Universitatea “1 Decembrie 1918” Alba Iulia

Facultatea de Ştiinţe
Specializarea ADMINISTRAREA AFACERILOR

Conf. univ. dr. Lucia Căbulea

MATEMATICĂ APLICATĂ ÎN ECONOMIE

Material de studiu individual

Anul I de studiu
Semestrul I
Anul universitar 2012-2013
Învăţământ la distanţă

Alba Iulia,
2012
2
 CUPRINS

Introducere.......................................................................................................................5
Scopul şi obiectivele disciplinei.................................................................................5
Cerinţe preliminare....................................................................................................5
Conţinutul materialului de studiu...............................................................................5
Recomandări de studiu...............................................................................................6
Recomandări privind evaluarea.................................................................................7
Test de evaluare iniţială...................................................................................................8
Unitate de studiu 1. Rezolvarea unei probleme de programare liniară............................9
1.1. Noţiuni generale...............................................................................................10
1.2. Soluţiile unei probleme de programare liniară.................................................13
1.3. Rezolvarea unei probleme de programare liniară............................................14
Unitate de studiu 2. Dualitatea Algoritmul simplex dual..............................................29
2.1. Dualitate...........................................................................................................29
2.2. Algoritmul simplex dual..................................................................................32
Unitate de studiu 3. Reoptimizarea problemelor de programare liniară.......................35
3.1. Modificarea vectorului c..................................................................................36
3.2. Modificarea vectorului b..................................................................................36
3.3 Modificarea unui vector coloană din matricea A.......................................39
3.4 Adăugarea unei noi coloane la matricea A.......................................................40
3.5 Modificarea unei linii a matricei restricţiilor....................................................41
Unitate de studiu 4. Programare liniară parametrică.....................................................44
4.1. Probleme parametrice.......................................................................................44
4.2. Parametrizarea vectorului c..............................................................................45
4.3. Parametrizarea vectorului b..............................................................................46
Unitate de studiu 5. Probleme de transport...................................................................49
5.1. Modele de tip transport sau de transfer de fonduri..........................................50
5.2. Metode de găsire a unei soluţii iniţiale............................................................52

3
 5.3. Îmbunătăţirea soluţiei.......................................................................................53
5.4. Algoritmul distributiv......................................................................................54
5.5. Rezolvarea problemelor de maximizare...........................................................55
5.6. Degenerare. Soluţii multiple............................................................................58
Unitate de studiu 6. Reoptimizarea problemelor de transport.......................................62
6.1. Reoptimizarea in cazul modificarii matricei costurilor....................................62
6.2. Reoptimizarea in cazul modificarii disponibilului si/sau necesarului..............64
Unitate de studiu 7. Probleme de transport parametrice...............................................68
7.1. Parametrizarea matricei C................................................................................69
7.2. Parametrizarea disponibilului si/sau necesarului.............................................71
Unitate de studiu 8. Probleme de transport speciale.....................................................75
8.1. Modele cu centre legate...................................................................................76
8.2. Modele cu legături interzise.............................................................................80
8.3. Modele cu soluţii impuse.................................................................................81
Unitate de studiu 9. Dobânda simplă............................................................................85
9.1. Dobânda simplă................................................................................................85
Unitate de studiu 10. Dobânda compusă.......................................................................93
10.1. Dobânda compusă..........................................................................................93
Unitate de studiu 11. Plăţi eşalonate anual (anuităţi)....................................................98
11.1. Plăţi eşalonate................................................................................................98
11.2. Anuităţi posticipate temporare.....................................................................100
11.3. Anuităţi anticipate temporare.......................................................................103
Unitate de studiu 12. Rambursarea creditelor şi împrumuturilor................................106
12.1. Preliminarii...................................................................................................106
12.2. Amortizări directe........................................................................................107
12.3. Amortizări indirecte.....................................................................................109
Test de verificare.........................................................................................................113
Bibliografie.................................................................................................................115
Anexa 1.......................................................................................................................116
Anexa 2 ......................................................................................................................118

4
 Introducere

Scopul şi obiectivele disciplinei

Matematică aplicată în economie este o disciplină de învăţământ universitar fundamentală în

raport cu celelalte discipline. Disciplina are drept scop, pe de o parte, deprinderea de a analiza şi decide
logic şi riguros, iar pe de altă parte, să contribuie la o pregătire multidisciplinară a viitorilor economişti.
Ca disciplină de învăţământ, concentrată la maximum în acest Material pentru studiu individual,
cursul de Matematică aplicată în economie are ca principale obiective introducerea studenţilor în
studiul şi cunoaşterea noţiunilor de bază ale matematicii aplicate, în familiarizarea cu terminologia şi
limbajul de specialitate şi utilizarea corectă a acestora, necesare în formularea deciziilor , în
interpretarea şi aplicarea regulilor matematicii, în studiul şi cunoaşterea celorlalte discipline
economice, în surprinderea spiritului şi specificului unei gândiri economice.
Prezentul Material pentru studiu individual oferă studenţilor reperele principale de învăţare şi
autoverificare pe baza structurii rezumative a informaţiei cuprinse în fiecare modul, respectiv unitate de
învăţare cuprinse în Programa analitică a disciplinei şi a cursurilor tipărite menţionate în bibliografie.
Drept pentru care, aprofundarea disciplinei Matematică aplicată în economie trebuie făcută prin
studierea reală a bibliografiei recomandate, şi nu prin limitarea la lectura acestui Material.
Astfel, după studierea materialului Matematică aplicată în economie, studenţii vor fi capabili:
1. Să fie activi într-o discuţie despre particularităţile conceptelor şi tehnicii
modelării matematice a unor fenomene economice;
2. Să pună în context matematic un plan de afaceri;
3. Să rezolve un plan de afaceri cu ajutorul metodelor de programare
matematică;
4. Să formuleze modele matematice pentru plăţile eşalonate şi rambursările
creditelor şi împrumuturilor;
5. Să optimizeze unele operaţii financiare certe.

Cerinţe preliminare

În parcurgerea acestui material de studiu, vor fi de mare ajutor conţinutul disciplinei Algebră
studiate în liceu. Capitolele de calcul matriceal şi rezolvare a sistemelor de ecuaţii vor constitui baza
cunoştinţelor necesare abordării problematicii din primele opt unităţi de studiu. De asemenea noţiunile
de calcul procentual şi rezolvare a ecuaţiilor vor fi întâlnite în ultimele patru unităţi de studiu.

Conţinutul materialului de studiu. Organizarea pe unităţi de studiu

Materialul de studiu este structurat în trei mari părţi totalizând douăsprezece unităţi de studiu în
care sunt prezentate în mod rezumativ temele cele mai importante care constituie fondul de idei ce
trebuiesc studiate, însuşite, aprofundate şi explicate pe baza studiului individual.

5
 Primele patru unităţi prezintă elemente de programare liniară, cum ar fi rezolvarea unei probleme
de programare liniară, dualitatea, algoritmul simplex dual, reoptimizarea problemelor de programare
liniară, programarea liniară parametrică.
Acestea sunt urmate de noţiuni privind problemele de transport, începând cu prezentarea acestora,
continuând cu reoptimizarea problemelor de transport şi probleme de transport parametrice. Partea a
doua se încheie cu probleme speciale de tip transport.
Ultimele trei unităţi abordează problematica elementelor de matematici financiare, cum ar fi
dobânda simplă, dobânda compusă, plăţi eşalonate anual (anuităţi) şi rambursarea creditelor şi
împrumuturilor.

Recomandări de studiu

Pentru înţelegerea şi aprofundarea cunoştinţelor cuprinse în Materialul de studiu individual este

necesară lectura atentă a mai multor titluri din bibliografia indicată, cu mare atenţie la noţiunile cheie.
Temele prezentate vor fi învăţate separat, acordându-se atenţie sporită limbajului matematic în
vederea înţelegerii şi însuşirii lui corecte. Se va pune accent pe întocmirea modelului matematic al
problemelor economice şi apoi pe rezolvarea acestora.
Se pot face scheme care să evidenţieze legătura dintre noţiunile cuprinse în cele douăsprezece
unităţi ale materialului. Se vor face notiţe cuprinzând termenii şi ideile importante ale unităţilor
parcurse, durata medie a parcurgerii unei unităţi fiind de 3 ore.
După studierea fiecărei unităţi, se va face şi o scurtă recapitulare a noţiunilor dobândite în
unităţile anterioare, încercându-se să se stabilească totodată relaţia logică dintre acestea şi aplicarea lor
în rezolvarea problemelor specifice.
În ceea ce priveşte tehnoredactarea materialului de studiu, se poate observa o manşetă albă în
partea din stânga paginii, care îl poate ajuta pe cursant să facă observaţii, completări, acestea putând
constitui un suport pentru discuţiile ulterioare cu tutorele. Aceste manşete au fost folosite şi de autor
pentru anumite adnotări care atrag atenţia asupra informaţiilor importante din textul studiat. Prezentăm
în continuare un tabel cu semnificaţia pictogramelor şi locul unde acestea sunt inserate:

Simbol Descriere Simbol Descriere

Obiective Rezumat

Prezentare curs De reţinut

Exerciţii De notat

Cuvânt cheie Bibliografie

Test de
Studiu individual
autoevaluare

6
 Teme de reflecţie Timp de lucru

Exemple Introducere

Cunoştinţe
preliminare

Materialul de studiu individual este menit să faciliteze pregătirea studenţilor de la forma de

Învăţământ la distanţă. Această categorie de studenţi nu frecventează cursurile şi seminariile, cu
excepţia datei de întâlnire cu tutorele stabilite în calendarul disciplinei. De aceea, mai jos precizăm
modalitatea de colaborare cu titularul de disciplină, modul de redactare a lucrării de control, forma de
evaluare.
Colaborarea student-titularul disciplinei. În cazul în care există neînţelegeri cu privire la unele
aspecte din disciplina Matematică aplicată în economie, neînţelegeri cu privire la Testul de
autoevaluare, cu privire la stabilirea notei finale, ori în legătură cu alte aspecte legate de această
disciplină, studenţii pot contacta titularul de disciplină la:
Telefon facultate: 0258-806273 int. 166 (Catedra de matematică);
Telefon mobil: 0726 672345;
e-mail: wainbergdorin@yahoo.com
Se va răspunde studenţilor care se prezintă şi când transmit e-mail-ul vor trece la subiectul
mesajului ID. Matematici aplicate. În caz contrar, mesajul va fi şters din raţiuni de protecţie.

Recomandări privind evaluarea

Pentru examen, studenţii vor trebui să studieze cel puţin unul dintre titlurile menţionate la
Bibliografie pe baza Materialului de studiu individual.
Acceptarea la examen nu este condiţionată de predarea Testului de autoevaluare rezolvat de la
finalul Materialului.
Printre problemele şi întrebările de la examen pot figura şi cele formulate în Material.
Examinarea cunoştinţelor dobândite la disciplina Matematici aplicate în economie se va desfăşura sub
forma rezolvării unui test, similar celui de la finalul acestui Material. Nota finală va fi stabilită astfel:
70% din nota finală reprezintă rezolvările la problemele din testul primit în ziua examenului, şi 30%
reprezintă nota la Testul de autoevaluare de la finalul prezentului Material de studiu individual, pe care
studenţii îl vor preda în ziua prezentării la examen, nu ulterior acestuia!

7
 Test de evaluare iniţială

1. Utilizând metoda Gauss, să se rezolve următorul sistem de ecuaţii:

2. Utilizând metoda Cramer, să se rezolve sistemul de la punctul 1.

3. Un obiect costă 160 lei. Să se determine preţul acestuia după două scumpiri
succesive de 5%, respectiv 10%.

4. Cu ce procent s-a mărit preţul de 1200 lei al unui obiect, dacă acesta costă acum
1392 lei.

8
 Unitatea de studiu 1.
Rezolvarea unei probleme de programare liniară

Cuprins
Introducere..........................................................................................................9
Obiectivele unităţii de studiu...............................................................................9
1.1. Noţiuni generale.........................................................................................10
1.2. Soluţiile unei probleme de programare liniară...........................................13
1.3. Rezolvarea unei probleme de programare liniară.....................................14
Test de autoevaluare........................................................................................26
Probleme propuse.............................................................................................27
Concluzii............................................................................................................27

Introducere
În această primă unitate de studiu este prezentat modelul matematic
numit programare matematică, asociat unui fenomen economic. Sunt
date exemple pentru care se utilizează acest model, precum şi trei
metode de rezolvare a sa: metoda grafică, metoda algebrică,
algoritmul simplex.

Durata medie de parcurgere a unităţii de studiu este de 2 ore

Obiectivele unităţii de studiu

După parcurgerea unităţii 1, studenţii vor şti:
- să alcătuiască modelul matematic al unei probleme
economice;
- să identifice algoritmul de rezolvare al unei probleme de
programare liniară;
- să rezolve o problemă de programare liniară folosind
algoritmul simplex;
- să identifice situaţiile particulare ale algoritmului simplex şi
să rezolve problemele aplicând particularităţile specifice.
Termeni cheie
Problemă de programare liniară, soluţie degenerată a unei probleme, soluţie
nedegenerată a unei probleme, soluţie multiplă a unei probleme, soluţie
infinită, algoritmul simplex.

9
1.1. Noţiuni generale

Considerăm un fenomen economic care depinde de anumite mărimi variabile

x j, j = şi de anumiţi factori constanţi care pot fi exprimaţi cu ajutorul unor
vectori a i , i = . Fenomenul se desfăşoară după anumite reguli (restricţii) astfel
încât vectorul x = (x1, x2, …, xn)t şi ai sunt supuşi unor relaţii de forma

care constituie sistemul de restricţii.

Din mulţimea de soluţii ale sistemului de restricţii se vor alege acelea care
conduc la o valoare optimă a unei funcţii care depinde de vectorul x şi de alt vector
c, f(x,c), numită funcţie de eficienţă, sau funcţie scop sau funcţie de optimizat.

Definiţie 1.1.1. Se numeşte model matematic al fenomenului economic considerat

ansamblul format din sistemul de restricţii şi funcţia de optimizat. Vom scrie:

Observaţie 1.1.2.
1.Modelul matematic mai poartă numele de problemă de programare
matematică.
2. Prin optim se înţelege maxim sau minim.
Clasificarea problemelor de programare matematică se face:
a) După forma funcţiilor gk şi f:
 programare liniară - gk şi f sunt funcţionale liniare;
 programare neliniară – cel puţin una dintre gk şi f este neliniară.
b) După natura necunoscutelor:
 programare întreagă – vectorul x are componente întregi;
 programare mixtă – numai o parte din componentele lui x sunt
întregi;
 programare în numere reale nenegative;
 programare în numere reale.
c) După natura vectorilor a i şi c:
 programare deterministă - a i şi c sunt vectori constanţi;
 programare parametrică - a i şi c sunt variabili (depind de un
parametru);
 programare aleatoare sau stochastică – cel puţin unul dintre
vectorii ai şi c sunt variabile aleatoare.
Exemplul 1.1.3. Organizarea optimă a producţiei
Într-o societate pe acţiuni urmează să se producă n tipuri de produse
Pj, j= folosindu-se m tipuri de resurse R i ,i= . Cunoscând: cantitatea din
resursa R i necesară producerii unei unităţi din produsul P j –a ij, i= , j= ,
cantităţile disponibile b i din resursele R i, i= şi beneficiile unitare c j pentru
fiecare produs P j, j= , să se întocmească programul optim de producţie al
societăţii astfel încât beneficiul total să fie maxim.
Rezolvare:

10
 Notăm cu x j, j= cantitatea ce se va produce din produsul P j, j=
; funcţia de optimizat este funcţia ce reprezintă beneficiul total, iar restricţiile
se datorează limitării resurselor. Deci modelul matematic este:

Observaţie 1.1.4.
Dacă notăm A = (a ij) i=1,m, j= 1,n matricea tehnologică,
b = (b1, b2, …, bm) t – vectorul cantităţilor disponibile;
c = (c1, c2, …, cn) – vectorul beneficiilor unitare şi cu
x = (x1, x2, …, xn) t – vectorul necunoscutelor,
obţinem forma matricială a problemei de programare liniară:

Exemplul 1.1.5. Problema nutriţiei (raţiei) optime

Se consideră substanţele nutritive S i , i= , necesare vieţii, din care
trebuie să fie asigurate zilnic cantităţile b i, i= . Aceasta se realizează prin
consumarea alimentelor A j , j = , care conţin acele substanţe nutritive.
Cunoscând cantităţile a ij din substanţele S i ce se găsesc în alimentele A j , i= ,
j= , precum şi costurile unitare ale alimentelor A j, j = , să se întocmească o
raţie optimă astfel încât costul total să fie minim.
Rezolvare:
Restricţiile reflectă necesitatea ca să fie asigurate cantităţile zilnice
trebuincioase. Fie x j, j = , cantitatea ce se va consuma din alimentele A j , iar
funcţia de optimizat reprezintă cheltuielile totale cu raţia. Modelul matematic este:

sau sub formă matricială:

Observaţie 1.1.6. Este util ca în problemele de programare liniară restricţiile să fie

sub forma unor egalităţi deci să avem problema canonică (standard), adică:

Transformarea inecuaţiilor restricţiilor în ecuaţii se realizează prin

introducerea unor variabile de compensare (ecart) considerate, şi ele, nenegative.

11
Exemplul 1.1.7. Alocarea optimă de fonduri băneşti
Să considerăm un anumit fond bănesc de valoare S unităţi monetare (u.m.)
care trebuie repartizat sau alocat:
1. la un moment dat pentru n activităţi sau
2. unei anumite activităţi la n momente (adică eşalonat).
Să notăm cu x j, j = , partea din fond care se alocă pentru
activitatea de ordin j (sau la momentul j) şi cu c j, profitul realizat pentru
fiecare unitate monetară investită sau alocată. Atunci profitul total va fi: f =
c1 x1 + c2 x2 + … + cn xn urmând a fi maximizat, ceea ce conduce la problema:

Este posibilă adăugarea unor restricţii de forma  j  x j   j, 1  j  p  n, în

care x j   j  0 ar însemna „un prag sau nivel minimal necesar util” sub care
investiţia nu prezintă interes, iar x j   j  S ar însemna „un nivel maximal posibil de
credit garantat” care poate fi acoperit de către debitor prin diverse garanţii sau cu
averea sa. În acest caz problema devine:

Observaţie 1.1.8.
1. De obicei se urmăreşte satisfacerea totală atât a cererii cât şi a
disponibilului şi prin urmare restricţiile problemei apar ca egalităţi. Acestora li se pot
adăuga şi alte restricţii cu semnificaţii diverse.
2. Dacă în locul unui anumit produs care să poată fi efectiv transportat
considerăm că a 1 – a m sunt suprafeţe cultivabile de o aceeaşi calitate, iar B 1 … Bn
sunt n culturi care au nevoie de un astfel de teren, atunci problema amplasării optime
a culturilor are modelul matematic anterior, dar nu este vorba de o operaţiune de
transport. Este unul din motivele pentru care spunem modele de tip transport.
1.2. Soluţiile unei probleme de programare liniară

Fie problema de programare liniară sub forma:

unde A  M m,n (R), b  M m,1 (R), c  M 1,n (R) şi x  M n,1(R).

Definiţie 1.2.1. Spaţiul vectorial n-dimensional căruia îi aparţin vectorii x din care se
determină soluţiile sistemului de restricţii se numeşte spaţiul soluţiilor. (Acesta este o
parte a spaţiului vectorial R n ) .

12
Observaţie 1.2.2. Presupunem că sistemul de restricţii este compatibil şi de
asemenea că rang A = m  n.

Definiţie 1.2.3. Se numeşte soluţie posibilă (admisibilă) a problemei de programare

liniară orice vector x  R n care satisface simultan restricţiile problemei precum şi
condiţiile de semn:
X p = x  R n A · x = b , x  0 
Teoremă 1.2.4. Au loc afirmaţiile:
1. X p este o mulţime convexă.
2. Dacă o problemă de programare liniară admite mai mult de o soluţie
posibilă atunci ea admite o infinitate de soluţii posibile.
Observaţie 1.2.5. Afirmaţia 1) a teoremei este valabilă numai pentru problemele de
programare liniară în variabile continue.
Definiţie 1.2.6.
1. Se numeşte soluţie de bază a problemei de programare liniară o soluţie
posibilă a problemei care are cel mult m componente strict pozitive iar celelalte sunt
zero.
2. O soluţie de bază a problemei de programare liniară se numeşte:
- nedegenerată dacă are exact m componente strict pozitive,
- degenerată dacă are mai puţin de m componente strict pozitive.

Observaţie 1.2.7.
1. X B  X p egalitatea are loc dacă X p =  sau se reduce la un punct.
2. Dacă presupunem că primele m coloane ale matricei A formează o bază în
R şi să o notăm cu B adică B = a1, a2, …, am , m  n şi notăm cu S celelalte
m

coloane ale matricei A, partiţionând corespunzător dimensional vectorii c = (c B, cS) şi

x = (xB, xS) t, atunci problema poate fi scrisă sub forma:

punând în evidenţă necunoscutele principale x B care se vor numi componente bazice

şi necunoscutele secundare x S care se vor numi componente nebazice.
Fixând, conform definiţiei 1, x S = 0 rezultă componentele bazice ale soluţiei
x B = B –1 · b şi prin urmare soluţia de bază a problemei este:
x = (B –1 · b, 0) t  X B  X p
pentru care funcţia obiectiv are valoarea:
f = c B · B –1 · b.
Teorema 1.2.8. Au loc afirmaţiile:
1. Orice soluţie de bază a problemei de programare liniară este vârf al
mulţimii soluţiilor posibile ale problemei şi reciproc.
2. Dacă X p   atunci X B  .

Definiţie 1.2.9.
1. O soluţie posibilă x1 este mai bună decât soluţia posibilă x 2 dacă f(x1) 
f(x ) când opt = min respectiv f(x1)  f(x2) când opt = max.
2

2. O soluţie de bază x 0 este soluţia optimă dacă f(x 0) are cea mai mare
valoare posibilă (opt = max) respectiv cea mai mică valoare posibilă (opt = min).

13
Teorema 1.2.10. Au loc afirmaţiile:
1. Mulţimea soluţiilor optime ale unei probleme de programare liniară este
mulţime convexă.
2. Soluţia optimă a problemei de programare liniară se află printre vârfurile
mulţimii soluţiilor posibile X p ale problemei.

1.3. Rezolvarea unei probleme de programare liniară

Metoda grafică 1.3.1. de rezolvare a problemelor de programare liniară presupune

următoarele etape:
- se determină grafic mulţimea soluţiilor posibile X P;
- se determină mulţimea soluţiilor de bază X B sau mulţimea vârfurilor
lui XP;
- se determină soluţia optimă şi deci mulţimea soluţiilor optime X O
calculând valoarea funcţiei obiectiv în fiecare vârf a lui X P şi
alegând, după caz, valoarea cea mai mică sau cea mai mare.

Observaţie 1.3.2. Metoda grafică este limitată ca aplicare la problemele cu două şi

uneori cu trei variabile.

Exemplul 1.3.3. Să se rezolve problema:

x2 d4

d3
A

Xp B
D

0 x1
Vârfurile lui X P sunt A, B, C, D şi avem: C
d2 d1
A , f (A) = , B ,

f (B) = , C(1, 0) , f (C) = 2, D (0,1 ) , f (D) = 5,

adică f max = iar x opt = (problema are optim finit unic)

Observaţie 1.3.4. Dacă în exemplul anterior s-ar fi cerut minimizarea funcţiei

obiectiv atunci f min = 2, iar x opt = (1, 0) t - optim finit unic.

Metoda algebrică 1.3.2. de rezolvare a problemelor de programare liniară comportă

următoarele etape:
- se determină toate soluţiile de bază ale sistemului de restricţii;
- se determină soluţia optimă calculând valoarea funcţiei obiectiv
pentru fiecare soluţie de bază şi alegând, după caz, valoarea cea mai
mică sau cea mai mare.

14
Observaţie 1.3.3. Metoda algebrică este utilă, dar limitată datorită volumului mare
de calcule.

Exemplul 1.3.4. Să se rezolve problema:

opt f = 2 x1 + 3 x2 + x3 +5 x4

Rezolvare:
Notând cu B i,j = a i, a j , 1  i  j  4 matricele pătrate de ordinul doi ce
pot fi formate cu ajutorul coloanelor matricei sistemului A găsim:
B12 = , B12-1 = , xB= · = ; f (xB) =
22;
B13 = , B13-1 = , xB= · = ;

B14 = , B14-1 = , xB= · = ;f (xB)

= ;

B23 = , B23-1 = , xB= · = ; f (xB) = 18;

B24 = , B24-1 = , xB= · = ;

B34 = , B34-1 = , xB= · = ; f (xB) =

18.
Deducem astfel că problema are 4 soluţii de bază şi anume:
x 1 = (2, 6, 0, 0) t ; x 2 = ( , 0, 0, ) t, x 3 = (0, 4, 6, 0) t şi x 4 = (0, 0, 8, 2) t

Obţinem f max = şi x opt = ( , 0, 0, ) t, optimul fiind unic, şi f min = 18 şi

atunci x opt =  · x3 + (1- ) · x4 = (0, 4 , 8 - 2 , 2 - 2 ) t , 0    1 optim finit
multiplu.
Observaţie 1.3.5. Se remarcă faptul că atât metoda grafică precum şi metoda
algebrică au două etape şi anume:
1. etapa de enumerare a soluţiilor posibile de bază;
2. etapa de evaluare a soluţiilor posibile de bază.
Ca urmare, cele două metode pot fi socotite drept cazuri particulare ale aşa numitei
metode de enumerare şi evaluare a soluţiilor întâlnită şi în alte clase de probleme de
optimizare.

Algoritmul simplex 1.3.6. se bazează pe metoda eliminării complete de rezolvare a

unui sistem de ecuaţii liniare adaptată scopului urmărit, adică găsirea numai a
soluţiilor cu componente nenegative, respectiv a soluţiei pentru care funcţia liniară f
are valoarea maximă.
Observaţie 1.3.6. Denumirea algoritmului este legată de faptul că un poliedru
convex se mai numeşte şi simplex. Având în vedere că soluţiile optime ale unei
probleme de programare liniară se află printre vârfurile poliedrului convex
(simplexului) al soluţiilor posibile X P, scopul metodei simplex este de a alege soluţia
optimă pornind de la un vârf (sau de la o soluţie de bază) oarecare şi trecând apoi la

15
un alt vârf care să fie o soluţie mai bună decât precedenta. Se evită astfel enumerarea
şi evaluarea tuturor soluţiilor de bază expusă în metoda grafică şi algebrică.
Algoritmul simplex va lua sfârşit în două situaţii şi anume când:
1. S-a ajuns la cea mai bună soluţie, constatându-se dacă problema are optim unic
sau optim multiplu;
2. Nu se poate ajunge la cea mai bună soluţie (pentru că nu există) şi se ia decizia că
problema nu are optim finit.

Observaţie 1.3.7.
1. Presupunem mai departe că opt = max, deoarece dacă se cere minim din
relaţia max (-f) = - min (f) rezultă că este suficient să se determine
max (-f), iar apoi cu semn schimbat vom avea min f.
2. Întrebările la care trebuie să răspundă algoritmul simplex sunt
următoarele: cum pornim, cum trecem de la o soluţie la alta mai bună şi cum ne
oprim.
Fie problema de programare liniară:

Folosind metoda eliminării complete se determină o soluţie de bază şi

presupunem că s-au redus primele m coloane:

În ipoteza că  i  0, i = soluţia de bază este:

x B = ( 1, 2, …, m, 0, …, 0 ) şi f (x B ) = c1 1 + c2 2 + … + cm m.
0 t 0

Trecem de la soluţia de bază x B0 la o altă soluţie de bază x B1 care să fie mai

bună şi în care necunoscuta principală să fie x m+1 în locul lui x 1. Aceasta se face
reducând coloana lui x m+1 şi presupunând că pivot este
 1, m+1. Avem:

16
 .

Dacă elementele de pe ultima coloană sunt  0 atunci soluţia nou obţinută

este soluţie de bază:

x B1 =

Avem şi ,i= rezultă  1m+1 0 şi

(raport minim) adică trecerea de la o soluţie de bază la altă

soluţie de bază se face reducând o coloană cu respectarea condiţiilor în alegerea

pivotului:
- elementul pivot trebuie să fie pozitiv;
- dacă în coloana care se reduce sunt mai multe elemente pozitive
atunci pivotul va fi acela care furnizează cel mai mic raport când
termenii liberi se împart la elementele pozitive corespunzătoare, din
această coloană.
Soluţia obţinută x B1 va fi mai bună decât x B0 dacă f (x B1 ) – f (x B0 )  0.

Avem f (x B1 ) – f (x B0 ) = c m+1 - c1 1 – c2 -…-

- cm = c m+1 – (c 1  1m+1 + c 2  2m+1 + …+ c m  mm+1 ) =

=  (c m+1 –f m+1) dacă f m+1 = c 1  1m+1 + c 2  2m+1 +…+ c m  mm+1 = c B·P m+1
Cum   0 se obţine condiţia c m+1 – f m+1  0, care ne asigură că prin trecerea de la x
B la soluţia x B s-a obţinut o soluţie mai bună.
0 1

Atunci când toate diferenţele c j – f j  0 soluţia nu se mai poate îmbunătăţii

şi acea soluţie de bază este soluţia optimă a problemei.
Etapele algoritmului simplex sunt:
1. se determină o soluţie de bază a problemei;
2. se calculează valorile f j = c B · P j, j = ;
3. dacă există diferenţe c j – f j  0 se trece la o altă soluţie de bază (prin
reducerea coloanei cu diferenţa c j – f j cea mai mare) iar dacă nu există c j –
f j  0 se trece la etapa 5;
4. se repetă etapele 2 şi 3 până nu mai există diferenţe c j – f j  0 ;
5. se scrie soluţia optimă: variabilele bazice au valorile corespunzătoare în
coloana termenilor liberi, iar cele secundare sunt toate zero, iar valoarea pentru f max
= cB · B –1· b.
17
Observaţie 1.3.8.
1. Calculele presupuse de etapele algoritmului simplex se pot organiza într-
un tabel informaţional, denumit tabelul simplex, în care sunt uşor de găsit numeroase
informaţii ale soluţionării prin intermediul rezultatelor numerice.
2. Prin trecerea de la o etapă (iteraţie) a tabloului simplex la alta se ţine
seama de următoarele reguli:
- se împarte linia pivotului cu pivotul;
- coloana pivotului va avea cifra 1 în locul pivotului şi zero în rest;
- elementele celorlalte coloane ale noului tablou simplex se determină
folosind regula dreptunghiului sugerată de schema:
 ik  ij

sk  sj
din care citim formal că „în locul lui sk noua valoare va fi egală cu
(diagonala pivotului – cealaltă diagonală) / pivot ” înţelegând că diagonala pivotului
este produsul sk ij iar cealaltă diagonală este produsul  i k  sj .

18
Exemplul 1.3.9. Să se rezolve cu algoritmul simplex, următoarea problemă de
programare liniară:
max f = x 1 + 2 x 2 + 3 x 3 + 5 x 4

Rezolvare:
Etapele algoritmului simplex vor fi parcurse prin întocmirea
următorului tabel:
1 2 3 5 c
cB B
P1 P2 P3 P4 b
- - [2] 1 -1 2 6
- - 1 1 2 0 5
- - -1 2 1 1 8
1 P1 1 1 /2 -1 /2 1 3
- - 0 [1 /2] 5 /2 -1 2
- - 0 5 /2 1 /2 2 11
1 P1 1 0 -3 2 1
2 P2 0 1 5 -2 4
- - 0 0 -12 [7] 1
1 P1 1 0 [3/7] 0 5/7
2 P2 0 1 11/7 0 30/7
5 P4 0 0 -12/7 1 1/7
fj 1 2 -5 5 10
cj - f j 0 0 8 0 -
3 P3 7/3 0 1 0 5/3
2 P2 -11/3 1 0 0 5/3
5 P4 4 0 0 1 3
fj 59/3 2 3 5 70/3
cj - f j -56/3 0 0 0 -
În consecinţă, am obţinut soluţia optimă, deoarece toate diferenţele c j - fj
sunt nepozitive, şi astfel x opt = (0, 5/3, 5/3, 3) t cu f max = 70/3.

Cazul soluţiei infinite 1.3.10. Există situaţii în care funcţia de optimizat are un
maxim infinit, adică valoarea ei poate fi făcută oricât de mare. Aceasta se întâmplă
dacă există o diferenţă cj - fj pozitivă, dar pe coloana acesteia nu există nici un
element pozitiv, care să fie luat pivot.
Exemplul 1.3.11. Să se rezolve problema de programare liniară:
max f = 4 x 1 - x 2 + 2 x 3 + 4 x 4

Rezolvare:
Vom lucra în mod obişnuit în tabelul simplex:
4 -1 2 4 c
cB B
P1 P2 P3 P4 b
- - 6 1 0 -3 11
- - 4 -1 [2] 0 8
- - 4 -1 0 3 8
- - 6 1 0 -3 11
2 P3 4 -1 /2 1 0 4

19
 - - 4 -1 0 [3] 8
- - [10] 0 0 0 19
2 P3 2 -1 /2 1 0 4
4 P4 4/3 -1/3 0 1 8/3
4 P1 1 0 0 0 19/10
2 P3 0 -1 /2 1 0 1/5
4 P4 0 -1/3 0 1 2/15
fj 4 -7/3 2 4 128/15
cj - f j 0 4/3 0 0 -
Întrucât c2 – f2 = iar  12 = 0,  22 =  0 ,  32 = 0,

avem deci că fmax = + şi luând x 2 = M  0, x 1 = , x3 = , x4 =

, avem: f = , şi astfel când M    f  .

Degenerarea în problemele de programare liniară 1.3.12. Soluţia de bază este

degenerată dacă numărul componentelor sale mai mari decât 0 este mai mic decât m
(în coloana b există 0). Această situaţie apare, fie la început, fie pe parcurs, când la
introducerea în bază a unui vector, există mai multe componente pozitive care
furnizează acelaşi raport minim. Pentru a evita fenomenul de ciclare, elementul pivot
va fi ales acela care furnizează cea mai mică linie în ordonarea lexicografică.
Definiţie 1.3.13. Linia (x1, x2, …, xn ; x) este mai mică în ordonarea lexicografică
decât linia (y1, y2, …, yn ; y) dacă x  y sau x = y şi x1  y1, sau x = y, x1 = y1, şi x2 
y2, sau … x = y, x1 = y1, … , xn-1 = yn-1 şi xn  yn.
Exemplul 1.3.14. Să se rezolve problema de programare liniară:
max f = 4 x 1 + x 2 + 5 x 3 + 2 x 4

Rezolvare:
4 1 5 2 c
cB B
P1 P2 P3 P4 b
- - 1 3 1 1 7
- - [2] 1 1 1 7
- - 1 2 3 0 8
- - 0 [5/2] 1 /2 1 /2 7/2
4 P1 1 1 /2 1 /2 1 /2 7/2
- - 0 3/2 5 /2 -1 /2 9/2
1 P2 0 1 1/5 1/5 7/5
4 P1 1 0 2/5 2/5 14/5
- - 0 0 [11/5] -4/5 12/5
1 P2 0 1 0 [3/11] 13/11
4 (*) P1 1 0 0 6/11 26/11
5 P3 0 0 1 -4/11 12/11
fj 4 1 5 7/11 177/11
cj - f j 0 0 0 15/11 -

20
 2 P4 0 11/3 0 1 13/3
4 P1 1 -2 0 0 0
5 P3 0 4/3 1 0 8/3
fj 4 6 5 2 22
cj - f j 0 -5 0 0 -
În tabelul marcat cu (*) a fost ales elementul pivot 3/11, deoarece linia
întâi, împărţită la 3/11 , este mai mică în ordonarea lexicografică decât linia a doua,
împărţită la 6/11.
Soluţia optimă obţinută este degenerată:
x opt = (0, 0, 8/3, 13/3) t pentru care f max = 22, unde x 1 = 0 deşi este
necunoscută principală.

Soluţii multiple. Soluţia generală 1.3.15. Analizând tabelul simplex care conţine
soluţia optimă se constată că numărul zerourilor din linia diferenţelor c j – f j este mai
mare decât m (diferenţele c j – f j corespunzătoare vectorilor bazei optime sunt nule )
atunci problema poate avea mai multe soluţii optime. Celelalte soluţii optime se
obţin reducând pe rând, dacă este posibil, coloanele care au diferenţa c j – f j = 0.
După obţinerea tuturor soluţiilor optime se scrie soluţia generală ca şi combinaţie
liniară convexă a acestora.
Exemplul 1.3.16. Să se rezolve problema de programare liniară:
max f = 4 x 1 + 5 x 2 + 8 x 3 + 2 x 4 + 3 x 5

Rezolvare:
Aplicăm algoritmul simplex în următorul tabel:
4 5 5 2 3 c
cB B
P1 P2 P3 P4 P5 b
- - 2 3 3 1 2 10
- - 1 -1 2 -6 3 5
- - [1] 1 1 -2 2 4
- - 0 [1] 1 5 -2 2
- - 0 -2 1 -4 1 1
4 P1 1 1 1 -2 2 4
5 P2 0 1 1 5 -2 2
- - 0 0 [3] 6 -3 5
4 P1 1 0 0 -7 4 2
5 P2 0 1 0 3 -1 1/3
8 P3 0 0 1 2 -1 5/3
4 P1 1 0 0 -7 [4] 2
fj 4 5 8 3 3 23
cj - fj (*) 0 0 0 -1 0 -
5 P2 1 /4 1 0 5/4 0 5/6
8 P3 1 /4 0 1 1 /4 0 13/6
3 P5 1 /4 0 0 -7/4 1 1 /2
fj 4 5 8 3 3 23
cj - f j 0 0 0 -1 0 -
Prima soluţie optimă este x opt = (2, 1/3, 5/3, 0, 0) , f max = 23, dar cum pe
1 t

linia diferenţelor c j – f j marcată (*) sunt patru zerouri soluţia nu este unică, cea de a
doua soluţie optimă se obţine prin reducerea coloanei P 5 deoarece c 5 – f 5 = 0. Astfel,
x opt2 = (0, 5/6, 13/6, 0, 1 /2) t , f max = 23, iar soluţia generală va fi: x opt =  1 · x opt1 + 
2 · x opt cu  1 ,  2  0 şi
2

 1 +  2 = 1, adică:

21
 x opt = , f max =23.

Observaţie 1.3.17. De obicei, soluţia generală nu este şi soluţie de bază, numărul

componentelor sale nenule fiind mai mare decât m.

Problema generală de programare liniară 1.3.18. Problema generală de

programare liniară este o problemă de programare liniară în care restricţiile
problemei sunt ecuaţii şi inecuaţii, adică:
opt f = c·x
 A1  x  b1
A  x  b
 2 2

 3A  x  b3
 x  0
Rezolvarea acestei probleme de programare generală se face transformând
inecuaţiile restricţiilor în ecuaţii cu ajutorul variabilelor de compensare, adică:
opt f = c·x
 A1  x  b1
A  x  E  x  b
 2 1  2

 3A  x  E 2  x  b3
 x, x - , x   0
unde E1 şi E2 sunt matricele unitate de ordinul corespunzător.

Exemplul 1.3.19. Să se rezolve problema de programare liniară:

max f = 4 x 1 +2 x 2 + 5 x 3 + x 4
 x1  3 x 2 - x 3  2 x 4  5

 - x1  2 x 2  x 3  5 x 4  3

2 x1  x 2  2 x 3  x 4  8
x 2x x x 7
 1 2 3 4

x j  0 j  1,4

Rezolvare:
Introducând necunoscutele de compensare x 5, x 6, x 7 avem:
max f = 4 x 1 +2 x 2 + 5 x 3 + x 4
 x1  3 x 2 - x 3  2 x 4  5

 - x1  2 x 2  x 3  5 x 4 - x 5  3

2 x 1  x 2  2 x 3  x 4  x 6  8
 x 2x x x x 7
 1 2 3 4 7

x j  0 j  1,7

Pentru rezolvare construim tabelul simplex următor:
4 2 5 1 0 0 0 c
cB B
P1 P2 P3 P4 P5 P6 P7 b

22
 - - 1 3 -1 2 0 0 0 5
- - -1 [2] 1 5 -1 0 0 3
0 P6 2 1 2 1 0 1 0 8
0 P7 1 2 1 2 0 0 1 7
- - [5/2] 0 -5/2 -11/2 3/2 0 0 1/ 2
2 P2 -1 /2 1 1 /2 5/2 -1 /2 0 0 3/2
0 P6 5/2 0 3/2 -3/2 1/ 2 1 0 13/2
0 P7 2 0 0 -3 1 0 1 4
4 P1 1 0 -1 -11/5 3/5 0 0 1/5
2 P2 0 1 0 7/5 -1/5 0 0 8/5
0 P6 0 0 [4] 4 -1 1 0 6
0 P7 0 0 2 7/5 -1/5 0 1 18/5
fj 4 2 -4 -6 2 0 0 4
cj – f j 0 0 9 7 -2 0 0 -
4 P1 1 0 0 -6/5 7/20 1/ 4 0 17/10
2 P2 0 1 0 7/5 -1/5 0 0 8/5
5 P3 0 0 1 1 -1/4 1/ 4 0 3/ 2
0 P7 0 0 0 -3/5 [3/10] -1/ 2 1 3/5
fj 4 2 5 3 -1/ 4 9/4 0 35/2
cj – f j 0 0 0 -2 1/ 4 -9/4 0 -
4 P1 1 0 0 -1/ 2 0 5/6 -7/6 1
2 P2 0 1 0 1 0 -1/ 3 2/ 3 2
5 P3 0 0 1 1/ 2 0 -1/6 5/6 2
0 P5 0 0 0 -2 1 -5/3 10/3 2
fj 4 2 5 5/2 0 11/6 5/6 18
cj – f j 0 0 0 -3/ 2 0 -11/6 -5/6 -
Astfel, soluţia optimă a problemei generale este:
x opt = (1, 2, 2, 0) t, f max = 18.
Se vede că nu au fost scrise valorile necunoscutelor de compensare
x 5 = 2, x 6 = 0, x7 = 0.
Probleme cu soluţii impuse 1.3.20. Există situaţii practice în care, din motive
diverse, anumite componente ale soluţiei sunt restricţionate să ia:
1. anumite valori, adică xj = pj pentru un j dat;
2. valori în anumite intervale, adică pj  xj  qj, pentru un j dat.
Astfel de situaţii sunt socotite modele sau probleme cu soluţii impuse
atunci când restricţii precum cele menţionate sunt altele decât cele de semn.

Fie problema (*)

Dacă se impune condiţia xj = pj, atunci se reduce problema la (n-1)

variabile, renunţând la variabila xj în funcţia obiectiv care devine g = f – c jpj şi având
în vedere că termenul liber va deveni b = b - p jPj, unde Pj este coloana coeficienţilor
lui xj din matricea A. Problema devine:

23
Aplicaţia 1.3.21. Să se rezolve problema:
[max]f = x1 + 2x2 + 3x3 +4x4 + 5x5

Rezolvare:
Problema cu soluţie impusă devine:
[max]g= x1 + 2x2 + 3x3 +4x4
2 x1  x 2  x3  3x 4  16

 x1  2 x 2  3 x3  x 4  16
x  0

1 2 3 4 c
cB B
P1 P2 P3 P4 b
- - 2 1 1 [3] 16
- - 1 2 3 1 16
4 P4 2/3 1/3 1/3 1 16/3
- - 1/3 5/3 [8/3] 0 32/3
4 P4 5/8 1/8 0 1 4
3 P3 1/8 5/8 1 0 4
fj 23/8 19/8 3 4 28
cj - f j -15/8 -3/8 0 0 -
din care deducem că soluţia problemei date este:
xopt = (0, 0, 4, 4, 4)t cu fmax= 44.
Observaţie 1.3.22. Soluţiile problemelor “cu soluţii impuse” nu mai sunt soluţii de
bază (ele pot avea mai multe componente strict pozitive decât dimensiunea bazei).
Revenind la problema (*), dacă se adaugă o restricţie de tipul p j  xj  qj
atunci avem de soluţionat problema:
[opt]f = cx

Aplicaţia 1.3.23. Să se rezolve problema din aplicaţia 1.3.21.cu condiţia

suplimentară :
2  x5  6.
Rezolvare:
Avem de rezolvat problema adusă la forma canonică:
[max]f = x1 + 2x2 + 3x3 +4x4 + 5x5

iar rezolvarea este dată în tabelul:

1 2 3 4 5 0 0 c
cB B
P1 P2 P3 P4 P5 P6 P7 b

24
 - - 2 1 1 [3] 1 0 0 30
- - 1 2 3 1 4 0 0 32
0 P6 0 0 0 0 1 1 0 6
- - 0 0 0 0 1 0 -1 2
4 P4 2/3 1/3 1/3 1 1/3 0 0 10
- - 1/3 5/3 [8/3] 0 11/3 0 0 22
0 P6 0 0 0 0 1 1 0 6
- - 0 0 0 0 1 0 -1 2
4 P4 5/8 1/8 0 1 -1/8 0 0 29/4
3 P3 1/8 5/8 1 0 11/8 0 0 33/4
0 P6 0 0 0 0 1 1 0 6
- - 0 0 0 0 [1] 0 -1 2
4 P4 5/8 1/8 0 1 0 0 -1/8 15/2
3 P3 1/8 5/8 1 0 0 0 11/8 11
0 P6 0 0 0 0 0 1 [1] 4
5 P5 0 0 0 0 1 0 -1 2
fj 23/8 19/8 3 4 5 0 -11/8
cj-fj -15/8 -3/8 0 0 0 0 11/8 -
4 P4 5/8 1/8 0 1 0 1/8 0 8
3 P3 1/8 5/8 1 0 0 11/8 0 11/2
0 P7 0 0 0 0 0 1 1 4
5 P5 0 0 0 0 1 1 0 6
fj 23/8 19/8 3 4 5 11/8 0 157/2
cj-fj -15/8 -3/8 0 0 0 -11/8 0 -

din care deducem că şi fmax=157/2

Observaţie 1.3.24.
1) Fără cele două „impuneri” suplimentare problema considerată are soluţia
optimă şi fmax = 52.
2) Din punct de vedere economic, modelele cu soluţii impuse au diverse
semnificaţii sau interpretări (în cazul alocării de fonduri putând vorbi de alocarea
într-un domeniu a unei anumite sume fixe sau cel mult egală cu un anumit plafon sau
cel puţin egală cu un anumit plafon, etc.). Din punct de vedere matematic, soluţiile
impuse unui anumit model înseamnă adăugarea unor noi restricţii care, de regulă,
restrâng mulţimea soluţiilor posibile corespunzătoare problemei date şi implicit
mulţimea soluţiilor optime (ajungându-se uneori chiar la probleme fără soluţii).

Test de autoevaluare

1. Să se rezolve prin metoda grafică (geometrică) problema:

2. Să se rezolve prin metoda algebrică problema:

25
 3. Aplicând algoritmul simplex să se rezolve problemele:

Probleme propuse

1. Să se rezolve prin metoda grafică (geometrică) problema:

2. Să se rezolve prin metoda algebrică problema:

3. Aplicând algoritmul simplex să se rezolve problemele:

26
Concluzii
Metoda simplex are câteva calităţi care o fac preferabilă metodei „căutării printre
soluţiile de bază” (sau „a enumerării şi evaluării soluţiilor de bază”). În primul rând
se remarcă simplitatea calculelor, iar în al doilea rând se constată că fiecare soluţie
de bază analizată este mai bună (sau cel puţin la fel de bună) ca precedenta. Această
calitate selectivă este un argument important privind aprecierea eficienţei metodei
simplex. Având în vedere că, prin modul în care a fost construit, algoritmul simplex
a fost uşor programabil pe calculator, putem trage concluzia că metoda simplex este,
în general, un procedeu eficient de soluţionare a unui model de optimizare liniar.
Deoarece variabilele problemei sunt supuse doar restricţiei de pozitivitate,
vom constata că procedeul de mai sus nu este aplicabil (sau că este inoperabil), în
general, dacă restricţia devine:
xD sau x  D  Nn sau x  D  Nm x , m < n.
De asemenea, soluţionarea prin algoritmul simplex a pornit de la minimum
două ecuaţii liniare, ceea ce face ca procedeul să fie inoperabil în cazul particular
(dar destul de frecvent) întâlnit în probleme de alocare de fonduri financiare (şi nu
numai) în care variabilele sunt legate doar printr-o condiţie.
Aceste observaţii arată că, deşi este eficientă în practică, metoda simplex nu este
universal valabilă în programarea liniară, deci se poate spune că aplicabilitatea sa are
anumite limite.

Bibliografie
1. Blaga P., Mureşan A., Matematici aplicate în economie, vol. I, vol.
II, Transilvania Press, Cluj-Napoca, 1996.
2. Butescu V., Baz D, Stremţan N., Matematici superioare, lito.
Universitatea „Dimitrie Cantemir”, Bucureşti, 1994.
3. Căbulea L., Cercetări operaţionale, Editura Dacia, Cluj – Napoca,
2002.
4. Cenuşă Gh. şi colectiv, Matematici pentru economişti, Editura
Cison, Bucureşti, 2000.
5. Filip A., Matematici aplicate în economie, Editura A.S.E. Bucureşti,
2002.
6. Ionesu H., Dinescu C., Săvulescu B., Probleme ale cercetării
27
 operaţionale, Editura Didactică şi Pedagogică, Bucureşti, 1972.
7. Popescu O. şi colectiv, Matematici aplicate în economie, vol. I şi II,
Editura Didactică şi Pedagogică, Bucureşti, 1993.
8. Purcaru I., Matematici generale şi elemente de optimizare, Editura
Economică, Bucureşti, 1998.
9. Săcuiu I., Toma N., Matematici speciale aplicate în economie, Lito
ASE, Bucureşti, 1984.
10. Ştefănescu A., Zidăroiu C., Cercetări operaţionale, Editura Didactică şi
Pedagogică, Bucureşti , 1981.

28