Professional Documents
Culture Documents
Uopt Zadaci Za Vjezbu
Uopt Zadaci Za Vjezbu
Uopt Zadaci Za Vjezbu
10x + y ≥ 10
5x + 4y ≥ 20
3x + 7y ≥ 21
x + 12y ≥ 12
x, y ≥ 0,
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
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
−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
.
a)
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.
∗ ∗
3. Dokaºite tvrdnju: Ako skup C nije konveksan tada postoji to£ka x ∈ Rn \ C koja se ne
moºe strogo separirati od skupa C .
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.
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 prijeemo 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
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 .
V = C(q1 , . . . , qd , −q1 − · · · − qd ) .
Uvod u optimizaciju, zadaci za vjeºbu 6
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
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
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:
Rez: d) α = − 21 .
C = {x ∈ R3 : x1 − x2 − x3 ≤ 0 , x1 − 2x2 + x3 ≤ 0 , x ≥ 0} .
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
−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.
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).
7. Neka je S ⊆ {0, 1}n i P = conv S . Dokaºite da je skup svih vrhova skupa P upravo skup
S.
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.
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
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.