4EK201 Matematické modelování 2. Lineární programování
2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Operational research, operations research, management science Soubor disciplín zaměřených na analýzu rozhodovacích problémů Analýza a koordinace prováděných operací v rámci systému Historie Počátky ve 30. a 40. letech 20. století G. B. Dantzig, L. Kantorovič Nobelova cena za ekonomii Zásadní rozvoj během 2. světové války (taktické operace) a po ní Další ohromný rozvoj s vývojem výpočetní techniky Mgr. Sekničková Jana, Ph.D. 2
2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Snaha nalézt nejlepší (optimální) řešení daného problému při respektování všech omezení, která mají vliv na chod systému Základním nástrojem matematické modelování Matematický model Zjednodušený obraz reálného systému Umožňuje zkoumat různé varianty systému chování systému ve zkráceném čase chování systému při změně parametrů Nižší náklady na realizaci Mgr. Sekničková Jana, Ph.D. 3
2.1 Podstata operačního výzkumu Fáze analýzy problému Reálný systém Definice problému Ekonomický model Matematický model Implementace Interpretace výsledků Verifikace modelu Řešení úlohy Mgr. Sekničková Jana, Ph.D. 4
2.2 Ekonomický model Zjednodušený popis reálného systému Slovní a číselný popis problému Obsahuje nejpodstatnější prvky a vazby mezi nimi Cíl analýzy sledované kritérium optimality Procesy reálné aktivity probíhající s jistou intenzitou Činitelé omezení mající vliv na intenzitu procesů Vzájemné vztahy mezi procesy, činiteli a cílem analýzy Pro řešení je třeba ekonomický model formalizovat (zapsat matematickými prostředky) Mgr. Sekničková Jana, Ph.D. 5
2.3 Matematický model Formální zápis ekonomického modelu (matematický) Obsahuje prvky analogické ekonomickému problému Účelová funkce (cíl analýzy) funkce n proměnných (lineární či nelineární, většinou jedna) Proměnné (procesy) hodnoty odpovídají intenzitám jednotlivých procesů Omezující podmínky (činitelé) většinou rovnice či nerovnice Parametry (vzájemné vztahy) jejich hodnoty nemůže uživatel ovlivňovat Mgr. Sekničková Jana, Ph.D. 6
2.4 Matematické programování Hledá řešení optimalizačních úloh daných kriteriální funkcí n proměnných (a příslušným extrémem) účelová funkce množinou variant ve tvaru soustavy omezujících podmínek (lineární či nelineární rovnice a nerovnice) n počet proměnných modelu, x j, j = 1, 2,, n m počet omezujících podmínek, g i x 1, x 2,, x n 0, i = 1, 2,, m Mgr. Sekničková Jana, Ph.D. 7
2.4 Matematické programování Matematický model úlohy matematického programování maximalizovat minimalizovat z = f(x 1, x 2,, x n ) za podmínek g 1 x 1, x 2,, x n 0, g 2 x 1, x 2,, x n 0, g m x 1, x 2,, x n 0, x 1, x 2,, x n 0. Mgr. Sekničková Jana, Ph.D. 8
2.4 Matematické programování Úloha lineárního programování (LP) Jsou-li všechny funkce, tj. f(x 1, x 2,, x n ) i g i x 1, x 2,, x n 0, i = 1,2,, m, lineární Úloha nelineárního programování (NLP) Je-li alespoň jedna z funkcí f(x 1, x 2,, x n ) či g i x 1, x 2,, x n 0, i = 1,2,, m, nelineární Úloha celočíselného programování (ILP) Jsou-li podmínky nezápornosti doplněny navíc o podmínky celočíselnosti (bivalence) pro alespoň jednu proměnnou Mgr. Sekničková Jana, Ph.D. 9
2.5 Matematický model úlohy LP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a 13 x 3 + + a 1n x n R b 1 a 21 x 1 + a 22 x 2 + a 23 x 3 + + a 2n x n R b 2 a 31 x 1 + a 32 x 2 + a 33 x 3 + + a 3n x n R b 3 a m1 x 1 + a m2 x 2 + a m3 x 3 + + a mn x n R b m za podmínek nezápornosti x j 0, j = 1, 2,, n Mgr. Sekničková Jana, Ph.D. 10
2.5 Matematický model úlohy LP kde je x j a ij b i c j... proměnná modelu (strukturní)... strukturní koeficient... pravá strana i-tého omezení... cenový koeficient j-té proměnné (cena) R... jedno z relačních znamének,, = n m... počet strukturních proměnných modelu... počet vlastních omezení modelu i = 1, 2,, m, j = 1, 2,, n Mgr. Sekničková Jana, Ph.D. 11
2.6 Příklad - zadání Firma vyrábí šroubky a matice Šroubky i matice jsou lisovány vylisování krabičky šroubků trvá 1 minutu, krabička matic je lisována 2 minuty Šroubky i matice firma balí do krabiček, ve kterých je pak prodává - krabička šroubků se balí 1 minutu, krabička matic 4 minuty Firma má k dispozici 2 hodiny času pro lisování a 3 hodiny času pro balení výrobků Mgr. Sekničková Jana, Ph.D. 12
2.6 Příklad - zadání Vzhledem k poptávce je třeba vyrobit alespoň o 90 krabiček šroubků více než krabiček matic Z technických důvodů nelze vyrobit více než 110 krabiček šroubků Zisk z jedné krabičky šroubků je 40 Kč, z jedné krabičky matic 60 Kč Firma nemá potíže s odbytem výrobků Kolik krabiček šroubků a matic má firma vyrobit, chce-li dosáhnout maximálního zisku? Mgr. Sekničková Jana, Ph.D. 13
2.6 Příklad ekonomický model Procesy Jednotky Výroba šroubků (Š) 1 krabička (kr.) Výroba matic (M) 1 krabička Činitelé na straně vstupu Čas na lisu 1 min. Čas pro balení 1 min. Činitelé na straně výstupu Vztah počtu KŠ a KM 1 krabička Max. počet KŠ 1 krabička Cíl Maximální zisk Kč Mgr. Sekničková Jana, Ph.D. 14
2.6 Příklad kvantitativní vztahy Šroubky Matice Kapacita Jednotky Jednotky [krabička] [krabička] Lis 1 [min./kr.] 2 [min./kr.] 2 [hod.] Balení 1 [min./kr.] 4 [min./kr.] 3 [hod.] Zisk 40 [Kč/kr.] 60 [Kč/kr.] [Kč] Kapacitu lisu a balicí linky bude třeba převést na srovnatelné jednotky Mgr. Sekničková Jana, Ph.D. 15
2.6 Příklad matematický model Šroubky x 1 [krabička] Matice x 2 [krabička] LIS 1 x 1 + 2 x 2 120 min BALENÍ 1 x 1 + 4 x 2 180 min POPTÁVKA 1 x 1-1 x 2 90 krabiček ŠROUBKY 1 x 1 + 0 x 2 110 krabiček NEZÁPORNOST x 1, x 2 0 ZISK 40 x 1 + 60 x 2 max Kč Mgr. Sekničková Jana, Ph.D. 16
2.6 Příklad srovnání EM a MM Ekonomický model: Procesy Výroba Š [KŠ] Výroba M [KM] Činitelé Cíl Čas na lisu [min.] Čas balení [min.] Poptávka [krabičky] Max. KŠ[krabičky] Maximální zisk [Kč] Matematický model: Proměnné x 1 [KŠ] x 2 [KM] Omezení spotřeba 120 [min.] spotřeba 180 [min.] KŠ KM 90 [krabičky] KŠ 110 [krabičky] Účelová funkce Maximální zisk [Kč] Mgr. Sekničková Jana, Ph.D. 17
2.7 Grafické řešení úlohy LP Jednoduchou úlohu vyřešíme graficky: zvolíme souřadnicový systém os x 1 a x 2 znázorníme všechna omezení modelu najdeme jejich průnik v prvním kvadrantu znázorníme účelovou funkci rovnoběžně ji posuneme tak, aby se dotkla průniku množin (shora nebo zdola) v bodě (popř. bodech) dotyku účelové funkce a množiny přípustných řešení je optimální řešení Mgr. Sekničková Jana, Ph.D. 18
x 2 60 45 40 OPTIMUM 0 60 90 110 120 180 (2) x 1 (1) Z max -90 (3) (4) Mgr. Sekničková Jana, Ph.D. 19
2.7 Grafické řešení úlohy LP Optimální řešení zadané úlohy leží na průsečíku dvou hraničních přímek omezení (1) a (4): x 1 + 2x 2 = 120 x 1 = 110 Odtud je x 1 = 110, x 2 = 5 Bod optimálního řešení je tedy x = 110, 5 Hodnota účelové funkce je po dosazení z = 40x 1 + 60x 2 = 40 110 + 60 5 = 4700 Mgr. Sekničková Jana, Ph.D. 20
2.7 Interpretace řešení úlohy LP Ekonomická interpretace optimálního řešení x 1 = 110, x 2 = 5, z = 4700 Vyrobíme 110 krabiček šroubků Vyrobíme 5 krabiček matic Celkový zisk bude 4700 Kč Kolik spotřebujeme času na lisu? Lis bude v provozu 120 minut. Kolik zbyde času na lisu? Na lisu zbyde 0 minut. Lis: 1 x 1 + 2 x 2 120 [min] Balení: 1 x 1 + 4 x 2 180 [min] Poptávka: 1 x 1 1 x 2 90 [krabiček] Šroubky: 1 x 1 + 0 x 2 110 [min] Nezápornost: x 1, x 2 0 [krabiček] Zisk: 40 x 1 + 60 x 2 max [Kč] Mgr. Sekničková Jana, Ph.D. 21
2.8 Interpretace řešení úlohy LP Ekonomická interpretace optimálního řešení x 1 = 110, x 2 = 5, z = 4700 Kolik spotřebujeme času na balení? Kolik zbyde času na balení (jaká je rezerva)? Mgr. Sekničková Jana, Ph.D. 22
2.8 Interpretace řešení úlohy LP Ekonomická interpretace optimálního řešení x 1 = 110, x 2 = 5, z = 4700 O kolik šroubků vyrobíme více než matic? Jaká je rezerva v poptávce? Mgr. Sekničková Jana, Ph.D. 23
2.8 Interpretace řešení úlohy LP Ekonomická interpretace optimálního řešení x 1 = 110, x 2 = 5, z = 4700 Kolik šroubků vyrobíme? Jaká je technologická rezerva? Mgr. Sekničková Jana, Ph.D. 24
2.8 Interpretace řešení úlohy LP Vypočtené rezervy jsou ekonomickou interpretací tzv. přídatných proměnných. Metody pro řešení úloh lineárního programování pracují s řešením soustavy rovnic, nikoliv se soustavou nerovnic. Lis: 1 x 1 + 2 x 2 120 [min] Balení: 1 x 1 + 4 x 2 180 [min] Poptávka: 1 x 1 1 x 2 90 [krabiček] Šroubky: 1 x 1 + 0 x 2 110 [min] Nezápornost: x 1, x 2 0 [krabiček] 1 x 1 + 2 x 2 + x 3 = 120 min 1 x 1 + 4 x 2 + x 4 = 180 min 1 x 1 1 x 2 x 5 = 90 [krabiček] 1 x 1 + 0 x 2 + x 6 = 110 [min] x 1, x 2, x 3, x 4, x 5, x 6 0 Zisk: z = 40 x 1 + 60 x 2 max [Kč] z 40 x 1 60 x 2 = 0 max [Kč] Mgr. Sekničková Jana, Ph.D. 25
2.8 Interpretace řešení úlohy LP Strukturní proměnné: x 1 = 110 x 2 = 5 Přídatné proměnné: x 3 = x 4 = x 5 = x 6 = Optimální řešení: 1 x 1 + 2 x 2 + x 3 = 120 min 1 x 1 + 4 x 2 + x 4 = 180 min 1 x 1 1 x 2 x 5 = 90 [krabiček] 1 x 1 + 0 x 2 + x 6 = 110 [min] z 40 x 1 60 x 2 = 0 max [Kč] x = 110, 5, 0, 50, 15, 0 T z = 4700 Mgr. Sekničková Jana, Ph.D. 26
2.9 Přídatné proměnné Přídatné proměnné slouží k převodu soustavy vlastních omezení ve tvaru nerovnic na ekvivalentní soustavu rovnic Ekvivalentní soustava rovnic (s podmínkami nezápornosti) má stejné (ekvivalentní) řešení jako původní soustava vlastních omezení Omezení ve tvaru rovnice: a i1 x 1 + a i2 x 2 + + a in x n = b i není třeba upravovat Mgr. Sekničková Jana, Ph.D. 27
2.9 Přídatné proměnné Omezení ve tvaru nerovnice typu : a i1 x 1 + a i2 x 2 + + a in x n b i k levé straně nerovnice přičteme přídatnou proměnnou x n+i a i1 x 1 + a i2 x 2 + + a in x n + x n+i = b i Omezení ve tvaru nerovnice typu : a i1 x 1 + a i2 x 2 + + a in x n b i od levé strany nerovnice odečteme přídatnou proměnnou x n+i a i1 x 1 + a i2 x 2 + + a in x n x n+i = b i Mgr. Sekničková Jana, Ph.D. 28
2.9 Přídatné proměnné Přídatné proměnné jsou nezáporné Mají svoji ekonomickou interpretaci, která je odvozena od ekonomické interpretace omezení Přídatná proměnná v omezení typu ukazuje objem nevyužité kapacity Přídatná proměnná v omezení typu ukazuje velikost překročení požadavku Cena přídatné proměnné je vzhledem k její ekonomické interpretaci rovna nule Mgr. Sekničková Jana, Ph.D. 29
2.10 Základní pojmy LP Přípustné řešení úlohy LP je vektor x = x 1, x 2,, x n+m T, jehož složky splňují vlastní omezení úlohy a podmínky nezápornosti Počet přípustných řešení (PŘ): protože počet proměnných (n+m) je větší než počet rovnic (m), má úloha LP buď: 1. nekonečně mnoho přípustných řešení nebo 2. žádné přípustné řešení Mgr. Sekničková Jana, Ph.D. 30
x 2 60 45 0 90 110 120 180 (2) x 1 (1) (3) (4) Množina přípustných řešení (konvexní polyedr) -90 Mgr. Sekničková Jana, Ph.D. 31
2.10 Základní pojmy LP Základní řešení ekvivalentní soustavy rovnic je takový vektor x = x 1, x 2,, x n+m T, který má maximálně m nenulových složek (zbývajících n složek je rovných 0) Základní řešení (ZŘ) ekvivalentní soustavy rovnic (ESR): protože ekvivalentní soustava rovnic obsahuje m rovnic (lineárně nezávislých) a m+n proměnných má v typickém případě nekonečně mnoho řešení některá z nich lze najít tak, že hodnoty n proměnných zvolíme libovolně (základní proměnné s hodnotou 0) a zbývajících m proměnných dopočítáme řešením soustavy Mgr. Sekničková Jana, Ph.D. 32
2.10 Základní pojmy LP Příklad Počet strukturních proměnných: n = 2 Počet rovnic ekvivalentní soustavy: m = 4 Počet proměnných v ESR: m + n = 4 + 2 = 6 1 x 1 + 2 x 2 + x 3 = 120 1 x 1 + 4 x 2 + x 4 = 180 1 x 1 1 x 2 x 5 = 90 1 x 1 + 0 x 2 + x 6 = 110 Základní řešení: x = x 1, x 2,, x T T n+m = x 1, x 2, x 3, x 4, x 5, x 6 x = 0, 0, x 3, x 4, x 5, x T 6 x = 0, 0, 120, 180, 90, 110 T x = 0, x 2, 0, x 4, x 5, x T 6 x = 0, 60, 0, 60, 150, 110 T x = x 1, x 2, 0, x 4, x 5, 0 T x = 110, 5, 0, 50, 15, 0 T Mgr. Sekničková Jana, Ph.D. 33
2.10 Základní pojmy LP Počet základních řešení ESR: Kolika způsoby lze z m+n proměnných vybrat těch n proměnných, které budou základní (a budou tedy rovny 0)? m + n n = m + n! n! m + n n! = m + n! n! m! Kolika způsoby lze z m+n proměnných vybrat těch m proměnných, které nebudou základní (a budou tedy dopočítány)? m + n m = m + n! m! m + n m! = m + n! m! n! Mgr. Sekničková Jana, Ph.D. 34
2.10 Základní pojmy LP Počet základních řešení ESR: m + n n = m + n! m! n! Pokud jsou m a n konečná čísla, je počet základních řešení ESR také konečný. Kolik ZŘ má ESR pro náš příklad? 1 x 1 + 2 x 2 + x 3 = 120 1 x 1 + 4 x 2 + x 4 = 180 1 x 1 1 x 2 x 5 = 90 1 x 1 + 0 x 2 + x 6 = 110 Mgr. Sekničková Jana, Ph.D. 35
x 2 60 45 0 90 110 120 180 (2) x 1 (1) (3) (4) Základní řešení ESR -90 Mgr. Sekničková Jana, Ph.D. 36
2.10 Základní pojmy LP Jsou všechna základní řešení ESR přípustnými řešeními původní úlohy LP? Základní řešení: x = x 1, x 2, x 3, x 4, x 5, x 6 T x = 0, 0, 120, 180, 90, 110 T x = 0, 60, 0, 60, 150, 110 T x = 110, 5, 0, 50, 15, 0 T Lis: 1 x 1 + 2 x 2 120 [min] Balení: 1 x 1 + 4 x 2 180 [min] Poptávka: 1 x 1 1 x 2 90 [krabiček] Šroubky: 1 x 1 + 0 x 2 110 [min] Nezápornost: x 1, x 2 0 [krabiček] Zisk: 40 x 1 + 60 x 2 max [Kč] Mgr. Sekničková Jana, Ph.D. 37
2.10 Základní pojmy LP Základní řešení úlohy LP neboli základní přípustné řešení úlohy LP je takové základní řešení ekvivalentní soustavy rovnic, které splňuje všechna vlastní omezení úlohy LP i podmínky nezápornosti. Základní přípustné řešení (ZPŘ) úlohy LP: Má všechny složky nezáporné Strukturní proměnné jsou nezáporné vzhledem k podmínkám nezápornosti v úloze LP Přídatné proměnné jsou nezáporné z definice (záporná hodnota přídatné proměnné znamená, že vlastní omezení není splněno) Mgr. Sekničková Jana, Ph.D. 38
2.10 Základní pojmy LP Základní přípustné řešení úlohy LP je takové přípustné řešení, které má maximálně tolik kladných složek, kolik je lineárně nezávislých vlastních omezení, tj. m, zbývající složky (alespoň n) jsou rovny nule. Vektory strukturních koeficientů u proměnných s kladnou hodnotou jsou lineárně nezávislé. Degenerované základní přípustné řešení (ZPŘ): Má-li řešení méně než m kladných složek Má-li řešení více než n nulových složek Mgr. Sekničková Jana, Ph.D. 39
Počet základních přípustných řešení (ZPŘ) úlohy LP: Kolik PŘ má úloha LP? Buď žádné nebo nekonečně mnoho Kolik základních přípustných řešení má úloha LP? Buď žádné 2.7 Základní pojmy LP nebo maximálně m + n m Kolik ZŘ má ESR? = m + n! m! n! Maximálně m + n m + n! = m m! n! Mgr. Sekničková Jana, Ph.D. 40
x 2 60 45 D 0 A 90 110 C B 120 180 (2) x 1 (1) (3) (4) Množina Základní přípustných přípustná Základní řešení ESR řešení řešení úlohy LP -90 Mgr. Sekničková Jana, Ph.D. 41
2.10 Základní pojmy LP Výpočet základních přípustných řešení: Bod A: (3) + (x 2 0) A = 90, 0, x = 90, 0, 30, 90, 0, 20 T Bod B: (4) + (x 2 0) B = 110, 0, x = 110, 0, 10, 70, 20, 0 T Bod C: (1) + (4) C = 110, 5, x = 110, 5, 0, 50, 15, 0 T Bod D: (1) + (3) D = 100, 10, x = 100, 10, 0, 40, 0, 10 T Lis: 1 x 1 + 2 x 2 120 [min] Balení: 1 x 1 + 4 x 2 180 [min] Poptávka: 1 x 1 1 x 2 90 [krabiček] Šroubky: 1 x 1 + 0 x 2 110 [min] Nezápornost: x 1, x 2 0 [krabiček] 1 x 1 + 2 x 2 + x 3 = 120 min 1 x 1 + 4 x 2 + x 4 = 180 min 1 x 1 1 x 2 x 5 = 90 [krabiček] 1 x 1 + 0 x 2 + x 6 = 110 [min] x 1, x 2, x 3, x 4, x 5, x 6 0 Mgr. Sekničková Jana, Ph.D. 42
2.10 Základní pojmy LP Optimální řešení úlohy LP je takové přípustné řešení x = x 1, x 2,, x n+m T, které má nejvyšší (nejnižší) hodnotu účelové funkce. Optimální řešení (OŘ): Přípustné řešení s nejlepší hodnotou účelové funkce Nejlepší přípustné řešení Z grafického zobrazení je zřejmé, že existuje-li, musí ležet na hranici množiny přípustných řešení Mgr. Sekničková Jana, Ph.D. 43
2.10 Základní pojmy LP Počet optimálních řešení: Optimální řešení úlohy LP je přípustné řešení s nejlepší hodnotou účelové funkce. Pokud úloha LP nemá žádné přípustné řešení Nemá žádné optimální řešení Pokud má úloha LP nekonečně mnoho přípustných řešení Pak je optimální to s nejlepší hodnotou účelové funkce Mgr. Sekničková Jana, Ph.D. 44
2.10 Základní pojmy LP Musí OŘ existovat? Musí být jediné? Může jich být více? Dokážeme ho vždy najít? Mgr. Sekničková Jana, Ph.D. 45
2.11 Možnosti zakončení výpočtu O počtu optimálních řešení rozhoduje: Množina přípustných řešení Počet přípustných řešení (žádné, nekonečně mnoho) Tvar množiny přípustných řešení (prázdná, omezená, neomezená) Účelová funkce Sklon účelové funkce Extrém účelové funkce Mgr. Sekničková Jana, Ph.D. 46
a) MPŘ - prázdná Žádné OŘ Mgr. Sekničková Jana, Ph.D. 47
b) MPŘ - omezený konvexní polyedr z... max. x 2 OPTIMUM Jedno OŘ x 1 Mgr. Sekničková Jana, Ph.D. 48
b) MPŘ - omezený konvexní polyedr z... max. x 2 Nekonečně OPTIMUM mnoho OŘ OPTIMUM x 1 Mgr. Sekničková Jana, Ph.D. 49
c) MPŘ - neomezená konvexní množina x 2 z... max. Jedno OŘ OPTIMUM Mgr. Sekničková Jana, Ph.D. 50 x 1
c) MPŘ - neomezená konvexní množina x 2 z... max. Nekonečně OPTIMUM mnoho OŘ OPTIMUM Mgr. Sekničková Jana, Ph.D. 51 x 1
x 2 c) MPŘ - neomezená konvexní množina z... max. Žádné OŘ Mgr. Sekničková Jana, Ph.D. 52 x 1
2.11 Možnosti zakončení výpočtu Počet optimálních řešení: Žádné optimální řešení Prázdná množina přípustných řešení nebo Neomezená hodnota účelové funkce Má jediné optimální řešení MPŘ je omezená ve směru hledaného optima a Účelová funkce se MPŘ dotkne v jediném bodě Má nekonečně mnoho optimálních řešení MPŘ je omezená ve směru hledaného optima a Účelová funkce je rovnoběžná s hranou (stěnou) MPŘ Mgr. Sekničková Jana, Ph.D. 53
2.11 Možnosti zakončení výpočtu Má-li úloha LP optimální řešení: Buď je toto optimální řešení jediné MPŘ je omezená ve směru hledaného optima a Účelová funkce se MPŘ dotkne v jediném bodě OŘ je ve vrcholu konvexního polyedru je ZPŘ Nebo je optimálních řešení nekonečně mnoho MPŘ je omezená ve směru hledaného optima a Účelová funkce je rovnoběžná s hranou (stěnou) MPŘ Alespoň jedno OŘ je ve vrcholu konvexního polyedru ZPŘ Mgr. Sekničková Jana, Ph.D. 54
2.12 Základní věta LP Má-li úloha LP optimální řešení, pak má také základní optimální řešení Základní věta lineárního programování (ZVLP) Věta nic neříká o případu, kdy úloha LP nemá optimální řešení! Pokud existuje OŘ, pak existuje také základní OŘ. Co je to základní OŘ? Mgr. Sekničková Jana, Ph.D. 55
2.12 Základní věta LP Základní optimální řešení: Základní řešení Optimální řešení Přípustné řešení Řešení s nejlepší hodnotou účelové funkce Základní optimální řešení = základní přípustné řešení s nejlepší hodnotou účelové funkce Mgr. Sekničková Jana, Ph.D. 56
2.12 Základní věta LP Důsledek základní věty lineárního programování: Má-li úloha LP optimální řešení, pak alespoň jedno z nich je základní přípustné řešení. Význam základní věty lineárního programování: Optimální řešení stačí hledat mezi základními přípustnými řešeními. ZPŘ je konečný počet Mgr. Sekničková Jana, Ph.D. 57
2.12 Základní věta LP Výpočet základních přípustných řešení: A = 90, 0, x = 90, 0, 30, 90, 0, 20 T B = 110, 0, x = 110, 0, 10, 70, 20, 0 T C = 110, 5, x = 110, 5, 0, 50, 15, 0 T D = 100, 10, x = 100, 10, 0, 40, 0, 10 T z A = 3600 z B = 4400 z C = 4700 z D = 4600 Lis: 1 x 1 + 2 x 2 120 [min] Balení: 1 x 1 + 4 x 2 180 [min] Poptávka: 1 x 1 1 x 2 90 [krabiček] Šroubky: 1 x 1 + 0 x 2 110 [min] Nezápornost: x 1, x 2 0 [krabiček] Zisk: z = 40 x 1 + 60 x 2 max [Kč] Optimální řešení: x = 110, 5, 0, 50, 15, 0 T z = 4700 Mgr. Sekničková Jana, Ph.D. 58
Detaily k přednášce: skripta, kap. 2.1 2.3 KONEC Mgr. Sekničková Jana, Ph.D. 59