VISOKA POSLOVNA ŠKOLA STRUKOVNIH STUDIJA

BLACE

Seminarski rad
iz
predmeta

OPERACIONA ISTRAŽIVANJA

Tema: Linearno programiranje

Mentor: mr Gordana Prlinčević student: Anica Tasković 120/15P

Jagodina, jun 2018. godine

 SADRŽAJ
UVOD..............................................................................................................................................1
1.LINEARNO PROGRAMIRANJE..........................................................................................2-10
1.1Opšte formulisanje linearnih programa.....................................................................2-10
2.EKONOMSKA MOTIVACIJA............................................................................................10-14
3.METODE LINEARNOG PROGRAMIRANJA..................................................................14-17
4.SOFTWARE ZA LINEARNO PROGRAMIRANJE..........................................................17-18
4.1Geometrijsko rešavanje linearnog programiranja.........................................................18
5.ZAKLJUČAK.............................................................................................................................19
LITERATURA..............................................................................................................................20
UVOD

Linearnim programiranjem (LP) obuhvata se i rešava veliki broj različitrih problema. Linearno
programiranje je namenjeno i raspoređivanju oskudnih resursa s ciljem postizanja rezultata
optimalnih sa stanovišta postavljenog kriterijuma. Glavno sredstvo koje se koristi u linearnom
programiranju je matemartički model. Linearnost modela znači da su funkcija kriterijuma i
sistem ograničavajućih uslova definisani linearnim matematičkim relacijama. U zavisnosti od
tipova ekstremne vrednosti funkcije kriterijuma u linearnom programiranju razlikujemo:

- opšti problem maksimuma

- opšti problem minimuma.

Linearno programiranje prosmatra probleme u kojima se linearna funkcija cilja mora

optimizovati (maksimizirati ili minimizirati) uz uslove ograničenja dana u obliku jednačina ili
nejednačina i uz negativne varijable odlučivanja. To je formalni postupak optimizacije sistema
kod kojih se funkcija cilja i ograničenja mogu izraziti linearnim kombinacijama promenjivih
veličina kod celobrojnog su programiranja varijable odlučivanja celobrojne. Linearno
programiranje je model kojom se matematički može opisati lingvistički problem traženja
optimalne vrednosti (minimum ili maksimum) funkcije cilja s određenim brojem strukturnih
varijabli x1, x2,…,xn međusobno povezanih linearnim vezama, tj. ograničenjima u obliku
linearnih jednačina ili nejednačina.

Linearno programiranje je matematička metodologija za rešavanje linearnih problema, kod kojih

su i ciljna funkcija i ograničenja linearni. Standardni oblik takvog problema je:

minimizuj ax

uz ograničenja Bx = c

x > = 0 gde je x vektor varijabli za koje treba rešiti problem, B je matrica poznatih koeficijenata,
dok su a i c vektori poznatih koeficijenata.1

1
Dr R., Stanković, mr N., Deretić, M., Nikolčević; Operaciona istraživanja, Visoka poslovna škola strukovnih studija
Blace 2009. godine

1
1.LINEARNO PROGRAMIRANJE

1.1Opšte formulisanje linearnih programa

Formulacija standardnog problema linearnog programiranja glasi : naći ono nenegativno rešenje
( x1, x2, …, xn ), ( xi  0, i = 1, 2, …, n ) sistema linearnih nejednačina ( ograničenja,
uslovva)

a11x1 + a12x2 + … + a1nxn  r1

a21x1 + a22x2 + … + a2nxn  r2

. . . .

. . . .

am1x1 + am2x2 + … + amnxn  rm

za koje funkcija cilja ili funkcija kriterijuma

F = F( x1, x2, …, xn ) = c1x1 + c2x2 + … + cnxn

dostiže maksimalnu vrednost.

Rešenje ( x1, x 2, …, xn ), u primenama, najčešće ima značenje plana ili programa

(proizvodnje, transporta), pa je otuda ovaj problem dobio naziv "programiranje", a naziv
"linearno programiranje" potiče od toga što su ograničenja varijabli, kao i funkcija cilja
linearni.

Proizvoljno rešenje sistema nejednačina predstavlja tačku n-dimenzionalnog prostora, to jest (x1,
x2, …, xn)  Rn. Svako nenegativno rešenje sistema nejednačina naziva se dopustivim ili
mogućim rešenjem. Svaki problem linearnog programiranja spada u jednu od tri kategorija:

1. ima optimalno rešenje

2. neizvediv je, ima višeznačna rešenja
3. skup mogućih rešenja neograničen
2
Može se reći: problem linearnog programiranja ima rešenje ako veličina Fmax (Fmin) ima konačnu
vrednost na skupu S dopustivih rešenja. Problem linearnog programiranja nema rešenja ako je
skup S prazan skup ili ako veličina Fmax (Fmin) nema konačnu vrednost.

Pri određivanju optimalnog rešenja pojavljuju se dva kriterijuma optimizacije: maksimizacija ili
minimizacija vrednosti funkcije cilja. Iako postoje dva kriterijuma optimizacije, problem izbora
optimalnog rešenja može se smatrati jedinstvenim, jer se jedan kriterijum optimizacije može
zameniti drugim, kako to utvrđuje sledeća teorema:

Teorema :

Dati kriteriumj optimizacije može se zameniti suprotnim, pri čemu zamena ne utiče na
optimalno rešenje, to jest, ako je za X*  S ispunjeno

F(X*) = max F(X)

Onda je

-F(X*) = min [-F(X)] i obrnuto.

Objašnjeni linearni program može se izraziti na tri različita načina :

 Običnim (kanonskim) zapisom

 Zapisom pomoću sume
 Matričnim zapisom

a) Obični (standardni) zapis

Kad se potpuno ispiše, program će maksimizacije sa n varijabli i m ograničenja izgledati :

Maksimizirati z = c1x1 + c2x2 + … + cnxn

uz uslov a11x1 + a12x2 + … + a1nxn  r1

a21x1 + a22x2 + … + a2nxn  r2

3
 . . . .
. . . .

am1x1 + am2x2 + … + amnxn  rm

xj  0 (j = 1, 2, …, n )

Varijable odlučivanja označene su sa xj ( za j = 1, 2, …, n), a njihovi koeficijenti u funkciji cilja

sa cj ( za j = 1,2, …, n) koji su skup zadatih konstanti. S druge strane, oznake ri ( i = 1, 2, …, m)
– drugi skup konstanti – ograničenja su postavljena na program. Radi ujednačenosti, ali bez
smanjenja ujednačenosti, napisali smo svih m ograničenja kao nejednačina sa oznakom .
Posebno valja istaknuti da, u slučaju kad se pojavi ograničenje sa oznakom , uvek ga možemo
pretvoriti u oblik  jednostavno množeći obe strane nejednakosti sa –1. Konačno, uočimo da su
koeficijenti varijabli odlučivanja u ograničenjima sa aij, gde dvostruka suoznaka služi da se
precizno odredi odgovarajuće mesto koeficijenata.

Analogno, obični je zapis programa minimizacije :

Minimizirati z = c1x1 + c2x2 + … + cnxn

uz uslov a11x1 + a12x2 + … + a1nxn  r1

a21x1 + a22x2 + … + a2nxn  r2

. . . .

. . . .

am1x1 + am2x2 + … + amnxn  rm

xj  0 (j = 1, 2, …, n )

U funkciji cilja cj i dalje predočava skup zadatih konstanti koeficijenata kao što su ri u
ograničenjima. Međutim, sada se ograničenja pojavljuju kao nejednačine sa znakom 

4
 b) Zapis pomoću sume (  )
Znatna ušteda prostora pri pisanju može se postići ako se linearni programi pokažu pomoću
znaka za sabiranje  :
n

Maksimizirati z= c
j 1
j xj

n
uz uslove a
j 1
ij x j  ri (i = 1, 2, …, m)

i xj  0 (j = 1, 2, …, n)

i slično tome.

Minimizirati z= c
j 1
j xj

n
uz uslov a
j 1
ij x j  ri (i = 1, 2, …, m)

i xj  0 (j = 1, 2, …, n)

c) Matrični zapis
Da bismo videli kako se primenjuje matrični zapis, definišimo prvo sledeće četiri matrice :
 c1   x1   a11 a 21  a1n   r1 
c  x  a a 22  a 2 n  r 
c   2 x   2 A   12 r  2
       
       
c n   xn  a m1 am2  a mn  rm 

Tri su od njih vektori stupci – c i x reda n  1, a r reda m  1. Matrica A je reda m  n. Nakon tih
definicija, funkcija cilja može se izraziti jednačinom2:

z  c' x
(1n ) ( n1)

2
http://www.academia.edu/

5
gde je proizvod vektora c'x reda 1  1 pa je prema tome skalar. Međutim, s obzirom na m
ograničenja, pokazuje se prednost matričnog zapisa jer se celi skup ograničenja može izraziti u
jednoj nejednačini :

A x  r
( mn ) ( n1) ( m1)

Znak nejednakosti treba interpretirati kao nejednakost po elementima, tj. i-ti redak matrice Ax
manji je ili jednak od i-tog retka matrice r, za svako i. Slično, n uslova nenegativnosti možemo
izraziti samo jednom nejednačinom :

x  0
( n1) ( n1)

Ukratko, linearni program sažeto izražen u obliku

Maksimizirati z  c' x
(1n ) ( n1)

uz uslov A x  r
( mn ) ( n1) ( m1)

i x  0
( n1) ( n1)

Pomoću istih oznaka program minimizacije može se izraziti u sledećem jednostavnom obliku

Minimizirati z  c' x
(1n ) ( n1)

uz uslov A x  r
( mn ) ( n1) ( m1)

i x  0
( n1) ( n1)

Ekstremne tačke i optimalno rešenje

Glavni rezultati koji proizlaze iz teorije o konveksnim skupovima su :

1. bilo za koju zadatu vrednost od z, funkcija cilja linearnog programa sa n varijabli
uvek definiša hiperravninu koja je zatvoren konveksan skup

6
 2. skup mogućih rešenja koji je presek od m+n zatvorenih poluprostora takođe je
zatvoren konveksan skup – zovimo ga skup F

Ta se dva rezultata mogu sada povezati. Pre nego što pređemo na to, prvo trebamo razlikovati
pojmove unutarnje tačke, granične tačke i ekstremne tačke. Razlika između graničnih tačaka i
unutarnjih tačaka intuitivno je očigledna. Na slici 3. tačke koje leže na sve četiri strane kvadrata
granične su tačke skupa S, a tačke koje nisu na stranicama unutarnje su tačke. Preciznije,
granična tačka b bilo kojeg skupa S definiše se pomoću svojstva da svaka, ma kako mala,
okolina od b mora sadržavati jednu ili više tačaka koje ne pripadaju skupu S. S druge strane,
unutrašnju tačka skupa i sadržava samo tačke koje pripadaju skupu S.

Što se tiče ekstremnih tačaka ,one nisu ništa drugo već

poseban slučaj graničnih tačaka. Preciznije ,ekstremna
je tačka granična tačka koja ne leži na dužini što spaja
S
bilo koje druge dve tačke skupa. To jest ,ekstremna je
tačka tačka koja se ne može prikazati kao konveksna
T
kombinacija bilo kojih drugih dvaju tačaka skupa.
Ponovo se vraćamo na sl.3, četiri su vrha kvadrata
ekstremne tačke, dok niti jedna od ostalih tačaka nije
ekstremna. Ukratko za zadani skup S, skup svih
ekstremnih tačaka od S podskup je skupa svih graničnih
tačaka od S. 3

Pokušavajući dostići optimum, naš je cilj uvek da se ciljna hiperravnina "pomiče" – menjajući
vrednost od z – ili do najvećeg mogućeg položaja (da se postigne maksimum z) ili do najnižeg
položaja (da se dostigne minimum z), dok još ostaje u skupu F.

Kad se dostigne optimalni položaj, optimalna hiperravnina H ne može uopšte sadržavati

unutrašnje tačke skupa F jer, kad bi ih sadržavala, mogli bi je uvek "pomaknuti" dalje da
dostigne bolji položaj. Dakle, samo granične tačke skupa F mogu se pojaviti u preseku H  F.
To nas navodi na pojam potpornih hiperravnina. Potporna hiperravnina (recimo, H) je
hiperravnina koja ima jednu ili više zajedničkih tačaka s konveksnim skupom F, ali koja je tako
smeštena da skup F leži isključivo na jednoj strani od H. Slika 4 ilustrira taj pojam u slučaju
dvodimenzionalnog prostora i trodimenzionalnog

3
Slika 3. Razlika između graničnih i unutrašnjih tačaka

7
 Sl. 4 a) Sl. 4 b)
Na dijagramu 4a) pravci 1, 2, 3 su primeri potpornih hiperravnina. Pravac 1 (i pravac 2) ima
samo jednu zajedničku tačku s poligonom F, dok ih pravac 3 ima više. Međutim, u oba slučaja
skup F leži isključivo s jedne strane potpornog pravca. Prema tome, samo granične tačke skupa F
mogu se pojaviti na svakom od tih pravaca. Može se primetiti da svaki potporni pravac sadržava
barem jednu ekstremnu tačku skupa F, kao što su f,g i h. Ilustracija je za trodimenzionalni
prostor na dijagramu b slična, osim što je potporni pravac sada zamenjen potpornom ravninom.
Presek H i F (ovog puta poliedar) ponovo se može sastojati samo od graničnih tačaka skupa F.
Kako se vidi, samo je jedna tačka (u) uključena i ona je ekstremna tačka skupa F.
Za opšti slučaj n-dimenzionalnog prostora, bit je našeg razmatranja koje se odnosi na sliku 4
sadržana u sledeća dva teorema :

TEOREM I :

Za datu graničnu tačku u zatvorenog konveksnog skupa postoji barem jedna potporna
hiperravnina u u.
TEOREM II :

Za zatvoreni konveksni skup ograničen odozdo postoji barem jedna ekstremna tačka u
svakoj potpornoj hiperravnini.
Značaj je tih teorema za linearno programiranje očigledan. Kad dostignemo optimalno rešenje,
ciljna hiperravnina – koja prikazuje optimalnu liniju jednakog profita ili jednakih troškova – biće
potporna hiperravnina. U skladu s teoremom I, svaka granična tačka skupa mogućih rešenja
mogući je kandidat za optimalno rešenje. Ali teorem II sužava problem omogućujući nam da
pažnju usmerimo samo na ekstremne tačke. Čak iako može biti neekstremnih graničnih tačaka u

8
istoj potpornoj hiperravnini, one su pridružene istoj vrednosti funkcije cilja (z) kao i ekstremne
tačke u toj hiperravnini i, u skladu s tim, nisu bolje od ekstremnih tačaka pa se, dakle, mogu
zanemariti bez ikakva gubitka. Ta jednostavna, ali važna činjenica upotrebljava se veoma
uspešno u simpleks metodi za rešavanje linearnog programa sa n varijabli koju je izvorno razvio
George B. Dantzig.

Drugo je važno svojstvo linearnog programiranja koje ga razlikuje od klasičnih problema

optimizacije da će nam bilo koje dobijeno rešenje dati ne samo lokalni (relativni) optimum, već i
globalni (apsolutni ) optimum. Razlog za to posebno svojstvo nalazi se u sledećem teoremu
(teoremu globalnosti) koji daje dovoljne – iako ne nužne – uslove za koje je lokalni optimum
ujedno i globalni :

Ako je skup F mogućih rešenja zatvoren konveksan skup i ako je funkcija cilja neprekidna
konkavna (konveksna) funkcija na skupu mogućih rešenja, tada :

a) bilo koji lokalni maksimum (minimum) ujedno je i globalni maksimum

(minimum)
b) tačke od F u kojima funkcija cilja dostiže optimum čine konveksan skup
Njegov je poseban značaj u ovom kontekstu da se samo po sebi razumije da su ti uslovi dovoljni
uslovi za globalni optimum zadovoljeni u linearnom programiranju, što ne vredi u klasičnoj
optimizaciji. Kao što smo videli skup mogućih rešenja u linearnom programiranju uvek je
zatvoren konveksan skup. Osim toga, funkcija cilja, neprekidna i linearna u varijablama
odlučivanja, može se posmatrati kao konkavna ili konveksna zavisno od toga radi li se o
problemu maksimizacije ili minimizacije. Dakle, dovoljni uslovi navedeni u teoremu doista su i
ispunjeni i bilo koji nađeni optimum bit će po prirodi globalan, u sladu sa dijelom a) teoreme.

Da bismo razumeli deo b) teoreme, pogledajmo malo drugačije na slici 4. Ako se optimalno
rešenje linearnog programa dostigne u jednoj ekstremnoj tački, kao što je tačka f na dijagramu
a) ili tačka u na dijagramu b), tada je, prema dogovoru da je tačka konveksan skup, tvrdnja
teoreme ispunjena. Međutim, šta ako postoji višestruki optimum? Višestruki optimum pojavljuje
se kada potporna ravnina dodiruje skup mogućih rešenja u više od jedne tačke, kao kad je pravac
3 (dijagrama a) potporni pravac ili kad je ravnina H (dijagram b) podudara sa jednom od stranica
(ravnih ploča) poliedra F. U tim primerima skup svih optimalnih tačaka uključen je ili u dužinu

9
hg ili, kao što se može dogoditi, u neku stranicu poliedra F. Dakle, skup je ponovo konveksan,
kao što tvrdi teorema.

2.EKONOMSKA MOTIVACIJA

Linearno programiranje obuhvata i rešava veliki broj ekonomskih problema. U prvom redu
probleme optimalnih proizvodnih programa u različitim uslovima, koji praktično mogu biti
sveobuhvatni u okviru preduzeće. Oni se mogu ticati tehničko-tehnoloških uslova proizvodnje,
sirovina, zaliha, radne snage, tržišnih uslova, ponude i tražnje, uvoza, izvoza i svih drugih
elemenata koji neposredno utiču na proizvodni proces i koji se javljaju kao ograničavajući
faktori. Kvantificiranje pomenutih uslova pomoću matematičke relacije i formiranje
odgovarajućih sistema međuzavisnosti (sistem ograničavajućih uslova) omogućavaju postizanje
onih rezultata koji proizlaze iz simultanog delovanja svih obuhvaćenih faktora. Takvo
obuhvatanje faktora sa posrednim i neposrednim efektima u vidu sistema predstavlja
aproksimativno izražavanje međuzavisnosti koje postoje u preduzeću.

Linearno programiranje polazi od takvih sistema i na bazi unapred utvrđenih kriterijuma, koji
mogu biti različiti u zavisnosti od problema, ispituje uslove optimalnosti, određujući ona rešenja
koja su u danim uslovima najbolja (optimalna). Drugim rečima, ako se za kriterijum uzme
dohodak preduzeća koji se ostvaruje od proizvodnje više proizvoda, tada je pri unapred poznatim
ograničavajućim uslovima moguće odrediti onaj proizvodni program koji daje maksimalan
ukupan dohodak. Takav program nazivamo optimalnim u odnosu na postavljeni kriterijum.
Međutim, kriterijumi mogu biti različiti, pri istim ograničavajućim uslovima, što znači mogu se
postavljati zahtevi, kao što su :

 maksimiziranje dobiti
 maksimalno korišćenje proizvodnih kapaciteta
 maksimalan izvoz sa odgovarajućim deviznim efektom
 minimalni troškovi proizvodnje
 minimalni obim zaliha i dr.4

4
L., Čaklović; Geometrija linearnog programiranja, Novi Sad 2008.godine

10
Navedeni primeri predstavljaju relativno mali broj zadataka koje linearno programiranje
obuhvata i rešava. Takvih i sličnih problema ima dosta kako u problematici preduzeća, tako i u
drugim ekonomskim područjima. Npr. prilikom razmatranja investicionih programa mogu se
tražiti optimalna rešenja sa maksimalnom efektivnošću investicija, zatim optimalni odnosi
akumulacije i potrošnje u strukturnom smislu. Takođe je moguće razmatrati probleme tržišta,
probleme spoljnotrgovinske razmene, probleme kooperacije i specijalizacije, probleme potrošnje
i ishrane, probleme optimalnih ulaganja i selektivne proizvodnje. Takođe se mogu razmatrati
problemi transporta u različitim varijantama, problemi lokacije, asignacije, problemi rasporeda
itd. Najzad, moguće je rešavati složene probleme koordinacije i usklađivanja programa različitih
ekonomskih jedinica, kao i programiranje proizvodnih planova privrednih grana u okviru cele
privrede preko metoda dekompozicije.
Skala problema koji se mogu rešavati metodama linearnog programiranja relativno je velika i
praktično ih je nemoguće sve nabrojati. Praktično, svaki problem strukturne prirode u kome se
postavlja zahtev da se između velikog broja alternativnih rešenja odredi ono koje je prema
unapred postavljenim kriterijumima najbolje, pripada grupi linearnog programiranja.

Navedeni primeri prikazuju moguće formulacije linearnog programa za neke ekonomske

probleme :

Primer ( raspored plana proizvodnje )

Cilj problema je pronaći optimalan plan proizvodnje pod uslovom da se postigne maksimalna
ukupna dobit. Zadane veličine su proizvodi ( P1, P2, … .Pn ), te grupe mašina na kojima se vrši
proces proizvodnje ( A, B, C, … ) a koje predstavljaju nejednačine ograničenja.
Problem možemo formulisati i pomoću tabele i na osnovu njega zapisati linearni program.5

5
http://www.math.rs/

11
 Gde je :
PROIZVOD

Kapacitet
P1 P2 … Pn
sati
a11 ,a12 ,…,a3n – potreban
Na mašini A a11 a12 … a1n b1 broj sati izrade po jedinici
POTREBNI SATI

proizvoda
Na mašini B a21 a22 … a2n b2

Na mašini C a31 a32 … a3n b3

r1 ,r2 ,…,rn – dohodak za
Dohodak svaki proizvod
r1 r2 … rn
KM / kom.

b1 ,b2 ,b3 – kapaciteti mašina

Postavka linearnog problema izgleda kako sledi :
izraženi u mašinskim satima
Maksimizirati dohodak = r1x1 + r2x2 + … + rnxn

uz uslov a11x1 + a12x2 + … + a1nxn  b1

a21x1 + a22x2 + … + a2nxn  b2

a31x1 + a32x2 + … + a3nxn  b3

xj  0 (j = 1, 2, …, n )

Potrebno je napomenuti da je gore navedeni primer razrađen za samo tri grupe mašina A, B, C,
ali slično se može izvesti i za više od tri mašine.

Primer ( transportni problem )

Poslednjih godina nauka posvećuje sve veću pažnju pitanjima organizacije i planiranja, posebno
u domeni prometa i transporta, jer su pitanja racionalizacije u ovoj privrednoj grani postala vrlo
složena. Poseban slučaj opšteg problema linearnog programiranja je tzv. transportni problem.
Još pre pojave radova iz linearnog programiranja, neke specijalne slučajeve transportnog
problema izučavali su ekonomisti. Prvu strogu postavku transportnog problema dao je Hitchcock

12
1941 godine, pa se zato transportni problem često naziva i "problem Hitchcocka". Hitchcock je
formulirao transportni problem na slijedeći način :

Dano je m proizvodnih centara ili skladišta, koji nude određenu robu u količinama a1, a2, …,am
i n potrošača koji tu robu potražuju u količinama b1, b2, …, bn. Pretpostavlja se da je zbir
ponuda jednak zbiru potražnji : a1 + a2 + … + am = b1 + b2 + …+bn. Dani su brojevi Cij koji
označavaju cijene prevoza jedinice robe od i-tog proizvođača do j-tog potrošača. Treba naći
takve veličine Xij  0, gdje Xij označava količinu tereta koji treba prevesti od i-tog proizvođača
m n
do j-tog potrošača, tako da ukupni troškovi transporta F   Cij X ij budu minimalni.
i 1 j 1

Rešenje transportnog problema, kao i svakog drugog problema linearnog programiranja,

počinje određivanjem početnog bazičnog rešenja (početnog plana transporta). To predstavlja
prvu etapu u rešavanju transportnog problema. Ako u toj prvoj etapi nije dobiveno optimalno
rešenje, prelazi se na drugu etapu, tj. na etapu gde se nizom iteracija prelazi s početnog na
bazična rešenja koja su sve bliža optimalnom rešenju.

Postoji više metoda za određivanje početnog bazičnog rešenja . Jedna od prvih metoda nalaženja
početnog bazičnog rešenja je "dijagonalna metoda" ili "metoda severozapadnog kornera"
(North-West Corner Rule). Druge metode, koje su kasnije pronađene, imale su za cilj da se
dođe do početnog bazičnog rješenja, koje će biti bliže optimalnom rešenju. Međutim, pri
korišćenju računara važnija je jednostavnost odgovarajućeg programa za računar, nego broj
iteracija kojima se dolazi do optimalnog rešenja. Ostale metode su Vogelova, te "steping-stone
metoda" i "MODI metoda" za traženje optimalnog rešenja transportnog problema.

Potrošači
Kapaciteti
P1 P2 … Pn
ai

S1 c11 c12 … c1n a1

Izvorišta

S2 c21 c22 … c2n a2

13
 … … … … … …

Sm cm1 cm2 … cmn am

Gde su sa :
Potrebe
b1 b2 … bn 
bj
c11 ,c12 ,…,cmn – označeni
jedinični troškovi transporta
od izvorišta do potrošača

Na slici je prikazana tablica transportnog problema, te linearni programxza navedeni transportni

ij – veličina tereta kojeg treba

problem možemo formulirati na sledeći način:

prevesti iz Si u Pj

Minimizirati z = c11x11 + c12x12 + … + c1nx1n + c21x21 + … + cmnxmn

uz uslov
x11 + x12 + … + x1n = a1 x11 + x21 + … + xm1 = b1

x21 + x22 + … + x2n = a2 x12 + x22 + … + xm2 = b2

. . . . . . . .

. . .
3.METODE LINEARNOG PROGRAMIRANJA . . . . .
Postoje dve osnovne metode rešavanja problema linearnog programiranja: grafička
xm1 + xm2 + … +metoda
(geometrijska) i algebarska. Geometrijska xmn = ammože se iskoristiti
x1n + x2n +samo
… + xnm
u =slučaju
bn dve ili tri
varijable, pri čemu u slučaju tri varijable prostorni model postaje već neprikladan. Ako je
problem linearnog programiranja dan u standardnom obliku i ako je n-m = 2 (a najviše n-m = 3),
tada se također može rešiti geometrijskom metodom (n-broj varijabli, m-broj ograničenja).
xij  0 (j = 1 , 2 , … , n ) xji  0 (i = 1 , 2 , … , m)
Grafička (geometrijska) metoda
Iz geometrijske interpretacije ograničenja problema linearnog programiranja zna se da je svako
rešenje sistema nejednačina jedna točka prostora Rn, a sku nenegativnih rešenja problema
linearnog programiranja i S  Rn. Svaka od nejednačina :

14
 n

aj 1
ij X j  bi i=1,2,…,m

n
određuje podskup Si, i = 1, 2, …, m (skup tačaka jedne strane hiperravnine : a
j 1
ij X j  bi

), pa je skup dopustivih rešenja S ( poliedar u Rn) određen jednačinom

S = S1  S2  …  Sm  Sm+1  …  Sm+n

gde se podskupovi Sm+1, …, Sm+n odnose na uslove nenegativnosti varijabli x1  0, x2  0, …,

xn  0.

Skup mogućih rešenja geometrijski predstavlja poliedar u prostoru. Funkcija silja, koja se za
F=const. interpretira kao hiperravnina, dostiže maksimum (minimum) u jednom vrhu poliedra
(slučaj jedinstvenog optimalnog rješenja) ili po jednoj stranici poliedra ako je hiperravnina
F=const. njoj paralelna (slučaj beskonačno mnogo optimalnih rešenja).
Grafička (geometrijska) metoda rešavanja problema linearnog programiranja pokazaće se na
primeru, ali će se iz njega izvući zaključak koji će biti od značenja za opštu algebarsku metodu.
Primer :
Preduzeće treba da proizvodi dva proizvoda, A i B, na tri grupe mašina, M1, M2 i M3. Normativ
vremena izrade ovih proizvoda na grupama mašina, raspoloživi fond vremena mašina, kao i
dobit po jedinici proizvoda daju se u sledećoj tabeli :

A B RFV
x1 x2 sati

M1 5 6 1.500

M2 9 2,8 1.800

M3 2 9,5 1.800

Dobit
30 50
KM/kom.

15
Potrebno je utvrditi optimalan plan proizvodnje pod uslovom da se postigne maksimalna dobit.
Funkcija kriterijuma
F(x)=30x1+50x2
Koju treba maksimizirati pod ograničenjima
5x1 + 6 x2  1.500
9x1 + 2,8x2  1.800
2x1 + 9,5x2  1.800
U koordinatnom pravouglom sistemu OX1X2 predstavićemo nejednačine ograničenja kao
jednačine. To će biti prave linije :

prava p1 5x1 + 6 x2 = 1.500

prava p2 9x1 + 2,8x2 = 1.800
prava p3 2x1 + 9,5x2 = 1.800
Funkcija kriterijuma F(x) predstavlja snop beskonačno mnogo paralelnih pravih. Ako povlačimo
prave paralelne sa pravom F(x) (funkcije kriterija) sve dalje od koordinatnog početka,
povećavaće se i vrednost funkcije kriterijuma, da bi u tački M, koja je najviše udaljena od
koordinatnog početka, a leži na pravoj F(x), postigla svoju maksimalnu vrednost.6

6
G., V. Milanović, R., Ž. Đorđević; Linearna algebra, Niš 2004.godine, str 20

16
Koordinate tačke M su

x1 = 108 i x2 = 160

a vrednost funkcije kriterijuma

F(x) = 11.240 KM

Prema tome .plan proizvodnje sadrži :

Proizvod A 108 jedinica

Proizvod B 160 jedinica

A maksimalna dobit iznosi

F(x) = 11.240 KM

Pošto su koordinate tačke M na preseku pravih p1 i p2, tj. na presjeku (ne)jednačina ograničenja
raspoloživog fonda vremena mašina M1 i M3, znači da je zadovoljen uslov jednakosti ova dva
ograničenja, te je raspoloživi fond vremena ovih mašina 100 % iskorišćen.

4.SOFTWARE ZA LINEARNO PROGRAMIRANJE

George Dantzig se s pravom naziva ocem linearnog programiranja. S njim započinje rešavanje
linearnog problema i to pronalaženjem prvog generalnog algoritma (simpleks algoritam) za
njegovo rešavanje, 1947 godine. Prvi problem koji su Laderman i Stigler rešili simpleks
algoritmom (metodom) odnosio se na problem ishrane, sadržavao je 77 varijabli. Devet
matematičara zajednički su, uz pomoć kalkulatora, zajednički radili na njegovom rešavanju i
trebalo im je otprilike 120 radnih sati za njegovo rešenje. Prvi pokušaj rešavanja linearnog
problema uz pomoć računara, primenom simpleks metode bila je od strane NBST-a (National
Institute of Standards and Technology). Orden (1952) i Hoffman (1953) su na računaru SEAC
testirali rešavanje linearnog problema sa 48 ograničavajućih jednačina i 71 varijablom, čije je
izračunavanje trajalo 18 sati i izračunato na 73-oj simpleks iteraciji (koraku). Kao što vidimo
pređašnji računari su bili spori za rešavanje linearnog problema koji je sadržavao mnogo

17
varijabli i ograničavajućih jednačina. Savremenim razvojem tehnike i tehnologije (prvenstveno
računarske i softwarske), taj problem se znatno prevazišao. Danas, mi imamo širok spektar
programa (softwarea), što komercijalnih što besplatnih, koji su namjenjeni rešavanju linearnog
programa. Oni se zasnivaju na nekom od algoritama, ali su većinom to modifikovane forme
simpleks algoritma. Takvi programi linearne probleme rešavaju začuđujućim brzinama, što je i
sama svrha upotrebe računara u linearnom programiranju.

4.1Geometrijsko rešavanje linearnog programa

Rešavanje problema linearnog programiranja sa dve nepoznate varijable u funkciji kriterijauma

može se rešavati geometrijskim putem u programskom paketu MATLAB. Potrebno je napomenuti
da ne postoji ugrađena standardna funkcija za rešavanje linearnog programa geometrijskom
metodom, već takvu proceduru moramo razviti samostalno. To se postiže zahvaljujući
programskom jeziku kojim nam MATLAB omogućava svoju nadogradnju (razvijanje vlastitih
matematičkih funkcija za rešavanje konkretnih problema).

Da bismo razvili proceduru za geometrijsko rešavanje linearnog programa, kao i za traženje

ekstremnih tačaka konveksnog skupa koje predstavljaju moguće rešenje linearnog programa,
definisaćemo sledeće funkcije :

 vr (definiše jedinične vektore e m-dimenzionalnog Euklidskog prostora)

 delcols (briše duplicirane kolone matrice d)7

7
B., M. Popara: Operaciona istraživanja, Beograd, 2009. godine, str 89

18
5.ZAKLJUČAK

Linearno programiranje se može posmatrati kao deo celokupnog napretka prošlog stoljeća, koje
je omogućilo ekonomskoj nauci rešavanje složenih problema, i koje je utrlo put donošenju
odluka i ispunjenju ciljeva u praktičnim situacijama koje se nameću kao veoma kompleksne.
Današnji pomoćni alati za dostizanje tih ciljeva su načini koji su bili formulirani kroz aspekta:

 detaljno razrađene matematičke modele

 tehnologije za rešavanje tih modela ( algoritmi )
 tehnike za izvšavanje razrađenih algoritama ( upotreba softwarea )
Takve veštine se počinju razvijati 1947 godine, nedugo nakon Drugog svetskog rata, i danas idu
u korak s razvojem snažnih računalnih sistema. Današnji napredak u ekonomiji i nauci o
odlučivanju, te veliki doprinos u njenom proučavanju duguje upravo pionirima koji su započeli
čitavo proučavanje linearnog programiranja. Neka od tih imena su: von Neummann,
Kantorovich, Leontief, Koopmans. Prva dvojica su bili poznati matematičari. Poslednja tri su
primili Nobelovu nagradu za ekonomiju, što samo pokazuje koliki je značaj ove problematike u
primjenjenoj ekonomiji.

U godinama od kada je ustanovito 1947 godine od strane autora (u vezi sa planiranjem vojnih
aktivnosti), linearno programiranje i njegove tehnike rešavanja su široko u upotrebi. U
akademskim krugovima aktivnostima naučnika (prvenstveno onih koji se bave operacijskim
istraživanjima i menadžmentom), izdan je širok spektar publikacija iz oblasti numeričke analize,
linearnog programiranja i njegove primjene u ekonomskim istraživanjima.

Na kraju, u vidu zaključka, možemo reći da se linearno programiranje danas primenjuju u

skoro svim ekonomskim istraživanjima i da je veliki broj novih naučnih rezultata ostvaren
zahvaljujući njima. Stoga se danas više ne mogu zamisliti istraživanja u domenu dinamičke i
granične analize problematike privrednog razvoja i međusektorskih odnosa, programiranja i
dinamičkih sistema bez primene odgovarajućih matematičkih metoda i modela.

19
LITERATURA :

Bogdan M. Popara: Operaciona istraživanja, Beograd, 2009. godine.

Lavoslav Čaklović : Geometrija linearnog programiranja, Internet izdanje

Dr Ružica Stanković, mr Neđeljko Deretić, Milan Nikolčević; Operaciona istraživanja, Visoka

poslovna škola strukovnih studija Blace 2009. godine
G., V. Milanović, R., Ž. Đorđević; Linearna algebra, Niš 2004.godine

http://www.math.rs/

20
21