Sei sulla pagina 1di 30

09/10/2006

Programmazione Matematica: Modelli Lineari


Daniele Vigo D.E.I.S. - Universit di Bologna dvigo@deis.unibo.it
rev. 1.0 - ottobre 2006

Parte I: Modelli Lineari di Base

09/10/2006

Ottimizzazione della Produzione (1)


2 prodotti:
Sedia in Legno (SL) Sedia in Alluminio (SA)

3 reparti:
Lavorazione parti in Legno (RL) Lavorazione parti in Alluminio (RA) Lavorazione parti in Tessuto (RT)

RL RA
D. Vigo

RT
ModelliLP.3

Ottimizzazione della Produzione (2)


Tempi di Produzione (min. per pezzo)
Ricavo netto (Lire per pezzo) Disponibilit reparti (min. per periodo)
RL RA RT

RL SL SA D.
D. Vigo

RA 20 120

RT 30 20 180

Ricavo 3.000 5.000

10 40

ModelliLP.4

09/10/2006

Ottimizzazione della Produzione (3)


Supponendo di poter vendere tutta la produzione quante sedie di ciascun tipo devono essere prodotte per massimizzare il ricavo ? Variabili decisionali: x1 = n. di sedie di legno prodotte in un periodo x2 = n. di sedie di alluminio prodotte in un periodo x1 ed x2 possono essere frazionarie
D. Vigo ModelliLP.5

Modello PL (1)
Consumo tempo per unit di prodotto:
Reparto RL RA RT SL 10 30 SA Disp. 40 20 120 20 180

RL) RA) RT)


D. Vigo

10 x1 20 x2 30 x1 + 20 x2

40 120 180
ModelliLP.6

09/10/2006

Modello PL (2)
valori negativi delle x privi di senso vincoli di non negativit delle variabili:

RL) RA) RT)


D. Vigo

10 x1 20 x2 30 x1 + 20 x2 x1 , x2

40 120 180 0
ModelliLP.7

Modello PL (3)
Profitto per unit di prodotto: SL 3000 SA 5000

max z = 3000 x1 + 5000 x2 RL) RA) RT)


D. Vigo

10 x1 30 x1 x1 20 x2 + 20 x2 , x2

40 120 180 0
ModelliLP.8

09/10/2006

Modello PL (4)
stabilit numerica degli algoritmi: coefficienti interi e piccoli in valore assoluto max RL) RA) RT) 3 x1 + x1 3 x1 + x1 , 5 x2 2 x2 2 x2 x2 4 12 18 0

D. Vigo

ModelliLP.9

Problemi di Mix di Produzione


n prodotti, m risorse (materie prime, macchine ) aij quantit della risorsa i necessaria per produrre 1 unit del prodotto j (i=1,,m; j=1,,n) di quantitativo di risorsa i (i=1,,m) disponibile rj ricavo per 1 unit del prodotto j (j=1,,n) xj quantit del prodotto j da produrre (j=1,,n) max rTx Ax d x0
D. Vigo ModelliLP.10

09/10/2006

Regione ammissibile
max z = 3x1 +5x2 s.t. x1 2x2 3x1 +2x2 x1 , x2
x2

4 12 18 0

Vertici: intersezione di vincoli o di iperpiani di supporto


x1
D. Vigo ModelliLP.11

Soluzione Grafica (1)


Si disegnano le rette z=cT x = costante (perpendicolari al gradiente) si cerca lintersezione tra F e la retta con z massimo (minimo) max z = 3x1 + 5x2 = (3,5)
(0,0)
D. Vigo

x2
(0,6) (2,6)

Sol. ottima
z = 36

(4,3)

z = 25 z = 20
(4,0)

z = 15 x1
ModelliLP.12

09/10/2006

Casi particolari (1)


Se il gradiente perpendicolare ad un vincolo: soluzioni ottime
x2
(0,6) (2,6)

Sol. ottime
(4,3)

(0,0)
D. Vigo

(4,0)

x1
ModelliLP.13

Casi particolari (2)


Se la regione ammissibile non limitata la soluzione ottima non limitata
x2

x1

D. Vigo

ModelliLP.14

09/10/2006

Problema della dieta


per cani e gatti
Alimenti (contenuto g/Kg) Sostanze
Proteine Grassi Carboidrati Costo (/Kg) Variabili (Kg)
D. Vigo

Carne 500 300 0 5 x1

Latte 300 300 100 2 x2

Soia 300 100 200 1 x3

Contenuto minimo (g)


800 400 2000

ModelliLP.15

Modello PL
x1, x2, x3 : Kg Carne, Latte, Soia da acquistare

min z = s.t.

5x1 + 2x2 + x3 5x1 + 3x2 + 3x3 3x1 + 3x2 + x3 x2 + 2x3 x1, x2, x3 8 4 20 0
ModelliLP.16

D. Vigo

09/10/2006

Problema della dieta


n alimenti, m sostanze nutritive aij quantit della sostanza i in 1 unit dellalimento j (i=1,,m; j=1,,n) di fabbisogno della sostanza i (i=1,,m) cj costo 1 unit dell alimento j (j=1,,n) xj quantit dellalimento j da acquistare (j=1,,n) min cTx Ax d x0
D. Vigo ModelliLP.17

Lotti minimi di produzione (1)


Pianificazione della produzione di un prodotto nellarco di n mesi con costi di produzione e stoccaggio variabili Per ogni mese i = 1, , n
di mi ci ri s0
D. Vigo

domanda del mese i capacit di produzione del mese i costo di produzione unitario del mese i costo di stoccaggio unitario del mese i quantit in magazzino a inizio periodo
ModelliLP.18

09/10/2006

Lotti minimi di produzione (2)


Variabili decisionali: xi quantit prodotta nel mese i si quantit stoccata nel mese i Obiettivo: minimizzazione del costo totale

min i=1,n ci xi + i=1,n ri si


D. Vigo ModelliLP.19

Lotti minimi di produzione (3)


Obiettivo min

i=1,n ci xi + i=1,n ri si
xi mi
(i = 1,, n) (i = 1,, n)

capacit domanda non negativit

xi+si1 si = di xi , si 0

(i = 1,, n)

D. Vigo

ModelliLP.20

10

09/10/2006

Parte II: Altri Modelli Lineari ed uso solver di excel

1. Comprare o fabbricare ?
Electro-Poly un produttore leader di lavatrici Ha ricevuto un ordine di $750,000 per 3 modelli
Modello 1 Modello 2 Modello 3 Quantit ordinata Ore di cablaggio/unit Ore di rifinitura/unit Costo di fabbricazione Costo di acquisto 3,000 2 1 $50 $61 2,000 1.5 2 $83 $97 900 3 1 $130 $145

La compagnia ha 10,000 ore di capacit di cablaggio e 5,000 ore di capacit di rifinitura


D. Vigo ModelliLP.22

11

09/10/2006

Variabili decisionali
M1 = N. di lavatrici del modello 1 da costruire M2 = N. di lavatrici del modello 2 da costruire M3 = N. di lavatrici del modello 3 da costruire B1 = N. di lavatrici del modello 1 da acquistare B2 = N. di lavatrici del modello 2 da acquistare B3 = N. di lavatrici del modello 3 da acquistare

D. Vigo

ModelliLP.23

Funzione obiettivo
Minimizzare il costo totale per levasione dellordine: min: 50M1 + 83M2 + 130M3 + 61B1 + 97B2 + 145B3

D. Vigo

ModelliLP.24

12

09/10/2006

Definizione dei vincoli


Vincoli sulla domanda:
M1 + B1 = 3,000 M2 + B2 = 2,000 M3 + B3 = 900 } modello 1 } modello 2 } modello 3 <= 10,000 <= 5,000 } cablaggio } rifinitura

Vincoli di risorsa:
2M1 + 1.5M2 + 3M3 1M1 + 2.0M2 + 1M3

Condizioni di non negativit:


M1, M2, M3, B1, B2, B3 >= 0

D. Vigo

ModelliLP.25

2. Problema di investimento
Un cliente della Retirement Planning Services, Inc. desidera investire $750,000 in obbligazioni
Compagnia Acme Chemical DynaStar Eagle Vision Micro Modeling OptiPro Sabre Systems
D. Vigo

Utile Scadenza (Anni) Valutazione 8.65% 9.50% 10.00% 8.75% 9.25% 9.00% 11 10 6 10 7 13 1-Eccellente 3-Buono 4-Accettabile 1-Eccellente 3-Buono 2-Molto Buono
ModelliLP.26

13

09/10/2006

Vincoli per linvestimento


Non pi del 25% pu essere investito in una singola compagnia Almeno il 50% dovrebbe essere investito in obbligazioni di lungo termine (Scadenza in pi di 10 anni) Non pi del 35% pu essere investito in obbligazioni con rating buono o inferiore (DynaStar, Eagle Vision ed OptiPro)

D. Vigo

ModelliLP.27

Variabili decisionali
x1 = somma di denaro da investire in Acme Chemical x2 = somma di denaro da investire in DynaStar x3 = somma di denaro da investire in Eagle Vision x4 = somma di denaro da investire in MicroModeling x5 = somma di denaro da investire in OptiPro x6 = somma di denaro da investire in Sabre Systems

D. Vigo

ModelliLP.28

14

09/10/2006

Funzione obiettivo
Massimizzare lutile complessivo annuale dellinvestimento : max: .0865x1 + .095x2 + .10x3 + .0875x4 + .0925x5 + .09x6

D. Vigo

ModelliLP.29

Definizione dei vincoli


Somma totale investita:
x1 + x2 + x3 + x4 + x5 + x6 = 750,000

Non pi del 25% in ciascun investimento


xi <= 187,500, per tutti gli i

Almeno 50% dell investimento a lungo termine.


x1 + x2 + x4 + x6 >= 375,000

Al pi 35% di DynaStar, Eagle Vision e OptiPro.


x2 + x3 + x5 <= 262,500

Condizioni di non negativit


xi >= 0,
D. Vigo

per tutti gli i


ModelliLP.30

15

09/10/2006

3. Problema di trasporti: Tropicsun


Campi
Disponibilit (q) 275,000
Mt. Dora

Distanza (in Km) 21 50 40 35

Impianti
Capacit (q)
Ocala

200,000

400,000

Eustis

30 22 55

Orlando

600,000

300,000
D. Vigo

Clermont

20 25

Leesburg

225,000
ModelliLP.31

Variabili decisionali
xij = # di quintali trasportati dal nodo i al nodo j

In particolare, le nove variabili decisionali sono:


x14 = # di quintali trasportati da Mt. Dora (nodo 1) a Ocala (nodo 4) x15 = # di quintali trasportati da Mt. Dora (nodo 1) a Orlando (nodo 5) x16 = # di quintali trasportati da Mt. Dora (nodo 1) a Leesburg (nodo 6) x24 = # di quintali trasportati da Eustis (nodo 2) a Ocala (nodo 4) x25 = # di quintali trasportati da Eustis (nodo 2) a Orlando (nodo 5) x26 = # di quintali trasportati da Eustis (nodo 2) a Leesburg (nodo 6) x34 = # di quintali trasportati da Clermont (nodo 3) a Ocala (nodo 4) x35 = # di quintali trasportati da Clermont (nodo 3) a Orlando (nodo 5) x36 = # di quintali trasportati da Clermont (nodo 3) a Leesburg (nodo 6)
D. Vigo ModelliLP.32

16

09/10/2006

Funzione obiettivo
Minimizzare il numero totale di quintali/Km
min: 21x14 + 50x15 + 40x16 + 35x24 + 30x25 + 22x26 + 55x34 + 20x35 + 25x36

D. Vigo

ModelliLP.33

Definizione dei vincoli


Vincoli di capacit degli impianti
x14 + x24 + x34 <= 200,000 x15 + x25 + x35 <= 600,000 x16 + x26 + x36 <= 225,000 x14 + x15 + x16 = 275,000 x24 + x25 + x26 = 400,000 x34 + x35 + x36 = 300,000 } Ocala } Orlando } Leesburg } Mt. Dora } Eustis } Clermont

Vincoli di fornitura dei campi

Condizioni di non negativit


xij >= 0 per tutti gli i e j
D. Vigo ModelliLP.34

17

09/10/2006

Trasporto merci (in generale)


Distribuzione da m sorgenti (fabbriche) ad n destinazioni (clienti) di beni Per ogni sorgente i=1, , m: capacit ri Per ogni destinazione j=1, , n: domanda dj Per ogni coppia sorgente-destinazione (i, j): Costi di traporto in per unit trasportata, cij Determinare la distribuzione di costo complessivo minimo Variabili decisionali: xij flusso inviato tra la sorgente i e la destinazione j
D. Vigo ModelliLP.35

Modello matematico
Funzione obiettivo (min. costi di trasporto) min i=1,m j=1,n cij xij Capacit delle sorgenti:

j=1, i=1,
D. Vigo

xij

ri dj 0

(i = 1, , m)

Domanda delle destinazioni:


m

xij

(j = 1, , n) (anche =) (i,=1, ,m; j = 1, , n)


ModelliLP.36

xij

18

09/10/2006

4. Problema di miscelazione (dieta)


Agri-Pro ha ricevuto un ordine per 8,000 Kg di mangime per polli che deve essere composto dai seguenti alimenti
Alimento Avena Grano Minerali Costo per Kg Percentuale di alimento in Cibo 1 Cibo 2 Cibo 3 30% 5% 20% 10% 3% 15% 20% 20% 20% $0.25 $0.30 $0.32 Cibo 4 10% 10% 30% $0.15

Il mangime deve contenere almeno 20% di avena, 15% di grano, e 15% di minerali.
D. Vigo ModelliLP.37

Variabili decisionali
x1 = Kg di cibo 1 da usare nel mix x2 = Kg di cibo 2 da usare nel mix x3 = Kg di cibo 3 da usare nel mix x4 = Kg di cibo 4 da usare nel mix

D. Vigo

ModelliLP.38

19

09/10/2006

Funzione Obiettivo
Minimizzare il costo totale di esecuzione dellordine min: 0.25x1 + 0.30x2 + 0.32x3 + 0.15x4

D. Vigo

ModelliLP.39

Definizione dei Vincoli


Produrre 8,000 Kg di mangime
x1 + x2 + x3 + x4 = 8,000

Il mix deve contenere almeno il 20% di avena


(0.3x1 + 0.05x2 + 0.2x3 + 0.1x4)/8000 >= 0.2

Il mix deve contenere almeno il 15% di grano


(0.1x1 + 0.03x2 + 0.15x3 + 0.1x4)/8000 >= 0.15

Il mix deve contenere almeno il 15% di minerali


(0.2x1 + 0.2x2 + 0.2x3 + 0.3x4)/8000 >= 0.15

Condizioni di non negativit


x1, x2, x3, x4 >= 0
D. Vigo ModelliLP.40

20

09/10/2006

Scaling dei coefficineti


Il coefficiente di x2 nel vincolo avena 0.05/8000 = 0.00000625 La memorizzazione in virgola mobile e precisione finita obbliga il computer ad approssimare i coefficienti Gli errori di approssimazione sul risultato delle operazioni algebriche sono grandi se i coefficienti interessati sono molto diversi tra loro in valore assoluto I problemi di scaling possono rendere impossibile la soluzione accurata del problema La maggior parte dei problemi pu essere formulata in modo da minimizzare gli errori di scaling
Moltiplicando/dividendo i vincoli per 10 Cambiando il fattore di scala delle variabili
D. Vigo ModelliLP.41

Ridefinizione variabili decisionali


x1 = migliaia di Kg di cibo 1 da usare nel mix x2 = migliaia di Kg di cibo 2 da usare nel mix x3 = migliaia di Kg di cibo 3 da usare nel mix x4 = migliaia di Kg di cibo 4 da usare nel mix

D. Vigo

ModelliLP.42

21

09/10/2006

Ridefinizione funzione obiettivo


Minimizzare il costo totale di esecuzione dellordine min: 250x1 + 300x2 + 320x3 + 150x4

D. Vigo

ModelliLP.43

Ridefinizione dei vincoli


Produrre 8,000Kg di cibo
x1 + x2 + x3 + x4 = 8

Il mix deve contenere almeno il 20% di avena


(0.3x1 + 0.05x2 + 0.2x3 + 0.1x4)/8 >= 0.2

Il mix deve contenere almeno il 15% di grano


(0.1x1 + 0.03x2 + 0.15x3 + 0.1x4)/8 >= 0.15

Il mix deve contenere almeno il 15% di minerali


(0.2x1 + 0.2x2 + 0.2x3 + 0.3x4)/8 >= 0.15

Condizioni di non negativit


x1, x2, x3, x4 >= 0
D. Vigo ModelliLP.44

22

09/10/2006

Lopzione Assumi modello lineare


La finestra di dialogo Opzioni del Risolutore di Excel ha un opzione chiamata Assumi il Modello Lineare Se attivata il Risolutore compie alcuni test per verificare la linearit del modello Nel caso il modello non sia ben scalato il test di linearit spesso fallisce anche se il modello lineare

D. Vigo

ModelliLP.45

5. Pianificazione della produzione


Upton Corporations deve pianificare la produzione dei compressori per i prossimi 6 mesi
1 Costo Unitario di Prod. Unit Richieste (Di ) Produzione Massima Produzione Minima $240 1,000 4,000 2,000 2 $250 4,500 3,500 1,750 3 $265 6,000 4,000 2,000 4 $285 5,500 4,500 2,250 5 $280 3,500 4,000 2,000 6 $260 4,000 3,500 1,750

Magazzino Iniziale = 2,750 unit Scorta di Sicurezza = 1,500 unit Costo unitario di Stoccaggio = 1.5% costo un. di produzione Capacit massima del Magazzino = 6,000 unit
D. Vigo ModelliLP.46

23

09/10/2006

Variabili decisionali
Pi = numero di unit da produrre nel mese i, i=1,,6 Bi = scorta a magazzino iniziale del mese i, i=1,,6

D. Vigo

ModelliLP.47

Funzione obiettivo
Minimizzare i costi totali di produzione e di magazzino min: 240P1+ 250P2 + 265P3 + 285P4 + 280P5 + 260P6 + 3.6(B1+B2)/2 + 3.75(B2+B3)/2 + 3.98(B3+B4)/2 + 4.28(B4+B5)/2 + 4.20(B5+ B6)/2 + 3.9(B6+B7)/2 Il magazzino iniziale in ciascun mese uguale al magazzino finale nel mese precedente Il costo di stoccaggio si applica alla scorta media del mese
D. Vigo ModelliLP.48

24

09/10/2006

Definizione dei vincoli (1)


Livelli di Produzione:
2,000 <= P1 <= 4,000 1,750 <= P2 <= 3,500 2,000 <= P3 <= 4,000 2,250 <= P4 <= 4,500 2,000 <= P5 <= 4,000 1,750 <= P6 <= 3,500 } mese 1 } mese 2 } mese 3 } mese 4 } mese 5 } mese 6

D. Vigo

ModelliLP.49

Definizione dei vincoli (2)


Magazzino finale (Ei = Bi + Pi - Di):
1,500 <= 1,500 <= 1,500 <= 1,500 <= 1,500 <= 1,500 <= B1 + P1 - 1,000 <= 6,000 B2 + P2 - 4,500 <= 6,000 B3 + P3 - 6,000 <= 6,000 B4 + P4 - 5,500 <= 6,000 B5 + P5 - 3,500 <= 6,000 B6 + P6 - 4,000 <= 6,000 } mese 1 } mese 2 } mese 3 } mese 4 } mese 5 } mese 6

D. Vigo

ModelliLP.50

25

09/10/2006

Definizione dei vincoli (3)


Bilancio iniziale
B1 = 2750 B2 = B1 + P1 - 1,000 B3 = B2 + P2 - 4,500 B4 = B3 + P3 - 6,000 B5 = B4 + P4 - 5,500 B6 = B5 + P5 - 3,500 B7 = B6 + P6 - 4,000

Si noti che Bi pu essere calcolato da Pi Quindi, solo le Pi sono le vere variabili decisionali
D. Vigo ModelliLP.51

6. Flusso di Cassa di Multiperiodo


Taco-Viva ha bisogno di stabilire una strategia di investimento per pagare $800,000 per la costruzione di un nuovo ristorante nei prossimi 6 mesi I pagamenti devono avvenire come segue:
$250,000 alla fine del mese 2 $250,000 alla fine del mese 4 pagamento finale di $300,000 alla fine del mese 6

Il capitale prima di effettuare i pagamenti pu essere investito per brevi periodi (da 1 a 6 mesi)
D. Vigo ModelliLP.52

26

09/10/2006

Investimenti possibili
Possono essere effettuati i seguenti investimenti: Tipo Inizio (mese) Durata (mesi) Redimento A 1, 2, 3, 4, 5, 6 1 1.8% B 1, 3, 5 2 3.5% C 1, 4 3 5.8% D 1 6 11.0% Si desidera definire il piano degli investimenti che permette di avere disponibili le somme necessarie per i pagamenti quando servono e tale da minimizzare il capitale necessario ad inizio periodo
D. Vigo ModelliLP.53

Possibile flusso di cassa


Flusso di cassa in/out allinizio del mese (per $ investito)
Investimento A1 B1 C1 D1 A2 A3 B3 A4 C4 A5 B5 A6 Rich. di Pagam.
D. Vigo

1 -1 -1 -1 -1

2 1.018 <_____> <_____> <_____> -1

1.035 <_____> 1.058 <_____> <_____> <_____> 1.018 -1 1.018 -1 <_____> 1.035 -1 1.018 -1 <_____> -1 -1 $250 $0 $250

<_____>

1.11

$0

$0

<_____> 1.058 1.018 <_____> 1.035 -1 1.018 $0 $300


ModelliLP.54

27

09/10/2006

Variabili decisionali
Ai =somma (in $1,000) collocata nellinvestimento A allinizio del mese i=1, 2, 3, 4, 5, 6 Bi = somma (in $1,000) collocata nellinvestimento B allinizio del mese i=1, 3, 5 Ci = somma (in $1,000) collocata nellinvestimento C allinizio del mese i=1, 4 Di =somma (in $1,000) collocata nellinvestimento D allinizio del mese i=1
D. Vigo ModelliLP.55

Funzione obiettivo
Minimizzare il denaro totale investito nel mese 1: min: A1 + B1 + C1 + D1

D. Vigo

ModelliLP.56

28

09/10/2006

Definizione dei Vincoli


Vincoli di Flusso di Cassa
1.018A1 1A2 = 0 1.035B1 + 1.018A2 1A3 1B3 = 250 1.058C1 + 1.018A3 1A4 1C4 = 0 1.035B3 + 1.018A4 1A5 1B5 = 250 1.018A5 1A6 = 0 1.11D1 + 1.058C4 + 1.035B5 + 1.018A6 = 300 } mese } mese } mese } mese } mese } mese 2 3 4 5 6 7

Condizioni di non negativit


Ai, Bi, Ci, Di >= 0, per tutti gli i

D. Vigo

ModelliLP.57

6 bis. Gestione del Rischio


Assumiamo che la direzione abbia assegnato la seguente valutazione di rischio per ciascun investimento in scala da 1 a 10 (10 = rischio max) Investimento Rischio A 1 B 3 C 8 D 6 Si vuole che il rischio medio non superi 5
D. Vigo ModelliLP.58

29

09/10/2006

Definizione dei Vincoli


Vincoli di Rischio
1A1 + 3B1 + 8C1 + 6D1 A1 + B1 + C1 + D1 1A2 + 3B1 + 8C1 + 6D1 A2 + B1 + C1 + D1 1A3 + 3B3 + 8C1 + 6D1 A3 + B3 + C1 + D1 1A4 + 3B3 + 8C4 + 6D1 A4 + B3 + C4 + D1 <= 5 } mese 1 <= 5 } mese 2 <= 5 } mese 3

<= 5

} mese 4

D. Vigo ModelliLP.59

Versione alternativa dei Vincoli


Vincoli di Rishio equivalente -4A1 - 2B1 + 3C1 + 1D1 <= 0 2B1 + 3C1 + 1D1 4A2 <= 0 3C1 + 1D1 4A3 2B3 <= 0 1D1 2B3 4A4 + 3C4 <= 0 1D1 + 3C4 4A5 2B5 <= 0 1D1 + 3C4 2B5 4A6 <= 0 } mese 1 } mese 2 } mese 3 } mese 4 } mese 5 } mese 6

Ciascun coefficiente uguale al fattore di rischio per linvestimento meno 5 (massimo rischio medio possibile)
D. Vigo ModelliLP.60

30