ضرایب لاگرانژ: تفاوت میان نسخهها
محتوای حذفشده محتوای افزودهشده
مجددا اصلاح صورت گرفت |
|||
خط ۱:
'''ضرایب لاگرانژ'''، نام روشی است در [[بهینهسازی (ریاضیات)|بهینهسازی]] برای یافتن [[بیشینه و کمینه]] موضعی برای [[تابع|توابع]] با داشتن یک یا چند [[قید (ریاضی)|قید]] برابری. این روش به افتخار [[ژوزف لویی لاگرانژ]] به این نام نامگذاری شدهاست.
[[پرونده:LagrangeMultipliers3D.png|left|thumb|400px|
شکل ۱: یافتن مقادیر x و y برای بیشینه کردن (f(
به عنوان مثال در شکل ۱ [[مسئله
Maximize f(
Subject to
g(
که میتوان تابع داده شده را بصورت زیر نوشت
f(
برای تمام نقاط مختلف از d و مسیر g که با g(
زمانیکه بردار مماس f و g موازی باشند این دو مسیر
∇_(
که در آن
∇_(
شیبهای مربوطه میباشند. در اینجا به ضریب λ نیاز است زیرا هرچند که هر دو بردار گرادیان موازی هستند ولی الزاماً اندازه آنها باهم برابر نیست. با ترکیب کردن معادلات بالا در یک معادله واحد معادله کمکی زیر را بدست میآوریم.
ᴧ(
و معادله زیر را حل میکنیم.
∇_(
که روش ضرایب لاگرانژ میباشد. توجه شود که ∇_λ ᴧ(
<span style="font-size: large;">مثال:</span>
خط ۴۱:
ᴧ(x,y,λ)=x+y+λ.(x^2+y^2-0.5
{{پایان چپچین}}
با مساوی صفر قرار دادن
∂ᴧ/∂x =
∂ᴧ/∂y =
∂ᴧ/∂λ =x^2+y^2-0.5=0
{{پایان چپچین}}
با ترکیب دو معادله (i) و (ii) و حل آنها نتیجه میشود x=y
{{آغاز چپچین}}
x^2+y^2-0.5=0
⇒2x^
⇒x^ = ±√(
⇒(x,y)^ =(+1/2
{{پایان چپچین}}
مقادیر تابع (f(x,y به ازای دو نقطه بدست آمده عبارتند از:
{{آغاز چپچین}}
f(x,y) =f(+1/2
f(x,y) =f(-1/2
{{پایان چپچین}}
که +۱ مقدار ماکزیموم و -۱ مقدار مینیمم میباشد.
|