ДОСЛІДЖЕННЯ

ОПЕРАЦІЙ
Нелінійне програмування л.7-8
 Класичний метод визначення
екстремуму
Задача нелінійного програмування (задача НП) в загальному вигляді формулюється так:
максимізувати f (x1 , x2 ,  , xn )
при обмеженнях
g1 (x1 , x2 ,, xn )  0 ;
g 2 (x1 , x2 ,, xn ) 0 ;
.......................
g m (x1 , x2 ,, xn ) 0 ;
де функції f (x1 , x2 , , xn ) gi (x1 , x2 ,, xn ) 0 , i = 1, m нелінійні.
,
У задачах НП опуклість допустимої множини і скінченність числа її крайніх точок зовсім
необов’язкові.
Означення 1. Множина точок S1 (x1 , x 2 ,  , x n ) функції f ( x1 , x 2 ,  , x n )
зветься множиною стаціонарних точок, якщо вони задовольняють умові
f (x )
= 0, j = 1, n.
x j
Класичний метод визначення
екстремуму
Означення 2. Нехай R- опукла множина точок n- вимірного простору. Функція f,
визначена на R, зветься опуклою догори (угнутою), якщо для будь-якої пари точок
і довільного x1 , x 2  R 0<=k<=1 виконується нерівність

f kx1 + (1 − k )x 2   k f (x1 ) + (1 − k ) f (x 2 )
(рис. 1)

f kx1 + (1 − k )x 2   k f (x1 ) + (1 − k ) f (x 2 )
Якщо

то функція зветься опуклою (рис. 2).

Якщо вищенаведені нерівності виконуються як строгі, то функція зветься строго
вгнутою або строго опуклою відповідно.
Класичний метод визначення
екстремуму

Рис. 1 Рис. 2
 Класичний метод визначення
екстремуму
■ Ознаки опуклості та вгнутості функції n змінних можна сформулювати у вигляді такої
теореми.
Теорема 1. Диференційована функція f(x) строго вгнута в деякому околі точки
x 0 = (x10 , x20 ,, xn0 ) якщо виконуються такі умови:

f11 (x 0 )  0 ;
f11 (x 0 ) f12 (x 0 ) f11 (x 0 ) f12 (x 0 ) f13 (x 0 )
 0; f 21 (x 0 ) f 22 (x 0 ) f 23 (x 0 )  0.
f 21 (x 0 ) f 22 (x 0 ) f 31 (x 0 ) f 32 (x 0 ) f 33 (x 0 )

І так далі, тобто якщо знаки визначників чергуються починаючи з <0, де

 2 f (x )
f ij (x 0 ) =
xi x j x = x 0 .
Функція f(x) строго опукла в околі точки x0. якщо всі визначники (записані вище) додатні.
Метод множників Лагранжа

■ Метод множників Лагранжа дає змогу відшукувати максимум або мінімум

функції при обмеженнях-рівностях.
мінімізувати f (x1 , x 2 ,  , x n )
при обмеженнях
h1 (x1 , x 2 , , x n ) = 0, Припустимо, що усі функції f, h1, h2, …, hm – диференційовні.
Введемо набір змінних λ1, λ2, …, λm (число яких дорівнює
h2 (x1 , x 2 ,, x n ) = 0, числу обмежень), які мають назву множників Лагранжа і
 складемо функцію Лагранжа такого вигляду:
hm (x1 , x 2 , , x n ) = 0.
L ( x 1 , x 2 ,  , x n , 1 ,  2 ,  ,  m ) =

= f (x1 , x 2 ,  , x n ) +   i hi (x1 , x 2 ,  , x n )
m

i =1
Метод множників Лагранжа

0 0 0

■ Справедливе таке твердження: для того щоб вектор x = x1 , x 2 ,  , x n був
0

розв’язком вищенаведеної задачі, необхідно, щоб існував такий вектор,

 
Λ 0 = 10 ,  02 ,  ,  0m , що пара векторів задовільняла б системі рівнянь

( )
L x 0 , Λ 0
= 0, j = 1, n ;
x j

(
L x 0 , Λ 0 )
= 0, i = 1, m.
 i
Задача нелінійного програмування
при обмежених нерівностях
■ Теорема Куна-Таккера. Розглянемо випадок задачі із обмеженнями
нерівностями вигляду
мінімізувати f(x)
при обмеженнях
g i (x)  0 , i = 1, m .
У точці мінімума x* нерівності gi(x) можуть виконуватись як рівності або строгі
нерівності.
Умови оптимальності розв’язків задач НП формулюються в наступній теоремі,
яка відіграє винятково важливу роль в теорії нелінійного програмування.
Задача нелінійного програмування
при обмежених нерівностях
■ Теорема Куна-Таккера. Нехай функції gi(x) мають неперервні частині похідні на
деякій відкритій множині Rn, яка містить точку х*. Якщо х* є точкою мінімума
функції f(x) при обмеженнях g i (x)  0 , i = 1, m ,. що задовільняють умові регулярності у
вигляді лінійної незалежності векторів g i (x * ) , то існують такі невід’ємні
множники Лагранжа λ1, λ2, …, λm, що
m
f (x ) +   i g i (x * ) = 0;
*

i =1

m
  i g i (x * ) = 0 ,  i  0 , i = 1, m .
i =1
Задача нелінійного програмування
при обмежених нерівностях
■ Сідлова точка і задача нелінійного програмування
m
■ Розглянемо функцію Лагранжа L(x, Λ) = f (x) +   i g i (x) .
i =1
Означення 3. Пара векторів x*, Λ*, x є R(n) виконується умова

L(x * , Λ )  L(x * , Λ * )  L(x, Λ * ) .

Вищенаведена нерівність називається нерівністю для сідлової точки. Очевидно,
що в сідловій точці виконується умова

L(x * , Λ * ) = max minn L(x, Λ) = minn max L(x, Λ) .

Λ  0 xR xR Λ0
Задача нелінійного програмування
при обмежених нерівностях
■ Застозування теореми Куна-Таккера для задачі опуклого програмування
■ Нехай задача НП має вигляд
мінімізувати f(x)
при обмеженнях
g i ( x)  0 , i = 1, m .

x  0,
Теорема 2. Нехай задачу НП задану у вигляді вищенаведеної задачі, а функції f(x)
та gi(x) диференційовані та опуклі (по х). Вектор х0 >=0 є оптимальним розв’язком
задачі НП тоді і тільки тоді, коли існує такий вектор Λ0 >=0, що пара (х0, Λ0) є
сідловою точкою функції Лагранжа, тобто виконуються такі умови:
Задача нелінійного програмування
при обмежених нерівностях
L(x 0 , Λ 0 )
 0 , j = 1, n ;
x j

L(x 0 , Λ 0 ) 0
 x j = 0 , j = 1, n ;
x j

L(x 0 , Λ 0 )
= g i (x 0 )  0 , i = 1, m ;
 i

L(x 0 , Λ 0 ) 0
  i = g i (x 0 )0i = 0 , i = 1, m ;
 i
Задача нелінійного програмування
при обмежених нерівностях
■ Задача мінімізувати f(x)
при обмеженнях
g i ( x)  0 , i = 1, m .
x  0,
за умов, що всі f(x) та gi(x) – опуклі функції, є задачею опуклого програмування.
Розглянемо задачу вгнутого програмування. f(x) та gi(x) вгнуті по х.
максимізувати f(x)
при обмеженнях
g 1 ( x)  0 , 

g 2 ( x)  0 ,  x  0 ,

 
g m (x)  0 ,
Задача нелінійного програмування
при обмежених нерівностях
■ Нехай задано задачу вгнутого програмування, а функції f(x) та gi(x) –
диференційовані. Для того щоб вектор х0 був оптимальним, розв’язком цієї задачі
необхідно, щоб існував такий вектор Λ 0  0 , для якого виконувались б такі
умови:
L(x , Λ )
0 0  L ( x 0
, Λ 0
)
 0 , j = 1, n ; = g i (x 0 )  0 , i = 1, m ;
x j  i

L(x 0 , Λ 0 ) 0 L(x 0 , Λ 0 ) 0
 x j = 0 , j = 1, n ;   i = g i (x 0 )0i = 0 , i = 1, m ;
x j  i
Якщо функції f(x) та gi(x) вгнуті, то вищенаведені умови є водночас достатніми.
Квадратичне програмування

■ До задач квадратичного рпограмування наллежить спеіальний клас задач НП, в

яких цільова функція f(x) квадратична та вгнута (або опукла) а всі обмеження
лінійні.
■ Застосувавши до цієї задачі теорему Куна-Таккера одержимо умови для
оптимального розв’язку у вигляді системи лінійних рівнянь, розв’язати які можна
симплекс-методом.
Квадратичне програмування

■ У матричному вигляди ця задача записується так:

Максимізувати
n
1 T 1
f (x) = b x + x Cx =  b j x j +   cij xi x j
T

2 j =1 2 j i
Ax  A 0 ,
x0,
де C = c kj , k = 1, n , j = 1, n - симетрична від’ємно визначена матриця.
Зазначимо, що коли С – від’ємно визначена матриця, то квадратична форма x T Cx
вгнута (опукла догори). Отже вищенаведена задача є задачею вгнутого
програмування.  b1   a10 
b  a 
b =  2; A ( m n )
= a ij , i = 1, n , j = 1, n ; A 0 =  20  .
   
   
bn  a m 0 
Квадратичне програмування

■ Теорема 3. Вектор x0>=0 є оптимальним розв’язком задачі квадратичного

програмування тоді і тільки тоді, коли існують такі m-вимірні вектори Λ  0, W  0
і n-вимірний вектор V>=0, що виконуються такі умови:
1) b + Cx − A T Λ + V = 0;
2) A 0 − Ax − W = 0;
3) V T x = 0;
4) W T Λ = 0.
Зазначимо, що умови 1), 2) утворюють стосовно змінних x, Λ, V, W систему
(n+m) рівнянь з 2(n+m) невідомими.
■ Із умов 3), 4) випливає, що принаймні n змінних із X, V та m змінних серед Λ, W
дорівнюють нулю.
Квадратичне програмування

■ Отже, існує оптимальний розв’язок задачі, то він має бути одним з базисних розв’язків 1),
2) . Оскільки для знаходження допустимого базисного розв’язку можна застосувати
симплекс-метод, то цей метод (як і інші методи ЛП) придатний для розв’язання задач
квадратичного програмування.
■ Запишемо 1), 2) у вигляді Cx − A T Λ + V = −b,
Ax + W = A 0 .

■ Для відшукання початкового базису системи застосовуємо метод штучних

змінніх. Введемо штучні зміни Z =  z1 , z 2 ,  , z n  і Y =  y1 , y 2 ,  , y m 
Матимемо таку систему:
Cx − A T Λ + V + Z = −b,

Ax + W + Y = A 0 . 
Квадратичне програмування

■ При цьому знаки перед компонентами векторів Z, Y вибираємо одинаковими із

знаками відповідних компонентів вільних членів
m
-nb та A0
■ Побудувавши псевдоцільову функцію Z =  Myi +  Mz j
виводимо з базису
штучні змінні  y i ,  z j  і вводимо X, V, Λ, W. При цьому слід враховувати умови
i =1 j =1

доповняльної нежорсткості X T V = 0; Λ T W = 0.

■ Якщо вдається вивести з базису всі штучні змінні і при цьому задовольняються
умови 3), 4) теореми 3, то знайдений базисний розв’язок є оптимальним.
Алгоритм

■ Крок 1. Записуємо функцію Лагранжа.

■ Крок 2. Визначаємо характер функції. Нехай вона – вогнута.
■ Крок 3. Застосовуємо теорему Куна-Таккера та записуємо умови оптимальності.
Приводимо обмеження до канонічного вигляду для цього в обмеження пов’язані
з вектором х вводимо вектор v. В обмеження зв’язані з вектором Λ, вводимо
вектор W. Отримуємо систему:
−𝐶𝑋 + 𝐴𝑇Λ − 𝑉 = 𝐵
ቊ
𝐴𝑋 + 𝑊 = 𝐴0
Необхідно знайти розв’язок системі при умовах доповняльної нежорсткості.
Алгоритм

■ Крок 4. У систему вводимо штучні змінні та створюємо псевдоцільову функцію.

−𝐶𝑋 + 𝐴𝑇 Λ − 𝑉 + 𝑦 = 𝐵
ቊ
𝐴𝑋 + 𝑊 + 𝑧 = 𝐴0
Псевдоцільова функція: min(𝑀 σ𝑛𝑗=1 𝑦𝑗 + 𝑀 σ𝑚
𝑖=1 𝑧𝑖 )
■ Крок 5. Розв’язуємо задачу симплекс-методом. Як тільки усі штучні змінні будуть
виведені з базису, то отримано початкове допустиме рішення. Перевіряємо, чи
виконуються умови доповняльної нежорсткості. Якщо виконуються, то цей
розв’язок і буде оптимальним. У іншому випадку необхідно продовжити
розв’язання, причому, якщо xjvj<>0, то необхідно або xj, або vj вивести з базису та
провести ітерацію методом Гаусса.
Приклад
f ( x1 , x 2 ) = max( x1 + 2 x 2 − x12 − x 22 )

x1 + 2 x 2  16,  16 − x1 − 2 x 2  0,
 
x1 + x 2 = 8,  → 8 − x1 − x 2 = 0, 
x1  0, x 2  0, x1  0, x 2  0.  

 2 f ( x) f11 f12 −2 0 то f(x1,x2) вогнута, і ця задача

f11 = = −2  0, = = 4  0, є задачею квадратичного
x1 2
f 21 f 22 0 −2
програмування
 Приклад
f ( x1 , x 2 ) = max( x1 + 2 x 2 − x12 − x 22 )

x1 + 2 x 2  16,  16 − x1 − 2 x 2  0,
 
x1 + x 2 = 8,  → 8 − x1 − x 2 = 0, 
x1  0, x 2  0, x1  0, x 2  0.  

Побудуємо функцію Лагранжа

L( x1 , x 2 , 1 ,  2 ) = ( x1 + 2 x 2 − x12 − x 22 ) + 1 (16 − x1 − 2 x 2 ) + 2 (8 − x1 − x 2 ).
Приклад
L( x1 , x 2 , 1 ,  2 ) = ( x1 + 2 x 2 − x12 − x 22 ) + 1 (16 − x1 − 2 x 2 ) + 2 (8 − x1 − x 2 ).

Застосувавши теорему Куна-Таккера, одержимо такі умови для оптимального розв’язку

L 
= 1 − 2 x1 − 1 −  2  0;  та умови доповняльної нежорсткості
x1
 L L L
L   x1 = 0;  x2 = 0;  1 = 0.
= 2 − 2 x 2 − 21 − 2  0;
x 2  x1 x2 1

L 
= 16 − x1 − 2 x 2  0;
1 

L 
= 8 − x1 − x 2 = 0.
1 2 
Приклад

■ Увівши у систему з обмеженнями вільні зміни v1, v2, w1 дістанемо таку систему:

1 − 2𝑥1 − λ1 − λ2 + 𝑣1 = 0
2 − 2𝑥2 − 2λ1 − λ2 + 𝑣2 = 0 та умови доповняльної нежорсткості
16 − 𝑥1 − 2𝑥2 − 𝑤1 = 0 x1  v1 = 0; x2  v2 = 0; 1  w1 = 0.
8 − 𝑥1 − 𝑥2 = 0

■ Друге обмеження в умові задачі виконується як строга рівність, тому немає

обмеження на знак змінної λ2. Проте оскільки симплекс-метод дає змогу
знаходити лише невід’ємні базисні розв’язки, то зробимо заміну змінних
 2 = 3 −  4 ; 3  0;  4  0
Приклад

■ Запишемо систему в еквівалентному вигляді

1 − 2𝑥1 − λ1 − λ3 +λ4 + 𝑣1 = 0
2 − 2𝑥2 − 2λ1 − λ3 +λ4 + 𝑣2 = 0
16 − 𝑥1 − 2𝑥2 − 𝑤1 = 0
8 − 𝑥1 − 𝑥2 = 0

Треба знайти ДБР цієї системи з урахуванням обмежень доповняльної

нежорсткості. Для цього застосуємо метод штучних змінних. Введемо штучні
змінні y1, y2, y3 в перше, друге та четверте обмеження.
Приклад

■ В результаті отримуємо таку задачу ЛП:

Мінімізувати M(y1+y2+y3)
2 x1 + 1 − 3 +  4 − v1 + y1 = 1,
2 x 2 + 21 − 3 +  4 − v 2 + y 2 = 2
x1 + 2 x 2 + w1 = 16,
x1 + x 2 + y 3 = 8.
Приклад
■ Розв’язуємо задачу симплекс методом.

0 0 0 0 0 0 0 0 0 M M M

Bx А0 х1 х2 λ1 λ3 λ4 v1 v2 w1 y1 y2 y3

0 w1 16 1 2 0 0 0 0 0 1 0 0 0

M y1 1 2 0 1 1 -1 -1 0 0 1 0 0

M y2 2 0 2 2 1 -1 0 -1 0 0 1 0

3M y3 8 1 1 0 0 0 0 0 0 0 0 1

 11M 3M 3M 3M 2M -2M -M -M 0 0 0 0
Приклад
■ Розв’язуємо задачу симплекс методом.

0 0 0 0 0 0 0 0 0 M M

Bx А0 х1 х2 λ1 λ3 λ4 v1 v2 w1 y2 y3

0 w1 31/2 0 2 -1/2 -1/2 1/2 1/2 0 1 0 0

0 x1 1/2 1 0 1/2 1/2 -1/2 -1/2 0 0 0 0

M y2 2 0 2 2 1 -1 0 -1 0 1 0

M y3 15/2 0 1 -1/2 -1/2 1/2 1/2 0 0 0 1

 19/2 M 0 3M 3/2M 1/2M -1/2M 1/2M -M 0 0 0

Приклад
■ Розв’язуємо задачу симплекс методом.

0 0 0 0 0 0 0 0 0 M

Bx А0 х1 х2 λ1 λ3 λ4 v1 v2 w1 y3

0 w1 27/2 0 0 -5/2 -3/2 3/2 1/2 1 1 0

0 x1 1/2 1 0 1/2 1/2 -1/2 -1/2 0 0 0

0 x2 1 0 1 1 1/2 -1/2 0 -1/2 0 0

M y3 13/2 0 0 -3/2 -1 1 1/2 1/2 0 1

 13/2M 0 0 -3/2M -M M 1/2M 1/2M 0 0

Приклад

Bx A0
0 w1 15/4
0 x1 15/4
0 x2 17/4
0 λ4 13/2

Приклад на парі

■ min −2𝑥1 − 4𝑥2 + 𝑥12 + 2𝑥22

■ 𝑥1 + 2𝑥2 ≤ 20
■ 𝑥1 + 𝑥2 ≥ 8
■ 𝑥1 , 𝑥2 ≥ 0

■ −20 + 𝑥1 + 2𝑥2 ≤ 0
■ 8 − 𝑥1 − 𝑥2 ≤ 0
■ 𝑥1 , 𝑥2 ≥ 0
Приклад на парі

■ F= −2𝑥1 − 4𝑥2 + 𝑥12 + 2𝑥22

𝜕2 𝑓
■ ∆1 = =2>0
𝜕𝑥1 𝜕𝑥1
𝜕2 𝑓 𝜕2 𝑓
𝜕𝑥1 𝜕𝑥1 𝜕𝑥1 𝜕𝑥2 2 0
■ ∆2 = = = 8 >0
𝜕2 𝑓 𝜕2 𝑓 0 4
𝜕𝑥2 𝜕𝑥1 𝜕𝑥2 𝜕𝑥2
Приклад на парі

■ min −2𝑥1 − 4𝑥2 + 𝑥12 + 2𝑥22

■ −20 + 𝑥1 + 2𝑥2 ≤ 0
■ 8 − 𝑥1 − 𝑥2 ≤ 0
■ 𝑥1 , 𝑥2 ≥ 0

■ 𝐿 = −2𝑥1 − 4𝑥2 + 𝑥12 + 2𝑥22 + λ1 (−20 + 𝑥1 + 2𝑥2 ) + λ2 (8 − 𝑥1 − 𝑥2 )

Приклад на парі

■ 𝐿 = −2𝑥1 − 4𝑥2 + 𝑥12 + 2𝑥22 + λ1 (−20 + 𝑥1 + 2𝑥2 ) + λ2 (8 − 𝑥1 − 𝑥2 )

■ Умови за теоремою Куна-Таккера
𝜕𝐿
■ = −2 + 2𝑥1 + λ1 - λ2 ≥ 0
𝜕𝑥1
𝜕𝐿
■ = −4 + 4𝑥2 + 2λ1 - λ2 ≥ 0
𝜕𝑥2
𝜕𝐿
■ = −20 + 𝑥1 + 2𝑥2 ≤ 0
𝜕λ1
𝜕𝐿
■ = 8 − 𝑥1 − 𝑥2 ≤ 0
𝜕λ2
Приклад на парі

■ 𝐿 = −2𝑥1 − 4𝑥2 + 𝑥12 + 2𝑥22 + λ1 (−20 + 𝑥1 + 2𝑥2 ) + λ2 (8 − 𝑥1 − 𝑥2 )

■ Умови доповняльної нежорсткості
𝜕𝐿
■ 𝑥 =0
𝜕𝑥1 1
𝜕𝐿
■ 𝑥 =0
𝜕𝑥2 2
𝜕𝐿
■ λ =0
𝜕λ1 1
𝜕𝐿
■ λ =0
𝜕λ2 2
Приклад на парі

■ 𝐿 = −2𝑥1 − 4𝑥2 + 𝑥12 + 2𝑥22 + λ1 (−20 + 𝑥1 + 2𝑥2 ) + λ2 (8 − 𝑥1 − 𝑥2 )

𝜕𝐿
■ = −2 + 2𝑥1 + λ1 - λ2 ≥ 0 => −2 + 2𝑥1 + λ1 - λ2 − 𝑣1 = 0
𝜕𝑥1
𝜕𝐿
■ = −4 + 4𝑥2 + 2λ1 - λ2 ≥ 0 => −4 + 4𝑥2 + 2λ1 - λ2 − 𝑣2 = 0
𝜕𝑥2
𝜕𝐿
■ = −20 + 𝑥1 + 2𝑥2 ≤ 0 => −20 + 𝑥1 + 2𝑥2 + 𝑤1 = 0
𝜕λ1
𝜕𝐿
■ = 8 − 𝑥1 − 𝑥2 ≤ 0 => 8 − 𝑥1 − 𝑥2 + 𝑤2 = 0
𝜕λ2
Приклад на парі

■ Умови доповняльної нежорсткості:

■ 𝑥1 𝑣1 = 0
■ 𝑥2 𝑣2 = 0
■ λ1 𝑤1 = 0
■ λ2 𝑤2 = 0
Приклад на парі

■ 2𝑥1 + λ1 - λ2 − 𝑣1 = 2
■ 4𝑥2 + 2λ1- λ2 − 𝑣2 = 4
■ 𝑥1 + 2𝑥2 + 𝑤1 = 20
■ 𝑥1 + 𝑥2 − 𝑤2 = 8

MIN(My1+My2+My3)
■ 2𝑥1 + λ1 - λ2 − 𝑣1 + 𝑦1 = 2
■ 4𝑥2 + 2λ1- λ2 − 𝑣2 + 𝑦2 = 4
■ 𝑥1 + 2𝑥2 + 𝑤1 = 20
■ 𝑥1 + 𝑥2 − 𝑤2 + 𝑦3 = 8
Приклад на парі

0 0 0 0 0 0 0 0 M M M
Bx A0 x1 x2 λ1 λ2 V1 v2 w1 w2 y1 y2 Y3
M Y1 2 2 0 1 -1 -1 0 0 0 1 0 0
M Y2 4 0 4 2 -1 0 -1 0 0 0 1 0
0 W1 20 1 2 0 0 0 0 1 0 0 0 0
M Y3 8 1 1 0 0 0 0 0 -1 0 0 1
14M 3M 5M 3M -2M -M -M 0 -M 0 0 0
Приклад на парі

0 0 0 0 0 0 0 0 M M
Bx A0 x1 x2 λ1 λ2 V1 v2 w1 w2 y1 Y3
M Y1 2 2 0 1 -1 -1 0 0 0 1 0
0 x2 1 0 1 0.5 -0.25 0 - 0 0 0 0
0.25
0 W1 18 1 0 -1 0.5 0 0.5 1 0 0 0
M Y3 7 1 0 -0.5 0.25 0 0.25 0 -1 0 1
9M 3M 0 0.5 -0.75M -M 0.25 0 -M 0 0
M M
Приклад на парі

0 0 0 0 0 0 0 0 M
Bx A0 x1 x2 λ1 λ2 V1 v2 w1 w2 Y3
0 x1 0.5 1 0 0.5 -0.5 -0,5 0 0 0 0
0 x2 1 0 1 0.5 -0.25 0 - 0 0 0
0.25
0 W1 17.5 0 0 -1.5 1 0.5 0.5 1 0 0
M Y3 6.5 0 0 -1 0.75 0.5 0.25 0 -1 1
6.5 0 0 -M 0.75M 0.5 0.25 0 -M 0
M M M
 𝑥1 𝑣1 = 0
𝑥2 𝑣2 = 0
Приклад на парі λ1 𝑤1 = 0
λ2 𝑤2 = 0

0 0 0 0 0 0 0 0
Bx A0 x1 x2 λ1 λ2 V1 v2 w1 w2
0 x1 0.5+8.67/2=4.84 1 0 0.5 -0.5+1/2=0 -0,5 0 0 0
0 x2 1+8.67/4=3.17 0 1 0.5 -0.25+1/4 =0 0 - 0 0
0.25
0 W1 17.5-8.67=8.83 0 0 -1.5 1-1=0 0.5 0.5 1 0
0 λ2 6.5*1.33 =8.67 0 0 -4/3 0.75*1.33 = 1 0.5 0.25 0 -1

■ X1 = 4.84
■ X2 = 3.17
■ min −2𝑥1 − 4𝑥2 + 𝑥12 + 2𝑥22 =-2*4.84 – 4*3.17 + 4.84*4.84+2*3.17*3.17=21,16
Домашнє завдання

■ min 2𝑥12 + 2𝑥22 − 4𝑥1 − 6𝑥2

■ 𝑥1 + 𝑥2 ≤ 2
■ 𝑥1 + 5𝑥2 ≤ 5
■ 𝑥1 , 𝑥2 ≥ 0