6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa

Samankaltaiset tiedostot
JYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö

Jälki- ja herkkyysanalyysi. Tutkitaan eri kertoimien ja vakioiden arvoissa tapahtuvien muutosten vaikutusta optimiratkaisuun

4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä

Lineaarinen optimointitehtävä

1 Kertaus. Lineaarinen optimointitehtävä on muotoa:

Lineaarinen optimointitehtävä

Luento 4: Lineaarisen tehtävän duaali

Lineaarisen kokonaislukuoptimointitehtävän ratkaiseminen

Kuljetustehtävä. Materiaalia kuljetetaan m:stä lähtöpaikasta n:ään tarvepaikkaan. Kuljetuskustannukset lähtöpaikasta i tarvepaikkaan j ovat c ij

Optimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0

3 Simplex-menetelmä. c T x = min! Ax = b (x R n ) (3.1) x 0. Tarvittaessa sarakkeiden järjestystä voidaan vaihtaa, joten voidaan oletetaan, että

TIEA382 Lineaarinen ja diskreetti optimointi

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

8. Ensimmäisen käyvän kantaratkaisun haku

Mat Lineaarinen ohjelmointi

Piiri K 1 K 2 K 3 K 4 R R

Lineaarinen optimointi. Harjoitus 6-7, Olkoon A R m n, x, c R ja b R m. Osoita, että LP-tehtävän. c T x = min!

Talousmatematiikan perusteet: Luento 15. Rajoitettu optimointi Lagrangen menetelmä Lagrangen kerroin ja varjohinta

1 Johdanto LP tehtävän luonteen tarkastelua Johdanto herkkyysanalyysiin Optimiarvon funktio ja marginaalihinta

Ellipsoidimenetelmä. Samuli Leppänen Kokonaislukuoptimointi. S ysteemianalyysin Laboratorio

Osakesalkun optimointi. Anni Halkola Turun yliopisto 2016

Kohdeyleisö: toisen vuoden teekkari

Osakesalkun optimointi

MS-C2105 Optimoinnin perusteet Malliratkaisut 4

Talousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu

1 Rajoittamaton optimointi

Malliratkaisut Demot 6,

Malliratkaisut Demo 4

Talousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Ovatko seuraavat väittämät oikein vai väärin? Perustele vastauksesi.

Malliratkaisut Demot

Duaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Malliratkaisut Demot

KKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Talousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

Optimointi. Etsitään parasta mahdollista ratkaisua annetuissa olosuhteissa. Ongelman mallintaminen. Mallin ratkaiseminen. Ratkaisun analysointi

Malliratkaisut Demot

Demo 1: Simplex-menetelmä

Luento 12: Duaalitehtävä. Tarkennuksia Lagrangen kertoimen tulkintaan. Hajautettu optimointi.

Ominaisarvot ja ominaisvektorit 140 / 170

Numeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44

Kokonaislukuoptimointi

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Luento 9: Yhtälörajoitukset optimoinnissa

2 Konveksisuus ja ratkaisun olemassaolo

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

2.5. Matriisin avaruudet ja tunnusluvut

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

Harjoitus 8: Excel - Optimointi

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

Harjoitus 1 ( )

802118P Lineaarialgebra I (4 op)

Malliratkaisut Demot

Luento 3: Simplex-menetelmä

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Liittomatriisi. Liittomatriisi. Määritelmä 16 Olkoon A 2 M(n, n). Matriisin A liittomatriisi on cof A 2 M(n, n), missä. 1) i+j det A ij.

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

Mat Lineaarinen ohjelmointi

Yhden selittäjän lineaarinen regressiomalli (jatkoa) Ensi viikolla ei pidetä luentoa eikä harjoituksia. Heliövaara 1

Monitavoiteoptimointi

Malliratkaisut Demot

Luento 2: Optimointitehtävän graafinen ratkaiseminen. LP-malli.

x = ( θ θ ia y = ( ) x.

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Kahden suoran leikkauspiste ja välinen kulma (suoraparvia)

Insinöörimatematiikka D

Harjoitus 6 ( )


Este- ja sakkofunktiomenetelmät

Numeeriset menetelmät

Malliratkaisut Demot

Matematiikka B2 - Avoin yliopisto

Lineaarinen yhtälöryhmä

Johdatus tekoälyn taustalla olevaan matematiikkaan

Matematiikka B2 - TUDI

Malliratkaisut Demo 1

MS-C1340 Lineaarialgebra ja

Talousmatematiikan perusteet: Luento 11. Lineaarinen optimointitehtävä Graafinen ratkaisu Ratkaisu Excel Solverilla

Harjoitus 5 ( )

Luento 6: Monitavoitteinen optimointi

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Harjoitus 5 ( )

Harjoitus 6 ( )

Lineaariset kongruenssiyhtälöryhmät

Malliratkaisut Demo 4

Numeeriset menetelmät

1 Rajoitettu optimointi I

1. Lineaarinen optimointi

Luetteloivat ja heuristiset menetelmät. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki

Harjoitus 3 ( )

b 1. b m ) + ( 2b Ax) + (b b)

Insinöörimatematiikka D

Luento 8: Epälineaarinen optimointi

Taustatietoja ja perusteita

Luento 11: Rajoitusehdot. Ulkopistemenetelmät

MS-C1340 Lineaarialgebra ja

Transkriptio:

JYVÄSKYLÄN YLIOPISTO 6. Luennon sisältö Lineaarisen optimoinnin duaaliteoriaa työkalu ratkaisun analysointiin Jälki- ja herkkyysanalyysiä mitä tapahtuu optimiratkaisulle, jos tehtävän vakiot hieman muuttuvat (objf:n kertoimet, oikean puolen vakiot, ) miten optimiratkaisu käyttäytyy, jos tehtävän vakiot muuttuvat jonkin parametrin mukaan kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi

Lineaarisen optimoinnin duaaliteoriaa Lineaarista optimointitehtävää, primaalitehtävää, vastaa toinen lineaarinen optimointitehtävä, duaalitehtävä Primaalitehtävän ja duaalitehtävän objektifunktioiden optimaaliset arvot ovat samat Primaalitehtävän ja duaalitehtävän optimiratkaisut liittyvät toisiinsa komplementaarisuusehtojen välityksellä = Primaalitehtävä voidaan ratkaista duaalitehtävän avulla 1

Primaalitehtävä: Duaalitehtävä: min kun max kun n j=1 n j=1 c j x j a ij x j b i x j 0 j = 1,..., n m i=1 m i=1 b i u i u i 0 a ij u i c j i = 1,..., m i = 1,..., m j = 1,..., n 2

Matriisimuodossa: Primaalitehtävä: min c T x kun Ax b x 0 Duaalitehtävä: max u T b kun u T A c T u 0 3

Huomaa, että: max u T b max b T u kun u T A c T kun A T u c u 0 u 0 4

Huomaa, että: max c T x min ( c) T x kun Ax b kun ( A)x ( b) x 0 x 0 min u T b max u T ( b) kun u T A c T kun u T ( A) ( c) T u 0 u 0 5

Yleisemmin: Primaalitehtävä: min kun n j=1 n j=1 n j=1 c j x j a ij x j = b i a ij x j b i i = 1,..., p i = p + 1,..., m x j R j = 1,..., q (rajoittamattomia) x j 0 j = q + 1,..., n 6

= Duaalitehtävä: max kun m i=1 m i=1 m i=1 b i u i a ij u i = c j a ij u i c j j = 1,..., q j = q + 1,..., n u i R i = 1,..., p (rajoittamattomia) u i 0 i = p + 1,..., m 7

Tuloksia matriisimuodossa Tuloksia yhtälörajoitteiselle tehtävälle: Lause 2.5.2 (s. 27) Lause 2.5.3 (s. 28) Tuloksia epäyhtälörajoitteiselle tehtävälle: Seuraukset 1 ja 2 (s. 28) Lause 2.5.4 (s. 28) 8

Yhtälörajoitteet: n j=1 a ij x j = b i i = 1,..., m Perusmuoto: x j = b j k/ B ā jk x k j B Vastaava perusratkaisu: x j = b j x j = 0 j B j / B 9

Yhtälörajoitteet matriisimuodossa: Ax = b Olkoon A = [B, N], missä B sisältää joukkoa B vastaavat sarakkeet ja N muut sarakkeet Olkoot x = [x B,x N ] ja c = [c B,c N ] vastaavasti = Ax = b Bx B + Nx N = b x B = B 1 b B 1 Nx N 10

= Perusmuoto: x B = B 1 b B 1 Nx N Vastaava perusratkaisu: x B = B 1 b x N = 0 Olkoon B 1 b 0, jolloin perusratkaisu on sallittu 11

Tarkastellaan tehtävää min c T x kun Ax = b x 0 12

Sijoitetaan perusmuoto objektifunktioon: c T x = c T B x B + c T N x N = c T B (B 1 b B 1 Nx N ) + c T N x N = c T B B 1 b + (c T N ct B B 1 N)x N Jos c T N ct B B 1 N 0 T, niin objektifunktio saavuttaa miniminsä, kun x N = 0 Jos [c T N ct B B 1 N] j < 0 jollain j, niin objektifunktion arvo on rajoittamaton 13

= Lause 2.5.2 : Perusratkaisu x B = B 1 b, x N = 0 on optimiratkaisu c T N ct B B 1 N 0 T 14

Tarkastellaan primaalitehtävää min c T x kun Ax = b x 0 ja sen duaalitehtävää max u T b kun u T A c T u R m (rajoittamaton) 15

Olkoon x primaalin sallittu ratkaisu ja u duaalin sallittu ratkaisu = u T b = u T Ax c T x = duaalin objektifunktion arvo primaalin objektifunktion arvo = jos u T b = c T x, niin x on primaalin optimiratkaisu ja u on duaalin optimiratkaisu 16

Olkoon x B = B 1 b, x N = 0 primaalin optimiratkaisu = c T N ct B B 1 N 0 T c T B B 1 N c T N Olkoon u T = c T B B 1 = u T A = c T B B 1 A = [c T B B 1 B,c T B B 1 N] [c T B,cT N ] = ct = u on duaalin sallittu ratkaisu Toisaalta = u T b = c T B B 1 b = c T B x B = c T B x B + c T N x N = c T x = u T = c T B B 1 on duaalin optimiratkaisu ja u T b = c T x 17

= Lause 2.5.3 : Olkoot x ja u primaalin ja duaalin sallittuja ratkaisuja Silloin x ja u ovat optimiratkaisuja u T b = c T x 18

Tarkastellaan primaalitehtävää min c T x kun Ax b x 0 ja sen duaalitehtävää max u T b kun u T A c T u 0 19

Lisätään primaalitehtävään ylijäämämuuttujat: Ax b Ax Iz = b x 0 x,z 0 Määritellään ˆx = [x,z],  = [A, I] ja ĉ = [c,0] Primaalitehtävä = min ĉ Tˆx kun ˆx = b ˆx 0 20

Duaalitehtävän rajoitteet: u T A c T u T A c T u T Â ĉ T u 0 u T ( I) 0 T Duaalitehtävä = max u T b kun u T Â ĉ T u R m (rajoittamaton) = Edelliset tulokset ovat voimassa sellaisenaan 21

= Seuraukset 1 ja 2 : Olkoot x ja u primaalin ja duaalin sallittuja ratkaisuja Silloin x ja u ovat optimiratkaisuja u T b = c T x 22

Olkoon x primaalin sallittu ratkaisu ja u duaalin sallittu ratkaisu = x 0 ja Ax b 0 ja u T 0 T ja c T u T A 0 T = c T x u T Ax u T b Jos x primaalin optimiratkaisu ja u duaalin optimiratkaisu = c T x = u T Ax = u T b 23

Siten c T x = u T Ax = u T b (c T u T A)x = 0 u T (Ax b) = 0 (c j [u T A] j )x j = 0 j = 1,..., n u i ([Ax] i b i ) = 0 i = 1,..., m eli komplementaarisuusehdot 24

= Lause 2.5.4 : Olkoot x ja u primaalin ja duaalin sallittuja ratkaisuja Silloin x ja u ovat optimiratkaisuja x ja u toteuttavat komplementaarisuusehdot 25