Professional Documents
Culture Documents
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
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
9. Kvadratikus programozás 51
9.1. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
10.Hiperbolikus programozás 55
10.1. Feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2
1. Függvények
Jelölje D(f ) ⊆ Rn az f függvény értelmezési tartományát, azaz legyen
D(f ) = {u ∈ Rn : −∞ < f (u) < ∞}.
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
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
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→∞
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→∞
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→∞
5
2.1. Feladatok
2.1.1. Feladat. Minimalizáló sorozat-e
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?
6
3. Konvex halmazok
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
C = A − B = {c ∈ Rn : c = a − b, a ∈ A, b ∈ B}.
B = λA = {b ∈ Rn : b = λa, a ∈ A}.
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
3. a, b ∈ B =⇒ a = λa0 , b = λb0 , a0 , b0 ∈ 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
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
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
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};
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};
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}?
11
4. Konvex függvények
Bizonyı́tás.
m
P
U konvexitása miatt λi ui ∈ U . Teljes indukcióval a bizonyı́tás triviális.
i=1
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)
Z 1
1
= α(1 − α) hf 0 (z1 ) − f 0 (z2 ), z1 − z2 i dt ≥ 0.
0 | {z }t
≥0
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.
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.
4.2.3. 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.
4.3.1. 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
szinthalmaz is konvex ∀c ∈ R.
15
Bizonyı́tás.
Legyen c ∈ R.
u, v ∈ M (c) =⇒ f (u) ≤ c és f (v) ≤ c
=⇒ 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 ) .
4.4.4. 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
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
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
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 : G(u) = 0, (6.4)
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 ).
6.3. 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
vagy vektoralakban
f 0 (u) + G0T (u)λ = 0, (6.7)
G(u) = 0 (6.8)
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∗ )
22
és
−1
ϕ0 (w) = − [G0v (ϕ(w), w)] G0w (ϕ(w), w). (6.9)
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
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 )},
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
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
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 ].
7.1.3. 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
λ0 f 0 (u) + λi gi0 (u) + µj aj + ϑj aj = 0, (7.9)
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.
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
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.
y → max
2
x + 3y ≤ 3
2x + 3y ≤ 4
x, y ≥ 0
x + y → min
x2 − y ≤ 0
2y + x ≤ 4
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
29
2.) u21 + 4u1 u2 + u22 → min ,
(u1 ,u2 )∈U
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.
7.3.2. 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
λ0 f 0 (u) + λi gi0 (u) + µj aj + ϑj aj = 0, (7.3)
i∈I(u) j∈J1 (u) j∈J2
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
és
haj , u + εsi − bj = ε(haj , zi − bj ) + (1 − ε)(haj , ui − bj ) = 0, (j ∈ J2 ).
| {z } | {z }
=0 =0
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
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
xy → max
x + y2
2
≤ 100
x+y ≤ 14
x, y ≥ 0
−x + y → min
x + y 2 + 2x ≤ 1
2
|x| ≤ 1
|y| ≤ 1
y → max
x2 + 3y ≤ 3
2x + 3y ≤ 4
x, y ≥ 0
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
Algoritmus:
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)
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).
u0 = (1, 3).
3.) U = {u = (x, y) ∈ R2 : x − 2y ≤ 4, x + y ≥ 5}
u0 = (1, 0).
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.)
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
7.7.1. Definı́ció. Az
f (u) → min (7.2)
u∈U
Bizonyı́tás.
Szükségesség. A (7.4) nyeregpontfeltétel jobboldali egyenlőtlenségéből az
u = (u1∗ , . . . , uk−1∗ , uk , uk+1∗ , . . . , un∗ )
választással a
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
37
azaz a (7.4) feltétel baloldali egyenlőtlensége is igaz.
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.
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 .
U = {u ∈ R : |u|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)
40
Algoritmus:
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
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
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
be
^ qi q3 ki
(z4 −→ B) ( min = ) =⇒ B −→ w3
1≤i≤4
di8 >0
di8 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
be
^ qi q1 ki
(z3 −→ B) ( min = ) =⇒ B −→ w1
{1≤i≤4
di7 >0
di7 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
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
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
be ki
^
(z0 −→ B) ( min qi = q4 ) =⇒ B −→ w4
1≤i≤4
43
1.lépés: Új 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 −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
be
^ qi q3 ki
(z4 −→ B) ( min = ) =⇒ B −→ w3
1≤i≤4
di8 >0
di8 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}
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.
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
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. 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.
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).
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)
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)
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.
9.4. 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,
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
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.
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.
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]
Algoritmus:
1.lépés: Legyen
a+b−δ a+b+δ
u1 = , u2 = .
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.
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.
11.2.1. 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:
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]
• U = [−2, 3]
• U = [−3, 1].
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
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
Algoritmus:
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]
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]
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]
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:
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
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