Managerial Decision Modeling

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
Managerial Decision Modeling
Hvordan løse utfordringene i helsesektoren? 25/3
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.
Managerial Decision Modeling Cliff Ragsdale 6. edition Rasmus RasmussenBØK350 OPERASJONSANALYSE1 Chapter 5 Network Modeling.
Operasjonsanalyse – ØABED2200
Korteste vei. LOG530 Distribusjonsplanlegging 2 2 Ofte står en overfor ønsket om å finne korteste kjørerute fra et gitt utgangspunkt til et ønsket bestemmelsessted.
Kap 4 Investment-consumption decision model
Produktvalg Læringsmål:
Kapittel 16 Produktvalg Læringsmål:
Simplex metoden Meget kraftig metode for løsning av store LP-problemer
Managerial Decision Modeling
Omlasting, direkteleveranser og flere vareslag. LOG530 Distribusjonsplanlegging 2 2 Vi har nå utvidet nettverket med flere vareslag. Vi har samme distribusjonsnett.
Kapittel 7: LP Introduksjon til Lineær Programmering
Kapittel 8: LP Anvendelser av Lineær Programmering
Høgskolen i Oslo og Akershus – våren 2013 Dosent Ivar Bredesen
Linear programmering Når kan en bruke linear programmering? En ønsker å minimerer eller å maksimere et mål En kan spesifisere målet som.
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Managerial Decision Modeling
Managerial Decision Modeling
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Lokalisering av avfallsanlegg - størst minsteavstand.
LOG530 Distribusjonsplanlegging
Sikreste vei. LOG530 Distribusjonsplanlegging 2 2 Noen ganger står en overfor ønsket om å finne sikreste kjørerute fra et gitt startpunkt til et ønsket.
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.
Distribusjon i nettverk. LOG530 Distribusjonsplanlegging 2 2 Her har vi en situasjon med 2 leverandører, lokalisert i node 1 og 2, med et tilbud på hhv.
LOG530 Distribusjonsplanlegging
LOG530 Distribusjonsplanlegging
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.
P-MP modeller. LOG530 Distribusjonsplanlegging 2 2 Det skal opprettes p fasiliteter (lager) for å betjene en gitt mengde kunder. Kundenodene er også potensielle.
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.
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 busser for sightseeing. LOG530 Distribusjonsplanlegging 2 2 Busselskapet CityTourist i London har kjøpt 6 nye toetasjers turistbusser med.
Dekningsproblemer. LOG530 Distribusjonsplanlegging 2 2 Det skal opprettes veistasjoner som skal betjene 8 distrikter. De 4 aktuelle lokaliseringene for.
Managerial Decision Modeling
BØK100 Bedriftsøkonomi 1 Kapittel 16 Produktvalg
Managerial Decision Modeling
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.
Managerial Decision Modeling Cliff Ragsdale 6. edition Rasmus RasmussenBØK350 OPERASJONSANALYSE1 Chapter 6 Integer Linear Programming.
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
Lokalisering i to-delt graf. LOG530 Distribusjonsplanlegging 2 2 Vi skal nå beskrive en transhipmentmodell med to varesorter som skal leveres fra to fabrikker.
Maks oppfylte kundekrav og maks resultat. LOG530 Distribusjonsplanlegging 2 2 Vi fortsetter eksempel 10.1, men gjør trinnene i motsatt rekkefølge: max.
Managerial Decision Modeling A Practical Introduction to Management Science, 5ed by Cliff Ragsdale.
UFLP modeller. LOG530 Distribusjonsplanlegging 2 2 Det skal opprettes p fasiliteter (lager) for å betjene en gitt mengde kunder. Kundenodene er også potensielle.
Lokalisering og max minimumavstand. LOG530 Distribusjonsplanlegging 2 2 Anta at nettverket angir en region hvor McBurger skal opprettes 3 konkurrerende.
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.
LOG530 Distribusjonsplanlegging
Operasjonsanalytiske emner
Operasjonsanalytiske emner Heltallsvariabler og binærvariabler Rasmus RasmussenBØK710 OPERASJONSANALYTISKE EMNER1 Del 6 Integer Linear Programming.
Operasjonsanalytiske emner Tolkninger og sammenhenger Rasmus RasmussenBØK710 OPERASJONSANALYTISKE EMNER1 Del 4 Dualitet og post-optimal analyse.
Operasjonsanalytiske emner Sekvensielle beslutninger Rasmus RasmussenBØK710 OPERASJONSANALYTISKE EMNER1 Del 12 Dynamisk Programming.
IKT Turnusplanlegging – fra et matematisk perspektiv Workshop i turnusplanlegging Voksenåsen, Martin Stølevik
Hva styrer - verdier eller penger ? valg og prioriteringer planlegging ledertyper Anestesisykepleier Øystein Kilander.
Operasjonsanalytiske emner Avviksvariabler og flere motstridende målsettinger Rasmus RasmussenBØK710 OPERASJONSANALYTISKE EMNER1 Del 7 Goal Programming.
PROGRAMFAG MATEMATIKK Verdt å merke seg: Dersom du på Vg2 velger matematikk R1 eller S1: faller fellesfaget i matematikk (3 t) bort og du må ta enten:
BØK711 Bedriftsøkonomisk analyse Forelesingsplan Uke 1 (35) BØK 711 Bedriftsøkonomisk analyse1.
Generell presentasjon
Muligheter/hemligheter i Movex og M3
Kapittel 14 Produktvalg Læringsmål:
Kap. 9 Organisasjonens omgivelse
Utskrift av presentasjonen:

Managerial Decision Modeling A Practical Introduction to Management Science , 5ed by Cliff Ragsdale

LOG350 Operasjonsanalyse Chapter 2 Linear Programming Rasmus Rasmussen LOG350 Operasjonsanalyse

LOG350 Operasjonsanalyse Innledning Alle står overfor beslutninger om hvordan en skal utnytte begrensede ressurser som: - Oljereserver - Areal for søppelfyllinger - Tid - Penger - Ansatte Rasmus Rasmussen LOG350 Operasjonsanalyse

Matematisk programmering... MP er et fag i operasjonsanalyse som finner den optimale eller mest effektive måten å utnytte begrensede ressurser; for å oppnå målsettingen til et individ eller en organisasjon. m.a.o. Optimering Rasmus Rasmussen LOG350 Operasjonsanalyse

Anvendelser av Matematisk Optimering : Bestemme produksjonsmiks Produksjonsplanlegging Ruteplanlegging og logistikk Finansiell planlegging Rasmus Rasmussen LOG350 Operasjonsanalyse

Karakteristika for optimeringsproblemer : Beslutninger - Handlingsvariabler Restriksjoner - Begrensninger Målsetting - Målfunksjon Rasmus Rasmussen LOG350 Operasjonsanalyse

Generell form på et optimeringsproblem : MAX (eller MIN): f0(X1, X2, …, Xn) Slik at : f1(X1, X2, …, Xn)<=b1 : fk(X1, X2, …, Xn)>=bk fm(X1, X2, …, Xn)=bm Merk: Hvis alle funksjonene i et optimeringsproblem er lineære, så er problemet et lineært programmeringsproblem (LP). Rasmus Rasmussen LOG350 Operasjonsanalyse

Generell form på et Lineært Programmeringsproblem (LP) MAX (eller MIN): c1X1 + c2X2 + … + cnXn Slik at: a11X1 + a12X2 + … + a1nXn <= b1 : ak1X1 + ak2X2 + … + aknXn >= bk am1X1 + am2X2 + … + amnXn = bm Rasmus Rasmussen LOG350 Operasjonsanalyse

Eksempel på et LP Problem Blue Ridge Hot Tubs produserer to typer varmtvannsberedere : Aqua-Spas & Hydro-Luxes. Aqua-Spa Hydro-Lux Pumper 1 1 Arbeid 9 timer 6 timer Rør 12 dm 16 dm DB/pr. stk $350 $300 Det er 200 pumper, 1566 arbeidstimer, og 2880 dm rør tilgjengelig. Rasmus Rasmussen LOG350 Operasjonsanalyse

5 trinn i formulering av LP modeller: 1. Forstå problemet. 2. Identifiser beslutningsvariablene. X1=antall Aqua-Spas produsert X2=antall Hydro-Luxes produsert 3. Angi målfunksjonen som en lineær kombinasjon av beslutningsvariablene. MAX: 350X1 + 300X2 Rasmus Rasmussen LOG350 Operasjonsanalyse

5 trinn i formulering av LP modeller (fortsettelse) 4. Angi restriksjonene som lineære kombinasjoner av beslutningsvariablene. 1X1 + 1X2 <= 200 } pumper 9X1 + 6X2 <= 1566 } arbeid 12X1 + 16X2 <= 2880 } rør 5. Identifiser eventuelle øvre og nedre grenser på beslutningsvariablene. X1 >= 0 X2 >= 0 Rasmus Rasmussen LOG350 Operasjonsanalyse

Resymé av LP Modellen for Blue Ridge Hot Tubs MAX: 350X1 + 300X2 S.T.: 1X1 + 1X2 <= 200 9X1 + 6X2 <= 1566 12X1 + 16X2 <= 2880 X1 >= 0 X2 >= 0 Rasmus Rasmussen LOG350 Operasjonsanalyse

Løsning av LP problemer: En intuitiv innfallsvinkel Ide: Hver Aqua-Spa (X1) skaper det største deknings-bidraget ($350), lag derfor så mange som mulig! Hvor mange kan vi lage? La X2 = 0 1. restriksjon: 1X1 <= 200 2. restriksjon: 9X1 <=1566 eller X1 <=174 3. restriksjon: 12X1 <= 2880 eller X1 <= 240 Hvis X2=0, så er den største mulige verdien av X1 lik 174 og totalt dekningsbidrag er $350*174 + $300*0 = $60,900 Denne løsningen er mulig, men er den optimal? Nei! Rasmus Rasmussen LOG350 Operasjonsanalyse

Løsning av LP problemer: En grafisk innfallsvinkel Restriksjonene i et LP problem definerer et mulighetsområde. Det beste punktet i mulighetsområdet er den optimale løsningen av problemet. For LP problemer med 2 variabler er det lett å plotte mulighetsområdet og finne den optimale løsningen. Rasmus Rasmussen LOG350 Operasjonsanalyse

Plotte den første restriksjonen X2 250 (0, 200) 200 Linjen som begrenser bruken av pumper X1 + X2 = 200 150 100 50 (200, 0) 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

Plotte den andre restriksjonen X2 (0, 261) 250 Restriksjonslinjen for bruk av arbeid 200 9X1 + 6X2 = 1566 150 100 50 (174, 0) 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

Plotte den tredje restriksjonen X2 250 (0, 180) 200 150 Restriksjonslinjen for bruk av rør 12X1 + 16X2 = 2880 100 Mulighetsområdet 50 (240, 0) 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

Plotting av nivåkurver for målfunksjonen X2 250 200 (0, 116.67) Målfunksjon 150 350X1 + 300X2 = 35000 100 (100, 0) 50 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

En ny nivåkurve (isobidragslinje) for målfunksjonen: X2 250 (0, 175) Målfunksjon 200 350X1 + 300X2 = 35000 Målfunksjon 150 350X1 + 300X2 = 52500 100 (150, 0) 50 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

Parallellforskyving av nivåkurver for å finne optimal løsning X2 250 Målfunksjon 200 350X1 + 300X2 = 35000 150 optimal løsning 100 Målfunksjon 350X1 + 300X2 = 52500 50 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

Beregne den optimale løsningen Den optimale løsningen inntrer der linjene for pumpe- og arbeidstids- restriksjonene krysser. Det skjer når de er like: X1 + X2 = 200 (1) og 9X1 + 6X2 = 1566 (2) Fra (1) får vi, X2 = 200 -X1 (3) Setter vi (3) for X2 inn i (2) får vi, 9X1 + 6 (200 -X1) = 1566 Som forenkles til X1 = 122 Så den optimale løsningen er, X1=122, X2=200-X1=78 Totalt DB = $350*122 + $300*78 = $66,100 Rasmus Rasmussen LOG350 Operasjonsanalyse

Undersøke alle hjørneløsninger X2 250 Målfunksjon = $54,000 (0, 180) 200 Målfunksjon = $64,000 150 (80, 120) Målfunksjon = $66,100 100 (122, 78) 50 Målfunksjon = $0 Målfunksjon = $60,900 (0, 0) (174, 0) 50 100 150 200 250 X1 Merk: Denne metoden fungerer ikke hvis mulighetsområdet ikke er lukket.

Sammendrag av Grafisk løsning av LP Problemer 1. Plott grenselinjen for hver restriksjon 2. Identifiser mulighetsområdet 3. Finn optimal løsning enten ved: a. Plott nivåkurver for målfunksjonen eller b. Beregn alle hjørneløsningene Rasmus Rasmussen LOG350 Operasjonsanalyse

Spesielle tilfeller av LP Modeller Forskjellig unormale forhold kan inntreffe i LP problemer: Alternative optimale løsninger Overflødige restriksjoner Ubegrenset gode løsninger Ingen mulige løsninger Rasmus Rasmussen LOG350 Operasjonsanalyse

Eksempel på alternative optimale løsninger X2 250 Nivåkurve for målfunksjonen 450X1 + 300X2 = 78300 200 150 100 Alternative optimale løsninger 50 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

Eksempel på en overflødig restriksjon X2 250 Restriksjonslinjen for rør 200 Restriksjonslinjen for pumper 150 Restriksjonslinjen for arbeid 100 Mulighetsområdet 50 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

Eksempel på en ubegrenset løsning X2 1000 Målfunksjon X1 + X2 = 600 -X1 + 2X2 = 400 800 Målfunksjon X1 + X2 = 800 600 400 200 X1 + X2 = 400 200 400 600 800 1000 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

Eksempel på ingen mulig løsning X2 250 200 X1 + X2 = 200 Mulighetsområdet for andre restriksjon 150 100 Mulighetsområdet for første restriksjon 50 X1 + X2 = 150 50 100 150 200 250 X1 Rasmus Rasmussen LOG350 Operasjonsanalyse

LOG350 Operasjonsanalyse End of Chapter 2 Rasmus Rasmussen LOG350 Operasjonsanalyse

Generell form på et Lineært Programmeringsproblem (LP) MAX (eller MIN): c1X1 + c2X2 + … + cnXn Slik at: a11X1 + a12X2 + … + a1nXn <= b1 : ak1X1 + ak2X2 + … + aknXn >= bk am1X1 + am2X2 + … + amnXn = bm Se arket ”Generell form” i filen ”LP model” under Chap 2 Rasmus Rasmussen LOG350 Operasjonsanalyse

Standard form på et Lineært Programmeringsproblem (LP) MAX (eller MIN): c1X1 + c2X2 + … + cnXn Slik at: a11X1 + a12X2 + … + a1nXn <= b1 : ak1X1 + ak2X2 + … + aknXn <= bk am1X1 + am2X2 + … + amnXn <= bm Merk at alle restriksjonene er på formen ”<=” Rasmus Rasmussen LOG350 Operasjonsanalyse

Omformulering til standard form: ak1X1 + ak2X2 + … + aknXn >= bk Multipliser gjennom med -1: -1| ak1X1 + ak2X2 + … + aknXn >= bk  -ak1X1 - ak2X2 - … - aknXn <= -bk Tilsvarende erstattes en ”=” med både ”<=” og ”>=”: am1X1 + am2X2 + … + amnXn = bm  am1X1 + am2X2 + … + amnXn <= bm og am1X1 + am2X2 + … + amnXn >= bm dvs. am1X1 + am2X2 + … + amnXn <= bm og -am1X1 - am2X2 - … - amnXn <= -bm Rasmus Rasmussen LOG350 Operasjonsanalyse

Kompakt form på et Lineært Programmeringsproblem (LP) MAX (eller MIN): Slik at: Se arket ”Kompakt form” i filen ”LP model” under Chap 2 Rasmus Rasmussen LOG350 Operasjonsanalyse

Matrise form på et Lineært Programmeringsproblem (LP) MAX (eller MIN): Slik at: Se arket ”Matriseform” i filen ”LP model” under Chap 2 Rasmus Rasmussen LOG350 Operasjonsanalyse