2.2 Grafické ešení úloh LP

Podobné dokumenty
Matematický model. omezující podmínky. Tab. 2.1 Prvky ekonomického a matematického modelu

4EK201 Matematické modelování. 2. Lineární programování

4EK213 LINEÁRNÍ MODELY

4EK213 LINEÁRNÍ MODELY

1. července 2010

4EK212 Kvantitativní management. 2. Lineární programování

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu (reg. č. CZ.1.07/2.2.00/28.

4EK311 Operační výzkum. 2. Lineární programování

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25

Obecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno

P ílohy. P íloha 1. ešení úlohy lineárního programování v MS Excel

Nejprve si uděláme malé opakování z kurzu Množiny obecně.

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel

4EK213 Lineární modely. 10. Celočíselné programování

Nerovnice v součinovém tvaru, kvadratické nerovnice

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ

Matematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s.

Obr. P1.1 Zadání úlohy v MS Excel

Ekonomická formulace. Matematický model

4EK213 Lineární modely. 4. Simplexová metoda - závěr

(4x) 5 + 7y = 14, (2y) 5 (3x) 7 = 74,

1.1 Příklad z ekonomického prostředí 1

Funkce a lineární funkce pro studijní obory

Metody lineární optimalizace Simplexová metoda. Distribuční úlohy

Nerovnice, grafy, monotonie a spojitost

4EK212 Kvantitativní management. 1. Úvod do kvantitativního managementu a LP

ZÁKLADNÍ PLANIMETRICKÉ POJMY

b) Po etní ešení Všechny síly soustavy tedy p eložíme do po átku a p ipojíme p íslušné dvojice sil Všechny síly soustavy nahradíme složkami ve sm

Parametrické programování

VEKTOR. Vymyslete alespoň tři příklady vektorových a skalárních fyzikálních veličin. vektorové: 1. skalární

Odvození středové rovnice kružnice se středem S [m; n] a o poloměru r. Bod X ležící na kružnici má souřadnice [x; y].

Úvod do řešení lineárních rovnic a jejich soustav

14. přednáška. Přímka

PŘÍMKA A JEJÍ VYJÁDŘENÍ V ANALYTICKÉ GEOMETRII

2. kapitola: Euklidovské prostory

Lineární funkce, rovnice a nerovnice

IB112 Základy matematiky

Funkce pro studijní obory

55. ročník matematické olympiády

KOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ

Matematika pro informatiky

Matematická analýza III.

CVIČNÝ TEST 15. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci

ANALYTICKÁ GEOMETRIE V ROVINĚ

analytické geometrie v prostoru s počátkem 18. stol.

1 Linearní prostory nad komplexními čísly

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci

i=1 Přímka a úsečka. Body, které leží na přímce procházející body a a b můžeme zapsat pomocí parametrické rovnice

Matematika NÁRODNÍ SROVNÁVACÍ ZKOUŠKY ZADÁNÍ NEOTVÍREJTE, POČKEJTE NA POKYN!

= - rovnost dvou výrazů, za x můžeme dosazovat různá čísla, tím měníme

0.1 Úvod do lineární algebry

Učební texty k státní bakalářské zkoušce Matematika Základy lineárního programování. študenti MFF 15. augusta 2008

Rovnice přímky vypsané příklady. Parametrické vyjádření přímky

1. Několik základních pojmů ze středoškolské matematiky. Na začátku si připomeneme následující pojmy:

Funkce - pro třídu 1EB

4. Statika základní pojmy a základy rovnováhy sil

DIGITÁLNÍ ARCHIV VZDĚLÁVACÍCH MATERIÁLŮ

Konvexní množiny Formulace úloh lineárního programování. Jiří Neubauer. Katedra ekonometrie FEM UO Brno

Obecná rovnice kvadratické funkce : y = ax 2 + bx + c Pokud není uvedeno jinak, tak definičním oborem řešených funkcí je množina reálných čísel.

Voronoiův diagram. RNDr. Petra Surynková, Ph.D. Univerzita Karlova v Praze Matematicko-fyzikální fakulta

Poznámka. V některých literaturách se pro označení vektoru také používá symbolu u.

VZOROVÝ TEST PRO 3. ROČNÍK (3. A, 5. C)

5.2. Funkce, definiční obor funkce a množina hodnot funkce

Matematika (CŽV Kadaň) aneb Úvod do lineární algebry Matice a soustavy rovnic

VEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A

Úlohy klauzurní části školního kola kategorie A

8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice

Nerovnice a nerovnice v součinovém nebo v podílovém tvaru

Digitální učební materiál

Pokyny k hodnocení MATEMATIKA

Lingebraické kapitolky - Analytická geometrie

Cyklografie. Cyklický průmět bodu

7.5.3 Hledání kružnic II

1 Analytická geometrie

Příklady modelů lineárního programování

12. Lineární programování

Lineární funkcí se nazývá každá funkce, která je daná rovnicí y = ax + b, kde a, b jsou reálná čísla.

INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.

0.1 Úvod do lineární algebry

Mgr. Tomáš Kotler. I. Cvičný test 2 II. Autorské řešení 7 III. Klíč 15 IV. Záznamový list 17

pracovní list studenta

Další polohové úlohy

Příklad 1 ŘEŠENÉ PŘÍKLADY Z M1A ČÁST 6

1 Řešení soustav lineárních rovnic

Komisionální přezkoušení 1T (druhé pololetí) 2 x. 1) Z dané rovnice vypočtěte neznámou x:. 2) Určete, pro která x R není daný výraz definován:

MATURITNÍ TÉMATA Z MATEMATIKY

Pavlína Matysová. 5. listopadu 2018

KVADRATICKÉ FUNKCE. + bx + c, největší hodnotu pro x = a platí,

Projekt: Inovace oboru Mechatronik pro Zlínský kraj Registrační číslo: CZ.1.07/1.1.08/

Gymnázium Jiřího Ortena, Kutná Hora. Průřezová témata Poznámky. Téma Školní výstupy Učivo (pojmy) volné rovnoběžné promítání průmětna

Matematika 1 MA1. 1 Analytická geometrie v prostoru - základní pojmy. 4 Vzdálenosti. 12. přednáška ( ) Matematika 1 1 / 32

37. PARABOLA V ANALYTICKÉ GEOMETRII

(Cramerovo pravidlo, determinanty, inverzní matice)

CVIČNÝ TEST 13. OBSAH I. Cvičný test 2. Mgr. Zdeňka Strnadová. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17

Lineární funkce, rovnice a nerovnice 4 lineární nerovnice

Funkce jedné reálné proměnné. lineární kvadratická racionální exponenciální logaritmická s absolutní hodnotou

příkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.

2 Spojité modely rozhodování

Transkript:

2. Lineární programování 21 zabránili záporným hodnotám produkce, nezabývali jsme se pípady, kdy jako výsledný objem produkce získáme desetinné číslo. Nápravu lze snadno sjednat zahrnutím tzv. podmínek celočíselnosti: x 1, x 2 celé, (2.12) které sice podporují smysluplnost modelu, ale určitým způsobem komplikují jeho ešitelnost. Úlohy s těmito podmínkami lze ešit pomocí speciálních metod celočíselného lineárního programování. V další části textu bude pedmětem analýzy model (2.11), v němž nebudou podmínky (2.12) zahrnuty. 2.2 Grafické ešení úloh LP V pedešlé části jsme se seznámili s postupem, který vede k sestavení matematického modelu zadaného rozhodovacího problému. Dalším krokem, který logicky následuje, je samotné ešení úlohy. K ešení úloh LP se používá tzv. simplexová metoda, jejíž základy položil na konci 40. let 20. stol. americký matematik G. B. Dantzig. Od té doby zaznamenala metoda celou adu modifikací. Tyto vysoce efektivní algoritmy tvoí jádro současného profesionálního softwaru, určeného pro ešení úloh LP. Pestože algoritmus simplexové metody je poměrně jednoduchý, jeho podrobný popis by znamenal znatelné vybočení z rámce této knihy. Později bude vysvětlen základní princip této metody, její úplný popis podávají nap. Lagová a Jablonský (200ř). Obsahuje-li matematický model úlohy LP pouze dvě proměnné, lze pro ešení využít grafické znázornění. Postup grafického ešení úlohy LP si pedvedeme na píkladu 2.1, jehož matematický model byl sestaven v pedešlé části. 1. Znázornění množiny pípustných ešení V prvním kroku grafického ešení zjistíme, jak vypadá množina bodů odpovídajících ešením, která vyhovují všem omezujícím podmínkám úlohy. Osy souadnicového systému odpovídají proměnným x 1, x 2 (obr. 2.1). Vzhledem k platnosti podmínek nezápornosti má smysl uvažovat pouze I. kvadrant sou- adnicového systému. Nyní znázorníme množinu bodů, jejichž souadnice vyhovují všem tem vlastním omezením úlohy. Grafickým obrazem první nerovnice (2.7), vyjadující spotebu ezbáské práce, je polorovina. Hranici poloroviny tvoí pímka, která je obrazem rovnice x x 5000. (2.13) 1 2 2

22 x 2 3000 x 1 0 2000 x 2 0 0 2000 3000 4000 5000 x 1 Obr. 2.1 Podmínky nezápornosti x 2 3000 B [0; 2500] 2000 x 1 2x 2 5000 2000 3000 4000 5000 A [5000; 0] 0 1 Obr. 2.2 ezbáská práce, množina pípustných bodů x Pro znázornění pímky v souadnicovém systému stačí nalézt dva různé body, kterými prochází. Najdeme tedy průsečíky pímky s osami x 1, x 2. Zvolíme-li x 2 0 v rovnici (2.13), získáme x 1 5000 ; tedy první bod A má souadnice

2. Lineární programování 23 [5000; 0]. Po dosazení x 1 0 vypočteme x 2 2500; souadnice druhého bodu B jsou [0; 2500]. Propojením bodů A, B získáme hraniční pímku poloroviny odpovídající první nerovnici 8 (obr. 2.2). Abychom zjistili, která polorovina, resp. její část, obsahuje pípustné body, stačí zvolit libovolný bod ležící mimo hraniční pímku (nejlépe počátek [0; 0]) a dosadit jeho souadnice do nerovnice (2.7). Protože počátek této podmínce vyhovuje, je pípustným bodem a s ním také všechny body, které leží ve stejné polorovině. Na obr. 2.2 je tato polorovina, resp. její pípustná část, vystínována a navíc označena směrovou šipkou. Podobně znázorníme množiny pípustných bodů, které vyhovují i zbývajícím dvěma omezením (2.Ř) a (2.ř). Hraniční pímky, resp. jejich pípustné části všech tí vlastních omezení zachycuje obr. 2.3. x 2 3000 2000 2000 3000 4000 5000 0 1 Obr. 2.3 Množina pípustných ešení úlohy LP x Množiny 9 bodů vyhovujících jednotlivým podmínkám jsou naznačeny směrovými šipkami. Protože ešení úlohy musí vyhovovat zároveň všem omezujícím podmínkám, je nutné v grafu najít oblast, která je společným průnikem všech tí množin. Tato oblast je na obr. 2.3 vystínována a nazývá se množina pípustných ešení úlohy LP 10. 8 Protože je zároveň nutné respektovat podmínky nezápornosti, pípustnými jsou pouze ty body, které leží na úsečce AB. 9 Ve všech tech pípadech jde o oblasti, které mají společný vrchol ležící v počátku souadnicového systému. 10 Pesnější by bylo nazvat danou oblast množinou pípustných bodů odpovídající množině pípustných ešení úlohy LP, pro zjednodušení však budeme používat výše uvedené zkrácené pojmenování.

24 2. Znázornění účelové funkce V dalším kroku grafického ešení úlohy LP se budeme zabývat účelovou funkcí a jejím vztahem ke grafickému obrazu množiny pípustných ešení, sestrojenému v prvním kroku. Jednou z možností je zaměit se na body, které odpovídají stejné hodnotě účelové funkce, v našem pípadě zisku. Zvolme libovolný bod ležící v množině pípustných ešení a vypočítejme píslušnou hodnotu zisku. V bodě A 1 [; 0] je hodnota účelové funkce z 450. 550.0 450000. 1 Souadnice všech bodů, které odpovídají této hodnotě zisku, musí vyhovovat rovnici 450x 1 550x2 450000. (2.14) Body leží na pímce, protínající osu x 1 v bodě A 1. Bod B 1, ve kterém tato pímka protíná osu x 2, má souadnice [ 0;818,18]. Na obr. 2.4 je tato pímka znázorněna perušovanou čarou z 1. x 2 3000 2000 X 0 Optimální ešení: x T (, 2000). 0 Optimální hodnota účelové funkce: z 0 1550000. B B 1 z 1 z 0 2 z A 2 1 A 2 0 2000 3000 4000 5000 x 1 Obr. 2.4 Účelová funkce a optimální ešení Pokud jsou koeficienty v účelové funkci celočíselné, pak je nejlepší zvolit jako hodnotu zisku součin těchto koeficientů, tj. 450.550 = 247500, čímž se pi výpočtu souadnic vyhneme dělení čísel a možnosti získání desetinného čísla. V tomto pípadě je navíc určení souadnic průsečíků pímky s osami x 1, x2 velice snadné. Osu x 1 protíná pímka v bodě, jehož první souadnice je rovna

2. Lineární programování 25 koeficientu v účelové funkci, který je u proměnné x 2, tj. 550. Druhá souadnice je samozejmě nulová. Osu x 2 protíná pímka v bodě, jehož druhá souadnice je rovna koeficientu v účelové funkci, který je u proměnné x 1, tj. 450. První souadnice je nulová. z 2 450x1 550x2 247500. (2.15) Z obr. 2.4 je patrné, že pímka z 1 je od počátku vizuálně dále než pímka z 2. Pro hodnoty zisku, které odpovídají těmto dvěma rovnoběžným pímkám, platí: z 1 450000 z2 247500. (2.16) Je tedy možné zobecnit, že hodnota zisku se zvyšuje s rostoucí vzdáleností odpovídající pímky od počátku 11. Směr růstu zisku je na obr. 2.4 naznačen směrovou šipkou. 3. Určení optimálního bodu B 2 [0; 450] A 2 [550; 0] Výsledkem pedchozího kroku, v němž jsme se zabývali účelovou funkcí, je určení: a) sklonu pímky 12, na níž mají body stejnou hodnotu účelové funkce, b) směru, ve kterém dochází ke zvyšování hodnoty účelové funkce. V tomto kroku je cílem určit takový bod z množiny pípustných ešení, který leží na pímce s nejvyšší hodnotou účelové funkce. Sestrojíme tedy pímku rovnoběžnou s pímkami z 1, z 2, která protíná množinu pípustných ešení a je nejdále od počátku ve směru růstu hodnoty účelové funkce. Na obr. 2.4 je taková pímka označena jako z 0. Bod X 0, ve kterém pímka z 0 protíná množinu pípustných ešení, je jediným optimálním bodem a jeho souadnice odpovídají jedinému optimálnímu ešení zadané úlohy. 11 Většinou se používá následujícího, i když nepesného a zavádějícího výrazu: čím dále je účelová funkce od počátku, tím je hodnota zisku vyšší. Z uvedeného výkladu je zejmé, že nejde o účelovou funkci, ale o její kolmý průmět do souadnicového systému. 12 Sklon této pímky je opět často zjednodušeně nazýván sklonem účelové funkce.

26 4. Výpočet optimálního ešení a optimální hodnoty účelové funkce Určením optimálního bodu grafické ešení úlohy LP nekončí. Cílem pedchozích kroků bylo zjistit, kde leží optimální bod. V našem pípadě je bod X 0 průsečíkem hraničních pímek polorovin odpovídajících první a druhé omezující podmínce. Z pedchozí analýzy je zcela zejmé, že tyto pímky jsou obrazem dvou rovnic: x x 5000, (2.17) 1 2 2 1 x2 x 3000. (2.18) K určení souadnic průsečíku pímek stačí vyešit soustavu rovnic (2.17) a (2.1Ř), čímž získáváme následující vektor 13 optimálního ešení: T 0 x (, 2000). (2.19) Dosazením složek vektoru (2.1ř) do účelové funkce získáme optimální hodnotu zisku: z 450. 550.2000 1550000. (2.20) 0 5. Interpretace výsledků Závěrečným krokem grafického ešení úlohy LP je interpretace vypočítaných hodnot. Je nutné dodržet ti hlavní zásady: a) Úplnost. Zadavatel analýzy musí obdržet veškeré informace, které jsme získali ešením úlohy LP. b) Pesnost. Výsledek analýzy či ešení je určitým návodem, resp. doporučením, které zadavateli umožní zlepšit fungování reálného systému. Na základě naší interpretace musí mít zadavatel jasnou a pesnou pedstavu o všech rozhodnutích, která má v této souvislosti učinit. c) Srozumitelnost. Pi interpretaci musíme používat jazyk, kterému zadavatel analýzy rozumí. Zjednodušeně ečeno, zadavatele, který definoval problém, nemusí zajímat ani způsob formulace matematického modelu, ani metody, pomocí nichž jsme problém vyešili. My jeho jazyk známe, on náš jazyk znát nemusí. Nejprve se zaměíme na počet optimálních ešení. Jak ukážeme později, úloha LP může mít právě jedno optimální ešení, ale i nekonečně mnoho optimálních ešení, pípadně nemusí mít žádné optimální ešení, 13 Vektory budeme v této knize považovat obecně za sloupcové. ádkový vektor zapíšeme jako transponovaný vektor.

2. Lineární programování 27 a dokonce ani žádné pípustné ešení. Z obr. 2.4 je zejmé, že v našem pípadě má úloha právě jedno optimální ešení. Optimálním ešením rozumíme vektor x 0, jehož složky odpovídají hodnotám rozhodovacích proměnných. Pi formulaci matematického modelu jsme proměnnou x 1 označili počet vyrobených autíček a proměnnou x 2 počet vyrobených vláčků, v obou pípadech za jeden měsíc. Podle (2.1ř) má firma měsíčně vyrobit ks autíček a 2000 ks vláčků. Cílem analýzy bylo dosáhnout maximálního zisku pi zadaných podmínkách. Protože účelová funkce byla definována jako celkový měsíční zisk, firma podle (2.20) měsíčně získá 1550000 Kč. Jelikož jednou ze zásad úspěšné interpretace je její úplnost, měli bychom se ujistit, že jsme poskytli veškeré informace, získané ešením. Majitele firmy bude jistě zajímat, zda je k naplánované výrobě skutečně zapotebí 5000 hodin ezbáské práce a 3000 hodin dokončovací práce. Tuto skutečnost lze snadno ověit dosazením optimálního ešení do vlastních omezení týkajících se spoteby práce. V pípadě ezbáské práce i dokončovací práce se levá strana omezení rovná hodnotě pravé strany, což znamená, že všechny disponibilní hodiny budou zcela vyčerpány. K tomuto závěru jsme mohli dojít i v průběhu grafického ešení, aniž bychom prováděli dodatečný výpočet. Zjistili jsme, že optimální bod leží na průsečíku hraničních pímek polorovin, které byly obrazem omezujících podmínek pro oba druhy práce. Body, které leží na hraniční pímce, odpovídají situaci, v níž se produkce pohybuje na hranici výrobních možností vzhledem k zásobě určitého omezeného zdroje, v našem pípadě práce. S danou kapacitou nelze zvýšit objem výroby. Dosazením optimálního ešení do poslední omezující podmínky, týkající se omezené poptávky po autíčkách, snadno zjistíme, že hodnota 2000 není v žádném pípadě limitujícím faktorem. Firma by mohla vyrobit ještě dalších autíček, na něž bohužel již nemá kapacity, jak vyplývá z pedešlého odstavce. K ešení výše uvedeného píkladu lze využít celou adu optimalizačních nástrojů, popsaných v části 2.6. ešení v MS Excel obsahuje Píloha 1. 2.3 Základní pojmy lineárního programování V průběhu grafického ešení úlohy LP jsme zavedli dva důležité pojmy pípustné ešení a optimální ešení. Cílem této části je seznámit čtenáe s dalšími termíny, které jsou nezbytné k pochopení principu obecných metod pro ešení úloh LP. Postup grafického ešení je postupem speciálním, který lze

28 použít jen v pípadě, že matematický model obsahuje právě dvě rozhodovací proměnné 14. Nejprve se vraťme k pojmu pípustné ešení úlohy LP. Jedná se o takové ešení, které vyhovuje všem omezujícím podmínkám úlohy, tj. vlastním omezením a podmínkám nezápornosti. Množina všech takových ešení dané úlohy se nazývá množina pípustných ešení úlohy LP. Pro úlohy lineárního programování je typické, že množina pípustných ešení je nekonečná 15. Pokud se zajímáme o grafické vyjádení množiny pípustných ešení úlohy LP v podobě množiny pípustných bodů, je tato množina konvexní. Konvexní množina bodů je taková množina, která s každými dvěma body této množiny obsahuje i všechny body, které leží na jejich spojnici. Na obr. 2.5 jsou množiny A, B konvexní, množina C není konvexní. A B C Obr. 2.5 Konvexní a nekonvexní množiny bodů Množina B je typickým píkladem množiny pípustných ešení úlohy LP. Nazývá se konvexním polyedrem. Množina je určena soustavou lineárních nerovnic, tudíž její hranice je (v dvojrozměrném prostoru) tvoena lineárními čarami. Píklady konvexního polyedru v 3D prostoru jsou čtystěn, krychle, jehlan aj. Speciálním bodem konvexního polyedru je vrchol (krajní bod). Je to bod, který neleží na spojnici žádných jiných dvou bodů množiny. Počet vrcholů v úlohách lineárního programování je vždy konečný. Vraťme se k píkladu 2.1, ve kterém byla množina pípustných ešení určena soustavou tí nerovnic typu. Na obr. 2.6 je zobrazena množina pípustných ešení s 5 vrcholy, označenými (1), (2), (3), (4), (5). Pi ešení úlohy LP se nejprve pevádí původní soustava omezujících podmínek obsažených v matematickém modelu na tzv. ekvivalentní soustavu rovnic. Důvodem je skutečnost, že pi ešení úloh se používají metody, určené k ešení soustavy lineárních rovnic. 14 Jak bylo uvedeno výše, obecnou metodou pro ešení rozsáhlých úloh, co do počtu proměnných i omezujících podmínek, je simplexová metoda. 15 V některých speciálních pípadech může být množina pípustných ešení úlohy LP jednoprvková či prázdná.

2. Lineární programování 29 x 2 3000 (2) 2000 (3) (4) (1) (5) 2000 3000 4000 5000 0 1 x Obr. 2.6 Množina pípustných ešení, krajní body Transformaci nerovnic na rovnice provedeme pomocí tzv. pídatných proměnných: Typ podmínky Pídatná proměnná pičtení k levé straně odečtení od levé strany není Tab. 2.2 Transformace soustavy omezujících podmínek na ekvivalentní soustavu rovnic V matematickém modelu (2.11) tvoí ekvivalentní soustavu rovnic následující ti rovnice: x x x 5000, 1 2 2 3 1 x2 x4 1 x5 x 3000, (2.21) x 2000, v nichž vystupují v roli pídatných proměnných nezáporné proměnné x 3, x 4 a x 5. V nerovnici typu, resp. typu, pídatná proměnná udává, o kolik je levá strana nižší, resp. vyšší než pravá strana. Hodnota pídatné proměnné má ekonomickou interpretaci. V píkladu 2.1 hodnota proměnné x 3 pedstavuje

30 počet nevyužitých hodin ezbáské práce, hodnota x 4 počet nevyužitých hodin dokončovací práce, hodnota proměnné x 5 počet autíček, který zbývá k využití povoleného limitu z hlediska odbytu. Soustava 3 rovnic s 5 neznámými má obecně nekonečně mnoho ešení. Mezi nimi existuje konečný počet tzv. základních ešení. Jedná se o ešení, v nichž jsou za 2 zvolené proměnné dosazeny nuly a hodnoty zbývajících 3 proměnných jsou pak dopočítány. Zvolené proměnné s nulovými hodnotami nazýváme nezákladní proměnné, proměnné s dopočítanými hodnotami se nazývají základní proměnné. Základní ešení soustavy (2.21) budeme označovat jako základní ešení ekvivalentní soustavy rovnic. Počet základních ešení je logicky určen počtem všech možností, kterými lze vybrat nezákladní proměnné ze všech proměnných. V našem pípadě je tento počet roven kombinačnímu číslu 5 2 5! 2!3! 10. (2.22) Může se ovšem stát, že po výběru nezákladních proměnných vzniklá soustava 3 rovnic se 3 neznámými nebude mít ešení. Lze tedy s jistotou íci, že hodnota (2.22) je horní mezí počtu základních ešení. Tabulka 2.3 obsahuje ř základních ešení (Z) soustavy (2.21). Poslední očekávané základní ešení ekvivalentní soustavy rovnic neexistuje. Jedná se o pípad, ve kterém vynulujeme proměnné x 1, x 5. Takové hodnoty nevyhovují tetí rovnici v uvedené ekvivalentní soustavě. Z x 1 x 2 x 3 x 4 x 5 1 0 0 5000 3000 2000 2 0 2500 0 500 2000 3 0 3000-0 2000 4 5000 0 0-2000 -3000 5 3000 0 2000 0-6 2000 0 3000 0 7 2000 0 0 8 2000 1500 0-500 0 9 2000 0 0 Tab. 2.3 Základní ešení ekvivalentní soustavy rovnic

2. Lineární programování 31 Na první pohled je zejmé, že některé z těchto bodů neleží v množině pípustných ešení. Jedná se o body (3), (4), (5), (8). V tabulce 2.3 jsou to ešení, u nichž je hodnota alespoň jedné proměnné záporná. Jak bylo zmíněno výše, podmínky nezápornosti platí nejen pro rozhodovací proměnné, ale také pro pídatné proměnné. Uvedená ešení tyto podmínky porušují. Naopak ešení (1), (2), (6), (7), (ř) splňují podmínky nezápornosti a jsou tedy pípustnými ešeními úlohy LP. Tato ešení se nazývají základní ešení úlohy LP. Je zcela jasné, že jejich množina je podmnožinou množiny základních ešení ekvivalentní soustavy rovnic. Na obr. 2.7 jsou označeny body odpovídající všem základním ešením, uvedeným v tabulce 2.3. x 2 3000 (2) 2000 (3) (7) (8) (9) (1) (6) (5) (4) 2000 3000 4000 5000 0 1 Obr. 2.7 Základní ešení ekvivalentní soustavy rovnic x Pejděme nyní k dalšímu pojmu lineárního programování optimálnímu ešení. Optimální ešení úlohy LP je pípustné ešení úlohy LP s nejlepší hodnotou účelové funkce. Z grafického ešení úlohy LP lze snadno dospět k závěru, že optimálním bodem nemůže být v žádném pípadě vnitní bod množiny pípustných ešení. Optimální bod musí být, pokud existuje, hraničním bodem množiny pípustných ešení. Navíc platí následující věta, která má zásadní význam pro ešení úloh LP. Základní věta lineárního programování: Jestliže má úloha LP optimální ešení, má také optimální ešení základní. 1) Pokud má úloha LP právě jedno optimální ešení, pak to musí být, podle uvedené věty, základní ešení. Protože základní ešení úlohy LP

32 odpovídají vrcholům konvexního polyedru pestavujícího množinu pípustných bodů, musí v tomto pípadě optimální ešení ležet v jednom z vrcholů. 2) Má-li úloha LP více optimálních ešení, věta zaručuje, že alespoň jedno bude základním ešením, tedy optimální bod najdeme v jednom z vrcholů množiny pípustných ešení. Důsledek základní věty LP: Jestliže má úloha LP optimální ešení, stačí se pi jeho hledání soustedit pouze na základní ešení úlohy LP, neboť jedno z nich musí být ešením optimálním. Vraťme se ke grafickému ešení úlohy LP v píkladu 2.1. Podle základní věty LP a jejího důsledku jsme se mohli zaměit jen na vrcholy množiny pípustných ešení. Byl totiž splněn hlavní pedpoklad, a sice zaručení existence optimálního ešení: Úloha LP má optimální ešení, pokud je množina pípustných ešení omezená. Můžeme tedy sestavit seznam základních ešení úlohy LP, mezi nimiž musí být alespoň jedno optimálním ešením. V tabulce 2.4 jsou u každého ešení uvedeny hodnoty rozhodovacích proměnných a hodnota zisku po jejich dosazení do účelové funkce. Označení základních ešení odpovídá označení bodů na obr. 2.7. Z x 1 x 2 z (1) 0 0 0 (2) 0 2500 1375000 (6) 2000 0 900000 (7) 2000 1550000 (9) 2000 1450000 Tab. 2.4 Základní ešení úlohy LP, optimální ešení ešení (7) s nejvyšší hodnotou zisku 1550000 je hledaným optimálním ešením. Protože hodnoty zisku pro všechna ostatní ešení jsou nižší, je ešení (7) jediným optimálním ešením úlohy. 2.4 Princip simplexové metody Jak bylo uvedeno v pedchozích částech, pro ešení úloh LP se používá simplexová metoda. Je to univerzální iterační postup, který efektivním způsobem prohledává množinu základních ešení úlohy LP za účelem nalezení optimálního ešení. Metoda je založena na základní větě LP a jejích důsledcích. Protože se zaměuje jen na základní ešení úlohy LP, kterých je konečný počet, nalezne simplexová metoda po konečném počtu iterací optimální ešení nebo zjistí, že optimální ešení neexistuje.