Professional Documents
Culture Documents
İçerik:
1 Giriş
Yöneylem araştırmasının doğuşu
Yöneylem araştırmasının gelişimi ve uygulama alanları
2 Doğrusal programlama
Formülasyon ve grafik çözüm
Simplex yöntemi
Simplex yönteminin dejenere olması durumu
Dualite
3 Ulaşım Modelleri
Genel ulaşım problemi
Ulaşım problemlerinin çözümü
Ulaşım problemlerinin dejenere olması durumu
4 Ağ modelleri
En kısa yol problemi ve en kısa yol algoritması
Maksimum akış problemi
5 Tam sayılı programlama
6 Dinamik programlama
7 Karar teorisi
8 Oyun teorisi
İki kişili sıfır toplamlı oyunlarda optimum çözüm
Karma stratejiler
9 Proje planlama teknikleri
CPM ve PERT yöntemleri
Aktivite sürelerinin tahmini
Krıtik yolun bulunması
10 Kuyruk modelleri
11 Simülasyon
Kaynaklar:
Operations Research, Hamdy A.Taha,1992
Operations Research,F.S. Hillier,G.J.Lieberman,1967
Quantitative Approaches to Management,R.I.Levin,D.S.Rubin,J.P.Stinson,1986
BÖLÜM 1
GİRİŞ
1
Yöneylem araştırmasının doğuşu
2
Kısaca YA nın konusu ,yaklaşımı ve amacı şu şekilde verilebilir ;
YA nın yaklaşımı : Sistemi bütünüyle ele alarak farklı disiplinlerden oluşan ekiple
bilimsel yöntemi izlemektir.
YA Model Yaklaşımı
Burada yapılacak ilk iş ele alınan sistemi iyi tanımlayarak problemin değişkenlerini
saptamak ,bunların organizasyonun diğer birimleriyle olan ilişkilerini göz önüne alarak
problemin çerçevesini oluşturmaktır.Yöneylem araştırmacısı (veya grubu) karar verici
durumunda olan yöneticilere danışarak probleme doğru cevap arayacaktır.Yönetimin
3
tavsiyeleriyle ayrıntılı bir teknik analiz yapılıp,işletmenin amacı,politikası ,kaynakları
araştırılarak bir rapor oluşturulacaktır.Yönetimin amacını(amaçlarını) kesin olarak tespit
etmesi doğru cevabın bulunması açısından gereklidir.Örneğin kar etme amacı öncelikli
olan bir kuruluş uzun dönem kar maksimizasyonunu yegane amacı olarak
bemimseyebilir.Ancak yapılan araştırmalar birçok işletmenin diğer amaçları yanında
güvenli kar hedefini benimsediğini göstermektedir.Bir çok işletme de tek amacın kar
olmadığını, pazardaki payını yükseltmek, karın devamlılığı,çalışanların morallerinin
yükseltilmesi, işletmenin prestijinin yükseltilmesi, sabit fiyatlar gibi tipik amacların da
hedeflenebileceğini savunmaktadır.Dolayısıyla YA çalışmasının başlangıcında bu
hedeflerin tespit edilip yönetim tarafından bildirilmesi gerekmektedir.
Modelin çözümünden sonra dikkat edilmesi gereken nokta çözümün ne denli güvenilir
olduğudur.Modeli kurarken yapılan bir hata çözümün tüm aşamalarına
yansıyabilir.Çözüm bulunduktan sonra modelin tamamını değerlendirerek,sonucun
modelin gerçek olarak uygulanabileceğini kanıtlaması gerekir.Probleme ait model
yeniden gözden geçirilir ve bir hata olup olmadığı araştırılır. Bir diğer yararlı test etme
şekli de matematik ifadelerin kullanıldıkları birimlerdeki doğruluklarıdır.Modelin ve
çözümünün başlangıç uygulamasından önce test edilmesi güvenli bir uygulama ve zaman
içinde geçerlilik kazanması açısından gereklidir.
4
5. Çözüm üzerinde kontrollerin yapılması
Eğer model devamlı kullanılacaksa ,bir sonraki adım modeli açıklayan çok iyi bir sistem
dökümantasyonunun hazırlanmasıdır. Bu sistemde model, çözüm prosedürü ve
uygulama için kullanılan işlemler yer almalıdır.Kullanıcının değişmesi durumunda bile
böyle bir prosedür hazırlanmışsa uygulama aksamayacaktır.Öte yandan gerçek hayatta
sürekli koşullar değiştiği için bu değişikliklerin modele yansıtılması yani modelin
güncelleştirilmesi söz konusudur.
Türkiye’de YA Çalışmaları
Türkiyede ilk YA çalışmaları 1960 yılında askeri amaçlı olarak başlatılmıştır. 1965
yılında Tübitak da ilk YA grubu kurulmuştur.1964 yılından itibaren de üniversitelerde
YA konularının anlatımı başlamış ve dersler konulmuştur.1975 yılında kurulan
YA derneği ulusal kongreler düzenlemekte ,çıkardığı yayınlarla da YA çalışmalarını
desteklemektedir.
• A.I.E.E. Transactions
• C.O.R.S. Journal
• Decision Sciences
• Industrial Engineering
• Journal of Industrial Engineering
• Management Science
• Mathematical Programming
• Mathematics of Operations Research
• Naval Research Logistics Quarterly
• Networks
• Operations Research
• Transportation Science
5
Çok değişik uygulama alanları olmasına karşın işletmeler dikkate alındığında değişik
departmanlardaki uygulamalar şu şekilde verilebilir:
Muhasebe : Nakit akış planı,Kredi politikası
Tasarım : Proje kaynaklarının yaratılması, Proje planlama, Bina planlama,fabrika
kapasite ve yerinin planlanması,Hastane planlaması,Bölgesel depoların
seçimi,Uluslararası logistik sistemler
Finans : Kar politikası, Yatırım analizi,Değerli kağıt analizi
Üretim :Envanter kontrol, Üretim planlama, İnsan-gücü planlaması, Üretimi
kolaylaştırma
Pazarlama : Reklam yönetimi
Organizasyon :Personel temini, Personel planlama
Satın alma : Optimum satın alma,Malzeme yönetimi
Araştırma-geliştirme: AR-GE projelerinin kontrolu, Ürün geliştirme
YA teknikleri
2. Olasılıklı modeller
DOĞRUSAL PROGRAMLAMA
Yöneylem Araştırması modelleri, alternatifler, kısıtlar ve amaç fonksiyonu adı verilen temel
elemanlardan oluşur. Karar problemlerinin alternatifleri genelde bilinmeyen değişkenler olarak
ortaya çıkar. Bu değişkenler uygun bir matematik model oluşturmak üzere kısıtlar ve amaç
fonksiyonu olarak düzenlenir. Modelin çözümü ile tüm kısıtları sağlayan, aynı zamanda da
6
amaç fonksiyonunu optimum (maksimum veya minimum) yapan karar değişkenlerinin değerleri
bulunur.
DP, sınırlı kaynakların kullanımını optimum yapmak için geliştirilmiş bir matematiksel
modelleme yöntemidir. Bir optimizasyon tekniği olarak belirli ortak özellikleri bulunan
problemlere uygulanır. Problemden kaynaklanan bazı özel durumlar dışında tüm DP modelleri üç
temel özellik taşır:
Tüm organizasyonların varmak istediği bir veya birden çok amaç vardır. Çoğu organizasyonlar
kar maksimizasyonu ya da maliyet minimizasyonunu amaç olarak alırlar. DP modellerinde
birçok değişkenin doğrusal fonksiyonundan oluşan bir “amaç fonksiyonu” bulunur. Bu
fonksiyonu Z , değişkenleri x1 , x2 , ………., xn ve sabit katsayıları da c1 , c2 , ……… cn ile
göstermek üzere;
Z = c1 * x1 + c2 * x2 + ......................... + cn * xn
Doğrusal kısıtlar
7
şeklinde gösterilir. Kısıtlar incelendiğinde şu özellikler göze çarpmaktadır:
• Sistemin her satırı genellikle bir eşitsizliktir. Bazı durumlarda eşitlik de olabilir.
• Eşitsizliklerin sol tarafları doğrusal fonksiyonlardır.
• Kısıtların sayısı (m ) için bir sınırlama yoktur.
Pozitiflik koşulu
n
min veya max Σ c j * xj amaç fonksiyonu
j=1
n
Σa ij * xj <= bi kısıtlar
j=1
i = 1,2, ...., m
veya
A*X<=b
X>=0
C = (c1 , c2 , ……… cn )
8
a11 a12 ....... a1n b1
x1
X= x2 A= a21 a22 ....... a2n b = b2
…
xn ............................ ...
............................
bm
am1 am2…...... amn
H1 6 4 24
H2 1 2 6
Şirketin yaptığı pazar araştırmasında, günlük iç boya talebinin en fazla 2 ton olduğu
görülmüştür. Yine aynı araştırmada, günlük iç boya talebinin günlük dış boya talebinden
fazla olduğu ve bu fazlalığın günde en çok 1 ton olduğu anlaşılmıştır. Sirket karını
maksimum yapacak şekilde optimum üretim miktarını belirlemek istemektedir. Bu
problem bir DP modeli olarak düşünüldüğünde 3 temel elemanı olacaktır :
1. karar değişkenleri
2. amaç fonksiyonu
3. kısıtlar
Modelin karar değişkenleri iç ve dış boya miktarlarıdır.
Şirket için en iyi amaç toplam karı maksimum yapmaktır. Z toplam karı göstermek üzere ;
maksimum Z = 5 * x1 + 4 * x2
H1 hammaddesinin kullanımı:
9
6 * x1 + 4 * x2 ton
H2 hammaddesinin kullanımı da :
1* x1 + 2 *x2 tondur.
maksimum Z = 5 * x1 + 4 * x2
kısıtlar :
6 * x1 + 4 * x2 < = 24
x1 + 2 *x2 <= 6
- x1 + x2 <= 1
x2 <= 2
pozitiflik koşulu :
x1 , x2 > = 0
Bu kısıtların tümünü sağlayan herhangi bir çözüm uygun çözüm adını alır.
Grafik çözüm
İki değişkenli bir DP modeli grafik olarak çözülebilir. Grafik yöntemin iki önemli adımı vardır :
• Modelin tüm kısıtlarının sağlandığı uygun çözümleri içeren bir çözüm uzayının
belirlenmesi,
• Çözüm uzayındaki tüm noktalar arasından optimum çözümün bulunması.
Yukarıda verilen örneğin grafik çözümünü yapalım. Kısıtları bir koordinat sisteminde
göstermenin en kolay yolu, eşitsizlikleri eşitlik şeklinde düşünerek bunlara ait doğruların
çizilmesidir. Daha sonra eşitsizliğin işaretine göre doğrunun altında ya da üstünde kalan bölge
çözüm bölgesi olarak seçilir. Birinci kısıtı ele alırsak ;
6 * x1 + 4 * x2 < = 24 eşitsizliğini
6 * x1 + 4 * x2 = 24 şeklinde eşitlik olarak yazalım.
Bu doğruyu çizebilmek için iki nokta gerekir. x1 = 0 için x2 ‘yi, x2= 0 için de x1 ‘ i
hesaplayabiliriz. x1 = 0 için x2= 6 , x2 = 0 için x1 = 4 bulunur. (0,6) ve (4,0) noktalarından
geçen doğru aranılan doğrudur. Eşitsizliğin yönü (<= ) şeklinde olduğu için bu doğrunun altında
10
kalan alan bu kısıtı sağlayan alandır. Tüm kısıtlara ait doğrular çizildikten sonra, çözüm uzayı
belirlenir. Aslıda uygun çözüm bölgesi sonsuz sayıda uygun nokta içerdiği için , bunların
arasından optimum noktayı bulmamız gerekir.
x2
5 1
3
4
3
4
2 E D
C
1 F Çözüm uzayı
2
0A B
1 2 3 4 5 6 x1
Optimum çözümün belirlenmesi için kar fonksiyonunun artış yönünün bilinmesi gerekir.
Bu da Z’e keyfi değerler atayarak yapılabilir. Z’ e önce 10 sonra 15 değerleri verilerek;
5 * x1 + 4 * x2 = 10 ve
5 * x1 + 4 * x2 = 15 doğruları çizilir.
Amaç fonksiyonunun daha artırılması durumunda ABCDEF uygun çözüm uzayının dışına
çıkılacaktır. Şekilden çözüm uzayının dışına C noktasından çıkıldığı görülmektedir. Dolayısıyla
uygun çözümü içeren nokta C noktasıdır. C noktası 1 ve 2 numaralı kısıtların kesişim noktası
olduğu için buradan x1 = 3 ve x2= 1.5 bulunur. Günlük üretimde 3 ton dış boya, 1.5 ton iç boya
üretildiğinde günlük kar Z= 21000$ olacaktır. Optimum çözümün çözüm uzayının komşu köşe
noktalarından birinde bulunması raslantı değildir. Amaç fonksiyonunun eğimi değiştirilse bile,
yeni çözüm yine köşe noktalarından birinde olacaktır.
x2
z=21
z’deki artış
3 z=15
z=10
2 optimum nokta
C x1 = 3
11
x2= 1.5
1 Z= 21000$
0 1 2 3 4 x1
Örnek problem: Bir çiftlikte günde en az 800 kg özel bir karışımla yapılan yem
kullanılmaktadır. Bu karışım, aşağıdaki tabloda verilen maddelerin belirtilen miktarları
kullanılarak elde edilmektedir.
Protein Lif
Maliyet($/kg)
Karar değişkenleri:
x1 karışımdaki mısır miktarı (kg)
x2 karışımdaki soya unu miktarı(kg)
Amaç fonksiyonu:
Minimize Z = 0.3* x1 + 0.9 * x2
Kısıtlar :
12
Grafik çözüm:
x2
2
1500
1000 Çözüm
Bölgesi 1
500
optimum nokta
x1 = 470.59 kg
x2 = 329.42 kg
Amaç fonksiyonu : Z = 437.65 $
13
SİMPLEKS YÖNTEMİ
Bir DP modelinde <= yönündeki bir kısıtı eşitlik haline getirmek için eşitsizliğin sol
tarafına bir artık (slack) değişken eklenir.
x1 + 3* x2 <= 4
eşitsizliği,
x1 + 3* x2 + S1 = 4
eşitliği ile aynı anlamdadır. S1 >= 0 olup, artık değişken adını alır.
Eşitsizliğin yönü >= yönünde ise artık değişken eklemek yerine çıkarmak gerekir. Ancak bu
durumda da değişkenin negatif olmasından ötürü başlangıç çözümünde yer alamaz. Bunun için
bu tür kısıtlarda bir de yapay(artificial) değişken eklenir.
x1 + 2* x2 >= 6
eşitsizliği,
x1 + 2* x2 - S1 + A1 = 6
şeklinde eşitlik haline getirilir. Bazı modellerde de sadece = şeklinde kısıtlar da yer alabilir. Bu
durumda da eşitsizliğin sol tarafına bir yapay değişken eklenir.
2*x1 + 3* x2 = 10
eşitsizliği,
2* x1 + 3* x2 + A1 = 10
eşitlik haline getirilir.
Bir eşitliğin sağ tarafı mutlaka negatif olmama koşuluna uygun olmalıdır. Gerekirse bu koşulu
sağlamak için eşitsizliğin her iki tarafı –1 ile çarpılır ve eşitsizliğin yönü de değiştirilir.
Simpleks algoritması
Simpleks algoritması uygun bir temel çözümle başlar ve daha sonra amaç fonksiyonunun daha da
iyileştirildiği başka uygun çözümlerle devam eder. İlk uygun çözüm için probleme eklenen artık
ve yapay değişkenlerden yararlanılır. Problemin karar değişkenleri (x1 , x2 , ………., xn )
başlangıçta sıfır değerini alırken , artık (S ) ve yapay (A ) değişkenler sağ taraf değerlerine
eşitlenir. Şimdi bir örnek problem ele alarak algoritmayı adım adım uygulayalım.
Örnek problem: Yüksek kaliteli cam ürünleri üreten bir firmanın üretimini gerçekleştirdiği 3
atölyesi mevcuttur.1. atölyede aliminyum çerçeve ve bağlantıları,2. atölyede ağaç çerçeve , 3.
atölyede de cam üretilerek, kapı ve pencere ürünleri yapılmaktadır. Kazançlarındaki azalmadan
dolayı üst kademe yönetimi üretim hattını yenilemek istemektedir. Kar getirmeyen bazı ürünler
üretilmeyecek, buna karşılık talebi olan bir veya 2 yeni ürün, üretim kapasitesinin izin verdiği
ölçüde üretilecektir.Yeni ürün olarak aliminyum çerçeveli kapı ve çift camlı ağaç çerçeveli
pencere üretilmesi kararlaştırılıyor. Pazarlama departmanı elde mevcut kapasite ile üretilecek bu
14
ürünlerin satılacağını garanti etmektedir. Atölyelerden elde edilen bilgiler aşağıdaki tabloda
verilmektedir:
1 1 0 4
2 0 2 12
3 3 2 18
birim kar 3$ 5$
Amaç fonksiyonu:
Maksimum Z =3* x1 + 5 * x2
Kısıtlar :
x1 , x2 > = 0
Modelde iki değişken yer aldığı için 2 boyutlu grafik çözümü yapılabilir. Önce pozitiflik koşulu
dikkate alınarak değişkenlerin koordinatların pozitif tarafında yer alması sağlanır. Daha sonra her
bir kısıtın doğruları çizilerek çözüm bölgesi bulunur. Son adım ise amaç fonksiyonunun
maksimum değerinin aranmasıdır.
15
x2
10
1
8 3 optimum
A(0,6) B(2,6) 2
6
çözüm
4 bölgesi
C (4,3) Z=36
D (4,0)
2 4 6 8 x1
Z=10 Z=20
Şimdi de problemi standart hale getirip simpleks çözümü yapalım. Önce eşitsizlikler
eşitlik şekline getirilir. Bunun için kısıtların yönüne göre değişken eklenir. Modeldeki
kısıtlar <= yönünde olduğu için artık(slack) değişkenler eklenecektir. Artık değişkenler
boş(aylak) kapasiteyi gösterdiği için amaç fonksiyonundaki katsayıları sıfırdır. Diğer bir
deyişle amaç fonksiyonunu etkilemezler. Her kısıta aşağıdaki gibi bir artık değişken
eklenir:
x1 + S1 = 4
2* x2 + S2 = 12
3 * x1 + 2 * x2 + S3= 18
Başlangıç uygun çözümü için karar değişkenleri sıfıra eşitlenip, artık değişkenler sağ
taraf değerini alır.
x1 = 0 , x2 = 0
S1 = 4 , S2 = 12 , S3= 18
16
0 S1 4 1 0 1 0 0
0 0 S2 12 0 2 0 1 0
0 S3 18 3 2 0 0 1
Z j satırının hesaplanması :
Değişken Cj Zj C j- Zj
x1 3 0 3
x2 5 0 5
S1 0 0 0
S2 0 0 0
S3 0 0 0
Zj 0 0 0 0 0 0
Cj - Z j 3 5 0 0 0
Giren ve çıkan değişkenlerin seçimi
Bundan sonraki aşamada sıfır katsayılı taban değişkenlerinden biri tabandan çıkarılıp,
yerine sıfırdan farklı pozitif katsayılı bir değişken getirilir. Çözüm dışı kalması istenen
temel değişkene çıkan değişken, seçilmiş yeni değişkene de giren değişken adı verilir.
Bu değişkenlerin seçimi için de bir anahtar sütun ve anahtar satır belirlenir.
C j - Z j satırındaki en büyük pozitif sayının olduğu sütun anahtar sütun olarak alınır ve
bu sütunun üzerindeki değişken tabana girecek değişken olarak seçilir. Tabandan çıkacak
17
değişkenin seçimi için de kapasitelerle anahtar sütun elemanlarının oranına bakılır. En
küçük pozitif orana sahip satır anahtar satır olarak alınır ve satırdaki değişken tabandan
çıkacak değişken olarak seçilir.
0 S3 18 3 2 0 0 1
Zj 0 0 0 0 0 0
Cj - Z j 3 5 0 0 0
S1 satırı için hesaplama yapmaya gerek kalmıyor çünkü bu satırdaki anahtar sütun
katsayısı sıfır olduğu için satır aynı şekilde yeni tabloya aktarılır.
S3 satırı için yukarıdaki formüle göre hesaplama yapalım:
18 , 3, 2, 0, 0, 1 - 2 * 6, 0, 1, 0, ½, 0 = 6, 3, 0, 0, - 1, 1
0 S1 4 1 0 1 0 0
1 5 x2 6 0 1 0 1/2 0
0 S3 6 3 0 0 -1 1
Zj 30 0 5 0 5/2 0
18
Cj - Z j 3 0 0 -5/2 0
0 S1 2 0 0 1 1/3 -1/3
2 5 x2 6 0 1 0 1/2 0
3 x1 2 1 0 0 -1/3 1/3
Zj 36 3 5 0 3/2 1
Cj - Z j 0 0 0 -3/2 -1
Son tabloda ;
x1 = 2
S1 = 2
x2 = 6
S2 = 0
S3 = 0
x1 den dakikada 2 adet , x2 den dakikada 6 adet üretildiğinde Z= 36 olmaktadır. Bu
amaç fonksiyonunun bu kısıtlar altında alacağı maksimum değerdir. 1.kısıtta yer alan S1
artık değişkeni 1.atölyenin boş kalan kapasite yüzdesini vermektedir(%2). Diğer atölyelerde boş
kapasite kalmamaktadır (S2 = 0, S3 = 0).
M yöntemi
Tüm kısıtların ( <= ) yönünde olması durumunda artık değişkenler eklenerek problem
standart hale getiriliyordu. Ancak (=) ve (>=) yönündeki kısıtlar için artık değişken
eklemek yerine çıkarmak gerekir ki bu da başlangıç uygun çözümünü bozar. Bunu
önlemek için bu tür kısıtlarda yapay değişkenler kullanılmaktadır. Yapay değişkenler
başlangıç tablosunda taban değişkenleri oluştururlar ,daha sonra bu değişkenler tabandan
çıkarılmaya çalışılır.Artık değişkenlerin amaç fonksiyonundaki katsayıları sıfır olmasına
karşın, yapay değişkenlerin amaç fonksiyonundaki katsayıları çok büyük pozitif değerli
bir sayıyı gösteren M sayısıdır. M aynı zamanda bir ceza katsayısıdır. Bu ceza nedeniyle
yapay değişkenler iterasyonlar sonunda sıfır değerini almaya çalışacaktır.
Örnek problem: Protein ve karbonhidrat karışımından özel bir ürün hazırlayan bir
firma, 200 kg ’lık bir sipariş almıştır. 1 kg protein için verilen maliyet 3YTL, 1 kg
karbonhidrat için maliyet 8YTL ’dir. Karışımdaki protein oranının %40’dan fazla
olmaması ve karbonhidrat oranının da en az %30 olması istenmektedir. Firma minimum
maliyetle karışıma girecek protein ve karbonhidrat miktarlarını belirlemek istemektedir.
Probleme ait matematik modeli kuralım:
Karar değişkenleri:
x1 karışıma girecek protein miktarı
x2 karışıma girecek karbonhidrat miktarı
Amaç fonksiyonu:
Minimum Z =3* x1 + 8* x2
Kısıtlar :
19
x1 + x2 = 200 ( sipariş miktarı)
x1 , x2 > = 0
Modeli standart hale getirmek için dolgu değişkenleri ekleyelim. 1. kısıtta karar
değişkenleri başlangıç çözümü için sıfır değerini aldığı zaman sağ taraf değerinin
eşitleneceği bir değişken olarak bir yapay değişken (A) eklenir. A çok yüksek maliyetli
(M) ve optimum çözümde yer almayacak bir değişkendir.
x1 + x2 + A 1 = 200
2. kısıt (<=) yönünde olduğu için bir artık değişken eklenir ve eşitlik şekline
dönüştürülür.
x1 + S1 = 80
buradaki S1 son çözümde bulunacak protein miktarı ile 80 kg arasındaki farkı
göstermektedir.
3.kısıt (>=) yönünde bir eşitsizliktir. Bu kısıta bir artık değişken eklemak yerine
çıkarmak gerekir:
x2 - S2 = 60
S2 artık değişkeni negatif değer taşımakta ve son çözümde karbonhidratın 60 kg’dan
fazla olabilecek miktarını göstermektedir.
x2 = 0 alındığında , 0 - S2 = 60 veya S2 = - 60 olacaktır.
Negatif bir kaynak(kapasite) modelde yer alamayacağı için bu kısıta bir de pozitif
değerli bir yapay değişken eklenir.
x2 - S2 + A 2 = 60
x1 + S1 = 80 (protein oranı)
x2 - S2 + A 2 = 60 (karbonhidrat oranı)
x1 , x2 > = 0
20
küçüğü seçilir. Bu sütun üzerindeki değişken tabana girecek değişkendir. İterasyona C j -
Z j satırında negatif sayı kalmayıncaya kadar devam edilir.
M A1 200 1 1 1 0 0 0
0 0 S1 80 1 0 0 1 0 0
M A2 60 0 1 0 0 -1 1
Zj 260M M 2M M 0 -M M
Cj - Z j 3-M 8-2M 0 0 M 0
M A1 140 1 0 1 0 1 -1
1 0 S1 80 1 0 0 1 0 0
8 x2 60 0 1 0 0 -1 1
M A1 60 0 0 1 -1 1 -1
2 3 x1 80 1 0 0 1 0 0
8 x2 60 0 1 0 0 -1 1
0 S2 60 0 0 1 -1 1 -1
3 3 x1 80 1 0 0 1 0 0
8 x2 120 0 1 1 -1 0 0
Zj 1200 3 8 8 -5 0 0
Cj - Z j 0 0 M-8 5 0 M
Son tabloda ;
x1 = 80, x2 = 120 ve Z = 1200 bulundu. S2 = 60 karbonhidratın
fazla miktarını göstermektedir.
Özetlersek minimizasyon problemlerinde iterasyona, C j - Z j satırında negatif sayı
kalmayıncaya kadar ,maksimizasyon problemlerinde de pozitif sayı kalmayıncaya kadar
devam edilir.
21
Örnek Uygulamalar:
#1
Maksimum Z =10* x1 + 20* x2
Kısıtlar : - x1 +2* x2 <= 15
x1 + x2 < = 12
5* x1 +3* x2 < = 45
x1 , x2 > = 0
iterasyon sayısı:2 Z= 210 x1 =3 , x2 = 9, S3 = 3
#2
Minimum Z =x1 + x2
Kısıtlar : x1 >= 30
x2 >= 20
x1 +x2 >= 8
x1 , x2 > = 0
iterasyon sayısı:3 Z=50 x1 =30 , x2 = 20
#3
Minimum Z =2* x1 + 3* x2 + x3
Kısıtlar : x1 +4* x2 + 2* x3 >= 8
3* x1 + 2*x2 >= 6
x1 , x2, x3 > = 0
iterasyon sayısı:2 Z=7 x1 =0.8 , x2 = 1.8
Örnek problem: Aşağıda verilen DP problemi bir maksimizasyon problemi olup (>=)
yönünde bir kısıt içermektedir. Bu kısıtı standart hale getirmek için bir yapay değişken
eklenerek tablo hazırlanır. C j - Z j satırında negatif değerli M kalmadığı zaman
maksimizasyon problemi olduğu için pozitif sayı kalıp kalmadığına bakılır. Negatif M
ve pozitif sayı kalmadığı görüldüğünde iterasyona son verilir.
Maksimum Z =2* x1 + 3* x2
Kısıtlar : x1 +2* x2 <= 4
x1 + x2 >= 3
x1 , x2 > = 0
0 0 S1 4 1 2 1 0 0
M A1 3 1 1 0 -1 1
Zj 3M M M 0 -M M
22
Cj - Z j 2-M 3-M 0 M 0
3 x2 2 0.5 1 0.5 0 0
1 M A1 1 0.5 0 -0,50 -1 1
Zj 6M 0.5M+1.5 3 1.5-0.5M -M M
Cj - Z j 0.5-0.5M 0 0.5M-1.5 M 0
2 3 x2 1 0 1 1 1 -1
2 x1 2 2 0 -1 -2 2
Zj 7 2 3 1 -1 1
Cj - Z j 0 0 -1 1 M-1
0 S2 1 0 1 1 1 -1
3 2 x1 4 1 2 1 0 0
Zj 8 2 4 2 0 0
Cj - Z j 0 -1 -2 0 M
23