2015-04-30
4882
Задачей квадратичного программирования называют задачу НЛП, в которой находиться экстремум суммы линейной и квадратичных форм при ограничениях типа линейных неравенств и неотрицательности переменных. Эта задача имеет вид:
(5.34)
(5.35)
Здесь R – отношение вида 
Методика решения задачи квадратичного программирования заключается в следующем:
1. Функция f( 
) проверяется на выпуклость или на вогнутость в зависимости от постановки задачи на максимум или на минимум.
2. Записывается функция Лагранжа
3. Вычисляются частные производные 
и 
4. Записываются необходимые условия существования седловой точки в
соответствии с типом ограничений (табл. 5.2.). Например, для задачи на максимум и ограничениях типа 
условия Куна-Таккера 
≤0, 
≥0, xj= 0, 
, 
i= 0, xi≥ 0, i≥ 0.
Примечание: Если типу ограничений соответствуют требования отрицательности множителей Лагранжа, то данные ограничения должны быть преобразованы к типу, для которых 
или 
не имеет ограничений. Например, для задачи на максимум с ограничениями типа 
требования к множителям Лагранжа 
. Тогда ограничения типа приводятся к виду 
, для которых .
5. Условия Куна-Таккера записываются в виде равенств путем введения дополнительных переменных.
(5.36)
(5.37)
6. Находим координаты седловой точки используя симплекс-метод.
Система (5.36) содержит 
линейных уравнений с 
переменными 
из которых являются свободными и равны нулю. Остальные переменные образуют при этом допустимое базисное решение, если выполняется условие (5.37).
Если в исходной системе (5.36) можно выделить начальное допустимое базисное решение, то его улучшение производят на основании симплекс-метода, аналогичного рассмотренному в задаче линейного программирования. Отличие здесь заключается в том, что при выборе новой базисной переменной каждый раз должны проверяться условия которые означают, что если в базисе имеются 
или то в него не могут быть введены переменные 
и 
соответственно.
Если в системе (5.36) нельзя сразу выделить начальное допустимое базисное решение, то оно может быть получено введением в систему фиктивных переменных 
.
+uj= 0,
- vi +zi= 0 (5.38)
В этом случае для улучшения начального допустимого баланса решения используют М-метод (подробнее алгоритм М -метода см. в п.3.5). То есть решают задачу максимизации функции F= 
при ограничениях (5.37) и (5.38). Здесь М – сколь угодно большое положительное число. Оптимальное решение может быть получено, если фиктивные переменные перейдут в разряд свободных, то есть будут выведены из базиса в процессе улучшения начального допустимого базисного решения.
Пример 5.1 Требуется максимизировать
(5.39)
при условиях:
(5.40)
1. Функция f представляет собой сумму линейной функции 4 x1+ 10 x2+x3, которую можно рассматривать как выпуклую и квадратичной –x12- 4 x22- 4 x33. Последняя является отрицательно определенной, следовательно также выпуклой.
2. В соответствии с типом оптимизации (5.39) и видом ограничений (5.40), ограничения, накладываемые на переменные - табличные. Поэтому условия (5.40) должны быть записаны в виде:
(5.41)
для которых .
3. Функция Лагранжа
и условие Куна-Таккера (таблица 2):
4. Частные производные от функции Лагранжа по переменным 
и
= 
= 
= 
= 
= 
5. Условия Куна-Таккера
(5.42)
6. Условия (5.42) приводим к каноническому виду (ограничения равенства) путем введения дополнительных переменных u1 
0, u2 0, u3 0, v1 0, v2 0.
(5.43)
7. Формируем исходный базис путем введения фиктивных переменных 
в ограничения (5.43):
(5.44)
и решаем задачу максимизации функции 
при ограничениях (5.44) симплекс-методом (решение в виде последовательности симплекс-таблиц представлено ниже).
| БП | Cб | В | - м | - м | - м | ||||||||||
| X1 | X2 | X3 | l1 | l2 | U1 | U2 | U3 | V1 | V2 | Z1 | Z2 | Z3 | |||
| Z1 | -м | -1 | |||||||||||||
| Z2 | -м | -1 | |||||||||||||
| Z3 | -м | -1 | |||||||||||||
| V1 | |||||||||||||||
| V2 | |||||||||||||||
| -15 м | 2 м | 8 м | 8 м | 5 м | 3 м | - м | - м | - м |
| БП | Cб | В | -м | -м | -м | ||||||||||
| X1 | X2 | X3 | l1 | l2 | U1 | U2 | U3 | V1 | V2 | Z1 | Z2 | Z3 | |||
| Z1 | - м | -1 | |||||||||||||
| X2 | 1.25 | 0.125 | 0.125 | -0.125 | |||||||||||
| Z3 | - м | 0,12 | |||||||||||||
| V1 | 13.5 | -0.25 | -0.25 | 0.25 | |||||||||||
| V2 | 28.75 | -0.125 | -0.125 | 0.125 | |||||||||||
| -5 м | 2 м | 8 м | 4 м | 2 м | - м | -0.12 м |
| БП | Cб | В | -м | -м | -м | ||||||||||
| X1 | X2 | X3 | l1 | l2 | U1 | U2 | U3 | V1 | V2 | Z1 | Z2 | Z3 | |||
| Z1 | - м | -1 | |||||||||||||
| X2 | 1.25 | 0.125 | 0.125 | -0.125 | |||||||||||
| X3 | 0.125 | 0.375 | 0.125 | -0.016 | |||||||||||
| V1 | 13.125 | -1.375 | -0.625 | 0.25 | 0.047 | ||||||||||
| V2 | 28.625 | -0.5 | -0.25 | 0.125 | 0.016 | ||||||||||
| -4 м | 2 m | m | m | -m |
| БП | Cб | В | -м | -м | -м | ||||||||||
| X1 | X2 | X3 | l1 | l2 | U1 | U2 | U3 | V1 | V2 | Z1 | Z2 | Z3 | |||
| X1 | 0.5 | 0.5 | -0.5 | 0.5 | |||||||||||
| X2 | 1.25 | 0.125 | 0.125 | -0.125 | |||||||||||
| X3 | 0.125 | 0.375 | 0.125 | -0.016 | |||||||||||
| V1 | 11.125 | -1.875 | -1.125 | 0.5 | 0.25 | 0.047 | |||||||||
| V2 | 26.625 | -1 | -0.75 | 0.5 | 0.125 | 0.016 | |||||||||
Оптимальный план 
opt= ( 2; 1.25; 0.125; 0; 0; 0; 0; 0; 11.125; 26.625 ).
Целевая функция Fmax= 4*2+10*1.25+0.125-22-4*0.1252 = 10.3125
Методы, перечисленные ниже, являются методами приближенного вычисления, в отличие от метода множителей Лагранжа, с помощью которого мы получаем точное значение, решая исходную задачу.
