‫البرمجة الخطية‬

‫‪Linear Programming‬‬

‫طرق حل نماذج البرمجة الخطية‬

‫‪Methods for the Solution of Linear Programming‬‬
‫‪Models‬‬

‫الدكتور المهندس‬
‫محمود عباس محمود‬
‫أستاذ مساعد‬

‫‪2018‬‬
‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫طرق حل نماذج البرمجة الخطية‬

‫‪Methods for the Solution of Linear Programming Models‬‬

‫هناك عدة طرق لحل نماذج البرمجة الخطية ومنها طريقتان أساسيتان هما الطريقة البيانية‬
‫‪ Graphical Method‬والطريقة المبسطة ‪ Simplex Method‬وفيما يلي تفصيل لكل من الطريقتين‬
‫المذكورتين‪.‬‬
‫‪ -1‬الطريقة البيانية ‪Graphical Method‬‬
‫تستخدم هذه الطريقة في حالة وجود عدد محدود من المتغيرات حيث يكون الحل بهذه الطريقة ممكنا‬
‫إذا كان هناك متغيرين فقط ويكون صعبا ً إذا كان عدد المتغيرات ثالثة ويكون الحل بها مستحيالً إذا‬
‫كان عدد المتغيرات أكثر من ثالثة‪ .‬وبشكل عام فان معظم مسائل البرمجة الخطية تتضمن أكثر من‬
‫ثالثة متغيرات‪.‬‬
‫تتضمن هذه الطريقة الخطوات التالية‪:‬‬
‫‪ -1‬نحول كل قيد من قيود النموذج الى معادلة‪.‬‬
‫‪ -2‬نرسم المحورين األفقي والعمودي حيث األفقي يمثل المتغير األول (‪ )X1‬والعمودي يمثل‬
‫المتغير الثاني (‪.)X2‬‬
‫‪ -3‬نرسم معادلة كل قيد ويتم تمثيلها على شكل خط مستقيم‪.‬‬
‫‪ -4‬نحدد إتجاه كل قيد وكقاعدة عامة إن كل قيد ممثل بمتباينة من نوع أصغر أو يساوي (≤) يكون‬
‫إتجاهه نحو اليسار والى األسفل بينما كل قيد ممثل بمتباينة من نوع أكبر أو يساوي (≥) يكون‬
‫إتجاهه نحو اليمين والى األعلى‪.‬‬
‫‪ -5‬نحدد المنطقة المشتركة بين هذه القيود والتي تسمى فضاء (منطقة) الحلول المقبولة‬
‫(‪ )Feasible Solutions Space‬أو (‪.)Feasible Region‬‬
‫‪ -6‬نحدد النقاط المتطرفة (‪ )Extreme Points‬لمنطقة الحلول المقبولة وهي نقاط زوايا تلك‬
‫المنطقة‪.‬‬
‫‪ -7‬نعوض قيم إحداثيات تلك النقاط في دالة الهدف ونختار النقطة التي تحقق أعلى قيمة كتمثيل‬
‫للحل األمثل إذا كانت دالة الهدف من نوع (‪ )Maximization‬والنقطة التي تحقق أدنى قيمة‬
‫كتمثيل للحل األمثل إذا كانت دالة الهدف من نوع (‪.)Minimization‬‬
‫مالحظات‪:‬‬
‫أ‪ -‬إذا كان قيد عدم السالبية يتضمن (‪ )X1, X2 ≥ 0‬فان منطقة الحلول المقبولة تنحصر في الربع‬
‫األول حتى وإن إمتد رسم القيود الى خارجه‪.‬‬
‫ب‪ -‬يمكن إيجاد الحل األمثل بشكل تقريبي برسم دالة الهدف على شكل خط مستقيم بأعطاء قيمة‬
‫إفتراضية للحل األمثل وثم تحريك ذلك الخط برسم عدة خطوط بشكل موازي (يحدد األتجاه‬
‫حسب دالة الهدف ‪ Max.‬أو ‪ )Min.‬لحين خروج ذلك الخط من اخر نقطة بمنطقة الحلول‬
‫المقبولة وتكون إحداثيات تلك النقطة هي الحل األمثل‪.‬‬

‫‪1‬‬
‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫ولتوضيح تلك الخطوات سنأخذ الحالة الخاصة بشركة (‪)XYZ Electronics Company‬‬
‫المذكورة في مثال سابق حيث بينا بأن الشركة تنتج نوعين من المنتجات هما (‪ )A‬و (‪ )B‬وتوصلنا‬
‫الى إن صيغة الموديل الرياضي للبرمجة الخطية لمشكلة تلك الشركة هي كاألتي‪:‬‬

‫‪Max. Z = 7X1 + 5X2‬‬

‫‪Subject to‬‬
‫‪4X1 + 3X2 ≤ 240‬‬ ‫)قيد قسم األليكترونيك(‬
‫‪2X1 + X2 ≤ 100‬‬ ‫)قيد قسم التجميع(‬
‫‪X1, X2 ≥ 0‬‬

‫نالحظ إن هدف الشركة يتمثل بتعظيم الربح في ظل القيود المذكورة المفروضة عليها‪ .‬ولحل هذه‬
‫المسألة بيانيا ً نتبع الخطوات التالية‪:‬‬

‫نالحظ إن لدينا متغيرين في المسألة هما (‪ )X1‬و (‪ )X2‬وبناءا ً عليه نرسم أحداثيين أحدهما أفقي يمثل‬
‫قيم (‪ )X1‬والثاني رأسي يمثل قيم (‪ )X2‬ونالحظ أيضا ً انهما موجبين (‪ )X1, X2 ≥ 0‬وبذلك‬
‫تنحصرمنطقة الحلول المقبولة للمشكلة (‪ )Feasible Region‬باألتجاه الموجب لإلحداثيين فقط (الربع‬
‫األول) وكما يلي‪:‬‬

‫األن نبداء برسم المتباينات التي تمثل القيدين وألجل ذلك نحولهما الى معادالت ونحدد النقاط التي تقطع‬
‫فيها كل معادلة منهما االحداثيين (‪ )X1‬و (‪ )X2‬وكما يلي‪:‬‬

‫‪4X1 + 3X2 = 240‬‬ ‫)قيد قسم األليكترونيك(‬

‫‪Let X1 = 0, then X2 = 80‬‬ ‫)‪1st Point is (0, 80‬‬
‫‪Let X2 = 0, then X1 = 60‬‬ ‫)‪2nd Point is (60, 0‬‬
‫‪2‬‬
‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫ويمثل هذا القيد برسم خط تمثله النقطة )‪ (0, 80‬والنقطة )‪ (60, 0‬وتنحصر منطقة الحل هنا بين‬
‫الخط المستقيم المرسوم واألحداثيين بأتجاه نقطة األصل ألن المتباينة هنا من نوع أصغر أو يساوي‪.‬‬
‫‪2X1 + X2 = 100‬‬ ‫)قيد قسم التجميع(‬
‫‪Let X1 = 0, then X2 = 100‬‬ ‫)‪1st Point is (0, 100‬‬
‫‪Let X2 = 0, then X1 = 50‬‬ ‫)‪2nd Point is (50, 0‬‬
‫ويمثل هذا القيد برسم خط تمثله النقطة )‪ (0, 100‬والنقطة )‪ (50, 0‬وتنحصر منطقة الحل هنا بين‬
‫الخط المستقيم المرسوم واألحداثيين بأتجاه نقطة األصل ألن المتباينة هنا من نوع أصغر أو يساوي‪.‬‬
‫والشكل أدناه يبين رسم كال المستقيمين السابقين‪.‬‬

‫وكذلك يمكن تحديد منطقة الحلول المقبولة (‪ )Feasible Region‬وهي المنطقة المحصورة بين القيود‬
‫واألحداثيين ونقوم بتحديد النقاط المتطرفة لتلك المنطقة وكما في الشكل أدناه‪:‬‬

‫‪3‬‬
‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫نالحظ من الشكل السابق إن لدينا أربعة نقاط‪ ،‬منها ثالثة معروفة األحداثيات وهي النقطة (‪ )A‬وهي‬
‫نقطة األصل والنقطتين (‪ )B‬و(‪ )D‬تم إيجادهما سابقا ً‪ ،‬أما النقطة الرابعة (‪ )C‬فاحداثياتها غير معروفة‬
‫ولكن هذه النقطة متولدة من تقاطع المستقيمين في الشكل وبما إن معادلة كل من المستقيمين معروفة‬
‫لدينا فبإمكاننا أن نجد إحداثياتها بحل تلك المعادلتين أنيا وكما يلي‪:‬‬
‫نضرب المعادلة الخاصة بقيد قسم التجميع بـ (‪)- 2‬‬
‫‪2X1 + X2 = 100‬‬ ‫)‪× (- 2‬‬
‫نجمع المعادلة الناتجة مع معادلة قسم األليكترونيك كاألتي‪:‬‬
‫‪+ 4X1 + 3X2 = 240‬‬
‫‪- 4X1 - 2X2 = - 200‬‬
‫‪X2 = 40‬‬
‫بذلك حصلنا على قيمة (‪ )X2‬للنقطة (‪ )C‬وبتعويض الناتج في أي من المعادلتين نحصل على قيمة‬
‫(‪ )X1‬لتلك النقطة وتكون (‪ )30‬وبهذا فان إحداثيات النقطة (‪ )C‬ستكون )‪.(30, 40‬‬
‫األن وصلنا الى الخطوة األخيرة وهي إيجاد الحل األمثل وبما ان الحل األمثل يكون محصورا ً دائما‬
‫في النقاط المتطرفة لمنطقة الحلول المقبولة فاننا نعوض قيم (‪ )X1‬و (‪ )X2‬لجميع تلك النقاط في معادلة‬
‫دالة الهدف ونختار النقطة التي تحقق أعلى قيمة كتمثيل للحل األمثل ألن دالة الهدف هنا من نوع‬
‫(‪ )Maximize‬وكما في الجدول التالي‪:‬‬

‫‪Optimal‬‬
‫‪Point‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪Max. Z = 7X1 + 5X2‬‬
‫‪Solution‬‬
‫‪A‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪7(0) + 5(0) = $0‬‬
‫‪B‬‬ ‫‪0‬‬ ‫‪80‬‬ ‫‪7(0) + 5(80) = $400‬‬
‫‪C‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪7(30) + 5(40) = $410‬‬ ‫‪Yes‬‬
‫‪D‬‬ ‫‪50‬‬ ‫‪0‬‬ ‫‪7(50) + 5(0) = $350‬‬

‫وبهذا يكون الحل األمثل هو كالتالي‬

‫)‪ (X1 = 30‬أي إنتاج ‪ 30‬وحدة من المنتج (‪ )A‬و )‪ (X2 = 40‬أي إنتاج ‪ 40‬وحدة من المنتج (‪)B‬‬
‫وبذلك يكون الربح الكلي األقصى هو )‪($410‬‬

‫وفيما يلي الحل لنفس الحالة أعاله باللغة األنكليزية وبعدها نستمر بحل مجموعة‬
‫تمارين باللغة األنكليزية أيضا ً‬

‫‪4‬‬
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

Case Study: Use graphical method to find the optimal solution for the
problem which given in the previous Example (Product-Mix problem of
XYZ Electronics Company).

Solution
The Linear Programming model of XYZ Electronics Company is:

Max. Z = 7X1 + 5X2

S. t.
4X1 + 3X2 ≤ 240 (Electronic department constraint)
2X1 + X2 ≤ 100 (Assembly department constraint)
X1, X2 ≥ 0
The variables are X1 and X2. Variables X1, X2 ≥ 0 (non-negative). Therefore,
the (Feasible Region) will be in the first quadrant of (X1, X2) coordinate plane.

The constraints are plotted as equations. To plot any one of them as a line
we need to find the points at which this line intersects the X1 and X2 axes.
Electronic department constraint
4X1 + 3X2 = 240
Let X1 = 0, then X2 = 80 1st Point is (0, 80)
Let X2 = 0, then X1 = 60 2nd Point is (60, 0)
The line of this equation runs from the point (0, 80) to the point (60, 0).

5
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

Assembly department constraint

2X1 + X2 = 100
Let X1 = 0, then X2 = 100 1st Point is (0, 100)
Let X2 = 0, then X1 = 50 2nd Point is (50, 0)

The feasible region is:

The extreme points of the feasible region are: A, B, C, D

Solve for the intersection of two constraints to find the coordinates of the
intersection point (C) as following:

6
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

Multiply assembly department equation by (-2):

2X1 + X2 = 100 ×-2
Add it to Electronic department equation:
+ 4X1 + 3X2 = 240
- 4X1 - 2X2 = - 200
X2 = 40

By substituting the value of X2 = 40 in the equation (2X1 + X2 = 100) we get

X1 = 30.
Thus the coordinates of the intersection point (C) are (30, 40).
Now the last step is finding the optimal solution:
The optimal value will always be at a corner point. Therefore, we will find the
objective function value at each corner point and choose the one with the
highest profit.
Optimal
Point X1 X2 Max. Z = 7X1 + 5X2
Solution
A 0 0 7(0) + 5(0) = $0
B 0 80 7(0) + 5(80) = $400
C 30 40 7(30) + 5(40) = $410 Yes
D 50 0 7(50) + 5(0) = $350

The optimal solution is:

X1 = 30 [Producing 30 units of product (A)]
X2 = 40 [Producing 30 units of product (B)]
Maximum profit is Z= $410

7
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

SOLVED EXAMPLES

EXAMPLE- 1:
Find the optimal solution for the following linear programming problem by
using graphical method:
Maximize Z = 2X1 + 6X2
Subject to:
2X1 + 4X2 ≥ 4
X1 + X2 ≤ 6
X1, X2 ≥ 0
Solution

For constraint No. (1) 2X1 + 4X2 = 4

Let X1 = 0, then X2 = 1 1st Point is (0, 1)
Let X2 = 0, then X1 = 2 2nd Point is (2, 0)
For constraint No. (2) X1 + X2 = 6
Let X1 = 0, then X2 = 6 1st Point is (0, 6)
Let X2 = 0, then X1 = 6 2nd Point is (6, 0)

8
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

Optimal
Point X1 X2 Max. Z = 2X1 + 6X2
Solution
A 0 1 2(0) + 6(1) = 6
B 0 6 2(0) + 6(6) = 36 Yes
C 6 0 2(6) + 6(0) = 12
D 2 0 2(2) + 6(0) = 4

The optimal solution is: X1 = 0, X2 = 6, Z = 36

EXAMPLE- 2:
Find the optimal solution for the following linear programming problem by
using graphical method:
Maximize Z = 8X1 + 6X2
Subject to:
X1 + X2 ≤ 5
X1 ≤ 4
X1, X2 ≥ 0
Solution

For constraint No. (1) X1 + X2 = 5

Let X1 = 0, then X2 = 5 1st Point is (0, 5)
Let X2 = 0, then X1 = 5 2nd Point is (5, 0)
For constraint No. (2) X1 = 4

9
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

To find the coordinates of the intersection point (C) we will substitute the
value of X1 = 4 in the first equation. Thus we get X2 = 1
Therefore, coordinates of the intersection point will be (4, 1)

Optimal
Point X1 X2 Max. Z = 8X1 + 6X2
Solution
A 0 0 8(0) + 6(0) = 0
B 0 5 8(0) + 6(5) = 30
C 4 1 8(4) + 6(1) = 38 Yes
D 4 0 8(4) + 6(0) = 32

The optimal solution is: X1 = 4, X2 = 1, Z = 38

EXAMPLE- 3:
Find the optimal solution for the following linear programming problem by
using graphical method:
Maximize Z = 6X1 + 2X2
Subject to:
2X1 + 3X2 ≤ 18
4X1 + 2X2 ≤ 16
X2 ≥ 1
X1 ≤ 2
X1, X2 ≥ 0
Solution

For constraint No. (1) 2X1 + 3X2 = 18

Let X1 = 0, then X2 = 6 1st Point is (0, 6)
Let X2 = 0, then X1 = 9 2nd Point is (9, 0)
For constraint No. (2) 4X1 + 2X2 = 16
Let X1 = 0, then X2 = 8 1st Point is (0, 8)
Let X2 = 0, then X1 = 4 2nd Point is (4, 0)
For constraint No. (3) X2 = 1
For constraint No. (4) X1 = 2

10
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

We need the coordinates of three intersection points at the corners of feasible

region (C, D, and E). For point (E) the coordinates are (2, 1). To find the
coordinates of (C and D) points we solve the equations of its intersected lines
simultaneously (solve them as homework). The final result will be: for point
(C) are (2, 1) while for point (D) they are (1.5, 5).

Optimal
Point X1 X2 Max. Z = 6X1 + 2X2
Solution
A 0 1 6(0) + 2(1) = 2
B 0 6 6(0) + 2(6) = 12
C 1.5 5 6(1.5) + 2(5) = 19
D 2 4 6(2) + 2(4) = 20 Yes
E 2 1 6(2) + 2(1) = 14

The optimal solution is: X1 = 2, X2 = 4, Z = 20

11
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

EXAMPLE- 4:
Solve the following linear programming problem graphically:

Minimize Z = 2X1 + 3X2

Subject to:
5X1 + 10X2 ≥ 90
4X1 + 3X2 ≥ 48
X1 ≥ 3
X1, X2 ≥ 0
Solution

[Calculations for points are required as homework]

The final shape of graph will be as below

(Notice that the objective function here is Minimization).

The final solution is:
Optimal
Point X1 X2 Min. Z = 2X1 + 3X2
Solution
A 18 0 2(18) + 3(0) = 36
B 8.4 4.8 2(8.4) + 3(4.8) = 31.2 Yes
C 3 12 2(3) + 3(12) = 42

12
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

EXERCISES

EXERCISE 1: Solve the following linear programming problem graphically:

Maximize Z = 8X1 + 6X2
Subject to:
4X1 + 2X2 ≤ 60
2X1 + 4X2 ≤ 48
X1, X2 ≥ 0

EXERCISE 2: by using the (Graphical method) find the optimum solution of

(X1 and X2) that the Maximize Z = 40X1 + 50X2 Subject into constraint below:

X1 + 2X2 ≤ 12
3X1 + X2 ≤ 15
X1, X2 ≥ 0

EXERCISE 3: Solve the following linear programming problem graphically:

Maximize Z = 5X1 + 4X2
Subject to:
X1 + X2 ≤ 4000
X1 + 2X2 ≤ 7000
2X1 + X2 ≤ 7000
X1, X2 ≥ 0

EXERCISE 4: Use graphical method to find the optimal solution of the

following linear programming problem:
Minimize Z = 2X1 + 8X2
Subject to:
4X1 + 2X2 ≥ 12
5 X1 + 10X2 ≥ 40
10X1 + X2 ≥ 10
X1, X2 ≥ 0

13
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

EXERCISE 5: Use graphical method to find the optimal solution of the

following linear programming problem:
Maximize Z = 15X1 + 20X2
Subject to:
3X1 + 2X2 ≤ 240
X1 + 2X2 ≤ 160
X1 ≤ 60
X1, X2 ≥ 0

EXERCISE 6: Determine the optimal values of (X1 and X2) that minimize the
value of Z using graphical method:
Minimize Z = 3000X1 + 5000X2
Subject to:
X1 + X2 ≤ 6
2X1 + 3X2 ≤ 9
2X1 ≥ 6
X1, X2 ≥ 0

EXERCISE 7: Solve the following linear programming problem graphically:

Maximize Z = 4X1 + 2X2
Subject to:
X1 + 3X2 ≤ 12
X1 + X2 ≤ 6
X1, X2 ≥ 0

EXERCISE 8: Solve the following linear programming problem graphically:

Maximize Z = 6X1 + 4X2
Subject to:
6X1 + 6X2 ≤ 42
- X1 + X2 ≤ 4
X1 ≤ 2
X1, X2 ≥ 0

14
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

EXERCISE 9: Use graphical method to find the optimal solution of the

following linear programming problem:
Minimize Z = 4X1 + 8X2
Subject to:
4X1 + 2X2 ≥ 8
- 7X1 + 4X2 ≤ 28
8X1 + 6X2 ≤ 48
4X1 - X2 ≤ 4
X1, X2 ≥ 0

Notes
………………………………………………………………………………
………………………………………………………………………………
………….……………………………………………………………………
……………….………………………………………………………………
…………………….…………………………………………………………
………………………….……………………………………………………
……………………………….………………………………………………
………………………………………………………………………………
………………………………………….……………………………………
……………………………………………….………………………………
…………………………………………………….…………………………
………………………………………………………………………………
………………………………………………………………………………
………….……………………………………………………………………
……………….………………………………………………………………
…………………….…………………………………………………………
………………………….……………………………………………………
……………………………….………………………………………………
………………………………………………………………………………
………………………………………….……………………………………
……………………………………………….………………………………
…………………………………………………….…………………………
………………………………………………………………………………

15
 ‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫‪ -2‬الطريقة المبسطة ‪Simplex Method‬‬

‫كما ذكرنا سابقا ً فان هناك عدة طرق لحل نماذج البرمجة الخطية ومنها طريقتان أساسيتان هما الطريقة‬
‫البيانية ‪ Graphical Method‬والطريقة المبسطة ‪ Simplex Method‬وشرحنا الطريقة البيانية‬
‫وفيما يلي تفصيل للطريقة المبسطة ‪.Simplex Method‬‬
‫تستخدم هذه الطريقة في حالة وجود أي عدد من المتغيرات حيث يكون الحل بهذه الطريقة ممكنا وليس‬
‫كما كانت عليه الطريقة البيانية والتي يكون الحل بها ممكنا ً إذا كان هناك متغيرين فقط ويكون صعبا ً‬
‫إذا كان عدد المتغيرات ثالثة ويكون الحل بها مستحيالً إذا كان عدد المتغيرات أكثر من ثالثة‪ .‬تتضمن‬
‫فكرة الطريقة المبسطة توليد حلول مقبولة أساسية متعاقبة بحيث يؤدي كل حل جديد الى تحسين دالة‬
‫الهدف لحين الحصول على الحل األمثل المطلوب‪ .‬ويتكون الحل بهذه الطريقة الخطوات التالية‪:‬‬
‫تحويل النموذج الرياضي الى الصيغة القياسية ‪ Standard Form‬التي شرحناها سابقاً‪.‬‬ ‫‪-1‬‬
‫بناء جدول السمبلكس األبتدائي ‪ Initial Simplex Table‬ويمثل الحل األبتدائي األساسي‬ ‫‪-2‬‬
‫المقبول ‪.Initial Basic Feasible Solution‬‬
‫البحث عن حل أساسي مقبول جديد بحيث يحسن دالة الهدف بإدخال متغير غير أساسي‬ ‫‪-3‬‬
‫(‪ )Entering Variable‬تكون قيمته في صف (‪( )Z‬معامالت دالة الهدف) هي األكثر سالبية‬
‫إذا كانت دالة الهدف من نوع ‪ Maximization‬والقيمة االكثر موجبة إذا كانت دالة الهدف‬
‫من نوع ‪ .Minimization‬ويكون عمود هذا المتغير هو عمود المحور (‪.)Pivot Column‬‬
‫يتم تحديد المتغير الخارج (‪ )Leaving Variable‬وصف المحور(‪ )Pivot Row‬باعتباره‬ ‫‪-4‬‬
‫يقابل النسبة األقل من حاصل قسمة قيم الجانب األيمن للمعادالت (‪ )R.H.S‬والمدرجة في‬
‫عمود الحل (‪ )Solution‬على القيم الموجبة فقط المناظرة لها في عمود المحور( ‪Pivot‬‬
‫‪ .)Column‬ويسمى العنصر الذي يلتقي عنده صف المحور مع عمود المحور بعنصر المحور‬
‫(‪.)Pivot Element‬‬
‫تقسم كافة األرقام في صف المحور (صف المتغير الخارج) على عنصر المحور ويستبدل‬ ‫‪-5‬‬
‫بالمتغير الداخل ويتم توليد صف جديد بديل (‪ )New Pivot Row‬بموجب المعادلة التالية‪:‬‬

‫‪New Pivot Row = Old Pivot Row ÷ Pivot Element‬‬

‫‪ -6‬إلنشاء جدول جديد تجرى التحويالت لكل الصفوف المتبقية في الجدول لتوليد صفوف جديدة‬
‫بأستخدام المعادلة التالية لكل منها‪:‬‬

‫])‪New Row = Old Row – [(Its Entering Column Coefficient) × (New Pivot Row‬‬

‫‪16‬‬
‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫‪ -7‬تكرر الخطوات السابقة على كل جدول جديد حتى تصبح جميع قيم صف (‪ )Z‬غير سالبة‬
‫(موجبة أو أصفار) إذا كانت دالة الهدف من نوع ‪ Maximization‬وغير موجبة (سالبة أو‬
‫أصفار) إذا كانت دالة الهدف من نوع ‪ .Minimization‬بمعنى إننا نتوقف حينما نصل الى‬
‫الحالة التي اليمكن تحسين قيمة دالة الهدف بعدها ويكون ماحصلنا عليه هو الحل األمثل‬
‫المطلوب‪.‬‬

‫قد تبدو الطريقة صعبة ومعقدة عند شرحها ولكنها في الحقيقة بسيطة عند التطبيق‪ .‬وألجل ذلك سنقوم‬
‫بتوضيح تلك الطريقة من خالل تطبيقها لحل مثال لحالة عملية‪ .‬وسنأخذ الحالة الخاصة بشركه ( ‪XYZ‬‬
‫‪ )Electronics Company‬المذكورة في مثال سابق حيث أن الشركة تنتج نوعين من المنتجات‬
‫هما (‪ )A‬و (‪ )B‬وتوصلنا الى إن صيغة الموديل الرياضي للبرمجة الخطية لمشكلة تلك الشركة هي‬
‫كاألتي‪:‬‬

‫‪Max. Z = 7X1 + 5X2‬‬

‫‪S. t.‬‬
‫‪4X1 + 3X2 ≤ 240‬‬ ‫)قيد قسم األليكترونيك(‬
‫‪2X1 + X2 ≤ 100‬‬ ‫)قيد قسم التجميع(‬
‫‪X1, X2 ≥ 0‬‬

‫نالحظ إن هدف الشركة يتمثل بتعظيم الربح في ظل القيود المذكورة المفروضة عليها وقمنا بحل هذه‬
‫الحالة باستخدام الطريقة البيانية‪ .‬ولحل هذه المسألة بالطريقة المبسطة ‪ Simplex Method‬نتبع‬
‫الخطوات التالية‪:‬‬

‫‪ -1‬نعيد كتابة دالة الهدف لتصبح معادلة كل معامالتها بالجانب األيسر منها فتصبح كما يلي‪:‬‬

‫‪Z – 7X1 – 5X2 = 0‬‬

‫‪ -2‬نحول بقية النموذج الى الصيغة القياسية وكما يلي‪:‬‬

‫نحول المتباينة في القيد األول الى معادلة بأضافة متغير وهمي (راكد) ‪ Slack Variable‬الى‬
‫الجانب األيسر لكون المتباينة من نوع أصغر أو يساوي ونعطي هذا المتغير رمز (‪ )S1‬وبذلك‬
‫نحصل على المعادلة التالية‪:‬‬

‫‪4X1 + 3X2 + S1 = 240‬‬

‫نحول المتباينة في القيد الثاني الى معادلة بأضافة متغير وهمي (راكد) ‪ Slack Variable‬الى‬
‫الجانب األيسر لكون المتباينة من نوع أصغر أو يساوي ونعطي هذا المتغير رمز (‪ )S2‬وبذلك‬
‫نحصل على المعادلة التالية‪:‬‬

‫‪2X1 + X2 + S2 = 100‬‬
‫‪17‬‬
 ‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫‪ -3‬وبذلك يمكن كتابة الصيغة القياسية ‪ Standard Form‬كالتالي‪:‬‬

‫‪Max. Z - 7X1 – 5X2 = 0‬‬
‫‪S. t.‬‬
‫‪4X1 + 3X2 + S1 = 240‬‬
‫‪2X1 + X2 + S2 = 100‬‬
‫‪X1, X2, S1, S2 ≥ 0‬‬
‫‪ -4‬نرتب الحل في جدول يسمى جدول السمبلكس األبتدائي ‪ Initial Simplex Table‬و هناك‬
‫عدة أشكال وصيغ لترتيب هذا الجدول وهنا سنستخدم أبسط صيغه لذلك الجدول وكما يلي‪:‬‬
‫‪Basic‬‬
‫‪X1‬‬ ‫‪X2‬‬ ‫‪S1‬‬ ‫‪S2 Solution Ratio‬‬
‫‪Variable‬‬
‫‪Z‬‬ ‫‪-7‬‬ ‫‪-5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪------‬‬
‫‪S1‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪240‬‬
‫‪S2‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪100‬‬

‫الحظ اننا في هذا الجدول نضع تحت صف متغيرات دالة الهدف معامالت تلك المتغيرات في‬
‫تلك الدالة‪ .‬وكذلك وضعنا معامالت تلك المتغيرات تحتها في صفوف القيود‪.‬‬
‫‪ -5‬االن نبداء بالخطوة التالية حيث نحدد عمود المتغيرالداخل وبما ان دالة الهدف هنا من نوع‬
‫‪ Maximization‬فانه سيكون هو عمود الرقم األكثر سالبية في صف (‪ .)Z‬وهنا سيكون‬
‫العمود تحت (‪ )-7‬ويكون المتغير الداخل هو (‪ .)X1‬كما مبين في الجدول الالحق‪.‬‬
‫‪ -6‬يتم تحديد المتغير الخارج ‪ Leaving Variable‬بأعتباره يقابل النسبة األقل من حاصل قسمة‬
‫عمود معامالت الجانب األيمن (‪ )R.H.S‬الموجودة في صف الحل (‪ )Solution‬على القيم‬
‫الموجبة فقط المناظرة لها من عمود المتغير الداخل ‪ .Entering Variable‬وعليه هنا سيكون‬
‫(‪ )S2‬هو المتغير الخارج الن حاصل القسمة المذكورة كان (‪ )50‬بينما حاصل تلك القسمة‬
‫للمتغير (‪ )S1‬كان (‪ .)60‬واالن نوجد عنصر المحور (‪ )Pivot Element‬وهو موجود عند‬
‫تقاطع العمود مع الصف وهنا سيكون (‪ .)2‬و الجدول الالحق يبين ذلك‪.‬‬
‫‪Entering Variable‬‬
‫المتغير الداخل‬
‫عنصر المحور ‪Pivot Element‬‬

‫‪B.V.‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪S1‬‬ ‫‪S2‬‬ ‫‪Solution‬‬ ‫‪Ratio‬‬

‫‪Z‬‬ ‫‪-7‬‬ ‫‪-5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪-------‬‬
‫‪S1‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪240‬‬ ‫‪240 / 4 = 60‬‬
‫‪Pivot row‬‬
‫‪S2‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪100‬‬ ‫‪100 / 2 = 50‬‬
‫صف المحور‬

‫‪Leaving Variable‬‬
‫المتغير الخارج‬ ‫عمود المحور ‪Pivot Column‬‬

‫‪18‬‬
‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫‪ -7‬يحل المتغير الداخل (‪ )X1‬محل المتغير الخارج وهو (‪ )S2‬ويتم توليد صف جديد بديل عن‬
‫صف (‪ )S2‬الخارج بقسمة كافة عناصر ذلك الصف على (‪ )2‬وهي قيمة عنصر المحور‬
‫وبموجب المعادلة التالية‪:‬‬
‫‪New Pivot Row = Old Pivot Row ÷ Pivot Element‬‬
‫‪= {2 1 0 1 100} ÷ 2‬‬
‫وعليه سيكون الصف الجديد كما في الجدول التالي‪:‬‬

‫‪B.V.‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪S1‬‬ ‫‪S2‬‬ ‫‪Solution Ratio‬‬

‫‪X1‬‬ ‫‪1‬‬ ‫‪1/2‬‬ ‫‪0‬‬ ‫‪1/2‬‬ ‫‪50‬‬

‫‪ -8‬نبدء االن بتوليد صفوف جديدة لجدول السمبلكس الجديد ويكون حساب القيم الجديدة لعناصر‬
‫تلك الصفوف بموجب العالقة التالية‪:‬‬
‫])‪New Row = Old Row – [(Its Entering Column Coefficient) × (New Pivot Row‬‬

‫عنصر تقاطع الصف مع عمود المحور‬

‫وستكون الحسابات كما يلي‪:‬‬

‫صف (‪ )Z‬الجديد = صف (‪ )Z‬القديم – }(‪( (-7‬صف ‪ X1‬الجديد){‬

‫= ‪Old (Z) Row‬‬ ‫‪-7‬‬ ‫‪-5‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬

‫= ‪(- 7) New Pivot Row‬‬ ‫)‪-7(1‬‬ ‫)‪-7(1/2‬‬ ‫)‪-7(0‬‬ ‫)‪-7(1/2‬‬ ‫)‪-7(50‬‬

‫= }‪- {(- 7) New Pivot Row‬‬ ‫‪7‬‬ ‫‪7/2‬‬ ‫‪0‬‬ ‫‪7/2‬‬ ‫‪350‬‬
‫= ‪New (Z) Row‬‬ ‫‪0‬‬ ‫‪- 3/2‬‬ ‫‪0‬‬ ‫‪7/2‬‬ ‫‪350‬‬

‫بنفس الطريقة السابقة يتم توليد صف (‪ )S1‬الجديد كالتالي‪:‬‬

‫= ‪Old (S1) Row‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪240‬‬
‫= })‪- {(4) (New Pivot Row‬‬ ‫‪-4‬‬ ‫‪-2‬‬ ‫‪0‬‬ ‫‪-2‬‬ ‫‪- 200‬‬
‫= ‪New (S1) Row‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪-2‬‬ ‫‪40‬‬

‫وسيكون شكل الجدول الجديد كاالتي‪:‬‬

‫‪B.V.‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪S1‬‬ ‫‪S2‬‬ ‫‪Solution Ratio‬‬
‫‪Z‬‬ ‫‪0‬‬ ‫‪- 3/2‬‬ ‫‪0‬‬ ‫‪7/2‬‬ ‫‪350‬‬ ‫‪------‬‬
‫‪S1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪-2‬‬ ‫‪40‬‬
‫‪X1‬‬ ‫‪1‬‬ ‫‪1/2‬‬ ‫‪0‬‬ ‫‪1/2‬‬ ‫‪50‬‬

‫‪19‬‬
‫‪Linear Programming‬‬ ‫‪2018‬‬ ‫د‪ .‬محمود عباس محمود‬

‫‪ -9‬نكرر الخطوات (‪ )5‬و (‪ )6‬وكما يلي‪:‬‬

‫‪B.V.‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪S1‬‬ ‫‪S2‬‬ ‫‪Solution‬‬ ‫‪Ratio‬‬

‫‪Z‬‬ ‫‪0‬‬ ‫‪- 3/2‬‬ ‫‪0‬‬ ‫‪7/2‬‬ ‫‪350‬‬ ‫‪------‬‬
‫‪S1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪-2‬‬ ‫‪40‬‬ ‫‪40 / 1 = 40‬‬
‫‪X1‬‬ ‫‪1‬‬ ‫‪1/2‬‬ ‫‪0‬‬ ‫‪1/2‬‬ ‫‪50‬‬ ‫‪50 / (1/2) = 100‬‬

‫‪ -11‬بعد حساب الصفوف من جديد يكون الجدول كما يلي‪:‬‬

‫‪B.V.‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪S1‬‬ ‫‪S2‬‬ ‫‪Solution‬‬ ‫‪Ratio‬‬

‫‪Z‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪3/2‬‬ ‫‪1/2‬‬ ‫‪410‬‬ ‫‪------‬‬
‫‪X2‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪-2‬‬ ‫‪40‬‬
‫‪X1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪- 1/2‬‬ ‫‪3/2‬‬ ‫‪30‬‬

‫‪X2 Units from Product B‬‬ ‫‪X1 Units from Product A‬‬ ‫‪Total Profit‬‬

‫‪ -11‬األن نجد بان جميع قيم صف (‪ )Z‬غير سالبة (موجبة أو أصفار) وبما ان دالة الهدف من نوع‬
‫‪ Maximization‬فاننا نكون قد وصلنا للحل المثالي وعليه فان النتائج تكون كالتالي‪:‬‬
‫)‪ (X1 = 30‬أي إنتاج ‪ 30‬وحدة من المنتج (‪)A‬‬
‫)‪ (X2 = 40‬أي إنتاج ‪ 40‬وحدة من المنتج (‪)B‬‬
‫ويكون الربح الكلي األقصى هو )‪($ 410‬‬

‫‪Notes‬‬
‫………………………………………………………………………………‬
‫………………………………………………………………………………‬
‫……………………………………………………………………‪………….‬‬
‫………………………………………………………………‪……………….‬‬
‫…………………………………………………………‪…………………….‬‬
‫……………………………………………………‪………………………….‬‬
‫………………………………………………‪……………………………….‬‬
‫………………………………………………………………………………‬
‫……………………………………‪………………………………………….‬‬
‫………………………………‪……………………………………………….‬‬
‫…………………………‪…………………………………………………….‬‬

‫‪20‬‬
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

SOLVED EXAMPLES
Maximization Examples

EXAMPLE- 1:
Solve the following problem by simplex method:

Max. Z = 8X1 + 6X2

S. t.
4X1 + 2X2 ≤ 60
2X1 + 4X2 ≤ 48
X1, X2 ≥ 0

Solution
Convert the problem to standard form:
Max. Z - 8X1 - 6X2 = 0
S. t.
4X1 + 2X2 + S1 = 60
2X1 + 4X2 + S2 = 48
X1, X2, S1, S2 ≥ 0
Initial Simplex Table
B.V. X1 X2 S1 S2 Solution Ratio
Z -8 -6 0 0 0 ------
S1 4 2 1 0 60
S2 2 4 0 1 48
First Iteration
B.V. X1 X2 S1 S2 Solution Ratio
Z -8 -6 0 0 0 ------
S1 4 2 1 0 60 60/4 = 15
S2 2 4 0 1 48 48/2 = 24

New Pivot Row = Old Pivot Row ÷ Pivot Element

= {4 2 1 0 60} ÷ 4
= {1 1/2 1/4 0 15}
21
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

New (Z) Row

Old (Z) Row = -8 -6 0 0 0
- {(-8) (New Pivot Row)} = 8 4 2 0 120
New (Z) Row = 0 -2 2 0 120

New (S2) Row

Old (S2) Row = 2 4 0 1 48
- {(2) (New Pivot Row)} = -2 -1 -1/2 0 - 30
New (S2) Row = 0 3 -1/2 1 18

The New Simplex Table

B.V. X1 X2 S1 S2 Solution Ratio

Z 0 -2 2 0 120 ------
X1 1 1/2 1/4 0 15 15/(1/2) = 30
S2 0 3 -1/2 1 18 18/3 = 6

New Pivot Row = Old Pivot Row ÷ Pivot Element

= {0 3 -1/2 1 18} ÷ 3
= {0 1 -1/6 1/3 6}

New (Z) Row

Old (Z) Row = 0 -2 2 0 120
- {(-2) (New Pivot Row)} = 0 2 -1/3 2/3 12
New (Z) Row = 0 0 5/3 2/3 132

New (X1) Row

Old (X1) Row = 1 1/2 1/4 0 15
- {(1/2) (New Pivot Row)} = 0 -1/2 1/12 -1/6 -3
New (X1) Row = 1 0 1/3 -1/6 12

22
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

The New Simplex Table

B.V. X1 X2 S1 S2 Solution Ratio
Z 0 0 5/3 2/3 132 ------
X1 1 0 1/3 -1/6 12
X2 0 1 -1/6 1/3 6

The objective function is Maximization and all values in (Z) row are
nonnegative. Therefore, we reach to the optimal solution:
X1 = 12
X2 = 6
Z = 132

EXAMPLE- 2:
Solve the following problem by simplex method:

Max. Z = 3X1 + 2X2

S. t.
X1 + 2X2 ≤ 6
2X1 + X2 ≤ 8
- X1 + X2 ≤ 1
X2 ≤ 2
X1, X2 ≥ 0

Solution

Convert the problem to standard form:

Max. Z - 3X1 + 2X2 = 0
S. t.
X1 + 2X2 + S1 = 6
2X1 + X2 + S2 = 8
- X1 + X2 + S3 = 1
X2 + S4 = 2
X1, X2, S1, S2, S3, S4 ≥ 0

23
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

Initial Simplex Table

B.V. X1 X2 S1 S2 S3 S4 Solution Ratio
Z -3 -2 0 0 0 0 0 ------
S1 1 2 1 0 0 0 6
S2 2 1 0 1 0 0 8
S3 -1 1 0 0 1 0 1
S4 0 1 0 0 0 1 2

First Iteration
B.V. X1 X2 S1 S2 S3 S4 Solution Ratio
Z -3 -2 0 0 0 0 0 ------
S1 1 2 1 0 0 0 6 6/1= 6
S2 2 1 0 1 0 0 8 8/2= 4
S3 -1 1 0 0 1 0 1 -----
S4 0 1 0 0 0 1 2 -----
Negative

Zero

New Pivot Row = Old Pivot Row ÷ Pivot Element

= {2 1 0 1 0 0 8} ÷ 2
= {1 1/2 0 1/2 0 0 4}

New (Z) Row

Old (Z) Row = -3 -2 0 0 0 0 0
- {(-3) (New Pivot Row)} = 3 3/2 0 3/2 0 0 12
New (Z) Row = 0 -1/2 0 3/2 0 0 12

New (S1) Row

Old (S1) Row = 1 2 1 0 0 0 6
- {(1) (New Pivot Row)} = -1 -1/2 0 -1/2 0 0 -4
New (S1) Row = 0 3/2 1 -1/2 0 0 2

24
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

New (S3) Row

Old (S3) Row = -1 1 0 0 1 0 1
- {(-1) (New Pivot Row)} = 1 1/2 0 1/2 0 0 4
New (S3) Row = 0 3/2 0 1/2 1 0 5

New (S4) Row

Old (S4) Row = 0 1 0 0 0 1 2
- {(0) (New Pivot Row)} = 0 0 0 0 0 0 0
New (S4) Row = 0 1 0 0 0 1 2

The New Simplex Table

B.V. X1 X2 S1 S2 S3 S4 Solution Ratio

Z 0 -1/2 0 3/2 0 0 12 ------
S1 0 3/2 1 -1/2 0 0 2 2/(3/2) = 4/3
X1 1 1/2 0 1/2 0 0 4 4/(1/2) = 8
S3 0 3/2 0 1/2 1 0 5 5/(3/2) = 10/3
S4 0 1 0 0 0 1 2 2/1 = 2

The New Simplex Table

B.V. X1 X2 S1 S2 S3 S4 Solution Ratio

Z 0 0 1/3 4/3 0 0 1223
X2 0 2/3 2/3 -1/3 0 0 4/3
X1 1 0 -1/3 2/3 0 0 10/3
S3 0 0 -1 1 1 0 3
S4 0 0 -2/3 1/3 0 1 2/3

The objective function is Maximization and all values in (Z) row are
nonnegative. Therefore, we reach to the optimal solution:
X1 = 10/3, X2 = 4/3 and the value of Z = 1223

25
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

EXAMPLE- 3:
Use Simplex Method to solve the following linear programming problem:
Max. Z = 13X1 + 11X2
Subject to
4X1 + 5X2 ≤ 1500
5X1 + 3X2 ≤ 1575
X1 + 2X2 ≤ 420
X1, X2 ≥ 0

Solution
Convert the problem to standard form:
Max. Z - 13X1 - 11X2 = 0
S. t.
4X1 + 5X2 + S1 = 1500
5X1 + 3X2 + S2 = 1575
X1 + 2X2 + S3 ≤ 420

X1, X2, S1, S2, S3 ≥ 0

Initial Simplex Table
B.V. X1 X2 S1 S2 S3 Solution Ratio
Z -13 -11 0 0 0 0
S1 4 5 1 0 0 1500
S2 5 3 0 1 0 1575
S3 1 2 0 0 1 420
First Iteration
B.V. X1 X2 S1 S2 S3 Solution Ratio
Z -13 -11 0 0 0 0
S1 4 5 1 0 0 1500 1500/4 = 375
S2 5 3 0 1 0 1575 1575/5 = 315
S3 1 2 0 0 1 420 420

New Pivot Row = Old Pivot Row ÷ Pivot Element

= {5 3 0 1 0} ÷ 5
= {1 3/5 0 1/5 0}
26
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

The New Simplex Table

B.V. X1 X2 S1 S2 S3 Solution Ratio

Z 0 -16/5 0 13/5 0 4095 -------
S1 0 13/5 1 -4/5 0 240 92.3
X1 1 3/5 0 1/5 0 315 525
S3 0 7/5 0 -1/5 1 105 75

The New Simplex Table

B.V. X1 X2 S1 S2 S3 Solution Ratio

Z 0 0 0 15/7 16/7 4335 -------
S1 0 0 1 -3/7 -13/7 45
X1 1 0 0 2/7 -3/7 270
X2 0 1 0 -1/7 5/7 75

The objective function is Maximization and all values in (Z) row are
nonnegative. Therefore, we reach to the optimal solution:
X1 = 270, X2 = 75 and the value of Z = 4335

Notes
………………………………………………………………………………
………………………………………………………………………………
………….……………………………………………………………………
……………….………………………………………………………………
…………………….…………………………………………………………
………………………….……………………………………………………
……………………………….………………………………………………
………………………………………………………………………………
………………………………………….……………………………………
……………………………………………….………………………………
…………………………………………………….…………………………
……………………………………………….………………………………
…………………………………………………….…………………………
……………………………………………….………………………………

27
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

Minimization Example

EXAMPLE- 4:
Solve the following problem by simplex method:

Min. Z = X1 - 2X2 - 3X3

S. t.
5X1 + 6X2 ≤ 15
7X1 + 3X2 ≤ 14
3X1 + 2X3 ≤ 12
X1, X2 ≥ 0

Solution
Convert the problem to standard form:
Min. Z - X1 + 2X2 + 3X3 = 0
S. t.
5X1 + 6X2 + S1 ≤ 15
7X1 + 3X2 + S2 ≤ 14
3X1 + 2X3 + S3 ≤ 12
X1, X2, X3, S1, S2, S3 ≥ 0

Initial Simplex Table

B.V. X1 X2 X3 S1 S2 S3 Solution Ratio
Z -1 2 3 0 0 0 0 ------
S1 5 6 0 1 0 0 15
S2 7 3 0 0 1 0 14
S3 3 0 2 0 0 1 12

Note: The objective function is Minimization therefore we should select the

highest positive value in (Z) row.
‫ فيكون البحث عن القيمة األكثر‬Minimization ‫ التنسى ان دالة الهدف هنا من نوع‬:‫مالحظة مهمة‬
Pivot ( ‫ ويكون عمود هذا المتغير هو عمود المحور‬.)‫) (معامالت دالة الهدف‬Z( ‫موجبة في صف‬
.)Column

28
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

First Iteration
B.V. X1 X2 X3 S1 S2 S3 Solution Ratio
Z -1 2 3 0 0 0 0 ------
S1 5 6 0 1 0 0 15 ------
S2 7 3 0 0 1 0 14 ------
S3 3 0 2 0 0 1 12 12/2 = 6

The New Simplex Table

B.V. X1 X2 X3 S1 S2 S3 Solution Ratio
Z -11/2 2 0 0 0 -3/2 -18 ------
S1 5 6 0 1 0 0 15 15/6
S2 7 3 0 0 1 0 14 14/3 = 28/6
X3 3/2 0 -1 0 0 1/2 6 ------
The New Simplex Table
B.V. X1 X2 X3 S1 S2 S3 Solution Ratio
Z -43/6 0 0 -1/3 0 -3/2 -23
X2 5/6 1 0 1/6 0 0 15/6
S2 9/2 0 0 -1/2 1 0 13/2
X3 3/2 0 1 0 0 1/2 6

The objective function is Minimization and all values in (Z) row are Not
positive (Zeros or negative). Therefore, we reach to the optimal solution:
X1 = 0, X2 = 15/6, X3 = 6 and the value of Z = -23

Note:
To Check the Final Solution
Z = X1 - 2X2 - 3X3
– 23 = 0 – 2(15/6) – 3(6)
– 23 = – 23

29
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

EXERCISES

EXERCISE 1: Solve the following linear programming problem using

Simplex Method:
Max. Z = 3X1 + 2X2
Subject to
X1 + X2 ≤ 4
2X1 + X2 ≤ 2
X1, X2 ≥ 0

EXERCISE 2: Solve the following linear programming problem using

Simplex Method:
Max. Z = X1 + 9X2 + X3
Subject to
X1 + 2X2 + 3X3 ≤ 9
3X1 + 2X2 + 2X3 ≤ 15
X1, X2, X3 ≥ 0

EXERCISE 3: Use Simplex Method to solve the following linear

programming problem:
Max. Z = 10X1 + 12X2
Subject to
2X1 + 2X2 ≤ 4
8X1 + 2X2 ≤ 8
X1, X2 ≥ 0

EXERCISE 4: Use Simplex Method to solve the following linear

programming problem:
Max. Z = 13X1 + 11X2
Subject to
4X1 + 5X2 ≤ 1500
5X1 + 3X2 ≤ 1575
X1 + 2X2 ≤ 420
X1, X2 ≥ 0
30
Linear Programming 2018 ‫ محمود عباس محمود‬.‫د‬

EXERCISE 5: Solve the following linear programming problem using

Simplex Method:
Max. Z = 4X1 + 5X2
Subject to
X1 + X2 ≤ 10
3X1 + 7X2 ≤ 42
X1, X2 ≥ 0

EXERCISE 6: Use Simplex Method to solve the following linear

programming problem:

Max. Z = 3X1 + 5X2 + 4X3

Subject to
2X1 + 3X2 ≤ 8
2X2 + 5X3 ≤ 10
3X1 + 2X2 + 4X3 ≤ 15
X1, X2, X3 ≥ 0

Notes
………………………………………………………………………………
………………………………………………………………………………
………….……………………………………………………………………
……………….………………………………………………………………
…………………….…………………………………………………………
………………………….……………………………………………………
……………………………….………………………………………………
………………………………………………………………………………
………………………………………….……………………………………
……………………………………………….………………………………
…………………………………………………….…………………………
……………………………………………….………………………………
…………………………………………………….…………………………
……………………………………………….………………………………
……………………………………………………………………………….
31