Задачи оптимизации с ограничениями – разностями (зор)

Пример:

Функции заданы аналитическим выражениемможно разрешить относительно одной из переменныхможно исключить изf и, подставив вместо нее:

Тогда, - задача безусловной оптимизации. Находимвычисляем

Метод исключения

Численное решение:

точкаminдолжна лежать на прямой.

g(x)

В каждый момент линия уровня будет касаться прямой эта точка и является точкой

условного локального min. Если в окрестности заданной точки, удовлетворяющей

всем значениям равенства, значение функции больше, чем в точке, то эта точка – есть точка условного локального min.

Пример:

(a,x)=0

Если (a₁x)=b

Допустим,

Прямая будет проходить через некоторую точку удовлетворяющую условию и

Для nпеременных,Ax=b

Рассмотрим i-ое ограничение:

,

- заданx- все вектора, лежащие. Они и составляют гиперплоскость.

При добавлении еще одного условия, уменьшаются размерности. В конечном итоге получится пространство n-m.

Для двух переменных возможно 2 случая:

1.

2.

В случае 2 это не точка минимума, а седловая точка.

Рассмотрим точку 3-х переменных:

плоскость

Ограничение – плоскость, следовательно, все допустимые точки на плоскости. Если угол gradне равен 90 градусам следовательно можно двигаться дальше. На плоскости существует направление, которое будет составлять острый угол с– grad, и двигаясь в этом направлении можно уменьшить значениеf. Если -grad fперпендикулярен плоскости эта точка может быть точкой минимума.

Пусть существует 2 ограничения:

Рассмотрим опять случай 3-х переменных:

Точка минимума должна принадлежать пересечению плоскостей.

Необходимое условие – вектор антиградиента должен составлять угол 90 градусов с прямой пересечения плоскостей.

Для п-мерного случая имеетсяппеременных следовательно рассматривая каждое ограничение, получаемп-1гиперплоскость следовательно рассмотревтограничений получимп-тгиперплоскость (т<п).

все ограничения независимы

Если вектор grad(п-мерный) будет ортогоналенп-т– пространству.

Допустим имеется п-1пространство,п-мерный вектор может принадлежать ему или нет. Пусть вектор не принадлежит данному подпространству следовательно его можно разложить на 2 вектора – один который принадлежит подпространству, и второй который ортогонален данному. Ортогональное дополнение – вектора, которые ортогональны данному подпространству.

В 3D– пространстве, если подпространство равно 1 следовательно ортогональное дополнение равно 2.

В п-т-мерном подпространстве ортогональное дополнение имеет размерностьт.

Необходимое условие:Если мы находим точку, где вектор градиента принадлежит ортогональному дополнению к пространству, заданному ограничениями – равенствами, то эта точка может быть точкой локального минимума.

Пусть есть 2 плоскости. Если записать систему ограничений равенств следующим образом:

где

Т.о. вектора порождают ортогональное дополнение. Существующие могут быть выбраны в качестве базиса ортогонального дополнения следовательно градиент принадлежит ортогональному дополнению:

т.е. линейная комбинация базисных векторов.

- множители Лагранжа.

Рассмотрим матрицу , в ней- столбцы.

это условие может быть использовано для численного решения задачи оптимизации с ограничивающими уравнениями.

Пример:

Если найдем такие вектора хи, для которых эти условия выполняются то точка может быть точкой локального минимума.

Рассмотрим случай когда система ограничений – равенств нелинейная:

Если функции дифференцируемы, то в окрестности точки минимума они будут вести себя как линейные.

следовательно в окрестности точки локального минимума эта зависимость линейная следовательно получается система вида: , где

следовательно необходимое условие локального минимума:

n-m

- множители Лагранжа.

- точка может быть искомой в задаче

- множители Лагранжа.

Обозначения для скалярного произведения ;

;

Необходимое условие точки локального минимума исходное задание с ограничениями представляет собой необходимое условие точки локального экстремума для функции Лагранжа.