Metody wielokryterialne. Tadeusz Trzaskalik

Wielkość: px
Rozpocząć pokaz od strony:

Download "Metody wielokryterialne. Tadeusz Trzaskalik"

Transkrypt

1 Metody wielokryterialne Tadeusz Trzaskalik

2 4.1. Wprowadzenie Słowa kluczowe Zadanie wielokryterialne Zadanie wielokryterialne programowania liniowego Przestrzeń decyzyjna Zbiór rozwiązań za dopuszczalnych w przestrzeni decyzyjnej Przestrzeń kryterialna Zbiór rozwiązań dopuszczalnych w przestrzeni kryterialnej Zadanie wektorowej maksymalizacji Rozwiązanie dominujące Rozwiązanie niezdominowane Rozwiązanie sprawne T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 2

3 4.1. Wprowadzenie Słowa kluczowe (c.d.) Rozwiązanie końcowe Metoda satysfakcjonujących poziomów kryteriów Współczynniki wagowe Hierarchizacja kryteriów Punkt idealny Metody interaktywne Programowanie celowe Bilansowanie celów Cele kierunkowe Cele punktowe Cele przedziałowe T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 3

4 4.1. Wprowadzenie Słowa kluczowe (c.d.) Wielokryterialne metody dyskretne Metoda AHP Metoda Promethe V Metoda Electre I T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 4

5 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (1/6) Przykład 4.1 P 1 P 2 Zasoby S S S Należy zaplanować produkcję w taki sposób, by jednocześnie zmaksymalizować zysk oraz łączne rozmiary produkcji. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 5

6 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (2/6) Model matematyczny Zmienne decyzyjne - planowany rozmiar produkcji produktu P 1 x 2 - planowany rozmiar produkcji produktu P 2 Funkcje celu f 1 (,x 2 ) - funkcja opisująca zysk f 2 (,x 2 ) - funkcja opisująca łączne rozmiary produkcji Wektorowa funkcja kryterium F( x 1, x 2 ) = f f 1 2 ( x 1 ( x 1, x 2, x 2 ) ) 2x = x x + x 2 2 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 6

7 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (3/6) Model matematyczny (c.d.) Warunki ograniczające x x x , x 2 0 Zbiór rozwiązań dopuszczalnych w przestrzeni decyzyjnej A B O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 7

8 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (4/6) Zbiór rozwiązań dopuszczalnych w przestrzeni kryterialnej Twierdzenie 4.1 Zbiór rozwiązań dopuszczalnych zadania wielokryterialnego programowania liniowego w przestrzeni kryterialnej jest wielościanem wypukłym. Każdy wierzchołek tego wielościanu jest obrazem pewnego wierzchołka zbioru decyzji dopuszczalnych w przestrzeni decyzyjnej, natomiast pozostałe punkty to zbiór wszystkich kombinacji wypukłych punktów wierzchołkowych. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 8

9 ryterialne O F O F = = = 0 ([0,0]) ) ( A F A F = = = 12 ([0,4]) ) ( + + = = ), ( ), ( ), ( x x x x x x f x x f x x F 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (5/6) Zbiór rozwiązań dopuszczalnych w przestrzeni kryterialnej (c.d.) 4. Metody wielokr T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 9 O F O F = = = 0 ([0,0]) ) ( A F A F = = = 4 ([0,4]) ) ( B F B F = = = 6 14 ([4,2]) ) ( C F C F = = = 4 8 ([4,0]) ) ( = = = 0,,, 1,, : λ λ λ λ λ λ λ λ λ λ λ λ C B A O Y Y Y

10 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie dominujące (6/6) Interpretacja geometryczna y 2 O' C' C' A' B' y 1 B dominuje wszystkie rozwiązania dopuszczalne w przestrzeni kryterialnej T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 10

11 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie niezdominowane (1/4) Przykład 4.2 Należy zaplanować produkcję w taki sposób, by jednocześnie zmaksymalizować zysk oraz zminimalizować wykorzystanie deficytowegośrodka S 1 Model matematyczny f 1 (, x 2 ) = 2 + 3x 2 max ϕ 2 (, x 2 ) = 2 + 2x 2 min + 2x , x 2 0 f 1 (, x 2 ) = 2 + 3x 2 max f 2 (, x 2 ) = 2 2x 2 max + 2x , x 2 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 11

12 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie niezdominowane (2/4) Zbiory rozwiązań dopuszczalnych w przestrzeni decyzyjnej w przestrzeni kryterialnej ryterialne x 2 O' y 2 y1 4. Metody wielokr A O B C C' A' B' Brak rozwiązania dominującego T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 12

13 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie niezdominowane (3/4) Stożki rozwiązań dominujących i zdominowanych przez Y y 2 Rozwiązania nieporównywalne z Y' Stożek rozwiązań zdominowanych przez Y' Y' Stożek rozwiązań dominujących Y' Rozwiązania nieporównywalne z Y' y 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 13

14 4.2. Zadanie wektorowej maksymalizacji Rozwiązanie niezdominowane (4/4) Rozwiązania niezdominowane i zdominowane O' y 2 y1 E' C' D' A' F' B' Rozwiązania niezdominowane: O, A, B, O A, A B Rozwiązania w przestrzeni decyzyjnej, odpowiadające rozwiązaniom niezdominowanym, nazywamy rozwiązaniami sprawnymi. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 14

15 4.3. Metoda ADBASE Rozszerzona tablica simpleksowa (1/2) ADBASE Postać bazowa f 1 (, x 2, x 3, x 4 ) = 2 + 3x 2 max f 2 (, x 2, x 3, x 4 ) = 2 2x 2 max + 2x 2 + x 3 = x 4 = 16, x 2, x 3, x 4 0 Dopuszczalne rozwiązanie bazowe: = 0, x 2 = 0, x 3 = 8, x 4 = 16 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 15

16 4.3. Metoda ADBASE Rozszerzona tablica simpleksowa (2/2) Postać macierzowa Cx max Ax = b x 0, C = A = b = Cx max Baza C B x 2 x 3 x 4 x x x = x x x x d ij = c ij - z ij b T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 16

17 4.3. Metoda ADBASE Zadanie testujące (1/2) Własności zadania testującego Twierdzenie x 2 s 1 + s 2 max s 1 = 0 2 2x 2 s 2 = 0 + 2x 2 + x 3 = x 4 = 16, x 2, x 3, x 4, s 1, s 2 0 Jeżeli optymalna wartość funkcji celu zadania testującego jest równa zeru, wówczas testowane rozwiązanie bazowe jest sprawne. Jeżeli funkcja celu zadania testującego jest ograniczona, rozwiązanie optymalne zadania testującego generuje bazowe rozwiązanie sprawne zadania testowanego. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 17

18 4.3. Metoda ADBASE Zadanie testujące (2/2) Rozwiązanie zadania testującego Rozwiązanie optymalne: 2 + 3x 2 s 1 + s 2 max s 1 = 0 2 2x 2 s 2 = 0 + 2x 2 + x 3 = x 4 = 16, x 2, x 3, x 4, s 1, s 2 0 = 0, x 2 = 0, x 3 = 8, x 4 = 16, s 1 = 0, s 2 = 0. Optymalna wartość funkcji celu wynosi 0, czyli testowane rozwiązanie jest sprawne. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 18

19 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (1/12) Definicja B O = {x 3, x 4 } B A = {x 2, x 4 } B = {x B 1, x 2 } B C = {, x 3 } A O x 2 B C Dwa rozwiązania bazowe, odpowiadające wierzchołkom P i Q nazywamy sąsiednimi bazowymi rozwiązaniami sprawnymi, jeżeli obydwa są rozwiązaniami sprawnymi, są one sąsiednimi rozwiązaniami bazowymi oraz wszystkie punkty leżące na odcinku PQ są rozwiązaniami sprawnymi. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 19

20 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (2/12) Niebazowa zmienna sprawna Λ = {λ = [λ 1..., λ k ]: k i= 1 λ i = 1, λ i > 0 dla i=1,...,k} Twierdzenie 4.4 λd N 0 λd j = 0 Wygenerowane przy pomocy niebazowej zmiennej sprawnej rozwiązanie bazowe, odpowiadające wierzchołkowi Q jest sąsiednim bazowym rozwiązaniem sprawnym dla tego wierzchołka. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 20

21 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (3/12) Sprawdzanie sprawności zmiennych Zmienna ryterialne D = DN = d 1 = Metody wielokr 2λ 1 2λ 2 = 0 3λ 1 2λ 2 0 λ 1 + λ 2 = 1 λ 1 0, λ 2 0 Układ sprzeczny, czyli zmienną sprawną. nie jest w rozpatrywanej bazie niebazową T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 21

22 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (4/12) Sprawdzanie sprawności zmiennych (c.d.) Zmienna x 2 ryterialne D = DN = d 2 = Metody wielokr 2λ 1 2λ 2 0 3λ 1 2λ 2 = 0 λ 1 + λ 2 = 1 λ 1 0, λ 2 0 λ 1 = 2/5, λ 2 = 3/5. Zmienna x 2 jest w rozpatrywanej bazie niebazową zmienną sprawną. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 22

23 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (5/12) Przekształcenie simpleksowe Pierwsza tablica simpleksowa Cx max Baza C B x 2 x 3 x 4 x x d ij = c ij z ij Tablica simpleksowa po wprowadzeniu do bazy zmiennej sprawnej x 2 Cx max Baza C B x 2 x 3 x 4 x ,5 1 0,5 0 4 x d ij = c ij z ij 0,5 0 1, b b T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 23

24 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (6/12) Generowanie wszystkich rozwiązań sprawnych Twierdzenie 4.5 Każde dwa bazowe rozwiązania sprawne można połączyć ciągiem sąsiednich baz sprawnych. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 24

25 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (7/12) Przebieg obliczeń Czy jest niebazową zmienną sprawną? DN 0,5 = 1 λ 1 = 2/3, λ 2 = 1/3. Cx max 1,5 1 d 1 0,5 = 1 0,5λ 1 λ 2 = 0 1,5λ 1 + λ 2 0 λ 1 + λ 2 = 1 λ 1 0, λ Baza C B x 2 x 3 x 4 x ,5-0, ,25 4 d ij = c ij z ij 0 0 1,5 0, ,5 12 b T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 25

26 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (8/12) Przebieg obliczeń (c.d.) Czy x 3 jest niebazową zmienną sprawną? DN = 1,5 1 0,125 0,5 d 3 1,5 = 1 1,5λ 1 + λ 2 = 0 0,125λ 1 + 0,5λ 2 0 λ 1 + λ 2 = 1 λ 1 0, λ 2 0 Układ sprzeczny. Oznacza to,że x 3 nie jest niebazową zmienną sprawną. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 26

27 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (9/12) Przykład 4.3 max max x 2 max x 2 max + 2x x 2 + x 3 = 4 + x x 2 + x 4 = 6, x 2 0, x 2, x 3, x 4 0 x 2 x 0 X Rozwiązanie bazowe: Rozwiązanie bazowe: = 0, x 2 = 0, x 3 = 4, x 4 = 6 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 27

28 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (10/12) Zadanie testujące Rozwiązanie optymalne: s 1 + s 2 max s 1 = 0 x 2 s 2 = 0 + 2x 2 + x 3 = 4 + x 2 + x 4 = 6, x 2, x 3, x 4, s 1, s 2 0 = 0, x 2 = 2, x 3 = 0, x 4 = 4, s 1 = 0, s 2 = 2 Składowe tego rozwiązania: = 0, x 2 = 2, x 3 = 0, x 4 = 4 wyznaczają rozwiązanie sprawne zadania wyjściowego (odpowiadające wierzchołkowi A). T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 28

29 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (11/12) Nieograniczona krawędź sprawna Cx max Baza C B x 2 x 3 x 4 x ,5 1 0,5 0 2 x ,5 0 0,5 1 4 d ij = c ij z ij ,5 0 0,5 0 2 b T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 29

30 4.3. Metoda ADBASE Sąsiednie bazowe rozwiązanie sprawne (12/12) Algorytm 1. Wyznaczenie pierwszego bazowego rozwiązania dopuszczalnego 2. Wyznaczenie bazowego rozwiązania sprawnego 3. Wyznaczenie wszystkich bazowych rozwiązań sprawnych T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 30

31 4.4. Generowanie wybranych rozwiązań sprawnych Wybrane metody skalaryzacji problemu wielokryterialnego Rozwiązanie sprawne możemy otrzymać między innymi: - przy pomocy jednej funkcji celu, - metodą satysfakcjonującego poziomu kryteriów, - metodą sumy ważonej, - poprzez hierarchizację kryteriów, - wykorzystując punkt idealny, - metodą interaktywną. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 31

32 4.4. Generowanie wybranych rozwiązań sprawnych Generowanie rozwiązań sprawnych za pomocą jednej funkcji celu (1/1) Przykład 4.4 A Problem P x 2 max + 2x , x 2 0 x 2 Problem P 2 2 2x 2 max + 2x , x 2 0, x 2 0, x 2 0 B max max A x 2 B O C O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 32

33 4.4. Generowanie wybranych rozwiązań sprawnych Metoda satysfakcjonującego poziomu kryteriów (1/1) Przykład 4.5 A O x 2 D E B C max 2 + 3x 2 max + 2x x 2 10, x 2 0 O' -10 y 2 C' E' A' D' B' y 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 33

34 4.4. Generowanie wybranych rozwiązań sprawnych Metoda sumy ważonej (1/1) Przykład 4.6 Decydent ustalił ważność kryteriów pierwszego i drugiego w stosunku 3 : 1 ryterialne y 1 = 2 + 3x 2 y 2 = 2 2x 2 x 2 4. Metody wielokr y = 3y 1 + y 2 = 3(2 + 3x 2 ) + + ( 2 2x 2 ) = 4 + 7x x 2 max + 2x , x 2 0 A O B C max T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 34

35 4.4. Generowanie wybranych rozwiązań sprawnych Hierarchia kryteriów (1/2) Przykład 4.7 Najważniejszy jest cel pierwszy, na drugim poziomie hierarchii występuje cel drugi. Pierwszy poziom hierarchii 2 + 3x 2 max + 2x , x 2 0 x 2 Drugi poziom hierarchii 2 2x 2 max + 2x x 2 = 14, x 2 0 x 2 A B max A B max O C O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 35

36 4.4. Generowanie wybranych rozwiązań sprawnych Hierarchia kryteriów (2/2) Przykład 4.8 Różnica między wartością optymalną dla pierwszego kryterium a wartością w rozpatrywanym rozwiązaniu nie większa niż 1. Pierwszy poziom hierarchii 2 + 3x 2 max + 2x , x 2 0 x 2 max Drugi poziom hierarchii 2 2x 2 max + 2x x 2 13, x 2 0 O' y 2 13 y 1 A Q B C' A' Q' O C B' T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 36

37 4.4. Generowanie wybranych rozwiązań sprawnych Wykorzystanie punktu idealnego (1/1) Przykład 4.9 Przyjmujemy metrykę euklidesową jako sposób mierzenia odległości w przestrzeni kryterialnej. Punkt idealny Y * (14, 0) y 2 O' Y * C' K' A' y 1 B' T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 37

38 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (1/6) Przykład 4.10 f 1 (, x 2 ) = 2 + 3x 2 max f 2 (, x 2 ) = 2 2x 2 max + 2x , x 2 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 38

39 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (2/6) Przebieg obliczeń Problem P 01 Problem P 02 A 2 + 3x 2 max + 2x , x 2 0 x 2 B O' 2 2x 2 max + 2x , x 2 0 y 2 y 1 C' A' O C B' T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 39

40 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (3/6) Przebieg obliczeń (c.d.) Kryterium Rozwiązanie f 1 f 2 R R Wartość Kryterium Akceptowana Optymistyczna Problem P 11 Problem P x 2 max Warunki ograniczające + 2x x x 2 12, x 2 0 f 1 2 2x 2 max f T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 40

41 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (4/6) Przebieg obliczeń (c.d.) Przestrzeń decyzyjna x 2 A E O D B C Przestrzeń kryterialna y 2 O' 7 D' C' E' A' B' y 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 41

42 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (5/6) Przebieg obliczeń (c.d.) Kryterium Rozwiązanie f 1 f 2 Wartość Kryterium f 1 f 2 R R / 3 Akceptowana Optymistyczna Problem P 21 Problem P x 2 max Warunki ograniczające + 2x x x 2 8, x x 2 max / 3 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 42

43 4.4. Generowanie wybranych rozwiązań sprawnych Metoda interaktywna (6/6) Przebieg obliczeń (c.d.) Przestrzeń decyzyjna Przestrzeń kryterialna A E O x 2 D B C y 2 O' 7-8 D' E' C' A' B' y 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 43

44 4.5. Programowanie celowe Bilansowanie celów (1/3) Przykład 4.11 Cel 1 Cel 2 Zysk na poziomie przynajmniej 12 jednostek f 1 (, x 2 ) = 2 + 3x 2 12 Wykorzystanie zasobów pracy na poziomie 10 jednostek ϕ 1 (, x 2 ) = x 2 = 10 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 44

45 4.5. Programowanie celowe Bilansowanie celów (2/3) Cel 1 + y 1 y 1 = = Równanie bilansujące dla celu < x1 + 3x2-12 gdy f1( x1, x ) 12 gdy f ( x, x ) 12 0 gdy f1( x1, x2) x1 3x2 gdy f1( x1, x2) < x 2 y 1+ + y 1 = 12 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 45

46 4.5. Programowanie celowe Bilansowanie celów (3/3) Cel 2 + y 2 y 2 = = Równanie bilansujące dla celu 2 x1 + 2x2 10 gdy ϕ 2( x1, x ) 10 gdy ϕ 2 ( x1, x ) < gdy ϕ 2( x1, x2) x1 2x2 gdy ϕ 2( x1, x2) < x 2 y 2+ + y 2 = 10 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 46

47 4.5. Programowanie celowe Hierarchizacja odchyleń (1/2) Zadanie pierwszego poziomu hierarchii y 1 min Cel x 2 y 1+ + y 1 = 12 Cel 2 2x x 2 y 2+ + y 2 = 10 Ograniczenia + 2x , x 2, y 1+, y 1, y 2+, y 2 0 Istnieje rozwiązanie optymalne tego zadania, w którym y 1- = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 47

48 4.5. Programowanie celowe Hierarchizacja odchyleń (2/2) Zadanie drugiego poziomu hierarchii ` y 2+ + y 2 min Cel x 2 y 1+ + y 1 = 12 Cel 2 2x x 2 y 2 + y 2 = 10 y 1 = 0 Ograniczenia Rozwiązanie + 2x , x 2, y 1+, y 1, y 2+, y 2 0 = 2, x 2 = 3, y 1+ = 1, y 1- = 0, y 2+ = 0, y 2- = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 48

49 4.5. Programowanie celowe Ilustracja graficzna w przestrzeni decyzyjnej (1/3) Przypadek 1 Cel 1 y 1 = x 2 12 Cel 2 y 2- < 0 A O x 2 y 2+ > 0 D y 2 = x 2 = 10 B E y C 1- < 0 y 1+ > 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 49

50 4.5. Programowanie celowe Ilustracja graficzna w przestrzeni decyzyjnej (2/3) Przypadek 2 Cel 1 y 1 = x 2 12 ryterialne Cel 2 x 2 y 2 = x 2 = Metody wielokr y 2- < 0 A y 2+ > 0 B O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 50

51 4.5. Programowanie celowe Ilustracja graficzna w przestrzeni decyzyjnej (3/3) Przypadek 3 Cel 1 Cel 2 A x 2 y 2- < 0 y 2+ > 0 y 1 = x 2 12 y 2 = x 2 = 14 B O C T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 51

52 4.5. Programowanie celowe Współczynniki wagowe (1/5) Przykład 4.12 Odchylenie in plus w realizacji celu 2 jest dwukrotnie bardziej niekorzystne niż odchylenie in minus. Realizacja obu celów jest tak samo ważna dla decydenta. Model matamatyczny Rozwiązanie y y 2+ + y 2 min 2 + 3x 2 y 1+ + y 1 = x 2 y 2+ + y 2 = x , x 2, y 1+, y 1, y 2+, y 2 0 = 3, x 2 = 2, y 1 + = 0, y 1 = 0, y 2 + = 0, y 2 = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 52

53 4.5. Programowanie celowe Współczynniki wagowe (2/5) Przykład 4.13 Cel 1: Cel 2: Cel 3: Zysk na poziomie przynajmniej 14 jednostek. Zatrudnienie na poziomie 10 jednostek. Cel 2a: Cel 2b: Zatrudnienie nie może przekroczyć 10 jednostek. Zatrudnienie nie może być mniejsze od 10 jednostek. Produkcja P 1 na poziomie przynajmniej 4 jednostek. I poziom hierarchii: Cel 1 i cel 2a. Realizacja celu 1 jest dwukrotnie ważniejsza od realizacji celu 2a II poziom hierarchii: Ważność realizacji celu 3 pozostaje do ważności realizacji celu 2b w stosunku 3 : 2 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 53

54 4.5. Programowanie celowe Współczynniki wagowe (3/5) Zadanie 1 (pierwszy poziom hierarchii) 2y 1 + y 2 + min Cel 1: 2 + 3x 2 y 1+ + y 1 = 14 Cel 2: 2x x 2 y + y 2 = 10 Cel 3: x 2 y 3+ + y 3 = 4 Ograniczenia: + 2x , x 2, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 Minimalna wartość funkcji celu dla Zadania 1 wynosi 2 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 54

55 4.5. Programowanie celowe Współczynniki wagowe (4/5) Zadanie 2 (drugi poziom hierarchii) 2y 2 + 3y 3 min Cel 1: 2 + 3x 2 y 1+ + y 1 = 14 Cel 2: 2 + 2x 2 y 2+ + y 2 = 10 Cel 3: x 2 y 3+ + y 3 = 4 Ograniczenia: Rozwiązanie 2y 1 + y 2 = 2 + 2x , x 2, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 = 2, x 2 = 3, y 1 + = 0, y 1 = 1, y 2 + = 0, y 2 = 0, y 3 + = 0, y 3 = 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 55

56 4.5. Programowanie celowe Współczynniki wagowe (5/5) Współczynniki kary Pozycja w hierarchii Nazwa celu Zysk Zatrudnienie Zatrudnienie Produkcja P 2 2My 1 + My y 2 Poziom osiągnięcia celu y 3 min 2 + 3x 2 y 1+ + y 1 = x 2 y 2+ + y 2 = 10 x 2 y 3+ + y 3 = 4 + 2x , x 2, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 Współczynnik kary 2 M M 2 3 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 56

57 4.6. Wielokryterialne metody dyskretne Sformułowanie problemu Decydent określił pewien skończony zbiór wariantów decyzyjnych A, złożony z n elementów, spośród których chce wybrać wariant najlepiej odpowiadający jego preferencjom. W tym celu określa on również k kryteriów, którymi zamierza się kierować. Metody, pozwalające na rozwiązanie tego typu zadań nazywamy wielokryterialnymi metodami dyskretnymi. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 57

58 4.6. Wielokryterialne metody dyskretne Metoda AHP (1/9) AHP - skala ocen Ocena werbalna Wariant a w porównaniu z wariantem b względem rozpatrywanego kryterium jest preferowany Ocena numeryczna ekstremalnie 9 bardzo silnie do ekstremalnie 8 bardzo silnie 7 silnie do bardzo silnie 6 silnie 5 umiarkowanie do silnie 4 umiarkowanie 3 równoważnie do umiarkowanie 2 równoważnie 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 58

59 4.6. Wielokryterialne metody dyskretne Metoda AHP (2/9) Przykład 4.14 Problem decyzyjny Warianty decyzyjne: Kryteria: Decydent: wybór samochodu wariant a (samochód a), wariant b (samochód b), wariant c (samochód c), cena koszty eksploatacji sylwetka marka student (o niewielkich dochodach) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 59

60 4.6. Wielokryterialne metody dyskretne Metoda AHP (3/9) Porównanie parami wariantów względem kolejnych kryteriów Cena Eksploatacja Sylwetka Marka a b c a b c a b c a b c a 2 a 4 a 2 4 a b b 2 5 b 3 b 5 4 c 6 5 c c c 3 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 60

61 4.6. Wielokryterialne metody dyskretne Metoda AHP (4/9) Porównanie parami kryteriów Cena Eksploatacja Sylwetka Marka Cena 6 2 Eksploatacja Sylwetka 9 Marka T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 61

62 4.6. Wielokryterialne metody dyskretne Metoda AHP (5/9) Macierz porównań a Marka a b c b 5 4 c 3 Kryterium: Marka Marka a b c a 1 1/5 1/3 b c 3 ¼ 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 62

63 4.6. Wielokryterialne metody dyskretne Metoda AHP (6/9) Ranking częściowy 1. W macierzy porównań parami sumujemy wartości kolejnych kolumn. 2. Normalizujemy otrzymaną macierz względem kolumn, dzieląc każdy element i-tej kolumny przez sumę s i. 3. Znajdujemy średnią dla każdego wiersza. Obliczone wartości traktujemy jako względne wagi porównywanych elementów. Marka a b c a 1 1/5 1/3 b c 3 1/4 1 suma 9,000 1,450 5,334 Marka a b c a 0,111 0,138 0,063 b 0,556 0,690 0,750 c 0,333 0,172 0,188 Marka a b c średnia a 0,111 0,138 0,063 0,104 b 0,556 0,690 0,750 0,665 c 0,333 0,172 0,188 0,231 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 63

64 4.6. Wielokryterialne metody dyskretne Metoda AHP (7/9) Współczynnik zgodności 1. Mnożymy macierz porównań przez obliczone uprzednio wagi. 1 1/ 5 1/ 3 0,104 0, ,665 = 2, / 4 1 0,231 0, Dzielimy elementy otrzymanego wektora przez kolejne wagi. 0,314 3,023 0,104 = 3. Obliczamy średnią dla wartości obliczonych w kroku drugim. λ max 2,109 0,665 0,709 = 3,171 = 3, 068 0,231 3, ,171+ 3,068 = = 3,087 3 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 64

65 4.6. Wielokryterialne metody dyskretne Metoda AHP (8/9) Współczynnik zgodności (c.d.) 4. Obliczamy współczynnik zgodności ze wzoru: λmax c = r n n ( 1) r - indeks losowy n r 0,58 0,90 1,12 1,24 1,32 1,41 1,45 1,49 λmax n 3,087 3 c = = = 0,075 r n ( 1) 0,58( 3 1) c 0,1 wystarczająca zgodność T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 65

66 4.6. Wielokryterialne metody dyskretne Metoda AHP (9/9) Przebieg obliczeń Wyniki obliczeń dla pozostałych kryteriów 0,256 0,041 0,233 0,470 cena eksploatacja sylwetka marka a 0,168 0,334 0,557 0,104 b 0,113 0,568 0,320 0,665 c 0,719 0,098 0,123 0,231 Ranking końcowy w = Ww 0,256 0,168 0,334 0,557 0,104 0,236 0,041 w = 0,113 0,568 0,320 0,665 = 0,439 0,233 0,719 0,098 0,123 0,231 0,325 0,470 (3) (1) (2) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 66

67 4.6. Wielokryterialne metody dyskretne Metoda Promethee (1/15) Promethee funkcje preferencji δ i ((a, b) = f i (a) f i (b) Typ Funkcja preferencji Definicja Typ 1 Typ 2 Typ 3 P 1 P 1 P q δ δ 0 δ 0 P 1 ( δ) = 1 δ > 0 P 2 0 ( δ) = 1 P 3 ( δ) = 0 p δ 0 δ p 1 δ q δ > q δ 0 0 < δ δ > p p T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 67

68 4.6. Wielokryterialne metody dyskretne Metoda Promethee (2/15) Promethee funkcje preferencji (c.d.) δ i ((a, b) = f i (a,) f i (b) Typ Funkcja preferencji Definicja Typ 4 Typ 5 Typ 6 P 1 1/2 0 q p δ P 1 0 q p δ P 1 0 s δ P 4 P 5 0 δ q ( δ) = 1 q < δ p 1 2 δ > p 0 δ q δ q ( δ) = q < δ p q 1 δ > p 0 2 P ( δ) = δ 6 1 exp( 2s 2 ) p δ 0 δ > 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 68

69 4.6. Wielokryterialne metody dyskretne Metoda Promethee (3/15) Przykład 4.15 Wagi kryteriów Oceny w 1 = 0,2, w 2 = 0,1, w 3 = 0,3, w 4 = 0,1, w 5 = 0,1, w 6 = 0,2 f 1 f 2 f 3 f 4 f 5 f 6 a b ,5 248 c ,5 249 d , Kryterium o numerze i jest typu i. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 69

70 4.6. Wielokryterialne metody dyskretne Metoda Promethee (4/15) Wartości funkcji preferencji Kryterium f 1 (typ 1) δ 1 (a, b) = f 1 (a) f 1 (b) = 6 4 = 2 δ 1 (b, a) = f 1 (b) f 1 (a) = 4 6 = 2 Typ Funkcja preferencji Definicja Typ 1 P 1 0 δ 0 δ 0 P 1 ( δ) = 1 δ > 0 Ponieważ δ 1 (a, b) > 0 oraz δ 1 (b, a) < 0, więc P 1 [δ 1 (a, b)] = 1 i P 1 [δ 1 (b, a)] = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 70

71 4.6. Wielokryterialne metody dyskretne Metoda Promethee (5/15) Wartości funkcji preferencji (c.d.) Kryterium f 2 (typ 2) Decydent ustalił wartość q = 2 δ 2 (a, b) = f 2 (a) f 2 (b) = = 1 δ 2 (b, a) = f 2 (b) f 2 (a) = = 1 Typ Funkcja preferencji Definicja Typ 2 P 1 0 q δ P 2 0 ( δ) = 1 δ q δ > q Ponieważ δ 2 (a, b) = 1 < 2 oraz δ 2 (b, a) = 1 < 2, więc P 2 [δ 2 (a, b)] = 0 i P 2 [δ 2 (b, a)] = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 71

72 4.6. Wielokryterialne metody dyskretne Metoda Promethee (6/15) Wartości funkcji preferencji (c.d.) Kryterium f 3 (typ 3) Decydent ustalił wartość p = 4 δ 3 (a, b) = f 3 (a) f 3 (b) = = 1 δ 3 (b, a) = f 3 (b) f 3 (a) = = 1 Typ Funkcja preferencji Definicja Typ 3 P 1 P 3 ( δ) = 0 p δ 0 δ p 1 δ 0 0 < δ δ > p p Ponieważ 0 δ 3 (a, b) 4 oraz δ 3 (b, a) < 0, więc P 3 [δ 3 (a, b)] = 1 / 4 i P 3 [δ 3 (b, a)] = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 72

73 4.6. Wielokryterialne metody dyskretne Metoda Promethee (7/15) Wartości funkcji preferencji (c.d.) Kryterium f 4 (typ 4) Decydent ustalił wartość q = 5 i p = 10 δ 4 (a, b) = f 4 (a) f 4 (b) = = 6 δ 4 (b, a) = f 4 (b) f 4 (a) = = 6 Typ Funkcja preferencji Definicja Typ 4 P 1 1/2 0 q p δ P 4 0 ( δ) = δ q q < δ δ > p p Ponieważ δ 4 (a, b) < 0 oraz 5 < δ 4 (b, a) < 10, więc P 4 [δ 4 (a, b)] = 0 i P 4 [δ 4 (b, a)] = 1 / 2 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 73

74 4.6. Wielokryterialne metody dyskretne Metoda Promethee (8/15) Wartości funkcji preferencji (c.d.) Kryterium f 5 (typ 5) Decydent ustalił wartość q = 1 i p = 2 δ 5 (a, b) = f 5 (a) f 5 (b) = 1,25 3,5 = 2,25 δ 5 (b, a) = f 5 (b) f 5 (a) = 3,5 1,25 = 2,25 Typ Funkcja preferencji Definicja Typ 5 P 1 0 δ q P 5 ( δ) = p q 1 0 q p δ δ q q < δ p δ > p Ponieważ δ 5 (a, b) < 0 oraz δ 5 (b, a) > 2, więc P 5 [δ 5 (a, b)] = 0 i P 5 [δ 5 (b, a)] = 1 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 74

75 4.6. Wielokryterialne metody dyskretne Metoda Promethee (9/15) Wartości funkcji preferencji (c.d.) Kryterium f 6 (typ 6) Decydent ustalił wartość s = 1 δ 6 (a, b) = f 6 (a) f 6 (b) = =2 δ 6 (b, a) = f 6 (b) f 6 (a) = = 2 Typ Funkcja preferencji Definicja Typ 6 P 1 0 s δ 0 2 P ( δ) = δ 6 1 exp( 2s 2 ) δ 0 δ > 0 Ponieważ δ 6 (a, b) > 0 oraz δ 6 (b, a) < 0, więc P 6 [δ 6 (a, b)] = 0,865 i P 6 [δ 6 (b, a)] = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 75

76 4.6. Wielokryterialne metody dyskretne Metoda Promethee (10/15) Wartości funkcji preferencji (c.d.) δ 1 a b c d δ 2 a b c d δ 3 a b c d a a a b b b c c c d d d δ 4 a b c d δ 5 a b c d δ 6 a b c d a a 0 2,25 1,25 0,5 a b b 2, ,75 b c c 1, ,75 c d d 0,5 0,75 0,75 0 d T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 76

77 4.6. Wielokryterialne metody dyskretne Metoda Promethee (11/15) Wartości funkcji preferencji (c.d.) P 1 a b c d P 2 a b c d P 3 a b c d a a a 0 0,25 0 0,75 b b b ,5 c c c 0,5 0, d d d P 4 a b c d P 5 a b c d P 6 a b c d a a a 0 0,865 0,393 0 b 0,5 0 0,5 1 b ,75 b c c 0, c 0 0, d d d 0,865 0,999 0,989 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 77

78 4.6. Wielokryterialne metody dyskretne Metoda Promethee (12/15) Zagregowane indeksy preferencji Π x, y) = w P ( x, y) j ( j j= 1 k k Π( y, x) = w P ( y, x) j j j= 1 Π(a, b) = 0, , ,3 0,25 + 0, , ,2 0,865 = 0,448 Π(b, a) = 0, , , ,1 0,5 + 0, ,2 0 = 0,15 Π(a, a) = 0 Π(a, b) = 0,448 Π(a, c) = 0,279 Π(a, d) = 0,525 Π(b, a) = 0,15 Π(b, b) = 0 Π(b, c) = 0,05 Π(b, d) = 0,325 Π(c, a) = 0,275 Π(c, b) = 0,304 Π(c, c) = 0 Π(c, d) = 0,4 Π(d, a) = 0,173 Π(d, b) = 0,4 Π(d, c) = 0,398 Π(d, d) = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 78

79 4.6. Wielokryterialne metody dyskretne Metoda Promethee (13/15) Przepływy preferencji Dodatni przepływ preferencji: Φ + 1 ( x) = n 1 y A Π( x,y) Φ + (a) = 0,333 [Π(a, b) + Π(a, c) + Π(a, d)] = = 0,333 (0, , ,525) = 0,417 Φ + (b) = 0,333 [Π(b, a) + Π(b, c) + Π(b, d)] = = 0,333 (0,15 + 0,05 + 0,325) = 0,175 Φ + (c) = 0,333 [Π(c, a) + Π(c, b) + Π(c, d)] = = 0,333 (0, , ,4) = 0,326 Φ + (d) = 0,333 [Π(d, a) + Π(d, b) + Π(d, c)] = = 0,333 (0, ,4 + 0,398) = 0,324 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 79

80 4.6. Wielokryterialne metody dyskretne Metoda Promethee (14/15) Przepływy preferencji (c.d.) Ujemny przepływ preferencji: Φ 1 ( x) = n 1 y A Π( y, x) Φ - (a) = 0,333 [Π(b, a) + Π(c, a) + Π(d, a)] = = 0,333 ( 0,15 + 0, ,173) = 0,199 Φ - (b) = 0,333 [Π(a, b) + Π(c, b) + Π(d, b)] = = 0,333 (0, , ,4) = 0,384 Φ - (c) = 0,333 [Π(a, c) + Π(b, c) + Π(d, c)] = = 0,333 (0, ,05 + 0,398) = 0,242 Φ - (d) = 0,333 [Π(a, d) + Π(b, d) + Π(c, d)] = = 0,333 (0, , ,4) = 0,417 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 80

81 4.6. Wielokryterialne metody dyskretne Metoda Promethee (15/15) Przepływy preferencji (c.d.) Przepływ netto: Φ(x) = Φ + (x) Φ - (x) Φ(a) = Φ + (a) Φ - (a) = 0,417 0,199 = 0,218 (1) Φ(b) = Φ + (b) Φ - (b) = 0,175 0,384 = 0,209 (4) Φ(c) = Φ + (c) Φ - (c) = 0,326 0,242 = 0,084 (2) Φ(d) = Φ + (d) Φ - (d) = 0,324 0,417 = 0,093 (3) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 81

82 4.6. Wielokryterialne metody dyskretne Metoda Electre I (1/15) Electre I - podstawowe pojęcia Wagi kryterialne Wskaźnik przewyższania ϕ i 1 ( x,y) = 0 Współczynnik zgodności Warunek zgodności gdy f i ( x) f ( y) w przeciwnym przypadku k = i= 1 c( x, y) w i ϕi ( x,y) i Warunek braku niezgodności Próg weta T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 82

83 4.6. Wielokryterialne metody dyskretne Metoda Electre I (2/15) Reguły postępowania w metodzie Electre I 1. Wyznaczenie zbioru zgodności C s. 2. Znalezienie zbiorem niezgodności D V. 3. Określenie relacji przewyższania S( s, v) = C S D V 4. Konstrukcja grafu zależności między wariantami. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 83

84 4.6. Wielokryterialne metody dyskretne Metoda Electre I (3/15) Przykład 4.16 Warianty Kryteria f 1 f 2 f 3 f 4 a a a a a a a a a Progi weta: v 1 = 5, v 2 = 7, v 3 = 6, v 4 = 5, Współczynniki wagowe: w 1 = 0,08, w 2 = 0,33, w 3 = 0,17, w 4 = 0,42. Próg zgodności: s = 0,83. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 84

85 4.6. Wielokryterialne metody dyskretne Metoda Electre I (4/15) Wyznaczeniu zbioru zgodności a 1 3 a 2 5 a 3 10 a 4 4 a 5 2 a 6 9 a 7 4 a 8 1 a 9 5 f 1 (a 1 ) f 1 (a 1 ) ϕ 1 (a 1, a 1 ) = 1 ( ponieważ 3 3 ) f 1 (a 1 ) < f 1 (a 2 ) ϕ 1 (a 1, a 2 ) = 0 ( ponieważ 3 < 5 ).. f 1 (a 9 ) f 1 (a 8 ) ϕ 1 (a 9, a 8 ) = 1 ( ponieważ 5 1 ) f 1 (a 9 ) f 1 (a 9 ) ϕ 1 (a 9, a 9 ) = 1 ( ponieważ 5 5 ) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 85

86 4.6. Wielokryterialne metody dyskretne Metoda Electre I (5/15) Wyznaczeniu zbioru zgodności (c.d.) Φ 1 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 Φ 2 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 86

87 4.6. Wielokryterialne metody dyskretne Metoda Electre I (6/15) Wyznaczeniu zbioru zgodności (c.d.) Φ 3 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 Φ 4 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 87

88 4.6. Wielokryterialne metody dyskretne Metoda Electre I (7/15) Obliczenie zbioru zgodności (s=0,83) c(a 1, a 2 ) = w 1 ϕ 1 (a 1, a 2 ) + w 2 ϕ 2 (a 1, a 2 ) + w 3 ϕ 3 (a 1, a 2 ) + w 4 ϕ 4 (a 1, a 2 ) = 0, , , ,42 0 = 0,50 C = w 1 Φ 1 + w 2 Φ 2 + w 3 Φ 3 + w 4 Φ 4 C a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 C a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 1 1,00 0,50 0,92 0,59 0,83 0,92 0,59 0,08 0,92 a a 2 0,67 1,00 0,92 0,67 0,50 0,59 0,67 0,08 1,00 a a 3 0,08 0,08 1,00 0,67 0,50 0,25 0,08 0,08 0,50 a a 4 0,41 0,33 0,50 1,00 0,83 0,50 0,08 0,41 0,33 a a 5 0,17 0,50 0,50 0,17 1,00 0,17 0,17 0,25 0,50 a a 6 0,41 0,41 0,75 0,50 0,83 1,00 0,50 0,08 0,83 a a 7 0,58 0,50 0,92 1,00 0,83 0,92 1,00 0,41 0,92 a a 8 0,92 0,92 0,92 0,59 0,75 0,92 0,59 1,00 0,92 a a 9 0,08 0,08 0,92 0,67 0,50 0,17 0,50 0,08 1,00 a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 88

89 4.6. Wielokryterialne metody dyskretne Metoda Electre I (8/15) Wyznaczenie zbioru niezgodności C 0,83 = { (a 1, a 3 ), (a 1, a 5 ), (a 1, a 6 ), (a 1, a 9 ), (a 2, a 3 ), (a 2, a 9 ), (a 4, a 5 ), (a 6, a 5 ), (a 6, a 9 ), (a 7, a 3 ), (a 7, a 4 ), (a 7, a 5 ), (a 7, a 6 ), (a 7, a 9 ), (a 8, a 1 ), (a 8, a 2 ), (a 8, a 3 ), (a 8, a 6 ), (a 8, a 9 ), (a 9, a 3 ) } (a 1, a 3 ): f 1 (a 1 ) + v 1 < f 1 (a 3 ) ( < 10 ) niezgodność (a 1, a 5 ): f 1 (a 1 ) + v 1 f 1 (a 5 ) ( ) brak niezgodności.. (a 8, a 9 ): f 1 (a 8 ) + v 1 [f 1 (a 8 )] f 1 (a 9 ) ( ) brak niezgodności (a 9, a 3 ): f 1 (a 9 ) + v 1 [f 1 (a 9 )] f 1 (a 3 ) ( ) brak niezgodności T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 89

90 4.6. Wielokryterialne metody dyskretne Metoda Electre I (9/15) Wyznaczenie zbioru niezgodności (c.d.) f 1 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 f 2 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 1 * * 1 * 0 1 * * 0 a 1 * * 0 * 0 0 * * 0 a 2 * * 0 * * * * * 0 a 2 * * 0 * * * * * 0 a 3 * * * * * * * * * a 3 * * * * * * * * * a 4 * * * * 0 * * * * a 4 * * * * 0 * * * * a 5 * * * * * * * * * a 5 * * * * * * * * * a 6 * * * * 0 * * * 0 a 6 * * * * 0 * * * 0 a 7 * * * * 0 a 7 * * * * 0 a * * 1 * * 0 a * * 0 * * 0 a 9 * * 0 * * * * * * a 9 * * 0 * * * * * * T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 90

91 4.6. Wielokryterialne metody dyskretne Metoda Electre I (10/15) Wyznaczenie zbioru niezgodności (c.d.) f 3 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 f 4 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 1 * * 0 * 0 0 * * 0 a 1 * * 0 * 0 0 * * 0 a 2 * * 0 * * * * * 0 a 2 * * 0 * * * * * 0 a 3 * * * * * * * * * a 3 * * * * * * * * * a 4 * * * * 0 * * * * a 4 * * * * 0 * * * * a 5 * * * * * * * * * a 5 * * * * * * * * * a 6 * * * * 1 * * * 0 a 6 * * * * 0 * * * 0 a 7 * * * * 0 a 7 * * * * 0 a * * 0 * * 0 a * * 0 * * 0 a 9 * * 0 * * * * * * a 9 * * 0 * * * * * * T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 91

92 4.6. Wielokryterialne metody dyskretne Metoda Electre I (11/15) Zbiór niezgodności D v = { (a 1, a 3 ), (a 1, a 6 ), (a 6, a 5 ), (a 7, a 3 ), (a 8, a 3 ), (a 8, a 6 ) } Zbiór D v Zbiór D v a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 92

93 4.6. Wielokryterialne metody dyskretne Metoda Electre I (12/15) Wyznaczenie relacji przewyższania Zbiór zgodności C Dopełnienie zbioru niezgodności C a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a Zbiór D v a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 93

94 4.6. Wielokryterialne metody dyskretne Metoda Electre I (13/15) Wyznaczenie relacji przewyższania S a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a S ( s, v) = C s D v = {(a 1, a 5 ), (a 1, a 9 ), (a 2, a 3 ), (a 2, a 9 ), (a 4, a 5 ), (a 6, a 9 ), (a 7, a 4 ), (a 7, a 5 ), (a 7, a 6 ), (a 7, a 9 ), (a 8, a 1 ), (a 8, a 2 ), (a 8, a 9 ), (a 9, a 3 )} T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 94

95 4.6. Wielokryterialne metody dyskretne Metoda Electre I (14/15) Grafy zależności między wariantami decyzyjnymi Od wariantu najlepszego do najgorszego S a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 95

96 4.6. Wielokryterialne metody dyskretne Metoda Electre I (15/15) Grafy zależności między wariantami decyzyjnymi (c.d.) Od wariantu najgorszego do najlepszego S a 1 a 2 a 3 a 4 a 5 a 6 a 7 a 8 a 9 a a a a a a a a a T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 96

97 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (1/7) Przykład 4.17 Tygodniki: A, B, C, D, E. Zasięg i częstotliwość czytelnictwa czasopisma. Efekt prestiżu (skala od 1 do 10). cena jednego ogłoszenia prestiż jednostkowy zasięg Tygodnik jednostkowa częstotliwość czytelnictwa A Zasięg nie mniejszy niż 70% grupy docelowej. Częstotliwość nie mniejsza niż 2 2 B C D E Cele: I - minimalizacja kosztów (cel priorytetowy) II - maksymalizacja efektu prestiżu T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 97

98 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (2/7) Model matematyczny Cel(e) Celem jest określenie najlepszej kompozycji mediów. Zadanie rozpatrujemy jako dwukryterialny problem hierarchiczny, w którym: I. Minimalizujemy koszt kampanii II. Zmienne decyzyjne Maksymalizujemy całkowity prestiż x A liczba reklam w trakcie kampanii w tygodniku A x B liczba reklam w trakcie kampanii w tygodniku B x C liczba reklam w trakcie kampanii w tygodniku C x D liczba reklam w trakcie kampanii w tygodniku D x E liczba reklam w trakcie kampanii w tygodniku E T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 98

99 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (3/7) Model matematyczny (c.d.) Funkcje kryterialne Funkcja kosztu: 30x A + 28x B + 23x C + 19x D + 18x E min Funkcja efektu prestiżu : 2x A + x B + 4x C + 5x D + 3x E max Ograniczenia: całkowity zasięg: 7.5x A + 7x B x C x D + 4.5x E 70 całkowita częstotliwość : 0.16x A x B x C + 0.1x D + 0.1x E 2 Ograniczenia na zmienne decyzyjne 0 x A 4, 0 x B 4, 0 x C 4, 0 x D 4, 0 x E 4 x A, x B, x C, x D, x E całkowite T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 99

100 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (4/7) Ścisła hierarchia kryteriów Funkcja celu pierwszego poziomu hierarchii Ograniczenia: 30x A + 28x B + 23x C + 19x D + 18x E min 7.5x A + 7x B x C x D + 4.5x E x A x B x C + 0.1x D + 0.1x E 2 0 x A 4, 0 x B 4, 0 x C 4, 0 x D 4, 0 x E 4 x A, x B, x C, x D, x E całkowite Rozwiązania optymalne: 1. x A = 3 x B = 4 x C = 1 x D = 4 x E = 4 2. x A = 4 x B = 4 x C = 3 x D = 0 x E = 4 Optymalna wartość funkcji kosztu wynosi 373. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 100

101 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (5/7) Ścisła hierarchia kryteriów (c.d.) Funkcja celu drugiego poziomu hierarchii 2x A + x B + 4x C + 5x D + 3x E max Zbiór rozwiązań dopuszczalnych Rozwiązanie optymalne 1. x A = 3 x B = 4 x C = 1 x D = 4 x E = 4 2. x A = 4 x B = 4 x C = 3 x D = 0 x E = 4 Dla pierwszego z otrzymanych rozwiązań wartość funkcji prestiżu jest równa 46, a drugiego wynosi 36. Należy wybrać rozwiązanie pierwsze. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 101

102 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (6/7) Quasi hierarchia kryteriów Pierwszy poziom hierarchii Taki sam, jak poprzednio. Drugi poziom hierarchii Decydent decyduje się na zwiększenie kwoty przeznaczonej na reklamę o 10%, czyli maksymalnym akceptowalnym kosztem jest wartość 410. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 102

103 4.7. Przykłady wykorzystania metod wielokryterialnych Organizacja kampanii reklamowej (7/7) Quasi hierarchia kryteriów (c.d.) Funkcja celu drugiego poziomu hierarchii f(x A, x B, x C, x D, x E ) = 2x A + x B + 4x C + 5x D + 3x E min Warunki ogranicząjce 7.5x A + 7x B x C x D + 4.5x E x A x B x C + 0.1x D + 0.1x E 2 30x A + 28x B + 23x C + 19x D + 18x E x A 4, 0 x B 4, 0 x C 4, 0 x D 4, 0 x E 4 x A, x B, x C, x D, x E całkowite Rozwiązanie optymalne Efekt prestiżu wynosi teraz 53 (wzrost o 16,7%) Koszt zwiększył się do 388 (wzrost o 4%) T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 103

104 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (1/7) Przykład 4.18 Cel 1: osiągnięcie zysku długookresowego równego przynajmniej 100 mln zł; Cel 2: utrzymanie zatrudnienia na poziomie osób, Cel 3: utrzymanie nakładów inwestycyjnych na poziomie nie wyższym niż 40 mln zł Cel zysk długookresowy poziom zatrudnienia nakłady i inwestycje zysk jednostkowy P P P założony poziom osiągnięcia celu 100 (mln zł) = 30 (setki zatrudnionych) 40 (mln zł) współczynniki kary 6(-) 2(+), 5(-) 4(+) Należy znaleźć taki poziom produkcji, który najlepiej realizuje przyjęte cele z uwzględnieniem. zadanych współczynników kar. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 104

105 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (2/7) Model matematyczny Zmienne decyzyjne planowany rozmiar produkcji wyrobu P 1 x 2 planowany rozmiar produkcji wyrobu P 2 x 3 planowany rozmiar produkcji wyrobu P 3 Zmienne bilansujące cele y 1+ = wielkość, o jaką osiągnięty zysk przekracza wartość 100 mln zł y 1 = wielkość, o jaką osiągnięty zysk jest mniejszy od 100 mln zł y 2+ = wielkość, o jaką zatrudnienie przekracza 30 setek osób, y 2 = wielkość, o jaką zatrudnienie jest mniejsze od 30 setek osób, y 3+ = wielkość, o jaką nakłady inwestycyjne przekraczają 40 mln zł, y 3 = wielkość, o jaką nakłady inwestycyjne są mniejsze od 40 mln zł, T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 105

106 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (3/7) Zadanie zastępcze Funkcja celu zadania zastępczego: Minimalizacja ważonej sumy niekorzystnych odchyleń od ustalonych poziomów realizacji celów. 6y 1 + 2y y 2 + 4y 3+ min Warunki ograniczające: Równanie bilansujące dla celu pierwszego: x x 3 y 1+ + y 1 = 100 Równanie bilansujące dla celu drugiego: 4 + 2x 2 + 3x 3 y 2+ + y 2 = 30 Równanie bilansujące dla celu trzeciego: 5 + 7x 2 + 8x 3 y 3+ + y 3 = 40 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 106

107 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (4/7) Rozwiązanie optymalne = 10 x 2 = 0 x 3 = 0 y 1+ = 0 y 1 = 0 y 2+ = 10 y 2 =0 y 3+ = 10 y 3 = 0 Minimalna wartość funkcji mierzącej odchylenie od zadanych pomiarów celów jest równa 60. Interpretacja rozwiązania Nie jest możliwe jednoczesne zrealizowanie wszystkich trzech celów. Poziom zatrudnienia przekroczy docelową wartość 1000 pracowników, a nakłady inwestycyjne przekroczą docelowe wartości 10 mln zł. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 107

108 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (5/7) Hierarchizacja celów Pierwszy poziom hierarchii: Cel 2a: Cel 3: nieprzekroczenie aktualnego poziomu zatrudnienia (3000 osób) utrzymanie nakładów inwestycyjnych na poziomie nie większym niż 30 mln zł Drugi poziom hierarchii: Cel 1: osiągnięcie zysku długookresowego na poziomie 100 mln zł, Cel 2b: Cel 2b: utrzymanie dotychczasowego poziomu zatrudnienia i nie obniżanie go. T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 108

109 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (6/7) Hierarchizacja celów (c.d.) Zadanie pierwszego poziomu hierarchii 2y y 3+ min Cel x x 3 y 1+ + y 1 = 100 Cel x 2 + 3x 3 y 2+ + y 2 = 30 Cel x 2 + 8x 3 y 3+ + y 3 = 40 Zadanie drugiego poziomu hierarchii, x 2, x 3, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 6y 1 + 5y 2 min x x 3 y 1+ + y 1 = x 2 + 3x 3 y 2+ + y 2 = x 2 + 8x 3 y 3+ + y 3 = 40 2y y 2 = 30, x 2, x 3, y 1+, y 1, y 2+, y 2, y 3+, y 3 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 109

110 4.7. Przykłady wykorzystania metod wielokryterialnych Określenie strategii długookresowej firmy (7/7) Hierarchizacja celów (c.d.) Rozwiązanie optymalne = 7.06 x 2 = 0 x 3 = 0.59 y + 1+ = 0 y 1 = 21,76 y 2+ = 0 y 2 = 0 y 3+ = 0 y 3 = 0 T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 110

111 Pora na relaks T.Trzaskalik: Wprowadzenie do badań operacyjnych z komputerem 111

Wielokryteriowa optymalizacja liniowa

Wielokryteriowa optymalizacja liniowa Wielokryteriowa optymalizacja liniowa 1. Przy decyzjach złożonych kierujemy się zwykle więcej niż jednym kryterium. Postępowanie w takich sytuacjach nie jest jednoznaczne. Pojawiło się wiele sposobów dochodzenia

Bardziej szczegółowo

Programowanie liniowe. Tadeusz Trzaskalik

Programowanie liniowe. Tadeusz Trzaskalik Programowanie liniowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Model matematyczny Cel, środki, ograniczenia Funkcja celu funkcja kryterium Zmienne decyzyjne Model optymalizacyjny Układ warunków

Bardziej szczegółowo

Programowanie liniowe całkowitoliczbowe. Tadeusz Trzaskalik

Programowanie liniowe całkowitoliczbowe. Tadeusz Trzaskalik Programowanie liniowe całkowitoliczbowe Tadeusz Trzaskalik .. Wprowadzenie Słowa kluczowe Rozwiązanie całkowitoliczbowe Założenie podzielności Warunki całkowitoliczbowości Czyste zadanie programowania

Bardziej szczegółowo

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik Zadanie transportowe i problem komiwojażera Tadeusz Trzaskalik 3.. Wprowadzenie Słowa kluczowe Zbilansowane zadanie transportowe Rozwiązanie początkowe Metoda minimalnego elementu macierzy kosztów Metoda

Bardziej szczegółowo

Wielokryteriowa optymalizacja liniowa cz.2

Wielokryteriowa optymalizacja liniowa cz.2 Wielokryteriowa optymalizacja liniowa cz.2 Metody poszukiwania końcowych rozwiązań sprawnych: 1. Metoda satysfakcjonujących poziomów kryteriów dokonuje się wyboru jednego z kryteriów zadania wielokryterialnego

Bardziej szczegółowo

Kolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w

Kolejny krok iteracji polega na tym, że przechodzimy do następnego wierzchołka, znajdującego się na jednej krawędzi z odnalezionym już punktem, w Metoda Simpleks Jak wiadomo, problem PL z dowolną liczbą zmiennych można rozwiązać wyznaczając wszystkie wierzchołkowe punkty wielościanu wypukłego, a następnie porównując wartości funkcji celu w tych

Bardziej szczegółowo

Programowanie dynamiczne. Tadeusz Trzaskalik

Programowanie dynamiczne. Tadeusz Trzaskalik Programowanie dynamiczne Tadeusz Trzaskalik 9.. Wprowadzenie Słowa kluczowe Wieloetapowe procesy decyzyjne Zmienne stanu Zmienne decyzyjne Funkcje przejścia Korzyści (straty etapowe) Funkcja kryterium

Bardziej szczegółowo

Teoretyczne podstawy programowania liniowego

Teoretyczne podstawy programowania liniowego Teoretyczne podstawy programowania liniowego Elementy algebry liniowej Plan Kombinacja liniowa Definicja Kombinacja liniowa wektorów (punktów) x 1, x 2,, x k R n to wektor x R n k taki, że x = i=1 λ i

Bardziej szczegółowo

Metody ilościowe w badaniach ekonomicznych

Metody ilościowe w badaniach ekonomicznych prof. dr hab. Tadeusz Trzaskalik dr hab. Maciej Nowak, prof. UE Wybór portfela projektów z wykorzystaniem wielokryterialnego programowania dynamicznego Metody ilościowe w badaniach ekonomicznych 19-06-2017

Bardziej szczegółowo

PROGRAMOWANIE WIELOKRYTERIALNE (CELOWE)

PROGRAMOWANIE WIELOKRYTERIALNE (CELOWE) PROGRAMOWANIE WIELOKRYTERIALNE (CELOWE) Przykład 14. Zakład zamierza rozpocząć produkcję wyrobów W 1 i W 2. Wśród środków produkcyjnych, które zostaną użyte w produkcji dwa są limitowane. Limity te wynoszą:

Bardziej szczegółowo

Programowanie liniowe

Programowanie liniowe Badania operacyjne Problem Model matematyczny Metoda rozwiązania Znaleźć optymalny program produkcji. Zmaksymalizować 1 +3 2 2 3 (1) Przy ograniczeniach 3 1 2 +2 3 7 (2) 2 1 +4 2 12 (3) 4 1 +3 2 +8 3 10

Bardziej szczegółowo

Definicja problemu programowania matematycznego

Definicja problemu programowania matematycznego Definicja problemu programowania matematycznego minimalizacja lub maksymalizacja funkcji min (max) f(x) gdzie: x 1 x R n x 2, czyli: x = [ ] x n przy ograniczeniach (w skrócie: p.o.) p.o. g i (x) = b i

Bardziej szczegółowo

BADANIA OPERACYJNE PROGRAMOWANIE WIELOKRYTERIALNE

BADANIA OPERACYJNE PROGRAMOWANIE WIELOKRYTERIALNE DR ADAM SOJDA Czasem istnieje wiele kryteriów oceny. Kupno samochodu: cena prędkość maksymalna spalanie kolor typ nadwozia bagażnik najniższa najwyższa najniższe {czarny*, czerwony, } {sedan, coupe, SUV,

Bardziej szczegółowo

1 Przykładowe klasy zagadnień liniowych

1 Przykładowe klasy zagadnień liniowych & " 1 PRZYKŁADOWE KLASY ZAGADNIEŃ LINIOWYCH 1 1 Przykładowe klasy zagadnień liniowych Liniowy model produkcji Zakład może prowadzić rodzajów działalności np. produkować różnych wyrobów). Do prowadzenia

Bardziej szczegółowo

Rozdział 1 PROGRAMOWANIE LINIOWE

Rozdział 1 PROGRAMOWANIE LINIOWE Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.2 Ćwiczenia komputerowe Ćwiczenie 1.1 Wykorzystując

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA I WSPOMAGANIA DECYZJI Rozproszone programowanie produkcji z wykorzystaniem

Bardziej szczegółowo

METODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski

METODA SYMPLEKS. Maciej Patan. Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski METODA SYMPLEKS Maciej Patan Uniwersytet Zielonogórski WSTĘP Algorytm Sympleks najpotężniejsza metoda rozwiązywania programów liniowych Metoda generuje ciąg dopuszczalnych rozwiązań x k w taki sposób,

Bardziej szczegółowo

Optymalizacja wielokryterialna

Optymalizacja wielokryterialna Optymalizacja wielokryterialna Optymalizacja wielokryterialna Dział badań operacyjnych zajmujący się wyznaczaniem optymalnej decyzji w przypadku, gdy występuje więcej niż jedno kryterium Problem wielokryterialny

Bardziej szczegółowo

Wprowadzenie do badań operacyjnych - wykład 2 i 3

Wprowadzenie do badań operacyjnych - wykład 2 i 3 Wprowadzenie do badań operacyjnych - wykład 2 i 3 Hanna Furmańczyk 14 listopada 2008 Programowanie liniowe (PL) - wszystkie ograniczenia muszą być liniowe - wszystkie zmienne muszą być ciągłe n j=1 c j

Bardziej szczegółowo

Metoda simpleks. Gliwice

Metoda simpleks. Gliwice Sprowadzenie modelu do postaci bazowej Sprowadzenie modelu do postaci bazowej Przykład 4 Model matematyczny z Przykładu 1 sprowadzić do postaci bazowej. FC: ( ) Z x, x = 6x + 5x MAX 1 2 1 2 O: WB: 1 2

Bardziej szczegółowo

doc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505.

doc. dr Beata Pułska-Turyna Zarządzanie B506 mail: mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. doc. dr Beata Pułska-Turyna Zakład Badań Operacyjnych Zarządzanie B506 mail: turynab@wz.uw.edu.pl mgr Piotr J. Gadecki Zakład Badań Operacyjnych Zarządzania B 505. Tel.: (22)55 34 144 Mail: student@pgadecki.pl

Bardziej szczegółowo

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA?

Plan wykładu. Przykład. Przykład 3/19/2011. Przykład zagadnienia transportowego. Optymalizacja w procesach biznesowych Wykład 2 DECYZJA? /9/ Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład --9 Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów

Bardziej szczegółowo

Wielokryterialne wspomaganie decyzji Redakcja naukowa Tadeusz Trzaskalik

Wielokryterialne wspomaganie decyzji Redakcja naukowa Tadeusz Trzaskalik Wielokryterialne wspomaganie decyzji Redakcja naukowa Tadeusz Trzaskalik W książce autorzy przedstawiają dyskretne problemy wielokryterialne, w których liczba rozpatrywanych przez decydenta wariantów decyzyjnych

Bardziej szczegółowo

Analiza wielokryterialna

Analiza wielokryterialna Analiza wielokryterialna dr hab. inż. Krzysztof Patan, prof. PWSZ Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa w Głogowie k.patan@issi.uz.zgora.pl Wprowadzenie Wielokryterialny wybór wariantu

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT jest specyficznym problemem z zakresu zastosowań programowania liniowego. ZT wykorzystuje się najczęściej do: optymalnego planowania transportu towarów, przy minimalizacji kosztów,

Bardziej szczegółowo

Elementy Modelowania Matematycznego

Elementy Modelowania Matematycznego Elementy Modelowania Matematycznego Wykład 6 Metoda simpleks Spis treści Wstęp Zadanie programowania liniowego Wstęp Omówimy algorytm simpleksowy, inaczej metodę simpleks(ów). Jest to stosowana w matematyce

Bardziej szczegółowo

Wykład 6. Programowanie liniowe

Wykład 6. Programowanie liniowe Wykład 6. Programowanie liniowe Zakład może wytwarzać dwa produkty: P 1 i P 2. Ich produkcja jest limitowana dostępnymi zasobami trzech środków: S 1, S 2, S 3. Zasoby tych środków wynoszą odpowiednio,

Bardziej szczegółowo

Metoda graficzna może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład):

Metoda graficzna może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład): może być stosowana w przypadku gdy model zawiera dwie zmienne decyzyjne. Metoda składa się z dwóch kroków (zobacz pierwszy wykład): 1 Narysuj na płaszczyźnie zbiór dopuszczalnych rozwiazań. 2 Narysuj funkcję

Bardziej szczegółowo

Programowanie liniowe

Programowanie liniowe Programowanie liniowe Łukasz Kowalik Instytut Informatyki, Uniwersytet Warszawski April 8, 2016 Łukasz Kowalik (UW) LP April 8, 2016 1 / 15 Problem diety Tabelka wit. A (µg) wit. B1 (µg) wit. C (µg) (kcal)

Bardziej szczegółowo

PROGRAMOWANIE KWADRATOWE

PROGRAMOWANIE KWADRATOWE PROGRAMOWANIE KWADRATOWE Programowanie kwadratowe Zadanie programowania kwadratowego: Funkcja celu lub/i co najmniej jedno z ograniczeń jest funkcją kwadratową. 2 Programowanie kwadratowe Nie ma uniwersalnej

Bardziej szczegółowo

Układy równań i nierówności liniowych

Układy równań i nierówności liniowych Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +

Bardziej szczegółowo

Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE

Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE 6. Ćwiczenia komputerowe Ćwiczenie 6.1

Bardziej szczegółowo

Programowanie liniowe

Programowanie liniowe Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2010 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 15 Homo oeconomicus=

Bardziej szczegółowo

ZAGADNIENIA PROGRAMOWANIA LINIOWEGO

ZAGADNIENIA PROGRAMOWANIA LINIOWEGO ZAGADNIENIA PROGRAMOWANIA LINIOWEGO Maciej Patan Uniwersytet Zielonogórski WSTĘP często spotykane w życiu codziennym wybór asortymentu produkcji jakie wyroby i w jakich ilościach powinno produkować przedsiębiorstwo

Bardziej szczegółowo

Rozdział 1 PROGRAMOWANIE LINIOWE

Rozdział 1 PROGRAMOWANIE LINIOWE Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.1 Opis programów Do rozwiązania zadań programowania

Bardziej szczegółowo

WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW

WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW Uniwersytet Ekonomiczny we Wrocławiu WIELOKRYTERIALNE PORZĄDKOWANIE METODĄ PROMETHEE ODPORNE NA ZMIANY WAG KRYTERIÓW Wprowadzenie Wrażliwość wyników analizy wielokryterialnej na zmiany wag kryteriów, przy

Bardziej szczegółowo

Algebra liniowa. Macierze i układy równań liniowych

Algebra liniowa. Macierze i układy równań liniowych Algebra liniowa Macierze i układy równań liniowych Własności wyznaczników det I = 1, det(ab) = det A det B, det(a T ) = det A. Macierz nieosobliwa Niech A będzie macierzą kwadratową wymiaru n n. Mówimy,

Bardziej szczegółowo

Zarządzanie projektami. Tadeusz Trzaskalik

Zarządzanie projektami. Tadeusz Trzaskalik Zarządzanie projektami Tadeusz Trzaskalik 7.1. Wprowadzenie Słowa kluczowe Projekt Sieć czynności zynność bezpośrednio poprzedzająca Zdarzenie, zdarzenie początkowe, zdarzenie końcowe Właściwa numeracja

Bardziej szczegółowo

Iwona Konarzewska Programowanie celowe - wprowadzenie. Katedra Badań Operacyjnych UŁ

Iwona Konarzewska Programowanie celowe - wprowadzenie. Katedra Badań Operacyjnych UŁ 1 Iwona Konarzewska Programowanie celowe - wprowadzenie Katedra Badań Operacyjnych UŁ 2 Programowanie celowe W praktycznych sytuacjach podejmowania decyzji często występuje kilka celów. Problem pojawia

Bardziej szczegółowo

Zagadnienie transportowe

Zagadnienie transportowe 9//9 Zagadnienie transportowe Optymalizacja w procesach biznesowych Wykład Plan wykładu Przykład zagadnienia transportowego Sformułowanie problemu Własności zagadnienia transportowego Metoda potencjałów

Bardziej szczegółowo

Elementy Modelowania Matematycznego

Elementy Modelowania Matematycznego Elementy Modelowania Matematycznego Wykład 8 Programowanie nieliniowe Spis treści Programowanie nieliniowe Zadanie programowania nieliniowego Zadanie programowania nieliniowego jest identyczne jak dla

Bardziej szczegółowo

Standardowe zadanie programowania liniowego. Gliwice 1

Standardowe zadanie programowania liniowego. Gliwice 1 Standardowe zadanie programowania liniowego 1 Standardowe zadanie programowania liniowego Rozważamy proces, w którym zmiennymi są x 1, x 2,, x n. Proces poddany jest m ograniczeniom, zapisanymi w postaci

Bardziej szczegółowo

Programowanie liniowe

Programowanie liniowe Programowanie liniowe Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2015 Mirosław Sobolewski (UW) Warszawa, 2015 1 / 16 Homo oeconomicus=

Bardziej szczegółowo

Programowanie liniowe

Programowanie liniowe Badania operacyjne Ćwiczenia 4 Programowanie liniowe Dualizm w programowaniu liniowym Plan zajęć Dualizm w programowaniu liniowym Projektowanie programu dualnego Postać programu dualnego Przykład 1 Rozwiązania

Bardziej szczegółowo

Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE

Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE 2.2 Ćwiczenia komputerowe Ćwiczenie

Bardziej szczegółowo

Programowanie liniowe

Programowanie liniowe Programowanie liniowe Maciej Drwal maciej.drwal@pwr.wroc.pl 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn.

Bardziej szczegółowo

Badania Operacyjne Ćwiczenia nr 2 (Materiały)

Badania Operacyjne Ćwiczenia nr 2 (Materiały) Zbiór rozwiązań dopuszczalnych programu liniowego Zbiór rozwiązań dopuszczalnych programu linowego to taki zbiór, który spełnia warunki ograniczające (funkcyjne oraz brzegowe) programu liniowego. Przy

Bardziej szczegółowo

Modelowanie sytuacji konfliktowych, w których występują dwie antagonistyczne strony.

Modelowanie sytuacji konfliktowych, w których występują dwie antagonistyczne strony. GRY (część 1) Zastosowanie: Modelowanie sytuacji konfliktowych, w których występują dwie antagonistyczne strony. Najbardziej znane modele: - wybór strategii marketingowych przez konkurujące ze sobą firmy

Bardziej szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Ćwiczenia lista zadań nr 3 autorzy: A. Gonczarek, J.M. Tomczak Zbiory i funkcje wypukłe Zad. 1 Pokazać, że następujące zbiory są wypukłe: a) płaszczyzna S = {x

Bardziej szczegółowo

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra

Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele

Bardziej szczegółowo

Wykład z modelowania matematycznego. Zagadnienie transportowe.

Wykład z modelowania matematycznego. Zagadnienie transportowe. Wykład z modelowania matematycznego. Zagadnienie transportowe. 1 Zagadnienie transportowe zostało sformułowane w 1941 przez F.L.Hitchcocka. Metoda rozwiązania tego zagadnienia zwana algorytmem transportowymópracowana

Bardziej szczegółowo

BADANIA OPERACYJNE pytania kontrolne

BADANIA OPERACYJNE pytania kontrolne DUALNOŚĆ 1. Podać twierdzenie o dualności 2. Jaka jest zależność pomiędzy funkcjami celu w zadaniu pierwotnym i dualnym? 3. Prawe strony ograniczeń zadania pierwotnego, w zadaniu dualnym są 4. Współczynniki

Bardziej szczegółowo

WIELOATRYBUTOWE PODEJMOWANIE DECYZJI: ANALYTIC HIERARCHY PROCESS

WIELOATRYBUTOWE PODEJMOWANIE DECYZJI: ANALYTIC HIERARCHY PROCESS WIELOATRYBUTOWE PODEJMOWANIE DECYZJI: ANALYTIC HIERARCHY PROCESS 1.1. ISTOTA METODY AHP... 1 Rysunek 1. Etapy rozwiązywania problemów z pomocą AHP... 3 Rysunek 2. Hierarchia decyzyjna AHP... 4 Tabela 1.

Bardziej szczegółowo

PROGRAMOWANIE NIELINIOWE

PROGRAMOWANIE NIELINIOWE PROGRAMOWANIE NIELINIOWE Maciej Patan Uniwersytet Zielonogórski WSTEP Zadanie programowania nieliniowego (ZPN) min f(x) g i (x) 0, h i (x) = 0, i = 1,..., m g i = 1,..., m h f(x) funkcja celu g i (x) i

Bardziej szczegółowo

Ćwiczenia laboratoryjne - Dobór optymalnego asortymentu produkcji programowanie liniowe. Logistyka w Hutnictwie Ćw. L.

Ćwiczenia laboratoryjne - Dobór optymalnego asortymentu produkcji programowanie liniowe. Logistyka w Hutnictwie Ćw. L. Ćwiczenia laboratoryjne - Dobór optymalnego asortymentu produkcji programowanie liniowe Ćw. L. Typy optymalizacji Istnieją trzy podstawowe typy zadań optymalizacyjnych: Optymalizacja statyczna- dotyczy

Bardziej szczegółowo

( 1) ( ) 16 Warunki brzegowe [WB] Funkcja celu [FC] Ograniczenia [O] b i ( 2) ( ) ( ) 14. FC max. Kompletna postać bazowa

( 1) ( ) 16 Warunki brzegowe [WB] Funkcja celu [FC] Ograniczenia [O] b i ( 2) ( ) ( ) 14. FC max. Kompletna postać bazowa Standardowe zadanie PL () Należy zaplanować produkcję zakładu w pewnym tygodniu w taki sposób, aby osiągnięty zysk był maksymalny. akład może wytwarzać dwa wyroby: P i P. Ich produkcja jest limitowana

Bardziej szczegółowo

(Dantzig G. B. (1963))

(Dantzig G. B. (1963)) (Dantzig G.. (1963)) Uniwersalna metoda numeryczna dla rozwiązywania zadań PL. Ideą metody est uporządkowany przegląd skończone ilości rozwiązań bazowych układu ograniczeń, które możemy utożsamiać, w przypadku

Bardziej szczegółowo

Lokalna odwracalność odwzorowań, odwzorowania uwikłane

Lokalna odwracalność odwzorowań, odwzorowania uwikłane Lokalna odwracalność odwzorowań, odwzorowania uwikłane Katedra Matematyki i Ekonomii Matematycznej Szkoła Główna Handlowa 17 maja 2012 Definicja Mówimy, że odwzorowanie F : X R n, gdzie X R n, jest lokalnie

Bardziej szczegółowo

Programowanie liniowe metoda sympleks

Programowanie liniowe metoda sympleks Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2012 Mirosław Sobolewski (UW) Warszawa, 2012 1 / 12

Bardziej szczegółowo

METODA ANALITYCZNA Postać klasyczna: z = 5 x 1 + 6x 2 MAX 0,2 x 1 + 0,3x 2 < 18 0,6 x 1 + 0,6x 2 < 48 x 1, x 2 > 0

METODA ANALITYCZNA Postać klasyczna: z = 5 x 1 + 6x 2 MAX 0,2 x 1 + 0,3x 2 < 18 0,6 x 1 + 0,6x 2 < 48 x 1, x 2 > 0 METODA ANALITYCZNA Postać klasyczna: z = 5 x 1 + 6x 2 MAX 0,2 x 1 + 0,3x 2 < 18 0,6 x 1 + 0,6x 2 < 48 x 1, x 2 > 0 cx MAX Ax < b x > 0 Postać standardowa (kanoniczna): z = 5 x 1 + 6x 2 + 0x 3 + 0x 4 MAX

Bardziej szczegółowo

Algebra liniowa z geometrią

Algebra liniowa z geometrią Algebra liniowa z geometrią Maciej Czarnecki 15 stycznia 2013 Spis treści 1 Geometria płaszczyzny 2 1.1 Wektory i skalary........................... 2 1.2 Macierze, wyznaczniki, układy równań liniowych.........

Bardziej szczegółowo

Programowanie liniowe metoda sympleks

Programowanie liniowe metoda sympleks Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW wykład z algebry liniowej Warszawa, styczeń 2009 Mirosław Sobolewski (UW) Warszawa, 2009 1 / 13

Bardziej szczegółowo

OPTYMALIZACJA DYSKRETNA

OPTYMALIZACJA DYSKRETNA Temat nr a: odelowanie problemów decyzyjnych, c.d. OPTYALIZACJA DYSKRETA Zagadnienia decyzyjne, w których chociaż jedna zmienna decyzyjna przyjmuje wartości dyskretne (całkowitoliczbowe), nazywamy dyskretnymi

Bardziej szczegółowo

Programowanie nieliniowe

Programowanie nieliniowe Rozdział 5 Programowanie nieliniowe Programowanie liniowe ma zastosowanie w wielu sytuacjach decyzyjnych, jednak często zdarza się, że zależności zachodzących między zmiennymi nie można wyrazić za pomocą

Bardziej szczegółowo

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH

MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH MATEMATYCZNE METODY WSPOMAGANIA PROCESÓW DECYZYJNYCH 1. Przedmiot nie wymaga przedmiotów poprzedzających 2. Treść przedmiotu Proces i cykl decyzyjny. Rola modelowania matematycznego w procesach decyzyjnych.

Bardziej szczegółowo

Programowanie celowe #1

Programowanie celowe #1 Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem

Bardziej szczegółowo

INTERPOLACJA I APROKSYMACJA FUNKCJI

INTERPOLACJA I APROKSYMACJA FUNKCJI Transport, studia niestacjonarne I stopnia, semestr I Instytut L-5, Wydział Inżynierii Lądowej, Politechnika Krakowska Ewa Pabisek Adam Wosatko Wprowadzenie Na czym polega interpolacja? Interpolacja polega

Bardziej szczegółowo

Programowanie liniowe

Programowanie liniowe Programowanie liniowe Schemat postępowania w badaniach operacyjnych decydent sytuacja decyzyjna decyzje decyzje dopuszczalne niedopuszczalne kryterium wyboru zadanie decyzyjne zmienne decyzyjne warunki

Bardziej szczegółowo

Metody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1

Metody iteracyjne rozwiązywania układów równań liniowych (5.3) Normy wektorów i macierzy (5.3.1) Niech. x i. i =1 Normy wektorów i macierzy (5.3.1) Niech 1 X =[x x Y y =[y1 x n], oznaczają wektory przestrzeni R n, a yn] niech oznacza liczbę rzeczywistą. Wyrażenie x i p 5.3.1.a X p = p n i =1 nosi nazwę p-tej normy

Bardziej szczegółowo

Programowanie sieciowe. Tadeusz Trzaskalik

Programowanie sieciowe. Tadeusz Trzaskalik Programowanie Tadeusz Trzaskalik 8.1. Wprowadzenie Słowa kluczowe Drzewo rozpinające Minimalne drzewo rozpinające Najkrótsza droga w sieci Wierzchołek początkowy Maksymalny przepływ w sieci Źródło Ujście

Bardziej szczegółowo

Analiza wielokryterialna wstęp do zagadnienia

Analiza wielokryterialna wstęp do zagadnienia Organizacja, przebieg i zarządzanie inwestycją budowlaną Analiza wielokryterialna wstęp do zagadnienia dr hab. Mieczysław Połoński prof. SGGW 1 Wprowadzenie Jednym z podstawowych, a równocześnie najważniejszym

Bardziej szczegółowo

D. Miszczyńska, M.Miszczyński KBO UŁ 1 GRY KONFLIKTOWE GRY 2-OSOBOWE O SUMIE WYPŁAT ZERO

D. Miszczyńska, M.Miszczyński KBO UŁ 1 GRY KONFLIKTOWE GRY 2-OSOBOWE O SUMIE WYPŁAT ZERO D. Miszczyńska, M.Miszczyński KBO UŁ GRY KONFLIKTOWE GRY 2-OSOBOWE O SUMIE WYPŁAT ZERO Gra w sensie niżej przedstawionym to zasady którymi kierują się decydenci. Zakładamy, że rezultatem gry jest wypłata,

Bardziej szczegółowo

Programowanie liniowe metoda sympleks

Programowanie liniowe metoda sympleks Programowanie liniowe metoda sympleks Mirosław Sobolewski Wydział Matematyki, Informatyki i Mechaniki UW 13. wykład z algebry liniowej Warszawa, styczeń 2018 Mirosław Sobolewski (UW) Warszawa, 2018 1 /

Bardziej szczegółowo

5. Rozwiązywanie układów równań liniowych

5. Rozwiązywanie układów równań liniowych 5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a

Bardziej szczegółowo

Wprowadzenie do badań operacyjnych

Wprowadzenie do badań operacyjnych Wprowadzenie do badań operacyjnych Hanna Furmańczyk 10 października 2008 Badania operacyjne (ang. operations research) - dyscyplina naukowa związana z teorią decyzji pozwalająca wyznaczyć metodę i rozwiązanie

Bardziej szczegółowo

Zagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka

Zagadnienie Dualne Zadania Programowania Liniowego. Seminarium Szkoleniowe Edyta Mrówka Zagadnienie Dualne Zadania Programowania Liniowego Seminarium Szkoleniowe Edyta Mrówka Ogólne zagadnienie PL Znajdź taki wektor X = (x 1, x 2,..., x n ), który minimalizuje kombinacje liniow a przy ograniczeniach

Bardziej szczegółowo

Przekształcenia liniowe

Przekształcenia liniowe Przekształcenia liniowe Zadania Które z następujących przekształceń są liniowe? (a) T : R 2 R 2, T (x, x 2 ) = (2x, x x 2 ), (b) T : R 2 R 2, T (x, x 2 ) = (x + 3x 2, x 2 ), (c) T : R 2 R, T (x, x 2 )

Bardziej szczegółowo

Dualność w programowaniu liniowym

Dualność w programowaniu liniowym 2016-06-12 1 Dualność w programowaniu liniowym Badania operacyjne Wykład 2 2016-06-12 2 Plan wykładu Przykład zadania dualnego Sformułowanie zagadnienia dualnego Symetryczne zagadnienie dualne Niesymetryczne

Bardziej szczegółowo

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5

Bardziej szczegółowo

Programowanie wielocelowe lub wielokryterialne

Programowanie wielocelowe lub wielokryterialne Programowanie wielocelowe lub wieloryterialne Zadanie wielocelowe ma co najmniej dwie funcje celu nazywane celami cząstowymi. Cele cząstowe f numerujemy indesem = 1, 2, K. Programowanie wielocelowe ciągłe

Bardziej szczegółowo

Notatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego

Notatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego Notatki do tematu Metody poszukiwania rozwiązań jednokryterialnych problemów decyzyjnych metody dla zagadnień liniowego programowania matematycznego część III Analiza rozwiązania uzyskanego metodą simpleksową

Bardziej szczegółowo

Centralne twierdzenie graniczne

Centralne twierdzenie graniczne Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 4 Ważne uzupełnienie Dwuwymiarowy rozkład normalny N (µ X, µ Y, σ X, σ Y, ρ): f XY (x, y) = 1 2πσ X σ Y 1 ρ 2 { [ (x ) 1

Bardziej szczegółowo

MATEMATYKA I SEMESTR ALK (PwZ) 1. Sumy i sumy podwójne : Σ i ΣΣ

MATEMATYKA I SEMESTR ALK (PwZ) 1. Sumy i sumy podwójne : Σ i ΣΣ MATEMATYKA I SEMESTR ALK (PwZ). Sumy i sumy podwójne : Σ i ΣΣ.. OKREŚLENIE Ciąg liczbowy = Dowolna funkcja przypisująca liczby rzeczywiste pierwszym n (ciąg skończony), albo wszystkim (ciąg nieskończony)

Bardziej szczegółowo

ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ. Joanna Bryndza

ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ. Joanna Bryndza ANALIZA HIERARCHICZNA PROBLEMU W SZACOWANIU RYZYKA PROJEKTU INFORMATYCZNEGO METODĄ PUNKTOWĄ Joanna Bryndza Wprowadzenie Jednym z kluczowych problemów w szacowaniu poziomu ryzyka przedsięwzięcia informatycznego

Bardziej szczegółowo

Elementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe

Elementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe Spis treści Elementy Modelowania Matematycznego Wykład 7 i całkowitoliczbowe Romuald Kotowski Katedra Informatyki Stosowanej PJWSTK 2009 Spis treści Spis treści 1 Wstęp 2 3 Spis treści Spis treści 1 Wstęp

Bardziej szczegółowo

Instytut Maszyn Roboczych i Pojazdów Samochodowych. Dr hab. inż. Krzysztof Bieńczak, prof. PP Dr inż. Marcin Kiciński Mgr inż.

Instytut Maszyn Roboczych i Pojazdów Samochodowych. Dr hab. inż. Krzysztof Bieńczak, prof. PP Dr inż. Marcin Kiciński Mgr inż. Instytut Maszyn Roboczych i Pojazdów Samochodowych Dr hab. inż. Krzysztof Bieńczak, prof. PP Dr inż. Marcin Kiciński Mgr inż. Maciej Bieńczak Wprowadzenie Sterylizacja/warunki brzegowe medium grzewczego

Bardziej szczegółowo

Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych. Piotr Kaczyński. Badania Operacyjne

Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych. Piotr Kaczyński. Badania Operacyjne Uniwersytet Kardynała Stefana Wyszyńskiego Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Piotr Kaczyński Badania Operacyjne Notatki do ćwiczeń wersja 0. Warszawa, 7 stycznia 007 Spis treści Programowanie

Bardziej szczegółowo

Równania liniowe. Rozdział Przekształcenia liniowe. Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem

Równania liniowe. Rozdział Przekształcenia liniowe. Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem Rozdział 6 Równania liniowe 6 Przekształcenia liniowe Niech X oraz Y będą dwiema niepustymi przestrzeniami wektorowymi nad ciałem F Definicja 6 Funkcję f : X Y spełniającą warunki: a) dla dowolnych x,

Bardziej szczegółowo

Wykład z modelowania matematycznego. Algorytm sympleks.

Wykład z modelowania matematycznego. Algorytm sympleks. Wykład z modelowania matematycznego. Algorytm sympleks. 1 Programowanie matematyczne jest to zbiór metod poszukiwania punktu optymalizującego (minimalizującego lub maksymalizującego) wartość funkcji rzeczywistej

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova

Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova Wstęp do sieci neuronowych, wykład 11 Łańcuchy Markova M. Czoków, J. Piersa 2010-12-21 1 Definicja Własności Losowanie z rozkładu dyskretnego 2 3 Łańcuch Markova Definicja Własności Losowanie z rozkładu

Bardziej szczegółowo

Programowanie wielocelowe lub wielokryterialne

Programowanie wielocelowe lub wielokryterialne Programowanie wielocelowe lub wieloryterialne Zadanie wielocelowe ma co najmniej dwie funcje celu nazywane celami cząstowymi. Cele cząstowe f numerujemy indesem = 1, 2, K. Programowanie wielocelowe ciągłe.

Bardziej szczegółowo

Ekonometria - ćwiczenia 10

Ekonometria - ćwiczenia 10 Ekonometria - ćwiczenia 10 Mateusz Myśliwski Zakład Ekonometrii Stosowanej Instytut Ekonometrii Kolegium Analiz Ekonomicznych Szkoła Główna Handlowa 14 grudnia 2012 Wprowadzenie Optymalizacja liniowa Na

Bardziej szczegółowo

Badania operacyjne. te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze.

Badania operacyjne. te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze. BADANIA OPERACYJNE Badania operacyjne Badania operacyjne są sztuką dawania złych odpowiedzi na te praktyczne pytania, na które inne metody dają odpowiedzi jeszcze gorsze. T. Sayty 2 Standardowe zadanie

Bardziej szczegółowo

BADANIA OPERACYJNE i teoria optymalizacji. Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych

BADANIA OPERACYJNE i teoria optymalizacji. Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych BADANIA OPERACYJNE i teoria optymalizacji Prowadzący: dr Tomasz Pisula Katedra Metod Ilościowych e-mail: tpisula@prz.edu.pl 1 Literatura podstawowa wykorzystywana podczas zajęć wykładowych: 1. Gajda J.,

Bardziej szczegółowo

A. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe1

A. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe1 A. Kasperski, M. Kulej, Badania operacyjne, Wykład 4, Zagadnienie transportowe ZAGADNIENIE TRANSPORTOWE(ZT) Danychjest pdostawców,którychpodażwynosi a,a 2,...,a p i qodbiorców, którychpopytwynosi b,b 2,...,b

Bardziej szczegółowo

Interpolacja. Marcin Orchel. Drugi przypadek szczególny to interpolacja trygonometryczna

Interpolacja. Marcin Orchel. Drugi przypadek szczególny to interpolacja trygonometryczna Interpolacja Marcin Orchel 1 Wstęp Mamy daną funkcję φ (x; a 0,..., a n ) zależną od n + 1 parametrów a 0,..., a n. Zadanie interpolacji funkcji φ polega na określeniu parametrów a i tak aby dla n + 1

Bardziej szczegółowo

Zagadnienie transportowe (badania operacyjne) Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie

Zagadnienie transportowe (badania operacyjne) Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie Zagadnienie transportowe (badania operacyjne) Mgr inż. Aleksandra Radziejowska AGH Akademia Górniczo-Hutnicza w Krakowie OPIS ZAGADNIENIA Zagadnienie transportowe służy głównie do obliczania najkorzystniejszego

Bardziej szczegółowo

ALGORYTM SIMPLEX. B.Gładysz Badania operacyjne 2007

ALGORYTM SIMPLEX. B.Gładysz Badania operacyjne 2007 ALGORYTM SIMPLEX 7 Zagadnienie asortymentu produkcji Firma produkuje dwa wyroby P, P. Ograniczeniem dla produkcji są trzy surowce S, S i S.Nakłady jednostkowe surowców są następujące: S S S Zysk jednostkowy

Bardziej szczegółowo

Badania operacyjne Operation research. Transport I stopień (I stopień / II stopień) Ogólnoakademicki (ogólno akademicki / praktyczny)

Badania operacyjne Operation research. Transport I stopień (I stopień / II stopień) Ogólnoakademicki (ogólno akademicki / praktyczny) Załącznik nr 7 do Zarządzenia Rektora nr../12 z dnia.... 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2013/2014 Badania

Bardziej szczegółowo

Programowanie matematyczne

Programowanie matematyczne dr Adam Sojda Badania Operacyjne Wykład Politechnika Śląska Programowanie matematyczne Programowanie matematyczne, to problem optymalizacyjny w postaci: f ( x) max przy warunkach g( x) 0 h( x) = 0 x X

Bardziej szczegółowo