Optimizacija uz ograničenja ti-

pa jednakosti, metodi Lagran-

ževih množitelja i kaznenih funk-
cija
Zoran D. Jeličić
Mirna N. Kapetina
19. oktobar 2022.

1 Uvodna razmatranja
U prethodnom poglavlju započeli smo studiju optimizacionog pro-
blema sa ograničenjima tipa jednakosti. Obradili smo dva postupka
metod smene i metod ograničene varijacija, u okviru metoda sme-
ne nedvosmisleno smo pokazali da iznalažanje optimalnog rešenja
direktno zavisi od izbora promenljivih po kojima se vrši slobodna
optimizacija, a sličan problem imamo i slučaju ograničene varijacije
gde postoje strogi uslovi, koji moraju biti zadovoljeni da bi se prvi
korak diferenciranja sproveo. Namera nam je da u ovom poglavlju
izložimo dva postupka, koja imaju opštiji karakter i kao takvi imaju
veću potentnost u praktičnoj primeni. Prvo ćemo razmatrati metod
Lagranževih množitelja1 , a zatim metod kaznenih funkcija 2 . U 1
Engl. Lagrange multiplier
rešavanju svih optimizacionih problema sa ograničenjima, metod La- 2
Engl. Penalty function method
granževih množitelja je sigurno najzastupljeniji u inženjerskoj praksi,
a sa druge strane u numeričkim optimizacionim formalizmima me-
tod kaznenih funkcija se pokazao kao pouzdan alat i našao je široku
primenu.

1.1 Metod Lagranževih množitelja

Podsećamo da se optimizacioni problem, koji rešavamo formuliše
na sledeći način. Naći ekstrem funkcije:

y = y(x1 , x2 , . . . , xn ) , (1)
pod uslovom da su promenljive stanja med̄usobno vezane sledećom
relacijom
gk (x1 , x2 , . . . , xn ) = 0 za k = 1, 2, . . . , m (2)

pri čemu važi da je broj ograničenja strogo manji od broja promenlji-

vih stanja m < n.
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 2

U objašnjavanju metoda Lagranževih množitelja, malo ćemo obr-

nuti postupak u predstavljanju samog formalizma. Naime, prvo ćemo
izložiti deo algoritma, a tek zatim dati intutivni dokaz3 tvrdnji izne- 3
Izvod̄enje formalnog dokaza je veoma
tih u algoritmu. Na osnovu primera, koje ćemo rešaviti dopunićemo složeno i sigurno prevazilazi okvire
početnog kursa nelinarnog programira-
osnovni postupak i dati preporuke za praktičnu primenu. nja. Postoje tvrd̄enja, koja upućuju da
je potpuni dokaz metode Lagranževih
Pod pretpostavkom da su funkcije (1) i (2) diferencijabilne do reda množitelja dat tek sa teorijom Principa
koji nam je potreban, iznalaženje potrebnih uslova da funkcija (1) ima maksimuma Lava Semjonoviča Pontr-
jagina, koja spada u teoriju optimalnog
ekstrem pod ograničenjima (2) sprovodi se u sledećoj proceduri
upravljanja. Osnovne postulate ove
teorije izložićemo u drugom delu kursa.

Potrebni uslovi lokalnog ekstrema, metod Lagranževih množitelja

1. Formirati prošireni kriterijum optimalnosti L 4 , koji se naziva 4
Ravnopravno ćemo koristiti oznake L i
Lagranževa funkcije ili Lagranžijan F

m
L ≡ F = y(x1 , x2 , . . . , xn ) + ∑ λk gk (x1 , x2 , . . . , xn ) , (3)
k =1

gde sa λk obeležene pomoćne promenljive, koje se nazivaju

lagranževi množitelji, koji objedinjuju kriterijum optimalnosti
(1) i ograničenja (2) u novi prošireni kriterijum optimalnosti.
Glavna snaga metoda Lagranževih množitelja je da sve pro-
menljive tretira na isti način. 5 Tačnije, dalje se rešavanje odvija 5
Setimo se da su kod metoda smene i
u duhu optimizacije bez ograničenja, odnosno tražimo da je metoda ograničena varijacije, sve pro-
menljve bile formalno ravnopravne, ali
prvi izvod po svim promenljivima jednak nuli, što bi bio drugi se ispostavilo se da su neke promenljive
i treći korak ovog postupka. ravnopravnije od drugih

2. Parcijalni izvodi po svim originalnim promenljivima da su

jednaki nuli:
m
∂L ∂y(xi ) ∂g (x )
= + ∑ λk k i = 0 za i = 1, 2, . . . , n . (4)
∂xi ∂xi k =1
∂xi

Iz sistema jednačina možemo izračunati n promenljvih, ali

kako je cena uopštenja kriterijuma optimalnosti povećanje di-
menzionalnosti na n + m, nedostajućih m jednačina odredićemo
iz uslova da su parcijalni izvodi po Lagranževim množiteljima
jednaki nuli, što je potpuno u duhu ove teorije, koja sve pro-
menljive tretira na isti način, tj.

3. Parcijalni izvodi po Lagranževim množiteljima da su jednaki

nuli:
∂L
= gk (xi ) = 0 za k = 1, 2, . . . , m za i = 1, 2, . . . , n . (5)
∂λk
Jasno je da ovi dodatni uslovi (5) predstavljaju same jednačine
ograničenja (2), ovaj uslov se često piše samo kao gk (xi ) = 0, ali
mi smo ga naveli punom obliku, poštujući proceduru po kojoj
smo do ove jednakosti došli.
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 3

4. Potrebni uslovi ekstrema se dobijaju rešavanjem sistema (2) i

(5) uz proveru, da li sva dobijena rešenja zadovoljavaju ograni-
čenja (2).6 6
Ovaj korak ma kako izgledao trivijalno
i nepotrebno, često se zaboravlja, što
Izloženi algoritam za odred̄ivanje potrebnih uslova ekstrema, utiče bar na ocenu na ispitu.
ilustorvaćemo na jednom jednostavnom primeru.
Primer 1. Metod Lagranževih množitelja
Posmatrajmo kriterijum optimalnosti sa dve promenljive stanja

y(x1 , x2 ) = 4x12 + 5x22 .

promenljive x1 i x2 moraju da zadovolje ograničenje

2x1 + 3x2 = 6 .

Prateći predloženi formalizam metoda Lagranževih množitelja prvi

korak da formiramo Lagranževu funkciju (3)

L = 4x12 + 5x22 + λ (2x1 + 3x2 − 6) ; .

Parcijalni izvod po originalnim promenljivim daje sledeći sistem

jednačina

∂L
=8x1 + 2λ = 0
∂x1
∂L
=10x2 + 3λ = 0 .
∂x2
Parcijalni izvod po dodatnoj promenljivoj daje

∂L
= 2x1 + 3x2 − 6 = 0 .
∂λ
Dalje rešavanje je jednostavno, na primer, možemo svesti na jednači-
nu po nepoznatom Lagranževom množitelju
Å ã Å ã
1 3
2 − λ +3 − λ −6 = 0 ,
4 10
i dalje lako dobijamo λ = − 30 ∗ ∗
7 , x1 = 1.071 i x2 = 1.286.

Intuitivni dokaz metoda Lagranževih množitelja

Analitički pristup Dokaze teorije Lagranževih množitelja iznećemo

manje formalno, ali na dva načina, prvo ćemo razmotriti analitički
pristup, a zatim i grafičku interpretaciju. Da bi pojednostavili obja-
šanjenja iz nastavka teksta, kao i ranije ograničili smo se na studiju
kriterijuma optimalnosti sa dve promenljive

y = y(x1 , x2 ) , (6)
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 4

i jedno ograničenje
g(x1 , x2 ) = 0 . (7)
Podsetimo na teoriju metoda ograničene varijacije iz prethodnog
poglavlja, gde smo pokazali da u tački ekstrema važe sledeće relacije

∂y ∂y
dy = dx1 + dx2 = 0 , (8)
∂x1 ∂x2
odnosno, da su dozvoljeni priraštaji ograničeni sledećom jednačinom

∂g ∂g
dg = dx + dx2 = 0 . (9)
∂x1 1 ∂x2
Iz jednačine (9) nalazimo sledeću vezu dozvoljenih priraštaja
∂g
∂x2
dx1 = − ∂g
dx2 , (10)
∂x1

koju zamenjujemo u (8) i dobijamo

Ñ é
∂y
∂y ∂x ∂g
dy = − ∂g1 dx2 = 0 . (11)
∂x2 ∂x2
∂x1

Ako uvedemo smenu

∂y
∂x1
λ=− ∂g
, (12)
∂x1

prethodni izraz (11) postaje

Å ã
∂y ∂g
dy = +λ dx2 = 0 , (13)
∂x2 ∂x2

a jednačina (12) se može zapisati na sledeći način

∂y ∂g
+λ =0 (14)
∂x1 ∂x1

Izraz u zagradi jednačine (13) 7 i (14) čine sistem jednačina tipa 7

Očigledno je da izraz u zagradi mora
biti jednak nuli da bi se ovaj izraz
∂y(xi ) ∂g (x ) održao.
+ λk k i = 0 za i = 1, 2 , za k = 1, 2, . . . , m (15)
∂xi ∂xi

koje uz jednačinu ograničenja (7) predstavljaju potreban uslov ekstre-

ma u duhu teorije Lagranževih množitelja.

Geometrijski pristup Počećemo ponovo od slučaja dve promenljive,

verujući da bi vizualizacija složenijeg problema bila veoma kompliko-
vana i teško razumljiva. Zadatak nam je da nad̄emo minimum/mak-
simum funkcije
y = y(x1 , x2 ) , (16)
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 5

uz ograničenje
g(x1 , x2 ) = 0 . (17)
Naše rešenje (x1∗ , x2∗ ), mora da obezbedi stalno poštovanje ograničenja
(17), g(x1∗ , x2∗ ) = 0, a vrednost kriterijuma optimalnosti y(x1∗ , x2∗ ) = c
mora da bude što je moguće manja/veća. Kada se poklope ova dva
uslova, krive y(x1∗ , x2∗ ) = c i g(x1∗ , x2∗ ) = 0 se med̄usobno dodiruju
u tački (tangentno se dodiruju), što znači da su njihovi tangentni
vektori med̄usobno paralelni i upravni na ravan dodira.
Ovo praktično znači, da ako su funkcije (16) i (17) diferencijabilne
onda su u svakoj tangentnoj tački ove dve krive, njihovi gradijentni
vektori med̄usobno paralelni, odnosno postoji celobrojni multiplika-
tor koji ih povezuje:

∇y(x1 , x2 ) = λ∇ g(x1 , x2 ) , (18)

Suštinski je jasno da jednačina (18) u potpunosti odgovara (15), od-
nosno da uz jednačinu ograničenja (17) predstavlja potrebne uslove
ekstrema. Ilustrovaćemo prethodna razmatranja na primeru. Pitanje znaka Lagranževog množitelja λ
nije od posebnog interesa u problemima
Primer 2. Metod Lagranževih množitelja optimizacije sa ograničenjima tipa
jednakosti, med̄utim u poglavljima koja
Posmatrajmo kriterijum optimalnosti sa dve promenljive stanja: slede, biće od centralnog značaja.

y(x1 , x2 ) = 3x1 + 4x2 .

promenljive x1 i x2 moraju da zadovolje ograničenje
x12 + x22 = 1 .
Prvi korak je da formiramo Lagranževu funkciju (3):
Ä ä
L = 3x1 + 4x2 + λ x12 + x22 − 1 ; .
Parcijalni izvod po originalnim promenljivim daje sledeći sistem
jednačina:

∂L
=3 + 2λx1 = 0
∂x1
∂L
=4 + 2λx2 = 0 .
∂x2
Parcijalni izvod po dodatnoj promenljivoj daje:

∂L
= x12 + x22 − 1 = 0 .
∂λ
Rešavanje ovog sistema jednačina nije komplikovano, preporučujemo
da elimišete λ iz prve dve jednačine i onda se iz kvadratne jednačine
ograničenja dobiju dve tačke ekstrema, slika 1, ( 53 , 45 ) i (− 35 , − 45 ) i
vrednost lagranževog množitelja λ = ± 25 . Rešenje na osnovu grafičke
interpretacije, detaljno smo obrazložili u komentaru slike 1.
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 6

Slika 1: Funkcije y(x1 , x2 ) =

3
3x1 + 4x2 ima najveću vred-
nost na jediničnoj kružnici
2 g(x1 , x2 ) = x12 +22 −1 = 0 u tački
( 35 , 45 ), a minimalnu vrednost
1 u tački (− 35 , − 45 ). U svakoj od
tačaka ekstrema moguće je iz-
0 računati celobrojnu srazmeru
izmed̄u ∇y i ∇ g, ova vrednost
-1 je izračunata u gornjoj tački,
čitaocu prepuštamo da izraču-
-2
na vrednost u preostaloj tački
ekstrema.
-3

-4 -3 -2 -1 0 1 2 3 4

Dovoljni uslovi ekstrema, metod Lagranževih množitelja

Analizu dovoljnih i (ne)dovoljnih uslova ekstrema u duhu teorije

Lagranževih množitelja, počećemo primerom, a dobijene rezultate i
zakonomernosti gledaćemo da uopštimo u pravilo, koje ćemo nadalje
primenjivati.

Primer 3. Cilindar minimalne površine r

Od svih cilandara zadate zapremine odrediti onaj minimalne povr-
šine. Ovaj zadatak se često kolokvijalno naziva i problem optimalne h
konzerve, jer očigledno predstavalja konzervu za koju treba potrošiti
najmanje materijala (minimalna površina), a da u nju stavimo željenu
zapreminu (zadata zapremnina), slika 2.
Kriterijum optimalnosti, čiji minimum tražimo je površina cilindra sa Slika 2: Cilindar poluprečnika
slike 2: r i visine h. Površina cilindra je
A = 2r2 π + 2rπh, zapremina se
y ≡ A = 2r2 π + 2rπh , računa kao V = r2 πh
.
a ograničenje je zadata zapremina:

g ≡ V = r2 πh .

Lagranžijan, koji ćemo zbog raznovrsnosti sada obeležiti sa F, za naš

problem je sada:
Ä ä
F = 2r2 π + 2rπh + λ V − r2 πh ; .
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 7

Potrebni uslovi počinju počinju od uslova stacionarnosti: Iz uslova stacionarnosti možemo prime-
titi nekoliko zakonomernosti. Množenje
sa konstantom svih članova kriterijuma
∂F optimalnosti ne utiče na studiju pro-
=4rπ + 2πh − 2λrhπ = 2r + h − λrh = 0 blema, zato nam π faktički i ne treba.
∂r Med̄utim interesantniji je drugi zaklju-
∂F
=2rπ − λr2 π = r (2 − λr) = 0 čak, rešavanjem uslova stacionarnosti
∂h lako dobijamo kandidata za minimum
r = h = 0, što bi nedvosmislemo znači-
Odbacivanjem trivijalnih rešenja, koja ne zadovoljavaju ograničenja, lo, cilindar najmanje zapremine je onaj,
lako dolazimo da je kandidat za minimum, cilindar koji ima prečnik koji ne postoji, naravno ovo rešenje od-
bacujemo zbog postojanja ograničenja
jednak visini 2r = h. U tom slučaju željene vrednosti poluprečnika i V = r2 πh, a čitaoce podsećamo na prva
visine cilindra se izračunavaju kao četiri koraka u iznalaženju potrebnih
uslova ekstrema metodom Lagranževih
množitelja. Ovde ponovo podsećamo
ã1 na neophodnost pravilnog definisanja
V 3
Å
r= optimizacionog problema, npr. pitanje,
2π koji je cilindar najmanje površine sigur-
Å ã1 no bi dobili trivijalno rešenje A = 0.
V 3 Slično tome rešenje problema, želimo
h =2
2π maksimalnu proizvodnju uz minimalna
Å ã1 ulaganje bi nam bilo beskonačno i nula
16π 3 respektivno. Ostavljamo čitaocima da
λ=
V osmisle i pravilno definišu ovaj problem
proizvodnje i ulaganja.

Ako je ovo rešenje tačno, nije teško

shvatiti da limenke od 0.33 i 0.5 litara
Iz postavke samog optimizacinog problema, nije teško prihvatiti da je nemaju minimalan utrošak materijala,
dobijeno rešenje minimum našeg optimizaciong problema, a to ćemo ali verujemo da bi zaista bilo naporno
u nastavku teksta pokušati i da dokažemo. Logično bi bilo da studiju držati konzervu širine nešto više od
8cm (0.5l)
dovoljnih uslova započnemo u duhu slobodne optimizacije, odnosno
da formirmao Hesijan, gde je kriterijum optimalnosti Lagranžijan F,
promenljive x1 i x2 su r i h respektivno. Tada je:

∂2 F
=4 − 2λh
∂r2
∂2 F
=2 − 2λr
∂r∂h
∂2 F
=0 ,
∂h2
odnosno u tački ekstrema:

∂2 F
D1 = = −4
∂r2
Ç å2
∂2 F ∂2 F ∂2 F
D2 = − = −4 .
∂r2 ∂h2 ∂r∂h

Iz ovako dobijenih uslova sledi da je kandidat za minimum u stvari

prevojna tačka. Ponavljamo da logika i fizika problema nameću da
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 8

je rešenje ipak minimum, što bi značilo da ovakav način ispitivanja

karaktera ekstrema u slučaju metoda Lagranževih množitelja, nije
dovoljno dobar i da ispitivanje karaktera ekstrema moramo da nasta-
vimo na neki drugi način. Postupak ispitivanje dovoljnih uslova u Važna napomena, da je analiza defi-
nastavku teksta dajemo bez dokaza i upućujemo čitaoce na preporu- nitnosti Hesijana pokazala da se radi
o minimumu ili maksimumu, tada bi
čenu literaturu i na pojašnjenja koja ćemo dati u samom tekstu. rešenje zaista bilo minimum ili maski-
mum. Med̄utim, ako se pokaže da je
Korake u analizi dovoljnih uslova obeležićemo brojevima 5 i 6, kao rešenje prevojna tačka moramo nastaviti
nastavak stavki iz prvog paragrafa ovog teksta Potrebni uslovi lokalnog dalje ispitivanje.
ekstrema, metod Lagranževih množitelja.

5. Pod uslovom da je Laganževa funkcije (3) diferencijabilna do

reda koji nam je potreban, formiraćemo matricu Q kao matricu
drugih izvoda Lagranževe funkcije

∂2 L ∂2 L ∂2 L ∂2 L
 
2 ∂x1 ∂x2 ∂x1 ∂x3 ... ∂x1 ∂xn
 ∂x2 1
∂2 L ∂2 L ∂2 L 

 ∂L ...
 ∂x2 ∂x1
 2 ∂x22 ∂x2 ∂x3 ∂x2 ∂xn 
∂2 L ∂2 L ∂2 L 

 ∂L ...
Q=  ∂x3 ∂x1 ∂x3 ∂x2 ∂x32 ∂x3 ∂xn  . (19)
 
 .. .. .. .. .. 

 . . . . . 

∂2 L ∂2 L ∂2 L ∂2 L
∂xn ∂x1 ∂xn ∂x2 ∂xn ∂x3 ... ∂xn2

Akko je matrica Q (19) u stacionarnoj tački (xi∗ , λ∗k ):

(a) Pozitivno definitna, tada je tačka (xi∗ , λ∗k ) lokalni minimum.

(b) Negativno definitna, tada je tačka (xi∗ , λ∗k ) lokalni maksi-
mum.
(c) Nedefinitna tada idemo na sledeći korak u ispitivanju ka-
raktera ekstrema 8 8
Kao i ranije slučajeve semidefinitnosti
nećemo posebno ispitivati.
Radi lakšeg praćenja teksta uvešćemo sledeću oznaku
∂2 L
∂x ∂x = Lij .
i j | x = x ∗ ,λ=λ∗

6. U stacionarnoj tački (xi∗ , λ∗k ) izračunaćemo vrednost gradijenta

svih ograničenja P

 ∂g ∂g1 ∂g1

1
∂x1 ∂x2 ... ∂xn
 ∂g2 ∂g2 ∂g2 

∂x1 ∂x2 ... ∂xn

P= . ;. (20)
 
 .. .. .. .. 
 . . . 

∂gm ∂gm ∂gm
∂x1 ∂x2 ... ∂xn

Gde su slično kao i ranije vrednosti elemenata matrice P (20) u

stacionarnoj tački obeležene kao
∂gi
∂x = gij
j | x = x ∗ ,λ=λ∗
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 9

Naredni korak je da formiramo matricu ∆ na sledeći način

ñ ô
Q − µIn×n PnT×m
∆= , (21)
Pm×n 0m × m
gde su sa 0m×m obeležene nula matrica odgovarajućih dimenzi-
ja, a sa I jedinična matrica dimenzije n × n. Parametre µ ćemo
izračunati iz odgovarajuće determinante matrice ∆

 
 L11 − µ L12 L13 ... L1n g11 g21 ... gm1 

 L
 21 L22 − µ L23 ... L2n g12 g22 ... gm2 
 L31 L32 L33 − µ ... L3n g13 g23 ... gm3 
 
 .. .. .. .. .. .. .. .. .. 
. .

 . . . . . . . 
∆ =  Ln1
 
 Ln2 Ln3 ... Lnn − µ g1n g2n ... gmn 
 g g12 g13 ... g1n 0 0 ... 0 
 11
 g21 g22 g13 g1n
 
... 0 0 ... 0 
.. .. .. .. .. .. .. 
 
 .. ..

 . . . . . . . . . 
 g gm2 gm3 ... gmn
... 0 0 0 
m1
(22)
Rešavanjem determinante ∆ (22) dobijamo polinom u funkciji
parametra µ i akko su koreni polinoma

(a) µi > 0 za i = 1, . . . , n tada funkcija ima (lokalni) minimum

(b) µi < 0 za i = 1, . . . , n tada funkcija ima (lokalni) maksimum

Primena poslednjeg pravila nije jednostavna pre svega zbog

dimenzionalnost matrice ∆, koja je (m + n) × (m + n), ali u
većini naših analitičkih studija ograničićemo se na probleme
umerene dimenzionalnosti.

Čitaocima ostavljamo da ispitaju dovoljne uslove za prethodni pri-

mer, minmalne površine cilindra.

1.2 Metod kaznenih funkcija

Metod kaznenih funkcija je pre svega namenjen numeričkim iz-
računavanjima, kada optimizacioni problem sa ograničenjima treba
prilagoditi numeričkim algoritmima, koji su namenski razvijeni za
traženje ekstremnih vrednosti kriterijuma optimalnosti bez ograniče-
nja. Odnosno, metodom kaznenih funkcija se transformiše kriterijum
optimalnosti u formu, koja inherentno sadrži ograničenja, a kazna za
neispunjavanje ograničenja bi obesmislila optimizacionu proceduru.
Ilustrovaćemo metod kaznenih funkcija na jednom trivijalnom prime-
ru, koji u osnovi i nije optimizacioni problem, ali odlično objašnjava
osnovne principe ovog metoda.
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 10

Primer 4. Grafički prikaz metode kaznenih funkcija

Neka je dat kriterijum optimalnosti

y = x2 ,

i želimo da naše rešenje zadovolji ograničenje 9 9

Kao što smo naučili, ovo nije optimi-
zacioni problem, jer je broj ograničenja
x=1, jednak broju promenljivih, ali se na
veoma intutivan način vide osnovni
principi metode kaznenih funkcija
Uvedimo sada novi kriterijum optimalnosti na sledeći način, koji će
nam pomoći da nad̄emo minimum funkcije sa datim ograničenjem

F = x2 + P (x − 1)2 ,

gde se član (x − 1)2 naziva kaznena funkcija, a težinski faktor P za

velike vrednosti obezbed̄uje da se u postupku slobodne optimizacije
funkcije F zadovolji i jednačina ograničenja, slika 3.

100 Slika 3: Ilustracija metoda

90 kaznenih funkcija. Funkcija
80 F = x2 + P (x − 1)2 je nastala
70 od funkcije y = x2 dodajući
60
ograničenje (x − 1) pod znakom
kvadrata, a značaj ograničenja
50
je odred̄en težinskim fakto-
40
rom P. Jasno se vidi da za veće
30
vrednosti P početna funkcija
20
x2 prelazi u funkciju koja ima
10 minimum u tački x = 1. Do
0
-1 -0.5 0 0.5 1 1.5 2 2.5 3
rešenja x ∗ = 1 dolazi se slobod-
nom optimizacijom proširenog
kriterijuma F.
Slobodnom optimizacijom proširenog kriterijuma F dobijamo

F 0 (x) = 2x + 2P (x − 1) = 0 ,

odnosno
P
x∗ = ,
1+P
što za velike vrednosti P čini da je x ∗ = 1.

Pristup iz prethodnog primera uopštićemo na slučaj funkcije više

promenljivih. Naći ekstrem funkcije:

y = y(x1 , x2 , . . . , xn ) , (23)
 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 11

uz ograničenja

gk (x1 , x2 , . . . , xn ) = 0 za k = 1, 2, . . . , m . (24)

Cilj nam je da formiramo novi kriterijum optimalnosti, koji će obez-

bediti da se ograničenja stalno poštuju, a da je postupak rešavanja
zasnovan na principima optimizacije bez ograničenja. Pri tome, kon-
strukcija tog kriterijuma optimalnosti nije opšta već zavisi od toga da
li je ekstrem u minimumu ili maksimumu. Pretpostavimo da tražimo
minimum funkcije (23), tada nam novi kriterijum optimalnosti ima
sledeću formu
m
F = y(x1 , x2 , . . . , xn ) + ∑ Pk gk2 (x1 , x2 , . . . , xn ) , (25)
k =1

gde se članovi pod sumom nazivaju kazneni članovi, a gk2 je kazne-

na funkcija, ponderi Pk imaju velike vrednosti, teoretski se kaže da
Pk → ∞. Kazneni član, koji zbog znaka kvadrata uvek pozitivan,
dramatično povećava vrednost optimizacionog kriterijuma, jedini
način da se njegov uticaj anulira je da su stalno zadovoljena ograni-
čenja (24), do ovog rešenja dolazimo prirodno, tretirajući problem
iznalaženja minimuma funkcije F (25) kao problem bez ograničenja.
U slučaju da rešavamo problem iznalaženja maksimuma, po slič-
noj analogiji uopšteni kriterijum optimalnosti formiramo na sledeći
način:
m
F = y(x1 , x2 , . . . , xn ) − ∑ Pk gk2 (x1 , x2 , . . . , xn ) . (26)
k =1
U specijalnom slučaju kada imamo samo jedno ograničenje novi
kriterijum optimalnosti za minimum i maksimum mogu se formirati i
kao:

F = y ± g2P . (27)
Ilustrovaćemo metod kaznenih funkcija i kroz primer.
Primer 5. Metod kaznenih funkcija
Izračunati minimum kriterijum optimalnosti sa dve promenljive
stanja:

y(x1 , x2 ) = 4x12 + 5x22 .

promenljive x1 i x2 moraju da zadovolje ograničenje:

g = 2x1 + 3x2 − 6 = 0 .

Prvi korak je formiranje modifikovanog kriterijuma optimalnosti, koji

odgovara traženom minimumu: (25)

F = 4x12 + 5x22 + P (2x1 + 3x2 − 6)2 .

 optimizacija uz ograničenja tipa jednakosti, metodi lagranževih množitelja i kaznenih funkcija 12

Stacionarne tačke dalje tražimo, kao da ograničenja ne postoje:

∂F
=8x1 + 4P (2x1 + 3x2 − 6) = 0
∂x1
∂F
=10x2 + 6P (2x1 + 3x2 − 6) = 0 .
∂x2

Eliminacijom P dobijamo

8x1 10x2
= − P (2x1 + 3x2 − 6) =
4 6
tako da je
5
x1 = x2
6
∂F
Zamenom u jedan od izraza ∂xi , npr. u prvi dobijamo 10 10
Obratite pažnju, ne zamenjujemo
u jednačinu ograničenja g = 0, to
Å
5
ã Å
5
ã bi onda bila modifikacija metoda
8 x2 + 4P x2 + 3x2 − 6 = 0 , Lagranževih množitelja, već dalje
6 3 rešavamo kao problem bez ograničenja.
Što je i osnovna pretpostavka ovog
ili postupka.
24P 9
x2 = 20
= .
3 + P 56
3 7 + 5
2P
Za velike vrednosti pondera P (P → ∞) daje poznatu vrednost za
x2∗ = 1.286 i dalje x1∗ = 1.071. Proverom dovoljnih uslova, bez većih
problema dobijamo

D1 =8 (1 + P) > 0
D2 =16 (5 + 14P) > 0

Što nedvosmisleno ukazuje da se radi o minimumu funkcije.

Čitaocima za vežbu ostavljamo da prethodni primer reše pretpo-

stavljajući kriterijum optimalnosti u formi F = y + g2P .