기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[Linear Algebra] 제한된 최적화(constrained optimization)

제한된 최적화(constrained optimization)

관련된 내용

이차 형식의 변수 x에 대해 극대값 또는 극소값을 찾을 수 있습니다. 이를 위해서는 변수벡터 x를 단위 벡터로 전환하는 것으로 시작합니다.

ℝn 차원의 벡터 x가 단위 벡터라면 식 1이 성립합니다.

$$\tag{식 1}‖x‖= 1 →‖x^2‖= 1 ↔ x^Tx = 1$$

예 1)

제한 조건 $x^Tx = 1$에서의 $Q(x) = 9x_1^2 + 4x_2^2 + 3x_3^2$의 극대값과 극소값을 결정합니다.

제한 조건 $x^Tx = 1$를 나타내면 다음과 같습니다.

x1, x2,x3=symbols("x1 x2 x3")
x=Matrix(3, 1, [x1, x2, x3])
print(np.array(x))
[[x1]
 [x2]
 [x3]]
xTx=x.T*x
eq=Eq(xTx[0], 1)
eq
x12 + x22 + x32 = 1

식 2는 $x_1$이 최대인 경우 Q(x)가 최대이며 $x_3$가 최대인 경우 Q(x)의 최소임를 나타냅니다.

\begin{align}\tag{식 2} x = [1, 0, 0] & → Q(x) ≤ 9 \\x = [0, 0, 1] &→ Q(x) ≥ 3\end{align}

Q(x)는 식3과 같이 2차식 행렬로 나타낼 수 있습니다.

\begin{align}\tag{식 3}Q(x)&=x^TAx \\ & = \begin{bmatrix} x_1& x_2& x_3\end{bmatrix} \begin{bmatrix} 9& 0& 0\\0& 4& 0\\0& 0& 3\end{bmatrix}\begin{bmatrix}x_1\\ x_2\\ x_3 \end{bmatrix}\end{align}

위 행렬 A의 부호를 결정하기 위해 고유값을 확인합니다.

A=np.array([[9,0,0],[0,4,0],[0,0,3]])
d, P=la.eig(A)
print(d)
[9. 4. 3.]

모든 고유값이 양수이므로 행렬 A는 양의 정부호 행렬입니다. 즉, Q(x) > 0입니다. 또한 이 행렬의 고유행렬은 정규직교행렬입니다.

print(np.isclose(P.T, la.inv(P)))
[[ True  True  True]
 [ True  True  True]
 [ True  True  True]]

행렬의 고유벡터와 고유값 사이에 식 4가 성립합니다.

\begin{align}Ax& = λx\\ x^TAx& = λx^Tx\\\tag{식 4} Q(x)& = λx^{-1}x\\& = λ\\∵\;& x^Tx = 1\end{align}

결과적으로 이차식을 나타내는 행렬 A의 변수의 범위가 고유벡터내에서 존재하는 조건에서 최대와 최소는 고유값으로 결정할 수 있습니다. 이 예의 경우 A의 고유값 중의 최대와 최소는 각각 9와 3으로 위에서 계산한 값과 같습니다.

예 2)

위 예에서 이차식의 최대값을 나타내는 단위 고유 벡터 u1 이라고 하면 x Tu1 = 0의 제약 조건을 첨가할 경우 극대값을 계산해 봅니다

u1=P[:,0]
print(u1)
[1. 0. 0.]
Eq((x.T*Matrix(u1))[0], 0)
1.0x1=0

즉, 조건은 첫번째 최대에 대응하는 항이 0이 되는 것으로 최대값은 두번째로 큰 고유값이 됩니다.

x1, 0
eq=x.T*A*x
eq[0].subs(x1, 0)
4x22+3x32
제한된 최대와 최소

대칭 행렬 A의 가장 크고 작은 고유값이 각각 M과 m이고 xTx = 1의 제한 조건에서 A의 최대와 최소값은 각각 M과 m이 됩니다.

행렬 A의 특정한 고유값에 대응하는 고유벡터가 0이 되는 변수의 조건은 그에 대응하는 고유값이 제거됨을 의미합니다. 즉, 제일 큰 고유벡터 u1의 조건 xTu1 = 0은 u1에 대응하는 고유값을 제외합니다.

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...