Условная оптимизация. Метод множителей Лагранжа. Метод неопределенных множителей лагранжа
|
Метод Лагранжа ─ это метод решения задачи условной оптимизации, при котором ограничения, записываемые как неявные функции, объединяются с целевой функцией в форме нового уравнения, называемого лагранжианом .
Рассмотрим частный случай общей задачи нелинейного программирования:
Дана система нелинейных уравнений (1):
(1) gi(x1,x2,…,xn)=bi (i=1..m),
Найти наименьшее (или наибольшее) значение функции (2)
(2) f (х1,х2,…,хn),
если отсутствуют условия неотрицательности переменных и f(х1,х2,…,хn) и gi(x1,x2,…,xn) ─ функции, непрерывные вместе со своими частными производными.
Чтобы найти решение этой задачи, можно применить следующий метод: 1. Вводят набор переменных λ1, λ2,…, λm, называемых множителями Лагранжа, составляют функцию Лагранжа (3)
(3) F(х1,х2,…,хn , λ1,λ2,…,λm) = f(х1,х2,…,хn)+ λi .
2. Находят частные производные от функции Лагранжа по переменным xi и λi и приравнивают их нулю.
3. Решая систему уравнений, находят точки, в которых целевая функция задачи может иметь экстремум.
4.Среди точек, подозрительных не экстремум, находят такие, в которыхдостигается экстремум, и вычисляют значения функции в этих точках.
4. Сравнить полученные значения функции f и выбрать наилучшее.
По плану производства продукции предприятию необходимо изготовить 180 изделий. Эти изделия могут быть изготовлены двумя технологическими способами. При производстве х1 изделия I способом затраты равны 4*х1+х1^2 руб., а при изготовлении х2 изделий II способом они составляют 8*х2+х2^2 руб. Определить, сколько изделий каждым из способов следует изготовить, так чтобы общие затраты на производство продукции были минимальными.
Решение: Математическая постановка задачи состоит в определении наименьшего значения функции двух переменных:
f = 4*x1+x1^2 +8*x2 +x2^2, при условии x1 +x2 = 180.
Составим функцию Лагранжа:
F(x1,x2,λ) = 4*x1+x1^2+8*x2+x2^2+λ*(180-x1-x2).
Вычислим ее частные производные по х1,х2, λ и приравняем их к 0:
Перенесем в правые части первых двух уравнений λ и приравняем их левые части, получим 4 + 2*x1 = 8 + 2*x2, или x1 − x2 = 2.
Решая последнее уравнение совместно с уравнением x1 + x2 = 180, находим x1 = 91, x2 = 89, то есть получили решение, удовлетворяющее условиям:
Найдем значение целевой функции f при этих значениях переменных:
F(x1, x2) = 17278
Эта точка является подозрительной на экстремум. Используя вторые частные производные, можно показать, что в точке (91,89) функция f имеет минимум.
Метод множителей Лагранжа.
Метод множителей Лагранжа является одним из методов, которые позволяют решать задачи нелинейного программирования.
Нелинейное программирование-это раздел математического программирования, изучающий методы решения экстремальных задач с нелинейной целевой функцией и областью допустимых решений, определенной нелинейными ограничениями. В экономике это соответствует тому, что результаты (эффективность) возрастают или убывают непропорционально изменению масштабов использования ресурсов (или, что то же самое, масштабов производства): напр., из-за деления издержек производства на предприятиях на переменные и условно-постоянные; из-за насыщения спроса на товары, когда каждую следующую единицу продать труднее, чем предыдущую и т. д.
Задача нелинейного программирования ставится как задача нахождения оптимума определенной целевой функции
F(x 1 ,…x n), F (x ) → max
при выполнении условий
g j (x 1 ,…x n)≥0, g (x ) ≤ b , x ≥ 0
где x -вектор искомых переменных;
F (x ) -целевая функция;
g (x ) - функция ограничений (непрерывно дифференцируемая);
b - вектор констант ограничений.
Решение задачи нелинейного программирования (глобальный максимум или минимум) может принадлежать либо границе, либо внутренней части допустимого множества.
В отличие от задачи линейного программирования, в задаче программирования нелинейного оптимум не обязательно лежит на границе области, определенной ограничениями. Иначе говоря, задача состоит в выборе таких неотрицательных значений переменных, подчиненных системе ограничений в форме неравенств, при которых достигается максимум (или минимум) данной функции. При этом не оговариваются формы ни целевой функции, ни неравенств. Могут быть разные случаи: целевая функция нелинейная, а ограничения линейны; целевая функция линейна, а ограничения (хотя бы одно из них) нелинейные; и целевая функция, и ограничения нелинейные.
Задача нелинейного программирования встречается в естественных науках, технике, экономике, математике, в сфере деловых отношений и в науке управления государством.
Нелинейное программирование, например, связано с основной экономической задачей. Так в задаче о распределении ограниченных ресурсов максимизируют либо эффективность, либо, если изучается потребитель, потребление при наличии ограничений, которые выражают условия недостатка ресурсов. В такой общей постановке математическая формулировка задачи может оказаться невозможной, но в конкретных применениях количественный вид всех функций может быть определен непосредственно. Например, промышленное предприятие производит изделия из пластмассы. Эффективность производства здесь оценивается прибылью, а ограничения интерпретируются как наличная рабочая сила, производственные площади, производительность оборудования и т.д.
Метод "затраты - эффективность" также укладывается в схему нелинейного программирования. Данный метод был разработан для использования при принятии решений в управлении государством. Общей функцией эффективности является благосостояние. Здесь возникают две задачи нелинейного программирования: первая - максимизация эффекта при ограниченных затратах, вторая - минимизация затрат при условии, чтобы эффект был выше некоторого минимального уровня. Обычно эта задача хорошо моделируется с помощью нелинейного программирования.
Результаты решения задачи нелинейного программирования являются подспорьем при принятии государственных решений. Полученное решение является, естественно, рекомендуемым, поэтому необходимо исследовать предположения и точность постановки задачи нелинейного программирования, прежде чем принять окончательное решение.
Нелинейные задачи сложны, часто их упрощают тем, что приводят к линейным. Для этого условно принимают, что на том или ином участке целевая функция возрастает или убывает пропорционально изменению независимых переменных. Такой подход называется методом кусочно-линейных приближений, он применим, однако, лишь к некоторым видам нелинейных задач.
Нелинейные задачи в определенных условиях решаются с помощью функции Лагранжа: найдя ее седловую точку, тем самым находят и решение задачи. Среди вычислительных алгоритмов Н. п. большое место занимают градиентные методы. Универсального же метода для нелинейных задач нет и, по-видимому, может не быть, поскольку они чрезвычайно разнообразны. Особенно трудно решаются многоэкстремальные задачи.
Одним из методов, которые позволяют свести задачу нелинейного программирования к решению системы уравнений, является метод неопределенных множителей Лагранжа.
С помощью метода множителей Лагранжа по существу устанавливаются необходимые условия, позволяющие идентифицировать точки оптимума в задачах оптимизации с ограничениями в виде равенств. При этом задача с ограничениями преобразуется в эквивалентную задачу безусловной оптимизации, в которой фигурируют некоторые неизвестные параметры, называемые множителями Лагранжа.
Метод множителей Лагранжа заключается в сведении задач на условный экстремум к задачам на безусловный экстремум вспомогательной функции - т. н. функции Лагранжа.
Для задачи об экстремуме функции f (х 1 , x 2 ,..., x n ) при условиях (уравнениях связи) φ i (x 1 , x 2 , ..., x n ) = 0, i = 1, 2,..., m , функция Лагранжа имеет вид
L(x 1, x 2… x n ,λ 1, λ 2 ,…λm)=f(x 1, x 2… x n)+∑ i -1 m λ i φ i (x 1, x 2… x n)
Множители λ 1 , λ 2 , ..., λm наз. множителями Лагранжа.
Если величины x 1 , x 2 , ..., x n , λ 1 , λ 2 , ..., λm суть решения уравнений, определяющих стационарные точки функции Лагранжа, а именно, для дифференцируемых функций являются решениями системы уравнений
то при достаточно общих предположениях x 1 , x 2 , ..., x n доставляют экстремум функции f.
Рассмотрим задачу минимизации функции n переменных с учетом одного ограничения в виде равенства:
Минимизировать f(x 1, x 2… x n) (1)
при ограничениях h 1 (x 1, x 2… x n)=0 (2)
В соответствии с методом множителей Лагранжа эта задача преобразуется в следующую задачу безусловной оптимизации:
минимизировать L(x,λ)=f(x)-λ*h(x) (3)
где Функция L(х;λ) называется функцией Лагранжа,
λ - неизвестная постоянная, которая носит название множителя Лагранжа. На знак λ никаких требований не накладывается.
Пусть при заданном значении λ=λ 0 безусловный минимум функции L(x,λ) по х достигается в точке x=x 0 и x 0 удовлетворяет уравнению h 1 (x 0)=0. Тогда, как нетрудно видеть, x 0 минимизирует (1) с учетом (2), поскольку для всех значений х, удовлетворяющих (2), h 1 (x)=0 и L(x,λ)=min f(x).
Разумеется, необходимо подобрать значение λ=λ 0 таким образом, чтобы координата точки безусловного минимума х 0 удовлетворяла равенству (2). Это можно сделать, если, рассматривая λ как переменную, найти безусловный минимум функции (3) в виде функции λ, а затем выбрать значение λ, при котором выполняется равенство (2). Проиллюстрируем это на конкретном примере.
Минимизировать f(x)=x 1 2 +x 2 2 =0
при ограничении h 1 (x)=2x 1 +x 2 -2=0=0
Соответствующая задача безусловной оптимизации записывается в следующем виде:
минимизировать L(x,λ)=x 1 2 +x 2 2 -λ(2x 1 +x 2 -2)
Решение. Приравняв две компоненты градиента L к нулю, получим
→ x 1 0 =λ
→ x 2 0 =λ/2
Для того чтобы проверить, соответствует ли стационарная точка х° минимуму, вычислим элементы матрицы Гессе функции L(х;u), рассматриваемой как функция х,
которая оказывается положительно определенной.
Это означает, что L(х,u) - выпуклая функция х. Следовательно, координаты x 1 0 =λ, x 2 0 =λ/2 определяют точку глобального минимума. Оптимальное значение λ находится путем подстановки значений x 1 0 и x 2 0 в уравнение2x 1 +x 2 =2, откуда 2λ+λ/2=2 или λ 0 =4/5. Таким образом, условный минимум достигается при x 1 0 =4/5 и x 2 0 =2/5 и равен min f(x)=4/5.
При решении задачи из примера мы рассматривали L(х;λ) как функцию двух переменных x 1 и x 2 и, кроме того, предполагали, что значение параметра λ выбрано так, чтобы выполнялось ограничение. Если же решение системы
J=1,2,3,…,n
в виде явных функций λ получить нельзя, то значения х и λ находятся путем решения следующей системы, состоящей из n+1 уравнений с n+1 неизвестными:
J=1,2,3,…,n., h 1 (x)=0
Для нахождения всех возможных решений данной системы можно использовать численные методы поиска (например, метод Ньютона). Для каждого из решений () следует вычислить элементы матрицы Гессе функции L, рассматриваемой как функция х, и выяснить, является ли эта матрица положительно определенной (локальный минимум) или отрицательно определенной (локальный максимум).
Метод множителей Лагранжа можно распространить на случай, когда задача имеет несколько ограничений в виде равенств. Рассмотрим общую задачу, в которой требуется
Минимизировать f(x)
при ограничениях h k =0, k=1, 2, ..., К.
Функция Лагранжа принимает следующий вид:
Здесь λ 1 , λ 2 , ..., λk -множители Лагранжа, т.е. неизвестные параметры, значения которых необходимо определить. Приравнивая частные производные L по х к нулю, получаем следующую систему n уравнении с n неизвестными:
Если найти решение приведенной выше системы в виде функций вектора λ оказывается затруднительным, то можно расширить систему путем включения в нее ограничений в виде равенств
Решение расширенной системы, состоящей из n+К уравнений с n+К неизвестными, определяет стационарную точку функции L. Затем реализуется процедура проверки на минимум или максимум, которая проводится на основе вычисления элементов матрицы Гессе функции L, рассматриваемой как функция х, подобно тому, как это было проделано в случае задачи с одним ограничением. Для некоторых задач расширенная система n+К уравнений с n+K неизвестными может не иметь решений, и метод множителей Лагранжа оказывается неприменимым. Следует, однако, отметить, что такие задачи на практике встречаются достаточно редко.
Рассмотрим частный случай общей задачи нелинейного программирования, предполагая, что система ограничений содержит только уравнения, отсутствуют условия неотрицательности переменных и и - функции непрерывные вместе со своими частными производными. Следовательно решив систему уравнений (7), получают все точки, в которых функция (6) может иметь экстремальные значения.
Алгоритм метода множителей Лагранжа
1.Составляем функцию Лагранжа.
2.Находим частные производные от функции Лагранжа по переменным x J ,λ i и приравниваем их нулю.
3.Решаем систему уравнений (7), находим точки, в которых целевая функция задачи может иметь экстремум.
4.Среди точек, подозрительных на экстремум, находим такие, в которых достигается экстремум, и вычисляем значения функции (6) в этих точках.
Пример.
Исходные данные: По плану производства продукции предприятию необходимо изготовить 180 изделий. Эти изделия могут быть изготовлены двумя технологическими способами. При производстве x 1 изделий 1 способом затраты равны 4x 1 +x 1 2 руб., а при изготовлении x 2 изделий 2 способом они составляют 8x 2 +x 2 2 руб. Определить сколько изделий каждым из способов следует изготовить, чтобы затраты на производство продукции были минимальными.
Целевая функция для поставленной задачи имеет вид
®min
при условиях x 1 +x 2 =180, x 2 ≥0.
1.Составляем функцию Лагранжа
.
2.
Вычисляем частные производные по x 1 , x 2, λ и приравниваем их нулю:
3.
Решая полученную систему уравнений, находим x 1 =91,x 2 =89
4.Сделав замену в целевой функции x 2 =180-x 1 , получим функцию от одной переменной, а именно f 1 =4x 1 +x 1 2 +8(180-x 1)+(180-x 1) 2
Вычисляем или 4x 1 -364=0 ,
откуда имеем x 1 * =91, x 2 * =89.
Ответ: Количество изделий изготовленных первым способом равно х 1 =91, вторым способом х 2 =89 при этом значение целевой функции равно 17278 руб.
Краткая теория
Метод множителей Лагранжа является классическим методом решения задач математического программирования (в частности выпуклого). К сожалению, при практическом применении метода могут встретиться значительные вычислительные трудности, сужающие область его использования. Мы рассматриваем здесь метод Лагранжа главным образом потому, что он является аппаратом, активно используемым для обоснования различных современных численных методов, широко применяемых на практике. Что же касается функции Лагранжа и множителей Лагранжа, то они играют самостоятельную и исключительно важную роль в теории и приложениях не только математического программирования.
Рассмотрим классическую задачу оптимизации:
Среди ограничений этой задачи нет неравенств, нет условий неотрицательности переменных, их дискретности, и функции и непрерывны и имеют частные производные по крайней мере второго порядка.
Классический подход к решению задачи дает систему уравнений (необходимые условия), которым должна удовлетворять точка , доставляющая функции локальный экстремум на множестве точек, удовлетворяющих ограничениям (для задачи выпуклого программирования найденная точка будет одновременно и точкой глобального экстремума).
Предположим, что в точке функция (1) имеет локальный условный экстремум и ранг матрицы равен . Тогда необходимые условия запишутся в виде:
есть функция Лагранжа; – множители Лагранжа.
Существуют также и достаточные условия, при выполнении которых решение системы уравнений (3) определяет точку экстремума функции . Этот вопрос решается на основании исследования знака второго дифференциала функции Лагранжа. Однако достаточные условия представляют главным образом теоретический интерес.
Можно указать следующий порядок решения задачи (1), (2) методом множителей Лагранжа:
1) составить функцию Лагранжа (4);
2) найти частные производные функции Лагранжа по всем переменным и приравнять их
нулю. Тем самым будет получена система (3, состоящая из уравнений. Решить полученную систему (если это окажется возможным!) и найти таким образом все стационарные точки функции Лагранжа;
3) из стационарных точек, взятых без координат выбрать точки, в которых функция имеет условные локальные экстремумы при наличии ограничений (2). Этот выбор осуществляется, например, с применением достаточных условий локального экстремума. Часто исследование упрощается, если использовать конкретные условия задачи.
Пример решения задачи
Условие задачи
Фирма производит товар двух видов в количествах и . Функция полезных издержек определена соотношением . Цены этих товаров на рынке равны и соответственно.
Определить, при каких объемах выпуска достигается максимальная прибыль и чему она равна, если полные издержки не превосходят
Испытываете сложности с пониманием хода решения? На сайте действует услуга Решение задач по методам оптимальных решений на заказ
Решение задачи
Экономико-математическая модель задачи
Функция прибыли:
Ограничения на издержки:
Получаем следующую экономико-математическую модель:
Кроме того, по смыслу задачи
Метод множителей Лагранжа
Составим функцию Лагранжа:
Находим частные производные 1-го порядка:
Составим и решим систему уравнений:
Так как , то
Максимальная прибыль:
Ответ
Таким
образом необходимо выпускать
ед. товара 1-го вида и
ед. товара 2-го вида. При этом прибыль будет
максимальной и составит 270.
Приведен образец решения задачи квадратичного выпуклого программирования графическим методом.
Решение линейной задачи графическим методом
Рассмотрен графический метод решения задачи линейного программирования (ЗЛП) с двумя переменными. На примере задачи приведено подробное описание построения чертежа и нахождения решения.
Модель управления запасами Уилсона
На примере решения задачи рассмотрена основная модель управления запасами (модель Уилсона). Вычислены такие показатели модели как оптимальный размер партии заказа, годовые затраты на хранение, интервал между поставками и точка размещения заказа.
Матрица коэффициентов прямых затрат и матрица "Затраты-выпуск"
На примере решения задачи рассмотрена межотраслевая модель Леонтьева. Показано вычисление матрицы коэффициентов прямых материальных затрат, матрицы «затраты-выпуск», матрицы коэффициентов косвенных затрат, векторов конечного потребления и валового выпуска.
Пусть и - дважды непрерывно дифференцируемые скалярные функции векторного аргумента . Требуется найти экстремум функции при условии, что аргумент удовлетворяет системе ограничений:
(последнее условие называют также условием связи).
Наиболее простым методом нахождения условного экстремума является сведение задачи к нахождению безусловного экстремума путем разрешения уравнения связи относительно m переменных и последующей их подстановки в целевую функцию.
Пример 3. Найти экстремум функции при условии .
Решение . Из уравнения связи выразим х 2 через х 1 и подставим полученное выражение в функцию у :
Эта функция имеет единственный экстремум (минимум) при х 1 =2. Соответственно, х 2 =1. Таким образом, точкой условного экстремума (минимума) заданной функции является точка .
В рассмотренном примере уравнение связи легко разрешимо относительно одной из переменных. Однако в более сложных случаях выразить переменные удается не всегда. Соответственно, описанный выше подход применим не ко всем задачам.
Более универсальным методом решения задач отыскания условного экстремума является метод множителей Лагранжа . Он основан на применении следующей теоремы. Если точка является точкой экстремума функции в области, определяемой уравнениями , то (при некоторых дополнительных условиях) существует такой m -мерный вектор , что точка является стационарной точкой функции
Алгоритм метода множителей Лагранжа
Шаг 1 . Составить функцию Лагранжа:
где - множитель Лагранжа, соответствующий i -му ограничению.
Шаг 2 . Найти частные производные функции Лагранжа и приравнять их к нулю
Шаг 3. Решив получившуюся систему из n +m уравнений, найти стационарные точки.
Заметим, что в стационарных точках выполняется необходимое, но не достаточное условие экстремума функции. Анализ стационарной точки на наличие в ней экстремума в данном случае достаточно сложен. Поэтому метод множителей Лагранжа в основном используют в тех случаях, когда о существовании минимума или максимума исследуемой функции заранее известно из геометрических или содержательных соображений.
При решении некоторых экономических задач множители Лагранжа имеют определенное смысловое содержание. Так, если - прибыль предприятия при плане производства n товаров , - издержки i -го ресурса, то l i - оценка этого ресурса, характеризующая скорость изменения оптимума целевой функции в зависимости от изменения i -го ресурса.
Пример 4. Найти экстремумы функции при условии .
Решение . Функции и непрерывны и имеют непрерывные частные производные. Составим функцию Лагранжа:
Найдем частные производные и приравняем их к нулю.
Получаем две стационарные точки:
Принимая во внимание характер целевой функции, линиями уровня которой являются плоскости, и функции (эллипс) заключаем, что в точке , функция принимает минимальное значение, а в точке максимальное.
Пример 5. В области решений системы
найти максимальное и минимальное значение функции при условии .
Решение . Пересечением области допустимых решений и прямой является отрезок MN : М (0,6), N (6,0). Поэтому экстремальные значения функция может принимать либо в стационарных точках, либо в точках M и N . Для нахождения стационарной точки применим метод Лагранжа. Составим функцию Лагранжа
Найдем частные производные функции Лагранжа и приравняем их к нулю
Решая систему, получаем стационарную точку K (2,2;3,8). Сравним значения целевой функции в точках K , M , N :
Следовательно,
Пример 6. Известен рыночный спрос на определенное изделие в количестве 180 штук. Это изделие может быть изготовлено двумя предприятиями одного концерна по различным технологиям. При производстве х 1 изделий первым предприятием его затраты составят руб., а при изготовлении х 2 изделий вторым предприятием они составляют руб.
Определить, сколько изделий, изготовленных по каждой технологии, может предложить концерн, чтобы общие издержки его производства были минимальны.
Решение . Математическая модель задачи:
Для нахождения минимального значения целевой функции при условии х 1 + х 2 =180, т.е. без учета требования неотрицательности переменных, составим функцию Лагранжа:
Найдем первые производные функции Лагранжа по х 1 , х 2 , l , и приравняем их к 0. Получим систему уравнений:
Решая эту систему, найдем следующие корни: , т.е. получаем координаты точки, подозрительной на экстремум.
Чтобы определить, является ли точка ( ) локальным минимумом, исследуем определитель Гессе, для чего вычислим вторые частные производные целевой функции:
Так как
то определитель Гессе положительно определен; следовательно, целевая функция является выпуклой и в точке ( ) имеем локальный минимум:
Рассмотрим задачу условной оптимизации, содержащую только ограничения в виде равенств
min
при наличии ограничений
,
.
Эта задача в принципе может быть решена как задача безусловной оптимизации, полученная путем исключения из целевой функции m независимых переменных с помощью заданных равенств. Наличие ограничений в виде равенств фактически позволяет уменьшить размерность исходной задачи. Новая задача может быть решена с помощью подходящего метода безусловной оптимизации.
Пример . Требуется минимизировать функцию
при ограничении
Исключив
переменную
с помощью уравнения, получим оптимизационную
задачу с двумя переменными без
ограничений:
минимизировать ,
которую можно решить одним из методов безусловной оптимизации.
Однако метод исключения переменных применим лишь в тех случаях, когда уравнения, представляющие ограничения, можно разрешить относительно некоторого набора переменных. При наличии большого числа ограничений в виде равенств процесс исключения переменных становится весьма трудоемкой процедурой. Кроме того, возможны ситуации, когда уравнение не удается разрешить относительно переменной. В этом случае целесообразно использовать метод множителей Лагранжа.
С помощью метода множителей Лагранжа по существу устанавливаются необходимые условия, позволяющие идентифицировать точки оптимума в задачах оптимизации с ограничениями в виде равенств.
Рассмотрим задачу
min
при наличии ограничений
,
.
Из
курса математического анализа хорошо
известно, что точка условного минимума
функции
совпадает с седловой точкой функции
Лагранжа:
,
при
этом седловая точка должна обеспечивать
минимум по переменным
и максимум по параметрам
.
Эти параметры называются множителями
Лагранжа. Приравнивая частные производные
функции
по
и по
к нулю, получим необходимые условия
стационарной точки:
,
,
,
.
Решение
системы
уравнений определяет стационарную
точку функции Лагранжа. Достаточные
условия существования минимума исходной
задачи содержат, кроме выше упомянутых,
положительную определенность матрицы
Гессе целевой функции.
4.2. Условия куна - таккера
Рассмотрим задачу нелинейного программирования с ограничениями в виде неравенств
min
при ограничениях
,
.
Сведем
ограничения в виде неравенств к
ограничениям-равенствам добавлением
к каждому из них ослабляющих переменных
,
:
.
Сформируем функцию Лагранжа:
Тогда необходимые условия минимума принимают вид
,
;
,
;
,
.
Можно
умножить последнее уравнение на
и заменить ослабляющие переменные,
выразив их из второго уравнения. Второе
уравнение можно преобразовать, отбросив
ослабляющие переменные и переходя к
ограничениям-неравенствам. Следует
добавить еще одно условие
,
которое должно выполняться в точке
условного минимума.
Окончательно получаем необходимые условия существования минимума задачи нелинейного программирования с ограничениями неравенствами, которые называются условиями Куна- Таккера:
,
;
(1)
,
;
(2)
,
;
(3)
,
.
(4)
Ограничение
в виде неравенства
называется активным в точке
,
если оно превращается в равенство
,
и называется неактивным, если
.
Если существует возможность обнаружить
до непосредственного решения задачи
ограничения, которые неактивны в точке
оптимума, то эти ограничения можно
исключить из модели и тем самым уменьшить
ее размеры.
Уравнение
(3) означает, что либо
,
либо
.
Если
,
то
и ограничение является активным и
представляет собой ограничение
равенство. С другой стороны, если
ограничение является строгим неравенством
,
то множитель Лагранжа будет иметь вид
т.е. ограничение
является неактивным и им можно пренебречь.
Конечно, предварительно не известно
какими ограничениями можно пренебречь.