You are on page 1of 10

este

Metoda
pot fisimulata
macromodele
modelarii
pe
si
calculatorul
proceselor
micromodele.
biologice,
electronic,
Subiecte dezvoltate
rezultatele
tehnice si economice
simularii fiind
a
confruntate
aparut
Macromodelele
cucudatele
utilizarea
sunt mai
Modelul odata
structurii
optime
a
culturilor vegetale
procesului
calculatoarelor
apropiate
de
modelat.
procesul
electronice
modelat
darinsimularea
a doua
Parti componente ale
Principalele
jumatate
lor
comporta
a
secolului
avantaje
un
mareXX.
ale
modelului de optimizare
Sorescu Mihail Sorin
modelarii
volum de si
calcul.
simularii
Un
Modelul liniar al structurii optime a
Implementarea
metodei
Grupa: ./ I.D.
sunt
Un
macromodel
model
posibilitatile
schematizeaza
se poate
de
culturilor
vegetale.
simplex
analiza
un
simplifica
proces
si sinteza
complex,
sub forma
ale
procesului
retinand
unui micromodel
trasaturile
modelat
in
FACULTATEA DE MANAGEMENT, INGINERIE ECONOMIC N AGRICULTUR I DEZVOLTARE RURAL
precum
considerate
scopul usurarii
si prognoza
esentiale
simularii
din
evolutiei
punctul
cu pretulde
sale.
indepartarii
vedere
In functie
al de
Un model schematizeaza un proces
de
modelatorului.
procesul
gradulmodelat.
de Structura
Arta
complex, retinand trasaturile
schematizare,
si
modelarii
evolutiasimodelului
simularii
modelele
considerate esentiale din punctul de
consta tocmai in
vedere al modelatorului. Structura si
evolutia modelului este simulata pe
calculatorul electronic, rezultatele

Modele liniare de optimizare in productia


agricola

Cuprins
Modele liniare

Parti componente ale


modelului

1-2

Modelul structurii
optime a culturilor vegetale
2-3
Elaborarea
micromodelului structurii
optime a culturilor

3-4

Etapele algoritmului simplex


4-6

Parti componente ale modelului de


optimizare

contin
necunoscutele
X1,
Un sistem
model
de valori
optimizare
modelul
polinomial
este
.,X
are can,parti
componente:
pozitive
neliniar.
pentru
X1,
Membrul
doi
al
fiecarei
.,Xn care satisfac
restrictii
1) Necunoscutele
restrictiile,
Un
modeleste
polinomial
se limita
numeste
resursei
la
care
se
(variabilele)
modelului
solutie
neliniarposibila
des intalnit
iarrefera
acele
este
restrictia.
Daca
toate
notate posibile
cupolinomial
X
1,.,X
n care
solutii
modelul
care
restrictiile
sunt numere
optimizeaza
patratic
cumodelului
restrictii
oreale
functiesunt
ecuatii,
el
se a1fisi
pozitive ce
urmeaza
obiectiv,
polinoame
sede
numesc
gradul
numeste
modelinstandard.
determinate.
solutii
functiile-obiectiv
optime
raport
Orice
model
de
Exista
modele
in
caredoi.
cu
polinoame
acea functie.
de gradul
optimizare
poate
adus n,
necunoscutele
X1fi,.,X
la
forma
standard
prin
sunt
numere
intregi
Daca restrictiile si
adaugarea
membrul
pozitive (delaexemplu
functiile-obiectiv
ale
intai
al
restrictiilor
sau

efective
de
animale)
modelului sunt
si
, =valori
a unor
variabile
chiar
binare
(0 sau
Daca
modelul
de
de
egalizare nenegative
Cunoasterea
solutiilor
si prin scaderea din
bazice optime
membrul
intai permite
al

1) (de exemplu
polinoame
cu utilizarea
(1) sau neutilizarea
(0) a
necunoscutele
modelul
unei
masini
agricole
sau
se numeste polinomial
a unei
tehnologii);
sau
algebric
in caz in
aceste
cazuri
avem
contrar modelul
se
modele de
optimizare cu
numeste
nepolinomial
variabile
intregi
sau
transcendent.
respectiv
modele
de
Daca
intr-un
model
optimizare cu
variabile
polinomial,
polinoamele
bivalente.
din
restrictii si din
functiile-obiectiv au
2) Restrictiile
gradul
1, modelul
(constrangerile)
polinomial
se numeste
modelului
care
sunt m
liniar, in caz contrar
inecuatii sau ecuatii care

gasirea oricarei solutii


optime. modelele liniare
au o singura solutie
optima care este
obligatoriu bazica.
Numarul solutiilor bazice
este cel mult:

Parti componente ale modelului de


optimizare

In realitate,
timpul
1)
necontradictorii
schimba
(sa
existecoeficientii
macar o solutie
constanti ai modelului
posibila);
(stocuri de resurse,
costuri independente
ale resurselor,
2)
preturile
de vanzare
ale
(sa
nu rezulte
unele din
produselor) ceea ce
altele).
necesita reoptimizarea
modelului
raport cu
In
acest cazinmodelul
de
aceste
schimbari.
optimizare se numeste
coerent. Cu cat numarul
de caracterul
mInalfunctie
restrictiilor
marimilor este
caremai
intervin
modelului
mare,
in atat
modele,
acestea pot fi
cu
pericolul
deterministe si
(cu/ sau
marimi
contradictiei
precise valoric)
sau
dependentei
restrictiilor
aleatoare
partemai
saugreu
creste
decioeste
toate
marimile
de
elaborat
un au valori
probabile cum
sunt cele
macromodel
coerent
legateun
demicromodel
natura:
decat
precipitatii, clima,
coerent.
calamitati, etc. Cele mai
multe macromodele
Modelele
elaborate ladeun
optimizare
au fost
moment
datcare
se numesc
elaborate pentru
statice.
agicultura, se impart in
doua clase:

I. Modele de structura
optima pentru:
a) culturi agricole anuale
sau perene;
b) rase si grupe de
animale;
c) furaje grupate in ratii
furajere;
d) ramuri vegetale /
animale in cadrul fermei.
II. Modele de
repartitie optima
pentru:
a) rotatia culturilor;
b) alocare resurse (forta
de munca, masini,
tehnologii, energie,
ingrasaminte, apa,
investitii);

In toate aceste etape sunt necesare urmatoarele


Precizam
resurse: ca resursele financiare acopera
cheltuielile cu resursele a) - f) si alte cheltuieli
precum
si impozite, asigurari, etc. Dintre
a) Fortataxe
de munca
resursele precedente, ierbicidele si
insectofungicidele
b) Forta mecanica fiind specifice fiecarei
culturi,Modelul
s-au exprimatstructurii
in lei.
optime a culturilor vegetale
c) Energie (motorina, curent electric, uleiuriDiferitele forme de energie au urmatoarele
lubrifianti)
unitati de masura:
motorina
se insectofungicide
exprima in litri(l)
d)
Ierbicide,
curentul electric se exprima in kilowati ora
(kwh)
e) Ingrasaminte chimice / organice
continutul energetic brut al produselor
agricole
exprima in unitati nutritive (UN)
f) Apa deseirigatie
1g)litru
motorina
= 10.15 Mcal
Resurse
financiare

Datele necesare pentru elaborarea micromodelului structurii optime a culturilor

V. Optim conditionat
baza cu
datelor din
(Venit Pe
maxim
tabelul
cheltuieli
date)alaturat vom
elabora 6 modele liniare
de optimizare
a structurii
VI. Optim
conditionat
culturilor
dupa
(Cheltuieli
minime
cucum
urmeaza:
venit dat)
I. Optim tehnic (Venit
maxim)
II. Optim tehnic
(Cheltuieli minime)
III.
Optim
economic
Profitul
(P)este
diferenta
(Profit
maxim)
intre venit si cheltuieli iar
rata profitului (R) este
IV.
Optim
economic
raportul
intre
profit si
(Rata
profitului maxima)
cheltuieli.
P = V C;

M = 13 restrictii si P =4
variabilele proprii
respectiv L = 7, E = 1 SI
G=5,
rezulta :

Cautarea exhaustiva a
solutiei bazice optime
este laborioasa, de aceea
a fost elaborata o metoda
mai rapida de optimizare
numita metoda simplex.

M = 13 restrictii si P = 4 Aceasta metoda pleaca


variabilele proprii x1, x2, de la o solutie bazica
O xsolutie
admisibila a
initiala pe care o
3, x4.
problemei se poate
schimba cu una mai buna
obtine
considerand
x
=
1
Modele liniare de
(pentru care functia se
x2 optimizare
= x3 = 0 se scriu din apropie de optimul ei),
punct de vedere
pe aceasta o schimba cu
matematic sub forma de una mai buna, etc. pana
inecuatii / ecuatii in
se ajunge la o solutie
ordinea , = , bazica optima.
cu variabile
(necunoscute) nenegative Prin aceasta se evita
si functie-obiectiv
inspectarea solutiilor
bazice
putin bune
Metoda simplex
solutiemai
admisibila
de ca Observam ca problema
solutia
bazica
initiala;
in este n forma standard
Algoritmul simplex este baza si
plus la trecerea de la o (problema este de
o metoda analitica
Fie L numarul de
restrictiilor se
, E construiesc
numarul restrictiilor alte
, Gsolutii
numarul restrictiilor
solutie
bazica la = alta
mai maxim, toate inegalitatile
deci avem M = L+E+G restrictii asezate in ordinea de mai sus. N este numarul
determinare
a solutiei
derespectiv.
baza astfel nct
variabilelor
proprii ale modelului
sunt
unei probleme de
valoarea functiei obiectiv ).
programa liniara.
creste catre valoarea
Introducem variabilele
Algoritmul simplex
optima.
de compensare y1, y2, y3
este o metoda iterativa n Vom prezenta aceasta
0 pentru a transforma
care se pleaca de la o
metoda mai ntai pe un toate inegalitatile n
exemplu concret.
egalitati:

probleme
1.
variabilelor
Se determina
maxima
este auxiliare
datao de
suplimentare)
solutie
din functia
admisibila
obiectiv
elementul
din
prima
Daca
solutia
nu
(prin
sunt
negativi).
introducerea
linie a coloanei este optima,
determinam
care intra
variabilelor
Valori,
dar variabila
cu
n
baza
(variabila
cu
cel
mai
2.
suplimentare
Se determina
,
semn
schimbat,y 1daca
coecientpozitiv
din functia
solutia
y 2 , mare
. . . gasita
SAU
prin
este
valorile
variabilelor
obiectiv)
si
variabila
care
iese din
optima
rezolvareaunei
(daca
toti de
de
bazaEtapele
ind date
De simplex
unde obtinem :
algoritmului
baza
(formam
rapoartele
ntre
coecientii
Daca DA,
atunci
ultima
coloana
a ne
termenii
coloaneiind
Valori si cei
oprim:
valoarea
tabelului,
restul
ai coloanei variabilei ce va intra
n baza, care sunt pozitivi, si
alegem cea mai mica valoare.
si deci valoarea maxima care o
Metoda / algoritmul Simplex
poate lua x1 este x1 = 4 (data de
esteLinia
o metoda
iterativ a n care este linia
corespunzatoare
cea de-a treia inegalitate).
variabilei
ce
iese
din
baza).
se pleaca de la o solutie
Pivotul este elementul situat n
admisibila
de baz
a si
coloana
variabilei
ce intra n
baza si n linia variabilei ce iese
se construiesc alte solutii de
din baza.
baza astfel nct valoarea

Deoarece observam ca marind


putin valoarea x1 = 0, valoarea
valoarea
optima.
functiei
obiectiv = 60x1 + 30x2
+ 20x3 va creste (si deci valoarea
nu este maxima). Acelasi lucru se
observa si pentru x2 si x3.

A treia inegalitate se refera la y3,


ceea ce ne arata ca y3 va deveni o
variabila auxiliara (cu valoarea y3
= 0, deoarece x1 = 4), iar x1 va
deveni o variabila de baza cu
valoarea x1 = 4.

n general, solutia gasita NU


ESTE OPTIMA daca coecientii
variabilelor auxiliare n functia
obiectiv sunt numere pozitive (n
cazul de fata, acesti coecienti
sunt 60, 30 si respectiv 20).

A treia etapa pentru continuarea


procedeului este sa rescriem
membrul drept al functiei
obiectiv si al egalitatilor n
functie de variabilele auxiliare,
adica n functie de x2, x3 si y1.

Alegem asadar variabila x1 ca si


variabila care va intra n baza
(deoarece coecientul ei este 60,
si deci va produce o crestere mai
rapida a functiei obiectiv).

Pentru aceasta, rezolvam a treia


ecuatie n functie de x1, iar apoi
eliminam variabila x1 din restul
ecuatiilor si din functia obiectiv
folosind aceasta ecuatie.

functiei obiectiv creste catre

A doua etapa este urmatoarea: cu


ct putem mari valoarea variabilei
ce va intra n baza?
Sa observam ca deoarece
y1, y2, y3 0 si x2 = x3 = 0,
conditiile de mai sus ne arata ca
trebuie sa avem:
Repetnd acum pasii 1 3 de

Putem simplica calculul


de mai sus procednd n
felul urmator :

Se poate verica usor ca procedeul


indicat pentru etapa a treia de mai
sus revine la:

Aranjam coecientii
functiei obiectiv si ai
restrictiilor date ntr-un
tabel, n care pe prima
linie apar coecientii din
functia obiectiv, iar pe
liniile urmatoare apar
ecuatiile, pe care le
rescriem trecand n
membrul stang
necunoscutele problemei.
n prima coloana apar
coecientii lui x1, n
adoua coloana coecientii
lui x2, samd. Obtinem
astfel urmatorul tabel:

linia pivotului se mparte la


pivot
toate numerele din coloana
pivotului, cu exceptia pivotului,
devin 0
restul numerelor din tablou se
modica dupa regula
dreptunghiului,
dupa cum urmeaza:
pentru a determina noua valoare a
unui numar, se considera cele patru
numere aate n colturile
dreptunghiului avnd diagonala
formata de pivot si de numarul
ales.
Noua valoare a numarului se
determina astfel:
se scade din vechea valoarea a
numarului produsul numerelor de
pe cealalta diagonala a
dreptunghiului (cea care nu contine
pivotul) mpartit la pivot.

pentru a determina care


variabila va intra n baza,
alegem din linia 1 (functia
obiectiv a
problemei) variabila
auxiliara avnd cel mai
mare coecient pozitiv,
adica x1.
Pentru determina care
variabila va iesi din baza,
formam rapoartele ntre
termenii coloanei Valori
si cei ai coloanei lui x1
(variabila ce va intra
nbaza), pentru care
coecientul respectiv este
strict pozitiv, si l alegem
pe cel mai mic.

Procednd astfel, obtinem al doilea


tabel (a doua etapa din algoritmul
simplex):

n continuare, pentru a determina


daca solutia este optima, se
determina daca coecientii din
functia obiectiv
(prima linie a tabelului) ai vreuneia
din variabilele auxiliare este
pozitiv. Daca da, atunci solutia

Variabilele auxiliare sunt x2, y2, y3, toate avnd coecienti negativi in functia
obiectiv (prima linie a tabelului), si deci solutia gasita este optima.
Valoarea optima este = 280 (coloana Valori, prima linie, dar cu semn

Powered by http://www.e-referate.ro/
Adevaratul tau prieten