Documente Academic
Documente Profesional
Documente Cultură
Cursul 2
Cuprins
1
Teoria problemelor de optimizare
liniară cu restricţii(POLR)
Obiective
Obiectivele acestui curs sunt:
Problema generală de programare liniară a fost formulată pentru prima dată în anul
1939 de către L.V. Kantorovici şi a fost prezentată împreună cu o metodă de rezolvare,
numită metoda "multiplicatorilor rezolvanţi". Kantorovici recunoaşte că o serie de pro-
bleme economice pot fi descrise cu acelaşi model matematic şi pentru aceste modele pot
fi elaborate metode numerice de rezolvare.
În 1941, Frank Hitchcock a formulat modelul de transport (care, de asemenea, este un
model special de programare liniară). O analiză riguroasă a problemei a fost efectuată de
T.C. Koopmans, în 1949. George Stigler, în 1945, formulează un model matematic pentru
stabilirea hranei raţionale pentru animale.
Toate aceste modele împreună cu alte modele speciale din timpul celui de al doilea
Război Mondial arată necesitatea elaborării unor metode eficiente de rezolvare numerică
ale acestora.
O importanţă deosebită pentru programarea liniară a constituit-o metoda simplex
elaborată în 1947 de către George Dantzig. Pentru descoperirea şi dezvoltarea programării
liniare, în 1976, Dantzig a primit premiul naţional al Statelor Unite ale Americii.
Modelul matematic de programare liniară utilizat în reprezentarea unui sistem econo-
mic este construit dintr-un ansamblu de relaţii liniare, dintre care una reflectă obiectivul
urmărit, iar celelalte cuprind restricţiile economice sau tehnologice.
Unde putem aplica modelul de programare liniară?
Acest model acoperă o clasă de probleme de mare importanţă practică, cum sunt cele
de planificare, organizare, amestec, transporturi, investiţii, reparaţii şi altele.
O serie de probleme, care nu sunt probleme de programare liniară, pot fi reduse prin
transformări convenabile la acest tip de model.
2
O altă clasă de probleme, care nu sunt liniare, pot fi rezolvate prin intermediul unui
şir de modele liniare, ale căror soluţii determină un şir care admite un subşir convergent
către soluţia optimă a modelului considerat.
Faptul că, într-un model de programare liniară, funcţia de scop este liniară atrage
după sine două proprietăţi importante. Pe de o parte, valorile variabilelor independente
din funcţia de scop sunt proporţionale cu valoarea variabilei respective (dacă costurile
unitare de producţie reprezintă x u.m. pentru un produs p fixat, atunci pentru n produse
vor fi de n ori mai mare) - adică are loc proprietatea de proporţionalitate.
Pe de altă parte, valorile componentelor funcţiei de scop sunt independente între ele
(dacă se produc n produse, atunci costurile de producţie ale produsului pi nu sunt influ-
enţate de costurile de producţie ale produsului pj ). Această proprietate este cunoscută ca
proprietatea de aditivitate.
Pe lângă proprietăţile prezentate, un model liniar, care descrie un fenomen economic,
o problemă practică, trebuie să verifice proprietatea de divizibilitate şi certitudine.
Prin proprietatea de divizibilitate se înţelege că variabilele pot lua şi va-lori raţionale.
Proprietatea de certitudine înseamnă că toate datele de intrare (coeficienţii funcţiei de
scop, elementele matricei restricţiilor, termenii liberi din membrul drept al restricţiilor)
sunt cunoscute apriori.
3
Definiţia 2.1.3. O mulţime M de vectori din Rn se numeşte semispaţiu dacă există
a ∈ Rn \ {0} astfel încât:
M = {x ∈ Rn | (a, x) ≥ 0}.
Definiţia 2.1.6. Un politop a cărui dimensiune este mai mare cu 1 decât numărul vâr-
furilor sale se numeşte simplex .
Definiţia 2.1.7. Fie M o mulţime convexă din spaţiul Rn . Punctul x este un punct
extrem pentru mulţimea M, dacă nu este interior nici unui segment inclus în întregime în
mulţimea M .
Teorema 2.1.10. La extremele lui S pot fi găsite două baze B1 , B2 care diferă doar
printr-un vector.
Teorema 2.1.11. Dacă f este o funcţie liniară, definit pe un poliedru convex, atunci fie
că nu este mărginit superior pe această mulţime, fie îşi atinge maximul în cel puţin un
punct extrem al poliedrului (evident dacă poliedrul are cel puţin un extrem).
Teorema 2.1.12. Mulţimea soluţiilor posibile ale problemei de optimizare liniară cu res-
tricţii este o mulţime convexă.
Observaţie. Din punct de vedere practic, teorema este foarte importantă. În con-
secinţă, se poate afirma că o problemă de programare liniară admite fie o soluţie optimă
unică, fie o infinitate de soluţii optime.
Se poate formula următoarea întrebare:
4
Ce proprietăţi trebuie să verifice acele modele de programare matematică care pot fi
rezolvate pe baza principiului de mai sus?
Doar pentru problemele de optimizare liniară cu restricţii sunt valabile proprietăţile
de mai sus?
Are loc următorul rezultat.
5
Definiţia 2.2.3. O soluţie posibilă x ∈ S cu cel mult m componente strict pozitive se
numeşte soluţie de bază, dacă coloanele matricei A, care corespund acestor componente,
formează o bază în Rm .
Definiţia 2.2.4. O soluţie de bază se numeşte nedegenerată , dacă are exact m componente
nenule, şi degenerată , în caz contrar.
Teorema 2.2.5. Orice soluţie de bază a unei probleme de programare liniară este un punct
extrem al mulţimii S şi, reciproc, orice punct extrem al mulţimii S este soluţie bazică.
Dacă determinăm mulţimea soluţiilor bazice, atunci prin înlocuirea acestora în funcţia
de scop putem alege soluţia optimă a problemei considerate.
Câte soluţii de bază are un model cu n variabile şi m restricţii?
Pe baza definiţiei 2.2.3, aceste soluţii bazice pot fi obţinute în urma rezolvării tuturor
sistemelor Cramer de m ecuaţii şi n necunoscute, pe care le putem forma din sistemul de
restricţii Ax = b.
Astfel se poate afirma că numărul soluţiilor bazice este cel mult Cnm .
Problemă rezolvată
Să se determine soluţiile bazice ale problemei:
f (x) = 2x1 + x2 + 2x3 + x4 + 3x5 → max
2x + x + x − x − x = 2
1 2 3 4 5
x1 + 2x2 − x3 − x4 + 3x5 = 4
xj ≥ 0, j = 1, 5
Notăm Cij , i < j 1 ≤ i, j ≤ 5 toate matricile pătratice de ordin doi ce pot fi formate
cu coloanele lui A.
! ! !
2 1 2 1 2 −1
C12 = C13 = C14 =
1 2 1 −1 1 −1
! ! !
2 −1 1 1 1 −1
C15 = C23 = C24 =
1 3 2 −1 2 −1
! ! !
1 −1 1 −1 1 −1
C25 = C34 = C35 =
2 3 −1 −1 −1 3
!
−1 −1
C45 = .
−1 3
5!
Avem 10 astfel de matrici C52 = 2!3! = 10 .
6
Toţi determinanţii det(Cij ) sunt diferiţi de zero, ceea ce înseamnă că vom avea cel
mult 10 soluţii bazice obţinute în urma rezolvării celor 10 sisteme liniare de două ecuaţii
şi două necunoscute.
În cazul unui sistem liniar de ecuaţii asociat matricei Cij , variabilele xi şi xj sunt
considerate variabile principale. Variabilele secundare sunt considerate nule.
Pentru matricea C12 , de exemplu, variabilele principale sunt x1 , x2 , iar x3 = x4 = x5 =
0.
În acest caz avem de rezolvat sistemul:
(
2x1 + x2 = 2
.
x1 + 2x2 = 4
Soluţia obţinută este (0 2 0 0 0). În mod analog, rezolvând sistemele liniare de ecuaţii, se
vor obţine soluţiile: (2 0 -2 0 0), (-2 0 0 -6 0), (10/7 0 0 0 6/7), (0 2 0 0 0), (0 2 0 0 0), (0
2 0 0 0), (0 0 -1 -3 0), (0 0 -1 0 3), (0 0 0 -5/2 1/2).
Dintre cele 10 soluţii obţinute, sunt soluţii de bază doar cele pentru care toate com-
ponentele sunt pozitive. Deci problema de optimizare liniară cu restricţii considerată
admite o soluţie bazică nedegenerată şi 4 soluţii bazice degenerate. Prin calcul direct,
prin înlocuirea soluţiilor bazice în funcţia de scop, putem alege soluţia optimă. Avem:
f (10/7 0 0 0 6/7) = 38/7
f (0 2 0 0 0) = 2
adică soluţia optimă este x0 = (10/7 0 0 0 6/7) şi fmax = 38/7.
7
Rezumat
Rezultate aşteptate
După studierea acestui curs, ar trebui:
8
Bibliografie
[Sza] Szabó, Zs., (2005), Cercetări oreraţionale, Editura universităţii "Petru Maior" Târgu
Mureş
[1] http://www.asecib.ase.ro/cursuri_online.htm
9
Glosar
combinaţie convexă, 3
convexă, 3
degenerată, 6
hiperplan, 3
mulţime poliedrală, 4
mulţimea, 3
nedegenerată, 6
semispaţiu, 4
simplex, 4
soluţie
admisibilă, 5
de bază, 6
optimă, 5
posibilă, 5
10