--PAGE_BREAK--Двойственный симплексный метод называют также методом последовательного уточнения оценок, поскольку угловые точки задачи, возникающие при итерациях, можно рассматривать как приближенные значения точной оценки у*, т. е. как приближенные оценки влияния условий задачи на величину минимума целевой функции. [2, c.87-92]
Значительная часть экономических задач, относящихся к задачам линейного программирования, требует целочисленного решения. К ним относятся задачи, у которых переменные величины означают количество единиц неделимой продукции, например распределение производственных заданий между предприятиями, раскрой материалов, загрузка оборудования, распределение судов по линиям, самолетов по рейсам, а также задачи по производству неделимой продукции. Если единица составляет малую часть всего объема производства, то оптимальное решение находят обычным симплексным методом, округляя его до целых единиц, исходя из смысла задачи. В противном случае округление может привести к решению, далекому от оптимального целочисленного решения.
Задача целочисленного программирования формулируется так же, как и задача линейного программирования, но включается дополнительное требование, состоящее в том, что значения переменных, составляющих оптимальное решение, должны быть целыми неотрицательными числами.
Метод решения таких задач, предложенный Гомори, основан на симплексном методе и состоит в следующем. Симплексным методом находится оптимальный план задачи без учета условия целочисленности. Если оптимальный план целочисленный, то вычисления заканчивают; если же оптимальный план содержит хотя бы одну дробную компоненту Xi, то накладывают дополнительное ограничение, учитывающее целочисленность компонент плана, и вычисления симплексным методом продолжают до тех пор, пока либо будет найден целочисленный оптимальный план, либо доказано, что задача не имеет целочисленных оптимальных планов. [3 c.122-123]
Особенно широкое распространение линейное программирование получило в экономике, так как исследование зависимостей между величинами, встречающимися во многих экономических задачах, приводит к линейной функции с линейными ограничениями, наложенными на неизвестные.
2. Области применения и ограничения использования линейного программирования для решения экономических задач Особенно широкое применение методы и модели линейного программирования получили при решении задач экономии ресурсов (выбор ресурсосберегающих технологий, составление смесей, раскрой материалов, производственно-транспортных и других задач). [2, c.92]
Рассмотрим постановку задачи о наилучшем использовании ресурсов. Пусть некоторая производственная единица (цех, завод, объединение и т. д.), исходя из конъюнктуры рынка, технических или технологических возможностей и имеющихся ресурсов, может выпускать n различных видов продукции (товаров), известных под номерами, обозначаемыми индексом j . Товары будем обозначать . Предприятие при производстве этих видов продукции должно ограничиваться имеющимися видами ресурсов, технологий, других производственных факторов (сырья, полуфабрикатов, рабочей силы, оборудования, электроэнергии и т. д.). Все эти виды ограничивающих факторов называют ингредиентами . Пусть их число равно m; припишем им индекс i . Они ограничены, и их количества равны соответственно условных единиц. Таким образом, - вектор ресурсов. Известна экономическая выгода (мера полезности) производства продукции каждого вида, исчисляемая, скажем, по отпускной цене товара, его прибыльности, издержкам производства, степени удовлетворения потребностей и т. д. Примем в качестве такой меры, например, цену реализации , т. е. — вектор цен. Известны также технологические коэффициенты , которые указывают, сколько единиц i–го ресурса требуется для производства единицы продукции j-го вида. Матрицу коэффициентов называют технологической и обозначают буквой А. Имеем . Обозначим через план производства, показывающий, какие виды товаров нужно производить и в каких количествах, чтобы обеспечить предприятию максимум объема реализации при имеющихся ресурсах. Так как — цена реализации единицы j-й продукции, цена реализованных единиц будет равна , а общий объем реализации примет вид (формула 2.1). Это — целевая функция, которую нужно максимизировать.
(2.1)
Так как — расход i-го ресурса на производство единиц j-й продукции, то, просуммировав расход i-горесурса на выпуск всех n видов продукции, получим общий расход этого ресурса, который не должен превосходить единиц (формула 2.2).
(2.2)
Чтобы искомый план был реализован, наряду с ограничениями на ресурсы нужно наложить условие неотрицательности на объёмы выпуска продукции .
В модель задачи о наилучшем использовании ресурсов входят: целевая функция (формула 2.3), система ограничений (формула 2.4) и условия неотрицательности (формула 2.5)
(2.3)
(2.4)
(2.5)
Так как переменные входят в функцию и систему ограничений только в первой степени, а показатели являются постоянными в планируемый период, то это – задача линейного программирования.
В различных отраслях народного хозяйства возникает проблема составления таких рабочих смесей на основе исходных материалов, которые обеспечивали бы получение конечного продукта, обладающего определенными свойствами. К этой группе задач относятся задачи о выборе диеты, составлении кормового рациона в животноводстве, шихт в металлургии, горючих и смазочных смесей в нефтеперерабатывающей промышленности, смесей для получения бетона в строительстве и т. д… Высокий уровень затрат на исходные сырьевые материалы и необходимость повышения эффективности производства выдвигает на первый план следующую задачу: получить продукцию с заданными свойствами при наименьших затратах на исходные сырьевые материалы.
Сущность задачи об оптимальном раскрое состоит в разработке таких технологически допустимых планов раскроя, при которых получается необходимый комплект заготовок, а отходы (по длине, площади, объему, массе или стоимости) сводятся к минимуму. Более сложные постановки ведут к задачам целочисленного программирования.
Общая постановка транспортной задачи состоит в определении оптимального плана перевозок некоторого однородного груза из m пунктов отправления в n пунктов назначения . При этом в качестве критерия оптимальности обычно берется либо минимальная стоимость перевозок всего груза, либо минимальное время его доставки. Рассмотрим транспортную задачу, в качестве критерия оптимальности которой взята минимальная стоимость перевозок всего груза. Обозначим через тарифы перевозки единицы груза из i-го пункта отправления в j-й пункт назначения, через – запасы груза в i-м пункте отправления, через – потребности в грузе в j–м пункте назначения, а через – количество единиц груза, перевозимого из i-го пункта отправления в j-й пункт назначения. Тогда математическая постановка задачи состоит в определении минимального значения функции (формула 2.7) при определенных ограничениях (формула 2.8) и условиях неотрицательности (формула 2.9).
(2.7)
(2.8)
(2.9)
Обычно исходные данные транспортной задачи записывают в виде таблицы, которую называют матрицей планирования. (табл. 2.1).
Таблица 2.1
Матрица планирования ТЗ
Поставщики
Потребители
Запасы
B1
B2
…
Bn
A1
C11
C12
…
C1n
a1
A2
C21
C22
…
C2n
a2
…
…
…
…
…
…
Am
Cm1
Cm2
…
Cmn
am
b1
b2
…
bn
Таким образом, обеспечивается доставка необходимого количества груза в каждый из пунктов назначения, вывоз имеющегося груза из всех пунктов отправления, а также исключаются обратные перевозки. Всякое неотрицательное решение систем линейных уравнений называется планом транспортной задачи. План, при котором целевая функция принимает свое минимальное значение, называется оптимальным планом транспортной задачи. Если в опорном плане число отличных от нуля компонент равно в точности n+m–1, то план является невырожденным, а если меньше – то вырожденным. [3 c.132-134]
Если общая потребность в грузе в пунктах назначения равна запасу груза в пунктах отправления, то модель такой транспортной задачи называется закрытой. Если же указанное условие не выполняется, то модель транспортной задачи называется открытой.
В случае превышения запаса над потребностью, вводится фиктивный (n+1)–й пункт назначения с потребностью (формула 2.10) и соответствующие тарифы считаются равными нулю. Аналогично, в случае, если потребности превышают количество запасов, также вводится фиктивный (m+1)–й пункт отправления с запасом груза и тарифы полагаются равными нулю (формула 2.11). Этим задача сводится к обычной транспортной задаче, из оптимального плана которой получается оптимальный план исходной задачи.
(2.10)
(2.11)
Как и для всякой задачи линейного программирования, оптимальный план транспортной задачи является и опорным планом. Опорный планявляется допустимым решением ТЗ и используется в качестве начального базисного решения при нахождении оптимального решения методом потенциалов. Существует четыре метода нахождения опорных планов:
1. метод северо-западного угла;
2. метод минимального элемента;
3. метод двойного предпочтения;
4. метод штрафов (Фогеля).
«Качество» опорных планов, полученных этими методами, различается: в общем случае метод Фогеля дает наилучшее решение (зачастую оптимальное), а метод северо-западного угла– наихудшее.
Все существующие методы нахождения опорных планов отличаются только способом выбора клетки для заполнения. Само заполнение происходит одинаково независимо от используемого метода. Следует помнить, что перед нахождением опорного плана транспортная задача должна быть сбалансирована.
В методе северо-западного угла из всех не вычеркнутых клеток выбирается самая левая и верхняя (северо-западная) клетка. Другими словами, на каждом шаге выбирается первая из оставшихся не вычеркнутых строк и первый из оставшихся не вычеркнутых столбцов.
Для того чтобы заполнить клетку (i,j), необходимо сравнить текущий запас товара в рассматриваемой i-й строке с текущей потребностью в рассматриваемом j-м столбце. Нахождение опорного плана продолжается до тех пор, пока не будут вычеркнуты все строки и столбцы. [3 c.137]
В методе минимального элемента первой клеткой выбирают клетку с наименьшей суммой доставки и заполняют ее максимально возможным грузом.
Если таблица стоимостей велика, то перебор всех элементов затруднителен. В этом случае используют метод двойного предпочтения, суть которого заключается в следующем: в каждой строке и каждом столбце отмечают «V» наименьшую стоимость, а затем клетки с двойным символом «VV» заполняют с учетом наименьшей стоимости. Затем распределяют перевозки по клеткам, отмеченным знаком «V». В оставшейся части таблицы перевозки распределяют по наименьшей стоимости.
На каждом шаге метода Фогеля для каждой i-й строки вычисляются штрафы, как разность между двумя наименьшими тарифами строки. Таким же образом вычисляются штрафы для каждого j-го столбца. После чего выбирается максимальный штраф из всех штрафов строк и столбцов. В строке или столбце, соответствующем выбранному штрафу, для заполнения выбирается не вычеркнутая клетка с минимальным тарифом. Если существует несколько одинаковых по величине максимальных штрафов в матрице, то в соответствующих строках или столбцах выбирается одна не вычеркнутая клетка с минимальным тарифом.
Если клеток с минимальным тарифом также несколько, то из них выбирается клетка (i,j) с максимальным суммарным штрафом, т.е. суммой штрафов по i-й строке и j-му столбцу.
Если план транспортной задачи является оптимальным, то ему соответствует система из m+n чисел Ui и Vj, удовлетворяющих условиям: Ui+Vj=Cij для занятых клеток и Ui+Vj?Сij в свободных клетках. Числа Ui и Vj называются потенциалами соответственно поставщиков и потребителей. При решении одному неизвестному потенциалу придается произвольное значение. [3 c.141]
3. Оптимизация прибыли с применением метода линейного программирования 3.1 Постановка задачи и формирование оптимизационной модели Предприятие реализует товары трех групп. Известны нормативы затрат ресурсов Aij в расчете на единицу товара и ограничения по располагаемым ресурсам, которые приведены в (табл. 3.1)
Таблица 3.1
Нормативы затрат ресурсов и ограничений
Ресурсы
Нормативы затрат ресурсов по продаже товаров
Aj
Bj
Cj
Рабочее время, чел.ч.
А11=0,1
А12=0,2
А13=0,4
Площадь торговых помещений, м2
А21=0,05
А22=0,02
А23=0,02
Издержки обращения на ед. товара, руб.
А31=3
А32=1
А33=2
Доход на единицу товара, руб.
С1=3
С2=5
С3=4
План продажи, ед.
X1
X2
X3
Ограничение объемов ресурсов составляют: ресурс первого вида ? 1300, ресурс второго вида ? 140, ресурс третьего вида ?8200.
Необходимо составить оптимальный план товарооборота по критерию максимума дохода.
Это классическая задача линейного программирования о наилучшем использовании ресурсов. В данной задаче также будет присутствовать целочисленное программирование, т.к. продукция неделимая.
Составим оптимизационную модель. Запишем целевую функцию(формула 3.1), ограничения на количество ресурсов (формула 3.2) и условия неотрицательности (формула 3.3)
(3.1)
(3.2)
(3.3)
3.2 Расчет и анализ результатов оптимизации прибыли Первоначальный опорный план симплекс методом находится только тогда, когда в системе ограничения левые и правые части уравнения равны. Поэтому необходимо перейти от неравенств к равенствам, прибавляя к левым частям неотрицательные дополнительные переменные (дополнительным переменным в линейной функции соответствуют коэффициенты равные нулю). Следовательно, целевая функция (формула 3.4), система ограничений (формула 3.5) и условия неотрицательности (формула 3.6)примут другой вид.
(3.4)
(3.5)
(3.6)
Решаем задачу симплексным методом. Расчеты производим в симплекс таблице. (см. табл. 3.2)
Таблица 3.2
Первая симплексная таблица
Базис
Cj баз.
B
X1
X2
X3
X4
X5
X6
3
5
4
0
0
0
X4
0
1300
0.1
0.2
0.4
1
0
0
X5
0
140
0.05
0.02
0.02
0
1
0
X6
0
8200
3
1
2
0
0
1
П(x)
0
-3
-5
-4
0
0
0
Этот план не является оптимальным, так как в строке «прибыль» есть три отрицательные оценки. Выбирая наименьшую оценку, находим направляющий столбец. Направляющую строку находим, поочередно деля, значение «В» i-й строки на элемент i-й строки направляющего столбца. Направляющей строкой будет та, в которой значение частного будет наименьшим. Направляющий столбец — пятый, направляющая строка первая. Разрешающий элемент находим на пересечении направляющей строки и столбца, он равен 0.2. Строим вторую симплексную таблицу. (табл. 3.3)
Таблица 3.2
Вторая симплексная таблица
Базис
Cj баз.
B
X1
X2
X3
X4
X5
X6
3
5
4
0
0
0
X2
5
6500
0.5
1
2
5
0
0
X5
0
10
0.04
0
-0.02
-0.1
1
0
X6
0
1700
2.5
0
0
-5
0
1
П(x)
32500
-0.5
0
6
25
0
0
продолжение
--PAGE_BREAK--