Optimalizálási eljárások MSc hallgatók számára Előadás
|
|
- Dezső Kerekes
- 6 évvel ezelőtt
- Látták:
Átírás
1 Optimalizálási eljárások MSc hallgatók számára 2 3. Előadás Előadó: Hajnal Péter február Dualizálás Tekintsük az alábbi, explicit feltételekkel megadott optimalizálási feladatot, amelyet (későbbi okok miatt) (P)-vel jelölünk: c(x)-et feltéve, hogy f i (x) 0, i = 1,..., k g j ((x) = 0, j = 1,..., l, (P) ahol x R n, c : dom(c)( R n ) R, x = (x 1,...,x n ) T, f i és g j pedig n változós valós értékű függvények. Bevezetünk egy tömör és egyszerű jelölésmódot. Legyen f 1 f =. : k i=1domf i R n R k, és g =. : l j=1domg j R n R l f k Ezen írásmóddal felírva a feladatunk az alábbi alakot ölti: g 1 g l c(x)-et Feltéve, hogy f(x) 0, g(x) = 0. Megjegyzés. Jó mindig szem előtt tartani, hogy mit takar a tömör jelölés. A fentiekben például a 0 jelek R k illetve R l -beli nulvektorokat jelentenek; de sem a nullvektorokat, sem a nullmátrixokat nem jelezzük speciálisan ezen előadásban, a 0 mindig olyan 0-t jelöl, ami értelemszerűen adódik a környezetből. A következőkben új változókat fogunk bevezetni a feltételekhez. Minden egyenlőtlenséghez tartozni fog egy λ i és minden egyenlőséghez tartozni fog egy µ i. Ezeket Lagrange-multiplikátoroknak vagy másképpen duális változónak nevezzük. Az előbbiekhez hasonlóan élni fogunk most is a vektoros jelölésmóddal: λ 1 λ =. λ k, µ = µ 1. Bevezetjük az optimalizálási feladathoz tartozó Lagrange-függvény fogalmát. Definíció. L(x; λ, µ) = c(x) + k λ i f i (x) + i=1 µ l. l µ j g j (x) = c(x) + λ T f(x) + µ T g(x). j=
2 A Lagrange-függvény értelmezési tartománya megegyzik a kiinduló, (P) optimálizálási feladat értelmezési tartományával, amit D-vel jelöltünk. A következő észrevétel egyszerű, de fontos: Megjegyzés. Ha x lehetséges megoldás (azaz x L), továbbá 0 λ, akkor teljesül a c(x) L(x; λ, µ) egyenlőtlenség. Valóban: Mivel x L, ezért minden j-re g j (x) = 0 és így µ j g j (x) = 0. Minden i-re λ i 0, továbbá f i (x) 0, ebből λ i f i (x) 0. Ha ehhez hozzátesszük, hogy c(x) = c(x) és összegezzük az eddigieket, akkor épp az alábbi adódik: L(x, λ, µ) c(x). Tehát minden nemnegatív kordinátájú λ és tetszőleges µ-vel egy alsó becslést kapunk c(x)-re L kiértékelésével. Előnyös, ha alsó becslésünk nem függ x-től. A következő definíció alsó becslésünket csak a duális változóktól függővé teszi. Definíció (Lagrange-célfüggvény/Duális célfüggvény). c(λ, µ) = inf L(x, λ, µ). x D Vegyük észre, hogy ez is egy optimalizálási feladatot jelent, de ennek nincsenek feltételei, " a feltételek be vannak építve a célfüggvénybe". Az előző észrevételből rögtön adódik, hogy x L és λ 0 esetén c(x) c(λ, µ). Ez azért van így, mert c(x) L(λ, µ, x) c(λ, µ). Definiáljuk a (P) probléma duálisát. Definíció (Duális optimalizálási feladat). c(λ, µ)-t feltéve, hogy λ 0. (D) A duális problémát (D)-vel jelöljük, optimális értékét pedig d -gal. (Az eredeti (P) probléma a primál feladat; ennek optimális értéke p ). 1. Tétel (Gyenge dualitás tétel). p d. Bizonyítás. A korábbiak alapján nyilvánvaló. A duális feladat célfüggvénye " garantáltan szép", minimalizálási feladatként megfogalmazva a célfüggvény konvex lesz: c(λ, µ)-et Feltéve, hogy λ Tétel. c(λ, µ) konkáv, azaz c(λ, µ) konvex. Bizonyítás. Gyakorlaton belátjuk. Igen sokszor a gyenge dualitás tétel egyenlőséggel teljesül. Ekkor azt mondjuk, hogy erős dualitás igaz. Ez azonban nem szükségszerű. Amikor p d > 0 akkor azt mondjuk, hogy (pozitív) dualitási hézag van
3 2. Példák dualizálásra 3. Példa (Lineáris Programozás egyenlőség és előjel feltételekkel). Feltéve, hogy c T x-et Ax = b x 0 Ebben az esetben a Lagrange-függvény: L(λ, µ, x) = c λ T x + µ T (Ax b) = (c T λ T + (A T µ) T )x µ T b = (c λ + A T µ) T x b T µ. A duális célfüggvény (λ, µ) helyen vett értékének meghatározásához egy lineáris függvény globális minimumát kell venni. Kitérő: Feladatunk az a T x + α függvény minimalizálása. Egy változós lináris függvények (globális) minimalizálása jól vizualizálható. A grafikon egy egyenes. Ha ez a grafikon egy vízszintes egyenes (függvényünk egy α konstans), akkor α a minimum. Más esetben tetszőlegesen kis értéket felvehet függvényünk. Több változó esetén hasonló a helyzet. Ha az együtthatók vektora a 0-vektor, akkor lineáris függvényünk konstans. Ha a valamelyik koordinátája (valamelyik x i együtthatója) nem 0, akkor a lineáris függvény bármilyen kicsi értéket felvehet. A kitérő után a dualizált felírása egyértelmű: c(λ, µ) = inf x R n(c λ + AT µ) T x b T µ = A duális feladat: Azaz ekvivalens módon: Azaz ekvivalens módon: b T µ, ha c λ + A T µ = 0,, c(λ, µ)-et Feltéve, hogy λ 0 b T µ-et Feltéve, hogy c λ + A T µ = 0 λ 0 b T µ-et Feltéve, hogy c + A T µ 0 különben
4 4. Példa (Lineáris programozás egyenlőtlenség feltételekkel). c T x-et Feltéve, hogy Ax b. Kapjuk, hogy L (x, λ) = c T x + λ T (Ax b) = ( c + A T λ ) T x b T λ. Ekkor A duális feladat: c(λ) = b T λ, ha c + A T λ = 0,, különben.. b T λ-et Feltéve, hogy c + A T λ = 0 λ 0. Ekvivalens módon: b T λ-et Feltéve, hogy c + A T λ = 0 λ 0. Az előző két példában az LP feladat talán két legelterjedtebb normálalakját dualizáltuk. Mindkettő ugyanazt a problémakört formalizálja. A különböző alak miatt a dualizálás más úton haladt. Kiderült, hogy a két alak egymás duálisa. Operációkutatás tárgyból az is ismert lehet, hogy a mindig igaz gyenge dualitás mellett sokszor erős dualitás teljesül LP feladatok esetén. Az egyetlen lehetőség pozitív dualitási hézagra az, amikor p = és d = egyszerre teljesül. Azaz ha bármelyik feladatnak véges optimuma van, akkor a másiknak is, és a két optimális érték egybeesik. 5. Példa (Folyam-probléma). Emlékeztetőül felidézzük a Diszkrét matematikából tanultakat. H = ( G, s, t, c) egy hálózat, ahol G egy irányított gráf, s és t ezen gráf két kitüntetett csúcsa (forrás és nyelő), c pedig kapacitás függvény. c : E( G) R c R E( G) A folyam minden élhez egy anyagmennyiséget rendel úgy, hogy ez 0 és a megfelelő él kapacitása között legyen (kapacitás feltételek). Továbbá úgy, hogy a forrás és nyelő csúcsoktól eltérő pontokban teljesüljön az anyagmegmaradás törvénye. Keressük az f folyamot, melynek értéke maximális. Az f : E( G) R folyam-függvény leírható f R E( G), azaz x = (f(e 1 ),..., f(e m )) T R E vektorként. A kapacitások is kezelhetők vektorként. A kapacitásfeltételtek algebraizálása: 0 x c. A megmaradási törvény is algebrai alakba írhatók: e e:skex x e = 0 minden x V \s, t}-re. e:sbe 2 3-4
5 A célfüggvény/f folyam értéke c(x) = é(f) = e:skex e e:sbe A nyilvánvaló formalizálásba egy kis csavart" viszünk be. Tekintsük a hálózat " alábbi módosítását: G-be behúzunk egy végtelen kapacitású extra élet (kapacitás feltétel nélküli élet), amely a t-ből s-be vezet. x e. 1. ábra. Ebben a G + gráfban egy adott folyam a régi éleken maradjon meg, az e + élen pedig értéknyi anyagmennyisége legyen. Így minden csúcsban teljesül a megmaradási törvény (hálózatunk egy úgy nevezett cirkuláció). Legyen x + = ( x v) az új élnek megfelelő változóval kibővített változóvektor, azaz az új koordináta v = é(f), a folyam értéke. Jelölje A a G, illetve A + a G + gráf illeszkedési mátrixát. A folyam probléma a következő: v,-et Feltéve, hogy 0 x c, A + x + = 0. A mátrixos alakban írt lineáris egyenletrendszernek V sok egyenletet takar, a most más az összes csúcsra felírt megmaradási törvényt. A dualizáláshoz használt szokásos alak: A Lagrange-függvény: v,-et Feltéve, hogy x 0, x c 0, A + x + = 0. L(x + ; λ 1, λ 2, µ) = v + λ T 1 ( x) + λt 2 (x c) + µt A + x + }} (A T + µ)t x + }} (A T µ) T x+(µs µ t )v = ( 1 + µ s µ t )v + (λ 2 λ 1 + A T µ) T x λ T 2 c = 2 3-5
6 Innen a duális célfüggvény pedig λ T 2 c, ha ( 1 + µ s µ t ) = 0 és λ 2 λ 1 + A T µ = 0 c =, különben A (D) duális feladat: λ T 2 c-et Feltéve, hogy µ s µ t = 1 Az alábbiakban teszünk pár észrevételt. λ 2 = λ 1 A T µ λ 1, λ 2 0 Észrevétel. A cél, hogy minél kisebb λ 2 komponenseink legyenek, azaz a (nemnegatív) változóvektor koordinátái minél közelebb legyenek 0-hoz. Ehhez elegendő a µ komponenseket jól megválasztani. A λ 1 és λ 2 változók választása a józan ész által előírt: Ha (A T µ) i 0, akkor (λ 1 ) i = (A T µ) i az optimális választás (ekkor (λ 2 ) i = 0). Ha pedig (A T µ) i < 0, akkor (λ 1 ) i = 0 juttat a " legjobb" (λ 2 ) i -hez. Észrevétel. Létezik egész komponensű optimális hely. Ez nem egyszerű. Később a félév során bebizonyítjuk. Észrevétel. A dualizált feladat feltételrendszerének feltételeiben csak két µ koordináta különbsége szerepel. Minden uv élre (λ 1 ) v (λ 1 ) u fordul elő és az az előnyös ha ez a különbség amennyiben negatív minél közelebb legyen 0-hoz. c Ha µ R v egy lehetséges megoldás, akkor tetszőleges c konstansra µ + c. = c µ + c 1 T is az, sőt egyenértékű a kiinduló µ-vel. Ilyen eltolások miatt feltehető, hogy a µ vektorra µ s = 1 és µ t = 0 (normálás). Továbbá legyen 1 z 1 k : Z 0, 1} Z, k(z) = 0 z 0 egy " kontrakció" függvény. Ha µ lehetséges megoldás, akkor a kontrakcióval kapott µ = k µ 0-1 vektor is az és " legalább olyan jó" mint a kiinduló µ. Észrevételeink eredője: (D)-hez hozzáadhatók µ 0, 1}, µ s = 1, µ t = 0 feltételek. Ebből kiszámítható, hogy a célfüggvényben mely c e élkapacitásoknak lesz nem 0 együtthatója. Éppen a S = v V : µ(v) = 1} halmazból a T = v V : µ(v) = 0} halmazba vezető élek lesznek ilyenek (egy ilyen e élen lesz (A T µ) e = 1, amikor az optimális választás (λ 1 ) e = 0 és (λ 2 ) e = 1 értékeket oszt ki). Azaz a µ által definiált s-t vágás kapacitása lesz a célfüggvény értéke. Az új duális feladat épp a minimális kapacitású vágás problémája: 2 3-6
7 Feltéve, hogy C(V)-et V egy s-t vágás. A gyenge dualitás tétel éppen azt mondja, hogy minden vágás kapacitása felülről becsüli minden folyam értékét. Ennek kombinatorikus bizonyítása nagyon egyszerű volt (ahogy a gyenge dualitás tételé is). Diszkrét matematikából azt is tudjuk, hogy a két optimalizálási feladat optimális értéke közös. Azaz p = d, erős dualitás van. 6. Példa (Legkisebb négyzetek problémája). x T x-et Feltéve, hogy Ax = b, ahol x R n, A R l n, b R l. Ekkor c-t felírva: L(x; µ) = x T x + µ T (Ax b). c(µ) = inf L(µ, x) = inf x Rn x + µ T (Ax)) x R n(xt }} (A T µ) T x µ T b }} x független Az x-re vonatkozó infumumvétel olyan függvényre történik, amely x-től függő része L = x T x + (A T µ) T x. L : R n R másodfokú polinomfüggvény, differenciálható, így a differenciálszámítás eszközei alkalmazhatók a szélsőérték keresésére. L gradiense: L = grad L = 2x + A T µ. Tudjuk, hogy szélsőértéknél a gradiens értéke 0. x L = 0 akkor és csak akkor, ha x = 1 2 AT µ. A gradiens 0 volta általában még nem feltétlenül jelentene minimumot, de esetünkben egy konvex függvényről van szó, így itt biztosan minimumhely lesz. Tehát x helyére 1 2 AT µ-t beírva adódik, hogy c(µ) = ( 1 T ( µ) 2 AT 1 ) ( 2 AT µ + (A T µ) T 1 ) 2 AT µ b T µ = 1 4 µt AA T µ b T µ. A duális probléma 1 4 µt AA T µ µ T b-et Tehát a duális (D) probléma egy feltétel nélküli optimalizálási kérdés
8 7. Példa (Maximális vágás probléma). Adott egy G egyszerű gráf. A feladat olyan V vágás keresése (csúcsok két osztályba sorolása, melyben az E(V) maximális (minél több él haladjon " keresztbe"). Először formalizáljuk/aritmetizáljuk a problémát: Egy vágást úgy írhatunk le, hogy minden csúcsra plusz vagy mínusz 1 komponenssel kódoljuk, hogy a vágás melyik oldalára esik: x 1, 1} V R V. Legyen A = A G a G szomszédsági mátrixa. Az x T Ax kvadratikus alakhoz minden e = uv él 2x u x v jozzájárulást ad. Az x u x v érték +1, ha az e él a vágás valamelyik partjára esik, és 1, ha az e él a vágás élhalmazához tartozik (keresztél). x T Ax, x R V -et Feltéve, hogy x 2 v = 1, minden v V esetén. Ez a feladat N P-nehéz probléma. Ettől természetesen képezhetjük duálisát. A duális feladat Lagrange-függvénye L(µ, x) = x T Ax + v V µ v ( x 2 v 1 ) = x T Ax + v µ v x 2 v v µ v egy n n-es diago- = x T (A + diag µ) x 1 T µ, a ahol egy a R n 0 a vektor esetén diag (a) = a n nális mátrix. Ebből a duális célfüggvény c(µ) = 1 T µ + inf x R n xt (A + diag µ)x. Az infimumot minden R n -beli vektorra kell meghatározni, mert minden ilyen x- re értelmezve van a kifejezés, nincs semmilyen megszorítás. Most már csak az a kérdés, hogy egy homogén kvadratikus függvénynek R n -ben mi a (feltétel nélküli) minimuma? Ehhez tegyünk egy kis kitérőt. Kitérő: Mi az wx 2 valós függvény minimuma? A válasz általános iskolai tanulmányaink alapján egyszerű: 0, ha w 0, inf x R αx2 =, ha w < 0. Legyen W S n R n n, azaz n n-es szimmetrikus mátrix. Ekkor 0, ha W 0, inf x R xt Wx = n, ha W
9 A W 0 eset a pozitív szemidefinitség definíciója, illetve a 0 T W0 = 0 miatt igaz. A második esetben mivel W nem pozitív szemidefinit, ezért létezik negatív sajátértéke, és ehhez létezik olyan s sajátvektora, melyet x helyére írva negatív számot kapunk a minimalizálandó kifejezésben. Viszont így skálázással a kvadratikus forma tetszőlegesen kis értéket is felvehet. Az előzőek alapján már meg tudjuk határozni a duális célfüggvényt: 1 T µ, ha A + diag µ 0, c(µ) =, különben. Így a duális feladat a következő: 1 T µ-et Feltéve, hogy A + diag µ 0. A duális probléma egy szemidefinit programozási probléma, kezelhető. Így nem várható erős dualitás. Azonban minden duális lehetséges megoldás ad egy alsó becslést p értékére. Remélhetjük, hogy " ügyes" duális megoldás jó közelítést adhat p -ra. Az alábbi állítás ezen a gondolatmeneten alapul. 8. Következmény. Legyen G egy tetszőleges egyszerű gráf, λ min pedig a G gráf (A szomszédsági mátrixának) legkisebb sajátértéke. Ekkor 1 (1) (2) E(G) max E(V) 1 2 V vágás 2 E(G) λ min V (G). 4 Bizonyítás. Az (1) állítás következik abból, hogy max E(V) E(E(V)), V vágás ahol V egy véletlen vágás a G gráfban (egyenletes eloszlással választott 1, 1} n -beli vektor). Meg kell nézni, hogy az egyes élek hányszor járulnak hozzá a sajátértékhez. Jelölje ξ a következő valószínűségi változót: 1, ha e E(V), ξ e = 0, ha e E(V), amire könnyen kiszámolható, hogy P(ξ e = 1) = P(ξ e = 0) = 1 minden e él esetén. 2 Ekkor E(E(V)) = E ξ e = E (ξ e ) = 1 2 = 1 2 E(G), e E(G) e E(G) e E(G) ami bizonyítja az (1) egyenlőséget. A (2)-es egyenlőtlenség igazolásához jelöljük a duális feladat optimális megoldását d -gal, és legyen µ egy tetszőleges lehetséges duális megoldás. Ekkor nyilvánvaló, hogy d c(µ). Az A + diag µ 0 feltétel ekvivalens azzal, hogy az A + diag µ 2 3-9
10 mátrix minden sajátértéke nemnegatív. Most már csak választani kellene egy jó µ vektort. Legyen λ min λ min µ = λ min 1 =.. λ min Az első állítás az, hogy az így kapott µ lehetséges megoldás. Ez azt jelenti, hogy az A + diag µ 0 feltételnek teljesülnie kell. Ha λ 1 λ 2... λ n = λ min az A mátrix sajátértékei, akkor az A + diag µ mátrix sajátértékei λ 1 λ min... λ n λ min 0, azaz A + diag µ minden sajátértéke nemnegatív. Ez könnyen igazolható végiggondolva, hogy A sajátvektorai az A+diag µ mátrixnak is sajátvektorai. Tehát az így megválasztott µ kielégíti a pozitív szemidefinitségi feltételt. Már láttuk, hogy a primál feladat optimális megoldása p = 2 E(G) 4 max E(V). Ekkor 2 E(G) 4 max E(V) = p d c(µ) = V λ min. Ezt rendezve kapjuk a (2) egyenlőséget. 9. Példa. x 1 x 2 -et Feltéve, hogy x 1 0 x 2 0 x x2 2 1 Az optimalizálási feladat triviális. Nemnagatív számok szorzata nem negatív, esetünkben (0, 0) lehetséges megoldás. Így p = 0. Ennek ellenére lássuk a dualizálás standard elvégzését: A duális változók λ 1, λ 2 és λ 3. A Lagrange-függvény: A duális célfüggvény: x 1 x 2 λ 1 x 1 λ 2 x 2 + λ 3 (x x2 2 1). ( c(λ) = inf x1 x 2 λ 1 x 1 λ 2 x 2 + λ 3 (x 2 x R x 2 2 1) ) = ( ( ) ( ) ( ) ) λ3 1/2 x1 x1 = inf (x 1, x 2 ) (λ x R 2 1/2 λ 1, λ 2 ) λ 3. 3 A kvadratikus rész mátrixa pozitív definit, ha λ 3 > 1/2, pozitív szemidefinit, ha λ 3 = 1/2, és indefinit, ha λ 3 > 1/2. Könnyen látható, hogy az indefinit (van pozitív és negatív sajátérték is) esetben c tetszőlegesen kicsi (tetszőleges nagy abszolút értékű negatív) értéket is felvehet. Könnyen látható, hogy a pozitív szemidefinit (λ 3 = 1/2) esetben amennyiben λ 1 +λ 2 0 a c célfüggvény tetszőlegesen kicsi lehet. A pozitív szemidefinit mátrix és λ 1 = λ 2 (= λ) esetben a rtke-λ 2 /2 1/2. A pozitív definit mátrix esetén könnyen látható, hogy véges minimum létezik. Analízisbeli tudásunkkal a minimum érték könnyen meghatározható: ( ) ( ) λ3 1/2 λ1 (λ 1, λ 2 ) λ 1/2 λ 3 λ 3. 2 A duális feladat: x 2 x 2
11 c(λ 1, λ 2, λ 3 )-et Feltéve, hogy λ 1 0 λ 2 0 λ A meggondolandó a λ 3 > 1/2 eset. Elemi számolással adódik, hogy λ 1 = λ 2 esetben vevődik fel a maximum. Egyetlen optimális hely adódik: (0, 0, 1/2) és d = 1/2. A gyenge dualitás egyenlőtlensége természetesen teljesül, de szigorú egyenlőségként. 10. Példa. x 1 x 2 -et Feltéve, hogy x 1 0 x 2 0 x x2 2 1 x 1 x 2 0 Az előző példát ismételtük meg egy plusz, nyilvánvalóan (matematikailag) felesleges feltétellel. Természetesen p = 0 marad. A dualizálás azonban változni fog. Megejelenik egy λ 4 duális változó. A Lagrangefüggvény x 1 x 2 λ 1 x 1 λ 2 x 2 + λ 3 (x x2 2 1) λ 4x 1 x 2. A duális cél függvény: ( ) c(λ) = inf x1 x 2 λ 1 x 1 λ 2 x 2 + λ 3 (x 2 x R x 2 2 1) λ 4 x 1 x 2 = ( ( 1 λ λ3 4 ) ( ) ( ) ) x1 x1 = inf (x 1, x 2 ) 2 x R 2 1 λ 4 (λ λ 2 3 x 1, λ 2 ) λ 2 x 3. 2 A duális feladat elemzése/megoldása a korábbi gondolatmenetet követve könnyen elvégezhető. A számolás végeredménye: az optimális hely (0, 0, 0, 1) és d = 0, erős dualitás van. Az optimális helyet és a duális optimális értéket a negyedik (a felesleges feltételnek megfelelő) duális vátozó kontrolálta. A feleslegesnek tűnő feltétel hozzáadása utólag jogosnak mondható. 11. Példa (Norma minimalizálás lineáris feltételek mellett). A feladat a következő: x, x R n,-et Feltéve, hogy Ax = b, ahol. : R n R egy tetszőleges norma
12 Az L 2 normára már láttuk, hogy könnyű a dualizálás. Tetszőleges norma esetén a Lagrange-függvény L(µ, x) = x + µ T (Ax b) = x + ( A T µ ) T x b T µ. Most ennek keressük egy infimumát, és itt is szükségünk van egy ki kitérőre, mint az előző feladat esetében. Kitérő: A feladatunk gyakorlatilag egy x + v T x alakú kifejezés infimumának meghatározása. Ehhez szükségünk van egy definícióra. Definíció. Legyen. egy tetszőleges norma. A normát duális normának nevezzük. v = sup v T x : x = 1 } A duális norma definíciójából és a normaaxiómákból következik, hogy v T x v, ha x = 1. Így egy skálázással kapható, hogy v T x v x. A duális norma segítségével már megadható a keresett infimum: inf x + 0, ha v x R vt x = 1, n, ha v > 1. Az első eset ekvivalens azzal, hogy v 1 esetén x + v T x 0 minden x vektorra. Ez könnyen kiolvasható a fenti megállapításból. Második esetben, ha elérünk egy negatív értéket, akkor egy skálázással tetszőlegesen nagy negatív értéket elérhetünk, és ebből következik a infimum. A duális célfüggvény a következő: b T µ, ha A T µ c(µ) = 1,, ha A T µ > 1. Így a duális feladat a következő: Feltéve, hogy b T µ-et A T µ Példa (Optimalizálás lineáris feltételekkel). A dualizálandó feladat a következő: c(x)-et Feltéve, hogy Ax b, Cx = d
13 A probléma jóval általánosabb az LP-feladatnál, ahol szintén lineáris feltételekkel dolgozunk. Itt a célfüggvény tetszőleges függvény. A feladat Lagrange-függvénye L(λ, µ, x) = c(x) + λ T (Ax b) + µ T (Cx d) = c(x) + ( A T λ + C T µ ) T x (b T λ + d T µ). Kitérő: Most egy c(x) + v T x alakú kifejezés infimumát keressük a dom(f) értelmezési tartományon. Definíció. Az f függvény konvex, vagy más néven Fenschel-konjugáltja f (u) = sup u T x f(x). x dom(f) A minimalizálandó kifejezésben, a célfüggvényben u szerepét v fogja betölteni: inf c(x) + x vt x = sup Ezekután a duális probléma Feltéve, hogy λ 0. x c(x) v T x = sup v T x c(x) = c ( v). x c ( A T λ C T µ) (b T λ + d T µ)-et 13. Példa (Entrópia maximalizálás). n i=1 x ilogx i -et Feltéve, hogy Ax b, 1 T x = 1. A célfüggvény a negatív entrópia, ez oldja fel a látszólagos ellentmondást a maximális jelző és a minimalizálási optimalizációs feladat között. 1 T x = 1 azt mondja, hogy x egy valószínűségi eloszlást kódol (a koordináták pozitívek amiatt, hogy a logaritmus függvényt kiértékéljük minden koordinátában). Az Ax b lineáris egyenlőtlenségek statisztikai tapasztalatok lehetnek az eloszláról. Például várható értéke, szórása, momentumai, becslés az eloszlás farkára stb. Természetes az a statisztikai hipotézis, hogy az eloszlás a mért adatokkal konzisztens eloszlások közül a legnagyobb entrópiájú legyen. Ez a példa az előző példa speciális esete. Írjuk fel a c (x) = n i=1 x ilogx i. célfüggvény konjugáltját: Gyakorlaton kiszámoltuk/igazoltuk, hogy (xlogx) = e y 1, illetve azt, hogy ebből következik, hogy c (x) = n i=1 eyi 1. Felírjuk most c (λ, µ) függvényt: c (λ, µ) = b T λ µ n e at i λ µ 1 = b T λ µ e µ 1 ahol a T i az A T mátrix i-edik sora, azaz A i-edik oszlopa. A duális probléma: i= n e at i λ, i=1
14 c(λ, µ)-et Feltéve, hogy λ 0. Ez könnyen egyszerűsíthető: Ha λ fix, akkor c egy változós valós függvény, és így λ-hoz meghatározható a jó µ érték: n µ = log e at i λ 1. i=1 Helyettesítve a duális ekvivalens a következővel: b T λ log Feltéve, hogy λ 0. ( n i=1 e at i λ )-et 14. Példa. c(u)-et Feltéve, hogy u 0 ahol c(u) = ( ) u+1 2, dom (c) = [ 1, 1], azaz c grafikonja egy parabolaív. 2 A célfüggvény értelmezési tartománya természetellenes. Ezzel a furcsa, természetellenes értelmezési tartománnyal a célfüggvénybe feltételeket építettünk be. Ez nem fair. Célunk nem egy alkalmazás bemutatása, hanem a dualitási hézag geometriai láttatása. Először dualizáljuk az eredeti problémát (a v = c(u) jelöléssel élünk): ( ) 2 u + 1 L (u, λ) = + λu = λu + v. 2 c(λ) = inf u [ 1,1],v= 1 4 (u+1)2 λu + v. c(λ) = inf u [ 1,1],v= 1 4 (u+1)2 λu + v-et Feltéve, hogy λ 0 Az alábbi ábra segítségével a primál és duál feladat megoldását is szemléltetni tudjuk: p? d? 2. ábra
15 A v = 1 4 (u + 1) 2 függvényt az alábbiakban ábrázoltuk az u-v koordináta síkon. A primál megoldás látványos: A lehetséges értékeken ([ 1, 0]) a függvény monoton csökkenő, így minimimát 0-ban veszi fel. Azaz x = 0 és p = 1/4. A fenti duális célfüggvény geometriailag szépen szemléltethető. c(λ) = α azt jelenti, hogy λu+v α minden u [ 1, 1], v = 1 4 (u+1)2 értékre. Azaz a λx+y = α egyenes a szemléltetett grafikon alatt halad el. Továbbá α a lehető legnagyobb ilyen érték. λ a meredekség ellentettje (egyenesünk egyenletének szokott formájú alakja y = λx + α). α az y = v tengellyel vett metszéspont értéke. Így a duális probléma geometriai szemléltetése: A negatív meredekségű, grafikon alatti egyenesek közül válassszuk ki melyik metszi a v-tengelyt legmagasabban. d a metszéspont lesz a v-tengelyen, mint a számegyenesen egy érték. Az ábrán jól látható az optimális érték, d, továbbá a d < p szigorú egyenlőtlenség. Nincs erős dualitás. 15. Példa. Legyen n = 2, c(x, y) : R R 0 R, (x, y) e x. Optimalizálási feladatunk legyen a következő: c(x, y)-et Feltéve, hogy x 2 y 0 Ekkor az optimalizációs feladat tartománya a következő: D = R R >0. Vegyük észre, hogy a feltétel teljesüléséhez az x 2 függvény nemnegativitása miatt, és mert y > 0, x szükségszerűen 0 lesz. A feladat lehetséges megoldásának halmaza (x, y) : x = 0, y > 0}. Ebből viszont következik, hogyha a célfüggvényt megszorítjuk L-re, akkor c L = e 0 = 1, amiből következik, hogy a primál feladat optimális értéke 1, tehát p = 1. Ezután nézzük a duális problémát: Írjuk fel a feladatra vonatkozó Lagrangefüggvényt: L(x, y; λ) = c(x, y) + λ x2 y = e x + λ x2 y. Ekkor a duális célfüggvény a következő lesz: c(λ) = inf L(x, y; λ) = inf (x,y) D (x,y) D ) (e x + λ x2 = y Így felírhatjuk a duális optimalizálási problémát: c(λ)-et Feltéve, hogy λ 0. 0 ha λ 0 különben amelynek optimális értéke d = 0. Vegyük észre, hogy akkor teljesül a gyenge dualitás tétel, hiszen p d. Esetünkben az egyenlőtlenség valódi, egy úgynevezett " dualitási hézag" is keletkezett, mert p d = 1 >
Diszkrét Matematika MSc hallgatók számára. 4. Előadás
Diszkrét Matematika MSc hallgatók számára 4. Előadás Előadó: Hajnal Péter Jegyzetelő: Szarvák Gábor 2012. február 28. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét
Részletesebben4. Előadás: Erős dualitás
Optimalizálási eljárások/operációkutatás MSc hallgatók számára 4. Előadás: Erős dualitás Előadó: Hajnal Péter 2018. Emlékeztető. A primál feladat optimális értékét p -gal, a feladat optimális értékét d
RészletesebbenDualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat
Részletesebben10. Előadás. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai
Optimalizálási eljárások MSc hallgatók számára 10. Előadás Előadó: Hajnal Péter Jegyzetelő: T. Szabó Tamás 2011. április 20. 1. Feltétel nélküli optimalizálás: Az eljárás alapjai A feltétel nélküli optimalizálásnál
RészletesebbenOptimalizálási eljárások GYAKORLAT, MSc hallgatók számára. Analízis R d -ben
Optimalizálási eljárások GYAKORLAT, MSc hallgatók számára Analízis R d -ben Gyakorlatvezetõ: Hajnal Péter 2012. február 8 1. Konvex függvények Definíció. f : D R konvex, ha dom(f) := D R n konvex és tetszőleges
RészletesebbenNemlineáris programozás 2.
Optimumszámítás Nemlineáris programozás 2. Többváltozós optimalizálás feltételek mellett. Lagrange-feladatok. Nemlineáris programozás. A Kuhn-Tucker feltételek. Konvex programozás. Sydsaeter-Hammond: 18.1-5,
Részletesebben11. Előadás. 1. Lineáris egyenlőség feltételek melletti minimalizálás
Optimalizálási eljárások MSc hallgatók számára 11. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2011. április 27. 1. Lineáris egyenlőség feltételek melletti minimalizálás Múlt héten nem szerepeltek
RészletesebbenOptimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/
Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenA lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c
RészletesebbenGráfelmélet/Diszkrét Matematika MSc hallgatók számára. 3. Előadás
Gráfelmélet/Diszkrét Matematika MSc hallgatók számára 3. Előadás Előadó: Hajnal Péter Jegyzetelő: Pék Máté 2009. szeptember 21. 1. Folyamok 1.1. Definíció. G = (V, E, K, B) irányított gráf, ha e! v : ekv
RészletesebbenMatematika III előadás
Matematika III. - 3. előadás Vinczéné Varga Adrienn Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Előadáskövető fóliák Vinczéné Varga Adrienn (DE-MK) Matematika III. 2016/2017/I 1 / 19 Skalármezők
RészletesebbenLosonczi László. Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar
Szélsőértékszámítás Losonczi László Debreceni Egyetem, Közgazdaság- és Gazdaságtudományi Kar Losonczi László (DE) Szélsőértékszámítás 1 / 21 2. SZÉLSOÉRTÉKSZÁMÍTÁS 2.1 A szélsőérték fogalma, létezése Azt
RészletesebbenTotális Unimodularitás és LP dualitás. Tapolcai János
Totális Unimodularitás és LP dualitás Tapolcai János tapolcai@tmit.bme.hu 1 Optimalizálási feladat kezelése NP-nehéz Hatékony megoldás vélhetően nem létezik Jó esetben hatékony algoritmussal közelíteni
RészletesebbenFüggvények Megoldások
Függvények Megoldások ) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) x x b) x x + c) x ( x + ) b) Az x függvény
Részletesebbenminden x D esetén, akkor x 0 -at a függvény maximumhelyének mondjuk, f(x 0 )-at pedig az (abszolút) maximumértékének.
Függvények határértéke és folytonossága Egy f: D R R függvényt korlátosnak nevezünk, ha a függvényértékek halmaza korlátos. Ha f(x) f(x 0 ) teljesül minden x D esetén, akkor x 0 -at a függvény maximumhelyének
Részletesebben11. Előadás. 11. előadás Bevezetés a lineáris programozásba
11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
Részletesebben2. SZÉLSŽÉRTÉKSZÁMÍTÁS. 2.1 A széls érték fogalma, létezése
2 SZÉLSŽÉRTÉKSZÁMÍTÁS DEFINÍCIÓ 21 A széls érték fogalma, létezése Azt mondjuk, hogy az f : D R k R függvénynek lokális (helyi) maximuma (minimuma) van az x 0 D pontban, ha van olyan ε > 0 hogy f(x 0 )
Részletesebben6. Függvények. 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban?
6. Függvények I. Nulladik ZH-ban láttuk: 1. Az alábbi függvények közül melyik szigorúan monoton növekvő a 0;1 intervallumban? f x g x cos x h x x ( ) sin x (A) Az f és a h. (B) Mindhárom. (C) Csak az f.
RészletesebbenElső zárthelyi dolgozat megoldásai biomatematikából * A verzió
Első zárthelyi dolgozat megoldásai biomatematikából * A verzió Elméleti kérdések: E. Mikor nevezünk egy gráfot gyengén és mikor erősen összefüggőnek? Adjon példát gyengén összefüggő de erősen nem összefüggő
Részletesebbenf(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva
6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási
RészletesebbenMATEMATIKA 2. dolgozat megoldása (A csoport)
MATEMATIKA. dolgozat megoldása (A csoport). Definiálja az alábbi fogalmakat: (egyváltozós) függvény folytonossága, differenciálhatósága, (többváltozós függvény) iránymenti deriváltja. (3x8 pont). Az f
RészletesebbenOpkut deníciók és tételek
Opkut deníciók és tételek Készítette: Bán József Deníciók 1. Deníció (Lineáris programozási feladat). Keressük meg adott lineáris, R n értelmezési tartományú függvény, az ún. célfüggvény széls értékét
RészletesebbenA lineáris programozás alapjai
A lineáris programozás alapjai A konvex analízis alapjai: konvexitás, konvex kombináció, hipersíkok, félterek, extrém pontok, Poliéderek, a Minkowski-Weyl tétel (a poliéderek reprezentációs tétele) Lineáris
RészletesebbenKonjugált gradiens módszer
Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenEgyenletek, egyenletrendszerek, egyenlőtlenségek Megoldások
) Egyenletek, egyenletrendszerek, egyenlőtlenségek - megoldások Egyenletek, egyenletrendszerek, egyenlőtlenségek Megoldások a) Oldja meg a valós számok halmazán az alábbi egyenletet! = 6 (5 pont) b) Oldja
RészletesebbenDiszkrét matematika II., 8. előadás. Vektorterek
1 Diszkrét matematika II., 8. előadás Vektorterek Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2007.??? Vektorterek Legyen T egy test (pl. R, Q, F p ). Definíció.
RészletesebbenKvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla
Kvadratikus alakok és euklideszi terek (előadásvázlat, 0. október 5.) Maróti Miklós, Kátai-Urbán Kamilla Az előadáshoz ajánlott jegyzet: Szabó László: Bevezetés a lineáris algebrába, Polygon Kiadó, Szeged,
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenMatematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
RészletesebbenA szimplex algoritmus
A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás
RészletesebbenNumerikus módszerek 1.
Numerikus módszerek 1. 6. előadás: Vektor- és mátrixnormák Lócsi Levente ELTE IK 2013. október 14. Tartalomjegyzék 1 Vektornormák 2 Mátrixnormák 3 Természetes mátrixnormák, avagy indukált normák 4 Mátrixnormák
Részletesebbenegyenlőtlenségnek kell teljesülnie.
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Abszolútértékes és gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenBevezetés az algebrába 2
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Mátrixfüggvények H607 2018-05-02 Wettl Ferenc
RészletesebbenLINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40
LINEÁRIS ALGEBRA matematika alapszak SZTE Bolyai Intézet, 2016-17. őszi félév Euklideszi terek Euklideszi terek LINEÁRIS ALGEBRA 1 / 40 Euklideszi tér Emlékeztető: A standard belső szorzás és standard
Részletesebben15. LINEÁRIS EGYENLETRENDSZEREK
15 LINEÁRIS EGYENLETRENDSZEREK 151 Lineáris egyenletrendszer, Gauss elimináció 1 Definíció Lineáris egyenletrendszernek nevezzük az (1) a 11 x 1 + a 12 x 2 + + a 1n x n = b 1 a 21 x 1 + a 22 x 2 + + a
RészletesebbenNumerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások
Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások 1. Feladat. (6p) Jelöljön. egy tetszőleges vektornormát, ill. a hozzá tartozó indukált mátrixnormát! Igazoljuk, hogy ha A
Részletesebben4. Előadás. A legkisebb négyzetek problémája a következő optimalizálási alapfeladat: Minimalizáljuk
OPTIMALIZÁLÁSI ELJÁRÁSOK 4. Előadás Matematika MSc hallgatók számára Előadó: Hajnal Péter Jegyzetelő: Magyari Nikolett 2011. március 2. 1. A legkisebb négyzetek probléma A legkisebb négyzetek problémája
RészletesebbenAnalízis előadás és gyakorlat vázlat
Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)
RészletesebbenA fontosabb definíciók
A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,
Részletesebben6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének
6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenA legjobb közeĺıtés itt most azt jelentette, hogy a lineáris
Többváltozós függvények differenciálhatósága f(x) f(x Az egyváltozós függvények differenciálhatóságát a lim 0 ) x x0 x x 0 függvényhatárértékkel definiáltuk, s szemléletes jelentése abban mutatkozott meg,
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 3. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Relációk Diszkrét matematika I. középszint 2014.
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények ) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) x
RészletesebbenEgészrészes feladatok
Kitűzött feladatok Egészrészes feladatok Győry Ákos Miskolc, Földes Ferenc Gimnázium 1. feladat. Oldjuk meg a valós számok halmazán a { } 3x 1 x+1 7 egyenletet!. feladat. Bizonyítsuk be, hogy tetszőleges
Részletesebben1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)
Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő
RészletesebbenOktatási Hivatal. 1 pont. A feltételek alapján felírhatók az. összevonás után az. 1 pont
Oktatási Hivatal Öt pozitív egész szám egy számtani sorozat első öt eleme A sorozatnak a különbsége prímszám Tudjuk hogy az első négy szám köbének összege megegyezik az ezen öt tag közül vett páros sorszámú
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek megoldásához!
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
Részletesebben3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
RészletesebbenDiszkrét Matematika MSc hallgatók számára. 11. Előadás. Előadó: Hajnal Péter Jegyzetelő: Szarvák Gábor november 29.
Diszkrét Matematika MSc hallgatók számára 11. Előadás Előadó: Hajnal Péter Jegyzetelő: Szarvák Gábor 2010. november 29. 1. Gráfok metszési száma z előadás a metszési szám nevű gráfparaméterről szól. Ez
RészletesebbenA KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek
10. gyakorlat Mátrixok sajátértékei és sajátvektorai Azt mondjuk, hogy az A M n mátrixnak a λ IR szám a sajátértéke, ha létezik olyan x IR n, x 0 vektor, amelyre Ax = λx. Ekkor az x vektort az A mátrix
Részletesebben1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak
1. Generátorrendszer Generátorrendszer. Tétel (Freud, 4.3.4. Tétel) Legyen V vektortér a T test fölött és v 1,v 2,...,v m V. Ekkor a λ 1 v 1 + λ 2 v 2 +... + λ m v m alakú vektorok, ahol λ 1,λ 2,...,λ
RészletesebbenTöbbváltozós, valós értékű függvények
TÖ Többváltozós, valós értékű függvények TÖ Definíció: többváltozós függvények Azokat a függvényeket, melyeknek az értelmezési tartománya R n egy részhalmaza, n változós függvényeknek nevezzük. TÖ Példák:.
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉP SZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek
RészletesebbenMatematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
RészletesebbenMatematika elméleti összefoglaló
1 Matematika elméleti összefoglaló 2 Tartalomjegyzék Tartalomjegyzék... 2 1. Sorozatok jellemzése, határértéke... 3 2. Függvények határértéke és folytonossága... 5 3. Deriválás... 6 4. Függvényvizsgálat...
RészletesebbenNagy András. Feladatok a logaritmus témaköréhez 11. osztály 2010.
Nagy András Feladatok a logaritmus témaköréhez. osztály 00. Feladatok a logaritmus témaköréhez. osztály ) Írd fel a következő egyenlőségeket hatványalakban! a) log 9 = b) log 4 = - c) log 7 = d) lg 0 =
RészletesebbenDescartes-féle, derékszögű koordináta-rendszer
Descartes-féle, derékszögű koordináta-rendszer A derékszögű koordináta-rendszerben a sík minden pontjához egy rendezett valós számpár rendelhető. A számpár első tagja (abszcissza) a pont y tengelytől mért
RészletesebbenOperációkutatás. 4. konzultáció: Szállítási feladat. A feladat LP modellje
Operációkutatás 1 NYME KTK, gazdálkodás szak, levelező alapképzés 2002/2003. tanév, II. évf. 2.félév Előadó: Dr. Takách Géza NyME FMK Információ Technológia Tanszék 9400 Sopron, Bajcsy Zs. u. 9. GT fszt.
Részletesebben9. TÖBBVÁLTOZÓS FÜGGVÉNYEK DIFFERENCIÁLSZÁMITÁSA. 9.1 Metrika és topológia R k -ban
9. TÖBBVÁLTOZÓS FÜGGVÉNYEK DIFFERENCIÁLSZÁMITÁSA 9.1 Metrika és topológia R k -ban Definíció. A k-dimenziós euklideszi térnek nevezzük és R k val jelöljük a valós számokból alkotott k-tagú x = (x 1, x
RészletesebbenA L Hospital-szabály, elaszticitás, monotonitás, konvexitás
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék A L Hospital-szabály, elaszticitás, monotonitás, konvexitás p. / A L
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 9. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenHódmezővásárhelyi Városi Matematikaverseny április 14. A osztályosok feladatainak javítókulcsa
Hódmezővásárhelyi Városi Matematikaverseny 2003. április 14. A 11-12. osztályosok feladatainak javítókulcsa 1. feladat Egy számtani sorozatot az első eleme és különbsége egyértelműen meghatározza, azt
Részletesebbena) A logaritmus értelmezése alapján: x 8 0 ( x 2 2 vagy x 2 2) (1 pont) Egy szorzat értéke pontosan akkor 0, ha valamelyik szorzótényező 0.
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Abszolútértékes és Gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
RészletesebbenAbszolútértékes és gyökös kifejezések Megoldások
Abszolútértékes és gyökös kifejezések Megoldások ) Igazolja, hogy az alábbi négy egyenlet közül az a) és b) jelű egyenletnek pontosan egy megoldása van, a c) és d) jelű egyenletnek viszont nincs megoldása
RészletesebbenFüggvények 1. oldal Készítette: Ernyei Kitti. Függvények
Függvények 1. oldal Készítette: Ernyei Kitti Függvények DEFINÍCIÓ: Ha adott két nemüres halmaz: és, továbbá minden eleméhez hozzárendeljük a valamely elemét, akkor ezt a hozzárendelést függvénynek nevezzük.
RészletesebbenE-tananyag Matematika 9. évfolyam 2014. Függvények
Függvények Függvények értelmezése Legyen adott az A és B két nem üres halmaz. Az A halmaz minden egyes eleméhez rendeljük hozzá a B halmaz egy-egy elemét. Ez a hozzárendelés egyértelmű, és ezt a hozzárendelést
RészletesebbenFÜGGVÉNYEK. A derékszögű koordináta-rendszer
FÜGGVÉNYEK A derékszögű koordináta-rendszer Az. jelzőszámot az x tengelyről, a 2. jelzőszámot az y tengelyről olvassuk le. Pl.: A(-3;-) B(3;2) O(0;0) II. síknegyed I. síknegyed A (0; 0) koordinátájú pontot
RészletesebbenVEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER október 15. Irodalom. További ajánlott feladatok
VEKTORTEREK I. VEKTORTÉR, ALTÉR, GENERÁTORRENDSZER 2004. október 15. Irodalom A fogalmakat, definíciókat illetően két forrásra támaszkodhatnak: ezek egyrészt elhangzanak az előadáson, másrészt megtalálják
RészletesebbenMiért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek
Az november 23-i szeminárium témája Rövid összefoglaló Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek felfrissítése? Tekintsünk ξ 1,..., ξ k valószínűségi változókat,
RészletesebbenTrigonometria Megoldások. 1) Igazolja, hogy ha egy háromszög szögeire érvényes az alábbi összefüggés: sin : sin = cos + : cos +, ( ) ( )
Trigonometria Megoldások Trigonometria - megoldások ) Igazolja, hogy ha egy háromszög szögeire érvényes az alábbi összefüggés: sin : sin = cos + : cos +, ( ) ( ) akkor a háromszög egyenlő szárú vagy derékszögű!
Részletesebben2) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont)
(11/1) Függvények 1 1) Ábrázolja az f()= -4 függvényt a [ ;10 ] intervallumon! (pont) ) Írja fel az alábbi lineáris függvény grafikonjának egyenletét! (3pont) 3) Ábrázolja + 1 - függvényt a [ ;] -on! (3pont)
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
RészletesebbenTöbbváltozós, valós értékű függvények
Többváltozós függvények Többváltozós, valós értékű függvények Többváltozós függvények Definíció: többváltozós függvények Azokat a függvényeket, melyeknek az értelmezési tartománya R n egy részhalmaza,
Részletesebben0-49 pont: elégtelen, pont: elégséges, pont: közepes, pont: jó, pont: jeles
Matematika szigorlat, Mérnök informatikus szak I. 2013. jan. 10. Név: Neptun kód: Idő: 180 perc Elm.: 1. f. 2. f. 3. f. 4. f. 5. f. Fel. össz.: Össz.: Oszt.: Az elérhető pontszám 40 (elmélet) + 60 (feladatok)
RészletesebbenKétváltozós függvények differenciálszámítása
Kétváltozós függvények differenciálszámítása 13. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék Kétváltozós függvények p. 1/1 Definíció, szemléltetés Definíció. Az f : R R R függvényt
RészletesebbenFraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
Részletesebbenb) Ábrázolja ugyanabban a koordinátarendszerben a g függvényt! (2 pont) c) Oldja meg az ( x ) 2
1) Az ábrán egy ; intervallumon értelmezett függvény grafikonja látható. Válassza ki a felsoroltakból a függvény hozzárendelési szabályát! a) b) c) ( ) ) Határozza meg az 1. feladatban megadott, ; intervallumon
RészletesebbenSzélsőérték feladatok megoldása
Szélsőérték feladatok megoldása A z = f (x,y) függvény lokális szélsőértékének meghatározása: A. Szükséges feltétel: f x (x,y) = 0 f y (x,y) = 0 egyenletrendszer megoldása, amire a továbbiakban az x =
RészletesebbenMATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Abszolútértékes és Gyökös kifejezések
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI EMELT SZINT Abszolútértékes és Gyökös kifejezések A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval
Részletesebben8. Egyenletek, egyenlőtlenségek, egyenletrendszerek II.
8 Egyenletek, egyenlőtlenségek, egyenletrendszerek II Elméleti összefoglaló Az a + b+ c, a egyenletet másodfokú egyenletnek nevezzük A D b ac kifejezést az egyenlet diszkriminánsának nevezzük Ha D >, az
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:
RészletesebbenHadamard-mátrixok Előadó: Hajnal Péter február 23.
Szimmetrikus kombinatorikus struktúrák MSc hallgatók számára Hadamard-mátrixok Előadó: Hajnal Péter 2012. február 23. 1. Hadamard-mátrixok Ezen az előadáson látásra a blokkrendszerektől független kombinatorikus
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 1. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
Részletesebben2012. október 2 és 4. Dr. Vincze Szilvia
2012. október 2 és 4. Dr. Vincze Szilvia Tartalomjegyzék 1.) Az egyváltozós valós függvény fogalma, műveletek 2.) Zérushely, polinomok zérushelye 3.) Korlátosság 4.) Monotonitás 5.) Szélsőérték 6.) Konvex
RészletesebbenFüggvények határértéke, folytonossága FÜGGVÉNYEK TULAJDONSÁGAI, SZÉLSŐÉRTÉK FELADATOK MEGOLDÁSA
Függvények határértéke, folytonossága FÜGGVÉNYEK TULAJDONSÁGAI, SZÉLSŐÉRTÉK FELADATOK MEGOLDÁSA Alapvető fogalmak: Függvény fogalma Függvény helyettesítési értéke (függvényérték) Függvény grafikonja A
RészletesebbenMarkov-láncok stacionárius eloszlása
Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius
RészletesebbenDIFFERENCIÁLEGYENLETEK. BSc. Matematika II. BGRMA2HNND, BGRMA2HNNC
BSC MATEMATIKA II. MÁSODRENDŰ LINEÁRIS DIFFERENCIÁLEGYENLETEK BSc. Matematika II. BGRMAHNND, BGRMAHNNC MÁSODRENDŰ DIFFERENCIÁLEGYENLETEK Egy explicit közönséges másodrendű differenciálegyenlet általános
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 5. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenBrósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások. 1. Az alábbi hozzárendelések közül melyik függvény? Válaszod indokold!
Megoldások 1. Az alábbi hozzárendelések közül melyik függvény? Válaszod indokold! A: Minden emberhez hozzárendeljük a munkahelyének nevét. B: Minden valós számhoz hozzárendeljük az ellentettjét. C: Minden
RészletesebbenA függvényekről tanultak összefoglalása /9. évfolyam/
A függvényekről tanultak összefoglalása /9. évfolyam/ Készítette: Almási István almasi84@gmail.com Lineáris függvény A függvény általános alakja: f (x):= m 1 m 2 x+b m a meredekség b a tengelymetszet 2/42
RészletesebbenDiszkrét Matematika MSc hallgatók számára. 14. Előadás
Diszkrét Matematika MSc hallgatók számára 14. Előadás Előadó: Hajnal Péter Jegyzetelő: Hajnal Péter 2012. Nem maradt rá idő 1. Feltétel nélküli optimalizálás 1.1. Az eljárások alapjai A feltétel nélküli
RészletesebbenLegkisebb négyzetek módszere, Spline interpoláció
Közelítő és szimbolikus számítások 10. gyakorlat Legkisebb négyzetek módszere, Spline interpoláció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján
RészletesebbenNemkonvex kvadratikus egyenlőtlenségrendszerek pontos dualitással
pontos dualitással Imre McMaster University Advanced Optimization Lab ELTE TTK Operációkutatási Tanszék Folytonos optimalizálás szeminárium 2004. július 6. 1 2 3 Kvadratikus egyenlőtlenségrendszerek Primál
Részletesebben