PROGRAMASI LINIER

Pemrograman linier adalah bidang optimisasi matematis yang didedikasikan untuk memaksimalkan atau
meminimalkan (mengoptimalkan) fungsi linier, yang disebut fungsi tujuan, sedemikian rupa sehingga
variabel dari fungsi tersebut terikat pada serangkaian batasan yang dinyatakan melalui sebuah
sistem persamaan atau pertidaksamaan juga linier. Metode yang secara tradisional digunakan untuk
Menyelesaikan masalah pemrograman linier adalah Metode Simplex.
Masalah penyelesaian sistem linier dari pertidaksamaan sudah ada, setidaknya, sejak Joseph
Fourier, setelah siapa metode eliminasi Fourier-Motzkin lahir. Pemrograman
linear diusulkan sebagai model matematis yang dikembangkan selama Perang Dunia Kedua
untuk merencanakan pengeluaran dan pengembalian, guna mengurangi biaya untuk militer dan meningkatkan
kerugian musuh. Itu tetap dirahasiakan sampai 1947. Setelah perang, banyak industri yang
digunakan dalam perencanaan harian mereka.

Para pendiri teknik ini adalah George Dantzig, yang menerbitkan algoritma simplex, pada tahun 1947,
John von Neumann, yang mengembangkan teori dualitas pada tahun yang sama, dan Leonid
Kantoróvich, seorang matematikawan berdarah Rusia, yang menggunakan teknik-teknik serupa dalam ekonomi sebelumnya.
de Dantzig dan memenangkan hadiah Nobel dalam ekonomi pada tahun 1975. Pada tahun 1979, matematikawan Rusia lainnya, Leonid
Khachiyan, merancang apa yang disebut Algoritma elipsoidal, melalui mana ia membuktikan bahwa
masalah pemrograman linier dapat diselesaikan dengan efisien, yaitu dalam waktu
polinomial.2 Kemudian, pada tahun 1984, Narendra Karmarkar memperkenalkan metode baru titik
interior untuk menyelesaikan masalah pemrograman linier, yang akan menjadi kemajuan besar di
prinsip-prinsip teoretis dan praktis di bidang tersebut.

Contoh asli Dantzig tentang pencarian penugasan terbaik 70 orang ke 70 posisi

de trabajo adalah contoh dari kegunaan pemrograman linier. Daya komputasi
diperlukan untuk memeriksa semua permutasi untuk memilih penugasan terbaik adalah
inmensa (faktorial dari 70, 70!); jumlah kemungkinan konfigurasi melebihi jumlah
partikel di alam semesta. Namun, hanya perlu sesaat untuk menemukan solusi yang optimal.
melalui perumusan masalah sebagai pemrograman linier dan penerapan
algoritma simplex. Teori pemrograman linier secara drastis mengurangi jumlah
solusi yang mungkin dan layak yang harus ditinjau.

Keberadaan solusi optimal

Secara geometris, batasan linier mendefinisikan daerah layak, yang merupakan sebuah poliedron.
convex. Fungsi linear adalah fungsi konveks, sehingga minimum lokal adalah minimum
global; sebuah fungsi linear juga merupakan fungsi cembung, jadi setiap maksimum lokal juga merupakan
sebuah maksimum global.

Karena fungsi linear tidak secara ketat konveks maupun secara ketat konkaf, ...
solusi optimal tidak selalu unik.

Si la región factible es acotada y no vacía, entonces existirá al menos una solución óptima, puesto
bahwa fungsi linier adalah kontinu dan oleh karena itu mencapai maksimum di mana saja di wilayah tertutup
y dibatasi. Namun, mungkin tidak ada solusi optimal dalam dua situasi. Pada yang pertama
tempat, jika daerah yang dapat diterima kosong, yaitu, jika tidak ada titik yang memenuhi semua pembatasan,
maka masalahnya tidak layak. Kedua, jika daerah yang layak tidak terbatas di
arah gradien dari fungsi tujuan, masalahnya tidak terbatas, dan dapat ditemukan
titik yang memeriksa semua batasan dan dengan nilai setinggi yang kita inginkan dari fungsi
tujuan.

Pemrograman integer
Dalam beberapa kasus, solusi optimal harus terdiri dari nilai bulat untuk beberapa
dari variabel. Penyelesaian masalah ini diperoleh dengan menganalisis alternatif yang mungkin dari
nilai bulat dari variabel-variabel tersebut dalam lingkungan sekitar solusi yang diperoleh dengan mempertimbangkan
variabel nyata. Seringkali solusi dari program linier yang dipotong jauh dari
integer optimal, sehingga perlu menggunakan beberapa algoritma untuk menemukan solusi ini dari
bentuk yang tepat. Yang paling terkenal adalah metode 'Ramificar y Acotar' atau Branch and Bound karena
nama dalam bahasa Inggris. Metode Cabang dan Batas merupakan bagian dari penambahan batasan baru
Untuk setiap variabel keputusan (batasi) yang dievaluasi secara independen (cabang) menghasilkan
ke bilangan bulat yang optimal.

FUNGSI TUJUAN
Fungsi tujuan memiliki hubungan erat dengan pertanyaan umum yang ingin dijawab. Jika
dalam suatu model, pertanyaannya akan berbeda-beda, fungsi tujuan akan berkaitan dengan pertanyaan tersebut.
dari tingkat tinggi, yaitu, pertanyaan yang mendasar. Jadi misalnya, jika dalam suatu situasi terjadi
mereka ingin meminimalkanbiaya, sangat mungkin bahwa pertanyaan yang paling tinggi adalah yang diajukan
hubungkan dengan meningkatkan keuntungan alih-alih sebuah pertanyaan yang mencari cara untuk
mengurangi biaya.

VARIABEL KEPUTUSAN
Serupa dengan hubungan yang ada antara tujuan spesifik dan tujuan umum, berperilaku seperti
variabel keputusan terkait dengan fungsi tujuan, karena ini diidentifikasi berdasarkan
serangkaian pertanyaan yang berasal dari pertanyaan dasar. Variabel keputusan adalah dalam
teori, faktor yang dapat dikendalikan dari sistem yang sedang dimodelkan, dan dengan demikian, ini dapat mengambil
berbagai nilai yang mungkin, di mana perlu diketahui nilai optimalnya, yang berkontribusi pada
pencapaian tujuan fungsi umum dari masalah.
PEMBATASAN
Ketika kita berbicara tentang pembatasan dalam masalah pemrograman linier, kita merujuk pada
segala sesuatu yang membatasi kebebasan nilai yang dapat diambil oleh variabel keputusan.
Cara terbaik untuk menemukannya adalah dengan memikirkan sebuah kasus hipotetis di mana kita memutuskan
memberikan nilai tak terbatas pada variabel keputusan kita, misalnya, apa yang akan terjadi jika di sebuah
masalah yang perlu memaksimalkan utilitasnya dalam sistem produksi sepatu
apakah kita memutuskan untuk memproduksi jumlah sepatu yang tak terbatas? Pasti sekarang kita akan muncul
berbagai pertanyaan, seperti misalnya:

Dengan berapa banyak bahan baku yang saya miliki untuk memproduksinya?
Dengan berapa banyak tenaga kerja yang saya miliki untuk memproduksinya?
Apakah fasilitas perusahaan saya dapat menampung jumlah produk sebanyak itu?
Bisakah kekuatan pemasaran saya menjual semua sepatu?
Bisakah saya membiayai perusahaan seperti itu?
Jadi, kita telah menemukan bahwa sistem kita memiliki serangkaian keterbatasan,
baik fisik maupun kontekstual, sedemikian rupa sehingga nilai-nilai yang pada suatu saat dapat
tomar nuestras variables de decisión se encuentran condicionados por una serie de restricciones.

CONTOH PENYELESAIAN MASALAH PROGRAMMING LINIER

MASALAH
Pabrik Benang dan Kain "SALAZAR" membutuhkan untuk memproduksi dua kain dengan kualitas yang berbeda.
T’; tersedia 500 Kg benang a, 300 Kg benang b, dan 108 Kg benang c. Untuk mendapatkan satu meter
Setiap hari dibutuhkan 125 gr a, 150 gr b, dan 72 gr c; untuk menghasilkan satu meter T’
per hari dibutuhkan 200 gr a, 100 gr b, dan 27 gr c.

El T dijual seharga $4000 per meter dan T’ dijual seharga $5000 per meter. Jika harus mendapatkan maksimum
manfaat, berapa meter T dan T' yang harus diproduksi?
Masalah ini disarankan untuk dibaca lebih dari satu kali untuk memudahkan pengenalan
variabel, selain itu sangat disarankan untuk membuat tabel atau matriks yang memudahkan
pemahaman yang lebih besar tentang hal itu.
LANGKAH 1: "MERUMUSKAN MASALAH"
Untuk melakukan langkah ini, kita mulai dari pertanyaan pusat masalah.
Dan rumusannya adalah:

Menentukan jumlah meter harian kain tipe T dan T’ yang akan diproduksi dengan mempertimbangkan
manfaat optimal terkait dengan utilitas.
LANGKAH 2: MENENTUKAN VARIABEL KEPUTUSAN
Berdasarkan perumusan masalah, variabel keputusan kita adalah:

Jumlah meter sehari dari kain tipe T yang akan diproduksi

XT’: Jumlah meter harian kain tipe T’ yang akan diproduksi
LANGKAH 3: MENENTUKAN RESTRIKSI MASALAH
Pada langkah ini kita menentukan fungsi-fungsi yang membatasi masalah, ini diberikan oleh
kapasitas, ketersediaan, proporsi, tidak negatif antara lain.

2. MODEL PL
secara luas digunakan sebagai alat pendukung pengambilan keputusan baik oleh mereka
properti yang memudahkan resolusinya, serta relevansinya dengan berbagai masalah dari
alam nyata. Berikut ini adalah beberapa contoh yang dirangkum dalam kompleksitas dengan
tujuan untuk menunjukkan beberapa aplikasi tipikal.
Aplikasi Pemrograman Linier
Masalah Investasi: Pertimbangkan bahwa Anda memiliki modal sebesar 21.000 dolar untuk diinvestasikan.
di bursa saham. Seorang teman merekomendasikan 2 saham yang dalam waktu terakhir telah berada di
alza: Aksi A dan Aksi B. Aksi A memiliki imbal hasil 10% per tahun dan Aksi B dari
8% per tahun. Teman Anda menyarankan untuk memiliki portofolio yang seimbang dan beragam, dan oleh karena itu ia merekomendasikan
invertir un máximo de 13.000 dólares en la Acción A y como mínimo 6.000 dólares en la Acción
B. Selain itu, investasi pada Aksi A harus lebih kecil atau sama dengan dua kali lipat dari investasi
ditujukan untuk Tindakan B. Anda ingin merumuskan dan menyelesaikan model Pemrograman Linier yang
izinkan untuk mendapatkan kebijakan investasi yang memungkinkan untuk mendapatkan keuntungan maksimum (bunga)
tahunan.
Variabel de Keputusan:
x = dolar terbalik en Aksi A.
y = dolar yang diinvestasikan dalam Aksi B.
Fungsi Tujuan: Mencari untuk memaksimalkan profitabilitas tahunan yang dihasilkan dari berinvestasi pada 2 jenis
di tindakan.
Maksimalkan 0.1x + 0.08y
Pembatasan: Pertimbangkan rekomendasi dari temannya.
x + y≤21.000 Anda dapat menginvestasikan maksimum 21.000 dolar secara total

x ≤13.000 Investasikan maksimum 13.000 dolar di Saham A

y≥6.000 Invesasikan minimal 6.000 dolar di Saham B

x Investasi di A harus kurang dari atau sama dengan dua kali investasi di
 2y≤0 B

x≥0, y≥0 Tidak ada Negativitas

Solusi Optimal: X = 13.000 Y = 8.000. Nilai Optimal V(P) = 1.940 dolar. Direkomendasikan
verifikasi hasil ini melaluiresolusi grafisy/o menggunakanSolver di Excel.
Masalah Proses Produksi: Sebuah perusahaan memproduksi tiga jenis furnitur (A, B, dan C), setiap
salah satunya dijual seharga $200, $150 dan $120 secara berturut-turut. Untuk produksi ini
perabotan perusahaan memiliki 315 jam tersedia di bengkel pemotongan kayu, 110 jam
tersedia di bengkel pengamplasan dan 50 jam di bengkel pengecatan. Telah diperkirakan bahwa furnitur
Satu unit membutuhkan 15 jam kerja di bengkel pemotongan, 2 jam di bengkel pengamplasan, dan 1
jam di bengkel lukisan (nilai yang sama untuk furnitur B dan C adalah 7,5:3:1 dan 5:2:1)
secara berurutan). Diperlukan untuk merumuskan dan menyelesaikan model Pemrograman Linear yang memungkinkan
menemukan jumlah yang harus diproduksi dan dijual dari furniture ini agar perusahaan mendapatkan
manfaat utama.
Variables de Keputusan:
X = Unit a mengelaborasiy penjual hapus perabotan A.
Y = Satuan a menguraikan y penjual hapus perabotan B.
Z = Unit untuk diproduksi dan dijual dari furnitur C.
Dengan cara ini, model optimisasi yang memungkinkan menemukan rencana produksi yang optimal adalah
yang berikut:

Ini adalah model yang digunakan untuk menggambarkan penggunaanPenyelesai di Excel di mana bisa
menemukan hasil.
Problema Pencampuran Produk: Tersedia 2 bahan untuk membuat permen, yang
rasa akan bervariasi tergantung pada proporsi di mana masing-masing bahan terlibat. El
Bahan primer dibeli seharga $10 per kg. dan yang kedua seharga $20 per kg. Proses pembuatan
anggap biaya sebesar $5 per kg yang diproduksi, dimana jumlah total hanya merupakan penjumlahan.
dari kg yang digunakan dalam campuran. Permintaan maksimum untuk satu bulan mencapai 100 kg dan
harga jual $50 kg. Perusahaan tidak tertarik untuk memproduksi lebih dari yang bisa dijual.
Terakhir, komposisi massa harus mengandung proporsi yang tidak melebihi 50%
dari bahan pertama dan 80% dari bahan kedua. Diperlukan untuk menentukan berapa kg.
permen harus diproduksi setiap bulan dan proporsi yang harus digunakan
bahan untuk mendapatkan manfaat maksimum.
Variabel de Decisión:
X1: Kg a menggunakanhapus bahan 1 en sebulan
X2: Kg yang akan digunakan dari bahan 2 dalam sebulan
Fungsi Objektif: Mendapatkan maksimum utilitas dari penjualan permen dengan mengurangi
biaya produksi
Maksimalkan 50*(X1 + X2)–10*X1–20*X2 - 5*(X1 + X2) = 35*X1 + 25*X2
Restricciones:
Permintaan Maksimum: X1 + X2 <= 100
Composición: X1/(X1 + X2) <= 50% o 0,5*X1–0,5*X2 <= 0
Composición: X2/(X1 + X2) <= 80% o -0,8*X1 + 0,2*X2 <= 0
Tidak Negativitas X1,X2>=0

2. FORMULA KANONIK DAN STANDARD PL

Sebuah masalah pemrograman linier dikatakan ditulis dalam "bentuk standar" jika semua
restriksi dari masalah adalah persamaan linier dan semua variabel tidak negatif.
Kita akan mengatakan bahwa masalah pemrograman linier minimisasi ditulis dalam 'bentuk
“kanonik” jika semua variabel tidak negatif dan semua kendala adalah tipe ≥.
Kita akan mengatakan bahwa sebuah masalah pemrograman linier untuk memaksimalkan ditulis dalam "bentuk
“kanonik” jika semua variabel tidak negatif dan semua pembatasan berjenis ≤.
Pengamatan: Metode simplex, yang merupakan metode untuk menyelesaikan masalah pemrograman
linier, dirancang untuk diterapkan hanya setelah masalah dituliskan dalam bentuk
standar.
Bentuk standar.
Ini adalah penyamaan dari batasan model yang diajukan, serta peningkatan variabel dari
holgura, atau selisih dari variabel yang berlebih.
Sekarang model matematika dapat dirumuskan untuk masalah umum alokasi ini.
sumber daya ke aktivitas. Dalam Data yang diperlukan untuk model pemrograman linier yang mengelola
penugasan sumber daya ke kegiatan tertentu, model ini terdiri dari memilih nilai dari
x1,x2,....,xn untuk:

Optimizar (maximizar o minimizar) Z = c1x1 + c2x2 +....+ cnxn,

terikat pada pembatasan:
C11x1 + C12x2 +....+ C1nxn (≥,≤,=) cn1
C1x1 + C22x2 + .... + C2nxn (≥,≤,=) cn2
X1≥ 0, X2 ≥ 0, ......, Xn≥0

Contoh 1
Fungsi tujuan
Maksimalkan z=X1 + X2

5X1 + 3X2 ≤ 15
3X1 + 5x2 ≤15
xj ≥0; j=1,2

Langkah-langkah untuk mengubah masalah pemrograman linier ke FORMAT SEKOLAH, se

pertimbangkan fase-fase berikut:

1. Mengubah ketidaksamaan menjadi kesamaan

Diperkenalkan sebuah variabel slack untuk setiap salah satu dari pembatasan, untuk mengubahnya menjadi
persamaan, yang menghasilkan sistem persamaan linier:
Variabel kelonggaran.
Ini digunakan untuk mengubah ketidaksetaraan jenis '≤' menjadi persamaan. Persamaan diperoleh dengan menambahkan
di sisi kiri ketidaksamaan sebuah variabel tidak negatif, yang mewakili nilai yang
dibutuhkan di sisi kiri agar sama dengan sisi kanan. Ini dikenal sebagai variabel dari
holgura, dan dalam kasus khusus di mana batasan tipe ≤ mengacu pada konsumsi
maksimum dari suatu sumber daya, variabel yang ditambahkan mengukur jumlah sumber daya yang tersisa (jumlah
tidak digunakan) saat menjalankan solusi optimal.

Todo problema programación lineal que se formula de la forma maximice, con todas sus
restriksi ≤ dan dengan kondisi tidak negatif disebut bentuk standar atau bentuk normal.
Di sini, sama seperti pada metode aljabar, kita harus memperoleh solusi dasar yang layak.
menerapkan variabel slack atau artifisial: sehingga sistem persamaan menjadi seperti ini:

Maksimalkan z=x1+x2
5X1 + 3X2 + X3 = 15
3X1 + 5X2 + X4 = 15
Xj ≥0;j=1,2,3,4
Variabel dasar adalah X3 dan X4 dan tentu saja dalam fungsi tujuan Z.
2. Samakan fungsi objektif dengan nol
Kami membutuhkan agar fungsi tujuan selalu bersifat minimisasi dan bahwa semua yang lainnya
restriksi menjadi kesetaraan.
Masalah pemrograman linier ini belum dalam bentuk standar. Jadi langkah yang harus diambil
apa yang harus kita lakukan adalah:
1. mengubah dari maksimisasi menjadi minimisasi: mengalikan fungsi tujuan dengan -1.
Dalam hal ini, fungsi tujuan akan. Minimalkan Z-X1-X2=0 Disusun oleh:
5X1+ 3X2 +X3=15 31 + 5X2 + X4 = 15
 minggu ke-2:
PERUMUSAN ATAU PENYUSUNAN MODEL PL
ElemenDasarSebuahmodelo matematik
Sebuah model matematis adalahprodukdari
abstraksi sebuahsistemnyata, menghilangkan yang
kompleksitas dan membuat asumsi yang relevan; diterapkan sebuah teknikmatematikadan diperoleh
sebuah representasi simbolis dari yang sama.
Sebuah model matematis terdiri dari setidaknya tiga elemen atau kondisi dasar:
BelasVariabelkeputusan, ituFungsiTujuandan Pembatasan.
Variabel keputusan dan parameter
Variabel keputusan adalah variabel yang harus ditentukan berdasarkan solusi dari
model. Parameter-parameter mewakilinilai-nilaidikenal dari sistem atau yang dapat dikendalikan.
Variabel keputusan dilambangkan dengan: X1, X2, X3,…, Xn atau Xi, i = 1, 2, 3,…, n.
Función Objetivo
Fungsi tujuan adalah hubungan matematis antara variabel keputusan, parameter, dan sebuah
magnitudo yang mewakili tujuan atau produk dari sistem. Ini adalahpengukurandari efektivitas
Model yang dirumuskan berdasarkan variabel. Menentukan apa yang akan dioptimalkan (Maksimalkan atau
Minimalkan).
Solusi OPTIMAL diperoleh ketikanilaifungsi tujuan adalah optimal (nilai
maksimum atau minimum), untuk sebuah kumpulan darinilaifaktis dari variabel-variabel. Artinya, harus ada
menggantikan variabel yang diperoleh X1, X2, X3,…, Xn; di Fungsi Tujuan Z = f (C1X1,
C2X2, C3X3,…, CnXn) terikat pada batasan model matematis.
Por ejemplo, si el objetivo es minimizar los biayade operación, la función objetivo debe
menyatakan hubungan antarabiayadan variabel keputusan, dengan hasil biaya terendah
darisolusifakta yang diperoleh.
Pembatasan
Pembatasan adalah hubungan antara variabel keputusan dansumber dayatersedia. Yang
pembatasan model membatasi nilai variabel keputusan. Mereka dihasilkan ketika
sumber daya yang tersedia terbatas.
Dalam Model juga termasuk, selain dari batasan, Batasan Tidak
Negativitas dari Variabel keputusan, yaitu: Xi = 0.
Sebagai contoh, jika salah satu variabel keputusan mewakili jumlah karyawan di sebuah bengkel,
nilai dari variabel tersebut tidak boleh negatif. Atau juga, jika salah satu variabel adalah jumlah dari
meja yang akan diproduksi, nilainya hanya bisa sama dengan nol atau lebih dari nol, yaitu positif; itu akan menjadi
absurd untuk mendapatkan hasil bahwa akan dibuat–4 meja.
Pemrograman linier adalah interrelasi antara komponen-komponen dalam sebuah sistem, di
términos matematikawanbaik dalam bentukpersamaano inecuaciones linier yang disebut Model
dePemrogramanLinier. Ini adalah teknik yang digunakan untuk mengembangkanmodelmatematikus, dirancang
untuk mengoptimalkan penggunaan sumber daya terbatas disebuah perusahaanuorganización.
ElModelo dePemrograman Linier ini adalah representasi simbolis dari realitas yang
studi, atau masalah yang akan diselesaikan. Dibentuk dengan ekspresi logikamatematika
conteniendo términos que significan contribuciones: a la utilitas(maksimum) atau biaya (dengan
minimum) dalam Fungsi Tujuan model. Dan padakonsumsidari sumber daya yang tersedia (dengan
ketidaksetaraan = ó = e kesetaraan =) dalam pembatasan.
Di masa kinitexto kami akan mengembangkan Model Matematis Pemrograman Linier dari:
Maksimalisasi dan Minimalkan, yang akan diindikasikan dalam Fungsi Tujuan Model.
 Problema aplikasi untuk membentuk model
1).[Link] pabrik memproduksi dua jenis dariproductos: M y N, biaya
deproduksiHarga kedua produk adalah $3 untuk produk M dan $5 untuk produk N.
Elwaktutotal produksi dibatasi hingga 500 jam; dan waktu produksi adalah 8
jam/satuan untuk produk M dan 4 jam/satuan untuk produk N. Rumuskan Model
matematik yang memungkinkan menentukan jumlah produk M dan N yang akan diproduksi, dan yang mengoptimalkan
Biaya total produksi dari kedua produk.
Formulasi Model
Dalam perumusan model, kita dapat dibantu dengan representasi Masalah melalui
sebuah pengorganisir grafis atau skema:

Definisi Variabel
Diharapkan untuk merumuskan model matematis untuk menentukan jumlah yang harus diproduksi.
setiap produk (M dan N), oleh karena itu kita akan memiliki dua variabel, yang diwakili oleh: x1, x2.
Siendo:x1= Jumlah yang akan diproduksi dari produk M,
x2= Jumlah yang akan diproduksi dari produk N
Fungsi Tujuan
Bagaimana itu dimilikiinformasidari Biaya produksi produk M dan N, tujuannya adalah
meminimalkannya:

Kemudian Fungsi Tujuan akan Meminimalkan 'C' sama dengan Biaya total produksi produk M
lebih biaya total produksi produk N.
Secara matematis, Fungsi Tujuan adalah:

Definisi Pembatasan
 Tipe sumber daya dalam masalah ini adalah waktu (bisa dalam jampriau jam mesin).
Kami merumuskan pembatasan, menempatkan konsumsi unit di sisi kiri ketidaksetaraan.
dari produk M dan N, dan di sisi kanan jumlah sumber daya yang tersedia (500 jam).

Menyimpulkan kita memiliki Model matematis dari Pemrograman Linier dari Masalah (sebuah
model dengan dua variabel dan satu kendala, siap untuk menerapkan sebuahmetodede solución:

2). Jalur Produksi.-Sebuahpengusahadia memiliki 80 kg daribesiy 120 kg dealuminiumdan ingin

memproduksi dua model sepeda: sepeda santai dan sepeda gunung, untuk dijual di
elpasarS/. 200 dan S/. 150 masing-masing untuk setiap model, untuk mendapatkan maksimum
manfaat. Untuk sepeda santai, akan menggunakan 1 kg baja dan 3 kg aluminium, dan untuk sepeda
de montaña akan menggunakan 2 kg dari [Link] model matematis pemrograman
linier, yang memungkinkan untuk menentukan jumlah optimal sepeda yang akan diproduksi, untuk memperoleh yang terbesar
manfaat ekonomi.
Formulasi Model
Kami mewakili Masalah melalui pengorganisasi grafis atau skema

Definisi Variabel:
Diharapkan dapat menentukan jumlah sepeda yang akan diproduksi untuk setiap model (bersepeda santai dan gunung), untuk
Jadi kita akan memiliki dua variabel.
Sean:x1= Cantidad de bicicletas de paseo a fabricar
x2= Cantidad de bicicletas de montaña a fabricar
Fungsi Tujuan
 Tujuan dari masalah ini adalah memaksimalkan total manfaat ekonomi (Z) dari model-model
sepeda yang akan diproduksi oleh pengusaha.
Harga daripenjualansepeda santai = S/. 200
Harga jual sepeda gunung = S/. 150
Beneficio económico = Hargaharga jual per unit x jumlah yang akan diproduksi
Manfaat ekonomi total dari sepeda santai = 200 x1
Manfaat ekonomi total dari sepeda gunung = 150 x2
Kemudian Fungsi tujuan akan menjadi: Maksimalkan: Z = 200 x1 + 150 x2
Definisi Pembatasan
Kami menyusun tabel daribahan baku dihabiskan (Baja dan Aluminium) untuk setiap model dari
bicicleta (paseo y montaña) y su disponibilidad:
Model sepeda Acero Aluminium
Paseo 1 kg. 3 kg.
Gunung 2 kg. 2 kg.
Ketersediaanmateriautama 80 kg. 120 kg.
Pembatasan konsumsi Baja dalam pembuatan sepeda:
1 x1 + 2 x2 < 80
Pembatasan konsumsi Aluminium dalam pembuatan sepeda:
3 x1 + 2 x2 < 120
Pengamatan:
Sisi kanan dari batasan, 80 dan 120 mewakili ketersediaan dalam kg. baja dan
aluminium masing-masing (bahan baku).
Sisi kiri di batasan menunjukkan konsumsi unit bahan baku per setiap
model sepeda.
Kondisi non-negativitas: Produksi setiap model sepeda dapat menjadi nol (0)
atau lebih besar dari nol, yaitu: x1, x2 = 0
Kemudian Model matematis dari Pemrograman Linier (dengan dua variabel dan dua pembatas)
akan:

3). Kasus daripengambilan keputusan.-Suponga con losdatadari masalah 2), sebelumnya, jika
Pengusaha karena pembatasan ekonomi memutuskan hanya membuat satu model sepeda. Model apa?
Haruskah memilih? Kenapa?
Alternatif produksi dikembangkan dalam batasan Model matematika; dan
pengambilan keputusan ditentukan dengan mengevaluasi alternatif yang diperoleh dalam Fungsi tujuan.
Keputusan yang harus diambil, karena keterbatasan ekonomi, adalah memproduksi satu model sepeda yang
menghasilkan manfaat terbesar bagi pengusaha. Kemudian kita mengembangkan alternatif dengan mengevaluasi di dalam
pembatasan model:
Pengambilan keputusan dilakukan dengan mengevaluasi alternatif produksi dalam Fungsi tujuan
diperoleh dari model sepeda. Selanjutnyacontohelprosedurdilakukan.

Pengambilan keputusan:
Karena fungsi tujuan adalah memaksimalkan manfaat ekonomi yang dihasilkan olehpenjualan
kami mengambil keputusan untuk hanya memproduksi sepeda santai, karena itu adalah model yang akan menghasilkan
keuntungan mayor, setara dengan S/. 8.000.
Pengamatan:
Kami telah menunjukkan pentingnya merumuskan model matematis yang tepat, karena kesalahan
dalam perumusan Model, dapat membawa kita untuk mengambil keputusan yang salah yang dapat
menghasilkan konsekuensi serius bagiperusahaanu organisasi.
 4. SOLUSI GRAFIS
Metode grafis untuk penyelesaian masalah pemrograman linier (PL) hanya berlaku untuk masalah
dengan dua variabel keputusan; namun, menggambarkan dengan tepat konsep-konsep yang kami
akan memungkinkan untuk memahami sifat masalah PL dan dari situ memahami metode penyelesaian
algebraik.
Pertama-tama kita akan menggambarkan wilayah yang layak. Setelah itu, kita akan mengilustrasikan perilaku dari
fungsi linier untuk memahami bagaimana menentukan titik optimal.

Contoh 1
Anggaplah Anda ingin menyelesaikan masalah PL:

Mak z = 3 x + 2 y

tergantung pada

2x+y≤ 100R5
x + y ≤ 80R4
x ≤ 40R3
x ≥ 0 R1
y ≥ 0 R2

Tujuan pertama kami adalah memplot di bidang daerah yang layak; yaitu, memplot seluruhnya dari
titik-titik pada bidang yang memenuhi constraints. Perhatikan bahwa constraints harus dipenuhi
secara bersamaan. Artinya, titik-titik tersebut harus memenuhi pembatasan R1, pembatasan R2, dan
demikian seterusnya hingga batasan R5. Dari sudut pandang teori dasar himpunan,
wilayah yang mungkin adalah irisan dari kumpulan yang memenuhi masing-masing secara terpisah
restriksi. Untuk maju dalam tujuan kita, kita harus tahu bagaimana menentukan titik-titik di bidang
yang memenuhi suatu ketidaksamaan linier. Kita membedakan dua kasus:

Ketika dalam ketidaksetaraan hanya ada satu variabel keputusan (artinya, variabel lainnya memiliki)
koefisien nol)

Ketika dalam ketidaksetaraan muncul dua variabel keputusan (artinya, keduanya memiliki
koefisien berbeda dari nol dalam ketidaksamaan tersebut

Analisis grafik adalah alternatif yang efisien untuk menghadapi penyelesaian model dari
Pemrograman Linier dalam 2 variabel, di mana domain titik yang layak (jika ada) se
anda akan menemukan di kuadran pertama, sebagai produk dari persimpangan berbagai pembatasan
dari masalah linier.

Salah satu sifat dasar dari model Pemrograman Linier yang memiliki solusi adalah
yang akan ditemukan di sudut atau batas (segmen) dari domain titik yang memungkinkan. Artinya, jika
setelah memplot domain dan mengevaluasi berbagai titik sudut untuk memilih "yang terbaik"
 kandidat sesuai dengan kasus kita (nilai dari fungsi tujuan akan memungkinkan kita
discriminar cual es el mejor candidato dependiendo si estamos maximizando o minimizando).
Mari kita pertimbangkan Contoh Pendahuluan dalam 2 variabel:
D) MIN 8X + 6Y
S.A. 2X + Y >= 10
...... 2X + 2Y >= 16
..... ..X>= 0, Y>= 0
Komentar: Perhatikan bahwa ini sesuai denganProblema
Dual deP)cuya resolusi disajikan di
situs kami sebagai contoh pengantar dalam penggunaan Solver di MS Excel. Untuk melihat
detail dari resolusi grafik P) disarankan kepada pengguna untuk memasukkanDI SINI.
Untuk menyelesaikan masalah D) kita menggambarkan domain titik-titik yang layak dan kurva level.
terkait dengan fungsi tujuan:

Area yang diarsir dengan warna hijau mewakili domain titik-titik yang dapat diterima dari masalah D), yaitu
mengatakan, itu adalah kombinasi nilai yang berbeda yang dapat diadopsi oleh variabel keputusan yang
memenuhi batasan masalah. Perlu dicatat bahwa ini sesuai dengan sebuah domain tidak
dibatasi, yang tidak berarti bahwa masalah tersebut tidak memiliki solusi.
Di sisi lain, kita tahu bahwa optimum dari suatu masalah linier terletak pada suatu titik sudut atau batas.
dari domain titik yang dapat diterima. Dalam hal ini, kita memiliki 3 sudut kandidat untuk yang optimal yang
ditunjukkan dengan panah putih dan biru. Titik puncak (X,Y) = (0,10) dengan V(P) = 60;
(X,Y)=(2,6)conV(P)=52 y (X,Y)=(8,0)conV(P)=64. Nilai minimum untuk fungsi objektif
se alcanza en (X,Y)=(2,6)conV(P)=52, el cual resulta ser la Solución Óptima deD). Sin
embargo, suatu cara yang lebih efisien untuk mendapatkan yang optimal tanpa harus mengevaluasi setiap simpul di
fungsi tujuan, adalah menggeser garis kontur dari fungsi tujuan ke arah
penurunan maksimum (dalam kasus masalah minimisasi). Untuk sebuah masalah
minimisasi, penurunan terbesar dicapai dalam arah vektor "- Gradien
F(X,Y)", en nuestro caso el vector con dirección(-8,-6)(dirección representada por flecha roja).
Kemudian, optimum dicapai di titik terakhir di mana kurva kontur berpotongan dengan domain
dari titik-titik yang memungkinkan dalam arah penurunan maksimum, yang solusinya jelas
corresponde a(X,Y)=(2,6)conV(P)=52.

ANALISIS SENSITIVITAS GRAFIK UNTUK 2 PEMBATASAN

Setelah menyelesaikan model Pemrograman Linier, menjadi berguna untuk melakukan analisis sensitivitas
yang memungkinkan mengidentifikasi bagaimana variasi dalam hasil masalah memengaruhi
parameter ini, tanpa harus menyelesaikan masalah ini lagi.
1. Variasi pada Koefisien Fungsi Objektif: Pertanyaan yang ingin kami jawab
apa interval variasi untuk koefisien fungsi objektif (setiap koefisien
yang mempertahankan Solusi Optimal saat ini.
Pendekatan pertama adalah mempertimbangkan kemiringan dari batasan yang aktif pada titik optimal, yaitu
katakan, pembatasan yang dipenuhi dalam kesetaraan (dalam kasus kami pembatasan 1 dan 2).
restriksi 1 (2X + Y >=10) memiliki gradien -2. restriksi 2 (2X + 2Y >=16) memiliki gradien -
Di sisi lain, kemiringan fungsi objektif yang diberikan C1=8 dan C2=6 adalah -4/3.
Sebagai akibatnya, solusi optimal saat ini dipertahankan jika kemiringan fungsi tujuan
(kurva kontur) bervariasi dalam interval kemiringan dari pembatasan aktif saat ini. Ini
es:
-2 <= C1/C2 <= 1 (Kita kalikan dengan -1)
2 >= C1/C2 >= 1
Jika kita menetapkan C2=6.

2 >= C1/6 >= 1

12 >= C1 >= 6 (Menjamin Solusi Optimal saat ini dengan C2 tetap)
Jika kita menetapkan C1=8.

2 >= 8/C2 >= 1

8 >= C2 >= 4 (Menjamin Solusi Optimal saat ini dengan C1 tetap)
Perhatikan bahwa di ujung interval, selain menyertakan Solusi Optimal saat ini, juga
consideran nuevas combinaciones del dominio que mantienen el Valor Óptimo y también son
Solusi Optimal D). Situasi ini menentukan bahwa masalah memiliki solusi tak terbatas
optimal

2. Variasi pada sisi kanan dari pembatasan(perhitungan "harga bayangan")Satu

pertanyaan umum dalam analisis sensitivitas adalah melihat dampak yang dimilikinya terhadap nilai optimal
variabel marginal dari sisi kanan salah satu pembatasnya (baik peningkatan atau
decrecimiento). Dampak pada nilai optimal per unit variasi dari sisi kanan sebuah
pembatasan (menjaga yang lain tetap konstan) adalah harga bayangan yang terkait dengan pembatasan tersebut. Di
contoh kami, pertimbangkan bahwa sisi kanan dari batasan 1 (saat ini b1=10)
berkontribusi pada sumber daya yang langka (contoh: jam kerja, uang, waktu, dll). Jika kita tahu bahwa
nilai optimal aktual V(P)=52, kami ingin tahu misalnya, berapa banyak nilai optimal akan meningkat
jika kita memiliki satu unit tambahan dari sumber daya langka (yaitu, melewati ab1*=11).
bentuk setara seringkali mengajukan keinginan ini sebagai Berapa maksimum yang
apakah Anda bersedia membayar untuk unit tambahan dari sumber yang terkait dengan pembatasan pertama? Ini
nilai sesuai dengan harga bayangan.

Precio Bayangan Pembatasan 1: Pertama, pergeseran paralel dari Pembatasan dipertimbangkan

1 (baik dalam arti pertumbuhan atau penurunan di sisi kanan), sehingga Solusi
Óptima terus bertemu dengan batasan aktif saat ini (dalam kasus kami R1 dan R2).
contoh, menggeser R1 ke arah penurunannya, titik terakhir di mana ia berpotongan
R1 con R2 adalah pada pasangan berurutan (X,Y)=(0,8). Pengguna diajak untuk menghitung maksimum
variabel untuk R1 yang terjadi di (X,Y)=(8,0).
 Sebagai akibatnya, Harga Bayangan yang terkait dengan Pembatasan 1 diberikan oleh:

Harga Bayangan sama dengan 2 menunjukkan misalnya bahwa jika sisi kanan meningkat sebesar 1 unit,
manfaat tambahan (peningkatan dalam Nilai Optimal) adalah 2 unit. Selain itu, sebuah
pertanyaan umum menghasilkan identifikasi interval variasi di mana harga bayangan
dihitung adalah valid. Nilai maksimum yang dapat diambil oleh sisi kanan R1 adalah b1*
cara agar solusi baru tetap ditemukan dengan R1 dan R2 aktif. Nilai b1* diperoleh
dalam mengevaluasi(X,Y)=(8,0) pada Pembatasan 1:2*(8) + 1*(0)=16. Mengikuti alasan yang sama
nilai minimum yang dapat dicapai oleh sisi kanan R1 adalah b1, yang dievaluasi di (X,Y)=(0,8) di
R1 diperoleh: 2*(0) + 1*(8)=8.
Se recomienda al usuario hacer el cálculo del Precio Sombra para la Restricción 2, el cual
bercorrespondensi dengan 2. Jika Anda ingin melihat contoh baru, silakan masuk keResolusi Grafis dalam
Pemrograman Linier. (Sitio: Penelitian Operasional

ANALISIS SENSITIVITAS GRAFIK UNTUK 3 RESTRIKSI

Metodologi dan konsep yang dipresentasikan untuk kasus 2 batasan tidak berbeda, namun,
harus sangat hati-hati bagaimana penambahan satu batasan ketiga mempengaruhi analisis.
Mari kita lihat contoh berikut:
P) MAKS 4X + 3Y
S.A. 6X + 2Y <= 120
...... .1X + 4Y <= 100
........5X + 5Y <= 150
..... ..X>= 0, Y>= 0
Resolusi grafis dari contoh ini memungkinkan untuk memperoleh solusi optimal X=15, Y=15 dengan nilai
óptimoV(P)=105, seperti yang terlihat pada grafik di bawah ini:

Sebelum melanjutkan dengan analisis sensitivitas, adalah bijaksana untuk memeriksa apakah saat ini
restriksi masalah aktif pada optimal, yaitu, jika terpenuhi dalam kesetaraan:
R1: 6*(15) + 2*(15) = 120 => R1 adalah batasan aktif
R2: 1*(15) + 4*(15) < 100 => R2 bukan merupakan batasan yang aktif
R3: 5*(15) + 5*(15) = 150 => R3 adalah batasan aktif
Dalam hal sisi kanan dari pembatasan adalah sebuah sumber daya, menjadi wajar untuk memiliki sebuah
disposisi untuk membayar per unit tambahan sejauh sumber daya tersebut digunakan
kapasitas maksimum. Oleh karena itu, suatu batasan yang tidak aktif secara definisi memiliki harga
siluet sama dengan nol (kasus R2) karena peningkatan sisi kanan tidak akan meningkatkan nilai
optimal saat ini V(P)=150. Namun, hanya dalam kasus yang sangat khusus kita dapat menemukan
pembatasan aktif dengan harga bayangan (atau biaya tereduksi) sama dengan nol, yang lebih
pengecualian dari aturan.
Setelah pengantar ini, mari kita lihat perhitungan harga bayangan atau biaya yang dikurangi untuk
restriksi 1 (R1). Pertama, kita harus menggeser secara paralel restriksi 1 hingga titik
maksimum di mana solusi optimal masih ditemukan dengan batasan aktif saat ini
R1 dan R3. Titik tersebut adalah (X,Y)=(30,0). Selanjutnya, kita menggeser secara paralel
pembatasan 1 (R1) hingga titik minimum di mana solusi optimal masih ditemukan dengan
pembatasan aktif R1 dan R3 saat ini. Perhatikan bahwa perpindahan ini dibatasi hingga
titik di mana pembatasan 2 (R2) menjadi aktif, yang sesuai dengan titik (X,Y)=(6,666,
23,333) seperti yang ditunjukkan dalam grafik berikut:

Oleh karena itu, harga bayangan yang terkait dengan pembatasan 1 diberikan oleh:

Dengan mengikuti prosedur serupa, harga bayangan yang terkait dapat diperoleh.
pembatasan yang tersisa. Berikut ini adalah tabel ringkasan analisis sensitivitas
diperoleh dengan Solver Excel:
minggu ke-3
METODE SIMPLEX DAN VARIANNYA
Metode Simplex adalah metode analitis untuk menyelesaikan masalahpemrograman
liniermampu menyelesaikan model yang lebih kompleks daripada yang diselesaikan melaluimetode
grafiktanpa batasan dalam jumlah variabel.

Metode Simplex adalah metode iteratif yang memungkinkan peningkatan solusi di setiap langkah.
Alasan matematis dari perbaikan ini terletak pada fakta bahwa metode ini terdiri dari berjalan dari sudut
sebuah poliedro ke satu titik sudut tetangga sehingga meningkat atau menurun (berdasarkan konteksnya
fungsi objektif, apakah itu memaksimalkan atau meminimalkan), mengingat jumlah sudut yang ditampilkan oleh sebuah
solusi poliedro selalu akan ditemukan.
Metode populer ini diciptakan pada tahun 1947 oleh orang [Link] Bernard
Dantzigdan Rusia Leonid Vitalievich Kantorovich, dengan semangat untuk menciptakan sebuah algoritma yang mampu
menyelesaikan masalah dengan m pembatasan dan n variabel.

APA ITU MATRIS IDENTITAS?

Sebuah matriks dapat didefinisikan sebagai penyusunan persegi panjang dari elemen, (atau daftar terbatas dari
elemen-elemen), yang dapat berupa angka real atau kompleks, disusun dalam bentuk baris dan
kolom.

Matriks identik atau identitas adalah matriks persegi (yang memiliki jumlah yang sama baik dari)
kolom seperti baris) dari urutan n yang memiliki semua elemen diagonal sama dengan satu (1) dan
semua komponen lainnya sama dengan nol (0), disebut matriks identik atau identitas dari
urutan n, dan dilambangkan dengan:

Pentingnya teori matriks dalam Metode Simplex sangat mendasar, mengingat bahwa
algoritma didasarkan pada teori tersebut untuk menyelesaikan masalahnya.

CATATAN PENTING KETIKA MENGGUNAKAN METODE SIMPLEX

VARIABEL KELONGGARAN DAN KELEBIHAN
Metode Simplex bekerja berdasarkan persamaan dan batasan awal yang dimodelkan
melalui pemrograman linier tidak begitu, untuk itu perlu mengubah ketidaksamaan ini menjadi
persamaan menggunakan beberapa variabel yang disebut slack dan surplus yang terkait dengan
sumber daya yang dirujuk oleh pembatasan dan yang dalam tabel akhir mewakili "Slack atau
surplus" yang dirujuk oleh program-program terkenal untuk penyelesaian penelitian dari
operasi, variabel-variabel ini memperoleh nilai yang besar dalam analisis sensitivitas dan memainkan peran
fundamental dalam pembuatan matriks identitas dasar dari Simplex.

Variabel ini biasanya diwakili oleh huruf "S", dijumlahkan jika batasan berlabel tanda
<= " y se restan si la restricción es de signo ">=.
Sebagai contoh:

VARIABEL BUATAN / METODE "M"

Variabel buatan adalah trik matematis untuk mengubah ketidaksamaan ">=" menjadi persamaan, atau
ketika persamaan muncul dalam masalah asli, karakteristik utama dari variabel-variabel ini
itu tidak boleh menjadi bagian dari solusi, karena tidak mewakili sumber daya. Tujuannya
fundamental dari variabel-variabel ini adalah pembentukan matriks identitas.

Variabel ini diwakili oleh huruf "A", selalu ditambahkan ke dalam batasan, koefisiennya
es M (karena ini disebut Metode M besar, di mana M berarti angka yang terlalu
besar sangat sedikit menarik untuk fungsi tujuan), dan tanda pada fungsi tujuan berada di
bertentangan dengan arti yang sama, yaitu, dalam masalah Maksimisasi, tanda nya adalah minus (-) dan
dalam masalah Minimasi, tanda nya adalah (+), kami ulangi dengan tujuan agar nilainya di
solusi adalah nol (0).
minggu ke-4
DEFINISI DUALITAS
Dari bahasa Latin dualĭtas, istilah dualitas menunjukkan adanya dua fenomena atau karakter
berbeda dalam satu orang atau dalam satu keadaan yang sama. Dalam bidang filsafat dan
teologi, dikenal sebagai dualisme adalah doktrin yang mengemukakan adanya dua prinsip
supremo independen, antagonis dan tidak dapat direduksi.

Dualitas
Dalam pengertian ini, konsep baik dan buruk adalah contoh dualitas. Keduanya bisa
didefinisikan melalui oposisi dan merujuk pada dua esensi yang sepenuhnya berbeda. Materi-
spiritualitas dan realisme-idealisme adalah contoh lain dari konsep yang membentuk dualitas.

Dalam kasus ini, seluruh himpunan doktrin dualis yang ada dan yang, seperti telah kami sebutkan,
bagian dari perbedaan tersebut antara Kebaikan dan Kejahatan memiliki serangkaian ciri yang sama. Dengan demikian, oleh karena itu
contoh, kita menghadapi fakta bahwa Kebaikan selalu diidentifikasi dengan cahaya dan juga
dengan semangat. Di pihaknya, Kejahatan selalu diasosiasikan dengan kegelapan, dengan apa yang merupakan
bagian tubuh dan juga dengan iblis itu sendiri.

Dengan cara ini, kita dapat melihat dengan sempurna dualitas yang sedang kita bicarakan di salah satu dari
karakter sastra yang paling penting sepanjang sejarah. Kami merujuk pada
protagonis dari karya "Kasus aneh dari dokter Jekyll dan tuan Hyde", yang pada tahun 1886
diciptakan oleh penulis Skotlandia Robert Louis Stevenson.

Secara konkret, ini adalah seorang ilmuwan yang telah mampu menciptakan ramuan yang memungkinkannya untuk
mengubah fisik dan secara pribadi. Jadi, ketika dia berubah menjadi Hyde, dia menjadi seorang pria yang kasar.
mampu mengakhiri kehidupan makhluk hidup lainnya. Dengan cara ini, kita menyaksikan dua sisi yang
siapa saja bisa memilikinya, dokter mewakili Kebaikan dan Hyde mewakili sisi tersembunyi yang lebih gelap
dan kekerasan dari umat manusia.

Filsafat Cina mengacu pada konsep yin dan yang untuk merangkum dualitas dari segala sesuatu yang
ada di alam semesta. Ide ini dapat diterapkan pada situasi atau objek apa pun, karena dapat
menjelaskan pada premis yang menyatakan bahwa di dalam segala sesuatu yang baik ada sesuatu yang buruk dan sebaliknya.

Namun, sepanjang sejarah telah ada dualisme penting lainnya. Dalam kasus tersebut
dalam filsafat kita menemukan, misalnya, pemikir Prusia Immanuel Kant yang menetapkan
dualisme berikut: akal praktis dan akal murni.

Dualisme teologis didasarkan pada keberadaan prinsip ilahi dari kebaikan (dihubungkan dengan Cahaya)
sebagai kontra dari prinsip ilahi kejahatan (Kegelapan). Tuhan disebut sebagai
bertanggung jawab atas penciptaan kebaikan, sementara kejahatan dikaitkan dengan setan. Dualisme, oleh karena itu
Dengan demikian, membebaskan manusia dari tanggung jawab atas keberadaan kejahatan di dunia.

Gereja Katolik menentang dualitas ini karena membela Tuhan yang maha kuasa dan tak terhingga, tanpa
bahwa dapat ada kejahatan yang membatasi potensinya. Segala sesuatu yang ada diciptakan oleh Tuhan, tidak ada yang
Apa yang diciptakan oleh Tuhan bisa jadi jahat.
 6.1 HUBUNGAN PRIMAL DENGAN DUAL
Las relaciones del primal-dual son:
[Link] suatu masalah primal memiliki solusi yang layak, maka dualnya akan memiliki solusi yang layak dan
sebaliknya.
[Link] masalah primal memiliki solusi yang layak dan fungsi objektif tidak terbatas, maka
dual tidak akan memiliki solusi yang layak dan sebaliknya.
[Link] primal tidak memiliki solusi yang layak, dual tidak memiliki solusi yang layak atau fungsi
tujuan tidak terbatas.
Seringkali dalam penelitian operasi, untuk merumuskan masalah dual, terdapat
sesuai dengan tabel [Link]
Primal standar Masalah dual
Masalah tujuan Tujuan Jenis pembatasan Tanda dari
variabel
Maksimalisasi Minimisasi ≥ Tidak dibatasi
Minimisasi Maksimisasi ≤ Tidak dibatasi
Tabel 3.2.1
Hubungan antara masalah primal dan dualnya disajikan dengan tabel optimal untuk keduanya.
Dalam praktiknya, diperhatikan bahwa tidak perlu menyelesaikan keduanya, cukup menyelesaikan satu (lebih baik
convenga), solusi dapat diberikan kepada yang lain.
Misalkan contoh 3.2.1

Primal
0= 1+ 2 2
.
2 8 2 ≤ 16
1+
1 2+ ≤5
1, 2≥ 0
Dual
0 = 16 1+ 5 2

1 Hamdy Taha, Penelitian Operasi, Edisi ke-6. Penerbit Prentice Hall

 .
2 1+ 2≥1
8 1+ 2≥ 2
1, 2 ≥ 0

Tabel optimal 3.2.2 (diselesaikan dengan metode simplex)

2 1 2
1
0 0 0 1/6 2/3 6
2 0 1 1/6 -1/3 1
1 0 -1/6 4/3 4
1

Tabel optimal dual 3.2.3 (melalui dua fase)

Solusi optimal
=6
1= 4

2= 1
1= 0
2= 0

1 2 1 2 1 2

0 0 0 -4 -1 — — 6

2 0 1 -4/3 1/3 4/3 -1/3 2/3

1 1 0 1/6 -1/6 -1/6 1/6 1/6

Solusi optimal:
=6
1= 1/6 2= 2/3 1= 0 2= 0 1= 0 2= 0
Perhatikan bahwa pada tabel 3.2.2 dan 3.2.3 kita memiliki solusi optimal yang sama.
Aanalisis. Untuk primal el dual
= properti
6, yang uandouna=6 c
maksimalkanlah kecil, dalam beberapa kasus tidak memiliki nilai yang sama, ini terjadi ketika
sifat dualitas adalah lemah. Dalam hal ini 0 0untuk< masalah yang dianalisis
dualitas itu kuat 0 0mengingat
= bahwa kedua masalah adalah optimal.
Aanalisis. Mari kita s amati di s primalf tes r dalam bahasa
lo coe icien , hilaInggris
ng 0
koefisien dari 1 2(variabel
y awal) sesuai dengan solusi dari sebuah
masalah dual seperti apa 1= 1/6 y 2= 2/3, hasil ini dibandingkan di dalam
tabel 3.2.3 dan kita perhatikan bahwa itu sesuai dengan variabel ganda 1= 1/6 y 2 =
2/3.

Singkatnya, nilai optimal untuk masalah dual akan diberikan oleh variabel
meningkat (awal) dalam hal ini variabel kelonggaran 1y 2.
Hal yang sama terjadi jika kita mengamati baris tersebut 0di tabel 3.2.3 (dual), solusinya
optimal untuk primal adalah koefisien yang berada di bawah 1y 2yang sesuai di
perintah a 1 = 4 y 2= 1; perlu dicatat bahwa negatif diabaikan, ini karena dualnya
ganti ke mminimalkan dan kenali kamis hak milik dari 0− 0 (− ).
Dengan cara yang sama, dari tabel optimal 3.2.2 diperoleh variabel peningkatan untuk
ganda, ini ditemukan di baris 0di bawah variabel nyata 1y 2; untuk itu
jadi, variabel slack 1= 0 2= 0.
Begitu juga, variabel peningkatan untuk primal berada pada baris 0di bawah
variabel ganda 1y 2, untuk contoh kami 1= 0 2= 0.
Minggu ke-5:
MODEL TRANSPORTASI
Masalah transportasi atau distribusi adalahmasalah jaringan istimewa
dipemrograman linierapa yang didirikan
dalam kebutuhan untuk membawa unit-unit dari
tidak titik spesifik
llamadofuenteuorigenhacia otro
titik spesifik yang disebut tujuan.
Los principales objetivos de un
model transportasi adalah
kepuasan dari todos los
persyaratan yang ditetapkan oleh
tujuan, dan tentu saja, minimisasi
dari biaya yang terkait dengan rencana
ditentukan oleh rute yang dipilih.
Konteks di mana diterapkan
model transportasi itu luas dan
dapat menghasilkan solusi yang relevan untuk
area operasi, inventaris dan
asignación de elementos.
Prosedur penyelesaian sebuah
model transportasi dapat dibawa
sebuah tutup melaluipemrograman linier umumnamun strukturnya memungkinkan penciptaan
dari berbagai alternatif solusi sepertistruktur penugasanatau metode
heuristik yang paling populer sepertiBurung,Sudut Barat LautoBiaya Minimal.

Masalah transportasi atau distribusi adalah salah satu yang paling diterapkan dalam ekonomi
sebenarnya, meninggalkan seperti yang diharapkan banyak kasus sukses di skala global yang merangsang
penangkapan mereka.

MASALAH TRANSPORTASI MELALUI PEMROGRAMAN LINIER

Seperti yang disebutkan sebelumnya, lapemrograman linier dapat digunakan untuk
resolusi model transportasi, meskipun tidak masuk akal untuk menyelesaikan model melalui
elMetode Simplexitu dapat sangat berguna dalam fase pemodelan, pemrograman
kurang praktis dalam metode penugasan, tetapi bisa menjadi sangat penting
tergantung pada kompleksitas batasan tambahan yang dapat diajukan oleh sebuah
masalah khusus.
 1. METODE PENDEKATAN VOGEL (MAV)

Metode pendekatan Vogel adalah metode heuristik untuk penyelesaianmasalah

transportasi mampu mencapai solusi dasar yang tidak buatan dari awal, model ini
memerlukan pelaksanaan jumlah iterasi yang umumnya lebih banyak daripada yang lain
metode heuristik yang ada untuk tujuan ini, namun menghasilkan hasil yang lebih baik
inisial yang sama.

ALGORITMA VOGEL

Metode ini terdiri dari pelaksanaan algoritma yang terdiri dari 3 langkah dasar dan
1 lebih yang menjamin siklus hingga penyelesaian metode.
LANGKAH 1
Menentukan untuk setiap baris dan kolom ukuran penalti dengan mengurangkan kedua biaya
menores dalam baris dan kolom.

LANGKAH 2
Pilih baris atau kolom dengan penalti terbesar, yaitu hasil dari pengurangan yang dilakukan di
Langkah 1 harus memilih angka yang lebih besar. Jika terjadi seri, harus memilih
secara sewenang-wenang (menurut penilaian pribadi).

LANGKAH 3
Dari baris atau kolom dengan penalti tertinggi yang ditentukan pada langkah sebelumnya, kita harus
memilih sel dengan biaya terkecil, dan di dalamnya menetapkan jumlah maksimum yang memungkinkan
unit. Sekali langkah ini dilakukan, sebuah penawaran atau permintaan akan terpenuhi, sehingga
akan mencoret baris atau kolom, dalam hal seri hanya satu yang akan dicoret, yang lainnya akan tetap dengan
penawaran atau permintaan sama dengan nol (0).

LANGKAH 4: DARI SIKLUS DAN PENGECUALIAN

Jika ada tepat satu baris atau kolom yang tidak dicentang dengan tawaran atau permintaan nol, berhentilah.

Jika ada satu baris atau kolom tanpa tanda silang dengan tawaran atau permintaan positif, tentukanlah
variabel dasar di baris atau kolom dengan metode biaya minimum, berhenti.

Jika semua baris dan kolom yang tidak dicoret memiliki penawaran dan permintaan nol, tentukan
variabel dasar nol dengan metode biaya minimum, berhenti.

Jika tidak ada satu pun dari kasus sebelumnya yang muncul, kembali ke langkah 1 sampai tawaran dan
tuntutan telah habis.

CONTOH METODE PENDDEKATAN VOGEL

Melalui metode ini kami akan menyelesaikan latihan transportasi yang diselesaikan dalam modul
sebelumnya melaluipemrograman linier.

{"text":"MASALAH"}
Sebuah perusahaan energi Kolombia memiliki empat pembangkit listrik untuk memenuhi
permintaan listrik harian di empat kota, Cali, Bogotá, Medellín, dan Barranquilla. The
Pabrik 1, 2, 3, dan 4 dapat memenuhi 80, 30, 60, dan 45 juta KW per hari masing-masing.
Kebutuhan kota Cali, Bogotá, Medellín, dan Barranquilla adalah 70, 40, 70
35 juta Kw per hari masing-masing.

Biaya yang terkait dengan pengiriman pasokan energi per juta KW antara masing-masing
Tanaman dan setiap kota yang terdaftar dalam tabel berikut.

Rumuskan model pemrograman linier yang memungkinkan untuk memenuhi kebutuhan semua
kota-kota sambil meminimalkan biaya yang terkait dengan transportasi.

SOLUSI LANGKAH DEMI LANGKAH

Langkah pertama adalah menentukan ukuran penalti dan mencatatnya dalam tabel.
biaya, seperti yang ditunjukkan di bawah ini.

Langkah selanjutnya adalah memilih penalti terbesar, dengan cara ini:

Langkah berikutnya adalah memilih nilai terkecil dari kolom ini, dan dalam tabel paralel akan diberikan
tetapkan sebanyak mungkin unit, kita bisa melihat bahwa biaya terendah adalah
2 dan bahwa sel tersebut dapat diberi maksimal 60 unit yang merupakan kapasitas
dari lantai 3".
Karena baris dari "Lantai 3" sudah mengalokasikan seluruh kapasitasnya (60 unit) ini harus
menghilang.

Siklus telah mencapai akhir, oleh karena itu prosesnya diulang

Kami memulai iterasi baru

Kami melanjutkan dengan iterasi,
 2. METODE BANGKU
Solusi yang diperoleh dengan metode sebelumnya adalah solusi awal dari metode
bangku. Cara untuk memverifikasi apakah solusi saat ini dapat ditingkatkan adalah dengan memeriksa
variabel non dasar saat ini dalam pencarian perbaikan potensial pada nilai fungsi
tujuan. Jika ada salah satu variabel seperti itu, itu akan menjadi variabel yang masuk di mana dalam hal ini salah satu dari
variabel b{asicas actuales harus meninggalkan solusi (seperti dalam metode simplex).
Untuk menentukan variabel yang masuk dan yang keluar, diidentifikasi sebuah sirkuit tertutup untuk
setiap variabel tidak dasar. Sirkuit dimulai dan diakhiri dengan variabel tidak dasar yang ditunjuk.
Un circuito consiste en segmentos horizontales y verticales sucesivos (conectados) cuyos
poin ekstrem harus merupakan variabel dasar, kecuali untuk 2 segmen awal dan
terminasi pada variabel non dasar.
Sirkuit ini digunakan untuk memeriksa apakah nilai fungsi tujuan dapat diperbaiki
ketika variabel non dasar meningkatkan nilainya di atas nol saat ini.
Prosedur ini terdiri dari menemukan peningkatan atau penurunan biaya transportasi
sebagai hasil dari peningkatan unit pada variabel non dasar yang diteliti.

Nilai ini ditemukan dengan memberikan tanda positif dan negatif secara bergantian pada biaya
diasosiasikan dengan variabel yang membentuk sirkuit, dimulai dengan biaya variabel tidak
Dasar. Penjumlahan biaya sirkuit dapat dilakukan searah dengan jarum jam.
jam atau sebaliknya.

Hasil yang diperoleh dari penjumlahan biaya sirkuit bisa positif atau negatif. Jika
adalah positif menunjukkan bahwa mengalokasikan unit ke variabel yang sedang dipertimbangkan meningkatkan
biaya total transportasi. Tapi jika nilai ini negatif, solusi dapat diperbaiki
ditugaskan ke variabel non dasar nilai terkecil dari variabel yang harus mengurangi
nilai dalam sirkuit yang sedang dipertimbangkan.

Prosedur berakhir hingga semua variabel non-dasar memiliki nilai positif di

jumlah biaya sirkuit.

Contoh:
Temukan solusi optimal untuk masalah perusahaan penyewaan mobil menggunakan sebuah
solución inicial por el método de costo mínimo y empleando el método de utilización de
bangku cadangan.
Bagaimana cara menetapkan?
Mengurangi 3 unit dari negatif dan menambahkan 3 unit ke positif.

Kriteria atau jalan baru ditetapkan

8va. Minggu
METODE KALIAN
Metode ini menghasilkan iterasi yang persis sama dengan metode bangku.
perbedaan utama terjadi pada cara variabel non-dasarnya dievaluasi di setiap
iterasi. Terdapat pengali U yang terkait dengan setiap baris i dari tabelsayasebagai
asosiasikan multiplier Vjsetiap kolom tabel j. Untuk setiap variabel dasar Xijdari
solusi saat ini, ditulis persamaan Usaya+Vj= Cij. Persamaan tersebut menghasilkan m+n-1
hubungan dengan m+n variabel.
Nilai dari pengali dapat ditentukan dari persamaan
mengasumsikan nilai sebarang untuk salah satu dari pengganda (biasanya itu
tetapkan U1=0) y resolviendo el sistema de ecuaciones para encontrar los multiplicadores
tidak diketahui. Setelah ini dilakukan, evaluasi setiap variabel tidak dasar Xpqadalah
dada seperti:

Kriteria yang digunakan untuk memilih variabel yang masuk adalah sama dengan metode
bangku cadangan (negatif terbesar).

Contoh:
Sebuah perusahaan sedang mempertimbangkan permintaan dari 5 pelanggan menggunakan barang yang memiliki
tersedia di 2 gudang. Gudang memiliki 800 dan 1000 unit
masing-masing. Pelanggan membutuhkan 200, 150, 200, 180, dan 500 unit masing-masing.
Biaya pengiriman per artikel dari gudang pelanggan adalah:

Selesaikan model transportasi menggunakan.

a) Solusi awal dengan metode pendekatan Vogel.
b) Solusi optimal dengan metode pengganda.
DESTINO FICTICIO = 570 ARTÍCULOS

Untuk menemukan nilai pengali

Se acostumbrar:

Untuk menemukan biaya:

9na. Minggu
MODELO PENUGASAN
Model alokasi adalah jenis khusus dari masalah pemrograman linier di mana
yang ditugaskan adalah sumber daya yang dialokasikan untuk pelaksanaan tugas. Misalnya, si
yang ditugaskan dapat berupa karyawan yang harus diberi pekerjaan. Penugasan dari
personas ke pekerjaan adalah aplikasi umum dari masalah penugasan. Namun, yang
yang ditugaskan tidak harus orang. Mereka juga bisa berupa mesin, kendaraan, atau pabrik, atau
termasuk periode yang diberikan tugas.
"Orang terbaik untuk posisi ini" adalah deskripsi yang baik dari model
penugasan.
Tujuan dari model ini adalah untuk menentukan alokasi optimal (biaya minimum) dari
pekerja ke posisi.
Model umum penempatan dengan n pekerja dan n posisi diwakili dalam tabel
berikutnya:

Agar sesuai dengan

definisi dari suatu masalah
penugasan, perlu agar ini
jenis aplikasi yang diformulasikan dari
cara sehingga dapat dipenuhi
asumsi berikut:
1. Jumlah yang ditugaskan adalah
sama dengan jumlah tugas. (Ini
número se denota por n.
2. Setiap orang yang ditugaskan hanya diberikan satu tugas.
3. Setiap tugas harus dilakukan hanya oleh satu yang ditugaskan.
4. Terdapat biaya cij yang terkait dengan penugasan i (i = 1, 2, . . . , n) yang melakukan tugas j (j =
2, . . . , n).
5. Tujuannya adalah untuk menentukan bagaimana n penugasan harus dilakukan untuk meminimalkan
biaya total.
Model penugasan dapat diselesaikan secara langsung sebagai model normal dari
transportasi. Namun, fakta bahwa semua penawaran dan permintaan sama dengan 1,
mengarah pada pengembangan algoritme solusi sederhana yang disebut metode Hongaria.

METODE HUNGARIA
Metode Hongaria adalah metode optimisasi masalah penugasan, yang dikenal
sebagai terima kasih atas kontribusi pertama ke metode klasik definitif yang berasal dari Dénes
König dan Jenő Egerváry adalah dua matematikawan Hungaria. Algoritma seperti yang akan dijelaskan.
lanjutan ini dirancang untuk penyelesaian masalah minimisasi saja.
Penting untuk menekankan bahwa metode Hungaria bekerja pada matriks biaya n*m (dalam ini
kasus yang dikenal sebagai matriks m*m, mengingat bahwa jumlah baris sama dengan jumlah
kolom n = m).
Untuk menyelesaikan masalah alokasi, penerapan metode Hongaria diperlukan untuk mengikuti
algoritma atau langkah berikut:
Langkah 1
Di matriks biaya asli, identifikasi yang terendah dari setiap baris dan kurangi dari semua
elemen dari baris.
Langkah 2
Dalam matriks yang dihasilkan dari langkah 1, identifikasi nilai minimum dari setiap kolom, dan kurangi dari
semua elemen di kolom.

Langkah 2.1
Jika tidak dapat menjamin penugasan yang layak (dengan semua elemen nol) dengan
langkah 1 dan 2,
a). Menggambar jumlah minimum garis horizontal dan vertikal di matriks terakhir
diperkecil apa tutup todos hilang elemen nol.
b). Pilih elemen minimum yang tidak tertutup, kurangi dari setiap elemen yang tidak tertutup dan
selanjutnya tambahkan ke setiap elemen di persimpangan dua garis.
c). Jika tidak dapat ditemukan penugasan yang layak antara elemen nol yang
hasilnya, ulangi langkah 2.1. Jika tidak, lanjutkan ke langkah 3 untuk menentukan
penugasan optimal.

Langkah 3
Identifikasi solusi optimal sebagai alokasi yang layak yang terkait dengan elemen nol
dari matriks yang diperoleh pada langkah 2.

CONTOH #1
Sebuah tim yang terdiri dari 3 mekanik harus ditugaskan untuk menyelesaikan 3 tugas, di mana setiap
mekanik harus melakukan suatu tugas. Diperlukan untuk menemukan penugasan biaya minimum untuk itu
biaya yang terkait dengan mekanik i melakukan tugas j.

SOLUSI
LANGKAH 1: Dalam matriks biaya asli, identifikasi nilai minimum dari setiap baris dan kurangi dari
semua elemen dari baris tersebut.

LANGKAH 2: Dalam matriks yang dihasilkan dari langkah 1, identifikasi nilai minimum dari setiap kolom, dan
mengurangkan dari semua elemen di kolom.
LANGKAH 3: Mengidentifikasi solusi optimal sebagai penugasan yang layak yang terkait dengan
elemen nol dari matriks yang diperoleh di langkah 2.

Sel dengan nilai nol dan warna coklat adalah solusi optimal. Oleh karena itu,
mekanik 1 melakukan tugas 2, mekani 2 mengambil tugas 1 dan mekanik 3 tugas 3.
Setiap mekanik melakukan tepat satu tugas dan biaya total dari penugasan tersebut (nilai
óptimo) adalah deQ9+Q10+Q8=Q27.
10ma. Minggu
1. DEFINISI PROYEK
PROBABILISTIK DAN DETERMINISTIK
Proyek probabilistik
Modelo probabilistikostatik adalah bentuk yang dapat diambil oleh sekumpulan data
diperoleh daricontohdata dengan perilaku yang didugaacak.
Model statistik adalah jenis darimodel matematisapa yang digunakan olehprobabilitasdan apa
termasuk serangkaian asumsi tentang generasi algbeberapa data sampel,dari itu
cara yang menyerupai data dari populasi yang lebih besar.
Asumsi atau hipotesis dari model statistik menggambarkan sekumpulan
distribusi probabilitas, yang mampu mendekati dengan baik sebuah
kumpulan data. Distribusi probabilitas yang melekat pada model
statistik adalah apa yang membedakan model dari model matematis lainnya
deterministis.
Sebuah model statis dipastikan oleh serangkaian persamaan yang menghubungkan
berbagai variabel acak, dan di mana variabel tidak acak lainnya dapat muncul.
Sebagai demikian, "sebuah model adalah representasi formal dari sebuah teori""1
Semua uji hipotesis statistik dan semuaestimasi statistikberasal dari
model statistik. Sebenarnya, model statistik adalah bagian yang secara fundamental
deinferensi statistik.

Model yang berdasarkan distribusi

Bisa berupa model probabilistik diskret atau kontinu. Yang pertama, sebagian besar
basan en repetisi uji Bernoulli. Yang paling banyak digunakan adalah:
Modelo Bernoulli
Model Binomial.
Model Geometri.
Model Binomial negatif.
Model Hipergeometrik.
Model Poisson.
Di sisi lain, seperti yang telah disebutkan sebelumnya, terdapat model probabilistik kontinu,
di antara mereka, kami menonjolkan:
Distribusi Normal: gunakanda secara luas dalam sampel lebih dari 30 data.
Distribusi Chi Kuadrat: digunakandalam sampel kecil.
Distribusi Eksponensial: digunakandalam durasi atau di mana berlangsungnya waktu.
Distribusi Fdistribusi F Snedecor: digunakan untuk mengontrolvariansde 2
distribusi.
Model pemulihan kemandirian biner
Model probabilistik sebagai model pemulihan independensi biner adalah
dikirim oleh Robertson dan Spark Jones. Model ini menyatakan bahwa mereka dapat dicirikan
dokumen dari sebuah koleksi melalui penggunaan istilah pengindeksan. Jelas
ada subset ideal dari dokumen yang hanya berisi dokumen tersebut
relevan untuk kebutuhan informasi di mana dilakukan suatu penilaian terhadap
istilah yang membentuk pertanyaan yang diajukan oleh pengguna. Selanjutnya sistem
hitung kesamaan antara setiap dokumen dalam koleksi dan kueri serta menyajikannya
hasil yang diurutkan berdasarkan tingkat probabilitas relevansi terhadap permintaan.
Model ini menghindari perbandingan yang tepat (adanya atau tidaknya suatu istilah dalam pencarian di
dokumen) dan memungkinkan pengguna melakukan proses umpan balik dengan menilai
relevansi dokumen yang dipulihkan agar sistem dapat menghitung
probabilitas dalam konsultasi selanjutnya bahwa dokumen yang diperoleh adalah atau tidak
relevan tergantung pada istilah yang digunakan dalam pencarian apakah relevan atau tidak.
Model regresi
Model statistik regresi adalah ekspresi simbolis dalam bentuk kesetaraan atau
persamaan yang digunakan dalam semua desain eksperimen dan dalam regresi untuk menunjukkan
berbagai faktor yang memodifikasi variabel respons. Model statistik yang paling
sederhana adalah yang digunakan dalam desain lengkapyang diacak(DCA). Modelnya adalah:

Donde
Y= adalah variabel respon yang menjadi perhatian.
μ= promedio general de la población sobre la cual se está trabajando
t= adalah variasi yang disebabkan oleh tingkat faktor yang sedang dievaluasi
(efek dari perawatan).
ξ adalah variasi dari faktor-faktor yang tidak terkontrol (kesalahan eksperimental)
i=i-ésimo perlakuan
j=j-ésima pengulangan dari setiap perlakuan
j(i) = adalah variasi unit eksperimen yang bersarang dalam perlakuan.
Model statistik bisa bersifat linier atau non-linier.

DETERMINISTIK
Sebuah model deterministik adalah model matematis di mana input yang sama atau
kondisi awal akan selalu menghasilkan keluaran atau hasil yang sama, tidak
merenungkan keberadaan kebetulan, atau ketidakpastian dalam proses yang dimodelkan melalui
model tersebut.
Ini sangat terkait dengan penciptaan lingkungan yang disimulasikan melalui
simulator untuk mempelajari situasi hipotetik, atau untuk membuat sistem pengelolaan yang
izin untuk mengurangi penyebaran kesalahan. Model deterministik hanya dapat ...
sesuai untuk sistem deterministik tidak kekacauan, untuk sistem acak (tidak-
deterministik) dan kacau (deterministik yang tidak dapat diprediksi dalam jangka panjang) model-model deterministik
mereka tidak dapat memprediksi sebagian besar karakteristiknya dengan tepat.
Inklusi kompleksitas yang lebih besar dalam hubungan dengan sejumlah variabel yang lebih banyak dan
elemen-elemen asing di luar model deterministik akan memungkinkan agar ini mendekati sebuah model
probabilistik atau pendekatan stokastik.
Misalnya, perencanaan suatu lini produksi, dalam proses industri apapun, adalah
mungkin melakukannya dengan penerapan sistem manajemen proses yang mencakup
sebuah model deterministik di mana bahan baku, tenaga kerja,
waktu produksi dan produk akhir yang terkait dengan setiap proses.
Sekumpulan persamaan diferensial dari suatu sistem fisik makroskopik merupakan suatu
model deterministik yang dapat memprediksi evolusi deterministik dalam waktu yang baik
jumlah magnitudo karakteristik dari sistem.

2. DIAGRAM PANAH (JARINGAN) CPM, PERT

Diagrama Panah menunjukkan urutan di mana aktivitas harus dijalankan
proyek, memungkinkan untuk merencanakan dan mengendalikan perkembangannya,
mengidentifikasi aktivitas yang menyusunnya dan menentukan
rute kritis, melalui representasi jaringan.
Diagram panah:

Tampilkan dalam satu dokumen perjalanan sebuah proyek.

Membuat mungkin bahwa aktivitas yang terkait dengan sebuah proyek
ditentukan, urutannya dan durasinya, harus diketahui.
Mempermudah pengendalian proyek, memungkinkan untuk merespons terhadap
kesulitan yang mungkin muncul selama pengembangannya.
Terlihat rencana yang tidak realistis, memberikan kesempatan untuk penyesuaian.
Diagram panah juga dikenal dengan sebutan lain, seperti: aktivitas
diagram jaringan, diagram jaringan, jaringan aktivitas, diagram node, atau metode dari
rute kritis (CPM–metode kritis jalur).
Ini didasarkan pada penerapan metodologi jalur kritis. Ini mengandaikan sebuah
sederhanakan alat perencanaan PERT (Evaluasi Program dan Tinjauan)
Teknik). Metode ini dikembangkan oleh Angkatan Laut Amerika Serikat, untuk mendukung
proyek kapal selam nuklir Polaris. Tujuannya adalah untuk memfasilitasi perencanaan dan
pemrograman proyek dengan kompleksitas dan magnitudo yang besar. Diagram panah
merupakan penyederhanaan dari metode PERT.
Dalam sebuah proyek, pekerjaan dibagi menjadi serangkaian aktivitas yang saling bergantung.
yang urutannya harus dihormati. Tetapi dalam urutan aktivitas, beberapa di antaranya dapat
dapat dijalankan secara bersamaan. Diagram panah memungkinkan bahwa serangkaian
kegiatan paralel dapat terlihat, memungkinkan penyesuaian jadwal dari
proyek dan memfasilitasi agar ini dapat dilakukan dalam waktu sesingkat mungkin.
Dengan cara ini, diagram panah memberikan "jalur kritis" proyek, yang merupakan
aliran kegiatan kritis, di mana penundaan akan mempengaruhi jadwal keseluruhan
dari proyek. Juga menunjukkan aktivitas apa yang dapat mempercepat proyek.

Penyusunan Diagram Panah

1. Mengidentifikasi aktivitas. Pertama-tama, untuk membuat diagram dari

panah, dilanjutkan dengan identifikasi kegiatan yang akan membentuk proyek
merencanakan. Aktivitas dicatat di kartu. Kartu-kartu ini dapat ditempelkan di panel, atau
terletak di permukaan kerja
[Link] aktivitas pertama dari proyek. Selanjutnya, dan daftarkan
aktivitas, ditetapkan mana yang pertama dalam pelaksanaan proyek.
[Link] pengurutan aktivitas. Dimulai dari aktivitas pertama, ditanyakan
Jika ada kegiatan yang berlangsung bersamaan serta kegiatan apa yang terjadi setelah yang awal.
[Link] pengurutan kegiatan. Berikutnya, proses yang dijelaskan adalah
lakukan hingga sisa kegiatan terletak dalam urutan atau paralel.
5. Menghubungkan aktivitas dan menetapkan waktu. Setelah kartu terurut,
menyusun dan memberikan setiap aktivitas waktu yang realistis untuk pelaksanaannya.
[Link] jalur [Link], jalur utama diidentifikasi.
Metode paling sederhana untuk menghitung waktu total untuk menyelesaikan
proyek ini adalah yang memiliki lintasan akumulatif terpanjang. Untuk itu, dijumlahkan setiap
jalur kegiatan yang terhubung sedemikian rupa sehingga jalur akumulatifnya lebih
Larga mewakili waktu pengembangan proyek secepat mungkin. Pada ini
trayectoria disebut sebagai trajektori fundamental proyek.

Diagram Panah–Akhir. Klik untuk memperbesar

DIAGRAM CPM
sering digunakan dalam pengembangan dan pengendalian proyek. Tujuan utamanya adalah
menentukan durasi suatu proyek, memahami ini sebagai suatu urutan aktivitas
terkait satu sama lain, di mana masing-masing aktivitas memiliki durasi yang diperkirakan.
Dalam hal ini, asumsi utama CPM adalah bahwa aktivitas dan waktu mereka
durasi dikenal, yaitu, tidak ada ketidakpastian. Asumsi penyederhanaan ini membuat
agar metodologi ini mudah digunakan dan sejauh mana ingin melihat dampaknya dari
ketidakpastian dalam durasi suatu proyek, dapat menggunakan metode pelengkap
seperti apaPERT.
Rute adalah lintasan dari awal hingga akhir sebuah proyek. Dalam pengertian ini,
panjang jalur kritis sama dengan jalur terpanjang dari proyek. Perlu dicatat
bahwa durasi sebuah proyek sama dengan jalur kritis.
Tahapan CPM
Untuk menggunakan metode CPM atau Jalur Kritis, perlu mengikuti langkah-langkah berikut:
1. Mendefinisikan proyek dengan semua aktivitas atau bagian utamanya.
2. Menetapkan hubungan antara aktivitas. Memutuskan mana yang harus dimulai lebih dulu dan mana yang harus...
mengikuti setelah.
3. Menggambar diagram menghubungkan berbagai kegiatan berdasarkan hubungan mereka.
precedensi.
4. Menentukanbiaya y waktu terhormat para setiap aktivitas.
5. Mengidentifikasi jalur terpanjang dari proyek, yang akan menentukan
durasi proyek (Jalur Kritis).
6. Menggunakan diagram sebagai bantuan untuk merencanakan, mengawasi, dan mengontrol proyek.
Untuk kesederhanaan dan untuk memudahkan representasi setiap aktivitas, sering kali kita
gunakan notasi berikut:

Di mana:

IC: Awal terdekat, yaitu, secepat aktivitas dapat dimulai.

TC: Istilah terdekat, yaitu yang paling cepat dapat menyelesaikan aktivitas.

IL: Awal yang lebih jauh, yaitu, seberapa akhir aktivitas dapat dimulai tanpa menunda.
akhir proyek.

TL: Istilah yang paling jauh, yaitu, waktu paling akhir yang dapat mengakhiri aktivitas tanpa menunda
akhir proyek.
Selain itu, istilah Holgura didefinisikan untuk setiap aktivitas yang terdiri dari waktu
maksimal yang dapat ditunda mulai suatu kegiatan tanpa menunda ini
penyelesaian proyek. Kelonggaran dari suatu aktivitas dapat diperoleh dengan yang berikut
fórmula:
Holgura = IL - IC = TL - TC
CONTOH: Berikut adalah ringkasan kegiatan yang diperlukan untuk sebuah
proyek untuk diselesaikan. Durasi setiap aktivitas dalam minggu adalah tetap. Se
minta agar memperkirakan durasi total proyek melalui metode CPM.
Actividad Duración (sem) Actividad Predecesora
A 6 -
B 8 -
C 12 A,B
D 4 C
 E 6 C
F 15 D,E
G 12 E
H 8 F,G
Mengacu pada tahapan metode CPM yang didefinisikan sebelumnya, dalam hal ini
harus mengembangkan langkah 3 dan 5. Dalam hal ini, perlu untuk membangun diagram
mengidentifikasi hubungan antara kegiatan dan dengan tujuan untuk merangkum
metodologi akan segera memasukkan perhitungan Holgura, IC, TC, IL, TL untuk
setiap aktivitas, bersama dengan identifikasi jalur kritis.

Pertama, diagram dibangun dengan mengidentifikasi setiap

aktivitas di sebuah node (lingkaran) dengan nama yang sesuai dan
dalam tanda kurung waktu yang diperkirakan. Arah antara
aktivitas menunjuk pada hubungan precedensi, karena
contoh, aktivitas F hanya dapat dimulai sekali
kegiatan D dan E telah selesai.
Kemudian, untuk setiap aktivitas diidentifikasi indikator IC
y TC. Misalnya, untuk aktivitas C, awal yang lebih
cercano adalah 8 (ini karena C hanya bisa mulai sekali)
A dan B telah selesai, dengan B yang membutuhkan waktu paling lama untuk selesai.
di 8) dan istilah terdekat adalah 20 (mengingat aktivitas
C tertunda 12 minggu).
Selanjutnya, IL dan TL diperoleh untuk setiap aktivitas.
Dengan informasi ini, perhitungan kelonggaran setiap aktivitas menjadi sederhana. Untuk mendapatkan
IL dan TL dari setiap aktivitas kami "bergerak" dari akhir ke awal. Dalam hal ini,
aktivitas yang berakhir lebih lambat adalah H (49 sem) dan oleh karena itu kita bertanya kapan itu
nanti bisa menyelesaikan H tanpa menunda proyek (TL), ini jelas adalah 49.
jadi jika yang paling terlambat H bisa selesai adalah 49, yang paling terlambat H bisa mulai untuk
memenuhi waktu ini adalah 41 (mengingat H berlangsung 8 minggu). Maka, kelonggaran H adalah nol. Perhatikan
Kegiatan yang memiliki kelonggaran sama dengan nol adalah kegiatan pada jalur tersebut.
kritik. Selain itu, sebuah proyek dapat memiliki lebih dari satu jalur kritis.

DIAGRAM PERT
Diagram PERT memungkinkan untuk menetapkan hubungan berdasarkan ketergantungan dari
aktivitas sebuah proyek. Jika hasil dari sebuah aktivitas diperlukan untuk memulai
selanjutnya, kami akan menyampaikan tugas kedua. Tidak ada aktivitas yang dapat dilakukan
sebelumnya tergantung pada apakah saya menyelesaikan yang lain yang dijadwalkan lebih terlambat. Dengan cara ini, lebih
Sederhana, kami menjelaskan apa itu Diagrama PERT dan bagaimana menggunakan PERT diproses dari
perencanaandari pekerjaanmu.

Di dunia manajemen dan pengelolaan proyek, teknik PERT sangat populer dan
dapat diterapkan untuk mengetahui rute kerja yang optimal. Misalnya, jika untuk menyelesaikan tugas C
diperlukan hasil dari aktivitas A, PERT akan memberi tahu kita bahwa kita harus menyelesaikan A
sebelum kita memulai C. Murni logika yang seharusnya tidak memiliki masalah lebih lanjut.
komplikasi. Namun, keadaan menjadi rumit ketika pelaksanaan satu kegiatan
mempengaruhi banyak kegiatan.
Singkatan dari Diagrama PERT berarti Teknik Peninjauan dan Evaluasi dari
Program, dan dapat diterapkan di seluruh proyek atau hanya pada fase tertentu dari
perencanaan kritik.

PERT sering digunakan bersama dengan teknik CPM (Critical Path Method), untuk mendeteksi itu
‘leher botol’ yang dapat membahayakan keseluruhan proyek. Dengan PERT dan
CPM kita akan mengetahui jalur kritis dari proyek-proyek kita dan melakukan pengendalian yang lebih baik
kualitas hasilnya.
Oleh karena itu, konsep ini terkait langsung dengan tanggal akhir proyek. Agar
untuk melakukannya dalam batas waktu, hal pertama yang harus dikembangkan adalah jalur kritis. Oleh karena itu,
penting untuk mengidentifikasi jalur kritis selama tahap perencanaan, a
melalui teknik lain yang sangat mirip dengan metode PERT, kita berbicara tentang CPM (Critical Path)
Metode).
Berkat ketergantungan antara aktivitas yang diperoleh, kita akan mendapatkan alur kerja yang lebih
optimal. Hanya dengan begitu kita dapat menghindari keterlambatan yang

Paralisa proyek kami. Aktivitas yang tidak

berhubungan denganjalur kritismereka memiliki sebuah
mayor holgura por lo que pueden ser
rentan terhadap modifikasi selanjutnya tanpa
yang mempengaruhi tanggal akhir proyek.
Jadi, sementara PERT mempertimbangkan
sumber daya yang diperlukan untuk menyelesaikan
kegiatan dalam durasi tertentu,
logika CPM mendeteksi jalur kritis dan kemungkinan 'bottleneck' dari proyek.

Merah PERT
Teknik PERT dan CPM membantu kami dalam menjadwalkan sebuah proyek dengan biaya
minimum dan durasi yang paling sesuai, seperti yang dilakukan oleh Sinnaps. Dengan kedua teknik tersebut,
elProject Manager podrá encontrar una kompensasi usaha dalam proyek Anda.
Mempertimbangkan aktivitas yang tidak berada dalam jalur kritis, tim
akan bekerja pada tugas-tugas ini ketika sumber daya tersedia, menyerahkannya untuk pelayanan kepada
kegiatan kritis dalam fase-fase paling rumit dari proses.

ASAL USUL PERT

Ini adalah teknik yang diterapkan pada proyek-proyek penting dalam sejarah kontemporer kita.
Angkatan Laut Amerika Serikat mulai menggunakannya pada tahun 1958 untuk perencanaan
hapusproyek Polaris, sebuah misil balistik yang berbasis di kapal selam, dibangun dengan senjata
nuklir selama Perang Dingin. Dikatakan bahwa berkat logika PERT, dua langkah lebih maju.
tahun tanggal penyelesaian konstruksinya. Suatu keuntungan jika kita mempertimbangkan konteks
militer. Program Apollo, misalnya, juga diprogram mengikuti metode
PERT.
Saat ini, PERT digunakan baik dalam proyek pemerintah maupun yang terkait dengan
industri. Sebenarnya, beberapa pemerintah, seperti pemerintah Amerika Serikat atau institusi publik
seperti NASA, mereka meminta perusahaan swasta untuk melakukan pekerjaan berdasarkan logika PERT.

UNTUK APA DIAGRAM PERT ITU DIGUNAKAN?

Diagram PERT digunakan oleh perusahaan sejak pertengahan abad lalu. Mereka
fungsionalitasnya banyak, karena di antara yang paling menonjol, teknik PERT kami
bantulah untuk mengetahui apa yang akan menjadi akhir proyek. Artinya, tanggal minimum di mana
kami akan menyelesaikan pekerjaan kami. Ini memungkinkan kami untuk menjalin komunikasi yang lebih baik.
efektif dengan pemilik proyek atau klien.

Dapat dikatakan bahwa metode PERT memenuhi beberapa aspek penting.

—Bekerja melalui jaringan hubungan asal elemen yang

menyusun aktivitas, terkait dengan urutan di mana mereka harus dijalankan.
Karakteristik utamanya adalah durasi kegiatan
—Berusaha untuk memenuhi tenggat waktu pengiriman yang spesifik
—Evaluasi dampak perubahan selama pelaksanaan proyek. Yangsimulasi
dapat mengelola ketidakpastian dengan lebih baik. Jika ada penyimpangan dari yang direncanakan, maka
akan memeriksa bagaimana perubahan itu memengaruhi proyek secara keseluruhan. Kita bisa mendapatkannya
secara otomatis dengan aplikasi manajemen canggih.
Selain itu, semua itu dapat direpresentasikan dalam sebuahdiagrama Gantt, seperti yang dilakukannya
aplikasi Sinnaps.
PERT juga berguna untuk banyak hal lainnya. Kami mengumpulkan serangkaian keuntungan dan
kelemahan dari Diagrama PERT.

Ventajas

Mengorganisir kegiatan.
Menghitung rute kerja yang dioptimalkan.
Memperhitungkan ketergantungan antara tugas-tugas.
Perencanaan yang lebih efektif dan realistis.
Mempertimbangkan setiap aktivitas secara individual dan hubungannya dengan yang lain
tugas.
Memungkinkan identifikasi titik bottleneck atau node kritis dalam jalur kerja.
Membantu memenuhi tenggat waktu dan anggaran yang diperkirakan.
Tingkatkan pengambilan keputusan yang tepat dan efektif.
Integrasi dan penyajian data yang lebih baik kepada para pemangku kepentingan proyek.

Desventajas

Tidak mendukung perencanaan yang fleksibel. Sulit untuk merencanakan ulang jika menerapkan teknik.
de PERT dalam manajemen proyek. Untungnya, ada aplikasi seperti
Sinnaps yang melebihi batas ini untuk mengadaptasi metode PERT dan CPM ke dunia yang begitu
versatile di mana kita hidup hari ini.
 Kami tidak memiliki cukup data saat membuat diagram PERT secara online. Ketika
kami melakukan perencanaan atau estimasi pertama proyek, kami masih belum memiliki satu
informasi yang mendetail dan lengkap tentang hal tersebut. Bagaimana cara mengetahui perkiraan yang tepat dari
biaya atau jangka waktu? Dari situ, kita memiliki kebutuhan untuk merencanakan ulang dan membawa kita ke
penghalang pertama PERT: statisnya.
Menganggap upaya besar untuk membuat sendiri jaringan PERT.
proyek menengah. Rute kerja biasanya berisi beberapa aktivitas, dengan beberapa
ketergantungan satu sama lain. Kita harus mempertimbangkan berbagai dan banyak hubungan.
Satu-satunya parameter adalah faktor waktu. Jika ada data yang salah mengenai durasi dari
aktivitas, perubahan tanggal, tenggat waktu atau variasi lainnya dalampengelolaan sumber dayahari ini
jaringan PERT akan runtuh. Dari situ, pentingnya menggunakan aplikasi yang memiliki
sebutkan kekurangan dari Diagrams PERT, dan yang memungkinkan perencanaan
fleksibel, seperti halnya Sinnaps.
Ini bukan metode yang gesit. Berdasarkan semua yang telah kita sebutkan sebelumnya, teknik tersebut
de PERT bersifat prediktif tetapi tidak gesit. Ini tidak memungkinkan untuk evaluasi ulang yang konstan dari
perencanaan, menjauh dari manajemen yang realistis. Ya, memprediksi apa yang akan terjadi di
proyectos con un nivel de incertidumbre no muy elevado.

PERBEDAAN ANTARA PERT DAN CPM

Model PERT dan CPM biasanya terkait dalam setiap pengelolaan proyek. Kedua teknik
telah digunakan sejak tahun 50-an abad ke-20, ketika mulai diterapkan oleh
armada Amerika Serikat.
Teknik PERT berfokus pada menetapkan hubungan antara aktivitas, berdasarkan
ketergantungan antara mereka. Sementara itu, CPM menemukan jalur kritis dan tenggorokan.
de botelladel proyek, didukung oleh PERT.
Jalur kritis adalah rute yang harus kita lakukan terlebih dahulu jika kita ingin menyelesaikan di
batas waktu. Karena banyak aktivitas akan menunggu untuk dilakukan setelah aktivitas lainnya. Rute ini
kritik biasanya menandai akhir proyek, karena biasanya menjadi salah satu yang terpanjang dari proyek tersebut.
11va. Pekan:
LINGKARAN RUTE KRITIS
Metode jalur kritis adalah algoritma yang digunakan untuk perhitungan
tentang waktu dan tenggat waktu dalam perencanaan proyekos.1Sistem perhitungan ini dikenal dengan
singkatannya dalam bahasa Inggris CPM (Critical Path Method), dikembangkan pada tahun 1950-an di
Villa Ruiseñor, Chili oleh pengusaha Armando Quiroga, di sebuah pusat penelitian dari
operasi untuk tanda tangan, mencari kontrol dan optimasi biaya melalui
perencanaan dan penjadwalan yang tepat dari kegiatan komponen proyek. Lainnya
proyek penting dari era itu, proyek "Polaris" yang berasal dari tahun 1958 menghasilkan satu
dari metode pemrograman berdasarkan jalur kritis, dikenal dengan nama PERT
Teknik Evaluasi dan Tinjauan Program).2
Diadministrasiymanajemen proyeksebuah jalur kritis adalah urutan elemen-elemen
terminal jaringanproyekdengan durasi terlama di antara mereka, menentukan waktu
lebih pendek di mana mungkin menyelesaikan proyek. Durasi jalur kritis
Tentukan durasi proyek secara keseluruhan. Setiap keterlambatan pada elemen jalur
kritik mempengaruhi tanggal penyelesaian yang direncanakan untuk proyek, dan dikatakan bahwa tidak ada kelonggaran di
jalur kritis.
Sebuah proyek dapat memiliki beberapa jalur kritis paralel. Jalur paralel tambahan melalui
dari jaringan dengan durasi total mendekati jalur kritis, meskipun harus lebih kecil,
disebut jalur sub-kritis.
Pada awalnya, metode jalur kritis hanya mempertimbangkan ketergantungan antar
elemen terminal. Konsep yang terkait adalah rantai kritis, yang menambahkan
ketergantungan sumber daya. Setiap sumber daya tergantung pada pengelola pada saat di mana
rute kritis disajikan.
Berbeda denganteknik tinjauan dan evaluasi program(PERT), metode dari
ruta kritis menggunakan waktu tertentu (nyata atau deterministik). Namun, penyusunan sebuah
proyek yang berdasarkan pada jaringan CPM dan PERT adalah serupa dan terdiri dari:

Mengidentifikasi semua aktivitas yang terlibat dalam proyek, yang berarti,

menentukan hubungan prioritas, waktu teknis untuk masing-masing dari
aktivitas.
Membangun jaringan berdasarkan simpul dan aktivitas (atau busur, tergantung pada metode yang lebih
digunakan), yang melibatkan proyek.
Menganalisis perhitungan spesifik, mengidentifikasi jalur kritis dan kelonggaran dari
aktivitas yang terdiri dariproyek.
En términos prácticos, la ruta crítica se interpreta como la dimensión máxima que puede
menjalani proyek dan perbedaan dengan rute lain yang bukan kritis, kita
denominasiwaktu luang.

2. CPM-Biaya Percepatan (kompresi)

 E-GRAFIA
[Link]
[Link]
[Link]
garis/[Link]
[Link]
[Link]
[Link]
industri/penyelidikan-operasi/metode-simpleks/
[Link]
[Link]
[Link]
industri/pergudangan-transportasi/masalah-transportasi-o-
distribusi/