FK WMS: Wirtschaftsmathematik 2, Einheit...
Transcript of FK WMS: Wirtschaftsmathematik 2, Einheit...
-
FK WMS: Wirtschaftsmathematik 2, Einheit 7/8
Markus Sinnl1
http://homepage.univie.ac.at/markus.sinnl
basierend auf Folien von Dr. Ivana Ljubic, Mag. ChristianSpreitzer und Mag. Reinhard Ullrich
1Sprechstunde: MI, 10-11 Uhr [04/343]
-
FK WMS: Wirtschaftsmathematik 2, Einheit 7/8
I Extremalprobleme mit Ungleichungen als NebenbedingungenI Konvexitat von MengenI Konkave und konvexe ProgrammeI Satz von Karush-Kuhn-Tucker
2/18
-
Konvexitat
Definition:Eine Menge C im Rn heit konvex, wenn zu je zwei Punkten ~x1, ~x2 C auch dieVerbindungsstrecke zwischen ~x1 und ~x2 ganz in C liegt, d.h.
~x1 + (1 )~x2 C fur alle ~x1, ~x2 C und [0, 1]
Bemerkung:
I Der Durchschnitt von zwei oder mehreren konvexen Mengen ist konvex.
I Die Vereinigung von zwei konvexen Mengen ist im allgemeinen nicht mehrkonvex.
Proposition:Sei g : C R eine auf einer konvexen Teilmenge C des Rn definierte konvexeFunktion. Dann ist fur jedes b R die Menge
Cb = {~x C |g(~x) b} konvex.
3/18
-
Extremalprobleme mit Ungleichungen alsNebenbedingungen
Der zulassige Bereich eines Optimierungsproblems:Fur das Optimierungsproblem
f (~x) = max!
g1(~x) b1g2(~x) b2
...gm(~x) bm
nennen wir die Menge
C = {~x Rn | gj (~x) bj fur j = 1, 2, . . . ,m}
den zulassigen Bereich des Optimierungsproblems.
4/18
-
Extremalprobleme mit Ungleichungen alsNebenbedingungen
Bemerkungen:
I Wenn ein Minimierungsproblem F (x) = min! vorliegt, lasst es sich durchAnderung des Vorzeichens in die max!-Form uberfuhren:
f (x) = F (x) = max!.
I Die Ungleichungen der Form h(~x) bj lassen sich in die Form
g(~x) = h(~x) bj
umschreiben.
I Eine Gleichheitsnebenbedingung g(~x) = bj schreiben wir als:
g(~x) bj
undg(~x) bj .
5/18
-
Extremalprobleme mit Ungleichungen alsNebenbedingungen
(In)Aktive Restriktionen:Eine Restriktion gj (~x) bj heit aktiv im Punkt ~x C , falls gilt:
gj (~x) = bj .
Die Indexmenge der im Punkt ~x C aktiven Nebenbedingungen bezeichnen wir mitJa(~x), jene der inaktiven Nebenbedingungen mit Ji (~x
).
Beispiel:Der zulassige Bereich C eines Optimierungsproblems sei durch folgende Ungleichungenbeschrieben:
g1(x , y) = x2 + y2 25, g2(x , y) = x 4, g3(x , y) = x y 1
Untersuchen Sie fur die angegebenen Punkte Pj , ob Sie im zulassigen Bereich Cliegen. Geben Sie fur Punkte im zulassigen Bereich die Menge der aktiven und dieMenge der inaktiven Nebenbedingungen an!
P1(3| 4), P2(1|2), P3(2|2), P4(4| 3), P5(3|4), P6(0|5)
6/18
-
Beispiel:
C = {(x , y) R2 : x2 + y2 25 x 4 x y 1}
g1(x , y) = x2 + y2 25, g2(x , y) = x 4, g3(x , y) = x y 1
I P1(3| 4): P1 / C , da g3|P1 = 3 + 4 = 1I P2(1|2): g1|P2 = 5 < 25, g2|P2 = 1 < 4, g3|P2 = 1 Ja(P2) = {3}, Ji (P2) = {1, 2}
I P3(2|2): g1|P3 = 8 < 25, g2|P3 = 4, g3|P3 = 4 < 1 Ja(P3) = {2}, Ji (P3) = {1, 3}
I P4(4| 3): g1|P4 = 25, g2|P4 = 4, g3|P4 = 1 Ja(P4) = {1, 2, 3}, Ji (P4) = {}
I P5(3|4): g1|P5 = 25, g2|P5 = 3 < 4, g3|P5 = 1 Ja(P5) = {1, 3}, Ji (P5) = {2}
I P6(0|5): g1|P6 = 25, g2|P6 = 0 < 4, g3|P6 = 5 < 1 Ja(P6) = {1}, Ji (P6) = {2, 3}
7/18
-
Konkaves/Konvexes Programm
Konkaves ProgrammEin Optimierungsproblem
f (~x) = max! g1(~x) b1...
gm(~x) bmheit konkaves Programm, wenn die Zielfunktion f eine konkave Funktion und dieNebenbedingungsfunktionen gj konvexe Funktionen sind (letzteres stellt sicher, dassder zulassige Bereich eine konvexe Menge ist).
Konvexes ProgrammEin Optimierungsproblem
f (~x) = min! g1(~x) b1...
gm(~x) bmheit konvexes Programm, wenn die Zielfunktion f eine konvexe Funktion und dieNebenbedingungsfunktionen gj konvexe Funktionen sind (letzteres stellt sicher, dassder zulassige Bereich eine konvexe Menge ist). .
8/18
-
Satz von Karush-Kuhn-Tucker
Satz von Karush-Kuhn-Tucker:Sei ~x ein lokaler Maximizer fur das Optimierungsproblem
f (~x) = max! g1(~x) b1g2(~x) b2
...gm(~x) bm
1. Dann gibt es nichtnegative Zahlen 1, . . . , m, sodass
gradf (~x) =mj=1
j grad gj (~x)
Auerdem gelten complementary slackness Bedingungen:
gj inaktiv j = 0 bzw. j 6= 0 gj aktiv
2. Wenn ein konkaves Programm vorliegt, dann ist Bedingung (1) hinreichenddafur, dass ~x ein Maximizer des Optimierungsproblems ist.
3. Bemerkung: ~x muss daruberhinaus die constraint qualification erfullen.
9/18
-
Satz von Karush-Kuhn-Tucker
Satz von Karush-Kuhn-Tucker:Sei ~x ein lokaler Minimizer fur das Optimierungsproblem
f (~x) = min! g1(~x) b1g2(~x) b2
...gm(~x) bm
1. Dann gibt es nichtpositive Zahlen 1, . . . , m, sodass
gradf (~x) =mj=1
j grad gj (~x)
Auerdem gelten complementary slackness Bedingungen:
gj inaktiv j = 0 bzw. j 6= 0 gj aktiv
2. Wenn ein konvexes Programm vorliegt, dann ist Bedingung (1) hinreichend,dass ~x ein Minimizer des Optimierungsproblems ist.
3. Bemerkung: ~x muss daruber hinaus die constraint qualification erfullen.
10/18
-
Satz von Karush-Kuhn-Tucker
Constraint qualification:Dies sind gewisse Kriterien, die die Nebenbedingungen erfullen mussen, damit der Satzvon Karush-Kuhn-Tucker anwendbar ist. Hinreichend fur die Anwendbarkeit desSatzes ist etwa jede der folgenden Bedingungen:
I Alle Nebenbedingungen (gj )mj=1 sind linear.
I Alle Nebenbedingungen (gj )mj=1 sind konvex, es gilt grad gj (~x) 6= 0 fur alle j undes gibt ein ~x, fur das keine Nebenbedingung aktiv ist, d.h. gj (~x
) < bj fur allej = 1, ...,m.
I Alle Nebenbedingungen sind differenzierbar und die Gradienten grad gj (~x) sindlinear unabhangig, wobei j durch die Menge Ja(~x) der in ~x aktivenNebenbedingungen lauft.
11/18
-
Satz von Karush-Kuhn-Tucker
Bemerkung:Die KKT-Bedingungen lassen sich aus der Lagrange-Funktion ableiten:
L(x1, x2, . . . , xn, 1, . . . , m) = f (~x)mj=1
j (gj (~x) bj ).
Die folgenden Gleichungen mussen erfullt sein:
L
x1= 0, . . . ,
L
xn= 0
undL
1 0, . . . ,
L
m 0
12/18
-
Satz von Karush-Kuhn-Tucker - Beispiel
Beispiel:Angenommen, die Kosten der Produktionsfaktoren betragen 1 Euro pro Einheit Arbeitund Kapital in der Cobb-Douglas Funktion:
f (x , y) = x12 y
14 ,
maximiere die Produktion, wenn insgesamt b Euro fur die Produktionsfaktoren zurVerfugung stehen.
Optimierungsproblem:
f (x , y) = x12 y
14 = max!
g(x , y) = x + y b
Bereich fur Optimierung: = {(x , y) R2 : x > 0 y > 0}
13/18
-
Beispiel:
f (x , y) = x12 y
14 , g(x , y) = x + y b, Df = {(x , y) R2 : x > 0 y > 0}
Hf (x , y) =
( 1
4x
32 y
14 1
8x
12 y
34
18x
12 y
34 3
16x
12 y
74
)
I Hauptminoren:
I 1 = 14x 32 y
14 < 0 auf Df
I 2 =1
32x1y
32 > 0 auf Df
I Somit ist Hf uberall auf negativ definit und f global konkav.
I Da f konkav und g konvex, handelt es sich um ein konkaves Programm.
I Karush-Kuhn-Tucker-Bedingungen:
1
2x
12 y
14 = 0
1
4x
12 y
34 = 0
x + y b
I Fur = 0 ware x + y < b erlaubt, jedoch ist = 0 nicht moglich!
14/18
-
I Die Substitution x = b y transformiert die ersten beiden Gleichungen in
(b y)12 y
14 = 2
(b y)12 y
34 = 4
I Dies fuhrt zu
2(b y)12 y
14 = (b y)
12 y
34
2y = b y
y =b
3
und somit x =2b
3und =
(3
64b
) 14
.
I Da ein konkaves Programm vorliegt, ist dies der eindeutige Maximizer desProblems.
I Optimale Losung besteht also in einer Aufteilung der Mittel im Verhaltnis 2:1auf die Produktionsfaktoren x und y .
15/18
-
Satz von Karush-Kuhn-Tucker - Beispiel
Beispiel:Prufe, ob der Punkt P = (4, 3) ein lokaler (der globale) Minimizer des gegebenenProblems ist:
(4x + 3y)2 min!x2 + y2 252x + y 4
Satz:Eine stetige Funktion nimmt auf einem abgeschlossenen und beschrankten Bereichstets ein globales Maximum und ein globales Minimum.
16/18
-
f (x , y) = (4x + 3y)2 = min!, g1(x , y) = x2 + y2 25, g2(x , y) = 2x y 4
Ist P = (4, 3) ein lokaler Minimizer (der globale Minimizer) des Problems?
I Zeige, dass die KKT-Bedingungen erfullt sind, d.h. dass es nichtpositive Zahlen1 und 2 gibt, sodass
grad f (x , y) = 1grad g1(x , y) + 2grad g2(x , y)
I Bei P ist g1 aktiv und g2 inaktiv, d.h. 2 = 0 (complementary slackness).
I grad f (x , y) =
(8(4x + 3y)6(4x + 3y)
) grad f |P =
(8 256 25
)I grad g1(x , y) =
(2x2y
) grad g1|P =
(86
)I Es ist also grad f |P = 25 grad g1|P KKT-Bedingungen fur Minimizer sind
erfullt.
I Da aber f konkav, g1, g2 konvex und ein Minimizer gesucht wird, ist dies nochnicht hinreichend (kein konvexes Programm). Es ist daher eine nahereUntersuchung des Punktes P notig!
17/18
-
Die Niveaulinie von f durch P = (4, 3) schneidet den zulassigen Bereich nur im Punkt
P und liegt sonst auerhalb des zulassigen Bereichs. Offenbar ist P jener Punkt im
zulassigen Bereich mit dem kleinsten Funktionswert und damit globaler Minimizer des
Problems.
18/18