Теоретические основы математических и инструментальных методов экономики

50

Теоретические основы специальности.

Оптимизационные методы решения экономических задач. Классическая постановка задачи оптимизации. Оптимизация функций. Оптимизация функционалов. Общая постановка задачи.

К экономическим задачам оптимизационного типа относятся задачи, в которых требуется найти наилучшее или оптимальное решение при заданных условиях производства. Такие задачи называются задачами на максимум или минимум. Особенностью задач оптимизационного типа является многовариантность их решений, обусловленная следующими причинами: взаимозаменяемостью ресурсов; взаимозаменяемостью готовых видов продукции; существованием альтернативных технологий производства; неодинаковостью технико-экономических показателей даже однотипных хозяйственных субъектов.

 Возможны два подхода к  постановке оптимизационных задач: при первом подходе требуется получить максимальные  конечные результаты при заданных условиях производства; при втором подходе требуется получить заданные конечные результаты при минимальных затратах ресурсов.

Математический инструментарий, позволяющий решать экономические задачи оптимального типа, называется программированием. Различают линейное и нелинейное программирование.

 На практике наибольшее распространение получило линейное программирование.

Методы линейного программирования в математике известны под названием общей задачи линейного программирования.

 Аналитическая формулировка общей задачи линейного программирования

Общая задача линейного программирования формулируется следующим образом:

Найти решение {Х₁,Х₂,….Х_n}, позволяющее максимизировать или минимизировать  целевую функцию

F = C₁X₁+C₂X₂+…+ C_nX_n

при условиях

Х₁?0; Х₂?0; …; Х_n?0.

Это развернутая запись общей задачи линейного программирования.

Сокращенная запись этой модели имеет вид:

Найти решение {X_j}, позволяющее максимизировать (минимизировать) функцию  

при условиях

 , i  = 1,2,…,n;

X_j ? 0, j = 1,2,…,n.

 Вышеприведенные записи общей задачи линейного программирования называют аналитической формой записи.

Любое решение, удовлетворяющее условиям, называется  допустимым решением. Допустимое решение систем неравенств, удовлетворяющее целевой функции, называется оптимальным решением. Такое решение единственно при заданных условиях.

 

Матричная форма записи общей задачи линейного программирования

при ограничениях AX?B

                              X?0,

где С = (с₁, с₂,…, с_n);

                  

где С - матрица-строка

 А - матрица системы

 Х - матрица-столбец переменных

 В - матрица-столбец свободных членов

Векторная форма записи общей задачи линейного программирования

F = CX > max (min)

при ограничениях

Х?0,

где СХ - скалярное произведение векторов

С = (С₁, С₂, …, С_n) и Х = (х₁, х₂, …, х_n),

векторы

 

состоят соответственно из коэффициентов при переменных и свободных членов.

(про функционал)

В общем случае задача оптимизации формулируется как задача отыскания max или min значения I(v) для .

Под решением такой задачи понимается такое , что для остальных элементов выполняется неравенство или в зависимости от требований задачи.

При этом:

v - некоторая функция

I(v) - функционал вида

Многокритериальная оптимизация. Методы сведения многокритериальной задачи к однокритериальной. Метод уступок. Методы определения уровня предпочтений. Способы поиска паретовского множества альтернатив.

Многокритериальная оптимизация представляет собой минимизацию некого вектора целей F(x), на которой могут быть наложены дополнительные ограничения или предельные значения:

	(3-47)

Отметим, что поскольку F(x) является неким вектором, то любые компоненты F(x) являюся конкурирующими и отсутсвует некое единое решение поставленной задачи. Взамен этого, для описания характеристик целей вводится концепция множества точек неулучшаемых решений [41] (так называемая оптимальность по Паретто [4],[6]). Неухудшаемое решение есть такое решение, в котором улучшение в одной из целей приводит к некому ослаблению другой. Для более точной формулировки данной концепции рассмотрим некую область допустимых решений в параметрическом пространстве , которое удовлетворяет всем принятым ограничениям, т.е.

	(3-48)

при ограничениях

Отсюда возможно определить соответствующую область допустимых решений для пространства целевых функций .

, где при условии	(3-49)

Точка неулучшаемого решения может быть определена как:

Определение. Точка является неулучшаемым решением, если для некоторой окрестности нет некого такого, что и

Стратегия взвешенных сумм

Данная стратегия взвешенных сумм преобразует многокритериальную задачу минимизации вектора в некую скалярную задачу путем построения неких взвешенных сумм для всех выбранных объектов.

	(3-51)

Далее уже к данной задаче оптимизации уже может быть применен стандартный алгоритм оптимизации без наличия ограничений. В этом случае рассматриваются взвешенные коэффициенты для каждой из выбранных целей. Взвешенные коэффициенты необязательно должны напрямую соответствовать относительной значимости соответствующей цели или принимать во внимание взаимовлияние между конкретно выбранными целями. Более того, границы неулучшаемых решений могут быть и не достигнуты, так что определенные решения являются по существу недостижимыми.

Метод -ограничений

Некий определенный способ, который отчасти позволяет преодолеть проблему выпуклости метода взвешенных сумм, есть метод -ограничений. В этом случае осуществляется минимизация основной цели и при представлении остальных целей в форме ограничений типа неравенств.

	(3-52)

при выполнении условия

Подобный подход позволяет определить некое количество неулучшаемых решений для случая вогнутой границы, что, по существу, является недоступным в методе взвешенных сумм, например, в точке искомого решения и . Однако проблемой данного метода является подходящий выбор , который мог бы гарантировать допустимость некого решения.

Метод достижения цели.

Описанный далее метод представляет собой метод достижения цели Гембики. Данный метод включает в себя выражение для множества намерений разработчика , которое связано с множеством целей . Такая формулировка задачи допускает, что цели могут быть или недо- или передостижимыми, и что дает разработчику возможность относительно точно выразить исходные намерения. Относительная степень недо- или передостижимости поставленных намерений контролируется посредством вектора взвешенных коэффициентов и может быть представлена как стандартная задача оптимизации с помощью следующей формулировки

	(3-53)

При условии, что

Член вносит в данную задачу элемент ослабления, что, иначе говоря, обозначает жесткость заданного намерения. Весовой вектор w дает исследователю возможность достаточно точно выразить меру взаимосвязи между двумя целями. Например, установка весового вектора w как равного исходному намерению указывает на то, что достигнут тот же самый процент недо- или передостижимости цели . Посредством установки в ноль отдельного весового коэффициента (т.е. ) можно внести жесткие ограничения в поставленную задачу. Метод достижения цели обеспечивает подходящую интуитивную интерпретацию поставленной исследовательской задачи и которая, в свою очередь, является вполне разрешимой с помощью стандартных процедур оптимизации.

Гладкая оптимизация. Седловая точка. Условие Куна-Таккера. Двойственные задачи оптимизации.

Метод множителей Лагранжа позволяет отыскивать максимум или минимум функции при ограничениях-равенствах. Основная идея метода состоит в переходе от задачи на условный экстремум к задаче отыскания безусловного экстремума некоторой построенной функции Лагранжа. Пусть задана задача НП при ограничениях-равенствах вида

минимизировать                     (5.2.1)

при ограничениях

                            (5.2.2)

Предположим, что все функции - дифференцируемы. Введем набор переменных  (число которых равняется числу ограничений), которые называются множителями Лагранжа, и составим функцию Лагранжа такого вида:

              (5.2.3)

Справедливо такое утверждение [18]: для того чтобы вектор  являлся решением задачи (5.2.1) при ограничениях (5.2.2), необходимо, чтобы существовал такой вектор , что пара векторов удовлетворяла бы системе уравнений

                          (5.2.4)

                       (5.2.5)

множителей Лагранжа, который состоит из следующих шагов.

Составляют функцию Лагранжа     

Находят частные производные       

Решают систему уравнений

                  (5.2.16)

и отыскивают точки , удовлетворяющие системе (5.2.16).

 Найденные точки  дальше исследуют на максимум (или минимум).

Седловая точка и задача нелинейного программирования

Рассмотрим функцию Лагранжа  

Определение Пара векторов  называется седловой точкой функции Лагранжа , если при всех  выполняется условие

                        (5.3.28)

Неравенство (5.3.28) называют неравенством для седловой точки. Очевидно, что в седловой точке выполняется условие

            (5.3.29)

Между понятием седловой точки функции Лагранжа и решением задачи НП существует взаимосвязь, которая устанавливается в следующей теореме.

Теорема 5.9. Пусть  и все  выпуклы и функции  удовлетворяют условию регулярности Слейтера. Вектор  является решением задачи НП (5.3.1), (5.3.2) тогда и только тогда, когда существует такой вектор , что

                   (5.3.30)

и

                          (5.3.31)

Теорема Куна-Таккера. Пусть функции , имеют непрерывные частные производные на некотором открытом множестве , содержащем точку . Если  является точкой минимума функции  при ограничениях , удовлетворяющих  условию регулярности в виде линейной независимости векторов , то существуют такие неотрицательные множители Лагранжа  , что

                            (5.3.15)

                    (5.3.16)

Определим функцию Лагранжа следующим образом:

                          (5.3.17)

Тогда теорему Куна-Таккера можно записать в виде

                                (5.3.18)

                             (5.3.19)

              (5.3.20)

Заметим, что множители Лагранжа в задаче НП с ограничениями-равенствами являются знаконеопределенными, тогда как в теореме Куна-Таккера они должны быть положительными.

Каждой задаче линейного программирования соответствует двойственная задача. Двойственная задача по отношению к исходной задаче строится по следующим правилам:

· Если исходная задача ставится на максимум, то двойственная ставится на минимум и наоборот.

· Коэффициенты целевой функции исходной задачи становятся правыми частями ограничений двойственной задачи. Правые части ограничений исходной задачи становятся коэффициентами целевой функции двойственной задачи.

· Если A-матрица коэффициентов исходной задачи, то транспонированная матрица T A будет матрицей коэффициентов двойственной задачи.

· В задаче на максимум все ограничения имеют знак ? (=), а в задаче на минимум все ограничения имеют знак ? .

· Число переменных в двойственной задаче равно числу ограничений в исходной задаче. Каждому ограничению исходной задачи соответствует переменная двойственной задачи. Если ограничение исходной задач имеет знак (? ), то соответствующая переменная двойственной задачи неотрицательна. Если ограничение имеет знак (=), то соответствующая переменная двойственной задачи может принимать положительные и отрицательные значения и наоборот.

Градиентные методы гладкой оптимизации. Общая идея градиентного спуска (подъема). Пропорциональный градиентный метод. Полношаговый градиентный метод. Метод сопряженных градиентов.

Методы отыскания экстремума, использующие производные, имеют строгое математическое обоснование. Известно, что при отыскании экстремума не существует лучшего направления, чем движение по градиенту.

Градиентом дифференцируемой функции f(x) в точке х[0] называется n-мерный вектор f(x[0]), компоненты которого являются частными производными функции f(х), вычисленными в точке х[0], т. е.

f'(x[0]) = (дf(х[0])/дх₁, …, дf(х[0])/дх_n)^T.

Этот вектор перпендикулярен к плоскости, проведенной через точку х[0] , и касательной к поверхности уровня функции f(x), проходящей через точку х[0] .В каждой точке такой поверхности функция f(x) принимает одинаковое значение. Приравнивая функцию различным постоянным величинам С₀, С₁, ... , получим серию поверхностей, характеризующих ее топологию

Вектор-градиент направлен в сторону наискорейшего возрастания функции в данной точке. Вектор, противоположный градиенту (-f'(х[0])), называется антиградиентом и направлен в сторону наискорейшего убывания функции. В точке минимума градиент функции равен нулю. На свойствах градиента основаны методы первого порядка, называемые также градиентным и методами минимизации. Использование этих методов в общем случае позволяет определить точку локального минимума функции.

Очевидно, что если нет дополнительной информации, то из начальной точки х[0] разумно перейти в точку х [1], лежащую в направлении антиградиента - наискорейшего убывания функции. Выбирая в качестве направления спуска р[k] антиградиент -f'(х[k]) в точке х[k], получаем итерационный процесс вида

х[k+1] = x[k]-a_kf'(x[k]), а_k > 0; k=0, 1, 2, ...

В координатной форме этот процесс записывается следующим образом:

x_i[k+1]=х_i[k] - a_kf(x[k])/x_i

i = 1, ..., n; k= 0, 1, 2,...

В качестве критерия останова итерационного процесса используют либо выполнение условия малости приращения аргумента || x[k+l] - x[k] || <= e, либо выполнение условия малости градиента

|| f'(x[k+l]) || <= g,

Здесь e и g - заданные малые величины.

Возможен и комбинированный критерий, состоящий в одновременном выполнении указанных условий. Градиентные методы отличаются друг от друга способами выбора величины шага а_k.

При методе с постоянным шагом для всех итераций выбирается некоторая постоянная величина шага. Достаточно малый шаг а_k обеспечит убывание функции, т. е. выполнение неравенства

f(х[k+1]) = f(x[k] - a_kf'(x[k])) < f(x[k]).

Однако это может привести к необходимости проводить неприемлемо большое количество итераций для достижения точки минимума. С другой стороны, слишком большой шаг может вызвать неожиданный рост функции либо привести к колебаниям около точки минимума (зацикливанию). Из-за сложности получения необходимой информации для выбора величины шага методы с постоянным шагом применяются на практике редко.

Более экономичны в смысле количества итераций и надежности градиентные методы с переменным шагом, когда в зависимости от результатов вычислений величина шага некоторым образом меняется. Рассмотрим применяемые на практике варианты таких методов.

Метод наискорейшего спуска

При использовании метода наискорейшего спуска на каждой итерации величина шага а_k выбирается из условия минимума функции f(x) в направлении спуска, т. е.
f(x[k] -a_kf'(x[k])) = f(x[k] - af'(x[k])).

Это условие означает, что движение вдоль антиградиента происходит до тех пор, пока значение функции f(x) убывает. С математической точки зрения на каждой итерации необходимо решать задачу одномерной минимизации по а функции
j(a) = f(x[k] - af'(x[k])) .

Алгоритм метода наискорейшего спуска состоит в следующем.

1. Задаются координаты начальной точки х[0].

2. В точке х[k], k = 0, 1, 2, ... вычисляется значение градиента f'(x[k]).

3. Определяется величина шага a_k, путем одномерной минимизации по а функции j(a) = f(x[k] - af'(x[k])).

4. Определяются координаты точки х[k+1]:

х_i[k+1] = x_i[k] - а_kf'_i(х[k]), i = 1 ,..., п.

5. Проверяются условия останова стерационного процесса. Если они выполняются, то вычисления прекращаются. В противном случае осуществляется переход к п. 1.

В рассматриваемом методе направление движения из точки х[k] касается линии уровня в точке x[k+1] (Рис. 2.9). Траектория спуска зигзагообразная, причем соседние звенья зигзага ортогональны друг другу. Действительно, шаг a_k выбирается путем минимизации по а функции ц(a) = f(x[k] - af'(x[k])). Необходимое условие минимума функции dj(a)/da = 0. Вычислив производную сложной функции, получим условие ортогональности векторов направлений спуска в соседних точках:

dj(a)/da = -f'(x[k+1]f'(x[k]) = 0.

Градиентные методы сходятся к минимуму с высокой скоростью (со скоростью геометрической прогрессии) для гладких выпуклых функций. У таких функций наибольшее М и наименьшее m собственные значения матрицы вторых производных (матрицы Гессе)

мало отличаются друг от друга, т. е. матрица Н(х) хорошо обусловлена. Напомним, что собственными значениями l_i, i =1, …, n, матрицы являются корни характеристического уравнения

Однако на практике, как правило, минимизируемые функции имеют плохо обусловленные матрицы вторых производных (т/М << 1). Значения таких функций вдоль некоторых направлений изменяются гораздо быстрее (иногда на несколько порядков), чем в других направлениях. Их поверхности уровня в простейшем случае сильно вытягиваются, а в более сложных случаях изгибаются и представляют собой овраги. Функции, обладающие такими свойствами, называют овражными. Направление антиградиента этих функций (см. Рис. 2.10) существенно отклоняется от направления в точку минимума, что приводит к замедлению скорости сходимости.

Метод сопряженных градиентов

Рассмотренные выше градиентные методы отыскивают точку минимума функции в общем случае лишь за бесконечное число итераций. Метод сопряженных градиентов формирует направления поиска, в большей мере соответствующие геометрии минимизируемой функции. Это существенно увеличивает скорость их сходимости и позволяет, например, минимизировать квадратичную функцию

f(x) = (х, Нх) + (b, х) + а

с симметрической положительно определенной матрицей Н за конечное число шагов п , равное числу переменных функции. Любая гладкая функция в окрестности точки минимума хорошо аппроксимируется квадратичной, поэтому методы сопряженных градиентов успешно применяют для минимизации и неквадратичных функций. В таком случае они перестают быть конечными и становятся итеративными.

По определению, два n-мерных вектора х и у называют сопряженными по отношению к матрице H (или H-сопряженными), если скалярное произведение (x, Ну) = 0. Здесь Н - симметрическая положительно определенная матрица размером пхп.

Одной из наиболее существенных проблем в методах сопряженных градиентов является проблема эффективного построения направлений. Метод Флетчера-Ривса решает эту проблему путем преобразования на каждом шаге антиградиента -f(x[k]) в направление p[k], H-сопряженное с ранее найденными направлениями р[0], р[1], ..., р[k-1]. Рассмотрим сначала этот метод применительно к задаче минимизации квадратичной функции.

Направления р[k] вычисляют по формулам:

p[k] = -f'(x[k])+b_k-1p[k-l], k >= 1;

p[0] = -f'(x[0]).

Величины b_k-1 выбираются так, чтобы направления p[k], р[k-1] были H-сопряженными:

(p[k], Hp[k-1])= 0.

В результате для квадратичной функции

,

итерационный процесс минимизации имеет вид

x[k+l] =x[k] +a_kp[k],

где р[k] - направление спуска на k-м шаге; а_k - величина шага. Последняя выбирается из условия минимума функции f(х) по а в направлении движения, т. е. в результате решения задачи одномерной минимизации:

f(х[k] + а_kр[k]) = f(x[k] + ар [k]).

Для квадратичной функции

Алгоритм метода сопряженных градиентов Флетчера-Ривса состоит в следующем.

1. В точке х[0] вычисляется p[0] = -f'(x[0]).

2. На k-м шаге по приведенным выше формулам определяются шаг а_k. и точка х[k+1].

3. Вычисляются величины f(x[k+1]) и f'(x[k+1]).

4. Если f'(x[k+1]) = 0, то точка х[k+1] является точкой минимума функции f(х). В противном случае определяется новое направление p[k+l] из соотношения

и осуществляется переход к следующей итерации. Эта процедура найдет минимум квадратичной функции не более чем за п шагов. При минимизации неквадратичных функций метод Флетчера-Ривса из конечного становится итеративным. В таком случае после (п+1)-й итерации процедуры 1-4 циклически повторяются с заменой х[0] на х[п+1] , а вычисления заканчиваются при , где - заданное число. При этом применяют следующую модификацию метода:

x[k+l] = x[k] +a_kp[k],

p[k] = -f'(x[k])+b_k-1p[k-l], k >= 1;

p[0] = -f'(x[0]);

f(х[k] + a_kp[k]) = f(x[k] + ap[k];

.

Здесь I- множество индексов: I = {0, n, 2п, Зп, ...}, т. е. обновление метода происходит через каждые п шагов.

Геометрический смысл метода сопряженных градиентов состоит в следующем (Рис. 2.11). Из заданной начальной точки х[0] осуществляется спуск в направлении р[0] = -f'(x[0]). В точке х[1] определяется вектор-градиент f'(x [1]). Поскольку х[1] является точкой минимума функции в направлении р[0], то f'(х[1]) ортогонален вектору р[0]. Затем отыскивается вектор р [1], H-сопряженный к р [0] . Далее отыскивается минимум функции вдоль направления р[1] и т. д.

Рис. 2.11. Траектория спуска в методе сопряженных градиентов

Методы сопряженных направлений являются одними из наиболее эффективных для решения задач минимизации. Однако следует отметить, что они чувствительны к ошибкам, возникающим в процессе счета. При большом числе переменных погрешность может настолько возрасти, что процесс придется повторять даже для квадратичной функции, т. е. процесс для нее не всегда укладывается в п шагов.

Выпуклая оптимизация. Условие выпуклости. Субградиентный метод выпуклой оптимизации. Метод растяжения пространства. Метод эллипсоидов.

Основная задача выпуклого программирования

Пусть задано выпуклое и замкнутое множество . Рассмотрим множество

={}, =(,…,), .

где () -- вогнутые (выпуклые вверх) непрерывные на скалярные функции. В теории математического программирования каждый элемент принято называть допустимым планом, а само множество -- множеством допустимых планов.

Формальная постановка задачи выпуклого программирования

Задачу

,

где выпукла, а определяется вышеприведенными условиями, называется основной задачей выпуклого программирования.

Определение означает, что ставится задача:

Если существует минимальное значение функции на множестве , то среди всех допустимых планов найти оптимальный план , для которого

==

при этом число называют значением задачи.

Если оптимального плана не существует, то требуется

· либо найти значение задачи как точную нижнюю грань значений функции на множестве :

=

· либо убедиться, что неограничена снизу на множестве ;

· либо убедиться в том, что множество допустимых планов пусто.

Для решения предложенной оптимизационной задачи следует выполнить следующие действия:

· Определить множество .

· Определить вектор-функцию =(,…,) и вектор .

· Определить множество допустимых планов ={}.

· Привести задачу к стандартной форме основной задачи выпуклого программирования и определить оптимизируемую функцию .

· Проверить, является ли полученная оптимизационная задача ЗВП, для этого

· проверить на выпуклость множество ;

· проверить на выпуклость функцию .

В случае успеха п. 5

· Построить функцию Лагранжа полученной ЗВП.

· С помощью дифференциальных условий Куна-Таккера найти седловые точки построенной функции Лагранжа.

В случае неудачи п. 5 попытаться найти другие методы решения задачи.

Методы субградиентной оптимизации. Эти итеративные процедуры формируют последовательность векторов {l^k}. Начиная с некоторого начального значения l⁰ эти вектора меняются по следующему правилу

l^k+1 = l^k + t_k (A x^k -  b),

где x^k -- оптимальное решение задачи , а t_k -- размер шага. Фундаментальный теоретический результат заключается в  том, что [14]

.

Размер шага  на практике обычно выбирают, следуя [11],

где q ^k -- скаляр, 0 < q ^k 2  и z* -- верхняя граница для n(D). Обычно z* получают эвристикой для P. В методе ветвей и границ z* -- текущий рекорд. Последовательность q ^k, как правило, начинается с q  ⁰=2 и затем q ^k делится пополам, через фиксированное число итераций, зависящее от размерности задачи.

Элементы функционального анализа. Метрические, линейные и нормированные пространства. Эвклидово пространство. Гильбертово пространство. Линейные операторы и функционалы в линейных нормированных пространствах

Функциональный анализ, часть современной математики, главной задачей которой является изучение бесконечномерных пространств и их отображений. Наиболее изучены линейные пространства и линейные отображения. Для Ф. а. характерно сочетание методов классического анализа, топологии и алгебры. Абстрагируясь от конкретных ситуаций, удаётся выделить аксиомы и на их основе построить теории, включающие в себя классические задачи как частный случай и дающие возможность решать новые задачи. Сам процесс абстрагирования имеет самостоятельное значение, проясняя ситуацию, отбрасывая лишнее и открывая неожиданные связи. В результате удаётся глубже проникнуть в сущность математических понятий и проложить новые пути исследования.

Развитие Ф. а. происходило параллельно с развитием современной теоретической физики, при этом выяснилось, что язык Ф. а. наиболее адекватно отражает закономерности квантовой механики, квантовой теории поля и т.п. В свою очередь эти физические теории оказали существенное влияние на проблематику и методы Ф. а.

1. Линейные пространства. Базис

Одно из основных понятий современной математики - линейное пространство.

Пусть L - некоторое множество объектов произвольной природы, а C - множество комплексных чисел. Множество L называют линейным пространством, если на нем определены две операции: 1) операция сложения любых двух элементов этого множества и 2) операция умножения элементов этого множества на комплексное число, причем эти операции удовлетворяют некоторым естественным аксиомам. Более точно:

Определение. Множество L называется линейным пространством над полем комплексных чисел C, если

1. каждой паре элементов x, y из этого пространства поставлен в соответствие элемент z этого пространства, называемый суммой элементов x и y (обозначение: );

2. каждому элементу x из L и каждому комплексному числу поставлен в соответствие элемент из L, называемый произведением и x (и обозначаемый или x);

3. указанные операции удовлетворяют следующим аксиомам:

4. для любых ,

5. для любых ,

6. существует "нулевой" элемент , такой, что для любого ,

7. для каждого существует "противоположный" ему элемент , такой, что ,

8. для любого ,

9. для любого и любых ,

10. для любого и любых ,

11. для любого и любых .

Подчеркнем, что перечисленные аксиомы являются естественным обобщением хорошо известных свойств сложения и умножения чисел, сложения векторов и их умножения на число и т.д.

Иногда рассматривают линейное пространство не над полем комплексных, а над полем действительных чисел R (т.е. вместо операции умножения на комплексные числа рассматривается операция умножения на действительные числа). Аксиомы линейного пространства при этом не меняются.

Приведем некоторые типичные примеры линейных пространств.

Пример 1. Линейное пространство векторов на плоскости (или в трехмерном пространстве) с обычными операциями сложения векторов и умножения вектора на действительное число. Нулевым элементом является нулевой вектор.

Пример 2. Линейное пространство всевозможных последовательностей комплексных чисел с операциями

.

Нулевой элемент - последовательность (0, 0, ..., 0, ...).

Пусть теперь - некоторые элементы линейного пространства L, а - произвольные комплексные (или действительные) числа. Элемент пространства L, равный , называется линейной комбинацией элементов .

Определение. Система (набор) элементов пространства L называется линейно независимой, если линейная комбинация равна нулевому элементу пространства только в случае .

Иными словами, система называется линейно независимой, если из равенства следует, что .

Определение. Система элементов пространства L называется линейно зависимой, если равенство выполнено при некотором наборе констант , хотя бы одна из которых отлична от нуля.

Таким образом, система называется линейно зависимой, если она не является линейно независимой.

Определение. Линейное пространство имеет размерность n (или, коротко, n-мерно), если в нем найдется n линейно независимых элементов, но любые (n+1) элемент линейно зависимы. Линейное пространство называется бесконечномерным, если в нем можно указать любое наперед заданное число линейно независимых элементов.

Определение. Система элементов линейного пространства называется базисом этого пространства, если любой элемент этого пространства можно единственным образом представить в виде линейной комбинации элементов данной системы.

Как мы убедились, в n-мерном пространстве любая линейно независимая система из n элементов образует базис.

Определение. Множество M называется метрическим пространством, если каждым двум элементам x, y этого множества поставлено в соответствие действительное число, обозначаемое и называемое расстоянием между элементами x и y, причем выполнены следующие аксиомы:

1. для любых , причем в том и только в том случае, когда ;

2. для любых ;

3. для любых .

Если x, y - два фиксированных элемента множества M, то есть действительное число, однако, полагая x и y равными всевозможным элементам множества M, получим, что является функцией двух переменных x, y. Эта функция называется метрикой данного пространства.

Определение. Линейное пространство называется нормированным, если каждому элементу x этого пространства поставлено в соответствие действительное число (норма x ), причем выполнены следующие аксиомы:

1. для любого x, причем тогда и только тогда, когда ;

2. для любого x и любого комплексного ;

3. для любых x, y из данного пространства.

Для линейных пространств над полем действительных чисел также вводится понятие нормированного пространства с теми же аксиомами.

Неравенство, фигурирующее в третьей аксиоме, называется неравенством Минковского.

Простейшими примерами нормированных пространств могут служить множества действительных чисел R и комплексных чисел C, где в качестве нормы числа рассматривается его модуль, а также пространство векторов на плоскости (или в пространстве) с нормой, равной длине вектора.

В пространстве непрерывных функций на (действительном или комплексном) норму можно ввести, например, следующими способами:

, .

Отметим теперь следующий важный факт. В любом линейном нормированном пространстве можно ввести метрику следующим образом:

При этом выполнение первой аксиомы метрического пространства следует из первой аксиомы нормированного пространства. Выполнение второй аксиомы также очевидно:

.

Наконец, выполнение третьей аксиомы метрического пространства следует из неравенства Минковского:

Итак, любое линейное нормированное пространство можно сделать метрическим пространством указанным выше естественным способом (так, указанные нами нормы в пространстве непрерывных функций порождают соответственно равномерную и среднеквадратичную метрику, т.е. порождают пространства и соответственно). Обратное утверждение, вообще говоря, неверно: не в любом метрическом пространстве можно ввести норму, поскольку понятие нормы вводится лишь в линейном пространстве, а метрическое пространство может не быть наделено линейной структурой. Однако, если метрическое пространство наделено линейной структурой (является линейным пространством), то его всегда можно сделать нормированным, введя норму

Пусть  -- вещественное -мерное пространство, в котором задан базис . Тогда векторы и из задаются своими координатами:

Скалярное произведение векторов, обозначаеся оно обычно , задается формулой

	(18.3)

В отличие от обычного трехмерного пространства, где с помощью транспортира и линейки можно измерить угол между векторами и длину вектора, в -мерном пространстве ни угол между векторами, ни длину вектора измерить невозможно (как можно, например, измерить длину многочлена или угол между многочленами?). Поэтому ортонормированным в -мерном пространстве называется тот базис, в котором скалярное произведение вычисляется по формуле (18.3).

Если ,  -- координатные столбцы векторов и , то скалярное произведение можно задать формулой

Предоставляем читателю самостоятельно убедиться в совпадении этой формулы с формулой (18.3)

Определение 18.5   Вещественное линейное пространство, в котором задано скалярное произведение называется евклидовым пространством.         

В трехмерном пространстве с помощью склярного произведения определялся угол между векторами. В евклидовом пространстве тоже можно определить угол между векторами. Но угол в -мерном пространстве не имеет существенного значения, кроме одного случая. В трехмерном проcтранстве два вектора ортогональны тогда и только тогда, когда их скалярное произведение равно нулю.

Определение 18.6   Два вектора евклидова пространства называются ортогональными, если их скалярное произведение равно нулю.

 Определение 18.7   Комплексное линейное пространство, в котором введено скалярное произведение, называется унитарным пространством.         

В унитарном пространстве модуль вектора и условие ортогональности вводятся с помощью скалярного произведения так же, как в евклидовом пространстве. В координатной записи

Гильбертово пространство, математическое понятие, обобщающее понятие евклидова пространства на бесконечномерный случай. Возникло на рубеже 19 и 20 вв. в виде естественного логического вывода из работ нем. математика Гильберта в результате обобщения фактов и методов, относящихся к разложениям функций в ортогональные ряды и к исследованию интегральных уравнений. Постепенно развиваясь, понятие «Г. п.» находило все более широкие приложения в различных разделах математики и теоретической физики; оно принадлежит к числу важнейших понятии математики.

  Первоначально Г. п. понималось как пространство последовательностей со сходящимся рядом квадратов (т.н. пространство l₂). Элементами (векторами) такого пространства являются бесконечные числовые последовательности

  x = (x₁, x₂,..., x_n,...)

  такие, что ряд x²₁ + x²₂ +... + х²_n + ... сходится. Сумму двух векторов х + y и вектор lx, где l -- действительное число, определяют естественным образом:

  x + y = (x₁ + y₁,..., x_n + y_n,...),

  lx = (lx₁, lx₂, ..., lx_n,...)/

  Для любых векторов х, y О l₂ формула

  (x, y) = x₁y₁ + x₂y₂ + ... +x_ny_n + ...

  определяет их скалярное произведение, а под длиной (нормой) вектора х понимается неотрицательное число

 

  Скалярное произведение всегда конечно и удовлетворяет неравенству |(х, у)| Ј ||x|| ||y||. Последовательность векторов х_n называется сходящейся к вектору х, если ||х_n--х|| ® 0 при n ® Ґ. Многие определения и факты теории конечномерных евклидовых пространств переносятся и на Г. п. Например, формула

 

  где 0 Ј j Ј p определяет угол j между векторами х и у. Два вектора х и у называются ортогональными, если (х, у) = 0. Пространство l₂ полно: всякая фундаментальная последовательность Коши элементов этого пространства (т.е. последовательность х_n, удовлетворяющая условию ||х_п--х_m||® 0 при n, m ® Ґ) имеет предел. В отличие от евклидовых пространств, Г. п. l₂ бесконечномерно, т.е. в нём существуют бесконечные системы линейно независимых векторов; например, такую систему образуют единичные векторы

  e₁ = (1, 0, 0,...), e₂ = (0, 1, 0,...),...

  При этом для любого вектора x из l₂ имеет место разложение

  x = x₁e₁ + x₂e₂ +...     (1)

  по системе {e_n}.

Операторы (общие понятия). Функционалы. Пусть X, Y -- линейные пространства; отображение A: X ® Y называется линейным, если для x, у О X, l, m О ,

где x₁,..., x_n и (Ax)₁,..., (Ax) _n -- координаты векторов x и Ax соответственно. При переходе к бесконечномерным линейным топологическим пространствам положение значительно усложняется. Здесь прежде всего необходимо различать непрерывные и разрывные линейные операторы (для конечномерных пространств они всегда непрерывны). Так, действующий из пространства L₂ (а, b) в него же оператор

   

(где K (t, s) -- ограниченная функция -- ядро А) -- непрерывен, в то время как определённый на подпространстве C¹(a, b) М L₂(a, b) оператор дифференцирования

    

является разрывным (вообще, характерной особенностью разрывных операторов является то, что они не определены на всём пространстве).

Линейный функционал, обобщение понятия линейной формы на линейные пространства. Линейным функционалом f на линейном нормированном пространстве Е называют числовую функцию f(x), определённую для всех х из Е и обладающую следующими свойствами:

  1) f(x) линейна, т. е. f((x + (у) = (f(x) + (f(y),

  где х и у -- любые элементы из Е, a и b -- числа;

  2) f(x) непрерывна.

  Непрерывность f равносильна требованию, чтобы  было ограничено в Е; выражение  называют нормой f и обозначают .

  В пространстве С [a, b] функций a(t), непрерывных при a ( t ( b, с нормой  Л. ф. являются, например, выражения:

  ,

  f₂[((t)] = ((t₀), a ( t₀ ( b.

  В гильбертовом пространстве Н Л. ф. суть скалярные произведения (l, х), где l -- любой фиксированный элемент пространства Н; ими исчерпываются все Л. ф. этого пространства.

  Во многих задачах можно из общих соображений установить, что та или иная величина является Л. ф. Например, к Л. ф. приводит решение линейных дифференциальных уравнений с линейными краевыми условиями. Поэтому очень существенным является вопрос об общем аналитическом выражении Л. ф. в разных пространствах.

  Совокупность всех Л. ф. данного пространства Е превращается в линейное нормированное пространство , если определить естественным образом сложение Л. ф. и умножение их на числа. Пространство  называют сопряжённым к ; это пространство играет большую роль при изучении Е.

  С понятием Л. ф. связано понятие слабой сходимости. Последовательность {xn} элементов линейного нормированного пространства называют слабо сходящейся к элементу х, если

 

Моделирование как метод научного познания. Понятия модели и моделирования. Элементы и этапы процесса моделирования. Виды моделирования. Особенности математического моделирования экономических объектов. Производственно-технологический и социально-экономический уровни экономико-математического моделирования. Особенности экономических наблюдений и измерений. Случайность и неопределенность в экономико-математическом моделировании. Проверка адекватности моделей.

Моделирование в научных исследованиях стало применяться еще в глубокой древности и постепенно захватывало все новые области научных знаний: техническое конструирование, строительство и архитектуру, астрономию, физику, химию, биологию и, наконец, общественные науки. Большие успехи и признание практически во всех отраслях современной науки принес методу моделирования ХХ в. Однако методология моделирования долгое время развивалась независимо отдельными науками. Отсутствовала единая система понятий, единая терминология. Лишь постепенно стала осознаваться роль моделирования как универсального метода научного познания.

Термин "модель" широко используется в различных сферах человеческой деятельности и имеет множество смысловых значений. Рассмотрим только такие "модели", которые являются инструментами получения знаний.

Модель - это такой материальный или мысленно представляемый объект, который в процессе исследования замещает объект-оригинал так, что его непосредственное изучение дает новые знания об объекте-оригинале

Под моделированием понимается процесс построения, изучения и применения моделей. Оно тесно связано с такими категориями, как абстракция, аналогия, гипотеза и др. Процесс моделирования обязательно включает и построение абстракций, и умозаключения по аналогии, и конструирование научных гипотез.

Главная особенность моделирования в том, что это метод опосредованного познания с помощью объектов-заместителей. Модель выступает как своеобразный инструмент познания, который исследователь ставит между собой и объектом и с помощью которого изучает интересующий его объект. Именно эта особенность метода моделирования определяет специфические формы использования абстракций, аналогий, гипотез, других категорий и методов познания.

Необходимость использования метода моделирования определяется тем, что многие объекты (или проблемы, относящиеся к этим объектам) непосредственно исследовать или вовсе невозможно, или же это исследование требует много времени и средств.

Процесс моделирования включает три элемента:

· субъект (исследователь),

· объект исследования,

· модель, опосредствующую отношения познающего субъекта и познаваемого объекта.

Пусть имеется или необходимо создать некоторый объект А. Мы конструируем (материально или мысленно) или находим в реальном мире другой объект В - модель объекта А. Этап построения модели предполагает наличие некоторых знаний об объекте-оригинале. Познавательные возможности модели обуславливаются тем, что модель отражает какие-либо существенные черты объекта-оригинала. Вопрос о необходимости и достаточной мере сходства оригинала и модели требует конкретного анализа. Очевидно, модель утрачивает свой смысл как в случае тождества с оригиналом (тогда она перестает быть оригиналом), так и в случае чрезмерного во всех существенных отношениях отличия от оригинала.

Таким образом, изучение одних сторон моделируемого объекта осуществляется ценой отказа от отражения других сторон. Поэтому любая модель замещает оригинал лишь в строго ограниченном смысле. Из этого следует, что для одного объекта может быть построено несколько "специализированных" моделей, концентрирующих внимание на определенных сторонах исследуемого объекта или же характеризующих объект с разной степенью детализации.

На втором этапе процесса моделирования модель выступает как самостоятельный объект исследования. Одной из форм такого исследования является проведение "модельных" экспериментов, при которых сознательно изменяются условия функционирования модели и систематизируются данные о ее "поведении". Конечным результатом этого этапа является множество знаний о модели.

На третьем этапе осуществляется перенос знаний с модели на оригинал - формирование множества знаний об объекте. Этот процесс переноса знаний проводится по определенным правилам. Знания о модели должны быть скорректированы с учетом тех свойств объекта-оригинала, которые не нашли отражения или были изменены при построении модели. Мы можем с достаточным основанием переносить какой-либо результат с модели на оригинал, если этот результат необходимо связан с признаками сходства оригинала и модели. Если же определенный результат модельного исследования связан с отличием модели от оригинала, то этот результат переносить неправомерно.