2 MP
2016
Pengertian Prog.Matematika
Pemrograman Linear
Penerapan LP
Pemrograman linear telah berhasil diterapkan untuk
berbagai masalah manajemen, seperti produksi, analisis
investasi iklan, transportasi, operasi kilang,, dll
Selama bertahun-tahun, program linear telah ditemukan
berguna tidak hanya dalam bisnis dan industri, tetapi juga
dalam organisasi non-profit seperti pemerintah, rumah sakit,
perpustakaan, pendidikan, dll
Sebenarnya, program linear meningkatkan kualitas
keputusan dengan memperkuat kemampuan analitik dari
pembuat keputusan.
Harap dicatat bahwa hasil dari model matematika yang
Anda akan belajar tidak bisa menggantikan pengalaman
pengambil keputusan dan intuisi, tetapi mereka memberikan
data yang komprehensif diperlukan untuk menerapkan
pengetahuannya secara efektif.
6
dasar Terminologi
Fungsi linear
Sebuah fungsi linear mengandung istilah yang masing-masing terdiri
dari hanya satu variabel, terus menerus dinaikkan menjadi (dan
hanya) kekuatan 1.
Fungsi tujuan
Ini adalah fungsi linier dari variabel keputusan mengekspresikan
tujuan dari pembuat keputusan. Bentuk yang paling khas dari fungsi
objektif adalah: memaksimalkan f (x) atau meminimalkan f (x).
Variabel keputusan
Ini adalah jumlah ekonomis atau fisik yang numerik nilai
menunjukkan solusi dari masalah pemrograman linear. Variabel ini
berada di bawah kendali pembuat keputusan dan bisa
berdampak pada solusi untuk masalah yang sedang
dipertimbangkan. Hubungan antara variabel-variabel ini harus linier
dasar Terminologi(LANJUTAN)
Kendala
Ini adalah persamaan linear yang timbul dari keterbatasan
praktis. Bentuk matematika dari kendala adalah:? F (x) b
atau f (x) b atau f (x) = b
Solusi layak
Setiap solusi non-negatif yang memenuhi semua kendala ini
dikenal sebagai solusi yang layak. Daerah terdiri dari semua
solusi yang layak disebut sebagai daerah feasible.
Solusi optimal
Solusi mana fungsi tujuan dimaksimalkan atau diminimalkan
dikenal sebagai solusi optimal.
Masalah General LP
13
15
Model formulasi
Bahkan, masalah yang paling sulit dalam penerapan ilmu
manajemen adalah perumusan model.
Oleh karena itu, penting untuk mempertimbangkan
formulasi model sebelum meluncurkan ke rincian solusi
pemrograman linear.
Formulasi model adalah proses transformasi masalah kata
keputusan yang sebenarnya menjadi model riset operasi.
Pada bagian berikutnya, kami memberikan contoh kecil
sekali beberapa sehingga Anda bisa mendapatkan
beberapa pengalaman merumuskan model.
Semua contoh yang kami sediakan di bagian berikut ini dari
model statis, karena mereka berurusan dengan keputusan
yang terjadi hanya dalam jangka waktu tunggal.
16
.....
LINEAR PROGRAMMING
n
dengan batasan;
Keterangan:
j1
X j b i
Xj = jenis kegiatan
n = jumlah kegiatan
ij
i 1 j1
dan X j 0 (j 1,2,....n)
b i 0 (i 1,2.....m)
misal terdapat dua variabel kegiatan dan
tiga batasan sumber daya, pers. matematisnya sbb;
Fungsi tujuan Maks / min Z c1 X1 c2 X2
dengan batasan a 11 X 1 a 12 X 2 b1
a 21 X1 a 22 X 2 b 2
a 31 X 1 a 32 X 2 b 3
dan X 1 , X 2 0
19
Bentuk PL lainnya:
Bentuk Matrik
Maksimumkan C x
Dengan Kendala Ax b
C= vektor biaya ; A = matrik teknis
x= vektor variabel
b = vektor pembatas
Bentuk Kanonik
Bentuk PL lainnya(2):
Bentuk Standar
Ciri - ciri bentuk PL standar :
1. Fungsi tujuan bisa maksimum, bisa
2. Fungsi kendala berbentuk =.
3. Ruas kanan non-negatip.
4. Semua variabel harus non-negatip.
minimum.
Bila fungsi non negatip untuk suatu variabel tidak ada ( misal variabel
bebas), maka variabel tersebut harus
diganti dengan 2 variabel nonnegatip lainnya.
opt Z c j x j
x
j 1
a x
ij
~ bi
, i 1,...,m
j 1
xj 0
j 1,...,n
~{, ,}
A Standard Form
opt Z c j x j
x
j 1
a x
ij
~ bi
, i 1,...,m
j 1
xj 0
j 1,...,n
~{, ,}
MasalahProduk Mix
Dalam pemilihan produk campuran, pembuat keputusan
berusaha untuk menentukan kombinasi produk yang akan
memaksimalkan keuntungan tanpa melanggar kendala sumber
daya.
Dalam contoh di bawah ini, tujuannya adalah untuk
memaksimalkan keuntungan. Pada contoh berikutnya, Anda
akan melihat tujuan lain, seperti biaya minimal.
contoh 1
Universal Corporation memproduksi dua produk-P1 dan P2.
Keuntungan per unit dari dua produk adalah Rs. 50 dan Rs. 60
masing-masing.
Kedua produk memerlukan pengolahan dalam tiga mesin.
Tabel berikut menunjukkan jam mesin yang tersedia per minggu
dan waktu yang dibutuhkan pada setiap mesin untuk satu unit P1
dan P2.
Merumuskan masalah bauran produk dalam bentuk linear
programming.
28
Product
Available Time
(in machine hours per week)
P1
P2
300
509
812
Profit
Rs. 50
Rs. 60
29
31
asumsi
Aditivitas. Jumlah total dari setiap masukan dan keuntungan yang
sesuai adalah jumlah dari input dan keuntungan untuk setiap proses
individu. Sebagai contoh, satu unit Produk 1 dan satu unit produk 2
memerlukan 3 (2 + 1) jam pengolahan dalam mesin 1, 7 (3 + 4) jam
pengolahan dalam mesin 2, 11 (4 + 7) jam pengolahan dalam mesin 3,
dan menghasilkan Rs.110 (50 + 60) keuntungan.
Keterbagian. Tingkat aktivitas yang diizinkan untuk mengasumsikan nilai
pecahan serta nilai integer. Sebagai contoh, kita mengakui
kemungkinan x1 = 300/3 atau 169,67, x2 = 509/7 atau 127,25.
Proporsionalitas. Jumlah total dari setiap masukan dan keuntungan
yang terkait secara langsung proporsional dengan tingkat output.
Menggandakan (atau tiga kali lipat) produksi suatu produk justru akan
dua kali lipat (atau tiga) keuntungan dan sumber daya yang
diperlukan. Misalnya, untuk memproduksi 1 unit produk 1 (x1 = 1), kami
memerlukan 2 jam pengolahan di mesin 1, 3 jam dari pengolahan di
mesin 2, 4 jam dari pengolahan di mesin 3, dan keuntungan adalah
Rs.50. Dengan cara yang sama, untuk memproduksi 10 unit produk 1
(x1 = 10), kami memerlukan 20 jam pengolahan di mesin 1, 30 jam
pengolahan dalam mesin 2, 40 jam pengolahan dalam mesin 3, dan
32
Riset Operasi - Man. Persandian
keuntungan adalah
Rs. 500.
masalah kemasan
contoh 2
Perusahaan Stuffing Terbaik memproduksi dua jenis kemasan kaleng-bulat &
datar. Fasilitas produksi utama yang terlibat memotong dan bergabung.
Departemen pemotongan dapat memproses 200 kaleng bulat atau 400 kaleng
flat per jam. Departemen bergabung dapat memproses 400 kaleng bulat atau
200 kaleng flat per jam. Jika kontribusi terhadap laba untuk timah bulat adalah
sama dengan kaleng datar, apakah tingkat produksi yang optimal?
Solusi.
Biarkan x1 = jumlah kaleng bulat per jam dan x2 = jumlah kaleng datar per jam
Karena kontribusi terhadap keuntungan identik untuk kedua produk, fungsi tujuan
dapat dinyatakan sebagai x1 + x2. Oleh karena itu, masalah dapat dirumuskan
sebagai
Maximize Z = x1 + x2
subject to
(1/200)x1 + (1/400)x2 1
(1/400)x1 + (1/200)x2 1
x1 0, x2 0
i.e., 2x1 + x2 400
x1 + 2x2 400
x1 0, x2 0
33
masalah diet
Contoh 3
Tiga komponen gizi yaitu, thiamin, fosfor dan zat besi ditemukan dalam
diet dari dua item makanan - A dan B. Jumlah masing-masing gizi (dalam
miligram per ounce, yaitu, mg / oz) diberikan di bawah ini:
Biaya makanan A dan B adalah Rs. 2 per oz dan Rs. 1,70 per oz masingmasing. Kebutuhan minimum setiap hari dari nutrisi ini minimal 1,00 mg
thiamin, 7,50 mg fosfor, dan 10,00 mg zat besi. Merumuskan masalah ini
dalam bentuk linear programming.
Food Item
Nutrient
Thiamin
0.12 mg/oz
0.10 mg/oz
Phosphorus
0.75 mg/oz
1.70 mg/oz
Iron
1.20 mg/oz
1.10 mg/oz
34
35
Memadukan masalah
Contoh 4
Manajer Kilang Minyak Deep Sea harus memutuskan pada campuran
yang optimal dari dua proses pencampuran kemungkinan yang input
dan output per menjalankan produksi diberikan dalam tabel berikut:
Process
Input (units)
Output (units)
Profit
Crude P
Crude Q
Gasoline S Gasoline T
400
500
Total
availabilitie
s
300
250
120
100
36
38
persamaan (=)
(FT) Maks
Z 200 X 1 150 X 2 ......Fung si tujuan
dengan batasan
4X 1 2 X 2 120....... ..(1) kendala kayu sono keling
2X 1 2 X 2 100....... ..(2) kendala kayu jati
X 1 3 X 2 90 ........(3 ) kendala mesin
dan X 1 , X 2
40
X2
B
4X1 + 2 X2 120
60
50
2X1 + 2 X2 100
30
G
H
X1 + 3 X2 90
A
0
50
30
90
X1
41
A ( 30;0)
H (18;24)
G (0;30)
TITIK
X1
X2
A
H
G
30
18
0
0
24
30
6.000
7.200
4.500
42
..Eq (4)
> Constraint
x2
Max
40
Z 2 x1 3 x2
s.t.
x1 x2
35
30
x1 3 x2 35
25
x1
20
Constraint
1
15
20
20
3.5 x1 5 x2 35
Constraint
3
xx11,,xx22 00
10
Constraint
2
Constraint
10
15
20
25
30
35
40
x1
49
Equality Constraint
x2
Max
40
Z 2 x11 3 x22
s.t.
35
30
25
20
Constraint
1
15
Constraint
3
Constraint
2
5
10
15
20
25
30
35
x1
20
20
xx11,,xx22 00
10
5
x11 x22
x1 3 x22
35
40
x1
50
Metode grafis
Masalah pemrograman linear dengan dua variabel keputusan
dapat dengan mudah diselesaikan dengan metode grafik. Masalah
tiga dimensi juga dapat diselesaikan dengan metode ini, tetapi solusi
grafis mereka menjadi rumit.
Dasar Terminologi
Daerah layak
Ini adalah koleksi dari semua solusi yang layak. Pada gambar berikut,
daerah yang diarsir merupakan daerah feasible.
51
54
55
Titik akhir (titik sudut) dari daerah yang diarsir adalah (0,0), (11,0), (5,7,
11,58) dan (0,15).
Nilai-nilai fungsi tujuan pada titik-titik ini 0, 198, 288 (approx.) dan 240.
Dari keempat nilai, 288 adalah maksimum.
Solusi optimal adalah pada huruf b yang ekstrim, di mana x1 = 5,7 x2 = &
11,58, dan z = 288.
57
58
Pada gambar di atas, tidak ada luar yang unik yang paling pojok yang
terpotong oleh garis fungsi tujuan.
Semua poin dari P ke Q berbaring di garis PQ merupakan solusi optimal
dan semua ini akan memberikan nilai optimal yang sama (keuntungan
maksimum) dari Rs. 160.
Hal ini ditunjukkan oleh fakta bahwa baik P poin dengan koordinat (40,
60) dan Q dengan koordinat (60, 50) berada di garis x1 + 2x2 = 160.
Dengan demikian, setiap titik pada garis PQ memaksimalkan nilai dari
fungsi tujuan dan masalah memiliki beberapa solusi.
60
masalah
infeasible
Dalam beberapa kasus, ada daerah solusi yang layak,
yaitu, tidak ada poin yang memenuhi semua kendala
dari masalah.
Masalah LP tidak layak dengan dua variabel keputusan
dapat diidentifikasi melalui grafiknya.
Sebagai contoh, mari kita mempertimbangkan
masalah pemrograman linear berikut.
Minimize z = 200x1 + 300x2
subject to
2x1 + 3x2 1200
x1 + x2 400
2x1 + 1.5x2 900
x1, x2 0
Wilayah yang terletak di sebelah kanan PQR mencakup
semua solusi, yang memenuhi kendala pertama dan
ketiga.
Wilayah yang terletak di sebelah kiri ST mencakup
semua solusi, yang memenuhi kendala kedua.
Dengan demikian, masalahnya adalah tidak layak
karena tidak ada set poin yang memenuhi semua tiga
kendala.
61
ringkasan
Bab ini memulai studi Anda model linier.
Pemrograman linear adalah topik yang menarik dalam
penelitian operasi dengan aplikasi luas dalam berbagai
masalah manajemen, ekonomi, keuangan, pemasaran,
transportasi dan pengambilan keputusan yang berkaitan
dengan operasi dari hampir semua organisasi swasta
atau publik.
Tidak diragukan lagi, teknik pemrograman linear adalah
salah satu aplikasi yang paling sukses secara komersial
dari riset operasi.
Dalam bab ini, Anda belajar bagaimana untuk
merumuskan masalah pemrograman linear, dan
kemudian kita membahas metode grafis untuk
memecahkan LPP dengan dua variabel keputusan.
64
Perusahaan Jepara furniture memproduksi mebel dari kayu. Bahan baku yang
digunakan berupa kayu jati dan kayu sono keling.
Jumlah kebutuhan bahan baku dan waktu mesin yang diperlukan untuk
membuat setiap unit mebel (meja dan kursi) serta kapasitas yang tersedia
sbb
Sumber daya
kayu sono keling.(unit)
Kayu Jati (unit)
Mesin (jam-mesin)
Model Meja
Model Kursi
kapasitas
4
2
1
2
2
3
120
100
90
65
66
Dimana Z = total
keuntungan ( dolar)
67
Latihan
VITAMIN
A
B
KONTRIBUSI VITAMINPADA
(mg)
TELUR
DAGING
KEBUTUHAN
MINIMUM
(mg)
2
3
4
2
16
12
Harga satu butir telur Rp 1000 dan satu potong daging Rp 2000. Tentukan
berapa telur dan daging harus disajikan untuk 200 set menu tersebut agar
biaya totalnya minimum, tetapi tetap memenuhi persyaratan gizi
68
Latihan 2
Initial Assumptions
Augmented Form
Original Form
Maximize
Maximize
Z = 3x1+
Z = 3x1+
5x2
subject to
subject to
x1
5x2
x1
+s1
=4
2x2 12
2x2
= 12
3x1+ 2x2 18
3x1+ 2x2
= 18
x1,x2 0
x1,x2
X2
subject to
(0,6,4,0,6)
(2,6,2,0,0)
(2,3,2,6,6)
(4,6,0,0,-6)
(4,3,0,6,0)
5x2
+s1
x1
2x2
+s2
3x1+ 2x2
x1,x2, s1, s2, s3 0
=4
= 12
+s3 = 18
Augmented solution
(0,2,4,8,14)
(0,0,4,12,18)
(4,0,0,12,6)
(6,0,-2,12,0)
X1
atau
atau
S1 = 60 4M 2K
S2 = 48 2M 4K
M 0; K 0
Variabel dibagi menjadi non-basic variables dan basic variables.
Non-basic variables variabel yg tdk keluar sbg solusi pd
setiap iterasi, nilainya sama dg nol.
basic variables
75
Basic X1
variable
Xn S1
... Sn A1 . An
RHS
b1
bm
Objective function coefficient
In different signs
Z
value
Elemen pivot
BV
CV
S1
S2
Rasio
S1
60
60/4
S2
48
48/2
Zj
-8
-6
Persamaan
pivot
iterasi
Kolom kunci ditentukan oleh nilai baris Z negatif terbesar,
Hasil iterasi 1:
BV
CV
S1
S2
Rasio
15
1/2
1/4
30
S2
18
-1/2
120
-2
Hasil iterasi 2:
BV
CV
S1
S2
12
1/3
-1/6
-1/6
1/3
132
5/3
2/3
Reduced costs
Rasio
Dual Prices
Simplex method
Simplex method
Solution
Initialization
1. Standard form
Maximize Z,
Subject to
Z - 3X1- 5X2
X1
+ S1
Sometimes it is called
the augmented form of
the problem because
the original form has
=0
been augmented by
some supplementary
= 4 variables needed to
= 12 apply the simplex
method
2 X2
+ S2
3X1 +2X2
+ S3 = 18
X1 , X2, S1, S2, S3 0
Initial tableau
Entering
variable
2. Initial tableau
Basic
variable
X1
X2
S1
S2
S3
RHS
S1
S2
12
S3
18
-3
-5
Leaving
variable
Pivot column
Pivot row
Pivot
number
Simplex
tableau
Notes:
The basic feasible solution at the initial tableau is (0, 0, 4, 12, 18) where:
The solution at the initial tableau is associated to the origin point at which all
the decision variables are zero.
Iteration
1.
X1
X2
S1
S2
S3
RHS
1/2
iteration
2. For the other row apply this rule:
New row = old row the coefficient of this row in the pivot column (new pivot row).
For S1
1
0 (0
1
For S3
0
1
0
3
2 (0
3
for Z
-3
-5(0
-3
2
1
0
1
0
1
0
1/2
0
0
0
0
-5
1
0
0
0
0
0
0
0
0
1/2
-1
0
1/2
5/2
4
6)
4
1
0
1
18 6)
6
0
0
0
06)
30
Substitute this
values in the
table
Iteration
This solution is not optimal, since there is a negative numbers in the last row
Basic
variable
S1
X2
S3
Z
X1
X2
S1
S2
S3
RHS
1
0
3
-3
0
1
0
0
1
0
0
0
0
1/2
-1
5/2
0
0
1
0
4
6
6
30
Iteration
Basic
variable
S1
X2
X1
X1
X2
S1
S2
S3
RHS
0
0
1
0
1
0
1
0
0
1/3
1/2
-1/3
-1/3
0
1/3
2
6
2
3/2
36
Cara lain
2.
3.
4. Dengan metode Gauss Jordan: Menentukan kolom kunci (KK) atau kolom
masuk yaitu kolom dengan nilai (Cj Zj) positif terbesar (untuk tujuan
memaksimumkan) atau kolom dengan nilai (Cj Zj) negatif terbesar (untuk
tujuan meminimumkan).
5. Menentukan baris kunci (BK) atau persamaan pivot yaitu baris yang
memiliki nilai (bi/akk) positif terkecil. akk = angka pada kolom kunci dan
baris yang sama.
6. Menentukan angka kunci (ak) atau elemen pivot yaitu angka pada
perpotongan baris kunci dan kolom kunci.
7. Mengganti variabel Cj pada baris kunci dengan variabel kolom yang terletak
pada kolom kunci. Nama variabel basis menjadi nama variabel yang
dipindahkan.
8. Transformasi: terhadap baris persamaan
BK baru = Baris lama / angka kunci (ak)
Baris lain = Baris lama (koefisien kolom kunci) x BK baru
9. Kembali ke langkah 1
10. Solusi optimal diperoleh, dimana nilai variabel basis untuk
masing-masing baris terletak di kolom bi.
Penyelesaian:
Fungsi Tujuan: Memaksimumkan Z = 80x1 + 100x2
Fungsi Kendala:
1x1 + 2x2
40
4x1 + 3x2
120
x1, x2 0
Langkah (1) Maksimumkan Z = 80x1 + 100x2 + 0s1 + 0s2
Dengan batasan: 1x1 + 2x2 + 1s1 + 0s2 = 40
4x1 + 3x2 + 0s1 + 1s2 = 120
Langkah (2)
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
s1
40
s2
120
Zj
Cj-Zj
bi/akk
Langkah (3)
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
s1
40
s2
120
80
100
x1
x2
s1
s2
bi
Zj
bi/akk
Cj-Zj
Langkah (4)
Cj
Basis/
dasar
s1
40
s2
120
Zj
Cj-Zj
80
100
bi/akk
Langkah (5) Ternyata nilai-nilai (Cj Zj) masih 0, maka belum optimal
Langkah (6), (7), (8)
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
bi/akk
s1
40
20
s2
120
40
Zj
Cj-Zj
80
100
KK
ak = elemen pivot
BK
80
100
x1
x2
s1
s2
bi
x2
100
1/2
1/2
20
s2
5/2
-3/2
60
bi/akk
Zj
Cj-Zj
80
100
x1
x2
s1
s2
bi
x2
100
1/2
1/2
20
s2
5/2
-3/2
60
50
100
50
2000
Zj
Cj-Zj
bi/akk
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
bi/akk
x2
100
1/2
1/2
20
40
s2
5/2
-3/2
60
24
Zj
50
100
50
2000
Cj-Zj
30
-50
BK
KK
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
x2
100
4/5
-1/5
x1
80
-3/5
2/5
24
Zj
Cj-Zj
bi/akk
80
100
x1
x2
s1
s2
bi
x2
100
4/5
-1/5
x1
80
-3/5
2/5
24
80
100
32
12
2720
Zj
bi/akk
Cj-Zj
Cj
Basis/
dasar
80
100
x1
x2
s1
s2
bi
x2
100
4/5
-1/5
x1
80
-3/5
2/5
24
Zj
80
100
32
12
2720
Cj-Zj
-32
-12
optimal
bi/akk
Nilai
variabel
Example:
Maximize Z = 7X1+5X2 , subject to the constraints,
X1+2X2 < or = 6
4X1+3X2 < or = 12 and X1 & X2 are non-negative.
Example:
Maximize Z = 7X1+5X2 , subject to the constraints,
X1+2X2 < or = 6
4X1+3X2 < or = 12 and X1 & X2 are non-negative.
Cj
Basic
Basic
CB Variable
Soln(XB)
(B)
0
S1
6
0
S2
12
Zj
(Net Evaluation)Cj - Zj
Initial Tableau
7
5
X1
X2
S1
S2
1
4
0
7
2
3
0
5
1
0
0
0
0
1
0
0
Min.Ratio
(XB/Pivotal
Col.)
6/1=6
12/4=3
CB
0
7
Basic
Variable
(B)
S1
X1
Cj
Basic
Soln(XB)
X1
X2
S1
S2
0
1
7
0
54
3/4
21 4
- 1/4
1
0
0
0
- 1/4
1/4
74
-74
3
3
Zj
(Net Evaluation)Cj - Zj
Min.Ratio
(XB/Pivotal
Col.)
MINIMIZATION CASE
Pada bagian sebelumnya, metode simpleks diterapkan masalah
pemrograman linier di mana tujuannya adalah untuk memaksimalkan
keuntungan dengan kurang dari atau sama dengan suatu nilai kendala.
Dalam banyak kasus, bagaimanapun, kendala mungkin tipe atau = dan
tujuannya mungkin meminimalisasi (misalnya, biaya, waktu, dll).
Dengan demikian, dalam kasus tersebut, metode simpleks harus dimodifikasi
untuk mendapatkan kebijakan yang optimal.
Consider the general linear programming problem
Minimize z = c1x1 + c2x2 + c3x3 + .........+ cnxn
subject to
a11x1 + a12x2 + a13x3 + .........+ a1nxn b1
a21x1 + a22x2 + a23x3 + .........+ a2nxn b2
.........................................................................
am1x1 + am2x2 + am3x3 + .........+ amnxn bm
x1, x2,....., xn 0
Changing the sense of the optimization
Any linear minimization problem can be viewed as an equivalent linear
maximization problem, and vice versa.
Min. z = c1x1 + c2x2 + c3x3 + .........+ cnxn
It can be written as
Max. z = -(c1x1 + c2x2 + c3x3 + .........+ cnxn)
103
MINIMIZATION CASE
104
Example
Maximize
P = 2x1 + x2
subject to
x1 + x2 < 10
x1 + x2 > 2
x1 , x2 > 0
To form an equation out of the first inequality, we introduce a
slack variable s1, as before, and write
x1 + x2 + s1 = 10.
Example
(continued)
To form an equation out of the second inequality we
introduce a second variable s2 and subtract it from the left
side so that we can write
x1 + x2 s2 = 2.
The variable s2 is called a surplus variable, because it is the
amount (surplus) by which the left side of the inequality
exceeds the right side.
Example
(continued)
We now express the linear programming problem as a system of
equations:
x1 + x2 + s 1
x1 + x2
= 10
s2
2x1 x2
x1 , x 2 , s1 , s2 > 0
=2
+P=0
Example
(continued)
It can be shown that a basic solution of a system is not feasible if
any of the variables (excluding P) are negative. Thus a surplus
variable is required to satisfy the nonnegative constraint.
An initial basic solution is found by setting the nonbasic variables
x1 and x2 equal to 0. That is, x1 = 0, x2,= 0,, s1= 10, s2 = -2, P = 0.
This solution is not feasible because the surplus variable s2 is
negative.
Artificial Variables
Example
(continued)
Returning to our example, we introduce an artificial variable a1 into
the equation involving the surplus variable s2:
x 1 + x 2 s 2 + a1 = 2
To prevent an artificial variable from becoming part of an optimal
solution to the original problem, a very large penalty is
introduced into the objective function. This penalty is created by
choosing a positive constant M so large that the artificial variable is
forced to be 0 in any final optimal solution of the original problem.
Example
(continued)
We then add the term Ma1 to the objective function:
P = 2x1 + x2 Ma1
We now have a new problem, called the modified problem:
Maximize
P = 2x1 + x2 - Ma1
subject to
x1 + x2 + s1
= 10
x1 + x2 s2 + a1 = 2
x1, x2, s1, s2, a1 > 0
Big M Method:
Form the Modified Problem
For each artificial variable a, add Ma to the objective function. Use the
same constant M for all artificial variables.
Example
(continued)
The initial system for the modified problem is
x 1 + x 2 + s1
= 10
x1 + x2 s2 + a1 = 2
2x1 x2 + Ma1 + P = 0
x1, x2, s1, s2, a1 > 0
We next write the augmented coefficient matrix for this system,
which we call the preliminary simplex tableau for the modified
problem.
Example
(continued)
x1
x2
s1
s2
a1
1 1 1 0 0
1 1 0 1 1
2 1 0 0 M
0 10
0 2
1 0
Definition:
Initial Simplex Tableau
For a system tableau to be considered an initial simplex tableau, it must
satisfy the following two requirements:
1. The requisite number of basic variables must be selectable. Each basic variable
must correspond to a column in the tableau with exactly one nonzero
element. Different basic variables must have the nonzero entries in different
rows. The remaining variables are then selected as non-basic variables.
2. The basic solution found by setting the non-basic variables equal to zero is
feasible.
Example
(continued)
The preliminary simplex tableau from our example
satisfies the first requirement, since s1, s2, and P can be
selected as basic variables according to the criterion stated.
However, it does not satisfy the second requirement since
the basic solution is not feasible (s2 = -2.)
To use the simplex method, we must first use row
operations to transform the tableau into an equivalent
matrix that satisfies all initial simplex tableau
requirements. This transformation is not a pivot
operation.
Example
(continued)
x1
x2
s1
s2
a1
1 1 1 0 0
1 1 0 1 1
2 1 0 0 M
0 10
0 2
1 0
If you inspect the preliminary tableau, you realize that the problem
is that s2 has a negative coefficient in its column. We need to
replace s2 as a basic variable by something else with a positive
coefficient. We choose a1.
Example
(continued)
We want to use a1 as a basic variable instead of s2. We proceed
to eliminate M from the a1 column using row operations:
x1
(-M)R2 + R3 ->R3
x2 s1 s2
a1
1 1 1 0 0
1 1 0 1 1
2 1 0 0 M
0 10
0 2
1 0
1
1
1 0 0 0 10
1
0 1 1 0 2
1
M 2 M 1 0 M 0 1 2M
Example
(continued)
From the last matrix we see that the basic variables are s1, a1,
and P because those are the columns that meet the
requirements for basic variables.
The basic solution found by setting the nonbasic variables
x1, x2, and s2 equal to 0 is
x1 = 0, x2 = 0, s1 = 10, s2 = 0, a1 =2, P = 2M.
The basic solution is feasible (P can be negative) and all
requirements are met.
Example
(continued)
We now continue with the usual simplex process, using pivot
operations. When selecting the pivot columns, keep in mind that
M is unspecified, but we know it is a very large positive number.
1
1
1 0 0 0 10
1
0 1 1 0
2
1
M 2 M 1 0 M 0 1 2M
Example
(continued)
If we pivot on the second row, second column, and then on the
first row, first column, we obtain:
x1
x1
x2
1 0
0 1
0 0
x2 s1 s2
1
2
1
2
3
2
a1
1
1
0 4
2
2
1
1
0 6
2
2
1
1
M
1 14
2
2
Since all the indicators in the last row are nonnegative, we have
the optimal solution:
Max P = 14 at x1 = 4, x2 = 6, s1 = 0, s2 = 0, a1 = 0.
A1
A2
80
60
600
X1
500
X2
2
1
1
2
Zj 3M
3M
Cj - Zj 600-3M 500-3M
M
Min.Ratio
(XB/Pivotal
Col.)
S1
S2
A1
A2
-1
0
M
M
0
-1
M
M
1
0
M
0
0 80
1 60
M
0
Cj
600
500
Basic
Basic
CB Variab
Soln(XB)
le (B)
X1
X2
S1
S2
A1
Min.Ratio
(XB/Pivota
l Col.)
M
500
3 2
1 2
0
1
-1
0
1 2
- 1/2
1
0
100/3
60
500
M/2-250
250-M/2
A1
X2
50
30
Zj 3M/2+250
Cj - Zj 350-3M/2
Basic
Varia Basic
ble Soln(XB)
(B)
X1
X2
100/3
40/3
Zj
Cj - Zj
600
500
X1
X2
S1
S2
1
0
600
0
1
500
0
2 3
1 3
700 3
700 3
1 3
2 3
400 3
400 3
Min.
Ratio
(XB/P
ivotal
Col.)
Big M Method:
Summary
To summarize:
1. Form the preliminary simplex tableau for the
modified problem.
2. Use row operations to eliminate the Ms in the bottom
row of the preliminary simplex tableau in the columns
corresponding to the artificial variables. The resulting
tableau is the initial simplex tableau.
3. Solve the modified problem by applying the simplex
method to the initial simplex tableau found in the
second step.
P x1 4 x2 2 x3
Subject to
x 2 x3 4
x1 x 3 6
x1 x 2 x 3 1
Maximize z = x1 + 5x2
subject to
3x1 + 4x2 6
x1 + 3x2 2
x1, x 2 0
133
Solution:
x2 x3 s1 4
x1 x3 a1 6
x1 x2 x3 s 2 a 2 1
x1 4 x2 2 x3 Ma1 Ma2 P 0
Solution:
Use row operations to eliminate Ms in
the bottom row of the preliminary
simplex tableau.
(-M) R2 + R4 = R4
(-M)R3 + R4 = R4
Solution:
s1 ,a1 ,a2 , P
The basic solution is
feasible:
Solution:
1R2 R3 R3
( 2M 1 )R2 R4 R4
3R1 R4 R4
MR3 R4 R4
( 1 )R1 R4 R4
Solution:
x1
0
x2
1
1 0
0 1
0 0
x3 s1 a1
1 1 0
s 2 a2
0 0
P
0 4
1 0 1 0 0 0 6
0 0 1 1 1 0 5
1 4 ( M 1 ) 0 M 1 22
Solution:
x2 4
x1 6
P 22
x3 0
cB
Basic variables
B
x1
x2
x3
x4
A1
Solution
values
b (= XB)
x3
A1
M1
3M5
zjcj
142
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (= XB)
x3
5/3
4/3
10/3
x2
1/3
1/3
2/3
2/3
5/3
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (= XB)
x4
5/4
3/4
5/2
x2
3/4
1/4
3/2
11/4
5/4
zjcj
Table 3
zjcj
143
-4
-2
cB
Basic
variables
B
x1
x2
x3
x4
x5
A1
A2
A3
Solution
values
b (= XB)
A1
-1
27
-M
A2
-1
21
A3
-1
30
-5M + 4
-4M + 2
zjcj
-4
-2
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
A3
Solution
values
b (= XB)
x1
1/3
-1/3
-M
A2
2/3
1/3
-1
12
A3
5/3
1/3
-1
21
-7M/3 + 2/3
-2M/3 - 4/3
zjcj
Table 3
cj
-4
-2
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
Solution
values
b (= XB)
x1
-2/5
1/5
24/5
A2
1/5
-1
2/5
18/5
-2
x2
1/5
-3/5
63/5
-M/5 + 6/5
-2M/5 + 2/5
zjcj
146
-4
-2
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x1
-1/2
1/2
x5
1/2
-5/2
-2
x2
1/2
-3/2
18
zjcj
147
Example 1
Minimize z = -3x1 + x2 - 2x3
subject to
x1 + 3x2 + x3 5
2x1 x2 + x3 2
4x1 + 3x2 - 2x3 = 5
x1, x2, x3 0
149
150
Converting inequalities to
equalities
x1 + 3x2 + x3 + x4 = 5
2x1 x2 + x3 x5 = 2
4x1 + 3x2 - 2x3 = 5
x1, x2, x3, x4, x5 0
dimana : x4 variabel slack dan x5 variable surplus
Sekarang, jika kita membiarkan x1, x2 dan x3 sama dengan nol dalam solusi
awal, kita akan memiliki x4 = 5 dan x5 = -2, yang tidak mungkin karena
variabel Surplus tidak bisa negatif. Oleh karena itu, kita perlu variabel
artificial.
x1 + 3x2 + x3 + x4 = 5
2x1 x2 + x3 x5 + A1 = 2
4x1 + 3x2 - 2x3 + A2 = 5
x1, x2, x3, x4, x5, A1, A2 0
Dengan A1 dan A2 adalah artificial variables.
151
152
-1
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A1
A2
Solution
values
b (= XB)
x4
-1
A1
-1
-1
-1
A2
-2
-6
-2
zjcj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
Solution
values
b (= XB)
x4
7/2
1/2
1/2
x1
-1/2
1/2
-1/2
-1
A2
-4
zj-cj
-5
-2
153
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x4
33/10
-9/10
33/10
x1
1/10
-3/10
11/10
-1
x2
-4/5
2/5
1/5
-9/10
-13/10
zj-cj
Table 4
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x4
9/4
3/2
15/4
x1
3/4
-1/2
5/4
x5
5/2
-2
zj-cj
13/4
-7/2
1/2
154
Table 5
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x3
3/2
2/3
5/2
x1
3/2
1/3
5/2
x5
11/2
4/3
11/2
17/2
7/3
zj-cj
Sebuah hasil yang optimal adalah x1 = 5/2, x2 = 0, x3 = 5/2. Nilai optimal terkait dari fungsi tujuan
adalah z = 3 X (5/2) - 0 + 2 X (5/2) = 25/2.
-1
-1
cB
Basic variables
B
x1
x2
x3
x4
x5
A1
A2
Solution values
b (= XB)
x4
16
12
250
-1
A1
10
-1
80
-1
A2
105
-11
-17
-18
zjcj
157
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
Solution
values
b (= XB)
x4
16/5
32/5
6/5
154
x3
2/5
4/5
-1/10
-1
A2
19/5
13/5
4/5
41
-19/5
-13/5
-4/5
zj-cj
Di sini, Tahap 1 berakhir karena kedua variabel buatan telah dihapus dari basis.
158
12
15
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x4
80/19
10/19
2270/19
x3
10/19
-7/38
70/19
12
x1
13/19
4/19
205/19
-39/19
33/38
zj-cj
Table 4
cj
12
15
cB
Basic
variables
B
x1
x2
x3
x4
x5
Solution
values
b (= XB)
x4
-8
90
15
x2
19/10
-7/20
12
x1
-13/10
9/20
39/10
3/20
zj-cj
159
cB
Basic
variables
B
x1
x3
0
0
zj-cj
-2
'
3
'
-3
x2''
x3
x4
x5
Solution
values
b (=XB)
x1''
x2
-1
-2
x4
-1
-1
x5
-1
-3
-2
-3
162
Table 2
cj
-2
-3
cB
Basic
variables
B
x1
x1''
x2
x2''
x3
x4
x5
Solution
values
b (=XB)
x2'
-1/2
1/2
-1
1/2
x4
3/2
-3/2
-1/2
x5
5/2
-5/2
-3/2
-7/2
7/2
3/2
cj
-2
-3
cB
Basic
variables
B
x1
x1''
x2
x2''
x3
x4
x5
Solution
values
b (=XB)
x2'
-1
1/5
1/5
13/5
x4
2/5
-3/5
11/5
x1'
-1
-3/5
2/5
6/5
zj-cj
'
'
Table 3
zj-cj
'
'
-3/5
163
7/5
cB
Basic
variables
B
x1
x2'
0
2
zj-cj
-2
-3
x1''
x2
x2''
x3
x4
x5
Solution
values
b (=XB)
-1
-1/2
1/2
3/2
x3
5/2
-3/2
11/2
x1'
-1
3/2
-1/2
9/2
3/2
1/2
'
'
cB
Basic variables B
x1
x2
x3
x4
Solution values
b (=XB)
x3
x4
-1
-5
-4
zj-cj
165
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x1
x4
-1
-1
-4
zj-cj
Sejak nilai positif minimum adalah tak terhingga, tidak mungkin untuk melanjutkan
perhitungan lebih lanjut dengan simpleks. Ini adalah kriteria untuk solusi tak terbatas.
3. No Feasible Solution
Jika dalam proses perhitungan simplex, satu atau lebih variabel buatan tetap di basis di
tingkat positif pada akhir fase 1 perhitungan, masalah tidak memiliki solusi yang layak.
Sebagai contoh, mari kita pertimbangkan masalah berikut.
166
-1
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A1
A2
Solution
values
b (=XB)
-1
A1
-1
1200
x4
400
-1
A2
3/2
-1
900
-4
-9/2
zj-cj
168
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
A2
Solution
values
b (=XB)
x2
2/3
-1/3
400
x4
1/3
1/3
-1
A2
1/2
-1
300
-1
-1/2
zj-cj
Table 3
cj
-1
cB
Basic
variables
B
x1
x2
x3
x4
x5
x6
Solution
values
b (=XB)
x2
-1
-2
400
x1
-1
A2
-1/2
-3
-1
300
1/2
zj-cj
169
Dalam tabel di atas, solusi optimal masih mengandung variabel buatan A2 di basis pada tingkat positif, ini
menunjukkan bahwa masalah tidak memiliki solusi yang layak.
170
2000
3000
cB
Basic variables
B
x1
x2
x3
x4
Solution values
b (=XB)
x3
100
x4
20
-2000
-3000
zj-cj
Table 2
cj
2000
3000
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
3000
x2
2/3
1/9
100/9
x4
4/3
-1/9
80/9
3000/9
zj-cj
Sejak zj-cj 0 untuk semua variabel, x1 = 0, x2 = 100/9 adalah solusi optimal dari masalah. Nilai
maksimum dari fungsi tujuan adalah 100000/3. Namun, nilai zj-cj sesuai dengan non basic variabel x1
171
adalah nol. Hal ini menunjukkan bahwa ada lebih dari satu solusi optimal dari masalah. Jadi, dengan
memasukkan x1 ke basis kita menerima solusi optimal alternatif lain.
2000
3000
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
3000
x2
1/6
-1/2
20/3
2000
x1
-1/12
3/4
20/3
1000/3
zj-cj
Namun, nilai fungsi tujuan tidak akan membaik, meskipun solusi ini x1 = 0, x2 = 100/9
digeser ke x1 = 20/3 dan x2 = 20/3.
5. Degeneracy
Dalam beberapa kasus, mungkin ada ambiguitas dalam memilih variabel yang harus
diperkenalkan ke basis, yaitu, ada kesamaan antara rasio penggantian dua variabel. Untuk
mengatasi degenerasi, kita pilih salah satu dari mereka secara sembarangan.
Perhatikan contoh berikut.
Example
Maximize 3x1 + 9x2
subject to
x1 + 4x2 8
x1 + 2x2 4
172
x 1, x 2 0
173
174
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x3
x4
-3
-9
zj-cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x3
-1
-2
x2
1/2
1/2
3/2
9/2
cj
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x2
1/4
1/4
x4
1/2
-1/2
-3/4
9/4
zj-cj
x1 = 0, x2 = 2, z = 18
Case II
x3 departs & x2 enters.
Table 2
zj-cj
x4 departs & x1 enters.
176
cB
Basic
variables
B
x1
x2
x3
x4
Solution
values
b (=XB)
x2
1/2
-1/2
x1
-1
3/2
3/2
zj-cj
x1 = 0, x2 = 2, z = 18
177
of
178
Sensitivity Analysis of
Objective Function Coefficients.
Range of Optimality
179
Reduced cost
Assuming there are no other changes to the input
parameters, the reduced cost for a variable Xj that
has a value of 0 at the optimal solution is:
The negative of the objective coefficient increase
of the variable Xj (-DCj) necessary for the variable
to be positive in the optimal solution
Alternatively, it is the change in the objective
value per unit increase of Xj.
Complementary slackness
At the optimal solution, either the value of a
variable is zero, or its reduced cost is 0.
180
Sensitivity Analysis of
Right-Hand Side Values
Sensitivity Analysis of
Right-Hand Side Values
Any change to the right hand side of a binding constraint will change
the optimal solution.
182
Shadow Prices
183
Sensitivity Report
Changes in Resources
The right-hand-side values of
constraint equations may change as
resource availability changes
The shadow price of a constraint is
the change in the value of the
objective function resulting from a
one-unit change in the right-handside value of the constraint
Changes in Resources
Shadow prices are often explained as
answering the question How much
would you pay for one additional unit
of a resource?
Shadow prices are only valid over a
particular range of changes in righthand-side values
Sensitivity reports provide the upper
and lower limits of this range
Changes in the
Objective Function
A change in the coefficients in the
objective function may cause a
different corner point to become the
optimal solution
The sensitivity report shows how
much objective function coefficients
may change without changing the
optimal solution point