NSZ

Optimizasyon Teorisinin mhendislik, retim, iletme, ekonomi, haberleme,

ulatrma, sanayi gibi pek ok alanda uygulanmas, YAn vazgeilmez klmtr. zellikle
bilgisayarlarn yaygn bir kullanm alanna sahip olmasndan sonra endstri kesimi de karar
vermede yararl bir ara olduunu grd Lineer Programlama (LP) konusuna ilgi duymaya
balamtr. Petrol endstrisi, problemlerinin karmakl sebebiyle, LP ile ciddi bir ekilde
ilgilenen ilk endstri bran olmutur [1].
Gnmzde, YA aada sadece bir kan verebileceimiz yzlerce farkl
problemlerin zmnde kullanlmaktadr.Bunlar, Fabrika Organizasyonu, Atelye/Tezgah
Optimizasyonu, Proje Ynetimi, kaynaklarn optimum kullanm saylabilir.
Bu ders notunu hazrlama amacmz,lisans seviyesinde eitim veren fakltelerde Meslek
Matematii,Optimizasyon Teknikleri vb.isimler altnda verilen derslere uygun olan ve
lisansst eitime nemli derecede katk salayacak bir alma yapmak ve bunu daha da
gelitirerek Optimizasyon Teknikleri kitabn yazmaktr.Bununla birlikte, gncel hayatn her
alannda uygulamalarna rastladmz optimizasyon kavramn rencilerimize uygulamalar
ile aktararak bu konudaki bilincin oluturulmas ve en gncel yaklam olan yapay zeka
tekniklerine zemin hazrlanmas amalanmtr.
eriinde

temelde Dorusal Programlama ile Dorusal Olmayan Programlama

tekniklerini barndran bu almada rencilerimize klasik

optimizasyon teorisinden

ulatrma problemlerine,gezgin satc probleminden en ksa yol problemine ve simpleks

yntemden atama problemine kadar ok sayda konu rnekler ile desteklenerek ele alnmtr.
Bu almann gerek dersimizi alan rencilere gerekse bu konularla ilgilenen herkese faydal
olmas temennisiyle

neri ve eletirilerini www.tektas@marmara.edu.tr adresine bekliyoruz.

Bu Cennet Vatan iin ehit Denlere thafen

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

3.4 Simpleks Metot II (Minimum Problemleri)............................................................30

3.5 Lineer Prramlama Problemlerinin marjinal analizleri ve formlleri:.....................38
3.6 Lineer Programlama Problemlerinin Matris Fonksiyonlar.....................................44
3.7 Duality.....................................................................................................................46
3.7.1 Duality ve Simpleks Metot likisi...........................................................46
3.7.2Dualitynin temel teoremi..........................................................................51
4. Ulatrma Problemleri ..........................................................................................................60
4.1 Ulatrma Problemlerine Giri................................................................................60
4.2.rneklerle Ulatrma Problemlerinin incelenmesi................................................61
4.2.1.- Kuzey-bat kesi yntemi.....................................................................62
4.2.2. En kk maliyetli hcreler metodu......................................................63
4.2.3. VAM(vogel) metodu.............................................................................63
5. Atama Problemleri ve Gezgin Satc Problemi.....................................................................64
5.1 Atama Problemlerine Giri......................................................................................64
5.2 Atama Problemlerinin zm admlar..................................................................64
5.3. rneklerle Atama Problemlerinin ncelenmesi......................................................65
6. Gezgin Satc Problemi.........................................................................................................67
6.1 Gezgin Satc Problemine Giri...............................................................................67
6.2.Gezgin Satc Problemi lem Admlar..................................................................67
6.3. Gezgin Satc Problemlerinin rneklerle ncelenmesi...........................................68

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

alanlarndaki problemleri zmek iin yaptklar almalar optimizasyon ve buna bal

teknikleri hzla ortaya karmtr. Benzer ekilde bu tekniklerin amaland alanlara,
sistemin zelliklerine, kullanlan matematiksel yntemlere ve kstaslarn tasnifleri aamalar
geirmitir(3).

Klasik optimizasyon teorisi Cauchy, Lagrange ve Newton tarafndan gelitirilmitir. Newton

ve Leibnitz in analiz almalar optimizasyonun diferansiyel hesap metodlarnn
gelitirilmesine katkda bulunmutur. Kstl problemler iin optimizasyon metodunu adyla
anlan Lagrange gelitirmitir. Kstsz optimizasyon problemlerini zmek iin Steepest
Descent (en dik ini,eim) metodunun ilk uygulamas da Cauchy tarafndan yaplmtr.
Optimizasyon konusundaki bu almalar 20. yzyln ortalarna kadar ok yava ilerlemitir.
1950 lerden sonra saysal bilgisayarlarn icad optimizasyonda ok byk almalar
beraberinde getirerek birok yeni teori ve metodun ortaya kmasn salamtr. Fakat 1960
l yllarda kstsz optimizasyon konusundaki saysal metodlar sadece ngiltere de
gelitirilmitir (5).
Simpleks metodunu 1947 de Dantzing, Dinamik Programlama Tekniini 1954 de Bellmann
gelitirmitir.Bu almamzn esasn tekil eden Dorusal Olmayan Programlama
konusundaki ilk nemli almalar 1951 ylnda Karush Kuhn ve Tucker tarafndan optimal
zm iin gerek ve yeter artlar teorisi bal ad altnda
sunulmutur(7). 1960 l yllarda Zoutendijk ve Rosen de Dorusal Olmayan Programlama
sahasnda nemli almalar yapmlardr.
Dorusal Olmayan Programlama alanndaki en byk gelime kstsz optimizasyonun bilinen
tekniklerini kullanarak ok zor problemlerin zmn kolaylatran ciddi almalarn
Carroll, Fiacco ve Mc Cormick tarafndan ortaya konmasdr. Geometrik Programlama ise
1960 l yllarda Peterson, Zener ve Duffin tarafndan gelitirilmitir(5).Dzlemsel Kesme
Algoritmas ise 1969da Zangwill tarafndan ortaya konmutur. ndirgenmi Gradient Metod
ise Wolfe tarafndan 1963 de gelitirilmitir(8).
1.3.Optimizasyon Probleminin zellikleri ve zm Aamalar
Bir optimizasyon probleminin temel zellii kategoriye ayrlmasdr. Bunlar :
En az bir ama fonksiyonunun optimize edilmesi
Eitlik kstlar
Eitsizlik kstlardr

Yani genel bir optimizasyon problemi:

maksimum (minimum) f(x)

g i (x) 0 , ( 0)

i = 1, 2, .., m

h i (x) = 0

i = m + 1, m + 2, , n

veya

eklindedir.Bu genel tanm altnda ama fonksiyonunun en iyi deerini veren

X = ( x1 , x 2 , ........, x n ) T
n boyutlu zm vektrne model vektr de denir(3).
(1) ile ifade edilen genel problemde f(x) ama fonksiyonunu, g i ( x ) eitsizlik kstlar ve
h i ( x ) eitlik kstlar temsil eder. nin sfr olmas problemin kstsz olmas, sfrdan farkl
olmas da problemin kstl olmas anlamna gelir.
Genel bir optimizasyon probleminin zm alt admda gerekletirilir.
i.

lem analiz edilerek ilem deikenlerinin btn bir listesi karlr.

ii.

Optimizasyon iin ama fonksiyonunu tanmlayacak kriter belirlenir.

iii.

Matematiksel ifadelerle kullanlabilir bir ilem gerekletirilir.

iv.

Problem ok bykse;
a)

Kontrol edilebilir ve modeli basitletirilir.

b)

Ama fonksiyonu teknii matematiksel ifadeye uygulanr.

v.

Uygun optimizasyon teknii matematiksel ifadeye uygulanr.

vi.

Cevaplar kontrol edilir(3).

Btn optimizasyon problemlerinin zm iin etkili tek bir metot olmadndan

optimizasyon

metotlar optimizasyon problemlerinin farkl tiplerinin zm

iin

gelitirilmitir(5).
1.4.

Dorusal Olmayan Programlama

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).

Dorusal Olmayan Programlama:

Z = f(x i ) = f(x1 , .........., x n )

(i = 1, 2, , n)

eklinde tanmlanan srekli ve trevlenebilen bir ama fonksiyonunun;

g j ( x i ) 0 ( x i 0 ) (i = 1, 2, , n)(j = 1, 2, , m)
kstlar altnda optimum zmn aratrma yntemidir(9). Dorusal ve dorusal olmayan
denklemlerden oluan g j (x i ) kstlar eitlikler veya eitsizlikler eklinde verilebilir.

yle ki;

g j (x i ) 0

( 0)

g j (x i ) = 0

(j = 1, 2, ., l) ve
(j = 1 + 1, ..., m)

eklinde tanmlanan kstlar m tane denklemden oluan bir denklem sistemidir. Bu

denklemlerin 1 tanesi eitsizlik, (m-1) tanesi eitlik denkleminden oluur(10).
1.5.

Ama Fonksiyonunun Yorumlanmas

Ama fonksiyonunun yorumlanmas konusunda kstlarda ve (veya) kstsz problemde yer

alan deikenlerin (karar deikenleri) en iyi semedeki kriter programlamada ama
fonksiyonu olarak adlandrlr.Pratikte ise kstlarda ve ama fonksiyonunda yer alacak
deikenlerin (kt kaynaklarn) en iyi deerlerini bulmak olarak tanmlanabilir(3).
1.6.

Optimizasyon ile lgili Temel Kavram ve Tanmlar

1.6.1. Fonksiyonlarda Sreklilik Kavram

A. Tek Deikenli Fonksiyonlarda Sreklilik

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.

B. ok Deikenli Fonksiyonlarda Sreklilik

z = f ( x ) = f ( x1 , x 2 , ..........., x n )

ok deikenli bir

fonksiyonunun bir x 0 noktasnda

saysna karlk yle bir h < , > 0 saysnn

srekli olmas demek, verilen > 0

bulunmasdr ki;

f (x + h) f (x )
0

dr.

Burada;
h = (h1 , h 2 , ........., h n )

= (1, 2 , .........., n ) > 0

ve

dr(11).

1.6.2. Unimodal (Tek deer) Fonksiyon

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;

i) f(x), [a, p] aralnda azalan bir fonksiyon

ii) f(x), [p, b] aralnda artan bir fonksiyon
ise y = f(x) fonksiyonuna bu aralkta Unimodal (tek deerli) fonksiyon denir(12).
Eer f(x) fonksiyonu [a, b] aralnda Unimodal fonksiyon ise f(x) minimum deerini
a < c < d < b eklindeki bir [c,d] aralnda alabilir. Bu minimum deer f(c) ve f(d) nin
max[f(a), f(b)] den daha kk iken garanti edilir (ekil 1.a - b).
Eer f(c) f(d) ise [a, d] aralnn sandan aralk daraltlr (ekil 1.a).
Eer f(d) < f(c) ise [c, b] aralnn sandan itibaren aralk daraltlr (ekil 1.b).

y = f(x)

[a

y = f(x)

[a

b]

ekil 1.a

p
ekil 1.b

b]

1.7.Konvekslik ile lgili Tanmlar

1.7.1.Konveks Bileen

S, E n , n boyutlu klidyen uzayda bo olmayan bir kme olsun.

x i S ve i 0 , i = 1 iken, x 0 = 1x1 + 2 x 2 + ............ + n x n olsun.
Eer;

x0 =

i x i eklinde elde edilen

i =1

x 0 noktasna x1 , x 2 , x 3 , ..........., x n noktalarnn

konveks (dbkey) bileeni denir(6).

1.7.2. Konveks Kme

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

Matematiksel olarak ifade etmek gerekirse;

xi , x j S , i j , 0 1 iken

x 0 = x i + (1 ) x j S( i j)

oluyorsa S kmesine konveks (dbkey) kme denir.

1.7.3.Konveks Fonksiyon

E n , n-boyutlu klidyen uzayda verilen herhangi iki nokta ( x1 , x 2 ) olsun.Eer aadaki

eitsizlik E n , n-boyutlu klidyen uzayndaki her nokta ifti iin geerli ise f fonksiyonuna
konvekstir denir(13).

(x1, x 2 )E 2 ; 0 1 iin;

f [(1 ) x1 + x 2 ] [(1 ) f ( x1 ) + f ( x 2 )]

1.7.4.Konkav (bkey) (Konveks Olmayan) Fonksiyon

Konveks fonksiyonunun tanmna benzer olarak;

(x1, x 2 )E 2 ; 0 1 iin; f [(1 )x1 + x 2 ] [(1 ) f ( x1 ) + f (x 2 )]

oluyorsa f fonksiyonuna konkav (ibkey) fonksiyondur denir.(1.7.3) ve (1.7.4) ile ifade
edilen tanmlar geometrik olarak aklamak gerekirse;
Fonksiyonun yzeyi zerinde alnan herhangi iki noktay birletiren doru,
fonksiyonun temsil ettii erinin altnda kalyorsa fonksiyona konkav fonksiyon, aksi halde
yani yzey zerindeki iki noktay birletiren doru fonksiyonun temsil ettii erinin stnde
kalyorsa fonksiyona konvekstir denir(8) (ekil 3.a-b-c).
Konveks Fonksiyon

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]

1.8. Optimum Aramada Konveksliin ve Konkavln Etkileri

1.8.1. Kstsz Maksimum (Minimum)

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(x) = f( x1 , x 2 , ............., x n ) n-deikenli fonksiyonunu gz nne alalm.

Burada, ( x1 , x 2 , ............., x n ) koordinatlar n-boyutlu klidyen uzayda X-stun vektr ile
temsil edilirler(1).
f(x) = f( x1 , x 2 , ............., x n ) fonksiyonunun gradienti ise f(x) veya grad f(x) sembolleri ile
gsterilir ve;

f f
f
grad f(x) = f ( x ) =
,...........,
,
x x
x n
2
1

veya ksaca;

f
f (x) =
x
k

dr. (k =1, 2 , , n) eklinde tanmlanr.

1.10. Hessian Matrisi

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

Bu nedenle f(x) = f( x1 , x 2 , ............., x n ) n-deikenli fonksiyonunun ikinci mertebeden

ksmi trevleri;
2

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

II. KLASK OPTMZASYON TEORS

2. Klasik Optimizasyon Teorisi
Klasik Optimizasyon Teorisi kstl ve kstsz fonksiyonlar iin ekstremum noktalarn
belirlenmesinde diferansiyel hesabn kullanlmasn gelitirmitir.Gelitirilen bu metodlar
saysal hesaplamalar iin uygun olmayabilir.
Bu temel balk altnda kstsz ekstremumlarn belirlenmesi iin gerek ve yeter artlar, eitlik
kstlara sahip problemler iin Karush Kuhn Tucker gerek ve yeter artlarn inceleyip
rnekler vererek aklayacaz(11).

2.1 Kstsz Ekstremum Problemleri

f(x) fonksiyonunun bir ekstremum noktas maksimum veya minimum nokta olarak tanmlanr.
Matematiksel olarak tanmlamak gerekirse;
h = (h1 , h 2 ,..., h j ,................, h n ) yleki h j btn j ler iin yeterince kk olmak zere;
f ( x + h ) f ( x ) art salanyorsa x 0 noktas bir maksimum noktadr(13).
0
0
Bir baka deyile; x 0 n komuluundaki her noktada f fonksiyonunun deeri f ( x 0 ) dan
kk ya da eit kalrsa x 0 a f fonksiyonunun maksimum noktas denir. Benzer ekilde;
h = (h1 , h 2 ,..., h j ,................, h n ) yleki

hj

btn jler iin yeterince kk olmak

zere; f ( x 0 + h ) f ( x 0 ) art salanyorsa x 0 noktas bir minimum noktadr. Yani x 0 n

komuluundaki her noktada f nin ald deer f ( x 0 ) deerinden byk yada eit kalrsa
x 0 noktasna f fonksiyonunun minimum noktas denir. Aadaki ekil [a, b] aralnda tek
deikenli bir f(x) fonksiyonunun maksimum ve minimumlarn tanmlar (ekil 4).

f (x)

a x1 x2

x3 x4

x5

x6

x7 x8

ekil.4. f(x) fonksiyonunun maksimum ve minimumlar

eklimize gre x1 , x 2 , x 3 , x 4 , x 6 noktalar f(x) fonksiyonunun ekstremum noktalardr. Bu

noktalardan x1 , x 3 ve x 6 noktalar maksimum noktalar iken x 2 ve x 4 noktalar da minimum
noktalardr. f ( x 6 ) = max {f ( x1 ), f ( x 3 ), f ( x 6 )} olduundan f ( x 6 ) global maksimum veya
mutlak maksimum olarak isimlendirilir. f ( x 6 ) ya gre f ( x1 ) ve f ( x 3 ) noktalar da yerel
maksimum olarak adlandrlr.

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

maksimumdur. x 2 ile x 4 noktalar karlatrldnda x 2 noktas gl minimum nokta iken

x 4 noktas x 2 noktasna gre zayf minimum noktadr(11).
Genelletirecek olursak;
f ( x 0 + h ) f ( x 0 ) ise x 0 bir zayf maksimum

f ( x 0 + h ) < f ( x 0 ) ise x 0 bir gl maksimum

f ( x 0 + h ) f ( x 0 ) ise x 0 bir zayf minimum

f ( x 0 + h ) > f ( x 0 ) ise x 0 bir gl minimum noktadr.

Burada h daha nce tanmland gibidir. ekil 4den de grld gibi btn ekstremum
noktalarda f(x) fonksiyonunun eiminin (1. trevi) sfra eit olduu sonucuna varabiliriz.
Buna karlk bu zellik tek deildir. Yani tersi doru olmayabilir. f(x) fonksiyonunun eimi
herhangi bir noktada sfr olduu halde bu nokta ekstremum nokta olmayabilir. ekil 4deki x5
noktas byle bir noktadr. Yani bu noktada f(x) fonksiyonunun eimi sfr olduu halde x5
noktas bir ekstremum nokta deildir.
te byle noktalara, gradienti (eim) sfr oldugu halde ekstremum olmayan noktalara
bkm noktalar denir.
2.2. Ekstremum in Gerek ve Yeter artlar

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

gerek art; f ( x 0 ) = 0 olmasdr.

11

Ispat: 0 < < 1 iin Taylor teoreminden;

1
f ( x 0 + h ) f ( x 0 ) = f ( x 0 )h + h T Hh x + h
0
2

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

imdi x 0 noktasnn bir minimum nokta olduunu varsayalm. Olmayana ergi

yntemiyle gsterilebilir ki f ( x o ) sfra eit olmak zorundadr. x 0 bir minimum nokta
deil iken zel bir j iin;
f (x 0 )
f (x 0 )
< 0 veya
> 0 olabilir.
xj
xj
h j nin iareti uygun seilerek h j .

f (x 0 )
< 0 her zaman elde edilebilir.
xj

Dier h j lerin kmesi sfra eitlenerek Taylor almndaki kabulden f ( x 0 + h ) f ( x 0 ) < 0

veya f ( x 0 + h ) < f ( x 0 ) bulunur. Bu ise x 0 noktasnn bir minimum nokta olmas ile eliir. O
halde f ( x o ) = 0 olmak zorundadr.
Bu sonu gerektir fakat yeter deildir. Yani f ( x o ) = 0 iken x 0 bir ekstremum nokta
olmayabilir.
Teorem-2: Sabit bir x 0 noktasnn bir ekstremum nokta olmas iin yeter art Hessian

Matrisinin (H f ) x 0 daki deeri ile belirlenir.

H (f) x 0 > 0 x 0 bir minimum noktadr.
H (f) x 0 < 0 x 0 bir maksimum noktadr.
spat: 0 < < 1 iin Taylor teoreminden;

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

x 0 noktasn minimum nokta olarak alalm.

Tanmdan; f ( x 0 + h ) > f ( x 0 ) dr. Bunun anlam udur;
1
x 0 noktasnn bir minimum nokta olmas iin; h T Hh x + h > 0 olmaldr.
0
2
1
kinci ksmi trevlerin srekli olmasn kabul ile h T H x 0 ve x 0 + h n her ikisinde de
2
deerlendirildiinde ayn iarete sahip olmak zorundadr. h T Hh x bir karesel form olarak
0
tanmlanr ve x 0 noktasnda deerlendirilirse x 0 n minimum nokta olmas iin H x pozitif
0
tanml olmaldr.
Bu son ifadenin anlam udur:Sabit bir x 0 noktasnn minimum nokta olmas iin yeter art
Hessian Matrisinin bu noktada pozitif tanml olmasdr. Ayn yeter art x 0 n maksimum
nokta olmas iin yapldnda Hessian matrisinin x 0 noktasnda negatif tanml olmas
gerektii sylenebilir.
Sonu 1: Eer H x tanmsz ise x 0 bir bkm noktas olmak zorundadr.
0
Sonu 2: Teorem-1 ve Teorem-2 ile sunulan ifadeler tek deikenli y = f(x) fonksiyonu iin

u ekilde zetlenebilir.Herhangi bir x 0 noktasnn y = f(x) fonksiyonunun bir ekstremum

noktas olmas iin gerek art f (x 0 ) = 0 olmasdr. Yeter art;
f (x 0 ) < 0 ise x 0 bir maksimum noktadr.
f (x 0 ) > 0 ise x 0 bir minimum noktadr(16).

Eer, f (x 0 ) = 0 ise x 0 n ekstremum nokta olmas iin yksek mertebeden trevler

gznne alnmak zorundadr. Bunu aadaki sonu teorem ile sunabiliriz.
Teorem-3: y=f(x) fonksiyonu verilsin. f(x)in sabit bir x 0 noktasnda;

f (n 1) ( x 0 ) = 0 ve f (n ) ( x 0 ) 0 oluyorsa x = x 0 noktasnda f(x);

n tek ise bir bkm noktasna sahiptir.n ift ise;

a) f (n ) ( x 0 ) < 0 ise maksimuma sahiptir.

b) f (n ) ( x 0 ) > 0 ise minimuma sahiptir(11).

13

2.3. ok deikenli Fonksiyonlarnn Optimizasyonu (Kstsz Optimizasyon)

Daha nce tanmland gibi,y=f(x1,x2,...xn) n- deikenli fonksiyonu 2. mertebeden srekli

ksmi trevlere sahipken bu fonksiyonun hessian matrisi simetrik bir

matris (simetrik

matris: i j olmak zere aij=aji olan matristir) olup aadaki gibidir ;

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

y=f(x1,x2,...xn) fonksiyonlarn ekstremumlara sahip olmas iin;

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

olan noktalara sabit noktalar denir,

ii) Yeter art:x0 noktas f ( x) = 0 artn salayan nokta(sabit nokta) olsun.Buna gre;
1.Test :
i.

Hf(x0) > 0 (Pozitif tanml) ise minimum noktasdr

ii.

Hf(x0) < 0 (Negatif tanml)ise maximum noktasdr

iii.

Hf(x0) tanmsz ise x0 bkm noktasdr

2.Test:
det(A- I)=0

n.dereceden bir polinom denklem olup buna f fonksiyonunun karakteristik

polinomu ,bu denklemin kklerine de karakteristikler veya zdeerler denir.Buna gre ;

i.

i iin i > 0

ii.

i iin i < 0 ise A negatif tanmldr (A=(aij)nxn)

iii.

Dier durumlarda tanmszdr.

ise A pozitif tanmldr (A=(aij)nxn)

14

2.3.1. A matrisinin tanmll:nxnlik bir A matrisinin tanmlln belirlemek iin

aadaki test uygulanr.

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

a 2 j ,... An a 21 . a 2 n olarak tanmlanr.

a n1 . a nn
a jj

2x2

jxj

nxn

Bu matrislerin determinantlarnn hepsi pozitif ise A matrisi pozitif tanmldr .Yani;

i.

i iin det Ai>0 ise A pozitif tanmldr.

ii.

i iin (-1)idet Ai>0 ise A negatif tanmldr.

iii.

Dier durumlarda tanmszdr .Nokta bkm noktasdr.

2.3.2. Konveks,Konkav Fonksiyonunun Hessian Matrisi ile Tayini (Descartes kural)

det (A- I ) =0 ifadesi P( ) =0 eklinde ya bal bir polinom olup;

p( )daki iaret deiiklii says (pozitif kk says)
p(- )daki iaret deiiklii says (negatif kk says)

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

2)Yeter art:Bu fonksiyona ait Hessian matrisini oluturalm

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

H1=[-2] olduundan det H1=-2

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;

p( )=(-2- )[(-2- )2-1]=0 ise p( ) = 3 62 11 6 = 0 olur.

p(- ) = 3 6 2 + 11 6 = 0 dr (3 tane negatif kk vardr , fonksiyon konkavdr yani x0
noktasmaksimum noktasdr)
rnek : f(x,y)=x2-4xy+y2 fonksiyonunun ekstremumlarn ve konveks yada konkavln

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

H1=[2] ise det H1=2>0

2 4
H 2=
ise det H2 = -12<0
4 2
H f tanmsz olduundan f fonksiyonu ne konveks nede konkavdr, x0bkm noktasdr.

16

2. yol : det (H- I ) = 0

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

2.3. Kstl Ekstremum Problemleri:

Bu blmde snr artlar ve kstlaryla srekli fonksiyonlarn optimizasyonu ele alacaz. Bu

snr artlar veya kstlar denklem formunda olabillir veya olmayabilir(2).
2.3.1. Eitlik Kstlar

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

ifade de btn x j lerin ksmi trevleri alnmak suretiyle elde edilir.

Bylece;

(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

Burada L fonksiyonu Lagrange fonksiyonu ve parametreleri de Lagrange arpanlar olarak

bilinirler.
L
L
= 0 ve
=0

denklemleri Lagrange fonksiyonu iin gerek artlarn oluturulmasnda direkt olarak

kullanlr. Bir baka deyile, g(x) = 0 kstlar ile f(x) fonksiyonunun optimizasyonu
L ( X , ) Lagrange fonksiyonunun optimizasyonuna eittir. imdide Lagrange metodu iin
yeter artlar ispatsz olarak tanmlayalm.
B
0
H = T
P

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 )

te bu ekilde tanmlanan H B matrisine snrlandrlm Hessian Matrisi denir(11).

Verilen bir (X 0 , 0 ) noktasnda H B snrlandrlm Hessian Matrisi ve L (X , ) Lagrange
fonksiyonu deerlendirilirse;

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

matrisini bu ekilde tanmlayp (X 0 , 0 ) noktasnda deerlendirelim. Burada P ve Q daha

nce tanmladmz gibi, ise bilinmeyen bir parametredir.
= 0 determinantn gznne alrsak;

= 0 polinom denkleminin (n -m) tane u i reel kknn herbiri iin;

a)

< 0 oluyorsa (X 0 , 0 ) bir maksimum noktadr.

b)

> 0 oluyorsa (X 0 , 0 ) bir minimum noktadr.

2.3.2. Eitsizlik Kstlar

Bu blmde ilk olarak Lagrange metodunun genilemesini ele alacaz. Yani snrl bir
anlamda eitsizlik kstlarn gznne alarak Lagrange metodunu genileteceiz. kinci
olarak ise eitsizlik kstlarna sahip problemlerin analitik zm iin Karush-Kuhn-Tucker
gerek ve yeter artlar sunulmaktadr.

A. Lagrange Metodunun Geniletilmesi

Max z = f(x)
Kstlar

g i (x) 0

(i = 1,2, .. , m)

xi 0

problemini gznne alalm.Lagrange metodunun geniletilmesinin esas udur:

Eer f(x)in kstsz optimimu btn kstlar salamazsa, kstl optimum zm uzaynn bir
snr noktasnda olmak zorundadr. Yani denklem formunda m kstta yeterli olmak
zorundadr.Buna gre ilem admlar u ekilde zetlenebilir.

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.

B.Karush Kahn Tucker artlar

Karush, Kuhn ve Tucker tarafndan gelitirilen bu artlar eitsizlik kstlarna sahip dorusal
olmayan kstl bir problemin sabit noktalarn tanmlamak iin gerek ve yeter artlar
sunar(19).Metoddaki gelime temelde Lagrange metodu zerindedir(11). Aadaki eitsizlik
kstl problemi gznne alalm.

i)Gerek artlar
maksimum z = f(xi)
kstlar

g(xi) 0
xi 0
Eitsizlik kstlar negatif olmayan aylak deikenlerin yaklak toplam olarak

denklemler iinde dntrlebilir.

S = (S1 , S 2 , ......... , S m ) T ve S 2 = (S12 , S 2 2 , ......... , S m 2 ) T tanmlayalm.
Burada, m eitsizlik kstlarn toplam saysdr. Buna gre Lagrange fonksiyonu;

L(X, S, ) = f (X) g ( x ) + S 2

olarak tanmlanr. Verilen kstlar (g(x) 0)

optimallik iin gerek arttr. Yani;

nn negatif olmama ( pozitif olmama ) durumu maksimizasyon ( minimizasyon )

problemleri iin verilen g(x) 0 kstlarnda optimallik iin gerek arttr. Burada sadece
maksimizasyon durumunu ele alalm.
fnin gye gre deiim oran ile lldnden; =

f
dr.
g

Bu son ifadenin sa taraf g 0 olduundan artar ve zm uzay daha az snrlanm olur.

21

Buna gre, f azalmaz, bu 0 demektir. Benzer olarak, minimizasyon iin f artmaz ki bu

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)

(2) ile ifade eden denklemden takip eden sonular aa kar.

a) i 0 ise Si 2 = 0 dr. Bu demektir ki eitlik kst yoktur.

b) Eer Si 2 > 0 ise i = 0 dr.
Yani; i =

f
= 0 dr.
gi

(2) ve (3) ile ifade edilen denklemlerin kmesinden;

i g i (x) = 0

(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

ii) Karush Kuhn Tucker Yeter artlar

Eer ama fonksiyonu ve zm uzay konvekslik ve konkavlk ile ilgili kesin artlara sahip
ise Karush Kuhn Tucker gerek artlar ayn zamanda yeterdir.
Bu artlar aadaki gibi zetleyelim (Tablo 1).
Tablo.1

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

Burada i , i ksttaki Lagrangearpanlar gsterir. Bylece Karush Kuhn Tucker yeter

artlarn belirlemek iin gereken bilgiler bir tablo ile gsterilecek olursa;
Tablo.2

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.

Eer g i ( x ) konveks ve 0 ise i g i ( x ) konvekstir.

ii.

Eer g i ( x ) konveks ve 0 ise i g i ( x ) konkavdr.

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.

III. DORUSAL OLMAYAN PROGRAMLAMA ALGORTMALARI

3.1. Optimizasyon Metodlarnn Genel Tasnifi
TASNF
Klasik Optimizasyon Metodlar
Lagrange arpanlar Metodu
Jacobian (Kstl Trevler) Metodu
Karush Kuhn Tucker Metodu (5, 11, 20)
Statik Optimizasyon Metodlar
Bir Boyutlu Kstsz Optimizasyon Metodlar
Arama Metodlar
Fibonacchi Arama Metodu
Altn Oran Metodu
Ayrntl Arama Metodu
atallama Arama Metodu
Snrsz Arama Metodu
Karesel nterpolasyon Metodu
Rastgele Arama Metodu (1, 5, 12, 21,28)
Gradient Metodlar

24

Newton Raphson Metodu

Secant Metodu
Kbik nterpolasyon Metodu
Direkt Kk Metodlar
4.1- kiye Blme Metodu
4.2- Kiriler Metodu
4.3- Deneme Metodu
4.4- terasyon Metodu (2, 12, 22)
ok Boyutlu Kstsz Optimizasyon Metodlar
Arama Metodlar
Hooke ve Jeeves Metodu
Nelder ve Mead Metodu
Spendly, Hext ve Himswortun Simpleks Metodu
Kompleks Metodu
Izgara - A Metodu
Dngsel Koordinat Metodu
Rosenbrock Metodu (1, 5, 8, 21, 23, 24, 28)
Gradient Metodlar
Davidon - Fletcher - Powell Metodu
En Dik ni (k) (Eim) Metodu
Fletcher - Reeves Metodu
Smith Metodu
Newton Metodu
Birleik Dorultuda Hareket Metodu (1, 3, 5, 8, 24, 25, 27, 30)
Dinamik Optimizasyon Metodlar
Minimum Yol Problemi
2- Dinamik Programlama, Genel Matematiksel Optimizasyon, Optimallik lkesi
3- Kesikli Karar Modelleri, Dorusal Olmayan Srekli Modeller
4- Dinamik Programlama ve Fonksiyonlarn Optimizasyonu
5- Kesikli Maksimum lkesi (3, 21, 26)
ok Boyutlu Kstl Optimizasyon Metodlar
Yar lmikleme

25

Gradient Yanstma Metodu

Ceza ve Engel Fonksiyon Metodlar
Ardk Kstsz Optimizasyon Teknii (SUMT)
Frank Wolfe Algoritmas (1, 3, 5, 8, 21, 26, 29)
zel Programlama Tipleri
Karesel Programlama
Geometrik Programlama
Ayrlabilir Programlama
Tamsayl Programlama
Tahmini Programlama
Ama Programlama
Lineer arpanlar Metodu (5, 8, 11, 24)

3.2. Seilen Dorusal Olmayan Programlama Tekniklerinin Seim Sebepleri

Bu almada ele alnan Newton Raphson, Nelder Mead, Gradient, Frank Wolfe ve
SUMT metodlarnn dier optimizasyon metodlar iindeki yerleri ve nemleri asndan ele
alndnda denilebilir ki, bunlar genel snflandrma iinde kstsz, kstl, direkt (dorudan
arama = trevsiz) ve indirekt (trevli = gradient) yntemleri u noktalarda temsil ederler.

3.2.1. Newton Yntemi:

Kstsz tek deikenli y = f(x) fonksiyonunun optimum noktasn bulmada yerel olarak
(lokal) karesel bir yaknsaklk gsterir. Karesel bir fonksiyonda minimuma bir iteresyonda
ular. ok deikenli fonksiyonlar iin bir indirekt metod olarak ikinci ksmi trevlerden elde
edilen bilgi ile ikinci (karesel) yaklam kullanarak minimizasyon (veya maksimizasyon) iin
hzl bir yntem olarak kendini gsterir.

3.2.2. Nelder - Mead Metodu:

Trevleri kullanmakszn bir arama dorulltusunda deerlendirilecek f(x) fonksiyonunun
dzenli geometrik ekil (simpleks) kullanarak ke noktalarnn seimini formle eder. Bu
yntemle srekli olarak arama ile daha etkili biimde daha karmak ekille (n + 1) ke
noktalarn deerlendirerek fonksiyonun minimumunu bulur.

26

3.2.3. Gradient Metodu:

Kstsz ve kstl fonksiyonlarda trevleri kullanarak optimum dorultuda ve adm
byklnde ilerleyerek minimuma veya maksimuma en hzl biimde ular (steepest
descent - ascent). En nemli zellii f(x)in leine gre ok duyarl olmasdr.

3.2.4. Frank - Wolfe Metodu:

Kstl fonksiyonlar gradient yntemi ile dorusal forma sokup dorusal programlama ile
zmne hazrlk yapar. Dorusal olmayan ama fonksiyonu ve dorusal kstl problemi
genelletirilmi ndirgenmi gradient yntemi ile dorusallatrma ilemini yrtr. En sk
kullanlan karesel programlama iin ideal bir yntemdir.

3.2.5. SUMT (Ardk Kstsz Optimizasyon Teknii):

ok deikenli sistemlere ceza fonksiyonu yntemini uygulama Fiacco ve McCormick
tarafndan ilk defa ele alnm olup Zangwillin katklaryla u artlar gelitirilmitir.
i.

m adet g i ( x ) 0 formunda kst

ii.

En az bir olurlu zm

iii.

Ama ve kst fonksiyonlar srekli

iv.

Kstl problemin kstsz hale dntrlmesi ile oluan yeni problemin ierdii K
gibi pozitif ceza sabiti E gibi bir yaknsaklk lt.

Bu yntemlerin genel deerlendirilmesi sonucu yle zetlenebilir. Ceza maliyet temelli

(SUMT gibi) yntemler en az bir yerel optimuma yaknsama zelliinden dolay muhtemelen
en kuvvetli yntemlerdir. Bu durum rneklerde grlecektir.

3.3.Seilen Tek - ok Deikenli Arama - Gradient Metodlar

3.3.1. Newton Metodu:
Bir boyutlu problemler iin gelitirilmi Newton - Raphson metodunun n-boyutlu
problemlerdeki karl bir gradient arama metodu formundadr. Bu arama karesel
yaknsakln arzu edilen nitelie sahip olmasna ramen ikinci ksmi trevlerinin ve ters
matrisinin belirlenmesini gerektirir.

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 ) karesel fonksiyonunun sabit noktalaraadaki klasik yaklam ile;

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)

eklinde elde edilir.(3) ifadesi matris formunda sunulduunda;

A k ( x x k ) = f(x k ) = -g k .....

(4)

(4) ifadesinde A k , (n n ) tipinde bir kare matris olup;

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)

elde edilir. Bu son ifadeyi basitletirirsek;

x k + 1 = x k - (A k ) - 1 . g k

(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.

i) lk olarak n elemanl gradient x = x k da hesaplanr.

ii) kinci olarak ise a ij lerin says

n . (n + 1)
olup bunlar f(x)in ksmi trevlerine
2

gre x = x k da belirlenir.

iii) Son olarak A k kare matrisinin tersi (A k ) 1 hesaplanr.

3.3.1.1. Bir Boyutta Newton Raphson Arama:
Tek deikenli y =f(x) fonksiyonu verilmi olsun ve bu fonksiyonun ikinci mertebeden srekli
trevlere sahip olduunu varsayalm. f(x) fonksiyonunun sabit noktalar;
df
f ' ( x ) = g(x ) = 0
dx
denklemi xe gre zlerek bulunur. Bir boyutlu problemlerde Newton - Raphson bir ardk
ilem tekniidir. yleki g(x) = 0 denkleminin sfrlarn bulmakta kullanlr.
Tek deikenli fonksiyonlar iin klasik yaklam, f(x)in dnm noktalarndaki x
deerlerini f ' ( x ) = 0 eitliinin zmleri gibi bulur. Yaklak y = f ' ( x ) erisi ortalama
zmnn bulunmasn salayabilir.Eer f ' (a ) ve f ' (b) nin ters iaretlere sahip olduu a ve
b gibi iki bulunabilirse, bu tahmin kesin sreklilii mecbur klar. Bu aralkta a < < b artna
uyan bir kk olacaktr. (ekil 6)
f(x)

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,

y = Q( x ) erisinin P noktasndaki tanjant ve T noktas bu tanjant dorunun x - eksenini

kestii nokta olsun. Buna gre OT genellikle K gerek kk iin x 0 noktasndan daha iyi bir
tahmin olacaktr.
Bylece;

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.

Bu son ifadeyi geniletecek olursak;

x k +1 = x k

Q (x 0 )
Q ' (x 0 )

k = 0, 1, . , n

veya tek deikenli y =f(x) fonksiyonu iin Newton Raphson forml;

f (x 0 )
(k = 0, 1, . , n) olur.
xk +1 = xk
f ' (x 0 )

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.

3.3.2. Nelder ve Mead Metodu

Nelder ve Mead Metodu Spendly, Hext ve Himsworthun simpleks metodunun geniletilmi
bir eklidir(1). Bu metod adndan da anlalaca gibi ok deikenli bir fonksiyonun
optimizasyonunu bulmak iin Nelder ve Mead tarafndan tasarlanm bir simpleks metoddur.
Bu metotda (n + 1) adet nokta, bir dzenli simpleks (basit ve dzenli) olarak bilinen n-boyutlu
klidyen uzayda karlkl olarak konulur. Bu nedenle iki boyutta simpleks bir
drtyzldr(12).

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

olduu bu metod etkili ve hesap asndan ksadr.

Bu metodda simpleksin hareketi temel ilem (Reflection- Yanstma, Expansion-BymeGenileme) ve (Contraction-Bzlme-Ksalma) ile salanr. imdi bu ilemleri safhalar ile
aklayalm.

i) Balang geni BGW: (Initial Best Good Worst Triangle)

Min z = f ( x , y) fonksiyonunu gznne alalm. Bir genin verilen kesi ile
ileme balayalm.
Vk = ( x k , y k )................ k = 1, 2, 3

Sonra bu ke noktann herbirinde fonksiyon deerlerini bulalm ve buna z k = f ( x k , y k )

(k = 1, 2, 3) diyelim. Bu deerleri de byklk srasna gre z1 z 2 z 3 olacak ekilde
sralayalm. genin ke noktalarn;
B = ( x 1 , y1 ) , G = (x 2 , y 2 ) , W = (x 3 , y 3 ) ile gsterelim.Burada;

B = Best Vertex = En iyi ke nokta

G = Good Vertex = Sonraki en iyi ke nokta
W = Worst Vertex = En kt ke nokta olarak tanmlanabilir.
B noktas maksimum durumunda foksiyonda yerine konduunda en byk fonksiyon
deerine sahip iken ayn nokta minimum durumunda ise en kk fonksiyon deerine
sahiptir.

31

yi Kenarn Orta Noktas:yi kenardan maksat genin B = ( x 1 , y1 ) ve G = (x 2 , y 2 )

noktalarn birletiren doru parasdr. Bu doru parasnn orta nokta koordinatlarda
B = ( x 1 , y1 ) ve G = (x 2 , y 2 ) noktalarnn koordinatlarnn ortalamalar alnarak aadaki

ekilde bulunur.
M=

B + G x1 + x 2 y1 + y 2
,
=

2
2
2

R Noktasn Kullanarak Yanstma lemi:

W noktas ile B noktas arasndaki BGW geninin kenar boyunca hareket ettiimizde f(x ,
y) fonksiyonu gittike azalan bir grafik izer. Benzer olarak W noktasndan G noktasna
doru genin bu kenar boyunca hareket ettiimizde f(x , y) fonksiyonu yine azalan bir
grafik izer. Bu nedenle B ve G noktalarn birletiren dorunun kar kenar zerinde Wya
uzak noktalarda f(x , y) fonksiyonu ok kk deerler alr. Bunu test etmek iin R noktasn
BG kenarndan geecek ekilde yanstarak elde edebiliriz.
R noktasn belirleyebilmek iin ilk olarak BG kenarnn M noktasn daha nce
tanmladmz gibi tespit ederiz. kinci olarak W ile M noktalarn birletirerek bir doru elde
ederiz. Bu dorunun uzunluuna d dersek, son olarak M noktasndan d uzunluunda bir doru
izeriz ve bu dorunun bittii noktaya R deriz. Bylece yansma ilemini kullanarak R
noktasn elde etmi oluruz(ekil 8).
R
B

d
G

d
G

W
ekil 8

ekilden de grlecei gibi R noktasnn vektrel notasyonu;

R = M + (M - W) = 2M - W eklindedir.

32

Genileme lemini Kullanarak E noktasn Elde Etmek:

Eer Rdeki fonksiyon deeri Wdeki fonksiyon deerinden daha kkse yani f (R ) f ( W )
ise minimuma doru bir ynde hareket ederiz. R noktas minimum noktaya uzak olabilir. Bu
nedenle M noktasndan R noktasna olan doruyu R noktasndan ayn d uzunluunda
genilettiimizde bitim noktas Eyi elde ederiz.
Bylece biz BGW geninden genileme ilemi ile BGE genini elde ederiz.(ekil 9)
E
d
R

d
M
G

W
ekil 9

Eer E noktasndaki fonksiyon deeri R noktasndaki fonksiyon deerinden daha kk ise

yani f(E) < f(R) ise, Rden daha iyi bir ke bulmu oluruz.Genileme ilemi ile elde ettiimiz
(ekil 9)daki E noktasna ait vektr formlasyonu;
E = R + (R - M) = 2R Mdir.

Daraltma (Bzlme) lemini Kullanarak C noktasnn Elde Edilmesi:

Eer R noktasndaki fonksiyon deeri W noktasndaki fonksiyon deeri ile ayn ise yani,
f(R) = f(W) ise, baka bir nokta test edilmek zorundadr. Fonksiyon M noktasnda kk
olabilir fakat biz M ile Wyi yeniden yazamayz nk yeni bir gen elde etmek zorundayz.
WM ve MR dorularnn orta noktalarna srasyla C1 ve C2 dersek yeni genimiz BGC
olur. Burada BGC1 veya BGC2 olmas iki boyutlu durumunda farketmez. Fakat ok boyutlu
durumda farkader (ekil 10).

33

M
C2

C1
G
W

ekil 10

genin B noktasna Doru Daraltlmas:

Eer C noktasndaki fonksiyon deeri W noktasndaki fonksiyon deerinden daha kk
deilse yani f (C) f ( W ) ise G ve W noktalar B noktasna doru daraltlmak zorundadr.
(ekil 11) Bu daraltma ilemini ilk admda G noktas yerine BG dorusunun orta noktas olan
M noktas ve W noktas yerine BW dorusunun orta noktas olan S noktas alnr. Sonraki
ardk ilem admlar B noktasna doru hep orta noktalar alnarak devam ettirilir. lem B
noktas elde edildiinde son bulur. (ekil 11)
R

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.

f (R ) < f (G ) ise Safha - 1

f (R ) f (G ) ise Safha - 2 dzenlenir.
Safha 1: Yansma veya Genileme

f (B) < f (R ) W yerine R alnr.

f (B) f (R ) E ve f(E) hesaplanr.
f (E) < f (B) W yerine E alnr.
f (E) f (R ) W yerine R alnr.

34

Safha 2: Bzlme veya Daralma

f (R ) < f ( W ) W yerine R alnr.
Sonra C =

W+M
alnr ve f(C) hesaplanr.
2

f (C) < f ( W ) W yerine C alnr.

f (C) f ( W ) S yerine f(S) hesaplanr.
W yerine S ve G yerine M alnr(12).
rnek: ki Boyutlu Problemler in Nelder - Mead Metodu
zm:

Deiken Says

:2

terasyon Says

: 15

[1]. Min [2]. Max

: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

3.3.3. Gradient Metodu:n - deikenli bir f ( x ) = f ( x 1 , x 2 , ...... , x n ) fonksiyonunun yerel

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

ifadesinde ksmi trevler f k =

imdi

(1)

eklindedir.

f
k = 1, 2, . , n xde belirlenir(1).
xk

X = ( x 1 , x 2 , ...... , x n ) uygun deerleri zerinde herhangi bir kstlama olmakszn

f (X) = ( x 1 , x 2 , ...... , x n ) konkav fonksiyonunun maksimizasyon problemini gznne

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 zellik ok deikenli bir fonksiyon iin u ekilde geniletilebilir. Sabit noktalar

aratrmak ama iken, bu noktalarda btn ksmi trevler sfra eittir(7).
Bu nedenle bir boyutlu aramann ok boyutlu aramaya geniletilebilmesi ksmi trevleri
kullanarak hareket ynnde zel bir yn semeyi gerektirir. te

bu

gereksinim

ama

fonksiyonunun gradientini kullanmay kapsar.

f(x) ama fonksiyonu yksek mertebeden srekli ksmi trevlere sahip olduunda herbir x
noktasnda f(x) , f(x) ile gsterilen bir gradiente sahiptir(7).
f f
f
f(x) =
,
.......... ,
xn
x1 x 2

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

ikisinin ynnde deiiklik yapmay gerektirir.

Bundan dolay en iyi yaklam geerli aikar zmden sabit bir yndeki hareketi koruyan ve
f(x) fonksiyonunun art durana dek devam eden bir yaklamdr(19).
f(x)in artnn bittii nokta ise son aikar zmdr ve bu noktada gradienthareketin yeni
ynn belirlemek iin

yeniden hesaplanacaktr. Bu yaklamla herbir ardk ilem x '

geerli aikar zmn deiikliini kapsar. yle ki;

x ' = x ' + t * f(x ' ) alalm.

(I)

Burada, t * , f x ' + t f(x ' ) yi maksimum eden pozitif (t) deeridir.

f x ' + t * f(x ' ) = max f x ' + t f(x ' )

( t 0)

(I) ifadesini geniletecek olursak;

f
'

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

3) x ' = x ' + t * f(x ' ) oluturulur ve son adma geilir.

Son Adm: x = x ' de f(x ' ) hesaplanr. Daha sonra

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

Ayrca; x k = 1 = x k - t f(x k ) iterasyon ilemini kullanmalardr.

rnek:Gradient arama ileminin nasl yapldn gstermek iin konkav bir fonksiyon iin

iki deikenli kstsz optimizasyon problemini gz nne alalm.

Max. f(x) = 2 x 1 x 2 +28x 1 - x 1 2 -x 1 4 + 4x 2 -x 2

zm:x 1 ve x 2 deikenlerine gre ksmi trevlerini alrsak;

df
= 2 x 2 + 28 - 2x 1 - 4x 1 3
dx1
df
= 2 x 1 + 4 - 2x 2
dx 2

f(x) = grad f(x) = (

olarak bulunur. Buna gre f(x) in grandienti

df
df
,
) = (2 x 2 + 28 - 2x 1 - 4x 1 3 , 2 x 1 + 4 - 2x 2 ) dr.
dx1 dx 2

grad f(x) = 0 artndan; ( 2 x 2 + 28 - 2x 1 - 4x 1 3 , 2 x 1 + 4 - 2x 2 ) = ( 0 , 0 )

Bylece,

2 x 2 + 28 - 2x 1 - 4x 1 3 = 0
2 x 1 + 4 - 2x 2 = 0

Bu denklemlerin ayn anda zm ile optimal zm (x 1 , x 2 ) = ( 2 , 4 ) bulunur. Buna

gre;f(2,4) = 2.(2).(4) + 28 .(2) (2) 2 - (2) 4 + 4.(4) (4) 2 = 52 ve grad f(2,4) = 8 + 28 4
32 , 4 + 4 8 ) = ( 0,0 ) bulunur.
imdi f(x) ve grad f(x) gz nne alnarak gradient arama ileminin nasl elde edilebileceini
grelim. Bu ileme balamak iin bir balang aikar zme ihtiyacmz vardr ki; bu
noktada f(x 1 , x 2 ) = ( 0 , 0 ) dr. Bylece ( x 1 , x 2 ) = ( 0 , 0 ) balang aikar zm olarak
alnabilir.

39

Bu nokta iin gradient; grad f ( 0 , 0 ) = ( 28.4 ) Bu u anlama gelir x = ( 0 , 0 ) noktasnda

f(x) deki max. artma oran ( 0 , 0 ) dan ( 0 , 0 ) + ( 28.4 ) e hareket edilerek bulunur. Buna
gre ( 0 , 0 ) ve ( 28.4 ) noktalar arasndaki doru denklemi;(ekil.13)
( 0 , 0 ) + [ ( 28.4 ) ( 0 , 0 ) ] = ( 28t , 4t ) dr.Burada t > 0 olmaldr.

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+ 28t , 0+ 4t)

0.067

( 1.862,0.266 )

eklinde bir genel tablo ile ifade edebiliriz.(ekil.15)

x2

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+ 28t , 0+ 4t)

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

Bundan sonraki iterasyonlarda genel tablomuzla aadaki ekilde verebiliriz.

grad f(x)

x + [ grad f(x) ]

t*

x+ t* [grad f(x) ]

( 0,0 )

( 28.4 )

(0+ 28t , 0+ 4t)

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 )

(1.547,2.469)

(15.09,2.155)

(1.55+15.1t ,2.47 + 2.19t )

0.027

(1.948,2.526 )

(1.948,2.526)

(-0.41,2.843)

(1.95+0.41t ,2.53 + 2.84t )

0.291

(1.978,3.354)

(1.829,3.354)

(6.59,0.99)

(1.83+6.59t ,3.35+ 0.99t )

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

3.3.4. Konveks Programlama:

Konveks Programlama z = f(x) ama fonksiyonunun konkav ve btn g i ( x ) kstlarnn

konveks olduu zel bir dorusal olmayan programlama trdr.
Bu varsaymlar problemi olduka basitletirir. g i ( x ) kstlarnn konveks oluu, mmkn
zmler kmesininde konveks olmasn gerektiren, f(x) ama fonksiyonunun konkav oluu
ile bulunacak herhangi bir ekstremum yada yerel optimum zmn ayn zamanda mutlak
optimum zm olmasn salar.
Bir baka deyile birok yerel optimumlar bulup bunlarn iinde mutlak optimumu semek
zorunluluu bulunmamakta, elde edilecek bir yerel optimum problemin mutlak optimum
zm olmaktadr. Bu konuda da birok metod gelitirilmitir(18).
Fakat Konveks programlama problemlerini zmek iin her zaman kullanlan standart bir
algoritma yoktur. Bu konuda farkl pek ok algoritmalar gelitirilmi olup bunlarn avantajlar
ve dezavantajlar mevcuttur.Bu algoritmalar temelde kategoride toplanmtr.
1) Gradient Algoritmalar: Bu algoritmalar temelde korunmak art ile gradient

arama ilemine benzer olarak gelitirilmitir. Genel indirgenmi gradient metod bunlarn en
nemlilerindendir.

43

2) Ardk Kstsz Algoritmalar: Penalty (Ceza) ve Barrier (Engel) fonksiyon

metodlarn ierir. Bu algoritmalar orjinal kstl optimizasyon problemlerini kendi iinde

kstsz optimizasyon problemlerinin bir dizisine dntrr. Bundan sonra da kstsz
optimizasyon problemlerinin herbiri gradient arama ilemi ile zlebilir.
3) Ardk Yaklak Algoritmalar: Bu algoritmalar Dorusal yaklam ve Karesel

yaklam metodlarn ierir. Bu algoritmalarla dorusal olmayan ama fonksiyonu Dorusal

veya Karesel yaklamlarn bir ardarda gelii ile yeniden yerine konur.
Dorusal kstl optimizasyon problemleri iin bu yaklamlar Dorusal veya Karesel
programlama algoritmalarnn tekrar uygulanmasn kabul eder(7).
3.3.4.1. Frank - Wolfe Algoritmas:

Bu algoritma bir ama fonksiyonunun dorusal kstlar altndaki optimizasyonunu inceler.

Ama optimize f(x)
Kstlar Ax b
x0

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

f(x) f(x ' ) +

j =1

f(x ' )
xj

(x j - x ' j ) f(x ' ) + f(x ' ) (x - x ' )

f ( x ' ) ve f(x ' ) . x ' deerleri sabit deerler olduundan yeni ama fonksiyonumuz;
f(x) = f(x ' ) + f(x ' ) . x - f(x ' ) . x '

f(x) f(x ' ) . x + c eklindedir.

Bu son ifadeyi;
g(x) = f(x ' ) . x yazarsak bu bir dorusal programlama problemine dnr ve
optimal zm simpleks metod veya grafik zmden elde edilebilir.
Bu zme x LP diyelim. Dorusal ama fonksiyonu xden x LP arasndaki doru paras
boyunca bir hareket gibi zorunlu olarak muntazaman artar.

44

Frank -Wolfe algoritmasna ait ilem admlar aadaki gibidir.

Balang Adm: Bir balang olurlu zm bulabilmek iin dorusal programlama

ilemi uygulanarak bu aikar zm x (0) bulunur. k = 1 yazlr.

Ardk Admlar:
1.Adm: j = 1, 2, 3, ... , n iin x = x ( k 1) de

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

rnek: Max.f(x)= 32 x 1 -x 1 4 +8x 2 -x 2

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

Kstlar gz nne alnmakszn kstsz

fonksiyonun

maximumu ksmi trevler alnp sfra eitlenerek (x 1 , x 2 ) = (2,4) olarak kolayca

bulunabilir. Fakat kstl maximumu bir balang aikar zme ihtiyacmz olacaktr. Bu
balang aikar zm (x 1 , x 2 ) = (0,0) olarak alalm. Ksmi trevleri alp bu noktada
deerlendirirsek;
df
= 32- x 1
dx1

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

fonksiyonumuz bir dorusal yaklam olarak ; g ( x ) = 32 x 1 +8x 2 dr.

Buna gre yeni problemimiz;
Max. g ( x ) = 32 x 1 +8 x 2
Kstlar 3x 1 + x 2 7
x 1 - x 2 1 ve x 1 0 ; x 2 0 olarak tekrar yazlr.Bu problemin
orijinal kstlarla zm (x 1 , x 2 ) = (2,1) noktasn zm olarak kabul eder. (ekil.19)

46

x2
7

3x1+x2=7

3x1+8x2=72

(2,1)
x1-x2=1

x1

1
ekil.19

g (2,1) = 32 (2) + 8 (1) = 72

(2,1) noktasna yakn olmadndan bu iyi bir yaklam deildir. Bu nedenle (0,0) ve (2,1)
noktalarn birletiren doru paras zerinde

f(x) i en byk yapan X = (x 1 , x 2 ) noktasn

bulmaya alalm.
f(2,1) = 55 iken

g(2,1) = 72 dir. Buna (2,1) deki yaklam iyi bir yaklam deildir.(0,0) ve

(2,1) noktalar arasndaki dorunun denklemi;

(0,0) + t [ (2,1) (0,0) ] = ( 2t,t ) ( 0 + 1 ) Buna gre;
x 1 =2t , x 2 = t olarak alnp f(x)de yerine yazlrsa tye bal bir h(t) fonksiyonu elde edilir. f
( x 1 , x 2 )= f ( 2t, t) = h(t) = 32(2t) (2t) 4 + 8t + t 2
h(t) = 72t - t 2 - 164 t 4

( 0t1 )

tye bal bu h(t) fonksiyonuna bir boyutlu arama ilemi uygulanyorsa;

df
(2,1) = 32 4 (2) 3 = 0
dx1
df
(2,1) = 8 - 2 (1) = 6 ve yeni problemimiz; g(x) = 0. x 1 + 6. x 2
dx 2

47

Kstlar 3x 1 + x 2 7
x1 - x2 1
g (0,7 ) = 42

iken zm ( x 1 , x 2 ) = ( 0,7 ) dir.

f (0,7 ) = 7

imdi (2,1) ve (0,7) noktalar arasndaki doru bulunur.

( 0 + 1 )

(2,1) + t [ (0,7) (2,1) ] = ( 2-2t , 1+ 6t )

h(t) = f( 2-2t , 1+6t ) = 55 + 36t - 132 t 2 + 64 t 3 - 16t 4

h(t) yi maximum yapan t deeri;
t * = 0.1524 dr. Buna gre,( x 1 , x 2 ) = ( 2-2 t * , 1+6 t * ) = ( 1.695,1.914 ) yeni aikar
zmdr.Yine benzer ilemleri bu son aikar zmmz iin uygulayalm.
f(x)= 32 x 1 -x 1 4 +8x 2 -x 2 2 iken

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

belirlenir ve yeni ama

fonksiyonumuz;g(x) = 12.52 x 1 + 4.17 x 2 olur.

Bu yeni ama fonksiyonu ile orijinal kstl problemimizi yukardaki gibi zdmzde yeni
aikar zm (x 1 , x 2 ) = ( 1.695 , 1.914 ) olarak bulunur.(ekil.20)
x2
7

(1.695,1.914)
(2,1)
x1

1
ekil.20

48

3.3.5. Konveks Olmayan Programlama :

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

problemlerin Gradient Metodla zlebilmesidir (7).

SUMT algoritmasnda ok genel haliyle bir Gradient metoddur. Burada ama fonksiyonunun
konkav ve her bir kst fonksiyonun konveks olduu varsaylmtr. Bu algoritma temelde
kstl problemi kendi iinde kstsz bir probleme dntrr. Bu haliyle ilem Lagrange
arpanlar metodunu andrmaktadr.

n
n
1
1
................(*)
Bylece;P(x,r)=f(x)+r

i =1 b g ( x ) j=1 x
i
j
i

eklindeki ifade edilen problemimizi gznne alrsak , buproblemin steepest ascent

(en dik k) metoduyla zebiliriz.
Burada bi- gi(x) konveks iken;

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)

fonksiyonuna yaklaacaktr. yle ki P(x)nin uygun yerel maksimumu orijinal problemin

yerel maksimumuna yaknsayacaktr. Bu nedenle sadece kstsz optimizasyon problemini
zmek gerekir.
Orijinal problem konveks programlamann artlarn saladnda bize yardmc olacaak bir
bilgi verir . Eer, x ,P(x,r)nin bir mutlak maksimumu ise;
f( x ) f ( x*) f( x ) + rB(x ) dir

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

alalm ve k = 1 atayalm. Kesin pozitif r skalerini ve sabitini seelim.

[Genellikle r = 1, = 0.01 olarak alnr].
Ardk Admlar :
n

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

problemin tahmini yerel ekstremumu olarak kullanlmas ile son bulur .

Aksi halde k = k + 1 ve rk = . rk-1 alnarak ardk adma geri dnlr.
Bu algoritma konveks programlamann artlar salanana dek balang tahmini uygun
zmlerle balanarak tekrarlanr. Yerel deerlerin en iyisi ekstremum olarak kullanlr.
Sonu olarak Ardk Kstsz Minimizasyon (maksiminizasyon) Teknii eitlik kstlarna
sahip [gi(x) = bi] problemler iinde kolayca geniletilebilir. Her eitlik kst;
2

[b g ( x )]
r
i
i
yerine
b g (x )
r
i

alnarak

SUMT algoritmas ayn ekilde tekrarlanr. SUMT algoritmasnn nasl altn

grmek iin aadaki rnei verelim.

rnek: Ardk Kstsz Minimizasyon Teknii(SUMT)

Alt Kstlardaki Deikenlerin Says

: 2

Alt Snr Kstsz deikenlerin Says

: 0

Eitsizlik Kstlarn Says

: 1

Eitlik Kstlarn Says

: 0

P(x,r)=f(x)

r
r
r

B (x) L (x) L (x)

1

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

3.4.1. Seilen Dorusal Olmayan Programlama Tekniklerinin Karlatrmal Genel

Yorumu

Bu almamzda setiimiz Dorusal Olmayan Programlama Tekniklerini tek-ok deikenli,

kstl-kstsz, direkt-indirekt olmak zere ana balk altnda tasnif edebiliriz. Buna gre
Newton-Raphson Metodu tek deikenli , indirekt(trev kullanan), kstsz bir ardk ilem
metodudur.
Nelder - Mead Medodu ise ok deikenli kstsz ve direkt (trev kullanmayan) bir arama
metodudur. Gradient metodu ise adndan da anlalaca gibi ok deikenli ,kstsz ve
indirekt bir arama metodudur. Frank-Wolfe Algoritmas ise ok deikenli , dorusal kstl ve
indirekt bir Gradient arama ilemidir. SUMT Algoritmas ise ok deikenli, dorusal ve
dorusal olmayan eitlik ve eitsizlik kstl ve indirekt olan bir Gradient arama ilemidir.
Bu tasnife gre karlatrmal yorumu kstl metodlar kendi aralarnda , kstsz metodlar
kendi aralarnda olmak zere ayralm.
Newton-Raphson Metodu y = f(x) tek deikenli fonksiyonunun sfrlarn bulan metodlarnn
arasnda gerek kke en hzl yaknsayan bir ardak arama ilemidir. Bu nedenle almada
tek deikenli fonksiyonlar temsilen seilmitir.
Nelder - Mead Medodu ile Gradient Metodu

ok deikenli kstsz fonksiyonlarn

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 ke noktalarda maksimum problem iin en byk, minimum problem iin en kk

fonksiyon deerine sahip noktaya Best Vertex (En iyi ke nokta ), sonraki en iyi noktaya
Good Vertex ( Sonraki en iyi ke nokta ) ve maksimum problemlerde en kk, minimum
problemlerde en byk fonksiyon deerine sahip noktaya da Worst Vertex (En kt ke
nokta ) denir. Bu ilem her iterasyonda tekrarlanarak iki boyutlu problmlerde genlerin bir
dizisi ile optimum zme yaklalr. B, G ve W ile isimlendirdiimiz genin bu ke
noktalar birbirlerine eit iken bir noktay gsterirler ki ite bu nokta aranlan optimumu
noktadr. Bu nedenle balang vektrlerinin iyi seimi ile bu metod Gradient Metodundan
daha etkili bir arama ilemi haline gelir.
Buna gre, Gradient Algoritmas her iterasyonda ksmi trevlerin hesab gerektiinden
Nelder - Mead Metoduna gre daha ok ilem sresine sahip bir arama ilemidir. Gradient
arama ileminde adm uzunluklar arasndaki fark yaknsakln durumu gstermesi asndan
nemli iken Nelder - Mead Metodunda bu lt her iterasyondaki genin bir ncekine gre
daha klmesi yani B, G ve W noktalarnn birbirine yaklamas ile belirlenebilir.
imdi de Frank-Wolfe ve SUMT Algoritmalarnn kendi aralarnda karlatrmal
yorumlarn yapalm.

Bu iki algoritmada

kstl ok deikenli fonksiyonlarn

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

zme doru iki farkl ynden

yaklamasdr. Bu nedenle Frank-Wolfe Algoritmasnda optimum zme yaknsama SUMT

Algoritmasna gre daha yava bir yaknsamadr.
SUMT Algoritmasnn en genel karekteristii ise ceza fonksiyonlarn kullanarak kstl
optimizasyon problemlerini kstsz optimizasyon problemlerinin bir dizisi ile zmesidir. Bu
nedenle SUMT Algoritmas uygun blge iinde seilen bir balang aikar zm ile
optimum zme ok hzl bir ekilde yaknsayan ve r = 0.000000001 deeri iin;
P(x,r) = f(x) rB(x) fonksiyonunun ama deerini bulan bir gradient arama ilemidir.
Bu zellikleri ile SUMT Algoritmas gerek dorusal kstl gerekse dorusal olmayan kstl
fonksiyonlarn optimizasyonunda ok etkili bir algoritmadr.

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

dereceden iki terimli denir. ax + b >0, ax+b<0, ax + b 0 ve ax + b 0 eklindeki ifadelere

birinci dereceden bir bilinmeyenli eitsizlikler ad verilir.
ax+b=0 ifadesine birinci dereceden denklem, x = -

b
saysna da denklemin kk denir.
a

ax + b >0,ax+b<0, ax + b 0 ve ax + b 0 eitsizliklerini ise sonsuz say gereklediinden

bunlarn zm kmesini bulma ileminde denklemden yararlanlarak nce kk bulunur.

Daha sonra iaret kural aadaki tabloda olduu gibi dzenlenerek zm kmesi bulunur.
f(x)=ax+b iki terimlisinin iaret kural aadaki tabloda verilmitir.
x
f(x) = ax + b

a'nn iaretinin tersi 0 a'nn iaretinin ayn

rnek:f(x)= -2x+8 fonksiyonunun iaret tablosunu hazrlayarak 2x+8 0 eitsizliinin

zm kmesini bulunuz.
zm:

f(x)=-2x+8 fonksiyonun nce kkn bulalm. 2x+8=0 x = 4 ve a=4 dr.

x
-2x+8

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

4.2. kinci Dereceden Bir Bilinmeyenli Eitsizlikler

a, b, c R, a 0 ve xR olmak zere; f(x)=ax2+bx+c ifadesine ikinci derece fonksiyonu ve

ikinci dereceden terimli denir.a x 2 + bx + c > 0, a x 2 + bx + c 0, a x 2 + bx + c < 0 ve
a x 2 + bx + c 0 eklindeki ifadelere ikinci dereceden bir bilinmeyenli eitsizlikler denir.
f(x)=ax2+bx+c terimlisinin iaret kural aadaki tablolarda gsterildii gibi bulunur.
ax2+bx+c=0 denkleminde;
I) > 0 ise denkleminin birbirinden farkl iki kk vardr.Bunlar x1, x2 olsun.
x1

x
2

x2

a'nn iaretinin ayn 0 a'nn iaretinin tersi 0 a'nn iaretinin ayn

ax +bx+c

II) = 0 ise denkleminin eit iki kk vardr. x1 = x 2 =

x

b
2a

x1 = x 2

a'nn iaretinin ayn 0 a'nn iaretinin ayn

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

a'nn iareti ile ayn

ax2+bx+c

< 0 ve a>0 f(x)>0

> 0 ve a<0
rnek:

f(x)<0 dr.

a) x2+3x-10<0

b)9x2+12x+4>0

c)x2-2x<-8 eitsizliklerinin zm

kmelerini bulunuz.
zm:

a)

x2+3x-10<0 eitsizliinin zm kmesini bulurken nce eitsizlii

denkleme evrilir.Daha sonra kkler bulunarak iaret tablosu hazrlanr.

= 49 > 0 , farkl iki gerek kk vardr.
x2+3x-10=0 denkleminin kkleri (x+5)(x-2)=0 ise x=-5, x=2 dir.
x
2

x +3x-10

-5

= {x 5 < x < 2, x R } = (-5,2)

56

b)

9x2+12x+4>0 , ada yaplan ilemler izlenerek kkleri aratrlr. =0, birbirine eit iki

kk vardr.9x2+12x+4=0 denkleminde =0 olduundan birbirine eit iki kk vardr ve

denklemin kkleri x1 = x 2 =

b
2
= tr.
2a
3
2

x
2

9x +12x+4

=Rdir.
c) x2-2x<-8

x 2 2 x + 8 < 0 ekline getirdikten sonra ada yaplan ilemler tekrarlanarak

kkleri aratrlr. x 2 2 x + 8 = 0 denkleminde < 0 olduundan gerek kk yoktur.

++++++++

x2-2x+8

= dir.
4.3. Eitsizlikler ve grafikleri

a.x+b.y+c 0, a.x+b.y+c 0 , a.x+b.y+c > 0 ve a.x+b.y+c < 0 eklindeki eitsizliklere

1.dereceden iki bilinmeyenli eitsizlikler denir.Bu eitsizliklerin grafiini izmek iin ilk
olarak;

a.x+b.y+c =0 denkleminden;
a
c
y= x
b
b

(a,b,cIR b0)

ekline getirilerek fonksiyonun grafii izilir.Burada

a
c
= m, = n dersek;
b
b

y=mx+n.........(1) elde edilir.Bu fonksiyonun grafii bir doru olup, bu dorunun grafiini

izmek iin iki nokta bulmak yeterli olacaktr.Buradan;y=mx+n iin;

x

n
m
0

alnarak, y=mx+n ile ymx+n ve ymx+n grafikleri aadaki gibi izilir.

57

y=mx+n

y=mx+n
y mx + n

n
y mx + n

-n/m

-n/m

.
ekil.21 y==mx+n grafii

ekil.22 ymx+n ve ymx+n grafikleri

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

ekil.23 ax+by<0 ve ax+by+c>0 grafikleri

4.4. Eitsizlik sistemlerinin grafik gsterimi:

Eer birden fazla eitsizliin bir araya gelmesiyle oluan bir sisteme sahipsek, bu sisteme
eitsizlik sistemi denir.Bu sistemin zmne ait grafii bulmak iin ayr ayr her bir
eitsizliin grafii ayn koordinat dzleminde izilir ve bu grafiklerin ayn anda saland
blge (zm blgesi) bulunur.Bunu aadaki gibi basit bir rnek ile gsterebiliriz.

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

eitsizlik sisteminin grafik zmn bulunuz.

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

4.5. Lineer Programlama Grafik zm

4.5.1. Genel Bilgi:

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 ,

ama minimum ise gi(x) bi

4.5.2. Lineer Programlama lem Basamaklar
1)
i-) Bilinmeyenler belirlenir ve buna gre deikenler tanmlanr.
ii-) Kstlar lineer eitsizliklere evrilir.
iii-) Ama fonksiyonu oluturulur.
2) Uygun blgenin grafii izilir.
i-) Eitsizlikler standart forma evrilir.
ii-) Her bir eitsizliin grafii izilir.
iii-) Her eitsizliin ayn anda saland uygun blge bulunur.
3) Uygun blgenin ke noktalar bulunur.
4) Bu ke noktalarda ama fonksiyonu belirtilir. En iyi amaca ulalan nokta
Optimal zm Noktasdr.

60

4.5.3. Lineer Programlama Problem rnekleri

Problem: Aadaki tabloda pirin ve soya fasulyesinde birim bardakta bulunan kalori,

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

x = gnde retilecek bardak cinsinden pirin miktar.

y = gnde retilecek bardak cinsinden soya miktar.

Modeli kurarsak;
Kstlar

Minz=21x+14y

x
y

x
y

x
y

0
3

15x + 22.5y

90

A (0,6)

810x + 270 y 1620

1
1
x + y 1
9
3
x0 ; y0

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

B iin ; 810 x + 270 y = 1620

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

Yorum : Gnde 6/7 bardak pirin ve

24/7 bardak soya retirsek 66 T.L.na
malolur ve optimum zmdr

x=3 ; y=2

61

Problem: Aadaki tabloda verilenlere gre iletmenin maksimum kar elde edebilmesi iin

gnde ka tane hangi tip bak retilmelidir.

( A tipi bak ) x

( B tipi bak )

Mevcut Kapasiteler

gc

90

elik

20

35

700

Odun

120

Kar

zm:

x = Gnde retilecek A tipi bak says.

y = Gnde retilecek B tipi bak says.
Model :

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

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)

B ( 21, 8 ) noktas iin ;

20x+35y=700

z = 2 . 21 + 5 . 8 = 82

-10/ 2x+6y=90

C ( 26.25, 5 ) noktas iin ;

x=21 ve y=8

z = 2 . (26.5) + 5 . 5 = 77.5

C noktas iin ;

Optimum zm B ( 21, 8 )dir.

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= Gnde retilecek Pamuk plii miktar.

y= Gnde retilecek Flo plii miktar.
Model 1 .
Min z=20x+30y
Kstlar
x
y

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

B iin z=20.2+30.3=130 , C iin z=20.4+30.1=110 Optimum zm.

63

Problem:

(A Tipi)

(B Tipi)

Mevcut

gre iletmenin maksimum kar

Kapasiteler

elde edebilmesi iin gnde 1.Atlye

340

hangi tip malzemeden ne kadar 2.Atlye

380

retmesi gerekir.

3.Atlye

330

Kar

80

120

Yandaki

tabloda

verilenlere

zm:

x = A tipi malzemeden gnde retilecek miktar.

y = B tipi malzemeden gnde retilecek miktar.
Model :

Maksimum z = 80x + 120y

Kstlar

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

O halde B(20.80) noktas optimum zm noktasdr.

x+4y=340

x=20 , y=80 x=40 , y=65

64

Problem: Bir iletmede radyo ve TV retilmektedir .Bu retim tasarm montaj ve test

atlyelerinde gerekletirilmektedir. Birim radyo retimi iin bu atlyede srasyla

6saat,4saat,3saat i gc, gerekli iken birim TV retimi iin bu atlyede srasyla 3saat,4saat,
ve saat i gc gerekmektedir .Atlyelerin gnlk maksimum kullanm sreleri srasyla
90,72 ve 96 saattir.Birim karlar srasyla 10 ve 20 dolardr.Buna gre iletmenin maksimum
kar elde edebilmesi iin gnde ka tane radyo ve TV retilmesi gerekir.
zm:

x: gnde retilecek radyo says

y:gnde retilecek TV says
x

Mevcut kapasite

Tasarm

90

Montaj

72

Test

96

Kar

10

20

Maksimum z = 10x + 20y

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

C (4,14) ise z =10.4 + 20.14 = 320

y = 14
ise

x = 12

D (12,6) ise z =10.12 +20.6 = 240

y= 6

letme gnde 4 tane radyo , 14 tane TV retmesi gerekir.

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:

u : gnde retilecek pamuk iplii miktar

v: gnde retilecek flo iplii miktar
u

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

z = 5.5,6 + 6.2,4 = 42,4

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

4.6.Simpleks yntemiyle Lineer Programlama Problemi zm

Bu yntemi aadaki rnek problem zerinde inceleyelim.

Maxz=80x+70y
Kstlar
6x+3y 96
x+y 18
2x+6y 72
x 0, y 0
Adm 1: Aylak deikenler girilir ve lineer denklem sistemine gre deikenler kurulur
Adm 2: Buna gre bunun iin balang simpleks tablosu oluturulur
Adm 3: Ama fonksiyonun satrnda en byk negatif deerli saynn olduu stundaki pivot

eleman belirlenir Bu eleman en sa stundaki katsaylar sabitler pivotlar stundaki kat

saylara blnerek en kk orana sahip deiken temele girer br temelden kar(temel
zm)
Adm 4:Yukarda ki admlar ama fonksiyonu satrnda negatif eleman kalmayncaya kadar

tekrarlanr.
Maxz=80x+70y

ama fonksiyonu M-80x-70y=0 ekline evrilir.

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

Boyal stun ama fonksiyonu stunudur.

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

en kk eleman olduundan bunu

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

D3 ilemleri yaplarak yeni bir matris oluturulur.

-80D1+D4

D4

Ama x stununu , u stununa dntrp xi temele almaktr.

x

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

O halde; x=14 , y= 4 ,w =20 , m=1400 zmdr yani;maksimumz=80.14+70.4=1400dr.

4.6.1.Marjinal Analiz
x

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)

u tasarm , v montaj , w test atelyesi olsunlar.

giri

kstlama

8+h(-1/9)

h 72

14+h(2/9)

h 63 -63 h 72

40+h(-5/9)

h 72

rnek.4.8: minz =375-2x-3y

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

kinci tabloda 2yi yok etmeye alacaz.Karlkl elemanlar oranlyoruz

15/1 ; 15/-1 ; 30/1

en kk oran alyoruz.

71

30

-1

10

-1

20

25

-260

Min 375-2x-3y ise 2x+3y-375=M x=20 , y=25 ise 2.20+3.25-375=-260 TL

Negatif kmasnn sebebi minimum problemi olmasdr.
4.7.DUALTE

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

M=-4u+9v ise 4u-9v+M=0

u

-3

18

D1

20

D2

-8

D3

-9

Ama
fonksiyonundaki
en kk say,D4

18/6 ,20/0 ,2/-8 , buradan 18/6 seilir.6 pivot elemandr

73

-1/2

1/6

D1

20

D2

-2

4/3

26

D3

-1/2

3/2

27

D4

2D2+D3(1/2)D2+D1 (1/2)D2+D4ilemleri gerekletirilir.

3
20 26
, ,
, buradan 20/5 seilir.5 pivot elemandr.
1/ 2 5 2
u

4/3

1/5

2/3

34

3/2 1/10

29

1/6 1/10

v=5 , u =4 olduundan maxz = -4.4 + 9.5 =29dr optimum zm salanmtr.

M=18x+20y+2z , x=3/2 , y= 1/10 , z=0 ise M=18.3/2+20.1/10+2.0=29
rnek.4.9:

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 :

minz= 2x-3y+6z (standart forma evirelim)

kstlar
-3x+4y+6z 2
2x+y+2z 11
-x-3y+2z 5

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

6/2=3 ,-3/1=-3 ,2/2=1

(en kk oran

alnr)pivot eleman ikinci satrn tm

elemanlarn 2ye blelim satr ilemleri
ile pivot elemann bulunduu stundaki
elemanlar 0 yapalm son satrdan(ama

satrnda) negatif eleman kalmayana kadar bu ilemlere devam edelim.

u

-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

u=4/9 , v=5/3 , w=0-2u+11v-5w=-2 4/9 +11.5/3-5.0=157/9

x=35/9 ,y=0 , z=29/182x-3y+6z=2.35/9-3.0+6.29/18=157/9
ilk atlyede 3 saatlik bir art yaplrsa kar ne olur?
5/3+3(1/3)=8/3-14/9+3(-1/9)=-17/94/9+3(-1/9)=1/9157/9+3(35/9)=262/9

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

5.2.rneklerle Ulatrma Problemlerinin incelenmesi:

Problem.5.1: Bir iletmeden aadaki veriler alnmtr

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

Bu tablo iki merkez arasndaki birim tama

maliyetidir .retim yerlerinden tketim yerlerine

F1

10

gnderilecek

F2

maliyetinin

F3

12

mallar
en

ileminin

az

olmas

zm.5.1: Ulatrma tablosunun dzenlenmesi

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

Kuzey-bat kesi yntemi :Hantal bir zm yntemidir,daha iyisi vardr.

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

Arz=Talep olmas iin D4 ekledik

Zmin=200.10+7.50+8.200+8.150+12.20
0+0.50

400

Zmin=7550 TL.
m+n-1=6(m=4,n=3)

250
850
850

En kk maliyetli hcreler yntemi:

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

(sunum) kiralayan merkezler arasndaki birim

F1

45

17

21

30

15

tama

maliyetleri

F2

14

18

19

31

13

verilmitir.Buna

Talep

gre

tabloda
arabalarn

datm programlarn ve toplam en

kk

(istem)

tama

maliyetini

yntemine gre dzenleyiniz.

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

Minz= 0x3+14x9+17x6+3x21+19x4+30x6=547 TL.dr .

6.BLM
6.Atama Problemleri
6.1 Atama Problemlerine Giri:

Atama problemleri en ok iilerin ilere ve ilerin makinalara programlandrlmasnda

kullanlr.Atama modeli kaynaklarn en etkin kullanmn amaladndan ilerin min.
Zamanda veya min. maliyette gereklemesi istenir .Atama problemleri ulatrma
problemlerine dntrlebilir. Burada tm arz ve talepler toplam 1e eit olmaktadr.
6.2.Atama Problemlerinin zm admlar:
Adm-1 ) Maliyet matrisinin her srasnda yer alan en kk deerli eleman belirlenir,

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

eleman bulunur, sonra bu elemanlar ilgili olduu stundaki tm elemanlardan karlr.

Adm-3 ) Elde edilen yeni matristeki 0 deerli elemanlara kaynkalar veya iiler

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

Adm-4 ) Matriste yer alan tm 0 deerli elemanlardan geen en az sayda izgiler

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:

Opimal zm = 1.ii 3.ie,2.ii 4.ie,3.ii 1.ie, 4.ii 2. ie atanr minz=10+7+8+4=29.

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:

Gezgin satc problemi iin drt admda ilem yaplr Bunlar ;

1.-Adm ) Verilen problemin maliyet matrisinde bo hcreler varsa bu hcrelere en

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

eleman iaretlenir ve sonra henz tamamlanmam gezi plannda karlk olduu

halkaya deneme ynnde eklenir. Sonulanan gezi uygun deilse iaretlenen maliyet
daire iine alnarak Adm IV e geilir.
4.Adm ) Eer sonulanan gezi plan uygun deilse en son halka plandan kartlr ve

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

7.3. Gezgin Satc Problemlerinin rneklerle ncelenmesi:

Problem:

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

2000 35 80 105 165

35 2000 45 20 80

80

105 20 30 2000 60

165 80 75 60 2000

45 2000 30 75

Yukardaki tabloda en kk deer c24 veya c42dir. c24 elemann setiimizi

dnelim ve iaretleyerek bunu, gezi plannn bir halkas yani 2 4 olarak kabul edelim.
Sonra c24 elemannn dnda kalan ikinci sra ve drdnc stundaki elemanlar ile ayn
deerdeki elemanlarn yerine byk deerli say 2000 yerletirilir ve aadaki tablo elde
edilir.

83

A 2000 35

80

2000 165

2000 2000 2000 20

80

45

E
2000

2000 2000 75

D 105 20

30

2000 60

165 80

75

2000 2000

Yukardaki tabloda iaretlenmemi en kk eleman c43 = 30dur. imdiki gezi

planna 4-3 halkasn da ekleyerek, uygun olmayan ve hala tamamlanmam 2-4 ve 4-3 gezi
plan elde edilir. Ayrca c43 eleman iaretlenerek ilgili olduu satr ve stundaki dier
elemanlar ile dnm eleman c34 yerine 2000 eleman konularak aadaki tablo elde edilir.
A

A 2000 35

2000 2000 165

B 2000 2000 2000 20

C 80

45

2000 2000 75

D 2000 2000 30
E 165

2000

80

2000 2000

2000 2000 2000

Yukardaki tabloda iaretlenmeyen c12 =35tir. Tamamlanmam imdiki gezi planna

1-2 halkas ilave edilerek 1-2,2-4,4-3 gezi plan elde edilir. c12 eleman iaretlenir, birinci
sradaki dier elemanlar ile ikinci studaki tm dier elemanlar ve dnm eleman c21 nin
yerine byk deerli say 2000 konulur. Bu ilemin sonular aadaki tabloda
grnmektedir.
A

A 2000 35

2000 2000 2000

B 2000 2000 2000 20

C 80

E
2000

2000 2000 2000 75

D 2000 2000 30

2000 2000

E 165 2000 2000 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.

A 2000 35 2000 2000 2000

A 2000 35 2000 2000 2000

B 2000 2000 2000 20

B 2000 2000 2000 20 2000

2000

C 2000 2000 2000 2000 75

C 2000 2000 20002000 75

D 2000 30 2000 2000 2000

D 2000 30

E 165 2000 2000 2000 2000

E 165 2000 2000 2000 2000

2000 2000 2000

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

kullanlr.(yatrm:inventory,ebeke:network ,kaynak tahsisi:resource allocation)

8.2.Dinamik Programlann rneklerle ncelenmesi:
rnek: Bir masada 30 kibrit ve iki oyuncu vardr ncelikle ilk oyuncu 1,2 veya 3 kibrit

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

zm: Problem sondan balanarak zlr

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

birletiren en ksa veya en uzun yolu bulmaya dayanr

Joe NYta yayor fakat arabayla LAya gitmeyi planlyor .joenin imkanlar snrldr ve her
geceyi seyahatlerde geirmek istiyor joenin arkadalarnn bulunduu ehirler ve aralarnda
ki mesafeler aada ki tabloda verilmitir . buna gre joe en az mil giderek LAya
ular.
zm:
680

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

(Burada, fn(a) eklindeki ifadelerde n aama(stage) saysdr.)

Sonu: 1-2-5-8-10=2870 kmdr
rnek: Bir irket gelecek 4 ayda rn iin olan talebin u ekilde olacan bilmektedir.

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

olacak maliyeti karlayabilmek in bir retim program belirlemek istemektedir .Bu

programa gre ilk ayn balangcnda 0 birim olduu varsaylmaktadr Btn istekler her ayn
retim k pozitif olacak ekilde snrlandrlacak ve zamannda karlanacaktr.
zm:4.ay rnleri + 3 aydan gelen stoklar = 4 ay talebi

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

4-0 birim=c(4)=3+4=7$ ve x4(0)=4-0=4

f4(1)= //

4-1 birim=c(3)=3+3=6$ ve x4(1)=4-1=3

f4(2)= //

4-2 birim=c(2)=3+2=5$ ve x4(2)=4-2=2

f4(3)= //

4-3 birim=c(1)=3+1=4$ ve x4(3)=4-3=1

f4(4)= //

4-4 birim=c(0)=0

ve x4(4)=4-4=0

f3(i)yi belirleyeceiz , i=0,1,2,3,4(aamalar aylardr)

f3(i)=min[1/2(+x-2)+c(x)+f4(i+x-2)](4 i + x 2 0 )
f3(0)12,f3(1)=10,f3(2)=7,x3(0)=2 ,x3(1)=5,x3(2)=0
f3(3)=13/2,f3(4)=6,x3(3)=0,x3(4)=0
rnek:Ekipman (Equipment) Yenileme Problemi

1.yl

2.yl

3.yl

4.yl

5.yl

0.zaman 1.zaman 2.zaman 3.zaman 4.zaman 5.zaman

g(t) =tden 5e kadar
ctx=t zamanda satn alnan bir makinenn net maliyetini x zamana kadar iletme olarak
tanmlyoruz
ctx=1000$ +mt+...+mt-1-St-1
G(t)=mil {ctx+g(x)}(t=0,1,2,3,4)
Bir oto tamir dkkan mutlaka bi r makine analizine ihtiya duyar. Yeni bir makine analizi
1000$dr. Bir makine analizinin 1,2 veya 3 yl elde tutulabiliyor. Birinci elde tutma maliyeti
m1i = 60 $, ikinci yl elde tutma maliyeti m2i=80$,nc yl elde tutma maliyeti
m3i=120$dr. X yl sonra makine bir yenisi ile deitirilebilir. Bu x yandaki makineyi
deitirebilmemizde birinci yl s1i=800$,ikinci yl s2i=600$,nc yl s3i=500$ kurtarma
maliyeti elde ediliyor. Bu dkkan yeni bir makine almak zorunda olduu zaman 5 yl boyunca
bu maliyeti en aza indirmek iin ne yapmaldr.
zm:

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

problemlerinin zmlerini yapan programmz bir java uygulamasdr. Bu sebepten browser

zerinden herhangi baka bir internet ayar yapmadan kullanlabilir.
Program temel olarak simpleks problemlerini simpleks yntem kullanarak ya da dual
yntem kullanarak zebilmektedir.
Program internet uygulamas olabilmesi iin Applet eklinde hazrlanmtr. Ayrntl
bilgi iin http://vinci.inesc.pt/lp/ adresine bakabilirsiniz.
Programn ileyii asndan yazm kurallar mevcuttur. Bunlar ksaca:
Problem minimum ya da maksimum problemi oluuna gre min ya da max yazlr. Bu
yaznn ardndan : iareti koymak gerekiyor. lk yazlacak deer de maksimum ya da
minimum deerlerden hangisinin hesaplanacan gsteren bu deer olacaktr.
Verilecek deiken isimleri istenilen ekilde seilebilir. Sonular verdiiniz deiken
adlaryla ekrana getirilecektir.
Yazlan her eitsizlikten sonra : iareti kullanmak zorundasnz.
Bu yazm kurallarna dikkat ederek program kodladnzda sol ortada bulunan solve
butonuna bastnzda sonular bir altta bulunan kutucukta gsterilir.

89

Seme sekmelerinden somefeedback sekmesini seerseniz ilemlerin sadece baz admlar

ve sonu ekrana getirilir. Only solution sekmesi seilirse sadece problemin sonucu ekrana
verilir. All steps sekmesini seerseniz ilemlerin tm admlarn ekrana listeler. Clear
butonuna tkladnzda da zm ekranndaki sonular silinir.
9.2 Atama Problemleri

Atama problmelerinin zmlerini yapan uygulama proje grubu tarafndan Delphide

gelitirilmi Active X teknolojisi kullanlarak internet ortamna aktarlm bir yazlmdr.
Bu yazlmzdan biz de basit bir yazm kural kullandk. Temelde makinalar ve onlara
atanacak iiler olmak zere bir matris oluturulmutur. Bu ilk matristir ve makinalar stte
iiler solda olacak ekilde elemeye denk gelen deerler ilk matrise yazlr.
Kullandmz yazm kural udur:
Her bir satr stun kesiimindeki deeri yazdktan sonra ; isareti koymanz gerekmektedir
Bu deerler yazldktan sonra ile butonuna baslr. Atama problmelerinin zm
blmnde anlatld gibi ilk nce yatayda en kk deer ya da seilen sekmeye gre en
byk deer bulunur. Daha sonra satrlar baznda ilemler yaplr. yatay ilemler matris
bunu gsterir.Daha sonra ayn ilemler dikey iin de yaplr. dikey ilemler matrisine o
deerler ilenir. Eer uygun zm yoksa Atama problemlerinde bahsi geen Adm-4
ilemleri gerekletirilir. Ardndan eer uygun zm varsa bu uygun zm matrisi bir
sonraki zm matrisine yerletirilir. Son blmde ise metinsel olarak verilen problemin
zmnn ne anlama geldii Sonular belirtilir.
Maksimum ya da minimum problemlerinden istenilen yap bu program dahilinde
zlebilir. Ancak maksimum ya da minimum olma durumunu sa st kedeki seim
sekmelerinde belirtmek gerekmektedir.

90

KAYNAKLAR

1) Bunday,B.D.,Basic Optimization Methods, Edward Arnold Ltd, London, 1984.

2) Kahaner , D.,Moler, C., Nash, S.,Numerical

Methods and Software,

Prentice Hall,

Inc.Englewood Cliffs, NJ, 1989.

3)Himmelblau,D.M.,

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

20) Schmidt,J.W., Davis, R.P., Foundations of Analysis in Operations Research, Academic

Press,NY,1981.
21) Walsh, G.R., Methods of Optimazation, John Wiley & Sons, Inc. NY,1975.
22) Altnta.Y., Nmerik Analiz, .T.. Sakarya Mhendislik Fakltesi Matbaas, 3. Bask,
Adapazar, 1989.
23) Aoki,M., Introduction to Optimazation Techniques, Fundamentals and Applications of
Nonlinear Programming, The MacMillan Company, Inc.NY, 1971.
24) Lasdon, L.S., Optimazation Theory for Large System, MacMillan Publishing Com., Inc.
NY, 1970.
25) Beightler,C.S., Philips,D.T.,Widde, D.J., Foundations of Optimazation, Second Edition,
Prentice-Hall, Inc. Englewood Cliffs,NJ, 1979.
26) Humphreys, K.K., Jelens Cost and Optimazation Engineering, McGraw-Hill, Inc. 1991.
27) Zoutendijk, G., Nonlinear Programming, Prentice-Hall, Inc. NJ, 1969.
28) Martos, B., Nonlinear Programming, Theory and Methods, North Holland, Inc.
Amsterdam, 1975.
29) Fiacco, A.V., McCormick, G.P., Nonlinear Programming, Sequential Unconstrained
Minimization Techniques, John Wiley & Sons,Inc.NY, 1969.
30) Zangwill, W., Nonlinear Programming, Prentice-Hall, Inc. Englewood Cliffs,NJ, 1969.
31)Tekta,M. : M.. Fen Bilimleri Enstits, Matematik Blm (Yksek Lisans Tezi:
Uygulamalar ve Karlatrmal Yorumlar le Baz Dorusal Olmayan Programlama
Teknikleri)
32)Koer,M., Harekat aratrmasAnkara (1981)
33)Harvey,M.W., Principles of Operations Research,Prentice-Hall N.J.no:2
34)Sezginman,H.., Lineer Programlama (Teori ve Problemleri)STANBUL-(1986)
35)Hala,O., Kantitatif Karar Verme Teknikleri(Yneylem Aratrmas)no:3
STANBUL-(1991)
36) Bronson,R.,Naadmuthu,G., Operations Research,Second Editions, Mc Graw-Hill, Inc.
NY, 1998.
37)DOAN, ., Yneylem Aratrmas Teknikleri ve letme Uygulamalar, Bilim Teknik
Yaynevi, 1995, s.3.
.

92

EK.1.PROGRAM VE PROGRAM TANIMI

Dorusal Olmayan Programlama Tekniklerini incelediimizde bu almada Gradient,

Frank-Wolfe ve SUMT algoritmalarna ait uygulamalar Mathprog adl bir paket programla
yaplmtr. Bu uygulamalara ait yorumlarn daha iyi yaplmas asndan bu uygulamalara
baz ilaveler yaplmtr. Dier kalan Nelder - Mead Metod ve Newton-Raphson Metodlar
iin Pascal Programlama dilinde ayr ayr program yazlmtr.
a) NELDER MEAD METODU N PROGRAM

Bu programda ama fonksiyonu program ierisinden tanmlamaktr . Tanmlama FUNC

prosedr ierisinden yaplmaktadr.
Program altnda tanmlanan fonksiyon deiken says , iterasyon adedi , maksimumminimum seimi ve balang vektr elemanlar VEKTR prosedr yardmyla belirlenir.
RME prosedr yardm ile balang vektrleri fonksiyonda yerine konur ve kan
deerlerden BGW prosedr kullanlarak BEST (en iyi), GOOD (sonraki en iyi) ve WORST
(en kt)

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

Programn amac bir boyutlu problemlerin Newton-Raphson Metodu ile zmdr.

zm iin gerekli fonksiyon fx(p) tek deikenli fonksiyon parasnda, trevi ise fxt(p) tek
deikenli fonksiyon parasnda program ierisinde tanmlanmaldr.
BLG_AL prosedr yardm ile balang deeri , iterasyon says ve hata miktar
belirlenir.
TERASYON

isimli prosedr ile verilen iterasyon miktar kadar veya tanml

fonksiyondan kan deer , istenilen hassasiyetten daha kk kalncaya kadar iterasyon

ilemine devam edilir.
Sonular istendii taktirde yazc zerine alnp incelenebilir.
EREVE, ALT_ EREVE, ve YAZICI isimli program paralar , ekran tasarm
ve yazc ktlar iin kullanlmtr.

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

EK.2. Dorusal Olmayan Programlama Tekniklerinin Yorumsuz Ek Uygulamalar

1) Dorusal Olmayan Programlama

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)

32Xl + 50x2 - 10x22 + 1x23 - 1xx4 - 1x24

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,

2) K BOYUTLU PROBLEMLER N NELDER - MEAD METODU

Deiken Says

:2

terasyon Says

: 20

[1]. Min [2]. Max

: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)

3) K BOYUTLU PROBLEMLER N NELDER - MEAD METODU

Deiken Says

:2

terasyon Says

: 20

[1]. Min [2]. Max

: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)

(-2.0000, -2.0000) (-1.5000, -2.0000)

(-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)

4) K BOYUTLU PROBLEMLER N NELDER - MEAD METODU

Deiken Says

:2

terasyon Says

: 15

[1]. Min [2]. Max

: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

5) K BOYUTLU PROBLEMLER N NELDER - MEAD METODU

Deiken Says

:2

terasyon Says

: 16

[1]. Min [2]. Max

: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

6) K BOYUTLU PROBLEMLER N NELDER - MEAD METODU

Deiken Says

:2

terasyon Says

: 15

[1]. Min [2]. Max

: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

7) Dorusal Olmayan Programlama

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)

df/dx, = 4-4 x13

df/dx2 = 2-2x2
k

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)

Sonu zm: (0.8461, 0.6398)

8) Dorusal Olmayan Programlama

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).

1x31 + 1x12 + 4 x 23 8 x12 19 x1 x 2 6 x 22 9 x1 18 x 2

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)

Sonu zm: (3.9017, 2.0983)

9) Otomatik Bir-Boyutlu Arama lemi

Max f(x)

: -16x6 + 48x5 - 61x4 + 42x3 - 16.5x2 + 3.5x

Alt Snr

: -l

st Snr

: 4

Hata Tolerans : 0.08

Yaklak zm : x = 0.48438
f(x) = 0.3125
10) Otomatik Bir-Boyutlu Arama lemi

Min f(x)

: -16x6 + 48x5 - 61x4 + 42x3 - 16.5x2 + 3.5x

Alt Snr

: -l

st Snr

:4

Hata Tolerans: 0.08

Yaklak zm : x = 3.92188
f(x) = -25823
11) Ardk Kstsz Minimizasyon Teknii

Alt Snr Kstlardaki Deikenlerin Says

:2

Alt Snr Kstsz Deikenlerin Says

:0

Eitsizlik Kstlarn Says

:l

Eitlik Kstlarn Says

: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

Alt Snr Kstlardaki Deikenlerin Says 2

Alt Snr Kstsz Deikenlerin Says

Eitsizlik Kstlarn Says

Eitlik Kstlarn Says

P(x, r) = f(x) -

r
r
r
r

B1 ( x) B2 ( x) L1 ( x) L2 ( x)

Burada;
f(x)

=3x1x2 + 40x1 + 30x2 - 4x12 - x14 - 3x22 - x24

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

15) Dorusal Olmayan Programlama

Deiken says : 3
Kstlarn says: l
Min Z =

15.18x1 + 14.8x2 + 14.4x3

Kstlar
1x1 + 1x2 + 1x3 = 5
ve
x1 > 0 , x2 > 0 , x3 > 0 Frank - Wolfe Algoritmas Balang Aikar zm: (

l,

2,

2).

f(x) = 1x13 + 4x22 + 16x3

df/dx1 =

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)

0.28 (2.139, 1.431, 1.431) 1.394576

1.43, 13.7 11.4 22.9 ( 0, 5, 0)

1.69, 11.8 13.5 21.3 ( 5, 0, 0)
1.58, 14.2 12.7 19.9 ( 0, 5, 0)

0.07 (1.985, 1.687, 1.328) 0.316008

0.06 (2.172,1.583,1.245) 0.229508
0.05 (2.067, 1.748, 1.185) 0.204573

(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)

0.04 (2.196, 1.671, 1.133) 0.158978

0.04 (2.117, 1.79,1.092) 0.148603
0.03 ( 2.21,1.733,1.057) 0.114556

(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)

17 (2.25,1.85, 0.9) 15.2 14.8 14.4 ( 0, 0, 5)

Sonu zm: (2.2493, 1.8508, 0.8998).

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

(2.249, 1.851, 0.9)

0.000006

16) Dorusal Olmayan Programlama

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,

Sonu zm: (1.1545, 1.4996).

17) Etkileimli Gradient Arama Sistemi

Balang Aikar zm: (x1 , X2) = (

0,

0)

Max f(x1, x2) = 6x1 + 2x1x2 - 2x2-2 x12 1x 22

df/dx1 = 6 + 2x2 - 4x1
df/dx2 = 2x1-2-2x2
It. x'
1 (

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)

1.2) ( 1.2+ 0.4t, -0.4+ 1.2t)

-0.4) ( 1.6+ 1.2t,
0.8- 0.4 t)

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)

(1.84+ 0.08t, 0.724 0.24t)

(1.924 0.24t, 0.96- 0.05t)
(1.968+ 0.02t, 0.9444 0.05t)
(1.984+ 0.05t 0.092- 0.02t)

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]

Sonu zm: (x1 , x2) = (1.984, 0.992)

18) Etkileimli Gradient Arama Sistemi

Balang Aikar zm: (x1, x2) = ( 0, 0)

Max f(xj , x2)

2x1x2 + 8x2 - 12x1 - 2x12 - 1x22

df/dx1

2x2 - 12 - 4x1

df/dx2

2x1 + 8 2x2

It. x
1 (

grad f(x)
0,

0)

-12,

x' + t [grad f(x')]

8) (

0 -

12t,

0+

8t)

0.191 (-2.29, 1.529)

2 (-2.29, 1.529)

(0.235, 0.353) (-2.29+ 0.23t, 1.529+ 0.35t)

1.294 (-1.99, 1.986)

3 (-1.99, 1.986)

(-0.08, 0.057) (-1.99- O.OSt 1.986+ 0.06t)

0.162 ( -2, 1.995)

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) (

Sonu zm: (xl , x2) = ( -2, 1.999)

19) Etkileimli Gradient Arama Sistemi

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)

8.02t, -2.28+ 0.57t)

0.531, -2.03- 7.41t)
4.24t, -4.03+ 0.3t)
0.28t, -3.9- 3.92t)
2.241, -4.96+ 0.16t)
0.15t, -4.89- 2.07t)
1.18t, -5.45+ 0.09t)
0.05t, -5.41- 1.09t)
0.63, -5.71+ 0.05)

Sonu zm: (x1 , x2) = (-5.39, -5.71)

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)