Professional Documents
Culture Documents
Prirodno-matematiqki fakultet
-diplomski rad-
Mentor: Student:
dr Vladica Stojanovi Dragana Delqev
2
Sadrжaj
1. Uvod 4
3. Konveksne funkcije 9
3.1 Pojam gradijenta. Diferencijabilnost . . . . . . . . . 10
3.2 Ekstremalne osobine konveksnih funkcija . . . . . . . . 14
5. Dinamiqko programiranje 30
5.1 Belmanov princip optimalnosti . . . . . . . . . . . . . . 31
5.2 Neke primene DP modela . . . . . . . . . . . . . . . . . . 34
Literatura 41
3
4 1. Uvod
1. Uvod
(min) f = f (2, 1) = 2. ✷
3. Konveksne funkcije
za svako x ∈ S.
gde su ∂ f∂ (x
xi
0)
parcijalni izvodi funkcije f (x) u taqki x0 . S druge
strane, na osnovu (2) i (3) zakljuqujemo da se subgradijenti difer-
encijabilne funkcije f : S → R u taqki x0 ∈ S podudaraju sa
jedinstvenim vektorom - gradijentom funkcije f (x) u taqki x0 . Kao
ilustraciju, dajemo sledei jednostavan primer.
Primer 2. Neka je f (x) = max{f1 (x), f2 (x)}, gde je
(x − 2)2 , 0 ≤ x ≤ 1;
f (x) =
x, 1≤x≤2
Slika 4:
odnosno
∇f (x1 )T − ∇f (x2 )T (x2 − x1 ) ≤ 0,
Slika 5:
odnosno
λf (x0 ) ≤ λf (x) ⇐⇒ f (x0 ) ≤ f (x).
∇f (x0 )T (x − x0 ) ≥ 0. (7)
16 3. Konveksne funkcije
7 2
f (x) = x1 − + (x2 − 4)2 , x = (x1 , x2 ) ∈ R2 ,
2
3. Konveksne funkcije 17
pri uslovima
−x1 + x2 ≤ 1
2x1 + 3x2 ≤ 6
−x1 ≤ 0
−x2 ≤ 0.
Slika 6:
T
∂f (x0 ) ∂f (x0 )
∇f (x0 ) = , = ( −4, −6 )T .
∂x1 ∂x2
Sa slike se takoe vidi da ma koji ugao izmeu vektora ∇f (x0 ) i
x−x0 , za proizvoljno x ∈ S, ne prelazi 900 . Zato je njihov skalarni
proizvod nenegativan, tj. vaжi uslov optimalnosti (6). ✷
18 3. Konveksne funkcije
∇f (x0 )T (x − x0 ) ≤ 0 (9)
gi (x) ≤ 0, i = 1, . . . , m,
x = (x1 , . . . , xn )T ∈ X ⊆ Rn .
θ(u) ≤ f (x),
x21 x22
gde je x = (x1 , x2 )T i g(x) = 4 + 12 − 1. Dakle, imamo
2
x1 x22
θ(u) = inf x1 + x2 + u + −1
4 12
n u o n u o
= inf x1 + x21 + inf x2 + x22 − u,
x1 4 x2 12
6 T
∂ θ(u) ∂ θ(u) 2
pa iz jednakosti = = 0 sledi x = − , − . Zamenom
∂ x1 ∂ x2 u u
ovih vrednosti dobijamo eksplicitni oblik Lagranжove funkcije
u2 + 4
θ(u) = − , u≥0
u
2 6
x1 = − = −1, x1 = − = −3,
u0 u0
u1 , u2 ∈ Rm i λ ∈ (0, 1),
= λθ(u1 ) + (1 − λ)θ(u2 ).
u0 := u0 + λ0 ĝ(x0 )
i vratiti se na korak 2.
Tada je
ui gi (x0 ) = 0, i = 1, . . . , m, (15)
∇f (x0 ) = (−2, −2)T , ∇g1 (x0 ) = (4, 2)T , ∇g2 (x0 ) = (1, 2)T ,
∇f (x0 ) = (−1, 0)T , g1 (x0 ) = (0, 1)T , ∇g2 (x0 ) = (0, −1)T ,
4. Rexavanje NLP problema 29
ali jednaqina
0 0 −1
u1 + u2 =
1 −1 0
nije zadovoljena ni za jedno u1 , u2 ≥ 0, pa uslovi optimalnosti Kun-
Takera nisu ispunjeni. Primetimo, takoe, da je ovo posledica
linearne zavisnosti vektora ∇g1 (x0 ) i ∇g2 (x0 ). ✷
5. Dinamiqko programiranje
kako je
c−x n
Fn+1 (c) = max xFn (c − x) = max x , (16)
0≤x≤c 0≤x≤c n
a1 x1 + · · · + an xn ≤ bn
U ∗ = (x∗1 , . . . , x∗n ).
Vrednost ulaganja P1 P2 P3
10 6 5 6
20 15 14 18
30 24 23 30
40 32 30 35
x1 + x2 + x3 = 40, x1 , x2 , x3 ≥ 0.
gde je b1 ∈ {0, 10, 20, 30, 40} vrednost moguih ulaganja u prvi pro-
jekat. Dobijamo sledei niz vrednosti
gde je b2 ∈ {0, 10, 20, 30, 40}. Pri izraqunavanju vrednosti funkcije
F2 (b2 ) koristimo podatke o efikasnosti ulaganja u projekat P2 (druga
kolona tabele), ali i prethodno dobijene vrednosti funkcije F1 (b1 ).
Znaqi, za b2 = 0 imamo:
dalje, za b2 = 10:
za b2 ı20:
F2 (20) = max {f2 (x2 ) + F1 (20 − x2 )}
x2 ≤20
f2 (0) + F1 (20) 0 + 15
= max f (10) + F1 (10) = max 5+6 = 15 (x2 = 0);
2
f2 (20) + F1 (0) 14 + 0
za b2 = 30 :
F2 (30) = max {f2 (x2 ) + F1 (30 − x2 )}
x2 ≤30
f2 (0) + F1 (30)
0 + 24
f2 (10) + F1 (20) 5 + 15
= max = max = 24 (x2 = 0);
f (20) + F1 (10) 14 + 6
2
f2 (30) + F1 (0) 23 + 0
za b2 = 40:
F2 (40) = max {f2 (x2 ) + F1 (40 − x2 )}
x2 ≤40
f 2 (0) + F1 (40)
0 + 32
f2 (10) + F1 (30) 5 + 24
= max f2 (20) + F1 (20) = max 14 + 15 = 32 (x2 = 0).
f2 (30) + F1 (10) 23 + 6
f2 (40) + F1 (0) 30 + 0
za b3 = 20:
za b3 = 30:
za b3 = 40:
Sirovina A B
10 200 150
20 300 320
30 450 480
40 600 580
50 750 760
uz ograniqenja
x1 + x2 ≤ 50, x1 , x2 ≥ 0.
U prvoj etapi, odreujemo vrednost funkcije
gde je b1 ∈ {0, 10, 20, 30, 40, 50}. Dobijamo niz vrednosti
F1 (0) = 0, F1 (10) = 200, F1 (20) = 300, F1 (30) = 450, F1 (40) = 600, F1 (50) = 750.
dalje, za b2 = 10:
za b2 ı20:
za b2 = 30 :
za b2 = 40:
za b2 = 50:
[5] Goodrich M. T., Tamassia R. (2002) Algorithm Design. John Wiley &
Sons, New York.
41