(2.45)
при ограничении
(2.46)
Функция Лагранжа имеет вид
Необходимые условия оптимума следующие:
(2.47)
Из этой системы уравнений находим оптимальные значения x1,х2, λ.
Пусть λ* – оптимальное значение множителя Лагранжа, а ,
–
оптимальное решение задачи. Далее, пусть максимум функции
при λ = λ* достигается в точке
, причём
и
. Очевидно, что оптимальные значения
связаны функциональной зависимостью
с величиной b, задающей границу наличия дефицитного ресурса.
Изменения I* (оптимального значения I), обусловленные
изменениями b , описываются частной производной .
По правилу дифференцирования сложной функции имеем:
(2.48)
Дифференцируя обе части ограничения f﴾x1, х2) – b=0, получаем
(2.49)
Умножим обе части равенства (2.49) на λ* и суммируем с равенством (2.48):
(2.50)
Так как и λ*
удовлетворяют уравнениям (2.47), равенство (2.20) приводится к виду
(2.51)
Таким образом, из формулы (2.51) следует скорость изменения оптимального значения I, вызываемого изменением b, с точностью до знака равна оптимальному значению множителя Лагранжа (на знак самого множителя Лагранжа λ никаких требований не накладывается). Другими словами, величина изменения оптимального значения целевой функции (теневая цена), обусловленного единичным увеличением правой части ограничения, задаётся множителем Лагранжа. В зависимости от знака λ* значение I* при изменении b могут увеличиваться или уменьшатся.
В случае когда рассматривается оптимизационная задача с m ограничениями и n переменными (m<n):
при ограничениях
пользуясь аналогичной схемой рассуждений, можно показать, что
2.7 Метод штрафных функций
Рассмотрим решение задачи условной оптимизации
(2.52)
при
(2.53)
метод штрафных функций заключается в безусловной минимизации обобщенной целевой функции
(2.54)
где
,
–
коэффициенты штрафа;
,
–
штрафные функции.
В отличии от множителей Лагранжа коэффициенты штрафа
задаются: . Обычно
.
Функции штрафа должны удовлетворять условию
,
При решении задач оптимизации широко используется квадратичные и модульные штрафы:
С помощью штрафной функции исходная задача (2.52), (2.23) условной минимизации преобразуется в последовательность задач безусловной минимизации функции (2.54). Эта задача решается численными методами, но условия оптимальности классического анализа могут быть использованы и здесь:
Решение этой системы даёт ,
.
В общем случае невозможно аналитически определить
положение минимума функции , рассматривая её
как обычную функцию от от β. Для его определения необходимо обратится к
численным методам.
При решение задачи
безусловной минимизации стремится к решению
задачи
нелинейного программирования:
,
Наряду с этими многочисленными исследованиями доказано, что обязательным следствием неограниченного увеличения штрафного параметра β является плохая обусловленность подзадач безусловной минимизации, проявляющаяся в сильной деформации соответствующих поверхностей уровня.
Поэтому для того, чтобы можно было применить настоящий
метод на практике, необходимо построить вычислительный алгоритм, использующий
теоретическое свойство сходимости последовательности оптимальных решений
подзадач безусловной оптимизации к оптимальному решению ,
, задачи с ограничениями.
Теоретически здесь не возникает трудностей. Необходимо выбрать начальное
значение β = β(0), что бы сформировать функцию
, которая минимизируется без ограничений
численными методами. Найдя минимум функции
,
необходимо увеличить значение β. Это можно сделать просто, если найти
, где константа с>1, однако выбор
с произволен, удачным могут быть различные значения С в зависимости от свойств
функции
и ограничений
. Затем необходимо минимизировать
функцию
, снова используя численный метод. Таким
образом, будет заработана итерационная процедура. На каждом шаге минимизируется
функция
, минимум которой находится в точке
. Важно, что её можно использовать в
дальнейшем в качестве начальной точки в итерационной процедуре минимизации
функции
, где β(к+1) = с β(к)
Теперь ясно, что последовательность β(к)
возрастает и стремиться к бесконечности, следовательно, последовательность
точек минимумов безусловной минимизации
будет сходиться к решению исходной задачи с ограничениями
.
Выбор начального значения β(0) может
оказаться важным с точки зрения сокращения числа итераций при минимизации
функции . Если сначала β(0)
выбрано очень малым, для того чтобы функция
мало
отличалась от функции
, то метод будет сходится
очень быстро. Однако такой выбор может привести к серьёзным осложнениям при
вычислениях. Для малых β функция
будет быстро
меняться в окрестности минимума, что может вызвать затруднения при
использовании градиентных методов. Слишком же большое значение β может привести
к тому, что штрафная функция
в выражении (2.24) станет доминирующей. Поэтому разумный выбор начальной точки β(0) очень важен. Для многих задач разумным значением для начальной точки является значение β(0) =1.
Для уменьшения влияния произвола в выборе коэффициента штрафа применяют метод последовательной безусловной минимизации (МПБМ) Мак-Кормика и Фиакко, состоящий обобщенной функции Iβ ﴾x,β﴿ с увеличивающимся штрафом:
при этом оптимальное значение используют
как начальную точку на
-ом цикле минимизации.
Обычно берут k = 4-2, β0 = 1 и заканчивают поиск, когда
решение
мало отличается от предыдущего
решения
на предыдущем цикле.
Метод штрафных функций приводит задачу условной оптимизации той же размерности, что и исходная, в отличие от метода Лагранжа. Метод легко алгоритмизируется для ЭВМ, но требует опыта выбора коэффициентов штрафа и даёт отлично невысокую точность; находит наибольшие применение при численном решении задач на ЭВМ.
3 Поисковые методы одномерной оптимизации
3.1 Общие сведения
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.