- •Основные понятия.
- •1. Безусловная оптимизация (многомерные функции)
- •1.1 Методы первого порядка (градиентные методы)
- •1.1.1. Градиентный метод с постоянным шагом
- •1.1.2. Выпуклые функции и множества
- •Теорема
- •Определение.
- •Без доказательства
- •2.Теорема:
- •1.2. Градиентные методы (продолжение)
- •1.2.1. Градиентный метод с дроблением шага.
- •1.2.2. Метод наискорейшего спуска.
- •Без доказательства
- •1.2.3. Масштабирование
- •1.3. Метод Ньютона.
- •1.4. Многошаговые ( двухшаговые ) методы.
- •1.3.1. Метод тяжелого шарика
- •1.3.2. Метод сопряженных градиентов
- •1.3.3. Модификация Полака-Ривьера
- •1.5. Квазиньютоновские методы
- •1.6. Методы нулевого порядка (методы прямого поиска)
- •1.6.1. Методы аппроксимации
- •Метод покоординатного спуска
- •1.6.3. Метод симплексов (Нелдера-Мида)
- •1.6.4. Метод Пауэлла (сопряженных направлений)
- •1.7. Методы прямого поиска в задачах одномерной минимизации.
- •1.7.1. Метод квадратичной интерполяции.
- •1.7.2. Метод дихотомии ( половинного деления.).
- •1.7.3. Метод «золотого» сечения.
- •1.7.4. Метод Фибоначчи.
- •2. Условная минимизация.
- •2.1 Задача нелинейного программирования.
- •2.1.1. Ограничения типа равенства.
- •2.1.2. Ограничения типа неравенств.
- •2.2. Задача выпуклого программирования
- •2.3. Методы условной минимизации.
- •2.3.1. Метод проекции градиента.
- •2.3.2. Метод условного градиента.
- •2.3.3. Метод модифицированной функции Лагранжа.
- •2.3.4. Метод штрафных функций.
- •2.4. Двойственность звп
- •2.4.1. Двойственность злп
- •3. Линейное программирование
- •3.1. Основные понятия
- •3.2. Геометрическая интерпретация злп.
- •3.3. Условие оптимальности для злп.
- •3.4. Базис и базисное решение.
- •3.5. Симплекс - метод решения злп.
- •3.6 Транспортная задача
- •3.5.1. Построение первоначального опорного плана.
- •3.5.2. Построение оптимального плана. Метод потенциалов.
- •4. Решение переборных задач.
- •4.1. Метод ветвей и границ.
- •4.1.1. Задача о коммивояжере.
- •4.2. Динамическое программирование.
- •4.2.1. Абстрактная схема.
- •4.2.2. Вывод уравнения Беллмана.
- •4.2.3. Методика применения функции Беллмана для решения исходной задачи.
- •4.2.4. Примеры задач динамического программирования
- •5. Вариационное исчисление (ви)
- •5.1. Уравнение Эйлера-Лагранжа.
- •5.1.1. Частные случаи уравнения Эйлера-Лагранжа.
- •5.1.2. Задача о брахистохроне.
- •5.2. Вариационные задачи на условный экстремум.
- •5.2.1. Модельные задачи на условный экстремум.
- •6. Принцип максимума Понтрягина ( на примере задачи оптимального управления ).
- •6.1. Принцип максимума в задаче о быстродействии.
- •Список литературы
2.2. Задача выпуклого программирования
Рассмотрим задачу поиска минимума функции f на допустимом множестве X.
X=xRn,gi(x)0,i=1...m,fи всеgii- выпуклы.
Утверждение:
Допустимое множество в задаче выпуклого программирования (ЗВП) выпукло.
Доказательство:
Пусть x1,x2X,0,1
Рассмотрим z=x1+(1-)x2X. Так какRn– выпукло, тоzRn. Надо проверитьgi(z) 0.
Воспользуемся свойством выпуклости gi :
gi(x1+(1-)x2) gi (x1) + (1-) gi(x2)0
тогда x1+(1-)x2X(см. определениеX), но рассматривается только отдельнаяgi.
Все допустимое множество Xрассматривается как пересечение выпуклых множествXвыпукло.
Определение :
Функцией Лагранжа в ЗВП называется функция
f(x)+f(x) + (,g(x)), где i0.
Справедлива теорема Каруша-Джона:
f(x)+=0, i gi(x*) = 0,i=1..m
В случае выпуклости множества X условие линейной независимости векторов gi(x), соответствующее активным ограничениям, можно заменить более просто проверяемыми, а именно, так называемыми условиями регулярности.
Существуют различные условия регулярности ограничений:
А) если для любого i (1 i m) существует такая точка xiX : gi (xi) 0, то говорят, что множество X удовлетворяет
условию регулярности.
Б) условие регулярности Слейтера:
Существует точка xX такая, что для всех i=1...m gi(x)0.
Легко доказать эквивалентность условий А и Б . Очевидно, что из Б следует А. Пусть теперь выполняется А. Выберем x =, =1, 0, i=1...mэто возможно, так как X выпукло. Тогда Б следует из неравенства Иенсена.
Замечание:
Условие регулярности означает, что допустимое множество имеет внутреннюю точку (то есть оно не вырождено в точку)
Определение:
Пусть существует функция (x,y), точка (x,y) называется седловой точкой функции, если выполняется следующее неравенство: (x,y)(x,y)(x,y)
Теорема (о седловой точке):
Пусть функция Лагранжа ЗВП имеет седловую точку, то есть
f(x)+ f(x)+ f (x)+
для любого xRn, i 0, i =1...m
тогда x*- оптимальная точка ЗВП.
Доказательство:
Из левого неравенства следует:
,i* 0, gi(x*)0 (см. определение X)
Так как -любое, то при =0 получится:
0(* , g(x*))=0.
Из правого неравенства имеем:
f(x*)+0 f(x)+ f(x) xX
Тогда по определению оптимальной точки x* оптимальна.
Теорема Куна-Таккера:
Пусть в ЗВП выполнено условие регулярности Слейтера. Тогда для того, чтобы x* была оптимальной точкой ЗВП, необходимо и достаточно, чтобы для некоторого вектора* с неотрицательными компонентами точка (x*,*) была седловой точкой функции Лагранжа, то есть
,где
Если на xналожены ограничения (x0), то :
Доказательство:
Достаточность следует из теоремы о седловой точке.
Необходимость - без доказательства.
2.3. Методы условной минимизации.
Рассматривается задача поиска минимума функции f на допустимом множестве X.
X=xRn,gi(x)0,i=1...m,fи всеgii- выпуклы.
2.3.1. Метод проекции градиента.
Этот метод является обобщением градиентного метода. Так как возможен выход за пределы допустимого множества, то вводится операция проектирования на X(поиск ближайшей точки наX).
xk+1=px(xk-f(xk)), гдеpxпроектор наX.
Пример:
Если X- круг, то проекция точки наXесть точка пересечения окружности и прямой, соединяющей центр и проектирующую точку. Чем сложнее областьX, тем сложнее операция проектирования.
Метод обладает теми же свойствами, что и градиентный метод с постоянным шагом.