- •1. Понятие реш задач мат программирования. Постановка задач линейного программирования. Примеры. 1.
- •2 . Основные формы задача лп. Правило сведения злп к канон форме. Геометр интерпр злп. Понятие угловой точки мн-ва
- •3. Критерий угловой точки множества.
- •4. Определение базиса угловой точки. Невырожденные угловые точки. Примеры.
- •5. Связь между переменными злп.
- •7. Построение симплекс-таблицы. Достаточное условие оптимизации в задаче лп. Достаточное условие неразрешимости задачи лп.
- •8. Итерация симплекс-метода.
- •9. Обоснование конечности симплекс-алгоритма.
- •10. Обоснование непустоты множества планов в злп. Пример.
- •11.Нахождение базиса угловой точки. Пример. Св-во решений злп.
- •12. Свой-ва решений злп.
- •13. Постановка тз. Построение плана перевозок методом северо-западного угла.
- •14.Определение закрытой модели тз. Критерий существования решения тз.
- •Замечание Транспортная задача, для которой выполняется условие (1) называется закрытой, в противном случае – открытой.
- •15.Исследование множества клеток транспортной таблицы.
- •16.Достаточное условие минимальности стоимости перевозок
- •17. Определения выпуклого множества, выпуклой функции. Свойства выпуклых множеств. Сумма выпуклых функций. Свойство Лебега выпуклых функций. Свойство неотрицательности остатка выпуклой функции.
- •18. Теорема о точках минимума выпуклой функции. Теорема о стационарной точке выпуклой функции.
- •20.Классический метод решения задачи безусловной минимизации функции многих переменных. Пример.
- •21.Метод исключения решения задачи на усл минимум. Пример.
- •23.Классич правило мн л в задаче опт-ции с огранич типа равенств. Необходим условия первого и второго порядка в задаче опт-ции типа равенств.
- •24.Достат условия экстремума в задаче опт-ции с ограничениями типа равенств.
- •25. Задача проектирования на выпуклое и замкнутое множество. Свойства проекции. Примеры.
- •27. Основные определения в задаче одномерной минимизации. Примеры.
- •Пример . Множ-во решений задачи min-ции f(X)
- •28.Метод деления отрезка пополам решения задачи одномерной минимизации.
- •29.Метод золотого сечения.
- •30.Метод ломаных. Обоснование и алгоритм. Пример.
- •31.Обоснование сходимости метода ломаных решения задачи одомерной минимизации
- •33. Алгоритм метода условного градиента
- •Теорема3
- •35. Сходимостсь метода скорейшого спуска
- •36. Постановка задачи вариационного исчисления. Пр.
- •Определим множество:
- •Замечание
- •37. Метод вариаций лагранжа Пусть в задаче , где и исследуется на минимум кривая , тогда все допустимые кривые X(t), из множества X можно представить в виде:
- •38. Уравнение Эйлера.
- •39. Случай интегрируемости ур-ния Эйлера. Пример.
- •40. Задача вариационного исчисления с незакрепленными концами и фиксированным отрезком интегрирования.
- •41. Задача вариационного исчисления с незакрепленными концами и нефиксированным отрезком интегрирования.
- •42. Задача вариационного исчисления с движущимся по кривой коцом.
- •43. Примеры задач динамического программирования, их особенности.
- •44. Принципы динам програм и функцон ур-ния Беллмана.
- •45. Постановка задачи оптимального быстродействия.
- •46 Достат условия оптимальности для линейной задачи оптимального быстродействия (зоб).
- •47. Пример решения задач оптимального быстродействия.
30.Метод ломаных. Обоснование и алгоритм. Пример.
Метод ломаных применяется для решения задачи (1), без требования унимодальности функции f.
Опр. Говорят, что ф удовлетворяет условию Липшица на [a;b], если , такая что . (2) Условие Липшица означает, что угловые коэффициенты хорд, кот соединяют точки (x,f(x)) и (y,f(y)) не превосходит константы L.
я Рис1
Если ф-я удовлетворяет условию Липшица на [a;b] то она явл-ся непрерывной на [a;b].
Пусть ф-я f(x) удовлетворяет на [a;b] условию Липш (2) с константой L. Зафиксируем некоторую точку y из [a;b] и рассмотрим ф-ю , (см рис 1). Ф-я g представляет собой кусочно-гладкую ф-ю, ее график есть ломаная с углами наклона l и –l, проходящая ч/з точку (y,f(y)). Рассмотрим т.е. , .
Описание м. ломанных
Выбирем некот т . Построим ф-ю
и определим из условия , очевидно что x1=a или x1=b. Далее строим ф-ю и и т : . Пусть на некот шаге известны х1,х2,…,х(n-1), строим ф-ю = и т : . Если минимум достигается в нескольких точках, то берут любую.
Зам. Ф-я представляет собой кусочно-гладкую ф-ю, ее график есть ломаная с углами наклона l и –l.
Зам. Ф-я
Зам. . Т. Обр, задача минимизации ф-ции f заменяется задачей минимизации ф-ции p, кот приближает f снизу. Причем, р монотонно возрастает.
Докажем сходимость м ломанных.
Т. Пусть ф-я удовлетворяет условию Липшица на [a;b], тогда посл-ть полученная м ломанных такая, что:
1) , причем (3)
2) последовательность Док-во. Рассм. произвольную точку и построим посл-ть соотношений (4)
След-но, посл-ть монотонно возрастает и ограничена сверху, поэтому . Кроме того, из (4)=>(3). Покажем, что . Тк ограничена, то из нее можно выделить сходящуюся подпоследовательность, нпр . Пусть - некотор т, построенная м ломаных, тогда
, получаем, что Рассмотрим = = (5). Возьмем в качестве и подставим их в (5): тк посл-ть содержиться, то . Тогда => . Тк точка была выбрана произвольно, то => справедливость 1) данной теоремы. А 2)=> ет из Т.Вейерштрассе. Конец док-ва.
Зам. Из теоремы => что процесс вычисления заканчивается в случаи выполнения нер-ва
Зам. М ломаных сходится при любых начальных приближениях.
Зам, Недостаток – с ростом числа шагов растет требуемый объем памяти вычисл машины.
Зам. Для применения метода надо знать константу Липшица.
31.Обоснование сходимости метода ломаных решения задачи одомерной минимизации
Описание м. ломанных
Выбирем некот т . Построим ф-ю
и определим из условия , очевидно что x1=a или x1=b. Далее строим ф-ю и и т : . Пусть на некот шаге известны х1,х2,…,х(n-1), строим ф-ю = и т : . Если минимум достигается в нескольких точках, то берут любую.
Зам. Ф-я представляет собой кусочно-гладкую ф-ю, ее график есть ломаная с углами наклона l и –l.
Зам. Ф-я
Зам. . Т. Обр, задача минимизации ф-ции f заменяется задачей минимизации ф-ции p, кот приближает f снизу. Причем, р монотонно возрастает.
Докажем сходимость м ломанных.
Теорема. Пусть ф-я удовлетворяет условию Липшица на [a;b], тогда посл-ть полученная м ломанных такая, что:
1) , причем (3)
2) последовательность
Док-во. Рассмотрим произвольную точку и построим посл-ть соотношений (4)
След-но, посл-ть монотонно возрастает и ограничена сверху, поэтому . Кроме того, из (4)=>(3). Покажем, что . Тк ограничена, то из нее можно выделить сходящуюся подпоследовательность, нпр . Пусть - некотор т, построенная м ломаных, тогда
, получаем, что Рассмотрим = = (5). Возьмем в качестве и подставим их в (5): тк посл-ть содержиться, то . Тогда => . Тк точка была выбрана произвольно, то => справедливость 1) данной теоремы. А 2)=> ет из Т.Вейерштрассе. Конец док-ва.
Зам. Из теоремы => что процесс вычисления заканчивается в случаи выполнения нер-ва
Зам. М ломаных сходится при любых начальных приближениях.
Зам, Недостаток – с ростом числа шагов растет требуемый объем памяти вычисл машины.
Зам. Для применения метода надо знать константу Липшица.
32. Обоснование и алгор.метода скорейшего спуска. Рассм. задачу (1). Ф-я f(x) предполагается определенной, принимающей конечные знач. и непрерывно диффер-ой. Необх. усл. для з (1) имеют вид: Q(x*)=0, где . Мн-во наз мн-вом стационарных точек з (1). Мн-во решений з (1). Очевидно, что . Если Q(x)<>0, то направление найскорейшего возраст. ф-и f(x) в т х совпадает с направлением град. в этой точке, а направление наискор-го убыв. – с направлением антиград.. Это св-во лежит в основе градиентных методов. Эти методы предполагают выбор некот.нач-го приближения, однако общих правил выбора этого значения нет. Опр. Посл-ть, построенная с помощью некот итерационного процесса наз релаксационной, если . Итерационный процесс тогда наз релаксационным. Нер-во Q(x)>0 обеспечивает релаксационность процесса, поэтому если доказать, что (2), то можно говорить, что такой процесс характеризует стремление к выполнению необходимого условия минимума. Но не всякий релаксационный процесс со св-вом (2) генерирует посл-ть точек сходящихся к .Алгоритм метода скорейшего спуска. Пусть выбрано некот нач-е приближение и на некоторой итерации вычислено значение , , . Рассмотрим луч, проходящий ч/з т в направлении антиградиента . В этом случае рассмотрим ф-ю, зависящую от альфа .Рассмотрим вспомогательную задачу одномерной минимизации . И пусть решение этой задачи достигается в т : , тогда следующее приближение вычисляется по ф-ле . Если в некот точке , то эта точка будет подозрительной на минимум и процесс вычислений заканчивается. Геом.интерпритация метода: Ф-я достигает своего миним. в
точке . Вычислим
Получаем, что градиенты ЦФ в соседних точках вычисленные по МНС-ортогональны.Зам. Величину можно выбирать из усл. , в этом случае метод наз Градиентным.Зам. Закончить процесс вычисления в град. методе можно при усл., что , и , где , , – согласованные числа.
Т.Пусть ф-я f(x) явл непрер. диффер-ой, огран.снизу и ее град. удовлетв. векторному усл.Липшица на всем пр-ве (т.е. ). Тогда для любого нач-го приближения итерац. процесс метода наискор. спуска является релаксационным и удовлетв. усл. . Если дополнительно предположить, что мн-во – ограничено , то посл-ть , построенная МНС, сх-ся к непустому мн-ву стац-х точек . Если кроме этого ф-я f(x) явл выпуклой, то посл-ть явл-ся минимизирующей, сходящейся к непустому мн-ву реш. задачи