Kapittel 7: LP Introduksjon til Lineær Programmering

Slides:



Advertisements
Liknende presentasjoner
Managerial Decision Modeling Cliff Ragsdale 6. edition Rasmus RasmussenBØK350 OPERASJONSANALYSE1 Chapter 3 Modeling and Solving LP Problems in a Spreadsheet.
Advertisements

Managerial Decision Modeling
1 RESULTATRAPPORT 30. april 2010 Kull I-III, alle avsluttede MB utdanninger.
Oppsummering til tentamen
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Managerial Decision Modeling Cliff Ragsdale 6. edition Rasmus RasmussenBØK350 OPERASJONSANALYSE1 Chapter 7 Goal Programming and Multiple Objective Optimization.
Kap 5 The discounted cash flow approach
Managerial Decision Modeling Cliff Ragsdale 6. edition Rasmus RasmussenBØK350 OPERASJONSANALYSE1 Chapter 5 Network Modeling.
Monopolistisk konkurranse og oligopol
Kap. 3: Beslutningsanalyse
Produktvalg Læringsmål:
Kapittel 16 Produktvalg Læringsmål:
Simplex metoden Meget kraftig metode for løsning av store LP-problemer
Kundekrav og restordrer. LOG530 Distribusjonsplanlegging 2 2 Vi endrer litt på kundeønskene i eksempel 8, og bruker kapasiteter og etterspørsel fra eksempel.
Kapittel 9 Transport og tildelingsmodeller. Temaer i kapittel 9 Formulering av transport- problemer Løsning av transportproblemer med nordvestre hjørne.
Løsningsforslag oppgave 10.3 b)
Lønnsomhetsanalyser Mål: Resultatmaksimering på lang sikt
Formålet med produktkalkyler
KOSTNAD-RESULTAT-VOLUMANALYSER
Kostnad - resultat - volumanalyser (KRV)
Kapittel 6: Lagermodeller
Kapittel 8: LP Anvendelser av Lineær Programmering
Kapittel 7: Prosjektanalyse og evaluering
Kapittel 6: Lagermodeller
Linear programmering Når kan en bruke linear programmering? En ønsker å minimerer eller å maksimere et mål En kan spesifisere målet som.
1 JFRYE2005 1: Vanlige 2: Kurvelinjære 3: Samspill (ikke-addivitet) 4: Dikotomier 5: Dummy-variabler.
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Managerial Decision Modeling
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
LOG530 Distribusjonsplanlegging
Ubalansert nettverk med felles produksjonsressurser.
Lokalisering og max totalavstand. LOG530 Distribusjonsplanlegging 2 2 Anta at nettverket angir en region hvor McBurger skal opprette 3 konkurrerende utsalg.
Omlasting og overproduksjon. LOG530 Distribusjonsplanlegging 2 2 Vi har samme distribusjonsnett som før. (Betrakt de ulike vareslagene som flere 3-dimensjonale.
LOG530 Distribusjonsplanlegging
Maksimal gjennomstrømming. LOG530 Distribusjonsplanlegging 2 2 StartOil må transportere store mengder utstyr og materialer til utbyggingen av et nytt.
Tildeling av lasterom. LOG530 Distribusjonsplanlegging 2 2 Et bulkskip skal lastes med tørrlast til Ghana. En ønsker å frakte totalt 4 ulike varetyper.
Transport fra lager til kunder. LOG530 Distribusjonsplanlegging 2 2 Lager 1 Lager 1 Lager 2 Lager 2 Lager 3 Lager 3 Kunde 1 Kunde 1 Kunde 2 Kunde 2 Kunde.
Omlasting, direkteleveranser og kundekrav. LOG530 Distribusjonsplanlegging 2 2 Vi gjeninnfører muligheter for direkteleveranser, og går tilbake til data.
Lokalisering av avfallsanlegg - størst totalavstand.
Lokalisering og minimum maxavstand. LOG530 Distribusjonsplanlegging 2 2 I mange situasjoner ønsker en å finne lokaliseringer som minimerer maksimalavstanden.
Tildeling av snødeponeringssted. LOG530 Distribusjonsplanlegging 2 2 Kommunen skal kommende vinter frakte snø fra 10 soner til 5 deponeringssteder. Snøen.
LOG530 Distribusjonsplanlegging
Kap 9 Simple risk techniques
Lokalisering av samlestasjon for oljebrønner. LOG530 Distribusjonsplanlegging 2 2 StartOil har boret to nye brønner på havbunnen utenfor Midt-Norge, og.
Managerial Decision Modeling
BØK100 Bedriftsøkonomi 1 Kapittel 16 Produktvalg
Målprogrammering. LOG530 Distribusjonsplanlegging 2 2 Vi fortsetter eksempel 10.2, men vil nå se på oppfyllelse av flere mål samtidig. Målprogrammering.
Maks resultat og maks oppfylte kundekrav. LOG530 Distribusjonsplanlegging 2 2 Vi fortsetter eksempel 9, men benytter nå nettopriser for varene. (Antar.
Grunnskolelærerutdanning Struktur, mulig løsning og noen utfordringer.
Managerial Decision Modeling Cliff Ragsdale 6. edition Rasmus RasmussenBØK350 OPERASJONSANALYSE1 Chapter 6 Integer Linear Programming.
T I T T E L S I D E marg Sikker utskrifts / Follow Me løsning Utdanningsetaten.
Medisinsk fysiker RUNE HAFSLUND
Avtale om pensjonistavlønning
INF3100 – – Ellen Munthe-Kaas Indeksering UNIVERSITETET I OSLO © Institutt for Informatikk Utvalgte animerte lysark: lysark nr. 7, 8, 9, 10,
Eksempel: Sletting ved tynn indeks Slett post med a = 60 –Ingen endring nødvendig i indeksen. Slett post med a = 40 –Den første posten i blokken er blitt.
Maks oppfylte kundekrav og maks resultat. LOG530 Distribusjonsplanlegging 2 2 Vi fortsetter eksempel 10.1, men gjør trinnene i motsatt rekkefølge: max.
ENDRINGER I NASJONALE PRØVER ― Ny skala og måling av utvikling over tid Per Kristian Larsen, Vurdering 2.
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Modeller med ubalanse. LOG530 Distribusjonsplanlegging 2 2 Vi har nå fjernet muligheten for direkteleveranser fra fabrikk til kunder. Ellers har vi har.
UFLP modeller. LOG530 Distribusjonsplanlegging 2 2 Det skal opprettes p fasiliteter (lager) for å betjene en gitt mengde kunder. Kundenodene er også potensielle.
Tildeling av lasterom. LOG530 Distribusjonsplanlegging 2 2 Et bulkskip skal lastes med tørrlast til Ghana. En ønsker å frakte totalt 4 ulike varetyper.
Korteste vei. LOG530 Distribusjonsplanlegging 2 2 Ofte står en overfor ønsket om å finne korteste kjørerute fra et gitt utgangspunkt til et ønsket bestemmelsessted.
Operasjonsanalytiske emner
Operasjonsanalytiske emner Tolkninger og sammenhenger Rasmus RasmussenBØK710 OPERASJONSANALYTISKE EMNER1 Del 4 Dualitet og post-optimal analyse.
Nye Sinus 2P Bilde inn. Ny eksamensordning der eksamen i 2P ikke omfatter stoffet i 1P Har mye bedre tid i kurset, og kan gå grundigere inn på hvert tema.
Vinter 2016 Scratchkurs 4 Introduksjon til Scratch-programmering.
Kapittel 7: Prosjektanalyse og evaluering
Kapittel 14 Produktvalg Læringsmål:
Kapittel 15 Produktvalg Læringsmål:
Økonomistyring KRV-analyser
Utskrift av presentasjonen:

Kapittel 7: LP Introduksjon til Lineær Programmering Forutsetninger bak LP-problemer Formulering av LP-problemer Grafisk løsning al LP-problemer Løsning av LP med PC Løsning av minimeringsproblemer Spesielle LP-problemer Grafisk sensitivitetanalyse

Struktur i LP- problemer Alle problemer tar for seg en målfunksjon som skal minimeres eller maksimeres Alle problemer har begrensninger eller flaskehalser som reduserer måloppnåelse Det må være flere handlingsalternativ Målfunksjonen og begrensningene må være lineære funksjoner

Forutsetninger i LP Proporsjonalitet i målfunksjon og sidebetingelser Additivitet i målfunksjon og sidebetingelser Deterministiske data (full sikkerhet) Delbarhet (løsning ikke nødv. vis heltall) Endimensjonale mål Det vil si PADDE

Eksempel: Flair Furniture Timer for å produsere en enhet Kapasitet pr. uke X1 Stoler X2 Bord Avdeling Snekring Maling 4 2 3 1 240 100 Dekningsbidrag Restriksjoner 7 5 4X1 + 3X2 <=240 (Snekker) 2X1 + 1X2 <=100 (Maling) Målfunksjon Maksimer: 7X1 + 5X2

Flair Furniture - restriksjoner 120 100 80 60 40 20 Maling Antall stoler Snekker 20 40 60 80 100 Antall bord

Flair Furniture - isobidrag 120 100 80 60 40 20 Maling 7X1 + 5X2 = 210 Antall stoler 7X1 + 5X2 = 420 Snekker 20 40 60 80 100 Antall bord

Flair Furniture - mulighetsområde 120 100 80 60 40 20 Maling Antall stoler Mulighets område Snekring 20 40 60 80 100 Antall bord

Flair Furniture - løsning 120 100 80 60 40 20 Maling Løsning (X1 = 30, X2 = 40) Antall stoler Snekker 20 40 60 80 100 Antall bord

Flair Furniture

Flair Furniture - løsning

Minimeringsproblemer Minimeringsproblem – mål om å minimere kostnader Restriksjoner ofte på formen > 0 Klassisk minimeringsproblem: diett Minimer kostnad for dietten Gitt visse minimumskrav til vitaminer, osv

Forblanding

Kalkunfarm

Kalkunfarm - forts

Kalkunfarm, forts

Spesielle problemer Ingen løsning (Infeasibility) Ingen begrensninger (Unbounded Solutions) Overflødig restriksjon (Redundancy) Mer enn en optimalløsning

Ingen løsning X2 X1 + 2X2 <= 6 2X1 + X2 <=8 X1 >= 7 8 6 4 2 begrensning 3 2 4 6 8 X1 Begrensning 1 og 2

Ingen bindende restriksjon X2 15 10 5 X1 > 5 X2 < 10 Mulighetsområde X1 + 2X2 > 10 5 10 15 X1

Overflødig restriksjon X2 30 25 20 15 10 5 Overflødig 2X1 + X2 < 30 X1 < 25 X1 + X2 < 20 Mulighets område X1 5 10 15 20 25 30

Mange løsninger 8 7 Optimalløsning for alle 6 5 4 3 2 1 Optimalløsning for alle kombinasjoner av X1 og X2 langs linjestykket AB A Isobidragslinje for kr 8 Isobidragslinje for 12 parallell med restriksjon B AB 1 2 3 4 5 6 7 8

Sensitivitetsanalyse Hvor følsom er løsningen for endringer i koeffisientene i målfunksjonen ? Hvor følsom er løsningen for endringer i kapasitet (RHS) Sensitivitetsanalyse gjennomføres i praksis med PC, men enkle problemer kan løses grafisk

Timer for å produsere en enhet Eksempel: High Note Timer for å produsere en enhet Kapasitet pr. uke X1 CD X2 Receiver Avdeling Elektriker Lydtekniker 2 3 4 1 80 60 Dekningsbidrag Restriksjoner 50 120 2X1 + 4X2 <=80 (Elektriker) 3X1 + 1X2 <=60 (Lydtekniker) Målfunksjon Maksimer: 50X1 + 120X2

Eksempel: High Note

Eksempel: High Note