16.01.2015 Views

OPTIM´ALN´I ROZHODOV´AN´I AˇR´IZEN´I

OPTIM´ALN´I ROZHODOV´AN´I AˇR´IZEN´I

OPTIM´ALN´I ROZHODOV´AN´I AˇR´IZEN´I

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

KAPITOLA 3. MINIMALIZACE KVADRATICKÝCH FOREM 32<br />

Předchozí vztah platí pro pozitivně definitní matici A. Pokud je matice A pouze pozitivně<br />

semidefinitní, pak místo inverze matice je třeba použít pseudoinverzi (viz dále).<br />

Hessova matice druhých derivací minimalizované kvadratické formy je rovna matici<br />

(A + A T ) a proto při pozitivně semidefinitní matici A je existence minima zajištěna.<br />

Pozn: Úplně podobným postupem můžeme hledat minimum kvadratické formy vzhledem<br />

k vektoru y.<br />

✷<br />

Jednodušší metoda minimalizace kvadratických forem spočívá v jejich úpravě na úplný<br />

čtverec. Kvadratickou formu (3.4) upravíme do tvaru<br />

J(x, y) = (x − x ∗ ) T A (x − x ∗ ) + y T Cy − (x ∗ ) T Ax ∗ (3.8)<br />

kde x ∗ je zatím nějaký vektor. Aby předchozí kvadratická forma byla rovna kvadratické<br />

formě (3.4), musí zřejmě platit<br />

−(x ∗ ) T Ax = y T Dx,<br />

−x T Ax ∗ = x T By<br />

Protože předchozí vztahy platí pro všechna x, platí zřejmě<br />

−(x ∗ ) T A = y T D,<br />

−Ax ∗ = By<br />

Po transpozici první rovnice a následném sečtení obou rovnic dostaneme<br />

Neznámý vektor x ∗ je tedy roven<br />

− ( A + A T ) x ∗ = ( B + D T ) y<br />

x ∗ = − ( A + A T ) −1 ( B + D T ) y.<br />

Kvadratická forma (3.8) je minimální vzhledem k proměnné x tehdy, když x = x ∗ , nebot’<br />

x ∗ není na x závislé. Proto x ∗ je optimální hodnota x, minimalizující kvadratickou formu.<br />

Výsledek je stejný jako při použití derivací - viz (3.7). Při minimalizaci kvadratických<br />

forem jejich úpravou na úplný čtverec získáme jejich minimum jednoduše bez použití<br />

derivací. Minimální hodnotu kvadratické formy dostaneme dosazením x ∗ do (3.8).<br />

Z předchozích vztahů je zřejmé, že můžeme předpokládat, že matice A je symetrická<br />

matice. Pokud tomu tak není, můžeme ji symetrizovat zavedením nové symetrické matice<br />

A s = 1 2 (A + AT ) a výsledek optimalizace se zřejmě nezmění. Podobně lze symetrizovat i<br />

matici C. Také můžeme předpokládat, že matice B a D jsou si až na transpozici rovny.<br />

Pokud tomu tak není, pak zavedeme novou matici B 1 podle vztahu B+D T = 2B 1 a touto<br />

novou maticí B 1 nahradíme matice B a D v kvadratické formě podle vztahu B = B 1 ,<br />

D = B T 1 . Hodnota kvadratické formy se zřejmě nezmění. Proto budeme dále předpokládat,<br />

že matice A i matice C jsou symetrické matice a matice B a D jsou si až na transpozici<br />

rovny.<br />

Kvadratické formy můžeme zapisovat také ve tvaru<br />

J(x, y) = [ x T y T ] [ A B<br />

B T C<br />

] [<br />

x<br />

y<br />

]<br />

. (3.9)

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!