
Baza ci B -4 -3 -10 -5 0 0
x1 x2 x3 x4 x5 x6
x5 0 56/5 18/5 17/5 9/5 0 1 -6/5
x4 -5 16/5 16/5 2/5 -1/5 1 0 -1/5
∆j=zj-cj -16 1 1 11 0 0 1
Deoarece toate componentele soluţiei de bază sunt nenegative şi valorile ∆j ≥ 0, j = 1,6, am obţinut
soluţia optimă a problemei iniţiale:
16
X * 0;0;0; ; Z max 16 .
5
În exemplul precedent totul a fost destul de simplu, deoarece pentru soluţia de bază iniţială toate valorile ∆j, j
= 1, 6, au fost nenegative.
Algoritmul simplex dual constă din două etape: în prima etapă se determină o soluţie de bază a
problemei iniţiale pentru care ∆j = Zj — Cj să fie nenegative; în etapa a doua, păstrând ∆j nenegative, se
obţine soluţia de bază cu toate componentele nenegative (soluţia optimă a problemei iniţiale).
Etapa 1
130
3. în coloana A^ căutăm un număr pozitiv ark şi linia r care conţineacest număr o luăm drept linie pivot.
Dacă în coloana Ak nu suntnumere pozitive, atunci problema nu are soluţie optimă.
4. Se calculează raporturile duale (raporturile nepozitive ale valorilor ∆j la elementele respective ale
liniei pivot r). Valoarea cea mai mică, după modul, a acestor raporturi determină coloana
pivot s. Dacă raportul minim este egal cu zero, atunci numitorul se ia drept pivot, dacă el este
negativ.
5. Având pivotul ars, efectuăm transformările simplex respective.Analiza tabelului simplex obţinut
începe cu pasul 1.
Etapa a 2-a
1. Se examinează coloana termenilor liberi. Dacă toate elementele coloanei B sunt nenegative,
atunci avem soluţia optimă a problemei iniţiale.
2. Dacă în coloana termenilor liberi sunt elemente negative, printreele aflăm elementul minimal.
Acest element minimal determinălinia pivot r.
4. Având pivotul xrs efectuăm transformările simplex respective. Analiza tabelului simplex
obţinut începe cu pasul 1 etapa a 2-a.
x2 2 x3 9,
x x 1,
1 2
x1 x3 4,
x1 0, x2 0, x3 0
Z x 5 x1 x2 4 x3 max
Rezolvare. Înmulţim inecuaţiile de bază ale sistemului de restricţii cu (—1). Ca rezultat, obţinem:
131
x2 2 x3 9,
x x 1,
1 2
x1 x3 4,
x1 0, x2 0, x3 0
Z x 5 x1 x2 4 x3 max
x2 2 x3 x4 9,
x x x5 1,
1 2
x x3 x6 4,
1
x j 0, j 1,6
Z x 5 x1 x2 4 x3 max
Tabelul 2.28
Baz c B 5 -1 -4 0 0 0
a i x1 x2 x3 x4 x5 x6
x4 0 -9 0 -1 -2 1 0 0
x5 0 -1 1 - 1 0 0 1 0
x6 0 4 1 0 -1 0 0 1
∆j=zj-cj 0 -5 1 4 0 0 0
Alegem coloana A 1 pentru care ∆ 1 = -5 < 0. Această coloană conţine elemente pozitive în
liniile a doua şi a treia. Luăm drept linie pivot linia a doua. Aflăm min
132
Tabelul 2.28
Baza ci B 5 -1 -4 0 0 0
x1 x2 x3 x4 x5 x6
x4 0 -8 -1 0 -2 1 -1 0
x2 -1 1 -1 1 0 0 -1 0
x6 0 4 1 0 -1 0 0 1
∆j=zj-cj -1 -4 0 4 0 1 0
In acest tabel, ∆ 1 = -4 < 0. În coloana A 1 avem un singur element pozitiv. Considerăm drept
linie pivot linia a treia. Deoarece, ezultă că drept element pivot putem lua x 31 = 1. Obţinem
tabelul 2.30.
Tabelul 2.30
Baza ci B 5 -1 -4 0 0 0
x1 x2 x3 x4 x5 x6
x4 0 -4 0 0 - 3 1 -1 1
x2 -1 5 0 1 -1 0 -1 1
x1 5 4 1 0 -1 -0 0 1
∆j=zj-cj 15 0 0 0 0 1 4
Deoarece acest tabel nu conţine valori ∆j negative, etapa 1 a algoritmului a luat sfârşit. Trecem la
etapa a 2-a. Printre termenii liberi este un element negativ. Considerăm prima linie drept linie pivot. Cal-
culăm min= 0. Efectuând transformările sim plex respective cu pivotul (tab. 2.31).
Tabelul 2.31
Baza ci B 5 -1 -4 0 0 0
x1 x2 x3 x4 x5 x6
x3 -4 4/3 0 0 1 -1/3 1/3 -1/3
x2 -1 19/3 0 1 0 -1/3 -2/3 2/3
x1 5 16/3 1 0 0 -1/3 1/3 2/3
∆j=zj-cj 15 0 0 0 0 1 4
= —3, obţinem tabelul simplex final
În acest tabel, şi valorile ∆j, j = 1,6, şi termenii liberi sunt nenegative. Aşadar, am obţinut soluţia
133
optimă a problemei iniţiale:
16 19 4
X * ; ; ;0;0;0 şi Z max 15 .
3 3 3
1. Intr-o gospodărie agricolă pe două parcele pot fi semănate două culturi agricole (grâu şi porumb).
Datele din problemă sunt prezentate în tabelul 2.32.
Să se determine aria suprafeţelor care trebuie semănate pe fiecare parcelă cu grâu şi respectiv cu
Tabelul 2.32
Indicaţie. Dacă notăm cu xi şi xi aria suprafeţelor care vor fi semănate cu grâu pe fiecare
parcelă, iar cu £3 şi x\ aria suprafeţelor semănate respectiv cu porumb, atunci modelul matematic este:
x1 x3 146 ,
x2 x 4 130 ,
42 x1 36 x 2 4600 ,
52 x3 46 x 4 7860
x1 0, x 2 0, x3 0, x 4 0
Z X 260 (42 x1 36 x 2 ) 110 52 x3 46 x6
10920 x1 9360 x 2 5720 x3 5060 x 4 max .
2. O întreprindere fabrică patru categorii de produse P1, P2, P3, P4 utilizând trei tipuri de
resurse R1, R2, R3, Necesarul de resurse pentru fabricarea unei unităţi de fiecare produs,
limitele resurselor, precum şi beneficiile unitare de la vânzarea produselor sunt
134
prezentate în tabelul 2.33.
Tabelul 2.33
Resurse Produse Limitele
P1 P2 P3 P4 resurselor
R1 2 1 1 3 600
R2 1 0 2 1 150
R3 1 2 1 0 900
Beneficiul 8 4 6 10
unitar
Indicaţie. Dacă notăm cu XJ cantitatea de produs P,, atunci modelul matematic are forma:
2 x1 x2 x3 3x4 600 ,
x 2 x x 150 ,
1 3 4
x1 2 x2 x3 900 ,
x1 0, x2 0, x3 0, x4 0
Z X 8 x1 4 x2 6 x3 10 x4 max .
Tipul Modalitatole de
Tabelul 2.34 de croire
piese a unei foi metalice
1 2 3 4
A 3 2 1 0
B 1 6 9 13
135
Indicaţie. Dacă vom nota cu x} numărul de foi metalice croite prin modalitatea thnologică j, atunci
modelul matematic are forma:
3x1 2 x2 x3 1600 ,
x1 6 x2 9 x3 13 x4 800 ,
x j 0, j 1,4
Z X x1 x2 x3 x4 min .
4. O întreprindere poate fabrica două tipuri de produse P 1 şi P2, utilizând trei tipuri de
resurse: materie primă (R 1), utilaj (R2) şi resurse umane (R3). Cheltuielile şi volumul disponibil de
resurse, precum şi beneficiul de la vânzarea unei unităţi de produs sunt date în tabelul 2.35.
Să se determine câte unităţi de fiecare tip de produs trebuie fabricate, astfel încât beneficiul total de
la vânzarea producţiei să fie maxim. în baza soluţiei optime a problemei duale să se facă analiza
economică respectivă.
Tabelul 2.3
136
Răspunsuri
Problemele de programare liniară în numere întregi reprezintă o clasă de probleme foarte importante
pentru practică. In multe probleme practice variabilele Xj, j = 1,n , reprezintă mărimi fizice ce pot lua numai
valori întregi. Multe probleme de optimizare cu caracter combinatorie pot fi de asemenea modelate ca
probleme de programare liniară în numere întregi.
Modelul matematic al problemei de programare liniară în numere întregi se scrie astfel:
n
aij x j bi ; j 1, m,
j 1
x 0, j 1, n,
j
n
Z X c j x j max .
j 1
1. Se rezolvă problema de programare liniară obţinută din problema dată prin renunţarea la restricţiile
ca Xj să fie întregi (numită problema relaxată).
2. Dacă soluţia- optimă a problemei relaxate are componentele întregi, atunci aceasta este o soluţie
optimă şi pentru programul în numere întregi iniţial.
3. Dacă în soluţia optimă a problemei relaxate este cel puţin ocomponentă cu o valoare neîntreagă,
atunci se construieşte o nouă problemă relaxată, obţinută din problema relaxată ante rioară prin
adăugarea unei restricţii suplimentare, astfel construită, încât ea nu este satisfăcută de soluţia optimă
găsită, dar este satisfăcută de orice soluţie admisibilă întreagă a problemei iniţiale.
Deoarece mulţimea soluţiilor admisibile ale problemei considerate se împarte mereu în două, prin
introducerea unei restricţii suplimentare numai una din părţi fiind cercetate în continuare, un algoritm de
137
acest tip este denumit algoritm de secţionare
.
Din cele de mai sus rezultă că rezolvarea unei probleme de programare liniară în numere întregi se reduce
la rezolvarea unui şir de probleme de relaxare. Regulile după care sunt construite restricţiile suplimentare
determină diferiţi algoritmi de secţionare. Unul dintre cei mai simpli algoritmi de secţionare este algoritmul lui
Gomory pentru rezolvarea problemelor de programare liniară total în numere întregi.
n
aij x j bi ; j 1, m,
j 1
x 0, j 1, n,
j
n
Z X c j x j max .
j 1
aplicând algoritmul simplex. Fie X*= (X*10, X*20, . ..., x*m0, 0, 0,..., 0) soluţie optimă. Dacă toate
componentele X*10, X*20, ..., x*m0 sunt numere întregi, atunci problema este rezolvată.
2. Fi e x ∫ 0 o component ă neî nt reagă. Porni nd de l a l ini a ∫ a ultimului tabel simplex, vom
deduce restricţia suplimentară de secţionare. Pe baza datelor din ultimul tabel simplex putem scrie
că unde J este mulţimea indicilor necunoscutelor libere.
Exprimând fiecare număr x l} prin partea lui întreagă [a;,.] plus partea fracţionară 7 (j , obţinem:
xSi x10
*
10
*
xij ij x j
jJ
Sau
xS i x10
*
xij x j 10
*
ij x j
jJ j J
Această relaţie are loc pentru orice soluţie admisibilă X = (x 1, x 2, ..., xn) a problemei relaxate. Să
presupunem acum ca X este o soluţie admisibilă întreagă a problemei relaxate. Luând în consideraţie
că membrul stâng al relaţiei de mai sus este număr întreg, urmează că
138
jeJ
unde f - număr întreg. Deoarece 0 < 7 (j < 1, rezultă că ^7,^ > 0
şi 7(* < 1. Dacă vom admite că £ < — 1, atunci obţinem , Xj + 1 < ^^7, Xj
< *y* Q. Din această inegalitate rezultă că y*o > 1, ceea ce contrazice
că 7,; < i.
Rămâne să recunoaştem £ ≥ 0, adică să recunoaştem inecuaţia Tij^j > 7,o' care es^e adevărată
pentru orice soluţie admisibilă
căutată, deoarece ea defineşte o secţionare admisibilă, astfel încât soluţia optimă X* = (x*10, x*20, ... xm0,
0,0,..., 0) a problemei relaxate nu verifică această inecuaţie, dar orice soluţie admisibilă a problemei de
programare liniară în numere întregi verifică această inecuaţie.
Dacă γlj. = 0 pentru orice j €J, atunci putem constata că problema de programare liniară total în
numere întregi nu are soluţii admisibile.
n
aij x j bi ; j 1, m,
j 1
ij x j 10 ,
*
jJ
x 0, j 1, n,
j
n
Z X c j x j max .
j 1
Dacă soluţia optimă a acestei probleme nu are toate componentele întregi, atunci se va construi o
nouă problemă de programare liniară (problemă relaxată) prin adăugarea la restricţiile date a unei
noi restricţii (secţionări) obţinute prin procedeul descris mai sus. Vom ilustra cele expuse mai sus
printr-un
x j întregi, j 1,4
Z X 4 x1 5 x2 x3 max .
Rezolvare. Aplicând algoritmul simplex pentru rezolvarea problemei relaxate problemei date scrise sub
forma standard
3x1 2 x2 x4 10,
x 4x x5 11,
1 2
3x 3x x x6 13,
1 2 3
x j 0, j 1,6
Z X 4 x1 5 x2 x3 0 x4 0 x5 0 x6 max .
obţinem următorul tabel simplex final (tab. 2.36).
Tabelul 2.36
Baza ci B 4 5 1 0 0 0
x1 x2 x3 x4 x5 x6
x1 4 18/10 1 0 0 4/10 - 0
x2 5 23/10 0 1 0 -1/10 2/10 0
x3 1 7/10 0 0 1 -9/10 3/10 1
-
3/10
∆j=zj-cj 194/10 0 0 0 2/10 4/10 1
Soluţia optimă x*1 = 18/10 = 9/5, x*2 = 23/10, x*3 = 7/10 pentru problema relaxată nu este întreagă.
Vom construi o nouă problemă de programare liniară prin adăugarea la restricţiile anterioare a unei
secţiuni, de exemplu, pentru X3:
1 7 7
x4 x5
10 10 10
Sau
140
1 7 7
x4 x5 .
10 10 10
1 7 7
x4 x5 x7 .
10 10 10
3x 2 x x4 10,
1 2
x1 4 x2 x5 11,
3x1 3x2 x3 x6 13,
1 7 7
x4 x5 x7 ,
10 10 10
x j 0, j 1,7
Z X 4 x1 5 x2 x3 max .
Se observă că problema obţinută este dual admisibilă. Aplicând algoritmul simplex dual, obţinem
următorul tabel simplex (tab. 2.38), care ne dă soluţia optimă întreagă x*1 = 2, x*2 = 2, x*3 = 1 şi
Zmax=19
141
Tabelul 2.38
Baza ci B 4 5 1 0 0 0 0
x1 x2 x3 x4 x5 x6 x7
x1 4 18/10 1 0 0 4/10 -2/10 0 0
x2 5 23/10 0 1 0 -1/10 3/10 0 0
x3 1 7/10 0 0 1 -9/10 -3/10 1 0
x5 0 -7/10 0 0 0 -1/10 7/10 0. 1
∆j=zj-cj 194/10 0 0 0 2/10 4/10 1 0
Probleme propuse
4 x1 x2 44,
x x 25,
1. 1 2
.
x1 5 x 2 96 ,
x 0, x2 0
Z X 8 x1 6 x2 max .
x1 2 x2 2 x3 16,
x x 7,
1 2
2.
3x1 2 x3 18,
x 0, x2 0, x3 0
Z X 4 x1 2 x2 2 x3 max .
x1 3x2 x3 10,
2 x 4 x 14,
1 3
3.
2 x2 x3 7,
x 0, x2 0, x3 0
Z X 6 x1 4 x2 2 x3 min .
142
x1 x2 2 x3 3,
2 x x 1,
1 2
4.
2 x2 3x3 4,
x 0, x2 0, x3 0
Z X 3x1 6 x2 3x3 min .
3 x1 4 x2 10,
2 x x 8,
5. 1 2
x1 x2 4,
x 0, x2 0
Z X 55 x1 45 x2 max .
2 x1 3 x2 x3 8,
5
x 3x2 x3 20,
6. 2 1
2 x1 3x2 5 x3 25,
x 0, x2 0, x3 0
Z X 8 x1 6 x2 8 x3 max .
3 x1 2 x2 20,
3x 3x 26,
7. 1 2
x1 4 x2 22,
x 0, x2 0
Z X 8 x1 10 x2 max .
3x1 2 x2 10,
3 x 3 x 13,
8. 1 2
.
1 x 4 x 2 11,
x 0, x2 0
Z X 8 x1 10 x2 max .
143
x1 x2 2,
x x 1,
1 2
9. x1 x2 1,
x x 1
1 2
x 0, x2 0
Z X 55 x1 45 x2 max .
11Răspunsuri
n
aij x j bi ; j 1, m,
j 1 2.5
x 0, j 1, n,
j
n n
Z X c j x j c0 max şi Z 2 X d j x j d 0 min . 2.6
j 1 j 1 144
o problemă de folosire raţională a resurselor în care funcţia-obiectiv reprezintă rata profitului. Rata
profitului este raportul dintre masa profitului şi costul de producţie (sau capitalul avansat) şi reflectă
gradul de rentabilitate a factorilor de producţie. Modelul matematic al problemei de programare
liniar-fracţionară are forma:
n
aij x j bi ; j 1, m,
j 1 2.7
x 0, j 1, n,
j
c x j j c0
Z X 2.8
j 1
n
max .
d
j 1
j x j d0
Vom examina cazul când mulţimea soluţiilor admisibile Sî descrisă de sistemul de restricţii (2.7) este
nevidă şi mărginită, iar . Mai departe vom arăta cum, în condiţiile expuse mai sus, o
problemă de programare liniar-fracţionară poate fi redusă la o problemă de programare liniară.
Notăm
1
n
d
j 1
j x j d0
145
şi trecem la necunoscute noi .
z j x j , j 1, n
n
aij y j bi 0, i 1, m,
j 1
n
d j y j d 0 1, (2.9)
j 1
0, y 0, j 1, n
j
n
Z (Y , ) c j y j c0 max . (2.10)
j 1
Înmulţim fiecare din restricţiile sistemului (2.7) cu ξ> 0 şi obţinem problema de programare liniară:
Fie ξ*, , j = 1,n, soluţia optimă a problemei (2.9)-(2.10). Soluţia optimă a problemei (2.5)-(2.6)
va fi: x*j= y*j/ξ*, j=1,n
În continuare vom prezenta unele procedee utilizate la rezolvarea problemelor de programare liniară cu
două funcţii-obiectiv scrise sub forma:
n
aij x j b, i 1, m,
j 1 (2.11)
x 0, j 1, n
j
n n
Z1 (Y ) c j x j c0 max şi Z 2 ( X ) d j x j d 0 max . (2.12)
j 1 j 1
Se poate constata că la o atare formă poate fi adusă orice problemă de programare liniară cu două funcţii-
obiectiv datorită faptului că Z(x 1 , x 2 ,...,x n ) = -max(x 1 , x 2 ,..,x n )).
146
Definiţie. Soluţia admisibilă se numeşte soluţie eficientă (nedominantă sau
Pareto) dacă nu există o altă soluţie admisibilă pentru care are loc
şi cel puţin una din aceste inegalităţi este strictă.
Es t e evi dent că soluţi a com prom is (soluţi a optim ă) X*= (x* 1 ,x* 2 ..., ) a problemei
(2.11)-(2.12) trebuie căutată în mulţimea Pareto (mulţimea soluţiilor eficiente).
Pentru determinarea soluţiei compromis X*= (x* 1 ,x* 2 ..., ) pot fi aplicate diferite procedee:
metoda cedării succesive; metoda punctului ideal; metoda optimizării unităţilor globale şi alte
metode.
Vom ilustra printr-un exemplu metoda punctului ideal.
2 x1 x2 6
0 x1 2 (2.13)
0 x 4
2
Mulţimea soluţiilor admisibile Ω pentru problema (2.13)-(2.14) este reprezentată în figura 2.8.
Trecem de la această problemă la o altă problemă, cu necunoscutele Z 1 şi Z 2 . Pentru aceasta
exprimăm necunoscutele x 1 şi x 2 prin Z 1 şiZ 2 .
Obţinem:
x1 x 2 2 Z 1 x1 x 2 Z 1 2
1
x x 2 6 Z 2 1
x x 2 Z 2 6
1 1
x1 Z 1 Z 2 4,
x x2 Z1 2 2 2
1
2 x1 Z 1 Z 2 8 x 1 Z 1 Z 2.
2
2
1
2
2
147
3 1
2 Z 1 Z 2 12,
2
8 Z1 Z 2 12, 2.15
4 Z Z 4
1 2
Z1 max şi Z 2 max 2.16
sau
3Z1 Z 2 24,
Z Z 8,
1 2
Z1 Z 2 12, 2.17
Z Z 4,
1 2
Z1 Z 2 4
Z1 max şi Z 2 max 2.18
Mulţimea soluţiilor admisibile u pentru problema (2.17)-(2.18) este reprezentată în figura 2.9.
Z Z2 4 Z Z 2 4 Z 7
B1 : 1 1 1 B1 7;3;
1
3Z Z 2 24 1
4 Z 28 1
Z 3
Z Z 2 12 Z Z 2 12 Z 6
C1 : 1 1 1 C1 6;6 ;
3Z1 Z 2 24 2 Z1 12 Z1 6
Z Z 2 12 Z Z 2 12 Z 4
D1 : 1 1 1 D1 4;8;
Z1 Z 2 4 2 Z1 8 Z1 8
Punctul N*(7; 8) poartă denumirea de punct utopic. Punctul M* din mulţimea Pareto pentru care
are loc N*M* C1D1 va fi punctul ideal, care şi se ia drept soluţie de compromis (soluţie optimă).
Aflăm coordonatele punctului ideal M*. Avem: Z1 + Z2 = 12; Z2=-Z1 +12; k1 1; k2 = -1/K 1 =
1. Ecuaţia dreptei M*N* va fi:
Z1 Z 2 12 Z Z 2 12 Z Z 2 12 Z 11 2,
1 1 1
Z1 Z 2 1 2Z1 11 Z1 11 2 Z 2 13 2 .
Metoda cedării consecutive şi metoda optimizării unităţilor globale se aplică cu succes în cazul
în care problema de programare liniară conţine un număr finit k≥ 2 de funcţii-obiectiv.
Considerăm o problemă liniară cu mai multe funcţii-obiectiv (mul-ticriterială):
n
aij x j b, i 1, m,
j 1 (2.19)
x 0, j 1, n
j
max Z1 X ; max Z 2 X ; ; max Z r X , 2.20
n
unde Z k X ckj x j , k 1, r.
j 1
149
Funcţiile-obiectiv (X), k = l,r, având diferit sens economic, pot fi măsurate în unităţi de măsură
diferite. Metoda cedării succesive constă, din mai multe iteraţii.
La prima iteraţie rezolvăm problema de programare liniară cu funcţia-obiectiv Z1(X). La sistemul de
restricţii (2.19) adăugăm o restricţie nouă Z1(X)≥Z1max - γ1, unde Z1max este valoarea maximă a funcţiei-obiectiv
Z1(X), iar γ1 – o mărime ce indică cedarea după primul criteriu.
La iteraţia a doua rezolvăm problema nouă de programare liniară cu funcţia-obiectiv (X). La sistemul
de restricţii adăugăm încă o restricţie Z2(X) > Z2max – γ2, unde Z2max este valoarea maximă a funcţiei-obiectiv
Z2(X), iar γ2 – o mărime ce indică cedarea după al doilea criteriu.
Această procedură se va repeta de r — 1 ori. Ca rezultat, obţinem la ultima iteraţie soluţia compromis
X*.
Ideea de bază, a metodei optimizării utilităţilor globale este să se înlocuiască funcţiile-obiectiv cu
semnificaţie economică concretă prin funcţii de utilitate în sens von Neumann-Morgenstern, care vor putea fi
însumate pentru a obţine funcţia-obiectiv sinteză.
Conceptul de utilitate apare în teoria deciziei ca urmare a necesităţii de a compara între ele diferite
variante decizionale caracterizate prin mai multe consecinţe.
Aşadar, utilitatea măsoară importanţa pe care o are pentru manager o anumită variantă de decizie, care
aparţine unei mulţimi de variante admisibile. Stabilirea utilităţilor u ik pentru fiecare criteriu şi a
variantei de decizie Vi se poate face prin metoda interpolării liniare între 0 şi 1.
Daca varianta de decizie Vi este cea mai avantajoasă potrivit unui anumit criteriu Ck, atunci uik — 1, iar
dacă varianta V; este cea mai dezavantajoasă, atunci utilitatea u;fc = 0.
Din cele relatate mai sus rezultă că pentru a transforma funcţiile-obiectiv Z1(X), Z2(X), ..., Zr(X) care
au semnificaţii economice distincte în funcţii de utilitate, este necesar să se rezolve 2r probleme de
programare liniară şi ca rezultat să se determine Z kmax = maxZ k (X), k = l , r , şi Z k min = minZ k (X), k
= l,r, şi apoi să se rezolve r sisteme de ecuaţii liniare:
a k Z k bk 1,
max
a k Z k bk 0, k 1, r ,
min
obţinându-se valorile
1 Z kmin
ak şi bk max , k 1, r.
Z kmax Z kmin Z k Z kmin
150
deutilitate, efectuând următoarea transformare liniară:
r
~
Z ( X ) ak ckj x j bk , k 1, r
j 1
Alegerea variantei decizionale optime după mai multe criterii presupune şi determinarea
importanţei fiecărui criteriu prin acordarea de către experţi a unor coeficienţi de importanţă αk ,
unde .
Având coeficienţii de importanţă a k ,k ‚= l , r , pentru fiecare funcţie-obiectiv iniţială, putem
determina funcţia-sinteză de utilitate
r n
~
Z ( X ) k (ak ckj x j bk ) max. (2.21)
k 1 j 1
151
consumatorul B j , j = l , n (tab. 2.39), se cere să se stabilească planul de transport al produsului
de la producători la consumatori, astfel încât cheltuielile totale de transport să fie minime.
Tabelul 2.39
… … … … … … … …
A3 ci1 ci2 … cij … cin ai
… … … … … … … …
A3 Cm Cm2 Cm cin am
1 … j …
Necesar b1 b2 … 19 … 12 …
totală
m n
ai b j
i j 1
, va avea forma:
n
xij ai , i 1, m,
j 1
m
xij b j , j 1, n,
i 1
x 0, i 1, n
ij
m n
Z cij xij min .
i 1 j 1
152
Modelul matematic expus mai sus corespunde unei probleme de transport de tip echilibrat
. După cum se observă, problema transporturilor este o problemă de programare
liniară, în care fiecare necunoscută are doi indici. Primele m ecuaţii ale sistemului de restricţii ne arată că
de la fiecare producător Ai, i = l,m, se transportă toată producţia, iar ultimele n ecuaţii ne indică faptul
că se satisfac cerinţele fiecărui consumator Bj, j = 1, n. Modelul matematic al problemei de transport
conţine m + n ecuaţii şi m ∙n necunoscute. Matricea sistemul de educaţii are forma:
1 1 1
1 1 1
1 1 1
A
1 1 1
1 1 1
1 1 1
n n n
După cum se vede, fiecare coloană a matricei A conţine exact câte două unităţi, celelalte sunt zerouri; mai
mult decât atât, o unitate în primele m linii, cealaltă unitate - în ultimele n linii ale matricei. Da torită
acestei proprietăţi ale matricei A se pot elabora metode eficiente de soluţionare a problemelor de
transport.
Demonstraţie. Pentru a demonstra această teoremă este suficient de arătat că, în condiţiile date,
există cel puţin o soluţie admisibilă şi că funcţia-obiectiv Z pe mulţimea soluţiilor admisibile este
mărginită.
Într-adevăr, dacă vom lua drept valori ale necunoscutelor
atunci ele satificat toate restricţi ile problemei: ele sunt nenegative şi
153
n n ai b j ai n
x
j 1
ij
j 1 D
b j ai , i 1, m;
D j 1
m m ai b j bi m
x
i 1
ij
i 1 D
a j bi ,
D i 1
j 1, n;
Teorema 2.10. Rangul matricei A a sistemului de ecuaţii al modelului problemei de transport este
egal cu m + n — 1.
Demonstraţie. Observăm că ultima linie a matricei A este o combinaţie liniară a celorlalte linii,
deoarece, dacă din suma primelor m linii ale matricei A vom scădea suma următoarelor n — 1 linii,
vom obţine ultima linie. Evident că se poate exprima şi orice altă linie a matricei A ca o combinaţie
liniară a celorlalte linii.
Din cele spuse mai sus rezultă că rangul r(A) < m + n — 1. Vom demonstra că r(A) = m + n — 1.
Pentru aceasta este suficient să găsim un minor (determinant) de ordinul m + n — l diferit de zero.
Excludem din matricea A ultima linie. Din matricea rămasă luăm în ordinea următoare coloanele
A n , A 2n , A 3n , ..., A mn , A u A 2 , A 3 , ...,A n -i-1
Într-adevăr:
154
vigoare şi pentru problema transporturilor. In particular, soluţia optimă a problemei de transport
trebuie căutată printre soluţiile de bază admisibile.
Teorema 2.11 (principiul de optimalitate a soluţiei de bază admisibile). Pentru ca soluţia de bază
admisibilă X* = (x* ij) m n în problema de transport să fie optimală este necesar §i suficient ca să
existe sistemul de m + n numere reale u*1, u*2,..., u*m; v*1 , v*2,...,v*n care satisfac condiţiile:
a) ui* v *j cij , i 1, m, j 1, n
b) ui* v*j cij , pentru xij 0.
u v
i j cij , i 1, m, j 1.n
Conform teoriei dualităţii, cunoaştem că soluţia de bază admisibilă X* = (x* ij) mXn va fi optimală
pentru problema de transport, dacă va exista soluţia (u*i,v*j), i — l,m, j = l,n, problemei duale,
care satisface condiţiile:
u v
i j cij , i 1, m, j 1.n
Din aceste relaţii urmează că egalitatea u* + v* = c ij va avea loc de fiecare dată, dacă
x* ij > 0. Dar deoarece (u* 1 ,v* j ), i = l,m, j = l,n, este soluţie admisibilă pentru problema
duală, este necesar să se satisfacă inegalitatea u* 1 + v* j ≤CIJ, i = 1,m, j = 1,n. ▲
Numerele reale u* şi v* j se numesc potenţiale respectiv pentru producători şi consumatori.
In baza acestei teoreme a fost elaborată metoda potenţialelor pentru soluţionarea problemei de
transport.
Pentru a rezolva o problemă de transport, se va porni de la o soluţie de bază admisibilă iniţială.
dacă a1 =b1, vom pune x11 = a11 =b11, iar x12 sau x21 = 0 şi restul componentelor de pe linia şi coloana lui
xu vor fi considerate egale cu zero.
Ultima situaţie conduce la obţinerea unei soluţii de bază admisibile degenerate.
Se modifică apoi valorile a1 şi b1, înlocuindu-le cu a1 — x11 şi respectiv b1 = x11.
Procedeul expus mai sus se repetă pentru restul celulelor care formează deja un tablou cu m linii şi n
— 1 coloane sau m — 1 linii şi n coloane, după cum au loc situaţiile de mai sus. Pentru a nu confunda
componentele nule ale soluţiei de bază admisibile cu componentele nebazice, celulele corespunzătoare
acestora din urmă rămân libere (nu scriem zero în ele).
Vom ilustra cele spuse printr-un exemplu (vezi tabelul 2.40).
Tabelul 2.40
Fără a lua în consideraţie costurile unitare de transport, începem a satisface cerinţele primului
consumator B1 pe baza disponibilului producătorului A1, adică luăm x11 = min{a1;b1} = min{15; 12} = 12.
Cerinţele consumatorului B1sunt satisfăcute şi la producătorul A1 au mai rămas 3 unităţi de produs.
156
Satisfacem cerinţele consumatorului B2 luând în consideraţie că au rămas 3 unităţi de produs la
producătorul A1. Luăm x12 = min{a1 — b1; b2} = min{3; 17} = 3. Cerinţele consumatorului B2 au rămas
nesatisfăcute cu 14 unităţi de produs. Satisfacem aceste cerinţe din contul producătorului A2, adică luăm x22 =
min{b2 - x12; a2} = min{14;20} = 14. Procesul de completare a celulelor continuă până ce vor fi satisfăcute
cerinţele tuturor consumatorilor.
Soluţia de bază admisibilă iniţială este indicată în tabelul 2.40. Cheltuielile totale de transport
pentru această soluţie iniţială sunt:
Metoda costului minim. In această metodă, pentru deter minarea soluţiei de bază
admisibile, se iau în consideraţie costurile Cjj. Se va determina mai întâi componenta xkl pentru care
CKL = min Cij. Se consideră apoi XM = mm{ak,bi}, rămânând valabile situaţiile descrise în metoda
precedentă.
Vom ilustra metoda costului minim pentru exemplul precedent (vezi tabelul 2.41
Tabelul 2.41
In baza teoremei 2.11, putem spune că pentru ca soluţia de bază admisibilă în problema de
transport să fie optimă, este necesar să se îndeplinească următoarele condiţii:
157
a) pentru orice celulă completată (x ij > 0) suma potenţialelor ui şi vj trebuie să fie egală cu cij,
adică ui + vi = cij
b) pentru orice celulă liberă (x ij = 0) suma potenţialelor ui şi vj trebuie să nu depăşească cij, adică
ui + vi ≤ cij.
Dacă cel puţin pentru o celulă liberă nu se respectă această inegalitate, atunci soluţia de bază
admisibilă nu este optimă şi această soluţie poate fi schimbată spre bine (îmbunătăţită)
introducând în bază necunoscuta celulei respective. Soluţia optimă o vom căuta din nou printre
soluţiile de bază admisibile. Se poate obţine o nouă soluţie de bază admisibilă dacă unei componente
x ij , care era egală cu zero, i se atribuie o valoare x ij > 0, iar celelalte componente sunt modificate
în compensaţie, astfel încât restricţiile modelului matematic să fie satisfăcute.
Pentru a verifica soluţia de bază admisibilă la optim este necesar, de fiecare dată, să determinăm
potenţialele u i şi vj. Vom expune algoritmul metodei potenţialelor şi vom ilustra aplicarea lui,
pornind de la soluţia de bază admisibilă iniţială, obţinută în tabelul 2.41.
u1 v3 2
u v 5
2 1
u 2 v3 2
u 2 v4 4
u3 v2 2
u3 v4 3
Sistemul de ecuaţii are 6 ecuaţii şi 7 necunoscute. Determinăm o soluţie particulară. Pentru aceasta
158
luăm, de exemplu, u1 = 0. Ca rezultat, obţinem potenţialele:
u1 0,
v1 5,
u 2 0,
v2 3,
u3 1,
v3 2,
v4 4,
Pentru fiecare celulă liberă (xij = 0) se verifică dacă se îndeplineşte condiţia (xij = 0) se verifică dacă se
ăndeplineşte condiţia u i + vj ≤ cij . Dacă pentru celulele libere vom avea ΔIJ = (u i + vj )— cij ≤ 0,
atunci soluţia de bază admisibilă este optimă, în caz contrar soluţiade bază admisibilă nu este optimă.
În tabelul 2.41 pentru celulele libere (1; 1), (1;4), (3; 1) condiţiile de optimalitate nu se îndeplinesc şi de
aceea soluţia de bază admisibilă iniţială nu este optimă. Pentru a îmbunătăţi soluţia de bază admisibilă,
putem introduce în bază una din necunoscutele x 11, x14, x13. Pentru fiecare celulă liberă, în care nu se
respectă criteriul de optimalitate, determinăm mărimile δij = (ui + vj) —cij. Avem: δ11 = (0 + 5) - 4 = 1,
δ14 = (0 + 4) - 2 = 2, δ31 = (-1 + 5) - 3 = 1.
3. Determinarea celulei libere care trebuie completată.
In problema de transport urmărim scopul de a minimiza cheltuielile totale de transport, de aceea,
conform metodei simplex, în primul rând, trebuie completată acea celulă pentru care valoarea δij este
maximală. In exemplul nostru, avem: max δij = max{l;2; 1} = 2. Aşadar, trebuie completată celula
liberă (1;4), adică trebuie introdusă în bază necunoscuta x\4. Apare totodată întrebarea, locul cărei
necunoscute va ocupa necunoscuta x 14? Pentru a găsi răspunsul, este necesar mai întâi de determinat
câte unităţi de produs trebuie repartizate în celula (1;4).
4. Stabilirea ciclului şi determinarea valorii necunoscutei libere care trebuie introdusă în
bază. Pentru a afla valoarea necunoscutei libere xij care trebuie introdusă în bază, se notează cu semnul ,,+"
celula respectivă (i1, j1). Ca rezultat în tabel apare un ciclu, toate celulele (vârfurile) căruia, în afară de
celula (i1, j1), notată cu semnul „+", sunt celule completate. Atare ciclu pentru celula (i1, j1) este unic. Un
şir de celule (i1, j1), (j1, i2), (j2, i2), ... , (j1, i2), (i1, j1), care începe cu celula liberă (i1, j1) şi se termină cu
aceasta, conţinând în rest numai celule ocupate corespunzătoare componentelor bazice ale soluţiei, şi
anume câte două din aceeaşi linie sau coloană, se numeşte ciclul celulei libere (i1, j1).
In ciclul examinat, cu celula liberă (i1, j1), atribuim fiecărui vârf al celulei semnul ,,+" sau ,,—
" după regula: celulei-vârf (i1, j1) i se atribuie semnul ,,+", celulei-vârf învecinate cu celula-vârf
(ii,ii) -semnul , , — ", următorului vârf - semnul ,,+" ş.a.m.d. Deoarece numărul de vârfuri într-un
ciclu de recalculare este par, obţinem că toate vârfurile ciclului vor avea un anumit semn atribuit
,,+" sau ,,-" şi oricare două vârfuri învecinate ale ciclului vor avea semne diferite.
159
Ciclul de recalculare al celulei libere (i1, j1) în care toate celulele-vârfuri, începând cu celula-vârf
(i1, j1), au semnele ,,+" şi ,,— ", astfel încât două celule-vârf învecinate au semne diferite, se numeşte
ciclu menţionat pentru variabila x 1 j 1 ,. Pentru acest ciclu aflăm valoarea Θ= min{x ij}, unde x ij
sunt valorile necunoscutelor din celulele notate cu semnul ,,—". Se scade valoarea Θ din valorile x,j
situate în celulele notate cu semnul ,,—" şi se adaugă valoarea Θ la valorile x ij situate în celulele
notate cu semnul ,,+".
Dacă prin procedeul de scădere a valorii minime Θ în celulele notate cu semnul , , — " s-a obţinut
numai o variabilă de valoare zero, atunci soluţia nouă de bază admisibilă va fi nedegenerată, iar
dacă prin procedeul de scădere s-au obţinut mai multe variabile de valoare zero, atunci una dintre
ele iese din bază, iar celelalte vor face parte din bază cu valoarea zero, ceea ce înseamnă că vom
avea o soluţie de bază degenerată.
In exemplul nostru celula (1;4) se notează cu semnul ,,+". Pentru această celulă stabilim ciclul de
recalculare: (1;4), (2;4), (2;3), (1;3). în acest ciclu celulele (1;4) şi (2;3) sunt notate cu semnul ,,+", iar
celulele (2;4) şi (1;3) - cu semnul , , — ". Pentru acest ciclu aflăm valoarea Θ= min{15;4} = 4.
Se scade valoarea Θ= 4 din valorile x,j situate în celulele notate cu semnul ,,—" şi se adaugă
valoarea Θ = 4 la valorile X{j situate în celulele notate cu semnul ,,+". Ca rezultat, obţinem o nouă
soluţie de bază admisibilă (vezi tabelul 2.42): = 11, x 14 = 4, x 23 = 12, x 23 = 8, x 32 = 17, x 34 =
8. Cheltuielile totale de transport Z = 2 - 1 1 + 2-4 + 5-12 + 2-8-1 -2- 17 + 3 - 8 = 164 sunt mai mici
decât în soluţia de bază admisibilă iniţială.
Pentru a verifica dacă soluţia obţinută este optimă, trebuie din nou să determinăm
potenţialele u 1 şi vj şi să verificăm condiţiile de
Tabelul 2.42
160
Continuăm rezolvarea problemei. Referitor la soluţia obţinută (vezi tabelul 2.42) alcătuim
sistemul de ecuaţii liniare
u1 v3 2
u v 2
1 4
u 2 v1 5
u 2 v3 2
u3 v2 2
u3 v4 3
u1 0,
v1 5,
u 2 0,
v2 1,
u3 1,
v3 2,
v4 2,
Pentru fiecare celulă liberă (pentru care xij = 0) verificăm condiţia de optimalitate: u i + vj < cij.
Pentru celulele (1;1) şi (3;1) condiţia de optimalitate nu se îndeplineşte. Calculăm valorile δ11 = (0 +
5) - 4 = 1, δ31 = (1 -f- 5) - 3 = 3. Deoarece δij = max{l; 3} = 3, rezultă că trebuie introdusă în bază
necunoscuta .
Notăm cu semnul ,,+" celula liberă (3;1) şi construim ciclul de recalculare: (3;1), (3;4), (1;4),
(1;3), (2;3), (2;1). în acest ciclu celulele (3;1), (1;4) şi (2;3) sunt notate cu semnul ,,+", iar
celulele (3;4), (1;3) şi (2;1) - cu semnul , ,— ". Pentru acest ciclu determinăm Θ = min{ll; 12;8} =
8. Realizând calculele necesare, obţinem soluţia de bază admisibilă (vezi tabelul 2.43 ): x 13 =
3, x 14 = 12, x 21 = 4, x 23 = 16, x 31 = 8, x 32 = 17. Cheltuielile totale de transport sunt:
Z 2 3 2 12 5 4 2 16 3 8 2 17 140 .
161
Tabelul 2.43
u1 v3 2
u v 2
1 4
u 2 v1 5
u 2 v3 2
u 3 v1 3
u 3 v 2 2
u1 0,
v1 5,
u 2 0,
v 2 4,
u 3 2,
v3 2,
v 4 2,
Tabelul 2.44
Z = 4∙3+2∙12+5∙1+2∙19+3∙8+ 2 ∙ 1 7 = 137.
u1 v1 4
u v 2
1 4
u 2 v1 5
u 2 v3 2
u 3 v1 3
u 3 v 2 2
u1 0,
v1 4,
u 2 1,
v 2 3,
u 3 1,
v3 1,
v 4 2,
Deoarece pentru celulele libere se satisface condiţia de optimalitate: ui + vj < cij, soluţia obţinută la a treia
163
iteraţie a algoritmului metodei potenţialelor este optimă.
Aşadar, soluţia optimă (planul optim de transport) este
x11 3, x14 12, x21 1, x23 19, x31 8, x32 17
164
Aflăm o soluţe particulară a sistemului:
u1 0, v1 4,
u 2 2, v2 3,
u 3 3, v3 1,
v4 1,
Pentru celula (3;1) condiţia de optimalitate nu se îndeplineşte. Construim ciclul de recalculare (3;1),
(3;3), (2;3), (2;2), (1;2), (1;1). Pentru acest ciclu aflăm Θ = min{l8; 13; 13} = 13. Ne amintim că dacă
numărul Θ este minimal pentru câteva celule, atunci, efectuând calculele necesare, vom obţine o soluţie de
baza admisibilă deg13 -
enerată (vezi tabelul 2.46), unde în celula completată (3;3) vom avea x33 = 0.
Tabelul 2.46
Debitorii Creditorii Disponibil
B1 B2 B3 B4 (mii u.m.)
A1 4 3 4 5 30
15 25
- +
A2 5 5 3 1 27
27
A3 3 4 4 2 29
13 13 - 16
+
Necesar 18 25 27 16
165
(mii u.m.)
Verificăm dacă soluţia de bază admisibilă obţinută este optimă. Alcătuim sistemul de ecuaţii:
u1 v1 4
u v 3
1 2
u 2 v3 3
u 3 v1 3
u 3 v3 4
u 3 v 4 2
u1 0, v1 4,
u 2 2, v2 3,
u 3 1, v3 5,
v4 3,
Pentru celula (1;3) condiţia de optimalitate nu se îndeplineşte. Construim ciclul de recalculare (1;3),
(3;3), (3;1), (1;1). Aflăm Θ = min{5;0} = 0. Efectuând calculele necesare, obţinem soluţia de bază
admisibilă (tabelul 2.47).
Tabelul 2.47
166
A2 5 5 3 1 27
27
+
A3 3 4 4 2 29
0 16
13 - -
+
Necesar 18 25 27 16
(mii u.m.)
Debitorii Creditorii Disponibil
B1 B2 B3 B4 (mii u.m.)
A1 4 3 4 5 30
Pentru această 25 soluţie avem
sistemul de A2 5 5 3 1 27 ecuaţii:
22 5
u1 v1 4
u v 3
1 2
u1 v3 4
u 2 v3 3
u 3 v1 3
u 3 v 4 2
Pentru celula (2;4) condiţia de optimalitate nu se îndeplineşte. Construim ciclul de recalculare: (2;4),
(3;4), (3;1), (1;1), (1;3), (2;3). Aflăm 0 = min{16;5;27} = 5. Efectuând calculele necesare, obţinem soluţia
de bază admisibilă (tabelul 2.48).
Tabelul 2.48
167
A3 3 4 4 2 29
11
18
Necesar 18 25 27 16
(mii u.m.)
u1 v 2 3 v1 3,
u v 4 u1 0,
v 2 3,
1 3 u 2 1,
u 2 v3 3 v3 4,
u 3 0,
u 2 v 4 1 v 4 2,
u 3 v1 3
u 3 v 4 2
Deoarece pentru toate celulele se satisfac condiţiile de optimalitate ui + vi ≤ cij, rezultă că această soluţie
este optimă:
x12 25, x13 5, x23 22, x24 5, x31 18, x34 11
Zmin = 242.
Se poate arăta că vom avea cazul degenerat în problema de transport dacă şi numai dacă va
exista un grup din p < m producători, suma disponobilului cărora este egală cu suma necesarului
unui grup din q < n consumatori.
b j pentru j n,
b j ( )
b j m pentru j n,
168
unde ε este un număr pozitiv destul de mic.
In final pentru a obţine soluţia problemei considerate, se face ε= 0.
Referitor la problema de transport, de reţinut că dacă şi sunt numere întregi pozitive, atunci orice
soluţie de bază admisibilă (şi soluţia optimă) constă din componente numere întregi.
In încheiere constatăm că metodele de soluţionare a problemei de transport pot fi aplicate şi la rezolvarea
multor probleme care după conţinutul lor economic nu se referă la transportarea producţiei.
cu creditul necesar. în acest caz, problema poate fi rezolvată prin introducerea unui creditor
fictiv, care „dispune" de suma de bani egala cu
Exemplu. Presupunem că trei bănci dispun de anumite sume de bani, pe care le pot împrumuta la un
moment dat la patru debitori în anumite condiţii. Disponibilui fiecărei bănci, necesarul fiecărui debitor, precum
şi beneficiile unitare pe care băncile le au de pe urma creditării sunt prezentate în tabelul 2.49.
Tabelul 2.49
Debitorii Creditorii Disponibil
D1 D2 D3 D4 (mii u.m.)
C1 0,3 0,5 0,2 0,2 300
220 - 80 +
C2 0, 0,3 0,4 0,3 350
2 80 - 230 40 +
C3 O, 0,2 0, 0,4 250
4 3 250 -
+
Necesar 220 160 230 290
(mii u.m.)
Rezolvare. Determinăm o soluţie de bază admisibilă prin metoda „nord-vest". Beneficiul total pentru
această soluţie este egal cu
Zo = 0,3 ∙220 000 + 0,5 • 80 000 + 0,3 • 80 000 + 0,4 • 230 000+0,3 • 40 000 + 0,4 • 250 000 = 334 000.
170
Pentru a rezolva problema de transfer optim, vom aplica metoda potenţialelor, care, în cazul dat, ne spune
că soluţia de bază admisibilă va fi optimă dacă există numerele u i , i=l,m, şi v j , i = l,n, încât:
u1 0 v1 0,3
u 2 0,2 v2 0,5
u 3 0,1 v3 0,6
v4 0,5
Soluţia de bază admisibilă iniţială nu este optimă, deoarece u3 + v1 = -0,1 + 0,3 = 0,2 < 0,4.
Pentru celula (3;1) construim ciclul de recalculare.
Aflăm Θ - min{250; 80; 220} = 80. Efectuând.calculele necesare, obţinem o nouă soluţie de bază
admisibilă (tab. 2.50).
171
Aşadar, am determinat soluţia optimă de transfer al fondurilor băneşti: x* 11 = 140 000 u.m.; x*12
- 160 000 u.m.; x*23 = 230 000 u.m.; x*24 = 120 000 u.m.; x* 31 = 80 000 u.m.; x*34 = 170 000 u.m.
Beneficiul maxim total este Z max = 350 000 u.m.
La un model matematic asemănător se ajunge şi în cazul următoarelor tipuri de probleme de
transfer al fondurilor:
1) o bancă dispune de o sumă de bani pe care o poate plasa eşalonat
în timp de m ani la n debitori;
2) un număr de m bănci urmează să crediteze eşalonat în n ani o
investiţie;
3) în cadrul unei convenţii interbancare m bănci C 1 ,C 2 , . . . , C m
pot coopera cu alte n bănci D1 , D 2 , ..., Dn pentru transfer reciproc
de fonduri, în caz de necesitate.
Pentru toate modelele de probleme expuse mai sus se presupune existenţa unei cooperări între
partenerii din aceeaşi clasă, încât să aibă sens noţiunea de optim global.
Probleme propuse
1. La construcţia a patru obiecte se foloseşte cărămidă fabricată la trei uzine. Fiecare uzină
poate fabrica pe zi respectiv 200 m 3 , 300 m 3 şi 100 m 3 de cărămidă. Zilnic necesitatea de
cărămidă la fiecare construcţie este respectiv egală cu 150 m 3, 160 m3, 120 m 3 şi 170 m3. Se cunosc
cheltuielile pentru a transporta un metru cub de cărămidă de la fiecare fabrică la fiecare construcţie:
8 7 3 5
c 3 2 5 6
6 5 2 3
172
Să se întocmească un plan de transportare a făinii, astfel încât cheltuielile totale să fie minime.
3 4 5 1
c 2 3 1 2
3 4 6 2
1 2 3 1
c 2 3 1 3
3 2 1,6 2
Să se determine planul de transportare a producţiei, pentru care cheltuielile totale să fie minime.
5. O asociaţie de producţie are în componenţa sa trei întreprinderi, care pot produce oricare din
cele patru tipuri de produse. Capacităţile de producţie ale întreprinderilor permit să se producă anual
pe fiecare tip de produs respectiv 50, 60 şi 20 de mii de unităţi, iar necesarul anual pe fiecare tip
de produs este respectiv 15, 40, 10 şi 50 de mii de unităţi. Matricea
Să se determine numărul de hectare pe fiecare teren care vor fi semănate respectiv cu porumb, grâu, secară şi
orz, astfel ca recolta totală să fie maximă.
7. O bancă dispune de o anumită sumă de bani pe care o poate plasa eşalonat timp de trei ani
către patru debitori. Necesarul anual şi pe debitor, precum şi beneficiile unitare anuale care îi revin
băncii sunt prezentate în tabelul 2.51.
Tabelul 2.51
174
Se cere să se realizeze o plasare eşalonată optimă, adică necesarul pe ani să fie asigurat, necesarul pentru
debitori de asemenea să fie asigurat, iar beneficiul total realizat să fie maxim.
8. Trei bănci analizează posibilitatea de creditare a unei investiţii eşalonat, timp de patru ani.
Disponibilul fiecărei bănci, necesarul anual, precum şi beneficiile unitare anuale care revin băncilor sunt
prezentate în tabelul 2.52.
Tabelul 2.52
Răspunsuri
1. Zmin = 1830. 2. Zmin = 500. 3. Zmin = 2030. 4. Zmin = 320. 5. Zmin = 505.
6. Zmax = 14915. 7. Zmax = 333000. 8. Zmax = 366000.
175
BIBLIOGRAFIE
4. Diaconiţa V., Manolachi A., Rusu Ch. Matematici aplicate în economie, laşi, 1992.
10. Popescu Octavian ş.a. Matematici aplicate în economie. Voi. 2, Bucureşti, 1993.
13. Zambiţchi D., Bunu I. Matrice şi sisteme de ecuaţii liniare cu aplicaţii în economie, Chişinău, 1996.
176
14. AKyjiHH H.JI. MameMamunecKoe npozpaMMupoeamie e npuMepax
u 3adanax, MocKBa, 1986.
177
Modenu e ynpaenenuu, MocKBa, 2000.
178
Cuprins
179
2.1. Exemple de probleme de programare liniară ..............
2.2. Diferite forme de prezentare a modelului matematic al problemei de
programare liniară ...........................................................
Probleme propuse . ..........................................................
2.3. Proprietăţile soluţiilor admisibile în problema de programare liniară.
Teoremele fundamentale ..................................................
2.4. Interpretarea geometrică a problemelor de programare liniară . . . .
Probleme propuse.............................................................
2.5. Soluţii de bază admisibile. Corespondenţa dintre soluţiile de bază
admisibile şi vârfurile mulţimii de soluţii admisibile .
180
Cuprins _____________________________________________ 203
Bibliografie 200
Dumitru ZAMBIŢCHI,
doctor în ştiinţe fizico-matematice, profesor universitar, ASEM
Mircea ZAMBIŢCHI,
doctor în ştiinţe fizico-matematice, conferenţiar universitar, ASEM
MATEMATICI
APLICATE ÎN ECONOMIE
Algebra liniară. Programarea liniară
Editura Evrica,
str. Vlad Ţepeş, 3,
MD 2028, or. Chişinău, Republica Moldova.
182