Sieć czynności- sieć powiązań między
czynnościami powodującymi zdarzenie. W
sieciach tych węzeł to zdarzenie zaś łuk to
czynność. Może być tylko jedno zdarzenie
początkowe i końcowe (ale czynności
początkowych i końcowych może być
wiele). Inaczej jest to graf skończony,
spójny i antycykliczny.
Graf skończony- taki który ma jeden
węzeł(wierzchołek) początkowy i jeden
końcowy.
Graf cykliczny- nie można wyznaczyć ani
węzła początkowego ani końcowego. Każdy
węzeł ma łuk wchodzący wychodzący.
Graf spójny- minimum dwa węzły są
połączone łańcuchem.
Ścieżka krytyczna- ścieżka pełna(taka która
zaczyna się w zdarzeniu początkowym a
kończy w zdarzeniu końcowym), dla której
czas trwania jest najdłuższy. Określa ona
najkrótszy możliwy termin zakończenia
przedsięwzięcia(czas krytyczny). Zadania
leżące na ścieżce krytycznej mają zapas
czasu równy 0.
Może być więcej niż jedna ścieżka
krytyczna!
By skrócić czas trwania
przedsięwzięcia(czas krytyczny) należy
skrócić czas trwania czynności które leżą na
ścieżce krytycznej. Można to zrobić dzięki
zmianom organizacyjnym w którymś ze
zdarzeń poza ścieżką krytyczną, czyli np.
przenosimy część ludzi lub maszyn z
czynności spoza ścieżki krytycznej- mającej
duży luz- do czynności która jest na ścieżce
skracając ją i ogólnie czas krytyczny.
Czas planowanego przedsięwzięcia opłaca
się skracać wtedy gdy koszt skrócenia
danego przedsięwzięcia jest mniejszy niż
korzyści z tego płynące.
Czas krytyczny może nie zostać skrócony
mimo skrócenia czynności leżącej na
ścieżce krytycznej jeżeli w projekcie mamy
więcej niż jedną ścieżkę krytyczną!
Luz czasowy(zapas czyli Z) - wskazuje ile
może się opóźnić termin zaistnienia
zdarzenia bez wpływu na termin
zakończenia realizacji projektu.
Z= LS-ES=LF-EF=LF-ES-t
ES- najwcześniejszy moment rozpoczęcia
czynności(wyznacza on najwcześniejszy
możliwy termin zajścia zdarzenia
początkowego tej czynności, który jest
zarazem najdłuższym czasem przejścia od
zdarzenia początkowego sieci do tego
zdarzenia).
EF- najwcześniejszy moment zakończenia
czynności= ES+ t
LF- najpóźniejszy dopuszczalny termin
zakończenia czynności (określa też
najpóźniejszy termin zajścia zdarzenia
końcowego)
LS- najpóźniejszy możliwy termin
rozpoczęcia czynności= LF- t ( jest to też
różnica między czasem krytycznym a
najdłuższym czasem przejścia od tego
zdarzenia do zdarzenia początkowego)
Graniczny czas trwania czynności-
najkrótszy możliwy czas w którym może
być wykonana dana czynność przy
zastosowaniu wszystkich możliwych
środków.
Graniczny koszt realizacji czynności- koszt
realizacji czynności w czasie granicznym.
Diagram Gantta (harmonogram) służy do
pokazania czasu trwania poszczególnych
czynności, ich wzajemnych zależności od
siebie (kiedy która się kończy i jaka
następuje po niej) oraz do pokazania
najwcześniejszych i najpóźniejszych
momentów rozpoczęcia zakończenia
czynności oraz do pokazania ścieżki
krytycznej.
Zbiór decyzji dopuszczalnych- zbiór decyzji
zgodnych z warunkami ograniczającymi
Decyzja optymalna- najlepsza decyzja spośród
tych należących do zbioru decyzji
dopuszczalnych( najlepsza według przyjętego
kryterium wyboru).
Funkcja celu- pełni rolę kryterium wyboru, jest to
funkcja zmiennych decyzyjnych mierząca cel,
który chce osiągnąć decydent.
Rozwiązaniem optymalnym jest więc takie
rozwiązanie dopuszczalne dla którego funkcja
celu osiąga maksimum(minimum).
Gradient- w rozwiązaniu zadania prymarnego
gradient funkcji celu to wektor pochodnych
cząstkowych tej funkcji. Gradient wskazuje
kierunek najszybszego wzrostu (gdy do max) lub
spadku (gdy do min) funkcji celu. Gradient jest
prostopadły do warstwicy (izokwanty) funkcji
celu.
Zadanie PL o postaci standardowej: takie którym
wszystkie ograniczenia są typu <=0 dla zadań na
maksimum lub >=0 dla zadań na minimum oraz
wszystkie zmienne muszą być nieujemne.
Zadanie PL o postaci kanonicznej: wszystkie
ograniczenia są równaniami oraz na wszystkie
zmienne nałożone są warunki o ich
nieujemności(takiego typu zadanie jest
założeniem dla simplexu).
Zadanie programowania liniowego:
ZPL ma albo 1 rozwiązanie skończone, albo ma
ich nieskończenie wiele, albo nie ma żadnych.
Istnieje też przypadek gdy ZPL ma rozwiązanie
nieskończone.
ZPL ma zawsze rozwiązanie skończone jeśli
istnieje zbiór rozwiązań dopuszczalnych który
jest zwarty i ograniczony . Rozwiązanie
skończone znajduje się zawsze w wierzchołku
zbioru dopuszczalnego.
Model liniowy ma nieskończenie wiele rozwiązań
optymalnych gdy gradient jest prostopadły do
ograniczenia na którym leży rozwiązanie, zaś w
simplex gdy dla zmiennej niebazowej cj-zj=0
(jest to tzw. rozwiązanie alternatywne).
Brak rozwiązań optymalnych jest wtedy gdy
funkcja celu przesuwając się odpowiednio
zgodnie z kierunkiem gradientu nie osiągnie
nigdy zbioru rozwiązań dopuszczalnych(ich część
wspólna jest zbiorem pustym).
Przypadek rozwiązania nieskończonego jest
wtedy gdy zbiór rozwiązań dopuszczalnych nie
jest ograniczony z każdej strony- jest otwarty,
wtedy funkcja celu idzie wraz z nim ku
nieskończoności( przy założeniu oczywiście że w
ogóle mają obszar wspólny).
Zadania dualne:
Prym)Z=C’X->max(min) Dual)U=Y’B-
>min(max)
AX<=B (>=)
A’Y>=C (<=)
X>=0
Y>=0
Zp-zadanie prymalne, Zd- zadanie dualne
Interpretacja:
Z-Przychódu/zysk z produkcji
U- Wartość za jaką racjonalny konkurent byłby
gotów odkupić środki produkcji
C- ceny j-tych wyrobów
A- wielkość zużycia i-tych środków na produkcje
j-tego wyrobu
B- zasób j-tego środka produkcji
X- wielkość produkcji j-tego wyrobu
Y- cena i-tego środka produkcji, krańcowa
produktywność jednostki i-tego środka
Y*- o ile wzrośnie/spadnie przychód (Z) gdy
zwiększymy/ zmniejszymy zasób i-tego środka
produkcji o jednostkę
Każda zmienna dualna jest sprzężona z
ograniczeniem z zadania prymalnego. Jeżeli Zp
ma n ograniczeń to Zd ma n zmiennych. Gdy Zp-
>max to Zd->min
Jeśli symetryczne Zp i Zd mają rozwiązania
dopuszczalne to obydwa mają rozwiązania
optymalne. Jeśli zaś choć jedno z nich nie ma
rozwiązania dopuszczalnego to obydwa nie mają
rozwiązań optymalnych.
Gdy Zp jest sprzeczne to w Zd brak rozwiązania
optymalnego (jest sprzeczność albo rozwiązanie
nieskończone)
Dla rozwiązań dopuszczalnych wartość funkcji
celu Zp (z(X)) nie może być większa do wartości
funkcji celu Zd (u(y)) czyli z(x)<=u(y);
SIMPLEX
Podstawowa metoda znajdywania optymalnych
rozwiązań ZPL. Jest to metoda ogólna, pozwalająca
rozwiązać każde zadanie PL. Polega na
sekwencyjnym, ściśle określonym przeglądzie
rozwiązań bazowych.
Idea metody Simplex i sposób postępowania:
W metodzie tej stosujemy ukierunkowany przegląd
zbioru rozwiązań bazowych. Przechodzimy od
jednego dopuszczalnego rozwiązania bazowego do
drogiego, o którym wiemy ,że jest niezgorsze od
poprzedniego. Pomijamy więc rozwiązania
niedopuszczalne oraz grosze od aktualnie
rozpatrywanego.
Simplex pozwala wybrać optymalny wierzchołek i
wskazuje na inną niezgorszą niewiadomą którą
można by uznać jako bazową;
KROK1: Wyznaczamy rozwiązanie wyjściowe,
dopuszczalne i bazowe
KROK2: Sprawdzamy czy aktualne rozwiązanie
bazowe jest optymalne. Jeżeli tak to następuje
koniec obliczeń. Jeżeli nie to przechodzimy do
kroku3.
KROK3: Bierzemy pod uwagę sąsiednie
rozwiązanie bazowe , o którym wiemy że jest
niezgorsze od poprzedniego i wracamy do kroku2.
Układ n równań liniowych o k niewiadomych może
mieć rozwiązań bazowych:
-gdy n<k oraz układ jest niesprzeczny to mamy
wtedy układ o nieskończonej ilości rozwiązań, ale
skończonej ilości rozwiązań bazowych wynoszącej
co najwyżej n do k czyli: n!/((n-k)!k!);
-gdy n>k to układ jest sprzeczny(jeśli równania są
liniowoniezależne)
-gdy k=n to układ ma jedno rozwiązanie i jest ono
optymalne
Rozwiązanie bazowe zdegenerowane jest wtedy gdy
jeżeli chociaż jedna zmienna bazowa jest zerowa.
Zmienna bilansująca (inaczej swobodna) to taka
zmienna którą dopisujemy do nierówności by ją
zbilansować, tzn. doprowadzić do postaci równania,
a także by uzyskać rozwiązanie bazowe.
Zmienna sztuczna – zmienna wprowadzana do
modelu gdy nie możemy otrzymać początkowego
rozwiązania bazowego, służy do zbilansowania
nierówności a także do utworzenia w układzie
równań rozwiązania bazowego.
Wszystkie zmienne sztuczne w rozwiązaniu
optymalnym powinny wyjść równe 0. Jeśli jakaś
wyszła dodatnie to wyjściowe zadanie jest
sprzeczne.
Kryterium optymalności- dane rozwiązanie bazowe
jest optymalne jeśli wskaźniki kryterium
optymalności (cj-zj) są:
- niedodatnie (<=0)w ZPL na
maksimum
- nieujemne (>=0) w ZPL na minimum
Kryterium wyboru zmiennej wprowadzanej do bazy:
-taka zmienna niegazowa która ma maksymalny (w
zad na max) lub minimalny (w zad na min) wskaźnik
optymalności
Reguła wyboru zmiennej usuwanej z bazy- gdy
mamy już ustaloną zmienna którą do bazy
wprowadzamy musimy ustalić zamiast której ją
wprowadzimy. Będzie nią taka xr która ma iloraz
b/aij (wyraz wolny- ten po prawej stronie równania
przez wyraz stojący w kolumnie r przy danej
zmiennej) minimalny; Założeniem jest by aij>0.
Jeżeli brakuje w kolumnie dodatniego aij oznacza że
zadanie nie ma rozwiązania optymalnego.
Metoda BEALE’A:
Służy porozwiązywania zadań programowania
kwadratowego. Jest ona uogólnieniem metody
Simplex dla zadań programowania kwadratowego.
Metoda ta gwarantuje uzyskania optymalnego w
skończonej liczbie kroków.
Rozpatrywane zadanie ma mieć postać:
f(x)->min (funkcja kwadratowa wklęsła)
Ax=b
x>=0
Sposób postępowania:
KROK1: Wyznaczamy rozwiązanie wyjściowe,
dopuszczalne i bazowe
KROK2: Sprawdzamy czy aktualne rozwiązanie
bazowe jest optymalne. Jeżeli tak to następuje
koniec obliczeń. Jeżeli nie to przechodzimy do
kroku3
KROK3: Bierzemy pod uwagę sąsiednie
rozwiązanie bazowe , o którym wiemy że jest
niezgorsze od poprzedniego i wracamy do kroku2
xk /z kreseczką u góry/- maksymalna wartość jaką
może przy ustalonym kierunku przyjąć zmienna xk .
Jest to składowa wierzchołka zbioru rozwiązań
dopuszczalnych
xk* -takie x dla którego funkcja osiąga lokalne
minimum przy wybranym kierunku przesunięcia
Zmienna swobodna- Wprowadzamy ją gdy
minimum na kierunku wypada wewnątrz obszaru
dopuszczalnego, a nie w wierzchołku ( w praktyce
gdy „x z kreseczką”> x*)
EKSTREMA FUNKCJI
Warunek konieczny: f’(x)=0
Punkty stacjonarne funkcji- te w których
pochodne się zerują
Punkty siodłowe- te w których, mimo
wyzerowania się pochodnych, nie ma
ekstremum.
Warunki wystarczające
Hesjan- macierz utworzona z drugich
pochodnych
Hesjan określony dodatnio- minimum
Hesjan określony ujemnie- maksimum
Macierz określona dodatnio- wszystkie minory
główne są dodatnie, funkcja jest wypukła
Macierz określona ujemnie- minory parzyste
dodatnie, a nieparzyste ujemne, funkcja wklęsła
Macierz półdodatnia- wszystkie minory dodatnie,
a wyznacznik macierzy równy 0
Gdy macierz jest półdodatnia lub półujemna nie
możemy zdecydować czy funkcja jest wklęsła
czy wypukła a więc nie można zdecydować jakie
to ekstremum
Metoda iteracyjna(gradientowa)- stosujemy gdy
trudno(lub nie można) wyznaczyć pochodnych.
Polega ona na przesuwaniu się po gradiencie co
jakąś wartość i sprawdzaniu czy wartości dalej
rosną(gdy szukamy maks) lub maleją(gdy
szukamy min)
Pole określoności-dziedzina
Gradient jest prostopadły do warstwicy na której
leży punkt dla którego gradient wyznaczamy.
Wyznacza kierunek maksymalnego
wzrostu(spadku) funkcji.
Kierunek użyteczny- istnieje taka jego długość że
idąc w tym kierunku zanotujemy wzrost(spadek)
wartości funkcji.
Warunki Kuhna-Tuckera -są one warunkami
koniecznymi optymalności. Każde rozwiązanie
optymalne musi spełniać te warunki, ale nie
każde rozwiązanie spełniające je musi być
optymalnym. Istotne jest jednak że jeżeli
rozwiązanie dopuszczalne spełnia warunki
Kuhna Tuckera to jest ono optymalne, a jak nie
to nie jest optymalne.
TW. Kuhna Tuckera: /z książki/
Jeżeli x* jest rozwiązaniem optymalnym zadania
na max to spełnione będą następujące warunki:
a)x*jest rozwiązaniem dopuszczalnym czyli:
gi(x*)>=0 (i=1,..,m)
gi(x*)=0 i=m+1,..r)
b)istnieją takie mnożniki λi (i=1,..,r) że:
λi>=0
λig(x*)=0 (i=1,..,m)
c) ∇f(x*)+Σλi∇gi(x*)=0
TW.Kuhna –Tuckera /z wykładów/
f(X)->min
1) gi(X*)<=0 (i=1,..,r)
X∈D ⊂En
L(X,U)=f(x)+ Σuigi(x*)
X∈D U∈Θ U-wektor mnożników Lagrange’a
Jeżeli punkt (Xo,Uo) , gdzie Xo∈D Uo>=Θ jest
punktem siodłowym funkcji L(X,U) to jest
rozwiązaniem zadania gi(X)<=0 (i=1,..,r)
Xo>=Θ jest rozwiązaniem optymalnym zadania
1) wtedy gdy istnieje wektor Uo=[u1,u2,..,ur]T >=
Θ taki że:
1.∇xL(X,U)>= Θ
2. ∇uL(Xo,Uo)<= Θ
3. (Xo|Lx(Xo,Uo))=0
4.(Uo|Lu(Xo,Uo))=0
TW. Skrócone do Kuhna-Tuckera:
Jeśli f(x) i g(x) są f.wypukłymi i przynajmniej
raz różniczkowalnymi oraz w punkcie Xo∈D
istnieje wektor Uo>=Θ taki że gradient .∇xL=Θ
oraz dla każdego uigi(xo)=0 to x jest
rozwiązaniem optymalnym tego zadania