跳到主要内容

京都大学 情報学研究科 数理工学専攻 2018年8月実施 オペレーションズ・リサーチ

Author​

Casablanca, 祭音Myyura

Description​

大学公表の原題

日本語版​

関数 h:Rn→Rh:\mathbb{R}^n \rightarrow \mathbb{R} を凸関数とする。さらに, 関数 g:R→Rg:\mathbb{R} \rightarrow \mathbb{R} と f:Rn→Rf:\mathbb{R}^n \rightarrow \mathbb{R} を以下のように定義する。

g(t)=2t,f(x)=g(h(x))g(t) = 2^t,f(x) = g(h(x))

ベクトル bi∈Rn(i=1,…,m)\boldsymbol{b^i} \in \mathbb{R}^n(i = 1,\dots,m) が与えられとき, 集合 Δ⊆Rn,Γ⊆Rm,Ω⊆Rn\Delta \subseteq \mathbb{R}^n , \Gamma \subseteq \mathbb{R}^m , \Omega \subseteq \mathbb{R}^n を以下のように定義する。

Δ={b1,b2,…,bm}Γ={α∈Rm∣∑i=1mαi=1,αi≧0(i=1,…,m)}Ω={x∈Rn∣x=∑i=1mαibi,α∈Γ}\begin{aligned} \Delta &= \{\boldsymbol{b^1},\boldsymbol{b^2},\dots,\boldsymbol{b^m}\} \\ \Gamma &= \bigg\{\alpha \in \mathbb{R}^m \bigg|\sum_{i=1}^m \alpha_i = 1,\alpha_i \geqq 0 (i = 1,\dots,m)\bigg\} \\ \Omega &= \bigg\{\boldsymbol{x} \in \mathbb{R}^n \bigg| \boldsymbol{x} = \sum_{i = 1}^m \alpha_i \boldsymbol{b}^i , \alpha \in \Gamma\bigg\} \end{aligned}

次の非線形計画問題 (P)(P) を考える。

(P):Maximizef(x)subject tox∈Ω\begin{aligned} (P): &\text{Maximize} \quad f(\boldsymbol{x}) \\ &\text{subject to} \quad \boldsymbol{x} \in \Omega \\ \end{aligned}

以下の問いに答えよ。

(i) 任意の α∈Γ\alpha \in \Gamma に対して, 次の不等式が成り立つことを示せ。

h(∑i=1mαibi)≦∑i=1mαih(bi)h\bigg(\sum_{i = 1}^m\alpha_i\boldsymbol{b^i}\bigg) \leqq \sum_{i = 1}^m\alpha_i h(\boldsymbol{b^i})

(ii) 関数 gg と ff が凸関数であることを示せ。

(iii) 次の線形計画問題のカルーシュ ⋅\cdot タッカー (Karush-Kuhn-Tucker) 条件を書け。

Maximize∑i=1mf(bi)αisubject to∑i=1mαi=1αi≧0(i=1,…,m)\begin{aligned} &\text{Maximize} \quad \sum_{i = 1}^m f(\boldsymbol{b^i})\alpha_i \\ &\text{subject to} \quad \sum_{i = 1}^m \alpha_i = 1 \\ &\qquad \qquad \quad \alpha_i \geqq 0 (i = 1,\dots,m) \end{aligned}

ただし, 決定変数は αi(i=1,…,m)\alpha_i (i = 1,\dots,m) である。

(iv) 問題 (P)(P) の最適解の集合を X∗X^* とする。このとき, X∗∩Δ≠∅X^* \cap \Delta \neq \emptyset となることを示せ。

English Version​

题目描述​

设 h:Rn→Rh:\mathbb{R}^n\to\mathbb{R} 为凸函数,并定义

g(t)=2t,f(x)=g ⁣(h(x)).g(t)=2^t,\qquad f(\boldsymbol{x})=g\!\left(h(\boldsymbol{x})\right).

给定向量 bi∈Rn\boldsymbol{b}^i\in\mathbb{R}^n(i=1,…,mi=1,\ldots,m),定义

Δ={b1,b2,…,bm},Γ={α∈Rm | ∑i=1mαi=1,αi≧0 (i=1,…,m)},Ω={x∈Rn | x=∑i=1mαibi,α∈Γ}.\begin{aligned} \Delta &=\{\boldsymbol{b}^1,\boldsymbol{b}^2,\ldots,\boldsymbol{b}^m\},\\ \Gamma &=\left\{\boldsymbol{\alpha}\in\mathbb{R}^m\ \middle|\ \sum_{i=1}^m\alpha_i=1,\quad \alpha_i\geqq0\ (i=1,\ldots,m)\right\},\\ \Omega &=\left\{\boldsymbol{x}\in\mathbb{R}^n\ \middle|\ \boldsymbol{x}=\sum_{i=1}^m\alpha_i\boldsymbol{b}^i,\quad \boldsymbol{\alpha}\in\Gamma\right\}. \end{aligned}

在这些给定点的凸包 Ω\Omega 上考虑非线性规划

(P):最大化f(x)约束于x∈Ω.\begin{aligned} (P):\quad &\text{最大化}\quad f(\boldsymbol{x})\\ &\text{约束于}\quad \boldsymbol{x}\in\Omega. \end{aligned}

回答下列问题:

  1. 证明对任意 α∈Γ\boldsymbol{\alpha}\in\Gamma,
h ⁣(∑i=1mαibi)≦∑i=1mαih(bi).h\!\left(\sum_{i=1}^m\alpha_i\boldsymbol{b}^i\right) \leqq \sum_{i=1}^m\alpha_i h(\boldsymbol{b}^i).
  1. 证明函数 gg 和 ff 都是凸函数。
  2. 对下列以 αi\alpha_i(i=1,…,mi=1,\ldots,m)为决策变量的线性规划,写出 KKT 条件:
最大化∑i=1mf(bi)αi满足∑i=1mαi=1,αi≧0 (i=1,…,m).\begin{aligned} &\text{最大化}\quad \sum_{i=1}^m f(\boldsymbol{b}^i)\alpha_i\\ &\text{满足}\quad \sum_{i=1}^m\alpha_i=1,\qquad \alpha_i\geqq0\ (i=1,\ldots,m). \end{aligned}
  1. 记问题 (P)(P) 的最优解集合为 X∗X^*。证明 X∗∩Δ≠∅X^*\cap\Delta\ne\varnothing,即至少有一个生成点 bi\boldsymbol{b}^i 本身是 (P)(P) 的最优解。

Kai​

(i)​

Use induction on mm. The case m=1m=1 is equality. For the induction step, put β=∑i=1m−1αi\beta=\sum_{i=1}^{m-1}\alpha_i. If β=0\beta=0, the result is immediate; otherwise convexity and the induction hypothesis give

h ⁣(∑i=1mαibi)=h ⁣(β∑i=1m−1αiβbi+αmbm)≤βh ⁣(∑i=1m−1αiβbi)+αmh(bm)≤∑i=1mαih(bi).\begin{aligned} h\!\left(\sum_{i=1}^{m}\alpha_i b^i\right) &=h\!\left(\beta\sum_{i=1}^{m-1}\frac{\alpha_i}{\beta}b^i+\alpha_m b^m\right)\\ &\le \beta h\!\left(\sum_{i=1}^{m-1}\frac{\alpha_i}{\beta}b^i\right)+\alpha_mh(b^m)\\ &\le\sum_{i=1}^{m}\alpha_i h(b^i). \end{aligned}

(ii)​

Since g′′(t)=(ln⁡2)22t>0g''(t)=(\ln2)^2 2^t>0, gg is convex and increasing. For 0≤θ≤10\le\theta\le1,

θf(x1)+(1−θ)f(x2)≥g ⁣(θh(x1)+(1−θ)h(x2))≥g ⁣(h(θx1+(1−θ)x2)),\begin{aligned} \theta f(x_1)+(1-\theta)f(x_2) &\ge g\!\left(\theta h(x_1)+(1-\theta)h(x_2)\right)\\ &\ge g\!\left(h(\theta x_1+(1-\theta)x_2)\right), \end{aligned}

so ff is convex.

(iii)​

Lagrangian

L(α,λ,μ)=−∑i=1mf(bi)αi+λ(1⊤α−1)−μ⊤α.L(\alpha,\lambda,\mu) =-\sum_{i=1}^m f(b^i)\alpha_i +\lambda(\boldsymbol1^\top\alpha-1)-\mu^\top\alpha.
KKT conditions{−f(bi)+λ−μi=0(i=1,…,m),1⊤α=1,αi≥0,μi≥0,μiαi=0(i=1,…,m).\text{KKT conditions}\quad\left\{ \begin{aligned} -f(b^i)+\lambda-\mu_i&=0 &&(i=1,\ldots,m),\\ \boldsymbol1^\top\alpha&=1,\qquad \alpha_i\ge0,\\ \mu_i&\ge0,\qquad \mu_i\alpha_i=0 &&(i=1,\ldots,m). \end{aligned} \right.

(iv)​

For any x=∑i=1mαibi∈Ωx=\sum_{i=1}^m\alpha_i b^i\in\Omega, convexity of ff gives

f(x)≤∑i=1mαif(bi)≤max⁡1≤i≤mf(bi).f(x)\le\sum_{i=1}^m\alpha_i f(b^i) \le\max_{1\le i\le m}f(b^i).

Choose jj attaining the last maximum. Since bj∈Ωb^j\in\Omega, it is an optimal solution of (P)(P). Hence bj∈X∗∩Δb^j\in X^*\cap\Delta.