Cuasdfasdfrs 4aasdfsdf

MMI - Cursul 4
Universitatea POLITEHNICA din Bucureti

Facultatea Ingineria i Managementul
Sistemelor Tehnologice
Modelare Matematic n Inginerie
Autor curs: Conf.dr.ing.mat. Ovidiu Bljin

Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
Capitolul 1
MODELARE I OPTIMIZARE
MATEMATIC
(IV)
MMI - Cursul 4
3. Programare neliniar
3.1. Mulimi i funcii convexe
3.2. Condiii necesare i/sau suficiente
de optimalitate
3.3. Programare ptratic
3.4. Programare convex cu restricii
liniare
3.5. Programare convex
MMI - Cursul 4
O problem de programare matematic n

forma general const n a optimiza (minimizare sau
maximizare) o funcie real, de n variabile reale,
supus, sau nu, unui numr finit de restricii.
Fie X Rn i f: X R, g: X Rm, h: X Rk.
Modelul matematic al unei probleme de
optimizare cu restricii are forma:
min [max] f ( x)
g ( x) 0
h( x ) = 0
x X
(102)
MMI - Cursul 4
unde f se numete funcia obiectiv, iar g i h sunt

restriciile problemei (1).
Definiie: Dac cel puin una din funciile f, gi (i =
1,..., m), hj (j = 1,..., k) este neliniar, atunci
problema (1) este de programare neliniar.
MMI - Cursul 4
3.1. Mulimi i funcii convexe
MMI - Cursul 4
Definiie: Fie vectorii x1, x2 Rn. Mulimea
[ x1 , x 2 ] = x R n x = x1 + (1 ) x 2 , [0, 1]
se numete segment, cu extremitile x1 i x2.

Definiie: Mulimea X Rn se numete convex dac
x1, x2 X avem [x1, x2] X.
Observaie. Mulimea vid i spaiul Rn sunt
mulimi convexe.
Proprieti ale mulimilor convexe:
1) O mulime X Rn este convex dac i numai
dac orice combinaie convex
x = 1x1 + 2 x 2 + L + k x k X
MMI - Cursul 4
n care x1,..., xk X, 1,..., k 0, cu 1 + L + k = 1.

2) Intersecia unei familii arbitrare de mulimi
convexe este o mulime convex.
Definiie: Fie f : X Rn R i x0 X. Funcia f
este convex n punctul x0 dac
f (x + (1 ) x 0 ) f ( x ) + (1 ) f ( x 0 ) (103)
x X, (0, 1), pentru care x + (1 ) x 0 X .
Definiie: Funcia f este strict convex n punctul x0
dac inegalitatea din relaia (103) este strict (<).
Definiie: Funcia f este concav (strict concav) n
punctul x0 dac -f este convex (strict convex) n x0.
MMI - Cursul 4
Observaii:
1) O funcie f este convex (concav) pe mulimea
X dac este convex (concav) n oricare punct al
mulimii X.
2) O funcie f care este simultan convex i
concav se numete afin. Ea satisface condiia:
f (x1 + (1 ) x 2 ) = f ( x1 ) + (1 ) f ( x 2 )
0
X, (0, 1), cu x + (1 ) x X.
3) Orice funcie liniar este afin.
4) O funcie liniar nu este nici strict convex, nici
strict concav.
x1,
x2
MMI - Cursul 4
10
Definiie: Se numete gradient al funciei f : Rn R

vectorul derivatelor pariale ale funciei f:
f f
f
f = ,
,...,
xn
x1 x2
Definiie: Se numete matrice hessian asociat

funciei f : Rn R matricea derivatelor pariale de
ordinul doi ale funciei f:
2 f
Hf =
, i, j = 1,..., n
xi x j
MMI - Cursul 4
11
Exemplu: Fie x0 = [1, 2, 3] T i funcia f : R3 R,

f(x1, x2, x3) = 2 x13 x2 x3 x2 x32 . S se calculeze f(x0) i
Hf(x0).
Soluie:
6 x12 x2 x3
f = 2 x13 x3 x32
2 x13 x2 2 x2 x3
36
f ( x 0 ) = 3
8
12 x1x2 x3 6 x12 x3
6 x12 x2
72 18 12
2
3
0
Hf = 6 x1 x3
0
2 x1 2 x3 Hf ( x ) = 18 0 4
12 4 4
2 x2
6 x12 x2 2 x13 2 x3
MMI - Cursul 4
12
Proprieti ale funciilor convexe (concave):

1) Orice punct de minim (maxim) local al unei
funcii convexe (concave) f pe o mulime convex i
nchis X este un punct de minim global.
2) Mulimea punctelor de minim (maxim) pe mulimea convex X pentru funcia convex (concav) f
este o mulime convex.
3) Dac funcia f este strict convex (concav) pe
mulimea convex X i are un punct de minim
(maxim), atunci acest punct este unic.
4) Dac funciile f1,..., fk sunt convexe (concave)
pe mulimea convex X, atunci funcia
MMI - Cursul 4
13
f = i fi , 1 ,..., k 0
i =1
este convex (concav) pe mulimea X.

5) Pentru mulimea X convex i funcia f continu
i convex (concav) are loc inegalitatea lui Jensen:
1
n
f (1x + L + n x ) [] 1 f ( x1 ) + L + n f ( xn )
1
x ,..., x X , 1,..., n 0 , cu 1 + L + n = 1 .
6) O funcie f de clas C2 pe mulimea deschis X
este convex (strict convex) dac i numai dac
matricea hesssian Hf este pozitiv semidefinit
(definit).
MMI - Cursul 4
14
Propoziie: O matrice ptratic A M n n, este

pozitiv definit (semidefinit) dac satisface una din
urmtoarele dou condiii:
1) Minorii principali ai matricei A sunt pozitivi
(nenegativi).
2) y Rn \ {0}, avem y T HA y > [ ] 0 .
Exemplu: S se arate c funcia f : R2 R,
2
2
f(x1, x2) = x1 x1 + 2 x2 3x2 + 5 este strict convex.
Soluie: Se calculeaz
2 x1 1 ;
2 0
f =
Hf
=
0 4
4 x2 3
MMI - Cursul 4
15
Funcia f este strict convex dac matricea

hessian Hf este pozitiv definit. ntr-adevr matricea
Hf este pozitiv definit deoarece:
- minorii principali sunt pozitivi:
2
0
=8>0
1 = 2 = 2 > 0 ; 2 =
0 4
sau
- fie un vector oarecare y = [y1, y2] T [0, 0] T i se
calculeaz
y Hf y = [ y1
T
2 0 y1
2
2
=
+
y2 ]
2
4
y
y
1
2 >0
0 4 y2
MMI - Cursul 4
16
3.2. Condiii necesare i/sau suficiente de

optimalitate
MMI - Cursul 4
17
Fie problema general de minimizare cu

restricii, scris n forma vectorial:
min f ( x)
g ( x) 0
h( x ) = 0
x X
(104)
unde mulimea X Rn, funcia real f : X R, iar

funciile vectoriale g : X Rm, h : X Rk.
MMI - Cursul 4
18
Mulimea soluiilor posibile (programelor) ale

problemei (104) se noteaz cu:
P = {x X g ( x) 0, h( x) = 0}
A rezolva problema revine la determinarea

punctelor de minim global ale funciei f pe X.
Definiie: O soluie posibil x* P a problemei
(104) este optim dac f(x*) f(x), x P.
Definiie: Se numete lagrangian (funcia lui
Lagrange) asociat problemei (104) funcia:
L ( x, u , v ) = f ( x ) + u T g ( x ) + v T h ( x )
unde x X, u
R m+ ,
v R .
MMI - Cursul 4
19
(x*,
u*,
v *)
x*
Definiie: Punctul
cu
X,
k
*
R
v
este un punct a al funciei L dac
*
m
*
u R+
L ( x , u , v ) L ( x , u , v ) L ( x, u , v )
pentru x X, u R m+ , v R k .
Teorem: Dac (x*, u*, v*) este un punct a al
funciei L, atunci x* este soluia optim a problemei
de programare neliniar (104).
Observaie: Teorema ofer condiii suficiente de
optimalitate n programarea neliniar.
Deoarece h( x) = 0 h( x) 0, h( x) 0 se va
MMI - Cursul 4
20
considera problema (104) adus la forma canonic

(cu restricii inegaliti):
min f ( x)
(105)
g ( x) 0
x X
n plus, presupunem c X Rn este mulime

convex, iar f i g sunt funcii convexe, adic
problema (105) este de programare convex.
Mulimea programelor problemei (4)
P = {x X g ( x) 0}
este convex ca intersecie de mulimi convexe.
MMI - Cursul 4
21
Teorem: (Slater) O condiie necesar pentru existena punctului a n programarea convex este s
existe x P astfel nct g(x) < 0.
Teorem: (Karlin) Condiia necesar i suficient ca
o soluie x* P a problemei (105) s fie optim este
s existe u* 0 astfel nct (x*, u*) s fie punct a al
funciei lui Lagrange:
T
L ( x, u ) = f ( x ) + u g ( x )
Teorem: (Kuhn-Tucker). Dac funciile convexe f
i g sunt i difereniabile n punctul x* X Rn,
atunci condiia necesar i suficient ca x* s fie
soluie optim a problemei (105) este s existe u*R m+
MMI - Cursul 4
22
astfel nct
(u* )T g ( x* ) = 0
*
*
(106)
L
x
u
(
,
)=0
x
*
g
x
(
)0
Relaiile (106) se numesc condiiile Kuhn-Tucker.
Exemplu: Se consider un stoc cu perioad fix i

cerere constant cu ruptur de stoc, relativ la un
produs, n condiiile ce urmeaz. Pe durata t0 = 360
zile este disponibil o cantitate N = 20000 buc. Se va
lansa o aceeai comand x, la perioade de timp egale
T. Costul de lansare a unei comenzi este cl = 100 u.m.,
MMI - Cursul 4
23
iar costul de stocare a unei uniti de produs pe

unitatea de timp este cs = 1/3 u.m./buc. zi. Se admite
lipsa de stoc, costul de penalizare pentru lipsa unei
uniti de produs pe unitatea de timp fiind cp = 1/3
u.m./buc.zi. Fiecare comand lansat nu poate
depi 1000 buc.
S se determine nivelul optim al stocului y, al
comenzii x i al perioadei T astfel nct cheltuielile
totale s fie minime.
Soluie: Cheltuielile totale efectuate pentru o comand sunt date de suma dintre costul de lansare a comenzii, costul mediu al stocrii celor y buc. de produs
i costul mediu datorat lipsei produselor din stoc:
MMI - Cursul 4
24
)
c
t
x
y
1 p 0
N cl 1 cs t0 y
+
+
f ( x, y ) =
2
2
x
x
2000000 60 y 2 60( x y ) 2
f ( x, y ) =
+
+
x
x
x
Restricia privind mrimea comenzii x este:

g ( x) = x 1000 0
Modelul problemei este de forma:

min f ( x, y )
g ( x) 0
x, y > 0
MMI - Cursul 4
25
Lagrangianul este L = f(x, y) + ug(x), u 0.

Sistemul condiiilor Kuhn-Tucker se scrie:
L 60 x 2 120 y 2 2000000
=
+u =0
2
x
x
L 240 y 120 x
=0
=
x
y
x 1000 0
u ( x 1000) = 0
Din ultima restricie rezult x0 = 1000 sau u0 = 0.
Dac x0 = 1000, atunci din a doua restricie rezult
1
y0 = x0 = 500.
2
MMI - Cursul 4
26
Din prima restricie rezult u0 = -28 < 0, fals. Deci

u0 = 0.
Din primele dou restricii (pentru x > 0) rezult:
100
200
15 buc.
x0 =
15 buc.; y0 =
3
3
Deci ((x0, y0)T, u0) este punct a.
Aadar (x0, y0)T este program optim al problemei
considerate.
Perioada optim de lansare a comenzilor este:
x0 t0 6
T0 =
=
15 zile
N
5
MMI - Cursul 4
27
3.3. Programare ptratic
MMI - Cursul 4
28
O problem de programare ptratic const n

optimizarea (maximizarea sau minimizarea) unei
funcii obiectiv ptratice cu restricii liniare:
1 T
T
max [min] f ( x) = c x + 2 x Q x
Ax [=, ] b
x0
(107)
unde: A M m n; b Rm; c Rn; Q este o matrice

simetric; f este o funcie convex dac este minimizat sau concav dac este maximizat.
MMI - Cursul 4
29
Observaii:
1) Funcia x T Qx se numete form ptratic.
2) Condiia ca matricea Q s fie simetric nu re1 T
T
strnge generalitatea deoarece x Qx = x ( Q + Q T ) x ,
2
x Rn.
3) Forma ptratic x T Qx este convex (strict convex) dac i numai dac matricea Q este semipozitiv
(pozitiv) definit.
4) Matricea Q semipozitiv definit este pozitiv definit dac i numai dac este nesingular.
5) Dac forma ptratic x T Qx este pozitiv definit,
atunci problema (107) de minimizare are o soluie
optim unic. Dac forma ptratic este semipozitiv
MMI - Cursul 4
30
definit, atunci problema (107) de minimizare poate

avea mai multe soluii optime.
Pentru a rezolva problema (107) se poate
aplica metoda elaborat de P. Wolfe, care utilizeaz,
n esen, o versiune uor modificat a algoritmului
simplex. Cele dou variante ale metodei, forma
scurt i forma lung , se bazeaz pe condiiile
de optimalitate Kuhn-Tucker, care permit scrierea
restriciilor unei probleme auxiliare de programare
liniar, pornind de la restriciile problemei iniiale de
programare ptratic (cf. tab. urmtor). Vom studia
doar varianta forma scurt a metodei lui Wolfe.
MMI - Cursul 4
31
MMI - Cursul 4
32
MMI - Cursul 4
33
n care F este o matrice ptratic n n, a crei form

este precizat n enunul algoritmului.
Algoritmul lui Wolfe se bazeaz pe algoritmul
simplex, dar cu o anumit modificare la criteriul de
intrare n baz.
MMI - Cursul 4
34
Algoritmul lui Wolfe forma scurt:

Pasul 1. Se testeaz dac mulimea programelor
(soluiilor admisibile) ale problemei iniiale
P = {x R n Ax [=, ] b, x 0}
este nevid.
Dac P = , atunci STOP; altfel, fie o soluie
0
de baz x .
Pasul 2. Se determin matricea ptratic F de dimensiune n n, F = ( f 1 , f 2 ,..., f n ) , a crei coloan oarecare este:
0
j
j T
e , dac (e ) Q x + c 0
j
f =
0
j
j T
e , dac (e ) Q x + c < 0
(
(
)
)
MMI - Cursul 4
35
unde e j = [0 ... 0 1 0 ...0]T , unica component nenul

fiind pe poziia j.
Pasul 3. Se construiete problema de programare
liniar auxiliar cu funcia obiectiv min ( z1 + z2 + ... + zn )
i restriciile (*).
Se rezolv aceast problem cu algoritmul simplex
primal, dar cu urmtoarea modificare: variabilele xj
i vj (j = 1,..., n), respectiv, yi i ui (i = 1,..., m) sunt
complementare (restricia (**)), adic:
- dac xj este variabil bazic, atunci vj nu poate intra
n baz;
- dac vj este variabil bazic, atunci xj nu poate intra
MMI - Cursul 4
36
n baz;
- dac yi este variabil bazic, atunci ui nu poate intra
n baz;
- dac ui este variabil bazic, atunci yi nu poate intra
n baz.
Valorile x j (j = 1,..., n) din soluia optim a
problemei auxiliare reprezint soluia optim a
problemei iniiale de programare ptratic.
MMI - Cursul 4
37
Exemplu: S se rezolve problema de programare

ptratic:
[min] f = 3 x12 + 2 x22 x1 x2 4 x1 3 x2
x1 + 2 x2 5
2 x1 + 3 x2 9
x,x 0
1 2
Soluie. Avem
c = 4 Q = 6 1
3
1 4
x1
x = A = 1 2 b = 5
9
2 3
x2
6
H( f ) = Q =
1 4
MMI - Cursul 4
38
Minorii principali sunt:

6 =6>0
6 1 = 23 > 0
1 4
Deci funcia f este strict convex i, pentru

rezolvarea problemei, se poate aplica algoritmul lui
Wolfe forma scurt.
Mulimea programelor problemei este:
P = {x R 2 x1 + 2 x2 5, 2 x1 + 3x2 9, x1 0, x2 0}
0
Fie x = [0 0]T P , o soluie de baz.

Se construiete matricea F = ( f 1 , f 2 ) , dup determinarea celor dou coloane:
1
1
1
4
(e ) Q x + c = [1 0]
= 4 < 0 f = e = 0

3
1 T
MMI - Cursul 4
39
0
4
2
2
(e ) Q x + c = [0 1]
= 3 < 0 f = e =
3
1
2 T
1 0
Deci F =
0 1
Se construiete problema de programare liniar
auxiliar:
min ( z1 + z2 )
Ax + y = b
T
Qx
A
u v Fz = c
+
x, y , u , v, z 0
MMI - Cursul 4
40
min ( z1 + z2 )
x + 2x + y
=5
2
1
1
2 x1 + 3 x2
+ y2
=9
+ u1 + 2u2 v1
+ z1
=4
6 x1 x2
x1 + 4 x2
+ 2u1 + 3u2
v2
+ z2 = 3
x1 , x2 , y1 , y2 , u1 , u2 , v1 , v2 , z1 , z2 0
Pentru rezolvarea acestei probleme se aplic

algoritmul simplex, cu respectarea restriciei suplimentare de intrare n baz din algoritmul lui Wolfe.
n partea inferioar a tabelelor simplex sunt
marcate cu asterisc (*) coloanele variabilelor care nu
pot intra n baz la iteraia respectiv.
MMI - Cursul 4
41
MMI - Cursul 4
42
Tabelul de mai sus conine soluia optim a

problemei auxiliare.
Soluia optim a problemei iniiale de programare
ptratic este: x1 = 19/23, x2 = 22/23.
Valoarea optim corespunztoare a funciei
obiectiv este fmin = f(x1, x2) = -71/23.

MMI - Cursul 4
43
3.4. Programare convex cu restricii liniare
MMI - Cursul 4
44
Fie problema de programare neliniar convex

cu restricii liniare:
min f ( x)
Ax b
x0
(108)
unde f este o funcie convex, difereniabil.

problemei (108) se noteaz cu:
P = {x Rn | Ax b, x 0}
MMI - Cursul 4
45
Teorem: (Test de optimalitate). Fie x0 P (P ).

Dac f(x0) = 0, atunci x0 este soluie optim a
problemei (7).
Dem. Deoarece f este funcie convex i difereniabil
f ( x) f ( x 0 ) ( x x 0 )T f ( x 0 ) , x P.
Dar f(x0) = 0 f ( x) f ( x 0 ) 0 , x P x0 este
soluie optim a problemei (7).
Teorem: (Test de optimalitate). Fie x0 P (P ),

cu f(x0) 0. Fie ~
x soluia optim a problemei de
programare liniar
(109)
min (xTf (x0) | x P)
Dac ( ~
x x 0 ) T f ( x 0 ) = 0 , atunci x0 este soluia
optim a problemei (7).
MMI - Cursul 4
46
Dem. Deoarece f este funcie convex i difereniabil f ( x) f ( x 0 ) ( x x 0 )T f ( x 0 ) =

T
0
0 T
0
= x f ( x ) ( x ) f ( x ) =
T
0
T
0
~
= x f ( x ) ( x ) f ( x ) , x P.
T
0
T
0
~
x
f
(
x
)
f
(
x
)
Dar cf. problemei (109):
Deci, f ( x) f ( x 0 ) 0 , x P x0 este soluie

optim a problemei (108).
Teorem (Regula de mbuntire a soluiei). Fie x0

x soluie optim a
P (P ), cu f(x0) 0. Fie ~
x x 0 ) T f ( x 0 ) < 0 , atunci
problemei (109). Dac ( ~
(~
(0, 1]
exist x P , de forma x = x 0 +
x x0 ) ,
astfel nct f ( x) < f ( x 0 ) .
MMI - Cursul 4
47
Observaii:
1) Relaia x = x 0 + ( ~x x 0 ) interpretat vectorial
justific denumirea metodei direciilor admisibile.
2) Teorema precedent permite deplasarea din
punctul x0 care nu este optim pentru problema (108)
ctre un alt punct mai bun dect x0.
3) Teoremele anterioare fundamenteaz din punct
de vedere teoretic metoda direciilor admisibile,
elaborat de M.Frank i P. Wolfe.
MMI - Cursul 4
48
Algoritmul metodei direciilor admisibile:

Pasul 1. Se testeaz dac mulimea P este nevid.
Dac P = , atunci STOP; altfel, fie k = 0 i xk P.
Pasul 2. Se calculeaz f ( x k ) .
Dac f ( x k ) = 0, atunci xk este soluie optim,
STOP; altfel se trece la pasul 3.
k
~
Pasul 3. Se determin x soluia optim a problemei
de programare liniar auxiliar:
min ( x T f ( x k ))
xP
Pasul 4. Se calculeaz k = ( ~x k x k )T f ( x k ) .
MMI - Cursul 4
49
Dac k = 0, atunci xk este soluie optim, STOP;

altfel se trece la pasul 5.
Pasul 5. Fie k (0, 1] , k = min { k , 1} , unde k este
soluie a ecuaiei algebrice:
(~
x k x k )) = 0
x k x k )T f ( x k + k ( ~
Se determin x k +1 = x k + k ( ~
x k x k ).
k k +1 i se revine la pasul 2.
MMI - Cursul 4
50

neliniar:
min f = x12 + x23 2 x1 + 3 x2
x1 + 2 x2 5
4 x1 + x2 8
x,x 0
1 2
Soluie. Matricea hessian ataat funciei obiectiv f

0
H( f ) = 2
0 6 x2
are minorii principali:

2 =2>0
2
0 = 12 x 0
2
0 6 x2
MMI - Cursul 4
51
deci funcia obiectiv f este convex.

Mulimea programelor problemei este:
P = {x R
x1 + 2 x2 5, 4 x1 + x2 8, x1 , x2 0}
Pentru rezolvarea problemei se poate aplica metoda

direciilor admisibile.
Iteraia 1.
Fie k = 0. O soluie admisibil a problemei este
.x 0 = (0, 0) T P .
Deoarece f ( x 0 ) = ( 2, 3) T (0, 0) , x0 nu verific
criteriul de optimalitate.
Se construiete problema de PL auxiliar:
MMI - Cursul 4
52
min ( x , x ) 2
min x f ( x )
1 2 3

xP
x P
min (2 x1 + 3x2 )
x + 2x 5
1
2
(*)
4 x1 + x2 8
x1 , x2 0
T
Se rezolv problema (*) cu algoritmul simplex sau

metoda grafic i se obine soluia optim ~
x 0 = (2, 0)T
2
0
0 T
0
~
0 = ( x x ) f ( x ) = (2, 0) = 4 0
3
MMI - Cursul 4
53
x0 nu este soluie optim a problemei iniiale.

0
0 T
0
0
0
~
Se rezolv ecuaia: ( ~
x x ) f ( x + 0 ( x x )) = 0
2 0
0
2
=0
(2, 0) f + 0 = 0 (2, 0) f
0
0
0
4 0 2
= 0 0 = 1/2.
(2, 0)
0 = min { 0 , 1} = 1/2
O nou soluie admisibil a problemei iniiale este:

1 2 1
0
1
0
0
0
~
x = x + 0 ( x x ) = + =
0 2 0 0
k = 0 +1 = 1
MMI - Cursul 4
54
Iteraia a 2-a.
f ( x1 ) = (0, 3) T (0, 0) x1 nu verific criteriul
de optimalitate.
Se construiete problema de programare liniar
auxiliar:
min (3 x2 )
T
1
min x f ( x )
x + 2x 5
1
2
x
(**)
4 x1 + x2 8
x1 , x2 0
1
~
Soluia optim a problemei (**) este x = (0, 0)T.
0
1
1 T
1
~
1 = ( x x ) f ( x ) = (1, 0) = 0
3
MMI - Cursul 4
55
x1 = (1, 0)T este soluia optim a problemei iniiale.

Valoarea optim corespunztoare a funciei
obiectiv a problemei iniiale este f(x1) = -1.
MMI - Cursul 4
56
3.5. Programare convex
MMI - Cursul 4
57
Fie problema de programare neliniar convex:

min f ( x)
g ( x) 0
(110)
unde f : Rn R, g: Rn Rm, f, g funcii convexe,

difereniabile.
problemei (110) se noteaz:
P = x R n g ( x) 0
MMI - Cursul 4
58
Se consider problema de programare neliniar:

[min] = x0
g ( x) 0
f ( x) x 0
0
x Rn, x R
0
(111)
Funcia obiectiv :
R, x = x0
0
este o funcie liniar, deci convex.
Restriciile problemei (111) sunt funcii convexe i difereniabile.
Deci, problema (111) este o problem de programare convex.
Rn+1
MMI - Cursul 4
59
Teorem: x este soluie optim a problemei (110)

dac i numai dac x este soluie optim a
problemei (111).
f ( x )
Obs: Teorema arat echivalena problemei iniiale
(110) cu problema (111) care este un program
neliniar convex cu funcia obiectiv liniar. De aceea,
vom considera problema (111) n forma:
min c T x
(112)
gi ( x) 0, i = 1,..., m
unde: c Rn, gi : Rn R sunt funcii convexe,
difereniabile.
MMI - Cursul 4
60
Mulimea programelor (soluiilor admisibile)

ale problemei (11) este mulimea P.
Metoda planului de seciune, elaborat de J. E.
Kelley, pentru rezolvarea problemei (9), are la baz
ideea ca la fiecare iteraie k s se rezolve o problem
de programare liniar cu funcia obiectiv cTx i
restricii liniare care s determine un tronson convex
Pk care s includ mulimea P.
Se numete tronson intersecia unui numr finit
de semispaii i eventual hiperplane.
MMI - Cursul 4
61
Algoritmul metodei planului de seciune:

Pasul 1. Fie k = 1.
Pasul 2. Se construiete problema de programare
liniar auxiliar:
min c T x
(113)
x Pk , Pk P
Se rezolv problema (113) i fie xk soluia optim.
Pasul 3. Se calculeaz gl ( x k ) = max { gi ( x k ), i = 1,..., m }
k
k
g
(
x
)
x
P xk este soPasul 4. a) Dac l
luie optim pentru problema (9), STOP.
k
b) Dac gl ( x ) > 0, atunci se construiete tronsonul
MMI - Cursul 4
62
Pk +1 = Pk {x R n g l ( x k ) + ( x x k )T g l ( x k ) 0}
Fie k k + 1 i se revine la pasul 2 al algoritmului.

Observaie: Aplicarea algoritmului precedent implic
operaia de nlturare, treptat, a unor tronsoane
mpreun cu valorile optime corespunztoare
fiecruia. Aceste tronsoane definesc planele de
seciune.
MMI - Cursul 4
63

neliniar:
min ( x1 + 3x2 )
2
2
x1 + x2 4
x1 + x2 2
Soluie. Funcia obiectiv f : R2 R, f(x) = x1 + 3x2

este o funcie liniar, deci difereniabil i convex.
Restriciile problemei sunt determinate de funciile:
2
2
2
g
(
x
)
=
x
+
x
g1 : R R, 1
1
2 4 ( 0)
g2 : R2 R, g 2 ( x) = 2 x1 x2 ( 0)
Matricea hessian a funciei g1 : H( g1 ) = 2 0
0 2
MMI - Cursul 4
64
avnd minorii principali

2 =2>0
2 0 =4>0
0 2
funcia g1 este strict convex.

Funcia g2 fiind liniar este convex. g1, g2 sunt
funcii difereniabile.
Prin urmare, pentru rezolvarea problemei se poate
aplica metoda planului de seciune.
Iteraia 1
Mulimea programelor problemei
P = { x R 2 x12 + x22 4, x1 + x2 2}
este reprezentat haurat n figura urmtoare:
MMI - Cursul 4
65
Fie k = 1. Fie P1 = { x R 2 0 x1 2, 0 x2 2}
MMI - Cursul 4
66
Fie problema de programare liniar auxiliar:
min ( x1 + 3 x2 )
x P
1
Se rezolv aceast problem cu algoritmul simplex

sau pe cale grafic i se obine soluia optim:
x1 = (0, 0)T.
Se calculeaz max {g1(x1) , g2(x1)} = max {-4,
2}= g2(x1) = 2 > 0.
Deci x1 nu este soluie optim pentru problema
iniial.
1
Avem g 2 ( x) =
1
MMI - Cursul 4
67
1 T
g 2 ( x ) + ( x x ) g 2 ( x ) 0 x1 + x2 2
2
Atunci P2 = P1 {x R x1 + x2 2}
Iteraia a 2-a
k = 1+1 = 2. Se rezolv problema de programare
liniar auxiliar:
min ( x1 + 3 x2 )
x P
2
i se obine soluia ei optim x2 = (2, 0)T.

Avem max {g1(x2) , g2(x2)} = 0.
Rezult c x2 = (2, 0)T este soluia optim pentru
MMI - Cursul 4
68
problema iniial.
Valoarea optim a funciei obiectiv este f(x2) = 2.

Cuasdfasdfrs 4aasdfsdf

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cuasdfasdfrs 4aasdfsdf

Încărcat de

Drepturi de autor:

Formate disponibile

MMI - Cursul 4

Universitatea POLITEHNICA din Bucureti

Modelare Matematic n Inginerie

Autor curs: Conf.dr.ing.mat. Ovidiu Bljin

Cap.1. Modelare i optimizare matematic

O problem de programare matematic n

unde f se numete funcia obiectiv, iar g i h sunt

Cap.1. Modelare i optimizare matematic

3.1. Mulimi i funcii convexe

Cap.1. Modelare i optimizare matematic

Definiie: Fie vectorii x1, x2 Rn. Mulimea

se numete segment, cu extremitile x1 i x2.

n care x1,..., xk X, 1,..., k 0, cu 1 + L + k = 1.

Cap.1. Modelare i optimizare matematic

Definiie: Se numete gradient al funciei f : Rn R

Definiie: Se numete matrice hessian asociat

Exemplu: Fie x0 = [1, 2, 3] T i funcia f : R3 R,

Cap.1. Modelare i optimizare matematic

Proprieti ale funciilor convexe (concave):

este convex (concav) pe mulimea X.

Propoziie: O matrice ptratic A M n n, este

Funcia f este strict convex dac matricea

Cap.1. Modelare i optimizare matematic

3.2. Condiii necesare i/sau suficiente de

Cap.1. Modelare i optimizare matematic

Fie problema general de minimizare cu

unde mulimea X Rn, funcia real f : X R, iar

Mulimea soluiilor posibile (programelor) ale

A rezolva problema revine la determinarea

Cap.1. Modelare i optimizare matematic

considera problema (104) adus la forma canonic

n plus, presupunem c X Rn este mulime

Relaiile (106) se numesc condiiile Kuhn-Tucker.

Exemplu: Se consider un stoc cu perioad fix i

iar costul de stocare a unei uniti de produs pe

Restricia privind mrimea comenzii x este:

Modelul problemei este de forma:

Cap.1. Modelare i optimizare matematic

Lagrangianul este L = f(x, y) + ug(x), u 0.

Cap.1. Modelare i optimizare matematic

Din prima restricie rezult u0 = -28 < 0, fals. Deci

Cap.1. Modelare i optimizare matematic

3.3. Programare ptratic

Cap.1. Modelare i optimizare matematic

O problem de programare ptratic const n

unde: A M m n; b Rm; c Rn; Q este o matrice

definit, atunci problema (107) de minimizare poate

Cap.1. Modelare i optimizare matematic

Cap.1. Modelare i optimizare matematic

n care F este o matrice ptratic n n, a crei form

Cap.1. Modelare i optimizare matematic

 Algoritmul lui Wolfe forma scurt:

Cap.1. Modelare i optimizare matematic

unde e j = [0 ... 0 1 0 ...0]T , unica component nenul

Cap.1. Modelare i optimizare matematic

Exemplu: S se rezolve problema de programare

Minorii principali sunt:

Deci funcia f este strict convex i, pentru

Fie x = [0 0]T P , o soluie de baz.

Cap.1. Modelare i optimizare matematic

Cap.1. Modelare i optimizare matematic

Pentru rezolvarea acestei probleme se aplic

Cap.1. Modelare i optimizare matematic

Tabelul de mai sus conine soluia optim a

Algoritmul lui Wolfe forma scurt:

Algoritmul metodei direciilor admisibile:

Algoritmul metodei planului de seciune: