Численные методы оптимизации
Выбери формат для чтения
Загружаем конспект в формате pdf
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
Численные методы
оптимизации
М.Р.Давидсон
МГУ им Ломоносова, ф-т ВМиК
Кафедра Исследования Операций
Лекция 1 Введение
Постановка задачи оптимизации
min f ( x)
x∈ X
целевая функция (функция цели)
X - допустимое множество
Вид допустимого множества:
Пример 1 X = {x ∈ R n | g i ( x) ≤ 0, i = 1,..., m}
Пример 2
X = {x ∈ R n | g ( x, y ) ≤ 0, y ∈ Y }
f ( x) : R n → R
• Математические исследования отдельных
экономических проблем (20e гг. ХХ века)
– Развитие экономики потребовало количественных показателей, и в 1920
годы был создан межотраслевой баланс (МОБ). Он-то и послужил
толчком в деле создания и исследования математических моделей.
Разработка МОБ в 1924—1925 годах в СССР повлияла на работы
экономиста и статистика Василия Васильевича Леонтьева. Он разработал
межотраслевую модель производства и распределения продукции:
Модель продуктивна, если для всякого неотрицательного у
разрешима система
x = Ax + y, x ≥ 0, y ≥ 0
• Начало линейного программирования
В 1938 году Леонид Витальевич Канторович в порядке научной
консультации приступил к изучению практической задачи по составлению
наилучшего плана загрузки лущильных станков (фанерный трест). Эта
задача не поддавалась обычным методам.
В 1939 году Л.В. Канторович написал работу «Математические методы
организации и планирования производства», в которой сформулировал
новый класс экстремальных задач с ограничениями и разработал
эффективный метод их решения, таким образом были заложены основы
линейного программирования. В ней был предложен расчетный метод,
позволяющий находить решение технико-экономических вопросов такого
рода, как наиболее рациональное распределение работ по механизмам,
раскрои материала с минимальными отходами, распределение грузов по
нескольким видам транспорта и т. п. Однако эта работа настолько
опережала время и настолько не соответствовала догматам тогдашней
политической экономии, что ее публикация оказалась возможной только в
1959 г.
Изучение подобных задач привело к созданию новой научной дисциплины
линейного программирования и открыло новый этап в развитии
экономико-математических методов.
• Применение в исследовании операций
Источник: Ф.Морз,
Дж.Кимбелл, Методы
исследования операций,
1956
• Критерий соотношения потерь (число потопленных
ПЛ/число потопленных торговых судов):
• Задача оптимизации: максимизировать соотношение потерь
Другие примеры задач оптимизации: Задача об
оптимальном рационе
Транспортная задача
• Симплекс - метод
Исторически общая задача линейного программирования была впервые
поставлена в 1947 году Джорджем Бернардом Данцигом, Маршаллом
Вудом и их сотрудниками в департаменте военно-воздушных сил США. В
то время эта группа занималась исследованием возможности
использования математических методов для военных задач и проблем
планирования.
В 1949 году Данциг разработал эффективный метод решения задач
линейного программирования (ЛП)— симплекс-метод.
Первое успешное решение задачи ЛП на ЭВМ SEAC было проведено в
январе 1952 года
• Что значит «эффективность»?
– Понятие сложности задачи (битовая длина
записи исходных данных задачи)
– Понятие сложности алгоритма решения
(количество машинных операций, как функция
от размерности задачи)
– Эффективный/неэффективный –
полиномиальный/экспоненциальный
– Пример 1: метод Гаусса решения системы
линейных равенств (О(n^3))
– Пример 2: эффективный алгоритм определения
простоты числа ???
• Эффективен ли симплекс-метод?
– Сколько вершин у многогранника, заданного n
линейными ограничениями?
Пример: X = {x ∈ R n | 0 ≤ xi ≤ 1, i = 1,..., n}
– Может ли симплекс-метод обойти все
вершины?
Klee, Victor Minty, George J. How good is the
simplex algorithm? // Inequalities III (Proceedings of
the Third Symposium on Inequalities held at the
University of California, Los Angeles, Calif.,
September 1–9, 1969,
• Полиномиальный алгоритм для задачи ЛП
– метод эллипсоидов (Хачиян Л.Г., 1979) –
O(n^3(n + m)L)
– метод внутренней точки (Кармаркар Н., 1984,
O(m^{3/2}n^2L)
– J. Renegar (1986) O(n^3L)
– A.Немировский, Ю.Нестеров (1988), обобщение
на выпуклый случай
• Классификация задач оптимизации
– Безусловная оптимизация
• глобальный/локальный экстремум
– Условная оптимизация
• Линейное программирование (ЛП)
• Выпуклое программирование
• Общая задача нелинейного программирования
(НЛП)
• Полубесконечная оптимизация
– Негладкая оптимизация
– Дискретное программирование
Лекция 2 Основные понятия
• Вектор
x1
x2
n
x ∈ R , x = ,
x
n
xT = ( x1 , x2 , , xn )
• Векторное пространство: линейное
пространство, в котором, есть 0,
определены сложение векторов,
умножение векторов на число
Свойства так определенного скалярного произведения
• Неравенство Коши-Буняковского (следует непосредственно из свойств
скалярного произведения)
( x, y ) ≤| x | | y |, где | u |= (u , u )1/ 2
• Неравенство треугольника
| x + y |2 = ( x, x) + ( y, y ) + 2( x, y ) ≤ ( x, x) + ( y, y ) + 2 | x || y |
=| x |2 + | y |2 +2 | x || y |= (| x | + | y |) 2 , откуда
| x + y |≤| x | + | y |
• Метрическое пространство – это пространство, в котором
определена метрика:
• Нормированное пространство – пространство, где для
каждого вектора определена норма
• Пользуясь свойствами скалярного произведения и
неравенством треугольника, можем определить
Евклидову метрику:
d ( x, y ) =| x − y |
• Евклидова длина вектора
| u |= (u , u )1/ 2
является нормой
• Матрицы
• Умножение матрицы на вектор и на матрицу
• Частный случай: произведение векторов
x ∈ R n , y ∈ R n , x T y ≡ ( x, y )
• Неотрицательно/положительно определенные
матрицы A ≥ 0 ⇔ ( Ax, x) = xT Ax ≥ 0 ∀x ∈ R n
• Симметричная матрица имеет n вещественных
собственных чисел и ортонормированный базис из
собственных векторов
Ah = λi h , i = 1,..., n
i
i
i
j
(h , h ) = 0, i, j = 1,..., n, i ≠ j
• Симметричная матрица неотрицательно определена тогда
и только когда, ее собственные числа неотрицательны.
λi ≥ 0, i = 1,..., n
• Операторная норма матрицы
• 88
x ∈ R n , || Ax ||≤|| A || || x ||
• По определению для всех
• В Евклидовом пространстве для любого х
/2
|| Ax ||= ( Ax, Ax)1/ 2 = ( AT Ax, x)1/ 2 ≤ λ1max
( AT A) || x ||
/2
( AT A)
• Таким образом || A ||= λ1max
• Если А симметрична, || A ||= max | λ ( A) |
• Аналогично, || A−1 ||= max | 1 / λ ( A) |= 1 / min | λ ( A) |