![]() |
Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | |
|
20.2. Задачи на экстремум при наличии ограничений
a) Будут ли производные новой целевой функции (выраженные через переменную х3) отличаться от полученных с помощью метода Якоби?
b) В чем основное отличие описанной процедуры решения задачи от метода Якоби?
2. Примените метод Якоби к решению задачи из примера 20.2.1, выбирая Y = (x2, х3) и Z = (л:,).
3. С помощью метода Якоби решите следующую задачу.
Минимизировать /(X) = ^х,2
при ограничении
П* = с,
где С — положительная константа. Пусть теперь правая часть ограничения равна С + S, где S— малое положительное число. Найдите соответствующее изменение оптимального значения целевой функции /.
4. Решите методом Якоби следующую задачу.
Минимизировать /(X) = 5х,2 + х\ + 2х,х2
при ограничении
g(X) = х,х2 - 10 = 0.
a) Найдите изменение оптимального значения целевой функции /(X), если ограничение задачи примет вид хухг - 9,99 = 0.
b) Найдите изменение значения целевой функции /(X) в окрестности допустимой точки (2, 5) при условии, что х1х2 = 9,99 и дх1 = 0,01.
5. Решите следующую задачу.
Максимизировать /(X) = х] + 2х\ + Юх] + 5х^х2
при ограничениях
g, (X) = jc, + х\ + Ъхгхг -5 = 0,
g2 (X) = xf + 5х,х2 + лг32 - 7 = 0.
Используйте метод Якоби для нахождения df(X) в окрестности допустимой точки (1, 1, 1). Пусть указанная окрестность определяется условиями dgl = -0,01, dg2 = 0,02 и дх1 = 0,01.
6. Решите следующую задачу.
Минимизировать /(X) = xf + х\ + х] + х\
при ограничениях
g,(X) = ж, + 2ж2 + Зх3 + 5xt - 10 = 0,
g2(X) = ж, + 2ж2 + 5ж3 + 6ж4 -15 = 0.
а) Покажите, что при выборе х3 и xt в качестве независимых переменных метод Якоби не дает оптимального решения.
Глава 20. Классическая теория оптимизации
b) Решите задачу, выбрав х, и х3 в качестве независимых переменных, и примените достаточные условия для исследования полученной стационарной точки.
c) Найдите коэффициенты чувствительности для этой задачи. 7. Решите следующую задачу линейного программирования.
Максимизировать /(Х) = ^с;ху
при ограничениях
й(Х) = Е«Л-*,=0. '- = 1,2,..., и,
/=|
х^>0, j=l, 2, п.
Покажите, что если в этой задаче пренебречь условиями неотрицательности переменных, то приведенные производные Vcf(X) совпадают с разностями Ц-cv}, определяемыми условием оптимальности задачи линейного программирования (раздел 7.2), а именно
{Zj - с) = {СвВ^Р, - с) для всех
Можно ли непосредственно применять метод приведенного градиента к решению задачи линейного программирования? Почему можно или почему нельзя?
Метод множителей Лагранжа. Коэффициенты чувствительности метода Якоби можно использовать для решения задач с ограничениями в виде равенств. Пусть
x = vyj-'=^.
dg
Следовательно,
df-kdg = 0.
Это уравнение соответствует необходимым условиям стационарности точек, так как формула для — получена с учетом того, что Vcf = 0. Представленное уравнение
можно записать в более удобной форме, если перейти к частным производным по всем переменным xjt что приводит к системе уравнений
т-(/-»в) = о,; = 1,2,...,и.
Полученные уравнения вместе с ограничениями задачи g(X) = 0 формируют систему, которая позволяет определить допустимые векторы X и X, удовлетворяющие необходимым условиям стационарности.
Описанная процедура составляет основу метода множителей Лагранжа, который позволяет определять стационарные точки задачи оптимизации с ограничениями в виде равенств. Формально схема этого метода представима в следующем виде. Пусть
L(X, k) = f(X)-Xdg(X).
20.2. Задачи на экстремум при наличии ограничений
Функция L называется функцией Лагранжа, а параметры X — множителями Ла-гранжа. Как следует из определения, эти множители имеют тот же смысл, что и коэффициенты чувствительности, фигурирующие в методе Якоби. Уравнения
—=0 и —=0 дк дХ
дают необходимые условия для определения стационарных точек функции /(X) при ограничениях g(X) = 0. Достаточные условия, используемые в методе множителей Лагранжа, будут сформулированы без доказательства. Определим матрицу
0 | Р
где
Р =
a2L(x,x)..
и Q = —,—\\ ддя всех ' и }■
ох ох.
Матрица Нв называется окаймленной матрицей Гессе.
Пусть имеется стационарная точка (Х0, Х0) функции Лагранжа L(X, X), и окаймленная матрица Гессе Н8 вычислена в точке (Х0, Х0). Тогда Х0 является следующим.
1. Точкой максимума, если, начиная с углового минора порядка 2т + 1, последующие п-т угловых миноров окаймленной матрицы Гессе Нв образуют знакопеременный числовой ряд, в котором знак первого члена определяется множителем (-l)m+I.
2. Точкой минимума, если, начиная с углового минора порядка 2т + 1, последующие п-т угловых миноров матрицы Нв имеют знаки, определяемые множителем (-1)"1.
Эти условия являются достаточными для определения экстремальной точки. Другими словами, экстремальной может оказаться стационарная точка, не удовлетворяющая этим условиям.
Существуют другие условия определения экстремальных точек задачи, которые являются как необходимыми, так и достаточными. Однако их практическое использование часто связано со значительными вычислительными трудностями. Определим матрицу
0 Р Л,Pr Q-ulJ'
вычисленную в стационарной точке (Х0, Х0), где ju — неизвестный параметр. Пусть |Д| — определитель матрицы Д, тогда все п-т действительных корней ju, полинома |Д| = 0 должны быть
1) отрицательными, если Х0 — точка максимума,
2) положительными, если Х0 — точка минимума.
Глава 20. Классическая теория оптимизации
Пример 20.2.4
Рассмотрим задачу из примера 20.2.2. Функция Лагранжа имеет вид £(ХД) = xf + х22 + х2 + х2 + 3хъ - 2)-Х2(5дг, + 2.v2 + дг, -5).
Необходимые условия экстремума записываются в виде следующей системы уравнений.
— = 2х,-X,-5Х2=0, их,
^ = 2х2-Х1-2Х2=0, ох2
= 2x,-3Xt-X2 = 0,
дх,
^- = -(х)+х2+Зх,-2) = 0,
DL
= —(5лг, + 2х2 + х, — 5) = 0.
Решением этой системы являются векторы
Х0 = (*„ х2, xz) = (0,8043, 0,3478, 0,2826),
А. = (Я,, Л2) = (0,0870, 0,3043).
В этом решении объединены результаты примеров 20.2.2 и 20.2.3. Как видим, значения множителей Лагранжа X совпадают со значениями коэффициентов чувствительности, полученными в примере 20.2.3. Это указывает на то, что эти коэффициенты не зависят от выбора вектора зависимых переменных Y при реализации метода Якоби.
Чтобы показать, что найденная точка является точкой минимума, рассмотрим матрицу
Г0 0 1 13" 0 0 5 2 1 Н" = 1 5 2 0 0 12 0 2 0 ^3 1 0 0 2j
Здесь и = 3,/и = 2ии-/и=1. Следовательно, необходимо проверить только определитель матрицы Ня, знак которого задается множителем (-1)2 в точке минимума. Так как detH* = 460 > 0, то Х0 является точкой минимума.
20.2. Задачи на экстремум при наличии ограничений
Пример 20.2.5
Рассмотрим задачу при ограничении минимизировать z = х2 + xl + х]
4х, +xl +2х,-14 = 0.
Функция Лагранжа имеет вид
ЦХ,\) = х2 +х21+х2
-Х(4дг, +xl + 2х, -14).
Отсюда получаем необходимые условия экстремума в виде системы
дх,
= 2х,-4Х = 0,
= 2х2 - 2Ъ:2 = 0,
дх2
-= 2х,
дх,
dl
■2Х = 0,
— = -(Ах. + xl + 2*з -14) = 0, дХ v 2 3 >
решениями которой являются векторы
(Х„, A0), = (2, 2,1,1), (Х0,А0)2 = (2,-2, 1, 1), (Х0,А0)3 = (2,8,0, 1,4, 1,4). Используя достаточные условия, вычислим элементы матрицы
'0 4 2х2 2Л 4 2 0 0 2х2 0 2-2Х 0 {2 0 0
Так как /и = 1 и и = 3, то для того, чтобы стационарная точка была точкой минимума, знак последних 3-1 = 2 угловых миноров должен определяться знаком множителя (-1)"" = -1. Таким образом, в точке (Х^ Л0)1 = (2, 2, 1, 1) имеем
0 4 4 4 2 0 4 0 0
-32 < 0
0 4 4 2
4 2 0 0
4 0 0 0
2 0 0 2
= -64<0.
Вточке(Х0Д0)2 = (2, -2, 1, 1)
0 4^ 4 2 0 -4 0 0
= -32<0
0 4-42
4 2 0 0
-4 0 0 0
2 0 0 2
= -64<0.
Глава 20. Классическая теория оптимизации
Наконец, в точке (Х0, А0)3 = (2,8, 0, 1,4, 1,4)
0 4 0 4 2 0 0 0 -0,8 = 12,8 > 0 и
0 4 0 2
4 2 0 0
О 0 -0,8 О
2 0 0 2
= 32>0.
Отсюда следует, что (X,,), и (Х„)2 — точки минимума. Тот факт, что в точке (Х„)3 не удовлетворяются достаточные условия максимума или минимума, не означает, что эта точка не является экстремальной. Это следствие того, что используемые условия являются лишь достаточными.
Для иллюстрации схемы проверки достаточных условий экстремума, которая использует корни полинома, рассмотрим матрицу
'0 4 2х2 2 ^
4 2-й 0 0
2х2 0 2-2X-U 0
к2 0 0 2-й,
А =
В точке (Х„, Я0), = (2, 2, 1,1) имеем
|Д| = V- 26/^+16 = 0,
откуда получаем ju= 2 и //=8/9. Так как все ju> 0, то (Х0), = (2, 2, 1) — точка минимума. В точке (Х0, Л0)2 = (2, -2, 1,1)
|Д| = 9//- 26// + 16 = 0,
что совпадает с рассмотренным выше случаем. Следовательно, (Х0)2 = (2,-2, 1) является точкой минимума. Наконец, в точке (Х„, Л0)3 = (2,8, 0, 1,4, 1,4)
|Д| = 5//-6//-8 = 0,
откуда получаем ju=2 и //=-0,8, что свидетельствует о том, что точка (Х„)3 = (2,8, 0, 1,4) не является экстремальной.
УПРАЖНЕНИЯ 20.2.3
1. Методом Якоби и методом множителей Лагранжа решите следующую задачу линейного программирования.
Максимизировать /(X) = 5х, + Зх2
при ограничениях
^(Х) = х, + 2х2 + х3 - 6 = О, g2(X) = Зх, + х2 + хл - 9 = 0,
^"1* ^"2' ^"3> ^"4 ~
2. Найдите оптимальное решение следующей задачи.
Минимизировать /(X) = х1 + 2х22 + 1 Ох2
при ограничениях
g,(X) = xl+x22+x,-5 = 0, £2(Х) = лг, +5дг2 + х3-7 = 0.
20.2. Задачи на экстремум при наличии ограничений
Пусть g,(X) = 0,01 и g2(X) = 0,02. Найдите величину соответствующего изменения оптимального значения функции /(X).
3. Решите упражнение 20.2.2.6 методом множителей Лагранжа и проверьте, что полученные значения множителей Лагранжа совпадают со значениями коэффициентов чувствительности, полученными ранее при решении этого упражнения.
20.2.2. Ограничения в виде неравенств
В данном разделе показано, как метод множителей Лагранжа можно обобщить на случай задачи с ограничениями в виде неравенств. Основную часть раздела составляет вывод условий Куна-Таккера, которые играют важную роль в нелинейном программировании.
Обобщенный метод множителей Лагранжа. Пусть дана задача, в которой требуется
максимизировать г = /(X)
при ограничениях
£(Х)<0, j = 1,2.....т.
Если в рассматриваемой задаче имеются условия неотрицательности переменных X > 0, то предполагается, что они включены в указанные т ограничений.
Основная идея обобщенного метода множителей Лагранжа состоит в том, что если точка безусловного оптимума функции /(X) не удовлетворяет всем ограничениям задачи, то оптимальное решение задачи с ограничениями должно достигаться в граничной точке области допустимых решений. Следовательно, одно или несколько из т ограничений задачи должны выполняться как равенства. Поэтому вычислительная процедура обобщенного метода множителей Лагранжа включает следующие шаги.
Шаг 1. Решается задача без учета ограничений
максимизировать 2=/(Х).
Если полученное оптимальное решение удовлетворяет всем ограничениям задачи, вычисления заканчиваются, так как все ограничения являются избыточными. Иначе следует положить k = 1 и перейти к шагу 2.
Шаг 2. Активизируются любые k ограничений задачи (т.е. преобразовываются в равенства), и оптимизируется функция /(X) при наличии k ограничений методом множителей Лагранжа. Если оптимальное решение этой задачи является допустимым по отношению к остальным ограничениям исходной задачи, вычисления заканчиваются: полученная точка является локальным оптимумом2. Иначе нужно сделать активными другие k ограничений исходной задачи и повторить данный шаг. Если все подмножества, состоящие из k активных ограничений, не приводят к допустимому решению, следует перейти к шагу 3.
Шаг 3. Если k = m, вычисления прекращаются: задача не имеет допустимых решений. Иначе необходимо положить k — k + 1 и перейти к шагу 2.
В описанной вычислительной процедуре часто игнорируется то важное обстоятельство, что она не гарантирует получения глобального оптимума даже в тех
Локальный оптимум определяется из множества оптимумов, полученных в результате оптимизации целевой функции f(X.) при учете всех комбинаций из k ограничений-равенств, k = 1, 2, т.
Глава 20. Классическая теория оптимизации
случаях, когда задача имеет единственное оптимальное решение. Другим важным моментом является ошибочность интуитивного представления, что если p<q, то оптимальное значение целевой функции /(X) при р ограничениях-равенствах всегда лучше, чем при q ограничениях-равенствах. В общем случае это имеет место лишь в том случае, когда набор из р ограничений является подмножеством набора из q ограничений. Рассматриваемый ниже пример служит иллюстрацией сказанного.
Пример 20.2.6
при ограничениях
Максимизировать z = - (2х - 5)2 - (2дг2 -1)2
л-, + 2х2 < 2, xitx2>0.
Графическое представление данной задачи (рис. 20.7) призвано помочь в понимании аналитических выкладок. Как видим, целевая функция задачи является вогнутой, а область допустимых решений выпуклой. Отсюда следует, что эффективный алгоритм должен гарантировать определение глобального оптимума. Однако обобщенный метод множителей Лагранжа, как будет показано, позволяет найти лишь точку локального максимума.
Рис. 20.7. Пространство решений для задачи примера 20.2.6
Точка безусловного экстремума находится как решение уравнений
— =-4(2*-5) = 0,
дх, У 1 '
—4(2дг2-1) = 0.
дх2
Отсюда имеем (xv х2) = (5/2, 1/2). Так как это решение не удовлетворяет условию.г, + 2лг2 < 2, ограничения поочередно активизируются. Рассмотрим ограничение х1 = 0. Функция Лагранжа в этом случае примет вид
L(x,,x2,\) = —(2л:, - 5)2 -(2дг2 - if -Хх{.
20.2. Задачи на экстремум при наличии ограничений
Следовательно,
— = -4(2х.-5)-Х = 0,
дх, к '
— = -4(2х2-1) = 0, дх2 V 2 '
— = -х,= 0. дХ '
Решением этой системы будет точка (х,,х2) = (0, 1/2), которая является точкой максимума, в чем можно убедиться, используя достаточное условие. Поскольку эта точка удовлетворяет остальным ограничениям исходной задачи, вычислительная процедура завершается: (х1,х2) = (0, 1/2) — точка локального максимума задачи. (Заметим, что если поочередно активизировать оставшиеся ограничения задачи хг > 0 и х, + 2х2 < 2, то получаются недопустимые решения.) Оптимальное значение целевой функции z = -25.
Как видно из рис. 20.7, допустимому решению (х,, х2) = (2, 0) рассматриваемой задачи, которое определяется точкой пересечения двух прямых х2 = 0 и х, + 2х2 = 2, соответствует значение целевой функции z = -2. Оно лучше значения функции z, которое получено с учетом одного активного ограничения.
Как следует из описанной вычислительной процедуры, при реализации обобщенного метода множителей Лагранжа на большее, чем получение приемлемого допустимого решения задачи, не следует рассчитывать. Особенно это проявляется тогда, когда целевая функция задачи не является одновершинной. Если в оптимизационной задаче имеется единственный (глобальный) условный экстремум (как в примере 20.2.6), то, чтобы его найти, можно использовать откорректированный обобщенный метод множителей Лагранжа. Для этого необходимо провести сравнение безусловного оптимума и условных экстремумов, полученных с учетом всех возможных наборов активных ограничений, т.е. когда сначала отдельные ограничения делаются активными поочередно, затем рассматриваются пары активных ограничений, и так до тех пор, пока все т ограничений рассматриваемой задачи не станут активными. Наилучший из всех таких допустимых экстремумов является глобальным.
Если эту процедуру применить к решению задачи из примера 20.2.6, то для определения глобального экстремума необходимо решить семь задач. Это свидетельствует о том, что возможности использования обобщенного метода множителей Лагранжа для решения практических задач ограничены.
Условия Куна-Таккера. Данный раздел посвящен рассмотрению необходимых условий Куна-Таккера, которые позволяют определять стационарные точки в задаче нелинейного программирования с ограничениями в виде неравенств. В основу изложения положен метод множителей Лагранжа. Эти условия являются также и достаточными, если выполняются определенные правила, которые описаны ниже.
Рассмотрим следующую задачу.
Максимизировать г = f(X)
при ограничениях
g(X)<0.
Глава 20. Классическая теория оптимизации
Ограничения-неравенства можно преобразовать в равенства с помощью неотрицательных дополнительных переменных. Пусть Sf[>Q) — дополнительная переменная, которая прибавляется к левой части t-ro ограничения gt(X.) < 0 и пусть
S = (S„S1,...,S\T и S2 =(S12,S22,...,5')r,
где т — общее количество ограничений-неравенств. Следовательно, функция Лагранжа записывается в виде
ДХ, S,A) = /(X)-X.[g(X) + S2].
При ограничениях g(X) < 0 необходимым условием оптимальности в задаче максимизации (минимизации) является неотрицательность (соответственно, неположительность) множителей X. Приведем обоснование этого. Рассмотрим задачу максимизации. Так как множители X выражают скорость изменения целевой функции / по отношению к изменениям g, т.е.
то как только правая часть ограничения g(X) < 0 увеличивается и становится больше нуля, область допустимых решений задачи расширяется и, следовательно, оптимальное значение целевой функции не может уменьшиться. Это значит, что X > 0. Аналогично в задаче минимизации при увеличении правой части ограничения оптимальное значение функции / не может увеличиться, откуда следует, что X < 0. Если же ограничения задачи имеют вид равенств, т.е. g(X) = 0, то компоненты вектора X по знаку не ограничены (см. упражнение 20.2.4.2).
Указанные выше ограничения на вектор X должны рассматриваться как часть необходимых условий Куна-Таккера. Теперь получим остальные условия.
Вычисляя частные производные функции L по X, S и X и приравнивая их к нулю, получаем
J|= V/(X)-XVg(X) = 0,
— = -2XS =0,; = 1,2,...,/и,
dS,
Из второй группы уравнений следуют такие результаты.
1. Если Я, не равняется нулю, то S2 = 0. Это означает, что соответствующий этому ограничению ресурс является дефицитным и, следовательно, полностью исчерпан (ограничение имеет вид равенства).
2. Если S2 > 0, то Я, = 0. Это значит, что £-й ресурс дефицитным не является и,
следовательно, не влияет на значение целевой функции/(т.е. А.,. =-^- = 0).
fa
Из второй и третьей групп уравнений следует, что
Яд(Х) = 0, i=l,2,т.
20.2. Задачи на экстремум при наличии ограничений
Полученные условия фактически подтверждают предыдущий результат, ибо если Я, > 0, то gt(X) = 0 или S,2 = 0. Аналогично при g^X) < О S2 > 0 и, следовательно, \ = 0.
Теперь для задачи максимизации можно сформулировать условия Куна-Таккера, необходимые для того, чтобы векторы X и X определяли стационарную точку:
Х>0, Vf(X)-XVg(X) = 0, Лд(Х)-0, i = l,2,.... те, g(X)<0.
Читатель имеет возможность самостоятельно убедиться, что эти условия применимы также к задаче минимизации, за тем лишь исключением, что вектор к должен быть неположительным, как это было установлено ранее. При решении как задачи максимизации, так и задачи минимизации множители Лагранжа, соответствующие ограничениям в виде равенств, по знаку не ограничены.
Достаточность условий Куна-Таккера. Если целевая функция и область допустимых решений рассматриваемой задачи обладают определенными свойствами, связанными с выпуклостью и вогнутостью, то необходимые условия Куна-Таккера являются также достаточными. Упомянутые свойства перечислены в табл. 20.1.
Таблица 20.1
Требуемые свойства | ||
Тип оптимизации | Целевая функция | Область допустимых решений |
Максимизация | Вогнутая | Выпуклое множество |
Минимизация | Выпуклая | Выпуклое множество |
Процедура проверки выпуклости или вогнутости некоторой функции является более простой, чем доказательство выпуклости множества допустимых решений экстремальной задачи. Так как выпуклость допустимого множества может быть установлена путем непосредственной проверки выпуклости или вогнутости функций ограничений, по этой причине мы приводим перечень требований, которые легче использовать на практике. Чтобы установить эти требования, рассмотрим задачу нелинейного программирования в общей постановке.
Максимизировать или минимизировать z = f(X)
при ограничениях
g,(X)<0, 1=1,2.....г,
g,(X)>0, i = r+1.....р,
gt(X) = 0, i=p + l.....те.
При этом функция Лагранжа имеет вид
L(X,S,X) = /(X)-±Х,[gl(X) + S?]-±X,[g,(X)-S,2]- £ X,g,(X),
1=1 i=r+l i=p.l
где Я, — множитель Лагранжа, соответствующий i-му ограничению. Требования, которые устанавливают достаточность условий Куна-Таккера, приведены в табл. 20.2.
Глава 20. Классическая теория оптимизации
Таблица 20.2
Требуемые свойства
Тип оптимизации fl[X)
9/W
А,
Максимизация
Минимизация
Вогнутая
Выпуклая
Выпуклая Вогнутая Линейная
Выпуклая
Вогнутая
Линейная
>0 (1</<г) <0 (r + \<i<p)
Нет ограничений (р +1 < j < /и)
<0 (1 <i <г)
> 0 (г +1 < i < р)
Нет ограничений + \ < j < т)
В табл. 20.2 представлена лишь часть условий, упомянутых в табл. 20.1. Это связано с тем, что область допустимых решений задачи может быть выпуклой, и в то же время функции ограничений, которые ее формируют, могут не соответствовать требованиям, перечисленным в табл. 20.2.
Законность положений табл. 20.2 основана на том, что при сформулированных условиях функция Лагранжа L(X, S, Я) является вогнутой в задаче максимизации и выпуклой — в задаче минимизации. Это подтверждается тем, что если £,(Х) — выпуклая функция, то функция Яд(Х) оказывается выпуклой при At>0 и вогнутой— при Я, <0. Аналогичные рассуждения подтверждают все остальные условия. Заметим также, что линейная функция является как выпуклой, так и вогнутой. Наконец, если функция f вогнутая, то функция -/ является выпуклой, и наоборот.
Пример 20.2.7
Рассмотрим следующую задачу.
Минимизировать /(X) = х,2 + х\ + х,
при ограничениях
gl(X) = 2x,+x2-5<0, g2(X) = x,+x3-2<0, g3(X)=l-x,<0, g4(X) = 2-x2<0, g5(X) = -x3<0.
Поскольку рассматривается задача минимизации, то к < 0. Поэтому условия Куна-Таккера записываются в следующем виде.
(Я,, Я2, Я3, Я4, Я5) < 0,
(2 10)
(2х|,2х2,2х3)-(Х,Д2Д3Д4Д5)
1 0 1 -10 0 0-10 0 0-1
= 0,
20.2. Задачи на экстремум при наличии ограничений
g(X)<0.
Эти условия можно упростить и привести к виду
Я,, Я2, Я3, Я4, Я6 < О, 2х, - 2Я, - Я2 + Я3 = О, 2х2 - Я, + Я4 = О, 2х3 - Я2 + Я5 = О, A,(2xt +х2- 5) = О, Я2(х1+х3-2) = 0, Я3(1-*,) = 0, Я4(2-*2) = 0, Я^ = О, 2х,+хг<5, x,+x3<2,
Отсюда получаем решение: х, = 1, х2 = 2, х3 = 0, Я, = Я2 = Я5 = О, Я3 = -2, Я4 = -4. Поскольку и целевая функция ДХ), и область допустимых решений g(X) < 0 являются выпуклыми, функция £(Х, S, X) также должна быть выпуклой, и полученная стационарная точка определяет глобальный минимум задачи. Рассмотренный пример показывает также, что решение системы, порожденной условиями Куна-Таккера, в явной форме может быть затруднительным. Следовательно, для численных расчетов описанная процедура не подходит. Тем не менее условия Куна-Таккера играют основополагающую роль при рассмотрении алгоритмов решения задач нелинейного программирования в главе 21.
УПРАЖНЕНИЯ 20.2.4
1. Покажите, что условия Куна-Таккера для задачи
максимизировать ДХ)
при ограничениях
g(X)>0
совпадают с условиями, сформулированными в разделе 20.2.2, с той лишь разницей, что множители Лагранжа X должны быть неположительными.
2. Дана следующая задача.
Максимизировать /(X)
при ограничениях
g(X) = 0.
Покажите, что условия Куна-Таккера для этой задачи имеют вид
Vf(X)-XVg(X) = 0, g(X) = 0, X по знаку не ограничен.
Глава 20. Классическая теория оптимизации
3. Запишите необходимые условия Куна-Таккера для следующих задач.
a) Максимизировать /(X) = х3 -х2 + х,х3
при ограничениях
х, + х2 + х3 = 5, 5х2 - х2 - х3 > 0, х,>0, х2>0, х3>0.
b) Минимизировать /(X) = х,4+ х2+5х,х2х3
при ограничениях
х,2-х2+х33 <10, х,3+х22+4х32:20.
4. Дана задача
максимизировать ДХ)
при ограничениях
g(X) = 0.
Пусть ДХ) — вогнутая функция, а g,(X) (t = 1, 2, т) — линейные функции. Покажите, что в этом случае необходимые условия Куна-Таккера оказываются также и достаточными. Верно ли последнее утверждение, если ё'ДХ) является выпуклой нелинейной функцией для всех г? Почему?
5. Дана задача
максимизировать /(X)
при ограничениях
^(Х)>0,^2(Х) = 0,^(Х)<0.
Дата публикования: 2014-11-18; Прочитано: 602 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!