Capitolo 2: Preliminari ed elementi di analisi convessa. E. Amaldi DEIB, Politecnico di Milano
|
|
- Fabio Pepe
- 4 anni fa
- Visualizzazioni
Transcript
1 Capitolo 2: Preliminari ed elementi di analisi convessa E. Amaldi DEIB, Politecnico di Milano
2 2.1 Concetti di base In R n con norma euclidea x S R n è un punto interno di S se ε > 0 tale che B ε (x) = {y R n : y x < ε} S. x R n è un punto di frontiera per S se ε > 0 B ε (x) contiene almeno un punto di S e uno del suo complementare rispetto a R n, indicato S. L insieme di tutti i punti interni di S R n è l interno di S, indicato int(s). L insieme di tutti i punti di frontiera per S è la frontiera di S, indicata (S). Un insieme S R n è aperto se S = int(s); S è chiuso se il suo complementare S è aperto. Intuitivamente un insieme chiuso contiene tutti i punti di (S). Un insieme S R n è limitato se M > 0 tale che x M per ogni x S. Un insieme S R n chiuso e limitato è compatto. 1
3 Proprietà: Un insieme S R n è chiuso se e solo se ogni successione {x i } i N S che converge, converge verso un x S. Un insieme S R n è compatto se e solo se ogni successione {x i } i N S ammette una sottosuccessione convergente verso un x S. In genere, quando si desidera minimizzare una funzione f : S R n R si sa solo che esiste il più grande limite inferiore sul valore della funzione obiettivo, ovvero inf x S f(x) Esistenza di una soluzione ottima: Teorema (Weierstrass): Se S R n è non vuoto compatto e f : S R è continua, esiste un x S tale che f(x ) f(x) per ogni x S. Poiché il problema possiede una soluzione ottima x S, si può scrivere min x S f(x). Valido in qualsiasi spazio vettoriale di dimensione finita. Esempi in cui il risultato non è valido: S non è chiuso, S non è limitato o f non è continua su S. 2
4 Coni e sottospazi affini Dato un qualsiasi sottoinsieme S R n Definizione: cono(s) indica l insieme di tutte le combinazioni coniche di punti di S, ovvero di tutti gli x R n tali che x = m i=1 α i x i con x 1,..., x m S e α i 0 per ogni i, 1 i m. Esempi: cono poliedrale generato da un numero finito di vettori, cono da gelato in R 3 generato da un numero infinito di vettori Definizione: aff(s) indica il più piccolo sottospazio affine che contiene S. aff(s) coincide con l insieme di tutte le combinazioni affini di punti di S, ovvero di tutti i punti x R n tali che x = m i=1 α i x i con x 1,..., x m S e con m i=1 α i = 1 dove α i R per ogni i, 1 i m. Esempi: retta che passa per due punti in R 2, piano che contiene tre punti in posizione generale in R 3 3
5 2.2 Elementi di analisi convessa Insiemi convessi Definizione: Un insieme C R n è convesso se αx 1 + (1 α)x 2 C x 1, x 2 C e α [0, 1] Un punto x R n è una combinazione convessa di x 1,..., x m R n se m x = α i x i con α i 0 per ogni i, 1 i m, e m i=1 α i = 1. i=1 Proprietà: Se C i con i = 1,..., k sono convessi, k i=1 C i è convesso. 4
6 Esempi di insiemi convessi: 1) Iperpiano H = {x R n : p t x = β} con p 0 Per x H, p t x = β quindi H = {x R n ortogonali a p. : p t (x x) = 0}, ovvero H = insieme dei vettori di R n N.B.: H è chiuso poiché ogni punto di H è un punto di frontiera (int(h)= ) 2) Semispazi chiusi H + = {x R n : p t x β} e H = {x R n : p t x β} con p 0 3) La regione ammissibile X = {x R n : Ax b, x 0} di un programma lineare (PL) min c t x s.v. Ax b x 0. Essendo l intersezione di un numero finito di semispazi chiusi (m+n se A R m n ), X è un sottoinsieme convesso e chiuso. 5
7 Definizione: L intersezione di un numero finito di semispazi chiusi è un poliedro. N.B.: Anche l insieme delle soluzioni ottime di un PL è un poliedro (basta aggiungere ai vincoli c t x = z, con z valore ottimo) e quindi convesso. Definizione: Il guscio convesso di S R n, indicato conv(s), è l intersezione di tutti gli insiemi convessi che contengono S. conv(s) coincide con l insieme di tutte le combinazioni convesse di punti di S. Sono due caratterizzazioni equivalenti (descrizione esterna/interna). Definizione: x C convesso di R n è un punto estremo di C se non può essere espresso come combinazione convessa di due punti differenti di C, ovvero implica x 1 = x 2. x = αx 1 + (1 α)x 2 con x 1, x 2 C, e α (0, 1) Esempi: insiemi convessi con un numero finito o infinito di punti estremi 6
8 Proiezione di un punto su un sottoinsieme al quale non appartiene: Lemma (Proiezione): Sia C R n non vuoto, chiuso e convesso, allora per ogni y C esiste un unico x C a distanza minima da y. Inoltre x C è a distanza minima se e solo se (y x ) t (x x ) 0 x C. Definizione: x è la proiezione di y su C. Risultato geometricamente intuitivo ma fondamentale: Teorema (Iperpiano di separazione): Sia C R n non vuoto, chiuso e convesso e y C, allora esiste un p R n tale che p t x < p t y per ogni x C. Quindi esiste un iperpiano H = {x R n : p t x = β} con p 0 che separa y da C, i.e., tale che C H = {x R n : p t x β} e y H (p t y > β) Illustrazione geometrica 7
9 Tre conseguenze importanti: 1) C R n non vuoto, chiuso e convesso è l intersezione di tutti i semispazi che contengono C. Definizione: Sia S R n non vuoto e x (S) ( frontiera relativa rispetto ad aff(s) ), H = {x R n : p t (x x) = 0} è un iperpiano di supporto di S in x se S H o S H +. 2) Iperpiani di supporto: Sia C convesso di R n e x (C) allora iperpiano H di supporto in x, i.e., p 0 tale che p t (x x) 0 per ogni x C. Un insieme convesso possiede almeno un iperpiano di supporto in ogni punto di frontiera. Per sottoinsiemi non convessi, un tale iperpiano può non esistere. Esempi: casi con 1/ /0 iperpiani di supporto in un dato punto di frontiera x 8
10 Risultato centrale dell ottimizzazione (rilevante anche in teoria dei giochi) dal quale deriveremo le condizioni di ottimalità per la programmazione non lineare. 3) Lemma di Farkas: Sia A R m n e b R m, allora x R n tale che Ax = b e x 0 se e solo se y R m tale che y t A 0 t e y t b > 0. In questa forma fornisce un certificato di inammissibilità di un dato sistema lineare, ma è anche noto come teorema dell alternativa. Alternativa: esattamente uno dei due sistemi Ax = b, x 0 e y t A 0 t, y t b > 0 è ammissibile. Interpretazione geometrica: b appartiene al cono convesso generato dalle colonne A 1,..., A n di A, ovvero a cono(a)= {z R m : z = n j=1 α j A j, α 1 0,..., α n 0} se e solo se non esiste un iperpiano che separa b da cono(a). Alternativa: b cono(a) oppure b cono(a) e quindi esiste un iperpiano che separa b da cono(a). 9
11 Applicazione Lemma di Farkas: opportunità di arbitraggio determinazione dei prezzi di titoli in assenza di Singolo periodo, m titoli che possono essere acquistati o venduti short (venduti con promessa di riacquistarli alla fine), n possibili stati/scenari. Portafoglio y R m, con y i = ammontare investito nel titolo i Se p i prezzo per unità di capitale del titolo i all inizio, costo portafoglio: p t y Sia A R m n con a ij = valore per unità di capitale investito nel titolo i se lo scenario j si realizza. Alla fine le posizioni vengono liquidate: si vendono i titoli (si riceve a ij y i ) e le posizioni short sono coperte (si paga a ij y i ovvero si guadagna a ij y i ). Valori del portafoglio: v t = y t A Condizione di assenza di opportunità di arbitraggio: qualsiasi portafoglio di titoli che rende valori non negativi per tutti gli scenari deve avere un costo non negativo. Algebraicamente: y tale che y t A 0 t e p t y < 0. In base al lemma di Farkas, non vi sono quindi opportunità di arbitraggio se e solo se q R n con q 0 tale che il vettore dei prezzi dei titoli p soddisfa Aq = p (in genere q non è unico). Se il mercato è efficiente, esistono quindi dei state prices/probabilities q i. 10
12 2.2.2 Funzioni convesse Definizioni: Una funzione f : C R definita su un convesso C R n è convessa se f(αx 1 + (1 α)x 2 ) αf(x 1 ) + (1 α)f(x 2 ) x 1, x 2 C e α [0, 1], f è strettamente convessa se < per ogni x 1, x 2 C con x 1 x 2 e per ogni α (0, 1). f è concava se f è convessa L epigrafo di f : S R n R, indicato epi(f), è il sottoinsieme di R n+1 epi(f) = {(x, y) S R : f(x) y} Sia f : C R convessa, il dominio effettivo di f è il sottoinsieme di R n dom(f) = {x C : f(x) < + } 11
13 Proprietà: Sia C R n convesso (non vuoto) e f : C R funzione convessa Gli insiemi di livello L β = {x C : f(x) β} e {x C : f(x) < β} sono sottoinsiemi convessi di R n per qualsiasi scalare β (anche per + ). La funzione f è continua nell interno relativo (rispetto ad aff(c)) del suo dominio effettivo. La funzione f è convessa se e solo se epi(f) è un sottoinsieme convesso di R n+1. 12
14 Soluzioni ottime di problemi convessi Consideriamo min x C R n f(x) dove C R n convesso e f convessa Proposizione: Se f : C R definita su convesso C R n è convessa, ogni minimo locale è un minimo globale. Se f è strettamente convessa su C, allora esiste al più un minimo globale (il problema potrebbe essere illimitato). Per assurdo: supponiamo x sia un minimo locale ma x C tale che f(x ) < f(x ). Poiché f è convessa f(αx + (1 α)x ) αf(x ) + (1 α)f(x ) < f(x ) α (0, 1) contraddice il fatto che x sia un minimo locale. Se f è strettamente convessa e x 1 e x 2 sono due minimi globali, per convessità di C 1 2 (x 1 + x 2) C e per convessità stretta di f f( 1 2 (x 1 + x 2)) < 1 2 f(x 1) f(x 2). Quindi x 1 e x 2 non possono essere due minimi globali. N.B.: La stessa proprietà è valida per la massimizzazione di funzioni concave. 13
15 Caratterizzazioni delle funzioni convesse differenziabili 1) Proposizione: Una funzione continuamente differenziabile (di classe C 1 ) f : C R definita su un convesso aperto non vuoto C R n è convessa se e solo se f(x) f(x) + t f(x)(x x) x, x C; f è strettamente convessa se e solo se disuguaglianza con > per ogni coppia x, x C con x x. Definizione: Derivata direzionale di f: lim α 0 + f(x+α(x x)) f(x) α = t f(x)(x x) Interpretazione geometrica: L approssimazione lineare di f intorno a x (sviluppo di Taylor al 1 o ordine) limita inferiormente f(x) e ( x H = { y ) R n+1 : ( t f(x) 1) ( x y ) = f(x) + t f(x) x } è un iperpiano di supporto di epi(f) in (x, f(x)), con epi(f) H. 14
16 2) Proposizione: Una funzione 2 volte continuamente differenziabile (di classe C 2 ) f : C R definita su C R n convesso aperto non vuoto è convessa se e solo se la matrice Hessiana 2 f(x) = ( 2 f x i x j ) è semi-definita positiva in ogni x C. Per funzioni C 2, se 2 f(x) è definita positiva x C allora f(x) è strettamente convessa. N.B.: Condizione sufficiente ma non necessaria: f(x) = x 4 è strettamente convessa ma f (0) = 0. Definizione: Una matrice simmetrica A n n è definita positiva se y t Ay > 0 per ogni y R n con y 0, una matrice simmetrica A n n è semi-definita positiva se y t Ay 0 per ogni y R n. Definizioni equivalenti: basate sul segno degli autovalori/minori principali di A o degli elementi diagonali di alcune fattorizzazioni di A (ad esempio Choleski). 15
17 Sottogradiente di funzioni convesse o concave Funzioni convesse/concave (continue) ma non ovunque differenziabili, ad es. f(x) = x Generalizzazione del concetto di gradiente di funzioni di classe C 1 a funzioni C 1 a tratti Definizioni: Sia C R n convesso e f : C R convessa su C un vettore γ R n è un sottogradiente di f in x C se f(x) f(x) + γ t (x x) x C il sottodifferenziale, indicato f(x), è l insieme di tutti i sottogradienti di f in x. Esempi: - Per f(x) = x 2, in x = 3 l unico sottogradiente è γ = 6. Infatti 0 (x 3) 2 = x 2 6x + 9 implica che per ogni x: f(x) = x 2 6x 9 = 9 + 6(x 3) = f(x) + 6(x x) - Per f(x) = x è chiaro che: γ = 1 se x > 0, γ = 1 se x < 0, f(x) = [ 1, 1] se x = 0 16
18 - Sia f(x) = min{f 1 (x), f 2 (x)} con f 1 (x) = 4 x e f 2 (x) = 4 (x 2) 2. Poiché f 2 (x) f 1 (x) per 1 x 4, f(x) = { 4 x 1 x 4 4 (x 2) 2 altrimenti γ = 1 per x (1, 4), γ = 2(x 2) per x < 1 o x > 4, γ [ 1, 2] in x = 1 e γ [ 4, 1] in x = 4. Proprietà: 1) Una funzione f : C R convessa possiede almeno un sottogradiente in ogni punto interno x di C. In particolare, se x int(c) allora esiste γ R n tale che iperpiano è di supporto ad epi(f) in (x, f(x)). H = {(x, y) R n+1 : y = f(x) + γ t (x x)} N.B.: Esistenza di (almeno) un sottogradiente in ogni punto di int(c), con C convesso, è una condizione necessaria e sufficiente affinché f sia convessa su int(c). 2) Se f è convessa e x C, f(x) è un insieme non vuoto, convesso, chiuso e limitato. 3) x è un minimo (globale) di f se e solo se 0 f(x ). 17
Programmazione Non Lineare
Capitolo 1 Programmazione Non Lineare 1.1 Introduzione Un problema di ottimizzazione viene definito come la minimizzazione o la massimizzazione di una funzione a valori reali su un insieme specificato.
DettagliScuola di Dottorato in Ingegneria L. da Vinci. Problemi di estremo vincolato ed applicazioni. Introduzione ai problemi di estremo
Scuola di Dottorato in Ingegneria L. da Vinci Problemi di estremo vincolato ed applicazioni Pisa, 28-29 Maggio, 2009 Introduzione ai problemi di estremo G. Mastroeni Ricercatore, Dipartimento di Matematica
DettagliIl teorema di dualità forte
Complementi di Algoritmi e Strutture Dati Il teorema di dualità forte Docente: Nicolò Cesa-Bianchi versione 13 maggio 2018 Ricordiamo la formulazione del problema di programmazione lineare nella sua forma
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi Definizione Sia a un vettore non
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi Definizione Sia a un vettore non
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare poliedri punti estremi, vertici, soluzioni di base esistenza di punti estremi rif. Fi 3.1; BT 2.1, 2.2, 2.5 Iperpiani, semispazi, poliedri Sia a un vettore non nullo
DettagliProgrammazione Lineare
Programmazione Lineare Andrea Scozzari a.a. 2012-2013 March 14, 2013 Andrea Scozzari (a.a. 2012-2013) Programmazione Lineare March 14, 2013 1 / 18 Metodo del Simplesso Dato un problema di PL in forma standard
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata
Capitolo 4: Ottimizzazione non lineare non vincolata Edoardo Amaldi DEIB Politecnico di Milano edoardo.amaldi@polimi.it Sito web: http://home.deib.polimi.it/amaldi/ott-13-14.shtml A.A. 2013-14 Edoardo
DettagliGeometria della programmazione lineare
Geometria della programmazione lineare p. 1/39 Geometria della programmazione lineare Mariantonia Cotronei Facoltà di Ingegneria Università degli Studi Mediterranea di Reggio Calabria Geometria della programmazione
Dettagli5.5 Programmazione quadratica (PQ)
5.5 Programmazione quadratica (PQ Minimizzare una funzione quadratica soggetta a vincoli lineari: 1 min x t Qx + c t x 2 s.v. a t i x b i i D (P a t i x = b i i U x R n dove Q matrice n n, D e U sono gli
DettagliRicerca Operativa. Ricerca Operativa p. 1/6
Ricerca Operativa Ricerca Operativa p. 1/6 Ricerca Operativa Disciplina basata sulla modellizzazione e la risoluzione tramite strumenti automatici di problemi di decisione complessi. In tali problemi la
Dettagli4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1
4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1 Problemi di programmazione matematica: min f () s.v. X n insieme delle soluzioni ammissibili con funzione obiettivo
DettagliCapitolo 3: Ottimizzazione non vincolata parte II. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte II E. Amaldi DEI, Politecnico di Milano 3.3 Metodi basati su direzioni di ricerca Problema di ottimizzazione non vincolata: min x R n f(x) con f : R n R di
DettagliProgrammazione Matematica / A.A Soluzioni di alcuni esercizi
Programmazione Matematica / A.A. 8-9 Soluzioni di alcuni esercizi Esercizi - I 3. Aggiungiamo al problema una variabile v, e richiediamo che v soddisfi v n a ij x j b i. j= Fissato x, il minimo v che soddisfa
DettagliTeoria della Programmazione Lineare. Teoria della Programmazione Lineare p. 1/8
Teoria della Programmazione Lineare Teoria della Programmazione Lineare p. 1/8 I problemi di PL in forma canonica In forma scalare: max n j=1 c jx j n j=1 a ijx j b i x j 0 i = 1,...,m j = 1,...,n Teoria
Dettagli4.4 Programmazione quadratica
4.4 Programmazione quadratica Minimizzare una funzione quadratica soggetta a vincoli lineari: min 1 2 xt Qx + c t x s.v. a t i x b i i D (P) a t i x = b i i U x R n dove Q matrice n n, D e U sono gli insiemi
DettagliSistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila
Sistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila Sommario 1. Sistemi di disequazioni lineari e poliedri 2. Poliedri e insiemi convessi 3. Disequazioni
DettagliProgrammazione Matematica / A.A Soluzioni di alcuni esercizi
Programmazione Matematica / A.A. 7-8 Soluzioni di alcuni esercizi Esercizi - I. Aggiungiamo al problema una variabile v, e richiediamo che v soddisfi v n a ij x j b i. j= Fissato x, il minimo v che soddisfa
Dettagli7.9 Il caso vincolato: vincoli di disuguaglianza
7.9 Il caso vincolato: vincoli di disuguaglianza Il problema con vincoli di disuguaglianza: g i (x) 0, i = 1,..., p, (51) o, in forma vettoriale: g(x) 0, può essere trattato basandosi largamente su quanto
DettagliLA STRUTTURA DEI PROBLEMI DI OTTIMIZZAZIONE. L'ipotesi di razionalità implica che un decisore cerchi di
LA STRUTTURA DEI PROBLEMI DI OTTIMIZZAZIONE L'ipotesi di razionalità implica che un decisore cerchi di individuare la migliore tra tutte le alternative a sua disposizione. Problemi di ottimizzazione =
Dettagli4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1
4 PROGRAMMAZIONE LINEARE (PL) E. Amaldi -- Fondamenti di R.O. -- Politecnico di Milano 1 Problemi di programmazione matematica: min s.v. f () X n dove X è la regione delle soluzioni ammissibili con funzione
DettagliNote sulle funzioni convesse/concave
Note sulle funzioni convesse/concave 4th December 2008 1 Definizioni e proprietà delle funzioni convesse/concave. Definizione 1.1 Un insieme A IR n è detto convesso se per ogni x 1 e x 2 punti di A, il
DettagliPROGRAMMAZIONE LINEARE E DUALITA'
PROGRAMMAZIONE LINEARE E DUALITA' 1) Dati i punti di R 2 (1, 2), (1, 4), (2, 3), (3, 5), (4, 1), (4, 2), (5, 5), (6, 2), (6, 5). Determinare graficamente: A - L'involucro convesso di tali punti. B - Quali
DettagliEsercizi del Corso di Istituzioni di Analisi Superiore, I modulo
sercizi del Corso di Istituzioni di Analisi Superiore, I modulo 1. sercizi su massimo e minimo limite 1. lim inf a n lim sup a n 2. Se a n b n per ogni n N, allora lim inf a n lim inf b n. Vale anche lim
DettagliFederico Lastaria. Analisi e Geometria 1. Numeri reali 1/25
Massimi e minimi Definizione (Massimo) Sia X R un sottoinsieme non vuoto. Si dice che M R è il massimo di X (e si scrive M = max X ) se: M X ; x X, x M. Definizione (Minimo) Sia X R un sottoinsieme non
DettagliGeneralizzazioni del Teorema di Weierstrass
Capitolo 2 Generalizzazioni del Teorema di Weierstrass Il principale riferimento bibliografico per questa lezione è il testo di Checcucci, Tognoli, Vesentini [1]. Introduzione Supponiamo che X = R n. È
Dettagli5.5.6 Convergenza del metodo del simplesso
5.5.6 Convergenza del metodo del simplesso Per concludere l analisi del metodo del simplesso, vogliamo ora mostrare che, sotto opportune ipotesi, il numero di iterazioni è finito, ovvero che, in un numero
Dettagli3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI
3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI ESISTENZA DI UN PUNTO DI OTTIMO VINCOLATO Il problema di ottimizzazione vincolata introdotto nel paragrafo precedente può essere formulato nel modo seguente:
DettagliArgomenti delle singole lezioni del corso di Analisi Matematica 1 (Laurea triennale di Matematica, A.A )
Argomenti delle singole lezioni del corso di Analisi Matematica 1 (Laurea triennale di Matematica, A.A. 2018-19) NB. Le indicazioni bibliografiche si riferiscono al libro di testo. Lezione nr. 1, 1/10/2018.
DettagliRicerca Operativa. G. Liuzzi. Lunedí 9 Marzo Programmazione Matematica Geometria di R n Esempi Teoria della PL Forma Standard. logo.
1 Lunedí 9 Marzo 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Problema di Ottimizzazione min(o max) f (x) con la restrizione x S dove f (x) : R n R è detta funzione obiettivo S R n
DettagliEsame di GEOMETRIA 27 giugno ore 11
Esame di GEOMETRIA 27 giugno 2011 - ore 11 Istruzioni: Scrivere cognome, nome, matricola in STAMPATELLO negli appositi spazi. Per ogni quiz nella prima parte, indicare l affermazione giudicata corretta
DettagliPROGRAMMA di ANALISI MATEMATICA 1
PROGRAMMA di ANALISI MATEMATICA Ingegneria gestionale, meccanica e meccatronica, Vicenza A.A. 200-20, Canale e matricole da 84 a 99 del Canale 3, docente: Monica Motta Testo Consigliato: Analisi Matematica,
DettagliESAME di OTTIMIZZAZIONE - Compito A Corso di Laurea in Ingegneria Gestionale 2 o anno
ESAME di OTTIMIZZAZIONE 7 aprile 006 ESAME di OTTIMIZZAZIONE - Compito A Corso di Laurea in Ingegneria Gestionale o anno Cognome : Nome : VALUTAZIONE Per gli esercizi,,3,4: ogni risposta CORRETTA vale
DettagliArgomenti delle singole lezioni del corso di Analisi Matematica 2 (Ingegneria Edile-Architettura, A.A )
Argomenti delle singole lezioni del corso di Analisi Matematica 2 (Ingegneria Edile-Architettura, A.A. 2018-19) NB. Le indicazioni bibliografiche si riferiscono al libro di testo. Lezione nr. 1, 24/9/2018.
DettagliUniversità degli Studi di Roma La Sapienza
Università degli Studi di Roma La Sapienza Dipartimento di Informatica e Sistemistica A. Ruberti Proff. Gianni Di Pillo and Laura Palagi Note per il corso di OTTIMIZZAZIONE (a.a. 2007-08) Dipartimento
DettagliSi noti che questa definizione dice esattamente che
DISUGUAGLIANZA INTEGRALE DI JENSEN IN DIMENSIONE FINITA LIBOR VESELY integrazione. Prima disuguaglianza integrale di Jensen.. Motivazione. Siano un insieme convesso in uno spazio vettoriale, f : (, + ]
DettagliParte IV: Rafforzamento di formulazioni e algoritmo dei piani di taglio
Parte IV: Rafforzamento di formulazioni e algoritmo dei piani di taglio Nozioni di geometria Definizione: Un vettore y R n è combinazione conica dei vettori { 1,, k } se esistono k coefficienti reali λ
DettagliProgrammazione Multiobiettivo
f Capitolo 12 Programmazione Multiobiettivo 12.1 Introduzione I problemi di ottimizzazione che abbiamo considerato fino a questo momento hanno un solo obiettivo da minimizzare (o massimizzare). In molte
Dettagli5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate
5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f (x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe
DettagliDualitá in Programmazione Lineare e alcune conseguenze
Dualitá in Programmazione Lineare e alcune conseguenze Giacomo Zambelli 1 Dualitá per problemi in forma standard Si consideri il seguente problema di PL in forma standard: z = max c x Ax = b (1) ove A
DettagliRIASSUNTO ARGOMENTI LEZIONI STRUMENTI PER L ANALISI DEI DATI-LM DIP. DI ECONOMIA E MANAGEMENT - UNIV. DI FERRARA A.A. 2018/19
RIASSUNTO ARGOMENTI LEZIONI STRUMENTI PER L ANALISI DEI DATI-LM DIP. DI ECONOMIA E MANAGEMENT - UNIV. DI FERRARA A.A. 2018/19 25/09/2018 ore 12.00-14.00 Presentazione del corso. Funzioni ad output reale
DettagliCapitolo 3: Ottimizzazione non vincolata parte III. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione non vincolata parte III E. Amaldi DEI, Politecnico di Milano 3.4 Metodi di ricerca unidimensionale In genere si cerca una soluzione approssimata α k di min g(α) = f(x k +αd k
DettagliSoluzione grafica di problemi PM in 2 variabili
Capitolo 4 Soluzione grafica di problemi PM in 2 variabili In questo paragrafo si vuole fornire una interpretazione geometrica di un problema di Programmazione matematica. In particolare, quando un problema
DettagliLe condizioni di Karush-Kuhn-Tucker
Capitolo 9 Le condizioni di Karush-Kuhn-Tucker 9. Introduzione In questo capitolo deriveremo le condizioni necessarie di Karush-Kuhn-Tucker (KKT) per problemi vincolati in cui S è descritto da vincoli
DettagliCorso di laurea: Ingegneria aerospaziale e meccanica Programma di Fondamenti di Analisi Matematica II a.a. 2013/14 Docente: Fabio Paronetto
Corso di laurea: Ingegneria aerospaziale e meccanica Programma di Fondamenti di Analisi Matematica II a.a. 2013/14 Docente: Fabio Paronetto Gli argomenti denotati con un asterisco tra parentesi (e solo
DettagliLa miglior approssimazione esiste se le funzioni descrivono un chiuso
NON SMOOTH Funzione non C 1 tipico esempio massimo numero finito funzioni Φ(x) = max { f i (x), i I, f i C 1 } e anche massimo(sup) puntuale Φ(x) = sup { f t (x), t I, f t C 1 } Esempi a) Max numero finito
DettagliTeoria della Programmazione Lineare
6 Teoria della Programmazione Lineare In questo capitolo iniziamo lo studio formale dei problemi di Programmazione Lineare e, in particolare, dimostriamo il Teorema fondamentale della Programmazione Lineare.
DettagliESAME di OTTIMIZZAZIONE Corso di Laurea Magistrale in Ingegneria Gestionale 1 o anno
SIMULAZIONE ESAME di OTTIMIZZAZIONE 27 Gennaio 21 ESAME di OTTIMIZZAZIONE Corso di Laurea Magistrale in Ingegneria Gestionale 1 o anno Cognome : Nome : Esercizio 1. Si consideri il seguente problema: min
Dettagli3.3 Problemi di PLI facili
3.3 Problemi di PLI facili Consideriamo un generico problema di PLI espresso in forma standard min{c t x : Ax = b, x Z n +} (1) dove A Z m n con n m, e b Z m. Supponiamo che A sia di rango pieno. Sia P
DettagliProblemi di ottimizzazione non vincolata
Capitolo 6 Problemi di ottimizzazione non vincolata 6. Introduzione Con riferimento al problema di ottimizzazione min x R n f(x), iniziamo in questo capitolo lo studio delle condizioni di ottimalità. Nei
DettagliCapitolo 3: Ottimizzazione Discreta. E. Amaldi DEI, Politecnico di Milano
Capitolo 3: Ottimizzazione Discreta E. Amaldi DEI, Politecnico di Milano 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati come problemi di Programmazione Lineare
DettagliCorso di laurea: Ingegneria aerospaziale e meccanica Programma di Fondamenti di Analisi Matematica II a.a. 2015/16 Docente: Fabio Paronetto
Corso di laurea: Ingegneria aerospaziale e meccanica Programma di Fondamenti di Analisi Matematica II a.a. 2015/16 Docente: Fabio Paronetto Gli argomenti denotati con un asterisco tra parentesi (e solo
Dettagli4.5 Metodo del gradiente
4.5 Metodo del gradiente Si cerca un punto stazionario di f : R n R con f C 1. Metodo del gradiente con ricerca 1-D esatta: Scegliere x 0, porre k := 0 Iterazione: d k := f(x k ) Determinare α k > 0 tale
DettagliA.A Fondamenti di Ricerca Operativa Esercizi ottobre min 2x 1 + x 2 + 4x 3 3x 4 x 1 + x 3 = 5 x 2 + x 4 = 2
. Si consideri il problema A.A. 07-08 Fondamenti di Ricerca Operativa Esercizi ottobre 07 min x + x + 4x 3 3x 4 x + x 3 = 5 x + x 4 = x, x, x 3, x 4 0 Stabilire se il problema ha insieme ammissibile vuoto,
DettagliGli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
Corso di laurea: Fisica ed Astronomia Programma di Analisi Matematica 2 a.a. 2016/17 Docente: Fabio Paronetto Gli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
DettagliANALISI MATEMATICA II PROVA DI TEORIA (23/6/2009)
ANALISI MATEMATICA II PROVA DI TEORIA (23/6/2009) 1. Sia S = { } (x, y, z) : x 2 + y 2 = 4, 0 z 3 + x. Scrivere le equazioni parametriche di una superficie regolare che abbia S come sostegno. 2. Enunciare
DettagliNORMA DI UN VETTORE. Una NORMA VETTORIALE su R n è una funzione. : R n R +
NORMA DI UN VETTORE Una NORMA VETTORIALE su R n è una funzione. : R n R + {0}, che associa ad ogni vettore x R n di componenti x i, i = 1,..., n, uno scalare in modo che valgano le seguenti proprietà:
DettagliSistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila
Sistemi compatibili (Il metodo di Fourier-Motzkin) Claudio Arbib Università degli Studi di L Aquila Sommario Poliedri Poliedri compatibili Diseguaglianzeimplicate Proiezione di un poliedro Definizione
DettagliSpazi vettoriali topologici, spazi localmente convessi ed il teorema di Hahn-Banach: informazioni base (L.V.)
Spazi vettoriali topologici, spazi localmente convessi ed il teorema di Hahn-Banach: informazioni base (L.V.) Questo breve testo senza dimostrazioni fornisce soltanto una prima informazione ( infarinatura
DettagliEsercitazioni di Geometria II
Esercitazioni di Geometria II Letizia Pernigotti - pernigotti@science.unitn.it 8 maggio 202 Esercizio. [Metrica del riccio] Si considieri R 2 munito della metrica del riccio, la quale è definita da y x
DettagliPARTE 4: Equazioni differenziali
PROGRAMMA di Fond. di Analisi Mat. 2 - sett. 1-11 A.A. 2011-2012, canali 1 e 2, proff.: Francesca Albertini e Monica Motta Ingegneria gestionale, meccanica e meccatronica, Vicenza Testo Consigliato: Analisi
DettagliSoluzione grafica di problemi PM in 2 variabili
Capitolo 4 Soluzione grafica di problemi PM in 2 variabili In questo paragrafo si vuole fornire una interpretazione geometrica di un problema di Programmazione matematica. In particolare, quando un problema
DettagliGli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
Corso di laurea: Fisica ed Astronomia Programma di Analisi Matematica 2 a.a. 2017/18 Docente: Fabio Paronetto Gli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
Dettagli5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate. min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n
5.6 Metodo di penalità e metodo basato sulle funzioni lagrangiane aumentate Consideriamo il generico problema di PNL min f(x) s.v. c i (x) 0 i I c i (x) = 0 i E (1) x R n dove f e le c i sono di classe
DettagliGli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
Corso di laurea: Fisica ed Astronomia Programma di Analisi Matematica 2 a.a. 2018/19 Docente: Fabio Paronetto Gli argomenti denotati con un asterisco tra parentesi (e solo quelli) sono stati dimostrati.
DettagliInsiemi, Numeri, Terminologia. Prof. Simone Sbaraglia
Insiemi, Numeri, Terminologia Prof. Simone Sbaraglia Corso Rapido di Logica Matematica La logica formale definisce le regole cui deve obbedire qualsiasi teoria deduttiva. Una proposizione e` una affermazione
DettagliSIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno
SIMULAZIONE ESAME 3 dicembre 2004 SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : Nome : ANONIMO VALUTAZIONE Per gli esercizi 1,3,5 le risposte CORRETTE
DettagliSuccessioni, massimo e minimo limite e compattezza in R
Università di Roma Tor Vergata Corso di Laurea in Scienze e Tecnologie per i Media Successioni, massimo e minimo limite e compattezza in R Massimo A. Picardello BOZZA 10.11.2011 21:24 i CAPITOLO 1 Successioni
Dettagli5.2 IL TEOREMA FONDAMENTALE DELLA PROGRAMMAZIONE LINEARE
94 TEORIA DELLA PROGRAMMAZIONE LINEARE 5.2 IL TEOREMA FONDAMENTALE DELLA PROGRAMMAZIONE LINEARE Quanto fino ad ora esaminato permette di enunciare e dimostrare un risultato di fondamentale importanza che
DettagliProblemi di topologia metrica.
Problemi di topologia metrica. 1.) Sia X un insieme, munito di una distanza d : X X R +. Siano x 1 ;x ;x 3 ;x 4 quattro punti qualsiasi di X. Verificare che: d (x 1 ; x 4 ) d (x 1 ; x ) + d (x ; x 3 )
DettagliSPAZI COMPATTI. Proposizione 2 Sia (X, d) uno spazio metrico. Se esso è sequenzialmente compatto allora è completo.
SPAZI COMPATTI D ora in poi tutti gli spazi topologici sono di Hausdorff. Definizione 1 Uno spazio topologico (X, τ) si dice sequenzialmente compatto, o compatto per successioni, se ogni successione di
DettagliTeorema di Hahn-Banach
Teorema di Hahn-Banach Alessandra Albanese e Sara Lamboglia 12.03.2012 1 Teorema di Hahn-Banach Teorema 1.1 (Hahn-Banach). Se M é un sottospazio di uno spazio vettoriale normato X e f é un funzionale lineare
DettagliMichela Procesi Analisi matematica II Programma svolto nel corso 2012, dal 27 febbraio all' 8 giugno, lezioni 1-25
Michela Procesi Analisi matematica II Programma svolto nel corso 2012, dal 27 febbraio all' 8 giugno, lezioni 1-25 Lezione 1 (27/02/2012) - Richiami sullo spazio euclideo Rn: operazioni di spazio vettoriale,
DettagliA.A Fondamenti di Ricerca Operativa. 2. Determinare β affinchè il poliedro descritto dal sistema di disequazioni
A.A. 08-09 Fondamenti di Ricerca Operativa. Si consideri il problema min x + x + 4x 3 3x 4 x + x 3 = 5 x + x 4 = x, x, x 3, x 4 0 Stabilire se il problema ha insieme ammissibile vuoto, oppure è illimitato,
DettagliTeoria della Programmazione Lineare
5 Teoria della Programmazione Lineare In questo capitolo iniziamo lo studio formale dei problemi di Programmazione Lineare e, in particolare, dimostriamo il Teorema fondamentale della Programmazione Lineare.
DettagliQuesiti di Analisi Matematica II
Quesiti di Analisi Matematica II Presentiamo una raccolta di quesiti per la preparazione alla prova orale del modulo di Analisi Matematica II. Per una buona preparazione è consigliabile allenarsi a rispondere
DettagliEstremi relativi (liberi) per campi scalari
Estremi relativi (liberi) per campi scalari Riccarda Rossi Università di Brescia Analisi Matematica B Punti di estremo relativo (o locale) Definizione Sia Ω R n e sia f : Ω R un campo scalare. Diciamo
DettagliDimostrazione. Indichiamo con α e β (finiti o infiniti) gli estremi dell intervallo I. Poniamo
C.6 Funzioni continue Pag. 114 Dimostrazione del Corollario 4.25 Corollario 4.25 Sia f continua in un intervallo I. Supponiamo che f ammetta, per x tendente a ciascuno degli estremi dell intervallo, iti
DettagliMATEMATICA GENERALE - Canale III
MATEMATICA GENERALE - Canale III Prof A Ramponi - AA 211/212 Riepilogo argomenti trattati Settimana 1 (3/5 - Ottobre) Introduzione al corso Elementi base di teoria degli insiemi: definizioni ed operazioni
DettagliCorso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 19 Febbraio 2016
Corso di Laurea in Chimica e Tecnologia Farmaceutiche Matematica con Elementi di Informatica COMPITO 19 Febbraio 2016 Nome Cognome Matricola Punteggi 10 cfu Teoria Ex.1 Ex.2 Ex.3 Ex. 4 Ex.5 /6 /5 /5 /5
DettagliEstremi relativi (liberi) per campi scalari
Estremi relativi (liberi) per campi scalari Riccarda Rossi Università di Brescia Analisi Matematica B Riccarda Rossi (Università di Brescia) Estremi relativi (liberi) Analisi Matematica B 1 / 60 Punti
DettagliMatematica con elementi di Informatica
Funzioni a più variabili Matematica con elementi di Informatica Tiziano Vargiolu Dipartimento di Matematica vargiolu@math.unipd.it Corso di Laurea Magistrale in Chimica e Tecnologie Farmaceutiche. () Funzioni
DettagliPROGRAMMA DI ANALISI MATEMATICA A CORSO DI LAUREA TRIENNALE IN MATEMATICA 15 CF A.A
PROGRAMMA DI ANALISI MATEMATICA A CORSO DI LAUREA TRIENNALE IN MATEMATICA 15 CF A.A. 2017-18 Le indicazioni dei capitoli e dei paragrafi si riferiscono al libro: C.D. Pagani, S. Salsa. Analisi Matematica
DettagliPROGRAMMA DI ANALISI MATEMATICA A (I MODULO)
PROGRAMMA DI ANALISI MATEMATICA A (I MODULO) Ingegneria Informatica (F-Z) A.A. 2000/2001 (Alberto PARMEGGIANI) Nota: è richiesta la dimostrazione degli argomenti asteriscati. 1 Premesse Rudimenti di Logica
DettagliPROGRAMMA PROVVISORIO DI ANALISI MATEMATICA 2 INGEGNERIA EDILE -ARCHITETTURA, A.A. 2018/2019 DOCENTE MICHIEL BERTSCH
PROGRAMMA PROVVISORIO DI ANALISI MATEMATICA 2 INGEGNERIA EDILE -ARCHITETTURA, A.A. 2018/2019 DOCENTE MICHIEL BERTSCH Libro di testo di riferimento: M. Bertsch, R. Dal Passo, L. Giacomelli, Analisi Matematica,
DettagliSPAZI TOPOLOGICI COMPATTI Note informali dalle lezioni
SPAZI TOPOLOGICI COMPATTI Note informali dalle lezioni Sia X un insieme. Un ricoprimento di X è una famiglia U = {U j } j J di sottoinsiemi di X tali che X = j J U j. Un ricoprimento U = {U j } j J si
DettagliAnalisi II. Foglio di esercizi n.1 30/09/ , tan 3) e w = ( 7, 2, e 2 )?
Analisi II. Foglio di esercizi n.1 30/09/2016 Esercizi su prodotto scalare e sottoinsiemi di R n 1. Dati due punti A = 2 e B = e in R, calcolare la loro distanza euclidea. 2. Dati due punti A = (0, 1)
DettagliANALISI MATEMATICA A CORSO DI LAUREA TRIENNALE IN MATEMATICA 15 CF A.A
ANALISI MATEMATICA A CORSO DI LAUREA TRIENNALE IN MATEMATICA 15 CF A.A. 2016-17 Programma Provvisorio del corso di Analisi Matematica A Il programma che segue è solo indicativo. Il programma definitivo
DettagliGeometria della Programmazione Lineare
Capitolo 2 Geometria della Programmazione Lineare In questo capitolo verranno introdotte alcune nozioni della teoria dei poliedri che permetteranno di cogliere gli aspetti geometrici della Programmazione
DettagliMinimi quadrati. Sistemi iperdeterminati. 27 novembre 2008
Minimi quadrati 27 novembre 2008 In questa nota si indicherà sempre con V uno spazio vettoriale reale di dimensione finita n. Definizione 1. Una norma su V è una funzione : V R tale che x, y V e λ R: 1.
DettagliUNIVERSITÀ DI ROMA TOR VERGATA. Analisi Matematica II per Ingegneria Prof. C. Sinestrari
UNIVERSITÀ DI ROMA TOR VERGATA Analisi Matematica II per Ingegneria Prof. C. Sinestrari Risposte (sintetiche) ai quesiti degli esercizi del 12.X.2018 1. (a) Ω è aperto, Ω = {0, 1, 2}, Ω = Ω, Ω = [0, 1]
DettagliCOMPLETEZZA DELL INSIEME DEI NUMERI REALI R.
COMPLETEZZA DELL INSIEME DEI NUMERI REALI R. FABIO CIPRIANI 1. Completezza dell insieme dei numeri reali R. Nell insieme dei numeri reali R la condizione di Cauchy e necessaria e sufficiente per la convergenza
DettagliUniversità Ca Foscari Venezia DISPENSA DEFINITIVA
Università Ca Foscari Venezia Dipartimento di Scienze Ambientali, Informatica e Statistica Giovanni Fasano DISPENSA DEFINITIVA January 19, 2018 Richiami di Ricerca Operativa & Ottimizzazione Non Lineare
DettagliDualità Lagrangiana. Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, Pisa
Dualità Lagrangiana Laura Galli Dipartimento di Informatica Largo B. Pontecorvo 3, 56127 Pisa laura.galli@unipi.it http://www.di.unipi.it/~galli 3 Novembre 2015 Ricerca Operativa 2 Laurea Magistrale in
DettagliAnalisi II. Foglio di esercizi n.1 26/9/2018
Analisi II. Foglio di esercizi n.1 26/9/2018 Esercizi su prodotto scalare, sottoinsiemi di R n, limiti e funzioni continue 1. Dati due punti A = 2 e B = e in R, calcolare la loro distanza euclidea. 2.
Dettagli1. Mar. 17/1/06 2 ore Presentazione del corso. Libro di testo e altri testi consigliati. Alcune informazioni
Università degli Studi di Firenze Anno Accademico 2005/2006 Ingegneria per l Ambiente e il Territorio Corso di Analisi Matematica 2 (IAT) Docente: Francesca Bucci Periodo: II periodo (16 gennaio 2006 17
DettagliPROGRAMMA DI ANALISI MATEMATICA A CORSO DI LAUREA TRIENNALE IN MATEMATICA 15 CF A.A
PROGRAMMA DI ANALISI MATEMATICA A CORSO DI LAUREA TRIENNALE IN MATEMATICA 15 CF A.A. 2018-19 Le indicazioni dei capitoli e dei paragrafi si riferiscono al libro: C.D. Pagani, S. Salsa. Analisi Matematica
Dettagli