Optimalisatie: Extreme punten
Criterium voor een globale extreem
Tot nu toe hebben we ons alleen beziggehouden met de lokale extrema van multivariate functies. Aangezien globale maxima van functies op lokale maxima zijn, en hetzelfde geldt voor minima, is de lokale informatie relevant voor globale optimalisatie. Voor speciale functies, in het bijzonder voor convexe of concave functies, kunnen we zelfs globale conclusies trekken.
Omdat globale extremen van functies afhankelijk zijn van het domein waarop deze functies worden gedefinieerd, moeten we ook het domein van de functie in beeld te brengen. Voor de definitie van convexiteit van een functie op een domein moeten we eisen dat het domein zelf ook convex is in de volgende zin:
Convex sets en convexe functies Laat een domein in de -vlak zijn. Dan noemen we convex als elk lijnstuk tussen twee punten van geheel binnen ligt.
Laat een functie zijn die gedefinieerd is op een convex domein . Dan heet convex als het lijnstuk tussen elk tweetal punten van de grafiek van geen enkel punt onder de grafiek heeft. Met andere woorden, als voor alle , in en geldt
Als convex is op dan heet concaaf op .
We zijn nu klaar om een voldoende voorwaarde te formuleren waaronder een lokaal extremum een globaal extremum is.
Van lokaal tot globaal extremum
Laat een convex domein zijn.
- Als een convexe functie op is, dan is elk lokaal minimum van een globaal minimum van op .
- Als een concave functie is, dan is elke lokaal maximum van een globaal maximum van op .
In het geval van een differentieerbare convexe functie op een complex domein, kunnen we zelfs concluderen dat een stationair punt een globaal extreem is.
Van stationair punt tot globaal extreem Veronderstel dat een convex domein is en een differentieerbare functie op met continue partiële afgeleiden.
- Als convex is, dan is elk stationair punt van in een globaal minimum.
- Als concaaf is, dan is elk stationair punt van in een globaal maximum.
omptest.org als je een OMPT examen moet maken.