เรื่องที่ 4.1 วิธีการที่ใช้ในกำหนดการเชิงเส้น
สรุป ขั้นที่ 1 ตั้ง initial basis solution ขั้นที่ 2 เลือกตัวแปรเข้า basis ขั้นที่ 3 เลือกตัวแปรออกจาก basis ขั้นที่ 4 เปลี่ยน basis แล้วกลับไปทำขั้นที่ 2
ตารางซิมเพลก
ระเบียบวิธีซิมเพลกดังที่ได้กล่าวแล้วนั้น นายยอร์ชบีดานซิก เป็นผู้คิดขึ้น ซึ่งมีจุดสำคัญ 3 จุดในการที่จะลดขั้นตอน
จากจำนวนผลลัพธ์ที่มีนับไม่ถ้วน เป็นจำนวนผลลัพธ์ที่ดี และนับได้ดังนี้คือ
1.การที่จะได้ผลลัพธ์ที่เหมาะสมนั้นต้องกำหนดตัวที่ไม่ทราบค่า n ค่า (จากตัวที่ไม่ทราบค่า m+n ค่า) ให้เท่ากับศูนย์
แล้วหาตัวที่ไม่ทราบค่าที่เหลือ m ค่านั้น ทั้งนี้หมายความว่าถ้ามีผลลัพธ์และเป็นเอกลักษณ์ ตัวอย่างเช่น
2X1 + 3X2 + 8X3 = 9 4X1 + 6X2 + 7X3 = 8 ด้วยการกำหนด X3 = 0 สมการทั้งสองนี้จะลงท้ายด้วยการหาคำตอบไม่ได้ ในทำนองเดียวกัน ถ้าข้างขวาของเครื่องหมาย
ในสมการที่สองเป็น 18 แทน 8 ดังนั้น ถ้า ทั้งสองสมการนี้จะเหมือนกันที่ X3 = 0 ซึ่งจะลงท้ายด้วยการมีการมีจำนวนผลลัพธ์ที่
มากจนนับไม่ได้
ในกรณีนี้ ตัวแปรที่มีค่าเป็นศูนย์ n ตัวนี้เรียกว่า nonbasic variable ตัวแปรที่เหลือ m ตัวนั้นเรียกว่า basic
variable และจะประกอบกันเป็นผลลัพธ์ที่เรียกว่า basic solution เป็นที่สังเกตได้ว่า โดยเงื่อนไขเช่นนี้ จำนวนผลลัพธ์
ที่เหมาะสมจะลดจำนวนลงจากจำนวนมากที่นับไม่ได้จนเป็นจำนวนที่นับได้ โดยมีขีดจำกัดสูงสุดคือ
(m+n)/m = (m+n)!/m!n!
2.ดังได้กล่าวแล้วในคำนิยามของโปรแกรมเส้นตรงว่าตัวแปรทุกตัวจะติดลบไม่ได้เนื่องจากผลลัพธ์พื้นฐาน (basic
solution) ที่คัดเลือกมาจากข้อ (1) ดังได้กล่าวแล้วไม่จำเป็นที่จะไม่ติดลบเสมอไป การลดจำนวนเพื่อหาผลลัพธ์ที่เหมาะสม
ก็ยังพอทำได้ด้วยการกำจัดผลลัพธ์พื้นฐานที่เป็นไปไม่ได้ (infeasible basic solution)ได้ นั่นคือผลลัพธ์ที่มีตัวแปร
ค่าต่ำกว่าศูนย์ ในการนี้ทำได้ในระเบียบวิธีซิมเพลก ด้วยการคัดเลือกผลลัพธ์พื้นฐานที่ไม่ติดลบ ( 0 ) ถ้าตัวแปรพื้นฐาน
ฐาน (basic solution) เป็นบวกหมดทุกตัว ผลลัพธ์ที่ได้เรียกว่า nondegenerate (แย้งกัน) basic variable
variable ที่ถูกกำหนดค่าให้เป็นศูนย์เรียกว่า leaving variable ในขณะที่ในตัวแปรใหม่เข้ามาแทนนั้นเรียกว่า
entering variable (สังเกตได้ว่าทุกครั้งผลลัพธ์พื้นฐานจะต้องมีตัวแปร n ตัว)
3.ดังได้กล่าวแล้วในข้อ (2) สามารถสร้างผลลัพธ์พื้นฐานใหม่จากพื้นฐานที่แล้วด้วยการคัดเลือกตัวแปรที่เข้าและออก
ออก เราต้องเลือกตัวแปรเข้าซึ่งจะทำให้มีการปรับค่าตามเป้าหมายได้ดีขึ้นกว่าเดิม ด้วยการคัดเลือก nonbasic variable
variable ที่จะทำให้มีการปรับค่าตามเป้าหมายได้ดีขึ้นกว่าเดิม ด้วยการคัดเลือก ที่จะให้กำไรต่อหน่วยสูงสุด ในสมการ
เป้าหมายเป็นตัวแปรเข้า ให้ทำดังนี้ซ้ำกันจนกระทั่งปรับปรุงไม่ดีขึ้นไปกว่าเดิม เรียกว่าได้ผลลัพธ์พื้นฐานที่เหมาะสมแล้ว
optimal basic infeasible solution นั่นคือถึงจุดที่เหมาะสม
ตัวอย่างเช่น จงพิจารณาโปรแกรมเส้นตรงต่อไปนี้
maximize X0 = 3X1 + 5X2 - 2X3 โดยขึ้นอยู่กับ X1 + 2X2 + 2X3 10 2X1 + 4X2 - 3X3 15 X1 0, X2 0, X3 0 หลังจากที่บวก slack variable S1 และ S2 แล้ว จัดให้อยู่ในตารางได้ ดังนี้
|