Programul de studii: Management

CUPRINS

LABORATORUL 2 .............................................................................................................. 1

APLICAȚII DE PROGRAMARE LINIARĂ ................................................................................ 1

Modelul general pentru problema de programare liniară (PPL) .................................................. 1
Aplicația A2.1 (2.5.1 MDE/47) – Programarea producției ........................................................... 3
Aplicația A2.1d – Programarea producției - Problema duală ...................................................... 9
Aplicația A2.2 (2.5.2 MDE/50) – Alegerea unui proiect software ............................................. 13
Aplicația A2.3 (2.5.4 MDE/53) – Alegerea unui proiect (I) ....................................................... 18
Aplicația A2.4 (2.5.5 MDE/54) – Alegerea unui proiect (II) ...................................................... 22
Aplicația A2.5 (2.5.7 MDE/57) – Portofoliu financiar ................................................................ 27
Aplicația A2.6 (2.5.8 MDE/59) – Investiție de portofoliu .......................................................... 31
Aplicația A2.7 (2.5.10 MDE/66) – Programul optim de fabricație (II) ........................................ 36
Aplicația A2.8 (2.5.15 MDE/75) – Decizia de investiții (Modelul lui Weingartner) ..................... 41
Aplicația A2.9 (2.5.16 MDE/77) – Fabricarea benzinei .............................................................. 46
Aplicația A2.10 – Problema de transport ................................................................................. 49

2-1
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ
Linear Programming

Modelul general pentru problema de programare liniară (PPL)1

▪ Vom analiza în continuare problemele de programare matematică liniare,

respectiv problemele de optimizare în care funcția obiectiv și restricțiile
sunt definite prin relații liniare.
▪ Notații:
▪ Forma generală a unei probleme de programare liniară de maximizare:
 n

 max  f =  c j x jFuncţia obiectiv

 j =1

 n
 aij x j  bi , 1 Restricţii
im
 j =1
 x  0, 1  j  n
 j

▪ Forma generală a unei probleme de programare liniară de minimizare:
 n

 min  f =  c j x jFuncţia obiectiv

 j =1

 n

 aij x j  bi , 1  i  m
 j =1 Restricţii
 x  0, 1  j  n
 j

▪ Forma generală a unei probleme de programare liniară sub formă
matriceală:

▪ Problema de maximizare:
max f = cx

Ax  b
x  0


1
Lixăndroiu D. – „Modelarea deciziei economice”. Editura Economică, Bucureşti, 2014, pag. 29

2-1
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

▪ Problema de minimizare:
min  f = cx

Ax  b
x  0


▪ x = ( x1 , x2 ,..., xn ) - vectorul variabilelor;

▪ c = (c1 , c2 ,..., cn ) - vectorul coeficienților funcției obiectiv

▪ b = (b1 , b2 ,..., bm ) - vectorul termenilor liberi ai restricțiilor

▪  
A = aij i =1,m ; j =1,n
- restricțiilor matricea coeficienților

▪ Problema de programare liniară duală pentru problema primală de

programare liniară de maximizare:
max f = cx

Ax  b
x  0
 ,
este, prin definiție problema de programare liniară de minimizare:
min g = yb

yA  c
y  0
▪  .
▪ Pentru a reprezenta problema de programare liniară primală și cea duală,
vom utiliza următorul tablou primal-dual:

Variabile primale 𝑥1 ≥ 0 𝑥2 ≥ 0 … 𝑥𝑛 ≥ 0 Relația Min g

Variabile duale primală
𝑦1 ≥ 0 a11 a12 … a1n ≤ 𝑏1
𝑦2 ≥ 0 a21 a22 … a2n ≤ 𝑏2
… … … … … … …
𝑦𝑚 ≥ 0 am1 am2 … amn ≤ 𝑏𝑚
Relația duală ≥ ≥ ... ≥
Max f 𝑐1 𝑐𝑛 … 𝑐𝑛

2-2
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

▪ Funcția obiectiv a problemei duale:

▪ Min{𝑔(𝑦1 , 𝑦2 , . . . , 𝑦𝑚 ) = 𝑏1 𝑦1 + 𝑏2 𝑦2 +. . . +𝑏𝑚 𝑦𝑚 }.
▪ Restricțiile problemei duale:
a11 y1 + a21 y2 + ... + am1 ym  c1
a y + a y + ... + a y  c
 12 1 22 2 m2 m 2
 .
...
a1n y1 + a2 n y2 + ... + amn ym  cn

Aplicația A2.1 (2.5.1 MDE/47) – Programarea producției2

▪ O firmă realizează un produs (sacoșă de golf) în două variante: standard și

de lux. Procesul de fabricație constă în execuția a 4 operații succesive
(croit, cusut, finisaj și control de calitate). Timpii de execuție pe unitatea
de produs (în ore) sunt:

Produsul Operația 1 Operația 2 Operația 3 Operația 4

Standard .6 .5 1.1 .1
De lux 1 .8 .7 .25

▪ Profitul unitar este de 10 u.m. pentru varianta standard și de 9 u.m. pentru

cea de lux. Resursele de timp totale disponibile (mașini, muncitori,
schimburi) pentru fiecare operație sunt (în ore):

Operația 1 Operația 2 Operația 3 Operația 4

Timpii disponibili 650 700 750 200

▪ Să se determine programul optim de fabricație, adică numărul de produse

din fiecare variantă, care trebuie executat astfel încât profitul total
obținut să fie maxim.

2
Lixăndroiu D. – „Modelarea deciziei economice”. Editura Economică, București, 2014, pag. 47

2-3
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Rezolvare:

▪ Considerăm următoarele variabile ale problemei de programare liniară:

▪ 𝑥1 – numărul de sacoșe standard;
▪ 𝑥2 – numărul de sacoșe de lux.

▪ Vom reorganiza datele de intrare tabelar, pentru a defini mai ușor

problema de programare liniară în QM:

Variabile
Resurse ≤ Disponibil
𝑥1 𝑥2
R1 Operația 1 .6 1 ≤ 650
R2 Operația 2 .5 .8 ≤ 700
R3 Operația 3 1.1 .7 ≤ 750
R4 Operația 4 .1 .25 ≤ 200
Funcția obiectiv 10 9 → max

▪ Rezultă restricțiile PPL:

. 6 ∙ 𝑥1 + 1 ∙ 𝑥2 ≤ 650
. 5 ∙ 𝑥1 + .8 ∙ 𝑥2 ≤ 700
1.1 ∙ 𝑥1 + .7 ∙ 𝑥2 ≤ 750
. 1 ∙ 𝑥1 + .25 ∙ 𝑥2 ≤ 200
𝑥1 ≥ 0
{ 𝑥2 ≥ 0
▪ Funcția obiectiv:
𝑚𝑎𝑥{10 ∙ 𝑥1 + 9 ∙ 𝑥2 }

▪ În QM utilizăm modulul Linear Programming:

▪ În ecranul de creare a setului de date alegem opțiunile (Figura 2.1.1):
▪ Number of Constrains: 4
▪ Number of Variables: 2
▪ Objective: Maximize
▪ Datele de intrare sunt redate în Figura 2.1.2
▪ Rezultatele soluției calculate sunt redate în Figura 2.1.3a/b/c/d
▪ Rezolvarea grafică este redată în Figura 2.1.4

2-4
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.1.1

Figura 2.1.2

2-5
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.1.3a

Figura 2.1.3b

2-6
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.1.3c

Figura 2.1.3d

2-7
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.1.4
▪ Conlcuzii:
▪ Soluția PPL (Figura 2.1.3a) este:
▪ 𝑥1 = 433.82~434 sacoșe standard
▪ 𝑥2 = 389.71~390 sacoșe de lux
▪ Profitul maxim = 7845.59 u.m.
▪ Figura 2.1.3b ne arată analiza de senzitivitate și limitele de variație
inferioară și superioară pentru variabilele funcției obiectiv, cât și pentru
restricțiile aferente
▪ Figura 2.1.3c ne arată resursele neconsumate pentru R2 și R4
▪ Figura 2.1.3c ne arată problema duală
▪ Figura 2.1.3d ne arată soluția grafică și domeniul admisibil.
▪ În soluția grafică avem dreapta de isoprofit de ecuație

10 ∙ 𝑥1 + 9 ∙ 𝑥2 = 7845.59

▪ Avem punctele de intersecție cu axele ale dreptei de isoprofit:

𝑥 =0
{ 1
𝑥2 = 7845.53⁄9 = 871.725
𝑥 =0
{ 2
𝑥1 = 7845.53⁄10 = 784.553

2-8
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Aplicația A2.1d – Programarea producției3 - Problema duală

▪ Să se rezolve duala problemei primale de programare liniară din Aplicația

A2.1.

Rezolvare:

▪ Plecăm de la tabelul problemei primale, în care am notat restricțiile R1,

R2, R3, R4 ca variabilele 𝑦1 , 𝑦2 , 𝑦3 , 𝑦4 :

Variabile ≤
Restricții Disponibil
𝑥1 𝑥2 ≥
R1 Operația 1 .6 1 ≤ 650
R2 Operația 2 .5 .8 ≤ 700
R3 Operația 3 1.1 .7 ≤ 750
R4 Operația 4 .1 .25 ≤ 200
Funcția obiectiv 10 9 → max

▪ Vom reorganiza datele din tabelul de mai sus pentru a defini mai ușor
problema de programare liniară duală în QM:
▪ Schimbăm celulele Restricții – Variabile: Restricțiile R1, R2, R3, R4 vor
deveni variabilele 𝑦1 , 𝑦2 , 𝑦3 , 𝑦4 , iar variabilele 𝑥1 , 𝑥2 devin restricții
▪ Schimbăm celulele Disponibil – Funcția obiectiv: Scriem ecuațiile pentru
restricțiile și pentru funcția obiectiv „pe verticală”:

Restricții Funcția
Variabile
R1: 𝑥1 R2: 𝑥2 obiectiv
𝑦1 Operația 1 .6 ↓ 1 ↓ 650 ↓
𝑦2 Operația 2 .5 ↓ .8 ↓ 700 ↓
𝑦3 Operația 3 1.1 ↓ .7 ↓ 750 ↓
𝑦4 Operația 4 .1 ↓ .25 ↓ 200 ↓
Disponibil ≥ 10 ≥9 min

3
Lixăndroiu D. – „Modelarea deciziei economice”. Editura Economică, Bucureşti, 2014, pag. 47

2-9
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

▪ Rezultă restricțiile PPL duale:

. 6𝑦1 + .5𝑦2 + 1.1𝑦3 + .1𝑦4 ≥ 10
1𝑦1 + .8𝑦2 + .7𝑦3 + .25𝑦4 ≥ 9
𝑦1 ≥ 0
𝑦2 ≥ 0
𝑦3 ≥ 0
{ 𝑦4 ≥ 0
▪ Funcția obiectiv duală:
𝑚𝑖𝑛{650𝑦1 + 700𝑦2 + 750𝑦3 + 200𝑦4 }

▪ În QM utilizăm modulul Linear Programming:

▪ În ecranul de creare a setului de date alegem opțiunile (Figura 2.1d.1):

▪ Number of Constrains: 2
▪ Number of Variables: 4
▪ Objective: Minimize
▪ Datele de intrare sunt redate în Figura 2.1d.2
▪ Rezultatele soluției calculate sunt redate în Figura 2.1d.3
▪ Rezultatele soluției pentru problema duală sunt redate în Figura 2.1d.4

Figura 2.1d.1

2-10
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.1d.2

Figura 2.1d.3

2-11
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.1d.4

▪ Conlcuzii:
▪ Soluția PPL duală (Figura 2.1d.3) este:
▪ 𝑦1 = 4.26
▪ 𝑦2 = 0
▪ 𝑦3 = 6.76
▪ 𝑦4 = 0
▪ Profitul maxim = 7845.5 u.m.
▪ Figura 2.1d.4 ne arată proprietatea „duala dualei este primala”.

2-12
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Aplicația A2.2 (2.5.2 MDE/50) – Alegerea unui proiect software4

▪ Se consideră că un produs software este format din mai multe module și

fiecare modul îndeplinește o anumită funcție necesară utilizatorului.
▪ Ipotezele modelului:
▪ I1: Pentru fiecare modul se cunoaște fiabilitatea și costul
▪ I2: Utilizatorul dispune de un buget limitat pentru achiziționare
▪ I3: Utilizatorul cunoaște frecvența de utilizare a fiecărei funcții
▪ Datele problemei:
▪ Bugetul disponibil este B = 12 u.m.
▪ Pentru funcția 1 sunt disponibile 4 module, iar frecvența de utilizare este
F1 = 0.75:
Modulul P1 P2 P3 P4
Fiabilitatea .90 .80 .85 .95
Costul (u.m.) 6 4 5 8

▪ Pentru funcția 2 sunt disponibile 3 module, iar frecvența de utilizare este

F2 = 0.25:
Modulul Q1 Q2 Q3
Fiabilitatea .70 .80 .90
Costul (u.m.) 2 4 6
▪ Se cere să se maximizeze fiabilitatea medie prin alegerea unei mulțimi
optime de module, câte unul din fiecare funcție.
▪ Modelul general
▪ Notații:
▪ 𝑁 – numărul de funcții;
▪ 𝐹𝑘 – frecvența de utilizare a funcției k;
▪ 𝑚𝑘 – numărul de module pentru funcția k;
▪ 𝑅𝑘𝑗 – fiabilitatea modului j care execută funcția k;
▪ 𝐶𝑘𝑗 – costul modului j care execută funcția k;
▪ 𝐵 – bugetul disponibil
▪ 𝑅̅ – fiabilitatea medie
▪ 𝑥𝑘𝑗 = 1 , dacă modului j a fost ales pentru funcția k;
▪ 𝑥𝑘𝑗 = 0 , dacă modului j nu a fost ales pentru funcția k.

4
Lixăndroiu D. – „Modelarea deciziei economice”. Editura Economică, Bucureşti, 2014, pag. 50

2-13
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

▪ Funcția obiectiv:
𝑁
𝑚𝑎𝑥 {𝑅̅ = ∑ 𝐹𝑘 ∙ 𝑅𝑘 },
𝑘=1
unde
𝑚𝑘
𝑅𝑘 = ∑ 𝑥𝑘𝑗 ∙ 𝑅𝑘𝑗 .
𝑗=1
▪ Restricții:
𝑚𝑘
∑ 𝑥𝑘𝑗 = 1.
𝑗=1

( condiția de alegere a unui singur modul pe funcție)

𝑁 𝑚𝑘
∑ ∑ 𝑥𝑘𝑗 ∙ 𝐶𝑘𝑗 ≤ 𝐵.
𝑘=1 𝑗=1

( condiția de încadrare în buget)

𝑥𝑘𝑗 ∈ {0, 1}, 𝑘 = 1,2, … , 𝑁, 𝑗 = 1,2, … , 𝑚𝑘 .
( condiția de valori binare 0 și 1)
▪ Rezolvare:

▪ Avem o problemă de programare liniară cu variabile binare sau variabile

booleene (0 și 1)
▪ Datele problemei sunt următoarele:
▪ Numărul de funcții: 𝑁 = 2, 𝑘 = 1, 2;
▪ Frecvențele de utilizare: 𝐹1 = 0.75 și 𝐹2 = 0.25;
▪ Numărul de module: 𝑚1 = 4 și 𝑚2 = 3;
▪ Bugetul disponibil: 𝐵 = 12 u.m.

▪ Organizăm datele tabelar:

Variabile k j 𝑅𝑘𝑗 𝐹𝑘 𝐹𝑘 ∙ 𝑅𝑘𝑗 𝐶𝑘𝑗

P1 1 1 .90 .75 .675 6
P2 1 2 .80 .75 .6 4
P3 1 3 .85 .75 .6375 5
P4 1 4 .95 .75 .7125 8
Q1 2 1 .70 .25 .175 2
Q2 2 2 .80 .25 .2 4
Q3 2 3 .90 .25 .225 6

2-14
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

▪ Rezultă următoarea problemă de programare (binară) în numere întregi:

▪ Funcția obiectiv:

𝑚𝑎𝑥{. 675𝑃1 + .6𝑃2 + .6375𝑃3 + .7125𝑃4 + .175𝑄1 + .2𝑄2

+ .225𝑄3}

▪ Restricții:
𝑃1 + 𝑃2 + 𝑃3 + 𝑃4 = 1
𝑄1 + 𝑄2 + 𝑄3 = 1
( condiția de alegere a unui singur modul pe funcție)
6𝑃1 + 4𝑃2 + 5𝑃3 + 8𝑃4 + 2𝑄1 + 4𝑄2 + 6𝑄3 ≤ 12
( condiția de încadrare în buget)
𝑃1 ≤ 1
𝑃2 ≤ 1
𝑃3 ≤ 1
𝑃4 ≤ 1
𝑄1 ≤ 1
𝑄2 ≤ 1
𝑄3 ≤ 1
( condiția de valori binare 0 și 1)
▪ În QM utilizăm modulul Integer Programming & Mixed Integer
Programming
▪ În ecranul de creare a setului de date alegem opțiunile (Figura 2.2.1):
▪ Number of Constrains: 10
▪ Number of Variables: 7
▪ Objective: Maximize
▪ Datele de intrare sunt redate în Figura 2.2.2
▪ Rezultatele soluției calculate sunt redate în Figura 2.2.3
▪ Soluția inițială și rezolvarea problemei este redată în Figura 2.2.4
▪ Conlcuzii:
▪ Soluția PPL (Figura 2.2.3) este:
▪ Modulul 𝑃4 = 1 pentru funcția 𝐹1
▪ Modului 𝑄2 = 1 pentru funcția 𝐹2
▪ Fiabilitatea medie = .9125.

2-15
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.2.1

Figura 2.2.2

2-16
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.2.3

Figura 2.2.4

2-17
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Aplicația A2.3 (2.5.4 MDE/53) – Alegerea unui proiect (I)5

▪ Într-un model investițional se poate alege între 5 proiecte și există o sumă

limitată (buget) alocată de 1100 u.m., care poate fi investită. Beneficiul
rezultat din realizarea proiectelor este:
Proiect Proiect 1 Proiect 2 Proiect 3 Proiect 4 Proiect 5
Beneficiul (u.m.) 75 81 85 92 63
Costul (u.m.) 290 250 240 330 220
▪ Considerăm ipotezele:
▪ I1: Alegerea proiectului 3 implică alegerea a cel puțin două din
proiectele 1, 4 sau 5;
▪ I2: Proiectele 2 și 3 nu se pot realiza în același timp, reprezentând
variante tehnice cu aceeași finalitate;
▪ Să se formuleze și să se rezolve modelul care conduce la beneficiul maxim.

▪ Rezolvare:
▪ Avem o problemă de programare liniară cu 5 variabile binare (booleene)
𝑥𝑖 , 𝑖 = 1, 2, … , 5 definite astfel:
𝑥𝑖 = 1, dacă proiectul se realizează
𝑥𝑖 = 0, dacă proiectul nu se realizează
▪ Funcția obiectiv:

𝑚𝑎𝑥{75𝑥1 + 81𝑥2 + 85𝑥3 + 92𝑥4 + 63𝑥5 }

▪ Restricții:
290𝑥1 + 250𝑥2 + 240𝑥3 + 330𝑥4 + 220𝑥5 ≤ 1100
(condiția de încadrare în bugetul alocat)
2𝑥3 ≤ 𝑥1 + 𝑥4 + 𝑥5 ↔ 2𝑥3 − 𝑥1 − 𝑥4 − 𝑥5 ≤ 0
(ipoteza I1)
𝑥2 + 𝑥3 ≤ 1
(ipoteza I2)
𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ≤ 1
(variabilele sunt binare)

5
Lixăndroiu D. – „Modelarea deciziei economice”. Editura Economică, Bucureşti, 2014, pag. 53

2-18
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

▪ În QM utilizăm modulul Integer Programming & Mixed Integer

Programming
▪ În ecranul de creare a setului de date alegem opțiunile (Figura 2.3.1):
▪ Number of Constrains: 8 (cele 3 restricții și cele 5 condiții ca variabilele
să fie binare)
▪ Number of Variables: 5
▪ Objective: Maximize
▪ Datele de intrare sunt redate în Figura 2.3.2
▪ Rezolvarea problemei este redată în Figura 2.3.3
▪ Soluția inițială și rezolvarea problemei este redată în Figura 2.3.4

▪ Conlcuzii:
▪ Soluția PPL (Figura 2.3.3) este:
𝑥1 = 1, 𝑥2 = 0, 𝑥3 = 1, 𝑥4 = 1, 𝑥5 = 1.
▪ Beneficiul maxim: 315 u.m.

Figura 2.3.1

2-19
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.3.2

Figura 2.3.3

2-20
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.3.4

2-21
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Aplicația A2.4 (2.5.5 MDE/54) – Alegerea unui proiect (II)6

▪ O instituție publică trebuie să aleagă între 5 proiecte care s-ar putea

realiza în următorii doi ani. Se pune problema repartizării pe ani a
proiectelor, astfel încât beneficiile obținute să fie maxime, în ipotezele:
▪ I1: Realizarea unui proiect durează maxim un an ;
▪ I2: Mai multe proiecte pot fi realizate în același an;
▪ I3: Nu se pot transfera sume din bugetul de finanțare de la un an la
altul.
▪ Pentru anul 1 există o sumă limitată de 750 u.m., care poate fi investită.
Suma care poate fi investită în anul 2 este de 800 u.m. Costurile și
beneficiile proiectelor sunt respectiv:
Anul Proiect Proiect 1 Proiect 2 Proiect 3 Proiect 4 Proiect 5
Variabila 𝑥11 𝑥21 𝑥31 𝑥41 𝑥51
Anul 1 Beneficiul 75 81 85 92 63
Costul 290 250 240 330 220
Variabila 𝑥12 𝑥22 𝑥32 𝑥42 𝑥52
Anul 2 Beneficiul 70 85 95 80 75
Costul 300 260 230 345 220

▪ În urma studiului s-au adăugat ipotezele:

▪ I4: Proiectul 2 poate fi realizat în primul an, numai dacă în acest an se
vor realiza proiectele 1 și 4;
▪ I5: Alegerea proiectului 2 în al doilea an implică alegerea cel puțin a
două din proiectele 1, 3 sau 4;
▪ I6: Proiectele 3 și 5 nu se pot realiza în același an.
▪ Să se formuleze și să se rezolve modelul care conduce la beneficiul maxim.

Rezolvare:

▪ Avem o problemă de programare liniară cu 10 variabile binare (booleene)

𝑥𝑖𝑗 , 𝑖 = 1, 2, … , 5, 𝑗 = 1, 2, unde i reprezintă indexul proiectului, iar j
anul.
▪ Avem 𝑥𝑖𝑗 = 1 dacă proiectul i din anul j se realizează, respectiv 𝑥𝑖𝑗 = 0 în
caz contrar.

6
Lixăndroiu D. – „Modelarea deciziei economice”. Editura Economică, Bucureşti, 2014, pag. 54

2-22
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

▪ Funcția obiectiv:
75𝑥11 + 81𝑥21 + 85𝑥31 + 92𝑥41 + 63𝑥51 +
𝑚𝑎𝑥 { }.
+70𝑥12 + 85𝑥22 + 95𝑥32 + 80𝑥42 + 75𝑥52

▪ Restricții:
290𝑥11 + 250𝑥21 + 240𝑥31 + 330𝑥41 + 220𝑥51 ≤ 750
300𝑥12 + 260𝑥22 + 230𝑥32 + 345𝑥42 + 220𝑥52 ≤ 800
(condițiile de încadrare în bugetele anuale alocate)
2𝑥21 ≤ 𝑥11 + 𝑥41 ↔ 2𝑥21 − 𝑥11 − 𝑥41 ≤ 0
(ipoteza I4)
2𝑥22 ≤ 𝑥12 + 𝑥32 + 𝑥42 ↔ 2𝑥22 − 𝑥12 − 𝑥32 − 𝑥42 ≤ 0
(ipoteza I5)
𝑥31 + 𝑥51 ≤ 1
𝑥32 + 𝑥52 ≤ 1
(ipoteza I6)
𝑥11 + 𝑥12 ≤ 1
𝑥21 + 𝑥22 ≤ 1
𝑥31 + 𝑥32 ≤ 1
𝑥41 + 𝑥42 ≤ 1
𝑥51 + 𝑥52 ≤ 1
(ipoteza I1)
𝑥11 , … , 𝑥51 , 𝑥12 , … , 𝑥52 ≤ 1
(cele 10 variabile sunt binare)

▪ În QM utilizăm modulul Integer Programming & Mixed Integer

Programming
▪ În ecranul de creare a setului de date alegem opțiunile (Figura 2.4.1):
▪ Number of Constrains: 21
▪ Number of Variables: 10
▪ Objective: Maximize

2-23
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

▪ Datele de intrare sunt redate în Figura 2.4.2

▪ Rezolvarea problemei este redată în Figura 2.4.3
▪ Soluția inițială și rezolvarea problemei este redată în Figura 2.4.4

▪ Conlcuzii:
▪ Soluția PPL (Figura 2.4.4) este:
𝑥11 = 0, 𝑥21 = 0, 𝑥31 = 0, 𝑥41 = 1, 𝑥51 = 1,
𝑥12 = 1, 𝑥22 = 1, 𝑥32 = 1, 𝑥42 = 0, 𝑥52 = 0.
▪ Beneficiul maxim: 405 u.m.

Figura 2.4.1

2-24
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.4.2

Figura 2.4.3

2-25
 LABORATORUL 2
APLICAȚII DE PROGRAMARE LINIARĂ

Figura 2.4.4

2-26