Documente Academic
Documente Profesional
Documente Cultură
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
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
h( x ) = 0
x X
Cap.1. Modelare i optimizare matematic
(102)
MMI - Cursul 4
MMI - Cursul 4
MMI - Cursul 4
[ x1 , x 2 ] = x R n x = x1 + (1 ) x 2 , [0, 1]
MMI - Cursul 4
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
f f
f
f = ,
,...,
xn
x1 x2
MMI - Cursul 4
11
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
MMI - Cursul 4
13
f = i fi , 1 ,..., k 0
i =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).
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
14
MMI - Cursul 4
15
2 0 y1
2
2
=
+
y2 ]
2
4
y
y
1
2 >0
0 4 y2
MMI - Cursul 4
16
MMI - Cursul 4
17
h( x ) = 0
x X
(104)
MMI - Cursul 4
18
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
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
20
(105)
g ( x) 0
x X
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+
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
22
astfel nct
(u* )T g ( x* ) = 0
*
*
(106)
L
x
u
(
,
)=0
x
*
g
x
(
)0
MMI - Cursul 4
23
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
g ( x) 0
x, y > 0
MMI - Cursul 4
25
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
MMI - Cursul 4
27
MMI - Cursul 4
28
T
max [min] f ( x) = c x + 2 x Q x
Ax [=, ] b
x0
(107)
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
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
30
MMI - Cursul 4
31
MMI - Cursul 4
32
MMI - Cursul 4
33
MMI - Cursul 4
34
e , dac (e ) Q x + c 0
j
f =
0
j
j T
e , dac (e ) Q x + c < 0
(
(
)
)
MMI - Cursul 4
35
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
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
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
38
6 1 = 23 > 0
1 4
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
MMI - Cursul 4
41
MMI - Cursul 4
42
MMI - Cursul 4
43
MMI - Cursul 4
44
Ax b
x0
(108)
MMI - Cursul 4
45
MMI - Cursul 4
46
T
0
T
0
~
x
f
(
x
)
f
(
x
)
Dar cf. problemei (109):
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
xP
Pasul 4. Se calculeaz k = ( ~x k x k )T f ( x k ) .
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
49
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
x1 + 2 x2 5
4 x1 + x2 8
x,x 0
1 2
2
0 = 12 x 0
2
0 6 x2
MMI - Cursul 4
51
P = {x R
x1 + 2 x2 5, 4 x1 + x2 8, x1 , x2 0}
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
MMI - Cursul 4
53
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
x = x + 0 ( x x ) = + =
0 2 0 0
k = 0 +1 = 1
Cap.1. Modelare i optimizare matematic
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
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
55
MMI - Cursul 4
56
MMI - Cursul 4
57
g ( x) 0
(110)
P = x R n g ( x) 0
MMI - Cursul 4
58
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
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.
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
60
MMI - Cursul 4
61
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
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
62
Pk +1 = Pk {x R n g l ( x k ) + ( x x k )T g l ( x k ) 0}
MMI - Cursul 4
63
MMI - Cursul 4
64
2 0 =4>0
0 2
MMI - Cursul 4
65
Fie k = 1. Fie P1 = { x R 2 0 x1 2, 0 x2 2}
Cap.1. Modelare i optimizare matematic
MMI - Cursul 4
66
min ( x1 + 3 x2 )
x P
1
Avem g 2 ( x) =
1
Cap.1. Modelare i optimizare matematic
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
MMI - Cursul 4
68
problema iniial.
Valoarea optim a funciei obiectiv este f(x2) = 2.