3 不等式制約下の最大/最小化 max )/最小化( min )を区別して扱う. 目的関数は最大化の場合凹関数,最小 化の場合は凸関数とする. 8 max ff(x(x) )を凹関数とするとき,次の定式化を \正準形" と呼ぶ. < (P ) : sub. to gi(x) bi (i = 1 2 : : : m) m < n x 2 Rn x 0 問題 (P) は LP の場合と同様に,スラック変数を用いて次の (P] ) に書き換えることができる. 8 max f (x) < (P] ) : sub. to gi(x) + si = bi (i = 1 2 : : : m) m < n x 2 Rn s 2 Rm x s 0 x 2 Rn が (P) または (P]) の最適解であるための必要( 十分)条件を考えていく. 本章では 最大化( 3.1 準備 max まず始めに,等式制約が無く非負制約だけの問題 (P ) f (x) (P ) を考える. x 2 Rn x 0 x が x 0 における f (x) の制約無し 最大点( 問題 P の最適解) sub. to =)( 凹関数の場合は () ) 1 変数の場合 x = 0 ) f 0(x ) 0 0 0 x > 0 ) f 0 (x ) = 0 すなわち x 0,x f (x ) = 0,f (x ) 0. n 変数の場合 @f (x ) = 0, @f (x ) 0 ( j = 1 2 : : : n ). xj 0, xj @x @x j j 3.2 等式条件と非負制約( 標準形) (Q) を考える. 8 f (x) < max (Q) : sub. to gi(x) = bi (i = 1 2 : : : m) m < n x 2 Rn x 0 m X 問題 (Q) のラグランジュ関数を L(x ~ ) = f (x) + i ( bi ; gi (x) ) 非負制約のみの場合を基にして,標準形の問題 x i=1 が問題 と定義する. (Q) の最適解 =)( f (x) が凹関数の場合は () ) x が問題 (Q) に対する Karush-Kuhn-Tucker の条件を満たす. すなわち, 9 ~ such that @L (x ~ ) = 0, @L (x ~ ) 0 ( j = 1 2 : : : n ) xj 0, xj @xj @xj @L ~ @i (x ) = 0, ( i = 1 2 : : : m ). { 13 { 3.3 正準形の場合 問題 (P] ) に前節の定理を適用して問題 (P) の最適解の必要条件を求める. f (x) が凹関数の場合, これは必要十分条件となる. 問題 (P) のラグランジュ関数を L(x ~) = f (x) + x が問題 m X i=1 i ( bi ; gi(x) ) と定義する. (P) の最適解 =)( f (x) が凹関数の場合は () ) x が問題 (P) に対する Karush-Kuhn-Tucker の条件を満たす. すなわち, 9 ~ such that @L (x ~ ) = 0, @L (x ~ ) 0 ( j = 1 2 : : : n ) xj 0, xj @xj @xj @L ~ ) = 0, @L (x ~ ) 0, ( i = 1 2 : : : m ). i 0, i ( x @i @i (証明) X (P] ) のラグランジュ関数は K (x s ~) = f (x) + i ( bi ; gi(x) ; si ) である. i=1 ( si は第 i 制約式の slack 変数) 前節の結果より,x 2 Rn s 2 Rm が最適解となる条件は,ある ~ が存在して (a) xj 0 ( j = 1 2 : : : n ) (b) si 0 ( i = 1 2 : : : m ) @K (x s ~ ) = 0 ( j = 1 2 : : : n ) (c) xj @x j @K (d) si @s (x s ~ ) = 0 ( i = 1 2 : : : m ) i @K (e) @x (x s ~ ) 0 ( j = 1 2 : : : n ) j @K (f) @s (x s ~ ) 0 ( i = 1 2 : : : m ) i @K (g) @ (x s ~ ) = 0, ( i = 1 2 : : : m ). m 問題 i である. @L (x ~ ) = 0 と等価. (d) は i @ i (f) は i 0 と等価. @L (x ~ ) 0 と等価. (b) と (g) は @ i (c) と (e) のラグランジュ関数 K は L で置き換えても等価. 以上より (a) ∼ (g) は上で示した (P) に対する Karush-Kuhn-Tucker の条件と等価. { 14 { 3.4 非負鞍点 (P) に対する Karush-Kuhn-Tucker の条件をみると,x ( 0 )は L(x ~ ) の最大 点であり,~ ( 0 )は L(x ~) の最小点であることが想像される. 実際,f (x) が凹関数,gi (x)( i = 1 2 : : : m )が凸関数のとき, L(x ~ ) L(x ~ ) L(x ~) 正準形の問題 が成り立つ. (x ~ ) は L(x ~) の非負鞍点であるという. このとき, ~ が存在して, (x ~ )が 問題 (P) の Lagrangian の非負鞍点 ある x は問題 (P) の最適解 , ある , ~ Karush-Kuhn-Tucker の条件 が存在して, xj 0, @L (x ~ ) = 0, xj @x j @L (x ~ ) 0 @xj ( for j = 1 2 : : : n ) ; | i 0, @L (x ~ ) = 0, | i @i @L ~ | @i (x ) 0 ( for i = 1 2 : : : m ) ; を満たす. 3.5 線形計画問題への適用 線形計画問題の最適解の必要十分条件を求めてみる. =) 双対定理,相補スラック条件,シンプレックス基準 { 15 {
© Copyright 2025 ExpyDoc