 |
Метод множителей Лагранжа
|
|
|
|
Метод множителей Лагранжа является классическим методом решения задач математического программирования (в частности выпуклого).
Рассмотрим классическую задачу оптимизации
при ограничениях
(
).
От основной задачи выпуклого программирования в данной постановке задача отличается тем, что в системе ограничений нет неравенств и нет ограничения неотрицательности для переменных.
Классический подход к решению данной задачи дает систему уравнений (необходимые условия), которым должна удовлетворять точка 
, доставляющая функции 
локальный экстремум на множестве точек, удовлетворяющих системе ограничений (для задачи выпуклого программирования найденная точка будет и глобальным экстремум).
Предположим, что в точке функция имеет локальный условный экстремум и ранг матрицы
равен m. Тогда необходимые условия запишутся в виде:
(
),
(
),
где
есть функция Лагранжа, 
– множители Лагранжа.
Алгоритм решения задачи методом множителей Лагранжа:
1. Составить функцию Лагранжа.
2. Найти частные производные функции Лагранжа по всем переменным 
и приравнять их к нулю. Получим систему из n+m уравнений с n+m неизвестными. Решив полученную систему, вычислим стационарные токи функции Лагранжа.
3. Из стационарных точек, взятых без , выбрать точки, в которых функция имеет условный локальный экстремумы при наличии ограничений.
Пример: Решить задачу математического программирования, используя метод множителей Лагранжа.
при
,
Решение:
Будем решать задачу без учета неотрицательности переменных.
1. Составим функцию Лагранжа.
2. Найдем ее частные производные по 
.
Приравняв производные к нулю, получим систему:
|
|
|
Решим ее:
Получена стационарная точка (91, 89). С помощью вторых производных легко доказать, что в полученной точке функция достигает условный локальный экстремум. Данная точка является точкой минимума функции.
Ответ: Z=17278.
Градиентные методы
Градиентным методом можно решать любую нелинейную задачу. При этом находится локальный экстремум. Целесообразнее же этот метод используют при решении задач выпуклого программирования.
Будем рассматривать задачу максимизации нелинейной дифференцируемой функции 
. Суть градиентного поиска точки максимума:
Возьмем произвольную точку 
из области допустимых значений. C помощью градиента функции 
в точке (
Определим направление, в котором 
возрастает с наибольшей скоростью. Затем сделав небольшой шаг в найденном направлении, перейдем в новую точку 
. Далее снова определяем наилучшее направление для перехода в очередную точку 
и т.д.
Поисковая траектория представляет собой ломаную 
. Таким образом, надо построить последовательность 
так, чтобы она сходилась к точке максимума. Для точек последовательности выполняются условия 
Градиентные методы, как правило, позволяют найти точные решения за бесконечное число шагов и лишь в некоторых случаях за конечное. В связи с этим градиентные методы относят к приближенным методам решения.
Блок 4
|
|
|
