3.3 FORMULAZIONE DEL MODELLO E CONDIZIONI DI
|
|
- Ornella Giordani
- 6 anni fa
- Visualizzazioni
Transcript
1 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: Min (Max) z = f(x) s.a i x = j = 1, n a ij x j b i, b i (i I) = b i (i E) x j 0 j dove: f(x) una funzione non lineare con derivate parziali continue i =[a i1,...,a in ] il vettore riga dei coefficienti del vincolo i b i R il termine noto del vincolo i-esimo I l insieme degli indici dei vincoli di disuguaglianza E l insieme degli indici dei vincoli di uguaglianza. I vincoli di disuguaglianza si definiscono saturi se sono soddisfatti con il segno di uguale. I vincoli di uguaglianza sono ovviamente sempre saturi. Si noti che la formulazione non richiede la non negatività delle variabili. Ogni eventuale vincolo di non negatività (x j 0) deve essere quindi incluso nei vincoli di disuguaglianza nella forma x j 0. Sia m il numero totale di vincoli, di disuguaglianza ed uguaglianza. Le condizioni di esistenza del punto di ottimo formulate per il caso non vincolato non sono ovviamente applicabili al caso vincolato. Le condizioni di ottimo per il caso vincolato (Condizioni di Kuhn Tucker) sono descritte in Appendice B. Esse vengono utilizzate nel test di convergenza dei metodi di soluzione. Nei paragrafi successivi si definiscono le direzioni di spostamento (ammissibili e di miglioramento) e si fornisce la loro rappresentazione geometrica nel caso bidimensionale. Si descrive poi la struttura generale dei metodi a direzione ammissibile.
2 64 Ottimizzazione Multidimensionale vincolata 3.4 METODI A DIREZIONE AMMISSIBILE Un problema di programmazione non lineare vincolata può essere risolto con un metodo a direzione ammissibile. Con questo termine, introdotto da Zoutendijk nel 1960, si indicano quegli algoritmi che a partire da un punto x 0 ammissibile generano una successione di punti convergente alla soluzione ottima x*. Ad ogni iterazione essi scelgono una direzione ammissibile di spostamento lungo la quale la funzione obiettivo migliora e procedono in quella direzione finché il valore della funzione obiettivo smette di migliorare oppure fino a quando si incontra la frontiera della regione ammissibile. L algoritmo termina quando si giunge in un punto del dominio di ammissibilità nel quale sono soddisfatte le condizioni di ottimo vincolato [Appendice B] DIREZIONI DI SPOSTAMENTO (AMMISSIBILI E DI MIGLIORAMENTO) Si ricordi che, dato un punto x k in una regione di ammissibilità S di R n, una direzione ammissibile di spostamento da x k è una direzione lungo la quale è possibile procedere almeno di una piccola distanza in R n senza lasciare S. Dunque d k è una direzione ammissibile di spostamento da x k se esiste un numero positivo a tale che tutti i punti x k + d k, con 0 a, appartengono ad S. Una direzione di miglioramento da x k è invece una direzione lungo la quale è possibile procedere almeno di una piccola distanza in R n per migliorare il valore di funzione obiettivo (cioè decrescere se il problema è a minimizzare, crescere se il problema è a massimizzare). Dunque d k è una direzione di miglioramento di discesa (di salita) da x k se esiste un numero positivo m tale che per i punti del tipo x k + 1 = x k + d k, con 0 m, vale la relazione f(x k+1 ) < f(x k ) [f(x k+1 ) > f(x k )]. Quindi ovviamente la direzione del gradiente positivo [ f(x k )] è di salita, la direzione del gradiente negativo [- f(x k )] è di discesa. Le direzioni di miglioramento di discesa (di salita) in un punto x k sono caratterizzate da valori negativi (positivi) della derivata direzionale, e quindi in x k si avrà: f(x k ) d k < 0 d k direzione di discesa f(x k ) d k > 0 d k direzione di salita.
3 Ottimizzazione Multidimensionale vincolata DETERMINAZIONE DELLE DIREZIONI DI SPOSTAMENTO E LORO RAPPRESENTAZIONE GEOMETRICA Si noti che per determinare una direzione ammissibile a partire da x k non è necessario prendere in considerazione i vincoli non saturi. Infatti se, per qualche vincolo di disuguaglianza i I nel punto x k si verifica i x k < b i (quindi il vincolo non è saturo), è sempre possibile, a partire da x k, procedere in qualunque direzione, per almeno una piccola distanza, senza violare lo stesso vincolo i-esimo. Mentre invece, se l i-esimo vincolo è saturo in corrispondenza di x k (cioè è un vincolo di uguaglianza o un vincolo di disuguaglianza soddisfatto con il segno di uguale), bisogna verificare in quali direzioni si può effettuare lo spostamento senza violare il vincolo stesso. Si prenda dunque in considerazione l insieme B k degli indici i dei vincoli di disuguaglianza i x k b i saturi in x k (B k I). Affinché d k sia una direzione ammissibile da x k, ci devono essere punti del tipo x k + 1 =x k + d k, con >0, che soddisfano, non necessariamente in modo saturo, tutti i vincoli che sono saturi in x k, e dunque: i (x k + d k ) = i x k + i d k b i i B k = b i i E Per ognuno di questi vincoli, saturi in x k, si ha i x k = b i. Poiché > 0, le condizioni precedenti diventano: i d k 0 i B k i d k = 0 i E Queste condizioni devono essere rispettate dalle direzioni ammissibili d k di spostamento da x k. Si consideri, per esempio, il seguente problema, rappresentato in figura 3.9, relativo alla minimizzazione di una funzione di due variabili, con vincoli di disuguaglianza: Min z = (x 1 6) 2 + (x 2 2) 2 = x x x 1 4x 2 40 s.a x 1 + 2x 2 4 (3.1) 3x 1 + 2x 2 12 (3.2) x 1 0 (3.3) x 2 0 (3.4)
4 66 Ottimizzazione Multidimensionale vincolata FIG. 3.9 Rappresentazione geometrica delle direzioni ammissibili e di miglioramento x2 Semispazio delle direzioni di miglioramento Contorni della funzione obiettivo f(x) B (2, 3) - f(x) (0, 2) A Punto di ottimo non vincolato O (0, 0) (4, 0) C x1 Cono delle direzioni ammissibili Cono delle direzioni ammissibili di miglioramento Nel punto B (2,3) sono saturi i vincoli (3.1) e (3.2) e dunque in esso le direzioni ammissibili devono rispettare le condizioni: d 1 + 2d 2 0 3d 1 + 2d 2 0 Le direzioni che rispettano queste condizioni, traslando l origine degli assi nel vertice B, formano il cono di direzioni ammissibili riportato in figura 3.9. Le direzioni di discesa (di salita) in un punto x k sono caratterizzate, come già detto, da valori negativi (positivi) della derivata direzionale. Pertanto in B una direzione d k è di discesa se f(2,3) d k < 0 (o, che è lo stesso, - f(2,3) d k > 0). Visto che f(x) = (2x 1-12, 2x 2-4) sarà f(2,3) = (-8, 2) e dunque una direzione d k di miglioramento in B deve rispettare la condizione: f(2,3) d k = 8d 1 +2d 2 < 0.
5 Ottimizzazione Multidimensionale vincolata 67 Pertanto l insieme delle direzioni di miglioramento in B è dato dal semispazio 8d 1 + 2d 2 < 0, la cui frontiera è tangente al contorno di f(x) in B. Ovviamente nel punto B(2,3) la direzione di f(2,3), di salita, non è di miglioramento, lo è invece quella di - f(2,3), di discesa. L intersezione del cono delle direzioni ammissibili con il semispazio delle direzioni di miglioramento costituisce l insieme delle direzioni ammissibili e di miglioramento. Se questa intersezione non è vuota è possibile effettuare uno spostamento ammissibile e di miglioramento. Se invece essa è vuota ciò non è possibile e dunque sono verificate le condizioni di ottimalità e si è raggiunto il punto di ottimo SCELTA DELLA DIREZIONE AMMISSIBILE DI MIGLIORAMENTO Tra tutte le direzioni ammissibili e di miglioramento bisogna scegliere una direzione di spostamento. La direzione ammissibile di miglioramento (di discesa) da x k deve rispettare le condizioni, determinate nel paragrafo precedente, per le direzioni ammissibili di spostamento da x k : i d k 0 i d k = 0 i B k i E Se la direzione del gradiente non soddisfa queste condizioni, la direzione ammissibile di discesa da intraprendere può essere determinata, dunque, risolvendo un modello di programmazione non lineare, in cui le variabili sono le componenti d j della direzione d. La funzione obiettivo di questo modello è espressa dalla minimizzazione (per un problema originario di min), o massimizzazione (per un problema originario di Max), della componente del gradiente di f(x k ) su d. Per il problema a minimizzare riportato in figura 3.19, il modello è dunque il seguente: Min ( f(x k )) T d/ d s.a i d 0 i d = 0 i B k i E dove d = ( d T d ) 1/2 ( j = 1, n d j 2 ) 1/2
6 68 Ottimizzazione Multidimensionale vincolata La soluzione ottima d * di questo modello può essere utilizzata come direzione di spostamento ammissibile e di miglioramento. Questo modello presenta però due difficoltà: la sua funzione obiettivo è una funzione estremamente complicata nelle variabili d j e la sua soluzione ottima non è unica (se d * è soluzione ottima lo è ogni suo multiplo positivo). Entrambi questi inconvenienti possono essere eliminati aggiungendo un vincolo di normalizzazione d T d = 1. Questo nuovo vincolo implica che d =1, cioè che 1 d j 1, j = 1, n. Infatti un vettore di lunghezza 1 non può avere alcuna componente di grandezza maggiore di 1. Dunque ogni direzione che soddisfi il vincolo d T d = 1, soddisferà anche i vincoli 1 d j 1, j = 1, n. Pertanto la funzione obiettivo può essere semplificata ed il modello diventa: Min ( f(x k )) T d s.a i d 0 i d = 0 1 d j 1 i B k i E j Si può accettare dunque qualunque buona direzione ammissibile purché lungo essa il gradiente f(x k ) abbia una componente (proiezione) negativa (positiva se il problema fosse a massimizzare). E possibile apportare modifiche più complicate, che tendono a migliorare le direzioni d k e quindi a pervenire alla soluzione ottima del modello originario in un numero minore di iterazioni. Questi differenti approcci per ottenere i vettori direzione d k caratterizzano i differenti algoritmi della classe dei metodi a direzione ammissibile. 3.5 STRUTTURA GENERALE DELL ALGORITMO L approccio dei metodi a direzione ammissibile si basa dunque sulla generazione, a partire da un punto iniziale, di una successione di punti, ammissibili e di miglioramento, convergente alla soluzione ottima. Come già detto, nel punto ammissibile corrente si sceglie una direzione di spostamento ammissibile e di miglioramento e si procede nella direzione scelta finché il valore della funzione obiettivo smette di migliorare o ci si imbatte nella frontiera della regione di ammissibilità. L algoritmo termina quando si giunge in un punto del dominio di ammissibilità nel quale sono soddisfatte le condizioni di ottimo vincolato.
7 Ottimizzazione Multidimensionale vincolata 69 Si supponga di disporre di una soluzione ammissibile iniziale x 0 (il problema generale della determinazione di una prima soluzione ammissibile sarà esaminato nel capitolo 5). La iterazione generica di un algoritmo a direzione ammissibile è costituita dai seguenti cinque passi: 1) Definizione del punto iniziale della successione Il punto iniziale della successione x o è un punto noto della regione ammissibile. 2) Determinazione dei vincoli saturi Determinare quali vincoli sono saturi nel punto ammissibile corrente x k, ricordando che i vincoli di uguaglianza sono automaticamente saturi. Questo passo richiede semplicemente la valutazione del prodotto scalare i x k per determinare se l i-esimo vincolo è saturo in x k. 3) Determinazione di una direzione di spostamento d k da x k. Considerare solo i vincoli saturi determinati nel passo 1 e determinare con il modello descritto in una buona direzione d k di spostamento ammissibile e di miglioramento (discesa per Min o salita per Max) dal punto x k, sulla quale il f(x k ) abbia una componente negativa per un problema di Min o positiva per un problema di Max. Se non esiste una direzione di tal tipo si è raggiunta la soluzione ottima e l algoritmo termina, altrimenti si va al passo 3. 4) Calcolo della lunghezza massima percorribile su d k Determinare la lunghezza massima percorribile nella direzione d k dello spostamento determinata al punto 2, senza uscire dal dominio di ammissibilità, cioè il massimo valore di per il quale il punto x k + 1 =x k + d k è ancora una soluzione ammissibile del problema. Nella determinazione di, dato che d k è una direzione ammissibile da x k, bisogna considerare solo quei vincoli di disuguaglianza che non sono saturi in x k. Per ognuno di essi bisogna imporre la condizione che nel punto x k + 1 siano soddisfatte le relazioni: i x k + 1 = i (x k + d k ) = i x k + i d k b i i non saturo Da ciascuna di queste relazioni si ottiene [(b i i x k )/( i d k ), i d k >0] i non saturo
8 70 Ottimizzazione Multidimensionale vincolata La condizione è verificata se è non maggiore di un limite superiore espresso da: = Min i [(b i i x k )/( i d k ), i d k >0] dove i è l indice di tutti i vincoli di disuguaglianza non saturi in x k. Se tutti i vincoli sono saturi in x k o se i d k 0 per tutti quelli che non lo sono, allora =. 5) Determinazione della funzione g( ) = f(x k + 1 ) Determinare la funzione g( ) = f(x k + 1 )= f(x k + d k ) che si percorre sulla funzione f(x k ) spostando il punto x k +1 nella direzione d k. 6) Calcolo della lunghezza dello spostamento ottimo * Determinare la lunghezza dello spostamento ottimo * in corrispondenza del quale la funzione g( ) smette di migliorare o ci si imbatte nella frontiera della regione ammissibile. Risolvere il problema di ottimizzazione monodimensionale già affrontato nell algoritmo di discesa ripida, la cui soluzione * può essere ottenuta con uno dei metodi di ottimizzazione monodimensionale descritti nel capitolo 1: Min g( ) = f(x k + d k ), con 0 In generale, è conveniente affinare l approssimazione del valore ottimo * nelle iterazioni finali dell algoritmo, quando le distanze tra punti successivi nella sequenza {x k } sono ridotte ed è necessaria una maggiore precisione. Si noti che se = e nessun valore di risulta ottimo per il problema monodimensionale, allora il problema originario ha una soluzione illimitata. 7) Calcolo di x k + 1 Si aggiorna il punto corrente calcolando x k + 1 = x k + * d k e si ritorna al passo Esempio Si consideri il problema riportato in figura 3.9. Un possibile percorso dell algoritmo è riportato in figura Nel vertice O si adotta la direzione del gradiente come direzione di spostamento ammissibile e di
9 Ottimizzazione Multidimensionale vincolata 71 miglioramento. Lungo questa direzione si opera un passo di ottimizzazione monodimensionale e si raggiunge il punto D sulla frontiera del dominio. In figura 3.10 sono indicati, per il punto D, il cono delle direzioni ammissibili e il semipiano delle direzioni di miglioramento. La loro intersezione genera il cono delle direzioni ammissibili e di miglioramento. Tra queste ultime si sceglie la direzione corrispondente allo spigolo BC della frontiera perché ad essa corrisponde il massimo valore di derivata direzionale. Nello spostamento da D lungo la frontiera la lunghezza massima dello spostamento ci porterebbe in C. Lo step di ottimizzazione monodimensionale si ferma invece in E perché in quel punto la funzione g( 1 ) smette di migliorare. In figura 3.11 sono riportati il cono delle direzioni ammissibili ed il semipiano delle direzioni di miglioramento in E. Si può notare che non c è intersezione e quindi non è possibile individuare una direzione ammissibile e di miglioramento. Dunque in questo punto sono soddisfatte le condizioni di ottimo vincolato e l algoritmo termina. FIG Percorso dell algoritmo a direzione ammissibile x2 B A D O C x1 Fig Verifica geometrica delle condizioni di ottimalità in E x2 B A D O E C x1
10 72 Ottimizzazione Multidimensionale vincolata Esempio numerico Si consideri il seguente problema di ottimizzazione con funzione obiettivo quadratica da massimizzare, con i vincoli costituenti la regione ammissibile riportata in fig Max z = f (x 1, x 2 ) = x x x 1 + 2x 2 s.a x 1 + x 2 25 (1) x 1 + x 2 0 (2) x 1 24 (3) x 1 0 (4) x 2 0 (5) x2 A x 1 = (18.75, 6.25) R D x 2 = (21.65, 3.35) E B O x 0 = (0,0) x o = (0, 0) C x1
11 Ottimizzazione Multidimensionale vincolata 73 Si riporta nel seguito lo svolgimento dell algoritmo a direzione ammissibile per il problema posto, articolato nei passi prima descritti. I iterazione Definizione del punto iniziale della successione di punti L origine degli assi appartiene al dominio. Il punto iniziale della successione può essere x o = (0,0). f(x) = (6 0.2x 1, x 2 ) e quindi f(x o ) = (6,2). Nel punto x o la direzione di f(x o ), di salita, è di miglioramento, non lo è invece quella di - f(x o ), di discesa. Determinazione dei vincoli saturi in x o Si pone x o = (0,0) in ciascun vincolo del modello. I vincoli 1 e 3 non sono soddisfatti con il segno di uguale. I vincoli 2, 4 e 5 sono soddisfatti con il segno di uguale e dunque sono saturi B o = (2, 4, 5). Determinazione delle direzioni di spostamento ammissibili in x o Le direzioni di spostamento ammissibili in x o = (0,0) devono soddisfare il sistema di vincoli seguente, relativo ai vincoli 2, 4 e 5, saturi in x 0 : d 1 + d 2 0 (2) d 1 0 (4) d 2 0 (5) Direzioni di miglioramento in x o Il problema è a massimizzare e quindi ci interessano le direzioni di miglioramento che siano di salita in x o = (0,0), caratterizzate da valori positivi della derivata direzionale. Dunque in x o = (0,0) una direzione d k è di salita se f(x o ) d k > 0. Sappiamo che f(x) = (6 0.2x 1, x 2 ) e quindi f(x o ) = (6,2). Una direzione d k di salita in x o deve rispettare allora la condizione: f(x o ) d k = 6d 1 +2d 2 > 0. Pertanto l insieme delle direzioni di salita d o in x o è dato dal semispazio 6d 1 + 2d 2 > 0, la cui frontiera (6d 1 + 2d 2 = 0) è tangente al contorno di f(x) in x o.
12 74 Ottimizzazione Multidimensionale vincolata Scelta della direzione di spostamento da x o Bisogna costruire il modello descritto in per determinare la migliore direzione d o di spostamento ammissibile e di miglioramento dal punto x o sulla quale il gradiente f(x o ) abbia una componente positiva. Il modello è il seguente: Max ( f(x o ) T d= 6d 1 +2d 2 s.a d 1 + d 2 0 d 1 0 d d 1 1; 1 d 2 1 La soluzione ottima di questo modello è la direzione d o *, con componenti d 1 =1, d 2 =1, coincidente con la direzione dello spigolo OA del dominio, relativo al vincolo x 1 + x 2 0. Esiste quindi una direzione ammissibile e di miglioramento in x o e dunque il punto x o non è punto di ottimo. In questo caso il sistema dei vincoli delle direzioni ammissibili è soddisfatto dalle componenti (6, 2) del gradiente in B e dunque si può scegliere la direzione del gradiente come direzione ammissibile e di miglioramento in B. Calcolo della lunghezza massima percorribile su d o Bisogna determinare la lunghezza massima percorribile nella direzione determinata d o = f(x o ) senza uscire dal dominio di ammissibilità, cioè il massimo valore di per il quale il punto x 1 =x o + d o è ancora una soluzione ammissibile del problema. Per determinare, dato che d o è una direzione ammissibile da x o, bisogna considerare solo quei vincoli di disuguaglianza che non sono saturi in x o. Per ognuno di essi bisogna imporre la condizione che nel punto x 1 siano soddisfatte le relazioni: i x 1 = i (x o + o d o ) = i x 1 + o i d o b i i non saturo Da ciascuna relazione si ottiene [(b i i x o )/( i d o ), i d o >0]. Affinchè tutte le relazioni siano verificate deve essere non maggiore di un limite superiore espresso da:
13 Ottimizzazione Multidimensionale vincolata 75 = Min i [(b i i x o )/( i d o ), i d o >0] i non saturo dove i è l indice di tutti i vincoli di disuguaglianza non saturi in x o. I vincoli non saturi in x o sono i vincoli 1 e 3. Si avrà dunque = Min [(25 1 x o )/( 3 (6,2)), (24 3 x o )/( 3 (6,2))] =.. = 25/8 Determinazione della funzione g( o ) Bisogna costruire la funzione g ( ) che si percorre sulla funzione f(x k ), spostando il punto x k +1 nella direzione d k individuata nel passo precedente, in questo caso la direzione del gradiente. Bisogna costruire cioè la funzione g ( ) = f(x k + 1 )= f(x k + d k ), che in questo caso diventa: g ( o ) = f(x 1 )= f(x o + o f(x o ) = f [(0,0) + o (6,2)] = f (6 o, 2 o ). Si è ottenuta quindi una espressione di g( o ) in termini di funzione f(x), con le variabili x 1 e x 2 espresse in funzione di : x 1 =6 0, x 2 =2 0. Sostituendo queste coordinate in f(x)si ottiene g( 0 ) = * Calcolo della lunghezza dello spostamento ottimo o Per la determinazione del punto x 2 bisogna calcolare la lunghezza dello * spostamento ottimo o in corrispondenza del quale la funzione g( o ) smette di migliorare o si giunge alla frontiera della regione ammissibile. A tal fine bisogna determinare il punto di ottimo della funzione g( o ) = 40 o o. Utilizzando un algoritmo di ottimizzazione monodimensionale si determina il valore: * o = 25/8 Calcolo di x 1 Si aggiorna il punto corrente calcolando x 1 = x o + o * d o. Dunque in questo caso: x 1 = x o + * f(x o ) = (0,0) + 25/8 (6,2) = (18.75, 6.25) x 1 = (18.75, 6.25) Si ritorna al passo 1.
14 76 Ottimizzazione Multidimensionale vincolata II iterazione Calcolo del gradiente in x 1 f(x) = (6 0.2x 1, x 2 ). f(x 1 ) = (2.25, 1.375). Determinazione dei vincoli saturi in x 1 Si pone x 1 = (18.75, 6.25) in ciascun vincolo del modello. I vincoli 2, 3, 4 e 5 non sono soddisfatti con il segno di uguale. Il vincolo 1 è soddisfatto con il segno di uguale e dunque è saturo B 1 = (1). Determinazione delle direzioni di spostamento ammissibili in x 1 Le direzioni di spostamento ammissibili in x 1 devono soddisfare il vincolo seguente, relativo al vincolo 1 del modello, saturo in x 1 : d 1 + d 2 0 (1) Direzioni di miglioramento in x 1 Il problema è a massimizzare e quindi ci interessano le direzioni di miglioramento che siano di salita in x 1 = (18.75, 6.25), caratterizzate da valori positivi della derivata direzionale. Dunque in x 1 una direzione d k è di salita se f(x 1 ) d k > 0. Sappiamo che f(x) = f(x) = (6 0.2x 1, x 2 ) e che f(x 1 ) = (2.25, 1.375). Una direzione d 1 di salita in x 1 deve rispettare allora la condizione: f(x 1 ) d 1 = 2.25d d 2 > 0. Pertanto l insieme delle direzioni di salita d 1 in x 1 è dato dal semispazio 2.25d d 2 > 0, la cui frontiera 2.25d d 2 = 0 è tangente al contorno di f(x) in x 1. Nel punto x 1 la direzione di f(x 1 ) è di salita, ma non è ammissibile, quindi bisogna individuare una direzione ammissibile e di miglioramento. Scelta della direzione di spostamento da x 1 Bisogna costruire il modello descritto in per determinare la migliore direzione d 1 di spostamento ammissibile e di miglioramento dal punto x 1 sulla quale il gradiente f(x 1 ) abbia una componente positiva.
15 Ottimizzazione Multidimensionale vincolata 77 Il modello è il seguente: Max ( f(x 1 ) T d= 2.25d d 2 s.a d 1 + d d 1 1; 1 d 2 1 La soluzione ottima di questo modello è la direzione d 1 *, con componenti d 1 =1, d 2 = -1, coincidente con la direzione dello spigolo AB del dominio, relativo al vincolo x 1 + x Esiste quindi una direzione ammissibile e di miglioramento in x 1 e dunque il punto x 1 non è punto di ottimo. Calcolo della lunghezza massima percorribile su d 1 Bisogna determinare la lunghezza massima percorribile nella direzione determinata d 1 senza uscire dal dominio di ammissibilità, cioè il massimo valore di 1 per il quale il punto x 2 =x d 1 è ancora una soluzione ammissibile del problema. Per determinare, dato che d 1 è una direzione ammissibile da x 1, bisogna considerare solo quei vincoli di disuguaglianza che non sono saturi in x 1. Per ognuno di essi bisogna imporre la condizione che nel punto x 1 siano soddisfatte le relazioni: i x 2 = i (x d 1 ) = i x 1 + o i d 1 b i i non saturo Da ciascuna relazione si ottiene [(b i i x 1 )/( i d 1 ), i d 1 >0]. Affinchè tutte le relazioni siano verificate deve essere non maggiore di un limite superiore espresso da: = Min i [(b i i x 1 )/( i d 1 ), i d 1 >0] dove i è l indice di tutti i vincoli di disuguaglianza non saturi in x 1. I vincoli non saturi in x 1 sono i vincoli 2, 3, 4 e 5. Si avrà dunque: = Min [(0 2 x 1 )/( 2 (1,-1)), (24 3 x 1 )/( 3 (1,-1)), (0 4 x 1 )/( 4 (1,-1)), (0 5 x 1 )/( 5 (1,-1))] = 5.25
16 78 Ottimizzazione Multidimensionale vincolata Determinazione della funzione g( 1 ) Bisogna costruire ora la funzione g( k ) = f(x k + 1 )= f(x k + d k ), che in questo caso diventa: g ( 1 ) = f(x 2 )= f(x f(x 1 )) = f [(18.75, 6.25) + 1 (1,-1)] = f ( , ). Si è ottenuta in questo modo una espressione di g( 1 ) in termini di f(x), con x 1 e x 2 espresse in funzione di 1 : x 1 = x 2 = Sostituendo queste coordinate nell espressione di f(x)si ottiene g( 1 ) = Calcolo della lunghezza dello spostamento ottimo 1 * Per la determinazione del punto x 2 bisogna calcolare la lunghezza dello spostamento ottimo 1 * sulla funzione g( 1 ). A tal fine bisogna determinare il punto di ottimo della funzione g( 1 ) = Utilizzando un algoritmo di ottimizzazione monodimensionale con intervallo di incertezza iniziale (0, 5.25) si determina 1 * = 2.9 Calcolo di x 2 Si aggiorna il punto corrente calcolando x k + 1 = x k + * d k e si ritorna al passo 1. Dunque in questo caso: x 2 = x 1 + * f(x 1 ) = (18.75, 6.25) (1,-1) = (21.65, 3.35) x 2 = (21.65, 3.35) III iterazione Calcolo del gradiente in x 2 f(x) = (6 0.2x 1, x 2 ). f(x) = (1.67, 1.67). Determinazione dei vincoli saturi in x 2 Si pone x 2 = (21.65, 3.35) in ciascun vincolo del modello. I vincoli 2, 3, 4 e 5 non sono soddisfatti con il segno di uguale. Il vincolo 1 è soddisfatto con il segno di uguale e dunque è saturo B 2 = (1).
17 Ottimizzazione Multidimensionale vincolata 79 Determinazione delle direzioni di spostamento ammissibili in x 2 Le direzioni di spostamento ammissibili in x 2 devono soddisfare il vincolo seguente, relativo al vincolo 1 del modello, saturo in x 1 : d 1 + d 2 0 (1) Direzioni di miglioramento in x 2 Il problema è a massimizzare e quindi ci interessano le direzioni di miglioramento che siano di salita in x 2 = (21.65, 3.35), caratterizzate da valori positivi della derivata direzionale. Dunque in x 2 una direzione d k è di salita se f(x 2 ) d k > 0. Sappiamo che f(x) = (6 0.2x 1, 2 0.1x 2 ) e quindi f(x 2 ) = (1.67, 1.67 ). Una direzione d k di salita in x 2 deve rispettare allora la condizione: f(x 2 ) d k = 1.67 d d 2 > 0. Pertanto l insieme delle direzioni di salita d 2 in x 2 è dato dal semispazio d 1 + d 2 > 0, la cui frontiera d 1 + d 2 = 0 è tangente al contorno di f(x) in x 1. Nel punto x 2 la direzione di f(x 2 ) è di salita, ma non è ammissibile, quindi bisogna individuare una direzione ammissibile e di miglioramento. Scelta della direzione di spostamento da x 2 Bisogna costruire il modello descritto in per determinare la migliore direzione d 2 di spostamento ammissibile e di miglioramento dal punto x 2 sulla quale il gradiente f(x 2 ) abbia una componente positiva. Il modello è il seguente: Max ( f(x 2 ) T d= 1.67d d 2 s.a d 1 + d d 1 1; 1 d 2 1 La funzione obiettivo di questo modello è parallela al vincolo e dunque ha infinite soluzioni, che generano tutte lo stesso valore. Tra queste la soluzione d 1 =0, d 2 = 0, per la quale ( f(x 2 ) T d = 1.67d d 2 =0. Non esiste quindi una direzione ammissibile e di miglioramento in x 2 e dunque il punto x 2 è il punto di ottimo.
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
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
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
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
DettagliEsercizi sulla Programmazione Lineare. min. cx Ax b x 0
Soluzioni 4.-4. Fondamenti di Ricerca Operativa Prof. E. Amaldi Esercizi sulla Programmazione Lineare 4. Risoluzione grafica e forma standard. Si consideri il problema min x cx Ax b x dove x = (x, x )
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
DettagliCirconferenza. Matteo Tugnoli. February 26, 2012
Circonferenza Matteo Tugnoli February 26, 2012 Versione preliminare, NON esente da errori, se il lettore riscontrasse delle imprecisioni può gentilmente segnalarle a matteo_tugnoli@yahoo.it 1 Luogo dei
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
DettagliGeometria analitica di base (seconda parte)
SAPERE Al termine di questo capitolo, avrai appreso: il concetto di luogo geometrico la definizione di funzione quadratica l interpretazione geometrica di un particolare sistema di equazioni di secondo
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
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
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
DettagliUNITÀ DIDATTICA 5 LA RETTA
UNITÀ DIDATTICA 5 LA RETTA 5.1 - La retta Equazione generica della retta Dalle considerazioni emerse nel precedente capitolo abbiamo compreso come una funzione possa essere rappresentata da un insieme
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
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
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
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
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
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
DettagliGeometria analitica di base. Equazioni di primo grado nel piano cartesiano Funzioni quadratiche Funzioni a tratti Funzioni di proporzionalità inversa
Equazioni di primo grado nel piano cartesiano Funzioni quadratiche Funzioni a tratti Funzioni di proporzionalità inversa Equazioni di primo grado nel piano cartesiano Risoluzione grafica di un equazione
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
Dettagli4.5 Metodo del simplesso
4.5 Metodo del simplesso min z = c T x s.v. Ax = b x PL in forma standard Esamina una sequenza di soluzioni di base ammissibili con valori non crescenti della funzione obiettivo fino a raggiungerne una
DettagliMetodi & Modelli per le Scelte Economiche
Metodi & Modelli per le Scelte Economiche [domande di teoria utilizzate in passato per la prova scritta le soluzioni NON vengono fornite, occorrerà quindi verificare la esattezza delle diverse possibili
Dettagli3.6 Metodi basati sui piani di taglio
3.6 Metodi basati sui piani di taglio Problema generale di Programmazione Lineare Intera (PLI) con A matrice m n e b vettore n 1 razionali min{ c t x : x X = {x Z n + : Ax b} } Sappiamo che esiste una
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
DettagliMICROECONOMIA MATEMATICA
A13 363 Gianluca Dari MICROECONOMIA MATEMATICA TRECENTO ESERCIZI SVOLTI Copyright MMX ARACNE editrice S.r.l. www.aracneeditrice.it info@aracneeditrice.it via Raffaele Garofalo, 133/A B 00173 Roma (06)
Dettagli1 Il metodo dei tagli di Gomory
Il metodo dei tagli di Gomory Esercizio Sia dato il problema min(x x ) x + x (P 0 ) x + x x, x 0, interi. Calcolare la soluzione ottima applicando il metodo dei tagli di Gomory. Risoluzione Per applicare
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
DettagliLA RETTA. La retta è un insieme illimitato di punti che non ha inizio, né fine.
LA RETTA La retta è un insieme illimitato di punti che non ha inizio, né fine. Proprietà: Per due punti del piano passa una ed una sola retta. Nel precedente modulo abbiamo visto che ad ogni punto del
Dettaglivariabili. se i limiti esistono e si chiamano rispettivamente derivata parziale rispetto ad x e rispetto ad y.
Funzioni di più variabili Derivate parziali Qui saranno considerate soltanto funzioni di due variabili, ma non c è nessuna difficoltà ad estendere le nuove nozioni a funzioni di n ( > variabili ( Definizione:
DettagliGeometria Analitica Domande e Risposte
Geometria Analitica Domande e Risposte A. Il Piano Cartesiano. Qual è la formula della distanza tra due punti nel piano cartesiano? Per calcolare la formula della distanza tra due punti nel piano cartesiano
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:
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
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
Dettagli3 Equazioni e disequazioni.
3 Equazioni e disequazioni. 3. Equazioni. Una equazione algebrica è un uguaglianza tra espressioni letterali soddisfatta per alcuni valori attribuiti alle lettere che vi compaiono. Tali valori sono detti
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:
Dettaglila velocità degli uccelli è di circa (264:60= 4.4) m/s)
QUESTIONARIO 1. Si sa che certi uccelli, durante la migrazione, volano ad un altezza media di 260 metri. Un ornitologa osserva uno stormo di questi volatili, mentre si allontana da lei in linea retta,
DettagliUNITÀ DIDATTICA 2 LE FUNZIONI
UNITÀ DIDATTICA LE FUNZIONI. Le funzioni Definizione. Siano A e B due sottoinsiemi non vuoti di R. Si chiama funzione di A in B una qualsiasi legge che fa corrispondere a ogni elemento A uno ed un solo
DettagliEsercizi su ottimizzazione vincolata
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
DettagliRENDITE. Ricerca del tasso di una rendita
RENDITE Ricerca del tasso di una rendita Un problema che si presenta spesso nelle applicazioni è quello di calcolare il tasso di interesse associato a una rendita quando siano note le altre grandezze 1
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
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
DettagliScheda elaborata dalla prof.ssa Biondina Galdi Docente di Matematica
Tutorial - Studio di una funzione reale di variabile reale f : x R y = f (x) R Una funzione può essere: - 1 - algebrica ( razionale o irrazionale, intera o fratta) Classificare la trascendentale ( esponenziale,
DettagliLEZIONE 8. k e w = wx ı + w y j + w z. k di R 3 definiamo prodotto scalare di v e w il numero
LEZINE 8 8.1. Prodotto scalare. Dati i vettori geometrici v = v x ı + v y j + v z k e w = wx ı + j + k di R 3 definiamo prodotto scalare di v e w il numero v, w = ( v x v y v z ) w x = v x + v y + v z.
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
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
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,
Dettagli5.5 Metodi generali per la soluzione di problemi
5.5 Metodi generali per la soluzione di problemi di PLI I problemi di PLI hanno caratteristiche molto diverse dai problemi di PL. In alcuni casi, la soluzione del problema lineare rilassato, ottenuto cioè
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
DettagliLEZIONE 9. k, tenendo conto delle formule che permettono di calcolare il prodotto scalare ed il prodotto vettoriale, otteniamo
LEZIONE 9 9.1. Prodotto misto. Siano dati i tre vettori geometrici u, v, w V 3 (O) definiamo prodotto misto di u, v e w il numero u, v w. Fissiamo un sistema di riferimento O ı j k in S 3. Se u = u x ı
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
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
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
DettagliIL METODO DEL SIMPLESSO
IL METODO DEL SIMPLESSO Il metodo del Simplesso 1 si applica nella risoluzione di un problema di Programmazione Lineare 2 (funzione e vincoli lineari) quando le variabili di azione o iniziali sono almeno
DettagliC I R C O N F E R E N Z A...
C I R C O N F E R E N Z A... ESERCITAZIONI SVOLTE 3 Equazione della circonferenza di noto centro C e raggio r... 3 Equazione della circonferenza di centro C passante per un punto A... 3 Equazione della
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
DettagliSoluzioni dei quesiti della maturità scientifica A.S. 2007/2008
Soluzioni dei quesiti della maturità scientifica A.S. 007/008 Nicola Gigli Sun-Ra Mosconi 19 giugno 008 1. La proposizione è falsa. Per trovare un controesempio ad essa, si consideri un qualunque piano
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
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
DettagliA lezione sono stati presentati i seguenti passi per risolvere un problema:
Calcolo delle radici di un polinomio Problema: Dati i coefficienti a,b,c di un polinomio di 2 grado della forma: ax^2 + bx + c = 0, calcolare le radici. A lezione sono stati presentati i seguenti passi
DettagliIl metodo dei Piani di Taglio (Cutting Planes Method)
Il metodo dei Piani di Taglio (Cutting Planes Method) E un metodo di soluzione dei problemi (IP) di tipo generale. L idea di base: Se la soluzione di (RL) non è intera allora la soluzione ottima intera
DettagliContenuto e scopo presentazione. Modelli Lineari Interi/Misti. Piani di taglio. Piani di taglio. Piani di taglio Versione 31/08/
Contenuto e scopo presentazione Contenuto: viene presentato un altro metodo di soluzione di problemi di ILP o di MILP. Modelli Lineari Interi/Misti Piani di taglio Versione /8/. Scopo: fornire le capacità
DettagliUna circonferenza e una parabola sono disegnate nel piano cartesiano. La circonferenza ha centro nel punto
La parabola Esercizi Esercizio 368.395 Una circonferenza e una parabola sono disegnate nel piano cartesiano. La circonferenza ha centro nel punto 0 ;5 e raggio, e la parabola ha il suo vertice in 0 ;0.
DettagliMutue posizioni della parabola con gli assi cartesiani
Mutue posizioni della parabola con gli assi cartesiani L equazione di una parabola generica è data da: Consideriamo l equazione che definisce i punti di intersezione della parabola con l asse delle ascisse
Dettaglivalore di a: verso l alto (ordinate crescenti) se a>0, verso il basso (ordinate decrescenti) se a<0;
La parabola è una particolare conica definita come è una curva aperta, nel senso che non può essere contenuta in alcuna superficie finita del piano; è simmetrica rispetto ad una retta, detta ASSE della
DettagliArgomento 7. Studio di funzione
Argomento 7 Studio di funzione Studiare una funzione significa ottenere, mediante strumenti analitici (iti, derivate, ecc.) informazioni utili a disegnare un grafico qualitativo della funzione data. I
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
DettagliGEOMETRIA PIANA. 1) sia verificata l uguaglianza di segmenti AC = CB (ossia C è punto medio del segmento AB);
VETTORI E GEOMETRIA ANALITICA 1 GEOMETRIA PIANA Segmenti e distanza tra punti. Rette in forma cartesiana e parametrica. Posizioni reciproche di due rette, parallelismo e perpendicolarità. Angoli e distanze.
DettagliStudio di circuiti contenenti diodi Uso di modelli semplificati
STUDIO DI CIRCUITI CONTENENTI DIODI USO DI MODELLI SEMPLIFICATI 1 Primo modello 2 Secondo modello 4 Terzo modello 6 La caratteristica e la retta di carico 8 Studio di circuiti contenenti diodi Uso di modelli
Dettaglideterminare le coordinate di P ricordando la relazione che permette di calcolare le coordinate del punto medio di un segmento si
PROBLEMA Determinare il punto simmetrico di P( ;) rispetto alla retta x y =0 Soluzione Il simmetrico di P rispetto ad una retta r è il punto P che appartiene alla retta passante per P, perpendicolare ad
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
DettagliEsercizi svolti. Geometria analitica: rette e piani
Esercizi svolti. Sistemi di riferimento e vettori. Dati i vettori v = i + j k, u =i + j + k determinare:. il vettore v + u ;. gli angoli formati da v e u;. i vettore paralleli alle bisettrici di tali angoli;
Dettagli10 - Applicazioni del calcolo differenziale
Università degli Studi di Palermo Facoltà di Economia CdS Sviuppo Economico e Cooperazione Internazionale Appunti del corso di Matematica 10 - Applicazioni del calcolo differenziale Anno Accademico 2015/2016
DettagliESERCITAZIONE SUL CRITERIO
TECNOLOGIE DELLE COSTRUZIONI AEROSPAZIALI ESERCITAZIONE SUL CRITERIO DI JUVINALL Prof. Claudio Scarponi Ing. Carlo Andreotti Ing. Carlo Andreotti 1 IL CRITERIO DI JUVINALL La formulazione del criterio
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
DettagliM. Marra Appunti delle Lezioni di Ricerca Operativa Problemi e metodi di ottimizzazione PROBLEMI E METODI DI OTTIMIZZAZIONE
CAPITOLO I PROBLEMI E METODI DI OTTIMIZZAZIONE 1. Componenti di base Tutti i problemi di ottimizzazione dipendono da tre componenti di base: le variabili del problema, la funzione obiettivo ed i vincoli.
DettagliLa retta nel piano cartesiano
La retta nel piano cartesiano Se proviamo a disporre, sul piano cartesiano, una retta vediamo che le sue possibili posizioni sono sei: a) Coincidente con l asse delle y; b) Coincidente con l asse delle
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)
DettagliLe coniche: circonferenza, parabola, ellisse e iperbole.
Le coniche: circonferenza, parabola, ellisse e iperbole. Teoria in sintesi Queste curve si chiamano coniche perché sono ottenute tramite l intersezione di una superficie conica con un piano. Si possono
DettagliEquazioni Polinomiali II Parabola
Equazioni Polinomiali II Parabola - 0 Equazioni Polinomiali del secondo grado (Polinomi II) Forma Canonica e considerazioni La forma canonica dell equazione polinomiale di grado secondo è la seguente:
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
DettagliCorso di Calcolo Numerico
Corso di Calcolo Numerico Dott.ssa M.C. De Bonis Università degli Studi della Basilicata, Potenza Facoltà di Ingegneria Corso di Laurea in Ingegneria Meccanica Risoluzione di Equazioni Algebriche Le equazioni
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
Dettagli(x B x A, y B y A ) = (4, 2) ha modulo
GEOMETRIA PIANA 1. Esercizi Esercizio 1. Dati i punti A(0, 4), e B(4, ) trovarne la distanza e trovare poi i punti C allineati con A e con B che verificano: (1) AC = CB (punto medio del segmento AB); ()
Dettagli3. Problemi inversi sulle annualità. Poliannualità
3. Problemi inversi sulle annualità. Poliannualità Di cosa parleremo Individuate le modalità di determinazione dell accumulazione iniziale e finale di una rendita, i problemi inversi consistono nella determinazione
DettagliIntroduzione alla programmazione Esercizi risolti
Esercizi risolti 1 Esercizio Si determini se il diagramma di flusso rappresentato in Figura 1 è strutturato. A B C D F E Figura 1: Diagramma di flusso strutturato? Soluzione Per determinare se il diagramma
DettagliElementi sulle diseguaglianze tra numeri relativi
Elementi sulle diseguaglianze tra numeri relativi Dati due numeri disuguali a e b risulta a>b oppure ao oppure a-b
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
DettagliMetodi computazionali per i Minimi Quadrati
Metodi computazionali per i Minimi Quadrati Come introdotto in precedenza si considera la matrice. A causa di mal condizionamenti ed errori di inversione, si possono avere casi in cui il e quindi S sarebbe
Dettagli3.4 Metodo di Branch and Bound
3.4 Metodo di Branch and Bound Consideriamo un generico problema di Ottimizzazione Discreta dove X è la regione ammissibile. (P ) z = max{c(x) : x X} Metodologia generale di enumerazione implicita (Land
Dettagli2. APPUNTI SUI FASCI DI CIRCONFERENZE (raccolti dal prof. G. Traversi)
2. APPUNTI SUI FASCI DI CIRCONFERENZE (raccolti dal prof. G. Traversi) La circonferenza è la curva di 2^ grado che viene individuata univocamente da tre punti non allineati e possiede la seguente proprietà:
DettagliPiano cartesiano e Retta
Piano cartesiano e Retta 1 Piano cartesiano e Retta 1. Richiami sul piano cartesiano 2. Richiami sulla distanza tra due punti 3. Richiami punto medio di un segmento 4. La Retta (funzione lineare) 5. L
DettagliSistemi di equazioni di secondo grado
1 Sistemi di equazioni di secondo grado Risoluzione algebrica Riprendiamo alcune nozioni che abbiamo già trattato in seconda, parlando dei sistemi di equazioni di primo grado: Una soluzione di un'equazione
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
Dettaglii completi l'esecuzione dell'algoritmo di programmazione dinamica per questo problema restituendo il valore ottimo e una soluzione ottima del problema
Compito di Ricerca Operativa II Esercizio ( punti). ia dato il problema di flusso massimo sulla rete in figura (le capacit a degli archi sono riportate sopra di essi). 0 8 i consideri il seguente flusso
DettagliLaboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a Homework n 28. Docente: Laura Palagi
Laboratorio di Ricerca Operativa Cad Ingegneria Gestionale (BGER3 - I semestre) a.a. 2012-13 Homework n 28 Docente: Laura Palagi Laboratorio di Ricerca Operativa Homework n 28 Prof.ssa Ing. Laura Palagi
DettagliECONOMIA APPLICATA ALL INGEGNERIA (Docente: Prof. Ing. Donato Morea)
ESERCIZIO n. 1 - La produzione ed i costi di produzione (1 ) Un impresa utilizza una tecnologia descritta dalla seguente funzione di produzione: I prezzi dei fattori lavoro e capitale sono, rispettivamente,
DettagliEsercizi sul luogo delle radici
FA Esercizi 6, 1 Esercizi sul luogo delle radici Analisi di prestazioni a ciclo chiuso, progetto di regolatori facendo uso del luogo delle radici. Analisi di prestazioni FA Esercizi 6, 2 Consideriamo il
DettagliLa retta nel piano cartesiano
La retta nel piano cartesiano note a cura di Luigi Carlo Oldani - novembre 9 A technique ceases to be a trick and becomes a method only when it has been encountered enough times to seem natural. W.J.LeVeque,
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
Dettagli