Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
TU München<br />
Lehrstuhl Mathematische Optimierung<br />
Prof. Dr. M. Ulbrich<br />
Dipl.-Math. F. Kruse<br />
Wintersemester 2008/2009<br />
<strong>Blatt</strong> 2<br />
Übungen zu Grundlagen der Nichtlinearen Optimierung<br />
Präsenzaufgaben<br />
P4. Lokale Minima sind global für konvexe Funktionen (ca. 4 Punkte)<br />
(a) Sei f : X → R konvex auf der konvexen Menge X. Zeigen Sie, dass jedes lokale Minimum<br />
ein globales Minimum ist. Nehmen Sie dazu an, dass es ein lokales Minimum<br />
x ∗ ∈ X gäbe, das kein globales Minimum ist. Dann gibt es einen Punkt x ∈ X mit<br />
f(x) < f(x ∗ ). Betrachten Sie die Verbindungsstrecke von x ∗ nach x.<br />
(b) Sei nun f sogar streng konvex. Nach (a) ist jedes lokale Minimum von f bereits<br />
globales Minimum. Zeigen Sie, dass es höchstens ein solches Minimum geben kann.<br />
Dabei können Sie ähnlich zu (a) vorgehen.<br />
(Anders formuliert ist damit gezeigt: Streng konvexe Funktion besitzen höchstens ein<br />
lokales Minimum und dieses ist global.)<br />
(c) Besitzt jede streng konvexe Funktion ein (lokales=globales) Minimum<br />
P5. Notwendige Bedingung ist hinreichend für konvexe C 1 -Funktionen (ca. 1 Punkt)<br />
Sei f : X → R konvex und stetig differenzierbar auf der offenen, konvexen Menge X. Es<br />
sei x ∗ ∈ X ein stationärer Punkt. Zeigen Sie unter Benutzung der Charakterisierung von f<br />
aus Aufgabe H2 a), dass x ∗ ein globales Minimum von f auf X ist.<br />
(Das bedeutet: Im konvexen, stetig differenzierbaren Fall ist die für das Vorliegen eines<br />
lokalen Minimums notwendige Bedingung der Stationarität bereits hinreichend und das<br />
Minimum ist global.)<br />
Tutoraufgaben<br />
T2. Quadratische Funktionen (ca. 5 Punkte)<br />
Eine quadratische Funktion sei durch<br />
q : R n → R, q(x) := 1 2 xT Ax + b T x + c<br />
gegeben, mit einer quadratischen Matrix A ∈ R n×n , b ∈ R n und c ∈ R.<br />
(a) Zeigen Sie: Ohne Beschränkung der Allgemeinheit kann davon ausgegangen werden,<br />
dass A symmetrisch ist.<br />
(b) Zeigen Sie, dass für den Gradienten ∇q(x) = Ax + b und für die Hessematrix<br />
∇ 2 q(x) = A gilt.<br />
(c) Sei A positiv definit und x ∗ := −A −1 b. Zeigen Sie, dass x ∗ das globale Minimum<br />
von q ist.<br />
– Seite 1 von 3 –
T3. Fehlende Abstiegsrichtungen (ca. 6 Punkte)<br />
Sei<br />
f : R 2 → R, f(x, y) := y 2 − 3yx 2 + 2x 4 .<br />
(a) Berechnen Sie die stationären Punkte von f.<br />
(b) Ausgehend von (0, 0) steigt die Funktion in jede Richtung an: Durch α d (t) := td mit<br />
d ∈ R 2 \{0} ist eine Gerade durch (0, 0) und d gegeben. Zeigen Sie, dass für jedes<br />
α d die Funktion φ d (t) := f(α d (t)) nach unten beschränkt ist und ein striktes lokales<br />
Minimum bei t = 0 hat.<br />
(c) Ist der Punkt (0, 0) ein lokales Minimum von f<br />
Hausaufgaben<br />
H4. Positive Vielfache und Summen konvexer Funktionen (ca. 3 Punkte)<br />
(a) Es sei f : X → R eine (streng) konvexe Funktion auf der konvexen Menge X. Zeigen<br />
Sie, dass für c > 0 auch ˜f(x) := cf(x) (streng) konvex ist.<br />
(b) Es seien f 1 , . . . , f n : X → R konvexe Funktionen auf der konvexen Menge X. Zeigen<br />
Sie, dass dann auch die Funktion g(x) := ∑ n<br />
i=1 f i(x) konvex ist. Zeigen Sie weiter,<br />
dass g sogar streng konvex ist, wenn mindestens einer der Summanden streng konvex<br />
ist.<br />
(c) Die quadrierte euklidische Norm lässt sich durch g(x) := x 2 1 + x2 2 + . . . + x2 n im Fall<br />
n ≥ 2 als Summe ausdrücken. Aus Aufgabe P3 (e) wissen Sie, dass g streng konvex<br />
ist. Lässt sich die strenge Konvexität für n ≥ 2 auch direkt aus Teil (b) folgern<br />
H5. Lineare Ausgleichsrechnung (ca. 7 Punkte)<br />
Seien A ∈ R m×n mit m ≥ n und b ∈ R m . Die Matrix A besitze vollen Spaltenrang.<br />
(a) Zeigen Sie: x ∗ löst genau dann die lineare Ausgleichsaufgabe<br />
wenn x ∗ Lösung des linearen Gleichungssystems<br />
min ‖Ax − b‖ 2, (1)<br />
x∈R n<br />
A T Ax = A T b (2)<br />
ist. Das lineare Gleichungssystem (2) bezeichnet man als Normalengleichung.<br />
(b) Beweisen Sie, dass es genau ein x ∗ ∈ R n gibt, das die lineare Ausgleichsaufgabe (1)<br />
bzw. die Normalengleichung (2) löst. (Existenz und Eindeutigkeit)<br />
Bemerkung: Insgesamt haben Sie damit eine starke Aussage bewiesen: Existenz und<br />
Eindeutigkeit der Lösung sowie eine numerische Charakterisierung.<br />
(c) Ist die Bedingung des vollen Spaltenranges von A notwendig für die Eindeutigkeit der<br />
Lösung<br />
H6. Modellierung (ca. 5 Punkte)<br />
Eine Firma, die sich auf die Herstellung von Saftmischungen spezialisiert hat, möchte einem<br />
Unternehmen ein Angebot für die Versorgung seiner Kantine machen. Die Firma verwendet<br />
eine Skala von 1 bis 10 zur Erfassung der Qualität des Saftes. Es ist bekannt, dass<br />
die Kantinensäfte des Unternehmens eine Qualität von höchstens 4 aufweisen und 1,50 Euro<br />
pro Liter kosten.<br />
– Seite 2 von 3 –
Die Lieferfirma möchte dem Unternehmen ein Angebot über eine Saftmischung machen,<br />
dessen Qualität mindestens so hoch ist wie die des besten Kantinensaftes. Natürlich möchte<br />
die Firma das Getränk so kostengünstig wie möglich herstellen.<br />
Zur Herstellung des Saftes stehen der Firma einige ”<br />
Grundsaftsorten“ als Zutaten zur Verfügung.<br />
Zur Auswahl stehen:<br />
Saftsorte Qualität Kosten pro l<br />
Apfel 4 1,5<br />
Birne 9 3<br />
Maracuja 3 1<br />
Orange 1 0,1<br />
Die Eigenschaften einer Saftmischung, so wird angenommen, ergeben sich aus denen der<br />
prozentual gewichteten Bestandteile. Beispielsweise hat eine Mischung, die zur Hälfte aus<br />
Birnen- und zur Hälfte aus Maracujasaft besteht, die Qualität 6 und Kosten von 2 Euro pro<br />
Liter.<br />
(a) Formulieren Sie die angegebene Problemstellung als Optimierungsaufgabe.<br />
(b) Bringen Sie das in (a) ermittelte Optimierungsproblem in die Standardform, d.h. in<br />
die Form min f(x) u.d.N. g(x) ≤ 0, h(x) = 0 mit geeigneten Funktionen f, g und h.<br />
(c) Ist das Optimierungsproblem linear<br />
H7. Minima gleichmäßig konvexer C 1 -Funktionen (ca. 8 Punkte)<br />
Sei f : R n → R stetig differenzierbar und y ∈ R n ein Punkt so, dass f gleichmäßig konvex<br />
auf der Niveaumenge<br />
N(y) := {x ∈ R n : f(x) ≤ f(y)}<br />
ist. N(y) sei dabei als konvex vorausgesetzt.<br />
(a) Zeigen Sie zunächst, dass konvexe Funktionen konvexe Niveaumengen haben und<br />
geben Sie ein Beispiel dafür an, dass die Umkehrung dieser Aussage nicht gilt. (Insbesondere<br />
ist also N(y) konvex, falls f auf dem gesamten R n konvex ist.)<br />
(b) Zeigen Sie, dass N(y) kompakt ist.<br />
(c) Folgern Sie, dass die Funktion f ein globales Minimum besitzt.<br />
(d) Nun sei f stetig differenzierbar und gleichmäßig konvex auf dem gesamten R n . Folgern<br />
Sie mit P4, dass für f die Begriffe lokales Minimum und globales Minimum<br />
übereinstimmen, dass es höchstens ein (lokales=globales) Minimum x ∗ gibt (Eindeutigkeit),<br />
und dass ein solches Minimum tatsächlich existiert (Existenz). Folgern Sie<br />
außerdem mit P5, dass x ∗ eindeutig charakterisiert ist als Lösung des Gleichungssystems<br />
∇f(x) = 0.<br />
Bemerkung: Auch hier haben Sie ein starkes Resultat bewiesen: Existenz- und Eindeutigkeitsaussage<br />
sowie eindeutige numerische Charakterisierung für das lokale und<br />
globale Minimum einer gleichmäßig konvexen Funktion.<br />
Abgabe der Hausaufgaben: Dienstag, 11.11.08 (Gruppen 1-4) bzw. 18.11.08 (Gruppen 5-7)<br />
bis 12 Uhr im Briefkasten Grundlagen der Nichtlinearen Optimierung im Untergeschoss.<br />
– Seite 3 von 3 –