NLP KKT 1. Le condizioni necessarie di ottimo per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J
|
|
- Gilda Caselli
- 5 anni fa
- Visualizzazioni
Transcript
1 NLP KKT 1 Le condizioni necessarie di ottimo per il problema min f o (x) g i (x) 0 i I h j (x) = 0 j J sono, riferite ad un punto ammissibile x*, μ 0 f o (x*) + i I μ i g i (x*) + j J λ j h j (x*) = 0 i I μ i g i (x*) = 0 In alcuni casi risultano anche condizioni sufficienti. Si suppone che il problema sia del tipo min f o (x) g i (x) 0 i I La semplice condizione di ottimo ( con μ 0 =1 ) f o (x*) + i I μ i g i (x*) = 0 i I μ i g i (x*) = 0, μ i 0 e detta condizione KKT (da Karush Kuhn Tucker) TEOREMA Se le funzioni f o e g i sono convesse, x* e ammissibile e vale i I μ i g i (x*) = 0 f o (x*) + i I μ i g i (x*) = 0, μ i 0 allora x* e' ottimo DIM Sia y un punto ammissibile, y x* e z = (1-λ) x* + λy con 0 λ 1 Per convessita i I g i (z) (1-λ) g i (x*) + λ g i (y) 0 e z e ammissibile. Inoltre da z = x* + λ(y-x*), g i (x*) + λ g i (x*) t (y-x*) g i (z) 0
2 NLP KKT 2 Se g i (x*) = 0 allora g i (x*) t (y-x*) 0 Le condizioni KKT assicurano che se μ i > 0 g i (x*) = 0 Quindi i I μ i g i (x*) t (y-x*) 0 da cui f o (x*) t (y-x*) 0 Ma f o (y) f o (x*) + f o (x*) t (y-x*) f o (x*) Per ogni y ammissibile vale f o (y) f o (x*) QED N.B. 1 Non servono tutte le proprieta' delle funzioni convesse. In realta' interessano due proprieta' 1) Se x e y sono ammissibili tutti i punti del segmento sono ammissibili cioe' g i (x* + λ(y-x*) ) = max (g i (y),g i (x*) ) In questo modo se μ i >0 & g i (x*) = 0 si pone G(λ) = g i (x* + λ(y-x*) ) e allora G'(0) = g i (x*) t (y-x*) 0 Basta che gli insiemi di livello delle varie funzioni g (x) siano insiemi convessi. Basta g i quasiconvessa (insiemi di livello convessi) [ Es. funzioni quasiconvesse sono t 3, sqrt(abs(t))...] 2) Se f o (x*) t (y-x*) 0 allora f o (y) f o (x*) Una funzione F che verifica la condizione F(x) t (p) 0 F(x+p) F(x) e' detta pseudoconvessa. [ Es: Se h: R R e'una funzione crescente con h'(t) > 0 e G di R n R e'una funzione convessa la funzione composta F = h(g) e' pseudoconvessa (es. arctg(t 2 ) ) F(x) t p 0 F(x+p) F(x) F(x) = h'(g(x)) G(x) e se F(x) t p 0 allora G(x) t p 0, per convessita' G(x+p) G(x) + G(x) t p G(x) quindi H(x+p) H(x) ] COROLLARIO Se vale ΚΚΤ, le funzioni g i sono quasiconvesse e f o e' pseudoconvessa il punto x* e'di minimo
3 NLP KKT 3 NOTA Ogni vincolo del tipo h(x) = 0 equivale se lineare (a t x - β = 0 ) ai due vincoli convessi { a t x - β 0 } & { a t x - β 0 a t x + β 0 }. Il problema min f o (x) ( f o convessa) g i (x) 0 i I (g i convesse) & vincoli lineari Ax = b ha come punti KKT (ottimi) i punti x* ammissibili per cui f o (x*) + i I μ i g i (x*) + At s = 0 i I μ i g i (x*) = 0, μ i 0 Il vettore A t s e somma di componenti λ j (a j ), a j riga di A. Se λ j >0 rappresenta il vincolo a j t x - b j 0, se λ j <0 rappresenta il vincolo -a t j x + b j 0. Se λ j >0 dalla dimostrazione ( confronto con punti ammissibili) si ha che f o (y) f o (x*) anche per tutti i punti (se ammissibili per gli altri vincoli) per cui a j t y - b j 0 e la soluzione non cambia se il vincolo { a j t x - b j =0} e modificato in { a j t y - b j 0}
4 NLP KKT 4 DUALITA Nel caso convesso (e convesso-lineare ) vale il risultato TEOREMA Se le funzioni f o e g i sono convesse, x & μ i 0 soddisfano la relazione f o (x) + i I μ i g i (x) = 0 [ f o (x*) + i I μ i g i (x*) + At s = 0] allora per ogni z ammissibile vale f o (x) + i I μ i g i (x) f o (z) DIM i I e in particolare se μ i >0 g i (x) + g i (x) t (z-x) g i (z) 0 [ a j t (z-x)=0 vincoli lineari ] Moltiplicando per μ i e sommando si ottiene i I μ i g i (x) + i I μ i g i (x) t (z-x) i I μ i g i (z) 0 [+s t A(z-x) = 0 vincoli lineari ] Quindi i I μ i g i (x) - i I μ i g i (x) t (z-x) = f o (x) t (z-x) [= vincoli lineari] Per convessita f o (x) + f o (x) t (z-x) f o (z) ovvero f o (x) t (z-x) f o (z) - f o (x) e i I μ i g i (x) f o (z) - f o (x) e quindi f o (x) + i I μ i g i (x) f o (z) QED
5 NLP KKT 5 Il teorema precedente permette alcune osservazioni OSSERVAZIONE 1 Se x* e ottimo esistono dei valori μ i * 0 per cui i I μ i *g i (x*) = 0 f o (x*) + i I μ i * g i (x*) = 0, μ i * 0 e allora f o (x*) + i I μ i *g i (x*) = f o (x*) Cioe f o (x*) e il massimo valore possibile ( e effettivamente raggiunto) per la quantita f o (x) + i I μ i g i (x) calcolata per punti x e valori μ i 0 per cui vale f o (x) + i I μ i g i (x) = 0 OSSERVAZIONE 2 Se per un punto x (non ottimo) e valori μ i 0 si ha f o (x) + i I μ i g i (x) = 0 sono possibili vari casi Se vale i I μ i g i (x) = 0 allora deve valere f o (x) f o (x*), e il punto x (non ottimo) non puo essere ammissibile (viola almeno un vincolo g i (x) 0 ( puo essere anche un vincolo con μ i =0) Se x e ammissibile i I μ i g i (x) 0 f o (x) + i I μ i g i (x) f o (x*) f o (x) Se i I μ i g i (x) >0 x non e ammissibile e f o (x) < f o (x) + i I μ i g i (x) f o (x*) In ogni caso la quantita i I μ i g i (x) e una misura di distanza dall ottimalita Si puo costruire un problema collegato al problema di partenza e alle sue condizioni di ottimo
6 NLP KKT 6 WOLFE DUAL Dato un problema min f o (x) (convessa) g i (x) 0 i I (convesse) si chiama duale (di Wolfe ) il problema [ variabili x, μ i ] max f o (x) + i I μ i g i (x) f o (x) + i I μ i g i (x) = 0 μ i 0 (si puo scrivere con piccole modifiche anche con ulteriori vincoli lineari Ax=b) Se x* e la soluzione del problema di minimo e μ i * 0 sono i moltiplicatori ottimi si ha che ( x*, μ i *) e ammissibile per il duale e valore max duale = min f o (x) = f o (x*) ESEMPIO (WOLFE DUAL) Per il Pb quadratico min (1/2) x t Qx p t x, Ax=b Vincolo duale : F = Qx-p + A t m = 0 Obbiettivo (1/2) x t Qx p t x + m t (Ax-b) = x t (Qx-p + A t m) -(1/2) x t Qx -b t m = -(1/2) x t Qx b t m [ lineare in m, concava in x + vincolo su (x,m) ] Dal vincolo duale x= Q -1 (p-a t m ) x t Qx =(1/2) (p-a t m) t Q -1 (p-a t m) b t m = -(1/2) m t AQA t m b t m +p t Q -1 A t Funzione concava, sole variabili m, punto di massimo F = -AQA t m + AQ -1 p- b m* = (AQ -1 A t ) -1 (AQ -1 p b) ( moltiplicatori ottimi ) x* si ricava dall equazione Qx*-p + A t m* = 0
7 NLP KKT 7 LAGRANGIANE Se le funzioni f o e g i sono convesse e x, μ i 0 soddisfano la relazione f o (x) + i I μ i g i (x) = 0 allora x minimizza la funzione f o (x) + i I μ i g i (x) (detta lagrangiana) Quindi il punto di ottimo si ottiene massimizzando sui vettori m, m = (μ 1,...,μ p ) con componenti μ i 0 la quantita' H(m) = min x { f o (x) + i I μ i g i (x) } Se x realizza il minimo per un vettore m e e x' per un vettore m' si ha f o (x) + i I μ i g i (x) f o (x') + i I μ i g i (x' ) e f o (x') + i I μ i g i (x') = f o (x') + i I μ i 'g i (x') + i I (μ i -μ i ')g i (x') cioe' H(m) H(m') + i I (μ i -μ i ')g i (x') e analogamente H(m') H(m) + i I (μ i '-μ i ')g i (x) Da tale formula si deduce che H(m) e' concava e che H(m) i = g i (x) H(m) va massimizzata : se non vale i I μ i g i (x) = 0 conviene (spostamento lungo il gradiente) aumentare μ i se g i (x) > 0 e diminuire μ i se g i (x) < 0 E possibile calcolare la sooluzione di un problema attraverso la massimizzazione della funzione H(m) (senza passare esplicitamente dal problema duale)
8 NLP KKT 8 ESEMPIO ( Programmazione Quadratica : massimizione in m ) Algoritmo : si fissa m (arbitrario), fissato m si minimizza rispetto a x, e si calcola x m punto di minimo si sposta m in direzione m = (A x m -b) con passo γ >0 m+= m+ γ (A x m -b) Si riparte con m= m+ e si continua sino a (ottimalita ) [ massimizzazione di m, ammissibilita di x m ] ( = valori ottimi ( x*,m*) Si puo applicare l algoritmo a problemi convessi (convesso-lineari). Nel caso del problema quadratico i conti sono molto semplici. Problema min (1/2) x t Qx p t x Ax=b Senza vincoli la soluzione e data da x 0 = Q -1 p con violazione del vincolo v 0 = AQ -1 p b Soluzione del problema vincolato ( x*,m*) e caratterizzata da (Lagrangiana) = 0 + ammissibilita Qx*- p + A t m* = 0 Ax* = b x* = Q -1 (p-a t m*) Ax* = AQ -1 (p-a t m*) = b Ax* = b AQ -1 A t m* = AQ -1 p b = v 0 Il vettore dei moltiplicatori m*corrisponde a m* = (A Q -1 A t ) -1 v 0
9 NLP KKT 9 Algoritmo : Fissato m si minimizza F = (1/2) x t Qx p t x +m t (Ax-b) F = Qx-p + A t m F = 0 se x m = Q -1 (p-a t m ) Si calcola il gradiente Ax m - b = A Q -1 (p-a t m ) - b = v 0 - AQ -1 A t m Se si modifica m come m+ = m + γ (A x m -b) si ha la formula m+ = m + γ (A x m -b) = m + γ ( v 0 - AQ -1 A t m) = ( I-γAQ -1 A t ) m + γ v 0 Si denota con K = I - γaq -1 A t Se m 0 arbitrario m 1 = K m 0 + γ v 0 m 2 = K (K m 0 +γ v 0 ) + γ v 0 = K 2 m 0 + K γ v 0 + γ v 0.. m 3 = K (K 2 m 0 + K γ v 0 + γ v 0) = K 3 m 0 + K 2 γ v 0 + K (γ v 0 ) + γ v 0 m n = K n m 0 + ( i=0..n-1 K i ) γ v 0 Se ρ( K)<1 K n 0 e, ( i=0..n-1 K i ) (I- K) -1 = (γaq -1 A t ) -1 = (γ) -1 (AQ -1 A t ) -1 Allora m n (AQ -1 A t ) -1 v 0 = m* x m = Q -1 (p-a t m n ) Q -1 (p-a t m*) = x* Se AQ -1 A t definita positiva [ Q definita positiva AQ -1 A t ] e γ [0, γ* ] gli autovalori di K sono <1 e ρ(k) < 1 il metodo converge alla soluzione m* partendo da qualsiasi vettore m 0 E necessaria una condizione (dipendente dal problema) sul passo γ.
10 NLP KKT 10 NOTA (possibile derivazione alternativa) Dato il problema min min f o (x) (convessa) g i (x) 0 i I Si puo sempre definire la funzione L(x,m) = f o (x) + i I μ i g i (x) con m = (μ 1,...,μ p ) e componenti μ i 0 Una coppia di valori (x*,m*) e un punto sella se m a componenti 0 x L(x*,m) L(x*,m*) L(x,m*) Da tale condizione segue ammissibilità: se si perturba la sola componente j di m e si ottiene (μ j * +1) g j (x*) μ j *g j (x*) g j (x*) = 0 2μ j *g j (x*) μ j *g i (x*), (1/2)μ j * g j (x*) μ j * g j (x*), μ j *g j (x*) = 0 Quindi f o (x*) = L(x*,m*) e per i punti x ammissibili f o (x*) L(x,m*) = f o (x) + i I μ i * g i (x) f o
Se x* e punto di minimo (locale) per la funzione nell insieme Ω, Ω = { x / g i (x) 0 i I, h j (x)= 0 j J } lo e anche per F(x) = f o (x) + c x x 2
NLP -OPT 1 CONDIZION DI OTTIMO [ Come ricavare le condizioni di ottimo. ] Si suppone x* sia punto di ottimo (minimo) per il problema min f o (x) con vincoli g i (x) 0 i I h j (x) = 0 j J la condizione
DettagliSIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno
SIMULAZIONE ESAME di OTTIMIZZAZIONE 28 novembre 2005 SIMULAZIONE ESAME di OTTIMIZZAZIONE Corso di Laurea in Ingegneria Gestionale 2 o anno Cognome : XXXXXXXXXXXXXXXXX Nome : XXXXXXXXXXXXXX VALUTAZIONE
DettagliLaboratorio Complementi di Ricerca Operativa DEI, Politecnico di Milano. Stima di parametri
Stima di parametri Il gestore di un sito turistico dove si pratica il bungee-jumping deve fornire alla sovrintendenza municipale un documento che riguarda la sicurezza del servizio fornito. Il documento
DettagliMatematica Finanziaria 11 luglio 2001
Matematica Finanziaria 11 luglio 2001 Prova Generale. ESERCIZIO 1: Algebra Lineare ² Enunciare il Teorema di Rouchè-Capelli. ² Dato il seguente sistema che descrive la dinamica del fatturato di due imprese
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
DettagliFUNZIONI CONVESSE. + e x 0
FUNZIONI CONVESSE Sia I un intervallo aperto di R (limitato o illimitato) e sia f(x) una funzione definita in I. Dato x 0 I, la retta r passante per il punto P 0 (x 0, f(x 0 )) di equazione y = f(x 0 )
DettagliSelezione di un portafoglio di titoli in presenza di rischio. Testo
Selezione di un portafoglio di titoli in presenza di rischio Testo E ormai pratica comune per gli operatori finanziari usare modelli e metodi basati sulla programmazione non lineare come guida nella gestione
DettagliMassimi e minimi vincolati
Massimi e minimi vincolati In problemi di massimo e minimo vincolato viene richiesto di ricercare massimi e minimi di una funzione non definita su tutto R n, ma su un suo sottoinsieme proprio. Esempio:
DettagliLa dualità nella Programmazione Lineare
Capitolo 5 La dualità nella Programmazione Lineare In questo capitolo verrà introdotto un concetto di fondamentale importanza sia per l analisi dei problemi di Programmazione Lineare, sia per lo sviluppo
Dettagli- Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo)
Se si ha un problema lineare e' possibile risolverlo in piu' modi (equivalenti ) - Trovare soluzione ottima primale ( con il simplesso o algoritmo analogo) - Trovare soluzione ottima duale (con il simplesso
DettagliLimiti e continuità di funzioni reali di una variabile
di funzioni reali di una variabile Corso di Analisi Matematica - capitolo VI Facoltà di Economia, UER Maria Caterina Bramati Université Libre de Bruxelles ECARES 22 Novembre 2006 Intuizione di ite di funzione
DettagliCapitolo 4: Ottimizzazione non lineare non vincolata parte II. E. Amaldi DEIB, Politecnico di Milano
Capitolo 4: Ottimizzazione non lineare non vincolata parte II E. Amaldi DEIB, Politecnico di Milano 4.3 Algoritmi iterativi e convergenza Programma non lineare (PNL): min f(x) s.v. g i (x) 0 1 i m x S
Dettagli2 + (σ2 - ρσ 1 ) 2 > 0 [da -1 ρ 1] b = (σ 2. 2 - ρσ1 σ 2 ) = (σ 1
1 PORTAFOGLIO Portafoglio Markowitz (2 titoli) (rischiosi) due titoli rendimento/varianza ( μ 1, σ 1 ), ( μ 2, σ 2 ) Si suppone μ 1 > μ 2, σ 1 > σ 2 portafoglio con pesi w 1, w 2 w 1 = w, w 2 = 1- w 1
DettagliRicerca Operativa Esercizi risolti sulle condizioni di complementarietà primale-duale. L. De Giovanni, V. Dal Sasso
Ricerca Operativa Esercizi risolti sulle condizioni di complementarietà primale-duale L. De Giovanni, V. Dal Sasso 1 Esercizio 1. Dato il problema min 2x 1 x 2 s.t. x 1 + 2x 2 7 2x 1 x 2 6 3x 1 + 2x 2
DettagliAutovalori e Autovettori
Daniela Lera Università degli Studi di Cagliari Dipartimento di Matematica e Informatica A.A. 2008-2009 Autovalori e Autovettori Definizione Siano A C nxn, λ C, e x C n, x 0, tali che Ax = λx. (1) Allora
DettagliRicerca Operativa A.A. 2007/2008. 10. Dualità in Programmazione Lineare
Ricerca Operativa A.A. 2007/2008 10. Dualità in Programmazione Lineare Luigi De Giovanni - Ricerca Operativa - 10. Dualità in Programmazione Lineare 10.1 Soluzione di un problema di PL: punti di vista
DettagliRicerca Operativa Dualità e programmazione lineare
Ricerca Operativa Dualità e programmazione lineare L. De Giovanni AVVERTENZA: le note presentate di seguito non hanno alcuna pretesa di completezza, né hanno lo scopo di sostituirsi alle spiegazioni del
DettagliEsercizi di PNL vincolata
Esercizi di PNL vincolata Esercizio 1. Trovare massimi e minimi della funzione sull insieme {x R : x 1 + x + x = 0}. fx 1, x = x x 1 Il vincolo è regolare? Esercizio. Eseguire un passo del metodo di Frank-Wolfe
DettagliIntroduzione alla programmazione lineare. Mauro Pagliacci
Introduzione alla programmazione lineare Mauro Pagliacci c Draft date 25 maggio 2010 Premessa In questo fascicolo sono riportati gli appunti dalle lezioni del corso di Elaborazioni automatica dei dati
DettagliRicerca Operativa (Compito A) Appello del 16/06/2014 Andrea Scozzari
Ricerca Operativa (Compito A) Appello del 16/06/2014 Andrea Scozzari Esercizio n.1 Un agenzia finanziaria deve investire 1000000 di euro di un suo cliente in fondi di investimento. Il mercato offre cinque
DettagliNote di matematica per microeconomia
Note di matematica per microeconomia Luigi Balletta Funzioni di una variabile (richiami) Una funzione di variabile reale ha come insieme di partenza un sottoinsieme di R e come insieme di arrivo un sottoinsieme
DettagliModelli per la gestione delle scorte
Modelli per la gestione delle scorte Claudio Arbib Università di L Aquila Seconda Parte Sommario Sui problemi di gestione aperiodica equazioni di stato Funzioni di costo Un modello convesso formulazione
DettagliRICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007
RICERCA OPERATIVA GRUPPO B prova scritta del 22 marzo 2007 Rispondere alle seguenti domande marcando a penna la lettera corrispondente alla risposta ritenuta corretta (una sola tra quelle riportate). Se
Dettaglia) Osserviamo innanzi tutto che dev essere x > 0. Pertanto il dominio è ]0, + [. b) Poniamo t = log x. Innanzi tutto si ha:
ESERCIZIO - Data la funzione f (x) = (log x) 6 7(log x) 5 + 2(log x) 4, si chiede di: a) calcolare il dominio di f ; ( punto) b) studiare la positività e le intersezioni con gli assi; (3 punti) c) stabilire
DettagliRichiami di algebra lineare e geometria di R n
Richiami di algebra lineare e geometria di R n combinazione lineare, conica e convessa spazi lineari insiemi convessi, funzioni convesse rif. BT.5 Combinazione lineare, conica, affine, convessa Un vettore
DettagliAppunti delle esercitazioni di Ricerca Operativa
Appunti delle esercitazioni di Ricerca Operativa a cura di P. Detti e G. Ciaschetti 1 Esercizi sulle condizioni di ottimalità per problemi di ottimizzazione non vincolata Esempio 1 Sia data la funzione
DettagliRicerca Operativa 2. Introduzione al metodo del Simplesso
Ricerca Operativa 2. Introduzione al metodo del Simplesso Luigi De Giovanni Giacomo Zambelli 1 Problemi di programmazione lineare Un problema di ottimizzazione vincolata è definito dalla massimizzazione
DettagliPROBLEMI DI SCELTA dipendenti da due variabili d azione
prof. Guida PROBLEMI DI SCELTA dipendenti da due variabili d azione in un problema di programmazione lineare, si ricorda che la funzione obiettivo z=f(x,y)=ax+by+c assume il suo valore massimo (o minimo)
DettagliFunzioni di più variabili. Ottimizzazione libera e vincolata
libera e vincolata Generalità. Limiti e continuità per funzioni di 2 o Piano tangente. Derivate successive Formula di Taylor libera vincolata Lo ordinario è in corrispondenza biunivoca con i vettori di
Dettagli3 GRAFICI DI FUNZIONI
3 GRAFICI DI FUNZIONI Particolari sottoinsiemi di R che noi studieremo sono i grafici di funzioni. Il grafico di una funzione f (se non è specificato il dominio di definizione) è dato da {(x, y) : x dom
Dettagli190 LA DUALITÀ NELLA PROGRAMMAZIONE LINEARE 7.2 INTERPRETAZIONE DELLA DUALITÀ
190 LA DUALITÀ NELLA PROGRAMMAZIONE LINEARE 7.2 INTERPRETAZIONE DELLA DUALITÀ [Questo paragrafo non fa parte del programma di esame] Nei modelli reali le variabili (primali) possono rappresentare, ad esempio,
DettagliGiochi ed equilibri di Nash. Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze E-mail: marco.sciandrone@unifi.
Giochi ed equilibri di Nash Marco Sciandrone Dipartimento di Ingegneria dell Informazione Università di Firenze E-mail: marco.sciandrone@unifi.it 1 1 Notazione e definizione di equilibrio di Nash Si supponga
DettagliLaboratorio teorico-pratico per la preparazione alle gare di matematica
Laboratorio teorico-pratico per la preparazione alle gare di matematica Ercole Suppa Liceo Scientifico A. Einstein, Teramo e-mail: ercolesuppa@gmail.com Teramo, 3 dicembre 2014 USR Abruzzo - PLS 2014-2015,
DettagliLezioni di Ottimizzazione
Lezioni di Ottimizzazione Italo Capuzzo Dolcetta Flavia Lanzara Dipartimento di Matematica Guido Castelnuovo Sapienza Università di Roma A.A. 2007-2008 Ultimo aggiornamento: October 5, 2007 1 Indice 1
DettagliVC-dimension: Esempio
VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio
DettagliIl Teorema di Fritz John: tre differenti approcci
Università degli Studi di Milano Bicocca FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea Triennale in Matematica Il Teorema di Fritz John: tre differenti approcci Tesi di Laurea in Matematica
DettagliOnline Gradient Descent
F94 Metodi statistici per l apprendimento Online Gradient Descent Docente: Nicolò Cesa-Bianchi versione 9 aprile 06 L analisi del Perceptrone ha rivelato come sia possibile ottenere dei maggioranti sul
DettagliOttimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni
Ottimizzazione nella gestione dei progetti Capitolo 4: la gestione dei costi (Programmazione multimodale): formulazioni CARLO MANNINO Università di Roma La Sapienza Dipartimento di Informatica e Sistemistica
DettagliLezione 3: Il problema del consumatore: Il
Corso di Economica Politica prof. Stefano Papa Lezione 3: Il problema del consumatore: Il vincolo di bilancio Facoltà di Economia Università di Roma La Sapienza Il problema del consumatore 2 Applichiamo
DettagliOFFERTA DI LAVORO. p * C = M + w * L
1 OFFERTA DI LAVORO Supponiamo che il consumatore abbia inizialmente un reddito monetario M, sia che lavori o no: potrebbe trattarsi di un reddito da investimenti, di donazioni familiari, o altro. Definiamo
DettagliUniversità degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica
Università degli Studi di Roma Tor Vergata. Corso di Laurea in Ingegneria Meccanica Esame di Geometria (Prof. F. Tovena) Argomenti: Proprietà di nucleo e immagine di una applicazione lineare. dim V = dim
DettagliSVM. Veronica Piccialli. Roma 11 gennaio 2010. Università degli Studi di Roma Tor Vergata 1 / 14
SVM Veronica Piccialli Roma 11 gennaio 2010 Università degli Studi di Roma Tor Vergata 1 / 14 SVM Le Support Vector Machines (SVM) sono una classe di macchine di che derivano da concetti riguardanti la
DettagliInsiemi di livello e limiti in più variabili
Insiemi di livello e iti in più variabili Insiemi di livello Si consideri una funzione f : A R, con A R n. Un modo per poter studiare il comportamento di una funzione in più variabili potrebbe essere quello
Dettaglix (x i ) (x 1, x 2, x 3 ) dx 1 + f x 2 dx 2 + f x 3 dx i x i
NA. Operatore nabla Consideriamo una funzione scalare: f : A R, A R 3 differenziabile, di classe C (2) almeno. Il valore di questa funzione dipende dalle tre variabili: Il suo differenziale si scrive allora:
DettagliNel seguito sono riportati due esercizi che si possono risolvere con la formula di Erlang e le relative risoluzioni.
Nel seguito sono riportati due esercizi che si possono risolvere con la formula di Erlang e le relative risoluzioni. Al fine di risolvere questo tipo di esercizi, si fa in genere riferimento a delle tabelle
DettagliPer formalizzare il concetto sono necessarie alcune nozioni relative ai poliedri e alla loro descrizione.
3.7.4 Disuguaglianze valide forti Cerchiamo disuguaglianze valide forti, ovvero disuguaglianze valide che forniscano migliori formulazioni (più stringenti). Per formalizzare il concetto sono necessarie
DettagliInformatica Grafica. Un introduzione
Informatica Grafica Un introduzione Rappresentare la Geometria Operabile da metodi di calcolo automatici Grafica Vettoriale Partiamo dalla rappresentazione di un punto... Spazi Vettoriale SPAZI VETTORIALI
DettagliIndice. 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo... 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità...
Indice 1 Introduzione alle Equazioni Differenziali 1 1.1 Esempio introduttivo............................. 1 1.2 Nomenclatura e Teoremi di Esistenza ed Unicità.............. 5 i Capitolo 1 Introduzione
DettagliEsercitazione n o 3 per il corso di Ricerca Operativa
Esercitazione n o 3 per il corso di Ricerca Operativa Ultimo aggiornamento October 17, 2011 Fornitura acqua Una città deve essere rifornita, ogni giorno, con 500 000 litri di acqua. Si richiede che l acqua
Dettagli6. Calcolare le derivate parziali prime e seconde, verificando la validità del teorema di Schwarz:
FUNZIONI DI PIU VARIABILI Esercizi svolti. Determinare il dominio delle seguenti funzioni e rappresentarlo graficamente : (a) f log( x y ) (b) f log(x + y ) (c) f y x 4 (d) f sin(x + y ) (e) f log(xy +
DettagliI costi d impresa (R. Frank, Capitolo 10)
I costi d impresa (R. Frank, Capitolo 10) COSTI Per poter realizzare la produzione l impresa sostiene dei costi Si tratta di scegliere la combinazione ottimale dei fattori produttivi per l impresa È bene
DettagliSIMULAZIONE TEST ESAME - 1
SIMULAZIONE TEST ESAME - 1 1. Il dominio della funzione f(x) = log (x2 + 1)(4 x 2 ) (x 2 2x + 1) è: (a) ( 2, 2) (b) ( 2, 1) (1, 2) (c) (, 2) (2, + ) (d) [ 2, 1) (1, 2] (e) R \{1} 2. La funzione f : R R
DettagliModelli di Ottimizzazione
Capitolo 2 Modelli di Ottimizzazione 2.1 Introduzione In questo capitolo ci occuperemo più nel dettaglio di quei particolari modelli matematici noti come Modelli di Ottimizzazione che rivestono un ruolo
DettagliAPPLICAZIONI LINEARI
APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)
Dettagli5.4 Solo titoli rischiosi
56 Capitolo 5. Teoria matematica del portafoglio finanziario II: analisi media-varianza 5.4 Solo titoli rischiosi Suppongo che sul mercato siano presenti n titoli rischiosi i cui rendimenti aleatori sono
DettagliCorso di Laurea in Ingegneria Gestionale. Anno Accademico 2013 2014. Appunti dalle lezioni di OTTIMIZZAZIONE GLOBALE.
UNIVERSITÀ di ROMA LA SAPIENZA Corso di Laurea in Ingegneria Gestionale Anno Accademico 2013 2014 Appunti dalle lezioni di OTTIMIZZAZIONE GLOBALE Stefano Lucidi Dipartimento di Informatica e Sistemistica
DettagliModello matematico PROGRAMMAZIONE LINEARE PROGRAMMAZIONE LINEARE
PRGRMMZIN LINR Problemi di P.L. in due variabili metodo grafico efinizione: la programmazione lineare serve per determinare l allocazione ottimale di risorse disponibili in quantità limitata, per ottimizzare
DettagliMATEMATICA GENERALE Prova d esame del 4 giugno 2013 - FILA A
MATEMATICA GENERALE Prova d esame del 4 giugno 2013 - FILA A Nome e cognome Matricola I Parte OBBLIGATORIA (quesiti preliminari: 1 punto ciascuno). Riportare le soluzioni su questo foglio, mostrando i
DettagliGrafico qualitativo di una funzione reale di variabile reale
Grafico qualitativo di una funzione reale di variabile reale Mauro Saita 1 Per commenti o segnalazioni di errori scrivere, per favore, a: maurosaita@tiscalinet.it Dicembre 2014 Indice 1 Qualè il grafico
DettagliLEZIONE 23. Esempio 23.1.3. Si consideri la matrice (si veda l Esempio 22.2.5) A = 1 2 2 3 3 0
LEZIONE 23 231 Diagonalizzazione di matrici Abbiamo visto nella precedente lezione che, in generale, non è immediato che, data una matrice A k n,n con k = R, C, esista sempre una base costituita da suoi
Dettagli1 Serie di Taylor di una funzione
Analisi Matematica 2 CORSO DI STUDI IN SMID CORSO DI ANALISI MATEMATICA 2 CAPITOLO 7 SERIE E POLINOMI DI TAYLOR Serie di Taylor di una funzione. Definizione di serie di Taylor Sia f(x) una funzione definita
DettagliLezioni di Ricerca Operativa. Corso di Laurea in Informatica Università di Salerno. Lezione n 4
Lezioni di Ricerca Operativa Lezione n 4 - Problemi di Programmazione Matematica - Problemi Lineari e Problemi Lineari Interi - Forma Canonica. Forma Standard Corso di Laurea in Informatica Università
DettagliBasi di matematica per il corso di micro
Basi di matematica per il corso di micro Microeconomia (anno accademico 2006-2007) Lezione del 21 Marzo 2007 Marianna Belloc 1 Le funzioni 1.1 Definizione Una funzione è una regola che descrive una relazione
DettagliConvessità e derivabilità
Convessità e derivabilità Definizione 1 (convessità per funzioni derivabili) Sia f : (a, b) R derivabile su (a, b). Diremo che f è convessa o concava su (a, b) se per ogni 0 (a,b) il grafico di f sta tutto
DettagliNel seguito, senza ulteriormente specificarlo, A indicherà un anello commutativo con identità.
1 ANELLI Definizione 1.1. Sia A un insieme su cui sono definite due operazioni +,. (A, +, ) si dice Anello se (A, +) è un gruppo abeliano è associativa valgono le leggi distributive, cioè se a, b, c A
DettagliFUNZIONI ELEMENTARI - ESERCIZI SVOLTI
FUNZIONI ELEMENTARI - ESERCIZI SVOLTI 1) Determinare il dominio delle seguenti funzioni di variabile reale: (a) f(x) = x 4 (c) f(x) = 4 x x + (b) f(x) = log( x + x) (d) f(x) = 1 4 x 5 x + 6 ) Data la funzione
DettagliCURVE DI LIVELLO. Per avere informazioni sull andamento di una funzione f : D IR n IR può essere utile considerare i suoi insiemi di livello.
CURVE DI LIVELLO Per avere informazioni sull andamento di una funzione f : D IR n IR può essere utile considerare i suoi insiemi di livello. Definizione. Si chiama insieme di livello k della funzione f
DettagliFondamenti di Automatica
Fondamenti di Automatica Analisi dei sistemi dinamici Dott. Ing. Marcello Bonfè Dipartimento di Ingegneria - Università di Ferrara Tel. +39 0532 974839 E-mail: marcello.bonfe@unife.it pag. 1 Analisi dei
DettagliALGORITMO DEL SIMPLESSO
ALGORITMO DEL SIMPLESSO ESERCITAZIONI DI RICERCA OPERATIVA 1 ESERCIZIO 1. Risolvere il seguente programma lineare (a) con il metodo del simplesso e (b) con il metodo grafico. (1) min x 1 x () (3) (4) (5)
DettagliCOGNOME e NOME: FIRMA: MATRICOLA:
Anno Accademico 04/ 05 Corsi di Analisi Matematica I Proff. A. Villani, R. Cirmi e F. Faraci) Prova d Esame del giorno 6 febbraio 05 Prima prova scritta compito A) Non sono consentiti formulari, appunti,
DettagliSoluzione del tema d esame di matematica, A.S. 2005/2006
Soluzione del tema d esame di matematica, A.S. 2005/2006 Niccolò Desenzani Sun-ra J.N. Mosconi 22 giugno 2006 Problema. Indicando con A e B i lati del rettangolo, il perimetro è 2A + 2B = λ mentre l area
Dettagli1. Sia dato un poliedro. Dire quali delle seguenti affermazioni sono corrette.
. Sia dato un poliedro. (a) Un vettore x R n è un vertice di P se soddisfa alla seguenti condizioni: x P e comunque presi due punti distinti x, x 2 P tali che x x e x x 2 si ha x = ( β)x + βx 2 con β [0,
DettagliLa Programmazione Lineare
4 La Programmazione Lineare 4.1 INTERPRETAZIONE GEOMETRICA DI UN PROBLEMA DI PROGRAMMAZIONE LINEARE Esercizio 4.1.1 Fornire una rappresentazione geometrica e risolvere graficamente i seguenti problemi
DettagliLE FIBRE DI UNA APPLICAZIONE LINEARE
LE FIBRE DI UNA APPLICAZIONE LINEARE Sia f:a B una funzione tra due insiemi. Se y appartiene all immagine di f si chiama fibra di f sopra y l insieme f -1 y) ossia l insieme di tutte le controimmagini
DettagliChiusura lineare. N.B. A può essere indifferentemente un insieme, finito o no, o un sistema. Es.1. Es.2
Chiusura lineare Def. Sia A V (K) con A. Si dice copertura lineare (o chiusura lineare) di A, e si indica con L(A), l insieme dei vettori di V che risultano combinazioni lineari di un numero finito di
DettagliI appello - 26 Gennaio 2007
Facoltà di Ingegneria - Corso di Laurea in Ing. Informatica e delle Telecom. A.A.006/007 I appello - 6 Gennaio 007 Risolvere gli esercizi motivando tutte le risposte. (N.B. il quesito teorico è obbligatorio)
DettagliMetodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo
Metodi e Modelli per l Ottimizzazione Combinatoria Il problema del flusso di costo minimo L. De Giovanni G. Zambelli 1 Problema del flusso a costo minimo Il problema del flusso a costo minimo é definito
DettagliMETODI ITERATIVI PER SISTEMI LINEARI
METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione
DettagliRaccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata, Matematica
DIPARTIMENTO DI MATEMATICA Università degli Studi di Trento Via Sommarive - Povo (TRENTO) Raccolta degli Scritti d Esame di ANALISI MATEMATICA U.D. 1 assegnati nei Corsi di Laurea di Fisica, Fisica Applicata,
Dettagli8 - Analisi della deformazione
8 - Analisi della deformazione ü [A.a. - : ultima revisione 6 ottobre ] Esercizio n. Si supponga di voler conoscere sperimentalmente lo stato di deformazione in un punto M di un solido. A tal fine, si
DettagliDa una a più variabili: derivate
Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale
Dettagli2.1 Definizione di applicazione lineare. Siano V e W due spazi vettoriali su R. Un applicazione
Capitolo 2 MATRICI Fra tutte le applicazioni su uno spazio vettoriale interessa esaminare quelle che mantengono la struttura di spazio vettoriale e che, per questo, vengono dette lineari La loro importanza
DettagliAnalisi Mat. 1 - Ing. Inform. - Soluzioni del compito del 23-3-06
Analisi Mat. - Ing. Inform. - Soluzioni del compito del 3-3-6 Sia p il polinomio di quarto grado definito da pz = z 4. Sia S il settore circolare formato dai numeri complessi che hanno modulo minore o
DettagliCorso di Laurea in Ingegneria Informatica Analisi Numerica
Corso di Laurea in Ingegneria Informatica Lucio Demeio Dipartimento di Scienze Matematiche 1 2 Analisi degli errori Informazioni generali Libro di testo: J. D. Faires, R. Burden, Numerical Analysis, Brooks/Cole,
DettagliAnalisi 2. Argomenti. Raffaele D. Facendola
Analisi 2 Argomenti Successioni di funzioni Definizione Convergenza puntuale Proprietà della convergenza puntuale Convergenza uniforme Continuità e limitatezza Teorema della continuità del limite Teorema
DettagliUNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA
UNIVERSITA DEGLI STUDI DI PADOVA DIPARTIMENTO DI INGEGNERIA IDRAULICA, MARITTIMA E GEOTECNICA CORSO DI COSTRUZIONI IDRAULICHE A.A. 00-0 PROF. LUIGI DA DEPPO ING. NADIA URSINO ESERCITAZIONE N : Progetto
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliDurata della prova: 3h. 2 +y 4. tan y sin y lim = 1. (x 4 +y 2 )y 3
Università degli Studi di Napoli Federico II Corso di Laurea in Matematica Analisi Matematica II (Gruppo ), A.A. 22/3 Prova scritta del 28 gennaio 23 Durata della prova: 3h. sercizio (8 punti). Si consideri
DettagliCapitolo 3: Ottimizzazione Discreta. E. Amaldi DEIB, Politecnico di Milano
Capitolo 3: Ottimizzazione Discreta E. Amaldi DEIB, Politecnico di Milano 3.1 Modelli di PLI e PLMI Moltissimi problemi decisionali complessi possono essere formulati o approssimati come problemi di Programmazione
DettagliTecniche di riconoscimento statistico
Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 8 Support Vector Machines Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliEQUAZIONI non LINEARI
EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI
Dettagli6) f(x, y) = xy 1 log(5 2x 2y) x + y. 2x x 2 y 2 z 2 x 2 + y 2 + z 2 x Esercizio 2. Studiare gli insiemi di livello delle seguenti funzioni:
FUNZIONI IN PIÙ VARIABILI 1. Esercizi Esercizio 1. Determinare il dominio delle seguenti funzioni, specificando se si tratta di un insieme aperto o chiuso: 1) f(x, ) = log(x x ) ) f(x, ) = x + 3) f(x,
DettagliOttimizzazione non Vincolata
Dipartimento di Informatica e Sitemistica Università di Roma Corso Dottorato Ingegneria dei Sistemi 15/02/2010, Roma Outline Ottimizzazione Non Vincolata Introduzione Ottimizzazione Non Vincolata Algoritmi
DettagliLA FUNZIONE ESPONENZIALE E IL LOGARITMO
LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e
DettagliOttimizazione vincolata
Ottimizazione vincolata Ricordiamo alcuni risultati provati nella scheda sulla Teoria di Dini per una funzione F : R N+M R M di classe C 1 con (x 0, y 0 ) F 1 (a), a = (a 1,, a M ), punto in cui vale l
DettagliModelli di programmazione matematica Produzione Bin packing (Zaino) Trasporto Magazzino Assegnazione Commesso viaggiatore Scheduling Supply Chain
1 PROGRAMMAZIONE LINEARE 1 1 Programmazione lineare 1.1 Modelli matematici Modelli di programmazione matematica Produzione Bin packing (Zaino) Trasporto Magazzino Assegnazione Commesso viaggiatore Scheduling
DettagliSUCCESSIONI NUMERICHE
SUCCESSIONI NUMERICHE Definizione: Si chiama successione numerica una funzione definita su IN a valori in IR, cioè una legge che associa ad ogni intero n un numero reale a n. Per abuso di linguaggio, si
DettagliApplicazioni del calcolo differenziale allo studio delle funzioni
Capitolo 9 9.1 Crescenza e decrescenza in piccolo; massimi e minimi relativi Sia y = f(x) una funzione definita nell intervallo A; su di essa non facciamo, per ora, alcuna particolare ipotesi (né di continuità,
DettagliPIANO CARTESIANO: un problema di programmazione lineare
PIANO CARTESIANO: un problema di programmazione lineare In un laboratorio sono disponibili due contatori A, B di batteri. Il contatore A può essere azionato da un laureato che guadagna 20 euro per ora.
DettagliINTEGRALI DEFINITI. Tale superficie viene detta trapezoide e la misura della sua area si ottiene utilizzando il calcolo di un integrale definito.
INTEGRALI DEFINITI Sia nel campo scientifico che in quello tecnico si presentano spesso situazioni per affrontare le quali è necessario ricorrere al calcolo dell integrale definito. Vi sono infatti svariati
Dettagli