04.pdf
(
142 KB
)
Pobierz
Badania operacyjne
dr inż. W. Zalewski
Badania operacyjne
dr inż. W. Zalewski
Zagadnienie optymalnego przydziału
OPTYMALIZACJA DYSKRETNA
Na wydziale produkcyjnym jest
n
maszyn i
n
obsługujących je
pracowników. Znana jest wydajność
w
ij
każdego pracownika na każdej
maszynie (tablica 1).
Zagadnienie decyzyjne, w którym chociaż jedna zmienna decyzyjna
przyjmuje wartości dyskretne, nazywamy
dyskretnym zagadnieniem
decyzyjnym.
w
ij
R
1
R
2
R
j
R
n
śród zadań
dyskretnego programowania liniowego
można
M
1
w
11
w
12
w
1j
w
1n
wyróżnić trzy grupy:
É
zadania
programowania liniowego całkowitoliczbowego
– wszystkie
zmienne są liczbami całkowitymi;
É
zadania
programowania liniowego binarnego
– wszystkie zmienne są
liczbami binarnymi {0, 1};
É
zadania
programowania liniowego mieszanego
– część zmiennych
jest ciągła, część zmiennych to liczby całkowite lub binarne.
M
2
w
21
w
22
w
2j
w
2n
M
i
w
i1
w
i2
w
ij
w
in
M
n
w
n1
w
n2
w
nj
w
nn
Należy ustalić taki przydział robotników do poszczególnych maszyn,
aby łączna wydajność całego zespołu była maksymalna.
Model matematyczny
Zmienne decyzyjne:
x
2
1
jeżeli j-ty pracownik został przydzielony do i-tej maszyny,
w przypadku przeciwnym
x
ij
0
Funkcja celu:
x
0
n
n
∑ ∑
=
w
x
max
ij
ij
i
1
j
1
f(x)→max
Warunki:
n
∑
=
x
1
(i = 1, 2, ..., n)
ij
j
1
n
∑
=
x
1
(j = 1, 2, ..., n)
ij
x
1
i
1
1
x
ij
(i = 1, 2, ..., n; j = 1, 2, ..., n)
0
31
32
HACKED BY VIPER :)
Badania operacyjne
dr inż. W. Zalewski
Badania operacyjne
dr inż. W. Zalewski
Metoda podziału i ograniczeń
Podzbiory, które uległy podziałowi, nazywamy
podzbiorami biernymi.
Podzbiory, które nie zostały jeszcze podzielone, nazywamy
podzbiorami aktywnymi
. Dzielimy je na:
É
podzbiory otwarte, które mogą ulec podziałowi,
É
podzbiory zamknięte, które nie ulegają podziałowi.
Zadanie:
Należy znaleźć takie rozwiązanie x*, aby:
*
D,
f(x*) = max {f(x)
x
D}
lub
Funkcja ograniczająca
Funkcję
w
określoną na rodzinie 2
D
podzbiorów zbioru D nazywamy
funkcją ograniczającą
, jeżeli spełnia ona następujące warunki:
*
D,
f(x*) = min {f(x)
x
D}
Jeżeli zbiór rozwiązań dopuszczalnych jest niewielki, to najprościej
jest zastosować przegląd zupełny tego zbioru, czyli:
É
wygenerować wszystkie jego elementy (rozwiązania),
É
ustalić wartość funkcji celu f(x) dla każdego rozwiązania,
É
wybrać rozwiązanie optymalne.
dla zadania na max
dla zadania na min
É
x
D
1
D
f(x)
w
(D
1
),
f(x)
w
(D
1
),
É
D
2
D
1
D
w
(D
2
)
w
(D
1
),
w
(D
2
)
w
(D
1
),
É
D
1
= {x}
D
w
(D
1
) = f(x),
w
(D
1
) = f(x),
Wartości, jakie przyjmuje funkcja ograniczająca
w
dla poszczególnych
podzbiorów zbioru D, nazywamy ich
kresami górnymi
(dolnymi).
Podział zbioru D
Zbiór D dzielimy na mniejsze podzbiory, dla których liczymy:
É
kres górny w zadaniu na maksimum (oszacowanie z góry wartości
funkcji celu dla rozwiązań należących do danego podzbioru);
É
kres dolny w zadaniu na minimum (oszacowanie z dołu wartości
funkcji celu dla rozwiązań należących do danego podzbioru);
Warunek pierwszy oznacza, że kres górny zbioru D
1
nie może być
mniejszy od maksymalnej wartości funkcji celu dla rozwiązań należących
do tego podzbioru.
Warunek drugi określa kres górny zbioru D
2
, będącego podzbiorem
zbioru D
1
, który nie może być większy od kresu górnego zbioru D
1
.
Warunek trzeci oznacza, że jeżeli zbiór D
1
jest zbiorem
jednoelementowym, to kres górny tego zbioru musi być równy wartości
funkcji celu dla tego elementu.
Następnie wybieramy podzbiór perspektywiczny o
maksymalnym
(minimalnym)
kresie górnym
(dolnym) oraz dokonujemy jego podziału,
jeżeli jest to możliwe i celowe.
33
34
HACKED BY VIPER :)
Badania operacyjne
dr inż. W. Zalewski
Badania operacyjne
dr inż. W. Zalewski
Wybór podzbioru perspektywicznego
Niech G
r
będzie zbiorem wszystkich podzbiorów aktywnych w
r
-tym
kroku obliczeń. Zbiorem perspektywicznym w
r
-tym kroku jest taki zbiór
D
p
, dla którego:
Zadanie programowania liniowego całkowitoliczbowego (PLC)
cx
max
Ax
b
x
– wektor całkowitoliczbowy
Rozwiązujemy to zadanie pomijając warunek całkowitoliczbowości.
Jeżeli nie istnieje rozwiązanie optymalne to nie ma go również PLC. Jeżeli
rozwiązanie optymalne nie jest całkowitoliczbowe, to stosujemy metodę
podziału i ograniczeń.
Oznaczmy przez:
w(D
p
) = max {w(D
l
)
D
l
G
r
} dla zadań na maksimum,
w(D
p
) = min {w(D
l
)
D
l
G
r
} dla zadań na minimum.
Jeżeli znajdziemy taki podzbiór D
k
i związane z nim rozwiązanie x
k
, że
w(D
k
) = f(x
k
),
to zbiór D
k
zamykamy, gdyż nie zawiera on lepszego rozwiązania od x
k
,
a element x
k
nazywamy rozwiązaniem lokalnie najlepszym.
Proces podziału zbioru D kontynuujemy do momentu,
gdy znajdziemy
podzbiór perspektywiczny zamknięty
. Wynika to
z następującego twierdzenia:
k
D
k
PL
–
zbiór rozwiązań dopuszczalnych zadania PL,
D
–
zbiór rozwiązań dopuszczalnych zadania PLC,
0
– wartość funkcji celu dla rozwiązania optymalnego zadania PL,
N(x
0
) –
największą liczbę całkowitą nie większą od x
0
,
D
PL
= {
x
Ax
b
,
x
0
},
D = {
x
x
D
PL
,
x
– wektor całkowitoliczbowy}
Twierdzenie
Jeżeli podzbiorem perspektywicznym jest podzbiór zamknięty D
p
z elementem najlepszym x*, to x* jest optymalnym rozwiązaniem zadania.
Optymalność rozwiązania x* dla zadania (na maksimum) wynika
z następujących zależności:
D
D
PL
,
max {
cx
x
D}
x
0
= max {
cx
x
D
PL
}.
Dla każdego podzbioru D
l
kres górny ustalamy zgodnie ze wzorem:
l
0
jeżeli wektor wag
c
nie jest całkowitoliczbowy
x
w
D
l
N
x
l
0
jeżeli wektor wag
c
jest całkowitoliczbowy
f(x*) = w(D
p
) = max{w(D
l
)
D
1
G
r
}
Zbiór D
l
zamykamy, jeżeli:
É
rozwiązanie optymalne zadania PL
l
jest całkowitoliczbowe – wtedy
w(D
l
) =
cx
l
,
É
zbiór rozwiązań dopuszczalnych D
PL
zadania PL
l
jest pusty – wtedy
ponadto:
f(x*)
max{f(x)
x
D
l
},
tym samym:
D},
czyli x* jest rozwiązaniem optymalnym.
f(x*)
max{f(x)
x
umownie przyjmujemy, że w(D
l
) = -
35
36
HACKED BY VIPER :)
Badania operacyjne
dr inż. W. Zalewski
Badania operacyjne
dr inż. W. Zalewski
Zadanie nieliniowe o postaci standardowej
OPTYMALIZACJA NIELINIOWA
Wszystkie ograniczenia w postaci równości.
Zagadnienie decyzyjne, w którym chociaż jeden z warunków
ograniczających lub funkcja celu jest funkcją nieliniową, nazywamy
nieliniowym zagadnieniem decyzyjnym.
Metoda mnożników Lagrange’a.
Należy sprawdzić, czy funkcja celu f(
x
) ma ekstremum
bezwarunkowe i czy spełnia ono warunki ograniczające. Warunkiem
wystarczającym na istnienie minimum funkcji f(
x
) w punkcie
x
= (x
1
, x
2
,
..., x
n
) jest to, aby wyznacznik macierzy utworzonej z pochodnych
cząstkowych drugiego rzędu funkcji f w tym punkcie był dodatni, oraz aby
wartości wszystkich minorów głównych tej macierzy (w punktach
stacjonarnych) były dodatnie.
Ogół metod optymalizacji nieliniowej można podzielić na
następujące grupy:
É
metody linearyzacji (sprowadzenia do postaci liniowej) zadań
programowania nieliniowego,
É
liniowe metody aproksymacyjne,
É
metody kierunków dopuszczalnych,
É
metody aproksymacji kwadratowej,
É
bezpośrednie metody poszukujące,
É
metody przekształcenia zadań nieliniowych w ciąg zadań bez
ograniczeń lub z nielicznymi ograniczeniami.
2
f
2
f
2
f
3
x
2
1
x
x
x
x
2
1
n
1
2
f
2
f
2
f
3
det
B
det
0
2
2
x
x
x
x
x
1
2
n
2
4
4
6
4
2
f
2
f
2
f
3
x
x
x
x
2
n
x
1
n
2
n
Jeżeli ekstremum bezwarunkowe spełnia warunki ograniczające jest to
rozwiązanie optymalne.
Postać zadania programowania nieliniowego:
f(
x
)
ax
f(
x
)
min
Jeżeli ekstremum bezwarunkowe nie spełnia ograniczeń, funkcję celu
przekształcamy w funkcję Lagrange’a:
i
(
x
)
0 (i = 1, 2, ..., m)
g
i
(
x
)
0 (i = 1, 2, ..., m)
i
(
x
) = 0 (i = m+1, ..., r)
g
i
(
x
) = 0 (i = m+1, ..., r)
r
∑
=
( )
( )
L
x
,
f
x
i
g
x
1
, x
2
, ..., x
n
0
i
i
1
gdzie
i
są nieoznaczonymi mnożnikami Lagrange’a.
Następnie szukamy ekstremum bezwarunkowego zmienionej funkcji celu,
które jest rozwiązaniem optymalnym.
37
38
HACKED BY VIPER :)
Badania operacyjne
dr inż. W. Zalewski
Badania operacyjne
dr inż. W. Zalewski
Zadanie nieliniowe o postaci kanonicznej
Dokonując podstawień:
Wszystkie ograniczenia w postaci nierówności.
( )
( )
g
x
f
x
r
∑
=
i
v
i
j
Twierdzenie Kuhna – Tuckera.
x
x
i
1
j
j
Dla zadania w formie:
oraz
g
i
(
x
) = w
i
f(x
1
, x
2
, ..., x
n
)
min
i
(x
1
, x
2
, ..., x
n
)
0 (i = 1, 2, ..., r)
otrzymamy:
1
, x
2
, ..., x
n
0
( )
( )
L
f
x
r
g
x
∑
=
i
v
0
(j = 1, 2, ..., n)
r
i
j
x
x
x
∑
=
( )
( )
L
f
x
i
g
x
gdy
i
1
j
j
j
i
i
1
( )
( )
n
L
n
f
x
r
g
x
n
i
x
x
v
x
0
j
i
j
j
j
x
x
x
j
1
j
1
i
1
j
1
j
j
j
warunki Kuhna – Tuckera mają postać:
( )
i
(
x
) + w
i
= 0
(i = 1, 2, ..., r)
( )
x
L
f
x
r
g
∑
=
i
0
(j = 1, 2, ..., n)
i
x
x
x
i
1
j
j
j
r
∑
=
w
0
i
i
( )
( )
n
L
n
f
x
r
g
x
i
1
x
i
x
0
j
i
j
x
x
x
j
1
j
1
i
1
j
j
j
j
0
(j = 1, 2, ..., n)
i
(
x
)
0
(i = 1, 2, ..., r)
i
0
(i = 1, 2, ..., r)
r
∑
=
( )
g
x
0
i
i
i
1
j
0
(j = 1, 2, ..., n)
i
0
(i = 1, 2, ..., r)
W zadaniach postaci f(
x
)
max,
i
(
x
)
0
w warunkach
i
należy zmienić kierunki nierówności.
39
40
HACKED BY VIPER :)
Plik z chomika:
luthien656
Inne pliki z tego folderu:
01.pdf
(218 KB)
02.pdf
(133 KB)
03.pdf
(136 KB)
04.pdf
(142 KB)
05.pdf
(135 KB)
Inne foldery tego chomika:
geografia gospodarcza
rachunkowość
Zgłoś jeśli
naruszono regulamin