sveuČiliŠte u rijeci - oliver.efri.hroliver.efri.hr/zavrsni/323.b.pdf · operacijska...
TRANSCRIPT
SVEUČILIŠTE U RIJECI
EKONOMSKI FAKULTET
Ana Kos
PRIMJENA LINEARNOG PROGRAMIRANJA U OPTIMIZACIJI
PREHRANE PURANA
DIPLOMSKI RAD
Rijeka, 2013.
SVEUČILIŠTE U RIJECI
EKONOMSKI FAKULTET
PRIMJENA LINEARNOG PROGRAMIRANJA U OPTIMIZACIJI
PREHRANE PURANA
DIPLOMSKI RAD
Predmet: Kvantitativne metode za poslovno odlučivanje
Mentor: dr.sc. Ljiljana Lovrić
Student: Ana Kos
Studijski smjer: Financije i bankarstvo
JMBAG: 0081109246
Rijeka, rujan 2013.
ZAHVALA
Zahvaljujem se mentorici dr.sc. Ljiljani Lovrić na iskazanom povjerenju, vodstvu i
korisnim savjetima tijekom izrade ovog diplomskog rada.
Želim se zahvaliti svim kolegicama, posebice Nikolini i Mateji koje su mi vrijeme
provedeno na fakultetu uljepšale svojim prisutstvom i pomogle da to vrijeme smatram super
dijelom svoga života.
Na kraju bih se zahvalila svojoj obitelji na strpljenju i moralnoj podršci, te
povjerenju koje su mi ukazali tokom studija.
Sadržaj
1. UVOD ................................................................................................................... 1
1.1. Predmet istraživanja ........................................................................................ 1
1.2. Svrha i cilj istraživanja .................................................................................... 2
1.3. Struktura rada ................................................................................................. 2
1.4. Metode istraživanja ......................................................................................... 3
2. OSNOVE LINEARNOG PROGRAMIRANJA ...................................................... 4
2.1. Osnovne teorije i razvoj linearnog programiranja ............................................ 4
2.2. Formulacije problema linearnog programiranja s jednadžbama i
nejednadžbama .......................................................................................................... 8
2.2.1. Opći oblik problema linearnog programiranja .......................................... 9
2.2.2. Standardni problem linearnog programiranja ......................................... 12
2.2.3. Kanonski problem linearnog programiranja ........................................... 17
2.3. Metode linearnog programiranja ................................................................... 20
2.3.1. Grafička metoda .................................................................................... 20
2.3.2. Simpleks metoda.................................................................................... 22
2.3.3. Karmarkov algoritam ............................................................................. 26
3. LINEARNO PROGRAMIRANJE U MODELU PREHRANE ............................. 28
3.1. Problemi primjene i problemi ishrane............................................................ 28
3.2. Opći model problema prehrane ..................................................................... 29
3.3. Standardni problem minimuma i Charnesova M – procedura ........................ 31
4. PRIMJER PROBLEMA PREHRANE ................................................................. 36
4.1. Definiranje problema za ishranu purića ......................................................... 36
4.2. Formulacija modela i utvrđivanje parametara modela.................................... 38
4.3. Rješavanje modela i interpretacija problema ................................................. 45
4.3.1. Rješavanje problema za starter smjesu ................................................... 46
4.3.2. Rješenje problema za grover I smjesu .................................................... 47
4.3.3. Rješenje problema za grover II smjesu ................................................... 48
4.3.4. Rješenje problema za finišer smjesu ....................................................... 49
5. ANALIZA OSJETLJIVOSTI I PROMJENE U HRANIDBI PURANA ............... 50
5.1. Analiza osjetljivosti za starter smjesu ............................................................ 52
5.2. Analiza osjetljivosti za grover I smjesu ......................................................... 53
5.3. Analiza osjetljivosti za grover II smjesu ........................................................ 55
5.4. Analiza osjetljivosti za finišer smjesu............................................................ 57
5.5. Promjene u hranidbi i držanju purana u 21. stoljeću ...................................... 59
6. ZAKLJUČAK ...................................................................................................... 61
POPIS LITERATURE ................................................................................................ 64
POPIS TABLICA ....................................................................................................... 66
POPIS PRILOGA ....................................................................................................... 67
1
1. UVOD
1.1. Predmet istraživanja
Donošenje poslovnih odluka u uvjetima tržišne ekonomije predstavlja zahtjevan proces
i važan čimbenik poslovnog opstanka. U tu svrhu razvijene su tehnike modeliranja.
Faza modeliranja sastoji se od četiri međusobno povezane aktivnosti, a to su: odabir
tehnike modeliranja, odabir uzorka testiranja, proces konstruiranja modela te ocjena
kvalitete modela.
Matematički model određenog problema definira se pomoću funkcije cilja (za koju
treba naći ekstremnu vrijednost) i ograničenja. Matematički model koji realno odražava
sistem se istražuje, omogućuje da se pronađe veza između odgovarajućih parametara i
karakteristika sistema radi postizanja optimalnog funkcioniranja sistema.
Postoje dva postupka pronalaženja rješenja matematičkih modela. Prvi način je
pronalaženje u zatvorenom obliku (analitičko rješenje), a drugi način je pronalaženje
rješenja primjenom približnih numeričkih metoda (numeričko rješenje). Linearno
programiranje je dio matematike koja se bavi problemima kojima je cilj maksimizirati
ili minimizirati funkciju cilja uz uvjete dane linearnim jednadžbama.
Predmet istraživanja diplomskog rada je upotreba linearnog programiranja u problemu
prehrane. Polazna točka diplomskog rada je predstavljanje teorijskih odrednica
linearnog programiranja, metode rješavanja linearnog programiranja te primjena
linearnog programiranja na problemu prehrane.
Postavljena je temeljna radna hipoteza – upotrebom linearnog programiranja može se
efikasnije voditi politika troškova vezana za prehranu.
2
1.2. Svrha i cilj istraživanja
Svrha i cilj istraživanja je na pojednostavljenom primjeru pokazati kako je moguće
matematičkom formulacijom i matematičkim metodama sastaviti optimalnu krmnu
smjesu, postaviti neki zadani cilj: minimizacija troškova ishrane purana uz
odgovarajuća ograničenja (minimalne količine hranjivih sastojaka koji se trebaju naći u
dnevnoj dozi krmne smjese) i na taj način dobiti pouzdanu matematičku podlogu za
donošenje odgovarajućih odluka vezano za odabir krmne smjese neke farme purana.
1.3. Struktura rada
Diplomski rad se sastoji od šest međusobno povezanih dijelova.
U Uvodu se prikazuje problem, predmet i objekt istraživanja, radna hipoteza, svrha i
ciljevi istraživanja, znanstvene metode i struktura diplomskog rada.
Drugi dio, Osnove linearnog programiranja, sastoji se od 3 međusobno povezana
dijela koja se odnose na osnovne teorije i razvoj linearnog programiranja, matematičku
formulaciju osnovnih tipova problema linearnog programiranja i metode rješavanja
problema linearnog programiranja.
Naslov trećeg dijela je, Linearno programiranje u modelu prehrane, a sastoji se od
prikaza općeg modela problema prehrane i načina rješavanja navedenog problema
pomoću Charnesove M – procedure.
U četvrtom dijelu, Primjer problema prehrane, predstavljen je primjer za farmu
purana. Sastoji se od definiranja problema prehrane, formulacije modela i utvrđivanja
parametara, rješavanja i interpretacije navedenog problema.
3
U petom dijelu, Analiza osjetljivosti i promjene u hranidbi purana, prikazuje se
analiza osjetljivosti za svaku pojedinu vrstu krmne smjese i kratak osvrt na budućnost u
hranidbi purana.
Posljednji dio, Zaključak, predstavlja sintezu rezultata istraživanja kojima je dokazana
radna hipoteza.
1.4. Metode istraživanja
Znanstvene metode korištene u ovom diplomskom radu su: metoda analize i sinteze,
metoda klasifikacije, metoda deskripcije, komparativna metoda, metoda kompilacije,
metoda matematičke optimizacije i analize osjetljivosti.
4
2. OSNOVE LINEARNOG PROGRAMIRANJA
U prvom poglavlju diplomskog rada ukratko se objašnjava povijesni razvoj teorije
linearnog programiranja, zatim se navode osnovni elementi potrebni za formuliranje i
rješavanje problema linearnog programiranja, tok rješavanja problema linearnog
programiranja, matematičke formulacije osnovnih tipova problema linearnog
programiranja te metode rješavanja navedenih tipova linearnog programiranja.
2.1. Osnovne teorije i razvoj linearnog programiranja
Prema povijesnom razvoju linearno programiranje je razmjerno mlada grana
primijenjene matematike. Počeci razvoja sežu neposredno pred početak drugog
svjetskog rata. Prve formulacije problema linearnog programiranja i prve metode
rješavanja susrećemo 1939. godine u knjizi ruskog matematičara L. V. Kantoroviča o
organizaciji i planiranju proizvodnje. Neovisno o ruskim matematičarima linearno su
programiranje razvijali na zapadu i američki naučenjaci. Kao prvi među njima je F. L.
Hitchock 1941. godine objavio studiju o transportnom problemu linearnog
programiranja. Godine 1947. je G. B. Dantzig otkrio opću algebarsku metodu za
rješavanje linearnih programa nazvanu simplex – metoda. Pomoću te metode numerički
se može riješiti svaki problem linearnog programiranja (Vadnal, 1972., p.10) . Linearno
programiranje se razvijalo usporedno i u tijesnoj povezanosti s dvije druge naučne
grane, s međusektorskom analizom i teorijom strateških igara.
Linearno programiranje u privrednu praksu uvelo se tek onda kada su se za numeričko
računanje mogla koristiti elektronska računala. Zato se u razvitku linearnog
programiranja 1952. godina smatra važnom prekretnicom jer je tada prvi put bio izrađen
program za elektronsko rješavanje problema linearnog programiranja po simpleks
metodi.
5
Matematičku osnovu linearnog programiranja tvore teorija linearnih nejednadžbi i
jednadžbi i teorija konveksnih poliedra, dakle dvije grane teoretske matematike koje su
za potrebe linearnog programiranja dovoljno razvijene (Vadnal, 1972., p.10).
Prve primjene linearnog programiranja bile su na vojnom području. Razvile su se u
drugom svjetskom ratu iz vojnih potreba. Ograničene resurse trebalo je u ratu
rasporediti na različite vojne aktivnosti i operacije. Pritom je trebalo postići što bolje
efekte, pa su pozvani znanstvenici da primjene znanstveni pristup u rješavanju takvih
problema.
Nakon toga slijedili su pokušaji primjene linearnog programiranja u problemima
industrije. Danas se mogu navesti mnogi problemi koji se rješavaju linearnim
programiranjem: proizvodni programi, izbor lokacije tvornice, optimalno planiranje
investicijskih ulaganja, sastavljanje optimalnih planova prehrane, transporta i slično
(Barković, 2001., p. 10).
Često se pri formulaciji problema (modela problema), vrše neka pojednostavljenja da bi
model bio linearan zbog toga što za rješavanje problema linearnog programiranja
postoje mnoge efikasne metode. Takva pojednostavljenja ne smiju biti prevelika jer se
time model može iskriviti i tada ne odgovara realnom problemu. Ta pojednostavljenja
se odnose na linearne veze među varijablama i sastoje se u tome da se linearna zavisnost
pretpostavi i tamo gdje u stvarnosti ne postoji funkcionalna linearna zavisnost.
Metode linearnog programiranja su trenutno najvažniji instrument operacijskih
istraživanja. Operacijska istraživanja su znanstvena disciplina kojom se matematički
modeliraju realni problemi radi donošenja optimalnih odluka.
Operacijska istraživanja su interdisciplinarna znanstvena grana koja putem modeliranja
i metoda, stoji između matematike, teorije sustava, informatike i teorije odlučivanja.
Linearno programiranje je jedna od disciplina matematičkog optimiranja u koje se
ubrajaju metode cjelobrojnog, nelinearnog i dinamičkog programiranja (Barković,
2001., p. 7-10).
Operacijska istraživanja znače takav znanstveni pristup istraživanju i projektiranju
sustava i donošenja odluka, koji se zasniva na matematičkom modeliranju procesa i
6
pojava. Pritom se radi o primjeni na probleme u kojima treba upravljati i koordinirati
operacijama ili aktivnostima u okviru neke organizacijske jedinice. Sam proces
započinje razmatranjem i formulacijom problema, na osnovi toga se izgrađuje model,
koji je najčešće matematički i predstavlja određenu aproksimaciju stvarnog problema.
Ako je model dovoljno dobra aproksimacija stvarnosti, onda se pomoću rezultata
(rješenja) dobivenih iz modela, mogu lakše donositi različite odluke, koje se odnose na
organizaciju odnosno sustav koji se promatra.
Rješenje dobiveno iz modela je najbolje, odnosno optimalno prema nekom kriteriju
(cilju) i koristi se kao pomoć u donošenju poslovnih i drugih odluka (Neralić., 2001., p.
134).
Mnogi problemi koji se javljaju u praksi, formulirani u matematičkom obliku sastoje se
u određivanju ekstrema, odnosno maksimuma ili minimuma, neke funkcije koja se
sastoji od određenog broja varijabli, koja treba zadovoljiti zadane uvjete (ograničenja)
na te varijable, a ograničenja su izražena u obliku jednadžbi odnosno nejednadžbi. Tako
formuliran problem naziva se problemom matematičkog programiranja. Specijalno ako
je funkcija cilja za koju treba odrediti minimum ili maksimum linearna, te ako su uvjeti
izraženi u obliku linearnih jednadžbi ili nejednadžbi, onda je takav problem, problem
linearnog programiranja (Neralić, 2001, p. 134).
Linearno programiranje jedna je od najvažnijih metoda optimizacije u okviru
operativnih istraživanja. Teorijski razvoj operativnih istraživanja je bio iniciran velikom
raznolikošću praktičnih aplikacija, pri čemu se obično radi o optimalnom korištenju ili
alokaciji sredstava (resursa) raspoloživih u ograničenim količinama. Od svih mogućih
varijanti korištenja sredstava potrebno je naći takvu varijantu koja neku vrijednost
(prihod, troškovi…) čini bilo maksimalnom bilo minimalnom (Car, 1976., p. 1).
Metode optimizacije omogućuju nalaženje najboljih rješenja različitih vrsta problema i
vrlo su pogodne za rješavanje problema u poslovnoj ekonomiji. Tipični poslovni
problemi vezani su za korištenje ograničenih resursa (ljudi, oprema, materijali,
financiranje i slično) kojima se nastoji postići najveća moguća dobit, osigurati najveća
moguća kvaliteta usluge s postojećim poslovnim resursima i slično.
7
Kod svih tih problema zajedničko je to da je potrebno formulirati model problema,
analizirati moguće varijante rješenja i među njima pronaći najpovoljnije rješenje po
odabranom kriteriju (Čerić, p. 87).
Svaki problem linearnog programiranja mora ispunjavati određene uvjete:
jasno definirani cilj koji se želi postići,
postojanje ograničenih resursa,
postojanje više mogućih rješenja i
mogućnost izražavanja međuovisnosti varijabli linearnom vezom (Andrijić,
2002., p. 109).
S matematičkog gledišta problem linearnog programiranja se može svrstati u probleme
vezanog ekstrema. Kako je u problemu linearnog programiranja cilj utvrđivanje
ekstremne (minimalne ili maksimalne) vrijednosti funkcije cilja u konveksnom skupu s
linearnim jednadžbama ili nejednadžbama kao ograničenjima te s uvjetom
nenegativnosti varijabli, on se može rješavati metodama linearnog programiranja.
Metode linearnog programiranja su metode pomoću kojih se od većeg broja mogućih
rješenja, definiranih konveksnim skupom, odabire ono rješenje za koje linearna funkcija
cilja postiže ekstremnu vrijednost i takvo rješenje se onda naziva optimalnim rješenjem.
Tok rješavanja problema sastoji se u sljedećem:
preciziranju odnosno opisu problema,
formuliranju modela,
utvrđivanju parametara modela,
rješavanju modela i
analizi rješenja (Andrijić, 2002., p. 110).
8
2.2. Formulacije problema linearnog programiranja s jednadžbama i
nejednadžbama
Matematičku osnovu linearnog programiranja čini teorija linearnih jednadžbi i
nejednadžbi i teorija konveksnih skupova.
Problemi modela proizvodnje, ishrane, transporta i ostali problemi linearnog
programiranja mogu se zajednički opisati kao matematički zadaci na sljedeći način:
nenegativne vrijednosti danog skupa treba odrediti na takav način da zadovoljavaju
sustav uvjeta – ograničenja (linearne jednadžbe ili nejednadžbe) s time da zadana
linearna funkcija tih varijabli poprimi ili maksimalnu ili minimalnu vrijednost odnosno
optimalnu vrijednost (Filić, 1970., p. 10).
S obzirom na to da li kao uvjet dolaze samo jednakosti, samo nejednakosti istog znaka
ili dolaze nejednakosti različitih znakova i jednakosti, razlikuju se tri tipa problema
(Filić, 1970., p. 10):
standardni problem, u kojem dolaze samo nejednakosti istog znaka,
kanonski problem, u kojem dolaze samo jednakosti i
opći problem, u kojem dolaze uvjeti različitih znakova.
Svaki problem linearnog programiranja se može prikazati u tri navedene forme.
Isticanje raznih formi ima opravdanje u tome što se za neke analize jedna forma može
djelotvornije koristiti od druge.
Ako se u zadatku traži da zadana linearna funkcija cilja primi maksimalnu vrijednost, to
je problem maksimuma, a ako se zahtijeva minimalna vrijednost funkcije, to je problem
minimuma (Filić, 1970., p. 11).
9
2.2.1. Opći oblik problema linearnog programiranja
Glavni zadatak linearnog programiranja sastoji se u optimiranju (maksimiziranju ili
minimiziranju) jednog linearnog izraza (funkcija cilja) uz izvjesna ograničenja u vidu
niza uvjeta koji se javljaju u obliku jednadžbi i nejednadžbi. Tako se s matematičkog
stajališta pod linearnim programiranjem podrazumijeva optimiranje jedne funkcije cilja
uz izvjesna ograničenja koja limitiraju veličine varijabli.
Opći oblik problema linearnog programiranja može se formulirati na sljedeći način:
zadan je sistem od m jednadžbi i nejednadžbi, sa n varijabli koji se može prikazati na
sljedeći način (Car, 1976., p. 13):
Gdje je m zapravo broj ograničenja koja se postavljaju na varijable i može biti veće,
manje ili jednako n i gdje u svakom ograničenju vrijedi samo znak ( .
Potrebno je naći vrijednost varijabli xj koje zadovoljavaju prethodno navedene uvjete iz
relacije (1) tako da je xj ≥ 0, j = 1, 2,…, n ( uvjet nenegativnosti) i da te vrijednosti
maksimiziraju ili minimiziraju funkciju cilja iz relacije (2):
Pretpostavlja se da su aij, bi i cj poznate konstante i da je bi ≥ 0 ( i = 1,2,…,m). Kako je
lakše raditi s jednadžbama nego s nejednadžbama, uvode se dodatne varijable. Ako je
primjer:
pribrajanjem veličine x n+1 lijevoj strani jednadžbe dobivamo:
10
U teoriji linearnog programiranja takvu varijablu koja je dodana u relaciji (4) zovemo
neiskorištena ili oslabljena varijabla za razliku od varijabli viška koje uvodimo kad u
nekom ograničenju vrijedi znak ≥.
Pretpostavimo da smo ograničenja poredali tako da u (Car, 1976., p. 14):
1. grupu ( i = 1,2,…,u) dolaze ona sa znakom ≤,
2. grupu ( i = u + 1,…,v) dolaze ona sa znakom ≥,
3. grupu ( i = v + 1,…,m) dolaze ona sa znakom =.
Uvođenjem dodatnih varijabli problem linearnog programiranja se može prikazati na
sljedeći način:
1. grupa ograničenja:
2. grupa ograničenja:
3. grupu ograničenja:
U kojem su xn+h (h = 1,2,…,u) iz relacije (5) neiskorištene varijable, a xn+k (k = u +
1,…,v) iz relacije (6) su varijable viška. Ako pretpostavimo da u navedenom problemu
ima ukupno g varijabli od čega n strukturnih varijabli i g – n dodatnih varijabli sistem
se može formulirati na sljedeći način:
11
uz ograničenja:
ili kraće:
Možemo uočiti da su svi koeficijenti koji su u funkciji cilja, iz relacije (8), pridruženi
dodatnim varijablama (bilo da su te dodatne varijable, varijable viška ili neiskorištene
varijable), jednako 0.
12
Definicije rješenja (Car, 1976., p. 13):
vektor X je rješenje navedenog problema ako zadovoljava ograničenja iz relacije
(9) odnosno relacije (12).
Vektor X je moguće rješenje problema ako zadovoljava ograničenja iz relacije
(9) odnosno relacije (12) i relacije (10) odnosno relacije (13) odnosno ako
zadovoljava uvjet nenegativnosti.
Vektor X je optimalno rješenje ako je moguće i ako optimizira (maksimizira ili
minimizira) relaciju (8) odnosno relaciju (11).
Dakle, vektor X = [x1, x2,…,xg] je moguće rješenje linearnog programa ako zadovoljava
uvjet nenegativnosti (x ≥ 0) iz relacije (10) odnosno (13) i ograničenja iz relacije (9)
odnosno (12) bez obzira koju vrijednost daje funkciji cilja iz relacije (8) odnosno
relacije (11).
Svako moguće rješenje ima g komponenti. Ono je nebazično ako ima više od m
pozitivnih komponenti, odnosno bazično ako ima m ili manje m komponenti.
Bazično rješenje je nedegenerirano ako ima točno m komponenti, odnosno degenerirano
ako ima manje od m pozitivnih komponenti.
2.2.2. Standardni problem linearnog programiranja
Standardni problem linearnog programiranja može biti problem maksimuma i problem
minimuma.
Standardni problem maksimuma, je problem u kojem su sva ograničenja (osim uvjeta
nenegativnosti) tipa „≤“ odnosno u općenitom slučaju sa n varijabli može se prikazati
na sljedeći način (Babić, 2005., p. 71):
Treba maksimizirati funkciju cilja (naziva se i funkcija kriterija):
13
uz uvjete (ograničenja, restrikcije):
i uvjet nenegativnosti:
Dakle, standardni problem maksimuma linearnog programiranja, ima n varijabli i m
ograničenja, pri čemu su sva ograničenja tipa „≤“.
Uz navedene formulacije potrebno je točno definirati pojam „rješenje problema
linearnog programiranja“. Rješenje problema je svaki skup vrijednosti varijabli koje
zadovoljavaju uvjete problema iz relacije (15). Moguće rješenje problema je ono
rješenje koje zadovoljava i funkciju cilja iz relacije (14), dok je optimalno rješenje
problema ono moguće rješenje, koje funkciji cilja iz relacije (14) daje optimalnu
vrijednost.
Pod optimalnom vrijednošću smatra se samo konačna vrijednost funkcije cilja. Ako
postoji takvo rješenje, koje funkciji cilja daje veliku vrijednost (infinitivno ili
neomeđeno rješenje) smatra se da optimalno rješenje ne postoji.
Standardni problem može se napisati i u vektorskom obliku.
Treba maksimizirati funkciju cilja (Brajdić, 1998., p. 119):
uz uvjete:
14
pri čemu pojedini vektori imaju sljedeće komponente:
,
[ ]
Navedeni standardni problem maksimuma može se prikazati i na sljedeći način (Brajdić,
1998., p. 121):
Treba maksimizirati funkciju cilja:
uz uvjete (ograničenja):
…………………………………… (21)
i uvjet nenegativnosti:
za linearni program kažemo da je moguć ako postoji barem jedan X (X = [x1, x2,…,xg])
koji zadovoljava uvjete iz relacije (21) i relacije (22). Takav vektor se zove mogući
vektor ili moguće rješenje. Neki mogući vektor je optimalan ako maksimizira funkciju
cilja iz relacije (20). Skup svih takvih vektora naziva se skup mogućih rješenja.
15
Osim standardnog problema maksimuma, postoji i standardni problem minimuma.
Standardni problem minimuma se može izraziti kao originalni problem, ali i kao dualni
problem originalnom problemu maksimuma i može se prikazati na sljedeći način:
U sažetom obliku standardni problem minimuma možemo prikazati (Babić, 2005., p.
73):
Treba minimizirati funkciju cilja:
uz uvjete:
i uvjet nenegativnosti:
Navedeni problem minimuma može se prikazati u vektorskom obliku na sljedeći način
(Brajdić, 1998., p. 121):
Treba minimizirati funkciju cilja:
uz uvjete:
i uvjet nenegativnosti:
16
pri čemu matrice i vektori imaju sljedeće komponente:
Standardni problem minimuma može se prikazati i na sljedeći način (Brajdić, 1998., p.
122):
Treba minimizirati funkciju cilja:
uz uvjete:
…………………………………… (30)
i uvjet nenegativnosti:
17
Između originalnog problema – standardnog problema maksimuma i njegovog duala –
standardnog problema minimuma postoji jednostavna simetrija.
Vektor X u problemu maksimuma zamjenjuje se vektorom Y u problemu minimuma.
Vektor B koji je u problemu maksimuma s desne strane ograničenja, prelazi u problemu
minimuma u funkciji cilja, umjesto vektora C, koji dolazi na njegovo mjesto u
ograničenjima.
Također se relacije tipa „ ≤ “ u ograničenjima standardnog problema maksimuma u
problemu minimuma mijenjaju sa relacijama tipa „ ≥ “ u problemu minimuma.
2.2.3. Kanonski problem linearnog programiranja
Kanonski problem linearnog programiranja razlikuje se od standardnog problema u
tome da su sva ograničenja (osim uvjeta nenegativnosti) u obliku jednadžbi. Ovakav
problem naročito je pogodan za primjenu različitih metoda rješavanja problema
linearnog programiranja.
Isto kao i u standardnom problemu linearnog programiranja, originalni kanonski
problem može biti problem maksimuma ili problem minimuma. Zatim se postavlja
pitanje ima li kanonski model dual i ako ima koja mu je struktura.
Kanonski problem maksimuma može se izraziti na sljedeći način (Brajdić, 1998., p.
124):
Treba maksimizirati funkciju cilja:
uz uvjete:
18
Iz navedenog se vidi da su nejednakosti u uvjetima standardnog problema maksimuma
postale jednakosti što se prikazuje u relaciji (33), odnosno u kanonskom problemu
maksimuma imamo sva ograničenja samo jednadžbe. Uvjet nenegativnosti prikazan u
relaciji (34) i izraz za funkciju cilja iz relacije (32) su isti kao i kod standardnog
problema maksimuma.
Kanonski problem minimuma, kao originalni problem, definira se na isti način, osim što
umjesto maksimizirati stoji minimizirati.
Treba minimizirati funkciju cilja:
uz uvjete:
Kanonski problem je od izuzetne važnosti za rješavanje problema linearnog
programiranja, posebno ako je problem zadan u standardnoj ili općoj formi. Za
primjenu najvažnijih metoda za rješavanje problema linearnog programiranja, potrebno
je prethodno originalne standardne i opće probleme transformirati u kanonski problem.
Da bi se standardni problem maksimuma promijenio u kanonski problem, u
ograničenjima standardnog problema treba dodati dodatne varijable koje imaju ulogu da
nejednakosti pretvore u jednakosti.
Ako su vrijednosti na lijevoj strani nejednadžbe manje ili jednake desnoj strani (kao kod
standardnog problema maksimuma) potrebno je vrijednostima na lijevoj strani dodati
neku veličinu. Ta se veličina zove dodatna varijabla.
Te dodatne varijable su komponente novog vektora U, a zovu se i neiskorištene ili
oslabljene varijable (ako u optimalnom rješenju imamo jednu ili više dodatnih varijabli
koje su veće od nule, te varijable u interpretaciji, označavaju neiskorištene kapacitete,
neki višak u strukturi problema) za razliku od komponenta vektora X koje zovemo
19
strukturnim varijablama. Imat ćemo onoliko dodatnih varijabli koliko imamo
ograničenja odnosno relacija nejednakosti (Brajdić, 1998., p. 126).
Vektor U ima sljedeće komponente:
Uvođenjem tog vektora dolazi do promjene funkcije cilja i uvjeta:
Treba maksimizirati funkciju cilja:
uz uvjete:
Da bi se ublažio utjecaj dodatnih varijabli na konačno optimalno rješenje, u funkciji
cilja je vrijednost svih koeficijenata uz dodane vrijednosti jednaka nuli (38).
Na isti se način, standardni problem minimuma transformira u kanonski problem. U
ovoj transformaciji se uvodi novi vektor V, koji kao komponente također ima neke nove
dodatne varijable.
Komponente vektora V su (Brajdić, 1998., p. 127):
Treba minimizirati funkciju cilja:
20
uz uvjete:
2.3. Metode linearnog programiranja
Riješiti model linearnog programiranja znači iz skupa mogućih rješenja, odnosno iz svih
bazičnih mogućih rješenja pronaći optimalno rješenje.
Postoje dvije osnovne metode linearnog programiranja, a to su (Brajdić, 1998., p. 127):
grafička metoda i
simpleks metoda.
2.3.1. Grafička metoda
Model linearnog programiranja koji ima najviše dvije varijable može se rješavati
grafičkim putem. Ova metoda se sastoji od grafičkog prikaza cijelog modela, odnosno
uvjeta i funkcije cilja u dvodimenzionalnom koordinatnom sustavu. Uvjetne jednadžbe
su predstavljene pravcima, a uvjetne nejednadžbe poluravninama (Andrijić, 2002., p.
114).
Skup točaka koje zadovoljavaju dana ograničenja odnosno nejednadžbe je neki podskup
skupa R2 (ravnine). Takav skup točaka nazivamo skupom mogućih rješenja. Očito je taj
skup (S) neki konveksni skup u R2.
21
Uvjeti nenegativnosti definiraju dvije poluravnine (x1 ≥ 0 i x2 ≥ 0 – broj tih poluravnina
ovisi o broju strukturnih varijabli), a njihov presjek je prvi kvadrant koordinatnog
sustava (uključujući koordinatne osi i ishodište) (Babić, 2005., p. 79).
Kako je slika uvjeta mnogokutnik i neograničena poluravnina, optimalno rješenje se
nalazi u jednom kutu mnogokuta. To su koordinate onog mnogokutnika za koje funkcija
cilja uzima ekstremnu vrijednost (Babić, 2005., p. 114):
Ako je cilj maksimalna vrijednost, to je kut u kojem je pravac funkcije cilja
najudaljeniji od ishodišta koordinatnog sustava – ekstremna točka koja daje
najveću vrijednost funkcije cilja.
Ako je cilj minimalna vrijednost riječ je o kutu u kojem je pravac funkcije cilja
najbliže ishodištu koordinatnog sustava – ekstremna točka koja rezultira
najmanjom vrijednošću funkcije cilja.
Sva moguća rješenja problema linearnog programiranja čine jedan konveksni skup.
Konveksni skup rješenja je zatvoren (u smislu da sadrži sve svoje ograde) i ograničen je
odozdo jer je x ≥ 0. Rješenja svakog problema linearnog programiranja nalaze se unutar
ili na granici konveksnog skupa definiranog uvjetima tog problema.
Kada postoje granice u svakom smjeru, tada je skup rješenja konveksni poliedar koji
ima konačan broj ekstremnih točaka. Skup rješenja može se neograničeno pružati u
nekom smjeru. U ovom slučaju neomeđeni skup rješenja ima također konačan broj
ekstremnih točaka, ali svaka njegova točka ne može se izraziti kao konveksna
kombinacija ekstremnih točaka.
Funkcija cilja ima ekstrem u nekoj od ekstremnih točaka konveksnog poliedera. Ako
funkcija cilja ima ekstremnu vrijednost u dvije ekstremne točke, tada ima istu vrijednost
u svakoj njihovoj međutočci, tj. za svaku konveksnu kombinaciju tih točaka.
U tom slučaju postoji beskonačno mnogo alternativnih optimalnih rješenja. U ovom
slučaju govori se o slučaju „multipliciteta optimalnih rješenja“. To znači da je svaka
točka s granice konveksnog skupa rješenja, a koja leži između ekstremnih točaka, točka
optimalnog rješenja.
22
Ako funkcija cilja ima samo jednu ekstremnu točku tada govorimo o jednom
optimalnom rješenju zadanog problema linearnog programiranja. Takva optimalna
točka (bilo minimum ili maksimum) zadovoljava sva postavljena ograničenja, a svojom
vrijednošću zadovoljava postavljenu funkciju cilja.
Ako poliedar nema ekstrema prema zadanim uvjetima i funkciji cilja (otvoren je odozdo
kod minimuma ili je otvoren odozgo kod maksimuma), tada ne postoji optimalno
rješenje zadanog problema, ali postoji beskonačno mnogo rješenja koja se nalaze unutar
granica otvorenog poliedra (ili na njegovim rubovima), a odabir pojedinog rješenja
(koje nije optimalno) ovisi o nekim drugim uvjetima koji nisu bili početno postavljeni
pri rješavanju problema linearnog programiranja.
Ako se prema zadanim ograničenjima iz problema linearnog programiranja ne može
odrediti zajednički poliedar rješenja za sva ograničenja, tada rješenje postavljenog
problema linearnog programiranja ne postoji, tj. nema zajedničke točke (ili točaka) koja
zadovoljava sve problemom postavljene uvjete. Tada govorimo o nemogućnosti
rješavanja problema linearnog programiranja pod zadanim uvjetima.
Promjenom uvjeta (ako je to moguće s obzirom na prirodu problema) u originalnom
problemu, moguće je postići rješivost, odnosno moguće je pronaći optimalno ili neko
drugo rješenje.
2.3.2. Simpleks metoda
Opća, iterativna, konačna numerička metoda za rješavanje problema linearnog
programiranja, kojom se može riješiti svaki problem je simpleks metoda. Simpleks
metoda je opća metoda zato jer rješava bilo koji problem linearnog programiranja (tj.
nalazi optimalno rješenje, ako ono postoji, ili ustanovi da problem nema rješenje ili
nema optimalno rješenje).
23
Kao iterativna metoda, ona dolazi do rješenja u određenom broju koraka. Pri tome se
polazi od početnog mogućeg rješenja i za njega provjeri da li je to rješenje ujedno i
optimalno.
U slučaju da je to rješenje optimalno, postupak se završava. U suprotnom slučaju,
određuje se bolje moguće rješenje, što znači rješenje s većom vjerojatnošću funkcije
cilja u problemu maksimizacije (ili rješenje s nižom vjerojatnošću funkcije cilja u
problemu minimizacije), za koje se opet provjerava njegova optimalnost (Neralić.,
2001., p. 202).
Autor simpleks metode je D. Dantzig, koji veliki dio zasluga za temeljne ideje te
metode pripisuje J. Von Neumanu. Iako je prve ideje razvio već 1947. godine, osnovni
rad o toj metodi objavljen je 1951. godine u knjizi T. C. Koopmansa „Activity analysis
of production and allocation“ (Neralić., 2001., p. 201).
Naziv simpleks potječe od toga što je jedan od prvih primjera riješen na jediničnom
trokutu, koji je konveksna ljuska skupa od tri točke iz prostora R2.
Do sada se nije našlo analitičko rješenje općeg problema linearnog programiranja. To je
dovelo do usavršavanja velikog broja numeričkih metoda, od kojih niti jedna ne rješava
problem u prvom koraku.
Sve te metode su iterativne odnosno polaze od nekog mogućeg rješenja da bi ga u nizu
koraka poboljšavale dok se ne dođe do optimalnog rješenja ili se utvrdi da tako rješenje
ne postoji. Utvrđeno je da je za početno rješenje najbolje uzeti ono u kojem su bazični
jedinični vektori odnosno da je baza ortonormalna baza (Brajdić, 1998., p. 139).
Simpleks metoda je iterativna metoda tj. metoda kojom se iz koraka u korak poboljšava
rješenje. Može se reći da se algoritam simpleks metode sastoji od četiri koraka (Babić,
2005., p. 121):
Konstruira se neko inicijalno (početno) moguće rješenje.
Primjenjuje se test da se odredi da li je optimalno rješenje.
Ako rješenje nije optimalno, daje uputu kako ići boljem rješenju.
Nakon konačno mnogo koraka dolazi se do optimalnog rješenja ili se utvrđuje
da ono ne postoji.
24
Simpleks metoda radi samo s kanonskim problemom. Već ranije navedeno da se svaki
standardni problem može prevesti u njemu ekvivalentan kanonski problem, odnosno
rješavanjem kanonskog problema dobivamo i rješenje standardnog problema.
Simpleks metoda predstavlja neku vrstu kompromisa između dvije krajnosti (Babić,
2005., p. 139):
potrebe da se optimalno rješenje nađe u jednom koraku i
potrebe da se ispitaju sva bazična rješenja (da bi bili sigurni da je optimalno
rješenje stvarno optimalno).
Ideja simpleks metode sadrži tri bitna elementa (Babić, 2005., p. 140):
alternativa određivanja barem jednog mogućeg rješenja,
alternativa provjere je li određeno moguće rješenje optimalno ili nije i
alternativa da se u svakom slučaju izbora mogućeg rješenja koje nije optimalno
odredi novi plan koji je najbliži optimalnom.
U slučaju da postoje sve tri mogućnosti, može se u okviru konačnog broja koraka dobiti
optimalno rješenje koje predstavlja rješenje formuliranog zadatka. Prema tome,
simpleks metoda se zasniva na sukcesivnom poboljšanju mogućeg plana, sve dok se ne
dobije optimalno rješenje.
Ovakav prilaz u formuliranju algoritma simpleks metode također omogućava da se u
procesu rješavanja bilo kojeg zadatka ustanovi da li je on rješiv ili nije.
Simpleks metoda predviđa čitav niz kontrola kojima se utvrđuje odgovara li posljednje
bazično rješenje optimalnom ili optimalna vrijednost ne postoji. Ta metoda omogućava
da se najkraćim putem dođe do ekstremne vrijednosti funkcije cilja prelaskom iz jednog
vrha poliedra na drugi.
U tom smislu simpleks metoda omogućava (Babić, 2005., p. 140):
postupak nalaženja vrhova poliedra, određivanje komponenti vektora koji
odgovara vrhu poliedra,
formiranje kriterija za brzu ocjenu je li odgovarajuća vrijednost funkcije cilja
minimalna (maksimalna) ili nije i
25
ako nije, simpleks metoda omogućava nalaženje drugog vrha u kojem funkcija
cilja ima veću vrijednost.
Prilikom korištenja te metode važno je analizirati pitanje rješivosti sustava nejednadžbi
ograničenja. Kod primjene simpleks metode polazimo od pretpostavke da je problem
linearnog programiranja konzistentan (moguć) i da niti jedna (ne)jednadžba sustava nije
suvišna.
Isto tako se pretpostavlja da su sva moguća bazična rješenja matematičkog problema
nedegenerirana. Uvođenjem dodatnih i umjetnih varijabli omogućava rješavanje pitanja
konzistentnosti, suvišnosti i dengeneriranosti u originalnom problemu.
Prvi korak simpleks metode je utvrđivanje polaznog (početnog, ishodišnog) rješenja.
Način formiranja početnog rješenja ovisi o tome da li je zadani problem maksimum ili
minimum kao i da li je zadan u kanonskoj ili nekoj drugoj formi. Ako problem nije
zadan u kanonskoj, tada ga prvo treba svesti na taj oblik.
Nakon toga, u slučaju da je zadan problem maksimuma, polazi se od rješenja u kojem je
najmanja dopustiva vrijednost strukturnih varijabli, a time i najmanja vrijednost
funkcije cilja jednaka 0. Ta se vrijednost u svakom sljedećem koraku povećava. Ako je
pak zadani problem minimuma, tada se polazi od najvećeg mogućeg rješenja i ono se
postepeno smanjuje (Brajdić, 1998., p. 143).
Nakon formiranja početnog rješenja pristupa se njegovom poboljšanju. Poboljšano
početno rješenje se podvrgava ispitivanju da li je ono optimalno. Ako nije tada se i to
rješenje poboljšava. Svaki takav korak naziva se interakcija. Kada se utvrdi da je
dobiveno rješenje optimalno ili da optimalno rješenje ne postoji, primjena metode je
završena.
Ukoliko je dobiveno rješenje optimalno, tada slijedi očitavanje optimalnih vrijednosti
varijabli funkcije cilja, a originalnog problema i njegovog duala. Takvo rješenje je
potrebno i adekvatno protumačiti. S interpretacijom cijeli postupak ne treba biti gotov,
jer se nakon toga može izvesti čitav niz daljnjih analiza, od traženja cjelobrojnog
rješenja, traženje vrijednosti duala ili analiza osjetljivosti.
26
Postupak kojim se dobiva novo moguće rješenje, uz testiranje da li je ono optimalno ili
nije naziva se simpleks algoritam. Taj algoritam treba omogućiti sljedeće (Brajdić,
1998., p. 143):
odabrati varijablu koja će zamijeniti neku od varijabli iz baze, odnosno iz skupa
bazičnih rješenja,
odabrati varijablu koja će izaći iz baze,
transformirati sustav ograničenja na način da nova varijabla stvarno zamijeni
staru, uključujući i promjene u funkciji cilja i
utvrditi da li je novo rješenje optimalno ili nije tj. da li je dobivena optimalna
vrijednost funkcije cilja.
U problemu maksimuma da bi se simpleks metoda mogla primijeniti potrebno je
problem svesti na kanonsku formu. To se radi na način koji proizlazi iz teorije linearnog
programiranja.
Ako je originalni problem standardni problem maksimuma, tada se on mora
transformirati u kanonski problem dodavanjem varijabli u ograničenjima i funkciji cilja,
s time da su svi koeficijenti uz dodane varijable u funkciji cilja jednaki 0 (Brajdić,
1998., p. 144).
Problem minimuma i simpleks metoda objasnit će se detaljnije u poglavlju 3.
2.3.3. Karmarkov algoritam
Premda je simpleks metoda algoritam koji se najčešće koristio i koristi za rješavanje
linearnih programa, krajem 1980 – tih godina pojavljuju se u krilu operacijskih
istraživanja vrlo različite nove strategije. Nova interior point metoda slijedi poboljšanu
paradigmu za rješavanje linearnog programa, ali ona primjenjuje kretanje posve
drugačije od onog u simpleks metodi. Umjesto da se ostane na granicama dopuštenog
područja i da se kreće od jedne ekstremne točke do druge, interior poin metoda
napreduje izravno kroz unutrašnjost dopuštenog područja (Barković, 2001., p.93).
27
Potrebno je uložiti mnogo računskog napora u tom kretanju ali njegov broj se
dramatično smanjuje. U mnogim velikim linearnim programima postiže se bitno kraće
vrijeme u pronalaženju rješenja od onog kod simpleksa.
Prvu komercijalnu interior point metodu za linearno programiranje razvio je Narendra
Karmarkar na temelju procedure projektivne transformacije, a razvoj se nastavlja do
današnjih dana.
Iako će se simpleks metoda koristiti i dalje u mnogim linearnim programima, nova
generacija software – e razvijena na temelju Karmarkova algoritma postaje popularna.
Američka zrakoplovna kompanija Delta je prva komercijalna zrakoplovna kompanija
koja koristi Karmarkov program, zvan KORBX, kojega je razvio i prodao AT & T.
Delta vjeruje da je taj program pospješio mjesečni raspored 7 000 pilota koji lete na više
od 400 zrakoplova u 166 gradova svijeta. Radi povećane efikasnosti računa se na uštedu
od više milijuna dolara na vremenu posade i odgovarajućim troškovima.
28
3. LINEARNO PROGRAMIRANJE U MODELU PREHRANE
U drugom poglavlju diplomskog rada prikazani su problemi primjene i problemi ishrane
purića, objašnjen je opći model prehrane purića i prikazana nutricijska matrica zatim
načini rješavanja navedenog problema te simpleks metoda za rješavanje standardnog
problema minimuma (Charnesova M – procedura).
3.1. Problemi primjene i problemi ishrane
Problemi na koje se linearno programiranje primjenjuje su mnogobrojni i u području
čiste i u području primijenjene matematike. Primjenu linearnog programiranja
omogućava i naročito ubrzava elektronska računska tehnika, koja sama nevjerojatno
brzo razvija te sve šire područje automatizacije u industriji kao proizvodnom i
profitnom jedinicom i drugdje.
Problem prehrane je prvi puta postavio Stigler, 1945. godine, a riješen je primjenom
simpleks metode 1947. godine. Problem je obuhvaćao 77 namirnica i 9 hranjivih
sastojaka. Povijesno gledano, problem ishrane je jedan od prvih problema linearnog
programiranja.
Ljudima i životinjama potrebne su za prehranu određene količine biokemijskih
sastojaka: bjelančevina, masnoća, ugljikohidrata, vitamina itd. Te sastojke dobivaju u
različitim živežnim namirnicama ili u krmi. Svaka živežna namirnica i svaka vrsta
krmiva imaju određenu cijenu. Problem što nastaje pri prehrani je u tome kako da
izaberemo ili miješamo živežne namirnice ili krmiva da bismo na najracionalniji način
zadovoljili potrebe za biokemijskim svojstvima (Vadnal, 1972., p.34).
Problemi te vrste dovode nas pri matematičkoj obradi na rješavanje linearnog programa.
Kao u svakom problemu linearnog programiranja možemo i problemima smjese
pristupiti na dva načina. Ili kao primarnom ili kao njima odgovarajućim dualnim
linearnim programima. To ovisi o izboru funkcije cilja. Kod primarnog linearnog
29
programiranja smjese postavimo zahtjev da ukupni troškovi za nabavu živežnih
namirnica ili krmiva trebaju biti najmanji. Kod njemu odgovarajućeg dualnog linearnog
programa, međutim tražimo da vrijednost nabavljenih biokemijskih sastojaka bude što
veća. Kod oba načina rješavanja dobivamo iste rezultate.
3.2. Opći model problema prehrane
Budući da je jedna od prvih ekonomskih primjena problema linearnog programiranja
bio tzv. problem ishrane prvo će se razmotriti ekonomska interpretacija tog problema.
Problem ishrane sastoji se u sljedećem (Babić, 2005., p. 142):
Potrebno je sastaviti program ishrane neke grupe ljudi (studentska menza, vojne
postrojbe) ili neke farme pilića ili krava s namjerom da izabrana hrana sadrži u
dovoljnoj količini sve potrebne hranjive elemente, ako što su kalorije,
bjelančevine, masti, a da troškovi za primjenu tog obroka budu minimalni.
Neka se izbor hrane provodi između n artikala prehrane H1, H2, … Hn, koji su
raspoloživi na danom tržištu. Tržišne cijene po jedinici j-tog artikla prehrane su
bj. Hranjive elemente koji se nalaze u tim artiklima prehrane označimo s E1,
E2,…, Em, a neka je aij iznos i – tog hranjivog elementa sadržanog u jedinici
j – tog artikla prehrane. Pored toga, neka je ci minimalni zahtjev za i – tim
hranjivim elementom, tj. količina i – tog hranjivog elementa koja mora biti
sadržana u optimalnom obroku. Označimo sa yj broj jedinica j – te vrste hrane.
Sve te elemente možemo prikazati tablici, pri čemu se matrica A, u kojoj se
nalaze elementi aij naziva nutriciona matrica.
Problem ishrane može se formulirati na sljedeći način (Babić, 2005., p. 143):
Funkciju cilja predstavljaju ukupni troškovi ishrane koje treba minimizirati, tj.
30
Tablica 1: Nutriciona matrica
Hranjivi elementi Vrste hrane (artikli prehrane) Minimalni zahtjevi za
hranjivim elementima H1 H2 …… Hn
E1 a11 a12 …… a1n c1
E2 a21 a22 …… a2n c2
Em am1 am1 …… amn cm
Cijene artikala
prehrane b1 b2 …… bn
Izvor: Babić, Z.: Linearno programiranje, Ekonomski fakultet Sveučilišta u Splitu, Split,
2005., p.143.
Budući da je u jednoj jedinici j – te vrste hrane ima aij jedinica i – tog hranjivog sastojka
umnožak yj * aij predstavlja količinu tog hranjivog sastojka u yj jedinica hrane Hj, pa se
zahtjev da u obroku, koji se sastoji od svih vrsta hrane, bude barem ci jedinica hranjivog
sastojka Ei, može prikazati sljedećim skupom ograničenja:
Uvjeti nenegativnosti također postoje budući da u optimalnom obroku neke vrste hrane
ima ( yj ˃ 0) ili nema (yj = 0).
Takav problem je tipičan problem minimuma linearnog programiranja. Funkcija
troškova se zove funkcija cilja. Zapravo, cilj se sastoji u izboru takvog programa koji tu
funkciju minimizira, pri čemu ipak moraju biti zadovoljene neke pretpostavke. To su
(Babić, 2005., p. 144):
1. Funkcija troškova je linearna, tj. troškovi zavise samo o količini kupljenih
namirnica, odnosno po istoj cijeni se kupuje i velika i mala količina hrane.
2. Elementi nutricione matrice A ( aij ) su konstantni.
31
Budući da simpleks metoda daje samo bazična rješenja, a ona imaju najviše m
komponenti koje su različite od nule, problem ishrane će biti realniji što je broj
ograničenja (m) veći. Naravno da će optimalni obrok biti i raznovrsniji ako je broj
varijabli (vrsta hrane) veći.
Model ishrane u ovom obliku može izgledati nedovoljno primjenjiv u stvarnim
situacijama. No, u nekim specifičnim situacijama može biti primjenjiv, kao što je
ishrana s najmanje troškova za potrebe vojske ili za potrebe neke dovoljno velike
zajednice, u slučajevima kao što su prirodne katastrofe, rat, bolesti, siromaštvo itd.
Može se koristiti i kod ishrane stoke, u poljoprivredi – za optimalnu kombinaciju
gnojiva, u rafinerijama nafte za razne potrebe smjese i slično.
Ograničenja modela (Brajdić, 1998., p. 109):
radi se o statičkom modelu koji zanemaruje varijabilnost okusa,
pretpostavlja kruto zbrajanje komponenata koje su sadržane u raznim
namirnicama (međusobni odnos hranjivih elemenata nije sumirajući, neki
hranjivi elementi mogu biti suprotstavljeni, a u smislu da njihova istovremena
nazočnost u obroku anulira određene pozitivne elemente),
po istoj cijeni se nabavlja mala i velika količina namirnica i
u realnoj hranjivoj matrici nema konstantnih elemenata, već su oni stohastički.
3.3. Standardni problem minimuma i Charnesova M – procedura
Rješavanje problema minimuma linearnog programiranja simpleks metodom donekle se
razlikuje od rješavanja problema maksimuma i to uglavnom u fazi postavljanja
početnog bazičnog problema. Kao i kod standardnog problema maksimuma, da bi se
simpleks metoda mogla primijeniti na standardni problem minimuma prethodno
problem treba svesti na kanonsku formu.
Znači, ukoliko je originalni problem standardni problem minimuma, tada se on mora
transformirati u kanonski problem oduzimanjem dodatnih varijabli u ograničenjima i
32
funkciji cilja. Vektori koeficijenata dopunskih varijabli w1, w2, …, wm nisu pozitivni
jedinični vektori i ne mogu nam dati nenegativno početno bazično rješenje. Iz tog
razloga uvode se nove umjetne (artificijelne varijable), W1, W2, …, Wm i one će tvoriti
početnu bazu (Babić, 2005., p. 145).
Budući da se originalni problem linearnog programiranja uvođenjem tih novih varijabli
mijenja, potrebno je osigurati da se u optimalnom rješenju varijable w1, w2, …, wm ne
pojave. Drugim riječima, simpleks procedurom treba izbaciti vektore W1, W2, …, Wm
jer je tada w1, w2, …, wm = 0.
Artificijelnim varijablama se pridružuje jedan veliki pozitivni broj M (M = + ∞) kao
njihov koeficijent u funkciji cilja. Na taj način vrijednost funkcije cilja postaje veoma
velika i simpleks procedura teži tome da varijable w1, w2, …, wm što prije postanu 0
odnosno slobodni vektori W1, W2, …, Wm što prije izađu iz baze, da bi funkcija postala
što manja (Babić, 2005., p. 146).
Ovaj pristup naziva se Charnesova dvofazna M – procedura. U prvoj fazi oslobađamo se
artificijelnih varijabli. Tek kada artificijelne vektore izbacimo iz baze dobivamo
početno bazično rješenje originalnog problema i nastavljamo simpleks proceduru. Kada
je vektor Wi jednom izašao iz baze on se u bazu više i ne vraća, pa u sljedećim koracima
ne trebamo računati njegove komponente.
Vektor koji ulazi u novu bazu biramo po kriteriju za problem minimuma odnosno
tražimo . Vrijednost funkcije cilja može se smanjivati sve dok postoji
diferencija
33
Početno rješenje simpleks metode za problem minimuma u standardnom obliku
Tablica 2: Početna simpleks tablica za standardni problem minimuma u sažetoj formi
± M
Baza
0 0 0
0 0 0
0 1 -1
0 0 0
Izvor: Brajdić, I.: Modeli odlučivanja, Hotelijerski fakultet Opatija, Opatija, 1998.,
p.158
U tabeli imamo vektora stupaca, i to uz vektore Aj i B još i vektore
(vektori sa m komponenata).
Navedeni vektori stupci su elemenata vektora tj. matrica i
iz kanonskog modela koji se dobiva transformacijom
standardnog modela.
Transformirani standardni model u kanonsko – simpleks problem može se prikazati na
sljedeći način:
34
gdje je:
Pretpostavka ovog modela prikazanog u tabeli je da u matrici A nema niti jednog
vektora – stupca Aj koji je jedinična matrica. Ako taj uvjet nije ispunjen tada se u bazu
početnog rješenja uz ostale vektore mogu odmah uvesti svi jedinični vektori – stupci Aj,
s time da se za toliko koliko ima jediničnih vektora – stupaca Aj u matrici A, smanjuje
broj umjetnih vektora Wi u kanonsko – simpleks formi i bazi početnog rješenja.
Prethodno prikazana tabela predstavlja početno rješenje za standardni problem
minimuma, a iz nje proizlazi (Brajdić, 1998., p. 157):
U bazi se nalazi m vektora stupaca Wi, čija je uloga da zbog tvorbe početnog
rješenja u simpleks tabeli, u bazi budu jedinični vektori.
Mogu se očitati moguća rješenja standardnog problema minimuma, polazeći od
toga da pojedinim vektorima odgovaraju istovrsne varijable i to:
a) Vektorima iz baze odgovaraju
b) Vektorima koji nisu u bazi i
Tada se vrijednost vektora koji se u bazi (bazičnih vektora), odnosno odgovarajućih
varijabli, očitavaju na stupcu – vektora B. u početnom rješenju imamo da su samo
umjetne varijable u bazi pa je
Za nebazične vektore odnosno za odgovarajuće nebazične varijable, imamo da su
njihove vrijednosti nula. U početnom rješenju u bazi nema niti jedne strukturne
35
varijable pa je za strukturne varijable , dok je za dodatne
varijable .
Ukoliko očitane vrijednosti za strukturne, umjetne i dodatne varijable uvrstimo u
funkciju cilja dobijemo proširenu funkciju cilja:
Simpleks algoritam kod standardnog minimuma
U tabeli se nalazi sve potrebno za testiranje je li dobiveno rješenje i optimalno te za
dobivanje novog mogućeg rješenja.
Za standardni problem minimuma simpleks algoritam ima sljedeće korake:
Testira se da li je dobiveno rješenje optimalno; izračunavaju se i .
Ukoliko su svi elementi u retku tada je dobiveno rješenje i
optimalno. Ukoliko je barem jedan od elemenata odnosno ako
dobiveno rješenje nije optimalno, prelazi se na drugi koraka a to je nalaženje
novog mogućeg rješenja.
Traži se nova baza pri čemu je postupak isti kao i kod standardnog problema
maksimuma osim izbora vektor – stupca koji ulazi u bazu koji se bira po drugom
kriteriju i to tako da se traži najveći pozitivni element u retku
36
4. PRIMJER PROBLEMA PREHRANE
Danas se pridaje velika važnost prehrani domaćih životinja. Posebna pozornost se
posvećuje zdravoj prehrani odnosno najboljem odnosu unošenja svih potrebnih
hranjivih elemenata putem namirnica koje životinje svakodnevno konzumiraju.
Pravilna prehrana purana jedan je od glavnih preduvjeta, da ih održimo zdravima,
otpornima i da se pravilno razviju. Pod pravilnom prehranom podrazumijevamo onu
gdje purani dobivaju ne samo dovoljne količine krmnih smjesa, nego da je ta krmna
smjesa zdrava, ukusna, zasitna i gdje sadrži sve potrebne hranjive sastojke (Kaštelan,
1954., p. 129).
4.1. Definiranje problema za ishranu purića
Definiranje problema prvi je korak u toku rješavanja problema modela linearnog
programiranja.
Proizvodnja mesa, uz proizvodnju mlijeka i jaja, treba prvenstveno osigurati kvalitetne
bjelančevine u prehrani ljudi i očuvati njihovo dobro zdravlje. Peradarsku proizvodnju
čini posebnom mogućnost brzog obrta u poslovanju, koja u konačnici čini cjenovno
najprihvatljiviju vrstu mesa. Perad se u svijetu i u nas uzgaja radi mesa koje je lako
probavljivo. Zbog visoke nutritivne vrijednosti, prije svega visokog sadržaja
bjelančevina, a niskog sadržaja masti, meso peradi ubraja se u dijetetske proizvode
(Grgić, 2008., p.81).
Životinjama su za prehranu potrebne određene količine biokemijskih sastojaka:
bjelančevina, masnoća, ugljikohidrata, vitamina itd. Te sastojke dobivaju u različitim
živežnim namirnicama ili u krmnim smjesama. Svaka živežna namirnica i svaka vrsta
krmiva imaju određenu cijenu. Problem što nastaje pri prehrani je u tome kako da
izaberemo ili miješamo živežne namirnice ili krmiva da bismo na najracionalniji način
zadovoljili potrebe za biokemijskim svojstvima.
37
Purići se mogu toviti intenzivno i poluintenzivno. Intenzivan tov purića temelji se na
primjeni potpunih krmnih smjesa. Predmet istraživanja ovog diplomskog rada je odabir
najjeftinije krmne smjese koja zadovoljava sve nutritivne zahtjeve.
Najčešće se purići tove 13 – 16 tjedana, tj. do tjelesne mase 6 – 9 kg. Za kilogram
prirasta obično se utroši oko 3 kg krmne smjese (Senčić, 2001., p.55). U intenzivnom
tovu puriće treba hraniti po volji, potpunim krmnim smjesama. Zbog intenzivnog rasta,
purići imaju osobito velike potrebe za bjelančevinama. S porastom dobi purića,
smanjuju se i potrebe za bjelančevinama.
Normativi za ishranu purića razlikuju se ovisno o starosnoj dobi purića. U Tablici 3 dani
su nutritivni zahtjevi purana u miligramima ili jedinicama po kilogramu hrane.
Tablica 3: Minimalne, dnevno potrebne količine za hranjivim zahtjevi purana u
miligramima ili jedinicama po kilogramu hrane
SMJESA - hranjivi sastojci u
mg ( u jedinici kg)
Dob purića (tjedni starosti)
Starter
(1 – 4)
Grover I.
(5 – 8)
Grover II.
(9 – 12)
Finišer
(13 – 16)
Sirove bjelančevine 26 23 21,5 16
Sirove vlaknine 4,3 4,4 4,5 5
Kalcij 1,3 1,2 1,3 0,9
Fosfor 0,6 0,5 0,6 0,4
Natrij 0,18 0,17 0,17 0,17
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm
(4.6.2013.), http://www.poultryhub.org/nutrition/nutrient-requirements/nutrient-
requirements-of-turkeys/ (4.6.2013.)
Purići se hrane različitim smjesama ovisno o dobi. Kod ishrane purića razlikujemo četiri
osnovne vrste potpunih krmnih smjesa, a to su Starter, Grover I., Grover II. I Finišer.
Prva četiri tjedna tova, hrana treba sadržavati minimalno 26 % sirovih bjelančevina, od
5 – 8 tjedna minimalno 23 %, od 9 – 12 tjedna minimalno 21,5 % i nakon toga od 13 –
16 tjedna minimalno 16 % sirovih bjelančevina. Potrebe za sirovim vlakninama
smanjuju se tokom rasta purića. Razlike u količini natrija su minimalne. Kod ishrane
38
purića potpunim krmnim smjesama može se primijetiti konstanta u zastupljenosti tog
hranjivog sastojka.
U diplomskom radu polazi se od primjera, odabira najpovoljnije krmne smjese različitih
proizvođača kako bi trošak ishrane intenzivnog tova putića bio najjeftiniji, a s druge
strane da bi bili zadovoljeni svi nutritivni zahtjevi, odnosno minimalne, dnevno
potrebne količine hranjivih sastojaka.
4.2. Formulacija modela i utvrđivanje parametara modela
Drugi korak u toku rješavanja problema modela linearnog programiranja jest
formulacija modela. Kako se purići hrane različitim krmnim smjesama ovisno o
njihovom uzrastu tako će u ovom diplomskom radu biti prikazani planovi ishrane purića
prema različitim proizvođačima krmnih smjesa.
U nastavku će se prikazati četiri tablice sastavljene tako da svaka prikazuje hranjive
sastojke ovisno o uzrastu purića, a prema pojedinom proizvođaču. Za svaki hranjivi
sastojak iskazana je cijena za kilogram krmne smjese.
Tablica 4: Hranjivi sastojci, vrste krmne smjesa prema dobi purića i cijena krmne
smjese za proizvođač A
Hranjivi sastojci u mg
(u jedinici kg) - A
Dob purića
Starter Grover I. Grover II. Finišer
Sirove bjelančevine 28 24 20 18
Sirove vlaknine 4,5 4,5 4,5 5
Kalcij 1,2 1,15 1,1 1
Fosfor 0,65 0,6 0,6 0,55
Natrij 0,15 0,15 0,15 0,15
Cijena za 1 kg 5 4,7 4,35 3,94
Izvor: izradila studentica prema: http://www.kusic-promet.hr (4.6.2013.)
39
Tablica 5: Hranjivi sastojci, vrste krmne smjesa prema dobi purića i cijena krmne
smjese za proizvođač B
Hranjivi sastojci u mg
(u jedinici kg) - B
Dob purića
Starter Grover I. Grover II. Finišer
Sirove bjelančevine 28 24 20 18
Sirove vlaknine 5 5 6 6
Kalcij 1,8 1,5 1,2 1
Fosfor 0,8 0,8 0,7 0,5
Natrij 0,18 0,18 0,18 0,18
Cijena za 1 kg 4,83 4,56 4,43 4,04
Izvor: izradila studentica prema: http://www.gaspar.hr (4.6.2013.)
Tablica 6: Hranjivi sastojci, vrste krmne smjesa prema dobi purića i cijena krmne
smjese za proizvođač C
Hranjivi sastojci u mg
(u jedinici kg) - C
Dob purića
Starter Grover I. Grover II. Finišer
Sirove bjelančevine 28 24 20 18
Sirove vlaknine 5 5 6 6
Kalcij 1,7 1,5 1,2 1,2
Fosfor 0,8 0,75 0,7 0,7
Natrij 0,19 0,18 0,15 0,15
Cijena za 1 kg 4,87 4,32 3,83 3,74
Izvor: izradila studentica prema: http://tshkc.hr (4.6.2013.)
Tablica 7: Hranjivi sastojci, vrste krmne smjesa prema dobi purića i cijena krmne
smjese za proizvođač D
Hranjivi sastojci u mg
(u jedinici kg) - D
Dob purića
Starter Grover I. Grover II. Finišer
Sirove bjelančevine 28 24 20 18
Sirove vlaknine 5 5 6 6
Kalcij 1,7 1,6 1,2 1,15
Fosfor 0,8 0,8 0,7 0,7
Natrij 0,19 0,19 0,18 0,18
Cijena za 1 kg 4,98 4,43 4,51 4,3
Izvor: izradila studentica prema: http://www.tisup.mps.hr (4.6.2013.)
40
Tablice nam prikazuju osnovne podatke koji će se koristiti za izračun optimalnog plana
koji će minimizirati troškove. Kada se raspolaže osnovnim podacima moguće je izraditi
tablice za izračun optimalnog plana. Prema tim početnim tablicama izradit će se još
četiri dodatne tablice, ali sada strukturirane prema krmnoj smjesi za svaku od dobnih
skupina purića.
Optimalan plan ishrane purića sadržat će se u tome da se odabere ona krmna smjesa
onog proizvođača koja je najjeftinija, odnosno koja će rezultirati najmanjim troškovima,
a da istovremenu budu zadovoljeni normativni zahtjevi.
Potpuna krmna smjesa za ishranu purića birat će se između četiri proizvođača. Pratit će
se da budu zadovoljeni svi minimalni zahtjevi za nutricionističkim sastojcima ovisno o
cijeni i o dobi purića. Potrebno je izračunati koju količinu pojedine krmne smjese treba
nabaviti.
Primjerima će se potkrijepiti teorija. Za prve dvije smjese: STARTER i GROVER I
prikazat će se standardni oblik minimizacije troškova. Druge dvije smjese: GROVER II
i FINIŠER će problem minimizacije troškova prikazati kroz kanonski oblik.
41
Tablica 8: Hranjivi sastojci, krmne smjesa prema proizvođačima i cijena krmnih smjese
za STARTER SMJESU (1 – 4 tjedna starosti)
Hranjivi sastojci u
mg (u jedinici kg)
Vrste smjesa Min. kol. hranjivog
sastojka u mg ( u
jedinici kg) Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Sirove bjelančevine 28 28 28 28 26
Sirove vlaknine 4,5 5 5 5 4,3
Kalcij 1,2 1,8 1,7 1,7 1,3
Fosfor 0,65 0,8 0,8 0,8 0,6
Natrij 0,15 0,18 0,19 0,19 0,18
Cijena za 1 kg 5 4,83 4,87 4,98
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm (4.6.2013.),
http://www.poultryhub.org/nutrition/nutrient-requirements/nutrient-requirements-of-
turkeys/ (4.6.2013.), http://www.kusic-promet.hr (4.6.2013.), http://tshkc.hr (4.6.2013.),
http://www.tisup.mps.hr (4.6.2013.), http://www.gaspar.hr (4.6.2013.)
Prema Tablici 8 izradit će se standardni oblik modela minimizacije troškova. U modelu
je vidljivo izdvojena funkcija cilja koja prikazuje ukupne minimalne troškove u kunama
po kilogramu hrane, ograničenja za nutritivnim sastojcima su iskazana u miligramima i
na kraju je uvjet nenegativnosti.
Funkcija cilja:
Ograničenja:
Uvjet nenegativnosti:
42
Tablica 9: Hranjivi sastojci, krmne smjesa prema proizvođačima i cijena krmnih smjese
za GROVER I SMJESU (5 – 8 tjedna starosti)
Hranjivi sastojci u mg
(u jedinici kg)
Vrste smjesa Min. kol. hranjivog
sastojka u mg ( u
jedinici kg)
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Sirove bjelančevine 24 24 24 24 23
Sirove vlaknine 4,5 5 5 5 4,4
Kalcij 1,15 1,5 1,5 1,6 1,2
Fosfor 0,6 0,8 0,75 0,8 0,5
Natrij 0,15 0,18 0,18 0,19 0,17
Cijena za 1 kg 4,7 4,56 4,32 4,43
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm (4.6.2013.),
http://www.poultryhub.org/nutrition/nutrient-requirements/nutrient-requirements-of-
turkeys/ (4.6.2013.), http://www.kusic-promet.hr (4.6.2013.), http://tshkc.hr (4.6.2013.),
http://www.tisup.mps.hr (4.6.2013.), http://www.gaspar.hr (4.6.2013.)
Prema podacima iz Tablice 9 koja navodi hranjive sastojke za grover I smjesu izražen je
standardni oblik minimizacije troškova sa pripadajućim ograničenjima i uvjetom
nenegativnosti.
Funkcija cilja:
Ograničenja:
Uvjet nenegativnosti:
43
Tablica 10: Hranjivi sastojci, krmne smjesa prema proizvođačima i cijena krmnih
smjese za GROVER II SMJESU (9 – 12 tjedna starosti)
Hranjivi sastojci u
mg (u jedinici kg)
Vrste smjesa Min. kol. hranjivog
sastojka u mg ( u
jedinici kg)
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Sirove bjelančevine 20 20 20 20 21,5
Sirove vlaknine 4,5 6 6 6 4,5
Kalcij 1,1 1,2 1,2 1,2 1,3
Fosfor 0,6 0,7 0,7 0,7 0,6
Natrij 0,15 0,18 0,15 0,18 0,17
Cijena za 1 kg 4,35 4,43 3,83 4,51
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm
(4.6.2013.), http://www.poultryhub.org/nutrition/nutrient-requirements/nutrient-
requirements-of-turkeys/ (4.6.2013.), http://www.kusic-promet.hr (4.6.2013.),
http://tshkc.hr (4.6.2013.), http://www.tisup.mps.hr (4.6.2013.), http://www.gaspar.hr
(4.6.2013.)
Prema podacima iz Tablice 10 izrađen je kanonski oblik modela minimizacije troškova
sa pripadajućim dopunskim varijablama funkciji cilja, ograničenjima i uvjetom
nenegativnosti.
Funkcija cilja:
Ograničenja:
Uvjet nenegativnosti:
44
Tablica 11: Hranjivi sastojci, krmne smjesa prema proizvođačima i cijena krmnih
smjese za FINIŠER SMJESU (13 – 16 tjedna starosti)
Hranjivi sastojci u
mg (u jedinici kg)
Vrste smjesa Min. kol. hranjivog
sastojka u mg ( u
jedinici kg) Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Sirove bjelančevine 18 18 18 18 16
Sirove vlaknine 5 6 6 6 5
Kalcij 1 1 1,2 1,15 0,9
Fosfor 0,55 0,5 0,7 0,7 0,4
Natrij 0,15 0,18 0,15 0,18 0,17
Cijena za 1 kg 3,94 4,04 3,74 4,3
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm
(4.6.2013.), http://www.poultryhub.org/nutrition/nutrient-requirements/nutrient-
requirements-of-turkeys/ (4.6.2013.), http://www.kusic-promet.hr (4.6.2013.),
http://tshkc.hr (4.6.2013.), http://www.tisup.mps.hr (4.6.2013.), http://www.gaspar.hr
(4.6.2013.)
Za finišer smjesu izrađen je kanonski oblik modela minimizacije troškova.
Funkcija cilja:
Ograničenja:
Uvjet nenegativnosti:
45
4.3. Rješavanje modela i interpretacija problema
Nakon faze formulacije modela i utvrđivanja parametara slijedi rješavanje modela i
interpretacija problema. Za rješavanje problema prehrane za potrebe ovog diplomskog
rada korišten je alat Ms Excel – a pod nazivom Rješavatelj zbog jednostavnosti
primjene i zbog same prirode problema koji se rješava – pojednostavljeni problem
prehrane.
U ovom slučaju, rješavanjem postavljenog problema trebaju se dobiti one količine
pojedine krmne smjese čijom kombinacijom će se zadovoljiti potrebe ishrane purića za
minimalno potrebnim hranjivim sastojcima te da se minimiziraju troškovi potrebne
količine krmne smjese.
46
4.3.1. Rješavanje problema za starter smjesu
U prvom primjeru potrebno je izračunati količinu krmne smjese koja je potrebna za
puriće u dobi od 1 – 4 tjedna starosti, a da budu zadovoljeni normativni zahtjevi.
Tablica 12: Funkcija cilja za starter smjesu
Smjesa A Smjesa B Smjesa C Smjesa D Ukupni
trošak
Količina 0 0 0,94737 0 4,613684211
Cijena 5 4,83 4,87 4,98
Izvor: izradila studentica prema izračunu u Ms Excel-u
Optimalnom kombinacijom smjesa ostvaruje se minimalni trošak u iznosu od 4,61 kn
po kilogramu krmne smjese. Proizvodnja je optimalna ako utrošimo 0,947 kg smjese C.
Tablica 13: Ograničenja za starter smjesu
Izvor: izradila studentica prema izračunu u Ms Excel-u
Količina natrija iskorištena je u cijelosti, dok kod svih ostalih hranjivih sastojaka postoji
prebačaj iznad minimalno zahtijevane količine hranjivih sastojaka. To isto rješenje ovog
problema prikazano je u Izvještaju odgovora u Prilogu 1 i Prilogu 2.
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Utrošeno
Min. kol.
hranjivih
sastojaka
1. Sirove bjelančevine 28 28 28 28 26,52631 26
2. Sirove vlaknine 4,5 5 5 5 4,7368 4,3
3. Kalcij 1,2 1,8 1,7 1,7 1,6105 1,3
4. Fosfor 0,65 0,8 0,8 0,8 0,7578 0,6
5. Natrij 0,15 0,18 0,19 0,19 0,18 0,18
47
4.3.2. Rješenje problema za grover I smjesu
Grover I je smjesa koja se koristi u ishrani purića u dobi od 5 – 8 tjedana starosti.
Potrebno je izračunati količinu i cijenu krmne smjese da budu zadovoljeni normativni
zahtjevi a da troškovi ishrane budu najmanji.
Tablica 14: Funkcija cilja za grover I smjesu
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Ukupni trošak
Količina 0 0 0,95833 0 4,14
Cijena 4,7 4,56 4,32 4,43
Izvor: izradila studentica prema izračunu u Ms Excel-u
Optimalnom kombinacijom smjesa ostvaruje se minimalni trošak u iznosu od 4,14 kn
po kilogramu krmne smjese. Proizvodnja je optimalna ako utrošimo 0,958 kg smjese C.
Tablica 15: Ograničenja za grover I smjesu
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Utrošeno
Min. kol.
hranjivih
sastojaka
1. Sirove bjelančevine 24 24 24 24 23 23
2. Sirove vlaknine 4,5 5 5 5 4,7916 4,4
3. Kalcij 1,15 1,5 1,5 1,6 1,4375 1,2
4. Fosfor 0,6 0,8 0,75 0,8 0,7187 0,5
5. Natrij 0,15 0,18 0,18 0,19 0,1725 0,17
Izvor: izradila studentica prema izračunu u Ms Excel-u
Količina sirovih bjelančevina iskorištena je u cijelosti, dok kod svih ostalih hranjivih
sastojaka postoji prebačaj iznad minimalno zahtijevane količine hranjivih sastojaka. To
isto rješenje ovog problema prikazano je u Izvještaju odgovora u Prilogu 3 i Prilogu 4.
48
4.3.3. Rješenje problema za grover II smjesu
Smjesa koja se koristi u dobi od 9 – 12 tjedana je grover II. Potrebno je izračunati
količinu i cijenu krmne smjese da budu zadovoljeni normativni zahtjevi a da troškovi
ishrane budu najmanji.
Tablica 16: Funkcija cilja za grover II smjesu
Smjesa A Smjesa B Smjesa C Smjesa D Ukupni trošak
Količina 0 0,25 0,8333333 0 4,299166667
Cijena 4,35 4,43 3,83 4,51
Izvor: izradila studentica prema izračunu u Ms Excel-u
Optimalnom kombinacijom smjesa ostvaruje se minimalni trošak u iznosu od 4,29 kn
po kilogramu krmne smjese. Proizvodnja je optimalna ako utrošimo 0,25 kg smjese B i
0,83 kg smjese C.
Tablica 17: Ograničenja za grover II smjesu
Izvor: izradila studentica prema izračunu u Ms Excel-u
Količina kalcija i natrija iskorištena je u cijelosti, dok kod ostalih hranjivih sastojaka
postoji prebačaj iznad minimalno zahtijevane količine hranjivih sastojaka. To isto
rješenje ovog problema prikazano je u Izvještaju odgovora u Prilogu 5 i Prilogu 6.
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Utrošeno
Min. kol.
hranjivih
sastojaka
1. Sirove bjelančevine 20 20 20 20 21,6667 21,5
2. Sirove vlaknine 4,5 6 6 6 6,5 4,5
3. Kalcij 1,1 1,2 1,2 1,2 1,3 1,3
4. Fosfor 0,6 0,7 0,7 0,7 0,7583 0,6
5. Natrij 0,15 0,18 0,15 0,18 0,17 0,17
49
4.3.4. Rješenje problema za finišer smjesu
Finišer smjesa je ona koja se koristi u ishrani purića u dobi od 13 – 16 tjedana starosti.
Potrebno je izračunati količinu i cijenu krmne smjese da budu zadovoljeni normativni
zahtjevi a da troškovi ishrane budu najmanji.
Tablica 18: Funkcija cilja za finišer smjesu
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Ukupni trošak
Količina 0 0,94444 0 0 3,815555556
Cijena 3,94 4,04 3,74 4,3
Izvor: izradila studentica prema izračunu u Ms Excel-u
Optimalnom kombinacijom smjesa ostvaruje se minimalni trošak u iznosu od 3,81 kn
po kilogramu krmne smjese. Proizvodnja je optimalna ako utrošimo 0,94 kg smjese B.
Tablica 19: Ograničenja za finišer smjesu
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Utrošeno
Min. kol.
hranjivih
sastojaka
1. Sirove bjelančevine 18 18 18 18 17 16
2. Sirove vlaknine 5 6 6 6 5,6667 5
3. Kalcij 1 1 1,2 1,15 0,9444 0,9
4. Fosfor 0,55 0,5 0,7 0,7 0,47222 0,4
5. Natrij 0,15 0,18 0,15 0,18 0,17 0,17
Izvor: izradila studentica prema izračunu u Ms Excel-u
Količina natrija iskorištena je u cijelosti, dok kod svih ostalih hranjivih sastojaka postoji
prebačaj iznad minimalno zahtijevane količine hranjivih sastojaka. To isto rješenje ovog
problema prikazano je u Izvještaju odgovora u Prilogu 7 i Prilogu 8.
50
5. ANALIZA OSJETLJIVOSTI I PROMJENE U HRANIDBI PURANA
Veliko značenje u problemu rješavanja linearnog programiranja imaju analize koje se
nadovezuju na optimalno rješenje. Posebno se to odnosi na analizu osjetljivosti i
parametarsko programiranje.
Kod korištenja modela linearnog programiranja donositelj odluka često želi znati što se
događa s optimalnim rješenjem ako se izvrše promjene nekih ulaznih parametara.
Naime, ulazni parametri su podložni promjenama. Postupak kojim se određuje
osjetljivost dobivenog rješenja na promjenu nekih ulaznih parametara modela naziva se
analiza osjetljivosti ili postoptimalna analiza (Babić, 2005., p. 201). Kod parametarskog
programiranja postepeno se mijenjaju određeni početni podaci, pri čemu se promatraju
i učinci na rješenje.
Najčešća pitanja koja se postavljaju su:
Kako promjena jediničnog prihoda (koeficijenta iz funkcije cilja cj) pojedinog
proizvoda utječe na promjenu optimalnog rješenja, odnosno koliko treba
promijeniti neki koeficijent u funkciji cilja da bi i to dovelo do promjene
optimalnog rješenja?
Pitanje se može postaviti i: koliko se može promijeniti neki koeficijent iz
funkcije cilja, a da to ne utječe na promjenu optimalnog rješenja?
Što će se dogoditi ako se promijene raspoložive količine (bi) pojedinog resursa
proizvodnje (kapacitet proizvoda, količine sirovina, minimalni zahtjevi za nekim
hranjivim sastojkom)? Kako promjena desne strane ograničenja utječe na
dobiveno optimalno rješenje?
Što se događa ako se uvede neka nova aktivnost, odnosno da li je isplativo uvesti
novi proizvod?
Što se događa ako se promijeni neki normativ?
Poslije pronalaženja optimalnog rješenja problema linearnog programiranja i prije nego
se pristupi realizaciji, vrši se postoptimalna raščlamba problema. Često može doći do
raznih promjena u matematičkom modelu ili neki od podataka nije bio točan pa je
jednostavnije izvršiti postoptimalnu raščlambu nego ponovno rješavati problem.
51
Cilj raščlambe osjetljivosti je proučavanje što se događa sa rješenjem nekog problema
ako se mijenjaju određeni parametri samog problema. Općenito se pretpostavlja da su te
varijacije male, točnije očitovanje tehničkih i statističkih podataka i ne mogu proizvesti
neke dramatične efekte pa se navedenom analizom nastoji odrediti interval tih varijacija
koje neće značajnije utjecati na promjenu rješenja problema (Brajdić, 2000., p. 67).
Kod parametarskog programiranja ide se korak dalje u odnosu na analizu osjetljivosti.
Ne pita se samo koliko je moguće promijeniti pojedine početne koeficijente nego ih se i
mijenja. Promjene se mogu odnositi na elemente desne strane (primarne vrijednosti), na
koeficijente funkcije cilja (dualne vrijednosti) ili pak na preostale koeficijente.
Istovremeno je moguće promijeniti više koeficijenata, što znači da se promjena izvrši u
čvrsto zadanom odnosu (Barković, 2002., p. 88).
Analizom osjetljivosti razmatra se osjetljivost rješenja:
1. Ulazne parametre: koeficijente u funkciji cilja i vektore slobodnih članova –
dobivamo odgovor o tome koliko se svaki od tih parametara pri nepromijenjenoj
vrijednosti ostalih parametara može mijenjati, a da to ne utječe na strukturu
optimalnog rješenja
2. Reducirani trošak ili opurtunitetni trošak – minimalna vrijednost od koje treba
biti veći koeficijent u funkciji cilja kako varijabla ne bi bila jednaka nuli u
optimalnom rješenju.
3. Dualna cijena ili cijena u sjeni – mjeri se utjecaj promjene za jednu jedinicu
desne strane pojedinog ograničenja na promjenu vrijednosti u funkciji cilja.
52
5.1. Analiza osjetljivosti za starter smjesu
Analiza osjetljivosti za starter smjesu prikazana je u nastavku kao preslika iz Ms Excel
programa.
Microsoft Excel 12.0 Izvještaj o osjetljivosti
Radni list: [starter (1-4 tjedana starosti).xls]List1
Izvještaj napravljen: 5.6.2013. 21:29:11
Prilagodljive ćelije
Završna Reducirano Cilj Dopustivo Dopustivo
Ćelija Naziv Vrijednost Trošak Koeficijent Povećanje Smanjenje
$B$13 Količina Smjesa A 0 1,1552632 5 1E+30 1,1552632
$C$13 Količina Smjesa B 0 0,2163158 4,83 1E+30 0,2163158
$D$13 Količina Smjesa C 0,9473684 0 4,87 0,11 4,87
$E$13 Količina Smjesa D 0 0,11 4,98 1E+30 0,11
Ograničenja
Završna Sjena Ograničenje Dopustivo Dopustivo
Ćelija Naziv Vrijednost Cijena R.H. Strana Povećanje Smanjenje
$F$18 1. Sirove bjelančevine utrošeno 26,526316 0 26 0,5263158 1E+30
$F$19 2. Sirove vlaknine utrošeno 4,7368421 0 4,3 0,4368421 1E+30
$F$20 3. Kalcij utrošeno 1,6105263 0 1,3 0,3105263 1E+30
$F$21 4. Fosfor utrošeno 0,7578947 0 0,6 0,1578947 1E+30
$F$22 5. Natrij utrošeno 0,18 25,631579 0,18 1E+30 0,0035714
Raspon unutar kojeg može varirati trošak po jedinici smjese A (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
3,84 kn do neograničeno velike vrijednosti.
Raspon unutar kojeg može varirati trošak po jedinici smjese B (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
4,61 kn do neograničeno velike vrijednosti.
Raspon unutar kojeg može varirati trošak po jedinici smjese C (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od 0
kn do 4,98 kn.
53
Raspon unutar kojeg može varirati trošak po jedinici smjese D (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
4,87 kn do neograničeno velike vrijednosti.
Dualna vrijednost zahtjeva ograničenja sirovih bjelančevina je 0 što znači da se s
povećanjem udjela sirovih bjelančevina ne može utjecati na ukupne troškove ishrane
purića, ako se ostala ograničenja ne mijenjaju.
Dualna vrijednost zahtjeva ograničenja sirovih vlaknina, kalcija i fosfora je 0 što znači
da se s povećanjem udjela sirovih vlaknina, kalcija ili fosfora ne može utjecati na
ukupne troškove ishrane purića, uz uvjet da se ostala ograničenja ne mijenjaju.
Dualna vrijednost zahtjeva ograničenja natrija je 25,63 što znači da dodatnih 0,01 mg
povećanog zahtjeva za natrijem u udjelu krmne smjese povećava troškove ishrane
purića za 0,25 kn uz uvjet da ostala ograničenja ostanu nepromijenjena.
Ukoliko bi se koristila smjesa A ukupni trošak po kilogramu hrane porastao bi za 1,56
kn, za smjesu B 0,22 kn odnosno za smjesu D 0,11 kn.
5.2. Analiza osjetljivosti za grover I smjesu
Analiza osjetljivosti za grover I smjesu prikazana je kao preslika iz Ms Excel programa.
Microsoft Excel 12.0 Izvještaj o osjetljivosti
Radni list: [Knjiga1]List1
Izvještaj napravljen: 5.6.2013. 22:00:12
Prilagodljive ćelije
Završna Reducirano Cilj Dopustivo Dopustivo
Ćelija Naziv Vrijednost Trošak Koeficijent Povećanje Smanjenje
$B$18 Količina Smjesa A 0 0,38 4,7 1E+30 0,38
$C$18 Količina Smjesa B 0 0,24 4,56 1E+30 0,24
$D$18 Količina Smjesa C 0,9583333 0 4,32 0,11 4,32
$E$18 Količina Smjesa D 0 0,11 4,43 1E+30 0,11
54
Ograničenja
Završna Sjena Ograničenje Dopustivo Dopustivo
Ćelija Naziv Vrijednost Cijena R.H. Strana Povećanje Smanjenje
$F$23 1. Sirove bjelančevine utrošeno 23 0,18 23 1E+30 0,3333333
$F$24 2. Sirove vlaknine utrošeno 4,7916667 0 4,4 0,3916667 1E+30
$F$25 3. Kalcij utrošeno 1,4375 0 1,2 0,2375 1E+30
$F$26 4. Fosfor utrošeno 0,71875 0 0,5 0,21875 1E+30
$F$27 5. Natrij utrošeno 0,1725 0 0,17 0,0025 1E+30
Raspon unutar kojeg može varirati trošak po jedinici smjese A (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
4,32 kn do neograničeno velike vrijednosti.
Raspon unutar kojeg može varirati trošak po jedinici smjese B (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
4,32 kn do neograničeno velike vrijednosti.
Raspon unutar kojeg može varirati trošak po jedinici smjese C (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od 0
kn do 4,43 kn.
Raspon unutar kojeg može varirati trošak po jedinici smjese D (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
4,32 kn do neograničeno velike vrijednosti.
Dualna vrijednost zahtjeva ograničenja sirovih bjelančevina je 0,18 što znači da se s
povećanjem udjela sirovih bjelančevina za 1 mg ukupni troškovi ishrane purića
povećavaju za 0,18 kn, uz uvjet da ostala ograničenja ostanu ista.
Dualna vrijednost zahtjeva ograničenja sirovih vlaknina, kalcija, fosfora i natrija je 0
što znači da se s povećanjem udjela sirovih vlaknina, kalcija, fosfora ili natrija ne može
utjecati na ukupne troškove ishrane purića, uz uvjet da se ostala ograničenja ne
mijenjaju.
Kada bi se koristila smjesa A ukupni trošak po kilogramu hrane porastao bi za 0,38 kn,
za smjesu B 0,24 kn odnosno za smjesu D 0,11 kn.
55
5.3. Analiza osjetljivosti za grover II smjesu
Analiza osjetljivosti za grover II smjesu prikazana je kao preslika iz Ms Excel
programa.
Microsoft Excel 12.0 Izvještaj o osjetljivosti
Radni list: [grover II (9 - 12 tjedana starosti).xls]List1
Izvještaj napravljen: 5.6.2013. 21:49:17
Prilagodljive ćelije
Završna Reducirano Cilj Dopustivo Dopustivo
Ćelija Naziv Vrijednost Trošak Koeficijent Povećanje Smanjenje
$B$18 Količina Smjesa A 0 0,5891667 4,35 1E+30 0,5891667
$C$18 Količina Smjesa B 0,25 0 4,43 0,08 0,6
$D$18 Količina Smjesa C 0,8333333 0 3,83 0,6 0,1383333
$E$18 Količina Smjesa D 0 0,08 4,51 1E+30 0,08
Ograničenja
Završna Sjena Ograničenje Dopustivo Dopustivo
Ćelija Naziv Vrijednost Cijena R.H. Strana Povećanje Smanjenje
$F$23 1. Sirove bjelančevine utrošeno 21,666667 0 21,5 0,1666667 1E+30
$F$24 2. Sirove vlaknine utrošeno 6,5 0 4,5 2 1E+30
$F$25 3. Kalcij utrošeno 1,3 0,6916667 1,3 0,06 0,01
$F$26 4. Fosfor utrošeno 0,7583333 0 0,6 0,1583333 1E+30
$F$27 5. Natrij utrošeno 0,17 20 0,17 0,025 0,0075
Raspon unutar kojeg može varirati trošak po jedinici smjese A (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
3,76 kn do neograničeno velike vrijednosti.
Raspon unutar kojeg može varirati trošak po jedinici smjese B (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
3,83 kn do 4,51 kn.
Raspon unutar kojeg može varirati trošak po jedinici smjese C (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
3,69 kn do 4,43 kn.
56
Raspon unutar kojeg može varirati trošak po jedinici smjese D (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
4,43 kn do neograničeno velike vrijednosti.
Dualna vrijednost zahtjeva ograničenja sirovih bjelančevina i sirovih vlaknina je 0 što
znači da se s povećanjem udjela sirovih bjelančevina ili sirovih vlaknina ne može
utjecati na ukupne troškove ishrane purića, ako se ostala ograničenja ne mijenjaju.
Dualna vrijednost zahtjeva ograničenja kalcija je 0,69 što znači da dodatnih 1 mg kalcija
u udjelu krmne smjese povećava troškove ishrane purića za 0,69 kn uz uvjet da ostala
ograničenja ostanu nepromijenjena.
Dualna vrijednost zahtjeva ograničenja fosfora je 0 što znači da se s povećanjem udjela
fosfora ne može utjecati na ukupne troškove ishrane purića, ako se ostala ograničenja
ne mijenjaju.
Dualna vrijednost ograničenja natrija je 20 što znači da dodatnih 0,01 mg natrija u
zahtijevanom udjelu krmne smjese povećava troškove ishrane purića za 0,20 kn uz uvjet
da ostala ograničenja ostanu nepromijenjena.
Kada bi se koristila smjesa A ukupni trošak po kilogramu hrane porastao bi za 0,59 kn,
a za smjesu D 0,08 kn.
57
5.4. Analiza osjetljivosti za finišer smjesu
Analiza osjetljivosti za finišer smjesu prikazana je kao kopija slike iz Ms Excel
programa.
Microsoft Excel 12.0 Izvještaj o osjetljivosti
Radni list: [Knjiga1]List1
Izvještaj napravljen: 5.6.2013. 22:10:43
Prilagodljive ćelije
Završna Reducirano Cilj Dopustivo Dopustivo
Ćelija Naziv Vrijednost Trošak Koeficijent Povećanje Smanjenje
$B$18 Količina Smjesa A 0 0,5733333 3,94 1E+30 0,5733333
$C$18 Količina Smjesa B 0,9444444 0 4,04 0,26 4,04
$D$18 Količina Smjesa C 0 0,3733333 3,74 1E+30 0,3733333
$E$18 Količina Smjesa D 0 0,26 4,3 1E+30 0,26
Ograničenja
Završna Sjena Ograničenje Dopustivo Dopustivo
Ćelija Naziv Vrijednost Cijena R.H. Strana Povećanje Smanjenje
$F$23 1. Sirove bjelančevine utrošeno 17 0 16 1 1E+30
$F$24 2. Sirove vlaknine utrošeno 5,6666667 0 5 0,6666667 1E+30
$F$25 3. Kalcij utrošeno 0,9444444 0 0,9 0,0444444 1E+30
$F$26 4. Fosfor utrošeno 0,4722222 0 0,4 0,0722222 1E+30
$F$27 5. Natrij utrošeno 0,17 22,444444 0,17 1E+30 0,008
Raspon unutar kojeg može varirati trošak po jedinici smjese A (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
3,36 kn do neograničeno velike vrijednosti.
Raspon unutar kojeg može varirati trošak po jedinici smjese B (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od 0
kn do 4,3 kn.
Raspon unutar kojeg može varirati trošak po jedinici smjese C (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
3,35 kn neograničeno velike vrijednosti.
58
Raspon unutar kojeg može varirati trošak po jedinici smjese D (pod pretpostavkom da
se ostalo ne mijenja) tako da optimalne količine smjesa ostanu identične kreće se od
4,04 kn do neograničeno velike vrijednosti.
Dualna vrijednost ograničenja sirove bjelančevine, sirovih vlaknina, kalcija i fosfora je
0 što znači da se s povećanjem udjela sirovih bjelančevina, sirovih vlaknina, kalcija ili
fosfora ne može utjecati na ukupne troškove ishrane purića, ako se ostala ograničenja
ne mijenjaju.
Dualna vrijednost ograničenja natrij je 22,44 što znači da dodatnih 0,01 mg natrija u
zahtijevanom udjelu krmne smjese povećava troškove ishrane purića za 22,44 kn uz
uvjet da ostala ograničenja ostanu nepromijenjena.
Ukoliko bi se koristila smjesa A ukupni trošak po kilogramu hrane porastao bi za 0,57
kn, za smjesu C 0,37 kn a za smjesu D 0,08 kn.
59
5.5. Promjene u hranidbi i držanju purana u 21. stoljeću
Hranidba i držanje purana će u 21. Stoljeću ovisiti o četiri glavna čimbenika (Zdolec,
2006., p. 60):
zaštiti okoliša i dobrobiti peradi
konkurentnosti u udjelu bjelančevina i energije u krmnim smjesama
modeliranju hranidbenih potreba za povećane zahtjeve porasta purana i o
globalnoj konkurentnosti.
U rezultatima dobivenim iz istraživanjima spomenutog autora vidljivo je da krmne
smjese za hranidbu tovnih purana sadrže prekomjerne količine kalcija i fosfora što
rezultira tri do četiri puta većim izlučivanjem fosfora putem izmeta u odnosu na onu
količinu koju u svom izmetu izbace bojleri i kokoši nesilice. Trenutno se u krmne
smjese ugrađuju različiti dodaci koji sadrže enzim fitazu, no ukoliko se ne smanji udio
fosfora u krmnim smjesama neće doći ni do njegovog značajnijeg smanjenja izlučivanja
u okoliš. Korištenjem sintetskih aminokiselina i dodavanjem pripravaka za vezanje
amonijaka može se ublažiti stvaranje amonijaka, njegovo isparavanje i otpuštanje u
atmosferu iz objekata u kojem se tove purani.
Povećani prirast tjelesnih masa purana u svakom dijelu njihove dobi dovest će do
promjena u sastavljanju krmnih smjesa. Današnji prirast tjelesne mase kod purana u
prosjeku iznosi jedan kilogram tjedno što rezultira s prodajnom težinom od 18 – 20
kilograma. Kod purica je prosječni tjedni prirast oko 0,6 kilograma, odnosno postižu
prodaju težinu od 6,5 do 7,5 kilograma. Stalno povećanje prirasta kod purana
podrazumijeva da će oni konzumirati i veće količine hrane, odnosno doći će do
povećanja njihovih potreba za bjelančevinama i energijom. U prilog stalnim
promjenama u prirastima purana govori i činjenica da purani koji se u prva tri tjedna
hrane groverom, a ne starterom kao do sada mogu postići istu težinu četiri dana ranije
od hibridnih purana uzgojenih 2004. godine.
Neki od problema koji su vezani uz povećani prirast su mortalitet uzrokovan srčanim
udarom i smanjenjem kvalitete prsnih mišića. Prema sporazumima sa Svjetskom
trgovačkom organizacijom promjene u obujmu proizvodnje pojedinih poljoprivrednih
60
proizvoda je moguće očekivati u mnogim zemljama. Multinacionalne kompanije koje
sudjeluju u proizvodnji puretine proizvodnju organiziraju u zemljama s nižim
troškovima transporta, ljudskog rada i energije. Sadašnji i novi propisi za očuvanje
okoliša i dobrobit peradi koji su usvojeni u većini zemalja utjecati će na profitabilnost
proizvodnje puretine. Cijena energije će u budućnosti također biti jedan od čimbenika
koji će neke proizvođače dovesti do samog dna profitabilnosti, dok će neki biti prisiljeni
i na gašenje proizvodnje. Razlog je u tome što je moderna peradarska proizvodnja,
posebno u krajevima s povišenim dnevnim temperaturama, povezana s korištenjem
ventilacije i sustava za hlađenje.
Uz pojavu „ptičje gripe“ i djelovanje multinacionalnih kompanija, na proizvodnju
purana u 21. stoljeću će utjecati i količina te cijena stočne hrane, odnosno već se sada
postavlja pitanje hoće li je biti dovoljno da bi se planirana proizvodnja mogla i provesti.
61
6. ZAKLJUČAK
Prehrana je značajan čimbenik okoline čiji se utjecaj na zdravlje očituje tijekom čitavog
života kako ljudi tako i domaćih životinja. Hrana osigurava energiju potrebnu za rast,
tjelesnu aktivnost i ostale tjelesne funkcije. U prehrani mogu koristiti sve vrste
zdravstveno ispitanih namirnica. Pritom je važno koliko se dotična vrsta namirnica
dopunjuje ili kombinira s ostalom hranom da bi se zadovoljile energetske potrebe i
potrebe za hranjivim tvarima određene osobe.
U diplomskom radu želi se na pojednostavljenom i imaginarnom primjeru prikazati
kako se uz pomoć korištenja linearnog programiranja može uvelike olakšati vođenje
odnosno nadzor, kontrola i planiranje troškova prehrane neke farme.
Linearno programiranje jedna je od najvažnijih metoda optimizacije u okviru
operativnih istraživanja. U poslovnoj ekonomiji najviše se koriste metode linearne
optimizacije koje omogućuju nalaženje najpovoljnijih rješenja problema u kojima se
nalaze: funkcija cilja (npr. dobit) i utrošci resursa (npr. materijala ili vremena) koji su
linearno proporcionalni vrijednostima nezavisnih varijabli (npr. broju proizvedenih
proizvoda).
Takvi problemi se mogu najčešće predstaviti kao problemi linearnog programiranja i
mogu se rješavati metodama linearnog programiranja. Svaki problem linearnog
programiranja mora ispunjavati određene uvjete: jasno definirani cilj koji se želi postići,
postojanje ograničavajućih resursa, postojanje više mogućih rješenja i mogućnost
izražavanja međuovisnosti varijabli linearnom vezom.
Problemi modela proizvodnje, ishrane, transporta i ostali problemi linearnog
programiranja mogu se zajednički opisati kao matematički zadaci na sljedeći način:
nenegativne vrijednosti danog skupa treba odrediti na takav način da zadovoljavaju
sustav uvjeta (linearne jednadžbe ili nejednadžbe) s time da zadana linearna funkcija tih
varijabli poprimi ili maksimalnu ili minimalnu vrijednost odnosno optimalnu vrijednost.
62
S obzirom na to da li kao uvjeti dolaze samo jednakosti, samo nejednakosti istog znaka
ili dolaze nejednakosti različitih znakova i jednakosti razlikuju se tri tipa problema:
standardni problem (u kojem dolaze samo nejednakosti istog znaka), kanonski problem
(u kojem dolaze samo jednakosti) i opći problem (u kojem dolaze uvjeti različitih
znakova.
Svaki problem linearnog programiranja se može prikazati u tri navedene forme.
Isticanje raznih formi ima opravdanje u tome što se za neke analize jedna forma može
djelotvornije koristiti od druge.
Postoje dvije osnovne metode za rješavanje problema linearnog programiranja. Model
linearnog programiranja koji ima najviše dvije varijable može se rješavati grafičkom
metodom. Ova metoda se sastoji od grafičkog prikaza cijelog modela, odnosno uvjeta i
funkcije cilja u dvodimenzionalnom kvadratnom sustavu. Uvjetne jednadžbe su
predstavljene pravcima, a uvjetne nejednadžbe poluravninama.
Druga metoda rješavanja problema linearnog programiranja je simpleks metoda.
Simpleks metoda je procedura po kojoj se konstruira neko inicijalno moguće rješenje.
Kada se dobije to rješenje, primjeni se test, da se odredi da li je to rješenje optimalno.
Ako dobiveno rješenje nije optimalno, simpleks metoda daje uputstvo kako se dolazi do
boljeg rješenja. U konačnom broju koraka dolazi se do optimalnog rješenja, ako to
rješenje postoji ili se doznaje da je maksimum, odnosno minimum infinitivan i da
problem nema optimalnog rješenja.
Životinjama su za prehranu potrebne određene količine biokemijskih sastojaka:
bjelančevina, masnoća, ugljikohidrata, vitamina itd. Te sastojke dobivaju u različitim
živežnim namirnicama ili u krmnim smjesama. Svaka živežna namirnica i svaka vrsta
krmiva imaju određenu cijenu. Problem jest u tome kako izabrati ili miješati živežne
namirnice ili krmiva da bismo na najracionalniji način zadovoljili potrebe za
biokemijskim svojstvima.
Kao u svakom problemu linearnog programiranja tako i u problemu prehrane možemo
pristupiti na dva načina: ili kao primarnim ili kao njima odgovarajućim dualnim
linearnim programima što ovisi o izboru funkcije cilja.
63
Problem prehrane je prvi puta postavio Stigler, 1945. godine, a riješen je primjenom
simpleks metode 1947. godine. Problem je obuhvaćao 77 namirnica i 9 hranjivih
elemenata.
U diplomskom radu postavljen je, riješen i na odgovarajući način interpretiran
pojednostavljeni problem prehrane. Polazi se od sastavljanja odgovarajuće kombinacije
krmne smjese koja treba zadovoljiti potrebe za hranjivim sastojcima za ishranu purana.
U diplomskom radu je dobivena optimalna kombinacija krmnih smjesa za svaku vrstu
krmne smjese ovisno o uzrastu purana. Namjera je bila na pojednostavljenim
primjerima pokazati kako je moguće matematičkim programiranjem odrediti optimalnu
krmnu smjesu prema uzrastu purana u cilju minimizacije ukupnih troškova prehrane
farme purana.
64
POPIS LITERATURE
A. KNJIGE
1) Andrijić, S.: Matematički modeli i metode programiranja u gospodarskom
društvu, 3. Izdanje, Synopsis, Zagreb – Sarajevo, 2002.
2) Babić, Z.: Linearno programiranja, Ekonomski fakultet Sveučilišta u Splitu,
Split 2005.
3) Barković, D.: Operacijska istraživanja, 2. Izdanje, Sveučilište J. J. Strossmayera,
Ekonomski fakultet, Osijek, 2001.
4) Brajdić, I.: Modeli odlučivanja, Hotelijerski fakultet Opatija, Opatija, 1998.
5) Brajdić, I.: Operacijska istraživanja u ekonomiji i osnove teorije linearnog
programiranja, Safita d.o.o., Opatija, 2000.
6) Car, M.: Uvod u operativno istraživanje, Centar ekonomskih znanosti
Sveučilišta u Rijeci, OOUR Ekonomskog fakulteta u Rijeci, Studij za
organizaciju, Rijeka, 1976.
7) Filić, M.: Što je linearno programiranje, Zavod za unapređivanje osnovnog
obrazovanja Socijalističke RH, Zagreb 1970.
8) Martić, LJ.: Teorija linearnog programiranja, Ekonomski institut narodne RH,
Zagreb 1963.
9) Senčić, Đ. i dr.: Proizvodnja mesa, Sveučilište J. J. Strossmayera, Ekonomski
fakultet, Osijek, 2010.
10) Vadnal, A.: Linearno programiranje; Teorija i upotreba u privresi, Informator,
izdavačka kuća, Zagreb, 1972.
B. ČASOPISI
11) Grgić, Z. i dr.: Perspektive hrvatske peradarske industrije, Agronomski glasnik,
Vol. 70, 2008.
12) Kaštelan, D.: Krmne smjese i njihova upotreba, Mljekarstvo, Hrvatska
mljekarska udruga, Zagreb, Vol. 4, broj 6, lipanj 1954.
13) Neralić, L.: O linearnom programiranju I, Matematičko fizički list, Hrvatsko
matematičko društvo i hrvatsko fizikalno društvo, Zagreb, god. 51, broj 203,
2000 – 2001.
65
14) Neralić, L.: O linearnom programiranju I, Matematičko fizički list, Hrvatsko
matematičko društvo i hrvatsko fizikalno društvo, Zagreb, god. 51, broj 204,
2000 – 2001.
C. Internet
15) http://www.afn.org/~poultry/flkman9.htm (4.6.2013.)
16) http://www.poultryhub.org/nutrition/nutrient-requirements/nutrient-
requirements-of-turkeys/ (4.6.2013.)
17) http://www.kusic-promet.hr (4.6.2013.)
18) http://tshkc.hr (4.6.2013.)
19) http://www.tisup.mps.hr (4.6.2013.)
20) http://www.gaspar.hr (4.6.2013.)
D. OSTALO
21) Čerić, V.: Linearno programiranje, Ekonomski fakultet Zagreb, Zagreb, 2007.
66
POPIS TABLICA
Broj
tablice Naslov tablice
Broj
stranice
1. Nutriciona matrica 30
2. Početna simpleks tablica za standardni problem minimuma u sažetoj
formi 33
3. Minimalne, dnevno potrebne količine za hranjivim zahtjevi purana u
miligramima ili jedinicama po kilogramu hrane 37
4. Hranjivi sastojci, vrste krmne smjesa prema dobi purića i cijena krmne
smjese za proizvođač A 38
5. Hranjivi sastojci, vrste krmne smjesa prema dobi purića i cijena krmne
smjese za proizvođač B 39
6. Hranjivi sastojci, vrste krmne smjesa prema dobi purića i cijena krmne
smjese za proizvođač C 39
7. Hranjivi sastojci, vrste krmne smjesa prema dobi purića i cijena krmne
smjese za proizvođač D 39
8. Hranjivi sastojci, krmne smjesa prema proizvođačima i cijena krmnih
smjese za STARTER SMJESU (1 – 4 tjedna starosti) 41
9. Hranjivi sastojci, krmne smjesa prema proizvođačima i cijena krmnih
smjese za GROVER I SMJESU (5 – 8 tjedna starosti) 42
10. Hranjivi sastojci, krmne smjesa prema proizvođačima i cijena krmnih
smjese za GROVER II SMJESU (9 – 12 tjedna starosti) 43
11. Hranjivi sastojci, krmne smjesa prema proizvođačima i cijena krmnih
smjese za FINIŠER SMJESU (13 – 16 tjedna starosti) 44
12. Funkcija cilja za starter smjesu 46
13. Ograničenja za starter smjesu 46
14. Funkcija cilja za grover I smjesu 47
15. Ograničenja za grover I smjesu 47
16. Funkcija cilja za grover II smjesu 48
17. Ograničenja za grover II smjesu 48
18. Funkcija cilja za finišer smjesu 49
19. Ograničenja za finišer smjesu 49
67
POPIS PRILOGA
Broj priloga Naslov priloga Broj
stranice
1. Podaci za starter smjesu i definiran model u Ms Excel
programu 68
2. Izvještaj odgovora za starter smjesu u Ms Excel programu 69
3. Podaci za grover I smjesu i definiran model u Ms Excel
programu 70
4. Izvještaj odgovora za grover I smjesu u Ms Excel programu 71
5. Podaci za grover II smjesu i definiran model u Ms Excel
programu 72
6. Izvještaj odgovora za grover II smjesu u Ms Excel programu 73
7. Podaci za finišer smjesu i definiran model u Ms Excel
programu 74
8. Izvještaj odgovora za finišer smjesu u Ms Excel programu 75
68
Prilog 1: Podaci za starter smjesu i definiran model u Ms Excel programu
STARTER SMJESA (1 - 4 tjedna
starosti)
Hranjivi sastojci
u mg (u jedinici
kg)
Vrste smjesa Min. kol.
hranjivog
sastojka u
mg
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Sirove
bjelančevine 28 28 28 28 26
Sirove vlaknine 4,5 5 5 5 4,3
Kalcij 1,2 1,8 1,7 1,7 1,3
Fosfor 0,65 0,8 0,8 0,8 0,6
Natrij 0,15 0,18 0,19 0,19 0,18
Cijena za 1 kg 5 4,83 4,87 4,98
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm
(4.6.2013.), http://www.poultryhub.org/nutrition/nutrient-
requirements/nutrient-requirements-of-turkeys/ (4.6.2013.), http://www.kusic-
promet.hr (4.6.2013.), http://tshkc.hr (4.6.2013.), http://www.tisup.mps.hr (4.6.2013.), http://www.gaspar.hr (4.6.2013.)
Funkcija cilja:
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Ukupni
trošak
Količina 0 0 0,9473 0 4,61368
Cijena 5 4,83 4,87 4,98
Ograničenja:
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Utrošeno
Min. kol. hranjivih
sastojaka
1. Sirove
bjelančevine 28 28 28 28 26,5263 26
2. Sirove
vlaknine 4,5 5 5 5 4,7368 4,3
3. Kalcij 1,2 1,8 1,7 1,7 1,6105 1,3
4. Fosfor 0,65 0,8 0,8 0,8 0,7578 0,6
5. Natrij 0,15 0,18 0,19 0,19 0,18 0,18
Izvor: obradio autor
69
Prilog 2: Izvještaj odgovora za starter smjesu u Ms Excel programu
Microsoft Excel 12.0 Izvještaj odgovora
Radni list: [starter (1-4 tjedana starosti).xls]List1
Izvještaj napravljen: 5.6.2013. 21:29:11
Ciljna ćelija (Minimum)
Naziv
Izvorna
vrijednost
Završna
vrijednost
Količina Ukupni trošak 19,68 4,613684
Prilagodljive ćelije
Naziv Izvorna
vrijednost
Završna
vrijednost
Količina Smjesa A 1 0
Količina Smjesa B 1 0
Količina Smjesa C 1 0,94736
Količina Smjesa D 1 0
Ograničenja
Naziv Vrijednost
ćelije Formula Stanje Stog
1. Sirove bjelančevine
utrošeno 26,52631 $F$18>=$G$18 Nepovezivanje 0,52631
2. Sirove vlaknine utrošeno 4,736842 $F$19>=$G$19 Nepovezivanje 0,43684
3. Kalcij utrošeno 1,61052 $F$20>=$G$20 Nepovezivanje 0,31052
4. Fosfor utrošeno 0,757891 $F$21>=$G$21 Nepovezivanje 0,15789
5. Natrij utrošeno 0,18 $F$22>=$G$22 Povezivanje 0
Izvor: obradio autor
70
Prilog 3: Podaci za grover I smjesu i definiran model u Ms Excel programu
GROVER I SMJESA (5 - 8 tjedna
starosti)
Hranjivi sastojci u
mg (u jedinici kg)
Vrste smjesa Min. kol.
hranjivog
sastojka u
mg
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Sirove
bjelančevine 24 24 24 24 23
Sirove vlaknine 4,5 5 5 5 4,4
Kalcij 1,15 1,5 1,5 1,6 1,2
Fosfor 0,6 0,8 0,75 0,8 0,5
Natrij 0,15 0,18 0,18 0,19 0,17
Cijena za 1 kg 4,7 4,56 4,32 4,43
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm
(4.6.2013.), http://www.poultryhub.org/nutrition/nutrient-requirements/nutrient-
requirements-of-turkeys/ (4.6.2013.), http://www.kusic-promet.hr (4.6.2013.),
http://tshkc.hr (4.6.2013.), http://www.tisup.mps.hr (4.6.2013.),
http://www.gaspar.hr (4.6.2013.)
Funkcija cilja:
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Ukupni
trošak
Količina 0 0 0,9583 0 4,14
Cijena 4,7 4,56 4,32 4,43
Ograničenja:
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Utrošeno
Min. kol. hranjivih
sastojaka
1. Sirove
bjelančevine 24 24 24 24 23 23
2. Sirove vlaknine 4,5 5 5 5 4,7916 4,4
3. Kalcij 1,15 1,5 1,5 1,6 1,4375 1,2
4. Fosfor 0,6 0,8 0,75 0,8 0,7187 0,5
5. Natrij 0,15 0,18 0,18 0,19 0,1725 0,17
Izvor: obradio autor
71
Prilog 4: Izvještaj odgovora za grover I smjesu u Ms Excel programu
Microsoft Excel 12.0 Izvještaj odgovora
Radni list: [Knjiga1]List1
Izvještaj napravljen: 5.6.2013. 22:00:12
Ciljna ćelija (Minimum)
Naziv
Izvorna
vrijednost
Završna
vrijednost
Količina Ukupni trošak 18,01 4,14
Prilagodljive ćelije
Naziv
Izvorna
vrijednost
Završna
vrijednost
Količina Smjesa A 1 0
Količina Smjesa B 1 0
Količina Smjesa C 1 0,958333
Količina Smjesa D 1 0
Ograničenja
Naziv
Vrijednost
ćelije Formula Stanje Stog
1. Sirove bjelančevine
utrošeno 23 $F$23>=$G$23 Povezivanje 0
2. Sirove vlaknine utrošeno 4,79166 $F$24>=$G$24 Nepovezivanje 0,391666
3. Kalcij utrošeno 1,4375 $F$25>=$G$25 Nepovezivanje 0,2375
4. Fosfor utrošeno 0,71875 $F$26>=$G$26 Nepovezivanje 0,21875
5. Natrij utrošeno 0,1725 $F$27>=$G$27 Nepovezivanje 0,0025
Izvor: obradio autor
72
Prilog 5: Podaci za grover II smjesu i definiran model u Ms Excel programu
GROVER II SMJESA (9 - 12 tjedna
starosti)
Hranjivi sastojci
u mg (u jedinici
kg)
Vrste smjesa Min. kol.
hranjivog
sastojka u
mg
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Sirove
bjelančevine 20 20 20 20 21,5
Sirove vlaknine 4,5 6 6 6 4,5
Kalcij 1,1 1,2 1,2 1,2 1,3
Fosfor 0,6 0,7 0,7 0,7 0,6
Natrij 0,15 0,18 0,15 0,18 0,17
Cijena za 1 kg 4,35 4,43 3,83 4,51
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm
(4.6.2013.), http://www.poultryhub.org/nutrition/nutrient-
requirements/nutrient-requirements-of-turkeys/ (4.6.2013.), http://www.kusic-
promet.hr (4.6.2013.), http://tshkc.hr (4.6.2013.), http://www.tisup.mps.hr (4.6.2013.), http://www.gaspar.hr (4.6.2013.)
Funkcija cilja:
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Ukupni
trošak
Količina 0 0,25 0,8333 0 4,29916
Cijena 4,35 4,43 3,83 4,51
Ograničenja:
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Utrošeno
Min. kol. hranjivih
sastojaka
1. Sirove
bjelančevine 20 20 20 20 21,6667 21,5
2. Sirove
vlaknine 4,5 6 6 6 6,5 4,5
3. Kalcij 1,1 1,2 1,2 1,2 1,3 1,3
4. Fosfor 0,6 0,7 0,7 0,7 0,7583 0,6
5. Natrij 0,15 0,18 0,15 0,18 0,17 0,17
Izvor: obradio autor
73
Prilog 6: Izvještaj odgovora za grover II smjesu u Ms Excel programu
Microsoft Excel 12.0 Izvještaj odgovora
Radni list: [grover II (9 - 12 tjedana starosti).xls]List1
Izvještaj napravljen: 5.6.2013. 21:49:17
Ciljna ćelija (Minimum)
Naziv
Izvorna
vrijednost
Završna
vrijednost
Količina Ukupni trošak 17,12 4,29917
Prilagodljive ćelije
Naziv
Izvorna
vrijednost
Završna
vrijednost
Količina Smjesa A 1 0
Količina Smjesa B 1 0,25
Količina Smjesa C 1 0,83333
Količina Smjesa D 1 0
Ograničenja
Naziv
Vrijednost
ćelije Formula Stanje Stog
1. Sirove bjelančevine utrošeno 21,66667 $F$23>=$G$23 Nepovezivanje 0,16667
2. Sirove vlaknine utrošeno 6,5 $F$24>=$G$24 Nepovezivanje 2
3. Kalcij utrošeno 1,3 $F$25>=$G$25 Povezivanje 0
4. Fosfor utrošeno 0,75833 $F$26>=$G$26 Nepovezivanje 0,15833
5. Natrij utrošeno 0,17 $F$27>=$G$27 Povezivanje 0
Izvor: obradio autor
74
Prilog 7: Podaci za finišer smjesu i definiran model u Ms Excel programu
FINIŠER SMJESA (13 - 16 tjedna
starosti)
Hranjivi sastojci
u mg (u jedinici
kg)
Vrste smjesa Min. kol.
hranjivog
sastojka u
mg
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Sirove
bjelančevine 18 18 18 18 16
Sirove vlaknine 5 6 6 6 5
Kalcij 1 1 1,2 1,15 0,9
Fosfor 0,55 0,5 0,7 0,7 0,4
Natrij 0,15 0,18 0,15 0,18 0,17
Cijena za 1 kg 3,94 4,04 3,74 4,3
Izvor: izradila studentica prema: http://www.afn.org/~poultry/flkman9.htm
(4.6.2013.), http://www.poultryhub.org/nutrition/nutrient-
requirements/nutrient-requirements-of-turkeys/ (4.6.2013.), http://www.kusic-
promet.hr (4.6.2013.), http://tshkc.hr (4.6.2013.), http://www.tisup.mps.hr
(4.6.2013.), http://www.gaspar.hr (4.6.2013.)
Funkcija cilja:
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D
Ukupni
trošak
Količina 0 0,94444 0 0 3,8155
Cijena 3,94 4,04 3,74 4,3
Ograničenja:
Smjesa
A
Smjesa
B
Smjesa
C
Smjesa
D Utrošeno
Min. kol. hranjivih
sastojaka
1. Sirove
bjelančevine 18 18 18 18 17 16
2. Sirove
vlaknine 5 6 6 6 5,6667 5
3. Kalcij 1 1 1,2 1,15 0,9444 0,9
4. Fosfor 0,55 0,5 0,7 0,7 0,4722 0,4
5. Natrij 0,15 0,18 0,15 0,18 0,17 0,17
Izvor: obradio autor
75
Prilog 8: Izvještaj odgovora za finišer smjesu u Ms Excel programu
Microsoft Excel 12.0 Izvještaj odgovora
Radni list: [Knjiga1]List1
Izvještaj napravljen: 5.6.2013. 22:10:43
Ciljna ćelija (Minimum)
Naziv
Izvorna
vrijednost
Završna
vrijednost
Količina Ukupni trošak 16,02 3,81556
Prilagodljive ćelije
Naziv
Izvorna
vrijednost
Završna
vrijednost
Količina Smjesa A 1 0
Količina Smjesa B 1 0,94444
Količina Smjesa C 1 0
Količina Smjesa D 1 0
Ograničenja
Naziv
Vrijednost
ćelije Formula Stanje Stog
1. Sirove bjelančevine
utrošeno 17 $F$23>=$G$23 Nepovezivanje 1
2. Sirove vlaknine utrošeno 5,66667 $F$24>=$G$24 Nepovezivanje 0,66667
3. Kalcij utrošeno 0,94444 $F$25>=$G$25 Nepovezivanje 0,04444
4. Fosfor utrošeno 0,47222 $F$26>=$G$26 Nepovezivanje 0,07222
5. Natrij utrošeno 0,17 $F$27>=$G$27 Povezivanje 0
Izvor: obradio autor
76
IZJAVA
kojom izjavljujem da sam diplomski rad s naslovom PRIMJENA LINEARNOG
PROGRAMIRANJA U OPTIMIZACIJI PREHRANE PURANA izradila samostalno
pod voditeljstvom prof. dr. sc. Lovrić. U radu sam primijenila metodologiju znanstveno
– istraživačkog rada i koristila literaturu koja je navedena na kraju diplomskog rada.
Tuđe spoznaje, stavove, zaključke, teorije i zakonitosti koje sam izravno ili
parafrazirajući navela u diplomskom radu na uobičajen, standardan način citirala sam i
povezala s korištenim bibliografskim jedinicama. Rad je pisan u duhu hrvatskog jezika.
Također izjavljujem da sam suglasna s objavom diplomskog rada na službenim
stranicama Fakulteta.
Studentica
Ana Kos