- •Розділ 7 оптимізація при нелінійній цільовій функції
- •Введення у нелінійне програмування
- •Оптимізація нелінійної функції однієї перемінної
- •Приклад 1 Приклад 3 Приклад 4 Приклад 5 Приклад 6
- •Максимізація нелінійної функції
- •Метод найшвидшого підйому
- •7.5. Квадратичне програмування
- •7.6. Сепарабельне програмування
- •7.7. Безпосередня лінеаризація
- •7.8. Максимізація опуклої цільової функції
7.7. Безпосередня лінеаризація
В окремих випадках удається лінеаризувати нелінійну цільову функцію , перетворюючи модель в еквівалентну задачу з лінійною цільовою функцією та лінійними обмеженнями, а потім вирішуючи її симплексним методом. Зрозуміло, перетворена задача є моделлю лінійного програмування, якщо на перемінні накладаються лінійні обмеження. Нижче розглядаються три важливих аспекти безпосередньої лінеаризації.
Мінімізація суми абсолютних значень відхилень. Розглянемо наступну нелінійну цільову функцію, що мінімізується:
(7.29)
Для виконання необхідних перетворень доповнимо модель р лінійними обмеженнями:
(7.30)
які можна записати в наступному вигляді:
(7.31)
де та , (7.32)
Відповідна лінійна цільова функція перетвореної моделі, що мінімізується, має вигляд
(7.33)
Ідея перетворення полягає в тому, що якщо вираження в лівій частині (7.30) позитивно, то цьому значенню дорівнює , та , якщо негативно – цьому значенню дорівнює ( ), a . Оптимізація цільової функції (7.33) забезпечує рівність нулю або , або , або і , і . Таким чином, модель лінійного програмування складається з цільової функції (7.33), обмежень (7.31) і (7.32), а також всіх інших обмежень, яким повинні задовольняти (наприклад таких, як умови незаперечності).
Досягнення мінімаксу цільової функції. Тепер розглянемо наступну цільову функцію, що мінімізується:
(7.34)
Для виконання необхідних перетворень доповнимо модель р лінійними обмеженнями
(7.35)
які можна записати в наступному вигляді:
(7.36)
Тут у – перемінна, на знак якої не накладається обмежень. Лінійна цільова функція перетвореної моделі має вигляд
Мінімізувати у. (7.37)
Припустимо, що в (6) представляється у такий спосіб:
(7.38)
Помітимо, що
Отже, на додаток до (7.36) і (7.37) модель максимізації цільової функції (7.38) повинна включати обмеження
(7.39)
та . Цільову функцію (7.38) іноді називають критерієм Чебишева: у ній мінімізується найбільше абсолютне відхилення.
Як (7.34) і (7.38), так і цільова функція (7.29), що мінімізує суму абсолютних значень відхилень, використовуються для вирівнювання кривих і в задачах регресійного аналізу. Обчислюється р наборів показників коефіцієнтів для п незалежних перемінних, де р > п, a – відповідні значення залежної перемінної. Тоді – коефіцієнти регресії, значення яких необхідно вибрати для вирівнювання кривої.
Задача дрібно-лінійного програмування. Нехай функція, що мінімізується, має вигляд
(7.40)
(Цю модель звичайно називають моделлю дрібно-лінійного програмування, а іноді – моделлю гіперболічного програмування).
Для того щоб при поясненнях уникнути необхідності розгляду безлічі різних можливих варіантів, припустимо, що на накладаються такі обмеження, при яких знаменник у (7.40) строго позитивний для всіх припустимих значень , а також що максимум є кінцевим.
Для того щоб перетворити задачу дрібно-лінійного програмування в модель лінійного програмування, введемо перемінну r, визначивши її в такий спосіб:
(7.41)
Тоді (7.40) можна записати в наступному вигляді:
(7.42)
Відповідно до зроблених допущень, r > 0 при всіх допустимих значеннях . Зробимо заміну перемінних:
(7.43)
Перетворена модель має вигляд
Максимізувати (7.44)
де відповідно до (7.41) перемінні r та у задовольняють лінійним обмеженням
(7.45)
та r > 0. Відзначимо, що заміна перемінних на основі (7.43) повинна бути виконана також у всіх обмеженнях, що накладаються на . Так, наприклад, якщо є додаткові лінійні обмеження
(7.46)
то перетворені обмеження можна побудувати, помноживши кожне з рівнянь (7.46) на r, що дає
(7.47)
Модель (12) застосовується в деяких задачах планування виробництва, де виникають відходи. Так, нехай знаменник (7.40) характеризує загальна кількість використовуваної сировини, а чисельник – кількість корисна використовуваної сировини (за винятком відходів); тоді відношення, що максимізується – частка корисно використовуваної сировини.