Operációkutatás 2

OPERÁCIÓKUTATÁS II.
Programtervező matematikusok számára
Verzió: 2004. április 1.
Kovács Margit
docens
ELTE TTK Operációkutatási Tanszék
Tartalomjegyzék
1. Függvények 3
2. Függvények optimalitása 3
2.1. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3. Konvex halmazok 7
3.1. Műveletek konvex halmazokkal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4. Konvex függvények 12
4.1. Konvex függvények karakterizációi . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.2. Konvex függvények függvényei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.3. Konvex függvényekkel definiált halmazok . . . . . . . . . . . . . . . . . . . . . . . 15
4.4. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5. Feltételes szélsőértékproblémák 19
5.1. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6. Lagrange multiplikátorok módszere 21

6.1. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
7. Optimalitási kritériumok 25
7.1. Szükséges feltételek differenciális alakban . . . . . . . . . . . . . . . . . . . . . . . 25
7.2. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
7.3. Konvex MP feladatok optimalitási kritériumai . . . . . . . . . . . . . . . . . . . . 31
7.4. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
7.5. Megengedett irányok módszere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
7.6. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
7.7. Nyeregpontfeltételek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
7.8. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
8. A lineáris komplementaritási feladat megoldása 40

8.1. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
9. Kvadratikus programozás 51
9.1. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
10.Hiperbolikus programozás 55
10.1. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
11.Egyváltozós unimodális függvények minimalizálása 58

11.1. Intervallumfelezési eljárás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
11.2. Aranymetszés módszere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
11.3. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
12. Egyváltozós függvények minimalizálása: töröttvonal és érintő módszer 62

12.1. Töröttvonal módszer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
12.2. Érintő módszer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
12.3. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2
1. Függvények
Jelölje D(f ) ⊆ Rn az f függvény értelmezési tartományát, azaz legyen
D(f ) = {u ∈ Rn : −∞ < f (u) < ∞}.
1.1. Definı́ció. Az U ⊂ Rn -en értelmezett f (u) függvény epigráfjának az

epi f = {(u, η) ∈ Rn+1 : u ∈ U, η ≥ f (u)}
halmazt nevezzük.
1.2. Definı́ció. Az U ⊂ Rn -en értelmezett f (u) függvény alsó nı́vóhalmazának (röviden nı́vóhal-
mazának) az
Lf (c) = {u ∈ D(f ) : f (u) ≤ c}, c ∈ R
halmazt nevezzük.
2. Függvények optimalitása
2.1. Definı́ció. u∗ ∈ U lokális minimumpontja az f : D(f ) → R függvénynek az U ⊆ D(f )

halmazon, ha ∃Oδ (u∗ ) környezete úgy, hogy
f (u) ≥ f (u∗ ) ∀u ∈ U ∩ Oδ (u∗ ). (2.1)
Ha (2.1) teljesül ∀u ∈ U , akkor u∗ globális minimumpont.
2.1. Tétel. Legyen f : D(f ) → R, u∗ ∈ U ⊆ D(f ) ⊆ Rn és f ∈ C 1 (U ∩ Oε (u∗ )) (folytonosan

differenciálható). Akkor
hf 0 (u∗ ), u − u∗ i ≥ 0 ∀u ∈ U ∩ Oε (u∗ ) (2.2)
szükséges feltétele annak, hogy u∗ lokális minimumpont legyen.
Ha Oε (u∗ ) ⊆ U , akkor a szükséges feltételaz f 0 (u∗ ) = 0 alakot ölti.
Bizonyı́tás.
Legyen u ∈ U ∩ Oε (u∗ ) és α ∈ [0, 1]. Akkor
f (u∗ + α(u − u∗ )) − f (u∗ ) = αhf 0 (u∗ ), u − u∗ i + o(α) ≥ 0.
Innét
o(α)
hf 0 (u∗ ), u − u∗ i +
≥ 0 ∀α ∈ (0, 1).
α
α ↓ 0-val kapjuk a (2.2) egyenlőtlenséget.
Ha Oε (u∗ ) ⊆ U , akkor ∀v ∈ Rn -hez ∃ε0 > 0 úgy, hogy u = u∗ + εv ∈ Oε (u∗ ) ∀ε : |ε| < ε0 , ezért
hf 0 (u∗ ), u∗ + εv − u∗ i ≥ 0 ∀ε : |ε| < ε0 , v ∈ Rn .
Innét
εhf 0 (u∗ ), vi ≥ 0 ∀ε : |ε| < ε0 , v ∈ Rn ,
vagyis hf 0 (u∗ ), vi = 0 ∀v ∈ Rn , ami csak f 0 (u∗ ) = 0 mellett teljesül.
3
2.2. Definı́ció. Az {uk } ⊂ U az f : D(f ) → R függvény minimalizáló sorozata az U ⊆ D(f )
halmazon, ha
lim f (uk ) = f∗ = inf f (u).
k→∞ u∈U
2.3. Definı́ció. Az
U∗ = {u ∈ U ⊆ D(f ) : f (u) = f∗ = inf f (v)}
v∈U
az f : D(f ) → R függvény minimumhalmaza az U ⊆ D(f ) halmazon.
2.2. Tétel. (Weierstrass tétele) Legyen az f (u) függvény folytonos a kompakt U ⊂ D(f ) hal-
mazon. Akkor
1. f∗ = inf f (u) > −∞;
u∈U
2. U∗ = {u ∈ U : f (u) = f∗ } =
6 ∅ kompakt;
3. f (u) minden minimalizáló sorozata U -n tart U∗ -hoz.
Bizonyı́tás.
Legyen {uk } ⊂ U minimalizáló sorozat, azaz lim f (uk ) = f∗ . Mivel U kompakt, {uk } sorozatnak
k→∞
van legalább egy torlódási pontja, és minden torlódási pontja U -ban van. Legyen u∗ ∈ U egy
torlódási pont. {uk }-ból kiválasztható egy konvergens részsorozat: {ukm }, ukm → u∗ , ha m → ∞.
Kihasználva f (u) folytonosságát és f∗ definicióját:
f∗ ≤ f (u∗ ) = lim inf f (ukm ) = lim f (uk ) = f∗ ,
m→∞ k→∞
következésképpen f (u∗ ) = f∗ . Ebből következik, hogy f∗ > −∞, U∗ 6= ∅ és minden minimalizáló
sorozat valamennyi torlódási pontja U∗ -beli.
Legyen {vk } ⊂ U∗ . Mivel U kompakt és {vk } ⊂ U , ezért kiválasztható belőle konvergens
részsorozat {vkm } → v∗ ∈ U . A {vk } sorozat minimalizáló f (u)-ra, mivel f (vk ) = f∗ , ezért minden
torlódási pontja, ı́gy v∗ is U∗ -beli, azaz U∗ zárt. Tehát U∗ egy kompakt halmaz zárt részhalmaza,
ı́gy ő maga is kompakt.
Legyen {uk } egy minimalizáló sorozat.
ρ(uk , U∗ ) = inf ρ(uk , u) ≥ 0 =⇒ lim inf ρ(uk , U∗ ) ≥ 0.
u∈U∗ k→∞
Legyen
lim sup ρ(uk , U∗ ) = lim ρ(ukm , U∗ ) = a ≤ ∞.
k→∞ m→∞
U kompaktsága miatt kiválasztható az {ukm } sorozatból egy u∗ ponthoz konvergáló részsorozat.

Az általánosság megszorı́tása nélkül feltehető, hogy ez a részsorozat maga az {ukm } részsorozat.
A ρ(u, U∗ ) függvény folytonos, ı́gy
lim ρ(ukm , U∗ ) = ρ(u∗ , U∗ ) = a.
m→∞
Minthogy u∗ egy minimalizáló sorozat torlódási pontja, a korábbiak szerint u∗ ∈ U∗ , azaz ρ(u∗ , U∗ ) =
a = 0. Ezért
0 ≤ lim inf ρ(uk , U∗ ) ≤ lim sup ρ(uk , U∗ ) = 0.
k→∞ k→∞
Ez azt jelenti, hogy bármely minimalizáló sorozat tart U∗ -hoz.
4
2.3. Tétel. Legyen f (u) folytonos a zárt, nem üres U ⊂ D(f ) halmazon, továbbá valamilyen
v ∈ U -ra
Lf (f (v)) = {u ∈ U : f (u) ≤ f (v)}
legyen korlátos. Akkor f∗ > −∞, U∗ 6= ∅ kompakt és f (u) minden minimalizáló {uk } ⊂ Lf (f (v))
sorozatra {uk } → U∗ .
Bizonyı́tás.
Mivel
f (u) > f (v), ha u ∈ U \ Lf (f (v)),
f (u) ≤ f (v), ha u ∈ Lf (f (v)),
a f (u) függvény nem veheti fel az infimumát az U \ Lf (f (v)) halmazon. Ezért elég a vizsgálatot
az Lf (f (v)) halmazra szorı́tani.
A f folytonossága miatt Lf (f (v)) zárt, a feltétel szerint korlátos, tehát kompakt. A Weierstrass
tételből ezért következik a tétel minden állı́tása.
2.4. Tétel. Legyen U ⊂ D(f ) nem üres, zárt halmaz, f (u) folytonos U -n, és tegyük fel, hogy
lim f (uk ) = +∞
k→∞
minden olyan {uk } ⊂ U sorozatra, amelyre lim k uk k= ∞ teljesül.

k→∞
Akkor f∗ > −∞, U∗ 6= ∅ kompakt halmaz és minden minimalizáló sorozat tart U∗ -hoz.
Bizonyı́tás.
Ha U korlátos, akkor Weierstrass tétele alapján igaz az állı́tás.
Tegyük fel, hogy U nem korlátos. Akkor létezik legalább egy {uk } ⊂ U sorozat, melyre
lim k uk k= +∞.
k→∞
Akkor a feltétel szerint

lim f (uk ) = +∞.
k→∞
Válasszunk tetszőleges olyan v ∈ U pontot, melyre f (v) > f∗ . Tekintsük az

Lf (f (v)) = {u ∈ U : f (u) ≤ f (v)}
szinthalmazt. Lf (f (v)) korlátos, mert ha nem lenne az, akkor létezne {wk } ⊂ Lf (f (v)) sorozat,
amelyikre lim k wk k= +∞ és erre a sorozatra lim f (wk ) = +∞, ami ellentmond annak, hogy
k→∞ k→∞
f (wk ) ≤ f (v) < +∞.
Lf (f (u)) korlátossága miatt a tétel valamennyi állı́tása következik az 2.3. Tételből.

5
2.1. Feladatok
2.1.1. Feladat. Minimalizáló sorozat-e
1.) az f (x) = x2 , (x ∈ R) függvényre az x = k, k = 1, 2, . . . sorozat?

k
1 + x4
||u||
2.) az f (u) = , (u ∈ Rn ) függvényre az uk = k · 1 sorozat, ahol a 1 = (1, 1, . . . , 1)?
1 + ||u||2
2.1.2. Feladat. Indokolja meg, fog-e minden U -beli minimalizáló sorozat konvergálni az f (u) függ-
vény U -beli minimumhelyéhez konvergálni, ha
1.) U = Rn és f (u) = ||u||2 ?
2.) U = {u = (x, y) ∈ R2 : x + 3y ≤ 1, x ≥ 0, y ≥ 0} és f (u) = x + y?
3.) U = {u = (x, y) ∈ R2 : 2x + y ≥ 3, x ≥ 0, y ≥ 0} és f (u) = x + 2y?
2.1.3. Feladat. Felveszi-e az f (u) függvény a minimumát az U halmazon, ha
1.) U = {u ∈ R : 1 ≤ u ≤ ∞ és f (u) = u2 ?

1 + u4
2.) U = Rn és f (u) = ||u||3 ?
3.) U = {u = (x, y) ∈ R2 : x ≥ 0, y ≥ 0} és f (u) = x + y1 ?
4.) U = {u = (x, y) ∈ R2 : |x| ≤ 1, 0 ≤ y ≤ 1} és f (u) = x + y1 ?
6
3. Konvex halmazok
3.1. Definı́ció. U ⊂ Rn konvex, ha ∀u, v ∈ U, α ∈ [0, 1] esetén:

αu + (1 − α)v ∈ U
3.1. Műveletek konvex halmazokkal
3.1.1. Definı́ció.
• Halmazok összege: Ai ⊂ Rn , i = 1, . . . , m esetén
m m
Ai = {a ∈ Rn : a =
P P
A= ai , ai ∈ Ai }.
i=1 i=1
• Halmazok különbsége: A, B ⊂ Rn esetén
C = A − B = {c ∈ Rn : c = a − b, a ∈ A, b ∈ B}.
• Halmazok skalárszorosa: A ⊂ Rn , λ ∈ R esetén
B = λA = {b ∈ Rn : b = λa, a ∈ A}.
• Halmazok Descartes szorzata: Ai ⊂ Rni , i = 1, . . . , m esetén

m
A = A1 × . . . × Am = × Ai =
i=1
{a = (a1 , . . . , am ) ∈ Rn1 +...+nm : ai ∈ Ai , i = 1, . . . , m}.
Megjegyzés. Általában A + A 6= 2A és A − A 6= {0}, de 2A ⊂ A + A és {0} ⊂ A − A.
3.1.1. Tétel. Ha Ai , i = 1, . . . , m, A, B az Rn konvex halmazai, akkor

m
P
1) A = Ai , 2) C = A − B, 3) B = λA, λ ∈ R
i=1
is konvex.
Bizonyı́tás.
m
P
1. a, b ∈ A =⇒ a ∈ ai , ai ∈ Ai
i=1
Pm
b= bi , bi ∈ Ai
i=1
m
P
=⇒ αa + (1 − α)b = (αai + (1 − α)bi ) ∈ A.
i=1 | {z }
∈Ai
7
2. c1 , c2 ∈ C =⇒ c1 = a1 − b1 , a1 ∈ A, b1 ∈ B
c2 = a2 − b2 , a2 ∈ A, b2 ∈ B
=⇒ αc1 + (1 − α)c2 = α(a1 − b1 ) + (1 − α)(a2 − b2 )

= (αa1 + (1 − α)a2 ) − (αb1 + (1 − α)b2 ) ∈ C.
| {z } | {z }
∈A ∈B
3. a, b ∈ B =⇒ a = λa0 , b = λb0 , a0 , b0 ∈ A
=⇒ αa + (1 − α)b = λ(αa0 + (1 − α)b0 ) ∈ B.

| {z }
∈A
m
3.1.2. Tétel. Ha Ai ⊂ Rni , i = 1, . . . , m, konvex halmazok akkor A = × Ai is konvex.
i=1
Bizonyı́tás.
m
a, b ∈ × Ai =⇒
i=1
a = (a1 , . . . , am ), b = (b1 , . . . , bm ), bi ∈ Ai , i = 1, . . . , m =⇒
m
λa + (1 − λ)b = (λa1 + (1 − λ)b1 , . . . , λam + (1 − λ)bm ) ∈ × Ai .
| {z } | {z } i=1
∈A1 ∈Am
m
3.1.3. Tétel. Ha Ai ⊂ Rn , i = 1, . . . , m, konvex halmazok, akkor a C =
T
Ai halmaz is konvex.
i=1
Bizonyı́tás.
a, b ∈ C =⇒ a, b ∈ Ai ∀i = 1, . . . , m =⇒ αa + (1 − α)b ∈ Ai ∀i = 1, . . . , m
m
T
=⇒ αa + (1 − α)b ∈ Ai = C.
i=1
m
P
3.1.2. Definı́ció. Az {u1 , . . . , um } ⊂ U pontrendszer konvex kombinációja az u = αi ui pont,
i=1
m
P
ahol αi ≥ 0 (i = 1, . . . , m) és αi = 1.
i=1
3.1.4. Tétel. Az U ⊆ Rn halmaz akkor és csak akkor konvex, ha tartalmazza bármely véges számú
elemének konvex kombinációját.
8
Bizonyı́tás.
Elégségesség. Ha U tartalmazza bármely véges számú elemének konvex kombinációját, akkor bár-
mely két elemének konvex kombinációját is tartalmazza, ı́gy definı́ció szerint konvex.
Szükségesség. Teljes indukcióval bizonyı́tunk.
Mivel U konvex, tartalmazza bármely két elemének konvex kombinációját.
Tegyük fel, hogy U tartalmazza bármely m − 1 elemének konvex kombinációját. Legyen
m
P m
P
u= αi ui , 0 ≤ αi ≤ 1, αi = 1.
i=1 i=1
Ha valamelyik αi = 0, akkor u előáll a többi, (m − 1) számú uj (j 6= i) konvex kombinációjaként,

ı́gy u ∈ U .
Legyen 0 < αi < 1 (i = 1, . . . , m) és vezessük be a βi = 1 −αiα (i = 1, . . . , m−1) változókat.
m
m−1
P m−1
P
Nyilvánvalóan 0 < βi < 1 (i = 1, . . . , m) és βi = 1, továbbá v = βi ui ∈ U .
i=1 i=1
Mivel u = (1 − αm )v + αm um , ı́gy u ∈ U .
3.1.3. Definı́ció. Az U -t tartalmazó konvex halmazok metszete az U konvex burka. Jele: co U .

Nyilvánvalóan co U a legszűkebb U -t tartalmazó konvex halmaz.
3.1.5. Tétel. U konvex burka a véges sok U -beli elem konvex kombinációjaként előálló pontok
halmaza.
Bizonyı́tás.
Legyen W az U -beli elemek végeselemű konvex kombinációinak a halmaza. Nyilvánvalóan U ⊆ W .
Mivel U ⊆ co U és co U konvex, ı́gy tartalmazza a co U -beli elemek véges elemszámú konvex
kombinációit, ı́gy az U -beliekét is, azaz co U ⊇ W .
Másrészt, W konvex. Ugyanis, ha
p
P p
P
u= αi ui , ui ∈ W, 0 ≤ αi ≤ 1 (i = 1, . . . , p), αi = 1
i=1 i=1
és
q
P q
P
v= βi vi , vi ∈ W, 0 ≤ βi ≤ 1 (i = 1, . . . , q), βi = 1,
i=1 i=1
akkor
p
P Pq
vα = αu + (1 − α)v = ααi ui + (1 − α)βi vi ;
i=1 |{z} i=1 | {z }
≥0 ≥0
p
P q
P
ααi + (1 − α)βi = 1,
i=1 i=1
ı́gy vα konvex kombinációja p + q számú elemnek, azaz vα ∈ W .

Mivel co U a legszűkebb U -t tartalmazó konvex halmaz, ezért co U ⊆ W .
9
3.2. Feladatok
3.2.1. Feladat. (Carathèodory tétele) Legyen U ⊆ Rn , konvex halmaz, U 6= ∅. Jelölje co U
az U halmaz konvex burkát. Bizonyı́tsuk be, hogy ∀u ∈ co U előállı́tható n + 1-nél nem több U -beli
pont konvex kombinációjaként.
Bizonyı́tás.
m
P m
P
Legyen u ∈ co U . Mivel co U konvex, ı́gy u = αi ui , ahol αi = 1 és αi > 0, ui ∈ U (i = 1, . . . , m). (Az αi -k
i=1 i=1
pozitivitásának feltételezése jogos, mert u előállı́tásában a 0 együtthatójú tagok elhagyása csökkenti az előállı́tó pontok
számát.)
Ha m ≤ n + 1, akkor a tétel állı́tása nyilván teljesül.
Legyen m > n + 1. Vegyük az
n+1
ui ∈ R , ui = (ui , 1)
m
P
pontokat. Mivel m > n + 1, ezek lineárisan összefüggők. Következésképpen ∃γi (i = 1, . . . , m), melyre |γi | 6= 0 és
i=1
m
P
γi ui = 0, vagyis
i=1
m
P
γi u i = 0
i=1
m
P
γi = 0.
i=1
Innét
m
P m
P m
P m
P
u= αi ui = αi ui − t γi u i = (αi − tγi )ui .
i=1 i=1 i=1 i=1
| {z }
=0
m
P m
P
Ha t elég kis pozitı́v szám, akkor αi − tγi ≥ 0. Mivel |γi | 6= 0, de γi = 0, ezért ∃γi > 0.
i=1 i=1
Jelölje
αs αi
t= = min .
γs γi >0 γi
Innét αi − tγi ≥ 0 (i = 1, . . . , m) , miközben

Pm
αs − tγs = 0 és (αi − tγi ) = 1,
i=1
m
P
ı́gy u = (αi − tγi )ui , azaz az u-t előállı́tó pontok száma eggyel csökkent. Ez a csökkentés mindaddig folytatható az
i=1,i6=s
előbbiek szerint amı́g az {ui } vektorrendszer lineáris összefüggősége meg nem szűnik, azaz az előállı́tó komponensek száma
legfeljebb n + 1 nem lesz.
3.2.2. Feladat. Legyenek U, V ⊆ Rn nemüres halmazok. Mutassuk meg, hogy

co (U ∩ V ) ⊆ (co U ) ∩ (co V ).
Mutassunk példát, amikor szigorú tartalmazás teljesül.
3.2.3. Feladat. Jelölje int U és U az U ⊆ Rn konvex halmaz belsejét ill. lezártját. Legyen u ∈ int U
és v ∈ U . Mutassuk meg, hogy w = αu + (1 − α)v ∈ int U minden α ∈ (0, 1] esetén.
3.2.4. Feladat. Mutassuk meg, hogy int U és U konvex halmazok, ha U ⊆ Rn konvex.
3.2.5. Feladat. Konvexek-e az alábbi halmazok (használhatja a következő fejezet eredményeit is):
1.) U = {u = (x, y) ∈ R2 : x2 + 3y 2 ≤ 8,
3x − 7y ≥ 1,
x3 + 2x2 + y 2 + y ≤ 7,
x, y ≥ 0};
2.) U = {u = (x, y, z) ∈ R3 : x2 + y 2 ≤ z};
10
3.) U = {u = (x, y, z) ∈ R3 : x + y < 3,
−x + y + z ≤ 5,
x, y, z ≥ 0};
4.) U = {u = (x, y, z) ∈ R3 : x2 + y 2 + z 2 ≤ 4,
x + y + z = 1};
5.) U = {u = (x, y) ∈ R2 : 0 ≤ x ≤ 2,
(x − 3)2 + (y − 2)2 ≤ 2,
2y + x ≥ 3,
x − (y − 3)2 ≥ 3};
6.) U = {u = (x, y) ∈ R2 : 0 ≤ x ≤ 2,
(x − 1)2 + (y − 2)2 ≤ 2,
y − x ≤ 1,
(x − 1)2 + y ≤ 1};
7.) U = {u = (x, y) ∈ R2 : 0 ≤ x ≤ 2π,

y ≥ 0,
y − sin(x) ≤ 0,
y + (x − 1)2 ≤ 2};
8.) U = {(x, y, z) ∈ R3 : 8x + y + 2z ≥ 7,
x2 + 3y 2 + 7z ≤ 10,
2
(x + 1)−2 + 3y 2 + e−2z ≥ 0,
x, y, z ≥ 0};
9.) U = {u = (x, y) ∈ R2 : 0 ≤ x ≤ 1,
y ≥ 0,
x2 + y 2 ≤ 2,
y− x1 ≤ 1,
x + 3y ≤ 3}?
3.2.6. Feladat. Mi a 3.2.5. Feladatban definiált halmazok belseje, lezártja, határa?
11
4. Konvex függvények
4.1. Definı́ció. Az f : Rn → R függvény konvex a konvex U ⊂ D(f ) halmazon, ha ∀u, v ∈

U és λ ∈ [0, 1] esetén
f (λu + (1 − λ)v) ≤ λf (u) + (1 − λ)f (v). (4.1)
Az f (u) függvény szigorúan konvex, ha a (4.1)-ben az egyenlőség csak λ = 0 és λ = 1 esetén áll
fenn, azaz
f (λu + (1 − λ)v) < λf (u) + (1 − λ)f (v) ∀λ ∈ (0, 1).
f (u) konkáv, ha −f (u) konvex.
4.1. Konvex függvények karakterizációi
4.1.1. Tétel. (Jensen egyenlőtlenség) Ha az f : Rn → R függvény konvex a konvex U ⊂ D(f )

m
P
halmazon, akkor ∀ui ∈ U, λi ≥ 0, i = 1, . . . , m és λi = 1 esetén
i=1
m
P m
P
f( λi u i ) ≤ λi f (ui ).
i=1 i=1
Bizonyı́tás.
m
P
U konvexitása miatt λi ui ∈ U . Teljes indukcióval a bizonyı́tás triviális.
i=1
4.1.2. Tétel. Legyen f ∈ C 1 (U ) (egyszer folytonosan differenciálható) a konvex U ⊂ D(f ) hal-

mazon. f (u) konvex ⇐⇒
f (u) ≥ f (v) + hf 0 (v), u − vi ∀u, v ∈ U. (4.1)
Bizonyı́tás.
Szükségesség. f (u) konvex =⇒
f (v + α(u − v)) − f (v) ≤ α[f (u) − f (v)] ∀u, v ∈ U és α > 0.
A Lagrange középértéktétel szerint:
αhf 0 (v + ϑα(u − v)), u − vi ≤ α[f (u) − f (v)] (4.2)
∀u, v ∈ U és valamilyen ϑ ∈ [0, 1] esetén. Az α > 0-val osztva és α → 0 esetén (4.2)-ból kapjuk,
hogy
hf 0 (v), u − vi ≤ f (u) − f (v).
Elégségesség. Tegyük fel, hogy teljesül a (4.1) feltétel. Legyen u, v ∈ U és uα = αu + (1 − α)v.
Akkor
f (u) − f (uα ) ≥ hf 0 (uα ), u − uα i
f (v) − f (uα ) ≥ hf 0 (uα ), v − uα i.
Itt az első egyenlőtlenséget α-val, a másodikat 1−α-val szorozva és a két egyenlőtlenséget összeadva
kapjuk, hogy
αf (u) + (1 − α)f (v) − f (uα ) ≥ hf 0 (uα ), αu + (1 − α)v − uα i = 0.
| {z }
=0
12
4.1.3. Tétel. Legyen f (u) ∈ C 1 (U ) (egyszer folytonosan differenciálható) az U ⊂ D(f ) konvex
halmazon. f (u) konvex U -n ⇐⇒
hf 0 (u) − f 0 (v), u − vi ≥ 0 ∀u, v ∈ U. (4.3)
Bizonyı́tás.
Szükségesség. Ha f (u) konvex, akkor a 4.1.2.Tétel alapján
f (u) − f (v) ≥ hf 0 (v), u − vi,
f (v) − f (u) ≥ hf 0 (u), v − ui.
A két egyenlőtlenséget összeadva:
0 ≥ hf 0 (v) − f 0 (u), u − vi.
Elégségesség.
αf (u) + (1 − α)f (v) − f (αu + (1 − α)v)
= α[f (u) − f (αu + (1 − α)v)] + (1 − α)[f (v) − f (αu + (1 − α)v)]

Z 1
=α hf 0 (αu + (1 − α)v + t(u − αu − (1 − α)v)), u − αu − (1 − α)vidt+
0
Z 1
+(1 − α) hf 0 (αu + (1 − α)v + t(v − αu − (1 − α)v)), v − αu − (1 − α)vidt
0
Z 1
= α(1 − α) hf 0 (αu + (1 − α)v + t(1 − α)(u − v))
0 | {z }
=z1
−f 0 (αu + (1 − α)v + tα(v − u)), u − vidt

| {z }
=z2
Z 1
1
= α(1 − α) hf 0 (z1 ) − f 0 (z2 ), z1 − z2 i dt ≥ 0.
0 | {z }t
≥0
4.1.4. Tétel. Legyen f (u) ∈ C 2 (U ) (kétszer folytonosan differenciálható) a nyı́lt konvex U ⊂ Rn

halmazon. f (u) konvex U -n ⇐⇒
hf 00 (u)ξ, ξi ≥ 0 ∀u ∈ U, ∀ξ ∈ Rn . (4.4)
Bizonyı́tás.
Szükségesség. Legyen u ∈ U és válasszunk tetszőleges ξ ∈ Rn vektort. U nyı́ltsága miatt ∃ε0 > 0
úgy, hogy ∀ε : |ε| < ε0 esetén u + εξ ∈ U . A 4.1.3. Tétel szerint
hf 0 (u + εξ) − f 0 (u), εξi ≥ 0.
A Lagrange középértéktételt alkalmazva:
hf 00 (u + ϑεξ)ξ, ξiε2 ≥ 0,
azaz
hf 00 (u + ϑεξ)ξ, ξi ≥ 0 ∀0 ≤ ϑ ≤ 1 és ∀ε : |ε| ≤ ε0 .
13
Mivel f 00 (u) folytonos, ε ↓ 0-val kapjuk a tétel állı́tását.
Elégségesség. Legyen u, v ∈ U, α ∈ [0, 1], ξ = u − v. A Lagrange középértéktétel szerint
∃ϑ ∈ [0, 1], hogy
hf 0 (u) − f 0 (v), u − vi = hf 00 (v + ϑ(u − v))(u − v), u − vi
= hf 00 (v + ϑξ)ξ, ξi ≥ 0
a tétel feltétele miatt, ami a 4.1.3 Tétel szerint biztosı́tja f konvexitását.
4.2. Konvex függvények függvényei
n
T
4.2.1. Tétel. Legyenek az fi (u), i = 1, . . . , m, konvexek a konvex U ⊂ D(fi ) halmazon. Akkor
i=1
m
P
a f (u) = αi fi (u) függvény is konvex U -n minden αi ≥ 0, i = 1, . . . , m, esetén.
i=1
Bizonyı́tás.
Legyen u, v ∈ U, β ∈ [0, 1].
Pm m
P
f (βu + (1 − β)v) = αi fi (βu + (1 − β)v) ≤ αi [βfi (u) + (1 − β)fi (v)]
i=1 i=1
m
P m
P
=β αi fi (u) + (1 − β) αi fi (v) = βf (u) + (1 − β)f (v).
i=1 i=1
m
T
4.2.2. Tétel. Legyenek az fi (u), i = 1, . . . , m, konvexek a konvex U ⊂ D(fi ) halmazon. Akkor
i=1
az f (u) = sup fi (u) függvény is konvex U -n.
i=1,...,m
Bizonyı́tás.
Legyen u, v ∈ U, β ∈ [0, 1] és uβ = βu + (1 − β)v. Ekkor ∀ε > 0-hoz ∃i = i(ε, β) ∈ {1, . . . , m} úgy,
hogy
f (uβ ) ≤ fi (uβ ) + ε ≤ βfi (u) + (1 − β)fi (v) + ε, ∀ε > 0.
ε → 0 -val kapjuk a tétel állı́tását.
4.2.2.1. Következmény. g + (u) = max(g(u), 0) konvex, ha g(u) konvex.

Bizonyı́tás.
Triviális.
4.2.3. Tétel. Ha ϕ(t) monoton növő konvex függvény az [a, b] ⊂ R intervallumon és a g(u) függ-
vény konvex a konvex U ⊂ D(f ) halmazon, továbbá ∀u ∈ U : g(u) ∈ [a, b], akkor az f (u) = ϕ(g(u))
függvény is konvex U -n.
Bizonyı́tás.
Legyen u, v ∈ U, és β ∈ [0, 1].
f (βu + (1 − β)v) = ϕ(g(βu + (1 − β)v))
≤ ϕ(βg(u) + (1 − β)g(v))
≤ βϕ(g(u)) + (1 − β)ϕ(g(v)).

14
4.2.3.1. Következmény. Ha g(u) konvex függvény a konvex U ⊂ D(g) halmazon, akkor az
f (u) = g p (u), p ≥ 1,
f (u) = (max(0, g(u)))p = g + (u)p , p ≥ 1,
1
f (u) = − , ha g(u) < 0 ∀u ∈ U,
g(u)
1
f (u) = max(0, ln )p , ha g(u) < 0 ∀u ∈ U, p ≥ 1
−g(u)
függvények is konvexek U -n.
Bizonyı́tás.
Triviális.
4.3. Konvex függvényekkel definiált halmazok
4.3.1. Tétel. A konvex D(f ) ⊆ Rn halmazon értelmezett f (u) függvény akkor és csak akkor kon-
vex, ha epi f konvex.
Bizonyı́tás.
Szükségesség. Legyen
z1 = (u1 , η1 ) ∈ epi f, z2 = (u2 , η2 ) ∈ epi f,
és
zα = (αu1 + (1 − α)u2 , αη1 + (1 − α)η2 ).
| {z }
=uα ∈U
f (u) konvexitása miatt

f (uα ) ≤ αf (u1 ) + (1 − α)f (u2 ) ≤ αη1 + (1 − α)η2 ,
következésképpen zα ∈ epi f .
Elégségesség. Legyen
u1 , u2 ∈ U, z1 = (u1 , f (u1 )) ∈ epi f, z2 = (u2 , f (u2 )) ∈ epi f.
Az U halmaz és az epi f konvexitása miatt

zα = (αu1 + (1 − α)u2 , αf (u1 ) + (1 − α)f (u2 )) ∈ epi f,
következésképpen
αu1 + (1 − α)u2 ∈ U, és αf (u1 ) + (1 − α)f (u2 ) ≥ f (αu1 + (1 − α)u2 ).
4.3.2. Tétel. Legyen f (u) konvex a konvex U ⊂ D(f ) halmazon. Akkor az

M (c) = {u ∈ U : f (u) ≤ c}
szinthalmaz is konvex ∀c ∈ R.
15
Bizonyı́tás.
Legyen c ∈ R.
u, v ∈ M (c) =⇒ f (u) ≤ c és f (v) ≤ c
=⇒ f (αu + (1 − α)v) ≤ αf (u) + (1 − α)f (v) ≤ c ∀α ∈ [0, 1]
=⇒ αu + (1 − α)v ∈ M (c).
m
T
4.3.3. Tétel. Legyen U0 ⊆ D(gi ) konvex és legyenek a gi (u), i = 1, . . . , m függvények konvexek
i=1
U0 -n, továbbá legyenek a hi (u); i = m+1, . . . , s függvények lineárisak, azaz hi (u) = hai , ui−bi , i =
m + 1, . . . , s. Akkor az
U = {u ∈ U0 : gi (u) ≤ 0, i = 1, . . . , m, hi (u) = 0, i = m + 1, . . . , s}
halmaz is konvex.
Bizonyı́tás.
Ts
U= Ui , ahol
i=1
Ui = {u ∈ U0 : gi (u) ≤ 0}, i = 1, . . . , m,
Ui = {u ∈ U0 : hi (u) = 0}, i = m + 1, . . . , s.
A 4.3.2. Tétel alapján az Ui , i = 1, . . . , m halmazok konvexek. Az Ui , i = m + 1, . . . , s halmazok
alterek, ı́gy szintén konvexek. A 3.1.1. Tétel szerint a konvex halmazok metszete is konvex.
16
4.4. Feladatok
4.4.1. Feladat. Konvexek-e az alábbi függvények:
1.) f : Rn → R, f (u) =k u k,
2.) f : R2 → Rn , f (u1 , u2 ) = u21 + 2u1 u2 − 10u1 + 5u2 ,
3.) f : R2 → Rn , f (u1 , u2 ) = u1 e−(u1 +u2 ) .
4.4.2. Feladat. Konvexek-e az alábbi f függvények az adott U halmazon?

√
1.) f : U → R, f (u) = − u, U = {u ∈ R : u ≥ 0},
2.) f : U → R, f (u1 , u2 ) = (max(ln 1 , 0))p , p ≥ 1,

20 − (u21 + u42 )
U = {u = (u1 , u2 ) ∈ R2 : u21 + u42 < 20},
3.) f : R2 → R, f (u1 , u2 ) = 2(u2 − u21 )2 − 10,

U = {(u1 , u2 ) : −1 ≤ u1 ≤ 1, −1 ≤ u2 ≤ 1}.
4.4.3. Feladat. Legyen g : Rn → R konvex függvény. Mutassuk meg, hogy az

1.) f (u) = max(g(u), 0), U = Rn ;
2.) f (u) = − 1 , U = {u ∈ Rn : g(u) ≤ 0}

g(u)
függvények is konvexek az adott U halmazon.
4.4.4. Feladat. Határozza meg az alábbi függvények konvexitási és konkávitási tartományait:
1.) f (x, y) = sin(x + y + z), (x, y, z) ∈ R3 ;
2.) f (x, y) = sin(x2 + y 2 ), (x, y) ∈ R2 ;
3.) f (x, y, z) = sin(x2 + y 2 + z 2 ), (x, y, z) ∈ R3 ;
4.4.5. Feladat. Tegyük fel, hogy az f : Rn → R függvény olyan, hogy |f (u)| konvex. Mutassuk
meg, hogy az U = {u ∈ Rn : f (u) = 0} halmaz konvex.
m
P
4.4.6. Feladat. Mutassuk meg, hogy minden ui R, λi ≥ 0(i = 1, . . . , m), λi = 1 esetén
i=1
m
m
ui
P P
λi ui ≤ ln λi e !
i=1 i=1
m
P
4.4.7. Feladat. Mutassa meg, hogy minden ui > 0, λi ≥ 0 (i = 1, . . . , m), λi = 1 esetén
i=1
m m
P P λi
λi u i ui ≥ 1!
i=1 i=1
m
P
4.4.8. Feladat. Mutassa meg, hogy minden ui > 0, λi ≥ 0 (i = 1, . . . , m), λi = 1 esetén
i=1
m m
Y
uλi i !
P
λi u i ≥
i=1 i
17
4.4.9. Feladat. Igazolja, hogy minden n természetes számra
n n
1
P
n xi Y 1
1+e i=1 ≤ (1 + exi ) n !
i=1
4.4.10. Feladat. Igazolja, hogy

x2 +y 2 1 x2 1 y2
ln(1 + e 4 )≤ ln(1 + e 2 ) + ln(1 + e 2 )!
2 2
4.4.11. Feladat. Igazolja, hogy minden n természetes számra
v
u n n q
t1 + 1 ( 1X
u X
xi )2 ≤ 1 + x2i !
n2 i=1 n i=1
18
5. Feltételes szélsőértékproblémák
Legyen f : Rn → R. Legyenek továbbá az Ui ⊂ Rn , i = 0, . . . , m + 1, halmazok olyanok, hogy
int Ui 6= ∅ ∀i = 0, . . . , m és int Um+1 = ∅,
ahol int U = {u ∈ U : ∃Oε (u) ⊂ U környezet}
m+1
T
Jelölje U = Ui .
i=0
Az általános feltételes szélsőértékprobléma: Keressük az

f∗ = inf f (u) (5.1)
u∈U
függvényértéket, és az azt realizáló u∗ ∈ U pontot (ha egyáltalán ilyen létezik).

m+1
T
Az U = Ui halmazt a (5.1) probléma megengedett tartományának nevezzük.
i=0
m+1
Ui = U ∩ U−1 = ∅, ahol U−1 = {u ∈ Rn : f (u) < f (u∗ )}.
T
5.1. Tétel. u∗ ∈ U∗ ⇐⇒
i=−1
Bizonyı́tás.
m+1
T
Szükségesség. Tegyük fel, hogy ∃v ∈ Ui . Mivel v ∈ U−1 , ı́gy f (v) < f (u∗ ), azaz u∗ nem
i=−1
minimumpont, ami ellentmondás.
m+1
T
Elégségesség. Legyen Ui = ∅. Akkor ∀u ∈ U esetén u 6∈ U−1 , azaz f (u) ≥ f (u∗ ), azaz u∗
i=−1
minimumpont.
Speciálisan matematikai programozási feladatnak nevezzük a (5.1) problémát, ha a korlátozó
feltételek a következő alakú halmazokkal adottak:
• Ui = {u ∈ Rn : gi (u) ≤ 0} (i = 1, . . . , m),
egyenlőtlenség tı́pusú feltételek, ahol gi ∈ F(Rn ) (i = 1, . . . , m);
• Vi = {u ∈ Rn : gi (u) = 0} (i = 1, . . . , s),
egyenlőség tipusú feltételek, ahol gi ∈ F(Rn ) (i = 1, . . . , s);
• U0 ⊂ Rn , int U0 6= ∅.
s
T
Nyilvánvalóan int Vi = ∅, ı́gy Um+1 = Vi vehető.
i=1
U0 -ként azokat a feltételeket vesszük, amiknek egyszerű struktúrája van (pl. valamely ortáns,
speciális kúp stb.).
Megengedjük, hogy bármelyik tı́pusú feltétel elmaradjon.
A matematikai programozási feladatot konvex programozási feladatnak nevezzük, ha a korláto-
zó U ⊆ Rn halmaz konvex és a minimalizálandó f függvény konvex U -n.
Nyilvánvaló, hogy ha a minimalizálandó f függvény és a nemlineáris egyenlőtlenség tı́pusú
feltételeket adó gi függvények konvexek, az egyenlőség tı́pusú feltételekat adó gi függvények pedig
lineárisak, akkor az optimalizálási feladat konvex programozási feladat.
19
5.1. Feladatok
5.1.1. Feladat. Irja fel az alábbi feladatok modelljét nemlineáris programozási feladattal:
1.) Melyik az az egységsugarú körbe ı́rt háromszög, melynek olalainak a négyzetösszege maximális?
2.) Határozza meg az
U = {u = (x, y) ∈ R2 : 2x + y ≤ 4, x + y ≤ 1}
halmaznak a (2, 0) ponthoz legközelebbi nemnegatı́v koordinátájú pontját!
3.) Határozza meg az
U = {u = (x, y) ∈ R2 : x − 2y ≤ 6, −2x + y ≤ 6}
halmaznak a (1, 3) ponthoz legközelebbi nemnegatı́v koordinátájú pontját!
4.) Legyenek α, β, γ egy háromszög szögei. Igazolja a következő egyenlőtlenséget:
α β γ 1
sin sin sin ≤ !
2 2 2 8
5.) Igazolja, hogy
x2 +y 2 1 x2 1 y2
ln(1 + e 4 )≤ ln(1 + e 2 ) + ln(1 + e 2 )!
2 2
6.) Igazolja, hogy minden n természetes számra
v
u n n q
t1 + 1 ( 1X
u X
xi )2 ≤ 1 + x2i !
n2 i=1 n i=1
7.) Igazolja, hogy minden n természetes szám és α > 0 esetén

n
(2i − 1)α ≥ nα+1 !
P
i=1
5.1.2. Feladat. Konvex programozási feladatok-e az alábbi problémák:

1.)
2
x+ → min
xy
150
y+ ≤ 1
xy
x, y ≥ 0
2.)
x + xy → min
y + sin xy ≤ 1
x, y ≥ 0
3.)
x+y → min
x2 + y = 5
x, y ≥ 0
20
6. Lagrange multiplikátorok módszere
Ha csak egyenlőség tı́pusú feltételek szerepelnek, azaz ha f, gi ∈ C 1 (Rn ), (i = 1, . . . , m), akkor az
f∗ = inf f (u) (6.1)
u∈U
U = {u ∈ Rn : gi (u) = 0 (i = 1, . . . , s)}, (6.2)
feladatra az optimalitás szükséges feltételét a klasszikus analı́zisből ismert Lagrange multiplikáto-

rorok tétele adja. A tétel egyszerűbb kezelése érdekében vezessünk be néhány fogalmat.
6.1. Definı́ció. F : Rn → Rs függvény vektorfüggvény, ha

F = (f1 , . . . , fs ) és fi : Rn → R (i = 1, . . . , s).
s
T
Az F vektorfüggvény értelmezési tartománya D(f ) = D(fi ).
i=1
6.2. Definı́ció. Az F = (f1 , . . . , fs ) : Rn → Rs vektorfüggvény folytonos az u ∈ Rn pontban, ha

ott minden fi (i = 1, . . . , s) függvény folytonos.
6.3. Definı́ció. Legyen u = (v, w) ∈ Rm × Rn−m . Az F = (f1 , . . . , fs ) : Rm × Rn−m → Rs

vektorfüggvény [ folytonosan ] differenciálható az u ∈ Rm , ill. a v ∈ Rn−m változója szerint, ha
minden fi (i = 1, . . . , s) [ folytonosan ] differenciálható u, ill. v szerint.
Az fi (u, v) függvények u ∈ Rm , ill.v ∈ Rn−m , változója szerinti gradienseiből, mint sorvektorokból
álló (s × m), ill. (s × (n − m)) mátrixot jelöljük Fu0 (u, v)-vel ill. Fv0 (u, v)-vel.
Megjegyzés: A deriváltaknál csak akkor jelezzük alsó indexkent, hogy melyik változó szerinti par-
ciális deriváltról van szó, ha az csak egy részvektora a függvény változó-vektorának.
A vektorfüggvényekkel a feladat a következő alakot ölti:
f∗ = inf f (u) (6.3)
u∈U
U = {u ∈ Rn : G(u) = 0, (6.4)
ahol G : Rn → Rs , G = (g1 , . . . , gs ) ∈ C 1 (Rn ) vektorfüggvény.

A következő két, a klasszikus analı́zisből ugyancsak jól ismert tételre szükségünk lesz a bi-
zonyı́táshoz, ezeket emlékeztetőül bizonyı́tás nélkül közöljük.
6.1. Tétel. (Implicit-függvény tétel) Legyen U ⊆ Rn , V ⊆ Rm , F : U × V → Rn , (u0 , v0 ) ∈

U × V és teljesüljenek az alábbi feltételek:
1.) F folytonos az (u0 , v0 ) pontban;
2.) F (u0 , v0 ) = 0;
3.) létezik az (u0 , v0 ) ∈ U × V pontnak olyan Oε ((u0 , v0 )) ⊆ U × V környezete, hogy ∀(u, v) ∈
Oε ((u, v)) pontban F folytonosan differenciálható u szerint és Fu0 (u0 , v0 ) nem szinguláris.
21
Akkor az
F (u, v) = 0
egyenlet az (u0 , v0 ) pont valamely környezetében megoldható, azaz léteznek olyan δ1 , δ2 > 0 számok,
és egy, az Oδ1 (v0 ) környezetben értelmezett és a v0 pontban folytonos ϕ = (ϕ1 , . . . , ϕn ) : Rm → Rn
vektorfüggvény, hogy minden olyan (u, v) esetén, melyre v ∈ Oδ1 (v0 ) és u = ϕ(v), teljesül az
F (u, v) = 0 egyenlet, és megfordı́tva, minden olyan (u, v) esetén, melyre F (u, v) = 0, u ∈ Oδ1 (u0 )
és v ∈ Oδ2 (v0 ), fennáll az u = ϕ(v) összefüggés.
Ha F v szerint is folytonosan differenciálható az Oε ((u0 , v0 )) környezetben, akkor a ϕ vektor-
függvény differenciálható a v0 pontban és
−1
ϕ0 (v0 ) = − [Fu0 (u0 , v0 )] Fv0 (u0 , v0 ).
6.2. Tétel. Legyen F : Rn → Rn vektorfüggvény folytonosan differenciálható az u0 ∈ Rn pont

Oδ (u0 ) környezetében és tegyük fel, hogy Fu0 (u0 ) nem szinguláris. Ha F (u0 ) = b0 , akkor bármely
elég kis δ > 0-hoz ∃ε > 0, hogy ∀b ∈ Oε (b0 ) esetén az F (u) = b egyenletnek pontosan egy u =
ϕ(b) ∈ Oδ (u0 ) megoldása van és ϕ folytonosan differenciálható az Oδ (b0 ) környezetben.
A (6.3)-(6.4) feladatra a következő optimalitási kritériumot adhatjuk meg:
6.3. Tétel. (Lagrange multiplikátorok tétele) Tegyük fel, hogy a (6.1)-(6.2) feladatban a
G0 (u∗ ) mátrix rangja s, azaz az u∗ pontban a gi függvények gradiensvektorai lineárisan függet-
lenek. Ahhoz, hogy u∗ ∈ U∗ = {u ∈ U : f (u) = f∗ } legyen, szükséges, hogy létezzen olyan
λ∗ = (λ∗1 , . . . , λ∗s ) ∈ Rs vektor úgy, hogy az (u∗ , λ∗ ) vektorpár elégı́tse ki a
s
f 0 (u) + λi gi0 (u) = 0,
P
(6.5)
i=1
gi (u) = 0 (i = 1, . . . , s), (6.6)
vagy vektoralakban
f 0 (u) + G0T (u)λ = 0, (6.7)
G(u) = 0 (6.8)
egyenletrendszert, ahol G0T a G0 mátrix transzponáltját jelöli..
Bizonyı́tás.
Legyen u∗ ∈ U∗ minimumpont. Ha s = n, akkor a 6.2. Tétel szerint az U halmaz egyetlen u∗
ponból áll és G0 (u∗ ) nem szingularitása miatt ebben a pontban
−1 0
λ = − G0T (u∗ )

f (u∗ )
kielégı́ti a (6.7) feltételt.

Legyen s < n. Particionáljuk az u vektorok koordinátáit u = (v, w), v ∈ Rs , w ∈ Rn−s
alakban úgy, hogy az u∗ = (v∗ , w∗ ) pontban a G0 (u∗ ) = [G0v (v∗ , w∗ ) G0w (v∗ , w∗ )] mátrixban a
G0v (v∗ , w∗ ) (s × s) almátrix nem szinguláris.
Mivel u∗ ∈ U , ı́gy G(u∗ ) = G(v∗ , w∗ ) = 0. Az implicit-függvény tétel szerint a w∗ pont létezik
olyan ϕ(w) differenciálható függvény, melyre
v∗ = ϕ(w∗ ); G(ϕ(w∗ ), w∗ ) = 0
22
és
−1
ϕ0 (w) = − [G0v (ϕ(w), w)] G0w (ϕ(w), w). (6.9)
Legyen w ∈ Oδ (w∗ ). Mivel itt G(ϕ(w), w) = 0, ezért u = (ϕ(w), w) ∈ U . Így

f (ϕ(w∗ ), w∗ ) = f (v∗ , w∗ ) = f (u∗ ) ≤ f (u) = f (ϕ(w), w).
Következésképpen az f (ϕ(w), w) = h(w) függvénynek a w = w∗ pontban lokális minimuma van.
Az optimalitás szükséges feltétele szerint h0 (w∗ ) = 0. Az összetett függvény differenciálási szabálya
szerint
h0 (w∗ ) = ϕ0T (w∗ )fv0 (ϕ(w∗ ), w∗ ) + fw0 (ϕ(w∗ ), w∗ ).
Figyelembe véve (6.9)-t és a ϕ(w∗ ) = v∗ összefüggést azt kapjuk, hogy
−1 0
h0 (w∗ ) = −G0 w (v∗ , w∗ )T G0v (v∗ , w∗ )T fv (v∗ , w∗ ) + fw0 (v∗ , w∗ ) = 0.

(6.10)
Jelölje
−1 0
λ∗ = − G0v (v∗ , w∗ )T

fv (v∗ , w∗ ). (6.11)
A (6.10) és (6.11) összefüggések a
− G0v (v∗ , w∗ )T λ∗ + fv0 (v∗ , w∗ )

= 0
− G0w (v∗ , w∗ )T λ∗ + fw0 (v∗ , w∗ )

= 0
rendszert adják, ami ekvivalens a
G0 (u∗ )T λ∗ + f 0 (u∗ ) = 0
egyenlettel, ami azt jelenti, hogy az (u∗ , λ∗ ) vektorpár kielégı́ti a tétel állı́tását.
Vegyük észre, hogy a tételben szereplő (6.5) egyenlőség a
s
X
L(u, λ) = f (u) + gi (u)
i=1
Lagrange függvény segı́tségével

L0u (u∗ , λ∗ ) = 0
alakot ölti.
23
6.1. Feladatok
6.1.1. Feladat. Oldja meg Lagrange multiplikátorok módszerével a következő feladatokat:
1.) −2x2 + 4xy + y 2 → min .
x2 + y 2 = 1
2.) 1 → min .
x2 + y 2 + z 2
x2 + 2y 2 + 3z 2 = 0
x+y+z =0
3.) 1 (x2 + y 2 + z 2 ) → min .

2
z − xy = 5
6.1.2. Feladat. Keressük meg a minimumát és a maximumát az

f (x, y, z) = 2x2 + 5y 2 + 11z 2 + 20xy − 4xz + 16yz
függvénynek az egységgömb felületén?
6.1.3. Feladat. Határozza meg az origónak az

z − xy = 5
felülettől való távolságát.
6.1.4. Feladat. Határozza meg az (1, 2, 1) pontnak az

2x − y + z = 4
sı́któl való távolságát.
6.1.5. Feladat. Legyenek α, β, γ egy háromszög szögei. A Lagrange multiplikátorok módszere

segı́tségével igazolja a következő egyenlőtlenségeket:
√
3 3
1.) sin α + sin β + sin γ ≤ 2 ;
2.) cos α + cos β + cos γ ≤ 3

2;
3.) sin α2 sin β2 sin γ2 ≤ 18 .
6.1.6. Feladat. Írjon az egységkörbe olyan háromszöget, melynek oldalainak négyzetösszege ma-
ximális. Oldja meg a feladatot a Lagrange multiplikátorok módszerével.
6.1.7. Feladat. A 5.1.1. Feladat melyik részfeladata oldható meg Lagrange multiplikátorok móds-
zerébel? Oldja meg a feladatokat!
24
7. Optimalitási kritériumok
7.1. Szükséges feltételek differenciális alakban
Tekintsük az
f (u) → min (7.1)
u∈U
feladatot, ahol
U = {u ∈ Rn : gi (u) ≤ 0 (i ∈ I),
gj (u) = haj , ui − bj ≤ 0 (j ∈ J1 ), (7.2)
gj (u) = haj , ui − bj = 0 (j ∈ J2 )},
ahol f, gi (i ∈ I) ∈ C 1 (Rn ), aj ∈ Rn , bj ∈ R (j ∈ J1 ∪ J2 ), I, J1 és J2 véges indexhalmazok.

Megengedett, hogy az I, J1 , J2 indexhalmazok bármelyike üres legyen, azaz valamelyik tı́pusú
korlátozó feltétel hiánya. Ha mindhárom indexhalmaz üres akkor feltétel nélküli, azaz Rn -en tör-
ténő mimimalizálásról van szó.
Az U halmaz előállı́tható U = U1 ∩ U2 ∩ U3 alakban, ahol
U1 = {u ∈ Rn : gi (u) ≤ 0, i ∈ I},
U2 = {u ∈ Rn : gi (u) = haj , ui − bj ≤ 0, j ∈ J1 },
U3 = {u ∈ Rn : gi (u) = haj , ui − bj = 0, j ∈ J2 }.
7.1.1. Definı́ció. 0 6= s ∈ Rn megengedett iránya az U halmaznak az u ∈ U pontból, ha

∃ε0 > 0 konstans, hogy u + εs ∈ U ∀ε ∈ [0, ε0 ].
Legyen int U 6= ∅ azaz ∃u ∈ U , hogy annak valamely nyı́lt Oδ (u) környezetére Oδ (u) ⊂ U .
Nyilvánvaló, ekkor ∀s ∈ Rn megengedett irány az u ∈ int U pontból.
Legyen ri U 6= ∅, azaz ha H a legszűkebb U -t tartalmazó affin halmaz, akkor ∃u ∈ U , hogy
annak valamely nyı́lt Oδ (u) környezetére Oδ (u) ∩ H ⊂ U . Nyilvánvalóan ekkor H ⊆ U3 és ∀s ∈ H
megengedett irány az u ∈ ri U pontból.
7.1.2. Definı́ció. A gi (u) ≤ 0 (i ∈ I ∪ J1 ) feltétel aktı́v az u ∈ U pontban, ha gi (u) = 0 (i ∈

I ∪ J1 ). (Az egyenlőségtı́pusú feltételek konstrukciójukból adódóan mindig aktı́vak). Az u-beli aktı́v
feltételek indexhalmazát jelölje I(u) ∪ J1 (u) ∪ J2 , ahol
I(u) = {i ∈ I : gi (u) = 0}
J1 (u) = {j ∈ J1 : haj , ui − bj = 0}.
7.1.1. Tétel. Ha 0 6= s ∈ Rn megengedett iránya az U halmaznak az u ∈ U pontból, akkor ∃σ ≥ 0

konstans, hogy (s, σ) ∈ Rn+1 kielégı́ti a
hgi0 (u), si + σ ≤ 0 (i ∈ I(u)) (7.3)
haj , si ≤ 0 (j ∈ J1 (u)) (7.4)
haj , si = 0 (j ∈ J2 ) (7.5)
redszert.
Ha a (7.3)-(7.5) rendszernek (s, σ), s 6= 0, σ > 0 megoldása, akkor s megengedett irány az u
pontból.
25
Bizonyı́tás.
Szükségesség. Legyen s ∈ Rn egy megengedett irány az u ∈ U pontból. A (7.5) feltétel teljesülése
szükséges, mert ha s ∈ Rn egy megengedett irány az u ∈ U pontból, akkor ∀j ∈ J2 esetén
∀ε ∈ [0, ε0 ]-re
haj , u + εsi = bj ⇐⇒ haj , ui − bj +εhaj , si = 0,
| {z }
=0
ahonnan következik (7.5).

Így ha a (7.3)-(7.5) rendszernek (7.5) teljesülése mellett nem lenne a kı́vánt tulajdonságú me-
goldása, akkor ∀0 6= s ∈ Rn és σ ≥ 0 esetén vagy
hgi0 (u), si + σ > 0,
valamely i ∈ I(u)-ra, vagy
haj , si > 0
valamely j ∈ J1 (u)-ra. Az előbbi esetben σ = 0-val
hgi0 (u), si > 0.
o(ε)
Minthogy ε → 0, ha ε → 0, ı́gy
gi (u + εs) = g(u) +ε hgi0 (u), si +o(ε) > 0.
|{z} | {z }
=0 >0
A második esetben
haj , u + εsi = haj , ui +ε haj , si > 0.
| {z } | {z }
=0 >0
Vagyis azt kapjuk, hogy s egyik esetben sem lenne megengedett irány, ami ellentmondás.
Elégségesség. Legyen u ∈ U és tegyük fel, hogy a (7.3)-(7.5) rendszernek (s, σ), s 6= 0, σ > 0
megoldása.
Ha i ∈ I(u), akkor
o(ε)
gi (u + εs) = g(u) +ε hgi0 (u), si +o(ε) < ε(−σ + ) < 0,
|{z} | {z } ε
|{z}
=0 <−σ<0
>0
ha ε elég kicsi.
Ha j ∈ J1 (u), akkor
haj , u + εsi − bj = haj , ui − bj +ε haj , si ≤ 0.

| {z } | {z }
=0 ≤0
Ha j ∈ J2 , akkor
haj , u + εsi − bj = haj , ui − bj +ε haj , si = 0.
| {z } | {z }
=0 =0
Ha i 6∈ I(u), akkor gi (u) < 0, ha j 6∈ J(u), akkor haj , ui − bj < 0 és gi ill. haj , ui folytonossága
miatt elég kis ε > 0 esetén gi (u + εs) > 0 ill. haj , u + εsi − bj < 0 is teljesül. Vagyis s megengedett
irány.
26
7.1.3. Definı́ció. A 0 6= s ∈ Rn vektor az f : Rn → R függvény csökkenési iránya az u ∈ Rn
pontból, ha ∃ε0 > 0, hogy
f (u + εs) < f (u) ∀ε ∈ (0, ε0 ].
7.1.2. Tétel. Ha 0 6= s ∈ Rn csökkenési iránya az f : Rn → R függvénynek akkor ∃σ ≥ 0, hogy

(s, σ) kielégı́ti a
hf 0 (u), si + σ ≤ 0 (7.6)
egyenlőtlenséget.
Ha a (7.6) egyenlőtlenségnek (s, σ) olyan megoldása, hogy s 6= 0 és σ > 0, akkor s csökkenési
iránya f -nek.
Bizonyı́tás.
Szükségesség. Ha 0 6= s ∈ Rn csökkenési iránya az f : Rn → R függvénynek, akkor
f (u + εs) = f (u) + εhf 0 (u), si + o(ε) < f (u)
miatt
o(ε)
hf 0 (u), si + < 0.
ε
o(ε)
Minthogy ε → 0, ha ε → 0, ı́gy
hf 0 (u), si ≤ 0,
amiből következik a tételbeli σ ≥ 0 létezése.
Elégségesség. Ha a (7.5) egyenlőtlenség (s, σ) megoldására σ > 0, akkor
f (u + εs) = f (u) + εhf 0 (u), si + o(ε)
o(ε)
= f (u) + ε(hf 0 (u), si + )
ε
o(ε)
≤ f (u) + ε(−σ + ) < f (u),
ε
ha ε elég kicsi.
7.1.3. Tétel. Annak, hogy az u ∈ U pont lokális minimumpontja legyen a (7.1)-(7.2) feladatnak,
szükséges feltétele, hogy a (7.3)-(7.6) egyenlőtlenségrendszer minden (s, σ) megoldására σ ≤ 0
legyen.
Bizonyı́tás.
Ha a σ ≥ 0 feltétel teljesülne a (7.3)-(7.6) egyenlőtlenségrendszer valamely (s, σ) megoldására,
akkor a 7.1.1. és 7.1.2. Tételek szerint s megengedett iránya lenne U -nak az u ∈ U pontból,
ugyanakkor ebből a pontból csökkenési iránya lenne az f függvénynek, vagyis létezne olyan ε0 > 0,
hogy u + εs ∈ U és f (u + εs) < f (u) ∀ε ≤ ε0 , vagyis u nem lenne lokális minimumpont.
27
7.1.4. Tétel. (Fritz-John feltétel) Legyen az u ∈ U pont lokális minimumpontja a (7.1)-(7.2)
feladatnak Akkor léteznek olyan λ0 ≥ 0, λi ≥ 0, i ∈ I, µj ≥ 0, j ∈ J1 és ϑ ∈ R, j ∈ J2 nem mind
zérus konstansok, hogy
X X X
λ0 f 0 (u) + λi gi0 (u) + µj aj + ϑj aj = 0, (7.7)
i∈I j∈J1 j∈J2
.
λi gi (u) = 0, i ∈ I,
(7.8)
µj (haj , ui − bj ) = 0, j ∈ J1
.
Bizonyı́tás.
A 7.1.3. Tételből a Farkas lemmával kapjuk, hogy léteznek olyan λ0 ≥ 0, λi ≥ 0, i ∈ I(u),
µj ≥ 0, j ∈ J1 (u) és ϑj ∈ R, j ∈ J2 skalárok, hogy
X X X
i∈I(u) j∈J1 (u) j∈J2
és
X
λ0 + λi = 1.
i∈I(u)
Az utóbbi feltétel garantálja, hogy már a fenti egyenletben szereplő paraméterek nem mindegyike
zérus. A λi = 0 (i ∈ I \ I(u) és µj = 0 (j ∈ J1 \ J1 (u) választással a tétel bizonyı́tása teljessé
tehető.
7.1.5. Tétel. (Kuhn-Tucker-féle szükséges feltétel) Legyen az u ∈ U pont lokális minimum-

pontja a (7.1)-(7.2) feladatnak és tegyük fel, hogy a gi0 (u), i ∈ I(u), aj , j ∈ J1 (u)∪J2 vektorrendszer
lineárisan független. Akkor léteznek olyan λi ≥ 0, i ∈ I, µj ≥ 0, j ∈ J1 és ϑ ∈ R, j ∈ J2 skalárok,
hogy
X X X
f 0 (u) + λi gi0 (u) + µj aj + ϑj aj = 0, (7.10)
i∈I j∈J1 j∈J2
és
X X
λi gi (u) + µj (haj , ui − bj ) = 0. (7.11)
i∈I j∈J1
Bizonyı́tás.
A tétel feltételei mellett teljesülnek a 7.1.4. Tétel feltételei. De most λ0 > 0 lehetséges csak, mert
λ0 = 0 esetén ellentmondásra jutnánk a tételbeli lineáris függetlenségi feltétellel. Az általánosság
megszorı́tása nélkül feltehetjük, hogy λ0 = 1. Bevezetve a λi = 0, ha i ∈ / I(u) és µj = 0, ha
j∈/ J1 (u) paramétereket, a (7.10) és (7.9) egyenlőségek ekvivalensek. Ugyanakkor fennállnak a
λi gi (u) = 0 (i ∈ I) és µj (haj , ui − bj ) = 0 (j ∈ J1 )

feltételek, amiből (7.11) azonnal adódik.
28
7.2. Feladatok
7.2.1. Feladat. Mi a megengedett iránya
1.) U = {u = (x, y) ∈ R2 : −x3 + y ≤ 0, x, y ≥ 0} halmaznak az u = (0, 0) pontban?
2.) U = {u = (x, y) ∈ R2 : 2x + y ≤ 4, x + y ≤ 1} halmaznak az (1, 3) pontban?
3.) U = {u = (x, y) ∈ R2 : x − y + 3 ≥ 0, −x2 + y − 1 ≥ 0, x, y ≥ 0} halmaznak a (2, 5) ill. a
(1, 2) pontokban?
7.2.2. Feladat. A megengedett irányok módszerével ellenőrizze hogy, az alábbi feladatokra a me-
gadott pont optimális-e?
1.)
x2 + y → min
x2 + y 2 ≤ 9
x+y ≤ 1.
u∗ = (x∗ , y∗ ) = (0, −3).

2.)
y → max
2
x + 3y ≤ 3
2x + 3y ≤ 4
x, y ≥ 0
u∗ = (x∗ , y∗ ) = (0, 1).

3.)
x + y → min
x2 − y ≤ 0
2y + x ≤ 4
u∗ = (x∗ , y∗ ) = (0, 0).
7.2.3. Feladat. Teljesül-e a 7.2.2. Feladat problémáira az adott pontokban

1.) a Fritz-John optimalitási kritérium?
2.) a Kuhn-Tucker-féle szükséges optimalitási kritérium?
7.2.4. Feladat. Írja fel a Kuhn-Tucker optimalitási feltételeket az alábbi feladatokra, és oldja meg
őket:
1.) 3u1 − u2 + u23 → min ,
(u1 ,u2 )∈U
U = {(u1 , u2 ) ∈ R2 : u1 + u2 + u3 ≤ 0, −u1 + 2u2 + u23 ≤ 0}.
29
2.) u21 + 4u1 u2 + u22 → min ,
(u1 ,u2 )∈U
U = {(u1 , u2 ) ∈ R2 : (u1 − 1)2 + u22 ≤ 1}.
3.) (u1 − 3)2 + (u2 − 2)2 → min ∈ U

(u1 ,u2 )
U = {(u1 , u2 ) ∈ R2 : u21 + u22 ≤ 5, u1 + 2u22 ≤ 4, u1 , u2 ≥ 0}.
30
7.3. Konvex MP feladatok optimalitási kritériumai
Tegyük fel, hogy a (7.1)-(7.2) feladatban az f és gi , i ∈ I függvények konvexek. Ekkor a 4.3.3.
Tétel értelmében az U halmaz is konvex. Ezt a feladatot konvex programozási feladatnak
nevezzük.
7.3.1. Definı́ció. Az (7.2)-val definiált U halmaz reguláris, ha minden (i ∈ I) esetén létezik

olyan ui ∈ U , melyre gi (ui ) < 0.
7.3.2. Definı́ció. Az (7.2)-val definiált U halmaz kielégı́ti a Slater feltételt, ha létezik olyan
u ∈ U , melyre gi (u) < 0, ∀i ∈ I. Az u pontot Slater pontnak nevezzük.
7.3.1. Tétel. A Slater feltétel teljesüléséből következik a regularitási feltétel teljesülése. Konvex
programozási feladat esetén a két feltétel ekvivalens.
Bizonyı́tás.
Ha létezik u Slater pont, akkor az ui = u (i ∈ I) választással
P teljesül a regularitási feltétel.
Ha az U halmaz konvex és reguláris, akkor az u = αk uk Slater pont. Valóban, mivel gi (ui ) < 0
k∈I
és a gi függvények konvexek, ı́gy
X X X
gi (u) = gi ( αk uk ) ≤ αk gi (uk ) = αi gi (ui ) + αk g(uk ) < 0
| {z } | {z }
k∈I k∈I k6=i
<0 ≤0
7.3.2. Tétel. (Kuhn-Tucker optimalitási tétel) Legyen a (7.1)-(7.2) konvex programozási fe-
ladat, és az U halmaz legyen Slater reguláris. u ∈ U akkor és csak akkor optimumpontja a (7.1)-
(7.2) feladatnak, ha léteznek olyan λi ≥ 0 (i ∈ I), µj ≥ 0 j ∈ J1 és ϑj ∈ R j ∈ J2 konstansok,
hogy
X X X
f 0 (u) + λi gi0 (u) + µj aj + ϑj aj = 0. (7.1)
i∈I j∈J1 j∈J2
és teljesülnek a
λi gi (u) = 0, i ∈ I,
(7.2)
µj (haj , ui − bj ) = 0, j ∈ J1
. komplementaritási feltételek.
Bizonyı́tás.
Szükségesség. Hasonlóan mint a 7.1.5. Tétel bizonyı́tásánál léteznek olyan λ0 ≥ 0, λi ≥ 0, i ∈ I(u),
µj ≥ 0, j ∈ J1 (u) és ϑj ∈ R, j ∈ J2 skalárok, hogy
X X X
és
X
λ0 + λi = 1. (7.4)
i∈I(u)
31
Azt kell belátnunk, hogy λ0 > 0. Tegyük fel az ellenkezőjét, vagyis legyen λ0 = 0. A(7.4)-ből
következik, hogy van legalább egy olyan k ∈ I(u) index, hogy λk > 0 és gk (u) = 0. Ha z ∈ U
a Slater pont, akkor s = z − u megengedett irány. Valóban, minthogy gi (z) < 0 (i ∈ I),
haj , zi − bj ≤ 0 (j ∈ J1 ) és haj , zi − bj = 0 (j ∈ J2 ), ı́gy ∀0 < ε ≤ 1 = ε0 esetén
gi (u + εs) = gi (εz + (1 − ε)u) ≤ ε gi (z) +(1 − ε) gi (u) < 0, (i ∈ I),
| {z } | {z }
<0 ≤0
haj , u + εsi − bj = ε(haj , zi − bj ) + (1 − ε)(haj , ui − bj ) ≤ 0, (j ∈ J1 )

| {z } | {z }
≤0 ≤0
és
haj , u + εsi − bj = ε(haj , zi − bj ) + (1 − ε)(haj , ui − bj ) = 0, (j ∈ J2 ).
| {z } | {z }
=0 =0
(7.3)-t skalárisan s-sel szorozva

X X X
λi hgi0 (u), si + µj haj , si + ϑj haj , si = 0. (7.5)
Mivel s megengedett irány, a 7.1.1. Tétel szerint (7.5) baloldalán minden tag nempozitı́v, és
figyelembe véve gk konvexitását (ld. 4.1.2. Tétel)
0 > gk (z) = gk (z) − gk (u) ≥ hgk0 (u), z − ui = hgk0 (u), si,
vagyis (7.5) baloldala határozottan negatı́v, ı́gy ellentmondáashoz jutottunk.
A (7.2) komplementaritási feltételek teljesülése most is a λi = 0 (i ∈ I \ I(u) és µj = 0 (j ∈
J1 \ J1 (u) választással biztosı́tható.
Elégségesség. Legyen y ∈ U tetszőleges. f konvexitása, valamint (7.1) miatt
X X X
f (y) − f (u) ≥ hf 0 (u), y − ui = −h λi gi0 (u) + µj aj + ϑj aj , y − ui (7.6)
i∈I j∈J1 j∈J2
U konvexitása miatt s = y − u megengedett iránya U -nak az u pontból (bizonyı́tása analóg az

előbbiekkel), ı́gy a 7.1.1. Tétel szerint hgi0 (u), si ≤ 0 (i ∈ I), haj , si ≤ 0 (j ∈ J1 ) és haj , si =
0 (j ∈ J2 ). Ezért (7.6)-ből
f (y) − f (u) ≥ 0,
vagyis u valóban minimumpont.
32
7.4. Feladatok
7.4.1. Feladat. √ Mutassa
√ meg, hogy az alábbi feladat konvex programozási feladat, teljesı́ti a Slater
feltételt és a ( 2/2, − 2/2) pontban teljesülnek a a Kuhn-Tucker optimalitási feltételek. Határozza
meg a megfelelő Lagrange szorzókat.
y → min
x + y2
2
≤ 1
−x + y 2 ≤ 0
x+y ≥ 0
7.4.2. Feladat. Ellenőrizze az alábbi feladatokra a Slater feltételt és a Kuhn-Tucker feltételek
teljesülését az adott pontban
1.)
y → max
x2 + 3y ≤ 3
2x + 3y ≤ 4
x, y ≥ 0
u∗ = (x∗ , y∗ ) = (0, 1).

2.)
xy → max
x + y2
2
≤ 100
x+y ≤ 14
x, y ≥ 0
u∗ = (x∗ , y∗ ) = (7, 7).

3.)
−x + y → min
x + y 2 + 2x ≤ 1
2
|x| ≤ 1
|y| ≤ 1
u∗ = (x∗ , y∗ ) = (0, −1).

4.)
y → max
x2 + 3y ≤ 3
2x + 3y ≤ 4
x, y ≥ 0
u∗ = (x∗ , y∗ ) = (0, 1).
33
7.5. Megengedett irányok módszere
A 7.1.3 tétel alkalmas arra, hogy segı́tségével megoldási módszert konstruáljunk. Ehhez ugyanis
csak a (7.3)-(7.6) rendszer (s, σ) megoldásait kell megkeresnünk és σ előjelét vizsgálnunk. Vegyük
azonban észre, hogy ha (s, σ) egy megoldása (7.3)-(7.6)-nak, akkor (αs, ασ) is az ∀α ≥ 0 esetén.
Ezért elegendő az a normában felülről korlátozott megengedett/csökkenési irányokat vizsgálni.
Minthogy a (7.3)-(7.6) rendszer (s, σ)-ban lineáris, célszerű az Rn -beli maximum-normát al-
kalmazni, hogy a rendszer linearitását ne rontsuk el, azaz legyen ||s|| = max |si |, ahol s =
i=1,...,n
(s1 , . . . , sn ) ∈ Rn . Ezzel az (7.3)-(7.6) rendszer az
max |si | ≤ 1
i=1,...,n
feltétellel bővül, ami ekvivalens a

− 1 ≤ si ≤ 1, i = 1, . . . , n (7.1)
feltételrendszerrel.
Algoritmus:
1.lépés: (Inicializálás) Legyen k := 1, és választunk egy u1 ∈ U pontot.

2.lépés: Meghatározzuk az aktı́v feltételek I(uk ) ∪ J1 (uk ) ∪ J2 indexhalamazát.
3.lépés: Megoldjuk a
σ → max
0
hf (uk ), si + σ ≤ 0,
hgi0 , si + σ ≤ 0, (i ∈ I(uk )),
haj , si ≤ 0, (j ∈ J1 (uk )),
haj , si = 0, (j ∈ J2 ),
−1 ≤ si ≤ 1, (i = 1, . . . , n)
lineáris programozási feladatot.
• Ha σ = 0, akkor KÉSZ. u∗ = uk kielégı́ti a Fritz-John szükséges feltételt.
• Ha σ = 0 és még a gi0 (uk ), i ∈ I(uk ), aj , j ∈ J1 (uk ) ∪ J2 vektorrendszer lineárisan

független, akkor u∗ = uk kielégı́ti a Kuhn Tucker szükséges feltételt.
• Ha a megoldandó feladat konvex és teljesı́ti a Slater feltételt, akkor u∗ = uk optimális.

• Ha σ ≥ 0, akkor s megengedett csökkenési irány, GOTO 4. lépés.
4.lépés: uk+1 := uk + εs az ε > 0 olyan választásával, hogy f (uk+1 ) ≤ f (uk ) legyen
(pl. ε ∈ argmin f (uk + εs)). GOTO 2. lépés.
ε>0
34
7.6. Feladatok
7.6.1. Feladat. Határozza meg az alábbi halmazoknak az adott u0 pontokhoz legközelebbi nemne-
gatı́v koordinátájú pontját megengedett irányok módszerével az optimumponttól különböző kezdő-
pontból kiindulva:
1.) U = {u = (x, y) ∈ R2 : 2x + y ≤ 4, x + y ≤ 1}
u0 = (2, 0).
2.) U = {u = (x, y) ∈ R2 : x − 2y ≤ 6, −2x + y ≤ 6}
u0 = (1, 3).
3.) U = {u = (x, y) ∈ R2 : x − 2y ≤ 4, x + y ≥ 5}
u0 = (1, 0).
7.6.2. Feladat. Az alábbi feladatokra a megengedett irányok módszerével az adott u0 = (x0 , y0 )

pontból kiindulva hajtson végre egy teljes iterációs lépést, majd ı́rja fel a második megengedett irányt
meghatározó feladatot!
1.)
x2 + y 2 − 4x + 4 → min
x−y+3 ≥ 0
−x2 + y − 1 ≥ 0
x, y ≥ 0
u0 = (2, 5).
2.)
x2 + xy + 2y 2 − 6x − 2y − 12z → min
x+y+z = 2
−x + 2y ≤ 3
x, y, z ≥ 0
u0 = (1, 0, 1).
3.)
x2 + xy + 2y 2 − 6x − 2y − 12z → min
2x2 + y 2 ≤ 15
−x + 2y + z ≤ 3
x, y, z ≥ 0
u0 = (1, 1, 1).
4.)
(x − 2)2 + (y − 1)2 → min

x2 − y ≤ 0
−x + 2y = 1
u0 = (1, 1).
35
7.7. Nyeregpontfeltételek
Legyenek a továbbiakban I = {1, . . . , m}, J1 = {m + 1, . . . , p} és J2 = {p + 1, . . . , s} a korlátozó
feltételek indexhalmazai, G1 = (g1 , . . . , gm ), G2 = (gm+1 , . . . , gp ) és G1 = (gp+1 , . . . , gs ) a korlátozó
feltételek vektorfüggvényei, azaz legyen
U = {u ∈ Rn : G1 (u) ≤ 0, G2 (u) = A1 u − b1 ≤ 0, G3 (u) = A2 u − b2 = 0}, (7.1)

ahol A1 és A2 (p − m) × n ill. (s − p) × n tı́pusú mátrixok, b1 ∈ Rp−m , b2 ∈ Rs−p . (0 mindenütt
a megfelelő méretű nullvektort jelöli.)
Legyen Λ = {(λ, µ, ϑ) ∈ Rm × Rp−m × Rs−p : λ ≥ 0, µ ≥ 0}.
7.7.1. Definı́ció. Az
f (u) → min (7.2)
u∈U
feladathoz rendelt L : Rn × Λ → R Lagrange függvény:

L(u, λ, µ, θ) = f (u) + hλ, G1 (u)i + hµ, G2 (u)i + hϑ, G3 (u)i. (7.3)
7.7.2. Definı́ció. Az (u∗ , λ∗ , µ∗ , ϑ∗ ) ∈ Rn × Λ az L(u, λ, µ, ϑ) Lagrange függvény nyeregpontja az

Rn × Λ halmazon, ha minden u ∈ Rn és (λ, µ, ϑ) ∈ Λ esetén
L(u∗ , λ, µ, ϑ) ≤ L(u∗ , λ∗ , µ∗ , ϑ∗ ) ≤ L(u, λ∗ , µ∗ , ϑ∗ ). (7.4)
7.7.1. Tétel. Ahhoz, hogy az(u∗ , λ∗ , µ∗ , ϑ∗ ) ∈ Rn ×Λ nyeregponja legyen a (7.2)-(7.1) nemlineáris

programozási feladatnak, szükséges, hogy teljesüljenek az alábbi feltételek:
L0u (u∗ , λ∗ , µ∗ , ϑ∗ ) = 0, (7.5)
L0λ (u∗ , λ∗ , µ∗ , ϑ∗ ) = G1 (u∗ ) ≤ 0, (7.6)
L0µ (u∗ , λ∗ , µ∗ , ϑ∗ ) = G2 (u∗ ) = A1 u∗ − b1 ≤ 0, (7.7)
L0ϑ (u∗ , λ∗ , µ∗ , ϑ∗ ) = G3 (u∗ ) = A2 u∗ − b2 = 0, (7.8)
hλ∗ , G1 (u∗ )i = 0, (7.9)
hµ∗ , G2 (u∗ )i = hµ∗ , A1 u∗ − b1 i = 0. (7.10)
Ha a (7.2)-(7.1) feladat konvex programozási feladat, akkor a (7.5)-7.10) feltételek elégségesek is.
Bizonyı́tás.
Szükségesség. A (7.4) nyeregpontfeltétel jobboldali egyenlőtlenségéből az
u = (u1∗ , . . . , uk−1∗ , uk , uk+1∗ , . . . , un∗ )
választással a
L(u1∗ , . . . , uk−1∗ , uk∗ , uk+1∗ , . . . , un∗ , λ∗ , µ∗ , ϑ∗ ) ≤
L(u1∗ , . . . , uk−1∗ , uk , uk+1∗ , . . . , un∗ , λ∗ , µ∗ , ϑ∗ ) ∀uk ∈ R
azaz L(u1∗ , . . . , uk−1∗ , uk , uk+1∗ , . . . , un∗ , λ∗ , µ∗ , ϑ∗ ) , mint uk függvénye az uk∗ pontban veszi fel
a minimumát. (7.5) az optimalitás szükséges feltétele.
36
A (7.4) feltétel baloldalából
hλ − λ∗ , G1 (u∗ )i + hµ − µ∗ , G2 (u∗ )i + hϑ − ϑ∗ , G3 (u∗ )i ≤ 0 ∀(λ, µ, ϑ) ∈ Λ. (7.11)
Legyen λ = λ∗ + ek , ahol ek az Rm tér k. egységvektora és legyen továbbá µ = µ∗ és ϑ = ϑ∗ .
Akkor (7.11)-ból a
gk (u∗ ) ≤ 0
egyenlőtlenséget kapjuk, és ez igaz minden k = 1, . . . , m-re, azaz (7.6) teljesül.
Hasonló technikával, ha µ = µ∗ + ek , ahol ek az Rp−m tér k. egységvektora, továbbá λ = λ∗ és
ϑ = ϑ∗ , akkor ∀k = m + 1, . . . , p esetén
hak , u∗ i − bk ≤ 0,
azaz fennáll (7.7).
Végül, ha ϑ = ϑ∗ ± ek , ahol ek az Rs−p tér k. egységvektora, továbbá λ = λ∗ és µ = µ∗ , akkor
∀k = p + 1, . . . , s-re
hak , u∗ i − bk ≤ 0,
−(hak , u∗ i − bk ) ≤ 0.
Ezzel (7.8)-t is igazoltuk.
Figyelembe véve λ és µ nemnegativitását, valamint a már belátott (7.6), (7.7) és (7.8) állı́táso-
kat, a
hλ∗ , G1 (u∗ )i ≤ 0,
hµ∗ , G2 (u∗ )i = hµ∗ , A1 u∗ − b1 i ≤ 0.
egyenlőtlenségeket kapjuk. Másrészt a (7.11) feltételből λ = 0, µ = 0, ϑ = 0 választással
hλ∗ , G1 (u∗ )i + hµ∗ , G2 (u∗ )i + hϑ∗ , G3 (u∗ )i ≥ 0
adódik, ami az összeadandók bármelyikének negatı́vitása mellett nem lehetséges, vagyis teljesülnie
kell a (7.9) és (7.10) feltételeknek.
Elégségesség. Tegyük fel, hogy a (7.2)-(7.1) feladat konvex és (u∗ , λ∗ , µ∗ , ϑ∗ ) ∈ Rn × Λ teljesı́ti
az (7.5)-(7.10) feltételeket.
Mivel az f (u), gi (u)(i = 1, . . . , s) függvények konvexek, az L(u, λ∗ , µ∗ , ϑ∗ ) Lagrange függvény
is konvex u-ban, és a konvexitás elsőrendű feltételét, valamint a (7.5) feltételt felhasználva
L(u, λ∗ , µ∗ , ϑ∗ ) ≥ L(u∗ , λ∗ , µ∗ , ϑ∗ ) + hL0u (u∗ , λ∗ , µ∗ , ϑ∗ ), u − u∗ i ≥ L(u∗ , λ∗ , µ∗ , ϑ∗ ),
| {z }
≥0
azaz (7.4) feltétel jobboldala teljesül.

Az L(u∗ , λ, µ, ϑ) Lagrange függvény lineáris (λ, µ, ϑ)-ban, ı́gy felhasználva a (7.6)-(7.10) feltét-
eleket:
L(u∗ , λ, µ, ϑ) = L(u∗ , λ∗ , µ∗ , ϑ∗ ) + hL0λ (u∗ , λ∗ , µ∗ , ϑ∗ ), λ − λ∗ i +

hL0µ (u∗ , λ∗ , µ∗ , ϑ∗ ), µ − µ∗ i + hL0ϑ (u∗ , λ∗ , µ∗ , ϑ∗ ), ϑ − ϑ∗ i
= L(u∗ , λ∗ , µ∗ , ϑ∗ ) +
hG1 (u∗ ), λ − λ∗ i + hG2 (u∗ ), µ − µ∗ i + hG3 (u∗ ), ϑ − ϑ∗ i
= L(u∗ , λ∗ , µ∗ , ϑ∗ ) +
λ i + hG2 (u∗ ), µ i + hG3 (u∗ ), ϑi −
hG1 (u∗ ), |{z}
| {z } | {z } |{z} | {z }
≤0 ≥0 ≤0 ≥0 =0
(hG1 (u∗ ), λ∗ i + hG2 (u∗ ), µ∗ i + hG3 (u∗ ), ϑ∗ i)

| {z } | {z } | {z }
=0 =0 =0
∗ ∗ ∗
≤ L(u∗ , λ , µ , ϑ ),
37
azaz a (7.4) feltétel baloldali egyenlőtlensége is igaz.
7.7.2. Tétel. Ha az (u∗ , λ∗ , µ∗ , ϑ∗ ) ∈ Rn ×Λ nyeregpontja a (7.2)-(7.1) feladathoz rendelt Lagran-

ge függvénynek az Rn × Λ halmazon, akkor u∗ ∈ U∗ = {u∗ ∈ U : f (u∗ ) = inf f (u)}. Ha (7.2)-(7.1)
u∈U
konvex programozási feladat, és teljesı́ti a Slater regularitási feltételt, akkor a feltétel szükséges is.
Bizonyı́tás.
Szükségesség. Legyen (u∗ , λ∗ , µ∗ , ϑ∗ ) ∈ Rn × Λ nyeregpontja a (7.2)-(7.1) feladathoz rendelt La-
grange függvénynek az Rn ×Λ halmazon. Akkor szükséges a (7.6)-(7.8) feltételek teljesülése, vagyis
u∗ ∈ U , továbbá a nyeregpontfeltétel jobboldala teljesül minden u ∈ U -ra, ı́gy ∀u ∈ U esetén
L(u∗ , λ∗ , µ∗ , ϑ∗ ) = f (u∗ ) ≤ L(u, λ∗ , µ∗ , ϑ∗ )
= f (u) + hG1 (u∗ ), |{z}
λ i + hG2 (u∗ ), µ i + hG3 (u∗ ), ϑi ≤ f (u)
| {z } | {z } |{z} | {z }
≤0 ≥0 ≤0 ≥0 =0
Elégségesség. Mint láttuk korábban, a Slater feltételt teljesı́tő konvex programozási feladatra a
7.3.2. Tétel feltételei elégségesek is ahhoz, hogy egy u∗ ∈ U pont optimális legyen. Ezek a feltételek
ekvivalensek a (7.5)-(7.10) feltételekkel.
38
7.8. Feladatok
7.8.1. Feladat. Tekintsük a
−u → min
u∈U
U = {u ∈ R : u ≥ 0, u2 ≤ 0};
feladatot. Mutassuk meg, hogy a feladathoz rendelt Lagrange függvénynek nincs nyeregpontja.
7.8.2. Feladat. Tekintsük az

u → min
u∈U
U = {u ∈ R : u ≥ 0, u2 ≤ 0}
feladatot. Mutassuk meg, hogy a feladathoz rendelt Lagrange függvénynek (0, 1, λ∗2 ) nyeregpontja
∀λ∗2 ≥ 0 esetén .
7.8.3. Feladat. Tekintsük az

|u|2 → min
u∈U
U = {u ∈ R : |u|2 − 1 ≤ 0}
feladatot. Mutassuk meg, hogy u∗ = 0, λ∗ = 0 nyeregpont.
7.8.4. Feladat. Nyeregpont-e az

y → min
x + y2
2
≤ 1
−x + y 2 ≤ 0
x+y ≥ 0
√ √ √ √
feladatra (u∗ , λ∗ ), ha u∗ = ( 22 , − 22 ), λ∗ = (1 + 22 , 2 + 1, 0)?
39
8. A lineáris komplementaritási feladat megoldása
Legyen M tetszőleges p × p mátrix, és q ∈ Rp . Keressük olyan w, z ∈ Rp vektorokat, amelyek
kielégı́tik a
w − Mz = q (8.1)
wj ≥ 0, zj ≥ 0 (j = 1, . . . , p) (8.2)
wj zj = 0, (j = 1, . . . , m) (8.3)
rendszert.
A (wj , zj ) változókat komplementáris változóknak nevezzük.
8.1. Definı́ció. A (w, z) pár tökéletes megengedett bázis megoldása a (8.1-8.3) feladatnak,
ha kielégı́tik (8.1-8.2)-t és minden j-re a (wj , zj ) párnak pontosan az egyik komponense bázisbeli.
Ha qi ≥ 0 ∀i = 1, . . . , p, akkor (8.1-8.3)-nak nyilvánvalóan megoldása a w = q, z = 0 pár.
Ha legalább egy j ∈ {1, . . . , p}-re qj < 0), akkor az eredeti feladat megoldása helyett keressük
a (w, z, z0 ) megoldását a
w − Mz − 1z0 = q (8.4)
wj ≥ 0, zj ≥ 0 (j = 1, . . . , p) (8.5)
wj zj = 0, (j = 1, . . . , m) (8.6)
rendszernek, ahol 1 = {1, . . . , 1}.

Nyilvánvalóan,
z0 = − min qi , z = 0, w = q + z0 1 (8.7)
i=1,...,p
egy megengedett megoldása a (8.4)-(8.6) rendszernek. Megfelelő bázistranszformációkkal meg-

kisérelünk olyan megengedett megoldást keresni, ahol z0 = 0 teljesül.
8.2. Definı́ció. A (w, z, z0 ) hármas majdnem tökéletes megengedett bázis megoldása a

(8.4-8.6) feladatnak, ha
1. kielégı́ti (8.4-8.5)-t;
2. létezik olyan 1 ≤ s ≤ p, hogy sem zj , sem wj nem bázisbeli;
3. minden j 6= s-re a (wj , zj ) párnak pontosan az egyik komponense bázisbeli.
A definı́cióból következik, hogy majdnem tökéletes megengedett bázis megoldás esetén z0 bá-
zisbeli kell legyen. Másrészt az is látszik, hogy (8.7) egy majdnem tökéletes megengedett bázis
megoldás.
A (w, z, z0 ) majdnem tökéletes megengedett bázis megoldás szomszédos majdnem tökéletes
megengedett bázis megoldásához úgy juthatunk, hogy a bázisban eddig nem szereplő (ws , zs )
párból valamelyiket bevonjuk a bázisba, feltéve, hogy ezzel z0 nem kerül ki a bázisból.
A Lemke algoritmus alapgondolata a következő: (8.7) majdenem tökéletes megengedett bázis

megoldásból kiindulva bázistranszformációkkal szomszédos majdenem tökéletes megengedett bázis
megoldásokon haladva javı́tjuk a megoldást.
40
Algoritmus:
1.lépés: Ha qi ≥ 0 ∀i = 1, . . . , p, akkor w = q, z = 0 megoldás. KÉSZ!

Ha ∃i ∈ {1, . . . , p}, melyre qi < 0, akkor az induló majdenem tökéletes megengedett bázis
megoldás előállı́tása: Legyen qs = − min qi . A z0 oszlopából az s-edik elemet választva
i=1,...,p
pivot elemként, a ws -t kivonjuk a bázisból, s helyére z0 kerül.
k.lépés: ((k > 1)) Jelölje vs a (k − 1)-dik lépésben a bázisból kivont változót és ys annak a
párját. Most ys -t (ami szintén nincs a bázisban) kell bevonnunk a bázisba, ha ez lehetséges.
Jelölje a (k − 1)-dik lépésben kapott szimplex táblában az ys -nek megfelelő oszlopvektort ds ,
a transzformált jobboldali vektort pedig q.
A következő esetek lehetségesek:

• Ha ∃i ∈ {1, . . . , p}, melyre dis > 0, akkor legyen

qr qi
= min : dis > 0
drs i=1,...,p dis
– Ha az r-edik sor a bázisban valamelyik w- vagy z-komponensnek felel meg, akkor a

bázistranszformációt a drs pivot elemmel végrehajtva, ez lesz ebben a lépésben a bázisból
kivont vs változó. k := k + 1-gyel megismételjük a k-dik lépést.
– Ha az r-edik sor a bázisban a z0 változónak felel meg, akkor a z0 változót kivonva a
bázisból egy tökéletes megengedett bázist kapunk és megállunk.
• Ha dis ≤ 0 ∀i ∈ {1, . . . , p}, akkor egy
R = {(w, z, z0 ) + λ(ew , ez , ez0 ), λ ≥ 0}
végtelen sugárhoz jutunk. Itt az e = (ew , ez , ez0 ) végtelen irányvektor koordinátáit a követ-
kezőképpen kapjuk meg:

 1, az ys -nek megfelelő sorban
ej = −dis , az i-edik bázisváltozó sorában .
0, egyébként

A következő két példa az algoritmus menetét illusztrálja a két különböző leállás esetén.
1. példa
   
0 0 −1 −1 2
 0 0 1 −2   2 
M =
 1 −1
, q= 
2 −2   −2 
1 2 −2 4 −6
0.lépés: Induló szimplex tábla
w1 w2 w3 w4 z1 z2 z3 z 4 z0 q
d1 d2 d3 d4 d5 d6 d7 d8 d9
w1 1 0 0 0 0 0 1 1 −1 2
w2 0 1 0 0 0 0 −1 2 −1 2
w3 0 0 1 0 −1 1 −2 2 −1 −2
w4 0 0 0 1 −1 −2 2 −4 -1 −6
41
Induló bázis: B = {w1 , w2 , w3 , w4 }
be ki
^
(z0 −→ B) ( min qi = q4 ) =⇒ B −→ w4
1≤i≤4
Pivot elem: d49

1.lépés: Új szimplex tábla
w1 w2 w3 w4 z1 z2 z3 z4 z 0 q
d1 d2 d3 d4 d5 d6 d7 d8 d9
w1 1 0 0 −1 1 2 −1 5 0 8
w2 0 1 0 −1 1 2 −3 6 0 8
w3 0 0 1 −1 0 3 −4 6 0 4
z0 0 0 0 −1 1 2 −2 4 1 6
Aktuális bázis: B = {w1 , w2 , w3 , z0 }
be
^ qi q3 ki
(z4 −→ B) ( min = ) =⇒ B −→ w3
1≤i≤4
di8 >0
di8 d38
Pivot elem: d38

w1 w2 w3 w4 z1 z2 z3 z4 z0 q
d1 d2 d3 d4 d5 d6 d7 d8 d9
w1 1 0 − 56 − 16 1 − 12 7
3 0 0 14
3
w2 0 1 −1 0 1 −1 1 0 0 4
1
z4 0 0 6 − 16 0 1
2 − 23 1 0 2
3
2
z0 0 0 −3 − 13 1 0 2
3 0 1 10
3
Aktuális bázis: B = {w1 , w2 , z4 , z0 }
be
^ qi q1 ki
(z3 −→ B) ( min = ) =⇒ B −→ w1
{1≤i≤4
di7 >0
di7 d17
Pivot elem: d17

w1 w2 w3 w4 z1 z2 z 3 z4 z0 q
d1 d2 d3 d4 d5 d6 d7 d8 d9
3 5 1 3 3
z3 7 0 − 14 − 14 7 − 14 1 0 0 2
w2 − 37 9
1 − 14 1
14
4
7 − 11
14 0 0 0 2
2 1 3 2 5
z4 7 0 − 14 − 14 7 14 0 1 0 2
z0 − 27 0 − 37 − 72 5
7
1
7 0 0 1 2
42
Aktuális bázis: B = {w1 , w2 , z4 , z0 }
be
^ qi q4 ki
(z1 −→ B) ( min = ) =⇒ B −→ z0
1≤i≤4
di5 >0
di5 d45
Pivot elem: d45

4.lépés: Végső szimplex tábla
w1 w2 w3 w4 z1 z2 z 3 z4 z0 q
d1 d2 d3 d4 d5 d6 d7 d8 d9
3 1 1 3
z3 5 0 − 10 10 0 − 10 1 0 − 35 4
5
w2 − 15 3
1 − 10 3
10
9
0 − 10 0 0 − 45 2
5
2 1 1 3
z4 5 0 10 − 10 0 10 0 1 − 25 6
5
z1 − 25 0 − 35 − 25 1 1
5 0 0 7
5
14
5
Megoldás:
(w, z) = (w1 , w2 , w3 , w4 , z1 , z2 , z3 , z4 ) =
2 14
(0, 5, 0, 0, 5 , 0, 45 , 65 )
2. példa
   
0 0 1 −1 1
 0 0 −1 2   4 
M =
 −1
, q= 
1 2 −2   −2 
1 −2 −2 2 −4
0.lépés: Induló szimplex tábla
w1 w2 w3 w4 z1 z2 z3 z4 z0 q
d1 d2 d3 d4 d5 d6 d7 d8 d9
w1 1 0 0 0 0 0 −1 1 −1 1
w2 0 1 0 0 0 0 1 −2 −1 4
w3 0 0 1 0 1 −1 −2 2 −1 −2
w4 0 0 0 1 −1 2 2 −2 -1 −4
Induló bázis: B = {w1 , w2 , w3 , w4 }
be ki
^
(z0 −→ B) ( min qi = q4 ) =⇒ B −→ w4
1≤i≤4
Pivot elem: d49
43
w1 w2 w3 w4 z1 z2 z3 z4 z0 q
d1 d2 d3 d4 d5 d6 d7 d8 d9
w1 1 0 0 −1 1 −2 −3 3 0 5
w2 0 1 0 −1 1 −2 −1 0 0 8
w3 0 0 1 −1 2 −3 −4 4 0 2
z0 0 0 0 −1 1 −2 −2 2 1 4
Aktuális bázis: B = {w1 , w2 , w3 , z0 }
be
^ qi q3 ki
(z4 −→ B) ( min = ) =⇒ B −→ w3
1≤i≤4
di8 >0
di8 d38
Pivot elem: d38
w1 w2 w3 w4 z1 z2 z3 z4 z0 q
d1 d2 d3 d4 d5 d6 d7 d8 d9
w1 1 0 − 34 − 14 − 12 1
4 0 0 0 7
2
w2 0 1 0 −1 1 −2 −1 0 0 8
1
z4 0 0 4 − 14 1
2 − 34 −1 1 0 1
2
1
z0 0 0 −2 − 12 0 − 12 0 0 1 3
be
z3 −→ B
de
{i : di7 > 0} = ∅
Végtelen sugár:
R= { ( w1 , w2 , w3 , w4 , z1 , z2 , z3 , z4 , z0 ) +
λ( ew1 , ew2 , ew3 , ew4 , ez1 , ez2 , ez3 , ez4 , ez0 ) =
( w1 , w2 , 0, 0, 0, 0, 0, z4 , z0 ) +
λ( −d17 , −d27 , 0, 0, 0, 0, 1, −d37 , −d47 ) =
7 1
( 2, 8, 0, 0, 0, 0, 0, 2, 3) +
λ( 0, 1, 0, 0, 0, 0, 1, 1, 0) : λ ≥ 0}
A Lemke algoritmus végességét mondja ki a következő
8.1. Tétel. Tegyük fel, hogy (8.4)-(8.6) minden majdnem tökéletes megengedett bázisa nemdege-
nerált (azaz minden bázisbeli elem pozitı́v). Akkor a Lemke algoritmus véges számú lépésben befeje-
ződik, miközben az iterációk során egyetlen generált majdnem tökéletes megengedett bázismegoldás
sem ismétlődik.
44
Bizonyı́tás.
Jelölje (w, z, z0 )k , k = 1, 2, . . . a k. iterációban generált majdnem tökéletes megengedett bázist.
Mivel a feladatról feltételeztük a nemdegeneráltságot, a lehetséges majdnem tökéletes megengedett
bázisok száma véges, ı́gy az algoritmus végességéhez elegendő belátnunk, hogy egyetlen majdnem
tökéletes megengedett bázis sem ismétlődik meg.
Tegyük fel az ellenkezőjét. Legyen (w, z, z0 )k az első olyan majdnem tökéletes megengedett
bázis, amely már szerepelt egy korábbi iterációban. Jelölje ennek az iterációnak az indexét k − α,
azaz legyen (w, z, z0 )k = (w, z, z0 )k−α . A nemdegeneráltsági feltételből, valamint az algoritmus
konstrucciójából következik, hogy α > 2. Vegyük ugyanis észre, hogy az induló majdnem tökéletes
megengedett bázisnak egy, minden többinek két szomszédos majdnem tökéletes megengedett bázisa
van. Az első esetben a ws bevonásával, a második esetben vagy a ws vagy a zs bevonáával
kaphatunk szomszédos majdnem tökéletes megengedett bázist. Mivel (w, z, z0 )k−1 szomszédos
(w, z, z0 )k -val, ı́gy szomszédos (w, z, z0 )k−α -val is.
Ha k − α = 1, akkor annak csak egy szomszédja van, ı́gy (w, z, z0 )k−1 = (w, z, z0 )k−α+1 , azaz
lenne a k. iteráció előtt ismétlődés, ami ellentmondás.
Legyen k − α > 1. Mivel (w, z, z0 )k−1 szomszédos (w, z, z0 )k−α -val, ı́gy vagy (w, z, z0 )k−1 =
(w, z, z0 )k−α−1 , vagy (w, z, z0 )k−1 = (w, z, z0 )k−α+1 , azaz ebben az esetben is lenne a k. iteráció
előtt ismétlődés, ami ellentmondás.
Az alábbi tételben vizsgáljuk a végtelen irány tulajdonságait.
8.2. Tétel. Tegyük fel, hogy (8.4)-(8.6) minden majdnem tökéletes megengedett bázisa nemdege-
nerált és a Lemke algoritmus
R = {(w, z, z0 ) + λ(ew , ez , ez0 ), λ ≥ 0}
végtelen sugár megtalálásával fejeződik be, ahol (w, z, z0 ) majdnem tökéletes megengedett bázis és
(ew , ez , ez0 ) a végtelen irányvektor. Akkor fennállnak a következő összefüggések:
1.) (ew , ez , ez0 ) 6= (0, 0, 0), ew , ez , ez0 ≥ 0;
2.) ew − Mez − 1ez0 = 0;
3.) hw, zi = hw, ez i = hew , zi = hew , ez i = 0;
4.) ez 6= 0;
5.) hez , Mez i = −h1, ez iez0 .
Bizonyı́tás.
1.) és 2.) közvetlenül adódik a végtelen irány definiciójából.
A végtelen sugár minden pontja kielégı́ti a komplementaritási feltételt, ezért
hw + λew , z + λez i = 0 ∀λ ≥ 0.
Elvégezve a szorzást, valamennyi összeadandó zérus kell legyen, figyelembe véve a változók nem-
negativitását. Ez 3.) teljesülését jelenti.
Tegyük fel, hogy ez = 0. Ekkor 2.) miatt csak ez0 > 0 lehet, mert ellenkező esetben ew = 0 is
teljesülne, ami ellentmondana a (ew , ez , ez0 ) 6= (0, 0, 0) feltételnek. Ugyancsak 2.)-ből ew = 1ez0 .
Ezt skalárisan z-vel szorozva és felhasználva 3.)-t
0 = hew , zi = hz, 1iez0 .

Innét hz, 1i = 0. Mivel z ≥ 0, ez csak z = 0 mellett leheséges. Figyelembe véve a feladat feltétele-
zett nemdegeneráltságát, ez azt jelenti, hogy z egyetlen koordinátája sem bázisbeli. Minthogy z0
45
bázisbeli, ı́gy w-nek p − 1 bázisbeli koordinátája van. w − Mz − 1z0 = q-ból és z = 0-ból követke-
zik, hogy ez akkor teljesül, ha z0 = − min qi , vagyis ha a kezdő majdnem tökéletes megengedett
i=1,...,p
bázisunk van. Ez viszont ellentmond annak, hogy a majdnem tökéletes megengedett bázisok nem
ismétlődnek. Így ez = 0 nem lehet igaz.
Végezetül, az ew − Mez − 1ez0 = 0 egyenletet skalárisan ez -vel szorozva és felhasználva, hogy
hez , ew i = 0, valamint ez , ez0 ≥ 0 kapjuk, hogy hez , Mez i = −hez , 1iez0 ≤ 0.
A továbbiakban azt vizsgáljuk, hogy milyen feltételek mellett lehet eldönteni, hogy a kapott
megoldás optimális-e? Ehhez az M mátrixok egy speciális osztályára van szükségünk.
8.3. Definı́ció. Legyen M (p × p) tı́pusú mátrix. Azt mondjuk, hogy M kopzitı́v, ha

hz, Mzi ≥ 0 ∀z ≥ 0. (8.8)
M kopozitı́v-plusz, ha kopozitı́v és
z ≥ 0, hz, Mzi = 0 =⇒ (M + MT )z = 0. (8.9)
Az alábbi állı́tások a mátrixok kopozitı́v ill. kopozitı́v-plusz tulajdonságára ad meg kritériumot.
8.3. Tétel. Legyen M nemnegatı́v elemű mátrix. Akkor M kopozitı́v. Ha a nemnegatı́v elemű
mátrix fődiagonálisában az elemek pozitı́vak, akkor M kopozitı́v-plusz.
Bizonyı́tás.
Mivel M nemnegatı́v, minden z ≥ 0-ra Mz ≥ 0, ı́gy ugyancsak teljesül a hz, Mzi ≥ 0 feltétel.
Ha M diagonális elemei pozitı́vak, akkor az Mz és MT z vektorok mindegyikének van legalább
egy pozitı́v komponense minden z ≥ 0 esetén, ha z 6= 0. Nevezetesen, ha z i. koordinátája pozitı́v,
akkor Mz i. koordinátája is pozitı́v. Ha tehát hz, Mzi = 0 valamely z ≥ 0 esetén, akkor z = 0 és
az (M + MT )z = 0 triviálisan teljesül.
8.4. Tétel. Ha az M pozitı́v szemidefinit mátrix, akkor kopozitı́v. Ha M még szimmetrikus is,
akkor kopozitı́v-plusz tulajdonságú is.
Bizonyı́tás.
A pozitı́v szemidefinitség automatikusan maga után vonja a kopozitivitást, mivel a kivánt hz, Mzi ≥
0 feltétel teljesül minden z-re, ı́gy z ≥ 0-ra is.
Ha M szimmetrikus szemidefinit mátrix, akkor a kopozitı́v-plusz tulajdonság belátásához elég
belátni, hogy
hz, Mzi = 0 =⇒ Mz = 0.
Jelölje d = Mz. A pozitı́v szemidefinitségből következik, hogy
hz − λd, M(z − λd)i ≥ 0 ∀λ > 0,
azaz
0 ≤ hzMzi − λhd, Mzi − λhz, Mdi + λ2 hd, Mdi = −λ(2||d||2 + λhd, Mdi).
λ > 0-val osztva és a λ ↓ 0 határátmenettel 0 ≤ −||d||2 ≤ 0, amiből következik, hogy d = Mz = 0.
46
Legyenek M1 , M2 és A m × m, p × p ill. p × m tı́pusú mátrixok és legyen M =
8.5. Tétel.
M1 AT

(m + p) × (m + p) tı́pusú mátrix. Akkor
−A M2
1.) ha M1 és M2 kopozitı́vak, akkor M is az;
2.) ha M1 és M2 kopozitı́v-plusz tulajdonságú, akkor M is az.
Bizonyı́tás.
x
1.) Legyen z = ≥ 0, ahol az x ≥ 0, y ≥ 0 az M1 és M2 mátrixoknak megfelelő particionálása
y
z-nek. Ekkor M1 és M2 kopozitı́vitása miatt
hz, Mzi = hx, M1 xi + hx, AT yi − hy, Axi + hy, M2 yi
= hx, M1 xi + hy, M2 yi ≥ 0.
2.) Ha hz, Mzi = hx, M1 xi + hy, M2 yi = 0 valamely z ≥ 0-ra, akkor M1 és M2 kopozitı́vitása
miatt hx, Mxi = 0 és hy, Myi = 0. Az M1 és M2 mátrixok kopozitı́v-plusz tulajdonsága miatt
M1 + MT1 (M1 + MT1 )x

0 x 0
(M + MT )z = = = .
0 M2 + MT2 y (M2 + MT2 )y 0
8.6. Tétel. Tegyük fel, hogy a (8.4)-(8.6) lineáris komplementaritási feladat nemdegenerált és az
M mátrix kopozitı́v-plusz tulajdonságú.
1.) A Lemke algoritmus pontosan akkor határoz meg egy végtelen sugarat, ha a (8.1)-(8.2) rendszer
inkonzisztens.
2.) A Lemke algoritmus az eredeti (8.1)-(8.3) tökéletes bázismegoldásával pontosan akkor fejeződik
be, ha a (8.1)-(8.2) rendszer konzisztens.
Bizonyı́tás.
A tétel feltételei mellett a Lemke algoritmusnak pontosan két megállási lehetősége van.
1) Nyilvánvaló, ha a (8.1)-(8.2) rendszer inkonzisztens, akkor nem fejeződhet be az algoritmus
az eredeti feladat tökéletes megengedett bázisával.
Tegyük fel, hogy az algoritmus az R = (w, z, z0 ) + λ(ew , ez , ez0 ), λ ≥ 0 sugárral fejeződik
be, ahol (w, z, z0 ) majdnem tökéletes megengedett bázis, (ew , ez , ez0 ) pedig végtelen irány. A 8.2.
Tétel szerint
ez ≥ 0, ez 6= 0, hez , Mez i = −h1, ez iez0 ≤ 0,
másrészt M kopozitı́vitása miatt hez , Mez i ≥ 0, ı́gy 0 = hez , Mez i = −h1, ez iez0 . Innét következik,
hogy ez0 = 0, mivel ez 6= 0. Ez a 8.2. Tétel 2.) állı́tásával együtt a 0 ≤ ew = Mez összefüggéshez
vezet. Felhasználva mindezeket, valamint az M mátrix kopozitı́v-plusz tulajdonságát és azt a tényt,
hogy (w, z, z0 ) majdnem tökéletes megengedett bázis, a következő összefüggéseket kapjuk:
0 = hw, ez i = hq + Mz + 1z0 , ez i
= hq, ez i + hz, MT ez i + h1, ez iz0
= hq, ez i − hz, Mez i + h1, ez iz0
> hq, ez i − hz, ew i = hq, ez i
A fentiek azt jelentik, hogy az
MT y = −My ≤ 0
−y ≤ 0
hq, yi < 0
47
rendszernek van megoldása, nevezetesen y = ez . Akkor a Farkas lemma szerint nincs megoldása a
w − Mz = q
w ≥ 0
z ≥ 0
rendszernek.
2.) Ha a (8.1)-(8.2) rendszer konzisztens, akkor az előbbiek szerint a Lemke algoritmus nem
fejeződhet be végtelen sugárral, csak az (8.1)-(8.3) tökéletes bázismegoldásával. Másrészt (8.1)-
(8.3) tökéletes bázismegoldás létezése (8.1)-(8.2) konzisztenciáját is jelenti.
8.6.1. Következmény. Ha M nemnegatı́v mátrix pozitı́v diagonális elemekkal, akkor a Lemke

algoritmus véges sok lépésben a (8.1)-(8.3) tökéletes bázismegoldását szolgáltatja.
Bizonyı́tás.
A tétel feltételei mellett M kopozitı́v-plusz tulajdonságú. Továbbá (8.1)-(8.2) konzisztens, ugyanis
megoldása minden olyan w ≥ 0, z ≥ 0 ahol z koordinátái elég nagyok ahhoz, hogy w = Mz +q ≥ 0
legyen.
48
8.1. Feladatok
8.1.1. Feladat. Keressük a lineáris komplementaritási feladat megoldását, ha
   
1 1 3 4 −1
 5 3 1 1 
, q =  2 .
 
1.) M =   2 1 2 2   1 
1 4 1 1 −3
   
1 −1 0 0 −1
 2 2 0 0 
, q =  3 .
 
2.) M =   0 1 −1 −2   −2 
1 0 1 −2 −4
   
1 2 0 −.5
8.1.2. Feladat. Legyen M =  −2 2 −2 , q =  0 . Oldjuk meg a lineáris komple-
1 −1 2 −2
mentaritási feladatot a Lemke módszerrel. Hogyan viselkedik a Lemke módszere, ha az M mátrix
2. és 3. oszlopát felcseréljük.

M1 0
8.1.3. Feladat. Legyen M1 és M1 m × m ill. p × p tı́pusú mátrixok és legyen M =
0 M2
(m + p) × (m + p) tı́pusú mátrix. Mutassa meg, hogy
1.) ha M1 és M2 kopozitı́vak, akkor M is az;
2.) ha M1 és M2 kopozitı́v-plusz tulajdonságú, akkor M is az.
8.1.4. Feladat. Kopozitı́vak ill. kopozitı́v-plusz tulajdonságúak a következő mátrixok:
 
1 1 1
1.) M =  0 2 0  ;
2 1 1
 
1 1 1
2.) M =  2 0 0  ;
2 1 1

1 1
3.) M = ;
2 1
 
1 1 −1
4.) M =  2 1 −2  ;
1 2 3
 
1 1 0 0 0
 2 1 0 0 0 
 
5.) M =  0 0 1 1 1 .

 0 0 0 2 0 
0 0 2 1 1
8.1.5. Feladat. Határozza meg a lineáris komplementaritási feladat induló majdnem tökéletes bá-
zisát, ha
   
1 1 3 4 −1
 5 3 1 1   2 
M =
 2
, q=
 1 .

1 2 2 
1 4 1 1 −5
49
8.1.6. Feladat. Egy lineáris komplementaritási feladat első iterációja után a következő táblázatot
kapjuk:
w1 w2 w3 w4 z1 z2 z3 z4 z0 q
w1 1.00 0.00 −0.75 −0.25 −0.50 0.25 0.00 0.00 0.00 3.50
w2 0.00 1.00 0.00 −1.00 1.00 −2.00 −1.00 0.00 0.00 8.00
z4 0.00 0.00 0.25 −0.25 0.50 −0.75 −1.00 1.00 0.00 0.50
z0 0.00 0.00 −0.50 −0.50 0.00 −0.50 0.00 0.00 1.00 3.00
Mit tud mondani az eredeti feladat megoldhatóságáról? (Ha van megoldás akkor azt, ha végtelen
sugár van, akkor azt ı́rja fel, megfelelő indoklással).
8.1.7. Feladat. Valaki egy lineáris komplementáritási feladatnak végtelen irányaként a

(0, 5, −2, 0, −1, 0, 3, 1, 2) + λ(2, 0, 0, 1, 2, 1, 0, 0, 0), λ∈R
vektort határozta meg. Adjon minél több indokot arra, hogy megoldása biztosan hibás!
50
9. Kvadratikus programozás
A kvadratikus programozás feladatának a kvadratikus célfüggvény optimalizálását tekintjük li-
neáris korlátozó, valamint a változók nemnegatı́ vitási feltéteei mellett, azaz a
1
hu, Hui + hc, ui → min (9.1)
2 u∈U
U = {u ∈ Rn : Au ≤ b, u ≥ 0} (9.2)
nemlineáris programozási feladatot, ahol H – szimmetrikus n×n-mátrix, c ∈ Rn , A – m×n-mátrix,

b ∈ Rm .
Ha H pozitı́v szemidefinit, akkor a fenti feladat konvex programozási feladat.
A feladathoz rendelt Lagrange függvény:
L(u, λ) = f (u) + hλ, Au − bi − hµ, ui.
A Kuhn-Tucker tételt alkalmazva, ha u∗ minimumpont, akkor ∃λ∗ ∈ Rm ∗ n

+ , µ ∈ R+ Úgy, hogy
∗ ∗
(u∗ , λ , µ ) kielégı́ti a
Hu + c + AT λ − µ = 0 (9.3)
Au − b ≤ 0 (9.4)
u, λ, µ ≥ 0 (9.5)
hλ, Au − bi = 0 (9.6)
hµ, ui = 0 (9.7)
rendszert.
Bevezetve az y ∈ Rm
+ változót, (9.3)-(9.7) a következő alakba ı́rható át:
Hu + c + AT λ − µ = 0 (9.8)
Au − b + y = 0 (9.9)
u, λ, µ, y ≥ 0 (9.10)
hλ, yi = 0 (9.11)
hµ, ui = 0 (9.12)
vagy mátrix alakban:
H AT

µ u c
− = (9.13)
y −A 0 λ b
u, λ, µ, y ≥ 0 (9.14)
hλ, yi = 0 hµ, ui = 0 (9.15)
A kvadratikus programozás feladata tehát ekvivalens a következő lineáris komplementaritási

feladattal: Keresünk olyan w, z ∈ Rn+m
+ vektorokat, amelyek kielégı́tik a
w − Mz = q (9.16)
hw, zi = 0 (9.17)
w, z ≥ 0 (9.18)
rendszert, ahol
H AT

c µ u
M= , q= , w= , z= . (9.19)
−A 0 b y λ
51
(9.18) miatt (9.17) nyilvánvalóan
wj zj = 0, (j = 1, . . . , m + n)
9.1. Tétel. A kvadratikus programozásból nyert M mátrix kopozitı́v, ha H kopozitı́v és kopozitı́v-
plusz, ha H is az.
Bizonyı́tás.
Az állı́tás a 8.5. Tétel speciális esete.
9.2. Tétel. Ha H pozitı́v szemidefinit szimmetrikus mátrix, akkor M kopozitı́v-plusz.

Bizonyı́tás.
Az állı́tás a 9.1. és a 8.4. Tételek k|övetkezménye.
9.3. Tétel. Ha H nemnegatı́v mátrix, akkor M kopozitı́v. Ha a nemnegatı́v H mátrix diagonális

elemei pozitı́vak, akkor M kopozitı́v-plusz.
Bizonyı́tás.
Az állı́tás a 9.1. és a 8.3. Tételek következménye.
9.4. Tétel. Tegyük fel, hogy a (9.1)-(9.2) kvadratikus programozási feladat megengedett tartomán-
ya nem üres és a problémához rendelt (9.16)-(9.18) lineáris komplementaritási feladat nem dege-
nerált. Akkor a Lemke algoritmus a
1.) H pozitı́v szemidefinit és c = 0;
2.) H pozitı́v definit;
3.) H nemnegatı́v mátrix pozitı́v fődiagonálisbeli elemekkel
feltételek bármelyike mellett véges sok lépésben meghatározza a (9.1)-(9.2) probléma Kuhn-Tucker
pontját.
Pozitı́v szemidefinit H mátrix esetén, ha a Lemke algoritmus végtelen sugarat határoz meg, akkor
a (9.1)-(9.2) probléma optimális megoldása nem korlátos.
Bizonyı́tás.
Mivel a H-ra adott feltételek bármelyike mellett M kopozitı́v-plusz tulajdonságú, ı́gy a 8.6. Tétel
szerint, azt kell belátnunk, hogy az 1.)-3.) feltételek mellett a Lemke algoritmus nem állhat meg
sugárnál. Tegyük fel, hogy fel az ellenkezőjét. Akkor a (9.13)-9.14) rendszer inkonzisztens, ezért a
Farkas lemma szerint létezik a
Hd − AT e ≤ 0 (9.20)
Ad ≤ 0 (9.21)
d ≥ 0 (9.22)
e ≥ 0 (9.23)
hc, di + hb, ei < 0 (9.24)
rendszernek megoldása.
52
A (9.20) egyenlőtlenséget d-vel skalárisan szorozva
0 ≥ hd, Hdi − hd, AT ei = hd, Hdi − hAd, ei ≥ hd, Hdi ≥ 0,
azaz hd, Hdi = 0. Innét H kopozitı́v-plusz tulajdonsága miatt Hd = 0.

A tétel feltétele szerint létezik olyan u0 ≥ 0, y 0 ≥ 0, melyre Au0 + y 0 = b. (9.24)-ből
0 > skprodc, d + hb, ei = hc, di + hAu0 + y 0 , ei ≥ hc, di + hAu0 , ei
(9.25)
≥ hc, di + hu0 , Hdi.
A 2.) és 3.) feltételek mellett hd, Hdi = 0 feltételből d = 0, az 1. feltétellel Hd = 0 és c = 0, ı́gy
mindegyik ellentmond (9.25)-nak.
Tegyük fel, hogy pozitı́v szemidefinit H mátrix mellett a Lemke algoritmus végtelen sugarat
határoz meg. Mivel Hd = 0, (9.25)-ból hc, di < 0 adódik. (9.21) és (9.22) miatt d a megengedett
tartomány végtelen iránya, azaz u0 + λd megengedett pont minden λ ≥ 0 esetén.
Jelölje a kvadratikus programozás célfüggvényét f (u). Akkor, figyelembe véve, hogy Hd = 0,
azt kapjuk, hogy
1
f (u0 + λd) = f (u0 ) + λhc + Hu0 , di + λ2 hd, Hdi = f (u0 ) + λhc, di.
2
Mivel hc, di < 0, ha λ → ∞, akkor f (u0 + λd) → −∞.
53
9.1. Feladatok
9.1.1. Feladat. Írja át lineáris komplementaritási feladattá az alábbi feladatokat és adja meg az
induló majdnem tökéletes bázist:
x2 + 3xy + y 2 − 2xz − 4yz + x − 3y → min
x + y + z ≤ 10
1.) .
2x − y ≥ 0
x, y, z ≥ 0
x2 + 6xy + y 2 − 3xz − 4yz − 5x − 3y → min

x + y + 2z ≤ 10
2.) .
2x − y ≥ 1
x, y, z ≥ 0
9.1.2. Feladat. Határozza meg az alábbi halmazoknak az adott ponthoz legközelebbi nemnegatı́v
koordinátájú pontját a Lemke algoritmussal:
1.) U = {u = (x, y) ∈ R2 : 2x + y ≥ 6, 3x − 2y ≤ 2}
u = (4, 3);
2.) U = {u = (x, y) ∈ R2 : −x + 2y ≤ 2, x − y ≥ 3}
u = (7, 2);
3.) U = {u = (x, y) ∈ R2 : −x + 3y ≤ 6, x − y ≥ 3}
u = (5, 7)
4.) U = {u = (x, y) ∈ R2 : 3x + 2y ≤ 24, x − y ≥ 3}
u = (8, 7).
54
10. Hiperbolikus programozás
Tekintsük a következő optimalizálási feladatot:
hp, ui + α
→ min (10.1)
hq, ui + β
Au ≤ b (10.2)
u ≥ 0, (10.3)
ahol p, q, u ∈ Rn , b ∈ Rm , A – m × n mátrix, α, β ∈ R.
Feltesszük, hogy a
C = {u ∈ Rn : Au ≤ u, u ≥ 0}
halmaz kompakt és hq, ui + β a C halmazon azonos előjelű és nem veszi fel a nulla értéket (az
általánosság megszorı́tása nélkül feltehetjük, hogy pozitı́v, ellenkező esetben a célfüggvény szám-
lálóját és nevezőjét is megszorozzuk −1-gyel).
Charnes-Cooper eljárás
Vezessük be a következő új változókat:
1
z= , y = zu.
hq, ui + β
A nevező pozitı́vitási feltétele miatt z > 0.
Ezekkel a változókkal:
hp, ui + α u α
= hp, i+
hq, ui + β hq, ui + β hq, ui + β
= hp, zui + αz
= hp, yi + αz;
Ay = Auz ≤ bz
és
z(hq, ui + β) = hq, yi + zβ = 1.
Azaz az eredeti feladat a következő feladatba transzformálódik:
hp, yi + αz → min
Ay − bz ≤ 0
hq, yi + βz = 1
y ≥ 0
z > 0.
Valójában a (10.4) feltétel a

z≥0
feltételre cserélhető, ugyanis ez utóbbi esetben sem lehet az (y, 0) megengedett pont. Ha ugyanis
z = 0 lenne, akkor (10.4) miatt y 6= 0, de Ay ≤ 0, y ≥ 0 lenne, vagyis y végtelen iránya lenne a C
tartománynak, ami ellentmond annak, hogy C kompakt.
55
10.1. Tétel. Ha (y ∗ , z ∗ ) optimális megoldása a
hp, yi + αz → min
Ay − bz ≤ 0
hq, yi + βz = 1
y ≥ 0
z ≥ 0.
lineáris programozási feladatnak, akkor u∗ = y ∗ /z ∗ optimális megoldása az eredeti hiperbolikus

programozási feladatnak.
Megjegyzések:
• A kompaktság ellenőrzése a
n
X
xi → max
C
i=1
LP feladat megoldásával lehetséges, ha ez nem végtelen iránnyal fejeződik be, akkor korlátos
a C halmaz.
• A nevező azonos előjelűségéhez a
hp, yi → min
C
ill.
hp, yi → max
C
LP feladatokat kell megoldani. Ha a két optimális célfüggvény előjele azonos, akkor a nevező
nem vált előjelet.
56
10.1. Feladatok
10.1.1. Feladat. Oldja meg az alábbi hiperbolikus programmozási feladatokat:
1.)
−2x − y + 2
→ min
x+y+1
x+y ≤ 4
x−y ≤ 2
x, y ≥ 0.
2.)
−2x + y + 2
→ min
x + 3y + 4
−x + y ≤ 4
y ≤ 6
2x + y ≤ 14
x, y ≥ 0.
3.)
y
→ min
x+y+1
x−y ≤ 2
x + 3y ≤ 4
x, y ≥ 0.
57
11. Egyváltozós unimodális függvények minimalizálása
Legyen f : R → R és [a, b] ⊆ R. Tekintsük az
f (u) → min
u∈[a,b]
egyváltozós optimalizálási feladatot.
11.1. Definı́ció. Az f (u) függvényt unimodálisnak nevezzük az [a, b] intervallumon, ha folytonos

[a, b]-n és létezik olyan α és β a ≤ α ≤ β ≤ b, hogy teljesülnek a következő tulajdonságok:
1. f (u) szigorúan csökken [a, α]-n, feltéve, hogy a < α;
2. f (u) szigorúan nő [β, b]-n, feltéve, hogy β < b;
3. f (u) = f∗ = inf f (u) ∀u ∈ [α, β], azaz a minimumpontok halmaza U∗ = [α, β].
u∈[a,b]
Ha α = β, akkor f (u) szigorúan unimodális.
11.1. Intervallumfelezési eljárás

A módszer akkor alkalmazható, ha f (u) unimodális az [a, b] intervallumon.
Legyen adott 0 < δ < b − a és ε > δ pontossági kritérium.
Algoritmus:
1.lépés: Legyen
a+b−δ a+b+δ
u1 = , u2 = .
2 2
Ha f (u1 ) < f (u2 ), akkor legyen a1 = a és b1 = u2 , egyébként legyen a1 = u1 és b1 = b.

k.lépés: Legyen [ak−1 , bk−1 ] a minimumhalmazt tartalmazó részhalmaz. Ha |bk−1 − ak−1 | < ε,
akkor STOP, egyébként legyen
ak−1 + bk−1 − δ ak−1 + bk−1 + δ

u2k−1 = , u2k = .
2 2
Ha f (u2k−1 ) < f (u2k ), akkor legyen ak = ak−1 és bk = u2k , egyébként legyen ak = u2k−1 és
bk = bk−1 . k:=k+1, GO TO k. lépés.
11.1.1. Tétel. Az intervallumfelezési eljárással a k. iteráció után a minimumhalmaz közelı́tésére

b−a−δ
bk − ak = +δ >δ
2k
hosszúságú intervallumot kapunk. Az ε > δ pontosságú intervallum eléréséhez
b−a−δ
n = 2k ≥ 2 log2 ( )
ε−δ
lépésszámra van szükség.
58
Bizonyı́tás.
Az algoritmus szerint
bk−1 − ak−1 − δ
bk − ak = + δ,
2
ugyanis ha f (u2k−1 ) < f (u2k ), akkor bk − ak = u2k − ak−1 , egyébként bk − ak = bk − u2k−1 ,
és u2k−1 , u2k algoritmusbeli definicióját figyelembe véve kapjuk az intervallum hosszát az előző
iterációhoz viszonyı́tva. A tételbeli becslés innét teljes indukcióval könnyen megkapható.
A lépésszám a bn − an ≤ ε formula megfelelő átrendezéséből adódik.
11.2. Aranymetszés módszere

Az intervallumfelezési eljárásnál minden lépésben két új függvényérték kiszámı́tásárea van szükség.
Ez a módszer minden lépésben csak egy új pontban számı́t függvényértéket, a másikat az előző
iterációból veszi.
11.2.1. Definı́ció. Egy pont az [a, b] intervallumot aranymetszésben osztja, ha a kisebbik rész hoss-
za úgy aránylik a nagyobbikéhoz, mint a nagyobbiké az egészhez.
Az aranymetszésre közismert az alábbi két tétel:
11.2.1. Tétel. Minden [a, b] intervallumhoz két szimmetrikusan elhelyezkedő aranymetszési pont
tartozik:
√ √
3− 5 5−1
u1 = a + (b − a), u2 = a + (b − a).
2 2
11.2.2. Tétel. Ha u1 és u2 aranymetszésben metszi az [a, b] intervallumot és u1 < u2 , akkor
u1 a nagyobbik aranymetszése az [a, u2 ] intervallumnak és u2 a kisebbik aranymetszése az [u1 , b]
intervallumnak.
Algoritmus:
1.lépés: Legyen a0 = a, b0 = b, és k = 1. Legyen u1 < u2 az [ak−1 , bk−1 ] intervallum aranymets-

zési pontjai.
k.lépés: Ha f (u1 ) < f (u2 ), akkor legyen
ak = ak−1 , bk = u2 , u2 = u1 , u1 = ak−1 + bk−1 − u2 , vk = u2 ,
ellenkező esetben legyen
ak = u1 , bk = bk−1 u1 = u2 , u2 = ak−1 + bk−1 − u1 , vk = u1 .
Ha bk − ak < ε, akkor u∗ = vk és STOP, ellenkező esetben k := k + 1 és GOTO k.lépés.
11.2.3. Tétel. Az n-edik lépésben történő megállás esetén az optimális megoldástól való eltérésre
√
5 − 1 n+1
ρ(u∗ , U∗ ) ≤ ( ) (b − a).
2
59
Bizonyı́tás.
Az algoritmus szerint, ha f (u1 ) < f (u2 ), akkor bk − ak = u2 − ak−1 egyébként bk − ak = bk−1 − ak .
Mindkét esetben – u1 és u2 definı́cióját figyelembe véve
√
5−1
bk − ak = )(bk−1 − ak−1 ).
2
Innét teljes indukcióval
√
5−1 k
bk − ak = ) (b − a).
2
Ezt felhasználva √ √
ρ(u∗ , U∗ ) ≤ max(bn − vn , vn − an ) = 5 − 1 5 − 1 n+1 (b − a).
2 (bn − an ) = ( 2 )
60
11.3. Feladatok
11.3.1. Feladat. Unimodálisak-e az alábbi függvények az adott intervallumon? Indokolja!
1.) f (x) = ||x − 3| − x|,
U = [0, 4]
2.) f (x) = ||x2 − 2| − x3 |
U = [−1, 5]
11.3.2. Feladat. Alkalmas-e az intervallumfelező és az aranymetszés módszere az alábbi függ-

vények minimalizálásŕa az adott intervallumon:
1.) f (x) = |x − 1| + |3x − 1|
U = [0, 2].
2.) f (x) = ||x2 − 2| − x|
• U = [−2, 3]
• U = [−3, 1].
11.3.3. Feladat. Oldja meg a 11.3.2. Feladat problémáit a lehetséges módszerekkel!
11.3.4. Feladat. Mekkora pontosságot tud elérni a 11.3.2. Feladataiban a különböző módszerekkel
10 iteráció után?
61
12. Egyváltozós függvények minimalizálása: töröttvonal és
érintő módszer
12.1. Definı́ció. A f (u) függvény kielégı́ti a Lipschitz feltételt az [a, b] intervallumon, ha létezik
olyan L > 0 konstans, hogy
|f (u) − f (v)| ≤ L|u − v| ∀u, v ∈ [a, b].
(Jelölésben f ∈ Lip([a, b], L).
m−1
S
12.1. Tétel. Legyen [a, b] = [ui , ui+1 ], ahol u0 = a és um = b. Tegyük fel, hogy az f (u)
i=0
függvény minden [ui , ui+1 ] intervallumon kielégı́ti a Lipschitz feltételt Li konstanssal. Akkor az
f (u) függvény kielégı́ti a Lipschitz feltételt az [a, b] intervallumon is L = max Li .
i=0,...,m−1
Bizonyı́tás.
Legyen u, v ∈ [a, b] tetszőleges két pont, és az őket tartalmazó részintervallumok: u ∈ [up , up+1 ] ill.
v ∈ [us , us+1 ]. Az általánosı́tás megszorı́tása nélkül feltehetjük, hogy u < v, azaz p ≤ s. Ekkor
X
|f (u) − f (v)| = |f (u) − f (up ) + s − 1(f (ui ) − f (ui+1 )) + f (us ) − f (v)|
i=p+1
s−1
X
≤ |f (u) − f (up+1 )| + |f (ui ) − f (ui+1 | + |f (us ) − f (v)|
i=p+1
s−1
X
≤ Lp |u − up+1 | + Li |ui − ui+1 | + Ls |us − v|
i=p+1
s−1
X
≤ (max Li )(|u − up+1 | + |ui − ui+1 | + |us − v|
p≤s
i=p+1
≤ L|u − v|.

12.2. Tétel. Ha f (u) differenciálható a nyı́lt (a, b) intervallumon, akkor az [a, b] intevallumon
0
kielégı́ti a Lipschitz feltételt az L = sup f (u) konstanssal.
u∈(a,b)
Bizonyı́tás.
A Lagrange középértéktétel szerint ∀u, v ∈ [a, b] esetén
f (u) − f (v) = hf 0 (v + ϑ(u = v)), (u − v)i

valamely ϑ ∈ (0, 1) mellett. Innét és f 0 (u) korlátosságából következik az állı́tás.
62
12.1. Töröttvonal módszer
Tegyük fel, hogy az f ∈ Lip([a, b], L).
Megengedjük, hogy a függvénynek több lokális minimuma is legyen. Az algoritmussal a globális
optimum megkeresését kı́vánjuk elérni.
Legyen v ∈ [a, b] tetszőleges rögzı́tett pont. Definiáljuk a v ponthoz tartozó törött vonalat a
g(u, v) = f (v) − L|u − v|
egyenlettel.
Az u0 , u1 , . . . , un pontokhoz tartozó töröttvonal
pn (u) = max g(u, ui ).
0≤i≤n
Nyilvánvalóan igazak a következő állı́tások:

1. pn (u) szakaszonként lineáris L ill. −L iránytangenssel
2. pn ∈ Lip([a, b], L);
3. pn (u) = max{g(u, un ), pn−1 (u)} ≥ pn−1 (u);
4. g(u, ui ) ≤ f (u), g(ui , ui ) = f (ui ), következésképpen pn (u) ≤ f (u).
Algoritmus:
0. lépés: Meghatározzuk a függvény Lipschitz konstansát az [a, b] intervallumon és választunk

egy induló u0 ∈ [a, b] pontot, és egy ε pontossági korlátot. Legyen k := 0;
1. lépés: p0 (u) = g(u, u0 ) = f (u0 ) − L|u − u0 | és u1 = argmin p0 (u).
u∈[a,b]
k. lépés: Ha f (uk+1 ) − pk (uk+1 ) ≤ ε, akkor u∗ = uk+1 és STOP, egyébként legyen k := k + 1,

pk (u) = max{g(u, uk ), pk−1 (u)} és uk+1 ∈ argmin pk (u) és GOTO k.lépés.
u∈[a,b]
12.1.1. Tétel. Ha f ∈ Lip([a, b], L), akkor a töröttvonal módszerrel kapott uk sorozatra igazak a
következő állı́tások:
1. lim f (uk ) = lim pk (uk+1 ) = f∗ = inf f (u);
k→∞ k→∞ u∈[a,b]
2. 0 ≤ f (uk+1 ) − f∗ ≤ f (uk+1 ) − pk (uk+1 ), k = 0, 1, . . . ;

3. az uk sorozat tart a minimumpontok U∗ halmazához, azaz inf |uk − u| → 0, ha k → ∞.
u∈[a,b]
Bizonyı́tás.
Legyen u∗ ∈ U∗ . Az algoritmus és az azt meghatározó töröttvonal fent emlı́tett tulajdonságai miatt
pk−1 (uk ) = min pk−1 (u) ≤ pk−1 (uk+1 ) ≤ pk (uk+1 )
u∈[a,b]
= min pk (u) ≤ pk (u∗ ) ≤ f (u∗ ) = f∗ ≤ f (uk+1 ).

u∈[a,b]
Innét a 2. becslés azonnal adódik. Továbbá következik ebből az is, hogy a {pk (uk+1 )} sorozat
monoton nő és felülről korlátos, ezért létezik a lim pk (uk+1 ) = p∗ ≤ f∗ határérték.
k→∞
63
Belátjuk, hogy p∗ = f∗ . Az {uk } pontsorozat korlátos, ezért a Bolzano-Weierstrass tétel szerint
van legalább egy torlódási pontja. Legyen v∗ egy torlódási pont és ukn az uk sorozat egy v∗ -hoz
konvergáló részsorozata, ahol feltehetjük, hogy {kn } monoton növő indexsorozat. Mivel
f (ui ) = g(ui , ui ) ≤ pk (ui ) ≤ f (ui ),
azaz f (ui ) = pk (ui ) ∀i = 0, . . . , k, ezért bármely k és i ∈ {0, . . . , k} esetén
0 ≤ pk (ui ) − min pk (u) = f (ui ) − pk (uk+1 )
u∈[a,b]
= pk (ui ) − pk (uk+1 ) ≤ L|ui − uk+1 |.

Alkalmazva ezt az egyenlőtlenséget az k = nk − 1 és i = kn−1 indexekkel kn ≥ 2 esetén, azt kapjuk,
hogy
0 ≤ f (ukn−1 ) − pkn −1 (ukn ) ≤ L|ukn−1 − ukn |.
Innét n → ∞ határátmenettel kapjuk, hogy
f∗ ≤ f (v∗ ) = lim f (ukn−1 ) = lim pkn −1 (ukn ) = p∗ ≤ f∗ ,
k→∞ n→∞
azaz
lim f (ukn ) = lim pkn −1 (ukn ) = p∗ = f∗ .
k→∞ k→∞
Mivel v∗ tetszőleges torlódási pont volt, a tétel 1. állı́tását bebizonyı́tottuk.

Mivel f ∈ Lip([a, b], L) folytonos, a definiált uk sorozat minimalizáló sorozat, Weierstrass
tételéből következik a 3. állı́tás.
12.2. Érintő módszer

Tegyük fel, hogy az f : R → R függvény konvex és differenciálható az [a, b] intervallumon. Ekkor
0 0
léteznek az f (a + 0) és f (b − 0) jobb ill. baloldali deriváltak.
0 0
12.2.1. Tétel. Ha az f függvény konvex az [a, b] intervallumon és az f (a + 0) és f (b − 0) jobb
0 0
ill. baloldali deriváltak végesek, akkor f ∈ Lip([a, b], L), ahol L = max(|f (a + 0)|, |f (b − 0)|).
A fenti tétel azt jelenti, hogy ebben az esetben alkalmazható a töröttvonal módszer. Azonban a
módszer javı́tható úgy, hogy a v pontbeli g(u, v) törött vonalat átdefiniáljuk a v pontbeli érintőre:
0
g(u, v) = f (v) + f (v)(u − v).
A konvexitás miatt fennáll a g(u, v) ≤ f (v) egyenlőtlenség ∀u ∈ [a, b] esetén. Ezzel a módosı́tással
a töröttvonal módszer lépéseitől csak kis mértékben különböző algoritmus definiálható és arra
fennállnak ugyanazok a konvergencia állı́tások, mint a töröttvonal módszerre.
1. Algoritmus:
0. lépés: Választunk egy induló u0 ∈ [a, b] pontot. Legyen k := 0;

0
1. lépés: p0 (u) = g(u, u0 ) = f (u0 ) + f (u0 )(u − u0 ) és u1 = argmin p0 (u).
u∈[a,b]
0
k. lépés: Ha uk+1 ∈ (a, b) és f (uk+1 ) = 0, akkor u∗ = uk+1 és STOP.
0
Ha uk+1 = a és f (a + 0) ≥ 0, akkor u∗ = a és STOP.
0
Ha uk+1 = b és f (b − 0) ≤ 0, akkor u∗ = b és STOP.
Egyébként pk+1 (u) = max{g(u, uk+1 ), pk (u)}, k := k + 1 és uk+1 ∈ argmin pk (u). GOTO
u∈[a,b]
k.lépés.
64
A konvexitás miatt az U∗ halmaz maga is egy intervallum, a konvergencia U∗ -hoz tehát azt
jelenti, hogy az uk sorozatnak legfeljebb két torlódási pontja van, az U∗ = [a∗ , b∗ ] két végponja.
Ugyancsak a konvexitás miatt, amennyiben találunk olyan ak ≤ bk pontokat az [a, b] interval-
0 0
lumban, hogy f (ak + 0) ≥ 0, akkor U∗ ⊆ [a, ak ], ha f (bk − 0) ≤ 0, akkor U ∗ ⊆ [bk , b], egyébként
U∗ ⊆ [ak , bk ]. Ennek megfelelően az érintő módszer algoritmusa a következő lépésekkel is felı́rható:
2. Algoritmus:
0 0 0 0
0. lépés: Legyen a0 = a, b0 = b, f (a0 ) = f (a + 0), f (b0 ) = f (b − 0). k := 0.
0
k. lépés: Ha f (ak ) ≥ 0, akkor ak ∈ U∗ , STOP.
0
Ha f (bk ) ≤ 0, akkor bk ∈ U∗ , STOP.
Kiszámı́tjuk a g(u, ak ) és g(u, bk ) érintők
0 0
f (ak ) − f (bk ) + bk f (bk ) − ak f (ak )
uk+1 = 0 0
f (bk ) − f (ak )
0
metszéspontját. Ha f (uk+1 ) = 0, akkor uk+1 ∈ U∗ , STOP. Ellenkező esetben legyen
0 0
ak ha f (uk+1 ) ≥ 0 bk ha f (uk+1 ) ≤ 0
ak+1 = 0 bk+1 = 0
uk+1 ha f (uk+1 ) ≤ 0 uk+1 ha f (uk+1 ) ≥ 0
Legyen k := k + 1, GOTO k. lépés.
65
12.3. Feladatok
12.3.1. Feladat. Megoldhatók-e a 11.3.2. feladat problémái töröttvonal módszerrel, vagy érintő
módszerrel. Oldja meg őket a lehetséges módszerrel!
12.3.2. Feladat. Melyik módszerrel oldaná meg a tanultak közül az alábbi problémákat:
1.) f (x) = |x − 1| + |3x − 1|
U = [−1, 3];
2.) f (x) = (x − 3)4 − 2(y − 2x)
U = [0, 2].
66

Operációkutatás 2

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Operációkutatás 2

Uploaded by

Copyright:

Available Formats

OPERÁCIÓKUTATÁS II.

Programtervező matematikusok számára

Verzió: 2004. április 1.

6. Lagrange multiplikátorok módszere 21

8. A lineáris komplementaritási feladat megoldása 40

11.Egyváltozós unimodális függvények minimalizálása 58

12. Egyváltozós függvények minimalizálása: töröttvonal és érintő módszer 62

1.1. Definı́ció. Az U ⊂ Rn -en értelmezett f (u) függvény epigráfjának az

2.1. Definı́ció. u∗ ∈ U lokális minimumpontja az f : D(f ) → R függvénynek az U ⊆ D(f )

2.1. Tétel. Legyen f : D(f ) → R, u∗ ∈ U ⊆ D(f ) ⊆ Rn és f ∈ C 1 (U ∩ Oε (u∗ )) (folytonosan

az f : D(f ) → R függvény minimumhalmaza az U ⊆ D(f ) halmazon.

U kompaktsága miatt kiválasztható az {ukm } sorozatból egy u∗ ponthoz konvergáló részsorozat.

Ez azt jelenti, hogy bármely minimalizáló sorozat tart U∗ -hoz.

minden olyan {uk } ⊂ U sorozatra, amelyre lim k uk k= ∞ teljesül.

Akkor a feltétel szerint

Válasszunk tetszőleges olyan v ∈ U pontot, melyre f (v) > f∗ . Tekintsük az

1.) az f (x) = x2 , (x ∈ R) függvényre az x = k, k = 1, 2, . . . sorozat?

2.1.3. Feladat. Felveszi-e az f (u) függvény a minimumát az U halmazon, ha

1.) U = {u ∈ R : 1 ≤ u ≤ ∞ és f (u) = u2 ?

3.) U = {u = (x, y) ∈ R2 : x ≥ 0, y ≥ 0} és f (u) = x + y1 ?

4.) U = {u = (x, y) ∈ R2 : |x| ≤ 1, 0 ≤ y ≤ 1} és f (u) = x + y1 ?

3.1. Definı́ció. U ⊂ Rn konvex, ha ∀u, v ∈ U, α ∈ [0, 1] esetén:

3.1. Műveletek konvex halmazokkal

• Halmazok különbsége: A, B ⊂ Rn esetén

• Halmazok skalárszorosa: A ⊂ Rn , λ ∈ R esetén

• Halmazok Descartes szorzata: Ai ⊂ Rni , i = 1, . . . , m esetén

{a = (a1 , . . . , am ) ∈ Rn1 +...+nm : ai ∈ Ai , i = 1, . . . , m}.

Megjegyzés. Általában A + A 6= 2A és A − A 6= {0}, de 2A ⊂ A + A és {0} ⊂ A − A.

3.1.1. Tétel. Ha Ai , i = 1, . . . , m, A, B az Rn konvex halmazai, akkor

=⇒ αc1 + (1 − α)c2 = α(a1 − b1 ) + (1 − α)(a2 − b2 )

=⇒ αa + (1 − α)b = λ(αa0 + (1 − α)b0 ) ∈ B.

Ha valamelyik αi = 0, akkor u előáll a többi, (m − 1) számú uj (j 6= i) konvex kombinációjaként,

3.1.3. Definı́ció. Az U -t tartalmazó konvex halmazok metszete az U konvex burka. Jele: co U .

ı́gy vα konvex kombinációja p + q számú elemnek, azaz vα ∈ W .

Innét αi − tγi ≥ 0 (i = 1, . . . , m) , miközben

3.2.2. Feladat. Legyenek U, V ⊆ Rn nemüres halmazok. Mutassuk meg, hogy

2.) U = {u = (x, y, z) ∈ R3 : x2 + y 2 ≤ z};

7.) U = {u = (x, y) ∈ R2 : 0 ≤ x ≤ 2π,

3.2.6. Feladat. Mi a 3.2.5. Feladatban definiált halmazok belseje, lezártja, határa?

4.1. Definı́ció. Az f : Rn → R függvény konvex a konvex U ⊂ D(f ) halmazon, ha ∀u, v ∈

4.1. Konvex függvények karakterizációi

4.1.1. Tétel. (Jensen egyenlőtlenség) Ha az f : Rn → R függvény konvex a konvex U ⊂ D(f )

4.1.2. Tétel. Legyen f ∈ C 1 (U ) (egyszer folytonosan differenciálható) a konvex U ⊂ D(f ) hal-

= α[f (u) − f (αu + (1 − α)v)] + (1 − α)[f (v) − f (αu + (1 − α)v)]

−f 0 (αu + (1 − α)v + tα(v − u)), u − vidt

4.1.4. Tétel. Legyen f (u) ∈ C 2 (U ) (kétszer folytonosan differenciálható) a nyı́lt konvex U ⊂ Rn

4.2. Konvex függvények függvényei

4.2.2.1. Következmény. g + (u) = max(g(u), 0) konvex, ha g(u) konvex.

4.3. Konvex függvényekkel definiált halmazok

f (u) konvexitása miatt

Az U halmaz és az epi f konvexitása miatt

4.3.2. Tétel. Legyen f (u) konvex a konvex U ⊂ D(f ) halmazon. Akkor az

=⇒ f (αu + (1 − α)v) ≤ αf (u) + (1 − α)f (v) ≤ c ∀α ∈ [0, 1]

4.4.2. Feladat. Konvexek-e az alábbi f függvények az adott U halmazon?

2.) f : U → R, f (u1 , u2 ) = (max(ln 1 , 0))p , p ≥ 1,

3.) f : R2 → R, f (u1 , u2 ) = 2(u2 − u21 )2 − 10,

4.4.3. Feladat. Legyen g : Rn → R konvex függvény. Mutassuk meg, hogy az

2.) f (u) = − 1 , U = {u ∈ Rn : g(u) ≤ 0}

4.4.10. Feladat. Igazolja, hogy

Az általános feltételes szélsőértékprobléma: Keressük az

függvényértéket, és az azt realizáló u∗ ∈ U pontot (ha egyáltalán ilyen létezik).

7.) Igazolja, hogy minden n természetes szám és α > 0 esetén

5.1.2. Feladat. Konvex programozási feladatok-e az alábbi problémák: