Professional Documents
Culture Documents
V02. Višedimenziona Optimizacija Bez Ograničenja
V02. Višedimenziona Optimizacija Bez Ograničenja
Zadaci
1. Da li postoji optimum u stacionarnoj tački funkcije y(x) =
8x1 + x2 + 5x12 − 9x1 x2 + 2x22 ?
1. Potrebni uslovi
Prvo ćemo pronaći stacionarnu tačku1 . 1
Podsećanje sa predavanja: potreban
uslov za postojanje stacionarne tačke
∂y jeste da je priraštaj funkcije 5 f (x) = 0.
= 8 + 10x1 − 9x2 = 0 Karakter stacionarne tačke ispitujemo
∂x1
(1) na osnovu vrednosti funkcija viših
∂y izvoda.
= 1 − 9x1 + 4x2 = 0
∂x2
• Silvesterove teoreme
• Svojstvenih vrednosti
D1 = 10 > 0
D2 = 40 − 81 = −41 < 0.
Na osnovu dobijenih vrednosti glavnih minora, možemo da
zaključimo da tačka A nije optimum.
(b) Svojstvene vrednosti3 3
Sopstvene vrednosti i karakter ekstre-
ma Neka su λ1 , λ2 , . . . , λn sopstvene
vrednosti Heseove matrice H, za matri-
λI − H = 0
cu kažemo da je
i. pozitivno definitna ako su sve
ñ ô vrednoti λi > 0 . . . i = 1, . . . , n
λ 0 10 −9 ii. pozitivno semidefinitna ako su sve
λI − H = − =0
0 λ −9 4 vrednoti λi ≥ 0 i1 , . . . , n
iii. negativno definitna ako su sve
λ − 10 9 vrednoti λi < 0 i1 , . . . , n
λI − H = =0
iv. negativno semidefinitna ako su sve
9 λ − 4
vrednoti λi ≤ 0 i1 , . . . , n
v. nedefinitna ukoliko sopstvene
λI − H = (λ − 10)(λ − 4) − 81 = 0
vrednosti menjaju znak
∂f
= 2x1 x2 + x23 − x2 = x2 (2x1 + x22 − 1) = 0
∂x1
(2)
∂f
= x12 + 3x22 x1 − x1 = x1 (x1 + 3x22 − 1) = 0
∂x2
Iz jednačine (2) možemo da zaključimo da ćemo imati četiri
slučaja kada su zadovoljeni potrebni uslovi:
x1 = 0, x2 = 0 → A(0, 0)
x2 = 0, x1 + 3x22 − 1 = 0 → B(1, 0)
x1 = 0, 2x1 + x22 − 1 = 0 → C(0, 1), D(0, −1)
2 1 2 1
x1 + 3x22 − 1 = 0, 2x1 + x22 − 1 = 0 → E( , √ ), F( , − √ )
5 5 5 5
statička optimizacija u slučaju funkcije više promenljivih 3
2. Dovoljni uslovi
1. Silvesterova teorema
Upotrebom Silvestorove teoreme„ formiramo Heseovu matri-
cuna na osnovu koje ćemo zaključiti karakter dobijenih stacio-
narnih tačaka:
∂2 y ∂2 y
∂x 2 ∂x1 ∂x2
H= 21
∂ y ∂2 y
∂x1 ∂x2 ∂x2 2
ñ ô
2x2 2x1 + 3x22 − 1
H=
2x1 + 3x22 − 1 6x1 x2
Odakle sledi da su glavni minori matrice H:
D1 = 2x2
D2 = 12x22 x1 − (2x1 + 3x22 − 1)2 ;
2 1 2 1
A(0, 0) B(1, 0) C(0, 1) D(0, −1) E( , √ ) F( , − √ )
5 5 5 5
2 2
D1 0 0 2 −2 √ −√
5 5
4 4
D2 −1 −1 −4 −4
5 5
Karakter / / / / MINIMUM MAKSIMUM
λI − H = (λ − 2x2 )(λ − 6x1 x2 ) − (2x1 + 3x22 − 1)2 = 0
2 1 2 1
A(0, 0) B(1, 0) C(0, 1) D(0, −1) E( , √ ) F( , − √ )
5 5 5 5
√ √
λ1 1 1 1+ 5 −1 + 5 9.756 −0.082
√ √
λ2 −1 −1 1− 5 −1 − 5 0.082 −9.756
∂D
= −0.4x − 0.2y + 100 = 0
∂x
(3)
∂D
= −0.5y − 0.2x + 180 = 0
∂y
D1 = −0.4
D2 = −0.2 − 0.04 = 0.16
Pošto je vrednost D1 < 0, a vrednost D2 > 0, možemo da
zaključimo da će ostvarena dobit biti maksimalna.
statička optimizacija u slučaju funkcije više promenljivih 5
Put
s3 y−x
Suma s2
x 1, 5km
Siprag s1 1km
Sumar
10km
U ovom slučaju, potrebno je da minimizujemo vreme kako bi
šumar za što kraće vreme stigao do kuće:
T = T1 + T2 + T3
s s2 s
T= 1 + + 3
V1 V2 V3
√ p
1 + x2 1.52 + (y − x)2 10 − y
T= + +
V1 V2 V3
Nakon što smo formirali kriterijum optimalnosti, potrebno je
da nad̄emo pparcijalni izvode po promenljivim x i y:
∂T 1 2x 1 −2(y − x)
= √ + p =0
∂x 3 2 1 + x2 4 2 1.52 + (y − x)2
∂T 1 2(y − x) 1
= p − =0
∂y 4 2 1.5 + (y − x)
2 2 5
1 (y − x) 1 x
p = √
4 1.5 + (y − x)
2 2 3 1 + x2
1 (y − x) 1
p =
4 1.52 + (y − x)2 5
1 x 1
√ =
3 1 + x2 5
p
5x = 3 1 + x2
3
x=±
4
Pošto je u pitanju fizička veličina, kao optimalnu vrednost x,
uzimamo x = 34 .
statička optimizacija u slučaju funkcije više promenljivih 6
»
5(y − x) = 4 (y − x)2 + 1.52 /2
25(y − x)2 = 16((y − x)2 + 1.52 )
9(y − x)2 = 16 ∗ 1.52
4 ∗ 1.5
(y − x) = ±
3
4 ∗ 1.5
y = x±
3
3
y = ±2
4
∗ 11
y =
4