Modele Şi Algoritmi

Lditura AGIR
Romic TRANDAIIR
MODLLL SI ALGORITMI
DL OPTIMIZARL
Matematica Matematica
( (
,

Seria Matematic
MODELE I ALGORITMI
DE OPTIMIZARE

OPTIMIZATION MODELS AND ALGORITHMS

This book presents a set of optimization methods, models and algorithms. After
the Introduction, where the reader is familiarized with the object of optimization
and some applications of it, the book includes Graphs in Optimization, Convex
Programming, Linear Programming, the Transportation Problem, Quadratic
Programming, Dynamic Programming, Basics of Queuing Theory, Basics of
Inventory Theory, and an Appendix.
These chapters provide a minimum of knowledge for practical activities in
engineering and economics.
Many of the results are being formally established, but some theorems are listed
without a proof, while providing a reference where the proof can be found. The
methods and corresponding algorithms are illustrated by examples. Also, the solutions
obtained by using the following software are included: Management Scientist, Excel,
and MathCAD. Almost all chapters end with suggested problems.
This book is aimed at engineers, economists, mathematicians and students of
technical and economic faculties, being a useful tool for solving practical problems.

MODLES ET ALGORITHMES DOPTIMISATION

Cet ouvrage prsente un ensemble de modles, de mthodes et dalgorithmes
doptimisation. Le premier chapitre, Introduction, o lobjet de loptimisation et les
principaux domaines dapplication sont fournis, est suivi de Graphes en optimisation,
Programmation convexe, Programmation linaire, le Problme de transport,
Programmation dynamique, Programmation quadratique, lments de la thorie files
dattente, lments de la thorie de stockes et une Annexe.
Ces chapitres reprsentent un minimum de connaissances ncessaires dans les
activits pratiques de management des ingnieurs et conomistes.
La plupart des rsultats sont dmontrs, mais il y a des rsultats (thormes,
propositions) qui sont accepts sans dmonstration, pour lesquelles on indique
louvrage o ils sont dmontrs. Les mthodes et les algorithmes correspondants sont
illustrs par exemples compltement rsolus. On a donn galement les solutions
obtenues en utilisant les logiciels Management Scientist, Excel et MathCAD. Presque
tous les chapitres finissent par des problmes proposs rsoudre.
Louvrage sadresse aux ingnieurs, conomistes, mathmaticiens et tudiants des
facults techniques et conomiques, tant un outil pour rsoudre les problmes
pratiques.
8
Romic Trandafir

MODELE I ALGORITMI
DE OPTIMIZARE

Seria Matematic

Editura AGIR
Bucureti, 2004
ASOCIAIA GENERAL A INGINERILOR DIN ROMNIA

Copyright EDITURA AGIR, 2004
Editur acreditat de CNCSIS

Toate drepturile pentru aceast ediie sunt rezervate.
All rights reserved.

Adresa: Calea Victoriei nr. 118, sector 1, Bucureti, cod 010071;
telefon: 40 21 212 81 04; 40 21 212 81 06 (redacie);
40 21 211 83 50 (difuzare); fax: 40 21 312 55 31;
e-mail: edi t ur a@agi r . r o; Internet: ht t p: / / www. agi r . r o

Refereni tiinifici:
prof. univ. dr. Ion Vduva;
prof. univ. dr. tefan Mititelu

Redactor: ing. Adina Negoi
Coperta: Rzvan Drghici
Bun de tipar: 25.08.2004; Coli de tipar: 15,5
ISBN 973-8466-76-8
Imprimat n Romnia

PREFA

Lucrarea de fa este o reuit sintez, care trateaz n mod concis, dar i
riguros din punct de vedere matematic, problemele de optimizare.
Dup o Introducere n care se formuleaz conceptele de baz ale con-
struciei modelelor matematice i ale descrierii problemelor de optimizare, lu-
crarea trateaz sistematic o mare varietate de modele i algoritmi de optimiza-
re, care intervin n rezolvarea diverselor tipuri de probleme ridicate de practica
inginereasc, n particular n construcii. Astfel, un prim capitol este dedicat
formulrii i tratrii unor modele i algoritmi de optimizare din teoria
grafurilor, legate de determinarea drumurilor minime, a fluxurilor mini-
me/maxime sau a arborilor de acoperire de cost minim. Apoi, n cinci capitole dis-
tincte, sunt tratate la nivel teoretic evoluat, diverse probleme de programare ma-
tematic, cum sunt: programarea convex programarea liniar, problema de
transport, programarea ptratic i programarea dinamic. n aceste capitole se
fac remarcate construcia i analiza aprofundat a numeroi algoritmi generali,
dar i a unor particulariti ale acestora de un real interes practic.
Un capitol special este dedicat analizei unor modele de teoria matematic
a ateptrii, modele care au ca scop reglarea ateptrilor i fluxurilor n sistemele
de servire n condiii de incertitudine. Sunt tratate modele de ateptare pentru sis-
teme cu o staie de servire, cu coada finit sau infinit, sau sisteme de ateptare cu
mai multe staii paralele. n toate aceste modele se presupune c venirile i durate-
le serviciilor sunt aleatoare, de repartiii cunoscute.
n sfrit, ultimul capitol al crii trateaz modelele reprezentative de teo-
ria matematic a stocurilor. Sunt tratate modele clasice care determin politici de
reaprovizionare optime pentru stocarea unuia sau mai multor produse, precum i
unele modele aleatoare.
Aproape toate metodele i algoritmii descrii sunt ilustrate prin exemple
preluate cu precdere din practica activitilor de construcii, exemple ce sunt pre-
lucrate cu ajutorul unor pachete de programe, fapt care mrete mult utilitatea i
atractivitatea lucrrii.
ntruct n tratarea unor modele intervin noiuni i metode ale teoriei pro-
babilitilor i statisticii matematice, anexa crii prezint tocmai noiunile de baz
necesare nelegerii acelor modele.
n concluzie, avem de-a face cu o carte bine construit, interesant prin
acurateea, claritatea i rigurozitatea problemelor tratate i care ofer posibiliti
de aplicare la rezolvarea multor probleme practice, ea prezentnd deci un interes
deosebit pentru o clas larg de cititori.

Bucureti, 20 iulie 2004
Prof. univ. dr. Ion Vduva

Modele i algoritmi de optimizare

6

CUPRINS

1. Introducere .....................................................................................................................11
1.1. Obiectul optimizrii ..................................................................................................11
1.1.1. Construcia modelului.....................................................................................11
1.1.2. Concepte de baz n modelare........................................................................12
1.2. Tipuri de probleme...................................................................................................14
1.2.1. Dimensiunea problemelor...............................................................................16
1.2.2. Algoritmi iterativi i convergen ...................................................................16

2. Grafuri n optimizare.....................................................................................................17
2.1. Definiii i algoritmi..................................................................................................17
2.1.1. Grafuri orientate..............................................................................................17
2.1.2. Grafuri neorientate..........................................................................................19
2.2. Cutarea unui arbore de acoperire de lungime minim ............................................20
2.2.1. Algoritmul lui Kruskal....................................................................................21
2.2.2. Algoritmul lui Prim.........................................................................................22
2.3. Algoritmul lui Dijkstra.............................................................................................25
2.4. Metoda PERT ...........................................................................................................29
2.5. Probleme propuse.....................................................................................................35

3. Programare convex......................................................................................................43
3.1. Mulimi i funcii convexe........................................................................................43
3.2. Extreme condiionate................................................................................................45
3.2.1. Cazul restriciilor egaliti...............................................................................48
3.2.2. Cazul restriciilor inegaliti ...........................................................................49

4. Programare liniar ........................................................................................................51
4.1. Exemple de probleme de programare liniar ............................................................51
4.1.1. Utilizarea optim a resurselor.........................................................................51
4.1.2. Problema de transport.....................................................................................52
4.1.3. Alocarea optim a fondurilor financiare.........................................................54
4.1.4. Gestionarea optim a unui depozit..................................................................54
4.1.5. Problema dietei ...............................................................................................55
4.2. Diferite forme ale problemelor de programare liniar..............................................56
4.3. Algoritmul simplex...................................................................................................57
4.4. Fundamentele algoritmului simplex.........................................................................59
4.5. Enunul algoritmului simplex...................................................................................62
4.6. Tabelul simplex i transformarea sa.........................................................................63
4.7. Exemplu....................................................................................................................65
4.8. Convergena algoritmului simplex. Degenerare i ciclare........................................72
4.9. Interpretarea geometric a algoritmului simplex......................................................74
4.10. Interpretarea economic a algoritmului simplex.....................................................76
4.11. Metoda celor dou faze...........................................................................................77
4.12. Dualitatea n programarea liniar............................................................................82
4.13. Teorema fundamental a dualitii..........................................................................84


8
4.14. Algoritmul simplex dual .........................................................................................89
4.15. Interpretarea economic a algoritmului simplex dual.............................................92
4.16. Determinarea unei soluii dual admisibile..............................................................94
4.17. Probleme propuse...................................................................................................95

5. Problema de transport.................................................................................................102
5.1. Fundamentele algoritmului de transport.................................................................102
5.2. Enunul algoritmului de transport...........................................................................107
5.3. Determinarea soluiei iniiale de baz.....................................................................108
5.4. Exemplu..................................................................................................................109
5.5. Problema atribuirii sarcinilor..................................................................................119

6. Programare ptratic ..................................................................................................122
6.1. Exemple de probleme care conduc la programare ptratic ......................................122
6.1.1. Utilizarea optim a resurselor.......................................................................122
6.1.2. Problema investiiei ......................................................................................123
6.1.3. Regresii liniare..............................................................................................123
6.2. Definiii. Proprieti ................................................................................................124
6.3. Fundamentarea algoritmului lui Wolfe...................................................................127
6.4. Forma scurt a algoritmului lui Wolfe....................................................................132

7. Programare dinamic..................................................................................................143
7.1. Generaliti .............................................................................................................143
7.2. Analiza retrospectiv ..............................................................................................146
7.2.1. Rezolvarea n cazul aditiv.............................................................................147
7.2.2. Problema repartiiei investiiilor...................................................................148
7.2.3. Problema gestiunii stocului...........................................................................152
7.2.4. Problema alocrii optime a resurselor...........................................................155

8. Elemente de teoria ateptrii.......................................................................................161
8.1. Introducere n teoria ateptrii ................................................................................161
8.2. Caracterizarea procesului N(t) ca proces de natere i deces..................................162
8.3. Modelul Po()/Exp()/1:(,FIFO)........................................................................165
8.4. Modelul Po()/Exp()/1:(m, FIFO).......................................................................170
8.5. Modelul Po()/Exp()/c:(, FIFO)........................................................................174
8.6. Modelul P
0
()/Exp()/c:(m,FIFO).........................................................................180
8.7. Simulare..................................................................................................................185

9. Elemente de teoria stocurilor ......................................................................................194
9.1. Introducere n teoria stocurilor ...............................................................................194
9.1.1. Punerea problemei ........................................................................................194
9.1.2. Concepte utilizate n teoria stocurilor...........................................................195
9.2. Modelul clasic al lotului economic.........................................................................199
9.3. Modelul clasic al lipsei de stoc...............................................................................204
Cuprins

9
9.3.1. Modelul de stocare considernd influena preului de cumprare................209
9.3.2. Modelul de stocare considernd influena costului de producie..................209
9.4. Extensii ale modelului clasic al lotului economic...................................................210
9.5. Model pentru stocarea mai multor tipuri de produse..............................................216
9.6. Modele stochastice de stocare.................................................................................216
9.6.1. Determinarea nivelului optim de reaprovizionare.........................................217
9.6.2. Modele de stocare pe o singur perioad cu cerere aleatoare.......................221
9.6.3. Modele stochastice de stocare bazate pe modele de ateptare......................224
9.6.4. Modelul P
0
()/Exp()/1:(, FIFO)...............................................................224
9.6.5. Modelul cu mai multe staii paralele i cu timp de avans L aleatoriu...........226

Anex.................................................................................................................................233
A.1. Cmp de evenimente. Axioma lui Kolmogorov....................................................233
A.1.1. Evenimente. Probabiliti.............................................................................233
A.1.2. Probabilitate.................................................................................................233
A.1.3. Cmp de probabilitate complet aditiv..........................................................233
A.1.4. Probabilitate condiionat ............................................................................234
A.1.5. Evenimente independente............................................................................234
A.2. Variabile aleatoare.................................................................................................234
A.2.1. Funcia de repartiie.....................................................................................235
A.2.2. Densitate de repartiie..................................................................................236
A.2.3. Variabile aleatoare independente.................................................................236
n sensul SteinhausKa.........................................................................................236
A.2.4. Valoare medie. Dispersie. Momente............................................................236
A.3. Cteva repartiii clasice..........................................................................................237
A.3.1. Repartiia uniform ......................................................................................237
A.3.2. Repartiii Markov.........................................................................................237
A.3.3. Repartiia normal unidimensional a lui Gauss..........................................238
A.3.4. Repartiia Beta.............................................................................................239
A.4. Procese aleatoare....................................................................................................239
A.5. Teste de concordan .............................................................................................241
A.5.1. Etapele verificrii ipotezelor statistice.........................................................242
A.5.2. Testul de concordan
2
..........................................................................243
A.5.3. Testul Kolmogorov......................................................................................243

Bibliografie .......................................................................................................................245

Index alfabetic ..................................................................................................................247


10

1. INTRODUCERE

1.1. Obiectul optimizrii

Un manager vrea s aleag acel curs al activitii sale care va fi cel mai
performant n atingerea scopului firmei sale. n judecarea eficienei diferitelor decizii
posibile, trebuie s se foloseasc anumite criterii pentru msurarea performanei
activitii n discuie. Este indicat s se urmreasc etapele (Bonini et al, 1997):
1. Stabilirea criteriului de eficien
2. Selectarea unei mulimi de alternative posibile
3. Determinarea unui model care s fie folosit i a valorilor parametrilor procesului
4. Determinarea alternativei care optimizeaz criteriul stabilit la etapa 1.
Deoarece problemele lumii reale devin extrem de complicate este necesar s se
fac o abstractizare i o simplificare a realitii ntr-un model. S considerm de
exemplu problema construirii unei cldiri. Este necesar o durat ndelungat
pentru culegerea de informaii privind locul unde se amplaseaz, caracteristicile
fizice ale cldirii, studiul detaliat al condiiilor climatice i de sol, influena asupra
costurilor, sursele de finanare i costurile. Decidentul poate hotr s considere n
mod deosebit i n detaliu toate celelalte poteniale folosite n aceast perioad i n
perioadele viitoare. Dac decidentul adopt strategia colectrii tuturor informaiilor
nainte de a aciona, atunci nici o aciune nu va avea loc. Mintea uman nu poate
considera toate aspectele empirice ale problemei. Anumite atribute ale problemei
trebuie ignorate ca s se poat lua o decizie. Decidentul trebuie s identifice
factorii cei mai relevani pentru problem. Abstracia i simplificarea sunt pai
necesari n rezolvarea oricrei probleme umane.

1.1.1. Construcia modelului

Dup ce decidentul a identificat factorii critici ai problemei concrete pe care o
are de rezolvat, acetia trebuie combinai n mod logic formnd astfel modelul. Un
model este reprezentarea simplificat a problemei reale. Prin modelare, fenomenului
natural complex i se reproduce comportarea esenial cu mai puine variabile i care
sunt legate ntre ele mai simplu. Avantajele unui model simplu sunt:
1) economia de timp de concepere
2) poate fi neleas realitatea de ctre decident
3) dac este necesar, modelul poate fi modificat repede i eficient.


12
Un model ct mai apropiat de realitate cere un timp excesiv n construcie.
Decidentul dorete ca modelul simplificat s prezic rezultate rezonabile i s fie
consistent cu aciunea efectiv. Dup ce modelul a fost construit se pot obine
concluziile prin intermediul aciunilor logice. Decidentul i bazeaz aciunile sau
deciziile pe aceste concluzii. Dac deducerea concluziilor din modelul abstract este
corect i dac variabilele importante au fost abstractizate atunci soluia modelului
ar servi ca o soluie efectiv pentru problema empiric.

Exist dou surse de erori n folosirea modelului pentru factorul de decizie:
1) omiterea unor variabile importante din model
2) erori n definirea relaiilor dintre variabile.

Tehnica abordat pentru descrierea i stabilirea legturilor variabilelor selectate
depinde de natura variabilelor. Dac variabilele pot fi date n reprezentare
cantitativ atunci modelele matematice sunt cele mai indicate. Matematica
mpreun cu calculatoarele moderne fac posibil rezolvarea problemelor care cer
modele de mare complexitate i atunci cnd analiza cantitativ se poate aplica ea
faciliteaz procesul de luare a deciziilor.
n luarea unei decizii, se stabilete criteriul de decizie, se selecteaz
alternativele, se construiete un model, se evalueaz alternativele folosind modelul
apoi se selecteaz cea mai bun alternativ.
Un model este o abstracie i o simplificare a unei probleme reale, ncorpornd
ideal elementele eseniale i relaiile din problema real.
Rezolvarea unui model nseamn obinerea concluziilor logice care rezult,
concluzii ce constituie un ghid efectiv n luarea deciziei dac modelul este proiectat
i rezolvat corect. Luarea deciziei implic informaia cantitativ obinut din model
cu judecarea intuitiv a factorilor calitativi.

1.1.2. Concepte de baz n modelare

Primul pas n construirea unui model este stabilirea factorilor i variabilelor pe
care decidentul le consider importante. Acestea pot fi clasificate n cinci categorii:
variabile de decizie, variabile exogene, restricii, msuri ale performanei i
variabile intermediare.
Variabilele de decizie sunt acele variabile pe care le controleaz decidentul, ele
reprezentnd alegerile alternative pentru decident. De exemplu: trebuie s se
introduc un nou produs n fabricaie. Decidentul poate alege: s se introduc sau
nu, preul, culoarea, suma alocat reclamei etc.
Variabilele exogene sau externe sunt acelea care sunt importante n problema
de decizie, dar sunt controlate de factori externi sferei decidentului. De exemplu:
preul materiilor prime pentru realizarea noului produs.
1.Introducere

13
Restriciile pot fi legate de capacitile de producie, resurse, limitri
legislative, politica firmei etc.
Msuri ale performanei. n luarea unei decizii decidentul are un scop, un
obiectiv pe care ncearc s-l ating. Criteriile sau msurile performanei sunt
expresii cantitative ale acestor obiective.
Variabilele intermediare sunt necesare pentru includerea tuturor factorilor
importani n problema de decizie. Adesea ele leag factorii de cost i de ctig. Se
folosesc s lege variabilele de decizie i exogene de msurile de performan.

*
* *

A face cel mai bine posibil este sensul oricrei atitudini naturale n viaa de
zi cu zi. Dar aceasta nu are dect un sens relativ n raport cu nite restricii impuse
din exterior sau acceptate de bunvoie (Cohen, 2000).
Pentru un inginer a face cel mai bine posibil ar trebui s fie un obiectiv
permanent atunci cnd are de conceput o cldire, de dimensionat o instalaie etc.
Expresia este relativizat n funcie de buget, de securitate, sau altele, restricii al
cror nivel a fcut la rndul su obiectul deciziilor prealabile i adesea exterioare.

Cuvintele a optimiza, optimizare etc. sunt presupuse s reflecte aceast idee
de cel mai bine posibil . n viaa curent alegerile posibile se limiteaz adesea la
dou (atunci le numim alternative) sau cteva uniti, de tipul c algoritmul care ia
decizia se reduce la a nfia, explicit sau nu, toate posibilitile, s considere i s
evalueze consecinele lor probabile i s rein pe cea care pare cea mai bun
(dar cea mai bun are sens doar n msura n care un criteriu de alegere a fost
definit mai nainte).
n problemele tehnice, alegerile posibile reprezint adesea un continuu (de
exemplu: ce dimensiune s se dea unei grinzi ?) i o enumerare exhaustiv a
posibilitilor este de neconceput. Atunci trebuie gsit un algoritm mai performant,
adic o metod pentru a gsi drumul spre soluia cea mai bun dintre toate soluiile
posibile.

Optimizarea poate fi definit ca tiina determinrii celei mai bune soluii la
anumite probleme definite matematic, care sunt adesea modele ale realitii fizice.
Ea implic studiul criteriilor de optimalitate pentru probleme, determinarea soluiei
cu metode algoritmice, studiul structurii acestor metode i experimentarea pe
calculator a metodelor cu date experimentale i cu date reale.

Metodele de optimizare au o larg aplicabilitate n aproape orice activitate n
care sunt prelucrate informaiile numerice: tiin, inginerie, matematic, economie,
comer etc.
O selecie a domeniilor n care apar probleme de optimizare ar cuprinde:
proiectarea reactoarelor chimice, a aparatelor aerospaiale, a cldirilor, a podurilor,
n comer n probleme de alocarea resurselor, planificarea produciei, a stocurilor,
n diferite ramuri ale analizei numerice, n ajustarea datelor, principii variaionale

14
n sisteme de ecuaii difereniale i cu derivate pariale, funcii de penalitate etc.
(Cohen, 1995).

Se optimizeaz o funcie obiectiv care cuantific produsul unui proces
economic sau profitul rezultat n urma aplicrii sistemului.

Conceptul de optimizare este bine ncetenit ca principiul de baz n analiza
problemelor complexe de decizie sau alocare. Folosirea optimizrii se bazeaz pe
concentrarea ateniei asupra unui singur obiectiv conceput s cuantifice performana
i calitatea deciziei ntr-o problem ce ar necesita determinarea valorilor unui numr
mare de variabile interconectate. Acest obiectiv este maximizat sau minimizat supus
unor restricii care s limiteze alegerea variabilelor de decizie. Dac un aspect al
problemei poate fi identificat i caracterizat printr-un obiectiv (de exemplu: profitul
ntr-o afacere) atunci optimizarea poate s ofere un cadru adecvat pentru o astfel de
analiz. Optimizarea ar trebui privit ca un instrument de concepere i analiz, i nu
ca un principiu care s duc la soluia corect din punct de vedere filozofic.
Formularea problemei implic ntotdeauna gsirea unui echilibru ntre
construirea unui model suficient de complex pentru a descrie ct mai bine
problema i uurina de rezolvare a acestuia.

1.2. Tipuri de probleme

Termenul programare, n aceast lucrare va fi sinonim cu optimizare i i are
originea n planificarea optimal.
Cnd variabilele sunt supuse unor restricii (relaii) avem de-a face cu
programare cu restricii, care face obiectul acestei lucrri. n lipsa restriciilor
spunem c avem programare far restricii (Luenberger, 1989).

Problemele fr restricii par lipsite de proprieti structurale astfel nct
aplicabilitatea lor n probleme practice este redus.

Problemele cu restricii permit modelarea fenomenelor complexe prin
descompunerea n subprobleme i fiecare subproblem avnd mai multe restricii.
Forma general a unei probleme de programare cu restricii este
I i g
i
0 ) (x
min
= E i g
i
0 ) (x
f
n
) ( x x R
(1.1)
e x
1
, x
2
, , x
n
,
sub forma
unde: f este funcia obiectiv,
g
i
sunt funciile care dau restriciile asupra variabil lor
E este mulimea indicilor pentru restriciile cu egalitate, iar
I este mulimea indicilor pentru restriciile cu inegalitate.
Restriciile de forma
i i
b g ) (x pot fi puse 0 ) (
i i
b g x .
1.Introducere

15
Definiia 1.1. Un punct
n
R x care verific restriciile (1.1) se numete punct
admisibil (realizabil) sau soluie admisibil i mulimea tuturor acestor puncte R,
rmeaz regiunea admisibil (realizabil).
Definiia 1.2. O soluie admisibil
fo

R
*
x este o soluie optim pentru problema
(1.1) dac ( ) R x x x , ) ( ) (
*
f f .

Prin schimbarea
{ } ) ( min ) ( max x x f f = ,
problema de maximizare devine o problem de minimizare, aa c n continuare se
vor considera numai probleme de minimizare.

Dac toate funciile g
i
(x) care dau restriciile sunt liniare i funcia obiectiv
este liniar, problema (1.1) se numeste problem de programare liniar, iar dac
funcia obiectiv este ptratic atunci problema (1.1) se numete problem de
programare ptratic.

Programarea liniar permite rezolvarea unei game largi de probleme cu un efort
redus. Popularitatea programrii liniare se datoreaz n principal etapei de
formulare, i nu celei de rezolvare numeric, deoarece multe dintre restriciile i
obiectivele care apar n practic sunt liniare prin definiie.

Optimizarea sistemelor reale cu evoluie n etape constituie obiectul
programrii dinamice, care are la baz pricipiul de optimalitate al lui Bellman
(Kaufmann, II, 1967), care poate fi exprimat astfel: Orice politic optim nu poate
fi alctuit dect din subpolitici optime.

Fenomenele de ateptare se optimizeaz cu modele de ateptare care dau
informaii asupra organizrii sistemului n vederea reducerii timpilor de ateptare n
sistem, a reducerii cheltuielilor de funcionare a sistemului de ateptare etc.
prezentate soluiile
odelelor, exemple p torul Solver-ului din
XCEL, fie cu ajutorul pachetului de programe specializat n rezolvarea

Asigurarea unui regim optim de funcionare a unui proces de producie sau
aprovizionarea optim cu anume sortimente a cererilor pieei se realizeaz cu
ajutorul modelelor de stocare.

Ca o aplicaie practic a teoriei grafurilor este prezentat organizarea i
planificarea proiectelor complexe i stabilirea duratei minime de realizare a acestora.
Toate aceste modele fac obiectul acestei lucrri, fiind
ractice rezolvate fie manual, fie cu aju m
E
problemelor de optimizare, Management Scientist (MS), fie cu ajutorul pachetului
de programe MathCAD.
Modele i algoritmi de optimizare 16

1.2.1. Dimensiunea problemelor

O msur a complexitii problemei de programare este dimensiunea acesteia
exprimat prin numrul de necunoscute i de restricii (Luenberger, 1989).
Dimensiunea problemelor care pot fi rezolvate a crescut o dat cu dezvoltarea
teoriei i a tehnicilor de calcul.
Se pot distinge acum trei categorii de probleme: de dimensiune redus (cu cel
mult 5 variabile sau restricii), de dimensiune medie (ntre 5 i 100 de variabile sau
restricii) i de dimensiuni mari (cu peste 100 de variabile i restricii). Aceast
clasificare reflect nu numai diferene de dimensiuni, dar i de abordare. Astfel
roblemele de dimensiuni mici pot fi rezolvate de mn sau cu un calculator de
se
leaz pe calculatoare de mare capacitate.
Teoria iniial ltatelor teoretice,
nornd aspectele de calcul ale metodelor propuse. Abordrile recente se axeaz pe
xploatarea caracteristicilor calculatoarelor, obinnd soluia prin metode iterative.
vectori x
0
, x
1
, , x
k
, , fiecare mbuntind
aloarea funciei obiectiv, fa de precedentul. Acest ir converge ctre x
*
, soluia
atunci cnd se
iniializeaz cu un punct deprtat de soluia optim. Cea de-a treia component se
numete analiza convergenei locale i studiaz rata de convergen a irului ctre
soluia optim. Este esenial cnd se recomand un algoritm s se menioneze i
o estimare a timpului necesar pentru obinerea soluiei. Lucrarea de fa
argumenteaz convergena majoritii algoritmilor prezentai.
p
buzunar. Problemele de dimensiuni medii pot fi rezolvate pe un calculator, folosind
programe matematice generale. Problemele de dimensiuni mari necesit programe
sofisticate care exploateaz caracteristicile particulare ale problemei i de obicei
ru

a optimizrii s-a concentrat asupra obinerii rezu
ig
e

1.2.2. Algoritmi iterativi i convergen

Cea mai important caracteristic a calculatoarelor este capacitatea lor de a
efectua operaii repetitive ntr-un mod eficient i din aceast cauz majoritatea
algoritmilor de rezolvare a problemelor de optimizare sunt iterativi (Luenberger,
1989). n cutarea unei soluii se alege un vector iniial x
0
i algoritmul determin
un vector x
1
care conduce la o valoare mai bun a funciei obiectiv; procesul se
repet obinndu-se un ir de
v
problemei. n problemele de programare liniar soluia se obine dup un numr
finit de pai. n probleme de programare neliniar irul nu atinge niciodat soluia,
dar converge ctre ea. Practic, algoritmul se oprete cnd s-a obinut un punct
suficient de aproape de soluie.

Teoria algoritmilor iterativi poate fi mparit n trei pri. Prima parte se ocup
cu crearea de algoritmi. A doua parte, numit i analiza convergenei globale,
analizeaz convergena unui algoritm ctre soluia optim

2. GRAFURI N OPTIMIZARE

2.1. Definiii i algoritmi

2.1.1. Grafuri orientate

Definiia 2.1. Se numete graf orientat o pereche de mulimi G=(X,U), unde: X
este o mulime finit i nevid, ale crei elemente se numesc noduri (vrfuri) , iar
U este o mulime format din perechi ordonate (x,y), X y x , , numit mulimea
arcelor (muchii). Dac ) U y x ( , , x se numete extremitatea iniial (originea) a
arcului, iar y, extremitatea final (extremitatea).

Grafurile permit modelarea unui numr mare de situaii (Henry-Labordere, 1995).

Exemple de grafuri:
a) o reea rutier (cu drumuri avnd sens unic) vrfurile sunt interseciile,
iar arcele sunt drumurile.
b) ordinea lucrrilor ntr-un
antier.
c) relaiile stabilite ntre
indivizi (situaie ntlnit
n psihologia de grup)
de exemplu: X={1, 2,
3, 4} , U={(1, 2), (3, 4) ,
(4, 2), (4, 3)}. Grafic se
poate reprezenta ca n
Figura 2.1. Individul 1 l
apreciaz pe individul 2,
individul 2 nu l apreciaz
pe individul 1, individul 4
l apreciaz pe individul
2, iar indivizii 3 i 4 se
apreciaz reciproc.

4
3
1
2
Figura 2.1
Definiia 2.2. Se numete drum ntr-un graf orientat un ir de arce
{ } 1 , 1 , ,...,
1
= = k i U u u u D
i k
cu proprietatea c extremitatea final a arcului u
i

coincide cu extremitatea iniial a arcului u
i+1
, 1 , 1 = k i .


Dac extremitatea final a arcului u
k
coincide cu extremitatea iniial a arcului
ormat dintr-un singur arc se numete bucl.
ac nodurile arcelor drumului sunt distincte dou cte dou, drumul se numete
arcul
u
1
atunci drumul se numete circuit.
Un circuit f
D
elementar.

Exemplu. n Figura 2.1 (1, 2, 4, 3) este un drum, iar (1, 2, 3) nu este drum.

Definiia 2.3. Un nod x dintr-un graf orientat G se numete precedentul altui
nod y din G dac exist ( ) U y x , .
Un nod y dintr-un graf orientat G se numete succesorul altui nod x din G
dac exist arcul ( ) U y x , .
Un nod x dintr-un graf orientat G se numete ascendentul altui nod y din G
dac exist un drum de origine x i extremitate y.
Un nod y dintr-un graf orientat G se numete descendentul altui nod x din G
dac exist un drum de origine x i extremitate y.

Vrful y este adiacent vrfului x dac (x, y)U sau (y, x)U .
Fie G=(X,U) un graf orientat i AX. Arcul U u este incident mulimii A
spre exterior dac extremitatea sa final aparine lui extremitatea iniial nu
parine lui A. Arcul este incident mulimii A spre interior dac este
A, iar
U u a
incident spre exterior mulimii A X A = .

Definiia 2.4. Se numete gradul exterior al lui x i se noteaz d
+
(x) numrul de
noduri succesoare lui x.
e numete gradul lui x i se noteaz cu d(x) numrul d
+
(x)+d

(x),
2
Se numete gradul interior al lui x i se noteaz d

(x) numrul de noduri
precedente lui x.
S
(d(x)=d
+
(x)+d

(x)).

Definiia .5. Fie G=(X,U) un graf orientat i fie ) , ( , U X G U U = se
umete graf parial al lui G. n
Fie X A i U
A
={uU astfel nct cele dou extremiti ale lui u s fie n A} .
G

Definiia 2.7. Se numete arborescen un graf tare conex i fr cicluri,
orientat, a crui orientare este astfel nct fiecare vrf al su cu excepia unuia
singur, numit rdcin, este extremitatea terminal a unui arc i numai unul.
A
=(A, U
A
) se numete subgraf al lui G.

Definiia 2.6. Graful se numete tare conex dac pentru orice perechi de vrfuri
X y x , exist un drum din x plecnd la y .

2. Grafuri n optimizare 19

u valuat
graf (X, U) cruia i se asociaz o funcie numit ponderea arcelor.
Exe l
e unete localitile x i y;
b) l(x,y) =capacitatea tronsonului de drum (x,y).
e transport un graf orientat, G=(X,U), fr
elei, i
crui arc i este asociat un numr numit capacitatea
arcului u .

2.1.2. Grafuri neorientate
numesc muchiile (arcele) grafului. Dac

Definiia 2.8. Se numete graf ponderat sa i se noteaz G=(X, U, l) un

+
R U l :

mp e:
a) l(x,y) =lungimea tronsonului de drum, (x,y) car

Definiia 2.9. Se numete reea d
bucle, cu proprietile urmtoare:
exist un nod x
0
unic, numit originea reelei, i care nu are ascendeni;
exist un nod x
f
unic, numit destinaia re care nu are descendeni;
fie U u 0 ) ( u l

Definiia 2.10. Se numete graf neorientat i se noteaz G=(X,U) o pereche de
mulimi, unde: X este o mulime finit i nevid, iar U este o mulime de perechi
neordonate (x, y) cu x, yX . Elementele lui X se numesc vrfurile (nodurile)
grafului, iar elementele lui U se
( ) U y x = , , x i y se numesc extremitile muchiei u.
Un graf G=(X, U), n care, dac
u

Definiia 2.11. ( ) U y x , atrage ( ) U x y , , se
umete graf simetric.
2.12. Un graf neorientat, G=(X, U), se numete graf complet dac
entru
n

Definiia
( ) X y x , avem ( ) U y x , .
2.13. ntr-un graf neorienta
p

Definiia t, G=(X,U), se numete lan o mulime de
vrfuri { } k i X x x x L
i k
, 1 , ,...,
1
= = cu proprietatea c oricare dou vrfuri
consecutive sunt adiacente, adic ( ) 1 , 1 , ,
1
=
+
k i U x x
i i
. Vrfurile
k
x x ,
1
se
numesc extremitile lanului, iar numrul de muchii care intr n componena sa
se numete lungimea lanului. Dac x
1
,..., x
k
sunt distincte dou cte dou, lanul
se numete elementar, altfel se numete neelementar.


Definiia 2.14. Un graf G=(X,U) se numete simplu conex sau conex dac pentru

u ntr-un graf G=(X,U), un lan
orice pereche de vrfuri X y x , exist un lan de extremiti x i y .
Definiia 2.15. Se numete cicl
{ } k i X x x x
i k
, 1 , ,...,
1
= = cu proprietatea c x
1
=x
k
i muchiile (x
1
, x
2
), ... , (x
k-

efiniia 2.16. Se numete ponderea unui lan, drum, ciclu sau circuit valoarea
L
1
, x
k
) sunt distincte dou cte dou.
D
= ) , ( y x l P .
) ,..., , ( ) , (
2 1 n
x x x y x

De exemplu, n cadrul metodei PERT, ponderea unui drum este durata sa total.

Definiia 2.17. Un lan, drum, ciclu sau circuit se numete hamiltonian dac el
, drum, ciclu sau
dat prin toate arcele
raf
Se disting la un arbore dou tipuri de vrfuri : vrfuri la care mai multe muchii
nt i
urm
trece o dat i numai o dat prin toate vrfurile grafului. Un lan
circuit se numete eulerian dac el trece o dat i numai o
g ului.

Definiia 2.18. Un arbore este un graf conex i fr cicluri.

su ncidente i alte vrfuri la care o singur muchie este incident. Acestea din
se numesc vrfuri pendante sau frunze.

2.2. Cutarea unui arbore de acoperire de lungime minim

Fie G=(X, U, l) un graf conex (ipotez necesar pentru a asigura existena cel
puin a unui arbore) ponderat neorientat. S notm cu X n = (numrul
elementelor lui X). Se pune problema gsirii arborelui de acoperire de lungime
minim, adic, folosind arce ale grafului s se lege ntre ele toate nodurile astfel
nct lungimea total a arcelor folosite (suma ponderilor) s fie minim. O astfel de
problem apare n proiectarea reelelor de comunicaii, unde obiectivul este s se
minimizeze lungimea cablului necesar conectrii tuturor nodurilor care trebuie s
comunice ntre ele, n proiectarea reelelor de drumuri, benzi rulante, sisteme de
canalizare etc. n continuare sunt prezentai doi algoritmi care rezolv aceast
problem.


2.2.1. Algoritmul lui Kruskal

Algoritmul lui Kruskal permite cutarea unui arbore de acoperire de lungime
minim. Vom presupune c graful G are lungimile muchiilor diferite dou cte
dou (dac uv , u, v muchii, atunci l(u)l(v) ).

Algoritmul Kruskal
Pas 1. Se consider v
1
muchia de lungime cea mai mic. Apoi v
2
muchia de
lungime cea mai mic dintre cele rmase i se noteaz V
2
={v
1
, v
2
} ;
k :=2 ;
Pas 2. Repet
k :=k+1 ; v
k
muchia de lungime cea mai mic dintre cele rmase
astfel nct V
k1
v
k
s nu formeze ciclu
pn cnd k=n1 ;
Pas 3. Stop. {V
n1
este un graf de n1 muchii i nu are cicluri}.

Demonstrm prin absurd c V
n1
este arborele minim cutat (Henry-
Labordere, 1995). Fie VV
n1
arborele minim i s presupunem c are cele n1
muchii ordonate astfel nct lungimile lor sunt n ordine cresctoare la fel ca i cele
ale lui V
n1
i c u
k
este prima muchie a lui V care nu este n V
n1
.

V
n1
v
1
v
2
v
k1
v
k
v
k+1
v
p
v
n
V
n
v
1
v
2
v
k1
u
k
u
k+1
u
p
u
n

l(v
1
)<l(v
2
)<<l(v
k1
)
V

v
k
conine un singur ciclu (graful este conex i dac se adaug o muchie el
va conine un singur ciclu i numai unul). Acest ciclu conine cel puin o muchie
u
p
V
k1
. Din construcia lui V
k
, v
k
nu creeaz un ciclu cu V
k1
. Deoarece lista
muchiilor lui V este ordonat cresctor dup lungimile muchiilor l(u
k
)l(u
p
),
avem de asemenea l(v
k
)<l(u
k
) deoarece v
k
u
k
, i atunci l(v
k
)<l(u
p
). Graful Vv
k

u
p
are n1 muchii i este fr cicluri deoarece suprimarea lui u
p
nltur singurul
ciclu al lui Vv
k
. Acesta este, aadar, un arbore i lungimea sa este inferioar
aceleia a lui V , ceea ce contrazice faptul c VV
n1
este arborele de lungime
minim. Rezult astfel c V
n1
este arborele minim.

Exemplu. Fie G=(X, U, l) un graf conex ponderat neorientat, ca n Figura 2.2,
5 = X i 7 = U . Pe arce sunt trecute ponderile. S se construiasc un arbore de
acoperire de lungime (pondere) minim, folosind algoritmul lui Kruskal.

Figura 2.2
1
2
3 4
5
16
17
15
14
19
18
10
Figura 2.3
2
1
3
5 4
14
16 15
10

Pas 1. Se consider V
1
={v
1
=[3,4]} deoarece 3 ([ )} ( { min ]) 4 ,
7 1
i
i
v l l = .
Pas 2. k=2. e lege din U-V S a
1
, v
2
=[2,5], muchia cu cea mai mic pondere
( { } ) ( min ] 5 , 2 [
1
l
V U v
) i care adugat la V s nu formeze cicluri. Se obine
={
v l =
1
2
ine V ={[3,4]; [2,5]; [1,3]; [1,2]}
Algoritmul se ncheie furniznd arborele de acoperire de lungime minim V
4

igura 2.3) i lungimea minim a arborelui gsit L =55.

2.2.2. Algoritmul lui Prim
nderile a dou muchii diferite s fie diferite. Se noteaz
nodurile lui G 1 la n . Sunt folosii trei vectori de
dimensiune n astfel:
V [3,4]; [2,5]}.
k=3. Se alege din U-V
2
, v
3
=[1,3], muchia cu cea mai mic pondere
{ } 1 [ l ( ) ( min ] 3 ,
2
v l
V U v
= ) i care adugat la V
2
s nu formeze cicluri. Se obine
V
3
={[3,4]; [2,5]; [1,3]}.
k=4. Dintre muchiile rmase cea care are pondere minim i care nu formeaz
cicluri prin adugare la V
3
este [1,2]. Se ob
4
arborele de lungime minim. Lungimea minim a grafului este L
min
=l([3,4])+
l([2,5])+l([1,3])+l([1,2])=10+14+15+16=55 .

(F
min

Algoritmul lui Prim determin arborele de acoperire de lungime minim
ntr-un graf conex ponderat G=(X, U, l) i, spre deosebire de algoritmul lui
Kruskal, nu cere ca po
cu numere de la
) ,..., , (
2 1 n
= , cu componentele


, altfel 0
arbore n este l i
i
iniial

ponentele
ponentele
=
nodu dac 1
) ,..., , (
2 1 n
p p p = p , cu com
) ,..., , (
2 1 n
c c c = c , cu com
=
iniial nodul pentru 0
arbore n este ] , [ muchia dac j i j
p
i
=
iniial nodul pentru 0
] , [ muchiei ponderea ]) , ([
i i
i
p i p i l
c ,
n i , 1 = . pentru

Algoritmul Prim
as z cu 0 cei trei vectori. Se d nodul de start s i P 1. Se iniializea ( n s 1 )
1 =
s
; A={ s } arborele parial.
Pas 2. Repet
Determin muchia [i,j], cu ponderea minim, care are o extremitate n
arborele parial, A i i cealalt A X j . Atunci 1 =
j
, p
j
=i i
c
j
=l([i,j]) .
pn cnd ( ) n i
i
, 1 1 = = .
,i] , iar
te
i
c L
min
. Stop!

Algoritmul furnizeaz arborele de acoperire de lungime minim prin nlocuirea
muchiilor unui arbore oarecar inut cu vrfurile grafului G cu muchiile
arborelui de lungime minim.
xemplul precedent.
as 1. s=1; A={1}

nodul 1 2 4
Pas 3. Arborele de acoperire de lungime minim este dat de muchiile [p
i
n

=
= lungimea minim es
i 1
e ob

Exemplu. S se aplice algoritmul lui Prim grafului din e
P
3 5

1 0 0 0 0
p 0 0 0 0 0
c 0 0 0 0 0
Pas 2.
Iteraia I: min{l([1,2]), l([1,3]), l([1,4])}=l([1,3])=15

nodul 1 2 3 4 5

1 0 1 0 0
p 0 0 1 0 0
c 0 0 15 0 0

Iteraia a II-a: min{ l([1,2]), l([1,4]), l([3,2]), l([3,4]) , l([3,5]) }=l([3,4])=10
nodul 1 2 3 4 5

1 0 1 1 0
p 0 0 1 3 0
c 0 0 15 10 0

Iteraia a III-a: min{ l([1,2]), l([3,2]), l([3,5])}=l([1,2])=16
nodul 1 2 3 4 5

1 1 1 1 0
p 0 1 1 3 0
c 0 16 15 10 0

Iteraia a IV-a: min{ l([2,5]), l([3,5]) }=l([2,5])=14
nodul 1 2 3 4 5

1 1 1 1 1
p 0 1 1 3 2
c 0 16 15 10 14

4 , 1 , 1 = = i i se trece la pas
i
Pas 3. Arborele de acoperire de lungime minim este {[1,2]; [2,5]; [1,3]; [3,4]} i
are lungimea L
ul urmtor.
min
=55 .

Problema gsirii arborelui de acoperire de lungime minim este rezolvat n
Management Scientist de modulul Minimal Spanning Tree (arbore de acoperire de
lungime minim). Pentru aplicarea acestui modul exemplului de mai sus se
procedeaz astfel. Dup lansarea pachetului de programe se selecteaz modulul
Minimal Spanning Tree ca n Figura 2.4.

Figura 2.4


Dup apsarea butonului OK apare o fereastr din care se selecteaz File i, de
aici, New. Apar succesiv ferestrele din Figura 2.5 n care se introduc numrul de
noduri, numrul de muchii i apoi muchiile i ponderile lor.

Figura 2.5

Pentru rezolvare i afiarea rezultatului se selecteaz Solution i, de aici, Solve.
Rezultatele sunt date de Figura 2.6 .

Figura 2.6

2.3. Algoritmul lui Dijkstra

Se pune adesea problema determinrii unui plan de transport printr-o reea
rutier (de transport) astfel nct cheltuielile de transport sau duratele de transport
s fie minime. Este necesar s se determine drumul cel mai scurt dintre dou
noduri oarecare ale reelei rutiere. Acest tip de problem se mai ntlnete i n
proiectarea reelelor de calculatoare, n stabilirea traseelor mijloacelor de transport
n comun etc. (Henry-Labordere, 1995).
Algoritmul lui Dijkstra permite calcularea lungimilor celor mai scurte drumuri
de la un vrf s la toate vrfurile x ale unui graf conex G=(X,U,l), dac lungimile
tuturor arcelor sunt nenegative.

Fie (x) lungimea celui mai scurt drum de la s la x . Fie S mulimea
vrfurilor pentru care se calculeaz . Atunci, (x)
def
= {lungimea celui mai scurt
drum de la s la x , care are toate vrfurile n S cu excepia lui x }. Se noteaz cu
=
+
) (x {mulimea arcelor care pornesc din nodul x}, =
) (x { mulimea
arcelor care intr n nodul x}. Dac graful este neorient ) ( ) ( x x = =
mulimea arcelor incidente n
iar cu
at
nodul x.
dac

=
+
) (x

Algoritmul Dijkstra
Pas 1. {Iniializri}
S :={s} ; s nodul de start, (s) :=0 ;
Pentru orice S X ) (s x x atunci (x) :=l(s,x) altfel
(x) :=+ ;
Pas 2. {Iteraia curent}
Repet
Determin S X y astfel nc y)
z
t (
S
= min(z) ;
y S Dac (y)< atunci : S } { = ;
+
Pentru z (z) :=min {(z), (y)+l(z,y)} ; ) (y
pn cnd S=X sau (y)=.
Pas 3. Stop.

Se observ c valorile (z) rmn nemodificate pentru S z , lucru ce poate
fi exploatat n transpunerea pe calculator a algoritmului.

Exemplu. n Figura 2.7 sunt date 7 localiti numerotate de la 1 la 7 i timpul (n
ore) necesar parcurgerii distanei pe arterele care le leag. S se determine ruta pe
care se realizeaz timpul minim ntre localitile 1 i 7.

Rezolvare. Se aplic algoritmul Dijkstra grafului reprezentat de Figura 2.7.

Figura
2
2
4 5
3 6
7
1
1
9 7
3
2
6
2
1
4
4
5


Pas 1. s=1, S={1}, , } 4 , 2 { ) 1 ( =

y 1 2 3 4 5 6 7
(y) 0 1 4
Pas 2.
Iteraia I . { } { } { } ) 2 ( ) 7 ( ), 6 ( ), 5 ( ), 4 ( ), 3 ( ), ( min ) ( = y 2 ( min ) = =
S X z
y=2, S={1,2}, } 4 , 3 , 1 { ) 2 ( =
z ,
. (2)=l([1,2])=1
(3)=min{(3), (2)+l([2,3])}=min{,1+4}=5
(4)=min{(4), (2)+l([2,4])}=m { 1 }

in 4, +2 =3
y 1 2 3 4 5 6 7
(y) 0 5 3 1
Iteraia a II-a
{ } { ), 6 ( ), 5 ( ), 4 ( ), 3 ( min ) ( min ) ( } ) 4 ( ) 7 ( = = z y =
S X z
, y=4, S={1,2,4},
(3)=min{(3), (4)+l([3,4])}=min{5,3+5}=5
(5)=min{(5), (4)+l([4,5])}=m ,3 5
(6)=min{(6), (4)+ )}=m ,3 1
y 1 2 3 4 5 6 7
} 6 , 5 , 3 , 2 , 1 { ) 4 ( = .
in{ +2}=
l([4,6] in{ +9}=2

(y) 0 1 5 3 5 12
Iteraia a III-a
{ } { } { } ) 7 ( ), 6 ( ), 5 ( ), 3 ( min ) ( min ) ( = =

z y
S X z
) 3 ( = , y=3, S={1,2,3,4},
.
(5)=min{(5), (3)+l )}=m {
), (3)+l }=m
y 1 2 3 4 5 6 7
} 6 , 5 , 4 , 2 { ) 3 ( =
([3,5]
([3,6])
in
in{12,5+3}=8
5,5+2}=5
(6)=min{(6

(y) 0 1 5 3 5 8
Iteraia a IV-a
{ } { } { } ( ) 7 ( ), 6 ( ), 5 ( min ) ( min ) ( = = = z y ) 5
S X z
, y=5, S={1,2,3,4,5},
.
(6)=min{(6), (5)+ )}= 5 }
(7)=min{(7), (5)+l([5,7])}=min{,5+7}=12

y 1 2 3 4 5 6 7
} 7 , 6 , 4 , 3 { ) 5 ( =
l([5,6] min{8, +6 =8
(y) 0 1 5 3 5 8 12

Iteraia a V-a
{ } { } { min ) ( min ) ( } ) 6 ( ) 7 ( ), 6 ( = = =

z y
S X z
, y=6, S={1,2,3,4,5,6},
} 7 , 5 , 4 , 3 { ) 6 ( = .
(7)=min{(7), (6)+l([6,7])}=min{12,8+1}=9

y 1 2 3 4 5 6 7
(y) 0 1 5 3 5 8 9
Iteraia a VI-a
{ } { } { } ) 7 ( ) 7 ( min ) ( min ) ( = = = z y
S X z
, y=7, S={1,2,3,4,5,6,7},
Pentru nodurile din mulimea ) (y S nu s-au mai evaluat (y).
uchiile (marcate cu litere ngroate) D={[1,2], [2,3]; [3,6]; [6,7]} i
ste de 9 ore.
(Figura
4) i se introduc datele n ferestrele prezentate n Figurile 2.8. i 2.9 .

Algoritmul se oprete deoarece S=X. Vectorul (y) conine cele mai mici
distane de la nodul 1 la celelalte noduri. Drumul cel mai scurt ntre nodurile 1 i 7
se obine din m
e

n Management Scientist modulul Shortest Route determin cel mai scurt
drum dintre dou noduri ale reelei i precizeaz muchiile care realizeaz acest
drum. Pentru rezolvarea problemei din exemplul precedent cu Management
Scientist, dup lansarea sistemului se selecteaz modulul Shortest Route
2.

Figura 2.8


Figura 2.9

Rezultatele sunt afiate dup selectarea din meniul Solution a opiunii Solve
igura 2.10).

(F

Figura 2.10

2.4. Metoda PERT

Metoda PERT (Program Evaluation and Review Technique) sau
ritical Path Method metoda drumului critic) este un instrument
CPM
pentru
de decizie un ajutor n planificarea i controlul unui astfel
e p
are ar determina o ntrziere n realizarea proiectului
onini et al, 1997).
(C
gestionarea (planificarea i controlul) proiectelor mari cu multe activiti separate
care necesit coordonare. n realizarea unui proiect unele activiti trebuie s aib o
anume succesiune, altele se defoar n paralel. Tehnica PERT a fost conceput
pentru a oferi factorului
d roiect. Ea permite stabilirea timpului necesar realizrii ntregului proiect,
asigurnd controlul evoluiei procesului i atrage atenia asupra acelor ntrzieri n
realizarea activitilor c
(B

Sunt necesare dou tipuri de informaii pentru fiecare activitate din proiect:
a) succesiunea activitilor care preced o activitate,
b) timpul necesar realizrii activitii, care poate fi determinist sau aleatoriu.

Drumul critic este o mulime d din proiect care are cea mai mare
durat de timp aso

Pentru prezentarea metodei sidera un exe plu n care duratele
activitilor sunt presupuse deterministe i cunoscute.

Exemplu. n Tabelul 2.1 sunt trecute activitile unui proiect i duratele lor. Graful
corespunztor este d , pentru o nelegere mai
oar, se vor nota activitile geile indicnd
ccesiunea activitilor.
.1
Activitate
Activ
precedent
Timpul necesar
realiz t
i

Diagrama activitilor este reprezentarea grafic a ntregului proiect (graf
orientat valuat). Activitile sunt arcele, iar nodurile, momentele de nceput i
sfrit ale activitilor.
e activiti
ciat.
se va con mplu sim
at n Figura 2.11. n acest exemplu
u i duratele lor n noduri, s
su

Talelul 2
itate
rii (n zile),
A Nici una 2
B A
C A
C
3
4
D B, 6
E Nici una 2
F E 8

B3
D
A
Figura 2.11
2
START
STO
P
6
E
2
F
8
C
4


10
ume ACD.
re proiectul poate fi
ti
ntrziere
c.
cu:
S
iu de ncepere a activitii i,
F momentul cel mai trziu de terminare a activitii i.
cel mai devreme
act
mo reme posibil cu timpul necesar realizrii
acti

mo rminare a activitii respective fr ntrzierea proiectului,
tiviti este diferena dintre cel
rea

ate oarecare i, care pentru toate activitile care o preced imediat
are determinate DS
izrii ultimei activiti.
. P
Sunt posibile doar trei drumuri: l (ABD)=11 zile , l (ACD)=12 zile, l (EF)=
zile. Drumul critic este cel care are cea mai mare durat, i an
Lungimea drumului critic determin timpul minim n ca
terminat.
Drumul critic este important pentru c arat c:
mpul necesar pentru realizarea complet a proiectului nu poate fi redus sub
valoarea dat de drumul critic,
orice ntrziere n realizarea activitilor de pe drumul critic va produce
n realizarea proiectului.
Pentru reducerea duratei totale a proiectului trebuie reduse duratele activitilor
incluse n drumul criti

Aflarea drumului critic
O cale de aflare a drumului critic este descris n continuare. Se noteaz
D
i
momentul cel mai devreme de ncepere a activitii i,
DF
i
momentul cel mai devreme de terminare a activitii i,
TS
i
momentul cel mai trz
T
i
Momentul cel mai devreme de ncepere a unei activiti este
moment posibil la care acea activitate poate s nceap, presupunnd c toate
ivitile care o preced au nceput la cel mai devreme moment posibil.
Momentul cel mai devreme de terminare a unei activiti este suma
mentului de nceput cel mai dev
vitii respective.
Momentul cel mai trziu de terminare a unei activiti reprezint cel mai trziu
ment posibil de te
presupunnd c toate activitile sunt desfurate conform planului iniial.
Momentul cel mai trziu de ncepere a unei ac
mai trziu moment posibil de terminare a activitii respective i timpul necesar
lizrii acestei activiti.
Procedeu pentru determinarea momentelor DS , DF , TS i TF
1. Pentru prima activitate se ia DS egal cu zero. Dac se adaug la DS timpul t
necesar realizrii primei activiti se obine DF pentru prima activitate.
2. Pentru o activit
i DF , se ia
DS
i
=max{DF
k
| activitatea k precede imediat activitatea i} i DF
i
=DS
i
+t
i
,
deoarece activitatea i nu poate ncepe pn cnd toate activitile care o preced
nu sau terminat.
3. Pentru ultima activitate se ia TF=DF al acestei activiti. Atunci TS=TFt
n
, t
n

fiind timpul necesar real
4 entru o activitate oarecare i, avnd pentru activitile care o succed imediat
determinate TS i TF , se ia
TF
i
=min{TS
k
| activitatea k succede imediat activitatea i} i TS
i
=TF
i
t
i
,.

Marja, M, a unei activiti reprezint numrul de zile cu care o activitate
poate ntrzia fr ca termenul de ncheiere al proiectului s fie afectat. Dup
determinarea valori F F e t v ile, se pot calcula
marjele ca fiind
=DS
i

i
sau
i
= F
i
Dac proiectul are termenul fina are a u g drumului critic,
atunci orice ntrziere n realizarea unei activit ul critic va cauza
ntrziere n finalizarea oiectulu n schim ct c au marja pozitiv
pot fi decalate cu un nu r de zile egal cu m , f r
roiectului s se modifice.
Tabel l 2.2
Activitate Durata DF TS TF M
lor DS, D , TS, T p ntru oate acti it
M
i
TS M D TF
i
.
de liz eg l c lun imea
i incluse n drum
pr i. b, a ivit ile are
m arja r ca temenul de finalizare a
p
Pentru exemplul de mai sus se consider c proiectul dureaz 12 zile i s-a luat
TF pentru activitatea D egal cu 12. n Tabelul 2.2 sunt trecute momentele DS,
DF, TS, M i TF pentru acest exemplu obinute n urma aplicrii procedeului de
mai sus.

u
D
S
A 2 0 2 0 0 2
B 3 2 5 3 6 1
C 4 2 6 2 6 0
D 6 6 12 6 12 0
E 2 0 2 2 4 2
F 8 2 10 4 12 2

Exemplul de mai sus poate fi rezolvat i cu ajutorul pachetului de programe
Management Scientist. Dup lansarea pachetului de programe se selecteaz
modulul PERT/CPM (Figura 2.4). Din fereastra care apare se selecteaz File, apoi
New i se precizeaz faptul c duratele activitilor sunt deterministe i numrul
acestor activiti, ca n Figura 2.12.

Figura 2.12

Se afieaz o fereastr n care se introduc duratele activitilor i activitile
cnd este definit ca preceden.

care le preced imediat, ca n Figura 2.13. Activitile se codific folosind literele
alfabetului n ordine cresctoare. O activitate care precede o alta trebuie s fie deja
definit atunci


Figura 2.13

Selectnd Solution, i de aici Solve, se obine soluia sub form de
Figura 2.14.
a dat

Fi ra 4

Sau obinut aceleai rezultate ca i prin aplicarea procedeului descris mai sus.
a implic i costuri suplimen

ie de cost n luarea deciziei.
gu 2.1

Analiza numai sub aspectul duratei poate fi completat cu costuri asociate
activitilor. De exemplu, durata unei activit i poate fi redus dac se aloc resurse
suplimentare. Aceast tare. Se introduce astfel i o
func

n continuare se consider cazul, mai apropiat de realitate, cnd duratele
activitilor sunt aleatoare. Atunci, trebuie s se cunoasc despre aceste variabile
aleatoare care sunt densitile lor de probabilitate. n practic se cunosc anumite
date despre duratele activitilor, cum ar fi:
a
i
cea mai optimist durat pentru activitatea i,
b
i
cea mai pesimist durat pentru activitatea i,
m
i
cea mai probabil durat pentru activitatea i (modul repartiiei).
ia Beta(a,b) ar putea caracteriza aceste durate deoarece este o
ie continu, unimod (a,b). Un estimator pentru
aloarea medie a unei variabile aleatoare Beta(a,b) este
Reparti
reparti al i cu valori n intervalul
( ) b m a t + + = 4 v
6
pentru abaterea medie standard
1
i
( ) a b =
6
1
.
Pentru exemplul precedent, n Tabelul 2.3, sunt trecute duratele activitilor
cele mai optimiste, cele mai pesimiste, cele mai probabile (ca rezultat al
xperienelor anterioare), estimrile duratelor medii, ale abaterilor medii ptratice e
i ale dispersiilor.
Se caut drumul critic cu duratele activitilor t
i
i se obine acelai drum
ritic (duratele medii t
i
coincid cu duratele activitilor n cazul determinist).
Tabelul 2.3
Activitate a
i
b
i
m
i
t
i
c

i

2
i

A 1 3 2 2 0.33 0.11
B 1 5 3 3 0.67 0.45
C 2 6 4 4 0.67 0.45
D 4 8 6 6 0.67 0.45
E 1 3 2 2 0.33 0.11
F 1 15 8 8 2.33 5.43

Dac se presupune c duratele activitilor sunt variabile aleatoare independente,
atunci dispersia drumului critic ACD este suma dispersiilor activitilor
componente, adic 01 . 1 45 . 0 45 . 0 11 . 0
2
= + + =
ACD
, iar abaterea medie standard
este 005 . 1 01 . 1 = =
ACD
.
Dac drumul critic conine multe activiti (peste 30) durata total poate fi
considerat repartizat normal. Se va considera i n acest caz repartiia duratei
rumului critic ca fiind N (12, 1.005) i atunci se poate s se determine
robabilitatea ca durata drumului critic s fie mai mic dect o valoare (de
xemplu, 14 zile), folosind tabela repartiiei normale standard, astfel:
d
p
e
( ) 977 . 0 ) 2 (
005 . 1
12 14
14 = =

= < F F
T
F T P

.


2.5. Probleme propuse
. O firm de construcii are antiere n 6 locuri diferite. Transportul zilnic de oameni,
tilaje, materiale de la sediu la antiere i invers este destul de costisitor. Reeaua
ar n Figura 2.15 prezint strzile i distana dintre antiere i sediul firmei.
odurile reprezint antierele numerotate de la 1 la 6, iar muchiile, strzile. Numerele
aib linii speciale pentru legarea
alculatoarelor instalate la cele 5 centre ale sale n diferite locuri din ora la
rverul central. Deoarece liniile sunt scumpe, proprietarul dorete ca lungimea
tal a cablurilor folosite s fie minim. n Figura 2.16 sunt prezentate cele
centre i serverul central (n noduri), iar muchiile reprezint traseele posibile i
ngimile cablurilor ntre server i centrele firmei. S se stabileasc legturile care
conduc la cel mai mic cost (lungimea total a cablurilor s fie minim).
R. acoperire

1
u
tat
N
de pe muchii reprezint distana n kilometri. Dac se dorete minimizarea distanei
dintre sediul firmei i antierul 6, care este drumul care trebuie parcurs i lungimea sa?

Figura 2.15
17
Sediul firmei (1)
2
4
5 3 6
7
3
6 5
4
6
2 4
10
15

R. L
min
=22 , obinut pe traseul D={[1,3], [3,5], [5,6], [6,7]} .

2. O firm de Internet Cafe trebuie s
c
se
to
5
lu
s

Arborele de

Figura 2.16
2
Serverul
central (1)
4
4
3
5
4
3
1
3
2
4
5
2
3
4
6

de lungime minim este dat de muchiile {[1,2], [1,4], [4,6], [4,3], [4,5]} (Figura
2.17), iar lungimea minim a cablurilor este de L
min
=11.

3. Trebuie s se construiasc o autostrad care s treac rin apropierea localitilor
otate n Figura 2.18 cu numere de la 1 la 14.
Costurile (lucrrilor propriu-zise, lucrrilor de art, de expropriere, sociale etc.)
e stabileasc traseul autostrzii care unete localitile 1 i 14 i care s
implice costuri minime (Kaufmann, 1967).

R. Traseul de cost min ag al calitatea 14 trece prin
localitile 1, 3, 5, 9, 12, 14 ost 19 u. m (u i

4. Fie un proiect ale crui da unt trec n T l .4
Tab l 2.

Fi

p
n

sunt trecute pe muchiile acestui graf.
S s
im care le c lo it ea at d 1 e o l
i c nit monetare).
te s ute abeul 2 .
elu 4
gura 2.17
3
1
3
5
4
3
2
6
2
1
2
8
5
Figura 2.18
10
9
7
6
5
3
4
2
1
11
13
12
14
3
2
11
8
2
4
3
9
5
3
4
7
6
8
3
11 8

9
5
4
6
6
9


Activitate
Activita
precedent
im n sar
rii (n zile), t
i
te T pul ece
realiz
A Nici una 5
B A 4
E B 4
F D, E 2
C Nici una 7
D B, C 3

a) S se traseze diagrama grafului asociat proiectului.
b) S se calculeze DS, DF, TS, TF pentru fiecare activitate, presupunnd c DF
i TF pentru ultima activitate coincid.
c) S se precizeze activitile incluse n drumul critic.

R. a) Diagrama grafului asociat este dat n Figura 2.19.

b) n Tabelul 2.5 sunt trecute valorile corespunztoare. Durata proiectului este de
15 zile.

Tabelul 2.5
Activitate DS DF TS TF
A 0 5 0 5
B 5 9 5 9
C 0 7 3 10
D 9 12 10 13
E 9 13 9 13
F 13 15 13 15

c) Drumul critic este format din activitile A, B, E, F.

5. n problema 4 se consider c timpul necesar realizrii activitii C este de
9 zile.
A
Figura 2.19
C
B4
D
E4
F2

a) S se precizeze dac se modific drumul critic n acest caz.
b) Dar dac activitii C i sunt necesare 11 zile, se modific drumul critic?

R. a) Nu, deoarece activitatea C are o marj de 3 zile, iar creterea duratei este
doar de 2 zile.
b) Da, i drumul critic este compus din activitile C, D, F i durata proiectului
este de 16 zile.

6. Un depozit angro dorete s se modernizeze i s se extind. Activitile
necesare sunt trecute n Tabelul 2.6 . S se stabileasc durata minim i care sunt
activitile critice ale acestei iniiative.

Tabelul 2.6
Activitate Descriere activitate
Activitate
precedent
Timpul necesar
Realizrii (n sptmni), t
i
A Proiectul de arhitectur Nici una 5
B Identificarea chiriailor poteniali Nici una 6
C Dezvoltarea prospectului A 4
D Selectarea antreprenorului A 3
E Pregtirea autorizaiei de
construcie
A 1
F Obinerea autorizaiei de
construcie
E 4
G Construcia D,F 14
H Finalizarea contractelor cu
chiriaii
B,C 12
I Instalarea chiriailor G,H 2

R. Activitile critice sunt A, E, F, G, I, iar durata minima a iniiativei este de
26 sptmni.

7. Se consider un proiect avnd datele despre activiti trecute n Tabelul 2.7

Tabelul 2.7
Activitate
Activiti
precedent
e
a
i
b
i
m
i
A 2 6 4
B 6 10 8
C A 1 15 5
D C 1 9 5
E B 6 10 8

unde:
a
i
cea mai optimist durat pentru activitatea i,
b
i
cea mai pesimist durat pentru activitatea i,


m
i
cea mai probabil durat pentru activitatea i (modul repartiiei).
a) S se calculeze timpul mediu t
i
i dispersia pentru timpul necesar realizrii
fiecrei activiti.
2
i
b) S se traseze diagrama grafului asociat. Care este lungimea medie a drumului

critic?
c) Presupunnd c duratele activitilor drumului critic sunt independente i c
durata drumului critic este repartizat normal, s se calculeze probabilitatea ca
durata drumului ACD s fie mai mic dect 16 zile.
d) Care este probabilitatea ca proiectul s se termine n mai puin de 16 zile ?

R. a) Media duratelor i dispersia sunt trecute n Tabelul 2.8.

Tabelul 2.8
Activitate t
i
2
i

A 4 0.44
B 8 0.44
C 6 5.44
D 5 1.78
E 8 0.44

b) Diagrama asociat grafului este dat de Figura 2.20

Figura 2.20
A4
STAR
STO
B8
C6 D5
E

Lungimea drumului critic este 16 zile.
c) Pentru drumul ACD lungimea medie este 15 zile, iar dispersia este
0.44+5.44+1.78=7.67 , iar abaterea medie ptratic este 2.77 .
64 . 0
77 2
15 16
) 16 ( =
= < F T P
ACD
.
Pentru drumul BE dispersia este de 0.44+0.44=0.88 , iar abaterea medie ptratic
este 0.94 .

P (T < 16) =
15 16
F =0.50.
94 ,
BE
0


) Probabilitatea ca durata proiectului s fie mai mic de 16 zile este d
( ) 32 . 0 50 . 0 64 . 0 16 = = <
proiect
plic
T P .
8. Exploatarea unei cariere im u toarele ac n
construirea drumurilor d cces (A
cumprarea i livrarea ut jelor de ava en
angajarea de personal: c uctori d tila m r )
adncirea excavaiei (D
ost angajai.
Tabelul 2.9 sunt date duratele i condiionrile aciunilor acestui proiect.
Tabelul 2.9
A
precedent u
rm iu i:
e a )
ila exc re p trunlturarea zonei fertile (B)
ond e u je i inei (C
)
pregtirea minerilor angajai n mineritul de suprafa (E).
estriciile impuse de ordinea aciunilor: R
excavarea nu poate ncepe dect dac:
utilajele au fost livrate;
conductorii de utilaje au f
n

Activitate
ctivitate

Timp
realizrii (n l
ul necesar
ni), t
i
A Ni 10 ci una
B Ni 4
N 8
A, B, C 5
6
ci una
C ici una
D
E C

a) S se traseze diagram
b) S se ca TF arja pentru fiecare activitate, presupunnd
c DF i T a activitate coincid.
c) S e pre mului critic i acti ile incluse n drumul critic.

R. iagr ura 2

a grafului asociat proiectului.
lculeze DS, DF, TS,
F pentru ultim
i m
s cizeze lungimea dru vit
a) D ama este dat de Fig .21.

B4 D5
STO STAR
A1
C8 E6
Figura 2.21

42
b

) Valorile cerute sunt coninute n Tabelul 2.10.
Tabelul 2.10.
Activitate DS DF TS TF M
A 0 10 0 10 0
B 0 4 6 10 6
C 0 8 2 10 2
D 10 15 10 15 0
E 8 8 15 15 7

) Drumul critic conine activitile A, D i are lungimea 15.
i i durate
.
Tabelul 2.11
Durata
realizrii (n sptmni)

c

9. O firm productoare de aspiratoare i propune s introduc n fabricaie
spiratoare portabile. Pentru aceasta iniiaz un proiect ale crui activit a
sunt trecute n Tabelul 2.11

Activitate Descriere
ivitate
activitate
Act
precedent
cea mai
pesimist
cea mai
probabil
cea mai
optimist
A
Proiectarea
Nici una 4 5 12
produsului
B
Cercetarea pieei de
Nici una 1 1.5 5
defacere
Stabilirea procesului
3 4 11
1.5 2
G Testarea prototipului D 1.5 3 4.5
2.5 3.5 7.5
I
Stabilirea preului i
estimarea vnzrilor
H 1.5 2 2.5
J Raportul final F, G, I 1 2 3
C
tehnologic
A 2 3 4
D
Construirea
prototipului
A
E
Pregtirea brourii cu
instruciuni de
folosire
A 2 3 4
F Estimarea costurilor C 2.5
H Inspectarea pieei B, E

S se precizeze activitile critice, duratele: cea mai optimist, cea mai probabil i
cea mai pesimist de realizare a acestui proiect.
A, E, H, I, J i duratele cea mai optimist 14.28 , cea R. Activitile critice sunt
mai probabil 17 i cea mai pesimist 19.72 .

i convexe
i rezultate
capitole.

efiniia 3.1. O mulime se numete convex dac

3. PROGRAMARE CONVEX

3.1. Mulimi i funci

n acest capitol sunt prezentate cteva noiuni (Fletcher, II, 1981) pe
care se bazeaz metodele i algoritmii urmtoarelor trei
n
K R ( ) K
1 0
, x x D i
( ) [ ] 1 , 0 , atunci
( ) + = 1 x x
1 0
x K
(3.1)
sau, n general: ( ) K
m
x x x ,..., ,
1 0
, atunci
( ) [ ] 1 , 0 ,
0
=
=
m
i
i
i i
K
x x i 1
0
=
m
=
a punctelor x
0
,
Definiia 3.3. Fie
i
i
(3.2)

Definiia 3.2.
x din Definiia 3.1 se numete combinaia liniar

x
1
etc.

K
n
x x x ..., , ,
1 0
. Mulimea punctelor x (3.
umete nfurtoarea convex a mulimii
date de 2) se
{ } n
n 1 0

Exemple de mu
x x x ,..., , .
limi convexe: mulimea format dintr-un singur punct, o dreapt,
d t, un hipe un segment e dreap rplan (adic
=

=
n
i
i i
n
b x a
1
R x ), un semiplan
(adic

b x a
n
i i
n
x R ), o bi
= i 1
l nchis de centru a i raz r,
{ } ( )
=

=
r a x r
n
i
i i
1
2
n
x a R ,
= ) ( B
r
2 n
x x a R
un con ( ) ( { } ) ( ,
,
*
R R
n m
C M = A 0 x x , x
n
x A
ema 3.1. Fie K
i
, i=1,2,,m, m mulimi convexe. Atunci este tot o
mulime convex.
*
vrful conului) etc.

I
m
i
i
K K
1 =
= L


44
Demonstraie. Fie ( ) K
1 0
, x x , atunci rezult c
i
K
1 0
, x x pentru
( ) m i , 1 = .2) este n fiecare mulime K . Atunci
intersecia lor.
onsecina 3.1. Mulimea punctelor admisibile ntr-o problem de programare

efiniia 3.4. Fie numete punct de extrem
entru K dac, avnd x=(1 ) x
0
+ x
1
,
x

dat de (3
i
, deci i n

C
(1.1) cu restricii liniare este o mulime convex.
n
K , o mulime convex. x se D R
K
1 0
, x x i ( ) 1 , 0 p , atunci rezult
x=x
0
=x
1
, sau, altfel s unui segment din K.

xemple: vrfurile unui poligon regulat, punctele circumferiei unui cerc sunt
uncte de extrem pentru poligon, respectiv disc.
o funcie
continu. Func te convex dac
pus, x nu cade n interiorul nici c
E
p

Definiia 3.5. Fie
n
K R , o mulime convex i R K f :
ia f se nume ( ) K
1 0
, x x are loc relaia
( ) ( ) [ ] 1 , 0 , ) ( ) ( ) 1 ( ) 1 (
1 0 1 0
+ + x x x x f f f .
K este deschis, atunci se poate da
ie a funciei convexe.
Definiia 3.5. Funcia f este convex pe K dac
(3.3)

Dac f este difereniabil pe K i
urmtoarea defini

( ) K
1 0
, x x are loc relaia
0 1
x x f f ) ( )' (
0 0 1
x x x f ) ( ) ( + (3.4)
at transpunere

unde cu prim s-a not a, iar f este gradientul lui f.

xerciiu. S se demonstreze echivalena Definiiilor 3.5 i 3.5.
0
x
E

Corolar 3.1.
( ) ( ) ) ( ) ( ) (
0 1 0 1 1 0 1
x x x x x x x f f f f
) (
(3.5)
l
ricrei drepte.

Cu alte cuvinte, panta unei funcii convexe este nedescresctoare de-a lungu
o

Definiia 3. 5 . Fie R K f : , o funcie dublu difereniabil pe K, m
deschis
ulime
ia f este convex dac este pozitiv
it
i convex n R
n
. Func ) (
0
2
x f d
semidefin (Definiia 6.2) pentru ( ) K
0
x .

Definiia 3.6. Fie , o mulime convex i o funcie continu.
ete strict convex dac
n
K R R K f :
f se num
( ) ( ) ( )
1 0 1 0 1 0
, 1 , 0 , ) ( ) ( ) 1 ( ) 1 ( x x x x x x + < + f f f (3.4)
3. Programare convex 45

concav dac f este convex i f se numete strict
oncav dac f este strict convex.
Definiia 3.7. Fie
n
K R , o mulime convex i R K f : o funcie
continu. f se numete
c

Exemple de funcii convexe: funciile liniare (sunt i concave), funciile ptratice
de forma
0
' '
2
) ( c f + + = x c Cx x x , unde C este o matrice pozitiv semidefinit
(xCx0 , ).
1

i funciile convexe Lema 3.2. Fie
n
K R , o mulime convex
m i K f
i
, 1 : = R . Dac , m i
i
, 1 , = , atunci
0
=
ate

Problema ei funcii convexe f pe o mulime convex K se
e e progr orma
=
i
i i
f f
1
este o funcie
convex pe K.

m

3.2. Extreme condiion

minimizrii un
numet problema d amare convex i se poate scrie sub f
{ }
= = m i g
i
n
, 1 , 0 ) (x x x R R
unde: f
f ( min x
(3.6)
i g
i
sunt funcii convexe pe R
n
.
Lema 3.3. Dac
)

( )
= g ,...,
1
g pe , atunci
n
g este convex
n
R
{ } a
n
) (x g R
este convex.
a = ) ( x R
Demonstraie. Fie ) ( ,
2 1
a R x x i [ ] 1 , 0 , ) 1 (
1 0
+ =
x x x . Din
convexitatea lui g avem
a a a = + +
1 0
) 1 ( ) ( ) ( ) 1 ( ) ( x g x g x g , adic ) ( ) ( a g R

Vo
x .
m nota R R = ) 0 ( . Mulimea R se mai numete i domeniul problem
ramare convex (3.6) sau
l) pentru problema de progr
ei
de prog mulimea soluiilor admisibile (regiunea
realizabi amare convex (3.6).

Consecina 3.2. Regiunea realizabil R dat de (3.6) este o mu

lime convex.
Definiia 3.8. Fie , o mulime nevid i o funcie .
n
K R R K f :

46
Punctul K
*
x este un maxim (minim) global pentru f pe K dac pentru
( ) K x avem ) (
*
x x f( ) f ( ) ) ( ) (
*
x .
astfel
x f f
Punctul este un maxim (minim) local sau relativ pentru f dac
nct pentru
K
*
x ( ) 0 > r
( ) { } K r B
n
r
< =
* *
x - x x x x R ) (
avem
) (
*
x x f( ) f ( ) ) ( ) (
*
x x f f .
Un minim global (local) pentru problema (3.6) se numete soluie global (local)
a unei p
oluiilor globale, R, este convex.
pentru problema (3.6) .

Teorema 3.1. Orice soluie local x
*
robleme de programare convex
(3.6) este o soluie global i mulimea s
Demonstraie. Fie x
*
o soluie local pentru problema (3.6), dar nu global.
Atunci ( ) R
1
x astfel nct ) ( ) (
*
1
x x f f < . Pentru [ ] 1 , 0 se consider
= 1 ( x
R +
1
) x x
*

(din convexitatea lui R ). Din convexitatea lui f rezult
( ) ) ( ) ( ) ( ) ( ) ( ) ( ) 1 ( ) (
* * * *
x f
1 1
x x x x x x f f f f f f < + = + .
Pentru suficient de mic, afl n vecintatea lui x
*
i inegalita
s contrazice proprietatea de o m local a lui x
*
. Astfel, soluia local este i
Pentru a arta c R este convex, se d
i

x se tea de
mai su pti
global.

consi er
[ ] 1 , 0 R
1 0
, x x ,
1 0
) 1 ( x x x
+ = .
Deoarece x
0
, x
1
sunt soluii globale, au loc relaiile
f(x
0
)=f(x
1
) i ) ( ) ( ) ( ) 1 ( ) (
0 1 0
x f f f f = +
x x x ,
adic ) ( ) (
0
x x f f =
i astfel R
, ceea ce R este x arat c convex.

Corolar 3.2. Dac f este strict convex pe R , atunci orice soluie global este
Demonstraie. Fie i
unic.
R
1 0
x x ( ) 1 , 0 . Atunci
R
x i ) ( ) ( ) (
1 0
x x x f f f =
,
iar din convexitatea strict a lui f avem
) ( ) ( ) ( ) ( ) 1 ( ) (
1 0 1 0
x x x x x f f f f f = = + <

i s-a obinut o contradicie. Aadar, nu pot exista dou soluii globale distincte n
R pentru problema (3.6).

Teorema 3.2. n problema (3.6) dac f i g
i
, m i , 1 = sunt de clas C
1
(R ) i
dac
( ) I E I
I E L
=
= =
i g j
j g i g
i i j
j i x
; 0 ) ( ; , 0
; , 0 ) ( ; , 0 ) ( , 0 ) ,
* * *
* * *
x
x x x

*
(

(3.7)
unde :
+ =
i i
g f ( ) ( ) , ( x x x L
i
) este funcia lagrangian, E este mulimea
ti, I
i x este o solu (3.6).
Fie
indicilor restriciilor egali este mulimea indicilor restriciilor inegaliti
din (3.7), atunc
*
ie global pentru problema
emonstraie. D
*
x . Atunci, deoarece , x xR i 0
0 x g ) ( , f i
sunt convexe, din ipotez avem c
* * *
= +

g 0 ) ( ) (
1 =
m
g f x x ,
innd cont i de relaia (3.4), avem
i
i i
0 ) (
* *
= x
i i
g
i,
+ + +

) ( ) ( ) ( ) ( ) ( ) (
* * *
=
*
m
1
x x x x x x x f f g f f
i
i i

( ) =
+ +
) ( ) (
* * *
=
*
x x x x
i i
m
i
g g
1 i
) ( ) ( ) ( ) ( ) (
* *
x x x x f f
m
+ =
*
1
* * *
x x f g
i
i i
=
=
.
Aadar, ) ( ) (
*
x x f f i astfel x
*
este soluie global.

Definiia 3.9. O restricie inegalitate 0 ) ( x
i
g se numete activ ntr-un punct
admisibil x
*
dac i inactiv dac .
Urmtoarea teorem afirm c optimalitatea unei soluii a problemei de
c se nltur restriciile p
le transform

eorema 3.3. Dac x
*
este o soluie a problemei (3.6), atunci x
*
este i o soluie
problemei restrnse
, , 0 ) (
*
E i g
i
x
(3.6)
0 ) ( =
*
x
i
g 0 ) ( <
*
x
i
g

programare convex (3.6) nu se modific da e care soluia
n inegaliti stricte.
T
a
) ( minf x

unde { } 0 ) ( = =
*
x
i
g i I E E
*
.
Demonstraie. Presupunem c x nu este soluie a problemei (3.6), adic
( )
*
n
R x , soluie a problemei (3.6), astfel nct
*
E i g
i
, 0 ) (x i ( ) ( ) R x . (3.8)
ie
< x x , ) ( f f
F ( ) 1 0 , 1 < < + =
*
x x x . S artm c pentru suficient de mic
este o soluie pentru problema (3.6) mai bun dect x
*
, adic
x
( ) ) (
*
x x f f <
.

48
Mai nti s artm c R
x , ad pentru problema
(3.6
ic este un punct admisibil
). Din convexitatea , funciilor
i
g m i , 1 = , pentru orice ( ) 1 , 0 avem
( ) ( ) ( ) ( ) ( )
*
+ g
i
x E i g g
i i
, x
i
( )
0 1
*
x
( ) ( ) ( ) ( )
*
< j g g , 0
*
x , E + g
j j j
1 x x
eoarece ( ) ( ) ( )
*
E < j g
j j
, 0 , 0
*
x . Din convexitatea funciei f i din g x d
(3.8) rezult
) ( ( ) ( ) ( ) ( )
* *
x x f f f <
Inegali p ctului x
*
de a fi
luie optim pentru problema (3.6). Aadar, un astfel de punct
x x f +
1 (3.9)
tatea (3.9) este n contradicie cu proprietatea un
x so nu exist.
Convenim ca admisibile este o
ve un punct admisibil x restrng domeniul de
admisibilitate n vecintatea punctului x , n timp ce restriciile inactive nu au
tatea punctului x . Aadar, n studiul proprietilor unui extrem
ate
care restricii sunt active pentru rezolvarea problemei (3.6), soluia ar fi un
roblemei obinute din (3.6) prin ignorarea restriciilor inactive i tratarea
lema (3.6) poate fi

orice restricie (3.6) cu egalitate, n punctele
restricie activ. Restriciile acti ntr-
influen n vecin
local atenia se poate concentra numai asupra restriciilor active. Dac s-ar cuno
minim
local al p
restriciilor active ca egaliti. Astfel, pentru soluii locale, prob
privit numai cu restricii egaliti.

Definiia 3.10. Un punct K care satisface restriciile
*
x E = i g
i
, 0 ) (x se
i
i
, sunt liniar independeni.
azul restriciilor egaliti
rema 3.4. n problema (3.6) considerm c g
i
(x)=0,
numete regulat dac vectorii g ) (
*
x E

3.2.1. C

Acest caz reprezint bine cunoscuta problem a extremelor cu legturi (sau
extreme condiionate).

m i , 1 = Teo i f i g
i

sunt difereniabile, iar matricea jacobian
c

=
n
x x
1
1
1
J
L

n
m m
x
g
x
g
g g
) ( ) (
) ( ) (
*
1
*
* *
x x
x x
L
O

u
Atunci exist
are n x
*
rangul m , x
*
fiind un punct regulat care realizeaz n minim local.
numerele R
m
, asfel nct 0 ) ( ) (
1
* * *
= +

=
m
i
i i
g f x .
Numerele
1
x
,...,
m
se icator i lui Lagrange.

nu ipl i mesc mult
3.2.2. Cazul restriciilor inegaliti

Un rol esenial n rezolvarea problemei (3.6) cu I l au condiiile Kuhn-
Tucker.
Pentru demonstrarea condiiilor Kuhn-Tucker (cunoscute i sub denumirea de
Lema 3.4. (Farkas-Minkowski) Fie
condiii optimale de ordinul I) avem nevoie de lema Farkas-Minkowski a crei
demonstraie o omitem (Henry-Labordere, 1995).

m rang
m,n
= ) ( , ) ( A A R M i presupunem
c
i ( )
m
x R 0 Ax 0 x c .
Atunci exist multiplicatorii n i
i
, 1 , 0 = astfel nct vectorul c se scrie sub
forma , unde
t
A c = ( )
=
n
, , ...,
2 1
.

Definiia 3.11. Fie un punct R
*
x de extrem local (global) pentru problema
(3.6) i un ir ( ) R
1
) (
k
k
x astfel nct ( ) x x
k
k ) (
,
) ( ) ( k k
s x x
(k)
= , iar
0 , 1
) ( ) (
> =
k k
s . Vectorul se numete direcie admisibil
(realizabil) n .

Notm
C
a
={sR
n
s este direcie admisibil n x
*
}
conul direciilor admisibile n i
) (
lim
k
k
s s

=
*
x

*
x ,
{ }
*
E = i g C
n t
, 0 ) (
*
i
x s s R
conul tangent n la R.
Ipoteza de calificare a restriciilor ntr-un punct de extrem este dat de relaia
. (3.10)

Se poate demonstra urmtoarea propoziie (Fletcher, 1981).

Propoziia 3.1. Ipoteza de calificare a restriciilor (3.10) are loc dac :
i) restriciile cu indicele sunt liniar independente, sau
ii) vectorii sunt liniar independeni.

*
x
t a
C C =
*
E i
*
E i g , ) (
*
i
x

50

Considerm c :
E , I i E+I=mn ,
x
*
punct adm
f, g
i
sunt dife
vectorii
isibil d un minim local,
reniabile i
{ } { } I E = j b g g i g
j j j i
, ) ( ) ( , ) (
* * *
x x x sunt independeni.
eorema 3.5. (Condiiile Kuhn-Tucker) n ipotezele de mai sus, condiia necesar
s existe
multiplicato

T
i suficient pentru ca x
*
s fie o soluie a problemei (3.6) este
rii m i , 1 , = R , astfel nct
i +
) (i
( ) n i
f
i i i
, 1
* * *
=
I E

ii)
x
x g
x
x g
x
x
k
k
k
k
, 0
) ( ) ( ) (
=
+

k k

( ) ( ) I = k b x g
(
k k k

Demonstraie. Condiiile Kuhn-Tucker sunt necesare. Din ipoteza de calificare a
*
, 0 ) (
*
restriciilor n x rezult c E i g , 0 ) (
*
i
x s i deoarece pentru ( )
a
C s
avem
( ) ) ( , ) ) ( ) ( ) (
* ) ( ) ( * ) ( ) ( * ) (
x x x s x x
r
k k k k k
B ( f f f + + = O .
Dar
0 ) ) ( ) ( ) (
) ( * ) ( ) ( * ) (
+
k k k k
( f f f O x s x x .
mprim relaia de mai sus la 0
) (
>
k
i trecem la limit pentru k i
obinem c 0 ) (
*
x s f . n Lema Farkas-Minkowski, nlocuind x cu s i A
cu ) (
*
x g
E
, rezult c ( ) 0
E
, astfel nct ) ( ) (
* *
x g x
E E
= f , unde
) (
*
x g
E
este matricea care are ca linii E i g , ) (
*
x . Considerm vectorul
i
[ ]
n
R 0 ,
E
i ) ( ) (
* *
x g x , = f cu proprietatea c 0 ) ( =
*
x g =
egalitate evident, deoarece
( )
* *
E I E = = j i g
j i
, 0 , , 0 ) (
*
x .
Condiiile Kuhn-Tucker s t ma 3.2 se consider b=0 i
*
mai este necesar
rii re
n capitolele 4, 5 i 6 func cazuri particulare de fu
convexe, iar restriciile sunt liniare, deci ii prezentai n a
apitole se bazeaz pe particularitile fiecrui tip de problem.
un suficiente. n Teore
rezult c x este soluia problemei (3.6) .

Se observ c p t fi i i enru su c ena condii lor Kuhn-Tucker nu
striciilor. ipoteza calific

iile obiectiv sunt
convexe. Algoritm
ncii
ceste
c

4.1.1. Utilizarea optim a resurselor
poziie (materie prim, for de munc, maini-
unelte, resurse financiare etc.) sunt n cantiti limitate. Fie i numrul de ordine al
resursei i fie b
i
cantitatea disponibil din resursa i. Cu ajutorul acestor resurse se
pot desfura mai multe activiti (de exemplu: procese de producie).
Fie j numrul de ordine al activitii desf i fie x
j
nivelul (necuno
la care trebuie s se desfoare aceast activitate. De exemplu, pentru procesul de
producie j, care const n fabricarea unui anumit produs, se noteaz cu x
j

cantitatea ce va fi produs. Fie a
ij
cantitatea din resursa i necesar producerii
resursei
)
vident o simplificare a situaiei reale.
Cu aceste notaii se
cantitatea din resursa ii x
j
, care este a
ij
x
j
;
cantitatea total din resursa i folosit pentru producia total format din n

4. PROGRAMARE LINIAR

4.1. Exemple de probleme de programare liniar

Un manager de agent economic trebuie s rezolve destul de des urmtoarea
problem (Zidroiu, 1983):
Resursele pe care le are la dis
urate scut)
unei uniti din produsul j. Se presupune c a
i j
nu depinde dect de tipul
i de tipul produsului realizat (j) i nu de cantitile produse, ceea ce constituie (i
e
pot determina mrimile urmtoare:
i folosit pentru producerea cantit
produse:
a
i1
x
1
+a
i2
x
2
+...+a
in
x
n
.
Deoarece nu se poate consuma din resursa i mai mult dect cantitatea de care
se dispune, trebuie s fie respectate condiiile:
a
i1
x
1
+a
i2
x
2
+...+a
in
x
n

b
i
, () 1 i m,
sau
=
a nu po
condiiile de
n
j
i j ij
b x a
1
, i{1, 2,..., m}.
(4.1)

x
j
reprezentnd cantitatea ce trebuie produs din sortimentul j, e ate fi
un numr
x 0, j{1, 2,..., m}.
negativ:
j
(4.2)
Inec ),
nenegativitate.
uaiile (4.1) se numesc restriciile problemei, iar (4.2


52
Sistemul de inecu vea o infinitate de solu
lu
Adoptarea unei variante de plan (luarea unei decizii) se face pe baza unui
ie maxim.
Dac se noteaz cu c
j
preul de vnzare al unei uniti din produsul j i cu d
j

costul unitar pentru acelai produs (se presupune, pentru simplificarea problemei,
c att preul de vnzare ct i costul nu depind de cantitatea produs, ceea ce nu
aii liniare (4.1) i (4.2) poate a ii, o
so ie sau nici una. Pentru problemele corect puse, cel mai frecvent este cazul cu o
infinitate de soluii.
criteriu economic, ca de exemplu venitul sau profitul s f
prea este n concordan cu realitatea), atunci venitul total va fi:
n
=
oducie , i deci profitul obinut va fi:
j
j
n
j
n
j
j j j
x x d x c

= = =
1 1 1
)
Problema care se pune acum etermina acea variant de plan
acea soluie a sistem are d pentru profitul (4.3)
in acea problem economic s-a obinut
0
j
x
Aceasta este o problem de programare liniar, sau program liniar.

4.1.2. Problema de transport

Se consider c e (depozite) i n ce
a
fi transportat de la depozitul i la
(4.5)
cantitatea transportat de la toate cele m depozite la centrul de consum j
j
j j
x c
1
, iar
cheltuielile de pr

=
n
j
j j
x d
1
j
n
j j
d c
= (
(4.3)
este de a d , adic
ului de inegaliti (4.1), (4.2) c
valoarea maxim. n acest moment, d
rea problem matematic: urmtoa
=
=
1
1
i
n
j
j ij
j
j j j
b x a
(4.4)
) ( max
n
x d c

exist m centre de aprovizionar
lucru, uzine, magazine etc.). Se pu
ntre de
ermine consum(puncte de ne problem s se det
un plan de transport pentru un produs omogen care se afl n cantitatea a
i
la
depozitul i (1 i m) i este cerut n cantitatea b
j
la centrul j (1 j n). Se
noteaz cu x
ij
cantitatea necunoscut ce a v
centrul de consum j i cu c
ij
costul transportului unei uniti din produsul
considerat de la depozitul i la centrul j (pentru simplificare se presupune c acest
cost unitar nu depinde de cantitatea transportat pe ruta respectiv).
Se pot exprima atunci urmtoarele mrimi:
cantitatea cerut de la depozitul i la toate cele n centre de consum
a
i
=x
i1
+x
i2
+... +x
in
=cantitatea aflat la depozitul i,
4. Programare liniar 53

b
j
=x +x +...+x =necesarul la centrul de consum j, (4.6)
costul transp x
ij
.
O condiie evident este
x
ij
0, 1 i m, 1 j n . (4.7)
Pentru a putea efectua transportul este necesar ca
j
j
m
i
i
b a
1 1
,
it i condiia de balansare sau de echilibru.
Sistemul de ecuaii (4.5), (4.6) are o infinitate de soluii. Dintre acestea trebuie
inim. Se obine as
rogram liniar:
1j 2j mj
ortului de la depozitul i la centrul de consum j este c
ij

Costul total al transportului de la toate cele m depozite la toate cele n centre
de consum este
= =
m
i
n
j 1 1
.
ij ij
x c

= =
=
n
egalitate num

alese cele care dau costului total de transport valoarea m tfel un
p
= =
, 1 i m
(4.9)
=1
(4.10)
m i se cere determinarea
1 i m, 1 j n, care s minimizeze cheltuielile
m
i
n
j
ij ij
x c
1 1
min
(4.8)
i
n
j
ij
a x =
=1
j
m
b x =
, 1 j n
i
ij
x
ij
0, 1 i m, 1 j n, (4.11)
care se numete program de transport.

Programe liniare de acelai tip pot s apar i n urmtoarea situaie.
Trebuie aprovizionat un grup de uzine dirijate de un centru comun, avnd la
dispoziie m centre de aprovizionare, n puncte de consu
unui plan de transport (x
ij
),
totale de transport:
m n
ij ij
x c min
= =
,
(4.12)
=1
m
(4.13)
, 1 j n
x
ij
0, 1 i m , 1 j n, (4.15)
i j 1 1
n condiiile
i
n
a x
, 1 i
j
ij
j
m
i
ij
b x
=1
(4.14)


54
unde a
i
, 1 i m, sunt c zitare, b
j
, 1 j n, sunt
antitile necesare uzinelor, iar c
ij
este costul unitar de transport de la depozitul i
uzina j. Pentru a avea soluii trebuie ca
,
j n, capacitile de depozitare ale punctelor de desfacere, se obine un model
e de inecuaii (4.13), (4.14) i schimb sensul.
optim a fondurilor financiare

Avnd la dispoziie o sum total S care poate fi investit n diverse activiti
j, 1 j n, fiecare producnd un anumit profit unitar a
j
, 1 j n, se pune
problema determinrii sumei x
j
, 1 j n, investit pentru activitatea j, astfel
nct s se obin un profit maxim, adic:

apacitile centrelor de depo
c
la

= =

n
j
j
m
i
i
b a
1 1
.
Problema se poate pune i invers, considernd problema unui plan de transport
de la mai multe uzine i la punctele de desfacere j.
Dac a
i
, 1 i m, reprezint acum capacitile de producie ale uzinelor, b
j
1
similar n care grupuril

4.1.3. Alocarea

n
=
j j
x a max
(4.16)
j 1
n condiiile:
n
S x
j
j
=
=
x
j
0, 1 j n . (4.18)
plicat dnd anumite reguli suplimentare n legtur
cu posibilitatea de investiie, cu e investiiilor i neliniaritatea
profitului total.

4.1.4. Gestionarea optim a unui depozit

d
tr
1

(4.17)

Problema mai poate fi com
exist na unui risc al

S considerm problema funcionrii unui depozit care cumpr i vinde un
anumit produs cu scopul maximizrii profitului pe o anumit durat de timp.
Depozitul are o anumit capacitate fix S i un cost unitar de stocare h . Preul
produsului fluctueaz de-a lungul perioadei de analiz, ar pe durata unei uniti de
timp preul de achiziie i preul de vnzare sunt acelea i. Depozitul este iniial gol
i ebuie s rmn gol la sfritul perioadei de analiz.
Modelarea problemei. Fie

x
i
stocul din depozit la nceputul perioadei i,
d
i
cantitatea achiziionat n perioada i,
b
i
cantitatea vndut n perioada i i
p
i
preul pe perioada i.
Dac sunt n intervale de timp avem:
( )
=

n
i
i i i
hx b p
1
max
=
+
= +
= + =
+
0 , , , 0
0
1 , 1 ,
1
1
i i i
i i
n n n
i i i i
b d x x
S d x
b d x
n i b d x x

(4.19)
Se obine astfel o problem de programare liniar.

aliment conin
zilnic uniti. Se
pre entul j. S
se d r atisface minimul nutriional cerut.

Modelarea problemei
entul i coninut n diet. Trebuie
minimizat c
diente nutriionale

4.1.5. Problema dietei
Se presupune c exist n alimente diferite, cu preul unitar c
i
pentru
ul i, din care trebuie s se pregteac o diet. Dieta trebuie s
i din fiecare ingredient j, m ingrediente nutritive minimum b
j
sup ne c o unitate din alimentul i con
ete mine cea mai economic diet care s
u ine a
ji
uniti din ingredi
Se noteaz cu x numrul de uniti din al
i
im
ostul total al dietei
min {c
1
x
1
+c
2
x
2
+...+c
n
x
n
}
supus la rest ingre riciile urmtoare date de coninutul n
n n 2 2 2 22 1 21
M M

+ + +
+ + +
+
x
b x a x a x a
b x a x a x a
b x a
m n mn m m
...
...
2 2 1 1
1 1 11
Problema care a rezultat este tot o problem de programare liniar. Acelai tip
e p
= n i
i
, 1 , 0
+ + x a x a
n n
...
1 2 12

d roblem poate aprea n realizarea amestecurilor de tip mortar, beton etc.


56
4.2. Diferite forme ale problemelor de programare liniar

Scris matriceal, cea mai general problem de programare liniar are forma
(Zidroiu, 1983)
=
2
3
1 11
b x
b x A

(4.20)
se impun condiii de
variabilelor asupra crora se impun condiii de nepozitivitate,

min [
3
3
2
2
1
1
x c x c x c + + ]
+ +
23
2
22
1
21
A x A x A
+ +
3
13
2
12
1
x A x A
3 33 32 31
b x x A
x
+ +
3 2 1
x A A
1
0, x
2
oarecare, x
3
0
unde x
1
este vectorul variabilelor asupra crora
nenegativitate, x
2
vectorul variabilelor asupra crora nu se impun condiii de
semn, x
3
vectorul
A
ij
submatrice a matricei A , ale crei elemente sunt coeficienii componentelor
vectorului x
j
, iar b
i
sunt subvectori ai vectorului b ( ) 3 , 1 j i . Prin x 0 se
va nelege c fiecare component a vectorului x este nenegativ.
triciile sunt ecuaii
ativitate
Se spune c o problem are forma standard dac toate res
i tuturor variabilelor li se impun condiii de neneg
=
=
min(max) x c
x
b Ax
0
n
i
i i
x c
1
x c
(4.21)
Se spune c o problem are forma canonic dac toate restriciile sunt inegaliti
de acelai sens i tuturor variabilelor li se impun condiii de nenegativitate
0 x
b Ax
x c min
(4.22)

x c max
0 x
(4.22)

b Ax
invers se bazeaz pe urm
Observaia 4.1. Orice problem de forma (4.20) poate fi adus la forma standard
(4.21) sau forma canonic (4.22) folosind urmtoarele transformri:
i) transformarea maximului n minim i toarea
egalitate:
{ } ) ( min ) ( max x x f f
X x X x
=

ii) transformarea sensului unei inegaliti se realizeaz prin nmulirea cu 1

bil nenegativ x
v) transformarea ecu
= x a b
lgoritmului (Zidroiu, 1983).
M (R) o
at
stemul Ax =b devine:

B
ie s mete soluie de baz (deoarece B fiind nesingu
oloanele sale constituie o baz n R
m
).
Variabilele p
Se numete are exact m
omponente nenule.
Se numete soluie degenerat o soluie de baz care are i componente nule.
iii) o variabil x creia nu i se impun condiii de semn se nlocuiete cu
diferena a dou variabile nenegative
x = x
1
x
2
, x
1
0 , x
2
0
iv) o variabil x 0 se nlocuiete cu o varia
aiilor n inecuaii
b x a
b x a
vi) transformarea inecuaiilor n ecuaii
a'x b se poate scrie ca o ecuaie
a'x+y=b,
introducnd o variabil y 0 numit variabil ecart;
a'x b se poate scrie ca o ecuaie
a' x y=b, y 0.

Variabilele ecart nu apar n funcia obiectiv (sau apar cu coeficieni nuli).

4.3. Algoritmul simplex

Acest algoritm (datorat lui G. B. Dantzig, 1951) se aplic problemelor de
programare liniar sub forma standard. Sunt necesare cteva noiuni de baz pentru
prezentarea a
Fie sistemul de ecuaii Ax =b, AM
m,n
(R), rang A =m. Fie B
m,n
m rice ptratic nesingular extras din A i notm x
B
vectorul variabilelor
corespunztoare coloanelor lui B. Notm cu S partea din matricea A care mai
rmne i cu x
S
variabilele corespunztoare. Si
[ ] b
x
BS =
S
sau Bx
x
B
+Sx
S
=b. (4.23)
Astfel, n (4.23) lum x
B
variabile principale i celelalte x
S
, variabile
secundare i avem
x
B
=B
1
bB
1
S x
S
. (4.24)
Anulnd variabilele secundare avem
x
B
=B
1
b , x
S
=0. (4.25)
O astfel de solu e nu lar,
c
rincipale se numesc variabile de baz.
soluie nedegenerat o soluie de baz care
c

Se numete soluie admisibil sau program o soluie a sistemului de ecuaii
i inecuaii (4.1) ce verific i condiia de nenegativitate (4.2).
Notm R ={x R
n
x program}, z
*
=min{c'xx R
n
} .

58
Convenim s punem z
*
=+ dac R =.
Dac z
*
=, spunem c problema are optim infinit.
Dac z
*
este finit, atunci x
*
R cu proprietatea c z
*
=c' x
*
se numete
lu
r optime.
cel p .
(ii) Dac problema de programare liniar b forma standard (4.21) are un
program optim, atunci are i un program de baz optim.
Demonstraie.
ele matricei A cu a
1
, a
2
, , a
n
i se presupune c x=(x
1,
x
2
,
, x
n
) este o soluie admisibil i atunci are loc relaia
x
1
a
1
+x
2
a
2
+ .
supune c exact p m dintre variabilele x
i
sunt diferite de zero i c acestea
hiar primele. Atunci
x
1
a
1
+x
2
a
2
++x
p
a
p
=b.
oloanele a
1
, a
2
, , a
p
pot fi liniar independente sau liniar dependente.
Cazul I. Presupunem c a
1
, a
2
, , a

sunt liniar independente. Dac
aia se ncheie. Dac p<m , atunci, deoarece
ane din cele np rmase, astfel nct cele
nte. Atribuim valoarea zero variabilelor
te i obinem o soluie de baz degenerat.
1
, o
y a +y a ++y a =0 (4.27)
i avem
(x
1
y
1
)a
1
+(x
2
y
2
)a
2
++(x
p
y
p
)a
p
=b (4.28)
Notnd cu y=(y
1
, y
2
,,y
p
, 0, 0,,0) observm c pentru orice
xy (4.29)
o soluie a sistemului de ecuaii Ax=b. Pentru =0 aceasta se reduce la
soluia iniial admisibil. Deoarece am presupus c mcar o component y
, atunci cel puin o component va deveni zero o dat cu creterea lui .
Alegem
so ie optim sau program optim.
Notm cu R
*
mulimea soluiilo
Soluia de baz a problemei de programare liniar sub forma standard se
numete program de baz (x =0 este program de baz dac x=0 este program).

Teorema fundamental a programrii liniare st la baza algoritmului simplex
(Luenberger, 1989).

Teorema 4.1.
(i) Dac problema de programare liniar sub forma standard (4.21) are un
program, atunci are uin un program de baz
su
(i) Se noteaz coloan
+x
n
a
n
=b
Se pre
sunt c
(4.26)
C
p
p=m
atunci soluia este de baz i demonstr
A are rangul m, se pot gsi mp colo
e m coloane s fie liniar independ
orespunztoare celor mp componen c
Cazul II. Presupunem c a a
2
, , a
p
sunt liniar dependente. Atunci exist
combinaie liniar a acestor vectori egal cu zero
1 1 2 2 p p
n care cel puin o constant y
i
este pozitiv. Scdem din relaia (4.26) relaia
(4.27) nmulit cu
este
i
este
pozitiv
> = 0 min
i
i
i
y
y
x
.
Pentru orice valoare soluia dat de (4.29) este admisibil i are ce
p1 componente pozitive. Repetnd acest proces dac este necesar, putem elimina
l mult

componentele p
or care sunt liniar independente. Am ajuns n cazul I i se poate aplica
oluia dat de (4.29) este optimal. Pentru
(4.30)
Pentru suficient de mic, xy este o luie admisibil pentru valori
. Astfel putem concluziona c cy=0. Dac cy0
e m ic i semnul acestuia, astfel nct (4.30) s conduc la o
aloare mai mic pentru funcia obiectiv. Contradicie cu faptul c x este soluie

4.4. Fundamentele algoritmului simplex
Din Teorema 4.1 rezult c putem determina soluia problemei de programare
culm soluia de baz corespunztoare ,
mic sau cea
mai mare).
Dezavantajul ce apare const n volumul mare de calcule, chiar i atunci cnd
e
r de baz, mai precis de trecere de la un program de baz la altul care d
funciei obiectiv o valoare mai mare sau mai mic, dup cum problema e
z
niar nu are programe sau are optim
Astfel, dac B este o baz (s presupunem c B b 0), sistemul Ax=b se
poate scrie (Zidroiu, 1983)
sau
ozitive pn cnd avem o soluie admisibil corespunztoare
coloanel
acesta n continuare.
(ii) Fie x=(x
1,
x
2
, , x
n
) o soluie admisibil optimal care are exact p
m co ponente pozitive x
1
, x
2
, , x
p
. Din nou pot fi dou cazuri: coloanele
corespunztoare componentelor nenule pot fi liniar independente sau liniar
ependente. d
Cazul I. Coloanele sunt liniar independente. Este exact ca i la (i).
Cazul II. Coloanele sunt liniar dependente. Este ca i n cazul II de la (i) numai
c trebuie s artm c pentru orice s
aceast soluie, valoarea funciei obiectiv este
cx cy
so
pozitive sau negative ale lui
se poate d ter ina un m
v
optimal i astfel trebuie s presupunem c cy=0. Avnd stabilit c noua soluie
admisibil cu mai puine componente pozitive este optimal, restul demonstraiei
este ca la (i).

liniar sub forma standard astfel: pentru toate bazele B din matricea A (acestea
sunt, evident, n numr finit), cal b B
1
reinem dintre acestea doar pe acelea care sunt programe de baz (B
1
b 0) i
alegem pe aceea care d funciei obiectiv valoarea optim (cea mai

problemele sunt de dimnsiuni mici.
Algoritmul simplex d o metod de explorare sistematic i economic a
programelo
ste de
maximizare sau minimizare. De asemenea, algoritmul furnizea criterii pentru
cazurile n care problema de programare li
infinit.
1
x
B
=B
1
bB
1
Sx
S

60
j
(4.31)
=
S j
B
j
B
B
x y x x
sau pe componente
nde
=
S j
j
B
ij
B
i
B
i
x y x x , i B,
(4.31)
u
b B x
1
=
B
(4.32)
(4.33)
r: a
j
este coloana j a matricei A ,
S={indicii variabilelor secundare},
B={indicii varia
bservaie 4.2. Pentru j B, , e
j
fiind vectorul unitate.
iectiv cu ajutorul variabilelor

B 1
j
j
a B y =
ia

bilelor de baz}.

O
j
B
j
j
e a B y = =
1

Folosind (4.31), putem exprima funcia ob
secundare x
S
astfel

=

+ = =
S B j i
i i j j
j
j j
x c x c x c z
1

j j
B
ij i i i j ij
n
x c y c =
B B B
x c x y
S B B S j i i j
sau
( ) =
B B
z

j j j
x c z ,
z
(4.34)
S j
unde
B
B
B
i i
B
x c z x c = =
,
iB
(4.35)

B
j
=
B
j B ij i
B
j
y c z y c = =
, (4.36)
)
j j
c z
i
( sunt numii coeficieni de cost redus sau coeficieni de cost
relativ.
Pentru simplificarea scrierii renunm la indicele superior B, nelegndu-se c
ele observaii ce rezult din
respunztor

este vorba de elementele corespunztoare bazei.
La baza algoritmului simplex stau urmtoar
teoremele prezentate n continuare (Zidroiu, 1983).

Teorema 4.2. Dac z
j
c
j
0, ( ) j S, atunci programul de baz co
bazei B, (x
B
=B
1
b, x
S
=0) este optim.

Demonstraie. P ste
B
z entru acest program valoarea funciei obiectiv e . Pentru
rice alt program x , deoarece x 0 rezult c o
j
( ) 0
j
j
i
B
j
x c z
S

i atunci
B
z z > .

Teorema 4.3. Dac ()k S cu z
k
c
k
>0, atunci programul asociat bazei B nu
tit dac x
k
ia valori pozitive.
este optim (cu excepia cazului n care programul este degenerat) i poate fi
mbun
Demonstraie. Dac exist S k cu proprietatea c z
k
c
k
>0, atunci programul
asociat bazei B nu este optim
( ) 0 >
j i
B
j
x c z , iar
j S
B
z z <
(cu excepia cazului n care programul este degenerat) i poate fi mbuntit dac
x
k
>0.

eorema 4.4. Dac ()k S , cu z
k
c
k
>0, i dac y
ik
0, pentru () iB,
traie. Dac y
ik
0 () iB atunci
T
atunci problema are optim infinit.
k ik
B
i
B
i
x y x x = Demons , ( x
j
=0 pentru
S n g j {k}), iar creterea lui x
k
u face ne ativ nici o component de baz.
Atunci
=

k
x k k k
B
x c z z z ) (

Teorema 4.5. Dac z
k
c
k
>0, dar () y
ik
>0, atunci x
k
poate crete pn la
aloarea: v
k l ik
y i
y y ik
>0
l i
x x
min = ,
(4.37)
pentru care se obine un nou program de baz , asociat bazei B
~
din B , dedus
prin nlocuirea coloanei a
l

cu coloana a
k
.
Demonstraie. Dac y
ik
>0 ()iB, atunci pentru a pstra x
i
0 , tiind c
0 =
k ik i i
x y x x ,
atunci ( ) B i
y
ik
k
x
x
i
, cu proprietatea c y >0 . Atunci creterea max
lui x
k
este dat de (4.37).

Observaia 4.3. Dac exist mai muli indici k pentru care z
k
c
k
>0, ar fi
preferabil s se aleag acela pentru care
ik
im a
( )
k k
k l
l
c z
y
x


62
are cea mai mare valoare, ceea ce general, o scdere mai rapid a
func i obie tiv d un numr ma o trecere
de la un program de baz la altul).

Practic, se ia drept criteriu de alegere a lui k , acel k pentru care
c
k
m.
Acest criteriu se mai numete i criteriu de intrare n baz.
iteriu at (4.37 re t c r de e .

4.5. Enunul algoritmului simplex

e prob ma de programr lin r ub orma tan ard ( .21) Pentru
problem algoritmul simplex are urmtorul enun.
Pas 0. Se ter o ba n ic , u
asigur, n
ie c i i mic de iteraii (o iteraie reprezint
z
k
=maxi
Cr
Fi
l d de ) prezin rite iul ieir din baz
le ae ia s f s d 4 . aceast
de min z B matr ea A se calc leaz b B x
1
=
B
,
B
B
B
x c z = ,
j
B
j
a B y
1
= (a
j
coloanele din A), c
j
, 1 j
Pas 1 a)
toi c
j
0, jB, programul este optim. Stop.
2) dac ( c
j
>0, se determin k astfel nct:
oi y
ik
0, problema are optim infinit.
2) dac () y
ik
>0, se determin l astfel nct:
B
j
z n.
. Criteriu de intrare n baz
1) dac

B
j
z
)
B
j
z
z
k
c
k
=max{z
j
c
j
}.
b) Criteriu de ieire din baz
1) dac t

=
>
i
y i
k l
l
y
x
y
x
ik
0
min .
ik
Pas 2. Se nlocuiete n baza B vectorul a
l

cu vectorul a
k
, obinndu-se baza
B
~
, i se calculeaz
B
j
B B
z
~ ~ ~
j
B
j
c z
~
, , y x , 1 j n, , 1 j n,
conform cu (4.31), (4.34), (4.33) apoi se trece la pasul 1, nlocuind baza B
cu baza B
~
.

Observaia 4.4. Pentru o problem de maximizare:
0 x
trebuie modificat criteriul de intrare n baz astfel:
a'
Ax
x c
b
l nct
z
k
c
k
= min{z
j
c
j
}.

max
1
) dac toi z
j
c
j
0, programul este optim.
a'
2
) dac ()j pentru care z
j
c
j
<0, se determin k astfe

4.6. Tabelul simplex i transformarea sa

Presupunem c pentru o baz B am calculat z x
i
, , z
j
c y
ij
i le dispunem
ntr-un tabel numit tabel simplex (Tabelul 4.1). Presupunem c baza B este
format din primele m coloane ale matricei A.
Prima coloan (CVB) conine coeficienii din funcia obiectiv ai variabilelor de
baz.
A doua coloan (VB) conine variabilele de baz.
nd
aloarea funciei obiectiv pent orespunztor bazei B, adic
j
,
A treia coloan (VVB) conine valorile variabilelor de baz, ultima linie fii
ru programul de baz c v
B
z .
Coloanele urmtoare conin v nd grij ca pentru variabilele de
az =e
j
), iar ultima linie conine diferenele z
j
c
j
ectorii
B
j
y (av

B
j
y =
B
c y
i
c
j
. b

Observaia 4.5. Pentru variabilele de baz, z
j
c
j
=
B
c e
j
c
j
=c
j
c
j
=0.

Pentru calculul elementelor
B
j
z c
j
i
B
z ale primului tablou este util s
trecem coeficienii c
j
din funcia obiectiv n partea de sus a coloanelor respective.
S presupunem c a
k
trebuie s intre n baz n locul lui a
l
. Elementul y
lk
se
numete pivot i l evideniem nce
Pentru fiecare baz se alctui u a simplex (Tabelul 4.1).

Cum se calculeaz elementele noului tablou corespunztor noii baze ?
rcuindu-l.
ete cte n t bel
Elementele liniei k se mpart la pivot
k l
j l
B
kj
k l
l B
k
y
y
y
y
x
x = =
~ ~
; (4.38)
Elementele celorlalte linii se calculeaz cu regula dreptunghiului cu diagonala
principal cea a pivotului.
( ) ( ) l i
y
y y y
j l
ik ij
B
ij
=
~
(4.3
y
l i
y
x
y x x
k l k l
l
ik i
B
i
= ;
~
9)
Modificarea funciei obiectiv se face dup formulele de mai jos.
( ) ( ) ( )
k l
j l
k k j j j
B
j
k l
l
k k
B B
y
y
c z c z c z
y
x
c z z z = =
~ ~
; (4.40)

64
Tabelul 4.1
oeficie func i obie C nii ie ctiv

1

l

m
c
m+1

k
c
n
alegem min c c c c

CV VB
1
x
m

k
x
n
ik
i
y
x

x
l
x
m
x x B VVB
+1
c x
1 1
x
1
1 ... ... y
1,
...
k
... y
1,n
y
1,
0 0
m+1
M M M M M M M M M
l
x c
l
x
l
0 ... 1 ... 0 y
l,m+1
... y
l,k
... y
l,n

M M M M
M M M M M
C
o
e
f
i
c
i
e
n
i
i

v
a
r
i
a
b
i
l
e
l
o
r

d
e

b
a
z
n

c
i
a

o
b
i
e
c
t
i
v

c x
m
f
u
n
m
x y
m,
0 ... 0 ... 1 y
m
...
m ,m+1 k
... y
m,n

valoarea
f iei
obiectiv
unc 0 0 0
m+1 +1

alegem max
z
j
c
j
>0
z z c
m

n noul tabel n loc de
l
x n coloana VB.
Deoarece x
k
este variabil de baz, , a i
din (4 .40)

n problemele practice m, numrul liniilor matricei A, este m ai mic
dect n, numrul coloanelor, i atunci efortul de calcul trebuie redus la coloanele
e tabloului
rict necesare.
eprezentarea inversei
B E
e relaiile:
x este trecut
k
0 ,
~ ~
= =
k
B
k k
B
k
c z e y a cum rezult
.39) i (4 .
ult m
care sunt necesare n gsirea soluiei optime.
n algoritmul simplex revizuit se fac calcule doar pentru elementel
st

O variant a algoritmului simplex revizuit se bazeaz pe r
matricei de baz ca un prod (Luenberger, 1989),
obinute din matricea unitate, care au elementele coloanei p date d
us de matrice elementare
l
l
= i
y
v
k
ik
i
, i
y
k
y
v
l
l
= ,
y
1
l k
fiind pivotul.
nmulirea lui E la dreapta cu orice coloan a tabelului simplex este
echivalent cu aplicarea regulii dreptunghiului. Dac baza iniial n algoritmul
simplex este cea canonic (B=I
n
), atunci la iteraia a p-a, inversa matricei B este
, unde E
p
este o matrice elementar de forma dat mai jos
1 2 1
1
... E E E E B

=
p p

=
+
1 0
0 0
0 0 0
0 0 0 0 0
1 0 0
0 0 0
0 0 0 1
1
1
2
L L L
L L L L L L
L L
L L
L L L
L L L L L L L
L L
L L
v
v
v
l
l
E .
Astfel, y
k
coloana a k-a din noua baz
0
1
v
0 0
1 0
0
L
0 1
m
v
v
l
B
~
va fi calculat direct cu formula
y
k
=(E
p
.E
p-1
E
1
a
k
) .

4.7. Exemplu

S-a observat c n fiecare lun, mainile M
1
, M
2
, M
3
, ce lucreaz ntr-o
c
ina P
1
P
2
se ie a unei ntreprinderi, nu sunt folosite 8 ore, 24 de ore i respectiv 18 ore
(Vduva et al, I, 1974). Se ia hotrrea s se foloseasc i acest timp, punndu-le s
lucreze la fabricarea a 2 produse suplimentare, P
1
i P
2
, ca produse anexe ale
seciei, care aduc un profit la unitatea de produs fabricat de 4 i respectiv 3 u. m.
Timpul necesar de lucru la fiecare main este, pe fiecare produs, dat de Tabelul
4.2.
Tabelul 4.2
Ma
M
1
2 1
M 3 2
2
M 3
3
1
S se determine planul de producie al seciei pentru produsele P
1
i P
2
care
s dea un profit maxim.

Rezolvare
a) Modelarea problemei. Fie x
1
, x
2
cantitile din produsele P
1
i P
2
ce trebuie
fabricate. Formularea matematic a problemei este
sau
+
+
+ =
8 2
0 ,
18 3
24 2 3
} 3 4 max{ max
2 1
2 1
2 1
2 1
2 1
x x
x x
x x
x x
x x z

= + +
= + +
= + +
+ =
5 , 1 , 0
18 3
24 2 3
8 2
3 4 max
5 2 1
4 2 1
3 2 1
2 1
i x
x x x
x x x
x x x
x x z
i

dup adugarea variabilele de compensare

66
b) Tabelul simplex i calculele aferen
corespunztoare primei iteraii sunt pezentate n Tabelul 4.3.
elul 4.3
4 3 0 0 0 alegem min
te
Calculele

Tab
ik
i
y
x

CVB VB VVB x x x x
5 1 2
x
3 4
0 x 8 2 1 1 0 0
3
4 =
2
8

0 x
4
24 3 2 0 1 0 8
24
3
=
0 x 18 1 3 0 0 1 18
1
5
18
=
valoarea
funciei
obiectiv z z
0 4 3 0 0 0
alegem min
j
c
j
<0
4 x
1
4 1
2
1

2
1
0 0 8
0 x
4
12 0
2
1

2
1
1 0 24
0 x
5
14 0
2

5
2
1
0 1
5
28

valoarea
funciei
obiectiv z
16 0 1 2 0 0
alegem min
z
j
c
j
<0

La prima iteraie a ieit din baz x
3
i a intrat x
1
, iar la iteraia a doua a ieit
din baz x
5
i a intrat x
2
. Iteraia a doua este prezentat n Tabelul 4.4.

c) Culegerea rezultatelor din tabelul simplex final
Maximul funciei de optimizat este 21.6 i se obine pentru
x
1
=1.2 ; x
2
=5.6 ; x
3
=0 .
Soluia de baz este nedegenerat. Valorile variabilelor auxiliare
x
3
=0 ; x
4
=9.2 ; x
5
=0 ,
arat c soluia optim face egaliti doar restriciile 1 i 3 , adic se folosete
integral timpul la aceste maini, iar cea de-a doua inegalitate arat c prin aceast
soluie nu se utilizeaz integral timpul celei de-a doua maini.


Tabelul 4.4
ik
i
y
x

CVB VB VVB x
1
x
2
x
3
x
4
x
5
4 x
1
5
6
1 0
5
3
0
5
1
8
0 x
4
5
46
0 0
5
2
1
5
1
24
3 x
2
5
28
0 1
5
1
0
5
2

5
28

valoarea
funciei
obiectivz
21.6 0 0
5
9
0
5
z
2

alegem min
j
c
j
<0

Vom
Scientist. La
dup apsar
pentru rezol
Sele m
New. n r
tipul pro

rezolva aceast problem utiliznd pachetul de programe Management
lansarea programului se afieaz pe ecran fereastra de prezentare apoi
ea butonului Continue apare fereastra care permite selectarea modulului
varea problemelor de programare liniar ca n Figura 2.4.
ct acest modul i n fereastra care apare din submeniul File alegem
feeastra Problem Features precizm numrul de variabile, de restricii i
blemei, ca n Figura 4.1.

Figura 4.1

Dup apsarea butonului OK, apare fereastra n care se introduc coeficienii
funciei obiectiv i restriciile problemei, ca n Figura 4.2.

68

Figura 4.2

Dup e
fereastra cu

Obj ect i

Var i abl e Val ue Reduced Cost s
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
X1 1. 200 0. 000
X2 5. 600 0. 000

Const r ai nt Sl ack/ Sur pl us Dual Pr i ces
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
1 0. 000 1. 800
2 9. 200 0. 000
3 0. 000 0. 400

O I VE COE T RANG

Var i abl e Lower Li mi t Cur r ent Val ue Upper Li mi t
X2 No Lower Li mi t 3. 000 No Upper Li mi t

RI GHT HAND SI DE RANGES
r a Li mi t Cur r ent ue Upp Li mi t
1 r Li m 000 No U er Li mi
2 No Lower Li mi t 24. 000 No Upper Li mi t
3 No Lower Li mi t 18. 000 No Upper Li mi t
c sau introdus datele, pentru rezolvare se apas butonul Solve i apare
rezultate ca n Tabelul 4.5.
Tabelul 4.5
ve Funct i on Val ue = 21. 600
BJ ECT FFI CI EN ES
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
X1 No Lower Li mi t 4. 000 No Upper Li mi t

Const i nt Lower Val er
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
No Lowe i t 8. pp t

ele inute i n urma a ul x.

ia a tre e fice
coeficientul variabilei respective n funcia u bila fie
pozitiv o variabil este deja
pozi nc te ze
Rezultat sunt cele ob plicrii algoritm ui simple
Informa din coloana Reduced Costs rat cu ct ar bui s s modi
obiectiv pentr ca varia s
n soluia optim (Anderson et al, 1998). Astfel, dac
tiv, atu i costul redus es ro.

Informaiile despre restricii (Constraint) din Tabelul 4.5 se re
Sla lu an d lorile ili restriciile
sunt verificate cu inegaliti stricte, atunci variabilele auxiliare sunt nenule, altfel
vor fi nule.
Dual prices conin ale ale resurselor. n
Management Scientis ea valorii optime a
funciei obiectiv cores termenului liber al
restriciei . Pentru restric uri vor fi nenule.
Pentru restriciile cu inegaliti str i sunt nule, din cauza nefolosirii
integrale a resurselor disponibile.
Seciunea tive C ent es co or
obiectiv) d n care pot varia coeficienii funciei obiectiv astfel nct
s rm ptim.
Ultima ht Hand Side Ranges (intervalele termenilor liberi) conine
i le n c ar trebu se m in termenii liberi pentru ca preul dual
asociat restriciei s rmn nemodif

Observaia 4.6. ii prezentat
si terme vari un moment dat, ceilali la
i

Aceea oate ezolv i utiliznd Solver-ul din Excel. Mai nti
se creeaz foaia electronic de calcul cu datele de intrare, ca n Figura 4.3.
Celulele D13D14 sunt consid scutele x
1
x
2
, celulele H7H9
conin restriciile problem 8*D13+C8*D14, H9=
B9*D13+C9*D14, iar celula izat.

fer la:
are. Dac ck/Surp s aceast colo va variabilelor aux
e informaii despre valorile margin
t un pre dual nseamn mbuntir
punztoare creterii cu o unitate a
iile verificate cu egalitate aceste pre
icte aceste preur
Objec oeffici Rang (intervalele eficienil n funcia
intervalul
n o oluia s
seciune Rig
are ntervale i s en
icat.
Analiza sensibilit
n liber
mai sus se bazeaz pe faptul c
rmnnd
un
valorile ngur az la
niiale.
i problem p fi r at
erate necuno
ei H7=B7*D13+C7*D14, H8=B
D3 =B10*D13+C10*D14, funcia de optim

Figura 4.3

70
Pentru rezolvarea acestei probleme folosind Solver-ul trebuie urmrii paii:
1. Se selecteaz celula coninnd formula cu funcia de optimizat (D3).
2. Se selecteaz din meniul bar principal Tools (Instrumente) i, de aici,
Solver (Rezolvitor). Apare caseta de dialog Solver Parameters
(Parametrii Rezolvitor), care are n caseta de text Set Target Cell
(Setare Celul int) celula de optimizat (D3).
Se selecteaz tipul de optim max sau min; pentru acest caz, max.
3. n caseta de text By Changing Cells (Prin modificarea celulelor) se
selecteaz celulele care reprezint variabilele problemei (D13D14).
4. n caseta de text Subject to the constraints (Se supune restriciilor) se
impune condiia de nenegativitate asupra variabilelor x
1
x
2
i
celelate restricii ale modelului, astfel (Figura 4.4):

Figura 4.4

5. Se aps butonul Add (Adugare) i apare caseta de dialog Add
Constraint (Adugare restricie), Figura 4.5. Se selecteaz celule
, iar n caseta
l OK.

D13 D14 n Cell Reference, apoi se alege simbolul
Constraint (Restricii) celulele F7F8. Se apas butonu

Figura 4.5

6. Adugarea celorlalte restricii se face apsnd butonul Add, iar n
nscris formulele cu
termenii liberi (D7D9). Cnd s-au introdus
7. Se apas butonul Solve (Rezolvare) i apare caseta de dialog Solver
caseta Add Constraint se trec celulele n care s-au
restriciile (H7H9). Se alege semnul i se selecteaz n caseta
Constraint celulele cu
toate restriciile se selecteaz butonul OK.
Results (Rezultate rezolvitor), iar n Reports (Rapoarte) se pot alege

Value
formele de prezentare a rezultatelor. Se apas butonul OK dup
precizarea tipurilor de rapoarte.
Se creeaz Answer Report (Raport rspuns), Sensitivity Report (Raport
sensibilitate), Limits Report (Raport limite) ca n Tabelele 4.6, 4.7 i
respectiv 4.8.

Tabelul 4.6
Microsoft Excel 10.0 Answer Report
Worksheet: [Programare liniara.xls]Sheet1
Report Created: 7/23/2002 7:38:01 AM
Target Cell (Max)
Cell Name
Original
Final Value
$D$3
Functia de
optimizat 0 21.6
AdjusTable Cells
Cell Name
Original
Value Final Value
$B$13 x1 Produsul P1 0 1.2
$B$14 x2 Produsul P1 0 5.6
Constraints
Cell Name Cell Value Formula Status Slack
$G$13 2x1+x2<=8 8 $G$13<=$D$7 Binding 0
$G$14 3x1+2x2<=24 14.8 $G$14<=$D$8
Not
Binding 9.2
$G$15 x1+3x2<=18 18 $G$15<=$D$9 Binding 0
$B$13 x1 Produsul P1 1.2 $B$13>=$E$13
Not
Binding 1.2
$B$1 5.6 4 x2 Produsul P1 5.6 $B$14>=$E$14
Not
Binding

Tabelul 4.7
r
Objective Allowable Allowable
Microsoft Excel 10.0 Sensitivity Report
Worksheet: [Programare liniara.xls]Sheet1
Report C eated: 7/23/2002 7:38:02 AM
AdjusTable Cells
Final Reduced
Cell Name Value Cost Coefficient Increase Decrease
$B$13
x1 Produsul
P1 4 2 3 1.2 0
$B$14
x2 Produsul
P1 5.6 0 3 9 1

72
Constraints
Final hadow Constraint Allowable Allowable S
Cell Name Price R.H. Side Increase Decrease
$G$13 2x1+x2<=8 8 1.8 8 2
Value
6.57142857
$G$14 3x1+2x2 0 24 1E+30 9.2 <=24 14.8
$G$15 x1+3x2<=18 18 0.4 18 6 14

Tabeleul 4.8
Microsoft Excel 10.0 Limits Report
Target
Worksheet: [Programare liniara.xls]Limits Report 1
Report Created: 7/23/2002 7:38:02 AM
C

ell Name Value
$D$3 Functia de optimizat 21.6
AdjusTable Lower Target Upper Target
Cell Name Value Limit Result Limit Result
$B$13 x1 Produsul P1

1.2 0 16.8 1.2 21.6
$B$14 x2 Produsul P1 5.6 0 4.8 5.6 21.6

Se obin aceleai rezultate pentru funcia
necunoscutelor ca i cu Management Scientist.

4.8. Convergena algoritmului simplex

Dac n cursul aplicrii algoritmului simplex va
fiecare iteraie, atunci nici o baz nu se poate repeta
program de baz, deci o valoare bine determinat
numrul bazelor este finit (cel mult , rezu
numr finit de iteraii se ajunge la una din situa
algoritmului simplex.
Dac valoarea funciei obiectiv nu se mod
succesive, este posibil s revenim la una din baz
atunci procesul devine infinit fr a conduce la solu
ciclare.
obiectiv i pentru valorile
. Degenerare i ciclare
loarea funciei obiectiv scade la
(fiecrei baze i corespunde un
a funciei obiectiv). Deoarece
lt (Zidroiu, 1983) c ntr-un
iile a.1) sau b.1) din enunul
ific n cursul ctorva iteraii
ele prin care am trecut deja, i
ie. Aceast situaie se numete
m
n
C )
Variaia funciei obiectiv la o iteraie este ( )
k k
k l
l
c z
y
x
i aceast expresie
este nul dac i numai dac
l
x =0, adic dac programul este degenerat.

Pentru o problem degenerat, adic avnd cel puin un program degenerat,
este posibil, n principiu, ciclarea.
se
construiesc cu destul dificultate (e e Beale n Hadley G. 1962 Linear
Progr Ad

Degenerarea apare, ui n care are co e nule,
atunci cnd criteriul de goritmului simplex, mai precis m
nu defin od unic variabila care iese din ba resupunem c minim
se ating ntru doi indi adic
Pentru o problem nedegenerat, convergena algoritmului simplex, mai precis
faptul c el conduce la o soluie ntr-un numr finit de iteraii, este asigurat.

Observaia 4.7. Degenerarea nu implic n mod necesar ciclarea: cu toate c
foarte multe probleme practice sunt degenerate, exemplele de ciclare
xemplul dat d
Mass amming, disonWesley, Reading,
ul
.).
vec l b n afara caz toru m t ponen
ieire al al inimul (4.37),
ete n m z. P acest
e pe ci, l i h,
hk k l
y y
,
i presupunem c alegem variabila x
h l
x x
=
l
s prseasc baza. Atunci
0
~
= =
hk B
y
x x ,
l h
y
x
k l
i deci noul program de baz va fi degenerat.
Dac programul iniial nu va fi degenerat, degenerarea poate aprea numai n
acest caz.

h
a) se selecteaz coloana
Pentru demonstrarea valabilitii generale a algoritmului simplex este totui
necesar o regul care s fac posibil nlturarea ciclrii.

Regula lui Bland de nlturare a ciclrii (Luenberger, 1989):
{ } 0 min > =
q q
c z q q , adic, cel mai mic indice
d
b) p ic.
Vom demonstra prin reducere la absurd c regula lui Bland nltur ciclarea.
e coloan favorabil pentru a intra n noua baz,
entru ieirea din baz se ia coloana candidat cu indicele cel mai m

Presupunem c, dei aplicm regula, apare ciclarea. n timpul ciclului un numr
finit de coloane intr i ies din baz. Fiecare dintre aceste coloane intr la nivelul 0
i funcia obiectiv nu-i schimb valoarea. tergem coloanele i liniile care nu
conin pivotul n timpul unui ciclu, obinnd o nou problem de programare
liniar redus care, de asemenea cicleaz. Presupunem c aceast nou problem
are m linii i n coloane i c suntem n situaia ca s nlocuim coloana n cu
coloana p. Fr a restrnge generalitatea, presupunem c baza curent este situat
pe ultimele m coloane. Putem considera problema de programare liniar redus
ca avnd matricea coeficienilor restriciilor A , iar vectorul coeficienilor funciei
obiectiv c. Notm pivotul cu a
mp
>0. Din partea b) a regulii lui Bland, a
n

poate
prsi baza numai dac nu exist egalitatea n testul raportului din criteriul de ieire

74
din baz i atunci b=0, deoarece toate coloanele sunt n ciclu, iar a
ip
0 , ( ) n i .
S considerm cazul cnd a
n

este n situaia de a intra n baz. Partea a) a regulii
lui Bland ne asigur c 0 > =
n n n
c z r i 0 =
i i i
c z r pentru ( ) n i .
Aplicm formula
( )
i
B
i
c r

=

S B c
1

i
ultimelor m coloane ca s artm c fiecare component ( ) 0
=
1
B c
B
cu
excepia lui 0 > 0 > > =
p p p
c c r
p
a . Atunci
m
.
Contradicie cu faptul c
C
ii posibili,
a algoritmului simplex

Rezolvarea problemelor simple de programare liniar (n=2 sau n=3) se poate
ce i geometric. Pentru exemplificare considerm urmtoarea problem (Mihil,
Consum specific Disponibil
0
p
r .

ndeprtarea situaiei de ciclare se poate face i cu metoda perturbrii a lui A.
harnes, sau cu cea lexicografic a lui Dantzig i Wolfe .

Observaia 4.8. O regul practic de evitare a ciclrii este urmtoarea: se divid
niile corespunztoare variabilelor nule din Tabelul simplex prin pivo li
mergnd de la stnga spre dreapta; n momentul cnd unul dintre rapoarte este
mai mic dect celelalte, precizm variabila care iese din baz ca fiind cea care
corespunde raportului minim (Zidroiu, 1983).

4.9. Interpretarea geometric

fa
Popescu, 1978).
Realizarea a dou produse P
1
i P
2
se face folosind patru materii prime M
1
, M
2
,
M
3
, M
4
. Disponibilul de materii prime, consumul specific i profitul unitar pentru
fiecare tip de produs sunt date de tabelul 4.9.

Tabelul 4.9
Produsul

Materia
prim
P
1
P
2

M
1
2 2 12
M
2
1 2 8
M
3
4 0 16
M
4
0 4 12
Profit unitar 2 3
S se determine cantitile x i y care trebuie realizate din produsele P
1
,
respectiv, P
2
, pentru ca profitul total s fie maxim.

Rezolvare
Funcia de optimizat (obiectiv) este f(x,y =2x +3y . Restriciile prob
aa cum rezult din Tabelul 4.8, sunt:
12 2y
i r
x+
) lemei,
0 , 0 y x
Se cere s se determine necunoscutele x , y , astfel n
+
+
+
12 4 0
16 0 4
8 2
y x
y x
y x

2x +

0 0
ct s se verifice
restriciile, iar f(x
0
, y
0
) s ia valoarea maxim. Considerm restriciile cu egaliti
eprezentm grafic dreptele ale cror ecuaii rezult (Figura 4.6).
y=6 y=6x (d
1
) , x+2y=8 y=4
2
x
(d
2
) , 4x=16 x=4 (d
3
) , 4y=12
y=3 (d
4
) , x0 , y0 .

Reprezentarea grafic a
restriciilor conduce la
i
e). Din
acest motiv se numete
practic a
m
obiectiv sub forma

d
1

poligonul OABCD, ale cru
puncte constituie soluii ale
problemei de programare
liniar (mulimea R a
punctelor admmisibil
poligonul soluiilor. Rezult
c realizarea
produciei celor dou produse
din cele patru materii prime
se poate face ntr-o infinitate
de moduri. S alegem dintre
aceste soluii pe cele care dau
valoarea maxi pentru
funcia obiectiv. Punem funcia
(d) x
f
y
3
2
3
= ,
e reprezint un fascicul de drepte, considernd f ca parametru ( (g) o dreapt
fascicul). Funcia f va avea maximul o dat cu
car
din ordonata la origine a dreptei (d).
stfel, trebuie gsit acea dreapt din fasciculul (d) care are ordonata la origine
bserv c
iilor.
A
cea mai mare i care trece printr-un punct din poligonul soluiilor. Se o
cea dreapt trebuie s treac prin punctul B, un vrf al poligonului solu a
O

0 2 4 6
2
4
A

B

C

D

d
3

g

d
4

f
max

Figura 4.6

76
{ } { } 2 , 4 6
2
4 6
2
4 = = = =
= = y x x
x
x y
x
y B I
Valoarea funciei obiectiv este f(4, 2)=14 . n Tabelul 4.10 se prezint starea
sistemului de restricii i gradul de utilizare a resurselor pentru soluia optim.

Tabelul 4.10
Materia
prim
Cantitatea folosit pentru
programul optim
Cantitatea
disponibil
Gradul de
folosin
M
1 24+22=12 12 100%
M
2 14+22=8 8 100%
M
3 44+02=16 16 100%
M
4 04+42=8 12 66.67%

Problema are soluie unic, deoarece dreapta (d) nu este paralel cu nici o latur a
poligonului soluiilor. Dac, de exemplu, se modific profitul unitar pentru
produsul P
2
, devenind 4, atunci dreapta (d) devine
(d)
2 4
x f
y = ,
fiind paralel cu dreapta co toare celei de-a doua restricii (latura BC a
poligonului soluiilo acest caz, to punct segm ui BC sunt soluii
optime ale problemei date. Avem de-a face cu o problem cu o infinitate de soluii
optime. Se pot introduce alte criterii suplimentare pentru a putea selecta o soluie.

Metoda geometric s-ar mai putea aplica i n cazul a trei necunoscute, n locul
poligonului soluiilor obinndu-se poliedrul solu n >3 nu mai pot fi
reprezentate grafic hiperpoliedrele soluiilor i deci metoda devine impracticabil.

4.10. Interpretarea economic a algoritmului simplex
tilizarea optim a resurselor" i presupunem c
estriciile sunt sub form de egaliti, Ax=b (Dragomirescu i Malia, 1968).
c cele n activiti de producie se asociaz cte m, n grupe de
nztoare programelor de baz. Deoarece programul optim
amului nedegenerat).
i n afara oricror
considerente economice.
Presupunem c activitatea k nu face parte din grupul activitilor de baz
corespunztoare unei baze B (adic x
k
nu este variabil de baz, x
k
=0, adic n
aceast variant sortimentul nu se produce). Dac dorim s mrim nivelul acestei
respunz
r). n ate ele entul
iilor. Pentru

Revenim la problema "u
r
Observm
activiti de baz, corespu
este un program de baz, rezult concluzia interesant c ntr-o organizare optim a
produciei nu se vor desfura toate cele n activiti posibile (deci, nu se vor
produce toate cele n sortimente), ci cel mult m (cazul progr
Aceast concluzie este dedus din considerente pur matematice

se vor modifica n conformitate cu (4.39); unele vor
ebui reduse i, cum nu pot fi reduse dect cel mult pn la 0, rezult c x
k
poate
oarea dat de (4.37), pentru care activitatea de baz l
lul 0. Aceasta este interpretarea criteriului de ieire.
Creterea lui x
k
cu o unitate c variaii de y
ik
ale celorlalte activiti i
deci i o variaie a funciei obiectiv
B i
k k
z ,
dic
c z . Dac z c <0 (pentru problema de maximizare a beneficiilor), atunci
n baz, adi
k, aduce o mbuntire a funciei obiectiv, ceea ce revine la o sporire a profitului
a n baz al algoritmului simplex.
e ntr-o explorare sistematic a
diverselor variante de m act ecare iteraie se nlocuiete o
activitate l printr-o activitate k, obinndu-se o cretere a profitului total, pn
cnd, pentru toate activitile care nu sunt n baz, avem z
k
c
k
0, i deci nici o
cretere a profitului nu mai este posibil.

4.11. Metoda celor dou faze
activiti, adic s producem sortimentul k n cantitatea x
k
> 0, produciile
celorlalte sortimente de baz
tr
crete cel mult pn la val
atinge nive

impli
( )
= + =
ik i k
c y c c z

a o cretere a lui x
k
cu o unitate aduce, n acelai timp, un profit suplimentar
k k k k
z>0 i, deci, introducerea activitii k c producerea sortimentului
total. Regsim astfel criteriul de intr re

Aplicarea algoritmului simplex const astf l
iviti de baz; la fi

Metoda celor dou faze permite obinerea unui program de baz de plecare n
rezolvarea problemei de programare iniial sub forma standard, adic (Zidroiu,
1983) :
0 x
b Ax
x c min

(4.41)
Se poate presupune c b
i
0, 1 i m ; dac nu, se nmulete linia
respectiv cu 1. Se adug la fiecare ecuaie cte o variabil artificial i se
obine:
(4.42)
Problema (4.41) are programe dac (4.42) are programe (x, x
a
), cu x
a
=0.
Dac se obine un astfel de program de baz cu x
a
=0, atunci x corespunztor
este un program de baz pentru (4.41).

a
i
x
= +
0
0
a
a
x
x
b Ix Ax


78

n faza I pentru a obine un program de baz al sistemului (4.41) se rezolv
problema de programare liniar

= +
=
m j x
n i x
W
a
j
i
a
a
i
1 , 0
1
min
b Ix Ax

(4.43)
folo d algo it imp obinuit.
Se observ c a (4.43) dispunem de programul de baz iniial
x=0, x
a
= b ( 0 ), corespunztor bazei I din matricea acestui sistem [A,I].
Deoarece 0 x , i W 0. Sunt posibile 2 cazuri:
(i) dac min W >0, atunci problema (4.41) nu are program de baz (dac ar avea,
atunci (4.43) ar avea programe cu x
a
=0 i deci min W =0)
(ii) in W obinut un program cu =0, 1 i un
e b al problemei
problemei (4.41) (dup eliminarea liniilor redundante). Matricea acum
transformat aa cum a ieit din faza I.
, 0
x
sin r mul s
pentru
lex
problem
a
i
x
0
a
i
i deci mn
dac m
program d
=0, am
az
a
i
x i m, dec
(4.43), i se trece la faza a II-a pentru rezolvarea
A este
0 x
b Ax
min
. Faza a IIa

Observaia 4.9. I con din eliminarea din baz a variabilelor artificiale
i nlocuirea lor cu variabilele x
j
. Cnd toate variabilele au fost eliminate din
baz, adic la sfritul fazei I, coloanele acestora sunt terse din tabelul simplex
i se ncepe faza a II-a, pornind de la acest tabel simplex, n car oar
ele nie c
j
cor pun oare fun iei obiectiv din faza a IIa.

n cele prezentate pn acum am presupus c rang A =m. Introducerea
variabilelor artificiale face ca rangul matricei [A, I] s fie sigur m.
Dac A sau dac problema este degenerat, atunci cnd se ajunge la
mi =0, este posibil s mai rmn n baz cteva variabile artificiale,
desigur cu valoarea 0. Faza I se consider ncheiat atunci cnd toate variabilele
au fost eliminate, i anume:
(i) g A = m (dar problema este degenerat), variabilel ot fi
x
j
e in ba ot cu valoarea 0, fr
vreo modificare n funcia obiectiv.
(ii) dac rangA < m, nu este posibil eliminarea tuturor variabilelor (cteva
rmn n baz cu valoarea 0). n acest caz, liniile corespunztoare ale matricei
x c
Faza st
a
i
x
e calculm d
mentele li i z
j
es zt c
rang < m
n
a
i
x

a
i
x
dac ran
ntotdeauna nlocuite cu variabilele
s produc
e
a
i
x =0 p
car tr n z t
a
i
x

A sunt combinaii ale celorlalte, adic restriciile corespunztoare a'
i
x =b
i

sunt consecine ale celorlalte i s .

Aceast discuie arat se impun rang A m.

Dac n problema (4.42) cu b 0 exist x
j
care apare ntr-o singur ecuaie i
cu coeficient pozitiv, adic atricea co cuaia
respectiv nu este necesar x
j
putnd
fi luat n baza iniial. Desigur c dac exist k astfel de variabile, vom introduce
doar nk variabile artificiale, ceea ce scurteaz faza I.

Uneori este necesar cunoaterea inversei bazei curente a problemei de
programare. n acest caz, la sfritul fazei I nu mai nlt el coloanele
corespunzto bil rtificiale. n care bel al fazei a IIa, n aceste
coloane se g a B
1
I =B
1
, adic inversa bazei curente B.

Exemplu. O balastier are 3 linii d
1
, S
3
, pentru 2 tipuri de agregate
A
1
, A
2
i trebuie s sorteze 300 tone din primul tip i 372 tone din al doilea tip.
Profitul ncasat de pe urma sortrii materialelor difer de la o linie la alta precum
difer i canti ile ce pot fi sortate conform cu Tabelul 4.11.

Tabelul 4.11
Agregat
ini
de sortare
A
1
A Profit
e pot elimina
c nu este necesar s =
m
introducerea unei variabile auxiliare, variabila
A nine un vector unitate, atunci n e
urm din tab
are varia
sete mtricea
elor a fie ta
e sortare S
2
, S
t
L e
2
S
1
2 1 5 u.
m.
S
2
3 2 4 u.
m.
S
3
1 2 6 u.
m.
Cantitatea ce
trebuie sortat
300
tone
372
tone

S se determine repartiia optim pe liniile de sortare a agregatului astfel nct
profitul obinut s fie maxim.

Rezolvare
a) Modelarea problemei
Fie x
1
, x
2
, x
3
cantitile sortate pe liniile S , S , S respectiv. Atunci funcia
de optimizat este f
1 2 3
=5x
1
+4x
2
+6x
3
.

80
Trebuie determinat maximul acestei funcii cu restriciile
Deoarece matricea
=
1 3 2
A a restriciilor nu are o baz evideniat, se

M

= + +
= + +
0 , ,
372 2 2
300 3 2
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
.

2 2 1
aplic metoda celor dou faze.

b) etoda celor dou faze
i) Faza I
Se aplic algoritmul simplex problemei
min { }
a a
x x +
2 1
= + + + 300 3 2
1 3 2 1
a
a
x x x x
0 , , , ,
2 1 3 2 1
a a
x x x x x
Calculele fazei I sunt trecu
= + + + 372 2 2
2 3 2 1
x x x x

din

= B are inversa n tabelul final
al fazei I sub variabilele artificiale,
te n Tabelul 4.12 .

La prima iteraie a ieit din baz
a
x i a intrat x , iar la iteraia a doua a ieit
1
2
baz
a
x
2
i a intrat x
3
. Baza obinut
1 3

2 2

1 1
4 2
3 1
4 2
1 -
B .
ii) Faza a II-a
Se aplic algoritmul simplex problem
max {5x +4x +6x }
=
ei
1 2 3
= +
= +
0 , ,
129
4
57
4
3
2 1
3 1
2 1
x x x
x x
x x

Calculele fazei a IIa sunt trecute n Tabelul 4.13.
c)
Algoritmul se oprete cu optim finit, anume, profitul maxim este 1268,
obinut pentru x
1
=76 , x
2
=0 , x
3
=148 , care constituie o soluie de
nedegenerat.
3

Culegerea i interpretarea rezultatelor
baz

Tabel
ul 4.12
ik
y
i
x

CVB VB VVB x
1
x
2
x
3
a
x
1

a
x
2

100
3
300
= 300 2
1
1 0 1
a
x
1

1 x
2

a
372 1 2 2 0 1 186
2
372
=
valoarea
funciei
obiecti
672 3 5 3 0 0
alegem ma
z
j
c
j
>0
x
vz
0 x
2
100
3
2
1
3
1

3
1

0
300
3
1
100
=
3
1

0 3
4

3
2
1
129
3
4
172
=
172 1
a
x
2

valoarea
func
obiect
iei
ivz
172
3
1

0
3
4

3
5
0
alegem max
z
j
c
j
>0
0 x
2
57
4
3
1 0
2
1

4
1
8
0 x
3
129
1
4
0 1
1
2
3
4
24
valoarea
funciei
obiectivz
0 0 0 0 1 1
z
alegem max
j
c
j
>0
3

82

Tabelul 4.13
5 4 6 alegem min
CVB VB VVB x
1
x
2
x
3
ik
y
i
x

4 x
2
57
4
3

1 0 76
3
228
=
6 x
3
129
4
1
0 1
valoarea
funciei
obiectivz
1002
2
7

0 0
alegem min
z
j
c
j
<0
5 x
1
76 1
3
4
0
6 x
3
148 0
3
1
1
Valoarea
ei funci
obiectivz
1268 0
3
14
alegem min
0
z
j
c
j
<0

4.12. Dualitatea n programarea liniar

Oricrei probleme de programare liniar (numit problem primal) i se
0) este urmtoarea problem de
programare liniar
asociaz o problem de programare liniar dual pornind de la aceleai costuri i
coeficieni ai restriciilor, dar n timp ce o problem este de minim, cealalt este de
maxim. Vom demonstra c dac valorile optime ale funciilor obiectiv sunt finite,
atunci ele sunt egale.Variabilele problemei duale pot fi interpretate ca preuri
asociate cu restriciile problemei primale i aceast asociere permite o interpretare
economic a problemei duale.
Fie problema de programare liniar sub forma general (4.20).
Problema dual asociat problemei (4.2

+ +
0
3 2 1
3
3
3 2 1
, arbitrar , u u u
c
c u A u A u A
t t t
Duala dualei este chiar problema iniial. De aceea, (4.20) i (4.44) formeaz
izare (minimizare) se transform ntr-o problem de
minimizare (maximizare),
e
ii primale (duale), care sunt
ecuaii, nu sunt supuse nici unei nd semnul.
c
( )
+ +
3
3
2
2
1
1
max u b u b u b
+ +
= + +
33
2
23
1
13
2
3
32
2
22
1
12
1 31 21 11
u A u A u A
c u A u A u A
t t t
t t t

(4.44)
0
un cuplu de probleme duale.

Din examinarea cuplului de probleme duale rezult c una dintre probleme se
obine n urmtorul mod:
a) termenii liberi din problema primal devin coeficieni ai funciei obiectiv n
problema dual,
b) coeficienii funciei obiectiv din problema primal devin termeni liberi n
problema dual,
c) o problem de maxim
d) matricea coeficienilor sistemului de restricii pentru problema dual este
transpusa matricei coeficienilor sistemului de restricii ale problemei primale,
) variabilele duale (primale) asociate unor restricii primale (duale) concordante
sunt supuse condiiei de nenegativitate,
f) variabilele duale (primale) asociate unor restric
condiii privi

Din definiia dat rezult :
duala unei probleme de programare sub forma standard
=
x c min
0 x
b Ax
(4.45)

este problema de programare liniar

max u b
arbitrar u
c u A
t

(4.46)
duala unei probleme de programare sub forma canonic
x c max
b Ax
(4.47)
0 x

84
este urmtoarea problem de programare liniar, care are tot forma canonic:
0 u
c u A
u b
t
max
.
(4.48)
Problemele (4.47) i (4.48) formeaz un cuplu de probleme duale simetrice, n
timp ce problemele (4.45) i (4.4 m z un cuplu de probleme duale
asimetrice.
duala unei probleme mixte
6) for ea
x c min
ste blema
)
2 1
u b u b
+

= =
, 1 1 ,
1
ij j i
j i
n j m ; i c v u (4.51)
ele care stabilesc conexiunile fundamentale
l dou probleme duale.
ntal a dualitii
mal sub forma stan
mete pri

e n
dac veri
(4.53)
0 x
b x A
b x A
2 2
1 1
(4.49)
e pro

+
arbitrar ,
2 1
2
2
1
1
2 1
u u
u A u A
0
c
t t
(4.50)
duala problemei de transport (4.8)-(4.11) este problema
+

, max
1
n
j j
m
i i
v b u a
max( +
. oarecare ,
j i
v u

n continuare sunt prezenate teorem
ntre cee

4.13. Teorema fundame

Fie problema pri dard (4.45) i duala sa (4.46).

Definiia 4.1. O baz B din matricea A se nu mal admisibil pentru
roblema (4.45) dac verific relaia p
0
b B
1
(4.52)
O baz B din matricea A s umete dual admisibil pentru problema (4.45)
fic relaia
0

c A B c
1


ne c A
re cele dou
Lema slab a dualitii. Dac x i u sunt so
(4.45) i respectiv (4.46), atunci xc bu (Luen
Demons eoarece
t t
proble

roble le (4.45) i
i da
0
b , atunci x
0
t solu
Corolarul 4.1 arat c dac poate fi gsit o pereche de soluii admisibile care
e obiectiv ale problemelor (4.45) i

r nenul
Nu vom presupu are rangul maxim. Lema urmtoare stabilete o
relaie important nt probleme.

luii admisibile pentru problemele
berger, 1989).
traie. D
bu =(Ax)u =xAu , dar Au c i x0 ,
atunci rezult c
bu xc.

Aceast lem arat c o soluie admisibil a oricreia dintre cele dou me
este o limit pentru valoarea funciei obiectiv a celeilalte probleme.
Corolarul 4.1. Dac x
0
i u
0
sunt soluii admisibile pentru p me
respectiv (4.46) c cx
0
= u i u
0
sun ii optime pentru
problemele respective.

s produc aceeai valoare pentru funciil
(4.46), atunci acestea sunt amndou optime.

Vom enuna i demonstra Teorema fundamental a dualitii, care afirm c i
reciproca Corolarului 4.1 este adevrat (Luenberger, 1989). Pentru aceasta avem
nevoie de onstrat n Fletcher, II, 1981). urmtorul rezultat (dem

Lema de separare. Exist un hiperplan care separ un con convex nchis C de un
vecto C v
Teorema fundamental a dualit c una dintre problemele (4.45) sau (4.46)
are o soluie optim finit, atunci are soluie optim finit i valorile
corespunztoare ale funciilor obiectiv sunt egale. Dac una dintre cele dou
probleme are optim infinit, atunci cealalt problem nu are nici o soluie admisibil.
Demonstraie. A doua afirmaie este o consecin a le i slabe a dualitii. Dac
problema primal are optim infinit i u este o solu admisibil a problemei
duale, atunci n mod necesar u

b M pentru un M suficient de mare, ceea ce
dei cel z un cuplu de probleme
aie este suficient s presupunem c
oluie
rile celor dou
oblema (4.46) are o s im z
*
onsiderm
urmtoarea mulime convex n spaiul R
m+1
:
.

ii. Da
i cealalt
me
ie
este imposibil.
Observm c, e dou probleme nu formea
duale simetrice, pentru a demonstra prima afirm
a prim problem al are o soluie optim finit i apoi s artm c problema dual
are o s cu aceeai valoare pentru funcia obiectiv. Acest lucru este posibil
deoarece ambele probleme pot fi rescrise n form standard i rolu
probleme se pot inversa.
S presupunem c pr oluie opt finit. C
{ } 0 , 0 , )
*
= tz r x x c' , , ( = = t t r C A b w x w .

86
Se poate arta c C este un con convex nchis. Vom arta c vectorul (1, 0,
0) nu este n C.
Dac w=t
,
ci
0
bAx
0
=0 , unde t
0
>0 i x
0
0 , atun
0
0
t
x
x = este o soluie
admisibil pentru problema (4.46) i deci
0
*
0
t
ceea ce implic r0 (nu poate astfel s ia valoarea 1).
Dac w=Ax
= x c' z
r
,
0 0
atunci x+ x
0
este o soluie admisibil
eza existenei unui
, 0) nu aparine lui
C.
Cum C este o mulime convex nchis, exist un hiperplan care separ
un vecto , u)R
m+1
0
=0 (t=0), unde x 0 i cx =1 i dac x este o soluie
admisibil oarecare a problemei (4.46),
pentru problema (4.45) pentru orice 0 i d valori din ce n ce mai mici pentru
funcia obiectiv, pe msur ce crete. Aceasta contrazice ipot
optim finit i rezult c un astfel de x
0
nu exist. Deci (1, 0,
vectorul (1,0,,0) de C. Aadar, exist r nenul (s i o
constant c astfel nct :
{ } C r sr c s + = < ) , ( inf w w u' .
ar exista
valori
. Pe d e (0,0)C, trebuie ca s avem c0. Aadar, c=0. Prin
urmare s<0 i putem presupune, fr a restrnge generalitatea, c s =1. Astfel
am demonstrat c exist uR
m
cu proprietatea
r+uw 0
e (r,w)C c
(cuA)xtz
*
+tub 0
oricare ar fi x0 i t0.
ea ce nseamn c u e ie admisi
pentru problema dual.
Punn ma slab a dualit
i din corolarul s ei duale.
orolarul 4.2. Dac ntr-un cuplu de probleme duale, una dintre probleme are un
program optim, atunc am optim i valorile
iilor obiectiv sunt egale.

Fie problema de programare liniar sub forma standard (4.45) i duala sa (4.46)
x
C fiind con, rezult c c0. Altfel, dac (r,w)C astfel nct sr+uw<0,
atunci (r,w) nu ar verifica inegalitatea hiperplanului pentru mari ale lui
e alt parte, deoarec
pentru oric . Din definiia lui C avem
Alegnd t=0 rezult uAc, ce ste o solu bil
d x=(0,0,,0) i t=1, obinem c ub z
*
. Din le ii
u rezult c u este o soluie optim a problem

C
i i cealalt problem are un progr
optime ale func

i =(x
B
,0) o soluie optim de baz corespunztoare bazei B , iar x
B
=B
1
b i
x
S
=0. Atunci vectorul costurilor relative
S B S B
c S B c c S B c r =
1 1
0 .
Considerm
1
= B c u
B
i artm c acest u este soluie a problemei duale:
] [ [ ] [ ] c A u c c c S B c c S u
S B B B
= =
1
,
adic uA este soluie adm
B u A u =
isibil pentru problema dual. Pe de alt parte

egal c
zult c
e
baz optim

robleme asociate sunt egale.
c este ne
entar
ca programele
A
onstraia este simil
S notm cu
x c b B c b u
B B
= =
1

i astfel valoarea funciei obiectiv a problemei duale este pentru acest u u
valoarea funciei obiectiv a problemei primale. Atunci, din Corolarul 4.1 re
u ste soluia optim a problemei duale. Am demonstrat urmtoarea teorem.

Teorema 4.6. Dac problema de programare standard are soluie de
corespunztoare bazei B, atunci
1
= B c u
B
este soluie optim a problemei
duale asociate. Valorile optime ale funciilor obiectiv corespunztoare celor dou
p

Teorema ecarturilor complementare pentru cuplu de probleme duale asimetrice.
O condiie necesar i suficient ca programele x
*
i u
*
s fie optime pentru
problemele duale (4.45) i (4.46) este ca pentru orice i s avem:
a)
i i i
c x = > a u 0
b) 0 = <
i i i
x c a u .
Demonstraie. Dac au loc relaiile a) i b) atunci (uAc)x=0, adic ub=cx ,
i, din Corolarul 4.1, rezult c x i u sunt soluii optime pentru perechea de
probleme (4.45) i (4.46). Invers, dac x i u sunt soluii optime pentru perechea
de probleme (4.45) i (4.46), atunci din Teorema fundamental a dualitii rezult
c ub= cx i astfel (uAc)x=0. Deoarece fiecare component a lui x este
nenegativ i fiecare component a lui uA pozitiv, rezult condiiile
a) i b) din teorem.

Teorema ecarturilor complem e pentru cuplu de probleme duale simetrice. O
condiie necesar i suficient x
*
i u
*
s fie optime pentru un cuplu
de probleme duale simetrice este ca pentru orice i i j s avem:
a)
i i i
c x = > a u 0
b) 0 = <
i i i
x c a u
c)
j
j
j
b u = > x a 0
d) 0 = >
j j
j
u b x a ,
unde a
j
reprezint linia j din matricea .
Dem ar demonstraiei teoremei precedente.

{ } 0 < =
i
x i B B , B fiind o baz dual admisibil. Dac
B
atunci baza B este i primal admisibil i

B
b B x
1
=
B
este program op
problemei primale (Zidroiu, 1983).

Teorema 4.7. Fie B o baz dual admisib pentru problema (4.45) i B
. Dac
atunci problema (4.45) nu are programe.
tim al
il
(

B i astfel nct ) ( ) S j y
B
ij
, 0

88
Demonstraie. Fie programul dual asociat cu baza B

, linia de
rang i din matricea B
1
i
1
= B c u
B B
i
a
fie u
i B
u = ) ( 0 , unde . Atunci
B B
c z y z = = a a u a u ) ( pentru
j j ij j j i j B j
B
n j 1 . Aadar,
c u
t
. ns A
B
i
B
x z b b = = u b u ) ( + =

b u ) ( lim
,
i B
i atunci
adic problema dual are optim infinit i din Teorema fundamental a dualitii,
rezult c i problema primal are optim infinit.
ptratic nesingular

) (R
n
M A Lema substituiei. Fie A o matrice i B o
matrice obinut i
Atunc
a) condiia necesar i suficient ca s existe B este ca
din A prin nlocuirea coloanei a
r
cu vectorul nenul
n
R b
b A c
1
= . i:
-1
0
r
c ;
b) Dac c , atunci , unde
1 1
) (

= A E B
r
) (
r
E 0
r
se obine din
matricea unitate de ordinul n prin nlocuirea coloanei r cu vectorul
( )

+ r r r
c c c c ,..., , 1 , ,...,
1 1 1
. =
r
c
Demonstraie. Din forma lui c rezult c
1
( )
n
n
c c a a b + + = ...
1
1
. (4.54)
a) Necesitatea condiiei. Dac c =0 , atunci din definiia lui c rezult c

r
vectorii { }
n r r
a a b a a ,..., , , ,...,
1 1 1 +
sunt liniar dependeni i B nu este inversabil.
Suficiena condiiei. Presupunem c B nu este inversabil i atunci rangul ei
este mai mic dect n, adic vectorii coloan ai matricei B sunt liniar dependeni.
Fie n i
i
, 1 , = , astfel nct
i .
ns din (4.54) avem
= + +
r
r r r i i
c c a a ,
0
1
2
=
n
i
i
0
1
= +
=
b a
r
n
r i
i
i
i

( )
n
i
0
1
=
r i
i
ceea ce nseamn c A are coloanele liniar dependente i astfel nu este inversabil.
Atunci, trebuie ca = c 0
r r
. Sunt posibile dou
i) c
cazuri.
r
=0 i suntem n cazul a) al lemei, sau
ii) 0 =
r
i atunci din (4.54) rezult c vectorii a ,, a , a ,, a , sunt
liniar dependeni , iar matricea A nu este inversabil. Contradicie!
b) Din (4.54)
n
1 r-1 r+1 n
r i
i r 1 1
avem
= i
i r r
c c c
1
a b a , adic B a = . Cum

=
r
r i n i
i i
= = , , 1 , Be a , rezult c ) (
r
BE A= , sau
1
) (
= E E B
r
1
.

Teorema admisibil pentr (4.45) i
B
. Dac pentru
4.8. Fie B o baz dual u problema primal
( ) ( ) S B

j i , astfel nct i alegem lB

arbitrar, iar kS asfel nct s ie satisfcut condiia
0 <
B
ij
y
f
B
lk
B
k
B
lj
j
B
j
y j
y
c z
y
c z
B
lj

<0
min
k

atunci matricea B
~
obinut din matricea B prin nlocuirea coloanei a
l
cu
coloana a
k
este o baz dual ad mul dual asociat este cel
puin la fel de bun ca u
B
,, adic
misibil, iar progra
B
~ u
b u b u
B
B
~ .
Demonstraie. B
~
astfel obinut este o baz (deoarece i se verific 0
B
lk
y
ipotezele Lemei substituiei). Conform cu relaiile (4.40) avem
( ) ( ) S = j
y
y
c z c z c z
B
lk
B
rj
k
B
k j
B
j j
B
j
,
~
.
B fiind o baz dual admisibil, rezult c 0
~

j
B
j
c z pentru ( ) S j pentru
care 0
B
lj
y .
0
~

j
B
j
c z pentru ( ) S j Din definiia lui kS rezult c i pentru care
<
B
lj
y 0. Pentru j=l avem
( ) 0
1
~
< =
B
lk
y
Aadar, 0
~

j
B
j
c z are loc
k
B
k l
B
l
c z c z .
pentru ( ) S
~
B
~
j , adic este o baz dual
admisibil.
Din relaiile (4.40) rezult c ( )
B
lk
B
r
k
B
k
B B
y
x
c z z z =
~
. Dar b u
B
B
z = i
b u
B
B
z ~ = i atunci
B
~ u este cel puin la fel de bun ca i u
~

l simplex dual

Prin aplicarea algoritmului simplex la problema dual se obine un nou
1 , 0 ), sau pn la punerea n eviden a faptului c problema
primal are optim infinit.
B
.

4.14. Algoritmu
algoritm pentru problema iniial, numit algoritmul simplex dual.
Algoritmul simplex primal exploreaz bazele primal admisibile ale problemei
(4.45) pn la obinerea unei baze primal admisibile care s fie i dual admisibil
( n j c z
j
B
j

90
Algoritmul simplex dual exploreaz bazele dual admisibile ale problem
pn la obinerea unei baze dual admisibile care s fie i prim isibil ),
sau pn la punerea n eviden a faptului c problema dual nu are programe.
l m plex prim se ob o s esiu de programe de baz
), iar n algoritmul simplex dual se obine o succesiune de soluii de baz
care nu sunt programe (
1
b nu are toate componentele nenegative).
ntru prob de nimi n algoritmul plex ncia obiectiv descrete
spre minim, n timp ce n algoritmul simplex dual funcia obiectiv crete spre maxim.

Adesea, pentru problema de programare liniar se cunoate o soluie de baz,
dar care nu este i admisibil i pentru care multiplicatorii simplex sunt admisibili
pentru problema dual asociat. n tabelul simplex aceast situaie corespunde strii
n care ultima linie (z
j
nu ar emente pozitive, dar uia nu este admisibil.
O astfel de situaie apare, de exemplu, atunci cnd o problem de programare
liniar este rezolvat i din aceasta se construiete o problem nou prin
schimbarea vectorului termenilor liberi b (postoptimizare sau reoptimizare). n
acea si ie, dispunnd de o soluie adm e baz pentru problema dual
este de preferat s continum s rezolvm problema dual.
Considerm problem are liniar sub forma standard i fie B o
baz un ut a acestei probleme, iar = B u
B
este admisibil pentru
problema dual. Dac x
B
=B
1
b0, aceast soluie este primal admisibil i atunci
ea este optim. Vectorul u este admisibil pentru problema dual i atunci are loc
inegalitatea ua
j

pentru
ei (4.46)
( 0
1
b B al adm
n agorit ul sim al ine ucc ne
( 0
1
b B
B
mi Pe o lem zare sim fu
c
j
) e el sol
st tua isibil d
a de program
c osc c
c
j
1
n , 1 . j = Presup nd baza este format cu prim
m A, atunci au loc egalitile ua
j
=c
j

un c ele
coloane ale lui ,
m j , 1 =
i, cu excepia
degenerrii, inegalitile ua
j
<c
j
, n m j , 1 + = . ntr-o iteraie a metodei simplex
duale vom si un nou vector u g , astfel nc un egal ile de mai sus devine
inegalitate, iar una din inegaliti devine egalitate, n acelai timp valoarea funciei
obiectiv pentru problema dual crete. Cele m egaliti n noua soluie determin o
nou az ot linia atricei B
Atunci, pentru
t a din it
b . N m i a m
1
cu
i
.
i
u u =
avem
j
i
j j
a u
mentele
a a u = . Astfel, notnd z
j
=ua
j
i observnd c ua
j
=y
ij
,
(ele (i, j) din tabelul simp ), ave lex m:
i j m j c
j j
= = , , 1 , a u
=
i i
c a u (4.55)
i j n m j y z
ij j j
+ = = , , 1 , a u

De asemenea,
B
i
x = b u b u (4.56)
Pentru cuplul de probleme duale

0 x

b Ax
x c min

max
c u A
u b
t

arbitrar u
algoritmul simplex dual const din urmtorii pai.

Pas 0. Se determin o baz dual admisibil B , n matricea A , se calculeaz
n j c z y z
j
B
j
j
B
j
B
B
B B
= = = 1 , , , ,
-1 -1
a B x c b B x
a
j
fiind coloane ale matricei A.
Pas 1. a) Criteriu de ieire din baz
1) dac toi 0
i
x , atunci programul este optim. Stop!
2) dac ( ) 0 <
i
x , atunci se determin l astfel nct
{ } 0 min < =
i i l
x x x .
b) Criteriu de intrare n baz
1) dac toi y 0 , atunci problema nu are programe. Stop!
lj
2) dac ( ) 0 <
lj
y , atunci se determin k astfel nct
lj
y j
lk
y y lj
<0
0
Pas 2. Se nlocuiete n baza B coloana
j j
c z
= min
k k
= (4.57)
l cu coloana k , obinndu-se noua baz

c z
B
~
. Se calculeaz
( ) ( )
n j
y
y
c z z c z n z z
lk
lj
k k j j j
B
j
lk
B
B

= =
1
, ,
i se trece la pasul 1, nlocuind B cu B
c i
y
x
c z -
y
x
y
l
k k
lk
i
ik ij ij
lk

1 ,
(
~ ~
l i y y l i
y
x
y x x
y
y
, y
y
x
x
B i
ik i
B
i
lk
lj
B
ij
lk
l
B
l
= = = = ) , ) ( ,
~ ~ ~
~
~
.

n continuare sunt prezentate cteva observa
a) aleg
ii privind algoritmului de mai sus.
erea lui k n relaia (4.57) ne permite s afirmm c noua soluie va fi
din nou dual admisibil;
b) din relaia (4.56) i din alegerea lui 0 <
l
x (conform cu a2 din algoritmul
simplex dual) valoarea funciei obiectiv pentru problema dual va crete;
c) algoritmul nu se termin dect cu soluia optim i valoarea corespunztoare
pentru funcia obiectiv sau dac problema dual are valoarea nemrginit pentru
ntr-un numr fini .
Exemplu. S considerm problema dietei 4.1.5. particularizat astfel:
funcia obiectiv;
d) deoarece exist numai un numr finit de baze, optimul trebuie s fie obinut
t de iteraii


92
min {3x +4x +5x }
1 2 3
=
+ +
+ +
3 , 1 0
6 2 2
5 3 2
3 2 1
3 2 1
i x
x x x
x x x
i

forma standard
min {3x +4x +5x }
1 2 3
=
= + +
= + +
5 , 1 0
6 2 2
5 3 2
5 3 2 1
4 3 2 1
i x
x x x x
x x x x
i

duala corespunztoare
+5x }

i aplicm algoritmul simplex dual problemei
min {3x
1
+4x
2 3
=
= +
5 , 1 0
6 2 2
5 3 2 1
i x
x x x x
= + 5 3 2
4 3 2 1
x x x x
i

binut din precedenta prin nmulirea primelor dou restricii cu 1.
Coloanele 4 i 5 din matricea coeficienilor restriciilor dau o baz dual
o

admisibil, deoarece valorile pentru x
4
i x
5
sunt negative, iar z
j
c
j
sunt
nepozitive. La prima iteraie iese din baz x
5
i intr x
1
, iar la iteraia a doua iese
din baz x
4
i intr x
2
. Rezultatele sunt trecute n Tabelul 4.14.
Valoarea funciei obiectiv este min f=10, obinut pentru x
1
=1 i x
2
=2 .

4.15. Interpretarea economic a algoritmului simplex dual

Pentru exemplificare ne vom referi la problema utilizrii eficiente a resurselor
(Dragomirescu i Malia, 1968)

0 x
b Ax
x c max

unde: x
j
este numrul de uniti din sortimentul j care trebuie produse i
n
x a
= j
j ij
1
reprezint cantitatea d producie.
esteia este
in resursa i care se consum n procesul de

Problema dual asociat ac
u b min
c u A
T

0 u
rsei i, iar
i
i ij
u a
1
reprezint
iti din sortimentul j.

Tabelul 4.14
=
m
unde: u
i
este costul unitar intern (shadow price) al resu
valoarea total a resurselor consumate pentru realizarea unei un

CVB VB VVB x
1
x
2
x
3
x
4
x
5
ij
j j
y
y
c z
ij
<0
min
0 x
4
5 1 2 3 1 0
0 x
5
6 2 2 1 0 1
1
5
,
2
4
,
2
3

valoarea
funciei
obiectivz
0 3 4 5 0 0

0 x
4
2 0 1
2
5
1
2
1

3 x
1
3 1 1
2
1
0
2
1

valoarea
funciei
obiecti
2
1
2
1
,
2
5
2
7
,
1
1

vz
9 0 1
2
7
0
2
3

4 x
2
2 0 1
2
5
1
2
1

3 x 1 1
1
0 2 1 1
Valoarea
funciei
obiectivz
11 0 0 1 1 1

Problema dual se poate enuna astfel:
S se determine costurile interne unitare ale resurselor astfel nct profitul unitar
mate pentru al fiecrei resurse s nu depeasc valoarea resurselor consu
realizarea lui, iar costul total al resurselor s fie minim.
Inegalitatea dat de Lema slab a dualitii pentru acest cuplu de probleme
duale ( u b x c ) are aici urmtoarea semnificaie: pentru nici un plan de

94
producie x i nici un sistem de costuri interne u profitul total al ntreprinderii nu
poate depi costul total al resurselor; egalitatea se realizeaz doar pentru
programele optime de producie i pentru costuri interne optime.
Relaiile Teoremei ecarturilor c e scrise sub forma
=
n
j
j ij
x a ,
omplementar
0
1
=
i i
b u m i 1 =
i 0
1
c
= i
j i ij j
u a x
n acest caz au urmtoarea interpretare: ntr-un plan de producie optim nu se pot
produce sortime pentru care nsu
osturilo profi le. lus tur nterne nen e se atribuie
misibile

Dac toi coeficienii funciei obiectiv sunt nenegativi, atunci variabilele ecart
formeaz o soluie de baz dual admisibil, deoarece n acest caz
uce o
ie nou (Malia i Z
m
, j 1 n
nte co murile de resurse calculate pe baza
c
n
r interne depesc turi n p , cos ile i ul
umai resurselor folosite integral n cadrul acestui plan.

4.16. Determinarea unei soluii dual ad
z
i
c
i
=c
i
0.
Dac nu toi coeficienii funciei obiectiv sunt nenegativi, se introd
restric idroiu, 1971)
M x x x x
k
n
= + + + +
+
...
2 1
1
,
cu M suficient de mare, x
n+1
o nou variabil, iar k r x
r
1 ,
, fiind
variabilele care corespund coeficienilor 0 <
r
c
.
Dac { } 0 max < =
j j
c c c
f
, se nlocuiete
f
x
din restricia suplimentar

funcia obiectiv. Se obine o mulim n e de n x
n+1
nlocuiete )
astfel nct toi coeficienii funciei e nenegativi i numrul restriciilor
a crescu itate

Exemplu
= + +

4 3
) 2 n(
5
x x x x
x x
ste primal admisibil pentru c x
1
= 4 . Pentru a
ia suplimentar
variabile (
f
x
obiectiv s fi
t cu o un .
+
4
3
x mi

= +
5 1 , 0
1 4
5 4 3 2
5 4 3 1
i x
x x x x
i

x
1
, x
2
formeaz o baz care nu e
face pozitivi toi coeficienii funciei obiectiv, introducem rela
M x x x = + +
4 3 6
. Atunci { } 2 max
4
= = = c c c
j
i x
0 < c j
j
f
3
x
6
. Se obine o
nou problem care are toi coeficienii funciei obiectiv nenegativi:
4
=Mx

= + +
+ = + + +
= +
+ + +
6 1 ,
4 1 4 3
4 2
) 2 2 min(
6 4 3
6 5 3 2
6 5 3 1
6 5 3
i
M x x x
M x x x x
M x x x x
x x x M

unde M este soluie dual

1. ntr-o staie de betoane se pot produce 3 tipuri de betoane 150, B200, B300).
Staia este organ fi re ni arc de
betoane, capacitatea maxim a staiei este de 600 m etonul se transport
cu ajutorul a 20 de autobetoniere de 5 m
3
aci e fieca uratele ciclurilor de
transport pentru cele 3 rci de be ne d d 0.1 ; 0 i 0.1 zile respectiv.
Consumurile normate de ciment pe c tre rci de beton sunt respectiv 200, 300
3
. Staia este aprovizionat zilnic cu o cantitate de 180 tone de ciment .

Rezolvare
Notm cu x
1
, x
2
, x
3
, cantitile de beton din fiecare marc ce se cer a fi
determinate astfel nct funcia obiectiv
2
+x
3
600 (nu se poa ducie a staiei)
0.1x
1
+0.2x
2
+0.1x
3
205 (nu se poate dep de
transport)
200x
1
+300x
2
+400x
3
600 (nu se poate depi cantitatea de ciment cu
care este aprovizionat zilnic staia)
S-a obinut urmtoarea problem de programare liniar:
0 x
i
suficient de mare astfel nct 4M <0 . Se obine o

admisibi x
1
=4M , x
2
=1+4M , x
4
=M .


(B
izat astfe
ziln
l nct eca beto er poate produce orice m
ic
3
. B
cap tat re, d
m toa fiin e .2
ele i m
i 400 kg/m
Ca urmare a organizrii staiei se obin urmtoarele economii pe mrci de beton: 1;
1.2 i 0.8 u.m. / m
3
.
Se cere gsirea soluiei care aduce maximum de profit staiei, tiind c se cere
beton n cantiti mai mari dect posibilitile de preparare.
z =f(x
1
, x
2
, x
3
) =1x
1
+1.2x
2
+0.8x
3
,
s fie maxim sub restriciile
x
1
+x te depi capacitatea de pro
i capacitatea zilnic

Forma canonic Forma standard

96
{ } { }
= 3 , 2 , 1 , 0
3 2 1
i x
i
+ +
+ +
+ +
1800 4 3 2
1000 2
600
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x

+ + 8 . 0 2 . 1 max x x x
= 6 , 1 , 0
6 3 2 1
i x
i
= + + +
= + + +
1000 2
600
5 3 2 1
4 3 2 1
3 2 1
x x x x
x x x x

= + + +
+ +
1800 4 3 2
8 . 0 2 . 1 max
x x x x
x x x
dup introducerea variabilelor ecart

Se obin urmtoarele rezultate:
max f=680 realizat pentru x
1
=200 , x
3
=0
Variabilele auxiliare x , x
5
=0 , 200 arat primele dou restricii se
verific pentru soluia de i sus cu egalit iar de treia cu inegalitate.
rofitul este maxim dac nu se produce beton de tipul B300.
Tabelul 4.15

Rezerve
onibil
x
2
=400 , .
4
=0 x
6
= , c
ma i, cea -a
P

2. ntr-o secie a unei ntreprinderi se produc trei tipuri de produse P
1
, P
2
, P
3
,
folosind rezerve de for de munc (F) i resurse financiare (B) limitate conform
Tabelul 4.15.

Tip produs
P
1
P
2
P
3
Disp
F 2 3 2 15
B 1 2 3 12
Profit 1.5 4 3

care conine i consumurile din aceste rezerve la unitatea de produs pentru fiecare
tip, precum i beneficiile aduse de o unitate de fiecare tip de produs. Datorit
condiiilor impuse de stocare ntreaga producie nu trebuie s depeasc 8 uniti.
S se determine planul optim de producie care n condiiile date s dea un
tei probleme se obine urmtorul program liniar:
profit total maxim pe secie.

R. n urma modelrii aces
max f =max{1.5x
1
+4x
2
+3x
3
}
=
+ +
+ +
+ +
3 , 1 , 0
8
12 3 2
15 2 3 2
3 2 1
3 2 1
3 2 1
i x
x x x
x x x
x x x
i
.
Se obine soluia max f=20.4 pentru x
1
=0 , x
2
=4.2 , x
3
=1.2 .
ie (C)) care
3. La o secie de producie a unei ntreprinderi de construcii, unde se lucreaz n
flux continuu de band, sunt necesare pentru fabricarea de panouri pentru cofraje 4
tipuri de materii prime (panel (P), scndur de brad (SB), dulapi (D), cu

nt prelucrate la 3 standuri. Repartiia materiilor prime i a cheltuielilor de munc
Tabelul 4.16
Materie prim
Stand
P D C
Nr. necesar de
panouri
su
necesare prelucrrii pe cele 3 standuri este dat de Tabelul 4.16.

SB
S
1
2 1 1 0 1
S
2
4 1 2 1 0
S
3
1 3 0 1 1
Cheltuieli de munc 12 6 8 10

S se determine un plan de producie astfel nct cheltuielile s fie minime.
2 3 4

R. Modelnd problema se obine urmtorul program liniar:
min f =min {6x +8x +12x +10x }
1
= + +
= + +
4 2
2
4 2 1
x x x
x x x
= 4 , 1 , 0
4 3
i x
i
Se obine soluia min f =29 , pentru nivelurile de consum ateriale
x =0 , x =1.5 , x =1 , x =0.5 .
ntreprinderi are n fabricaie 7 tipuri de produse, P
1
P
7
. Dou
aterii prime (M , M ) necesare realizrii acestor produse sunt n cantiti limitate,
unt date n Tabelul 4.

.17
odus
Mater
P
1
P
2
P
3 4
P
5 6 7
= + + 3
2
4 2 1
x x x
.
de m
1 2 3 4

4. O secie a unei
m
1 2
200 i respectiv 300 uniti, celelalte fiind n cantiti suficiente oricrui plan de
producie. Consumurile de materii prime M
1
, M
2
pe unitatea de produs pentru
fiecare tip, precum i beneficiile nete aduse de producerea unei uniti din fiecare
tip de produs s 17.
Tabelul 4
Pr
ie
P P P
M
1
3 2 5 2 3 4 3
M
2
5 1 2 4 3 3 4
Profit 6 5 2 6 6 5 6

Datorit unei cereri mari de produse P
1
, P
2
s-a propus ca mcar 25% din
ntreaga producie a seciei s fie reprezentat de aceste produse. S se deter mine
1 2 3 4 5 6 7
un plan de producie care s respecte condiiile impuse i care s aduc un profit
total maxim n secia respectiv.
R. Trebuie rezolvat urmtoarea problem de programare liniar:
max f = max{6x +5x +2x +6x +6x +5x +6x }

98
=
+ + + + +
+ + + + + +
+ + + + + +
1,7 , 0
0 3 3
300 3 4 2 4 3 5
200 3 2 5 3 2 4 3
7 6 5 4 3 2 1
7 6 5 4 3 2 1
7 6 5 4 3 2 1
i x
x x x x x x x
x x x x x x x
x x x x x x x
i

Se obine max f =430.77 pentru
x
1
=19.23 ; x
2
=x
3
=x
4
=x
5
=0 ; x
2
=30.77 ; x
2
=26.92 .

5. Problema dietei alimentare (problem de amestec)
ile celor 3 alimente sunt trecute n Tabelul 4.18.
Alim
Su
2
A ec r
Un meniu trebuie s asigure necesarul n substanele S
1
, S
2
, S
3
, cu ajutorul
alimentelor A
1
, A
2
, A
3
. Cantitile de substanele S
1
, S
2
, S
3
, ce se gsesc ntr-o
unitate de aliment de fiecare fel, cantitile minime necesare organismului n cele 3
substane, precum i preur

Tabelul 4.18
ent A
bstan
1
A
3
N esa
S
1
4 3 2 24
S 5 7 2 35
1
S
1
1 5 4 40
Pre 8 5 7

S se determine cantitile ce trebuie incluse n meniu din cele 3 alimente,
astfel nct costul total al meniului s fie minim .

R. n urma modelrii se obine problema de programare liniar sub forma canonic
min f =min{8x
1
+7x
2
+5x
3
}
+ + 35 2 7 5
3 2 1
x x x
=
+ +
+ +
3 , 1 , 0
40 4 5
24 2 3
3 2 1
3 2 1
i x
x x x
x x x
i
.
a
dou
4
Dup introducerea variabilelor de compensare se obine problema sub form
standard, dar nu are o baz canonic evideniat. De aceea se aplic metoda n
faze.
min f =min{8x
1
+7x
2
+5x
3
}
+ +
= + +
= + +
4 5
35 2 7 5
24 2 3 4
3 2 1
5 3 2 1
4 3 2 1
x x x
x x x x
x x x x
.
=
=
6 , 1 , 0
40
6
i x
x
i
Se obine min f =56 , meniul const din 8 uniti din alimentul al doilea i
coninutul n substana S
2
depete minimul necesar cu 21 uniti, adic
x
1
=0 , x
2
=8 , x
3
=0 , x
4
=0 , x
5
=21 , x
6
=0 .

. Substanele S
1
, S
2
, S
3
, S
4
conin n cantiti diferite elementele E
1
, E
2
, E
3
, E
4
.
Din cele 4 substane trebuie fcut un amestec care s conin cel puin 28, 30, 25 i
respectiv 25 u de substan
ost 6, 3, 4 i
o inutul unei uniti din fiecare substan n cele 4 elemente este dat de Tabelul
. .
Tabelul 4.19

6
niti din cele 4 elemente. Cte o unitate din fiecare tip
respectiv 5 u. m. c
C n
19 4
Substan
Element
S
1
S
2
S
3
S
4
E
1
3 2 1 3
E
2
4 0 3 1
E
3
0 3 0 4
E
4
5 0 3 1

2
amestecului s fie minim.
min f =min {6x +3x +4x +5x }
Coninutul substanelor S
1
, S
2
n alte elemente ce aduc amestecului anumite
proprieti speciale cer ca acest amestec s conin cel puin 3 uniti din S
1
i

cel
puin 3 uniti din S . S se determine cantitile ce trebuie amestecate din cele 4
substane astfel nct s fie ndeplinite toate condiiile impuse, iar costul total al

R. Modelnd problema se obine
1 2 3 4
+ +
+
. 4 , 1 , 0
2
3
25 3 5
25 4 3
2
1
4 3 1
4 2
i x
x
x
x x x
x x
i

a reduce numrul restriciilor problemei liniare obinute se poate face
schimbarea de variabile y
+ +
+ + +
30 3 4
28 3 2 3
4 3 1
4 3 2 1
x x x
x x x x
Pentru
=x
2
2 , y
3
=x
y +2
1
=x
1
3 , y
2 3
, y
4
=x
4
.
Se obine problema
min g =min {6y
1
+3y
2
+4y
3
+5 4}
4
= 4 , 1 , 0
4 3 1
i y
i
Dup aducerea la forma standard, se aplic metoda n dou faze i, dup
revenirea la variabilele x
+
+ +
+ + +
19 4 3
18 3 4
15 3 2 3
4 2
4 3 1
4 3 2 1
y y
y y y
y y y y
+ + 10 3 5 y y y
.
1
=3 , x
2
=2 , x
3
=4.416 , x
4
=4.75 .
i
, se obine soluia:
min f =65.416 , pentru x

100

7. O ntreprindere dorete s produc un nou aliaj format din 3
metal B. Pentru aceasta are la dispoziie alte 5 aliaje ale cror
0% metal A i 70%
preuri i compoziii
sunt date n Tabelul 4.20.

Tabelul 4.20
Aliaj 1 2 3 4 5
% A
1 2 5 7
0 5 0 5
95
% B
9 5 2
5
0 5 0 5
7

Pre/kg 5 4 3 2 1.5

Aliajul dorit va fi produs prin combinarea unor cantiti din celelalte 5 aliaje. S se
determine cantitile necesare realizrii noului aliaj cu cost minim.

R. Notm cu x
i
cantitatea din aliajul i (i=1,2,...,5) care intr n alctuirea noului
aliaj. Trebuie rezolvat urmtoarea problem de programare liniar:
min {5x
1
+4x
2 3 4 5
+3x +2x +1.5x }

0 ,..., x x
de petrol are dou surse de aprovizionare cu petrol brut: petrol brut
o benzin, petrol
t cantitile din
Petrol Benzin
= + + + +
= + + + +
70 5 25 50 75 90
30 95 75 50 25 10
5 4 3 2 1
5 4 3 2 1
x x x x x
x x x x x

5 1
care are soluia: x
1
=0 , x
2
=0.9 , x
3
=0 , x
4
=1 , x
5
=0 , iar valoarea funciei obiectiv
este min f =3.8 .

. O rafinrie 8
u r la 35$/baril i petrol brut greu la 30 $/baril. Rafinria produce
petrol bru lampant i benzin superioar, obinnd dintr-un baril de
Tabelul 4.21.
Tabelul 4.21
Produs finit
Materie prim
Benzin
lampant superioar
Petrol brut uor 0.3 0.2 0.3
Petrol brut greu 0.3 0.4 0.2

Rafinria s-a angajat s produc 900 000 barili de benzin, 800 000 b
lampant i 500 000 barili de benzin superioar. Ce cantiti de petro
arili de petrol
l brut uor i
greu trebuie achiziionate pentru a se realiza angajamentul cu un cost minim?

R. Notm cu x
1
, x
2
, x
3
cantitile de petrol brut u r folosite pentru obinerea de
benzin, petrol lampant i respectiv benzin superioar, i analog x
4
, x
5
, x
6
,
cantitile de petrol brut greu. Se ajunge la urmtoarea problem de programare
liniar:
min {35(x
1
+x
2
+x
3
) +30(x
4
+x
5
+x
6
)}
o

= +
0 , , , , ,
000 500 2 . 0 3 . 0
6 5 4 3 2 1
6 3
5 2
x x x x x x
x x

Pentru realizarea planului de producie sunt necesare cantitile 1 666 666.67
barili petrol brut uor i 5 000 000 barili petrol brut greu, costul minim fiind
208 333 333.33 .

9. O firm produce cinci tipuri de piese de schimb pentru automobile. Fiecare pies
n Tabelul 4.22.

Tabelul 4.22
Tip pies
Secie
1 2 3 4 5
= +
= +
000 800 4 . 0 2 . 0
000 900 3 . 0 3 . 0
4 1
x x
x x
este turnat n oel la turntorie i apoi este trimis la secia de finisaj. Numrul de
ore munc necesare pentru 100 de uniti din fiecare tip de pies n cele dou secii
sunt date
Turntorie 2 1 3 3 1
Finisaj 3 2 2 1 1
Profit / 100 uniti 3
0
2
0
4
0
2
5
1
0

Capacitatea de turnare i finisare pe parcursul unei luni este de 700, respectiv
1000 ore munc. S se determine numrul de piese din fiecare tip care trebuie
produse pentru a se obine un profit maxim.

R. Notnd cu x
i
numrul de sute de piese de tipul i, 5 , 1 = i , obinem urmtoarea
problem de programare liniar
max {30x
1
+20x
2
+40x
3
+25x
4
+10x
5
}
=
+ + + +
+ + + +
5 , 1 , 0
10 2 2 3
7 3 3 2
5 4 3 2 1
5 4 3 2 1
i x
x x x x x
x x x x x
i

are are maximul egal cu 120, obinut pentru x
1
=0 , x
2
=4 , x
3
=1 , x
4
=0 , x
5
=0 .
n luni
i
c

10. O firm productoare de calculatoare prognozeaz c n urmtoarele
cererea va fi d , n i , 1 = . ntr-o lun firma poate produce r uniti cu un cost b.
Lucrnd peste program, firma poate produce calculatoare la un cost c >b . Costul
unitar de stocare al calculatoarelor de la o lun la alta este s . S se determine
planul de producie care minimizeaz costul.

5. PROBLEMA DE TRANSPORT

5.1. Fundamentele algoritmului de transport

Problema de transport (4.8) (4.11) are totdeauna o soluie admisibil, anume
S
= = j i 1 1
Exist n total n+m restricii (m ecuaii corespunztoare restriciilor date de
centrele de aprovizionare i cele n ecuaii corespunztoare restriciilor date de
centrele de consum) la care se adaug condiia de echilibru

=
n
j
m
i
b a . De aici
b a
j i
= , unde

= =
n m
b a S x
j i i
i care este o soluie mrginit de a
i
i b
j
.
j i 1 1
zult c una dintre restricii este redundant. Orice restricie se poate exprima n
eorema 5.1. Problema de transport are totdeauna soluie i o restricie este
zult din observaia de mai sus.
eo

exist o combinaie liniar a ecuaiilor r se egal cu zero. S notm cu
j
= =
re
funcie de celelalte m+n1 rmase.

T
redundant. nlturnd oricare dintre restricii, cele n+m1 rmase formeaz un
sistem liniar independent (Luenberger, 1989).
Demonstraie. Existena soluiei i redundana re
D arece suma restriciilor date de centrele de aprovizionare este egal cu suma
restriciilor date de centrele de consum, rezult c orice restricie poate fi exprimat
ca o combinaie liniar de celelalte m+n1 . Astfel, orice restricie poate fi
eliminat. S presupunem c am eliminat o restricie, fie ea ultima. Presupunem c
ma
m i
i
, 1 , = , coeficienii acestei combinaii liniare corespunztori primelor ecuaii
din problema de transport i cu 1 , 1 , = n j
j
coeficienii corespunztori
ultimelor n1 ecuaii. Fiecare variabil x
in
, m i , 1 = , apare numai n a i - a
ecuaie, deoarece ultima ecuaie a fost nlturat. Astfel, n i
i
, 1 , 0 = = . n restul
ecuaiilor apare num
ij
x ai ntr-o stfel 1 , 1 , 0 = = n j
j
ecuaie i a . Aadar,
Din Teorema 5.1 rezult tru problema de transport este
oc urmtoarea teorem.
sistemul de n+m1 ecuaii este liniar independent.

c o baz pen
format din m+n1 vectori liniar independeni, iar soluia de baz admisibil are
m+n1 variabile. Problema dual asociat problemei de transport este dat de
(4.51) . Are l
5. Problema de transport 103

Teorema 5.2. Cuplul de soluii duale ( )
ij
x i ( )
j i
v u , este optim pentru
problemele (4.8)-(4.11), respectiv (4.51), dac i numai dac
( ; 0

1

1

= =
i ij j i ij
ij j
i
ij i
j
ij
u c x v u c

) . 0
0 ; ;
=
= =

j ij
v
x b x a x

Din ultima condiie rezult c pentru
m n
(rezult din Teorema ecarturilor complementare).
0 >
ij
x se obine
j i ij
v u c + = .
l se n cele ce urmeaz prin celu nelege o pereche de indici (i,j), iar prin
ciclu se nelege un ir de celule notate
( ) ( ) ( ) ( ) ( ) . , , , , , , , , , ,
1 1 2 2 1 1 1
j i j i j i j i j i
t t t
L
n continuare vom evidenia cea mai important proprietate structural a
problemei de transport: toate bazele sunt triunghiulare. Aceast proprietate
simplific rezolvarea unui sistem de ecuaii liniare a crui matrice a coeficienilor
are o astfel de baz i aceasta conduce la implementarea eficient a metodei
simplex pentru problema de transport.

Definiia 5.1. O matrice ptratic se numete triunghiular dac prin permutri ale
liniilor i coloanelor sale poate fi pus sub forma unei matrice inferior triunghiular.

O matrice inferior triunghiular este triunghiular n sensul definiiei de mai
s. O matrice nesingular superior triunghiular este de asemenea triunghiular
coloanei
elementului nenul din pasul 1. Se reia pasul 1 cu submatricea obinut.

0 0 0 1 1
este triunghiular.
su
deoarece prin schimbarea ordinii liniilor i coloanelor sale devine inferior
triunghiular.

Algoritm pentru a determina dac o matrice este triunghiular.
Pas 1. Se gsete linia care are un singur element nenul.
Pas 2. Se formeaz o submatrice din matricea dat prin tierea liniei i
Dac aceast procedur poate fi continuat pn cnd toate liniile au fost
eliminate, atunci matricea este triunghiular. Ea poate fi pus sub forma inferior
triunghiular prin aranjarea liniilor i coloanelor n ordinea n care au fost
determinate prin procedura de mai sus.

Exemplu. Folosind algoritmul de mai sus, s stabilim dac matricea
=
1 0 1 0 0
0 1 0 0 1
1 1 0 0 0
0 0 1 0 0
B

104
Notm n partea stng a matricei B ordinea n care au fost gsite liniile cu un
singur element nenul, iar sub matricea B, ordinea coloanelor corespunztoare
elementului nenul.
2 3 1 5 4
2
4
3
1
5
1 0 1 0 0
0 1 0 0 1
1 1 0 0 0
0 0 1 0 0
0 0 0 1 1
= B

Permutm liniile n ordinea dat de coloana din dreapta matricei B i obinem
matricea
= 1 1 0 0 0
1 0 1 0 0
0 0 1 0 0
B .

oanele n matricea B
0 0 0 1 1
0 1 0 0 1
1
Permutm col sub matricea B
inem matricea
= 0 0 1 1 0
0 0 0 0 1
2
B
care es fel matricea iniial este triunghiular.
Aceast proprietate a matricelor este important ii n rezolvarea
din prim ia .a.m .

estricii din problema de transport:
1
n ordinea dat de linia de
i ob
0 0 0 1 1
1 1 0 0 0
0 1 1 0 0
te inferior triunghiular i ast

i are aplica
sistemelor de ecuaii liniare prin metoda substituiei (eliminrii) a lui Gauss.
Sistemul de ecuaii Ax=b , cu A inferior triunghiular permite determinarea lui x
1

a ecuaie, apoi x
2
din cea de-a doua ecua .d
Teorema 5.3. Orice baz a problemei de transport este triunghiular.
Demonstraie. Considerm sistemul de r
( )
= n j , 1

=
=
=
=
b x
a
j
m
i
ij
i
j
ij
1
1
1
uaii i a
format cuaiile de
mai sus, se elim eaz o
m i x
n
, 1
Schimbm semnul la primele m ec tunci matricea coeficienilor este
numai din 1 , 0, +1. Din Teorema 5.1, tergnd oricare dintre e
in redundana. Din matricea coeficienilor care rezult se form

coloan ine cel mult do
altul egal cu
Totui, nte nenule, atunci suma lor ar fi
trebuie
elemen i e o
linie cu l, lte
elem rul total al elementelor nenule ar fi cel puin 2(m+n1).
Deducem c ul pas al procedurii de verificare a triunghiularitii se verific i
raionamentul se poate continua pentru submatricea obinut din B prin tierea
liniei i coloanei corespunztoare elementului nenul. Se continu raionamentul,
ar
Deoarece orice matrice baz n problema de transport este triunghiular i toate
lementele nenu ului de ecuaii
liniare Bx=b c numere ntregi,
luia va fi format din numere ntregi. Acest lucru poate fi dat ca un corolar la
eorema 5.3.
or
nd seama de rezultatele de
i poart numele de
algoritmul de transport (datorat lui Kantorovich).

ociai c iilor
uR , v
v
n
=0 . D B g
.
nou la
stemul iniial de restricii. Dac x este necunoscut de baz, atunci coloana
n general, ecuaiile multiplicatorilor simplex sunt
baz nesingular, B, prin selectarea unei mulimi de m+n1 coloane. Fiecare
a matricei B con u elemente nenule, unul egal cu +1 i
1 . Astfel exist cel mult 2(m+n1) elemente nenule n baz.
dac orice coloan ar conine dou eleme
zero i s-ar contrazice nesingularitatea lui B . Astfel, cel puin o coloan a lui B
s conin numai un element nenul. Aceasta nseamn c numrul total de
te nenule din B este ma mic dect 2(m+n1) . Rezult c trebuie s fi
numai un element nenu altfel, dac orice linie ar avea dou sau mai mu
ente nenule, num
prim
stabilind c B este triunghiul .

e le sunt egale cu 1, rezult c, prin rezolvarea sistem
u metoda substituiei, dac toate datele iniiale sunt
so
T

olar 5.1. Dac sumele liniilor i coloanelor unei probleme de transport sunt C
ntregi, atunci variabilele de baz n orice soluie de baz sunt ntregi.

Metoda simplex aplicat problemei de transport, in
mai sus, este o versiune a algoritmului simplex revizuit
Multiplicatorii simplex as u ecuaiile restric i notm cu =(u,v) ,
m n
R . Deoarece o restricie este redundant , vom considera de exemplu c
at o baz , multiplicatorii simplex se sesc ca soluii ale sistemului
B
Ca s-i determinm n mod explicit din aceast ecuaie, ne referim din
c B =
si
ij
corespunztoare din A va fi inclus n B. Aceast coloan are exact dou
elemenete nenule egale cu +1: unul n pozitia i din partea superioar i altul n
poziia j din partea inferioar. Aceast coloan genereaz pentru multiplicatorii
simplex ecuaia
u
i
+v
j
=c
ij
,
deoarece u
i
i v
j
sunt componentele corespunztoare ale vectorului
multiplicatorilor simplex.
u
i
+v
j
=c
ij
()i, j
pentru care x
ij
sunt bazice. Matricea coeficienilor acestui sistem este transpusa
matricei bazei, aadar este triunghiular i sistemul poate fi rezolvat prin metoda
substituiei.

106
Corolar 5.2. Dac toate costurile unitare din problema de transport sunt ntregi,
atunci, dnd o valoare ntreag la un multiplicator oarecare, multiplicatorii
mplex asociai cu orice baz sunt ntregi.
Dac multiplicatorii simplex coeficienii costurilor relative
entru variabilele nebazice pot fi calculai cu relaiile
si

sunt cunoscui,
p
S S
c S = .
n acest caz coeficienii costurilor relative sunt
( ) ( ) n j m i c v u
ij j i ij
, 1 , , 1 , = = + = .
Pentru variabilele bazice 0 =
ij
. Dat o baz, calculul multiplicatorilor
simplex este asemntor cu calculul variabilelor de baz.
Conform cu algoritmul simplex general, dac o variabil nebazic are un
coeficient de cost relativ pozitiv, atunci acea variabil este candidat s intre n
baz. Cum valoarea acestei variabile este cresctoare, valorile variabilelor de baz
curente vor fi schimbate astfel nct s admisibilitatea soluiei. Valoarea
noii variabile va crete exact pn la valoarea pentru care vechea variabil de baz
devine zero.
Dac noul vector de baz atu sc barea n celelalte variabile de
baz este dat , unde B este baza curent. Din nou avem de-a face cu
o problem de rez are a unu istem b triunghiular n nou soluia are
proprieti special

Fie B o baz extras din A (dup ignorarea unei linii) i fie d o
i By=d. Atunci, y este reprezentarea lui d
baza B . Acest sistem de ecuaii poate fi rezolvat cu regula lui Cramer
se menin
este d , nci him
de d B
1
v ol i s cu az i di
e.
Teorema 5.4.
coloan a lui A care nu este inclus n B. Atunci, componentele vectorului
d B y
1
= sunt fie 1 , 0 sau +1.
Demonstraie. Fie y soluia sistemulu
n
B
B
det
det
k
k
y = ,
unde B
k
este matricea obinut prin nlocuirea n matricea B a coloanei k cu
coloana d . Att B ct i B
k
sunt submatrice ale lui A. Matricea B poate fi
pus sub forma triunghiular cu toate elementele diagonalei egale cu +1. Atunci,
detB=+1 sau 1 , dup cum liniile sau coloanele au fost permutate. Analog
detB =+1 , 0 sau . Concluzionm c fiecare component a lui y este fie 0, +1
sau 1 .

Din Teorema 5.4 rezult c atunci cnd o nou variabil este adugat la
soluie la un nivel unitar, variabilele de baz curente se vor schimba cu +1, sau
0. Dac noua variabil are valoarea , atunci, corespunztor, variabilele de baz
se vor schimba cu +, , sau 0. Este, aadar, necesar s determinm semnul
schimbrii fiecrei variabile de baz.
k
1
1

Determinarea acestor semne se face prin parcurgerea tabelului de trasport. Se
atribuie un semn + celulei corespunztoare variabilei care intr n baz,
reprezentnd o schimbare cu +, unde nu este nc determinat. Atunci,
plusurile, minusurile i zerourile sunt atribuite unul cte unul celulelor anumitor
variabile de baz, indicnd schimbri cu +, , sau 0 ca s se menin soluia
admisibil. La fiecare pas, exist o relaie , care determin n mod unic
semnul care va fi atribuit celorlalte variabile de baz. Rezultatul va fi o succesiune
de plusuri i minusuri atribuite celulelor care formeaz un ciclu iniiat de celula
variabilei care va intra n baz. De fapt, noua schimbare este o parte a unui ciclu de
distribuire a fluxului mrfii n sistemul de transport. Dup ce succesiunea de
, se obine o nou soluie admisibil
aloarea 0. Se examineaz variabilele
crora l rilor acestor
variabil loare se adaug
celulelo zultatul va fi
o nou s

5.2. Enunul algoritmului de transport

Pe baza rezultatelor de i sus, se poate enun lgoritmul de transport sub
urmtoarea form

Pas 0. Se determin o soluie de baz admi
d B
1
re
plusuri, minusuri i zerouri a fost determinat
prin modificarea nivelului variabilelor cu +, , sau 0. trebuie determinat
asfel nct vechea variabil de baz s ia v
i s-a atribuit semnul minus pentru a determina minimul valo
e, iar valoarea gsit va fi atribuit lui . Aceast va
r care au semnul plus i se scade din cele cu semnul minus. Re
oluie admisibil.
ma a a
.
ij
x sibil , corespunztoare bazei B,
format cu m+n1 coloane liniar independente din matricea A i fie B
mulimea celulelor de baz;
Pas 1. Se rezolv sistem ii ul de ecua
( ) B = + ) , ( , j i c v u
ij j i
.
Se obine o soluie particular pentru aceast lund v
n
=0 i se calculeaz
de cost redus, soluie coeficienii
i ij
u ( ) S ) , ( j i v
ij j
c , + = ,
S fiind mulimea celulelor corespunztoare coloanelor matricei A care nu
se afl n
Dac
B (celule secundare).
0
ij
pentru ( ) S ) , ( j i , atunci soluia de baz
ij
x este
optim. Stop!
Altfel, se determin S ) , ( k s , lund drept criteriu de intrare n baz
( ) ( ) { } , max S = j i
ij sk
.
Pas 2. Se determin ciclul format de S ) , ( k s cu o parte din celulele lui B i
se numeroteaz celulele alegnd un sens de parcurgere a ciclului.

108
Se determin celula B ) , ( t r care va iei din baz , lund drept criteriu
de ieire din baz { } min
ij rt
x x = , minimul fiind luat dup toate celulele
de ordin par din ciclul determinat mai sus.
Pas 3. Se formeaz, pornind de la baza B, baza B
~
, prin nlocuirea coloanei a

cu coloana a
sk
. Se determin soluia de baz admisibil
rt
ij
x
~

corespunztoare bazei B
~
, folosind pentru schimbarea bazei formulele:
( )
( )
( )
+ =
~
x x x
rt ij

ciclu din parte face nu dac
ciclu n impar rang de este dac
ciclu n par rang de este dac
i,j x
i,j
i,j x x
ij
rt ij ij

Se nlocuiete B cu B
~
,
ij
x
ij
x
~
cu i se trece la Pas 1.

5.3. Determinarea soluiei iniiale de baz

Algoritmul prezentat mai nainte necesit la pornire un program de baz iniial.

Metoda general de obinere a acestui program este urmtoarea (Malia i
Zidroiu, 1971):

a) Se d unei variabile de baz oarecare x
ij
valoarea
{ } , min
1
1
k l
n k
m l
ij
b a x

= .
b) Se nlocuiesc a
i
i b
j
cu
ij i
x a i respectiv cu
ij j
x b i se suprim linia
i , dac
ij
x =a
i
, sau coloana j , dac
ij
x =b
j
. Dac a
i
=b
j
se suprim fie
linia i , fie coloana j .
c) Se repet operaiile de la a) i b) pn cnd toate cererile sunt satisfcute.

S demonstrm c algoritmul de mai sus produce o soluie de baz. De fiecare
dat cnd apare un x
ij
>0 se suprim o linie i/sau o coloan. La sfrit, vor rmne
o coloan i o linie nesuprimate. Pn n acest moment au fost suprimate m+n2
linii i coloane. Cantitatea rmas n linia nesuprimat este egal cu cantitatea
rmas n coloana nesuprimat, aa cum rezult din condiia de echilibru.
i ultima linie, se obine o nou variabil x
ij
>0 , adic sunt cel mult
m+n1 variabile x
ij
>0.
Exist diferite metode de determinare a programului de baz iniial obinute din
metoda general prezentat mai sus, dup cum se particularizeaz x
ij
cu care se
ncepe metoda, cum ar fi de exemplu: metoda colului nord-vest a lui G. B. Dantzig
i,j) situat n prima linie i prima coloan) i metoda
Satisfcnd
(se selecteaz celula (

costului minim a lui H. S. Houthakker (se selecteaz la fiecare pas celula (i,j)
corespunztoare costului m c
ij
).

enea
amplasate n diferite locuri. Prin contract, prima staie de betoane asigur 10 m
3
, a
doua 15 m
3
, iar a treia 25 m
3
. Necesarul
de 5 m
3
pentru primul, 10 m
3
pentru al 20 i 15 m
3

pentru al patrulea. Preul de transport pentru 1 m
3
de la o staie de betoane la un
bloc este dat de Tabelul 5.1.

Tabelul 5.1
Bloc
Staie
betoane
B
1
B
2
B
3
B
4
Disponibil ( a
i
)
inim
5.4. Exemplu

O ntreprindere de construcii are n lucru 4 blocuri de locuine n diferite locuri
n ora i se aprovizioneaz cu mortar de la 3 staii de betoane de asem
zilnic de mortar pentru fiecare bloc este
doilea, m
3
pentru al treilea
S
1
8 3 5 2 10
S
2
4 1 6 7 15
S
3
1 9 4 3 25
Necesar (b
j
) 5 10 20 15

S se gseasc un plan de transport care s determine cantitile zilnice x
ij
de
mortar ce trebuie aduse de la staia de betoane i la blocul j, astfel nct
Rezolvare
cheltuielile de transport s fie minime.

1 ,
=
= + +
= + +
= + +
= + + +
= + + +
= + + +

= =
4 1 , 0
20
10
5
25
15
10
min
simplex
torii multiplica
34
33
32 22 12
31 21 11
34 33 32 31
24 23 22 21
14 13 12 11
3
1
4
1
3
2
1
3
2
1
j i x
x x x
x x x
x x x
x x x x
x x x x
x x x x
x c
v
v
v
v
u
u
u
ij
i j
ij ij

+ +
24 14
23 13
x x x
3
15
4

110
Matricea restriciilor
=
1 0 0 0 1 0 0 0 1 0 0 0
0 0 0 0 1 0 0
0 0 1 0 0 0 1 0 0 0 1 0
0 0 0 1 0 0 0 1 0 0 0 1
0 0 0 0 1 1 1 0 0 0 0
0 0 0 0 0 0 0 1 1 1 1
A

b) Determinarea unei soluii iniiale de baz
Determinarea soluiei iniiale de baz se face cu metoda colului nord-vest, pornind
de la Tabelul 5.1, obinndu-se Tabelul 5.2.
min {a
1
,b
1
}=min {10,5}=5=b
1
, x
11
=5 se suprim coloana 1
min {a
1
,b
2
}=min {5,10}=5=a
1
, x
12
=5 se suprim linia 1
min {a
2
,b
2
}=min {10,5}=5=b
2
, x
22
betoane
B
1
B
2
B3 B
4
Disponibil( a
i
)
1 1 1 1 0 0 0 0 0 0 0 0
1
0
0 1 0 0 1
min {a
2
,b
3
}=min {10,20}=10=a
2
, x
23
=100 se suprim linia 2
min {a
3
,b
3
}=min {25,10}=10=b
3
, x
33
min {a
3
,b
4
}=min {15,15}=15=b
4
, x
34
=15 se suprim linia 3 i coloana 4

Tabelul 5.2
Bloc
Staie
S
1
5 5 10 5
S
2
5 10 15 10
S
3
10 15 25 15
Necesar (b
j
) 5 10 5 20 10 15

Mulimea celulelor de baz este urmtoarea
B=( ) ( ) ( ) ( ) ( ) ( ) { } 4 , 3 , 3 , 3 , 3 , 2 , 2 , 2 , 2 , 1 , 1 , 1 .
Valoarea funciei obiectiv pentru baza dat de metoda colului nord-vest este
f=58+53+51+106+104+153=205
dup cum rezult din Tabelul 5.3.
Tabelul 5.3
8 3 5 2
5 5
4 1
5
6
10
7
1 9 4
10
3
15

n Tabelul 5.3 celulele cu diagonal sunt celulele de baz. Matricea bazei
corespunztoare este
x
11
x
12
x
22
x
23
x
33
x
34

c) Algoritmul de transport
Iteraia I
Pas 1. ncepem algoritmul cu solu obinut n etapa precedent. Se
consider v =0 i se rezolv sistemu

=
0 1 1 0 0 0
0 0 0 1 1 0
0 0 0 0 0 1
1 1 0 0 0 0
0 0 1 1 0 0
0 0 0 0 1 1
B
ia de baz
l
4
B
T
c B c B
B
1
) (

= = , unde
B
c =(8 3 1 6 4 3) ,
rezultnd ( ) ( )
= 1 4 1 3 5 7
3 2 1 3 2 1
v v v u u u .
Obinem pentru celulele nebazice coeficienii de cost redus,
ij j i ij
c v u + = ,
valorile:
13
=u
1
+v
3
c
13
=7+15=3;
14
=u
1
+v
4
c
14
=0+72=5;
21
=u
2
+v
1
c
21
=5+14=2;
24
=u
2
+v
4
c
24
=57=2; =u +v c
31
=3+11=3;
32
=u
3
+v
2
c
32
=349=10.
Cum nu toi ( ) S
( ) S ) , ( j i
31 3 1
ij
0 , ) , ( j i , continum cu determinarea celulei care intr n
baz ( ) { } 5 max
14
0
= = =

S i,j
ij sk
ij
.
Intr n baz celula (1,4) . Vectorul d corespunztor este d=(1 0 0 0 0 0) .
Pas 2. Se determin ciclul iniiat de celula (1,4)
x
11
x
12
x
22
x
23
x
33
x
34
) ( ) (

=
= =

1 1 1 1 1 0 0 0 0 0 0 1
1 1
B d B y
( ) ( ) ( ) ( ) ( ) ( ) ( ) { } 4 , 1 , 3,4 , 3,3 , 3 , 2 , 2 , 2 , 2 , 1 , 4 , 1
1
= C .
Se determin celula care iese din baza B cu criteriul
1
( ) ( ) ( ) ( ) { }
{ } 5 min
12
4 , 3 , 3 , 2 , 2 , 1 ,
0
= = =

x x x
ij
j i
j i
o

(minimul s-a luat dup toate celulele de ordin par (poziiile cu semn minus) din
ciclul C
1
) .
Pas 3. Aadar, iese din baz celula (1,2) i se obine baza
1
~
B cu celulele:
( ) ( ) ( ) ( ) ( ) ( ) { } 4 3 3 3 3 2 2 2 4 1 1 1
~
1
, , , , , , , , , , , = B .
Se calculeaz
( )
( )
( )
+ +

=
1
1
1
celula dac
semnul , ciclul n impar rang de este celula dac
semnul , ciclul n par rang de este celula dac
~
C
C
C
i,j x
i,j x x
i,j x x
x
ij
rt ij
rt ij
ij

i se trec n Tabelul 5.4


112
Tabelul 5.4
8
5+0
3
55
5 2
5
4 1
5+5
6
105
7
1 9 4
10+5
3
155

Valoarea funciei obiectiv f=58+52+10 56+154+103=180 .
Iteraia a IIa
Pas 1. Considernd din nou
~
1
1+
v
4
=0 se rezolv sistemul
1
~
1
1
)
~
1
(
~
B
T
c B

= , unde
1
~
B
c =(8 2 1
B
c B = 6 4 3)
) ( ) (

=
= 1 4 6 3
1 3 2 1
v u u u ,
i obinem pentru celulele nebazice coeficienii de cost redus,
12
=u
1
+v
2
c
12
=243=5;
13
=u
1
+ =2+15=2;
21
=u
2
v
1
c
21
=5+64=7
v
4
c
24
=57=2; =u +v c =3+61=8; u
3
+v
2
32
=349=
Deoarece nu toi
ij
( ) , (
2
3 2
v v 5
v
3
c
13
+
24
=u
2
+ c
32
= 10.
31 3 1 31
0 ,
1
) S j i um cu determinarea celulei care
int baz
, contin
( ) { } r n 8
31
= i,j
ij sk
.
Intr n baz celula (3,1) . Vectorul corespunztor este =(0 0 1 1 0 0) .
P e determin clul iniiat de celula (3,1)

x
14
x
22 23
x
33
x
34
) =
max
0
=

ij
1
= S
1
d d
as 2. S ci

x x
11

( ) (

= =

1 0 0 0 1 0 0 1 0 0
1
1 1 1
B B y
1
d 1 1
( ) ( ) ( ) ( ) ( ) { } 1 , 3 , 4 , 4 , 1 , 1 , 1 1 , 3
2
, 3 , = C .
Se determin celula care iese din baza
1
~
B cu criteriul
( ) ( ) ( ) { }
{ } 5 min
11
4 , 3 , 1 , 1 ,
0 0
= = =

x x x
ij
j i
j i

(min p toate celulele de ordin par din ciclul C
2
) .
Pas iese din baz celula (1,1) i se obine baza
imul s-a luat du
3. Acum
2
~
B cu celulele:
( ) ( ) ( ) ( ) ( ) ( ) { } 4 3 3 3 3 2 2 2 1 , 1 3 4
~
2
, , , , , , , , , = .
Se calculeaz
, B
( )
( )
( )
2
2
celula ac
ul im e celula ac
l par g es dac
C
C
i,j
i,j
j x
rt

c n
Tabelul 5
8
5+5
d x
ij
x
ij
+ = d
~
x x x
rt ij ij
2
C
cicl n par rang de ste
ciclu n ran de te celula i,
i se tre Tabelul 5.5.
.5
55
3 5 2
4 1 6 7

0 5 1
1
5
9 4
15 5
3
10

Valoarea funciei obiectiv f=102+ 1+56+51+154+53=140 .
Iteraia a IIIa
P in n m sistemu
~
2 2
10
as 1. D ou lum v
4
=0 i rezolv l
21 1
1
) ~
~
(
~
B
T
B B = = , un 2 de ~
B
c =(1
B
c c
1 6 4 3)
1
( ) ( )

=
= 2
3 1 3 2 1
v v v u u u ,
m pentru celulele nebazice coeficienii de cost redus,
11
=u
1
+v
1
c
11
=22 8;
12
=u
1
+v
12
=24 =u
3
+v 15=
v
1
c
21
=52 1; =u +v
24
=57=
3
+v
2
=10.
Deoarece
ij
( ) ) , ( S
3 5 2 1 4
2
i obine
2
c
1
c
31
=2+ 8= 3=5;
31
2;
21
=u
2
+
4
c 2;
32
=u c
32
=349 4=
24 2
0 ,
2
j i ia x
22
x
31
=5 ,
x
33
x
34
=5 este optim, d pentru funcia obiectiv valoarea ul
se oprete.

Rezolvm aceast grame Management
Scientist. Dup lans ulul Transportation
din fereastra prezentat se selectez din
submeniul File, New pentru cre obleme de transport, se introduc
num i numr c co o
transport ca n Figura 5.1.

x
14
=10 , =10 , x
23
=5 ,
f=140 i algoritm
, solu
=15 ,
p ro
area pachetului de programe alegem mod
roblem i cu ajutorul pachetului de p
n Figura 2.4. Din fereastra care apare
area unei noi pr
rul de depozite ul de entre de nsum, ap i costurile unitare de

Figura 5.1

Pentru rezolvarea probleme in sub Solve, se
alege din fereastra Select Optimization Criteria, Maximization Objective . Se
afieaz fereastra cu rezultatele prob ultatele obinute, aa cum se vd n
Figura 5.2, coincid cu cele obinute aplic ritmul de transport.

i, d meniul Solution se selecteaz
lemei. Rez
nd algo

114

Figura 5.2

S rezolv roblem utiliznd Solver-ul din Excel. Pentru aceasta
crem foaia de calcul cu datele de intrare ca n Figur , efectu d paii descrii
n continuare

m aceeai p
5.3 n
.

Figura 5.3
n celula D3 introducem funcia de optimiz D3 = 1 C8 14+ at C7*B 3+ *B

C9*B15+D7*D13+D8*D14+D9 5+ 7* +E8* E *F1 7*H 8
*H14+F9*H15. Celulele cu necunoscutele problemei sunt B13 , D 15,
F1 i H13H elulele B1 B24 con restr p ble cu
com A24, apoi se adaug condi
xe elula B nine =B1 D1 F1 H13, d v re c unt
troduse datele problemei. Analog celelalte celule (B19B24). Dup apsarea
butonului Solve se obin rezultatele problemei i rapoartele ca n Tabelele 5.65.8.
Remarcm c rezultatele sunt aceleai cu cele obinute cu Management Scientist..........

Tabelul 5.6
Worksheet: [Problema de transport.xls]Sheet1
Report Created: 6/24/2002 11:39:27 PM
Target Cell (Min)
Cell Name
Original
Value
Final
Value

*D1 E F13 F14+ 9 5+F 13+F
B15 13D
3F15 15. C 8 in iciile ro mei conform
entariile din celulele A18
mplu, c
iile de nenegativitate. De
avn e
in
18 co 3+ 3+ 3+ n ede um s
$C$3 Functia de optimizat 140 140
Adjustable Cells
Cell Name
Original
Value
Final
Value

$B$15 Solutia problemei 0 0
$C$15 B2 0 0
$D$15 B3 0 0
$E$15 B4 10 10
$C$16 B2 10 10
$D$16 B3 5 5
$E$16 B4 0 0
$C$17 B2 0 0
$D$17 B3 15 15
$E$17 B4 5 5
Constraints
$B$23 Restrictiile problemei 10 $B$23=$F$7 Not Binding 0
$B$26 Restrictiile problemei 5 $B$26=$B$10 Not Binding 0
$B$27 Restrictiile problemei 10 $B$27=$C$10 Not Binding 0
$B$28 Restrictiile problemei 20 $B$28=$D$10 Not Binding 0

116
$B$29 Restrictiile problemei 15 $B$29=$E$10 Not Binding 0
$B$15 Solutia pr Binding 0 oblemei 0 $B$15>=0
$C$15 B2 0 $C$15>=0 Binding 0
$D$15 B3 0 $D$15>=0 Binding 0
$E$15 B4 10 $E$15>=0 Not Binding 10
$B$16 Solutia problemei 0 $B$16>=0 Binding 0
$C$16 B2 10 $C$16>=0 Not Binding 10
$D$16 B3 5 $D$16>=0 Not Binding 5
$E$16 B4 0 $E$16>=0 Binding 0
$B$17 Solutia problemei 5 $B$17>=0 Not Binding 5
$C$17 B2 0 $C$17>=0 Binding 0
$D$17 B3 15 $D$17>=0 Not Binding 15
$E$17 B4 5 $E$17>=0 Not Binding 5

Tabelul 5.7
Worksheet: [Problema de transport.xls]Sheet1
Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$13
x11=Solutia
problemei 0 8 8 1E+30 8
$B$14
x21=Solutia
problemei 0 1.00 4.00 1E+30 1.00
$B$15
x31=Solutia
problemei 5 0 1 1.00 1E+30
$D$13 x12=B2 0 5 3 1E+30 5
$D$14 x22=B2 10 0 1 5 1E+30
$D$15 x32=B2 0 10 9 1E+30 10
$F$13 x13=B4 0 2 5 1E+30 2
$F$14 x23=B4 5 0 6 1.00 5
$F$15 x33=B4 15 0 4 2 1.00
$H$13 X14= 10 0 2 2 1E+30
$H$14 X24= 1E+30 2 0 2 7
$H$15 X34= 2 2 5 0 3

Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$B$18
x11+x12+x13+x14=
Restrictiile
problemei 1 10 5 0 0 3

$B$19
x21+x22+x23+x24=
Restric
problemei 15 0 1E+30
tiile
0 15
$B$20
x31+x32+x33+x3
Restrictiile
problemei 25 25 5 0
4=
2
$B$21
x11+x21+x3
Restrictiile
problemei 5 3 5 0 5
1=
$B$22
rictiile
problemei 10 1 10 0 10
x12+x22+x32=
Rest
$B$23
x13+x23+x33=
Restrictiile
$B$24
Restrictiile
x14+x24+x34=

Tabelul 5.8
M oso xcel 10.0 Lim
heet: [Problema d rt.xls]Limits Report 1
Re C 7/11/2002 8:23:41 AM
rget
icr ft E its Report
Works e transpo
port reated:
Ta
Cell Name Value
$D$3 Functia de optimizat 140
Adjustable Lower Target Upper Target
0 $B$13
x11=Solutia
$B$14
x21=Solutia
problemei 0 0 140 0 140
$B$15 problemei 5 5 140 5 140
x31=Solutia
$D$13 x12=B2 0 0 140 0 140
$D$14 x22=B2 10 10 140 10 140
$D$15 x32=B2 0 0 140 0 140
$F$13 x13=B4 0 0 140 0 140
$F$14 x23=B4 5 5 140 5 140

118
$F$15 x33=B4 140 15 140 15 15
$H$13 x14= 140 10 140 10 10
$H$14 x24= 0 140 0 140 0
$H$15 x34= 5 140 5 140 5


5.5. Problema atribuirii sarcinilor

S se determ :
unui specialist i se atribuie o singur sarcin,
sarcina este executat de un singur specialist, iar
profitul executrii sarcinii j de ctre specialistul i este c
ij
.

Trebuie s determinm x
ij
,

ine atribuirea optim a n sarcini la n specialiti tiind c
Atribuirea este optim dac profitul obinut este maxim (Luenberger, 1989).
n j n i , 1 , , 1 = = astfel nct

= =
x c
j
ij ij
max
1 1 1
= =
= =
= =
=
=
n i n i x
n j x
n i x
ij
n
j
ij
n
j
ij
n n
, 1 , , 1 , 0
, 1 , 1
, 1 , 1
1
1

(5.1)
n aceast formulare fiecare variabil x
ij
trebuie s ia numai valorile 0 sau 1 .

Teorema 5.5. Orice soluie de baz admisibil pentru problema de atribuire (5.1)
are toate componentele, x
ij
,

egale fie cu 0, fie cu 1.
Demonstraie. Din corolarul 5.1 toate variabilele de baz n orice soluie de baz
sunt ntregi. Variabilele x
ij
nu pot fi mai mari dect 1 i cum sunt nenegative, nu
pot lua dect valorile 0 sau 1 .

Astfel, sunt cel mult n variabile de baz care au valoarea 1, deoarece exist
cel mult un singur 1 pe fiecare linie i fiecare coloan. ntr-o problem de transport
de aceast dimensiune o soluie de baz nedegenerat ar avea 2n1 componente
pozitive. Problema atribuirii sarcinilor are soluia admisibil de baz puternic
degenerat avnd n1 componente de baz nule.
Pentru rezolvarea problemei de atribuire se poate folosi algoritmul de transport
sau algoritmul primaldual pentru problema de programare liniar.


1. Trei staii de betoane, S
i
, se aprovizioneaz cu ciment de la trei rampe de
descrcare, R
i
. Cantitile necesare fiecrei staii i cele oferite de fiecare ramp de
descrcare, precum i costurile de transport de la fiecare ramp la fiecare staie de
betoane sunt trecute n Tabelul 5.9 .
Tabelul 5.9


120
Costuri (u.m.) Ofert
Staie
Ramp
S
1
S
2
S
3
(tone)
R
1
7 2 5 17
R
2
3 6 3 21
R
3
4 5 6 23
Necesar
(tone)
19 28 14

S se precizeze planul de transport care s conduc la costul minim de transport i
ct este acest cost.
R. Transportnd de la R
1
pentru S
2
17 tone, de la R
2
pentru S
1
7 tone i pentru
S
3
14 tone, de la R
3
pentru S
1
12 tone i pentru S
2
11 tone, se obine costul
minim C
min
=200 u.m.

2. O firm textil are dou fabrici, doi furnizori de materii prime i trei centre de
desfacere. Costurile de transport pentru o ton de ncrctur ntre furnizor i
fabrici i ntre fabrici i centrele de desfacere sunt date n Tabelul 5.10 .

Sunt disponibile 10 tone de la furnizorul 1 i 15 tone de la furnizorul 2. Cele trei
centre de desfacere necesit 8, 14 respectiv 3 tone de produse finite. Cele dou
fabrici au capacitate de producie nelimitat.
a) S se reduc problema la o problem de transport cu dou surse i trei destinaii
i s se determine un plan de transport care s minimizeze cheltuielile totale.
b) Dac fabrica A are o capacitate de producie de 8 tone i fabrica B de 7 tone, s
se descompun problema n dou probleme de transport i s se rezolve.

3. O firm are nevoie s angajeze n trei posturi vacante trei persoane cu calificri
diferite. Pentru aceste posturi sunt trei pretendeni, fiecare putnd ocupa oricare loc
vacant cu acelai salariu, dar datorit deosebirii de aptitudini, studii i experien,
utilitatea fiecrui candidat pentru firm depinde de postul pe care este angajat.
Veniturile anuale ale firmei de a fiecrui candidat, angajat pe unul din cele
trei posturi vacante, sunt trecute n Tabelul 5.11.
Fabric

Furnizor
A B
Centru de
desfacere 1 2 3

Tabelul 5.10

Fabric
1 1 4 2 1 1.5 A
2 2 1.5 B 3 4 2
pe urm

Funcie

Candidat
1 2 3
Tabelul 5.11

1 5 4 7
2 6 7 3
3 8 11 2

S se decid cea mai bun repartizare pe funcii a candidailor, astfel nct
tigurile firmei s fie maxime.
R. Repartiznd candidatu ul 2 pentru funcia 1 i
andidatul 3 pentru funcia 2, firma obine un ctig maxim de 24 .

4. Un centru de proiectare are de realizat trei contracte pentru trei beneficiari (cte
unul pentru fiecare beneficiar n parte) i timpii necesari realizrii acestor proiecte
(n sptmni) pentru cele trei echipe de proiectare sunt trecui n Tabelul 5.12.

Tabelul 5.12
Client
c

l 1 pentru funcia 3, candidat
c
Echipa de proiectare
A B C
1 10 15 9
2 9 18 5
3 6 14 3

Dac fiecrei echipe i se atribuie un singur proiect, care va fi cea mai eficient
atribuire n sensul celui mai mic numr de sptmni necesare pentru realizarea
celor trei proiecte?

R. Echipei 1 i se va repartiza proiectul 2, echipei 2 i se va repartiza proiectul 3,
echipei 3 i se va repartiza proiectul 1, iar timpul minim necesar realizrii celor trei
proiecte este de 26 sptmni.

5. O firm care organizeaz mese festive trebuie s serveasc n fiecare sear cte
un banchet, timp de 4 zile. Pentru fiecare zi i sunt necesare r
i
fee de mese curate,
r
1
=100 , r
2
=130 , r
3
=150 , r
4
=140 . Feele de mese murdare se trimit la curtorie,
care le poate spla rapid (de pe o zi pe alta) cu un pre c
1
=6 u.m., sau normal (la
dou zile), cu un pre c
2
=4 u.m. Firma poate i s cumpere fee de mese la un pre
c
0
=12 . Stocul iniial de fee de mese este s=200. S se determine costul minim
pentru a asigura fee de mese curate n fiecare sear.

6. PROGRAMARE PTRATIC

e conduc la programare ptratic
optim a re
la dispoziie m resurse

6.1. Exemple de probleme car

6.1.1. Utilizarea surselor

Considerm, ca i n cazul programrii liniare, c avem
n cantitile b
i
, m i , 1 = . Cu ajutorul acestor resurse se pot desfura n activiti
de producie n i s notm cu x
j
, j = fiecrei activit , 1 , nivelul i j. Fie a
ij

ucerea unei uniti din produsul j, c
i

preul de desfacere i d
i
costul de
de lucru astfel nct profitul
obinut s fie maxim. Pentru a obine profitul maxim trebuie ca toat producia
realizat s se vnd la preurile c , ceea ce este greu de acceptat. Este natural s
o dat cu cret
preului de vnzare y
j
, astfel:
x
j
(
j
0 ,
j
Dependen ului y
j
de nivelu
j
a realitii, dar mai realis
se obine urmtorul model (Malia i Zidroiu, 1971):
cantitatea din resursa i necesar pentru prod
producie.
Se pune problema determinrii unui program
j
presupunem c volumul de producie x
j
care se vinde descrete erea
y
j
=
j
j
0 ). (6.1)
a liniar a pre l de producie x vndut este de
asemenea o simplificare t dect faptul c preurile
j
y
nu depind de x
j
. Astfel
( )
=

=
+ +

=
= =
,n j x
m i b x a
x f x d x
j
i
m
j
j ij
n
j
j j j
n
j
j j
1 0
1
) ( max
1
1 1
2

(6.2)
uncia obiectiv a acestui model este o form ptratic. Modelul (6.2) poate fi
stul unitar de produc
i
poate depinde de nivelul de
producie x
j
, astfel cu
F
extins n sensul c i co ie d
j j j j
x d d =
0
j
, iar preul unitar de vnzare y
j

ai multe produse
.
depinde de volumul de producie constituit din m
=
=
n
k
k jk j j
x y
1

6. Programare ptratic 123

6.1.2. Problema investiiei
S presupunem c exist mai multe domenii n care se pot face investiii,
anume D
1
, ..., D
n
. Presupunem c investind suma x
j
n domeniul D
j
se obine un
venit c
j
(x
j
) care depinde liniar de suma investit x
j

j j j j
x c + = .
S notm cu f venitul total adus de planul de investiii adoptat
i astfel se obine modelul
( )
=
+ =
n
j
j j j j
x x x f
1
) (
( )
=

=

=
=
,n j x
m i b x a
x f x x
j
i
m
j
j ij
n
j
j j j j
1 0
1
) ( max
1
1

(6.3)
Am obinut din nou o problem de optimizare n care funcia obiectiv este o
form ptratic, iar restriciile sunt liniare.

6.1.3. Regresii liniare
Presupunem c avem o mrime y care depinde liniar de variabilele x
1
, ..., x
n
,
astfel
y=a
1
x
1
+...+a
n
x
n
.
Se pune problema estimrii parametrilor a
1
, ..., a
n
, presupunnd cunoscute k
observaii asupra lui y i x
i ,

m i , 1 =
,k j x x
j
m
j
1 , ,...,
1
=
n sensul minimizrii sumei ptratelor abaterilor eventual
ponderat cu nite factori b >0
.
Asupra parametrilor a , ..., a
n
se impun condiii suplimentare, de tipul
sau .
j
i i j
x a y
j
2
1 1
min

= =

m
j
n
i
j
i i j j
x a y b
1
+

i i i
a a a

=

n
i
r i ri
p r c a
1
1

124
Se obine din nou o problem de programare cu funcia obiectiv o form
ptratic i cu restricii liniare
.
Mai nainte de a trece la rezolvarea problemei de programare ptratic s
amintim cteva noiuni referitoare la formele ptratice.

6.2. Definiii. Proprieti

Fie f o funcie de gradul al doilea n x , ..., x
nde: x=(x
1
, ..., x
n
) , i C
ij
=C
ji
(n caz contrar, adic dac C
ij
C
ji
,

+
=
= =

i i
-
i r
n
i
i ri
m
j
n
i
j
i i j j
a a a p r c a
x a y b
sau 1 ,
min
1
2
1 1
1 n

= = =
+ + =
n
i
n
j
n
j
j j j i ij
c x c x x C f
1 1 1
0
) (x
) (
,
R
n n
M C u
definim ( )
ji ij ij
C C d + =
2
i atunci

= = = =
=
i j
j i ij
i j
j i ij
x x d x x C
1 1 1 1
i
d
1
n n n n
ij
=d
ji
) , iar ( )
n
c c ,...,
1
= c .
Fie x xC x = =
= =
funcia Q(x) se poate pune sub form de sum algebric de ptrate de
Gauss). Dac notm cu n i cu n

numrul ptratelor care
au coeficienii pozitivi i respectiv negativi, atunci avem n
+
+n

n .
itiv definit dac

Definiia 6.2. Q(x) se numete form ptratic pozitiv semidefinit dac n
+
<n i
n
=0 .

Definiia 6.3. Q(x) se numete form ptratic negativ definit dac n

= n i
n
+
= 0 .

Definiia 6.4. Q(x) se numete form ptratic negativ semidefinit dac n
< n i
n
+
= 0 .

n
>0, atunci forma ptratic este nedefinit.

n
i
n
j
j i ij
x x C Q
1 1
) ( grupul termenilor de gradul al doilea. Se
tie c
expresii liniare, omogene i independente (reducerea la forma canonic a formelor
ptratice cu metoda lui
+

Definiia 6.1. Q(x) se numete form ptratic poz n
+
= n i
n
= 0 .
Dac n
+
>0 i

Propoziia 6.1. Dac Cx x x = ) ( Q este pozitiv semidefinit, atunci Q(x)=0 dac
i numai dac Cx=0 .
Demonstraie. Artm c Q(x)=0 implic Cx=0 . Fie ( )
n
y R i ( ) R ,
atunci
.
Cum inegalitatea are loc pentru
0 2 2 ) ( ) ( ) (
2
+ = + + = + + = + Cx y Cy y Cx x Cx y Cy y x y C x y x y Q
( ) R , rezult c 0 = Cx y . Dar cum
aceast egalitate are loc pentru orice y , rezult c Cx=0.
Implicaia invers este evident !

Proprieti
1. Dac Q este pozitiv definit, atunci
det(C)>0 i Q(x)>0, ( ) { } 0 \
n
R x , iar Q(0)=0 .
. Dac Q este pozitiv semidefinit, atunci
0 i Q(x)=0,
pentru o mulime de vectori x0 .
3. Dac Q este negativ definit, atunci
det(C)<0 i Q(x)<0,
2
det(C)=
( ) { } 0 \
n
R x , iar Q(0)=0
4. Dac Q este negativ semidefinit, atunci
det(C)=0 i Q(x)=0,
pentru o mulime de vectori x0 .
ie
n
i
i
1
2
cu
Demonstra
1. Q fiind pozitiv definit se poate reduce la forma canonic
=
i
Q ) (
=
n i
i
, 1 , 0 = > . Atunci . Afirmaia a doua rezult din
Propoziia 6.1 , astfel
0 ) det(
1
> =
=
n
i
i
C
0 0 = = = Cx Cx x x) ( Q . Dar, C este nesingular i
unica soluie este x=0.
2. Dac Q este pozitiv semidefinit cu
+
=
=
n
i
i i
Q
1
2
) (
+
= > n i
i
, 1 , 0 ,
n n i
i
, 1 ,

n
oziia 6.1 rezult 0 + = =
+
. Atunci
= i
i
C . Din Prop
. Dar, C este singular i soluia x=0 nu este unic.
Analog se demonstre 3 i 4.

Observaia 6.1. Pentru i
0 ) det(
1
= =
0 0 = = = Cx Cx x x) ( Q
az afirmaiile
( ) y x y x , ,
n
R ( ) ( ) 1 , 0 avem
( ) [ ] ( ) ( ) ) ( ) ( 1 ) ( 1
2
y x y x y x + + = + Q Q Q Q .

Deci, dac Q este pozitiv definit avem
( ) [ ] ( ) ) ( 1 ) ( 1 y x y x Q Q Q + < +
i dac Q este pozitiv semidefinit avem

126
( ) [ ] ( ) ) ( 1 ) ( 1 y x y x Q Q Q + + .
Prin urmare, orice form ptratic pozitiv defin este o funcie strict conve
orice form ptratic pozitiv semidefinit este o funcie convex.

O problem de programare ptratic este acea problem n care trebuie
determinat un vector x
*
care minimizeaz o form ptratic convex sau
maximizeaz o form ptratic concav i n care variabilele mai trebuie s
verifice un sistem de inegaliti liniare i eventual unele restricii de semn.

Forma general a problemei de programare ptratic este
it x i
0 x
j

+ =

=
= = =
) semn de restric ( 1
1
2
1
min ) ( min
1
1 1 1
n j
m i b x a
x c x x C f
n
j
i j ij
n
i
n
j
i
n
i
i j i ij
x

sau matriceal
ii
) ( , ) ( , R R R R
n mn
M M C b x
n
,
m
A
x 0
(6.4)

unde
+ =
2
1
min ) ( min x f
b Ax
x c Cx x

x c Cx x + =
2
1
) (x f
este convex. Numim aceast form a problemei de programare ptratic forma
canonic. n inegalitile (6.4), valorile b
i
sunt strict pozitive (dac ar fi negative,
egalitile respective se nmulesc cu 1).
Exemplu. n dou variabile o form ptratic pozitiv definit este paraboloidul
eliptic,
in

0 , , ) , (
2
2
2
2
2
1
2 1
+ = b a
b
x
a
x
x x f ,
i admite un minim unic (Figura 6.1), iar o form ptratic semidefinit este
cilindrul parabolic,
cu concavitatea ndreptat n sus (n acest caz nu avem un punct de extrem unic, ci
0 , ) , (
2
1
2
2 1
= a x a x x f ,
o dreapt paralel cu planul x
1
Ox
2
) (Figura 6.2).

Figura 6.1 Figura 6.2

6.3. Fundamentarea algoritmului lui Wolfe

n ce rmit trecerea de l
de program iniar
cu cele dou forme ale sale : scurt i lung.

Teorema 3.5 (care d condiiile Kuhn-Tucker) pentru aceast problem
formularea urmtoare.

r).

le ce urmeaz sunt prezentate teoreme ce pe a problema
are ptratic la o problem de programare l echivalent, fiind
astfel posibil utilizarea algoritmului simplex pentru obinerea soluiei
problemei de programare ptratic. Algoritmul care se obine este cunoscut sub
numele de algoritmul lui Wolfe,
are
Teorema 6.1. (Condiiile KuhnTucke Vectorul ( )
* *
1
*
..., ,
n
x x = x es ia
problemei de pro
te solu
gramare ptratic (6.4) dac exist i numai dac
( )
* *
1
*
..., ,
m
u u = u , ( )
* *
1
*
..., ,
n
v v = v i ( )
* *
1
*
..., ,
m
y y = y astfel nct
= =

= +

= =
=
=

0 0
0 , 0 , 0 , 0
1
1 1
* * * *
1
*
1
* *
n
i
*
i
*
i
n
j
*
j
*
j
m
i
i
n
k
n
j
i j ij
y u , v x
u
m i b y x a
y v u x
sau matriceal
(6.5)
=
1
* *
1
j j ij
k
jk
n j c v a x C


128

= =
= +
0 u 0 x
0 y u 0, v x
b y
t
* *
, ,

=
0 y v 0
-c v - u A - Cx
Ax
* *
,
Observaia 6.2. y
i
sunt variabilele ecart care apar n Ax+y=b, v
i
sunt variabilele
ecart n CxA
T
uv=c .
cond i u
i
y
i
=
, adic din cele 2m+2n necunoscute care apar n sistemul
ibile de baz ale sistemului (6.5) .

Fie problema de programare ptratic
Din iiile de nenegativitate rezult c x
j
v
j
=0 0 ,
m i n j 1 , 1
(6.5) de m+n ecuaii, intereseaz numai soluiile nenegative, care au cel mult
m+n componente nenule, adic soluiile admis

=
n j x
j
j
i j ij
1 0
1
=
+ =

= = =
m i b x a
x c x x C f
n
n
i
n
j
i
n
i
i i i ij
1
2
1
min ) ( min
1 1 1
x

+ =
b Ax
x c Cx x x
2
1
min ) ( min f
(matriceal)
Numim aceast form a problemei de programare ptratic forma standard.

Teorema 6.2. Problema (6.4) admite soluie optim x
*
dac i numai dac
astfel nct
0 x (6.4)
( )
m
R u
( ) ( ) 0 0 0 = +
+ = u A Cx c x u A Cx c b Ax x
t * * * t * * *
; ; ; .
Demonstraie. Din Teorema 6.1 rezult c x
*
este soluie a problemei (6.4) dac
i numai dac ( )
m
R
*
u , astfel nct
, 0
*
x 0 = ) (
u
* *
u , x L , 0 ) (
x
* *
u , x L , ( ) 0 =
) (
x
* *
u , x * x L .

a problemei (6.4) dac i numai dac
*
u , a
Corolar 6.2. x
*
este soluie
m
( )
n
R ,
*
v stfel nct ( )
* * *
u , v , x este soluie pentru sistemul
. , 0 0 u v x
u A Cx
R
=
= +
=
, 0 x
-c v
b Ax
t
(6.6)
Demonstraie. n Teorema 6.2 lum .
2. Dac R
n
Ax=b ; x0 }, unci (6.4) are optim
infinit dac i numai dac sistemul
u A Cx - -c v
t
+ =
Propoziia 6. R = { x at

=
, 0 , 0
* *
u x
b Ax
*
(6.7)
c
= +
*
-c v u A Cx
* t *

este incompatibil.
Demonstraie. Presupunem = ) ( min x f i s artm c sistemul (6.7) este
incompatibil. Fie x R . Prin absurd, presupunem c sistemul (6.7) are soluia
(x
*
, u
*
, v
*
). Deoarece f este convex avem
( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
* * * * *
* * t * * * * *
x v Ax u - x v - Ax u
x x v u A x x c Cx x x x x x
+

=
=
+ =
) ( ) ( ) ( f f f
x

Dar
i b Ax Ax
*
= = ( ) 0
* *
x v ,
e unde rezult c d
( ) x v - x x
* *

) ( ) ( f f ,
adic minf(x) nu poate fi - . Contradicie!
S artm c dac sistemul (6.7) este incompatibil atunci minf(x)= .
Sistemul fiind incompatibil, rezult c problema (6.4) nu are soluii. Da, cum
R, rezult c .

S considerm o partiie,
= ) ( min x f
( )
3 1 i i
I , a mulimii indicilor { } n , ... , 2 , 1 astfel
( ) { }
i
I j
j
i
i
x j I
= = x , i=1,2,3 i s rescriem vectorii x i v sub forma

.

blem de programare liniar
admite soluie optim (x
*
, v
*
, u
*
, z
*
) cu x
*1
>0 , v
*3
>0 , atunci exist
nct
Demonstraie. Rearanjnd restriciile, problema (6.8) se poate pune sub
forma
=
3
2
x
x
x
x
1
,
=
3
2
v
v
v
v
1
Lema 6.1. Dac urmtoarea pro
= =

= + +
=
0 0 0
1 3
,
,
min
v , x z v, x,
h u, g z, v, x,
-h Dz v u A Cx
b Ax
z g
m n
t
R R
(6.8)
n
R

* *
2
* * *
h z g , C A = = = 0 0 0 , , . astfel

130
[ ]
= +
0
0
0
0
z , v , v , x , x
h Dz
v
v u A x
x
C C C
C C C
C C C
b x
x
A A A
z g
t
3 2 2 1
3
2 2
1
33 32 31
23 22 21
13 12 11
2
1
3 2 1
min

(6.9)
blemei (6.9) este problema de programare liniar Duala pro
{ }
+ + +
+ + +
+
. , 0 , A
g D
C C C A
C C C A
h b
0 0
0
0
3 2
3
33
2
22
1
12 2
3
31
2
21
1
11
1
max

t
t t t t
t t t t
(6.10)
Din Teorema fundamental a dualitii (4.13) exist o soluie optim
( )

, pentru problema dual (6.10) astfel nct . Deoarece
, restriciile corespunztoare variabilelor sunt verificate cu
egalitate de ctre soluia optim a problemei duale (din Teorema ecarturilor
complementare, 4.13), adic
(6.11)
nmulind prima relaie (6.11) cu , iar pe cea de-a doua cu i
adu d
*
z g h b = +

0 >
3 1
* *
v , x
3 1
v , x
= =
+ +
= + +

, , , A
C C A
C C A
0 0 0
0
0
3 2
2
22
1
12 2
2
21
1
11
1

t t t
t t t

1
0
3 *

nn u-le, avem
( ) ( ) ( )

+ + +
21 11
1
C C A

1 1 1 1
t t t
2
( ) ( ) ( ) 0
+ +

22 12 2

t t t
C C A .
inem seama c 0 =
A i atunci putem scrie relaiile de mai sus sub forma
2 2 1 2 2
( ) ( ) 0

2
22 12
12 11

C C
.

1
2 1
C C


o De arece 0 =
3
, relaia de mai sus se mai poate scrie ( ) 0

C . Cum C
( ) 0 =

C , iar din Propozi este semidefinit, rezult c pozitiv ia 6.2 avem
i inem seama de aceste
rela
0 = . Relaiile (6.11) devin
C 0 =
t
1
A 0
t
2
A .
ii n evaluarea produsului b i avem
( ) ( ) ( ) 0 =
= =

2
2
2
2
1
1
* * * *
x A x A x A Ax b ,
adic 0 = b i
* *
h z g = . Astfel, lema este demonstrat.

Propoziia 6.3. Dac R , atunci problema (6.4) are optim infinit dac i
numai dac soluie a sistemului
=
0
0
A
Demonstraie. Dac
( )
n
R

<

0
0
c
C

(6.12)
= ) ( min x f , atunci sistemul (6.7) este incompatibil,
adic problema de programare liniar
(6.13)
unde

= + +
=

, 0 , 0
min
u x
-c Dz v u A Cx
b Ax
z e
t

( )
n j i
ij
d D

=
,
1
, , iar
> =
=
=
0 , dac 1
0 , dac 1
dac 0
i
i ij
c j i
c j i
j i
d
( ) 1 1..., , = e are optim

nenul. Fie (x
*
, v
*
, u
*
, z
*
) o soluie optim pentru (6.13). Sistemul (6.12)
compatibil, aa cum rezult din Lema 6.1, n care lum
este
( ) = = = = =
3
1 ,..., 1 , 1 I I
1
, -c h , e g
i innd seama c ez>0.
Dac soluie a sistemului (6.12) i ( )
n
R

R x , atunci pentru
( ) 0 , astfel nct avem 0 +
*
x ( ) b A Ax x A = + = +
* *
. De aici
rezult c pentru R +
*
x ( ) 0 . Calculm
( ) ( )
* * * 2 * *
) ( 2 ) ( c x c C C x x x + = +
+ + = +

f f f
i pentru c , rezult c 0
*
< c ( ) +

*
x f .

132

6.4. Forma scurt a algoritmului lui Wolfe

= + +
=
0
2 1
2 1 *
,z z v, x,
-c z z v u A Cx
b Ax
t

(6.14)
unde , iar , mpreun cu urmtoarea regul
:
Pentru
Algoritmul lui Wolfe n forma scurt const din dou etape. n etapa nti se
rezolv urmtoarea problem de programare liniar (tefnescu, 1989):
{ } +
2 1
min z z
n
R
2 1
,z z v, x,
m
R u
suplimentar
( ) n i , 1 = , x
i i
nu pot fi simultan nenuli (6.15)

Teorema 6.3. Prin aplicarea algoritmului simplex problemei (6.14) mpreun cu
regula suplimentar (6.15) se ajunge la una din situaiile:
a) problema (6.14) nu are soluii admisibile,
, v
= R ;
b) se obine soluia optim (x
*
, v
*
, u
*
, z
*1
, z
*2
) pentru problema (6.14);
c) se obine o soluie de baz a problemei (6.14) care nu mai poate fi
mbuntit fr nclcarea regulii (6.15).
Demonstraie. Se aplic algoritmul simplex, faza I, problemei (6.14), inndu-se
seama de regula (6.15) . ntruct nu s-au pus condiii de semn asupra vectorului u,
vom descompune n u=u
1
- u
2
, Semnul pentru se alege
acelai cu cel al termenului liber
.
De aceea aceste variabile
elor m ecuaii. Fie
0 0
2 1
u , u .
2
i
1
z z ,
i
l
astfel nct s fie
i
sunt iniial variabile de baz. Se completeaz baza cu variabilele artificiale x
c
a
,
adugate prim m rang r < = ) (A i se consider c primele r
A
Faza I se aplic problemei

m r m r
i
i
x
R R R
2 1 2 1
2 1 2 1
, , ,
, , ,
u u x , z z v, x,
z z , u u v, x x,
a
a
0
(6.16)
unde
,
coloane ale matricei
C
sunt primii r vectori unitari din R
m+n
.
~
~
a
min
= + + +
=
2 1 2 1
-c z z v u A u A Cx
b x A
t t *

( )

= =
+
a
x
x
x e e A, A
~
, ,...
~
1 m r

respectnd regula (6.15). Baza iniial este baza canonic din R
m+n
, iar soluia de
baz iniial este
j j j j
c
,

oincid, dou astfel de variabile nu
pot fi simultan n baz n aceast faz fr a
se altera rezultatul. De fiecare dat are ansa s intre n baz o
vom nlocui cu v
i
, pstrnd astfel v=0 n faza I.

Teorema 6.4
1. Dac se realizeaz a) din Teorema 6.3, atunci problemma (6.4) nu are
soluii admisibile.
2. Dac se realizeaz b) din Teorema 6.3, adic , atunci x
*
este
soluie optim a problemei (6.4).
3. Dac se realizeaz b) din Teorema 6.3 i
= =
c c z z
m i r b x
m
j j j j
i
a
i
. 0 da , 0
2 1
(6.17)
= =
+

= c z -c z
i
r i b
x
i
i
, 0 dac 0 ,
1 r 0
1
2 1
Deoarece coeficienii variabilelor

i
v i
1
i
z c
i atunci regula (6.15) se poate aplica
cnd o variabil
1
i
z
0 = =
2 1
* *
z z
( ) 0 > +
2 1
z z e , problema (6.4)
are optim infinit.
4. Dac se realizeaz c) din Teorema 6.3 i dac , atunci x
*
este
soluie optim pentru problema (6.4).
Demonstraie. Dac se realizeaz a) din Teorema 6.3, atunci sistemul
este incompatibil deoarece nu s-au eliminat n faza I toate
x
a
din baz. Dac se realizeaz b) i c) din Teorema 6.3,
ul este compatibil i astfel rezult concluziile 2, 3
i 4 i demonstraia se ncheie.
1. Variabilele se introduc doar dac c
i
>0.
2. La ncheierea fazei nti s-au eliminat toate variabilele artificiale x
a
. n
faza a doua nu se mai introduc variabilele nebazice.
3. Nu se poate trage o concluzie n situaia c) din Teorema 6.3, deoarece
.

Ur rea teorem stabilete condiii suficiente pentru cazul n care se poate
aplica algoritmul simplex, completat cu regula suplimentar (6.15), pentru
Teorema 6.5. Pentru ca prin aplicarea algoritmului simplex, modificat cu regula
(6.15), problemei (6.14) s se ajung n una din situaiile:
a) problema (6.14) nu are soluii admisibile,
0 = =
2 1
* *
z z
0 , = x b Ax
variabilele artificiale
rezult c sistem 0 , = x b Ax

Comentarii

2
i
z

2
*
1
*
,
i i
z z
regula (6.15) nu face parte din algoritmul simplex.
4. Dac A are o baz unitar, faza I nu mai este necesar
mtoa
rezolvarea problemei de programare ptratic (6.4).

= R ;
b) se obine soluia optim (x
*
, v
*
, u
*
, z
*1
, z
*2
) pentru problema (6.14);

134
c) se obine o soluie de baz a problemei (6.14) care nu mai poate fi
mbuntit fr nclcarea regulii (6.15),
sunt suficiente urmtoarele condiii:
i) c=0 ,
ii) C este pozitiv definit,
iii) C din problema (6.4) este pozitiv definit.
Demonstraie. Dac n urma aplicrii fazei I se ajunge fie n cazul b), fie n cazul
c), s-a obinut o soluie de baz (x
b
, v
b
, u
b
, z
b1
, z
b2
) pentru problema (6.14).
Faza a II-a a metodei simplex va rezolva urmtoarea problem de programare
liniar
= + +
=
0 z v, x,
-c Dz v u A Cx
b Ax
t
i

(6.14)
unde este o matrice diagonal ale crei elemente sunt date de relaiile
altfel 0
bazic ariabil
bazic variabil este dac 1
1

b
i
z
,
pornind de la soluia de baz (x
b
, v
b
, u
b
, z
b
) , u
. altfel 0
baz de variabil este dac
baz de variabil este dac
2 2
1 1

b
i
b
b
i
b
z
z z

Fie

z
i
min
( )
n i
ii
d D

=
1 `
= v este dac 1
2
b
i ii
z d
nde
=
b
i
z z
{ } 0
*
1
> =
i
i I x i { } 0
*
3
> =
i
i I v , unde (x
*
, v
*
, u
*
, z
*
) este soluia final a
problemei (6.14), obinut cu algoritmul simplex modificat cu regula suplimentar
(6.15). Atunci (x
*
, v
*
, u
*
, z
*
) este soluie optim i a problemei
= =
= + +
0
0 0
z v, x,
v x
-c Dz v u A Cx
z
i
1 3
,
min
i
Presupunem c (x
*
, v
*
, u
*
, z
*
) nu este soluie optim a problemei (6.14) i
atunci, la urmtorul pas, algoritmul simplex produce o nou soluie de baz
mbuntit pentru problema (6.14). Deoarece ,
b Ax
t
(6.14)
0
*
=
j
x
3 2
I I i , ,
i cum problema (6.14) impune condiiile , este
posibil ca n noua soluie de baz cu valori nenule, cel m
. n acest fel noua soluie satisface condiia (6.15) i este o soluie
mai bun dect (x
*
, v
*
, u
*
, z
*
). Contradicie !
0
*
=
j
v
2 1
I I i 0 0 = =
1 3
, v x
ult una din variabilele
2
, , I i v x
i i


m 1 lund ( )
n Le a 6. , = 1 1, g i = c ob e ex n
cu proprietile C = , .
Din i) rezult gz at ci
Din ii) i C rezult i z= tu d no z
blema (6.4) poate fi adus la forma .4 i la formei (6.4 prin
introducerea variabilelor ecart w, astfel
..., h , in m iste a vectorului
*

n
R
* * *
c z g A = = , 0 0
c =0 i un z=0 .
*
= c
*
0 g 0 =0 i a nci in u =0 .
Pro (6 ), smi r ),
+
0
~
~
~
m
x
b A
x x
unde: , ,
0
C
~
.
Ad u ea v riab lor art a tea c atricea d fu ia
obiectiv este pozitiv definit
n i este ozi sem pli d ma 1 p tru
~
c
~
x C
~
~
1
2
in
x (6.4)
m n+
= R
w
x
x
~
=
0
c
c
~
=
0 0
C
g r a a ile ec nu fec z faptul m C in nc
.
Di ii) C
~
C
~
A
~
p t iv idefinit i a cn Le 6. en ,
rezu c exist

~
cu
~
c C 0 ca ai
sus,
*
=0 i g i atunci din nou 0.
n toate cele trei situa sol a , v
*
, z ) are z teo ma este
dem stra

Observa .3
a algoritmului lui Wo se atunci cnd se verific
incluziunea
0 = lt

C . De aici rezult
*
= i, m
z=0 z=

*
ii ui (x
*
, u
*
=0 i re
on t.
ia 6
a) Forma scurt lfe aplic
{ } { } 0 c 0 C = =
n
R R (6.18)
b) Incluziunea (6.18) are loc dac ve unul din urmtoarele cazuri:
i) c=0 ,
ii) C e te p iv in
iii) M icea
0 = A
n
,
se rific
s ozit def it,
atr [ ]
t
A C, are rangul n ,
iv) Sistemul +
t
a so ,
Pro ma tand d (6.4) p te cri
c = u A Cx re luii
v) ble s ar oa fi s s sub forma canonic
b x A
c x x
*
* *
)
2
1
min

cu C
*
pozitiv definit.
x + ( C
0
*

136
Demostraie
i) Incluziunea (6.18) este evident deoarece membrul drept coincide cu R
n
.
ii) i iii) au membrul stng format numai din vectorul nul i atunci incluziunea
(6.18) este evident.
iv) c este o combinaie liniar a liniilor matricei [ ]
t
A C, i incluziunea (6.18)
este evident.
v) Demonstraia este dat n Teorema 6.5 .

Comentarii. Faza I rezolv problema (6.16) pentru eliminarea variabilelor auxiliare
x
a
din baz, lund u=0 , v=0 . Dac problema (6.4) are optim, atunci minimul din
problema (6.16) este zero i variabilele au fost nlociute cu . Dac nu s-au
eliminat din baz toate variabilele (caz de degenerare), se nlocuiesc cu
, lucru posibil cnd
a
i
x
i
x
a
i
x
a
i
x
i
x m rang = ) (A . Dac m rang < ) (A , variabilele
rmase n baz se elimin o dat cu liniile i coloanele corespunztoare din
deoarece restriciile corespunztoare sunt consecine ale celorlalte. Baza cu care
iese din faza I conine numai una din variabilele , deoarece coloanele
corespunztoare acestor variabile sunt egale i de semn adar, din faza I
se iese cu o baz format din m variabile x
i
(dac
a
i
x
A,
se
1
i
z
2
i
z
contrar. A
m rang = ) (A ) i n variabile
sau .
Faza a II-a folosete programul obinut n faza I pentru rezolvarea problemei
(6.14), innd seama de regula (6.15) care poate fi formulat i astfel :
dac una din variabilele x
i
i v
i
este n baz, atunci cealalt nu poate fi
introdus n baz la iteraia respectiv.
Se asigur astfel respectarea condiiei x
i
v
i
=0.

Exemplu. S se rezolve urmtoarea problem de programare ptratic :

1
i
z
2
i
z
x c' Cx x' + =
+ + +
2
1
min 3 2
2
1
2
1
min
3 2 1
2
2
2
1
x x x x x
.
Rezolvare. Vom aplica algoritmul lui Wolfe n forma scurt.
f(x)=
= +
0 , ,
4 2
3 2 1
3 2 1
x x x
x x x
x c' Cx x' +
2
1
; .
Verificm dac se poate aplica algoritmul Wolfe, forma scurt.
rang
( ) 1 2 1 ,
1
3
2
,
0 0 0
0 1 0
0 0 1
=
= A c C
[ ] 1
1 0 0
2 1 0
1 0 1
deoarece 3 2 0 =

1
1
0 0 0
1 0
0 0 1
=
= rang
t
A C .

Aadar, se poate aplica algoritmul deoarece incluziunea (6.18) este verificat,
fiind ndeplinit condiia iii) din Com
Introducem variabilele artificiale nenegative x
a
, z
1
, z
2
i condiiile
KuhnTucker devin:

= +
oarecare
,
1
1
2 1
u
z x
c z z

u a a , acestor variabile li se atribuie valori astfel:
dac
sau 0 ; 0
2
2
=
j j
j j j
c z
z c

ia de lum: x v =0 , u = x
a
= b
Pentru ca i asupra lui u s xiste condiii de nenegativitate, l desfacem n doi
vec negati fel: u = u
2
(u corespunznd restriciei cu egalitate, nu
are resricii de semn).
ceal, r ile K r dev
= +
, , ,
2 1 2
1
0 z z u v x
Dz u u A Cx
t
=
0

ponente avem:
= +
= + +
2
4 2
1 1
3 2 1
u v x
x x x
Faza I. Se aplic algoritmul simp obleme de programare liniar:
= + +
= + +
+
= +
=
. , , ,
1
3 2
4 2
ca
2 1 1
2
2 1
3 3
2
1
2
2 2
1
1
1
1 1
3 2
1
n
i
a A
i
x , ,
u u v
u u v
z u v
x x
x x
z u v
n aceast faz 0, . Calculele sunt date n
Tabelul 6.1 . Algo im c min x
a
=0.
Tabel l 6.1
entarii.
vea o baz
+ u A v Cx
t
= + b x Ax
a
, ,
2
w z 0 0 , v 0 0 0
Pentr
. 0 ; 0
1
=
j
z
d
=
j
j
c
ac
1
= c z
n solu baz =0 , 0, .
e
tori ne vi ast u
1
Matri estrici uhnTucke in:
( )
, c unde D + v
= + b x Ax
a
, w , ,
1
u
2
0 1 0

0 0 1
1 0
Pe com

x
a
0 , ,
2 1 2 1
w , z , z , u v, u x
= + 1
2
2
2 1
3
z u u v
= 3 2 2
2
1
2 1
2 2
z u u v x .
+
1
1
2 1
z u
lex urmtoarei pr
1
x
1
x
x
0
a
+ z + 2
1
1
= 2 +
2
u
+
a
x
= 0)
a
x = min (trebuie min
2
3
,
2
2 2
z
z u
u =
ritmul s
v =0, deci nu pot intra n baz
plex se opre

te
u
u

138
0 0 0 0 0 0 0 0 1 0 0 0
CVB VB VVB x x
a
1
x
2
x
3
v
1
v
2
v
3
u
1
u
2
1
1
z
2
2
z
3
2
z

1 x
a
0 1 4 1 2 1 0 0 0 0 0 0 0
0 2 1 0 0 0 1 0 0 1 0 0 1 1
1
1
z

0 0 1 0 0 2 1 0 0
2
2
z

3 0 1 2 0
0 1 0 0 0 1 1 1 0 1 0 0 0 0
3
2
z

2 1* 0 0 0 0 0 0 0 0 0 4 1
0 x 1 2 0 0 0 0 0 4 1 0 0 0
3
0
1
1
z

2 1 0 0 1 0 0 1 1 1 0 0
0 1 0
2
2
z

3 0 0 1 0 2 2 0 1 0
0
3
2
z

1 0 0 0 0 1 0 1 1 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0

Tabelul 6
0 0 0 0 0 0 0 0 1 1 1
.2
CVB VB VVB x
1
x
2
x
3
v
1
v
2
v
3
u
1
u
2
1
1
z

2
2
z
3
2
z

0 x 4 1 0 0 0 0 0 2 1 0 0 0
3
1
1
1
z

2 1 1 1 1 1 0 0 0 0 0 0
1 3 0 1 0 0 1 0 2 2 0 1 0
2
2
z

1
3
2
z

1 0 0 0 0 0 1 1 1 0 0 1
6 1 1 0 1 1 1 2* 2 0 0 0
0 x 4 1 2 1 0 0 0 0 0 0 0 0
3
1 1/2 1 1/2 0 1 1/2 0 0 0 1 0
1
1
z

0 u 3/2 0 1/2 0 0 1/2 0 1 1 0 0
1
1 5/2 0 1/2 0 0 1/2 1 0 0 0 1
3
2
z

3 1* 1 0 1 0 1 0 0 0 0
0 x
3
7/2 0 5/2 1 1 1/2 0 0 0 0
0 x
1
1/2 1 1/2 0 1 1/2 0 0 0 0
0 u 3/2 0 1/2 0 0 1/2 0 1 1 0
1
1 5/2 0 1/2 0 0 1/2 1 0 0 1
3
2
z

5/2 0 1/2 0 0 1/2* 1 0 0 0
0 x
3
2 0 2 1 1 0 0 1 0
0 x
1
2 1 0 0 1 0 0 1 0
0 v 3 0 1 0 0 1 0 2 0
2
1 1 0 0 0 0 0 1 1 1
3
2
z

1 0 0 0 0 0 1 1* 0
0 x
3
1 0 2 1 1 0 0 0
0 x
1
3 1 0 0 1 0 0 0
0 v
2
5 0 1 0 1 0 0 0
0 u
3
1 0 0 0 0 1 1 0
0 0 0 0 0 0 0 0

I i renunnd la
oare vari , se aplic din nou algoritmul simplex
pentru minimizarea funciei
Faza a II-a . Folosind tabelul simplex rezultat din faza
coloana corespunzt abilei x
a
{ }
2
3
2
2
1
1
min z z z + + . Calculele sunt prezentate n
elul 6.2 .
Faza a IIa se ncheie cu eliminarea din baz a vectorilor z i z
2
i
Tab
1
{ }
2
3
2
2
1
1
min z z z + + =0.
2
1
Deci, soluia este x
1
=3, x
2
=0, x
3
=1, i f(x
1
, x
2
, x
3
) = .
Multiplicatorii lui Lagrange sunt: v
1
=0, v
2
=5, v
3
=0; u=u
1
u
2
=01=1 .

Vom considera, ca exemplificare a folosirii Solver-ului din Excel pentru
rezolvarea problemelor de programare ptratic, problema de mai sus. Se creeaz
foaia electronic de calcul cu datele problemei ca n Figura 6.1. Celula D4 conine
funcia de minimizat =((1/2)*D7^2+(1/2)*D8^22*D7+3*D8+D9, celulele D7D9
conin necunoscutele problemei, iar restricia D72*D8+D9 este depus n celula
B11. Condiiile de nenegativitate ale necunoscutelor sunt D7:D9 B7:B9.
Selectnd Solve se rezolv problema, obinndu-se aceleai valori pentru funcia de
optimizat i pentru necunoscute ca i cele obinute n urma aplicrii algoritmului lui
Wolfe forma scurt, aa cum se vede din rapoartele din Tabelele 6.3-6.5 .

Figura 6.1

140

Tabelul 6.3
Target Cell (Min)
Cell Name
Original
Value Final Value
Worksheet: [Programare patratica.xls]Sheet1
$D$4
Functia de
optimizat 0 0.5
Adjustable Cells
Cell Name
Original
Value Final Value
$B$15 x1= 0 3
$B$16 x2= 0 0
$B$17 x3= 0 1
Constraints
$A$12 x12x2+x3= 4 $A$12=$B$11 Not Binding 0
$B$15 x1= 3 $B$15>=$B$7 Not Binding 3
$B$16 x2= 0 $B$16>=$B$8 Binding 0
$B$17 x3= 1 $B$17>=$B$9 Not Binding 1

Tabelul 6.4
Worksheet: [Programare patratica.xls]Sheet1
Adjustable Cells
Final Reduced
Cell Name Value Gradient
$B$15 x1= 3 0
$B$16 x2= 0 5.000000477
$B$17 x3= 1 0
Constraints
Final Lagrange
Cell Name Value Multiplier
$A$12 x12x2+x3= 4 1


Tab l 6.5
Microsoft Excel 10.0 Limits Report
Worksheet: [Programare patratica.xls]Limits Report 1
Target
elu
Cell Name Value
$D$4
Functia de
optimizat 0.5
Adjustable Lower Target Upper
Targe
t
$B$15 x1= 3 3 0.5 3 0.5
$B$16 x2= 0 0 0.5 0 0.5
$B$17 x3= 1 1 0.5 1 0.5


1. Scriei condiiile Kuhn-Tucker pentru urmtoarele probleme de programare
ptratic:
a)
( )
+ 2
2 1
x x

+ +
+

+ + + + +
0 x
1
6
4 2
2 3
4 3 4 2 4 2 5
2
1
min
2
3
3 2 1
3 2 1
3 2 1 3 2 3 1 2 1
2
3
2
2
2
1
x
x
x x x
x x
x x x x x x x x x x x x

b)

2. S se rezolve urmtoarele probleme de programare ptratic
2x
{ }
= +
= +
+ + + +
0 x
8 4 2
6 3 2
2 2 2 2 3 2 min
3 2 1
3 2 1
3 2 1 3 2 3 1 2 1
2
3
2
2
2
1
x x x
x x x
x x x x x x x x x x x x

{ }
a)
{ }
+
+
0 x
4
3 min
2 1
1
2
1 2 1
2
1
x x
x x x x x
b)
= + +
= + +
0 x
9 3
6 2
4 2 1
3 2 1
1 1 2 2 1 1
x x x
x x x

+ 2 4 2 2 min
2 2
x x x x x x

142
artnd c se poate aplica algoritmul lui Wolfe n forma scurt.
R. a) , ( )
= 1 , 2 x ( )
= 0 , 0 v , u=0 .
b)
=
13
18
, 0 ,
13
27
,
13
24
x ,
= 0 ,
13
10
, 0 , 0 v ,
= 0 ,
13
10
u .
3. S se determine valoarea optim i punctul n care se atinge aceast valoare
pentru problemele 1 i 2, folosind MathCAD.

7. PROGRAMARE DINAMIC

7.1. Generaliti

S considerm un sistem a crui evoluie n timp poate fi controlat, chiar i
parial, de aciunile unui factor de n orice m oluiei, starea
sistemului se poate descrie printr-un vector numit vectorul strilor, sau
vector de stare. Pe fiecare perioad decizie
cident. oment i al ev

s
i
x R
decidentul ia o
i
, care provoac o
modificare a strii sistemului, reflectat de un vector de decizie, .
Vectorii de decizie d
i
pot lua valori admisibile n dom
admisibilitate ,
m i
d R
eniile de
m
i
R N i 1 . Cei doi vectori, de stare i de decizie de la
momentul i, determin starea sistemului de la momentul i+1, conform unei
legi de evoluie
.

Programarea dinamic este o metod de optimizare a sistemelor n care se
pereaz pe faze sau secvene. Baza acestei metode o constituie Principiul de
O politic este alctuit dintr-o succesiune de decizii. Multe fenomene sau
probleme sunt de natur secvenial, adic permit descompunerea lor n etape (faze),
fiecare etap depinznd de cele apropiate, de etapa anterioar i cea urmtoare.
Vom introduce n continuare cteva concepte cu care se opereaz n teoria
eciziilor (Zidroiu, 1975). Considerm s=1 i m=1 i atunci vectorul de stare
ele procesului e n care trebuie luate deciziile. n problemele
secveniale ele formeaz un ir cresctor, pe care l vom nota cu 1, 2, ..., N .
Spunem c avem o problem de decizie cu orizont finit sau infinit, dup cum N
este finit sau nu.
n cazul unui orizont finit de N etape, o politic este reprezentat de u
format din deciziile luate n cele N etape.
Dac orizontul este infinit, orice politic va fi reprezentat printr-un ir infinit,
n cazul finit.
Schematic, cele prezentate mai sus se pot reprezenta astfel:
) , (
1
i i
d x x
i i
=
+
o
optimalitate al lui Bellman, care se enun astfel (Kaufmann, 1967):

Orice politic optim nu poate fi format dect din subpolitici optime.

d
devine variabila de stare, iar cel de decizie devine variabila de decizie.
Etap sunt momentel
n ir
avnd aceeai interpretare ca i

144
Etapa 0 1 2 ... N1 N
Starea sistemului x
0

x x ... x x
N 1 2 N1
Decizia luat
1

2

...
1 N

N

unde x
0
este starea iniial, x
N
este starea final.
O problem de decizii secveniale const n determinarea unui ir finit sau nu
e decizii, dup cum problema este cu orizont finit sau infinit. n urma lurii unei
ecizii se modific starea sistemului conform cu o lege de evoluie n funcie de
starea actual a sistem
i i i-1 i
nde d
i
este o variabil de decizie avnd domeniul de admisibilitate
i
, iar
i

are dat, 1 i N.
Dac ne intereseaz evoluia sistemului din starea iniial x
0
pn n starea
final x , atunci se observ c se poate scrie succesiv
d
d
ului :
x = (x , d )
u
este o transform
N
[ ] ) ,..., ; ( ... ); ; ( ) ; (
1 0 1 2 1 1 N N N N N N N N N N N
d d x T d d x d x x = = = =

T
N
reprezentnd rezultatul final al nlocuirilor de mai sus.
Se poate spune c politica (
1
,
2
,...,
N
)

are ca efect transformarea sistemului
din starea iniial x
0
n starea final x
N
:
x
N
=T
N
(x
0
; d
1
, ..., d
N
) .
Aceast relaie permite analiza prospectiv a procesului, deoarece se pleac din
starea x
0
i se ajunge n starea x
N
.

Dac funciile
i
, 1 i N, sunt inversabile, se poate face i o analiz
retrospectiv a procesului, inversnd schema precedent, astfel
Etapa N N1 N2 ... 1 0
Starea sistemului x

x x ... x x
0 N N1 N2 1
Decizia luat
N

1 N

2 N

...
1

Dac notm cu
i
inversele transformrilor , putem scrie
i
) ,..., , ; ( ... ] ); ; ( [ ) ; (
2 1 1 2 2
2 1
1 1 0 N N
N i d d d x T d d x d x x = = = =
N T se obine nlocuind x
i
prin ) ; (
1 1
1
+ +
+
i i
i d x unde: , 1 i N1 .
Aceast relaie arat c starea final x
N
i politica aleas
1
,
2
,...,
N

determin
starea iniial x
0
.
Diferena dintre analiza prospectiv i cea retrospectiv const n modul n care
se privete evoluia sistemului (de la x
0
ctre x
N
sau invers) . Exist situaii n
care este mai eficient folosirea analizei retrospective n rezolvarea unor probleme.

Decidentul are preferine n ceea ce privete evoluia sistemului, preferine ce
pot fi descrise printr-o funcie obiectiv. Problema cu care se confrunt decidentul
t s optimizeze funcia
obiectiv cu restriciile de admisibilitate i starea iniial (final) date.
este de a alege o evoluie a variabilelor de decizie astfel nc
7. Programare dinamic 145

S notm r
i
(x
i
; d
i
) ctigul parial dobndit n urma lurii deciziei
i
n etapa
a i-a, cnd sistemul trece din starea x
i1
n starea x
i
.
Ctigul total pentru un orizont de N etape poate fi reprezentat ca o fu
de ctigurile pariale r
1
, r
2
, ..., r
N
asociate diferitelor etape ale sistem
Aceast funcie se poate scrie sub forma
ncie
ului.
( ) ( ) ( ) [ ]
N N N
d x r d x r d x r f ; ,..., ; , ;
2 2 2 1 1 1

i constituie funcia obiectiv ataat procesului de decizii considerat.
efiniia 7.1. O funcie

D [ ) , 0 :
i
i
f R se numete decompozabil prospectiv
dac exist o funcie [ ) , 0 :
~
2
R
i
f monoton (cresctoare pentru probleme de
maxim i descresctoare pentru probleme de minim) n a doua variabil astfel
nct
)) ,..., ( , (
~
) ,..., (
1 1 1 1
=
i i i i i i
r r f r f r r f .

Definiia 7.2. O funcie [ ) , 0 :
i
i
f R se numete decompozabil retrospectiv
~
[ ) dac exist o funcie : , 0
2
R (c
i
f monoton resctoare pentru probleme de
maxim i descresctoare pentru probleme de minim) n a doua variabil astfel
nct
~
)) ,..., ( , ( ) ,..., (
1 1 1 N i i N i i N N i i
r r f r f r r
+ + +
= .

Cu schimbarea de variabil x x

N
f

i i N
= se poate trece de la decompozabilitate
ea retrospectiv
Cazul cel mai frecvent de decompozabilitate este cazul aditiv, cnd funcia obiectiv
este de forma
prospectiv la c i invers.
( ) ( ) ( ) [ ] ( )
=
=
i
i i i N N N
d x r d x r d x r d x r f
1
2 2 2 1 1 1
; ; ,..., ; , ; . (7.1)
Se ntlnesc i probleme n care funcia obiectiv se exprim multiplicativ
N
( ) ( ) ( ) [ ] ( )
=
N
=
i i i N N N
d x r d x r d x r d x r f
2 2 2 1 1 1
; ; ,..., ; , ; .
n cazul analiz
i 1
ei retrospective se pot scrie succesiv egalitile
( ) ( ) ( )
i N i i i i i i i i i i
d d x r d d x r d x r ,..., ; ... ] ; , [ ,
1 1 1
= = =
+ + +

( ) N i , 1 = , obinndu-se pentru funcia obiectiv forma pentru
( ) ( ) ( ) [ ] ( )
N N N N N N N N N
d d x R d x r d x r d x r f ,..., ; ; ,..., ; , ;
1 1 1 1 1 1 1
=

(7.2)
adic funcia obiectiv depinde de starea final x
N
i de variabilele de decizie d
N
,
d
N1
, ... , d
1
. Astfel, cunoscnd starea final i politica aleas se poate calcula
ctigul asociat politicii considerate.

n cazul analizei prospective, ctigul total se exprim n funcie de starea
iniial x
0
i de variabilele de decizie d
1
, d
2
, ... , d
N
, astfel

146
( ) ( ) ( ) [ ] ( )
N N N
d d x R d x r d x r f ,..., ; ; ,..., ;
1 0 1 1 1 1 N N N
d x r ; , =
N N 1 1
.
(7.3)
Printre politicile posibile care fac ca e din starea x
0
n
starea x
N
, exist ulte) care optimizeaz funcia obiectiv; aceste
politici se numesc
Vom nota politica optim cu
sistemul s evoluez
una (sau mai m
politici optime.
( )
N
.., ,.
1
, iar variabilele de decizie
corespunztoare cu

( )
N
d
., d ,..
1
. Mul s , . ,
corespunztoare deciziilor
imea trilor x ,..
N
x
0
, )
, (
1 1
=
i i i i
d x x
N i 1 ( )
N
c d onstituie toria optim.

Deoarece ctigul tota epinde de a a al de politica aleas
ste necesar s se considere mai multe valori posibile pentru starea iniial x
0
sau
x
N
(spunem c simulm evoluia sistemului n mai multe situaii ). n
aceste cazuri politicile optime sunt funcii de x sau x
N
, adic
d ,...,
1
traiec
l d stare inii l (fin ) i
e
starea final
0
( )
0

x d d
i i
= sau ( )
N i i
x d d

= , 1 i N .

Teorema de optimalitate a lui Bellman. Date strile iniial x
0
i final x
N
,
traiectoria x
0
,, x
N
este optim dac traiectoria x
0
,, x
N-1
este optim i x
N-1

)
este astfel nct
( )) ; ( ),..., ; ( ( ), ; (
~
1 1 1 1 1 1 1 N N N N N N N N
d x r d x r
este optim.
Demonstraie. Notm V(x ,x ) valoarea ctigului optim global. Din
decompozabilitate avem c
f d x r f
0 N
)) , ( ), ; ( (
~
1 0 1 N N N N N N
x x V d x r f este optim dac x
N
=
(x
N-1
, d
N
) . Optimalitatea subpoliticii x
0
,, x
N-1
rezult din monotonia funciei
N
N
f
~
i demonstraia se ncheie.

are vom prezenta rela de recuren i rezolvarea prob de
ic n cazul analizei retrospectiv prospectiv
fiind imediat atunci nversabile.

7.2. Analiza retrospectiv

Presupunem c avem a
ptim
n continu iile lemei
programare dinam e, trecerea la analiza
cnd legile de evoluie a sistemului analizat sunt i
de rezolvat urmtoarea problem: S se afle decizi
( )
N
d d d
., . . ,
2 1
astfel nct
)
o
( ) ( ) ( )
( ) ( ) ( [ ]
=
=
=

N i d x x
d x r d x r d x r f
d x r d x r d x r f
i i i i
N N N N N N
N i
d
N N N N N N
i
1 , ) ; (
, , . . . , , , , max
]
, , . . . ,
, ,
, [
1
1 1 1 1 1 1
1
1 1 1 1 1 1
(7.4)
sau dac inem seama de (7.2),

( ) ( ) ( ) ( )
N N N
N i
d
N N N N N N
d d x R d x r d x r d x r f
i i
,..., ; ' max ]
, , . . . ,
, ,
, [
1
1
1 1 1 1 1 1

= .
(7.5)
n formularea (7.5) intervin efectiv numai x
N
i variabilele de decizie d
1
, d
2
,
... , d
N
, deoarece variabilele x
0
,
1
x
N1
se determin cu ajutorul precedentelor,
innd seama de relaiile
x , ...,
) ; (
1 i i i i
d x x =
, 1 1 N i .

7.2.1. Rezolvarea n cazul aditiv

Considerm funcia obiectiv n cazul aditiv (7.1) i, nlocuind n (7.4), obinem :
( )
( )
=

. 1 , ,
, x
i i
max
1
1
1
N i d x x
d r
i i i i
N
i
i
N i
i i
d

(7.6)
Notnd cu f
N
(x
N
) valoarea maximului (7.6) obinem
( ) ( ) ( ) ( ) [ ]
( ) ( ) ( ) ( )
( )
=
+ + + + =
= + + + =

N i d x x
d x r d x r d r d x r
d x r d x r d x r x f
i i i i
N N N N N N
N i
N N N
N N N N N N
N i
N N
i i N N
i i
1 , ,
]} , . , , [ max , { max
, . . . , , max
1
1 1 1 2 2 2 1 1 1
1 1
1 1 1 1 1 1
1
d d
d

litate a lu ellman
x . .
sau, prin aplicarea Teoremei de optima i B
( ) ( ) ( ) [ ]
( )

. ,
, max
1
1 1
1
=
+ =

N N N N
N N N N N
N i
d
N N
d x x
x f d x r x f
i i

(7.7)
Dac notm ( ) ( ) ( ) [ ] , , ,
1 N N N N N N N N N
d x f d x r d x Q + =

, putem scrie
( ) ( )
N n N
d
N N
d x Q x f
N N
, max

=
(7.8)
i maximul nu se mai ia dup restricii (restriciile fiind incluse n expresia funciei
Q
N
) .
Relaia (7.7) poate fi justificat astfel: dac ( )
N

,...,
1
ca stare final
este o politic optim
pentru un orizont de N etape i cu x
N
, atunci subpolitica
( )
1 1
,...,
N
este optim pentru un orizont de N1 etape cu ( ) ,
1 N N N N
d x x =
ca
are final
Relaia (7.8) permite determinarea funciei f
N
(x
N
) n ipoteza c se cunoate
funcia f
N1
(x
N1
) .
Pornind de la relaia (7.8), procednd analog, obinem:
st .

148
( ) ( ) ( )
( ) ( ) ( ) ( ) [ ] { }
( ) ( ) ( ) ( ) [ ] }
+ = =
+ = =
= =

. , , m , max
. . . . . . . . . . . . . . . . . . . . . . . . . . .
1 2 , , , max , max
. . . . . . . . . . . . . . . . . . . . . . . . . . .
max , max
1
1
1 1 1 1 1 1 1
1 1 1 1
N N N N N N N
d
N N N
d
N N
i i i i i i i
d
i i i
d
i i
d
d x f d x r d x Q x f
N i d x f d x r d x Q x f
r d x Q x f
N N N N
i i i i
d

(7.9)
Aceste relaii se numesc ecuaiile de recuren ale programrii dinamice.

Rezolvarea problemei iniiale nseamn calcularea funciilor
f
1
(x
1
), f
2
(x
2 N
(x
N
) i
,
1
d x
{ ax

( )
N N N
x d d
= ), ..., f .
Funciile f
i
(x
i
) , , se determin din relaiile de recuren (7.8), iar
din ultima din aceste relaii.

Algoritmul pentru rezolvarea problemei de programare dinamic n cazul aditiv
Pas 0. Se determin cu
1 N i
( )
N N N
x d d
=
( ) ( )
N
x
N
x x f f
N
max =
N
x ;
Se determin ( )
N N N
x d d
= ;
Pas 1. Pentru i:=N ,2
determin ( )
,
1 i i i i
d x x =
; ( )
1 1 1

=
i i i
x d d ;
Pas 2. Reine: . Stop !

Procedeul de mai sus presupune cunoaterea expresiilor analitice ale funciilor
f
i
, d
i
.
Vom prezenta cteva situaii n care metodele programrii dinamice conduc la
obinerea optimului fr a se apela la a tuturor soluiilor posibile.

7.2.2. Problema reparti i inve iilor

Avnd o sum de 5.10
9
lei cu care trebuie cumpra iuni la 4 soc care
n fu ie de su vesti asig rofituri conf u T lul 7.1, s se
stabileasc o reparti a sum investite la fiecare societate, astfel nct
profitul ob ut ma aplicrii tei p tici de inve fie maxim
(Kaufmann, 1967).
Se cere s se determine repartiia optim investiiilor n aciuni la cele 4
ofitul total maxim.
;
, ... ,
2 1 N
d d d ; , ... , ,
2 1 N
x x x ) (
N N
x f
evideniere
ie sti
te ac ieti,
nc ma in
ie optim
t
ur p
elor
orm c abe
in n ur aces oli stiii s
a
societi, adic acea repartiie care d pr

Tabelul 7.1
Profitul n procente
Societatea
Suma investit
(n miliarde de lei) S
1
S
2
S
3
S
4
0 0 0 0 0
1 0.28 0.25 0.15 0.20
2 0.45 0.25 0.33 0.41
3 0.65 0.40 0.42 0.55
4 0.78 0.65 0.50 0.48
5 0.90 0.75 0.62 0.53

x
i
numrul total de miliarde investite n aciuni la primele i
societi, .
x
4
mrime S=510
9
.
r
i
(d
i
) profit a societatea i.
roblema are urmtoarea formulare:
S x d
Precizarea funciilor f (suntem n cazul analizei retrospective).
Pentru orice
Rezolvare
Modelarea problemei
Notaii : d
i
numrul de miliarde investite n aciuni la societatea i.

4 1 i
a total a investiiilor, care este de cel mult
ul adus de suma d
P
i
investit n aciunile l

=
4 1 0
4
1
i d
i
i
i
=
) ( max
4
4
1
d r
i
i i
i
4
0 , 4 1 x x i
i
i 4 2 ), , (
1
= =
i d x d x x
i i i i i i
i
4 1 , 0 i x d
n i
. Am precizat astfel domeniul de admisibilitate:
i i i i
d x = , ] , 0 [ .
Pentru analiza prospectiv 3 1 ), , (
1
= = +
+
i d x d x x
i i i i i i
.
Deoarece
4 4
4 1
) (
i i i i
x x x x d lund x
0
=0, cu notaiile din modelul = =
= = 1 1 i i
teoretic obinem ecuaiile de recuren:
; ) ( max ) (
1 1
0
1 1
1 1
d r x f
x d
= coloana S
1
din tabel este cresctoare i reprezint r
1
( ) ( ) ( ) [ ] ( ) ( ) [ ]
2 2 2 2 2 2 1 1 2 2 2 2
0 ; max max x d d x f d r x f d x f r + = + =
( ) ( ) ( ) [ ]
3 3 3 3 2 3 3 3 3
0 ; max x d d x f x x f r + =
[ ] S x x d d x r x f ( ) ( ) (x f ) + =
4 4 4 4 4 4 4 4
0 ; max .

Determinarea valorilor funciilor f
i
:
, r
1
fiind cresctoare
4 3
;
) ( ) ( max ) (
1 1 1 1 1 1
d r x r x f = =
1 1
0 x d deci: .
1 1 1
) (
x x d =

150
x =0
2
[ ] 0 ) 0 ( ) ( max ) 0 (
2 1 2 2 2
= + = d f d r f cu 0 0
2
d . Deoarece r
2
(0)=0 i f
1
(0)=0
cu
rezult d
2
=0.
x
2
=1
[ ] ) 1 ( ) ( max ) 1 (
2 1 2 2 2
d f d r f + = { } 1 , 0 , 1 0
2 2
d d .
[ ] [ ] 28 . 0 0 2 . 5 0 ; 28 . 0 0 max ) 0 ( ) 1 ( ; ) 1 ( ) 0 ( max ) 1 (
1 2 1 2 2
= + + = + + = f r f r f
valoare obinut pentru
x =2
cu
0 ) 1 (
2
= d .
2
[ ] ) 2 ( ) ( max ) 2 (
2 1 2 2 2
d f d r f + = { } 2 , 1 , 0 , 2 0
2 2
d d
[ ] ) 0 ( ) 2 ( ); 1 ( ) 1 ( ; ) 2 ( ) 0 ( max ) 2 (
1 2 1 2 1 2 2
[ ] 53 . 0 0 41 . 0 ; 28 . 0 25 . 0 ; 45 . 0 0 max = = + + +
= + + + = f r f r f g f

valoare obinut pentru d=1; rezult 1 ) 2 (
2
= d .
x =3
cu
2
[ ] ) 3 ( ) ( max ) 3 (
2 1 2 2 2
d f d r f + = { } 3 , 2 , 1 , 0 , 3 0
2 2
d d
[ ]
[ ] 70 . 0 0 55 . 0 ; 28 . 0 41+ . 0 ; 4 . 0 5 25 . 0 ; 65 . 0 0 max
) 0 ( ) 3 ( 2 ( ( ; ) 3 ( ) 0 ( max ) 3 (
1 2 2 2 1 2 2
= + + + =
; ) 1 ( ) ); 2 ) 1 (
1 1
+ = + + + = f r r g f r f

rezultat obinut pentru d=1 i astfel = d
x =4
cu
f f
1 ) 3 (
2
.
2
[ ] ) 4 ( ) ( max ) 4 (
2 1 2 2 2
d f d r f + = { } 4 , 3 , 2 , 1 , 0 , 4 0
2 2
d d
[ ]
[ ] 90 . 0 65 . 0 ; 83 . 0 ; 86 . 0 ; 90 . 0 ; 78 . 0 max
) 0 ( ) 4 ( ); 1 ( ) 3 ( ; ) 2 ( ) 2 ( ); 3 ( ) 1 ( ; ) 4 ( ) 0 ( max ) 4 (
1 2 1 2 1 2 1 2 1 2 2
= =
= + + + + + = f r f r f r f r f r f

valoare obinut pentru d , rezult ) 4
= d

1. (
2
=1
5
2
= x
( ) ( ) ( ) [ ] { } 5 ,... 1 , 0 ; max 5
2 2 2 1 2 2 2
+ = d x f d r f d
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) = +
+ + + + =
] 0 5
; 1 3 ; 3 2 ; 1 ; 5 0 max[
1 2
1 2 1 2 1 2 1 2
f r
f g f r f r f r

+ 4 ; 2
2 1
r f 4
[ ] = + + + + + + = 0 75 . 0 ; 28 . 0 65 . 0 ; 45 . 0 55 . 0 ; 0 4 . 78 . 0 25 . 0 ; 9 . 0 0 max
6 7 . 0 ; 93 . ; 00 . 1 ; 06 . 1 ; 03 . 1 ; 9 . 0 max
65 . 1 0 ;
0 [ ] 0 . 1 5 = = d
2
=2 . Astfel

) 0 ( ) ( max ) 0 (
3 2 3 3 3
d f d r f + = cu
obinut pentru
2 ) 5 (
2
= d .
0
3
= x
[ ] 0
3
0 d . Deoarece r
3
(0)=0 i f
3
(0)=0
rezult d
3

cu
=0. 0 ) 0 (
3
= d .
1
3
= x
[ ] ) 1 ( ) ( max ) 1 (
3 2 3 3 3
d f d r f + = { } 1 , 0 , 1 0
3 3
d d .
[ ] [ ] 28 . 0 0 15 . 0 ; 28 . 0 0 max ) 0 ( ) 1 ( ; ) 1 ( ) 0 ( max ) 1 (
2 3 2 3 3
= + + = + + = f r f r f
0 ) 1 (
3
= d . obinut pentru

x
3
=2
( ) ( max ) 2 (
2 3 3 3
d f d r f + = [ ] )
3
2 cu { } 2 , 1 ,
3
0 , 2 0
3
d d
[ ] [ ] 53 . 0 25 . 0 ; 43 . 0 ; 53 . 0 m ) 0 (
2
ax ) 2 ( ); 1 ( ) 2 ( ) 0 ( max ) 2 (
3 2 3 3
= (
2
) 1 ;
3
= + + + = f r f
obinut pentru
x
3
=3
3 ( ) ( max ) 3 (
3 2 3 3 3
d f d r f + = cu
f r f r
0. ) 2 (
3
= d
[ ] ) { } 3 , 2 0
3
, 1 , 0 , 3
3
d d
[ ]
[ ] 70 . 0 40 . 0 ; 53 . 0 ; 68 . 0 ; 70 . 0 max
) 0 ( ) 3 ( ); 1 ( ) 2 ( ); 2 ( ) 1 ( ; ) 3 ( ) 0 ( max ) 3 (
2 3 2 3 2 3 2 3 3
= =
= + + + + = f r f r f r f r f

Aadar, pentru d=0 s-a obinut valoarea maxim i rezult
x
3
=4
( ) ( max ) 4 (
2 3 3 3
f d r f + = cu
0 ) 3 (
3
= d .
[ ] ) d 4
3
{ } 4 , 3 , 2 , 1 ,
3 3
0 , 4 0 d d
. 0 5 . ; 78 . 0 ; 85 . 0 ; 90 . 0 max
) 1 ( ) 3 ( ); 1 ( ) 2 ( ) 3 ( ( 4 ( ) 0 ( max ) 4 (
2 3 2 2 3 2 3 3
=
= + [ ]
[ ] 90 0 ; 68 . 0
) 3 ( ); 2 (
3 2
;
3
) 1 ; )
=
+ + + + = f r f f r f r f

valoare obinut pentru d=0; u ) 4 d
x
3
=5
cu
r f r
rez lt 0 = . (
3

[ ] ) 4 ( ) ( max ) 4 (
3 2 3 3 3
d f d r f + = { } 4 , 3 , 2 , 1 , 0 , 4 0
3 3
d d
[ ] 06 . 1 60 . 0 ; 78 . 0 ; 93 . 0 ; 95 . 0 ; 05 . 1 ; 06 . 1 max )] 0 ( ) 5 (
); 1 ( ) 4 ( ); 2 ( ) 3 ( ); 3 ( ) 2 ( ); 4 ( ) 1 ( ; ) 5 ( ) 0 ( max[ ) 5 (
2 3
2 3 2 3 2 3 2 3 2 3 3
= = +
+ + + + + =
f r
f r f r f r f r f r f

obinut pentru d=0; rezult
Analog, gsim pentru f
4
valorile f
4
, f
4
(1)=0.28 i ,
f
4
(2)=0.53 i f
4
( =0 , f
4
(4)=0.9 i
, f
4
(5)=1.1 i . Centralizm n Tabelul 7.2
alorile gsite pentru f i d .

Tabelul 7.2
x f
1
(x) f
2
(x) f
3
(x) f
4
(x)
0 ) 5 (
3
= d .
: (0)=0 i 0 ) 0 (
4
= d 0 ) 1 (
4
= d
0 ) 2 (
4
= d , 3) .73 i 1 ) 3 (
4
= d
1 ) 4 (
sau 0 ) 4 (
4 4
= = d d 1 ) 5 (
4
= d
v
) (
1
x d ) (
2
x d ) (
3
x d ) (
4
x d
0 0 0 0 0 0 0 0 0
1 1 0.28 0 0.28 0 0.28 0 0.28
2 2 0.45 1 0.53 0 0.53 0 0.53
3 3 0.65 1 0.70 0 0.70 1 0.73
4 4 0.78 1 0.90 0 0.90 0 sau 1 0.90
5 5 0.90 2 1.06 0 1.06 1 1.1

152
Culegerea rezultatelor. Se observ c
1 . 1 ) 5 ( ) ( max
4 4 4
5 0
4
= =

f x f
x
i 5
4
= x , iar .
Atunci
.
Dar
i atunci .
) (
2 2 2
= = d x d , iar
2 2 2 1
= = x d x x ;
Astfel, politica optim este
1 ) (
4 4
= x d
4 ) (

4 4 4 3
= = x d x x
0 ) 4 (
) (
3 3 3
= = d x d 4 ) (

3 3 3 2
= = x d x x
n continuare avem:

1 ) 4 ( 3 ) ( 3 ) 3 (
) (
1 1 1
= = d x d .
( ) ( ) 1 , 0 , 1 , 3 ,
4 3 2 1
d ceea ce nseamn c din
cele 5 m rde or i sti 3 miliarde n ac i la a societate, 1 la ce
do i 1 la cea de-a patra. Nu se vor achiziiona aciuni de la societatea a treia.

7.2.3. Problema gestiunii stocului

Principiul de optimalitate al lui Bellman poate fi enunat i sub urmtoarea
form, aa cum va fi folosit n rezolvarea problemei ce urmeaz.

ntr-un ir optimal de decizii, oricare ar fi prima decizie luat, deciziile urmtoare
formeaz un subir care este optimal, innd seama de rezultatele primei decizii.
n continu b numele de
roblema gestiunii stocului.
Trebuie ca la nceputul fiecrei perioade s dispun de suficiente produse
pentru a face fa cererii, ncepe i oc nul. Cum trebuie s organizeze
aceste cump

Tabel 3
Perioada i 1 2 3 4 5
= d d d
ilia se v nve iun prim a de-a
ua

p
are vom rezolva urmtoarea problem cunoscut su
Tabelul 7.3 d pentru cinci perioade cantitile unitare de produs d
i
pe care
un vnztor le va furniza, precum i preurile c
i
cu care el poate achiziiona aceste
produse pe care le va revinde la pre constant. El cumpr la nceputul perioadei
un numr ntreg de produse, dispune de o capacitate de stocare gratuit de 5
uniti.

termin cu st
rturi astfel nct profitul su s fie maxim ?
ul 7.
Cererea b
i
2 3 4 3 2
Preul c 13 15 20 11 12
i
Rezolvare. Notm :

d
i
=cantitatea de produs cumprat la nceputul perioadei i , are rol de variabil de
decizie ;
x
i
=cantitatea de produs rmas n stoc la sfritul perioadei i , x
i
este n acest caz
variabila de stare, pentru c permite cunoaterea perfect a strii situaiei la
sfritul fiecrei perioade.
Restriciile sistemului sunt
5
1
=
+ =
+

j b d x x
d x b
j j j
5 , 1
. 0 ; 0
5 0
= = x x
Funcia de optimizat este
=
5
) (d f
1
j j j j

1 j
j j
d c .
S-a obinut astfel o problem de programare n numere ntregi

innd seama de cererea de la perioada nti, se vede (Tabelul 7.4) c perioada
nti se poate termina cu 0 ; 1 ; 2 sau 3 uniti n stoc.

1
x
1
d
1
f(d) min
=
.
Tabelul 7.4
b
3 5 65
2 4 52
1 3 39

2
0 2 26

Perioada a doua (Tabelul 7.5) se poate termina cu 0 , 1 sau 2 uniti n stoc
(x
1
+d
2
=b
2
=3).

Tabelul 7.5
b
2
x
2
x
1
d
2
f(d) min
0 3 26+45=71
1 2 39+30=69
2 1 52+15=67

0
3 0 65+0=65 *
0 4 26+60=86
1 3 39+45=84
2 2 52+30=82

1
3 1 65+15=80 *
0 5 26+75=101
1 4 39+60=99
2 3 52+45=97

3

2
3 2 65+30=95 *

Perioada a treia (Tabelul 7.6) se poate termina cu 0 sau 1 uniti n stoc
(x
2
+d
3
=b
3
=4).

154
Tabelul 7.6
b
3
x
3
x
2
f(d) min d
3

0 4 65 =14 +80 5
1 3 80+60=140 0
2 95+4 =135 2 0 *
0 5 65+100=165
1 4 80+80=160

1
2 3 95+60=155 *
4

uniti n stoc
3
+d
4
=b
4
=
Tabelul 7.7
x
4
x
3
d
Perioada a patra (Tabelul 7.7) se poate termina cu 0, 1 sau 2
(x 3).

b
4 4
f(d) min
0 3 135+33=168 * 0
1 2 155+22=177
0 4 135+44=179 * 1
1 3 155+33=188
0 5 135+55=190 *

3
2
1 4 155+44=199

La sfritul perioadei a cincea (Tabelul 7.8) avem x
5
=0 i, deoarece x
4
+d
5
=b
5
=2,
rezult

Tabel l 7.8
b
5
x
4
min
u
d
5
f(d)
0 2 168+24=192
1 1 179+12=191
2 0 0
2
19 *

Politica optimal de cumpr i este

=
=

=
=

=
=
=
=
=
=
1
5
135 (
2
95 ) (
2
65 ) (
5
3
0
2
0
3
2
1
1
3
4
5
f
d
d f
d
d f
d
d f
d
x
x
x
d
sau: d
5
=0
4
d
3
d
2
=2 ; c os inim,
f 0 5 2 +2 +5 =1
tur
= 2
2
x
)
=
4
90 ) (d
; d =5 ; =2 ; d
1
=5 u c tul m
(d)= 12+11+ 20 15 13 90 .

Generalizare Clasa de probleme P
k
(x). S se determine o politic optimal de
turi pe primele rioade, putnd cele k perioade cu x produs
ial fie considerat ca P
5
(0). Vrem s punem n
eviden o rela ntre aceste diferite probleme i s le rezolvm de o
mi economic n timp.
m z ului func P
k
(x). Avem
relaia { } ) ( min ) ( d b x z d c x z
cumpr k pe termina e
n stoc. Problema ini poate s
ie de recuren
manier a
Not (x), valoarea optim iei obiectiv a problemei
k
1
) (
k k k k k
x d
k
k
+ + = ,
unde { }
k k k k k k
b x d x b b d x d + + + =

5 ) (
1
.
Rezumm calculele precedente n Tabelul 7.9.

Tabelul 7.9
x z
1
(x) d
1
(x) d
2
(x) d
2
(x) d
3
(x) d
3
(x) d
4
(x) d
4
(x) d
5
(x) d
5
(x)
0 26 2 65 0 135 2 168 3 190 0
1 36 3 80 1 155 3 179 4 * *
2 52 4 95 2 * * 190 5 * *
3 65 5 * * * * * * * *

n acest tablou coloanele au fo de la stnga la dreapta, calculnd
d
1
(x) apoi . d. Culegerea solu optim e se face de dreapta la
stnga. tiind c
5
=0 i b
5
dic 2, tm ia tru ) . Gsim
d
4
=5, adic x
3
=0 i atunci ) . Din Tabelul 7.9 avem i, cum
3
=4, rezult x
2
=2. Cutm a s P
2 2
=3
d
2
=2, rezult c x
1
=3, i acum ne intereseaz P
1
(3) . Din Tabelul 7.9 rezult c
d
1
=5 i astfel am ajuns la soluia final.

7.2.4. Problema alocrii optime a resurselor

Trei echipe de cercettori A, B, C lucreaz la un acelai proiect folosind
abordri diferite. Echipele au probabilitile de eec : P(A)=0.4 ; P(B)=0.6 ;
P(C)=0.8. Se decide alocarea a 2 noi cercettori la proiect n scopul minimizrii
probabilitii de eec a proiectului. Pentru a decide alocarea cercettorilor
border 995).
Noile probabiliti de eec pentru
echipe
st completate
z
1
(x) . a. m
d
iei al la
=2, a x
4
= cu solu pen P
4
(2
cutm
cum
P
3
(0
oluia pentru
d
3
=2
i din tabel b (2) . Cum b
suplimentari s-a stabilit Tabelul 7.10 (Henry-La e, 1

ul 7.10 Tabel
Nr. cercettori noi alocai
A B C
0 0.4 0.6 0.8
1 0.2 0.4 0.5
2 0.15 0.2 0.3

Care este alocarea optimal a cercettorilor suplimentari astfel nct mpreun
s aib probabilitatea de eec minim ?

156
Rezolvare
Fie d
A
, d
B
, d
C
numrul de cercettori afectai echipelor A, B, C ,
r
A
(d
A
), r
B
(d
B
), r
C
(d
C
) funciile care dau probabilit e de eec pentru fiecare echip,
x
A
numrul cercettorilor alocai proiectului A ;
x
B
numrul cercettorilor alocai proiectelor A i B , i
x
C
numrul cercettorilor alocai proiectelor A, B i C.
Probabilitatea de eec toate echipele eueaz este
il
2 , ) ( ) ( ) ( ) ( + + =
C B A C C B B A A
d d d d r d r d r x f .
Fie , probabilitatea minim atunci cnd se utilizeaz x cercettori
suplimentari pentru proiectele A, B, C.
( ) x f
i
( ) ( ) ( ) { }
i i i i pred i
d r d x f x f =
) (
min ,
{ }
C B A i , , , unde , iar
rtiiei investiiilor.
S determinm valorile funciilor ,
{ }
=
C B A i
i
x d
, ,
1
) (
=
A pred
f .
Soluia este analoag soluiei problemei repa

i
f
{ }
C B A i , , .
) ( min ) ( x r x f
A A
= , deoarece este descresctoare, aa cum se vede din coloana
A T lu .10 u x d
A
= ) (
x=0 , atunci i
A
r
a abelu i 7 i at nci x .
0 0 d
B
{ } { } 4 4 . 6 mi 0 ) 0 ( min ) 0 2 . 0 0 . 0 n ) ( ( = = f =
B
r , iar .
x=1 , atunci
B
i
A
d
B
) 0 (
=
B
d f 0
0 1
{ } { } ) . 0 0 ( 1 ( 1 ( ( i ) ( ( min ) 1 ) 0 mn 1 ) ( ); ) 12 = =
A B B B A B B
f r r d f d ,
B
.
=
A
f
B
f r
d 0 ) 1 ( =
x=2 , atunci 2 0
B
d i
{ } { }
. 1 sau 2 ) 2 (
iar , 08 . 0
) 0 ( ) 2 ( ); 1 ( ) 1 ( ); 2 ( ) 0 ( min ) 2 ( ) ( min ) 2 (
= =
= = =
B
A B A B A B B A B B B
d
f r f r f r d f d r f

x= i 0 , atunci 0 0
C
d
{ } { } 192 . 0 24 . 0 8 . 0 min ) 0 ( ) 0 ( min ) 0 ( = = =
B C C
f r f , iar .
i
0 ) 0 (
=
C
d
1 0
B
d x=1 , atunci
{ } { } 096 . 0 ) 0 ( ) 1 ( ; ) 1 ( ) 0 ( min ) 1 ( ) ( min ) 1 ( = = =
B B C C B C C B
f f r d f d r f ,
.
x=2 , atunci i
C
r
0 ) 1 (
=
C
d
2 0
C
d
{ } { }
{ } . 1 ) 2 (
iar , 06 . 0 24 . 0 3 . 0 ; 12 . 0 5 . 0 ; 8 . 0 8 . 0 min
) 0 ( ) 2 ( ); 1 ( ) 1 ( ); 2 ( ) 0 ( min ) 2 ( ) ( min ) 2 (
= =
= = =
C
B C B C B C C B C C C
d
f r f r f r d f d r f

Datele obinute sunt trecute n Tabelul 7.11
=

Tabelul 7.11
x
f
A
(x)
*

) (
x d
A

f
B
(x)
*
) (x d
B

f
C
(x)
*
) (x d
C

0 0.4 0 0 0.192 0 0.24
1 0.2 1 0 0.096 0 0.12
2 2 . 0.15 0.08 2 sau 1 006 1

Valoarea soluiei te f
C ( )
=0.06 pentru alocarea am optimale es
x
bilor cercettori,
astfel:
i , adic se aloc un cercettor la proiectul C ;
, dar , adic la proiectul B nu se mai aloc alt
cercettor;
ns , adic se aloc un cercettor la proiectul A.


Tabelul 7.12
Suma investit (mil) B
1
B
2
B
3
2 =
C
x 1
=
C
d
1
= =
C c B
d x x 0 ) 1 (
= =
B B
d d
1
= =
B B A
d x x , 1 ) 1 (
= =
A A
d d

1. O firm de construcii are 4 000 000 euro pe care vrea s-i investeasc n
construirea a 3 tipuri de locuinte B
1
, B
2
, B
3
. Profitul adus de fiecare tip de locuin
ste dat de Tabelul 7.12. e
0 0 0 0
1 35% 28% 26%
2 43% 32% 34%
3 47% 45% 40%
4 49% 47% 51%

S se precizeze care este profitul maxim i cum se obine.
R. Trecem rezultatele calculelor n Tabelul 7.13

Tabelul 7.13
x r r r f f f

1 2 3 1
1 2
d
2
3
3
0 0 0 0 0 0 0 0 0 0
1 35 28 26 35 1 35 0 35 1
49 4 80 3 97 2 sau 3
2 43 32 34 43 2 63 1 63 2
3 47 45 40 47 3 71 1 89 2
4 49 47 51

158
Culegerea rezultatelor:
a) , , ,
,
1 1
= d d
b)
=
2 2 2
= = x d d ,
1 ) (
1 1 1
= x d .
Profitul maxim este de 97% , dac se investete suma astfel:
a) (1, 1, 2) , adic 1 milion n primul tip de locuine, 1 milion n al doilea tip de
locuine i 2 milioane n al treilea tip de locuine;
b) (1, 0, 3) , adic 1 milion n primul tip de locuine i 3 milioane n al treilea
uine.
Perioada (i) 1 2 3 4 5 6

2
3
= d
4
3
= x 2

3 3 2
= = d x x
1 ) (
2 2 2
= = x d d
1

2 2 1
= = d x x ,
1 ) (
1
= x ;

3
d
, 4 , 1
3
3
= x
3 3 2
= = d x x
0 ) (
1

2 2 1
= = d x x ,
d =

tip de loc

2. Problema achiziionrilor de carburant
Serviciul de aprovizionare al municipalitii trebuie s asigure motorina pentru
nclzirea oraului, timp de 6 luni noiembrie-aprilie. Preurile de cumprare
prevzute pe ton i nevoile lunare sunt date de Tabelul 7.14 (Henry-Labordere,
1995):
Tabelul 7.14
Necesarul (b
i
) 800 500 300 200 700 400
Preul tonei (c
i
) 3300 5400 3900 5100 6000 3000

Stocul iniial la 1 noiembrie este de 200 t. Nu se poate depi capacitatea
cul la sfritul perioadei i1, nceputul perioadei i, nainte de
cumprarea cantitii d
i
,
d
i
cantitatea cumprat la data de nti a lunii i ,
b
i
necesarul pe perioda i.
Notnd costul politicii optimale care las la sfritul perioadei i un stoc
x
i+1
, atunci :
s se stabileasc o relaie ntre
rezervorului care este de 900 t. Se dorete minimizarea cumprturilor, dar cu
satisfacerea cererii pe ntreaga perioad.
Fie: c
i
costul unei tone pe perioada i ,
x
i
sto
( )
1 + i i
x f
( )
1 + i i
x f i ( )
i i
x f
1
,
s se gseasc soluia optimal folosind programarea dinamic. S se precizeze
cumprturile lunare i stocul final.
are liniar (vom renuna la dou zerouri la
+
=
0 ,
9
2
1
i i
i i
d x
d x
x

Rezolvare
1) Formularea problemei n program
preuri i cantiti) are restriciile :
+ =
+
) (
1 i i i i
i b d x x


innd seama de relaiile de mai sus, funcia obiectiv se poate scrie ca funcie de d
ema obinut este astfel: f=33d
1
+54d
2
+39d
3
+51d
4
+60d
5
+30d
6
, iar probl
=
p
i
i i
d c
1
( ) d
p
f =min
. 0 , d x
+ 9
i i
d x

i i
= + =
=
+
6 , 1
2
1
1
i i i i
i b d x x
Fun
i
)+c
i
d
i
).
Tra o
retrosp
) Calculele sunt rezumate n Tabelul 7.15.

Tabelul 7.15
x
i
f
1
(d) f
2
(d) f
3
(d) f
4
(d) f
5
(d) f
6
(d)
x
cia de minimizat se scrie :
( )
1 + i i
d f =min(f
i1
(x
i+1
+b
i
d
nsf rmrile
i
fiind inversabile se poate aplica att analiza prospectiv ct i
ectiv.
2
) (
1
x d

) (
6
x d

) (
2
x d ) (
3
x d ) (
4
x d ) (
5
x d
0 198 6 447 4 564 3 642 0 951 0 1071 4
1 231 7 501 5 603 4 681 0 1011 1 1101 5
2 555 6 642 5 720 0 1071 2 1161 6
3 609 7 681 6 759 0 1191 7
4 663 8 720 7 798 0 1221 8
5 759 8 849 1 9
6 798 9 900 2
7 951 3

Culegerea rezultatelor din tabel:
) 4 ( 1071 )
( min
6 7 6
f d f = = , 4 ) 0 ( ) (
6 7 6 6
= = = d x d d , 0
7
= x ,
0 4 4

6 6 6 6 6 6 7
= = = + = d b x b d x x .
Cum 0 ) 0 ( ) (
5 6 5 5
= = = d x d d , rezult
7 0 7 0

5 5 6 5 5 5 5 6
= + = + = + = d b x x b d x x i
Analog obinem:
i
i
i ,
.

Politica optimal de cumprturi este :
f
6
(4)=1071 cu cantitile .
3 ) 7 ( ) (
4 5 4 4
= = = d x d d .
6 3 2 7

4 4 5 4 4 4 4 5
= + = + = + = d b x x b d x x 9 ) 6 ( ) (
3 4 3 3
= = = d x d d ,
0 9 3 6

3 3 4 3 3 3 3 4
= + = + = + = d b x x b d x x 4 ) 0 ( ) (
2 3 2 2
= = = d x d d ,
1 4 5 0

2 2 3 2 2 2 2 3
= + = + = + = d b x x b d x x 7 ) 1 ( ) (
1 2 1 1
= = = d x d d
2 7 8 1

1 1 2 1 1 1 1 2
= + = + = + = d b x x b d x x
7
1
= d , 4
2
= d , 9
3
= d , 3
4
= d , 0
5
= d , 4
6
= d

160
3. La o balastier s-au estimat cantitile necesare de balast pentru trimestrul patru
n vederea ncheierii contractului cu o carier. Cantitile i preurile sunt trecute n
Tabelul 7.16 .
Tabelul 7.16
Luna Octombrie Noiembrie Decembrie
Necesar (m) 40
3
80 30
C u.m.) 5 ost ( 4 3

La nceputul fiecrei luni se comand o anumit cantitate de balast astfel nct
s fie satisfcut necesarul de balast, dar s nu fie depit capacitatea de depozitare
a balastierei, limitat la 100 m
3
. S se precizeze costul minim de aprovizionare i
cum se obine. Se presupune c la nceputul i sfritul semestrului depozitul este
gol.

R. Politica optimal de aprovizionare este :
f
3
(0)=690 cu cantitile .

4. O firm de transport de persoane trebuie s fac legtura ntre localitile A i H,
pe un drum ce poate trece prin localitile A, B, C, D, E, F, G, H. Distan le ntre
localiti i reeaua de drumuri sunt trecute n graful din Figura 7.1. tiind c pentru
o persoan se pltesc 3.4 u.m., s se determine costul minim de transport pentru o
persoan i traseul pentru care se obine acest cost.

, H are lungimea 13 i costul minim este
C
min
=3.413=44.2 u.m.

s

R. Se consider c autostrada, care va uni localitile 1 i 14 (Figura 2.18), va fi
format din cinci tronsoane.
80
1
= d , 70
2
= d , 0
3
= d
e

R. Traseul minim A, D, G
5. Construirea unei autostrzi. (Kaufmann, 1967) Folosind analiza prospectiv
se rezolve problema 3 din 2.5.
2
Figura 7.1
H
G
F
E
C
D
B
A
4
8
2
5
4
3 6
1
8
7
3
1

8. ELEMENTE DE TEORIA ATEPTRII
8.1. Introducere n teoria ateptrii

Teoria ateptrii (sau teoria firelor de ateptare sau teoria cozilor) se ocup
cu studiul evoluiei sistemelor care prezint aglomerri (sistemele de ateptare).
Un astfel de sistem este compus dintr-una sau mai multe staii de servire (n numr
tru a solicita servicii. Modul de
de ateptare
constituie topologia sistemului. Astfel, staiile pot fi n serie sau n paralel sau
serviciu se realizeaz de ctre una din staii sau de ctre un grup de staii.
Studiul unui sistem de ateptare se face cu ajutorul unui model de ateptare.

Elementele cunoscute ale unui model de ateptare sunt (Vduva et al, I, 1974):
fluxul intrrilor n sistem
mecanismul serviciului.
Intrrile sunt caracterizate fie de numrul de clieni pe unitatea de timp care
sosesc, fie de intervalele de timp dintre dou veniri consecutive.
Oricare dintre aceste dou mrimi este o variabil aleatoare cu repartiia
cunoscut.
Cunoaterea mecanismului serviciului presupune cunoaterea topologiei
sistemului, regula dup care se face serviciul, num i disciplina serviciului (de
exemplu: FIFO (FirstIn FirstOut) primul sosit primul servit, sau o ordine
iti), precum i repartiia numrului de clieni servii pe unitatea de
timp sau repartiia duratei serviciului.
Mecanismul serviciului este caracterizat de asemenea i de capacitatea
, adic numrul maxim de clieni ce pot exista la un
ivalent, lungimea maxim a cozii.

Elementele necunoscute ale modelului de ateptare sunt:
timpul de ateptare
i la momentul t .
Toate aceste necunoscute sunt variabile aleatoare i, prin rezolvarea modelului
de ateptare, se urmrete determinarea repartiiei lor sau mcar a unei valori medii
n funcie de elementele cunoscute.

finit) care servesc clienii ce sosesc n sistem pen
dispunere sau condiionare a staiilor de serviciu dintr-un sistem
acest
it
bazat pe prior
sistemului presupus cunoscut
moment dat n sistem, sau, ech
timpul de neocupare a staiilor
lungimea cozii
numrul de clieni din sistem N(t) existen

162
Un model de ateptare se noteaz A / S / c: (L, d) , unde:
A repartiia timpului dintre dou veniri consecutive,
S repartiia duratei de serviciu,
Exemplu. Notaia Exp() / Exp() / 1: (, FIFO) caracterizeaz un model cu:
veniri cu repartiia exponenial negativ de parametru ,
servicii cu reparti
o singur
coada care poate crete indefinit ( L=),
disciplina de serviciu care este primul sositprimul servit (FirstIn
FirstOut).
i este, n general,
un proces stochastic discret. Cunoaterea repartiiei acestui proces permite
determinarea multor caracteristici ale sistemului.

8.2. Caracterizarea procesului N(t) ca proces de natere i deces

O caracteristic a procesului N(t) este aceea c variaia valorilor sale pe
intervale mici de timp nu este mare, n sensul c probabilitatea ca N(t) s prezinte
n general, mic. Variaia procesului N(t) este determinat de intrrile i ieirile
din sistem, adic de veniri i servicii. Asemntor variaz i volumul populaiilor
biologice; variaia numrului de indivizi dintr-o astfel de populaie pe un interval
mic de timp nu este prea mare i ea depinde de natalitate (intrri) i de deces
(ieiri). Procesul stochastic N(t) este un caz particular de proces Markov i se
efiniia 8.1. Procesul stochastic cu creteri independente N(t) se numete proces
e natere i deces dac satisface urm arele c diii:
1) P [ N ( t + t ) = n + 1 N(t) = n ]
n
t + O ( ;
) P [ N ( t +t ) = n 1 N(t) = n ] =
n
t + O (t ) ;
) P [ N ( t + t ) = n i N(t) = n ] = O (t ),
c numrul de staii (canale) de serviciu,
L lungimea maxim a cozii,
d disciplina de serviciu.

ie exponenial negativ de parametru ,
staie ( c=1 ),

Numrul N(t) de clieni din sistem ia valori ntregi 0,1,2,...,

variaii mari pe intervalul de timp (t, t +t) depinde de valoarea lui N(t) i este,
numete proces de natere i deces (Vduva, 1977).

D
d to on
= t )
2
( ) 1 > i 3
unde P ( AB ) este probabilitatea lui A condiionat de B, {
n
, n 0}, {
n
, n
0} sunt iruri de numere pozitive date, iar O (t ) un element al unei clase de
( )
funcii care satisface: ( ) ( ) ( ) ( ) R = = =

c t t c
t
t
t t
, , 0 lim , 0 lim
0 0
O O O .
t O
8. Elemente de teoria ateptrii 163

ndente stochastic, adic evoluiile
procesului pe dou intervale de timp disjuncte sunt independente.
Constantele
n
, se numesc intensiti de natalitate, iar
n
, se
numesc intensiti de deces.
r
1
t
Procesul este cu creteri independente n sensul c, oricare ar fi t
1
<t
2
<t
3
<t
4

variabilele N(t
2
t
1
), N(t
3
t
4
) sunt indepe
0 n , 1 n ,
Dac pent u
2
t < avem ) ( ) ( ) (
1 2 1 2
t N t N t t N = , se spune c procesul N
este un proces de numrare.

Vom determina probabilitile P
n
(t) =P( N( t ) =n ), n =0,1,2,... .
Din definiia procesului de natere i deces i innd seama c mulimea
funciilor O (t) este nchis la adunare, scdere, nmulire i nmulire cu un
scalar sau cu o funcie de timp, avem:
( )
( )( )
( )(
( )(
( )
( )
>

>
+
+ + +

+
+ +
+ + + +
+ + + +
+
)
)
+ + =
+
n
i
i i
i n
i
i i
i n
n n n
n n n
n n n
n
t t t P
t t t P
t t t t t P
t t t t t P
t t t t t P
t t P
1
indivizi de
plecare o loc are nu
indivizi de
venire o loc are
1
indivizi de
plecare o loc are
indivizi de
venire o loc are nu
plecare o
1
venire o nici
1 1
plecare o nici
1
venire o
1 1
plecare o nici venire o nici
) ( 1 ) ( ) (
) ( ) ( 1 ) (
) ( ) ( 1 ) (
) ( 1 ) ( ) (
) ( 1 ) ( 1 ) (

43 42 1 3 2 1
3 2 1 43 42 1
4 4 3 4 4 2 1 4 4 4 3 4 4 4 2 1
4 4 4 3 4 4 4 2 1 4 4 3 4 4 2 1
4 4 4 3 4 4 4 2 1 4 4 4 3 4 4 4 2 1
O O
O O
O O
O O
O O

innd seama de proprietile funciilor t) avem: O (
( )
) ( ) (
) ( ) ( ) ( ) (
1 1
1 1
t t t P
t t P t t P t P t t P
n n
n n n n n n n
+ +
+ + + = +
+ +

O

, n 1 .
mprim la t , trecem la limit pentru t 0 i obinem ecuaiile
gorovFeller care guverneaz procesul de natere i deces:
) ( ) ( ) (
1 1 1

Kolmo
( ) 1 , ) (
1
+ + + =
+ +
n t P t P t P t P
n n n n n n n n
(8.1)
Asemntor deducem
) ( ) ( ) (
1 1 0 0
t P t P t P
o
+ = (8.2)
Sistemul de ecuaii (8.1) i (8.2) trebuie s aib o soluie care s fie un sistem
complet de probabiliti, adic
(8.3)
Teoremele urmtoare dau condiiile ca sistemele (8.1)-(8.3) s aib soluie.
Teorema 8.1. Dac procesul N ( t ) este un proces de natere pur (
n
= 0,
() n 1), i dac exist i astfel nct P
i
( 0 ) = 1 P
n
( 0 ) = 0, n i (condiiile
t t P
n
n
) ( , 1 ) (
0
=
=

i

164
iniiale sunt date), atunci condiia necesar i suficient ca soluia sistemului de
e de probabiliti este ca cuaii difereniale (8.1) i (8.2) s fie un sistem complet
=
=0
1
k k
.
T iile
iniiale ca n Teorema 8.1, atunci o condiie suficient ca sistemul de ec
difereniale (8.1) i (8.2) s aib ca soluie un sistem complet de probabilit
c
eorema 8.2. Dac pentru procesul de natere i deces N ( t ) sunt date condi
uaii
i este
a
=
k
= = 1 1 1 k i i
i
.

Ipotez ionar, adic P
n
( t ) =p
n
=
constant, ipotez justificat de faptul c, dup ari de tim
= + + 1 , 0 ) ( n p p p

simplificatoare. Procesul N ( t ) se presupune sta
perioade m p de
funcionare, sistemele se stabilizeaz.
n caz staionar, sistemul (8.1) (8.2) devine:
= + 0
1 1 0 0
p p
(8.4)
+
+ + 1 1 1 1 n n n n n n n
otm
N
1 1 + +
+ =
k k k k k
p p z
i din ultima ecuaie avem
z
n
=z
n1
,
z
0
=0.
Astfel, n cazul staionar
z
n
=0, n 0,
sau
iar din prima ecuaie
0 ,
1
1
=
+
+
n p p
n
n
n
n
.
Deducem c
1 ,
0
1
0 1

= +
n p p
n
k k
k
n
.
Din condiia (8.3) rezult c
= +
+
=
1
1
0 1
0
1
1
n
n
k k
k
p
.
Cunoscnd repartiia procesului N ( t ), n cazul staionar, adic a numrului
de clieni din sistemul de ateptare, se pot calcula unele elemente necunoscute ale
modelului, i anume:
a) numrul mediu de clieni din sistem ,

[ ]

=
=
0
) (
n
n
np t N M

b) lungimea medie a cozii
,
c)
[ ]

=
=
L
c n
n c
p c n L M ) (
(nu poate fi coad pentru n c, adic mai puini clieni dect numrul staiilor de
serviciu),
timpul mediu de ateptare la coad
[ ] [ ]
c
L M
p
WT M
) 1 (
1
0
,
) 1 (
1
0
p
unde este timpul mediu de servire i se presupune cunoscut.

Observaia 8.1. (1 p
0
) reprezint numrul mediu de clieni (uniti) servii n
unitatea de timp. Atunci:
) d timpul mediu de ateptare n sistem
[ ] [ ] ) (
) 1 (
1
0
t N M
p
W M
,
e) numrul mediu de staii neocupate
,
de lenevire (neocupare) a unei staii ntre dou servicii
consecutive
[ ]

=
=
c
n
n
p n c SL M
0
) (
f) timpul mediu
[ ] [ ]
[ ]
c
AT M
SL M TL M = ,
unde M[AT] este media intervalelor de timp dintre dou veniri consecutive.

Aadar, pentru a rezolva un model folosind procese de natere i deces trebuie
cunoscute intensitile procesului
n
, n 0,
n
, n 1.
Pe baza acestor intensiti se calculeaz probabilitile
p
n
, n 0,
i apoi elementele necunoscute ale modelului, conform cu formulele precedente.
8.3. Modelul Po()/Exp()/1:(,FIFO)

n acest model intrrile se fac dup repartiia Poisson

0 ,
!
) (
) ) ( ( = =

n e
n
t
n t N P
t
n
,
iar intervalul de timp dintre dou sosiri consecutive are o repartiie exponenial de
parametru , cum se poate constata uor.

166
Serviciile se fac dup repartiia exponenial, adic durata serviciului ca
variabil aleatoare are repartiia exponenial,
.
<

=

0 pentru , 0
0 pentru , 1
) (
x
x e
x F
x
Raportul
= se numete intensitate de trafic sau factor de serviciu. El

reprezint, n medie, numrul de clieni care vin n perioada unui singur timp de
serviciu.
nii care l solicit n unitatea
se va produce o aglomerare.
Dac <1, numrul clienilor din irul de ateptare va crete necontenit.
Dac =1, nu se va produce o coad imens durata serviciilor coincide cu
unitatea de timp, ns evident n anumite momente va fi aglomeraie.
n modelul precedent
n
= i
n
= , () n N
*
. n acest caz, ecuaiile
KolmogorovFeller (8.4) devin, pentru cazul staionar
(8.5)
Ultima ecuaie d
Dac >1, atunci durata serviciului pentru clie
de timp este mai mic dect unitatea de timp, deci nu
= +
= + +
+
0
1 ) ( , 0 ) (
1 0
1 1
p p
n p p p
n n n

0 0 1
p p p = =

i nlocuind n prima, avem
0
2
2 2 1 0
0 ) ( p p p p p = = + + .
Rezult prin inducie c
p
n
=

n
p
0
.
Dar
1 1
0
= =

N N n
n
n
n
p p ,
ns
0
1
1
1
p
n
n
=

=
N

cnd <1 i atunci
p
n
=
n
( 1 ) . (8.6)
Se pot determina elementele necunoscute ale modelului n funcie de . De
asemenea, se pot gsi:
p
n
maxim
[ ]
1
0 ) 1 (
+
= =
n
n
d
d
n

i atunci
1
1
1
) (
+

+
=
n n
n
t p
n
n
.

Aadar, putem determina:
i din sistem la momentul t numrul mediu de clien
[ ]

1
N n
n

(8.7)
de ateptare lungimea medie a cozii
= = =

) 1 ( ) ( ) (
1 n
n t np t N M
numrul mediu al clienilor din irul
[ ]

= = = ) 1 ( ) 1 ( ) 1 (
n
n p n L M

(8.
2
8)
= = 2 2 n n
1
1
n

[ ] [ ]
) 1 ( ) 1 (
0
p
1
1

= = L M WT M
(8.9)
timpul mediu de ateptare n sistem
[ ] [ ]
) 1 (
1 1
= + = WT M W M .
(8.10)
lt de m persoane
i
(8.11)
Pr un moment dat s
fie
(8.12)
De e notaiile de mai
a
Dac este interesant probabilitatea ca n sistem s fie mai mu
dorim ca ea s nu depeasc o anumit valoare , atunci
< <
m m 1
) 1 ( ... ) 1 ( ) 1 ( 1
Se pot determina astfel i nct s nu existe aglomeraie.

opoziia 8.1. Probabilitatea ca numrul clienilor din sistem la
mai mare ca un numr dat k este
P( N( t ) >k ) =
k+1
.
monstraie. Calculm aceast probabilitate, innd seama d
inte, i avem n
( )
1
1
1 1
1
) 1 ( ) 1 ( ) ( ) (
+
+
+ =
+ =
=
= = = >

k
k
k n
n
k n
n
t p k t N P
.

Se poate determina probabilitatea ca un client s atepte la rnd un timp
superior unui timp dat t
0
.
Deoarece timpul de ateptare la coad este o variabil aleatoare continu, vom
determina repartiia complementar a acestei variabile aleatoare, adic P(WT >t
0
)
(funcia de repartiie F(t
0
) =P(WT t
0
)).
Determinm aceast repartiie prin intermediul unei probabiliti elementare de
forma P( t <WT <t +dt ), care reprezint probabilitatea evenimentului ca timpul
de ateptare al unui client la coad s fie cuprins n intervalul (t, t+dt).
Notm cu P
n
( t <WT <t +dt ) probabilitatea ca timpul de ateptare la coad
al unui client s fie cuprins n intervalul (t, t+dt) condiionat de faptul c la sosirea
lui n sistem exist deja n >0 clieni.

Observaia 8.2. Dac n = 0 la sosirea n sistem a clientului, acesta nu ateapt i
intr direct n serviciu. .
Cum se calculeaz P
n
( t < WT < t + dt ) ?

=
+ < < = + < <
1
) ( ) (
n
n
dt t WT t P dt t WT t P

168
Fiind o probabilitate condiionat, se scrie ca un produs de probabiliti pentru
urmtoarele trei evenimente:
a) evenimentul ca, la sosire, n sistem s existe n uniti, P
n
(0). Se ia momentul
sosirii clientului ca fiind t =0 ;
b) evenimentul ca n intervalul de timp t s fie servii i s plece din sistem n1
clieni, cu condiia s fi existat iniial n clieni n sistem. Probabilitatea acestui
eveniment este
( )
( )
t
n
e
t

1
;
c) evenimentul ca n intervalul de timp dt s fie servit i s plece un client,
condiionat de evenimentele de la a) i b). Probabilitatea acestui eveniment este
dt . Prin urmare,
n ! 1
( )
( )
dt e
n
t
P dt t WT t P
t
n
n n

= + < <

! 1
) 0 ( ) (
1
.
Sistemul este presupus n regim staionar i atunci avem:
( )
( )
=
= + < <WT t P(

dt e
n
t
dt t
t
n
n
n

1
1
! 1
) 1 ( )
( )
( )
dt e
n
t
de
t
n
n
t

=

1
1
1
) 1 (
! 1
) (
) 1 ( .
Aadar,
=

= = >

0
0
) 1 (
) 1 ( ) 1 ( ) (
) 1 (
) 1 (
0
t
t
e
d e t WT P

=
) 1 (
0

t
e ,
pentru <1. Am obinut P( WT >t
0
) = i astfel am demonstrat
o t s atepte la rnd un timp superior unui
timp dat t
0
este
P( WT >t
0
) = .

Exemplu. La o baz de aprovizionare sosesc n medie 30 de autobasculante pe or
pe care trebuie s le ncarce un singur excavator. Timpul mediu necesar ncrcrii
unei autobasculante este de 1 min i 30 s. S se stabileasc elementele modelului de
ateptare care rezult, dac se consider c sosirile sunt poissoniene, iar servirile,
exponeniale. S se determine probabilitatea ca n sistem s fie 3 sau mai mult de 3
Rezolvare. Presupunem c prin observaiile din teren ne situm n cazul modelului
Po()/Exp()/1:(,FIFO) . Pentru acest caz intensitatea intrrilor este =30 , iar
) 1 (
0

t
e
urmtoarea propoziie.

Pr poziia 8.2. Probabilitatea ca un clien
) 1 (
0

t
e
autobasculante.


cea a ieirilor (serviciilor) din sistem este
s 30 min 1
min 60
= . Intensitatea de trafic
este
4
3
= . Din relaia (8.6) avem 25 . 0 1
0
= = p , p
1
=0.1875 .a.m.d.
Se pot determina acum conform cu relaiile (8.7)(8.11) elementele necunoscute
ale modelului:
numrul mediu de autobasculante din sistem M[N(t)]=3.
numrul mediu de autobasculante din irul de ateptare M[L
1
(t)]=2.25.
[W]=6 min.
timpul mediu de ateptare n irul de ateptare M[WT]=4 min i 30 s.
Din relaia (8.12) avem P( N( t ) >2) =
2+1
=0.42187 .

Comentariu. Dac s-ar pune problema ca n sistem s fie n medie 2 autobasculante n

timpul mediu de ateptare n sistem M
2
1
=

= =
3
2
edie a
loc de 3, atunci din relaia (8.7) obinem . Cum =30
este o dat exterioar sistemului, trebuie modificat durata m serviciilor, i
nume . Pentru noile valori ale parametrilor , se pot determina
8.1.
a s 45 =
elementele necunoscute ale modelului.

S rezolvm modelul pentru valorile iniiale ale parametrilor i cu
pachetul de programe Management Scientist. Dup lansarea pachetului de
programe selectm modulul Waiting Lines i din acesta Poisson Arrivals /
Exponential Service (Figura 2.4). Introducem datele de intrare ca n Figura

Figura 8.1

Selectnd Solve obinem soluia modelului care, aa cum se vede din Tabelul 8.1,
coincide cu cea obinut mai sus.

170
Tabelul 8.1
WAI TI NG LI NES
*************
NUMBER OF CHANNELS = 1
POI SSON ARRI VALS WI TH MEAN RATE = 30
EXPONENTI AL SERVI CE TI MES WI TH MEAN RATE = 40

OPERATI NG CHARACTERI STI CS
- - - - - - - - - - - - - - - - - - - - - - - - -
THE PROBABI LI TY OF NO UNI TS I N THE SYSTEM 0. 2500
THE AVERAGE NUMBER OF UNI TS I N THE WAI TI NG LI NE 2. 2500
THE AVERAGE NUMBER OF UNI TS I N THE SYSTEM 3. 0000
THE AVERAGE TI ME A UNI T SPENDS I N THE WAI TI NG LI NE 0. 0750
THE AVERAGE TI ME A UNI T SPENDS I N THE SYSTEM 0. 1000
THE PROBABI LI TY THAT AN ARRI VI NG UNI T HAS TO WAI T 0. 7500

Number of Uni t s i n t he Syst em Pr obabi l i t y
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
0 0. 2500
1 0. 1875
2 0. 1406
3 0. 1055
4 0. 0791
5 0. 0593
6 0. 0445
7 0. 0334
8 0. 0250
9 0. 0188
10 0. 0141
11 0. 0106
12 0. 0079

13 0. 0059
14 0. 0045
15 0. 0033
16 0. 0025
17 OR MORE 0. 0075

8.4. Modelul Po()/Exp()/1:(m, FIFO)

Pentru acest model, lungimea maxim a cozii este m<. n acest caz,
probabilitatea ca n intervalul de timp de lungime t>0 s soseasc un client n
sistem este proporional cu mrimea intervalului; coeficientul de proporionalitate
depinde de numrul n de uniti aflate n sistem la momentul respectiv i rmne
n
; analog, coeficientul legat de servicii rmne
n
. n ecuaiile de stare (8.4)
facem presupunerea c probabilitatea ca n intervalul de timp t s soseasc n
sistem un client este cu att mai mic cu ct numrul clienilor rmai din numrul
total este mai mic,

( ) t t n m
n
= i atunci ( ) n m
n
= .
Coeficientul
n
nu depinde de numrul de clieni din sistem la un moment dat,
deoarece exist o singur staie, i l notm cu .
n ecuaiile de stare (8.4), nlo i
n
i considernd
n+1
=0,
binem ecuaia
cuind
n

o
0 1 1 0
0 p m p p p m
= = + .

n cea de-a doua ecuaie din (8.4 1 i obinem ) lum n =
[ ] 0 ) 1 (
2 1 0
= + + p p m p m
= + ) 1 (
0
p m m p m 0
2 0 0
p p m

) 1 (
0 2
m m p =
2
p

Lund n =2, obinem
[ ] = + + 0 ) 2 ( ) 1 ( p p m p m
3 2 1

+

3 0 0
) 1 ( ) 2 ( ) 1 ( p p m m m p m m

2
) 2 )( 1 ( 0 ) 1 (
3 0
m m m p p m m = =

0
3
p
.

2

Prin inducie rezult
0
p A p
m n

=
n
n

: ) (t N i
) (
k
t p

) ( ) ( ) ( ) (
2 1 0
t p t p t p t p
m
K
2 1 0 m K
m
=
=
1
0 k
. 1 ,
1
1
0
0
0
0
0
=
= =
=
=
m
m
n
n
n
m
m
n
n
n
m
A p p A

alculul elementelor necunoscute ale modelului

C
numrul mediu de clieni din sistem
=
= = = n
m
n
m
n
n
0
0
0
0
0

= = =

n n
p A n m m p nA t np t N )] ( [ ) ( )] ( [

m
n
m
n
m
M

=
= = =
4 4 4 3 4 4 4 2 1 4 4 3 4 4 2 1
0
0
0
0
0
1
n
m
n
m
n

=

+
1
1
0
( p A m
m
n
m
n
m
n
n
m

+
0
1
1
)
p
p A m p A n m
n n

) 1 ( )] ( [ deci ; ) 1 (
0 0
p m t N M p m = =
,
.
numrul mediu de clieni servii la un moment dat
0 0 0
0 0
1 1 0 )] ( [
) ( 1 ) (
1 0
: ) ( p p p t n M
t p t p
t n
s s
= + =

172
Dac este numrul mediu de clieni ce pot fi servii pe unitatea de timp,
dac staia este ocupat tot timpul, atunci numrul mediu de clieni servii efectiv
ntr-o unitate de timp este ( 1 p
0
).
lungimea medie a cozii M[L
c
] =M[L
1
]
M[L
c
] =numrul mediu de clieni n sistem la un moment dat minus numrul
mediu de clieni ce sunt servii la un moment dat =
=M[N( t )] ( 1 p ) =
0
= ) 1 ( ] [ ) 1 ( ) 1 (
0 0 0
p m L M p p m
c

+
=
.
,
1
1
] [

1
1
] [
) 1 (
1
] [
0
0
1
0

p
m
WT M
p
m
L M
p
WT M

= + =

0 0
1
1
] [
1
1 1
] [ ] [
p
m
W M
p
m
WT M W M .
Exemplu. O firm de taximetre are 12 autoturisme i un singur mecanic de
ntreinere. tiindu-se c repartiia de probabilitate a timpului de funcionare
m ntre dou defeciuni este exponenial cu media de 6 zile, iar repartiia
necesar reparaiei defeciunii este exponenial cu media 4 ore, s se
determine:
probabilitatea ca la un moment dat toate autoturismele s funcioneze,
timpul mediu de ateptare a unui autoturism defect pn la momentul cnd
ncepe s fie reparat,
i autoturism pn n momentul n care
prsete atelierul de reparaii,
numrul mediu de autoturisme la coad i
numrul mediu de autoturisme din atelier.
Se consider ziua de lucru de 8 ore.

Rezolvare

a unui
autoturis
timpului
timpul mediu de ateptare a unu
4
1
;
48
1
6 8
1
= =
= maini pe or ,
12
1
1
48
1
= =
, atunci
4
, 19857 . 0
03607 . 5
1
12
0
12
0
= =
1
12
1
= n
n
n
A
p

reprezint probabilitatea ca la un moment dat toate autoturismele s funcioneze.
58141 . 1 ) 19857 . 0 1 (
48
1
4
1
48
1
12 ) 1 ( ] [
0 1
=
+
=
+
= p m L M

,
38284 . 2 ) 19857 . 0 1 (
8 6
1
0
4
1
12 ) 1 ( )] ( [ =
= = p m t N M

,
89294 . 7
48 4
0
1
48
1
4
1
19857 . 0 1
12
1
1
1
1
] [

p
m
WT , M =
. 89294 . 11
48
1
4
1
19857 . 0 1
12
4
1
1
1
1

m
] [
0
=
p
W M

lansarea
Waiting Lines ew i din
fereastra care apare selectm Poisson Arrivals/Exponential Service (Finite Pop.),
(Figura 2.4). n fereastra care apare introducem datele de intrare
Pentru rezolvarea acestei probleme cu Management Scientist, dup
programului, selectm , apoi din meniul File alegem N
25 . 0 , 02083 . 0
8 6
1
= =
=
ca n Figura 8.2, apoi selectm Solve

Figura 8.2

i rezultatele sunt afite pe ecran sub urmtoarea form (Tabelul 8.2).

174
Tabelul 8.2
WAI TI NG LI NES
*************
POI SSON ARRI VALS WI TH MEAN RATE = 0. 02083
EXPONENTI AL SERVI CE TI MES WI TH MEAN RATE = 0. 25
FI NI TE CALLI NG POPULATI ON OF SI ZE = 12

- - - - - - - - - - - - - - - - - - - - - - - - -
UNI TS
UNI TS
I NG UNI T HAS TO WAI T 0. 8014
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
0 0. 1986
1 0. 1986
2 0. 1820
3 0. 1517
4 0. 1137
5 0. 0758
6 0. 0442
0. 0221
0. 0092
10 0. 0008
11 0. 0001
12 0. 0000

THE AVERAGE NUMBER OF I N THE WAI TI NG LI NE 1. 5808
THE AVERAGE NUMBER OF I N THE SYSTEM 2. 3822

THE PROBABI LI TY THAT AN ARRI V

7
8
9 0. 0031

8.5. Modelul Po()/Exp()/c:(, FIFO)

Aceste modele generalizeaz modelele de ateptare cu o singur staie de
servire, avnd c staii de servire paralele (identice n ceea ce privete timpul de
servire).
Fie N( t ) numrul mediu de clieni din sistem la momentul t . Atunci avem:
probabilitatea unei veniri n intervalul ( t , t +t ) este t +O (t), iar venirile
sunt independente ntre ele,
dintr-o staie de servire n intervalul de timp (t , t +
+t) este t +O (t) ,
probabilitatea rmnerii unui client n sistem este 1 t +O (t) ,
n staiile de servire este
nt +O (t),
deoarece ieirile din sistem sunt independente,
probabilitatea ca n intervalul de timp ( t , t +t ) un client s prseasc sistemul
atunci cnd n staii de servire lucreaz simultan este n t +O(t) .
probabilitatea unei ieiri
probabilitatea ca n c clieni s rmn
( 1 t+O (t) )
n
=1

Notm E
n
evenimentul care const n prezena a n clieni n sistem i cu p
n
(t)
probabilitatea producerii evenimentului E
n
la momentul t.
Vom calcula P
n
( t +t ).
a) 0 <n <c . Vom neglija probabilitile de ordin de mrime mai mic ca O (t).
Sunt posibile urmtoarele situaii:
1) sistemul se gsete la momentul t n starea E
n
i nu au loc nici o venire i
lecare n/din sistem n intervalul de timp (t, t +t). Probabilitatea
corespunztoare este
nici o p
( )( ) = + + ) ( ) ( 1 ) ( 1 t p t t n t t
n
O O
[ ] , ) ( )) ( ) ( 1 t p t t n
n
+ + = O
n1
i nici
o plecare. Probabilitatea corespunztoare este
i au loc o venire
( )( ) t t p t p t t t
n n
= +

) ( ) ( 1 ) (
1 1
O ,
te la momentul t n starea E
n+1
i au loc o ieire din
toare este
3) sistemul se gse
sistem i nici o venire. Probabilitatea corespunz
( )( ) = + + +
+
) ( ) ( ) 1 ( ) ( 1
1
t p t t n t t
n
O O
[ ] . ) ( )) ( ) 1 (
1
t p t t n
n+
+ + = O
Aadar,
[ ]
[ ] ) ( ) ( ) 1 (
) ( ) ( ) ( ) ( 1 ) (
1
1
t p t t n
t t p t p t t n t t p
n
n n n
+
+ + +
+ + + + = +
O
O

(8.13)

b) n c . Apar urmtoarele eventualiti:
n
nici o plecare n/din sistem n intervalul de timp (t, t +t). Ieirile nu pot
avea loc dect din cele c staii ocupate.
Probabilitatea corespunztoare este
( )( ) = + + ) ( ) ( 1 ) ( 1 t p t t c t t
n
O O
[ ] , ) ( )) ( ) ( 1 t p t t c
n
+ + = O
ntruct toi cei c clieni din staiile de servire rmn n sistem (n-au terminat
serviciul).
n1
, are loc o intrare n
sistem i nu se produce nici o ieire. Probabilitatea corespunztoare este
( )( ) t t p t p t t c t t
n n
= + +

) ( ) ( ) ( 1 ) (
1 1
O O .
n+1
, nu are loc nici o intrare
n sistem, dar are loc o ieire. Probabilitatea corespunztoare este
( )( ) p c t p t t c t t
n
t t
n
= + +
+
) ( ) ( ) ( 1
1 +
) (
1
O O ,
unde ) ( t t c + O este probabilitatea ca un client rseasc sistemul atunci
cnd c staii lucreaz simultan.
s p
Aadar,

176
[ ]
. ) (
) ( ) ( ) ( ) ( 1 ) (
1
1
t t p c
t t p t p t t c t t p
n
n n n
+
+ + + + = +
+
O

(8.14)
tualiti:
0
nici o plecare n/din sistem n intervalul de timp (t, t +t). Probabilitatea
1
, are loc o ieire din sistem
i nu se produce nici o intrare. Probabilitatea corespunztoare este

c) n =0 . Evideniem urmtoarele even
corespunztoare este ( 1 t +O (t ) ) p
0
( t ).
( )( ) [ ] ) ( ) ( ) ( ) ( ) ( 1
1 1
t p t t t p t t t t + = + + O O O .
Am obinut
[ ] [ ] ) ( ) ( ) ( ) ( 1 ) (
1 0 0
t p t t t p t t t t p + + + = + O O (8.15)

Din relaiile (8.13), (8.14), (8.15), prin mprire la t i innd seama de
roprietile p funciilor O (t) , trecnd la limit (t 0), obinem ecuaiile de
acest model:
+ =
+
.
) ( ) 1 ( ) (
) ( ) ( )
1 1
t p n t p
t p t p
n n

n cazul staionar , ecuaiile de stare (8.16) devin
(8.17)

Pentru rezolvarea sistemului (8.17) vom nota
z
n
=p
n1
+np
n
.
Prima ecuaie din (8.17) devine
z
1
=p
0
+p
1
=0 .
Prelucrm a doua ecuaie din (8.17)
p
n
+( n +1)p
n+1
=p
n1
+np
n
,
de unde rezult c
z =z =... =z =0 .
stare pentru
(t p
+ + + =
< + =
+
, ) ( ) ( ) ( ) ( ) (
1 , ) ( ) ( ) (
1 1
1 0 0
c n t p c t p t p c t p
c n t p n t p
n n n n
n n

(8.16) + + +

0 , 0 ) ( = n t p
n
+ = +
< + + = +
=
+
+
. ) (
1 ) 1 ( ) (
1 1
1 1
1 0
c n p c p p c
c n p n p p n
p p
n n n
n n n

n+1 j 1
= =
= = =

;
!
1
!
1

1
;
0 0 1 0 1
p
n
p
n
p p
n
p p p
n
n
n n n
.
Astfel,
. 1 ,
!
1
0
c n p
n
p
n
n
< =
Din ultima ecuaie a sistemului (8.17) rezult c
p
n
+cp
n+1
=p
n1
+cp
n
.
De unde

z
n
=z
n+1
, iar z
c
=p
c1
+cp
c
=0.
Astfel
= =
1
1
c c
p
c
p

0 0
! )! 1 (
1
p
c
p
c c
c c

=
.
Aadar,
0 ,
!
0

=
+
k p
c c
p
c
k
k c

.
Pentru acest model notm
c
=
*
intensitatea de trafic a sistemului de
ateptare.
Am obinut soluia sistemului (8.17)

!
0
c c
c n
n

Deoarece 1
0
=
= . , c n p p
(8.18)
< = 1 ,
!
0
c n p
n
p
n
n
n
= n
n
p , rezult c
( )
1
! !
* 1
0
0
=
+

=
= c n
n
c
n
n
c
c
n
p

,
de unde obinem
( )

=
+
=
1
0
*
0
! 1 !
1
c
n
n c
n c
p
.
Cunoscnd repartiia variabilei aleatoare N( t ), se poate determina repartiia
variabilei aleatoare L
c
( t )
1 0
: L .

Calculul elementelor necunoscute ale modelului
lungimea medie a cozii
) ( 0 ] [
k
k c c c
t kp t p t p L M .
Notm c +k =n k =n c . Atunci
+ +
+ +
L ) ( ) ( ) ( ... ) (
2 1 0
t p t p t p t p
c c c
c
L 2
[ ]

=
+
+ + + =
1
0
) ( ) ( ...
= = =

+ =

+ = 1
0
1
!
) ( ) ( ] [
c n
c n
n
c n
n c
p
c c
c n p c n L M


178
=
! c
= 1
0
p
+ +
... 3 2
3 1 c c
c
c c c
c

+2 c
. ... 3 2 1
= p
c

!

c c
2

c c
1
+ c
c
0

Se tie c
1 ,
1
< =

x kx
k
.
) 1 (
2
x
1
1
= k
Aplicnd n relaia de mai sus, obinem
2
!

c c
1 + c
0
] [

= p L M
c
,
1

1 c
c

c
de unde rezult c
0
2
] [ p L M
c

= .
) ( )! 1 ( c c

c

, vom considera
este acelai lucru
atoare discret cu
+ +
+
... ) ( ) ( ) ( ) ( ) ( ) (
:
1 1 2 1 0
t p t p t p t p t p t p
n
c c c
s
K
.
Pentru determinarea numrului mediu de clieni din sistem
numrul de clieni aflai n serviciu la un moment dat, care
cu numrul de staii ocupate n , ca fiind o variabil ale
s
repartiia
1 2 1 0 c c K
( )
. ) (
!
1
) (
!
1
) ( ) ( ... ) ( ) ( ) ( ] [
0
0
0
0
1 0
1
0

=

=
+ = =
+
=
=
= + = + + + =
n
n
c n
c
n
n
c n
n
c
n
n c c
c
n
n s
t p
c c
c t p
n
n
t p c t np t p t p c t np n M

De aici rezult c
= ] [
s
n M ,
iar cum
M[N( t )] =M[L
c
] +M[n
s
],
obinem c

=
0
2
) ( )! 1 (
)] ( [ p
c c
t N M
c
.
numrul mediu de servicii fcute efectiv n unitatea de timp

= = ] [
s
n M .

) (
) ( )! 1 (
] [
] [
0
2
t p
c c
L M
WT M
c
c

= =
.
1
] [ ] [ + = WT M W M .
numrul mediu de staii de servire care lenevesc (neocupate)
=
c t p j c
c
j
j
1
0
) ( ) .

Exe n medie 6 autoturisme pe or. Un
luctor folosete pentru splatul unui autoturism n medie 15 minute. S se
determine elementele sistemului pentru cazurile n care se folosesc 2 i respectiv
3 lucrtori.

Rezolvare
avem
= =
SL M ( ] [
mplu. La o spltorie auto se prezint
1
4
6
, 4
15
60
, 6 > = = = = Pentru acest exemplu . Cum >1 , nu este
suficient un singur lucrtor. Vom considera urmtoarele situaii:
a) c =2 (2 lucrtori)
21429 . 0
2
3
, 14286 . 0
2
3
1
4
3
1 ! 2
1
2
3
1
0 1
2
0
= = =
+ +
= p p p ,
16072 . 0
! 2
1
2
3
0
2
2
=
= p p etc

92861 . 1
4
3
1
1
2 ! 2
1
2
3
14286 . 0 ] [
2
3
2
=
= L M ,
2
1
2
3
2 ] [ = = = c SL M ,
4261 . 3
2
3
2
3
1
1
2 ! 2
1
2
3
14286 . 0 )] ( [
2
3
= +
= t N M ,
. s 17 min 19 32143 . 0
6
92861 . 1 ] [
] [ = = = =
c
L M
WT M
b) c =3 (3 lucrtori)

180
21053 . 0
1 3 3 1 3
1
2 3
0
=

= p ,
! 2 2 2
1
2
3
1 ! 3
2

+ + +
etc 3158 . 0
2
3
0 1
= = p p .
; 73685 . 1 )] ( [ ; 23685 . 0 ] [
3
= = t N M L M
. s 22 min 2 ore 03946 . 0 ] [ ; 5 . 1 ] [ = = = WT M SL M

Concluzie. Din punctul de vedere al clienilor, serviciul la spltorie este mult
mai atractiv cu 3 lucrtori, deoarece numrul mediu al autoturismelor care stau la
rnd n acest caz este 0.23 i ateapt n medie doar 2 min i 22 s, fa de cazul n
care ar fi doar 2 lucrtori i ar atepta n medie 19 min i 17 s. n cazul b) 21%
dintre solicitani au ansa s nu stea la rnd.

m modulul Waiting Lines, apoi modelul Poisson
Arrivals / Exponential Service. Introducem datele de intrare pentru cazul cu 2
lucrtori n fereastra corespunztoare modelului selectat (Figura 8.3).

Apelm Management Scientist pentru rezolvarea acestui model. Dup lansarea
pachetului de programe, select

Figura 8.3
abelul 8.3.

8.6. Modelul P
0
()/Exp()/c:(m,FIFO)

Acest model reprezint cazul sistemului de ateptare cu sosiri poissoniene,
servicii exponeniale, mai multe staii de servire n paralel (identice n ceea ce
privete timpul de servire), numr limitat de clieni, m, i disciplina de servire FIFO.

Selectnd Solve se obin rezultatele prezentate n T
Analog se rezolv i cazul cu c=3.

elul 8.3
WAI TI NG LI NES
*************
EAN RATE = 6
ES WI TH MEAN RATE = 4 PER CHANNEL
- - - - - - - - - - - - - - - - - - - - - - - - -
GE TI ME A UNI T SPENDS I N THE WAI TI NG LI NE 0. 3214
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
0 0. 1429
1 0. 2143
2 0. 1607
3 0. 1205
4 0. 0904
6 0. 0509
8 0. 0286
9 0. 0215
10 0. 0161
11 0. 0121
12 0. 0091
13 0. 0068
14 0. 0051
15 0. 0038
16 0. 0029
17 OR MORE 0. 0086
Tab
POI SSON ARRI VALS WI TH M
EXPONENTI AL SERVI CE TI M
THE AVERA
5 0. 0678

7 0. 0381

Pentru prezentarea modelului (schematizat n Figura 8.4) vom considera urmtorul
exemplu.
La o balastier vin m autobasculante pentru a fi nc rcate de c excavatoare.
Autobasculantele formeaz o singur coad i sunt ncrcate dup metoda FIFO.
S-a observat c venirile autobasculantelor la coad sunt repartizate P
0
() , iar
timpii de ncrcare sunt repartizai dup legea Exp().

Figura 8.4
Veniri O O ... O
coada
staie de servire 1
staie de servire 2
ir de
ateptare
numrul zilelor lucrt
M

182
Determinarea ecuaiilor de stare
Notm E
n
evenimentul care const n prezena a n autobasculante la
balastier, iar p
n
( t ) probabilitatea producerii evenimentului E
n
la momentul t .
Dac n c , nu exist coad de ateptare.
Dac n>c , se formeaz coad de ateptare.
Fie P
n
( t +t ) probabilitatea ca la momentul t +t s fie n autobasculante
la balastier. La intervalul de timp t +t pot avea loc urmtoarele situaii:
1) sistemul este n starea E
n
, nu vine i nu pleac nici o autobasculant
toare este:
.
Probabilitatea corespunz
( )( ) ) ( ) ( 1 ) m t ( 1 t t n t n + + O O ,
dac 1 n <c , sau
( )( ) ) ( ) ( 1 ) ( 1 c t t n m t t + + O O ,
2) re n
toare este
dac n c .
sistemul se afl n starea E
n+1
, nu are loc nici o venire
bilitatea corespunz
, dar are loc o pleca
intervalul de timp ( t , t +t ). Proba
[ ] [ ] ) ( ) 1 ( ) ( ) ( 1 ) ( ) 1 ( t t n t t n m t t n + + = + + + O O O ,
dac 1 n <c , sau
[ ] [ ] ) ( ) ( ) ( ) ( 1 t t c t t c t t n m + = + + O O O ,
dac
3) n intervalul de
n c .
sistemul se afl n starea E
n 1
i au loc o venire i nici o plecare
timp ( t , t +t ). Probabilitatea corespunztoare este:
[ ] [ ] = + + + ( ) ( 1 ) ( ) 1 ( t n m t t n m ) t O O
) ( ) 1 ( t t n m + + = O ,
dac 1 n <c , sau
[ ] [ ] ) 1 ( ) ( 1 ) ( ) 1 ( n m t t c t t n m ) ( t t + + = + + + O O O ,
dac

a)
n c .
Aadar,
pentru n <c , avem:
[ ] { } ( ) ( ) ( 1 ) ( p t t n m n t t p
n n
+ + = + O
[ ]
[ ] ) ( ) ( ) 1 t n m + + O (
) ( ) ( ) 1 (
)
1
1
t p t
t p t t n
t
n
n
+
+
+ + + +
+
O
b) pentru n c , avem
[ ] { }
[ ]
) ( ) ( ) ( 1 ) ( t p t t n m c t t p
n n
[ ] ) ( ) ( ) 1 ( ) ( ) (
1 1
t p t t n m t p t t c
n n +
+ + + + +
+ + + = +
O O
O

c) pentru n =0 , avem
[ ]
[ ]( )
[ ] [ ] ) ( ) ( ) ( ) ( 1
) ( ) ( ) ( 1
) ( ) ( 1 ) (
1 0
1
0 0
t p t t t p t t m
t p t t t t
t p t t t t p
+ + + =
+ + +
+ + = +
O O
O O
O


ece la limit pentru t 0 , i se obin ecuaiile de stare ale

+ + + + =
<
+
+
.
) ( ) 1 ( ) ( ) ( ) ( ) (
1
1 1
1 1
m n c
t p n m t p c t p n m c t p
c n
n n n n
n n n

n cazul staionar, ecuaiile de stare sunt
+ =
< + + = +
=
+
+
m n c p n p n m c p c
c n p n m p n m n p n
p mp
n
n n n
1
1 1
1 0
) 1 ) (
1 ) 1 ( ) ( ) 1 (

deoarece p
m+1
( t ) =0 , sis nd de m autobasculante la
un moment dat.
Pentru rezolvarea sistemului, aplicm acee tod ca la modelul din 8.5
i, prin inducie, avem
Relaiile a), b), c) le mprim la t , inem seama de proprietile funciilor
) ( t O cnd se tr
modelului
[ ]
+ + + + + =
=
) ( ) 1 ( ) ( ) 1 ( ) ( ) ( ) (
) ( ) ( ) (
0 1 0
t p n m t p n t p n m n t p
t p m t p t p
n

[ ]
[ ]
[ ]
< + m (
n 1
avea mult
n
temu eput l n mai
ai me
!
A
c
n
c
C

<
=
.
,
0
m n c p
c
c n p
p
n
n
m
c
n n
m

,
0
nlocuind p
n
de mai sus n (8.3) rezult

=
+
=
m
c n
n
n
m
c c
n
n n
m
c
A
c
c
C
p
!
1
1
0
0
.
Aici p
n
este probabilitatea ca, la un moment dat, s existe n sistem n
autobasculante, p
0
este probabilitatea ca n sistem s nu existe nici o
autobasculant la un moment dat, iar 1 <
c
pentru evitarea supraaglomerrii.

Calculul elementelor necunoscute ale modelului
Dup calcule laborioase se obin pentru elementele necunoscute ale modelului
urmtoarele rel
numrul mediu de clieni din sist
aii:
em
c C c m c c
p t N M
c
m
c
n n
m
+
+
+
+

1 ) 1 (
( [
1
0

numrul mediu de clieni de la co
m
+
c1
n=0

= )]
ad
0
1
C
m
c
1
0
] [ p c C c
c
m M
c
c
n
n n
m
=
+

numrul mediu de staii n lucru
0
1 p
L
c

184
M[n
s
] =M[N(t)] M[L
c
]
] [
] [
] [
s
c
n M
L M
WT M
=
1
] [ ] [ + = WT M W M .

Aplicaie numeric
Balastiera are 2 excavatoare care trebuie s ncarce 20 autobasculante. S-a constatat
c sosirile autobasculantelor sunt poissoniene cu parametrul = 0.3
autobas ante pe pul de ncrcare ste expon ial de para tru =4
autobasculante pe or pentru fiecare excavator. S se determine elementele
necunoscute ale fenomenului de

Rezolva

cul or, iar tim e en me
ateptare.
re
20 ; 2 ; 075 . 0
4
3 . 0
= = = = = m c

18756 . 0
2
075
. 0
! 2
2
) 75 0 (
1
2
20
2 1
0
20
=
+
=
= = n
n
n
n
n n
A C

0 .
20
0
p
+
=

=
07 . 1
) 075 . 0 ( 2
075 . 0 (
75 075 . 0
075 . 0 0 2 075 . 0
)]
2
20
20 0
p t M
n
n

5
)
n
0 . 1
2
( [N
1
C
1
0
C
08595 . 2
075 . 0
2 075 . 0

20
=

+
+
=

=
1
0
20 2
) 075 . 0 ( 1 2
. 0
20 ] [
n
n n
C p L M 2
2
20
1
+ p C
)] ( ] [
2
0
075
2
74239 . 0 ) 075 . 0 (
0
=
[ [ 34355 . 1 ]= = L M t N n M
s
M
s 1 n 7 mi 8 13814 . 0
] [ 4
]
] [
2
= =
=
s
n
M
WT
[L
M
M
. s 17 min 23 38814 . 0
4
1
]+ [ ] = = = WT M

Rezolvm modelul de mai sus i cu Management cientist. D lansarea
pachetului de programe select modulul Waiting Lines, apoi modelul Poisson
Arrivals/Exponential Service (Finite Pop.) ntroduce atele ca n igura 8.5.
Du psarea butonului Solve obinem rezultatele din Tabelul 8.4 care coincid
cu cele determinate anterior.
[W M
S up
m
i i m d F
p a

Figura 8.5

Tabelul 8.4
WAI TI NG LI NES
*************
POI SSON ARRI VALS WI TH MEAN RATE = 0. 3
EXPONENTI AL SERVI CE TI MES WI TH MEAN RATE = 4 PER CHANNEL
FI NI TE CALLI NG POPULATI ON OF SI ZE = 20
- - - - - - - - - - - - - - - - - - - - - - - - -
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
0 0. 1876
1 0. 2813
2 0. 2005
3 0. 1353
4 0. 0863
0. 0518
0. 0291
0. 0153

11 0. 0005
5
6
7
8 0. 0075
9 0. 0034
10 0. 0014
12 0. 0002
13 0. 0001
14 0. 0000

8.7. Simulare

Modelele matematice corespunztoare sistemelor reale sunt folosite pentru a
atele deciziilor plementare. Simularea nu deter
urmrete evoluia
situaia n care modelul matematic poate fi rezolvat analitic, aceast metod este
preferabil simulrii, deoarece se obine soluia optim. Simularea se folosete n
analiza rezult nainte de im min
soluia optim a modelului matematic, ci compar rezultatele mai multor alternative
predefinite cu scopul de a o reine pe cea mai avantajoas. Modelul de simulare
n timp a sistemului real i ine seam i de factorul aleatoriu. n

186
cazurile a modelului matematic este imposibil sau
destul d

Simulare probabilist
n care rezolvarea analitic
e dificil.
Vom ilustra aceast metod printr-un exemplu de model de ateptare adaptat
ele dintre ele
mn s fie descrcate n ziua urmtoare. S-a constatat c numrul de vagoane
n oricare alt noapte.

Tabel 8.5
Nr. vagoane Probabilitatea

dup Bonini et al. (1997).
Considerm un depozit care are o ramp de descrcare a vagoanelor.
Vagoanele sosesc noaptea i descrcarea unui vagon dureaz o jumtate de zi. Dac
sunt mai mult de dou vagoane la rnd pentru descrcare, atunci un
r
care sosesc noaptea urmeaz repartiia din Tabelul 8.5 i este independent de
numrul de vagoane sosite
0 0.23
1 0.30
2 0.30
3 0.10
4 0.05
5 0.02
cel puin 6 0.00

Numrul mediu de sosiri pe noapte este de 1.5 vagoane. Suntem n cazul unui
model de ateptare cu o singur staie de servire, FIFO, coad infinit, cu rata
serviciilor =2 i rata sosirilor =1.5 . Se poate arta c sosirile nu sunt
poissoniene i din acest motiv nu se poate aplica nici unul din modelele clasice. n
ederea simulrii avem nevoie de un eantion de sosiri aleatoare pentru un numr

Tabelul 8.6
Numr de
sosiri
Num
generat

relativ
v
de nopi. Pentru aceasta se poate folosi o tabel de numere aleatoare sau un
generator de astfel de numere. Vom folosi generatorul de numere aleatoare din
Microsoft Excel pentru a genera numere uniform repartizate ntre 0 i 99, pe care le
vom asocia cu un numr de sosiri ca n Tabelul 8.6.
r aleatoriu

Frecvena
0 0-22 0.23
1 23-52 0.30
2 53-82 0.30
3 83-92 0.10
4 93-97 0.05
5 98-199 0.02

Vom considera comportarea sistem pta pe er d
Pentru c simularea ncepe fr vagoane la descrcare, este necesar o perioad
ului de a te re o p ioa de 30 zile.
de

iniializare (o consid m ul s s pro d sit ie
normal. Au fost gene te d u re re n ec n bel 8.7 preun
umr Numr Total de
er de 5 zile) pentru ca sistem e a pie e o ua
ra 35 e n me , ca su t tr ute Ta ul , m
cu rezultatele simulrii.

Tabelul 8.7.
Ziua
N
aleatoriu sosiri descrcat
Amnate Descrcate
x 99 5 0 0 0
x 6 0 0 0 0
x 15 0 0 0 0
3 1 2

1 12 0 1 0 1
2 39 1 1 0 1
3 39 1 1 0 1
4 16 0 0 0 0
5 24 1 1 0 1
6 45 1 1 0 1
7 88 3 3 1 2
8 81 2 3 1 2
9 53 2 3 1 2
10 26 1 2 0 2
11 56 2 2 0 2
12 77 2 2 0 2
13 31 1 1 0 1
14 34 1 1 0 1
15 94 4 4 2 2
16 11 0 2 0 2
17 15 0 0 0 0
18 92 4 4 2 2
19 38 1 3 1 2
20 14 0 1 0 1
21 36 1 1 0 1
22 9 0 0 0 0
23 56 2 2 0 2
24 84 3 3 1 2
25 12 0 1 0 1
26 79 2 2 0 2
27 25 1 1 0 1
28 81 2 2 0 2
29 1 0 0 0 0
30 65 2 2 0 2
Total 40 9 41
x 62 2 2 0 2
x 86 3
Media 1,33 0,3 1,36

188
Observm c a fost descrcat i un vagon n plus fa de cele sosite n cele 30
de zile care constituie perioada de simulare, deoarece atunci cnd ncepem
simularea pentru 30 de zile mai era un vagon de descrcat. Cunoscnd care este
penalizarea pentru amnarea descrcrii unui vagon, se poate calcula pierderea
cauzat pe perioada simulat. Se pot reface calculele pentru o capacitate de
descrcare sporit, de exemplu 3 vagoane pe zi, i se compar pierderea cauzat de
vagoanele amnate, putnd decide care este cea mai avantajoas configuraie
tru acest sistem
simulrii m odel de
teptare, urmnd ca pentru un eantion mare s se foloseasc simularea cu

tistic datele culese la acest sistem de ateptare, s-a constatat c
osirile clienilor sunt poissoniene, iar serviciile, exponeniale. S se determine:
a) intervalul mediu dintre dou sosiri consecutive
b) numrul mediu de persoane servite pe or
c) probabilitatea ca ntr-un interval de 3 minute s nu soseac nici un client
d) numrul vnztorilor necesari pentru a se evita algomerarea.

pen de ateptare.
Rolul anuale este de a nelege n ce const simularea unui m
a
calculatorul. Exist multe pachete de programe specializate n simulare, de
exemplu SIMUL8 care are o interfa grafic atrgtoare i se pot realiza destul de
comod simulri pentru modele de ateptare. Se poate folosi i EXCEL pentru
realizarea simulrii modelelor de ateptare sau de stocuri.


1. La un magazin de decoraiuni interioare sosesc n medie 80 de clieni pe or, iar
solicitrile unui client sunt satisfcute n medie ntr-un minut i jumtate.
Analiznd sta
s
R. Se consider unitatea de timp minutul i atunci, numrul mediu de sosiri ntr-un
inut este m 333 . 1
60
a) Intervalul mediu dintre dou sosiri consecutive este de
80
= = .
75 . 0
80
60 1
= =
minute.
b) Numrul mediu de persoane ce pot fi servite pe or este de 40
5 . 1
60
= = .
c) Deoarece
! n
) (
) (
t
e t P
n
t
n

= , rezult c 1054 . 0
! 0
) 75 . 0 3 (
) 3 (
0
75 . 0 3
0
=
=

e P .
ire (un singur vnztor), d) Dac sistemul de ateptare are o singur staie de serv
1 2
80
> = = =

i se creeaz aglomeraie. Considernd sistemul cu mai multe
40
staii 1
~
< =

i alegem c ca
c
fiind cel mai mic ntreg pentru care este

atisfcut aceast inegalitate. Obinem c=2. Ca s nu se creeze aglomeraie, este

R. n urmtoarea secven MathCAD, care rezolv aceast problem, se consider
unitatea de timp minutul.
s
nevoie de 2 vnztori.

2. La ieirea dintr-o staie de betoane, sosesc pentru a li se spla roile n medie 15
autobasculante pe or. Dac repartiia sosirii autobasculantelor pentru a li se spla
roile este poissonian, s se determine timpul maxim n care, cu probabilitatea de
cel puin 0.95, cel mult 3 autobasculante ateapt s li se spele roile.
Media sosirilor
15
60
:=
Probabilitatea ca in intervalul de timp t sa soseasca n autobasculante
P n t , ( ) e
t t ( )
n
n!
:= f t ( )
0
3
n
P n t , ( )
=
:=
f(0)=1 f(1)=0.99987 f(2)=0.99825 f(3)=0.99271
f(4)=0.98101 f(5)=0.96173 f(6)=0.934

or
. La o staie de betoane sosesc bene care sunt ncrcate i prsesc imediat staia.
ad de o sptmn
i timpi
abelul 8.9 .

Tabelul 8.8
Nr bene sosite/ora (x
i
) 0 1 2 3 4 5 6 7

n maximum 5 minute, cu probabilitatea 0.95, cel mult 3 autobasculante v
atepta s li se spele roile.

3
S-a constatat c la intervale de o or pe o perio benele au sosit
conform cu Tabelul 8.8 . n aceeai perioad s-au notat i de ncrcare a
benelor, iar rezultatele sunt trecute n T
Frecvena (N
i
) 8 23 24 21 14 6 3 1

Tabelul 8.9
Minute/ben (t
j
) 5
1
0
1
5
2
0
2
5
3
0
3
5
4
0
4
5
5
0
5
5
6
0
Frecvena(N
j
)
5
0
3
4
2
9
1
9
1
4
1
3
8 6 4 6 3 3

Minute/ben (t
j
)
6
5
7
0
7
5
8
0
8
5
9
0
9
5
10
0
10
5
11
0
11
5
12
0
Frecvena(N) 4 2 0 0 2 0 0 0 0 2 0 1
j
a) S se testeze c sosirile la staia de betoane sunt repartizate Poisson.
numrul zilelor lucrtoare din an

190
b) S se testeze c timpii de servire sunt repartizai exponenial.
c) S se determine numrul mediu de bene din sistemul de ateptare care este dat de
re ateapt s fie ncrcate.
.
g) S se determine numrul punctelor de ncrcare necesare pentru a evita
aglomerarea n perioada de vrf.
ezolvare
staia de betoane.
d) S se determine numrul mediu de bene ca
e) S se determine timpul mediu de ateptare la rnd pentru a fi ncrcate benele
f) S se determine timpul mediu petrecut de o ben n sistemul de ateptare dat de
staia de betoane.

R
a) Vom folosi testul
2
pentru a verifica ipoteza H
0
: Sosirile sunt repartizate
Po() , cu 45 . 2
8
1
= =
= i
i i
N x
. Determinm
=
=
2
i i
,

8
2
) ( N N
statistica
1 i i
c
N
8
N
1 = i
i
unde ( ) 8 , 1 , = =

i e N N
i
x
i i
. Obinem 52657 . 0
2
= . Din tabela repartiiei
c
2
gsim, pentru pragul 05 . 0 = i numrul gradelor de libertate,
6 1 ) 1 8 ( = = l (deoarece avem un parametru , media sosirilor),
592 . 12
2
= . Cum
2 2
< admitem ipoteza H c
6 ; 05 . 0 6 ; 05 . 0 c
0
u pragul de
semnificaie 0.05 ;
b) Vom folosi testul Kolmogorov pentru a verifica ipoteza H
0
: Timpii de servire
sunt repartizai Exp(). Pentru aceasta calculm un estimator pentru media
5 . 19
) 5 . 2 (
24
1
24
1
=
timpilor de servire
= i
intervalului de referin). Atun
=
i
i
i i
N
N t
t minute (am considerat mijlocul
ci 05128 . 0 = . Calculm funcia de repartiie
teoretic
i
t
i
e F
05128 . 0
1

= , funcia de repartiie empiric
=
=
=
24
1
1
j
j
j
j
i
N
Fe ,
( )
i
N
24 , 1 = i i determinm 0283 . 0 max
1
= =
i
Fe F d . Pentru pragul de
24
semnificaie 01 . 0 =
i i
, n tabela funciei ) (u K (testul asimptotic al lui
Kolmogorov) gsim u=1.63 . Deoarece 332 . 0 = <
u
d 72 se admite ipoteza H
0

23
cu pragul de semnificaie 01 . 0 = ;
c) Numrul benelor servite ntr-o or 0768 . 3 5128 . 0 60 = . Suntem n cazul
modelului Po(2.45)/Exp(3.07)/1:(,FIFO) i atunci M[N(t)]=3.9;

d) M[L ]=3.11 ; e) M[WT]=3.7 min ; f) M[W]=23.24 min ;
)
1
g 1
07 . 3
45 . 2
< = =
i astfel este suficient un singur punct de ncrcare.

4. La o carier, care are un singur utilaj de ncrcare a autobasculantelor, sosesc n
medie 15 autobasculante pe or. n medie, utilajul poate s ncarce 20
autobasculante pe or. Din analiza statistic a datelor culese la fa locului s-a
constatat c sosirile sunt poissoniene, iar servirile, exponeniale. S se determine:
a) probabilitatea ca o autobasculant s nu atepte pentru a fi ncrcat
b) numrul mediu de autobasculante din sistemul de ateptare creat la carier
c) numrul mediu de autobasculante din irul de ateptare
d) timpul mediu de ateptare al unei autobasculante n sistemul de ateptare
e) timpul mediu de ateptare al unei autobasculante n irul de ateptare pentru a fi
ncrcat
f) probabilitatea ca n sistemul de ateptare s existe mai mult de 2 autobasculante
g) probabilitatea ca autobasculanta s atepte la rnd s fie ncrcat mai mult de
dou minute.

R. Se consider unitatea de timp minutul. Modelul corespunztor acestei probleme
este Po()/Exp()/1:(,FIFO) cu =10, =20 i
4
3
= .
a) p
0
=0.25, b) M[N(t)]=3, c) M[L
1
]=2.25, d) M[WT]=0.15 min, e) M[W]=0.2 min,
f) P(N(t)>2)=1-p
0
-p
1
-p
2
=1-0.25-0.1875-0.1406=0.4219,
g) P(M[WT]>2)=0.0067 (extrem de rar se ntmpl ca autobasculanta s atepte
mai mult de 2 minute la rnd pentru a fi ncrcat!).

5. La o cantin a unei firme de construcii, cu autoservire, cu un singur ghieu,
sosesc salariaii la mas dup legea Poisson cu rata 0.75 salariat/minut. Un
funcionar ia comanda, stabilete preul i ncaseaz contravaloarea comenzii. Pn
i se pregtete meniul, funcionarul ia comanda urmtorului client aezat la rnd.
S-a constatat c timpul mediu de servire este de 1 min/salariat. Se apreciaz c n
medie cei ce ateapt s ia masa sunt pltii cu 10 u.m./or, iar funcionarul de la
ghiseu cu 7 u.m./or. Conducerea firmei este interesat s cunoasc:
a) probabilitatea ca nici un salariat s nu fie n cantin,
b) numrul mediu de salariai ateptnd s dea comanda,
c) timpul mediu petrecut la rnd de un salariat, ateptnd s dea comanda,
d) probabilitatea ca un salariat care vine n cantin s atepte s dea comanda i
e) costul orar al serviciului n cantin.

R. a) p
0
=0.25 , b) 2.25 , c) 3min , d) 0.75 , e) 37 u.m.

6. Proprietarul unui service auto dorete s nfiineze propria spltorie auto, astfel
ca n atelierul de reparaii s intre autoturismele care au fost splate. tiind c
sosirile autoturismelor pentru service care trebuie i splate sunt poissoniene, cu
rata medie de 3 autoturisme pe or, iar un muncitor are nevoie n medie de 20 de

192
minute pentru splarea unui autoturism i probabilitatea de ateptare pentru splare s
u depeasc 0.2, ci muncitori pentru splarea autoturismelor ar trebui angajai?

R. Tr
n
ebuie ca P(N[t]>c)<0.2 , adic 2 . 0 ) ] [ ( 1 < c t N P . Deoarece = i 3
3
20
60
= = , atunci 1 = =
in 2 muncitori, c=2.
ste cazul modelului Po()/Exp()/c:( , FIFO). Lund pentru nceput c=2,
binem P(N[t]>c)=1(p
0
+p
1
)=1(0.3333+0.3333+1.6667)=0.1666<0.2
Aadar, ar trebui angajai 2 muncitori.

secie de poliie de constatri accidente uoare sosesc n medie 15
automobile pe or, repar . ntr-o or, un poliist
onstatator ntocmete actele pentru 6 autom pul necesar acestei
peraii este repartizat exponenial. Secia are rezervate 5 locuri de parcare, iar dac
ceperea ntocmirii actelor
i astfel sunt necesari cel pu
E
o
7. La o
tiia sosirilor fiind poissonian
obile, iar tim c
o
sunt ocupate aceste locuri, celelalte automobile parcheaz n alte locuri din
vecintate. S se determine:
a) numrul poliitilor necesari pentru a se evita supraaglomerarea
b) probabilitatea ca la secie s nu fie automobile pentru constatare
c) probabilitatea ca s fie automobile parcate n alte locuri dect cele ale seciei
d) numrul mediu de automobile care ateapt n
e) timpul mediu de ateptare la rnd pn cnd un poliist vine s nceap constatarea.

. R =15 automobile/or , =6 automobile/or, 1 5 . 2
6
> = = =
i dac ar fi un
15
singur poliist ar fi supraaglomerare.
a) Alegem numrul c de poliiti astfel nct 1 <
c
, adic c=3 . Modelul de

ateptare devine Po()/Exp()/3:( , FIFO) ;
p b)
0
=0.0449;
c)
1 ) 5 ( 1 ) 5 (
5
= = = >

n P n P
4065 . 0 ) 0813 . 0 0975 . 0 1170 . 0 1404 . 0 1124 . 0 0449 . 0 ( 1
0
= + + + + + =
=
) M[L ]=3.5112 automobile ; e) M[WT]=14 minute .
de transporturi 4 camioane pentru a se
aproviziona sau pentru a transporta marfa la clieni. Depozitul are 2 rampe de
ncrcare/descrcare care ncarc/descarc un camion n medie n 20 minute. La
depozit sosesc n medie 4 camioane pe or. S-a constatat c intervalele dintre sosiri
i timpii de ncrcare au repartiia exponenial. S se determine:
a) probabilitatea ca ambele rampe s fie libere
b) numrul mediu de camioane de la depozit
c) probabilitatea ca un camion care vine la depozit s atepte intrarea la ramp
i

i
p
d
3

8. Un depozit nchiriaz de la o firm

R. a) p =0.0246 , b) M[N(t)]=2.6351 , c) P(M[N(t)]>2)=1-(p
0
+p
1+
p
2
)=0.5823 ,
d) tiind c pentru o or chiria pentru un camion este de 20 u.m., care este suma
medie orar pltit pentru nefolosirea unui camion?

0
d) 986 . 2 20 ] [ = = WT M S u.m.
. La o dan din port, proprietatea unei companii petroliere, sosesc pentru
escrcare tancuri petroliere la intervale de timp repartizate exponenial, cu media
1.4 zile. Timpul mediu necesar descrcrii este de asemenea presupus repartizat
xponenial, cu media 0.8 zile. S se determine:
) numrul mediu de tancuri petroliere care ateapt la rnd pentru descrcare
sosirii i pn la plecarea
curile petroliere se duc la dana liber pentru descrcare, n ordinea sosirii
ntru descrcare compania pierde 4000
u.m. ?

R. a) M[L
1
]=7.4098 ; b) M[WT]=10.3779 ; c) M[W]=11.6279 ;
d) M[WT]=0.3108 ; e) M[L
2
]=0.2219 ;
f) Pierderea pentru primul caz

9
d
e
a
b) timpul mediu de ateptare n port nainte de a ncepe descrcarea
c) timpul mediu de ateptare n port din momentul
tancului petrolier
d) dac se nchiriaz o dan cu 1500 u.m./zi, la care se lucreaz la fel ca la prima i
dac tan
lor, care este timpul mediu de ateptare pn la nceperea descrcrii
e) n condiiile de la d) care este numrul mediu de tancuri petroliere care ateapt
la rnd pentru descrcare
f) este avantajoas nchirierea celei de-a doua dane dac pentru fiecare zi pe care
tancul petrolier o petrece la rnd ateptnd pe
6 . 41511 ] [ 4000
1
= L M , iar pentru cel de-al doilea
10. O firm are 30 de instalaii de aer condiionat i frigidere i pentru ntreinerea
lor a angajat 2 specialiti. tiind c solicitrile pentru intervenii sosesc n medie
una pe zi i sunt repartizate Poisson, iar un specialist reuete s depaneze un aparat
(aer condiionat sau frigider) n medie n 20 minute, timpul necesar depanrii fiind
b) n
c) p cei doi specialiti
e) ti
R.
e) 2
caz 6 . 2387 1500 ] [ 4000
2
= + L M . Da.

repartizat exponenial, s se determine:
a) numrul mediu de aparate care ateapt s fie depanate
umrul mediu de aparate care nu funcioneaz la un moment dat
robabilitatea ca s nu aib de lucru
d) timpul mediu de ateptare pn cnd un specialist ncepe depanarea unui aparat
mpul mediu de nefuncionare a unui aparat

a) M[L
2
]=0.5037 , b) M[N(t)]=1.6836 , c) p
0
=0.2524 , d) 8 min 32 s ,
8 min 32 s .

9.1. Introducere n teoria stocurilor

9.1.1. Punerea problemei

n desfurarea unei activiti de producie intervin valori materiale care intr
n procesul de prelucrare (materii prime, fonduri bneti etc.) i valori care rezult
urma acestui proces (produse finite).
Pentru ca procesul de producie ntr-o ntreprindere s se desfoare
entrerupt, este necesar ca ntreprinderea s dispun de un stoc de materiale care
poat alimenta n mod sistematic producia.
Exist astfel o cerere din stocul de materiale care vine din partea produciei.
treprinderea trebuie s investeasc o sum de bani n aceste materiale pentru a fi
apabil s satisfac necesitile procesului de producie.
Imobilizarea unor sume mari de bani n stocurile de materiale poate s conduc
pierderi pentru ntreprindere.
Pe de alt parte, dac investiia n stocul de materiale va fi mic, adic, stocul
ste subdimensionat, vor exista perioade cnd procesul de producie nceteaz i
treprinderea nregistreaz din nou pierderi datorate nefolosirii mainilor i
ie.
Apare astfel necesitatea dimensionrii optime a stocurilor de materii prime i
materiale astfel nct costurile care rezult din imobilizarea fondurilor sau
neutilizarea resurselor s fie minime.
Problemele care constau n dimensionarea optim a stocurilor de materii prime
i materiale se numesc probleme de stoc aprovizionare.

Produsele rezultate din procesul de producie sunt cerute n afara ntreprinderii
n diferite cantiti care variaz n timp.
Pentru ca ntreprinderea s poat asigura ntotdeauna satisfacerea cererii pe un
interval de timp dat, este necesar s se realizeze un stoc de produse rezultate n
urma procesului de producie. Dac ntreprinderea menine un stoc prea mare de
produse, poate aprea o pierdere, constnd din imobilizarea fondurilor bneti
investite n aceste produse, precum i n eventuala depreciere a produselor sau
recondiionarea lor periodic. Dac stocul nu ar putea s satisfac cererea
satisfacerea comenzilor.

9. ELEMENTE DE TEORIA STOCURILOR

n

n
s

n
c

la

e
n
utilajelor n procesul de produc
nregistrat de ntreprindere pe o perioad de timp, ar aprea din nou pierderi
datorate penalizrilor pltite, pentru ne
9. Elemente de teoria stocurilor 195

Se pune din nou problema dimensionrii optime a stocului astfel nct
pierderile datorate imobilizrii valorilor n stoc, precum i pierderile rezultate din
nesatisfacerea cererilor (penalizrile) s fie minime.
Problemele care constau n dimensionarea optim a stocului de produse rezultate
din procesul de producie se numesc probleme de stoc producie (Vduva et al, II,
1974).

9.1.2. Concepte utilizate n teoria stocurilor

Rezolvarea problemelor legate de determinarea stocurilor optime se face cu
ajutorul unor modele matematice ale teoriei stocurilor.
Stocul sau inventarul este o resurs de orice fel care are o valoare economic i
care se caracterizeaz prin intrri n resurs (reaprovizionarea stocului) i ieiri din
resurs.
Valoarea resursei I =I (t) este o funcie de timp. Scopul meninerii unui stoc
este acela de a satisface o cerere. n urma satisfacerii cererii stocul se micoreaz i,
evoia reaprovizionrii lui.
tdeauna cu ieirea, deoarece exist situaii n care
t n timp i atunci la ieirea din stoc la cerere se
n acel interval de timp. De cele mai multe ori ns
)
Variaia stocului este dat de relaia
i i/sau cererea, r(t), pot fi deterministe sau aleatoare, iar
dorit.
tea pot fi:
rezult din imobilizarea fondurilor bneti n materii
ieli de producie) i din cheltuielile pentru asigurarea
din cheltuielile pentru lansarea comenzilor de
lor n stoc sau lansarea fabricaiei,
de lipsa din stoc a materiilor prime sau produselor (inclusiv

c
de forma
de aici, n
Fie a(t), rata intrrilor n resurs la momentul t i b(t), rata ieirilor din
resurs, iar r(t), rata cererii la momentul t.
Cererea nu se confund nto
maerialele din stoc se depreciaz
adaug i materialele depreciate
b(t =r(t) .
Fie I(0) =I
0
, nivelul stocului la momentul t =0, considerat momentul iniial
de la care se urmrete evoluia stocului.
( )
t
dt t b t a ) ( ) ( .
+ = I t I
0
0
) (
Ie rile din stoc, b(t),
func astfel nct s se realizeze un obiectiv sau o eficien
Eficiena se definete n funcie de costuri i aces
ia a(t) trebuie aleas
costul de depozitare, ce
prime sau produse (cheltu
depozitrii i conservrii stocului,
costul de lansare, care rezult
reaprovizionare i introducerea
costul lipsei de stoc, care se determin n funcie de toate cheltuielile i
pierderile cauzate
penalizrile rezultate din nelivrarea la timp a produselor fabricate).
Efi iena unui stoc de-a lungul unui interval de timp este dat de o funcional


196
C(t) =C[a(t), b(t), r(t)].
n general, r(t) este o funcie cunoscut i uneori se cunoate i funcia b(t).
n acest caz, trebuie determinat funcia a(t) astfel nct eficiena s fie optim.
ecanismul intrrilor n stoc. Din
motive practice, se presupune c intrarea n stoc, reaprovizionarea, se face la
om e

reaprovi e timp [0,T
*
] pot avea loc mai multe
reaprovizionri.

n F stocului este reprezentat prin segmentele oblice, rata
cere
exist li
i
oc la mo
i
omente de timp au loc numai ieiri din stoc,
ot fi egale sau nu, pot fi constante sau aleatoare.
n ceea ce privete mrimea loturilor de reaprovizionare a(t
i
), acestea pot fi
egale sau nu, pot depinde sau nu de T
i
.
n unele modele ale teoriei stocurilor din optimizarea funciei de eficien se
poate deduce ciclul optim de reaprovizionare, T
opt
.
oria stocurilor determin mrimea lotului de
, T
opt
.
rea i a altor

Dac C este o variabil aleatoare, atunci se determin funciile necunoscute
din condiia ca valoarea medie a lui C s fie optim. Pentru determinarea
optimului lui C pot s intervin uneori i anumite restricii legate de elementele
necunoscute.

n modelele de teoria stocurilor intervin i variabile sau parametri legate n
special de mecanismul reaprovizionrii, adic de m
m ente discrete de timp. Astfel, a(t) ia valori nenule numai la anumite moment
de timp t
0
<t
1
<t
2
<... .
Intervalele de timp T
i
= t
i+1
t
i
, i = 0, 1, 2, ..., se numesc cicluri de
zionare. ntr-un interval d

I(t)
S

t
1
t
2
t
3

igura 9.1, variaia
rii fiind presupus constant. Se observ c pe intervalul de timp (t, T
*
)
ps de stoc. Cantitile a(t ) reprezint valorile comenzilor care intr n
mentele t , iar ntre aceste m st
care micoreaz nivelul stocului.
n diferite modele ale teoriei stocurilor, ciclurile de reaprovizionare T
i
, i =0, 1,
2, ..., p
Aadar, modelele de te
reaprovizionare optim, a
opt
, i/sau ciclul de reaprovizionare optim
Reaprovizionarea la anumite momente de timp impune utiliza
va abile care au importan practic. ri
P
T
*
a(t
1
) a(t
2
) a(t
3
)
t
0
T
0
T
1
T
2 3
t

t

T
L
Figura 9.1

Astfel, lotul de reaprovizionare optim nu intr n stoc n momentul cnd a fost
nsat, ci dup un interval de timp L, numit timp de avans.
Comanda a(t
1
) a fost lansat la momentul t
1
L, cnd stocul avea valoarea
P
0
=I(t
1
L).
i se observ c ea este
te satisface cererea
are, iar P
0
este constant sau
i
0
variabile de
ci decident n vederea realizrii eficienei optime. De
intre aceste mrimi, cealalt urmnd a fi determinat cu
timp dintre dou lansri de comenzi
uccesive.
entul lansrii comenzii este momentul cnd nivelul stocului scade la
nivelul de reaprovizionare P
0
. Uneori, drept variabil de decizie se consider i
nivelul S pn la care trebuie ncrcat stocul prin introducerea comenzii (nivelul

ciclurile de reaprovizionare,
Politica este optim dac elementele ce o caracterizeaz au fost determinate ca

i multe criterii.
n timp
modele dinamice,
modele statice.
2. Dup natura aleatoare sau nu a elementelor sale
modele stochastice,
modele deterministe.
. Dup valorile posibile ale unor variabile (de exemplu, cererea)
modele cu cerere continu,
modele cu cerere discret.
. Dup numrul de stocuri de materiale distincte (se mai numesc i staii)
criteriu topologic
modele de stocare cu o singur staie stocarea unui singur tip de material,
produs etc.,
modele de stocare cu mai multe staii stocarea mai multor tipuri de
materiale, produse etc.
la

Mrimea P
0
se numete nivel de reaprovizionare
strns legat de timpul de avans L, n sensul c stocul P
0
poa
pe perioada timpului de avans L.
n unele modele, L este presupus variabil aleato
rimile L i P pot fi presupuse cunoscute sau pot fi var abil. M
e zie, care trebuie alese de d
obicei se cunoate una d
ajutorul modelului de stocare.
Intervalul de control este intervalul de
s
Mom
maxim al stocului).

Totalitatea elementelor care definesc mecanismul de reaprovizionare formeaz
o politic de reaprovizionare. Aceasta const din:
loturile de reaprovizionare,
nivelul de reaprovizionare,
timpul de avans.
elemente ce realizeaz eficiena optim pe un interval de timp dat.
Modelele de teoria stocurilor se pot clasifica dup ma
1. Dup modul cum evolueaz
3
4

198
Modelele de teoria stocurilor se aseamn cu cele de teoria cozilor. Sosirile din
cadrul teoriei ateptrii corespund intrrilor n stoc, iar ieirile corespund ieirilor
din stoc.
Deosebirea dintre cele dou tipuri de modele const n aceea c, n timp ce n
teoria ateptrii se presupune c venirile i serviciile sunt variabile aleatoare
cunoscute, n teoria stocurilor se cunoate numai cererea sau ieirea i se caut s
se determine intrarea optim.
Aplicarea modelelor de teoria ateptrii n teoria stocurilor este posibil numai
atunci cnd variabila I(t) este o variabil discret.

urmtoarele ipoteze.
a) Cererea este continu, are rata r=const. i poate fi satisfc dac nivelul
curent al stocului I(t) >0.
nalat de nivelul critic P
0
,
nivel de reaprovizionare.
d) n perioada T intr o cantitate a cu rata constant p ritmul de
reaprovizionare.
e) Parametrii P
0
, a, T sunt constani (modele statice).
f) Procesul de reaprovizionare continu nedefinit.
2. Ipoteze privind costurile, pe baza crora se poate defini eficiena
a) Costul s de lansare a comenzii este constant.
b) Preul c
a
de cumprare a unei uniti de materie prim sau produs poate
depinde de a.
c) Pentru I(t) >0, exist un cost de stocare, h, pentru unitatea de produs /
unitatea de timp.
d) Pentru I(t) <0, exist un cost al lipsei de stoc, d, pentru unitatea de
produs / unitatea de timp.

Problemele generale care se pun i trebuie rezolvate de modelele de stocuri
sunt:
determinarea valorilor optime pentru a i T astfel nct costul total unitar pe
unitatea de timp s fie optim,
determinarea nivelului de reaprovizionare P
0
astfel nct costul total unitar pe
unitatea de timp s fie optim,
nivelul maxim al stocului,
nivelul mediu al stocului,
numrul optim de cereri de reaprovizionare a stocului ntr-un an.

Pentru modelele ce vor fi prezentate n continuare se fac
1. Ipoteze referitoare la mecanismul de intrare/ieire
ut
b) Intrrile se realizeaz la intervale de timp T, constante sau nu. ntre
lansarea comenzii i sosirea ei (nu) exist un interval L de timp, timpul
de avans.
c) Momentul lansrii unei noi comenzi este sem

9.2. Modelul clasic al lotului economic

Parametrii cunoscui:
intrrile au loc n mod continuu cu rata p constant,
ata r constant; p >r,
e unitatea de stoc / unitatea de timp,
costul de lansare a comenzii a este s =constant,
L =0.
tatea comandat a (mrimea lotului de reaprovizionare),
mrimea ciclului de reaprovizionare T.

Ipoteze:
0

inarea funciei obiectiv)

Figura 9.2 ilustreaz
Din ipotezele modelului rezult c funcia I(t) este periodic cu perioada
ieirile au loc n mod continuu cu r
costul de stocare h este constant p

Parametrii necunoscui:
canti
nu se admite lipsa de stoc,
nu exist stoc de rezerv sau stoc intangibil, I =0.
Construcia modelului (determ
comportarea stocului pe durata unui ciclu de reaprovizionare.
r
a
T = .
pe intervalul
r
a
, Este suficient s rezolvm problema de optim 0 .
ate a va intra n stoc pn la momentul ntreaga cantit
p
a
, i n intervalul
p
a
, 0 ,
I(t) va crete, iar n intervalul
r
a
p
a
, , I(t) descrete.

I(t)

Astfel,
r
a
T =
p
a
I(t) =(p r) t
I(t) =a rt
a
t 0
Figura 9.2

200
= t I
) (
) (

r
a
p
a
t rt a
p
a
t t r p
,
, 0

Costul total pe perioada T este C =C +s, unde C este costul de stocare,
,
,
T h,T h,T
dat de
pr
r p ha ra
r
a
p
a r p
h dt t I h C
r
T h
) ( 1 1 1 1
2
) (
) (
2 2
2
2
2
,

=
= =

a
p r p 2 2
0
Costul total de stocare i de lansare pe unitatea de timp este
2 2

.
a
rs
p
r p ha
a
r
s
r p ha
C
a C
T
h

= =
) (
) (
2
,
pr T
+
+
2
) (
2
.
Figura 9.3 reprezint costul total, costul de pstrare i costul de lansare, abscisa

Figura 9.3

Rezolvarea modelului
punctului de intersecie a ultimelor dou constituind mrimea optim a comenzii (Q
reprezint cantitatea necesar pe un ntreg an).

Costurile total, de lansare, de pastrare
marimea comenzii
CT Q a , s , h , ( )
CL Q a , s , ( )
Ch Q a , h , ( )
a
totale, de lansare, de pstrare
mrimea comenzii

ostul minim l obinem din relaia C(a) =0 (deoarece C(a
opt
)>0, rezult c

C
a
opt
determinat realizeaz minimul pentru C(a) ), de unde rezult cantitatea optim
de reaprovizionare:
) (
2
0
2
) (
2
prs
a
a
rs
p
r p h
= =
.
r p h
opt
Costul minim pe unitatea de timp este

p
r p hrs
prs
r p h s r
r p h
prs
p
r p h
C
opt
) ( 2
2
) (
) (
2
4
) (
2 2
2
2 2
= .
Astfel, avem costul unitar optim i intervalul de reaprovizionare optim date de
relaiile
.
) (
2
,
) ( 2
r p rh
ps
T
p
r p hrs
C
opt opt
=
Se pot determina: nivelul mediu al stocului ca fiind
2
opt
a
i numrul optim de
reaprovizionri pe an dat de
opt
T
an din lucratoare zilelor numarul
.
n practic se presupune c 0
p
,
adic p >>r ( se consider p =),
ceea ce revine la a accepta c
r
I(t)
a
T 2T t
0 =
p
r

(Figura 9.4).
Costul de stocare pe unitatea de timp
este
2
,
ha
T
C
T h
=
i reprezint costul de stocare al unui
stoc mediu
0
2
a
pe unitatea de timp.

Astfel, costul de stocare pe o perioad de timp t
0
este
Figura 9.4
numrul zilelor lucrtoare din an
0 ,
2
0
t
ha
C
t h
= .
n acest caz
mrimea optim a comenzii de reaprovizionare a stocului este
h

rs
a
2
I
=
opt
(9.1)
mp este costul minim pe unitatea de ti

202
rsh C 2
I
opt
= (9.2)
ciclul optim de reaprovizionare este
hr
T
opt
=
s 2
I
(9.3)
n anumite situaii cererea este exprimat prin valoarea n bani. Se disting dou
cazu
1. Se d preul unitar al produsului. n acest caz se afl numrul de produse i astfel
se ajunge la situa
2. P ul unitar nu se cunoate i atunci trebuie s se dea costul de stocare ca un
procent din valoarea cererii de produse. n acest caz modelul d valoare optim a
une

ri (Turban i Meredith, 1988):
ia studiat mai nainte.
re
i cereri de reaprovizionare. Costul total anual
a
T
2
Q a
s h C + = (9.4)
unde Q este cantitatea (sau valoarea acesteia) necesar pe un an, iar
a
Q

reprezint numrul de comenzi de reaprovizionare lansate ntr-un an. Atunci
h
sQ
a
opt
2
= . (9.5)

Exemplu. O ntreprindere de prefabricate primete o comand de 120 000 de dale
pe care trebuie s le livreze municipalitii, pentru pavarea trotuarelor. Cererea
firmei de construcii care realizeaz pavarea este constant. Costurile sunt:
h =500 lei o dal /zi stocarea,
s =30 000 000 lei lansarea unei comenzi pentru un lot de dale.
ce ritm trebuie ntreprinderea de prefabricate s-i aprovizioneze stocul dac nu i
admite nici o ntrziere n livrare ? Se consider anul cu 300 zile lucrtoare.

ezolvare
e consider modelul de stocare al lotului economic i, utiliznd formulele
n
se
R
S
(9.1)(9.3), se obin rezultatele de mai jos:
400
300
120000
= = r rata ieirilor zilnice,
20 . 6928
500
30000000 400 2
I
h
rs
a
opt
= = 2 = ,
zile 32 . 17
400 500

hr
T
opt
,
30000000 2 2
I
s
=
= =
3464101.61 500 30000000 400 2 2
I
= = = rsh C lei/zi.
opt
Costul total anual este 1 039 230 484.51 lei, iar costul de lansare a comenzilor
de reaprovizionare pe un an este 519610
8
.

Se poate rezolva problema din exemplul precedent cu Management Scientist.
de programe, se selecteaz modulul Inventory, apoi, din
niul File se alege New i din fereastra care apare se selecteaz modelul

Dup lansarea pachetului
me
Economic Order Quantity, ca n Figura 9.5.

Figura 9.5
intrare ca n Figura 9.6, avnd n vedere c trebuie
ocare (500 lei/zi 300 zile). Se presupune c sunt
satisface o cerere de reaprovizionare (L=3). Atunci
elul optim de reaprovizionare.

Se introduc datele de
introdus costul anual de st
necesare 3 zile pentru a se
trebuie s se determine i niv

Figura 9.6

Rezultatele obinute sunt prezentate n Tabelul 9.1.
Tabelul 9.1

I NVENTORY MODEL

204
***************

ECONOMI C ORDER QUANTI TY
***********************

YOU HAVE I NPUT THE FOLLOWI NG DATA:
**********************************

ANNUAL DEMAND = 120000 UNI TS PER YEAR
ORDERI NG COST = $30000000 PER ORDER
PER YEAR = 300 DAYS
LEAD TI ME FOR A NEWORDER = 3 DAYS

I NVENTORY POLI CY
****************
OPTI MAL ORDER QUANTI TY 6, 928. 20
ANNUAL I NVENTORY HOLDI NG COST $519, 615, 242. 27
ANNUAL ORDERI NG COST $519, 615, 242. 27
TOTAL ANNUAL COST $1, 039, 230, 484. 54
VERAGE I NVENTORY LEVEL 3, 464. 10
REORDER POI NT 1, 200. 00
NUMBER OF ORDERS PER YEAR 17. 32
CYCLE TI ME ( DAYS) 17. 32

I NVENTORY HOLDI NG COST = $150000 PER UNI T PER YEAR
WORKI NG DAYS
MAXI MUM I NVENTORY LEVEL 6, 928. 20
A

ut n urma r re poate s nu fie un
n exemplul im a comenzii de
reaprovizionare, numrul de zile ale ciclului optim de reaprovizionare). Atunci, se
evalueaz funcia obiectiv pentru [a
opt
] i pentru [a
opt
]+1 i se r ine valoarea
care d cea mai bun valoare pentru costul total ( [x]=partea ntreag a lui x).

Aa cum arat i numele, n acest model se accept lipsa de stoc, adic se
pstreaz cererile care nu au putut fi satisfcute dup epuizarea stocului, iar dup
tea vor fi satisfcute (Vduva et al, II, 1974). Exist i cazuri
cut, pe perioada epuizrii stocului, se pierde. n continuare
se consider numai primul caz.
Rotunjirea rezultatelor
Rezultatul obin ezolvrii unui model de stoca
numr ntreg, ca de mai sus (mrimea opt
e
9.3. Modelul clasic al lipsei de stoc

reaprovizionare, aces
n care cererea nesatisf
Parametrii cunoscui:
intrrile au loc n mod continuu cu rata p constant,
ieirile au loc n mod continuu cu rata r constant, p >r,
costul de stocare h, pe unitatea de stoc / unitatea de timp, este constant,
d costul (deficitul) datorat lipsei unei uniti de stoc pe unitatea de timp este
constant,

costul de lansare a comenzii a este s.

Parametrii necunoscui:
cantitatea comandat a,
S nivelul maxim la care trebuie adus stocul la intrarea n stoc a comenzii,
mrimea lotului de aprovizionare T.
Ipoteze:
se admite lipsa de stoc i cererea pe perioada lipsei de stoc se pstreaz i se

reporteaz pe perioada ciclului de reaprovizionare urmtor,
0 =
p
r
.

Formularea problemei
S se determine cantitatea
a care trebuie introdus n
timpul T (care
de asemenea
determinat), presupunnd
dup ce se epuizeaz
(
a n stoc.
9.7 arat
comportarea acestui
model de stocare. Dup ce
se recupereaz lipsa de
stoc, stocul a ajuns la S. Parame ii necunoscui ai modelului trebuie
inai astfel nct costul total, provenit din costul de depozitare, costul de
ns
pe intervalul de timp (0, t ) este

stoc dup
trebuie
c
stocul S n intervalul de
timp (0, t ), poate s mai
treac un interval de timp
t, T ) pn cnd intr
cantitatea
Figura
nivelul tr
determ
la are i costul lipsei de stoc, s fie minim.

Construcia modelului
Considernd modelul anterior, se stabilete funcia de minimizat astfel :
- costul de depozitare a cantitii S
'
2
' ,
t
S
h C
t h
=
- costul lipsei de stoc este
"
2
" ,
t
S a
d C
t d

= .
Astfel, costul unitar total este
0 t
T
I(t)
t
S
a
t
Figura 9.7

206
+ + = "
2
'
2
1
t
S a
d t
S
h s
T
C .
Se exprim membrul drept al relaiei precedente n funcie de S, T innd seama c
r
S Tr
r
S
T t
r
S
t
r
a
T

= = = = " , ' , ,
astfel c
rT
S rT d
rT
hS
T
s
T S C
2
) (
2
) , (
2 2
+ + = .
Se determin min C(S,T):
=

+
2r
+
=
0
( ) ( 2
2
1
0
) (

0
0
2
2 2
2
T
S rT T S rT r d
r
hS
s
T
rT
S rT d
rT
hS
T
C
S
C

)
. 2 ,
2
,
2

II II II
d
rsh C
d rs
S
d h s
T
opt opt opt
= =
+
=
d h d h h d rh + +
Deoarece
( )
0
2
2
>
C
i
,
opt opt
T S
2 2

II II
T S T S
2 2
C C
( )
0
2
>
C

valo

,
2
II II
T S
S
opt opt
rile obinute realizeaz minimul costului.
Se noteaz cu 1 <
+
=
d h
i relaiile de mai sus devin
d
rsh C
rs
S
s
T 2 ,
2
,
2
II II II
= = =
h rh
opt opt opt
de unde rezult c
I II
opt opt
C C = .
olitica de aprovizionare care
adm

Aceast relaie arat c este mai convenabil p
ite lipsa de stoc !
Mrimea optim a lotului de reaprovizionare este
d h
d h rs + 2
Tr a
II
opt
= =
iar lipsa de stoc este
d h
opt opt opt
+
h
a S a
II II II
= .
Ulti ru
artic un
pre
stoc or
ada lipsei de stoc scade. Astfel, modelul arat intuitiv c articolele cu cost
ar
ma relaie arat c numrul articolelor din perioada lipsei de stoc crete pent
olele cu cost unitar de stocare mare. Aceasta explic de ce articolele care au
de stocare unitar mai mare sunt tratate mai economic ntr-un model cu lips de
. Pe de alt parte, cnd costul unitar al lipsei de stoc crete, numrul articolel
din perio
m e pentru lips de stoc vor fi foarte puine pe perioada lipsei de stoc.

Deoarece
a
S
T r
S
r
opt
II II II
=
T
S
opt
opt opt
opt
II II
=
=
se numete i indice de lips de stoc. n (1)% din cazuri, pe perioada T,
stocul se epuizeaz.
Probabilitatea epuizrii stocului este
h d
h d
h

=
+
= =
1
1 .
Aceast relaie arat c, dac se accept drept cunoscut probabilitatea epui-
zrii stocului, atunci costul lipsei de stoc este proporional cu cel al stocrii. Acest
fapt nu concord totdeauna cu realitatea, i de aici rezult un inconvenient al
modelului, deoarece costurile h i d sunt practic independente.
Comparnd cele dou modele se obine

I
II I II I II
,
1
,
opt
opt opt opt opt opt
T
T a a S S = = = ,
adic
.
consider
penalizat cu 3500 lei/dal/zi (d =3500) . S se determine elementele optime ale
modelului de stocare n acest caz.

I II I II I II
, ,
opt opt opt opt opt opt
T T a a S S > > <

Exemplu. n exemplul din 9.2. se c lipsa dalelor din stoc va fi
Rezolvare
93541 . 0 ; 875 . 0
3500 500
3500
= =
+
= ; 7407
93541 . 0
85 . 10141
II
=
opt
a ;
6481
II II
=
opt opt
a S ; 51 . 18
I
II
=
opt
opt
T
T ; . 370.34 240 3
I II
=
opt opt
C C

Modelul se poate rezolva i utiliznd Management Scientist. Dup lansarea
pachetului de programe se alege modulul Inventory. Din m iul File se selecteaz
ew i din fereastra artat n Figura 9.5 se alege modelul Economic Order
with Planned Shortages.
n f
intrare
considerate pe ntregul an (d nu crtoare din an , respectiv, h
numrul de zile lucrtoare din an). Se consider c sunt necesare 3 zile pentru
satisfacerea comenzii de reaprovizionare din momentul lansrii acesteia.
en
N
Quantity
ereastra care apare dup apsarea butonului OK, se introduc datele de
ca n Figura 9.8, unde costul de stocare i cel de lips de stoc sunt
mrul de zile lu

208

Figura 9.8

Apsnd butonul Solve se obine soluia modelului sub forma dat n Tabelul 9.2.

ECONOMI C ORDER QUANTI TY WI TH PLANNED SHORTAGES
**********************************************
YOU HAVE I NPUT THE FOLLOWI NG DATA:
**********************************
ANNUAL DEMAND = 120000 UNI TS PER YEAR
ORDERI NG COST = $30000000 PER ORDER
I NVENTORY HOLDI NG COST = $150000 PER UNI T PER YEAR
BACKORDER COST = $1050000 PER UNI T PER YEAR
WORKI NG DAYS PER YEAR = 300 DAYS
LEAD TI ME FOR A NEWORDER = 3 DAYS

I NVENTORY POLI CY
****************
OPTI MAL ORDER QUANTI TY 7, 406. 56
ANNUAL I NVENTORY HOLDI NG COST $425, 298, 608. 33
ANNUAL ORDERI NG COST $486, 055, 552. 38
ANNUAL BACKORDER COST
TOTAL ANNUAL COST $972, 111, 104. 76
MAXI MUM I NVENTORY LEVEL 6, 480. 74
AVERAGE I NVENTORY LEVEL 2, 835. 32
MAXI MUM BACKORDERS 925. 82
REORDER POI NT 274. 18
NUMBER OF ORDERS PER YEAR 16. 20
CYCLE TI ME ( DAYS) . 52
Tabelul 9.2
I NVENTORY MODEL
***************

$60, 756, 944. 05
18

ezentate alte dou variante ale modelului clasic. n continuare sunt pr

nd influena preului

t model se refer la problemele de stoc-aprovizionare i presupune c
re i materialelor depind de mrimea
m

9.3.1. Modelul de stocare consider
de cumprare

Aces
p urile de achiziie a materiilor prime
co enzii, adic c
a
=c
a
(a) (Vduva et al, II, 1974). n modelul lotului economic se
consider
) (
2
) ( a c r
a
r
s
a
h a C
a
+ + = ,
unde primul termen este costul stocrii unei cantiti medii pe unitatea de timp, al
doilea este costul lansrii, iar cel de-al treilea termen este costul de cumprare a
materiilor prime consumate din stoc. Se poate considera costul de stocare ca fiind o
fraciune din costul de cumprare, h =kc (a), i atunci:
a
) ( ) (
2
1
) ( a c r
a
r
s a kc a C
a a
+ + = .
De obicei, n practic, c
a
(a) este o funcie n scar descresctoare.
( ) m i u l u a l rc
a
r
s a c
k
a C
i i i i
i
a
i
a i
,..., 2 , 1 , , pentru ,
2
) (
1 , ,
= = + + =

.
Se determin minimul local al acestei funcii, obinut pentru:
i
a
i
i i i
i i i i
i i i
i
kc
rs
a
a u u
u a l a
l a l dac ,
a
,
*
2
iar ,
. dac ,
dac , =
< < =

e Atunci, costul minim local est
) (
i
u C
=
= +
=
=
. dac ,
dac , 2
dac , ) (
*
*
,
*
,

i i
i i
i
a
i i
i
a
opt i
u a
a a r c rsk
l a c C
C

ostul minim total va fi C
opt i
m i
opt
C C

1
min

= , iar
r
a
T
i
opt
*
= .

9.3.2. Modelul de stocare considernd influena costului
de produc

Acest model se refer la problemele de stocproducie i consider costul de
stocare h ca f
ie
uncie de costul de producie unitar c
p
(Vduva et al, II, 1974)
h =k c
p
,

210
iar c
p
depind de fabricaie,
atunci costul de fabricaie pentru ntreaga cantitate este
s +c
f
a i astfel
e de cantitatea produs a. Notnd cu c
f
costul unitar
f p
c
a
s
c + = , deci 1 0 , < <
+ = k c
a
k h
f
.
Se presupune c nu se admite lipsa de stoc. Atunci costul total de lansare i
stocare pe unitatea de timp este
2
) (
a
c
a
s
k
a
sr
a C
f

+ + = .
Din condiia de minim, C(a) =0, rezult
r kc
s
T
ks
rs kc C
kc
rs
a
f
f
f
2
,
2
2 ,
2
= + = = .

Comentariu. Mrimea lotului de reaprovizionare a depinde de costul unitar total
de producie c
f
; dac c
f
este mare, mrimea lotului se micoreaz, adic nu este
indicat s se menin stocuri mari din produse scumpe.
1974) .

9.4. Extensii ale modelului clasic al lotului economic

Vnztorii ofer deseori reduceri de pre pentru cumprarea unui lot mai mare
de produse. Exist preuri pentru intervale ale numrului de produse cumprate.
Aceast practic este larg rspndit pentru c ofer avantaje att cumprtorului
ct i vnztorului, avantaje prezentate n Tabelul 9.3 .

Tabelul 9.3
Avantaje Dezavantaje
Se mai pot considera: modele cu costul stocrii variabil, descris de o funcie n
salturi, modele cu cererea depinznd de preurile de vnzare etc. (Vduva et al, II,
Cumprtor
-preuri reduse
-mai
-tran
-mai puine momente cu lips de stoc
-produse uniforme
-securitate sporit (ar putea s creasc
preurile)
-stocuri m
ltuieli sporite de stocare
ul deteriorrii
-nvechirea produselor
ari
puine hrtii de completat
sport mai ieftin
-che
-risc
Vnztor
-transport mai ieftin
-mai puine hrtii de completat
-producie mai mare
-pre unitar sczut
-putere sc t de
tranzacio clienii
zu
nare cu
Se disting dou cazuri :

ri oferite pentru mai multe niveluri de preuri.
Reduceri oferite pentru un singur nivel de pre

Vom prezenta metoda pe un exemplu.
fecteaz. Fiecare bec cost 8 u.m. Costul de
lansare a unei comenzi de reaprovizionare este de 27 u.m. indiferent de rimea
om
unicipalitii o reducere de 2%, dac se cumpr 600 de
l lotului economic fr lips de stoc i nu vom lua n seam
h=0 preul de achiziie al unui bec).
Fol oarea o im pentru comanda de
reaprovizionare
i) Reduceri oferite pentru un singur nivel de pre
ii) Reduce

Pentru iluminatul stradal al unui ora sunt necesare 100 de becuri pe lun
pentru nlocuirirea celor care se de
m
c enzii, iar cel de pstrare al unui bec pe un an de zile este de 25% din valoare.
Onorarea comenzii se face n momentul lansrii acesteia i nu se accept lipsa de
stoc. Furnizorul ofer m
becuri deodat. S se satabileasc dac municipalitatea accept sau nu oferta
furnizorului.

Rezolvare
i) Vom folosi modelu
reducerea furnizorului. Pentru acest caz avem : Q=10012=1200 becuri pe an,
.258=2 u.m. , s=27 u.m. , p=8 u.m. (p=
osind formulele (9.4)-(9.5) obinem val pt
180
2
1200 27 2 2
=

= =
h
Qs
a
opt
,
costul total anual de stocare
180
2
2 180
180
1200 27
2
=
= + = h
a
s
a
opt
T
Q
C
opt
,
iar costul becurilor este Qp=12008=9600.
Aadar, fr reducere, municipalitatea ar cheltui 9600+360=9960 u.m.

ii) Vom reface calculele innd seama de reducerea oferit de furnizor pentru un lot
de 600 becuri. n acest caz vor fi doar dou lansri de comenzi de reaprovizionare
i atunci costul de lansare total ar fi de 54 u.m. Costul unitar anual de pstrare
1.96 u.m., iar costul total anual de pstrare este devine h=0.980.258=
588
2
96 . 1 600
=
. Costul de achiziie devine 02 . 0 9600 9600 = 9408 = . n acest

caz municipalitatea ar plti 9408+588+54=1050 u.m. n concluzie, oferta de
reducere trebuie respins pentru c, dac ar fi acceptat, municipalitatea ar fi n
dezavantaj !

212
Reduceri oferite pentru mai multe niveluri de preuri

nainte de a da metoda general vom considera un exemplu.
Un spital trebuie s achiziioneze antibiotice de la un furnizor care face oferta
din Tabelul 9.4 .
Tabelul 9.4
Cantitate Pre
1 4999 2.75
5000 9999 2.60
>10000 2.50

Cererea spitalului este de 50 000 uniti pe an. Costul lansrii unei comenzi de
reaprovizionare este de 50 u.m. i costul de pstrare este 20% din costul
medicamentului pe an. Nu se admite lips de stoc i se presupune c onorarea
comenzii se face imediat ce a fost lansat. S se stabileasc politica optim a
spitalului de achiziionare a medicamentelor.

Vom utiliza modelul lotului economic fr lips de stoc i vom rezolva
problema n urmtorii pai.

Pas 1. Cu modelul lotului economic fr lips de stoc, stabilim pentru cel mai mic
pre mrimea optim a comenzii de reaprovizionare. Costul unitar anual de pstrare
este h
1
=2.50.02=0.5 u.m.
3163 10000000
5 . 0
50000 50 2 2
) 1 (
= =

= =
h
Qs
a
opt

Pas 2. Se compar cu intervalul corespunztor preului 2.50. Dac ar fi
n interval, soluia este fezabil i optim n acelai timp i problema este
rezolvat. Altfel, soluia nu este fezabil i se caut mrimea optim a comenzii de
reaprovizionare pentru preul 2.60 u.m.
Pas 3. n acest caz costul de pstrare este h
2
=2.60.02=0.52 u.m. Atunci,
) 1 (
opt
a
) 1 (
opt
a
3101 9615385
52 . 0
50000 50 2 2
) 2 (
= =

= =
h
Qs
a
opt
.
Se compar cu intervalul corespunztor preului 2.60.
Pas 4. Dac ar fi n interval, soluia este fezabil i optim n acelai timp i
problema este rezolvat. Altfel, soluia nu este fezabil i se caut mrimea optim
a comenzii de reaprovizionare pentru preul 2.75 u.m.
as 5. Costul de pstrare este h
3
=2.750.02=0.55 u.m. Atunci,

`) 2 (
opt
a

) 2 (
opt
a
P
3015 9090910
55 . 0
50000 50 2 2
) 3 (
= =

= =
h
Qs
a
opt
.

Pas 6. este n intervalul corespunztor preului 2.75 i soluia gsit este
fezabil.
Pas 7. {Compararea costurilor} Costul total anual este
) 3 (
opt
a
p Q h
a
s
a
Q
a C
T
+ + =
2
) ( .
Aplicm formula pentru cele trei valori ale marginii din stnga intervalului
pentru categoriile de pre i avem :
.
Deoarece o cerere de 10 000 de uniti o dat conduce la cel mai mic pre, se va
adopta aceast politic.

Bazat pe acest exemplu putem scrie urmtorul algoritm general.

Algoritm general
Pas 1. {Iniializri}
Intrare: necesarul anual Q, costul de lansare s, costul unitar de stocare h,
intervalele pentru care se acord reduceri
750 127 ) 000 10 (
) 1 (
=
T
C , 800 131 ) 5000 (
) 2 (
=
T
C , 158 139 ) 5000 (
) 3 (
=
T
C
( )
n k
k k
q q q

=
1
2 , 1 ,
, , n numrul
acestor intervale, preurile unitare reduse ( )
n k
pu
1
.
Pas 2. k:=n;
Determin cantitatea optim a
opt
comandat cu modelul lotului economic pen-
tru pu
n
.
Dac a
opt
q
k,1
, determin C
n+1
, costul total optim cu modelul lotului
economic pentru a
opt
; sw:=0; a
n+1
:=a
opt
;
Pas 3. Dac sw0, atunci
Ct timp (k0 i sw4) execut
Calculeaz a
k
:=a
opt
;
Dac [ ]
2 , 1 ,
,
k k k
q q a atunci sw:=1; a
n+1
:=q
k,1
; k:=k-1;
Dac [ ]
2 ,
,
1 , k k
q q a
k
atunci sw:=4; a
n+1
:=a
opt
; C
n+1
, costul total
optim cu modelul lotului economic pentru a
opt
;
Dac sw=4, atunci
Pentru k:=1,n
Calculeaz C
k
costul total optim cu modelul lotului economic
Determin
k
n k
n
C C
1 1
1
min :
+
+
= ;
n
a
1
1
m :

+ k
n k
a
1
in
+
= ;
Pas 4. Reine a
n+1
i C
n+1
. Stop!


214
n continuare este redat algoritmul de mai sus, programat n MathCAD i
aplicat

exemplului precedent.

Determinarea lotului optim de reaprovizionare si a costului
optim pentru preturi unitare cu discount-uri
Intervalele pentru care se acorda discount Preturile unitare de achizitionare
q
1
5000
10000
4999
9999
10
6
:= pu
2.75
2.60
2.50
:=
Necesarul anual
Q 500 := 00
Costul de lansare a comenzii de reaprovizionare
s 50 :=
Costul unitar anual de stocare este o fractiune
Lotul optim de reaprovizionare
aopt h ( ) 2Q
s
h
din costul de achizitionare
0.2 :=
:=

i 1
m x
k
i k
Determinarea minimului elementelor unui sir si a pozitiei sale
Mn x ( ) m x
1
m x
k
> if
k 1 last x ( ) .. for
m
i
:=


CT
n 1 +
Q
q
k 1 ,
Discount Q s , pu , , ( ) k last pu ( )
n k
sw 1
s pu
k

q
k 1 ,
2
+ Q pu
k
+
a
n 1 +
aopt pu
k
( )
sw 0 a
n 1 +
q
k 1 ,
if
h
k
k 1 ( ) hile
h
k
pu
k

a
k
aopt( )
a
k
q
k 1 ,
k k 1
q
k 1 ,
a
k
q
k 2 ,
( ) if
q
k 1 ,
a
k
q
k 2 ,
if
CT
n 1 +
Q
a
k
s h
k
a
k
2
+ Q pu
k
+
sw 4
a
n 1 +
a
k
sw 4 ( ) w
CT
k
Q
q
k 1 ,
s h
k
q
k 1 ,
2
+ Q pu
k
+
k 1 n .. for
Ao Mn CT ( )
CT
n 1 +
Ao
1
i Ao
2
a
n 1 +
a
i
sw 4 = if
sw 0 if
a
n 1 +
n 1 +
CT
:=

Apelul subprogramului MathCAD se face cu secvena
Discount Q s , pu , , ( ) =
.

216

9.5. Model pentru stocarea mai multor tipuri de produse
Se presupune c stocul este format din p tipuri de produse. Att parametrii
unoscui ct i cei necunoscui se refer la fiecare tip de produse aflate n stoc.
arametrii cunoscui:
rata cererii r
i
,
costurile de stocare unitare h ,
costurile de lansare s
i
,

c
P
i
p i , 1 = .
arametrii necunoscui:
mrimea optim, a
i
, a lotului de reaprovizionare din produsul i ,
ciclul optim de reaprovizionare, T
i
, a stocului cu produsul i ,
P
p i , 1 = .
Formularea problemei:
S se determine elementele necunoscute astfel nct costul de stocare i lansare
pe unitatea de timp pentru produsul i

i
i i i i
i i
a
r s a h
a C + =
2
) (
s fie minim, i deci i costul total pe unitatea de timp
s fie minim. Se obin:
=
=
p
i
i i p
a C a a C
1
1
) ( ) ,..., (
i i
i
opt i
i
i i
opt i
h r
s
T
h
s r
a
2
,
2

= = .

Comentariu. Determinarea loturilor economice pentru mai multe produse revine la
determinarea lotului economic pentru fiecare produs n parte.

9.6. Modele stochastice de stocare

ntr-un model aleatoriu, pe lng variabilele de decizie d
1
, ... , d
n
(de exemplu,
mrimi de comenzi, cicluri de reaprovizionare) intervin i variabile aleatoare A
1
,
n cu cut.
Funcia de eficien C(d
1
, ... , d
n
, A
1
, ... , A
n
) va fi o variabil aleatoare, iar
valorile optime ale variabilelor de decizie vor fi determinate din condiia ca
eficiena medie s fie optim.
Printre elementele aleatoare ale unui model de teoria stocurilor, cel mai
portant este cererea pe unitatea de timp. Repartiia cererii n cazul cererii
continue poate fi: normal, log-normal, Weibull etc., iar n cazul cererii discrete,
..., A
n
, a cror repartiie se presupu e nos
im

binomial etc. Dac ererea este un proces aleatoriu,
atunci modelul de stocare este un model stochastic dinamic.
Timpul de avans, L, i stocul intangibil (de siguran),
poate fi: Poisson, Pascal, c
R P I
S
=
0
,
R fiind cererea medie pe perioada timpului de avans, pot fi variabile aleatoare
continue sau discrete.
uran i, corespunztor, nivelul de reaprovizionare
reduc sau
reducerii nivelului de reaprovizionare asupra costurilor.

Tabelul 9.5
Aciune Rezultat
Mrimea stocului de sig
ansa apariiei lipsei de stoc, i invers. Tabelul 9.5 d efectul creterii
Reducerea nivelului de
reaprovizionare
Scade costul de stocare al stocului de siguran i crete
costul lipsei de stoc
Red tului de
re izionare
ucerea lo
aprov
Scade costul de stocare al stocului mediu (
2
lipsei de stoc i costul total de lansare comenzi
a
) i cresc costul
Creterea nivelului de
reaprovizionare
Crete costul de stocare al stocului de siguran i scade
costul lipsei de stoc
Creterea lotului de
reaprovizionare
Crete costul de stocare al stocului mediu i descrete costul
total de lansare comenzi

9.6.1. Determinarea nivelului optim de reaprovizionare

Pentru determinarea nivelului optim de reaprovizionare P
0
, aplicm analiza
marginal (Bonini et al, 1997), adic se ncepe analiza costului total cu o valoare
iniial pentru P
0
, fie R P =
0
.
S vedem ce se ntmpl cu costul total dac se adaug o unitate prod
stoc la P
0
. Costul total pe perioada analizat (de exemplu, un an) va crete cu
aproximativ h , deoarece I crete cu o unitate.
rea costului va rezulta din faptul c o
cerere cu o unitate mai mare pe perioada timpului de avans va mri probabilitatea
lipsei de stoc, astfel (Figura 9.9):
a costului prin neadugarea unei uniti la P
0
este egal cu
(Probabilitatea unei uniti de stoc cerute n plus) d
de us de
S
Dac nu se adaug o unitate la P
0
, crete
Cretere
a
Q

a
Q
fiind numrul de cicluri de reaprovizionare pe perioada analizat.
Se consider urmtoarea ipotez:
Cererea r, pe unitatea de timp, este o variabil aleatoare cu repartiia
cunoscut, F(x).

218

enea o
variabil

Atunci, cererea R, pe perioada timpului de avans L, este de asem
aleatoare cu funcia de repartiie cunoscut, F(x)=P(R<x).
Probabilitatea unei uniti de stoc cerute n plus este ) ( 1
0
P F . Figura 9.9
reprezint P
0
. Din costurile adugrii i neadugrii unei uniti de stoc la
egalitatea celor dou costuri avem :
( )
Q d
h a
P F
Q d
h a
P F
Q
d P F h
= ) ( 1 ) ( 1
0 0
a

1 ) (
0
.
P
0
poate fi acum obinut din tabela funciei de repartiie F.

Algoritm pentru determinarea nivelului optim de reaprovizionare P
0
Pas 1. Date de intrare : h, d, Q, s
Se poate scrie urmtorul algoritm pentru determinarea nivelului optim de
reaprovizionare.
R ,
R
;
Pas 2. Calculeaz
h
Q s
a
opt

=
2
;
Q d
h a
=1 ;
Pas 3. Din tabela funciei de repartiie a cererii pe perioada de avans R, se ia Z
.

R opt
Z R P
+ = . Stop !
Observaii
h
O
P
0 opt
P
0
Creterea cos-
turilor
a
Q
d P F )) ( 1 (
0

Costul neadugrii
unei uniti

Figura 9.9

1. Stocul de siguran este
R S
Z R P I
= =
0
.
2. Pentru un ( ) 1 , 0 , un risc asumat de a avea lips de stoc pe perioada
timpului de avans, se poate determina nivelul critic al stocului astfel :
=P(R P
0
)=1F(P
0
) F(P
0
)=1 ,
relaie ce permite determinarea nivelului critic al stocului P
0
.

Determinarea costului total
Costul total=Costul de lansare+Costul de stocare+Costul lipsei de stoc
( )
a
dR R f h R
Q
P R d P
a
a
Q
s P a C
P
T
+ + =

) ( .
0
2
) , (
0 0 0
(9.6)
unde:
a
Q
s reprezint costul de lansare al tuturor comenzilor de reaprovizionare pe

perioada de timp analizat,
a
Q
numrul comenzilor de reaprovizionare pe alizat, perioada de timp an
( )
a
Q
dR R f P R d
0
0
p analizat,

0
P
in stoc pe un ciclu
de reaprovizionare,
f(x) densitatea de repartiie a cererii.
Se determin P
0 opt
i a
opt
din condiia impus costului total dat de (9.6), s
e m
) ( costul lipsei de stoc pe perioada de tim
( )
) (
0
dR R f P R numrul mediu de uniti de stoc lips d
fi inim:
[ ]
( )
= +
0
2
) (
0 0
2
h
dR R f P R d s
a
a
C
T

1 ) (
0
0 0
P f
P
. (9.7)
Prima relaie (9.7) se poate rescrie astfel:

0
Q
P

+ +
0 ) ( ) (
0
0 0 0
P P F d
a
P f P d
a
h
C
T
Q Q
0 ) (
0
= + P F
a
d d
a
Q Q
h .
Atunci
opt
P
Q d
h a
P F
0 0
1 ) (
= .
(9.8)
( )
h
dR R f P R d s Q
a
P
opt
opt
+
=

0
) ( 2
0
.
(9.9)

220
Se observ c P
0
apare n exprimarea lui a
opt
(9.9) i a apare n exprimarea
lui P
0 opt
(9.8). Pentru rezolvarea acestei probleme se poate folosi un procedeu
iterativ astfel :
- cu un a estimat, de exemplu dat de modelul lotului economic, se calculeaz P
0
,
in tabela funciei de repartiie F din relaia (9.8),
elaia (9.9) i aa mai departe, pn cnd
d
- apoi, cu acest P
0
se calculeaz a cu r
cele dou valori gsite satisfac relaiile (9.7).
Dac ) , (
R
R R N a , atunci ( ) ) ( ) (
0
0
Z N dR R f P R
R
P
=
, unde N(Z) este

numrul mediu de comenzi de reaprovizionare a stocului pe perioada timpului de
avans. Astfel, relaia (9.7) devine
( )
h
Z N d s Q
a
R
opt
) ( 2 +
(9.9)
i costul total optim este
=
[ ] h R
. (9.6 P
a
Q
Z C
opt
t
opt
opt opt
+ =
0 0
) ( ) )

Particulariz
1) Dac timpul de avans, L ste constant unoscut i cererea, r, este o
variabil aleatoare repartizat (m,
R
), atu r este o variabil aleatoare
repartizat
a
op
+
2
N d s
R
+ P a C
opt T
= , (
ri
, e i c
N nci R=L
N ( )
R
. Notnd cu , L m L z

, cuantila inferioar a
leatoare N (0,1) , adic variabilei a
z u
du e
2
2
2
1
,
rezult c n acest caz nivelul de reaprovizionare este
R
L z m L P
+ =
0
.
2) Presupunnd timpul de avans, L, constant i cererea, r, variabil aleatoare
repartizat Exp(), atunci cererea pe perioada timpului de avans este
) , ( ...
1
L Erlang r r R
L
a + + =
i P
0
se determin din relaia
( riscul asumat fiind mic) folosind tabela repartiiei Erlang(,L).
) ( 1 ) (
0
0
0
P R P dx x f
P
< = =


3) Dac L este o variabil aleatoare cu media M[L]=l, iar r este o variabil
aleatoare repartizat N (m,
R
), independent de L, atunci R=Lr este o variabil
aleatoare normal cu M[R] =lm i D
2
[R] =l
R
2
, adic N ( )
R
l m l , . n
acest caz nivelul de reaprovizionare este
R
l z m l P
+ =
0

Exemplu. La un service auto sunt necesare 1800 bidoane de ulei de motor pe an.
Costul de lansare a unei comenzi de reaprovizionare cu ulei este de s=10 u.m.,
costul de pstrare h=0.6 u.m./an, iar timpul de avans este de 20 zile. Cererea
medie pe timpul de avans este 30 = R bidoane, ) , (
R
R R N a . Costul lipsei
din stoc a unui bidon de ulei este d=5 u.m. S se determine cantitatea optim de
reaprovizionare i punctul optim de reaprovizionare.
Rezolvare. Consider mrimea optim a lotului de reaprovizionare
245
6 . 0
1800 10 2 2
=

= =
h
sQ
a
opt
bidoane de ulei.
Indicele de lips de stoc asumat este
= =
= 9837 . 0
1800 5
245 6 . 0
1 1 ) (
0
Q d
a h
P
fiind funcia de repartiie a unei variabile aleatoare normale.
Din tabelele repartiiei normale lum cuantila corespunztoare,
Se obine punctul optim de reaprovizionare P =100+2.1430=164 . Astfel, stocul
de siguran este
14 . 2 =
Z .
0
64 100 164 = = = R P I
opt S
bidoane de ulei.

n anumite ipoteze asupra repartiiei ciclului de reaprovizionare, ) ( G T a ,
numrului de cereri din intervalul de timp (0, t), ) ( ) ( t Po t n a ,
mrimii unei cereri X, ( F X a
se poate determina repartiia cererii t ervalul 0, t ).

.2. Modele de stocare pe o singur perioad
cu cerere aleatoare

Dac rata cererii nu este determinist, modelul de stocare cu cerere aleatoare
presupune cunoscut repartiia acesteia. Modelele de stocare pe o singur perioad
se refer la situaia n care o singur comand este lansat pentru un produs. La
sfritul perioadei produsul a fost fie epuizat, fie exist un surplus de articole
odelul pentru o
singur perioad este aplicabil n situaii ce implic articole sezoniere sau perisabile
care nu pot fi pstrate n stoc i vndute n perioada urmtoare. De exemplu: hainele
) x ,
otale pe int de timp (

9.6
nevndute care vor fi vndute la o valoare de lichidare de stoc. M

222
de sezon (costume de baie, hainele de iarn), ziare etc. Cum comanda se face o
singur dat pe perioada considerat, singura decizie de stoc care trebuie luat este: ce
cantitate din produsul respectiv s se comande la nceputul perioadei ? O astfel de
problem este cunoscut sub numele deproblema vnztorului de ziare.

Exemplu de cerere cu repartiie discret
Un magazin cumpr roii o dat pe sptmn de la productor cu 6 u. m. / kg i
le vinde cu 11 u. m. / kg. La sfritul sptmnii preul de lichidare de stoc este de
2 u. m./kg. Din experiena avut (reflectat n Tabelul 9.6) magazinul vinde ntre
160 i 200 kg de roii pe sptmn. Deoarece cererea este relativ stabil, se
presupune c este continu cu acea rat. S se determine mrimea comenzii de
agazin, astfel ca profitul magazinului s fie maxim
urban i Meredith, 1988) .

Tabelul 9.6
Numr kilograme
vndute (x)
N
sptmni cererii
Funcia empiric
de
repartiie (P(xa))
reaprovizionare pentru m
(T
umr de Probabilitatea
160 4 0.08 0.08
170 10 0.2 0.28
180 12 0.24 0.52
190 15 0.3 0.82
200 9 0.18 1
Total 50

Rezolvare
n rezolvarea acestui tip de probleme este indicat folosirea metodei analizei
incrementale. Analiza incremental compar ctigul sau pierderea realizat prin
comandarea unui articol suplimentar pentru care nu ar fi existat cerere, cu ctigul
sau pierderea realizat prin necomandarea unui articol pentru care ar fi existat cerere.
Fie: a cererea de aprovizionare cu roii pentru o sptmn,
c
+
costul unitar al supraestimrii cererii, adic pierderea datorat
omandrii unui kilogram suplimentar care apoi se constat c nu se poate vinde,
c costul unitar al subestimrii cererii, adic pierderea datorat necomandrii
entar care apoi se constat c s-ar fi putut vinde,
omenzii de aprovizionare,
(a)=c
+
P(aa
opt
)
-
(1-P(aa
opt
)) .
antitatea optim comandat astfel:
c

-
unui kilogram suplim
D
+
pierderea total datorat supraestimrii c
D
+
D
-
pierderea total datorat subestimrii comenzii de aprovizionare,
D
-
(a)=c
-
P(a>a
opt
)=c
Din egalitatea D
+
(a)=D
-
(a) se determin c
+
+ c c
opt
=
c
a a P
_
) ( . (9.10)

Pentru aceast problem 5555 . 0
) 6 11 ( ) 2 6 (
6 11 _
=
+

=
+
+
c c
c
. Din Tabelul 9.6
se constat c i se obine a
opt
=190 kg .
Exemplu de cerere cu repartiie continu
O reea de magazine comand la o fabric de ncminte un nou model de pantofi
brbteti de primvar-var. La sfritul sezonului (30 septembrie) patronul
magazinelor va avea lichidare de stoc pentru ce nu s-a vndut pn la acea dat.
Preul de achiziie de la fabric este de 40 u.m. perechea, iar magazinul i vinde cu
60 u.m. Preul de lichidare de stoc este de 30 u.m. perechea i se ateapt ca la
acest pre stocul s fie lichidat. Cte perechi de pantofi ar trebui s comande
patronul magazinelor pentru a obine profit maxim (pierderi minime) ? (Anderson

Rezolvare
pentru pantofi brbate 2, este
erechi, avnd media 5 eaz la
analiza incremental pentru rezolvarea acestei probleme.
Fie: a cererea de aprovizionare cu pantofi br teti mrimea 42,
c
+
costul unitar al supraestimrii cererii, adic pierderea datorat comandrii
tim
r
ceast problem c
+
=4030=10, iar c
-
=6040=20. Considernd
cererea egal cu media, analiza incremental pentru dou cazuri este artat de
Tabelul 9.7.

rimea
comenzii
Pierderea produs dac
Pierderea
posibil
Probabilitatea
5555 . 0 ) ( =
opt
a a P
et al, 1994)
Din experiena anilor trecui, cererea ti, msura 4
uniform i cuprins ntre 350 i 650 p 00. Se apel
b
unei perechi de pantofi suplimentare, care apoi se constat c nu se poate vinde,
c
-
costul unitar al subestimrii cererii, adic pierderea datorat necomandrii
unei perechi de pantofi suplimentare, care apoi se constat c s-ar fi putut vinde,
s D
+
pierderea total datorat suprae rii comenzii de aprovizionare
D
-
pierderea total datorat subestim ii comenzii de aprovizionare.

Pentru a
Tabelul 9.7
Cazul
M
I 501
Cererea este supraestimat i o
unitate nu poate fi vndut
c
+
=10 P(a500)

II 500
Cererea este subestimat i o
unitate ar fi putut s fie vndut
c
-
=20 P(a>500)

+
0.5=5 u.m. , D
-
(a)=c
-
0.5=10 u.m.
Este de preferat s se comande 501 perechi de pantofi. Se continu investigarea
pn cnd
D
+
(a)=D
-
(a) .
innd seama de relaia (9.4), se obine pentru acest exemplu
P(a500)=P(a>500)=0.5, D
+
(a)=c
3
2
350 650
350
) ( =
=
opt
opt
a
a a P ,

224
iar a
opt
=550.

n situaiile practice apare problema cunoaterii repartiiei cererii pentru
ectiv i cea a costurilor c
+
i c
-
.
n modelele cu o singur perioad, cantitatea
produsul resp
+
+ c c
c
_
are rol esenial n
determinarea cantitii optime de reaprovizionare. Cnd c
+
<c
-
se recomand s fie
de reaprovizionare. Cnd c
-
<c
+
se recomand s fie mai mare lotul
de reaprovizionare. Cnd cele dou costuri sunt egale, probabilitatea de a avea
surplus este egal cu probabilitatea de a avea lips de stoc i atunci se recomand
ca lotul de reaprovizionare s fie egal cu media.

9.6.3. Modele stochastice de stocare bazate
pe modele de ateptare

Aplicarea modelelor de ateptare la rezolvarea problemelor legate de gestiunea
stocurilor se poate prezenta astfel (Vduva et al, II, 1974):
1. cererile ce urmeaz a fi satisfcute sunt considerate clieni n modelul de
ateptare. Pentru ca s fie satisfcute cererile ar trebui ca n stoc s se afle o
cantitate practic infinit, ceea ce n realitate nu este posibil;
2. ncrcarea stocului corespunde venirilor n sistemul de ateptare i satisfacerea
cererilor corespunde ieirilor din sistemul de ateptare.

n continuare vor fi prezentate dou modele de stocare avnd la baz modele de
ateptare.

9.6.4. Modelul P
0
()/Exp()/1:(, FIFO)

Ipotezele modelului
stocul este unic (un singur tip de produse, c=1),
variaia stocului este discret,
intervalul de timp dintre dou intrri n stoc este o variabil aleatoare
exponenial negativ de parametru ,
fiecare cerere este egal cu unitatea (r=1),
intervalul de timp dintre dou cereri este o variabil aleatoare exponenial
negativ de parametru ,
intrrile n stoc pot avea loc indefinit,
N(t) numrul unitilor din stoc este un proces aleatoriu staionar descris de
un proces de natere i deces.
Cu notaiile de la modelele de ateptare avem
mai mic lotul

[ ]
= =
= 1 , ,
1
) (
0
p t N M .
Construcia funciei de cost. Notm cu:
c
u
costul unei uniti din stoc,
fraciunea pe care o reprezint costul de stocare din costul unitii de stoc,
(h=c
u
) ,
d costul unitar al lipsei de stoc,
p
0
probabilitatea de a avea lips de stoc.

[N(t)],
lipsei de stoc =dp
0
,
funcia de eficien (costul mediu ce trebuie optimizat) =C(), unde
Atunci obinem
costul mediu de stocare =c
u
M
costul mediu al
) 1 (
1
)] ( [ ) (
0

= + = d c p d t N M c C
u u
.
Din condiia ca C() s fie minim ( ) 0 ) ( , 0 ) ( > = C C , se obine
d
c
u
opt

=1
i astfel se pot determina elementele necunoscute ale modelului.
Practic se cunoate cererea ) ( Exp a i astfel numrul de uniti cerute pe
unitatea de timp este o variabil aleatoare Poisson de parametru , fiind
intensitatea cererii, presupus cunoscut.
Se cere determinarea parametrului
opt
=intensitatea optim de ncrcare a
stocului.
Dar

= =
d
c
u

1 .
Se poate determina probabilitatea ca nivelul stocului s depeasc o anume
valoare ,
deoarece
( ) ) 1 ( ) (
0

= = =

=
= j
j
n
n
p t N P
( ) . 1 =
n
n
p

Problema se poate formula i astfel:
S se determine nivelul stocului care s fie atins i/sau depit cu
bilitatea (0, 1) suficient de mic.
Atunci, din relaia

= obinem
proba

ln
ln
= .
Ipoteza c intrrile n stoc pot avea loc n mod indefinit se poate nlocui cu alta,
din faptul c stocul are o limit a capacitii, m. Atunci rezultat

226
>

=
m n
m n p
p
n
n
pentru 0
1 pentru
0

i eoarece 1 =
m
n
p se obine d
= n 1
0
= p
1
1
1
+
.
Astfel
[ ]
( )

=
= =

= = =
m
n
n
m
n
n
m
n
n
n p n p n t N M
1
1
1
0
1
1
1
) (

.
ns
+ m 1

1
1

=
m m
n

1

=
e unde rezult c
n
d
( ) [ ] ( )
( )
2
1
1
1
1
1 1 1

+ +
=
+
=
m m m
n
n
m
n .
Obinem
[ ]
( ) ( ) [ ] ( )
( )
=
= =
+
+ 2 1
1 1
) (

m
m
t N M N
+ +
1
1 1 1 1
m
m
( ) [ ]
( ) ( )
.
1 1
1 1
1
1
+
+

+ +
=
m
m m
m m

nlocuind M[N(t)] n funcia de cost i punnd condiia de minim se obine
opt
cu ajutorul cruia se pot determina elementele modelului.

De exemplu, numrul mediu de cereri ce urmeaz a fi satisfcute (adic
lungimea medie a cozii)
[ ]
( ) [ ]
( ) ( )
1
1 1
1
1 ) (
+

+
= =
m
m
m
t N M R

.
Se obine o nou funcie de cost dac se consider valorile medii
1 2
1
+

m
m
R N , astfel
( ) ( )

= + =
+1
1
1 1
) (
m
u
R d N c C

( ) ( ) . ]} 1 1 [ ] 1 1 [ {
1 1 m m m m
u
Din condiia de optim (min C
m m d m m c + + + +
+

) ) rezult
opt
i acum se pot calcula
elementele modelului.

u mai multe staii paralele
i cu timp de avans L aleatoriu

1
(

9.6.5. Modelul c

ate s fie S=constant,

fiecare cerere este egal cu unitatea (r=1); numrul de cereri pe unitatea de
timp este o variabil aleatoare Poisson, de parametru ,
timpul de avans L este o variabil aleatoare exponenial negativ de
parametru .

A. Cererea nesatisfcut nu se pstreaz
Analogia cu modelul de ateptare
Ipotezele modelului
n momentul cnd se scoate o unitate din stoc se comand alta, astfel nct
numrul de uniti din stoc plus cele comand
) , ( : )/ )/Exp( Exp(
d
N c
Se consider
cele c locuri din stoc drept staiile de serviciu ale sistemului de ateptare,
N
d
semnific faptul c exist clieni nedisciplinai care, dac nu pot fi servii,
prsesc sistemul,
N(t) numrul de uniti din sistem la momentul t este un proces finit,
P
n
(t)=P(N(t)=n) probabilitatea de a avea n uniti n stoc. Cnd sunt n
enzi.
Determinarea coeficienilor
n
,
n
, n{1, 2, . . . , c}. Deoarece o comand
sosete dup timpul aleatoriu L, care are repartiia Exp(), rezult c intensitatea
intrrii n stoc a unuia din cele c articole este c, adic,
0
=c.
Dac exist n uniti n stoc, atunci poate s soseasc numai una din cele n
com
,
c

Pentru a determina intensitatea ieirii inem seama de faptul c ieirea depinde
de cerere, deci
n
=, 1 n c.
Se pot scrie ecuaiile de stare ale modelului astfel
> =
+ =
+ + + + =
+ =
+
, 0
) ( ) ( ) (
1 1 , ) ( ) 1 ( ) ( ) ( ) ( ) (
) ( ) ( ) (
1
1 1
1 0 0
n
t P t P t P
c n t P n c t P t P n c t P
t P t P c t P
c c c
n n n n

ionar conduce la soluia
uniti n stoc nseamn c sunt lansate cn com

c
enzi, deci
n
= (cn) , 1 n c = 0.
[ ]
. ) ( c t P
n
Rezolvarea pentru cazul sta
=
c
n
n
n c
c
p
0
0
)! (
1
!
1
,
iar
( )
c
n c
n
n
n c
p
=
)! (
p
n c
p
c

!
1 !
0
, 1 n c,
unde

228
= .
Se poate determina stocul mediu
M[N(t)] =
c
n
n
c
n
n c
p
0
.
mediu de ce
alul mediu de timp de avans, egal cu
Numrul reri pe unitatea de timp este , deci numrul mediu de
cereri pe interv
,
1
va fi
, iar numrul
mediu de cereri satisfcute pe intervalul de timp de avans este
M[R] =cM[N(t)].

Stabilirea funciei obiectiv
Fie c
v
preul de vnzare al unei uniti de stoc i
h costul de stocare pe intervalul de timp de avans mediu
1
.
Profitul pe perioada T este
B(c) =M[R]c
v
hM[N(t)] =
) (
) ( ) (
) (
1

c
c c
v
E
E E c
v h c c

+ ,
unde
=
c
n
x
n
c
e
n
x
x E
0
!
) ( .
c fiind o variabil ntreag, condiia B(c) =0, revine la
B(c+1)B(c) =0,
adic
=
+
+
) (
1

c v
E c h

) (
) ( ) (
1

c
c c
E
E E h
.
pentru
xim.
Pot exista cel mult m cereri nesatisfcute i atunci numrul de uniti din stoc
satisface relaia m n c.
Analogia cu modelul de ateptare
Dndu-se h, c, c , ultima relaie permite d
v
eterminarea stocului optim
obinerea unui profit ma

B. Cererea nesatisfcut se pstreaz

FIFO) , ( : )/ )/Exp( Exp( m c


Formularea problemei. S se determine nivelul optim al stocului c n funcie de
, L, costul unitar de stocare h i costul unitar al lipsei de stoc d. n acest caz
N(t) reprezint numrul de cereri nregistrate,
0 N(t) c+m.
n stoc vor exista j =cN(t) uniti.
Determinarea coeficienilor , , 0 n c+m
Intensitatea satisfacerii cererilor
n
se determin astfel.
stoc cu intensitatea , deci numai c din cele n cereri vor fi
satisfcute, atunci
n
= c , c n c+m.
iza este c+m, rezult c
n
Astfel, ecuaiile de stare ale modelului sunt
+ + + + =
+ =
+
1 ) ( ) 1 ( ) ( ) ( ) ( ) (
) ( ) ( ) (
1 1
1 0 0
c n t P n t P t P n t P
t P t P t P
n n n n

n n
Dac exist n cereri nregistrate, intensitatea cu care apare o nou cerere este
n
=, 0 n c+m,
n
=0 pentru n > c+m.
Dac exist n cereri la un moment dat t, 1 n c, atunci ele se pot satisface
cu unitile ce vor sosi n stoc cu intensitatea , deci
n
= n , 1 n c.
Dac c n c+m, nu pot sosi n stoc dect c uniti ce au fost comandate,
care intr n
Deoarece numrul maxim de cereri ce se pot real

= 0, pentru n >c+m.
+ =
+ + + + =
+ + +
+
.
). ( ) ( ) (
) ( ) ( ) ( ) ( ) (
1
1 1
t P t P c t P
m c n c t P S t P t P S t P
m c c c m c
n n n n

Soluia pentru cazul staionar n funcie de
= este
p
n
1
!
0
+ >
+
=

m c n
m c n c p
c c
c n
p
c n
n
n
n
0
!
0
(9.11)
Din =
+
1
0 =
m c
p deducem
n
n
=

0
1
! !
n
c n

+
+
=
1
1
0
1
1
c
m
c n
c
p

(9.12)
c
Se pot determina acum:
numrul mediu de uniti existente n stoc

230
M[N
+
(t)] =

c
=
n
p n c ) ( ,
M[N
(t)] = .
Astfel, funcia de cost care trebuie optimizat este
C(c)=M[N
+
(t)]h M[N
(t)]d.
Notm funcia de repartiie a variabilei aleatoare discrete n.
Atunci
n 0
numrul mediu de uniti lips din stoc
+
+ =

m c
c n
n
p n c
1
) (
=
=
n
j
j
p n Q
0
) (
+ + = +

+ +
+ =
+
=
m c
c n
n
c
n
n
p n c d p n c h c C c C c C
1
2
1
0
) 1 ( ) 1 ( ) ( ) 1 ( ) (
= +

+
+ = =
L S
S n
n
S
n
n
p n S d p n S h
1 0
) ( ) (
+ + + + =

+
+ = =
m c
c n
n
c
n
n
p n c n c d p n c n c h
1 0
) 1 ( ) 1 (
( ). ) ( 1 ) ( ) 1 1 (
1
c Q d c Q h p m c c d
m c
= +
+ +

h d
d
c Q
+
= ) ( . Din condiia de optim, C(c)=0, se obine
Pentru a gsi o soluie ntreag a acestei ecuaii se poate folosi urmtorul algoritm.

Pas 0. Intrare m, d, h, ;
; 0 : , : =
+ h d
= c
d
k
Pas 1. c:=c+1;
Calculeaz p
0
conform cu (9.12) i p
n
, m c n + 1 , conform cu (9.11);

Pas 2. i:=i+1 ; :=+p
i
;
dac <k i i<c+m mergi la Pasul 2;
Pas 3. Dac <k i i=c+m mergi la Pasul 1 ;
Pas 4. Dac i atunci c este optim. Stop!

Se observ c algoritmul determin acea valoare ntreag pentru care
; 0 : ; :
0
= = i p
k mL c i +
) (c Q . ) 1 (c <
h d
Q
+


d


1. Din experiena anilor trecui, universitatea are nevoie pentru consumurile curente
de 1200 de cutii de hrtie A
4
pentru un an. Costul de lansare a unei comenzi de
reaprov tii se
conside im de
aprovizionare cu hrtie A
4
, care itatea la cheltuieli minime. Se
onsider c anul are 300 zile lucrtoare i c nu se admite lipsa hrtiei n depozit.
. Pentru un an avem: a
opt
=101.42 cutii 101 cutii, costul total anual este de
3 549 647. .
. Firma care se ocup cu semaforizarea interseciilor din Capital are nevoie de
0 000 de becuri pe an aprovizionare este de
500 000 lei, costul a lei. Presupunnd c
nul are 300 zile lucrtoare i c nu se admite lipsa becurilor din depozit, s se
etermine:
b) costul total anual al stocrii

R. a) Q
opt
=2927.7 2928 , b) C
T
=10 246 950.77 10 246 951 , c) N=3.42 3 .

3. RomTelecom cumpr anual consumabile n valoare de 500 000 euro.
ostul de lansare a unei comenzi de reaprovizionare este de 80 euro, iar costul
nual de pstrare este de 20% din valoarea consumabilelor pstrate. S se
determine:
) care este valoarea optim a unei comenzi de reaprovizionare?
) de cte ori ntr-un an se lanseaz cereri de reaprovizionare?
d) care este costul total anual de stocare?
ro; b) se
lanseaz ntr-un an 25 cereri de reaprovizionare; c) costul total anual de lansare a
comenzilor de reaprovizionare este de 2000 euro; d) costul total anual de stocare
este de 4000 euro.
reparaii aparatur electronic are o component pentru care poate
p ca modelul cu lips de stoc. Cererea nual este de 2000 uniti, costul anual
unitar de pst i comenzi de
eaprovizionare i de stoc este
=30 u.m.. Se presupune c anul are 250 zile lucrtoare. S se determine:
) m
ei de stoc.
d) ciclul optim de reaprovizionare
izionare cu hrtie este de 150 000 lei, iar pentru depozitarea unei cu
r c se cheltuiesc 35 000 lei pe un an. S se stabileasc un plan opt
s conduc univers
c
R
87, numrul de comenzi lansate ntr-un an este 12, T
opt
25 zile

2
1 . Costul de lansare a unei comenzi de re
nual de pstrare a unui bec este de 3500 1
a
d
a) cantitatea optim de reaprovizionare
c) cte comenzi de reaprovizionare vor fi lansate anual.
C
a
a
b
c) care este costul total anual de lansare a comenzilor?

R. a) Valoarea optim a comenzii de reaprovizionare este 20 000 eu

. O firm de 4
a li
rare este h=10 u.m. , costul de lansare a une
este de s=25 u.m. , costul anual unitar al lipse r
d
a rimea optim a comenzii de reaprovizionare
b) numrul maxim de uniti lips din stoc pe perioada lips
c) nivelul maxim al stocului

232
e) costul total anual
R. a) mrimea optim a comenzii de reaprovizionare 115 =
opt
a
b) numrul maxim de uniti lips din stoc pe perioada lipsei de stoc, S=29.
c) nivelul maxim al stocului I
max
= S a
opt
=86
d) ciclul optim de reaprovizionare, T
opt
=11.4 zile lucrtoare
e) C
h
=322, C
s
=435, C
d
=110 i atunci, costul total anual, C
T
=867 .
. O companie trebuie s asigure un produs chimic (soluie) la fiecare 6 luni unui
client. Cum procesul cia trebuie nceput
aintea formulrii cer dui tiind c : preul
e vnzare este de 20 u. m. / litru, costul de producie este de 15 u. m. / litru, lipsa
e stoc este rezolvat prin cumprarea soluiei de la alt firm cu 19 u. m. / litru,
surplusul se vinde cu 5 u. m. / litru. Din experiena care exist cererea se consider
ca fiind N (1000,100). Care este planul de producie optim ?

5
de producie dureaz dou luni, produ
erii de ctre client. Ci litri trebuie pro n
d
d
Rezolvare. c
-
=19-15=4, c
+
=15-5=10, 29 . 0
10 4
) ( =
4
+
=
opt
a a P . Din tabela
repartiiei normale standard
29 . 0
2
1
) (
2
2
= =

z x
dx e z a P

se ia z=0.55. Atunci a
opt
=-0.55=1000-0.55100=0.945 litri. n acest caz, costul
de subestimare este mai mic dect cel de supraestimare i atunci compania i
sum un risc mai mare de apariie a lipsei de stoc. La valoarea a
opt
obinut,
robabilitatea de a avea surplus este 0.29, iar cea de a avea lips de stoc este 0.71 .

Folosind algoritmul general din 9.4. s se rezolve urmtoarea problem :
n magazin de nclminte brbteasc vinde n medie la fiecare 3 luni 500
erechi de pantofi negri. Fcnd aprovizionarea n loturi de cte 500 perechi de
agazinul ob
d de aprovizionare es ductorul ofer i alte reduceri
euri n funcie de m cu Tabelul 9.8, s se
rimea optim a comenzii de reaprovizionare a magazinului i s se
Tabelul 9.8
Cantitate Pre unitar
a
p
6.
U
p
pantofi, m ine de la productor cel mai mic pre petru o pereche, 28
u.m. Costul de depozitare este 20% din preul de achiziie. tiind c o lansare de
coman te de 30 u.m. i c pro
e pr rimea comenzii, conform d
stabileasc m
precizeze dac este mai avantajoas vechea politic de reaprovizionare.

0 99 36
100 199 32
200-299 30
300 28

ANEX
iuni generale de probabiliti i statistic
matematic
e evenimente. Axioma lui Kolmogorov

A.1.1. Evenimente. Probabiliti

Fie o mulime nevid dat, K o familie de submulimi ale lui ,
K P (). Elementele lui K le numim subevenimente.
amilia K se numete cmp complet aditiv dac sunt verificate urmtoarele axiome:
umrabil ( I submulime a lui N ).

Funcia de mulime P : K R se numete probabilitate dac:
P1. () X K , P(X) 0;
P2. ()I familie de indici cel mult numrabil, este ndeplinit relaia:
, , , , ) ( ,

No

A.1. Cmp d

F
A1. () X K , cX K (cX= \ X)
A2. K
U
I
X

dac X
K , () I , I familie de indici cel mult

n

A.1.2. Probabilitate
; ) (

= I X X I X

K

P() = 1.

A.1.3. Cmp de probabilitate complet aditiv

Cmp de probabilitate complet aditiv este tripletul
I I
X P X P

U
P3.

{ } P , ,K , iar se
numete evenimentul sigur i evenimentul imposibil.
P() =1, P( ) =0 .

234
A.1.4. Probabilitate condiionat

Fie { } P , ,K un cmp de probabilitate complet aditiv, A, B K cu
(B)>0. probabilitatea evenimentului A condiionat de B i notm
P
B
(A) sau po
P Numim
P(AB) ra rtul
) (
) ( B A P
B P
.

A.1.5. Evenimente independente
}

Fie { P , ,K un cmp de probabilitate complet aditiv i A, B K .
Spunem c evenimentele A i B sunt independente dac se verific relaia:
) ( ) ( ) ( B P A P B A P = .
evenimentele i B sunt independente, atunci au loc relaiile:
cB P A P cB A P
B P cA P B cA P
=
Dac A
) ( ) ( ) (
) ( ) ( ) (
). ( ) ( ) ( cB P cA P cB cA P =
=

Observaie. Dac A i B sunt independente, atunci P
B
(A) = P(A).

Fie

A.2. Variabile aleatoare

{ } P , ,K un cmp de probabilitate complet aditiv sau cmp de
robabilitate i X o funcie, X : R. Aplicaia X este variabil aleatoare
da
p
c ( ) { } K > c , pentru () c R. . X
roprieti
1. Fie X o

P
Teorema variabil aleatoare i b un numr finit. Atunci:
a) X + b
b) b X
c) X
d) X
2

e)
X
1
, pentru X 0
sunt de asemenea variabile aleatoare.
Anex 235

dou variabile aleatoare, atunci:
) X Y
Teorema 2. Dac X i Y sunt
a) X Y
b) X + Y
c
d)
Y
X
, pentru Y 0
sunt variabile aleatoare.

A.2.1. Funcia de repartiie
m F(x) =P( X )) <x ) (de fapt,

Fie x R i X o variabil aleatoare. Not (
( ) { } ( ) ia de reparti x X P x F < = R ) ( . Funcia F se numete func
variabilei aleatoare X .
ie a

Exemplu. Dac X este o variabil aleatoare discret (ia numai un numr finit sau o
nci funcia de repartiie este suma
robabilitilor valorilor lui X () situate la stnga lui x.

x 0 1 2 3 4
infinitate numrabil de valori), atu
p
p 0.2 0.3 0.1 0.3 0.1

< + + x 3 2 1 . 0 3 . 0 2 . 0
<
< + + +
< +
<
=
x
x
x
x
x F
4 1
4 3 3 . 0 1 . 0 3 . 0 2 . 0
2 1 3 . 0 2 . 0
1
0
) (
Deci, pentru variabila aleatoare discret
x
0 2 . 0
0
,
<
= = < =
x x
i
i
x X P x X P x F ) ( ) ( ) ( .
Proprieti
Teorema 3. Fie X o variabil aleatoare, F funcia sa de repartiie i x
1
, x
2
R.

1 2 2
F( x
1
;
b) P( x
1
< X < x
2
) = F( x
2
) F( x
1
) X = x
1
) ;
c) P( x
1
< X < x
2
) = F( x
2
x
2
) ;
P( x
1
X x
2
) = F( x
2
eorema 4. Fie X o variabil aleatoare i F funcia sa de repartiie. Atunci:

Atunci:
a) P( x X < x ) = F( x ) )
P(

) F( x
1
) P(X = x
1
) + P(X =
) F( x
1
) + P(X = x
2
) . d)
T

236
a) F( x ) F( x ) , x < x ;

1 2 1 2
b) 0 ) ( ) ( lim ; 1 ) ( ) ( lim = = = + =

F x F F x F
x x
;
c) F( x 0) = F( x ) (continuitate la stnga).

A.2.2. Densitate de repartiie
exist o funcie nenegativ f( y ) astfel nct
()xR , atunci numim funcia f densitate de repartiie sau de probabilitate.

Proprieti
) f ( x ) 0 , () x R ;
) ( )
2 1
x
dx x f x X ;
x .

A.2.3. Variabile aleatoare independente
n sensul SteinhausKa

Fie , I familie oarecare de indici. Spunem c aceasta este o familie
independent n sensul SteinhausKa dac, () J I , J finit, avem:
.

A.2.4. Valoare medie. Dispersie. Momente

Dac

=
x
dy y f x F ) ( ) ( ,
a
= <
2
b) () x
1
, x
2
R , (x P
1
x
c)

) ( d x f =1

( )
I
X

( )

J J x
a X P a X P

) , ( ) , (
1 1
I

Fie { } P , ,K un cmp de probabilitate i X o variabil aleatoare. Se
numete variabilei aleatoare X valoarea . Dac
nci
media
= dP X X M ) ( ] [
=
I i
) ] . variabila aleatoare este discret, atu =
i i
a X P a X M ( [ Dac variabila
aleatoare
roprieti
ie X , Y variabile aleatoare, iar a, b constante reale. Atunci:
are densitatea de probabilitate f, atunci

= dx x xf X M ) ( [ [ .
P
F
Anex 237

M[X] +M[Y] ;
c) M[ X Y] =M[ X] M[ Y] numai dac X i Y sunt independente.

Dispersia unei variabile aleatoare X este
a) M[ a X +b] =aM[X] +b ;
b) M[ X +Y] =
[ ] ( ) [ ] [ ] [ ] ( )
2 2 2 2
] [ X M X M X M X M X D = = .

Proprieti
Fie X , Y variabile aleatoare independente, iar a, b constante reale. Atunci:
) D[ a X +b] =a
2
D[X] ;
) D[ X +Y] =D[X] +D[Y] .

baterea medie ptratic se definete ca fiind
a
b
] [ ] [
2
X D X = . A
Momentul de ordinul r (r>1) al unei variabile aleatoare este
M

= = dx x f x dP X X
r r
r
) ( ) ( ) ( ] [
dac X are densitatea de probabilitate f.

A.3. Cteva repartiii clasice
A.3.1. Repartiia uniform

O variabil aleatoare X pe intervalul [a,b] dac
are densitatea de probabilita

urmeaz repartiia uniform
te
[ ]
. altfel 0
=
dac
1
) (
a,b x
a b
x f

Funcia sa de repartiie este
( ) ] , ) ( ) ( a x
a b
a x
dt t x F
x
a

= =
, [ b .
Pentru variabila aleatoare uniform X media i dispersia sunt
) (
2
1
] [ b a X M + = ,
2 2
) (
12
1
] [ a b X D = .
A.3.2. Repartiii Markov


238

n modelele de ateptare intervin repartiia Poisson pentru modelarea sosirilor
n sistem i repartiia exponenial pentru modelarea timpilor de servire. Cele dou
repartiii i complementare.
Ambele sunt numite repart
, prima discret i cea de-a doua continu, sunt repartii
iii Markov.

epartiia Poisson
etru
c
R
O variabil aleatoare discret X urmrete repartiia Poisson de param
da

= e n
n
) = =
n
n f X P
!
) ( ( ,
>0 , iar n=0, 1, 2, ... Pentru acest tip de variabil leatoare M[X]= i
O variabil aleatoare are repartiia exponenial dac are densitatea de
=

e t f
xt
ste
.
unde a
2
D [X]=..

Repartiia exponenial

probabilitate
0 , 0 , > t ,
iar funcia de repartiie e
) (
0 , 1 ) ( =

t e t F
t
Dac ) ( Exp Y a , atunci
1
] [ = Y M , iar
2
2
1
] [
Y D .

Repartiia Erlang(,n)
Fie Y
1
, Y
2
,..., Y
n
, n variabile aleatoare repartizate Exp() i independente, iar
=
n
i
Y X . Variabila aleatoare X este r
=
epartizat Erlang(,n) i are densitatea de
i 1
repartiie
x n
n
e x
n
x f

=
1
) (
) ( ,
iar este funcia gama (funcia lui Euler de spea a II-a)

=
1
) ( dx e x a
x a
.
0
Dac ) ( Erlang X a atunci
n
X M = ] [ , iar
2
3
2
] [
n
X D = .

A.3.3. Repartiia normal unidimensional a lui Gauss
Anex 239

il ale
e
O variab atoare X urmeaz repartiia normal dac are densitatea de
probabilitat
( ) ( ) =

,
2
1
) (
2
2
2
) (
x e x f
x

,
iar funcia de repartiie
=
x
t
dt e x F
2
2
2
) (
2
1
) (

2
,
unde M[X]=, iar D
2
[X]= . Cnd =0 i =1 , variabila X se numete variabil
aleatoare normal standard (sau redus), iar pentru aceasta F(x) este tabelat.

A.3.4. Repartiia Beta

O variabil aleatoare X urmeaz repartiia Beta de parametri a i b dac are
ensitatea de repartiie

d
( )

1
1 1 b a

=
altfel 0
) 1 , 0 ( ) 1 (
) , (
) (
x x x
b a B
x f ,
unde B(a,b) este funcia beta (funcia lui Euler de spea I)
0 , 0 ,
) ( ) (
) , ( > >
) ( +

= b a
b a
b a B .
b a
Pentru o variabil aleatoare de acest tip,
b a
a
X M
+
= ] [ i
1
1
] [
2
2
+ +
+
=
b a b a
a
X D .

A.4. Procese aleatoare

Fie { } P , ,K un cmp de probabilitate i
} aleatoare variabil : { X X E R = ,
T o mulime oarecare de numere reale. Se numete proces aleatoriu sau proces
stochastic cu mulimea de parametri T o aplicaie E T : .
Considerm c variabilele din E descriu starea unui anumit sistem, iar
mulimea T reprezint timpul. Astfel, un proces aleatoriu reflect evoluia n timp a
unui real sistem dat. Dac mulimea T este finit, procesul aleatoriu este echivalent
cu un vector aleatoriu. Frecvent T=R, T=[0, ) sau T=[0, 1] i se spune c
procesul aleatoriu este cu timp continuu. Dac T=Z sau T=N termenul de
proces aleator se nlocuiete cu cel de lan.

240
Dup cum o variabil aleatoare se consider determinat din punct de vedere
probabilistic atunci cnd i se cunoate funcia de repartiie, pentru definirea unui
ebui cunoscute toate funciile de repartiie finit dimensionale, proces aleatoriu ar tr
adic ( ) N n , ( ) T t t t
n
, ... , ,
2 1
i ( ) R x
n
x x , tre ... , ,
2 1
buie s fie
cunoscute probabilitile
{ } ( )
n t t t n t t t
x x x P x x x F
n n 2 1 2 1

n cele ce urmeaz vom presupune c intervalul de intere
< < < = ) ( ,..., ) ( , ) ( ) ..., , , (
2 1 2 1 ,..., ,
.
s este n timp.
Un proces aleatoriu se numete proces Markov dac pentru ,
( ) N n
( ) ,
n
t t t < < < ...
2 1
i ( ) R a are loc relaia t t t
n
, ... , ,
2 1
T
}) ) ( ) ( ({ )}) ( ),..., ( ), ( ) ( ({
2 1 n n
t B t P t t t B t = P ,
nde ( ) ( ] ( ) [ ) . , sau , , sau , , sau , , = a a a a B . u
Din aceast definiie rezult c procesul dinamic descris de procesul Markov

are o evoluie n viitor care depinde numai de starea precedent i nu de ceea ce s-a
petrecut cu el la momentele
1 2 1
..., , ,
n
t t t .
[ ) E , 0 : Un proces aleatoriu se num
( ) ( )
ete cu creteri independente dac
pentru N n i 0 , ... , ,
2 1

n
t t t cu proprietatea c
n
t t t < < < ...
2 1
,
variabilele aleatoare ) (
1
t , ) (
2
t ) (
1
t , ) ( ) (
2 3
t t ,..., ) ( ) (
1
n n
t t sunt
dependente.
Un proces aleatoriu cu creteri independente i satisfcnd condiia (0)=0 se
numete proces Poisson dac ia numai valori ntregi nenegative i dac pe orice
interval [s,t] , creterile sale urmeaz repartiii Poisson de parametru
in
) ( s t , adic
( )
[ ]
( )
* ) (
,
!
(
) ( ) ( N n
n
s t
e n s t P
n
s t

= =

.
Se poate considera c ) (t nregistreaz numrul de apariii ale unui
eveniment n intervalul de timp [0, t] .
Media i dispersia procesului Poisson sunt t t M = )] ( [ , t t D = )] ( [
2
.
ntr-un proces Poisson probabilitatea apariiei unui eveniment este constant i
lat imediat naintea
son aplicat procesului Poisson d
interval, [0, t] , date fiind:
a) numrul mediu de evenimente pe unitatea de timp, =rata sau intensitatea
procesului,
b) lungimea intervalului, t .
Atunci, probabilitatea apariiei a n evenimente n intervalul [0, t] este
apariia unui eveniment este independent de ceea ce s-a ntmp
observaiei curente. Pot fi considerate procese Poisson: numrul erorilor de tipar
dintr-o carte, ziar etc., numrul pieselor defecte dintr-un lot de fabricaie, vnzrile
ois unui produs etc. Repartiia probabilitii P
probabilitatea numrului de evenimente pe un
!
) (
) , (
n
t e
t n X P
n t

= = .
Anex 241

Notm t m = i atunci m este numrul de evenimente care s-ar produce n
intervalul [ ] t , 0 .
ntr-un proces Poisson este interesant de cunoscut intervalul de timp dintre
dou evenimente succesive. Vrem s tim care este repartiia de probabilitate
pentru aceste intervale. Aceasta este repartiia exponenial.
Pentru m de mai sus pul dintre
dou evenimente s fi ba litatea ca s nu apar
ici un eveniment n intervalul [0,t] . Astfel, repartiia Poisson pentru evenimentele
petrecute pe unitatea de timp i repartiia exponenial a intervalului dintre dou
astfel de evenimente sunt dou modaliti alternative de a descrie acelai lucru. Se
poate spune c numrul de evenimente pe unitatea de timp este repartizat Poisson
cu media pe unitatea de timp, sau c intervalul dintre dou evenimente este
exponenial cu media
m
e t Y P

= > ) ( reprezint probabilitatea ca tim
e mai mare ca t este e
-m
, adic pro bi
n
1
= uniti de timp.

A.5. Teste de concordan
c dac m
sau de
te mai mic diferen u medii, cu
ele s aparin az.
Se numete ipotez statistic orice presupunere cu privire la caracteristicile
nei variabile aleatoare, f de parametrii ce o
determin (Mihil i Pop
Mijloacele de verificare a ipotezelor statistice se numesc teste statistice. Cnd
variabil empiric
cordan.
Afirmaia H
0
: o variabil empiric are o anumit repartiie teoretic este
numit ipoteza H
0
,

iar ipoteza alternativ: H
1
: variabila empiric poate avea
oricare alt repartiie.

Testul pentru verificarea ipotezei nule d o regul de descompunere a spaiului
n-dimensional al seleciilor R
n
(n este volumul seleciei) n dou regiuni
cu i astfel nct da valorile observate
se accept ipoteza H
0
, iar dac se

n practic apare necesitatea comparrii a dou procese tehnologice diferite, a
dou metode de cercetare diferite etc. Este necesar s se cunoas etodele
comparate dau rezultate identice, iar dac nu, care este mai eficace.
o d n statistic iferen semnificativ este aceea care nu poate fi pus pe seama
ntmplrii la un anumit nivel de probabilitate ncredere. De exemplu, cu ct
es a dintre do att este mai mare probabilitatea ca
unei selecii extrase din aceeai colectivitate de b

u a de legea ei de repartitie sau fa
escu, 1978).
ipoteza se refer la natura repartiiei, de exemplu afirmaia c o
are o anumit repartiie teoretic, testul se numete test de con
n
R
1
,
n
R
0

n n n
R R
0 1
= R =
n n
R R
0 1
, c
n
n
R X X X
1 2 1
) ,..., ,
n
n
R X X X
0 2 1
) ,..., , ( (

242
respinge ipoteza H
0
. se numete domeniul critic sau regiunea critic a
stului.
Probabilitile
n
R
0
te
este cnd resping ( ) (
0 0 0 0
H H P H R P
n
= = adevrat)
) fals este cnd accept ( ) (
0 0 1 1
H H P H R P
n
= =
se numesc riscul de genul nti i respectiv riscul de genul al doilea. se mai
numete i prag de semnificaie i de obicei se ia =0.05 .
A.5.1. Etapele verificrii ipotezelor statistice

1. Enunarea ipotezei;
. Se specific i . Pe baza acestora se va determina numrul de observaii
are trebuie fcute pentru a calcula statistica aleas;
. Se determin care valori ale unei anumite statistici, valori ce formeaz regiunea
ritic, determin respingerea ipotezei i care determin acceptarea ipotezei;
4. Se calculeaz valoarea statisticii de selecie;
5. Se accept sau nu ipoteza, dup cum valoarea obinut pentru statistic este n
afara sau n interiorul regiunii critice.

Concordana dintre repartiia empiric i cea teoretic se stabilete cu ajutorul
unui test de concordan.
Se pune problema racordrii unei variabile empirice X la o variabil teoretic X,
, ,
=
) (x
x
X
,
adic se cerceteaz dac irul numeric al frecvenelor absolute empirice N
i
reflect
legitatea ipotetic a variabilei aleatoare teoretice. Rspunsul respectiv este util n
aprecierea caracteristicilor variabilei empirice prin prisma legitii variabilei
teoretice.

Rezolvarea acestei probleme se face n urmtoarele etape :
1. Estimarea parametrilor innd seama de semnificaia pe care ar putea s o aib n
legtur cu caracteristicile repartiiei teoretice;
2. Se construiete variabila pseudoteoretic:
,
fcndu-se astfel legtura ntre variabila empiric X i cea teoretic X.
Determinarea frecvenelor absolute

2
c
3
c
e
=
n
n
e
N N N
x x x
X
L
L
2 1
2 1
N N
n
i
i
=
=1

=
n
n
N N N
x x x
X
L
L
2 1
2 1
~
N N
n
i
i
=
=1

e
( ) n i N
i
, 1 , = se face cu ajutorul funciei
de probabilitate ( ) n i x Nf N
N
N
x f
i i
i
i
, 1 , ) ( ) ( = =
= .
Anex 243

3. Verificarea concordanei dintre reparti i cea teoretic, adic se
stabilete dac diferenele d
ia empiric
intre ( ) n i N N
i i
, 1 , = , sunt datorate ntmplrii,
dic nu sunt semnificative, sau diferenele sunt semnificative i atunci exist o
econcordan ntre repartiia teoretic i cea empiric.

ncordan

nonexhaustiv n populaia chestionat, cnd probabilitile p nu sunt aproape de 0
a
n

A.5.2. Testul de co
2

Acest test este datorat lui K. Pearson care a artat c, n cazul unui sondaj
i
sau 1, iar produsele
i i
Np N = , unde ( ) n i x f p
i i
, 1 , ) ( = = , calculate dup
estimarea parametrilor, nu sunt prea mici ( 5 >
i
N ), atunci
( )
=

=
n
i i
N N
2
2

i i
c
N
1
are repartiia
2
cu k n = 1 , n fiind numrul de valori observate, iar k ,

rul parametrilor num estimai (Vduva, 1977).

servaie. Numrul gradelor de libertate este strns legat de cantitatea de informaie Ob
de care se dispune n cercetarea care se efectueaz. Ea se reflect n volumul n, de
date experimentale, n-1 informaii sunt independente, deoarece N N
i
=
n
i =1
, i se
mai pierde informaie pentru determinarea celor k parametri estimai.
Pentru 30 < i dai se determin
2
din tabela repartiiei
2
,
, 1
k n
( ( )

= >

2
, 1
2
k n
P ) i dac
2
, 1
2

k n c
< , atunci exist concordan, iar dac
2
, 1
2

k n c
nu exist concordan ntre cele dou repartiii.

2 n
dat

A.5.3. Testul Kolmogorov

Acest test de concordan are la baz urmtoarea teorem:

Teorema lui Kolmogorov (Vduva, 1977). Fie X o variabil aleatoare a crei
funcie de repartiie F(x) este continu i X
1
, X , ..., X o selecie efectuat asupra
sa. Fie F
n
(x) funcia de repartiie empiric (sau de selecie) asociat seleciei
e, adic
n
x X lui valorilor rul num
x F
n
i

=

) (
. Atunci
) ( ) 1 ( ) ( ) ( max lim
2 2
2
e
u
x F x F P
k u k
= =
<

u K
n
n
n

.

244
Funcia K(u) se numete funcia lui Kolmogorov i exist tabele cu cuantilele ei.

Pa ipoteza H
0
: Variabila aleatoare X are funcia de repartiie
=
Pa determin u , din tabelele funciei K(u) , astfel
Algoritm pentru aplicarea testului Kolmogorov (Vduva, 1977)
s 1. Se formuleaz
F(x);
Pas 2. Se fixeaz un prag de semnificaie (de exemplu, =0.05 , =0.01 ,
0.025);
s 3. Se

=1 ) (u K ;
Pas 4. Se ordoneaz cresctor
) ( ) 2 ( ) 1 (
...
n
X X X ;
( ) n i X F X F d
i i n i
, 1 , ) ( ) (
) (
= = ; Pas 5. Se calculeaz
Pas 6. Se determin
i
d d = max ;
n i 1
Pas 7. Dac
n
u
d

< , se accept ipoteza H
0
, altfel se respinge. Stop!

Anderson, D. R. , Sweeney, D. J., Williams, Th. A. An Introduction to
Management Science. Quantitative Approaches to Decision Making, ediia a
97.
, Will
West
Be ntrle mes linaires. Ed. Dunod,
Bo ierma
cGrawH
C NPC, Pa
le. Presses Universitaires de France, 1995.
, M., Malia, M. Programare ptratic. Editura tiinific,
B
Fletc f Opti
d Optim
Fu l Me
rationnel
ment S
Io , B. Pro
, Bucuret
K cerce
ii. Edi
progr
Linear and Nonlinear Pro
M a organizrii. Editura Tehnic, Bucureti,
ci specia
1978.
Po aplicate
plicate n
Editura Didactic i Pedagogic, Bucuret
Pr leme de Cercetri Operaionale, Tipografia

BIBLIOGRAFIE

7a. West Publishing Company, 19
Anderson, D. R. , Sweeney, D. J. iams, Th. A., Joseph, D. A. The
Management Scientist, ediia a 7a. Publishing Company, 1998.
rgounioux, M. Optimization et Co des syst
2001.
nini, C. P. , Hausman, W. H., B n, H. Jr. Quantitative Analysis for
Management, ediia a 9a. Irwin M ill, 1997.
ohen, G. Convexite et optimisation, E ris, 2000
Cohen, V. La Recherche Oprationnel
Dragomirescu
ucureti, 1968.
her, R. Practical Methods o mization, vol. 1 Unconstrained
Optimization i vol. 2 Constraine ization. J ohn Wiley & Sons, 1981.
ente, Angel de la. Mathematica thods and Models for Economists,
Cambridge University Press, 2000.
Henry-Labordere, A. Recherche Ope le. Presses de lcole Nationale des
Ponts et Chausses, 1995.
Hsiao, J. C., Cleaver, D.S. Manage cience. Houghton Mifflin Company,
1982.
nescu, H., Dinescu, C., Svulescu bleme ale cercetrii operaionale.
Editura Didactic i Pedagogic i, 1972.
aufmann, A. Metode i modele ale trii operaionale, vol. I, II. Editura
tiinific, Bucureti, 1967.
Lee, A. M. Teoria ateptrii cu aplica tura Tehnic, Bucureti , 1976.
Lange, O. Decizii optimale Bazele amrii. Editura tiinific, Bucureti,
197
Luenberger, D. G.
0.
gramming. AddisonWesley, 1989.
alia, M., Zidroiu, C. Matematic
1971.
Mihil, N., Popescu, O. Matemati le aplicate n economie, Editura
Didactic i Pedagogic, Bucureti,
pescu, O i colectiv. Matematici n economie, Editura Didactic i
Pedagogic, Bucureti, 1997.
Popescu, O i colectiv. Matematici a economie Culegere de probleme,
i, 1996.
eda, V i Bad, M. Culegere de prob
Universitii din Bucureti, 1978.

246
Turban, E., Meredith, J. R. Fundamentals
tefnescu, A.
Vduva, I. Modele de simulare cu calculator
V M
i Pedagogic, Bucureti,
4.
V roblem tare operaional. Editura
Zi scret.
Zi . Editura Te
of Management Science, Ediia a 4a.
Irwin, 1998.
Curs de Cercetri Operaionale, Tipografia Universitii din
Bucureti, 1989.
ul. Editura Tehnic, Bucureti, 1977.
duva, I., Dinescu, C., Svulescu, B.
conducerii produciei, vol. I, II. Editura Didactic
odele matematice ale organizrii i
197
rnceanu, Gh. Gh., Mititelu, t. P e de cerce
Tehnic, Bucureti , 1983.
droiu, C. Programare dinamic di Ed
ucureti , 1983.
itura Tehnic, Bucureti , 1975.
droiu, C. Programare liniar hnic, B

LFA

ma
sen
arbore
de
arboresc
arc
ul ..................... 15, 141, 150
c
ca
c
cic
cic
cic
cli
balansare...................................52
co
co
co
eduse..............................................67
cri
cu
cu
dia
domeniul de admisibilitate........................142
drum............................................................17
rian..................................................20
ec
Kolmogorov Feller..............................161
ecuaiilor de stare......................................180
ev
INDEX A BETIC

abaterea medie ptratic ...........................235
algoritmul
de transport..........................................104
Dijkstra..................................................25
Kruskal ..................................................21
lui Prim..................................................23
simplex..................................................61
simplex dual...........................................88
simplex revizuit.....................................63
Wolfe...................................................125
alternativ ...................................................13
analiza
convergenei
globale..............................................16
locale.................................................16
rginal .............................................215
prospectiv......
retrospectiv.....
.....................................142
....................................142
sibilitii............................................68
..........................................................20
acoperire de lungime minim............20
en...............................................18
al grafului...............................................17
incident..................................................18
baz
dual admisibil.......................................83
primal admisibil ...................................83
Bellman, principi
Bland, regula lui .........................................72
mp complet aditiv...................................231
pacitatea sistemului de ateptare...........159
tigul
parial...................................................143
total ......................................................143
celul ........................................................102
cerere........................................................192
lare.........................................................71
lu..........................................................102
de reaprovizionare...............................194
eulerian..................................................20
hamiltonian............................................20
lu ntr-un graf.........................................20
circuit..........................................................18
eulerian..................................................20
hamiltonian............................................20
eni ........................................................159
coeficieni
de cost redus...................................59, 106
coeficienii funciei obiectiv.................62, 93
condiia de
ndiiile
de nenegativitate....................................50
Kuhn-Tucker..................................49, 125
nul
direciilor admisibile..............................48
tangent....................................................48
stul de co
depozitare.............................................193
lansare..........................................193, 197
stocare..................................................197
stul lipsei de stoc...........................193, 203
costul total.................................................198
costul unitar
al subestimrii.......................................220
al supraestimrii ...................................220
de fabricaie..........................................208
de transport ............................................53
costuri r
teriu de
ieire din baz ..........................61, 90, 107
intrare n baz...........................61, 90, 106
antila inferioar .....................................218
plu de probleme duale.............................82
asimetrice...............................................83
simetrice.................................................83
rare...................................................72 degene
densitate de repartiie................................234
grama activitilor..................................30
dir
disciplina de serviciu................................160
ecie admisibil.......................................48
dispersia variabilei aleatoare.....................235
critic.......................................................30
eule
hamiltonian............................................20
uaiile
de recuren..........................................146
enimentul
il ..............................................231 imposib
sigur .....................................................231

248
fac
FI
sistemul de ateptare...159
for
de repartiie..........................................233
decompozabil
prospectiv........................................143
retrospectiv.....................................143
gama....................................................236
obiectiv..................................................14
pozitiv semidefinit ...............................43
strict concav .........................................44
strict convex.........................................43
grad
exterior...................................................18
interior...................................................18
graf
complet..................................................19
neorientat...............................................19
orientat...................................................17
parial.....................................................18
ponderat.................................................19
simetric..................................................19
simplu conex..........................................20
tare conex...............................................18
indice de lips de stoc...............................205
nfurtoarea convex ...............................42
intensitate de trafic...................................164
intensitatea de trafic..................................175
intensitatea optim de ncrcare a stocului223
intensitatea procesului ..............................238
intensiti de deces....................................161
intensiti de natalitate..............................161
intervalul de control..................................195
inventar .....................................................193
ipotez
alternativ ............................................239
statistic ...............................................239
lagrangean..................................................46
lan..............................................................19
eulerian..................................................20
hamiltonian............................................20
lege de evoluie.........................................142
lema
Farkas-Minkowski .................................48
substituiei..............................................87
lot de reaprovizionare...............................194
cozii...........................................159
lun
lungi
m
.....................................................32
ma
maxim
....................................................45
me
serviciului.............................................159
media variabilei aleatoare.........................234
metoda
celor dou faze.......................................76
colului nord-vest.................................107
costului minim.....................................108
PERT......................................................29
model ....................................................11, 12
de ateptare....................................15, 159
de stocare...............................................15
modelare......................................................11
modele de
simulare................................................183
modele de stocare
cu cerere
continu...........................................195
discret ............................................195
cu mai multe staii ................................195
cu staie................................................195
deterministe..........................................195
dinamice...............................................195
statice...................................................195
stochastice............................................195
momentul lansrii comenzii ......................195
muchiile grafului.........................................19
mulime convex.........................................42
multiplicatorii
lui Lagrange...........................................48
simplex.................................................104
nivel de reaprovizionare............................195
nivelul mediu al stocului...........................199
nod
ascendent................................................18
descendent..............................................18
precedent................................................18
succesor..................................................18
nodurile grafului .........................................17
numrul de clieni din sistem....................159
numrul de staii de serviciu.....................160
numrul mediu al clienilor de la coad....165
numrul mediu de clieni de la coad........181
numrul mediu de clieni din sistem 162, 165,
.....................................................169, 181
tor de serviciu......................................164
FO.........................................................159
fluxul intrrilor n
m ptratic
negativ definit ....................................122
negativ semidefinit.............................122
pozitiv definit.....................................122
pozitiv semidefinit .............................122
funcia lui Kolmogorov............................242
funcie
beta......................................................237
convex..................................................43
lungimea
gimea maxim a cozii ..........................160
mea medie a cozii .............163, 170, 175
rimea optim a comenzii de
reaprovizionare....................................199
marja......
trice triunghiular..................................102
global .....................................................45
local....
canismul
reaprovizionrii ....................................194
Index alfabetic 249

numrul mediu de clieni servii la un
moment dat..........................................169
numrul mediu de servicii ........................176
numrul mediu de staii de servire care
lenevesc...............................................177
numrul mediu de staii n lucru...............181
numrul mediu de staii neocupate...........163
obiectiv.......................................................13
optimizare.............................................13, 14
pivot............................................................62
poligonul soluiilor....................................74
politic ......................................................141
de reaprovizionare...............................195
optim..................................................144
pondere.......................................................20
ponderea arcelor.........................................19
prag de semnificaie..................................240
pre dual......................................................68
pre umbr ...................................................91
probabilitate..............................................231
problem
de decizii..............................................142
cu orizont finit.................................141
cu orizont infinit .............................141
de programare
convex.............................................44
liniar................................................15
ptratic ....................................15, 124
forma canonic...........................124
forma standard...........................126
dual ......................................................81
nedegenerat ..........................................72
primal...................................................81
probleme de stoc
aprovizionare.......................................192
producie...............................................193
proces
aleatoriu...............................................237
cu creteri independente......................238
Markov................................................238
Poisson.................................................238
stochastic......................v. proces aleatoriu
proces de natere i deces.........................160
program
de baz...................................................57
de transport............................................52
degenerat................................................71
optim......................................................57
program liniar.............................................51
forma canonic .......................................55
forma standard.......................................55
programare........................... 14, v. optimizare
cu restricii .............................................14
dinamic ................................................15
far restricii...........................................14
punct admisibil............................................15
punct de extrem...........................................43
punct regulat...............................................47
rata
cererii ...................................................193
ieirilor.................................................193
intrrilor...............................................193
regiunea admisibil.....................................15
regiunea critic a testului ..........................240
regula dreptunghiului ..................................62
repartiia
Beta................................................34, 237
Erlang...........................................218, 236
exponenial.................................164, 236
normal ................................................237
Poisson.................................................236
uniform...............................................235
repartiii Markov.......................................236
restricie
activ......................................................46
inactiv...................................................46
restricii .......................................................13
riscul de genul
al doilea................................................240
nti ......................................................240
rotunjirea rezultatelor................................202
simulare probabilist.................................184
soluie
admisibil.........................................15, 56
de baz ...................................................56
degenerat ..............................................56
global....................................................45
local......................................................45
nedegenerat ..........................................56
optim ..............................................15, 57
starea
final ....................................................142
iniial ..................................................142
staie de servire..........................................159
stoc....................................................192, 193
stoc intangibil....................................197, 215
subgraf ........................................................18
tabel simplex...............................................62
teoria
ateptrii ..............................................159
grafurilor................................................15
test de concordan ...................................239
testul
P
2
P ........................................................241
lui Kolmogorov....................................242
timpul de
ateptare...............................................159

250
avans....................................................195
neocupare a staiilor.............................159
timpul mediu de
ateptare n sistem163, 165, 170, 177, 182
ateptare la coad 163, 165, 170, 177, 182
lenevire................................................163
servire..................................................163
topologia sistemului de servire...................159
traiectoria optim......................................144
vrf
adiacent..................................................18
al grafului...............................................19
variabil
aleatoare...............................................232
normal standard.............................237
artificial ................................................76
ecart........................................................56
variabile
de decizie...............................................12
externe....................................................12
intermediare...........................................13
vector de
decizie..................................................141
stare......................................................141

ConI. univ. dr. Romic 1randafir,
membru al catedrei de Matematic-
InIormatic din Universitatea Tehnic de
Construcii din Bucureti, este absolvent al
Facultii de Matematic a Universitii din
Bucureti, promoia 1974 i doctor n
matematici din anul 1994. DesIoar o
susinut activitate de cercetare n domeniul
matematicilor aplicate. Cercetrile sale,
materializate ntr-un numr semniIicativ de
articole publicate n reviste interne i
internaionale, abordeaz teme privind
modelarea stochastic, teoria inIormaiei i
analiza numeric. Este coautor al monograIiei Ba:ele Anali:ei
Numerice, Editura Printech, 2001.
Lucrarea conine modele i algoritmi pentru optimizarea
activitilor economice, elemente de teoria graIurilor, programare
convex, liniar, ptratic i dinamic, problema de transport, modele
de ateptare i de stocuri, Iiind util cercettorilor din domeniu,
inginerilor, economitilor, precum i studenilor de la Iacultile
tehnice i economice.
MODELE I ALGORITMI
DE OPTIMIZARE
9 7 8 9 7 3 8 4 6 6 7 6 0
I SBN 9 7 3 - 8 4 6 6 - 7 6 - 8

Modele Şi Algoritmi

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Modele Şi Algoritmi

Transféré par

Droits d'auteur :

Formats disponibles

Lditura AGIR

a implic i costuri suplimen

b) S se traseze diagrama grafului asociat. Care este lungimea medie a drumului

x din Definiia 3.1 se numete combinaia liniar

, ceea ce R este x arat c convex.

Modele i algoritmi de optimizare

atunci baza B este i primal admisibil i

in resursa i care se consum n procesul de

din restricia suplimentar

suficient de mare astfel nct 4M <0 . Se obine o

+3x +2x +1.5x }

Modele i algoritmi de optimizare

Modele i algoritmi de optimizare

>0, atunci forma ptratic este nedefinit.

= = x , i=1,2,3 i s rescriem vectorii x i v sub forma

A i atunci putem scrie relaiile de mai sus sub forma

( ) 1 1..., , = e are optim

Deoarece coeficienii variabilelor

c d onstituie toria optim.

preuri i cantiti) are restriciile :

7. Programare dinamic 159

= se numete intensitate de trafic sau factor de serviciu. El

timpul mediu de ateptare la coad

Modele i algoritmi de optimizare

pentru evitarea supraaglomerrii.

i astfel este suficient un singur punct de ncrcare.

, adic c=3 . Modelul de

9. Elemente de teoria stocurilor 199

Costul minim pe unitatea de timp este

. Costul de achiziie devine 02 . 0 9600 9600 = 9408 = . n acest

, unde N(Z) este

9. Elemente de teoria stocurilor 225

ate s fie S=constant,

Deoarece numrul maxim de cereri ce se pot real

Soluia pentru cazul staionar n funcie de

K , () I , I familie de indici cel mult

cu k n = 1 , n fiind numrul de valori observate, iar k ,

Vous aimerez peut-être aussi