Βασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D.

Transcript

1 Βασίλειος Μαχαιράς Πολιτικός Μηχανικός Ph.D. Κλασικές Τεχνικές Βελτιστοποίησης Πανεπιστήμιο Θεσσαλίας Σχολή Θετικών Επιστημών ΤμήμαΠληροφορικής Διάλεξη 2 η /2017

2 Μαθηματική Βελτιστοποίηση Η «Μαθηματική Βελτιστοποίηση» (Mathematical Optimization) ή απλά «βελτιστοποίηση» είναι μια ιδιαίτερη κατηγορία προβλημάτων. Βελτιστοποίηση είναι η διαδικασία εύρεσης του «βέλτιστου» αποτελέσματος για δεδομένες συνθήκες. Υπάρχουν προβλήματα βελτιστοποίησης παντού!

3 Ιστορία Θεωρία(convex analysis): Algorithms 1947: simplex algorithm for linear programming (Dantzig) 1960s: early interior-point methods (Fiacco & McCormick, Dikin,...) 1970s: ellipsoid method and other subgradient methods 1980s: polynomial-time interior-point methods for linear programming (Karmarkar 1984) late 1980s now: polynomial-time interior-point methods for nonlinear convex optimization (Nesterov& Nemirovski 1994) Applications before 1990: mostly in operations research; few in engineering since 1990: many new applications in engineering (control, signal processing, communications, circuit design,... ); new problem classes (semidefiniteand second-order cone programming, robust optimization)

4 Βελτιστοποίηση προβλημάτων Κάθε πρόβλημα βελτιστοποίησης έχει κάποια χαρακτηριστικά. Το πρόβλημα κατηγοριοποιείται ανάλογα με τα χαρακτηριστικά του. Υπάρχουν τεχνικές επίλυσης των προβλημάτων βελτιστοποίησης αλλά ΟΧΙ όλων!

5 Βελτιστοποίηση προβλημάτων Η μαθηματική έκφραση ενός προβλήματος βελτιστοποίησης είναι: n x m i x υπό τους περιορισμούς R x ό x f n x 1,..., j, 0 ) ( h 1,...,, 0 ) ( g : ) ( min j i = = = που

6 Βελτιστοποίηση προβλημάτων Η μαθηματική έκφραση ενός προβλήματος βελτιστοποίησης είναι: n x m i x υπό τους περιορισμούς R x ό x f n x 1,..., j, 0 ) ( h 1,...,, 0 ) ( g : ) ( min j i = = = που min ) ( ή... ) ( ή...minimize 0 0 x f x f x

7 Βελτιστοποίηση προβλημάτων συναρτήσεις περιορισμών :,..., : g (ή συνάρτηση κόστους) : μεταβλητές βελτιστοποίησης ),..., (,..., j, ) ( h,...,, ) g ( ) ( min i j i m i R R αντικειμενική συνάρτηση R R f x x x l x m i x υπό τους περιορισμούς: R όπου x x f n n n n x = = = = =

8 Επιχειρησιακή Έρευνα Η επιχειρησιακή Έρευνα (Operational ή Operations Research) είναι ο κλάδος της επιστήμης με αντικείμενο την εύρεση βέλτιστων λύσεων για τη λήψη αποφάσεων σε προβλήματα, στα οποία απαιτείται αποτελεσματική κατανομή των διαθέσιμων αλλά πάντα περιορισμένων πόρων. Το μάθημα της «Θεωρίας βελτιστοποίησης» αφορά ειδικότερα στις μεθόδους βελτιστοποίησης, όμως η βιβλιογραφία του κλάδου της Επιχειρησιακής Έρευνας προσφέρει αρκετά παραδείγματα.

9 Κλασικές τεχνικές βελτιστοποίησης

10 Κλασικές τεχνικές βελτιστοποίησης Οι κλασικές μέθοδοι βελτιστοποίησης είναι χρήσιμες στην επίλυση συναρτήσεων, οι οποίες είναι συνεχείςκαι παραγωγίσιμες. Οι μέθοδοι είναι αναλυτικοί και εφαρμόζουν τεχνικές του διαφορικού λογισμού για να βρουν τα βέλτιστα σημεία. Συχνά τα πρακτικά προβλήματα έχουν συναρτήσεις που δεν είναι συνεχείς ή παραγωγίσιμες, οπότε η αναλυτική επίλυση έχει περιορισμένη πρακτική εφαρμογή. Οι κλασικές όμως μέθοδοι αποτελούν τη βάση για την ανάπτυξη των αριθμητικών τεχνικών που θα αναπτυχθούν σε επόμενες διαλέξεις.

11 Βελτιστοποίηση συναρτήσεων μιας μεταβλητής

12 Βελτιστοποίηση μιας μεταβλητής

13 Αναγκαία συνθήκη ύπαρξης ακρότατου Θεώρημα 1 ο Αν μια συνάρτηση f(x) έχει ακρότατο στη θέση x * (ελάχιστο ή μέγιστο) μεταξύ δύο τιμών της μεταβλητής x και υπάρχει η 1 η παράγωγος της συνάρτησηςστο σημείο x * τότε f `(x * )=0

14 Το 1 ο θεώρημα ΔΕΝ ισχύει όταν η παράγωγος της συνάρτησης δεν υπάρχει. Το 1 ο θεώρημα δεν αναφέρει τι συμβαίνει όταν τα ακρότατα υπάρχουν στα συνοριακά σημεία της μεταβλητής.

15 Το 1 ο θεώρημα ΔΕΝ εξασφαλίζει ότι θα υπάρχει ακρότατο σε κάθε σημείο που μηδενίζεται η παράγωγος. Εκεί που μηδενίζεται είτε είναι ακρότατο είτε είναι «στάσιμο σημείο»

16 Ακρότατα συνάρτησης μιας μεταβλητής

17 Θεώρημα 2 ο ικανή συνθήκη ακρότατου Για να προσδιοριστεί εάν το ακρότατο (εκεί που μηδενίζεται η 1 η παράγωγος) είναι μέγιστο ή ελάχιστο χρειάζεται να ελεγχθεί η τιμή της 2 ης ή ανώτερης παραγώγου στα κρίσιμα σημεία. Υπολογίζουμε τη n-οστήπαράγωγο της συνάρτησης έως ότου βρούμε τιμή διάφορη του μηδενός. Δηλαδή: f `(x * )=f ``(x * )= =f (n-1) (x * )=0, ενώ f (n) (x * ) 0 Αν το nείναι περιττός αριθμός τότε στο x * δεν είναι ούτε μέγιστο ούτε ελάχιστο. Αν το nείναι άρτιος αριθμός τότε: στο x * είναι τοπικό μέγιστο αν f (n) (x * )<0, στο x * είναι τοπικό ελάχιστο αν f (n) (x * )>0.

18

19 Ποιο είναι το καθολικό μέγιστο όταν για xϵr Ποιο είναι το καθολικό ελάχιστο όταν για xϵr Ποιο είναι το καθολικό μέγιστο όταν -0.5<x<2.1 Ποιο είναι το καθολικό ελάχιστο όταν -0.5<x<2.1

20 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, χωρίς περιορισμούς

21 Συνάρτηση πολλών μεταβλητών Έστω f(x) συνάρτηση πολλών μεταβλητών με ΧϵR n (είναι διάνυσμα [x 1, x 2,, x n ]) Αναγκαία συνθήκη ύπαρξης ακρότατου: Αν η f(x) έχει ακρότατο (ελάχιστο ή μέγιστο) στο σημείο Χ=Χ * και οι πρώτες μερικές παράγωγοι της f(x) υπάρχουν στο Χ * τότε όλες είναι ίσες με μηδέν:

22 Συνάρτηση πολλών μεταβλητών Έστω f(x) συνάρτηση πολλών μεταβλητών με ΧϵR n (είναι διάνυσμα [x 1, x 2,, x n ]) Ικανή συνθήκη για τοπικό ακρότατο: Το σημείο Χ * είναι τοπικό ελάχιστο όταν ο πίνακας των 2 ων μερικών παραγώγων (Εσσιανόςπίνακας Hessian) υπολογισμένος στο σημείο Χ * είναι θετικά ορισμένος. Το σημείο Χ * είναι τοπικό μέγιστο όταν ο πίνακας των 2 ων μερικών παραγώγων (Εσσιανόςπίνακας Hessian) υπολογισμένος στο σημείο Χ * είναι αρνητικά ορισμένος.

23 Εσσιανός πίνακας Hessian Εσσιανόςπίνακας Hessian είναι ο συμμετρικός πίνακας των 2 ων μερικών παραγώγων:

24 Θετικά/αρνητικά ορισμένος πίνακας

25 Θετικά/αρνητικά ορισμένος πίνακας

26 Υπενθύμιση μερικών στοιχείων άλγεβρας

27 Ιδιοτιμές και Ιδιοδιανύσματα

28 Ιδιοτιμές και Ιδιοδιανύσματα

29 Ιδιοτιμές και Ιδιοδιανύσματα

30 Ιδιοτιμές και Ιδιοδιανύσματα

31 Ορίζουσες πίνακα-determinants

32 Επιστροφή στη ροή

33 Θετικά/αρνητικά ορισμένος πίνακας

34 Σημείο Σάγματος Saddle Point

35 Σημείο Σάγματος Saddle Point

36 Σημείο Σάγματος Saddle Point

37 Σημείο Σάγματος Saddle Point

38 Παράδειγμα συνάρτησης με 2 μεταβλητές, χωρίς περιορισμούς

39 Παράδειγμα συνάρτησης με 2 μεταβλητές, χωρίς περιορισμούς

40 Παράδειγμα συνάρτησης με 2 μεταβλητές, χωρίς περιορισμούς

41 Παράδειγμα συνάρτησης με 2 μεταβλητές, χωρίς περιορισμούς

42 Παράδειγμα συνάρτησης με 2 μεταβλητές, χωρίς περιορισμούς

43 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας

44 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας

45 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας Επίλυση με απευθείας αντικατάσταση.

46 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με απευθείας αντικατάσταση.

47 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με απευθείας αντικατάσταση.

48 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με απευθείας αντικατάσταση. Τοπικό μέγιστο!

49 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με απευθείας αντικατάσταση.

50 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με απευθείας αντικατάσταση.

51 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο της περιορισμένης μεταβολής (constrained variation). Για την περίπτωση 2 μεταβλητών η απαραίτητη συνθήκη ύπαρξης ακρότατου είναι:

52 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο της περιορισμένης μεταβολής (constrained variation).

53 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο της περιορισμένης μεταβολής (constrained variation).

54

55 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers). Πρέπει να είναι μη μηδενικό

56 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

57 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

58 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

59 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

60 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

61 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers). Υπενθύμιση:

62 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

63 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

64 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

65 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

66 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers).

67 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ισότητας. Επίλυση με τη μέθοδο των πολλαπλασιαστών Lagrange (Lagrange Multipliers). Διάγραμμα ευρύτερων περιορισμών

68 Βελτιστοποίηση συναρτήσεων με πολλές μεταβλητές, με περιορισμούς ανισότητας.

69 Οι αναλυτικές μέθοδοι υπολογίζουν τη θέση των ακρότατων, τα οποία μπορεί να είναι καθολικά ή τοπικά. Όμως το καθολικό ακρότατο μπορεί να βρίσκεται στα συνοριακά σημεία ή σε σημεία που δεν υπάρχει η παράγωγος, άρα πρέπει να γίνεται έλεγχος και εκεί. Ο υπολογισμός των ακρότατων βασίζεται στον υπολογισμό της κλίσης της αντικειμενικής συνάρτησης. Όμως η μηδενική κλίση δεν εξασφαλίζει την ύπαρξη ακρότατου.

70 Ποιες είναι οι αναγκαίες και ικανές συνθήκες για την ύπαρξη ακρότατου μιας συνάρτησης f(x)? Απάντηση: Αν μια συνάρτηση f(x) έχει ακρότατο στη θέση x * (ελάχιστο ή μέγιστο) μεταξύ δύο τιμών της μεταβλητής x και υπάρχει η 1 η παράγωγος της συνάρτησηςστο σημείο x * τότε f `(x * )=0 Για να προσδιοριστεί εάν το ακρότατο (εκεί που μηδενίζεται η 1 η παράγωγος) είναι μέγιστο ή ελάχιστο χρειάζεται να ελεγχθεί η τιμή της 2 ης ή ανώτερης παραγώγου στα κρίσιμα σημεία.