Uvod u optimizaciju, zadaci za vjeºbu 1

1. Simpleks metoda  algebarski pristup. Inicijalizacija

1. Rije²ite zada¢u linearnog programiranja

x1 − 2x2 − 4x3 + 8x4 → min

− x2 + 2x3 + 13x4 ≤ 4
−2x1 + x2 + x3 − 12x4 ≤ 5
3x1 − x2 + 14x4 ≤ 3
x ≥ 0.
h i
Rez: x = (0, 53, 0, 4) .
∗ τ

2. Odredite minimum i maksimum funkcije cilja c = 4x + 5y na skupu zadanom uvjetima

10x + y ≥ 10
5x + 4y ≥ 20
3x + 7y ≥ 21
x + 12y ≥ 12
x, y ≥ 0,

koriste¢i pomo¢nu zada¢u inicijalizacije. Poku²ajte iskoristiti istu tablicu za odreživanje

minimuma i maksimuma.
h i
Rez: c neomežena odozgo, cmin = 23 , xmin = 23 , ymin = 23 .
449 56 45

3. (Varijanta transportnog problema) Tvrtka ima tri skladi²ta iz kojih robu treba transporti-
rati prema trgovinama na na£in da trgovina T1 dobije barem 15 jedinica robe, a trgovina
T2 barem 20 jedinica robe. Na raspolaganju je po 12 jedinica robe u svakom skladi²tu, a u
tablici je dan tro²ak transporta jedinice robe iz skladi²ta prema trgovinama.

T1 T2
S1 13 15
S2 6 7
S3 15 15

Cilj je organizirati transport, ali tako da je ukupni tro²ak transporta minimalan.

a) Modelirajte problem zada¢om linearnog programiranja.

b) Zapi²ite zada¢u u standardnoj formi i rije²ite je simpleks metodom, rje²avaju¢i prvo
pomo¢nu zada¢u inicijalizacije.
h
Rez: x11 = 12, x12 = 0, x21 = 3, x22 = 9, x31 = 0, x32 = 11, gdje xij ozna£ava
i
transportiranu koli£inu robe iz Si u Tj .

4. Zada¢u optimizacije
−x + |2x − y| → min
x + y ≤ 10
(1)
2x + y ≤ 15
x, y ≥ 0 ,
svedite na zada¢u linearnog programiranja i rije²ite simpleks metodom.
Uvod u optimizaciju, zadaci za vjeºbu 2

Rje²enje: Gornju apsolutnu vrijednost moºemo zamijeniti novom varijablom t ≥ 0 i dodati

uvjete 2x − y ≤ t i 2x − y ≥ −t, tako da nova zada¢a glasi

−x + t → min
2x − y − t ≤ 0
2x − y + t ≥ 0
(2)
x + y ≤ 10
2x + y ≤ 15
x, y, t ≥ 0 .

Primijetimo, za optimalnu to£ku (x∗ , y ∗ , t∗ ) nove zada¢e mora vrijediti t∗ = |2x∗ − y ∗ |, jer
bi u suprotnom (zbog prva dva uvjeta) vrijedilo t∗ > |2x∗ − y ∗ |, ²to vodi na kontradikciju
jer bi (x∗ , y ∗ , |2x∗ −y ∗ |) bila dopustiva to£ka s manjom vrijedno²¢u funkcije cilja. Ozna£imo
funkciju cilja nove zada¢e s g : R3 → R, a originalne s f : R2 → R.
Pokaºimo da su zada¢e optimizacije (1) i (2) ekvivalentne u sljede¢em smislu:

a) Ako je (x∗ , y ∗ ) rje²enje zada¢e (1) onda je (x∗ , y ∗ , t∗ ), uz t∗ = |2x∗ −y ∗ |, rje²enje zada¢e
(2).
b) Ako je (x∗ , y ∗ , t∗ ) rje²enje zada¢e (2) onda je (x∗ , y ∗ ) rje²enje zada¢e (1).

Za dokaz tvrdnje a) pretpostavimo suprotno: (x̂, ŷ, t̂) je dopustiva to£ka zada¢e (2) za koju
vrijedi g(x̂, ŷ, t̂) < g(x∗ , y ∗ , t∗ ). Prema gornjem komentaru mora vrijediti t̂ = 2x̂ − ŷ , ²to
vodi na kontradikciju, jer je (x̂, ŷ) dopustiva to£ka zada¢e (1) i vrijedi f (x̂, ŷ) = g(x̂, ŷ, t̂) <
g(x∗ , y ∗ , t∗ ) = f (x∗ , y ∗ ).
Dokaz tvrdnje b) provodimo sli£no: ako je (x∗ , y ∗ , t∗ ) optimalna, onda je, prema gornjem
komentaru, t∗ = |2x∗ − y ∗ | pa je g(x∗ , y ∗ , t∗ ) = f (x∗ , y ∗ ) ≤ f (x, y) = g(x, y, |2x − y|) za
svaku dopustivu to£ku (x, y) originalne zada¢e.
Drugi pristup uvodi dvije nove varijable u, v ≥ 0 te se apsolutna vrijednost zamjenjuje s
u + v i dodaje se uvjet 2x − y = u − v . Primijetimo, niti jedan pristup ne bi bio dobar da
je ispred apsolutne vrijednosti negativan koecijent.
h i
Rez: x∗ = 103
, y ∗
= 20
3
.

2. Osnovni (geometrijski) pojmovi

1. Rije²ite sljede¢e zada¢e geometrijskom metodom

a)

2x1 + 3x2 → max

x1 + x2 ≤4
6x1 + 2x2 ≥8
x1 + 5x2 ≥4
x1 ≤3
x2 ≤3
x1 , x2 ≥ 0.
Uvod u optimizaciju, zadaci za vjeºbu 3

b)
x1 − 3x2 → min
x1 − x 2 ≤3
2x1 + x2 ≥3
x1 − 3x2 ≤1
x1 , x2 ≥ 0.
h i
Rez: a) c = 11, x = (1, 3), b) funkcija cilja neograni£ena odozdo.
∗ ∗

2. Dokaºite tvrdnju: Skup K ⊆ Rn je konveksan ako i samo ako za svaki α, β ≥ 0 vrijedi

(α + β)K = αK + βK .
3. Dokaºite tvrdnju: Konus C ⊆ Rn je konveksan ako i samo ako za svaki x, y ∈ C vrijedi
x + y ∈ C.
4. Neka je K ⊆ Rn konveksni konus. Dokaºite:
a) aff K = K − K
b) (−K) ∩ K je najve¢i vektorski potprostor sadrºan u K .
5. Neka je T : Rn → Rm ano preslikavanje te S : Rn → Rm linearno preslikavanje. Dokaºite:
a) Slika T (K1 ) konveksnog (anog) skupa K1 ⊆ Rn i praslika T −1 (K2 ) konveksnog (a-
nog) skupa K2 ⊆ Rm su konveksni (ani) skupovi.
b) Slika S(C1 ) konveksnog konusa C1 ⊆ Rn i praslika S −1 (C2 ) konveksnog konusa C2 ⊆
Rm su konveksni konusi.
c) Za svaki M ⊆ Rn vrijedi T (conv M ) = conv T (M ) i T (aff M ) = aff T (M ).
d) Za svaki M ⊆ Rn vrijedi S(C(M )) = C(S(M )).
6. Nažite primjer zatvorenog skupa £ija konveksna ljuska nije zatvoren skup (v. Zadatak 11).
7. Dokaºite da je skup  v 
 u n 
uX
x ∈ Rn+1 :t x2i ≤ xn+1
 
i=1

konveksni konus (zovemo ga Lorentzov konus).

8. Dokaºite tvrdnju: za svaka dva skupa S1 , S2 ⊆ Rn vrijedi conv (S1 ∩ S2 ) ⊆ (conv S1 ) ∩
(conv S2 ). Vrijedi li obratna inkluzija? Obrazloºite!
9.∗ (Carathéodoryjev teorem za konusnu ljusku) Dokaºite tvrdnju: Svaki netrivijalni vektor
konusne ljuske skupa S moºe se prikazati kao konusna kombinacija linearno nezavisnih
vektora iz S .
10. Neka je X ⊆ Rn . Ozna£imo s Y ⊆ Rn+1 skup
Y = {(x, 1) ∈ Rn+1 : x ∈ X} .
a) Dokaºite ekvivalenciju: x ∈ conv X ako i samo ako (x, 1) ∈ C(Y )
b) Koriste¢i Zadatak 9 i tvrdnju dijela a) dokaºite Carathéodoryjev teorem.
11.∗ Ako je skup S ⊆ Rn kompaktan, dokaºite da je conv S takožer kompaktan.
Uputa: Iskoristite Carathéodorijev teorem.
Uvod u optimizaciju, zadaci za vjeºbu 4

3. Projekcija to£ke na skup. Separacija

1. Dokaºite tvrdnju: ako su skupovi A, B ⊆ Rn konveksni onda je za svaki α, β ∈ R skup
αA + βB takožer konveksan.
2. Dokaºite: Skupovi A, B ⊆ Rn su (strogo) separirani ako i samo ako su A − B i 0 (strogo)
separirani.

3. Dokaºite tvrdnju: Ako skup C nije konveksan tada postoji to£ka x ∈ Rn \ C koja se ne
moºe strogo separirati od skupa C .

4. Neka je S ⊆ Rn neprazan skup. Dokaºite da S , Cl S i conv S imaju istu anu ljusku.

5. Dokaºite jednakosti
N (A) ⊕ R(Aτ ) = Rn
N (Aτ ) ⊕ R(A) = Rm .
Rj: Za prvu jednakost uo£imo da su potprostori na lijevoj strani okomiti: za svaki z ∈ N (A)
i svaki y = Aτ x ∈ R(Aτ ) vrijedi
yτ z = (Aτ x)τ z = xτ Az = 0
pa tvrdnja vrijedi jer je, prema teoremu o rangu i defeku, suma dimenzija tih potprostora
jednaka n.
6. (Metoda najmanjih kvadrata) Neka je A ∈ Mmn (R), b ∈ Rm \ R(A) te bb projekcija to£ke
b na sliku R(A). Koriste¢i Teorem 3.3 i Zadatak 5 dokaºite da je b
b = Ax, gdje je x
rje²enje normalnog sustava jednadºbi
Aτ Ax = Aτ b . (3)
Preciznije, dokaºite da sustav (3) uvijek ima rje²enje te da svako rje²enje x poprima istu
vrijednost Ax. Nadalje, rje²enje x sustava je jedinstveno ako i samo ako je d(A) = 0.

7. Neka je C ⊆ Rn neprazan, zatvoren i konveksan skup, C 6= Rn . Dokaºite da C moºemo

prikazati kao presjek zatvorenih poluprostora na sljede¢i na£in
\
C= P− .
x∈∂C
P potporna hip. kroz x
C⊆P −

8. Neka je C ⊆ Rn konveksan skup, disjunktan s Int Rn+ . Dokaºite da postoji q ∈ Rn+ \ {0}
takav da je sup{qτ x : x ∈ C} ≤ 0.
Rje²enje: Kako je Int Rn+ konveksan skup (lako provjerimo po deniciji) to skupove C i
Int Rn+ moºemo separirati hiperravninom tj. postoji q ∈ Rn \ {0} i β ∈ R takvi da je
qτ x ≤ β ≤ qτ y , x ∈ C, y ∈ Int Rn+ .
U gornjoj ocjeni moºemo Int Rn+ zamijeniti s Rn+ = Cl Int Rn+ (aproksimiramo takav y
nizom iz Int Rn+ i priježemo na limes u gornjoj nejednakosti):
qτ x ≤ β ≤ qτ y , x ∈ C, y ∈ Rn+ . (4)
Posebno, ako uvrstimo y = 0 imamo qτ x ≤ 0 ²to daje prvu tvrdnju. Ostaje pokazati da je
q ∈ Rn+ . Pretpostavimo suprotno: qi := qτ ei < 0 za neki i ∈ {1, . . . , n}. Stoga za t → +∞
imamo tqτ ei → −∞ ²to daje kontradikciju (u (4) pi²e β ≤ qτ y za svaki y ∈ Rn+ ).
Uvod u optimizaciju, zadaci za vjeºbu 5

zλ
λr xλ
z
r x

Slika 1: Skica uz uputu za rje²enje Zadatka 10.a)

9. Dokaºite tvrdnju: ako je skup C ⊆ Rn konveksan, onda je i Cl C konveksan.

10. Neka je C ⊆ Rn konveksan skup. Dokaºite tvrdnje

a) Ako je x ∈ Int C i y ∈ C onda je cijeli interval [x, yi sadrºan u Int C .

b) Skup Int C je konveksan.
c)∗ Ako pretpostavku y ∈ C u dijelu a) zamijenimo pretpostavkom y ∈ Cl C onda i dalje
vrijedi isti zaklju£ak dijela a).
d) Ako je Int C neprazan onda je Cl (Int C) = Cl C i ∂(Int C) = ∂C .
e)∗ Vrijedi Int (Cl C) = Int C i ∂(Cl C) = ∂C .

Uputa: a) Ako je B(x, r) ⊆ C i xλ = (1−λ)y+λx za neki λ ∈ h0, 1i, onda je B(xλ , λr) ⊆ C
(v. Sliku 1  raspisati ekvivalenciju, uz oznake sa slike: kzλ − xλ k < λr ako i samo ako
kz − xk < r); b) Iskoristiti tvrdnju a); c) Aproksimirati y nizom (yk ) ⊆ C . Za yk iskoristiti
tvrdnju a) i zaklju£iti da za dovoljno veliki k vrijedi B(xλ , λr
2
) ⊆ B(yλk , λr) ⊆ C , gdje je
yλk = (1 − λ)yk + λx; d) Iskoristiti tvrdnju c); e) Ako je Int C neprazan, iskoristiti tvrdnju
c). Ina£e, vrijedi Int (Cl C) = ∅, prema Zadacima 4 i 11.

11.∗ Neka je C ⊆ Rn konveksan skup. Dokaºite da je Int C neprazan ako i samo ako je
aff C = Rn .
Uputa: Nuºnost je trivijalna. Za dokaz dovoljnosti, neka su v0 , . . . , vn to£ke skupa C
koje ne leºe u istoj hiperravnini skupa Rn (kaºemo da su ano nezavisne). BSOMP
v0 = 0 (ina£e translatiramo skup C za v0 ), ²to povla£i da su vi linearno nezavisni. De-
niramo regularno linearno preslikavanje T s T vi := ei , i = 1, . . . , n. Ono preslikava skup
P := conv {0, v1 , . . . , vn } u standardni simpleks K = conv {0, e1 , . . . , en }, kojeg moºemo
reprezentirati presjekom zatvorenih poluprostora x1 ≥ 0, . . . , xn ≥ 0 i x1 + · · · + xn ≤ 1.
Ako svugdje stavimo stroge nejednakosti dobivamo otvoreni skup O, koji je o£ito nepra-
zan. Dakle, K ima neprazan otvoren podskup O (to mu je zapravo interior), pa je i T −1 (O)
otvoren skup, sadrºan u P , odnosno C .

4. Teorem separacije za kona£nogenerirani konus

1. Neka je V vektorski potprostor u Rn £ija je baza {q1 , . . . , qd }. Dokaºite da vrijedi

V = C(q1 , . . . , qd , −q1 − · · · − qd ) .
Uvod u optimizaciju, zadaci za vjeºbu 6

2. Zadan je kona£no generirani konus C = C(a1 , a2 , a3 , a4 ) uz a1 = (1, 1, −1), a2 = (0, 1, 1),

a3 = (1, −1, −2) i a4 = (1, −6, −5) te b = (1, 2 − α, α). Odredite sve vrijednosti parametra
α ∈ R uz koje vektor b ne pripada konusu C i za svaki takav α zapi²ite vektor normale
razdvajaju¢e hiperravnine iz teorema separacije za kona£nogenerirani konus.
3. Zadan je kona£nogenerirani konus C = C(a1 , a2 , e1 , e2 , e3 ) uz a1 = (−1, 2, 2), a2 = (−7, 1, 3)
i vektore kanonske baze e1 , e2 , e3 . Odredite sve vrijednosti parametra t ∈ R uz koje vek-
tor b = (1 + t, 3 − t, 2) ne pripada konusu C i za svaki takav t zapi²ite vektor normale
razdvajaju¢e hiperravnine iz teorema separacije za kona£nogenerirani konus.
4. Zadan je kona£no generirani konus C = C(a1 , a2 , a3 , a4 ) uz a1 = (1, 0, 1), a2 = (0, 1, 1),
a3 = (1, 1, 1) i a4 = (1, 1, −1) te b = (2, 3, α + 2). Odredite najmanju vrijednost α0
parametra α ∈ R uz koju vektor b pripada konusu C . Za α < α0 odredite vektor normale
razdvajaju¢e hiperravnine iz teorema separacije za kona£no generirani konus.
5. Neka je C = C(a1 , . . . , am ) pri £emu su ai vektori razli£iti od 0. Dokaºite da je ekvivalentno:
a) C ne sadrºi pravac kroz ishodi²te.
b) Za svaki i = 1, . . . m vrijedi −ai ∈
/ C.
c) Postoji vektor c takav da za svaki a ∈ C \ {0} vrijedi cτ a < 0.
Uputa: Dokazati implikacije a ⇒ b ⇒ c ⇒ a. Za b ⇒ c separirati C i vektor −ai , za svaki i,
i zbrojiti dobivene vektore normale.
6. Nemarni student je svoje rje²enje zadatka o separaciji to£ke od kona£nogeneriranog konusa
C ostavio na ki²i pa je donji dio tablica posve ne£itljiv. Konus C je zadan pomo¢u £etiri
generatora a1 , . . . a4 ∈ R3 . Vidljivi tio tablica glasi:

a1 a2 a3 a1 a2 a4 a2 a3 a4 a1 a3 a4
e1 −1 0 1 e1 0 − 12 1
2
e1 − 21 0 1
2
e1 −1 1 0
e2 − 32 1
2
1 e2 − 12 0 1
2
e2 − 41 − 12 3
4
e2 − 21 0 1
2
1 1 1 1 3 1 1 3 1
e3 2 2
0 e3 2 2
0 e3 4 2
−4 e3 2
−1 2

Koje sve vektore normala razdvajaju¢ih hiperravnina iz teorema separacije moºemo dobiti,
variraju¢i vektor b ∈/ C ? Kako na osnovu te informacije provjeriti pripada li vektor b =
(−3, 2, −1)τ , odnosno c = (−1, 2, 3)τ konusu C ?
Uputa: Prema teoremu, trebamo provjeriti sve linearno nezavisne dvo£lane podskupove
{ai , aj }  svaki vektor normale razdvajaju¢e hiperravnine iz teorema mora biti okomit na
neki od tih podskupova. Primjerice, za {a1 , a2 } uo£avamo da se taj podskup pojavljuje u
bazi prve i druge tablice. Iz prve £itamo da je vektor negativne dualne baze (poviriti u
dokaz teorema) koji odgovara vektoru a3 jednak q1 = −(1, 1, 0)τ , a u
drugoj tablici vektor
τ
negativne dualne baze koji odgovara vektoru a4 je jednak − 12 , 21 , 0 . Naravno, oni su
kolinearni (jer su okomiti na a1 i a2 ), ali kako gledaju u istom smjeru (odn. pripadaju istoj
zraci iz ishodi²ta) to je qτ1 ai ≤ 0, za svaki i pa je q1 jedan od traºenih vektora (primjerice
razdvaja samog sebe od C ).
Nastavljaju¢i za sve ostale dvo£lane podskupove (ima ih jo² 5), dolazimo do ostalih vektora
q2 = −(0, 1, 1)τ , q3 = −(0, −1, 1)τ i q4 = −(−2, −1, 3)τ . Za odgovor na drugo pitanje,
dovoljno je uo£iti da vrijedi reprezentacija (prikaz konusa C u vidu poliedarskog konusa)
4
\
C= {x ∈ R3 : qτi x ≤ 0} ,
i=1

tako da je potrebno samo ra£unati skalarne produkte qτi b i qτi c.

Uvod u optimizaciju, zadaci za vjeºbu 7

7. Vezano uz algoritam separacije vektora x i y od kona£nogeneriranog konusa C = C(a1 , . . . , a4 )

izra£unali smo sljede¢e tablice:

a1 a2 a4 a1 a3 a4 a1 a3 a2
1
e1 4
− 14 − 14 e1 1
4
− 14 − 34 e1 1
4
1
8
− 38
1 1
e2 −2 2
− 12 e2 − 21 1
2
1
2
e2 − 21 1
4
1
4
1 3
e3 4 4
− 14 e3 1
4
3
4
5
4
e3 1
4
1
8
5
8
a3 0 1 −2 a2 0 1 2 a4 0 − 21 1
2
x −1 1 2 x −1 1 4 x −1 −1 2
y 1 − 12 2 y 1 − 12 1 y 1 −1 1
2

a) Moºemo li iz gonjih tablica zaklju£iti pripadaju li vektori x i y konusu C ? Ako vektor

ne pripada konusu, zapi²ite vektor normale razdavajaju¢e hiperravnine iz teorema
separacije.
b) Kao u dijelu a), je li a1 + y ∈ C ? Obazloºite!
c) Zapi²ite konus C kao poliedarski konus, koriste¢i isklju£ivo gornje tablice.

8. Odredite matricu Q za koju je

C(a1 , a2 , a3 , a4 ) = {x ∈ R3 : Qx ≤ 0} ,
pri £emu je a1 = (1, 0, 1)τ , a2 = (0, 1, 1)τ , a3 = (1, 1, 1)τ i a4 = (1, 1, 5)τ .
 
1 0 −1
 −1 −4 1 
Rez: Q =  
 0 1 −1 
−4 −1 1
9. Zadan je kona£no generirani konus C = C(a1 , a2 , a3 , a4 ) uz a1 = (−1, 0, 1, 2, 1), a2 =
(1, 1, 0, −1, 0), a3 = (−1, 1, 1, 2, 3) i a4 = (2, −1, −1, −3, −5) te b = (4, 2, −1, −5, −3).
Pripada li vektor b konusu C ? Ako ne, zapi²ite vektor normale razdvajaju¢e hiperravnine
iz teorema separacije za kona£nogenerirani konus.
Rez: q = (−1, 1, −3, 0, 0)τ
10. Prikaºite kona£nogenerirani konus C(a1 , a2 , a3 , a4 , a5 ) kao poliedarski konus, ako je a1 =
(0, 1, 2)τ , a2 = (−1, 4, 5)τ , a3 = (0, 1, 1)τ , a4 = (−1, 5, 4)τ i a5 = (1, −2, −2)τ .
Rje²enje: Prema teoremu separacije za kona£nogenerirani konus, potrebno je provjeriti sve
dvo£lane (linearno nezavisne) skupove generatora konusa i ispitati daju li oni vektor normale
razdvajaju¢e hiperravnine za neki b ili, jednostavnije re£eno, vektor normale potporne
hiperravnine konusa. Konkretno, primjerice za skup {a1 , a2 } dovoljno je uzeti bilo koji od
preostalih generatora konusa koji s njima £ini bazu za R3 . Iz tablice algoritma separacije
(bez retka b) u kojoj su ta tri generatora u bazi, £itamo kandidata za vektor normale
potporne hiperravnine  vektor negativne dualne baze q koji odgovara tre¢em (dodanom)
generatoru (u prvom dijelu tablice u tom stupcu uzmemo suprotne koecijente). Ako su
u nastavku tog stupca svi koecijenti ve¢i ili jednaki nuli, taj vektor q je zaista vektor
normale potporne hiperravnine (jer je qτ ai ≤ 0 za svaki i te imamo jednakost za i = 1, 2).
Primijetimo, u tom slu£aju q odrežuje hiperravninu kroz 0) koja razdvaja konus C od
b = q. Prolaze¢i kroz sve parove (njih ukupno 10), primjerice
 koriste¢i applet
 simplex.jar,
−3 −2 1
−2 −2 1
dolazimo do rje²enja: C = {x ∈ R3 : Qx ≤ 0}, uz Q = 
 

 −9 −1 −1 
−2 2 3
Uvod u optimizaciju, zadaci za vjeºbu 8

11. Zadane su dvije simpleks tablice koje odgovaraju istoj zada¢i linearnog programiranja (α
je realan parametar)

x1 w1 w2 b x3 w1 w2 b
x2 1 0 1 1 x2 −1 1 1 2
x3 −1 1 0 1 x1 −1 1 0 1
w3 1 1 −1 2 w3 −1 2 −1 3
w4 2α − 2 α+1 −2 5 + α w4 2 − 2α 3α − 1 −2 3α + 3
z 1 4α + 1 −2 3 z −1 4α + 2 −2 4

Koriste¢i samo informacije iz tih dviju tablica (ne ra£unaju¢i daljnje tablice!) odgovorite
na pitanja:

a) Za koje α zada¢a nema dopustivih to£aka?

b) Za koje α je funkcija cilja neograni£ena odozgo na promatranom dopustivom skupu?
c) Uz koje α zada¢a linearnog programiranja poprima maksimalnu vrijednost?
d) Uz koje α zada¢a poprima maksimalnu vrijednost, ali to£ka maksimuma nije jedin-
stvena? Obrazloºite!

Rez: d) α = − 21 .

5. Reprezentacija poliedarskog skupa

1. Zadan je poliedarski konus

C = {x ∈ R3 : x1 − x2 − x3 ≤ 0 , x1 − 2x2 + x3 ≤ 0 , x ≥ 0} .

Prikaºite ga kao kona£nogenerirani konus (tj. odredite mu ekstremne recesivne smjerove).

Rez: Prema dokazu Farkas-Minkowski-Weylovog teorema i postupku opisanom u rje²enju
Zadatka 4.10 ra£unamo ekstremne recesivne smjerove: q1 = (0, 1, 0)τ , q2 = (0, 1, 2)τ ,
q3 = (1, 1, 0)τ i q4 = (3, 2, 1)τ .

2. Zadana je matrica  
1 0 −1 0

 0 1 1 0 

A=
 −1 −1 1 0 

 0 1 0 1 
−1 0 0 1
i poliedarski konus C = {x ∈ R4 : Ax ≤ 0}. Prikaºite C kao kona£nogenerirani konus (tj.
odredite mu ekstremne recesivne smjerove).
Rez: Ekstremni recesivni smjerovi su q1 = (0, 0, 0, −1)τ , q2 = (−1, 1, −1, −1)τ , q3 =
(−2, 1, −1, −2)τ i q4 = (−1, 0, −1, −1)τ . Primijetimo, ako kona£nogenerirani konus
C(q1 , q2 , q3 , q4 ) (= C) ponovno prikaºemo kao poliedarski, dobivamo da je £etvrti redak
matrice A nepotreban u deniciji poliedarskog konusa C , ²to smo mogli primijetiti u gor-
njem ra£unu: za £etvrti redak matrice A vrijedi a4 ∈ C(a1 , a2 , a5 ) pa je £etvrta nejednakost
aτ4 x ≤ 0 suvi²na (eng. redundant) tj. posljedica je ostalih nejednakosti, konkretnije prve,
druge i pete. Ispitajte postoje li suvi²ne nejednakosti u Zadatku 1.
Uvod u optimizaciju, zadaci za vjeºbu 9

3. Poliedarski skup zadan je nejednakostima

−x1 + x2 ≤ 3
−x1 − x2 ≤ −2
x1 − 2x2 ≤ 1 .

Odredite mu reprezentaciju (tj. ekstremne to£ke i ekstremne recesivne smjerove, ako pos-
toje) koriste¢i postupak opisan u dokazu teorema reprezentacije poliedarskog skupa. Ski-
cirajte dani skup u ravnini i provjerite dobiveno rje²enje.

τ
τ
Rez: v1 = 53 , 13 , v2 = − 12 , 52 , q1 = (1, 1), q2 = (2, 1). Alternativno, zadatak moºemo
rije²iti standardnim simpleks tablicama. Potrebno je pro¢i kroz sve dopustive simpleks
tablice i iz njih o£itati vrhove. Oprez: u standardnim simpleks tablicama unosimo suprotne
koecijente (−A) i podrazumijevamo uvjet x ≥ 0. O£itanje ekstremnih recesivnih smjerova
je tim pristupkom iznimno jednostavno (kako?) jer su sve varijable (x1 , x2 ) slobodne. U
suprotnom bi to bilo oteºano pa je zbog toga bolje ne koristiti ovu alternativu.

4. Odredite reprezentaciju poliedarskog skupa

x1 − x2 + 2x3 ≤ −3
x1 + x3 ≤ 0
−x1 − x2 + x3 ≤ −2
x2 + x3 ≤ 6.

τ
Rez: v1 = (−1, 4, 1)τ , v2 = − 34 , 143 , 43 , q1 = (1, −1, −1), q2 = (1, −3, −2), q3 = (1, 1, −1)
i q4 = (−2, 1, −1) (ekstremne recesivne smjerove smo skalirali pozitivnim faktorom; na-
ravno, vrhove ne smijemo  oni su ve¢ skalirani tako da je zadnja komponenta, koja odgo-
vara λ iz dokaza teorema, jednaka 1).

5. Zapi²ite recesivni konus poliedarskog skupa K (primijetite, skup je neprazan: 0 ∈ K ):

K = {x ∈ R4 : x1 − x2 + x3 − x4 = 0, 2x2 + 3x3 − x4 ≤ 5, x1 + 2x3 ≥ −1, x ≥ 0} .

Je li (1, 0, 0, 1) ekstremna to£ka poliedarskog skupa K ? Obrazloºiti!

6. Odredite vrhove (ako postoje) poliedarskog skupa K := {x ∈ Rn : Ax ≤ b}, ako je

A ∈ Mn (R) regularna matrica i b ∈ Rn . Denirajte recesivni konus skupa K i predstavite
ga kao kona£nogenerirani konus (specicirajte ekstremne recesivne smjerove).

7. Neka je S ⊆ {0, 1}n i P = conv S . Dokaºite da je skup svih vrhova skupa P upravo skup
S.

8. Neka je K ⊆ Rn konveksan skup i x najudaljenija (uz euklidsku normu) to£ka skupa K od

dane to£ke y ∈ Rn . Dokaºite da je x ekstremna to£ka skupa K .
Uputa: Dokaºite da je x izloºena to£ka skupa K .
9. Pretpostavimo da zada¢a linearnog programiranja ima slobodnu varijablu xj . Kad tran-
sformiramo tu zada¢u u standardnu formu zamjenom xj = x+ j − xj , xj ≥ 0 pokaºite da
− ±

nova zada¢a ne moºe imati vrh za kojeg su oba x+

j i xj razli£ita od nule.
−

Uputa: Dokaºite da takva to£ka ne moºe biti ekstremna to£ka.

10. Neka je f : Rn → R linearna funkcija i K ⊆ Rn neprazan poliedarski skup. Koriste¢i
(samo) rezultat o reprezentaciji poliedarskog skupa dokaºite tvrdnju: f poprima maksimum
na skupu K ako i samo ako je f ograni£ena odozgo na K .
Uvod u optimizaciju, zadaci za vjeºbu 10

11. Neka je K = P + C rastav poliedarskog skupa K na politop P = conv {v1 , . . . , vk } i konus

C = recK . Dokaºite da se svaki vrh skupa K nalazi mežu v1 , . . . vk .
Rje²enje: Pretpostavimo suprotno: neka je v ∈ K vrh skupa K := {x ∈ Rn : Ax ≤ b} koji
nije jednak niti jednoj od to£aka v1 , . . . vk . Kako je v izloºena to£ka skupa K , to postoji
q ∈ Rn \ {0} takav da za β := qτ v za svaki x ∈ K \ {v}Pvrijedi qτ x < β . Ako je K = {0},
onda za neke skalare λi ≥ 0 £ija je suma 1 imamo v = ki=1 λi vi ²to daje kontradikciju:
k
X
τ
q v= λi qτ vi < β .
i=1

Ina£e, ako je K = C(q1 , . . . qs ), onda je qτ qj ≤ 0 (u suprotnom, ako za neki j imamo qτ qj >

0 onda qτ (v1 + tqj ) → +∞ kad t → +∞ ²to je nemogu¢e zbog qτ x ≤ β , za svaki x ∈ K ).
Sli£no kao u prvom slu£aju dolazimo do kontradikcije: ako je v = ki=1 λi vi + sj=1 tj qj
P P
za neke λi ≥ 0 £ija je suma 1 i neke tj ≥ 0 i , onda je
k
X s
X k
X
τ τ τ
q v= λi q vi + t j q qj ≤ λi qτ vi < β .
i=1 j=1 i=1

12. Neka je poliedarski skup K = {x ∈ Rn : Ax ≤ b} neprazan. Dokaºite da su sljede¢e

tvrdnje ekvivalentne:

a) K ima bar jedan vrh

b) r(A) = n
c) K ne sadrºi pravac
d) recK ne sadrºi pravac.

Rje²enje: (a⇔b) znamo s predavanja (nuºnost slijedi iz denicije vrha, a obratno iz £injenice
da u slu£aju r(A) = n dokaz teorema reprezentacije daje vrhove v1 , . . . , vr ).
(c⇔d) Neka su x ∈ K i q 6= 0. Tada imamo x + tq ∈ K za svaki t ∈ R ako i samo ako (po
deniciji recesivnog smjera) q ∈ recK i −q ∈ recK , a to je ekvivalentno £injenici da recK
sadrºi pravac (sa smjerom q).
(a⇒c) Neka je v vrh skupa K . Pretpostavimo suprotno: K sadrºi pravac. No tada sadrºi
i paralelan pravac to£kom v, ²to daje kontradikciju s £injenicom da je v ekstremna to£ka
skupa K (uzmemo bilo koje dvije to£ke tog pravca, jednako udaljene od v).
(d⇒b) Neka recK ne sadrºi pravac. Pretpostavimo suprotno: r(A) < n − 1, tj. d(A) ≥ 1.
Stoga postoji netrivijalan vektor q iz jezgre matrice A (Aq = 0). No tada je q ∈ recK
(Aq ≤ 0) i −q ∈ recK (−Aq ≤ 0) pa recK sadrºi pravac sa smjerom q.

6. Dualnost u linearnom programiranju

1. Primarna zada¢a glasi
3x1 +2x2 +x3 → min
2x1 +x3 ≥ 3
2x1 +2x2 +x3 = 5
x1 , x2 , x3 ≥ 0.

a) Zapi²ite dualnu zada¢u i pomo¢u uvjeta komplementarnosti dokaºite da je 0, 21 , 4

to£ka minimuma primarne zada¢e.

Uvod u optimizaciju, zadaci za vjeºbu 11

b) Koriste¢i uvjete komplementarnosti odredite skup svih to£aka minimuma primarne

zada¢e. Zapi²ite sve optimalne vrhove primarne zada¢e.

2. Primarna zada¢a linearnog programiranja glasi

−3x1 +x2 +4x3 +6x4 −20x5 → min
x1 −x2 +x4 = 6
−x2 −2x5 ≥ −4
x3 −x5 ≥ 5
2x4 −2x5 ≥ 14
2x2 −6x3 +4x5 ≥ −30
x1 , x2 , x3 , x4 , x5 ≥ 0.
a) Zapi²ite dualnu zada¢u i uvjete komplementarnosti.
b) Ako dualna zada¢a ima optimalnu to£ku y∗ = (−4, 3, 4, 5, 0), odredite optimalnu to£ku
primarne zada¢e koriste¢i uvjete komplementarnosti.
c) Postoji li ekstremna to£ka dopustivog skupa primarne zada¢e £ije su bar 4 komponente
jednake 0?

3. Primarna zada¢a glasi

2x1 + x2 → min
7x1 + x2 ≥ 3
−3x1 + x2 ≥ −4
2x1 + x2 ≥ 6
x1 + x2 ≥ 4
x ≥ 0.
a) Zapi²ite dualnu zada¢u.
b) Pomo¢u uvjeta komplementarnosti ispitajte je li to£ka x = (1, 4) optimalna za pri-
marnu zada¢u.
c) Je li x vrh poliedarskog skupa gornje primarne zada¢e?

4. Dokaºite da se dualna zada¢a zada¢e

bτ y → min
Aτ y = 0
1τ y = 1
y ≥ 0.
moºe iskoristiti za nalazak vrha skupa danog uvjetima Ax ≤ b.

5. Dokaºite da za zada¢e
zτ x → max zτ x → max
i ,
Ax ≤ b Ax ≤ c
gdje su b, c ≥ 0, vrijedi tvrdnja: ili obje zada¢e imaju rje²enje ili ga nema niti jedna.

6. Zada¢i
x1 + x2 + x3 → min
λx1 + x2 + x3 ≥ µ1
x1 + λx2 + x3 ≥ µ2
x1 + x2 + λx3 ≥ µ3
Uvod u optimizaciju, zadaci za vjeºbu 12

zapi²ite i rije²ite dualnu zada¢u u ovisnosti o realnim parametrima λ, µ1 , µ2 , µ3 . Odredite

rje²enje polazne zada¢e.

7. Zada¢u minimizacije
|x1 − x2 | → min
3x1 − x2 ≤ t
x1 ≥ 0 ,
gdje je t realan parametar, zapi²ite kao zada¢u linearnog programiranja. Zapi²ite i rije²ite
dualnu zada¢u u ovisnosti o parametru t i koriste¢i uvjete komplementarnosti odredite
rje²enje polazne zada¢e.

8. Zada¢i
x1 + x2 + βx3 → min
x1 + x2 + x3 ≥ α
x1 + 2x2 + x3 ≥ 1
x1 + x2 + 3x3 ≥ 1
zapi²ite i rije²ite dualnu zada¢u u ovisnosti o realnim parametrima α i β . Pomo¢u uvjeta
komplementarnosti odredite skup svih rje²enja polazne zada¢e.

9. Pretpostavimo da je poliedarski skup K = {x ∈ Rn : Ax ≤ b} neprazan, gdje je A ∈

Mmn (R) i b ∈ Rm . Neka su c ∈ Rn i d ∈ R zadani. Zapi²ite dualnu zada¢u zada¢e
cτ x → max, x ∈ K i dokaºite ekvivalenciju sljede¢ih tvrdnji:
a) Svaki vektor x za kojeg je Ax ≤ b takožer zadovoljava cτ x ≤ d.
b) Postoji vektor y ≥ 0 takav da je Aτ y = c i bτ y ≤ d.

10. Primarna zada¢a glasi

2x1 + 7x2 → max
x1 + x2 ≥ 3
−3x1 + x2 ≤ 2
2x1 + x2 = 7
x1 + 2x2 ≤ 5
x ≥ 0.
a) Zapi²ite dualnu zada¢u.
b) Pomo¢u uvjeta komplementarnosti ispitajte je li to£ka x = (3, 1) optimalna za pri-
marnu zada¢u.
c) Zapi²ite i dokaºite tvrdnju o uvjetima komplementarnosti za zada¢u linearnog progra-
miranja koju ste koristili u dijelu b.

11. Primarna zada¢a glasi

5x1 − x2 + x3 → max
x1 + 6x2 + 2x3 ≤8
−x1 + 4x2 − 2x3 ≥ −3
x1 , x2 , x3 ≥ 0.
a) Rije²ite zada¢u simpleks metodom.
b) Zapi²ite dualnu zada¢u i odredite joj rje²enje, koriste¢i dio a).