Příklady modelů lineárního programování



Podobné dokumenty
Lineární programování

4EK201 Matematické modelování. 2. Lineární programování

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

4EK311 Operační výzkum. 2. Lineární programování

4EK311 Operační výzkum. 4. Distribuční úlohy LP část 1

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

4EK213 LINEÁRNÍ MODELY

Obr. P1.1 Zadání úlohy v MS Excel

4EK213 Lineární modely. 12. Dopravní problém výchozí řešení

Ekonomická formulace. Matematický model

12. Lineární programování

Simplexové tabulky z minule. (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25

Metody lineární optimalizace Simplexová metoda. Distribuční úlohy

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

1.1 Typy úloh LP. Klíčová slova: úlohy LP, formulace modelu. 1. Formulace ekonomického modelu.

4EK213 LINEÁRNÍ MODELY

1. července 2010

skladbu obou směsí ( v tunách komponenty na 1 tunu směsi):

7. přednáška Systémová analýza a modelování. Přiřazovací problém

1 Úvod do celočíselné lineární optimalizace

Matematické modelování 4EK201

Parametrické programování

4EK201 Matematické modelování 5. Speciální úlohy lineárního programování

6 Simplexová metoda: Principy

Operační výzkum. Přiřazovací problém.

4EK201 Matematické modelování. 4. Typické úlohy lineárního programování

Obecná úloha lineárního programování

4EK212 Kvantitativní management. 2. Lineární programování

Vícekriteriální programování příklad

Kvantitativní metody v rozhodování. Marta Doubková

4EK213 Lineární modely. 10. Celočíselné programování

EKONOMICKO-MATEMATICKÉ METODY

4EK213 LINEÁRNÍ MODELY

Oběžný majetek. Peníze Materiál Nedokončená výroba Hotové výrobky Pohledávky Peníze. Plánování a normování materiálových zásob.

13. Lineární programování

Využití simplexového algoritmu v projektování výroby

MANAŽERSKÉ ÚČETNICTVÍ

PŘÍKLAD 6: Řešení: Příprava k přijímacím zkouškám na střední školy matematika 29. Určete, pro které x je hodnota výrazu 8x 6 rovna: a) 6 b) 0 c) 34

1. Úloha o optimálnom výrobnom pláne (optimálne využitie výrobných faktorov)

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

Teorie her a ekonomické rozhodování. 2. Maticové hry

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

Přednáška č.7 Ing. Sylvie Riederová

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

Příklady k T 2 (platí pro seminární skupiny 1,4,10,11)!!!

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

Příklady ke cvičením. Modelování produkčních a logistických systémů

4EK213 Lineární modely. 4. Simplexová metoda - závěr

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

koncentraci jsme získali roztok o koncentraci 18 %. Urči koncentraci neznámého roztoku.

Systémové modelování. Ekonomicko matematické metody I. Lineární programování

Lineární rovnice. Rovnice o jedné neznámé. Rovnice o jedné neznámé x je zápis ve tvaru L(x) = P(x), kde obě strany tvoří výrazy s jednou neznámou x.

OSTRAVSKÁ UNIVERZITA PŘÍRODOVĚDECKÁ FAKULTA [ MOPV ] METODY OPERAČNÍHO VÝZKUMU

3 Úloha lineární optimalizace

Nalezněte obecné řešení diferenciální rovnice (pomocí separace proměnných) a řešení Cauchyho úlohy: =, 0 = 1 = 1. ln = +,

4EK212 Kvantitativní management. 3. Typické úlohy LP

Lineární programování

10. přednáška (slovní úlohy vedoucí na extrémy - pokračování)

V exponenciální rovnici se proměnná vyskytuje v exponentu. Obecně bychom mohli exponenciální rovnici zapsat takto:

Obsah. Vymezení použitých pojmů

M - Kvadratické rovnice a kvadratické nerovnice

15. Soustava lineárních nerovnic - optimalizace

ANTAGONISTICKE HRY 172

4EK311 Operační výzkum. 3. Optimalizační software a stabilita řešení úloh LP

6. Lineární (ne)rovnice s odmocninou

3. ANTAGONISTICKÉ HRY

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

1 Mnohočleny a algebraické rovnice

Nyní využijeme slovník Laplaceovy transformace pro derivaci a přímé hodnoty a dostaneme běžnou algebraickou rovnici. ! 2 "

4EK213 Lineární modely. 5. Dualita v úlohách LP

RNDr. Sousedíková Radmila, Ph.D.

JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH EKONOMICKÁ FAKULTA OPERAČNÍ ANALÝZA

Metodické pokyny pro práci s modulem Řešitel v tabulkovém procesoru Excel

16. Goniometrické rovnice

Nástroje pro analýzu dat

2, ZÁSOBY VLASTNÍ VÝROBY

4 Kriteriální matice a hodnocení variant

Jednoduchá exponenciální rovnice

Stavebnictví NÁKLADY, CENA A OBJEM PRODUKCE

V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti

2.2 Grafické ešení úloh LP

1 Mnohočleny a algebraické rovnice

4. Aplikace matematiky v ekonomii

4EK314 Diskrétní modely Příklady

MO-ME-N-T MOderní MEtody s Novými Technologiemi

Západočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat

Jiří Neubauer. Katedra ekonometrie FEM UO Brno

2 Spojité modely rozhodování

M - Kvadratické rovnice

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

Diferenciální rovnice 1

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

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

6. Teorie výroby Průvodce studiem: 6.2 Produkční analýza v krátkém období celkový (fyzický) produkt (TP)

Operační výzkum. Vícekriteriální programování. Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování.

2. část: Základy matematického programování, dopravní úloha. Ing. Michal Dorda, Ph.D.

FORMULACE SPECIÁLNÍCH PODMÍNEK V OPTIMALIZAČNÍCH MODELECH

Obchodní přirážka. Procento obchodní přirážky

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické

Systematická tvorba jízdního řádu 2. cvičení

Transkript:

Příklady modelů lineárního programování Příklad 1 Optimalizace výroby konzerv. Podnik vyrábí nějaký výrobek, který prodává v 1 kg a 2 kg konzervách, přičemž se řídí podle následujících velmi zjednodušených předpokladů. Na výrobním zařízení, na kterém se z nakoupených plechů zhotovují plechovky, trvá výroba 100 plechovek bez rozdílu velikosti 1 hodinu. Zařízení může být v provozu nejvýše 70 hodin týdně. Týdně lze k plnění do plechovek připravit 10000 kg výrobku a při plnění nevzniká žádný odpad. Prodejní oddělení může týdně zabezpečit odbyt 6000 kg výrobku v 1 kg konzervách a 8000 kg ve 2 kg konzervách. Konzervy se prodávají v celcích po 100 kusech. Zisk za kus je u 1 kg konzervy 2 Kč a u 2 kg konzervy 3 Kč. Kolik a kterých konzerv má podnik týdně vyrábět, aby za těchto předpokladů dosáhl maximálního zisku? Specifikace veličin modelu: Neřiditelné veličiny jsou zadány v předchozím textu. Jak uvidíme dále, v průběhu tvorby modelu u některých z nich dojde ke změně jednotek. Rozhodovací proměnné (v závorkách jsou jednotky): x 1 množství 1 kg konzerv (100 ks) x 2 množství 2 kg konzerv (100 ks) Výsledková proměnná: z celkový zisk (100 Kč) Pozn.: Volba jednotek u rozhodovacích proměnných vyplývá ze zadání (konzervy se prodávají v celcích po 100 ks), kdežto volba jednotky u výsledkové proměnné je vedena snahou o zjednodušení modelu. Často vhodnou volbou jednotek můžeme zlepšit výpočetní vlastnosti modelu. Účelová funkce: Kritériem rozhodování je hodnota celkového zisku a účelová funkce vyjadřuje závislost této veličiny na rozhodovacích proměnných. z = 2 x 1 + 3 x 2 Pozn.: Zde došlo ke změně jednotky neřiditelných veličin, jimiž jsou zisky za jednotku výrobku. Novou jednotkou hodnot 2 a 3 je 100 Kč /100 ks. Výrobní omezení: Omezení výroby plechovek (závorkách je jednotka): x 1 + x 2 70 (hod) Výraz na levé straně představuje spotřebu kapacity zařízení na výrobu plechovek pro plán výroby konzerv určený hodnotami x 1 a x 2. Koeficienty 1 na levé straně mají jednotku hod /100 ks. - 1 -

Omezení přípravy výrobku: 100 x 1 + 200 x 2 10000 (kg) Na 100 ks 1 kg konzerv se spotřebuje 100 kg výrobku a na 100 ks 2 kg konzerv se spotřebuje 200 kg výrobku. Omezení můžeme zjednodušit volbou jednotky 100 kg pro kapacitu linky na přípravu výrobku. x 1 + 2 x 2 100 (100 kg) Jednotkou koeficientů 1 a 2 je 100 kg / 100 ks. Omezení rozhodovacích proměnných: Odbytová omezení: x 1 60 (100 ks) x 2 40 (100 ks) Zde došlo ke změně jednotky možností odbytu z kg na 100 ks. Podmínky nezápornosti: x 1 0 x 2 0 Nemůžeme vyrábět záporná množství konzerv. Podmínky celočíselnosti (Z označuje množinu celých čísel): Vyrábět můžeme pouze v celcích po 100 ks. maximalizovat x 1 Z x 2 Z z = 2 x 1 + 3 x 2 x 1 + x 2 70 x 1 + 2 x 2 100 x 1 60 x 2 40 x 1, x 2 0 x 1, x 2 Z - 2 -

Tento model je možno řešit graficky nebo pomocí simplexové metody. Řešením modelu jsou optimální hodnoty rozhodovacích proměnných a optimální hodnota účelové funkce x 1,opt = 40, x 2,opt = 30 z opt = 170 Při interpretaci získaného řešení musíme specifikovat, co tyto hodnoty znamenají, a převést je do jednotek odpovídajících zadání. V případě potřeby musíme také předtím provést úpravy související se zjednodušením modelu či postupu řešení (např. úpravu na celočíselné hodnoty). Odpověď na zadaný úkol je tedy následující: podnik má týdně vyrábět 4000 ks 1 kg konzerv a 3000 ks 2 kg konzerv; přitom bude dosahovat zisku 17000 Kč. Dosazením vypočtených hodnot do modelu můžeme získat další užitečné informace. Prvá dvě omezení jsou splněna jako rovnice, což znamená, že kapacity výrobních zařízení jsou plně využity. Nevyužité zůstávají možnosti odbytu na trhu by bylo možno ještě uplatnit 2000 ks 1 kg konzerv a 1000 ks 2 kg konzerv. - 3 -

Příklad 2 Optimalizace výrobního programu Podnik vyrábí dva typy zaměnitelných výrobků za těchto podmínek: slévárna může vyrobit odlitky nejvýše buď pro 80 ks typu I nebo pro 100 ks typu II. lisovna může vyrobit výlisky nejvýše pro buď pro 200 ks typu I nebo pro 60 ks typu II. montáž typu I má kapacitu 60 ks montáž typu II má kapacitu 80 ks. Cena obou typů za 1 ks je 28000 Kč. Je třeba stanovit výrobní program, který zajistí maximální hodnotu produkce. x 1 množství výrobků typu I (ks) x 2 množství výrobků typu II (ks) z celková hodnota produkce (1000 Kč) V zadání nejsou explicitně zadány spotřeby kapacit slévárny a lisovny na jednotky výrobků I a II, můžeme je ale odvodit následujícím způsobem. Jestliže slévárna má kapacitu 100 %, pak na 1 ks výrobku typu I je zapotřebí 5/4 % kapacity (100/80) a na 1 ks výrobku typu II je zapotřebí 1 % kapacity (100/100). Jestliže lisovna má kapacitu 100 %, pak na 1 ks výrobku typu I je zapotřebí 1/2 % kapacity (100/200) a na 1 ks výrobku typu II je zapotřebí 5/3 % kapacity (100/60). maximalizovat z = 28 x 1 + 28 x 2 5 x1 + x 2 100 (%) 4 1 x1 + 2 5 x2 100 (%) 3 x 1 60 (ks) x 2 80 (ks) x 1, x 2 0 x 1, x 2 Z - 4 -

Příklad 3 Optimalizace nákupu surovin Tři prvky P 1, P 2, P 3 jsou obsaženy ve čtyřech různých sloučeninách S 1, S 2, S 3, S 4. Obsahy prvků v jednotlivých sloučeninách, jakož i ceny sloučenin a potřebná množství prvků jsou uvedeny v tabulce. Ve sloupcích 2 5 je množství prvku v g, které lze získat z 1 kg sloučeniny. V posledním sloupci je minimálně potřebné množství prvků v kg. Název prvku množství prvku v g z 1kg sloučeniny S 1 S 2 S 3 S 4 minimálně potřebné množství v kg P 1 0 2 4 5 5 P 2 2 2 0 4 6 P 3 10 5 4 10 18 cena sloučeniny v Kč/kg 15 10 12 25 Má se zjistit, které sloučeniny a v jakém množství je třeba nakoupit, aby bylo získáno potřebné množství prvků za nejnižší cenu. x j z množství suroviny S j (kg) celková cena surovin (Kč) minimalizovat z = 15 x 1 + 10 x 2 + 12 x 3 + 25 x 4 2 x 2 + 4 x 3 + 5 x 4 5000 (g) 2 x 1 + 2 x 2 + 4 x 4 6000 (g) 10 x 1 + 5 x 2 + 4 x 3 + 10 x 4 18000 (g) x 1, x 2, x 3, x 4 0 Při tvorbě modelu je nutno si dát pozor na to, že jednotky v zadání nejsou konzistentní. Množství prvků, které lze získat ze sloučenin, jsou v gramech, kdežto potřeba prvků je udána v kilogramech. Vhodnější v tomto případě bylo upravit jednotky požadovaných množství prvků. - 5 -

Příklad 4 Nutriční problém (jedná se o zvláštní případ směšovacího problému) Krmná směs musí obsahovat alespoň 60 jednotek látky L 1, 160 jednotek látky L 2 a 180 jednotek látky L 3. Směs lze vyrábět ze dvou surovin S 1 a S 2, přičemž 1 kg suroviny S 1 obsahuje 3 jednotky látky L 1, 4 jednotky látky L 2 a 2 jednotky látky L 3 ; 1 kg suroviny S 2 obsahuje 1 jednotku látky L 1, 3 jednotky látky L 2 a 4 jednotky látky L 3. 1 kg suroviny S 1 stojí 14 Kč a 1 kg suroviny S 2 stojí 13 Kč. Je třeba určit množství surovin S 1 a S 2, jejichž smícháním dostaneme krmnou směs s požadovaným obsahem látek L 1, L 2 a L 3 tak, aby celkové náklady na použité suroviny byly co nejnižší. x j z množství suroviny S j (kg) celková cena surovin (Kč) minimalizovat z = 14 x 1 + 13 x 2 3 x 1 + 1 x 2 60 (j) 4 x 1 + 3 x 2 160 (j) 2 x 1 + 4 x 2 180 (j) x 1, x 2 0-6 -

Příklad 5 Řezný problém Strojírenský závod potřebuje pro svoji výrobu 3 druhy kovových tyčí T 1, T 2, T 3, přičemž tyče T 1 mají délku 90 cm, tyče T 2 mají délku 70 cm a tyče T 3 mají délku 50 cm. K dispozici jsou pouze tyče délky 190 cm, které je třeba rozřezat. Přípustné jsou pouze takové způsoby řezání tyčí standardní délky, při kterých nebude odpad větší než 40 cm. Požaduje se 400 tyčí T 1, 400 tyčí T 2 a 1300 tyčí T 3. Má se určit takový řezný plán, při kterém budou splněny požadavky při použití co nejmenšího počtu kusů tyčí standardní délky. Než začneme sestavovat model, musíme nejdříve zjistit všechny možné přípustné způsoby rozřezání tyče standardní délky na požadované tyče. Tyto způsoby, neboli tzv. řezné plány, jsou uvedeny v následující tabulce Požadované tyče řezné plány P 1 P 2 P 3 P 4 P 5 P 6 potřebné množství v ks T 1 (90 cm) 2 1 1 0 0 0 400 T 2 (70 cm) 0 1 0 2 1 0 400 T 3 (50 cm) 0 0 2 1 2 3 1300 odpad v cm 10 30 0 0 20 40 x j z počet standardních tyčí rozřezaných podle j-tého řezného plánu (ks) celkový počet rozřezaných tyčí (ks) minimalizovat z = x 1 + x 2 + x 3 + x 4 + x 5 + x 6 2 x 1 + x 2 + x 3 = 400 (ks) x 2 + 2 x 4 + x 5 = 400 (ks) + 2 x 3 + x 4 + 2 x 5 + 3 x 6 = 1300 (ks) x 1, x 2,..., x 6 0 x 1, x 2,..., x 6 Z Poznamenejme, že v této úloze máme ještě jednu možnost volby kritéria: můžeme požadovat, aby celkový odpad byl minimální. Pak účelová funkce vypadá takto (jednotkou jsou centimetry): z = 10 x 1 + 30 x 2 + 20 x 5 + 40 x 6-7 -

Příklad 6 Dopravní problém Závod na výrobu cementu zásobuje ze dvou skladů S 1 a S 2 tři stálé zákazníky Z 1, Z 2 a Z 3. Tabulka udává měsíční zásoby cementu na skladech (v tunách), měsíční požadavky zákazníků (v tunách) a náklady na přepravu 1 tuny cementu z každého skladu ke každému zákazníkovi. Je třeba určit takový plán rozvozu cementu, při kterém nebudou překročeny kapacity skladů, budou uspokojeny požadavky zákazníků a přepravní náklady budou co nejnižší. Sklady zákazníci Z 1 Z 2 Z 3 zásoby v tunách S 1 5 2 3 30 S 2 2 1 1 75 požadavky v tunách 35 25 45 x ij množství cementu dopravené z i-tého skladu j-tému zákazníkovi (t) z celkové náklady na přepravu minimalizovat z = 5 x 11 + 2 x 12 + 3 x 13 + 2 x 21 + x 22 + x 23 x 11 + x 12 + x 13 30 (t) x 21 + x 22 + x 23 75 (t) x 11 + x 21 = 35 (t) x 12 + x 22 = 25 (t) x 13 + x 23 = 45 (t) x 11, x 12, x 13, x 21, x 22, x 23 0 Prvá dvě omezení se týkají skladů a vyjadřují, že celkové množství dodané z určitého skladu nesmí být větší než jeho kapacita. Další tři omezení vyjadřují, že každý zákazník dostane přesně to množství, které požaduje. Vzhledem k tomu, že součet požadavků zákazníků je roven součtu kapacit skladů (oba mají hodnotu 105), můžeme i prvá dvě omezení zapsat jako rovnice. V takovém případě říkáme, že dopravní problém je vyvážený. - 8 -