- •Глава 2 Линейные методы оптимального управления
- •§ 2.1. Математические оптимизационные модели.
- •Общая постановка задачи линейного программирования.
- •Графический метод решения задачи линейного
- •Программирования
- •Математические оптимизационные модели.
- •1 Этап. Выбор критерия эффективности.
- •2 Этап. Определение параметров условия.
- •3 Этап. Выбор параметров управления.
- •4 Этап. Составление системы ограничений.
- •5 Этап. Выражение целевой функции через параметры условия и параметры управления.
- •Количество решений задачи, решаемой графическим методом.
- •§ 2.2. Графический метод решения задачи линейного программирования (случай n переменных)
- •§ 2.3. Симплексный метод решения задачи линейного программирования
- •§ 2.4. Двойственные задачи линейного программирования
- •§ 2.5. Основные задачи дискретного программирования. Транспортная задача
- •§ 2.6 Целочисленное программирование. Графический метод. Метод Гомори Целочисленное программирование
Глава 2 Линейные методы оптимального управления
§ 2.1. Математические оптимизационные модели.
Общая постановка задачи линейного программирования.
Графический метод решения задачи линейного
Программирования
Математические оптимизационные модели.
Современная экономическая теория включает в себя как необходимый элемент исследования метод математического моделирования.
Математической моделью объекта или явления называется его отображение в виде совокупности разного рода уравнений, неравенств, логических отношений, графиков.
Использование математики позволяет выделить и формально описать наиболее важные, существенные связи экономических переменных и объектов и получить из них новые знания об объекте, используя абстрактные математические методы исследования.
Существуют различные типы моделей.
Оптимизационные модели – модели, преследующие цель выбора наименьшего или наибольшего значения некоторого критерия при условии выполнения системы ограничений. Подобные микромодели могут использоваться в теории управления, для обоснования принятия того или иного решения. В следующих параграфах мы будем изучать оптимизационные математические модели.
Раздел математики, занимающийся методами оптимизации, называется теорией оптимального управления. Она включает в себя такие подразделы как линейное программирование, нелинейное программирование, динамическое программирование и другие.
Основные этапы построения оптимизационной математической модели на примере линейных методов можно представить следующим образом.
1 Этап. Выбор критерия эффективности.
Целью задачи является принятие решения, при котором некоторый параметр примет наибольшее или наименьшее значение. Функция, которая выражает значение этого параметра, является критерием эффективности принятого решения и называется целевой функцией.
Например, критерием эффективности некоторого предприятия может служить прибыль, стремящаяся принять наибольшее значение, или расходы на организацию предприятия, которые должны быть минимальными.
2 Этап. Определение параметров условия.
Параметры условия – постоянные величины, значение которых нельзя изменить в условиях данной задачи.
3 Этап. Выбор параметров управления.
Переменные величины, изменяя значения которых, можно изменить значение критерия эффективности, называют параметрами управлениия. Набор параметров управления называют планом. Всякий набор значений переменных х1 , х2 , . . . , хn удовлетворяющий системе ограничений, называют допустимым планом.
Тот допустимый план, при котором целевая функция принимает максимальное (или минимальное) значение, называют оптимальным планом (стратегией, управлением).
4 Этап. Составление системы ограничений.
Система ограничений совокупности соотношений (уравнений или неравенств), которые связывают параметры управления и параметры условия.
5 Этап. Выражение целевой функции через параметры условия и параметры управления.
Пример. Составить математическую модель задачи:
Мебельная фабрика для сборки столов и стульев привлекает к работе на 10 дней четырех столяров. Каждый столяр затрачивает на сборку стола 2 часа и 30 минут на сборку стула. Обычно покупатели приобретают вместе со столом от четырех до шести стульев. Доход от одного стола составляет 135 ден. ед. и 50 ден. ед.– от одного стула. Сколько надо произвести за 10 дней стульев и столов, чтобы прибыль от их производства была максимальной. На фабрике установлен 8-часовой рабочий день.
1 этап. Критерием эффективности F является прибыль от производства столов и стульев одним столяром.
2 этап. Представим параметры условия в табличном виде.
-
Время
Доход
Столы
2
135
Стулья
0,5
50
3 этап. Параметрами управления являются переменные:
х1 число производимых столов и х2 число производимых стульев за 10 дней одним мастером.
4 этап. Ограниченным ресурсом является время. 2х1 – время, затрачиваемое одним мастером на производство всех столов, 0,5х2 – время, затрачиваемое одним мастером на производство всех стульев.
Следовательно, 2х1 +0,5х280,
так как время работы мастера ограничено 80 часами за 10 дней.
Кроме этого ограничением является предположение о количестве продаваемых стульев по отношению к продаваемым столам:
4х1 х2 6х1.
Так же ограничением является неотрицательность переменных х1 и х2:
х1 0, х2 0.
Итак, система ограничений имеет вид:
(2.1)
5 этап. Функция прибыли является сумой доходов за все произведенные столы и все произведенные стулья. F выражается через х1 и х2 и стремится принять наибольшее значение:
.
Общая постановка задачи линейного программирования
В зависимости от вида целевой функции и системы ограничений выбираются различные методы нахождения оптимального плана.
Рассмотрим математические модели изучаемых процессов, представленных в виде совокупности линейных соотношений.
В этом случае оптимальное решение будет находиться методами линейного программирования.
Термин “линейное программирование” впервые появился в 1951г. в работах американских ученых Дж. Данцига и Т. Кумпанса, а первые работы по линейному программированию были выполнены в конце 30-х годов в Ленинградском государственном университете Л. В. Канторовичем. Употребление слова “программирование” связано с тем, что при решении задач находят такой набор переменных, который является программой (планом) при выполнении поставленной задачи.
Математическая задача линейного программирования в канонической форме формулируется следующим образом:
Найти такие неотрицательные значения х1 , х2 , х3 , . . . , хn, которые обеспечивают оптимальное (минимальное или максимальное) значение линейной функции (целевой функции)
F= +с
и удовлетворяют системе ограничений
(2.2)
Коэффициенты , с известные постоянные, характеризующие условия задачи (параметры условия).
Система уравнения (2.2) должна быть неопределенной, так как только в этом случае возможен выбор решения из множества возможных.
Задача линейного программирования может не иметь решений в следующих случаях:
1) если система ограничений несовместна, в том числе, если только не выполняется условие неотрицательности переменных xi;
2) система ограничений совместна, есть допустимые решения, но среди них нет оптимального решения.
От системы ограничений, заданной в виде неравенств, при необходимости всегда можно перейти к канонической системе ограничений, добавив или отняв, дополнительные неотрицательные переменные. Эти переменные имеют вполне определенный экономический смысл. Так, если в ограничениях задачи отражается расход и наличие производственных ресурсов, то дополнительные переменные в оптимальном плане будут характеризовать объем неиспользованных ресурсов.
Пример. Приведите к каноническому виду систему ограничений (2.1) из задачи о производстве столов и стульев.
Введем неотрицательные переменные х4 , х5 , х6.
Перепишем систему неравенств в виде:
Так как левая часть первого неравенства меньше правой, то, добавив к ней положительную переменную х4, можем вместо неравенства записать уравнение: 2х1 +0,5х2+ х4 = 80. Переменная х4 играет роль неизрасходованных часов рабочего времени. Аналогично, так как левая часть второго неравенства больше правой, то, отняв он нее положительную переменную х5, можем вместо неравенства записать уравнение: х2 – 4х1– х5=0. Переменная х5 показывает, на сколько количество проданных стульев больше учетверенного количества столов и т.д.
Система (2.1) в каноническом виде имеет вид:
Графический метод решения задачи линейного программирования
Если математическая модель задачи линейного программирования имеет два параметра управления, и система ограничений представляет собой систему неравенств, то задача может быть решена графическим методом.
Графический метод основан на геометрической интерпретации области решений системы ограничений и выборе из нее точки, в которой целевая функция принимает оптимальное значение.
Как говорилось ранее, решением системы неравенств с двумя переменными является выпуклая область – пересечение полуплоскостей, представляющих собой решение каждого неравенства. Эту область называют областью допустимых решений (ОДР) или многоугольником решений.
Каждое значение целевой функции F0 = c1x1+c2x2 задает на плоскости прямую, называемую опорной. Все эти прямые параллельны между собой и перпендикулярны вектору, называемому градиентом функции и имеющему координаты:
grad F = (c1; c2).
Особенностью задачи линейного программирования является то, что с перемещением любой опорной прямой параллельно в одну сторону значение целевой функции либо только растет, либо только убывает. Градиент показывает направление, в котором значение целевой функции будет возрастать. Поэтому, перемещая опорную прямую до «выхода» из ОДР в направлении градиента, будем получать все большие значения целевой функции на каждой из прямых. Наибольшее же будет достигаться в точке «выхода», соответствующей обычно одному из углов многоугольника.
Это рассуждение иллюстрирует теорему линейного программирования:
Оптимальное решение задачи, если оно существует и единственное, достигается в одной из угловых точек многоугольника решений системы ограничений.
Покажем на примере алгоритм решения задачи графическим методом.
Алгоритм решения задачи графическим методом.
Пример. Найдите наибольшее значение функции
F = 2 x1 + 3 x2 – 3 при следующих ограничениях
(2.3)
1. Найдем область допустимых решений. Для этого построим прямые:
(1)
(2)
(3)
(4)
(5)
отметим штриховкой «допустимые» полуплоскости – решения каждого из неравенств системы (3). Многоугольник ОАВСД (рис.2.1) и есть область допустимых решений (ОДР).
Среди этих решений требуется найти оптимальное, т.е. среди всех точек выпуклого многоугольника ОАВСД, надо найти такую точку, координаты которой обращают в максимум линейную функцию
F = 2 x1 + 3 x2 – 3.
2. Построим опорную прямую. Для этого придадим F определенное числовое значение, например, возьмем F = 0, получим линейное уравнение с двумя неизвестными 2 x1 + 3 x2 – 3 = 0 , график которого есть прямая линия на плоскости, на рис.2.1 она обозначена L.
Рис. 2.1
3. Построим вектор градиент функции z:
grad F = (2; 3).
4. Переместим прямую L параллельно самой себе в направлении градиента до выхода из ОДР. Функция F достигнет своего оптимального (максимального) значения в точке В «точке выхода» из области допустимых решений.
5. Определим координаты точки В. Точка В является точкой пересечения прямых (1) и (3), следовательно, ее координаты находятся из системы уравнений
Решая эту систему, получим: х1 = 2; х2 = 6.
Теперь вычислим значение целевой функции z = 2 x1 + 3 x2 – 3 при этих значениях неизвестных: z = 2 2 + 3 6 – 3 = 19.
Итак, наибольшее значение функции z = 2 x1 + 3 x2 – 3 равно 19, и оно достигается при х1 = 2; х2 = 6 .
Если же передвигать опорную прямую в противоположную сторону, то можно найти точку «входа», точку в которой достигается минимальное значение целевой функции. В последнем примере это точка О(0;0).