1. statybos procesŲ reikŠmĖ ir vieta investiciniŲ … procesu... · 2018-10-04 ·...
TRANSCRIPT
Statybos projektų valdymo esmė
• Projektų valdymas – tai valdymo
funkcijų, valdymo metodų ir
valdymo technikos panaudojimas
siekiant galutinių projekto
įgyvendinimo rezultatų.
Tradicinė statybos projekto įgyvendinimo schema
Projekto
patvirtinimas
Ir
Projektuotojo
parinkimas
Konkurso
paskelbimas
Rangovo
parinkimas
Ir sutarties
pasirašymas
Projekto
Užbaigimas
ir priėmimas
Pagrindimas Projektavimas Konkursinė
Įmonių
dalyvavimas
konkurse
dokumentacija Planavimas, statyba,
valdymas
Rangovai
Statybos procesasPastatų ūkio
valdymas
Specialistai
ir
konsultantai
Generalinis rangovas
Architektai ir
konstruktoriai
Užsakovas
Konsultantų paslaugos
Projektavimo darbai ir priežiūra
Konkurso vykdymas
Statybos darbai
Statybos projekto įgyvendinimo etapai ir jų dalyviai:
Statybos projekto pagrindimas ir rengimas:
– uţsakovai;
– statybos projektų vadovai;
– architektai ir inţinieriai (projektuotojai);
– konsultantai;
– finansavimo ir kredito įstaigos;
– statybos kontrolės įstaigos;
– savivaldybės atstovai;
– ţemės sklypų pardavėjai.
Statybos vykdymas:
– statybos ir transporto įmonės (rangovai, subrangovai);
– tiekėjai (statybinių medţiagų ir gaminių įmonės, pastatų inţinerinių sistemų gamybos įmonės);
– statybos kontrolės įstaigos;
– kitos įstaigos (draudimas, teisininkai).
Naudojimas:
– pramonės ir kitos įmonės;
– namų bendrijos;
– statinių techninės prieţiūros ir kontrolės įstaigos;
– specialiosios įmonės.
0Tikslų ir poreikių nustaty-
mas
1 Priešpro-jektinė stadija
3 Statybos
inžinierinis paruoši-
mas
2 Projektavimo darbai
5 Užbaigimo
darbai
4 Statybos
darbai
100 100
0
+/-
30
+/-
10
+/-
20
+/-
25
-Bendra investicijų suma
- Išlaidų tikslumo laipsnis
- Sprendimų priėmimo laisvumo laipsnis
- Statybos išlaidų kitimas
STATYBOS PROJEKTO FAZĖS
Kaštų planavimas
Kaštų kontrolė
Statybos projekto etapai ir išlaidų tikslumo kitimas
Statybos projektų dalyvių bendradarbiavimo formos
Užsakovas
Generalinis
rangovas
Subrangovas Subrangovas Subrangovas
Projektuotojas
(Architektas)
Statybos projektų dalyvių bendradarbiavimo formos
Užsakovas
Projektuotojas
(Architektas)
Generalinis rangovas Rangovas
Subrangovas SubrangovasSubrangovas
Statybos projektų dalyvių bendradarbiavimo formos
Užsakovas
Projektuotojas
(Architektas)
Generalinis rangovas Rangovas
Subrangovas SubrangovasSubrangovas
TARPTAUTINĖS INŢINIERIŲ KONSULTANTŲ
FEDERACIJOS (FIDIC) DOKUMENTAI
• Konkurso procedūra (Tendering procedure)
• Uţsakovo/Konsultanto pavyzdinė paslaugų sutartis (Client/Consultant Model Services Agreement)
• Trumpa sutarties forma (Short Form of Contract)
• Statybos darbų sutarties sąlygos (Conditions of Contract for Construction).
• Įrenginių ir projektavimo-statybos darbų sutarties sąlygos (Conditions of Contract for Plant and Design-Build) Geltonoji knyga
• Įrenginių parinkimo, tekimo ir statybos "iki rakto" sutarties sąlygos (Conditions of Contract for EPC Turnkey projects) Sidabrinė knyga
• Baltosios knygos vadovas (The White Book Guide)
• FIDIC sutarčių vadovas (The FIDIC Contracts Guide)
Build-Operate-Transfer (BOT)
• BOT yra projekto finansavimo forma, kai statinio savininkas perduoda privačiai įmonei teises finansuoti, projektuoti, statyti ir naudoti statinį tam tikrąlaikotarpį, daţnai netrumpesnį kaip 20-30 metų, kuriam pasibaigus teisės disponuoti statiniu yra grąţinamos savininkui.
• Europoje ir kitose šalyse BOT projektai įgyvendinami šiose srityse:– plentų tiesimo (Lenkija);
– greitkelių tiesimo (Bangkokas);
– didelių tiltų statybos (Danija);
– tunelių statybose (eurotunelis tarp Anglijos ir Prancūzijos);
– poţeminio metro statybos (Ankara, Turkija);
– oro uostų statybos (Atėnai);
– jėgainių statybos (Malaizija, Pakistanas, JAV);
– buitinių atliekų deginimo įmonių statybos (Belgija, JAV, Šveicarija).
Public-private partnership (PPP)
• Public-private partnership (PPP) yra viešojo ir privataus
sektorių bendradarbiavimas siekiant išspręsti visuomenines
problemas ar patenkinti poreikius ir gauti abipusę naudą.
• Konsorciumas daţniausiai sudaromas iš statybos įmonės,
eksploatuojančios įmonės ir banko.
Statybos projektų valdymo išlaidos
Projekto valdymo etapai %
1. Projekto parengimas (projekto tikslingumo nustatymas) 26
2. Projektavimas (principinių inţinerinių sprendimų ir detalaus projekto
rengimas, projekto derinimas ir leidimų statybai gavimas)
21
3. Statybos vykdymo projekto parengimas (statybos darbų apimčių
nustatymas, statybos vykdymo grafikų sudarymas, viešųjų pirkimų
konkurso organizavimas)
19
4. Statybos vykdymas (statybos vykdymo kontrolė) 26
5. Projekto uţbaigimas (priėmimas ir projekto dokumentacijos
sutvarkymas)
8
Iš viso: 100
Statybos projektų valdymo efektyvumas
• Projektų įgyvendinimo trukmės mažinimas
• Projektų išlaidų mažinimas
• Viso projekto kainos mažinimas
Statybos procesų reikšmė ir vieta projektų valdymo
sistemoje
• Statybos procesas – tai veiksmai, kurie leidţia pastatyti statinį arba jį pakeisti, ir yra susieti kuo tikslingesne logine seka[Markus, 1996].
• Statybos procesai – tai tokie gamybiniai procesai, kai pastatomi, rekonstruojami, suremontuojami, perkeliami į kitą vietą arba išardomi statiniai arba dalis jų konstrukcijų. Tai visuma technologiškai susijusių darbo operacijų, kurias atlieka tie patys darbininkai, turintys įvairių darbo priemonių ir medţiagų, kurios darbo metu gali būti keičiamos. Darbo proceso rezultatas – tam tikra baigta produkcija”[Zavadskas, 2000].
• Statybos procesas – tai tikslingas ir efektyvus tarpusavyje susijusių logiškai pagrįstų veiksmų atlikimas naudojant reikalingas ir efektyvias priemones, taip pat laikantis statybos reglamentų ir kitų apribojimų reikalavimų. Statybos proceso galutinis rezultatas – statinys arba pastatas, kuriame yra visa reikalinga įranga ir kuris gali būti naudojamas pagal paskirtį[Juodis, 2001].
Statybos procesų inţinerinis parengimas
• Statybos procesų inţinerinis parengimas – tai būtinos
techninės, ekonominės, teisinės ir kitos reikalingos
dokumentacijos statybai vykdyti rengimas, įvertinant rangovo
sutartinius įsipareigojimus, efektyvumo ir kitus reikalavimus.
Statybos inţinerinis parengimas galimas jau vykdant
viešuosius pirkimus, rengiant pasiūlymo kainą.
Statybos inžinerinio parengimo darbų turinys:
• statybos procesų projektinių sprendimų rengimas;
• statybos aikštelės inţinerinio įrengimo planas;
• statybos darbų vykdymo dokumentacijos
rengimas.
Suderinimai ir
sąlygos statybos
darbams vykdyti
Sutartis su
užsakovu
Sutartys su
tiekėjais
Tikslus statybos
darbų apimčių
nustatymas
Statinio projektinių
sprendimų
tikslinimas ir
statybos darbų
struktūrizavimas
Statybos įmonės
galimybių
įvertinimas,
sutartys su
subrangovais
Statybos
inžinerinis
parengimas
Statybos procesų
projektinių
sprendimų
rengimas
Statybos darbų
vykdymo
dokumentacijos
rengimas
Statybos aikštelės
įrengimo planas
Finansinis
aprūpinimo
planasStatybos aikštelės
įrengimas
Statybos pradžia,
valdymas ir
kontrolė
Taip kaina(išlaidos), kokybė,
trukmė, patikimumas)
Ne
Statybos aikštelės įrengimo projektiniai sprendimai
Statybos aikštelės inžinerinis įrengimas
Statybos pradţia, valdymas ir kontrolė
Optimalūs
sprendimai
Optimalūs
sprendimai
Statybos procesų projektinių sprendimų rengimas
1.Statinio projektinių sprendimų tikslinimas.
2.Tikslus statybos darbų apimčių apskaičiavimas.
3.Statybos darbų principinio technologinio modelio sudarymas.
4.Statybos procesų struktūrizavimas bei alternatyvių technologinių ir
organizacinių projektinių sprendimų sudarymas.
5.Statybos procesų projektinių sprendimų įvertinimas ir optimizavimas.
6.Statybos procesų racionalių(optimalių) projektinių sprendimų
įgyvendinimo patikimumo įvertinimas.
Statybos darbų vykdymo dokumentacijos rengimas
1.Statybos darbų technologijos projektas. 2.Statybos darbų vykdymo
kalendoriniai grafikai. 3.Aprūpinimo ištekliais grafikai. 4. Subrangovų
darbų grafikai. 5.Darbų vykdymo sąmata. 6.Finansų grafikai. 7.Kita
dokumentacija.
Aktualiausi statybos inţinerinio parengimo
metodologiniai probleminiai klausimai:
1. Statybos procesų struktūrizavimas, technologinių modelių sudarymas ir optimizavimas.
2. Statybos organizavimo modelių sistemos sudarymas ir optimizavimas.
3. Statybos procesų projektinių sprendimų optimizavimo tikslų, kriterijų ir apribojimų sistemos sudarymas ir praktinis taikymas.
4. Ekonominių ir matematinių metodų taikymas dalinių ir kompleksinių statybos procesų optimizavimo uţdaviniams spręsti.
5. Statybos darbų vykdymo dokumentacijos rengimo metodikos tobulinimas.
6. Statybos inţinerinio parengimo kompleksinės metodikos kūrimas, apskaičiavimų algoritmizavimas, kompiuterizavimas ir jos integravimas į statybos kompiuterinę valdymo sistemą.
• Kompleksinis statybos procesas priskiriamas
prie sudėtingų, dinaminių ir tikimybinių
sistemų. Tokioms sistemoms atvaizduoti,
nagrinėti ir rengti optimalius sprendimus
pasitelkiama sistemų inžinerijos metodologija.
Sistemų inžinerijos esmė
• Bendroji sistemų teorija – mokslo sritis, nagrinėjanti
sistemotyros metodologinius principus.
• Bendroji sistemų teorija sudaro tyrimų bendrą
metodologinį pagrindą nagrinėjant įvairius objektus
ir procesus kaip sistemas.
Sistemos sąvoka
I. Sistema interpretuojama kaip procesų ir reiškinių kompleksas, taip pat objektyviai egzistuojantys jų ryšiai.
Tyrėjo uždavinys – išskirti nagrinėjamą sistemą iš aplinkos ir mažų mažiausiai – nustatyti šios sistemos įėjimo ir išėjimo parametrus. Didžiausias siekis –atlikti sistemos struktūros analizę, atskleisti nagrinėjamos sistemos funkcionavimo mechanizmą, o po to tikslingai keisti sistemos būvį.
II. Sistema interpretuojama kaip procesų ir reiškinių tyrimo objektas. Tyrėjas konstruoja sistemą, siekdamas abstrakčiai atvaizduoti realius objektus. Tokia sistemos sąvoka artima modelio sąvokai.
III. Sistema interpretuojama kaip tikslingas, dirbtinai sudarytas elementų kompleksas.
Tokia sistemos sąvoka naudojama spręsti sudėtingą techninę, ekonominę, organizacinę ar kitą problemą. Tyrėjas ne tik išskiria sistemą iš aplinkos, bet ir ją kuria, sintezuoja. Sistema yra ne tik realus objektas ar procesas, bet taip pat realių ryšių abstraktus atvaizdas. Toks sistemos apibrėžimas vartojamas sistemų inžinerijos metodologijoje.
Atvira dinaminė sistema
Elementas
Elementas
Elementas
Elementas
Elementas
SISTEMA
Sistemos riba
Sistemos aplinka
Sistemų inžinerija
• Sistemų inžinerija – tai sisteminio požiūrio taisyklių ir principų taikymas kompleksinėms mokslo ir praktinės veiklos problemoms tikslingai atvaizduoti ir spręsti [Brandenberger, Ruosch, 1996; Daenzer, Huber, 1994].
Pasitelkus sistemų inžinerijos metodologiją, galima atvaizduoti sprendžiamas problemas grafiškai ar kitaip, sudaryti galimų sprendimų alternatyvas, o paskui, taikant atitinkamus įvertinimo arba optimizavimo metodus, parinkti racionalų sprendimą.
Daugiapakopės statybos sistemos atvaizdavimas
STATYBOS
MAKROEKONOMINĖ
SISTEMA
Tikslas, apribojimai, kriterijai
ĮMONĖS
STATYBOS ĮMONĖS
FUNKCIONAVIMO SISTEMA
Tikslas, apribojimai, kriterijai
STATYBOS
PROJEKTAI
STATYBOS PROJEKTO VALDYMO SISTEMA
Tikslas, apribojimai, kriterijai
PROJEKTO
VADOVAS
PROJEKTUOTOJAS
RANGOVAS
UŽSAKOVAS
Statinio gyvavimo ciklas
Sutrumpinimai:
SP Statybos procesas
NP Naudojimo procesas
IP Išardymo procesas
Statybos procesų sisteminiai elementai ir jų ryšiai
Sistemos
vidinė
aplinka
Darbuotojai
Statybos
metodai
Statybos
mašinos ir
įrangaDarbo
organizavimas
Statybos
medžiagos
ir gaminiai
S t a t y b o s
p r o c e s a s
Sistemos
tikslai,
kriterijai ir
apribojimai
Problema
Situacijos analizė
Tikslo formulavimas
Problemos sprendimo koncepcijos ir
modelių sistemos sudarymas
Analizė
Įvertinimas
Sprendimų įvertinimas
baigtas?
Sprendimo parinkimas
Sprendimų įvertinimas
baigtas
Problemos sprendimo įgyvendinimas
Grįžti į
pakopą
A
B
C
D
E
F
Grįžti į
pakopą
n
e
taip
taip
taip
n
e
Sp
ren
dim
ų r
en
gim
as
Pro
ble
mo
s iša
iškin
ima
s
Info
rma
cijo
s r
inkim
o ir
pa
na
ud
ojim
o p
ob
ūd
is
Modeliavimas ir modelių sistemos
• Modelių tipai:
– Fiziniai (dirbtiniai arba natūriniai)
– Abstraktūs (loginiai, grafiniai arba matematiniai).
• Fiziniai natūriniai modeliai – tai realūs objektai.
• Fiziniai dirbtiniai modeliai – tai realių objektų pavyzdžiai mažu masteliu.
• Loginiai modeliai – tai algoritmų blokinės schemos, kompiuterinės programos ir kt.
• Abstraktūs grafiniai modeliai – tai tinkliniai grafikai, reiškinių ar procesų parametrų tarpusavio priklausomybių grafikai, dirbtiniai neuroniniai tinklai ir pan.
Kolonų parinkimo tinklinis modelis
Sudarant abstrakčius grafinius modelius, plačiai taikoma grafų teorija:
sudaromas tinklas, kuriame atvaizduojami nagrinėjamos problemos
alternatyviniai sprendimai.
Kolonos
Gelžbetonio
kolonos
Monolitinio gelžbetonio
kolonos (įrengiamos statybvietėje)
Betono gamyba
statybvietėje
Prekinis
betonas
BetonasArmavimasKlojiniai
Surenkamosios
gelžbetonio
kolonos
Metalinės
kolonos
• Matematiniai modeliai atspindi realių objektų ar procesų funkcionavimą.
• Statybos procesų matematiniai modeliai sudaromi taikomosios matematikos metodais: tikimybių teorijos, koreliacinės ir regresinės analizės, matematinio programavimo, eilių teorijos, atsargų valdymo teorijos, lošimų teorijos ir kt.
• Gali būti sudaromi dviejų tipų modeliai: determinuoti ir tikimybiniai.
Problemos racionalaus sprendimo sudarymo schema naudojant modelį
Reali problema
Modelis
Problemos
sprendimų
sudarymas,
naudojant
modelį
Galimi sprendimai
ir jų įvertinimo
rezultatai
Realios problemos
racionalus (optimalus)
sprendimas
Analitinis sprendimas
Modeliavimas
Rezultatų interpretavimas
1
3. STATYBOS PROCESŲ
PROJEKTINIŲ SPRENDIMŲ
ĮVERTINIMAS IR OPTIMIZAVIMAS
Statybos procesų projektinių sprendimųįvertinimo metodų charakteristika
• Statybos procesų projektiniai sprendimai gali būti įvertinami įvairiais metodais.
• Pagal naudojamų lyginimo kriterijų skaičių jie skirstomi į vienkriterius ir daugiakriterius.
2
Statybos procesų projektinių sprendimųvienkriteris įvertinimas
• Pavyzdžiui, apskaičiuojamos statybos procesųalternatyvių projektinių sprendimų įgyvendinimo išlaidos. Tai kriterijus, pagal kurį atrenkamas efektyviausias sprendimas.
• Išlaidoms apskaičiuoti gali būti sudaroma statybos proceso išlaidų kalkuliacija, arba sąmata.
Statybos procesų projektinių sprendimųvienkriteris įvertinimas
Pridėtinė vertė
Pelnas
Socialinis draudimas
Kitos išlaidos Pridėtinės išlaidos
Iš viso:tiesioginės
išlaidos
Iš viso:darbo užmokestis
Iš viso:mechanizmai
Iš viso:medžiagos
Potencialiai pavojingi darbai
Specifiniai darbai
Sezoniniai darbai
Statybvietės darbuotojų darbo užmokestis
Papildomų mechanizmųekspl. vertė
Papildomų medžiagųvertė
Darbininkų darbo užmokestis (pagrindinių ir aptarnaujančių)
Mechanizmųeksploatacijos vertė
Medžiagų vertė franko statybos vieta
STATYBOS MONTAVIMO DARBAI
Kainos apskaičiavimas: pagal sąmatinius apskaičiavimus
STATYBOS OBJEKTŲ DARBŲ IŠLAIDOS
3
Statybos procesų projektinių sprendimųvienkriteris įvertinimas
Vokietijoje ir Šveicarijoje statybos išlaidas ir kainąsudaro:1. Statybos proceso išlaidos:– darbininkų ir brigadininkų darbo užmokestis;– statybos mašinų ir įrangos naudojimo išlaidos;– medžiagos ir gaminiai, kitos išlaidos;– kitų įmonių paslaugos.
2. Statybos aikštelės išlaidos.3. Statybos įmonės valdymo išlaidos.4. Pelnas.5. Pridėtinės vertės mokestis.
• Vienkriteris statybos procesų projektinių sprendimų alternatyvų įvertinimas dažnai interpretuojamas grafiškai: statybos technologijų ekonominis įvertinimas
Statybos procesų projektinių sprendimųvienkriteris įvertinimas
I
t
1I
2I
Vienodo efektyvumoriba
Išlaidos
Statybos trukmė
4
Statybos procesų projektinių sprendimųvienkriteris įvertinimas
• Aprūpinimo betono mišiniais variantų įvertinimas[Blumer, 1988]
Išlaidos, Šveicarijos frankais
0 1 2 3 4 5 6 7 8 9 10
Betono kiekis, 1000 m 3
110
108
112
114
116
118
120
Prekinis betonas
Betono mišinių gamybastatybos aikštelėje
Statybos procesų projektinių sprendimųvienkriteris įvertinimas
• Žemės darbų vykdymo alternatyvių sprendimų įvertinimas [Blumer, 1988]
Išlaidos , Šveicarijos frankais / 3m
0 10 20 30 40 50 60
60
50
40
30
20
10
0
Vienodos išlaidos
Rankų darbas
Mechanizuotas darbas
Darbų apimtis , 3m
5
Statybos procesų projektinių sprendimųvienkriteris įvertinimas
• Žemės darbų vykdymo alternatyvių sprendimų įvertinimas [Blumer, 1988]
2400
2000
1600
800
400
1200
00 10 20 30 40 50 60
Bendrosios išlaidos , Šveicarijos frankais
Vienodos išlaidos
Rankų darbas
Mechanizuotas darbas
Kintamos išlaidos
Fiksuotos išlaidos
3mDarbų apimtis ,
Daugiakriteris statybos procesų projektiniųsprendimų įvertinimas
Statybos veiklai būdingi daugiaaspekčiai, kompleksiniai, sudėtingi projektai ir procesai. Todėl jie nagrinėjami daugiakriterio įvertinimo metodais [Zavadskas, Simanauskas, Kaklauskas, 1999; Leimböck, 2000]. Šiuo atveju naudojami tokie kriterijai:• techniniai, pvz.: konstrukcinės sistemos
patikimumas, triukšmo lygis, statinio universalumas, statybos procesų mechanizavimo laipsnis;
• teisiniai, pvz.: aplinkos apsauga, darbo sauga;• ekonominiai, pvz.: sklypo dydis, statybos trukmė,
išlaidos, darbo našumas; • socialiniai, pvz.:darbo organizavimo formos, darbo
monotoniškumo laipsnis, motyvacijos lygis.
6
• Kriterijai apibūdinami techniniais ekonominiais rodikliais ir kokybinėmis charakteristikomis.
• Kokybinės charakteristikos nustatomos ekspertiniu metodu, suteikiant reikšmes skalėje (0; 10). Pvz., geriausias įvertinimas atitinka 10 balų.
Daugiakriteris statybos procesų projektiniųsprendimų įvertinimas
• Alternatyvių projektinių sprendimų įvertinimo požiūriu atskiri vertinimo kriterijai nevienodai svarbūs. Todėl vertinant atsižvelgiama į kriterijų reikšmingumą vieno kitam.
• Visi duomenys ir apskaičiavimai pateikiami matricos formos lentelėje (3.2 lentelė). Atrenkamas tas variantas, kurio naudingumo vertė N yra didžiausia.
• Pateiktas metodas leidžia paprastai ir greitai įvertinti nagrinėjamus sprendimus. Todėl šis įvertinimo metodas tinka naudoti praktiškai. Vokiškai kalbančiose šalyse jis vadinamas „naudingumo vertės analize”(Nutzwertanalyse / Nutzwertrechnungen) [Leimböck, 2000].
Daugiakriteris statybos procesų projektiniųsprendimų įvertinimas
7
Daugiakriteris statybos procesų projektiniųsprendimų įvertinimas
rn
NnzNnvNn1cnzcnvcn1anzanvan1100%
Kn
N1zNkz
N1vNkv
N11Nk1
c1zckz
c1vckv
c11ck1
a1zakz
a1vakv
a11ak1
r1rk
K1...
Kk..
1110987654321
VzVvV1VzVvVzVzVvV1rkKk
Siūlomų sprendimųvariantai
Naudingumo vertė, įvertinant kriterijaus
reikšmingumąN = r x c
Naudingumo vertė(nuo 0 iki 10)
Kriterijaus reikšmėarba apibūdinimas
Kriterijųlyginamo
-jidalis, %
Kriterijai
Alternatyvių projektinių sprendimų daugiakriterio įvertinimo algoritmas toks:• Sudaroma įvertinimo kriterijų sistema.• Suteikiamas kriterijų lyginamasis svoris
(reikšmingumas), %.• Nustatoma kriterijų reikšmė.• Suteikiama naudingumo vertė nuo 0 iki 10 balų
sistemoje.• Nustatoma naudingumo vertė.• Nustatoma alternatyvių sprendimų bendra
naudingumo vertė .
Daugiakriteris statybos procesų projektiniųsprendimų įvertinimas
8
775870785100%Naudingumo vertė
225200175987l. geraigeraipat.25%Galimybė keisti funkcinępaskirtį
1509012010683,24,8415%Statybos laikas,mėn.
1008090108958007500640010%Darbo sąnaudos,žm. val.
300500400610823017020050%Kaina, tūkst.Lt
CBACBACBA
Variantai
Naudingumas kriterijųpožiūriu
Naudingumo vertė(0–10)
Kriterijų reikšmė arba apibūdinimas
Lyginamasis svoris, %
Vertinimo kriterijai
Daugiakriteris statybos procesų projektiniųsprendimų įvertinimas
• Prekybos centro pastato alternatyvių statybos konstrukcinių sprendimų įvertinimas
(A – gelžbetonio karkasas; B – mūro konstrukcija; C – metalinių konstrukcijų karkasas)
• Statybos proceso racionalaus projektinio sprendimo nustatymo blokinė schema:
Daugiakriteris statybos procesų projektiniųsprendimų įvertinimas
Statybos procesų alternatyvių projektinių sprendimų rengimas
Daugiakriteris projektinių sprendimų variantų įvertinimas
Daugiakriterio įvertinimo analizė ir racionalaus varianto parinkimas
Projektinių sprendimų įvertinimo kriterijų sistemos sudarymas
9
• Statybos procesų projektiniai sprendimai gali būti efektyvūs arba neefektyvūs.
• Efektyvumu dažniausiai nusakomas užduoties tam tikromis sąlygomis įvykdymo laipsnis. Efektyvumas vertinamas pagal tam tikrus rodiklius ir kriterijus.
• Efektyvumo rodiklis apibūdina tam tikrą statybos proceso aspektą, pavyzdžiui, darbo našumą, mechanizacijos laipsnį, statybos trukmę ir kt. Efektyvumo ekonominiai rodikliai – numatomo gauti ekonominio efekto ir išlaidų, reikalingų sprendimui įgyvendinti santykis.
Statybos procesų projektinių sprendimų optimizavimas
• Efektyvumo kriterijus tiesiogiai susijęs su statybos proceso įgyvendinimo tikslu. Kriterijus turi įvertinti visus pagrindinius veiksnius, nuo kurių priklauso rezultatas.
• Klaidingas rekomendacijas gali sąlygoti netinkamai parinktas kriterijus. Statybos procesų projektiniųsprendimų efektyvumo kriterijai dažniausiai būna statybos darbų išlaidos, savikaina arba statybos darbųkaina.
• Efektyvumas vertinamas pagal kiekybinius kriterijus, tačiau gali būti naudojami ir kokybiniai kriterijai.
Statybos procesų projektinių sprendimų optimizavimas
10
• Statybos procesų matematinio modeliavimo ir optimizavimo uždavinys – parengti ir pagrįsti optimalius sprendimus tam tikro pasirinkto kriterijaus atžvilgiu.
• Optimalių sprendimų rengimas ir jų įgyvendinimas sudaro statybos procesų valdymo pagrindą.
• Sprendimu vadinamas konkretus pasirinkimas. • Optimaliu sprendimu vadinamas toks, kuris pasirinktų
rodiklių ar kriterijų atžvilgiu yra geriausias.
• Statybos vadovas ar specialistas, kuris priima sprendimą, gali nesutikti su rekomenduotu optimaliu sprendimu, jei jįpasirenkant nebuvo įvertinti kiti svarbūs veiksniai, naudoti netinkami uždavinio optimizavimo rodikliai ar kriterijai, buvo iškreipti tikslai ar dėl kitų priežasčių.
Statybos procesų projektinių sprendimų optimizavimas
Statybos procesų matematinis modeliavimas ir optimizavimas vykdomas atliekant sisteminę analizę.
Statybos procesų optimalūs projektiniai sprendimai rengiami tokiais etapais: • statybos procesų vykdymo priemonių parinkimas;• statybos procesų struktūrizavimas, alternatyvių
projektinių sprendimų rengimas ir jų įvertinimas;• statybos procesų projektinių sprendimų
optimizavimas.
Statybos procesų projektinių sprendimų optimizavimas
11
• Statybos procesų vykdymo priemonės.
Atsižvelgiant į statybos projekto tikslus ir apribojimus, taip pat į numatomų naudoti statybos procesų vykdymo priemonių įvairovę (statybinių medžiagų, statybiniųkonstrukcijų, statybos mašinų ir įrankių, personalo ir jo kvalifikacijos, darbų organizavimo metodų ir kt.), gali būti sudaromi įvairūs statybos procesų projektiniai sprendimai. Pasitelkus įvairias statybos procesųvykdymo priemones, galima parengti daug alternatyviųsprendimų ir parinkti racionalų statybos darbų vykdymo būdą.
Statybos procesų projektinių sprendimų optimizavimas
• Statybos procesų struktūrizavimas, projektiniųsprendimų rengimas ir jų įvertinimas.
Rengiant alternatyvius statybos procesų projektinius sprendimus, gali būti taikoma sistemų inžinerijos metodologija. Sistemų inžinerija – tai sisteminio požiūrio taisyklių ir principų taikymas kompleksinėms sistemoms tikslingai atvaizduoti [Brandenberger, Ruosch, 1996; Daenzer, Huber, 1994]
Statybos procesų projektinių sprendimų optimizavimas
12
• Statybos procesų projektinių sprendimų optimizavimas.
Statybos procesų projektinių sprendimų optimizavimas
Uždavinio formulavimas
Matematinio optimizavimometodo parinkimas ir uždavinio teorinio modelio
sudarymas
Duomenų surinkimas ir formalus uždavinio aprašymas
Optimizavimo uždavinio sprendimas naudojant asmeninį kompiuterį
Gauto optimalaus sprendinio interpretavimas ir paruošimas įgyvendinti
Modeliavimas ir modelių sistemos
• Modelių tipai:
– Fiziniai (dirbtiniai arba natūriniai)
– Abstraktūs (loginiai, grafiniai arba matematiniai).
• Fiziniai natūriniai modeliai – tai realūs objektai.
• Fiziniai dirbtiniai modeliai – tai realių objektų pavyzdžiai mažu masteliu.
• Loginiai modeliai – tai algoritmų blokinės schemos, kompiuterinės programos ir kt.
• Abstraktūs grafiniai modeliai – tai tinkliniai grafikai, reiškinių ar procesų parametrų tarpusavio priklausomybių grafikai, dirbtiniai neuroniniai tinklai ir pan.
Problemos racionalaus sprendimo sudarymo schema
naudojant modelį
Reali problema
Modelis
Problemos
sprendimų
sudarymas,
naudojant
modelį
Galimi sprendimai
ir jų įvertinimo
rezultatai
Realios problemos
racionalus (optimalus)
sprendimas
Analitinis sprendimas
Modeliavimas
Rezultatų interpretavimas
• Matematiniai modeliai atspindi realių objektų ar procesų funkcionavimą.
• Gali būti sudaromi dviejų tipų modeliai: determinuoti ir tikimybiniai.
Statybos procesų matematiniai modeliai ir jų kūrimas
• Matematinis modelis –– tai matematinių išraiškų sistema, supaprastintai aprašanti artimai tikrovei modeliuojamo objekto ar proceso charakteristikas ir jų ryšius.
• Modelį kuria subjektas (tyrėjas, specialistas) tam tikram tyrimo tikslui siekti ar uţdaviniui spręsti.
• Modelyje atsispindi objekto pagrindinės charakteristikos(savybės, tarpusavio ryšiai, struktūriniai ir funkciniai parametrai ir kt.).
• Matematinis modelis turi būti adekvatus realaus objekto ar proceso funkcionavimui. Tokie modeliai kuriami ir taikomi tais atvejais, kai eksperimentiniai tyrimai naudojant realų objektą ar procesą neįmanomi arba yra brangūs.
Statybos procesų matematinio modeliavimo struktūriniai
elementai ir jų ryšiai
Matematiniai
metodai
Techniniai ir
ekonominiai
dėsningumai ir
ryšiai
Statybos
procesas
(technologinis
modelis)
Statybos procesų matematiniai modeliai
• Determinuotas modelis – tai tokia analitinė nagrinėjamų dėsningumų išraiška, kai esant tam tikroms įėjimo parametrų reikšmėms gaunamas vienintelis išėjimo rezultatas.
Toks modelis gali atvaizduoti ir tikimybinę sistemą (tuomet ji yra supaprastinta), ir determinuotą sistemą.
• Tikimybinis (stochastinis) modelis – tai toks modelis, kuriame modeliuojamojo objekto ar proceso parametrai, funkcionavimo sąlygos ir kitos charakteristikos yra atsitiktiniai dydţiai, apibūdinami tikimybinėmis priklausomybėmis.
Determinuoto chaoso sąvoka
• Deterministinis chaosas – sudėtingas,
nereguliarus, panašus į atsitiktinį sistemos,
paklūstančios deterministiniams dėsniams,
būsenos kitimas laike ir (arba) erdvėje
Statybos procesų charakteristikų tikimybinis įvertinimas
• Statybos procesų analizei, technologinių, organizacinių bei
ekonominių matematinių modelių kūrimui ir kitiems uždaviniams
spręsti reikalingi atitinkami rodikliai - eksperimentinių tyrimų,
stebėjimų ar analitinių apskaičiavimų rezultatai.
• Tyrimų ir eksperimentinių duomenų apimtis visada būna ribota. Kai
duomenų turima ribotai, pageidaujama, kad atsitiktinio dydžio
pasiskirstymo dėsnis tiktų visiems galimiems stebėjimo rezultatams.
Statybos procesų charakteristikų tikimybinis įvertinimas
• Taikant matematinės statistikos metodus, galima operuoti ne visais galimais
eksperimento rezultatais, vadinamais generaline aibe, o tik jos dalimi,
vadinama imtimi.
Teisingai sudarius ir išnagrinėjus imtį, galima taikyti gautas išvadas visai
generalinei aibei.
• Eksperimentinių tyrimų ar stebėjimų rezultatai aprašo empirinį
pasiskirstymą.
Empirinės pasiskirstymo funkcijos skaitinės charakteristikos vadinamos
empirinėmis charakteristikomis (empirinis vidurkis, empirinė dispersija,
empirinis standartinis nuokrypis ir kt.)
• Statybos proceso parametrų skaitinių charakteristikų tikimybiniam
įvertinimui svarbios šios sąvokos: atsitiktinis dydis, atsitiktinis procesas,
atsitiktinių dydžių pasiskirstymo funkcija.
Atsitiktinis dydis
• Atsitiktinis dydis – tai aibė kokio nors kintamojo reikšmių, kurios
gali eksperimento metu pasirodyti, tačiau iš anksto konkreti tos
aibės reikšmė negali būti nustatyta.
Galima parinkti funkciją, kuri apibrėţia konkrečios reikšmės
pasirodymo tikimybę.
• Matematiškai:
atsitiktinis dydis – tai vienareikšmė realioji funkcija ξ = ξ(ω),
apibrėţta elementariųjų įvykių aibėje ω, jei kiekvieno realiojo x
atveju nusakyta tikimybė P(ω|ξ(ω) < x) = P(ξ < x) = F(x)
• Atsitiktiniai dydţiai būna diskretieji ir tolydieji.
Atsitiktinis dydis
• Atsitiktinis dydis vadinamas diskrečiuoju, jei jis įgyja baigtinę arba
suskaičiuojamą skirtingų reikšmių aibę. (statybos mašinų skaičius, darbininkų
skaičius brigadoje ir pan.)
Diskrečiojo atsitiktinio dydţio skirstinys nusakomas reikšmėmis
ir jų tikimybėmis
• Tolydieji atsitiktiniai dydţiai turi nesuskaičiuojamą aibę reikšmių. (statybos
proceso atlikimo trukmė, laikas, sugaštas laukiant transporto priemonės, betono
mišinio krovimo trukmė ir pan.)
• Atsitiktinis dydis vadinamas tolydţiuoju, jei yra tokia neneigiamoji
funkcija (tikimybės tankis), kad kiekvieno realiojo x atveju:
,......,,, 21 nxxx
,...,...,2,1, nixP i
dxxpxPx
xp
Atsitiktinių dydžių pasiskirstymas
• Atsitiktinių dydžių pasiskirstymas, arba skirstinys, – tai atsitiktinio dydţio
įgyjamos reikšmės su jų įgijimo tikimybėmis.
• Atsitiktinio dydžio pasiskirstymo dėsniu vadinama funkcija, nustatanti
galimų atsitiktinio dydţių reikšmių ir jų tikimybių ryšį. Bendriausia atsitiktinio
dydţio pasiskirstymo dėsnio išraiška yra pasiskirstymo funkcija, nes ji
aprašo ne tik diskrečiuosius, bet taip pat tolydţiuosius atsitiktinius dydţius.
• Pasiskirstymo funkcija uţrašoma taip:
F(x) =P(X < x)
čia P(X < x) – tikimybė, kad atsitiktinis dydis X įgyja reikšmes, ne
didesnes uţ tam tikrą jo reikšmę.
Tikimybės tankio funkcija
• Tolydţiojo atsitiktinio dydţio pasiskirstymo funkcijos išvestinė vadinama
tikimybės tankio funkcija:
f(x)=F´(x)
čia F´(x) – pasiskirstymo funkcijos išvestinė
• Sprendţiant konkrečius praktinius uţdavinius, nustatoma tikimybė, kad
nagrinėjamo atsitiktinio dydţio reikšmės pateks į kurį nors intervalą.
Naudojantis tankio funkcija, ši tikimybė apskaičiuojama taip:
čia a ir b – intervalo kairioji ir dešinioji ribos.
• Tolydţiojo atsitiktinio dydţio pasiskirstymo funkcija ir tankis yra susiję:
dxxfbxaPb
a
dxxfx
xFxfxF ;
Atsitiktinį dydį apibūdina skaitinės jo charakteristikos
• Nagrinėjant statybos procesus, apskaičiuojamos parametrų
empirinės skaitinės charakteristikos: empirinis vidurkis , dispersija ,
standartinis nuokrypis , variacijos koeficientas ir kt.
• Šios charakteristikos skiriasi nuo atitinkamų generalinės aibės
charakteristikų tuo, kad pačios empirinės skaitinės charakteristikos
yra atsitiktiniai dydţiai ir į jas įeina tik dalis generalinės aibės
reikšmių.
Empirinis vidurkis
• Empirinis vidurkis apskaičiuojamas kaip aritmetinis stebėjimo rezultatų vidurkis:
čia:
xi – eksperimentinių ar kitų tyrimų rezultatai;
n – duomenų skaičius.
n
x
x
n
ii
1~
• Statybos procesų parametrų vidurkio įverčiai gali būti panašūs arba
vienodi, tačiau duomenų sklaida skirtinga. Tai rodo, kad duomenų
patikimumas taip pat skirtingas. Tokiais atvejais reikia apskaičiuoti
standartinį nuokrypį .
Nagrinėjamasis parametras
* *
* * *
* vidurkio įvertis
* *
* *
1 2 3 4 5 6 7 8 9 10
Duomenų skaičius n
Nagrinėjamasis parametras
* * * * *
* * * * *
1 2 3 4 5 6 7 8 9 10
Duomenų skaičius n
• Empirinė dispersija :
• Empirinis standartinis nuokrypis :
čia:
xi – eksperimentinių ar kitų tyrimų rezultatas;
– vidurkis; n – bandymų skaičius.
• Variacijos koeficientas :
Kuo maţesnis variacijos koeficiento įvertis, tuo nagrinėjamas procesas stabilesnis ir rodiklių reikšmės patikimesnės.
2~sn
ii xx
ns
1
22 ~1
1~
2
1 1
~~
n
i
i
n
xxs
x~
100~
~~
x
svkkv~
Empiriniai asimetrijos ir eksceso koeficientai
• Asimetrijos koeficientas yra histogramos simetrijos matas:
čia - 3 eilės centrinis
momentas,
n – duomenų skaičius
Jeigu skirstinys simetriškas
vidurkio atţvilgiu (normaliojo
skirstinio atveju), tai =0.
Dešiniosios asimetrijos atveju
>0, kairiosios - <0
sA~
3
3
2
)1(~
sn
nnAs
3
sA~
sA~
sA~
Empiriniai asimetrijos ir eksceso koeficientai
• Eksceso koeficientas yra histogramos simetrijos matas:
čia - 4 eiles centrinis momentas,
n – duomenų skaičius
• Jeigu <0, tai skirstinys yra
lėkštesnis, lyginant su normaliąją
tankio kreive (duomenų sklaida apie
vidurkį yra didesnė nei normalaus
skirstinio. Jeigu >0, tai skirstinys
yra smailesnis. Jei lygus nuliui, tai
sklaida apie vidurkį tokia pati, kaip
ir normalaus skirstinio
kE~
3132
1~4
4
sn
nn
nEk
4
kE~
kE~
Vidurkio pasikliajamasis rėžis
• Kai ţinomas ne tikrasis, o empirinis atsitiktinio dydţio vidurkis, svarbu nustatyti, su kokia tikimybe galima tvirtinti, kad padaryta paklaida bus ne didesnė uţ iš anksto nustatytą reikšmę:
čia: α – pasikliaujamoji tikimybė; – pasikliaujamosios ribos;
– pasikliaujamasis rėţis.
• Pasikliaujamasis intervalas apibūdina vidurkio apskaičiavimo tikslumą, o pasikliaujamoji tikimybė – jo patikimumą. Ţinant nagrinėjamo proceso ar reiškinio statistines charakteristikas, galima nustatyti vidurkio kitimo ribas. Tada apskaičiuojamas vidurkio intervalinis įvertis:
čia: – statybos proceso parametro vidurkio intervalinis įvertis;
– Stjudento kriterijus; – vidurkis;
n – duomenų skaičius; – standartinis nuokrypis.
|~| xxP
xx ~,~]~,~[ xx
n
st
n
stxI
~x~ ;
~~
I
t x~
s~
Normalusis skirstinys
• Kreivė, vaizduojanti normaliojo skirstinio tankio funkciją, yra simetriška vidurkio atţvilgiu.
Šis skirstinys apibrėţtas visoje skaičių ašyje.
Tankio funkcija pasiekia maksimumą vidurkio taške. Šis maksimumas yra:
Kai ar , tankio funkcija asimptotiškai artėja prie nulio.
• Vidurkis nustato tankio funkcijos vietą.
Didėjant vidurkiui, tankio kreivė slenka į
dešinę, o maţėjant – į kairę.
• Standartinis nuokrypis apibūdina
tankio funkcijos kreivės formą. Maţėjant
standartiniam nuokrypiui, kreivės maksimumas
didėja, o pati kreivė siaurėja, ir atvirkščiai.
Tankio funkcijos plotas nepriklausomai nuo skaitinių charakteristikų reikšmių
visada turi būti lygus vienetui.
2
1
xs
x x
xf
2
1
xs
x0 x~
x~
xs~
0,3413
0,1359
0,0215
xf
x0x~ xs xs xs
• Sprendţiant mokslo ar kitos veiklos konkrečius uţdavinius, svarbu ţinoti, kokios yra
tikimybės, kad atsitiktinis dydis, turintis normalųjį skirstinį, bus intervaluose:
• Šios tikimybės yra tokios:
Beveik visos atsitiktinio dydţio, turinčio normalųjį
skirstinį, reikšmės yra trijų standartinių nuokrypių
intervale. Tai turi svarbią praktinę reikšmę
naudojant vadinamąją trijų σ (sigma) taisyklę.
Simetriškame vidurkio atţvilgiu rėţyje
standartinio nuokrypio
intervale yra 68,26% visų galimų
atsitiktinio dydţio reikšmių, –
95,44% visų reikšmių, o –
99,74% visų reikšmių.
Normalusis skirstinys
xsxx ~;~
xxsxsx 2~;~
xxsxsx 3~;2~
1359,0)2~~xsxXxsxP
0215,03~2~ )xsxXxsxP
3413,0~~xsxXxP
xs
xs2
xs3
Pavyzdžiai
• 1 uždavinys.
Lentelėje pateiktos keraminių plytelių klojimo trukmės min/m², kurios
nustatytos chronometravimo būdu statybvietėje. Naudojant pateiktus
duomenis, reikia apskaičiuoti plytelių klojimo vidutinę trukmę ir intervalą,
kuriame su tikimybe 0, 9 yra tikroji šio statybos proceso trukmė.
• Keraminių plytelių klojimo trukmė:
2min/, mti
1 2 3 4 5 6 7 8 9 10 11 12
27 25 29 35 28 24 27 26 29 32 28 30
12
,1
n
ni
Sprendimas
• Apskaičiuojame aritmetinį statybos proceso trukmės vidurkį ir standartinį nuokrypį :
• Apskaičiuojame parametrą ε:
Čia reikšmė randama matematinės statistikos ţinyne Stjudento dėsnio
reikšmių lentelėje .
• Tikroji plytelių klojimo trukmė yra:
nuo iki
• Išvada: Atliekant stebėjimus ir matuojant plytelių klojimo trukmę galima tvirtinti, kad
90% atvejų šio statybos proceso trukmė, min/m² bus intervale:
3,2812
340
12
1~12
1i
it tm 02,311
68,100~112
1~12
1
2
ii mts
55,187,0782,112
02,3782,1
~
, n
st
n
782,1,nt
2min/75,2655,13,28~ mmt2min/85,2955,13,28~ mmt
85,29~75,26 tm
Pavyzdžiai
2 uždavinys.
Pirmajame uţdavinyje apskaičiuotas generalinės aibės vidurkio įvertis .
Vidurkio įverčio nuokrypis nuo tikrosios reikšmės neviršys, su
patikimumu 90%, dydţio ε = 1,55.
Tarkime, kad toks tikslumas yra nepakankamas ir pageidaujama, su 90%
patikimumu gauti rezultatą, kurio paklaida būtų, pavyzdţiui, ε ≤ 1.
Sprendţiant šį uţdavinį, reikia rasti minimalų imties duomenų skaičių ,
kuriam esant su tikimybe 0,9 nuokrypis būtų ne didesnis kaip ε ≤ 1.
tm~
tm~ tm
Sprendimas
• Apskaičiuojame , naudodami pirmojo uţdavinio duomenis:
čia: – generalinės aibės dispersija.
• Generalinės aibės dispersijos reikšmė šiuo atveju ir daţniausiai yra
neţinoma. Todėl apytiksliam skaičiavimui naudojama imties
dispersijos reikšmė. Imties dispersija apskaičiuojama, pavyzdţiui,
naudojant anksčiau atliktų analogiškų tyrimų duomenis arba gaunant jų tam
tikrą skaičių nedidelio eksperimento metu. Mūsų atveju .
• Tuomet:
• Išvada: Reikia turėti apytiksliai 30 duomenų, norint gauti pageidaujamo
tikslumo rezultatą.
minn
2
2nα,
minε
σtn
gen
gen
minn2~s
22 02,3~s
291
02,3782,1~
2
2
2
22,
min
stn
n
1
5. Statybos procesų
koreliaciniai modeliai
Koreliacinė ir regresinė analizė
• Koreliacinė ir regresinė analizė - tai matematinės statistikos sritis, nagrinėjanti atsitiktinių dydžių ryšius.
• Koreliacinės ir regresinės analizės metu sudaromi įvairių procesų ar reiškinių matematiniai modeliai. Vienfaktoriais ir daugiafaktoriais koreliacijos modeliais prognozuojami ir optimizuojami techniniai ir ekonominiai statybos rodikliai, sudaromos statybos normos, įvertinamas techninių ir organizaciniųinovacijų efektyvumas ir kt.
• Šiais metodais galima sudaryti statybos procesų efektyvumo rodikliųkoreliacinius modelius, pvz., darbininkų darbo našumo, statybos kainos, statybos trukmės ir kitus matematinius modelius .
2
• Vienfaktorių matematinių priklausomybių išraiška:
• Daugiafaktorių matematinių priklausomybių išraiška:
• čia: ai – regresijos koeficientai. Jie rodo atitinkamų veiksnių xi kiekybinę
įtaką tikslo funkcijai Y.
( )1xfY =
11xaaY 0 +=
110a
xaY =
( ) ,...,, 21 mxxxfY =
mm xaxaxaaY ++++= ...22110
nna
xa
xa
xaY ,...,22
110=
Vienfaktoriai koreliaciniai ir regresiniai modeliai sudaromi tokia tvarka:
1. Nustatomas modelio kūrimo tikslas.
2. Renkami modelio kūrimui reikalingi duomenys.
3. Atliekama nagrinėjamų parametrų koreliacinė analizė.
4. Apskaičiuojami matematinės priklausomybės regresijos koeficientai.
5. Tikrinamas modelio adekvatumas.
Vienfaktoriai koreliaciniai-regresiniai modeliai
3
1. Pirmame etape formuluojamas modelio kūrimo tikslas. Šiame etape aprašomas nagrinėjamas statybos procesas ar tyrimo objektas ir nustatoma šio proceso modeliavimo funkcija, t.y. nagrinėjamas rodiklis. Be to, numatomi veiksniai, darantys įtakąšio rodiklio kitimui. Visi veiksniai išreiškiami rodikliais .
2. Modeliui kurti reikalingas tam tikras duomenųskaičius. Jie gali būti gauti įvairiai, pavyzdžiui, tai gali būti eksperimentinių bandymų, procesųstebėjimo, analitinių skaičiavimų rezultatai ir pan.
3. Koreliacinės analizės metu tikrinama, ar yra parametrų tarpusavio ryšys, ir nustatomas šio ryšio reikšmingumas. Šiam tikslui sudaromi koreliacijos laukai, apskaičiuojamas koreliacijos koeficientas ir tikrinamas jo reikšmingumas.
4
y
x
•
•
•
•
•
•
••
••
y
x
•
•
•
•
•
•
•
••
r = + r = -
y
x
•
r = 0
••
••
••
• •• • •
•
••
•
•
Koreliacijos laukai grafiškai atvaizduoja nagrinėjamųparametrų tarpusavio ryšius. Iš koreliacinio lauko galima
spręsti apie matematinės priklausomybės pobūdį.
• Koreliacinėje analizėje statistinio ryšio stiprumas tarp stebėtųkintamųjų, yra išreiškiamas koeficientu.
• Įvertinant ryšio stiprumą tarp kintamųjų, kurių reikšmės išmatuotos vardų, tvarkos ir intervalų bei santykiu skalėse naudojami skirtingi koeficientai. Vieni koeficientai kinta nuo –1 iki +1, kiti nuo 0 iki 1.Priklausomai nuo gautos koeficiento reikšmės formuluojamos išvadas apie ryšio stiprumą. Pavyzdžiui, tarp stebėtų kintamųjų nėra ryšio, yra labai silpnas, silpnas, vidutinio stiprumo arba labai stiprus ryšys.
Paprastai priklausomi kintamieji (pasekmės) yra kitų nepriklausomųkintamųjų (priežasčių) funkcijos. Skiriamos dvi priklausomybiųrūšys: funkcinė ir statistinė (atsitiktinė).
5
• Funkcinė priklausomybė – tai neatsitiktinių dydžių priklausomybė. Esant funkcinei priklausomybei, vieno dydžio kitimas tiksliai apibūdina kito dydžio kitimą.
• Statistinė priklausomybė – tai priklausomybė tarp atsitiktinių dydžių, kada kiekvieną galimą vieno atsitiktinio dydžio reikšmę atitinka tam tikras antrojo atsitiktinio dydžio skirstinys. Pavyzdžiui, kritulių kiekis ir derlius, žmogaus ūgis ir svoris, sniego dangos storis žiemą ir vandens kiekis pavasario polaidžio metu, akcijų ir aukso kainos rinkoje.
•
•
••
•
•
•
•
•
•
1+=yxr 1−=yxr
• Norint sužinoti nagrinėjamų parametrų ryšio stiprumą,
apskaičiuojamas koreliacijos koeficientas ryx arba koreliacinis
santykis ηyx.
• Esant tiesinei priklausomybei, apskaičiuojamas koreliacijos
koeficientas ryx :
• čia:
ryx – koreliacijos koeficientas;
n – duomenų skaičius;x – veiksnys (parametras, rodiklis);y – nagrinėjamas rodiklis.
Koreliacijos koeficientas įgauna tokias reikšmes: -1 ≤ ryx ≤ +1
1
2
1
2
1
2
1
2
1 1 1
∑ ∑∑ ∑
∑ ∑ ∑
= −== =
= = =
−⋅
−
−
=n
i
n
i
ii
n
i
n
i
ii
n
i
n
i
n
i
iiii
yx
yynxxn
yxyxn
r
6
• Esant netiesinei priklausomybei, apskaičiuojamas koreliacinis
santykis ηyx ir ryšio stiprumas nustatomas pagal šią formulę:
čia:
– koreliacinis santykis;
– teorinių reikšmių dispersija;
– empirinių reikšmių dispersija.
• Koreliacinis santykis įgauna šias reikšmes:
2
2
y
yyx
s
s )=η
yxη
2ys )
2ys
10 ≤≤ yxη
4. Regresijos koeficientų apskaičiavimas.
• Koreliacinės analizės metu nustatoma nagrinėjamųparametrų tarpusavio ryšio matematinės priklausomybės išraiška. Regresijos koeficientai randami taikant mažiausių kvadratų metodą.
• Regresijos koeficientų statistinis įvertinimas atliekamas tikrinant nulinę hipotezę, t.y. tikrinama, ar regresijos koeficientai statistiškai nelygus nuliui. Šiuo atveju apskaičiuojamas Stjudento kriterijus, kuris palyginamas su reikšme, randama iš matematinės statistikos lenteliųpagal duomenų skaičių n ir rezultatų patikimumą.
9
• Regresijos koeficientų statistinis įvertinimas atliekamas tikrinant nulinę hipotezę, t.y. tikrinama, ar regresijos koeficientai statistiškai nelygus nuliui. Šiuo atveju apskaičiuojamas Stjudento kriterijus, kuris palyginamas su reikšme, randama iš matematinės statistikos lenteliųpagal duomenų skaičių n ir rezultatų patikimumą.
5. Matematinio modelio adekvatumo tikrinimas.
• Tikrinant modelio adekvatumo hipotezę, reikia palyginti sudaryto modelio tikslumo charakteristiką su empiriniųduomenų tikslumo charakteristikos įverčiu. Jeigu modelio tikslumo charakteristikos paklaida didesnė už empiriniųduomenų paklaidą, tuomet modelio adekvatumo hipotezė atmetama.
10
• statybos procesų stebėjimo rezultatų sklaida jų vidurkio atžvilgiu:
( )∑ −=4
1
2~yySS it
( )33 , yx
( )11, yx
( )yx ~,~
( )44 , yx
( )22 , yx
( ) .~4
1
2∑ −= yySS it
• statybos procesų stebėjimo rezultatų sklaida regresijos tiesės atžvilgiu:
( )∑ −=4
1
2ˆiir yySS
( )33 , yx
( )11, yx
( )yx ~,~
( )44 , yx
( )22 , yx
( )∑ −=
4
1
2ˆiir yySS
11
• regresijos tiesės reikšmių sklaida statybos procesų stebėjimo rezultatų vidurkio atžvilgiu:
( )∑ −=4
1
2~ˆ yySS
ib
( )33 , yx
( )44 , yx
( )11, yx
( )yx ~,~
( )22 , yx
( )∑ −=
4
1
2~ˆ yySS ib
12
• Matematinio modelio adekvatumas nustatomas pagal Fišerio F kriterijų, kuris apskaičiuojamas pagal formulę:
čia:– neadekvatumo dispersija:
– empirinė dispersija:
čia:– stebėta reikšmė;
– stebėtos reikšmės vidurkis;– pagal regresijos lygtį apskaičiuota reikšmė (prognozuojama reikšmė);
n – bendras stebėjimo reikšmių skaičius.
2y
2ad
sks
sF =ˆ
( )
2
ˆ1
2
2
−
−
=
∑=
n
yy
s
n
iii
ad
2
ads
( )
1
~
1
2
2
−
−
=
∑=
n
yy
s
n
i
i
y
2ys
y~iy
iy
16
Regresinės analizės pavyzdys
• Taškų sklaidos diagrama parodo ryšio tarp dviejų kintamųjų
pobūdį. Jos yra ypač naudingos, nes atskleidžia ir netiesinį
ryšį, kuris gali būti neįvertintas skaičiuojant tiesinę koreliaciją.
Tačiau dažnai reikia nustatyti ne tik ryšio pobūdį, bet ir jo
stiprumą.
17
Pirsono koreliacijos koeficientas įvertinantis tiesinio ryšio stiprumą tarp automobilio
svorio ir benzino sąnaudų apskaičiuotas naudojant paketą SPSS. Imties didumas n=392.
Koreliacijos koeficientas r=0,885. Nulinė hipotezė: Koreliacijos koeficientas lygus nuliui, atmesta ( Sig. 2 tailed =0,000<0,05).
Išvada: Tarp automobilio svorio ir sunaudojamo benzino kiekio yra stiprus tiesinis ryšys
1
6. Daugiafaktoriai koreliaciniai ir regresiniai modeliai
• Daugiafaktoriai koreliaciniai ir regresiniai modeliai leidžia įvertinti dviejų ir daugiau veiksnių bendrą kiekybinę įtaką nagrinėjamo statybos proceso tikslo funkcijos rodikliui.
• Daugiafaktoriai koreliaciniai ir regresiniai modeliai gali būti išreiškiami įvairiomis matematinio ryšio formomis. Tačiau dažniausiai naudojami tiesiniai ir laipsniniai daugiafaktoriai koreliaciniai modeliai
2
• Tiesiniai daugiafaktoriai koreliaciniai modeliai išreiškiami šia lygtimi:
čia:
y – tikslo funkcijos rodiklis;
x1,n – veiksniai, kurie darantys įtaką tikslo funkcijos rodikliui;
n – veiksnių skaičius;
ai – regresijos koeficientas. Jis rodo tam tikro veiksnio kiekybinę įtaką
tikslo funkcijos rodikliui. Jei prie regresijos koeficiento ai yra ženklas „+”, tai,
didėjant x reikšmei, didėja y.
• Laipsniniai daugiafaktoriai koreliaciniai modeliai išreiškiami šia lygtimi:
( ) 22110 nnn21
xa...xaxaax,...,x,xfy ++++==
na
naa
x...xxay ⋅⋅⋅= 21
210
Daugiafaktorių koreliacinių modelių kūrimo etapai:
1. Modelio kūrimo tikslo nustatymas.
2. Modelio kūrimui reikalingų duomenų rinkimas.
3. Nagrinėjamo proceso parametrų daugiafaktorė koreliacinėanalizė.
4. Matematinės priklausomybės regresijos koeficientųapskaičiavimas.
5. Modelio adekvatumo tikrinimas.
3
1. Modelio kūrimo tikslo iškėlimas
• Šiame etape nustatomas matematinio modelio sudarymo tikslas ir tikslo funkcijos rodiklis.
• Pavyzdžiui, gali būti tokie matematinio modelio sudarymo tikslai:
– sudaryti betono stiprio daugiafaktorį matematinį modelį
– sudaryti tinkuotojų darbo našumo matematinį modelį
( )nb xxxxfR ,...,,,321
=
( )nxxxxfN ,...,,,321
=
2. Modelio kūrimui reikalingų duomenų rinkimas
• Šiame etape sudaromas veiksnių sąrašas. Tai veiksniai, kurie gali daryti kiekybinę įtaką pasirinktam tikslo funkcijos rodikliui. Po to renkami reikalingi duomenis. Jie pateikiami pradinių duomenųlentelėje
xmnxmi.xm3xm2xm1ymmk
.........
.........
.........
.........
x3nx3i.x33x32x31y333
x2nx2i.x23x22x21y222
x1nx1ix13x12x11y111
xnxi…x3x2x1y
Veiksniai ir jų rodiklių reikšmėsTikslo funkcijos rodiklio
reikšmės
Nagrinėjamo objekto
pavadinimas
Eil.nr.
4
• Reikalingas duomenų skaičius m randamas pagal formulę:
čia:
m – reikalingas duomenų skaičius (objektų skaičius);
n – veiksnių skaičius.
( ) 81 ⋅+≥ nm
3. Nagrinėjamo proceso parametrų daugiafaktorėkoreliacinė analizė
• Nagrinėjamo proceso parametrų daugiafaktorė koreliacinė analizėatliekama panašiai kaip vienfaktorės (porinės) koreliacijos atveju.
• Tačiau čia skaičiuojami dviejų tipų koreliacijos koeficientai:
– koeficientai, kurie rodo tikslo funkcijos rodiklio ir veiksnių koreliaciją;
– koeficientai, kurie rodo veiksnių tarpusavio koreliaciją.
• Abiejų tipų koreliacijos koeficientų reikšmingumas nustatomas lyginant rsk
su rlent. Tam naudojamos matematinės statistikos lentelės. Jeigu
rsk>=rlent , tuomet ryšys yra reikšmingas.
• Koreliacinės analizės metu paliekami visi veiksniai, kurių yra reikšmingi. Kai koreliacijos koeficientai yra reikšmingi, egzistuoja veiksnių tarpusavio koreliacija. Toks reiškinys vadinamas multikoreliacija. Šiuo atveju reikia vieną iš veiksnių pašalinti. Paliekamas tas veiksnys, kurio koreliacijos koeficiento reikšmė yra didesnė. Multikoreliacijos reiškinį galima pašalinti ir kitais būdais.
iYxr
ii xxr
5
4. Daugiafaktorės matematinės priklausomybės regresijos koeficientų apskaičiavimas
• Tiesinio daugiafaktorio koreliacinio modelio regresijos koeficientai randami mažiausių kvadratų metodu.
• Regresijos koeficientų statistinis įvertinimas atliekamas tikrinant nulinę hipotezę, t.y. tikrinama, ar regresijos koeficientai statistiškai nelygūs nuliui.
• Apskaičiuojamas Stjudento kriterijus tsk , jis palyginamas su tlent. tlent reikšmė nustatoma iš matematinės statistikos lentelių pagal duomenų skaičių n ir rezultatų patikimumą. Jeigu tsk >= tlent , tai regresijos koeficientas yra reikšmingas, jis paliekamas lygtyje.
5. Matematinio modelio adekvatumo tikrinimas
• Daugiafaktorių koreliacinių modelių adekvatumui tikrinti naudojamas daugiafaktorės koreliacijos koeficientas R. Šio koeficiento vertėbūna . Kuo R vertė arčiau vieneto, tuo matematinis modelis geriau aproksimuoja empirinius duomenis.
• Daugiafaktorės koreliacijos koeficientas apskaičiuojamas pagal šiąformulę:
čia n – bendras stebėjimo reikšmių skaičius;
p – nagrinėjamų veiksnių skaičius;
10 ≤≤ R
( )[ ]21
11
1
Rpn
nR ′−
−−
−−=
( )
( );
ˆ
1
1
2
1
2
∑
∑
=
=
−
−
−=′n
i
i
n
i
ii
yy
yy
R
6
• Daugiafaktorės koreliacijos koeficiento R reikšmingumas tikrinamas pagal Fišerio F kriterijų:
• Jeigu , tai hipotezė, kad daugiafaktorės koreliacijos koeficientas lygus nuliui atmetama.
• vertė randama matematinės statistikos vadovėlyje ar
žinyne. Ji priklauso nuo reikšmingumo lygmens α, k1 = n – p - 1 ir
k2 = p.
• Daugiafaktorės koreliacinės analizės metu koeficientas Rapskaičiuojamas visais atvejais, kai šalinamas nereikšmingas veiksnys arba regresijos koeficientas. Po to kiekvieną kartątikrinamas daugiafaktorės koreliacijos koeficiento reikšmingumas pagal Fišerio kriterijų
( )
( )pR
pnRFR 2
2
1
1ˆ
−
−−=
( )kr
kkRR FFα;;
21
ˆ ≥
( )kr
kkRF α;2,1
( )kr
kkRF α;2,1
• Daugiafaktorių koreliacinių modelių adekvatumas tikrinamas ir kitais metodais. Pavyzdžiui, apskaičiuojamas Fišerio F kriterijus:
čia – neadekvatumo dispersija; – empirinė dispersija:
čia:
y – stebėta reikšmė;– stebėtos reikšmės vidurkis;– pagal daugiafaktorės regresijos lygtį apskaičiuota vertė
(prognozuojama vertė);
n – bendras stebėjimo reikšmių skaičius;
p – nagrinėjamų veiksnių skaičius.
s
sF
y
adsk 2
2
ˆ =
2
ads2
ys
( )
1
ˆ
1
2
−−
−
=
∑=
pn
yy
s
n
iii
2ad
( )
1
~
1
2
2
−
−
=
∑=
n
yy
s
n
ii
y
y~
iy
7
• vertė palyginama su .
Jeigu < , tai matematinis modelis adekvatus ir jį
galima naudoti tyrimams arba apskaičiavimams.
vertė randama matematinės statistikos vadovėlyje ar
žinyne.
• Jei adekvatumo hipotezė atmetama, būtina pereiti prie
sudėtingesnės ryšio lygties arba koreguoti tyrimų tikslą.
skF ( )kr
kkF %;; 21 α
( )kr
kkF %;; 21 αskF
( )kr
kkF %;; 21 α
1 pavyzdys. Betono stiprio vienfaktorio matematinio modelio sudarymas
1 pav. pateikta betono stiprio vienfaktorio matematinio modelio teorinė išraiška.
•
( ) 2
210CaCaaCfRb ++==
bR
•
••••
•
•••
••
8
2 pavyzdys. Nustatyti pagrindinių veiksnių įtaką tinkuotojųpamainos darbo našumui.
1.Modelio kūrimo tikslas ir uždavinio formulavimas.
• Sudaryti tinkuotojų pamainos darbo našumo daugiafaktorį koreliacinįmodelį.
• Tikslo funkcijos rodiklis:
Nd – tinkuotojo pamainos išdirbis, litais.
• Veiksniai, darantys įtaką tinkuotojų pamainos darbo našumui (apriori):
x1, x2, x3, … , xn-1, xn
2.Pradiniai duomenys.
• Sudaromas veiksnių ir jų rodiklių sąrašas. Pavyzdžiui, gali būti tokie veiksniai ir jų rodikliai:
x1 – darbo stažas, metais;x2 – aprūpinimas mechanizmais (mechanizmų vertė), Lt;x3 – darbininkių kvalifikacija, kategorija;xn-1 – tinkuojamų plotų charakteristika (pvz., kampų skaičius),
vnt.;xn – n-asis veiksnys.
• Tas pats veiksnys gali būti išreikštas įvairiais rodikliais. Pavyzdžiui, veiksnys „statybos darbų mechanizacija” gali būti išreikštas šiais rodikliais: mechanizacijos laipsnis, %; mechanizmų vertė, litais ir kt.
• Pradiniai duomenys gaunami įvairiai, pavyzdžiui, statybos įmonėse, atliekant tyrimus, iš literatūros šaltinių ir kt.
9
…14…3800550Gajauskask
…12…412501880Kanapeckask-1
………………………
16…412001070Petraitis2.
…15…47801565 Jonaitis1.
xn
xn-1
…x3
x2
x1
Veiksniai ir jų rodiklių reikšmėsTikslo funkcijos rodiklis,
Nd
Lt/pam.Pavadinimas
Eil. Nr.
3.Koreliacinė analizė ir daugiafaktorio koreliacinio modelio adekvatumo tikrinimas.
• Tai atliekama analogiškai vienfaktoriai koreliacinei analizei. Tačiau šiuo atveju papildomai apskaičiuojami veiksnių tarpusavio koreliacijos koeficientai. Esant multikoreliacijai, reikia šalinti mažiau reikšmingus veiksnius.
• Sudarytas daugiafaktoris koreliacinis modelis įvertinamas pagal Fišerio kriterijų. Jeigu Fsk < Flent , tai matematinis modelis adekvatus. Tuomet matematinis modelis adekvačiai atvaizduoja priežastinius ryšius ir gali būti taikomas praktikoje. Jeigu sudaryti keli nagrinėjamo statybos proceso matematiniai modeliai, tai imama ta matematinė išraiška, kurios Fsk reikšmė mažiausia. Flent reikšmėnustatoma iš matematinės statistikos lentelių.
10
Pagrindiniai kelių kintamųjų regresinės analizės uždaviniai
• Regresinės funkcijos analizinės išraiškos radimas
• Regresijos funkcijos nežinomų parametrų taškinių ir intervaliniųįverčių radimas
• Hipotezių apie regresijos funkcijos parametrus tikrinimas
• Prognozavimo paklaidų įvertinimas
• Regresijos modelio prielaidų tikrinimas
• Optimalios regresijos lygties sudarymas
3 pavyzdys. Atsitiktinai atrinktų 20 studenčių ūgio ir svorio duomenys
72169
56169
56175
69172
50160
55159
60168
46156
50150
65170
55157
55160
57170
57160
46152
56156
47163
64170
65164
60159
SvorisUgis
11
Priklausomybė tarp studenčių ūgio ir svorio
Correlations
1 ,649**
,002
20 20
,649** 1
,002
20 20
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Ûgis (cm)
Svoris (kg)
Ûgis (cm) Svoris (kg)
Correlation is significant at the 0.01 level (2-tailed).**.
Pirsono koreliacijos koeficientas
• Koreliacijos koef r = 0,649
• Tikrinama nulinė hipotezė H0: Koreliacijos koeficientas lygus nuliui• Nuline hipotezė atmesta (0,002 < 0,05)
12
Correlations
1,000 ,672**
. ,001
20 20
,672** 1,000
,001 .
20 20
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Ûgis (cm)
Svoris (kg)
Spearman's rhoÛgis (cm) Svoris (kg)
Correlation is significant at the 0.01 level (2-tailed).**.
Spirmeno koreliacijos koeficientas
• Koreliacijos koef r = 0,672
• Tikrinama nulinė hipotezė H0: Spirmeno koreliacijos koeficientas lygus nuliui• Nuline hipotezė atmesta (0,001 < 0,05)
Model Summaryb
,649a ,421 ,388 5,727Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), Ûgis (cm)a.
Dependent Variable: Svoris (kg)b.
Apibrėžtumo koeficientas
• Apibrėžtumo koeficiento reikšmė (R Square) rodo 0,421, kad 42,1%sklaidos apie vidurkį galima paaiškinti tiesine regresija tarp kintamųjų, o likusi yra nepaaiškinama sklaidos dalis
13
Dispersinė analizė
ANOVAb
428,548 1 428,548 13,065 ,002a
590,402 18 32,800
1018,950 19
Regression
Residual
Total
Model1
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), Ûgis (cm)a.
Dependent Variable: Svoris (kg)b.
• Patikrinta nulinė hipotezė: “regresija yra netiesinė”• Nulinė hipotezė yra atmesta (0,002 < 0,05). Statistiškai įrodyta, kad
regresija yra tiesinė.
Regresijos lygtie koeficientai
Coefficientsa
-52,225 30,258 -1,726 ,101
,671 ,186 ,649 3,615 ,002
(Constant)
Ûgis (cm)
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Svoris (kg)a.
• Regresijos lygtis Svoris = -52,225 + 0,671*Ugis
• Tik vienas regresijos koeficientas yra reikšmingas, atmesta tik viena nulinėhipotezė “Regresijos koef. lygus nuliui”
• Regresijos modelis nelabai gerai apibūdina stebėjimų duomenis
14
4 pavyzdys. Automobiliai
Duomenų failuose automobiliai.xls (MS EXCEL 4.0), pateikti duomenys apie 392 automobilius, kuriuos 1982 m. surinko Donoho ir Ramos. Šiuos duomenis naudoja daugelis pasaulio statistikų lygindami įvairių statistikos paketų galimybes.
Duomenų faile automobiliai.xxx yra 9 kintamieji.
Sklaidos diagrama
15
Pirsono koreliacijos koeficientas
• Koreliacijos koef r = 0,688
• Tikrinama nulinė hipotezė H0: Koreliacijos koeficientas lygus nuliui• Nuline hipotezė atmesta (0,000 < 0,05)
Correlations
1 -,688**
,000
392 392
-,688** 1
,000
392 392
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Laikas per kuráautomobilis pasiekia100 km/h greitá (sek)
Variklio galia (AJ)
Laikas perkurá
automobilispasiekia 100km/h greitá
(sek)Variklio
galia (AJ)
Correlation is significant at the 0.01 level (2-tailed).**.
Spirmeno koreliacijos koeficientas
• Koreliacijos koef r = 0,658
• Tikrinama nulinė hipotezė H0: Spirmeno koreliacijos koeficientas lygus nuliui• Nuline hipotezė atmesta (0,000 < 0,05)
Correlations
1,000 -,658**
. ,000
392 392
-,658** 1,000
,000 .
392 392
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Laikas per kuráautomobilis pasiekia100 km/h greitá (sek)
Variklio galia (AJ)
Spearman's rho
Laikas perkurá
automobilispasiekia 100km/h greitá
(sek)Variklio
galia (AJ)
Correlation is significant at the 0.01 level (2-tailed).**.
16
Apibrėžtumo koeficientas
• Apibrėžtumo koeficiento reikšmė (R Square) rodo 0,473, kad 47,3%sklaidos apie vidurkį galima paaiškinti tiesine regresija tarp kintamųjų, o likusi yra nepaaiškinama sklaidos dalis
Model Summaryb
,688a ,473 ,472 2,1047Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), Variklio galia (AJ)a.
Dependent Variable: Laikas per kurá automobilispasiekia 100 km/h greitá (sek)
b.
Dispersinė analizė
• Patikrinta nulinė hipotezė: “Regresija yra netiesinė”• Nulinė hipotezė yra atmesta (0,000 < 0,05). Statistiškai įrodyta, kad
regresija yra tiesinė.
ANOVAb
1552,735 1 1552,735 350,521 ,000a
1727,620 390 4,430
3280,355 391
Regression
Residual
Total
Model1
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), Variklio galia (AJ)a.
Dependent Variable: Laikas per kurá automobilis pasiekia 100 km/h greitá (sek)b.
17
Regresijos lygtie koeficientai
• Regresijos lygtis Laikas = 21,735 - 0,052*Galia
• Abu regresijos lygties koeficientai yra reikšmingi, nes atmestos nulinės hipotezės “Regresijos koef. lygus nuliui”
• Regresijos modelis nelabai gerai apibūdina stebėjimų duomenis
Coefficientsa
21,735 ,308 70,607 ,000
-,052 ,003 -,688 -18,722 ,000
(Constant)
Variklio galia (AJ)
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Laikas per kurá automobilis pasiekia 100 km/h greitá (sek)a.
• Variklio galios priklausomybė nuo cilindrųtūrio ir cilindrų skaičiaus
18
Pirsono koreliacijos koeficientas
• Koreliacijos koef r = 0,897 ir r = 0,843
• Tikrinama nulinė hipotezė H0: Koreliacijos koeficientas lygus nuliui• Nuline hipotezė atmesta (0,000 < 0,05)
Correlations
1 ,897** ,843**
,000 ,000
392 392 392
,897** 1 ,951**
,000 ,000
392 392 392
,843** ,951** 1
,000 ,000
392 392 392
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Variklio galia (AJ)
Variklio cilindrøtûris (kûb. cm)
Cilindrø skaièius
Varikliogalia (AJ)
Varikliocilindrø tûris
(kûb. cm)Cilindrøskaièius
Correlation is significant at the 0.01 level (2-tailed).**.
Spirmeno koreliacijos koeficientas
• Koreliacijos koef r = 0,876 ir r = 0,816
• Tikrinama nulinė hipotezė H0: Spirmeno koreliacijos koeficientas lygus nuliui• Nuline hipotezė atmesta (0,000 < 0,05)
Correlations
1,000 ,876** ,816**
. ,000 ,000
392 392 392
,876** 1,000 ,914**
,000 . ,000
392 392 392
,816** ,914** 1,000
,000 ,000 .
392 392 392
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Variklio galia (AJ)
Variklio cilindrøtûris (kûb. cm)
Cilindrø skaièius
Spearman's rho
Varikliogalia (AJ)
Varikliocilindrø tûris
(kûb. cm)Cilindrøskaièius
Correlation is significant at the 0.01 level (2-tailed).**.
19
Correlations
1 ,897**
,000
392 392
,897** 1
,000
392 392
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Variklio galia (AJ)
Variklio cilindrøtûris (kûb. cm)
Varikliogalia (AJ)
Varikliocilindrø tûris
(kûb. cm)
Correlation is significant at the 0.01 level (2-tailed).**.
Correlations
1,000 ,876**
. ,000
392 392
,876** 1,000
,000 .
392 392
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Variklio galia (AJ)
Variklio cilindrøtûris (kûb. cm)
Spearman's rho
Varikliogalia (AJ)
Varikliocilindrø tûris
(kûb. cm)
Correlation is significant at the 0.01 level (2-tailed).**.
20
Model Summaryb
,897a ,805 ,805 17,015Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), Variklio cilindrø tûris (kûb. cm)a.
Dependent Variable: Variklio galia (AJ)b.
ANOVAb
466380,5 1 466380,473 1610,870 ,000a
112913,2 390 289,521
579293,6 391
Regression
Residual
Total
Model1
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), Variklio cilindrø tûris (kûb. cm)a.
Dependent Variable: Variklio galia (AJ)b.
Coefficientsa
40,306 1,815 22,207 ,000
,020 ,001 ,897 40,136 ,000
(Constant)
Variklio cilindrøtûris (kûb. cm)
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Variklio galia (AJ)a.
21
• Laiko, per kuri automobilis pasiekia greitį100km/h, priklausomybė nuo automobilio
svorio ir variklio galios
22
Pirsono koreliacijos koeficientas
• Koreliacijos koef r =- 0,415 ir r = - 0,688
• Tikrinamos nulinė hipotezės H0: Koreliacijos koeficientas lygus nuliui• Nulinės hipotezės atmestos (0,000 < 0,05)
Correlations
1 -,415** -,688**
,000 ,000
392 392 392
-,415** 1 ,865**
,000 ,000
392 392 392
-,688** ,865** 1
,000 ,000
392 392 392
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
Laikas per kuráautomobilis pasiekia100 km/h greitá (sek)
Svoris (kg)
Variklio galia (AJ)
Laikas perkurá
automobilispasiekia 100km/h greitá
(sek) Svoris (kg)Variklio
galia (AJ)
Correlation is significant at the 0.01 level (2-tailed).**.
Spirmeno koreliacijos koeficientas
• Koreliacijos koef r = - 0,405 ir r = - 0,658
• Tikrinamos nulinės hipotezės H0: Spirmeno koreliacijos koeficientas lygus nuliui
• Nulinės hipotezės atmestos (0,000 < 0,05)
Correlations
1,000 -,405** -,658**
. ,000 ,000
392 392 392
-,405** 1,000 ,879**
,000 . ,000
392 392 392
-,658** ,879** 1,000
,000 ,000 .
392 392 392
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Correlation Coefficient
Sig. (2-tailed)
N
Laikas per kuráautomobilis pasiekia100 km/h greitá (sek)
Svoris (kg)
Variklio galia (AJ)
Spearman's rho
Laikas perkurá
automobilispasiekia 100km/h greitá
(sek) Svoris (kg)Variklio
galia (AJ)
Correlation is significant at the 0.01 level (2-tailed).**.
23
Apibrėžtumo koeficientas
• Apibrėžtumo koeficiento reikšmė (R Square) rodo 0,601, kad 60,1%sklaidos apie vidurkį galima paaiškinti tiesine regresija tarp kintamųjų, o likusi yra nepaaiškinama sklaidos dalis
Model Summaryb
,775a ,601 ,599 1,8350Model1
R R SquareAdjustedR Square
Std. Error ofthe Estimate
Predictors: (Constant), Variklio galia (AJ), Svoris (kg)a.
Dependent Variable: Laikas per kurá automobilispasiekia 100 km/h greitá (sek)
b.
Dispersinė analizė
• Patikrinta nulinė hipotezė: “Regresija yra netiesinė”• Nulinė hipotezė yra atmesta (0,000 < 0,05). Statistiškai įrodyta, kad
regresija yra tiesinė.
ANOVAb
1970,549 2 985,275 292,617 ,000a
1309,805 389 3,367
3280,355 391
Regression
Residual
Total
Model1
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), Variklio galia (AJ), Svoris (kg)a.
Dependent Variable: Laikas per kurá automobilis pasiekia 100 km/h greitá (sek)b.
24
Regresijos lygtie koeficientai
• Regresijos lygtis Laikas = 19,351 + 0,005*Svoris – 0,098*Galia
• Visi trys regresijos lygties koeficientai yra reikšmingi, nes atmestos nulinės hipotezės “Regresijos koef. lygus nuliui”
• Regresijos modelis gerai apibūdina stebėjimų duomenis
Coefficientsa
19,351 ,343 56,373 ,000,005 ,000 ,710 11,139 ,000
-,098 ,005 -1,302 -20,423 ,000
(Constant)
Svoris (kg)
Variklio galia (AJ)
Model1
B Std. Error
UnstandardizedCoefficients
Beta
StandardizedCoefficients
t Sig.
Dependent Variable: Laikas per kurá automobilis pasiekia 100 km/h greitá (sek)a.
Matematinio programavimo esmė
• Matematinis programavimas – tai matematikos sritis, nagrinėjanti optimizavimo uţdavinių, esant ribojimams,teoriją ir metodus [Ţilinskas, 2000].
• Matematinio programavimo taikymas leidţia rasti optimalius kai kurių statybos uţdavinių sprendimus.
Pavyzdţiui, optimalus grunto paskirstymas statybos aikštelėje, betono mišinių gamybos optimizavimas, atliekų minimizavimas armatūros dirbinių gamyboje, optimalios statybinių gaminių gabenimo schemos sudarymas ir kt.
• Matematinio programavimo uţdavinys formuluojamas taip:
Yra ţinoma funkcija ir sąlygos, kurias turi
tenkinti neţinomieji (apribojimų sistema).
Reikia nustatyti kintamųjų reikšmes , kurioms esant
funkcijos reikšmė būtų maksimali arba minimali, t.y.:
arba
Matematinio programavimo esmė
nxxxfz ,...,, 21
nxxx ,...,, 21
**2
*1 ,...,, nxxx
**1
*1max ,...,, nxxxfz
**1
*1min ,...,, nxxxfz
• n – matis taškas , tenkinantis apribojimų
sistemą, vadinamas leistinuoju sprendiniu.
• Leistinasis sprendinys , suteikiantis funkcijai z
maksimalią arba minimalią reikšmę, vadinamas optimaliuoju
sprendiniu, o atitinkama funkcijos reikšmė –
optimumu arba ekstremumu.
• Optimalųjį uţdavinio sprendinį galima vadinti optimumo tašku.
Matematinio programavimo esmė
nxxxx ,...,, 21
**2
*1 ,...,, nxxxx
**2
*1 ,...,, nxxxf
• Matematinio programavimo uţdaviniai klasifikuojami priklausomai nuo tikslo funkcijos ir leistinosios srities savybių. Jei tikslo funkcija tiesinė, o leistinoji sritis apibrėţta tiesinėmis lygybėmis ir nelygybėmis, tai uţdavinys vadinamas tiesinio programavimo uždaviniu.
• Kai tikslo funkcija ar ribinės sąlygos, ar ir viena, ir kita turi bent vieną aukštesnio laipsnio kintamąjį, tokie uţdaviniai gali būti išspręsti tik netiesinio programavimo metodais.
• Netiesinio programavimo uţdavinys, kurio tikslo funkcija f( ) yra iškila ir apribojimų sritis Ω yra iškila aibė, vadinamas iškilojo programavimo uždaviniu.
Matematinio programavimo esmė
x
• Sprendţiant statybos projektų įgyvendinimo uţdavinius, tenka nagrinėti investicijų optimizavimo klausimus. Tokius uţdavinius galima spręsti taikant dinaminį programavimą.
• Dinaminis programavimas – matematinio programavimo šaka, tirianti daugiaţingsnius optimalių sprendimų priėmimo uţdavinius. Dinaminiu programavimu naudojamasi sprendţiant tokius optimizacijos uţdavinius, kurių sprendinių paieškos procesą galima išreikšti tam tikra ţingsnių seka.
• Optimalus sprendinys gaunamas sudėtingo uţdavinio sprendimą skaidant į daugelio paprastesnių uţdavinių ekstremumų radimą. Dinaminį programavimą sukūrė amerikiečių mokslininkas R.Belmanas.
Matematinio programavimo esmė
• Diskrečiojo programavimo uţdaviniuose kintamieji gali
būti tik sveikieji skaičiai.
• Taikant diskrečiojo programavimo metodus galima
spręsti svarbius statybos uţdavinius. Tai, pavyzdţiui,
statybos įmonių gamybos programos optimizavimas,
statybinių medţiagų ir gaminių gamybos išdėstymo
optimizavimas, ţemės darbų vykdymo projektinių
sprendimų optimizavimas, statybinių medţiagų ir
gaminių gabenimo schemos optimizavimas ir kt.
Matematinio programavimo esmė
• Matematinio programavimo uţdaviniai, kuriuose tikslo
funkcijos ar ribinių sąlygų parametrai (ar abiejų) yra
atsitiktiniai dydţiai, vadinami stochastinio programavimo
uţdaviniais.
• Stochastinis programavimas nagrinėja optimizavimo
uţdavinių teoriją ir sprendimo metodus, kai informacija
apie uţdavinio sąlygas yra neišsami.
• Stochastinio programavimo modeliai aprašo procesus,
vykstančius neapibrėţtumo sąlygomis.
Matematinio programavimo esmė
Statybos procesų matematinio programavimo modelio kūrimo
sustambinta struktūrinė schema
Gauto optimalaus sprendinio interpretavimas ir paruošimas
įgyvendinti
Uždavinio formulavimas
Matematinio programavimo teorinio modelio sudarymas
Duomenų surinkimas ir formalus uždavinio aprašymas
Optimizavimo uždavinio sprendimas naudojant asmeninį kompiuterį
Uždavinio sprendimo metodo parinkimas
Metodas parinktas ir
sudarytas
algoritmas
Matematinis uţdavinio formulavimas – svarbiausias ir sudėtingiausias optimizavimo etapas.
Šiame etape reikia:
• suformuluoti sprendţiamo uţdavinio esmę;
• nustatyti tikslą ir kriterijų, kurį tikslinga optimizuoti;
• numatyti parametrus, kurie nusako uţdavinio sąlygas ir ribojimus;
• nurodyti parametrų reikšmių kitimo ribas.
Matematinio programavimo esmė
• Matematinis optimizavimas – tai procesas, kurio metu atliekama suformuluoto uţdavinio apibrėţtoje aibėje tokio elemento paieška, kuriam kriterijaus reikšmė būtų minimali (arba maksimali).
• Daţniausiai nagrinėjamoji aibė yra n–matės Euklido erdvės poaibis. Tuomet atliekama parametrų vektoriaus su minimalia(arba maksimalia) kriterijaus reikšme paieška.
• Parametrų vektoriaus komponentės vadinamos uždavinio kintamaisiais, o kriterijų apibrėţianti funkcija vadinama tikslo funkcija. Kintamieji turi
patenkinti suformuluoto uţdavinio sąlygas. Erdvės Rn poaibis
A, kuriame teisingos uţdavinyje apibrėţtos sąlygos
kintamiesiems, vadinamas sprendinių leistinąja sritimi.
• Formuluojant uţdavinį reikia apibrėţti kintamųjų vektorių ,
tikslo funkciją ir leistinąją sritį A. Išsprendus uţdavinį,
bus gautas optimalus sprendinys, t.y. optimalių parametrų vektorius .
Matematinio programavimo esmė
nRx
n,...,i,xi 1
xf
x
xf
x
• Nuo matematinio uţdavinio formulavimo priklauso, ar optimizavimo uţdavinys bus išspręstas, koks bus gautų rezultatų adekvatumas, ar galimas sprendinys bus tinkamas naudoti praktiškai.
• Teorinis matematinio programavimo modelis sudaromas įvertinant suformuluoto uţdavinio ypatumus. Šiuo metu naudojamos įvairios kompiuterio programos uţdavinio optimaliam sprendiniui gauti ir analizei.
• Matematinio modelio sudarymas priklauso konkrečios veiklos srities specialistų kompetencijai. Tokiems specialistams būtinos uţdavinių optimizavimo teorijos, maţiausiai įvado ţinios ir metodų taikymo patirtis. Sudarant matematinį modelį, tenka įvertinti įvairias galimybes ir rasti kompromisą tarp modelio sudėtingumo, jo adekvatumo ir metodų, kuriais bus sprendţiamas uţdavinys.
Matematinio programavimo esmė
• Šiuo metu yra sukurta daug optimizavimo uţdavinių sprendimo metodų ir atitinkamų kompiuterių programų. Tačiau ne kiekvienam suformuluotam uţdaviniui galima paprastai rasti tinkamą algoritmą.
• Tiesinio programavimo uţdaviniai sprendţiami universaliu simplekso metodu.
• Sprendţiant diskretinio programavimo uţdavinius tiesinio programavimo simplekso metodu, gaunami optimalūs sprendiniai, tačiau tai nėra sveiki skaičiai. Suapvalinus šiuos sprendinius iki didesniosios reikšmės, gaunamas negalimas sprendinys, prieštaraujantis ribinei nelygybei, o suapvalinus iki maţesniosios, – gaunamas blogesnis sprendinys.
• Kai kuriems uţdaviniams toks sprendimas tinka, tačiau tokio pobūdţio uţdaviniai sprendţiami kitais metodais. Jie skirstomi į dvi grupes: atkirtimo ir grįžtamųjų metodų.
Metodų efektyvumas
• Atkirtimo metodo esmė ta, kad sprendţiant uţdavinį
sudaryta apribojimų sistema papildoma naujais tiesiniais
apribojimais (po vieną apribojimą), kuris reiškia naujas
hiperplokštumas.
• Šios hiperplokštumos taip pakeičia sprendinių aibę, kad
optimaliu kraštutiniu tašku tampa taškas (jo koordinatės)
su sveikais skaičiais.
Metodų efektyvumas
• Taikant atkirtimo metodą, iš pradţių randamas tiesinio programavimo uţdavinio sprendinys, kai nepaisoma sąlygos, jog kintamieji turi būti sveiki skaičiai.
• Antrame etape (atliekant tolesnę iteraciją) pridedama tiesinė ribinė lygtis, laikantis reikalavimo, kad vienas iš kintamųjų būtų sveikas skaičius. Ši lygtis atkerta dalį leistinosios sprendinių srities taip, kad nebūtų prarasti galimi sveikaskaičiai sprendiniai. Taip randamas naujojo uţdavinio sprendinys.
• Trečiame etape pasirenkamas kitas kintamasis, kuris taip pat turi būti sveikas skaičius, ir atliekami tokie pat veiksmai kaip ir antrame etape. Sprendinys randamas tuomet, kai visi kintamieji, kurie turi būti sveiki skaičiai, ir tampa sveikais. Sprendiniui rasti atliekamas baigtinis iteracijų skaičius.
Metodų efektyvumas
• Iš grįţtamųjų metodų daţniausias yra šakų ir rėţių metodas. Jo esmė – nuosekli galimų sprendimų paieška ir jų reikšmių palyginimas. Galimi sprendiniai suskirstomi į kelias grupes (šakas). Kiekvienoje jų įvertinamos tikslo funkcijų reikšmių ribos (rėţiai). Šaka, kurioje tikslo funkcijų rėţis yra artimiausias optimaliam, dalijama toliau, kol bus rastas vienintelis sprendinys.
• Be minėtų metodų, yra dar artutinių diskrečiojo programavimo uţdavinių sprendimo būdų. Taikant tokius metodus, sprendinys nėra tikslus. Tačiau jie pasirenkami dėl to, kad apskaičiavimai atliekami greičiau ir gali būti įvertinti kiti veiksniai, kurie formuluojant uţdavinį buvo atmesti. Pasirenkant kurį nors iš minėtų ar kitų diskrečiojo programavimo uţdavinių sprendimo metodų, atsiţvelgiama į turimą laiką bei ekonominę optimalaus sprendinio vertę.
Metodų efektyvumas
• Netiesinio programavimo uţdaviniai sudėtingi, ir nėra universalių metodų jiems spręsti. Todėl uţdavinį formuluojant reikia įvertinti optimizavimo metodų efektyvumą.
• Kai uţdaviniai gali būti išsprendţiami baigtiniu ţingsnių skaičiumi N, metodo efektyvumas vertinamas algoritmų sudėtingumo teorijos kriterijais
Šiuo atveju įvertinama ţingsnių skaičiaus Npriklausomybė nuo n ir kitų uţdavinio parametrų. Šios priklausomybės tipas lemia metodo sudėtingumo klasę. Kuo greičiau auga N, tuo sudėtingesnis metodas ir maţesnis jo efektyvumas. Paprastai, formuluojant sudėtingą uţdavinį ir parenkant tinkamą metodą, reikalinga taikomosios matematikos specialisto konsultacija.
Metodų efektyvumas
Tiesinis programavimas
• Tiesinis programavimas – geriausiai ištirta ir dažniausiai naudojama matematinio programavimo dalis.
• Sąvoka „tiesinis programavimas” pasirodė 1951 metais amerikiečių mokslininkų Dţ.Dancigo ir T.Kupmanso darbuose. Dar anksčiau šiuos klausimus pradėjo nagrinėti rusų mokslininkas L.Kantorovičius.
• Ţodis „programavimas” nusako nagrinėjamo ekonominio objekto ar proceso darbo programos sudarymą. Šiai programai sudaryti nustatomi ieškomi kintamieji.
Tiesinio programavimo uždavinys
• Tikslo funkcija:
• Ribojančiųjų sąlygų sistema:
• arba
• Kintamųjų neneigiamumo sąlyga:
n
j
jj xcZ
1
.minmax
n
j
ijij mibxa
1
,,...,2,1
n
j
ijij bxa
1
.
njxj
1,2,..., 0
Tiesinis programavimas
• Uţdavinio apribojimų sistema aprašo iškilųjį briaunainį
erdvėje . Jį vadinsime leistinųjų sprendinių sritimi ir
ţymėsime Ω.
• Briaunainis – tai paviršius, sudarytas iš baigtinio
skaičiaus plokščiųjų daugiakampių, išdėstytų taip, kad
kiekviena kraštinė priklauso ne daugiau kaip dviem
daugiakampiams, ir nuo vieno daugiakampio galima
patekti ant kito pereinant bendras kraštines
Tiesinis programavimas
• Tiesinio programavimo uţdavinys geometriškai
interpretuojamas taip:
leistinųjų sprendinių srityje reikia rasti tokį tašką, per kurį
einanti funkcijos z hiperplokštuma iš hiperplokštumų
šeimos atitinka didţiausią funkcijos z reikšmę.
Toks taškas egzistuoja, jei sritis Ω nėra tuščia ir jos
taškuose funkcija z aprėţta iš viršaus.
• Vektorius vadinamas
hiperplokštumos normaliniu vektoriumi ir rodo funkcijos zdidėjimo kryptį.
**2
*1 ,...,, nzzzz
Tiesinis programavimas
• Tarkime, z = 0. Tuomet:
Tai hiperplokštuma, einanti per koordinačių pradţią.
• Paėmę fiksuotą z reikšmę , gausime lygiagrečią hiperplokštumą, kur atitinka funkcijos reikšmę visuose šios hiperplokštumos taškuose.
• Grafiškai gali būti sprendţiami tokie uţdaviniai, kai standartiniame tiesinio programavimo uţdavinyje yra ne daugiau kaip du kintamieji, o kanoniniame tiesinio programavimo uţdavinyje yra ne daugiau kaip Čia n – kintamųjų skaičius, r – apribojimų sistemos rangas.
0...2211 nnxcxcxcz
.constz*z
2rn
Tiesinis programavimas
Tarkime, turime atskirą atvejį, kai n =2 (Euklido erdvė E2).
Tuomet:
•
•
•
Apribojimų sistema reiškia daugiakampį Ω plokštumoje.
Šiame daugiakampyje reikia rasti tašką, per kurį einanti
tiesių šeimos tiesė atitiks didţiausią zreikšmę.
max,2211 xcxсz
m1, 21 11ibxaxa iii
0 ,0 21 xx
zxcxc 221
Tiesinis programavimas
• Grafiškai uţdavinys sprendţiamas šia tvarka:
1. Nubrėţiamos tiesės, gautos apribojimų sistemoje nelygybes pakeitus lygybėmis.
2. Pagal nelygybių ţenklus nustatoma leistinųjų sprendinių sritis Ω.
3. Nubrėţiama viena iš tiesių šeimostiesė, pvz.
4. Tiesė stumiama lygiagrečiai pati su
savimi vektoriaus kryptimi tol, kol ji turės nors vieną
bendrą tašką su Ω. Tai ir bus funkcijos maksimumo
taškas.
5. Randamos ekstremumo taško koordinatės ir funkcijos reikšmė tame taške.
zxcxc 221102211 xcxc
zxcxc 2211
z
Tiesinis programavimas
Funkcijos minimumo ieškoma analogiškai, tik tiesė
stumiama vektoriaus priešinga kryptimi. Priklausomai
nuo leistinųjų reikšmių srities Ω ir nuo vektoriaus
padėties galimi įvairūs atvejai:
• uţdavinys turi vienintelį sprendinį, esantį daugiakampio
Ω viršūnėje;
• uţdavinys turi be galo daug sprendinių – daugiakampio
Ω briaunoje;
• uţdavinys neturi optimalaus sprendinio, bet apribojimų
sistema suderinta;
• uţdavinys neturi optimalaus sprendinio, nes apribojimų
sistema nesuderinta (Ω – tuščia aibė).
zzz
z
• Tiesinio programavimo uţdaviniai sprendţiami simplekso metodu. Simplekso metodo esmė – nuoseklus briaunainio Ω viršūnių perţiūrėjimas. Šiam tikslui analitiškai randamos briaunainio viršūnės ir tikrinama, kurioje viršūnėje maksimizuojamos funkcijos reikšmė yra didţiausia.
• Uţdavinio sprendimas susideda iš dviejų etapų:
• pradinio leistinojo bazinio sprendimo nustatymas;
• optimalaus sprendinio nustatymas.
• Kiekvieną leistinąjį bazinį sprendinį atitinka apribojimų briaunainio Ω viršūnė. Iš pradţių randamas vienas kuris nors leistinasis bazinis sprendinys. Jeigu nėra optimalaus sprendinio, tuomet pereinama prie kito leistinojo bazinio sprendinio, ir t. t.
Tiesinio programavimo uždavinių grafinis sprendimas. Pavyzdžiai
Uždavinio sprendimas gali būti suskirstytas į tris etapus:
• leistinųjų sprendinių srities nustatymas;
• tikslo funkcijos tiesės brėžimas ir šios funkcijos
didėjimo (mažėjimo) krypties nustatymas;
• optimalaus sprendinio radimas.
Tiesinio programavimo uždavinių grafinis sprendimas. Pavyzdžiai
1 etapas. Leistinųjų sprendinių srities nustatymas.
• Leistinųjų sprendinių srities ribas nusako ribinės lygtys ir (arba) nelygybės, kai baziniai kintamieji yra lygus nuliui. Ta plokštumos dalis, kurioje yra teisingos visos ribinės lygtys (nelygybės) ir kintamieji neneigiami, vadinama leistinųjų sprendinių sritimi (LSS).
• Pirmiausia nubrėžiame koordinačių ašis Ox1 ir Ox2. Kintamieji yra x1 ir x2. Jie pažymimi ant abscisės ir ordinatės ašių. Kadangi x1 ≥ 0 ir x2 ≥ 0, tai leistinųjų sprendinių sritis gali būti tik pirmajame ketvirtyje. Po to braižomos visos tiesės. Kiekviena tiesė dalija plokštumą į dvi pusplokštumes. Plokštumos dalis, kurioje teisingos visos lygtys ir nelygybės, vadinama leistinųjų sprendinių sritimi. Šioje srityje yra optimalus sprendinys.
• Leistinieji sprendiniai – taškai šios srities viduje ir jos kontūre. Leistinųjų sprendinių srities visi taškai (jų koordinatės) tenkina sudaryto matematinio modelio apribojimus.
Tiesinio programavimo uždavinių grafinis sprendimas. Pavyzdžiai
2 etapas. Tikslo funkcijos tiesės brėžimas ir šios funkcijos didėjimo
(mažėjimo) krypties nustatymas.
• Norint rasti sprendinį, reikia nubrėžti tikslo funkcijos tiesę. Tikslo
funkcijos tiesę reikia stumti lygiagrečiai pradinei tiesei, kad tikslo
funkcijos reikšmės didėtų (mažėtų).
Tiesinio programavimo uždavinių grafinis sprendimas. Pavyzdžiai
3 etapas. Optimalaus sprendinio radimas.
• Norint rasti optimalų sprendinį, reikia pradinę tikslo funkcijos tiesę stumti šios funkcijos didėjimo (mažėjimo) kryptimi į tokią padėtį, kad ji liestų LSS pakraštį. Po to, nustatomos tikslo funkcijos tiesės ir LSS bendro taško koordinatės ir apskaičiuojama tikslo funkcijos reikšmė šiame taške.
• Sprendinio gauto grafiniu būdu tikslumas priklauso nuo to, kaip kruopščiai apibrėžta LSS ir pradinė tikslo funkcijos tiesė. Todėl tikslinga rasti optimaliąsias sprendinio reikšmes taip pat ir analitiškai. Nustačius, kurios dvi tiesės susikerta taške C (jei jų yra daugiau negu dvi, pasirenkamos bet kurios dvi), gaunama lygčių sistema su dviem nežinomaisiais. Išsprendę šią lygčių sistemą, randame tikslias kintamųjų x1 ir x2 reikšmes.
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
• Gelžbetoninių gaminių gamykla gamina dviejų rūšių gaminius. Jų gamybai reikia įvairių išteklių: medžiagų (pavyzdžiui, cemento, armatūros), darbo ir elektros energijos. Reikia rasti, kiek turi būti pagaminta kiekvienos rūšies gaminių, kad pagamintos produkcijos vertė būtų maksimali, įvertinant gamybos proceso galimybes. Uždavinio pradiniai duomenys pateikti lentelėje.
Rodikliai Gaminio tipas Turimi ištekliai
I II
Gaminio vieneto vertė, Lt 250 400 –
Cemento sąnaudos, kg 80 170 20 000
Armatūros sąnaudos, kg 67 55 8 000
Gamybos darbo sąnaudos, žm. val. 30 40 6 000
El. energijos sąnaudos, kWh 52 67 12 000
. max
1
n
j
jj Zxc
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
Uždaviniui spręsti sudaromas teorinis tiesinio programavimo modelis. Šiam tikslui naudosime tokius simbolius:
xj – j tipo gaminamų gaminių kiekis (j = 1, ..., n);
cj – j tipo gaminio vertė, litais;
aij – i-os rūšies išteklio sąnaudos, j tipo gaminiui pagaminti (i = 1,...,m);
bi – i-tos rūšies bendras išteklių kiekis.
Sprendžiamo uždavinio matematinio modelio bendra išraiška:
• Tikslo funkcija:
• Apribojimai:
• Papildomi apribojimai: xj ≥ 0
n
j
ijij bxa1
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
• Tikslo funkcija: 250 x1 + 400 x2 = Z → max
• Apribojimai: 80 x1 + 170 x2 ≤ 20000,
67 x1 + 55 x2 ≤ 8000,
30 x1 + 40 x2 ≤ 6000,
52 x1 + 67 x2 ≤ 12000
• Papildomi apribojimai: x1 ≥ 0, x2 ≥ 0
Rodikliai Gaminio tipas Turimi ištekliai
I II
Gaminio vieneto vertė, Lt 250 400 –
Cemento sąnaudos, kg 80 170 20 000
Armatūros sąnaudos, kg 67 55 8 000
Gamybos darbo sąnaudos, žm. val. 30 40 6 000
El. energijos sąnaudos, kWh 52 67 12 000
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
• Uždavinio grafinis sprendimas.
Pasirinkus grafinį sprendimo metodą, sudaroma x1 ir x2 teigiamų
reikšmių koordinačių sistema. Paskui nubrėžiamos tiesės, gautos
apribojimų sistemoje nelygybes pakeitus lygybėmis. Kiekvieną tiesę
galima nubrėžti turint du taškus. Tokie taškai randami, pavyzdžiui,
taip: tiesės lygtyje 80x1 + 170x2 ≤ 20000, tarkime, x2=0, tuomet
ax1=250. Kai x2 =0, tuomet ax2
=117. Analogiškai apskaičiuojamos
kitos ax1ir ax2
reikšmės. Pagal duotų nelygybių ženklus nustatoma
leistinųjų sprendinių sritis OBCA.
Lygtis ax1ax2
80 x1 + 170 x2 ≤ 20000 250 117
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
• Uždavinio grafinis sprendimas.
Pasirinkus grafinį sprendimo metodą, sudaroma x1 ir x2 teigiamų
reikšmių koordinačių sistema. Paskui nubrėžiamos tiesės, gautos
apribojimų sistemoje nelygybes pakeitus lygybėmis. Kiekvieną tiesę
galima nubrėžti turint du taškus. Tokie taškai randami, pavyzdžiui,
taip: tiesės lygtyje 80x1 + 170x2 ≤ 20000, tarkime, x2=0, tuomet
ax1=250. Kai x2 =0, tuomet ax2
=117. Analogiškai apskaičiuojamos
kitos ax1ir ax2
reikšmės. Pagal duotų nelygybių ženklus nustatoma
leistinųjų sprendinių sritis OBCA.
Lygtis ax1ax2
80 x1 + 170 x2 ≤ 20000 250 117
67 x1 + 55 x2 ≤ 8000 119 145
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
• Uždavinio grafinis sprendimas.
Pasirinkus grafinį sprendimo metodą, sudaroma x1 ir x2 teigiamų
reikšmių koordinačių sistema. Paskui nubrėžiamos tiesės, gautos
apribojimų sistemoje nelygybes pakeitus lygybėmis. Kiekvieną tiesę
galima nubrėžti turint du taškus. Tokie taškai randami, pavyzdžiui,
taip: tiesės lygtyje 80x1 + 170x2 ≤ 20000, tarkime, x2=0, tuomet
ax1=250. Kai x2 =0, tuomet ax2
=117. Analogiškai apskaičiuojamos
kitos ax1ir ax2
reikšmės. Pagal duotų nelygybių ženklus nustatoma
leistinųjų sprendinių sritis OBCA.
Lygtis ax1ax2
80 x1 + 170 x2 ≤ 20000 250 117
67 x1 + 55 x2 ≤ 8000 119 145
30 x1 + 40 x2 ≤ 6000 200 150
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
• Uždavinio grafinis sprendimas.
Pasirinkus grafinį sprendimo metodą, sudaroma x1 ir x2 teigiamų
reikšmių koordinačių sistema. Paskui nubrėžiamos tiesės, gautos
apribojimų sistemoje nelygybes pakeitus lygybėmis. Kiekvieną tiesę
galima nubrėžti turint du taškus. Tokie taškai randami, pavyzdžiui,
taip: tiesės lygtyje 80x1 + 170x2 ≤ 20000, tarkime, x2=0, tuomet
ax1=250. Kai x2 =0, tuomet ax2
=117. Analogiškai apskaičiuojamos
kitos ax1ir ax2
reikšmės. Pagal duotų nelygybių ženklus nustatoma
leistinųjų sprendinių sritis OBCA.
Lygtis ax1ax2
80 x1 + 170 x2 ≤ 20000 250 117
67 x1 + 55 x2 ≤ 8000 119 145
30 x1 + 40 x2 ≤ 6000 200 150
52 x1 + 67 x2 ≤ 12000 231 179
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
2x
1x
C
A
B
Leistinųjų
sprendimų sritis
OBCA
0
117
145150
179
119 200 231 250
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys
• Paskui nubrėžiama viena iš tiesių šeimos 250 x1 + 400 x2 = Z* tiesė,
pavyzdžiui, 250 x1 + 400 x2 = 20000. Šiuo atveju ax1= 80, o ax1
= 50.
• Tiesė stumiama lygiagrečiai pati su savimi vektoriaus kryptimi tol,
kol ji turės nors vieną bendrą tašką su leistinųjų sprendinių sritimi
OBCA. Tai taškas C, kuris yra funkcijos maksimumo taškas. Šio
taško koordinatės nustatomos grafike: C (40; 96). Šiame taške
funkcijos reikšmė didžiausia.
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys.
Optimalus sprendinys C (40;96)
2x
1x
C
A
B
Leistinųjų
OBCA
tikslo funkcija
0
50
96
117
145150
179
40 80 119 200 231 250
sprendimų sritis
1 pavyzdys. Statybinių gaminių gamybos planavimo uždavinys
• Taško C koordinatės nurodo optimalų sprendinį: pirmos rūšies gaminių turi būti gaminama 40 vnt., o antros rūšies – 96 vnt. Esant tokiai gamybos programai, tikslo funkcija Z įgauna maksimalią reikšmę.
• Patikrinimas:
80 * 40 + 170 * 96 = 19 520, 19 520 < 20 000,
67 * 40 + 55 * 96 = 7 960, 7 960 < 8 000,
30 * 40 + 40 * 96 = 5 040, 5 040 < 6 000,
52 * 40 + 67 * 96 = 8 512, 8 512 < 12 000.
• Tikslo funkcijos z reikšmė:
z = 250 * 40 + 400 * 96 = 48 400
z = 48 400 Lt
2 pavyzdys. Gyvenamųjų namų statybos planavimo uždavinys
Regioninės plėtros plane šalia naujo pramonės rajono numatyta
nauja gyvenvietė. Joje siūloma statyti dviejų tipų gyvenamuosius
namus:
• atskirus gyvenamuosius namus vienai šeimai;
• sublokuotus gyvenamuosius namus.
2 pavyzdys. Gyvenamųjų namų statybos planavimo uždavinys
• Gyvenamajai statybai paskirta teritorija – 12 000 m2.
Atskiro gyvenamojo namo statybai numatytas sklypo plotas 400 m2, o sublokuoto gyvenamojo namo vienam butui – 300 m2. Sublokuotų gyvenamųjų namų skaičius gali būti ne daugiau kaip du kartus didesnis, negu statant atskirus gyvenamuosius namus. Be to, kiekvieno tipo gyvenamųjų namų (atskirų ir sublokuotų gyvenamųjų namų) negali būti daugiau kaip 18.
• Rangovas sudarė sąmatą ir nustatė, kad statant atskirus gyvenamuosius namus vienai šeimai galima gauti pelną 10 000 litų/namui, o statant sublokuotus gyvenamuosius namus – 8 000 litų/namui.
• Reikia sužinoti, kiek turi būti statoma kiekvieno tipo gyvenamųjų namų, kad rangovas gautų maksimalų pelną, įvertinant statybos ribojančias sąlygas.
2 pavyzdys. Gyvenamųjų namų statybos planavimo uždavinys
• Optimizavimo uždaviniui spręsti reikia sudaryti tiesinio programavimo modelį. Šiam tikslui naudosime tokius simbolius:
xj – j tipo gyvenamųjų namų skaičius (j = 1,2);
(x1 – sublokuotų gyv. namų skaičius; x2 – gyv. namų vienai šeimai skaičius);
cj – pelnas, kurį galima gauti, statant j tipo gyvenamąjį namą, litais;
aij – sklypo plotas i, kuris reikalingas j tipo gyv. namo statybai (i=1,2);
bi – sklypo (teritorijos) bendras plotas.
• Sprendžiamo uždavinio matematinio modelio bendra išraiška:
Tikslo funkcija:
Uždavinio ribojančios sąlygos:
Kintamųjų neneigiamumo sąlyga: xj ≥ 0 (j = 1,2)
n
j
jj Zxc1
max
n
jijij bxa
1
2 pavyzdys. Gyvenamųjų namų statybos planavimo uždavinys
• Tiesinio programavimo modelis, naudojant uždavinio duomenis:
• Tikslo funkcija: 8000 x1 + 10000 x2 = Z → max
• Apribojimai: 300 x1 + 400 x2 ≤ 12000,
x1 ≤ 2 x2 ,
x1 ≤ 18,
x2 ≤ 18
• Papildomi apribojimai: x1 ≥ 0, x2 ≥ 0
2 pavyzdys. Gyvenamųjų namų statybos planavimo uždavinys
• Uždavinio grafinis sprendimas.
Pasirinkus grafinį sprendimo metodą, sudaroma x1 ir x2 teigiamų reikšmių koordinačių sistema. Šioje koordinačių sistemoje reikia nubrėžti tieses (žr. uždavinio ribojančias sąlygas).
Ribojančios sąlygos ax1ax2
300 x1 + 400 x2 ≤ 12000 40 30
x1 ≤ 2 x20
10
0
5
x1 ≤ 18 18 0
x2 ≤ 18 0 18
Ribojančios sąlygos ax1ax2
300 x1 + 400 x2 ≤ 12000 40 30
x1 ≤ 2 x2
x1 ≤ 18
x2 ≤ 18
Gyvenamųjų namų vienai šeimai skaičiusx 2
1 sąlyga
10
0 10 20 30 40 x 1
Sublokuotų gyvenamųjų namų skaičius
20
30
Ribojančios sąlygos ax1ax2
300 x1 + 400 x2 ≤ 12000 40 30
x1 ≤ 2 x20
10
0
5
x1 ≤ 18
x2 ≤ 18
Gyvenamųjų namų vienai šeimai skaičiusx 2
1 sąlyga
10
2 sąlyga
0 10 20 3040 x 1
Sublokuotų gyvenamųjų namų skaičius
20
30
Ribojančios sąlygos ax1ax2
300 x1 + 400 x2 ≤ 12000 40 30
x1 ≤ 2 x20
10
0
5
x1 ≤ 18 18 0
x2 ≤ 18 0 18
Gyvenamųjų namų vienai šeimai skaičiusx 2
1 sąlyga
4 sąlyga
10
3 sąlyga
2 sąlyga
0 10 18 20 3040 x 1
Sublokuotų gyvenamųjų namų skaičius
18 20
30
Ribojančios sąlygos ax1ax2
300 x1 + 400 x2 ≤ 12000 40 30
x1 ≤ 2 x20
10
0
5
x1 ≤ 18 18 0
x2 ≤ 18 0 18
Gyvenamųjų namų vienai šeimai skaičiusx 2
1 sąlyga
4 sąlyga
Leistinųjų sprendinių
10 sritis
3 sąlyga
2 sąlyga
0 10 18 20 3040 x 1
Sublokuotų gyvenamųjų namų skaičius
18 20
30
• Tikslo funkcijos tiesė lygiagrečiai stumiama rodyklės kryptimi tol, kol
pasiekiamas taškas C. Šiame paskutiniame leistinųjų sprendinių
srities taške tikslo funkcijos reikšmė bus pati didžiausia. Todėl taško
C koordinatės yra optimalaus sprendinio koordinatės. Tai rodo, kad
turi būti statoma 18 sublokuotų namų ir 16 gyvenamųjų namų vienai
šeimai.
Gyvenamųjų namų vienai šeimai skaičiusx 2
1 sąlyga
4 sąlyga
16 Optimalus sprendinys C (18;16)
Leistinųjų sprendinių
10 sritis
8 Tikslo funkcija3 sąlyga
2 sąlyga
0 10 18 20
Tikslo funkcija
3040 x 1
Sublokuotų gyvenamųjų namų skaičius
18 20
30
3 pavyzdys. Betono mišinių gamybos planavimo uždavinys
1. Uždavinio formulavimas.
• Betono mišiniai naudojami monolitinėje statyboje, betoninių ir gelžbetoninių gaminių gamyboje, taip pat kitose statybos srityse. Betono mišinių gamintojai stengiasi pagaminti savo produkciją kuo efektyviau, t.y. mažiausiomis sąnaudomis. Užpildų (smėlio, skaldos, žvirgždo), cemento ir įvairių priedų pasiūla yra didelė, todėl gamintojams svarbu pasirinkti tinkamiausius medžiagų tiekėjus, siekiant aukščiausių betono mišinių gamybos efektyvumo rodiklių.
• Pvz., betono mišinių gamybai galima naudoti įvairių karjerų smėlį. Tokių karjerų smėlio techninės charakteristikos (granuliometrinė sudėtis, molio priemaišų kiekis ir kt.) ir kaina yra skirtinga. Todėl naudojant įvairių karjerų smėlį skiriasi cemento sąnaudos ir 1m3
betono mišinio savikaina. Turint reikalingus duomenis, galima nustatyti efektyviausius smėlio tiekėjus ir optimalią betono mišinių gamybos programą. Betono mišinių gamybos optimizavimo kriterijai gali būti:
– minimalios cemento sąnaudos betono mišinių gamybos programai, t;
– minimali betono mišinių savikaina gamybos programai, Lt/m3.
.,...,2,1
1
n
j
jij njPx,,...,2,1,
1
m
i
iijij miAxa
n
i
m
j
ijij xbz
1 1
min
3 pavyzdys. Betono mišinių gamybos planavimo uždavinys
Betono mišinių gamybos optimizavimo uždavinio matematinis modelis:
• Tikslo funkcija:
• Apribojimai:
• Papildomi apribojimai:
čia:
aij – i-osios rūšies smėlio sąnaudos 1m3 j-osios stiprio gniuždant klasės betono mišiniui pagaminti;
bij – cemento sąnaudos j-osios stiprio gniuždant klasės betono mišiniui pagaminti, naudojant i-osios rūšies smėlį;
dij – 1m3 j-osios stiprio gniuždant klasės betono mišinio savikaina, naudojant i-osios rūšies smėlį;
xij – j-osios klasės betono mišinio kiekis, naudojant i-osios rūšies smėlį;
Ai – i-osios rūšies smėlio bendras kiekis (karjerų pajėgumas);
Pj – j-osios stiprio gniuždant klasės betono mišinio poreikis;
j – betono klasės (1, 2, ..., n);
i – smėlio rūšys (1, 2, ..., m)
.0ijx
3 pavyzdys. Betono mišinių gamybos planavimo uždavinys
• a – smėlio sąnaudos 1m3 betono mišinio pagaminti, kg;
• b – cemento sąnaudos 1m3 betono mišinio pagaminti, kg;
• c – stambaus užpildo sąnaudos 1m3 betono mišinio pagaminti, kg;
• d – 1m3 betono mišinio savikaina, Lt.
Medžiagos
rūšis
Betono klasėsTurimi
ištekliai1 2 .... J ... n
1
2
...
...
i
...
m
a11 b11 c11 d11 x11
a21 b21c21d21 x21
...
...
ai1 bi1 ci1 di1 xi1
...
am1bm1cm1dm1xm
1
a12 b12 c12 d22 x12
a22 b22 c22 d22 x22
...
...
ai2 bi2 ci2 di2 xi2
...
am2 bm2 cm2 dm2 xm2
...
...
a1j b1j c1j d1j x1j
a2j b2j c2j d2j x2j
...
...
aij bij cij dij xij
...
amj bmj cmj dmj xmj
...
...
a1n b1n c1n d1n x1n
a2n b2n c2n d2n x2n
...
...
ain bin cin din xin
....
amnbmncmn dmnxmn
A1
A2
...
...
Ai
...
Am
Betono
poreikis, m3
P1 P2 ... Pj ... Pn -
3 pavyzdys. Betono mišinių gamybos planavimo uždavinys
• Betono mišinių gamybos optimizavimo uždavinio pradiniai duomenys:
Smėlio
Rūšis
Betono klasės Smėlio kiekis
B20 B40 B50
A1 karjeras
A2 karjeras
a11 b11 c11 d11 x11
712 304 778 178 ?
a21 b21 c21 d21 x21
678 329 778 184 ?
a12 b12 c12 d12 x12
695 373 744 252 ?
a22 b22 c22 d22 x22
652 417 744 263 ?
a13 b13 c13 d13 x13
672 398 740 297 ?
a23 b23 c23 d23 x23
636 428 740 304 ?
500 m3 (780 t)
3 pavyzdys. Betono mišinių gamybos planavimo uždavinys
I variantas. Cemento sąnaudų minimizavimas.
Tikslo funkcijos kriterijus – minimalios cemento sąnaudos.
• Tikslo funkcija:
304 x11 + 373 x12 + 398 x13 + 329 x21 + 417 x22 + 428 x23 → min
• Apribojimai:
712 x12 + 695 x12 + 672 x13 ≤ 780000,
678 x21 + 652 x22 + 636 x23 ≥ 0,
x11 + x21 = 2000,
x12 + x22 = 1000,
x13 + x23 = 500
• Papildomi apribojimai: x11 ≥ 0, x12 ≥ 0, x13 ≥ 0, x21 ≥ 0, x22 ≥ 0, x23 ≥ 0
3 pavyzdys. Betono mišinių gamybos planavimo uždavinys
II variantas. Betono mišinių gamybos savikainos minimizavimas.
• Tikslo funkcijos kriterijus – minimali betono gamybos savikaina.
• Tikslo funkcija:
178 x11 + 252 x12 + 297 x13 + 184 x21 + 263 x22 + 304 x23 → min
• Apribojimai:
712 x12 + 695 x12 + 672 x13 ≤ 780000,
678 x21 + 652 x22 + 636 x23 ≥ 0,
x11 + x21 = 2000,
x12 + x22 = 1000,
x13 + x23 = 500
• Papildomi apribojimai: x11 ≥ 0, x12 ≥ 0, x13 ≥ 0, x21 ≥ 0, x22 ≥ 0, x23 ≥ 0
3 pavyzdys. Betono mišinių gamybos planavimo uždavinys
I variantas. Cemento sąnaudų minimizavimas:
x21 = 2000m3; x12 = 1000m3; x13 = 126,49m3; x23 = 373,51m3
• Optimalus betono mišinių gamybos programos sprendimas toks:
Betono stiprio Betono mišinio Smėlio tiekėjas
Gniuždant klasė gamybos apimtis
C16/20 2000m3 A2 karjeras;
C30/37 1000m3 A1 karjeras;
C40/50 126m3 A1 karjeras;
C40/50 374m3 A2 karjeras.
• Šiuo atveju tikslo funkcija – minimalios cemento sąnaudos – įgauna minimalią reikšmę: 1241205kg = 1241.2 t.
• Apskaičiavimo patikrinimas:
712 * 0 + 695 * 1000 + 672 * 126.49 = 780000 ≤ 780000
678 * 2000 + 652 * 0 + 636 * 373.51 = 1593554 ≥ 0
0 + 2000 = 2000
1000 + 0 = 1000
126.49 + 373.51 = 500
3 pavyzdys. Betono mišinių gamybos planavimo uždavinys
II variantas. Betono mišinių gamybos savikainos minimizavimas :
x21 = 2000m3; x12 = 1000m3; x13 = 126,49m3; x23 = 373,51m3
• Optimalus betono mišinių gamybos programos sprendimas toks:
Betono stiprio Betono mišinio Smėlio tiekėjas
Gniuždant klasė gamybos apimtis
C16/20 2000m3 A2 karjeras;
C30/37 1000m3 A1 karjeras;
C40/50 126m3 A1 karjeras;
C40/50 374m3 A2 karjeras.
• Šiuo atveju tikslo funkcija – betono mišinių gamybos savikaina –įgauna minimalią reikšmę: 771114,6Lt.
• Apskaičiavimo patikrinimas:
712 * 0 + 695 * 1000 + 672 * 126.49 = 780000 ≤ 780000
678 * 2000 + 652 * 0 + 636 * 373.51 = 1593554 ≥ 0
0 + 2000 = 2000
1000 + 0 = 1000
126.49 + 373.51 = 500
4 pavyzdys. Armatūros strypų karpymo uždavinys
• Uždavinio formulavimas.
Statybos įmonė perka standartinio ilgio armatūros strypus (l = 8m). Įmonės armatūros ceche iš jų gaminami strypynai, tinklai, įvairūs erdviniai elementai ir kiti armatūros gaminiai. Gaminant šiuos dirbinius, strypai karpomi, o paskui suvirinami. Standartinio ilgio strypai gali būti karpomi įvairiai. Todėl kiekvienu atveju gamybos atliekų kiekis bus skirtingas. Reikia nustatyti optimalų strypų karpymo variantą, kuriam esant būtų pagamintas reikalingas armatūros dirbinių skaičius, o gamybos atliekų kiekis būtų minimalus.
n
j
ijj xcz
1
.min
4 pavyzdys. Armatūros strypų karpymo uždavinys
• Armatūros strypų optimalaus karpymo uždavinio matematinis modelis (bendra išraiška)
• Tikslo funkcija:
• Apribojimai:
• Papildomi apribojimai:
čia:
cj – atliekų kiekis taikant j karpymo variantą;
xij – karpomų strypų skaičius taikant j karpymo variantą i-ojo ruošinio gamyboje;
Pij – i tipo ruošinių skaičius taikant j karpymo variantą;
bi – i tipo ruošinių skaičius.
.,...,2,1
1
n
j
iijij mibxP
).,...,2,1(,0 njxij
4 pavyzdys. Armatūros strypų karpymo uždavinys
• Armatūros strypų karpymo uždavinio pradinių duomenų pateikimo
forma:
Karpomų strypų
skaičius
Ruošinių tipas
Ruošinių skaičius
Ruošinių gamybos
programa, vntVariantai
x1 x2 ... xj ... xn
1
2
...
i
...
m
P11
P21
...
Pi1
...
Pm1
P12
P22
...
Pi2
...
Pm2
...
...
...
...
...
...
P1j
P2j
...
Pij
...
Pmj
...
...
...
...
...
...
P1n
P2n
...
Pin
...
Pmn
b1
b2
...
bi
...
bm
Atliekų kiekis
(mm, cm) c1 c2 ... cj ... cn -
4 pavyzdys. Armatūros strypų karpymo uždavinys
• Armatūros karpymo uždavinio pradiniai duomenys:
l=2000
a=150
Dirbinių
pavadi-
nimas
Eskizas
Gamybos
apimtis,
vnt.
Armatūros
charakteristiko
s Žymėjimas
Ruošinių kiekis
,mmIlgis,
mm
vienam
vienetui
visai
programai
Strypynas 200 10 8000A (l1=150)
B (l2=2000)
20
2
4000
400
4 pavyzdys. Armatūros strypų karpymo uždavinys
• Armatūros strypų karpymo variantų ir matematinio modelio sudarymas
Ruošinio tipas
Ruošinių skaičius, vnt. Ruošinių
gamybos
programa1 var. 2 var. 3 var. 4 var.
8000 8000 8000 8000
4B 53A 26A + 2B 13A + 3B
A 0 53 26 13 4000
B 4 0 2 3 400
Atliekų kiekis, cm 0 5 10 5 -
Strypų
karpymo
variantai
Ruošinio tipas
1 var. 2 var. 3 var. 4 var.
A
B
0
8000 : 2000 =
4 vnt.
8000 : 150 =
53 vnt.
0
4000 : 150 =
26 vnt.
2000 x 2=4000
2 vnt.
8000-6000=2000
2000:150=13vnt.
2000 x 3=6000
3 vnt.
Atliekos, cm 0 8000-53 x150 = 58000-26x150-
2000 x 2 = 10
8000-150x13-2000 x
3 = 5
4 pavyzdys. Armatūros strypų karpymo uždavinys
Uždavinio matematinis modelis
• Tikslo funkcija:
z = 0 * x11 + 5 * x12 + 10 * x13 + 5 * x14 → min
• Apribojimai:
0 * x11 + 53 * x12 + 26 * x13 + 13 * x14 = 4000,
4 * x21 + 0 * x22 + 2 * x23 + 3 * x24 = 400,
• Papildomi apribojimai: x11 ≥ 0, x12 ≥ 0, x13 ≥ 0, x14 ≥ 0,
x21 ≥ 0, x22 ≥ 0, x23 ≥ 0, x24 ≥ 0
4 pavyzdys. Armatūros strypų karpymo uždavinys
• Apskaičiavimo rezultatai:
x12 = 75; x21 = 100
Armatūros strypų Karpomų strypų
karpymo variantai skaičius, vnt.
1 100
2 75
• Šiuo atveju armatūros dirbinių gamyboje atliekų bus mažiausia, ir tikslo funkcija z įgaus minimalią reikšmę – 375cm.
• Apskaičiavimo rezultatų patikrinimas:
0 * 0 + 53 * 75 + 26 * 0 + 13 * 0 = 3975
4 * 100 + 0 * 0 + 2 * 0 + 3 * 0 = 400
• 3975<4000, todėl reikia koreguoti gautą atsakymą ir padidinti karpomų strypų skaičių 1 vnt.
Netiesinio programavimo uždaviniai
• Sprendžiant netiesinio programavimo uždavinius, nėra
vieno universalaus metodo kaip simplekso metodas,
kuris taikomas tiesinio programavimo uždaviniams. Kai
tikslo funkcija ar (ir) ribinės sąlygos turi bent vieną
aukštesnio laipsnio kintamąjį, tokie uždaviniai gali būti
išspręsti tik netiesinio programavimo metodais.
Netiesinio programavimo uždaviniai
• Matematinio programavimo uždavinys užrašomas taip:
• Funkcijos ir yra žinomos.
• Tiesinio programavimo uždavinių visos funkcijos yra tiesinės, o netiesinio programavimo uždaviniuose nors viena iš šių funkcijų yra netiesinė.
max(min)xfz
.,1,, mibxg ii
0x
xf
xg i
Netiesinio programavimo uždaviniai
Netiesinio programavimo uždaviniams būdingi, pavyzdžiui, šie ypatumai:
1. Tiesinio programavimo uždavinių leistinųjų sprendinių sritis Ωyra iškila ir turi baigtinį kraštutinių taškų (viršūnių) skaičių.
2. Tiesinio programavimo uždavinyje optimalusis sprendinys yra kraštutiniame taške ir gali būti rastas, atlikus baigtinį sprendimo nustatymo žingsnių skaičių. Netiesinio programavimo uždavinio ekstremumas gali būti tiek srities Ω kontūre, tiek jos viduje.
3. Tiesinio programavimo uždavinio globalusis ekstremumas sutampa su lokaliuoju. Netiesinio programavimo uždaviniuose tikslo funkcija leistinųjų sprendinių srityje gali turėti kelis lokaliuosius ekstremumus.
Netiesinio programavimo uždaviniai
• Netiesinio programavimo uždavinio geometrinis
sprendimas – rasti tokį tašką leistinųjų sprendinių srityje
Ω, per kurį einantis tikslo funkcijos lygio hiperpaviršius
suteikia funkcijai didžiausią arba mažiausią reikšmę.
• Sprendžiant uždavinius, randami lokalieji ekstremumai, o
iš jų išrenkamas globalusis ekstremumas.
Netiesinio programavimo uždaviniai
• Netiesinio programavimo uždavinys, paremtas iškilųjų
funkcijų, apibrėžtų iškiloje aibėje, savybėmis, vadinamas
iškiluoju programavimu.
• Iškilumo savybė yra labai svarbi optimizavimo teorijoje.
Aibė vadinama iškila, jei kartu su bet kuriais dviem aibės
taškais tai aibei priklauso ir juos jungianti tiesės atkarpa .
Netiesinio programavimo uždaviniai
• Iškilojo programavimo teorijoje pagrindinis uždavinys formuluojamas taip:
• Šiuo atveju funkcijos ir yra iškilos žemyn.
Jei funkcijos ir yra iškilos aukštyn, tai ieškoma funkcijos
maksimumo esant apribojimams:
minxfz
0xgi
,,1 mi
0x
xf
xf
xg i
xg i
xf
0xgi
.,10 mix
Netiesinio programavimo uždaviniai
• Tam tikromis sąlygomis netiesinio programavimo
uždavinys sprendžiamas pasitelkus Lagranžo funkciją
ir nustačius jos balno tašką
• G.Kunas ir A.Takeris pateikė būtinas ir pakankamas
sąlygas tokių uždavinių optimaliems sprendiniams rasti.
Lagranžo funkcija
• Lagranžo funkcija turi šią išraišką:
• Koeficientai ,…, vadinami Lagranžo daugikliais.
• Taškas vadinamas Lagranžo funkcijos balno
tašku, jei visiems ir galioja nelygybė:
• Ši nelygybė reiškia, kad n-matis taškas yra funkcijos
minimumo taškas, o m-matis taškas yra funkcijos
maksimumo taškas.
xgxfxL i
m
i
i
1
1 m
00 ,
x
,xLx
0
000 , ,
xLλ,xLxL 0
0x
0,
xL
0
,0xL
Iškilojo programavimo uždavinys.
Lagranžo funkcijos balno taškas
Imdami tam tikrą
reikšmę , paviršiuje
gausime kreivę AEB, o
taškas bus
minimumo taškas.
Imdami tam tikrą reikšmę
paviršiuje gausime
kreivę CED, o bus
maksimumo taškas. Todėl,
Lagranžo funkcija
taško aplinkoje yra
balno pavidalo.
L
A
B
0
0
00 ,
x0M
C
E
0x
D
0
x
0
000 ,
xM
x
,0xx
0M
,xL00 ,
x
Iškilojo programavimo uždavinys.
Lagranžo funkcijos balno taškas
• Iškilajame programavime ypatinga vieta tenka Kuno ir
Takerio teoremai, nusakančiai ryšį tarp tikslo funkcijos,
apribojimų sistemos ir uždavinio optimalaus sprendinio ir
atitinkamos Lagranžo funkcijos balno taško.
• Kad vektorius būtų uždavinio optimalusis
sprendinys, būtina ir pakankama, kad egzistuotų toks
vektorius ir kad taškas būtų Lagranžo
funkcijos balno taškas, t.y. visiems ir
galiotų nelygybė:
*x
0*
**,
xx
0
**** ,,,
xLxLxL
Iškilojo programavimo uždavinys.
Lagranžo funkcijos balno taškas
• Pagal Kuno ir Takerio teoremą, funkcijos minimumas
randamas kaip Lagranžo funkcijos balno taškas šiomis Kuno ir
Takerio sąlygomis (kai ir yra diferencijuojamos
funkcijos, ir ):
xfz
xf
xg i
0*x
0*
0,
jx
xL
,,1 nj 0,
i
xL
;,1 mi
0,
jj
x
xLx
,,1 nj 0,
ii
xL
;,1 mi
0jx ,,1 nj 0i .,1 mi
Iškilojo programavimo uždavinys.
Lagranžo funkcijos balno taškas
• Ieškant funkcijos maksimumo, keičiasi tik šios Kuno ir
Takerio sąlygos, o kitos lieka analogiškos:xf
0,
jx
x
nj ,1
0,
i
x
mi ,1
Netiesinio programavimo uždavinių sprendimas
tiesiniais metodais
• Yra būdų kai kuriems iškiliojo programavimo uždaviniams spręsti tiesiniais metodais. Tuomet uždavinio sąlygos (apribojimai) išreiškiami tiesinėmis lygybėmis ir nelygybėmis.
• Šiuo atveju taikomas kvadratinis ir separabilusis programavimas
Kvadratinis programavimas
• Kvadratinio programavimo uždavinio tikslo funkcija yratiesinės ir kvadratinės formų suma:
• Koeficientų matrica yra n eilės kvadratinė simetrinėmatrica. Koeficientams keliami tam tikri reikalavimai.
n
j
n
k
n
j
jkkjjj xxdxcxf1 1 1
.
Separabilusis programavimas
• Separabilusis programavimas. Šiuo metodu galima spręsti daugiau uždavinių, nes netiesinė funkcija gali būti ne tik tikslo funkcija, bet ir ribinės lygtys. Metodas pagrįstas visų funkcijų tiesine aproksimacija. Taip gaunamas tik sąlygiškai optimalus sprendinys. Tačiau to dažnai pakanka.
• Separabiliojo programavimo tikslo funkciją sudaro n kintamųjų tikslo funkcijos:
nn
n
i
ii xfxfxfxfz ...minmax 2211
1
Netiesinio programavimo uždavinių sprendimas
tiesiniais metodais
• Matematinio programavimo metodais vis dažniau sprendžiami įvairūs mokslo ir praktinės veiklos uždaviniai.
• Pateiktų kai kurių metodų gilesnis teorinis ir praktinis įsisavinimas leidžia spręsti statybos procesų optimizavimo uždavinius, įgyvendinti gautus rezultatus praktinėje veikloje ir gauti ekonominį efektą. Norint šiuos metodus įsisavinti giliau rekomenduojama literatūra, išleista Lietuvoje ir kitose šalyse.