Uvod u optimizaciju, zadaci za vjeºbu 1

1. Simpleks metoda  algebarski pristup. Inicijalizacija

1. Rije²ite zada¢u linearnog programiranja

x1 − 2x2 − 4x3 + 8x4 → min

− x2 + 2x3 + 13x4 ≤ 4
−2x1 + x2 + x3 − 12x4 ≤ 5
3x1 − x2 + 14x4 ≤ 3
x ≥ 0.
h i
Rez: x = (0, 53, 0, 4) .
∗ τ

2. Odredite minimum i maksimum funkcije cilja c = 4x + 5y na skupu zadanom uvjetima

10x + y ≥ 10
5x + 4y ≥ 20
3x + 7y ≥ 21
x + 12y ≥ 12
x, y ≥ 0,

koriste¢i pomo¢nu zada¢u inicijalizacije. Poku²ajte iskoristiti istu tablicu za odreživanje

minimuma i maksimuma.
h i
Rez: c neomežena odozgo, cmin = 23 , xmin = 23 , ymin = 23 .
449 56 45

3. (Varijanta transportnog problema) Tvrtka ima tri skladi²ta iz kojih robu treba transporti-
rati prema trgovinama na na£in da trgovina T1 dobije barem 15 jedinica robe, a trgovina
T2 barem 20 jedinica robe. Na raspolaganju je po 12 jedinica robe u svakom skladi²tu, a u
tablici je dan tro²ak transporta jedinice robe iz skladi²ta prema trgovinama.

T1 T2
S1 13 15
S2 6 7
S3 15 15

Cilj je organizirati transport, ali tako da je ukupni tro²ak transporta minimalan.

a) Modelirajte problem zada¢om linearnog programiranja.

b) Zapi²ite zada¢u u standardnoj formi i rije²ite je simpleks metodom, rje²avaju¢i prvo
pomo¢nu zada¢u inicijalizacije.
h
Rez: x11 = 12, x12 = 0, x21 = 3, x22 = 9, x31 = 0, x32 = 11, gdje xij ozna£ava
i
transportiranu koli£inu robe iz Si u Tj .

4. Zada¢u optimizacije
−x + |2x − y| → min
x + y ≤ 10
(1)
2x + y ≤ 15
x, y ≥ 0 ,
svedite na zada¢u linearnog programiranja i rije²ite simpleks metodom.
Uvod u optimizaciju, zadaci za vjeºbu 2

Rje²enje: Gornju apsolutnu vrijednost moºemo zamijeniti novom varijablom t ≥ 0 i dodati

uvjete 2x − y ≤ t i 2x − y ≥ −t, tako da nova zada¢a glasi

−x + t → min
2x − y − t ≤ 0
2x − y + t ≥ 0
(2)
x + y ≤ 10
2x + y ≤ 15
x, y, t ≥ 0 .

Primijetimo, za optimalnu to£ku (x∗ , y ∗ , t∗ ) nove zada¢e mora vrijediti t∗ = |2x∗ − y ∗ |, jer
bi u suprotnom (zbog prva dva uvjeta) vrijedilo t∗ > |2x∗ − y ∗ |, ²to vodi na kontradikciju
jer bi (x∗ , y ∗ , |2x∗ −y ∗ |) bila dopustiva to£ka s manjom vrijedno²¢u funkcije cilja. Ozna£imo
funkciju cilja nove zada¢e s g : R3 → R, a originalne s f : R2 → R.
Pokaºimo da su zada¢e optimizacije (1) i (2) ekvivalentne u sljede¢em smislu:

a) Ako je (x∗ , y ∗ ) rje²enje zada¢e (1) onda je (x∗ , y ∗ , t∗ ), uz t∗ = |2x∗ −y ∗ |, rje²enje zada¢e
(2).
b) Ako je (x∗ , y ∗ , t∗ ) rje²enje zada¢e (2) onda je (x∗ , y ∗ ) rje²enje zada¢e (1).

Za dokaz tvrdnje a) pretpostavimo suprotno: (x̂, ŷ, t̂) je dopustiva to£ka zada¢e (2) za koju
vrijedi g(x̂, ŷ, t̂) < g(x∗ , y ∗ , t∗ ). Prema gornjem komentaru mora vrijediti t̂ = 2x̂ − ŷ , ²to
vodi na kontradikciju, jer je (x̂, ŷ) dopustiva to£ka zada¢e (1) i vrijedi f (x̂, ŷ) = g(x̂, ŷ, t̂) <
g(x∗ , y ∗ , t∗ ) = f (x∗ , y ∗ ).
Dokaz tvrdnje b) provodimo sli£no: ako je (x∗ , y ∗ , t∗ ) optimalna, onda je, prema gornjem
komentaru, t∗ = |2x∗ − y ∗ | pa je g(x∗ , y ∗ , t∗ ) = f (x∗ , y ∗ ) ≤ f (x, y) = g(x, y, |2x − y|) za
svaku dopustivu to£ku (x, y) originalne zada¢e.
Drugi pristup uvodi dvije nove varijable u, v ≥ 0 te se apsolutna vrijednost zamjenjuje s
u + v i dodaje se uvjet 2x − y = u − v . Primijetimo, niti jedan pristup ne bi bio dobar da
je ispred apsolutne vrijednosti negativan koecijent.
h i
Rez: x∗ = 103
, y ∗
= 20
3
.

2. Osnovni (geometrijski) pojmovi

1. Rije²ite sljede¢e zada¢e geometrijskom metodom

a)

2x1 + 3x2 → max

x1 + x2 ≤4
6x1 + 2x2 ≥8
x1 + 5x2 ≥4
x1 ≤3
x2 ≤3
x1 , x2 ≥ 0.
Uvod u optimizaciju, zadaci za vjeºbu 3

b)

x1 − 3x2 → min
x1 − x 2 ≤3
2x1 + x2 ≥3
x1 − 3x2 ≤1
x1 , x2 ≥ 0.
h i
Rez: a) c = 11, x = (1, 3), b) funkcija cilja neograni£ena odozdo.
∗ ∗

2. Dokaºite tvrdnju: Skup K ⊆ Rn je konveksan ako i samo ako za svaki α, β ≥ 0 vrijedi

(α + β)K = αK + βK .

3. Dokaºite tvrdnju: Konus C ⊆ Rn je konveksan ako i samo ako za svaki x, y ∈ C vrijedi

x + y ∈ C.

4. Neka je K ⊆ Rn konveksni konus. Dokaºite:

a) aff K = K − K
b) (−K) ∩ K je najve¢i vektorski potprostor sadrºan u K .

5. Neka je T : Rn → Rm ano preslikavanje. Dokaºite:

a) Slika T (K) konveksnog skupa (konveksnog konusa) K je konveksan skup (konveksan

konus).
b) Praslika T −1 (C) konveksnog skupa (konveksnog konusa) C je konveksan skup (ko-
nveksan konus).
c) Za svaki S ⊆ Rn vrijedi T (conv S) = conv T (S).

6. Nažite primjer zatvorenog skupa £ija konveksna ljuska nije zatvoren skup (v. Zadatak 11).

7. Dokaºite da je skup  v 
 u n 
uX
x ∈ Rn+1 :t x2i ≤ xn+1
 
i=1

konveksni konus (zovemo ga Lorentzov konus).

8. Dokaºite tvrdnju: za svaka dva skupa S1 , S2 ⊆ Rn vrijedi conv (S1 ∩ S2 ) ⊆ (conv S1 ) ∩

(conv S2 ). Vrijedi li obratna inkluzija? Obrazloºite!

9.∗ (Carathéodoryjev teorem za konusnu ljusku) Dokaºite tvrdnju: Svaki netrivijalni vektor
konusne ljuske skupa S moºe se prikazati kao konusna kombinacija linearno nezavisnih
vektora iz S .

10. Neka je X ⊆ Rn . Ozna£imo s Y ⊆ Rn+1 skup

Y = {(x, 1) ∈ Rn+1 : x ∈ X} .

a) Dokaºite ekvivalenciju: x ∈ conv X ako i samo ako (x, 1) ∈ C(Y )

b) Koriste¢i Zadatak 9 i tvrdnju dijela a) dokaºite Carathéodoryjev teorem.

11.∗ Ako je skup S ⊆ Rn kompaktan, dokaºite da je conv S takožer kompaktan.

Uputa: Iskoristite Carathéodorijev teorem.
Uvod u optimizaciju, zadaci za vjeºbu 4

3. Projekcija to£ke na skup. Separacija

1. Dokaºite tvrdnju: ako su skupovi A, B ⊆ Rn konveksni onda je za svaki α, β ∈ R skup
αA + βB takožer konveksan.

2. Dokaºite: Skupovi A, B ⊆ Rn su (strogo) separirani ako i samo ako su A − B i 0 (strogo)

separirani.

3. Dokaºite tvrdnju: Ako skup C nije konveksan tada postoji to£ka x ∈ Rn \ C koja se ne
moºe strogo separirati od skupa C .

4. Neka je S ⊆ Rn neprazan skup. Dokaºite da S , Cl S i conv S imaju istu anu ljusku.

5. Dokaºite jednakosti

N (A) ⊕ R(Aτ ) = Rn
N (Aτ ) ⊕ R(A) = Rm .

Rj: Za prvu jednakost uo£imo da su potprostori na lijevoj strani okomiti: za svaki z ∈ N (A)
i svaki y = Aτ x ∈ R(Aτ ) vrijedi

yτ z = (Aτ x)τ z = xτ Az = 0

pa tvrdnja vrijedi jer je, prema teoremu o rangu i defeku, suma dimenzija tih potprostora
jednaka n.
6. (Metoda najmanjih kvadrata) Neka je A ∈ Mmn (R), b ∈ Rm \ R(A) te bb projekcija to£ke
b na sliku R(A). Koriste¢i Teorem 3.3 i Zadatak 5 dokaºite da je b
b = Ax, gdje je x
rje²enje normalnog sustava jednadºbi

Aτ Ax = Aτ b . (3)

Preciznije, dokaºite da sustav (3) uvijek ima rje²enje te da svako rje²enje x poprima istu
vrijednost Ax. Nadalje, rje²enje x sustava je jedinstveno ako i samo ako je d(A) = 0.

7. Neka je C ⊆ Rn neprazan, zatvoren i konveksan skup, C 6= Rn . Dokaºite da C moºemo

prikazati kao presjek zatvorenih poluprostora na sljede¢i na£in
\
C= P− .
x∈∂C
P potporna hip. kroz x
C⊆P −

8. Dokaºite tvrdnju: ako je skup C ⊆ Rn konveksan, onda je i Cl C konveksan.

9. Neka je C ⊆ Rn konveksan skup. Dokaºite tvrdnje

a) Ako je x ∈ Int C i y ∈ C onda je cijeli interval [x, yi sadrºan u Int C .

b) Skup Int C je konveksan.
c)∗ Ako pretpostavku y ∈ C u dijelu a) zamijenimo pretpostavkom y ∈ Cl C onda i dalje
vrijedi isti zaklju£ak dijela a).
d) Ako je Int C neprazan onda je Cl (Int C) = Cl C i ∂(Int C) = ∂C .
e)∗ Vrijedi Int (Cl C) = Int C i ∂(Cl C) = ∂C .
Uvod u optimizaciju, zadaci za vjeºbu 5

zλ
λr xλ
z
r x

Slika 1: Skica uz uputu za rje²enje Zadatka 9.a)

Uputa: a) Ako je B(x, r) ⊆ C i xλ = (1−λ)y+λx za neki λ ∈ h0, 1i, onda je B(xλ , λr) ⊆ C
(v. Sliku 1  raspisati ekvivalenciju, uz oznake sa slike: kzλ − xλ k < λr ako i samo ako
kz − xk < r); b) Iskoristiti tvrdnju a); c) Aproksimirati y nizom (yk ) ⊆ C . Za yk iskoristiti
tvrdnju a) i zaklju£iti da za dovoljno veliki k vrijedi B(xλ , λr
2
) ⊆ B(yλk , λr) ⊆ C , gdje je
yλk = (1 − λ)yk + λx; d) Iskoristiti tvrdnju c); e) Ako je Int C neprazan, iskoristiti tvrdnju
c). Ina£e, vrijedi Int (Cl C) = ∅, prema Zadacima 4 i 10.

10.∗ Neka je C ⊆ Rn konveksan skup. Dokaºite da je Int C neprazan ako i samo ako je
aff C = Rn .
Uputa: Nuºnost je trivijalna. Za dokaz dovoljnosti, neka su v0 , . . . , vn to£ke skupa C
koje ne leºe u istoj hiperravnini skupa Rn (kaºemo da su ano nezavisne). BSOMP
v0 = 0 (ina£e translatiramo skup C za v0 ), ²to povla£i da su vi linearno nezavisni. De-
niramo regularno linearno preslikavanje T s T vi := ei , i = 1, . . . , n. Ono preslikava skup
P := conv {0, v1 , . . . , vn } u standardni simpleks K = conv {0, e1 , . . . , en }, kojeg moºemo
reprezentirati presjekom zatvorenih poluprostora x1 ≥ 0, . . . , xn ≥ 0 i x1 + · · · + xn ≤ 1.
Ako svugdje stavimo stroge nejednakosti dobivamo otvoreni skup O, koji je o£ito nepra-
zan. Dakle, K ima neprazan otvoren podskup O (to mu je zapravo interior), pa je i T −1 (O)
otvoren skup, sadrºan u P , odnosno C .