BAB 5 INVERS DAN FUNGSI IMPLISIT 5.2 Teorema Fungsi Terbalik 5.2.1 (Teorema Fungsi Terbalik). Biarkan f : A → Rn (di mana A Ϲ Rn) menjadi pemetaan, biarkan a menjadi titik interior A, dan biarkan f terus terdiferensiasi pada beberapa Ɛ-bola tentang a.(Ini berarti yang pertama bahwa pemetaan turunan Dfx ada untuk setiap x dalam bola, dan yang kedua bahwa entri dari turunan matriks f'(x), yaitu, turunan parsial Djfi (x), adalah fungsi kontinyu dari x pada bola) Misalkan det f'(a) † 0. Kemudian ada bagian terbuka V Ϲ A yang berisi dan bagian terbuka W C Rn "berisi f(a) sedemikian rupa sehingga f: V → W memiliki pembalikan terdiferensialkan secara terus menerus f-1: W → V. Untuk setiap y - f (x) ← W, turunan dari inverse adalah turunan terbalik, D(f-1)y – (Dfx)-1 Perlu dicermati bahwa formula untuk turunan dari invers lokal, dan fakta bahwa turunan dari invers lokal adalah kontinu. Jika invers lokal f-1 dari f diketahui ada dan dapat terdiferensiasi, maka untuk setiap x ɛ V, fakta bahwa pemetaan identitas adalah turunannya sendiri menggabungkan dengan aturan rantai untuk mengatakan bahwa idn – D(idn)x – D(f-1 о f)n – D(f-1)y о Dfx dimana y – f(x) dan juga idn-Dfx, di mana waktu ini idn adalah pemetaan identitas pada ruang y. Rumus terakhir dalam teorema berikut. Dalam hal matriks, rumusnya adalah (f-1)’ (y) – f’(x)-1 dimana y - f(x). Rumus ini menggabungkan dengan Corollary 3.7.3 (entri dari matriks invers adalah fungsi kontinu dari entri matriks) untuk menunjukkan bahwa pemetaan terus terdiferensiasi dan invers lokal dapat terdiferensiasi, invers lokal terus terdiferensiasi. Jadi kita perlu menunjukkan hanya bahwa kebalikan lokal itu ada dan dapat terdiferensiasi. 5.3 Teorema Fungsi Implisit Pada materi-materi sebelumnya, penulisan variabel � dan � dalam nilai fungsi berada pada ruas yang berbeda atau dituliskan sebagai � = (�). Fungsi yang nilai fungsinya disajikan dalam ruas yang berbeda yaitu � = (�) disebut fungsi eksplisit. fungsinya tidak seperti itu disebut fungsiimplisit, sebagaicontoh , , . Untuk menentukan turunan dari � dari suatufungsi dan implisit dilakukan dengan melakukan proses penurunan pada kedua ruas dan gunakan teorema turunan yang sesuai. Perhatikan contoh berikut. Contoh 6. Tentukan persamaan garis singgung di titik (3,4) pada lingkaran dengan persamaan . Penyelesaian: Jelas . Tulis �: Gradien garis singgung. Jadi PGS di Gambar situasinya dapat dilihat pada Gambar2. Dengan menggunakan aturan turuan fungsi implisit dapat diperoleh teorema perumuman turunan dari sebagai berikut. 5.4 Lagrange Pengganda: Motivasi Geometris dan ContohSpesifik Seberapa dekat persimpangan dari bidang x + y + z = 1 dan x − y + 2z = −1 di R3datang ke titik asal? Pertanyaan ini adalah contoh dari masalah optimisasi lem dengan batasan.Tujuannya adalah untuk memaksimalkan atau meminimalkan beberapa fungsi, tetapi dengan hubungan yang dikenakan pada variabel-variabelnya.Setara dengan itu, the masalah adalah untuk mengoptimalkan beberapa fungsi yang domainnya adalah levelset. Solusi geometrik dari masalah sampel yang baru diberikan adalah bahwa pesawat berpotongan dalam garis melalui titik p = (0, 1, 0) dalam arah d = (1, 1, 1) × (1, −1, 2), sehingga rumus jarak point-to-line dari latihan 3.10. 11 jawaban pertanyaan.Metode ini mudah dan efisien. Metode solusi yang lebih umum melalui substitusi. Persamaan persamaan bidang yang menghambat adalah x + y = 1 - z dan x - y = −1 - 2z; menambahkan memberi x = −3z / 2, dan pengurangan memberikan y = 1 + z / 2. Untuk menyelesaikan masalah, minimalkan fungsi d2 (z) = (−3z / 2) 2 + (1 + z / 2) 2 + z2, di mana d2 menunjukkan jarak kuadrat dari asal. Meminimalkan d2 daripada menghindari akar kuadrat. Tidak semua masalah yang terbatas dengan mudah menghasilkan salah satu metode ini.Itu kondisi yang lebih tidak teratur, semakin kurang mereka berubah menjadi geometri, dan semakin banyak variabel yang kusut, semakin tidak mudah mereka menyuling. Hanya menambahkan lebih banyak variabel untuk masalah sebelumnya menghasilkan gangguan: Seberapa dekat hubungannya persimpangan dari pesawat v + w + x + y + z = 1 dan v - w + 2x− y + z = −1 di R5 datang ke asal? Sekarang tidak ada prosedur geometrik yang terletak dengan nyaman tangan. Adapun substitusi, aljabar linier menunjukkan itu Karena fungsi yang dihasilkan d2 (x, y, z) = (−3x / 2 - z)2+ (1 + x / 2 - y)2 + x2 + y2+ z2 adalah kuadrat, diferensiasi parsial dan aljabar linear akan ditemukan titik-titik kritisnya. Tetapi prosesnya semakinmembosankan. Mari kita mundur dari hal-hal spesifik (tetapi kita akan kembali ke yang saat ini belum terpecahkan contoh segera) dan mempertimbangkan secara umum sifat penting yang penting titik dalam masalah yang terbatas. Diskusi akan berlangsung dalam dua tahap: pertama kami mempertimbangkan domain masalah, dan kemudian kami menganggap yang kritis titik Domain masalah adalah titik-titik dalam n-space yang memenuhi satu himpunan c kendala. Untuk memenuhi kendala adalah dengan memenuhi syarat g (x) = 0c dimana g: A - → Rc adalah pemetaan C1, dengan A ⊂ Rn himpunan terbuka. Itu adalah himpunan dibatasi membentuk domain dalam masalah adalah tingkat yang ditetapkan L, persimpangan dari himpunan tingkat fungsi komponen gi dari g. (Lihat angka 5.15 dan 5.16.Gambar pertama menunjukkan dua himpunan tingkat individu untuk skalar bernilai fungsi pada R3, dan gambar kedua menunjukkannya bersama-sama dan kemudian ditampilkan persimpangan mereka, tingkat yang ditetapkan untuk pemetaan yang dihargai vektor.) Pada titik tertentu p ∈ L, himpunan L harus secara lokal ortogonal terhadap setiap gradien ∇ gi (p).(Lihat gambar 5.17 dan 5.18. Gambar pertama menunjukkan himpunan level untuk fungsi komponen dari pemetaan kendala, dan gradien dari fungsi komponen pada p, sedangkan angka kedua menunjukkan garis singgung dan bidang normal ke tingkat yang ditetapkan pada p. Pada gambar pertama, tidak ada gradien bersinggungan dengan permukaan lain, dan sebagainya pada gambar kedua dua gradien tersebut tidak normal satu sama lain.) Oleh karena itu: • L ortogonal pada p untuk setiap kombinasi linear darigradien, Gambar 5.15. Tingkat ditetapkan untuk dua fungsi bernilai skalar pada R3 Gambar 5.16. Perpotongan adalah tingkat yang ditetapkan untuk pemetaan bernilai vektor pada R3 Setara: • Setiap kombinasi linear gradien adalah ortogonal terhadap L pada p. Tapi kami ingin mengubah ide ini dan menegaskan sebaliknya,bahwa: • Setiap vektor yang ortogonal terhadap L pada p adalah kombinasilinear. Namun, sebaliknya tidak selalu mengikuti. Secara intuitif, argumennya adalah itu jika gradien ∇ g1 (p),. . . , ∇ gc (p) bebas linear (yaitu, mereka menunjuk dalam arah nonredundant) maka Teorema Fungsi Implisit harus mengatakan bahwa level himpunan L karena itu terlihat (n − c) -dimensi dekat p, sehingga ruang vektor ortogonal ke L pada p adalah c-dimensi, dan vektor semacam itu memang ada kombinasi linear dari gradien. Argumen intuitif ini bukan buktinya, tetapi untuk sekarang ini adalah heuristik yang baik. Gambar 5.17. Gradien ke tingkat himpunan di titik persimpangan Gambar 5.18. Garis singgung dan bidang normal ke persimpangan Melanjutkan ke tahap kedua dari diskusi, sekarang anggaplah bahwa p adalah titik kritis dari pembatasan untuk L dari beberapa fungsi C1 f: A → R. (Dengan demikian f memiliki domain yang sama A ⊂ Rn as g.) Kemudian untuk setiap vektor satuan d menggambarkan arah dalam L pada p, DFI derivatif arah (p) harus 0. Tetapi Ddf (p) = h∇ f (p), di, jadi ini berarti bahwa: • ∇ f (p) harus ortogonal terhadap L padahal. Pengamatan ini menggabungkan dengan deskripsi kita tentang vektor yang paling umum orthogonal ke L at p, di peluru ketiga di atas, untuk memberi kondisi Lagrange: Anggaplah bahwa p adalah titik kritis dari fungsi f terbatas pada level yang diatur L = {x: g (x) = 0c} dari g. Jika gradien ∇ gimp) secara linear independen, lalu dan karena p berada di level yang ditetapkan, juga g (p) = 0c. Mendekati masalah terbatas dengan menyiapkan kondisi ini dan kemudian bekerja dengan variabel baru λ1,. . . , λc terkadang lebih mudah dari yang lain metode. Λi adalah konstanta yang berguna tetapi tidak relevan. Diskusi ini telah menghasilkan kriteria pengali Lagrange untuk linier versi masalah yang dibatasi. Bagian selanjutnya akan menggunakan Teorema Fungsi Tersirat untuk menurunkan kriteria untuk yang sebenarnya dibatasi masalah, dan kemudian akan memberikan beberapa contoh umum. Sisa dari ini bagian didedikasikan untuk contoh spesifik, Kembali ke contoh kedua yang belum terselesaikan di awal bagian,fungsi yang dimaksud adalah f(v,w, x, y, z) = v2 + w2 + x2 + y2 + z2 g1(v,w, x, y, z) = v + w + x + y + z − 1 g2(v,w, x, y, z) = v − w + 2x − y + z + 1 dan kondisi dan batasan Lagrange yang sesuai adalah (setelah menyerap a 2 ke λ, yang nilai khususnya tidak relevan) (v, w, x, y, z) = λ1 (1, 1, 1, 1, 1) + λ2 (1, −1, 2, −1, 1) = (λ1 + λ2, λ1 - λ2, λ1 + 2λ2, λ1 - λ2, λ1 + λ2) v+w+x+y+z=1 v - w + 2x - y + z = −1. Ganti ekspresi dari kondisi Lagrange menjadi kendala untuk mendapatkan 5λ1 + 2λ2 = 1 dan 2λ1 + 8λ2 = −1. Itu adalah, = dan sebagainya, membalikkan matriks untuk memecahkan sistem, = = Perhatikan betapa lebih nyaman kedua λ untuk bekerja daripada lima variabel asli. Nilai-nilai mereka adalah tambahan untuk masalah asli, tetapi mengganti kembali sekarang memberikan titik terdekat ke asal, (v, w, x, y, z) = dan jaraknya dari asal adalah (3, 17, −4, 17,3), / 36. Contoh ini hanyalah satu contoh masalah umum menemukan titik terdekat ke asal dalam subjek Rn untuk c kendala affine. Kami akan menyelesaikan masalah umum di bagianselanjutnya. Contoh dari geometri adalah Euclid’s Least Area Problem. Diberikan sebuah sudut ABC dan titik P interior ke sudut seperti yang ditunjukkan pada gambar 5.19, garis apa melalui P memotong dari sudut segitiga daerah terkecil? Gambar 5.19. Pengaturan untuk Masalah Area Least Euclid Gambarkan garis L melalui P sejajar dengan AB dan biarkan D menjadi perpotongannya dengan AC. Biarkan menunjukkan jarak AD dan biarkan h melambangkan ketinggian dari AC ke P. Baik a dan h adalah konstanta. Diberikan setiap baris lain L ′ melalui P, biarkan x menunjukkan persimpangannya dengan AC dan H menunjukkan ketinggian dari AC ke perpotongan L ′ dengan AB. (Lihat gambar 5.20.) Segitiga berarsir dan subtriangle pada gambar serupa, memberikan relasi x / H = (x - a) /h. Masalahnya sekarang adalah meminimalkan fungsi f (x, H) = 1/2xH dikenakan kendala g (x, H) = 0 di mana g (x, H) = (x - a) H - xh = 0. Lagrange kondisi ∇ f (x, H) = λ∇ g (x, H) dan kendala g (x, H) = 0 menjadi, setelah menyerap 2 ke λ (H, x) = λ (H - h, x - a), (x - a) H = xh. Hubungan pertama dengan cepat menghasilkan (x - a) H = x (H - h). Menggabungkan ini dengan yang kedua menunjukkan bahwa H - h = h, yaitu, H = 2h. Solusi Euclid's masalah adalah, oleh karena itu, untuk mengambil segmen yang dibelah oleh P antara dua sisi dari sudut.(Lihat gambar5.21.) Contoh dari optik adalah Hukum Snell. Sebuah partikel bergerak melalui medium 1 pada kecepatan v, dan melalui medium 2 pada kecepatan w. Jika partikel itu berasal Gambar 5.20. Konstruksi untuk Masalah Area Minimal Euclid Gambar 5.21. Solusi Masalah Area Least Euclid titik A ke titik B seperti yang ditunjukkan dalam jumlah waktu yang paling mungkin, apa itu hubungan antara sudut α dan β? (Lihat gambar 5.22.) Karena waktu adalah jarak kecepatan, sedikit trigonometri menunjukkan bahwa ini masalah setara dengan meminimalkan f (α, β) = a dt α / v + b detik β / w subjek ke kendala g (α, β) = tan α + b tan β = d. (g mengukur jarak lateral bepergian.) Kondisi Lagrange ∇ f (α, β) = λ∇ g (α, β) adalah Oleh karena itu λ = sinα / v = sin β / w, memberikan hubungan terkenal Snell, = Gambar 5.22. Geometri Hukum Snell Untuk contoh geometri analitik, biarkan fungsi f mengukur kuadrat jarak antara titik x = (x1, x2) dan y = (y1, y2) di pesawat, f (x1, x2, y1, y2) = (x1 - y1)2 + (x2 - y2) 2. Perbaiki titik a = (a1, a2) dan b = (b1, b2) di pesawat, dan perbaiki bilangan positif r dan s. Menetapkan g1(x1, x2) = (x1 − a1)2 + (x2 − a2)2 − r2, g2(y1, y2) = (y1 − b1)2 + (y2 − b2)2 − s2 g(x1, x2, y1, y2) = (g1(x1, x2), g2(y1, y2)). Kemudian himpunan empat tuple (x1, x2, y1, y2) seperti itu g(x1, x2, y1, y2) = (0, 0) dapat dilihat sebagai himpunan pasangan titik x dan y yang terletak pada lingkaran berpusat pada a dan b dengan r jari-jari dan s. Dengan demikian, untuk mengoptimalkan fungsi f tunduk pada kendala g = 0 adalah untuk mengoptimalkan jarak antara pasangan menunjuk pada lingkaran. Deretan matriks 2-oleh-4 g′(x, y) = 2 bebas linear karena x 6 = a dan y 6 = b. Kondisi Lagrange berhasil (x1 − y1, x2 − y2, y1 − x1, y2 − x2) = λ1(x1 − a1, x2 − a2, 0, 0)− λ2(0, 0, y1 − b1, y2 − b2), Atau (x − y, y − x) = λ1(x − a, 02) − λ2(02, y − b). Paruh kedua dari vektor di sebelah kiri adalah inversi aditif pertama, jadi kondisi penulisan ulang sebagai x − y = λ1(x − a) = λ2(y − b). Jika λ1 = 0 atau λ2 = 0 maka x = y dan keduanya λi adalah 0. Jika tidak λ1 dan λ2 adalah bukan nol, memaksa x dan y menjadi titik-titik berbeda seperti itu x − y k x − a k y − b, dan jadi poin x, y, a, dan b adalah collinear. Memang, hasil ini sudah jelas geometris, tetapi menyenangkan untuk melihat mereka mengikuti begitu mudah dari Lagrange kondisi pengganda.Di sisi lain, tidak semua titik x dan y seperti x, y, a, dan b adalah collinear adalah solusi untuk masalah ini.Misalnya, jika keduanya lingkaran dibelah oleh sumbu x dan tidak ada lingkaran yang berada di dalam lingkaran lainnya x dan y bisa menjadi titik paling kiri dari lingkaran, baik yang paling dekat maupun yang tidak pasangan terjauh. Contoh terakhir dari bagian ini dimulai dengan memaksimalkan nilai geometrik dari n angka non-negatif, f(x1, . . . , xn) = (x1 · · · xn)1/n, setiap xi ≥ 0, tunduk pada kendala bahwa mean aritmatika mereka adalah 1, = 1, setiap xi ≥0. Himpunan seperti (x1,..., Xn) -vektor kompak, menjadi bagian tertutup dari [0, n]n. Karena f kontinyu pada domainnya [0, ∞) n, itu terus menerus pada yang dibatasi set, sehingga dibutuhkan nilai minimum dan maksimum pada himpunan yang dibatasi. Di setiap himpunan point yang dibatasi memiliki beberapa xi= 0, fungsi-nilai f = 0 adalah minimum. Semua poin dibatasi lainnya, memiliki masing-masing xi> 0, terletak di interior dari domain f. Hasilnya adalah kita dapat mengasumsikan bahwa semua xipositif dan mengharapkan metode pengali Lagrange untuk menghasilkan nilai maksimum dari f di antara nilai-nilai yang dihasilkannya. Terutama, jika pengganda Lagrange metode hanya menghasilkan satu nilai (seperti yang akan) maka nilai itu harus menjadimaksimum. Fungsi pembatasnya adalah g (x1,.... Xn) = (x1 + · · · + x n) / n, dan gradien dari f dan gadalah ∇ f(x1, . . . , xn)= ∇ g(x1, . . . , xn) = (1, . . . ,1). Kondisi Lagrange ∇ f = λ∇ g menunjukkan bahwa semua xi adalah sama, dan kendala g = 1 memaksa nilainya menjadi 1. Oleh karena itu, nilai maksimum dari mean geometrik ketika mean aritmetik adalah 1 adalahnilainya f(1, . . . , 1) = (1 · · · 1)1/n = 1. Argumen pengganda Lagrange ini menyediakan sebagian besar bukti Teorema 5.4.1 (Aritmatika – Ketimpangan Geometris Berarti) Nilai geometrik dari n bilangan positif paling banyak berarti aritmatiknya: (a1 · · · an)1/n ≤ for all nonnegative a1, . . . ,an. Bukti. Jika ada ai = 0 maka ketidaksetaraannya jelas. Diberikan angka positif a1, . . . , an, biarkan a = (a1 + · · · + a n) / n dan biarkan xi = ai / a untuk i = 1,. . . , n. Kemudian (x1 + · · · + xn) / n = 1 dan karenanya (a1 · · · an)1/n = a(x1 · · · xn)1/n ≤ a = Meskipun contoh-contoh ini menyenangkan, pengganda Lagrange secara umum tidak ada obat mujarab komputasional.Beberapa masalah optimasi dengan kendala adalah dipecahkan setidaknya dengan mudah oleh geometri atau substitusi.Meskipun demikian, Lagrange metode memberikan ide pemersatu yang membahas berbagai jenis pengoptimalan masalah tanpa mengacu pada geometri atau pertimbangan fisik. Dalam latihan berikut, gunakan metode apa pun yang Anda anggap nyaman. 5.5 Lagrange Pengganda: Bukti Analitik Dan ContohUmum Ingat bahwa lingkungan untuk optimasi dengan kendala terdiri dari • himpunan terbuka , • penghambatpemetaan , • himpunan level yangsesuai • dan -fungsi untuk mengoptimalkan padaL. Kami berpendapat secara geometris, dan tidak sepenuhnya ketat, bahwa jika dioptimalkan pada titik maka gradien pada adalah ortogonal terhadap L pada p. Juga, setiap kombinasi linear dari gradien fungsi komponen g adalah ortogonal terhadap L pada p. Kami ingin menegaskan sebaliknya, bahwa setiap vektor yang ortogonal terhadap L pada p adalah kombinasi linear. Pernyataan sebaliknya yang diinginkan tidak selalu berlaku, tetapi ketika itu memberikan kondisi Lagrange, Berikut adalah justifikasi analitik yang ketat bahwa metode pengali Lagrange biasanya bekerja. Teorema Fungsi Tersirat akan melakukan pengangkatan yang berat, dan ini akan menegaskan kembali bahwa metode dijamin hanya jika gradien fungsi komponen g adalah bebas linear. Teorema membuat bukti ketat kriteria Lagrange lebih mudah dan lebih persuasif — setidaknya menurut pendapat penulis — daripada argumen heuristik yang diberikan sebelumnya. Teorema 5.5.1 (Kondisi Pengali Lagrange).Biarkan n dan c menjadi bilangan bulat positif dengan .Biarkan (di mana ) menjadi pemetaan yang terus terdiferensiasi di setiap titik interior A. Pertimbangkan level yangditetapkan Biarkan menjadi fungsi. Anggaplah bahwapembatasan ke memiliki nilai ekstrimpadatitik yang merupakan titik interior A.Anggaplahbahwa terdiferensiasi pada , dan anggap bahwa matriks derivatif c-oleh-n berisi blok c-by-c yang dapat dibalik. Kemudian kondisi berikut iniberlaku: Buktinya akan memuncak ide-ide dalam bab ini sebagai berikut. Teorema Fungsi Terbalik mengatakan: Jika masalah inversi yang dilinearisasi dipecahkan maka masalah inversi yang sebenarnya dapat dipecahkan secara lokal. Meskipun grafik adalah ruang melengkung, di mana teknik-teknik bab 4 tidak berlaku, domainnya adalah ruang lurus, di mana mereka melakukannya. Yaitu, Fungsi Implisit Teorema memungkinkan kita mengurangi pengoptimalan pada grafik untuk optimalisasi pada domain, yang kita tahu bagaimana melakukannya. Bukti. Kondisi kedua berlaku sejak Misalkan adalah titik di . Kondisi pertama perlu dibuktikan. , jumlah variabel yang harus tetap bebas di bawah kendala dan notatetitik sebagai dimana notasi ini,kitamemiliki dan dan , . Denganmenggunakan di mana M adalah c-by-r dan N adalah c-by-c dan dapat dibalik. (Kita dapat mengasumsikan bahwa N adalah blok yang dapat dibalik dalam hipotesis teorema karena kita dapat dengan bebas mengubah variabel). Fungsi Implis Teoremamemberikanpemetaan dan a adalah titikinterior dekat Buatlah (di mana )dengan , dan untuksemuatitik , jika dan hanyajika hanya bergantung pada variabel bebas denganmendefinisikan (Lihat gambar 5.23.) Karena domain tidak melengkung di dalamruang yang lebihbesar, dioptimalkan oleh teknik-teknik dari bab 4. Artinya, Teoritik Fungsi Implisit telah mengurangioptimalisasipadahimpunanmelengkunguntukoptimasidalamruangEuclidean . Secara khusus, Teorema Titik Kritis multivariabel mengatakan bahwa memiliki titik kritis padaa, Tugas kita adalah untuk mengekspresikan tampilan sebelumnya dalam hal data yang diberikan dan . Melakukannya akan menghasilkan kondisi Lagrange. Karena kondisi adalah komposisi, Aturan Rantai mengatakan bahwa adalah ,atau . Biarkan di dan adalah vektor baris, dan ingatbahwa . Tampilan sebelumnya menjadi memberi . Ungkapan ini untuk dan identitas sepele digabungkan untuk memberigiliran Tetapi dan dan (vektor baris dalam . Jadi tetapkan ), dan tampilan sebelumnya persis kondisiLagrange, . Kami telah melihat bahwa Kondisi Pengali Lagrange diperlukan tetapi tidak cukup untuk nilai ekstrim. Artinya, ia dapat melaporkan positif palsu, seperti dalam masalah dua lingkaran di bagian sebelumnya. Positif palsu bukanlah masalah serius karena memeriksa semua poin yang memenuhi kondisi Lagrange akan menentukan mana dari mereka yang memberikan ekstrem sebenarnya dari . Negatif palsu akan menjadi situasi yang lebih buruk, memberi kita tidak ada indikasi bahwa nilai ekstrem mungkin ada, apalagi cara menemukannya. Contoh berikut menunjukkan bahwa skenario negatif palsu dapat muncul tanpa blok c-by-c yang dapat dibalikkan yang diperlukan dalam Teorema5.5.1. Biarkan suhu di pesawat diberikan oleh Gambar 5.23. Kriteria Pengganda Lagrange dari Teorema Fungsi Implisit dan mempertimbangkan satu himpunan pesawat didefinisikan oleh satu kendala pada dua variabel, . (Lihat gambar 5.24.) Karena suhu meningkat ketika kita bergerak ke kanan, titik terdingin adalah titik paling kiri, titikpuncakpada Namun, kondisi Lagrange tidak menemukan titik ini. Memang, fungsi penghambatadalah (yang memang memiliki turunan terus-menerus, meskipun himpunan levelnya memiliki titik puncak: grafik dari fungsi halus mulus, tetapi level himpunan fungsi yang halus perlu tidak mulus — inilah masalah yang dibahas oleh Teorema Fungsi Implisit). Oleh karena itu kondisi Lagrange dan batasannya adalah Persamaan ini tidak memiliki solusi. Masalahnya adalah bahwa gradien di titikpuncak adalah , dan tak satu pun dari subblocks 1-oleh-1 yang dapat dibalik.Secara umum, Kondisi Pengali Lagrange tidak akan melaporkan negatif palsu selama kita ingat bahwa itu hanya mengklaim untuk memeriksa ekstrema pada titik nonsingular dari sehingga , poin memiliki sebuah c-by-c yang dapat dibalik sub block. Bagian sebelumnya memberikan contoh spesifik dari metode pengali Lagrange. Bagian ini sekarang memberi beberapa keluarga contoh umum. Ingat bahwa bagian sebelumnya membahas masalah mengoptimalkan jarak antara dua titik di pesawat, setiap titik tergeletak di lingkaran terkait. Sekarang, sebagai contoh umum pertama dari metode pengali Lagrange,biarkan titik masing-masing dari tersebut, , danbiarkanfungsi menunjukkansepasang mengukur kuadrat jarak antara pasangan Gambar 5.24. Kurva dengan titik puncak Perhatikan bahwa , melihat Diberikanduapemetaan dan dan sebagaivektor baris. ,definisikan , Untuk mengoptimalkan fungsi tunduk pada kendala mengoptimalkan jarak antara pasangan titik dari oleh kondisi adalah untuk dan pada tingkat himpunan yang ditetapkan dan kondisi . Dengan asumsi bahwa kondisi Lagrange berlaku untuk pasangan yang mengoptimalkan, itu di mana dan adalah vektor baris. Simetri mengurangi persamaan - vektor ini ke persamaan n-vektor, Yaitu, baik atau garis melalui dan normal ke tingkat pertama yang ditetapkan pada dan normal ke tingkat kedua yang ditetapkan pada , generalisasi hasil dari masalah dua lingkaran. Dengan hasil ini dalam pikiran, Anda mungkin ingin meninjau kembali latihan 0,0.1 dari kata pengantar ke catatanini. Metode Lagrange multiplier umum lainnya mengoptimalkan fungsi linear atau fungsi kuadrat yang tunduk pada kendala afinitas atau batasan kuadrat.Kami mengumpulkan hasilnya dalam satu teorema. Teorema 5.5.2 (Low-Degree Optimization With Constraints). (1) Misalkan (dimana )tundukpadabatasan (di mana memiliki baris linear yang independen,dengan Periksaapakah .Jikademikianmaka identikdengan (2) Misalkan ;jika tidak, ,dan ). dikenakan contraint pada kendala tidak memilikioptima. (dimana simetris dan dapat dibalikkan)tunduk padabatasan (di mana independen,dengan ,dan memiliki baris linearyang ).The yang tunduk pada kendala dan nilai optimaladalah Terutama ketika A =I,titik sedemikiansehingga paling dekat dengan asal dan jarak kuadratnya dari titikasal . (3) Biarkan (di mana ) tunduk pada kendala simetris dan dapat dibalik, dan (di mana adalah nol). Periksaapakah . Jika demikian maka input dan nilai optimal mengoptimalkannya Jika tidak, tunduk pada kendala tidak memiliki optima. (4) Biarkan (di mana simetris) tunduk pada kendala (di mana M ∈ Mn (R) simetris dan dapat dibalik, dan b ∈ R adalahnol). Nilai optimal yang mungkin dari subjek f ke kendala adalah (Istilah "nilai eigen" akan dijelaskan dalam bukti.) Terutama ketika A = I, jarak kuadrat terdekat dari asal pada permukaan kuadrat di mana λ merupakan nilai eigen dari. mengambil bentuk λb Bukti. (1) Data adalah (melihat vektor sebagai kolom) Di sini kita mengasumsikan bahwa , i.e., ada lebih sedikit kendala daripada variabel. Juga, kami mengasumsikan bahwa baris-baris M secara linier independen dalam ekivalen(memohonhasildarialjabarlinier),bahwabeberapakolomcdariMadalahbasis , atau , atau ekuivalen, bahwa beberapa sub-blok c-by-c M (kolom tidak selalu berdekatan) memiliki determinan bukan nol. Kondisi Lagrange dan batasannyaadalah Sebelum menyelesaikan masalah, kita perlu mempertimbangkan dua relasi pada tampilan sebelumnya. • Kondisi Lagrange dapat dipecahkan untuk λ tepat ketika adalah kombinasi linear dari baris M. Karena M memiliki c baris, masing-masing merupakan vektor dalam dan karena , umumnya , bukan kombinasi linear dari barisan M, sehingga kondisi Lagrange tidak dapat dipenuhi. Ituadalah: Umumnya fungsi dibatasi tidak memiliki optimal. Namun, kita akan mempelajari kasus luar biasa, ketika adalah kombinasi linear dari deretan M. Dalam kasus ini, kombinasi linear dari baris yang memberikan adalah unik karena baris tersebut bebas linear. Artinya, ketika λ ada, ia ditentukan secaraunik. Untuk menemukan satu-satunya kandidat λ, perhatikan bahwa kondisiLagrange memberikan , dan dengan demikian Langkah pertama kalkulasi ini tidak dapat dibatalkan, sehingga perhitungan tidak menunjukkan bahwa λ ada untuk ditemukan dalam semua kasus. Tetapi ini menunjukkan bahwa untuk memeriksa apakah adalahkombinasilineardaribarisanM,seseorangmemeriksaapakah , dalam hal ini Perhatikan bahwa lebih lanjut, kondisi Lagrange . tidak mengacu padax • Kondisi penghambatan Mx = b memiliki solusi x hanya jika b adalah kombinasi linear dari kolom M. Asumsi kita tentang M menjamin bahwa ini adalahkasusnya. Dengan menjadi kombinasi linear dari baris M dan dengan b menjadi kombinasi linear dari kolom M, kondisi Lagrange dan kendala segera menunjukkan bahwa untuk setiap x dalam himpunanterbatas, Yaitu, f tunduk pada kendala g = b adalah konstanta = . Untuk wawasan geometrik ke dalam perhitungan, bayangkan ruang kombinasi linier dari ) sebagai bidang, dan bayangkan ruang vektor ˜x baris M (subruang dimensi AC dari (an (n − c ) -dimensi subruang dari sehingga pesawat.Kondisi ) sebagai sumbu orthogonal ke mengatakan bahwa kebohongan dalam pesawat, dankondisi mengatakan bahwa x terletak pada sumbu sejajar dengan sumbu ˜x. (Dari aljabar linier, solusi dari Mx = b adalah vektor , di mana adalah kombinasi linear unik dari baris-baris M seperti itu vektor apa saja yang M˜x = .) Nilai konstanta f adalah Secara khusus,nilainyaadalah di mana = b, dan ˜x adalah x untuk setiap x pada sumbu. adalah titik di mana sumbu bertemu dengan pesawat. (2) Sekarang kami mengoptimalkan fungsi kuadrat yang tunduk pada kendala afinitas. Di sini datanya Seperti pada (1), kita mengasumsikan bahwa baris M secara linear bebas dalam , dan kita mengasumsikan bahwa baris- , yaitu, beberapa kolom c dari M adalah basis dari , yaitu, beberapa sub-blok c-by-c M memiliki determinan non-nol. Dengan demikian kendala Mx=b memiliki solusi x untuk setiap b∈ ,. Untuk mengatur kondisi Lagrange, kita perlu membedakan fungsi kuadrat f. Hitung itu dan perkiraan linear terbaik dari perbedaan ini adalah . Itu mengikutiitu Kembali ke masalah pengoptimalan, kondisi Lagrange dan batasannya Jadi kemungkinan nilai optimal dari f mengambil bentuk yang akan kita ketahui segera setelah kita menemukan kemungkinan nilai λ, tanpa perlu mencari x. Asumsikan bahwa A dapat dibalik. Transpose kondisi Lagrange untuk mendapatkan , dari mana λ dan dengan demikian x λ sehingga (juga mengasumsikan bahwa matriksc-byc dapatdibalik) . Yaitu, nilai darif Juga, nilai-x di mana f dioptimalkan adalah Secara khusus, membiarkan A = I, titik terdekat x dengan asal seperti Mx = b adalah dan kuadrat jaraknya dari asalnya adalah (3) Selanjutnya kita mengoptimalkan fungsi linear yang tunduk pada batasan kuadrat. Datanya adalah Kondisi Lagrange dan batasannya adalah Oleh karena itu kemungkinan nilai-nilai f yang dioptimalkan dan untuk menemukan nilai-nilai ini, sudah cukup untuk menemukan kemungkinan nilai λ. Dengan asumsi M dapat dibalik, kondisi Lagrange adalah aTM − 1 = λxT, dan karenanya Jadi (dengan asumsi bahwa) nilai optimalnya Tampilan kedua dari belakang juga menunjukkan bahwa , sehingga kondisi Lagrange memberikan nilai-x yangoptimal, . Satu dengan mudah menegaskan bahwa memang untuk xini. (Sebagai ilustrasi geometrik kecil dari masalah tanda dalam konteks ini, anggaplah bahwa dan , sehingga kendalakuadratikadalah .Untuk masalahmengoptimalkandemikiandiaturpadahiperboladikuadranpertamadanketigadari pesawat Fungsi yang akan dioptimalkan adalah untuk beberapa . Karena M adalah inversnya sendiri,kuantitas di bawah akarkuadrat adalah , dan dengan demikian masalah optimasi yang dibatasi memiliki solusi hanya ketika .Sementaraitu,levelhimpunanfadalahgariskemiringan ,yang berarti bahwa masalah hanya memiliki solusi ketika level himpunan memiliki kemiringan negatif. Dalam hal ini, solusi akan berada di dua titik di mana hiperbola bersinggungan dengan himpunan level: sepasang titik yang berlawanan, satu di kuadran pertama dan satu di ketiga. Untuk hiperbola menghambat bergerak ke kuadran kedua dan keempat, dan masalah memiliki solusi ketika tingkat himpunan f memiliki kemiringanpositif.) (4) Akhirnya, kami mengoptimalkan fungsi kuadrat yang tundukpada batasan kuadrat. Datanya adalah Kondisi Lagrange dan batasannya adalah Dengan kondisi Lagrange dan kendala, kemungkinan nilai optimal dari f mengambil bentuk yang akan kita ketahui segera setelah kita menemukan kemungkinan nilai λ, tanpa perlu mencari x. Dengan asumsi bahwa M dapat dibalik, kondisi Lagrange memberi Dengan kata lain, x harus memenuhi kondisi yang mengalikan x dengan memberikan kelipatan skalar x. Setiap vektor bukan nol x yang memenuhi kondisi ini disebut vektoreigen dari . Faktor multiple skalar λ adalah nilai eigen yang sesuai. Kami akan mengakhiri bagian ini dengan diskusi singkat tentang nilaieigen. Nilai eigen dari matriks B persegi ditemukan oleh prosedur yang sistematis. Langkah pertama adalah mengamati bahwa kondisi Bx = λx adalah Karena setiap eigenvector x tidak nol menurut definisi, B −λI tidak dapat dibalik, yaitu, Sebaliknya, untuk setiap λ ∈ R yang memenuhi persamaan ini setidaknya ada satu vektor eigen x dari B karena persamaan memiliki solusi bukan nol. Jadi nilai eigen adalah akar sebenarnya dari polinomial Polinomial ini adalah polinomial karakteristik B, yang telah dibahas dalam latihan 4.7.10. Sebagaicontoh,bagian(a)darilatihanitumencakupkasusn=2,menunjukkanbahwajika kemudian Diskriminan dari polinomial kuadrat ini adalah Karena bersifat non-negatif, semua akar dari polinomial karakteristik adalah nyata.Dan hasil dari aljabar linear mengatakan bahwa untuk setiap n positif, semua akar dari polinomial karakteristik dari matriks n-by-n simetris adalah nyata juga. Namun, kembali ke contoh kami, meskipun matriks kuadrat A dan M diasumsikan simetris, produk tidakperlu. Sebagai kasus khusus Teorema 5.5.2, bagian (4), jika A = Saya kemudian menemukan vektor eigen dari M mencakup menemukan titik-titik permukaan kuadrat yang paling dekat dengan asal atau paling jauh dari titik asal. Misalnya, jika n = 2 dan mengoptimalkan pada himpunan poin sehingga,katakanlah, maka kita Persamaan yang ditampilkan adalah persamaan dari bagian berbentuk kerucut. Ketika b = 0 kita memiliki elips yang tidak diputar atau hiperbola, dan satu-satunya titik optimal yang mungkin adalah kelipatan skalar dari dan yang terletak pada kurva. Untuk elips, sepasang titik pada satu sumbu paling dekat dengan titik asal, dan sepasang pada sumbu lainnyapalingjauh;untukhiperbola,sepasangpadasatusumbuterdekatdantidakadatitik pada sumbu lainnya. Dalam kasus lingkaran, matriks M adalah kelipatan skalar dari matriks identitas, dan jadi semua vektor adalah vektor eigen yang sama dengan geometri yang semua titiknya berjarak sama dari asal. Demikian pula jika n = 3 maka L adalah permukaan seperti ellipsoid atau hiperboloid.