Programowanie liniowe

Transkrypt

1 Programowanie liniowe Maciej Drwal 1 Problem programowania liniowego min x c T x (1) Ax b, (2) x 0. (3) gdzie A R m n, c R n, b R m. Oznaczmy przez x rozwiązanie optymalne, tzn. takie rozwiązanie dopuszczalne, Ax b, x 0, które spełnia: x 0 Ax b c T x c T x. Każde rozwiązanie dopuszczalne x daje górne oszacowanie wartości rozwiązania optymalnego. Dolne oszacowanie możemy uzyskać znajdując odpowiednią kombinację liniową ograniczeń. Warunkiem jest dobranie takiego wektora y R m, który spełnia c y T A. Wówczas ograniczenia gwarantują nam, że wartość y T b będzie nie większa niż wartość optymalna: c T x (y T A) T x = y T (Ax ) y T b. Ostatnia nierówność zachodzi, ponieważ rozwiązanie x jest dopuszczalne. Jak znaleźć najlepsze dolne oszacowanie (tzn. minimalizujące c T x b T y)? Możemy sformułować następujący problem programowania liniowego: max b T y (4) y A T y c. (5) Problem programowania liniowego (4) (5) nazywamy dualnym, natomiast problem (1) (3) nazywamy prymalnym. Łatwo zauważyć, że podobnie konstruując problem dualny dla dualnego problemu (4) (5) uzyskamy problem prymalny. Problem dualny można też skonstruować następująco: włączając do funkcji celu ograniczenia (2) poprzez wprowadzenie wektora mnożników Lagrange a y: L(x, y) = c T x + y T (b Ax) = c T x + y T b (y T A) T x = y T b + x T (c y T A) a następnie traktując y jako zmienną decyzyjną, a zmienne x jako mnożniki Lagrange a, możemy wyeliminować ograniczenia z funkcji Lagrange a, uzyskując problem maksymalizacji y T b przy ograniczeniach c A T y. 1

2 2 Twierdzenia o dualności W poniższych twierdzeniach zakładamy, że istnieją skończone optymalne rozwiązania problemu prymalnego (1) (3) i dualnego (4) (5). Twieredzenie 1. (słaba dualność) Jeśli x jest rozwiązaniem dopuszczalnym problemu (1) (3), a y jest rozwiązaniem dopuszczalnym problemu (4) (5), wówczas c T x b T y. Dowód: c T x (A T y) T x = y T (Ax) y T b. QED. Twieredzenie 2. (silna dulaność) Jeśli x jest optymalnym rozwiązaniem problemu (1) (3), a y optymalnym rozwiązaniem problemu (4) (5), wówczas c T x = b T y. Udowodnimy powyższe twierdzenie przy wykorzystaniu następującego faktu z algebry liniowej, tzw. alternatywy Farkasa: Lemat 1. (Farkas) Niech A R m n i b R m. Dokładnie jedno z poniższych zdań jest prawdziwe: (1) istnieje x 0, takie, że Ax = b, (2) istnieje y, takie, że A T y 0 i b T y < 0. Dowód (lematu Farkasa): Zdania (1) i (2) nie mogą być jednocześnie prawdziwe, ponieważ jeśli 0 = Ax b, wówczas dla każdego y mamy: 0 = y T (Ax b) = y T Ax y T b. Zdanie (2) mówi, że dla x 0, y T Ax 0 i jednocześnie y T b > 0, czyli y T Ax y T b > 0, co daje sprzeczność. Teraz należy wykazać, że negacja zdania (1) implikuje (2). Wówczas alternatywa tych zdań będzie prawdziwa, co w połączeniu z powyższym będzie oznaczało, że dokładnie jedno z tych zdań jest prawdziwe. Załóżmy, że nie istnieje x 0 spełniający Ax = b. Oznaczmy K = {z : z = Ax, x 0}. Z założenia b / K. Rozważmy rzut wektora b na zbiór K, tzn. taki punkt p K, który minimalizuje odległość b z, z K. Zbiór K jest niepustym zbiorem wypukłym, więc zachodzi poniższa nierówność: (b p) T (Ax p) 0 co wynika z faktu, że kąt pomiędzy wektorem (b p) a dowolnym wektorem (Ax p) nie może być ostry (stąd ich iloczyn skalarny jest nie większy od zera, patrz Rysunek 1.). Rysunek 1: Ilustracja idei lematu Farkasa. Niech p = Aw dla pewnego w K, będzie rzutem wektora b na zbiór K. Zdefiniujmy y = p b, stąd y = b p i otrzymujemy dla wszystkich x 0: y T (Ax Aw) = (x w) T A T ( y) 0 2

3 co daje: x 0 (x w) T A T y 0. Biorąc kolejne wektory e i = [ ] T, gdzie 1 znajduje się tylko na i-tej pozycji, konstruujemy wektory x i = w + e i. Ponieważ powyższa nierówność zachodzi dla wszystkich x 0, więc zachodzi też dla x i, skąd otrzymujemy po wstawieniu x i w = e i : e T i A T y 0 (A T y) i 0. Wobec tego wszystkie elementy wektora A T y muszą być nieujemne. Stąd wniosek, że A T y 0. Niech teraz y T b = y T (p y) = y T p y T y. Ponownie, ponieważ nierówność (b p) T (Ax p) 0 zachodzi dla wszystkich x 0, więc w szczególności zachodzi dla x 0 = 0. Stąd otrzymujemy: (b Aw) T (Ax 0 Aw) = (b Aw) T ( Aw) = y T ( Aw) = y T Aw = y T p 0. Ponieważ b / K, więc wektor y 0, więc y T y = y > 0. Uzyskujemy ostatecznie: co dowodzi zdania (2). QED. y T b = y T p y < 0, Wróćmy teraz do Twierdzenia 2 (o silnej dualności). Dowód (Twierdzenia 2): Załóżmy, że x jest rozwiązaniem optymalnym zadania (1) (3). Podzielmy ograniczenia (2) na dwie grupy: spełnione w sposób równościowy i w sposób ostro nierównościowy: a T i x = b i, i I, a T i x < b i, i / I. Pokażemy, że nie istnieje rozwiązanie d spełniające następujący układ nierówności: a T i d 0, i I, c T d < 0. Gdyby takie rozwiązanie istniało, wówczas dla i I byłoby prawdziwe: t(a T i d) 0 dla dowolnej liczby rzeczywistej t > 0, więc z faktu, że a T i x = b i, czyli również a T i x b i, otrzymujemy: a T i x + t(a T i d) b i a T i (x + td) b i. Natomiast dla i / I, zawsze możemy dobrać odpowiednio małą liczbę t > 0, tak, aby spełnione było: a T i x + ta T i d b i, a T i (x + td) b i. Wobec tego wektor x = x + td jest rozwiązaniem dopuszczalnym problemu (1) (3), więc wartość funkcji celu: c T x = c T x + t(c T d) < c T x, ponieważ z założenia t(c T d) < 0. 3

4 Więc taki wektor d nie istnieje. Zauważmy, że a T i d 0, i I oraz ct d < 0 odpowiada przypadkowi (2) z lematu Farkasa. Ponieważ pokazaliśmy, że przypadek ten nie zachodzi, więc zachodzić musi przypadek (1), który przyjmuje tu postać: a T y i = c, dla i I. Oznaczmy przez y R m wektor, który dla i I przyjmuje wartości y i będące rozwiązaniem powyższego układu równań, a dla i / I przyjmuje wartości y i = 0. Stąd istnieje taki wektor y, spełniający A T ( y) = c, czyli będący rozwiązaniem dopuszczalnym problemu dualnego (4) (5). Wektor ten daje wartość funkcji celu równą wartości optymalnego rozwiązania problemu prymalnego: b T ( y) = i I b i y i = i I (a T i x )y i = ( y) T Ax = c T x. QED. 3 Algorytm Simplex Postać standardowa programowania liniowego: min c T x (6) Ax = b, (7) x 0. (8) gdzie A jest macierzą m n, m < n. Postać kanoniczna: Ax b. Postać ogólna: A 1 x b 1, A 2 x = b 2, x dowolne. Wszystkie 3 postacie są równoważne. Wielościan (ang. polyhedron): zbiór P = {x R n : Ax b}, gdzie A R m n, b R m. Jeśli P jest zbiorem ograniczonym to nazywamy go wielościanem ograniczonym lub wielokomórką (ang. polytope). Ściana (ang. face): zbiór będący przecięciem wielościanu i półprzestrzeni, zawierający się w całości wewnątrz płaszczyzny definiującej półprzestrzeń. Dla wielościanu wymiaru d wyróżniamy: ściana (ang. facet) wymiaru d 1 (hiperpłaszczyzna) krawędź (ang. edge) wymiaru 1 (prosta) wierzchołek (ang. vertex) wymiaru 0 (punkt) Wierzchołek wielościanu nazywany jest również rozwiązaniem bazowym układu Ax b (ang. basic solution). Wypukła otoczka: (ang. convex hull) każdy wielościan jest wypukłą otoczką swoich wierzchołków. Wypukła otoczka dowolnego skończonego zbioru punktów jest wielościanem. Baza (ang. basis): zbiór m liniowo niezależnych wektorów {A j1,..., A jm }. Inaczej: nieosobliwa macierz m m, B = [A jk ]. Rozwiązanie bazowe: dla bazy B, jest to x R n, taki, że dla A j / B, x j = 0, a dla pozostałych A j : x jk = k-ty element wektora B 1 b, k = 1,..., m. Dalej rozważmy problem (6) (8), zakładając, że rank(a) = m (macierz A ma m liniowo niezależnych kolumn). 4

5 Twieredzenie 3. Niech x będzie rozwiązaniem bazowym Ax = b, x 0, odpowiadającym bazie B. Wtedy istnieje wektor c, taki, że x jest jedynym rozwiązaniem zadania LP: min{c T x : Ax = b, x 0}. Dowód. Rozważmy wektor c, zdefiniowany jako c j = 0 dla A j B, c j = 1 dla A j / B. Ponieważ c T x = 0, oraz z faktu, że wszystkie współczynniki są nieujemne, wektor x musi być rozwiązaniem optymalnym. Każde inne rozwiązanie o zerowym koszcie musi mieć zera dla współrzędnych j, takich, że A j / B. Więc takie rozwiązanie musi być równe x. 5