Esercizi su ottimizzazione vincolata
|
|
- Aloisia Di Lorenzo
- 7 anni fa
- Visualizzazioni
Transcript
1 Esercizi su ottimizzazione vincolata 1. Rispondere alle seguenti domande (a) Quando un vincolo di disuguaglianza è detto attivo? (b) Cosa è l insieme delle soluzioni ammissibili? Gli algoritmi di ricerca dell ottimo mantengono sempre l ammissibilità delle soluzioni progressivamente individuate? (c) Cosa è un punto di regolarità? (d) Che relazione geometrica impongono le condizioni di KKT tra l antigradiente della funzione da minimizzare e i gradienti dei vincoli nei punti di minimo? (e) Verificare che il punto x = (0, 0) è di minimo per il problema {min z = x, x 3 x 6 1} anche se non soddisfa le condizioni di KKT poiché non regolare. (f) Quale è l idea base dell algoritmo del sequential quadratic programming (SQP)? (g) SQP converge globalmente? E con che velocità? (h) Quali difficoltà si possono incontrare nell applicazione dell algoritmo SQP? Come quest ultime possono essere aggirate? (i) Quale è l idea base dell algoritmo del gradiente condizionato? Con che velocità converge? (j) Quale è l idea base dell algoritmo della proiezione del gradiente? (k) Quale è l idea base degli algoritmi che gestiscono i vincoli con funzioni di penalità? (l) Cosa sono le funzioni di penalità sequenziali esterne? Che vantaggi e svantaggi presentano? Perché gli ottimi non sempre vengono calcolati per k più piccoli possibili? (m) Quale è l idea base degli algoritmi che gestiscono i vincoli con funzioni barriera? Questi algoritmi possono essere applicati in presenza di vincoli di uguaglianza? (n) Quali sono le tipiche funzioni barriera? Può la soluzione fornita da un algoritmo barriera essere inammissibile? (o) È possibile stimare la qualità della soluzione ottenuta al passo kmo di un algoritmo barriera in termini della differenza percentuale tra il valore di f(x k ) e di f(x )? (p) Per un generico problema di programmazione non lineare {min z = f(x), g i (x) 0 i = 1,..., m, h i (x) = 0 i = 1,..., n} si definisca funzione duale di Lagrange (o semplicemente funzione duale) G = R m+p R come il minimo valore della Lagrangiana su x, i.e., per ogni λ R m, λ 0, ν R p, ( ) m p G(λ, ν) = inf L(x, λ, ν) = inf f(x) + λ i g i (x) + ν i h i (x) x x Si osservi che fissati λ e ν il calcolo di g(λ, ν) è un problema di ottimizzazione non vincolata. i) Si dimostri che per ogni λ 0 e ν la funzione duale di Lagrange fornisce un limite inferiore al valore ottimo della funzione obiettivo, G(λ, ν) z. i=1 i=1 1
2 ii) Si generalizzi il teorema di dualità debole della programmazione lineare al caso della programmazione non lineare. (q) Provare che le condizioni di KKT applicate ad un problema di programmazione lineare conducono alla formulazione del problema duale. (r) Scrivere le condizioni di KKT applicate ad un problema di programmazione quadratica {min z = 1 xt Qx + b T x + c, Ax b, x 0}, dove Q 0. Proporre un algoritmo derivato dalla Fase I del simplesso per trovare le soluzioni per le condizioni di KKT. (s) Scrivere la funzione duale di un problema di programmazione quadratica {min z = x t Qx, Ax b}, dove Q 0. (t) Le Condizioni di Slater affermano che se un problema di programmazione non lineare (detto primale) è convesso e strettamente ammissibile, i.e., esiste x X tale che g i (x) < 0 per i = 1,..., m, allora vale la dualità forte, il duality gap tra il problema primale e il corrispondente problema duale (vedi soluzione Es. (1p)) è uguale a zero, i.e., i due problemi hanno lo stesso valore della soluzione ottima. Determinare in che casi vale certamente la dualità forte per la programmazione lineare e la programmazione quadratica.. Scrivere le condizioni di KKT per i seguenti problemi di minimizzazione. (a) {min z = x 3 1(x + 3), x 1 0, x 0, x 1 + x 1}. (b) {min z = x 1 e (x 1 +8x )/100, 1 x 1 + x 4}. (c) {min z = e 5x1 sin(x 1 x ), (x 1 3) + x = 4}. (d) {min z = x 1+5x x 1 +x 1x +x +1, x 1 0, x 0, x 1 + x = 1}. (e) {min z = (x 1 + x ) ln(x 1 + 3x + x 3 ), 1 x 3 4 x 1 x }. 3. Verificare la regolarità dei punti dati rispetto ai vincoli. (a) Vincoli x 1 x 0, x 1 + (x 1) 1. Punto x = (0, 0). (b) Vincoli x 1 + x = 1, x 0, x 1 1, x 1. Punto x = (1, 0). (c) Vincoli x 1 + x = 1, x 0, x 1 1, x 1. Punto x = (1, 0, 0). (d) Vincoli x cos(x 1 ) 0, x 1, x 1 0 x 1 π. Punto x = (π, 1). (e) Vincoli x 1 + x + x 3 = 3, x + 3x 3 5, x 1 + 3x + 4x 3 8. Punto x = (1, 1, 1). (f) Vincoli x 1 + x 1, x 1 + (x 1) 1). Punto x = (0, 0). 4. Determinare le terne/coppie di KKT per i seguenti problemi. Quando sia possibile determinare anche la natura dei punti x (a) {min z = x 1 x 4, x 1 + x = 1}.
3 (b) {min z = x 1x + x 1 + x, x 1 + x = 1, x 1 0}. (c) {min z = e (x 1 +8x )/100, (x 1 ) + x 1}. (d) {min z = 3x 1+x x 1 +x, 1 x 1, 1 x }. (e) {min z = x x 1 x + x, (x 1 ) + x 1}. (f) {min z = x 3 1(x + 3), x 1 0, x 0, x 1 + x 1}. 5. Determinare le funzioni di penalità sequenziali esterne P (x, ) e i punti in cui P (x, ) = 0 in funzione del coefficiente di penalità. (Si noti che questi esercizi presentano sempre un solo vincolo di uguaglianza in modo da essere risolvibili a mano, ma ovviamente il metodo delle funzioni di penalità sequenziali esterne si applica anche con più vincoli e anche con vincoli di disuguaglianza (vedi un seguito Es. 8) (a) {min z = x 1 x 4, x 1 + x = 1}. (b) {min z = x 1 + 8x, x 1 + x = 3}. (c) {min z = 3x x, x 1 + x = 1}. (d) {min z = x 1 + x 1 x, x 1 x = 1}. (e) {min z = x 1 (x + 3), x 1 + x = 1}. 6. Riformulare i seguenti problemi con funzioni di penalità sequenziali esterne P (x, ). (a) {min z = x 1 x 4, x 1 + x = 1, x 1 0, x 0}. (b) {min z = x 1x + x 1 + x, x 1 + x = 1, x 1 0}. (c) {min z = e (x 1 +8x )/100, (x 1 ) + x 1}. (d) {min z = 3x 1+x x 1+x, 1 x 1, 1 x }. (e) {min z = x x 1 x + x, x 1 + x 4, x 1 x 1}. (f) {min z = x 3 1(x + 3), x 1 0, x 0, x 1 + x 1}. 7. Riformulare i seguenti problemi con funzioni barriere logaritmiche. (a) {min z = x 1 x 4, x 1 + x 1, x 1 0, x 0}. (b) {min z = x 1x + x 1 + x, x 1 + x 1, x 1 0}. (c) {min z = e (x 1 +8x )/100, (x 1 ) + x 1}. (d) {min z = 3x1+x x 1 +x, 1 x 1, 1 x }. (e) {min z = x x 1 x + x, x 1 + x 4, x 1 x 1}. (f) {min z = x 3 1(x + 3), x 1 0, x 0, x 1 + x 1}. 8. Riformulare i seguenti problemi con funzioni di penalità sequenziali esterne P (x, ), determinare la soluzione ottima di P (x, ) in funzione di calcolandone il limite quando tende a zero 3
4 (a) {min z = x 1 + x + 3x 3, x 1 x = 1, x + x 3 = 0}. (b) {min z = x 1 x + x 3, x = 1, x 1 + x + x 3 = 1}. (c) {min z = x 1 + x + x 1 x, x 1 + x 1, x 1 x = 1}. (d) {min z = x 1 5x 1 + x, x 1 + x 5, x 1 x = 0}. (e) {min z = x 1 + x 8x 1 4x, 1 x 1 1}. (f) {min z = x 1 + x x 1 8x, x 1 1, x 1 + x 0}. (g) {min z = x 3 3, x 1 x x 3 = 1, x + x 3 = 0}. (h) {min z = x 1 x, x 1, x 1 + x = 1}. 9. Riformulare i seguenti problemi con funzioni barriera logaritmiche P (x, ) quindi: i) determinare la soluzione ottima di P (x, ) in funzione di calcolandone il limite quando tende a zero; ii) stimare l errore che si compie quando = e confrontare il valore ottenuto con l errore vero. (a) {min z = x 1 5x 1 + x, x 1 + x 5}. (b) {min z = x 1 + x, x 1 + 4x 1}. (c) {min z = x 1 + x 4x 1 x, x 1 + 4x 1}. (d) {min z = x 1 + x 4x 1 x, x 1 1, x 1}. (e) {min z = x 1 + 5x, x 1 + x 5, x 1}. (f) {min z = x 1 x + x 1, x 1 1, x 1}. Risposte agli esercizi Es. 1 Per questo esercizio sono riportate solo le risposte agli esercizi che non possono essere trovate banalmente sui lucidi. (1e) Il vincolo x 3 x 6 1 è equivalente a x 0, quindi z = 0, che si ottiene per (0, 0). La condizione di KKT x L(x 1, x, λ) = f(x 1, x ) + λ g(x 1, x ) = 0 non viene però soddisfatta da (0, 0), infatti L(x1,x,λ) x = 1 3λx = 0 è falsa in x = 0. È immediato verificare che lo jacobiano dell unico vincolo in (0, 0) è nullo e quindi ha rango 0 invece del rango 1 come richiesto in questo caso affinché (0, 0) sia di regolarità. (1p) i) Sia data una qualunque coppia di vettori (λ, ν), con λ 0 e sia x la soluzione ottima del problema di programmazione non lineare. Poiché λ i 0, g i (x ) 0 e h i (x ) = 0 si ha che z = f(x ) f(x ) + inf x ( m λ i g i (x ) + i=1 f(x) + p ν i h i (x ) i=1 m λ i g i (x) + i=1 ) p ν i h i (x) = G(λ, ν) i=1 4
5 ii) Al punto precedente si è visto che G(λ, ν) è un limite inferiore per z. Si determina ora quale è il miglior limite inferiore ottenibile con la funzione lagrangiana duale. Si deve risolvere il problema Lagrangiano duale: max w = G(λ, ν) λ,ν λ 0 (Incidentalmente si osservi che il problema lagrangiano duale è sempre un problema convesso anche se il problema primale non lo è. Si può verificare infatti banalmente che G(λ, ν) è convesso.) Il Teorema di Dualità debole per la programmazione non lineare quindi può essere enunciato come segue Teorema Sia w la soluzione ottima del problema Lagrangiano duale e z la soluzione del problema primale, allora vale w z Conseguentemente: Se il problema primale è non limitato inferiormente, z =, il duale è inammissibile e viceversa. La differenza z w è detta duality gap. (1q) Si consideri il seguente problema di PL in forma standard min x z = c T x (1a) Ax = b (1b) x 0 (1c) Sia x la soluzione ottima di tale problema e sia z il valore assunto dalla funzione obiettivo in x. La funzione Lagrangiana L : R n R m R n R assume la forma L(x, λ, ν) = c T x λ T x + ν T (Ax b) = b T ν + (c + A T ν λ) T x, () dove λ i 0 è il moltiplicatore di Lagrange associato all imo vincolo di disuguaglianza (1c); analogamente è ν j il moltiplicatore di Lagrange associato all jmo vincolo di uguaglianza (1b). Si cerchi il minimo di L(x, λ, ν) per ogni fissata coppia di vettori (λ, ν) ottenendo la cosiddetta funzione lagrangiana duale G(λ, ν) = inf L(x, λ, ν) = x bt ν + inf (c + x AT ν λ) T x. È immediato verificare che G(λ, ν) L(x, λ, ν) = c T x λ T x z per qualunque valore di (λ, ν), con λ 0. Si determini ora la coppia di vettori (λ, ν) per cui sia massimo il valore di G(λ, ν). Si affronti cioè quello che è chiamato problema lagrangiano duale. 5
6 Affinchè la lagrangiana duale sia limitata inferiormente in x, deve valere la condizione c+a T ν λ = 0. Infatti, in generale vale che b T ν c + A T ν λ = 0 G(λ, ν) = altrimenti Il problema lagrangiano duale diventa quindi max w = G(λ, ν) = λ,ν λ 0 b T ν se c + A T ν λ = 0 altrimenti Si è soliti esplicitare i vincoli del problema duale in modo da ottenere il seguente problema equivalente max λ,ν w = bt ν c + A T ν λ = 0 λ 0 che può essere semplicemente riscritto (ponendo ν = y) come max w = b T y y A T y c (1r) Le condizioni di KKT risultano essere Qx + A T ν λ = c Ax = b λ i x i = 0 i x, λ 0 Si osserva che essendo x, λ 0 le condizioni λ i x i = 0 possono essere riscritte come un unica condizione i λ ix i = 0 cioè, in forma vettoriale, λx = 0. Trovare delle soluzioni per le condizioni di KKT consiste nel determinare quindi una soluzione ammissibile del seguente problema (detto di programmazione complementare) che è lineare a meno del vincolo λx = 0 Qx + A T ν λ = c Ax = b λx = 0 x, λ 0 6
7 Al fine di risolvere il problema precedente si può utilizzare un algoritmo simile alla fase I del simplesso. Si considera il problema min z = i y i + j u j Qx + A T ν λ + y = c Ax + u = b λx = 0 x, λ, y, u 0 Una prima soluzione ammissibile di questo problema di minimizzazione è u = b, si noti che possiamo sempre supporre b 0, y i = min{0, c i }, λ i = min{0, c i }. Si procede quindi come con simplesso fino a trovare la soluzione ottima z = 0 con y = 0, u = 0, che quindi definisce dei valori di x, λ e ν ammissibili per le condizioni di KKT. Si noti che il vincolo λx = 0 è soddisfatto dalla condizione iniziale in quanto x = 0. Ad ogni passo del simplesso si mantiene il rispetto del vincolo λx = 0 considerando tra le possibili variabili λ i o x i candidate ad entrare in base solo quelle per cui la corrispondente variabile complementare, rispettivamente x i o λ i, non sia già in base. Si può provare che, se Q 0, si riesce sempre a trovare una variabile da fare entrare in base, nel rispetto delle restrizioni precedenti, fino a quando non si ottiene z = 0. (1s) La funzione lagrangiana del problema considerato risulta essere risulta L(x, λ) = x T Qx + λ T (Ax b). Se Q 0, la condizione x L(x, λ) = 0 restituisce x = ( 1 )Q 1 A T λ, quindi il problema duale è max G(λ) = 1 4 λt AQ 1 A T λ b T λ λ 0 Che può essere risolto all ottimo con algoritmi a barriera in tempo polinomiale. (1t) Il duality gap è certamente nullo per i problemi di programmazione lineare strettamente ammissibili. Infatti ai suddetti problemi si possono sempre applicare le condizioni di Slater poiché sono convessi. Le condizioni di Slater si possono anche applicare ai problemi di programmazione quadratica strettamente ammissibili a condizione che la funzione obiettivo f(x) = 1 xt Ax + b t + c sia caratterizzata da una matrice A semidefinita positiva. Es. (a) x 1 0 x 0 x 1 + x 1 7
8 λ 1, λ, λ 3 0 λ 1 x 1 = 0 λ x = 0 λ 3 (x 1 + x 1) = 0 3x 1(x + 3) λ 1 + λ 3 x 1 = 0 x 3 1 λ + λ 3 x = 0 (b) x 1 + x 4 x 1 + x 1 λ 1, λ 0 λ 1 (x 1 + x 4) = 0 λ (x 1 + x 1) = 0 e (x1 +8x )/ x 1e (x 1 +8x )/100 + λ 1 x 1 λ x 1 = x 1x e (x 1 +8x )/100 + λ 1 x λ x = 0 (c) (x 1 3) + x = 4 5e 5x1 sin(x 1 x ) + x e 5x1 cos(x 1 x ) + ν 1 (x 1 3) = 0 x 1 e 5x1 cos(x 1 x ) + ν 1 x = 0 (d) x 1 0 x 0 x 1 + x = 1 λ 1, λ 0 λ 1 x 1 = 0 λ x = 0 x 1 10x 1 x 4x + 1 (x 1 + x 1x + x + λ 1 + ν 1 1) = 0 4x 1 x 1 x 5x + 1 (x 1 + x 1x + x + 1) λ + ν 1 = 0 (e) x 3 1 8
9 x 1 + x + x λ 1, λ 0 λ 1 x 3 = 0 λ (x 1 + x + x 3 4) = 0 ln(x 1 + 3x + x 3 ) + x 1 + x 1 x x 1 + 3x + x + λ x 1 = 0 3 ln(x 1 + 3x + x 3 ) + 6x 1 + 6x x 1 + 3x + x + λ x = 0 3 x 1 + x x 1 + 3x + x λ 1 + λ = 0 3 Es. 3 (3a) Un punto x è regolare se lo jacobiano dei vincoli attivi in x ha rango massimo quando calcolato in x. Entrambe i vincoli del problema sono attivi in (0, 0). J(0, 0) = x 1 1 x 1 (x 1) (0,0) = Poiché rank(j(0, 0)) = 1 < il punto (0, 0) non è regolare. (3b) Solo i primi tre vincoli del problema sono attivi in (1, 0). 1 1 J(1, 0) = Poiché rank(j(1, 0)) = il punto (1, 0) è regolare. (3c) Solo i primi tre vincoli del problema sono attivi in (1, 0, 0) J(1, 0, 0) = Poiché rank(j(1, 0, 0)) = < 3 il punto (1, 0, 0) non è regolare. NOTA. Si noti come i vincoli e la funzione obiettivo di questo problema sono gli stessi del problema precedente ma sono definiti in uno spazio di dimensione maggiore dove non soddisfano la condizione di qualificazione. (3d) Solo il primo e il secondo vincolo del problema sono attivi in (π, 1). J(π, 1) = Poiché rank(j(π, 1)) = 1 < il punto (π, 1) non è regolare. 9
10 (3e) Tutti i vincoli del problema sono attivi in (1, 1, 1) J(1, 1, 1) = Poiché rank(j(1, 1, 1)) = < 3 il punto (1, 1, 1) non è regolare. (3f) Solo il secondo vincolo del problema è attivo in (0, 0). J(0, 0) = [0, ] Es. 4 Poiché rank(j(0, 0)) = 1 il punto (0, 0) è regolare. (4a) Le coppie di KKT ((x 1, x ), ν ) sono (( 1, 0), 1), ((1, 0), 1), ((0, 1), ), ((0, 1), ). Le ultime due terne soddisfano anche le condizioni di secondo ordine di KKT. Si consideri ad esempio il punto x = (0, 1). L hessiana risulta essere xx L((0, 1), ) = 6 0, le uniche direzioni 0 8 ammissibili sono s = (ξ, 0) per qualunque ξ. Poiché (ξ, 0) 6 0 ξ = 6ξ possiamo concludere che x = (0, 1) è un minimo. (4b) L unica terna di KKT è ((x 1, x ), λ, ν ) = ((0, 1), 1, ) e corrisponde ad un minimo. (4c) Per risolvere il problema conviene preliminarmente osservare che la funzione da ottimizzare è una funzione composta la cui funzione esterna è crescente. Invece di minimizzare z = e (x 1 +8x )/100 si può equivalentemente minimizzare la funzione w = (x 1+8x ) giungendo a condizioni di KKT più trattabili in quanto non comprendenti funzioni esponenziali. L unica coppia di KKT che soddisfi la condizione λ 0 è ((1, 0), 1) e corrisponde ad un minimo, infatti xx L((1, 0), 1) 0. (4d) L unica coppia di KKT che soddisfa le condizioni λ i 0 è ((1, ), ( 9, 0, 0, 1 9 )) e corrisponde ad un minimo, ma questa sua natura non è dimostrabile tramite le condizioni di KKT di secondo ordine. (4e) L unica coppia di KKT che soddisfi le condizioni λ i 0 è ((1, 0), 3 ) e corrisponde ad un minimo, infatti xx L((1, 0), 3 ) 0. (4f) Sono coppie di KKT tutti i punti ((0, x ), (0, 0, 0)) che corrispondono a minimi. La natura di questi punti però non è dimostrabile tramite le condizioni di KKT di secondo ordine. Es. 5 (5a) I punti in cui P (x, ) = 0 sono (0, 0), (0, ± 1 1 ), (±, 0). Si osservi che per 0 gli ultimi quattro punti tendono ai massimi e minimi della funzione vincolata. Per qualunque rimane però sempre il punto (0,0) che non è ammissibile per il problema vincolato originale. 10
11 Es. 6 Es. 7 Es. 8 (5b) L unico punto in cui P (x, ) = 0 è ( 4 9+8, ). (5c) I punti in cui P (x, ) = 0 sono (± 1 3, 3 3 ), (0, 1 ). (5d) L unico punto in cui P (x, ) = 0 è (0, 0). Si osservi che in per questo problema il metodo delle funzioni di penalità sequenziali esterne fallisce perchè individua sempre un punto che non è ammissibile per il problema originale nemmeno per 0. (5e) L unico punto in cui P (x, ) = 0 è ( 8 4+, ). (6a) {min P (x, ) = x 1 x 4 + (x 1 +x 1) +max { x 1,0}+max { x,0} } (6b) {min P (x, ) = x 1x + x 1 + x + (x 1+x 1) +max {x 1,0} } (6c) {min P (x, ) = e (x 1 +8x )/100 + max {(x 1 ) +x 1,0} } (6d) {min P (x, ) = 3x1+x x 1+x + max { x 1 +1,0}+max {x 1,0}+max { x +1,0}+max {x,0} } (6e) {min P (x, ) = x x 1 x + x + max {x 1 +x 4,0}+max { x 1x +1,0} } (6f) {min P (x, ) = x 3 1(x + 3) + max {x 1 +x 1,0}+max { x 1,0}+max { x,0} } (7a) {min P (x, ) = x 1 x 4 ( ln{ x 1 x + 1} + ln{x 1 } + ln{x } ) (7b) {min P (x, ) = x 1x + x 1 + x (ln{x 1 + x 1} + ln{ x 1 }) (7c) {min P (x, ) = e (x 1 +8x )/100 ( ln{ (x 1 ) x + 1} ) (7d) {min P (x, ) = 3x1+x x 1+x (ln{x 1 1} + ln{ x 1 + } + ln{x 1} + ln{ x + }) (7e) {min P (x, ) = x x 1 x + x ( ln{ x 1 x + 4} + ln{x 1 x 1} ) (7f) {min P (x, ) = x 3 1(x + 3) ( ln{ x 1 x + 1} + ln{x 1 } + ln{x } ) (8a) Ponendo x P (x, ) = 0 si ottiene x 1 x = 6x 4x 1 x + 4x 3 + x 3 = (x + x 3 ) = 3 da cui si ottiene il punto di minimo x () = ( 4 +3, 1, ) (, 1, 1) (8b) Ponendo x P (x, ) = 0 si ottiene 1 + x 1 + x 1 + x + x 3 = 0 + x 1 ( + )x + x 3 = x 1 + x + x 3 + x 3 = 0 da cui si ottiene il punto di minimo x () = ( +, (1+) 11 +, + ) (0, 1, 0).
12 (8c) P (x, ) = x 1 + x + x 1 x + max {0, (x 1 + x 1)} + (x 1 x 1) NOTA. In questo esercizio e nei seguenti, dato che si cercano i minimi di P (x, ) in modo analitico, si partiziona lo spazio di definizione di P (x, ) in sottoinsiemi. Tali sottoinsiemi sono definiti per tenere conto della differente struttura che assume P (x, ) nei vari punti dello spazio, i.e., per tenere conto di quale argomento delle componenti max {.,.} risulta dominare. Gli algoritmi numerici di ricerca del minimo non hanno ovviamente bisogno di eseguire questa suddivisione. Essi infatti a ogni passo campionano P (x, ) (o il suo gradiente) per conoscerne il valore numerico ma non hanno bisogno di conoscerne l espressione analitica. Studio di P (x, ) per x 1 + x 1 implica x P (x, ) = x 1 + x + (x1 x 1) x 1 + x (x 1 x 1) (1 + )x 1 + ( + )x = ( + )x 1 + (1 + )x = Da cui si ottiene il punto di minimo x () = ( 4+, 4+ ) ( 1, 1 ). Si noti in particolare che, per piccolo, x () soddisfa anche il vincolo di disuguaglianza. Studio di P (x, ) per x 1 + x 1. NOTA. La funzione P (x, ) va studiata su tutto l insieme R, in quanto il metodo delle funzioni di penalità trasforma un problema di ottimizzazione vincolata in un problema di ottimizzazione non vincolata. implica x P (x, ) = x 1 + x + (x 1 x 1)+(x 1 +x 1) x 1 + x + (x1 x 1)+(x1+x 1) ( + )x 1 + x = 4 x 1 + ( + )x = 0 8(+) Da cui si ottiene il punto x () = ( , ) che non va considerato in quanto non soddisfa la condizione x 1 + x 1 rispetto alla quale si stava studiando x P (x, ) = 0. 4 (8d) P (x, ) = x 1 5x 1 + x + max {0, (5 x1 x)} + (x1 x) 1
13 Studio di P (x, ) per x 1 + x 5 implica x P (x, ) = 5 + x 1 + (x 1 x ) 1 (x 1 x ) (1 + )x 1 x = 5 x 1 + x = Da cui si ottiene il punto x () = (, 4 ) che non va considerato in quanto non soddisfa la condizione x 1 + x 5 rispetto alla quale si stava studiando x P (x, ) = 0 Studio di P (x, ) per x 1 + x 5. implica x P (x, ) = 5 + x 1 + (5 x1 x)+(x1 x) 1 (5 x1 x)+(x1 x) x 1 = 5 4x = 10 Da cui si ottiene il seguente punto di minimo x () = ( 5, 10 4 ) ( 5, 5 ). (8e) P (x, ) = x 1 + x 8x 1 4x + max {0, ( 1 x1)} + max {0, (x1 1)} Studio di P (x, ) per x 1 1 implica x P (x, ) = 8 + x 1 + ( 1+x1) 4 + x (1 + )x 1 = x = Da cui si ottiene il punto di minimo x () = ( , ) (1, ). Studio di P (x, ) per 1 x 1 1. x P (x, ) = 8 + x x 13
14 implica il punto x () = (4, ) che non va considerato in quanto non soddisfa la condizione 1 x 1 1 rispetto alla quale si stava studiando x P (x, ) = 0. Studio di P (x, ) per x 1 1 x P (x, ) = 8 + x 1 + (1+x 1) 4 + x implica (1 + )x 1 = x = Da cui si ottiene il punto x () = ( , ) che non va considerato in quanto non soddisfa la condizione x 1 1 rispetto alla quale si stava studiando x P (x, ) = 0. (8f) P (x, ) = x 1 + x x 1 8x + max {0, (x1 1)} + max {0, ( x1 + x )} Studio di P (x, ) per x 1 1 e x1 + x 0. x P (x, ) = + x x implica il punto x () = (1, ) che non va considerato in quanto non soddisfa la condizione x 1 + x 0 rispetto alla quale si stava studiando x P (x, ) = 0 Studio di P (x, ) per x 1 1 e x 1 + x 0 implica x P (x, ) = + x 1 ( x 1+x ) 8 + 4x + ( x 1+x ) (1 + )x 1 x = x1 + (1 + )x = 4 Da cui si ottiene il punto x () = ( 5+ 3+, condizione x 1 1 rispetto alla quale si stava studiando x P (x, ) = 0. ). che non va considerato in quanto non soddisfa la Studio di P (x, ) per x 1 1 e x 1 + x 0 x P (x, ) = + x 1 + +x x 14
15 implica il punto x () = (1, ) che non va considerato in quanto non soddisfa la condizione x 1 + x 0 rispetto alla quale si stava studiando x P (x, ) = 0 Studio di P (x, ) per x 1 1 e x 1 + x 0 implica x P (x, ) = + x 1 + ( 1+x1) ( x1+x) 8 + 4x + ( x1+x) ( + )x 1 x = 1 + x 1 + (1 + )x = 4 Da cui si ottiene il punto di minimo x () = ( , ) (1, 1). (8g) Ponendo x P (x, ) = 0 si ottiene x x 3 ( 1 + x 1 x x 3 ) = 0 x + x 3 + x 1 x 3 ( 1 + x 1 x x 3 ) = 0 ( 1 + x 1 )x + x 1x x 3 + x 3 ( + 3x 3 ) = 0 da cui sono punti stazionari x = (t, 0, 0) per qualunque t R oppure x = (1, 0, ) (1, 0, ). Si noti che nessuno dei punti stazionari soddisfa i vincoli nemmeno per. La funzione z(x) non ha minimo nell insieme di ammissibilità, è infatti illimitata inferiormente. (8h) P (x, ) = x 1 x + max {0, (1 x )} + ( 1 + x 1 + x ) x P (x, ) = Studio di P (x, ) per x 1 x 1 + ( 1+x1+x) x + (1 x)1{x 1}+( 1+x1+x) x P (x, ) = 0 implica (1 + )x 1 + x = 1 x 1 + (1 )x = 1 Da cui si ottiene il punto x () = ( 1, 1 ) che non va considerato in quanto non soddisfa la condizione x 1 rispetto alla quale si stava studiando x P (x, ) = 0. Studio di P (x, ) per x 1 x P (x, ) = 0 15
16 implica (1 + )x 1 + x = 1 x 1 ( + )x = Da cui si ottiene il punto x () = ( 1+ 1+, 1+ ) (0, 1). che non va considerato in quanto non soddisfa la condizione x 1 rispetto alla quale si stava studiando x P (x, ) = 0. Non esistono punti in cui x P (x, ) = 0. La funzione z(x) non ha minimo nell insieme di ammissibilità, è infatti illimitata inferiormente. Si noti in particolare che x () tende a un punto ammissibile ma tale punto è un massimo. Es. 9 (9a) Imponendo P (x, ) = x 1 5x 1 + x ln(x1 + x 5) 5 + x1 x P (x, ) = x1+x 5 1 x1+x 5 si ottiene il punto di minimo x () = (3, +) (3, ). Essendoci un solo vincolo di disuguaglianza, l errore è limitato superiormente da. Per = si ottiene quindi z(x ()) z(x ) L errore reale è z(x ()) z(x ) = NOTA. Si osservi che in questi esercizi è possibile calcolare l errore reale perché si può determinare il valore esatto del minimo. Nei casi pratici questo in generale non avviene e ci si accontenta della stima. (9b) P (x, ) = x 1 + x ln(1 x 1 4x ) Imponendo x P (x, ) = 1 + x 1 1 x 1 4x + 8x 1 x 1 4x si ottiene x () = ( +, + 4 ) (, 4 ) oppure x () = ( + +, ) (, 4 ). Il punto (, 4 ) è il minimo assoluto che giace sul vincolo. Il punto x () viola le condizioni di esistenza del logaritmo usato nella funzione barriera e quindi viola anche il vincolo associato. Poiché il punto x () si trova oltre la barriera, esso non deve essere considerato. NOTA. Il punto x () non verrebbe determinato dagli algoritmi numerici poiché essi partono da un punto iniziale all interno dell insieme di ammissibilità e non riescono a superare le barriere. Essendoci un solo vincolo di disuguaglianza, l errore è limitato superiormente da. Per = si ottiene quindi z(x ()) z(x ) L errore reale è z(x ()) z(x ) =
17 (9c) P (x, ) = x 1 + x 4x 1 x ln(1 x 1 4x ) Imponendo x P (x, ) = 4 + x x + 1 x 1 4x 4 1 x 1 4x si ottiene x () = ( , ) ( 16 9, 7 36 ) oppure x () = ( , ) (, 1 4 ). Il punto (, 1 4 ) è il minimo assoluto che NON giace sul vincolo. Il punto x () viola le condizioni di esistenza del logaritmo usato nella funzione barriera. Essendoci un solo vincolo di disuguaglianza, l errore è limitato superiormente da. Per = si ottiene quindi z(x ()) z(x ) L errore reale è z(x ()) z(x ) = (9d) P (x, ) = x 1 + x 4x 1 x (ln(1 x 1 ) + ln(1 x )) Imponendo x P (x, ) = 4 + x x + 1 x 1 1 x si ottiene x () = ( 3 1+, ) (1, 1 4 ) oppure x () = ( 3+ 1+, ) oppure x () = ( 3 1+, ) oppure x () = ( 3+ 1+, ). Il punto (1, 1 4 ) è il minimo assoluto che giace sul primo vincolo. condizioni di esistenza di almeno uno dei logaritmi usati nelle funzioni barriera. I rimanenti punti violano le Essendoci due vincoli di disuguaglianza, l errore è limitato superiormente da. Per = si ottiene quindi z(x ()) z(x ) L errore reale è z(x ()) z(x ) = NOTA. Il problema poteva essere risolto ancora più facilmente se si osservava che esso era decomponibile. Sia le differenti componenti della funzione obiettivo che i due vincoli sono funzioni di una sola variabile, quindi {min z = x 1 + x 4x 1 x, x 1 1, x 1} = = {min z 1 = x 1 4x 1, x 1 1} + {min z = x x, x 1}. (9e) P (x, ) = x 1 + 5x (ln(x 1 + x 5) + ln(x + 1)) Imponendo x P (x, ) = 1 x 1+x 5 5 x +1 x 1 +x 5 si ottiene x () = ( 3(8+) 4, 4+ 4 ) (6, 1) Il punto (6, 1) è il minimo assoluto che giace sull intersezione tra i vincoli. 17
18 Essendoci due vincoli di disuguaglianza, l errore è limitato superiormente da. Per = si ottiene quindi z(x ()) z(x ) L errore reale è z(x ()) z(x ) = (9f) P (x, ) = x 1 x + x 1 (ln(x 1 1) + ln(x 1)) Imponendo x P (x, ) = 1 + x x 1 x 1 1 x 1 si ottiene x () = ( 1+ 1+, 1 + ) (1, 1) oppure x () = ( 1 1+, 1 + ) Il punto (1, 1) è il minimo assoluto che giace sull intersezione tra i vincoli. Il punto x () viola le condizioni di esistenza dei logaritmi usati nelle funzioni barriera. Essendoci due vincoli di disuguaglianza, l errore è limitato superiormente da. Per = si ottiene quindi z(x ()) z(x ) L errore reale è z(x ()) z(x ) =
Esercizi di ottimizzazione vincolata
Esercizi di ottimizzazione vincolata A. Agnetis, P. Detti Esercizi svolti 1 Dato il seguente problema di ottimizzazione vincolata max x 1 + x 2 x 1 4x 2 3 x 1 + x 2 2 0 x 1 0 studiare l esistenza di punti
DettagliMassimi e minimi vincolati
Massimi e minimi vincolati Data una funzione G C 1 (D), dove D è un aperto di R 2, sappiamo bene dove andare a cercare gli eventuali punti di massimo e minimo relativi. Una condizione necessaria affinché
DettagliMassimi e minimi vincolati
Massimi e minimi vincolati Vedremo tra breve un metodo per studiare il problema di trovare il minimo e il massimo di una funzione su di un sottoinsieme dello spazio ambiente che non sia un aperto. Abbiamo
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
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
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
DettagliCOME CALCOLARE LA COMBINAZIONE DI MINIMO COSTO DEI FATTORI
COME CALCOLARE LA COMBINAZIONE DI MINIMO COSTO DEI FATTORI In questa Appendice, mostreremo come un impresa possa individuare la sua combinazione di minimo costo dei fattori produttivi attraverso il calcolo
DettagliIl metodo del simplesso
Capitolo 5 Il metodo del simplesso 5. La forma standard Esercizio 5.. Porre il problema di Programmazione Lineare: in forma standard. min x +x + x + x x +x 5 x 4 x, x Si trasformano i vincoli di disuguaglianza
DettagliNOTE SULLE FUNZIONI CONVESSE DI UNA VARIABILE REALE
NOTE SULLE FUNZIONI CONVESSE DI UNA VARIABILE REALE ROBERTO GIAMBÒ 1. DEFINIZIONI E PRIME PROPRIETÀ In queste note saranno presentate alcune proprietà principali delle funzioni convesse di una variabile
Dettagli2.6 Calcolo degli equilibri di Nash
92 2 Giochi non Cooperativi Per queste estensioni di giochi non finiti si possono provare risultati analoghi a quelli visti per i giochi finiti. Rimandiamo alla bibliografia per uno studio più approfondito
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
DettagliRilassamento Lagrangiano
RILASSAMENTO LAGRANGIANO 1 Rilassamento Lagrangiano Tecnica più usata e conosciuta in ottimizzazione combinatoria per il calcolo di lower/upper bounds (Held and Karp (1970)). Si consideri il seguente problema
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I)
Metodi e Modelli per l Ottimizzazione Combinatoria Ripasso sulla Programmazione Lineare e il metodo del Simplesso (parte I) Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema
DettagliParte V: Rilassamento Lagrangiano
Parte V: Rilassamento Lagrangiano Tecnica Lagrangiana Consideriamo il seguente problema di Programmazione Lineare Intera: P 1 min c T x L I Ax > b Cx > d x > 0, intera in cui A = matrice m x n C = matrice
DettagliRicerca Operativa. G. Liuzzi. Lunedí 20 Aprile 2015
1 Lunedí 20 Aprile 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Rilassamento di un problema Rilassare un problema di Programmazione Matematica vuol dire trascurare alcuni (tutti i)
DettagliEstremi. 5. Determinare le dimensioni di una scatola rettangolare di volume v assegnato, che abbia la superficie minima.
Estremi 1. Determinare gli estremi relativi di f(x, y) = e x (x 1)(y 1) + (y 1).. Determinare gli estremi relativi di f(x, y) = y (y + 1) cos x. 3. Determinare gli estremi relativi di f(x, y) = xye x +y..
DettagliAppunti sul corso di Complementi di Matematica mod. Analisi prof. B.Bacchelli - a.a. 2010/2011.
Appunti sul corso di Complementi di Matematica mod. Analisi prof. B.Baccelli - a.a. 2010/2011. 06 - Derivate, differenziabilità, piano tangente, derivate di ordine superiore. Riferimenti: R.Adams, Calcolo
DettagliProblemi lineari equivalenti
Problemi lineari equivalenti Introduzione Nel seguito verranno presentati alcuni esempi di trasformazione di problemi di problemi di programmazione lineare in forme equivalenti. Un problema di programmazione
Dettagli1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: c) x + 1 d)x sin x.
Funzioni derivabili Esercizi svolti 1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: a)2x 5 b) x 3 x 4 c) x + 1 d)x sin x. 2) Scrivere l equazione della retta tangente
DettagliIntroduzione al Metodo del Simplesso. 1 Soluzioni di base e problemi in forma standard
Introduzione al Metodo del Simplesso Giacomo Zambelli 1 Soluzioni di base e problemi in forma standard Consideriamo il seguente problema di programmazione lineare (PL), relativo all esempio di produzione
DettagliMassimi e minimi relativi in R n
Massimi e minimi relativi in R n Si consideri una funzione f : A R, con A R n, e sia x A un punto interno ad A. Definizione: si dice che x è un punto di massimo relativo per f se B(x, r) A tale che f(y)
DettagliMassimo e minimo limite di successioni
Massimo e minimo limite di successioni 1 Premesse Definizione 1.1. Definiamo R esteso l insieme R = R { } {+ }. In R si estende l ordinamento tra numeri reali ponendo < a < +, a R. In base a tale definizione,
DettagliIntroduzione alla programmazione lineare
Introduzione alla programmazione lineare struttura del problema di PL forme equivalenti rappresentazione e soluzione grafica rif. Fi 1.2; BT 1.1, 1.4 Problema di programmazione lineare Dati: un vettore
DettagliEstremi vincolati, Teorema del Dini.
Estremi vincolati, Teorema del Dini. 1. Da un cartone di 1m si deve ricavare una scatola rettangolare senza coperchio. Trovare il massimo volume possibile della scatola.. Trovare gli estremi assoluti di
DettagliRilassamento Lagrangiano
Rilassamento Lagrangiano AA 2009/10 1 Rilassamento Lagrangiano Tecnica più usata e conosciuta in ottimizzazione combinatoria per il calcolo di lower/upper bounds (Held and Karp (1970)). Si consideri il
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
DettagliAppunti su Indipendenza Lineare di Vettori
Appunti su Indipendenza Lineare di Vettori Claudia Fassino a.a. Queste dispense, relative a una parte del corso di Matematica Computazionale (Laurea in Informatica), rappresentano solo un aiuto per lo
DettagliIl modello duale. Capitolo settimo. Introduzione
Capitolo settimo Il modello duale Introduzione Il modello duale e la teoria della dualità assumono una grande importanza nella teoria della programmazione matematica. In questo testo i modelli primale
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi per la soluzione di sistemi di equazioni non lineari Sistemi di equazioni non lineari Un sistema di equazioni
DettagliSOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n
SPAZI E SOTTOSPAZI 1 SOTTOSPAZI E OPERAZIONI IN SPAZI DIVERSI DA R n Spazi di matrici. Spazi di polinomi. Generatori, dipendenza e indipendenza lineare, basi e dimensione. Intersezione e somma di sottospazi,
DettagliTeorema delle Funzioni Implicite
Teorema delle Funzioni Implicite Sia F una funzione di due variabili definita in un opportuno dominio D di R 2. Consideriamo l equazione F (x, y) = 0, questa avrà come soluzioni coppie di valori (x, y)
DettagliEsercitazione n 6. Esercizio 1: Determinare i punti di massimo e minimo relativo delle seguenti funzioni: (b)f(x, y) = 4y 4 16x 2 y + x
Esercitazione n 6 1 Massimi e minimi di funzioni di più variabili Esercizio 1: Determinare i punti di massimo e minimo relativo delle seguenti funzioni: (a)f(x, y) = x 3 + y 3 + xy (b)f(x, y) = 4y 4 16x
DettagliEquazioni esponenziali e logaritmi
Copyright c 2008 Pasquale Terrecuso Tutti i diritti sono riservati. Equazioni esponenziali e logaritmi 2 equazioni esponenziali..................................................... 3 casi particolari............................................................
Dettaglia) Determinare il dominio, i limiti agli estremi del dominio e gli eventuali asintoti di f. Determinare inoltre gli zeri di f e studiarne il segno.
1 ESERCIZI CON SOLUZIONE DETTAGLIATA Esercizio 1. Si consideri la funzione f(x) = e x 3e x +. a) Determinare il dominio, i limiti agli estremi del dominio e gli eventuali asintoti di f. Determinare inoltre
DettagliMetodi per la risoluzione di sistemi lineari
Metodi per la risoluzione di sistemi lineari Sistemi di equazioni lineari. Rango di matrici Come è noto (vedi [] sez.0.8), ad ogni matrice quadrata A è associato un numero reale det(a) detto determinante
DettagliLUISS Laurea specialistica in Economia e Finanza Anno Accademico 2010/2011
LUISS Laurea specialistica in Economia e Finanza Anno Accademico 1/11 Corso di Metodi Matematici per la Finanza Prof. Fausto Gozzi, Dr. Davide Vergni Soluzioni esercizi 4,5,6 esame scritto del 13/9/11
Dettagli4.11 Massimi e minimi relativi per funzioni di più variabili
5. Determinare, al variare del parametro a R, la natura delle seguenti forme quadratiche: (i) Φ(x, y, z) = x 2 + 2axy + y 2 + 2axz + z 2, (ii) Φ(x, y, z, t) = 2x 2 + ay 2 z 2 t 2 + 2xz + 4yt + 2azt. 4.11
DettagliProgrammazione Non Lineare Ottimizzazione vincolata
DINFO-Università di Palermo Programmazione Non Lineare Ottimizzazione vincolata D. Bauso, R. Pesenti Dipartimento di Ingegneria Informatica Università di Palermo DINFO-Università di Palermo 1 Sommario
DettagliCorso di Matematica Applicata A.A
Corso di Matematica Applicata A.A. 2012-2013 Programmazione lineare (II parte) Prof.ssa Bice Cavallo Soluzione di un problema PL Soluzione ottima Variabili slack e surplus A R mxn Ax b s R m, s i 0 : Ax
DettagliEsercitazione di Analisi Matematica II
Esercitazione di Analisi Matematica II Barbara Balossi 06/04/2017 Esercizi di ripasso Esercizio 1 Sia data l applicazione lineare f : R 3 R 3 definita come f(x, y, z) = ( 2x + y z, x 2y + z, x y). a) Calcolare
DettagliRETTE E PIANI. ove h R. Determinare i valori di h per cui (1) r h e α sono incidenti ed, in tal caso, determinare l angolo ϑ h da essi formato;
RETTE E PIANI Esercizi Esercizio 1. Nello spazio con riferimento cartesiano ortogonale Oxyz si considerino la retta r h ed il piano α rispettivamente di equazioni x = 1 + t r h : y = 1 t α : x + y + z
DettagliMatematica Finanziaria 29 novembre 2000
Matematica Finanziaria 29 novembre 2000 Ottimizzazione. Cognome Nome FILA A ESERCIZIO 1: Gestione del rischio a) Ricavare l espressione del vettore dei coe cienti nella tecnica dei minimi quadrati. b)
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
DettagliDomande d esame. Ricerca Operativa. G. Liuzzi. Giovedí 14 Maggio 2015. 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR
1 Giovedí 14 Maggio 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Geometria di R n 1 Dare la definizione di Poliedro e Vertice di un Poliedro 2 Dare la definizione di Poliedro e di Politopo
DettagliLe derivate parziali
Sia f(x, y) una funzione definita in un insieme aperto A R 2 e sia P 0 = x 0, y 0 un punto di A. Essendo A un aperto, esiste un intorno I(P 0, δ) A. Preso un punto P(x, y) I(P 0, δ), P P 0, possiamo definire
DettagliRICERCA OPERATIVA. Tema d esame del 04/03/2008 (Simulazione)
RICERCA OPERATIVA Tema d esame del 04/03/2008 (Simulazione) COGNOME: NOME: MATRICOLA:. Una nota azienda automobilistica produce due modelli di auto (un utilitaria e una berlina), che rivende con un guadagno
Dettagli1 Ampliamento del piano e coordinate omogenee
1 Ampliamento del piano e coordinate omogenee Vogliamo dare una idea, senza molte pretese, dei concetti che stanno alla base di alcuni calcoli svolti nella classificazione delle coniche. Supponiamo di
DettagliSviluppi e derivate delle funzioni elementari
Sviluppi e derivate delle funzioni elementari In queste pagine dimostriamo gli sviluppi del prim ordine e le formule di derivazioni delle principali funzioni elementari. Utilizzeremo le uguaglianze lim
DettagliSoluzione dei Problemi di Programmazione Lineare
Soluzione dei Problemi di Programmazione Lineare Consideriamo un problema di Programmazione Lineare (PL) con m vincoli ed n variabili in Forma Standard dove: ma 0 c A b ( ) 0 ( 2) R è il vettore n delle
DettagliFigura 1: 1) Si scriva la formulazione del problema come problema di PLI (con un numero minimo di vincoli) e la matrice dei vincoli.
ESERCIZIO 1 Sia dato il grafo orientato in Figura 1. Si consideri il problema di flusso a 1 2 4 Figura 1: costo minimo su tale grafo con b 1 = 4 b 2 = 2 b = b 4 = e c 12 = 2 c 1 = 4 c 14 = 1 c 2 = 1 c
Dettagli( ) le colonne della matrice dei coefficienti, con. , risulta A 3 = A 1 + 4A 2 + 4A 5, A 4 = A 1 + A 2,
1 Elementi di Analisi Matematica e Ricerca Operativa prova del 6 luglio 2016 1) Discutere il seguente problema di Programmazione Lineare: Trovare il massimo di p x 1, x 2, x 3, x 4 # x 2 + 4 x 3 + x 4
Dettagli2. ALGORITMO DEL SIMPLESSO
. ALGORITMO DEL SIMPLESSO R. Tadei Una piccola introduzione R. Tadei SIMPLESSO L obiettivo del capitolo è quello di fornire un algoritmo, l algoritmo del simplesso, che risolve qualsiasi problema di programmazione
DettagliRETTE E PIANI NELLO SPAZIO
VETTORI E GEOMETRIA ANALITICA 1 RETTE E PIANI NELLO SPAZIO Rette e piani in forma cartesiana e parametrica. Parallelismo e perpendicolarità, posizioni reciproche tra rette e piani, distanze. Esercizio
Dettagli5.3 Metodo dei piani di taglio
5.3 Metodo dei piani di taglio (PLI) min s.v. c T x Ax b x interi X Ipotesi: a ij, c j e b i interi Osservazione: La regione ammissibile di un PLI può essere descritta mediante dei vincoli più o meno stringenti
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliEsercizi svolti sugli integrali
Esercizio. Calcolare il seguente integrale indefinito x dx. Soluzione. Poniamo da cui x = t derivando rispetto a t abbiamo t = x x = t dx dt = quindi ( t x dx = ) poiché t = t, abbiamo t dt = = in definitiva:
DettagliFONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA
Cognome Nome Matricola FONDAMENTI DI ALGEBRA LINEARE E GEOMETRIA Ciarellotto, Esposito, Garuti Prova del 21 settembre 2013 Dire se è vero o falso (giustificare le risposte. Bisogna necessariamente rispondere
DettagliIntroduzione al Metodo agli Elementi Finiti (FEM) (x, y) Γ Tale formulazione viene detta Formulazione forte del problema.
Introduzione al Metodo agli Elementi Finiti (FEM) Consideriamo come problema test l equazione di Poisson 2 u x 2 + 2 u = f(x, y) u = f y2 definita su un dominio Ω R 2 avente come frontiera la curva Γ,
DettagliANALISI B alcuni esercizi proposti
ANALISI B alcuni esercizi proposti G.P. Leonardi Parte II 1 Limiti e continuità per funzioni di 2 variabili Esercizio 1.1 Calcolare xy log(1 + x ) lim (x,y) (0,0) 2x 2 + 5y 2 Esercizio 1.2 Studiare la
DettagliFunzioni derivabili (V. Casarino)
Funzioni derivabili (V. Casarino) Esercizi svolti 1) Applicando la definizione di derivata, calcolare la derivata in = 0 delle funzioni: a) 5 b) 3 4 c) + 1 d) sin. ) Scrivere l equazione della retta tangente
DettagliIl teorema di Lagrange e la formula di Taylor
Il teorema di Lagrange e la formula di Taylor Il teorema del valor medio di Lagrange, valido per funzioni reali di una variabile reale, si estende alle funzioni reali di più variabili. Come si vedrà, questo
DettagliANALISI MATEMATICA PER IL CdL IN INFORMATICA ESERCIZI SULLE DISEQUAZIONI
ANALISI MATEMATICA PER IL CdL IN INFORMATICA ESERCIZI SULLE DISEQUAZIONI Risolvere le seguenti disequazioni: ( 1 ) x < x + 1 1) 4x + 4 x ) x + 1 > x 4x x 10 ) x 4 x 5 4x + > ; 4) ; 5) 0; ) x 1 x + 1 x
DettagliFUNZIONI E INSIEMI DI DEFINIZIONE
FUNZIONI E INSIEMI DI DEFINIZIONE In matematica, una funzione f da X in Y consiste in: ) un insieme X detto insieme di definizione I.d.D. (o dominio) di f 2) un insieme Y detto codominio di f 3) una legge
DettagliSISTEMI LINEARI MATRICI E SISTEMI 1
MATRICI E SISTEMI SISTEMI LINEARI Sistemi lineari e forma matriciale (definizioni e risoluzione). Teorema di Rouché-Capelli. Sistemi lineari parametrici. Esercizio Risolvere il sistema omogeneo la cui
DettagliFUNZIONI. }, oppure la
FUNZIONI 1. Definizioni e prime proprietà Il concetto di funzione è di uso comune per esprimere la seguente situazione: due grandezze variano l una al variare dell altra secondo una certa legge. Ad esempio,
DettagliRisposta La curva r è regolare a tratti per via di quanto succede della sua rappresentazione parametrica nel punto t = 1: pur riuscendo
ANALISI VETTORIALE OMPITO PER LE VAANZE DI FINE D ANNO Esercizio Sia r(t) la curva regolare a tratti x = t, y = t, t [, ] e x = t, y = t, t [, ]. alcolare la lunghezza di r, calcolare, dove esistono, i
DettagliMassimi e minimi assoluti vincolati: esercizi svolti
Massimi e minimi assoluti vincolati: esercizi svolti Gli esercizi contrassegnati con il simbolo * presentano un grado di difficoltà maggiore. Esercizio 1. Determinare i punti di massimo e minimo assoluti
DettagliCOMPITO DI RICERCA OPERATIVA. max x 1 + x 2 x 1 2x 2 + x 3 = 4 x 1 x 2 x 3 = 3 x 2 + 2x 3 = 1 x 1, x 2, x 3 0
COMPITO DI RICERCA OPERATIVA ESERCIZIO. (5 punti) Sia dato il seguente problema di PL: max x + x 2 x 2x 2 + x 3 = 4 x x 2 x 3 = 3 x 2 + 2x 3 = x, x 2, x 3 0 Utilizzando il metodo due fasi, si stablisca
DettagliEsercizio 1. Esercizio 2
Sia data la matrice A A(α) = Esercizio α 2 2α 2 2, α R.) determinare per quali valori del parametro reale α é verificata la condizione necessaria e sufficiente di convergenza per il metodo di Jacobi;.2)
DettagliPossibile applicazione
p. 1/4 Assegnamento Siano dati due insiemi A e B entrambi di cardinalità n. Ad ogni coppia (a i,b j ) A B è associato un valore d ij 0 che misura la "incompatibilità" tra a i e b j, anche interpretabile
Dettagli1 Definizione del problema di massimo. La forma standard 1
UNIVR Facoltà di Economia Corso di Matematica finanziaria 008/09 Massimi e minimi vincolati di disuguaglianza Indice Definizione del problema di massimo. La forma standard Caso con un solo vincolo. Il
DettagliLaurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Successioni e loro limiti
Laurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Successioni e loro limiti Docente: Anna Valeria Germinario Università di Bari A.V.Germinario (Università di
DettagliSISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI
SISTEMI LINEARI: APPROFONDIMENTI ED ESEMPI Appunti presi dalle lezioni del prof. Nedo Checcaglini Liceo Scientifico di Castiglion Fiorentino (Classe 4B) January 17, 005 1 SISTEMI LINEARI Se a ik, b i R,
DettagliDerivazione numerica. Introduzione al calcolo numerico. Derivazione numerica (II) Derivazione numerica (III)
Derivazione numerica Introduzione al calcolo numerico Il calcolo della derivata di una funzione in un punto implica un processo al limite che può solo essere approssimato da un calcolatore. Supponiamo
DettagliMacchine parallele M 1 M 2 M 3 J 1 J 2 LAVORI J 3 J 4
Macchine parallele M 1 J 1 J 2 LAVORI M 2 J 3 J 4 M 3 Macchine parallele Scheduling su macchine parallele scorrelate R C max Descrizione del problema n lavori devono essere processati da m macchine diverse
DettagliProblemi, istanze, soluzioni
lgoritmi e Strutture di Dati II 2 Problemi, istanze, soluzioni Un problema specifica una relazione matematica tra dati di ingresso e dati di uscita. Una istanza di un problema è formata dai dati di un
DettagliFUNZIONI ELEMENTARI, DISEQUAZIONI, NUMERI REALI, PRINCIPIO DI INDUZIONE Esercizi risolti
FUNZIONI ELEMENTARI, DISEQUAZIONI, NUMERI REALI, PRINCIPIO DI INDUZIONE Esercizi risolti Discutendo graficamente la disequazione x > 3 + x, verificare che l insieme delle soluzioni è un intervallo e trovarne
DettagliEsercizi di Ricerca Operativa I
Esercizi di Ricerca Operativa I Raffaele Pesenti, Dario Bauso March 29, 2006 Domande Introduzione 1. Cos e la Ricerca Operativa? 2. Quali problemi affronta un ricercatore operativo? Fare un esempio indicando
DettagliDisequazioni di secondo grado
Disequazioni di secondo grado. Disequazioni Definizione: una disequazione è una relazione di disuguaglianza tra due espressioni. Detti p() e g() due polinomi definiti in un insieme A, una disequazione
DettagliAppendice A: un esempio di scelta del mix ottimo di produzione in presenza di vincoli 19
14 18-12-07 19:04 Pagina 411 Le decisioni di breve termine fra alternative diverse 411 i minori costi differenziali, almeno nella misura in cui la dimensione di costo è la più importante. Sebbene i costi
DettagliI. Foglio di esercizi su vettori linearmente dipendenti e linearmente indipendenti. , v 2 = α v 1 + β v 2 + γ v 3. α v 1 + β v 2 + γ v 3 = 0. + γ.
ESERCIZI SVOLTI DI ALGEBRA LINEARE (Sono svolti alcune degli esercizi proposti nei fogli di esercizi su vettori linearmente dipendenti e vettori linearmente indipendenti e su sistemi lineari ) I. Foglio
DettagliINTERPOLAZIONE. Introduzione
Introduzione INTERPOLAZIONE Quando ci si propone di indagare sperimentalmente la legge di un fenomeno, nel quale intervengono due grandezze x, y simultaneamente variabili, e una dipendente dall altra,
DettagliAnalisi Matematica II Corso di Ingegneria Gestionale Compito del f(x, y) = e (x3 +x) y
Analisi Matematica II Corso di Ingegneria Gestionale Compito del 8--7 - È obbligatorio consegnare tutti i fogli, anche la brutta e il testo. - Le risposte senza giustificazione sono considerate nulle.
DettagliProgrammazione Lineare Intera. Programmazione Lineare Intera p. 1/4
Programmazione Lineare Intera Programmazione Lineare Intera p. 1/4 Programmazione Lineare Intera Problema di PLI in forma standard: max cx Ax = b x 0, x I n I insieme degli interi. Regione ammissibile:
Dettagli4.3 Esempio metodo del simplesso
4.3 Esempio metodo del simplesso (P ) min -5x 4x 2 3x 3 s.v. 2x + 3x 2 + x 3 5 4x + x 2 + 2x 3 3x + 4x 2 + 2x 3 8 x, x 2, x 3 Per mettere il problema in forma standard si introducono le variabili di scarto
DettagliAmplificatori in classe A con accoppiamento capacitivo
Ottobre 00 Amplificatori in classe A con accoppiamento capacitivo amplificatore in classe A di Fig. presenta lo svantaggio che il carico è percorso sia dalla componente di segnale, variabile nel tempo,
DettagliL ALGORITMO DEL SIMPLESSO REVISIONATO
L ALGORITMO DEL SIMPLESSO REVISIONATO L'algoritmo del simplesso revisionato costituisce una diversa implementazione dell algoritmo standard tesa a ridurre, sotto certe condizioni, il tempo di calcolo e
DettagliTEMI D ESAME DI ANALISI MATEMATICA I
TEMI D ESAME DI ANALISI MATEMATICA I Corso di laurea quadriennale) in Fisica a.a. 003/04 Prova scritta del 3 aprile 003 ] Siano a, c parametri reali. Studiare l esistenza e, in caso affermativo, calcolare
DettagliSvolgimento degli esercizi del Capitolo 1
Analisi Matematica a edizione Svolgimento degli esercizi del Capitolo a) Si ha perciò si distinguono due casi: I) se x < 7,siha x 7 se x 7 x 7 7 x se x < 7, x 7 7 x x x 5 x 5, e poiché 5 > 7 la disequazione
DettagliEsercizi svolti di Programmazione Lineare. a cura di Laura Scrimali Dipartimento di Matematica e Informatica Università di Catania
Esercizi svolti di Programmazione Lineare a cura di Laura Scrimali Dipartimento di Matematica e Informatica Università di Catania Formulazione matematica e risoluzione grafica Esercizio Una pasticceria
DettagliMATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013
MATEMATICA CORSO A II COMPITINO (Tema 1) 5 Aprile 2013 Soluzioni 1. Due sperimentatori hanno rilevato rispettivamente 25 e 5 misure di una certa grandezza lineare e calcolato le medie che sono risultate
DettagliIl teorema di Rouché-Capelli
Luciano Battaia Questi appunti (1), ad uso degli studenti del corso di Matematica (A-La) del corso di laurea in Commercio Estero dell Università Ca Foscari di Venezia, campus di Treviso, contengono un
DettagliUniversita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni
Universita degli Studi di Ancona - Facolta di Ingegneria Laurea in Ing. Elettronica (VO) Ing. Informatica e Automatica - Ing. delle Telecomunicazioni ANALISI NUMERICA - Primo Parziale - TEMA A (Prof. A.M.Perdon)
DettagliFunzioni implicite - Esercizi svolti
Funzioni implicite - Esercizi svolti Esercizio. È data la funzione di due variabili F (x, y) = y(e y + x) log x. Verificare che esiste un intorno I in R del punto di ascissa x 0 = sul quale è definita
DettagliPrerequisiti per seguire il corso
Prerequisiti per seguire il corso Insiemi numerici e aritmetica elementare. Equazioni e disequazioni di primo e secondo grado. Geometria elementare e geometria analitica: rette, parabole, iperbole equilatera.
DettagliCorso di Geometria BIAR, BSIR Esercizi 2: soluzioni
Corso di Geometria 2- BIAR, BSIR Esercizi 2: soluzioni Esercizio Calcolare il determinante della matrice 2 3 : 3 2 a) con lo sviluppo lungo la prima riga, b) con lo sviluppo lungo la terza colonna, c)
DettagliFunzioni. iniettiva se x y = f (x) f (y) o, equivalentemente, f (x) = f (y) = x = y
Funzioni. Dati due insiemi A e B (non necessariamente distinti) si chiama funzione da A a B una qualunque corrispondenza (formula, regola) che associa ad ogni elemento di A uno ed un solo elemento di B.
DettagliRaccolta di esercizi svolti sulle condizioni di Kuhn Tucker
Raccolta di esercizi svolti sulle condizioni di Kuhn Tucker a cura di V. Piccialli a.a. 00-003 Esempio Si consideri la funzione obiettivo: f(x) = (x + x ) e sia l insieme ammissibile F definito da vincoli:
DettagliDisequazioni - ulteriori esercizi proposti 1
Disequazioni - ulteriori esercizi proposti Trovare le soluzioni delle seguenti disequazioni o sistemi di disequazioni:. 5 4 >. 4. < 4. 4 9 5. 9 > 6. > 7. < 8. 5 4 9. > > 4. < 4. < > 9 4 Non esitate a comunicarmi
DettagliLA PROGRAMMAZIONE MATEMATICA (p.m.)
LA PROGRAMMAZIONE MATEMATICA (p.m.) Un problema di programmazione matematica è un problema di ottimizzazione riconducibile alla seguente espressione generale: ricercare i valori delle variabili x 1, x
Dettagli