Professional Documents
Culture Documents
optimizasyon teorisinden
nsz...........................................................................................................................................I
indekiler...................................................................................................................................II
1. Giri.........................................................................................................................................1
2. Lineer Programlama ve Grafik zm.................................................................................2
2.1. Lineer Programlamaya Giri....................................................................................2
2.2. Lineer Programlama Hakknda Genel Bilgi.............................................................2
2.3 Lineer Programlama lem Basamaklar..................................................................3
2.4. Lineer Programlama Problem rnekleri .................................................................3
3. Lineer Programlama ve Simpleks Metodu..............................................................................9
3.1. Simpleks Metoda Giri.............................................................................................9
3.2 Aylak Deikenler ve Simpleks Metodun rneklerle ncelenmesi ......................10
3.3 Simpleks Metot Maksimum Problemleri................................................................19
7. Dinamik Programlama..........................................................................................................71
7.1.Dinamik Programlaya Giri....................................................................................71
7.2.Dinamik Programlann rneklerle necelenmesi....................................................71
8. Uygulama Programlar .........................................................................................................74
8.1. Simpleks Metot ...................................................................................................74
8.2. Atama Problemleri ................................................................................................75
8.3. Uygulamalarda Kullanlan Teknolojiler ................................................................76
8.3.1. Java .........................................................................................................76
8.3.1.1. Java Hakknda Genel Bilgi.......................................................76
8.3.1.2. Java Program Gelitirme Ortamalar ve Applett Kullanm.....78
8.3.2. Delphi .....................................................................................................79
8.3.2.1. Delphi Hakknda Genel Bilgi...................................................79
8.3.2.2. Atama Problemi Algoritma Yaps ..........................................79
8.3.3. Active X ..................................................................................................80
8.3.4. Html.........................................................................................................81
8.3.4.1.Html hakknda Genel Bilgi........................................................81
8.3.4.2. Html ierisinde Dier Dillerin Kullanm.................................81
8.3.4.2.1 Htmlde Active X Kullanm......................................81
9. Sonu ve neriler.................................................................................................................82
10.Kaynaklar.............................................................................................................................83
11.zgemi..............................................................................................................................84
I.GR
1.Optimizasyon
1.1. Tanm:En basit anlam ile optimizasyon eldeki kstl kaynaklar en optimum biimde
kullanmak olarak tanmlanabilir(1).Matematiksel olarak ifade etmek gerekirse optimizasyon
ksaca bir fonksiyonun minimize veya maksimize edilmesi olarak tanmlanabilir(2). Dier bir
deile optimizasyon en iyi ama kriterinin en iyi deerini veren kstlardaki deikenlerin
deerini bulmaktr (3).
Baka bir tanmlama ile belirli amalar gerekletirmek iin en iyi kararlar verme sanat
veya belirli koullar altnda herhangi bir eyi en iyi yapma (4) olarak da tanmlanan
optimizasyon ksaca en iyi sonular ieren ilemler topluluudur (5).Optimizasyonda bir
ama da maksimum kr veya minimum maliyeti salayacak retim miktarn kstlara bal
olarak tespit etmektir. Gnmzn bilgisayar teknolojisi kadar gncel bir kavram olan
optimizasyon kavram ok eitli endstri kesimlerinde uygulama olana bulmutur.
Deien teknolojilerin, snrl kaynaklarn, artan rekabetin, karmak hale gelen sistemlerin
dourduu problemlerin klasik yntemlerle (matematiksel veya matematiksel olmayan,
analitik veya saysal) zmnn glemesi optimizasyon kavramn gncelletiren
en
nemli sebeptir.Bu ynyle optimizasyonun kullanlmad bir bilim dal hemen hemen yok
gibidir (6).
1.2. Tarihe:Gerek hayatta karlalan birok problem iin gelitirilen karar modellerinin
kstlar ve ama fonksiyonlarnda her zaman dorusal bir iliki kurulamadndan 1950li
yllardan sonra gelitirilmeye balayan ve temelleri 18. ve 19. yzyllara dayanan yeni analitik
ve saysal yntemler 1960l yllardan sonra saysal bilgisayarlarnda destei ile hzla
oalmtr.
zellikle kimyasal ilemlerin sreklilik arz etmesi, planlamaclarn, tasarmclarn,
mhendislerin,
jeologlarn,
ekonomistlerin,
iktisatlarn,
iletmecilerin
v.b.
kendi
g i (x) 0 , ( 0)
i = 1, 2, .., m
h i (x) = 0
i = m + 1, m + 2, , n
veya
ii.
iii.
iv.
Problem ok bykse;
a)
b)
v.
vi.
iin
gelitirilmitir(5).
1.4.
Gerek hayatta karlalan birok problem iin gelitirilen karar modellerinin kstlarndan en
az biri veya ama fonksiyonunun dorusal olmad durumlar iin gelitirilen tm kavram ve
teknikler Dorusal Olmayan Programlama ad altnda incelenmektedir(6).
(i = 1, 2, , n)
yle ki;
g j (x i ) 0
( 0)
g j (x i ) = 0
(j = 1, 2, ., l) ve
(j = 1 + 1, ..., m)
Tek deikenli bir y = f(x) fonksiyonunun bir x 0 noktasnda srekli olmas demek, verilen
> 0 saysna karlk yle bir h < , > 0 saysnn bulunmasdr ki;
f (x + h) f (x )
0
dr.
ok deikenli bir
f (x + h) f (x )
0
dr.
Burada;
h = (h1 , h 2 , ........., h n )
ve
dr(11).
Verilen bir aralkta bir tek maksimum veya minimuma sahip fonksiyona Unimodal fonksiyon
denir(5). Matematiksel olarak ifade etmek gerekirse: [a,b] aral zerinde bir y=f(x)
fonksiyonu tanmlanm olsun.
p[a , b] says iin;
y = f(x)
[a
y = f(x)
[a
b]
ekil 1.a
p
ekil 1.b
b]
x0 =
i =1
S, E n , n-boyutlu klidyen uzayda bo olmayan bir kme olsun. S kmesinin farkl iki
noktasnn konveks (dbkey) bileeni ile bulunan nokta yine S kmesinin bir eleman ise S
kmesine konveks kme denir(8).(ekil 2.a-b)
Konveks Kme
Konveks deil
x2
x1
ekil 2.a
ekil 2.b
xi , x j S , i j , 0 1 iken
x 0 = x i + (1 ) x j S( i j)
(x1, x 2 )E 2 ; 0 1 iin;
f [(1 ) x1 + x 2 ] [(1 ) f ( x1 ) + f ( x 2 )]
x1
x2
(ekil 3.a).
[(1-)x1+ x2]
Konkav Fonksiyon
Ne Konveks Ne Konkav
x1
x2
x2
x1
(ekil 3.b).
(ekil 3.c).
[(1-)x1+ x2]
[(1-)x1+ x2]
Eer bir dorusal olmayan programlama problemi bir f(x) ama fonksiyonunu ierirse ve
ayrca f(x) konveks (konkav) ise uygun blge iindeki bir noktada bir tek optimum zm
vardr ve bu noktada 1. mertebeden trevlerin hepsi sfrdr. Ayn zamanda bu nokta bir snr
noktada olabilir. Ayn zellik bu snr nokta iinde geerlidir(13).
1.8.2.Kstl Maksimum
Eer bir dorusal olmayan programlama problemi ayn anda hem bir ama fonksiyonu hem de
kstlarn bir kmesinden oluuyorsa optimum zmn teklii ama fonksiyonu ve kstlara
baldr.Eer ama fonksiyonu konkav ve kstlarn kmesi konveks ise problemin bir tek
maksimum zm vardr. Bu nedenle herhangi bir sabit nokta mutlak maksimum zm
olmak zorundadr.
1.8.3.Kstl Minimum
Eer bir dorusal olmayan programlama problemi ayn anda bir ama fonksiyonu ve kstlarn
bir kmesini ieriyorsa optimum zmn teklii ama fonksiyonu ve kstlara baldr.
Eer ama fonksiyonu konveks ve keza kstlarn kmesi de konveks blge formunda ise
problemin bir tek minimum zm olacaktr. Bu nedenle herhangi bir sabit nokta mutlak
minimum zm olmak zorundadr.
1.8.4.Konkav (Konveks) Fonksiyonun Minimizasyonu (Maksimizasyonu)
Eer bir konveks fonksiyon maksimize (konkav fonksiyon minimize) edilirse optimal zm
kstlar kmesinin ekstremum noktalarnn yalnz birisinde bulunacaktr.
1.9. Bir Fonksiyonun Gradienti
f f
f
grad f(x) = f ( x ) =
,...........,
,
x x
x n
2
1
veya ksaca;
f
f (x) =
x
k
f(x) fonksiyonunun ikinci mertebeden srekli trevlere sahip olmas durumunda btn
i ve j ler iin;
2
f
f
eitlii geerlidir(14).
=
x . x
x . x
i
H =
f
x . x
j n x n
i
eklinde bir matris ile gsterilebilir. te bu n x n lik H f (x) matrisine f(x) fonksiyonunun
Hessian matrisi denir. Bu matris ayn zamanda simetriktir(15). Aka yazmak gerekirse;
H (x) =
f
2
2
f
f
...............
2
x 1 x 2
x 1 x n
x 1
.
.
.
.
.
.
2
2
2
f
f
f
............... 2
x n x 1 x n x 2
x n
n x n
2
hj
f (x)
a x1 x2
x3 x4
x5
x6
x7 x8
10
Benzer olarak;
f ( x 2 ) = min {f ( x 2 ), f ( x 4 )} olduundan f ( x 2 ) noktas mutlak minimum nokta olarak
isimlendirilirken, f ( x 2 ) ye gre f ( x 4 ) noktas yerel minimum nokta olarak isimlendirilir.
x1
ile
x3
noktalar karlatrldnda
x1
zayf
maksimum iken
x3
gl
n-deikenli bir f(x) fonksiyonunu gznne alalm. f(x) fonksiyonunun her x noktasnda
birinci ve ikinci mertebeden srekli trevlere sahip olduunu varsayalm.
Teorem-1: Herhangi bir x 0 noktasnn f(x) fonksiyonunun ekstremum noktas olmas iin
11
1
Yeterince kk h j ler iin kalan terim h T Hh , h j 2 nin mertebesindedir.
2
Bundan dolay (1) deki alm;
f ( x 0 + h ) f ( x 0 ) f ( x 0 )h + 0.(h j2 ) f ( x 0 ) . h
f (x 0 )
< 0 her zaman elde edilebilir.
xj
1
f ( x 0 + h ) f ( x 0 ) = f ( x 0 )h + h T Hh x + h idi.
0
2
x 0 bir sabit nokta iken Teorem-1 gereince f ( x 0 ) = 0dr.Buna gre;
1
f ( x 0 + h ) f ( x 0 ) = h T Hh x + h olur.
0
2
12
13
matris (simetrik
Hf(x)=
2 f 2 f
2 f f
f12 f1n
...
11
2
x
x
x
x
x
f2n
f
f
n
1
21
22
1 1 2
2
2
2
f f
.
.
f .
=
...
2
.
.
x2x1 x2 x2xn .
.
2
2
2
.
.
f
f
f
xn x1 xn x2 xn 2 f n1 f n 2 f nn
nxn
nxn
i) Gerek art:
f f
f
= 0 olmasdr. Bu denklemin zm
( x1 , x 2 ,.., x n ) = gradf ( x1 , x 2 ,.., x n ) =
,
,...
x
x
x
1
2
n
ii) Yeter art:x0 noktas f ( x) = 0 artn salayan nokta(sabit nokta) olsun.Buna gre;
1.Test :
i.
ii.
iii.
2.Test:
det(A- I)=0
i iin i > 0
ii.
iii.
14
A=
a11
a 21
.
.
a n1
a12
a 22
.
.
an 2
a1 n
a2 n
.
. olsun. Ann uzanan alt matrisleri ;
a nn
nxn
a
A1=[a11] ; A2= 11
a 21
a11
a12
,..., Aj = a 21
a 22
a j1
a12
a 22
a j2
a1 j
a11 . a1n
2x2
jxj
nxn
ii.
iii.
ile tanmlanr ve sabit noktann kimlii ilefonksiyonun konkav yada konvekslii kolayca
belirlenir.
rnek : f(x1,x2,x3)=x1+2x3+x2x3-x12-x22-x32 fonksiyonun ekstremumlarn ve konveks yada
konkavln inceleyiniz
1)Gerek art: f(x)=0 olmaldr
f
f
f
=1-2x1=0 ,
=x3-2x2=0 ,
=2+x2-2x3=0
x1
x 2
x 3
Buradan; x1=1/2 , x2=2/3 , x3=4/3 olduu grlr . x0=(1/2,2/3,4/3) sabit noktadr.
15
f x1 fx1
Hf(x0)= f x 2 x1
f x 3 x1
f x1x 2
f x2x2
f x3 x 2
0
f x1x 3
2 0
f x 2 x 3 ise Hf(x0)= 0 2 1
0 1 2
f x 3 x 3
2 0
H2=
olduundan det H2=4
0 2
0
2 0
H3 0 2 1 olduundan det H3=-6
0
1 2
Hf(x) negatif tanmldr x0=(1/2,2/3,4/3) maksimum noktadr
Not:yeter art iin II. Metot u ekildedir.
2
Det (H-I )= 0
0
1 - 0 1 0 =
2
1
1 0 0
0 0 1
= 0 ve buradan;
inceleyin.
zm:
1)Gerek art: f ( x) = 0 olmaldr
f
f
=2x-4y=0 ,
=-4x+2y=0
x
y
Buradan; x=0, y=0 olduu grlr. x0=(0,0) sabit noktadr.
fxx
2)Yeter art:Hf(x0)=
fyx
fxy 2 4
=
fyy 4 2
2 4
H 2=
ise det H2 = -12<0
4 2
H f tanmsz olduundan f fonksiyonu ne konveks nede konkavdr, x0bkm noktasdr.
16
1 0 2
2 4
-
=
4 2
0 1
4
4
=0
2
p( ) =(2- )2-16= 2 4 12 = 0
p(- ) = 2 + 4 12 = 0
larn bir ksm pozitif bir ksm negatif olduundan bkm noktasdr.
rnek: f(x,y,z)=4x2-6y2-2xy+3xz-2y-4yz+1 fonksiyonunun ekstremumlarn bulunuz
zm:
Gerek art: f ( x) = 0 olmaldr.Buna gre;
fx=8x-2y+3z=0
fy=-12y-2x-4z-2=0
fz=3x-4y=0 olup buradan x0(-6/7,-9/14,13/7) bulunur.
Yeter art : fxx=-2 ,fxy=3 ,fyy=-12 ,fyz=-4 ,fzz=0 olup Hessian matrisi;
3
2
8
H = 2 12 4 elde edilir.
3
0
4
2
8
1.test : det [8] = 8 >0 ve det
= 100 <0 (Hf(x) tanmsz , x0 bkm noktas ,
2 12
fonksiyon ne konveks ne de konkavdr)
2.test : det (A- I ) = 0
2
3
8
1 0 0
8
2 12 4 0 1 0 = 0 2
3
0 0 1
3
4
0
2
12
4
3
4 = 0 ise buradan u bulunur;
p ( ) = 3 4 2 + 67 + 28 = 0 p ( ) = 3 4 2 67 + 28 = 0
negatif kk varsa negatif tanml , 3 pozitif kk varsa pozitif tanml bunun dnda
tanmszdr.
17
Eitlik kstlarna sahip ama foksiyonunun optimizasyonu iin iki metod gelitirilmitir.
Bunlardan ilki Jacobian (Kstl Trevler) metodu, ikincisi ise Lagrange metodudur(11).
Jacobian metodu Dorusal Programlama iin simpleks metodunun bir genellemesi olarak ele
alnabilir. Gerekten de simpleks metodu artlar Jacobian metodundan tretilebilir. kinci bir
metod olan Lagrange metoduda yine benzer olarak Jacobian metoduna benzer bir mantkla
gelitirilmitir. Bu iliki Lagrange metodunun ilgin bir ekonomik yorumunu kabul eder.
A) Lagrange Metodu
f
= Y0 J 1
g
duyarllk katsaylar fnin optimum deeri zerinde kstlardaki kk deiikliklerin etkisini
belirlemede kullanlr. Keza bu katsaylar sabittir. Bu zellikler eitlik kstlarna sahip kstl
problemleri zmek iin kullanlr.
f
= Y0 J 1 =
g
Buradan; f - g = 0 bulunur. Bu denklem sabit noktalar iin gerek artlarda yeterlidir.
Yani
f
, C f ye benzer olarak hesaplanr. Bu denklemleri sunmak iin daha elverili bir
g
(f - g) = 0
xj
(j = 1, 2, , n)
g = 0 kst denklemleri ile bu son denklem x ve nn uygun deerlerini kabul eder ki sabit
noktalar iin gerek artlar kfidir.Eitlik kstlarna sahip optimizasyon problemlerinin sabit
noktalarnn belirlenmesi ilemi Lagrange ilemi olarak adlandrlr. Bu metodu formulize
eden ifade;
L ( X , ) = f(x) g(x) ile verilir.
18
Q ( m+ n ) x ( m+ n )
Burada;
g1 (x)
g 2 (x)
P =
g (x)
m (mn )
ve
Q=
2 L (X, )
x i . x j
( i,j iin )
(n n )
1) Eer H B , (2m + 1)inci mertebeden temel minr determinant ile balayan ve (n-m)inci
mertebeden temel minr ile son bulan determinantlarn iareti (1) m +1 ile deiiyorsa
(X 0 , 0 ) bir maksimum noktadr.
2) Eer H B , (2m + 1)inci mertebeden temel minr determinant ile balayan ve (n-m)inci
mertebeden temel minr ile son bulan determinantlarn iareti (1) m ile ayn iarete sahipse
(X 0 , 0 ) bir minimum noktay belirtir(18).
19
Bu artlar bir ekstremum noktay tanmlamak iin yeterlidir fakat gerek deildir. Bir baka
deyile bir sabit nokta yukardaki artlar salamakszn ekstremum nokta olabilir.
Bu metodun dezavantaj ilem aknn hesaplama olarak pratik kararlar iin uygun
olmaydr. Bunun iin;
0
= T
P
Q I
a)
b)
g i (x) 0
(i = 1,2, .. , m)
xi 0
Adm 1: Maksimum z = f(x) kstl probleminin zmnde eer sonu optimum btn
kstlarda yeterli ise k = 1 alnp adm 2ye geilir.
20
Adm 2: Herhangi k kst ileme sokulur ve f(x), k aktif kst iin optimize edilir. Eer sonu,
kalan kstlar itibariyla uygunsa dururuz. Bu bir yerel minimumdur. Bir baka deyile dier
aktif k kst iler hale getirilip adm tekrarlanr. Eer alnan k aktif kstnn btn kmeleri
uygun bir zm kar gelmeksizin ayn anda gznne alnrsa adm 3e geilir.
Adm 3: Eer k = m ise dur. Uygun zm yoktur. Yani k = k + 1 tekil edilerek adm 2ye
geri dnlr. Bu ilemin nemli bir noktas sk sk ihmal edilmektedir. Bu nokta problemin
uygun davrandnda bile mutlak optimum garanti edilememesidir. Dier bir nemli nokta ise
p < q iin f(x)in optimumunun p eitlik kst iin her zaman q eitlik ksttan daha kolay
salanmas gibi yanl bir kanya varmaktr.
i)Gerek artlar
maksimum z = f(xi)
kstlar
g(xi) 0
xi 0
Eitsizlik kstlar negatif olmayan aylak deikenlerin yaklak toplam olarak
L(X, S, ) = f (X) g ( x ) + S 2
f
dr.
g
21
0 demektir. Eer kstlar eitlik halinde ise [g ( x = 0)] ise iarette snrsz olur.
Bu zerindeki kstlamalar Kuhn Tucker artlarn ksmen kapsamaktadr. imdi
Lagrange fonksiyonu L ( X, S, )nn srasyla X, S ve ya gre ksmi trevlerini alalm.
L
= f(x) - g(x) = 0 (1)
X
L
= 2 i . S = 0 (2) (i = 1,2, . , m)
i
Si
L
= g ( x ) + S 2 = 0 . (3)
f
= 0 dr.
gi
(i = 1, 2, . , m)
Bu yeni art esas itibariyla i > 0 a gre tekrarlanacak olursa g i ( x ) = 0 veya Si 2 = 0 dr.
Benzer olarak; eer g i ( x ) < 0 Si 2 > 0 ve i = 0 dr.
Aada zetlenecei gibi X ve iin Karush Kuhn Tucker artlar yukardaki
maksimum probleminin bir sabit noktas olmas iin gerektir. Buna gre;
Maksimum nokta iin;
0
f(x) - g(x) = 0
i g i (x) = 0
(i = 1, 2, , m)
g(x) 0
Ayn ey minimum durum iin uygulanrsa 0 olmak zorundadr. Hem maksimum hemde
minimum durumda, eitlik kstlarna gre Lagrange arpanlar iarette snrsz olmak
zorundadr.
22
Optimizasyon eidi
Gerek artlar
Ama Fonksiyonu
zm Uzay
Maksimizasyon
Konkav
Konveks Kme
Minimizasyon
Konveks
Konveks Kme
Tablo 1den de anlalaca gibi ama fonksiyonu ister konveks isterse konkav, zm uzay
konvekstir.Bu artlar salamak iin aadaki genel dorusal olmayan programlama
problemini gznne alalm.
(maksimum / minimum)
kstlar;
g i (x) 0
(i = 1, 2, , r)
g i (x) 0
(i = r + 1, r + 2, , p)
g i (x) = 0
(i = p + 1, p + 2, , m)
L (X, S, ) = f(x) - i g i ( x ) + Si 2
i =1
i g i ( x ) + Si 2
i = r +1
i g i (x)
i = p +1
23
Tablo 2deki artlar Tablo 1deki artlarn genellemesini tarif eder. Minimizasyon durumda
L ( X, S, ) konveks, maksimizasyon durumda L ( X, S, ) konkav fonksiyondur. Bu
geniletilecek olursa;
i.
ii.
Unutulmamas gereken birey de dorusal fonksiyonun hem konveks hemde konkav bir
fonksiyon olmasdr.
Sonu:
Kstl dorusal olmayan problemlerin ekstremumlarn yerletirmek iin gelitirilen Klasik
Optimizasyon Teorisi saysal hesaplamalar iin uygun deildir. Fakat bu teoriler hesap
algoritmalarn gelitirmede temel tekil ederler. yle ki Kuadratik Programlama Karush
Kuhn Tucker gerek ve yeter artlarn kullanan mkemmel bir rnektir.
24
25
26
ii.
En az bir olurlu zm
iii.
iv.
Kstl problemin kstsz hale dntrlmesi ile oluan yeni problemin ierdii K
gibi pozitif ceza sabiti E gibi bir yaknsaklk lt.
27
Varsayalm ki, x = x k geerli arama noktasnn civarnda f(x), f s ( x ) kesilmi Taylor serisi
alm ile verilsin. Buna gre;
n
f s (x) f (x k ) +
i =1
f(x k )
1 n
(x i x i k ) +
xi
2 i =1
j =1
a ij ( x i x i k ) . (x - x k )
j j
f s (x) f (x)
Burada; a ij = a ji =
2f
x i . x
(1)
(2)
k
j x=x
f s (x) f(x k ) 1 n
1 n
=
+ a mi (x i x i k ) + a mj (x j x j k )
2 n =1
2 j =1
xm
xm
f s (x) f(x k ) n
+ a mj ( x j x j k ) ...
=
xm
xm
j =1
f s (x)
=0
xm
(3)
(m = 1, 2, . , n)
(4)
a 11 a 12 ......... a 1n
a 21 a 22 .........a 2n
Ak = . .
.
. .
.
a n1 a n2 .........a nn
(n n )
(A k ) 1 ters matrisinin var olduunu farz edelim. Buna gre (4) ifadesinin her iki yann
(A k ) 1 ile arpar ve x yerine x k +1 yazlrsa;
(A k ) 1 . (A k ) (x k + 1 - x k ) = -(A k ) - 1 . g k
(5)
(6)
28
eklini alr. Bu son ifade genelde bir gradient arama ilemini belirtir. imdi bu genellemeden
sonra Newton arama metodunun bir iterasyonunda yaplmas gereken ilem admlarn
zetleyelim.
n . (n + 1)
olup bunlar f(x)in ksmi trevlerine
2
gre x = x k da belirlenir.
y = Q(x)
f(x)
y=f(x)
Q (x0) = y0
y=f(x)
b
0 a
ekil 6
ekil 7
29
P(x0,y0)
x
A(x0,0)
Newton metodu kabaca Q(x) denkleminin tahmini kkn bulmay salar. Q( x ) = f ' ( x )
ekil 7deki P noktasnn apsisi olan x 0 noktas Q(x)in tahmini bir kk olsun. PT,
OT = OA TA = x 0 TA
Q (x )
'
'
PA
= Tan = Q ( x 0 ) TA = PA Q ( x 0 ) = ' 0
TA
Q (x 0 )
TA =
Q (x 0 )
Q ' (x 0 )
x 0 x1 =
x1 = x 0
iken TA = x 0 x 1
Q (x 0 )
Q ' (x 0 )
Q (x 0 )
Q ' (x 0 )
elde edilir.
Q (x 0 )
Q ' (x 0 )
k = 0, 1, . , n
Bylece Newton metodu bu son formlasyon ile bir ardk ilem haline gelmi olur ve bu
ilem x k + 1 ile x k arasndaki fark (hata pay) istenilen hassasiyete ulanca son bulur.
30
ki boyutta bu metod genin kelerinde fonksiyon deerlerini karlatran bir model arama
metodudur. ki deikenli bir z = f ( x , y) fonksiyonunun minimizasyon durumunu gznne
aldmzda, genin en kt kesinde (w = worst vertex) z = f ( x, y) fonksiyonunun deeri
en byktr.
Bu nedenle, bu en kt ke yeni bir nokta ile yer deitirir. Bylece yeni bir gen elde
etmi oluruz. Artk arama ilemi bu yeni gen iinde devam ettirilir ve bylece bu ilem ke
nokta deerinde fonksiyon deerinin gittike kld bir genler dizisine dnr.
lem genlerin klerek bir noktaya yaklamas ile son bulur ki bu nokta istenen minimum
noktadr. ki deikenli z = f ( x , y) fonksiyonu iin gelitirilen bu metod n-deikenli
f ( x ) = f ( x 1 , x 2 ,........., x n ) fonksiyonuna genelletirilebilir. Nelder ve Meadn gelitirilmi
31
ekilde bulunur.
M=
B + G x1 + x 2 y1 + y 2
,
=
2
2
2
d
G
d
G
W
ekil 8
32
d
M
G
W
ekil 9
33
M
C2
C1
G
W
ekil 10
G
ekil. 11
Her bir adm iin mantksal kararlar:Yukarda aklanan her bir admda yeni bir ke
bulunur ve bu W ile deitirilir. Bunu bir algoritma olarak u ekilde aklayabiliriz.
34
W+M
alnr ve f(C) hesaplanr.
2
Deiken Says
:2
terasyon Says
: 15
:l
Ama Fonksiyon
: x + xy2 - 3xy
Vektr Elemanlar
1. Vektr Elemanlar
: (0.0000, 0.0000)
2. Vektr Elemanlar
: (2.0000, 0.0000)
3. Vektr Elemanlar
: (2.0000, 1.0000)
B(xk, yk)
G (xk , yk)
W(xk,yk)
F (xk, yk)
(2.0000, 1.0000)
(2.0000, 0.5000)
(1.0000,0.5000)
0.00000000000
2
3
4
5
6
7
8
9
10
11
12
13
14
15
(1.0000, 0.5000)
(1.5000, 0.7500)
(1.2500, 0.6250)
(1.1250,0.8125)
(1.1250,0.8125)
(1.1250,0.8125)
(0.8281, 1.1328)
(0.9766, 0.9727)
(0.9766, 0.9727)
(0.9570, 1.0332)
(0.9902, 1.0303)
(1.0215, 0.9834)
(0.9941,0.9932)
(1.0000, 1.0000)
(1.5000,0.5000)
(1.5000,0.6250)
(1.5000,0.7500)
1.2500,0.6250)
(1.3438,0.7344)
(1.2188,0.9219)
(0.9766, 0.9727)
(1.0234, 1.0273)
(1.0234, 1.0273)
(0.9668, 1.0029)
(0.9668, 1.0029)
(1.0059, 1.0068)
(1.0000, 1.0000)
(1.0039,0.9941)
(1.5000,0.7500)
(1.2500,0.6250)
(1.1250,0.8125)
(1.3438,0.7344)
(1.2188,0.9219)
(0.8281, 1.1328)
(1.0234, 1.0273)
(0.9141, 1.0664)
(0.9570, 1.0332)
(0.9902, 1.0303)
(1.0215,0.9834)
(0.9941,0.9932)
(1.0078,0.9883)
(0.9971, 0.9966)
-0.75000000000
-0.84375000000
-0.87890625000
-0.97119140625
-0.97119140625
-0.97119140625
-0.97475528717
-0.99809467793
-0.99809467793
-0.99846400321
-0.99928985350
-0.99962122552
-0.99987939186
-1.00000000000
35
optimumunu bulmak iin 140 yl akn bir sredir ok eitli algoritmalar gelitirilmitir.
Bu algoritmalarn ou u esasa gre tasarlanmtr.
f ( x ) = f ( x 1 , x 2 , ...... , x n ) n - deikenli fonksiyonunun grafiini tepe ve vadilerden
oluan bir sradalar topluluu olarak gznne alrsak, vadilerin en alt tarafndaki blgeler
fonksiyonun minimumunu gsterirken tepelerin en stndeki blgelerde fonksiyonun
maksimumunu temsil eder.Eer minimum noktada deil isek bulunduumuz noktadan
aaya doru minimumu buluncaya kadar hareketimize devam ederiz. Maksimum noktada
deil isekte bulunduumuz noktadan yukarya doru maksimumu buluncaya kadar
hareketimize devam ederiz(2). (ekil 12)
(Mutlak
Maksimum)
F
D
(Yerel
Maksimum)
(Yerel
Maksimum)
A
(Yerel
Minimum)
E
(Yerel Minimum)
C
(Mutlak Minimum)
ekil 12
Bir gradientin yn en dik k (steepest ascent) yndr. Tersi ise en dik ini
(steepest descent)yndr. Yani en dik k yn f(x) ynnde iken en dik ini ynde -
f(x) ynndedir(1).
n-deikenli bir f ( x ) = f ( x 1 , x 2 , ...... , x n ) fonksiyonunu gznne alalm.
Burada, ( x 1 , x 2 , ...... , x n ) n - boyutlu klidyen uzayda;
x1
x
2
X = . stun vektr ile temsil edilir.
.
x
n
36
f(x) fonksiyonunun gradienti ise grad f(x) veya f(x) ile gsterilir ki;
grad f(x) = (f1 , f 2 , ...... , f n ) (12) veya
f(x) =
f
xk
(k = 1, 2, . , n)
f
f
f(x) =
, .......... ,
xn
x1
(1)
eklindedir.
f
k = 1, 2, . , n xde belirlenir(1).
xk
alalm.
Bir boyutlu arama ilemini ok boyutlu problemimiz iin geniletmeye alalm. Bir boyutlu
problemlerde baya trev bir veya iki olas yolu yani xin azal veya xin art ynn
semek iin kullanlr. Ama bir noktay aratrmaktr ki bu noktada trev sfrdr. f ' ( x ) = 0
bu
gereksinim
ama
zel bir x = x ' noktasndaki gradient ise elemanlar ksmi trevler olan ve x '
noktasnda deeri olan bir vektrdr.
f
f
, .......... ,
f(x ' ) =
xn
x1
'
x=x
Gradient arama ilemi kstsz bir problemin zm iin etkili bir arama ilemidir. Bu ilem
gradientin ynndeki hareketi koruyan ve x * optimal zmn aratran bir yntemdir.
37
Bu nedenle normal olarak f(x) in ynnde xi srekli olarak deitirmek pratik degildir.
nk bu deiikliklerin serisi srekli olarak
f
lerin yeniden belirlenmesini ve her
xj
(I)
( t 0)
xj = xj + t
x j x = x'
j = (1, 2, .. , n)
elde edilir. Bu son ifade x j iin yalnzca sabitleri ve tyi ierir. Yani f(x) tnin bir
fonksiyonudur. Bu gradient arama ileminin iterasyonlar kk bir tolerans ile f(x) = 0
olana dek srdrlr. Yani;
f
xj
j =(1, 2, , n)
imdi bu deindiimiz zelliklere gre gradient ilemini basit bir algoritma ile tanmlayalm.
Balang Adm: stenilen hassasiyet ve balang aikar zm ( x ' )yi alalm.
Ardk Admlar:
1) x j = x j ' + t
j = (1, 2, , n)
x j x = x'
Kmesi oluturarak tnin bir fonksiyonu olan f x ' + t f(x ' ) ifadesi oluturulur ve
f(x) yerine bu ifadeler konulur. Son adma gidilir.
2) t 0 iin bir boyutlu arama ilemi kullanlarak f x ' + t f(x ' ) yi maksimum
klan t = t * bulunur.
38
f
un salanp salanmad
xj
kontrol edilir. Eer bu kontrol salanyorsa x * optimal zmnn yaklak beklenen deeri
iin x ' optimal zm alnr. Aksi halde ilk adma dnlp ilem tekrarlanr(7).
Btn gradient arama tekniklerinin ortak zellii
f
f
f =g =
, ........ ,
i kullanmalardr.
fn
f1
2 x 2 + 28 - 2x 1 - 4x 1 3 = 0
2 x 1 + 4 - 2x 2 = 0
39
x1
28
ekil.13
( 0 , 0 ) dan ( 28,4 ) noktalarn birletiren doru boyunca ne kadar hareket etmeliyiz. Bir
baka deyile; ( 28t , 4t ) dorusu iin t sfrdan ne kadar arttrlmaldr.
Bu sorularn cevab udur: f(x) in artmas durana kadar bu doru boyunca hareket edilir. Yani
x1 = 28t ve x2 = 4t deerleri fonksiyonda yerine yazlr.
f ( 28t , 4t ) = 2 (28t) (4t) + 28 (28t) - (28t)2 (28t)4 + 4 (4t) - (4t)2
f ( 28t , 4t ) = 800t 576t2 614.656t4
f ( 28t , 4t ) nin deeri max. olana kadar tnin arttrlmas gerekir. Bunu gerekletirmek iin
bir boyutlu arama ilemi ile tnin maksimum deeri; t* = 0.0665 olarak bulunur. (ekil.14)
f(28t,4t) = 800t 576t2 614.656t4
1
ekil.14
*
Buna gre yeni aikar zm;(x1,x2) = (28t ,4t* ) = (1.862 , 0.266 ) olur.
f(1.862 , 0.266 ) = 38.63
40
Bu ilk iterasyonu;
Adm
grad f(x)
x + [ grad f(x) ]
t*
x+ t* [grad f(x) ]
( 0,0 )
( 28.4 )
0.067
( 1.862,0.266 )
0.266
x1
1.862
ekil.15
imdi ikinci iterasyonu ilk iterasyonun sonucuna gre tekrarlayalm. Geerli aikar zm
(x 1 , x 2 ) = ( 1.862,0.266 ) noktasyla ( 1.862,0.266 ) + (0.832 , 7.459 ) noktasn birletiren
doru boyunca olacaktr.
Bu dorunun denklemi;
( 1.862,0.266 ) + (-1.028 ,7.193) = (1.862 1.028t , 0.266 + 7.193t)
bu doru boyunca;
x1 = 1.862 1.028 t
x2= 0.266 + 7.193 t dr.
Bylece; f ( x 1 , x 2 ) = 38.6 + 52.8 t 89.7 t2 + 8.14 t3 1.13 t4 ve bir boyutlu arama ilemi
gerekletirilirse; t* = 0.306 olarak bulunur. Buna gre yeni aikar zm;
(x 1 , x 2 ) = (1.862 - 1.028t , 0.266 + 7.193t) = (1.547 , 2.469 )
imdi bu iki iterasyonu
Adm
grad f(x)
x + [ grad f(x) ]
t*
x+ t* [grad f(x) ]
( 0,0 )
( 28.4 )
0.067
( 1.862,0.266 )
(1.862,0.266)
(-1.03,7.193)
(1.86-1.03t,0.27+7.19t )
0.306
( 1.547,2.469 )
eklinde bir genel tablo ile gsterilebilir. A aikar zmlerin optimal noktaya doru
hareketlerini de yandaki ekille gsterebilir. (ekil.16)
41
x2
(1.547,2.469)
0.266
x1
1.862
ekil.16
Adm
grad f(x)
x + [ grad f(x) ]
t*
x+ t* [grad f(x) ]
( 0,0 )
( 28.4 )
0.067
( 1.862,0.266 )
(1.862,0.266)
(-1.03,7.193)
( 1.547,2.469 )
(1.547,2.469)
(15.09,2.155)
0.027
(1.948,2.526 )
(1.948,2.526)
(-0.41,2.843)
0.291
(1.978,3.354)
(1.829,3.354)
(6.59,0.99)
0.023
(1.978,3.376)
terasyonlarn says istenilen hassasiyete bal olarak belirlenir. Eer iterasyona devam
edilecek olursa belli bir iterasyon sonunda tam optimal zme eriilebilir.
Bu rneimizde 0.1 hata tolerans sz konusu iken tam optimal zm olan (x 1 , x 2 ) = (2,4)
noktasn elde etmek iin yaplan iterasyonlar yukardaki tabloda sunulmutur. Bu optimal
zme ulancaya kadar elde edilen btn aikar zmler birletirildiinde son aikar
zm olan (x 1 , x 2 ) = (2,4) (optimal zm) noktasna doru zigzag bir grafik ortaya kar
(ekil.17).
42
x2
(1.978 , 3.376)
x1
ekil.17
arama ilemine benzer olarak gelitirilmitir. Genel indirgenmi gradient metod bunlarn en
nemlilerindendir.
43
Verilen olurlu zm x ' iken f(x) ama fonksiyonu iin dorusal bir yaklam f(x)
fonksiyonunu x = x ' civarnda birinci mertebeden Taylor serisine amakla elde edilir. Buna
gre;
n
j =1
f(x ' )
xj
f ( x ' ) ve f(x ' ) . x ' deerleri sabit deerler olduundan yeni ama fonksiyonumuz;
f(x) = f(x ' ) + f(x ' ) . x - f(x ' ) . x '
44
f ( x )
f ( x )
ifadesi yazlr.
deerlendirilir ve c j =
x j
x j
2. Adm: Aadaki dorusal programlama problemine ait x LP ( k ) optimal zm bulunur.
Maksimum g(x) =
c jx j
j =1
Kstlar Ax b , x 0
3. Adm: 0 t 1 arasndaki t deikeni iin;
x = x (k 1) + t x k LP x ( k 1)
iin h(t) = f(x) ifadesi oluturulur. Bundan sonra problemimiz 0 t 1 iin h(t) ifadesini
maksimize etmeye dnr ki bu bir boyutlu arama ilemi ile ok kolay baarlabilir. Buradan
bulunan t* deeri (1) ifadesinde yerine konarak yeni aikar zm elde edilir. Daha sonra son
adma geilir.
Son Adm: Eer x ( k ) ile x ( k 1) arasndaki fark istenilen hassasiyete ulatnda aranlan
optimal zm x ( k ) olarak alnr. Bir baka deyile k = k + 1 alnarak ardk admlara geri
dnlr.
Frank Wolfe Algoritmas ile zlen rneklerin genelinde karmza u nemli sonu kar.
Aikar zmler iki veya daha fazla yrnge zerinde deiirler. Bu zmler yrngeler
zerinde deitiinde, bu yrngelerin kesitii yaklak noktann tahmini optimal zm
olaca aktr. Bu tahmin son aikar zmden daha iyidir. Bunun sebebi aikar zmlerin
optimal zme doru ok yava yaknsamas ve bundan dolay optimal zmden uzak
olmalardr. Fank-wolfe algoritmasnn nasl uyguland gstermek iin aadaki dorusal
kstl optimizasyon problemini gz nne alalm.
45
3 x1+ x 2 7
x1 - x2 1
ve x 1 0 x 2 0
zm:Bu problemin dorusal kstlarna gre elde edilen uygun blge ekil.18 deki gibidir.
x2
7
3x1+x2=7
(2,4)
(2,1)
x1-x2=1
x1
ekil.18
f(x) = 32 x 1 -x 1 4 +8x 2 -x 2
fonksiyonun
df
(0,0) = 32 - 4(0) 3 = 32
dx1
df
df
= 8- 2x 2
(0,0) = 8 - 2 (0) = 8 olarak bulunur. Bu gre yeni ama
dx 2
dx 2
46
x2
7
3x1+x2=7
3x1+8x2=72
(2,1)
x1-x2=1
x1
1
ekil.19
bulmaya alalm.
f(2,1) = 55 iken
g(2,1) = 72 dir. Buna (2,1) deki yaklam iyi bir yaklam deildir.(0,0) ve
( 0t1 )
47
Kstlar 3x 1 + x 2 7
x1 - x2 1
g (0,7 ) = 42
f (0,7 ) = 7
df
(1.695,1.914) = 32 - 4(1.695) 3 = 12,52
dx1
df
(1.695,1.914) = 8 - 2 (1.914) = 4,17
dx 2
(1.695,1.914)
(2,1)
x1
1
ekil.20
48
Konveks programlamada bir yerel ekstremum ayn zamanda bir mutlak ekstremumu
gerektirir. Fakat dorusal olmayan programlama problemlerinde bu zellik her zaman
karmza kmayabilir. Bu nedenle konveks olmayan programlama problemlerini
uygulayabilmek iin ortak bir yaklam izlemeniz gerekir. Bu ortak yaklamda arama ilemi
algoritma vastasyla yaplabilir ki bu ilem bir yerel ekstremum bulana dek uygulanr ve
sonra bu ileme tekrar balanarak mmkn olduu kadar farkl yerel ekstremumlar bulunur.
Bu ekstremumlarn en iyisi de mutlak ekstremum olarak alnr. Normal olarak bu arama
ilemi konveks programlamann btn artlar salandnda mutlak ekstremumu bulmak
iin tasarlanmtr. Fakat konveks programlamann artlar salanmad durumlarda bir yerel
ekstremumu bulmak iin de kullanlabilir.
te bu ksaca deindiimiz zete uygun bir arama ilemi 1960l yllarda gelitirilmi ve ok
geni bir uygulama alan bulmutur. Bu algoritma <<Sequential Unconstrained Mnmazton
Technque>> (SUMT) adyla bilinen ardk kstsz optimizasyon tekniidir (7).
3.3.6. SUMT (Ardk Kstsz Minimizasyon Teknii) Algoritmas :
Ardk Kstsz Minimizasyon Teknii (SUMT) ilk olarak 1961de Carroll tarafndan ileri
srlmesine ramen bu metodun sadece teorisi ve zellikleri zerinde durmayan , ayn
zamanda bu metodun genilemesi iin pratik bir sistem gelitiren Fiacco ve McCormick
tarafndan aratrlp gelitirilmitir.
Pratik bir kural ile metodu kullanmann mmkn olmas iin teorrik yaklam (yaknsaklk)
zelliini gerek bir hesaplamaya dntrmek arttr(1).
SUMT algoritmas esas itibar ile 2 blmde incelenir. Bunlardan ilki uygun blge iinde
yaknsak olan bir penalty (ceza) fonksiyonunu kullanan ve uygun olmayan zmlerden
bahseden harici nokta algoritmasdr. [exterior Point Algorithm] ikincisi ise uygun blge
iinde barrier (engel) fonksiyonunu kullanan ve direkt uygun zmlere deinen dahili nokta
algoritmasdr. [interior Point Algorithm].
Adndan da anlalaca gibi Ardk Kstsz Minimizasyon Teknii (SUMT) zmleri
orijinal problemin zm ile birleen kstsz optimizasyon problemlerinin bir dizisi ile
orijinal problemin yerini alr.
49
Bu yntem ok etkili sonular verir. Buna sebep kstl bir optimizasyon problemi yerine
kstsz bir optimizasyon problemini zmenin daha kolay olmasdr.Ayrca bu
tip
n
n
1
1
................(*)
Bylece;P(x,r)=f(x)+r
i =1 b g ( x ) j=1 x
i
j
i
1
konkavdr(11).
b g (x)
i
Bu son ifade P(x,r)nin xde konkav olmas demektir.sonu olarak P(x,r) bir tek ekstremuma
sahiptir.Ayrca orijinal kstl problemin optimizasyon (maksimizasyon veya minimizasyon)
P(x,r)nin optimizasyonuna eittir ve x0 balang aikar zm noktas uygun blge iinde
bir nokta olmak zorundadr. (interir point). Buna gre bu zm takip eden dier zmlerde
uygun blge iinde kalmak zorundadr.
(*) ifadesi ile verilen problemimizde r>0 skalerinin farkl iki deeri iin P(x,r)yi ekstremum
yapan xin optimum deerleri yaklak olarak ayn ise SUMT algoritmas bu optimum
noktada son bulur.
Maksimum P(x,r) = f(x) rB(x) problemini gz nne alalm. Kstsz problemlerin
dizisini oluturan her bir problem iin buradaki r skalerini kesin pozitif yapan bir r deeri
seilir ve problem xe gre zlr. Burada B(x) bir barrier (engel) fonksiyonudur ve u
zelliklere sahiptir.
i ) x uygun blge snrna uzak iken B(x) kktr.
ii) x uygun blge snrna yakn iken B(x) byktr.
x uygun blge snrnda iken B(x) a yaklar.
Bylece, P(x,r)yi artrmak iin arama ilemi uygun bir zm ile balar. B(x)in genel formu;
n
n
1
1
B(x)=
+
i =1 b g ( x ) j=1 x
j
i
i
50
xin uygun deerleri iin unu grebiliriz ki; negatif olmayan kst veya uygun fonksiyon iin
her terimin paydas xin kst snrndan olan uzakl ile orantldr.
Bu nedenle her terim snrda olmayan bir terimdir ve ksmi kst snrna gre B(x)in
zelliine sahiptir. B(x)in dier bir etkili zellii dee konveks programlamann tm artlar
salandnda P(x,r)nin konkav fonksiyon olmasdr. Ardk Kstsz Minimizasyon Teknii
(SUMT) kstsz optimizasyon problemlerinin bir zmn kapsadndan rnin uygun
deerleri iin r sfra yaklar. Bu yaklamda her bir yeni r deeri daha nceki r deerinin bir
( 0< <1, = 0.01 ) says ile arplarak bulunur.
rnein: r1 =1 r2 = r1. =1.0.01 =0.01 rnin sfra yaklamas halinde P(x,r) ,f(x)
Burada, x* orijinal problem iin bilinmeyen optimum zmdr. Bylece rB(x) ama
fonksiyonunun deerindeki maksimum hatadr ve | x x* | deerine eittir.
Daha ileride bu hata iin bir hassasiyet snr getirilirse rB(x) bu hassasiyetten daha kk
kalnca ilem son bulur. Fakat konveks olmayan programlama problemlerinde maksimum
hata iin byle bir garanti verilmez.
Bu bilgilerin altnda Ardk Kstsz Minimizasyon Teknii (SUMT)nn ilem admlar
u ekilde zetlenebilir.
Balang Adm : Uygun blgenin snr zerinde olmayan bir x0 balang noktas
n
1
1
P(x,r)=f(x)-r
+
i =1 b g ( x ) j=1 x
j
i
i
Fonksiyonunun xk yerel ekstremumunu bulmak iin xk-1 noktasndan balayarak daha nce
tanmladmz gradient ilemini uygulayalm.
[xk = xk-1-t f(xk)]
51
Son Adm : Eer xk-1 ile xk arasndaki fark ihmal edilebilirse ilem xknn orijinal
[b g ( x )]
r
i
i
yerine
b g (x )
r
i
alnarak
: 2
: 0
: 1
: 0
P(x,r)=f(x)
r
r
r
Burada; f(x)
= 4x1-1 x14 + 2 x 2 1x 22
B1(x) = 5-4x1-2x2
L1(x) =1x1
L2(x) =1x2
Ardk Kstsz Minimizasyon teknii zm:
x1
x2
f(x)
0.5
0.5
2.6875
0.669
0.716
3.3954
0,01
0,871
0,671
3,8012
0,00001
0,89,
0,712
3,8526
0,0000001
0,894
0,712
3,8541
0,894
0,712
3,8543
0,894
0,712
3,8543
52
3.4.
UYGULAMALAR VE YORUMLARI
optimizasyonunu bulan iki metod olmasna ramen Nelder ve Mead Medodu trev
kullanmayan (direkt) bir arama ilemi , Gradient Metodu ise trevleri kullanan (indirekt)
arama ilemidir.
Gradient arama ileminin en nemli zellii optimum zme steepest ascent ( en dik k ),
steepest descent ( en dik ini ) veya zigzag eklinde bir grafik izerek yaknsamasdr. Bu
Gradient arama ileminin en karakteristik zelliidir. Bu nedenle uygun blgede seilen her
balang aikar zm optimum zme hzl bir ekilde yaknsar. Uygulama 4 ve Uygulama
5 bunu akca ortaya koymaktadr. Fakat bu metodun bir dezavantaj adm uzunluunun
klmesi durumunda bir sonraki iterasyona geememesidir. Bu bilgisayarlardaki alt tamas ,
s tamas gibi hatalarndan kaynaklanmaktadr. Bu nedenle ancak uygun balang aikar
zmlerin, seimi ile tam optimum zme ulaabiliriz.
Nelder Mead tarafndan gelitirilen metod ise bir simpleks metodudur ve ok deikenli
kstsz fonksiyonlarn optimizasyonunu bulmakta olduka etkilidir. ki boyutta simpleks bir
gen olduundan, ilk genin ke noktas balan vektrler alnarak ileme balanr.
53
Bu iki algoritmada
optimizasyonunu bulurlar. kisinin ortak zellii ilem admlar esnasnda Gradient arama
ilemini kullanmalardr. Yani her ikisi de ndirekt ( trev kullanan ) arama ilemidir.
Frank-Wolfe Algoritmas dorusal kstl problemlerin optimizasyonunu bulurken, SUMT
Algoritmas hem dorusal hem dorusal olmayan kstl problemlerin optimizasyonunu bulur.
Frank-Wolfe Algoritmasnn genel karakteristii dorusal kstl , dorusal ama fonksiyonu
olan bir dorusal programlama problemine dnr . Frank-Wolfe Algoritmasnn dier
nemli bir karakteristii ise iterasyonlarn
optimum
54
4. BLM
ETSZLKLER VE LNEER PROGRAMLAMA
4.ETSZLKLER
4.1. Birinci Dereceden Bir Bilinmeyenli Eitsizlikler
a 0 ve a , b, x R olmak zere f(x)=ax+b ifadesine birinci dereceden fonksiyon ve birinci
b
saysna da denklemin kk denir.
a
zm kmesini bulunuz.
zm:
Tablo incelendiinde;
i) x<4 ise f(x)< 0
ii) x=4 ise f(x)=0
iii) x>4 ise f(x)>0 olur. O halde zm kmesi =[4, ) dir.
55
x
2
x2
ax +bx+c
b
2a
x1 = x 2
ax +bx+c
III) < 0 ise ax2+bx+c=0 denkleminin gerek kk yoktur. f(x)=ax2+bx+c hibir zaman sfr
olamayacandan, iareti deimez,a ile ayn kalr.
x
ax2+bx+c
f(x)<0 dr.
a) x2+3x-10<0
b)9x2+12x+4>0
c)x2-2x<-8 eitsizliklerinin zm
kmelerini bulunuz.
zm:
a)
x +3x-10
-5
56
b)
9x2+12x+4>0 , ada yaplan ilemler izlenerek kkleri aratrlr. =0, birbirine eit iki
b
2
= tr.
2a
3
2
x
2
9x +12x+4
=Rdir.
c) x2-2x<-8
++++++++
x2-2x+8
= dir.
4.3. Eitsizlikler ve grafikleri
a.x+b.y+c =0 denkleminden;
a
c
y= x
b
b
(a,b,cIR b0)
a
c
= m, = n dersek;
b
b
y=mx+n.........(1) elde edilir.Bu fonksiyonun grafii bir doru olup, bu dorunun grafiini
n
m
0
57
y=mx+n
y=mx+n
y mx + n
n
y mx + n
-n/m
-n/m
.
ekil.21 y==mx+n grafii
y=mx+n eitliinde ymx+n veya ymx+n eitsizliklerinin grafii ekil.22 deki gibidir.
ymx+n eitsizliinin grafiini izmek iin y=mx+n dorusunun grafii ilk olarak
izilir.Daha sonra, bu doru zerinde bulunmayan herhangi bir test noktas alnarak eitsizlii
salayp salamad belirlenir.Eer bu nokta eitsizlii salyor ise, bu noktann alnd
blge istenen blge, kar blge ise dier eitsizlie ait olur.Bundan baka, ax+by+c>0 ve
ax+by+c<0 eitsizliklerinde yine yukardaki yol takip edilir.Fakat, grafik izilirken
ax+by+c=0 dorusu kesikli izgi ile gsterilir.(ekil.23)
ax + by + c = 0
ax + by + c > 0
ax + by + c < 0
58
rnek:
2 x + 4 y 8
3x 2 y 6
sistemini salayan zm blgesini bulalm.
y3
x0
zm:
zm
Blgesi
y=3
2x+4y=8
xy0
2
2
rnek : x + 3y 2
y2
x 1
zm:
x = -1 y
y=2
3
2
1
x-y = 0
2
zm
Blgesi
2x+3y = 2
Not: Her iki rnekte elde edilen zm blgesini bulmak iin ncelikle eitsizlikler eitlikler
haline getirilerek her birinin grafii izilir.Daha sonra, eitsizliin durumuna gre bir test
noktas yardmyla dorunun alt veya st zm blgesi olarak alnr.Sonu olarak, btn
eitsizliklerin ayn anda saland blge istenen zm blgesi olarak alnr.
59
Lineer programlama lineer fonksiyonlardan oluan problemleri zmek iin gelitirilmi bir
metottur. Bu metotla problemlerde istenilen amaca ulalmaya allr. Bu ama maksimum
kar, minimum maliyet, maksimum arlk vb.gibi olabilir. Bunun anlam udur. x,y
deikenleri gerek hayatta bir olay temsil ettiklerinden hibir zaman negatif olmazlar. Bir
lineer programlama problemi;
ama z=f(xi)
Kstlar;
gi(x)() bi
xi 0 eklinde tanmlanr. Burada,ama maksimum ise gi(x) bi ,
60
vitamin ve B2 vitamin miktarlar verilmitir. Buna gre minimum maliyete sahip diyeti elde
edebilmek iin gnde ne kadar pirin ve soya fasulyesi (bardak cinsinden ) retilmelidir?
( gr ) Protein
Kalori
( mg ) B2 Vitamin
Maliyet
zm:
Pirin
Soya
Gnlk Gereksinim
15
22.5
90
810
270
1620
1/9
1/3
21
14
Modeli kurarsak;
Kstlar
Minz=21x+14y
x
y
x
y
x
y
0
3
15x + 22.5y
90
A (0,6)
y=
6 24 15x+22.5y=90
B ,
7 7
1
1
x + y =1
C(3,2) 9
3
Sonularn deerlendirilmesi ;
15 x + 22.5 y = 90
6
;
7
Uygun
Blge
D(9,0)
x
x=
y
810x+270y=1620
A ( 0, 6 )
24
7
B(
C iin ; 15 x + 22.5 y = 90
z = 21 . 0 + 14 . 6 = 84
6 24
6
24
, ) z = 21 . + 14 .
= 66
7 7
7
7
C ( 3 , 2 ) z = 21 . 3 + 14 . 2 = 91
1
1
x + y =1
9
3
D ( 9, 0 )
z = 21 . 9 + 14 . 0 = 189
x=3 ; y=2
61
Problem: Aadaki tabloda verilenlere gre iletmenin maksimum kar elde edebilmesi iin
( B tipi bak )
Mevcut Kapasiteler
gc
90
elik
20
35
700
Odun
120
Kar
zm:
Maksimum z= 2x + 5y
Kstlar :
x
y
x
y
x
y
0 45
2x + 6y 90
15 0
0 35
4x+3y=120
20x+35y=700
20 0
0 30
B(21,8)
C(26.25,5)
4x + 3y 120
40 0
x 0 ; y0
Uygun
Blge
B noktas iin ;
2x+6y=90
D(30,0)
20x+35y=700
z = 2 . 21 + 5 . 8 = 82
-10/ 2x+6y=90
x=21 ve y=8
z = 2 . (26.5) + 5 . 5 = 77.5
C noktas iin ;
20x+35y=700
-5/ 4x+3y=120
x=26.25 ve y=5
62
Problem: Aadaki tabloya gre gnde retilecek pamuk ve flo iplii miktarn bulunuz.
(Pamuk) x
(Flo) y
Mevcut Kapasiteler
Halla
Cer-fitil
Taraklama
Maliyet
20
30
zm:
x
y
7
0
3.5 0
B Noktas
x+y =5
x + 4y 8
2x+y =7
x=2 , y=3
x+y5
C Noktas
x+4y =8
2x + y 7
x+y =5
x0 ; y0
x=4 , y=1
63
Problem:
(A Tipi)
(B Tipi)
Mevcut
Kapasiteler
340
380
retmesi gerekir.
3.Atlye
330
Kar
80
120
Yandaki
tabloda
verilenlere
zm:
x
y
x
y
x
y
0 340
85 0
x + 4 y 340
0 380 3
3x + 4 y 380
95 0
0 65
5x + 2 y 330
165 0
x0 ; y0
B iin
C iin
B(20,80) Z=80.20+120.80=11.200
3x+4y=380 5x+2y=380
C(40,65) Z=80.40+120.65=11.000
x+4y=340
x+4y=340
64
Problem: Bir iletmede radyo ve TV retilmektedir .Bu retim tasarm montaj ve test
Mevcut kapasite
Tasarm
90
Montaj
72
Test
96
Kar
10
20
y
0 15
x
y
30 0
0 18
18 0
x
y
0 32
16 0
6x + 3y = 90
4x + 4y = 72
6x + 3y = 90
30
4x + 4y = 72
18
16
C
Uygun
Blge
3x + 6y = 96
(0,0)
3x + 6y = 96
D
15
18
x 0, y0
4x + 4y = 72
ise
3x + 6y = 96
4x + 4y = 72
6x + 3y = 90
x= 4
y = 14
ise
x = 12
y= 6
65
32
Problem:
Bir iletmede pamuk ve flo iplii retilmektedir. Bu retim halla, cer-fitil ve taraklama
dairesinde gereklemektedir. Atlyelerin gnlk kullanm sreleri mil olup 16,72,56
saattir.Birim pamuk retimi iin bu atlyede srasyla 2,12,4 saat i gc gerekirken birim flo
retimi iin 2,6,14 saat i gc gereklidir.Birim maliyetler srasyla 5 ve 6 dolardr. Buna
gre, iletmenin minimum maliyeti elde edebilmesi iin gnlk ne kadar pamuk ve flo iplii
retmesi gerekir.
zm:
mevcut kapasite
Halla
16
Cer-fitil
12
72
Taraklama
14
56
Maliyet
Min z = 5u + 6v
Kstlar
v
u
v
0
8
8
0
12
u
v
14
2u + 2v = 16
12u + 16v = 72
12u + 6v = 72
12 A (0, 12)
2u + 2v = 16
C (4,4)
4
4u + 4v = 56
Uygun
Blge
4u + 4v = 56
D (5,6;2,4)
B (14,0)
u
6 8
14
u 0, v 0
4u + 14v = 56
ise
2u + 2v = 16
12u + 6v = 72
2u + 2v = 16
u = 5,6 D (5.6,2.4)
ise
v = 2,4
ise
u=4
C (4,4)
ise
v=4
gnde 5,6 birim pamuk 2,4 birim flo iplii retilmesi gerekir.
66
z = 5.4 + 6.4 = 44
tekrarlanr.
Maxz=80x+70y
Kstlar
6x+3y+u
=96
x+y
=18
2x+6y
+v
+w =72
-80x-70y +M =0
Bundan sonra adm 2ye geilir yani balang simplex tablosu hazrlanr.
x
96
18
72
M -80 -70
67
Tabloya gre u=96, v=18 ,x=0 ,y=0 olup zm deildir zm iin ama fonksiyonu
satrnda negatif eleman kalmamaldr.
3.aama:ama fonksiyonu belirlendi ve bu satrdaki en kk negatif eleman (-80) yok
edilmeye allyor.
6.....96
96/6=16
1.....18 belirlendi ve
18/1=18
2.....72
72/2=36
96/6=16 en kk eleman olduundan bunu salayan say 6 olduuna gre bu say iaretlenir
ve 6nn bulunduu satr 6ya bleriz
x
v
w
1/6
16 D1
18 D2
72 D3
M -80 -70
D4
-D1+D2
D2
-2D1+D3
-80D1+D4
D4
1/6
16
-1/6
-1/3
40
-30 40/3
1280
x=16 , v=2 ,w=40 ,m=1280, y=0 olup zm deildir .O halde, ileme devam edilerek 30
belirlenir ve
16
2
40
= 32,
= 4,
= 8 oranlarndan en k salayan says pivot
1/ 2
1/ 2
5
elemandr.
68
1/6
16
-1/6
-1/3
-30 40/3
(-1/2)D2+D1
D1
(-5)D2+D3
D3
30D2+D4
D4
1/3
-1
14
-1/3
40
4/3 -10
20
1280
10/3 60
1400
1/3
-1
14
+3.(1/3)=15
-1/3
+3.(-1/3)=3
4/3
-10
20
+3.(4/3)=24
10/3 60
1400 +3.(10/3)=1410
u tasarm , v montaj , w test atlyesi olsunlar .Tasarm stununu dikkate alalm burada ilave
bir i gc retim seviyesi ve kar ne kadar deitirilebilir ? Bunun iin tasarm atlyesinde 3
saatlik ilave i gc sonu tabloyu ekilde eklenir
Sonu olarak u=10/3 , v=60 ,w=0 deerlerine marjinal deerler denir.
rnek.4.7 :maxz=3x+5y
Kstlar
3x+6y 90
Tasarm
7x+5y 138
Montaj
4x+3y 120
Test
x 0, y 0
montaj atlyesine 18 saat ilave edildiinde kar ne kadar artar?Montaj atlyesine ilave edilecek
saati belirleyen analizi yapnz.
69
zm.4.7:
x
7/27
-1/9
-5/27
2/9
14 +18(2/9)=18
120 w
-1/27
-5/9
40 +18(-5/9)=30
0 20/27
1/9
82 +18(1/9)=84
90
138
-3
-5
(2 lira art)
giri
kstlama
8+h(-1/9)
h 72
14+h(2/9)
h 63 -63 h 72
40+h(-5/9)
h 72
minz= - max(-z)
Kstlar
x 30
y 25
x+y 15(ise x y 15)
x+y 45
x 0, y 0
x+ t =30
y + u =25
-x+-y +v =-15
x+y
+w =45
-2x-3y
+M = -375
zm.4.8:
30
25
-1
-1
-15
45
-2
-3
-375
70
w M
+18(-1/9)=6
D1
-1
15
D2
25
D3
-1
15
D4
30
D5
-1
-2
-375
-1
15
25
30
-1
15
-3
-315
30
-1
10
30
-1
15
-1
-270
Maksimum problemi olsayd 3 seecektik burada ise 2yi yok etmeye alacaz .
Karlkl elemanlar oranlyoruz
30/1; -15/-1 ; 45/1 oranlarndan en kk oran alyoruz (-15)/(-1)dr .(-) pivot elemandr.
Bulunduu satrn tm elemanlarn (-) ile arptk ikinci tabloyu yazdk .Daha sonra aadaki
satr ilemlerini yaptk;
2D3+D5
D5
D3+D1
D1
D3+D4
D4
en kk oran alyoruz.
71
30
-1
10
-1
20
25
-260
max CX
Kstlar
AX B
X 0 lineer programlama probleminin duali;
min BTU
kstlar
ATU CT
U 0 eklinde tanmlanr.Bir nceki rnek problemimizi buna gre uyarlarsak;
Maxz=80x+70y
Kstlar
6x+3y 96
x+y 18
x
max[80 70]
y
Kstlar
6 3
1 1
2 6
96
x x 0
. y 18 ve y 0
72
3x2
2x1
3x1
2x+6y 72
x 0, y 0
Dual problem:Minz=96u+18v+72w
Kstlar
6u+v+2w 80
3u+v+6w 70
u 0, v 0, w 0
72
rnek: min18x+20y+2z
kstlar
3x-5y-2z 4
6x -8z 9
x 0, y 0, z 0
yeni kstlar
-3x+5y+2z 4
6x -8z 9
x 0, y 0, z 0
maxz=-4u+9v (simpleks zm)
Kstlar
-3u+6v 18
-3u+6v+x =18
5u 20
5u +y
=20
2u-8v 2
2u-8v +z
=2
u 0, v 0
3 5 2
3 6
6 0 8 , 5
0
2 8
2x3
3x2
-3
18
D1
20
D2
-8
D3
-9
Ama
fonksiyonundaki
en kk say,D4
73
-1/2
1/6
D1
20
D2
-2
4/3
26
D3
-1/2
3/2
27
D4
4/3
1/5
2/3
34
3/2 1/10
29
1/6 1/10
minz=2x-3y+6z
kstlar
3x-4y-6z 2
2x+y+2z 11
x+3y-2z 5
x 0, y 0, z 0 LP problemini znz
zm.4.9 :
x 0, y 0, z 0 (dualini alalm)
74
maxz=-2u+11v-5w
kstlar
-3u+2v-w 2
4u+v-3w 3
6u+2v+2w 6
u 0, v 0, w 0
-3u+2v-w+x =2
4u+v-3w+y = -3
6u+2v+2w +z = 6
2u-11v+5w +M= 0
u
-3
-1
-3
-3
-11
(en kk oran
-3/2
-1/2
11/2
-5/2
-1/2
-4
-1
-29/2
-1/2
11/2
11
1/3
1/6
5/3
-13/3 -1/9
-11/18
-14/9
1/3
-1/9
1/9
4/9
13/3 35/9
29/18
157/9
75
5.BLM
5.Ulatrma Problemleri
5.1.Ulatrma Problemlerine Giri
Bu blmde, doeusal programlama problemlerinin zel bir tr yani belirli sayda kaynakta
retilen mallarn, belirli amalere minimum maliyette gnderilmesi ile ilgili olan ulatrma
modellerine deinilecektir. Ulatrma probleminde ama kaynaklardan hedeflere, yani retim
merkezlerinden datm merkezlerine mallar datlrken, bu datm ilemini mnimum
maliyette gerekletirmektir. Ulatrma modelinde kstlayc koullar, istem ve sunum
miktarna bal olarak daha ok eitlik eklindedir.
Ulatrma modeli eklinde kurulan bir problem simpleks yntem ile zlebilir. Fakat
ulatrma problemleri kendine zg teknikleri ile, yani ularma algoritmas, atama ve aktarma
modelleri gibi tekniklerle daha az zaman ve daha az hesaplamayla zmek olanakldr.
Ulatrma modelini bugnkne benzer fakat daha basit yapda ilk kez 1941 ylnda Hitchock
petrol endstrisine uygulamtr. Sonralar, Koopmans, Dantzig, Cooper ve charnesin
gelitirdikleri ve uygulamada geerli olan teknik 1960larda yaygnca kullanlmaya
balamtr.Ulatrma problemleri aadaki alanlarda ska kullanlmaktadr:
1- retim ve tketim merkezleri arasnda optimal mal datmnn belirlenmesinde,
2- lerin makinalara datmnda,
3- retim planlamasnda,
4- eitli ebeke a (network) problemlerinde,
5- letmelerin (fabrikalarn) kurulu yeri seiminde gibi..
76
retim merkezleri
retim miktarlar
Tketim merkezleri
Tketim miktar
F1
200
D1
250
F2
400
D2
200
F3
250
D3
350
Tketim merkezi
D1
D2
D3
retim merkezi
F1
10
gnderilecek
F2
maliyetinin
F3
12
mallar
en
ileminin
az
olmas
F1
F2
F3
Talep
D1
D2
D3
Arz
10
200
x11
x12
x13
x21
x22
x23
12
x31
x32
x33
250
200
350
i =1
j=1
400
Buna gre ama fonksiyonu;
250
Zmin=10.x11+6.x12+5.x13+...+12.x33
x ij 0 dr
x11+x12+x13 200
arz kstlayclar
x31+x32+x33 250
x11+x21+x31 250
x12+x22+x32 200
ai > bj
Kstlar
x21+x22+x23 400
talep kstlayclar
x13+x23+x33 350
77
toplam
isteniyor
F1
D1
D2
D3
D4
Arz
10
200
200
x12
x13
50
200
150
12
x31
x32
200
50
250
200
350
50
F2
F3
Talep
400
Zmin=7550 TL.
m+n-1=6(m=4,n=3)
250
850
850
F1
D1
D2
D3
D4
Arz
10
200
F3
50
200
150
12
200
Talep
250
0.50
Zmin=7350TL.
200
F2
Zmin=7.50+8.200+8.150+5.200+6.200+
400
250
50
200
350
50
D3
D4
VAM(vogel) yntemi:
D1
D2
Arz
Arabalarn
kiraland
merkez
ile
45
17
21
30
15
tama
maliyetleri
F2
14
18
19
31
13
verilmitir.Buna
Talep
gre
tabloda
arabalarn
(istem)
tama
maliyetini
78
vagel
ncelikle arz talep dengelenir.Bunun iin kukla fabrika kurarz F3 gibi .Daha sonra her satr
ve stn iin en kk iki saynn farkn hesaplayp ilgili satr yada stunun sonuna yazarz.
lemlere en byk farktan balarz m+n-1=4+3-1=6 tane arpm toplanr.
4 49
D1 D2 D3 D4 Arz
F1
F2
45
14
17
21
30
18
19
31
13
9
F3
4 4 1 12
15
14 17 19 30
3
talep 9
31
31
1 2
31
sonra yeni bir maliyet matrisi oluturmak iin ayn sradaki tm elemanlardan karlr.
Adm-2 ) Adm-1de elde edilen maliyet matrisinin her stunundaki en kk deerli
atanr. Bir iinin sadece bir ie atanmas yaplm ise bu durum uygun atamann olduunu
gsterir.Hangi iinin hangi ie atandn belirlemek iin 0 deerli elemanlar daire iine
alnr. Eer uygun atama yoksa Adm-4e geilir. En uygun atamalar daire iine alnan
0lara karlktr.
79
izilir. izilen izgilerin says sra veya stun saysndan az olacaktr. zerinden izgi
gemeyen en kk eleman seilir sonra bu eleman, zerinden izgi gemeyen en kk
eleman seilir sonra bu eleman, zerinden izgi gemeyen tm elemanlardan karlr ve iki
izginin kesitii yerdeki elemanlara eklenir. zerinden izgi geen teki elemanlar
deimeden kalr. Btn ilemlerden sonra Adm-3deki ilemlere bavurulur.
6.3. rneklerle Atama Problemlerinin ncelenmesi:
Problem:
Aadaki tabloda saat olarak her makinenin ilgili i bitirme sresi verilmektedir .Buna gre,
minimum zamanda ilerin makinelara atanmas problemini znz.
Makineler
ler
10
14
15
13
12
13
16
12
12
12
11
13
16
18
13
zm:
0 4 5 3 1 0 3 1 3
0 1 4 0 2 0 0 0 0
0 4 4 3 3 0 3 0 3
4
0 3 5 0
0 2 1 0
Her satrdaki en kk eleman belirlenir. ki taneyse herhangi biri alnr sonra btn
elemanlar bu elemandan kartlarak yeni bir matris oluturulur. Daha sonra I. admda elde
edilen maliyet matrisinin her stunundaki en kk eleman bulunur ve bu tm elemanlardan
kartlr.Elde edilen yeni matristeki 0 deerli elemanlara ii, i veya makine atanr .
Hangi iinin (makinenn ) hangi ie atand belirlemek iin 0 deerli elemanlar daire iine
alnr Atama uygun deilse adm 4e geilir.
80
Matriste yer alan tm 0 deerli elemanlardan geen en az sayda doru izilir. izilen
dorularn says satr veya stun saysndan az olacaktr. zerinden doru gemeyen en
kk eleman bulunacak ve zerinden doru gemeyen btn elemanlardan karlacak ve iki
dorunun kesitii yerdeki elemanlara eklenecektir .Sonu vermezse adm 3e dnlr
1.i A makinesine, 2.i B makinesine, 3.i C makinesine , 4. i D makinesine atanr
minz=10+13+12+13=48
Problem:Aada verilen deerlere gre iilerin ilere atamalarn yaparak toplam maliyeti
minimum yapnz.
ler
1
iler
3 4
12 14 10 9
11 8 12 7
9 5
7 6
zm:
81
7.BLM
7.Gezgin Satc Problemi
7.1 Gezgin Satc Problemlemine Giri:
Gezgin satc problemi balad noktaya tekrar dnmek kouluyla (n-1) sayda yerleim
yerine urayan satc ile ilgilidir. Burada ama says n tane olan yerleim yerinden bir
satcnn (n-1) tane kente en ksa srede urayarak balad kente dnmesini salayacak bir
gezi plan hazrlamaktr.
Bu yntem teslimat, tefti gibi ilemlerde ve T:v: rle istasyonlarnn yerinin tespitinde veya
okul rencilerinin minibslerle toplanmas gib gnlk ilerde sklkla kullanlr.
7.2.Gezgin Satc Problemi lem Admlar:
byk
saylar yazlr matriste yer alan en kk eleman daire iine alnr gezi plannn
halkasna
eklenir
2.-Adm ) Adm Ide daire iine alnan elemann bulunduu satr ve stunundaki tm
dier elemanlarn yerine ok byk deerli saylar yerletirilerek yeni bir matris elde
edilir
3.-Adm ) Adm IIde ulalan maliyet matrisinde daire iine alnmayan en kk
onun maliyeti yerine daha nce verilen byk maliyet alnarak Adm IIIe dnlr
5.Adm ) Gezi plan tamamlanm ve optimale yakn ise bu plan kabul edilir aksi halde
adm 2ye dnlr. Bo braklan herhangi bir yerleim yeri Adm IIdeki ilemlerine
geilir. Bo braklan herhangi bir yerleim yeri Adm IIdeki ilemler ile yeniden geriye
braklmaz ve herhangi bir yerleim yeri gezi planna girdi ise tekrar plana girmez.
82
Aada gezgin satc problemi iin verilen maliyet matrisine optimale yakn zm varsa
bulunuz.
A B C D E
A
35 80 105 165
35 - 45 20 80
80 45 -
105 20 30 -
60
165 80 75 60
30 75
zm:
nce bo braklan gzelere yeni c11,c22,c33,c44 ve c55 yerine 2000 gibi ok byk
deerli maliyet eleman yerletirilerek aadaki tablo elde edilir.
B C
35 2000 45 20 80
80
105 20 30 2000 60
165 80 75 60 2000
45 2000 30 75
83
A 2000 35
80
2000 165
80
45
E
2000
2000 2000 75
D 105 20
30
2000 60
165 80
75
2000 2000
A 2000 35
45
2000 2000 75
D 2000 2000 30
E 165
2000
80
2000 2000
A 2000 35
E
2000
D 2000 2000 30
2000 2000
84
Ayn ilemlere devam edilerek c35 ve c51 elemanlar da sras ile iaretlenerek aadaki
tablolar elde edilir. Gezi plan son tabloda iaretlenen elmanlar ile gsterilir ki, adlandrlnca
gezi plan 1 2,2 4,4 3,3 5,5 1 olur. Bu tamamlanm bir plan olup optimale
yakndr. Gezinin toplam maliyeti ise z=20+35+30+165+75=325 birim lira olur.
2000
D 2000 30
8.BLM
8.DNAMK PROGRAMLAMA
8.1.Dinamik Programlaya Giri:
Bir ekonomik olaya bal bir fonksiyonun optimal deerinin deerinin aratrmann en
gvenilir aralarndan birisi, 20 yl kadar nce A.B.D li matematiki Richard Bellman
tarafndan aklanmtr .Bu analiz aracnn nemi ekonomik olaylarda olduu kadar fizik
matematik alanlarda da geerli olmasndadr .
DP optimizasyon probleminin ounu zmekte kullanlan bir yntemdir ve
problemin sonundan bana doru alarak zmlerin elde edilmesine dayanr .bylece
byk ve zlemez problemler zlebilen kk problemlerin bir dizisine indirgenmi olur
bu
yntem
daha
ok
yatrm
ebeke
ve
kaynak
tahsisi
problemlerinde
toplayarak balyor .Sonra rakip 1,2 veya 3 kibrit topluyor .Oyun bu ekilde devam ederken
son kibriti olan oyuncu oyunu kaybediyor .Oyunu kazanacandan ilk oyuncu olarak nasl
emin olabilirim.
85
Eer masada 5,9,13,17,21,25,29 kibrit kalrsa ben kazanrm bunun iin 30-29=1 kibrit olarak
ilk benim sramsa mutlaka kazanrm
rnek: (ebeke- problemi)DPnin pek ok uygulamas verilen bir ebekede iki noktay
Columbus2
1050
550
900
Newyork1
Nashvillla3
790
580
760
Kansas5
610
790
Oklomaha6
660
770
510
Louisville4
safha1
F3(5)=min
700
830
Dallas7
safha2
C68+f4(8)=540+1030=1570
C69+f4(9)=940+1390=2330
F3(7)=min
C78+f4(8)=790+1030=1820
C68+f4(9)=270+1390=1660
C25+f3(5)=680+1640=2320
F2(2)=min
C26+f3(6)=790+1570=2360
C27+f3(7)=1050+1660=2710
C35+f3(5)=580+1640=2220
F2(3)=min
San Antonia9
C36+f3(6)=760+1570=2330
C37+f3(7)=660+1660=2320
86
1390
270
safha3
C58+f4(8)=610+1030=1640
1030
Los Angeles10
940
790
C59+f4(9)=790+1390=2180
F3(6)=min
Denver8
540
safha4
nasl
C45+f3(5)=510+1640=2150
F2(4)=min
C46+f3(6)700+1570=2270
C47+f3(7)=830+1660=248
(f4(8)=1030 ve f4(9)=1390)
C12+f2(2)=550+2320=2870
F1(1)=min
C13+f2(3)=900+2220=3120
C14+f2(4)=770+2150=2920
1.ay
1 birim
2.ay
3 birim
3.ay
2 birim
4.ay
4 birim
her ayn balangcnda irket geerli aylarda ka birim retilmesi gerektiini belirlemek
zorundadr her hangi bir birimin retildii bir ay iinde 3 dolarlk bir maliyetle kar karya
kalnmaktadr ayrca retilen her birim iin 1 dolarlk deiken bir maliyet olmaktadr .Her ay
sonunda 50 cent birimlik bir maliyetle kar karya kalnyor kapasite birimi her ay boyunca
mam 5 birim retilmesine izin veriliyor .irketin stoklarnn boyutu her ay iin olsa olsa 4
birimlik bir retimin kyla snrlanmaktadr bu irket btn istekleri zamannda
karlayabilmek iin toplam retim iin en uygun koullar
belirlemek ve 4 ay boyunca
xt(i)= t ay banda i birimleri retilmi t,t+1,.., 4 aylar boyunca tutan toplam harcamalar
minimize eden rn seviyesi
ft(i)=her ay iin minimummaliyetle karlanan talep
t,t+1,..,4 eer i birimler (t) aynn banda hazr halde ise
C(x) = periyod sresince retilen x birimlerinin maliyet
C(0)=0 ve x>0 ise
c(x)=x+3$
87
f4(0)=retim maliyeti
f4(1)= //
f4(2)= //
f4(3)= //
f4(4)= //
4-4 birim=c(0)=0
ve x4(4)=4-4=0
1.yl
2.yl
3.yl
4.yl
5.yl
c01=1000$+60$-800$=260$= c12=c23=c34=c45
c02=1000$+60$+80$-600$=540$=c13=c24=c35
c03=1000$+60$+80$+120$-500$=760$=c14=c25
g(t)=min {ctx+g(t)}(t=0,1,2,3,4)
t+1<=x<=t+3,x<=5
g(5)=0
88
g(4)=c45+g(5)=260+0=260$.
g(3)=min
c34+g(4)=260+260=520$
c35+g(5)=540+0=54$
c23+g(3)=260+520=780$
g(2)=min
c24+g(4)=540+260=800$
c25+g(5)=760+0=760$
c12+g(2)=260+760=1020$
g(1)=min
c13+g(3)=540+520=1060$
c14+g(4)=760+260=1020$
c01+g(1)=260+1020=1280$
g(0)=min
c02+g(2)=540+760=1300$
c03+g(3)=760+520=1280$
9.BLM
9.Uygulama Programlar
9.1 Simpleks Metot
http://vinci.inesc.pt/lp/
internet
sitesinden
temin
ettiimiz
simpleks
metot
89
90
KAYNAKLAR
Prentice Hall,
Edgar,T.F.,Optimization
of
Chemical
Processes,
McGraw-
Hill,Inc.NY,1989.
4) Kbat,C.,Yneylem Aratrmas,8. Ulusal Kongresi,Ankara,1983.
5) Rao,S.S.,Optimization Theory and Applications, 2nd.Edition, Halsted, Inc. 1978.
6) Kara,., Yneylem Aratrmas, Dorusal Olmayan Modeller , Anadolu niversitesi
Basmevi, Eskiehir,1986.
7) Hillier, F.S., Lieberman, G.J., Introduction to Mathematical Programming, McGraw-Hill ,
Inc.U.S.A., 1990.
8) Bazaraa, M.S., Shetty,C.M., Nonlinear Programming, John Wiley&Sons,Inc. 1979.
9) Saaty,T.L.,Bram,J., Nonlinear Mathematics , McGraw-Hill, Inc,NY, 1964.
10) Brachen, J.,McCormick,G.P.,Selected Applications of Nonlinear Programming, John
Wiley&Sons,Inc.NY,1968.
11) Taha,H.A.,Operations Research, Forth Edition,MacMillan Publishing Company,
Inc.NY,1989.
12) Mathews,J.,Numerical Methods,Prentice Hall,Inc. Englewood Cliffs,NJ,1987.
13) Ravindran, A.,Philips,D.T.,Solberg, J.L., Operations Research, Principles and Practice,
John Wiley&Sons,Inc.1987.
14) enel, M., Genel Matematik, Bilim ve Teknik Kitapevi, stanbul, 1983.
15) Wilde, D.,Beightler,C.S.,Foundations of Optimation, Prentice-Hall, Inc. Englewood
Cliffs,NJ,1967.
16) Calter,P.,Technical Mathematics with Calculus, Prentice-Hall, Inc. Englewood Cliffs,NJ,
1990.
17) Kramer,A.D., Fundamentals of Technical Mathematics with Calculus, Second Edition,
McGraw-Hill, Inc.U.S.A., 1989.
18) Tulunay, Y., Matematik Programlama ve letme Uygulamalar, Sermet Matbaas,
stanbul, 1980.
19) Hilliers, F.S., Lieberman, G.J., Introduction to Operations Research, Fourth Edition,
McGraw-Hill, Inc. 1989.
91
92
noktalar tespit edilir. Bu ilem istenen iterasyon says kadar devam ettirilir.
stendii taktirde 999 iterasyon yazc veya ekran zerine alnarak incelenebilir.
EREVE, BOA, BOALT, ALT_EREVE isimli prosedrler deiken deeri sfrlama
ve ekran tasarm iin kullanlan program paralardr.
b) NEWTON RAPHSON METODU N PROGRAM
93
a)PROGRAM NELDERMEAD;
uses crt,dos,PRINTER;
VAR
Q,QQ,YER,SAT:BYTE;
grv:array[1..10,1..3,1..20] of real;
CH,CV:CHAR;
V:array[1..3,1..20] of real;
A:array[1..20] of real;
F,PRM:real;
ITER,K,I,J,N,L,H:INTEGER;
X:array[1..20] of real;
M,E,R,C,S:array[1..20] of real;
AMAC:STRING[1];
{Amac fonksiyon}(*amac fonk*)
PROCEDURE FUNC(N:BYTE);
VAR
A,B,C:REAL;
begin
F:=X[1]*X[1]-4*X[1]+X[2]*X[2]-X[2]-X[1]*X[2];
end;
PROCEDURE VEKTOR;
VAR
Z:BYTE;
begin
Z:=13;
GOTOXY(5,6);WRITE(' DEGISKEN SAYISI....>');READLN(N);
GOTOXY(5,8);WRITE(' ITERASYON ADEDI....>');READLN(ITER);
GOTOXY(5,10);WRITE(' [1].MIN [2].MAX....>');READLN(AMAC);
GOTOXY(5,12);WRITE(' EKRAN YAZICI.[E/Y]....>');READLN(CV);
FOR K:=1 TO 3 DO
BEGIN
GOTOXY(5,Z);WRITELN('V',K,'VEKTORU ELEMANLARI');
INC(Z);
FOR J:=1 TO N DO
BEGIN
GOTOXY(5,Z);WRITE(J,'.CI ELEMAN=');READLN(V[K,J]);
INC(Z);
END;
END;
FOR J:=1 TO N DO
BEGIN
grv[1,1,j]:=v[1,j];
grv[1,2,j]:=v[2,j];
grv[1,3,j]:=v[3,j];
END;
END;
PROCEDURE BGW;
VAR
94
FV:array[1..3] of real;
BEGIN
FOR I:=1 TO 3 DO
BEGIN
FOR J:=1 TO N DO
BEGIN
X[J]:=V[I,J];
END;
FUNC(20);
FV[I]:=F;
END;
FOR J:=3 DOWNTO 1 DO BEGIN
FOR I:=1 TO J-1 DO BEGIN
IF FV[J]>FV[I] THEN BEGIN
PRM:=FV[I];
FV[I]:=FV[J];
FV[J]:=PRM;
FOR L:=1 TO N DO BEGIN
PRM:=V[I,L];
V[I,L]:=V[J,L];
V[J,L]:=PRM;
END;
END;
END;
END;
IF AMAC='1' THEN BEGIN
FOR L:=1 TO N DO BEGIN
PRM:=V[1,L];
V[1,L]:=V[3,L];
V[3,L]:=PRM;
END;
END;
END;
PROCEDURE BOSA;
BEGIN
FOR J:=1 TO 20 DO BEGIN
A[J]:=0;
M[J]:=0;
E[J]:=0;
R[J]:=0;
S[J]:=0;
C[J]:=0;
END;
END;
PROCEDURE BOSALT;
BEGIN
FOR I:=1 TO 3 DO
FOR J:=1 TO 20 DO
95
V[I,J]:=0;
END;
PROCEDURE RME;
VAR
B1,B2,B3,B4:real;
BEGIN
FOR I:=1 TO N DO
BEGIN
M[I]:=(V[1,I]+V[2,I])/2;
R[I]:=2*M[I]-V[3,I];
E[I]:=2*R[I]-M[I];
C[I]:=(V[3,I]+M[I])/2;
S[I]:=(V[1,I]+V[3,I])/2;
END;
FOR I:=1 TO N DO
X[I]:=R[I];
FUNC(20);
B1:=F;
FOR I:=1 TO N DO
X[I]:=V[2,I];
FUNC(20);
B2:=F;
IF B1<B2 THEN
BEGIN
FOR I:=1 TO N DO
X[I]:=V[1,I];
FUNC(20);
B3:=F;
IF B3<B1 THEN
BEGIN
FOR I:=1 TO N DO
BEGIN
V[3,I]:=R[I];
END;
END
ELSE
BEGIN
FOR I:=1 TO N DO
X[I]:=E[I];
FUNC(20);
B4:=F;
FOR I:=1 TO N DO
X[I]:=V[1,I];
FUNC(20);
B3:=F;
IF B4<B3 THEN
BEGIN
FOR I:=1 TO N DO
96
V[3,I]:=E[I];
END
ELSE
BEGIN
FOR I:=1 TO N DO
V[3,I]:=R[I];
END;
END;
{ELSE
BEGIN
FOR I:=1 TO N DO
X[I]:=R[I];}
FUNC(20);
B1:=F;
FOR I:=1 TO N DO
X[I]:=V[3,I];
FUNC(20);
B2:=F;
IF B1<B2 THEN
BEGIN
FOR I:=1 TO N DO
V[3,I]:=R[I];
FOR I:=1 TO N DO
X[I]:=C[I];
FUNC(20);
B3:=F;
FOR I:=1 TO N DO
X[I]:=V[3,I];
END;
FUNC(20);
B2:=F;
IF B3<B2 THEN
BEGIN
FOR I:=1 TO N DO
V[3,I]:=C[I];
END
ELSE
BEGIN
FOR I:=1 TO N DO
X[I]:=S[I];
FUNC(20);
B4:=F;
FOR I:=1 TO N DO
BEGIN
V[3,I]:=S[I];
V[2,I]:=M[I];
END;
END;
97
END;
END;
PROCEDURE CERCEVE;
VAR
X:BYTE;
BEGIN
textcolor(15);textbackground(6);
clrscr;
writeln;
writeln;
writeln('||============================================================
================||');
for x:=1 to 21 do begin
gotoxy(1,3+x);
write('||');
gotoxy(79,3+x);
write('||');
end;
writeln('||============================================================
================||');
gotoxy(7,4);writeln('
**IKI BOYUTLU PROBLEMLER ICIN NELDER-MEAD
METODU**');
END;
PROCEDURE alt_cerceve;
var
x:byte;
begin
gotoxy(2,5);writeln('||===||========||========||========||========||');
gotoxy(2,6);writeln('|| k ||B(Xk,Yk)||G(Xk,Yk)||W(Xk,Yk)||F(Xk,Yk)||');
gotoxy(2,7);writeln('||===||========||========||========||========||');
for x:=1 to 16 do
begin
gotoxy(2,7+x);writeln('|| ||
||
||
||
||');
gotoxy(2,24); writeln('||===||========||========||========||========||');
end;
end;
PROCEDURE YAZICI;
BEGIN
write(LST,H:3,' ');
write(LST,'(',V[1,1]:6:4,',',V[1,2]:6:4,') ');
write(LST,'(',V[2,1]:6:4,',',V[2,2]:6:4,') ');
write(LST,'(',V[3,1]:6:4,',',V[3,2]:6:4,') ');
X[1]:=V[1,1];
X[2]:=V[1,2];
FUNC(2);
write(LST,F:18:16);
END;
BEGIN
98
cerceve;
YER:=2;
BOSALT;BOSA;VEKTOR;
ALT_CERCEVE;
SAT:=8;
IF UPCASE(CV)='Y' THEN
BEGIN
GOTOXY(1,25);WRITE('YAZICIYI ACIP BIR TUSA BASINIZ....');
CH:=READKEY;
writeln(LST,'IKI BOYUTLU PROBLEMLER ICIN NELDER-MEAD METODU');
writeln(LST,'----------------------------------------------');
writeln(LST,'');
writeln(LST,'Degisken say s ......:',n:3);
writeln(LST,'Iterasyon say s ......:',iter:3);
writeln(LST,'[1].Min [2].Max......:',amac:3);
writeln(LST,'Amac Fonksiyon......:x^2-4x+y^2-y-xy');
writeln(LST,'Vektor Elemanlar ');
writeln(LST,'1.vektor elemanlar :(',v[1,1]:6:4,',',v[1,2]:6:4,')');
writeln(LST,'2.vektor elemanlar :(',v[2,1]:6:4,',',v[2,2]:6:4,')');
writeln(LST,'3.vektor elemanlar :(',v[3,1]:6:4,',',v[3,2]:6:4,')');
writeln(LST,'----------------------------------------------');
writeln(LST,' k B(Xk,Yk) G(Xk,Yk) W(Xk,Yk) F(Xk,Yk) ');
writeln(LST,'----------------------------------------------');
end;
for H:=1 to 20 do
X[H]:=0;
for H:=1 to ITER do
begin
BGW;RME;
gotoxy(4,sat); write(H:3);
gotoxy(8,sat); write(V[1,1]:6:4,',',V[1,2]:6:4);
gotoxy(24,sat); write(V[2,1]:6:4,',',V[2,2]:6:4);
gotoxy(42,sat); write(V[3,1]:6:4,',',V[3,2]:6:4);
if upcase(CV)='Y' then
YAZICI;
X[1]:=V[1,1];
X[2]:=V[1,2];
FUNC(2);
gotoxy(61,sat); write(F:18:16);
INC(SAT);
IF SAT>23 THEN
BEGIN
CH:=READKEY;
CERCEVE;
ALT_CERCEVE;
SAT:=8;
END;
END;
99
IF UPCASE(CV)='Y' THEN
WRITELN(LST,^1);
CH:=READKEY;
END.
b) PROGRAM NEWTON_RAPHSON;
uses crt,dos,printer;
var
ch:char;
b,hata,z,s:real;
x,iter,sat:byte;
function fx(p:real):real;
begin
{p:=p*3.14/180;}
fx:=exp(p)+p;
end;
function fxt(p:real):real;
begin
{p:=p*3.14/180; }
fxt:=exp(p)+1;
end;
PROCEDURE cerceve;
VAR
X:BYTE;
BEGIN
textcolor(15);textbackground(6);
clrscr;
writeln;
writeln;
writeln('||============================================================
================||');
for x:=1 to 21 do begin
gotoxy(1,3+x);
write('||');
gotoxy(79,3+x);
write('||');
end;
writeln('||============================================================
================||');
gotoxy(7,4);writeln(' ***IKI BOYUTLU PROBLEMLER ICIN NEWTON-RAPHSON
METODU***');
END;
PROCEDURE bilgi_al;
begin
GOTOXY(7,10);WRITE('BASLANGIC DEGERINI GIRINIZ....>');READLN(b);
GOTOXY(7,12);WRITE('ITERASYON SAYISINI GIRINIZ....>');READLN(ITER);
GOTOXY(7,14);WRITE('HATA TOLERANSINI GIRINIZ....>');READLN(hata);
100
end;
PROCEDURE alt_cerceve;
var
x:byte;
begin
gotoxy(2,5);writeln('||===||========||========||========||========||');
gotoxy(2,6);writeln('|| ||
|| F(Xk) ||
||
||');
gotoxy(2,7);writeln('|| k || Xk ||Xk+1=Xk-|| F(Xk) || Xk+1-Xk||');
gotoxy(2,8);writeln('|| ||
|| F(Xk) ||
||
||');
gotoxy(2,9);writeln('||===||========||========||========||========||');
for x:=1 to 14 do
begin
gotoxy(2,9+x);writeln('|| ||
||
||
||
||');
end;
gotoxy(2,24);writeln('||===||========||========||========||========||');
end;
PROCEDURE yazici;
label 10;
begin
writeln(lst,'***IKI
BOYUTLU
PROBLEMLER
ICIN
NEWTON-RAPHSON
METODU***');
writeln(lst,'-------------------------------------------------------');
writeln(lst,'
F(Xk)
');
writeln(lst,' k Xk Xk+1=Xk--F(Xk)
Xk+1-Xk ');
writeln(lst,'
F(Xk)
');
writeln(lst,'-------------------------------------------------------');
b:=s;
for x:=1 to iter do
begin
z:=b-fx(b)/fxt(b);
write(lst,x:3,'
');
write(lst,b:13:10,'
');
write(lst,z:13:10,'
');
write(lst,fx(b):13:10,'
');
write(lst,ABS(Z-B):13:10,'
');
if fx(z)<=hata then
goto 10;
b:=z;
end;
10: writeln(lst,^L);
end;
PROCEDURE iterasyon;
begin
cerceve;
alt_cerceve;
sat:=10;
for x:=1 to iter do
begin
101
z:=b-fx(b)/fxt(b);
gotoxy(4,sat);write(x:3);
gotoxy(8,sat);write(b:13:10);
gotoxy(24,sat);write(z:13:10);
gotoxy(42,sat);write(fx(b):13:10);
gotoxy(61,sat);write(ABS(Z-B):13:10);
if ABS(fx(z))<=hata then
exit;
inc(sat);
if sat>23 then
begin
ch:=readkey;
cerceve;
alt_cerceve;
sat:=10;
end;
b:=z;
end;
end;
begin
clrscr;
cerceve;
bilgi_al;
s:=b;
iterasyon;
gotoxy(1,25);write(' Yazcya aktarmak ister misiniz[E/H] ?');
ch:=readkey;
if upcase(ch)='E' then
yazici;
end.
102
Deiken says
:2
Kstlarn says
:2
Max Z =
-0.07x1+0.38x2
Kstlar
3x1 + lx2 11
2xl + 5x2 16
ve
x1 0 , x2 > 0
Frank - Wolfe Algoritmas
Balang Aikar zm: (0, 0)
f(x)
df7dx1 = 32 - 4Xl3
df/dx2 = 50 - 20x2 + 3x22 - 4x23
k
x(k-1)
0,
0)
2
3
4
5
6
7
8
9
10
(2.188, 1.458)
(1.902, 1.686)
(2.024, 1.721)
(1.966, 1.763)
(2.008, 1.773)
(1.986, 1.788)
(2.004, 1.792)
(1.994, 1.799)
(2.001, 1.8)
t*
xk
2)
0.729
(2.188, 1.458)
3.2)
2)
3.2)
2)
3.2)
2)
3.2)
2)
3.2)
0.131
0.111
0.028
0.041
0.011
0.017
0.005
0.007
0.002
(1.902, 1.686)
(2.024, 1.721)
(1.966, 1.763)
(2.008, 1.773)
(1.986, 1.788)
(2.004, 1.792)
(1.994, 1.799)
(2.001, 1.8)
(1.997, 1.803)
(k )
x LP
c1
c2
32
50
3,
-9.87
4.499
-1.15
1.597
-0.4
0.655
-0.18
0.291
-0.07
14.81
5.634
4.078
2.149
1.697
0.958
0.785
0.455
0.383
(
(
(
(
(
(
(
(
(
0,
3,
0,
3,
0,
3,
0,
3,
0,
Deiken Says
:2
terasyon Says
: 20
:l
Ama Fonksiyon
: x4 + 2y2 - 8xy
103
Vektr Elemanlar
1. Vektr Elemanlar
: (2.0000, 2.0000)
2. Vektr Elemanlar
: (3.0000, 2.0000)
3. Vektr Elemanlar
: (3.0000, 3.0000)
B (xk
G (xk . yk)
W(xk,yk)
F (xk, yk)
(2.0000, 2.0000)
(3.0000, 3.0000)
(1.5000,3.5000)
-8.00000000000
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
(1.5000,3.5000)
(1.5000,3.5000)
(1.5000,3.5000)
(1.7500,2.7500)
(1.9375,3.1875)
(1.9375,3.1875)
(1.7969, 3.8594)
(2.0156,3.7031)
(1.9063,3.7813)
(1.9453,4.0391)
(1.9805,3.8711)
(2.0000, 4.0000)
(2.0000, 4.0000)
(2.0000, 4.0000)
(2.0000, 4.0000)
(2.0000, 4.0000)
(2.0000, 4.0000)
(2.0000, 4.0000)
(2.0000, 4.0000)
(2.0000, 2.0000)
(2.0000, 2.0000)
(1.3125,3.0625)
(1.5000, 3.5000)
(1.8438,2.9688)
(1.7188,3.3438)
(1.9375,3.1875)
(1.9063,3.7813)
(2.0156,3.7031)
(1.9258,3.9102)
(1.9453,4.0391)
(1.9902,3.9355)
(1.9951,3.9678)
(1.9976,3.9839)
(1.9988,3.9919)
(1.9994,3.9960)
(1.9997,3.9980)
(1.9998,3.9990)
(1.9999,3.9995)
(2.3750, 2.8750)
(1.1250,2.6250)
(1.7500, 2.7500)
(1.9375, 3.1875)
(1.7188,3.3438)
(1.7969,3.8594)
(2.0156, 3.7031)
(1.9766, 3.4453)
(1.9453,4.0391)
(1.9805,3.8711)
(2.0000, 4.0000)
(1.9727,4.0195)
(1.9863,4.0098)
(1.9932,4.0049)
(1.9966,4.0024)
(1.9983,4.0012)
(1.9991,4.0006)
(1.9996,4.0003)
(1.9998,4.0002)
-12.43750000000
-12.43750000000
-12.43750000000
-13.99609375000
-14.99412536600
-14.99412536600
-15.26407522000
-15.78073114200
-15.86393642400
-15.90938055100
-15.97781214500
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
, y k)
Deiken Says
:2
terasyon Says
: 20
:l
Ama Fonksiyon
: x4 + 2y2 - 8xy
Vektr Elemanlarlar
1. Vektr Elemanlar
: (-1.0000,-2.0000)
2. Vektr Elemanlar
: (-1.0000,-3.0000)
3. Vektr Elemanlar
: (-2.0000,-2.0000)
104
B(xk, yk)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
G (xk , yk)
W(xk,yk)
F (xk, yk)
(-1.5000, -2.5000)
-8.00000000000
(-1.5000, -2.5000)
(-1.5000, ,2.5000)
(-1.8750, -2.6250)
(-1.5625, -3.1875)
(-2.1563, -3.7188)
(-1.8438, -4.2813)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-2.0000, -4.0000)
(-1.7500, -2.2500)
(-1.8750, -2.6250)
(-1.5625, -3. 1875)
(-2.1563, -3.7188)
(-1.8438, -4.2813)
(-1.7031, -3 .7344)
(-2.1406, -4.5469)
(-1.9219, -4.1406)
(-1.9609, -4 .0703)
(-1.9805, -4.0352)
(-1.9902, -4.0176)
(-1.9951, -4.0088)
(-1.9976, -4.0044)
(-1.9988, -4.0022)
(-1.9994, -4.0011)
(-1.9997, -4.0005)
(-1.9998, -4.0003)
(-1.9999, -4.0001)
(-2.0000, -4.0001)
-12.43750000000
-12.43750000000
-13.23413085900
-13.56297302200
-14.87318325000
-14.93421840700
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
-16.00000000000
(-1.5000, -2.2500)
(-1.7500, -2.2500)
(-1.5000, -2.5000)
(-1.8750, -2.6250)
(-1.5625, -3.1875)
(-2.0000, -4.0000)
(-1.8438, -4.2813)
(-2.0703, -4.2734)
(-2.0352, -4.1367)
(-2.0176, -4.0684)
(-2.0088, -4.0342)
(-2.0044, -4.0171)
(-2.0022, -4.0085)
(-2.0011, -4.0043)
(-2.0005, -4.0021)
(-2.0003, -4.0011)
(-2.0001, -4.0005)
(-2.0001, -4.0003)
(-2.0000, -4.0001)
Deiken Says
:2
terasyon Says
: 15
:l
Ama Fonksiyon
: x3 + y3 - 3x - 3y + 5
Vektr Elemanlarlar
1. Vektr Elemanlar
: (1.0000, 2.0000)
2. Vektr Elemanlar
: (2.0000, 0.0000)
3. Vektr Elemanlar
: (2.0000, 2.0000)
B(xk, yk)
G (xk , yk)
W(xk,yk)
F (xk, yk)
(1.0000,2.0000)
(2.0000, 0.0000)
(1.0000,0.0000)
5.00000000000
2
3
4
(1.0000,0.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000,0.0000)
(0.7500, 1.0000)
(1.5000,0.0000)
(0.5000, 1.0000)
(1.0000,0.5000)
3.00000000000
1.00000000000
1.00000000000
105
5
6
7
8
9
10
11
12
13
14
15
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(1.0000, 1.0000)
(0.8750, 1.0000)
(0.9375, 1.0000)
(0.9688, 1.0000)
(0.9844, 1.0000)
(0.9922, 1.0000)
(0.9961, 1.0000)
(0.9980, 1.0000)
(0.9990, 1.0000)
(0.9995, 1.0000)
(0.9998, 1.0000)
(0.9999, 1.0000)
(1.0000,0.7500)
(1.0000, 0.8750)
(1.0000,0.9375)
(1.0000,0.9688)
(1.0000,0.9844)
(1.0000,0.9922)
(1.0000,0.9961)
(1.0000,0.9980)
(1.0000,0.9990)
(1.0000,0.9995)
(1.0000,0.9998)
1.00000000000
1.00000000000
1.00000000000
1.00000000000
1.00000000000
1.00000000000
1.00000000000
1.00000000000
1.00000000000
1.00000000000
1.00000000000
Deiken Says
:2
terasyon Says
: 16
:l
Ama Fonksiyon
: x2 + y2 + 1x - 2y - xy + l
Vektr Elemanlar
1. Vektr Elemanlar
: (0.0000, 2.0000)
2. Vektr Elemanlar
: (2.0000, 0.0000)
3. Vektr Elemanlar
: (2.0000, 1.0000)
B(xk, yk)
G (xk , yk)
W(xk,yk)
F (xk, yk)
(0.0000, 0.0000)
(2.0000,1.0000)
(0.0000,1.0000)
1.00000000000
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
(0.0000, 1.0000)
( 0.0000, 0.0000)
( 0.0000, 0.0000)
(-0.5000, 0.6250)
(-0.2500,0.8125)
(-0.1250,0.9063)
(-0.0625,0.9531)
(-0.0313,0.9766)
(-0.0156, 0.9883)
(-0.0078,0.9941)
(-0.0039,0.9971)
(-0.0020, 0.9985)
(-0.0010, 0.9993)
(-0.0005, 0.9996)
(-0.0002, 0.9998)
(-0.0001,0.9999)
(1.0000,0.7500)
(-1.0000,0.2500)
( 0.0000, 0.5000)
( 0.0000, 0.7500)
( 0.0000, 0.8750)
( 0.0000, 0.9375)
( 0.0000, 0.9688)
( 0.0000, 0.9844)
( 0.0000, 0.9922)
(0.0000,0.9961)
(0.0000,0.9980)
( 0.0000, 0.9990)
( 0.0000, 0.9995)
( 0.0000, 0.9998)
( 0.0000, 0.9999)
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
0.00000000000
106
Deiken Says
:2
terasyon Says
: 15
:l
Ama Fonksiyon
: x2 + xy2 - 3xy
Vektr Elemanlar
1. Vektr Elemanlar
: (0.0000, 0.0000)
2. Vektr Elemanlar
: (2.0000, 0.0000)
3. Vektr Elemanlar
: (2.0000, 1.0000)
B(xk, yk)
G (xk , yk)
W(xk,yk)
F (xk, yk)
(2.0000, 1.0000)
(2.0000, 0.5000)
(1.0000,0.5000)
0.00000000000
2
3
4
5
6
7
8
9
10
11
12
13
14
15
(1.0000, 0.5000)
(1.5000, 0.7500)
(1.2500, 0.6250)
(1.1250,0.8125)
(1.1250,0.8125)
(1.1250,0.8125)
(0.8281, 1.1328)
(0.9766, 0.9727)
(0.9766, 0.9727)
(0.9570, 1.0332)
(0.9902, 1.0303)
(1.0215, 0.9834)
(0.9941,0.9932)
(1.0000, 1.0000)
(1.5000,0.5000)
(1.5000,0.6250)
(1.5000,0.7500)
1.2500,0.6250)
(1.3438,0.7344)
(1.2188,0.9219)
(0.9766, 0.9727)
(1.0234, 1.0273)
(1.0234, 1.0273)
(0.9668, 1.0029)
(0.9668, 1.0029)
(1.0059, 1.0068)
(1.0000, 1.0000)
(1.0039,0.9941)
(1.5000,0.7500)
(1.2500,0.6250)
(1.1250,0.8125)
(1.3438,0.7344)
(1.2188,0.9219)
(0.8281, 1.1328)
(1.0234, 1.0273)
(0.9141, 1.0664)
(0.9570, 1.0332)
(0.9902, 1.0303)
(1.0215,0.9834)
(0.9941,0.9932)
(1.0078,0.9883)
(0.9971, 0.9966)
-0.75000000000
-0.84375000000
-0.87890625000
-0.97119140625
-0.97119140625
-0.97119140625
-0.97475528717
-0.99809467793
-0.99809467793
-0.99846400321
-0.99928985350
-0.99962122552
-0.99987939186
-1.00000000000
Deiken says
:2
Kstlarn says
Max Z =
:l
1.302x1 + 0.86x2
Kstlar
4x1 + 2x2 < 5 ve xl>0, x2>0
Frank - Wolfe Algoritmas
Balang Aikar zm: ( 0, 0).
107
= 4x1-1 x14 + 2 x 2 1x 22
f(x)
x(k-1)
2
3
4
5
6
7
8
9
10
(
1,
0)
(0.772, 0.569)
(0.875, 0.446)
( 0.81,0.598)
(0.874, 0.512)
(0.827, 0.62)
(0.875, 0.549)
(0.837, 0.633)
(0.877, 0.572)
0,
0)
c1
c2
( 1.25,
0
2.156
1.317
1.87
1.329
1.74
1.323
1.652
1.302
2
0.862
1.107
0.803
0.976
0.761
0.902
0.735
0.856
(
(
(
(
(
(
(
(
(
(k )
x LP
0,
1.25,
0,
1.25,
0,
1.25,
0,
1.25,
0,
0)
2.5)
0)
2.5)
0)
2.5)
0)
2.5)
0)
2.5)
t*
xk
0.8
0.228
0.215
0.074
0.145
0.054
0.113
0.043
0.096
0.035
(0.772, 0.569)
(0.875, 0.446)
( 0.81,0.598)
(0.874, 0.512)
(0.827, 0.62)
(0.875, 0.549)
(0.837, 0.633)
(0.877, 0.572)
(0.846, 0.64)
Deiken says : 2
Kstlarn says: 2
Min Z =
-49.3x1 - 49.3x2
Kstlar
1x: + 1x2 <6
-2x1 + 3x2 < 3
ve x1 > 0 , x2 > 0
Frank - Wolfe Algoritmas
Balang Aikar zm: ( 0,
f(x)
0).
df/dx1 =
3x12 + 2 x1 x 2 16 x1 19 x 2 9
df/dx2 =
1 x12 + 12 22 19 x1 12 x 2 18
108
1,
0)
c1
c2
-9
-18
3,
6
-49.3
-49.3
(
(
(
6,
6,
6,
x(k-1)
2
3
4
(
3,
3) -69
(3.902, 2.098) ^9.3
(3.902, 2.098) -49.3
0,
0)
(k )
x LP
t*
3)
0)
0)
0)
0.301
0
0
(3.902, 2.098)
(3.902, 2.098)
(3.902, 2.098)
Max f(x)
Alt Snr
: -l
st Snr
: 4
Yaklak zm : x = 0.48438
f(x) = 0.3125
10) Otomatik Bir-Boyutlu Arama lemi
Min f(x)
Alt Snr
: -l
st Snr
:4
:2
:0
:l
:0
P(x, r) = f(x)
r
r
r
B1 ( x) L1 L1 ( x)
P(x,r)=f(x)
k r
x1
X2
f(x)
0.25
0.25
1.6719
1 1
2 0.01
3 0.0001
0.343
0.322
0.331
0.357
0.619
0.663
2.29
3.023
3.1689
109
3,
3)
4 0.000001 0.333
5 0.0000000 0.334
6 0
0.334
F(x)
0.666
0.666
0.666
3.1836
3.185
3.1852
=3x1+4x2-x 13 x 22
B1(x) =1-x1-x2
L1(x) =1x1
L2(x) =1x2
12) Ardk Kstsz Minimizasyon Teknii
P(x, r) = f(x) -
r
r
r
r
B1 ( x) B2 ( x) L1 ( x) L2 ( x)
Burada;
f(x)
B1(x) =12-4x1-3x2
B2(x) =4 - 1x1 - 2x2
Lj(x) =1x1
L2(x) =Ix2
Ardk Kstsz Minimizasyon Teknii zm
k r
X
1
X
2
f(x)
0.5
0.5
33.875
1.629
1.669
1.679
1.683
1.684
1.684
1.043
1.119
1.146
1.154
1.157
1.157
79.445
81.697
82.413
82.639
82.711
82.733
1
2
3
4
5
6
1
0.1
0.01
0.001
0.0001
0.00001
110
Deiken says : 3
Kstlarn says: l
Min Z =
Kstlar
1x1 + 1x2 + 1x3 = 5
ve
x1 > 0 , x2 > 0 , x3 > 0 Frank - Wolfe Algoritmas Balang Aikar zm: (
l,
2,
2).
3x 12
df/dx2 =
8x2
df/dx3 =
16x3
k X(k-1)
c1
c2
c3
1 ( 1, 2, 2)
16
32
2 (2.14,
3 (1.99,
4 (2.17,
5 1.25)
6 ( 2.2,
7 (2.12,
8
9
10
11
12
13
14
15
16
t*
(k )
x LP
xk
Adm Uzunluu
( 5, 0, 0)
(2.07, 12.8 14 19 ( 5, 0, 0)
1.67, 14.5 13.4 18.1 ( 0, 5, 0)
1.79, 13.4 14.3 17.5 ( 5, 0, 0)
(2.21,
1.73,
(2.15,
1.82,
(2.22, 1.77, 1)
(2.18,1.84,0.98)
(2.23,1.81,0.96)
(2.19,1.86,0.94)
(2.24,
1.83,
(2.21,1.88,0.91)
(2.25,1.85, 0.9)
14.7
13.9
14.8
14.2
15
14.4
15.1
14.6
15.2
13.9
14.6
14.2
14.7
14.4
14.9
14.7
15
14.8
16.9
16.5
16
15.7
15.4
15.1
14.8
14.6
14.4
( 0, 5, 0)
( 5, 0, 0)
( 0, 5, 0)
( 5, 0, 0)
( 0, 5, 0)
( 5, 0, 0)
( 0, 5, 0)
( 5, 0, 0)
( 0, 0, 5)
111
0.03
0.03
0.02
0.02
0.02
0.02
0.02
0.01
0
( 2.15,1.821,1.028)
(2.225, 1.774, 1.002)
(2.177,1.843, 0.98)
(2.234,1.806, 0.96)
(2.194, 1.862, 0.943)
(2.242,1.831,0.928)
(2.208,1.879,0.913)
(2.249, 1.851, 0.9)
(2.249, 1.851, 0.9)
0.110386
0.092250
0.086885
0.070838
0.070887
0.059076
0.060704
0.051323
0.000000
0.000006
Deiken says : 2
Kstlarn says : 2
Max Z=
0.01x1 + 0x2
Kstlar
1x1 + 3x2 8
5x + 2x2 14
Frank - Wolfe Algoritmas
Balang Aikar zm: ( 0.25, 0.25).
f(x) = 4xj + 6x2 1x 13 - 2x22
df/dx1 =
4 3 x12
df/dx2=
6-4x2
(k-1)
(k )
x LP
t*
xk
2)
0.587
(1.277, 1.277)
( 0, 2.667)
( 2,
2)
( 0, 2.667)
( 2,
2)
( 0, 2.667)
( 2,
2)
( 0, 2.667)
( 2.8,
0)
( 2,
2)
0.122
0.049
0.013
0.009
0.003
0.003
0.001
0
0
(1.121, 1.447)
(1.164, 1.474)
(1.149, 1.49)
(1.156, 1.494)
(1.153, 1.497)
(1.156, 1.498)
(1.154, 1.5)
(1.155, 1.5)
(1.155, 1.5)
c1
c2
( 0.25, 0.25)
3.813
2
3
4
5
6
7
8
9
10
(1.277, 1.277)
(1.121, 1.447)
(1.164, 1.474)
(1.149, 1.49)
(1.156, 1.494)
(1.153, 1.497)
(1.156, 1.498)
(1.154, 1.5)
(1.155, 1.5)
-0.89
0.229
-0.07
0.041
-0.01
0.009
-0.01
0.004
0.001
0.892
0.214
0.105
0.042
0.024
0.011
0.006
0
0.002
2,
0,
0)
Grad f(x)
0,
2 ( 1.2,
3 ( 1.6,
0)
6,
-0.4)
0.8)
(
(
0.4,
1.2,
x+t[grad f(x)]
-2)
O+
6t..
0-
2t)
112
t*
x' + t [grad f]
0.2
( 1.2, -0.4)
1
0.2
( 1.6, 0.8)
( 1.84, 0.72)
4
5
6
7
( 1.84,
( 1.92,
(1.968,
(1.984,
0.72)
0.96)
0.944)
0.992)
( 0.08,
( 0.24,
(0.016,
(0.048,
0.24)
-0.08)
0.048)
-0.02)
1
0.2
1
0.189
( 1.92, 0.96)
(1.968,0.944)
(1.984, 0.992)
(1.993,0.988)
t*
x' + t [grad f]
df/dx1
2x2 - 12 - 4x1
df/dx2
2x1 + 8 2x2
It. x
1 (
grad f(x)
0,
0)
-12,
0 -
12t,
0+
8t)
2 (-2.29, 1.529)
3 (-1.99, 1.986)
4 ( -2, 1.995)
5 ( -2, 1.998)
( 0.02, 0.003) (
(-0.01, 0.008) (
-24
Ot, 1.995+
Ot)
-2- 0.011, 1.998+ 0.0lt)
1
( -2, 1.998)
0.085 ( -2, 1.999)
6 ( -2, 1.999)
(0.001, 0.001) (
-24
0t, 1.999+
0t)
( -2, 1.999)
7 ( -2, 1.999)
-2+
0t, 1.999+
0t)
0.5
( -2,
-0, 0.002) (
Balang Aikar zm: (x1 , x2) = ( 2, 1.5) Max f(x1 , x2) = 2x1x2 - x12 2 x 22 12 x 2
df/dx1 =2x2-2x1df/dx2 =
It. x'
2xl - 4x2 12
Gradf(x)
2,
2
3
4
5
6
7
8
9
10
( 1.73,
(-1.77,
(-1.91,
(-3.76,
(-3.84,
(-4.82,
(-4.86,
(-5.37,
(-5.39,
1.5) (
-2.28)
-2.03)
-4.03)
-3.9)
-4.96)
-4.89)
-5.45)
-5.41)
-5.71)
-1,
(-8.02,
(-0.53,
(-4.24,
(-0.28,
(-2.24,
(-0.15,
(-1.18,
(-0.08,
(-0.63,
x' + t[gradf(x')]
-14) (
0.573)
-7.41)
0.303)
-3.92)
0.16)
-2.07)
0.086)
-1.09)
0.046)
2- t ,
(1.73(-1.77(-1.91(-3.76(-3.84(-4.82(-4.86(-5.37(-5.39-
1.5-
14t)
113
t*
x' + l [grad f]
0.27
(1.73, -2.28)
0.436
0.27
0.436
0.27
0.436
0.271
0.435
0.273
0.442
(-1.77, -2.03)
(-1.91, -4.03)
(-3.76, -3.9)
(.3.84, -4.96)
(-4.82, -4.89)
(-4.86, -5.45)
(-5.37, -5.41)
(-5.39, -5.71)
(-5.67, -5.69)
2)