Меню
ГлавнаяИгры

Метод множителей лагранжа достаточное условие. Метод неопределенных множителей лагранжа

При изложенном выше методе отыскания точек возможного условного экстремума мы нарушили симметрию в отношении переменных ут. Часть из этих переменных мы рассматривали как независимые, остальные - как функции этих переменных. В ряде случаев это приводит к усложнению выкладок. Лагранжем предложен метод, симметризирующий роль переменных. Изложению этого метода и посвящен настоящий пункт. Умножим равенства (13.47) соответственно на произвольные (и пока еще неопределенные) постоянные множители Полученные после умножения равенства сложим почленно с равенством (13.46). В результате получим следующее равенство:

где символом обозначена следующая функция:

Эту функцию мы в дальнейшем будем называть функцией Лагранжа. Считая, что для функций (13.41) выполнены условия,

сформулированные в предыдущем пункте, и что функция (13.40) дифференцируема, выберем множители так, чтобы выполнялись равенства

Это заведомо можно сделать, ибо равенства (13.52) приводят к линейной системе

определитель которой (якобиан отличен от нуля. В силу равенства (13.52) равенство (13.50) принимает вид

Поскольку при сделанных выше предположениях переменные являются независимыми, то из равенства (13.53) заключаем, что

Присоединяя к уравнениям (13.52) и (13.54) условия связи (13.41), мы получим систему уравнений

для определения координат точек возможного условного экстремума и множителей Хт. Практически при реализации этого метода поступают следующим образом. Составляют функцию Лагранжа (13.51) и для этой функции находят точки возможного безусловного экстремума. Для исключения множителей привлекают условия связи (13.41). Такой путь отыскания точек возможного условного экстремума является законным, ибо он приводит нас как раз к системе уравнений (13.55). Пример применения метода множителей Лагранжа будет рассмотрен в п. 4.

Теорема 1. Пусть точка является точкой условного экстремума функции при выполнении уравнений связи (3). Тогда существуют такие числа, что в точке выполняются условия

Следствие. Положим

где - числа, указанные в теореме. Функция (8) называется функцией Лагранжа. Если точка является точкой условного экстремума для функции, то она является стационарной точкой для функции Лагранжа, т.е. в этой точке

Доказательство теоремы. Пусть - точка условного экстремума для функции и пусть в этой точке для определенности выполняется условие (4). Тогда точка является точкой обычного экстремума для функции, поэтому в точке

откуда, пользуясь инвариантностью формы первого дифференциала, для точки имеем

Подставляя (5) в (3) и дифференцируя получившееся тождество в некоторой окрестности точки, а значит, и в самой точке, получим

В формуле (11), также как и в формуле (10), дифференциалы есть дифференциалы независимых переменных, а дифференциалы есть дифференциалы функций.

Каковы бы не были числа, умножая равенство (11) в точке для функции на, и складывая их между собой и с равенством (10), получим

Выбрав так, чтобы в точке выполнялись равенства

Это всегда возможно, так как (13) является системой линейных относительно уравнений с определителем

не равным нулю.

При таком выборе имеем

Здесь уже все дифференциалы есть дифференциалы независимых переменных и, значит, сами являются независимыми переменными, которые могут принимать любые значения. Беря, а все остальные дифференциалы, входящие в формулу (14), равными нулю, получим

Тем самым мы доказали существование таких, что выполняются условия (13) и (15), т.е. условия (7).

Теорема доказана.

Алгоритм нахождения экстремума функции методом множителей Лагранжа

Пусть требуется найти экстремум функции n переменных f(x 1 ,x 2 ,…,x n) при условии, что переменные x 1 ,x 2 ,…,x n связаны соотношениями (ограничениями)

среди которых количество m ограничений-равенств меньше числа n переменных, а количество и r ограничений-неравенств может быть произвольным.

Для нахождения значений {x 1 ,x 2 ,…,x n }=Х, необходимо доставляющих экстремумы функции f(X), можно воспользоваться методом неопределенных множителей Лагранжа:

  • 1. Ограничения-неравенства g(X)0 приводятся к виду (Х)0, где (Х) = - g(X).
  • 2. Полученные ограничения-неравенства

в свою очередь приводятся к ограничениям-равенствам путем введения +r дополнительных переменных

В результате задача поиска условного экстремума примет канонический вид:

в котором соотношение m++r < n++r указывает на возможность получения множества допустимых решений, а значит, и нахождения среди них тех, которые доставляют экстремум f(X).

3. Составляется функция Лагранжа:

Ф(x 1 ,…,x n , 1 ,…, m++r) = f(x 1 ,x 2 ,…,x n)+ 1 q 1 + 2 q 2 +…+ m++r q m++r,

в которой дополнительные переменные { 1 ,…, m++r }= называются неопределенными множителями Лагранжа.

Для составленной функции Лагранжа можно ставить задачу нахождения безусловного экстремума

результат решения которой будет совпадать с искомым решением исходной задачи нахождения условного экстремума.

4. Для функции Ф(Х,) составляются необходимые условия существования экстремума:

5. Полученную систему уравнений Ф(Х,)=0 решают, и в результате решения находят значения

удовлетворяющие необходимым условиям существования экстремума.

6. Для решения вопроса о том, существует ли в найденных точках максимумы или минимумы следует воспользоваться достаточными условиями существования экстремумов, которые для гладких функций Ф() формулируются следующим образом:

если в некоторой точке матрица вторых производных положительно определена, то в анализируемой точке лежит минимум функции f(Х);

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

хорошую работу на сайт">

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Челябинский юридический колледж

Кафедра математических и естественнонаучных дисциплин

КУРСОВАЯ РАБОТА

по дисциплине «Математические методы»

Метод множителей Лагранжа

Студентка гр. ПО-3-05, отделение права и информационных технологий

Руководитель

Н.Р. Хабибуллина

Челябинск

Введение

1. Построение модели

2. Задача Лагранжа. Безусловный и условный экстремумы

3. Задача Лагранжа с одним ограничением

4. Смысл множителей Лагранжа

4.1. Теорема Лагранжа

4. 2. Метод множителей Лагранжа

4.3. Метод неопределенных множителей Лагранжа

4.4. Двумерный случай

Заключение

Список использованной литературы

Введение

Метод Лагранжа базируется на нескольких ключевых идеях. Одна из них состоит в том, как искать минимум функции, если на функцию заданы некоторые ограничения. Этот приём теперь носит название «правило множителей Лагранжа»

Данная тема актуальна в современности потому, что метод множителей Лагранжа применяется при решении задач нелинейного программирования, возникающих во многих областях (например, в экономике).

Важное место в математиком аппарате экономики занимают оптимальные задачи - задачи, которых ищется наилучшее в определенном смысле решение. В экономической практике требуется использовать имеющиеся ресурс наиболее выгодным образом. В экономической теории одним из отправных пунктов является постулат о том, что каждый экономический субъект, имея определенную свободу выбора своего поведения, отыскивает наилучший со своей точки зрения вариант. И оптимизационные задачи служат средством описания поведения экономических субъектов, инструментом исследования закономерностей этого поведения.

1. Построение модели

Для постановки задачи необходима анализ системы, исследование её особенностей и возможных методов управления системой. Схема, построения в результате такого анализа, является либо изобразительной, либо аналоговой моделью. Таким образом, первый этап построения модели выполняется в процессе постановки задачи. После такого анализа системы уточняется перечень различных вариантов в решения, которые надо оценить. Затем определяются меры общей эффективности этих вариантов. Следовательно, следующий этап заключается в построении такой модели, в которой эффективность системы можно выразить в функции переменных, определяющих систему. Некоторые из этих переменных в реальной системе можно менять, другие переменные менять нельзя. Те переменные, которые можно изменить, назовем “управляемыми”. Различные варианты решения задачи необходимо выразить с помощью управляемых переменных.

Построение математической (символической) модели системы можно начать с перечисления всех элементов системы, которые влияют на эффективность работы системы. Если в качестве меры общей эффективности используется “общие ожидаемые издержки”, то можно начать с исследования изобразительной или аналоговой модели, полученной на стадии постановки задачи. Можно выделить операции и материалы, которым сопоставляется некоторые затраты. При этом получим, например, следующий исходный список:

Производственные затраты:

а) закупочная цена сырья;

б) издержки перевозки сырья;

в) стоимость приемки сырья;

г) стоимость хранения сырья;

д) стоимость планирования производства;

е) стоимость наладочных работ в цехе;

ж) стоимость процесса обработки;

з) стоимость хранения запасов в процессе производства;

и) стоимость завершения производства и передачи готовых изделий на склад;

к) стоимость анализа результатов работы группой планирования;

л) стоимость хранения готовых изделий.

Затраты на сбыт.

Накладные расходы.

2. Задача Лагранжа . Безусловный и условный экстремумы

Многие задачи оптимизации формулируются следующим образом. Решение, которое должен принять субъект, описывается набором чисел х 1 ,х 2 ,…,х n (или точкой Х=(х 1 ,х 2 ,…,х n) n-мерного пространства). Достоинства того или иного решения определяются значениями функция f(X) = f(х 1 , х 2 ,…,х n) -- целевой функции . Наилучшее решение -- это такая точка Х, в которой функция f(Х) принимает наибольшее значение. Задача нахождения такой точки описывается следующим образом:

f(X) max.

Если функция f(X) характеризует отрицательные стороны решения (ущерб, убытки и т. п.), то ищется точка Х, в которой значение f(X) минимально:

f(X) min.

Минимум и максимум объединяются понятием экстремума. Для определенности мы будем говорить только о задачах максимизации. Поиск минимума не требует специального рассмотрения, поскольку заменой целевой функции f(X) на -f(Х) всегда можно “превратить недостатки в достоинства” и свести минимизацию к максимизации.

Из каких вариантов должен быть выбран наилучший? Иными словами, среди каких точек пространства нужно искать оптимум. Ответ на этот вопрос связан с таким элементом оптимизационной задачи, как множество допустимых решений . В некоторых задачах допустимыми являются любые комбинации чисел х 1 , х 2 ,…,х n то есть множество допустимых решений - это все рассматриваемое пространство.

В других задачах следует принимать во внимание различные ограничения, означающие, что не все точки пространства доступны при выборе. В содержательных постановках задач это может быть связано, например, с ограниченностью располагаемого количества ресурсов.

Ограничения могут быть представлены в форме равенств вида

или неравенства

Если условия имеют несколько другую форму, скажем, g 1 (Х) = g 2 (X) или g(X) A, то их можно привести к стандартному виду, перенеся в функции и константы в одну из частей равенства или неравенства.

Экстремум, отыскиваемый во всем пространстве, без каких-либо ограничивающих условий, носит название безусловного. Если целевая функция непрерывно дифференцируема, то, необходимое условие безусловного экстремума функции состоит в равенстве нулю всех ее частных производных:

Если же заданы ограничения, то экстремум ищется лишь среди точек, которые удовлетворяют всем ограничениям задачи, так как только такие точки являются допустимыми. В этом случае экстремум носит название условного.

Рассмотрим задачу поиска условного экстремума:

при условиях (2)

g 1 (Х) = 0; g 2 (Х) = 0, …, g n (Х) = 0,

все ограничения которой представляют собой равенства.

Если при этом целевая функция и все ограничивающие функции непрерывно дифференцируемы, то такую задачу мы будем называть задачей Лагранжа.

3. Задача Лагранжа с одним ограничением

Рассмотрим задачу, имеющую следующую структуру:

f(X) max

при условии (3)

g(X) = 0.

Рассмотрим пример. По склону горы идет дорога, требуется найти на ней самую высокую точку. На рис. 1 представлена карта местности с нанесенными на нее линиями

равных высот; толстая линия - это дорога. Точка М, в которой дорога касается одной линий уровня, - это и есть наивысшая точка дороги.

Если Х = (х 1 , х 2) - точка плотности, х 1 и х 2 - её координаты, то задаче можно придать следующую форму. Пусть f(Х) -- высота точки Х над уровнем моря, а уравнение g(X) = 0 описывает дорогу. Тогда наивысшая точка дороги - решение задачи (3).

Если бы дорога проходила через вершину горы, то ее высшая точка была бы самой высокой точкой местности, и ограничение можно было бы не принимать во внимание.

Если же дорога не проходит через вершину, то, немного отклонившись от дороги, можно было бы подняться выше, чем двигаясь строго по дороге. Отклонение от дороги соответствует попаданию в такие точки, где g(X) 0; при малых отклонениях достижимую при этом высоту можно приближенно считать пропорциональной отклонению.

Идею решения задачи Лагранжа можно представить следующим образом: можно попытаться “исправить” рельеф местности так, чтобы отклонение от дороги не давало преимуществ в достижении высоты. Для этого нужно заменить высоту f(Х) функцией.

L(X) = f(X) - g(Х),

где множитель подбирается таким образом, чтобы участок склона в окрестности точки М стал горизонтальным (слишком малое не устранит преимуществ отклонений от дороги, а слишком большое - придаст преимущество отклонениям в противоположную сторону).

Теперь, поскольку рельеф L(X) делает площадку в окрестности точки оптимума горизонтальной, эта точка удовлетворяет равенствам

а так как точка лежит на дороге, то - и ограничению g(X) = 0.

Пример с горой и дорогой -- лишь иллюстрация идеи; точно так же двумерный случай использован исключительно для наглядности. Подобным образом можно было бы рассуждать и в общем, n-мерном случае.

Справедливо следующее утверждение:

Если f(х 1 ,…,х n) и g(х 1 ,…,х n) - непрерывно дифференцируемые функции всех своих аргументов, то решение задачи

f(х 1 ,…,х n) max

при условии

g(х 1 ,…,х n) = 0

удовлетворяет равенствам

L(х 1 ,…,х n ;) = f(х 1 ,…,х n) -- g(х 1 ,…,х n).

Функция L(X;) получила название функции Лагранжа (или лагранжиана ) задачи (3), а коэффициент -- множителя Лагранжа .

Заметим, что равенство (5) -- это представленное в другой форме ограничение g(Х) = 0.

Приведенные выше рассуждения, разумеется, не являются доказательством сформулированного здесь утверждения; они лишь помогают понять существо метода: составляющая g(Х) в составе функции Лагранжа должна уравновешивать возможное увеличение максимального значения функции g(Х) от нуля. Это обстоятельство в дальнейшем будет весьма полезно при обсуждении смысла множителя Лагранжа.

Рассмотрим чрезвычайно простой пример. Веревкой длины А требуется огородить на берегу моря прямоугольный участок наибольшей площади (берег считается прямолинейным).

Рис.3 К задаче Дидона

Обозначим стороны прямоугольника х 1 и х 2 (см. рис. 3). Решим сначала задачу без использования метода Лагранжа.

Очевидно, х 2 = А - 2 х 1 и площадь прямоугольника равна S = х 1 х 2 = x 1 (А - 2х 1). Рассматривая ее как функцию одного аргумента х1, нетрудно найти его значение, при котором площадь максимальна: х 1 = А/4. Отсюда х 2 = А/2. Максимальная площадь равна S* = А 2 /8.

Теперь рассмотрим эту же задачу в форме задачи Лагранжа:

при условии

2 х 1 + х 2 - А = 0

Лагранжиан этой задачи равен

L(х 1 ,х 2 ;) = х 1 х 2 - (2х 1 + х 2 - А),

и условия экстремума имеют вид

2 х 1 + х 2 = А

Подставляя значения х 1 и х 2 из первого и второго равенств в третье, находим, что 4 = А, откуда

А/4; х 1 = А/4; х 2 =А/2,

как и при решении первым способом.

Этот пример показывает распространенный способ решения задачи Лагранжа. Соотношения (4) и (5) образуют систему уравнений относительно х 1 ,…,х n и,. Система состоит из n + 1 уравнения - n уравнений вида (4) и одно уравнение вида (5). Число уравнений равно числу неизвестных. Из уравнений вида (4) можно попытаться выразить каждую из неизвестных х 1 ,…,х 2 через, то есть решить ее как систему из n уравнений, рассматривая как параметр. Подставляя получившиеся выражения в уравнение (5) - нам известно, что оно совпадает с ограничением, - получаем уравнение относительно. Решая его, находят, после чего определяются исходные неизвестные х 1 ,…,х n .

4. Смысл множителей Лагранжа

При решении задачи Лагранжа мы интересовались значениями х 1 ,…,х n ; кроме того, нас могло интересовать экстремальное значение целевой функции f(X). Но в процессе решения попутно было определено значение еще одной величины - множителя Лагранжа.

Оказывается, множитель Лагранжа -- весьма существенная характеристика решаемой задачи. Чтобы смысл ее стал яснее, несколько изменим формулировку ограничения, ничего не изменяя по существу.

Типичная экономическая ситуация характеризуется тем, что приходится искать наиболее выгодное решение при ограниченном количестве некоторого ресурса. Если r - заданное количество ресурса, а функция h(X) характеризует потребное его количество для достижения точки Х, то ограничению естественно придать форму

По характеру задачи часто бывает ясно, что для достижения оптимума ресурс нужно использовать полностью, так что ограничение может быть записано в виде равенства

Это условие можно представить в форме g(X) = h(Х) - r = 0. Но значительный интерес представляет максимально достижимый уровень функции f(x) в зависимости от имеющегося количества ресурса r. Обозначим

F(r) = max f(X) h(X) = r.

В правой части - принятое обозначение условного экстремума: после вертикальной черты выписывается условие.

Вспомним, что при обсуждении структуры лагранжиана мы интерпретировали g(Х) как составляющую, уравновешивающую возможный прирост максимума f(X) при отклонении g(X) от нуля. Но отклонение g(X) от нуля есть отклонение h(Х) от r. Если располагаемое количество ресурса получает приращение r, то мы должны ожидать приращение максимума функции f(X) на r.

В действительности это соотношение носит приближенный характер. Точный результат мы получили бы в пределе при r 0:

Таким образом, множитель Лагранжа характеризует скорость изменения максимума целевой функции при изменении ограничивающей константы r в ограничении вида (6).

В рассмотренном в предыдущем пункте варианте задачи Дидоны ограниченным ресурсом была длина веревки А. Максимальная площадь оказалось равной S(A) = A 2 /8. Отсюда dS(А)/dА = А/4, что в точности соответствует найденному при решении значению.

Приведем еще одно рассуждение. Для всевозможных точек Х найдем значения f(X) и h(Х) и отложим эти значения в виде точек в декартовых координатах (рис. 4). Если при каждом значении h(Х) существует максимум функции f(Х), то все точки расположатся ниже некоторой кривой, показанной на рисунке жирной линией.

Нас интересуют точки, соответствующие условию h(X) = r. Максимум f(X) помечен точкой М*; обозначим наклон кривой в этой точке. Если в качестве ординаты брать не f(X), а L(X;) =f(X) - , то новая верхняя граница имела бы в точке М* горизонтальную касательную. Это значит, что в исходном n-мерном пространстве соответствующая точка М -- стационарная точка функции L (X;) с данным значением параметра. Таким образом, - множитель Лагранжа.

Но жирная черная кривая -- это график функции F(r), а - его угловой коэффициент, откуда и следует равенство (7).

4.1 Теорема Лагранжа

Предположим, на плоскости задана функция?(х) и дана кривая g(x) = 0. Если функция?, ограниченная на данную кривую, достигает своего минимума или максимума в точке, то векторы?"() и g"() коллинеарны (при условии, что обе функции имеют производные в точке).

В общей теореме Лагранжа функция? зависит не от двух, а от n переменных, и есть несколько функций g(x), задающих ограничения (х)=0, i=l,..., m. Мы оставим эту теорему без доказательства, это завело бы нас слишком далеко в сторону математического анализа. Посмотрим, как превосходно она работает при нахождении максимумов и минимумов.

Теорема (Закон Снеллиуса о преломлении света). Две среды разделены прямой линией, в первой скорость распространения света равна, а во второй -- . Если луч света выходит из первой среды под углом к нормали и входит во вторую под углом, то

Доказательство. Прямая на плоскости задаётся уравнением

где -- произвольная точка прямой,

a n -- вектор, перпендикулярный прямой. Выберем произвольную точкуна входящем пучке света и точкуна преломлённом (рис. 30). Свет всегда распространяется по пути, занимающему наименьшее время. Значит, нужно найти на границе сред точку х, для которой величина?(х) = принимает наименьшее значение. Получаем задачу:

?(х)=-min при условии g(x) = n·(x--) = 0.

Согласно принципу Лагранжа, в точке минимума векторы?"(х) и g"(x) коллинеарны. Производная?{x) равна сумме вектора, который имеет длину 1/ и сонаправлен с вектором х--, и вектора длины 1/, сонаправленного с вектором х--. А производная g"(x) равна вектору п. Условие коллинеарности означает, что сумма + перпендикулярна прямой, то есть проекции векторов и на прямую равны. Таким образом, что и требовалось.

Ну а теперь мы готовы представить обещанные решения задач о минимуме суммы расстояний до точки прямой и до точки плоскости.

66. Задача о минимальной сумме расстояний от k точек плоскости до точки на прямой. На плоскости дана прямая и k точек. Найти (или охарактеризовать) положение точки на прямой, для которой сумма расстояний до данных точек минимальна.

Решение. Пусть l -- данная прямая, а -- данные точки. Решаем задачу на минимум:

?(х) = |х--|+...+|х--|^min при условии g(x) = n·(x--) = 0,

где-- произвольная точка прямой l, a n -- вектор, перпендикулярный этой прямой. Обозначим черезвектор единичной длины, сонаправленный с вектором х--. Тогда?"(х)=+...+, a g"(x)=n. По теореме Лагранжа, в точке минимума вектор?(x) коллинеарен n, т. е. перпендикулярен прямой l. Таким образом: Решением задачи служит точка прямой l, для которой сумма проекций на прямую k единичных векторов, направленных из неё в данные точки, равна нулю.

Если из данных k точек есть хотя бы одна, не лежащая на прямой l, то задача имеет единственное решение. Доказать это совсем просто, если использовать приём из задачи 62. Если k?3, то такая точка, вообще говоря, не строится с помощью циркуля и линейки (вычисление её координаты приводит к уравнению высокой степени). Поэтому в общем случае у нас нет ничего лучшего, чем то описание точки минимума, которое мы привели.

Задача о минимальной сумме расстояний от k точек пространства до точки на данной плоскости. В пространстве дана плоскость и k точек. Найти (или охарактеризовать) положение точки на плоскости, для которой сумма расстояний до данных точек минимальна.

Решение этой задачи ничем не отличается от предыдущей и приводит к похожему ответу:

Минимум достигается в точке х плоскости, для которой сумма проекций на плоскость k единичных векторов, направленных из х в данные точки, равна нулю.

4.2 Метод множителей Лагранжа

Метод нахождения условного экстремума функции f (x ), где, относительно m ограничений ц i (x ) = 0, i меняется от единицы до m .

Пусть задана задача НП при ограничениях-равенствах вида

Минимизировать (4.2.1)

при ограничениях

Предположим, что все функции - дифференцируемы. Введем набор переменных (число которых равняется числу ограничений), которые называются множителями Лагранжа , и составим функцию Лагранжа такого вида:

Справедливо такое утверждение для того чтобы вектор являлся решением задачи (4.2.1) при ограничениях (5.2.2), необходимо, чтобы существовал такой вектор, что пара векторов удовлетворяла бы системе уравнений

Покажем необходимость условий (4.2.4), (4.2.5) на простом примере:

минимизировать (4.2.6)

при ограничениях

Ограничения (5.2.7) определяют допустимую область, которая представляет собой кривую в пространстве и является результатом пересечения и.

Допустим, что рассматриваемая задача имеет точку минимума в: , функции имеют непрерывные производные первого порядка на некотором открытом множестве и градиенты

линейно независимы.

Если две переменные в уравнениях (4.2.7) можно выразить через третью в виде, то подставив их в целевую функцию (5.2.6), преобразуем исходную задачу в следующую задачу без ограничений, которая содержит лишь одну переменную:

минимизировать. (4.2.8)

Поскольку градиенты, непрерывны и линейно независимы, то можно применить известную теорему математического анализа о неявной функции и найти стационарную точку, а потом.

Приведенный подход можно в принципе распространить и на случай функции переменных при наличии ограничений-равенств:

Если функции удовлетворяют условиям теоремы о неявной функции, то из переменных уравнений (4.2.9) можно выразить через остальные переменных, подставить их в и таким образом преобразовать задачу минимизации с ограничениями в задачу безусловной минимизации с переменными. Однако такой подход трудно реализовать на практике, поскольку очень трудно разрешить уравнения (4.2.9) относительно некоторых переменных. В общем случае это совсем невозможно.

Поэтому рассмотрим другой подход, который базируется на методе множителей Лагранжа.

Пусть - точка минимума, определяемого выражением (4.2.8). В соответствии с известной теоремой математического анализа о неявной функции можно записать

Аналогичные соотношения получим для ограничений

Запишем уравнения (4.2.10), (4.2.11) совместно в виде

Поскольку вектор не является нулевым, то из (4.2.12) следует, что. Из этого следует, что вектора-строки
матрицы A должны быть линейно зависимы. Следовательно, существуют три таких скаляра не все равные 0, что

Скаляр а не может равняться 0, так как в соответствии с предположением и -линейно независимы. Поэтому после деления (5.2.13) на, получим

Таким образом, для задачи минимизации с ограничениями (4.2.6) существуют такие, для которых справедливо уравнение (4.2.14) и которые одновременно не обращаются в нуль. Итак, справедливость условий (4.2.4) для случая n=3 показана.

Таким образом, для отыскания минимума (4.2.6) при условиях (4.2.7) необходимо найти стационарную точку функции Лагранжа:

Для того чтобы найти искомые значения, необходимо решить совместно систему уравнений (4.2.14), (4.2.5). С геометрической точки зрения условие (4.2.14) означает, что лежит в плоскости, натянутой на векторы

Теперь рассмотрим общий случай для произвольных. Пусть задана задача НП в виде (4.2.1), (4.2.2), все функции имеют непрерывные частные производные на множестве. Пусть -подмножество множества, на котором все функции, то есть. Тогда справедлива такая теорема о множителях Лагранжа.

Теорема. Допустим, чт о существует такая точка , в которой достигается относительный экстремум задачи НП (5.2.1) при условиях (4.2.2). Если ранг матрицы в точке равен , то существуют чисел , не все из которых равны нулю одновременно, при которых

Эта теорема обосновывает метод множителей Лагранжа, который состоит из следующих шагов.

Составляют функцию Лагранжа

Находят частные производные

Решают систему уравнений

и отыскивают точки, удовлетворяющие системе (4.2.16).

4.3 Метод неопределенных множителей Лагранжа

Применяется для решения задач с аналитическим выражением для критерия оптимальности и при наличии ограничений на независимые переменные типа равенств. Для получения аналитического решения требуется, чтобы ограничения имели аналитический вид. Применение неопределенных множителей Лагранжа позволяет свести задачу оптимизации с ограничениями к задаче, решаемой методами исследования функций классического анализа. В этом случае порядок системы уравнений, решаемой для нахождения экстремума критерия оптимизации, повышается на число ограничений. Применение метода эффективно при количестве переменных три и менее. Метод используется и при количестве переменных более трех, если процесс описывается конечными уравнениями.

Пусть требуется найти экстремум функции, которая зависит от n переменных, связанных в свою очередь отношениями. Достигаемый функцией экстремум с учетом выполнения условий называется относительным, или условным. Если же число переменных равно числу соотношений (), то искомые неизвестные находятся решением системы уравнений, описываемых соотношениями. Решение задачи оптимизации сводится к проверке найденным таким способом значений переменных на функции. Таким образом, экстремальную задачу можно решить простым перебором переменных, удовлетворяющих условиям.

Если m < n , то можно из уравнений связи найти зависимость m переменных от n - m остальных переменных, т.е.

Функцию можно получить подстановкой полученных переменных в функцию. Тогда будет зависеть только от переменных, не связанных дополнительными условиями. Следовательно, снимая ограничения удается и уменьшить размерность исходной задачи оптимизации. Часто аналитически таким способом задачу решить не удается. Поэтому для решения задач отыскания экстремума функции многих переменных обычно используется метод неопределенных множителей Лагранжа.

При введении новых переменных, носящих название неопределенных множителей Лагранжа появляется возможность ввести новую функцию

т.е. функцию m + n переменных, в которую ограничения, накладываемые системой функций входят как составная часть.

Экстремальное значение функции совпадает с экстремальным значением функции, если выполняется условие по ограничениям. Необходимым условием экстремума функции многих переменных является равенство нулю дифференциала этой функции в экстремальной точке, т.е.

Для того, чтобы это выражение выполнялось при любых значениях независимых дифференциалов, необходимо равенство нулю коэффициентов при этих дифференциалах, что дает систему уравнений

При этом новых независимых определяются из условия

Объединение систем (4.3.1) и (4.3.2) можно получить

Таким образом, задача в форме (4.3.3) сводится к задаче: найти

Отдельно следует отметить, что в общем случае метод множителей Лагранжа позволяет найти лишь необходимые условия существования условного экстремума для непрерывных функций, имеющих непрерывные производные. Однако из физического смысла решаемой задачи обычно известно, идет ли речь о максимуме или минимуме функции, кроме того, как правило, в проектных задачах функция на рассматриваемом отрезке является унимодальной. Поэтому в проектных задачах нет необходимости значения переменных, найденные при решении рассмотренных систем уравнений, проверять на экстремум с помощью анализа производных более высокого порядка.

4.4 Двумерный случай

Пусть требуется найти экстремум некоторой функции двух переменных f (x ,y ) при условии, задаваемом уравнением ш(x ,y ) = 0. Мы будем считать, что все функции непрерывно дифференцируемы, и данное уравнение задает гладкую кривую S на плоскости (x ,y ). Тогда задача сводится к нахождению экстремума функции f на кривой S . Будем также считать, что S не проходит через точки, в которых градиент f обращается в 0.

Линии уровня f(x,y) и кривая S

Нарисуем на плоскости (x ,y ) линии уровня функции f (то есть кривые f (x ,y ) = const). Из геометрических соображений видно, что экстремумом функции f на кривой S могут быть только точки, в которых касательные к S и соответствующей линии уровня совпадают. Действительно, если кривая S пересекает линию уровня f в точке (x 0 ,y 0) трансверсально (то есть под некоторым ненулевым углом), то двигаясь по кривой S из точки (x 0 ,y 0) мы можем попасть как на линии уровня, соответствующие большему значению f , так и меньшему. Следовательно, такая точка не может быть точкой экстремума.

Тем самым, необходимым условием экстремума в нашем случае будет совпадение касательных. Чтобы записать его в аналитической форме, заметим, что оно эквивалентно параллельности градиентов функций f и ш в данной точке, поскольку вектор градиента перпендикулярен касательной к линии уровня. Это условие выражается в следующей форме:

где л -- некоторое число, отличное от нуля, и являющееся множителем Лагранжа.

Рассмотрим теперь функцию Лагранжа , зависящую от x ,y и л:

L (x ,y ,л) = f (x ,y ) ? лш(x ,y )

Необходимым условием ее экстремума является равенство нулю градиента. В соответствии с правилами дифференцирования, оно записывается в виде

Мы получили систему, первые два уравнения которой эквивалентны необходимому условию локального экстремума (1), а третье -- уравнению ш(x ,y ) = 0. Из нее можно найти (x 0 ,y 0 ,л 0). При этом, поскольку в противном случае градиент функции f обращается в нуль в точке, что противоречит нашим предположениям. Следует заметить, что найденные таким образом точки (x 0 ,y 0) могут и не являться искомыми точками условного экстремума -- рассмотренное условие носит необходимый, но не достаточный характер. Нахождение условного экстремума с помощью вспомогательной функции L и составляет основу метода множителей Лагранжа, примененного здесь для простейшего случая двух переменных. Оказывается, вышеприведенные рассуждения обобщаются на случай произвольного числа переменных и уравнений, задающих условия

Заключение

Использование математических моделей в настоящее время стало очень актуальным вопросом, в связи с постоянно развивающейся экономики.

Построение математической (символической) модели системы можно начать с перечисления всех элементов системы, которые влияют на эффективность работы системы. Если в качестве меры общей эффективности используется “общие ожидаемые издержки”, то можно начать с исследования изобразительной или аналоговой модели, полученной на стадии постановки задачи.

Метод множителей Лагранжа позволяет отыскивать максимум или минимум функции при ограничениях-равенствах. Основная идея метода состоит в переходе от задачи на условный экстремум к задаче отыскания безусловного экстремума некоторой построенной функции Лагранжа.

Таким образом - метод множителей Лагранжа играет важную роль в развитии, предсказании, построении оптимального варианта, человеческой сферы деятельности

. Список использованной литературы

1. В.И. Варфоломеев “Моделирование элементов экономических систем”. Москва 2000г.

2. Бусленко Н.П. “Моделирование сложных систем” Москва, 1999г.

3. У. Черчмен, Р. Акоф, Л. Артоф. “Введение в исследование операций”. Наука: Москва, 1968г.

4. А. Будылин “Элементарные задачи”. Москва, 2002г.

5. Ванько В.И., Ермошина О.В., Кувыркин Г.Н. Вариацинное “Исчисление и оптимальное управление”. Москва, 1999г.

6. Ашманов С.А., Тимохов А.В. “Теория оптимизации в задачах и упражнениях”. Москва, 1991г.

7. “Лабораторный практикум по методам оптимизации”. А.Г.Коваленко, И.А.Власова, А.Ф.Федечев.- Самара, 1998г.

Подобные документы

    Метод решения задачи, при котором коэффициенты a[i], определяются непосредственным решением системы - метод неопределенных коэффициентов. Интерполяционная формула Ньютона и ее варианты. Построение интерполяционного многочлена Лагранжа по заданной функции.

    лабораторная работа , добавлен 16.11.2015

    Применение функции Лагранжа в выпуклом и линейном программировании. Простейшая задача Больца и классического вариационного исчисления. Использование уравнения Эйлера-Лагранжа для решения изопериметрической задачи. Краевые условия для нахождения констант.

    курсовая работа , добавлен 16.01.2013

    Нахождение экстремума функции нескольких переменных не на всей области определения, а на множестве, удовлетворяющему некоторому условию. Практический пример нахождения точки максимума и минимума функции. Главные особенности метода множителей Лагранжа.

    презентация , добавлен 17.09.2013

    Методы условной и безусловной нелинейной оптимизации. Исследование функции на безусловный экстремум. Численные методы минимизации функции. Минимизация со смешанными ограничениями. Седловые точки функции Лагранжа. Использование пакетов MS Excel и Matlab.

    лабораторная работа , добавлен 06.07.2009

    Преимущества уравнений Лагранжа и их применение. Классификация связей внутри механической системы. Возможные перемещения механической системы и число степеней свободы. Применение уравнений Лагранжа второго рода к исследованию механической системы.

    курсовая работа , добавлен 21.08.2009

    Применение теоремы Лагранжа при решении задач. Ее использование при решении неравенств и уравнений, при нахождении числа корней некоторого уравнения. Решение задач с использованием условия монотонности. Связи между возрастанием или убыванием функции.

    реферат , добавлен 14.03.2013

    Доказательство существования и единственности интерполяционного многочлена Лагранжа. Понятие лагранжевых коэффициентов. Способы задания наклонов интерполяционного кубического сплайна, его использование для аппроксимации функций на больших промежутках.

    презентация , добавлен 29.10.2013

    Нахождение экстремумов функций методом множителей Лагранжа. Выражение расширенной целевой функции. Схема алгоритма численного решения задачи методом штрафных функций в сочетании с методом безусловной минимизации. Построение линий ограничений.

    курсовая работа , добавлен 04.05.2011

    Формирование функции Лагранжа, условия Куна и Таккера. Численные методы оптимизации и блок-схемы. Применение методов штрафных функций, внешней точки, покоординатного спуска, сопряженных градиентов для сведения задач условной оптимизации к безусловной.

    курсовая работа , добавлен 27.11.2012

    Построение графика непрерывной функции. Определение множителя Лагранжа. Критические точки - значения аргумента из области определения функции, при которых производная функции обращается в нуль. Наибольшее и наименьшее значения функции на отрезке.

Рассмотрим задачу условной оптимизации, содержащую только ограничения в виде равенств

min

при наличии ограничений

,
.

Эта задача в принципе может быть решена как задача безусловной оптимизации, полученная путем исключения из целевой функции m независимых переменных с помощью заданных равенств. Наличие ограничений в виде равенств фактически позволяет уменьшить размерность исходной задачи. Новая задача может быть решена с помощью подходящего метода безусловной оптимизации.

Пример . Требуется минимизировать функцию

при ограничении

Исключив переменную с помощью уравнения, получим оптимизационную задачу с двумя переменными без ограничений:

минимизировать ,

которую можно решить одним из методов безусловной оптимизации.

Однако метод исключения переменных применим лишь в тех случаях, когда уравнения, представляющие ограничения, можно разрешить относительно некоторого набора переменных. При наличии большого числа ограничений в виде равенств процесс исключения переменных становится весьма трудоемкой процедурой. Кроме того, возможны ситуации, когда уравнение не удается разрешить относительно переменной. В этом случае целесообразно использовать метод множителей Лагранжа.

С помощью метода множителей Лагранжа по существу устанавливаются необходимые условия, позволяющие идентифицировать точки оптимума в задачах оптимизации с ограничениями в виде равенств.

Рассмотрим задачу

min

при наличии ограничений

,
.

Из курса математического анализа хорошо известно, что точка условного минимума функции совпадает с седловой точкой функции Лагранжа:

,

при этом седловая точка должна обеспечивать минимум по переменным и максимум по параметрам. Эти параметры называются множителями Лагранжа. Приравнивая частные производные функциипои пок нулю, получим необходимые условия стационарной точки:

,
,

,
.

Решение системы
уравнений определяет стационарную точку функции Лагранжа. Достаточные условия существования минимума исходной задачи содержат, кроме выше упомянутых, положительную определенность матрицы Гессе целевой функции.

4.2. Условия куна - таккера

Рассмотрим задачу нелинейного программирования с ограничениями в виде неравенств

min

при ограничениях

,
.

Сведем ограничения в виде неравенств к ограничениям-равенствам добавлением к каждому из них ослабляющих переменных ,
:



.

Сформируем функцию Лагранжа:

Тогда необходимые условия минимума принимают вид

,
;

,
;

,
.

Можно умножить последнее уравнение на и заменить ослабляющие переменные, выразив их из второго уравнения. Второе уравнение можно преобразовать, отбросив ослабляющие переменные и переходя к ограничениям-неравенствам. Следует добавить еще одно условие
, которое должно выполняться в точке условного минимума.

Окончательно получаем необходимые условия существования минимума задачи нелинейного программирования с ограничениями неравенствами, которые называются условиями Куна- Таккера:

,
; (1)

,
; (2)

,
; (3)

,
. (4)

Ограничение в виде неравенства
называется активным в точке, если оно превращается в равенство
, и называется неактивным, если
. Если существует возможность обнаружить до непосредственного решения задачи ограничения, которые неактивны в точке оптимума, то эти ограничения можно исключить из модели и тем самым уменьшить ее размеры.

Уравнение (3) означает, что либо
, либо
. Если
, то
и ограничение является активным и представляет собой ограничение равенство. С другой стороны, если ограничение является строгим неравенством
, то множитель Лагранжа будет иметь вид
т.е. ограничение
является неактивным и им можно пренебречь. Конечно, предварительно не известно какими ограничениями можно пренебречь.

Метод множителей Лагранжа.

Метод множителей Лагранжа является одним из методов, которые позволяют решать задачи нелинейного программирования.

Нелинейное программирование-это раздел математического программирования, изучающий методы решения экстремальных задач с нелинейной целевой функцией и областью допустимых решений, определенной нелинейными ограничениями. В экономике это соответствует тому, что результаты (эффективность) возрастают или убывают непропорционально изменению масштабов использования ресурсов (или, что то же самое, масштабов производства): напр., из-за деления издержек производства на предприятиях на переменные и условно-постоянные; из-за насыщения спроса на товары, когда каждую следующую единицу продать труднее, чем предыдущую и т. д.

Задача нелинейного программирования ставится как задача нахождения оптимума определенной целевой функции

F(x 1 ,…x n), F (x ) → max

при выполнении условий

g j (x 1 ,…x n)≥0, g (x ) ≤ b , x ≥ 0

где x -вектор искомых переменных;

F (x ) -целевая функция;

g (x ) - функция ограничений (непрерывно дифференцируемая);

b - вектор констант ограничений.

Решение задачи нелинейного программирования (глобальный максимум или минимум) может принадлежать либо границе, либо внутренней части допустимого множества.

В отличие от задачи линейного программирования, в задаче программирования нелинейного оптимум не обязательно лежит на границе области, определенной ограничениями. Иначе говоря, задача состоит в выборе таких неотрицательных значений переменных, подчиненных системе ограничений в форме неравенств, при которых достигается максимум (или минимум) данной функции. При этом не оговариваются формы ни целевой функции, ни неравенств. Могут быть разные случаи: целевая функция нелинейная, а ограничения линейны; целевая функция линейна, а ограничения (хотя бы одно из них) нелинейные; и целевая функция, и ограничения нелинейные.

Задача нелинейного программирования встречается в естественных науках, технике, экономике, математике, в сфере деловых отношений и в науке управления государством.



Нелинейное программирование, например, связано с основной экономической задачей. Так в задаче о распределении ограниченных ресурсов максимизируют либо эффективность, либо, если изучается потребитель, потребление при наличии ограничений, которые выражают условия недостатка ресурсов. В такой общей постановке математическая формулировка задачи может оказаться невозможной, но в конкретных применениях количественный вид всех функций может быть определен непосредственно. Например, промышленное предприятие производит изделия из пластмассы. Эффективность производства здесь оценивается прибылью, а ограничения интерпретируются как наличная рабочая сила, производственные площади, производительность оборудования и т.д.

Метод "затраты - эффективность" также укладывается в схему нелинейного программирования. Данный метод был разработан для использования при принятии решений в управлении государством. Общей функцией эффективности является благосостояние. Здесь возникают две задачи нелинейного программирования: первая - максимизация эффекта при ограниченных затратах, вторая - минимизация затрат при условии, чтобы эффект был выше некоторого минимального уровня. Обычно эта задача хорошо моделируется с помощью нелинейного программирования.

Результаты решения задачи нелинейного программирования являются подспорьем при принятии государственных решений. Полученное решение является, естественно, рекомендуемым, поэтому необходимо исследовать предположения и точность постановки задачи нелинейного программирования, прежде чем принять окончательное решение.

Нелинейные задачи сложны, часто их упрощают тем, что приводят к линейным. Для этого условно принимают, что на том или ином участке целевая функция возрастает или убывает пропорционально изменению независимых переменных. Такой подход называется методом кусочно-линейных приближений, он применим, однако, лишь к некоторым видам нелинейных задач.

Нелинейные задачи в определенных условиях решаются с помощью функции Лагранжа: найдя ее седловую точку, тем самым находят и решение задачи. Среди вычислительных алгоритмов Н. п. большое место занимают градиентные методы. Универсального же метода для нелинейных задач нет и, по-видимому, может не быть, поскольку они чрезвычайно разнообразны. Особенно трудно решаются многоэкстремальные задачи.

Одним из методов, которые позволяют свести задачу нелинейного программирования к решению системы уравнений, является метод неопределенных множителей Лагранжа.

С помощью метода множителей Лагранжа по существу устанавливаются необходимые условия, позволяющие идентифицировать точки оптимума в задачах оптимизации с ограничениями в виде ра­венств. При этом задача с ограничениями преобразуется в эквива­лентную задачу безусловной оптимизации, в которой фигурируют некоторые неизвестные параметры, называемые множителями Ла­гранжа.

Метод множителей Лагранжа заключается в сведении задач на условный экстремум к задачам на безусловный экстремум вспомогательной функции - т. н. функции Лагранжа.

Для задачи об экстремуме функции f (х 1 , x 2 ,..., x n ) при условиях (уравнениях связи) φ i (x 1 , x 2 , ..., x n ) = 0, i = 1, 2,..., m , функция Лагранжа имеет вид

L(x 1, x 2… x n ,λ 1, λ 2 ,…λm)=f(x 1, x 2… x n)+∑ i -1 m λ i φ i (x 1, x 2… x n)

Множители λ 1 , λ 2 , ..., λm наз. множителями Лагранжа.

Если величины x 1 , x 2 , ..., x n , λ 1 , λ 2 , ..., λm суть решения уравнений, определяющих стационарные точки функции Лагранжа, а именно, для дифференцируемых функций являются решениями системы уравнений

то при достаточно общих предположениях x 1 , x 2 , ..., x n доставляют экстремум функции f.

Рассмотрим задачу минимизации функции n переменных с учетом одного ограничения в виде равенства:

Минимизировать f(x 1, x 2… x n) (1)

при ограничениях h 1 (x 1, x 2… x n)=0 (2)

В соответствии с методом множителей Лагранжа эта задача преобразуется в следующую задачу безусловной оптимизации:

минимизировать L(x,λ)=f(x)-λ*h(x) (3)

где Функция L(х;λ) называется функцией Лагранжа,

λ - неизвестная постоянная, которая носит название множителя Лагранжа. На знак λ никаких требований не накладывается.

Пусть при заданном значении λ=λ 0 безусловный минимум функции L(x,λ) по х достигается в точке x=x 0 и x 0 удовлетворяет уравнению h 1 (x 0)=0. Тогда, как нетрудно видеть, x 0 минимизирует (1) с учетом (2), поскольку для всех значений х, удовлетворяющих (2), h 1 (x)=0 и L(x,λ)=min f(x).

Разумеется, необходимо подобрать значение λ=λ 0 таким образом, чтобы координата точки безусловного минимума х 0 удовлетворяла равенству (2). Это можно сделать, если, рассматривая λ как переменную, найти безусловный минимум функции (3) в виде функции λ, а затем выбрать значение λ, при котором выполняется равенство (2). Проиллюстрируем это на конкретном примере.

Минимизировать f(x)=x 1 2 +x 2 2 =0

при ограничении h 1 (x)=2x 1 +x 2 -2=0=0

Соответствующая задача безусловной оптимизации записывается в следующем виде:

минимизировать L(x,λ)=x 1 2 +x 2 2 -λ(2x 1 +x 2 -2)

Решение. Приравняв две компоненты градиента L к нулю, получим

→ x 1 0 =λ

→ x 2 0 =λ/2

Для того чтобы проверить, соответствует ли стационарная точка х° минимуму, вычислим элементы матрицы Гессе функции L(х;u), рассматриваемой как функция х,

которая оказывается положительно определенной.

Это означает, что L(х,u) - выпуклая функция х. Следовательно, координаты x 1 0 =λ, x 2 0 =λ/2 определяют точку глобального минимума. Оптимальное значение λ находится путем подстановки значений x 1 0 и x 2 0 в уравнение2x 1 +x 2 =2, откуда 2λ+λ/2=2 или λ 0 =4/5. Таким образом, условный минимум достигается при x 1 0 =4/5 и x 2 0 =2/5 и равен min f(x)=4/5.

При решении задачи из примера мы рассматривали L(х;λ) как функцию двух переменных x 1 и x 2 и, кроме того, предполагали, что значение параметра λ выбрано так, чтобы выполнялось ограни­чение. Если же решение системы

J=1,2,3,…,n

в виде явных функций λ получить нельзя, то значения х и λ находятся путем решения следующей системы, состоящей из n+1 уравнений с n+1 неизвестными:

J=1,2,3,…,n., h 1 (x)=0

Для нахождения всех возможных решений данной системы можно использовать численные методы поиска (например, метод Ньютона). Для каждого из решений () следует вычислить элементы матрицы Гессе функции L, рассматриваемой как функция х, и выяснить, является ли эта матрица положительно определенной (локальный минимум) или отрицательно определенной (локальный максимум).

Метод множителей Лагранжа можно распространить на случай, когда задача имеет несколько ограничений в виде равенств. Рассмотрим общую задачу, в которой требуется

Минимизировать f(x)

при ограничениях h k =0, k=1, 2, ..., К.

Функция Лагранжа принимает следующий вид:

Здесь λ 1 , λ 2 , ..., λk -множители Лагранжа, т.е. неизвестные параметры, значения которых необходимо определить. Приравнивая частные производные L по х к нулю, получаем следующую систему n уравнении с n неизвестными:

Если найти решение приведенной выше системы в виде функций вектора λ оказывается затруднительным, то можно расширить систему путем включения в нее ограничений в виде равенств

Решение расширенной системы, состоящей из n+К уравнений с n+К неизвестными, определяет стационарную точку функции L. Затем реализуется процедура проверки на минимум или максимум, которая проводится на основе вычисления элементов матрицы Гессе функции L, рассматриваемой как функция х, подобно тому, как это было проделано в случае задачи с одним ограничением. Для некоторых задач расширенная система n+К уравнений с n+K неизвестными может не иметь решений, и метод множителей Лагранжа оказывается неприменимым. Следует, однако, отметить, что такие задачи на практике встречаются достаточно редко.

Рассмотрим частный случай общей задачи нелинейного программирования, предполагая, что система ограничений содержит только уравнения, отсутствуют условия неотрицательности переменных и и - функции непрерывные вместе со своими частными производными. Следовательно решив систему уравнений (7), получают все точки, в которых функция (6) может иметь экстремальные значения.

Алгоритм метода множителей Лагранжа

1.Составляем функцию Лагранжа.

2.Находим частные производные от функции Лагранжа по переменным x J ,λ i и приравниваем их нулю.

3.Решаем систему уравнений (7), находим точки, в которых целевая функция задачи может иметь экстремум.

4.Среди точек, подозрительных на экстремум, находим такие, в которых достигается экстремум, и вычисляем значения функции (6) в этих точках.

Пример.

Исходные данные: По плану производства продукции предприятию необходимо изготовить 180 изделий. Эти изделия могут быть изготовлены двумя технологическими способами. При производстве x 1 изделий 1 способом затраты равны 4x 1 +x 1 2 руб., а при изготовлении x 2 изделий 2 способом они составляют 8x 2 +x 2 2 руб. Определить сколько изделий каждым из способов следует изготовить, чтобы затраты на производство продукции были минимальными.

Целевая функция для поставленной задачи имеет вид
®min при условиях x 1 +x 2 =180, x 2 ≥0.
1.Составляем функцию Лагранжа
.
2. Вычисляем частные производные по x 1 , x 2, λ и приравниваем их нулю:

3. Решая полученную систему уравнений, находим x 1 =91,x 2 =89

4.Сделав замену в целевой функции x 2 =180-x 1 , получим функцию от одной переменной, а именно f 1 =4x 1 +x 1 2 +8(180-x 1)+(180-x 1) 2

Вычисляем или 4x 1 -364=0 ,

откуда имеем x 1 * =91, x 2 * =89.

Ответ: Количество изделий изготовленных первым способом равно х 1 =91, вторым способом х 2 =89 при этом значение целевой функции равно 17278 руб.