Lagrangen kertoimet Sisällysluettelo Määritelmä | Esimerkki | Menetelmä | Geometrinen tulkinta | Herkkyystulkinta | Esimerkki: pisteen etäisyys suorasta | Katso myös | Lähteet | Navigointivalikkolaajentamalla

Matemaattinen optimointi


Joseph-Louis Lagrangenoptimointitehtävänkohdefunktiokohdefunktiokäyräksiderivoituviamuuttujiensaderivoituvaratkaisupisteengradienttiosittaisderivaatojenlineaarikombinaatiosuora osittaisderivaattojen




Lagrangen menetelmä on ranskalaisen matemaatikon Joseph-Louis Lagrangen mukaan nimetty menetelmä yhtälörajoitetun optimointitehtävän ratkaisemiseksi.




Sisällysluettelo





  • 1 Määritelmä


  • 2 Esimerkki


  • 3 Menetelmä


  • 4 Geometrinen tulkinta


  • 5 Herkkyystulkinta


  • 6 Esimerkki: pisteen etäisyys suorasta


  • 7 Katso myös


  • 8 Lähteet




Määritelmä |


Olkoon fdisplaystyle f, minimointitehtävän kohdefunktio ja gdisplaystyle g, rajoite-ehtofunktio. Tarkastellaan näiden määrittämää rajoiteoptimointititehtävää


minf(x0,x1,…)displaystyle min f(x_0,x_1,dots )

ehdollagi(x0,x1,…)=0, i∈1,…,Ndisplaystyle textehdollaquad g_i(x_0,x_1,dots )=0,~iin 1,dots ,N

Tehtävä voidaan kirjoittaa muodossa, jota kutsutaan Lagrangen funktioksi L,displaystyle L,


L(x0,x1,…,λ)=f(x0,x1,…)+∑i=0Nλigi(x0,x1,…)displaystyle L(x_0,x_1,dots ,lambda )=f(x_0,x_1,dots )+sum _i=0^Nlambda _ig_i(x_0,x_1,dots )

Kertoimia λi∈Rdisplaystyle lambda _iin mathbb R kutsutaan Lagrangen kertoimiksi. Esitetyn optimointitehtävän käypä eli rajoite-ehdot täyttävä ratkaisu löydetään Lagrangen funktion L,displaystyle L, ääriarvopisteessä (x0∗,x1∗,…,xn∗)displaystyle (x_0^*,x_1^*,dots ,x_n^*), jossa siis ∇L(x0∗,x1∗,…,xn∗)=0displaystyle nabla L(x_0^*,x_1^*,dots ,x_n^*)=0. Voidaan tulkita, että kertoimet ohjaavat ratkaisun rajoite-ehtojen määräämään käypään joukkoon.



Esimerkki |


Minimointitehtävä minf(x,y),g(x,y)=0displaystyle min f(x,y),quad g(x,y)=0 ratkaistaan seuraavasti:


  • kirjoita tehtävä funktiona L(x,y,λ)displaystyle L(x,y,lambda )

  • etsi osittaisderivaatat muuttujien x,ydisplaystyle x,y ja λdisplaystyle lambda suhteen

  • ratkaise derivaattojen nollakohdat yhtälöryhmästä

Langrangen funktio esimerkille


L(x,y)=f(x,y)−λg(x,y)displaystyle L(x,y)=f(x,y)-lambda g(x,y)

Etsitään osittaisderivaatat ja niiden muodostama yhtälöryhmä


∇L(x,y,λ)={∂∂xL=∂∂xf(x,y)+λ∂∂xg(x,y)∂∂yL=∂∂yf(x,y)+λ∂∂yg(x,y)∂∂λL=g(x,y)displaystyle nabla L(x,y,lambda )=begincasesfrac partial partial xL=frac partial partial xf(x,y)+lambda frac partial partial xg(x,y)\frac partial partial yL=frac partial partial yf(x,y)+lambda frac partial partial yg(x,y)\frac partial partial lambda L=g(x,y)endcases

Ratkaistaan saadusta yhtälöryhmästä ääriarvopisteet (x∗displaystyle x^*, y∗displaystyle y^*, λ∗displaystyle lambda ^*) algebran menetelmin (ratkaisemalla derivaattojen nollakohdat yhtälöryhmästä).



Menetelmä |


Olkoon fdisplaystyle f, minimointitehtävän kohdefunktio ja gdisplaystyle g, rajoite-ehtofunktio. Kutsutaan ehdon g(x,y)=0displaystyle g(x,y)=0, määräämien pisteiden joukkoa käyräksi Cdisplaystyle C,. Olkoot funktiot derivoituvia kaikkien muuttujiensa suhteen käyrän Cdisplaystyle C, pisteissä. Oletetaan myös, että kohdefunktio fdisplaystyle f, on derivoituva tehtävän ratkaisupisteen (x0,y0)displaystyle (x_0,y_0), ympäristössä. Kun lisäksi oletetaan, että piste (x0,y0)displaystyle (x_0,y_0), ei ole käyrän Cdisplaystyle C, päätepiste, ja gradientti ∇g(x0,y0)≠0displaystyle nabla g(x_0,y_0)neq 0,, on olemassa sellainen luku λ0displaystyle lambda _0, niin, että piste (x0,y0,λ0)displaystyle (x_0,y_0,lambda _0), on ns. Lagrangen funktion Ldisplaystyle L,


L(x0,x1,…,λ)=f(x0,x1,…)+λg(x0,x1,…)displaystyle L(x_0,x_1,dots ,lambda )=f(x_0,x_1,dots )+lambda g(x_0,x_1,dots )

kriittinen piste. Toisin sanoen funktion fdisplaystyle f, käyrällä g(x,y)=0displaystyle g(x,y)=0, sijaitsevat ääriarvot voidaan löytää etsimällä Lagrangen funktion ääriarvot. Ääriarvot löydetään ratkaisemalla funktion Ldisplaystyle L osittaisderivaatojen nollakohta


0=∂L∂x=f1(x,y)+λg(x,y)displaystyle 0=frac partial Lpartial x=f_1(x,y)+lambda g(x,y)

0=∂L∂y=f1(x,y)+λg(x,y)displaystyle 0=frac partial Lpartial y=f_1(x,y)+lambda g(x,y)

0=∂L∂λ=g(x,y)displaystyle 0=frac partial Lpartial lambda =g(x,y)

eli


∇L(x0,x1,…,xn,λ)=0displaystyle nabla L(x_0,x_1,dots ,x_n,lambda )=mathbf 0


Geometrinen tulkinta |



Kohdefunktion a=∇f(x)displaystyle mathbf a =nabla f(x) ja rajoitusehdon b=∇g(x)displaystyle mathbf b =nabla g(x) gradientit Lagrangen funktion ratkaisupisteessä.


Lagrangen kerroin λdisplaystyle lambda , voidaan nähdä skaalaustekijänä, jolla rajoitusehdon gradienttivektoria ∇g(x)displaystyle nabla g(x), tulee kertoa, että siitä tulee
yhtä pitkä kuin kohdefunktion gradienttivektorista ∇f(x)displaystyle nabla f(x), optimointitehtävän ratkaisupisteessä. Tulkinta yleistyy useamman rajoitusehdon tapaukseen, jolloin
aktiivisia rajoitusehtoja vastaavat kertoimet λidisplaystyle lambda _i, valitaan niin, että niiden lineaarikombinaatio vastaavien gradienttien kanssa kumoaa kohdefunktion
gradientin.



Herkkyystulkinta |


Herkkyystulkinnassa tarkastellaan, miten kohdefunktion arvo muuttuu, kun yhtälörajoitetta muutetaan. Tarkastellaan minf(x), h(x)=cdisplaystyle min f(x),~h(x)=c muotoista tehtävää, missä
cdisplaystyle c. Lagrangen kerroin ilmaisee kunka paljon kohdefunktion arvo muuttuu yhtälörajoituksen muuttuessa eli


∇cf(x)=−λdisplaystyle nabla _cf(x)=-lambda ,

missä ∇cdisplaystyle nabla _c tarkoittaa gradienttia rajoitusehdon muutoksen suhteen.



Esimerkki: pisteen etäisyys suorasta |



Pisteen pdisplaystyle p etäisyys suoralta.


Esitetään tehtävä matemaattisessa muodossa ja ratkaistaan se Lagrangen menetelmällä. Olkoon piste p=(x0,y0)displaystyle p=(x_0,y_0) ja suora ax+by+c=0displaystyle ax+by+c=0, missä a,b,c∈Rdisplaystyle a,b,cin mathbb R ovat mielivaltaisia vakioita.


Minimoidaan etäisyyden funktio


mind(x,y)=(x−x0)2+(y−y0)2displaystyle min d(x,y)=(x-x_0)^2+(y-y_0)^2,

ehdolla


ax+by+c=0displaystyle ax+by+c=0

Suoran yhtälö on siis optimointitehtävän ehto.


Muodostetaan etäisyysfunktiosta ja ehdosta Lagrangen funktio


L(x,y,λ)=d(x,y)+λg(x,y)=(x−x0)2+(y−y0)2+λ(ax+by+c)displaystyle beginalignedL(x,y,lambda )&=d(x,y)+lambda g(x,y)\&=(x-x_0)^2+(y-y_0)^2+lambda (ax+by+c)endaligned

Ratkaistaan funktion Ldisplaystyle L ääriarvot muuttujien xdisplaystyle x, ydisplaystyle y ja λdisplaystyle lambda suhteen etsimällä osittaisderivaattojen nollakohdat:


{∂∂xL=2(x−x0)+λa=0∂∂yL=2(y−y0)+λb=0∂∂λL=ax+by+c=0displaystyle begincasesfrac partial partial xL=2(x-x_0)+lambda a&=0\frac partial partial yL=2(y-y_0)+lambda b&=0\frac partial partial lambda L=ax+by+c&=0\endcases


Katso myös |


  • Matemaattinen optimointi


Lähteet |


  • Robert A. Adams (1999), Calculus: A Complete Course 5. painos, Addison Wesley Longman, ISBN 0-201-79131-5.

Tämä matematiikkaan liittyvä artikkeli on tynkä. Voit auttaa Wikipediaa laajentamalla artikkelia.







Popular posts from this blog

HP P840 HDD RAID 5 many strange drive faiuresHP SmartArray P400: How to repair failed logical drive?Reusing Raid 5 Drive?reliably and automatically determine connection path of physical position of HDD from /dev/sdX device fileHow to replace failed drive in RAID 5 array in HP DL380 G4 serverQuestions on increasing RAID 5 arrayRaid 10, Logical device are missingHP Code 341 “Physical Drive State: Predictive failure. This physical drive is predicted to fail soon.”HPE 1.92TB SATA 6G Mixed Use SFF SSD very slow compared to SAS HDD HP disksHP drive array “ready for rebuild” (RAID5)Hard Disc Failure or RAID Glitch

Can Not View Content Blocks due to require.js error - Magento 2 theme change Planned maintenance scheduled April 17/18, 2019 at 00:00UTC (8:00pm US/Eastern) Announcing the arrival of Valued Associate #679: Cesar Manara Unicorn Meta Zoo #1: Why another podcast?get requirejs-config.js to load declared cdn's for jqueryOverride Magento/Checkout/view/frontend/web/js/view/shipping.js in custom theme not workingAdding Custom JS to Magento 2 Themerequire.js error on Magento 2Magento 2 require js throw errorMagento 2.1.2 regionUpdater js error on register.phtmlError loading popper.js on Magento 2 Theme (require js)requirejs error in my child themeIssue with bootstrap 4 in magento 2Magento 2 checkout page keeps on loading.In console,$.event.props is undefined in jquery.mobile.custom.js:44:2.How to clear that?Magento 2 Stuck on Checkout page

Jalkaväkirykmentti 49 (jatkosota) Sisällysluettelo Perustaminen | Keskittäminen | Komentaja(t) | Lähteet | NavigointivalikkoInfobox OKlaajentamalla