Rozwiązanie Powyższe zadanie możemy przedstawić jako następujące zagadnienie programowania liniowego:



Podobne dokumenty
Wielokryteriowa optymalizacja liniowa

Wielokryteriowa optymalizacja liniowa cz.2

PROGRAMOWANIE KWADRATOWE

D. Miszczyńska, M.Miszczyński KBO UŁ, Badania operacyjne [1]

Standardowe zadanie programowania liniowego. Gliwice 1

Programowanie liniowe

Definicja problemu programowania matematycznego

Programowanie liniowe. Tadeusz Trzaskalik

Zadania 1. Czas pracy przypadający na jednostkę wyrobu (w godz.) M 1. Wyroby

Metoda simpleks. Gliwice

Rozdział 1 PROGRAMOWANIE LINIOWE

Rozdział 6 PROGRAMOWANIE WYPUKŁE I KWADRATOWE

Metody optymalizacji. dr inż. Paweł Zalewski Akademia Morska w Szczecinie

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

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

ALGORYTM SIMPLEX. B.Gładysz Badania operacyjne 2007

Elementy Modelowania Matematycznego

Programowanie nieliniowe

ZAGADNIENIE TRANSPORTOWE

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

Zadanie transportowe i problem komiwojażera. Tadeusz Trzaskalik

A. Kasperski, M. Kulej Badania Operacyjne- programowanie liniowe 1

BADANIA OPERACYJNE pytania kontrolne

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

ZAGADNIENIE TRANSPORTOWE (część 1)

Elementy Modelowania Matematycznego Wykład 7 Programowanie nieliniowe i całkowitoliczbowe

Programowanie liniowe

BADANIA OPERACYJNE Zagadnienie transportowe

TOZ -Techniki optymalizacji w zarządzaniu

Wykład 6. Programowanie liniowe

Elementy Modelowania Matematycznego

Programowanie liniowe całkowitoliczbowe. Tadeusz Trzaskalik

Iwona Konarzewska Programowanie celowe - wprowadzenie. Katedra Badań Operacyjnych UŁ

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

Wprowadzenie do badań operacyjnych - wykład 2 i 3

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

Rozdział 1 PROGRAMOWANIE LINIOWE

Badania Operacyjne Ćwiczenia nr 2 (Materiały)

Algorytm simplex i dualność

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

ZAGADNIENIA PROGRAMOWANIA LINIOWEGO

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

PROGRAMOWANIE WIELOKRYTERIALNE (CELOWE)


Programowanie liniowe metoda sympleks

c j x x

Programowanie matematyczne

Programowanie liniowe metoda sympleks

Ćwiczenia laboratoryjne - 7. Problem (diety) mieszanek w hutnictwie programowanie liniowe. Logistyka w Hutnictwie Ćw. L. 7

Wykład z modelowania matematycznego. Zagadnienie transportowe.

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

1. OPTYMALIZACJA PROGRAMU PRODUKCJI I SPRZEDAŻY

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

Programowanie liniowe metoda sympleks

Ćwiczenia laboratoryjne - 7. Zagadnienie transportowoprodukcyjne. programowanie liniowe

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ

Zagadnienie transportowe

Modelowanie całkowitoliczbowe

OPTYMALIZACJA DYSKRETNA

Wybrane elementy badań operacyjnych

(Dantzig G. B. (1963))

ZAGADNIENIE DUALNE Rozważmy zagadnienie liniowe(zagadnienie to nazywamy prymalnym) o postaci kanonicznej:

ALGORYTMY. 1. Podstawowe definicje Schemat blokowy

Elementy modelowania matematycznego

Modelowanie sytuacji konfliktowych, w których występują dwie antagonistyczne strony.

WPROWADZENIE DO EKONOMII MENEDŻERSKIEJ.

Rozwiązywanie programów matematycznych

Rozwiązaniem jest zbiór (, ] (5, )

Programowanie dynamiczne. Tadeusz Trzaskalik

Analiza danych przy uz yciu Solvera

1.2. Rozwiązywanie zadań programowania liniowego metodą geometryczną

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

Ekonometria - ćwiczenia 10

BADANIA OPERACYJNE I TEORIE OPTYMALIZACJI. Zagadnienie transportowe

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Badania Operacyjne Ćwiczenia nr 1 (Materiały)

OPTYMALIZACJA W LOGISTYCE

Rozdział 2 PROGRAMOWANIE LINIOWE CAŁKOWITOLICZBOWE

PROGRAMOWANIE CAŁKOWITOLICZBOWE

Programowanie liniowe

WYDZIAŁ ELEKTRYCZNY POLITECHNIKI WARSZAWSKIEJ INSTYTUT ELEKTROENERGETYKI ZAKŁAD ELEKTROWNI I GOSPODARKI ELEKTROENERGETYCZNEJ

Document: Exercise*02*-*manual /11/ :31---page1of8 INSTRUKCJA DO ĆWICZENIA NR 2

Optymalizacja systemów

WYKORZYSTANIE NARZĘDZIA Solver DO ROZWIĄZYWANIA ZAGADNIENIA Problem przydziału

RYNEK CIEPŁA REC 2013 OPTYMALIZACJA ROZDZIAŁU OBCIĄŻEŃ POMIĘDZY PRACUJĄCE RÓWNOLEGLE BLOKI CIEPŁOWNICZE

4. PROGRAMOWANIE LINIOWE

OPTYMALIZACJA W LOGISTYCE

Wprowadzenie do badań operacyjnych

Optymalizacja. Przeszukiwanie lokalne

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

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Optymalizacja

=B8*E8 ( F9:F11 F12 =SUMA(F8:F11)

Excel - użycie dodatku Solver

PROBLEMY DECYZYJNE KRÓTKOOKRESOWE

Optymalizacja systemów

Modele i narzędzia optymalizacji w systemach informatycznych zarządzania

Dodatek Solver Teoria Dodatek Solver jest częścią zestawu poleceń czasami zwaną narzędziami analizy typu co-jśli (analiza typu co, jeśli?

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia:

Bezgradientowe metody optymalizacji funkcji wielu zmiennych. informacje dodatkowe

M1 M2 M3 Jednostka produkcyjna W1 6h 3h 10h h/1000szt 2zł W2 8h 4h 5h h/100szt 25zł Max. czas pracy maszyn:

Transkrypt:

Zadanie Rafineria naftowa otrzymała zamówienie na dwa rodzaje specjalnych paliw węglowodorowych X oraz Y. Zamówienie opiewa na minimum 4 000 galonów paliwa X i minimum 2 400 galonów paliwa Y. Paliwa te mogą yć wytwarzane niezależnie w dwóch procesach: P 1 i P 2. W ciągu 1 godziny trwania procesu P 1 zużywa się 1 aryłkę ropy A oraz 3 aryłki ropy B i otrzymuje 100 galonów paliwa X oraz 30 galonów paliwa Y. W ciągu 1 godziny trwania procesu P 2 zużywa się 4 aryłki ropy A oraz 2 aryłki ropy B i otrzymuje 50 galonów paliwa X oraz 40 galonów paliwa Y. Zasó ropy A wynosi 240 aryłek, a ropy B 180 aryłek. Zysk z godziny produkcji według procesu P 1 wynosi 200 zł, a koszty 300 zł. Zysk z godziny produkcji według procesu P 2 wynosi 500 zł, a koszty 600 zł. Szef produkcji poszukuje takiej kominacji procesów P 1 i P 2 (tzn. chce ustalić na ile godzin uruchomić proces P 1, a na ile P 2 ), ay osiągnąć maksymalny zysk. Rozwiązanie Powyższe zadanie możemy przedstawić jako następujące zagadnienie programowania liniowego: zmienne decyzyjne: - ilość godzin trwania procesu P 1, x 2 - ilość godzin trwania procesu P 2, funkcja celu: ograniczenia: 4 x 2 240 (limit ropy A) f =200 500 x 2 max 3 2 x 2 180 (limit ropy B) 100 4000 (minimum ilości paliwa X) 30 2400 (minimum ilości paliwa Y) x 2 - warunki nieujemności, ze względu na sensowność rozwiązania. - 1 -

Powyższe zagadnienie rozwiązane zostanie metodą simplex. W pierwszej kolejności, musimy sprowadzić zagadnienie do tzw. postaci kanonicznej.dokonujemy tego likwidując wszystkie nierówności. Likwidujemy je w taki sposó, iż zamieniamy je na równania, poprzez wprowadzenie zmiennych swoodnych. Po wprowadzeniu zmiennych swoodnych, nasz układ ograniczeń wygląda następująco: 4 x 2 s 1 =240 3 2 x 2 s 2 =180 100 s 3 =4000 30 s 4 =2400 s 1, s 2, s 3, s 4 Powyższych ograniczeń nie można jeszcze wykorzystać ezpośrednio w metodzie simplex, gdyż zmienne nie generują azy jednostkowej zmienne swoodne w równaniu trzecim oraz czwartym mają znaki ujemne. Ay wygenerować azę jednostkową, wprowadzamy do tych równań zmienne sztuczne. 4 x 2 s 1 =240 3 2 x 2 s 2 =180 100 s 3 t 1 =4000 30 s 4 t 2 =2400 s 1,s 2, s 3,s 4 t 1, t 2 =0 Wprowadzenie zmiennych sztucznych wymusza modyfikację funkcji celu wprowadzamy do niej zmienne sztuczne z wagą niekorzystną z punktu widzenia kierunku optymalizacji. W naszym - 2 -

przypadku (maksymalizacja) wprowadzamy je z wagą ujemną ( M, gdzie M jest ardzo dużą liczą dodatnią: M ). Funkcja celu ędzie miała postać: f, s 1, s 2, s 3, s 4, t 1,t 2 =200 500 x 2 M t 1 M t 2 max Budujemy I talicę simplex. I talica simplex rozwiązanie początkowe aza: x B = [s 1, s 2, t 1, t 2 ] x T x 2 s 1 s 2 s 3 s 4 t 1 t 2 s 1 0 1 4 1 0 0 0 0 0 s 2 0 3 2 0 1 0 0 0 0 180 60 t 1 M 100 50 0 0 1 0 1 0 4000 40 t 2 M 30 40 0 0 0 1 0 1 2400 80 240 z j -130M -90M 0 0 M M M M -6400M Δ j 200 +130M 500 +90M 0 0 M M 0 0 240 Kryterium wejścia do azy spełnia zmienna gdyż odpowiada jest największy dodatni wskaźnik optymalności j. Kryterium ścia spełnia zmienna t 1, gdyż odpowiada jej najmiejsza dodatnia wartość ilorazów elementów kolumny przez kolumnę zmiennej wchodzącej. Woec tego: wchodzi:, wychodzi: t 1. - 3 -

II Talica simplex aza: x B = [s 1, s 2,, t 2 ] x T x 2 s 1 s 2 s 3 s 4 t 1 t 2 s 1 0 0 3,5 1 0 0,01 0 0,01 0 200 57,14 s 2 0 0 0,5 0 1 0,03 0 0,03 0 60 120 200 1 0,5 0 0 0,01 0 0,01 0 40 80 t 2 M 0 25 0 0 0,3 1 0,3 1 1200 48 z j 200 Δ j 0 wchodzi: x 2, wychodzi: t 2. 100-25M 0 0 400 +25M 0 0 2-0,3M 2 +0,3M M 2 +0,3M M 8000-1200M M 2-0,3M 0 III Talica simplex aza: x B = [s 1, s 2, ] x T x 2 s 1 s 2 s 3 s 4 t 1 t 2 s 1 0 0 0 1 0 0,032 0,14 0,032 0,14 32 228,57 s 2 0 0 0 0 1 0,024 0,02 0,024 0,02 36 1800 200 1 0 0 0 0,016 0,02 0,016 0,02 16 800 x 2 500 0 1 0 0 0,012 0,04 0,012 0,04 48 wchodzi: s 4, wychodzi: s 1 z j 200 500 0 0 2,8 16 2,8 16 27200 Δ j 0 0 0 0 2,8 16 2,8-M 16 M - 4 -

IV Talica simplex aza: x B = [s 4, s 2, ] x T x 2 s 1 s 2 s 3 s 4 t 1 t 2 s 4 0 0 0 7,1429 0 0,2286 1 0,2286 1 228,571 s 2 0 0 0-0,1429 1 0,0286 0 0,0286 0 31,429 1100 200 1 0-0,1429 0 0,0114 0 0,0114 0 11,429 x 2 500 0 1 0,29 0 0,0029 0 0,0029 0 57,143 20000 wchodzi: s 3, wychodzi: s 2 z j 200 500 114,286 0 0,8571 0 0,8571 0 30857,14 Δ j 0 0 114,286 0 0,8571 0 0,8571 -M M V Talica simplex aza: x B = [s 4, s 2, ] x T x 2 s 1 s 2 s 3 s 4 t 1 t 2 s 4 0 0 0 6 8 0 1 0 1 480 s 3 0 0 0 5 35 1 0 1 0 1100 200 1 0 0,2 0,4 0 0 0 0 24 x 2 500 0 1 0,3 0,1 0 0 0 0 54 z j 200 500 110 30 0 0 0 0 31800 Δ j 0 0 110 30 0 0 M M Wszystkie wskaźniki optymalności są liczami niedodatnimi a w azie nie pozostała żadna ze zmiennych sztucznych, zatem uzyskane w 5. kroku rozwiązanie jest już rozwiązaniem optymalnym. Rozwiązanie to jest następujące: { =24 x 2 =54-5 -

Optymalna wartość funkcji celu wynosi natomiast: f max 24 ;54 =200 24 500 54=31800 Wartość s 3 =1100 oznacza, iż nierówność ograniczająca 100 4000 spełniona została jako nierówność ostra wyprodukowano o 1100 galonów paliwa X więcej niż wynosiło założone minimum 4000. Z kolei wartość s 4 =480 oznacza, iż nierówność ograniczająca 30 2400 również została spełniona jako nierówność ostra tj. wyprodukowano o 480 galonów paliwa Y więcej, niż wynosiło założone minimum 2400. Pozostałe nierówności spełnione zostały jako równości, co oznacza, iż całość zasoów ropy A oraz B została wykorzystana. - 6 -