WikiDer > Условия Каруша – Куна – Таккера.

Karush–Kuhn–Tucker conditions

В математическая оптимизация, то Условия Каруша – Куна – Таккера (ККТ), также известный как Условия Куна – Таккера, находятся первые производные тесты (иногда называется первым порядком необходимые условия) для решения в нелинейное программирование быть оптимальныйпри условии, что некоторые условия регулярности довольны.

Допуская ограничения неравенства, подход ККТ к нелинейному программированию обобщает метод Множители Лагранжа, который допускает только ограничения типа равенства. Подобно подходу Лагранжа, задача ограниченной максимизации (минимизации) переписывается в виде функции Лагранжа, оптимальной точкой которой является точка перевала, т.е. глобальный максимум (минимум) в области переменных выбора и глобальный минимум (максимум) по множителям, поэтому теорему Каруша – Куна – Такера иногда называют теоремой о перевалке.^[1]

Условия ККТ изначально были названы в честь Гарольд В. Кун и Альберт В. Такер, который впервые опубликовал условия в 1951 году.^[2] Позднее ученые обнаружили, что необходимые условия для этой проблемы были сформулированы Уильям Каруш в своей кандидатской диссертации в 1939 году.^[3]^[4]

Задача нелинейной оптимизации

Рассмотрим следующие нелинейные проблема минимизации или максимизации:

Оптимизировать

{ Displaystyle е ( mathbf {х})}

при условии

{ displaystyle g_ {я} ( mathbf {x}) leq 0,}

{ displaystyle h_ {j} ( mathbf {x}) = 0.}

куда ${ Displaystyle mathbf {x} in mathbf {X}}$ переменная оптимизации, выбранная из выпуклое подмножество из ${ Displaystyle mathbb {R} ^ {п}}$ , ${ displaystyle f}$ это цель или же полезность функция ${ Displaystyle г_ {я} (я = 1, ldots, м)}$ неравенство ограничение функции и ${ displaystyle h_ {j} (j = 1, ldots, ell)}$ равенство ограничение функции. Номера неравенств и равенств обозначаются через ${ displaystyle m}$ и ${ displaystyle ell}$ соответственно. В соответствии с задачей оптимизации ограничений можно сформировать функцию Лагранжа

{ Displaystyle L ( mathbf {x}, mathbf { mu}, mathbf { lambda}) = f ( mathbf {x}) + mathbf { mu} ^ { top} mathbf {g } ( mathbf {x}) + mathbf { lambda} ^ { top} mathbf {h} ( mathbf {x})}

куда ${ displaystyle mathbf {g} ( mathbf {x}) = left (g_ {1} ( mathbf {x}), ldots, g_ {m} ( mathbf {x}) right) ^ { верх }}$ , ${ displaystyle mathbf {h} ( mathbf {x}) = left (h_ {1} ( mathbf {x}), ldots, h _ { ell} ( mathbf {x}) right) ^ {верх }}$ . В Теорема Каруша – Куна – Таккера. затем заявляет следующее.

Теорема. Если ${ displaystyle ( mathbf {x} ^ { ast}, mathbf { mu} ^ { ast})}$ это точка перевала из ${ Displaystyle L ( mathbf {x}, mathbf { mu})}$ в ${ Displaystyle mathbf {x} in mathbf {X}}$ , ${ Displaystyle mathbf { mu} geq mathbf {0}}$ , тогда ${ displaystyle mathbf {x} ^ { ast}}$ является оптимальным вектором для указанной выше задачи оптимизации. Предположим, что ${ Displaystyle е ( mathbf {х})}$ и ${ Displaystyle г_ {я} ( mathbf {х})}$ , ${ Displaystyle я = 1, ldots, м}$ , находятся выпуклый в ${ displaystyle mathbf {x}}$ и что существует ${ displaystyle mathbf {x} _ {0} in mathbf {X}}$ такой, что ${ Displaystyle mathbf {g} ( mathbf {x} _ {0}) <0}$ . Тогда с оптимальным вектором ${ displaystyle mathbf {x} ^ { ast}}$ для вышеуказанной задачи оптимизации связан неотрицательный вектор ${ Displaystyle mathbf { mu} ^ { ast}}$ такой, что ${ Displaystyle L ( mathbf {x} ^ { ast}, mathbf { mu} ^ { ast})}$ это седловая точка ${ Displaystyle L ( mathbf {x}, mathbf { mu})}$ .^[5]

Поскольку идея этого подхода - найти поддерживающая гиперплоскость на возможном множестве ${ displaystyle mathbf { Gamma} = left { mathbf {x} in mathbf {X}: g_ {i} ( mathbf {x}) leq 0, i = 1, ldots, m верно}}$ , в доказательстве теоремы Каруша – Куна – Таккера используется теорема об отделении гиперплоскостей.^[6]

Система уравнений и неравенств, соответствующая условиям ККТ, обычно напрямую не решается, за исключением нескольких частных случаев, когда закрытая форма решение может быть получено аналитически. В общем, многие алгоритмы оптимизации можно интерпретировать как методы численного решения системы уравнений и неравенств ККТ.^[7]

Необходимые условия

Предположим, что целевая функция ${ displaystyle f: mathbb {R} ^ {n} rightarrow mathbb {R}}$ и функции ограничения ${ displaystyle g_ {i}: , ! mathbb {R} ^ {n} rightarrow mathbb {R}}$ и ${ displaystyle h_ {j}: , ! mathbb {R} ^ {n} rightarrow mathbb {R}}$ находятся непрерывно дифференцируемый в какой-то момент ${ displaystyle x ^ {*} in mathbb {R} ^ {n}}$ . Если ${ displaystyle x ^ {*}}$ это локальный оптимум и задача оптимизации удовлетворяет некоторым условиям регулярности (см. ниже), то существуют постоянные ${ Displaystyle му _ {я} (я = 1, ldots, м)}$ и ${ displaystyle lambda _ {j} (j = 1, ldots, ell)}$ , называемые мультипликаторами ККТ, такие, что выполняются следующие четыре группы условий:

Диаграмма ограничений неравенства для задач оптимизации

Стационарность: Для минимизации ${ displaystyle f (x)}$ : ${ Displaystyle набла е (х ^ {*}) + сумма _ {я = 1} ^ {м} му _ {я} набла г_ {я} (х ^ {*}) + сумма _ { j = 1} ^ { ell} lambda _ {j} nabla h_ {j} (x ^ {*}) = mathbf {0}}$; Для максимизации ${ displaystyle f (x)}$ : ${ displaystyle - nabla f (x ^ {*}) + sum _ {i = 1} ^ {m} mu _ {i} nabla g_ {i} (x ^ {*}) + sum _ {j = 1} ^ { ell} lambda _ {j} nabla h_ {j} (x ^ {*}) = mathbf {0}}$

Первичная осуществимость: ${ displaystyle g_ {i} (x ^ {*}) leq 0, { text {for}} i = 1, ldots, m}$; ${ displaystyle h_ {j} (x ^ {*}) = 0, { text {for}} j = 1, ldots, ell , !}$

Двойная осуществимость: ${ displaystyle mu _ {i} geq 0, { text {for}} i = 1, ldots, m}$

Дополнительная расслабленность: ${ displaystyle sum _ {i = 1} ^ {m} mu _ {i} g_ {i} (x ^ {*}) = 0.}$

Последнее условие иногда записывают в эквивалентной форме: ${ displaystyle mu _ {i} g_ {i} (x ^ {*}) = 0, { text {for}} i = 1, ldots, m.}$

В частном случае ${ displaystyle m = 0}$ , т.е. при отсутствии ограничений-неравенств, условия ККТ превращаются в условия Лагранжа, а множители ККТ называются Множители Лагранжа.

Если некоторые функции недифференцируемы, субдифференциальный доступны версии условий Каруша – Куна – Таккера (ККТ).^[8]

Матричное представление

Необходимые условия можно записать с помощью Матрицы Якоби функций ограничений. Позволять ${ displaystyle mathbf {g} (x): , ! mathbb {R} ^ {n} rightarrow mathbb {R} ^ {m}}$ быть определенным как ${ Displaystyle mathbf {g} (x) = left (g_ {1} (x), ldots, g_ {m} (x) right) ^ { top}}$ и разреши ${ Displaystyle mathbf {ч} (х): , ! mathbb {R} ^ {n} rightarrow mathbb {R} ^ { ell}}$ быть определенным как ${ displaystyle mathbf {h} (x) = left (h_ {1} (x), ldots, h _ { ell} (x) right) ^ { top}}$ . Позволять ${ displaystyle { boldsymbol { mu}} = left ( mu _ {1}, ldots, mu _ {m} right) ^ { top}}$ и ${ displaystyle { boldsymbol { lambda}} = left ( lambda _ {1}, ldots, lambda _ { ell} right) ^ { top}}$ . Тогда необходимые условия можно записать как:

Стационарность: Для максимизации ${ displaystyle f (x)}$ : ${ displaystyle nabla f (x ^ {*}) - D mathbf {g} (x ^ {*}) ^ { top} { boldsymbol { mu}} - D mathbf {h} (x ^ {*}) ^ { top} { boldsymbol { lambda}} = mathbf {0}}$; Для минимизации ${ displaystyle f (x)}$ : ${ displaystyle nabla f (x ^ {*}) + D mathbf {g} (x ^ {*}) ^ { top} { boldsymbol { mu}} + D mathbf {h} (x ^ {*}) ^ { top} { boldsymbol { lambda}} = mathbf {0}}$

Первичная осуществимость: ${ Displaystyle mathbf {g} (х ^ {*}) leq mathbf {0}}$; ${ Displaystyle mathbf {ч} (х ^ {*}) = mathbf {0}}$

Двойная осуществимость: ${ Displaystyle { boldsymbol { mu}} geq mathbf {0}}$

Дополнительная расслабленность: ${ displaystyle { boldsymbol { mu}} ^ { top} mathbf {g} (x ^ {*}) = 0.}$

Условия регулярности (или ограничения)

Можно спросить, есть ли точка минимизатора ${ displaystyle x ^ {*}}$ исходной задачи оптимизации с ограничениями (при условии, что она существует) должна удовлетворять указанным выше условиям KKT. Это похоже на вопрос, при каких условиях минимизатор ${ displaystyle x ^ {*}}$ функции ${ displaystyle f (x)}$ в задаче без ограничений должен удовлетворять условию ${ Displaystyle набла е (х ^ {*}) = 0}$ . Для случая с ограничениями ситуация более сложная, и можно сформулировать множество (постоянно усложняющихся) условий «регулярности», при которых минимизатор с ограничениями также удовлетворяет условиям KKT. Некоторые распространенные примеры условий, которые гарантируют это, приведены в следующей таблице, причем LICQ является наиболее часто используемым:

Ограничение	Акроним	Заявление
Квалификация ограничения линейности	LCQ	Если ${ displaystyle g_ {i}}$ и ${ displaystyle h_ {j}}$ находятся аффинные функции, то никаких других условий не требуется.
Квалификация ограничения линейной независимости	LICQ	Градиенты ограничений активного неравенства и градиенты ограничений равенства равны линейно независимый в ${ displaystyle x ^ {*}}$ .
Ограничительная квалификация Мангасаряна-Фромовица	MFCQ	Градиенты ограничений-равенств линейно независимы при ${ displaystyle x ^ {}}$ и существует вектор ${ displaystyle d in mathbb {R} ^ {n}}$ такой, что ${ displaystyle nabla g_ {i} (x ^ {}) ^ { top} d <0}$ для всех ограничений активного неравенства и ${ displaystyle nabla h_ {j} (x ^ {*}) ^ { top} d = 0}$ для всех ограничений равенства.^[9]
Квалификация ограничения постоянного ранга	CRCQ	Для каждого подмножества градиентов ограничений активного неравенства и градиентов ограничений равенства ранг в окрестности ${ displaystyle x ^ {*}}$ постоянно.
Квалификация ограничения постоянной положительной линейной зависимости	CPLD	Для каждого подмножества градиентов ограничений активного неравенства и градиентов ограничений равенства, если подмножество векторов линейно зависит в ${ displaystyle x ^ {}}$ с неотрицательными скалярами, связанными с ограничениями неравенства, то он остается линейно зависимым в окрестности ${ displaystyle x ^ {}}$ .
Квазинормальность ограничения квалификации	QNCQ	Если градиенты ограничений активного неравенства и градиенты ограничений равенства линейно зависимы в ${ displaystyle x ^ {}}$ с соответствующими множителями ${ displaystyle lambda _ {j}}$ для равенства и ${ Displaystyle му _ {я} geq 0}$ для неравенств не существует последовательности ${ displaystyle x_ {k} to x ^ {}}$ такой, что ${ displaystyle lambda _ {j} neq 0 Rightarrow lambda _ {j} h_ {j} (x_ {k})> 0}$ и ${ displaystyle mu _ {i} neq 0 Rightarrow mu _ {i} g_ {i} (x_ {k})> 0.}$
Состояние Слейтера	SC	Для выпуклая задача (т.е. предполагая минимизацию, ${ displaystyle f, g_ {i}}$ выпуклые и ${ displaystyle h_ {j}}$ аффинно) существует точка ${ displaystyle x}$ такой, что ${ Displaystyle ч (х) = 0}$ и ${ displaystyle g_ {i} (x) <0.}$

Можно показать, что

LICQ ⇒ MFCQ ⇒ CPLD ⇒ QNCQ.

и

LICQ ⇒ CRCQ ⇒ CPLD ⇒ QNCQ.

(и обратное неверно), хотя MFCQ не эквивалентен CRCQ.^[10]На практике предпочтительны более слабые ограничивающие квалификации, поскольку они применяются к более широкому набору проблем.

Достаточные условия

В некоторых случаях необходимых условий также достаточно для оптимальности. В общем, необходимых условий недостаточно для оптимальности, и требуется дополнительная информация, такая как достаточные условия второго порядка (SOSC). Для гладких функций SOSC включает вторые производные, что объясняет его название.

Необходимые условия достаточны для оптимальности, если целевая функция ${ displaystyle f}$ задачи максимизации - это вогнутая функция, ограничения неравенства ${ displaystyle g_ {j}}$ непрерывно дифференцируемы выпуклые функции и ограничения равенства ${ displaystyle h_ {i}}$ находятся аффинные функции. Аналогично, если целевая функция ${ displaystyle f}$ задачи минимизации является выпуклая функция, необходимые условия также достаточны для оптимальности.

В 1985 году Мартин показал, что более широкий класс функций, в которых условия KKT гарантируют глобальную оптимальность, - это так называемый тип 1. invex функции.^[11]^[12]

Достаточные условия второго порядка

Для гладкости, нелинейная оптимизация задачи, достаточное условие второго порядка задается следующим образом.

Решение ${ displaystyle x ^ {*}, lambda ^ {*}, mu ^ {*}}$ найденный в предыдущем разделе, является ограниченным локальным минимумом, если для лагранжиана

{ Displaystyle L (х, лямбда, му) = е (х) + сумма _ {я = 1} ^ {м} му _ {я} g_ {я} (х) + сумма _ {j = 1} ^ { ell} lambda _ {j} h_ {j} (x)}

тогда,

{ displaystyle s ^ {T} nabla _ {xx} ^ {2} L (x ^ {*}, lambda ^ {*}, mu ^ {*}) s geq 0}

куда ${ displaystyle s neq 0}$ вектор, удовлетворяющий следующему,

{ displaystyle left [ nabla _ {x} g_ {i} (x ^ {*}), nabla _ {x} h_ {j} (x ^ {*}) right] ^ {T} s = 0}

где только те активные ограничения неравенства ${ Displaystyle g_ {я} (х)}$ соответствующий строгой дополнительности (т.е. где ${ displaystyle mu _ {я}> 0}$ ) применяются. Решением является строгий ограниченный локальный минимум в случае, если неравенство также строгое.

Если ${ displaystyle s ^ {T} nabla _ {xx} ^ {2} L (x ^ {*}, lambda ^ {*}, mu ^ {*}) s = 0}$ , следует использовать разложение Тейлора третьего порядка лагранжиана, чтобы проверить, ${ displaystyle x ^ {*}}$ это местный минимум. Минимизация ${ displaystyle f (x_ {1}, x_ {2}) = (x_ {2} -x_ {1} ^ {2}) (x_ {2} -3x_ {1} ^ {2})}$ хороший контрпример, см. также Поверхность Пеано.

Экономика

Часто в математическая экономика Подход ККТ используется в теоретических моделях для получения качественных результатов. Например,^[13] рассмотрим фирму, которая максимизирует доход от продаж при минимальном ограничении прибыли. Сдача ${ displaystyle Q}$ быть количеством произведенной продукции (будет выбрано), ${ Displaystyle R (Q)}$ быть выручкой от продаж с положительной первой производной и с нулевым значением при нулевом выпуске, ${ Displaystyle C (Q)}$ быть производственными затратами с положительной первой производной и с неотрицательным значением при нулевом выпуске, и ${ displaystyle G _ { min}}$ быть положительным минимально допустимым уровнем выгода, то проблема становится значимой, если функция дохода выравнивается, поэтому в конечном итоге она становится менее крутой, чем функция затрат. Проблема, выраженная в ранее данной минимизационной форме, такова:

Свести к минимуму

{ displaystyle -R (Q)}

при условии

{ Displaystyle G _ { min} leq R (Q) -C (Q)}

{ displaystyle Q geq 0,}

и условия ККТ

{ displaystyle { begin {align} & left ({ frac {{ text {d}} R} {{ text {d}} Q}} right) (1+ mu) - mu left ({ frac {{ text {d}} C} {{ text {d}} Q}} right) leq 0, [5pt] & Q geq 0, [5pt] & Q left [ left ({ frac {{ text {d}} R} {{ text {d}} Q}} right) (1+ mu) - mu left ({ frac {{ текст {d}} C} {{ text {d}} Q}} right) right] = 0, [5pt] & R (Q) -C (Q) -G _ { min} geq 0 , [5pt] & mu geq 0, [5pt] & mu [R (Q) -C (Q) -G _ { min}] = 0. end {align}}}

С ${ displaystyle Q = 0}$ нарушит ограничение минимальной прибыли, мы имеем ${ displaystyle Q> 0}$ а значит, из третьего условия следует, что первое условие выполняется с равенством. Решение этого равенства дает

{ displaystyle { frac {{ text {d}} R} {{ text {d}} Q}} = { frac { mu} {1+ mu}} left ({ frac {{ text {d}} C} {{ text {d}} Q}} right).}

Потому что было дано это ${ displaystyle { text {d}} R / { text {d}} Q}$ и ${ displaystyle { text {d}} C / { text {d}} Q}$ строго положительны, это неравенство вместе с условием неотрицательности ${ displaystyle mu}$ гарантирует, что ${ displaystyle mu}$ положительна, и поэтому фирма, максимизирующая доход, работает на уровне выпуска, при котором предельный доход ${ displaystyle { text {d}} R / { text {d}} Q}$ меньше чем предельная стоимость ${ displaystyle { text {d}} C / { text {d}} Q}$ - результат, представляющий интерес, поскольку он контрастирует с поведением максимизация прибыли фирма, которая работает на уровне, на котором они равны.

Функция значения

Если мы пересмотрим задачу оптимизации как задачу максимизации с постоянными ограничениями неравенства:

{ displaystyle { text {Maximize}} ; f (x)}

{ displaystyle { text {при условии}} }

{ displaystyle g_ {i} (x) leq a_ {i}, h_ {j} (x) = 0.}

Функция ценности определяется как

{ Displaystyle V (a_ {1}, ldots, a_ {n}) = sup limits _ {x} f (x)}

{ displaystyle { text {при условии}} }

{ displaystyle g_ {i} (x) leq a_ {i}, h_ {j} (x) = 0}

{ displaystyle j in {1, ldots, ell }, i in {1, ldots, m },}

так что область ${ displaystyle V}$ является ${ displaystyle {a in mathbb {R} ^ {m} mid { text {для некоторых}} x in X, g_ {i} (x) leq a_ {i}, i in {1, ldots, m } }.}$

Учитывая это определение, каждый коэффициент ${ Displaystyle mu _ {я}}$ - скорость, с которой функция цены увеличивается при ${ displaystyle a_ {i}}$ увеличивается. Таким образом, если каждый ${ displaystyle a_ {i}}$ интерпретируется как ограничение ресурса, коэффициенты говорят вам, насколько увеличение ресурса увеличит оптимальное значение нашей функции ${ displaystyle f}$ . Эта интерпретация особенно важна в экономике и используется, например, в проблемы максимизации полезности.

Обобщения

С дополнительным множителем ${ displaystyle mu _ {0} geq 0}$ , который может быть нулевым (до тех пор, пока ${ Displaystyle ( му _ {0}, му, лямбда) neq 0}$ ), перед ${ Displaystyle набла е (х ^ {*})}$ условия стационарности ККТ превращаются в

{ displaystyle { begin {align} & mu _ {0} , nabla f (x ^ {*}) + sum _ {i = 1} ^ {m} mu _ {i} , набла g_ {i} (x ^ {*}) + sum _ {j = 1} ^ { ell} lambda _ {j} , nabla h_ {j} (x ^ {*}) = 0, [4pt] & mu _ {j} g_ {i} (x ^ {*}) = 0, quad i = 1, dots, m, end {выровнено}}}

которые называются Условия Фрица Джона. Эти условия оптимальности выполняются без ограничений и эквивалентны условию оптимальности ККТ или (не-MFCQ).

Условия KKT относятся к более широкому классу необходимых условий первого порядка (FONC), которые позволяют использовать негладкие функции субпроизводные.

Смотрите также

Лемма Фаркаша
Множитель Лагранжа
В Метод Big M, для линейных задач, что расширяет симплексный алгоритм к задачам, содержащим ограничения типа "больше чем".
Переменная Slack

дальнейшее чтение

Andreani, R .; Martínez, J.M .; Шувердт, М. Л. (2005). «О связи между условием постоянной положительной линейной зависимости и квалификацией ограничения квазинормальности». Журнал теории оптимизации и приложений. 125 (2): 473–485. Дои:10.1007 / s10957-004-1861-9. S2CID 122212394.
Авриэль, Мардохей (2003). Нелинейное программирование: анализ и методы.. Дувр. ISBN 0-486-43227-0.
Болтянский, В .; Мартини, H .; Солтан, В. (1998). «Теорема Куна – Таккера». Геометрические методы и проблемы оптимизации. Нью-Йорк: Спрингер. С. 78–92. ISBN 0-7923-5454-0.
Boyd, S .; Ванденберге, Л. (2004). «Условия оптимальности» (PDF). Выпуклая оптимизация. Издательство Кембриджского университета. С. 241–249. ISBN 0-521-83378-7.
Кемп, Мюррей С .; Кимура, Йошио (1978). Введение в математическую экономику. Нью-Йорк: Спрингер. стр.38–73. ISBN 0-387-90304-6.
Рау, Николай (1981). «Множители Лагранжа». Матрицы и математическое программирование. Лондон: Макмиллан. С. 156–174. ISBN 0-333-27768-6.
Nocedal, J .; Райт, С. Дж. (2006). Численная оптимизация. Нью-Йорк: Спрингер. ISBN 978-0-387-30303-1.
Сундарам, Рангараджан К. (1996). «Ограничения неравенства и теорема Куна и Таккера». Первый курс теории оптимизации. Нью-Йорк: Издательство Кембриджского университета. С. 145–171. ISBN 0-521-49770-1.

внешняя ссылка

[1] Табак, Даниил; Куо, Бенджамин С. (1971). Оптимальное управление математическим программированием. Энглвуд Клиффс, Нью-Джерси: Прентис-Холл. С. 19–20. ISBN 0-13-638106-5.

[2] Кун, Х. В.; Такер, А.В. (1951). «Нелинейное программирование». Материалы 2-го симпозиума в Беркли. Беркли: Калифорнийский университет Press. С. 481–492. МИСТЕР 0047303.

[3] В. Каруш (1939). Минимумы функций нескольких переменных с неравенствами как побочными ограничениями (Кандидатская диссертация). Кафедра математики Univ. Чикаго, Чикаго, Иллинойс.

[4] Кьельдсен, Тинне Хофф (2000). «Контекстуализированный исторический анализ теоремы Куна-Такера в нелинейном программировании: влияние Второй мировой войны». Historia Math. 27 (4): 331–361. Дои:10.1006 / hmat.2000.2289. МИСТЕР 1800317.

[Walsh1975-5] Уолш, Г. Р. (1975). «Свойство перевала функции Лагранжа». Методы оптимизации. Нью-Йорк: Джон Вили и сыновья. С. 39–44. ISBN 0-471-91922-5.

[6] Кемп, Мюррей С .; Кимура, Йошио (1978). Введение в математическую экономику. Нью-Йорк: Спрингер. стр.38–44. ISBN 0-387-90304-6.

[7] Бойд, Стивен; Ванденберге, Ливен (2004). Выпуклая оптимизация. Кембридж: Издательство Кембриджского университета. п. 244. ISBN 0-521-83378-7. МИСТЕР 2061575.

[8] Рущинский, Анджей (2006). Нелинейная оптимизация. Принстон, штат Нью-Джерси: Princeton University Press. ISBN 978-0691119151. МИСТЕР 2199043.

[9] Димитрий Берцекас (1999). Нелинейное программирование (2-е изд.). Athena Scientific. С. 329–330. ISBN 9781886529007.

[10] Родриго Эустакио; Элизабет Карас; Адемир Рибейро. Квалификация ограничений для нелинейного программирования (PDF) (Технический отчет). Федеральный университет Параны.

[11] Мартин, Д. Х. (1985). «Сущность косности». J. Optim. Теория Appl. 47 (1): 65–76. Дои:10.1007 / BF00941316. S2CID 122906371.

[12] Хэнсон, М.А. (1999). «Невыпуклость и теорема Куна-Такера». J. Math. Анальный. Приложение. 236 (2): 594–604. Дои:10.1006 / jmaa.1999.6484.

[13] Чан, Альфа К. Фундаментальные методы математической экономики, 3-е издание, 1984 г., стр. 750–752.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

Navigation