【해석학】 9강. 라그랑주 승수법

9강. 라그랑주 승수법 (라그랑지 승수법)

 

추천글 : 【해석학】 해석학 목차 

---

풀이가 궁금하시면 답변 바랍니다.

---

1. 극소값, 극대값, 안장점 [본문]

2. 다변수함수가 국부적으로 최대값을 가질 충분조건 [본문]

3. 라그랑주 승수법 [본문]

4. FW 알고리즘 [본문]

---

 

1. 극소값, 극대값, 안장점 [목차]

⑴ 극값의 존재성 : 영역 Ω ⊂ ℝⁿ에서 정의된 미분가능함수 f : Ω → ℝ이 점 p ∈ Ω에서 극대값이나 극소값을 가지면 ∇f(p) = 0임

⑵ (참고) 헤세 행렬(Hessian matrix) 

 

 

⑶ (참고) 이차형식의 부호 정의 : 대칭행렬 A ∈ ℳ_n와 ℝⁿ상의 모든 벡터 x ≠ 0에 대하여

① 양정부호 행렬(positive definite matrix) : A의 모든 고유치가 0보다 큼

 

 

② 양반정부호 행렬(positive semi-definite matrix) : A의 모든 고유치가 0보다 크거나 같음

 

 

③ 음정부호 행렬(negative definite matrix) : A의 모든 고유치가 0보다 작음

 

 

④ 음반정부호 행렬(negative semi-definite matrix) : A의 모든 고유치가 0보다 작거나 같음

 

 

⑤ 부정부호 행렬(indefinite matrix) : ① ~ ④와 달리 부호가 일정하지 않은 경우. A의 고유치 중 부호가 다른 게 존재

⑥ A = PΛP^T (단, Λ는 대각행렬), y = P^Tx이라고 할 때, x^TAx = y^TΛy와 같아서 고유치의 부호와 x^TAx의 관계를 쉽게 확인할 수 있음

⑷ (참고) 이차형식의 부호 판정 : 대칭행렬 A ∈ ℳ_n과 ｛1, 2, ···, n｝의 부분집합 S =｛i₁, i₂, ···, i_k｝에 대하여 

① 주소행렬(principal submatrix) : A에서 S에 해당하는 순서의 행과 열을 선택한 k × k 행렬

 

 

② 선도주소행렬(leading principal submatrix) : A의 마지막 n-k개의 행벡터와 열벡터를 생략하고 남은 k × k 행렬

 

 

③ 정리 1. 대칭행렬 A ∈ ℳ_n가 양정부호인 것과 sgn(det(A_k)) = 1, k = 1, 2, ···, n인 것은 필요충분조건

④ 정리 2. 대칭행렬 A ∈ ℳ_n가 음정부호인 것과 sgn(det(A_k)) = (-1)^k, k = 1, 2, ···, n인 것은 필요충분조건 

⑤ 정리 3. 대칭행렬 A ∈ ℳ_n가 양반정부호인 것과 A의 모든 주소행렬식이 0 이상인 것은 필요충분조건

○ (주석) 정리 1 또는 2를 시도할 때 어느 선도주소행렬식이 0인 경우 정리 3을 시도함

○ 명백히 선도주소행렬식의 부호가 바뀌는 경우 부정부호행렬로서 정리 3 또는 4를 시도하지 않아도 됨

⑥ 정리 4. 대칭행렬 A ∈ ℳ_n가 음반정부호인 것과 -A의 모든 주소행렬식이 0 이상인 것은 필요충분조건

○ (주석) 정리 3을 시도하다가 주소행렬식의 부호가 일정하지 않으면 정리 4를 시도함

⑦ (참고) sgn은 판별식을 직접 계산하여 부호를 확인했을 때 양의 값이면 1, 음의 값이면 -1을 나타냄

⑧ 예제 : D ⊆ ℝ³가 열린집합이고 a = (a₁, a₂, a₃) ∈ D이며 함수 f(x₁, x₂, x₃)가 D 위에서 정의되어 있다. f가 a에서 국부최소값을 가질 충분조건을 찾고 그것을 증명하시오.

⑸ 영역 Ω ⊂ ℝⁿ에서 정의된 C² 함수 f : Ω → ℝ이 점 p ∈ Ω에서 ∇f(p) = 0라 하면 다음이 성립

① H_f(p)가 양정부호행렬이면 f는 점 x = p에서 극소값을 가짐

② H_f(p)가 음정부호행렬이면 f는 점 x = p에서 극대값을 가짐

③ H_f(p)가 부정부호행렬이면 점 x = p는 f의 안장점

④ H_f(p)가 양반정부호행렬이면 f는 점 x = p에서 상대적 극소

⑤ H_f(p)가 음반정부호행렬이면 f는 점 x = p에서 상대적 극대

 

 

2. 다변수함수가 국부적으로 최대값을 가질 충분조건 [목차]

⑴ 예제 : A, B, C ∈ ℝ가 A, AC - B² ＞ 0을 만족한다고 하자. 이때 모든 (0, 0) ≠ (x, y) ∈ ℝ²에 대해 Ax² + 2Bxy + Cy² ＞ 0임을 보이시오. 또한 M ＞ 0이 있어 모든 (x, y) ∈ ℝ²에 대해 Ax² + 2Bxy + Cy² ≥ M(x² + y²)임을 보이시오. 

⑵ 예제 :  f : (a, b) → ℝ가 n ∈ ℕ번째 도함수 f⁽ⁿ⁾ : (a, b) → ℝ를 갖는다고 하자. 이때 c ∈ (a, b)에 대해 다항식 p(x)를

 

 

이라고 하자. 그러면 각 c ≠ x ∈ (a, b)에 대해 c와 x 사이에 x*이 있어 

 

 

임을 보이시오.

⑶ 예제 : (a, b)가 열린집합 D의 한 점이고 함수 f : D → ℝ가 있다. f가 점 (a, b)에서 국부최소값을 가진다고 하자. 즉, δ ＞ 0가 있어 (x, y) ∈ D, |(x, y) - (a, b)| ＜ δ이면 f(a, b) ≤ f(x, y)이다. 이때 f가 점 (a, b)에서 편미분 f_x(a, b), f_y(a, b)을 가지면 f_x(a, b) = f_y(a, b) = 0임을 보이시오.

⑷ 예제 : (a, b)가 열린집합 D의 한 점이고 함수 f : D → ℝ가 있다. 함수 f가 연속인 f_xx, f_xy, f_yx, f_yy : D → ℝ를 갖고 이 편미분들이 점 (a, b)에서 f_x = f_y = 0이고 f_xx, f_xxf_yy - (f_xy)² ＞ 0이라 하자. 이때 δ ＞ 0가 있어 (x, y) ∈ D, 0 ＞ |(x, y) - (a, b)| ＜ δ일 때마다 f(a, b) ＜ f(x, y)임을 보이시오.

 

 

3. 라그랑주 승수법(Lagrange multiplier) [목차]

⑴ 1개의 등식제약 하에서의 최적화 문제

① D ⊆ ℝ^k가 열린집합이고 a ∈ D일 때 f : D → ℝ의 a에서의 모든 편미분 f_xi(a)가 존재하면 f의 a에서의 gradient를 

 

 

와 같이 정의한다. 

② 함수 f, g : D → ℝ가 열린집합 D ⊆ ℝ² 위에서 연속인 1차 편미분을 갖는다. 또한 (a, b) ∈ D에서 g(a, b) = 0, ∇g(a, b) ≠ 0이다. 

 

 

이라 하자. 만약 δ ＞ 0가 있어 (x, y) ∈ S, |(x, y) - (a, b)| ＜ δ일 때마다 f(a, b) ≤ f(x, y)라고 하면 λ ∈ ℝ가 있어 ∇f(a, b) = λ∇g(a, b)임을 보이시오.

③ 예제 : 함수 f : ℝ² → ℝ가 f(x, y) = x² + y²이고 D =｛(x, y) | x² + xy + y² ≤ 1｝일 때 D 위에서의 f의 최대값과 최소값을 구하시오.

④ 예제 : 음함수 정리와 라그랑주 승수법을 변수가 D ⊆ ℝ^k (k ＞ 1)에서의 함수로 일반화하여 기술하여 보시오.

⑤ 예제 : 함수 f, g : D → ℝ이 열린집합 D ⊆ ℝ⁴ 위에서 연속인 1차 편미분을 갖는다. 여기서 f(x, y, u, v)라 쓰자. (a, b, p, q) ∈ D이고 이 점에서 f = g = 0, f_ug_v - f_vg_u ≠ 0이라고 하자. 이때 δ, ε ＞ 0과 함수 (φ, ψ) : (a - δ, a + δ) × (b - δ, b + δ) → (p - ε, p + ε) × (q - ε, q + ε)이 다음 5가지 조건을 만족함을 보여라.

 

○ U = (a - δ, a + δ) × (b - δ, b + δ) × (p - ε, p + ε) × (q - ε, q + ε) ⊆ D

○ φ(a, b) = p, ψ(a, b) = q

○ 각 |x - a|, |y - b| ＜ δ에 대해 (f, g)(x, y, φ(x, y), ψ(x, y)) = (0, 0)

○ (x, y, u, v) ∈ U, (f, g)(x, y, u, v) = (0, 0)이면 (u, v) = (φ(x, y), ψ(x, y))

○ φ와 ψ는 연속인 1차 편미분을 가짐

 

⑥ 예제 : (p, q) ∈ D ⊆ ℝ²가 열린집합이고 h, k : D → ℝ가 연속인 1차 편미분을 갖고 (a, b)에서 h_uk_v - h_vk_u ≠ 0이다. 여기서 (x, y) = (h(u, v), k(u, v))라 쓰자. 이때 열린집합 (p, q) ∈ V ⊆ D와 (h(a, b), k(a, b)) ∈ W ⊆ ℝ²가 있어 함수 (h, k) : V → W가 전단사함수이며 역함수를 (u, v) = (φ(x, y), ψ(x, y))라 쓰면 φ와 ψ도 연속인 1차 편미분을 가진다.

⑦ 예제 : (a, b, c) ∈ D ⊆ ℝ³가 열린집합으로 함수 f, g, h : D → ℝ가 연속인 1차 편미분들을 가지고 있으며 g(a, b, c) = h(a, b, c) = 0이다. 이때 δ ＞ 0이 있어 다음 조건을 만족하면 다음 결론이 성립함을 보여라.

 

○ 조건 1. 두 벡터 ∇g(a, b, c), ∇h(a, b, c)가 원점과 함께 면적이 양인 삼각형을 이룸

○ 조건 2. (x, y, z) ∈ D, |(x, y, z) - (a, b, c)| ＜ δ, g(x, y, z) = h(x, y, z) = 0일 때마다 f(a, b, c) ≤ f(x, y, z)임

○ 결론 : λ, μ ∈ ℝ가 있어 ∇f(a, b, c) = λ∇g(a, b, c) + μ∇h(a, b, c)

 

⑵ 여러 개의 등식제약 하에서의 최적화 문제

① 가정 1. 영역 Ω ⊂ ℝⁿ에서 정의된 두 함수 f : Ω → ℝ,    G = (g₁, ···, g_n)' : Ω → ℝ^m가  주어져 있음 (단, n ＞ m)

② 가정 2. 집합 M_G = {x ∈ Ω : G(x) = 0} 위에서 정의된 함수 f|_{M_G} : M_G → 이 점 p ∈ M_G에서 극대값이나 극소값을 가짐

③ 가정 3. 벡터모임 {∇g₁(p), ···, ∇g_m(p)}가 선형독립

④ 정리 : 다음 등식을 만족하는 실수 λ₁, ···, λ_m이 존재함 

 

 

⑤ 증명 : 새로운 함수 ℒ : ℝ^n+m → ℝ를 도입하여

 

 

⑶ 극대와 극소를 판정하기 위해서는 다음과 같이 ℒ의 헤세행렬을 구하여 그 부호를 따져봐야 함

 

 

① x = p에서 함수 f가 극대값을 가질 충분조건

 

 

② x = p에서 함수 f가 극소값을 가질 충분조건

 

 

③ 예제 : 원점에서 평면 {(x₁, x₂, x₃)' ∈ ℝ³ : a₁ x₁ + a₂ x₂ + a₃ x₃ + a₀ = 1}까지의 거리 

○ 극값

 

 

 

○ 극소값 판정 

 

 

⑷ 포락성 정리(envelop theorem)

⑸ 부등식제약 하에서의 최적화 문제 : 등식제약 하에서의 최적화 문제로 바꾸어서 풂

 

 

4. FW 알고리즘(frank-wolfe algorithm) [목차] 

⑴ 등식 제약 하 최적화 문제를 푸는 대표적인 알고리즘

⑵ gradient-decent 알고리즘 이전 세대의 알고리즘

 

입력 : 2020.01.06 19:27