Seminar Optimierung mit PDE-Bedingungen
Seminar Optimierung mit PDE-Bedingungen
Seminar Optimierung mit PDE-Bedingungen
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Hauptseminar <strong>Optimierung</strong> <strong>mit</strong> <strong>PDE</strong>-<strong>Bedingungen</strong><br />
Arbeitsbereich numerische Mathematik<br />
Prof. Dr. Andreas Prohl<br />
Dipl.-Math. Markus Klein<br />
Handout<br />
<strong>Optimierung</strong>saufgaben im Banachraum<br />
Franziska Schmidt<br />
Tübingen, den 28. Juni 2011
Inhaltsverzeichnis<br />
Inhaltsverzeichnis 3<br />
1 Einführung 5<br />
2 <strong>Optimierung</strong>saufgaben <strong>mit</strong> Gleichungsrestriktion - Ein Beispiel im R n 5<br />
3 <strong>Optimierung</strong>saufgaben <strong>mit</strong> Ungleichungsrestriktion 6<br />
3.1 <strong>Optimierung</strong>sproblem im Alltag . . . . . . . . . . . . . . . . . . . . . . . . . 6<br />
3.2 Grundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
3.3 Differenzierbare Aufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9<br />
4 Rückblick: Beispiel <strong>mit</strong> Gleichungsrestriktion 10<br />
5 Eine nichtdifferenzierbare, konvexe Aufgabe 11<br />
6 Literaturverzeichnis 13
4 Inhaltsverzeichnis
1 Einführung<br />
1 Einführung 5<br />
Gesucht ist eine notwendige Bedingung für ein Optimum ū, das die folgende <strong>Optimierung</strong>saufgabe<br />
löst:<br />
min f(u),<br />
u.d.N. G(u) ≤K 0,<br />
u ∈ C ⊆ U.<br />
Im Folgenden seien die Mengen U und Z reelle Banachräume. Die Zielfunktion, die unter<br />
den o.g. Nebenbedingungen minimiert werden soll, sei durch f : U → R gegeben und die<br />
Abbildung G : U → Z muss nicht notwendigerweise linear sein. Weitere Details werden<br />
in Kapitel 3.2 gegeben. So ist beispielsweise noch zu klären, wie die Halbordnungsrelation<br />
„≤K“ auf einem Banachraum zu definieren bzw. was für eine Menge „K“ ist. Zunächst<br />
bleiben wir jedoch im R n , wo die Halbordungsrelation „≤“ bereits bekannt ist.<br />
Mit Hilfe der Lagrangetechnik werden wir als notwendige <strong>Bedingungen</strong> für eine optimale<br />
Lösung ū der o.g. <strong>Optimierung</strong>saufgabe die Karush-Kuhn-Tucker-<strong>Bedingungen</strong> erhalten.<br />
2 <strong>Optimierung</strong>saufgaben <strong>mit</strong> Gleichungsrestriktion - Ein Beispiel<br />
im R n<br />
Die Zielfunktion f : U → R und die Abbildung G : U → R m seien stetig differenzierbar<br />
in der offenen Menge U ⊆ R n . Die Abbildung G ′ (ū) : U → R m sei surjektiv, wobei ū eine<br />
Lösung des <strong>Optimierung</strong>sproblems <strong>mit</strong> Gleichungsrestriktion<br />
sei.<br />
Definition 2.1 (Lagrangefunktion)<br />
Die Funktion L : U × R m → R <strong>mit</strong><br />
heißt Lagrange-Funktion.<br />
min f(ū),<br />
u.d.N. G(ū) = 0,<br />
ū ∈ C = U.<br />
L(u, z ∗ ) := f(u) + z ∗ · G(u)
6 3 <strong>Optimierung</strong>saufgaben <strong>mit</strong> Ungleichungsrestriktion<br />
Satz 2.2 (Lagranger Multiplikatorensatz)<br />
Wenn ū eine Lösung des <strong>Optimierung</strong>sproblems unter der Nebenbedingung G(ū) = 0 ist,<br />
dann existieren z ∗ , so dass L stationär, d.h. L ′ (ū, z ∗ ) = f ′ (ū) + z ∗ · G ′ (ū) = 0.<br />
Definition 2.3 (Lagrangesche Multiplikatoren)<br />
Die Elemente z ∗ ∈ R m , für die L ′ (ū, z ∗ ) = 0 gilt, heißen Lagrange Multiplikatoren.<br />
Notwendige <strong>Bedingungen</strong> für ein Optimum ū sind folglich:<br />
• G(ū) = 0,<br />
• Die Lagrange-Multiplikatoren z ∗ existieren.<br />
3 <strong>Optimierung</strong>saufgaben <strong>mit</strong> Ungleichungsrestriktion<br />
In Kapitel 1 haben wir die <strong>Optimierung</strong>saufgabe <strong>mit</strong> Ungleichungsrestriktion allgemein<br />
formuliert. Im Weiteren werden wir zunächst ein Beispiel dafür geben, wie ein solches<br />
<strong>Optimierung</strong>sproblem in der Wirklichkeit aussehen könnte.<br />
3.1 <strong>Optimierung</strong>sproblem im Alltag<br />
Eine Erdbeer-Fabrik stellt die zwei Produkte „Erdbeerjoghurt“ und „Erdbeershake“ aus<br />
Erdbeeren, Zucker und Naturjoghurt her.<br />
Für die Herstellung eines Erdbeerjoghurts werden 5 g Erdbeeren, 15 g Zucker und 40 g<br />
Naturjoghurt benötigt. Um einen Erdbeershake zu erzeugen, werden 35 g Erdbeeren, 15 g<br />
Zucker und 10 g Naturjoghurt gebraucht.<br />
Insgesamt vorhanden sind 15000 g Erdbeeren, 10500 g Zucker und 24000 g Naturjoghurt.<br />
Problematischerweise hat die Erdbeer-Fabrik mehr Ausgaben als Einnahmen. Der Verlust<br />
für den Erbeerjoghurt beträgt 2 Cent und für den Erdbeershake 1 Cent.<br />
Das Ziel ist nun optimale Produktionszahlen j ≥ 0 für den Erdbeerjoghurt und s ≥ 0<br />
für den Erdbeershake zu finden, um den Verlust zu minimieren. Durch die begrenzten<br />
Rohstoffe erhalten wir die weiteren Nebenbedingungen:<br />
5j + 35s ≤ 15000,<br />
15j + 15s ≤ 10500,<br />
40j + 10s ≤ 24000.<br />
Das <strong>Optimierung</strong>sproblem <strong>mit</strong> der Zielfunktion f : R 2 → R lautet also
3 <strong>Optimierung</strong>saufgaben <strong>mit</strong> Ungleichungsrestriktion 7<br />
min f(j, s) = −2j − s,<br />
u.d.N. j ≥ 0, s ≥ 0,<br />
5j + 35s − 15000 ≤ 0, 15j + 15s − 10500 ≤ 0, 40j + 10s − 24000 ≤ 0.<br />
Diese <strong>Optimierung</strong>saufgabe soll nun so umgeformt werden, dass sie <strong>mit</strong> der Formulierung<br />
in Kapitel 1 in Zusammenhang gebracht werden kann. Die durch die begrenzten Rohstoffe<br />
entstandenen Nebenbedingungen lassen sich <strong>mit</strong> Hilfe der Abbildung G : R 2 → R 3<br />
zusammenfassen.<br />
Gesucht ist also ein Optimum ū = (¯j, ¯s), das folgende <strong>Optimierung</strong>saufgabe löst:<br />
min f(u) = −2j − s,<br />
u.d.N. u = (j, s) ∈ C ⊆ R2 ,<br />
⎛<br />
⎞<br />
5j + 35s − 15000<br />
⎜<br />
⎟<br />
G(u) = ⎝15j<br />
+ 15s − 10500⎠<br />
≤ 0.<br />
40j + 10s − 24000<br />
Da j ≥ 0 und s ≥ 0, ist die Menge C ⊆ R 2 der positive Quadrant und da<strong>mit</strong> konvex.<br />
3.2 Grundlagen<br />
Es ist nun noch zu klären, wie die Halbordnungsrelation ≤K auf einem Banachraum definiert<br />
ist. Dazu benötigen wir zunächst einmal die Definition eines konvexen Kegels K.<br />
Definition 3.1 (Konvexer Kegel)<br />
Sei K ⊆ Z konvex.<br />
Die Menge K = ∅ heißt konvexer Kegel, wenn gilt<br />
∀λ > 0 : z ∈ K ⇒ λz ∈ K.<br />
Beispiel<br />
1. Sei Z = R 3 und K = {z ∈ R 3 : z1 = 0, z2 ≤ 0, z3 ≥ 0}. Dann ist K ein konvexer<br />
Kegel.<br />
2. Der geometrische Kegel ist kein „mathematischer“ Kegel, da er unter der Multiplikation<br />
<strong>mit</strong> einer positiven Zahl nicht abgeschlossen ist.
8 3 <strong>Optimierung</strong>saufgaben <strong>mit</strong> Ungleichungsrestriktion<br />
Definition 3.2 (Halbordnungsrelation ≥K)<br />
Sei K ⊆ Z ein konvexer Kegel.<br />
Es gilt<br />
z ≥K 0 :⇔ z ∈ K.<br />
Analog gilt<br />
z ≤K 0 :⇔ −z ∈ K.<br />
Im Weiteren bedeutet die echte Ungleichung z
3.3 Differenzierbare Aufgabe<br />
3 <strong>Optimierung</strong>saufgaben <strong>mit</strong> Ungleichungsrestriktion 9<br />
Die Menge C = ∅ sei im Folgenden konvex.<br />
Wir möchten nun eine notwendige Bedingung für eine Lösung der <strong>Optimierung</strong>saufgabe<br />
aus Kapitel 1 unter der Voraussetzung formulieren, dass f und G stetig Fréchetdifferenzierbar<br />
in einer offenen Umgebung von ū. Die Existenz eines solchen Optimums ū<br />
sei vorausgesetzt.<br />
Die Lagrangefunktion haben wir bereits in Definition 2.1 für den Fall Z = R m definiert.<br />
Nun soll sie für einen beliebigen Banachraum definiert werden.<br />
Definition 3.4 (Lagrangefunktion)<br />
Sei Z ∗ der Dualraum von Z.<br />
Die Funktion L : U × Z ∗ −→ R <strong>mit</strong><br />
heißt Lagrange-Funktion.<br />
L(u, z ∗ ) := f(u) + 〈z ∗ , G(u)〉 Z ∗ ,Z<br />
Definition 3.5 (Lagrangescher Multiplikator)<br />
Sei ū eine lokale Lösung der gegebenen <strong>Optimierung</strong>saufgabe.<br />
Ein Element z ∗ ∈ K + heißt zugehöriger Lagrangescher Multiplikator, wenn Folgendes gilt:<br />
• DuL(ū, z ∗ )(u − ū) ≥ 0 ∀u ∈ C (Variationsungleichung),<br />
• 〈z ∗ , G(ū)〉 Z ∗ ,Z = 0 (komplementäre Schlupfbedingung).<br />
Um die Existenz eines Lagrangeschen Multiplikator zu erhalten, benötigen wir noch eine<br />
Regularitätsbedigung.<br />
Definition 3.6 (Regularitätsbedingung von Zowe und Kurcyusz)<br />
Sei ū ∈ C <strong>mit</strong> G(ū) ≤K 0 gegeben.<br />
Die Bedingung<br />
G ′ (ū)C(ū) + K(−G(ū)) = Z (1)<br />
wird Regularitätsbedingung von Zowe und Kurcyusz genannt.<br />
Dabei heißen die Mengen<br />
C(ū) = {α(u − ū) : α ≥ 0, u ∈ C}, K(¯z) = {β(z − ¯z) : β ≥ 0, z ∈ K}<br />
Kegelhüllen an C bzw. K in ū bzw. ¯z.<br />
Dass die Regularitätsbedingung (1) erfüllt ist, ist nicht selbstverständlich. Sie ist nicht<br />
nur von den Abbildungen G ′ (ū) und G und von den Kegelhüllen an C und K abhängig,<br />
sondern auch von der optimalen Lösung ū und insbesondere auch von der Wahl von Z.
10 4 Rückblick: Beispiel <strong>mit</strong> Gleichungsrestriktion<br />
Satz 3.7 (Existenz der Lagrangeschen Multiplikatoren)<br />
Sei ū die Lösung der gegebenen <strong>Optimierung</strong>saufgabe und die Regularitätsbedingung (1)<br />
sei erfüllt. Dann existiert ein zu ū gehöriger Lagrangescher Multiplikator z ∗ ∈ K + .<br />
Einen Beweis findet man in [ZOKU79].<br />
Wenn die Regularitätsbedingung (1) erfüllt ist, erhalten wir als notwendige <strong>Bedingungen</strong><br />
für ein Optimum ū:<br />
• Die Nebenbedingung<br />
ist erfüllt,<br />
• Die Lagrange-Multiplikatoren z ∗ existieren, d.h. es gilt<br />
G(ū) ≤K 0 ū ∈ C, (2)<br />
DuL(ū, z ∗ )(u − ū) ≥ 0 ∀u ∈ C (3)<br />
〈z ∗ , G(ū)〉 Z ∗ ,Z = 0. (4)<br />
Die Gleichungen (2),(3) und (4) werden Karush-Kuhn-Tucker-<strong>Bedingungen</strong> genannt.<br />
4 Rückblick: Beispiel <strong>mit</strong> Gleichungsrestriktion<br />
Wir betrachten noch einmal die <strong>Optimierung</strong>saufgabe <strong>mit</strong> Gleichungsrestriktion aus Kapitel<br />
2 und überprüfen, ob unsere bisherigen Ergebnisse <strong>mit</strong> denen aus Kapitel 3 im Falle<br />
einer Gleichungsrestriktion konsistent sind.<br />
Da G ′ (ū) : U → Z nach Voraussetzung surjektiv ist, ist die Regularisierungsbedingung<br />
(1) erfüllt.<br />
Begründung:<br />
Aufgrund der Gleichungsrestriktion G(ū) = 0 gilt K = {0}. Daraus folgt aber<br />
K(−G(ū)) = {βG(ū) : β ≥ 0, G(ū) ∈ K} = {0},<br />
wobei sich das letzte Gleichheitszeichen aus der Nebenbedingung G(ū) = 0 ergibt. Da<strong>mit</strong><br />
und <strong>mit</strong> C = U vereinfacht sich die Regularisierungsbedingung (1) zu<br />
G ′ (ū) · U = Z.<br />
Also ist die Regularisierungsbedingung von Zowe und Kurcyusz in diesem Beispiel erfüllt,<br />
wenn G ′ (ū) surjektiv ist.
5 Eine nichtdifferenzierbare, konvexe Aufgabe 11<br />
Wie man sich leicht überlegen kann, folgt für eine <strong>Optimierung</strong>saufgabe <strong>mit</strong> Gleichungsrestriktion,<br />
Z = R m und C = U aus DuL(ū, z ∗ )(u − ū) ≥ 0∀u ∈ C<br />
f ′ (u) + z ∗ · G ′ (u) = 0<br />
und daher ist Definition 3.5 konsistent <strong>mit</strong> der Definition 2.3 der Lagrange Multiplikatoren<br />
für ein <strong>Optimierung</strong>sproblem <strong>mit</strong> Gleichungsrestriktion. Die komplementäre Schlupfbedingung<br />
〈z ∗ , G(ū)〉 Z ∗ ,Z = 0 ist für G(ū) = 0 immer erfüllt.<br />
Wir erhalten also die Karush-Kuhn-Tucker-Bedingung für Gleichungsrestriktionen:<br />
• L ′ (ū, z ∗ ) = 0,<br />
• G(ū) = 0,<br />
was <strong>mit</strong> dem Ergebnis in Kapitel 2 übereinstimmt.<br />
5 Eine nichtdifferenzierbare, konvexe Aufgabe<br />
Nun betrachten wir die <strong>Optimierung</strong>saufgabe <strong>mit</strong> Ungleichungsrestriktionen aus Kapitel 1,<br />
ohne dass f und G Fréchet-differenzierbar seien und formulieren notwendige <strong>Bedingungen</strong><br />
für ein Optimum ū, das die Aufgabe unter der Voraussetzung löst, dass f und G konvex<br />
seien. Die Menge C = ∅ sei wieder konvex.<br />
Da f und G und da<strong>mit</strong> auch die Lagrangefunktion L nun nicht notwendigerweise differenzierbar<br />
sind, müssen wir die Lagrange Multiplikatoren erneut definieren:<br />
Definition 5.1 (Lagrangescher Multiplikator)<br />
Sei ū ∈ C eine Lösung des <strong>Optimierung</strong>sproblems.<br />
Ein Punkt (ū, z ∗ ) ∈ U × K + wird Sattelpunkt der Lagrangefunktion L genannt, wenn die<br />
Ungleichungskette<br />
L(ū, v ∗ ) ≤ L(ū, z ∗ ) ≤ L(u, z ∗ ) ∀u ∈ C, ∀v ∗ ∈ K +<br />
erfüllt ist. In diesem Fall heißt z ∗ zu ū gehöriger Lagrangescher Multiplikator.<br />
Satz 5.2 (Existenz der Lagrangeschen Multiplikatoren)<br />
Seien f und G konvex und sei ū eine Lösung der gegebenen <strong>Optimierung</strong>saufgabe. Weiter<br />
existiere ein Element ũ ∈ C <strong>mit</strong> G(ũ)
12 5 Eine nichtdifferenzierbare, konvexe Aufgabe<br />
Bemerkung (Problem)<br />
Der Satz 5.2 ist nur dann anwendbar, wenn K ein nichtleeres Inneres besitzt.<br />
Wenn die Slaterbedingung erfüllt ist, sind die notwendigen <strong>Bedingungen</strong> für ein Optimum<br />
ū:<br />
• Die komplementäre Schlupfbedingung ist erfüllt.<br />
• Die Lagrange-Multiplikatoren z ∗ existieren.
6 Literaturverzeichnis<br />
6 Literaturverzeichnis 13<br />
[TRÖ09] Tröltzsch, F.: Optimale Steuerung partieller Differemtialgleichungen.<br />
Theorie, Verfahren und Anwendungen. Wiesbaden: Vieweg+Teubner, 2.Auflage, 2009<br />
[ZOKU79] Zowe, J. und Kurcyusz, S.: Regularity and stability for the mathematical programming<br />
problem in Banach spaces. Appl. Math. Optimization, 5:49-62, 1979<br />
[LUE69] Luenberger, D.G.: Optimization by Vector Space Methods. New York: Wiley, 1969